震惊科学界，微软 154 页研究刷屏：GPT-4 能力接近人类，「天网」初现？

GPT-4 会演变为通用人工智能吗？

Meta 首席人工智能科学家、图灵奖得主 Yann LeCun 对此表示质疑。

在他看来，大模型对于数据和算力的需求实在太大，学习效率却不高，因此学习「世界模型」才能通往 AGI 之路。

不过，微软最近发表的 154 页论文，似乎就很打脸。

在这篇名为「Sparks of Artificial General Intelligence: Early experiments with GPT-4」的论文中，微软认为，虽然还不完整，但 GPT-4 已经可以被视为一个通用人工智能的早期版本。

鉴于 GPT-4 能力的广度和深度，我们相信它应该被合理视作一个通用人工智能（AGI）系统的早期（但仍不完整）版本。

本文的主要目标是对 GPT-4 的能力和局限性进行探索，我们相信 GPT-4 的智能标志着计算机科学及其他领域的真正范式转变。

AGI 的智能体现在能够像人类一样思考和推理，并且还能够涵盖广泛的认知技能和能力。

论文中，指出 AGI 具有推理、规划、解决问题、抽象思维、理解复杂思想、快速学习和经验学习能力。

从参数规模上来看，Semafor 报道称 GPT-4 有 1 万亿个参数，是 GPT-3（1750 亿个参数）的 6 倍大。

网友用 GPT 参数规模大脑神经元做了类比：

GPT-3 的规模与刺猬大脑类似（1750 亿个参数）。如果 GPT-4 拥有 1 万亿个参数，我们就接近松鼠大脑的规模了。以这个速度发展下去，也许只需要几年时间，我们就能达到并超越人类大脑的规模（170 万亿参数）。

由此看来，GPT-4 距离成为「天网」也不远了。

而这篇论文，还被扒出不少趣事。

论文发布不久后，一位网友在推特上爆出从他们的 latex 源代码中发现了隐藏信息。

在未删减版的论文中，GPT-4 实际上也是该论文的隐藏第三作者，内部名称 DV-3，后被删除。

有趣的是，就连微软研究人员对 GPT-4 的技术细节并不清楚。另外，这篇论文还删除了 GPT-4 在没有任何提示的情况下产生的有毒内容。

GPT-4 初具 AGI 雏形

这篇论文的研究对象，是 GPT-4 的早期版本。它还处于早期开发阶段时，微软的研究者就对它进行了各种实验和测评。

在研究者看来，这个早期版本的 GPT-4，就已经是新一代 LLM 的代表，并且相较于之前的人工智能模型，展现出了更多的通用智能。

通过测试，微软的研究者证实：GPT-4 不仅精通语言，还能在数学、编程、视觉、医学、法律、心理学等多样化和高难度的任务中表现出色，且无需特别提示。

令人惊奇的是，在所有这些任务中，GPT-4 的表现已经接近人类水平，并且时常超过之前的模型，比如 ChatGPT。

因此，研究者相信，鉴于 GPT-4 在广度和深度上的能力，它可以被视为通用人工智能（AGI）的早期版本。

那么，它朝着更深入、更全面的 AGI 前进的路上，还有哪些挑战呢？研究者认为，或许需要寻求一种超越「预测下一个词」的新范式。

如下关于 GPT-4 能力的测评，便是微软研究人员给出关于 GPT-4 是 AGI 早期版本的论据。

多模态和跨学科能力

自 GPT-4 发布后，大家对其多模态能力的印象还停留在 Greg Brockman 当时演示的视频上。

这篇论文第二节中，微软最先介绍了它的多模态能力。

GPT-4 不仅在文学、医学、法律、数学、物理科学和程序设计等不同领域表现出高度熟练程度，而且它还能够将多个领域的技能和概念统一起来，并能理解其复杂概念。

综合能力

研究人员分别用以下 4 个示例来展示 GPT-4 在综合能力方面的表现。

第一个示例中，为了测试 GPT-4 将艺术和编程结合的能力，研究人员要求 GPT-4 生成 javascript 代码，以生成画家 Kandinsky 风格的随机图像。

如下为 GPT-4 实现代码过程：

在文学和数学结合上，GPT-4 能够以莎士比亚的文学风格证明质数是无穷多的。

此外，研究还测试了 GPT-4 将历史知识和物理知识结合起来的能力，通过要求其撰写一封支持 Electron 竞选美国总统的信，信是由圣雄甘地写给他的妻子的。

通过提示 GPT-4 为一个程序生成 python 代码，该程序将患者的年龄、性别、体重、身高和血液检测结果向量作为输入，并指出患者是否处于糖尿病风险增加的状态。

通过测试，以上例子表明 GPT-4 不仅能够学习不同领域和风格的一些通用原则和模式，还能以创造性的方式将其结合。

视觉

当提示 GPT-4 使用可伸缩矢量图形（SVG）生成物体图像，如猫、卡车或字母时，该模型生成的代码通常会编译成相当详细，且可识别的图像，如下图：

然而，许多人可能会认为 GPT-4 只是从训练数据中复制了代码，其中包含类似的图像。

其实 GPT-4 不仅是从训练数据中的类似示例中复制代码，而且能够处理真正的视觉任务，尽管只接受了文本训练。

如下，提示模型通过结合字母 Y、O 和 H 的形状来绘制一个人。

在生成过程中，研究人员使用 draw-line 和 draw-circle 命令创建了 O、H 和 Y 的字母，然后 GPT-4 设法将它们放置在一个看起是合理的人形图像中。

尽管 GPT-4 并没有经过关于字母形状的认识的训练，仍旧可以推断出，字母 Y 可能看起来像一个手臂朝上的躯干。

在第二次演示中，提示 GPT-4 纠正躯干和手臂的比例，并将头部放在中心位置。最后要求模型添加衬衫和裤子。

如此看来，GPT-4 从相关训练数据中、模糊地学习到字母与一些特定形状有关，结果还是不错的。

为了进一步测试 GPT-4 生成和操作图像的能力，我们测试了它遵循详细指令创建和编辑图形的程度。这项任务不仅需要生成能力，还需要解释性、组合性和空间性能力。

第一个指令是让 GPT-4 生成 2D 图像，prompt 为：

「A frog hops into a bank and asks the teller, ‘Do you have any free lily pads?’ The teller responds, ‘No, but we do o er low interest loans for pond upgrades」

通过多次尝试，GPT-4 每一次都生成符合描述的图像。然后，要求 GPT-4 添加更多细节来提高图形质量，GPT-4 添加了银行、窗户、汽车等符合现实逻辑的物体。

我们的第二个示例是尝试使用 Javascript 生成一个 3D 模型，同样通过指令 GPT-4 完成了许多任务。

另外，GPT-4 在草图生成方面，能够结合运用 Stable Difusion 的能力。

下图为 3D 城市建模截图，输入提示有一条河流从左到右流淌、河的旁边建有金字塔的沙漠、屏幕底部有 4 个按钮，颜色分别为绿色、蓝色、棕色和红色。生成结果如下：

音乐

研究人员要求 GPT-4 用 ABC 记谱法编码生成和修改曲调，如下：

通过探究 GPT-4 在训练中获得了多少技能，研究人员发现 GPT-4 能够在 ABC 记谱法中产生有效的旋律，并在一定程度上解释和操作其中的结构。

然而，研究人员无法让 GPT-4 产生任何非平凡的和声形式，比如无法谱出像《欢乐颂》、《致爱丽丝》等著名的旋律。

编程能力

此外，研究人员还展示了 GPT-4 能够以非常高的水平进行编码能力，无论是根据指令编写代码，还是理解现有代码方面都展现出超强能力。

在根据指令编写代码方面，研究人员演示了一个让 GPT-4 写 python 函数的例子。

代码生成后，研究人员使用软件工程面试平台 LeetCode 在线判断代码是否正确。

对于大家都在用讨论 LeetCode 正确率仅有 20%，论文作者 Yi Zhang 对此进行了反驳。

另外，还让 GPT-4 将上表中 LeetCode 的准确率数据可视化为图表，结果如图所示。

GPT-4 不仅可以完成普通的编程工作，还能胜任复杂的 3D 游戏开发。

研究者让 GPT-4 用 JavaScript 在 HTML 中编写 3D 游戏，GPT-4 在零样本的情况下生成了一个满足所有要求的游戏。

在深度学习编程中，GPT-4 不仅需要数学和统计学知识，还需要对 PyTorch、TensorFlow、Keras 等框架和库熟悉。

研究人员要求 GPT-4 和 ChatGPT 编写一个自定义优化器模块，并为其提供了自然语言描述，其中包括一系列重要的操作，例如应用 SVD 等等。

除了根据指令编写代码，GPT-4 在理解代码上展现出超强的能力。

研究者尝试让 GPT-4 和 ChatGPT 读懂一段 C / C++ 程序，并预测程序的输出结果，二者的表现如下：

标黄的地方是 GPT-4 富有洞察力的观点，而红色标记代表 ChatGPT 出错的地方。

通过编码能力测试，研究者发现 GPT-4 可以处理各种编码任务，从编码挑战到实际应用，从低级汇编到高级框架，从简单数据结构到复杂的程序。

此外，GPT-4 还可以推理代码执行、模拟指令的效果，并用自然语言解释结果。GPT-4 甚至可以执行伪代码。

数学能力

在数学能力上，相比于之前的大语言模型，GPT-4 已经取得了质的飞跃。即便是面对专门精调的 Minerva，在性能上也有明显提升。

不过，距离专家水平还相去甚远。

举个例子：每年兔子的种群数量会增加 a 倍，而在年底的最后一天，有 b 只兔子被人类领养。假设第一年的第一天有 x 只兔子，已知 3 年后兔子的数量将变为 27x-26。那么，a 和 b 的值分别是多少？

为了解决这个问题，我们首先需要得出每年兔子数量变化的正确表达式，通过这种递归关系推导出一个方程组，进而得到答案。

这里，GPT-4 成功地得出了解决方案，并提出了一个合理的论点。相比之下，在几次独立尝试中，ChatGPT 始终无法给出正确的推理和答案。

高等数学

接下来，我们直接上个难的。比如，下面这道出自 2022 年国际数学奥林匹克竞赛（IMO）的问题（简化版）。

该题与本科微积分考试的不同之处在于，它不符合结构化的模板。解决这个问题需要更有创造性的方法，因为没有明确的策略来开始证明。

例如，将论证分为两种情况（g (x) > x^2 和 g (x) < x^2）的决定并不明显，选择 y * 的原因也是如此（在论证过程中，它的原因才变得明确）。此外，解决方案需要本科级别的微积分知识。

尽管如此，GPT-4 还是给出了一个正确的证明。

第二个关于算法和图论的讨论，则可以与研究生水平的面试相媲美。

对此，GPT-4 能够对一个与约束满足问题相关的抽象图构造进行推理，并从中得出关于 SAT 问题的正确结论（据我们所知，这种构造在数学文献中并未出现）。

这次对话反映出 GPT-4 对所讨论的本科级数学概念的深刻理解，以及相当程度的创造力。

尽管 GPT-4 在一次回答中把 2^n / 2 写成了 2^n-1，但着似乎更像是我们俗称的「笔误」，因为它后来提供了公式的正确推广。

此外，研究者在两个通常用作基准的数学数据集上比较 GPT-4、ChatGPT 和 Minerva 的性能：GSM8K 和 MATH 。

结果发现，GPT4 在每个数据集上的测试都超过了 Minerva，并且在两个测试集的准率都超过 80% 。

再来细看 GPT4 犯错的原因，68% 都是计算错误，而不是解法错误。

与世界互动

智能另一个关键的体现就是交互性。

交互性对于智能很重要，因为它使智能体能够获取和应用知识，解决问题，适应不断变化的情况，并实现超出其自身能力的目标。

由此，研究者从工具使用和具体的交互两个维度研究了 GPT-4 的交互性。GPT-4 在回答如下问题时能够搜索引擎或 API 等外部工具。

与人类互动

论文中，研究者发现了 GPT-4 可以建立人类的心智模型。

研究设计了一系列测试来评估 GPT-4、ChatGPT 和 text-davinci-003 的心智理论的能力。比如理解信仰，GPT-4 成功通过了心理学中的 Sally-Anne 错误信念测试。

还有测试 GPT-4 在复杂情境下推断他人情绪状态能力的表现：

-汤姆为什么做出悲伤的表情？-亚当认为是什么导致了汤姆的悲伤表情？

通过多轮测试，研究人员发现在需要推理他人心理状态，并提出符合现实社交场景中的方案，GPT-4 表现优于 ChatGPT 和 text-davinci-003。

局限性

GPT-4 所采用的「预测下一个词」模式，存在着明显的局限性：模型缺乏规划、工作记忆、回溯能力和推理能力。

由于模型依赖于生成下一个词的局部贪婪过程，而没有对任务或输出的全局产生深入的理解。因此，GPT-4 擅长生成流畅且连贯的文本，但不擅长解决无法以顺序方式处理的复杂或创造性问题。

比如，用范围在 0 到 9 之间的四个随机数进行乘法和加法运算。在这个连小学生都能解决的问题上，GPT-4 的准确率仅为 58%。

当数字在 10 到 19 之间，以及在 20 到 39 之间时，准确率分别降至 16% 和 12%。当数字在 99 到 199 的区间时，准确率直接降至 0。

然而，如果让 GPT-4「花时间」回答问题，准确率很容易提高。比如要求模型使用以下提示写出中间步骤：

116 * 114 + 178 * 157 = ?

让我们一步一步思考，写下所有中间步骤，然后再产生最终解。

此时，当数字在 1-40 的区间时，准确率高达 100%，在 1-200 的区间时也达到了 90%。

马库斯发文反驳

有意思的是，就在微软这篇论文发表后不久，马库斯立马写出一篇博客，称微软的观点「非常荒谬」。

并引用了圣经中的一句话「骄傲在败坏以先，狂心在跌倒之前。（箴 16:18）」

GPT-4 怎么就算得上早期 AGI 了？这么说的话，计算器也算，Eliza 和 Siri 更算。这个定义就很模糊，很容易钻空子。

在马库斯看来，GPT-4 和 AGI 没什么关系，而且 GPT-4 跟此前一样，缺点依旧没有解决，幻觉还存在，回答的不可靠性也没有解决，甚至作者自己都承认了复杂任务的计划能力还是不行。

他的担忧的是 OpenAI 和微软的这 2 篇论文，写的模型完全没有披露，训练集和架构什么都没有，光靠一纸新闻稿，就想宣传自己的科学性。

所以说论文里号称的「某种形式的 AGI」是不存在的，科学界根本无法对其进行验证，因为也无法获得训练数据，而且似乎训练数据已经受到了污染。

更糟糕的是，OpenAI 已经自己开始将用户实验纳入训练语料库了。这样混淆视听后，科学界就没法判断 GPT-4 的一个关键能力了：模型是否有能力可以对新测试案例进行归纳。

如果 OpenAI 不在这里给自己戴上科学的高帽子，马库斯可能也不会这么批判它。

他承认 GPT-4 是很强大，但是风险也是众所周知。如果 OpenAI 缺乏透明度，并且拒绝公开模型，不如直接关停。

强大作者阵容

微软这篇长达 154 页的论文背后有着强大的作者阵容。

其中就包括：微软雷德蒙德研究院首席研究员、2015 年斯隆奖得主 Sébastien Bubeck、2023 新视野数学奖得主 Ronen Eldan、2020 斯隆研究奖得主 Yin Tat Lee、2023 新晋斯隆研究奖得主李远志。

值得一提的是，微软团队最初定的论文题目并不是「通用人工智能的火花：GPT-4 的早期实验」。

未删减论文中泄漏的 latex 代码显示，最初题目是「与 AGI 的第一次接触」。

参考资料：

• https://arxiv.org/abs/2303.12712

• https://twitter.com/DV2559106965076/status/1638769434763608064

• https://the-decoder.com/gpt-4-has-a-trillion-parameters/

• https://garymarcus.substack.com/p/the-sparks-of-agi-or-the-end-of-science

本文来自微信公众号：新智元 （ID：AI_era）

广告声明：文内含有的对外跳转链接（包括不限于超链接、二维码、口令等形式），用于传递更多信息，节省甄选时间，结果仅供参考，IT之家所有文章均包含本声明。