AI界地震！美國對OpenAI展開調(diào)查！監(jiān)管風暴來襲！
來源：清元宇宙還記得5月OpenAI在國會山聽證會上的自信、坦誠、游刃有余的問答嗎？那時的Sam Altman可謂意氣風發(fā)，在耐心、友好的國會議員面前，就AI立法、大模型安全性問題侃侃而
OpenAI，有大事發(fā)生！最近各種爆料頻出，比如 OpenAI 已經(jīng)跨過「遞歸自我改進」臨界點，o4、o5 已經(jīng)能自動化 AI 研發(fā)，甚至 OpenAI 已經(jīng)研發(fā)出 GPT-5？OpenAI 員工如潮水般爆料，瘋狂暗示內(nèi)部已開發(fā)出 ASI。
種種跡象表明，最近 OpenAI 似乎發(fā)生了什么大事。
AI 研究員 Gwern Branwen 發(fā)布了一篇關(guān)于 OpenAI o3、o4、o5 的文章。
根據(jù)他的說法，OpenAI 已經(jīng)跨越了臨界點，達到了「遞歸自我改進」的門檻 ——o4 或 o5 能自動化 AI 研發(fā)，完成剩下的工作！
文章要點如下 ——
- OpenAI 可能選擇將其「o1-pro」模型保密，利用其計算資源來訓練 o3 這類更高級的模型，類似于 Anthorpic 的策略
- OpenAI 可能相信他們已經(jīng)在 AI 發(fā)展方面取得了突破，正在走向 ASI 之路
- 目標是開發(fā)一種運行效率高的超人 AI，類似于 AlphaGo / Zero 所實現(xiàn)的目標
- 推理時搜索最初可以提高性能，但最終會達到極限
甚至還出現(xiàn)了這樣一種傳言：OpenAI 和 Anthropic 已經(jīng)訓練出了 GPT-5 級別的模型，但都選擇了「雪藏」。
原因在于，模型雖能力強，但運營成本太高，用 GPT-5 蒸餾出 GPT-4o、o1、o3 這類模型，才更具性價比。
甚至，OpenAI 安全研究員 Stephen McAleer 最近兩周的推文，看起來簡直跟短篇科幻小說一樣 ——
我有點懷念過去做 AI 研究的時候，那時我們還不知道如何創(chuàng)造超級智能。
在前沿實驗室，許多研究人員都非常認真地對待 AI 短時間的影響，而實驗室之外幾乎沒有人充分討論其安全影響。
而現(xiàn)在控制超級智能已經(jīng)是迫在眉睫的研究事項了。
我們該如何控制詭計多端的超級智能？即使擁有完美的監(jiān)視器，難道它不會說服我們將其從沙箱中釋放出來嗎？
總之，越來越多 OpenAI 員工，都開始暗示他們已經(jīng)在內(nèi)部開發(fā)了 ASI。
這是真的嗎？還是 CEO 阿爾特曼「謎語人」的風格被底下員工學會了？
很多人覺得，這是 OpenAI 慣常的一種炒作手段。
但讓人有點害怕的是，有些一兩年前離開的人，其實表達過擔憂。
莫非，我們真的已處于 ASI 的邊緣？
超級智能（superintelligence）的「潘多拉魔盒」，真的被打開了？
OpenAI:「遙遙領(lǐng)先」OpenAI 的 o1 和 o3 模型，開啟了新的擴展范式：在運行時對模型推理投入更多計算資源，可以穩(wěn)定地提高模型性能。
如下面所示，o1 的 AIME 準確率，隨著測試時計算資源的對數(shù)增加而呈恒定增長。
OpenAI 的 o3 模型延續(xù)了這一趨勢，創(chuàng)造了破紀錄的表現(xiàn)，具體成績?nèi)缦拢?span style="display:none">Zog28資訊網(wǎng)——每日最新資訊28at.com
在 Codeforces 上得分 2727，使其成為全球第 175 名最優(yōu)秀的競技編程者；
在 FrontierMath 上得分 25%，該平臺的「每個問題都需要數(shù)學家?guī)讉€小時的工作」；
在 GPQA 上得分 88%，其中 70% 的分數(shù)代表博士級別的科學知識；
在 ARC-AGI 上得分 88%，而在困難的視覺推理問題上, 平均 Mechanical Turk 人工任務工人的得分為 75%。
根據(jù) OpenAI 的說法，o 系列模型的性能提升主要來自于增加思維鏈（Chain-of-Thought，CoT）的長度（以及其他技術(shù)，如思維樹），并通過強化學習改進思維鏈（CoT）過程。
目前，運行 o3 在最大性能下非常昂貴，單個 ARC-AGI 任務的成本約為 300 美元，但推理成本正以每年約 10 倍的速度下降！
Epoch AI 的一項最新分析指出，前沿實驗室在模型訓練和推理上的花費可能相似。
因此，除非接近推理擴展的硬性限制，否則前沿實驗室將繼續(xù)大量投入資源優(yōu)化模型推理，并且成本將繼續(xù)下降。
就一般情況而言，推理擴展范式預計可能會持續(xù)下去，并且將是 AGI 安全性的一個關(guān)鍵考慮因素。
AI 安全性影響那么推理擴展范式對 AI 安全性的影響是什么呢？簡而言之，AI 安全研究人員 Ryan Kidd 博士認為：
AGI 時間表大體不變，但可能會提前一年。
對于前沿模型的部署，可能會減少其過度部署的影響，因為它們的部署成本將比預期高出約 1000 倍，這將減少來自高速或集體超級智能的近期風險。
思維鏈（CoT）的監(jiān)督可能更有用，前提是禁止非語言的 CoT，這對 AI 安全性有利。
更小的、運行成本更高的模型更容易被盜用，但除非非常富有，否則很難進行操作，這減少了單邊主義詛咒的風險。
擴展可解釋性更容易還是更難；尚不確定。
模型可能會更多地接受強化學習（RL），但這將主要是「基于過程」的，因此可能更安全，前提是禁止非語言的 CoT。
出口管制可能需要調(diào)整，以應對專用推理硬件。
AGI 時間表o1 和 o3 的發(fā)布，對 AGI 時間表的預測的影響并不大。
Metaculus 的「強 AGI」預測似乎因為 o3 的發(fā)布而提前了一年，預計在 2031 年中期實現(xiàn)；然而，自 2023 年 3 月以來，該預測一直在 2031 到 2033 年之間波動。
Manifold Market 的「AGI 何時到來？」也提前了一年，從 2030 年調(diào)整為 2029 年，但最近這一預測也在波動。
很有可能，這些預測平臺已經(jīng)在某種程度上考慮了推理計算擴展的影響，因為思維鏈并不是一項新技術(shù)，即使通過 RL 增強。
總體來說，Ryan Kidd 認為他也沒有比這些預測平臺當前預測更好的見解。
部署問題在《AI Could Defeat All Of Us Combined》中，Holden Karnofsky 描述了一種模棱兩可的風險威脅模型。
在此模型中，一群人類水平的 AI，憑借更快的認知速度和更好的協(xié)調(diào)能力超過了人類，而非依賴于定性上的超級智能能力。
這個情景的前提是，「一旦第一個人類水平的 AI 系統(tǒng)被創(chuàng)造出來，創(chuàng)造它的人，可以利用創(chuàng)造它所需要的相同計算能力，運行數(shù)億個副本，每個副本大約運行一年。」
如果第一個 AGI 的運行成本和 o3-high 的成本一樣（約 3000 美元 / 任務），總成本至少要 3000 億美元，那么這個威脅模型似乎就不那么可信了。
因此，Ryan Kidd 博士對「部署問題」問題的擔憂較小，即一旦經(jīng)過昂貴的訓練，短期模型就可以廉價地部署，從而產(chǎn)生巨大影響。
這在一定程度上減輕了他對「集體」或「高速」超級智能的擔憂，同時略微提升了對「定性」超級智能的關(guān)注，至少對于第一代 AGI 系統(tǒng)而言。
監(jiān)督思維鏈如果模型的更多認知，是以人類可解釋的思維鏈（CoT）形式嵌入，而非內(nèi)部激活，這似乎是通過監(jiān)督來促進 AI 安全性的好消息！
盡管 CoT 對模型推理的描述并不總是真實或準確，但這一點可能得到改進。
Ryan Kidd 也對 LLM 輔助的紅隊成員持樂觀態(tài)度，他們能夠防止隱秘的陰謀，或者至少限制可能秘密實施的計劃的復雜度，前提是有強有力的 AI 控制措施
從這個角度來看，推理計算擴展范式似乎非常有利于 AI 安全，前提是有足夠的 CoT 監(jiān)督。
不幸的是，像 Meta 的 Coconut（「連續(xù)思維鏈」）這樣的技術(shù)可能很快就會應用于前沿模型，連續(xù)推理可以不使用語言作為中介狀態(tài)。
盡管這些技術(shù)可能帶來性能上的優(yōu)勢，但它們可能會在 AI 安全性上帶來巨大的隱患。
正如 Marius Hobbhahn 所說：「如果為了微小的性能提升，而犧牲了可讀的 CoT，那簡直是在自毀前程。」
然而，考慮到用戶看不到 o1 的 CoT，尚不確定是否能知道非語言 CoT 被部署的可能性，除非通過對抗性攻擊揭示這一點。
AGI 來了美國 AI 作家和研究員 Gwern Branwen，則認為 Ryan Kidd 遺漏了一個重要方面：像 o1 這樣的模型的主要目的之一不是將其部署，而是生成下一個模型的訓練數(shù)據(jù)。
o1 解決的每一個問題現(xiàn)在都是 o3 的一個訓練數(shù)據(jù)點（例如，任何一個 o1 會話最終找到正確答案的例子，都來訓練更精細的直覺）。
這意味著這里的擴展范式，可能最終看起來很像當前的訓練時范式：大量的大型數(shù)據(jù)中心，在努力訓練一個擁有最高智能的最終前沿模型，并以低搜索的方式使用，并且會被轉(zhuǎn)化為更小更便宜的模型，用于那些低搜索或無搜索的用例。
對于這些大型數(shù)據(jù)中心來說，工作負載可能幾乎完全與搜索相關(guān)（因為與實際的微調(diào)相比，推出模型的成本低廉且簡單），但這對其他人來說并不重要；就像之前一樣，所看到的基本是，使用高端 GPU 和大量電力，等待 3 到 6 個月，最終一個更智能的 AI 出現(xiàn)。
OpenAI 部署了 o1-pro，而不是將其保持為私有，并將計算資源投資于更多的 o3 訓練等自舉過程。
Gwern Branwen 對此有點驚訝。
顯然，類似的事情也發(fā)生在 Anthropic 和 Claude-3.6-opus 上 —— 它并沒有「失敗」，他們只是選擇將其保持為私有，并將其蒸餾成一個小而便宜、但又奇怪地聰明的 Claude-3.6-sonnet。
OpenAI 突破「臨界點」
OpenAI 的成員突然在 Twitter 上變得有些奇怪、甚至有些欣喜若狂，原因可能就是看到從原始 4o 模型到 o3（以及現(xiàn)在的狀態(tài)）的改進。
這就像觀看 AlphaGo 在圍棋中等國際排名：它一直在上升…… 上升…… 再上升……
可能他們覺得自己「突破了」，終于跨過了臨界點：從單純的前沿 AI 工作，幾乎每個人幾年后都會復制的那種，跨越到起飛階段 —— 破解了智能的關(guān)鍵，以至 o4 或 o5 將能夠自動化 AI 研發(fā)，并完成剩下的部分。
2024 年 11 月，阿爾特曼表示：
我可以看到一條路徑，我們正在做的工作會繼續(xù)加速增長，過去三年取得的進展將繼續(xù)在未來三年、六年、九年或更長時間里繼續(xù)下去。
不久卻又改口：
我們現(xiàn)在非常確信地知道如何構(gòu)建傳統(tǒng)意義上的 AGI…… 我們開始將目標超越這一點，邁向真正意義上的超級智能。我們很喜歡我們目前的產(chǎn)品，但我們是為了美好的未來。通過超級智能，我們可以做任何事情。
而其他 AI 實驗室卻只能望洋興嘆：當超級智能研究能夠自給自足時，根本無法獲得所需的大型計算設(shè)備來競爭。
最終 OpenAI 可能吃下整個 AI 市場。
畢竟 AlphaGo / Zero 模型不僅遠超人類，而且運行成本也非常低。僅僅搜索幾步就能達到超人類的實力；即使是僅僅前向傳遞，已接近職業(yè)人類的水平！
如果看一下下文中的相關(guān)擴展曲線，會發(fā)現(xiàn)原因其實顯而易見。
論文鏈接：https://arxiv.org/pdf/2104.03113
繼續(xù)蒸餾
推理時的搜索就像是一種刺激劑，能立即提升分數(shù)，但很快就會達到極限。
很快，你必須使用更智能的模型來改善搜索本身，而不是做更多的搜索。
如果單純的搜索能如此有效，那國際象棋在 1960 年代就能解決了。
而實際上，到 1997 年 5 月，計算機才擊敗了國際象棋世界冠軍，但超過國際象棋大師的搜索速度并不難。
如果你想要寫著「Hello World」的文本，一群在打字機上的猴子可能就足夠了；但如果想要在宇宙毀滅之前，得到《哈姆雷特》的全文，你最好現(xiàn)在就開始去克隆莎士比亞。
幸運的是，如果你手頭有需要的訓練數(shù)據(jù)和模型，那可以用來創(chuàng)建一個更聰明的模型：聰明到可以寫出媲美甚至超越莎士比亞的作品。
2024 年 12 月 20 日，阿爾特曼強調(diào)：
在今天的噪聲中，似乎有些消息被忽略了：
在編程任務中，o3-mini 將超過 o1 的表現(xiàn)，而且成本還要少很多！
我預計這一趨勢將持續(xù)下去，但也預見到為獲得邊際的更多性能而付出指數(shù)級增加的資金，這將變得非常奇怪。
因此，你可以花錢來改善模型在某些輸出上的表現(xiàn)…… 但「你」可能是「AI 實驗室」，你只是花錢去改善模型本身，而不僅僅是為了某個一般問題的臨時輸出。
這意味著外部人員可能永遠看不到中間模型（就像圍棋玩家無法看到 AlphaZero 訓練過程中第三步的隨機檢查點）。
而且，如果「部署成本是現(xiàn)在的 1000 倍」成立，這也是不部署的一個理由。
為什么要浪費這些計算資源來服務外部客戶，而不繼續(xù)訓練，將其蒸餾回去，最終部署一個成本為 100 倍、然后 10 倍、1 倍，甚至低于 1 倍的更優(yōu)模型呢？
因此，一旦考慮到所有的二階效應和新工作流，搜索 / 測試時間范式可能會看起來出奇地熟悉。
參考資料：
https://x.com/emollick/status/1879574043340460256
https://x.com/slow_developer/status/1879952568614547901
https://x.com/kimmonismus/status/1879961110507581839
https://www.lesswrong.com/posts/HiTjDZyWdLEGCDzqu/implications-of-the-inference-scaling-paradigm-for-ai-safety
https://x.com/jeremyphoward/status/1879691404232015942
本文來自微信公眾號：新智元（ID：AI_era）
本文鏈接：http://www.tebozhan.com/showinfo-45-9504-0.htmlOpenAI 員工“瘋狂暗示”內(nèi)部已成功開發(fā) ASI？被曝訓出 GPT-5 但雪藏
聲明：本網(wǎng)頁內(nèi)容旨在傳播知識，若有侵權(quán)等問題請及時與本網(wǎng)聯(lián)系，我們將在第一時間刪除處理。郵件：2376512515@qq.com
Copyright ? 2016-2023 天津谷騏科技有限公司 版權(quán)所有 sitemap.xml
違法及侵權(quán)請聯(lián)系：2376512515@qq.com 津ICP備18001702號
津公網(wǎng)安備 12010102000574號