MOE Nvidia dan Laluan ke AGI & Cara Dvina Membolehkan Anda Merasai AI Masa Depan Hari Ini

Ömer Odabaş
Bacaan 2 minit • 
Ramai penyelidik percaya hala tuju ini penting untuk matlamat jangka panjang kecerdasan buatan umum, atau AGI. Sistem yang boleh menangani pelbagai jenis masalah memerlukan lebih daripada sekadar saiz yang besar. Ia perlu mampu membuat keputusan. Ia perlu tahu keupayaan mana yang perlu digunakan dan bila.

Ini masa yang menarik bagi kecerdasan buatan. Sekian lama, kemajuan AI berpandukan satu prinsip mudah: besarkan model. Lebih banyak parameter, lebih banyak data, lebih banyak kuasa pengkomputeran. Pendekatan ini berkesan, tetapi turut menimbulkan masalah serius. Melatih model besar menelan kos yang tinggi, mengambil masa yang lama dan menggunakan tenaga yang sangat banyak.

Baru-baru ini, Nvidia memperkenalkan idea berbeza yang dipanggil Mixture of Experts, atau MOE. Daripada mengaktifkan seluruh rangkaian neural untuk setiap tugasan, model belajar memilih bahagian sistem yang benar-benar diperlukan. Setiap bahagian bertindak seperti pakar dalam bidang tertentu. Bagi setiap soalan, hanya pakar yang paling relevan digunakan.

Ini menjadikan sistem lebih cekap dan fleksibel. Pendekatan ini serupa dengan cara manusia bekerja. Anda tidak meminta bantuan daripada setiap orang yang anda kenal untuk setiap masalah. Anda meminta bantuan daripada mereka yang paling sesuai untuk situasi itu. Dengan MOE, sistem AI boleh menjadi lebih pintar tanpa menjadi lebih berat daripada yang diperlukan.

Ramai penyelidik percaya hala tuju ini penting untuk matlamat jangka panjang kecerdasan buatan umum, atau AGI. Sistem yang boleh menangani pelbagai jenis masalah memerlukan lebih daripada sekadar saiz yang besar. Ia perlu mampu membuat keputusan. Ia perlu tahu keupayaan mana yang perlu digunakan dan bila.

Idea ini tidak terhad kepada kertas penyelidikan.

Malah, kami telah menggunakan pendekatan serupa dalam Dvina. Sejak awal, kami beranggapan bahawa tiada satu model bahasa atau alat yang boleh melakukan segala-galanya dengan baik. Daripada bergantung pada satu model, kami membina lapisan orkestrator di atas pelbagai model, alat dan sumber data.

Orkestrator ini berfungsi sebagai lapisan pembuat keputusan. Apabila pengguna mengemukakan soalan, ia menentukan model atau sumber yang patut digunakan. Kadangkala ia menggunakan satu sahaja. Kadangkala ia menggabungkan beberapa model atau sumber dan menyatukan hasilnya. Matlamatnya bukan untuk memperlihatkan kerumitan, tetapi untuk menyembunyikannya di sebalik pengalaman yang ringkas.

Hasilnya ialah sistem yang terasa mampu menyesuaikan diri. Anda mengemukakan soalan, dan sistem menentukan cara paling cekap untuk menjawabnya. Prinsip ini sangat hampir dengan apa yang dicadangkan oleh MOE pada peringkat model, tetapi diterapkan pada peringkat sistem.

AGI masih belum tiba. Namun, idea seperti MOE menunjukkan bahawa laluan ke hadapan bukan sekadar tentang skala. Ia juga tentang struktur, penyelarasan dan penggunaan sumber yang lebih bijak.

Jika anda ingin merasai sendiri bagaimana pendekatan seperti ini berfungsi dalam amalan, anda boleh mencuba Dvina secara percuma di https://dvina.ai. Ia bukan AGI, tetapi memberikan sedikit gambaran tentang cara sistem AI masa depan mungkin berfikir dan beroperasi.

Sertai Dvina

Daftar secara percuma dan satukan semua alat anda dalam satu ruang kerja yang ringkas.

Terokai Lagi