چقدر با هوش مصنوعی عمومی فاصله داریم

امروزه، هوش عمومی مصنوعی (AGI) به یک کلیدواژه کانونی در جوامع علمی و صنعتی تبدیل شده است. همین چند سال پیش، بسیاری بر این باور بودند که دستیابی به AGI حداقل 10 تا 50 سال طول می کشد، یا حتی فکر می کردند غیرممکن است. امروزه چنین دیدگاه های بدبینانه ای نادر است. با این حال، در مقایسه با هیجان عمومی در مورد این موج تغییرات تکنولوژیکی، بسیاری از محققان خط مقدم و رهبران صنعت در زمینه هوش مصنوعی معتقدند که هنوز راه زیادی برای توسعه هوش مصنوعی فعلی به AGI وجود دارد.

به گفته Qi Yuan، استاد برجسته دانشگاه فودان، مدیر موسسه تحقیقاتی هوش مصنوعی شانگهای (SAIRI) و بنیانگذار شرکت مدل بزرگ قابل اعتماد "Infinite Lightyear"، "یکی از عالی ترین جلوه های AGI، کشف چیزهای ناشناخته است. قوانین موجود در دنیای پیچیده به زبان ساده، باید یک "اینشتین" باشد. این امر مستلزم ایجاد مدل‌های بزرگ قابل اعتماد «جعبه خاکستری» است که پیش‌بینی‌های احتمالی «جعبه‌ی سیاه» را با استدلال منطقی «جعبه‌ی سفید» ترکیب می‌کند و از طریق ادغام عمیق فناوری و صنعت، تحقیقات بنیادی، پرورش استعدادها و کاربردهای عملی را ترویج می‌کند ساخت یک اکوسیستم نوآورانه برای هوش علمی."

در کنفرانس اخیر 2024 جهانی هوش مصنوعی (WAIC) و نشست سطح بالای حاکمیت جهانی هوش مصنوعی، سائیری با موفقیت میزبان یک انجمن موضوعی با عنوان "هوش مصنوعی: تغییر پارادایم در تحقیقات علمی و توسعه صنعتی" بود. این اولین حضور این موسسه تحقیقاتی جدید در WAIC بود. SAIRI را می توان به عنوان مدلی برای اکتشاف شانگهای از یک اکوسیستم هوش علمی "{3}}N" مبتنی بر نوآوری در نظر گرفت. این مدل SAIRI را به عنوان مرکز مرکزی مسئول برنامه ریزی استراتژیک کلی، یکپارچه سازی منابع، و تحقیقات و نوآوری های کلیدی فناوری، با همکاری دانشگاه فودان "1" دیگر، و چندین دانشگاه "N"، مؤسسه تحقیقاتی، شرکت های فناوری، تیم های نوآوری، شامل می شود. و مؤسسات سرمایه گذاری، به طور مشترک به ترویج تحقیقات علمی، پرورش استعداد، انتقال فناوری و نوآوری و ارتقای صنعتی بپردازند.

استاندارد AGI باید ایجاد یک "AI Einstein" باشد.

از منظر فنی، آیا مدل‌های بزرگتر با پارامترهای بیشتر منجر به AGI می‌شوند؟ تا به امروز، نه از منظر خود فناوری هوش مصنوعی و نه از منظر مصرف انرژی، مدل‌های بزرگ مبتنی بر معماری اتورگرسیو ترانسفورماتور برای هدایت به AGI کافی نیستند. هوش مصنوعی نیاز به توسعه مدل های بزرگ قابل اعتماد جدید "جعبه خاکستری" دارد. این نتیجه گیری بر اساس سال ها تجربه عملی چی یوان در دانشگاه و صنعت است.

ده سال پیش، چی یوان با ایده «مفید ساختن هوش مصنوعی» تیمی را رهبری کرد تا سیستم اصلی یادگیری ماشین علی بابا را از 2 میلیون پارامتر به چند صد میلیون پارامتر برای اولین بار افزایش دهد و به بهبود قابل توجهی در عملکرد تجاری و کسب و کار دست یابد. نشان دادن تبدیل یکپارچه داده ها، الگوریتم ها و قابلیت های مهندسی. این دقیقاً تجلی قانون مقیاس‌بندی است که امروزه به طور گسترده در جامعه هوش مصنوعی مورد بحث قرار گرفته است.

چی یوان به یاد می آورد که تیم واقعاً طعم شیرینی قانون مقیاس بندی را چشید: پس از صد برابر افزایش پارامترهای مدل، تأثیر کلی به طور چشمگیری بهبود یافت. اما اکنون فکر می کنم: چرا در آن زمان مدل های هوش مصنوعی را بزرگتر نکردیم؟ او گفت. حتی میلیاردها پارامتر در مدل‌های بزرگ کافی نیست؛ ما باید به سمت صدها میلیارد، تریلیون یا حتی بیشتر حرکت کنیم. قدرت محاسباتی مستلزم هزینه های بسیار بالایی است، البته دانشگاهیان را نیز در نظر نگیریم."

Qi Yuan توضیح می دهد که دلیل اینکه چرا استاندارد AGI باید ایجاد یک "AI Einstein" باشد، این است که باید هم موثر و هم هوشمند باشد. اولا، انیشتین "ابرهای فیزیک اوایل قرن بیستم" را از طریق چند نقطه داده کلیدی کشف کرد. AGI همچنین باید قادر به کشف و درک قوانین ناشناخته دنیای پیچیده باشد. با این حال، مدل های بزرگ فعلی نمی توانند به این امر دست یابند. برای مثال، اگرچه مدل بزرگ بصری SORA دنیای فیزیکی را به میزان بی‌سابقه‌ای شبیه‌سازی می‌کند، اما همچنان جهان سه‌بعدی را بر اساس شبیه‌سازی دنیای دو بعدی می‌سازد و از درک کامل جهان فیزیکی دور است. دوم اینکه بحث مصرف برق هست. مغز انسان در حدود 15 وات کار می کند، در حالی که یک پردازنده گرافیکی منفرد می تواند به چند صد وات برسد، بدون این که به خوشه های هزاران یا ده ها هزار پردازنده گرافیکی مورد نیاز برای آموزش مدل های بزرگ اشاره کنیم. در حال حاضر، اگر به استفاده از معماری های موجود ادامه دهیم، مصرف برق مورد نیاز نجومی خواهد بود و رسیدن به هدف موثر و هوشمند بودن را دشوار می کند.

"AI Einstein" همچنین یکی از اهداف کلیدی هوش مصنوعی برای علم (AI4S) است. هوش علمی نقش مهمی در تسریع حل معادلات فیزیکی شناخته شده ایفا کرده است، اما همچنین نیاز به ترکیب قوانین شناخته شده با داده ها برای کاهش وابستگی شدید به داده ها و قدرت محاسباتی، بهبود دقت استدلال و پیش بینی و ارائه نظریه های علمی جدید دارد. بر اساس قوانین دانش تعدیل شده با داده ها این با هدف بلندمدت چی یوان در دانشگاه فودان و SAIRI همخوانی دارد، یعنی استفاده از هوش مصنوعی برای درک دنیای پیچیده و کشف قوانین ناشناخته.

مدل های بزرگ دامنه عمودی قابل اعتماد "جعبه خاکستری" صنایع مختلف را توانمند می کند.

چه مشکلاتی باید حل شود تا مدل های بزرگ به نیروهای مولد جدیدی از ابزارهای هوش مصنوعی تبدیل شوند؟ به گفته Qi Yuan، صنعت مدل های بزرگ با چالش های مشترک زیادی روبرو است که همسویی نیازهای فناوری، محصولات و بازار را دشوار می کند.

Qi Yuan توضیح می‌دهد: «بزرگ‌ترین مشکل در پیاده‌سازی مدل‌های بزرگ امروز این است که در نگاه اول مفید به نظر می‌رسد اما در استفاده عملی شکست می‌خورد. مدل‌های زبان بزرگ امروزی در درجه اول کلمه بعدی را بر اساس چندین کلمه قبلی پیش‌بینی می‌کنند، اما این رویکرد برای استدلال دقیق چند مرحله‌ای مناسب نیست. "زبان ابزاری برای ارتباط است، نه برای تفکر." اخیراً مقاله ای توسط موسساتی از جمله MIT در مجله برتر دانشگاهی منتشر شده استطبیعتاشاره کرد که زبان ابزار قدرتمندی برای انتقال دانش فرهنگی است و ممکن است با توانایی‌های تفکر و استدلال ما تکامل یافته باشد و پیچیدگی شناخت انسان را منعکس کند. با این حال، زبان پیچیدگی استدلال را ایجاد نمی کند.

برای پرداختن به غیرقابل اعتماد بودن، تفسیرپذیری کم و هزینه های بالای مدل های بزرگ موجود، یک راه حل موثر ترکیب استدلال شبکه عصبی احتمالی با محاسبات نمادین منطقی است، شبیه به ترکیب تفکر سریع مبتنی بر غریزه و تفکر آهسته بر اساس استدلال منطقی که در کتاب دانیل کانمن برنده جایزه نوبلفکر کردن، سریع و آهسته. چی یوان معتقد است: «این را می توان یک مدل بزرگ «جعبه خاکستری» نامید. ترکیب محاسبات نمادین با شبکه های عصبی در یک مدل بزرگ قابل اعتماد "جعبه خاکستری" می تواند "توهمات" هوش مصنوعی را کاهش دهد و مشکلات حرفه ای در زمینه های عمودی را حل کند، در نتیجه صنایع مختلف را توانمند کرده و بهره وری مدل های بزرگ را آزاد می کند.

مدل بزرگ قابل اعتماد "جعبه خاکستری" چیست؟ "در ابتدا، یادگیری عمیق یک "جعبه سیاه" در نظر گرفته می شد. چی یوان توضیح می دهد که اکنون، با ترکیب استدلال منطقی با یادگیری عمیق، یک "جعبه خاکستری" داریم. "جعبه سیاه" اولیه مردم را از فرآیند تولید نتایج ناآگاه می‌کرد، در حالی که مدل بزرگ "جعبه خاکستری" با کمک استدلال منطقی، به مردم اجازه می‌دهد "هم نتایج و هم دلایل پشت آنها را بدانند." از منظر دیگر، مدل‌های بزرگ «جعبه خاکستری» می‌توانند از یادگیری عمیق برای کاهش قوانینی استفاده کنند که با داده‌های مشاهده شده در دنیای واقعی مطابقت ندارند.

چی یوان بیان می کند که برای اینکه هوش مصنوعی نقش اصلی را در سناریوهای پیچیده در صنایع مختلف ایفا کند - چه در امور مالی و بیمه، نیروی بادی و انرژی، یا کشتیرانی اقیانوسی و زمینه های دارویی - لازم است دانش صنعت سیستماتیک، منطق استدلال و تصمیم گیری ترکیب شود. -ساخت مکانیسم با مدل های بزرگ مدل بزرگ "جعبه خاکستری" نه تنها جهت AGI بلکه ابزار قدرتمندی برای نفوذ عمیق در میدان های عمودی و حل واقعی مشکلات دنیای واقعی است. چی یوان نشان می دهد: «از دیدگاه صنعتی، این درک بسیار شهودی است. پزشکان نیازی به وکیل شدن ندارند و وکلا نیز نیازی به متخصص سرمایه گذاری ندارند. هر نقش حرفه ای باید بر روی رشته خود تمرکز کند و ابزارهای بهره وری خود را افزایش دهد. از نقطه نظر فنی، اگر یک مدل بزرگ وظایف نامربوط را بیش از حد یاد بگیرد، ممکن است "فراموشی فاجعه بار" را تجربه کند. به عنوان مثال، اگر لی بای تمام وقت خود را به جای نوشتن شعر صرف حسابداری کند، ممکن است الهامات شاعرانه او به تدریج محو شود. ما قبلاً مشاهده کرده‌ایم که هنگام آموزش مدل‌های بزرگ برای دامنه‌های عمودی، اگر مدل عملکردهای نامرتبط زیادی را یاد بگیرد، می‌تواند با قابلیت‌های اصلی آن تداخل داشته باشد. بنابراین، توسعه مدل‌های بزرگ «جعبه خاکستری» مؤثر برای دامنه‌های عمودی از ارزش زیادی در صنعت برخوردار است. اجرا."

"من معتقدم که مدل های بزرگ "جعبه خاکستری" نقش مهمی را در مسیر AGI و در اجرای صنایع دامنه عمودی ایفا خواهند کرد. از دیدگاه روش شناختی بیزی، دانش شناخته شده ما را با اطلاعات پنهان در داده ها برای کشف قوانین جدید ترکیب می کند. چی یوان می گوید و مشکلات علمی و صنعتی را حل می کند. در آینده، "AI Einstein" نیز می تواند "AI Buffett" باشد.

اتصال زنجیره نوآوری و ایجاد یک اکوسیستم نوآوری هوش علمی.

در کنفرانس جهانی هوش مصنوعی امسال، تیم Qi Yuan مدل های بزرگ مالی و پزشکی قابل اعتمادی را با صدها میلیارد پارامتر عرضه کرد. این مدل‌های بزرگ دامنه عمودی در آزمایش از مدل تریلیون پارامتری OpenAI GPT-4 Turbo پیشی گرفتند و بار دیگر توجه صنعت را به اجرای مدل‌های بزرگ جلب کرد.

پیشرفت‌های هوش مصنوعی امروزی نه تنها توسط نوآوری‌ها در اصول اساسی انجام می‌شود، بلکه توسط رویکردهای محصول محور که نیازهای جامعه را برطرف می‌کنند، انجام می‌شود. جامعه نه تنها به انتشار مقالات نظری یا نوآوری‌های مدل کسب‌وکار نیاز دارد، بلکه به ادغام عمیق نوآوری‌های تکنولوژیکی و صنعتی بر اساس نیاز دارد. اصول اولیه هنگامی که این دو عنصر با هم ترکیب شوند، می توانیم به آب های آبی تر برسیم.

دانشگاه و صنعت ماموریت های متفاوتی دارند. دانشگاه پدیده های جدید را بررسی می کند، در حالی که صنعت در درجه اول مشکلات عملی را حل می کند. یک مسئله رایج در سراسر جهان این است که مؤسسات تحقیقاتی باید به بسیاری از مشکلات نوآوری فناوری رسیدگی کنند، اما اگر تولید و نیازهای اجتماعی را نادیده بگیرند، با دو نقص روبرو هستند: فقدان فشار رقابتی واقعی، که مانع اصلاح فناوری‌های نوآورانه می‌شود، و فقدان فناوری‌های مؤثر. بازخورد بازار برای هدایت تحقیقات فناورانه

برای این منظور، چی یوان مدت‌هاست که به دنبال اتصال زنجیره نوآوری «دانشگاه‌ها-موسسات تحقیقاتی-استارت‌آپ‌ها» برای ایجاد یک اکوسیستم نوآوری خوب است که هم فناوری اساسی و هم نیازهای بازار را در نظر می‌گیرد. جهت محصول باید بر اساس تقاضای بازار و سناریوها هدایت شود و رقابت محوری محصول از طریق نوآوری اساسی ایجاد شود.

SAIRI که در 2{2}}23 تأسیس شد، متعهد به نوآوری‌های اصلی هوش مصنوعی برای علم است که دانش و داده را ترکیب می‌کند. اخیراً، SAIRI سری Fuxi مدل‌های بزرگ هواشناسی 2.{4}} را برای کاربرد در انرژی‌های جدید، بیمه، مدیریت شهری راه‌اندازی کرد و اتحاد اکوسیستم نوآوری هواشناسی هوشمند را آغاز کرد. هدف این اتحاد ارتقای تدریجی کاربرد صنعتی مدل‌های بزرگ هواشناسی سری Fuxi 2.0 است. مدل‌های بزرگ قابل اعتماد «جعبه خاکستری» نیز در پیاده‌سازی محصول پیشرفت می‌کنند، با Infinite Lightyear، شرکت مدل بزرگ قابل اعتماد که توسط Qi Yuan تأسیس شده است.

برای ارتقای بیشتر اکوسیستم نوآوری هوش علمی، دومین مسابقه جهانی هوش علمی، که به طور مشترک توسط SAIRI و دانشگاه فودان سازماندهی شده است، و توسط بخش‌های مختلف از جمله کمیته علم و فناوری شانگهای، کمیسیون توسعه و اصلاح شانگهای، کمیته اقتصادی و فناوری اطلاعات شانگهای، هدایت می‌شود. و کمیته آموزش شانگهای راه اندازی شده است. این مسابقه میلیون ها جایزه را برای استخدام شرکت کنندگان جهانی برای کشف زمینه های مرزی هوش علمی ارائه می دهد. علاوه بر این، SAIRI یک پلت فرم داده علمی را ایجاد کرده است که داده‌های علمی چندوجهی را پوشش می‌دهد، که از زنجیره کامل از جمع‌آوری و پردازش داده‌ها تا مدیریت و مدل‌سازی پشتیبانی می‌کند و از پردازش کارآمد داده‌ها، قابل اعتماد بودن و ارتباطات ایمن اطمینان می‌دهد. بر اساس این پلتفرم، SAIRI و شرکای آن چندین مجموعه داده علمی با کیفیت بالا برای علوم زیستی، علوم مواد، علوم جوی و سایر زمینه‌ها ساخته‌اند و منابع ارزشمندی را برای تحقیقات هوش علمی فراهم می‌کنند. علاوه بر این، SAIRI اتحاد اکوسیستم داده های علمی جهانی را با اعضای اولیه از جمله شرکت مخابرات چین، اسیر بیمه حمل و نقل COSCO، فناوری داده فرامرزی منطقه جدید شانگهای لینگانگ و بیش از ده نهاد دیگر راه اندازی کرده است. هدف این اتحاد ایجاد یک پلتفرم باز و به اشتراک گذاری منابع کلان داده تحقیقاتی جهانی و چند دامنه ای از طریق همکاری بین دولت، شرکت ها، دانشگاه ها و موسسات تحقیقاتی است.

چی یوان می گوید: "چه در تحقیقات علمی و چه در صنعت، ما نباید به خاطر نوآوری نوآوری کنیم. امیدواریم AGI و برنامه های کاربردی آینده بسازیم که مشکلات دنیای واقعی را حل کنند."