黃仁勳談AI現狀：仍需數年才能達到“高度可信”

黃仁勳認爲，我們距離一個可以“高度信任”的AI系統仍有“數年之遙”。整個行業也在重新思考如何在有限數據和資源下更有效地訓練模型。

儘管人工智能正在迅速發展，但離一個可以高度信任的AI系統仍有距離。黃仁勳強調，在未來數年內，持續提升計算能力和探索新的方法將是關鍵任務。同時，行業正重新思考如何在有限數據和資源下更有效地訓練模型，以實現更可靠、更強大的人工智能應用。

英偉達（NVDA.O）首席執行官黃仁勳近日表示，目前的人工智能並不能提供最優解答，我們距離一個可以“高度信任”的AI系統仍有“數年之遙”。

“目前我們得到的答案還遠非最佳答案，”黃仁勳在香港科技大學的採訪中說道。他指出，人們應該不需要對AI的回答心存疑慮，比如它是否“幻覺化”或是否“合理”。

“我們必須達到這樣一個階段——你大體上可以信任AI的回答……而要實現這一點，我認爲我們還有數年的路要走。在此期間，我們需要不斷提升計算能力。”

大語言模型的侷限性：幻覺和數據瓶頸

像ChatGPT這樣的語言模型在過去幾年中取得了指數級的進步，能夠回答複雜問題，但依然存在諸多限制。其中，“幻覺”，即生成虛假或不存在的答案，是AI聊天機器人的持續問題。

例如，去年一位廣播主持人就因ChatGPT編造了一份虛假的法律指控文件而起訴OpenAI，而後者未對此作出迴應。

此外，一些AI公司正面臨如何在有限數據資源下推進大語言模型（LLM）發展的困境。黃仁勳表示，僅依靠預訓練，即在大規模、多樣化的數據集上對模型進行訓練，並不足以開發出功能強大的AI。

“預訓練——自動從世界上的所有數據中發現知識——是不夠的……就像大學畢業是一個重要的里程碑，但它並不是終點。”

過去幾年，科技公司如OpenAI、Meta和谷歌專注於收集海量數據，假設更多的訓練數據會造就更智能、更強大的模型。然而，這種傳統方法如今正受到質疑。

轉變思路：超越“盲目擴展”

研究表明，基於Transformer的神經網絡（LLM的核心技術）在數據量和計算能力增加時性能呈線性增長。然而，業界領導者開始擔憂這一策略的侷限性，並嘗試探索替代方法。

Scale AI首席執行官Alexandr Wang表示，AI投資主要基於這種“擴展定律”的假設，但現在它已成爲“整個行業的最大問題”。

Cohere公司首席執行官Aidan Gomez認爲，雖然增加計算能力和模型規模確實能提升性能，但這種方法有些“機械化”。“這種方法雖可靠，卻顯得有些愚蠢，”他在播客中說道。Gomez提倡開發更小、更高效的模型，這種方法因其成本效益受到支持。

其他人則擔心，這種方法可能無法實現“通用人工智能”（AGI，即匹配或超越人類智能的理論AI形態）。

前Salesforce高管、AI搜索引擎You.com首席執行官Richard Socher表示，大語言模型的訓練方式過於簡單化，僅僅是“基於已知的token預測下一個token”。他認爲，更有效的訓練方式是強迫模型將問題轉化爲計算機代碼，並基於代碼的輸出生成答案。這種方法能減少在定量問題上的幻覺，並增強AI能力。

行業觀點分化：規模擴展是否見頂？

然而，並非所有行業領導者都認爲人工智能已經遇到了規模擴張的障礙。

微軟首席技術官Kevin Scott持不同觀點。他在7月的採訪中表示：“與其他人的看法不同，我們尚未達到擴展規模的邊際收益遞減階段。”

OpenAI也在努力改進現有的大語言模型。例如，9月發佈的o1模型仍基於Socher提到的token預測機制，但其在處理定量問題（如編程和數學）方面更加出色，與更通用的ChatGPT有所不同。

前Uber工程師Waleed Kadous將兩者進行了類比：“如果將GPT-4擬人化，它更像是一個知道一切的朋友，在回答問題時會滔滔不絕，讓你從中篩選有價值的信息。而o1更像是那個仔細傾聽後沉思片刻，再給出一兩句切中要害答案的朋友。”

然而，o1模型需要更多計算資源，導致運行速度更慢、成本更高。

本文源自：金融界