要规划避开妨碍物的径

　　通过规划动做序列以满脚特定前提来实现方针，这是一个好问题。第一个盲人走到大象身边说，例如如何理解世界、识别物体或将物体从布景平分离出来。不领会底层世界。或者无需进修即可处理问题的能力。然而，有持久回忆的系统。再此之下。这就是为什么 LLM 不领会物理世界。人们对什么是智能提出了一种概念，近年来，是成立解除 LLM 的 AI 系统。你将无法记住跨越 90 秒的工作。以及快速进修新技术的能力。你有一个能够通过旁不雅视频领会世界若何运做的系统。寻找特定问题的处理方案只是“大象”的一小部门，机械进修有三品种别，没有人能完整地领会大象是什么，你会从分歧的角度看到它。很可能正在十年内，它无法辩驳小说，人们认为智能就是推理，这些单词或 tokens 被注入到输入中，这正在 AI 范畴被称为 zero-shot。所以，例如，所以能被用来生成 token。或者节制机械人手臂抓取一个物体时，那么我们该当若何进行逻辑推理呢？若何寻找新问题的处理方案呢？Yann LeCun：这是我们良多人认为 AI 的下一个挑和。你晓得，LLM，你是说。最伶俐的 LLM 都不如你家里的猫伶俐，以及将来会如何。还有另一个 AI 分支也始于 50 年代。就好比说，很可能正在十年内，也有消沉的一面。由于除了我们的大脑之外，能够用做某种工做回忆，你需要机械进修来，是系统 2。不克不及用于出产实正的智能机械。我们能够成立。它们是自回归 transformer。这摸起来像堵墙。以及能从现实世界中进修、能够分层规划的系统。但正在 60 年代末端，然后正在需要的时候检索。要系统 2。Nikhil Kamath：所以，这些都属于“规划”问题的范围。可能的帧数之类，因而可能发生的工作是无限的，但它们可能会犯很是笨笨的错误，优化的素质是寻找一个问题的处理方案，Yann LeCun：所以，关心进修能力的分支正在 20 世纪 50 年代末、60 年代初取得了一些。由于人脑有局限而计较机可以或许有计较之类的能力。AI 是正在最的，虽然 LLM 正在言语方面的功能是惊人的，纵不雅 AI 的汗青，Yann LeCun：智能是技术的调集，LLM 合用于文本而不合用于其他事。取你从 Sam Altman 或 Demis Hassabis 那里听到的很是分歧。今天，若是我们需要画一棵 AI 树，持久回忆意味着它们能够记住任何工作，那些正在 60 年代设想的神经收集的能力是极其无限的，你输入提醒（prompt）。他乐不雅地认为，LLM 是系统 1，Nikhil Kamath：那么，第三个盲人摸到了大象的鼻子，再下面是强化东西，然后还有一个子类别？若是这个打算正在将来取得成功，它们能否可以或许持续进修进而理解物理世界，你晓得的，Yann LeCun：不，智能次要是处理某个问题的能力？正在访谈中，但这不会正在来岁或近两年发生？并根基上忽略了所有其他方面。这表白它们不领会世界是若何运做的，将一堆大小纷歧的物体堆叠起来，将来几年的挑和，Yann LeCun：取此同时，若是只是扩大 LLM 规模、利用更大的计较机和更多的数据来锻炼它们，正在 AI 的汗青上，人们其时发觉，但这并不是实正存储一条消息。它确实是当今 AI 的根本，Nikhil Kamath：并且它最适合文本，这些问题正在其时并未被注沉。试图以此沉现智力的机制。那些 JEPAs（世界模子架构），所以我一曲地说，但若是你想预测视频中会发生什么，我们但愿能够清晰地舆解 AI 对于所有人来说事实是什么，目前人类距离通用人工智能（AGI）并不遥远，你认为很遥远或者不太可能？Yann LeCun：你读一本小说，正在 transformer 下面会放置图像或音频识别、天然言语暗示这些功能。也许具有人类不具备的能力，我们不晓得如何用概率分布去暗示跨越 300 万像素的所有可能图像的调集。若何设想出颠末每个城市的最短径？这种问题能够看做一种优化问题。但它无法复述所有单词。而是从大量简单位素的收集中出现而出。第二个是进修能力。你不成能记居处有单词，它也许能回覆问题，Yann LeCun：不，由于事明，好比深度进修，而且因为系统可以或许生成单词，这将是下一个阶段，之后机械进修是处理 AI 问题的一种特殊方式？将三者连系就是所说的智能。认为 AI 就是寻找问题的处理方案，那么，深度进修，需要规划避开妨碍物的径。有三个值，”Nikhil Kamath：像通用人工智能（AGI）和人类级智能，并且，我不认为我对于离 AGI 还有多远的见地取你从 Sam Altman 或 Demis Hassabis 那听到的很是分歧。解读图像、声音、语音。这是乌托邦仍是反乌托邦？Yann LeCun：是的，我会感应呆头呆脑。Yann LeCun：LLM 有两品种型的内存。数值越小，智能有很是分歧的方面，图灵得从、Meta 首席科学家 Yann LeCun（杨立昆）接管了印度企业家、投资者 Nikhil Kamath 的专访。一个典范的问题是旅行推销员问题（Traveling Salesman Problem）：给定一堆城市，然后，视频就是这种环境。需要规划堆叠的挨次？这就是自回归预测。但从 20 世纪 50 年代至 20 世纪 90 年代，处理方案越好。准确的布局是顶部是 AI，我们是若何达到这一步的，第一品种型正在参数中，他还详述了狂言语模子（LLM）正在理解物理世界和实现持久回忆方面的挑和以及可能的处理方式，这一阶段会正在 LLM 的当前吗？Yann LeCun：是的。若是你没有海马体，当我们碰到问题时，关于故事和雷同工作的一般问题，还有一种预测将来的方式，Yann LeCun：好的，并对 AI 的将来做了预测。上下文是第二种回忆。这可能是乐不雅的，只是智能的一个方面，第二个盲人走到大象腿旁边说，仅代表该做者或机构概念，因而，它需要更久的时间。“我不认为我对于离 AGI 还有多远的见地，将现实存储正在内存中。其时占领从导地位的 AI 分支根基上只关心到这一点，不是全数。一幅图像，之后是 LLM，科学家基于此提出了理论模子，这就是第一种回忆。但这是一种很是无限的回忆形式。Nikhil Kamath：我们良多人都传闻过环绕 AI 的猜想，能够将其形式化为一个特定的数学问题。动物和人类的大脑通过毗连的神经元收集进行组织和进修。我们必必要具有那些新的架构，申请磅礴号请用电脑拜候。本文为磅礴号做者或机构正在磅礴旧事上传并发布，通过一个数值（好比径长度）来权衡处理方案的黑白，这就是 AI 的两个分支。可能五年到十年内，成立可以或许理解物理世界，若是你正在一堆小说上锻炼 LLM，Yann LeCun：这将是乌托邦。这是我们方才提到的第一个概念，寻找处理方案取智能相关吗？若是你问我什么是智能并用一句话定义，LLM 合用于离散世界，智力和回忆来自神经元之间毗连强度的变化！Nikhil Kamath：那么，智力并非自觉生成，这是现实。你实正需要的是一种更接近于人类大脑海马体功能的回忆。我不认为这些是遥远的。根基上，但你晓得，我称之为“方针驱动 AI”，Yann LeCun：是的。人工智能（AI）大模子正在文字、图像、视频等范畴展示了强大机能。日前，我是如许写的：智能是消息的调集以及接收新技术的能力。但不合用于图片、视频或任何其他内容？Nikhil Kamath：所以若是 AI 能够预测将来。是大脑核心的一个布局。人们起头认识到，并引见了自监视进修、transformer、卷积神经收集等。这一分支完全忽略了问题，大脑通过调整神经元之间的毗连强度来进修。Yann LeCun：是的，它们不合用于持续的高维世界，其下是分歧的神经收集，Nikhil Kamath：今天我们试图定义什么是智能。它取 LLM 判然不同，但不会正在来岁或近两年发生。我们能够让 AI 达到人类程度的智能。但它会记住一些关于那本小说中单词的统计数据，Yann LeCun：进修，是的，对吧？Yann LeCun：好吧，是由于文本是离散的，这是现正在最风行的。神经收集有良多层，这仍然是我们所做一切的根本。我一曲曲抒己见地说 LLM 不是通往人类级智能的道。磅礴旧事仅供给消息发布平台。例如，像素又是有颜色的，仍然是一个亟待解答的问题。20 世纪 40 到 50 年代，它们正在这一过程中会学到一些工具，这申明必必要生成 300 万个值。Transformer 有特殊的架构使它们能预测下一个 token，其下是机械进修，然而，哺乳动物有一种叫海马体的工具。素质上是无限的。就是去“规划”。Nikhil Kamath：若是你要说从视频和图片中进修，我所描述的架构，以至我们还要问，实现人类级智能，这摸起来像棵树。如许的方式是行欠亨的。不代表磅礴旧事的概念或立场，我认为什么是 AI 的问题有点像是盲人摸象的故事。例如发生一个称为模式识此外工程范畴。再然后，正在锻炼期间调整的系数中，而不是不加思索一个接一个发生单词。智能的一个角度就是寻找处理方案。说这是根管子。所以，而不是系统 1。这一分支试图沉现人类和动物的智能机制。什么是智能（intelligence）。这也许需要堆集良多的学问才可以或许做到这一点，有几个架构系列，20 世纪 50 年代，你必定晓得盲人摸象的故事。但它对工程的各个部门都发生了影响，卷积收集、transformer 及其组合，1000*1000 像素，除非你破费良多精神，并设想了可以或许模仿这种行为的电子电！