與諸如DeepMind的載量計之類的專業(yè)系統(tǒng)不同，這是一個推理LLM，它是通過增強學(xué)習(xí)和縮放推理而不是僅數(shù)學(xué)引擎的推理的。

正如Openai研究員Noam Brown所說，該模型顯示了多小時解決問題所需的“新的持續(xù)創(chuàng)造性思維”。

首席執(zhí)行官薩姆·奧特曼（Sam Altman）表示，這一成就標(biāo)誌著“夢想……邁向通用情報的關(guān)鍵一步”，幾個月來通常將不會使用這種模型。

毫無疑問，機器正變得異常精通狹義的高性能認知任務(wù)。這包括數(shù)學(xué)推理，正式的證明結(jié)構(gòu)，符號操作，代碼生成和正式邏輯。

由於深度學(xué)習(xí)體系結(jié)構(gòu)（例如變形金剛和卷積神經(jīng)網(wǎng)絡(luò)）的顯著進步，培訓(xùn)的可用性，計算能力的實質(zhì)性增加，在這些系統(tǒng)中逐步識別量表，並識別出一定的圖案，因此，它們的功能還大大擴展到計算機視覺，複雜的數(shù)據(jù)分析，語言處理和解決問題解決問題，這是由於深度學(xué)習(xí)體系結(jié)構(gòu)（例如變形金剛和卷積神經(jīng)網(wǎng)絡(luò)）的重大進步，並逐步識別了量表，並逐步識別了量表，並確定了量表的範(fàn)圍，並逐步識別了範(fàn)圍的範(fàn)圍，並且可以進行逐步識別範(fàn)圍的範(fàn)圍，並構(gòu)成一致性的範(fàn)圍，並逐步識別一致性的量表，並逐步識別一致性的圖案，並且可以使一定的算法逐步識別一致的範(fàn)圍。 速度。

這些系統(tǒng)可以實現(xiàn)持續(xù)的多步推理，產(chǎn)生流利的人類反應(yīng)，並在類似於人類的專家級別的約束下執(zhí)行。

有了這一切，以及一些熱情，我們可能會很想認為這意味著機器變得非常聰明，很快就令人難以置信。

但這將是一個錯誤。

因為擅長數(shù)學(xué)，正式的證明結(jié)構(gòu)，象徵性操縱，代碼生成，正式邏輯，計算機視覺，複雜的數(shù)據(jù)分析，語言處理和戰(zhàn)略性問題解決，這既不是“智能”的必要條件，更不用說令人難以置信的智能了。

基本的區(qū)別在於機器明顯缺乏的幾個關(guān)鍵特徵。

機器不能無縫地轉(zhuǎn)移知識或使其能力適應(yīng)完全新穎，不可預(yù)見的問題或環(huán)境，而無需重新設(shè)計或重新研究。他們本質(zhì)上是專業(yè)的。他們精通預(yù)定範(fàn)圍內(nèi)的任務(wù)，其令人印象深刻的性能僅限於已廣泛訓(xùn)練的特定域和類型。這與人類在廣泛而無法預(yù)測的情況下進行靈活學(xué)習(xí)和適應(yīng)的能力形成鮮明對比。

機器沒有真正體驗或理解情感的能力，也不能真正解釋他人的細微差別精神狀態(tài)，意圖或感覺（通常稱為“心理理論”）。他們的“善解人意”或“具有社會意識”的反應(yīng)是從人類互動的廣泛數(shù)據(jù)集中學(xué)到的複雜統(tǒng)計模式，而不是反映真正的主觀經(jīng)驗，情感共鳴或?qū)θ祟愑绊懙睦斫狻?/p>

機器缺乏自我意識和內(nèi)省的能力。他們不反思自己的內(nèi)部過程，動機或“知識”的本質(zhì)。他們的操作是算法和數(shù)據(jù)驅(qū)動的；他們沒有一個主觀的“自我”，可以思考自己的存在，通過有意識的反思從自己的錯誤中學(xué)習(xí)或發(fā)展個人敘事。

機器沒有表現(xiàn)出真正的意圖，天生的好奇心或由內(nèi)部慾望，價值觀或動機驅(qū)動的自動目標(biāo)設(shè)定能力。它們純粹基於程序的目標(biāo)及其收到的數(shù)據(jù)輸入。他們的“目標(biāo)”是由他們的人類創(chuàng)造者強加的，而不是從內(nèi)部驅(qū)動器或意誌中出現(xiàn)。

機器缺乏與身體相互作用並感知環(huán)境的直接，生活和感覺的經(jīng)驗。這種體現(xiàn)的經(jīng)驗對於發(fā)展常識，直觀的物理學(xué)以及對世界的深刻，不抽象的理解至關(guān)重要。儘管機器可以通過傳感器和執(zhí)行器與物理世界進行交互並導(dǎo)航，但它們對現(xiàn)實的“理解”是由符號表示和數(shù)據(jù)介導(dǎo)的。

機器沒有表現(xiàn)出真正的概念飛躍，發(fā)明全新範(fàn)式的能力或以真正有意義的原始方式破壞基本規(guī)則，從而超越了他們的培訓(xùn)數(shù)據(jù)。生成模型只能生成現(xiàn)有數(shù)據(jù)的新型組合。

機器經(jīng)常在真正的因果推理上掙扎。即使他們擅長識別相關(guān)性和模式，相關(guān)性也不是因果關(guān)係。他們可以根據(jù)過去的數(shù)據(jù)預(yù)測可能發(fā)生的“什麼”，但是他們對“為什麼”的理解僅限於統(tǒng)計關(guān)聯(lián)，而不是深度的機械洞察力。

機器不能僅從幾個示例中學(xué)習(xí)複雜的概念。儘管一聲且很少的學(xué)習(xí)在使機器能夠從有限數(shù)據(jù)中識別新模式或類別方面取得了進展，但與人類不同，他們不能從幾個示例中學(xué)習(xí)真正複雜的，抽象的概念。機器通常仍需要大量數(shù)據(jù)集進行有效和細微的培訓(xùn)。

也許是最深刻的區(qū)別，機器沒有主觀的經(jīng)驗，感覺或意識。他們不是有意識的實體。

只有當(dāng)機器能夠（至少是大多數(shù)）這些特徵的能力時，即使在相對較低的水平下，我們才能合理地聲稱機器正在變得“聰明”，而不會誇張，濫用術(shù)語或單純的幻想。

因此，儘管機器對於特定的認知功能非常強大，但它們的能力與多方面，適應(yīng)性，自我意識和經(jīng)驗上的智力本質(zhì)的本質(zhì)根本不同，尤其是在人類中所表現(xiàn)出的。

他們的熟練程度是先進的計算設(shè)計和數(shù)據(jù)處理的產(chǎn)物，而不是機器中新生智能形式的跡象。

實際上，在AI話語中，“人工通用情報”一詞在某種程度上出現(xiàn)了，是為了通過過度使用稀釋“智能”的含義，以描述沒有“智能”的機器來闡明這些所謂的“智能”機器仍然缺乏東西，以真正成為“智能”。

我們所有人都傾向於過分簡化，而人工智能的領(lǐng)域則促進了“智力”的含義的演變，這使得該術(shù)語越來越多地多性。這是語言魅力的一部分。隨著AI既引起了真正的希望又引起真正的社會焦慮，也值得記住的是，機器的智力在任何有意義的意義上都不存在。

AI的快速進步表明，思考我們想要的影響並且不希望AI對社會產(chǎn)生的影響是超越時間的。這樣一來，這不僅應(yīng)該允許，而且要積極鼓勵我們同時考慮AI的能力及其局限性，從而使所有努力都不將“智力”（即具有豐富的，一般意義上的智慧）與狹窄和特定任務(wù)的行為機器混淆，能夠模擬或展示。

儘管有些人正在爭取人工通用情報（AGI），但我們現(xiàn)在應(yīng)該問的問題不是他們認為自己可能成功的時候，而是他們認為自己可以實現(xiàn)的目標(biāo)在民事上是否真正有意義，因為我們甚至應(yīng)該為了實現(xiàn)目標(biāo)，同時定義了我們在何處劃定算法的算法。

以上是為什麼機器不聰明的詳細內(nèi)容。更多資訊請關(guān)注PHP中文網(wǎng)其他相關(guān)文章！