字幕欧美自拍一区,97久久久国产精品消防器材,精品欧美一区二区在线观看

廣義人工智能時代：通往通用人工智能（AGI）之路

By Imtiaz Adam

人工智能(AI)將于2024年進一步改進，大型語言模型有望進一步發(fā)展。

2023年對于人工智能和生成式人工智能來說是激動人心的一年，特別是那些采用大型語言模型(LLM)架構的人工智能，比如來自開放人工智能(GPT 4)、Anthropic(Claude)和開源社區(qū)(Llama 2、Falcon、Mistral、Mixtral等)的模型，獲得了動力和快速采用。

2024年可能會是更加激動人心的一年，因為人工智能將成為包括CES 2024在內(nèi)的所有地方的中心舞臺，大型語言模型有望進一步發(fā)展。

什么是人工智能（AI）以及我們處于什么階段？

人工智能涉及開發(fā)計算系統(tǒng)的領域，這些系統(tǒng)能夠執(zhí)行人類非常擅長的任務，如識別物體，識別和理解語音，以及在受限環(huán)境下做出決策。

狹義人工智能(ANI):人工智能的一個領域，機器被設計為執(zhí)行單一任務，并且機器非常擅長執(zhí)行該特定任務。然而，一旦機器被訓練，就不能推廣到未知的領域。這是人工智能的形式，例如，Google翻譯，代表了我們直到最近所處的人工智能時代。

廣義人工智能(ABI)：麻省理工學院IBM沃森實驗室解釋道：“廣義人工智能是下一個。我們剛剛進入這個前沿領域，但當它完全實現(xiàn)時，它將以使用和集成多模式數(shù)據(jù)流的人工智能系統(tǒng)為特色，更有效、更靈活地學習，并跨越多個任務和領域。廣義的人工智能將對商業(yè)和社會產(chǎn)生強大的影響?！?p>IBM進一步解釋：“在單一領域執(zhí)行特定任務的系統(tǒng)正在讓位于廣義的人工智能，后者可以更廣泛地學習，并跨領域和跨問題工作。在大型未標記數(shù)據(jù)集上訓練并針對一系列應用進行微調的基礎模型正在推動這一轉變。”

廣義的人工智能能力是最近出現(xiàn)的，F(xiàn)rancois Chollet在2019年提出“即使是當今最先進的人工智能系統(tǒng)也不屬于這個類別......”

廣義人工智能是一個復雜的自適應系統(tǒng)，它憑借其感官知覺、先前的經(jīng)驗和學到的技能成功地執(zhí)行任何認知任務。

但作者澄清，ABI模型不具備人腦的整體通用能力。

通用人工智能（AGI）：人工智能的一種形式，可以完成人類可以完成的任何智力任務。它更有意識，做出的決策與人類的決策方式類似。它也被稱為“強人工智能”，IBM將AGI或強人工智能描述為擁有與人類同等的智能，具有自我意識和解決問題、學習和規(guī)劃未來的能力。實際上，它將產(chǎn)生“與人類思維沒有區(qū)別的智能機器”。

目前，AGI仍然是一個愿望，有各種預測，從2025年到2049年，甚至永遠不會到來。它可能會在未來十年內(nèi)實現(xiàn)，但面臨著硬件方面的挑戰(zhàn)，即當今強大機器所需的能源消耗。作者個人認為，2030年代是一個比較有可能到來的時間。

超級人工智能（ASI）：是一種在所有領域都超過人類表現(xiàn)的智能形式（由Nick Bostrom定義）。這是指一般智慧、解決問題和創(chuàng)造力等方面。作者個人的觀點是，人類將通過人機接口（可能是無線帽或耳機）來利用先進的人工智能，成為ASI（未來可能是神經(jīng)擬態(tài)計算與量子能力的合并，被稱為量子神經(jīng)擬態(tài)計算）。

如今我們在人工智能方面處于什么位置？

Open AI的GPT-4的到來引發(fā)了社交媒體上的大量爭論，一些人認為，由于GPT-4不是狹義的人工智能，因此它必須是通用人工智能(AGI)。作者將解釋后者并非如此。

AGI不太可能在一夜之間神奇地出現(xiàn)，而更有可能通過人工智能研究和開發(fā)的持續(xù)進化進步過程而實現(xiàn)。

直到最近，我們一直處于狹義人工智能時代。然而，許多最先進的(SOTA)模型現(xiàn)在可以超越狹義的人工智能(ANI)，我們越來越多地體驗利用LLM的生成式AI模型，這些模型反過來又應用具有自注意力機制架構的變壓器，它們是能夠展示多模式、多任務處理能力。

然而，說當前的SOTA模型處于人腦水平（AGI）是不準確的，特別是在邏輯和推理任務方面，包括常識。

我們正處于廣義人工智能（或ABI）時代，在這個時代，生成式人工智能模型既不是狹義的，因為它們可以執(zhí)行多個任務；但也不是AGI，因為它們沒有達到人類大腦的智力和能力水平。

科幻電影中的先進機器人還沒有出現(xiàn)在我們的日常生活中，但是隨著人工智能技術的進步，人工智能越來越多地嵌入到先進的機器人中，機器人技術正在迅速發(fā)展，例如斯坦福大學的研究人員推出了移動Aloha機器人，它可以向人類學習做飯、打掃衛(wèi)生、洗衣服。

通往先進人工智能能力的道路

內(nèi)存：據(jù)傳GPT-5將解決這個問題，其他模型也一直在尋求解決內(nèi)存問題，以便AI代理能夠回憶起之前的參與情況。此外，在記憶和LLM方面，值得注意的是Dale Schuurmann的論文（2023年）以及Jesus Rodriguez提供的概述，還有Langchain的潛力、王等人(2023)發(fā)表了用長期記憶增強語言模型。邏輯、推理、因果推理：常識和因果推理是LLM和深度神經(jīng)網(wǎng)絡/機器學習模型的其他領域經(jīng)常遇到困難的領域。雖然思維鏈(CoT)已顯示出希望，但生成式AI模型仍遠未達到先進的人類邏輯推理水平。神經(jīng)符號方法，包括通過LLM插件利用符號人工智能，可能有助于在未來解決這些問題，并為通向AGI開辟道路。從更小的數(shù)據(jù)集學習：零樣本學習和零樣本提示，以及具有自關注機制的變壓器采用自監(jiān)督學習，以提高人工智能能力的狀態(tài)。微調，師生模型初始訓練之外，持續(xù)更新的世界知識–RAG：檢索增強生成使LLM模型能夠通過互聯(lián)網(wǎng)連接到外部數(shù)據(jù)源，或通過Langchain或LlamaIndex等框架連接到私有數(shù)據(jù)，并檢索最新信息。對不確定世界的動態(tài)響應/動態(tài)學習。多模式多任務處理：LLM正在開發(fā)多模式、多任務處理功能，Open AI的GPT 5預計將展示這些功能，其他模型也是如此。數(shù)據(jù)：訪問、有效且高效的存儲、安全性和質量都是人工智能模型的關鍵。越來越多的合成數(shù)據(jù)本身可能是由生成式人工智能模型創(chuàng)建的，可能在人工智能的發(fā)展中發(fā)揮關鍵作用。模型行為-強化學習(RL)：將人類反饋強化學習(RLHF)應用于LLM，以減少偏差，同時提高性能、公平性和代表性。RLHF需要一個動態(tài)環(huán)境，在這個環(huán)境中，當AI代理進入一個新的狀態(tài)(AI代理采取的行動)時，它會尋求最大的獎勵(獲得最優(yōu)或至少更好的行動)，并在什么是RLHF中提供了一個很好的概述。

提高LLM效率的技術

科術專業(yè)和開源社區(qū)一直在推進使LLM模型更加高效的方法。對于開源社區(qū)而言，尋找效率的解決方案非常重要，因為社區(qū)中許多人缺乏大型專業(yè)的資源。然而，即使是技術專業(yè)人士也越來越意識到，將大規(guī)模的LLM模型擴展到大量用戶會導致巨大的服務器成本和能源成本，從而對碳足跡不利。

使生成式AI模型更加高效的進步示例：

LoRA：是一種在訓練過程中顯著減少參數(shù)數(shù)量的技術，它通過將更少數(shù)量的新權重插入模型中而只訓練這些新權重來實現(xiàn)。這反過來又導致訓練過程顯著更快，內(nèi)存效率更高，并且由于降低了模型權重而更容易共享和存儲。Flash Attention是另一項創(chuàng)新，它可以快速和高效地利用內(nèi)存，具有輸入和輸出意識的精確注意力。模型修剪：可以對這些非必要的組件進行修剪，使模型更加緊湊，同時保持模型的性能。LLM量化：量化是一種壓縮技術，可將這些參數(shù)轉換為單字節(jié)或更小的整數(shù)，從而顯著減小LLM的大小。

此外，硬件解決方案還可以提高計算資源效率，從而節(jié)省能源和減少碳足跡，例如第五代英特爾至強可擴展處理器、IBM正在利用模擬AI芯片等開展的工作。這將推動AIoT的興起，在電力有限的環(huán)境中，人工智能可以跨設備擴展網(wǎng)絡邊緣，而效率和低延遲是關鍵。

企業(yè)可能希望考慮平衡性能能力與資源成本（包括能源和碳足跡的計算成本），和硬件的凈現(xiàn)值回報(NPV)或投資回報(ROI)的模型架構。高效的硬件，如第五代英特爾至強可擴展處理器可能提供，特別是對于推理和/或微調模型低延遲小于200億個參數(shù)的模型，如作者之前提出的。

作者認為，從長遠來看，量子計算可能為推動人工智能邁向ASI提供潛在的途徑，然而，峰值神經(jīng)網(wǎng)絡與樹突計算和神經(jīng)形態(tài)計算相結合，可能會為AGI(也很節(jié)能)提供一條可能的途徑。

與深度學習中典型的人工神經(jīng)網(wǎng)絡(ANN)架構相比，峰值神經(jīng)網(wǎng)絡(SNN)與樹突計算相結合時，更接近我們自己的人類大腦。相對于人工神經(jīng)網(wǎng)絡，SNN更節(jié)能，并且可以被設計成超低延遲，可以參與持續(xù)學習，并且由于它們可以部署在網(wǎng)絡的邊緣，因此數(shù)據(jù)更加安全

神經(jīng)科學家發(fā)現(xiàn)樹突有助于解釋我們大腦獨特的計算能力，據(jù)報道，科學家首次觀察到人腦內(nèi)一種被認為是獨特的細胞信息傳遞形式，并可能表明我們的人腦擁有比之前認為的更強大的計算能力。

研究已經(jīng)闡明了樹突放大的潛在計算優(yōu)勢，以及利用樹突特性推進機器學習和神經(jīng)啟發(fā)計算的潛力。

此外，研究還表明，僅靠樹突就可以執(zhí)行復雜的計算，因此單個神經(jīng)元的多并行處理能力遠遠超出了常規(guī)假設。

研究人員正在尋求更好地了解記憶如何存儲在大腦內(nèi)的樹突棘中，以及治療阿爾茨海默氏癥等疾病的潛力。這表明樹突在人腦中發(fā)揮著重要作用，但ANN架構并不具有樹突。

而且，樹突預處理已被證明可以減少閾值性能所需的網(wǎng)絡大小。此外，具有樹突計算的SNN可能需要以瓦數(shù)而不是兆瓦數(shù)運行。

通過利用模擬信號和連續(xù)動態(tài)，神經(jīng)形態(tài)計算可以提高人工智能應用的速度、準確性和適應性，同時克服傳統(tǒng)計算的限制，例如延遲、功耗和可擴展性。

這將導致萬物互聯(lián)(IoE)，其中高效的人工智能代理將超越本地所有互聯(lián)網(wǎng)連接設備，提供智能響應，從而在所有交互中實現(xiàn)大規(guī)模的超個性化，進而稱為AIoE。

AIoT以及隨后的AloE是一個設備相互通信，并與人類動態(tài)交互的世界。

總結

本文是對人工智能現(xiàn)狀的戰(zhàn)略分析。進入人工智能和LLM領域，總是充滿未知及挑戰(zhàn)，畢竟在這個廣義的人工智能時代，探索通往通用人工智能（AGI）的路，還很長。

免責聲明：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確性及可靠性，但不保證有關資料的準確性及可靠性，讀者在使用前請進一步核實，并對任何自主決定的行為負責。本網(wǎng)站對有關資料所引致的錯誤、不確或遺漏，概不負任何法律責任。任何單位或個人認為本網(wǎng)站中的網(wǎng)頁或鏈接內(nèi)容可能涉嫌侵犯其知識產(chǎn)權或存在不實內(nèi)容時，應及時向本網(wǎng)站提出書面權利通知或不實情況說明，并提供身份證明、權屬證明及詳細侵權或不實情況證明。本網(wǎng)站在收到上述法律文件后，將會依法盡快聯(lián)系相關文章源頭核實，溝通刪除相關內(nèi)容或斷開相關鏈接。

廣義人工智能時代：通往通用人工智能（AGI）之路

下一篇