ChatGPT和LLMs将如何加速通向AGI的路径？

大约一年前，我写了一篇文章总结了尼克·博斯特罗姆的书《超级智能》，这本书实质上提供了通往一般智能系统（AGI）的可能路径。在当时这本书出版以及我写这篇总结的时候，像GPT3这样的LLM并没有今天令人难以置信的印象，并且绝对没有引起同样的注意力。因此，这些模型并没有被考虑为通往奇点的可能路线或选项。

然而，现在OpenAI发布了GPT4，我们开始在基于文本的领域看到类似于人类的行为，这些LLM可能会证明是达到AGI的强大工具。在我开始之前，重要的是要注意，我相信语言模型本身不会达到AGI，而只会作为一种辅助工具；请检查我的文章。

在之前的文章中，Bostrom探讨了以下路线：

因此，在本文中，我将再次深入介绍每种策略，并建议GPT-4如何加速进展。如果您想分别深入了解每种策略，请查阅本文章。

全脑仿真

在这种方法中，智能软件将通过扫描和紧密建模生物大脑的计算结构，并使这个大脑在计算机硬件上运行来生产。

LLMs在这个方法中的角色可能是双重的。首先，LLMs可以协助解释和分析从扫描和数字化重建大脑中获得的海量数据。这是有道理的，因为语言模型更有可能理解思维过程，因为它们是连续的，但同时，图神经网络可能是同样任务的紧密竞争对手。

其次，LLMs可以在虚拟大脑被创建后协助控制和操作。由于它们能够理解和生成类人的文本，它们可以作为人类操作者和模拟大脑之间的接口，帮助将大脑的计算转化为可理解的输出，反之亦然。

这种方法可以提高人类本身的智能。从理论上讲，超级智能不需要机器，可以通过选择性育种在配子水平上完成，甚至可以通过教育来实现。

LLM（语言模型）例如GPT-4，可用作复杂的学习工具，以增强人类认知能力。例如，这种模型可以用于设计个性化的教学计划，为个别学生优化学习成果，或创建复杂主题的交互式教程，有效增强人类认知能力。

此外，LLMs还可以帮助研究和发展生物认知。例如，它们可以用于分析基因组数据或产生不同基因因素可能影响智力的假说。它们还可以用于模拟不同基因修饰的潜在结果，帮助指导这一领域的研究。

脑机接口（BCIs）是通往AGI的另一条途径。采用这种方法，设备将被植入到大脑中，以允许大脑与计算机之间进行直接通信。 LLMs可以极大地增强BCIs的实用性和效果。

LLMs可以用于解释大脑信号并将它们翻译成计算机的指令，或者将计算机的输出转化为大脑可以理解的信号。此外，LLMs还可以帮助个性化和优化BCI的功能。例如，它们可以用来学习个体的独特大脑活动模式，并调整BCI的操作以配合。这可能使BCI更高效和用户友好，潜在地加速其发展和应用。

我们已经看到了这个领域的惊人发展。埃隆·马斯克的神经链接技术已经在动物身上进行了测试，现在已经获得FDA的批准可以测试人类。

这种方法可能看起来与全脑仿真相似。然而，在这里，我们有一个接口，意味着仍然涉及人类，而不是一个人造生成的实体，即一个实际的人连接到计算机，而不是一个人造的云端大脑。

这种方法通过逐步加强网络和组织的方式探索达到超级智能的途径。简单来说，这个想法是把各种机器人链接在一起，形成一种被称为集体超级智能的超级智能形式。这不会增加每个机器人的智能，而是集体达到超级智能。

LLMs可以在这个方法中扮演关键角色，通过充当将不同AI系统粘合在一起的"胶水"。由于它们能够理解和生成类似于人类的文本，它们可以促进不同AI系统之间或AI系统与它们的人类操作员之间的交流。这可以允许不同的AI系统更好地协调和合作，可能导致集体超智能的出现。

此外，LLM还可以帮助管理和组织这些网络。例如，它们可以用于监测不同AI系统的性能，识别瓶颈或无效率，并提出改进建议。

总之，虽然像GPT-4这样的LLM可能不会直接导致AGI，但它们可以通过帮助各种通往AGI的路径的进展，显著加速其发展。随着这些模型的不断改进和演变，它们对追求AGI的潜在贡献可能只会增加。