人工智能
超越大型语言模型：大型行为模型如何塑造人工智能的未来
人工智能（AI）已经取得了长足的进步，大型语言模型（LLMs）在自然语言处理方面展示了令人印象深刻的能力。这些模型改变了我们对人工智能理解和生成人类语言的看法。虽然它们在识别模式和综合书面知识方面非常出色，但它们难以模仿人类的学习和行为方式。随着人工智能的不断发展，我们正在从仅仅处理信息的模型转向能够学习、适应和像人类一样行为的模型。
大型行为模型（LBMs）正在作为人工智能的新前沿领域出现。这些模型超越了语言，专注于模拟人类与世界交互的方式。与仅在静态数据集上训练的LLMs不同，LBMs通过与环境的持续交互来学习，使它们能够适应和推理动态的现实世界场景。LBMs通过使机器能够像人类一样学习来塑造人工智能的未来。
为什么行为人工智能很重要
LLMs已经证明了其强大的能力，但其能力与其训练数据密切相关。它们只能执行与训练期间学习的模式相符的任务。虽然它们在静态任务中表现出色，但在需要实时决策或从经验中学习的动态环境中却难以应对。
此外，LLMs主要专注于语言处理。它们无法处理非语言信息，如视觉线索、物理感觉或社会交互，这些对于理解和对世界做出反应至关重要。这种差距在需要多模式推理的场景中尤其明显，例如解释复杂的视觉或社会背景。
人类是终身学习者。从婴儿期开始，我们与环境交互，尝试新想法，并适应意外的情况。人类学习以其适应性和效率而独特。与机器不同，我们不需要经历每一种可能的情况才能做出决定。相反，我们从过去的经历中推断，结合感官输入，并预测结果。
行为人工智能旨在通过创建不仅能处理语言数据，而且能从交互中学习和成长，并能轻松适应新环境的系统来弥补这些差距，就像人类一样。这种方法将范式从“模型知道什么？”转变为“模型如何学习？”
什么是大型行为模型？
大型行为模型（LBMs）旨在超越简单地复制人类所说的话。它们专注于理解人类为什么和如何以某种方式行为。与依赖静态数据集的LLMs不同，LBMs通过与环境的持续交互来学习，使它们能够像人类一样适应其行为。这种主动学习过程帮助它们通过试验、观察和调整来学习，就像人类一样。例如，一个学习骑自行车的孩子不仅仅阅读说明书或观看视频；他们与世界进行物理交互，跌倒，调整并再次尝试——这是LBMs旨在模仿的学习过程。
LBMs也超越了文本。它们可以处理广泛的数据，包括图像、声音和感官输入，使它们能够更全面地理解周围环境。这种解释和响应复杂、动态环境的能力使LBMs特别适用于需要适应性和上下文感知的应用。
LBMs的关键特征包括：
- 交互式学习：LBMs被训练为采取行动并接收反馈。这使它们能够从后果中学习，而不是静态数据集。
- 多模式理解：它们从多种来源处理信息，例如视觉、声音和物理交互，来构建对环境的整体理解。
- 适应性：LBMs可以实时更新其知识和策略。这使它们高度动态，适合不可预测的场景。
LBMs如何像人类一样学习
LBMs通过整合动态学习、多模式上下文理解和跨不同领域的泛化能力来促进人类般的学习。
- 动态学习：人类不仅仅记忆事实；我们适应新情况。例如，一个孩子学习解谜不仅仅是记住答案，还要认识模式并调整方法。LBMs旨在复制这个学习过程，使用反馈循环来完善知识，因为它们与世界交互。与其从静态数据学习，它们可以在遇到新情况时调整和改进其理解。例如，一个由LBM驱动的机器人可以通过探索来学习在一栋建筑中导航，而不是依赖预加载的地图。
- 多模式上下文理解：与仅处理文本的LLMs不同，人类无缝地整合视觉、声音、触觉和情感来以深刻的多维方式理解世界。LBMs旨在实现类似的多模式上下文理解，使它们能够不仅理解口头命令，还能识别手势、语调和面部表情。
- 跨领域泛化：人类学习的一个标志是能够将知识应用于不同的领域。例如，一个人学习驾驶汽车可以快速将这种知识应用于操作船只。传统人工智能的一个挑战是将知识从一个领域转移到另一个领域。虽然LLMs可以为不同领域（如法律、医学或娱乐）生成文本，但它们难以将知识应用于不同的背景。然而，LBMs被设计为跨领域泛化知识。例如，一个被训练来帮助家务的LBM可以轻松适应在仓库等工业环境中工作，通过与环境交互来学习，而不是需要重新训练。
大型行为模型的现实世界应用
尽管LBMs仍然是一个相对较新的领域，但其潜力已经在实际应用中显现。例如，一家名为Lirio的公司使用LBM来分析行为数据并创建个性化的医疗保健建议。通过持续从患者交互中学习，Lirio的模型适应其方法以支持更好的治疗依从性和整体健康结果。例如，它可以识别可能错过药物的患者，并提供及时的激励性提醒以鼓励遵守。
在另一个创新的应用中，丰田与MIT和哥伦比亚工程学院合作探索机器人学习，使用LBMs。他们的“扩散政策”方法允许机器人通过观察人类行为来获得新技能。这使机器人能够更快速、更高效地执行复杂任务，例如处理各种厨房物品。丰田计划到2024年底将这一功能扩展到超过1,000个不同的任务，展示了LBMs在动态、现实世界环境中的适应性和多功能性。
挑战和伦理考虑
虽然LBMs显示出巨大的潜力，但它们也带来了几个重要的挑战和伦理问题。一个关键问题是确保这些模型不会模仿它们所训练的数据中的有害行为。由于LBMs通过与环境的交互来学习，因此存在风险，即它们可能无意中学习或复制偏见、刻板印象或不当行为。
另一个重要问题是隐私。LBMs模拟人类行为的能力，特别是在个人或敏感的环境中，引发了操纵或侵犯隐私的可能性。随着这些模型变得更加融入日常生活，确保它们尊重用户的自主权和保密性将至关重要。
这些问题凸显了制定明确的伦理准则和监管框架的迫切需要。适当的监督将有助于以负责任和透明的方式指导LBMs的开发，确保其部署造福社会而不损害信任或公平性。
结论
大型行为模型（LBMs）正在为人工智能带来新的方向。与传统模型不同，它们不仅处理信息，还能学习、适应和像人类一样行为。这使它们在医疗保健和机器人等领域变得有用，在这些领域，灵活性和上下文至关重要。
但是，也存在挑战。LBMs如果处理不当，可能会学习有害行为或侵犯隐私。这就是为什么明确的规则和谨慎的开发如此重要的原因。
只要方法得当，LBMs就有可能改变机器与世界交互的方式，使它们比以往任何时候都更智能、更有用。
