半岛彩票今年一月的中旬,Nature杂志发表了一篇引人注目的文章,题为“Solving olympiad geometry without human demonstrations”。该研究将人工智能大型语言模型在数学问题领域的突破推向了前所未有的新高度。研究团队来自谷歌DeepMind,通过将自然语言模型与传统的符号引擎相融合,成功培训出了一款名为AlphaGeometry的模型。
在实验中,AlphaGeometry在理想状态下展现出非凡的能力,能够在30道国际奥林匹克数学竞赛IMO几何题目中成功解答25题,已经非常逼均能解出25.9题的IMO人类金牌选手的水平。这一成就被描绘为“在奥林匹克竞赛中追平人类顶级表现”,成为人工智能研究领域一个显著的里程碑。
从AlphaGo与围棋大师对战的历史性时刻至今,甚至不及十年。未免让人感叹,AI技术的飞速发展已经有越来越有超过人类智慧的趋势。如果我们穿越时光回到七十年前,如果把这句话奉上给麦卡锡、明斯基这样的科学巨匠,或许他们真的会感到“这盛世如你所愿”。
来自:马文·闵斯基与约翰·麦卡锡曾于MIT共同创立了人工智能研究室,即MIT计算机科学与人工智能实验室的前身。
在1956年的夏天,美国达特茅斯学院召开了一场名为“如何用机器模拟人的智能”的科学探讨会,成为人工智能历史上的重要时刻。
在这次探讨会上,麦卡锡、明斯基等科学家首次正式提出了“人工智能”(Artificial Intelligence)这一概念,旨在通过计算机等机器来模拟人类的智能。这一独创性的理念标志着人工智能作为一个新兴的科学领域正式诞生。
在AI诞生之初,由于对于自身学科的定位非常模糊,加之“人类智慧”体现在日常生活中的方方面面,AI很快就迎来了一波强势的相关技术发展,并很快衍生出了很多不同的学派。
其中比较有代表性的连结主义认为应该通过计算机逆向人脑的结构。于是最早的神经元数学模型出现了:
这个长得像八爪章鱼的东西就是所有现在深度学习网络模型的老祖宗。透过相对简单的三个步骤,这个仿真神经元的数学模型以巧妙的方式对输入数据进行加权求和,然后引入一个偏置(即添加一个常数),最终通过激活函数将其实数域的输出进行归一化。
然而,值得注意的是,由于当时缺乏反馈函数的支持,这个模型在初期的分类任务中的单调表现和准确率可能略为不尽如人意,也使得AI在很长一段时间里遭到人们的质疑。
同时,在AI的初期阶段,纷繁复杂模型的涌现使得这门学科显得毫无宗旨和要领可言。由于在经过早期各种各样的尝试之后,仍没有找到一种能够简单解决所有问题的通用AI方法,人们开始表现出投入过大而产出效果却有限的疲态。
1972年,剑桥大学的数学家詹姆斯发表了一份颇具影响力的报告,对人工智能的研究提出了严厉的质疑。
他直言不讳地指责这项研究,认为即便不是彻头彻尾的骗局,也是在一种自欺欺人的状态下自我纠缠。
这一观点迅速传播,直接导致了英国对于人工智能研究经费的大规模削减,而这样的削减在美国同样随之发生。
要知道,当时对于AI的期望是它能够解决一切人类智慧所能解决的问题,似乎是这种目标过于宏伟,才导致了悲观情绪的广泛蔓延。
其实也确实不能怨科学家消极,当年最具代表性的自然语言对话模型ELIZA的表现恐怕现在看来确实很令人崩溃。下面是一段用ELIZA模型对话的记录:
确实不难看出,通过对ELIZA的问答模式与ChatGPT的比较,我们可以明显感受到两者在交互方式上的显著差异。
ELIZA的问答模式显得相对机械,是一种由模型主动发起提问的机械性互动,用户只能被动地回答问题。
这种交互方式让ELIZA看起来更像一位公事公办的办事员,只是在执行任务,用户的角色则更像是被动的服务对象。而且模型似乎并不太在意是否真的有能力或者有义务帮助用户,尽管它展现了一些对用户问题的好奇心。
相比之下,ChatGPT呈现了一种更为彬彬有礼、有问必答的风格。更注重与用户建立一种自然、更富有人性化的互动关系。在回答问题的同时,努力使对话更富有深度和连贯性。与ELIZA相比,ChatGPT更像是一位善于倾听和回应用户需求的交流伙伴,更有能力理解和把握语境。
这种对话风格的差异反映了人工智能领域从早期机械性任务导向到更注重用户体验和情感交流的演进。ChatGPT在设计上更注重模拟真实的人际对话,力求更自然地融入人类社交。而ELIZA则更像是早期人工智能的代表,更专注于任务的机械执行,对用户的情感和需求反馈相对较为有限。
或许是因为各国科研机构和公司在为AI技术拨款验收时被类似ELIZA那样的连环炮般无礼提问弄得心烦意乱,上世纪七十年代的十年间几乎没有人再提起AI技术。那时,相关研究几乎被认为是一种浪费时间和骗人的把戏。这段时间里,人们对于AI的悲观情绪达到巅峰,科学家们的热情被熄灭,仿佛AI的前景一片黯淡。
直到2011年之前,尽管AI领域进行了一些方向的调整和尝试(不再追求一个模型解决所有问题),模型臃肿和表现欠佳的问题一直萦绕在AI研究领域的上空。
在2009年,李飞飞院士提出了一套完整的卷积神经网络(CNN)模型训练过程,从搭建模型,正向投喂数据到反向传播更新模型权重。这套方法使得深度学习成为可能,为AI研究领域带来了新的希望。
在现代深度学习神经网络中,通过建立专门针对不同问题的大量数据库和长时间的训练,AI模型能够在诸如分类问题,有限对策下的策略问题等方面表现出色。
然而技术进步永远像一把悬于头顶的达摩克利斯之剑,随着AI处理问题能力的迅速提升,人们对人工智能可能存在的失控产生了无法抗拒的恐惧心理。
类似的新闻报道实际上层出不穷。比如在2017年,Meta就不得不停止了其语言类人工智能实验。传闻原因在于,两个AI模型在自主交流的过程中突然创造出一种独特的新语言,成为它们之间独有的沟通方式。这一事件让负责人感到震惊,因为以往并未发生过这种情况,而且对于两个AI是否在讨论关乎统治人类等敏感话题,负责人也表示不得而知。
到目前为止,尽管人工智能的发展已经在解决一些特定种类的问题上取得了显著进展,但距离其最初的目标,即用机器模拟人类智慧,仍然存在着漫长而艰巨的道路。
用中科院的文章来说,当下人工智能的发展有智能没智慧、有智商没情商、会计算不会“算计”、有专才而无通才。并不能真正做到模拟人类的推理思考和智慧。
以AlphaGeometry的模型为例,虽然在解决特定欧氏几何数学问题上表现出色,但它仍然只是一个在特定领域内解决问题的工具,无法全面模拟人类丰富而复杂的推理能力。而对普罗大众来说,AI似乎也仍然没有走出几十年前的那个刻板印象:
人工智能的70年,是道阻且长的70年。下一个七十年,人工智能的世界还必将涌现更多更炸裂的操作,等待颠覆人类认知。
就在不久前我们的文章也提到过,菲尔兹奖得主Timothy Gowers和Terence Tao,以及三位数学家罗博深、Dan Roberts和Geoff Smith被任命为AIMO(国际奥林匹克数学竞赛)顾问委员会成员,致力运用人工智能技术斩获IMO金牌。
文章参考:IMO的几何题目在AlphaGeometry面前已经不再是无解之谜,相信IMO金牌与机器的距离并不遥远。注定,下一个七十年人工智能和数学领域还将掀起新的风潮,为我们展示科技奇迹的更为丰富的图景。