《通用人工智能的火花：GPT-4 早期實驗》是3月最重要的一篇論文，引起了廣泛的關(guān)注和討論，但是論文長達 154頁，中文版本還無人翻譯。

本文挑選了論文中的重點結(jié)論并進行翻譯，雖然已經(jīng)是精選，但仍然超過萬字。但考慮到 GPT5 明年才能面世，這篇文章在今年什么時候看都不晚。

微軟的研究院在很早期就接觸到了 GPT-4 的非多模態(tài)版本，并對齊進行了詳盡的測試。這篇論文就是整個的測試過程和結(jié)論。不管是測試方法還是結(jié)論都非常精彩，強烈推薦看一遍，傳送門在此 。https://arxiv.org/pdf/2303.12712v1.pdf

本文的翻譯沒有添加任何夸張的修辭（DeepL和ChatGPT貢獻也很大），但文中透露的信息本身已足夠震撼。

基本信息：

測試者：Microsoft Research

測試模型：GPT-4早期模型，非多模態(tài)版本。

基本結(jié)論： 盡管是純粹的語言模型，這個早期版本的GPT-4在各種領(lǐng)域和任務(wù)上表現(xiàn)出顯著的能力，包括抽象、理解、視覺、編碼、數(shù)學(xué)、醫(yī)學(xué)、法律、對人類動機和情感的理解等等。

GPT-4的能力具有普遍性，它的許多能力跨越了廣泛的領(lǐng)域，而且它在廣泛的任務(wù)中的表現(xiàn)達到或超過了人類水平，這兩者的結(jié)合使我們可以說GPT-4是邁向AGI的重要一步。

雖然GPT-4在許多任務(wù)上達到或超過了人類的水平，但總體而言，它的智能模式明顯地不像人類。

GPT-4只是邁向通用智能系統(tǒng)的第一步。然而即使作為第一步，GPT-4也挑戰(zhàn)了相當(dāng)多的關(guān)于機器智能的假設(shè)，并表現(xiàn)出涌現(xiàn)的行為和能力，其來源和機制目前還不夠清楚。

我們撰寫本文的主要目的是分享我們對GPT-4的能力和局限性的探索，以支持我們關(guān)于技術(shù)飛躍的評估。我們相信，GPT-4的智能標志著計算機科學(xué)領(lǐng)域及其他領(lǐng)域的真正范式轉(zhuǎn)變。

研究方法： 本文的更接近于傳統(tǒng)的心理學(xué)而不是機器學(xué)習(xí)，借鑒了人類的創(chuàng)造力和好奇心。我們的目標是生產(chǎn)新的和困難的任務(wù)和問題，令人信服地證明GPT-4遠遠超出了記憶的范圍，并且它對概念、技能和領(lǐng)域有深刻和靈活的理解。我們還旨在探究GPT-4的反應(yīng)和行為，以驗證其一致性、連貫性和正確性，并揭示其局限性和偏見。我們承認，這種方法有些主觀和不正式，可能無法滿足科學(xué)評估的嚴格標準。然而，我們認為這是一個有用的和必要的第一步，以了解GPT-4的顯著能力和挑戰(zhàn)，這樣的第一步為開發(fā)更正式和全面的方法來測試和分析具有更普遍智能的AI系統(tǒng)開辟了新的機會。

GPT-4的主要優(yōu)勢在于它對自然語言的掌握無可比擬。它不僅可以生成流暢和連貫的文本，還可以以各種方式理解和處理文本，如總結(jié)、翻譯或回答一系列極其廣泛的問題。此外，我們所說的翻譯不僅是指不同自然語言之間的翻譯，還包括語氣和風(fēng)格的翻譯，以及跨領(lǐng)域的翻譯，如醫(yī)學(xué)、法律、會計、計算機編程、音樂等等。這些技能清楚地表明，GPT-4能夠理解復(fù)雜的思想。

許多讀者心中可能縈繞的一個問題是，GPT-4是否真正理解了所有這些概念，或者它是否只是在即興發(fā)揮方面比以前的模型好得多，而沒有任何真正深刻的理解。我們希望在閱讀完這篇論文后，這個問題幾乎會被反轉(zhuǎn)，讓人不禁思考：真正深刻的理解和即興臨場發(fā)揮的差別在哪里？一個能通過軟件工程候選人考試的系統(tǒng)難道不是真正的智能嗎？對于【真正深刻的理解】，也許唯一的測試手段，就是看它能否能產(chǎn)生新的知識，比如證明新的數(shù)學(xué)定理，而這一壯舉目前對大語言模型來說仍然遙不可及。

一、多模態(tài)測試

智能的一個關(guān)鍵衡量標準是能夠從不同領(lǐng)域或模態(tài)中綜合信息，并能夠在不同的情境或?qū)W科中應(yīng)用知識和技能。GPT-4不僅在文學(xué)、醫(yī)學(xué)、法律、數(shù)學(xué)、物理科學(xué)和編程等不同領(lǐng)域表現(xiàn)出高水平的熟練程度，而且還能夠流暢地結(jié)合多個領(lǐng)域的技能和概念，展示出對復(fù)雜思想的令人印象深刻的理解。除了自然語言實驗，我們還探索了兩種可能出乎意料的模態(tài)，其中涉及視覺和音頻（再次強調(diào)，我們的實驗是在GPT-4的早期版本上進行的，該版本不是多模態(tài)的）。

我們探討了GPT-4如何生成和識別不同模式的物體，如矢量圖、3D場景和音樂。我們表明，盡管GPT-4只接受過文本訓(xùn)練，但它能理解和處理多模態(tài)信息。

繪制圖像

給模型指令，讓模型使用可伸縮矢量圖形（SVG）生成貓、卡車或字母等對象的圖像如下圖

有人可能會說：這只是復(fù)制了訓(xùn)練數(shù)據(jù)中的代碼，而且它只學(xué)習(xí)了文本概念，不可能理解視覺，怎么可能創(chuàng)建圖像呢？

但模型確實掌握了視覺能力，以下是一些證據(jù)。

畫小人

要求 GPT4 畫出一個小人，測試其視覺能力 指令：使用TikZ代碼，畫出一個由字母組成的人。胳膊和軀干可以是字母Y，臉可以是字母O（添加一些面部特征），腿可以是字母H的腿。

指令：軀干有點太長，手臂太短，看起來像右臂在扛著臉，而不是臉在軀干的正上方。請你糾正這一點好嗎？

指令：請?zhí)砑右r衫和褲子。

生成 3D 模型

要求 GPT4 使用Javascript生成一個3D模型。

一個由漂浮的島嶼、瀑布和橋梁組成的幻想景觀，一條龍在空中飛翔，最大的島嶼上有一座城堡。

與二維實驗類似，我們要求GPT-4以各種方式修改三維模型，如添加、重新定位、重新著色物體和改變龍的軌跡。GPT-4正確地完成了許多任務(wù)。最終結(jié)果如圖所示。

這是一個有多條龍在島嶼上空盤旋的三維動畫：

空間理解

圖像生成模型近幾年的發(fā)展和探索很多，但它們大多缺乏空間理解能力，且不能遵循復(fù)雜指令。使用 GPT4 生成草圖可以極大地改善圖像生成模型的效果。

指令：一張顯示3D城市建造游戲截圖。截圖顯示了一個地形，其中有一條從左到右的河流，河流下方是一片沙漠，有一座金字塔，而河流上方有許多高層建筑的城市。屏幕底部有4個按鈕，分別是綠色、藍色、棕色和紅色。

圖1:直接 GPT4生成草圖 圖2:stable diffusion 直接生成 圖3:stable diffusion 根據(jù) GPT4 的草圖生成

音樂能力

GPT-4 能夠以ABC記譜法生成旋律，并在某種程度上解釋和操作它們的結(jié)構(gòu)。但是，我們無法讓模型生成不常見的和聲。

需要注意的是，ABC記譜法并不是一種非常廣泛使用的格式，實際上，模型無法以ABC記譜法生成最著名的旋律，也無法識別這些著名旋律的譜子。（例如“歡樂頌”、“致愛麗絲”或“綠袖子”等音樂，盡管在網(wǎng)絡(luò)上有很多這些音樂的ABC譜）

二、Code 測試

1.LeetCode 考題測試

為了防止模型作弊，此測試只用了模型訓(xùn)練完成之后所產(chǎn)生的新考題作為測試集。來自 LeetCode ，共100個問題。

并以人類的回答水平作為對比，人類樣本中去除了全錯的用戶數(shù)據(jù)以保證質(zhì)量。

k=1 是第一次嘗試 k=5 是前五次嘗試

考題分為 容易、中等、困難 三種級別。

考試結(jié)果如下： 人類 38.2分 GPT3.5 k=1 ，19分，k=5，36分，接近人類水平 GPT4 k=1 ，38分，達到人類水平，k=5 53 分，超過人類水平。

并且在中等和困難難度下，k=1就超過了人類。

2.解決真實問題

代碼測試題可以評估算法和數(shù)據(jù)結(jié)構(gòu)的技能。然而，它們經(jīng)常無法體現(xiàn)真實世界編碼任務(wù)的全部復(fù)雜性和多樣性，這需要專業(yè)領(lǐng)域知識、創(chuàng)造力以及整合多個組件和庫的能力，以及更改現(xiàn)有代碼的能力。為了評估GPT-4在更現(xiàn)實的環(huán)境中編碼的能力，我們設(shè)計了端到端的真實世界編碼挑戰(zhàn)，涉及數(shù)據(jù)可視化、LATEX編碼、前端開發(fā)和深度學(xué)習(xí)等領(lǐng)域，每個領(lǐng)域都需要不同的專業(yè)技能。對于每個任務(wù)，我們提供高級指令，要求GPT-4使用適當(dāng)?shù)恼Z言和框架編寫代碼。在一些情況下，我們還會在代碼編寫后更改規(guī)格，并要求更新代碼。

LATEX 測試 用LATEX寫作對計算機科學(xué)家和數(shù)學(xué)家來說是一項重要的練習(xí)，即使是專家也會犯令人惱火的錯誤，由于其嚴格的語法和缺乏良好的調(diào)試器，每天需要幾個小時才能修復(fù)。我們要求GPT-4將用半嚴格的（buggy）LATEX代碼混合自然語言編寫的片段傳輸?shù)綔蚀_的LATEX命令中，這些命令可以一次性正確編譯。ChatGPT3.5則只能生成一個因使用“#”和“\color”等錯誤而無法編譯的片段。

代碼理解能力測試 能執(zhí)行代碼自然就說明理解了代碼。

需要注意的是，GPT-4不是在Python解釋器上運行代碼，而是用自然語言模擬代碼。這需要對代碼的高度理解和推理，以及清晰傳達結(jié)果的能力。

三、數(shù)學(xué)

我們在兩個通常用作基準的數(shù)學(xué)數(shù)據(jù)集上比較GPT-4、ChatGPT和Minerva（解決數(shù)學(xué)問題的最新LLM）的性能：GSM8K 和MATH 。GSM8K是一個小學(xué)數(shù)學(xué)數(shù)據(jù)集，包含8000個關(guān)于算術(shù)、分數(shù)、幾何和單詞問題等主題的問題和答案。MATH是一個高中數(shù)學(xué)數(shù)據(jù)集，包含12,500個關(guān)于代數(shù)、微積分、三角學(xué)和概率等主題的問題和答案。我們還在MMMLU-STEM數(shù)據(jù)集上測試模型，該數(shù)據(jù)集包含大約2000個多個選擇（4個選擇）問題，涵蓋高中和大學(xué)STEM主題。這些數(shù)據(jù)集突出了GPT-4使用正確方法解決高中數(shù)學(xué)問題的能力。

結(jié)果：

GPT4 在每個數(shù)據(jù)集上的測試都超過了 Minerva，并且在兩個測試集的準率都超過 80% 。

再細看 GPT4 犯錯的原因，68% 的錯誤都是計算錯誤，而不是解法錯誤。（ChatGPT3.5則容易犯解法錯誤）。

四、與世界交互

1.網(wǎng)絡(luò)交互

管理用戶的日歷和電子郵件 在下圖，我們說明了GPT-4如何能夠使用多個工具組合來管理用戶的日歷和電子郵件。用戶要求GPT-4與另外兩個人協(xié)調(diào)晚餐，并在用戶有空的晚上預(yù)訂。GPT-4使用可用的API來檢索用戶日歷的信息，通過電子郵件與其他人協(xié)調(diào)，預(yù)訂晚餐，并向用戶發(fā)送詳細信息。在這個例子中，GPT-4展示了它將多個工具和API組合起來的能力，以及對自由輸出進行推理以解決復(fù)雜任務(wù)的能力（例如，“星期二或星期三晚上”與“周一到周四的任何一天”相結(jié)合，以及用戶在星期二忙碌，導(dǎo)致只有周三是可行的選擇）。 ChatGPT3.5（未顯示在圖中）無法完成相同的任務(wù)，而是編寫了一個函數(shù)，其中 “joe@microsoft.com” 通過電子郵件向 “l(fā)uke@microsoft.com” 發(fā)送一個日期，并檢查響應(yīng)是否包含“yes”令牌。ChatGPT3.5也無法在給出其函數(shù)輸出時做出響應(yīng)。

瀏覽網(wǎng)頁 GPT-4使用搜索引擎和SUMMARIZE函數(shù)（它下載網(wǎng)頁并根據(jù)提出的問題調(diào)用自身來進行總結(jié)）來瀏覽網(wǎng)絡(luò)并回答問題。GPT-4能夠識別相關(guān)的搜索結(jié)果并深入研究它們，總結(jié)它們，并提供準確的答案，即使問題包含錯誤的前提也是如此。雖然之前的LLM也有瀏覽網(wǎng)絡(luò)能力，但GPT-4在這方面表現(xiàn)的更加出色，能夠更準確地回答問題。

2.實體交互

雖然網(wǎng)絡(luò)工具的使用是交互性的一個重要方面，但現(xiàn)實世界中的大多數(shù)交互并不是通過API進行的。例如，人類能夠使用自然語言與其他代理進行通信，探索和操縱他們的環(huán)境，并從他們的行動結(jié)果中學(xué)習(xí)。這種具有實體的交互需要代理人理解每次交互的上下文、目標、行動和結(jié)果，并相應(yīng)地進行適應(yīng)。雖然GPT-4顯然不是具有實體的，但我們探討它是否能夠通過使用自然語言作為文本接口來參與實體交互，包括模擬或真實世界的各種環(huán)境。

文字解密游戲 GPT-4瀏覽地圖后對其“看到”的內(nèi)容進行總結(jié)。在GPT-4的總結(jié)中，每個房間的門數(shù)與GPT-4在每個房間嘗試的方向數(shù)完全相同。此外，GPT-4也會根據(jù)它們的名稱和連接方式“想象”房間的外觀。

左圖：GPT-4的真實地圖和探索路徑。右圖：GPT-4生成的地圖。我們看到，GPT-4準確地跟蹤了所有房間的位置并正確地可視化了它們

結(jié)論： 雖然GPT-4顯然不是具有實體的，但上述示例說明了語言是一個強大的接口，使GPT-4能夠執(zhí)行需要理解環(huán)境、任務(wù)、行動和反饋，并相應(yīng)地進行適應(yīng)的任務(wù)。雖然它不能實際看到或執(zhí)行動作，但可以通過替代者（例如人類）來執(zhí)行這些任務(wù)。

五、與人類交互

心智理論對于與其他智能體的有效溝通和合作至關(guān)重要，因為它允許人們推斷他們的目標、偏好、動機和期望，并相應(yīng)地調(diào)整自己的行動和話語。此外，心智理論對于向他人學(xué)習(xí)也很重要，因為它使人能夠解釋他們的反饋、建議和示范。

在現(xiàn)實場景中進行心智理論測試

對話 馬克：我不喜歡你昨天晚上對待杰克的方式 朱迪：你看到他在做什么了嗎？他打了他哥哥的頭! 馬克：這并不能成為你對他大喊大叫的理由 朱迪：你想讓我怎么做？讓他打他的弟弟，然后什么都不說？ 馬克：不，我不同意 朱迪：那你為什么要為他辯護？

提問：馬克的意圖似乎是什么？ GPT4: 馬克的意圖似乎是要表達他對朱迪處理與杰克關(guān)系的方式的不滿，并建議她可以更加冷靜和尊重。 ChatGPT：根據(jù)談話內(nèi)容，馬克的意圖似乎是為杰克的行為辯護，并表達他對朱迪對待杰克的不滿。

提問：朱迪如何看待湯姆的回應(yīng)？ GPT4: 朱迪認為他的評論是對她的分析能力的攻擊，也是對杰克的不當(dāng)行為表示同情的表現(xiàn)。她的反應(yīng)是防御性的和憤怒的，并質(zhì)疑馬克的動機。 ChatGPT：如果沒有更多的文字，我不可能準確判斷朱迪是如何接受馬克的評論的。然而，根據(jù)朱迪的回應(yīng)，她似乎并不同意馬克的觀點，而且可能對他為杰克的行為辯護感到沮喪。

提問：他們的談話為什么沒有實際進展？ GPT4: 他們沒有取得進展，因為他們在談?wù)搶Ψ?，沒有傾聽對方的觀點。他們還在使用指責(zé)性和煽動性的語言，如 “辯解”、”吼叫”、”辯護 “和 “打人”。他們沒有承認自己話語背后的情緒或需求，也沒有試圖找到一個共同點或解決方案。 ChatGPT：從所提供的信息中并不清楚為什么馬克和朱迪在他們的對話中沒有取得進展。有可能是他們的觀點有沖突，或者在所討論的問題上無法找到共同點。如果沒有更多的背景，就很難確定他們沒有取得進展的具體原因。

提問：他們中的任何一個人如何能改善情況以達成一致意見？ GPT4:他們中的任何一個人都可以通過幾種方式來改善局面，以達成協(xié)議，比如說：

• 馬克可以先承認朱迪對弟弟安全的擔(dān)憂以及她對杰克行為的挫敗感，然后解釋他不是在為杰克辯護，而是擔(dān)心喊叫對他們的關(guān)系和自尊的影響。他還可以問朱迪，她認為什么是管教杰克的更好方法，并提供他的支持和建議。
• 朱迪可以降低她的聲音，調(diào)低她的怒氣，并傾聽馬克的觀點，不打斷或評判。她也可以承認，她可能反應(yīng)過度，她感到壓力和不知所措。她還可以問馬克，他認為與杰克溝通的更好方式是什么，并表示她愿意作為一個團隊一起工作。

ChatGPT：馬克和朱迪有幾種方法可以嘗試改善情況并達成協(xié)議：

1. 他們可以嘗試理解對方的觀點，積極聽取對方的觀點。這可能有助于他們發(fā)現(xiàn)任何誤解并找到共同點。
2. 他們可以嘗試妥協(xié)，找到一個能滿足他們雙方需求或關(guān)注的解決方案。
3. 他們可以嘗試使用尊重和非正面的語言來交流他們的想法和感受。
4. 他們可以尋求中立第三方的幫助，如調(diào)解員，以促進交流并幫助他們達成協(xié)議。
5. 如果對話變得過于激烈或困難，他們可以先休息一下，等以后雙方都比較冷靜，能夠更有效地進行溝通時再回來討論。

結(jié)果表明：GPT-4在需要推理他人心理狀態(tài)的現(xiàn)實場景中優(yōu)于ChatGPT，并且在社會環(huán)境中會為共同目標提出合作行動。GPT-4具有非常高級的心智理論水平。雖然ChatGPT在基本測試中也表現(xiàn)良好，但似乎GPT-4更加心思細膩，能夠更好地推理多個行動者，以及各種行動如何影響他們的心理狀態(tài)，特別是在更現(xiàn)實的場景中。

六、自回歸模型的局限性

由于GPT-4是自回歸的，每輸出的下一個單詞都是基于前面內(nèi)容所進行預(yù)測，因此輸出具有前向性。該架構(gòu)不允許有 “內(nèi)部對話 “或 “草稿存儲”來進行多步驟計算或存儲中間結(jié)果。雖然在某些情況下，這種限制可以通過使用不同的提示來補救，但在其他情況下，這種限制是無法緩解的。

問：150和250之間有多少個質(zhì)數(shù)？ 答：150和250之間有13個質(zhì)數(shù)。（錯誤）

但是，如果我們要求模型列出這個范圍內(nèi)的質(zhì)數(shù)，然后寫出計數(shù)，它確實給出了正確的答案：

問：首先列出150和250之間的素數(shù)，然后輸出這個列表的大小。 答：這些質(zhì)數(shù)是151，157，163，167，173，179，181，191，193，197，199，211，223，227，229，233，239，和241。所以這個列表的大小是18。（正確）

在算術(shù)/推理問題上缺乏計劃性 有人可能會說，在上面的各種例子中，需要的 “內(nèi)部記憶 “量是相當(dāng)大的（人類可能也得借助草稿紙）。由于這個模型在一系列不同的任務(wù)上表現(xiàn)得非常好，這可能會讓人相信它有合理數(shù)量的工作記憶。然而，即使對于更簡單的任務(wù)，該模型也經(jīng)常失敗。我們考慮下面這個非常基本的例子：

2 * 8 + 7 * 6 = 58 7 * 4 + 8 * 8 =？ GPT4: 88 正確答案：92

這表明GPT-4對這類問題的工作記憶短得驚人。然而，如果GPT-4 “慢慢地 “回答問題，那么準確率就很容易上升。例如，如果我們要求模型使用以下提示寫下中間步驟

以下表達式的值是多少？116 * 114 + 178 * 157 = ? 讓我們一步一步地思考解決這個表達式，寫下所有的中間步驟，然后才得出最終的解決方案。

當(dāng)數(shù)字在區(qū)間1-40時，準確率達到100%，在區(qū)間1-200時準確率達到90%。

在文本生成時缺乏計劃性

寫一首短詩，要求最后一句和第一句話的單詞相同，但順序顛倒。 例如，如果第一句話是“我在晨光下看到了她的微笑”，那么最后一句話必須是“笑微的她了到看下光晨在我”。 然而，這個最后一句話在語法上不正確，所以請確保這首詩歌在語法和內(nèi)容上都有意義。 GPT4: 可能的詩： I heard his voice across the crowd（我在人群中聽到他的聲音） 一首吸引我的旋律 他唱著愛、希望和夢想 讓我覺得我可以在夢想、希望和愛中獲勝 他用旋律吸引我， Crowd the across voice his heard I.（此句只做了詞序顛倒，但語法錯誤）

這說明 GPT4 在生成文本時，未能提前考慮到最后一句。

這些例子說明了【預(yù)測下一個單詞】這一范式的一些局限性，這些局限性表現(xiàn)為模型缺乏規(guī)劃、工作記憶、回溯能力和推理能力。該模型依賴于生成下一個單詞的貪心算法，對任務(wù)或輸出沒有任何全局或深刻的理解。因此，該模型擅長制作流暢和連貫的文本，但在解決無法按順序處理的復(fù)雜或創(chuàng)造性問題方面存在局限性。這表明了兩種類型的智力任務(wù)之間的區(qū)別：

• **增量任務(wù)。**這些任務(wù)可以通過一次添加一個單詞或句子來逐步或持續(xù)地解決，從而在解決方案的方向上取得進展。增量任務(wù)的例子包括編寫文本摘要，回答事實問題，根據(jù)給定的韻律方案創(chuàng)作一首詩，或解決遵循標準程序的數(shù)學(xué)問題。
• **不連續(xù)的任務(wù)。**在這些任務(wù)中，內(nèi)容生成不能以漸進或持續(xù)的方式完成，而是需要某種“Eureka”的想法，不連續(xù)任務(wù)的例子包括解決需要新穎或創(chuàng)造性地應(yīng)用公式的數(shù)學(xué)問題，寫一個笑話或謎語，提出科學(xué)假設(shè)或哲學(xué)論點，或創(chuàng)造一種新的類型或?qū)懽黠L(fēng)格。

七、方向與結(jié)論

通過以上對GPT-4在廣泛的任務(wù)和領(lǐng)域的初步探索，為我們的結(jié)論【GPT-4在諸多任務(wù)和領(lǐng)域的能力水平與人類水平相當(dāng)】提供了支持性證據(jù)。這一結(jié)論與OpenAI的發(fā)現(xiàn)一致。該模型的能力，在深度和通用性方面都得到了證明，這也表明單靠結(jié)構(gòu)化的數(shù)據(jù)集和任務(wù)來做模型能力的基準測試是不夠的，本文對模型能力和認知能力的評估在本質(zhì)上已經(jīng)更接近于評估人類的任務(wù)，而不是狹義的AI模型。

我們工作的核心主張是，GPT-4達到了一種通用智能的形式，確實顯示了人工通用智能的火花。這表現(xiàn)在它的核心心智能力（如推理、創(chuàng)造力和推理），它習(xí)得的專業(yè)知識的領(lǐng)域（如文學(xué)、醫(yī)學(xué)和編碼），以及它能夠執(zhí)行的各種任務(wù)（如玩游戲、使用工具、解釋自己）。

要創(chuàng)建一個可以被稱為完整的AGI的系統(tǒng)，還有很多事情要做。在本文的最后，我們討論了接下來的幾個步驟，包括定義AGI本身，為AGI建立LLM中的一些缺失組件，以及更好地理解最近的LLM所展示的智能的起源。

定義AGI

在本文中，我們使用了一組心理學(xué)家在1994年對智能的定義作為指導(dǎo)框架來探索GPT-4的人工智能。這個定義抓住了智能的一些重要方面，如推理、解決問題和抽象，但它也是模糊和不完整的。它沒有說明如何衡量或比較這些能力。此外，它可能沒有反映出人工系統(tǒng)的具體挑戰(zhàn)和機會，人工系統(tǒng)可能有與自然系統(tǒng)不同的目標和約束。因此，我們承認這個定義不是關(guān)于智能的最終說法，而是我們調(diào)查的一個有用的起點。

有大量正在進行的文獻試圖提出關(guān)于智能、人工智能和人工通用智能的更加正式和全面的定義，但其中沒有一個是沒有問題或爭議的。例如，Legg和Hutter提出了一個面向目標的人工通用智能定義：智能衡量一個代理人在廣泛的環(huán)境中實現(xiàn)目標的能力。然而，這個定義并不一定能捕捉到智能的全部范圍，因為它排除了那些可以執(zhí)行復(fù)雜任務(wù)或回答問題而沒有任何內(nèi)在動機或目標的被動或反應(yīng)系統(tǒng)。

Chollet提出的定義強調(diào)了承認先驗（相對于普遍性）的重要性，該定義將智能的中心放在技能獲取效率上，或者換句話說，將重點放在1994年定義的一個組成部分上：從經(jīng)驗中學(xué)習(xí)（這也正好是LLM的關(guān)鍵弱點之一）。

Legg和Hutter對人工通用智能的另一個候選定義是：一個能做人類能做的任何事情的系統(tǒng)。然而，這個定義也是有問題的，因為它假設(shè)有一個單一的標準或衡量人類智能或能力的標準，而事實顯然不是這樣。人類有不同的技能、天賦、偏好和限制，沒有一個人可以做任何其他人類可以做的所有事情。此外，這個定義還意味著某種人類中心主義的偏見，這對人工系統(tǒng)來說可能并不合適或不相關(guān)。

雖然我們在本文中沒有采用這些定義中的任何一個，但我們認識到它們提供了關(guān)于智能的重要角度。

通往 AGI 之路 GPT4 或其他 LLMs 需要繼續(xù)改進的方向包括：

• 信心校準：模型很難知道什么時候它應(yīng)該有信心，什么時候它只是在猜測。模型會編造事實，我們稱之為幻覺。如果是編造訓(xùn)練集里沒有的內(nèi)容屬于開放域幻覺，如果是編造和prompt不一致的內(nèi)容屬于封閉域幻覺?；糜X可以用一種自信的、有說服力的方式陳述，所以很難被發(fā)現(xiàn)。有幾種互補的方法來嘗試解決幻覺問題。一種方法是改善模型的校準（通過提示或微調(diào)），使其在不可能正確的情況下放棄回答，或者提供一些其他可以用于下游的信心指標。另一種適合于緩解開放域幻覺的方法是將模型缺乏的信息插入到提示中，例如通過允許模型調(diào)用外部信息源，如搜索引擎（或其他 plugins）。對于封閉領(lǐng)域的幻覺，通過讓模型對前文進行一致性檢查會有一定程度的改善。最后，構(gòu)建應(yīng)用程序的用戶體驗時充分考慮到幻覺的可能性也是一種有效的緩解策略。
• 長期記憶：目前只有8000token（最新版可擴展到32k）。它以“無狀態(tài)”的方式運行，且我們沒有明顯的辦法來向模型教授新的事實。
• 持續(xù)性學(xué)習(xí)：模型缺乏自我更新或適應(yīng)變化環(huán)境的能力。一旦訓(xùn)練好，就是固定的。可以進行微調(diào)，但是會導(dǎo)致性能下降或過度擬合。所以涉及到訓(xùn)練結(jié)束后出現(xiàn)的事件、信息和知識，系統(tǒng)往往會過時。
• 個性化：例如，在教育環(huán)境中，人們期望系統(tǒng)能夠理解特定的學(xué)習(xí)風(fēng)格，并隨著時間的推移適應(yīng)學(xué)生的理解力和能力的進步。該模型沒有任何辦法將這種個性化的信息納入其反應(yīng)中，只能通過使用 meta prompts，這既有限又低效。
• 提前規(guī)劃和概念性跳躍：執(zhí)行需要提前規(guī)劃的任務(wù)或需要Eureka idea的任務(wù)時遇到了困難。換句話說，該模型在那些需要概念性跳躍的任務(wù)上表現(xiàn)不佳，而這種概念性跳躍往往是人類天才的典型。
• 透明度、可解釋性和一致性：模型不僅會產(chǎn)生幻覺、編造事實和產(chǎn)生不一致的內(nèi)容，而且似乎沒有辦法驗證它產(chǎn)生的內(nèi)容是否與訓(xùn)練數(shù)據(jù)一致，或者是否是自洽的。
• 認知謬誤和非理性：該模型似乎表現(xiàn)出人類知識和推理的一些局限性，如認知偏差和非理性（如確認、錨定和基數(shù)忽略的偏差）和統(tǒng)計謬誤。該模型可能繼承了其訓(xùn)練數(shù)據(jù)中存在的一些偏見、成見或錯誤。
• 對輸入的敏感性：該模型的反應(yīng)對Prompts的框架或措辭的細節(jié)以及它們的順序可能非常敏感。這種非穩(wěn)健性表明，在Prompt 工程及其順序方面往往需要大量的努力和實驗，而在人們沒有投入這種時間和努力的情況下使用，會導(dǎo)致次優(yōu)和不一致的推論和結(jié)果。

一些提高模型精準度的擴展手段：

• 模型對組件和工具的外部調(diào)用，如計算器、數(shù)據(jù)庫搜索或代碼執(zhí)行。
• 一個更豐富、更復(fù)雜的 “慢思考 “的深入機制，監(jiān)督下一個詞預(yù)測的 “快思考 “機制。這樣的方法可以讓模型進行長期的計劃、探索或驗證，并保持一個工作記憶或行動計劃。慢思考機制將使用下一個詞預(yù)測模型作為子程序，但它也可以獲得外部的信息或反饋來源，并且它能夠修改或糾正快速思考機制的輸出。
• 將長期記憶作為架構(gòu)的一個固有部分，也許在這個意義上，模型的輸入和輸出除了代表文本的標記外，還包括一個代表上下文的向量。
• 超越單個詞預(yù)測：用分層結(jié)構(gòu)代替標記序列，在嵌入中代表文本的更高層次的部分，如句子、段落或觀點，內(nèi)容是以自上而下的方式產(chǎn)生。目前還不清楚這種更高層次概念的順序和相互依賴性的更豐富的預(yù)測是否會從大規(guī)模計算和“預(yù)測下一個詞”的范式中涌現(xiàn)。

結(jié)語：所以實際發(fā)生了什么？

我們對GPT-4的研究完全是現(xiàn)象學(xué)的：我們專注于GPT-4能做的令人驚訝的事情，但我們并沒有解決為什么以及如何實現(xiàn)如此卓越的智能的基本問題。它是如何推理、計劃和創(chuàng)造的？當(dāng)它的核心只是簡單的算法組件–梯度下降和大規(guī)模變換器與極其大量的數(shù)據(jù)的結(jié)合時，它為什么會表現(xiàn)出如此普遍和靈活的智能？這些問題是LLM的神秘和魅力的一部分，它挑戰(zhàn)了我們對學(xué)習(xí)和認知的理解，激發(fā)了我們的好奇心，并推動了更深入的研究。

關(guān)鍵的方向包括正在進行的對LLMs中的涌現(xiàn)現(xiàn)象的研究（最近的調(diào)查見94[WTB+22]）。然而，盡管對有關(guān)LLMs能力的問題有強烈的興趣，但迄今為止的進展相當(dāng)有限，只有一些玩具模型證明了一些涌現(xiàn)現(xiàn)象[BEG+22, ABC+22, JSL22]。一個普遍的假設(shè)[OCS+20]是，大量的數(shù)據(jù)（尤其是內(nèi)容的多樣性）迫使神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)通用的、有用的 “神經(jīng)回路”，比如在[OEN+22, ZBB+22, LAG+22]中發(fā)現(xiàn)的那些，而模型的大尺寸為神經(jīng)回路提供足夠的冗余和多樣性，使其專門化并微調(diào)到特定任務(wù)。對于大規(guī)模模型來說，證明這些假設(shè)仍然是一個挑戰(zhàn)，而且，可以肯定的是，猜想只是答案的一部分。在另一個思考方向上，模型的巨大規(guī)?？赡苡衅渌恍┖锰?，比如通過連接不同的最小值使梯度下降更加有效[VBB19]，或者僅僅是使高維數(shù)據(jù)的平穩(wěn)擬合[ES16, BS21]。

總的來說，闡明GPT-4等人工智能系統(tǒng)的性質(zhì)和機制是一項艱巨的挑戰(zhàn)，這個挑戰(zhàn)已經(jīng)突然變得重要而緊迫。

全文完，感謝閱讀。如果對你有啟發(fā)，請轉(zhuǎn)發(fā)給有好奇心的朋友吧。

PS：

• 文本很長，但依然只覆蓋了不到原文三分之一的內(nèi)容，所以有興趣的朋友可以繼續(xù)看英文原文，傳送門 https://arxiv.org/pdf/2303.12712v1.pdf
• 文章最后一段保留了相關(guān)文檔編號，關(guān)于涌現(xiàn)的研究非常非常重要，可以去原文找到相關(guān)研究。

本文轉(zhuǎn)發(fā)自：?https://orangeblog.notion.site/GPT-4-8fc50010291d47efb92cbbd668c8c893