从2017到2024，(前) OpenAI研究员的AI观点变迁史：起落起起落落落…

1. 今年我的重心转向了学习物理、阅读历史和写作，很少再专门思考AI话题。

• 🔗Alvaro De Menard 的书，给我留下了深刻印象。

• 2023年末至2024年初，我曾断断续续思考过交互界面和AI产品的可能性。最终意识到我高估了 LLM 的能力。

🔗 Reading Notes: Civilization & Capitalism, 15th-18th Century, Vol. I: The Structures of Everyday Life (十五至十八世纪的物质文明、经济和资本主义) → https://fantasticanachronism.com/2020/01/30/reading-notes-civilization-capitalism

2. 一个重要观察：编程时 GPT-4 不可或缺，但其他场景几乎用不上。

3. 我赞同 🔗Max Shirokawa 的观点：LLM 具有很高的晶体智力，但流体智力很低。

🔗 Max Shirokawa → https://twitter.com/shir0kawa

南乔注 (如无特殊说明，均为编者注释)：

晶体智力：是指个体通过教育和经验积累获得的知识、技能和学习的能力；随着年龄增长而增长，直到成年后期达到顶峰。

流体智力：是指个体在面对新问题时的推理能力、抽象思维能力和逻辑推理能力；在青少年时期达到顶峰，然后随着年龄增长逐渐下降。

• 我把 LLM 形容为「🔗具备语言流畅性的数据库」。

• 🔗The LLMentalist Effect 这篇文章解释了，为什么人类会误将 LLM 的喋喋不休视为智能。

🔗 The Many Ways that Digital Minds Can Know (数字心智的多种认知方式) → https://moultano.wordpress.com/2023/06/28/the-many-ways-that-digital-minds-can-know

🔗 The LLMentalist Effect: how chat-based Large Language Models replicate the mechanisms of a psychic's con (LLM心理术效应：基于对话的大语言模型如何复制通灵骗术的机制) → https://softwarecrisis.dev/letters/llmentalist

4. 🔗DeepMind 认为，可以先解决智能，再用它来解决其他问题 (solving intelligence and then using it to solve everything else)。我认为这误解了智能的本质。

• 智能 (intelligence) 是解决特定问题的能力，必然存在于特定的环境、历史背景和目标中。

• 解决智能 (solving intelligence) 这个目标本身没有意义的。

🔗 How Google Plans to Solve Artificial Intelligence (Google 计划如何解决人工智能问题) → https://www.technologyreview.com/2016/03/31/161234/how-google-plans-to-solve-artificial-intelligence

5. 许多 AGI 研究者声称在「解决推理问题 (solve reasoning)」。坦白说，我至今不明白这是什么。

6. 2024年中，我的 AI FOMO 症状完全消失，即使身在旧金山也无法提起兴趣。

• AI在我眼里，与其他大型技术已经没有区别。

7. 一些让我感觉 LLM 很笨测试用例：

• 9.11 和 9.9 哪个更大？

• Strawberry 单词里有多少个 r？

• 你回答中的倒数第二个词是什么？

对此，常见的分辨是：

• 这是 tokenizer (分词器) 的问题

• 用 chain-of-thought (思维链) 就能解决

• 系统2推理很快就会修复

但我的结论是，神经网络的运作，本质上不是我们认为的思考或推理。

• 将系统区分为1和2似乎毫无意义，不知道为什么这么受追捧。

• 直白地说，神经网络难以实现 AGI，除非发生技术跃迁。

• 基于神经网络预测 AGI 的发展，与基于经典机器学习算法预测 AGI，一样不靠谱。

8. 🔗Tyler Cowen 认为，未来几十年将出现 Strong AI (强人工智能)，但不会看到 AGI (通用人工智能) 。这个观点似乎有道理。

🔗 Richard Hanania on AGI risk → https://marginalrevolution.com/marginalrevolution/2023/02/richard-hanania-on-agi-risk.html

9. AI可能会减缓科学发展。

• 例如，在经济学方向，数据和算力的突破将研究简化为数学与回归分析，并产生了大量低质量研究和文献。技术进步反而扼杀了更深入、更有想象力的经济学研究。

• 此外，许多顶尖基础科学研究人才，陆续转向了人工智能。

• 我对AI的总体看法是：如果还需要依赖统计，证据就依旧不够有力。

1. 1月，我彻底转变思路，投身 Alignment 研究，认定 OpenAI 是我的最终归宿。

• 我坚信必须加入 OpenAI 并致力于 Alignment 研究，以防止 AGI (通用人工智能) 和 ASI (超级人工智能) 毁灭世界。

• 我在一份 🔗文档中写道：everything that could happen will happen in 10 years。

🔗 why alexey decided against working on ai products (为什么alexey决定不从事AI产品开发) → https://docs.google.com/document/d/1I0nexvjnLVzkzMDFSFXR-SvQUUtHBtdz1dDqGft5SpI/edit?usp=sharing

2. 2月，我在推特上发表观点：

• 不开玩笑地讲，shoggoth meme 可能是去年最大的「Alignment (对齐) 」成果。

• 它让我们终于开始正视 LLM 的真实面目，不再将其视为屏幕上的虚拟形象。

Shoggoth 是 H.P. Lovecraft 克苏鲁神话中的一个虚构生物。它们是一群无定形、黏糊糊的生物，具有强大的力量和不可预测的行为。

meme 是指文化信息传播的单位；在互联网文化中，指那些迅速在网络社区中传播的图像、视频、文字或者流行语。它们往往带有幽默或讽刺的元素，能够引起共鸣并被广泛分享。

上面就是流传甚广的几张 Shoggoth meme 神图。

• 半年后，我更真切地认识到，LLM 本质上是被数据训练出来的「人格模仿者」。

• LLM 内部那些看似可怕的「shoggoth 特征」，实际上只是人类的投影。

作者注：

写文章的此刻，我更加觉得悲观。

人类的语言，更多被用作一种交流的媒介，没有很好地记录人类自身的偏好。

被这种数据训练出来的 LLM，或许并不能真正理解人类。

3. 3月，Tyler Cowen 关于「AI风险」的 🔗长文，给我留下了深刻的印象。

• 尽管我当时已经加入 OpenAI 并全身心投入到了 Alignment 研究当中，无法改变既定方向。

• 但必须要说，这篇文章仍然是我读过的、最精彩的、关于AI风险的概述。

🔗 Existential risk, AI, and the inevitable turn in human history (潜在风险、AI和人类历史不可避免的转折) → https://marginalrevolution.com/marginalrevolution/2023/03/existential-risk-and-the-turn-in-human-history.html

4. 🔗Joel Einbinder 指出，我正在深入研究的 Alignment 毫无意义且定义模糊。

🔗 Joel Einbinder → https://joel.tools

5. 5-6月，我开始质疑 ChatGPT：反复尝试让它遵循简单的指令 (如「失败后继续尝试」)，却始终无法成功。

• 2023年的夏天，我开始意识到：LLM 根本不理解人类的指令，只是一个喋喋不休的中文房间 (Chinese Room)。

• 至今，我仍然不解，为什么人们会将这种喋喋不休视为「意识」。

中文房间 (Chinese Room) 是美国哲学家约翰·塞尔（John Searle）在1980年提出的一个思想实验。

塞尔想象一个只会说英语的人被关在一个房间里，房间里有一些规则书（可以看作是计算机程序），以及一些中文字符。

当房间外的人通过一个滑槽递进用中文写的问题时，房间里的人可以使用这些规则书来找到合适的中文字符作为回答，然后递出去。

对于房间外的人来说，他们收到的回答似乎是理解了中文的，但实际上房间里的人并不理解中文，他们只是在机械地应用规则。

6. 8月，我不再相信短期内技术会飞速进步，甚至开始认为，所谓的 AGI/ASI 不过是一场成功的洗脑。

• 这与早期多神教向一神教转变的过程相似，Yudkowsky 则像是典型的末日教派创始人。但 2000 多年的历史告诉我们，所有的末日预言都是错的。

• 1996年，🔗Yudkowsky 曾提出：想让某个信息 (如「奇点」) 在群体中传播，就要面向 KOL 进行特定包装。

• 我认为，时至今日，大多数人之所以继续相信 AGI/ASI，就是因为被「洗脑」了。他们的大脑被注入了一个挥之不去的问题：如果自己有生之年真能看到 AGI / ASI 呢？

• 从这个角度看，Yudkowsky 确实相当成功！

🔗 Yudkowsky in 1996 → https://extropians.weidai.com/extropians.96/3497.html

• Arjun Ramani 和 Zhengdong Wang 合作的 🔗这篇文章，非常精彩。

• 回想23年1月跟他聊天时，他的观点与文章有很多重合之处。

• 但当时的我却决定再也不跟他说话了。(hi Zhengdong!)

🔗 Why transformative AI is really, really hard to achieve (为什么变革性AI真的、真的很难实现) → https://zhengdongwang.com/2023/06/27/why-transformative-ai-is-really-really-hard-to-achieve.html

7. 9月，我对 Alignment 和 Safety 工作完全失去兴趣。开始 🔗写文章，并在10月份发了出去。

🔗 Is AI alignment on track? Is it progressing… too fast? (AI对齐是否在正轨上?它的进展是否…太快了?) → https://guzey.com/ai/alignment-on-track

然后，作者10月份就从 OpenAI 离职了。

1. 这一年，我开始反思，自己对机器学习 (Machine Learning) 其实知之甚少。

或许，自己19年之前的观点过于武断。

或许，是时候重新审视AI了。

2. 8月，一场未来主义的会议改变了我的认知。

• 一位AI研究员指出，现有的 Alignment 研究普遍质量堪忧。这让我开始担忧：如果 AI Alignment 失败，人类将面临灾难性的后果。

• 当与会者说出「AGI 将在 3-5 年内实现」的预测时，我不再觉得这是天方夜谭。从那时起，我开始与AI领域的研究者密切交流。

3. 同月，OpenAI DALL-E 让我震撼。

• 我意识到，人类艺术家和人类设计师的时代，已经被AI终结了；其他行业迟早也会面临同样的命运。

• 这成为我投身AI研究的转折点。

4. 9-10月，我进行了一些AI实验性研究。结果证明，我高估了神经网络的元学习能力和泛化能力。

• 我假设神经网络可以泛化出「优秀国际象棋手」的概念，即如果一个网络能达到 ELO (国际象棋评分系统) 1000-1200分的水平，那它应该能自然地扮演 1300 分的棋手。

• Jacob Buckman 持相反观点。我们开展实验验证，几周后我退出，由 Jacob 完成并 🔗发表。

• 结果证明我错了。神经网络根本没有学会「如何扮演特定 ELO 水平的棋手」这一能力。

🔗 Suboptimal Data Can Bottleneck Scaling (次优数据可能成为规模化的瓶颈) → https://jacobbuckman.com/static/pdf/data_quality_bottleneck.pdf

作者注：

现在回想起来，当时应该更严肃认真地对待这个实验结果。因为它刚好印证了我2020年之前关于「神经网络对事物理解程度很低」的判断。

但我却忽略了这个研究结果。

Jacob 一直提醒我「对神经网络的信心过高」。

想达到 ASI (超级人工智能)，人类对神经网络和强化学习的理解，还需要有根本性的理论突破。

5. 10月，与 Nate Sesti 合作搭建了一个基于 GPT-3 的写作界面，并开始写东西。

现在回想起来，GPT-3 最大的贡献是我文章里荒诞有趣的部分，在严肃内容上的表现则不太理想。

6. 11月，首次体验到 GPT-4 早期版本。

• 那一刻，我激动到流泪。

• 同时有一种强烈的预感，自己也即将被它取代。

• 我那时几乎确信 GPT-5 = AGI。

7. 我的观点发生了180度转弯，开始对任何「AGI 还很遥远」之类的论调嗤之以鼻。

• 🔗Leopold Aschenbrenner 说：AGI 可能是不连贯的，即便这个可能性只有 20%，也足以颠覆我们当的所有认知。

• 当时的我认为这个观点荒谬至极。

🔗 Leopold Aschenbrenner → https://www.forourposterity.com

8. 🔗Robert Miles 的视频让我确认：AI具有潜在的危险，Alignment 研究势在必行。

🔗 We Were Right! Real Inner Misalignment (我们是对的！真实的内部错位) → https://www.youtube.com/watch?v=zkbPdEHEyEI

9. 年度最触动我的机器学习论文是 🔗Transformers are Sample-Efficient World Models。作者是 Vincent Micheli、Eloi Alonso 和 François Fleuret。

🔗 Transformers are Sample-Efficient World Models (Transformer 是样本高效的世界模型) → https://arxiv.org/abs/2209.00588

10. 12月，我记录下 🔗自己的预测：到2031年，世界将彻底改变。

🔗 qualitative and quantitative predictions for AI progress (AI进展的定性与定量预测) → https://docs.google.com/document/d/1b359MmwnBwZr9PuO2c-4ggudf9iTVTVUPKIZrG7G3bo/edit?usp=sharing

作者注：

这份预测现在回看，显得非常激进。

2022年底，我预言，GPT-4 发布后我每天至少使用 30 分钟，而且会用一堆AI应用来辅助写作。

而现在，2024年中，GPT-4 已经发布了一年半，我每天使用它的时间是 0 分钟；而且，每次看到现有产品集成了 AI 功能 (如Google Docs)，我都会无比烦躁。

11. 12月，理性告诉我应该投身 Alignment 研究，但内心始终难以完全接受这个选择。

1. 朋友来家小住。

他不断地追问我，为什么仍然执着于基础科学研究，而不是转向 AI 或者 Alignment 研究。

我不以为然。

但不可否认，这番对话让我开始动摇：实现 AGI真的需要几十年这么久吗？我一直坚信的观点会不会是错的？

2. 我请教 Boyden，他的神经学研究当下是否还有意义，以及神经网络是否正在朝着 AGI 发展。

他颇为恼火。

彼时的我认为，他不过是无法割舍研究了几十年的项目，或者是行业前辈奇怪的自尊心在作祟。

1. 这一年我基本上不再参与AI相关的讨论。

2. 🔗Yannic Kilcher 对 GPT-3 论文的批评，强化了我的观点看法：神经网络并非真正的智能。

• Kilcher 指出，LLM 本质上是把训练数据存储在权重 (weight) 里，然后再流畅地重新组合&插值输出。[23'10'']

• 他通过多个例子来说明，GPT-3 表面上看似乎在「思考」，但实际上只是在重复输出。而 GPT-3 论文的作者似乎忽视了这一点。

🔗 GPT-3: Language Models are Few-Shot Learners [Paper Explained] (GPT-3：语言模型是少样本学习器 [论文解读])→ https://www.youtube.com/watch?v=SY5PvZrJhLE

作者注：

2022年，我几乎已经确信 AGI 即将来临。

那时一直想再刷一遍这个视频，想用最新的观点重新审视视频里提到的内容。却一直没有行动。

为什么呢？因为内心焦虑。担心自己可能判断错误，过去错了或者当下错了。

直到2023年底，我对 AGI 已经无所谓了，才又重新打开了这个视频。

冥冥之中，自有深意。

1.初始深度学习 (Deep Learning) 。

• 上了一门大学里的深度学习课程，乏味且没用。

• 有次复现顶会论文时，发现作者代码与论文描述大相径庭 (哇哦◑﹏◐

• 这次经历加深了我对机器学习 (Machine Learning) 前景的悲观预期。

2. 1月，DeepMind AlphaStar 击败「星际争霸2 (StarCraft 2) 」职业玩家 MaNa；4月，OpenAI Five 击败 DOTA 冠军团队 OG。

AGI 似乎距离人类更近了一点？！

3. 然而看完 🔗Alex007 的深度分析后，我对神经网络 (Neural Network) 感到无比失望。

• 看起来，AlphaStar 有着超强的灵敏度和反应速度，因此靠微操和战术优势拿到了胜利。对于游戏战略，它几乎没有任何深层次的理解。

• 再调研，发现 OpenAI 击败 DOTA 的方式也很类似：都是依靠技巧和超绝微操，没有任何战略深度可谈。

• 🔗 Sherjil Ozair：即便将英雄数量限制在 17 位，即便有 (相当于) 45,000 年的训练数据，model-free RL (无模型强化学习) 也只学会了单一的机械式打法。

• 这验证了我的观点，即 model-free RL (无模型强化学习) 难以应对复杂问题。

🔗 Unveiling AlphaStar: What Did DeepMind's Developers Hide? (揭秘AlphaStar：DeepMind的开发者隐瞒了什么?) → https://www.youtube.com/watch?v=FFJRd9l6kW4

🔗 Sherjil Ozair → https://x.com/sherjilozair/status/1119724456216276992

4. James Ough 认为神经网络不可能通向 AGI。这也一定程度上坚定了我的判断。

1. 1月份，申请了慕尼黑大学和苏黎世联邦理工的神经科学硕士 (Neuroscience Master)。

我在申请信中写到：希望理解人类的学习和决策过程，以及智能 (intelligence) 的产生机制。

2. Marginal Revolution 网站上的 🔗一篇文章，让我更加确认自己长久以来的直觉：实现 AGI 比人们想象的要困难得多。

🔗 Will truckers be automated? (卡车司机会被自动化取代吗?) → https://marginalrevolution.com/marginalrevolution/2018/02/will-truckers-automated-comments.html

我还想起了 🔗另一篇文章：现实世界非常复杂，即便是最简单的任务也包含着海量的细节。

🔗 Reality has a surprising amount of detail (现实世界有着惊人的细节) → http://johnsalvatier.org/blog/2017/reality-has-a-surprising-amount-of-detail

1. 这一年，我开始认真思考人工智能 (AI) 这个话题。命运的齿轮，此刻开始转动。

• 我开始相信，VR (虚拟现实) 和AI是未来十年最重要的两项技术。

• 于是陷入思考：如果我能搞定「星际争霸2 (StarCraft 2)」问题，是不是就能构建 AGI (通用人工智能)。

2. 那时我还是 HSE University 的学生，选修了计算机系一门 Machine Learning (机器学习) 课程，很快又退课了。

因为课程里面的数学内容，也！太！多！了！

我只关心 intelligence (智能)，对于怎么证明交叉熵 (Cross-Entropy) 不感兴趣。

HSE University

俄罗斯国家研究型高等经济大学，是俄罗斯顶尖的综合性大学之一→ https://www.hse.ru

3. 开始自己捣鼓 OpenAI Gym 和深度强化学习，又发觉这也不像是真正的学习过程。

OpenAI Gym

OpenAI 开源项目，提供了一个工具包用于开发和比较强化学习算法 → https://github.com/openai/gym

4. 看完了 Yaser Abu-Mostafa 在加州理工开设的 🔗CS156 课程，对其中的机器学习讲座印象颇深。

但话说回来，课程里的每个概念和每项技术，都在让我确认：Machine Learning 既不关注 Machine 也不关注 Learning。

🔗 CS156 → https://www.youtube.com/playlist?list=PLH5_eZVldmtVQwk1HVnsnKHCBITntIjo_

5. 我终于确信，当前所有的机器学习方法都不能实现AGI。研究者们应该转向神经学或生物学，以获得新的启发。

-我悲观地认为，人类可能需要几十年的时间才能实现 AGI。

• 于是此后的很长一段时间，我选择在 New Science 进行生物学和基础科学研究。

New Science

独立于传统学术体系的新型研究机构，旨在支持那些在传统学术界难以进行研究的科研人员，并吸引更多人才投身基础科学研究 → https://newscience.org

文章来自于“ShowMeAI研究中心”，作者“南乔”。