為何AI發(fā)展速度不大可能放緩？4張圖表告訴你

　　過(guò)去十年，人工智能系統(tǒng)飛速發(fā)展。從2016年Alpha Go在復(fù)雜的圍棋游戲中擊敗李世石開(kāi)始，人工智能現(xiàn)在能夠比人類(lèi)更好地識(shí)別圖像和語(yǔ)音，并通過(guò)包括商學(xué)院考試等在內(nèi)的測(cè)試。

　　近期，在美國(guó)參議院司法委員會(huì)關(guān)于監(jiān)管人工智能的聽(tīng)證會(huì)上，康涅狄格州參議員理查德·布盧門(mén)撒爾(Richard Blumenthal)描述了其人們對(duì)人工智能最新進(jìn)展的反應(yīng)。“這個(gè)被反復(fù)使用的詞很可怕。”

　　負(fù)責(zé)監(jiān)督會(huì)議的隱私、技術(shù)和法律小組委員會(huì)聽(tīng)取了三名專(zhuān)家證人的證詞，他們強(qiáng)調(diào)了人工智能的進(jìn)展速度。證人之一、著名人工智能公司Anthropic的首席執(zhí)行官達(dá)里奧·阿莫代伊(Dario Amodei)表示:“了解人工智能最重要的一點(diǎn)是它的發(fā)展速度有多快。”

　　人工智能已經(jīng)在許多任務(wù)上超越了人類(lèi)，而且人類(lèi)在新任務(wù)上被超越的速度正在增加。相對(duì)于人類(lèi)的表現(xiàn)，最先進(jìn)的人工智能表現(xiàn)都在人類(lèi)基準(zhǔn)之上。

　　如上圖所示，人工智能在手寫(xiě)識(shí)別(Handwriting recognition)，語(yǔ)音理解(Speech recognition)，圖像識(shí)別(Image recognition)，閱讀理解(Reading comprehension )，語(yǔ)言理解(Language understanding)等方面已經(jīng)超越人類(lèi)，而在常識(shí)補(bǔ)全(Common sense completion)，小學(xué)數(shù)學(xué)(Grade school math)，代碼生成(Code generation )方面也與人類(lèi)水平非常接近。因此，按照這個(gè)發(fā)展趨勢(shì)，未來(lái)幾年人工智能將在更多的領(lǐng)域?qū)崿F(xiàn)對(duì)人類(lèi)的超越。

　　過(guò)去，人們通常認(rèn)為科學(xué)技術(shù)進(jìn)步從根本上來(lái)說(shuō)是不可預(yù)測(cè)的，并且是由事后更清晰的洞察力所驅(qū)動(dòng)的。但可以預(yù)見(jiàn)的是，人工智能系統(tǒng)能力的進(jìn)步是由計(jì)算、數(shù)據(jù)和算法這三種輸入的進(jìn)步推動(dòng)的。過(guò)去70年的大部分進(jìn)步都是研究人員使用更強(qiáng)的計(jì)算處理能力(通常稱(chēng)為“計(jì)算”)來(lái)訓(xùn)練人工智能系統(tǒng)的結(jié)果，為系統(tǒng)提供更多數(shù)據(jù)，或者提出有效減少獲得相同結(jié)果所需的計(jì)算或數(shù)據(jù)量的算法技巧。

　　因此，了解了過(guò)去這三個(gè)因素如何推動(dòng)人工智能進(jìn)步，是理解為什么大多數(shù)從事人工智能工作的人預(yù)計(jì)AI的進(jìn)展不會(huì)很快放緩的關(guān)鍵。

　　計(jì)算

　　世界上第一個(gè)人工神經(jīng)網(wǎng)絡(luò)Perceptron Mark I于1957年開(kāi)發(fā)出來(lái)，當(dāng)時(shí)它可以學(xué)習(xí)辨別卡片是標(biāo)記在左側(cè)還是右側(cè)。它有1000個(gè)人工神經(jīng)元，訓(xùn)練它需要大約700000次操作。70多年后，OpenAI發(fā)布了大型語(yǔ)言模型GPT-4。訓(xùn)練 GPT-4 估計(jì)需要 21*10²⁴次運(yùn)算。

　　計(jì)算量的增加使人工智能系統(tǒng)能夠攝取更多的數(shù)據(jù)，這意味著系統(tǒng)有更多的例子可供學(xué)習(xí)。更多的計(jì)算還允許系統(tǒng)更詳細(xì)地對(duì)數(shù)據(jù)中變量之間的關(guān)系進(jìn)行建模，這意味著它可以從顯示的示例中得出更準(zhǔn)確和細(xì)致的結(jié)論。

　　自 1965 年以來(lái)，摩爾定律(即集成電路中晶體管的數(shù)量大約每?jī)赡暝黾右槐?意味著計(jì)算的價(jià)格一直在穩(wěn)步下降。研究機(jī)構(gòu)Epoch的主管杰米·塞維利亞(Jaime Sevilla)表示，雖然這確實(shí)意味著用于訓(xùn)練人工智能系統(tǒng)的計(jì)算量增加了，但研究人員更專(zhuān)注于開(kāi)發(fā)構(gòu)建人工智能系統(tǒng)的新技術(shù)，而不是關(guān)注用于訓(xùn)練這些系統(tǒng)的計(jì)算量。

　　杰米·塞維利亞(Jaime Sevilla)說(shuō)，這種情況在2010年左右發(fā)生了變化。“人們意識(shí)到，如果要訓(xùn)練更大的模型，實(shí)際上不會(huì)得到收益遞減的結(jié)果，”這是當(dāng)時(shí)普遍持有的觀(guān)點(diǎn)。

　　從那時(shí)起，開(kāi)發(fā)人員花費(fèi)越來(lái)越多的資金來(lái)訓(xùn)練更大規(guī)模的模型。訓(xùn)練人工智能系統(tǒng)需要昂貴的專(zhuān)用芯片。人工智能開(kāi)發(fā)人員要么構(gòu)建自己的計(jì)算基礎(chǔ)設(shè)施，要么向云計(jì)算提供商付費(fèi)以訪(fǎng)問(wèn)他們的計(jì)算基礎(chǔ)設(shè)施。OpenAI首席執(zhí)行官Sam Altman表示，GPT-4 的訓(xùn)練成本超過(guò)1億美元。這種支出的增加，加上摩爾定律導(dǎo)致的計(jì)算成本的持續(xù)下降，導(dǎo)致人工智能模型需要接受大量計(jì)算的訓(xùn)練。

　　OpenAI和Anthropic兩家領(lǐng)先的人工智能公司各自從投資者那里籌集了數(shù)十億美元，用于支付他們用于訓(xùn)練人工智能系統(tǒng)的計(jì)算費(fèi)用，并且每家都與財(cái)力雄厚的科技巨頭建立了合作伙伴關(guān)系——OpenAI與微軟、Anthropic與谷歌。

　　從上圖可以看出，自1950年以來(lái)，用于訓(xùn)練人工智能系統(tǒng)的計(jì)算量一直在增加，增長(zhǎng)率在2010年開(kāi)始明顯增加。

　　數(shù)據(jù)

　　人工智能系統(tǒng)的工作原理是建立訓(xùn)練數(shù)據(jù)中變量之間關(guān)系的模型。一般來(lái)說(shuō)，更多的數(shù)據(jù)點(diǎn)意味著人工智能系統(tǒng)擁有更多的信息來(lái)建立數(shù)據(jù)中變量之間關(guān)系的準(zhǔn)確模型，從而提高性能。

　　關(guān)于Perceptron Mark I 的最初研究論文稱(chēng)，它僅根據(jù)六個(gè)數(shù)據(jù)點(diǎn)進(jìn)行訓(xùn)練。相比之下，LlaMa是由Meta 研究人員開(kāi)發(fā)并于2023年發(fā)布的大型語(yǔ)言模型，接受了約10億個(gè)數(shù)據(jù)點(diǎn)的訓(xùn)練，比Perceptron Mark 1增加了1.6億多倍。就LlaMa而言，數(shù)據(jù)點(diǎn)是從以下多種來(lái)源位置收集的文本：其中67%來(lái)自Common Crawl數(shù)據(jù)(Common Crawl 是一個(gè)非營(yíng)利組織，負(fù)責(zé)抓取互聯(lián)網(wǎng)并免費(fèi)提供收集到的數(shù)據(jù))，4.5%來(lái)自GitHub(軟件開(kāi)發(fā)人員使用的互聯(lián)網(wǎng)服務(wù))，以及 4.5%來(lái)自維基百科。

　　上圖反映了在過(guò)去的70年里，用于訓(xùn)練人工智能模型的數(shù)據(jù)點(diǎn)數(shù)量急劇增加。

　　算法

　　算法(定義要執(zhí)行的操作序列的規(guī)則或指令集)決定人工智能系統(tǒng)如何準(zhǔn)確地使用計(jì)算能力來(lái)對(duì)給定數(shù)據(jù)中的變量之間的關(guān)系進(jìn)行建模。除了使用越來(lái)越多的計(jì)算量來(lái)簡(jiǎn)單地訓(xùn)練人工智能系統(tǒng)以獲取更多數(shù)據(jù)外，人工智能開(kāi)發(fā)人員還一直在尋找從更少的資源中獲得更多收益的方法。Epoch 的研究發(fā)現(xiàn)，“每九個(gè)月，更好的算法的引入就相當(dāng)于計(jì)算預(yù)算增加了一倍。”

　　算法的進(jìn)步意味著需要更少的計(jì)算和數(shù)據(jù)來(lái)達(dá)到給定的性能水平，上圖在圖像識(shí)別測(cè)試中達(dá)到80.9%準(zhǔn)確率所需的計(jì)算量和數(shù)據(jù)點(diǎn)數(shù)。對(duì)于在一萬(wàn)億個(gè)數(shù)據(jù)點(diǎn)上訓(xùn)練的模型，2021年訓(xùn)練的模型所需的計(jì)算量比2012年訓(xùn)練的模型少16500倍。

　　人工智能的下一階段進(jìn)展

　　根據(jù)Epoch的主管杰米·塞維利亞(Jaime Sevilla) 的說(shuō)法，人工智能開(kāi)發(fā)人員用于訓(xùn)練其系統(tǒng)的計(jì)算量可能會(huì)在一段時(shí)間內(nèi)繼續(xù)以目前的加速速度增加，因?yàn)槠髽I(yè)會(huì)增加在訓(xùn)練每個(gè)人工智能系統(tǒng)上花費(fèi)的資金，并且隨著計(jì)算價(jià)格持續(xù)穩(wěn)定下降效率也會(huì)提高。Sevilla預(yù)測(cè)這種情況將持續(xù)下去，直到某個(gè)時(shí)候不再值得繼續(xù)花更多的錢(qián)，因?yàn)樵黾佑?jì)算量只能略微提高性能。此后，所使用的計(jì)算量將繼續(xù)增加，但速度會(huì)減慢，這完全是由于摩爾定律導(dǎo)致計(jì)算成本下降。

　　輸入現(xiàn)代人工智能系統(tǒng)(例如 LlaMa)的數(shù)據(jù)是從互聯(lián)網(wǎng)上抓取的。從歷史上看，限制輸入人工智能系統(tǒng)的數(shù)據(jù)量的因素一直是擁有足夠的計(jì)算來(lái)處理這些數(shù)據(jù)。但是，最近用于訓(xùn)練人工智能系統(tǒng)的數(shù)據(jù)量激增，已經(jīng)超過(guò)了互聯(lián)網(wǎng)上新文本數(shù)據(jù)的產(chǎn)生速度， Epoch的研究人員預(yù)測(cè)，到2026年，人工智能開(kāi)發(fā)人員將耗盡高質(zhì)量的語(yǔ)言數(shù)據(jù)。

　　那些開(kāi)發(fā)人工智能系統(tǒng)的人往往不太關(guān)心這個(gè)問(wèn)題。OpenAI首席科學(xué)家 Ilya Sutskever表示，“數(shù)據(jù)情況仍然相當(dāng)不錯(cuò)。還有很多事情要做。”  而人工智能公司Anthropic的首席執(zhí)行官達(dá)里奧·阿莫代伊(Dario Amodei) 則估計(jì)，“這種擴(kuò)展可能有10%的可能性會(huì)因無(wú)法收集足夠的數(shù)據(jù)而中斷。”

　　塞維利亞還相信，數(shù)據(jù)缺乏不會(huì)阻礙人工智能的進(jìn)一步改進(jìn)——例如找到使用低質(zhì)量語(yǔ)言數(shù)據(jù)的方法——因?yàn)榕c計(jì)算不同，數(shù)據(jù)缺乏以前并不是人工智能進(jìn)步的瓶頸。他預(yù)計(jì)人工智能開(kāi)發(fā)人員可能會(huì)發(fā)現(xiàn)許多容易實(shí)現(xiàn)的創(chuàng)新成果來(lái)解決這個(gè)問(wèn)題。

　　杰米·塞維利亞(Jaime Sevilla)表示，算法的進(jìn)步可能會(huì)繼續(xù)增強(qiáng)用于訓(xùn)練人工智能系統(tǒng)的計(jì)算和數(shù)據(jù)量。到目前為止，大多數(shù)改進(jìn)都來(lái)自于更有效地使用計(jì)算。Epoch發(fā)現(xiàn)過(guò)去超過(guò)四分之三的算法進(jìn)步都被用來(lái)彌補(bǔ)計(jì)算方面的不足。如果未來(lái)，隨著數(shù)據(jù)成為人工智能訓(xùn)練進(jìn)展的瓶頸，更多的算法進(jìn)展可能會(huì)集中在彌補(bǔ)數(shù)據(jù)的不足上。

　　將這三部分放在一起，包括杰米·塞維利亞(Jaime Sevilla) 在內(nèi)的專(zhuān)家預(yù)計(jì)人工智能至少在未來(lái)幾年將繼續(xù)以驚人的速度取得進(jìn)展。隨著企業(yè)花費(fèi)更多的錢(qián)并且底層技術(shù)變得更便宜，計(jì)算將繼續(xù)增加。互聯(lián)網(wǎng)上剩余的有用數(shù)據(jù)將用于訓(xùn)練人工智能模型，研究人員將繼續(xù)尋找訓(xùn)練和運(yùn)行人工智能系統(tǒng)的方法，以更有效地利用計(jì)算和數(shù)據(jù)。

　　這些十年趨勢(shì)的延續(xù)是專(zhuān)家認(rèn)為人工智能將繼續(xù)變得更加強(qiáng)大的原因。這讓很多專(zhuān)家感到擔(dān)憂(yōu)。

　　達(dá)里奧·阿莫代伊(Dario Amodei) 在美國(guó)參議院委員會(huì)聽(tīng)證會(huì)上發(fā)言時(shí)表示，如果繼續(xù)以同樣的速度取得進(jìn)展，在未來(lái)兩到三年內(nèi)，很多人都能夠獲得即使是今天的專(zhuān)家也無(wú)法掌握的科學(xué)知識(shí)。他表示，這可能會(huì)增加“造成嚴(yán)重破壞”的人數(shù)。“我特別擔(dān)心人工智能系統(tǒng)可能會(huì)在網(wǎng)絡(luò)安全、核技術(shù)、化學(xué)，尤其是生物學(xué)領(lǐng)域被大規(guī)模濫用。”

　　本文作者：Will Henshall 資料來(lái)源：TIME