万引大神: 机器学习不存在了

万引大神: 机器学习不存在了

微软总部研究院机器学习理论组负责人万引大神Sébastien Bubeck联手2023新视野数学奖得主Ronen Eldan、2023新晋斯隆研究奖得主李远志、2020斯隆研究奖得主Yin Tat Lee等人，在其论文《通用人工智能的火花：GPT-4早期实验》中申明：“GPT-4可被视作AGI （人工通用智能）的早期版本”。这项研究最近30天关注度极高，众多大佬争相转发。

大神们做了非常专业的评测，虽然最后结论措辞偏向保守，但也实实在在认定了GPT4在AGI方向质的飞跃，同时也印证了笔者的刚刚接触ChatGPT时候的判断：ChatGPT是第一个真正意义的人工通用智能 。

GPT-4展示了在推理、问题解决和语言能力方面的巨大提升。标志着人工智能的一个“相变”，并加速进步。为此微软研究院制作了一系列播客，AI科学家兼工程师Ashley Llorens与他的同事对话，探讨现在及未来的这类新模型，对人们创造、理解和部署人工智能，在医疗保健和教育等领域的应用，以及最终其造福人类意味着什么。第一集节目就邀请了Sebastien Bubeck，探讨这篇论文中的发现，内容详见文末“原文链接”-- AI前沿：Sébastien Bubeck解析AI物理学。

其中笔者对下面这段高度关注，Bubeck宣称传统机器学习已经不存在了，他和他的团队全面转向 AI 物理学。与笔者近期的几篇文章的观点不谋而合。研究大模型的机理，微软研究院有得天独厚的资源优势，应该也可以看到GPT的模型内部，期待他们落地的有价值的发现，而不是像笔者能做的仅仅是理论上的推演。

ChatGPT是第一个真正意义的人工通用智能

OpenAI首席科学家透露GPT4技术原理

GPT4技术原理一：学习语言需要相变

GPT4技术原理二：相变与涌现

Ashley Llorens: 我想回到你早些时候提到的自然进化与人工进化的概念。我认为这开始暗示了你想要将这个领域带到哪里的方向，至少在你的研究和团队方面。那就是，关注涌现的方面以及智能如何涌现。那么，从这一点出发，从你刚才描述的与 Lego 的合作中，你和这个领域的未来会朝着什么方向发展呢？

Sebastien Bubeck：是的，绝对。因此，我认为或许我们需要为机器学习取一个新的名字。GPT-4和GPT-3以及其他所有大型语言模型，在某种程度上，已经不再是机器学习了。我的意思是，机器学习的全部意义在于如何教机器完成一个非常明确定义的任务？比如识别猫和狗。但在这里，这并不是我们所做的。我们不是在试图教它一个狭窄的任务。我们试图教它所有事情。我们也不是在模仿人类学习的方式。这是另一个困惑的地方。有些人说，哦，但它正在学习语言，但是使用比任何人类都要多的标签。

但这有点错了。问题在于我们不是在模仿人类的学习。这就是为什么学习也许不再是正确的词语了。我们真正试图模仿的是一些类似于进化的东西。我们试图模仿数以亿计的实体与世界互动的经验。在这种情况下，世界就是人类生产的数据。

因此，这是一种非常不同的风格。我认为我们在机器学习中引入的所有工具在GPT-4的光芒下几乎无用且不相关，因为这是一个新领域。这是需要新工具来定义的东西。因此，我们希望处于这一领域的前沿，我们想引入这些新工具。

当然，我们不知道它会是什么样子，但我们尝试研究的方法是尝试理解“涌现现象”。因此，“涌现现象”是指当您扩大网络和数据时，每个规模都会出现新属性的现象。Google进行了一个实验，将其大型语言模型从80亿扩展到600亿到5000亿。

在80亿时，它能够理解语言。在600亿时，突然间它能够翻译不同的语言。之前它无法翻译。在5000亿时，它突然能够解释笑话。为什么它突然能够解释笑话？

因此，我们真的希望理解这一点。还有另一个领域长期以来一直在研究“涌现现象”，即我们试图研究非常复杂的粒子相互作用的系统，以及导致某些涌现行为的系统。

这是什么领域？这是物理学。因此，我们想要提出的建议是，让我们研究人工智能的物理学或者通用人工智能的物理学，因为从某种意义上讲，我们现在真正看到的是这种通用智能。那么，研究通用人工智能的物理学意味着什么？它的意思是，让我们试着借鉴物理学家过去几个世纪用来理解现实的方法论。

那么，这些工具是什么呢？其中之一是运行非常受控的实验。如果你看看瀑布，观察流动的水，水朝着各种方向流动，然后在冬天去看，水都结冰了。光凭看瀑布，GPT-4或LAMDA或者Flash语言模型是很难理解水相的。这些都是瀑布。我们需要更小尺度的非常受控的实验，确保我们有纯净的水，它没有被石头或者藻类污染。我们需要这些受控的实验来理解它。乐高积木就是一个例子。这是我们想要走的一个方向。但在物理学中，还有另一个方向，就是建立真实世界的玩具数学模型。

你试着将许多东西抽象出来，最终留下一个非常简单的数学方程，你可以对其进行研究。然后你必须回到实验中去，看看玩具数学模型的预测是否告诉你一些关于真实实验的东西。所以这是我们想要走的另一个途径。最近我们还与微软研究院的实习生取得了一些进展。

我们有一篇论文，名为“学习阈值单元”。在这里，我们真正能够理解最基本的元素，我不想说智能，但是在这些神经网络中推理最基本的元素是如何出现的。这个最基本的推理元素是什么？它是一个阈值单元。它是一个接受某些值作为输入的东西。如果这个值太小，它就把它变成零。这种出现已经是一个非常复杂的现象了。我们能够理解这种非凸动力学，以及与之相关的稳定边缘，这都是非常令人兴奋的。但关键是，我们有一个玩具数学模型，在本质上我们能够说出现与训练不稳定性有关，这非常令人惊讶，因为通常在传统的机器学习中，不稳定性是你不想要的东西，你想要消除所有的不稳定性。通过这种AI物理学方法，我们有一个玩具数学模型，我们能够说实际上训练中的不稳定性，每个人在几十年来都看到的，实际上对学习和出现很重要。所以这是我们采取的第一步。

作者：王庆法 麻省理工学院物理系学者，数据领域专家，首席数据官联盟专家组成员