人工智能的未来不是对话和画图，而是工农业生产自动化

篝火

最近AI的发展势头很快，美国的大企业和资本纷纷加码AI领域，国内不少厂商也跟着炒作AI相关领域。但是，现在人们熟知的大模型的特点往往表现在对话和画图上，这些方面真的能给我们的社会生产带来革命性的影响吗？我个人认为现在这些大企业对AI的理解和使用方式是庸俗化了的，小资群体担心AI会取代他们的工作，例如程序员、画师、律师等等。但是，现在的AI只是对前人的经验进行总结和运用，而真正有创造性的工作需要发挥人的主观能动性，这是AI无法取代的。
而AI的真正强大之处在于工农业生产自动化，例如一个公有的大型农场，可以部署AI进行实时的监控和分析，农业工人们可以快速了解到农场的具体情况，便于经济计划的执行。或者工业品的生产过程中的机械化和AI的自动化，交通中的自动驾驶，服务业中的AI等。在资本主义社会中，特权阶级担心AI的发展对就业的冲击，害怕引发社会动荡，却利用AI来打压劳动者，压低工人工资，比如有两个程序员，裁掉一个让另一个和AI协同工作。AI的真正用处是在未来社会主义中，在公有制和计划经济的体制下，AI的高度的自动化和智能化能够切实地降低人们的必要劳动时间，同时很大程度上提高社会的生产力水平，人们从而可以按照自己的意愿从事自己想要的工作。可以说，现在，人类的解放在技术上已经能够实现。但是，如何过渡到社会主义，这又是一个复杂的问题了。

被老堡包围

我设想中将来可以使用ai做到精准分析产品供需来协调生产，可以更精准的找到薄弱点来应对

xin

现在的人工智能并不“智能”，它们不会自主学习和思考，只会按照指令模仿，而且模仿的效果还不如鹦鹉学舌，因为它们很容易在没有大量人工指导的情况下去关注那些在人类眼中根本无意义的细节，导致混乱。

这种事物离全面或者大部分取代现实社会中的重复体力劳动生产还非常远。

篝火

xin 发表于 2024-6-9 21:36
现在的人工智能并不“智能”，它们不会自主学习和思考，只会按照指令模仿，而且模仿的效果还不如鹦鹉学舌， ...

AI可以不断去训练和完善，但我们并不需要AI去思考，就是要AI去做重复性劳动，按照人们的预定设想来干活，超出人们设想的新事物就交给解放后的人们来思考。

xin

篝火 发表于 2024-6-9 21:43
AI可以不断去训练和完善，但我们并不需要AI去思考，就是要AI去做重复性劳动，按照人们的预定设想来干活， ...

举一个例子，一个人类下矿和ai控制的机械下矿，谁的成本高?

只要是一个脑能力正常的人类，几个月就能学会关于挖掘的所有技巧，并且能将这些通用知识用于不同坏境因素的工作场所，从一个矿山调动到另一个矿山，不需要再学习，随时应对突发情况。

ai训练需要周期，以现在ai的水平，想要挖废多少矿井才能学会挖掘矿石，而且还必须与训练周期的环境和因素高度符合才能开始正常工作，换一种与训练时期的环境完全不一样的环境，ai就会完全不知所措，彻底混乱。

没有学习和思考能力，就意味着无法变通，把训练结果当唯一客观真理，对不断改变的事物没有任何应对能力，我不认为这种形式的技术可以用于劳动生产。

xin

未来社会主义政权也不会以“提高生产力”为主要目标，现在资本主义生产力高到已经快让地球生态环境崩溃了，而是人民全面自由发展的民主生活，这个只需要持续减劳动者的工作时长让大家都参与到政治生活中就能做到。

人工智能这种算力低效又无法预测的技术倒不用搞，至少不会一开始就和社会主义生活建设同步搞。

李嘉图

xin 发表于 2024-6-9 22:09
未来社会主义政权也不会以“提高生产力”为主要目标，现在资本主义生产力高到已经快让地球生态环境崩溃了， ...

你觉得可能吗？

俞聂

李嘉图 发表于 2024-6-9 22:41
你觉得可能吗？

说清楚嘛，什么不可能？

Redknife

xin 发表于 2024-6-9 22:09
未来社会主义政权也不会以“提高生产力”为主要目标，现在资本主义生产力高到已经快让地球生态环境崩溃了， ...

我提个意见：人工智能和其他与自动化强相关的技术是一定要坚持发展的，而且要与社会主义生活建设同步，这不是说发展这些是为了增加物质生产总量，而是这些技术可以更好地减少体力劳动时间，毕竟减少体力劳动时间是发展共产主义的必备条件之一，也是塑造共产主义生活方式的重要一步。

Redknife

xin 发表于 2024-6-9 22:01
举一个例子，一个人类下矿和ai控制的机械下矿，谁的成本高?

只要是一个脑能力正常的人类，几个月就能学会 ...

ai的训练并不需要它从头开始挖废多少矿井，事实上现在的ai训练会经常地使用人类过往汇总的数据或者知识经验（先验知识）来缩短训练时间及提升效能，比如迁移学习方法可以把曾用于相近任务的模型用于新的任务进行训练微调，这样的模型训练时间更短且效果不差。
现在的gpt模型拥有庞大的参数量（GPT初始版本为1.17亿，GPT-3.5为1750亿）和极长的训练时长，但是其可以将现有互联网的所有数据都用于训练。在训练完成之后，使用的时候只需要给该模型一些提示词，gpt模型就可以直接输出比较准确的答案。这样的模型微调模式被称为“few-shot learning”, 在这种微调方式下模型并没有用提示词调整参数，而只是根据提示词进行推理便可以解决新的类型的问题。现有的gpt模型拥有庞大的参数量，但是其效能仍未是ai模型中的极限，根据最近新的更大模型的表现来看，ai模型效能还能继续随参数量上升而上升。
只不过大模型的训练会面临一个问题，就是其相对于人类的大脑而言需要的初始训练时间和训练、推理所需要耗费的电能仍然是比较巨大的（GPT3.5训练一次成本为460万美元左右），所以如Yan Lecun等ai专家认为现有的ai模型发展线路即“堆叠参数量、加大模型深度（层数）”是无法持续走下去，人类仍然需要探索新的ai技术发展方向。