LLM很難變成AGI？科學(xué)家：創(chuàng)造AGI理論上可行

極客網(wǎng)·極客觀察12月10日 今年9月份OpenAI對外宣稱，AI能力達(dá)到新等級，相比之前的LLM，新AI更接近人類的思考能力。OpenAI的斷言引起爭論：到底還要等多久機(jī)器才能具備人類大腦一樣的認(rèn)知能力？

大家爭論的智能就是所謂的AGI，它可以幫助人類解決復(fù)雜問題，比如氣候變化、大流行、癌癥治療等等。AGI充滿不確定，它也會給人類帶來風(fēng)險。

加拿大蒙特利爾大學(xué)深度學(xué)習(xí)研究人員Yoshua Bengio說：“AI可能會被誤用，人類可能失去對AI的控制，這些都會導(dǎo)致惡意事件發(fā)生。”

過去幾年LLM飛速進(jìn)化，一些人相信AGI已經(jīng)很接近了，但Yoshua Bengio認(rèn)為，考慮到LLM的構(gòu)建和訓(xùn)練方式，LLM單靠自己不能達(dá)到AGI，因?yàn)槿鄙僖恍╆P(guān)鍵要素。

亞利桑那州立大學(xué)計算機(jī)科學(xué)家Subbarao Kambhampati說：“在我人生的大部分時間里，我覺得談?wù)揂GI的人是瘋子。現(xiàn)在呢？幾乎每個人都在談?wù)?，你不能說他們都是瘋子。”

有關(guān)AGI的爭論，為什么變了？

2007年AGI開始流行起來，它的定義并不精準(zhǔn)，大意是說AI系統(tǒng)具備人一樣的推理、泛化能力?；乜碅I歷史，沒有一個AI能達(dá)到AGI水準(zhǔn)，即使是稱霸圍棋界的AlphaGo，它的“超能力”也只是局限于狹窄領(lǐng)域。

現(xiàn)在呢？LLM已經(jīng)改變了行業(yè)。由于LLM具備多種多樣的能力，研究人員認(rèn)為某種形式的AGI可能很快會出現(xiàn)，甚至已經(jīng)出現(xiàn)。

LLM就是神經(jīng)網(wǎng)絡(luò)，它相當(dāng)于受到大腦啟發(fā)的機(jī)器學(xué)習(xí)模型。網(wǎng)絡(luò)由人工神經(jīng)元組成（或者叫計算單元），它們排列成層，有著可調(diào)節(jié)的參數(shù)（代表神經(jīng)元的連接強(qiáng)度）。

在訓(xùn)練時，研究人員用到一種名叫NTP(Next Token Prediction) 的方法，模型被反復(fù)輸入文本，文本被分成很多小塊，這些小塊叫token。在一個序列中，最后一個token被隱藏或者掩蓋，讓模型預(yù)測它是什么。模型會將預(yù)測結(jié)果與原數(shù)據(jù)對比，然后調(diào)整模型參數(shù)，讓它具備更好的預(yù)測能力。

后來又出現(xiàn)了Transformer模型，它更進(jìn)一步。Transformer可以讓模型知道有一些token會對其它token造成更大影響，如此一來，LLM可以像人一樣解析語言。

到了這一步，LLM可以生成計算機(jī)程序，讓程序去解決自然語言中描述的問題，它可以匯總學(xué)術(shù)論文，可以回答數(shù)學(xué)問題。

有人認(rèn)為，只要LLM變得足夠大，就會孕育出AGI。CoT（chain-of-thought）提示就是一個例證，它說明LLM可以將一個問題分成更小的步驟，方便解決，也可以讓LLM分步解決問題，可惜的是CoT在小模型中表現(xiàn)不太好。

LLM模型的局限性，與大腦的“世界模型”

OpenAI開發(fā)的o1模型用到了CoT，能解決更復(fù)雜的問題，但它并不是AGI。實(shí)驗(yàn)證明，讓o1處理規(guī)劃達(dá)到16步的任務(wù)時，o1表現(xiàn)不錯，但是如果步數(shù)達(dá)到20-40步，o1的表現(xiàn)會越來越差。

研究人員經(jīng)常會用抽象推理和泛化來測試AGI能力，比如讓AI處理視覺拼圖問題。在測試時，AI需要觀看實(shí)例，總結(jié)出抽象規(guī)則，然后用規(guī)則來解決新的謎題。

不論LLM是大還是小，在測試中表現(xiàn)都不太好，因?yàn)樗鼈冃枰M合學(xué)到的知識，用來解決新問題。

那么LLM有可能進(jìn)化出AGI嗎？研究人員認(rèn)為，雖然現(xiàn)在我們離AGI還很遙遠(yuǎn)，但是使用Transformer架構(gòu)的LLM和AI系統(tǒng)已經(jīng)具備一些AGI的關(guān)鍵特征。

Transformer LLM當(dāng)然也有一些問題，比如訓(xùn)練模型的數(shù)據(jù)快耗盡了。當(dāng)我們訓(xùn)練Transformer LLM時讓它預(yù)測下一個token，這樣做可能太過片面，無法進(jìn)化出AGI，構(gòu)建能生成解決方案的模型可能會讓我們離AGI更近一些。

神經(jīng)科學(xué)家為AI行業(yè)帶來自己的看法，他們認(rèn)為，大腦可以構(gòu)建“世界模型”，所以才有了智力。所謂“世界模型”就是指周邊環(huán)境。大腦可以想象不同的行動方案并預(yù)測結(jié)果，可以規(guī)劃、推理，人腦還可以模擬不同的場景，將自己在某個領(lǐng)域?qū)W到的技能應(yīng)用于其它新任務(wù)。要讓AI變成AGI，它需要具備構(gòu)建“世界模型”的能力。

有些研究者認(rèn)為，已經(jīng)有證據(jù)顯示在LLM出現(xiàn)了基本世界模型。另一些研究則說，AI系統(tǒng)構(gòu)建的世界模型并不可靠。

當(dāng)今LLM的大缺點(diǎn)，缺少內(nèi)部反饋

谷歌DeepMind AGI研發(fā)團(tuán)隊(duì)成員Dileep George認(rèn)為，缺少內(nèi)部反饋是當(dāng)今LLM的一大缺點(diǎn)。人類大腦有很多的反饋連接，信息可以在神經(jīng)元層之間快速流動，由于信息可以從感覺系統(tǒng)向大腦更高層流動，所以我們可以創(chuàng)建出映射環(huán)境的世界模型。不只如此，信息還會向下流動，引導(dǎo)人進(jìn)一步獲得更深刻的感官信息。

在OpenAI o1模型中，內(nèi)部CoT提示看起來有效，屬于反饋連接，但它無法保證模型可以進(jìn)行抽象推理。

研究人員為LLM添加外部模型，這種模塊叫“verifier”（驗(yàn)證器）。驗(yàn)證器會檢查LLM 在特定環(huán)境中生成的答案，比如制定可行的旅行計劃，比如搜索結(jié)果讓人不滿意，它會重新查詢。事實(shí)證明，搭配驗(yàn)證器的LLM制定旅行計劃時比普通LLM好很多，但問題在于，研究人員必須為每一個任務(wù)設(shè)計定制驗(yàn)證器，沒有通用驗(yàn)證器。

為了適應(yīng)新情況，AGI需要構(gòu)建相應(yīng)驗(yàn)證器，人類不一樣，我們可以利用抽象規(guī)則確保推理正確，即使處理新任務(wù)也可以從容應(yīng)對，現(xiàn)在的LLM還做不到。

數(shù)據(jù)問題也是阻止LLM進(jìn)化的一大障礙。倫敦大學(xué)學(xué)院理論神經(jīng)科學(xué)家Karl Friston認(rèn)為，未來的系統(tǒng)也許可以高效確定自己到底需要多少數(shù)據(jù)才能構(gòu)建世界模型并正確推理預(yù)測，這樣就沒有必要向模型投喂所有數(shù)據(jù)。聽起來很像是代理、自主體。Karl Friston說：“在LLM或者生成式AI中你看不到類似的代理，如果能開發(fā)出一種智能，它能在某種程度上進(jìn)行選擇，那就意味著朝AGI前進(jìn)了一大步?！?/p>

AI系統(tǒng)應(yīng)該有能力構(gòu)建高效世界模型，集成反饋循環(huán)，盡力降低對外部數(shù)據(jù)的依賴，通過內(nèi)部模擬、假定反設(shè)事實(shí)、推理、規(guī)劃來生成數(shù)據(jù)。

用這種方法能否創(chuàng)造出AGI？計算機(jī)專家認(rèn)為在理論上是可能的，沒有障礙。新墨西哥州圣達(dá)菲研究所計算機(jī)科學(xué)家Melanie Mitchell說：“人和其它動物達(dá)到智能基本上是一個道理，我并不認(rèn)為生物系統(tǒng)和其它材料構(gòu)建的系統(tǒng)有什么本質(zhì)區(qū)別，非生物系統(tǒng)達(dá)成智能沒有什么障礙?！?/p>

即使真的有可能創(chuàng)造出AGI，何時達(dá)成目標(biāo)大家也沒有定論，有人認(rèn)為只要幾年，有人覺得十年之內(nèi)不太可能。當(dāng)AGI出現(xiàn)時可能不會那么明顯，AGI會慢慢展示自己的潛能，它會被人類發(fā)明出來，然后擴(kuò)大規(guī)模并應(yīng)用，然后才能真正開始改變世界。（小刀）

生成海報

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，讀者在使用前請進(jìn)一步核實(shí)，并對任何自主決定的行為負(fù)責(zé)。本網(wǎng)站對有關(guān)資料所引致的錯誤、不確或遺漏，概不負(fù)任何法律責(zé)任。任何單位或個人認(rèn)為本網(wǎng)站中的網(wǎng)頁或鏈接內(nèi)容可能涉嫌侵犯其知識產(chǎn)權(quán)或存在不實(shí)內(nèi)容時，應(yīng)及時向本網(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。