GPT-4會演變?yōu)橥ㄓ萌斯ぶ悄軉幔?/span>

Meta首席人工智能科學家、圖靈獎得主Yann LeCun對此表示質(zhì)疑。

在他看來，大模型對于數(shù)據(jù)和算力的需求實在太大，學習效率卻不高，因此學習「世界模型」才能通往AGI之路。

不過，微軟最近發(fā)表的154頁論文，似乎就很打臉。

在這篇名為「Sparks of Artificial General Intelligence: Early experiments with GPT-4」的論文中，微軟認為，雖然還不完整，但GPT-4已經(jīng)可以被視為一個通用人工智能的早期版本。

論文地址：https://arxiv.org/pdf/2303.12712.pdf

鑒于 GPT-4 能力的廣度和深度，我們相信它應該被合理視作一個通用人工智能（AGI）系統(tǒng)的早期（但仍不完整）版本。

本文的主要目標是對 GPT-4 的能力和局限性進行探索，我們相信 GPT-4 的智能標志著計算機科學及其他領域的真正范式轉變。

AGI的智能體現(xiàn)在能夠像人類一樣思考和推理，并且還能夠涵蓋廣泛的認知技能和能力。

論文中，指出AGI具有推理、規(guī)劃、解決問題、抽象思維、理解復雜思想、快速學習和經(jīng)驗學習能力。

從參數(shù)規(guī)模上來看，Semafor報道稱GPT-4有1萬億個參數(shù)，是GPT-3（1750億個參數(shù)）的6倍大。

網(wǎng)友用GPT參數(shù)規(guī)模大腦神經(jīng)元做了類比：

GPT-3的規(guī)模與刺猬大腦類似（1750億個參數(shù)）。如果GPT-4擁有1萬億個參數(shù)，我們就接近松鼠大腦的規(guī)模了。以這個速度發(fā)展下去，也許只需要幾年時間，我們就能達到并超越人類大腦的規(guī)模（170萬億參數(shù)）。

由此看來，GPT-4距離成為「天網(wǎng)」也不遠了。

而這篇論文，還被扒出不少趣事。

論文發(fā)布不久后，一位網(wǎng)友在推特上爆出從他們的latex源代碼中發(fā)現(xiàn)了隱藏信息。

在未刪減版的論文中，GPT-4實際上也是該論文的隱藏第三作者，內(nèi)部名稱 DV-3，后被刪除。

有趣的是，就連微軟研究人員對GPT-4的技術細節(jié)并不清楚。另外，這篇論文還刪除了GPT-4在沒有任何提示的情況下產(chǎn)生的有毒內(nèi)容。

GPT-4初具AGI雛形

這篇論文的研究對象，是GPT-4的早期版本。它還處于早期開發(fā)階段時，微軟的研究者就對它進行了各種實驗和測評。

在研究者看來，這個早期版本的GPT-4，就已經(jīng)是新一代LLM的代表，并且相較于之前的人工智能模型，展現(xiàn)出了更多的通用智能。

通過測試，微軟的研究者證實：GPT-4不僅精通語言，還能在數(shù)學、編程、視覺、醫(yī)學、法律、心理學等多樣化和高難度的任務中表現(xiàn)出色，且無需特別提示。

令人驚奇的是，在所有這些任務中，GPT-4 的表現(xiàn)已經(jīng)接近人類水平，并且時常超過之前的模型，比如ChatGPT。

因此，研究者相信，鑒于GPT-4在廣度和深度上的能力，它可以被視為通用人工智能（AGI）的早期版本。

那么，它朝著更深入、更全面的AGI前進的路上，還有哪些挑戰(zhàn)呢？研究者認為，或許需要尋求一種超越「預測下一個詞」的新范式。

如下關于GPT-4能力的測評，便是微軟研究人員給出關于GPT-4是AGI早期版本的論據(jù)。

多模態(tài)和跨學科能力

自GPT-4發(fā)布后，大家對其多模態(tài)能力的印象還停留在Greg Brockman當時演示的視頻上。

這篇論文第二節(jié)中，微軟最先介紹了它的多模態(tài)能力。

GPT-4不僅在文學、醫(yī)學、法律、數(shù)學、物理科學和程序設計等不同領域表現(xiàn)出高度熟練程度，而且它還能夠?qū)⒍鄠€領域的技能和概念統(tǒng)一起來，并能理解其復雜概念。

綜合能力

研究人員分別用以下4個示例來展示GPT-4在綜合能力方面的表現(xiàn)。

第一個示例中，為了測試GPT-4將藝術和編程結合的能力，研究人員要求GPT-4生成 javascript代碼，以生成畫家 Kandinsky風格的隨機圖像。

如下為GPT-4實現(xiàn)代碼過程：

在文學和數(shù)學結合上，GPT-4能夠以莎士比亞的文學風格證明質(zhì)數(shù)是無窮多的。

此外，研究還測試了GPT-4將歷史知識和物理知識結合起來的能力，通過要求其撰寫一封支持Electron競選美國總統(tǒng)的信，信是由圣雄甘地寫給他的妻子的。

通過提示GPT-4為一個程序生成python代碼，該程序?qū)⒒颊叩哪挲g、性別、體重、身高和血液檢測結果向量作為輸入，并指出患者是否處于糖尿病風險增加的狀態(tài)。

通過測試，以上例子表明GPT-4不僅能夠?qū)W習不同領域和風格的一些通用原則和模式，還能以創(chuàng)造性的方式將其結合。

視覺

當提示GPT-4使用可伸縮矢量圖形（SVG）生成物體圖像，如貓、卡車或字母時，該模型生成的代碼通常會編譯成相當詳細，且可識別的圖像，如下圖：

然而，許多人可能會認為GPT-4只是從訓練數(shù)據(jù)中復制了代碼，其中包含類似的圖像。

其實GPT-4不僅是從訓練數(shù)據(jù)中的類似示例中復制代碼，而且能夠處理真正的視覺任務，盡管只接受了文本訓練。

如下，提示模型通過結合字母Y、O和H的形狀來繪制一個人。

在生成過程中，研究人員使用draw-line和draw-circle命令創(chuàng)建了O、H和Y的字母，然后GPT-4設法將它們放置在一個看起是合理的人形圖像中。

盡管GPT-4并沒有經(jīng)過關于字母形狀的認識的訓練，仍舊可以推斷出，字母Y可能看起來像一個手臂朝上的軀干。

在第二次演示中，提示GPT-4糾正軀干和手臂的比例，并將頭部放在中心位置。最后要求模型添加襯衫和褲子。

如此看來，GPT-4從相關訓練數(shù)據(jù)中、模糊地學習到字母與一些特定形狀有關，結果還是不錯的。

為了進一步測試GPT-4生成和操作圖像的能力，我們測試了它遵循詳細指令創(chuàng)建和編輯圖形的程度。這項任務不僅需要生成能力，還需要解釋性、組合性和空間性能力。

第一個指令是讓GPT-4生成2D圖像，prompt為：

「A frog hops into a bank and asks the teller, ‘Do you have any free lily pads?’ The teller responds, ‘No, but we do o er low interest loans for pond upgrades」

通過多次嘗試，GPT-4每一次都生成符合描述的圖像。然后，要求GPT-4添加更多細節(jié)來提高圖形質(zhì)量，GPT-4添加了銀行、窗戶、汽車等符合現(xiàn)實邏輯的物體。

我們的第二個示例是嘗試使用Javascript生成一個3D模型，同樣通過指令GPT-4完成了許多任務。

另外，GPT-4在草圖生成方面，能夠結合運用Stable Difusion的能力。

下圖為3D城市建模截圖，輸入提示有一條河流從左到右流淌、河的旁邊建有金字塔的沙漠、屏幕底部有4個按鈕，顏色分別為綠色、藍色、棕色和紅色。生成結果如下：

音樂

研究人員要求GPT-4用ABC記譜法編碼生成和修改曲調(diào)，如下：

通過探究GPT-4在訓練中獲得了多少技能，研究人員發(fā)現(xiàn)GPT-4能夠在ABC記譜法中產(chǎn)生有效的旋律，并在一定程度上解釋和操作其中的結構。

然而，研究人員無法讓GPT-4產(chǎn)生任何非平凡的和聲形式，比如無法譜出像《歡樂頌》、《致愛麗絲》等著名的旋律。

編程能力

此外，研究人員還展示了GPT-4能夠以非常高的水平進行編碼能力，無論是根據(jù)指令編寫代碼，還是理解現(xiàn)有代碼方面都展現(xiàn)出超強能力。

在根據(jù)指令編寫代碼方面，研究人員演示了一個讓GPT-4寫python函數(shù)的例子。

代碼生成后，研究人員使用軟件工程面試平臺LeetCode在線判斷代碼是否正確。

對于大家都在用討論LeetCode正確率僅有20%，論文作者Yi Zhang對此進行了反駁。

另外，還讓GPT-4將上表中LeetCode的準確率數(shù)據(jù)可視化為圖表，結果如圖所示。

GPT-4 不僅可以完成普通的編程工作，還能勝任復雜的 3D 游戲開發(fā)。

研究者讓GPT-4用JavaScript在HTML中編寫3D游戲，GPT-4在零樣本的情況下生成了一個滿足所有要求的游戲。

在深度學習編程中，GPT-4不僅需要數(shù)學和統(tǒng)計學知識，還需要對PyTorch、TensorFlow、Keras等框架和庫熟悉。

研究人員要求GPT-4和ChatGPT編寫一個自定義優(yōu)化器模塊，并為其提供了自然語言描述，其中包括一系列重要的操作，例如應用SVD等等。

除了根據(jù)指令編寫代碼，GPT-4在理解代碼上展現(xiàn)出超強的能力。

研究者嘗試讓GPT-4和ChatGPT讀懂一段C/C++程序，并預測程序的輸出結果，二者的表現(xiàn)如下：

標黃的地方是GPT-4富有洞察力的觀點，而紅色標記代表ChatGPT出錯的地方。

通過編碼能力測試，研究者發(fā)現(xiàn)GPT-4可以處理各種編碼任務，從編碼挑戰(zhàn)到實際應用，從低級匯編到高級框架，從簡單數(shù)據(jù)結構到復雜的程序。

此外，GPT-4還可以推理代碼執(zhí)行、模擬指令的效果，并用自然語言解釋結果。GPT-4甚至可以執(zhí)行偽代碼。

數(shù)學能力

在數(shù)學能力上，相比于之前的大語言模型，GPT-4已經(jīng)取得了質(zhì)的飛躍。即便是面對專門精調(diào)的Minerva，在性能上也有明顯提升。

不過，距離專家水平還相去甚遠。

舉個例子：每年兔子的種群數(shù)量會增加a倍，而在年底的最后一天，有b只兔子被人類領養(yǎng)。假設第一年的第一天有x只兔子，已知3年后兔子的數(shù)量將變?yōu)?7x-26。那么，a和b的值分別是多少？

為了解決這個問題，我們首先需要得出每年兔子數(shù)量變化的正確表達式，通過這種遞歸關系推導出一個方程組，進而得到答案。

這里，GPT-4成功地得出了解決方案，并提出了一個合理的論點。相比之下，在幾次獨立嘗試中，ChatGPT始終無法給出正確的推理和答案。

高等數(shù)學

接下來，我們直接上個難的。比如，下面這道出自2022年國際數(shù)學奧林匹克競賽（IMO）的問題（簡化版）。

該題與本科微積分考試的不同之處在于，它不符合結構化的模板。解決這個問題需要更有創(chuàng)造性的方法，因為沒有明確的策略來開始證明。

例如，將論證分為兩種情況（g(x) > x^2 和 g(x) < x^2）的決定并不明顯，選擇y*的原因也是如此（在論證過程中，它的原因才變得明確）。此外，解決方案需要本科級別的微積分知識。

盡管如此，GPT-4還是給出了一個正確的證明。

第二個關于算法和圖論的討論，則可以與研究生水平的面試相媲美。

對此，GPT-4能夠?qū)σ粋€與約束滿足問題相關的抽象圖構造進行推理，并從中得出關于SAT問題的正確結論（據(jù)我們所知，這種構造在數(shù)學文獻中并未出現(xiàn)）。

這次對話反映出GPT-4對所討論的本科級數(shù)學概念的深刻理解，以及相當程度的創(chuàng)造力。

盡管GPT-4在一次回答中把2^n/2寫成了2^n-1，但著似乎更像是我們俗稱的「筆誤」，因為它后來提供了公式的正確推廣。

此外，研究者在兩個通常用作基準的數(shù)學數(shù)據(jù)集上比較GPT-4、ChatGPT和Minerva的性能：GSM8K和MATH 。

結果發(fā)現(xiàn)，GPT4在每個數(shù)據(jù)集上的測試都超過了Minerva，并且在兩個測試集的準率都超過80% 。

再來細看GPT4犯錯的原因，68%都是計算錯誤，而不是解法錯誤。

與世界互動

智能另一個關鍵的體現(xiàn)就是交互性。

交互性對于智能很重要，因為它使智能體能夠獲取和應用知識，解決問題，適應不斷變化的情況，并實現(xiàn)超出其自身能力的目標。

由此，研究者從工具使用和具體的交互兩個維度研究了GPT-4的交互性。GPT-4在回答如下問題時能夠搜索引擎或API等外部工具。

與人類互動

論文中， 研究者發(fā)現(xiàn)了GPT-4可以建立人類的心智模型。

研究設計了一系列測試來評估GPT-4、ChatGPT和text-davinci-003的心智理論的能力。比如理解信仰，GPT-4成功通過了心理學中的Sally-Anne錯誤信念測試。

還有測試GPT-4在復雜情境下推斷他人情緒狀態(tài)能力的表現(xiàn)：

-湯姆為什么做出悲傷的表情？-亞當認為是什么導致了湯姆的悲傷表情？

通過多輪測試，研究人員發(fā)現(xiàn)在需要推理他人心理狀態(tài)，并提出符合現(xiàn)實社交場景中的方案，GPT-4表現(xiàn)優(yōu)于ChatGPT和text-davinci-003。

局限性

GPT-4所采用的「預測下一個詞」模式，存在著明顯的局限性：模型缺乏規(guī)劃、工作記憶、回溯能力和推理能力。

由于模型依賴于生成下一個詞的局部貪婪過程，而沒有對任務或輸出的全局產(chǎn)生深入的理解。因此，GPT-4擅長生成流暢且連貫的文本，但不擅長解決無法以順序方式處理的復雜或創(chuàng)造性問題。

比如，用范圍在0到9之間的四個隨機數(shù)進行乘法和加法運算。在這個連小學生都能解決的問題上，GPT-4的準確率僅為58%。

當數(shù)字在10到19之間，以及在20到39之間時，準確率分別降至16%和12%。當數(shù)字在99到199的區(qū)間時，準確率直接降至0。

然而，如果讓 GPT-4「花時間」回答問題，準確率很容易提高。比如要求模型使用以下提示寫出中間步驟：

116 * 114 + 178 * 157 = ?

讓我們一步一步思考，寫下所有中間步驟，然后再產(chǎn)生最終解。

此時，當數(shù)字在1-40的區(qū)間時，準確率高達100%，在1-200的區(qū)間時也達到了90%。

馬庫斯發(fā)文反駁

有意思的是，就在微軟這篇論文發(fā)表后不久，馬庫斯立馬寫出一篇博客，稱微軟的觀點「非常荒謬」。

并引用了圣經(jīng)中的一句話「驕傲在敗壞以先，狂心在跌倒之前。（箴16:18）」

GPT-4怎么就算得上早期AGI了？這么說的話，計算器也算，Eliza和Siri更算。這個定義就很模糊，很容易鉆空子。

在馬庫斯看來，GPT-4和AGI沒什么關系，而且GPT-4跟此前一樣，缺點依舊沒有解決，幻覺還存在，回答的不可靠性也沒有解決，甚至作者自己都承認了復雜任務的計劃能力還是不行。

他的擔憂的是OpenAI和微軟的這2篇論文，寫的模型完全沒有披露，訓練集和架構什么都沒有，光靠一紙新聞稿，就想宣傳自己的科學性。

所以說論文里號稱的「某種形式的AGI」是不存在的，科學界根本無法對其進行驗證，因為也無法獲得訓練數(shù)據(jù)，而且似乎訓練數(shù)據(jù)已經(jīng)受到了污染。

更糟糕的是，OpenAI已經(jīng)自己開始將用戶實驗納入訓練語料庫了。這樣混淆視聽后，科學界就沒法判斷GPT-4的一個關鍵能力了：模型是否有能力可以對新測試案例進行歸納。

如果OpenAI不在這里給自己戴上科學的高帽子，馬庫斯可能也不會這么批判它。

他承認GPT-4是很強大，但是風險也是眾所周知。如果OpenAI缺乏透明度，并且拒絕公開模型，不如直接關停。

強大作者陣容

微軟這篇長達154頁的論文背后有著強大的作者陣容。

其中就包括：微軟雷德蒙德研究院首席研究員、2015年斯隆獎得主Sébastien Bubeck、2023新視野數(shù)學獎得主 Ronen Eldan、2020斯隆研究獎得主Yin Tat Lee、2023新晉斯隆研究獎得主李遠志。

值得一提的是，微軟團隊最初定的論文題目并不是「通用人工智能的火花：GPT-4的早期實驗」。

未刪減論文中泄漏的latex代碼顯示，最初題目是「與AGI的第一次接觸」。