Ako ďaleko sme od všeobecnej umelej inteligencie

Jul 18, 2024 Zanechajte správu

Dnes sa umelá všeobecná inteligencia (AGI) stala ústredným kľúčovým slovom vo vedeckej aj priemyselnej komunite. Len pred niekoľkými rokmi mnohí verili, že dosiahnutie AGI bude trvať najmenej 10 až 50 rokov, alebo si dokonca mysleli, že je to nemožné. V dnešnej dobe sú takéto pesimistické názory zriedkavé. V porovnaní s nadšením verejnosti z tejto vlny technologických zmien sa však mnohí učenci v prvej línii a lídri v oblasti AI domnievajú, že súčasná AI má pred sebou ešte dlhú cestu, aby sa vyvinula do AGI.

 

Podľa Qi Yuana, významného profesora na univerzite Fudan, riaditeľa Šanghajského inštitútu pre výskum umelej inteligencie (SAIRI) a zakladateľa spoločnosti Trustworthy Large Model „Infinite Lightyear“, „Jedným z najvyšších prejavov AGI je objavenie neznámeho. Zákony v zložitom svete, jednoducho povedané, mal by to byť „AI Einstein“. To si vyžaduje, aby sme vytvorili dôveryhodné veľké modely „šedej skrinky“, ktoré kombinujú pravdepodobnostné predpovede „čiernej skrinky“ s logickým zdôvodnením „bielej skrinky“, a tým podporovali základný výskum, kultiváciu talentov a praktické aplikácie prostredníctvom hlbokej integrácie technológie a priemyslu budovanie inovatívneho ekosystému pre vedeckú inteligenciu."

 

Na nedávnej svetovej konferencii o umelej inteligencii (WAIC) v roku 2024 a na stretnutí na vysokej úrovni o globálnom riadení umelej inteligencie SAIRI úspešne hostila tematické fórum s názvom „Umelá inteligencia: zmena paradigmy vo vedeckom výskume a priemyselnom rozvoji“. Toto bolo prvé vystúpenie tejto novej výskumnej inštitúcie na WAIC. SAIRI možno považovať za model šanghajského skúmania „1+1+N“ ekosystému vedeckej inteligencie poháňaného inováciami. Tento model zahŕňa SAIRI ako centrálny uzol zodpovedný za celkové strategické plánovanie, integráciu zdrojov a kľúčový technologický výskum a inovácie, v spolupráci s ďalšou „1“ univerzitou Fudan a niekoľkými „N“ univerzitami, výskumnými inštitúciami, technologickými spoločnosťami, inovačnými tímami, a investičných inštitúcií, aby spoločne podporovali vedecký výskum, kultiváciu talentov, transfer technológií a priemyselné inovácie a modernizáciu.

 

Štandardom pre AGI by malo byť vytvorenie „AI Einsteina“.

 

Z technického hľadiska povedú k AGI stále väčšie modely s viacerými parametrami? K dnešnému dňu, ani z hľadiska samotnej technológie AI, ani z hľadiska spotreby energie, nie sú veľké modely založené na autoregresívnej architektúre Transformer dostatočné na to, aby viedli k AGI. Umelá inteligencia potrebuje vyvinúť nové dôveryhodné veľké modely „šedej skrinky“. Tento záver je založený na dlhoročných praktických skúsenostiach Qi Yuan v akademickej sfére aj v priemysle.

 

Pred desiatimi rokmi, s myšlienkou „urobiť AI užitočnou“, Qi Yuan viedol tím, ktorý po prvýkrát zvýšil základný systém strojového učenia Alibaba z 2 miliónov parametrov na niekoľko stoviek miliónov parametrov, čím sa dosiahlo výrazné zlepšenie výkonnosti podniku a demonštrovanie integrovanej transformácie údajov, algoritmov a inžinierskych schopností. Presne toto je prejav Scaling Law, o ktorom sa dnes v komunite AI veľa diskutuje.

 

Qi Yuan pripomína, že tím skutočne ochutnal sladkosť zákona o škálovaní: po stonásobnom zvýšení parametrov modelu sa celkový efekt dramaticky zlepšil. "Ale teraz si myslím: prečo sme vtedy neurobili modely AI ešte väčšie? Prečo sme prestali, keď sme mohli urobiť krok ďalej?" povedal. "Ani miliardy parametrov vo veľkých modeloch nestačia, musíme sa posunúť k stovkám miliárd, biliónov, ba aj viac. V tom čase chýbal výpočtovej sile akademickej obce aj priemyslu a dokonca aj v priemyselnom sektore dosahovali také vysoké výpočtový výkon si vyžadoval veľmi vysoké náklady, nehovoriac o akademickej pôde.“

 

Dôvodom, prečo by štandardom pre AGI malo byť vytvorenie „AI Einstein“, vysvetľuje Qi Yuan, je, že musí byť efektívny aj inteligentný. Po prvé, Einstein objavil „oblaky fyziky začiatku 20. storočia“ prostredníctvom niekoľkých kľúčových údajových bodov. AGI by mal byť tiež schopný objaviť a pochopiť neznáme zákony zložitého sveta. To však súčasné veľké modely nedokážu dosiahnuť. Napríklad, hoci vizuálny veľký model SORA simuluje fyzický svet v bezprecedentnej miere, stále vytvára trojrozmerný svet založený na simulácii dvojrozmerného sveta a má ďaleko od dôkladného pochopenia fyzického sveta. Po druhé, je tu problém spotreby energie. Ľudský mozog pracuje s výkonom približne 15 wattov, zatiaľ čo jediný GPU môže dosiahnuť špičkový výkon niekoľko stoviek wattov, nehovoriac o zhlukoch tisícov alebo desaťtisícov GPU potrebných na trénovanie všeobecných veľkých modelov. V súčasnosti, ak budeme pokračovať v používaní existujúcich architektúr, požadovaná spotreba energie by bola astronomická, čo by sťažilo dosiahnutie cieľa byť efektívny a inteligentný.

 

„AI Einstein“ je tiež kľúčovým cieľom AI pre vedu (AI4S). Vedecká inteligencia zohrala dôležitú úlohu pri urýchľovaní riešenia známych fyzikálnych rovníc, ale tiež potrebuje skombinovať známe pravidlá s údajmi, aby sa znížila závažná závislosť na údajoch a výpočtovom výkone, zlepšila presnosť uvažovania a predpovedí a navrhli sa nové vedecké teórie. založené na pravidlách znalostí upravených na základe údajov. To je v súlade s dlhodobým cieľom Qi Yuan na univerzite Fudan a SAIRI – využívať umelú inteligenciu na pochopenie zložitého sveta a objavovanie neznámych zákonov.

 

Vertikálne veľké modely "Gray box" podporujú rôzne priemyselné odvetvia.

 

Aké problémy je potrebné vyriešiť, aby sa veľké modely stali novými produktívnymi silami z nástrojov AI? Podľa Qi Yuan čelí veľký modelársky priemysel mnohým spoločným výzvam, čo sťažuje zosúladenie technológií, produktov a potrieb trhu.

 

„Najväčším problémom dnešnej implementácie veľkých modelov je to, že sa na prvý pohľad zdá byť užitočný, ale pri praktickom použití zlyháva,“ vysvetľuje Qi Yuan. Dnešné veľké jazykové modely primárne predpovedajú nasledujúce slovo na základe viacerých predchádzajúcich slov, ale tento prístup nie je vhodný na rigorózne viackrokové uvažovanie. "Jazyk je nástroj na komunikáciu, nie na myslenie." Nedávno bol publikovaný článok inštitúciami vrátane MIT v špičkovom akademickom časopisePrírodapoukázal na to, že jazyk je mocným nástrojom na prenos kultúrnych vedomostí a mohol sa vyvinúť spolu s našimi schopnosťami myslenia a uvažovania, čo odráža zložitosť ľudského poznania. Jazyk však nevytvára zložitosť uvažovania.

 

Na riešenie nespoľahlivosti, nízkej interpretovateľnosti a vysokých nákladov existujúcich veľkých modelov je efektívnym riešením spojiť pravdepodobnostné uvažovanie neurónovou sieťou s logickým symbolickým výpočtom, podobne ako kombinácia rýchleho myslenia založeného na inštinkte a pomalého myslenia založeného na logickom uvažovaní opísanom v Kniha laureáta Nobelovej ceny Daniela KahnemanaMyslenie, rýchle a pomalé. "Toto sa dá nazvať veľkým modelom v sivej krabici," verí Qi Yuan. Kombinácia symbolických výpočtov s neurónovými sieťami v dôveryhodnom veľkom modeli „sivá škatuľa“ môže znížiť „halucinácie“ AI a vyriešiť profesionálne problémy vo vertikálnych oblastiach, čím posilní rôzne priemyselné odvetvia a uvoľní produktivitu veľkých modelov.

 

Čo je „šedá krabica“ dôveryhodný veľký model? „Pôvodne sa hlboké učenie považovalo za „čiernu skrinku“. Teraz spojením logického uvažovania s hlbokým učením máme ‚sivú krabicu‘,“ vysvetľuje Qi Yuan. „Pôvodná „čierna skrinka“ nechala ľudí nepoznať proces, ktorým dáta generovali výsledky, zatiaľ čo veľký model „šedej skrinky“, podporovaný logickým uvažovaním, umožňuje ľuďom ‚poznať výsledky aj dôvody, ktoré za nimi stoja‘. Z inej perspektívy môžu veľké modely „sivého poľa“ využívať hlboké učenie na zníženie pravidiel, ktoré nezodpovedajú údajom pozorovaným v reálnom svete.“

 

Qi Yuan uvádza, že na to, aby umelá inteligencia zohrávala kľúčovú úlohu v zložitých scenároch naprieč rôznymi odvetviami – či už vo financiách a poisťovníctve, veternej energii a energetike, alebo v námornej doprave a farmaceutických oblastiach – je potrebné spojiť systematické priemyselné znalosti, logiku uvažovania a rozhodovanie. -výroba mechanizmov s veľkými modelmi. Veľký model "šedej škatule" nie je len smer pre AGI, ale aj výkonný nástroj na hlboké prenikanie do vertikálnych polí a skutočné riešenie skutočných problémov. „Z priemyselného hľadiska je toto chápanie veľmi intuitívne,“ ilustruje Qi Yuan. Lekári sa nemusia stať právnikmi, ani právnici sa nemusia stať investičnými expertmi. Každá profesionálna rola by sa mala zamerať na svoju oblasť a zlepšiť svoje nástroje produktivity. Z technického hľadiska, ak sa veľký model preučí nepodstatné úlohy, môže zažiť „katastrofické zabudnutie“. Napríklad, ak by Li Bai trávil všetok svoj čas účtovníctvom namiesto písania poézie, jeho poetická inšpirácia by mohla postupne vyblednúť. "Už sme pozorovali, že pri trénovaní veľkých modelov pre vertikálne domény, ak sa model naučí príliš veľa nesúvisiacich funkcií, môže to zasahovať do jeho pôvodných schopností. Preto je vývoj efektívnych "šedej krabice" veľkých modelov pre vertikálne domény veľkou hodnotou v priemyselných implementácia“.

 

"Verím, že veľké modely "grey box" budú hrať čoraz dôležitejšiu úlohu na ceste k AGI a pri implementácii odvetví s vertikálnou doménou. Z Bayesovskej metodologickej perspektívy kombinuje naše známe poznatky so skrytými informáciami v dátach, aby sme objavili nové zákony. a riešiť vedecké a priemyselné problémy,“ uvádza Qi Yuan. V budúcnosti by „AI Einstein“ mohol byť aj „AI Buffett“.

Prepojenie inovačného reťazca a vybudovanie inovačného ekosystému vedeckej inteligencie.

 

Na tohtoročnej svetovej konferencii o umelej inteligencii uviedol tím Qi Yuan na trh dôveryhodné finančné a medicínske veľké modely so stovkami miliárd parametrov. Tieto veľké modely s vertikálnou doménou prekonali v testovaní model OpenAI s biliónmi parametrov GPT-4 Turbo a opäť pritiahli pozornosť odvetvia na implementáciu veľkých modelov.

 

"Dnešné prelomové objavy v oblasti AI sú poháňané nielen inováciami základných princípov, ale aj produktovými prístupmi, ktoré riešia spoločenské potreby. Spoločnosť si vyžaduje nielen publikovanie teoretických prác alebo inovácií obchodných modelov, ale aj hlbokú integráciu technologických a priemyselných inovácií založených na prvé princípy, keď sa tieto dva prvky spoja, môžeme dosiahnuť modrejšie vody,“ hovorí Qi Yuan.

 

Akademická obec a priemysel majú odlišné poslanie. Akademická obec skúma nové fenomény, zatiaľ čo priemysel rieši predovšetkým praktické problémy. Spoločným problémom na celom svete je, že výskumné inštitúcie musia riešiť mnohé problémy s technologickými inováciami, ale ak prehliadajú výrobné a spoločenské potreby, čelia dvom nedostatkom: nedostatku skutočného konkurenčného tlaku, ktorý bráni zdokonaľovaniu inovatívnych technológií, a absencii efektívnych trhová spätná väzba na usmernenie technologického výskumu.

 

Za týmto účelom sa Qi Yuan už dlho snaží prepojiť inovačný reťazec „univerzity-výskumné ústavy-startupy“ s cieľom vytvoriť dobrý inovačný ekosystém, ktorý zohľadňuje základné technológie aj potreby trhu. Produktové smerovanie by sa malo riadiť trhovým dopytom a scenármi, budovať konkurencieschopnosť jadra produktu prostredníctvom základných inovácií.

 

Spoločnosť SAIRI, založená v roku 2023, sa zaviazala k originálnym inováciám AI for Science, ktoré kombinujú znalosti a údaje. Nedávno spoločnosť SAIRI uviedla na trh sériu meteorologických veľkých modelov Fuxi 2.0 pre aplikácie v oblasti novej energetiky, poisťovníctva, mestského manažmentu a iniciovala alianciu Smart Meteorological Innovation Ecosystem Alliance. Cieľom tejto aliancie je postupne podporovať priemyselnú aplikáciu meteorologických veľkých modelov 2.0 zo série Fuxi. Dôveryhodné veľké modely „šedej škatule“ tiež napredujú v implementácii produktov, pričom už bola založená spoločnosť Infinite Lightyear, dôveryhodná veľká modelová spoločnosť založená Qi Yuan.

 

Na ďalšiu podporu inovačného ekosystému vedeckej inteligencie sa uskutočnila druhá svetová súťaž v oblasti vedeckej inteligencie, ktorú spoločne organizujú SAIRI a Univerzita Fudan a riadia ju viaceré oddelenia vrátane Šanghajského výboru pre vedu a technológiu, Šanghajskej komisie pre rozvoj a reformu, Šanghajského hospodárskeho a informačného výboru, a Šanghajský vzdelávací výbor. Súťaž ponúka miliónové ceny na nábor globálnych účastníkov, aby preskúmali hraničné oblasti vedeckej inteligencie. Okrem toho spoločnosť SAIRI vyvinula platformu vedeckých údajov pokrývajúca multimodálne vedecké údaje, ktorá podporuje celý reťazec od zberu a spracovania údajov až po riadenie a modelovanie, čím sa zabezpečuje efektívne spracovanie údajov, dôveryhodnosť a zabezpečená komunikácia. Na základe tejto platformy spoločnosť SAIRI a jej partneri vybudovali niekoľko vysokokvalitných súborov vedeckých údajov pre vedy o živej prírode, materiálové vedy, vedy o atmosfére a ďalšie oblasti, ktoré poskytujú cenné zdroje pre výskum vedeckej inteligencie. Okrem toho SAIRI iniciovala alianciu Global Scientific Data Ecosystem Alliance, ktorej počiatočnými členmi sú China Telecom Corporation, COSCO Shipping Insurance Captive, Shanghai Lingang New Area Cross-Border Data Technology a viac ako desať ďalších subjektov. Cieľom aliancie je vybudovať globálny multidoménový výskumný zdroj veľkých dát, otvorený a platformu na zdieľanie prostredníctvom spolupráce medzi vládou, podnikmi, univerzitami a výskumnými inštitúciami.

 

"Či už vo vedeckom výskume alebo priemysle, nemali by sme inovovať kvôli inováciám. Dúfame, že vytvoríme budúce AGI a aplikácie, ktoré vyriešia problémy v reálnom svete," hovorí Qi Yuan.

Zaslať požiadavku

whatsapp

Telefón

E-mailom

Vyšetrovanie