AGI到底是科技公司畫的大餅，還是可預(yù)測的未來？

幾天前，Anthropic一名25歲的高管在博客上發(fā)文，表示自己已經(jīng)準(zhǔn)備好了3年后退休，讓AI取代自己的工作。

最近，OpenAI前員工的一篇博客文章也有類似的觀點(diǎn)。

圖片

他不僅認(rèn)為AGI很可能實(shí)現(xiàn)，而且「奇點(diǎn)」預(yù)計(jì)就在2027年。

文章作者名為Leopold Aschenbrenner，于2023年入職OpenAI超級對齊團(tuán)隊(duì)，工作了1年6個(gè)月。

Aschenbrenner認(rèn)為，到2027年，大模型將能夠完成AI研究人員或工程師的工作。

他的論據(jù)也很簡潔直觀——你不需要相信科幻小說，只需要看到圖上的這條直線。

畫出過去4年GPT模型有效計(jì)算量的增長曲線，再延伸到4年后，就可以得出這個(gè)結(jié)論。

圖片

距離GPT-4發(fā)布已經(jīng)過去了一年多的時(shí)間，包括Gary Marcus和Yann LeCun在內(nèi)的很多人都不再對模型的Scaling Law深信不疑，甚至持否定態(tài)度。

雖然我們看起來正在碰壁，但Aschenbrenner提醒我們：往后退一步，看看AI已經(jīng)走了多遠(yuǎn)。

直覺上，我們可以將模型能力類比為人類的智能水平，從而衡量AI能力的進(jìn)步：從2019年學(xué)齡前兒童水平的GPT-2，到2023年聰明高中生水平的GPT-4，OpenAI只用了4年。

用4年從學(xué)齡前讀到高中，是人類智力發(fā)展速度的3倍不止。

圖片

GPT-2只能寫出一個(gè)半連貫的段落，幾乎不能順利地從1數(shù)到5。在文章總結(jié)任務(wù)中，生成的結(jié)果只比隨機(jī)選3個(gè)句子稍微好一點(diǎn)。

圖片

GPT-3能生成更長、邏輯更一致的段落，具備了少樣本學(xué)習(xí)能力，還可以完成一些基本的算術(shù)或代碼任務(wù)。

圖片

GPT-4不僅可以思考和推理數(shù)學(xué)問題，還能編寫復(fù)雜的代碼并迭代調(diào)試。語言能力也是飛躍性的提高，不僅能在更長的文本中實(shí)現(xiàn)邏輯和內(nèi)容的一致，也能掌握各種復(fù)雜話題。

在所有測試中，GPT-4都能擊敗絕大多數(shù)高中生，包括AP和SAT分?jǐn)?shù)。

圖片

從基準(zhǔn)測試的角度衡量，可以看到下面這張圖。

根據(jù)Contextual AI去年7月發(fā)布的研究結(jié)果，AI在語言理解、閱讀理解、文字細(xì)微差異的解釋、圖像識別等方面的能力都已經(jīng)超過了人類表現(xiàn)。

圖片

預(yù)測性推理、一般性知識測試和解決數(shù)學(xué)問題等任務(wù)上也與人類水平接近。

此外也可以看出，在模型能力增長得越來越快的同時(shí)，基準(zhǔn)測試愈發(fā)捉襟見肘。

過去需要幾十年的時(shí)間才能達(dá)到飽和的基準(zhǔn)測試，現(xiàn)在只需要幾個(gè)月。

2020年，MMLU測試發(fā)布，相當(dāng)于高中和大學(xué)的所有最難考試的水平，研究人員希望它可以經(jīng)得起時(shí)間考驗(yàn)。

結(jié)果僅僅三年后，LLM就幾乎解決了這個(gè)測試，像GPT-4和Gemini這樣的模型可以獲得超過90%的評分。

數(shù)學(xué)測試也是一樣的趨勢。

2021年MATH基準(zhǔn)發(fā)布時(shí)，SOTA模型只能正確回答約5%的問題。

當(dāng)時(shí)很多研究者都認(rèn)為，算法方面的根本性突破才能提升模型的數(shù)學(xué)能力，未來幾年能取得的進(jìn)展非常微小。

圖片

2021年，研究人員對模型未來在MATH數(shù)據(jù)集上的表現(xiàn)給出了非常悲觀的預(yù)測

然而，又一次超乎所有人的想象。2022年一年的時(shí)間內(nèi)，模型準(zhǔn)確率從5%上升到50%，最近的SOTA可以達(dá)到90%。3年前公認(rèn)難度很高的基準(zhǔn)測試，很快飽和。

基準(zhǔn)測試似乎也無法跟上模型的速度了。

為了更嚴(yán)謹(jǐn)?shù)卦u估深度學(xué)習(xí)的發(fā)展速度和趨勢，作者使用了OOM指數(shù)，即「計(jì)算數(shù)量級」（order of magnitude）。

不僅要考量模型的算力和算法效率，作者還引入了一種新的概念，「解開收益」（unhobbling gains）。

算力規(guī)模

剛剛結(jié)束的ComputeX大會上，英偉達(dá)、AMD紛紛宣布了芯片年更計(jì)劃。

這說明了什么？大模型性能呈指數(shù)級增長，對算力需求也在不斷放大。

而在微軟Build大會上，CTO Kevin Scott更是用海洋動物形象地闡述了，OpenAI模型進(jìn)階對算力的吞噬之極。

圖片

提到算力增長，很多人的第一反應(yīng)會認(rèn)為，這是摩爾定律的延伸。

然而作者指出，事實(shí)并非如此。AI硬件的改進(jìn)速度遠(yuǎn)遠(yuǎn)快于摩爾定律。

大模型時(shí)代來臨前，即使摩爾定律處于鼎盛時(shí)期，每10年也僅有1-1.5個(gè)OOM的增長。

但現(xiàn)在，每年都有0.6個(gè)OOM的增長，比曾經(jīng)摩爾定律的5倍還多。

圖片

Epoch AI對著名深度學(xué)習(xí)模型的訓(xùn)練算力進(jìn)行估算

以GPT系列為例，GPT-2到GPT-3實(shí)現(xiàn)了設(shè)備的過渡，從較小的實(shí)驗(yàn)設(shè)備變成了數(shù)據(jù)中心，一年內(nèi)增長了2個(gè)OOM。

GPT-4延續(xù)了這種戲劇性增長，而且從OpenAI囤積芯片的動作來看，這個(gè)增長速度會逐漸演變?yōu)殚L期趨勢。

這種龐大的增長，并不能主要?dú)w因于摩爾定律，而是投資算力的熱潮。

曾經(jīng)，在一個(gè)模型上花100萬美元是令人發(fā)指的想法，沒有人會接受；但現(xiàn)在，這只是科技巨頭囤芯片、訓(xùn)模型的零頭。

過去一年里，科技巨頭們談?wù)摰脑掝}已經(jīng)從100億美元計(jì)算集群轉(zhuǎn)向1000億美元集群，再變成萬億美元集群上的競爭。

每隔六個(gè)月，董事會的計(jì)劃里，就會增加一個(gè)「0」。

作者預(yù)估，「在這個(gè)十年結(jié)束之前，將有數(shù)萬億美元投入到GPU、數(shù)據(jù)中心和電力建設(shè)中。為支持AI的發(fā)展，美國至少將電力生產(chǎn)提高數(shù)十個(gè)百分點(diǎn)」。

圖片

隨著AI產(chǎn)品收入的快速增長，谷歌、微軟等公司在2026年左右的年收入可能達(dá)到1000億美元。

這將進(jìn)一步刺激資本，到2027年，每年的AI投資總額可能超過1T美元。

圖片

時(shí)間線再拉遠(yuǎn)，到2028年，單個(gè)訓(xùn)練集群就需要耗資千億美元，比一個(gè)國際空間站還貴。

而到本世紀(jì)末，一個(gè)集群就能吞掉1T美元，每年產(chǎn)出上億個(gè)GPU，AI所需電力占美國發(fā)電總量的百分比，將從現(xiàn)在的不到5%上升到20%。

算法效率

對算力的瘋狂投資帶來的驚人收益是非常明顯的，但算法進(jìn)步的驅(qū)動力很可能被嚴(yán)重低估了。

比如，很少有人關(guān)注到模型推理成本的大幅下降。

以MATH基準(zhǔn)測試為例，過去兩年內(nèi)，從Minerva到最新發(fā)布的Gemini 1.5 Flash，在MATH上取得50%準(zhǔn)確率（一個(gè)不喜歡數(shù)學(xué)的計(jì)算機(jī)博士生可以得到40%）的推理效率提高了將近3個(gè)OOM，也就是1000倍的效率提升。

圖片

雖然推理效率不等同于訓(xùn)練效率，但這個(gè)趨勢可以表明，大量的算法進(jìn)步是可行的，而且正在發(fā)生。

從長期趨勢來看，算法進(jìn)展的速度也相當(dāng)一致，因此很容易根據(jù)趨勢線做出預(yù)測。

回顧2012年-2021年期間ImageNet上的公開算法研究，可以發(fā)現(xiàn)，訓(xùn)練相同性能模型的計(jì)算成本以近乎一致的速度下降，每年減少約0.5個(gè)OOM，而且每種模型架構(gòu)都是如此。

圖片

雖然LLM的團(tuán)隊(duì)一般不會公開算法效率相關(guān)的數(shù)據(jù)，但根據(jù)Epoch AI的估算，2012年-2023年期間，每年算法效率的收益也約為0.5個(gè)OOM，也就是在8年時(shí)間里提升了1萬倍。

圖片

「解開」收益

相比算力和算法效率，「解開」收益帶來的提升更加難以量化。

所謂「解開收益」，是指某些情況下模型的原始能力被阻礙了，而通過簡單的算法改進(jìn)可以解鎖和釋放這些潛在能力。

雖然它也是一種算法改進(jìn)，但不僅僅是在已有范式內(nèi)提升訓(xùn)練效果，而是跳出訓(xùn)練范式，帶來模型能力和實(shí)用價(jià)值的躍升。

比如基礎(chǔ)的語言模型經(jīng)過了RLHF，才變成真正可用的產(chǎn)品。InstructGPT論文的量化結(jié)果顯示，根據(jù)人類評分者的偏好，有RLHF的小模型相當(dāng)于非RLHF的大100倍的模型。

再比如，近年來被廣泛使用的CoT可以為數(shù)學(xué)或推理問題提供10倍多的有效計(jì)算能力提升。

上下文長度的增加也是如此。從GPT-3的2k tokens、GPT-4的32k，到Gemini 1.5 Pro的1M+，更長的上下文可以解鎖更多的用例和應(yīng)用場景。

訓(xùn)練后改進(jìn)（post-training improvment）帶來的收益也不容忽視。OpenAI聯(lián)創(chuàng)John Schulman表示，與GPT-4首次發(fā)布時(shí)相比，當(dāng)前的GPT-4有了實(shí)質(zhì)性的改進(jìn)，這主要?dú)w功于釋放潛在模型能力的后期訓(xùn)練。

Epoch AI進(jìn)行的一項(xiàng)調(diào)查發(fā)現(xiàn)，在許多基準(zhǔn)測試中，這類技術(shù)通常可以帶來5-30倍的有效計(jì)算收益。

METR（一個(gè)評估模型的非營利組織）同樣發(fā)現(xiàn)，基于相同的GPT-4基礎(chǔ)模型，「解開收益」非?？捎^。

在各種代理任務(wù)中，僅使用基本模型時(shí)性能只有5%，經(jīng)過后期訓(xùn)練可以達(dá)到20%，加上工具、代理腳手架和更好的后期訓(xùn)練，可以達(dá)到今天的近40%。

圖片

與算力和算法效率帶來的單一維度的擴(kuò)展不同，「解開收益」能夠解鎖模型能力的巨大可能性，帶來「階梯式」、不拘一格的進(jìn)步。

想象一下，如果AI可以使用電腦，有長期記憶，能針對一個(gè)問題進(jìn)行長期思考和推理，而且具備了入職新公司所需的上下文長度，它會有多么強(qiáng)悍的能力？

圖片

算力、算法效率、「解開收益」疊加

2027年，取代所有認(rèn)知工作

綜合考慮算力、算法效率與解開收益這三個(gè)方面的疊加，GPT模型從第2代到第4代，大致經(jīng)歷了4.5-6個(gè)OOM的有效計(jì)算擴(kuò)展。

此外，從基本模型到聊天機(jī)器人，相當(dāng)于約2個(gè)OOM的「解開收益」。

圖片

基于這個(gè)發(fā)展速度，數(shù)一數(shù)OOM，未來4年我們可以期待什么？

圖片

首先，隨著計(jì)算效率提高，迭代速度會越來越快。假設(shè)GPT-4訓(xùn)練花了3個(gè)月的時(shí)間，到2027年，領(lǐng)先的AI實(shí)驗(yàn)室將能夠在一分鐘內(nèi)訓(xùn)練一個(gè)GPT-4級別的模型。

而且，由于「解開收益」的存在，我們不能僅僅是想象一個(gè)非常聰明的ChatGPT，還需要把它看成一個(gè)非常智能的、能獨(dú)立工作的Agent。

到2027年，這些AI系統(tǒng)基本上能夠自動化所有認(rèn)知工作，或者說是所有可以遠(yuǎn)程進(jìn)行的工作。

但是作者同時(shí)也提醒道，這其中有很大的誤差范圍。如果「解開收益」逐漸停滯，或者算法的進(jìn)展沒能解決數(shù)據(jù)耗盡的問題，就會推遲AGI的來臨時(shí)間。

但也有可能，「解開收益」釋放了模型更大的潛能，讓AGI的實(shí)現(xiàn)時(shí)間比2027年更早。

圖片

雖然這篇文章有比較全面的論據(jù)，但「2027年實(shí)現(xiàn)AGI」的結(jié)論還是引發(fā)了不少網(wǎng)友的質(zhì)疑。

將GPT-4的智力水平類比成聰明的高中生，很難讓人相信。

圖片

也沒有談到一些關(guān)鍵問題，比如當(dāng)前LLM最大的挑戰(zhàn)之一——幻覺，這也是AI實(shí)現(xiàn)自動化工作的巨大障礙。

圖片

有人指責(zé)作者，將曲線外插和巨大的誤差范圍包裝成一份技術(shù)分析。

圖片

圖片

也有人指出，文中經(jīng)常提及的「有效計(jì)算」是一個(gè)非常模糊的概念，沒有進(jìn)行嚴(yán)謹(jǐn)準(zhǔn)確的定義。

圖片

拋開2027年這個(gè)頗有噱頭的結(jié)論，作者的論證過程至少可以給我們一個(gè)啟示——很多情況下，AI的發(fā)展速度會超出所有人的想象。

圖片

GAN網(wǎng)絡(luò)從2014年到2018年的進(jìn)展

作者簡介

Leopold Aschenbrenner本科畢業(yè)于哥倫比亞大學(xué)，大三時(shí)入選Phi Beta Kappa學(xué)會，并被授予John Jay學(xué)者稱號。

19歲時(shí)，以最優(yōu)等成績（Summa cum laude）畢業(yè)，作為畢業(yè)生代表在典禮上致辭。

本科期間，他不僅獲得了對學(xué)術(shù)成就授以最高認(rèn)可的Albert Asher Green獎(jiǎng)，并且憑借著「Aversion to Change and the End of (Exponential) Growth」一文榮獲了經(jīng)濟(jì)學(xué)最佳畢業(yè)論文Romine獎(jiǎng)。

圖片

Leopold Aschenbrenner來自德國，現(xiàn)居風(fēng)景優(yōu)美的加利福尼亞州舊金山，志向是為后代保障自由的福祉。

他的興趣相當(dāng)廣泛，從第一修正案法律到德國歷史，再到拓?fù)鋵W(xué)，以及人工智能。目前的研究專注于實(shí)現(xiàn)從弱到強(qiáng)的AI泛化。

圖片

他最近離開OpenAI后計(jì)劃創(chuàng)辦一家AGI領(lǐng)域的投資公司，已經(jīng)獲得了Stripe創(chuàng)始人Collison兄弟以及GitHub前CEO Nat Friedman的投資。

參考資料：https://situational-awareness.ai/from-gpt-4-to-agi/