Hur långt är vi från allmän artificiell intelligens

Jul 18, 2024 Lämna ett meddelande

Idag har artificiell allmän intelligens (AGI) blivit ett centralt nyckelord i både vetenskaps- och industrisamhället. För bara några år sedan trodde många att det skulle ta minst 10 till 50 år att uppnå AGI, eller till och med trodde att det var omöjligt. Nuförtiden är sådana pessimistiska åsikter sällsynta. Men jämfört med allmänhetens entusiasm över denna våg av tekniska förändringar, tror många forskare i frontlinjen och branschledare inom AI-området att det fortfarande är en lång väg kvar att gå för nuvarande AI att utvecklas till AGI.

 

Enligt Qi Yuan, en framstående professor vid Fudan University, chef för Shanghai Artificial Intelligence Research Institute (SAIRI), och grundare av Trustworthy Large Model-företaget "Infinite Lightyear," "En av de högsta manifestationerna av AGI är upptäckten av okända lagar i den komplexa världen. Enkelt uttryckt borde det vara en "AI Einstein." Detta kräver att vi skapar "grå box" pålitliga stora modeller som kombinerar "black box" probabilistiska förutsägelser med "white box" logiska resonemang och att främja grundläggande forskning, talang odling och praktiska tillämpningar genom djup integration av teknik och industri, därigenom bygga ett innovativt ekosystem för vetenskaplig intelligens."

 

Vid den senaste 2024 World Artificial Intelligence Conference (WAIC) och Global Governance of Artificial Intelligence High-Level Meeting, var SAIRI framgångsrikt värd för ett tematiskt forum med titeln "Artificial Intelligence: Paradigm Shift in Scientific Research and Industrial Development." Detta var det första framträdandet av denna nya forskningsinstitution vid WAIC. SAIRI kan ses som en modell för Shanghais utforskning av ett innovationsdrivet "1+1+N" vetenskapligt intelligensekosystem. Denna modell involverar SAIRI som det centrala navet som ansvarar för övergripande strategisk planering, resursintegration och nyckelteknologisk forskning och innovation, i samarbete med ett annat "1" Fudan University, och flera "N" universitet, forskningsinstitutioner, teknikföretag, innovationsteam, och investeringsinstitutioner, för att gemensamt främja vetenskaplig forskning, talangodling, tekniköverföring och industriell innovation och uppgradering.

 

Standarden för AGI bör vara att skapa en "AI Einstein."

 

Ur ett tekniskt perspektiv, kommer allt större modeller med fler parametrar att leda till AGI? Hittills är varken ur själva AI-teknikens perspektiv eller ur energiförbrukningsperspektivet stora modeller baserade på Transformers autoregressiva arkitektur tillräckliga för att leda till AGI. AI behöver utveckla nya "grå låda" pålitliga stora modeller. Denna slutsats är baserad på Qi Yuans år av praktiska erfarenhet inom både akademi och industri.

 

För tio år sedan, med idén att "göra AI användbar", ledde Qi Yuan ett team för att för första gången öka Alibabas kärna maskininlärningssystem från 2 miljoner parametrar till flera hundra miljoner parametrar, vilket uppnådde en betydande förbättring av affärsresultat och demonstrerar integrerad transformation av data, algoritmer och tekniska kapaciteter. Detta är just manifestationen av skalningslagen, som diskuteras flitigt i AI-gemenskapen idag.

 

Qi Yuan påminner om att teamet verkligen smakade sötman i skalningslagen: efter att ha ökat modellparametrarna med hundra gånger förbättrades den totala effekten dramatiskt. "Men nu tänker jag: varför gjorde vi inte AI-modeller ännu större då? Varför slutade vi när vi kunde ha tagit ett steg längre?" sa han. "Även miljarder parametrar i stora modeller räcker inte, vi måste gå mot hundratals miljarder, biljoner eller till och med mer. På den tiden saknade både akademin och industrin datorkraft, och till och med i industrisektorn uppnådde man så högt datorkraft krävde mycket höga kostnader, för att inte tala om akademin."

 

Anledningen till att standarden för AGI borde vara att skapa en "AI Einstein", förklarar Qi Yuan, är att den måste vara både effektiv och intelligent. För det första upptäckte Einstein "molnen från det tidiga 1900-talets fysik" genom några viktiga datapunkter. AGI bör också kunna upptäcka och förstå den komplexa världens okända lagar. Men nuvarande stora modeller kan inte uppnå detta. Till exempel, även om den visuella stora modellen SORA simulerar den fysiska världen i en aldrig tidigare skådad grad, konstruerar den fortfarande den tredimensionella världen baserat på simuleringen av den tvådimensionella världen och är långt ifrån en grundlig förståelse av den fysiska världen. För det andra är det frågan om strömförbrukning. Den mänskliga hjärnan fungerar på cirka 15 watt, medan en enda GPU kan nå sin topp på flera hundra watt, för att inte tala om de kluster av tusentals eller tiotusentals GPU:er som behövs för att träna allmänna stora modeller. För närvarande, om vi fortsätter att använda befintliga arkitekturer, skulle strömförbrukningen som krävs vara astronomisk, vilket gör det svårt att uppnå målet att vara effektiv och intelligent.

 

"AI Einstein" är också ett nyckelmål för AI for Science (AI4S). Vetenskaplig intelligens har spelat en viktig roll för att påskynda lösningen av kända fysiska ekvationer, men den behöver också kombinera kända regler med data för att minska det allvarliga beroendet av data och datorkraft, förbättra noggrannheten i resonemang och förutsägelser och föreslå nya vetenskapliga teorier baserat på datajusterade kunskapsregler. Detta är i linje med Qi Yuans långsiktiga mål vid Fudan University och SAIRI – att använda artificiell intelligens för att förstå den komplexa världen och upptäcka okända lagar.

 

"Grå låda" pålitliga vertikala modeller av stora domäner stärker olika industrier.

 

Vilka problem behöver lösas för att stora modeller ska bli nya produktiva krafter från AI-verktyg? Enligt Qi Yuan står den stora modellindustrin inför många gemensamma utmaningar, vilket gör det svårt för teknik, produkter och marknadsbehov att anpassa sig.

 

"Det största problemet med implementering av stora modeller idag är att det verkar användbart vid första anblicken men misslyckas i praktisk användning", förklarar Qi Yuan. Dagens stora språkmodeller förutsäger i första hand nästa ord baserat på flera föregående ord, men detta tillvägagångssätt är inte lämpligt för rigorösa flerstegsresonemang. "Språket är ett verktyg för kommunikation, inte för att tänka." Nyligen publicerades ett dokument av institutioner inklusive MIT i den främsta akademiska tidskriftenNaturpåpekade att språk är ett kraftfullt verktyg för att överföra kulturell kunskap, och det kan ha utvecklats tillsammans med vår tänkande och resonemangsförmåga, vilket speglar komplexiteten i mänsklig kognition. Men språket genererar inte komplexiteten i resonemang.

 

För att ta itu med opålitligheten, låga tolkningsmöjligheter och höga kostnader för befintliga stora modeller, är en effektiv lösning att kombinera probabilistiska neurala nätverksresonemang med logisk symbolisk beräkning, liknande kombinationen av snabbt tänkande baserat på instinkt och långsamt tänkande baserat på logiska resonemang som beskrivs i Nobelpristagaren Daniel Kahnemans bokTänkande, snabbt och långsamt. "Detta kan kallas en "grå låda" stor modell", tror Qi Yuan. Att kombinera symbolisk beräkning med neurala nätverk i en "grå låda" pålitlig stor modell kan minska AI:s "hallucinationer" och lösa professionella problem i vertikala fält, och därigenom ge olika industrier kraft och släppa loss produktiviteten hos stora modeller.

 

Vad är en "grå låda" pålitlig stor modell? "Ursprungligen ansågs djupinlärning vara en "svart låda." Nu, genom att kombinera logiskt resonemang med djupinlärning, har vi en "grå ruta", förklarar Qi Yuan. "Den ursprungliga "svarta lådan" lämnade människor omedvetna om processen genom vilken data gav resultat, medan den "grå lådan" stora modellen, med hjälp av logiska resonemang, tillåter människor att "känna till både resultaten och orsakerna bakom dem." Ur ett annat perspektiv kan stora modeller av "grå låda" använda djupinlärning för att minska regler som inte överensstämmer med observerade data i verkligheten."

 

Qi Yuan säger att för att AI ska spela en central roll i komplexa scenarier inom olika branscher – oavsett om det är inom finans och försäkring, vindkraft och energi, eller sjöfart och läkemedelsområden – är det nödvändigt att kombinera systematisk industrikunskap, resonemangslogik och beslut -tillverkningsmekanismer med stora modeller. Den stora modellen "grå lådan" är inte bara riktningen för AGI utan också ett kraftfullt verktyg för att djupt penetrera vertikala fält och genuint lösa verkliga problem. "Ur ett industriellt perspektiv är denna förståelse väldigt intuitiv," illustrerar Qi Yuan. Läkare behöver inte bli advokater och inte heller advokater behöver bli investeringsexperter. Varje yrkesroll bör fokusera på sitt område och förbättra sina produktivitetsverktyg. Ur teknisk synvinkel, om en stor modell överlär sig irrelevanta uppgifter, kan den uppleva "katastrofisk glömska." Till exempel, om Li Bai skulle lägga all sin tid på att göra redovisning istället för att skriva poesi, kan hans poetiska inspiration gradvis blekna. "Vi har redan observerat att när man tränar stora modeller för vertikala domäner, om modellen lär sig för många orelaterade funktioner, kan den störa dess ursprungliga kapacitet. Därför är utveckling av effektiva "grå låda" stora modeller för vertikala domäner av stort värde i industriell genomförande."

 

"Jag tror att stora modeller av den "grå lådan" kommer att spela en allt viktigare roll på vägen till AGI och i implementeringen av industrier inom vertikala domäner. Ur ett Bayesianskt metodologiskt perspektiv kombinerar den vår kända kunskap med dold information i data för att upptäcka nya lagar och lösa vetenskapliga och industriella problem", säger Qi Yuan. I framtiden kan "AI Einstein" också vara "AI Buffett."

Koppla samman innovationskedjan och bygga ett innovationsekosystem för vetenskaplig intelligens.

 

Vid årets världskonferens för artificiell intelligens lanserade Qi Yuans team pålitliga finansiella och medicinska stora modeller med hundratals miljarder parametrar. Dessa stora modeller med vertikala domäner överträffade OpenAI:s biljonparametermodell GPT-4 Turbo i tester, vilket återigen uppmärksammade industrin på implementeringen av stora modeller.

 

"Dagens AI-genombrott drivs inte bara av innovationer i underliggande principer utan också av produktdrivna tillvägagångssätt som adresserar samhälleliga behov. Samhället kräver inte bara publicering av teoretiska artiklar eller innovationer i affärsmodeller utan också en djup integration av tekniska och industriella innovationer baserade på första principer När dessa två element väl är kombinerade kan vi nå blåare vatten, säger Qi Yuan.

 

Akademin och industrin har olika uppdrag. Akademin utforskar nya fenomen, medan industrin i första hand löser praktiska problem. En vanlig fråga över hela världen är att forskningsinstitutioner behöver ta itu med många tekniska innovationsproblem, men om de förbiser produktisering och samhälleliga behov står de inför två brister: bristen på verkligt konkurrenstryck, vilket hindrar förfining av innovativ teknik, och frånvaron av effektiva marknadsfeedback för att vägleda teknisk forskning.

 

För detta ändamål har Qi Yuan länge försökt koppla samman innovationskedjan av "universitet-forskningsinstitut-startups" för att skapa ett bra innovationsekosystem som tar hänsyn till både underliggande teknologi och marknadsbehov. Produktriktningen bör styras av marknadens efterfrågan och scenarier, och bygga produktens kärnkonkurrenskraft genom grundläggande innovation.

 

SAIRI, som grundades 2023, är engagerat i original AI for Science-innovationer som kombinerar kunskap och data. Nyligen lanserade SAIRI Fuxi-serien av meteorologiska stora modeller 2.0 för applikationer inom ny energi, försäkring, stadsförvaltning och initierade Smart Meteorological Innovation Ecosystem Alliance. Denna allians syftar till att gradvis främja den industriella tillämpningen av Fuxi-seriens meteorologiska stora modeller 2.0. De "grå lådan" pålitliga stora modellerna går också framåt i produktimplementeringen, med Infinite Lightyear, det pålitliga stora modellföretaget som grundades av Qi Yuan, redan etablerat.

 

För att ytterligare främja det vetenskapliga intelligensinnovationsekosystemet, den andra World Scientific Intelligence Competition, gemensamt organiserad av SAIRI och Fudan University, och vägleds av flera avdelningar inklusive Shanghai Science and Technology Committee, Shanghai Development and Reform Commission, Shanghai Economic and Information Technology Committee, och Shanghai Education Committee, har lanserats. Tävlingen erbjuder miljoner i priser för att rekrytera globala deltagare för att utforska gränsområden för vetenskaplig intelligens. Dessutom har SAIRI utvecklat en vetenskaplig dataplattform som täcker multimodal vetenskaplig data, som stödjer hela kedjan från datainsamling och bearbetning till hantering och modellering, vilket säkerställer effektiv databehandling, pålitlighet och säker kommunikation. Baserat på denna plattform har SAIRI och dess partners byggt flera högkvalitativa vetenskapliga datamängder för biovetenskap, materialvetenskap, atmosfärsvetenskap och andra områden, vilket ger värdefulla resurser för vetenskaplig intelligensforskning. Dessutom har SAIRI initierat Global Scientific Data Ecosystem Alliance, med initiala medlemmar inklusive China Telecom Corporation, COSCO Shipping Insurance Captive, Shanghai Lingang New Area Cross-Border Data Technology och mer än tio andra enheter. Alliansen syftar till att bygga en global, multi-domän forskning big data resurs öppen och delning plattform genom samarbete mellan myndigheter, företag, universitet och forskningsinstitutioner.

 

"Oavsett om det är inom vetenskaplig forskning eller industri bör vi inte förnya oss för innovationens skull. Vi hoppas kunna bygga framtida AGI och applikationer som löser verkliga problem", säger Qi Yuan.

Skicka förfrågan

whatsapp

Telefon

E-post

Förfrågning