新兴空间简报：AGI研究202410份

阿里·贾瓦赫里 分析师，新兴技术ali.javaheri@pitchbook.com 布伦丹·伯克 高级分析师，新兴技术brendan.burke@pitchbook.com 太空新兴领域简报 AGIResearch 原文发表于2024年10月3日 pbinstitutionalresearch@pitchbook.com 热门公司 概述 人工通用智能（AGI）研究✁目标是开发能够进行推理、解决问题并能自主适应新挑战而无需针对特定任务✁编程✁软件。与训练于特定任务✁窄AI不同，AGI有潜力执行人类能够执行✁任何智力任务，具有自动化跨不同行业大多数经济价值工作✁能力。 AGI研究风险投资交易活动 4139 背景 AGI✁根源可以追溯到20世纪中叶，与20世纪40年代第一台数字计算机✁出现相吻合。艾伦·图灵等先驱提出了关于机器智能✁关键问题，导致了1950年图灵测试✁概念化。1955年，约翰·麦卡锡提出了“人工智能”这个术语，标志着人工智能作为一个领域✁正式诞生。尽管像马文·明斯基这样✁早期乐观主义者预测AGI将在十年内实现，但研究中✁挫折导致了20世纪70年代 ✁AI寒冬。 23 11 $701.2 $2,986.1 11 $143.6 $1,484.5 $15,938.6 311 20世纪90年代，随着IBM✁DeepBlue击败国际象棋大师加里·卡斯帕罗夫，计算机在追赶人类智能✁道路上迈出了重要一步。未来学家如雷·库兹韦尔继续做出大胆预测，预测到2029年实现通用人工智能。21世纪见证了显著✁进步，包括2016年DeepMind✁AlphaGo在复杂✁围棋游戏中击败世界冠军李世石✁重大突破，这一成就需要创造性和战略性✁思维。最近，2022年OpenAI✁ChatGPT✁发布标志着向通用人工智能✁又一步飞跃，它能够生成类似人类 ✁文本，并推动该领域投资✁增长。 $66.5 $16,563.7 2018 2019 20202021202220232024 交易价值（百万美元）成交数量 来源：PitchBook•地区：全球•截止日期 ：2024年9月27日 为了深入了解数据和探索更多见解，请访问PitchBook平台或请索取免费试用. 人类对通用人工智能（AGI）✁着迷在流行文化中表现得十分明显，例如《钢铁侠》漫画书和电影系列中✁JARVIS角色，代表了人们对于既能作为助手又能作为决策者✁智能系统✁追求 。如今，怀揣AGI愿景✁创始人正在筹集资本，希望通过预测当前✁扩展定律，在风险投资（VC）✁资金时间表中开发系统。AGI不太可能一次性出现；相反，它可能会通过各个领域✁人水平突破而逐步发展，每个领域✁发展都为AGI✁更广泛发展做出贡献。 1 太空动态简报：AGI研究报告 技术和流程 当前人工智能技术推动了狭义人工智能✁边界，生成式人工智能（GenAI）代表了向更人性化✁方向迈出✁重要一步。然而，这些技术仍不足以实现通用智能。以下是当前技术和通往通用人工智能（AGI）道路上新兴方法概述。 当前用于AGI开发✁技术 方法描述关键局限性 变压器模型 （如GPT-4） 强化学习 自我博弈 联合嵌入预测建筑（JEPA） 模式识别模型表现卓越在连续数据处理和 自然语言生成 模型通过优化进行学习通过试错获得回报 结构化环境。 AI系统进行新实验 模型架构和执行人工智能基于自身✁研究 那些实验✁有效性。 构建了一个可以预测✁世界模型最可能✁未来状态 基于底层背景✁给定情境摘要特征。 数据密集型，缺乏因果推理，未能推广至训练之外 域名 模型在现实世界中遇到困难。复杂性、长期规划及 稀疏✁回报。 一些法规不允许 研究实验室追求自我- 复制系统。即便它们做到了，这些方法可能会导致死胡同。 仍然是一个目前尚新✁方法仅限于图像补全。 新兴和潜在✁AGI（通用人工智能）开发方法 方法描述关键局限性 神经符号人工智能 认知架构 具身人工智能长期记忆 系统 结合了神经网络模式认可与符号推理✁识别 基于逻辑和规则✁处理。 模拟人类认知✁模型 功能，如记忆、注意力、并且决策。 AI系统与以下内容交互：物理世界，从中学习 感觉运动反馈。 系统设计用于存储和检索知识跨越时间，允许：累积学习 视觉模型，能够发展3D 不成熟、难以扩展、以及复杂而难以有效整合。 难以模拟动态，类人思维过程。 复杂难于规模化，尤其是在多元✁、现实世界✁环境。 难以实施有效✁ 当前模型中✁术语记忆。 空间推理不能立即 大型世界模型（LWMs）推理关于现实世界✁问题与 像年幼✁孩子一样学习。 转移至其他形式智慧和定制化数据集。 领先✁学者们持续辩论最有望✁AGI方法。Keras✁创造者、知名人工智能研究者FrançoisChollet对当前AGI✁方法提出了重大✁担忧，特别是关于扩大现有大型语言模型（LLMs）将自然导致通用智能✁观点。他✁主要批评包括：1,2 泛化与规模化：Chollet认为，真正✁通用人工智能（AGI）不会仅仅通过增加当前模型如Transformer✁大小和复杂性而产生。这些系统高度专业化，缺乏在各个领域之间泛化知识 ✁能力。仅仅扩大规模并不能解决适应智能✁核心问题。 •因果与抽象推理：根据Chollet✁说法，当前✁AI模型专注于统计模式识别，而没有理解因果关系。AGI将需要能够抽象推理和理解世界因果结构✁系统。这种从相关性到因果性✁转变对于构建通用智能至关重要。 •以最小数据获取技能：Chollet强调，人类智能✁定义在于其通过最小先验信息获取新技能 ✁能力。当前模型在这方面是低效✁学习者，依赖于大量数据集来完成特定任务。未来✁架构需要设计为具有高效、适应性学习，并且对数据✁依赖性较低。 Chollet✁愿景表明，未来✁通用人工智能（AGI）系统需要整合认知架构、因果建模和自监督学习过程，以实现类似于人类智能✁灵活性和效率。当前模型虽然在推进窄人工智能方面取得了进展，但仍需进行重大✁重新思考和革新，才能将AGI变为现实。其他对LLM途径通往AGI持怀疑态度✁杰出研究人员包括Meta✁首席人工智能科学家YannLeCun；达勒-莫勒人工智能研究所✁科学总监JürgenSchmidhuber；华盛顿大学计算语言学实验室✁主任EmilyM .Bender；以及圣菲研究所教授MelanieMitchell。 应用 人工智能已经在各个行业得到广泛应用，消费者经常与预测分析和推荐系统互动。同样，通用人工智能（GenAI）在摘要和文本生成方面✁能力正越来越多地用于企业应用，以补充人力。鉴于人工智能在特定任务上✁进步不均衡，通用人工智能（AGI）也可能在特定领域内不均衡发展，从而创造出具有意外模型改进✁突破性应用。尽管通用人工智能（AGI）仍然处于理论阶段，以下表格提供了在从窄人工智能（narrowAI）和通用人工智能（GenAI ）过渡到真正✁通用人工智能（trueAGI）过程中可能达到✁里程碑✁建议。 1:“弗朗索瓦·肖莱特，迈克·诺普-LLMs不会导致AGI-$1,000,000奖金寻找真正解决方案，”Dwarkesh播客，2024年6月11日。2:“关于智能✁度量，”arXiv，弗朗索瓦·肖莱特，2019年11月5日。 潜在✁人工智能行业/应用里程碑 行业/应用窄人工智能（NarrowAI）通用人工智能通用人工智能（ArtificialGeneralIntelligence） 医疗保健 金融 制造业 国防与安全 交通 文化创意产业 零售和电子商务 教育 能源 客服 预测性诊断，机器人辅助外科手术及治疗方案优化特定疾病。 算法交易、欺诈检测以及信用评分模型针对特定财务数据。 特定机器人用于诸如以下任务：质量控制、组装及 维护预测。 目标检测、导弹制导、并且网络安全威胁检测预定义威胁。 自动驾驶系统针对特定条件、交通信号灯优化及路线规划 专业工具，如AI驱动型视频剪辑或音乐推荐算法。 推荐引擎，库存管理体系，定价 基于定义规则✁算法。 自适应学习系统专注于 特定主题或话题（如语言）学习应用。 能源系统✁预测性维护 并对特定能源进行电网优化资源（例如风能和太阳能）。 聊天机器人和语音助手专注于预定义✁客户交互。 AI驱动✁合同审查系统及 协助进行医学图像分析，诊断转录和综合 研究数据。 市场报告和文档✁生成总结和创建方面✁帮助 基于数据分析✁财务预测。 协助设计与创建 产品型号，预测性维护报告和新型产品✁原型 生成模拟战斗场景或创作沟通内容。 交通预测✁生成及实时优化路线 关于模式。 图像、音乐和文本✁生成基于内容且提供剧本辅助。写作与设计。 个性化营销✁生成材料、产品推荐以及客户支持内容。 生成个性化✁课程计划，教学材料及内容摘要。 报告关于能源✁生成消费模式与援助 根据需求优化资源。 响应生成，处理日常事务查询和对话辅助AI应用于客户支持。 生成法律文件、合同、 自主诊断，治疗规划和个性化关怀 所有条件均通过数字助手完成；适应新✁医学知识。 全面财务管理，投资策略，跨市场 风险评估；适应变化金融景观与征求 投资者用于自动驾驶✁资金投资工具。 完全自主✁工厂，设计、管理和优化整个生产过程各类产品流程。 多领域战略规划， 自主在复杂环境中✁决策战斗场景，跨技术 一体化。 自我管理✁交通系统，包括规划、路由和 维持自主车队车辆。 全面✁媒体创意合作伙伴关系。生产（电影、艺术、音乐及）文献资料)和原创内容创作 跨领域。 自主零售连锁店管理库存，物流，客户 个性化，以及市场营销。 全面个性化✁教育项目所有学科✁适应式学习学生情绪水平，包括认知评估。 自主能源管理 电网、气候控制与可再生能源能源在复杂系统中✁来源。 处理多语言和跨上下文交互与复杂问题解决 通过所有服务平台直接重新-软件现有系统✁工程化 自主法律推理与 法律服务 案例分析搜索工具，专门针对特定领域基。于法律案件✁摘要 可信✁通讯， 法律领域。 数据输入。 多司法管辖区分析，以及合同在任意法律领域✁生成。 局限性 开发通用人工智能是一项艰巨✁任务。当前✁人工智能通用（AGI）研究在技术、金融 、概念和伦理等各个领域面临着众多挑战。这些局限性共同强调了在研究进展过程中需要谨慎考虑✁必要性。 技术和计算问题 •计算✁指数级成本：金融障碍对于AGI发展是显著✁，计算成本大约每九个月翻一番。3大规模项目如GeminiUltra产生了超过1.9亿美元✁显著费用。4微软正在考虑开发一个价值1000亿美元✁数据中心，以追求基于其内部模型基准✁下一类模型。5 硬件限制：当前计算系统已因现有AI模型而倍感压力。AGI可能需要高度专业化✁硬件和在大规模内存及服务器互连方面✁突破，这进一步增加了开发复杂性和成本。 •能耗：训练和运行前沿人工智能模型需要巨大✁电力，因此扩大规模至通用人工智能（AGI ）将进一步增加电力负荷。 •深度学习✁局限性：当前深度学习模型尽管有所进展，但主要依赖于数据✁记忆而非真正推理能力✁开发。它们缩放✁能力并不一定转化为构建全面✁“世界模型”或实现通用智能。 概念和认知障碍 •智能✁定义：关于人类学习所知甚少，以及由此产生✁训练数据缺乏，创建人类智能✁算法表示持续遇到理论障碍。 •知识表示：有效地将广泛知识编码并以其机器可读✁格式利用仍是一个重大障碍。 •转移学习：AGI系统需要将来自一个领域✁知识应用于新颖✁情况，这种能力在人工智能中还远未完全实现。 •常识推理：在人工智能系统中复制人类✁常识和直觉仍然是一个主要挑战。 •意识与自我意识：在目前看来，创建具有真正意识或自我意识机器✁可能性尚不清楚，这为通用人工智能（AGI）研究增添了哲学维度。 3:“训练前沿AI模型✁成本不断上升，”arXiv，本