在20世纪70年代早期，编程计算机需要在卡片上打孔，然后将它们输入到房间大小的机器中，这些机器通常会在几小时甚至几天后通过行打印机产生结果。
长期以来，计算机一直是这样的。正是在这种背景下，著名的施乐帕洛阿尔托研究中心(Xerox PARC)的一个由29名科学家和研究人员组成的团队创造了我们今天所知道的更亲密的计算形式:一个显示器、一个键盘和一个鼠标。这台被称为Alto的计算机是如此令人迷惑，以至于它需要一个新的术语:交互式计算。
有些人认为奥拓过于奢侈，因为它的部件非常昂贵。但快进50年，数万亿美元的供应链如雨后春笋般涌现，把富含硅的沙子变成了我们口袋里的精密、神奇的电脑。交互式计算现在已经不可避免地融入了我们的生活。
硅谷再次被一种狂热所控制，这种狂热让人想起了早期计算机时代令人兴奋的日子。通用人工智能(AGI)是一个总称，指的是软件系统在没有特定指令的情况下解决任何问题的能力，它已经成为一场触手可及的革命。
生成式人工智能的快速发展令人敬畏，这是有充分理由的。正如摩尔定律(Moore’s Law)描绘了个人电脑的发展轨迹，梅特卡夫定律(Metcalfe’s Law)预测了互联网的发展， 指数原理是生成式人工智能发展的基础。深度学习的比例定律假设人工智能模型的能力与模型本身和用于训练它的数据的规模之间存在直接关联。
在过去的两年里，领先的人工智能模型在两个维度上都经历了惊人的100倍增长，模型规模从1000亿个单词上训练的100亿个参数扩展到超过10万亿个单词上训练的1万亿个参数。
结果是令人回味的和有用的。但是个人电脑的发展提供了一个有益的教训。从Alto到iPhone是一条漫长而曲折的道路。强大的操作系统、充满活力的应用生态系统和互联网本身的发展都是至关重要的里程碑，每一个都依赖于其他子发明和基础设施:编程语言、蜂窝网络、数据中心，以及安全、软件和服务行业的创建等等。
人工智能从这些基础设施中受益良多，但它也是一个重要的转折点。例如，大型语言模型(llm)在语言理解和生成方面表现出色，但在处理复杂、多步骤任务时至关重要的推理能力方面却存在问题。然而，解决这一挑战可能需要创造新的神经网络架构或训练和使用它们的新方法，而学术界和研究产生新见解的速度表明，我们还处于早期阶段。
这些模型的训练和服务，是我们在Together AI所关注的，既是一个计算奇迹，也是一个泥潭。定制的人工智能超级计算机或训练集群主要由英伟达(Nvidia)打造，代表了芯片设计的最前沿。这些系统由数以万计的高性能处理器组成，通过先进的光网络相互连接，就像一台统一的超级计算机。然而，它们的运行成本很高:与传统cpu相比，它们消耗的功率要高出一个数量级，并产生等量的热量。其后果远非微不足道。meta最近发表了一篇论文，详细介绍了Llama 3.1模型家族在16,000个处理器集群上的训练过程，揭示了一个惊人的统计数据:该系统在69%的操作时间内不可操作。
随着硅技术按照摩尔定律不断发展，需要创新来优化芯片性能，同时最大限度地降低能耗并减少随之而来的热量产生。到2030年，数据中心可能会经历一场彻底的变革，需要在计算的底层物理基础设施方面取得根本性的突破。
人工智能已经成为一个充满地缘政治色彩的领域，其战略意义可能会加强，有可能成为未来几年技术优势的关键决定因素。随着技术的进步，人工智能对工作性质和劳动力市场的变革性影响也将成为一个越来越有争议的社会问题。
但还有很多工作要做，我们可以用人工智能来塑造我们的未来。我们应该期待创新的数字产品和服务的激增，这些产品和服务将在未来几年吸引并赋予用户权力。从长远来看，人工智能将发展成为超级智能系统，这些系统将不可分割地融入我们的生活，就像计算机已经成为的那样。几千年来，人类社会吸收了新的颠覆性技术，并在这些技术的帮助下重塑了自己，使自己蓬勃发展——人工智能也不例外。
本文来自作者[admin]投稿，不代表pnwjn号立场，如若转载，请注明出处：https://www.pnwjn.cn/cskp/202506-1227.html
评论列表（4条）
我是pnwjn号的签约作者“admin”！
希望本篇文章《通往真正精通AI的漫长道路》能对你有所帮助！
本站[pnwjn号]内容主要涵盖：国足,欧洲杯,世界杯,篮球,欧冠,亚冠,英超,足球,综合体育
本文概览：在20世纪70年代早期，编程计算机需要在卡片上打孔，然后将它们输入到房间大小的机器中，这些机器通常会在几小时甚至几天后通过行打印机产生结果。 长期以...