Ilya宣判：预训练即将终结！NeurIPS现场沸腾

继李飞飞、Bengio、何恺明之后，在刚刚的中，最新演讲也来了。虽然时长仅有15分钟左右，但内容依旧看头十足。例如这一句：而之于未来，Ilya还预测道：那么为何会有如此？我们一起来看看完整演讲。

朝阳区靓仔_James

819人浏览 · 2024-12-14 21:34:09

朝阳区靓仔_James · 2024-12-14 21:34:09 发布

继李飞飞、Bengio、何恺明之后，在刚刚的NeurIPS 2024中，Ilya Sutskever最新演讲也来了。

虽然时长仅有15分钟左右，但内容依旧看头十足。

例如这一句：

Pre-training as we know it will end.
我们所熟知的预训练即将终结。

而之于未来，Ilya还预测道：

what comes next is superintelligence: agentic, reasons, understands and is self aware.
接下来将是超级智能：代理、推理、理解和自我意识。

那么为何会有如此？我们一起来看看完整演讲。

回顾十年技术发展

Ilya先是用一张十年前的PPT截图开启了这次演讲，那时候深度学习还处于探索阶段。

在2014年的蒙特利尔，他和团队（还有Oriol Vinyals和Quoc Le）首次提出了如今成为AI领域基石的深度学习理念。

Ilya展示了当时的一张PPT，揭示了他和团队的核心工作：自回归模型、大型神经网络和大数据集的结合。

在十年前，这些元素并不被广泛看作成功的保证，而今天，它们已经成为人工智能领域最重要的基础。

例如在谈到深度学习假设时，Ilya强调了一个重要观点：

如果有一个10层的大型神经网络，它就能在一秒钟内完成人类能做的任何事情。

他解释说，深度学习的核心假设是人工神经元与生物神经元的相似性。

基于这一假设，如果人类能够在0.1秒钟内完成某项任务，那么同样的任务，一个训练良好的10层神经网络也能完成。

这一假设推动了深度学习的研究，并最终实现了当时看似大胆的目标。

Ilya还介绍了自回归模型的核心思想：通过训练模型预测序列中的下一个token，当模型预测得足够准确时，它就能捕捉到整个序列的正确分布。

这一思想为后来的语言模型奠定了基础，特别是在自然语言处理领域的应用。

当然除了“押对宝”的技术之外，也有“押错”的。

LSTM（长短期记忆网络）就是其中之一。

Ilya提到LSTM是深度学习研究者在Transformer之前的主要技术之一。

尽管LSTM在当时为神经网络提供了强大的能力，但它的复杂性和局限性也显而易见。

另一个便是并行化（parallelization）。

尽管现在我们知道pipeline并不是一个好主意，但当时他们通过在每个GPU上运行一层网络，实现了3.5倍的速度提升。

Ilya认为，规模假设（scaling hypothesis）是深度学习成功的关键。

这一假设表明，如果你有一个非常大的数据集，并训练一个足够大的神经网络，那么成功几乎是可以预见的。

这个观点已经成为今天深度学习领域的核心法则。

Ilya进一步阐述了连接主义的思想，认为人工神经元与生物神经元之间的相似性给了我们信心，认为即使不完全模仿人脑的结构，巨大的神经网络也能完成与人类相似的任务。

预训练时代即将结束

基于上述技术的发展，也让我们迎来了预训练的时代。

预训练是推动所有进步的动力，包括大型神经网络和大规模数据集。

但Ilya接下来预测说：

虽然计算能力在不断增长，硬件和算法的进步使得神经网络的训练效率得到了提升，但数据的增长却已接近瓶颈。

他认为，数据是AI的化石燃料，随着全球数据的限制，未来人工智能将面临数据瓶颈。

虽然当前我们仍然可以使用现有数据进行有效训练，但Ilya认为这一增长趋势终将放缓，预训练的时代也会逐步结束。

超级智能将是未来

在谈到未来的发展方向时，Ilya提到了**“Agent”和“合成数据”**的概念。

许多专家都在讨论这些话题，认为Agent系统和合成数据将是突破预训练瓶颈的关键。

Agent系统指的是能够自主推理和决策的人工智能，而合成数据则可以通过模拟环境创造新的数据，弥补现实世界数据的不足。

Ilya还引用了一个生物学上的例子，展示了哺乳动物身体与大脑大小的关系，暗示不同生物可能通过不同的“规模法则”进化出不同的智能表现。

这一思想为深度学习领域的进一步扩展提供了启示，表明人工智能也许可以通过不同的方式突破目前的规模限制。

Ilya最后谈到了超级智能的前景。

他指出，虽然当前的语言模型和AI系统在某些任务上表现出超人类的能力，但它们在推理时仍显得不稳定和不可预测。

推理越多，系统变得越不可预测，这一点在一些复杂任务中表现得尤为突出。

他还提到：

目前的AI系统还不能真正理解和推理，虽然它们能模拟人类的直觉，但未来的AI将会在推理和决策方面展现出更加不可预测的能力。

Ilya进一步推测，未来的AI将不仅仅是执行任务的工具，而会发展成“Agent”，能够自主进行推理和决策，甚至可能具备某种形式的自我意识。

这将是一个质的飞跃，AI将不再是人类的延伸，而是一个具有独立智能的存在。

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

在这里插入图片描述