新智元報道
編輯：Aeneas
【新智元導讀】Scaling Law撞墻了嗎？OpenAI高級研究副總裁Mark Chen正式駁斥了這一觀點。他表示，OpenAI已經(jīng)有o系列和GPT系列兩個模型，來讓模型繼續(xù)保持Scaling。
最近，OpenAI高級研究副總裁Mark Chen在爐邊談話中，正式否認「Scaling Law撞墻論」。
他表示，并沒有看到Scaling Law撞墻，甚至OpenAI還有兩個范例o系列和GPT系列，來保持這種Scaling。
用他的話說，「我們準確地掌握了需要解決的技術挑戰(zhàn)」。
o1不僅是能力提升，也是安全改進
從經(jīng)濟角度看，OpenAI已經(jīng)是最有價值的科技公司之一，因為他們?yōu)檎鎸嵱脩籼峁┝藬?shù)十億美元的價值。
兩年前，AI最前沿的任務還是小學數(shù)學題；而今天，它們已經(jīng)可以做最難的博士生題目。
因此，我們正處于這樣一個階段：AI模型能夠解決人類有史以來最困難的考試。
一旦這些模型解決了博士級別的問題，下一步，即使為世界提供實用性和價值。
當所有基準測試飽和之后，需要考慮的就是是否為最終用戶提供了價值。
雖然今天AI通過了基準測試，但它并沒有完全捕捉到AGI應該做的事。
好在，在過去一年里，OpenAI內部發(fā)生了最令人興奮的進展o1誕生了。
這不僅是一種能力上的提升，從根本上來說也是一種安全改進。
為什么這么說？
想象我們試圖對一個模型進行越獄，舊的GPT系統(tǒng)必須立即做出回應，所以可能更容易被觸發(fā)。
但當我們有一個推理器時，模型卻會反思：這個問題是不是試圖讓我做一些與我要做的不一致的事？
此時，它獲得的額外思考和反思的時間，會讓它在很多安全問題上更穩(wěn)健。
這也符合OpenAI研究者最初的預期。
當我們談到推理時，這是一個廣泛的概念，不僅僅用于數(shù)學或編程。
在編程中使用的推理方法，可能也適用于談判，或者玩一個很難的游戲。
而說到基準測試，在安全性上也有同樣的挑戰(zhàn)。
安全性有點類似于這種對抗性攻擊框架。在這種情況下，攻擊是非常強烈的，因此我們在這方面還有很長的路要走。
如何到達五級AGI
AGI從一級到五級，關鍵推動因素是什么呢？
OpenAI提出的框架中，定義了AGI的不同級別，具體來說，就是從基本推理者發(fā)展到更智能的系統(tǒng)，再到能在現(xiàn)實世界里采取行動的模型，最終到達更自主、完全自主的系統(tǒng)。
在這個過程中，穩(wěn)健性和推理能力是關鍵。
今天我們還不能依賴很多智能體系統(tǒng)，原因是它們還不夠可靠。這就是OpenAI押注推理能力的原因。
OpenAI之所以大量投資，就是對此極有信心：推理能力將推動可靠性和穩(wěn)健性。
所以，我們目前正處于哪一階段呢？
OpenAI研究者認為，目前我們正從第一階段向第二階段過渡，朝著更智能系統(tǒng)的方向發(fā)展。
雖然目前，許多智能體系統(tǒng)仍然需要人類監(jiān)督，但它們已經(jīng)變得越來越自主。模型可以自行原作，我們對于AI系統(tǒng)的信任也在逐漸增加。
合成數(shù)據(jù)的力量
合成數(shù)據(jù)，就是不由人類直接產(chǎn)生的數(shù)據(jù)，而是模型生成的數(shù)據(jù)。
有沒有什么好的方法，來生成用于訓練模型的合成數(shù)據(jù)呢？
我們在數(shù)據(jù)稀缺或數(shù)據(jù)質量較低的數(shù)據(jù)集中，可以看到合成數(shù)據(jù)的力量。
比如，在訓練像DALL-E這樣的模型時，就利用了合成數(shù)據(jù)。
訓練圖像生成模型的一個核心問題是，當我們去看互聯(lián)網(wǎng)上帶標題的圖片時，標題和它所描述的圖片之間通常關聯(lián)性很低。
你可能會看到一張熱氣球的照片，而標題并不是描述氣球本身，而是「我度過最好的假期」之類的。
在OpenAI研究者看來，在這種情況下，就可以真正利用合成數(shù)據(jù)，訓練一個能為圖片生成高保真標題的模型。
然后，就可以為整個數(shù)據(jù)集重新生成捕獲了，OpenAI已經(jīng)證明，這種方法非常有效。
數(shù)據(jù)集中某方面較差的其他領域，也可以采用這個辦法。
Scaling Law沒有撞墻
最近很火熱的一個觀點是，Scaling Law已經(jīng)撞墻了，許多大型基礎實驗室都遇到了預訓練的瓶頸。
果真如此嗎？
Mark Chen的觀點是，雖然的確在預訓練方面遇到一些瓶頸，但OpenAI內部的觀點是，已經(jīng)有了兩種非常活躍的范式，讓人生成無限希望。
他們探索了一系列模型的測試時Scaling范式，發(fā)現(xiàn)它們真的在迅速發(fā)展！
在推理模型的Scaling上，也沒有同樣的障礙。
其實，從早期入職OpenAI后，研究者就一直遇到多個技術挑戰(zhàn)。現(xiàn)在這些挑戰(zhàn)已經(jīng)非常具體，在Mark Chen看來，沒有什么是完全無法應對的。
在OpenAI內部，大家經(jīng)常說推理范式已經(jīng)達到了一定的成熟度。有些產(chǎn)品已經(jīng)有了與市場的契合點，雖然進展仍然非常緩慢。
過去幾周內，最令人驚訝的使用場景，莫過于和o1進行頭腦風暴了。
o1和GPT-4的對比，讓人感受到了全新的深度：人類仿佛終于有了一個真正能互動的陪練伙伴，而非僅僅對自己的想法進行評論。
它仿佛一個真正的實體，非常有參與感。
o1的推理直覺，是如何產(chǎn)生的
OpenAI的研究者，是如何想到o1中的推理直覺的呢？
這是一個集體努力的結果，不過他們也進行了很長時間的工作，進行了一些探索性的重點嘗試。
在兩年前，他們就覺得，AI雖然非常聰明，但在某些方面是不足的。不知為什么，總是感覺不太像AGI。
當時他們假設，原因在于，這是因為AI被要求立即做出回應。
就算我們要求一個人類立即做出回應，ta也未必能給出最好的答案。
一個人可能會說，我需要思考一會，或者我需要做一些研究，明天再答復你。
就在這里，OpenAI研究者發(fā)現(xiàn)了亮點！
其實這里缺少的，是連接系統(tǒng)一和系統(tǒng)二之間的鴻溝。
快速思考有，知識也有，但卻沒有慢速思考，核心假設就在這里。
研究者做了許多不同嘗試，來解決這個挑戰(zhàn)。
一群非常具有探索精神的研究者，獲得了一些生命跡象。
圍繞這些跡象，他們組建了研究團隊，擴大的項目規(guī)模，投入了大量的數(shù)據(jù)生成工作。
從快速進展中獲取預測結果，是整個案例中最難的部分。
開始時，就像登月計劃一樣，會遭遇很多失敗。
有三四個月，他們完全沒取得多少有意義的進展。
好在最終，總會有人獲得重大突破。這也就給了他們足夠的動力來投入更多資源，往前推動一點。
從o1推出幾個月后，OpenAI和許多外部合作伙伴進行了交流。
最酷的一件事就是，他們發(fā)現(xiàn)它比使用微調方法要好得多它已經(jīng)不太容易被問題難倒了。
很多應用已經(jīng)超出了研究者之前關注的數(shù)學和科學領域。當看到AI的推理能力能泛化到這些領域，真的令人驚喜。
比如在醫(yī)學領域，模型在醫(yī)學癥狀的判斷上，涉及形成假設、驗證，隨后再形成新的假設。
即使在研究者沒有特別關注的領域，模型也進展得很快，比如醫(yī)學、法律推理。
而他們也確信，在未來還會有其他還未測試過的領域，AI會有重大進展。
OpenAI仍然注重安全
Mark Chen肯定地說，目前OpenAI仍然像早期那樣，致力于研究和安全。
為此，他管理著一個非常龐大的研究項目組合。并且一直在思考著應該分配多少資源和力量來進行探索性研究，而不是短期的即時項目。
不過，在這方面，OpenAI和很多大型基礎實驗室不同。
這些大實驗室有很多優(yōu)秀的研究者，可以沒有方向地進行研究，自由地去做任何事。
但對OpenAI來說，他們比這些實驗室的規(guī)模都要小，因此需要更有方向性。
他們選擇了一些非常有信心的探索性項目，在這些領域內，給了研究者很大的自由度。
也就是說，OpenAI并不會進行毫無目標的探索，而且充分利用了自己規(guī)模小的優(yōu)勢。
現(xiàn)在是AI創(chuàng)業(yè)的好時機
OpenAI的研究者也認為，現(xiàn)在是基于AI創(chuàng)立初創(chuàng)公司的好時機。
基礎模型的玩家專注的是通用性。
但像OpenAI這樣的公司，不可能涉足每一個垂直領域。
在特定領域定制一個模型，有很多空間和可能性。
現(xiàn)在，我們已經(jīng)可以看到一個豐富的初創(chuàng)企業(yè)生態(tài)系統(tǒng)，這些企業(yè)在OpenAI的基礎上構建了各種類型的應用。
通常情況下，初創(chuàng)企業(yè)之所以能夠成功，是因為他們知道并堅信某個秘密，而市場上的其他人并不知道這個秘密。
在AI領域，實際上就是在一個不斷變化的技術棧上進行構建，我們無法預測下一個模型會何時出現(xiàn)。
表現(xiàn)最好的初創(chuàng)企業(yè)，就是那些有直覺，在剛剛開發(fā)發(fā)揮作用的邊緣技術上進行構建的企業(yè)，它們有一種生命力。
當我們擁有AGI，就是相當強大的形式，真正釋放了全部潛力。
想象一個人在一周內，就能創(chuàng)建一個帶來巨大價值的大型初創(chuàng)公司。
一個人在幾天內產(chǎn)生巨大影響的想法，已經(jīng)不僅限于商業(yè)領域。
這種懷舊的感覺就像17世紀，科學家們在探討物理學一樣。
我們能否回到那種氛圍，一個人能做出醫(yī)學、物理學或計算機科學領域的重大發(fā)現(xiàn)？
而這些，都是因為AI。
參考資料：
https://x.com/tsarnick/status/1860458274195386658
