AGI Concepts AI Reasoning AI Planning Reinforcement Learning World Models Self-Improving Agents AI Alignment Constitutional AI Memory Architectures Cognitive Architectures
33 posts
برای دهه‌ها، پارادایم غالب در یادگیری ماشین واکنشی بوده است. سیستم‌هایی مانند مدل‌های زبانی بزرگ (LLM) یا طبقه‌بندهای تصویر، ورودی‌ها را پردازش و خروجی تولید می‌کنند. با این حال، هوش مصنوعی عمومی واقعی فراتر از الگوبرداری نیاز دارد...
در منظر هوش مصنوعی مدرن، مدل‌های زبانی بزرگ (LLMs) سرآمد اخبار بوده‌اند، اما اجمالی حیاتی در میان پژوهشگران در حال شکل‌گیری است: اگرچه LLMها موتورهای آماری قدرتمندی هستند، اما فاقد استدلال ساختاریافته، حافظه پایدار و برنامه‌ریزی هدف‌محور هستند.
منظره هوش مصنوعی به سرعت از مدل‌های ایستا به سیستم‌های پویا و خودمختار در حال تغییر است. یکی از هیجان‌انگیزترین تحولات در این گذار، ظهور عامل‌های خودبهبود است. این‌ها صرفاً چت‌بات‌هایی که اطلاعات را بازیابی می‌کنند نیستند؛ آن‌ها نرم‌افزارهای پیچیده‌ای هستند که...
با پیشبرد مرزهای هوش عمومی مصنوعی (AGI)، گلوگاه اصلی دیگر صرفاً خلاقیت الگوریتمی نیست، بلکه کارایی محاسباتی است. هزینه‌های آموزش و استنتاج برای مدل‌های ترنسفورمر متراکم به شدت در حال افزایش است و آن‌ها را برای مقیاس‌پذیری مداوم ناپایدار می‌کند. ورود به معماری ترکیب متخصصان پراکنده (MoE)...
با پیش بردن مرزهای هوش مصنوعی عمومی (AGI)، گلوگاه به ندرت فقط الگوریتم است؛ بلکه سخت‌افزاری است که آن را اجرا می‌کند. معماری حافظه از سطل‌های ذخیره‌سازی ساده به سلسله‌مراتب پیچیده و چندلایه‌ای تکامل یافته است که برای تغذیه داده‌ها به پردازنده‌ها با سرعت و کارایی بی‌سابقه طراحی شده‌اند...
برای دهه‌ها، هوش مصنوعی در دو اردوگاه متمایز عمل کرده است. از یک سو، اتصال‌گرایی (شبکه‌های عصبی) که در تشخیص الگو و ادراک عالی است اما در انسجام منطقی مشکل دارد. از سوی دیگر، هوش مصنوعی نمادین که در استدلال سطح بالا قوی است اما در مواجهه با ابهام جهان واقعی شکست می‌خورد.
با تکامل منظر هوش مصنوعی عمومی (AGI)، چالش همسوسازی مدل‌های زبانی بزرگ (LLMs) با ارزش‌های انسانی به امری حیاتی تبدیل شده است. در حالی که یادگیری تقویتی از بازخورد انسانی (RLHF) سال‌هاست که استاندارد صنعت است، اما با موانع قابل توجهی در مقیاس‌پذیری و ...