AI已涌现“不可预测的能力”

在18世纪晚期，奥地利有一位发明家名叫沃尔夫冈·冯·肯佩伦，他为了取悦特蕾西娅女大公，建造了一个自动下棋装置，起名为“土耳其行棋傀儡”。这个行棋傀儡可以击败人类棋手。然而，这其实是一个骗局，肯佩伦只是让一名人类棋手藏在里面操作机器。藏在里面的棋手都是高手，因此，傀儡赢了大部分棋局。深度学习技术，已经让这一古老的梦想成真。

深度思维（DeepMind）团队研发的AlphaGo机器学习模型，曾经战胜了围棋世界冠军。2017年，当时的围棋第一人柯洁和AlphaGo进行比赛。比分最终落在了0:3，柯洁哽咽认输。然而，无论是围棋大师还是AlphaGo的设计者，都无法理解它为什么这样走棋。

2017年，深度思维团队又发布了更为震撼的版本阿尔法元（AlphaZero）的预印版论文，当即就引发了业内轰动。

阿尔法元通过与自己对弈并根据经验更新神经网络。事实证明，阿尔法元从“零”开始对战训练，不需要人类棋谱，自己和自己下棋，自己琢磨棋艺。两小时就击败最强将棋AI，4小时击败最强国际象棋AI。在围棋上，阿尔法元经过30小时的鏖战，又击败了李世石版AlphaGo。

阿尔法元是一种更为“通用化”的深度学习模型，它利用一套深层神经网络与大量“通用型”算法取代了手工编写的规则，利用深度神经网络从零开始进行增强式学习。

阿尔法元的战绩和Halicin的发现，以及ChatGPT写出的那些人模人样的文章，都证明了人工智能在策略规划、科研创新或内容生成方面所蕴藏的巨大潜力。

阿尔法元证明了人工智能至少在棋局里不受限于人类的知识。诚然它所用的人工智能是算法在深度神经网络上训练，这种机器学习有自己的限制。可是在越来越多的应用程序里，机器正在设计出超越人类想象范围的解决方案。

2016年，深度思维团队将深度学习技术应用在智能数据中心，用以优化谷歌的数据中心冷却系统，因为数据中心的温度控制要很精密。尽管全世界最优秀的工程师已经解决了这个问题，但深度思维团队研发的深度学习模型却能精益求精，把能源支出又减少了40%，其表现大幅超越了人类。

人工智能应用在不同领域取得类似的突破，这个世界因此而改变，不只是让机器以更有效率的方式执行人类的工作，在许多情况下，人工智能可以提出新的解决方案或方向，标志着另一种非人类的学习方式与逻辑评估方式的出现。

这些成就也预示了，随着人工智能的发展，越来越多的人类无法理解的“隐性知识”将会涌现，相应地，一些隐性的风险也同样会涌现。

在这些案例中，科学家开发出了一个机器学习模型，并给予机器一个目标，比如：赢得棋局，杀死细菌或根据提示回答文字，生成图像、音乐、代码等。在进行一段时间的训练后，每一套程序都用不同于人类的方式掌握了各自的主题。这段训练时间相对于人类的学习过程来说，是非常短促的。

有时，机器可以用人类永远无法企及的算力获得成果；有时，机器用人类观摩后可以学习和理解的方式获得了成果。然而，有时候，机器到底是怎么完成目标的，人类至今不得其解。也就是说，人类对机器是怎么思考的，“知其然不知其所以然”。

以辛顿为代表的人工智能研究者推测，通过扩展大语言模型（LLM ）的参数规模，可以提升其解决任务的能力。谷歌公司的人工智能科学家，在评测各个LLM的表现时，曾经给出了200多个任务，其中一道题是这样的：请根据以下表情符号（Emoji），猜一部电影的名字。

图1-2　谷歌公司评测各个大型语言模型的测试题

一个最简单的LLM的答案像是喝醉了的人给出的：《关于一个男人的故事》。

中等复杂度的LLM的答案相对靠谱一点，猜测是《Emoji大电影》，又译为《表情奇幻冒险》。

而最复杂的模型则准确地猜中了答案：《海底总动员》。

这个看表情猜谜语的游戏，恐怕就是一般人类，也很少能给出正确答案。至于AI是如何涌现出这种能力的，却难以解释。谷歌公司的人工智能科学家伊桑·戴尔（Ethan Dyer）所做的一项调查表明，大语言模型可以创造出几百种涌现能力，处理新的、不可预测的任务。