X研究00:51François Chollet@fcholletArgon 在 ARC-AGI-3 上的表现与 Astra 相近。谷歌又回到了前沿。https://t.co/a6GGEsMN4A薄雾 采集读全文↗
X研究23:02François Chollet@fchollet人人都想已经解决过一道难题,但几乎没人愿意真正置身于动手解决它的苦熬之中。突破属于那些痴迷于过程本身的少数人,而不只是结果的想法。薄雾 采集读全文↗
X研究22:35François Chollet@fchollet单靠自回归采样无法解决现实世界的物理任务。 物质世界对幻觉或近似模式匹配是完全不可原谅的。 如果我们想要真正的自主机器人,我们必须将因果关系和离散推理设计回循环中。 Biwei和Aether AI的团队正在做该领域目前真正需要的基础性、非共识性工作。https://t.co/UJtL2t0tQ2薄雾 采集读全文↗
X研究11:43François Chollet@fchollet科学的理想结果并不是少数几个实验室用专有模型和数百万美元去攻克奖杯级难题,而是让数百万由AI辅助的人类科学家追随自己的好奇心,变得更加雄心勃勃薄雾 采集读全文↗
X研究22:28François Chollet@fchollet弦理论是当智能系统缺乏感官输入并开始产生幻觉时会发生什么。情报需要接地。 出于这个原因,智力实际上从来都不是解决有影响力问题的瓶颈。 瓶颈在于与现实的迭代接触。薄雾 采集读全文↗
X研究08:25François Chollet@fchollet如果你向旧金山的人们解释农业,你会让很多人大吃一惊。 它是物理世界的自我复制、递归自我改进的纳米技术。 而且都是开源的! 一个实例可以变成数百个种子,然后变成数百个实例。 接下来你知道你有数万亿。 这是超级指数薄雾 采集读全文↗
X研究00:05François Chollet@fchollet在一张图表中,人工智能如何从转导范式(逐个标记的答案完成)转变为归纳范式(即时推理链合成)。这是2025年和2026年的大事。这就是编码代理的工作原理。薄雾 采集读全文↗
X研究02:00François Chollet@fchollet@AIQuanting 如果人员数量是瓶颈并且它转向计算,那么线性进度曲线的系数就会增加。没什么别的了。 需要明确的是,我不认为科学进步目前受到人员数量的瓶颈。薄雾 采集读全文↗
X研究01:54François Chollet@fchollet现实世界充满了递归的自我改进系统,但有一个特别值得关注:科学,被建模为一个系统(甚至可能作为一个具有目标和资源的代理)。如果你想真正理解 AI RSI,科学应该是你的参考点。 科学是一个智能系统,它显然是递归地自我完善的: 1. 科学发现解锁了有助于构建更好实验工具的新技术。这是几乎所有领域进步的首要驱动力。 2. 他们释放了新的概念进步(想法、理论),有助于解决更多问题。 3.它们增加了社会的经济产出,导致更多的资源流入科学领域。 4.他们解锁更好更快的工具(例如通过更好的芯片和网络技术进行更多计算)。 因此,许多科学“投入”指标呈指数级增长: 1. 员工人数(每约 15 年翻一番) 2. 全球研发支出(每约 13 年翻一番) 3. 论文和专利(从技术上讲,这是衡量员工数量的指标) 4. 科学计算(每两年翻一番) 但科学进步是指数级的吗?从历史上看,自工业革命开始以来,科学影响随时间的变化率大致保持不变(即科学进步是*线性*)。 1850-1900 年与 1900-1950 年或 1950-2000 年一样充满戏剧性。 1850-1900:进化论、细菌理论和消毒手术、热力学、电磁场方程、元素周期表、制药、电力、电报和电话、内燃机、摩天大楼、机械化农业…… 1900-1950:狭义相对论和广义相对论、量子力学、核裂变和原子能、抗生素、遗传理论、电子计算机、信息论、合成聚合物和塑料、晶体管、航空…… 1950-2000:DNA、基因工程、集成电路、微处理器和个人计算、互联网、载人航天、登月、卫星通信和 GPS、粒子物理标准模型…… 实际上,就像预期寿命一样,自 1840 年以来,预期寿命以每年大约 3 个月的显着线性方式增长,进步也是一条直线。对于生物学、医学和农业等影响容易衡量的领域来说,这一点尤其明显。 我于 2012 年首次撰写有关这一现象及其原因的文章,此后的几年里,源源不断的研究证实了这一点。例如,尼尔森和科里森在 2018 年发表的论文《科学的效益越来越低》,以及 2020 年的经济论文《想法变得更难找到了吗?》 (事实上,我相信尼尔森的论文源于六个月前我与他就这个确切想法进行的一次对话) 简而言之,主要原因是研究首先解决影响最大、最简单的问题,随后的每个问题要么更难,要么影响较小。指数如此。介绍信息论的论文并不难写(单一作者!),但你很难写出一篇影响力超过它的计算机科学论文。 这就是为什么科学作为一个系统需要指数资源(输入)来产生线性影响(输出)。随着时间的推移,难度会呈指数级增长。 如果您正在考虑人工智能的 RSI,那么值得考虑。我完全相信 AI RSI 已经发生,并且在未来将会加速。但我不相信这会导致“智能爆炸”——这将违背我所知道的关于智能的一切以及我所知道的关于递归自我改进系统的一切。薄雾 采集读全文↗
X研究00:31François Chollet@fchollet目前,使用人工智能代理仍然感觉非常单人。他们完成您的工作,但结果被困在孤立的聊天历史中,没有任何复合。 Busabase 团队 (@Busabase4agent) 正在启动一个开源 (MIT) 数据库和工作区,供代理解决此问题。您的代理不会因短暂的聊天而失去工作,而是直接写入结构化工作区,将其输出转换为整个团队都可以访问的可重用数据、文档和技能。 详细信息请参见:https://busabase.com/薄雾 采集读全文↗
X研究09:43François Chollet@fchollet@SchopenhauerOn ECI 基本上不是已经在对数尺度上了吗?人工智能能力似乎呈指数级增长,因为所有基准测试的错误率在固定时间增量内减半(确切的时间间隔取决于基准测试)薄雾 采集读全文↗
X研究05:50François Chollet@fchollet@ishwors46091536否,因为训练与推理的份额大致恒定(〜60%与〜40%,有点波动),所以从计算中删除推理不会改变拟合,它只是一个乘法常数薄雾 采集读全文↗
X研究05:37François Chollet@fchollet2023 年至 2026 年期间,大多数人工智能进展指标都非常接近指数。与此同时,同期的人工智能资本支出略呈超指数增长(即增长率本身正在增加)。 因此,如果将人工智能建模为一个以外部投资作为输入并输出人工智能进展的系统,那么该系统会有轻微的次线性响应。 但“外部”资源的超指数注入从长远来看是不可持续的。为了实现持续的指数级进步,人工智能行业需要实现相应的指数级利润——需要形成资源闭环。薄雾 采集读全文↗