AI与物理

文章指出ChatGPT作为一个初级的人机环境系统智能模型，其功能还停留在人类与大数据交互的浅层，缺乏深层的暗知识和非逻辑元素，这表明它并未达到真正的人工智能水平。作者强调了人工智能技术发展的路径，即从符号到联结再到行为融合，而ChatGPT在理解思维和群体等方面存在瓶颈，尤其是在处理不确定性和小数据时表现不足。此外，文章指出ChatGPT的自主性与人类的自主智能有显著区别，其计算智能基于显性事实知识，而非人类的内在情感与社会互动的复杂推导。因此，文章认为智能的关键不在于计算能力，而在于能进行反思和创造新时空的算计能力。

本文探讨了工具导向学习和强化学习两种方法在模型使用工具上的应用，其中工具导向学习通过命令生成、操作推荐和策略制度来实现工具使用，但受限于Prompt输出长度和工具集大小。强化学习则强调探索性，虽能适应快速更新，但受符号化定义限制。作者提出高效学习和迁移的策略，并对工具学习的未来提出开放问题，表达了对该领域充满希望与期待的观点。

随着大语言模型不断增长，新能力如类比推理、通用计算优化及对任务理解的能力在达到一定规模后迅速显现。研究焦点包括大型模型的能力评估（如BIG-bench）、算力分配以及小规模高效模型（如Chinchilla和LLaMA）。谷歌的PaLM系列模型，尤其是超大参数量的PaLM-E，展示了语言模型的巨进步。微软的InstructGPT通过人类反馈优化，展示了即使在较小规模下也能保持良好性能。这些进展表明AI语言模型正朝着更加智能化的方向发展。

文章主要讨论了ChatGPT在国内掀起的热潮以及对其可能取代人类内容生成能力的探讨。作者指出，尽管ChatGPT有其快速和准确的优点，但它缺乏人类智慧和判断力，存在数据偏差和学习误差，且不能替代人类的创造力和创新能力。ChatGPT被比喻为阿拉丁神灯，虽然能提供帮助，但并不能满足所有愿望或取代人类。文章强调了人类的独特性和未来发展的需要。