创造“AI爱因斯坦”科学变革进入第五范式(2)

“未来十年，深度学习注定将给自然科学带来变革性的影响。”微软技术院士、微软研究院科学智能中心负责人Chris Bishop认为，前四个范式由浅入深，循序渐进，从人类对自然界的直接观察到依据密集型数据，构造基于数据的、开放协同的研究与创新模式……这些范式之间都紧密相连，相辅相成。
2022年ChatGPT的出现，Scaling Law（尺度定律）成为大模型领域的“金科玉律” ，并掀起此轮AI浪潮，但漆远认为，仅依靠海量数据的压缩和归纳，并不足以实现通用人工智能（AGI）。就像AlphaGo通过学习海量的人类棋谱战胜李世石那样，人类看到了机器超越人类认知的可能性，但人类需要像Alpha Zero那样，让AI具备自我学习和创新的能力。
漆远认为，AI4S的最终目标，是创造出能够理解复杂世界、发现未知规律的“AI爱因斯坦”。要实现这一关键目标，一方面需要结合快思考的概率预测和慢思考的逻辑推理，融合神经符号计算与大模型，打造既智能又可靠的“灰盒”AI系统；另一方面，通过整合科学规律、观测数据和合成数据，致力于开发深度理解物理世界的垂直领域科学大模型。
LSTM之父、阿卜杜拉国王科技大学人工智能计划负责人、瑞士人工智能实验室（IDSIA）研发主任Juergen Schmidhuber与漆远的观点不谋而合。他认为，AI需要探索未知，而不仅仅是应用已知的方法。目前传统的强化学习存在局限，使用世界模型不仅能够基于世界认知预测行为，同时可以让AI像人类婴儿一样在设定目标下学习和成长，这种学习模式在通往AGI的道路上是非常必要的。
“未来世界模型需要新的算法机制，应该更加关注奖励组合的设计，不仅包括外部环境给予的奖励，也包含模拟对于人类追寻好奇心的内部奖励。通过奖励机制组合优化模型不仅能让模型追寻外部目标，也能让AI理解科学家内在对于实验的设计和处理，最终通过AI自己设计目标实现世界模型的升级。”Schmidhuber说道。