文|觀察未來科技

雖然過去人們對通用人工智能（AGI）總有各種抽象的想法，但如今，隨著圖像生成、代碼生成、自然語言處理等AI生成技術(shù)的發(fā)展，通用人工智能似乎已經(jīng)走到了一個重要的十字路口。生成式AI是技術(shù)底座之上的場景革新，涵蓋了圖文創(chuàng)作、代碼生成、游戲、廣告、藝術(shù)平面設(shè)計等應(yīng)用。

可以看到的是，以多模態(tài)預(yù)訓(xùn)練大模型、生成式AI為代表的AI技術(shù)已經(jīng)來到規(guī)?；耙埂⒈l(fā)前的奇點。一方面，人類對AGI的想象開始具象；另一方面，對AGI前途無量感到震驚的科學(xué)家們，則開始著手探討并如何塑造 AGI 的未來。

從狹義AI到通用AI

到目前為止，我們所接觸的AI產(chǎn)品大都還是狹義AI。

簡單來說，狹義AI就是一種被編程來執(zhí)行單一任務(wù)的人工智能——無論是檢查天氣、下棋，還是分析原始數(shù)據(jù)以撰寫新聞報道。狹義AI系統(tǒng)可以實時處理任務(wù)，但它們從特定的數(shù)據(jù)集中提取信息。因此，這些系統(tǒng)不會在它們設(shè)計要執(zhí)行的單個任務(wù)之外執(zhí)行。

Google assistant、Google Translate、Siri等自然語言處理工具都是狹義AI的產(chǎn)品。雖然它們能夠與我們交互并處理人類語言，但這些機器遠沒有達到人類的智能水平。比如，當(dāng)我們與Siri交談時，Siri并不能靈活地來響應(yīng)我們的查詢。相反，Siri所能做的，就是處理人類語言，將其輸入搜索引擎，然后返回給我們。

通用AI則是指在不特別編碼知識與應(yīng)用區(qū)域的情況下，應(yīng)對多種甚至泛化問題的人工智能技術(shù)。雖然從直覺上看，狹義AI與通用AI是同一類東西，只是一種不太成熟和復(fù)雜的實現(xiàn)，但事實并非如此。

狹義AI就像是計算機發(fā)展的初期，人們最早設(shè)計電子計算機是為了代替人類計算者完成特定的任務(wù)。而艾倫·圖靈等數(shù)學(xué)家則認為，我們應(yīng)該制造通用計算機，我們可以對其編程，從而完成所有任務(wù)。

于是，曾經(jīng)在一段過渡時期，人們制造了各種各樣的計算機，包括為特定任務(wù)設(shè)計的計算機、模擬計算機、只能通過改變線路來改變用途的計算機，還有一些使用十進制而非二進制工作的計算機?，F(xiàn)在，幾乎所有的計算機都滿足圖靈設(shè)想的通用形式，我們稱其為“通用圖靈機”。只要使用正確的軟件，現(xiàn)在的計算機幾乎可以執(zhí)行任何任務(wù)。

市場的力量決定了通用計算機才是正確的發(fā)展方向。如今，即便使用定制化的解決方案，如專用芯片，可以更快、更節(jié)能地完成特定任務(wù)，但更多時候，人們還是更喜歡使用低成本、便捷的通用計算機?，F(xiàn)在，AI也將出現(xiàn)類似的轉(zhuǎn)變——通用AI將成為主流，它們與人類更類似，能夠?qū)缀跛袞|西進行學(xué)習(xí)。

當(dāng)然，通用AI并非全知全能。與任何其他智能存在一樣，根據(jù)它所要解決的問題，它需要學(xué)習(xí)不同的知識內(nèi)容。比如，負責(zé)尋找致癌基因的AI算法不需要識別面部的能力；而當(dāng)同一個算法被要求在一大群人中找出十幾張臉時，它就不需要了解任何有關(guān)基因互作的知識。通用人工智能的實現(xiàn)僅僅意味著單個算法可以做多件事情，而并不意味著它可以同時做所有的事情。

值得一提的是，通用AI又與強人工智能不同。強人工智能（strong artificial intelligence）是約翰·希爾勒在提出“中文屋實驗”時設(shè)定的人工智能級別。這個等級的人工智能，不僅要具備人類的某些能力，還要有知覺，有自我意識，可以獨立思考并解決問題。雖然兩個概念似乎都對應(yīng)著人工智能解決問題的能力，但通用AI更像是無所不能的計算機，而強人工智能則超越了技術(shù)的屬性成為類似穿著鋼鐵俠戰(zhàn)甲的人類。

如何實現(xiàn)通用人工智能？

自人工智能誕生以來，科學(xué)家們就在努力實現(xiàn)通用AI，實現(xiàn)通用AI具體可以分為兩個路徑。

第一條路就是讓計算機在某些具體任務(wù)上超過人類，如下圍棋、檢測醫(yī)學(xué)圖像中的癌細胞。如果能夠讓計算機在執(zhí)行一些困難任務(wù)時的表現(xiàn)超過人類，那么最終就會發(fā)現(xiàn)如何讓計算機在所有任務(wù)中都比人類強。通過這種方式來實現(xiàn)通用AI，AI系統(tǒng)的工作原理以及計算機是否靈活就無關(guān)緊要了。

唯一重要的是，這樣的人工智能計算機在執(zhí)行特定任務(wù)時比其他人工智能計算機更強，并最終超越最強的人類。如果最強的計算機圍棋棋手在世界上僅僅位列第二名，那么它也不會登上媒體頭條，它甚至可能會被視為失敗者。但是，擊敗世界上頂尖的人類棋手就會被視為一個重要的進步。

第二條路，是重點關(guān)注AI的靈活性。通過這種方式，人工智能就不必具備比人類更強的性能?？茖W(xué)家的目標(biāo)就變成了創(chuàng)造可以做各種事情并且可以將從某個任務(wù)中學(xué)到的東西應(yīng)用于另一個任務(wù)的機器。

比如，當(dāng)前發(fā)展如火如荼的AI 生成就遵循了這樣的路徑。過去一年，有關(guān)AI生成技術(shù)上的進展主要包括三個方面。一個是圖像生成，即以DALL-E 2、Stable Diffusion為代表的擴散模型；一個是NLP（自然語言處理），即基于GPT-3.5的ChatGPT；還有一個就是代碼生成，比如基于CodeX的Copilot。

以近日大火的ChatGPT為例，這款當(dāng)今最火爆的AI語言模型，由美國人工智能實驗室OpenAI于去年11月底發(fā)布，并迅速火遍全球。不同于過去那些智能語音助手的傻瓜回答，這次ChatGPT卻出乎意料的聰明：它可以用來創(chuàng)作故事、撰寫新聞、回答客觀問題、聊天、寫代碼和查找代碼問題等。外媒評論甚至稱，ChatGPT會成為科技行業(yè)的下一個顛覆者。

事實也確實如此，基于龐大的數(shù)據(jù)集，ChatGPT得以擁有更好的語言理解能力，這意味著它可以更像一個通用的任務(wù)助理，能夠和不同行業(yè)結(jié)合，衍生出很多應(yīng)用的場景?？梢哉f，ChatGPT已經(jīng)為通用AI打開了一扇大門。

并且，ChatGPT引入了人類監(jiān)督員，專門“教”AI如何更好地回答人類問題。AI的回答符合人類評價標(biāo)準(zhǔn)時，就給AI打高分，否則就給AI打低分。這使得AI能夠按照人類價值觀優(yōu)化數(shù)據(jù)和參數(shù)。也就是說，互聯(lián)網(wǎng)中，只要涉及文本生成和對話的，都能夠被ChatGPT“洗一遍”，這使得ChatGPT能得到一個接近于自然人類語言對話的效果。

以自動駕駛為例，目前的自動駕駛與人的交互還是比較機械的，比如前面有一輛車，按照規(guī)則，它有可能會無法正確判斷什么時候該繞行。而ChatGPT等人工智能的迭代，未來可能會讓機器更接近人的思維模式，學(xué)習(xí)人的駕駛行為，帶領(lǐng)自動駕駛進入“2.0時代”。

另外，“ChatGPT+”更是打開了想象力大門。有用戶把 ChatGPT + Stable Diffusion（AI文生圖工具） 結(jié)合使用。即先要求 ChatGPT 生成隨機的藝術(shù) prompt，然后把 prompt 作為 Stable Diffusion 的輸入，生成一副藝術(shù)性很強的畫作。還有人提出“ChatGPT+WebGPT”， WebGPT為高階版網(wǎng)頁爬蟲，從互聯(lián)網(wǎng)上摘取信息來回答問題，并提供相應(yīng)出處?！癈hatGPT+WebGPT”產(chǎn)生的結(jié)果信息可以實時更新，對于事實真假的判斷更為準(zhǔn)確。

針對ChatGPT在解答數(shù)學(xué)題方面的拉垮表現(xiàn)，計算機科學(xué)家、Wolfram 語言之父 Stephen Wolfram 發(fā)文表示，正在將ChatGPT與自己的 Wolfram | Alpha 知識引擎結(jié)合起來用，因為后者具有強大的結(jié)構(gòu)化計算能力，可以實現(xiàn)完美互補?！癈hatGPT+”效應(yīng)的出現(xiàn)，似乎更進一步推動了通用AI走向我們。

接下去的路應(yīng)該怎么走？

雖然AI生成的快速發(fā)展讓人們看到了通用AI的希望，但實際上，當(dāng)前的AI生成依然不是根本性的突破。

今天的AI生成之所以能如此靈活，就在于其龐大的訓(xùn)練數(shù)據(jù)集。也就是說，如果沒有根本性的新創(chuàng)新，通用AI就可能會從更大規(guī)模的模型中產(chǎn)生。ChatGPT就是將海量的數(shù)據(jù)結(jié)合表達能力很強的Transformer模型結(jié)合，從而對自然語言進行了一個非常深度的建模。盡管ChatGPT的相關(guān)數(shù)據(jù)并未被公開，但它的上一代GPT-3的整個神經(jīng)網(wǎng)絡(luò)就已經(jīng)有1750億個參數(shù)了。

雖然越來越大的模型確實讓通用AI性能很強，比如圖像生成等任務(wù)都需要借助大模型，但龐大的模型也帶來了一些問題。

首先，世界上可能沒有足夠的數(shù)據(jù)量來支持規(guī)模最大化。來自紐約大學(xué)和蘇黎世聯(lián)邦理工大學(xué)的研究人員William Merrill、Alex Warstadt和Tal Linzen最近提出了一個證明，稱“目前的神經(jīng)語言模型不太適合在沒有大量數(shù)據(jù)的情況下提取自然語言的語義”。盡管這個證明中包含了太多的前置假設(shè)，但是如果這個假設(shè)接近正確的話，那么在規(guī)模上可能很快就會出現(xiàn)麻煩。

其次，世界上可能沒有足夠的可用計算資源支撐規(guī)模最大化。要知道，計算從來都是一件費電的事情。Miguel Solano認為，要想達到當(dāng)前的超級基準(zhǔn)，例如BIG-bench，將會需要消耗2022年全美國電力消耗的四分之一還多。而BIG-bench還只是一個眾包的基準(zhǔn)數(shù)據(jù)集，旨在探索大型語言模型并推斷其未來的能力，其中包含200多個任務(wù)。

以AI生成為代表的通用AI除了面對發(fā)展中技術(shù)的問題，還需要回應(yīng)倫理的挑戰(zhàn)。隨著自動化的發(fā)展，人工智能將接管更多工作，人們的擔(dān)憂是，人與機器地位的轉(zhuǎn)換可能會在我們毫無防備的情況下突然發(fā)生。實際上，我們已經(jīng)走在將人類工作讓渡給人工智能的道路上了，而我們需要解決的問題是：在一個處處受到人工智能協(xié)助的世界中，我們接下去的路應(yīng)該怎么走？

顯然，為了讓人類的受益最大化，并促進自由、平等、透明和財富的分享，我們需要決定如何有效運用基于人工智能的各種技術(shù)。

一方面，我們不得不重視AI技術(shù)進步給社會帶來的影響。ChatGPT、AlphaFold等工具出來后，人們發(fā)現(xiàn)，最先感受到AI沖擊的反而是創(chuàng)造性的工作，而這些涉及創(chuàng)造力、知識探索的行業(yè)，又是人文領(lǐng)域的核心，是人類最擔(dān)心被機器化的部分。一直以來，AI在這些領(lǐng)域的重大突破都伴隨著廣泛的倫理爭議。 

世界復(fù)雜性科學(xué)研究中心、美國圣塔菲研究所教授梅勒妮·米切爾近日在接受媒體采訪時就談到，過于盲目采用這些技術(shù)，將我們的交流和創(chuàng)意自動化，可能會導(dǎo)致人類失去對機器的控制，“機器人會給機器人寫電子郵件，而機器人會回復(fù)其他機器人”。米切爾說，“我們作為人的特質(zhì)從我們的信息中被卷走了?！?/p>

另一方面，過分強調(diào)人工智能對人類生存的威脅，會把人們的注意力從那些更緊迫的問題上分散出去，也可能會助長那些反對能造福社會技術(shù)的聲音、扼殺技術(shù)創(chuàng)新。實際上，AI的“思考模式”與人類的思考模式完全不同。20年后，基于深度學(xué)習(xí)的機器及其“后代”也許會在很多任務(wù)上擊敗人類，但在很多任務(wù)上，人類會比機器更擅長。

基于此，在未來，更可能出現(xiàn)的情況，或許是我們?nèi)祟惻c尋求人類與AI的良性共生，而不是糾結(jié)于基于深度學(xué)習(xí)的AI能否成為或者何時成為通用人工智能的問題。通用AI的出現(xiàn)，或許也向人們展示了這樣一個道理——不只有人類才是智能的黃金標(biāo)桿。