Xin Zhiyuan的编辑报告：Kinghz Allen [New Zhiyuan简介]诺贝尔奖获得者Hassabis遇到了AI病的观点：目前，LLM远非医生的智能，只有在特定领域的光芒，但没有全面和一致性。对于Real Agi，仍然有1-2个关键突破，我将等待5 - 10年。当前的博士人工智能是胡说八道！出乎意料的是，诺贝尔奖获得者兼Google DeepMind首席执行官Demis Hassabis公开批评Ultraman。在最近的一次采访中，Hasabis对公众说，LLM称为“博士学位智能”现在是胡说八道！它们不是真正的医生的智能 - 即使他们具有一些医生水平的能力，但总体上并不全面。真正的一般情报必须在所有领域的医生中达到全面的水平。真正的通用人工智能不会造成低级别的错误，而AI现在无法连续推理，适应和学习。哈萨比斯（Hassabis）认为，目前，仍然很可能会丢失1-2个关键突破，而距离真正的“博士智能” 5到10年。哈萨比斯（Hassabis）对“博士AI”的批评以及他对AGI基本能力的明智观点非常受欢迎：他左右右手看了看，但是他在AGI到达时的判断可能并不准确。除了在AGI路线讨论之外，在整个首脑会议上，Hasabis首先还记得诺贝尔奖的时刻，然后系统地解释了他对世界模型，机器人，科学研究的超速，能量消耗，sayan：Genie 3的最新判断：Genie 3已成为“世界”中的文本段落，可以与实时和gemini的“ Alphem and pecor”和“ Alphike”的关键，并且是“ Alphike”的主意，并且以及AGA的突破和试用时间。 AI的天才负责Deepmindalphafold，帮助赢得诺贝尔奖，哈萨比斯，成为国际象棋IUS 4岁。2023年，他因AI贡献而被评为英国家庭冠军，并于2024年获得诺贝尔化学奖。约翰·M·Jumper（John M. Jumper）分享了诺贝尔奖的1/2。但是在正式宣布的前十分钟，他收到了奖励通知，他没有时间解散这一消息，他有点困惑。之后，参加瑞典颁奖典礼的每周仪式更加令人兴奋，包括与皇家家族交谈，每一次安排都钦佩他。持续了120年的荣誉传统中最令人惊讶的部分是委员会组织将有一个特殊的安排 - 他们将从保险柜中删除诺贝尔奖的历史签名书。 Hasabis经历了她一生的亮点，令人难忘：她在与居里夫人和爱因斯坦夫人和诺贝尔奖的其他历史悠久的冠军的同一个名册上签名了自己的名字。作为DeepMind的首席执行官，Hasabis是Google AI的头盔。要加入AI开发，Google和Alphabet AI团队（与原始的DeepMind一起）集成在一起以建立当前的Google DeepMind。 Hassabis将新的DeepMind描述为整个Google和Alphabet的“引擎”。 DeepMind负责开发Gemini，Gemma和VEO等生成的AI模型，还负责研究PAN Projectsg，以Alphafold代表。双子座是Google的主要AI模型，应用于Google搜索，Gmail和其他产品。他领导的所有员工约为5,000，超过80％是医生的工程师或研究人员。当Google开始制作双子座时，它坚持多模式 - 可以观看图片，收听音频，观看视频和不同形式的输出。为了朝着通用人工智能发展，系统不仅了解语言和抽象，而且还了解周围的物理世界。这是机器人如此困难和智能辅助眼镜的主要原因至关重要。此时，他介绍了最新的世界模型3，Google“新的Android”双子座机器人技术和受欢迎的“ Nano Banana”前两个项目朝着标准方向落下：让真正的恐惧和操纵物理世界。 DeepMind在机器人平台上促进了双子座机器人向“准操作系统层”的转换，该机器人可以被机器人理解为“ Android”。哈萨比斯认为，机器人仍处于早期阶段，但是在接下来的一两年中，“啊哈时刻”很可能会出现。在接下来的几年中，通用模型将更强，更稳定，并且对物理世界的细节有了更多的了解，这将充分支持机器人在物理世界中的控制能力。关于将来的创意工作将如何发展，Hassabis说：顶级作品仍将带来惊人的体验和动态的故事情节；他们可以是“世界观编辑”，并负责指导和整合所有人的集体创造力。 Itagi Road在哪里？科幻AI的分解是Hassabis保护的方向。他下注AI的原因是要使用它来加快科学的发现并改善人类健康。如果AGI以正确的方式构建，那将是科学的最终工具。近年来，DeepMind显示了许多途径：最受欢迎的是Alphafold，但是Google还使用了材料设计中的AI，对受控核融合设备的血浆控制，天气预报甚至在奥林匹克级上的数学问题。具有相同范式的AI系统，结合专门用于解决任务的小任务，可以在许多复杂的领域中工作。 Hassabis认为AI正在加速科学的发现。当然，仍然有一个缺失的作品：真正的“创造力”。由于提案，AI现在可以证明并解决它，但尚不可能提出新的投机 - 哈卡，假设或理论。当可以提出好问题时，它可能是一个主要的里程碑测试。是什么“有创造力的”？ Hassabis认为这是我们经常称赞的“直觉飞跃”，这是历史上领先的科学家和艺术家的跳跃。也许，创造力取决于相似性，并且连接似乎是不健康的对象。心理学和神经科学对人们的做法具有自己的理论，但是动作测试是在1901年削减一组现代的AI知识，以查看它是否可以“思考”一种理论，例如1905年的亲戚特殊理论。给我另一个例子：十年前，阿尔法戈不仅击败了世界冠军，而且在第二场比赛中击败了“上帝的举动” - 受欢迎的“第37次举动”。但是问题是：AI不仅可以发明新技术，而且可以“发明一款像Go一样优雅，嬉戏和美观的游戏”？答案目前是否定的。这正是“通用”的缺点：真正的AGI也应达到这一水平创建。那么到底缺少什么？人类的Dario和Openai的Ultraman认为Agi很快就会来。哈萨比斯更加小心。他认为主要是：我们可以复制最好的人类科学家的“直觉飞跃”，而不是逐渐改善？伟大的科学家和杰出的Si Sientigs之间的区别不是基本技能，而是创造力：它们可以从其他学科中获得某种模式，将其进行比较并将其转移到当前问题。 Hassabis认为AI最终将做到这一点，但是现在就推理而言，AI心情不好，很难支持这种成功。另一个缺点是“ pare -same”。 Ultraman和其他人说，AI达到了“博士学位智能”，哈萨比斯认为事实并非如此。在某些子任务中，它们达到了“医生级别”，但并不意味着“整个医生级别”。 “通用智能”是指您可以稳定达到每个尺寸的水平。实际上，我们都看到：只要我们改变我们提出的方式，当前的聊天机器人将在Math SA高中甚至简单计数中遇到低级别的错误。对于真正的AGI，这不应该发生。 Hassabis认为，AGI完成上述功能还剩5到10年。此外，AI还缺乏“继续学习”的能力：它可以在线吸收新知识并及时调整行为。也许，规模法将继续带来一些改进。但是，如果您想下注，Hassabis认为需要另外一个或两个主要的原始成功，这些突破可能会在未来五年内出现。为了解决科学问题，AI4S不仅继续努力，还取得了诺贝尔奖的许多重大成就和获奖者，而且AI还将有助于提高能源效率，并使他们的驱动性问题大为巨大。诸如AlphaFold之类的混合模型是开发AI Futur的方向e。 Alphafold是一种混合模型。所谓的混合模型是指同时使用概率和确定性模型。当前，大型模型目前使用了概率模型来根据可能性来预测下一个令牌，而确定性模型的引入是使主要开发的大型模型的下一个方向。确定性模型粘附在固定的逻辑算法上，应获得相同的输入。例如，将实际世界的物理和化学政策引入大型模型是确定性模型。 Hasabis还在《斗争介绍》中详细介绍了Alphafold的混合模型。 Alphafold具有基于神经网络和变压器等技术的研究组成部分，即可能性的元素，可以从提供的任何可用数据中指出。但是在生物学和化学领域，数据还不够。因此，一些知名的化学和物理政策应be建立在模型上。在Alphafold中，有必要在原子之间设置键角，并确保模型了解基本的物理屏障（例如原子）无法重叠。从理论上讲，该模型本身可能了解它们，但它将大大浪费研究模型的技巧。因此，最好将这些政策直接添加为障碍。哈萨比斯还说，如果是Alphago或其他混合系统，那么关键和困难在于如何将研究系统与更具人为设计的定制系统结合起来，以使它们合作。真的很难。他认为，最终的目标是，当通过混合系统进行开发时，这些经验应被喂食并包括在研究元素中。更具体地说，Hasabis提到了从Alphago到Alphazero的例子：就像我们在Alphazero所做的改进一样。 Alphazero是Alphago的更通用版本，其中包含一些特定知识。但是在alphazERO，我们删除了这些自定义策略，包括我们用来训练的人类国际象棋数据，而是让它从一开始就开始学习，并自己学习。结果是它不仅可以发挥作用，而且还知道其他任何国际象棋游戏。 theai加速了药物发现hasabis仍在管理同构。该公司是一家DeepMind衍生公司，基于具有Alphafold蛋白质预测的突破性，并致力于改变药物发现。了解蛋白质结构是解决以后问题的药物发现过程中的第一步，例如设计具有无副作用的蛋白质靶标的化合物。哈萨比斯说，在接下来的十年中，预计从几年甚至几十年到几周甚至几天的药物发现周期都短。同构建立了一个平台，Eli Lilly（美国的一家大型跨国制药公司）和Novartis（英国一家大型跨国制药公司）将也参与其中。同构还并行启动了PAN Projectserearch和Development，并有望在明年进入临床前阶段。同构目前专注于癌症和免疫学领域，并在美国的MD Anderson癌症中心等全球领先机构进行科学合作。同时，DeepMind还专注于研究Alphafold模型的更先进的版本，从而使该模型不仅可以了解蛋白质接触，而且良好的内容也可以帮助开发药物。 AI的能源需求很大，但有助于能源效率的效率。随着大量参数的不断扩展，培训和推理带来的主要能源消费已成为一个流行的问题。面对成倍增长的能源需求曲线，Hassabis解释了深态的反应。在Google中，世界上最大的AI应用程序方案，EF非常高效率，超低延迟和超低服务成本是该模型的紧急要求。 DeepMind使用诸如蒸馏之类的技术来提高模型效率，在相同的性能下，效率增加了数十次。但是，尽管每个人仍在探索AGI，但节省的能源已经投资于削减研发模型。当然，哈萨比斯还教导说，AI系统对解决能源和气候变化问题的贡献超出了自身的消费。可能的贡献包括优化电网系统，设计具有新特性的材料，并提高新能源的效率。在未来十年的SAS中，人工智能将帮助我们解决这些主要挑战，其贡献将超过当今的能源消耗。 Hassabis认为，如果Agi在十年后到来，那将需要一个黄金时代的科学和新的文艺复兴时期。参考：https：//www.youtube.com/watch?v=kr3sh2pka8YHTTPS：//x.com/vitramamo/status/1966752552025792739HTTPS：//X.com/rohanpaul_ai/status/1966695086368557368 特别声明：上面的内容（包括照片或视频（如果有））已由“ NetEase”自助媒体平台的用户上传和发布。该平台仅提供信息存储服务。 注意：上面的内容（包括照片和视频（如果有））已由NetEase Hao用户上传和发布，该用户是一个社交媒体平台，仅提供信息存储信息的信息。