探索人工智能的奥秘

思考人工智能，不禁让我想起了杨立昆的见解。他在一次深度学习会议上提出了一个令人深思的问题：

一个毫不懂汽车的人类，仅用短短20个小时就可以学会开车，而人工智能却需要浩瀚的十亿级数据和百万次虚拟环境中的强化学习。尽管如此，AI 仍无法达到像人类一样可靠的驾驶技能。

为什么会这样呢？杨立昆的观点是，自回归模型的限制导致了这一问题。这种基于统计学的预测系统不能真正理解物理世界。

事实上，人工智能并不了解红绿灯、斑马线或障碍物等概念。它仅仅是在模型中建立概率相关性，并通过大规模数据的训练来选择最可能的答案。

表面上看，AI 似乎非常聪明，但实际上它对这些概念一无所知，只是善于“猜测答案”。

然而，人脑不同。人脑能够真正“理解”这些概念。在开车时，只需激活少数相关神经元，能耗低，速度快，而且几乎不出错。

因此，杨立昆提出了“世界模型”，旨在解决人工智能在理解和推理方面的局限。

尽管我认为这个目标艰巨，因为符号主义领域已经研究了30多年，但AGI并不一定非得模仿大脑。然而，要与大脑相媲美绝非易事。

更重要的是，AGI需要不仅解决已知问题（学习能力），还需要解决未知问题（创造能力）。它必须学会从有限的数据中发现规律，因为在未知领域，我们无法依赖大量已知数据。

从技术角度来看，自回归模型（如GPT）似乎难以达到这一目标。

当人工智能能够解决人类尚未解答的问题，比如哥德巴赫猜想，那时我们可以说，它已经实现了AGI。

然而，现在，我认为我们应该坦然承认自己的无知。我们无法确定正确的前进方向，只能边走边学。毕竟，无知总比傲慢要好，不是吗？