关于 François Chollet 的报道
共 2 篇相关报道
何恺明团队新作:看猫片就能学会ARC挑战
AI 洞察何恺明团队通过 NAT-ARC 证明,绕过大语言模型的文本化方案,纯视觉模型借助自然图像的自监督预训练同样可以攻克抽象推理难题。这表明通用智能的载体并不局限于语言,视觉表征的迁移能力正在成为突破 AI 推理瓶颈的另一条关键路径。核心结论AI 抽象推理正在从大语言模型的文本化统治,向多模态与纯视觉预训练路线扩展。为什么重要长期以来 ARC 挑战被大语言模型垄断,NAT-ARC 证明了纯视觉表征通过迁移学习也能实现高效推理,为摆脱对庞大文本语料库的过度依赖提供了新的技术范式和成本更低的解法。影响谁- 潜在承压大语言模型路线纯视觉预训练方案在抽象推理任务上展现出极高的性价比和性能,打破了 LLM 在该领域的垄断地位。
- 潜在受益视觉模型研究者自然图像自监督预训练(如 MAE)的泛化能力被成功延伸至抽象空间格子推理,拓展了视觉模型的应用边界。
后续看点后续应关注 NAT-ARC 的开源代码表现及其架构是否能在 ARC-2 或更复杂的视觉逻辑测试中保持规模化扩展优势。重要度 85/100François Chollet: "OpenAI basically set back progress to AGI by 5 to 10 years"
AI 洞察François Chollet 对 OpenAI 路线的严厉批评,揭示了当前大语言模型在通往 AGI 道路上的方法论危机。当行业将全部资源押注于基于统计概率的缩放定律时,可能陷入架构瓶颈,反而延缓了真正具备推理与学习能力的类人智能的到来。核心结论AI 行业对大模型扩展路线的盲目乐观正在遭到来自底层架构派的深度质疑。为什么重要当前主流大模型的资本与算力投入极度依赖现有架构。如果底层方法论被证明无法通往 AGI,整个 AI 行业的研发优先级、技术路线和投资逻辑将面临剧烈重构。影响谁- 潜在承压OpenAI作为当前扩展定律(Scaling Law)路线的主要推手,其技术路线的终局性遭到来自科学界的严厉质疑。
- 潜在受益AI 基础研究领域关于 AGI 定义与泛化能力评估的讨论将重新获得重视,推动学术界和工业界探索非 Transformer 的新架构。
后续看点后续应重点观察前沿实验室在基础架构上是否出现向符号推理或混合架构倾斜的趋势,以及 ARC Prize 等泛化评估基准是否获得更多工业界采用。重要度 80/100