AI已涌現“不可預測的能力”

在18世紀晚期，奧地利有一位發明家名叫沃爾夫岡·馮·肯佩倫，他為了取悅特蕾西婭女大公，建造了一個自動下棋裝置，起名為“土耳其行棋傀儡”。這個行棋傀儡可以擊敗人類棋手。然而，這其實是一個騙局，肯佩倫只是讓一名人類棋手藏在里面操作機器。藏在里面的棋手都是高手，因此，傀儡贏了大部分棋局。深度學習技術，已經讓這一古老的夢想成真。

深度思維（DeepMind）團隊研發的AlphaGo機器學習模型，曾經戰勝了圍棋世界冠軍。2017年，當時的圍棋第一人柯潔和AlphaGo進行比賽。比分最終落在了0:3，柯潔哽咽認輸。然而，無論是圍棋大師還是AlphaGo的設計者，都無法理解它為什么這樣走棋。

2017年，深度思維團隊又發布了更為震撼的版本阿爾法元（AlphaZero）的預印版論文，當即就引發了業內轟動。

阿爾法元通過與自己對弈并根據經驗更新神經網絡。事實證明，阿爾法元從“零”開始對戰訓練，不需要人類棋譜，自己和自己下棋，自己琢磨棋藝。兩小時就擊敗最強將棋AI，4小時擊敗最強國際象棋AI。在圍棋上，阿爾法元經過30小時的鏖戰，又擊敗了李世石版AlphaGo。

阿爾法元是一種更為“通用化”的深度學習模型，它利用一套深層神經網絡與大量“通用型”算法取代了手工編寫的規則，利用深度神經網絡從零開始進行增強式學習。

阿爾法元的戰績和Halicin的發現，以及ChatGPT寫出的那些人模人樣的文章，都證明了人工智能在策略規劃、科研創新或內容生成方面所蘊藏的巨大潛力。

阿爾法元證明了人工智能至少在棋局里不受限于人類的知識。誠然它所用的人工智能是算法在深度神經網絡上訓練，這種機器學習有自己的限制?？墒窃谠絹碓蕉嗟膽贸绦蚶?，機器正在設計出超越人類想象范圍的解決方案。

2016年，深度思維團隊將深度學習技術應用在智能數據中心，用以優化谷歌的數據中心冷卻系統，因為數據中心的溫度控制要很精密。盡管全世界最優秀的工程師已經解決了這個問題，但深度思維團隊研發的深度學習模型卻能精益求精，把能源支出又減少了40%，其表現大幅超越了人類。

人工智能應用在不同領域取得類似的突破，這個世界因此而改變，不只是讓機器以更有效率的方式執行人類的工作，在許多情況下，人工智能可以提出新的解決方案或方向，標志著另一種非人類的學習方式與邏輯評估方式的出現。

這些成就也預示了，隨著人工智能的發展，越來越多的人類無法理解的“隱性知識”將會涌現，相應地，一些隱性的風險也同樣會涌現。

在這些案例中，科學家開發出了一個機器學習模型，并給予機器一個目標，比如：贏得棋局，殺死細菌或根據提示回答文字，生成圖像、音樂、代碼等。在進行一段時間的訓練后，每一套程序都用不同于人類的方式掌握了各自的主題。這段訓練時間相對于人類的學習過程來說，是非常短促的。

有時，機器可以用人類永遠無法企及的算力獲得成果；有時，機器用人類觀摩后可以學習和理解的方式獲得了成果。然而，有時候，機器到底是怎么完成目標的，人類至今不得其解。也就是說，人類對機器是怎么思考的，“知其然不知其所以然”。

以辛頓為代表的人工智能研究者推測，通過擴展大語言模型（LLM ）的參數規模，可以提升其解決任務的能力。谷歌公司的人工智能科學家，在評測各個LLM的表現時，曾經給出了200多個任務，其中一道題是這樣的：請根據以下表情符號（Emoji），猜一部電影的名字。

一個最簡單的LLM的答案像是喝醉了的人給出的：《關于一個男人的故事》。

中等復雜度的LLM的答案相對靠譜一點，猜測是《Emoji大電影》，又譯為《表情奇幻冒險》。

而最復雜的模型則準確地猜中了答案：《海底總動員》。

這個看表情猜謎語的游戲，恐怕就是一般人類，也很少能給出正確答案。至于AI是如何涌現出這種能力的，卻難以解釋。谷歌公司的人工智能科學家伊?！ご鳡枺‥than Dyer）所做的一項調查表明，大語言模型可以創造出幾百種涌現能力，處理新的、不可預測的任務。