Από την ανάπτυξη της τεχνητής νοημοσύνης, έχει γίνει η βασική κινητήρια δύναμη για έναν νέο γύρο παγκόσμιας τεχνολογικής επανάστασης και βιομηχανικού μετασχηματισμού. Επί του παρόντος, η χρήση μεγάλων δεδομένων για την αύξηση της υπολογιστικής ισχύος και την ενίσχυση των αλγορίθμων για τη δημιουργία εξαιρετικά μεγάλης κλίμακας πνευματικών μοντέλων έχει γίνει ο πυρήνας της νέας γενιάς οικολογίας τεχνητής νοημοσύνης. Θα είναι μια σημαντική υποδομή εφαρμογών για την ανάπτυξη της τεχνητής νοημοσύνης στη χώρα μου και κλειδί για την υλοποίηση της συνολικής κορυφαίας στρατηγικής της χώρας μου για την τεχνητή νοημοσύνη το 2030. Βασική Πλατφόρμα.
Το πρώτο συνέδριο του Φόρουμ του Μποάο για την Ασία Παγκόσμια Οικονομική Ανάπτυξη και Φόρουμ Ασφάλειας, με θέμα «Οικονομική ασφάλεια και βιώσιμη ανάπτυξη υπό μεγάλες αλλαγές», θα πραγματοποιηθεί στην Τσανγκσά του Χουνάν από τις 18 έως τις 20 Οκτωβρίου. Στόχος του είναι να συζητηθούν οι απαντήσεις στους παγκόσμιους οικονομικούς κινδύνους και τα διαρθρωτικά ζητήματα θα συζητηθούν μαζί σε θέματα όπως η ευφυής κατασκευή και η τεχνολογική επανάσταση.
Σχετικά με θέματα όπως η κατεύθυνση ανάπτυξης και οι προοπτικές εφαρμογής της τεχνητής νοημοσύνης στην εποχή των μεγάλων μοντέλων, ένας δημοσιογράφος από το Beijing Business Daily πραγματοποίησε πρόσφατα μια αποκλειστική συνέντευξη με τον Huang Tiejun, καθηγητή στη Σχολή Επιστήμης και Τεχνολογίας Πληροφορικής στο Πανεπιστήμιο του Πεκίνου και διευθυντή του του Τμήματος Επιστήμης και Τεχνολογίας Υπολογιστών.
Beijing Business Daily: Τα μεγάλα μοντέλα αποκαλούνται ο πυρήνας της νέας γενιάς οικοσυστήματος τεχνητής νοημοσύνης. Μπορείτε να παρουσιάσετε εν συντομία τι είναι ένα μεγάλο μοντέλο; Ποια προβλήματα θα λυθούν;
Huang Tiejun: Το μεγάλο μοντέλο είναι ένα βασικό κοινό μοντέλο που προσδίδει ευφυΐα σε διάφορες εφαρμογές. Γενικά, είναι μια βασική πλατφόρμα που μαθαίνει τη γνώση και τους κανόνες που περιέχονται στα δεδομένα από τεράστια μεγάλα δεδομένα, τα συμπυκνώνει σε ένα νευρωνικό δίκτυο και το μετατρέπει σε ένα μεγάλο μοντέλο και παρέχει υπηρεσίες για διάφορες γενικές ευφυείς εργασίες.
Για παράδειγμα, στο κινητό Διαδίκτυο, οι προμηθευτές υπηρεσιών cloud μπορούν να έχουν πολλές δυνατότητες εξυπηρέτησης, αλλά χωρίς έναν πάροχο όπως το App, θα είναι δύσκολο για τους χρήστες να αποκτήσουν διάφορες υπηρεσίες cloud. Από αυτή την άποψη, το ίδιο το App είναι ένα βιομηχανικό οικοσύστημα. Στην πραγματικότητα, τα μεγάλα μοντέλα πρέπει επί του παρόντος να λύσουν παρόμοια προβλήματα.
Τα μεγάλα μοντέλα είναι δημόσιες υπηρεσίες που είναι εξαιρετικά ακτινοβόλο και άκρως τεχνικές. Όλα τα κοινωνικά στρώματα θα έχουν κάποιες συγκεκριμένες ανάγκες στο μέλλον και ορισμένες εταιρείες θα χρειαστεί να αναπτύξουν μεγάλες μετατροπές μοντέλων και προσαρμοσμένες διεπαφές.
Beijing Business Daily: Πώς τα μεγάλα μοντέλα θα συνδέσουν την οικολογία τεχνολογίας τεχνητής νοημοσύνης και τη βιομηχανική οικολογία; Ποια θα είναι η επόμενη κατεύθυνση εφαρμογής της τεχνητής νοημοσύνης στον τομέα των πληροφοριών;
Huang Tiejun: Η κατανόηση και η εφαρμογή της τεχνητής νοημοσύνης σε πολλές βιομηχανίες είναι ακόμα σε διερευνητικό στάδιο και υπάρχει μια ορισμένη απόσταση μεταξύ τους. Ο τρόπος σύνδεσης αυτής της διεπαφής απαιτεί στην πραγματικότητα μια ομάδα εταιρειών που μπορεί να μετατρέψει τις δυνατότητες μεγάλων μοντέλων σε περιεχόμενο που απαιτείται από διάφορες βιομηχανίες.
Είναι πολύ δύσκολο να προβλέψουμε ποια θα είναι η επόμενη εφαρμογή στον τομέα των πληροφοριών. Νομίζω ότι στην πραγματικότητα, το copywriting, η επεξεργασία πληροφοριών και άλλες εργασίες θα αντικατασταθούν από την τεχνητή νοημοσύνη ή οι περισσότερες από αυτές θα επιλυθούν από μεγάλα μοντέλα τεχνητής νοημοσύνης, που θα επιφέρουν μεγάλες δυνατότητες εφαρμογής.
Οι διάφορες εφαρμογές των μηχανών αναζήτησης αφορούν τελικά την οργάνωση, την εξόρυξη και τη χρήση των πληροφοριών. Για παράδειγμα, τα άτομα μπορούν να συλλέγουν δεδομένα και να κάνουν κάποια επεξεργασία πληροφοριών μέσω των μηχανών αναζήτησης. Τώρα τα μεγάλα μοντέλα λύνουν το πρόβλημα της συλλογής μαζικών δεδομένων. Τα δεδομένα του δεν είναι έργο κάποιου ατόμου ή ομάδας ανθρώπων, αλλά συλλέγουν όλα τα δεδομένα και τα αντικατοπτρίζουν. Ελάτε να εξυπηρετήσετε διάφορες εφαρμογές επεξεργασίας πληροφοριών copywriting. Η τελική έξοδος μπορεί να είναι ακόμα ανθρώπινη, αλλά οι περισσότερες από τις εργασίες πίσω από αυτήν θα ολοκληρωθούν από την τεχνητή νοημοσύνη. Οι δυνατότητες για αυτήν την κατεύθυνση εφαρμογής είναι τεράστιες.
Beijing Business Daily: Πώς εξελίχθηκε η τεχνολογία τεχνητής νοημοσύνης στην εποχή των μεγάλων μοντέλων; Ποιες είναι οι διαφορές σε σχέση με πριν;
Huang Tiejun: Η ανάπτυξη της τεχνητής νοημοσύνης σε μεγάλα μοντέλα καθορίζεται από τους βασικούς νόμους της ανάπτυξης της τεχνολογίας τεχνητής νοημοσύνης. Υπάρχουν δύο σχολές σκέψης για την τεχνητή νοημοσύνη. Μια ομάδα πιστεύει ότι οι επιστημονικοί μηχανισμοί, οι θεωρίες, τα μαθηματικά και οι αλγόριθμοι πίσω από την τεχνητή νοημοσύνη είναι πολύ σημαντικοί. η άλλη ομάδα πιστεύει ότι η τεχνητή νοημοσύνη είναι γενικά μια τεχνολογία, που κατασκευάζει ένα ευφυές σύστημα και στη συνέχεια κατανοεί τον μηχανισμό του ευφυούς συστήματος. Το τελευταίο είναι η κυρίαρχη άποψη της τεχνητής νοημοσύνης.
Στη διαδικασία κατασκευής της τεχνητής νοημοσύνης, ήταν έργο λίγων επιστημονικών ερευνητών αρχικά και αργότερα συμμετείχαν σταδιακά εταιρείες. Στο μέλλον, η βιομηχανία, η ακαδημαϊκή κοινότητα, η έρευνα και ολόκληρη η κοινωνία θα κατασκευάσουν από κοινού ένα μοντέλο. Γιατί να το κάνεις αυτό; Στην πραγματικότητα, ο λόγος είναι πολύ απλός. Εάν τα δεδομένα που μαθαίνει ένα σύστημα ή μοντέλο τεχνητής νοημοσύνης δεν είναι πλήρη και αρκετά έγκαιρα, θα είναι δύσκολο να πιστέψουμε ότι το έξυπνο μοντέλο του είναι πολύ ικανό. Το λεγόμενο μεγάλο μοντέλο είναι να ενσωματώσει διάφορους πόρους δεδομένων, τους ισχυρότερους αλγόριθμους και υπολογιστική ισχύ στην κοινωνία σε μια δημόσια βασική πλατφόρμα που μπορεί να χρησιμοποιήσει ο καθένας. Αυτή είναι η κατεύθυνση που πρέπει να ακολουθήσουμε κατά την κατασκευή συστημάτων τεχνητής νοημοσύνης. .
Σε αυτή τη διαδικασία, οι δυνατότητες των μεγάλων μοντέλων γίνονται ισχυρότερες, που με τη σειρά τους θα παίξουν ρόλο σε όλες τις πτυχές της κοινωνίας. Μόλις παίξει έναν ρόλο, περισσότεροι άνθρωποι θα τον χτίσουν. Είναι ένα καλοήθη επαναληπτικό αποτέλεσμα.
Στην πραγματικότητα, το δυναμικό της τεχνητής νοημοσύνης εξαρτάται από τα δεδομένα που μπορεί να αποκτήσει. Ακριβώς όπως οι άνθρωποι «διαβάζουν χιλιάδες βιβλία και ταξιδεύουν χιλιάδες μίλια», η τεχνητή νοημοσύνη είναι επίσης παρόμοια. Ο φυσικός κόσμος και ακόμη και το σύμπαν είναι τόσο απέραντο. Εάν μπορεί να μετατραπεί σε δεδομένα και πληροφορίες και να επιτραπεί να μαθευτεί από την τεχνητή νοημοσύνη, ο χώρος θα είναι πολύ μεγάλος.
Δεν τολμώ να πω αν η ικανότητα του μεγάλου μοντέλου θα ξεπεράσει αυτή του καθενός, αλλά τουλάχιστον κανείς δεν έχει λάβει όλες τις πληροφορίες και είναι αδύνατο να ανακαλύψει τους νόμους πίσω από αυτό. Το φυσικό σώμα και ο κύκλος ζωής του καθενός από εμάς καθορίζουν ότι τα δεδομένα που μπορούμε να αποκτήσουμε είναι ακόμα σχετικά περιορισμένα.
Beijing Business Daily: Ποιες προκλήσεις πρέπει ακόμη να ξεπεραστούν στην ανάπτυξη μεγάλων μοντέλων; Ποια είναι η μελλοντική αναπτυξιακή πορεία;
Huang Tiejun: Υπάρχει τώρα ένα σύνολο τεχνολογιών και αλγορίθμων για την εκπαίδευση μεγάλων μοντέλων, αλλά αν υπάρχουν καλύτεροι αλγόριθμοι, η ακαδημαϊκή κοινότητα και η βιομηχανία εξακολουθούν να αναζητούν και να εξερευνούν συνεχώς. Επί του παρόντος, απαιτούνται πολλές εκπομπές άνθρακα για την εκπαίδευση ενός έξυπνου μοντέλου. Στο μέλλον, μπορεί να απαιτούνται λιγότερες εκπομπές άνθρακα για την εκπαίδευση ενός μοντέλου. Νομίζω ότι μια μέρα, η τεχνητή νοημοσύνη μπορεί να κοστίσει λιγότερο για την εκπαίδευση από έναν άνθρωπο, και αυτό είναι άλλο ένα ορόσημο.
Ως εκ τούτου, καθώς η τεχνητή νοημοσύνη έρχεται σε επαφή με όλο και περισσότερα δεδομένα, και καθώς η αποτελεσματικότητα της μάθησης και της εκπαίδευσης γίνεται όλο και υψηλότερη, το αποτέλεσμά της θα είναι ένα μεγάλο μοντέλο. Στο μέλλον, μπορεί να είναι ένα πολύ μεγάλο μοντέλο ή ένα πολύ μεγάλο μοντέλο και θα συνεχίσει να επαναλαμβάνεται. Ο δρόμος είναι ήδη ξεκάθαρος.
Αλλά δεν υπάρχει βάση για το πού είναι το ανώτατο όριο. Προς το παρόν, μεγαλύτερο τόσο καλύτερο. Μπορεί αφού επεκταθεί σε ένα συγκεκριμένο επίπεδο, να μην είναι πλέον μια απλή γραμμική αύξηση ή μπορεί μετά από ένα συγκεκριμένο επίπεδο, η ανάπτυξη να αρχίσει να επιβραδύνεται, αλλά αυτές είναι ακόμα εικασίες αυτή τη στιγμή.
Beijing Business Daily: Πώς να εξετάσετε ορισμένα ζητήματα ασφάλειας και ηθικής κατά τη διαδικασία ανάπτυξης μεγάλων μοντέλων; Πώς να το αποφύγετε;
Huang Tiejun: Τα ζητήματα ασφάλειας και ηθικής της τεχνητής νοημοσύνης δεν θα λυθούν εν μία νυκτί. Για παράδειγμα, ζητήματα ασφάλειας πληροφοριών συνεχίζουν να προκύπτουν με την ανάπτυξη των πληροφοριών και πρέπει να τα λύσουμε αφού προκύψουν.
Στη διαδικασία ανάπτυξης μεγάλων μοντέλων, υπάρχουν επίσης κάποιοι εγγενείς κίνδυνοι. Για παράδειγμα, η γνώση που αποκτήθηκε από το μοντέλο δεν συνάδει με την ηθική και τις αρχές. Αυτοί οι κίνδυνοι μπορούν να ελεγχθούν εκ των προτέρων. αλλά υπάρχουν και ορισμένοι κίνδυνοι που προκαλούνται από τη συνεχή πρόοδο της τεχνολογίας. Αν έρθει, τότε και η λύση του πρέπει να λύνεται συνεχώς με τεχνικά μέσα. «Για να λύσεις το κουδούνι, πρέπει να δέσεις το κουδούνι». Εάν δεν αναπτύξουμε αυτήν την τεχνολογία λόγω ορισμένων πιθανών προβλημάτων, δεν θα συμμορφωθεί με τους νόμους της επιστημονικής και τεχνολογικής ανάπτυξης.
