超越语言模型：Jensen Huang为何将开放AI研究与生物学、天气及计算的未来联系起来
引言：把AI只当成聊天机器人，会失去什么？
对话系统让人工智能 [AI] 易于识别。人们可以输入问题，阅读答案。然而，语言只是表示世界的一种方式。
生物学、化学、天气和物理系统包含无法简化为普通对话的信息。Jensen Huang支持开放AI研究的观点，把这种更广泛的科学机会与一个实际计算问题联系起来：硬件设计者需要理解，未来模型会要求其系统做什么。
这项主张有几个部分。开放工作可以支持研究、扩大参与，并帮助计算产业了解自身架构 [Architecture] 的哪些部分需要改变。
1. 构建模型让计算企业知道应该构建什么
设计AI基础设施的企业，不能只依靠昨天的模型要求。它需要直接体验可能塑造明天系统的工作。
模型架构 [Model Architecture] 研究创造这种经验。不同方法可能对内存、数据移动、处理器及其连接提出不同要求。
Huang将NVIDIA的模型研究与更广泛的协同设计 [Co-design] 战略联系起来。研究模型，提供了理解模型所需系统的另一条路径。
即使企业并不打算成为每个领域的最终应用提供商，研究依然有价值。学到的东西可以指导其他人使用的计算平台 [Computing Platform]。
2. 开放性让更多人有空间实验
如果每个有用模型都只能以成品专有服务 [Proprietary Service] 的形式使用，研究者与较小组织在检查、调整和据此构建方面的自由就会减少。
开放模型 [Open Models] 可以创造另一条路径。研究者能够测试方法、研究行为，并探索原开发者未优先考虑的应用。
这种机会对不同产业和国家都重要。大学实验室、工程团队和专业科学团体可能需要不同的访问方式，但都受益于开展自身工作的空间。
开放性不承诺每次实验都成功。它扩大了学习和贡献的可能性，而不要求所有人都从零开始。
3. “开放”一词需要精确定义
模型权重 [Model Weights]、训练代码 [Training Code]、训练数据，以及准备这些数据所用的方法，是不同的东西。
提供其中一项，并不会自动提供其余各项。开放权重发布 [Open-weight Release] 即使没有提供复现原始训练过程所需的一切，也可能有用。
对选择模型的人而言，实际问题是发布内容究竟允许什么。团队能否检查、修改、为预定目的部署，并理解其局限？
启示是不要只看标签。有用的开放程度，取决于提供的材料和附带条件。
4. 科学AI需要超越普通语言的表示方式
天气模型处理物理系统的行为。生物研究关注结构与相互作用。机器人技术 [Robotics] 将感知与行动连接到变化的环境。
语言可以帮助人们描述这些问题，但底层信息与关系可能需要其他表示方式。因此，进步不仅取决于改善大型语言模型 [Large Language Model] 的对话能力。
Huang更广泛的愿景，为专业模型在更大系统中安排了位置。智能体 [Agent] 可以把科学模型作为工具之一，而不是试图只凭语言回答所有问题。
这是一种有用的重点转变。目标变成取得适合任务的能力，而不是期待一个模型包含全部能力。
5. 平台可以支持它并不打算取代的产业
计算企业不必制造最终汽车、发现最终药物，或经营每个科学机构，也能为这些领域作出贡献。
它可以提供模型、工具和基础设施，帮助专业人员完成自己的工作。专业人员带来领域知识 [Domain Knowledge]、实验和实际限制，这些都是通用平台无法单独提供的。
这种分工也解释了开放研究和商业产品为什么可以共存。专有应用可以服务一种目的，共享的研究基础则支持更广泛的群体。
边界应该保持清楚。取得模型只是开始，不是它已经适合科学或运营决策的证明。
结语：下一个平台必须容纳不同类型的智能
Huang支持开放AI研究的观点，不只是再发布一个聊天机器人。它把计算设计与科学探索，以及其他人的构建能力联系起来。
机会在于将通用工具与专业知识结合，同时准确说明什么是开放的，以及什么仍由使用者负责评估。
当平台可以支持不同类型的工作时，AI就更有用。语言是通往那个未来的重要接口 [Interface]，却不是未来的全部。
Powered By K7