谷歌ai自我意识觉醒,谷歌AI自我觉醒,谷歌ai聊天,谷歌AI框架

关注

欢迎关注“新浪科技”的微信订阅号：techsina 

原标题：生成AI登上达沃斯论坛，OpenAI CEO发话称AI将迈向下一个纪元

编辑：Joey

来源：新智元

【新智元导读】2023年的达沃斯论坛这次邀请了OpenAI的CEO Sam Altman发表主题为‘AI迈向下一个纪元’的闭幕演讲，并预测了未来AI的发展方向。

过去的一年里，生成式AI（Generative AI）可谓是强势出圈。

从文本到图像到视频甚至代码，你能想到的生成AI几乎都能帮你做到。

这不，2023年世界经济年度峰会，也就是达沃斯论坛也点名表扬了生成AI在2022年所取得的辉煌成就。

本文将生成式AI称为‘社会和企业需要郑重应对的破局者’，足以见其重视程度。

此外，论坛还邀请了OpenAI的CEO Sam Altman出席并发表了‘AI迈向下一个纪元’的闭幕主题演讲，同时讨论了关于AI未来发展对经济社会的帮助等一系列话题。

这次与Altman对话访谈的是美国知名企业、领英联合创始人里德・霍夫曼 （Reid Hoffman）。

我们截取了一小段对话访谈的片段，完整访谈链接也贴在下面啦。

• Reid Hoffman：所以我认为很多人感兴趣的一件事是，基于 API将创建非常大的模型，那么真正的商机是什么？前瞻的方式有哪些？鉴于API将可供多个玩家使用，您如何创建独特的业务？

• Sam Altman：是的。所以我认为到目前为止，我们已经进入了一个无穷可能性的领域，你可以通过模型完成许多过去复杂的事情。但我猜想，随着我们在未来几年看到的语言模型的质量，搜索产品将首次对谷歌构成严峻挑战。包括我们的ChatGPT之前还被人们嘲笑，但现在它体现出的能力让任何公司都不容忽视。

Altman认为人工智能是所有科技发展的基础平台，从大型语言模型到图像和语言之间切换的多模态应用的巨大飞跃，到显著扩展科学家能力的应用程序，所有行业都将从中取得许多进步。

最后文章还总结了这些年来生成AI的发展历史。

上一组图来看看，从2014到2022生成AI在图像品质上的飞越，这些图片都是由AI模型生成的现实中不存在的人。

生成式预训练转换器 （GPT） 是一种大型语言模型 （LLM），它使用深度学习来生成类似人类的文本。

尽管当前市场低迷，科技行业裁员，但生成式人工智能公司继续受到投资者的关注。

例如Stability AI和Jasper最近分别融资了1.01亿美元和1.25亿美元，红杉资本等投资者认为生成式 AI 领域可以产生数万亿美元的经济价值。

随着Stable Diffusion和ChatGPT等新模型的发布，生成式AI已成为技术专家、投资者、政策制定者和整个社会的热门话题。

生成式AI并不是一个全新的概念，生成式 AI 背后的机器学习技术在过去十年中不断发展。

生成式AI训练模型的工作原理是从大型数据集中学习，并使用这些知识生成与训练数据集中示例相似的新数据。

这通常是使用一种称为生成模型的机器学习算法来完成的。生成式模型有许多不同类型，每一种都使用不同的方法生成新数据。

一些常见的生成模型类型包括生成对抗网络（GAN）、VAE和自回归模型。

例如，在人脸图像数据集上训练的生成模型可能会学习人脸的一般结构和外观，然后使用这些知识生成新的、以前未见过的但是看起来真实可信的人脸。

生成模型用于各种应用程序，包括图像生成、自然语言处理和音乐生成。它们对于手动生成新数据非常困难的任务特别有用，比如为产品创建新设计或生成听起来很逼真的语音。

OpenAI 的最新版本 ChatGPT 引起了轰动，并在短短五天内吸引了 100 万用户，被描述为在更广泛的任务领域取得了突破。

目前正在讨论的用例包括搜索引擎的新架构、解释复杂的算法、创建个性化治疗机器人、帮助从头开始构建应用程序、解释科学概念等。

Midjourney、DALL-E 和 Stable Diffusion 等文本到图像程序有可能改变艺术、动画、游戏、电影和建筑等的渲染方式。

基于人机合作的新时代，乐观主义者声称，生成式人工智能将有助于艺术家和设计师的创作过程，因为生成式人工智能系统将增强现有任务，加速构思，并从根本上加快创作阶段。

除了创意空间，生成式AI模型在计算机工程等复杂科学领域具有变革能力。

例如，微软拥有的GitHub Copilot基于OpenAI的Codex模型，可以建议代码并协助开发人员自动完成他们的编程任务。

该系统被引用为自动完成高达 40% 的开发人员代码，大大增加了工作流程。

潜在和未知的风险

虽然生成式人工智能让人们对它所带来的创造力感到激动，但也有人担心这些模型对社会的影响。

数字艺术家Greg Rutkowski担心互联网上会充斥着与他自己的作品无法区分的艺术品，只需告诉系统以他独特的风格复制艺术品即可。

艺术教授 Carson Grubaugh 也有同样的担忧，并预测大部分创意劳动力，包括从事娱乐、视频游戏、广告和出版业的商业艺术家，可能会因为生成人工智能模型而失业。

除了对任务和工作产生深远影响外，生成式AI模型和相关的外部性在AI治理社区引起了警觉。

大型语言模型的问题之一是它们能够生成虚假和误导性内容。

Meta 的Galactica――一个在 4800 万篇科学文章上训练的模型，声称可以总结学术论文、解决数学问题和编写科学代码――在上线不到三天后就被撤下了，因为科学界发现它对学生产生了误解，产出了错误的数据和知识。

另外通过图灵测试的机器人表现出与人类相似或无法区分的智能行为的能力，此类功能可能会被滥用来跨平台和生态系统生成虚假信息。

大型模型继续在书籍、文章和网站中代表的大量数据集上进行训练，这些数据集可能以难以完全过滤的方式存在偏差。

尽管在 ChatGPT 的案例中通过使用人类反馈强化学习 （RLHF） 大大减少了有害和不真实的输出，但 OpenAI 承认他们的模型仍然会产生恶意和有偏见的输出。

---

OpenAI CEO：语言模型已很好地应用在文案写作和教育服务

openai官网,openai在您所在的国家不可用,openai chatgpt,openai 马斯克

来源：OneFlow

预告了一整年的GPT-4迟迟没来，人们猜想OpenAI是不是要跳票了，更何况他们之前的得意之作DALL-E也被开源Stable Diffusion打了个措手不及，再不来点深水炸弹业界地位危矣。

不过，就在大家以为今年OpenAI将以沉寂收场时，聊天机器人(300024)模型ChatGPT横空出世，让人们看到了AI的更大创造力，聚光灯也再度打到了OpenAI的身上。

今年9月，LinkedIn联合创始人Reid Hoffman与OpenAI首席执行官Sam Altman进行了一场对话，而肩负着宏伟使命且极富远见的Altman就曾预言：AI即将迎来下一个发展阶段。如今，大型语言模型越来越先进，也出现了可以实现文本-图像相互转换的多模态模型，一些AI应用还可令科学家如虎添翼。在他眼中，AI是一个可以孵化出无数工具，推动各行各业前进的基础平台。

随着AI行业的不断进步，AI应用不再只是充斥着行业热词的纸上项目，已经发展为成熟的工具，助力多个行业的生产服务，也必将催生出无数新企业。

各种AI工具已显现出巨大的日常应用潜力，可以实现人类的各种想法，改善人类的工作方式，比如由Stability.ai发布的开源Stable Diffusion模型，Microsoft和OpenAI联合打造的AI编程工具Copilot，OpenAI开发的语言生成模型GPT-3和图像生成平台DALL-E以及爆火的聊天机器人模型ChatGPT。

Sam Altman还表示，5年后，我们应该不会再使用Transformer模型了。虽然Transformer很好，但他希望到时候会有比它更好的东西出现，不断突破创新很重要。在他看来，AI可以帮助人类创造出前所未有的新应用，这将是人类的巨大的进步和胜利，是真正的科技革命。

从大模型的商业化机会、AI+应用再到AI发展方向，Sam Altman在这场对话中分享了自己的见解。以下为对话内容，由OneFlow社区编译。

1

大模型的商业机会

Reid Hoffman：很多大型模型都通过API开放使用，能够衍生什么商业化机会？

Sam Altman：现在，语言模型已经可以很好地应用到文案写作和教育服务领域，我相信未来几年内，语言模型会更加强大，将能与Google这一价值万亿美元的搜索产品一较高下。语言模型的应用将会改变我们的日常生活。

以前，大家都在调侃聊天机器人，其实它很有价值，只是当时的技术还不能满足需求。现在的聊天机器人更加成熟，几乎可以达到人类水平。聊天机器人可以用于医疗服务行业，提供咨询和教育服务，这方面将能催生出大型企业。

我相信，不久之后会出现多模态模型，这又将打开新局面。现在，人们可以直接用自然语言命令计算机为你完成你想做的工作，例如DALL-E图像生成工具和Copilot编程工具，都是用户向它们输入自然语言描述，然后工具自动生成用户想要的东西，用户还可以不断迭代修改自己的描述，直至工具给出满意的输出。

类似的AI应用方式会成为大趋势，可以孕育出许多大型企业。强大的AI模型可以成为孵化各种AI应用的平台，就像智能手机的出现催生出众多APP一样，它们的共同点都是可以制造无数的商业机会。

Reid Hoffman：既然大家都可以通过API使用大型模型，作为AI企业，怎样才能使自己脱颖而出，开辟自己独特的商业路径？

Sam Altman：将来应该会出现几个大型的基础模型，开发人员都将基于这些基础模型研发AI应用。但目前的情况依然是某一家公司开发出一个大型语言模型，然后开放API供他人使用。

我认为，将来在基础模型和具体AI应用研发之间会有一个中间层：出现一批专门负责调整大型模型以适应具体AI应用需求的初创企业。能做好这一点的初创公司将会非常成功，但这取决于它们能在“数据飞轮”上走多远。（数据飞轮：使用更多数据可以训练出更好的模型，吸引更多用户，从而产生更多用户数据用于训练，形成良性循环。）

我对初创企业训练模型的能力持怀疑态度，将来承担模型训练角色的应该不会是初创公司，但这些企业可以在上述的中间层角色中发挥巨大价值。

Audience Member：未来会不会出现垂类AI初创公司，专门为具体产业调整基础模型？提示词工程（Prompt Engineering，修改向AI输入的任务描述，使AI的输出结果更符合用户的需求）将来会不会成为企业的内部职能？

Sam Altman：五年后我们将不再需要提示词工程，或者只需在这方面做少量工作。将来的AI系统不会因为增补了某个特定词就会产生截然不同的输出，而是可以较好地理解自然语言，用户只需以文本和语音形式输入指令，即可让计算机完成图像生成、资料研究、心理咨询等复杂任务。

总的来说，用户只须使用自然语言就可以与计算机交互，当然，如果艺术家能想出更有创造性的描述，也自然就可以生成更好的图像。

2

“AI+”时代：AI for Science、元宇宙

Reid Hoffman：在科学领域，AI模型可以发挥什么作用？

Sam Altman：现在科学界对AI的应用分为两种。一种是将AI工具直接用于科学目的，如AlphaFold（用于蛋白质结构预测），它们可以创造巨大价值，相信未来会出现无数这样的工具。

另一种是将AI工具用于提升科研工作效率，如帮科学家和工程师找到新研究方向、写代码等。Copilot编程工具就是一个例子。但AI工具的能力远不止于此。上述两种AI应用将会大大推动科技前进。

此外，目前科学界也在探索对AI的第三种应用方式――让AI成为可以“自我改进”的科学家。这件事情既有好处也有风险。

好的一面是，可以利用AI将人类的工作内容自动化，教会AI做任何人类可以做的事情：探索新科学、提出理论解释、验证、思考等，或许还可借此解决困扰人类已久的“AI对齐问题（Alignment Problem）”（即如何让AI系统的目标符合人类的价值观）。风险在于，有人担心懂得“自我改进”的AI有可能会像科幻小说描写的那样，擅自改动代码或修改优化算法。

我深信，真正有利于促进人类和经济的前行的，是一个能够推动科学进步的社会架构。我们能从这样的社会架构中获益很多。

Audience Member：像GPT-3这样的基础模型会如何影响生命科学研究的步伐？生命科学研究中有没有一些技术手段无法克服的限制因素，比如自然规律等？

Sam Altman：目前的可用模型还不够好，不足以对生命科学领域产生重大影响――不少生命科学家了解这些模型之后都说，它们只能在部分情况下发挥些许作用。AI在基因组学领域有一些很有前景的应用方向，但目前尚属起步阶段，不过我很看好。我认为这也是市值千亿的巨头准备进军的领域之一。

如果AI未来真的可以让医药公司的研发速率提高几百倍，那无疑会产生深远的影响。不过如你所说，生物学的自有规律仍在，新药的临床验证需要时间，这也是医药研发的速率限制因素。

据我所知，不少合成生物公司借助AI发现许多新的研发想法，加快自己的研发迭代周期，但研发出来之后终究是要进行测试，这部分时间无法缩减。

我认为，医药初创公司最重要的是低成本和快速的研发周期，有了这两点就有资本参与市场竞争了。所以如果我是一家医药初创公司的决策者，一开始我不会选择从心脏病这类大难题下手。

此外，如果我是一家AI药物研发初创公司，我会在模拟器上多下工夫，因为目前这方面还亟待改善。

Reid Hoffman：你对AI和元宇宙怎么看？

Sam Altman：元宇宙会发展成一种新的软件容器，就像手机一样，成为一种计算机交互方式。而AI则是一场技术革命，所以问题应该是“元宇宙如何融入AI新世界(600628)”，而不是“AI如何融入元宇宙”。当然，这仅代表我个人的观点。

Audience Member：AI工具已经可以辅助人类进行创造性工作，AI什么时候会从创作者的辅助工具发展为具有独立创作力的智能体？

Sam Altman：作为创作辅助工具，AI既有用也很受欢迎，但目前来看，AI在大部分的创造性任务上的能力都有待提高，未来很长一段时间内都不能代替人类创作者。可能到100年之后，AI才可以独立完成创造性工作。

十年前，大部分人都认为AI取代人类工作的次序是：蓝领工作（卡车司机等）→低技能的白领工作→高技能的白领工作（程序员等），最后才会（也许永远不会）取代创造性工作。现在的事实证明，AI最有可能先取代的反而是创造性工作。

这也说明，预测未来是很难的，还说明人类可能不够了解自己，不清楚什么类型的技能最难、最需要调动大脑，或者错误估计了控制身体的难度。

Reid Hoffman：除了AI的应用潜力之外，目前大家对AI的讨论有没有轻率的一面，比如将AI用于核聚变研究？

Sam Altman：通常而言，如果某个行业获得非常广泛的社会关注，所有人都在谈论它，这可能不是什么好事，可惜这恰恰是AI行业目前的情况，我不希望这是AI行业“垮掉”的前兆。

业内有人正在研究利用强化学习模型控制核聚变反应，但据我们所知，AI模型在这里发挥的作用还非常有限。

我们现在进入了“AI+”时代，相信AI在未来可以实现很多东西，会成为最大的新一代技术平台。但就目前而言，我们倾向于往更有确定性的方向发展，比如，业内研究出了缩放定律（Scaling Law，该定律揭示AI模型性能与模型参数、数据、计算量之间的关系），就以此为基础展望下一步。

这也是OpenAI的运作模式――先做摆在我们面前的最有信心能成功的事情，然后分出10%的资源进行成功确定性更低的探索工作。这种运作方式为我们带来巨大的成功。

现阶段不应该把重点放在“让AI无所不能”上，而是先沿着现有的道路慢慢发展完善AI，然后留有开放探索的空间――伟大的事物都不是计划出来的，有时重大的突破诞生于偶然。

3 AI的未来发展方向

Reid Hoffman：未来几年，AI的发展方向是什么？

Sam Altman：一个比较确定的方向是，语言模型的发展会远超今天的想象。虽然很多人都说算力和数据都已经跟不上了，这也是事实，但算法的改进空间依然很大，还可以带来很大的进步。

第二个方向是多模态模型的发展。未来的多模态模型将不局限于文本和图像的互相转换，而是所有模态之间都可以方便地互相转化。

第三个方向是，模型可以持续学习。目前的模型如GPT都停滞在当初训练好的状态，并不会随着使用次数的增加而自我优化。我相信未来可以改变这一点。

如果上述三点都能实现的话，我们就可以解锁无数全新的应用场景，实现真正的科技革新，帮助人类实现科技的飞跃式前进。而且我相信，我们也有办法利用AI推动科研进步和新知识的产生。

我认为，现在普遍存在的一种错误观点是：“虽然语言模型的功能已经比较完善，还可以应用到图像和视频领域，将应用智能的边际成本降得非常低，但归根结底，它只是模仿人类做过的东西，不能为人类产生新知识，不能治疗癌症，也不能拓展人类已知的科学领域。”我相信，AI的发展会让持这种观点的人大吃一惊。

Reid Hoffman：AI将如何影响未来人类的生活？

Sam Altman：AI终将渗入人类生活的方方面面。未来十年里，智能和能源的边际成本会迅速下降，趋近于零，而智能和能源又是其他各行各业的主要成本来源（当然，奢侈品除外）。[注：Sam Altman 是否提前知道了美国能源部在12月份宣布的可控核聚变的进展？]

整个社会的成本结构都会下降，正如之前多次科技革命的结果一样。在这种浪潮之下，很少有什么会一成不变。但有一点很重要，智能和能源成本只是趋近于零，而不是直接降为零。所以将来如果有人仍愿意花费巨额投资来购买智能和能源，他们得到的算力和能源的数量将突破想象。

设想一下，将来的能源使用成本下降10~100倍，智能使用成本下降1亿倍，而对能源和智能的资金投入则比现在多1000倍，那会是什么样的局面？

Audience Member：未来二三十年内，AI的发展会带来什么社会问题？如果要避免这些问题，我们现在可以怎么做？

Sam Altman：AI的应用会极大影响经济活动。将来我们需要形成新的社会契约，考虑如何公平地分配财富。AGI系统的使用权将会成为一种商品，所以也要考虑如何让所有人平等地获得使用AGI的机会。还有AGI的管理问题：人类如何共同决定AGI可以做什么、不能做什么。

我不担心“AI取代人类的工作之后，人类何去何从”的问题，虽然未来人类的工作会和现在很不一样，但我觉得人类最终都会找到自己满意的事业，过上充实的生活。真正的难题是财富分配、AGI使用权和AGI的治理问题。

Reid Hoffman：据我所知，OpenAI也付出不少努力，试图解决AI的社会影响问题。

Sam Altman：OpenAI正在进行全球最大型的UBI实验。（Universal Basic Income，无条件基本收入；Sam Altman认为，十年后AI的生产

---

OpenAI Gym简介及初级实例

openai是哪个公司的,openai在您所在的国家不可用,openai services are not available,openai 百度百科
史莱姆排球体育馆环境 史莱姆排球是由一位不知名的作家在2000年代初期创建的游戏。 “游戏的物理原理有点'狡猾'，但其简单的游戏玩法却立即使人上瘾。” SlimeVolleyGym是一个简单的健身房环境，用于测试单人和多人强化学习算法。 游戏非常简单：代理人的目标是使球着陆在对手方的地面上，从而使对手丧生。每个特工从五个生命开始。当任何一个特工失去全部五个生命时，或者经过3000个时间步长后，情节结束。座席失去对手时会获得+1的奖励，而失去生命则会获得-1的奖励。 该环境基于我于创建JavaScript游戏 ，该游戏使用自我玩耍和进化来训练简单的神经网络代理，以使游戏比大多数人类玩家玩得更好。我决定将其作为轻量级的快速健身房环境移植到Python，作为更高级的RL方法（例如多主体，自玩，持续学习和模仿学习算法）的测试平台。 显着特点 只有依赖项是Gym和numpy。不需要其他库来运行e