通用人工智能实现的现状与递归自我改进可能成真。

如果你一直在积极使用人工智能代理，无论是用于工作还是个人项目，你就会知道 Astra 已经跨过了那个门槛，能够以相当合理的成功率完成狭窄定义、明确指定的任务。我指的不是一次完成一些现有游戏或构建常规应用，因为网上已经有很多例子。我指的是结合一些小众的概念，将新手的想法混合起来，并要求模型提出解决方案。这些是只有 Astra/Fable 能做而其他大型语言模型做不到的事情，而这在他们的基准测试中并没有真正体现。忘掉即将到来的 IPO 和政治吧。你甚至不需要相信任何来自 OpenAI 或 Anthropic 前员工的推文。所以，看在上帝的份上，别再质疑每个人的动机了。相反，你可以自己推断一下。当前的模型，即使是 Ultra 版本的 Astra，仍然无法可靠地完成松散定义的新颖任务。但它们在处理清晰狭窄定义的任务方面极其出色。现在想象一下，只要在 Astra 基础上迭代一两次。比如说 Bel 或 Bel+1 被赋予任务：‘解决大型语言模型当前阻止其成为通用人工智能的瓶颈。’我不是这方面的专家，但也许这些瓶颈包括上下文保持、持久记忆、持续学习等大多数人都不知道存在的约束。假设这些瓶颈大约有 3 到 10 个。现在将这些瓶颈提供给 Bel 或 Bel+1，并并行运行一百万个实例，OpenAI 完全有能力做到这一点。让它们运行几天。我需要澄清的是，我并不是说 Bel 或 Bel+1 一定会、肯定地、百分之百地解决其中任何一个。这不是我的意思。我的意思是，Bel 或 Bel+1 有可能解决其中一些瓶颈，这并非不可能。现在，把最近解决的，可能只是一个瓶颈或几个瓶颈，整合到 Bel+1 中，那么你就有效地得到了类似 Bel+2 的东西。如此反复。再次强调，我并不是说这一定会 100% 发生。但拜托，鉴于我们已经能从当前模型中体验到的，这并非什么荒谬的可能性。我认为，相信这不是一种可能性，远比相信它是可能性更荒谬。