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
AWS通过升级SageMaker机器学习平台来扩展市场地位,新增观测能力、连接式编码环境和GPU集群性能管理功能。面对谷歌和微软的激烈竞争,AWS专注于为企业提供AI基础设施支撑。SageMaker新功能包括深入洞察模型性能下降原因、为开发者提供更多计算资源控制权,以及支持本地IDE连接部署。这些更新主要源于客户需求,旨在解决AI模型开发中的实际问题。
南洋理工大学研究团队开发了WorldMem框架,首次让AI拥有真正的长期记忆能力,解决了虚拟世界模拟中的一致性问题。该系统通过记忆银行存储历史场景,并使用智能检索机制,让AI能准确重现之前的场景和事件,即使间隔很长时间。实验显示在Minecraft和真实场景中都表现出色,为游戏、自动驾驶、机器人等领域带来广阔应用前景。
AI虽具备变革企业洞察力的潜力,但成功依赖于数据质量。大多数AI项目失败源于数据混乱分散而非算法局限。谷歌BigQuery云数据AI平台打破数据孤岛,简化治理,加速企业AI应用。通过AI自动化数据处理,实现实时分析,并与Vertex AI深度集成,使企业能够高效处理结构化和非结构化数据,将智能商业转型从愿景变为现实。
MTS AI研究团队提出RewardRanker系统,通过重排序模型和迭代自训练显著提升AI代码生成质量。该方法让13.4B参数模型超越33B大模型,在多种编程语言上表现优异,甚至在C++上超越GPT-4。通过引入困难负样本和PPO优化,系统能从多个代码候选中选出最优方案,为AI编程助手的实用化奠定基础。