OpenAI 的首要使命是实现 AGI (人工通用智能,超级智能的另一种称呼)。这一成就是机器学习领域的圣杯,也是 Amazon、Google、Meta 和 Microsoft 等科技巨头的优先事项。在最近的一条 X 平台帖子中,OpenAI CEO Sam Altman 试图平息谣言,打消围绕超级智能和 AGI 的炒作,因为一些粉丝和爱好者声称它已经实现。这条试图平息喧嚣的帖子获得了 310 万次浏览量 (截至发稿时)。
ChatGPT 内部人士对 AGI 的炒作与期望
据 Fortune 报道,关于 AGI 的传言正在获得越来越多的关注和讨论。AGI 是一种能够像人类一样理解、学习和执行智力任务的人工智能。这种炒作是否有根据,还是仅仅是 ChatGPT 爱好者的一厢情愿?Altman 在最近的一篇博客文章中表示,ChatGPT 背后的公司"知道如何构建我们传统意义上理解的 AGI"。他接着说:"我们正开始将目标转向更远大的方向,朝着真正意义上的超级智能迈进。我们热爱当前的产品,但我们的目标是实现辉煌的未来。有了超级智能,我们可以做任何事情。"
"我们下个月不会部署 AGI,我们也还没有建成它," Altman 明确表示。
图灵奖得主 Geoffrey Hinton 说:"超级智能是指比人类更强的 AGI。二十年前,人们可能会欣然同意具有 GPT-4 或 (Google 的) Gemini 能力的系统已经达到了与人类相当的通用智能。"Hinton 补充道。顺便说一下,图灵奖是技术领域的诺贝尔奖。"能够以合理的方式回答几乎任何问题就能通过测试。但现在 AI 已经能做到这一点,人们又想改变测试标准。"
ChatGPT 接近超级智能了吗:我们到了那一步了吗?
OpenAI 的顶级研究员 Noam Brown 在 X 平台上表示,没有理由炒作。他在社交媒体平台上说:"我们有理由对进一步的进展保持乐观,但仍有很多未解决的研究问题。"
OpenAI 产品主管 Kevin Weil 告诉 Axios,人类 (即 ChatGPT) 即将拥有能够在现实世界中完成任务的 AI 代理。真正的超级智能似乎在于能够辨别事实与虚构。Axios 报道称,OpenAI 上周发布了一份"经济蓝图",主张在适当的规则和基础设施投资下,AI 可以"在全国范围内催化再工业化"。这样的措辞和承诺可能会推高公司的估值 - 但前瞻性陈述只是故事的一部分。据报道,CEO Sam Altman 已经安排了 1 月 30 日与美国政府官员的闭门会议。网络上充斥着各种猜测,有人谈论着已经准备好处理复杂人类任务的博士级超级代理。
超越 ChatGPT 的领导力洞察
即使 AI 能够达到人类水平的表现,也不意味着应该将其视为神明。AI 在对话中提供了另一种视角和声音 - 就像你会回应一位专家同事一样,知道我们个人都不如集体智慧。你永远不会将决策权完全让渡给某个有多年经验或高等教育的人。当你去看医生时,你是在与一位专家会面 - 但最终,选择权在你自己手中。同样,AI (即使是 AGI) 可以为人类决策提供信息,简化重复性任务,并提供行动方案。选择权在你。
即使 AI 不断进步,就像俗话说的"品味无可争议"。AI 用过去预测未来,所以它在解释之前未见过的模式时会遇到困难。在涉及意见、直觉、预测和人类智慧的问题上,AI 处于劣势。但如果我们了解如何与其潜力合作,与 AI 甚至 AI 代理合作可以在许多工作领域产生巨大的影响。对每个企业来说,信息是:你有了一个叫做 ChatGPT 的新团队成员。超越炒作,做你最擅长的事:围绕能帮助企业成长的资源建立团队。如果 ChatGPT 的表现达到或接近人类水平,就给予它相应的尊重。同时保持警惕。而不是盲目服从。这种合作不是基于 ChatGPT 的超级智能 - 而是与这个接近人类的新伙伴合作的最明智方式。
好文章,需要你的鼓励
英特尔携手戴尔以及零克云,通过打造“工作站-AI PC-云端”的协同生态,大幅缩短AI部署流程,助力企业快速实现从想法验证到规模化落地。
意大利ISTI研究院推出Patch-ioner零样本图像描述框架,突破传统局限实现任意区域精确描述。系统将图像拆分为小块,通过智能组合生成从单块到整图的统一描述,无需区域标注数据。创新引入轨迹描述任务,用户可用鼠标画线获得对应区域描述。在四大评测任务中全面超越现有方法,为人机交互开辟新模式。
阿联酋阿布扎比人工智能大学发布全新PAN世界模型,超越传统大语言模型局限。该模型具备通用性、交互性和长期一致性,能深度理解几何和物理规律,通过"物理推理"学习真实世界材料行为。PAN采用生成潜在预测架构,可模拟数千个因果一致步骤,支持分支操作模拟多种可能未来。预计12月初公开发布,有望为机器人、自动驾驶等领域提供低成本合成数据生成。
MIT研究团队发现,AI系统无需严格配对的多模态数据也能显著提升性能。他们开发的UML框架通过参数共享让AI从图像、文本、音频等不同类型数据中学习,即使这些数据间没有直接对应关系。实验显示这种方法在图像分类、音频识别等任务上都超越了单模态系统,并能自发发展出跨模态理解能力,为未来AI应用开辟了新路径。