TIM PENELITIAN ZHEJIANG MENGUSULKAN JALUR BARU: MENGAJARKAN AI BAGAIMANA MEMAHAMI DUNIA

Model yang besar telah tumbuh, dan semakin dominan pandangan adalah semakin banyak parameter model, semakin dekat cara manusia berpikir. Namun, sebuah makalah yang diterbitkan oleh tim Zhelong pada 1 April di Nature Corporations menyajikan pandangan yang berbedahttps://www.nature.com/articles/s41467-026-71267-5Aku tidak tahu. Mereka menemukan bahwa, ketika model (mainly SimCLR, CLIP, DINOV2) tumbuh dalam ukuran, kemampuan untuk mengidentifikasi hal-hal spesifik tidak terus membaik, tetapi kemampuan untuk memahami konsep abstrak belum membaik, atau bahkan menurun. Saat parameter meningkat dari 2,206 juta menjadi 304,37 juta, tugas konseptual spesifik meningkat dari 74,94 per sen menjadi 85,87 per sen dan tugas konsep abstrak dari 54,37 per sen menjadi 52,82 per sen。

Perbedaan antara manusia dan model pemikiran

When the konsep otak manusia ditangani, hubungan klasifikasi dikembangkan. Angsa dan burung hantu itu berbeda, dan orang-orang masih menaruhnya dalam burung. Ke atas, burung dan kuda dapat terus ditempatkan di lapisan hewan. Ketika orang melihat sesuatu yang baru, mereka sering mulai berpikir tentang bagaimana rasanya, dan apa yang mungkin seperti sebelumnya. Orang-orang yang terus belajar tentang konsep baru, kemudian mengatur pengalaman mereka dan menggunakannya untuk mengidentifikasi dan menyesuaikan diri dengan situasi baru。

Model anime juga dapat diklasifikasikan, tetapi dalam bentuk yang berbeda. Ini bergantung terutama pada bentuk berulang dalam data skala besar. Benda yang lebih spesifik muncul, semakin mudah model mengenalinya. Pada titik ini dalam kategori yang lebih besar, model lebih buruh. Ini perlu untuk menangkap kesamaan antara objek ganda dan kemudian kelompok mereka ke dalam kategori yang sama. Model yang ada juga memiliki lempengan yang jelas di sini. Sebagai parameter terus berkembang, tugas konseptual spesifik akan meningkat dan tugas konseptual abstrak kadang-kadang akan menurun。

Kata penyebut umum antara otak manusia dan model adalah adanya hubungan klasifikasi internal. Namun, ada fokus yang berbeda dan wilayah visual tingkat tinggi otak manusia secara alami membedakan antara kategori luas hidup dan non-hidup. Model-model lemadin dapat memisahkan objek spesifik, tetapi sulit untuk menstabilkan klasifikasi yang lebih besar ini. Perbedaan ini memudahkan otak manusia untuk menerapkan pengalaman lama pada objek baru, sehingga kita dapat dengan cepat mengklasifikasikan hal-hal yang belum pernah kita lihat sebelumnya. Sebaliknya, Models lebih mengandalkan pengetahuan yang ada, sehingga ketika objek baru ditemui, lebih mudah untuk berhenti pada fitur permukaan. Pendekatan yang disarankan dalam makalah adalah untuk berkembang di sekitar fitur ini, menggunakan isyarat otak untuk membatasi struktur internal model untuk membawanya lebih dekat ke klasifikasi otak manusia。

Solusinya Zheung

Solusi yang ditawarkan oleh tim juga unik, bukan untuk terus menumpuk parameter, melainkan untuk memantau sejumlah kecil sinyal otak. Ini sinyal otak, catatan aktivitas otak saat orang melihat gambar. Pada awalnya kertas tersebut ditulis dengan memberikan transportasi konseptual manusia ke DNNs. Ini berarti bagaimana otak manusia diklasifikasikan, bagaimana itu dirangkum, bagaimana datang bersama-sama, bagaimana mengajar model sebanyak mungkin。

Tim ini bereksperimen dengan 150 kategori pelatihan yang diketahui dan 50 kategori tes yang tidak dikenal. Hasil tersebut menunjukkan bahwa jarak antara model dan tanda otak terus berkurang seiring dengan kemajuan paket pelatihan. Perubahan ini muncul pada kedua kategori, yang menunjukkan bahwa model tidak belajar dari satu sampel, tetapi sebenarnya mulai mempelajari sebuah organisasi konseptual yang lebih dekat dengan otak manusia。

Hasil dari pelatihan ini, model ini lebih mampu belajar ketika sampelnya langka dan lebih baik terkena keadaan baru. Dalam tugas yang hanya memberikan sedikit contoh saja tetapi membutuhkan model untuk membedakan antara konsep abstrak hidup dan non-hidup, model telah meningkat rata-rata 20,5 per sen dan melebihi model perbandingan yang jauh lebih besar. Tim ini juga mengadakan tambahan 31 set tes khusus, dan beberapa jenis model menunjukkan perbaikan mendekati sepuluh persen。

Pada beberapa tahun terakhir, jalan yang akrab untuk industri modelling telah ukuran yang lebih besar dari model. Tim besar memilih arah lain, dari Bigger lebih baik ke Starred adalah Smarter. Meskipun benar bahwa ekspansi telah berguna, itu terutama telah ditingkatkan oleh keakraban dengan kinerja misi. Kemampuan manusia untuk memahami dan bermigrasi dalam istilah abstrak juga penting untuk AI, yang perlu membawa struktur pemikirannya lebih dekat ke otak manusia di masa depan. Nilai dari arah ini terletak pada fakta bahwa itu menggeser perhatian industri dari skala belaka ke struktur kognitif itu sendiri。

Neosoul dan masa depan

Hal ini menimbulkan kemungkinan yang lebih besar bahwa evolusi AI mungkin tidak terjadi hanya pada tahap pelatihan model. Modelling dapat menentukan bagaimana AI mengatur konsepnya dan bagaimana membentuk struktur penilaian yang berkualitas lebih tinggi. Setelah memasuki dunia nyata, tingkat evolusi AI yang lain baru saja dimulai: bagaimana ia dicatat, bagaimana ia diuji, bagaimana ia berkembang dalam persaingan nyata, dan bagaimana ia berevolusi dalam belajar diri sebagai manusia. Itulah yang dilakukan Neosoul. Neosoul tidak hanya memungkinkan AI untuk menghasilkan jawaban, tetapi menempatkan AI anent ke dalam sistem peramalan terus-menerus, validasi berkelanjutan, penyelesaian berkelanjutan, skrining berkelanjutan, memungkinkan untuk mengoptimalkan dirinya dalam prediksi dan hasil, memungkinkan struktur yang lebih baik untuk dipertahankan dan struktur yang lebih buruk untuk dihilangkan. Tim Zhejig bekerja sama dengan Neosoul untuk mencapai tujuan yang sama: untuk membuat AI tidak lagi menjadi masalah, tetapi untuk sepenuhnya berpikir dan berkembang。