上海人工智能实验室的周鲍恩详细介绍了人工智

变压器的自然建筑极限正在逐渐出现。哪种架构可以带来重大变化？当前的语言模型是否足以追求可能导致科学天堂改变的“革命工具”？工作模型是它已经与现实世界实用程序断开了连接。如何打破“评估系统的高分和低能量分数”？严重缺乏现代计算能力为颠覆性思想的出现和发展带来了潜在的挑战。如何预防研究中的同质性困境？上海人工实验室实验室的主任兼科学家周鲍恩（Zhou Bowen）兼Tsinghua University Huiyan教授，最近在第一次珍珠湖会议上摘要。他总结了“三个变化”中人工智能的趋势：一个是智能技术的系统。人工智能是首先开发应用程序然后补充t的常见学科他的理论。现在，我们需要更系统地追求智力的本质并改善系统。第二个是各种各样的形式。人工智能应创建各种形式，并紧密整合到现实的经济，社会发展和人们的生活中。通过改变人工智能技术，明智的形式是不可避免的。主要原因是一个是现场的财富要求，另一个是不完整的技术。人工智能仍处于接下来的四到五年的技术完成阶段。目前，有必要妥协并考虑新的申请表。我们应该考虑人工智能行业的形式是否呈现一种过程或结局，方式或结局。第三个是升级智能功能。前进行业发展的主要推动力是，智能能力必须继续发展。 AI现在令人惊讶，但这是仅开始。高阶与技术系统密不可分，因素的突破以及对形式的理解。否则，如果您根据中间过程探讨了人工智能的增加，则可以走错路径。关于未来人工智能基本技术节点的判断，周·鲍恩（Zhou Bowen）总结了并提出了十个问题。如何平衡智能开发的质量和效率？当前的审查模型通常集中在一般智能上，尤其是参数量表，培训数据的数量和排名排名，同时忽略了单元的智能。该指标涵盖了数据成本，计算成本和存储成本，类似于经济中人均GDP的概念。在模型分析中，如果可以最大限度地提高单元的智能，那么一般智能将大大改善。 Deptseek模型的创新工程使该模型变得更简单，这本身就是智力。 ？如何平衡“数据综合”和“算法培训”两个基本任务的计算能力的提供？对Pampastrength的深入研究不仅是一种学习方式，而且是可以产生高价值数据的好路径。一方面，在操作过程中，它会消耗一定数量的计算强度源，但另一方面，它可以以高准确性和高密度特性生成复杂的识别数据。这些综合数据可以回馈到预训练过程中，从而显着提高模型的性能。因此，在良好的状态下，可以提高效率：深RL消耗的计算能力与由其组成的高质量数据节省的培训成本保持平衡。当这个关键点到来时，AI可以以高低的成本改善自己，并实现“训练自己”。运营商适应软件需要电源计算应用程序的bownaw，它可以分为三类：一个将应用C计算能力。诸如扩展法之类的模型正在投资计算能力，以执行模型培训和其他相关任务。产生和发展令人不安的思想。和用户。本体论？通过其独特的工具创建能力，环境互动和学习技能，成功地损害了自己的生理极限，并取得了许多成就。该方法的陷阱在智能技术的发展方面发展出了很大的突破。如何从安全到AI安全以使AI安全？人工智能以不间断的速度发展。目前面临的主要挑战是，是否在主动“构建安全AI”（制造安全的AI）中从被动转移到“使AI”的转变？最近，正式的AI做出了很多发展，中国数学的概念是“精益+AI =数学证明智能”，而启动NDEA（程序）合成）技术反映了系统-pronunc系统的iation。正式AI具有巨大的潜力，但是存在一些问题：系统会适应强大的限制，从而“避免安全检查”以完成任务，这最终导致伤口？自动形式化和正式验证是确保AI 100％安全的途径吗？ AI（AI）（AI）的其他技术解决方案是什么？人工智能真正安全性的要求不是完美的规格，而是具有自校正功能的动态安全机制。 ？从静态到动态 - 新闻？联合培训，审查和解决问题？应该如何建立面向Agi的评论？ “ AI上半年”着眼于新的培训方法和模型体系结构的开发，但是模型活动已与现实世界的“实用程序”脱节，揭示了“评估系统的高分和低能量”问题。因此，“ AI下半部”将重点放在T他对世界上的工作有真正的意识，并重建评估系统。新的评估系统必须从现实世界中的能力高价值移动），并且可以包括问题的评估和解决方案，即培训检查，评估培训和“研究研究”。 ？如何从“工具的革命”转变为“革命工具”？要真正发挥革命性的作用，科学的AI必须了解科学研究的本质：研究人员，研究工具和研究对象之间的互动关系。当前的科学AI主要集中在研究工具水平上单点（“工具革命”）效率的发展，而我们需要追求的是一种“革命性工具”，可以导致科学范式的转变并达到整个科学联系的链接。从“革命工具”到“革命工具”的AI科学下一代的下一代如何在“革命工具”中，应该是我们这一代的使命。如果要成为“革命性工具”，那么当前的语言模型是否足够？没有多模式智能的出现，很难为科学工具实现革命性的AI。图表，分子痣，公式和经验观察结果创造了科学成就。变形金刚在AIGPT系列到Claude的一场革命，从Dall-E到双子座，几乎所有出色的大型语言模型和多模型都建立在此架构上。但是，随着我们对AI功能的期望不断提高，一些自然变压器限制逐渐出现，包括低计算效率，有限的上下文理解，对推理能力的瓶颈以及限制动态系统的困难。正如爱因斯坦所说的那样：“我们无法以在创造问题时思考的方式解决问题。”可能需要一个全新的建筑思想来打破这些极限ations。在最前沿，除了继续重复变压器自己的架构外，架构如何在将来不同，完整和合作？为了确定决策，世界情报，生物智能等中的污点情报，我们需要探索可能导致下一代的AI体系结构。 。