一、近期硅谷VC和创始人观点
最近硅谷风险投资和 AI领 域创始人热议话题:Scaling Law 可能正在放缓。
1、 超大规模模型:AI 依然是硅谷讨论的焦点,但热度较去年有所下降,主要原因是 Scaling Law 的速度减缓(需注意训练算力需求的降低趋势)。大约在3-4周前,谷歌在训练其下一代 Gemini 模型(规模是前一代的10倍,相当于GPT-5)时遭遇了2次失败。这也为 GPT-5 的延期发布提供了解释。目前硅谷普遍认为,在大型语言模型(LLM)层面,继续扩大模型规模面临较大挑战,原因包括:
a) 采用 MOE 技术后,大模型在训练后的效果不尽如人意,未能实现收敛。
b) 数据成为制约因素,合成的数据质量远不如网络搜集的数据。
2、GPT-5 的发布延期可能性仍然存在。
二、4点思考
思考一:信息量决定 GPT-4 性能
在使用 GPT-4 过程中,我注意到它在多数情况下提供的输出几乎达到了理想的水平。所谓的“完美”并非指通用人工智能(AGI)已经达成,而是在当前的系统框架下,通过对话界面加上有限的输入信息,模型能够基于这些信息给出接近理论上的最佳回复。简单来说,很多问题没有得到满意的答案,往往是因为输入的信息不够充分。
思考二:复杂推理需要 Agent 处理
尽管大模型具有强大的上下文处理能力,这对于搜索和总结任务极为有利,但在需要进行复杂推理的场景中,我们不应期待现有技术能够处理长上下文的推理问题。现有大模型更像是快速反应系统,对于涉及多步骤推理、信息对比、路径探索和经验累积等复杂任务,我们不应寄望于大模型内部能够完全实现这些功能。快速反应系统无法获得慢速思考所需的信息,因此也无法得到慢思考的结果。COT(思维链)的应用实际上是推理过程外部化的体现,而慢思考更适合通过 Agent 架构来处理。
思考三:大模型需工具辅助计算
有些问题不适合在现有大模型架构中直接解决,比如:精确的数学计算。对人类来说,简单的计算依赖于记忆,而稍微复杂的计算,即使是心算,也涉及逻辑推理和记忆过程。比如:计算58+34时,心算其实是一种慢思考的推理过程。因此,大型模型借助工具进行计算是一个合理的做法。
思考四:智慧不仅是信息压缩
虽然“压缩即智能”,但人类最顶尖的智慧,比如:物理理论,并非单纯通过压缩信息得来。压缩是一种归纳方法,例如,让大模型归纳各种物体自由落体的视频,可能会得出轻物体下落慢、重物体下落快的结论,或者归纳出不同物质的下落模型。然而,仅凭归纳是无法推导出重力加速度或空气阻力等科学原理的。尽管压缩可以体现智能,但最高级的智能来自于推理、假设和实验的过程。
标签:归纳,模型,思考,GPT,硅谷,推理 From: https://blog.51cto.com/u_16163510/12046921