Интеллект-стек 2023

В какой-то момент разработчикам AI казалось, что можно получать всё более сильный интеллект, просто увеличивая размер нейронной сети («объём мозга»), но оказалось, что есть зависимость между размером нейронной сети и количеством данных, которые требуется предъявить этой нейронной сети, чтобы полностью задействовать размер этой нейронной сети[78 - Ключевая работа тут была – https://arxiv.org/abs/2203.15556 (https://arxiv.org/abs/2203.15556)]. Поэтому стратегия поменялась: стали применять более простые «аппаратные решения» (алгоритмы нейросетей меньшего размера, требующие меньше вычислительной аппаратуры для работы с ними), но предобучать их на большем количестве данных, а ещё делать лучше сами данные (по двум параметрам прежде всего: уменьшать количество ошибок в данных, чтобы в обучение арифметике не попадали примеры типа 2*2=5, а также закрывать данными более широкие классы предметных областей, ибо оказалось лучше иметь по паре примеров из десяти предметных областей, чем двадцать примеров из одной предметной области).

Оказывается, «образование» кремниевых нейросетей более важно, чем «врождённый интеллект» этих нейросетей. Для людей выполняется всё то же самое. Если потенциального Эйнштейна не учить читать и писать, то он так и останется дикарём, ему не поможет никакая «врождённая гениальность».

Если вам свезло с последовательностью предъявляемых задач, то ваш интеллект может оказаться по их итогам лучше. «Ему повезло попасть в хороший проект, он там сильно вырос за последнюю пару лет» так же важно, как «ему повезло с родителями, они ему дали хорошие гены для мощного интеллекта».

?

Важен порядок решения проблем:

их надо решать по мере возрастания сложности

Важен не только порядок обучения, но и порядок решения проблем! Проведено много экспериментов, показывающих, что решение какой-то одной трудной проблемы «с нуля» обучающимся вычислителем на базе нейронной сети и какого-то эволюционного алгоритма часто невозможно, но решение какой-то последовательности проблем возрастающей трудности возможно[79 - we show in the technical paper that with just 30 minutes of focused training on a newly presented complex task, the [pretrained on multiple tasks] agents can quickly adapt, whereas agents trained with RL from scratch cannot learn these tasks at all, https://deepmind.

com/blog/article/generally-capable-agents-emerge-from-open-ended-play (https://deepmind.com/blog/article/generally-capable-agents-emerge-from-open-ended-play)].