أتذكر أنه حتى 2021 سنوات مضت ، قال البروفيسور Zhou Zhihua إن العلماء الجادين لا ينبغي أن يدرسوا AGI كثيرا ، ولكن الآن ، يبدو أن أكبر باحث في العالم في مجال التعلم الآلي الإحصائي التقليدي يولي مزيدا من الاهتمام للنماذج الكبيرة.

بصفتي متخصصا في الإحصاء ، ما زلت لا أستطيع أن أنسى المفاجأة التي شعرت بها عندما علمت لأول مرة بخصائص الصندوق الأسود للتعلم العميق. ظللت أسأل زملائي عن المنطق الأساسي لشبكة GCN ، وكيف يجب تفسير كل معلمة. لقد أجبت على نفس الشكوك لكثير من الناس لاحقا ، فهم بعضهم ، واعتقد البعض أنني كنت أكذب عليهم.

بصفته رجلا كبيرا في الإحصاء ، يمكن تفسير شكوك البروفيسور تشو سونغتشون حول التعلم العميق على أنها تسمية احترافية إلى حد ما. كانت مجموعة الأشخاص الذين شاركوا في التعلم العميق في السنوات الأولى ينظر إليهم بالفعل على أنهم هراطقة ، وكان هينتون وليكون قادرين على المثابرة على هذا الطريق ، وكان لديهم بعض الإيمان والشجاعة لمواجهة محاكم التفتيش دون التخلي عن الحقيقة.

لكن في النهاية ، التعلم الآلي الإحصائي والتعلم العميق ليسا بالأبيض والأسود ، بل يشبهان دورة الأشياء في شرق وغرب النهر في السنوات الثلاثين الماضية. اعتبرت مدرسة بايز بدعة من قبل مدرسة التردد لسنوات عديدة ، وأخيرا مع تطور تكنولوجيا الكمبيوتر ، أثار تحسين قدرة أخذ العينات التناظرية الدهشة ، لكن هذا لم يتأخر حتى الآن ، لا يبدو أن إحصائيات بايز لها الكثير من التطبيقات العملية خارج الميتافيزيقيا.

لا يزال التعلم العميق أفضل بكثير من إحصائيات بايز ، على الأقل في مجال السيرة الذاتية والبرمجة اللغوية العصبية ، هناك العديد من التطبيقات الحقيقية ، ناهيك عن موجة DRL من Go القسري لفعل أي شيء. في تلك السنوات ، لم تكن نسبة أوراق التعلم المعزز في الاجتماع العلوي أقل بكثير من نسبة النماذج الكبيرة اليوم. ولكن حتى الآن ، لا يبدو أن DL + RL = AGI لديفيد سيلفر قد تحقق ، وإلا فمن المقدر أنه يمكنه أيضا الفوز بجائزة تورينج هذا العام.

لذلك ، أعتقد أنه بدلا من افتراض أن النموذج الكبير يجب أن يكون الحل لهذه الموجة من الذكاء الاصطناعي ، من الأفضل الصلاة من أجل ألا يكون النموذج الكبير علامة على شتاء الذكاء الاصطناعي الثالث. التعلم العميق والباحثون الذين تمسكوا بعيون المجنون في ذلك الوقت قد نظموا قصة هجوم مضاد يمكن الكتابة عنها خلال سنوات عديدة من العمل الشاق. في ذلك الوقت ، كان الباحثون الذين تمسكوا بمجال التعلم العميق يعتقدون أن عمق اليوم سيكون عميقا جدا.

لكن من الصعب القول ما إذا كانت هذه هي النهاية النهائية للقصة.

لم يصبح الصندوق الأسود أكثر شفافية مع التوسع المستمر لمقياس الشبكة ، ولكن مع توسع نطاق الشبكة ، يشعر الكثير من الناس براحة أكبر مع التفسير الصعب للشبكات العصبية ، بعد كل شيء ، عندما يكون هناك عدد قليل من المعلمات ، من الضروري أن تكون قابلة للتفسير ، وعندما يكون هناك العديد من المعلمات ، من الضروري أن تكون قابلة للتفسير. يبدو أن هلوسة النماذج الكبيرة تجعل الناس يشعرون دائما بأنهم في الواقع ذريعة لتوليد الأخطاء ولكن لا يعرفون السبب ، ولا يمكن استنتاج ما إذا كان يمكن مقارنة آلية الوهم للنماذج الكبيرة بالأخطاء البشرية. يبدو أن كيفية العثور على نموذج عمل يخلق نطاقا وربحية كافيين يجيب عليها عدد قليل من الناس في الوقت الحالي.

من الصعب الإجابة على ما إذا كنا نضلل من خلال سرد الذكاء الاصطناعي الأمريكي في الوقت الحالي. ولكن يبدو أنه في هذه المرحلة ، لم يتبق سوى الذكاء الاصطناعي حيث يكون رأس المال على استعداد لاستثمار مبالغ كبيرة من المال بغض النظر عن التكلفة ، ولا يبقى سوى الذكاء الاصطناعي المصنف بالتعلم العميق والمحول والنماذج الكبيرة. في كثير من الحالات ، لا يكون السرد للمطلعين ، ولكن للجمهور ، صفحة PPT ، ليس لإثبات ما إذا كان المحتوى صحيحا أم لا ، ولكن لجعل الناس على استعداد لدفع ثمنه. إذن متى وبأي شكل سيظهر السرد الجماعي التالي للتعلم الآلي الإحصائي؟