ทำไมฉันไม่คิดว่า AGI ใกล้เข้ามาแล้ว

นี่คือโพสต์บล็อกฉบับสมบูรณ์ — เนื้อหาเนื้อหา HTML เท่านั้น:

---

เหตุใดฉันไม่คิดว่า AGI ใกล้เข้ามาแล้ว

แม้จะมีพาดหัวข่าวที่น่าหอบหายใจและการเดิมพันมูลค่าหลายพันล้านดอลลาร์ แต่ปัญญาประดิษฐ์ทั่วไปยังไม่มาถึงในปีหน้าหรืออาจจะถึงทศวรรษนี้ด้วยซ้ำ ช่องว่างระหว่างระบบ AI ที่น่าประทับใจแต่แคบในปัจจุบัน และความฉลาดทั่วไปที่แท้จริงยังคงมีอยู่มากมาย ถูกเข้าใจผิด และถูกประเมินต่ำไปอย่างต่อเนื่องโดยผู้ที่มีแรงจูงใจทางการเงินมากที่สุดในการกล่าวเกินจริงถึงความก้าวหน้า

ในฐานะผู้ก่อตั้ง Mewayz ซึ่งเป็นแพลตฟอร์มที่ได้รับความไว้วางใจจากผู้ใช้มากกว่า 138,000 รายในการดำเนินธุรกิจด้วยโมดูลที่ผสานรวมกัน 207 โมดูล ฉันใช้เวลาทั้งวันคิดว่าเทคโนโลยีใดที่สามารถทำได้จริง ๆ เทียบกับสิ่งที่เราคาดหวังให้สามารถทำได้ เลนส์ที่ใช้งานได้จริงนั้นทำให้ฉันสงสัยเกี่ยวกับไทม์ไลน์ AGI ของฉัน และฉันเชื่อว่ามันควรจะกำหนดไทม์ไลน์ของคุณเช่นกัน

ผู้คนหมายถึงอะไรเมื่อพวกเขาพูดว่า AGI กำลังจะมาเร็ว ๆ นี้?

คำว่า "ปัญญาประดิษฐ์ทั่วไป" หมายถึงระบบที่สามารถทำงานทางปัญญาใดๆ ที่มนุษย์สามารถทำได้ โดยมีความสามารถในการให้เหตุผล เรียนรู้ ปรับใช้ และถ่ายทอดความรู้ไปยังโดเมนใหม่ๆ โดยไม่ต้องมีการฝึกอบรมเฉพาะเจาะจง ไม่ใช่แชทบอทที่เขียนอีเมลที่ดี ไม่ใช่เครื่องกำเนิดภาพที่สร้างงานศิลปะที่เหมือนจริง มันไม่ใช่แม้แต่ผู้ช่วยเขียนโค้ดที่สามารถรองรับแอปพลิเคชันได้

สิ่งที่เรามีในปัจจุบันคือโมเดลภาษาขนาดใหญ่และระบบหลายรูปแบบที่ยอดเยี่ยมในการจับคู่รูปแบบกับชุดข้อมูลจำนวนมหาศาล พวกมันเป็นเครื่องมือที่ไม่ธรรมดา พวกเขายังแตกต่างจากสติปัญญาทั่วไปโดยพื้นฐานอีกด้วย เมื่อ Sam Altman หรือ Demis Hassabis แนะนำว่า AGI อยู่ใกล้แค่เอื้อม พวกเขากำลังผสมผสานความสามารถภายในพารามิเตอร์ที่กำหนดเข้ากับความสามารถในการปรับตัวแบบปลายเปิดที่กำหนดความฉลาดทั่วไป สิ่งเหล่านี้ไม่เหมือนกัน และไม่มีการขยายมาตราส่วนใดที่แสดงให้เห็นหลักฐานของการเชื่อมความแตกแยกนั้น

เหตุใดการปรับขนาดเพียงอย่างเดียวจึงไม่สามารถสร้างความฉลาดทั่วไปได้

ทฤษฎีที่แพร่หลายใน Silicon Valley นั้นเรียบง่ายอย่างหลอกลวง: ทำให้แบบจำลองใหญ่ขึ้น ป้อนข้อมูลมากขึ้น และความฉลาดทั่วไปจะเกิดขึ้น "สมมติฐานการปรับขนาด" นี้ผลักดันให้เกิดการซื้อ GPU และการสร้างศูนย์ข้อมูลนับพันล้าน แต่หลักฐานเชิงประจักษ์บอกเล่าเรื่องราวที่ซับซ้อนกว่า

ผลตอบแทนจากเกณฑ์มาตรฐานลดลง: การคำนวณที่เพิ่มขึ้นตามลำดับขนาดแต่ละครั้งจะทำให้มีการปรับปรุงงานการให้เหตุผลน้อยลงเรื่อยๆ บ่งบอกว่าเรากำลังถึงขีดจำกัดแทนที่จะเข้าใกล้ความก้าวหน้า

ความเปราะบางภายใต้เงื่อนไขใหม่: โมเดลปัจจุบันล้มเหลวอย่างไม่อาจคาดเดาได้เมื่อพบกับปัญหาที่เบี่ยงเบนไปจากการกระจายการฝึกเล็กน้อย ซึ่งเป็นข้อจำกัดพื้นฐานที่พารามิเตอร์เพิ่มเติมไม่สามารถแก้ไขได้

การขาดการให้เหตุผลเชิงสาเหตุ: LLM ทำงานโดยใช้ความสัมพันธ์ทางสถิติ ไม่ใช่ความเข้าใจเชิงสาเหตุ พวกเขาไม่สามารถจำลองว่าทำไมสิ่งต่าง ๆ เกิดขึ้นได้ แต่เพียงคาดเดาว่าข้อความใดน่าจะตามหลังข้อความอื่น

ไม่มีการเรียนรู้อย่างต่อเนื่อง: ระบบในปัจจุบันไม่สามารถเรียนรู้จากการโต้ตอบเพียงครั้งเดียว และนำความรู้นั้นไปส่งต่อวิธีที่เด็กมนุษย์ทำหลังจากสัมผัสเตาร้อนเพียงครั้งเดียว

รูปร่างและรากฐาน: ความฉลาดของมนุษย์มีความเชื่อมโยงอย่างลึกซึ้งกับประสบการณ์ทางกายภาพและการตอบรับทางประสาทสัมผัส ไม่มีข้อมูลข้อความจำนวนเท่าใดที่จำลองความเข้าใจที่มีพื้นฐานมาจากการมีอยู่ในโลก

การปรับขนาดทำให้เรามีเครื่องมือที่น่าทึ่ง แต่ก็ไม่ได้สร้างระบบเดียวที่แสดงให้เห็นถึงความเข้าใจอย่างแท้จริง และไม่มีกรอบทางทฤษฎีใดที่บ่งชี้ว่าจะทำได้

ใครได้ประโยชน์จากไทม์ไลน์ AGI ที่เกินคาด?

ตามมาเงิน.. ปัจจุบันห้องปฏิบัติการ AI รายใหญ่ทุกแห่งกำลังระดมทุนสำหรับการประเมินมูลค่าที่ถือว่าเป็นความก้าวหน้าครั้งสำคัญในระยะสั้น การระดมทุนหลายพันล้านดอลลาร์ของ OpenAI ตำแหน่งภายในของ Google DeepMind และความเร่งด่วนในกรอบความปลอดภัยของ Anthropic ล้วนขึ้นอยู่กับเรื่องเล่าที่ว่า AGI อยู่ใกล้พอที่จะพิสูจน์การลงทุนที่ไม่เคยเกิดขึ้นมาก่อน

"ตัวทำนายที่น่าเชื่อถือที่สุดสำหรับไทม์ไลน์ AGI ที่ก้าวร้าวไม่ใช่หลักฐานทางเทคนิค แต่เป็นแรงจูงใจทางการเงิน ผู้ที่ยืนหยัดเพื่อให้ได้ประโยชน์สูงสุดจากการเล่าเรื่องคือเสียงที่ดังที่สุดที่ส่งเสริมมัน"

นี่ไม่ได้เป็นการบอกว่าบริษัทเหล่านี้กระทำการโดยไม่สุจริต นักวิจัยหลายคนจริงใจ

Related Posts

• เครื่องมือแซนด์บ็อกซ์บรรทัดคำสั่งที่รู้จักกันน้อยของ macOS (2025)
• ผู้บริหาร Waymo เผยบริษัทจ้างพนักงานระยะไกลในฟิลิปปินส์
• LED เข้าสู่ระดับนาโน แต่อุปสรรคด้านประสิทธิภาพยังท้าทาย LED ที่เล็กที่สุด
• ระบบควบคุมภาพ Sony Jumbotron (1998) [pdf]