Xin Zhiyuan编辑报告：Kinghz Allen [Zhiyuan的新介绍]诺贝尔·哈萨维斯奖得主增加了AI的问题。目前，LLM远非博士学位，并且仅在某些领域才闪耀，但它具有包容性和不一致。对于真正的AGI，仍然有1-2的重要进展，并等待5到10年。当前的博士人工智能毫无意义！出乎意料的是，Google Deepmind诺贝尔奖的获胜者兼首席执行官Demis Hassabis公开批评Ultraman。在最近的一次采访中，哈斯维斯公开宣布，将今天的“办公室医生”称为“办公室医生”纯粹是毫无意义的。他们不是真正的博士学位。尽管它们具有博士水平的功能，但它们并不是一般不可或缺的组成部分。真正的一般信息应该能够在所有领域中实现全面的博士水平能力。真正的普通人工智能不会犯低级错误，而AIHE也没有推理，适应或学习的能力连续。哈萨维斯（Hassavis）认为，目前可能是1-2的关键进步，并且是真正的“医生”五到十年。哈萨维斯（Hassavis）对“博士AI”的批评以及他对Agi基本能力的有见地的看法非常受欢迎。除了讨论全企业中的AGI路线外，哈斯维斯还首次回忆起诺贝尔奖的时刻，然后系统地解释了世界模型，机器人，科学研究，能源消耗和效率的最新判断。进度和反合。 AI Genius负责Deep Mindalphafold，帮助他赢得了诺贝尔奖，并在四岁时成为国际象棋天才。 2023年，他因2024年对AI的贡献而被任命为英国皇家冠军，并于2024年获得诺贝尔化学奖。在正式宣布的前十分钟，他收到了故障通知，但他没有时间消化这一消息，他有点困惑。随后，参加每周的Awar瑞典的DS仪式更加令人兴奋，包括与王室的交流。持续120年的荣誉传统中最令人震惊的部分是组织委员会。这是一个特殊的安排。哈萨维斯经历了生活中难忘的方面。他在与居里夫人，爱因斯坦和其他历史诺贝尔奖的同一名单上签名。作为DeepMind的首席执行官，Hasabis负责Google AI。为了参与AI的开发，Google和Alphabet的团队（包括原始的Deep Medion）合并了当前的Google DeepMi。 Hassavis将新的深层思想描述为Google的“电动机”和整个字母。 DeepMind负责Gemini，Gemma和我看到的生成模型的发展，还负责研究Alphafold所代表的科学项目。 Gemini是Google的核心AI模型，适用于Google搜索，Gmail和其他产品。所有领导的人员都有大约5,000人，还有更多80％的工程师或博士研究人员。当Google开始创建双子座时，多模式声称。您可以看到照片，收听音频，观看视频并以各种形式出去。对于通用人工智能，系统无法单独理解语言和抽象，但他们无法理解周围的物理世界。这就是为什么机器人很困难，智能玻璃与会者很重要的原因。这次推出了Google的“新Android”双子座机器人技术3，Google的前两个元素“ Android”和受欢迎的“ Nano Banana”。 DeepMind将Gemini Robotics转换为机器人平台上的“半操作系统层”。这可以理解为机器人的“ Android”。哈萨维斯（Hassavis）认为，Q。机器人仍处于早期阶段，但“ AHA的时刻”很可能在明年或两年中出现。在接下来的几年中，通用模型可能会使物理世界的细节更强大，更稳定，并且更了解续机器人在物理世界中的ROL功能。至于将来如何发展创意工作，哈萨维斯说：他们可以成为“世界观编辑”，并负责指导和整合每个人的集体创造力。 Agi路径在哪里？ AI的科学应用是Hassavis更担心的地址。它致力于AI的原因是要使用它来加速科学发现并改善人类健康。如果以正确的方式构建AGI，它将成为最好的科学工具。近年来，DeepMind证明了许多通过。最著名的是Alphafold，但是Google使用材料的设计，带有受控融合设备的超级型号，气候预后甚至在奥运会上的数学问题。具有相同范式的AI系统，以及一个面向任务的设置，在许多复杂领域工作。哈萨维斯认为，AI刚刚开始加速科学发现。当然，工作仍然是Missing。这是真正的创造力。鉴于一个主张，今天的AI可以证明并解决它，但是仍然不可能提出一个新的假设，假设或理论。当您可以独立提出好问题时，这可能是一个重要的里程碑测试。什么是“创意”？哈萨维斯（Hassavis）认为，我们经常称赞的是“直觉跳跃”，这是历史上主要科学家和艺术家进行的一种跳跃。也许创造力基于类比，并将显然无关的事物连接起来。心理学和神经科学有自己的理论，他是人类如何做到这一点，但是在1901年，它阻止了一系列对AI的现代知识，以查看是否有可能将一种理论“思考”作为1905年的相对论特殊理论。让我举一个例子。十年前，Alphago不仅击败了世界冠军的Go冠军，而且在“ God Move”中的第二场比赛中也成为了著名的“第37运动”。但是问题我S：AI不仅可以发明新的策略，还可以“发明优雅，可玩和美观的游戏”？答案目前不是。这就是萨尼“普遍”的不便。真正的AGI也应该能够达到这一水平。那么，您确切失去了什么？ Dario de Anthrope和Upenai的Ultraman认为Agi很快就会到来。哈萨维斯更加小心。他认为核存在。我们可以复制最好的科学家ICO的“直觉跳跃”，而不仅仅是逐步改进？伟大的科学家和伟大科学家之间的区别不是基本技能，而是创造力。他们可以捕获其他字段的特定模式，并将其比较并将其移至当前问题。 Hassavis认为AI最终会这样做，但是现在从推理思想的角度来看，AI仍然心情不好，因此很难支持这一进步。另一个问题是一致性。 Ultraman和其他人说AI已经到达“博士智能”，但哈萨维斯认为不是。在某些子公路中，他们已经达到了“ DOC级别”，但并不意味着“完整的博士水平”。 “一般情报”意味着能够达到由所有维度组成的水平。实际上，我们都看过它。据您而言，您可以改变问题的方式，当前的聊天机器人在高中数学和简单的伯爵内犯了低级别的错误。对于真正的AGI，这不会发生。哈萨维斯认为，AGI完成以前的功能大约有5 – 10年。此外，人工智能没有能力“连续学习”。您可以吸收新的在线知识并及时调整您的行动。也许比例方法继续带来一些改进。但是，如果您想下注，哈萨维斯（Hassavis）认为，将会有一个或两个最重要的原始进步，并且这些进步可能会在未来五年内出现。为了解决科学研究的问题，AI4不仅可以帮助获得诺贝尔奖的许多重要成就和Alphafold获奖者，还可以帮助AI提高能源效率并解决大量能源所需的衍生问题。诸如Alfafold之类的混合模型是未来的Afoffold开发地址是一种混合模型。 SO称为混合模型同时使用概率和确定性模型。概率模型当前用于大型模型中，根据概率预测以下令牌，而确定性模型的引入是以下方向大型模型取得重要的进步。确定性模型必须遵循固定的逻辑算法并获得相同的输入。生产。例如，在大规模模型中引入现实世界的物理和化学规则是确定性模型。 Hasavis在采访中还详细介绍了Alphafold Hybrid模型。 Alphafold具有基于技术的学习和ProbabiliTY组件，例如可以从提供的可用数据中训练的神经元和变革性网络。但是，在生物学和化学领域，数据通常还不够。因此，一些已知的化学和物理规则必须纳入模型。在Alphafold中，您必须建立原子之间的链接角度，并确保模型不能重叠基本的物理限制（例如原子）。从理论上讲，模型可以自己学习，但这浪费了巨大的学习能力。因此，将这些规则直接添加为限制更为有效。 Hassabis还说，如果它是Alphago或其他混合系统，那么关键和困难就在于具有最具人工设计的个性化系统完美结合的学习系统的方式。这确实非常具有挑战性。最终的目标是，当通过混合系统实现进度时，这些经验必须被调整并整合到学习组成部分中。说明更具体地说，Hasabis引用了Alphazero Alphago的例子。这与我对Alpha Zero的改进有点相似。 Alphazero Isa更通用的Alphago版本，并包含有关GO的特定知识。但是，在Alphazero中，我消除了这些个性化的规则，包括我曾经训练的人类国际象棋数据，而不是从头开始和通过自己的游戏学习。最终的结果是玩，只能学习其他国际象棋游戏。 Hasabis加速器的发现仍然可以处理同构。该公司基于Alfafold的蛋白质折叠预测的进步，并且是一家深厚的分裂公司，致力于彻底改变毒品的发现。理解蛋白质的结构只是发现药物以解决问题的过程中的第一步，例如设计与无副作用的蛋白质目标结合的化合物的设计。哈斯维斯说，在接下来的十年中，毒品发现CYCLE是您的预期，即使是几十年甚至几天。同构建立了一个平台，其中包括美国英国一家大型跨国制药公司（一家大型跨国制药公司）和诺华（来自英国的大型跨国制药公司）也参与了该公司。同构也有望并行地进行药物研发项目，并在明年进入临床阶段。同构目前专注于癌症和免疫学领域，并与美国的MD Anderson癌症中心等主要的全球机构进行了科学研究合作。同时，DeepMind还专注于研究alfafold模型的更先进的版本，从而使该模型不仅了解更多内容以了解蛋白质相互作用，还可以帮助开发药物。尽管对AI的能源需求是巨大的，但它有助于优化有效的ICIA。随着大型模型的参数继续扩展，培训和推理引起的巨大能源消耗已成为一个日益流行的问题。鉴于能源需求曲线的指数增加，Hassavis解释了深层思想的反应。全球最大的应用程序方案，Google具有极高的效率，极低的降解和极低的服务成本，这对模型来说是紧迫的要求。 DeepMind使用诸如蒸馏之类的技术来提高模型效率，在相同的性能下，效率增加了数十次。但是，随着每个人仍在调查AGI，Saved Energy投资于前卫模型的研究和开发。当然，Jasasavis还指出，AI系统解决能源和变化问题的贡献远远超出了其自身的消费。潜在的贡献包括优化电网系统，设计具有新特性的材料以及提高新能源的效率。 d在接下来的十年中，人工智能将帮助解决大多数这些主要挑战，其贡献将远远超过当前的能源消耗。 Hassabis认为，如果Agi在十年后到来，他将纪念科学的黄金时代和新重生的到来。 Reference: https://www.youtube.com/watch?v=kr3sh2pka8yhttps://x.com/vitrupo/status/1966752555202572739https://x.com/rohanpaul_ai/status/19669508888888888
特殊声明：先前的内容（包括照片和视频（如果有），如有）已由网络自我媒体平台的用户收费和发布。该平台仅提供信息存储服务。
注意：以前的内容（如果您有照片或视频）将由社交媒体平台NetEase Hao的用户收取和发布，仅提供信息存储服务。
GPT
