ChatGPT热潮下的冷思考：人工智能将如何影响人类的未来？( 二 ) _ChatGPT

文章插图
《万物摩尔定律》截图
事实上，在人工智能的加持下，某些领域的演进速度已经大大加快。有报道称，据OpenAI统计，从2012年到2020年，人工智能模型训练消耗的算力增长了30万倍，平均每3.4个月翻一番，超过了摩尔定律的每18个月翻番的增速。
回顾OpenAI GPT模型的进化之路，具有十分明显的规模效应。数据显示， 2018年初代GPT参数量为1.17亿， 2019年二代参数量达15亿， 2020年GPT 3.0参数规模直接飞跃至1750亿。
百度CEO李彦宏就曾公开指出，无论是技术层面还是商业应用层面，人工智能都有了方向性的改变。
微软CEO纳德拉在接受访谈时也曾表示， GPT的发展不是线性的，而是指数级变化的，所以相比较GPT-3 ，当前的GPT-3.5已经展现出更强的能力。业界普遍预测， GPT-4将在今年推出，并具备更强大的通用能力。
毫无疑问，成指数级的增长让人工智能得以高速“进化” 。
刘江告诉采访人员，这样的“进化”并非只是量变，也不只是每次迭代相加的结果。“有研究人员总结，相比于小模型，人工智能大模型已经出现了一百多种‘突变能力’ ，即大模型具备、小模型不具备的能力。”
他觉得，这在某种程度上很像生物进化的过程。“就好像大脑在不断量变后来到一个临界点，然后生物就产生了高等智能那样。”

文章插图
资料图。
巨大突破的曙光隐现？
1950年，计算机科学家艾伦·图灵提出了一个被称为“模仿游戏”的思想实验。面试官通过打字机与两个对象交谈，知道一个是人，另一个是机器。图灵建议，如果一台机器能够始终让面试官相信它是人类，我们就可以说它有能力思考。这就是著名的“图灵测试” 。
迄今为止，还没有人工智能模型能真正通过图灵测试，包括ChatGPT 。甚至， ChatGPT暴露出待解决、待完善的问题还有很多。
李笛就明确指出， ChatGPT至少存在内容准确问题、运行成本问题、即时性问题。“这些都是根源问题，很难在ChatGPT上得到解决，可能要等新的产品和应用出来。”
以内容准确问题为例，李笛认为，作为知识系统，最基本的要求是准确，但ChatGPT的技术结构决定了它提供的知识很难作到准确。
事实上，该问题已经给人工智能公司造成了真金白银的损失。
“我可以告诉我9岁的孩子关于詹姆斯•韦伯太空望远镜（James Webb Space Telescope ，简称JWST）的哪些新发现？” 谷歌推出的类ChatGPT功能Bard回答中包括“JWST拍摄到了太阳系外行星的第一张照片” 。
但真实的情况是，第一张系外行星照片是由欧洲南方天文台的Very Large Telescope （VLT）在2004年拍摄的。当天谷歌股价大跌约9% ，市值蒸发约1000亿美元。
ChatGPT也存在类似的问题。当采访人员向ChatGPT询问“ChatGPT目前暴露出哪些待解决、待完善的问题”时，它给出的回答与ChatGPT网站上人类列出的其局限性有所出入。

文章插图
ChatGPT截图
还有成本问题。据报道，有研究估测，训练1750亿参数语言大模型GPT-3 ，需要有上万个CPU/GPU24小时不间输入数据，所需能耗相当于开车往返地球和月球，且一次运算就要花费450万美元。此外， ChatGPT投喂的数据质量、广泛的应用场景、持续的资金投入都缺一不可，更不用说还有开发 AI 产品的边际成本以及悬而未决的全栈集成能力。
对此，刘江直言，大模型目前对算力要求很高，门槛也高，必然是技术密集、资金密集、人才密集型的。“人工智能从小模型到大模型，只能说在技术上迈进了一步。但人工智能要突破所谓的‘奇点’ ，即人工智能发展到比人‘聪明’且能够自我‘进化’ ，还有一段距离。”