از زمان توسعه هوش مصنوعی، این هوش مصنوعی به نیروی محرکه اصلی دور جدیدی از انقلاب جهانی فناوری و تحول صنعتی تبدیل شده است. در حال حاضر، استفاده از دادههای بزرگ برای افزایش قدرت محاسباتی و تقویت الگوریتمها برای تشکیل مدلهای فکری در مقیاس فوقالعاده به هسته اصلی نسل جدید بومشناسی هوش مصنوعی تبدیل شده است. این یک زیرساخت کاربردی اصلی برای توسعه هوش مصنوعی در کشور من و کلیدی برای تحقق استراتژی پیشرو کلی کشورم برای هوش مصنوعی در سال 2030 خواهد بود. پلتفرم پایه.
اولین کنفرانس مجمع بوآئو برای مجمع توسعه اقتصادی و امنیت جهانی آسیا با موضوع "امنیت اقتصادی و توسعه پایدار تحت تغییر بزرگ" از 18 تا 20 اکتبر در چانگشا، هونان برگزار می شود. هدف آن بحث در مورد پاسخ به خطرات اقتصادی جهانی است و مسائل ساختاری با هم در مورد موضوعاتی مانند تولید هوشمند و انقلاب تکنولوژیکی مورد بحث قرار خواهند گرفت.
با توجه به موضوعاتی مانند جهتگیری توسعه و چشمانداز کاربرد هوش مصنوعی در عصر مدلهای بزرگ، یکی از خبرنگاران Beijing Business Daily اخیراً مصاحبهای اختصاصی با هوانگ تیجون، استاد دانشکده علوم و فناوری اطلاعات در دانشگاه پکن و مدیر دانشگاه پکن انجام داده است. گروه علوم و فناوری کامپیوتر.
Beijing Business Daily: مدل های بزرگ هسته اکوسیستم نسل جدید هوش مصنوعی نامیده می شوند. میشه به طور خلاصه معرفی کنید که مدل بزرگ چیست؟ چه مشکلاتی حل خواهد شد؟
Huang Tiejun: مدل بزرگ یک مدل معمولی اساسی است که به برنامه های مختلف هوشمند می دهد. به طور کلی، این یک پلتفرم اساسی است که دانش و قوانین موجود در داده ها را از داده های عظیم فرا می گیرد، آن را به یک شبکه عصبی متراکم می کند و آن را به یک مدل بزرگ تبدیل می کند و خدماتی را برای کارهای مختلف هوشمند عمومی ارائه می دهد.
به عنوان مثال، در اینترنت تلفن همراه، فروشندگان خدمات ابری می توانند قابلیت های خدمات زیادی داشته باشند، اما بدون حاملی مانند App، دستیابی به سرویس های ابری مختلف برای کاربران دشوار خواهد بود. از این منظر، App خود یک اکوسیستم صنعتی است. در واقع، مدل های بزرگ در حال حاضر نیاز به حل مشکلات مشابه دارند.
مدل های بزرگ خدمات عمومی هستند که بسیار درخشان و بسیار فنی هستند. همه اقشار جامعه در آینده نیازهای خاصی خواهند داشت و برخی از شرکت ها نیاز به توسعه مدل های بزرگ تبدیل و رابط های سفارشی دارند.
Beijing Business Daily: مدل های بزرگ چگونه بوم شناسی فناوری هوش مصنوعی و بوم شناسی صنعتی را به هم متصل می کنند؟ جهت کاربردی بعدی هوش مصنوعی در حوزه اطلاعات چه خواهد بود؟
Huang Tiejun: درک و کاربرد هوش مصنوعی در بسیاری از صنایع هنوز در مرحله اکتشافی است و فاصله مشخصی بین آنها وجود دارد. نحوه اتصال این رابط در واقع به گروهی از شرکت ها نیاز دارد که بتوانند قابلیت های مدل های بزرگ را به محتوای مورد نیاز صنایع مختلف تبدیل کنند.
پیش بینی برنامه بعدی در زمینه اطلاعات بسیار دشوار است. من فکر میکنم در واقعیت، کپینویسی، پردازش اطلاعات و سایر وظایف با هوش مصنوعی جایگزین میشوند، یا بیشتر آنها با مدلهای بزرگ هوش مصنوعی حل میشوند که امکانات کاربردی بسیار خوبی را به همراه خواهد داشت.
کاربردهای مختلف موتورهای جستجو در نهایت در مورد سازماندهی، استخراج و استفاده از اطلاعات است. به عنوان مثال، افراد می توانند داده ها را جمع آوری کنند و برخی از پردازش اطلاعات را از طریق موتورهای جستجو انجام دهند. اکنون مدل های بزرگ مشکل جمع آوری داده های عظیم را حل می کنند. داده های آن کار یک فرد یا گروهی از افراد نیست، بلکه تمام داده ها را جمع آوری کرده و منعکس می کند. بیایید تا به برنامه های مختلف پردازش اطلاعات کپی رایتینگ خدمت کنید. خروجی نهایی ممکن است هنوز انسان باشد، اما بیشتر وظایف پشت آن توسط هوش مصنوعی تکمیل خواهد شد. امکانات این جهت کاربردی بسیار زیاد است.
Beijing Business Daily: فناوری هوش مصنوعی چگونه به عصر مدلهای بزرگ تبدیل شد؟ چه تفاوت هایی نسبت به قبل دارد؟
Huang Tiejun: توسعه هوش مصنوعی به مدل های بزرگ توسط قوانین اساسی توسعه فناوری هوش مصنوعی تعیین می شود. دو مکتب فکری در مورد هوش مصنوعی وجود دارد. گروهی معتقدند که مکانیسم های علمی، نظریه ها، ریاضیات و الگوریتم های پشت هوش مصنوعی بسیار مهم هستند. گروه دیگر معتقدند که هوش مصنوعی به طور کلی یک فناوری است که یک سیستم هوشمند را می سازد و سپس مکانیسم سیستم هوشمند را درک می کند. دومی دیدگاه اصلی هوش مصنوعی است.
در فرآیند ساخت هوش مصنوعی ابتدا کار چند محقق علمی بود و بعدها شرکت ها به تدریج مشارکت کردند. در آینده صنعت، دانشگاه، پژوهش و کل جامعه به طور مشترک مدلی را خواهند ساخت. چرا این کار را انجام دهید؟ در واقع دلیل آن بسیار ساده است. اگر داده های آموخته شده توسط یک سیستم یا مدل هوش مصنوعی به اندازه کافی کامل و به موقع نباشد، باور اینکه مدل هوشمند آن بسیار توانمند است دشوار خواهد بود. به اصطلاح مدل بزرگ، ادغام منابع داده های مختلف، قوی ترین الگوریتم ها و قدرت محاسباتی ممکن در جامعه در یک پلت فرم عمومی عمومی است که همه می توانند از آن استفاده کنند. این مسیری است که ما باید هنگام ساخت سیستم های هوش مصنوعی در پیش بگیریم. .
در این فرآیند، قابلیتهای مدلهای بزرگ قویتر میشود که به نوبه خود در همه ابعاد جامعه نقشآفرینی خواهد کرد. وقتی نقشی را ایفا کرد، افراد بیشتری آن را خواهند ساخت. این یک اثر تکرار شونده خوش خیم است.
در واقع، پتانسیل هوش مصنوعی به داده هایی که می تواند به دست آورد بستگی دارد. درست مانند افرادی که «هزاران کتاب می خوانند و هزاران مایل سفر می کنند»، هوش مصنوعی نیز مشابه است. دنیای فیزیکی و حتی جهان بسیار وسیع است. اگر بتوان آن را به داده و اطلاعات تبدیل کرد و اجازه یادگیری توسط هوش مصنوعی را داد، فضا بسیار بزرگ می شود.
من جرات ندارم بگویم که آیا توانایی مدل بزرگ از همه فراتر خواهد رفت یا خیر، اما حداقل هیچکس تمام اطلاعات را به دست نیاورده است و کشف قوانین پشت آن غیرممکن است. بدن فیزیکی و چرخه زندگی هر یک از ما مشخص می کند که داده هایی که می توانیم به دست آوریم هنوز نسبتاً محدود است.
پکن بیزینس دیلی: در توسعه مدل های بزرگ هنوز باید بر چه چالش هایی غلبه کرد؟ مسیر توسعه آینده چیست؟
Huang Tiejun: در حال حاضر مجموعه ای از فناوری ها و الگوریتم ها برای آموزش مدل های بزرگ وجود دارد، اما اینکه آیا الگوریتم های بهتری وجود دارد، جامعه دانشگاهی و صنعت هنوز به طور مداوم در حال جستجو و کاوش هستند. در حال حاضر، برای آموزش یک مدل هوشمند به انتشار کربن زیادی نیاز است. در آینده ممکن است برای آموزش یک مدل به انتشار کربن کمتری نیاز باشد. من فکر می کنم روزی ممکن است هوش مصنوعی کمتر از یک انسان هزینه آموزش داشته باشد و این یک نقطه عطف دیگر است.
بنابراین، هرچه هوش مصنوعی با داده های بیشتری در تماس باشد و بازده یادگیری و آموزش بالاتر و بالاتر رود، نتیجه آن یک مدل بزرگ خواهد بود. در آینده، ممکن است یک مدل فوق العاده بزرگ یا یک مدل بسیار بزرگ باشد و به تکرار ادامه خواهد داد. مسیر از قبل روشن است.
اما هیچ مبنایی وجود ندارد که حد بالایی آن کجاست. در حال حاضر بزرگتر بهتر است. ممکن است پس از گسترش آن تا یک سطح مشخص، دیگر افزایش خطی ساده نباشد، یا ممکن است پس از یک سطح مشخص، رشد شروع به کند شدن کند، اما اینها در حال حاضر هنوز حدس و گمان هستند.
Beijing Business Daily: چگونه برخی از مسائل ایمنی و اخلاقی را در طول فرآیند توسعه مدل های بزرگ در نظر بگیریم؟ چگونه از آن اجتناب کنیم؟
هوانگ تیجون: مسائل ایمنی و اخلاقی هوش مصنوعی یک شبه حل نخواهد شد. به عنوان مثال، مسائل مربوط به امنیت اطلاعات همچنان با توسعه اطلاعات به وجود می آیند و ما باید پس از ایجاد آنها آنها را حل کنیم.
در فرآیند توسعه مدل های بزرگ، خطرات ذاتی نیز وجود دارد. به عنوان مثال، دانش آموخته شده توسط مدل با اخلاق و اصول همخوانی ندارد. این خطرات را می توان از قبل کنترل کرد. اما برخی از خطرات ناشی از پیشرفت مداوم فناوری نیز وجود دارد. اگر به وجود بیاید، پس راه حل آن نیز باید به طور مداوم از طریق ابزارهای فنی حل شود. "برای باز کردن بند ناقوس، باید زنگ را ببندید." اگر به دلیل برخی مشکلات احتمالی این فناوری را توسعه ندهیم، با قوانین توسعه علمی و فناوری مطابقت نخواهد داشت.
