Game Over？強(qiáng)AI與弱AI之爭(zhēng)

由于谷歌的人工智能 (AI) 子公司 DeepMind幾周前發(fā)表了一篇論文（論文地址：https://arxiv.org/pdf/2205.06175.pdf），描述了他們稱為 Gato 的“通才”代理（可以使用相同的訓(xùn)練模型執(zhí)行不同的任務(wù)），并聲稱通用人工智能 (AGI) 可以通過可以通過純粹的規(guī)模化實(shí)現(xiàn)，由此在人工智能行業(yè)內(nèi)引發(fā)了激烈的爭(zhēng)論。雖然看起來有點(diǎn)學(xué)術(shù)性，但現(xiàn)實(shí)情況是，如果通用人工智能指日可待，我們的社會(huì)——包括我們的法律、法規(guī)和經(jīng)濟(jì)模型，都還沒有準(zhǔn)備好。

事實(shí)上，多虧了同一個(gè)訓(xùn)練有素的模型，通才代理 Gato 能夠玩 Atari、為圖片添加字幕、聊天或用真正的機(jī)械臂堆疊積木。它還可以根據(jù)其上下文決定是否輸出文本、連接扭矩、按鈕按下或其他標(biāo)記。因此，它看起來確實(shí)是比流行的 GPT-3、DALL-E 2、PaLM 或 Flamingo 更通用的 AI 模型，這些模型在非常狹窄的特定任務(wù)上變得非常出色，例如自然語(yǔ)言寫作、語(yǔ)言理解或根據(jù)描述創(chuàng)建圖像。

這讓DeepMind的科學(xué)家、牛津大學(xué)教授南多·德弗萊塔斯(Nando de Freitas)聲稱“現(xiàn)在一切都與規(guī)模有關(guān)！游戲結(jié)束！” ，并認(rèn)為人工通用智能(AGI)可以通過完全規(guī)模化(即更大的模型、更大的訓(xùn)練數(shù)據(jù)集和更強(qiáng)的計(jì)算能力)來實(shí)現(xiàn)。然而，de Freitas說的游戲”是什么“？這場(chǎng)辯論到底是關(guān)于什么呢？

在討論這場(chǎng)辯論的細(xì)節(jié)及其對(duì)更廣泛社會(huì)的影響之前，有必要先退一步了解一下背景?！叭斯ぶ悄?，Artificial Intelligence”一詞的含義多年來一直在變化，但從高級(jí)和通用的角度來看，它可以被定義為智能代理的研究領(lǐng)域，它指的是任何感知其環(huán)境并采取行動(dòng)，以最大限度地實(shí)現(xiàn)其目標(biāo)的機(jī)會(huì)的系統(tǒng)。這一定義有意地將代理或機(jī)器是否真的會(huì)“思考”的問題置之度外，因?yàn)檫@一問題長(zhǎng)期以來一直是激烈爭(zhēng)論的對(duì)象。1950年，英國(guó)數(shù)學(xué)家阿蘭·圖靈在他著名的《模仿游戲》論文中主張，與其考慮機(jī)器是否會(huì)思考，不如關(guān)注“機(jī)器是否有可能表現(xiàn)出智能行為”。

這種區(qū)別在概念上導(dǎo)致了人工智能的兩個(gè)主要分支：強(qiáng)人工智能和弱人工智能。強(qiáng)人工智能，也稱為通用人工智能 (AGI) ，是人工智能的一種理論形式，機(jī)器需要與人類相同的智能。因此，它將具有自我意識(shí)，具有解決問題、學(xué)習(xí)和規(guī)劃未來的能力。這是人工智能最雄心勃勃的定義，“人工智能的圣杯”——但目前，這仍然是純粹的理論。實(shí)現(xiàn)強(qiáng)人工智能的方法通常圍繞符號(hào)人工智能，即機(jī)器形成物理和抽象“世界”的內(nèi)部符號(hào)表示，因此可以應(yīng)用規(guī)則或推理來進(jìn)一步學(xué)習(xí)和做出決定。

雖然這一領(lǐng)域的研究仍在繼續(xù)，但迄今為止，它在解決現(xiàn)實(shí)生活問題方面取得的成功有限，因?yàn)槭澜绲膬?nèi)部或象征性表征會(huì)隨著規(guī)模的擴(kuò)大而迅速變得難以管理。

弱人工智能，也稱為“狹義人工智能”，是一種沒有那么雄心勃勃的人工智能方法，專注于執(zhí)行特定任務(wù)，例如根據(jù)用戶輸入回答問題、識(shí)別人臉或下棋，同時(shí)依靠人類干預(yù)來定義其學(xué)習(xí)算法的參數(shù)并提供相關(guān)的訓(xùn)練數(shù)據(jù)以確保準(zhǔn)確性。

然而，在弱人工智能方面取得了顯著進(jìn)步，眾所周知的例子包括人臉識(shí)別算法、自然語(yǔ)言模型(如OpenAI的GPT-n)、虛擬助手(如Siri或Alexa)、谷歌/DeepMind的下棋程序AlphaZero，以及在一定程度上的無人駕駛汽車。

實(shí)現(xiàn)弱人工智能的方法通常圍繞使用人工神經(jīng)網(wǎng)絡(luò)展開，人工神經(jīng)網(wǎng)絡(luò)是受構(gòu)成動(dòng)物大腦的生物神經(jīng)網(wǎng)絡(luò)啟發(fā)的系統(tǒng)。它們是互連節(jié)點(diǎn)或神經(jīng)元的集合，結(jié)合激活函數(shù)，該函數(shù)根據(jù)“輸入層”中呈現(xiàn)的數(shù)據(jù)和互連中的權(quán)重確定輸出。為了調(diào)整互連中的權(quán)重以使“輸出”有用或正確，可以通過暴露于許多數(shù)據(jù)示例和“反向傳播”輸出損失來“訓(xùn)練”網(wǎng)絡(luò)。

可以說，還有第三個(gè)分支叫做“神經(jīng)符號(hào)人工智能”，它將神經(jīng)網(wǎng)絡(luò)和基于規(guī)則的人工智能結(jié)合在一起。雖然在概念上很有希望，也很合理，因?yàn)樗坪醺咏覀兩锎竽X的運(yùn)作方式，但它仍處于非常早期的階段。

當(dāng)前爭(zhēng)論的關(guān)鍵是，有了足夠規(guī)模的AI和機(jī)器學(xué)習(xí)模型，是否能夠真正實(shí)現(xiàn)人工通用智能(AGI)，從而徹底擺脫符號(hào)人工智能。其現(xiàn)在只是一個(gè)硬件擴(kuò)展和優(yōu)化問題，還是我們需要在 AI 算法和模型中發(fā)現(xiàn)和開發(fā)更多？特斯拉似乎也在接受谷歌/DeepMind的觀點(diǎn)。在2021年的人工智能(AI)日活動(dòng)上，特斯拉宣布推出特斯拉機(jī)器人(Tesla Bot )，也被稱為擎天柱(Optimus)，這是一款通用人形機(jī)器人，將由特斯拉為其汽車中使用的高級(jí)駕駛輔助系統(tǒng)開發(fā)的同一套AI系統(tǒng)控制。有趣的是，該公司首席執(zhí)行官埃隆·馬斯克表示，他希望在2023年之前將機(jī)器人投入生產(chǎn)，并聲稱擎天柱最終將能夠做“任何人類不想做的事情”，這意味著他預(yù)計(jì)AGI屆時(shí)將成為可能。

然而，其他人工智能研究團(tuán)隊(duì)——主要包括Yann LeCun, Meta的首席人工智能科學(xué)家和紐約大學(xué)教授，他們更喜歡沒有那么雄心勃勃的人類人工智能 (HLAI)一詞——認(rèn)為仍有很多問題需要解決，而且純粹計(jì)算能力無法解決這些問題，可能需要新模型甚至軟件范例。在這些問題中，機(jī)器有能力通過像嬰兒一樣的觀察來了解世界是如何運(yùn)作的，通過它的行動(dòng)來預(yù)測(cè)如何影響世界，處理世界固有的不可預(yù)測(cè)性，預(yù)測(cè)一系列行動(dòng)的影響從而能夠推理和計(jì)劃，并在抽象空間中表示和預(yù)測(cè)。最終，爭(zhēng)論的焦點(diǎn)是，這是否可以通過僅用我們現(xiàn)有的人工神經(jīng)網(wǎng)絡(luò)進(jìn)行基于梯度的學(xué)習(xí)來實(shí)現(xiàn)，或者是否需要更多的突破。

雖然深度學(xué)習(xí)模型確實(shí)能夠在不需要人工干預(yù)的情況下從數(shù)據(jù)中產(chǎn)生“關(guān)鍵特征”，因此人們很容易相信，它們將能夠利用更多的數(shù)據(jù)和計(jì)算能力來挖掘和解決剩余的問題，但這可能太好了，以致于不真實(shí)。打個(gè)簡(jiǎn)單的比方，設(shè)計(jì)和制造越來越快、越來越強(qiáng)大的汽車并不會(huì)讓它們飛起來，因?yàn)槲覀冃枰浞至私饪諝鈩?dòng)力學(xué)才能首先解決飛行問題。使用深度學(xué)習(xí)AI模型取得的進(jìn)展令人印象深刻，但值得思考的是，弱AI從業(yè)者的樂觀觀點(diǎn)是否僅僅是馬斯洛之錘或“工具法則”的案例，即“如果你擁有的唯一工具是一把錘子，你往往會(huì)把每個(gè)問題都視為釘子”。

像谷歌/DeepMind、Meta或特斯拉這樣的基礎(chǔ)研究通常讓私營(yíng)企業(yè)感到不安，因?yàn)楸M管它們的預(yù)算很大，但這些組織往往更傾向于競(jìng)爭(zhēng)和上市速度，而不是學(xué)術(shù)合作和長(zhǎng)期思考。

解決通用人工智能可能需要兩種方法，而不是強(qiáng)弱 AI 支持者之間的競(jìng)爭(zhēng)。用人腦進(jìn)行類比并不牽強(qiáng)，人腦具有有意識(shí)和無意識(shí)的學(xué)習(xí)能力。我們的小腦約占大腦體積的 10%，但包含超過 50% 的神經(jīng)元總數(shù)，負(fù)責(zé)與運(yùn)動(dòng)技能相關(guān)的協(xié)調(diào)和運(yùn)動(dòng)，尤其是手和腳，以及保持姿勢(shì)和平衡。這是在不知不覺中快速完成的，我們無法真正解釋我們是如何做到的。然而，我們有意識(shí)的大腦雖然慢得多，但能夠處理抽象概念、計(jì)劃和預(yù)測(cè)。此外，有意識(shí)地獲取知識(shí)是可能的，通過訓(xùn)練和重復(fù)，實(shí)現(xiàn)自動(dòng)化——這是職業(yè)運(yùn)動(dòng)員所擅長(zhǎng)的。

人們不禁要問，如果大自然在幾十萬年的時(shí)間里以這種混合的方式進(jìn)化了人類的大腦，為什么一般的人工智能系統(tǒng)會(huì)依賴于單一的模型或算法。

不考慮最終實(shí)現(xiàn)通用人工智能的特定潛在AI技術(shù)，這一事件將對(duì)我們的社會(huì)產(chǎn)生巨大的影響——就像輪子、蒸汽機(jī)、電力或計(jì)算機(jī)一樣?？梢哉f，如果企業(yè)可以完全用機(jī)器人取代人力，我們的資本主義經(jīng)濟(jì)模式將需要改變，否則社會(huì)動(dòng)蕩最終會(huì)隨之而來。說了這么多，很可能正在進(jìn)行的辯論有點(diǎn)像企業(yè)公關(guān)，事實(shí)上，通用人工智能比我們目前認(rèn)為的更遠(yuǎn)，因此我們有時(shí)間解決它的潛在影響。然而，在較短的時(shí)間內(nèi)，很明顯，對(duì)通用人工智能的追求將繼續(xù)推動(dòng)特定技術(shù)領(lǐng)域的投資，如軟件和半導(dǎo)體。

弱人工智能框架下特定用例的成功導(dǎo)致對(duì)我們現(xiàn)有硬件能力面臨的壓力越來越大。 例如，2020 年推出的流行的 Generative Pre-Trained Transformer 3 (GPT-3) 模型 OpenAI，已經(jīng)能夠以與人類相當(dāng)?shù)牧鲿扯染帉懺忌⑽?，它擁?1750 億個(gè)參數(shù)，需要幾個(gè)月的時(shí)間來訓(xùn)練。

可以說，當(dāng)今一些現(xiàn)有的半導(dǎo)體產(chǎn)品——包括 CPU、GPU 和 FPGA——能夠或多或少地有效地計(jì)算深度學(xué)習(xí)算法。 然而，隨著模型大小的增加，它們的性能變得不能令人滿意，并且出現(xiàn)了針對(duì) AI 工作負(fù)載優(yōu)化的定制設(shè)計(jì)的需求。 亞馬遜、阿里巴巴、百度和谷歌等領(lǐng)先的云服務(wù)供應(yīng)商，以及特斯拉和各種半導(dǎo)體初創(chuàng)企業(yè)，如寒武紀(jì)、Cerebras、Esperanto、Graphcore、Groq、Mythic 和 Sambanova，都采用了這條路線。

文/千家網(wǎng)編譯

生成海報(bào)

免責(zé)聲明：本網(wǎng)站內(nèi)容主要來自原創(chuàng)、合作伙伴供稿和第三方自媒體作者投稿，凡在本網(wǎng)站出現(xiàn)的信息，均僅供參考。本網(wǎng)站將盡力確保所提供信息的準(zhǔn)確性及可靠性，但不保證有關(guān)資料的準(zhǔn)確性及可靠性，讀者在使用前請(qǐng)進(jìn)一步核實(shí)，并對(duì)任何自主決定的行為負(fù)責(zé)。本網(wǎng)站對(duì)有關(guān)資料所引致的錯(cuò)誤、不確或遺漏，概不負(fù)任何法律責(zé)任。任何單位或個(gè)人認(rèn)為本網(wǎng)站中的網(wǎng)頁(yè)或鏈接內(nèi)容可能涉嫌侵犯其知識(shí)產(chǎn)權(quán)或存在不實(shí)內(nèi)容時(shí)，應(yīng)及時(shí)向本網(wǎng)站提出書面權(quán)利通知或不實(shí)情況說明，并提供身份證明、權(quán)屬證明及詳細(xì)侵權(quán)或不實(shí)情況證明。本網(wǎng)站在收到上述法律文件后，將會(huì)依法盡快聯(lián)系相關(guān)文章源頭核實(shí)，溝通刪除相關(guān)內(nèi)容或斷開相關(guān)鏈接。