为什么人工通用智能超越深度学习的范畴

关注人工智能的未来:Sam Altman与OpenAI的Q*模型

Sam Altman近期的职务变动以及围绕OpenAI创新Q*模型的猜测,引发了人们对通用人工智能(AGI)相关机遇与风险的新一轮关注。AGI旨在执行与人类相当的智能任务。人工智能的快速发展,特别是深度学习的进步,使得人们对AGI的到来充满期待与担忧。包括OpenAI和埃隆·马斯克的xAI等多家机构,致力于推进AGI的研究,这也引发了一个重要问题:当今的AI进展是否正引导我们走向AGI?

深度学习的局限

深度学习作为一种重要的机器学习方法,使用人工神经网络,支撑着ChatGPT和现代AI的许多应用。虽然它在处理各种数据类型方面表现出色,并且要求最小的预处理,但不少人期望深度学习能在AGI的发展中发挥关键作用。

然而,深度学习存在显著局限。构建有效模型需要大量的数据集和显著的计算资源。这些模型基于训练数据提取统计规则,并在新信息上生成响应。这一方法依赖于预测逻辑;模型会根据新现象更新规则,但其对现实世界不确定性的脆弱性,限制了其实现AGI目标的适用性。例如,2022年6月的一起涉及Robotaxi的事件就展示了这一风险:该车辆在未曾训练的意外情况下表现不佳,导致决策失败。

"如果"的难题

作为AGI的基础,人类并不为每种情景制定详尽的规则。我们通过实时感知环境,与之互动,利用已有知识理解背景和影响因素。与根据固定标准进行物体分类的深度学习模型不同,人类采用灵活的方法,根据需要调整既定规则,以做出有效选择。

例如,当你在徒步旅行时遇到一个陌生的圆柱形物体时,深度学习模型需要你分析各种特征,将其分类为威胁(如蛇)或无害(如绳索),然后再采取行动。而人类则会从远处评估情况,持续更新理解,基于更广泛的以往经验和潜在行动做出决定。这种细致的方法强调探索替代方案的重要性,表明实现AGI或许更依赖于提升我们的“如果”推理能力,而非单纯预测。

在深度不确定性中决策:前进之路

新兴的深度不确定性决策(DMDU)框架为AGI提供了有希望的策略。DMDU方法(如稳健决策制定)评估不同决策在各种未来情景中的表现,而无需不断重训练。它们关注识别决定结果的关键因素,旨在找到跨不同背景提供可接受结果的稳健解决方案。

与优先考虑优化的传统深度学习解决方案(如COVID-19期间的供应链中断所示,其容易在不可预测条件下失效)相比,DMDU方法寻求能够适应多种环境的韧性替代方案,为能够应对现实世界不确定性的AI奠定了宝贵基础。

自动驾驶中的稳健决策

完全自动驾驶车辆(AV)的开发是这一方法论的一个实际示例。自动驾驶车辆必须在多样及不可预测的条件下行驶,这与人类在交通中的决策过程密切相关。尽管在深度学习用于完全自主行驶方面进行了大量投资,这些系统在不确定情况下仍往往面临困难。由于无法建模每一种可能的情况,自动驾驶技术仍需不断创新,以应对未预见的挑战。

一种潜在解决方案是采用稳健决策框架。自动驾驶车辆的传感器将收集实时数据,以评估具体交通情景中的各种决策(如加速、变道或制动)。如果存在对标准算法响应的怀疑,系统可以分析不同选择在该情境下的脆弱性,从而减少对大量数据重训练的依赖,提升适应现实世界不确定性的能力。这一转变可能通过优先考虑决策灵活性,来增强自动驾驶车辆的性能,而非追求完美的预测。

为AGI进步强调决策情境

随着AI技术的不断发展,或许有必要摆脱深度学习范式,转而关注决策情境以促进实现AGI的进程。深度学习在多个应用中已证明其有效性,但在实现AGI方面却显得不足。

DMDU方法能够为更为稳健、以决策为驱动的AI方法铺平道路,有效解决现实世界中的不确定性。

Most people like

Find AI tools in YBX