Manapság az általános mesterséges intelligencia (AGI) a tudományos és az ipari közösségek kulcsszavaivá vált. Néhány évvel ezelőtt sokan azt hitték, hogy az AGI elérése legalább 10-50 évig tart, vagy akár lehetetlennek is tartották. Manapság ritkák az ilyen pesszimista nézetek. Azonban ahhoz képest, hogy a közvélemény izgatott a technológiai változás hullámával kapcsolatban, a mesterséges intelligencia területén számos élvonalbeli tudós és iparági vezető úgy gondolja, hogy még hosszú utat kell megtenni ahhoz, hogy a jelenlegi AI AGI-vé fejlődjön.
Qi Yuan, a Fudan Egyetem kiváló professzora, a Sanghaji Mesterséges Intelligencia Kutatóintézet (SAIRI) igazgatója és a Trustworthy Large Model Company, az "Infinite Lightyear" alapítója szerint "Az AGI egyik legmagasabb megnyilvánulása az ismeretlen felfedezése. Törvények a bonyolult világban Egyszerűen fogalmazva, ez egy "AI Einstein". Ez megköveteli, hogy olyan „szürke doboz” megbízható nagy modelleket hozzunk létre, amelyek a „fekete doboz” valószínűségi előrejelzéseket „fehér doboz” logikai érveléssel kombinálják, és ezáltal a technológia és az ipar mélyreható integrációja révén előmozdítsuk az alapkutatást, a tehetséggondozást és a gyakorlati alkalmazásokat innovatív ökoszisztéma felépítése a tudományos intelligencia számára."
A legutóbbi, 2024-es Mesterséges Intelligencia Világkonferencián (WAIC) és a Mesterséges Intelligencia Globális Kormányzása Magas szintű Találkozón a SAIRI sikeresen adott otthont a „Mesterséges intelligencia: Paradigmaváltás a tudományos kutatásban és ipari fejlesztésben” című tematikus fórumnak. Ez volt az új kutatóintézet első megjelenése a WAIC-on. A SAIRI modellnek tekinthető az innováció által vezérelt „1+1+N” tudományos intelligencia ökoszisztéma sanghaji feltárásához. Ebben a modellben a SAIRI az átfogó stratégiai tervezésért, az erőforrás-integrációért, valamint a kulcsfontosságú technológiai kutatásért és innovációért felelős központi csomópontként működik, együttműködve egy másik "1" Fudan Egyetemmel, valamint több "N" egyetemmel, kutatóintézettel, technológiai vállalattal, innovációs csapattal, és befektetési intézmények, hogy közösen támogassák a tudományos kutatást, a tehetséggondozást, a technológiatranszfert, valamint az ipari innovációt és korszerűsítést.
Az AGI szabványának egy "AI Einstein" létrehozásának kell lennie.
Technikai szempontból az egyre nagyobb, több paraméterrel rendelkező modellek vezetnek majd az AGI-hez? A mai napig sem magának az AI-technológiának, sem az energiafogyasztás szempontjából nem elegendőek a Transformer autoregresszív architektúrán alapuló nagy modellek az AGI-hez. A mesterséges intelligencia új, "szürke dobozos" megbízható nagy modelleket kell kifejlesztenie. Ez a következtetés Qi Yuan több éves gyakorlati tapasztalatán alapul, mind a tudományos életben, mind az iparban.
Tíz évvel ezelőtt, azzal az ötlettel, hogy „hasznossá tegye az AI-t”, Qi Yuan vezetett egy csapatot, amely az Alibaba alapvető gépi tanulási rendszerét először 2 millió paraméterről több százmillió paraméterre növelte, jelentős javulást érve el az üzleti teljesítményben és az adatok, algoritmusok és mérnöki képességek integrált átalakításának bemutatása. Pontosan ez a méretezési törvény megnyilvánulása, amelyről ma széles körben beszélnek az AI közösségben.
Qi Yuan emlékeztet arra, hogy a csapat valóban megízlelte a méretezési törvény édességét: a modellparaméterek százszoros növelése után az összhatás drámaian javult. "De most arra gondolok: miért nem tettük akkor még nagyobbra az AI-modelleket? Miért hagytuk abba, amikor egy lépéssel tovább is léphettünk volna?" – mondta. "A nagy modellekben még a több milliárd paraméter sem elég, százmilliárdok, billiók vagy még több felé kell elmozdulnunk. Akkoriban az akadémia és az ipar is nélkülözte a számítási teljesítményt, sőt az ipari szektorban is hiányzott az ilyen magas teljesítmény elérése A számítási teljesítmény nagyon magas költségeket igényelt, nem is beszélve az akadémiáról."
Qi Yuan magyarázata szerint az AGI szabványa az "AI Einstein" létrehozása, hogy hatékonynak és intelligensnek kell lennie. Először is, Einstein néhány kulcsfontosságú adatponton keresztül felfedezte a "20. század eleji fizika felhőit". Az AGI-nek képesnek kell lennie arra is, hogy felfedezze és megértse a bonyolult világ ismeretlen törvényeit. A jelenlegi nagy modellek azonban ezt nem tudják elérni. Például, bár a SORA nagy vizuális modell példátlan mértékben szimulálja a fizikai világot, mégis a háromdimenziós világot a kétdimenziós világ szimulációja alapján konstruálja meg, és messze van attól, hogy teljesen megértse a fizikai világot. Másodsorban az energiafogyasztás kérdése. Az emberi agy körülbelül 15 watton működik, míg egyetlen GPU több száz watt is elérheti a csúcsot, nem beszélve az általános nagy modellek betanításához szükséges több ezer vagy tízezres GPU-csoportokról. Jelenleg, ha továbbra is a meglévő architektúrákat használjuk, a szükséges energiafogyasztás csillagászati lenne, ami megnehezítené a hatékony és intelligens cél elérését.
Az „AI Einstein” az AI for Science (AI4S) egyik kulcsfontosságú célja is. A tudományos intelligencia fontos szerepet játszott az ismert fizikai egyenletek megoldásának felgyorsításában, de az ismert szabályokat adatokkal is kombinálnia kell, hogy csökkentse az adatoktól és a számítási teljesítménytől való súlyos függőséget, javítsa az érvelés és az előrejelzés pontosságát, és új tudományos elméleteket javasoljon. adatokkal korrigált tudásszabályok alapján. Ez összhangban van Qi Yuan hosszú távú céljával a Fudan Egyetemen és a SAIRI-n, hogy mesterséges intelligencia segítségével megértsék a bonyolult világot és felfedezzék az ismeretlen törvényeket.
A „szürke doboz” megbízható vertikális tartományú nagymodellek különféle iparágakat hatalmaznak fel.
Milyen problémákat kell megoldani ahhoz, hogy a nagy modellek új termelőerővé váljanak az AI-eszközökből? Qi Yuan szerint a nagy modellipar számos közös kihívással néz szembe, ami megnehezíti a technológia, a termékek és a piaci igények összehangolását.
"A legnagyobb probléma manapság a nagy modellek megvalósításával az, hogy első pillantásra hasznosnak tűnik, de a gyakorlatban nem működik" - magyarázza Qi Yuan. A mai nagy nyelvi modellek elsősorban több megelőző szó alapján jósolják meg a következő szót, de ez a megközelítés nem alkalmas szigorú többlépcsős érvelésre. "A nyelv a kommunikáció eszköze, nem a gondolkodásé." Nemrég jelent meg egy tanulmány, amelyet intézmények, köztük az MIT is közzétettek a legjobb tudományos folyóiratbanTermészetrámutatott, hogy a nyelv a kulturális ismeretek átadásának hatékony eszköze, és együtt fejlődhetett gondolkodásunkkal és érvelési képességeinkkel, tükrözve az emberi megismerés összetettségét. A nyelv azonban nem hozza létre az érvelés bonyolultságát.
A meglévő nagymodellek megbízhatatlanságának, alacsony értelmezhetőségének és magas költségeinek kezelésére hatékony megoldás a valószínűségi neurális hálózati érvelés logikai szimbolikus számítással való kombinálása, ami hasonló az ösztönösen alapuló gyors gondolkodás és a logikai érvelésen alapuló lassú gondolkodás kombinációjához. Daniel Kahneman Nobel-díjas könyveGondolkodás, gyors és lassú. "Ezt "szürke dobozos" nagy modellnek nevezhetjük" - véli Qi Yuan. A szimbolikus számítások neurális hálózatokkal való kombinálása egy „szürke doboz” megbízható nagy modellben csökkentheti a mesterséges intelligencia „hallucinációit” és megoldhatja a szakmai problémákat a vertikális területeken, ezáltal felhatalmazza a különböző iparágakat, és felszabadítja a nagy modellek termelékenységét.
Mi az a "szürke doboz" megbízható nagy modell? „Eredetileg a mély tanulást „fekete doboznak” tekintették. Most, ha a logikus érvelést a mély tanulással kombináljuk, „szürke dobozt” kapunk” – magyarázza Qi Yuan. „Az eredeti „fekete doboz” miatt az emberek nem voltak tisztában azzal a folyamattal, amellyel az adatok eredményeznek eredményeket, míg a „szürke doboz” nagy modellje, amelyet logikus érvelés segít, lehetővé teszi az emberek számára, hogy „megismerjék az eredményeket és a mögöttük rejlő okokat is”. Más szempontból a „szürke dobozos” nagy modellek mély tanulást használhatnak a valós megfigyelt adatoknak nem megfelelő szabályok csökkentésére."
Qi Yuan kijelenti, hogy ahhoz, hogy a mesterséges intelligencia kulcsszerepet játsszon a különféle iparágakban – akár a pénzügy és a biztosítás, a szélenergia és az energia, akár a tengeri szállítás és a gyógyszeripar területén – összetett forgatókönyvekben játsszon, össze kell kapcsolni a szisztematikus iparági ismereteket, az érvelési logikát és a döntéseket. -mechanizmusok készítése nagy modellekkel. A "szürke dobozos" nagy modell nem csak az AGI irányvonala, hanem egy hatékony eszköz a függőleges mezők mélyre hatolásához és a valós problémák valódi megoldásához. „Ipari szempontból ez a megértés nagyon intuitív” – szemlélteti Qi Yuan. Az orvosoknak nem kell ügyvédnek lenniük, és az ügyvédeknek sem kell befektetési szakértővé válniuk. Minden szakmai szerepkörnek a saját területére kell összpontosítania, és javítania kell termelékenységi eszközeit. Technikai szempontból, ha egy nagy modell túltanul az irreleváns feladatokon, akkor „katasztrofális felejtést” tapasztalhat. Például, ha Li Bai minden idejét könyveléssel töltené versírás helyett, költői ihlete fokozatosan elhalványulhat. "Megfigyeltük már, hogy a vertikális tartományokra vonatkozó nagy modellek betanítása során, ha a modell túl sok független funkciót tanul meg, az megzavarhatja eredeti képességeit. Ezért a függőleges tartományokhoz hatékony "szürkedobozos" nagy modellek fejlesztése nagy érték az iparban. végrehajtás."
"Úgy gondolom, hogy a "szürkedobozos" nagy modellek egyre fontosabb szerepet fognak játszani az AGI felé vezető úton és a vertikális tartományi iparágak megvalósításában. Bayesi módszertani perspektívából nézve az ismert tudásunkat az adatok rejtett információival kombinálja, hogy új törvényeket fedezzen fel. és megoldja a tudományos és ipari problémákat” – mondja Qi Yuan. A jövőben az "AI Einstein" egyben "AI Buffett" is lehet.
Az innovációs lánc összekapcsolása és a tudományos intelligencia innovációs ökoszisztémájának kiépítése.
Az idei Mesterséges Intelligencia Világkonferencián Qi Yuan csapata megbízható pénzügyi és orvosi nagymodelleket dobott piacra több százmilliárd paraméterrel. Ezek a vertikális tartományú nagy modellek a tesztelés során felülmúlták az OpenAI billió paraméterű GPT-4 Turbo modelljét, ismét felhívva az iparág figyelmét a nagy modellek megvalósítására.
"A mai mesterséges intelligencia áttöréseit nemcsak az alapelvek innovációi vezérlik, hanem a társadalmi igényeket kielégítő termékvezérelt megközelítések is. A társadalom nemcsak elméleti dokumentumok vagy üzleti modell-innovációk közzétételét igényli, hanem a technológiai és ipari innovációk mélyreható integrációját is. Az első alapelvek Ha ezt a két elemet egyesítjük, kékebb vizeket érhetünk el” – mondja Qi Yuan.
Az akadémiának és az iparnak más-más küldetése van. Az akadémia új jelenségeket tár fel, míg az ipar elsősorban gyakorlati problémákat old meg. Világszerte általános probléma, hogy a kutatóintézeteknek számos technológiai innovációs problémával kell foglalkozniuk, de ha figyelmen kívül hagyják a termelést és a társadalmi igényeket, akkor két hiányossággal szembesülnek: a valódi versenykényszer hiányával, ami hátráltatja az innovatív technológiák finomítását, és a hatékony megoldások hiányával. piaci visszajelzések a technológiai kutatás irányítására.
Ennek érdekében Qi Yuan régóta arra törekszik, hogy összekapcsolja az "egyetemek-kutatóintézetek-startupok" innovációs láncát, hogy egy jó innovációs ökoszisztémát hozzon létre, amely figyelembe veszi az alaptechnológiát és a piaci igényeket egyaránt. A termékirányt a piaci keresletnek és forgatókönyveknek kell vezérelnie, az alapvető innováción keresztül a termékmag versenyképességét építeni.
A 2023-ban alapított SAIRI elkötelezett az eredeti AI for Science innovációk mellett, amelyek egyesítik a tudást és az adatokat. A SAIRI a közelmúltban elindította a Fuxi meteorológiai nagymodellek sorozatát 2.0 új energetikai, biztosítási és városgazdálkodási alkalmazásokhoz, és elindította az Intelligens Meteorológiai Innovációs Ökoszisztéma Szövetséget. A szövetség célja, hogy fokozatosan elősegítse a Fuxi sorozatú meteorológiai nagymodellek 2.0 ipari alkalmazását. A "szürke dobozos" megbízható nagymodellek is haladnak a termékmegvalósításban, már megalakult az Infinite Lightyear, a Qi Yuan által alapított megbízható nagy modellcég.
A tudományos intelligencia innovációs ökoszisztémájának további előmozdítása érdekében a SAIRI és a Fudan Egyetem által közösen szervezett második Tudományos Intelligencia Verseny, amelyet több osztály, köztük a Sanghaji Tudományos és Technológiai Bizottság, a Sanghaji Fejlesztési és Reformbizottság, a Sanghaji Gazdasági és Informatikai Bizottság irányít, és Sanghaj Oktatási Bizottsága indult. A verseny több millió nyereményt kínál, hogy globális résztvevőket toborozzanak a tudományos intelligencia határterületeinek felfedezésére. Ezenkívül a SAIRI kifejlesztett egy olyan tudományos adatplatformot, amely a multimodális tudományos adatokat lefedi, amely támogatja a teljes láncot az adatgyűjtéstől és -feldolgozástól a kezelésig és modellezésig, biztosítva a hatékony adatfeldolgozást, a megbízhatóságot és a biztonságos kommunikációt. Erre a platformra alapozva a SAIRI és partnerei számos kiváló minőségű tudományos adatkészletet építettek fel az élettudományok, az anyagtudományok, a légkörtudományok és más területek számára, amelyek értékes forrásokat biztosítanak a tudományos intelligencia kutatásához. Ezenkívül a SAIRI elindította a Global Scientific Data Ecosystem Alliance-t, amelynek kezdeti tagjai között szerepel a China Telecom Corporation, a COSCO Shipping Insurance Captive, a Shanghai Lingang New Area Cross-Border Data Technology és több mint tíz másik entitás. A szövetség célja egy globális, több tartományra kiterjedő kutatási big data erőforrások nyílt és megosztási platformjának felépítése a kormány, a vállalatok, az egyetemek és a kutatóintézetek együttműködésével.
"Legyen szó tudományos kutatásról vagy iparról, nem az innováció kedvéért kell innovációt végrehajtanunk. Reméljük, hogy a jövőbeli AGI-t és olyan alkalmazásokat építünk, amelyek valós problémákat oldanak meg" - mondja Qi Yuan.




