Nuo tada, kai buvo sukurtas dirbtinis intelektas, jis tapo pagrindine varomąja jėga naujam pasaulinės technologinės revoliucijos ir pramonės transformacijos etapui. Šiuo metu didelių duomenų naudojimas siekiant padidinti skaičiavimo galią ir sustiprinti algoritmus, kad būtų suformuoti itin didelio masto intelektiniai modeliai, tapo naujos kartos dirbtinio intelekto ekologijos pagrindu. Tai bus pagrindinė taikomųjų programų infrastruktūra, skirta plėtoti dirbtinį intelektą mano šalyje ir raktas į mano šalies bendrą pirmaujančią dirbtinio intelekto strategiją 2030 m.. Pagrindinė platforma.
Pirmoji Boao forumo Azijos pasaulinio ekonomikos plėtros ir saugumo forumo konferencija, kurios tema „Ekonominis saugumas ir tvarus vystymasis vyksta dideliuose pokyčiuose“, vyks Čangšoje, Hunane spalio 18–20 d. Ja siekiama aptarti atsakymus į pasaulinę ekonominę riziką, o struktūriniai klausimai bus aptariami kartu tokiais klausimais kaip pažangi gamyba ir technologinė revoliucija.
Kalbėdamas apie tokias temas kaip dirbtinio intelekto plėtros kryptis ir taikymo perspektyvos didelių modelių eroje, „Beijing Business Daily“ reporteris neseniai surengė išskirtinį interviu su Huang Tiejunu, Pekino universiteto Informacijos mokslo ir technologijų mokyklos profesoriumi ir direktoriumi. Kompiuterių mokslo ir technologijų katedra.
„Beijing Business Daily“: dideli modeliai vadinami naujos kartos dirbtinio intelekto ekosistemos šerdimi. Ar galite trumpai pristatyti, kas yra didelis modelis? Kokios problemos bus išspręstos?
Huang Tiejun: Didelis modelis yra pagrindinis bendras modelis, suteikiantis žvalgybos įvairioms programoms. Apskritai tai yra pagrindinė platforma, kuri žinias ir taisykles, esančias duomenyse, išmoksta iš didžiulių didelių duomenų, sujungia juos į neuroninį tinklą ir paverčia dideliu modeliu bei teikia paslaugas įvairioms bendroms protingoms užduotims.
Pavyzdžiui, mobiliajame internete debesijos paslaugų tiekėjai gali turėti daug paslaugų galimybių, tačiau be tokio vežėjo kaip App, vartotojams bus sunku gauti įvairias debesies paslaugas. Šiuo požiūriu pati „App“ yra pramoninė ekosistema. Tiesą sakant, dideli modeliai šiuo metu turi išspręsti panašias problemas.
Dideli modeliai yra viešosios paslaugos, kurios yra labai ryškios ir labai techninės. Ateityje visos gyvenimo sritys turės tam tikrų specifinių poreikių, o kai kurioms įmonėms reikės sukurti didelių modelių konvertavimą ir pritaikytas sąsajas.
„Beijing Business Daily“: kaip dideli modeliai sujungs dirbtinio intelekto technologijos ekologiją ir pramonės ekologiją? Kokia bus kita dirbtinio intelekto taikymo kryptis informaciniame lauke?
Huang Tiejun: Dirbtinio intelekto supratimas ir pritaikymas daugelyje pramonės šakų vis dar yra tiriamajame etape, ir tarp jų yra tam tikras atstumas. Kaip prijungti šią sąsają, iš tikrųjų reikia įmonių grupės, kuri gali transformuoti didelių modelių galimybes į turinį, reikalingą įvairioms pramonės šakoms.
Labai sunku nuspėti, kokia bus kita programa informaciniame lauke. Manau, realiai tekstų rašymą, informacijos apdorojimą ir kitas užduotis pakeis dirbtinis intelektas arba didžioji dalis jų bus išspręsta dideliais dirbtinio intelekto modeliais, kurie suteiks puikias pritaikymo galimybes.
Įvairios paieškos sistemų programos galiausiai yra susijusios su informacijos organizavimu, gavyba ir naudojimu. Pavyzdžiui, asmenys gali rinkti duomenis ir atlikti tam tikrą informacijos apdorojimą naudodamiesi paieškos varikliais. Dabar dideli modeliai išsprendžia didelių duomenų rinkimo problemą. Jo duomenys nėra vieno asmens ar žmonių grupės darbas, o renka visus duomenis ir juos atspindi. Ateikite aptarnauti įvairias tekstų rašymo informacijos apdorojimo programas. Galutinis išėjimas vis dar gali būti žmogus, tačiau daugumą užduočių atliks dirbtinis intelektas. Šios taikymo krypties galimybės yra didžiulės.
„Beijing Business Daily“: kaip dirbtinio intelekto technologija išsivystė į didelių modelių erą? Kokie yra skirtumai, palyginti su ankstesniais?
Huang Tiejun: Dirbtinio intelekto vystymąsi į didelius modelius lemia pagrindiniai dirbtinio intelekto technologijos vystymosi dėsniai. Yra dvi mąstymo mokyklos apie dirbtinį intelektą. Viena grupė mano, kad dirbtinio intelekto moksliniai mechanizmai, teorijos, matematika ir algoritmai yra labai svarbūs; kita grupė mano, kad dirbtinis intelektas paprastai yra technologija, kuri sukuria intelektualią sistemą ir supranta intelektualios sistemos mechanizmą. Pastarasis yra pagrindinis dirbtinio intelekto požiūris.
Dirbtinio intelekto kūrimo procese iš pradžių tai buvo kelių mokslininkų darbas, o vėliau pamažu dalyvavo įmonės. Ateityje pramonė, akademinė bendruomenė, moksliniai tyrimai ir visa visuomenė kartu kurs modelį. Kodėl tai daryti? Tiesą sakant, priežastis yra labai paprasta. Jei dirbtinio intelekto sistemos ar modelio gauti duomenys nėra pakankamai išsamūs ir savalaikiai, bus sunku patikėti, kad jos išmanusis modelis yra labai pajėgus. Vadinamasis didelis modelis yra integruoti įvairius duomenų išteklius, stipriausius visuomenėje įmanomus algoritmus ir skaičiavimo galią į viešą bazinę platformą, kuria galėtų naudotis visi. Kurdami dirbtinio intelekto sistemas turime vadovautis šia kryptimi. .
Šiame procese sustiprėja didelių modelių galimybės, o tai savo ruožtu vaidins vaidmenį visuose visuomenės aspektuose. Kai tik ji atliks tam tikrą vaidmenį, ją kurs daugiau žmonių. Tai gerybinis pasikartojantis poveikis.
Tiesą sakant, dirbtinio intelekto potencialas priklauso nuo duomenų, kuriuos jis gali gauti. Kaip žmonės „skaito tūkstančius knygų ir keliauja tūkstančius mylių“, dirbtinis intelektas taip pat yra panašus. Fizinis pasaulis ir net visata yra tokie dideli. Jei ją pavyks paversti duomenimis ir informacija bei leisti išmokti dirbtiniam intelektui, erdvė bus labai didelė.
Nedrįstu teigti, ar didelio modelio sugebėjimai pranoks visų, bet bent jau niekas negavo visos informacijos, o už tai slypinčių dėsnių atrasti neįmanoma. Kiekvieno iš mūsų fizinis kūnas ir gyvenimo ciklas lemia, kad duomenys, kuriuos galime gauti, vis dar yra gana riboti.
„Beijing Business Daily“: kokius iššūkius dar reikia įveikti kuriant didelius modelius? Koks yra ateities vystymosi kelias?
Huang Tiejun: Dabar yra technologijų ir algoritmų rinkinys, skirtas dideliems modeliams mokyti, tačiau ar yra geresnių algoritmų, akademinė bendruomenė ir pramonė vis dar nuolatos ieško ir tyrinėja. Šiuo metu norint parengti protingą modelį, reikia daug anglies dvideginio. Ateityje norint parengti modelį, gali prireikti mažiau anglies dvideginio. Manau, kad vieną dieną dirbtinio intelekto mokymas gali kainuoti pigiau nei žmogaus, ir tai yra dar vienas etapas.
Todėl, kai dirbtinis intelektas susiliečia su vis daugiau duomenų, o mokymosi ir mokymo efektyvumas tampa vis didesnis, jo rezultatas bus didelis modelis. Ateityje tai gali būti labai didelis modelis arba labai didelis modelis, ir jis toliau kartosis. Kelias jau aiškus.
Tačiau nėra pagrindo, kur yra jo viršutinė riba. Kol kas didesnis yra geriau. Gali būti, kad jam išsiplėtus iki tam tikro lygio, tai nebebus paprastas linijinis padidėjimas, o gali būti, kad po tam tikro lygio augimas pradeda lėtėti, tačiau tai šiuo metu dar yra spėlionės.
„Beijing Business Daily“: kaip atsižvelgti į kai kuriuos saugos ir etikos klausimus kuriant didelius modelius? Kaip to išvengti?
Huang Tiejun: Dirbtinio intelekto saugos ir etikos problemos nebus išspręstos per naktį. Pavyzdžiui, informacijos saugumo problemos ir toliau kyla plėtojant informaciją, ir mes turime jas spręsti jiems iškilus.
Didelių modelių kūrimo procese taip pat kyla tam tikra rizika. Pavyzdžiui, modelio išmoktos žinios neatitinka etikos ir principų. Šios rizikos gali būti kontroliuojamos iš anksto; tačiau yra ir tam tikrų pavojų, kuriuos sukelia nuolatinė technologijų pažanga. Jei jis ateina, tada jo sprendimą taip pat reikia nuolat spręsti techninėmis priemonėmis. "Norėdami atrišti varpą, turite pririšti varpą". Jei šios technologijos nesukursime dėl kokių nors galimų problemų, ji neatitiks mokslo ir technologijų plėtros dėsnių.