11月25日消息，近期，关于AI模型规模定律（Scaling Law）是否遭遇“撞墙”现象的争议引发了广泛关注。在这场争论中，作为竞争对手的OpenAI与Anthropic却罕见地一致枪口对外，他们都认为AI并没有“撞墙”。
这场争论的核心聚焦于：随着模型规模的持续扩大，其性能提升是否会遭遇无法逾越的天花板。对此，OpenAI的首席执行官山姆·奥特曼（Sam Altman）已在社交媒体上明确表示：“没有墙！（there is no wall.）”
如今，Anthropic的副总裁兼技术主管迈克尔·格斯滕哈伯（Michael Gerstenhaber）也发表了看法。他指出，大语言模型及其他形式的生成式人工智能在“自我纠正”方面正稳步进步，将能够胜任更多任务，并推动“AI智能体”的发展。
在最近名为“新一代人工智能：它能实现生产力承诺吗？”的会议上，格斯滕哈伯强调：“大模型在自我纠正与自我推理方面变得愈发擅长。每隔数月，我们就会推出新模型，不断拓展大语言模型的功能。这个行业最令人兴奋之处在于，每次模型升级都会解锁全新的应用场景。”
Anthropic的最新模型已涉足任务规划领域，如模拟人类在电脑上的操作流程，包括网上订购披萨等。格斯滕哈伯表示：“如今，规划中间步骤已成为现实，而这在以往是无法实现的。”
格斯滕哈伯的观点与人工智能怀疑论者的立场大相径庭。怀疑论者认为，生成式人工智能及其他更广泛的人工智能领域正在遭遇“撞墙”困境，即每代新模型带来的改进正逐渐减少。
人工智能学者加里·马库斯（Gary Marcus）在2022年已发出过警告，他认为仅仅通过增加人工智能模型的参数数量，并不能带来与规模增长相匹配的性能提升。这一警告至今仍然被他不断重申。
面对这一观点，格斯滕哈伯表示，Anthropic一直在推动当前人工智能基准测试所能衡量的能力边界。他解释说：“即使在某些方面看起来增长似乎在放缓，那也是因为我们正在实现全新的功能类别，而我们已经让基准测试和完成原来任务的能力达到了饱和状态。”换言之，衡量新一代人工智能模型的能力正变得越来越具有挑战性。
格斯滕哈伯与机器学习标注训练平台Scale AI的维贾伊·卡鲁那姆西（Vijay Karunamurthy）均认为，通过扩展生成式人工智能的规模，有助于推动这种自我纠正的神经网络的进步。
格斯滕哈伯指出：“我们确实看到智能在不断扩展，但我们并不认为我们在规划和推理方面遇到了瓶颈。其中一个原因是，我们现在才刚刚开始了解如何构建规划和推理任务，以便模型能够适应它们尚未尝试过的各种新环境。”
他补充道：“我们还处于发展的早期阶段，正在从应用程序开发者那里了解他们在尝试做什么，以及大语言模型在哪些方面做得不够好，这样我们就可以将这些信息集成到大模型中，进行迭代改进。”
格斯滕哈伯还表示，这些发现与Anthropic的基础研究速度密切相关，但部分也依赖于倾听“行业告诉我们他们需要什么，以及我们的适应能力——我们非常注重实时学习。”
卡鲁那姆西则指出，客户往往倾向于从大型模型开始，但有时也会根据具体需求缩小到更简单的人工智能模型。他补充说：“很明显，他们首先考虑的是人工智能是否足够智能，能否很好地完成测试；其次是它是否足够快，能否满足他们在应用程序中的需求；最后是尽可能地降低成本。”
本文来自“腾讯科技”，作者：金鹿，36氪经授权发布。
