蝉鸣报告（原爱报告知识星球）
美国安全与新兴技术中心（CSET）近日发布了一份名为《Chinese Critiques of Large Language Models: Finding the Path to General Artificial Intelligence》的研究报告。该报告深入探讨了大型语言模型（LLMs）在实现通用人工智能（GAI）方面的局限性，并分析了中国学界对LLMs的批评以及中国在探索GAI路径上的多元化策略。报告指出，尽管LLMs在模拟人类语言响应方面取得了显著进展，但它们在理解语言、推理能力以及处理常识性问题上存在明显缺陷，且这些问题可能无法仅通过增加模型规模来解决。报告中包含了对中国顶尖科学家的公开声明、相关研究以及中国政府公告的详细分析，提供了对LLMs未来发展和GAI研究的深刻见解，对于理解当前人工智能领域的国际竞争格局和科研动态具有重要价值。
大型语言模型与通用人工智能的未来
近期，美国安全与新兴技术中心发布了一份关于中国学界对大语言模型（LLMs）的采购性思考和人工智能通用化（GAI）的研究报告。报告指出，尽管LLMs在模拟人类语言反应方面取得了显著进展，但其是否能够成为实现通用人工智能的途径仍存在争议。通用人工智能被定义为能够在广泛任务上复制或超越大多数人类认知技能的AI，包括图像/视频理解、持续学习、规划、推理、技能转移和创造力。
LLMs在全球范围内引起了广泛关注，因为它们能够生成类似于人类的回应，并且在执行节省时间的任务方面表现出色。许多专家认为，这些模型可能是实现通用人工智能的途径。然而，报告中提到的中国科学家对此持有不同看法。他们认为，LLMs可能无法单独实现通用人工智能，因为它们缺乏人类的认知和推理能力，也缺乏人类的情感和价值观。
中国在AI发展上采取了多元化的方法。与美国不同，中国不仅投资于LLMs，还同时探索其他通往GAI的路径，包括那些更明确地受大脑启发的方法。中国的AI研究者和政府官员意识到LLMs存在根本性限制，因此他们正在研究其他方法或使用“类脑”算法来补充LLMs的性能。
报告中提到的中国科学家，如唐杰、张亚勤、黄铁军等，都对LLMs提出了批评。他们认为，LLMs需要结合生物启发的方法和具体化智能，才能真正实现GAI。具体化智能是指智能系统或机器能够通过感知和交互实时与环境互动的能力。这种智能的发展，需要智能系统能够处理非预定义的任务，并具有自主性，包括生成自己的任务。
LLMs的一个主要问题是它们在理解和推理方面的缺陷。尽管LLMs在标准化测试中表现出色，但它们在处理基于一两个例子的新颖任务时仍然面临挑战。人类在这些任务上的表现远远超过AI系统。此外，LLMs还存在“幻觉”问题，即它们会做出错误的声明，这是由于它们被设计为插值而不是像大脑那样存储事实。
中国的研究者们正在探索替代方案，以解决LLMs的这些限制。他们提出了多种解决方案，包括增加模块、模仿大脑结构和过程、严格的标准和测试，以及用改进的芯片类型完全替代计算基板。这些研究不仅涉及理论探讨，还涉及实际的技术发展，如通过动态具体化物理和社会互动来评估人工智能的“通”测试。
报告强调，中国在AI领域的多元化研究方法可能为其在实现GAI的竞赛中带来优势。与西方的研究和商业利益推动LLMs作为通往GAI的确定路径不同，中国的研究者和政策制定者更倾向于探索多种途径。这种多元化的方法可能使中国在全球AI竞赛中占据领先地位。
文章的灵感来自于美国安全与新兴技术中心发布的这份报告。除了这份报告，还有一些同类型的报告也非常有价值，推荐阅读。这些报告我们都收录在同名星球，可以自行获取。
以上为节选样张，关注公众号【蝉鸣报告】回复领取PDF完整电子版（无广告）。
【蝉鸣报告】每日更新最新硬核报告，覆盖产业报告、全球化、经济报告、趋势等全领域。
