岩芯数智CEO刘凡平：分区激活 同步学习，开启AGI新路径

本期嘉宾简介：刘凡平，毕业于中国科学技术大学，上海市科技专家库专家。他是一位技术著作丰富的作者，包括《大数据搜索引擎原理分析》、《大数据时代的算法》、《神经网络与深度学习应用实战》和《突围算法》等。作为发明人，刘先生已申请了20余项人工智能技术相关专利。
Key points: 1、Transformer大模型在实现AGI上存在局限性 2、大模型根据任务需求分区激活才是符合人脑的方式 3、端侧模型部署的竞争需要向更低算力设备发展
近日，麻省理工学院（MIT）等机构在顶级学术期刊《自然》杂志发表的一篇文章指出，语言并不等于思维。这一观点引发了AI社区的广泛讨论，人们开始质疑以chatGPT为代表的大语言模型通向通用人工智能（AGI）的路线是否正确。
对此，岩芯数智CEO刘凡平在接受第一财经专访时表示，他认同语言并不等于思维的观点。他认为，基础算法的局限性导致现有大模型并不具备自我学习的能力，如何解决模型个性化即时学习成为关键。
刘凡平领导的RockAI于2024年1月发布了非Transformer架构的通用自然语言大模型——Yan1.0模型。这款模型提出了“同步学习”的概念，允许模型在训练和推理过程中实时更新知识，这种学习方式类似于人类大脑的工作机制，能够快速适应新的情况和需求。
刘凡平强调，通用人工智能应有多种实现方式。以chatGPT为代表的Transformer大模型需要前期通过大量文本数据进行预训练，让模型学习语言的通用模式和知识。然而，预训练完成后，通过在特定下游任务中进行微调对齐，激发模型举一反三的能力。这些训练机制使得Transformer大模型能够模拟人类语言表达，并在多种任务上展现出卓越的性能。
刘凡平指出，虽然Transformer大模型能够模拟人类语言表达，但表象的模拟并不等于思维。这也是近期chatGPT被质疑是否能够实现通用人工智能的原因之一。同时，Transformer大模型每一次训练都需要耗费巨大的算力和数据。刘凡平表示，Transformer大模型虽然目前能通过预训练实现举一反三的能力，在实践中却有着不能实时改进和学习的问题，每3-6个月都需要重新训练一次。
刘凡平表示，主流Transformer大模型的全参数激活本身就是不必要的大功率消耗。他认为，思维的表达方法和呈现方法是Yan模型算法的重要方向。参考人脑大概800亿-1000亿个神经元，人在开车和读书时分别激活的是脑部的视觉区域和阅读区域，实现大模型根据任务需求分区激活才是符合人脑的方式。这不仅可以减少训练数据量，同时也能有效发挥多模态的潜力。
据悉，RockAI的Yan模型是基于仿生神经元驱动的选择算法。这款模型可以根据学习的类型和知识的范围分区激活，同时提出同步学习概念。在对知识更新和学习时，模型层面训练和推理同步进行，以期实时、有效且持续性地提升大模型的智能智力，应对各类个性化场景中出现的问题。
在研发进度方面，今年3月，Yan 1.2模型已经实现类脑分区激活的工作机制，5月底，实现全模态部分视觉支持。目前同步学习仍在实验室最后验证阶段，仍需要大规模测试。刘凡平表示，随着把多模态的视觉、触觉和听觉能力补齐，Yan 2.0最快将于今年年底面世。
刘凡平表示，端侧大模型部署需向更低端设备走。人工智能技术飞速发展，大模型在实现通用人工智能（AGI）方面虽展现出巨大潜力，但传统的Transformer架构在端侧部署时面临算力成本高、运算速度慢和隐私安全等挑战。因此，端侧智能的实现已成为科技界的新战场。

本文 原创，转载保留链接！网址：https://licai.bangqike.com/cjnews/622628.html