人工智能能理解物理世界吗？

       随着LLM大模型的惊艳表现与突破过后，更多科学家开始思考如何突破LLM的局限性。比如，大模型对于可阅读数据处理能力与处理速度惊人，凭借其海量记忆单元（神经网络的巨量参数），利用生成式方式，通过输入输出的方式，产生类人的智能，有着很好的智能应用前景。

       但面临LLM等大模型的一个根本问题是：如何让LLM理解这个物理世界（或者构建内嵌的物理模型）？也就是，LLM从人类文本、图片、图像、视频等习得的智能，还不是真正理解了这个物理世界，尽管它学习的文本等资料蕴含了无数对物理世界的描述。

       科学总要进步，伴随着对于LLM并不完美的质疑，科学家们开始思考探索，如何让人工智能理解物理世界。比如杨立昆就质疑transformer 的token不是理解物理世界的正确方式。而著名斯坦福李飞飞认为LLM是有损压缩，通过对空间智能的探索，实现对于世界模型的推进 。此外，近期的如英伟达的物理AI，试图通过物理AI将物理世界的感知、反馈等融入智能AI模型，实现对于物理世界的内嵌。

       而最近的图领奖获得者强化学习之父Richard Sutton则强调，与其让AI学习人类创造传播的知识（而显然目前使用的大模型训练的现有的工具，已经不足以进一步大幅提升其智能），应该解放AI智能体：让智能体自主的（而不是人类控制的）去探索这个物理世界。通过智能体自身的对于物理世界的交互探索（包括失败），通过习得的经验（Experience），弥补目前数据不足的局限（个人认为，也包括LLM制造工具的局限），从而最终让智能体获得对于这个世界的理解。

        这些探索，正表征了人类对于制造智能工具的困境。AI的发展经过了几次寒冬，而今天的高速发展正是数据驱动（data driven）的成功与突破。大数据、深度学习的多层神经网络架构、注意力机制、Transformer的token、海量算力等，其实都是基于计算机的计算（data的可计算，至于计算的过程，显然可以结合物理世界的模型而进行设计，但前提是计算机能够实现这类计算，从而显现拟人的智能），而得以最终的突破。

        杨立昆说过，目前的AI不如一只猫。问题是，机器（AI和计算机），能否如生物那样实现学习物理世界？如果说LLM是一种有损的信息压缩，那大自然的生物基因信息遗传呢？但另外一个问题与探索AI相关的是：一只空中飞的鸟是如何学会在空中飞翔的？它如何理解空中飞翔的这个物理世界的？尽管一只鸟用大约15天到60天就学会飞翔，但其遗传的飞翔基因（类比预训练模型）也应该占有非常大的因素比重。在人类追求智能工具的过程中，人类也是学习自然，模仿人类和自然的智能，但智能工具仍然是人类制造的，属于改造自然的范畴。正如制造了飞机，模仿了鸟的飞行，但飞机不是鸟。不过飞机能够飞，作为一种运输工具，对于人类，已经足够了。

        但不论如何，人类的科学探索无止境，今天LLM等大模型的研究及应用潜力仍具有很大的发展空间，而对于能够理解物理世界的AI的研究与探索，是未来AI研究、发展与突破的重要方向。

      PS: 以上个人观点，欢迎批评指正。

转载本文请联系原作者获取授权，同时请注明本文来自罗汉江科学网博客。

链接地址：https://wap.sciencenet.cn/blog-451666-1490998.html?mobile=1

收藏

分享