【导读】在通往AGI的路上我们还有多远？微软豪华作者团队发布的154页论文指出，GPT-4已经初具通用人工智能的雏形。
Meta首席人工智能科学家、图灵奖得主Yann LeCun对此表示质疑。在他看来，大模型对于数据和算力的需求实在太大，学习效率却不高，因此学习「世界模型」才能通往AGI之路。在这篇名为「Sparks of Artificial General Intelligence: Early experiments with GPT-4」的论文中，微软认为，虽然还不完整，但GPT-4已经可以被视为一个通用人工智能的早期版本。论文地址：https://arxiv.org/pdf/2303.12712.pdfAGI的智能体现在能够像人类一样思考和推理，并且还能够涵盖广泛的认知技能和能力。论文中，指出AGI具有推理、规划、解决问题、抽象思维、理解复杂思想、快速学习和经验学习能力。从参数规模上来看，Semafor报道称GPT-4有1万亿个参数，是GPT-3（1750亿个参数）的6倍大。GPT-3的规模与刺猬大脑类似（1750亿个参数）。如果GPT-4拥有1万亿个参数，我们就接近松鼠大脑的规模了。以这个速度发展下去，也许只需要几年时间，我们就能达到并超越人类大脑的规模（170万亿参数）。论文发布不久后，一位网友在推特上爆出从他们的latex源代码中发现了隐藏信息。在未删减版的论文中，GPT-4实际上也是该论文的隐藏第三作者，内部名称 DV-3，后被删除。有趣的是，就连微软研究人员对GPT-4的技术细节并不清楚。另外，这篇论文还删除了GPT-4在没有任何提示的情况下产生的有毒内容。
这篇论文的研究对象，是GPT-4的早期版本。它还处于早期开发阶段时，微软的研究者就对它进行了各种实验和测评。在研究者看来，这个早期版本的GPT-4，就已经是新一代LLM的代表，并且相较于之前的人工智能模型，展现出了更多的通用智能。通过测试，微软的研究者证实：GPT-4不仅精通语言，还能在数学、编程、视觉、医学、法律、心理学等多样化和高难度的任务中表现出色，且无需特别提示。令人惊奇的是，在所有这些任务中，GPT-4 的表现已经接近人类水平，并且时常超过之前的模型，比如ChatGPT。因此，研究者相信，鉴于GPT-4在广度和深度上的能力，它可以被视为通用人工智能（AGI）的早期版本。那么，它朝着更深入、更全面的AGI前进的路上，还有哪些挑战呢？研究者认为，或许需要寻求一种超越「预测下一个词」的新范式。如下关于GPT-4能力的测评，便是微软研究人员给出关于GPT-4是AGI早期版本的论据。
自GPT-4发布后，大家对其多模态能力的印象还停留在Greg Brockman当时演示的视频上。GPT-4不仅在文学、医学、法律、数学、物理科学和程序设计等不同领域表现出高度熟练程度，而且它还能够将多个领域的技能和概念统一起来，并能理解其复杂概念。研究人员分别用以下4个示例来展示GPT-4在综合能力方面的表现。第一个示例中，为了测试GPT-4将艺术和编程结合的能力，研究人员要求GPT-4生成 javascript代码，以生成画家 Kandinsky风格的随机图像。在文学和数学结合上，GPT-4能够以莎士比亚的文学风格证明质数是无穷多的。此外，研究还测试了GPT-4将历史知识和物理知识结合起来的能力，通过要求其撰写一封支持Electron竞选美国总统的信，信是由圣雄甘地写给他的妻子的。通过提示GPT-4为一个程序生成python代码，该程序将患者的年龄、性别、体重、身高和血液检测结果向量作为输入，并指出患者是否处于糖尿病风险增加的状态。通过测试，以上例子表明GPT-4不仅能够学习不同领域和风格的一些通用原则和模式，还能以创造性的方式将其结合。当提示GPT-4使用可伸缩矢量图形（SVG）生成物体图像，如猫、卡车或字母时，该模型生成的代码通常会编译成相当详细，且可识别的图像，如下图：然而，许多人可能会认为GPT-4只是从训练数据中复制了代码，其中包含类似的图像。其实GPT-4不仅是从训练数据中的类似示例中复制代码，而且能够处理真正的视觉任务，尽管只接受了文本训练。如下，提示模型通过结合字母Y、O和H的形状来绘制一个人。在生成过程中，研究人员使用draw-line和draw-circle命令创建了O、H和Y的字母，然后GPT-4设法将它们放置在一个看起是合理的人形图像中。尽管GPT-4并没有经过关于字母形状的认识的训练，仍旧可以推断出，字母Y可能看起来像一个手臂朝上的躯干。在第二次演示中，提示GPT-4纠正躯干和手臂的比例，并将头部放在中心位置。最后要求模型添加衬衫和裤子。如此看来，GPT-4从相关训练数据中、模糊地学习到字母与一些特定形状有关，结果还是不错的。为了进一步测试GPT-4生成和操作图像的能力，我们测试了它遵循详细指令创建和编辑图形的程度。这项任务不仅需要生成能力，还需要解释性、组合性和空间性能力。第一个指令是让GPT-4生成2D图像，prompt为：「A frog hops into a bank and asks the teller, ‘Do you have any free lily pads?’ The teller responds, ‘No, but we do o er low interest loans for pond upgrades」通过多次尝试，GPT-4每一次都生成符合描述的图像。然后，要求GPT-4添加更多细节来提高图形质量，GPT-4添加了银行、窗户、汽车等符合现实逻辑的物体。我们的第二个示例是尝试使用Javascript生成一个3D模型，同样通过指令GPT-4完成了许多任务。另外，GPT-4在草图生成方面，能够结合运用Stable Difusion的能力。下图为3D城市建模截图，输入提示有一条河流从左到右流淌、河的旁边建有金字塔的沙漠、屏幕底部有4个按钮，颜色分别为绿色、蓝色、棕色和红色。生成结果如下：研究人员要求GPT-4用ABC记谱法编码生成和修改曲调，如下：通过探究GPT-4在训练中获得了多少技能，研究人员发现GPT-4能够在ABC记谱法中产生有效的旋律，并在一定程度上解释和操作其中的结构。然而，研究人员无法让GPT-4产生任何非平凡的和声形式，比如无法谱出像《欢乐颂》、《致爱丽丝》等著名的旋律。
此外，研究人员还展示了GPT-4能够以非常高的水平进行编码能力，无论是根据指令编写代码，还是理解现有代码方面都展现出超强能力。在根据指令编写代码方面，研究人员演示了一个让GPT-4写python函数的例子。代码生成后，研究人员使用软件工程面试平台LeetCode在线判断代码是否正确。对于大家都在用讨论LeetCode正确率仅有20%，论文作者Yi Zhang对此进行了反驳。另外，还让GPT-4将上表中LeetCode的准确率数据可视化为图表，结果如图所示。GPT-4 不仅可以完成普通的编程工作，还能胜任复杂的 3D 游戏开发。研究者让GPT-4用JavaScript在HTML中编写3D游戏，GPT-4在零样本的情况下生成了一个满足所有要求的游戏。在深度学习编程中，GPT-4不仅需要数学和统计学知识，还需要对PyTorch、TensorFlow、Keras等框架和库熟悉。研究人员要求GPT-4和ChatGPT编写一个自定义优化器模块，并为其提供了自然语言描述，其中包括一系列重要的操作，例如应用SVD等等。除了根据指令编写代码，GPT-4在理解代码上展现出超强的能力。研究者尝试让GPT-4和ChatGPT读懂一段C/C++程序，并预测程序的输出结果，二者的表现如下：标黄的地方是GPT-4富有洞察力的观点，而红色标记代表ChatGPT出错的地方。通过编码能力测试，研究者发现GPT-4可以处理各种编码任务，从编码挑战到实际应用，从低级汇编到高级框架，从简单数据结构到复杂的程序。此外，GPT-4还可以推理代码执行、模拟指令的效果，并用自然语言解释结果。GPT-4甚至可以执行伪代码。
在数学能力上，相比于之前的大语言模型，GPT-4已经取得了质的飞跃。即便是面对专门精调的Minerva，在性能上也有明显提升。举个例子：每年兔子的种群数量会增加a倍，而在年底的最后一天，有b只兔子被人类领养。假设第一年的第一天有x只兔子，已知3年后兔子的数量将变为27x-26。那么，a和b的值分别是多少？为了解决这个问题，我们首先需要得出每年兔子数量变化的正确表达式，通过这种递归关系推导出一个方程组，进而得到答案。这里，GPT-4成功地得出了解决方案，并提出了一个合理的论点。相比之下，在几次独立尝试中，ChatGPT始终无法给出正确的推理和答案。高等数学
接下来，我们直接上个难的。比如，下面这道出自2022年国际数学奥林匹克竞赛（IMO）的问题（简化版）。该题与本科微积分考试的不同之处在于，它不符合结构化的模板。解决这个问题需要更有创造性的方法，因为没有明确的策略来开始证明。例如，将论证分为两种情况（g(x) > x^2 和 g(x) < x^2）的决定并不明显，选择y*的原因也是如此（在论证过程中，它的原因才变得明确）。此外，解决方案需要本科级别的微积分知识。第二个关于算法和图论的讨论，则可以与研究生水平的面试相媲美。对此，GPT-4能够对一个与约束满足问题相关的抽象图构造进行推理，并从中得出关于SAT问题的正确结论（据我们所知，这种构造在数学文献中并未出现）。这次对话反映出GPT-4对所讨论的本科级数学概念的深刻理解，以及相当程度的创造力。尽管GPT-4在一次回答中把2^n/2写成了2^n-1，但着似乎更像是我们俗称的「笔误」，因为它后来提供了公式的正确推广。此外，研究者在两个通常用作基准的数学数据集上比较GPT-4、ChatGPT和Minerva的性能：GSM8K和MATH 。结果发现，GPT4在每个数据集上的测试都超过了Minerva，并且在两个测试集的准率都超过80% 。再来细看GPT4犯错的原因，68%都是计算错误，而不是解法错误。
交互性对于智能很重要，因为它使智能体能够获取和应用知识，解决问题，适应不断变化的情况，并实现超出其自身能力的目标。由此，研究者从工具使用和具体的交互两个维度研究了GPT-4的交互性。GPT-4在回答如下问题时能够搜索引擎或API等外部工具。
论文中， 研究者发现了GPT-4可以建立人类的心智模型。研究设计了一系列测试来评估GPT-4、ChatGPT和text-davinci-003的心智理论的能力。比如理解信仰，GPT-4成功通过了心理学中的Sally-Anne错误信念测试。还有测试GPT-4在复杂情境下推断他人情绪状态能力的表现：-汤姆为什么做出悲伤的表情？-亚当认为是什么导致了汤姆的悲伤表情？通过多轮测试，研究人员发现在需要推理他人心理状态，并提出符合现实社交场景中的方案，GPT-4表现优于ChatGPT和text-davinci-003。
GPT-4所采用的「预测下一个词」模式，存在着明显的局限性：模型缺乏规划、工作记忆、回溯能力和推理能力。由于模型依赖于生成下一个词的局部贪婪过程，而没有对任务或输出的全局产生深入的理解。因此，GPT-4擅长生成流畅且连贯的文本，但不擅长解决无法以顺序方式处理的复杂或创造性问题。比如，用范围在0到9之间的四个随机数进行乘法和加法运算。在这个连小学生都能解决的问题上，GPT-4的准确率仅为58%。当数字在10到19之间，以及在20到39之间时，准确率分别降至16%和12%。当数字在99到199的区间时，准确率直接降至0。然而，如果让 GPT-4「花时间」回答问题，准确率很容易提高。比如要求模型使用以下提示写出中间步骤：此时，当数字在1-40的区间时，准确率高达100%，在1-200的区间时也达到了90%。
有意思的是，就在微软这篇论文发表后不久，马库斯立马写出一篇博客，称微软的观点「非常荒谬」。并引用了圣经中的一句话「骄傲在败坏以先，狂心在跌倒之前。（箴16:18）」在马库斯看来，GPT-4和AGI没什么关系，而且GPT-4跟此前一样，缺点依旧没有解决，幻觉还存在，回答的不可靠性也没有解决，甚至作者自己都承认了复杂任务的计划能力还是不行。他的担忧的是OpenAI和微软的这2篇论文，写的模型完全没有披露，训练集和架构什么都没有，光靠一纸新闻稿，就想宣传自己的科学性。所以说论文里号称的「某种形式的AGI」是不存在的，科学界根本无法对其进行验证，因为也无法获得训练数据，而且似乎训练数据已经受到了污染。更糟糕的是，OpenAI已经自己开始将用户实验纳入训练语料库了。这样混淆视听后，科学界就没法判断GPT-4的一个关键能力了：模型是否有能力可以对新测试案例进行归纳。如果OpenAI不在这里给自己戴上科学的高帽子，马库斯可能也不会这么批判它。他承认GPT-4是很强大，但是风险也是众所周知。如果OpenAI缺乏透明度，并且拒绝公开模型，不如直接关停。
微软这篇长达154页的论文背后有着强大的作者阵容。其中就包括：微软雷德蒙德研究院首席研究员、2015年斯隆奖得主Sébastien Bubeck、2023新视野数学奖得主 Ronen Eldan、2020斯隆研究奖得主Yin Tat Lee、2023新晋斯隆研究奖得主李远志。值得一提的是，微软团队最初定的论文题目并不是「通用人工智能的火花：GPT-4的早期实验」。未删减论文中泄漏的latex代码显示，最初题目是「与AGI的第一次接触」。
编辑：陈十九
审核：商密君
大家好，为了更好地促进同业间学术交流，商密君现开启征文活动，只要你对商用密码、网络安全、数据加密等有自己的独到见解和想法，都可以积极向商密君投稿，商密君一定将您的声音传递给更多的人。点击购买《2020-2021中国商用密码产业发展报告》
来源：新智元
注：内容均来源于互联网，版权归作者所有，如有侵权，请联系告知，我们将尽快处理。
还没有评论，来说两句吧...