AI 公司创始人们经常对这项技术改变各个领域(尤其是科学领域)的潜力做出大胆断言。但 Hugging Face 的联合创始人兼首席科学官 Thomas Wolf 却持有一个更为谨慎的观点。
在周四发布在 X 平台上的一篇文章中,Wolf 表示,他担心在没有 AI 研究突破的情况下,AI 正在成为"服务器上的应声虫"。他进一步解释说,目前的 AI 发展模式无法产生具备跳出框架、创造性解决问题能力的 AI —— 这种解决问题的能力才是获得诺贝尔奖的关键。
Wolf 写道:"人们通常犯的最大错误是认为像牛顿或爱因斯坦这样的人只是优秀学生的放大版,认为天才就是把前 10% 的学生线性外推的结果。要在数据中心创造一个爱因斯坦,我们需要的不仅是一个知道所有答案的系统,而是一个能够提出别人从未想到或不敢问的问题的系统。"
Wolf 的观点与 OpenAI CEO Sam Altman 形成鲜明对比,后者在今年早些时候的一篇文章中表示,"超级智能" AI 可以"大幅加速科学发现"。同样,Anthropic CEO Dario Amodei 也预测 AI 可以帮助找到大多数癌症类型的治疗方法。
Wolf 认为当今 AI 的问题 —— 以及他认为这项技术正在走向何方 —— 在于它无法通过连接之前不相关的事实来产生新知识。他说,即使拥有互联网上的大部分信息,按照我们目前对 AI 的理解,它主要是在填补人类已知之间的空白。
一些 AI 专家,包括前谷歌工程师 Francois Chollet,也表达了类似观点,认为虽然 AI 可能能够记忆推理模式,但不太可能基于新情况产生"新的推理"。
Wolf 认为 AI 实验室正在构建的本质上是"非常听话的学生" —— 而不是任何意义上的科学革命者。他说,今天的 AI 并不被激励去质疑和提出可能与其训练数据相悖的想法,这限制了它只能回答已知问题。
Wolf 认为 AI 领域的"评估危机"部分导致了这种令人失望的状况。他指出,目前用来衡量 AI 系统改进的基准测试大多包含那些有明确、显而易见和"封闭式"答案的问题。
作为解决方案,Wolf 建议 AI 行业"转向一种知识和推理的衡量方式",能够阐明 AI 是否能够采取"大胆的反事实方法",基于"微小提示"提出普遍性建议,并提出能导向"新研究路径"的"非显而易见的问题"。
Wolf 承认,找出这种衡量方式的具体形式将是一个难题。但他认为这可能是值得付出努力的。
Wolf 说:"科学最关键的方面是提出正确问题和挑战已学知识的能力。我们不需要一个能用常识回答每个问题的 A+ (AI) 学生。我们需要一个能看到并质疑其他人都忽略的内容的 B 级学生。"
好文章,需要你的鼓励
Alpine Linux核心开发者Ariadne Conill推出了Wayback项目,这是一个实验性的X兼容层,允许使用Wayland组件运行完整的X桌面环境。该项目本质上是一个提供足够Wayland功能来托管rootful Xwayland服务器的存根合成器。与现有的XWayland不同,Wayback旨在创建一个类似X11风格的基于Wayland的显示服务器,让用户能够继续使用传统的X11窗口管理器和桌面环境,而无需重写或替换这些熟悉的工具。
大连理工大学和浙江大学研究团队提出MoR(Mixture of Reasoning)方法,通过将多种推理策略嵌入AI模型参数中,让AI能自主选择最适合的思考方式,无需人工设计专门提示词。该方法包含思维生成和数据集构建两阶段,实验显示MoR150模型性能显著提升,比基线模型提高2.2%-13.5%,为AI推理能力发展开辟新路径。
当AI遇到空间推理难题:最新研究揭示GPT-4等顶尖模型在传送门解谜和立体拼图中集体"挂科",复杂智能远比我们想象的更难实现。
剑桥大学研究团队开发了FreNBRDF技术,通过引入频率修正机制显著提升了计算机材质建模的精度。该技术采用球面谐波分析提取材质频率信息,结合自动编码器架构实现高质量材质重建与编辑。实验表明,FreNBRDF在多项指标上超越现有方法,特别在频率一致性方面改善近30倍,为游戏开发、影视制作、电商预览等领域提供了重要技术支撑。