Σήμερα, η Τεχνητή Γενική Νοημοσύνη (AGI) έχει γίνει μια κεντρική λέξη-κλειδί τόσο στην επιστημονική όσο και στη βιομηχανική κοινότητα. Μόλις πριν από λίγα χρόνια, πολλοί πίστευαν ότι η επίτευξη του AGI θα χρειαζόταν τουλάχιστον 10 έως 50 χρόνια, ή ακόμη και νόμιζαν ότι ήταν αδύνατο. Στις μέρες μας, τέτοιες απαισιόδοξες απόψεις είναι σπάνιες. Ωστόσο, σε σύγκριση με τον ενθουσιασμό του κοινού για αυτό το κύμα τεχνολογικών αλλαγών, πολλοί μελετητές πρώτης γραμμής και ηγέτες της βιομηχανίας στον τομέα της τεχνητής νοημοσύνης πιστεύουν ότι υπάρχει ακόμη πολύς δρόμος για να εξελιχθεί η τρέχουσα τεχνητή νοημοσύνη σε AGI.
Σύμφωνα με τον Qi Yuan, διακεκριμένο καθηγητή στο Πανεπιστήμιο Fudan, διευθυντή του Ερευνητικού Ινστιτούτου Τεχνητής Νοημοσύνης της Σαγκάης (SAIRI) και ιδρυτή της εταιρείας Trustworthy Large Model "Infinite Lightyear", "Μία από τις υψηλότερες εκδηλώσεις του AGI είναι η ανακάλυψη αγνώστων νόμους στον περίπλοκο κόσμο Με απλά λόγια, θα πρέπει να είναι ένας «AI Einstein». Αυτό απαιτεί να δημιουργήσουμε αξιόπιστα μεγάλα μοντέλα «γκρίζου κουτιού» που συνδυάζουν πιθανολογικές προβλέψεις «μαύρου κουτιού» με λογική συλλογιστική του «λευκού κουτιού» και να προωθήσουμε τη θεμελιώδη έρευνα, την καλλιέργεια ταλέντων και πρακτικές εφαρμογές μέσω της βαθιάς ενοποίησης της τεχνολογίας και της βιομηχανίας οικοδόμηση ενός καινοτόμου οικοσυστήματος για επιστημονική νοημοσύνη».
Στο πρόσφατο Παγκόσμιο Συνέδριο Τεχνητής Νοημοσύνης του 2024 (WAIC) και στη συνάντηση υψηλού επιπέδου για την παγκόσμια διακυβέρνηση της τεχνητής νοημοσύνης, το SAIRI φιλοξένησε με επιτυχία ένα θεματικό φόρουμ με τίτλο «Τεχνητή Νοημοσύνη: Μετατόπιση Παραδείγματος στην Επιστημονική Έρευνα και τη Βιομηχανική Ανάπτυξη». Αυτή ήταν η πρώτη εμφάνιση αυτού του νέου ερευνητικού ιδρύματος στο WAIC. Το SAIRI μπορεί να θεωρηθεί ως μοντέλο για την εξερεύνηση της Σαγκάης ενός οικοσυστήματος επιστημονικής νοημοσύνης «1+1+N» που βασίζεται στην καινοτομία. Αυτό το μοντέλο περιλαμβάνει το SAIRI ως τον κεντρικό κόμβο που είναι υπεύθυνος για το συνολικό στρατηγικό σχεδιασμό, την ενοποίηση πόρων και τη βασική τεχνολογική έρευνα και καινοτομία, σε συνεργασία με ένα άλλο Πανεπιστήμιο Fudan "1" και πολλά "N" πανεπιστήμια, ερευνητικά ιδρύματα, εταιρείες τεχνολογίας, ομάδες καινοτομίας, και επενδυτικών ιδρυμάτων, για την από κοινού προώθηση της επιστημονικής έρευνας, της καλλιέργειας ταλέντων, της μεταφοράς τεχνολογίας και της βιομηχανικής καινοτομίας και αναβάθμισης.
Το πρότυπο για το AGI θα πρέπει να είναι η δημιουργία ενός "AI Einstein".
Από τεχνική άποψη, ολοένα και μεγαλύτερα μοντέλα με περισσότερες παραμέτρους θα οδηγήσουν σε AGI; Μέχρι σήμερα, ούτε από την προοπτική της ίδιας της τεχνολογίας AI ούτε από την άποψη της κατανάλωσης ενέργειας, τα μεγάλα μοντέλα που βασίζονται στην αυτοπαλινδρομική αρχιτεκτονική του Transformer είναι επαρκή για να οδηγήσουν σε AGI. Η τεχνητή νοημοσύνη πρέπει να αναπτύξει νέα αξιόπιστα μεγάλα μοντέλα «γκρίζου κουτιού». Αυτό το συμπέρασμα βασίζεται στην πολυετή πρακτική εμπειρία του Qi Yuan τόσο στον ακαδημαϊκό χώρο όσο και στη βιομηχανία.
Πριν από δέκα χρόνια, με την ιδέα να «κάνει την τεχνητή νοημοσύνη χρήσιμη», ο Qi Yuan οδήγησε μια ομάδα για να αυξήσει το βασικό σύστημα μηχανικής μάθησης της Alibaba από 2 εκατομμύρια παραμέτρους σε αρκετές εκατοντάδες εκατομμύρια παραμέτρους για πρώτη φορά, επιτυγχάνοντας σημαντική βελτίωση στην επιχειρηματική απόδοση και επίδειξη του ολοκληρωμένου μετασχηματισμού δεδομένων, αλγορίθμων και μηχανικών δυνατοτήτων. Αυτή ακριβώς είναι η εκδήλωση του νόμου κλιμάκωσης, ο οποίος συζητείται ευρέως στην κοινότητα της τεχνητής νοημοσύνης σήμερα.
Ο Qi Yuan θυμάται ότι η ομάδα δοκίμασε όντως τη γλυκύτητα του νόμου κλιμάκωσης: αφού αύξησε τις παραμέτρους του μοντέλου κατά εκατονταπλάσια, το συνολικό αποτέλεσμα βελτιώθηκε δραματικά. "Αλλά τώρα σκέφτομαι: γιατί δεν κάναμε τα μοντέλα AI ακόμη μεγαλύτερα τότε; Γιατί σταματήσαμε όταν μπορούσαμε να κάνουμε ένα βήμα παραπέρα;" είπε. "Ακόμη και δισεκατομμύρια παράμετροι σε μεγάλα μοντέλα δεν αρκούν· πρέπει να κινηθούμε προς εκατοντάδες δισεκατομμύρια, τρισεκατομμύρια ή ακόμα περισσότερα. Εκείνη την εποχή, τόσο ο ακαδημαϊκός κόσμος όσο και η βιομηχανία δεν είχαν την υπολογιστική ισχύ, ακόμη και στον βιομηχανικό τομέα, πετυχαίνοντας τόσο υψηλά Η υπολογιστική ισχύς απαιτούσε πολύ υψηλό κόστος, για να μην αναφέρουμε τον ακαδημαϊκό χώρο».
Ο λόγος για τον οποίο το πρότυπο για το AGI θα πρέπει να είναι η δημιουργία ενός «AI Einstein», εξηγεί ο Qi Yuan, είναι ότι πρέπει να είναι και αποτελεσματικό και έξυπνο. Πρώτον, ο Αϊνστάιν ανακάλυψε τα «σύννεφα της φυσικής των αρχών του 20ου αιώνα» μέσα από μερικά βασικά σημεία δεδομένων. Το AGI θα πρέπει επίσης να είναι σε θέση να ανακαλύψει και να κατανοήσει τους άγνωστους νόμους του πολύπλοκου κόσμου. Ωστόσο, τα σημερινά μεγάλα μοντέλα δεν μπορούν να το επιτύχουν αυτό. Για παράδειγμα, αν και το οπτικό μεγάλο μοντέλο SORA προσομοιώνει τον φυσικό κόσμο σε άνευ προηγουμένου βαθμό, εξακολουθεί να κατασκευάζει τον τρισδιάστατο κόσμο με βάση την προσομοίωση του δισδιάστατου κόσμου και απέχει πολύ από την πλήρη κατανόηση του φυσικού κόσμου. Δεύτερον, υπάρχει το θέμα της κατανάλωσης ρεύματος. Ο ανθρώπινος εγκέφαλος λειτουργεί σε περίπου 15 Watt, ενώ μια μεμονωμένη GPU μπορεί να φτάσει στο μέγιστο αρκετές εκατοντάδες Watt, για να μην αναφέρουμε τα συμπλέγματα χιλιάδων ή δεκάδων χιλιάδων GPU που απαιτούνται για την εκπαίδευση γενικών μεγάλων μοντέλων. Προς το παρόν, εάν συνεχίσουμε να χρησιμοποιούμε υπάρχουσες αρχιτεκτονικές, η απαιτούμενη κατανάλωση ενέργειας θα είναι αστρονομική, καθιστώντας δύσκολη την επίτευξη του στόχου να είμαστε αποτελεσματικοί και έξυπνοι.
Το «AI Einstein» είναι επίσης βασικός στόχος του AI for Science (AI4S). Η επιστημονική νοημοσύνη έχει παίξει σημαντικό ρόλο στην επιτάχυνση της επίλυσης γνωστών φυσικών εξισώσεων, αλλά χρειάζεται επίσης να συνδυάσει γνωστούς κανόνες με δεδομένα για να μειώσει τη σοβαρή εξάρτηση από τα δεδομένα και την υπολογιστική ισχύ, να βελτιώσει την ακρίβεια του συλλογισμού και της πρόβλεψης και να προτείνει νέες επιστημονικές θεωρίες βασίζονται σε κανόνες γνώσης προσαρμοσμένους στα δεδομένα. Αυτό ευθυγραμμίζεται με τον μακροπρόθεσμο στόχο του Qi Yuan στο Πανεπιστήμιο Fudan και στο SAIRI-να χρησιμοποιήσει την τεχνητή νοημοσύνη για να κατανοήσει τον περίπλοκο κόσμο και να ανακαλύψει άγνωστους νόμους.
Τα μεγάλα μοντέλα με αξιόπιστο κάθετο τομέα "Γκρι κουτί" ενδυναμώνουν διάφορες βιομηχανίες.
Ποια προβλήματα πρέπει να λυθούν ώστε τα μεγάλα μοντέλα να γίνουν νέες παραγωγικές δυνάμεις από εργαλεία τεχνητής νοημοσύνης; Σύμφωνα με τον Qi Yuan, η μεγάλη βιομηχανία μοντέλων αντιμετωπίζει πολλές κοινές προκλήσεις, γεγονός που καθιστά δύσκολη την ευθυγράμμιση της τεχνολογίας, των προϊόντων και των αναγκών της αγοράς.
«Το μεγαλύτερο πρόβλημα με την εφαρμογή μεγάλων μοντέλων σήμερα είναι ότι φαίνεται χρήσιμο με την πρώτη ματιά, αλλά αποτυγχάνει στην πρακτική χρήση», εξηγεί ο Qi Yuan. Τα σημερινά μεγάλα γλωσσικά μοντέλα προβλέπουν κυρίως την επόμενη λέξη με βάση πολλές προηγούμενες λέξεις, αλλά αυτή η προσέγγιση δεν είναι κατάλληλη για αυστηρή συλλογιστική πολλών βημάτων. «Η γλώσσα είναι εργαλείο επικοινωνίας, όχι σκέψης». Πρόσφατα, μια εργασία δημοσιεύτηκε από ιδρύματα συμπεριλαμβανομένου του MIT στο κορυφαίο ακαδημαϊκό περιοδικόΦύσηεπισήμανε ότι η γλώσσα είναι ένα ισχυρό εργαλείο για τη μετάδοση της πολιτιστικής γνώσης και μπορεί να έχει συνεξελιχθεί με τις ικανότητες σκέψης και συλλογισμού μας, αντανακλώντας την πολυπλοκότητα της ανθρώπινης γνώσης. Ωστόσο, η γλώσσα δεν δημιουργεί την πολυπλοκότητα του συλλογισμού.
Για την αντιμετώπιση της αναξιοπιστίας, της χαμηλής ερμηνείας και του υψηλού κόστους των υπαρχόντων μεγάλων μοντέλων, μια αποτελεσματική λύση είναι να συνδυαστεί η πιθανολογική συλλογιστική νευρωνικών δικτύων με λογικούς συμβολικούς υπολογισμούς, παρόμοια με τον συνδυασμό γρήγορης σκέψης που βασίζεται στο ένστικτο και αργής σκέψης με βάση τη λογική συλλογιστική που περιγράφεται στο Το βιβλίο του νομπελίστα Daniel KahnemanΣκέψη, γρήγορη και αργή. «Αυτό μπορεί να ονομαστεί μεγάλο μοντέλο «γκρίζου κουτιού», πιστεύει ο Qi Yuan. Ο συνδυασμός συμβολικών υπολογισμών με νευρωνικά δίκτυα σε ένα αξιόπιστο μεγάλο μοντέλο "γκρίζου κουτιού" μπορεί να μειώσει τις "ψευδαισθήσεις" της τεχνητής νοημοσύνης και να λύσει επαγγελματικά προβλήματα σε κάθετα πεδία, ενδυναμώνοντας έτσι διάφορες βιομηχανίες και απελευθερώνοντας την παραγωγικότητα μεγάλων μοντέλων.
Τι είναι ένα αξιόπιστο μεγάλο μοντέλο "γκρι κουτί"; «Αρχικά, η βαθιά μάθηση θεωρούνταν «μαύρο κουτί». Τώρα, συνδυάζοντας τη λογική λογική με τη βαθιά μάθηση, έχουμε ένα «γκρίζο κουτί»», εξηγεί ο Qi Yuan. «Το αρχικό «μαύρο κουτί» άφησε τους ανθρώπους να αγνοούν τη διαδικασία με την οποία τα δεδομένα παρήγαγαν αποτελέσματα, ενώ το μεγάλο μοντέλο «γκρίζου κουτιού», με τη βοήθεια λογικής συλλογιστικής, επιτρέπει στους ανθρώπους να «γνωρίζουν τόσο τα αποτελέσματα όσο και τους λόγους πίσω από αυτά». Από μια άλλη οπτική γωνία, τα μεγάλα μοντέλα «γκρίζου κουτιού» μπορούν να χρησιμοποιήσουν βαθιά εκμάθηση για να μειώσουν τους κανόνες που δεν συμμορφώνονται με τα δεδομένα που παρατηρούνται στον πραγματικό κόσμο».
Ο Qi Yuan δηλώνει ότι για να διαδραματίσει η τεχνητή νοημοσύνη βασικό ρόλο σε σύνθετα σενάρια σε διάφορες βιομηχανίες -είτε στον χρηματοοικονομικό και ασφαλιστικό τομέα, την αιολική ενέργεια και την ενέργεια, είτε τη ναυτιλία των ωκεανών και τα φαρμακευτικά πεδία- είναι απαραίτητο να συνδυαστεί η συστηματική γνώση του κλάδου, η λογική λογική και η απόφαση -κατασκευή μηχανισμών με μεγάλα μοντέλα. Το μεγάλο μοντέλο "γκρίζου κουτιού" δεν είναι μόνο η κατεύθυνση για το AGI αλλά και ένα ισχυρό εργαλείο για βαθιά διείσδυση σε κάθετα πεδία και πραγματική επίλυση προβλημάτων του πραγματικού κόσμου. «Από βιομηχανική άποψη, αυτή η κατανόηση είναι πολύ διαισθητική», εξηγεί ο Qi Yuan. Οι γιατροί δεν χρειάζεται να γίνουν δικηγόροι, ούτε οι δικηγόροι χρειάζεται να γίνουν ειδικοί στις επενδύσεις. Κάθε επαγγελματικός ρόλος πρέπει να επικεντρώνεται στον τομέα του και να ενισχύει τα εργαλεία παραγωγικότητάς του. Από τεχνικής άποψης, εάν ένα μεγάλο μοντέλο υπερ-μαθαίνει άσχετες εργασίες, μπορεί να βιώσει «καταστροφική λήθη». Για παράδειγμα, αν ο Λι Μπάι περνούσε όλο τον χρόνο του κάνοντας λογιστικά αντί να γράφει ποίηση, η ποιητική του έμπνευση θα μπορούσε σταδιακά να εξασθενίσει. "Έχουμε ήδη παρατηρήσει ότι όταν εκπαιδεύουμε μεγάλα μοντέλα για κάθετους τομείς, εάν το μοντέλο μάθει πάρα πολλές άσχετες λειτουργίες, μπορεί να επηρεάσει τις αρχικές του δυνατότητες. Επομένως, η ανάπτυξη αποτελεσματικών μεγάλων μοντέλων "γκρίζου κουτιού" για κάθετους τομείς έχει μεγάλη αξία στη βιομηχανία εκτέλεση."
"Πιστεύω ότι τα μεγάλα μοντέλα "γκρίζου κουτιού" θα διαδραματίσουν ολοένα και πιο σημαντικό ρόλο στην πορεία προς το AGI και στην εφαρμογή βιομηχανιών κάθετου τομέα. Από μια μεθοδολογική άποψη του Μπεϋζιανού, συνδυάζει τη γνωστή μας γνώση με κρυφές πληροφορίες στα δεδομένα για να ανακαλύψει νέους νόμους και επίλυση επιστημονικών και βιομηχανικών προβλημάτων», δηλώνει ο Qi Yuan. Στο μέλλον, ο "AI Einstein" θα μπορούσε επίσης να είναι "AI Buffett".
Σύνδεση της αλυσίδας καινοτομίας και οικοδόμηση ενός οικοσυστήματος καινοτομίας επιστημονικής νοημοσύνης.
Στο φετινό Παγκόσμιο Συνέδριο Τεχνητής Νοημοσύνης, η ομάδα του Qi Yuan παρουσίασε αξιόπιστα οικονομικά και ιατρικά μεγάλα μοντέλα με εκατοντάδες δισεκατομμύρια παραμέτρους. Αυτά τα μεγάλα μοντέλα κάθετου τομέα ξεπέρασαν σε δοκιμές το μοντέλο τρισεκατομμυρίων παραμέτρων GPT-4 Turbo του OpenAI, τραβώντας για άλλη μια φορά την προσοχή της βιομηχανίας στην υλοποίηση μεγάλων μοντέλων.
"Οι σημερινές ανακαλύψεις στην τεχνητή νοημοσύνη καθοδηγούνται όχι μόνο από καινοτομίες στις βασικές αρχές, αλλά και από προσεγγίσεις που βασίζονται σε προϊόντα που ανταποκρίνονται στις ανάγκες της κοινωνίας. Η κοινωνία απαιτεί όχι μόνο τη δημοσίευση θεωρητικών εργασιών ή καινοτομιών επιχειρηματικών μοντέλων, αλλά και τη βαθιά ενσωμάτωση τεχνολογικών και βιομηχανικών καινοτομιών που βασίζονται σε Οι πρώτες αρχές μόλις συνδυαστούν αυτά τα δύο στοιχεία, μπορούμε να φτάσουμε σε πιο γαλάζια νερά», λέει ο Qi Yuan.
Η ακαδημαϊκή κοινότητα και η βιομηχανία έχουν διαφορετικές αποστολές. Η ακαδημαϊκή κοινότητα διερευνά νέα φαινόμενα, ενώ η βιομηχανία επιλύει πρωτίστως πρακτικά προβλήματα. Ένα κοινό ζήτημα παγκοσμίως είναι ότι τα ερευνητικά ιδρύματα πρέπει να αντιμετωπίσουν πολλά προβλήματα τεχνολογικής καινοτομίας, αλλά αν παραβλέψουν την παραγωγικότητα και τις κοινωνικές ανάγκες, αντιμετωπίζουν δύο μειονεκτήματα: έλλειψη πραγματικής ανταγωνιστικής πίεσης, η οποία εμποδίζει τη βελτίωση των καινοτόμων τεχνολογιών και την απουσία αποτελεσματικών ανατροφοδότηση της αγοράς για την καθοδήγηση της τεχνολογικής έρευνας.
Για το σκοπό αυτό, το Qi Yuan επιδιώκει εδώ και καιρό να συνδέσει την αλυσίδα καινοτομίας «πανεπιστήμια-ερευνητικά ινστιτούτα-startups» για να δημιουργήσει ένα καλό οικοσύστημα καινοτομίας που λαμβάνει υπόψη τόσο την υποκείμενη τεχνολογία όσο και τις ανάγκες της αγοράς. Η κατεύθυνση του προϊόντος θα πρέπει να καθοδηγείται από τη ζήτηση και τα σενάρια της αγοράς, χτίζοντας την ανταγωνιστικότητα του πυρήνα του προϊόντος μέσω της θεμελιώδους καινοτομίας.
Η SAIRI, που ιδρύθηκε το 2023, δεσμεύεται για πρωτότυπες καινοτομίες AI for Science που συνδυάζουν γνώση και δεδομένα. Πρόσφατα, η SAIRI κυκλοφόρησε τη σειρά Fuxi μετεωρολογικών μεγάλων μοντέλων 2.0 για εφαρμογές στη νέα ενέργεια, την ασφάλιση, την αστική διαχείριση και ξεκίνησε τη Συμμαχία Έξυπνης Μετεωρολογικής Καινοτομίας Οικοσυστήματος. Αυτή η συμμαχία στοχεύει να προωθήσει σταδιακά τη βιομηχανική εφαρμογή των μετεωρολογικών μεγάλων μοντέλων της σειράς Fuxi 2.0. Τα αξιόπιστα μεγάλα μοντέλα "γκρίζου κουτιού" προχωρούν επίσης στην εφαρμογή προϊόντων, με την Infinite Lightyear, την αξιόπιστη μεγάλη εταιρεία μοντέλων που ιδρύθηκε από τον Qi Yuan, να έχει ήδη καθιερωθεί.
Για την περαιτέρω προώθηση του οικοσυστήματος καινοτομίας επιστημονικής νοημοσύνης, ο δεύτερος Παγκόσμιος Διαγωνισμός Επιστημονικής Νοημοσύνης, που διοργανώνεται από κοινού από το SAIRI και το Πανεπιστήμιο Fudan, και καθοδηγείται από πολλά τμήματα, όπως η Επιτροπή Επιστήμης και Τεχνολογίας της Σαγκάης, η Επιτροπή Ανάπτυξης και Μεταρρύθμισης της Σαγκάης, Επιτροπή Οικονομικής και Πληροφορικής της Σαγκάης, και της Επιτροπής Παιδείας της Σαγκάης, έχει δρομολογηθεί. Ο διαγωνισμός προσφέρει εκατομμύρια βραβεία για την πρόσληψη παγκόσμιων συμμετεχόντων για την εξερεύνηση αιχμής πεδίων επιστημονικής νοημοσύνης. Επιπλέον, η SAIRI έχει αναπτύξει μια πλατφόρμα επιστημονικών δεδομένων που καλύπτει πολυτροπικά επιστημονικά δεδομένα, η οποία υποστηρίζει την πλήρη αλυσίδα από τη συλλογή και επεξεργασία δεδομένων έως τη διαχείριση και τη μοντελοποίηση, διασφαλίζοντας αποτελεσματική επεξεργασία δεδομένων, αξιοπιστία και ασφαλή επικοινωνία. Με βάση αυτήν την πλατφόρμα, η SAIRI και οι συνεργάτες της έχουν δημιουργήσει αρκετά υψηλής ποιότητας επιστημονικά σύνολα δεδομένων για τις βιοεπιστήμες, τις επιστήμες των υλικών, τις επιστήμες της ατμόσφαιρας και άλλους τομείς, παρέχοντας πολύτιμους πόρους για την έρευνα επιστημονικής νοημοσύνης. Επιπλέον, η SAIRI έχει ξεκινήσει την Global Scientific Data Ecosystem Alliance, με αρχικά μέλη όπως την China Telecom Corporation, την COSCO Shipping Insurance Captive, τη Shanghai Lingang New Area Cross-Border Data Technology και περισσότερες από δέκα άλλες οντότητες. Η συμμαχία στοχεύει στην οικοδόμηση μιας παγκόσμιας, πολλαπλών τομέων ερευνητικών πόρων μεγάλων δεδομένων, ανοιχτής και κοινής πλατφόρμας μέσω της συνεργασίας μεταξύ κυβέρνησης, επιχειρήσεων, πανεπιστημίων και ερευνητικών ιδρυμάτων.
"Είτε στην επιστημονική έρευνα είτε στη βιομηχανία, δεν πρέπει να καινοτομούμε για χάρη της καινοτομίας. Ελπίζουμε να δημιουργήσουμε μελλοντικές AGI και εφαρμογές που λύνουν προβλήματα του πραγματικού κόσμου", λέει ο Qi Yuan.