Ką visi intelektualūs būtybės turi bendro?Pasak Yann LeCuno, „Meta“ pagrindinio dirbtinio intelekto mokslininko, yra keturi pagrindiniai bruožai. Praėjusiais metais Paryžiuje vykusiame AI Veiksmų aukštynės susitikime politikos lyderiai ir dirbtinio intelekto ekspertai susirinko aptarti AI vystymosi. Renginio metu LeCunas pateikė savo pagrindinę intelekto apibrėžimą IBM dirbtinio intelekto vadovui Anthony Annunziatai. „Yra keturi būtinieji intelektualaus elgesio bruožai, kuriuos turi kiekvienas gyvūnas—arba gana protingas gyvūnas—ir tikrai žmonės“, paaiškino jis. „Tai suprasti fizinį pasaulį, turėti nuolatinę atmintį, gebėti mąstyti ir planuoti, ypač sudėtingus veiksmus per hierarchinį planavimą. “ LeCunas atkreipė dėmesį, kad dirbtinis intelektas, ypač dideli kalbos modeliai, dar nepasiekė šio lygio ir integruoti šiuos gebėjimus reikalautų pokyčių jų mokymo metoduose. Tai paaiškina, kodėl daugelis pirmaujančių technologijų įmonių šiuo metu prideda naujų galimybių prie esamų modelių, bandydamos tapti dirbtinio intelekto lyderėmis. „Su supratimu apie fizinį pasaulį, jūs mokote atskirą regėjimo sistemą ir prijungiate ją prie didelio kalbos modelio. Atminties atveju naudojate įgyvendintą paieškos ir generavimo sistemą (RAG), pridėti asociatyvią atmintį arba paprasčiausiai padidinti modelį“, sakė jis.

(RAG yra technika, sukurta „Meta“, siekiant pagerinti didelius kalbos modelius įtraukiant išorinius žinių šaltinius. ) Vis dėlto LeCunas laiko visas šias pastangas tiesiog „hako“ priemonėmis. Jis nuolat kalba apie alternatyvų metodą, vadinamą pasaulio modeliais (world-based models), kurie yra mokomi pagal realius scenarijus ir pasižymi aukštesnėmis kognityvinėmis gebėjimais nei tik raštų atpažinimas. Pokalbio su Annunziata metu jis plačiau apie tai pasakojo. „Pradedate nuo tam tikros pasaulio būsenos įsivaizdavimo laiko T, įsivaizduojate veiksmą, ir pasaulio modelis prognozuoja, kaip pasaulio būsena pasikeis reaguodama į tą veiksmą“, paaiškino jis. Tačiau, kadangi pasaulis nuolatos vystosi daugybės neprognozuojamų galimybių, vienintelis realus būdas mokyti tokius modelius yra per abstrakciją. „„Meta“ jau tyrinėja šią koncepciją su V-JEPA, modeliu, išleistu viešai vasario mėnesį. Jis apibūdinamas kaip nenuostolingas modelis, kuris mokosi prognozuodamas trūkstamas ar užmaskuotas vaizdo segmentus. “ „Pagrindinė idėja ta, kad nesprogstote tiesiai pavaizduoti kiekvieną tašką ar pixelį. Vietoje to, mokote sistemą dirbti su abstrakčiu vaizdo atvaizdavimu, leidžiančiu jai daryti prognozes pagal tą abstrakciją. Idealumu, ši atmintis filtruoja nekontroliuojamus smulkius duomenis“, sakė LeCunas. Šis požiūris primena how chemikai sukūrė pagrindinę hierarchiją, skirtą materijos komponentams. „Mes sukūrėme abstrakcijas: daleles, virš kurių yra atomai, tada molekulės, ir galiausiai medžiagos“, sakė jis. „Kiekviena aukštesnė sluoksnio dalis filtruoja daug nereikšmingos informacijos iš žemesnių sluoksnių, priklausomai nuo užduoties. “ Esmė ta, kad suprantame fizinį pasaulį kurdami hierarchijas, kas yra pagrindinė intelekto savybė.