兩年倒數(shù)！Anthropic CEO萬字長文預(yù)言：「強大AI」26年降臨，智力擊敗諾獎得主(11)

小大

用微信掃描二維碼
分享至好友和朋友圈

關(guān)鍵詞：

2024-10-14 10:31:36 36氪

因此，我們有理由期待，人工智能加速的神經(jīng)科學將在幾年內(nèi)產(chǎn)生快速進展。

我們應(yīng)該在這個基本圖景中添加一點，那就是過去幾年中學到的，或正在學習到的，一些關(guān)于人工智能本身的知識，可能會幫助推進神經(jīng)科學，即使神經(jīng)科學研究仍然只由人類來進行。

首先，「可解釋性」是一個明顯的例子。

盡管表面上，生物神經(jīng)元和人工神經(jīng)元以完全不同的方式運作，但「簡單單元組成的的分布式、訓練過的網(wǎng)絡(luò)如何協(xié)同工作以執(zhí)行重要計算」，這個基本問題是相同的。

舉例來說，AI系統(tǒng)可解釋性研究人員發(fā)現(xiàn)的一種計算機制，最近在小鼠大腦中被重新發(fā)現(xiàn)。

論文地址：https://www.biorxiv.org/content/10.1101/2023.03.15.532836v1

相比真實神經(jīng)網(wǎng)絡(luò)，對人工神經(jīng)網(wǎng)絡(luò)進行實驗要容易得多，因此AI可解釋性很可能成為提高我們對神經(jīng)科學理解的工具。

此外，強大的人工智能本身可能比人類更能開發(fā)和應(yīng)用這個工具。

除了可解釋性之外，我們從AI那里學到的關(guān)于智能系統(tǒng)如何訓練的知識，很可能在神經(jīng)科學領(lǐng)域引發(fā)一場革命。

Amodei本人在從事神經(jīng)科學研究時發(fā)現(xiàn)，曾經(jīng)很多人關(guān)注的關(guān)于「學習」的問題，現(xiàn)在看來是錯誤的，因為那時還沒有「擴展假說」（scaling hypothesis），或Rich Sutton提出的「the bitter lesson」這樣的概念。

大量數(shù)據(jù)加上簡單的目標函數(shù)就可以驅(qū)動極其復(fù)雜行為，這個想法使得理解目標函數(shù)和架構(gòu)偏差（architectural biases）變得更有意思，同時也讓「涌現(xiàn)」過程的復(fù)雜計算細節(jié)（emergent computation）變得不那么有趣。

Amodei表示，近年來自己并沒有密切關(guān)注這個領(lǐng)域，但能隱約感覺到，計算神經(jīng)科學家們?nèi)匀粵]有完全吸收這個教訓。

首頁上一頁...8 9 101112 13 14...全文共 15 頁下一頁

關(guān)閉

兩年倒數(shù)！Anthropic CEO萬字長文預(yù)言：「強大AI」26年降臨，智力擊敗諾獎得主(11)

相關(guān)新聞

今日熱點

頻道熱點

兩年倒數(shù)！Anthropic CEO萬字長文預(yù)言：「強大AI」26年降臨，智力擊敗諾獎得主(11)