网易体育10月11日报道：NBA季前赛继续进行，洛杉矶湖人队拿到季前首胜。勒布朗打了半场得到11分和6个篮板，戴维斯得到11分和8个篮板，湖人队依靠末节反扑实现逆转，他们在客场以107-102战胜密尔沃基雄鹿队。
新智元报道
编辑：Aeneas
【新智元导读】Scaling Law撞墙了吗？OpenAI高级研究副总裁Mark Chen正式驳斥了这一观点。他表示，OpenAI已经有o系列和GPT系列两个模型，来让模型继续保持Scaling。
最近，OpenAI高级研究副总裁Mark Chen在炉边谈话中，正式否认「Scaling Law撞墙论」。
他表示，并没有看到Scaling Law撞墙，甚至OpenAI还有两个范例——o系列和GPT系列，来保持这种Scaling。
用他的话说，「我们准确地掌握了需要 的技术挑战」。
o1不仅是能力提升，也是安全改进
从经济角度看，OpenAI已经是最有价值的科技公司之一，因为他们为真实用户提供了数十亿美元的价值。
两年前，AI最前沿的任务还是小学数学题；而今天，它们已经可以做最难的博士生题目。
因此，我们正处于这样一个阶段：AI模型能够 人类有史以来最困难的考试。
一旦这些模型 了博士级别的问题，下一步，即使为世界提供实用性和价值。
当所有基准 饱和之后，需要考虑的就是是否为最终用户提供了价值。
虽然今天AI通过了基准 ，但它并没有完全捕捉到AGI应该做的事。
好在，在过去一年里，OpenAI内部发生了最令人兴奋的进展——o1诞生了。
这不仅是一种能力上的提升，从根本上来说也是一种安全改进。
为什么这么说？
想象我们试图对一个模型进行越狱，旧的GPT系统必须立即做出回应，所以可能更容易被触发。
但当我们有一个推理器时，模型却会反思：这个问题是不是试图让我做一些与我要做的不一致的事？
此时，它获得的额外思考和反思的时间，会让它在很多安全问题上更稳健。
这也符合OpenAI研究者最初的预期。
当我们谈到时，这是一个广泛的概念，不仅仅用于数学或编程。
在编程中使用的推理方法，可能也适用于谈判，或者玩一个很难的游戏。
而说到基准 ，在安全性上也有同样的挑战。
安全性有点类似于这种对抗性攻击框架。在这种情况下，攻击是 强烈的，因此我们在这方面还有很长的路要走。
如何到达五级AGI
AGI从一级到五级，关键推动因素是什么呢？
OpenAI提出的框架中，定义了AGI的不同级别，具体来说，就是从基本推理者发展到更智能的系统，再到能在现实世界里采取行动的模型，最终到达更自主、完全自主的系统。
在这个过程中，稳健性和推理能力是关键。
今天我们还不能依赖很多智能体系统，原因是它们还不够可靠。这就是OpenAI押注推理能力的原因。
OpenAI之所以大量投资，就是对此极有信心：推理能力将推动可靠性和稳健性。
所以，我们目前正处于哪一阶段呢？
OpenAI研究者认为，目前我们正从 阶段向第二阶段过渡，朝着更智能系统的方向发展。
虽然目前，许多智能体系统仍然需要人类 ，但它们已经变得越来越自主。模型可以自行原作，我们对于AI系统的信任也在逐渐增加。
合成数据的力量
合成数据，就是不由人类直接产生的数据，而是模型生成的数据。
有没有什么好的方法，来生成用于训练模型的合成数据呢？
我们在数据稀缺或数据质量较低的数据集中，可以看到合成数据的力量。
比如，在训练像DALL-E这样的模型时，就利用了合成数据。
训练图像生成模型的一个核心问题是，当我们去看互联网上带标题的图片时，标题和它所描述的图片之间通常关联性 。
你可能会看到一张热气球的照片，而标题并不是描述气球本身，而是「我度过 的假期」之类的。
在OpenAI研究者看来，在这种情况下，就可以真正利用合成数据，训练一个能为图片生成高保真标题的模型。
然后，就可以为整个数据集重新生成捕获了，OpenAI已经证明，这种方法 有效。
数据集中某方面较差的其他领域，也可以采用这个办法。
Scaling Law没有撞墙
最近很火热的一个观点是，Scaling Law已经撞墙了，许多大型基础实验室都遇到了预训练的瓶颈。
果真如此吗？
Mark Chen的观点是，虽然的确在预训练方面遇到一些瓶颈，但OpenAI内部的观点是，已经有了两种 活跃的范式，让人生成无限希望。
他们探索了一系列模型的 时Scaling范式，发现它们真的在迅速发展！
在推理模型的Scaling上，也没有同样的障碍。
其实，从早期入职OpenAI后，研究者就一直遇到多个技术挑战。现在这些挑战已经 具体，在Mark Chen看来，没有什么是完全无法应对的。
在OpenAI内部，大家经常说推理范式已经达到了一定的成熟度。有些产品已经有了与市场的契合点，虽然进展仍然 缓慢。
过去几周内，最令人惊讶的使用场景，莫过于和o1进行头脑风暴了。
o1和GPT-4的对比，让人感受到了全新的深度：人类仿佛终于有了一个真正能互动的陪练伙伴，而非仅仅对自己的想法进行评论。
它仿佛一个真正的实体， 有参与感。
o1的推理直觉，是如何产生的
OpenAI的研究者，是如何想到o1中的推理直觉的呢？
这是一个集体努力的结果，不过他们也进行了很长时间的工作，进行了一些探索性的重点尝试。
在两年前，他们就觉得，AI虽然 聪明，但在某些方面是不足的。不知为什么，总是感觉不太像AGI。
当时他们假设，原因在于，这是因为AI被要求立即做出回应。
就算我们要求一个人类立即做出回应，ta也未必能给出 的 。
一个人可能会说，我需要思考一会，或者我需要做一些研究，明天再答复你。
就在这里，OpenAI研究者发现了亮点！
其实这里缺少的，是连接系统一和系统二之间的鸿沟。
快速思考有，知识也有，但却没有慢速思考，核心假设就在这里。
研究者做了许多不同尝试，来 这个挑战。
一群 具有探索精神的研究者，获得了一些生命迹象。
围绕这些迹象，他们组建了研究团队，扩大的项目规模，投入了大量的数据生成工作。
从快速进展中获取预测结果，是整个案例中最难的部分。
开始时，就像登月计划一样，会遭遇很多失败。
有三四个月，他们完全没取得多少有意义的进展。
好在最终，总会有人获得重大突破。这也就给了他们足够的动力来投入更多资源，往前推动一点。
从o1推出几个月后，OpenAI和许多外部合作伙伴进行了交流。
最酷的一件事就是，他们发现它比使用微调方法要好得多——它已经不太容易被问题难倒了。
很多应用已经超出了研究者之前关注的数学和科学领域。当看到AI的推理能力能泛化到这些领域，真的令人惊喜。
比如在医学领域，模型在医学症状的判断上，涉及形成假设、验证，随后再形成新的假设。
即使在研究者没有特别关注的领域，模型也进展得很快，比如医学、法律推理。
而他们也确信，在未来还会有其他还未 过的领域，AI会有重大进展。
OpenAI仍然注重安全
Mark Chen肯定地说，目前OpenAI仍然像早期那样，致力于研究和安全。
为此， 他 管理着一个 庞大的研究项目组合。并且 一直在思考着应该分配多少资源和力量来进行研究，而不是短期的即时项目。
不过，在这方面，OpenAI和很多大型基础实验室不同。
这些大实验室有很多优秀的研究者，可以没有方向地进行研究，自由地去做任何事。
但对OpenAI来说，他们比这些实验室的规模都要小，因此需要更有方向性。
他们选择了一些 有信心的探索性项目，在这些领域内，给了研究者很大的自由度。
也就是说，OpenAI并不会进行毫无目标的探索，而且充分利用了自己规模小的优势。
现在是AI创业的好时机
OpenAI的研究者也认为，现在是基于AI创立初创公司的好时机。
基础模型的玩家专注的是通用性。
但像OpenAI这样的公司，不可能涉足每一个垂直领域。
在特定领域定制一个模型，有很多空间和可能性。
现在，我们已经可以看到一个丰富的初创企业生态系统，这些企业在OpenAI的基础上构建了各种类型的应用。
通常情况下，初创企业之所以能够成功，是因为他们知道并坚信某个秘密，而市场上的其他人并不知道这个秘密。
在AI领域，实际上就是在一个不断变化的技术栈上进行构建，我们无法预测下一个模型会何时出现。
表现 的初创企业，就是那些有直觉，在刚刚开发发挥作用的边缘技术上进行构建的企业，它们有一种生命力。
当我们拥有AGI，就是相当强大的形式，真正释放了全部潜力。
想象一个人在一周内，就能创建一个带来巨大价值的大型。
一个人在几天内产生巨大影响的想法，已经不仅限于商业领域。
这种怀旧的感觉就像17世纪，科学家们在探讨物理学一样。
我们能否回到那种氛围，一个人能做出医学、或计算机科学领域的重大发现？
而这些，都是因为AI。
参考资料：
https://x.com/tsarnick/st us/1860458274195386658
