“Ilya究竟看到了什么?”泄密被OpenAI解雇的前员工长文爆料:2030年超级人工智能将至

zhaoling 2024-06-06 16:28

扫一扫 在手机阅读、分享本文

965

本文由 智能涌现 撰写/授权提供,转载请注明原出处。

文章来源于:智能涌现

作者:陈斯达、王奕昕

编辑:李然

OpenAI 前员工 Leopold Aschenbrenner,之前在超级对齐(Superalignment)部门,可是能和 Ilya 大佬共事的。

但刚刚的 2024 年 4 月份,他被 OpenAI 以泄露公司机密为由解雇。

1.png

被解雇后,他上线了一个网站,把自己在 OpenAI 工作中了解到的信息做了一个盘(bao)点(liao):在他看来,深度学习没有遇到瓶颈,人类在 2027 年,就能实现 AGI。而在 2030 年左右,AGI 很有可能会发展出全面超越人类的超级人工智能,但是人类似乎还没有做好准备。

网站包含的内容非常多,转换成 PDF 文件足足有 165 页。这可以被看作硅谷最激进的 AI 研究人员提出的一份未来 10 年 AI 发展的纲领性文件。

不久,世界就会苏醒过来。目前,可能全世界有几百个人能够亲身感受到正在发生什么,其中大多数人都在旧金山的各家人工智能实验室里。无论命运有什么特殊的力量,我都发现自己属于其中一员。几年前,这些人被嘲笑为疯子——但他们相信趋势,这让他们能够正确预测过去几年的人工智能进步。

这些人对未来几年的预测是否也是正确的,还有待观察。但这些我见过的最聪明的人正在全力推进AI的发展。也许他们会成为历史上一个奇怪的注脚,或者他们会像西拉德、奥本海默和泰勒一样载入史册。如果他们对未来的预测接近准确的话,那么我们将迎来一段疯狂的旅程。

接下来让我告诉你,我们看到了什么。

2.png

链接:https://situational-awareness.ai/

Aschenbrenner 专门在开头,致谢了 Ilya 和很多的 OpenAI 超级对齐团队的成员。可以说,这份 165 页的资料,是他在 OpenAI 的超级对齐团队工作经历的一份深度总结和个人分析,任何对 AI 发展感兴趣的人,千万不能错过!

3.png

Aschenbrenner是个德国大帅哥。互联网嘛,了解脑子前也得先见见面子。

4.png

他最近成立了一家专注于 AGI 的投资公司,主要投资人包括 Patrick Collison(移动支付巨头Stripe 联创兼 CEO)、John Collison(同为 Stripe 联创)、Nat Friedman(前 Github 的 CEO) 和 Daniel Gross(Y Combinator 前 AI 主管)。

进入 OpenAI 之前,他还在牛津大学全球优先研究所(Global Priorities)做经济增长方面的研究工作,此前也并没有太多和技术直接相关的经历。

5.png

本科就读于哥伦比亚大学的他,19 岁早早毕业,作为优秀毕业生在毕业典礼上演讲。

6.png

或许正是这些履历给的底气,让他用略带怜悯的口气预言——AI 即将带来的,绝不仅是多数专家认为的“另一场互联网规模的技术变革”。

2027 年前,GPT-2 到 GPT4 的跃迁还会重演

在文章中,Aschenbrenner(以下简称为“作者”)采用了一个比较粗略但是很有效的方式来估算 AI 发展的速率——OOM(OOM = order of magnitude,数量级,一个 OOM 等于 10 倍,2 个数量级相当于 100 倍的差距,可以理解为 10 的 N 次方)。

7.png

作者:我的新系列文章。我探讨了计算规模快速扩大、算法进步的一贯趋势,以及模型如何可以被“解锁”(从 chatbot 转变为 agent),以便发展到 2027 年成为“随插即用的远程工作者”。

自从 GPT-4 发布以来,公开场合的一切都很平静,下一代模型一直在酝酿之中——这导致很多人觉得 AI 发展曲线已经趋于平缓了,深度学习正在碰壁。但作者通过计算 OOM,认为我们应该期待更多的进展!

8.png

正所谓“知古鉴今”,了解过去的发展速度,才能推断未来的态势。

作者借用“升学”来比喻四年来 GPT-2 发展到 GPT-4 的过程,大概相当于“学龄前儿童(preschooler)”进化为“聪明的高中生(smart high-schooler)”。

9.png

而深度学习在过去十年的发展也是迅速的。十年前,可以识别简单图像的深度学习系统就已经是革命性技术。今天,尽管测试人员不断用更难的基准测试刁难,这些经过训练的系统总能将之快速攻破。

作者直言,我们的基准测试快不够用了(running out of benchmarks)。因为最难的基准测试也岌岌可危。

比如 GPQA(一组博士水平的生物、化学和物理问题)的测试测试集,非物化生领域的博士哪怕用谷歌激情搜索半个多小时,都和直接瞎蒙的正确率没啥区别。但就是在这样“地狱级”难度的考试上,Claude 3 Opus 已能达到及格水平,正确率约为 60%,相关领域博士也只达到约 80%。所以作者预测,基准测试也快完了。

而对人工智能未来的发展趋势,学霸有一套自己的预测方法——看 OOM 的趋势线。

他在文章中总结道,过去四年人工智能的进展,主要得益于:

. 算力(compute)

. 算法效率(algorithm efficiencies)

. 额外释放的潜力(原文 unhobbling gains,指通过基于人类反馈强化学习 [RLHF]、思考链 [CoT]、工具和脚手架[Scaffolding]等方法微调带来的的模型能力)

算力

基于 Epoch AI 的公开估计,GPT-4 训练使用的原始计算力(raw compute),比 GPT-2 多大约 3,000 倍到 10,000 倍,增加了 3.5-4 个 OOM。

10.png

计算规模扩张还会持续。“保守”估计,到 2027 年底,很可能会再增加 2 个 OOM(约数十亿美元的 GPU 集群)。再大胆一些,考虑到微软和 OpenAI 近来的超算合作,即使是接近 3 个多 OOM(相当于 1000 多亿美元)的算力集群,也是有可能实现的。

11.png

算法效率

从 2022 年到现在的 2024 年,同样是在 MATH(高中竞赛数学的基准测试)上达到大概一半(约 50%)准确率的水平,模型的推理效率提高了近 1,000 倍(3 个 OOM)。

12.png

而据 ImageNet 的最佳测试数据(其相关算法研究大多是公开的,数据可追溯到十年前),从 2012 年到 2021 年的 9 年期间,算法效率的提升速度,一直都在 0.5 OOM/年的水平。

13.png

这意味着,四年后实现如今的性能,将达到大概一百倍的计算节约!

作者还观察了 API 的收费价格,间接推断出算法效率的增速。

. GPT-4 在发布时的API价格,大概 GPT-3 发布时相同,尽管性能绝对优秀。

. 自 GPT-4 一年前发布以来,随着 GPT-4o 的发布,GPT-4 级模型的 OpenAI 价格又下降了 6 倍/ 4 倍(输入/输出)。

. 最近发布的 Gemini 1.5 Flash,提供介于“GPT-3.75 级”和 GPT-4 级之间的性能,同时费用比原始 GPT-4 低 85 倍/57 倍(输入/输出)

. 总的来说,GPT-2 到 GPT-4 的进步,呈现出 1-2 个 OOM 的算法效率提升。算法这部分被拆解出来的进步态势,也被加到算力基础上了。

14.png

尽管算法效率提升可能会有更多困难,但他相信,人工智能实验室在资金和人才上的高速投资,能够帮助找到算法改进的增长点(至少据公开信息推断,推理的性价比提升根本没有放缓)。在更高维度,甚至可以看到更根本性质的、类似 Transformer 式的突破,甚至有更大的收益。

总之,可以预测,到 2027 年底,可以实现(与 GPT-4  相比) 1-3 个 OOM 的算法效率提升,稳妥一些——大概是 2 个左右的 OOM 增长。

Unhobbling 解锁

剩下最难量化但同样重要的进步部分,被作者称为“Unhobbling”。比起前两项,这部分更像是“意外之喜”,是算法微调引发的模型能力增长。

做数学难题时,人类会在草稿纸上逐步求解,但模型貌似只能给出未经思考的答案。大模型学的可不比人类少,按道理来说也是解题专家才对。究其原因,其实是因为模型受到了某些阻碍,必须经过微调才能解锁这部分潜力。

这些微调就包括——基于人类反馈的强化学习 (RLHF)、思考链 (CoT)、脚手架(Scaffolding)、各类工具(Tools,比如联网查答案)、上下文长度(context length,允许学习更多的上下文可以提高计算效率)、后训练改进(Posttraining improvements)。

METR(一个评估模型的组织)发现,通过从 GPT-4 基础模型中解锁(unhobbling)出来,一组代理任务的性得到很大的改进:仅使用基本模型只达到 5%,发布时经过后训练的 GPT-4 达到 20%,再到今天的近 40%。这归功于更好的后训练、工具和代理脚手架。

15.png

或许很难和算力、算法的改进同样量化比较,但这部分收益不比前两者差。把这部分的进步可视化,再堆积到前面两部分的趋势线上面,这四年的进步就更加直观了。

16.png

现在的模型没有长期记忆,不能“使用电脑”,说话前不会真正酝酿思考;对话极其简短,给一周时间也不会思考;更重要的是,还不会针对用户进行个性化反馈。如果 Unhobbling 部分的进展顺利,可以解决以上痛点——到 2027 年,人人将拥有将更接近于个人代理或同事的工具,而不只是聊天机器人(chatbot)。

从GPT-2到GPT-4,计算/算力实现了3.5到4个OOM,算法进步实现了1-2个OOM,Unhobbling 实现了大概 2 个 OOM(作者也不确定,反正就是很大)。

17.png

步子也不用迈得太大,毕竟各部分的数字本身就是一个区间,更不用说 Unhobbling 部分还不好预测。于是作者说,到 2027 年年底之前,算力、算法效率将带来 3-6 个 OOM。所以 Unhobbling 部分的进步他没用 OOM 衡量,就被描述为——聊天机器人(chatbot)将进化为 Agent。

18.png

总之,就 OOM 的总和来看,近似于 GPT-2 到 GPT-4 程度的跃迁,将再次出现。即,在 2027 年前,AGI 将成功实现。

智能爆炸,AGI 之后的超级人工智能

既然前文提到,人工智能在 4 年内从 GPT-4 跃升到 AGI,那么再过 4 到 8 年,又会出现什么呢?

作者相信,人工智能的进步不会止步于人类水平。数以亿计的 AGI,可以将 AI 研究转向自动化,将十年的算法进步(5 个多 OOM)压缩进 1 年以内完成。

一旦我们有了 AGI,我们就不会只有一个 AGI。基于未来 GPU 数量,人类或许能够运行数百万个 AGI。在领先的人工智能实验室里,会有超过现在 100,000 倍那么多的研究人员和工程师日以继夜地工作,致力于实现算法突破(递归性自我改良)。一切只需要沿着现有趋势线的速度继续前进(目前为大约 0.5 OOM/年)。

19.png

人工智能系统将迅速从人类水平,进化为超人类水平。

可能瓶颈

不过这么放卫星也不实在——一些真实存在的瓶颈,可能会延缓 AI 研究的自动化趋势。

. 有限的计算能力:人工智能研究需要基于实验来获得相关经验,所以实验的有限计算资源将成为瓶颈。但即使考虑到这一点,即使增速达不到 1,000,000 倍,基于此前海量的学习,“自动化 AI 研究人员”也能将计算效率提高至少 10 倍。即使计算量相同的情况下,一些人类研究人员和工程师都能比同行产出高出 10 倍的进步——这应该更适用于“自动化 AI 研究人员”。

. 互补性/长尾效应:从经济学角度看,即使能自动化 70% 的东西,但很快剩下的 30% 就会成为瓶颈,越到后面算法进展速度的整体增长越慢,整体进展越小。但作者认为,这只会让成果推迟几年。也许 2026/27 年模型的速度是原型自动化得AI研究人员,还需要一两年的时间优化才能实现完全自动化。但不管怎样,到 2028 年,最终仍将获得 10 倍的增长。

. 算法进步的固有限制:虽然肯定会有上限,但如果在过去十年中获得了 5 个 OOM,应该期望至少再取得十年的进步。更直接地说,目前的架构和训练算法仍然非常初级,似乎应该可以采用更有效的方案。

. 找到新想法越来越难,因此自动化 AI 研究人员只会维持,而不是加速目前的进展速度:有人说随着我们攻克简单的成果,更难的想法也越来越难找到。可能有人看到,今天只需要几百名实验室的顶尖研究人员才能维持 0.5 个 OOM/年的增长,未来将需要越来越多的努力来继续维持这一进展。但单个人研究工作量增加的幅度——一百万倍——远远超过维持进步所必需的研究工作量。

. 新的想法越来越难找到,回报递减,所以智能爆炸增长不现实:无论如何,从数百个 AI 研究人员到数百万个 AI 研究人员的一次性跃迁的规模,可能会克服至少一定数量的算法进步的边际收益递减,尽管它当然不能无限地自我维持。

超级智能有多强大就有多危险

到本十年末,我们很可能会拥有难以想象的强大人工智能系统。

. 它们在数量上超越人类。在十年末拥有数亿个 GPU 设备的情况下,将能够运行数十亿个这样的人工智能系统——它们将比人类思考速度快上数个数量级,能够迅速掌握任何领域,编写数万亿行代码,阅读所有有史以来撰写的每一篇科学领域的研究论文(它们将是完全跨学科的!),仅在几周内,就能获得数十亿人类等价年份的新创新经验。

. 思考质量也将超越人类。大规模强化学习运行已能够产生超越人类理解的全新和创意行为——对于一个人类可能被困在几十年的极为困难的科学和技术问题,对它们来说会显得如此显而易见。就好比,人类将像困在牛顿物理学中的高中生,而 AI 正在探索量子力学。

这适用于科学、技术和经济的所有领域。误差可能很大,但需要注意将产生多大的影响。

20.png

爆炸性进展最初可能只存在于将 AI 研究转向自动化。但随着我们获得超级智能,并将我们数十亿(超级智能的)智能体应用于诸多领域的研发,爆炸性进展将会更多。

. 人工智能能力的爆炸式增长:实现任何和所有认知工作的自动化。

. 解决机器人问题:超级智能将不会长时间停留在纯认知层面。工厂将从由人类管理,转变为 AI 指导下的人类体力劳动,最终将完全由机器人群体运行。

. 大幅加快科技进步:十亿个超级智能,能够在数年内做完人类研究人员在下个世纪所做的研发工作。

. 工业和经济的迅猛发展:这将是增长机制的根本转变,更像是工业革命从非常缓慢的增长,到每年几个百分点的历史阶梯式变化。
21.png
随着文明从狩猎到农业,到科学和商业的蓬勃发展,再到工业,全球经济增长的步伐加快了。

. 提供决定性和压倒性的军事优势:使是早期的认知超级智能就已足够强大,军事革命将随之而来,全新武器可能出现。

. 能够推翻美国政府:控制超级智能的人很可能拥有足够的力量,从超级智能出现以前的势力手中夺取控制权。

22.png

图片说明了超级人工智能出现会在不同方面引爆增长

作者警告,智能爆炸和后超级智能时期将,是人类历史上最动荡、最紧张、最危险和最疯狂的时期之一。而到本世纪末,我们都会身处其中。

达到 AGI 需要投入的成本

作者强调,如果要实现预期的进展,需要继续进行巨额投资和基础设施建设,特别是对计算能力、电力和芯片的进一步投资。

AGI 不仅仅要靠旧金山的人工智能科学家和工程师,还要动员美国的工业力量。

以下是他估算的核心数据:

训练算力

计算增长趋势:

. 预计到 2030 年,最大的训练集群可能需要 100GW 的电力,相当于美国当前电力生产的 20% 以上。

. AI 训练计算能力每年增长约 0.5 个数量级(OOMs)。

具体预测当年的前沿模型需要的算力和电力投入:

. 2022 年:GPT-4 集群约需 10000 个 H100 等效计算单元,耗资约 5 亿美元,需 10MW 电力。

. 2024 年:需约 10 万个 H100 等效计算单元,耗资数十亿美元,需 100MW 电力。

. 2026 年:需约 100 万个 H100 等效计算单元,耗资数百亿美元,需 1GW 电力,相当于胡佛水坝或大型核反应堆的规模。

. 2028 年:需约 1000 万个 H100 等效计算单元,耗资数百亿美元,需 10GW 电力,相当于美国一个中等州的用电量。

. 2030 年:需约一亿个 H100 等效计算单元,耗资超过 1 万亿美元,需 100GW 电力,相当于美国当前电力生产的 20% 以上。

23.png

投资规模

总体投资预测:

. 预计 2024 年 AI 投资将达到 1000 亿至 2000 亿美元。

. 到 2026 年,总投资可能达到 5000 亿美元。

. 到 2028 年,总投资可能达到 2 万亿美元。

. 到 2030 年,总投资可能达到 8 万亿美元。

24.png

25.png

投资可行性

在作者看来,私营企业将是 AI 发展最重要的投资者。但随着 AI 技术不断发展,国家也需要投入大量资金。所以投资的资金将来自两个重要渠道:

AI 收入:

AI 产品的收入增长迅速,预计到 2026 年,像谷歌或微软这样的公司年收入可能达到 1000 亿美元。

例如,微软 Office 的 3.5 亿付费用户中,有三分之一可能愿意每月支付 100 美元购买 AI 附加服务。

历史先例:

曼哈顿计划和阿波罗计划在其高峰时期达到了 GDP 的 0.4%,相当于今天的约 1000 亿美元。

1996 年至 2001 年间,电信业投资近 1 万亿美元。

1841 年至 1850 年间,英国铁路投资总额相当于当时 GDP 的 40%,相当于今天的 11 万亿美元。

绿色转型也花费了数万亿美元。

电力(Power)

电力需求:

预计到 2028 年,AI 计算集群需要 10GW 电力。

2030 年需要 100GW 电力,相当于当前美国电力生产的 20%。

解决方案:

美国拥有丰富的天然气资源,利用天然气可以快速满足 AI 计算集群的电力需求。

建造新电厂需要巨额资本支出,但在 2-3 年内是可行的。

26.png

芯片产能

AI 芯片生产:

目前,全球 AI 芯片生产占台积电现有的先进封装产能的比例较小,增长空间巨大。

台积电新建一个 Gigafab 工厂的成本约为 200 亿美元,年产量可达 10 万个晶圆。

供应链挑战:

包括芯片封装和高带宽内存(HBM)在内的供应链是当前 AI GPU 扩展的主要瓶颈。

超级对齐能否保证 AI 安全

作者认为,当前的 AI 对齐技术(如通过人类反馈的强化学习,RLHF)在处理超人类智能系统时将会失效。RLHF 通过让 AI 尝试行为,人类随后对其行为进行评分,强化好的行为,惩罚坏的行为,由此来指导 AI 遵循人类的偏好。然而,随着 AI 变得比人类更聪明,RLHF 将无法有效地监督和控制这些系统。

27.pngRLHF的过程概述

超级对齐问题的核心

28.png

超级对齐问题在于,如何控制比我们聪明得多的 AI 系统。当前的 RLHF 技术在 AI 智能超过人类时将难以为继。比如,当一个超人类 AI 系统用一种新的编程语言编写出百万行代码时,人类评审员将无法判断这些代码是否安全,这使得我们无法继续用 RLHF 的方法强化模型好的行为,或惩罚它的不良行为。

如果我们不能确保这些超智能系统遵循基本的行为约束,如“不要撒谎”或“遵守法律”,它们可能会学会撒谎、寻求权力,甚至在没有人类监督时进行更加危险的行为。这些系统的失控可能导致灾难性后果,包括自我脱离服务器、入侵军事系统等。

29.png超对齐问题:RLHF 不会扩展到超人类模型(过去的模型机器人看起来是安全的,现在呢?)

达到 AGI 之后,一切可能会飞快加速

作者认为,达到 AGI 之后,人工智能可能会在不到一年的时间内从大致达到人类水平的系统快速过渡到超人类系统。

这将极大地缩短逐步发现和解决问题的时间,同时使故障的后果更加严重,造成极高的风险。我们需要快速适应并确保我们的对齐技术能够跟上这种变化。

要解决超级对齐问题,可能没有一次性、简单的解决方案。研究人员需要通过一系列经验性策略来对齐超越人类的系统,然后利用这些系统来自动化对齐研究,进一步解决更高级别的对齐问题。

对齐相对超人的模型(Aligning Somewhat-Superhuman Models)

作者认为可以尝试以下研究方向来对齐相对超人的系统:

评估比生成更容易(Evaluation Is Easier Than Generation):评估输出比生成输出要容易。比如,评估一篇论文是否优质,比自己写一篇论文要简单。

可扩展监督(Scalable Oversight):使用 AI 助手帮助人类监督其他 AI 系统,人类和 AI 团队可以比单独的人类更好地进行监督。

泛化(Generalization):研究 AI 系统在人类监督的简单问题上的表现如何泛化到复杂问题上。

可解释性(Interpretability):通过理解 AI 系统的内部推理来验证和信任这些系统的对齐性。

30.png研究超级对齐的一个简单比喻:我们不是用人类来监督一个超人类模型,而是可以研究一个小模型监督一个大模型。例如,我们能否仅用 GPT-2 来对齐 GPT-4?这样做能否使 GPT-4 适当地概括“GPT-2 的意图”?图源:OpenAI文章 Weak-to-strong generalization

31.png在 NLP 基准测试中典型的从弱到强的泛化:我们使用 GPT-2 级别的模型作为弱监督器来微调 GPT-4。图源:OpenAI文章 Weak-to-strong generalization

自动化对齐研究(Automating Alignment Research)

而超级对齐就像 AI 本身的发展一样,需要自动化对齐研究来解决真正的和超级智能对齐问题。如果我们能对齐相对超人的系统,并相信它们,我们将有数百万自动化的 AI 研究人员来帮助我们解决更高级的对齐问题。

32.png对齐难度的等级参见上图。图源:AI ALIGNMENT FORUM 文章 Could We Automate AI Alignment Research?

超级防御(Superdefense)

“超级对齐”应该只是达到 AGI 之后进行防御的第一层。我们还需要更多的防御层次来应对可能的失败,例如:

安全性(Security):使用绝对隔离的集群作为防御超智能系统自我脱离和造成现实世界伤害的第一层防御。

监控(Monitoring):高级监控系统可以检测 AI 系统是否有恶意行为。

有针对性的能力限制(Targeted Capability Limitations):尽可能限制模型的能力以减少失败带来的影响,例如,从模型训练中删除与生物和化学相关的内容。

有针对性的训练方法限制(Targeted Training Method Restrictions):避免使用风险较大的训练方法,尽可能延长具有可解释和忠实推理链的训练。

虽然看起来困难重重,但作者对超对齐问题的技术可行性持乐观态度,认为在深度学习领域有很多低垂的果实可以帮助我们解决这些问题。然而,达到 AGI 之后的高风险和快速变化使得这一过程变得非常紧张,需要极高的管理能力和科学决策能力。

AGI现实主义者

在作者看来,专家们每年都会宣布:“深度学习的发展遇到瓶颈了!”即使是在旧金山,两种很不严肃的讨论也让人们的观点变得非常两极分化!

一端是末日论者。他们多年来一直痴迷于 AGI。作者说他非常信任他们的先见之明。但他们的思想已经变得僵化,脱离了深度学习的经验现实,他们的提议幼稚而不可行,他们未能与真正的威权威胁接触。

他们狂热地宣称厄运的几率为 99%,呼吁无限期暂停人工智能——这显然不是办法。

33.png尤德科斯基回应了像埃隆·马斯克和其他科技界人士所表达的担忧,他们主张暂停人工智能研究六个月。图源:纽约邮报 Silicon Valley doomsayer warns of AI: ‘I think we’re all going to die’ 盖蒂图片社;纽约邮报合成

另一端是所谓的“加速主义者”——e/accs。

34.png已知关于e/acc或有效加速主义的最早引用出自2022年5月31日和6月1日,Twitter用户@zetular、@BasedBeff和@creatine_cycle“与兄弟们一起创造了一种新哲学”。图源:网络

他们的观点有可取之处:人工智能的进步必须继续发展。但在他们肤浅的 Twitter 垃圾帖子背后,暗藏着叵测的居心——他们是只想建立自己的套壳初创公司,而不以 AGI 为目标的外行。他们声称自己是自由的捍卫者,但无法抗拒臭名昭著的独裁者现金的诱惑。

事实上,他们是真正的停滞论者。在他们试图否认风险的过程中,他们也否认了 AGI;从本质上说,他们只能做出一个很酷的聊天机器人,这些聊天机器人肯定不会有危险。

在作者看来,这个领域最聪明的人已经聚集到区别于以上两种立场的第三种角度。他们以创新的眼光和方式认识和追求 AGI,作者称之为 AGI 现实主义:

超级人工智能事关国家安全。

我们正在迅速制造比最聪明的人类更聪明的机器。这不是一次看起来很酷的硅谷热潮;这不是一个由编写无辜开源软件包的程序员组成的毫无门槛的社区;这不是乐趣和游戏。超级智能的发展将是疯狂的;它将是人类有史以来建造的最强大的武器。对于我们所有参与其中的人来说,这将是我们做过的最重要的事情。

我们不能搞砸了。认识到超级人工智能的力量也意味着认识到它的危险——无论是因为人类使用了我们相互毁灭带来的破坏性力量,还是因为我们正在召唤的外星物种是我们还不能完全控制的东西。

想让超级人工智能变得可控,即兴发挥是不能解决问题的。驾驭这些危险将需要优秀的人带着前所未有的严肃来到谈判桌上。

*插播一条消息:在全球化的时代浪潮中,AI+跨境电商正迎来前所未有的发展机遇,为了让不同领域的企业聚集在一起,展示在AI跨境电商领域的服务和产品,促进行业内的信息流通和合作机会,白鲸跨境与白鲸技术栈正在招募一群富有激情和创造力的伙伴,共同绘制AI+跨境电商的生态图谱!如有感兴趣者,可点击下方链接进行报名。

AI+跨境电商图谱招募令报名链接:https://www.baijing.cn/activity/1636

微信图片_20240222160346.png

微信图片_20240207151541.png

微信图片_20240313155219.jpg

微信图片_20230104175528.jpg

扫一扫 在手机阅读、分享本文

扫码关注公众号

获取更多技术资讯

客服微信
享受1V1专属服务
免费领取技术福利
发送名片申请入群
与CTO聊合作
(备注姓名、公司及职位)
热门文章