人工智能的发展已经走到了死胡同吗？
最近几天，技术界目睹了关于生成人工智能模型发展的广泛争论，该领域的知名领导者就该技术可能的未来发表了声明。一些人表示人工智能的进步已经达到极限，而另一些人则强调未来发展前景广阔。
对此问题发表评论的人中有OpenAI首席执行官萨姆·奥尔特曼(Sam Altman)，他在X平台上发帖强调，限制人工智能发展的“墙”不存在，表明人工智能的进步没有限制。谷歌前首席执行官埃里克·施密特(Eric Schmidt)则同意这一观点，并指出大型语言模型将在未来五年内取得巨大发展，其能力可能会增加50倍或100倍。
此外，Anthropic首席执行官达里奥·阿莫迪(Dario Amodei)和NVIDIA首席执行官黄仁勋(Jensen Huang)均表示拒绝接受有关人工智能进展放缓的报道。在此背景下，OpenAI 联合创始人 Ilya Sutskever 证实，扩展模型训练的努力已达到饱和阶段，并指出他在 SSI 的团队正在研究另一种方法来应对这些挑战。
另一方面，a16z联合创始人Marc Andreessen指出，目前市场上的大多数AI模型都达到了相似的性能水平，这限制了它们之间的竞争。这对科技行业来说是一个挑战，科技行业已投入巨资建设数据中心和核电站来支持这一发展。如果事实证明当前的培训方法不再能产生预期的效果，企业将如何证明这些巨额投资的合理性？
鉴于人工智能对经济、健康和教育等多个领域的影响，以及对该领域投资的重大影响，这些讨论非常重要。然而，关键问题仍然存在：企业如何克服当前挑战，实现超级人工智能？
实现卓越人工智能的挑战
该领域的许多专家一致认为，进步的关键在于探索新类型的数据、开发具有逻辑推理能力的系统以及改进模型使其更小、更专业。公司在开发大型语言模型时面临的主要挑战之一是数据稀缺以及难以获得训练这些模型所需的图形处理单元 (GPU)。由于对这些设备的需求量很大，公司在获得这些设备方面遇到了长时间的延误，这阻碍了进展。
另一个挑战是缺乏高质量数据，而这是开发模型的关键。有人指出，我们已经耗尽了在线可用的文本数据，这个问题可能会使继续训练语言模型变得非常困难。
转向合成数据
面对这些挑战，研究人员开始从关注数据的数量转向关注数据的质量。这种转变引发了人们对人工智能模型本身生成的合成数据的兴趣，并为缺乏高质量数据的问题提供了创新的解决方案。然而，使用合成数据并非没有风险，研究人员面临着如何取得适当的平衡以避免模型性能出现问题的挑战。
注重推理和推理
随着数据的进步，焦点已经转向提高模型的推理能力，即逻辑推理。这种转变将使模型能够处理更复杂的任务，并让它们能够理解单词背后的含义。微软等一些公司推出了“测试时计算”等新方法，旨在通过给予模型更多时间来处理复杂查询来提高模型的准确性。
人工智能发展的现实
许多专家解释说，人工智能的进步遵循对数模式，这意味着每一步的发展都需要比上一步更多的资源。这种趋势可能会减慢未来的发展速度，从而显着增加成本。据预测，未来几年主要模型的培训成本可能在 10 亿美元到 100 亿美元之间，这引发了投资者是否愿意接受如此高成本的质疑。
然而，这些问题的答案仍不清楚，随着企业预计超级人工智能的发展，一些客户因进展缓慢而感到沮丧，这可能会导致他们寻找其他选择。这就提出了一个重要的心理和经济问题：客户会愿意等待这一进展，还是会感到沮丧并寻找替代方案？
-
10:04
-
10:00
-
09:54
-
09:51
-
09:37
-
09:33
-
09:27
-
09:22
-
09:20
-
09:10
-
09:06
-
09:02
-
08:55
-
08:47
-
08:40
-
08:37
-
21:00
-
20:35
-
20:15
-
19:49
-
19:32
-
19:15
-
18:53
-
18:32
-
18:15
-
17:55
-
17:33
-
17:14
-
16:49
-
16:32
-
16:20
-
16:16
-
16:15
-
15:59
-
15:55
-
15:51
-
15:38
-
15:30
-
15:27
-
15:10
-
14:56
-
14:47
-
14:45
-
14:33
-
14:32
-
14:28
-
14:24
-
14:18
-
14:15
-
14:14
-
14:07
-
13:50
-
13:41
-
13:37
-
13:31
-
13:30
-
13:25
-
13:21
-
13:15
-
13:13
-
13:12
-
13:10
-
12:51
-
12:30
-
12:12
-
11:48
-
11:30
-
11:20
-
11:16
-
11:15
-
11:08
-
10:59
-
10:52
-
10:46
-
10:37
-
10:33
-
10:24
