“越大越好”的路径走不通？OpenAI正在寻求训练模型的新方法

“越大越好”的路径走不通？OpenAI正在寻求训练模型的新方法

　　来源：财联社

　　财联社11月12日（编辑 牛占林）很多人工智能（AI）科学家和初创公司认为，通过增加更多数据和算力来扩大当前模型，以持续改进AI模型的方法正在走到尽头。因此，像OpenAI这样的AI公司正在寻求通过开发新的训练技术来克服当前面临的挑战，这些技术更像人类的思考方式。

　　自风靡全球的聊天机器人ChatGPT发布以来，科技公司都是通过增加更多数据和算力来扩大并改善AI模型。但现在，一些最杰出的AI科学家正在指出这种“越大越好”的局限性。

　　人工智能实验室Safe Superintelligence和OpenAI的联合创始人Ilya Sutskever近日表示，扩大预训练（训练AI模型的阶段，该模型使用大量未标记的数据来理解语言模式和结构）所取得的成果已经达到了一个平稳期，对提升模型性能的帮助有限。

　　Sutskever早期主张通过在预训练中使用更多数据和算力来实现生成式AI的巨大飞跃，这最终创造了ChatGPT。他今年早些时候离开OpenAI，创立了Safe Superintelligence。

　　Sutskever表示：“以前是规模扩张的时代，现在我们又回到了奇迹和发现的时代。每个人都在寻找下一个东西，这比以往任何时候都更重要。”

　　此外，Sutskever还承认他的公司正在研究一种扩大预训练规模的替代方法，但未透露更多细节。

　　新技术竞赛

　　大模型的所谓“训练”需要同时运行数百个芯片，成本可能高达数千万美元。考虑到系统的复杂性，它们更有可能出现硬件导致的故障；在测试结束之前，研究人员可能无法知道这些模型的最终性能，这可能需要几个月的时间。

　　另一个问题是，大语言模型吞噬了大量数据，而AI模型已经耗尽了世界上所有容易获取的数据。电力短缺也阻碍了训练运行，因为这个过程需要大量的能源。

　　为了克服这些挑战，研究人员正在探索测试时计算（test-time compute），这是一种在所谓的推理阶段或使用模型时增强现有AI模型的技术。例如，模型可以实时生成和评估多种可能性，最终选择最佳前进路径，而不是立即选择一个答案。

　　这种方法使模型能够将更多的处理能力投入到具有挑战性的任务中，比如数学或编码问题或需要类似人类的推理和决策的复杂操作。

　　OpenAI研究员Noam Brown此前表示：“事实证明，让一个机器人在一盘扑克牌中思考20秒，与将模型放大10万倍、训练时间延长10万倍的效果相同。”

　　OpenAI 在其新发布的模型“o1”中采用了这项技术，与此同时，来自Anthropic、xAI和DeepMind等其他顶尖AI实验室的研究人员也在致力于开发自己的技术版本。

　　OpenAI首席产品Kevin Weil表示：“我们看到了很多低垂的果实，摘下来让这些模型变得更好。等到人们迎头赶上的时候，我们会努力开发新的技术。”