Джерело зображення: створено інструментом Unbounded AI
**【Примітка редактора】**Останніми місяцями капітал віддав перевагу AIGC, ChatGPT став популярним, а великі вітчизняні технологічні гіганти та стартапи вийшли на ринок одна за одною. Штучний інтелект тихо впливає на всі сфери життя. Це вже не проста технологічна еволюція, а стане революцією.
Хоча вибух додатків штучного інтелекту здається раптовим, за кадром вчені зазнали незліченних невдач і накопичення досвіду. Так само, як наш запрошений спікер ** Ма Чжаоюань (професор Південного університету науки і техніки, член Британського товариства фізики, британський королівський дипломований інженер, колишній головний дослідник лабораторії майбутнього Університету Цінхуа)** у книзі «The Неможливість штучного інтелекту» Згадується: «Кожен дюйм прогресу потребує наполегливої щоденної роботи та накладання різноманітних невизначеностей».
Фактично, у довгій історії науки і техніки ця технологічна революція є лише першим кроком, який приведе людство до «ери генеративного ШІ». Поки що ще потрібно звернути увагу на багато існуючих проблем і протиріч. Наприклад: під хвилею технологій, очолюваних OpenAI, чи зможе Китай швидко наздогнати згаяне? Які зміни принесе ця технологічна революція суспільству та промисловій структурі? Чи замінять машини людину в майбутньому? Як розвивати освіту талантів у Китаї в таку епоху швидкої технологічної ітерації?
У цьому випуску «AI Future Guide North» компанія Tencent Technology взяла інтерв’ю у Ма Чжаоюаня. Він поділився різними думками та поглядами на ці проблеми. Ми зібрали ці 4D пам’ятні речі в статтю, щоб досліджувати, вивчати та думати разом із користувачами мережі. Значення штучного інтелекту до людей.
Не турбуйтеся про те, чи стануть люди «рабами машини», гаряча тема — це капітальний ажіотаж
У зв’язку з нещодавнім бумом застосування великих мовних моделей штучного інтелекту та інших продуктів багато людей стурбовані тим, що розвиток штучного інтелекту принесе певні ризики та проблеми безпеки для людей, а також конфлікти з виживанням людини та суспільства.
Стосовно проблем, які хвилюють людей, я згадав слово під назвою «раб машини».
Ми хвилюємося, що одного разу в майбутньому ми станемо «рабами машин», подібно до деяких сюжетів у фільмі «Робокоп»: одного дня люди будуть управлятися машинами і їм доведеться йти під землю. Протягом усієї цієї боротьби людство зберегло свій бунтарський дух, відновлюючи свої зусилля, щоб відновити контроль над майбутнім і Землею. Зрештою ШІ довелося відправити робота подорожувати крізь час і простір до 1984 року, намагаючись знищити лідера Армії Опору ще до того, як вона народилася, а в майбутньому спалахнули війни між роботами та людьми... Подібні історії , Багато людей можуть мати таку схожу уяву.
Для таких поглядів і хвилювань, я вважаю, це абсолютно зайве. По-перше, судячи з нинішнього рівня технологій, малоймовірно, що роботи чи розумні істоти справді «правитимуть землею», навіть стануть господарями над людьми. Навіть якщо вони справді стануть володарями людей у якийсь момент у майбутньому, знадобиться багато часу, щоб це усвідомити.Нам не потрібно зараз розголошувати це питання, щоб викликати у всіх хвилювання.
Крім того, хоча зараз багато лідерів галузі обговорюють подібні теми. Але я думаю, що певною мірою це може бути зумовлено економічними інтересами та ринком капіталу, що стоїть за цим. **Оскільки капітал повинен спочатку спекулювати на темі, перш ніж отримати від неї прибуток. Наприклад, попередня історична подія в Нідерландах у 17 столітті – «тюльпановий міхур», розкручували вигадану концепцію, яка не мала великої цінності, а потім хтось зібрав з неї цибулю-порей. Але насправді тема може бути не такою страшною, як ми думаємо.
Протягом останніх десяти років ми бачили, що ринок капіталу Китаю представив і розкрутив багато тем, таких як графенові матеріали, потім віртуальна реальність, біткойни, метавсесвіт тощо, а цього року це штучний інтелект. Щороку ми будемо розкручувати новий термін. У цьому процесі капітальні хижаки можуть виграти від цього, а капітал стає все більшим і більшим. Але для звичайного Xiaobai ми просто дотримуємося цих іменників.Якщо ми не розуміємо логіку роботи та реальну ситуацію, ми можемо втратити майже всі гроші в наших кишенях.
Нещодавно ChatGPT вибухнув. Це важливий технологічний прогрес, **по суті, він змінив те, як ми, люди, взаємодіємо з комп’ютерами. **Якщо ви хочете говорити про революцію, з точки зору шаблону випуску в галузі, GPT змінив долю OpenAI, Microsoft і Google. Зараз Google дуже хвилюється через зростання GPT. Поява GPT значно підвищила точність і ефективність пошуку людей. Раніше, коли ми використовували Google для пошуку, домашня сторінка Google відображала всі можливі веб-сторінки, пов’язані з нею, можуть бути сотні сторінок або навіть десятки тисяч результатів. Але поточна модель може точніше зрозуміти запитання користувача та дати найбільш ймовірну відповідь, що значно покращує здатність пошуку інформації. Далі це може змінити наш режим роботи, особливо в обробці файлів і зборі даних, що може значно підвищити ефективність нашої роботи.
Але коли мова заходить про те, чи переросте він у загальний штучний інтелект, це ще дуже далеко від нинішньої точки зору. Як згадувалося в моїй книзі (посилаючись на «Неможливість штучного інтелекту»): між загальним штучним інтелектом і людьми існує суттєвий і критичний розрив, і існуючі технології ШІ не можуть подолати цей розрив. Що стосується причини, то вона буде згадана нижче (частина 06).
Внутрішньому ринку бракує менталітету побудови екосистеми, і щоб наздогнати OpenAI, знадобиться щонайменше 4-5 років
Ми спостерігали запуск і запуск багатьох великих мовних моделей продуктів. Наприклад, популярний ChatGPT працює дуже добре. Багато великих компаній у Китаї також наслідують цей приклад і запускають багато подібних продуктів.
Наприклад, якась компанія запускає продукт, а через кілька днів інша компанія випускає схожий продукт, який дешевший і підходить для китайського середовища, все розкручують подібним контентом. Я думаю, що багатьом великим вітчизняним компаніям не вистачає менталітету будувати екосистему, і вони прагнуть швидко заробити гроші.Як тільки з’явиться новий термін, вони швидко підуть.
Таке подальше явище є дуже несприятливим для розвитку національної чи регіональної економіки. Якщо ми продовжуватимемо переслідувати тенденції, ми можемо ніколи не наздогнати їх. Наприклад, протягом останніх десяти років Microsoft зосереджувалася на дослідженнях, але не зробила значних проривів в інших галузях і була фактично придушена іншими компаніями, що вимагає великої невизначеності та тиску. Корпорація Майкрософт «стримувала» протягом десяти років. Завдяки її фінансовим ресурсам, можливостям досліджень і розробок і стратегіям ділової співпраці ми нарешті побачили запуск ChatGPT і відповідних нових продуктів. Знадобилося багато часу, щоб створити «точку вибуху» , і ми очікуємо миттєво. Нереалістично очікувати, що компанія зможе досягти радикальних змін.
Чи може бути так, що ці компанії є особливими «талановитими гравцями», яким потрібно лише кілька місяців або рік чи два, щоб виконати ту саму роботу, на виконання якої іншим потрібно десять років? Чи ці компанії не знають про ці проблеми, які ми розглядаємо? Вам також потрібне запитання про ажіотаж, щоб підштовхнути фондовий ринок і ціни на акції? Усе це вимагає від простих людей, таких як ми, ретельно подумати, подумати, чи варто нам наслідувати цей приклад, і прийняти відповідні інвестиційні рішення.
** Щодо стану економічного розвитку країни, то якщо слідкувати за тенденцією, то, можливо, ніколи не наздоженеш тих, хто біг першими. Замість цього треба думати, як здійснити взаємне екологічне співбудівництво, виходячи з наявних можливостей. Над цим питанням варто задуматися вітчизняним техногігантам. **
Наведу приклад: за останні 40 років Китай досяг значних успіхів у будівництві інфраструктури. Наприклад, китайська високошвидкісна залізниця розвинулась дуже добре, і вона стала високошвидкісною залізничною системою, яку потрібно розглядати в усьому світі, і це стало візитною карткою Китаю. Як інший приклад, у галузі зв’язку та комп’ютерної промисловості 5G у Китаї вже є найпотужнішим у світі. У цих галузях ми маємо деякі переваги, і базова конструкція була виконана дуже добре. Зараз ми також можемо побудувати деякі можливості та напрямки екологічного розвитку на цих фундаментах, щоб мати більші переваги.
Ми можемо уявити, що, виходячи з наших переваг, у найближчі 10-20 років, якщо деякі країни Європи та США монополізують деякі технічні напрямки, ми також можемо увійти в стан «взаємно застряглих ший» на основі наших провідних галузей. Завоювати позицію на переговорах. Повертаючись до технологій, незалежно від того, чи хочуть вітчизняні компанії наздогнати GPT чи Bing, вони можуть базуватися на досвіді «попередників»,** ми можемо прискорити швидкість досліджень і розробок, але якщо ми наздоженемо той самий рівень, це може зайняти щонайменше 4-5 років. **Крім того, нам також потрібно подумати: навіть якщо ми наздоженемо через кілька років, чи минув цей порив вітру? А сам Microsoft або Open AI також постійно зростає, став «біг-маком»?
**Загалом інвестиції в тенденції – це фактично марна трата грошей, часу та таланту. Для учасників, окрім посилення паніки та занепокоєння, вони можуть не отримати жодних переваг, і це лише дозволить капіталу отримати частину інтересів інвесторів у процесі слідування тренду. **
Штучний інтелект не призведе до того, що велика кількість людей залишиться без роботи, а професії будь-якої епохи повинні створюватися людьми
Окрім теорії загрози ШІ, людей більше хвилює вплив ШІ на зайнятість.
Сильно антропоморфна природа ChatGPT спровокувала хвилю галузевих криз, і багато людей почали хвилюватися, чи це вплине на їхню галузь чи навіть втратить роботу. З поточної точки зору, деякі робочі місця можуть постраждати в короткостроковій перспективі, але це не порушить довгострокову стабільність суспільства.
З точки зору кар’єрного розвитку, чи призведе революція штучного інтелекту до скорочення чисельності населення та робочої сили? Відповідь - ні.
Наприклад, під час промислової революції, приблизно між 18 і 19 століттями, однією з найбільших змін було зменшення чисельності сільськогосподарського населення. На початку промислової революції або до її початку понад 95% населення планети було зайнято сільськогосподарською працею, і лише невелика частина була правителями чи священиками. У той час переважна більшість людей були переважно фермери.
Зараз ситуація інша.Візьмемо для прикладу розвинені країни, наприклад, у США менше 2% населення зайнято в сільському господарстві. Більше 90% населення в середині змінили виробничий зміст. Хоча деякі робочі місця зникли, ці люди не зникли, натомість населення збільшилося. Судячи з впливу на людське суспільство, такі зміни не спричинили тривалого безробіття і навіть не вплинули на нестабільність людського суспільства.Багато людей просто змінили роботу, якою вони займалися, і змінився спосіб виробництва людей. Хоча це може призвести до значного скорочення або навіть зникнення деяких робочих місць, але також через цю зміну буде викликаний і доданий більший попит на інші робочі місця.
Як інший приклад ми згадали англійське слово під назвою «Computer». Коли ми чуємо це слово, може спадати на думку машина, але 70 років тому слово «комп’ютер» означало щось інше, ніж сьогодні. У той час це стосувалося людей, які працюють над обчислювальною технікою, подібною до Манхеттенського проекту.
У той час не було комп’ютерів і настільних комп’ютерів, як ті, які ми використовуємо зараз, але виконання величезних проектів вимагало багато розрахунків, тому компанія, яка відповідала за цей проект, найняла кількох молодих і обережних жінок для використання слайдів. правила в спеціальній кімнаті Виконуючи багато обчислювальної роботи зі скретч-папером, цих жінок називають «комп’ютерами».
Термін «комп’ютер» був придуманий для людей, які працюють у сфері обчислювальної техніки, маючи на увазі працівників, які багато працюють в офісах. Пізніше, з появою комп’ютера, і до цього дня, коли ми говоримо про «комп’ютер», ми знаємо, що це стосується комп’ютера, а не жінок, які працюють у комп’ютерній сфері. Таким чином, значення слова "комп'ютер" повністю змінилося, і воно стало позначати чисті машини.
**Таким чином, оскільки машини стають більш продуктивними в певних сферах, вони можуть замінити деякі з наших людських робочих місць, що призведе до зникнення деяких робочих місць. Однак ці люди насправді не зникають, вони переходять на більш складну роботу чи інші потреби. **
**Однією з найбільших характеристик людини є постійне впровадження інновацій і створення нових потреб. **Ці нові потреби спонукатимуть людей створювати нові робочі місця. Нам не потрібно панікувати чи надто турбуватися про безробіття. Протягом історії людського суспільства ми адаптувалися та реагували на ці зміни. У нас є можливість постійно створювати та адаптуватися до нових робочих умов і можливостей працевлаштування.
З точки зору професійних технічних вимог, з розробкою широкомасштабних модельних мовних додатків виконання завдань програмування стане легшим і простішим. Наприклад, за допомогою таких інструментів, як ChatGPT, нам потрібно лише запропонувати, що ми хочемо зробити, і поставити чітке завдання, а GPT допоможе нам виконати решту роботи. Наприклад, ми можемо напряму запитати GPT, і він використовуватиме свої можливості програмування та пошуку для безпосереднього створення коду. Таким чином, така система, як Python, може більше не знадобитися. Коротше кажучи, потрібно просто описувати вимоги та переходити до реалізації описаних способів.
**Крім того, судячи з цієї тенденції, ступінь автоматизації програмування в майбутньому буде ставати все вищим і вищим. **Це схоже на мову асемблера, яку я вивчив, коли вивчав програмування. Тепер більшість молодих людей, можливо, більше не знають, як її писати. Це та сама причина.
Мова асемблера — це мова високого рівня між людською мовою та машинною мовою, яка включає асемблер і пряме програмування машинною мовою. Після мови асемблера з’явилися такі мови, як C, C++ і Java, а потім поступово розвинулися до таких мов, як Python. Коли я спілкуюся зі студентами, я бачу, що Python є дуже вільною мовою для тих із нас, хто вивчав C, але він став улюбленим інструментом для студентів, які більше не звикли використовувати C. Під впливом деяких теоретичних систем у різних інженерів все ще є відмінності в зрозумілості ШІ. І нам все ще можуть знадобитися деякі професіонали, щоб постійно вдосконалювати систему у фоновому режимі, тож як уніфікувати стандарти зрозумілості, щоб отримати бажані результати.
Загалом, ** незалежно від того, в яку епоху нові потреби створюються нами, людьми. **Ми не можемо прийняти статичний спосіб мислення, який зосереджується на заміні та конфлікті для людей. Якщо на землі є лише обмежені робочі місця та потреби, коли машини візьмуть на себе цю роботу, ми, люди, можемо втратити сенс існування. Але насправді найголовніше в тому, щоб бути людьми, — це наша здатність постійно створювати нові потреби та задовольняти ці потреби через людей.
Конкуренція з штучним інтелектом безглузда, більше уваги слід приділяти його політичним обмеженням і управлінню ризиками
Зараз і Китай, і Сполучені Штати почали запроваджувати деякі відповідні механізми регулювання. Технологічний розвиток у будь-який період вимагає певних політичних обмежень та управління ризиками.
Візьмемо як приклад історію автомобіля. До 1900 року було дуже мало автомобілів, їх могли собі дозволити лише дуже багаті, і вони не мали особливого впливу на суспільство. Крім того, швидкість автомобіля невисока, наприклад, він може їхати лише понад десять кілометрів на годину, тому він мало чим відрізняється від ходьби, тому не потрібно встановлювати для нього занадто багато правил, просто дозвольте це розвивається.
Однак із запровадженням конвеєрного виробництва компанією Ford Motor, вартість автомобілів значно знизилася, звичайні люди можуть їздити, а кількість автомобілів значно зросла. Швидкість автомобілів також зросла з понад десяти кілометрів на годину до сотень кілометрів на годину. У цей час автомобілі можуть стати небезпечними та спричинити деякі проблеми з безпекою. Тому ми, люди, повинні сформулювати правила для автомобілів. Наприклад, спроектуйте для нього спеціальні дороги, він вже не може змішуватися з пішоходами, та ще й шосе для нього потрібно будувати, а на дорогах, де їздять люди, поставити світлофори, світлофори і т.д., всі ці правила виникли.
Так само ми розробляємо машину, щоб дозволити їй збирати та організовувати дані з високою швидкістю, а також виконувати швидкі висновки та логічне мислення. Так само, як ми розробляємо автомобілі, щоб їздити швидко. Коли машина з’являється, нам не потрібно змагатися з нею, щоб побачити, хто швидше.
Тому, коли комп’ютер має такі потужні можливості зіставлення та обробки даних, безглуздо конкурувати з його досвідом у певній галузі. Нам потрібно більше встановлювати для нього правила.
Наприклад, технологія «Midjoury», на яку нещодавно звернули увагу представники індустрії, може використовуватися для генерації зображень та імітації голосу, і навіть може створювати новини. Отже, коли цей відеоконтент і новини поширюються в Інтернеті, як їх регулювати та як забезпечити їх достовірність? З часом це стає питанням розробки правил. Формулювання цих правил робить те, як люди та машини співіснують, справжньою проблемою.
Ці проблеми вимагають від нас почати думати вже сьогодні та досягти консенсусу. Тепер, коли вже існують автомобілі, Земля є станом симбіозу між людьми та автомобілями. Тому нам потрібно сформулювати правила дорожнього руху, щоб забезпечити співіснування людей і автомобілів у містах чи певних середовищах. У цьому процесі правилам повинні підкорятися не лише машини, а й люди.
Розвиток штучного інтелекту потребуватиме споживання енергії та ресурсів, але він гідний визнання за підвищення ефективності роботи людей
У цьому інтерв’ю було згадано питання енергетичної структури: з точки зору промислової економічної структури, з вибуховим зростанням AIGC, потрібна більша обчислювальна потужність, а також більше електроенергії та гідравлічної підтримки. Чи це так? Чи призведе це до змін у плані суміжних країн чи глобальної енергетичної структури?
Це те, що обов'язково станеться. Коли виникають нові індустріальні структури та вимоги, це неминучий результат.Проблема полягає в тому, як організувати та налаштувати. Якщо штучний інтелект споживає обчислювальну потужність, він повинен забезпечити достатньо енергії для цього. У цьому енергетичному процесі він передбачає врахування зеленої землі та структури споживання енергії.Я думаю, що це не особливо пов’язано з розвитком ШІ, а природна ситуація.
Згідно з відповідними даними, сумарне річне споживання енергії хмарними центрами Китаю може бути еквівалентним виробленню електроенергії двома електростанціями Three Gorges (споживання ресурсів хмарними центрами не обмежується підтримкою ШІ, і навіть частка послуг ШІ є відносною). маленький). Зі збільшенням обсягу обчислень попит на електроенергію зростає далі. На додаток до надання нових енергетичних добавок, нам також потрібно розглянути, як підвищити енергоефективність, що насправді є відносно складним питанням. З точки зору енергозбереження треба робити розрахунки, потрібно робити охолодження. Однак у поєднанні з поточною внутрішньою ситуацією через швидкий розвиток за останні кілька років половина енергії, яку ми постачаємо в центр обробки даних, використовується для розсіювання тепла. Це те, що ми повинні враховувати.
Як нам вирішити та уникнути проблеми необґрунтованого використання та розподілу ресурсів? Дозвольте мені навести ще один приклад: після того, як Google придбала Deepmind, команду Deepmind попросили зробити одну річ, тобто налаштувати хмарний центр Google для енергозбереження за допомогою підкріпленого навчання та багатьох інших алгоритмів ШІ. Це фактично допомогло Google зменшити споживання енергії майже на 50%. Таким чином, майже 100% електроенергії в хмарному центрі Google використовується для обчислень, і лише дуже мала частина (менше приблизно 5%) використовується для охолодження. Таким чином, ця форма оптимізації значно економить енерговитрати хмарного центру Google.
Отже, якщо ми зможемо досягти рівня ефективності, подібного до використання хмарного центру Google, і врахувати подвійний вуглець і зелену енергію, яку підтримує весь світ, ми все одно можемо подумати про те, як ефективно використовувати енергію в майбутньому.
Слід зазначити, що в цьому питанні ми обговорюємо лише енергоспоживання. Загалом штучний інтелект справді може допомогти нам значно підвищити ефективність використання. Після його широкого використання можливе підвищення ефективності буде набагато суттєвішим, ніж його вплив на споживання енергії.
Як ШІ розуміє людську мову? За допомогою трьох способів логічних міркувань
Поточна модель глибокого навчання, особливо широкомасштабна мовна модель, яка з’явилася нещодавно, все ще є «технологією чорної скриньки». Хоча великі мовні моделі добре справляються з багатьма завданнями в обробці природної мови, нам все ще потрібно знайти метод, який можна інтерпретувати.
У науковій роботі ми зазвичай звикли пов’язувати явища з іншими речами, і якщо ми можемо описати їх у стислій та красивій формулі, ми можемо показати, що розуміємо. Однак, судячи з інтерпретації поточної моделі великої мови, включаючи нейронні мережі, її параметри будуть дуже випадковими, і якщо параметри змінюватися дуже незначно, результати також сильно зміняться. Хоча ці параметри відіграють певну роль в архітектурі, їх точні механізми не повністю зрозумілі. Ми не можемо описати їх простими алгебраїчними моделями, і в цьому сенсі це не краще зрозуміло.
Ми, звичайні люди (непрофесіонали), не звикли використовувати багато чисел для опису зв’язку між двома речами та того, як зміна кожного числа призводить до результату. Коли стосунки незрозумілі, ми вважаємо, що держава ще не дійшла до точки порозуміння. Тому люди часто плутають поняття і думають, що великі мовні моделі або нейронні мережі ще не зрозумілі. Насправді вони не зовсім незрозумілі, просто ми не знайшли задовольняючого способу, яким ми звикли їх розуміти.
Наразі GPT більшою мірою базується на навчанні великих даних. Головний спосіб – це навчитися оцінювати відповідь, яку ми, швидше за все, хочемо, на основі ймовірності. Чи є його поточна форма міркування здійсненною та надійною, ми можемо поглянути на це з цих аспектів :
Перш за все, можлива відповідь дається на основі максимальної ймовірності. Метод із залученням нейронної мережі та байєсівської статистики на рівні алгоритму є логікою, яку використовує GPT у фоновому режимі, і він правильний.
Крім того, коли йдеться про логічне міркування, ми можемо розділити логічне міркування на три різні режими, не обмежуючись логічними смугами.
Коли ми, люди, сприймаємо світ, існує три різні способи:
Перший — це дедуктивне міркування, яке веде до строго правильних висновків. Машина може виконувати дедуктивні міркування набагато швидше, ніж ми, оскільки вона базується на чотирьох фундаментальних принципах класичної логіки: законі абсолютної тотожності, законі протиріччя, законі виключеної середини та законі причинності. **
На основі цих чотирьох принципів можна зробити детерміновані висновки. Однак проблема з детермінованими висновками полягає в тому, що в логіці це називається тавтологією, тобто відомий факт, висловлений знову іншим способом. З точки зору дедуктивного міркування, відповідь уже міститься в усіх ваших припущеннях, вона просто виражена іншим способом.
Одна річ, яку ми повинні зрозуміти, полягає в тому, що насправді для цього була розроблена машина Тьюрінга, це класична машина дедуктивної логіки. У 1936 році британський математик Тьюрінг опублікував важливу статтю «Про обчислювані числа та їх застосування до проблем вирішення», відзначивши народження машини Тюрінга. Робота машини Тьюринга дуже схожа на процес мислення наших письмових обчислень. Модель машини Тьюрінга, безумовно, є найбільш широко використовуваною класичною обчислювальною моделлю, а не однією з них.
На сьогоднішній день штучний інтелект все ще базується на машинах Тюрінга. Те, що машини Тьюрінга не можуть зробити, незалежно від потужності сучасних комп’ютерів, не можуть цього зробити. Це одна з основ нашого мислення про розподіл праці між людьми та ШІ. **
**Другий режим називається індукційним. **Індукція — це процес спостереження за кількома подіями та виявлення їхніх спільних характеристик, а також узагальнення їх у нові знання. Однак індукція не може бути досягнута за допомогою суворої логіки, оскільки неможливо вичерпати всі можливості. Тому може бути так звана «подія чорного лебедя», тобто ми спостерігаємо, що лебеді в Європі та Америці всі білі, і таким чином робимо висновок, що лебеді повинні бути білими. Але коли ми виявляємо, що в Австралії є чорний лебідь, метод індукції не може дати абсолютно правильний висновок, тому що він не може охопити всі можливості. Машини обмежені в цьому плані і не можуть вийти за межі індукції, але люди можуть. Однак ми також повинні розуміти, що цей висновок може бути скасований, чого й прагне сучасна наука.
Третій спосіб – це аналогія, тобто вільний спосіб міркування шляхом асоціювання одного предмета з іншим. Наприклад, коли ми думаємо про структуру ДНК, якщо ми не знаємо, як вона виглядає, і бачимо уві сні двох змій, які переплітаються, ми можемо думати про структуру ДНК. Насправді структура подвійної спіралі ДНК дійсно «покрита» таким чином. Але для комп’ютерів, заснованих на дедуктивній логіці, цього досягти неможливо. Аналогія — менш строгий спосіб міркування, але як люди ми можемо її використовувати.
З цих трьох режимів ми можемо зробити висновок, що машини набагато ефективніші, ніж люди, у виконанні дедуктивної логіки, оскільки вони працюють на машинах Тьюрінга і є повними комп’ютерними системами. Однак машини не можуть генерувати нові знання, а люди повинні отримати нові знання за допомогою вільної індукції чи аналогії. Ці погляди необхідно демонструвати крок за кроком за допомогою дедуктивних методів і, нарешті, трансформувати у відносно стійке знання.Когнітивні машини не можуть перевершити людей у отриманні нових знань. І коли ми говоримо, що машина не може цього зробити, це означає, що машина не може впоратися з цим з інших областей, окрім суворої дедуктивної логіки, і ці сфери є саме тими, з чим можуть впоратися люди.
Це фактично передбачає обговорення поділу праці між людьми та машинами. Незалежно від того, чи йдеться про штучний інтелект чи машини, усі вони розроблені на основі машин Тьюрінга, і проблеми, згадані вище, неминучі. Поточний розвиток штучного інтелекту базується на машинах Тьюрінга. Якщо штучний інтелект не може виконувати певні завдання, це може бути пов’язано з обмеженнями розробки апаратного забезпечення, такими як закон Мура, або іншими пов’язаними обмеженнями.
Нещодавно Сем Альтман, генеральний директор OpenAI, заявив, що кількість глобальних обчислень штучного інтелекту подвоюється кожні 18 місяців. У зв’язку з цим деякі люди вважають, що продуктивність обчислювальної потужності штучного інтелекту продовжить досягати експоненціального покращення. Фактично, ** щодо «закону Мура» та алгоритмів — це дві різні пропозиції. Закон Мура в основному відноситься до розробки апаратного забезпечення, але алгоритм не повністю відповідає законам закону Мура. Через технічні проблеми, пов’язані з обробкою точного обладнання, сьогоднішній закон Мура в певному сенсі сповільнився**, і він передбачає більше проблем у механічній технології. Що стосується розробки алгоритмів, то важко сказати, що вона здійснюється відповідно до закону Мура, і між ними є певні відмінності.
Коли мова йде про закон Мура, ми можемо піти далі, і коли обчислювальний блок досягає атомарного рівня, ми входимо в іншу сферу, яка є квантовими обчисленнями. У галузі квантових обчислень і поєднання нашого прогресу за останні роки ми виявили, що квантові обчислення не є строгою машиною Тьюрінга. Крім того, розробка квантових обчислень на технологічному рівні надто складна, і може знадобитися багато часу, щоб стати справді універсальними з точки зору алгоритмів, таких як машини Тьюрінга. Я вважаю, що нам не потрібно надто турбуватися про це протягом наступних 300 років. Але через 300 років чи станеться ключовий прорив у квантових обчисленнях? Важко сказати, тому що з редукціоністської точки зору наш людський розум має базуватися на якійсь фізичній сутності.
Зараз, згідно з дедалі більшою кількістю ознак**, наш спосіб мислення не еквівалентний способу мислення комп’ютерів Тьюрінга. **Але згідно з нашими поточними знаннями, зараз у нас є лише два варіанти – лише класична машина Тьюрінга та нещодавно з’явився квантовий комп’ютер, але третього вибору в майбутньому може не бути.
Якщо ми в основному встановили, що людський мозок не складається з класичної машини Тьюрінга, то це може бути квантовий комп’ютер. Однак здатність квантових комп’ютерів створювати шаблони мислення, схожі на людські, залишається незрозумілою. Отже, ми все більше переконуємося, що квантовий комп’ютер — це не машина Тьюрінга, і що його основна логіка інша.
Навчання талантів в епоху GPT: розвивайте сильну здатність до навчання
Ми створюємо машини, які допомагають нам виконувати різні завдання. Тому з точки зору конкретних напрямків кар'єри важко визначити, які роботи не будуть замінені в майбутньому. Оскільки для будь-якої події чи алгоритму, які можна описати, машина Тьюрінга може їх виконати. Як тільки ми описуємо роботу як конкретне завдання, комп’ютер може її виконати, просто залежить від того, наскільки ефективно комп’ютер виконує це завдання.
Насправді, коли ми розглядаємо, чого не можуть виконати машини Тьюрінга, Тюрінг і його математик Гедель вказали на це в 1930-х роках, але вони не привернули достатньо уваги людей у той час. покоління довело, що перцептивне мислення та інтуїція є основними інструментами для нас, людей, щоб зрозуміти світ, а раціональне мислення є інструментом для організації перцептивного мислення. Коротше кажучи,** здатність по-справжньому сприймати світ залишається виключно людською і досягається завдяки нашому власному перцептивному сприйняттю. Це одна з основ того, як ми розуміємо та відрізняємо людей від машин (або ШІ). **
Виходячи з різниці в основних компетенціях, насправді для нас, людей або майбутніх людей, важлива здатність до вдосконалення вимагає сильної здатності до навчання та здатності до адаптації. Лише завдяки цій здатності до навчання люди можуть знайти нові рішення для нових потреб і перетворити їх на власну роботу. Важко детально обговорити кожен із цих аспектів, оскільки здатність до навчання охоплює багато різних областей. Але зараз ми повинні зосередитися на цьому, через освіту змінити те, як ми зараз навчаємо наших студентів.
Наприклад, цього семестру я уникав давати студентам домашні завдання. Я почав розуміти, що ніщо не заважає їм виконувати завдання за допомогою таких інструментів, як GPT, і що відповіді через GPT можуть бути кращими, ніж я очікував, і такі завдання втрачають сенс. Тому я приділяю більше уваги діалогу та взаємодії зі студентами в класі, звертаю увагу на те, як вони розуміють логіку та процес міркування, а не на те, чи можуть вони виконати домашнє завдання.
Крім того, я сподіваюся, що протягом семестру вони виконають відносно систематичне проектне завдання. Сучасна освіта пропагує проектне навчання та навчання через участь у проектах. У процесі цього проекту ми даємо учням зрозуміти, що вони роблять, замість того, щоб навчати їх за допомогою попередніх методів запитань і відповідей, контрольних робіт і домашніх завдань. Люди, які виховуються через проектне навчання, мають більше переваг перед машинами, а не просто відповісти на запитання.
У цьому процесі виникне багато питань, які варто розглянути. Саме тому, що ми думаємо і розуміємо потреби в цій сфері, буде створено велику кількість нових робочих місць і нових напрямків розвитку. Тому, якщо вам доведеться сказати, різниця між людьми та машинами може бути більшою тенденцією, на яку ви справді звернете увагу в майбутньому. Підводячи підсумок, ми зосереджуємося на власних здібностях людини та взаємодії між людиною та машиною, що є дуже широкою областю.
Тенденція розвитку діалогу між людиною та комп’ютером у майбутньому: взаємодія між штучним інтелектом і машинами
Що стосується концепції та бачення майбутнього штучного інтелекту, то важко точно передбачити конкретні тенденції, оскільки це може керувати громадською думкою та вплинути на напрямок капіталовкладень.Деякі погляди лише для обміну та обговорення.
**Я вважаю, що важливою тенденцією є взаємодія між штучним інтелектом і машинами. Зі стрімким розвитком машин і людей нам потрібен інтерфейс або інструмент, щоб з’єднати обидва для досягнення кращого зв’язку. Взаємодія людини з комп’ютером буде дуже важливою технічною галуззю. **
Шукаючи майбутні тенденції, ми повинні приділяти більше уваги як людині, так і машині, а не одному. Нам потрібно глибоко замислитися над можливостями та позиціонуванням людей, це питання вимагає тривалого мислення.
Хоча ми більше обговорювали освітню етику та можливе майбутнє розвитку людей, з технічної точки зору взаємодія людини з комп’ютером може бути сферою з великим потенціалом. Нам потрібно подумати про те, як мати швидший і ефективніший спосіб спілкування між людьми та машинами, не вимагаючи від людей стати професійними моделями-експертами.
Те, чи може взаємодія людини та комп’ютера залучити більше людей до більш швидкої участі та ефективного керування машиною, може вплинути та сприяти швидшому розвитку машини. Оскільки швидкий розвиток машин неминучий у майбутньому, люди також повинні прояснити власні стратегії та позиціонування. Оскільки і люди, і машини повинні співіснувати на землі, ми повинні мати особливо гармонійний, зручний і ефективний спосіб взаємодії. Для реалізації такого типу взаємодії може знадобитися багато нових технологій.
Загалом, ми не хочемо в майбутньому стати «рабами машин», тому маємо думати про позиціонування людей. У сфері освіти популярність GPT також породила для мене важливі виклики та думки: «Студенти, яких виховує традиційна модель освіти, більше схожі на машини чи людей?» «Як нам навчатися, щоб нас не замінили А.І.? «Ці питання суттєво скеровують наші серйозні дискусії сьогодні. Як викладачі, ми не хочемо, щоб те, чого ми навчаємо студентів сьогодні або випускаємо студентів, через 10 чи 20 років побачили, що їхню роботу замінили комп’ютери, вони залишилися без роботи або змушені змінити роботу.
**Людське мислення є вільним, творчим і доступним для спілкування. По суті, те, що нам потрібно розвивати, — це спосіб культивування інноваційних технічних талантів із звичками навчання протягом усього життя. **
Переглянути оригінал
Контент має виключно довідковий характер і не є запрошенням до участі або пропозицією. Інвестиційні, податкові чи юридичні консультації не надаються. Перегляньте Відмову від відповідальності , щоб дізнатися більше про ризики.
Інтерпретація Ма Чжаоюань AIGC: вітчизняні компанії хочуть наздогнати OpenAI цього року? не менше 4-5 років
Текст: Лі Хайдан, Tencent Technology
**【Примітка редактора】**Останніми місяцями капітал віддав перевагу AIGC, ChatGPT став популярним, а великі вітчизняні технологічні гіганти та стартапи вийшли на ринок одна за одною. Штучний інтелект тихо впливає на всі сфери життя. Це вже не проста технологічна еволюція, а стане революцією.
Хоча вибух додатків штучного інтелекту здається раптовим, за кадром вчені зазнали незліченних невдач і накопичення досвіду. Так само, як наш запрошений спікер ** Ма Чжаоюань (професор Південного університету науки і техніки, член Британського товариства фізики, британський королівський дипломований інженер, колишній головний дослідник лабораторії майбутнього Університету Цінхуа)** у книзі «The Неможливість штучного інтелекту» Згадується: «Кожен дюйм прогресу потребує наполегливої щоденної роботи та накладання різноманітних невизначеностей».
Фактично, у довгій історії науки і техніки ця технологічна революція є лише першим кроком, який приведе людство до «ери генеративного ШІ». Поки що ще потрібно звернути увагу на багато існуючих проблем і протиріч. Наприклад: під хвилею технологій, очолюваних OpenAI, чи зможе Китай швидко наздогнати згаяне? Які зміни принесе ця технологічна революція суспільству та промисловій структурі? Чи замінять машини людину в майбутньому? Як розвивати освіту талантів у Китаї в таку епоху швидкої технологічної ітерації?
У цьому випуску «AI Future Guide North» компанія Tencent Technology взяла інтерв’ю у Ма Чжаоюаня. Він поділився різними думками та поглядами на ці проблеми. Ми зібрали ці 4D пам’ятні речі в статтю, щоб досліджувати, вивчати та думати разом із користувачами мережі. Значення штучного інтелекту до людей.
Не турбуйтеся про те, чи стануть люди «рабами машини», гаряча тема — це капітальний ажіотаж
У зв’язку з нещодавнім бумом застосування великих мовних моделей штучного інтелекту та інших продуктів багато людей стурбовані тим, що розвиток штучного інтелекту принесе певні ризики та проблеми безпеки для людей, а також конфлікти з виживанням людини та суспільства.
Стосовно проблем, які хвилюють людей, я згадав слово під назвою «раб машини».
Ми хвилюємося, що одного разу в майбутньому ми станемо «рабами машин», подібно до деяких сюжетів у фільмі «Робокоп»: одного дня люди будуть управлятися машинами і їм доведеться йти під землю. Протягом усієї цієї боротьби людство зберегло свій бунтарський дух, відновлюючи свої зусилля, щоб відновити контроль над майбутнім і Землею. Зрештою ШІ довелося відправити робота подорожувати крізь час і простір до 1984 року, намагаючись знищити лідера Армії Опору ще до того, як вона народилася, а в майбутньому спалахнули війни між роботами та людьми... Подібні історії , Багато людей можуть мати таку схожу уяву.
Для таких поглядів і хвилювань, я вважаю, це абсолютно зайве. По-перше, судячи з нинішнього рівня технологій, малоймовірно, що роботи чи розумні істоти справді «правитимуть землею», навіть стануть господарями над людьми. Навіть якщо вони справді стануть володарями людей у якийсь момент у майбутньому, знадобиться багато часу, щоб це усвідомити.Нам не потрібно зараз розголошувати це питання, щоб викликати у всіх хвилювання.
Крім того, хоча зараз багато лідерів галузі обговорюють подібні теми. Але я думаю, що певною мірою це може бути зумовлено економічними інтересами та ринком капіталу, що стоїть за цим. **Оскільки капітал повинен спочатку спекулювати на темі, перш ніж отримати від неї прибуток. Наприклад, попередня історична подія в Нідерландах у 17 столітті – «тюльпановий міхур», розкручували вигадану концепцію, яка не мала великої цінності, а потім хтось зібрав з неї цибулю-порей. Але насправді тема може бути не такою страшною, як ми думаємо.
Протягом останніх десяти років ми бачили, що ринок капіталу Китаю представив і розкрутив багато тем, таких як графенові матеріали, потім віртуальна реальність, біткойни, метавсесвіт тощо, а цього року це штучний інтелект. Щороку ми будемо розкручувати новий термін. У цьому процесі капітальні хижаки можуть виграти від цього, а капітал стає все більшим і більшим. Але для звичайного Xiaobai ми просто дотримуємося цих іменників.Якщо ми не розуміємо логіку роботи та реальну ситуацію, ми можемо втратити майже всі гроші в наших кишенях.
Нещодавно ChatGPT вибухнув. Це важливий технологічний прогрес, **по суті, він змінив те, як ми, люди, взаємодіємо з комп’ютерами. **Якщо ви хочете говорити про революцію, з точки зору шаблону випуску в галузі, GPT змінив долю OpenAI, Microsoft і Google. Зараз Google дуже хвилюється через зростання GPT. Поява GPT значно підвищила точність і ефективність пошуку людей. Раніше, коли ми використовували Google для пошуку, домашня сторінка Google відображала всі можливі веб-сторінки, пов’язані з нею, можуть бути сотні сторінок або навіть десятки тисяч результатів. Але поточна модель може точніше зрозуміти запитання користувача та дати найбільш ймовірну відповідь, що значно покращує здатність пошуку інформації. Далі це може змінити наш режим роботи, особливо в обробці файлів і зборі даних, що може значно підвищити ефективність нашої роботи.
Але коли мова заходить про те, чи переросте він у загальний штучний інтелект, це ще дуже далеко від нинішньої точки зору. Як згадувалося в моїй книзі (посилаючись на «Неможливість штучного інтелекту»): між загальним штучним інтелектом і людьми існує суттєвий і критичний розрив, і існуючі технології ШІ не можуть подолати цей розрив. Що стосується причини, то вона буде згадана нижче (частина 06).
Внутрішньому ринку бракує менталітету побудови екосистеми, і щоб наздогнати OpenAI, знадобиться щонайменше 4-5 років
Ми спостерігали запуск і запуск багатьох великих мовних моделей продуктів. Наприклад, популярний ChatGPT працює дуже добре. Багато великих компаній у Китаї також наслідують цей приклад і запускають багато подібних продуктів.
Наприклад, якась компанія запускає продукт, а через кілька днів інша компанія випускає схожий продукт, який дешевший і підходить для китайського середовища, все розкручують подібним контентом. Я думаю, що багатьом великим вітчизняним компаніям не вистачає менталітету будувати екосистему, і вони прагнуть швидко заробити гроші.Як тільки з’явиться новий термін, вони швидко підуть.
Таке подальше явище є дуже несприятливим для розвитку національної чи регіональної економіки. Якщо ми продовжуватимемо переслідувати тенденції, ми можемо ніколи не наздогнати їх. Наприклад, протягом останніх десяти років Microsoft зосереджувалася на дослідженнях, але не зробила значних проривів в інших галузях і була фактично придушена іншими компаніями, що вимагає великої невизначеності та тиску. Корпорація Майкрософт «стримувала» протягом десяти років. Завдяки її фінансовим ресурсам, можливостям досліджень і розробок і стратегіям ділової співпраці ми нарешті побачили запуск ChatGPT і відповідних нових продуктів. Знадобилося багато часу, щоб створити «точку вибуху» , і ми очікуємо миттєво. Нереалістично очікувати, що компанія зможе досягти радикальних змін.
Чи може бути так, що ці компанії є особливими «талановитими гравцями», яким потрібно лише кілька місяців або рік чи два, щоб виконати ту саму роботу, на виконання якої іншим потрібно десять років? Чи ці компанії не знають про ці проблеми, які ми розглядаємо? Вам також потрібне запитання про ажіотаж, щоб підштовхнути фондовий ринок і ціни на акції? Усе це вимагає від простих людей, таких як ми, ретельно подумати, подумати, чи варто нам наслідувати цей приклад, і прийняти відповідні інвестиційні рішення.
** Щодо стану економічного розвитку країни, то якщо слідкувати за тенденцією, то, можливо, ніколи не наздоженеш тих, хто біг першими. Замість цього треба думати, як здійснити взаємне екологічне співбудівництво, виходячи з наявних можливостей. Над цим питанням варто задуматися вітчизняним техногігантам. **
Наведу приклад: за останні 40 років Китай досяг значних успіхів у будівництві інфраструктури. Наприклад, китайська високошвидкісна залізниця розвинулась дуже добре, і вона стала високошвидкісною залізничною системою, яку потрібно розглядати в усьому світі, і це стало візитною карткою Китаю. Як інший приклад, у галузі зв’язку та комп’ютерної промисловості 5G у Китаї вже є найпотужнішим у світі. У цих галузях ми маємо деякі переваги, і базова конструкція була виконана дуже добре. Зараз ми також можемо побудувати деякі можливості та напрямки екологічного розвитку на цих фундаментах, щоб мати більші переваги.
Ми можемо уявити, що, виходячи з наших переваг, у найближчі 10-20 років, якщо деякі країни Європи та США монополізують деякі технічні напрямки, ми також можемо увійти в стан «взаємно застряглих ший» на основі наших провідних галузей. Завоювати позицію на переговорах. Повертаючись до технологій, незалежно від того, чи хочуть вітчизняні компанії наздогнати GPT чи Bing, вони можуть базуватися на досвіді «попередників»,** ми можемо прискорити швидкість досліджень і розробок, але якщо ми наздоженемо той самий рівень, це може зайняти щонайменше 4-5 років. **Крім того, нам також потрібно подумати: навіть якщо ми наздоженемо через кілька років, чи минув цей порив вітру? А сам Microsoft або Open AI також постійно зростає, став «біг-маком»?
**Загалом інвестиції в тенденції – це фактично марна трата грошей, часу та таланту. Для учасників, окрім посилення паніки та занепокоєння, вони можуть не отримати жодних переваг, і це лише дозволить капіталу отримати частину інтересів інвесторів у процесі слідування тренду. **
Штучний інтелект не призведе до того, що велика кількість людей залишиться без роботи, а професії будь-якої епохи повинні створюватися людьми
Окрім теорії загрози ШІ, людей більше хвилює вплив ШІ на зайнятість.
Сильно антропоморфна природа ChatGPT спровокувала хвилю галузевих криз, і багато людей почали хвилюватися, чи це вплине на їхню галузь чи навіть втратить роботу. З поточної точки зору, деякі робочі місця можуть постраждати в короткостроковій перспективі, але це не порушить довгострокову стабільність суспільства.
З точки зору кар’єрного розвитку, чи призведе революція штучного інтелекту до скорочення чисельності населення та робочої сили? Відповідь - ні.
Наприклад, під час промислової революції, приблизно між 18 і 19 століттями, однією з найбільших змін було зменшення чисельності сільськогосподарського населення. На початку промислової революції або до її початку понад 95% населення планети було зайнято сільськогосподарською працею, і лише невелика частина була правителями чи священиками. У той час переважна більшість людей були переважно фермери.
Зараз ситуація інша.Візьмемо для прикладу розвинені країни, наприклад, у США менше 2% населення зайнято в сільському господарстві. Більше 90% населення в середині змінили виробничий зміст. Хоча деякі робочі місця зникли, ці люди не зникли, натомість населення збільшилося. Судячи з впливу на людське суспільство, такі зміни не спричинили тривалого безробіття і навіть не вплинули на нестабільність людського суспільства.Багато людей просто змінили роботу, якою вони займалися, і змінився спосіб виробництва людей. Хоча це може призвести до значного скорочення або навіть зникнення деяких робочих місць, але також через цю зміну буде викликаний і доданий більший попит на інші робочі місця.
Як інший приклад ми згадали англійське слово під назвою «Computer». Коли ми чуємо це слово, може спадати на думку машина, але 70 років тому слово «комп’ютер» означало щось інше, ніж сьогодні. У той час це стосувалося людей, які працюють над обчислювальною технікою, подібною до Манхеттенського проекту.
У той час не було комп’ютерів і настільних комп’ютерів, як ті, які ми використовуємо зараз, але виконання величезних проектів вимагало багато розрахунків, тому компанія, яка відповідала за цей проект, найняла кількох молодих і обережних жінок для використання слайдів. правила в спеціальній кімнаті Виконуючи багато обчислювальної роботи зі скретч-папером, цих жінок називають «комп’ютерами».
Термін «комп’ютер» був придуманий для людей, які працюють у сфері обчислювальної техніки, маючи на увазі працівників, які багато працюють в офісах. Пізніше, з появою комп’ютера, і до цього дня, коли ми говоримо про «комп’ютер», ми знаємо, що це стосується комп’ютера, а не жінок, які працюють у комп’ютерній сфері. Таким чином, значення слова "комп'ютер" повністю змінилося, і воно стало позначати чисті машини.
**Таким чином, оскільки машини стають більш продуктивними в певних сферах, вони можуть замінити деякі з наших людських робочих місць, що призведе до зникнення деяких робочих місць. Однак ці люди насправді не зникають, вони переходять на більш складну роботу чи інші потреби. **
**Однією з найбільших характеристик людини є постійне впровадження інновацій і створення нових потреб. **Ці нові потреби спонукатимуть людей створювати нові робочі місця. Нам не потрібно панікувати чи надто турбуватися про безробіття. Протягом історії людського суспільства ми адаптувалися та реагували на ці зміни. У нас є можливість постійно створювати та адаптуватися до нових робочих умов і можливостей працевлаштування.
З точки зору професійних технічних вимог, з розробкою широкомасштабних модельних мовних додатків виконання завдань програмування стане легшим і простішим. Наприклад, за допомогою таких інструментів, як ChatGPT, нам потрібно лише запропонувати, що ми хочемо зробити, і поставити чітке завдання, а GPT допоможе нам виконати решту роботи. Наприклад, ми можемо напряму запитати GPT, і він використовуватиме свої можливості програмування та пошуку для безпосереднього створення коду. Таким чином, така система, як Python, може більше не знадобитися. Коротше кажучи, потрібно просто описувати вимоги та переходити до реалізації описаних способів.
**Крім того, судячи з цієї тенденції, ступінь автоматизації програмування в майбутньому буде ставати все вищим і вищим. **Це схоже на мову асемблера, яку я вивчив, коли вивчав програмування. Тепер більшість молодих людей, можливо, більше не знають, як її писати. Це та сама причина.
Мова асемблера — це мова високого рівня між людською мовою та машинною мовою, яка включає асемблер і пряме програмування машинною мовою. Після мови асемблера з’явилися такі мови, як C, C++ і Java, а потім поступово розвинулися до таких мов, як Python. Коли я спілкуюся зі студентами, я бачу, що Python є дуже вільною мовою для тих із нас, хто вивчав C, але він став улюбленим інструментом для студентів, які більше не звикли використовувати C. Під впливом деяких теоретичних систем у різних інженерів все ще є відмінності в зрозумілості ШІ. І нам все ще можуть знадобитися деякі професіонали, щоб постійно вдосконалювати систему у фоновому режимі, тож як уніфікувати стандарти зрозумілості, щоб отримати бажані результати.
Загалом, ** незалежно від того, в яку епоху нові потреби створюються нами, людьми. **Ми не можемо прийняти статичний спосіб мислення, який зосереджується на заміні та конфлікті для людей. Якщо на землі є лише обмежені робочі місця та потреби, коли машини візьмуть на себе цю роботу, ми, люди, можемо втратити сенс існування. Але насправді найголовніше в тому, щоб бути людьми, — це наша здатність постійно створювати нові потреби та задовольняти ці потреби через людей.
Конкуренція з штучним інтелектом безглузда, більше уваги слід приділяти його політичним обмеженням і управлінню ризиками
Зараз і Китай, і Сполучені Штати почали запроваджувати деякі відповідні механізми регулювання. Технологічний розвиток у будь-який період вимагає певних політичних обмежень та управління ризиками.
Візьмемо як приклад історію автомобіля. До 1900 року було дуже мало автомобілів, їх могли собі дозволити лише дуже багаті, і вони не мали особливого впливу на суспільство. Крім того, швидкість автомобіля невисока, наприклад, він може їхати лише понад десять кілометрів на годину, тому він мало чим відрізняється від ходьби, тому не потрібно встановлювати для нього занадто багато правил, просто дозвольте це розвивається.
Однак із запровадженням конвеєрного виробництва компанією Ford Motor, вартість автомобілів значно знизилася, звичайні люди можуть їздити, а кількість автомобілів значно зросла. Швидкість автомобілів також зросла з понад десяти кілометрів на годину до сотень кілометрів на годину. У цей час автомобілі можуть стати небезпечними та спричинити деякі проблеми з безпекою. Тому ми, люди, повинні сформулювати правила для автомобілів. Наприклад, спроектуйте для нього спеціальні дороги, він вже не може змішуватися з пішоходами, та ще й шосе для нього потрібно будувати, а на дорогах, де їздять люди, поставити світлофори, світлофори і т.д., всі ці правила виникли.
Так само ми розробляємо машину, щоб дозволити їй збирати та організовувати дані з високою швидкістю, а також виконувати швидкі висновки та логічне мислення. Так само, як ми розробляємо автомобілі, щоб їздити швидко. Коли машина з’являється, нам не потрібно змагатися з нею, щоб побачити, хто швидше.
Тому, коли комп’ютер має такі потужні можливості зіставлення та обробки даних, безглуздо конкурувати з його досвідом у певній галузі. Нам потрібно більше встановлювати для нього правила.
Наприклад, технологія «Midjoury», на яку нещодавно звернули увагу представники індустрії, може використовуватися для генерації зображень та імітації голосу, і навіть може створювати новини. Отже, коли цей відеоконтент і новини поширюються в Інтернеті, як їх регулювати та як забезпечити їх достовірність? З часом це стає питанням розробки правил. Формулювання цих правил робить те, як люди та машини співіснують, справжньою проблемою.
Ці проблеми вимагають від нас почати думати вже сьогодні та досягти консенсусу. Тепер, коли вже існують автомобілі, Земля є станом симбіозу між людьми та автомобілями. Тому нам потрібно сформулювати правила дорожнього руху, щоб забезпечити співіснування людей і автомобілів у містах чи певних середовищах. У цьому процесі правилам повинні підкорятися не лише машини, а й люди.
Розвиток штучного інтелекту потребуватиме споживання енергії та ресурсів, але він гідний визнання за підвищення ефективності роботи людей
У цьому інтерв’ю було згадано питання енергетичної структури: з точки зору промислової економічної структури, з вибуховим зростанням AIGC, потрібна більша обчислювальна потужність, а також більше електроенергії та гідравлічної підтримки. Чи це так? Чи призведе це до змін у плані суміжних країн чи глобальної енергетичної структури?
Це те, що обов'язково станеться. Коли виникають нові індустріальні структури та вимоги, це неминучий результат.Проблема полягає в тому, як організувати та налаштувати. Якщо штучний інтелект споживає обчислювальну потужність, він повинен забезпечити достатньо енергії для цього. У цьому енергетичному процесі він передбачає врахування зеленої землі та структури споживання енергії.Я думаю, що це не особливо пов’язано з розвитком ШІ, а природна ситуація.
Згідно з відповідними даними, сумарне річне споживання енергії хмарними центрами Китаю може бути еквівалентним виробленню електроенергії двома електростанціями Three Gorges (споживання ресурсів хмарними центрами не обмежується підтримкою ШІ, і навіть частка послуг ШІ є відносною). маленький). Зі збільшенням обсягу обчислень попит на електроенергію зростає далі. На додаток до надання нових енергетичних добавок, нам також потрібно розглянути, як підвищити енергоефективність, що насправді є відносно складним питанням. З точки зору енергозбереження треба робити розрахунки, потрібно робити охолодження. Однак у поєднанні з поточною внутрішньою ситуацією через швидкий розвиток за останні кілька років половина енергії, яку ми постачаємо в центр обробки даних, використовується для розсіювання тепла. Це те, що ми повинні враховувати.
Як нам вирішити та уникнути проблеми необґрунтованого використання та розподілу ресурсів? Дозвольте мені навести ще один приклад: після того, як Google придбала Deepmind, команду Deepmind попросили зробити одну річ, тобто налаштувати хмарний центр Google для енергозбереження за допомогою підкріпленого навчання та багатьох інших алгоритмів ШІ. Це фактично допомогло Google зменшити споживання енергії майже на 50%. Таким чином, майже 100% електроенергії в хмарному центрі Google використовується для обчислень, і лише дуже мала частина (менше приблизно 5%) використовується для охолодження. Таким чином, ця форма оптимізації значно економить енерговитрати хмарного центру Google.
Отже, якщо ми зможемо досягти рівня ефективності, подібного до використання хмарного центру Google, і врахувати подвійний вуглець і зелену енергію, яку підтримує весь світ, ми все одно можемо подумати про те, як ефективно використовувати енергію в майбутньому.
Слід зазначити, що в цьому питанні ми обговорюємо лише енергоспоживання. Загалом штучний інтелект справді може допомогти нам значно підвищити ефективність використання. Після його широкого використання можливе підвищення ефективності буде набагато суттєвішим, ніж його вплив на споживання енергії.
Як ШІ розуміє людську мову? За допомогою трьох способів логічних міркувань
Поточна модель глибокого навчання, особливо широкомасштабна мовна модель, яка з’явилася нещодавно, все ще є «технологією чорної скриньки». Хоча великі мовні моделі добре справляються з багатьма завданнями в обробці природної мови, нам все ще потрібно знайти метод, який можна інтерпретувати.
У науковій роботі ми зазвичай звикли пов’язувати явища з іншими речами, і якщо ми можемо описати їх у стислій та красивій формулі, ми можемо показати, що розуміємо. Однак, судячи з інтерпретації поточної моделі великої мови, включаючи нейронні мережі, її параметри будуть дуже випадковими, і якщо параметри змінюватися дуже незначно, результати також сильно зміняться. Хоча ці параметри відіграють певну роль в архітектурі, їх точні механізми не повністю зрозумілі. Ми не можемо описати їх простими алгебраїчними моделями, і в цьому сенсі це не краще зрозуміло.
Ми, звичайні люди (непрофесіонали), не звикли використовувати багато чисел для опису зв’язку між двома речами та того, як зміна кожного числа призводить до результату. Коли стосунки незрозумілі, ми вважаємо, що держава ще не дійшла до точки порозуміння. Тому люди часто плутають поняття і думають, що великі мовні моделі або нейронні мережі ще не зрозумілі. Насправді вони не зовсім незрозумілі, просто ми не знайшли задовольняючого способу, яким ми звикли їх розуміти.
Наразі GPT більшою мірою базується на навчанні великих даних. Головний спосіб – це навчитися оцінювати відповідь, яку ми, швидше за все, хочемо, на основі ймовірності. Чи є його поточна форма міркування здійсненною та надійною, ми можемо поглянути на це з цих аспектів :
Перш за все, можлива відповідь дається на основі максимальної ймовірності. Метод із залученням нейронної мережі та байєсівської статистики на рівні алгоритму є логікою, яку використовує GPT у фоновому режимі, і він правильний.
Крім того, коли йдеться про логічне міркування, ми можемо розділити логічне міркування на три різні режими, не обмежуючись логічними смугами.
Коли ми, люди, сприймаємо світ, існує три різні способи:
Перший — це дедуктивне міркування, яке веде до строго правильних висновків. Машина може виконувати дедуктивні міркування набагато швидше, ніж ми, оскільки вона базується на чотирьох фундаментальних принципах класичної логіки: законі абсолютної тотожності, законі протиріччя, законі виключеної середини та законі причинності. **
На основі цих чотирьох принципів можна зробити детерміновані висновки. Однак проблема з детермінованими висновками полягає в тому, що в логіці це називається тавтологією, тобто відомий факт, висловлений знову іншим способом. З точки зору дедуктивного міркування, відповідь уже міститься в усіх ваших припущеннях, вона просто виражена іншим способом.
Одна річ, яку ми повинні зрозуміти, полягає в тому, що насправді для цього була розроблена машина Тьюрінга, це класична машина дедуктивної логіки. У 1936 році британський математик Тьюрінг опублікував важливу статтю «Про обчислювані числа та їх застосування до проблем вирішення», відзначивши народження машини Тюрінга. Робота машини Тьюринга дуже схожа на процес мислення наших письмових обчислень. Модель машини Тьюрінга, безумовно, є найбільш широко використовуваною класичною обчислювальною моделлю, а не однією з них.
На сьогоднішній день штучний інтелект все ще базується на машинах Тюрінга. Те, що машини Тьюрінга не можуть зробити, незалежно від потужності сучасних комп’ютерів, не можуть цього зробити. Це одна з основ нашого мислення про розподіл праці між людьми та ШІ. **
**Другий режим називається індукційним. **Індукція — це процес спостереження за кількома подіями та виявлення їхніх спільних характеристик, а також узагальнення їх у нові знання. Однак індукція не може бути досягнута за допомогою суворої логіки, оскільки неможливо вичерпати всі можливості. Тому може бути так звана «подія чорного лебедя», тобто ми спостерігаємо, що лебеді в Європі та Америці всі білі, і таким чином робимо висновок, що лебеді повинні бути білими. Але коли ми виявляємо, що в Австралії є чорний лебідь, метод індукції не може дати абсолютно правильний висновок, тому що він не може охопити всі можливості. Машини обмежені в цьому плані і не можуть вийти за межі індукції, але люди можуть. Однак ми також повинні розуміти, що цей висновок може бути скасований, чого й прагне сучасна наука.
Третій спосіб – це аналогія, тобто вільний спосіб міркування шляхом асоціювання одного предмета з іншим. Наприклад, коли ми думаємо про структуру ДНК, якщо ми не знаємо, як вона виглядає, і бачимо уві сні двох змій, які переплітаються, ми можемо думати про структуру ДНК. Насправді структура подвійної спіралі ДНК дійсно «покрита» таким чином. Але для комп’ютерів, заснованих на дедуктивній логіці, цього досягти неможливо. Аналогія — менш строгий спосіб міркування, але як люди ми можемо її використовувати.
З цих трьох режимів ми можемо зробити висновок, що машини набагато ефективніші, ніж люди, у виконанні дедуктивної логіки, оскільки вони працюють на машинах Тьюрінга і є повними комп’ютерними системами. Однак машини не можуть генерувати нові знання, а люди повинні отримати нові знання за допомогою вільної індукції чи аналогії. Ці погляди необхідно демонструвати крок за кроком за допомогою дедуктивних методів і, нарешті, трансформувати у відносно стійке знання.Когнітивні машини не можуть перевершити людей у отриманні нових знань. І коли ми говоримо, що машина не може цього зробити, це означає, що машина не може впоратися з цим з інших областей, окрім суворої дедуктивної логіки, і ці сфери є саме тими, з чим можуть впоратися люди.
Це фактично передбачає обговорення поділу праці між людьми та машинами. Незалежно від того, чи йдеться про штучний інтелект чи машини, усі вони розроблені на основі машин Тьюрінга, і проблеми, згадані вище, неминучі. Поточний розвиток штучного інтелекту базується на машинах Тьюрінга. Якщо штучний інтелект не може виконувати певні завдання, це може бути пов’язано з обмеженнями розробки апаратного забезпечення, такими як закон Мура, або іншими пов’язаними обмеженнями.
Нещодавно Сем Альтман, генеральний директор OpenAI, заявив, що кількість глобальних обчислень штучного інтелекту подвоюється кожні 18 місяців. У зв’язку з цим деякі люди вважають, що продуктивність обчислювальної потужності штучного інтелекту продовжить досягати експоненціального покращення. Фактично, ** щодо «закону Мура» та алгоритмів — це дві різні пропозиції. Закон Мура в основному відноситься до розробки апаратного забезпечення, але алгоритм не повністю відповідає законам закону Мура. Через технічні проблеми, пов’язані з обробкою точного обладнання, сьогоднішній закон Мура в певному сенсі сповільнився**, і він передбачає більше проблем у механічній технології. Що стосується розробки алгоритмів, то важко сказати, що вона здійснюється відповідно до закону Мура, і між ними є певні відмінності.
Коли мова йде про закон Мура, ми можемо піти далі, і коли обчислювальний блок досягає атомарного рівня, ми входимо в іншу сферу, яка є квантовими обчисленнями. У галузі квантових обчислень і поєднання нашого прогресу за останні роки ми виявили, що квантові обчислення не є строгою машиною Тьюрінга. Крім того, розробка квантових обчислень на технологічному рівні надто складна, і може знадобитися багато часу, щоб стати справді універсальними з точки зору алгоритмів, таких як машини Тьюрінга. Я вважаю, що нам не потрібно надто турбуватися про це протягом наступних 300 років. Але через 300 років чи станеться ключовий прорив у квантових обчисленнях? Важко сказати, тому що з редукціоністської точки зору наш людський розум має базуватися на якійсь фізичній сутності.
Зараз, згідно з дедалі більшою кількістю ознак**, наш спосіб мислення не еквівалентний способу мислення комп’ютерів Тьюрінга. **Але згідно з нашими поточними знаннями, зараз у нас є лише два варіанти – лише класична машина Тьюрінга та нещодавно з’явився квантовий комп’ютер, але третього вибору в майбутньому може не бути.
Якщо ми в основному встановили, що людський мозок не складається з класичної машини Тьюрінга, то це може бути квантовий комп’ютер. Однак здатність квантових комп’ютерів створювати шаблони мислення, схожі на людські, залишається незрозумілою. Отже, ми все більше переконуємося, що квантовий комп’ютер — це не машина Тьюрінга, і що його основна логіка інша.
Навчання талантів в епоху GPT: розвивайте сильну здатність до навчання
Ми створюємо машини, які допомагають нам виконувати різні завдання. Тому з точки зору конкретних напрямків кар'єри важко визначити, які роботи не будуть замінені в майбутньому. Оскільки для будь-якої події чи алгоритму, які можна описати, машина Тьюрінга може їх виконати. Як тільки ми описуємо роботу як конкретне завдання, комп’ютер може її виконати, просто залежить від того, наскільки ефективно комп’ютер виконує це завдання.
Насправді, коли ми розглядаємо, чого не можуть виконати машини Тьюрінга, Тюрінг і його математик Гедель вказали на це в 1930-х роках, але вони не привернули достатньо уваги людей у той час. покоління довело, що перцептивне мислення та інтуїція є основними інструментами для нас, людей, щоб зрозуміти світ, а раціональне мислення є інструментом для організації перцептивного мислення. Коротше кажучи,** здатність по-справжньому сприймати світ залишається виключно людською і досягається завдяки нашому власному перцептивному сприйняттю. Це одна з основ того, як ми розуміємо та відрізняємо людей від машин (або ШІ). **
Виходячи з різниці в основних компетенціях, насправді для нас, людей або майбутніх людей, важлива здатність до вдосконалення вимагає сильної здатності до навчання та здатності до адаптації. Лише завдяки цій здатності до навчання люди можуть знайти нові рішення для нових потреб і перетворити їх на власну роботу. Важко детально обговорити кожен із цих аспектів, оскільки здатність до навчання охоплює багато різних областей. Але зараз ми повинні зосередитися на цьому, через освіту змінити те, як ми зараз навчаємо наших студентів.
Наприклад, цього семестру я уникав давати студентам домашні завдання. Я почав розуміти, що ніщо не заважає їм виконувати завдання за допомогою таких інструментів, як GPT, і що відповіді через GPT можуть бути кращими, ніж я очікував, і такі завдання втрачають сенс. Тому я приділяю більше уваги діалогу та взаємодії зі студентами в класі, звертаю увагу на те, як вони розуміють логіку та процес міркування, а не на те, чи можуть вони виконати домашнє завдання.
Крім того, я сподіваюся, що протягом семестру вони виконають відносно систематичне проектне завдання. Сучасна освіта пропагує проектне навчання та навчання через участь у проектах. У процесі цього проекту ми даємо учням зрозуміти, що вони роблять, замість того, щоб навчати їх за допомогою попередніх методів запитань і відповідей, контрольних робіт і домашніх завдань. Люди, які виховуються через проектне навчання, мають більше переваг перед машинами, а не просто відповісти на запитання.
У цьому процесі виникне багато питань, які варто розглянути. Саме тому, що ми думаємо і розуміємо потреби в цій сфері, буде створено велику кількість нових робочих місць і нових напрямків розвитку. Тому, якщо вам доведеться сказати, різниця між людьми та машинами може бути більшою тенденцією, на яку ви справді звернете увагу в майбутньому. Підводячи підсумок, ми зосереджуємося на власних здібностях людини та взаємодії між людиною та машиною, що є дуже широкою областю.
Тенденція розвитку діалогу між людиною та комп’ютером у майбутньому: взаємодія між штучним інтелектом і машинами
Що стосується концепції та бачення майбутнього штучного інтелекту, то важко точно передбачити конкретні тенденції, оскільки це може керувати громадською думкою та вплинути на напрямок капіталовкладень.Деякі погляди лише для обміну та обговорення.
**Я вважаю, що важливою тенденцією є взаємодія між штучним інтелектом і машинами. Зі стрімким розвитком машин і людей нам потрібен інтерфейс або інструмент, щоб з’єднати обидва для досягнення кращого зв’язку. Взаємодія людини з комп’ютером буде дуже важливою технічною галуззю. **
Шукаючи майбутні тенденції, ми повинні приділяти більше уваги як людині, так і машині, а не одному. Нам потрібно глибоко замислитися над можливостями та позиціонуванням людей, це питання вимагає тривалого мислення.
Хоча ми більше обговорювали освітню етику та можливе майбутнє розвитку людей, з технічної точки зору взаємодія людини з комп’ютером може бути сферою з великим потенціалом. Нам потрібно подумати про те, як мати швидший і ефективніший спосіб спілкування між людьми та машинами, не вимагаючи від людей стати професійними моделями-експертами.
Те, чи може взаємодія людини та комп’ютера залучити більше людей до більш швидкої участі та ефективного керування машиною, може вплинути та сприяти швидшому розвитку машини. Оскільки швидкий розвиток машин неминучий у майбутньому, люди також повинні прояснити власні стратегії та позиціонування. Оскільки і люди, і машини повинні співіснувати на землі, ми повинні мати особливо гармонійний, зручний і ефективний спосіб взаємодії. Для реалізації такого типу взаємодії може знадобитися багато нових технологій.
Загалом, ми не хочемо в майбутньому стати «рабами машин», тому маємо думати про позиціонування людей. У сфері освіти популярність GPT також породила для мене важливі виклики та думки: «Студенти, яких виховує традиційна модель освіти, більше схожі на машини чи людей?» «Як нам навчатися, щоб нас не замінили А.І.? «Ці питання суттєво скеровують наші серйозні дискусії сьогодні. Як викладачі, ми не хочемо, щоб те, чого ми навчаємо студентів сьогодні або випускаємо студентів, через 10 чи 20 років побачили, що їхню роботу замінили комп’ютери, вони залишилися без роботи або змушені змінити роботу.
**Людське мислення є вільним, творчим і доступним для спілкування. По суті, те, що нам потрібно розвивати, — це спосіб культивування інноваційних технічних талантів із звичками навчання протягом усього життя. **