過去十年，人工智能系統(tǒng)飛速發(fā)展。從2016年Alpha Go在復(fù)雜的圍棋游戲中擊敗李世石開始，人工智能現(xiàn)在能夠比人類更好地識別圖像和語音，并通過包括商學(xué)院考試等在內(nèi)的測試。

近期，在美國參議院司法委員會關(guān)于監(jiān)管人工智能的聽證會上，康涅狄格州參議員理查德·布盧門撒爾(Richard Blumenthal)描述了其人們對人工智能最新進(jìn)展的反應(yīng)。“這個被反復(fù)使用的詞很可怕?！?/p>

負(fù)責(zé)監(jiān)督會議的隱私、技術(shù)和法律小組委員會聽取了三名專家證人的證詞，他們強(qiáng)調(diào)了人工智能的進(jìn)展速度。證人之一、著名人工智能公司Anthropic的首席執(zhí)行官達(dá)里奧·阿莫代伊(Dario Amodei)表示:“了解人工智能最重要的一點(diǎn)是它的發(fā)展速度有多快?！?/p>

人工智能已經(jīng)在許多任務(wù)上超越了人類，而且人類在新任務(wù)上被超越的速度正在增加。相對于人類的表現(xiàn)，最先進(jìn)的人工智能表現(xiàn)都在人類基準(zhǔn)之上。

如上圖所示，人工智能在手寫識別（Handwriting recognition），語音理解（Speech recognition），圖像識別（Image recognition），閱讀理解（Reading comprehension），語言理解（Language understanding）等方面已經(jīng)超越人類，而在常識補(bǔ)全（Common sense completion），小學(xué)數(shù)學(xué)（Grade school math），代碼生成（Code generation）方面也與人類水平非常接近。因此，按照這個發(fā)展趨勢，未來幾年人工智能將在更多的領(lǐng)域?qū)崿F(xiàn)對人類的超越。

過去，人們通常認(rèn)為科學(xué)技術(shù)進(jìn)步從根本上來說是不可預(yù)測的，并且是由事后更清晰的洞察力所驅(qū)動的。但可以預(yù)見的是，人工智能系統(tǒng)能力的進(jìn)步是由計算、數(shù)據(jù)和算法這三種輸入的進(jìn)步推動的。過去70年的大部分進(jìn)步都是研究人員使用更強(qiáng)的計算處理能力（通常稱為“計算”）來訓(xùn)練人工智能系統(tǒng)的結(jié)果，為系統(tǒng)提供更多數(shù)據(jù)，或者提出有效減少獲得相同結(jié)果所需的計算或數(shù)據(jù)量的算法技巧。

因此，了解了過去這三個因素如何推動人工智能進(jìn)步，是理解為什么大多數(shù)從事人工智能工作的人預(yù)計AI的進(jìn)展不會很快放緩的關(guān)鍵。

計算

世界上第一個人工神經(jīng)網(wǎng)絡(luò)Perceptron Mark I于1957年開發(fā)出來，當(dāng)時它可以學(xué)習(xí)辨別卡片是標(biāo)記在左側(cè)還是右側(cè)。它有1000個人工神經(jīng)元，訓(xùn)練它需要大約700000次操作。70多年后，OpenAI發(fā)布了大型語言模型GPT-4。訓(xùn)練 GPT-4 估計需要 21*102?次運(yùn)算。

計算量的增加使人工智能系統(tǒng)能夠攝取更多的數(shù)據(jù)，這意味著系統(tǒng)有更多的例子可供學(xué)習(xí)。更多的計算還允許系統(tǒng)更詳細(xì)地對數(shù)據(jù)中變量之間的關(guān)系進(jìn)行建模，這意味著它可以從顯示的示例中得出更準(zhǔn)確和細(xì)致的結(jié)論。

自 1965 年以來，摩爾定律（即集成電路中晶體管的數(shù)量大約每兩年增加一倍）意味著計算的價格一直在穩(wěn)步下降。研究機(jī)構(gòu)Epoch的主管杰米·塞維利亞(Jaime Sevilla)表示，雖然這確實(shí)意味著用于訓(xùn)練人工智能系統(tǒng)的計算量增加了，但研究人員更專注于開發(fā)構(gòu)建人工智能系統(tǒng)的新技術(shù)，而不是關(guān)注用于訓(xùn)練這些系統(tǒng)的計算量。

杰米·塞維利亞(Jaime Sevilla)說，這種情況在2010年左右發(fā)生了變化。“人們意識到，如果要訓(xùn)練更大的模型，實(shí)際上不會得到收益遞減的結(jié)果，”這是當(dāng)時普遍持有的觀點(diǎn)。

從那時起，開發(fā)人員花費(fèi)越來越多的資金來訓(xùn)練更大規(guī)模的模型。訓(xùn)練人工智能系統(tǒng)需要昂貴的專用芯片。人工智能開發(fā)人員要么構(gòu)建自己的計算基礎(chǔ)設(shè)施，要么向云計算提供商付費(fèi)以訪問他們的計算基礎(chǔ)設(shè)施。OpenAI首席執(zhí)行官Sam Altman表示，GPT-4 的訓(xùn)練成本超過1億美元。這種支出的增加，加上摩爾定律導(dǎo)致的計算成本的持續(xù)下降，導(dǎo)致人工智能模型需要接受大量計算的訓(xùn)練。

OpenAI和Anthropic兩家領(lǐng)先的人工智能公司各自從投資者那里籌集了數(shù)十億美元，用于支付他們用于訓(xùn)練人工智能系統(tǒng)的計算費(fèi)用，并且每家都與財力雄厚的科技巨頭建立了合作伙伴關(guān)系——OpenAI與微軟、Anthropic與谷歌。

從上圖可以看出，自1950年以來，用于訓(xùn)練人工智能系統(tǒng)的計算量一直在增加，增長率在2010年開始明顯增加。

數(shù)據(jù)

人工智能系統(tǒng)的工作原理是建立訓(xùn)練數(shù)據(jù)中變量之間關(guān)系的模型。一般來說，更多的數(shù)據(jù)點(diǎn)意味著人工智能系統(tǒng)擁有更多的信息來建立數(shù)據(jù)中變量之間關(guān)系的準(zhǔn)確模型，從而提高性能。

關(guān)于Perceptron Mark I 的最初研究論文稱，它僅根據(jù)六個數(shù)據(jù)點(diǎn)進(jìn)行訓(xùn)練。相比之下，LlaMa是由Meta 研究人員開發(fā)并于2023年發(fā)布的大型語言模型，接受了約10億個數(shù)據(jù)點(diǎn)的訓(xùn)練，比Perceptron Mark 1增加了1.6億多倍。就LlaMa而言，數(shù)據(jù)點(diǎn)是從以下多種來源位置收集的文本：其中67%來自Common Crawl數(shù)據(jù)（Common Crawl 是一個非營利組織，負(fù)責(zé)抓取互聯(lián)網(wǎng)并免費(fèi)提供收集到的數(shù)據(jù)），4.5%來自GitHub（軟件開發(fā)人員使用的互聯(lián)網(wǎng)服務(wù)），以及 4.5%來自維基百科。

上圖反映了在過去的70年里，用于訓(xùn)練人工智能模型的數(shù)據(jù)點(diǎn)數(shù)量急劇增加。

算法

算法（定義要執(zhí)行的操作序列的規(guī)則或指令集）決定人工智能系統(tǒng)如何準(zhǔn)確地使用計算能力來對給定數(shù)據(jù)中的變量之間的關(guān)系進(jìn)行建模。除了使用越來越多的計算量來簡單地訓(xùn)練人工智能系統(tǒng)以獲取更多數(shù)據(jù)外，人工智能開發(fā)人員還一直在尋找從更少的資源中獲得更多收益的方法。Epoch 的研究發(fā)現(xiàn)，“每九個月，更好的算法的引入就相當(dāng)于計算預(yù)算增加了一倍。”

算法的進(jìn)步意味著需要更少的計算和數(shù)據(jù)來達(dá)到給定的性能水平，上圖在圖像識別測試中達(dá)到80.9%準(zhǔn)確率所需的計算量和數(shù)據(jù)點(diǎn)數(shù)。對于在一萬億個數(shù)據(jù)點(diǎn)上訓(xùn)練的模型，2021年訓(xùn)練的模型所需的計算量比2012年訓(xùn)練的模型少16500倍。

人工智能的下一階段進(jìn)展

根據(jù)Epoch的主管杰米·塞維利亞(Jaime Sevilla)的說法，人工智能開發(fā)人員用于訓(xùn)練其系統(tǒng)的計算量可能會在一段時間內(nèi)繼續(xù)以目前的加速速度增加，因?yàn)槠髽I(yè)會增加在訓(xùn)練每個人工智能系統(tǒng)上花費(fèi)的資金，并且隨著計算價格持續(xù)穩(wěn)定下降效率也會提高。Sevilla預(yù)測這種情況將持續(xù)下去，直到某個時候不再值得繼續(xù)花更多的錢，因?yàn)樵黾佑嬎懔恐荒苈晕⑻岣咝阅?。此后，所使用的計算量將繼續(xù)增加，但速度會減慢，這完全是由于摩爾定律導(dǎo)致計算成本下降。

輸入現(xiàn)代人工智能系統(tǒng)（例如 LlaMa）的數(shù)據(jù)是從互聯(lián)網(wǎng)上抓取的。從歷史上看，限制輸入人工智能系統(tǒng)的數(shù)據(jù)量的因素一直是擁有足夠的計算來處理這些數(shù)據(jù)。但是，最近用于訓(xùn)練人工智能系統(tǒng)的數(shù)據(jù)量激增，已經(jīng)超過了互聯(lián)網(wǎng)上新文本數(shù)據(jù)的產(chǎn)生速度， Epoch的研究人員預(yù)測，到2026年，人工智能開發(fā)人員將耗盡高質(zhì)量的語言數(shù)據(jù)。研究人員預(yù)測，到 2026 年，人工智能開發(fā)人員將耗盡高質(zhì)量的語言數(shù)據(jù)。

那些開發(fā)人工智能系統(tǒng)的人往往不太關(guān)心這個問題。OpenAI首席科學(xué)家 Ilya Sutskever表示，“數(shù)據(jù)情況仍然相當(dāng)不錯。還有很多事情要做?！?而人工智能公司Anthropic的首席執(zhí)行官達(dá)里奧·阿莫代伊(Dario Amodei)則估計，“這種擴(kuò)展可能有10%的可能性會因無法收集足夠的數(shù)據(jù)而中斷。”

塞維利亞還相信，數(shù)據(jù)缺乏不會阻礙人工智能的進(jìn)一步改進(jìn)——例如找到使用低質(zhì)量語言數(shù)據(jù)的方法——因?yàn)榕c計算不同，數(shù)據(jù)缺乏以前并不是人工智能進(jìn)步的瓶頸。他預(yù)計人工智能開發(fā)人員可能會發(fā)現(xiàn)許多容易實(shí)現(xiàn)的創(chuàng)新成果來解決這個問題。

杰米·塞維利亞(Jaime Sevilla)表示，算法的進(jìn)步可能會繼續(xù)增強(qiáng)用于訓(xùn)練人工智能系統(tǒng)的計算和數(shù)據(jù)量。到目前為止，大多數(shù)改進(jìn)都來自于更有效地使用計算。Epoch發(fā)現(xiàn)過去超過四分之三的算法進(jìn)步都被用來彌補(bǔ)計算方面的不足。如果未來，隨著數(shù)據(jù)成為人工智能訓(xùn)練進(jìn)展的瓶頸，更多的算法進(jìn)展可能會集中在彌補(bǔ)數(shù)據(jù)的不足上。

將這三部分放在一起，包括杰米·塞維利亞(Jaime Sevilla)在內(nèi)的專家預(yù)計人工智能至少在未來幾年將繼續(xù)以驚人的速度取得進(jìn)展。隨著企業(yè)花費(fèi)更多的錢并且底層技術(shù)變得更便宜，計算將繼續(xù)增加。互聯(lián)網(wǎng)上剩余的有用數(shù)據(jù)將用于訓(xùn)練人工智能模型，研究人員將繼續(xù)尋找訓(xùn)練和運(yùn)行人工智能系統(tǒng)的方法，以更有效地利用計算和數(shù)據(jù)。

這些十年趨勢的延續(xù)是專家認(rèn)為人工智能將繼續(xù)變得更加強(qiáng)大的原因。這讓很多專家感到擔(dān)憂。

達(dá)里奧·阿莫代伊(Dario Amodei)在美國參議院委員會聽證會上發(fā)言時表示，如果繼續(xù)以同樣的速度取得進(jìn)展，在未來兩到三年內(nèi)，很多人都能夠獲得即使是今天的專家也無法掌握的科學(xué)知識。他表示，這可能會增加“造成嚴(yán)重破壞”的人數(shù)?！拔姨貏e擔(dān)心人工智能系統(tǒng)可能會在網(wǎng)絡(luò)安全、核技術(shù)、化學(xué)，尤其是生物學(xué)領(lǐng)域被大規(guī)模濫用?！?/p>

本文作者：Will Henshall資料來源：TIME

生成海報

免責(zé)聲明：本網(wǎng)站內(nèi)容主要來自原創(chuàng)、合作伙伴供稿和第三方自媒體作者投稿，凡在本網(wǎng)站出現(xiàn)的信息，均僅供參考。本網(wǎng)站將盡力確保所提供信息的準(zhǔn)確性及可靠性，但不保證有關(guān)資料的準(zhǔn)確性及可靠性，讀者在使用前請進(jìn)一步核實(shí)，并對任何自主決定的行為負(fù)責(zé)。本網(wǎng)站對有關(guān)資料所引致的錯誤、不確或遺漏，概不負(fù)任何法律責(zé)任。任何單位或個人認(rèn)為本網(wǎng)站中的網(wǎng)頁或鏈接內(nèi)容可能涉嫌侵犯其知識產(chǎn)權(quán)或存在不實(shí)內(nèi)容時，應(yīng)及時向本網(wǎng)站提出書面權(quán)利通知或不實(shí)情況說明，并提供身份證明、權(quán)屬證明及詳細(xì)侵權(quán)或不實(shí)情況證明。本網(wǎng)站在收到上述法律文件后，將會依法盡快聯(lián)系相關(guān)文章源頭核實(shí)，溝通刪除相關(guān)內(nèi)容或斷開相關(guān)鏈接。