与AGI高度相关的8个当前研究成果
文摘
2024-10-01 22:56
北京
在人工智能（AI）的研究中，通用人工智能（AGI）的概念始终引人关注。AGI指的是一种能够进行人类水平推理和智能的系统，具有学习和理解新任务的能力。然而，目前尚无统一的AGI定义。与目前流行的窄领域人工智能（Narrow AI）不同，AGI能够在各种任务中表现出智能，具备自我学习、自主推理和灵活应对复杂情况的能力。![]()
虽然我们一致认为：实现AGI意味着开发出一种既能够理解复杂概念又能够进行创造性解决问题的智能系统。但目前来说，没有人确切知道哪种技术将是 AGI 的关键。我们一起来概略的分析过去和正在进行的研究成果、研究方向、研究方法，一起来探索新的研究路径，以找到适用于更高级 AI 的技术，这是很有趣的。我们将调研并关注AI研究动态，而就目前而言，先总结一下AI近年来已经探索过的内容，试图分析实现AGI的路径：Google DeepMind的多个项目Alpha Go，Alpha Fold，AlphaProof 和 AlphaGeometry2展示了深度学习在AGI发展中的重要性。例如，Alpha Go通过结合神经网络与强化学习，实现了对围棋游戏的深刻理解与策略推演。深度学习的模式识别能力与强化学习的决策优化相结合，为AGI的实现铺平了道路。神经符号AI是当前AGI研究的重要方向。这类系统结合了神经网络的直觉能力与基于逻辑的符号推理。IBM和麻省理工学院等机构在这一领域进行了大量研究，如神经符号概念学习（NS-CL），这类系统的优势在于能够模仿人类在决策中使用逻辑与直觉的能力。通过大规模语言模型（LLMs）赋能的自主代理（LLM-empowered Autonomous Agent LAA）展示了符号AI与连接主义AI的协同作用。这一系统结合了神经网络、向量表示与符号推理，使其能够处理大量数据，并执行复杂任务。机器心理学Machine Psychology是一个新兴领域，旨在通过模拟人类心理学的实验，探讨大规模语言模型（LLMs）的行为。研究者通过启发式与偏见、语言心理学及社会互动等角度，揭示LLMs的深层工作机制，为理解智能的本质提供了新视角。自我对弈互助推理（Self-Play Mutual Reasoning rStar）是一种新方法，将多个模型结合在一起讨论问题，第一个模型通过蒙特卡洛树搜索（ Monte Carlo Tree Search MCTS）生成推理路径并通过第二个模型进行验证。这种方法模仿人类通过讨论解决问题的过程，突显了交互在智能提升中的重要性。STRATEGIST方法使用 Monte Carlo Tree Search 帮助LLMs在多主体multi-agent 游戏中提高战略技能，教会模型在高层与底层多个层面(high-level strategy and low-level actions)进行“思考”。通过游戏进行的动态自我训练，为AGI的实现提供了一种新的思路。最新研究显示，LLMs在生成新的创意方面具有潜力。一些研究探讨了如何使LLMs能够独立提出新想法，并推动科学研究的进展，这对AGI的实现意义重大。在将注意力机制与人类大脑思维过程进行比较的研究中，研究者们探讨了注意力机制如何能够更像人类思维。这种认知过程的模拟为实现更“人性化”的智能行为奠定了基础。实现AGI的路径多种多样，从深度学习到神经符号系统，再到机器心理学与自主学习代理，每种方法都有其独特的贡献。尽管目前的研究仍在不断演进，AGI的愿景鼓励我们探索更深层次的智能边界期待，期待文章列出的这八个研究成果能够帮助读者全面理解AGI的复杂性、前沿动态和未来潜力。
