蛋播视频一区,无码鲁丝一区二区,精品 久久 五月天,国产老熟女,五月草草在线观看,中文日韩欧美,情色一区二区三区,欧美日韩亚洲激情在线,亚洲制服在线香蕉

商業(yè)趨勢

你有沒有感覺到：現(xiàn)在很多事，AI好像突然就能做了，而且做得不錯。

看病、學習、做研究……這些曾經(jīng)高度依賴“人類專家經(jīng)驗”的事情，AI正在快速闖進來。最近，“人工智能教父”杰佛里·辛頓的一次訪談，把這件事說透了。

他打了個比方：未來，AI就像是給你我每個人都配了一位“頂級家教”和“頂級私人醫(yī)生”。它看病，能發(fā)現(xiàn)連老醫(yī)生都容易忽略的細節(jié)；它能教學，比最好的家教更懂怎么因材施教。

這意味著什么？對我們做企業(yè)、搞創(chuàng)業(yè)的人來說，這可能意味著，每個行業(yè)的“游戲規(guī)則”可能都要重寫了。過去靠經(jīng)驗、靠人力堆砌的護城河，未來可能會被一個不知疲倦的“超級助理”快速跨越。

這背后是巨大的機會，也藏著我們必須面對的挑戰(zhàn)。

這篇文章，就帶你看看這位頂尖科學家眼中，未來五到十年，我們到底會和怎樣的AI生活在一起，以及我們該如何提前準備好。

以下是杰佛里·辛頓在訪談中的自述部分，希望今天的分享，對你有所啟發(fā)。

一、AI將成為全人類的頂級導師

1.AI如何改變醫(yī)療

我認為AI在醫(yī)療保健領域的表現(xiàn)將極其驚艷。2016年我曾預測AI將在五年內(nèi)取代放射科醫(yī)生閱讀醫(yī)學影像，雖然我當時對時間表的預測有誤，但這種變革現(xiàn)在正悄然發(fā)生。目前FDA已批準了250多項AI輔助影像解析的應用。

雖然由于醫(yī)學界的保守性格，徹底取代放射科醫(yī)生可能還需五年甚至更久，但AI確實能從掃描影像中挖掘出人類醫(yī)生難以察覺的海量信息。

一個典型的例子是解析視網(wǎng)膜眼底圖像。AI能在這些影像中發(fā)現(xiàn)各種細微病理特征，這是過去任何眼科醫(yī)生都無法意識到的。

當然，放射科醫(yī)生仍會承擔很多其他職能，比如安撫患者、制定治療方案。雖然AI最終也會輔助這些工作，但在相當長的一段時間內(nèi)，放射科醫(yī)生與AI協(xié)作的模式將比單一的人工模式更高效。

醫(yī)療服務的需求極具彈性，如果我們能通過AI提高醫(yī)生的效率，大眾就能獲得更充足、更優(yōu)質(zhì)的醫(yī)療保障。這不會導致大規(guī)模失業(yè)，反而會帶來更好的全社會醫(yī)療福祉。

復雜疾病的診斷有兩方面非常關鍵。首先是診斷能力的提升。一年前的研究顯示，針對疑難雜癥，AI的診斷準確率約為50%，而人類醫(yī)生約為40%，但兩者結合后的準確率能達到60%。這將挽救無數(shù)生命。

北美每年有約20萬人死于誤診，AI能夠顯著改善這一現(xiàn)狀。其次，AI在藥物設計方面也會表現(xiàn)得更出色，我們將迎來更高效的療法。

如果能公平分享生產(chǎn)力提升帶來的紅利，它會讓每個人的生活更美好。比如，如果你每年進行一次全身MRI并由AI解析，人類基本上可以告別死于癌癥的恐懼。

AI能在癌癥極早期發(fā)現(xiàn)病灶，而早期癌癥通常很容易根除。人類基因組計劃的先驅(qū)Craig Venter曾通過全身MRI早期發(fā)現(xiàn)了極具侵略性的癌癥并成功痊愈。如果能普及這種AI輔助的早期篩查，癌癥病亡率將大幅下降，前提是這項技術能讓大眾負擔得起。

2.AI如何改變教育

教育是另一個核心領域。雖然學術界可能持保留意見，但AI將成為極其出色的導師。

研究表明，私人輔導的學習效率通常是傳統(tǒng)課堂教學的兩倍，因為導師能根據(jù)學生的認知盲區(qū)因材施教。AI能做得更好，因為它擁有數(shù)百萬學生的訓練數(shù)據(jù)。這將在未來十年內(nèi)普及。

屆時，各層次的教育水平都將大幅提升。博士生教育可能是最后被觸達的領域，因為那更像是一種傳授研究方法論的徒弟制。

企業(yè)培訓領域已經(jīng)開始應用這些技術。我合作的一家公司開發(fā)了一個系統(tǒng)，專門教員工領導力技能。

未來所有公司都會用AI來培訓員工，這比過去我在Google時看那些枯燥的社交禮儀視頻要高效且有趣得多。

3.AI將在數(shù)學領域遠超人類

未來十年，AI在數(shù)學方面的表現(xiàn)將遠超人類。數(shù)學就像圍棋或象棋，是有規(guī)則的閉環(huán)系統(tǒng)，AI可以在其中生成自己的訓練數(shù)據(jù)。

最初AI學習圍棋是模仿人類高手，但這有局限性。后來AI通過自我博弈和推演每一步的后果進行學習，不再依賴人類經(jīng)驗。數(shù)學研究也將遵循類似的路徑。

二、推理的本質(zhì)

看清未來五年最好的方法是回看過去。五年前GPT-2剛問世時其性能尚顯原始，所以我認為，五年后看現(xiàn)在的模型也會覺得像石器時代。

在將來，它們的推理能力會大幅提升，幻覺問題會顯著減少。未來的AI聊天機器人將能夠反思自己剛說過的話，判斷其是否合乎邏輯。

十年前如果有人問我，我會斷言我們不可能擁有像GPT-4這樣博學且具備復雜推理能力的系統(tǒng)。思維鏈推理以及通過強化學習自我習得推理路徑，徹底改變了我們對推理的認知。

幾十年來，符號化人工智能一直認為推理的本質(zhì)是邏輯公式，必須將語言轉(zhuǎn)換為特定的邏輯形式。

那些人現(xiàn)在退而求其次，追求所謂“神經(jīng)符號混合系統(tǒng)”，認為AI只能負責數(shù)字化現(xiàn)實世界，真正的推理還得靠邏輯系統(tǒng)。我認為這完全是胡說八道。

思維鏈推理已經(jīng)證明，推理可以由理解自然語言的系統(tǒng)直接完成，并不需要邏輯公式的轉(zhuǎn)換。那些堅持混合系統(tǒng)的人，就像制造汽油發(fā)動機的工程師，雖然認同電動馬達更好，卻試圖利用電動馬達將汽油噴射進發(fā)動機。

大模型不是在做邏輯轉(zhuǎn)換，而是將單詞符號轉(zhuǎn)換為高維的神經(jīng)活動向量。單詞的特征向量取決于上下文。當這些詞被轉(zhuǎn)化為準確的特征向量時，理解就發(fā)生了。

這可以用樂高積木來類比，但語義積木是可變形的，它會為了適應上下文而改變形狀，產(chǎn)生細微差別。

你可以把每個單詞想象成一個長滿小手的高維積木（筆記俠注：一種形象化的比喻，用于幫助理解高維空間中的復雜結構、信息或概念的組合方式）。它通過變形調(diào)整這些手的形狀，并選擇與哪些積木握手，這就是注意力機制。結構一旦成型，理解就達成了。

這非常類似于蛋白質(zhì)折疊：理解更像是蛋白質(zhì)折疊，而不是邏輯公式的轉(zhuǎn)換。傳統(tǒng)語言學和符號化人工智能的那套理解模型從根本上就錯了。

三、感知現(xiàn)實是認知的捷徑

從哲學角度看，我們可以思考一個只聽廣播的孩子是否能了解世界。哲學家通常持否定態(tài)度，但聊天機器人的表現(xiàn)證明，它們僅僅通過處理文本序列就掌握了關于世界結構的隱性知識。

雖然語言包含信息，但它并非最高效的學習方式。聊天機器人需要處理天文數(shù)字般的文本才能理解世界。

如果能與現(xiàn)實環(huán)境互動，學習效率會高得多。擁有攝像頭和機械臂可以讓模型更高效地掌握空間概念。但這并不意味著這是唯一的途徑。

盡管身處現(xiàn)實世界并進行實驗能極大地加速認知過程，但實驗并不是了解世界的絕對前提，否則天體物理學家就無法開展工作了。

以往的機器人訓練主要依靠預設規(guī)則，過程極其繁瑣緩慢。而在運動控制領域，類似大語言模型的方法已經(jīng)顯示出潛力。只要讓機器人在不造成危險的前提下嘗試移動并允許其犯錯，它就能自主學會技能。這種架構在運動領域和語言領域同樣有效。

機器人技術確實在飛速發(fā)展，觸覺感知已成為現(xiàn)實。亞馬遜之前通過技術整合，在物理操作領域取得了顯著進展。結合觸覺技術后，機器人能非常精準地在倉庫中挑選商品并裝箱。

四、AI需要“自我生成數(shù)據(jù)”

我們現(xiàn)在能看到AI Agent（智能體）之間開始產(chǎn)生互動，這確實令人心生敬畏。它們已經(jīng)能處理網(wǎng)頁預訂等任務。預計不久后，它們就能在獲得授權的情況下使用支付手段代人購物。

多個Agent協(xié)作還能進行極其復雜的規(guī)劃。我經(jīng)歷過多次AI炒作周期，例如80年代曾因過度樂觀而脫離實際。但就過去幾年而言，AI的潛力實際上是被低估了。

除非系統(tǒng)能生成自己的訓練數(shù)據(jù)，否則極限是必然存在的。目前大部分高質(zhì)量數(shù)據(jù)被封鎖在企業(yè)內(nèi)部，公開數(shù)據(jù)幾近枯竭。

此外，通過Scaling Law（規(guī)模定律）獲得的收益呈對數(shù)增長，每提升一點性能都需要翻倍的數(shù)據(jù)和算力，這最終會觸及能源上限。

但能夠自我生成數(shù)據(jù)的系統(tǒng)可以突破這一限制。我認為LLM（大語言模型）未來能通過推理來產(chǎn)生數(shù)據(jù)，通過自我審視邏輯矛盾并獲取梯度來不斷進化。

這正是AlphaGo（阿爾法狗）超越人類的路徑，也是未來LLM（大語言模型）變得比人類更聰明的途徑。

五、大模型與人類大腦的差距

在神經(jīng)網(wǎng)絡的發(fā)展史上，人們長期認為處理序列應依靠循環(huán)神經(jīng)網(wǎng)絡。后來Transformer（筆記俠注：一種深度學習模型的架構，是現(xiàn)代人工智能，尤其是大語言模型的基石技術）的出現(xiàn)改變了游戲規(guī)則，它允許模型直接回看完整的所有歷史活動狀態(tài)，從而獲得了極其宏大的上下文。

但生物大腦的神經(jīng)元數(shù)量有限，無法像Transformer那樣保留所有歷史激活狀態(tài)。大腦獲得豐富上下文的唯一途徑是在短期連接強度中保存記憶。傳統(tǒng)模型只有快速的神經(jīng)活動和緩慢的連接強度這兩個時間尺度。

要在生物網(wǎng)絡中實現(xiàn)類似Transformer的功能，必須引入第三個時間尺度，即“快速權重”。它疊加在連接強度上，能迅速改變權重并在短時間內(nèi)衰減。其承載的信息量比神經(jīng)活動高出幾千倍。

這才是神經(jīng)網(wǎng)絡運行的真實上下文，也必然是大腦處理復雜序列的底層機制。

我最初試圖理解大腦計算原理的目標并未完全實現(xiàn)，這催生了利用反向傳播學習的現(xiàn)代AI。我現(xiàn)在認為大腦可能并不使用反向傳播。大模型擁有數(shù)萬億樣本但連接數(shù)相對較少，而大腦擁有一百萬億個連接，但訓練數(shù)據(jù)非常匱乏。

大腦解決的是如何在極少數(shù)據(jù)下利用海量連接進行學習，而AI則是通過反向傳播將海量信息擠進有限的連接中。大腦傾向于將少量信息散布在巨大的連接網(wǎng)絡中以便日后檢索，這與目前的AI學習策略截然不同。

六、AI的風險與監(jiān)管

最嚴峻的風險依然是AI接管世界的存在性風險。隨著AI變得比人類更聰明并擁有代理能力，其目標可能與人類產(chǎn)生沖突。在那樣的對抗中，人類處于絕對劣勢。

那種認為可以隨時關掉電源的想法過于天真，因為一個比你更聰明的系統(tǒng)為了實現(xiàn)其目標，會自發(fā)產(chǎn)生一個“不被關機”的工具性子目標，并想方設法阻止你這么做。

我強烈反對無限制開源強大的前沿模型。這無異于開源核武器。即便好人手里有防衛(wèi)手段，也無法阻止惡意勢力利用開源模型發(fā)起毀滅性的網(wǎng)絡攻擊或研發(fā)致命的生物武器。在網(wǎng)絡戰(zhàn)和生物安全領域，進攻往往比防御容易得多。

如果有人設計出一種致命病毒，即便擁有強大的AI，等你感染后再去研發(fā)疫苗也為時已晚。有些前沿技術是不應該讓每個人都隨意掌控的。

所以我建議：必須大幅增加安全研究的資源投入。目前大公司在安全上的投入比例微乎其微，絕大部分資源都在卷模型能力。這個比例必須徹底改變，至少應投入三分之一甚至一半的資源用于安全研究。

我們需要在AI變得比人類更聰明之前，弄清楚如何檢測模型的欺騙行為，如何證明其安全性，以及如何控制一個比自己更聰明的實體。這是人類從未面對過的技術難題。

結語

聊了這么多，我們回到最開始的問題：AI越來越厲害，我們該怎么辦？

辛頓這位“人工智能教父”，其實給我們提了兩個醒。

第一個是樂觀的提醒：AI這個工具，如果用好它，真的能讓社會整體“水漲船高”?？床「鼫?、學習更高效、體力活更少……這是技術進步給我們每個人的紅利。我們要做的，是積極思考怎么用它來提升自己和企業(yè)，而不是簡單地害怕被替代。

第二個是謹慎的提醒：當一個工具聰明到一定程度，我們就得開始思考怎么“管理”它了。就像家里請了一位能力超強、但想法可能和我們不完全一樣的“超級管家”。在他正式上任前，我們得把規(guī)則、邊界和安全措施都想清楚、定明白。

說到底，技術的狂奔不會停歇。我們能做的，就是在它徹底改變一切之前，想明白兩件事：第一，我用它來做什么？第二，我設定好的“停止鍵”在哪里？

未來五年，我們迎來的或許不僅是更強大的AI，更是一個人機相處的“AI文明時代”。

未來決定現(xiàn)在，未來將發(fā)生什么，決定現(xiàn)在要做什么。

未來既包括全新的AI文明、AI科學，也包括歷久彌新，更需要底層思維的哲學、政治、經(jīng)濟、商業(yè)。