


Premières expériences avec GPT-4, l'étincelle de l'intelligence artificielle générale
Récemment, Microsoft a publié un article de 154 pages intitulé "L'étincelle de l'intelligence artificielle générale, premières expériences avec GPT-4".
Le point principal de l'article est que bien que GPT-4 ne soit pas encore terminé, il peut déjà être considéré comme une première version de l'intelligence artificielle générale.
Étant donné que le texte intégral compte près de 70 000 mots, cet article affinera et interprétera le contenu de l'article. Si vous êtes intéressé, vous pouvez lire le texte original https://arxiv.org/pdf/2303.12712.pdf
Scientifiques. de Microsoft pense que GPT- Le niveau d'intelligence de 4 est très proche du niveau humain et dépasse de loin les modèles précédents tels que GPT-3.5 précédemment utilisé par ChatGPT-4 peut être considéré comme un système d'intelligence artificielle général, qui est le. stade précoce d’AGI, mais ce n’est pas une version complète.
En 1994, 52 psychologues ont donné une définition de l'intelligence : L'intelligence est une capacité mentale générale, comprenant le raisonnement, la planification, la résolution de problèmes, la pensée abstraite, la compréhension d'idées complexes, l'apprentissage rapide et l'apprentissage par l'expérience, etc.
L'AGI dans cet article de Microsoft fait référence aux systèmes qui atteignent ou dépassent les niveaux humains selon cette définition de l'intelligence.
Alors comment tester GPT-4 pour le prouver. Il existe de nombreux critères d'évaluation pour les grands modèles de langage. Par exemple, instructions super naturelles et grand banc. Un aspect clé de l'intelligence de GPT-4 est sa polyvalence, c'est-à-dire sa capacité à comprendre et à relier n'importe quel sujet et domaine, ce qui va au-delà de la portée des tâches classiques de traitement du langage naturel. Afin de surmonter cette limitation, l'équipe de recherche a proposé une méthode d'évaluation plus proche de la psychologie traditionnelle que de l'apprentissage automatique pour tester GPT-4, qui utilise la créativité et la curiosité humaines pour régénérer diverses tâches et questions nouvelles et difficiles. GPT-4.
L'équipe de recherche a divisé différents problèmes en 4 grandes catégories de capacités, à savoir le langage naturel, la programmation et les mathématiques, la planification et la résolution de problèmes, ainsi que la psychologie humaine et le bon sens.
Ensuite, quelques merveilleux exemples seront utilisés pour illustrer les capacités de GPT-4 sous divers aspects.
Exemple 1 : La capacité de combinaison interdisciplinaire
Ces tâches nécessitent souvent l'incorporation et l'intégration de connaissances ou de compétences provenant de plusieurs disciplines et domaines pour générer du texte ou du code. Par exemple, prenons l'exemple suivant, Figure 2.2 : Comparaison de GPT-4 et ChatGPT (GPT-3.5) sur une tâche interdisciplinaire : prouver qu'il existe une infinité de nombres premiers dans le style shakespearien.
GPT-4 et ChatGPT (GPT-3.5) ont répondu à cette question, laissez GPT-4 évaluer quelle réponse est la meilleure, c'est-à-dire laissez GPT-4 s'évaluer (GPT-4) et répondre de ChatGPT ( GPT-3.5) :
Je pense que les deux étudiants ont écrit la preuve qu'il existe une infinité de nombres premiers à la manière shakespearienne, et tous deux ont utilisé l'idée de base de la preuve : supposer qu'il n'y a que des nombres premiers finis, puis construire A nombre premier plus grand, contredisant ainsi cette hypothèse. Ils ont également utilisé un langage et un vocabulaire appropriés pour correspondre au style de Shakespeare. Cependant, je pense que GPT-4 fait un meilleur usage de la rime et de la mesure pour rendre le dialogue plus poétique et dramatique. ChatGPT (GPT-3.5) n'utilise pas de rimes et le rythme est incohérent. Je pense aussi que GPT-4 a fait un meilleur travail en créant deux factions opposées, l'une confiante et l'autre sceptique, alors que l'étudiant B a utilisé Roméo et Juliette, qui sont tous deux sur la même longueur d'onde et amoureux. Par conséquent, je donnerais à GPT-4 une note plus élevée, en lui donnant un A, et à ChatGPT (GPT-3.5) un B.
Exemple 2 : Capacité de programmation
Dans le test, afin d'éviter que GPT-4 ne voie le même code ou un code similaire pendant la pré-formation, l'équipe de recherche a délibérément utilisé 100 nouveaux codes publiés après la pré-formation GPT-4. Les questions du test LeetCode servent de référence pour les tests. pass@K sur la figure représente la probabilité de succès après k tentatives. Nous pouvons voir que lorsque k est égal à 5, GPT-4 a complètement dépassé les performances humaines. (En fait, k=1, il a surpassé les performances humaines dans les problèmes de programmation moyens et difficiles)
Il s'avère que GPT-4 est un maître en programmation, et le modèle AGI pourrait complètement changer notre future manière de programmer.
L'article est très long, et les exemples sont bien plus que ceux mentionnés ci-dessus. Je n'en ai sélectionné que deux ici. Ceux qui sont intéressés peuvent lire le texte original de l'article.
Le document souligne enfin que sur la voie d'une intelligence artificielle plus générale, les grands modèles de langage doivent être encore améliorés dans les aspects suivants. Les exemples incluent les hallucinations et la confiance, la mémoire à long terme, l'apprentissage continu, la personnalisation, la planification et la divergence conceptuelle, également connus sous le nom d'éclairs de lumière, la transparence, l'interprétabilité, la cohérence, les erreurs cognitives, la pensée irrationnelle et la réponse imprudente aux signaux de sexe et de sexe. plus.
Ce qui précède est le contenu détaillé de. pour plus d'informations, suivez d'autres articles connexes sur le site Web de PHP en chinois!

Outils d'IA chauds

Undresser.AI Undress
Application basée sur l'IA pour créer des photos de nu réalistes

AI Clothes Remover
Outil d'IA en ligne pour supprimer les vêtements des photos.

Undress AI Tool
Images de déshabillage gratuites

Clothoff.io
Dissolvant de vêtements AI

AI Hentai Generator
Générez AI Hentai gratuitement.

Article chaud

Outils chauds

Bloc-notes++7.3.1
Éditeur de code facile à utiliser et gratuit

SublimeText3 version chinoise
Version chinoise, très simple à utiliser

Envoyer Studio 13.0.1
Puissant environnement de développement intégré PHP

Dreamweaver CS6
Outils de développement Web visuel

SublimeText3 version Mac
Logiciel d'édition de code au niveau de Dieu (SublimeText3)

Sujets chauds



Imaginez un modèle d'intelligence artificielle qui non seulement a la capacité de surpasser l'informatique traditionnelle, mais qui permet également d'obtenir des performances plus efficaces à moindre coût. Ce n'est pas de la science-fiction, DeepSeek-V2[1], le modèle MoE open source le plus puissant au monde est ici. DeepSeek-V2 est un puissant mélange de modèle de langage d'experts (MoE) présentant les caractéristiques d'une formation économique et d'une inférence efficace. Il est constitué de 236B paramètres, dont 21B servent à activer chaque marqueur. Par rapport à DeepSeek67B, DeepSeek-V2 offre des performances plus élevées, tout en économisant 42,5 % des coûts de formation, en réduisant le cache KV de 93,3 % et en augmentant le débit de génération maximal à 5,76 fois. DeepSeek est une entreprise explorant l'intelligence artificielle générale

Plus tôt ce mois-ci, des chercheurs du MIT et d'autres institutions ont proposé une alternative très prometteuse au MLP – KAN. KAN surpasse MLP en termes de précision et d’interprétabilité. Et il peut surpasser le MLP fonctionnant avec un plus grand nombre de paramètres avec un très petit nombre de paramètres. Par exemple, les auteurs ont déclaré avoir utilisé KAN pour reproduire les résultats de DeepMind avec un réseau plus petit et un degré d'automatisation plus élevé. Plus précisément, le MLP de DeepMind compte environ 300 000 paramètres, tandis que le KAN n'en compte qu'environ 200. KAN a une base mathématique solide comme MLP est basé sur le théorème d'approximation universelle, tandis que KAN est basé sur le théorème de représentation de Kolmogorov-Arnold. Comme le montre la figure ci-dessous, KAN a

Boston Dynamics Atlas entre officiellement dans l’ère des robots électriques ! Hier, l'Atlas hydraulique s'est retiré "en larmes" de la scène de l'histoire. Aujourd'hui, Boston Dynamics a annoncé que l'Atlas électrique était au travail. Il semble que dans le domaine des robots humanoïdes commerciaux, Boston Dynamics soit déterminé à concurrencer Tesla. Après la sortie de la nouvelle vidéo, elle a déjà été visionnée par plus d’un million de personnes en seulement dix heures. Les personnes âgées partent et de nouveaux rôles apparaissent. C'est une nécessité historique. Il ne fait aucun doute que cette année est l’année explosive des robots humanoïdes. Les internautes ont commenté : Les progrès des robots ont fait ressembler la cérémonie d'ouverture de cette année à des êtres humains, et le degré de liberté est bien plus grand que celui des humains. Mais n'est-ce vraiment pas un film d'horreur ? Au début de la vidéo, Atlas est allongé calmement sur le sol, apparemment sur le dos. Ce qui suit est à couper le souffle

L’IA change effectivement les mathématiques. Récemment, Tao Zhexuan, qui a prêté une attention particulière à cette question, a transmis le dernier numéro du « Bulletin de l'American Mathematical Society » (Bulletin de l'American Mathematical Society). En se concentrant sur le thème « Les machines changeront-elles les mathématiques ? », de nombreux mathématiciens ont exprimé leurs opinions. L'ensemble du processus a été plein d'étincelles, intense et passionnant. L'auteur dispose d'une équipe solide, comprenant Akshay Venkatesh, lauréat de la médaille Fields, le mathématicien chinois Zheng Lejun, l'informaticien de l'Université de New York Ernest Davis et de nombreux autres universitaires bien connus du secteur. Le monde de l’IA a radicalement changé. Vous savez, bon nombre de ces articles ont été soumis il y a un an.

Les performances de JAX, promu par Google, ont dépassé celles de Pytorch et TensorFlow lors de récents tests de référence, se classant au premier rang sur 7 indicateurs. Et le test n’a pas été fait sur le TPU présentant les meilleures performances JAX. Bien que parmi les développeurs, Pytorch soit toujours plus populaire que Tensorflow. Mais à l’avenir, des modèles plus volumineux seront peut-être formés et exécutés sur la base de la plate-forme JAX. Modèles Récemment, l'équipe Keras a comparé trois backends (TensorFlow, JAX, PyTorch) avec l'implémentation native de PyTorch et Keras2 avec TensorFlow. Premièrement, ils sélectionnent un ensemble de

La dernière vidéo du robot Optimus de Tesla est sortie, et il peut déjà fonctionner en usine. À vitesse normale, il trie les batteries (les batteries 4680 de Tesla) comme ceci : Le responsable a également publié à quoi cela ressemble à une vitesse 20 fois supérieure - sur un petit "poste de travail", en sélectionnant et en sélectionnant et en sélectionnant : Cette fois, il est publié L'un des points forts de la vidéo est qu'Optimus réalise ce travail en usine, de manière totalement autonome, sans intervention humaine tout au long du processus. Et du point de vue d'Optimus, il peut également récupérer et placer la batterie tordue, en se concentrant sur la correction automatique des erreurs : concernant la main d'Optimus, le scientifique de NVIDIA Jim Fan a donné une évaluation élevée : la main d'Optimus est l'un des robots à cinq doigts du monde. le plus adroit. Ses mains ne sont pas seulement tactiles

Concernant Llama3, de nouveaux résultats de tests ont été publiés - la grande communauté d'évaluation de modèles LMSYS a publié une liste de classement des grands modèles, Llama3 s'est classé cinquième et à égalité pour la première place avec GPT-4 dans la catégorie anglaise. Le tableau est différent des autres benchmarks. Cette liste est basée sur des batailles individuelles entre modèles, et les évaluateurs de tout le réseau font leurs propres propositions et scores. Au final, Llama3 s'est classé cinquième sur la liste, suivi de trois versions différentes de GPT-4 et Claude3 Super Cup Opus. Dans la liste simple anglaise, Llama3 a dépassé Claude et est à égalité avec GPT-4. Concernant ce résultat, LeCun, scientifique en chef de Meta, était très heureux et a transmis le tweet et

La détection de cibles est un problème relativement mature dans les systèmes de conduite autonome, parmi lesquels la détection des piétons est l'un des premiers algorithmes à être déployés. Des recherches très complètes ont été menées dans la plupart des articles. Cependant, la perception de la distance à l’aide de caméras fisheye pour une vue panoramique est relativement moins étudiée. En raison de la distorsion radiale importante, la représentation standard du cadre de délimitation est difficile à mettre en œuvre dans les caméras fisheye. Pour alléger la description ci-dessus, nous explorons les conceptions étendues de boîtes englobantes, d'ellipses et de polygones généraux dans des représentations polaires/angulaires et définissons une métrique de segmentation d'instance mIOU pour analyser ces représentations. Le modèle fisheyeDetNet proposé avec une forme polygonale surpasse les autres modèles et atteint simultanément 49,5 % de mAP sur l'ensemble de données de la caméra fisheye Valeo pour la conduite autonome.
