Что объединяет всех разумных существ?По словам Яна Лекуна, ведущего специалиста по искусственному интеллекту в Meta, существуют четыре ключевых признака. На AI Action Summit в Париже в начале этого года собрались политические лидеры и эксперты по ИИ, чтобы обсудить развитие искусственного интеллекта. В ходе мероприятия Лекун передал свою основную дефиницию интеллекта руководителю AI в IBM, Энтони Аннунцате. «Существует четыре основных характеристики разумного поведения, которыми обладает каждое животное — или относительно умное животное — и, безусловно, человек», — объяснил он. «Это понимание физического мира, наличие постоянной памяти, способность рассуждать и умение планировать, особенно сложные действия через иерархическое планирование. » Лекун отметил, что ИИ, особенно крупные языковые модели, пока не достигли этого уровня, и интеграция этих возможностей потребует изменения методов их обучения. Именно поэтому многие ведущие технологические компании сейчас добавляют новые возможности к существующим моделям, соревнуясь за лидерство в области ИИ. «Для понимания физического мира обучаете отдельную систему визуального восприятия и затем подключаете её к крупной языковой модели. Для памяти используете метод расширенного получения информации (RAG), добавляете ассоциативную память или просто увеличиваете масштаб модели», — сказал он.

(RAG — это техника, разработанная в Meta для улучшения больших языковых моделей за счет включения внешних источников знаний. ) Тем не менее, Лекун считает все эти усилия просто «хаками». Он неоднократно обсуждал альтернативный подход, называемый моделями мира, которые обучаются на сценариях реального мира и демонстрируют более высокие когнитивные способности, выходящие за рамки простого распознавания шаблонов. В своем разговоре с Аннунцатой он подробно остановился на этой концепции. «Вы начинаете с некоторого представления о состоянии мира в конкретный момент времени T, представляете действие, и затем модель мира предсказывает, как изменится состояние мира в ответ на это действие», — объяснил он. Но поскольку мир развивается посредством бесчисленных непредсказуемых возможностей, единственный возможный способ обучения таких моделей — через абстракцию. Meta уже экспериментирует с этой концепцией с помощью V-JEPA, модели, которая была выпущена публично в феврале. Она описывается как негенеративная модель, которая обучается предсказанием отсутствующих или зашумленных сегментов в видео. «Идея в том, что не нужно напрямую предсказывать на уровне пикселей. Вместо этого вы обучаете систему работать с абстрактным представлением видео, позволяя ей делать предсказания на основе этой абстракции. В идеале, такое представление отфильтровывает непредсказуемые детали», — отметил Лекун. Этот подход напоминает то, как химики создали фундаментальную иерархию строительных блоков материи. «Мы создали абстракции: частицы, на их основе — атомы, затем молекулы и, наконец, материалы», — сказал он. «Каждый уровень сверху отфильтровывает множество неэффективной информации, исходя из задачи. » В сущности, это означает, что мы понимаем физический мир, строя иерархии — что является фундаментом интеллекта.