人工智能：什么是人工智能？

这个令人兴奋的计算机科学领域专注于模仿人类智能的技术——近年来人工智能系统变得越来越普遍。

人工智能（AI）是指任何展现人类智能某些方面的技术，几十年来它一直是计算机科学的一个突出领域。人工智能任务可以包括从视觉场景中挑选物体到知道如何构建句子，甚至预测股票价格走势等任何内容。

自计算时代诞生以来，科学家们一直在尝试构建人工智能。在上个世纪的大部分时间里，领先的方法涉及创建事实和规则的大型数据库，然后使用基于逻辑的计算机程序来利用这些数据库来做出决策。但本世纪发生了转变，新的方法让计算机通过分析数据来了解自己的事实和规则。这导致了该领域的重大进展。

在过去的十年里，机器在各个方面都表现出了看似“超人”的能力，从在医学图像中发现乳腺癌，到玩极其棘手的棋盘游戏国际象棋和围棋，甚至预测蛋白质的结构。

自大型语言模型 (LLM) 聊天机器人 ChatGPT 在 2022 年末突然出现以来，人们越来越多的共识认为我们可能正处于复制与人类相似的更通用智能的风口浪尖——被称为通用人工智能（AGI）。 Cohere For AI 的负责人萨拉·胡克 (Sara Hooker) 表示：“这一转变对于该领域来说至关重要，这一点怎么强调都不为过。”Cohere For AI 是人工智能公司 Cohere 创建的非营利研究实验室。

人工智能如何运作？

虽然科学家可以采取多种方法来构建人工智能系统，但机器学习是当今使用最广泛的方法。这涉及到让计算机分析数据以识别然后可用于进行预测的模式。

学习过程由算法控制——一系列由人类编写的指令，告诉计算机如何分析数据——这个过程的输出是一个对所有发现的模式进行编码的统计模型。然后可以为其提供新数据以生成预测。

存在多种机器学习算法，但神经网络是当今使用最广泛的算法之一。这些是松散地模仿人脑的机器学习算法的集合，它们在搜索训练数据时通过调整“人工神经元”网络之间的连接强度来学习。这是当今许多最流行的人工智能服务（例如文本和图像生成器）所使用的架构。

当今大多数前沿研究都涉及深度学习，即使用具有多层人工神经元的大型神经网络。这个想法自 20 世纪 80 年代以来就已存在，但海量数据和计算要求限制了应用。然后在 2012 年，研究人员发现称为图形处理单元 (GPU) 的专用计算机芯片可以加速深度学习。自此，深度学习成为研究的黄金标准。

“深度神经网络是一种类固醇机器学习，”胡克说。 “它们都是计算成本最高的模型，但通常也很大、强大且富有表现力”

然而，并非所有神经网络都是相同的。不同的配置或所谓的“架构”适合不同的任务。卷积神经网络具有受动物视觉皮层启发的连接模式，并且擅长视觉任务。循环神经网络具有某种形式的内部存储器，专门处理顺序数据。

算法还可以根据应用进行不同的训练。最常见的方法称为“监督学习”，需要人类为每条数据分配标签以指导模式学习过程。例如，您可以将标签“猫”添加到猫的图像中。

在“无监督学习”中，训练数据没有标签，机器必须自己解决问题。这需要更多的数据，并且可能很难发挥作用，但由于学习过程不受人类先入之见的限制，因此可以产生更丰富、更强大的模型。最近法学硕士领域的许多突破都采用了这种方法。

最后一种主要的训练方法是“强化学习”，它让人工智能通过反复试验来学习。这最常用于训练玩游戏的人工智能系统或机器人——包括像Figure 01这样的人形机器人，或者这些踢足球的微型机器人——并且涉及重复尝试一项任务并更新一组内部规则以响应积极或消极的反馈。这种方法为 Google Deepmind 突破性的 AlphaGo 模型提供了动力。 

什么是生成式人工智能？

尽管深度学习在过去十年中取得了一系列重大成功，但很少有能像 ChatGPT 不可思议的人类对话能力一样吸引公众的想象力。这是使用深度学习和神经网络根据用户输入（包括文本、图像、音频甚至视频）生成输出的几个生成式人工智能系统之一。 

ChatGPT 等文本生成器使用称为“自然语言处理”(NLP) 的人工智能子集进行操作。这一突破的起源可以追溯到谷歌科学家在 2017 年推出的一种新颖的深度学习架构，称为“transformer”。

Transformer 算法专门针对大量序列数据（特别是大块书面文本）执行无监督学习。他们擅长这样做，因为他们可以比以前的方法更好地跟踪遥远数据点之间的关系，这使他们能够更好地理解他们正在查看的内容的上下文。

“我接下来所说的取决于我之前所说的——我们的语言在时间上是相连的，”胡克说。 “这是关键的突破之一，能够真正将单词视为一个整体。”

法学硕士通过掩盖句子中的下一个单词来学习，然后尝试根据前面的内容猜测它是什么。训练数据已经包含答案，因此该方法不需要任何人工标记，从而可以简单地从互联网上抓取大量数据并将其输入算法中。 Transformer 还可以并行执行此训练游戏的多个实例，这使它们能够更快地处理数据。

通过对如此大量的数据进行训练，Transformer 可以生成极其复杂的人类语言模型，因此获得了“大型语言模型”的绰号。他们还可以分析和生成与人类生成的文本非常相似的复杂的长文本。变形金刚不仅仅改变了语言。相同的架构还可以并行地对文本和图像数据进行训练，从而产生稳定扩散和 DALL-E 等模型，这些模型可以根据简单的书面描述生成高清图像。

Transformer 在 Google Deepmind 的 AlphaFold 2 模型中也发挥了核心作用，该模型可以根据氨基酸序列生成蛋白质结构。这种生成原始数据而不是简单分析现有数据的能力就是这些模型被称为“生成式人工智能”的原因。

狭义人工智能与通用人工智能 (AGI)：有什么区别？

人们对法学硕士感到兴奋，因为他们可以执行广泛的任务。大多数机器学习系统都经过训练来解决特定问题，例如检测视频源中的面部或从一种语言翻译成另一种语言。这些模型被称为“狭义人工智能”，因为它们只能处理它们所训练的特定任务。

大多数机器学习系统都经过训练来解决特定问题（例如检测视频中的人脸或从一种语言翻译成另一种语言），达到超人的水平，因为它们比人类更快、表现更好。但像 ChatGPT 这样的法学硕士代表了人工智能能力的巨大变化，因为单一模型可以执行广泛的任务。他们可以回答有关不同主题的问题、总结文档、在语言之间进行翻译以及编写代码。

这种将所学知识概括起来解决许多不同问题的能力让一些人猜测法学硕士可能是迈向通用人工智能的一步，其中包括 DeepMind 科学家去年发表的一篇论文。 AGI 指的是一种假设的未来人工智能，能够掌握人类可以完成的任何认知任务，对问题进行抽象推理，并无需经过专门训练即可适应新情况。

人工智能爱好者预测，一旦实现通用人工智能，技术进步将迅速加速——这个拐点被称为“奇点”，之后突破将呈指数级增长。还存在一些明显的生存风险，从大规模的经济和劳动力市场混乱到人工智能发现新病原体或武器的潜力。

但关于法学硕士是否会成为通用人工智能的先驱，或者只是通用人工智能所需的更广泛的人工智能架构网络或生态系统中的一种架构，仍然存在争议。有人说法学硕士距离复制人类推理和认知能力还有很长的路要走。批评者认为，这些模型只是记住了大量信息，并以给人更深入理解的错误印象的方式重新组合这些信息。这意味着它们受到训练数据的限制，与其他狭隘的人工智能工具没有根本区别。

尽管如此，胡克表示，法学硕士无疑代表了科学家处理人工智能开发方式的巨大转变。现在，前沿研究不再是针对特定任务训练模型，而是采用这些预先训练的、通常有能力的模型，并使它们适应特定的用例。这导致它们被称为“基础模型”。

“人们正在从只做一件事的非常专业的模型转向做所有事情的基础模型，”胡克补充道。 “它们是一切事物构建的模型。”

人工智能如何应用于现实世界？

机器学习等技术无处不在。人工智能驱动的推荐算法决定您在 Netflix 或 YouTube 上观看的内容，而翻译模型可以立即将网页从外语转换为您自己的语言。您的银行可能还使用人工智能模型来检测您帐户上可能暗示欺诈的任何异常活动，监控摄像头和自动驾驶汽车使用计算机视觉模型来识别视频源中的人和物体。

但生成式人工智能工具和服务正开始渗透到现实世界，超越 ChatGPT 等新颖的聊天机器人。大多数主要人工智能开发商现在都拥有一个聊天机器人，可以回答用户有关各种主题的问题、分析和总结文档以及在语言之间进行翻译。这些模型也被集成到搜索引擎中——比如 Gemini 集成到 Google 搜索中——而且公司也在构建人工智能驱动的数字助理来帮助程序员编写代码，比如 Github Copilot。对于使用文字处理器或电子邮件客户端的人来说，它们甚至可以成为提高生产力的工具。

聊天机器人式的人工智能工具是最常见的生成式人工智能服务，但尽管其性能令人印象深刻，法学硕士仍远未达到完美。他们对特定提示后应该使用哪些单词进行统计猜测。尽管它们经常产生表明理解的结果，但它们也可以自信地产生看似合理但错误的答案 - 称为“幻觉”。

虽然生成式人工智能正变得越来越普遍，但目前还不清楚这些工具在哪里或如何证明最有用。胡克说，考虑到这项技术的新颖性，我们有理由对其推出速度持谨慎态度。她补充说：“某种东西处于技术可能性的前沿，但同时又被广泛部署，这是非常不寻常的。” “这带来了自身的风险和挑战。”