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

Model besar telah tumbuh, dan semakin banyak pandangan dominan adalah semakin banyak parameter model, semakin dekat cara berpikir manusia. Namun, sebuah makalah yang diterbitkan oleh tim Zhelong pada tanggal 1 April di Perusahaan Alam menyajikan pandangan yang berbedahttps: / / www.nature.com / artikel / s41467-026-71267- 5Aku tidak tahu. Mereka menemukan bahwa, ketika model (terutama SimCLR, CLIP, DINOV2) tumbuh dalam ukuran, kemampuan untuk mengidentifikasi hal-hal tertentu tidak terus meningkat, tetapi kemampuan untuk memahami konsep abstrak tidak meningkat, atau bahkan menurun. Ketika parameter naik dari 2.206 juta ke 304.37 juta, khusus tugas konseptual naik dari 74.94 persen ke 85.87 persen dan abstrak konseptual tugas dari 54.37 persen menjadi 52.82 persen。

Perbedaan antara manusia dan pemikiran model

Ketika konsep otak manusia ditangani, hubungan klasifikasi dikembangkan. angsa dan burung hantu berbeda, dan orang masih menempatkan mereka dalam burung. Naik, 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 terus belajar tentang konsep baru, kemudian mengatur pengalaman mereka dan menggunakannya untuk mengidentifikasi dan beradaptasi dengan situasi baru。

Model juga dapat diklasifikasikan, tetapi dalam bentuk yang berbeda. Hal ini mengandalkan terutama pada bentuk berulang dalam large- skala data. Objek yang lebih spesifik muncul, semakin mudah model akan mengenali mereka. Pada saat ini dalam kategori yang lebih besar, model lebih sulit. Perlu untuk menangkap kesamaan antara beberapa objek dan kemudian kelompok mereka ke kategori yang sama. Model yang ada juga memiliki galian yang jelas di sini. Sebagai parameter terus tumbuh, tugas konseptual spesifik akan meningkat dan abstrak tugas konseptual kadang-kadang akan menurun。

The common denominator antara otak manusia dan model adalah bahwa ada hubungan klasifikasi internal. Namun, ada fokus yang berbeda dan tingkat tinggi daerah visual otak manusia secara alami membedakan antara kategori luas hidup dan tidak hidup. Model dapat memisahkan benda tertentu, tapi sulit untuk menstabilkan klasifikasi ini lebih besar. Perbedaan ini membuat otak manusia lebih mudah untuk menerapkan pengalaman lama untuk objek baru, sehingga kita dapat dengan cepat mengklasifikasikan hal-hal yang belum pernah kita lihat sebelumnya. Model, di sisi lain, lebih mengandalkan pengetahuan yang ada, sehingga ketika objek baru ditemui, lebih mudah untuk berhenti pada fitur permukaan. Pendekatan yang disarankan di koran adalah untuk mengembangkan sekitar fitur ini, menggunakan sinyal otak untuk membatasi struktur internal model untuk membawanya lebih dekat dengan klasifikasi otak manusia。

Solusi Zheung

Solusinya yang ditawarkan oleh tim juga unik, bukan untuk melanjutkan susunan parameter, tapi untuk memantau sejumlah kecil sinyal otak. Berikut adalah sinyal otak, aktivitas otak catatan ketika orang melihat gambar. Koran ini awalnya ditulis dengan memberikan manusia konseptual transportasi ke DNN. Ini berarti bagaimana otak manusia diklasifikasikan, bagaimana itu dirangkum, bagaimana hal itu datang bersama-sama, bagaimana mengajar model sebanyak mungkin。

Tim ini bereksperimen dengan 150 kategori pelatihan yang dikenal dan 50 kategori tes tidak dikenal. Hasilnya menunjukkan bahwa jarak antara model dan tanda-tanda otak terus menurun sebagai kemajuan paket pelatihan. Perubahan ini muncul di kedua kategori, yang menunjukkan bahwa model tidak belajar dari satu sampel, tapi sebenarnya mulai belajar sebuah organisasi konseptual lebih dekat dengan otak manusia。

Sebagai hasil dari pelatihan ini, model ini lebih mampu belajar ketika sampel langka dan lebih baik terkena keadaan baru. Dalam tugas yang hanya memberikan sedikit contoh namun memerlukan model untuk membedakan antara konsep abstrak hidup dan tidak hidup, model telah meningkat rata-rata 20,5 persen dan melebihi model perbandingan yang jauh lebih besar. Tim ini juga melakukan 31 tes khusus tambahan, dan beberapa jenis model menunjukkan peningkatan dekat-sepuluh persen。

Dalam beberapa tahun terakhir, jalan akrab untuk industri pemodelan telah ukuran yang lebih besar dari model. Tim besar memilih arah lain, dari Bigger lebih baik untuk Starred adalah Smarter. Meskipun benar bahwa ekspansi telah berguna, 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 pemikiran yang lebih dekat dengan 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 mengarah pada kemungkinan yang lebih besar bahwa evolusi AI mungkin tidak terjadi hanya pada tahap pelatihan model. Model dapat menentukan bagaimana AI mengatur konsepnya dan bagaimana membentuk struktur penilaian kualitas tinggi. Setelah memasuki dunia nyata, tingkat lain evolusi AI baru saja dimulai: bagaimana direkam, bagaimana diuji, bagaimana berevolusi dalam persaingan nyata, dan bagaimana berevolusi dalam belajar diri sebagai manusia. Itulah yang Neooul lakukan. Neosoul tidak hanya mengizinkan AI untuk menghasilkan jawaban, tapi menempatkan AI anent ke dalam sistem ramalan terus menerus, validasi kontinyu, penyelesaian yang berkelanjutan, pemutaran terus-menerus, memungkinkan untuk mengoptimalkan dirinya dalam prediksi dan hasil, memungkinkan struktur yang lebih baik untuk dipertahankan dan struktur yang lebih buruk untuk dieliminasi. Tim Zhejig bekerja sama dengan Neohoul untuk mencapai tujuan yang sama: untuk membuat AI tidak lagi menjadi masalah, tetapi untuk sepenuhnya dipikirkan dan berkembang。