要点总结 预计通用人工智能的发展速度将会加快，到 2030 年前后将取得重大进展。 新成立的通用人工智能研究实验室 NDA 旨在创建一个与深度学习截然不同的机器学习分支。 与传统的参数模型相比，符号模型可以提供更高效、更具普适性的解决方案。 人工智能和机器学习有望朝着最优状态发展，摆脱当前的技术架构。 编码代理之所以能够成功，是因为代码提供了可验证的奖励信号，从而实现了形式化领域的自动化。 由于依赖成本高昂的人工标注数据，推理模型在论文写作等不可验证领域的进展将会很缓慢。 基于代码的训练环境显著提升了人工智能在编程方面的能力。 通用人工智能需要一个能够像人类学习一样，用最少的数据高效学习和适应新任务的模型。 在实现真正的通用人工智能之前，我们正朝着实现经济上有用的工作自动化的方向发展。 在现有语言学习模型的基础上构建通用人工智能被认为效率低下，并且不利于未来的人工智能研究。 人工智能发展的必然性表明，我们需要更高效的基础架构。 新的机器学习范式的发展可能会给人工智能带来重大进步。 当前人工智能模型的局限性凸显了处理复杂、不可验证任务所面临的挑战。 结构化的训练环境对人工智能的性能，特别是编程任务的性能，具有变革性的影响。 类人学习的效率是实现通用人工智能的基本要求。 嘉宾介绍
弗朗索瓦·肖莱 创立了一家专注于通过程序合成开发通用人工智能 的初创公司。他于 2024 年 11 月离开谷歌后，与 Zapier 联合创始人迈克·克努普 共同创立了这家公司。他于 2015 年创建了 Keras 深度学习库，并于 2019 年发布了 ARC-AGI 基准测试，用于衡量人工智能系统解决新颖推理问题的能力。2024 年，他发起了 ARC Prize 竞赛，这是一项奖金高达 100 万美元的竞赛，旨在推动通用人工智能的发展。
为什么通用人工智能的进步势在必行 预计通用人工智能 的发展将继续加速，预计在 2030 年前后将取得重大进展。
我认为我们大概会在发布 ARC 6 或 ARC 7 的时候，也就是 AGI 2030 推出的时候。
——弗朗索瓦·肖莱
人工智能发展的必然性表明，阻止它不太可能。
我觉得你阻止不了人工智能的发展，现在说这些已经太晚了。
——弗朗索瓦·肖莱
了解通用人工智能发展的时间线对于人工智能的发展至关重要。 对通用人工智能未来的预测表明，人工智能的发展是不可避免的。 新的机器学习范式的发展可能会给人工智能带来重大进步。 类人学习的效率是实现通用人工智能的基本要求。
通用人工智能本质上是一个能够应对任何新问题、任何新任务、任何新领域并理解其含义的系统，就像建模一样，并能以与人类相同的效率胜任这项工作。
——弗朗索瓦·肖莱
NDA机器学习的新前沿 新成立的通用人工智能研究实验室 NDA 的目标是创建一个与深度学习有着根本区别的机器学习新分支。
我们在NDA所做的是程序合成研究……我们正试图构建机器学习的一个新分支，它将比深度学习更接近最优解。
——弗朗索瓦·肖莱
要理解这种新方法，了解当前的机器学习范式和深度学习的局限性至关重要。 这种人工智能研究的新方法可能会给该领域带来重大进步。 了解当前深度学习方法的局限性对于认识符号模型的潜在优势至关重要。
我们正在用尽可能小的符号模型来取代参数曲线……我们正在构建一种叫做符号下降法的东西。
——弗朗索瓦·肖莱
与传统的参数模型相比，符号模型可以提供更高效、更具通用性的机器学习解决方案。 NDA 开发的新机器学习范式可能会重塑人工智能研究的未来。 向符号模型的转变 与传统的参数模型相比，符号模型可以提供更高效、更具通用性的机器学习解决方案。
我们将用尽可能小的符号模型来代替参数曲线。
——弗朗索瓦·肖莱
符号模型的潜在优势包括提高效率和泛化能力。
如今我们用参数曲线进行机器学习所做的一切，未来都应该能够用符号模型来实现，而且效果会更加接近最优解。
——弗朗索瓦·肖莱
了解当前深度学习方法的局限性对于认识符号模型的优势至关重要。 这种新颖的机器学习方法可以显著提高效率和泛化能力。 向符号模型的转变代表着向更优化的机器学习解决方案迈进。 符号模型的发展可能会给人工智能技术带来重大进步。 人工智能和机器学习的未来 机器学习和人工智能将朝着最优方向发展，逐渐摆脱当前的技术栈。
我个人认为，五十年后机器学习或人工智能不会再基于这套技术栈构建了。
——弗朗索瓦·肖莱
人工智能发展的必然性表明，我们需要更高效的基础架构。
人工智能领域随着时间的推移，必然会朝着最优状态发展。
——弗朗索瓦·肖莱
了解人工智能技术的当前局限性对于预测未来的发展至关重要。 对人工智能技术未来发展方向的预测凸显了对更高效的基础架构的必要性。 新的机器学习范式的发展可能会给人工智能带来重大进步。 向最优性的转变代表着向更高效、更有效的AI解决方案迈进。 编码代理的成功 编码代理之所以能够成功，是因为代码提供了可验证的奖励信号，从而能够在形式上可验证的领域实现自动化。
如果你探究一下为什么编码代理的运作如此顺利……那实际上是因为代码为你提供了一个可验证的奖励信号。
——弗朗索瓦·肖莱
了解奖励信号在机器学习中的作用，对于判断编码智能体的成功至关重要。 代码的可验证性使得数学等形式化领域能够实现自动化。 这种解释阐明了编码代理成功背后的机制。 编码代理的成功表明，其对数学等其他领域具有更广泛的意义。 编码代理的开发代表了人工智能技术的重大进步。 代码提供的可验证奖励信号对于编码代理的成功至关重要。 不可验证领域面临的挑战 由于依赖成本高昂的人工标注数据，推理模型在论文写作等不可验证领域的进展将会很缓慢。
你会看到，基于这类领域的推理模型的发展速度会非常缓慢，因为我们使用的像LLM这样的技术栈非常依赖于其训练数据。
——弗朗索瓦·肖莱
了解将人工智能应用于论文写作等创意任务所面临的挑战，对于认识当前人工智能模型的局限性至关重要。 在不可验证领域，依赖成本高昂的人工标注数据是取得进展的一大障碍。 这一发现凸显了当前人工智能模型在处理复杂、不可验证的任务方面的局限性。 不可验证领域面临的挑战凸显了对更高效人工智能模型的需求。 不可验证领域的进展缓慢表明人工智能研究需要新的方法。 当前人工智能模型的局限性凸显了处理复杂、不可验证任务所面临的挑战。 基于代码的训练环境的进步 基于代码的训练环境的创建极大地提升了人工智能在编程方面的能力。
真正的突破在于人们开始创建这种基于代码的训练环境，用于训练后的奖励信号……由单元测试之类的东西提供。
——弗朗索瓦·肖莱
了解人工智能模型的训练方式对于认识到结构化环境对有效学习的重要性至关重要。 基于代码的训练环境的开发代表了人工智能技术的重大进步。 结构化的训练环境对人工智能的性能，特别是编程任务的性能，具有变革性的影响。 基于代码的训练环境的成功表明，它对其他领域具有更广泛的意义。 创建基于代码的训练环境凸显了可验证奖励信号在人工智能训练中的重要性。 基于代码的训练环境的进步凸显了人工智能能力进一步提升的潜力。 迈向自动化的轨迹 在实现真正的通用人工智能之前，我们正朝着实现经济上有用的工作自动化的方向发展。
我认为我们目前正处于这样的发展轨迹上，而且我认为，原则上，现有技术已经能够完全自动化，达到甚至超越人类水平，在任何有可验证回报的领域都是如此。
——弗朗索瓦·肖莱
理解自动化和通用人工智能之间的区别，对于认识人工智能领域的最新进展至关重要。 对自动化发展轨迹的预测凸显了人工智能技术取得重大进步的潜力。 自动化技术的发展是实现通用人工智能的重要一步。 自动化发展趋势表明我们需要更高效的人工智能模型。 人工智能自动化领域的最新进展为未来的发展设定了预期。 在可验证领域实现完全自动化的潜力凸显了可验证奖励信号在人工智能训练中的重要性。 基于现有LLM构建AGI的低效性 在现有语言逻辑模型的基础上构建通用人工智能效率低下，不利于未来的人工智能研究。
但我认为这样做是错误的，因为效率会非常低下。我认为人工智能研究的发展方向不仅要追求效率，更要随着时间的推移追求最优性。
——弗朗索瓦·肖莱
了解当前LLM技术的局限性对于认识到在其基础上构建AGI的低效性至关重要。 该观点对人工智能研究方向以及采用更优化方法的必要性提出了批判性的看法。 在当前LLM上构建AGI的低效性表明人工智能研究需要新的方法。 开发更高效的人工智能模型是实现通用人工智能的重要一步。 人工智能研究中对最优性的需求凸显了效率在未来人工智能发展中的重要性。 当前LLM技术的局限性凸显了在其基础上构建AGI所面临的挑战。 披露：本文由编辑团队编辑。如需了解更多关于我们如何创建和审核内容的信息，请参阅我们的[链接]。编辑政策.