大型人工智能打开新世界的大门

这些大型AI系统已开始展现一种可应用于不同任务的通用智能，并且似乎具有自发学习新技巧的能力。

这一天——计算机开始学习不在它们设计方案之内的技巧，或者发展出很难看穿的欺骗性行为，抑或开始真正“理解”它们处理的信息、引发关于人类与机器的界限何在的哲学问题——来临了吗？

严肃的人工智能研究者长期以来的立场一直是，这类让外界对他们的领域产生不切实际期待的问题，应该停留在科幻小说的范围内。我们被告知，如今的人工智能系统是无聊的数字处理器，通过处理海量的数据组来得出它们的结论。

当人工智能研究者自己暗示这些科幻小说情节不再像以前听起来那么不现实的时候，会发生什么？

人工智能领域已经悄悄发生了一些重大改变。建立更大规模的人工智能模型成为过去两年的风潮，研究者已将巨量的计算资源和庞大的数据组整合起来，以创造越来越强大的系统。

事实证明，庞大的规模也许打开了通往新时代的大门：在这个时代中，人工智能系统更通用、可以处理许多不同任务——人们不再能绝对肯定地预测它们的全部能力。

其中最出名的是OpenAI的文字生成系统GPT-3。该系统根据任何给定主题编写长独白的能力，罕见地激发了公众对人工智能研究的关注，尽管该系统的确时常生成语无伦次的文本。但谷歌(Google)、微软(Microsoft)和华为(Huawei)等公司也在努力研发类似的系统。甚至一些初创企业也加入了竞赛：以色列的AI21 Labs最近展示了一个比GPT-3规模更大的系统。

很难说这会导致什么结果。斯坦福大学(Stanford University)的逾100名研究人员近期表示，本文开头的场景——比如计算机发展出意想不到的技能，或者产生更深层次的理解——都是可能的；他们的发声是为了吸引公众的注意力，告诉公众他们认为巨型人工智能模型的时代将把我们带向何方。

上述研究人员的总体观点是，现在判断新系统能否发展出这些能力还为时过早。但用其中一些人的话来说，并没有“明确理由认为它们不能”。当你无法确定你的机器不能做什么时，也许是时候开始担心了。

从处于这一新趋势前沿的大型语言类模型来判断，规模带来了两个重要结果。

一是这些系统已开始展现一种更通用的智能，可以应用于多种不同的任务。这对人工智能而言很了不起。迄今，机器学习系统一直高度缺乏灵活性，很难将从一个问题上学到的技能应用到另一个问题上。有了巨型规模和一种名为Transformer的新学习技术的应用，这种局限性似乎正在消失。

此类系统的规模和通用性可以让它们成为一个新的智能基础层——斯坦福大学的研究人员称之为基础模型(foundation model)。如果要开发用于法律或医疗等特定领域的人工智能，开发人员不需要重新发明整个系统：他们可以调用语言系统来提供比较通用的那些功能。

这种想法不一定仅限于语言系统。谷歌的MUM和类似的“多任务”系统已经将其应用于图像。研究人员表示，随后可能会开发出通用推理能力、灵活的机器人模型和精通与人类交互的人工智能。

新智能基础层得到普及的前景引发了一些明显的问题。应该由谁来建造和控制它们？而且，考虑到它们可能成为世界上许多更专门的人工智能系统的共同构件，如果它们出了问题会怎么样？

与此同时，大型人工智能模型的第二个耐人寻味的特点是，它们似乎具有自发学习新技巧的能力。从这里开始事情就诡异了。GPT-3发展出一种名为“语境学习”(in-context learning)的技巧来处理新问题——尽管它的开发人员没有教它这样做，而且一个按照相同设计构建的较小型前身没有过这种想法。

这种所谓涌现出的能力是大型人工智能模型中的重大未知因素。当一个系统的构建者不再能预见该系统将发展出的全部能力时，会发生什么？如果计算机能想出新的方法来解决它们的开发者没有想到的棘手问题，那么结果可能会非常有益。但机器独自解决问题也有一个明显的缺点。

到目前为止，这可能导致的确切结果仍然局限在科幻小说的书页里。但是，随着建造更大型人工智能模型的竞赛不断加速，答案可能不用等待很久就会揭晓。