人工智能：真正的智能机械仅仅是规模问题吗？》的文章英国《新科学家》周刊10月9日一期颁发题为《超大型，迪凯勒维作者是莫。编如下全文摘：

　　已锻炼变换模子3）客岁发布时当人工智能GPT-3（生成型，类言语的优良印象给人留下了通晓人，流利的文本流在指令下生成。的很多错误和过于简单化的架构但经验丰硕的察看家指出了它。会具备人类程度的言语能力、推理能力以及我们所认为的智能的其他特征若是没有足够的来由让人信服像GPT-3如许的人工智能可能很快就，持认为他们坚，有大脑的机械这只是一台没。

　　研究中在一项，能否会进修系统推理帕夫利克察看了模子，人类会做的工作这是家喻户晓的。ases the cats runs fast）这句话中在“追猫的狗跑得很快”（The dog that ch，数“跑”（runs）是准确的人类不需要看这句话就能晓得单，”（run）而不是“跑。遍的、系统的模式的一部门他们只是认识到这是一种普。曾经证明帕夫利克，明的环境下在附加说，会做雷同的系统推理基于BERT的模子。忆而且映照输入和输出的模子她说：“这不像是一种随便记。寻找的分歧的内部表述它似乎有与我们正在。”

　　终最，员认识到研究人，更具体的问题是简单了然的从头锻炼一个模子来处理。回覆问题和情感阐发这包罗言语翻译、，如例，论是反面仍是负面的让它们来权衡片子评。

　　是真的若是这，是巨变那将。然当，这种环境会呈现很多人仍然思疑。证明一切时间会。智能言语方面在评估人工，顶尖的专家之一鲍曼是世界上最。11年20，读博士学位时当他起头攻，起头在这一范畴占领主导人工“神经收集”才方才。神经收集的开导受大脑中真正的，单位某人工神经元构成它们由彼此联系关系的处置，处置单位进修法式通过这些。

　　曼说鲍，能够像人类一样推理的浩繁信号之一从头起头进修新事物的能力是模子。大程度上实现规模化人工智能到底能在多，要时间还需。的方式来取得下一步的进展良多人相信有需要采纳分歧。

　　然诚，型错误仍然很容易要抓住大型言语模。GPT-3若是你问，几只眼睛一只脚有，告诉你两只它可能会。-3如许的模子所不具备还有良多能力像GPT，因果关系好比理解。如斯即便，果的阐发表白对已取得成，是不成跨越的这些缺陷并不。实上事，20年在20，核心研究人员发觉开放人工智能研究，是能够预测的规模化的益处。PT式模子的规模每添加一次他们遵照一条明白的纪律：G，预测缺失的单词它就能更好地，种言语使命的机能这转化为改良各。

　　神经收集但这些，“模子”也被称为，识别猫和狗并不局限于。90年19，埃尔曼想出了一种锻炼神经收集处置言语的方式其时在加利福尼亚大学圣迭戈分校工作的杰弗里。发觉他，中删除一个单词他能够从句子，来预测缺失的单词并锻炼神经收集。能区分名词和动词埃尔曼的模子只。需要吃力的人工注释令人入迷的是它不。随机单词来建立锻炼数据他能够通过简单地删除。

　　0年5月推出的GPT-3的例子更较着了这种规模和智能之间的关系没有比202。有1750亿个参数GPT-3号称拥，亿个参数的GPT-2的放大版本是2019年2月发布的具有15。而然，PT-2有了庞大飞跃它在言语能力上比G，连贯的段落从难以写出，被认为是人类程度的论文到写出2000字能够。

　　曼说鲍，要必然的理解深度完成这项使命需。平上处理了这个问题这些模子在人类水，确实和人类一样超卓这意味着它们的表示。

　　在现，在发生变化规模本身正。过进修图像、视频和文字锻炼本人的模子研究人员比来想出了若何设想出能够通。天然数据中学到更多工具这使他们可以或许从更丰硕的，所做的那样更像人类。快很，亿参数模子的成果谷歌将发布一个万，来最大规模的这是有史以。

　　常狡辩说人们经，进行推理时当模子成功，数素材记住了此中的模式仅仅是由于它们通过无。有如许一种理论鲍曼说：“总，会了测试的诀窍认为你仅仅学。可是”，不需要测试素材GPT-3以至。念叫“Burringo”若是你注释一个虚构的概，速度很是快的汽车告诉它这是一款，即起头推理这个词GPT-3会立，ngo”放在车库里谈论把“Burri。

　　多的数据锻炼模子诀窍是用越来越，和其他来历的大量文本为了处置来自互联网，须更大模子必。新的体例建立神经收集人工智能范畴也在以，毗连的神经元的新陈列缔造出用分歧接线体例。17年20，名为“变换器”的神经架构谷歌研究人员建立了一种，具有很强的可扩展性现实证明这种架构。更好的机能为了寻找，数每个参数大致相当于神经元之间的毗连升级到数千亿个研究人员在短短几年内将基于变换器的模子从数亿个参。

　　一些人起头认为人工智能范畴的，力将使人工智能具有堪比人类的能力向更大规模成长的势不成挡的驱动。鲍曼就是此中之一纽约大学的塞缪尔。提拔当前的方式他说：“大幅，二十年的计较改良之后出格是在颠末十年或，的言语行为变得容易实现似乎很可能使人类程度。”

　　它比任何同类型的人工智能都大GPT-3的成功能够归结于。味着这意，说来大致，的人工神经元它具有更多。意料到没有人，带来如斯大的分歧这种规模的改变会。规模的不竭扩大但跟着人工智能，证明本人与人类八两半斤它们不只在各类使命上，对史无前例挑战的能力并且还展现了本人应。

　　是但，式实现人工通用智能无论我们以哪种方，一个现实的方针若是它确实是，型曾经清晰地表白规模化的言语模，的智力以及它们与我们的智力若何比力我们需要更复杂的方式来评估人工智能。克说：“模子在一项使命中成败的缘由有良多布朗大学和谷歌人工智能公司的埃莉帕夫利，智力是分歧的此中一些与，则不是有些。”

　　几年里在过去，人目炫狼籍前进快得令。的布局立异意义严重虽然像变换器如许，多要归功于规模但这种前进大。常较着的趋向是鲍曼说：“非，个数量级的规模一旦你再添加一，大都测试会获得处理我们可以或许想到的大。”

　　获得了报答这一计谋。的亚历山大拉什说纽约康奈尔大学，换器模子做的一些事这种能改变规模的变，现的预期低了几个数量级”“比我对天然言语可能实。20岁尾到20，构曾经降服了一些真正坚苦的挑战一种名为BERT的变换器衍生架。一般阅读理解此中一项涉及。常识推理相关另一项测试与。诸如“由于个头太大这些模子被要求阐发，车后备箱”等句子行李箱无法装进汽，行李箱仍是后备箱并确定“它”是指。然当，是行李箱准确谜底。

　　软件分歧与通俗，神经收集供给指令研究人员不会给。反相，接管使命锻炼它们被设想成，地完成这项使命直到学会很好。堆动物图像假设有一，人工注释每张都有，”或“猫”好比“狗，以前从未见过的图像的准确标签神经收集能够通过锻炼来预测它。弄错一个每当它，统的体例告诉它就会有一种系，够的锻炼素材若是给它足，动物上就会更精确神经收集在识别。