Νέα

한어Русский языкEnglishFrançaisIndonesianSanskrit日本語DeutschPortuguêsΕλληνικάespañolItalianoSuomalainenLatina

Σήμερα, η τεχνητή γενική νοημοσύνη (AGI) έχει γίνει μια από τις λέξεις-κλειδιά στις οποίες επικεντρώνεται η επιστημονική κοινότητα και η βιομηχανία Μόλις πριν από λίγα χρόνια, πολλοί άνθρωποι πίστευαν ότι θα χρειαζόταν τουλάχιστον 10 έως 50 χρόνια για να συνειδητοποιήσουν το AGI δεν θα ήταν ποτέ δυνατό. Σήμερα, οι τελευταίοι είναι ελάχιστοι. Ωστόσο, σε σύγκριση με τον ενθουσιασμό του κοινού για αυτό το κύμα τεχνολογικών αλλαγών, πολλοί μελετητές πρώτης γραμμής και ηγέτες του κλάδου στον τομέα της τεχνητής νοημοσύνης πιστεύουν ότι υπάρχει ακόμη πολύς δρόμος για να εξελιχθεί η τρέχουσα τεχνητή νοημοσύνη σε AGI.

Σύμφωνα με τον Qi Yuan, τον διακεκριμένο καθηγητή Hao Qing του Πανεπιστημίου Fudan, κοσμήτορα του Ινστιτούτου Επιστημονικής Νοημοσύνης της Σαγκάης (εφεξής «Ινστιτούτο της Σαγκάης») και ιδρυτή της αξιόπιστης μεγάλης εταιρείας μοντέλων «Infinite Lightyear», «μία από τις υψηλότερες εκδηλώσεις της γενικής τεχνητής νοημοσύνης" Είναι να ανακαλύψουμε τους άγνωστους νόμους του πολύπλοκου κόσμου. Εν ολίγοις, θα πρέπει να είναι ένας "AI Einstein". Αυτό απαιτεί να δημιουργήσουμε έναν συνδυασμό πρόβλεψης πιθανότητας "μαύρο κουτί" γρήγορης σκέψης και αργής σκέψης " Λογικό σκεπτικό του λευκού κουτιού για τη δημιουργία ενός αξιόπιστου μεγάλου μοντέλου «Γκρι Κουτί» και μέσω της βαθιάς ενοποίησης τεχνολογίας και βιομηχανίας, προωθούμε τη βασική έρευνα, την εκπαίδευση ταλέντων και την εφαρμογή των αποτελεσμάτων για τη δημιουργία ενός επιστημονικού και έξυπνου οικοσυστήματος καινοτομίας.

Στο Παγκόσμιο Συνέδριο Τεχνητής Νοημοσύνης του 2024 (WAIC) και στη Διάσκεψη Υψηλού Επιπέδου για την Παγκόσμια Διακυβέρνηση της Τεχνητής Νοημοσύνης, η οποία ολοκληρώθηκε πριν από λίγο καιρό, το Ινστιτούτο Τεχνολογίας της Σαγκάης πραγματοποίησε με επιτυχία το θεματικό φόρουμ «Τεχνητή Νοημοσύνη: Αλλαγή του Παραδείγματος Επιστημονικής Έρευνας και Βιομηχανική Ανάπτυξη». Αυτή είναι επίσης η πρώτη φορά για αυτό το νέο ίδρυμα Ε&Α Εμφανίστηκε στο WAIC. Το Ινστιτούτο Shangzhi μπορεί να ειπωθεί ότι είναι ένα μοντέλο για τη Σαγκάη στην εξερεύνηση του επιστημονικού ευφυούς οικολογικού μοντέλου «1+1+N» που βασίζεται στην καινοτομία, δηλαδή, το «1» του Ινστιτούτου Shangzhi λειτουργεί ως το κέντρο και ο κόμβος του οικοσυστήματος, υπεύθυνος. για γενικό στρατηγικό σχεδιασμό, ενοποίηση πόρων και Ε&Α και καινοτομία βασικών τεχνολογιών, σε συνδυασμό με ένα άλλο Πανεπιστήμιο Fudan "1" και το "N" πολλών πανεπιστημίων, επιστημονικών ερευνητικών ιδρυμάτων, τεχνολογικών επιχειρήσεων, ομάδων καινοτομίας και επενδυτικών ιδρυμάτων, προωθούν από κοινού επιστημονική έρευνα, κατάρτιση ταλέντων, μετασχηματισμός επιστημονικών και τεχνολογικών επιτευγμάτων και καινοτομία και αναβάθμιση της βιομηχανίας.

Το πρότυπο για το AGI θα πρέπει να είναι η δημιουργία του "AI Einstein"

Από τεχνική άποψη, τα μεγάλα μοντέλα με όλο και περισσότερες παραμέτρους θα οδηγήσουν σε γενική τεχνητή νοημοσύνη; Σήμερα, είτε από την προοπτική της ίδιας της τεχνολογίας AI είτε από την άποψη της κατανάλωσης ενέργειας, αν και τα μεγάλα μοντέλα που βασίζονται στην αυτοπαλινδρομική αρχιτεκτονική του Transformer εξακολουθούν να έχουν οφέλη, δεν αρκούν για να οδηγήσουν σε γενική τεχνητή νοημοσύνη. Η τεχνητή νοημοσύνη απαιτεί την ανάπτυξη νέων «γκρίζων κουτιών» αξιόπιστων μεγάλων μοντέλων. Αυτή είναι μια περίληψη της πολύχρονης πρακτικής εμπειρίας του Qi Yuan στον ακαδημαϊκό χώρο και τη βιομηχανία.

Πριν από δέκα χρόνια, με την ιδέα να «κάνει χρήσιμη την τεχνητή νοημοσύνη», ο Qi Yuan οδήγησε την ομάδα να αυξήσει το βασικό σύστημα μηχανικής μάθησης της Alibaba από 2 εκατομμύρια παραμέτρους σε εκατοντάδες εκατομμύρια παραμέτρους για πρώτη φορά, επιτυγχάνοντας επιχειρηματικό αποτέλεσμα μεγάλης κλίμακας Βελτιώσεις επίδειξης ολοκληρωμένου μετασχηματισμού δεδομένων, αλγορίθμων και μηχανικών δυνατοτήτων. Αυτή ακριβώς είναι η ενσάρκωση του νόμου Scaling για τον οποίο γίνεται λόγος στον κύκλο της τεχνητής νοημοσύνης σήμερα.

Ο Qi Yuan υπενθύμισε ότι η ομάδα γεύτηκε τα πλεονεκτήματα του νόμου κλιμάκωσης εκείνη την εποχή: αφού οι παράμετροι του μοντέλου αυξήθηκαν εκατό φορές, το συνολικό αποτέλεσμα βελτιώθηκε με άλματα και όρια. "Αλλά τώρα σκέφτομαι: Γιατί δεν κάναμε μοντέλα τεχνητής νοημοσύνης σε μεγαλύτερο βαθμό τότε; Γιατί σταμάτησα εδώ όταν κάναμε ένα βήμα προς τα εμπρός, είπε, "Τα μεγάλα μοντέλα με εκατοντάδες εκατομμύρια παραμέτρους είναι ακόμα;" Δεν αρκεί, για να προχωρήσουμε σε δεκάδες δισεκατομμύρια, ή ακόμα και σε τρισεκατομμύρια Την εποχή εκείνη, τόσο ο ακαδημαϊκός κόσμος όσο και τα ιδρύματα δεν είχαν υπολογιστική ισχύ, και ακόμη και στον βιομηχανικό κόσμο, η επίτευξη τόσο υψηλής υπολογιστικής ισχύος απαιτούσε πολύ υψηλό κόστος. περισσότερο για να μην αναφέρουμε τον ακαδημαϊκό χώρο».

Ο λόγος για τον οποίο το πρότυπο για το AGI πρέπει να είναι η δημιουργία ενός «AI Einstein», εξήγησε ο Qi Yuan, είναι να είναι αποτελεσματικός και έξυπνος. Πρώτα απ 'όλα, ο Αϊνστάιν είδε τα "σκοτεινά σύννεφα της φυσικής στις αρχές του 20ου αιώνα" μέσω πολλών βασικών σημείων δεδομένων θα πρέπει επίσης να είναι σε θέση να ανακαλύψει άγνωστους νόμους που κατανοούν τον πολύπλοκο κόσμο. Ωστόσο, κανένα από τα σημερινά μεγάλα μοντέλα δεν μπορεί να το κάνει αυτό Αν και το μεγάλο οπτικό μοντέλο SORA προσομοιώνει τον φυσικό κόσμο σε άνευ προηγουμένου βαθμό, το SORA εξακολουθεί να χτίζει έναν τρισδιάστατο κόσμο βασισμένο στην προσομοίωση του δισδιάστατου κόσμου. από μια ενδελεχή κατανόηση του φυσικού κόσμου. Το δεύτερο είναι η κατανάλωση ενέργειας Η ισχύς του ανθρώπινου εγκεφάλου είναι περίπου 15 watts και η μέγιστη ισχύς μιας GPU είναι αρκετές εκατοντάδες Watt για να μην αναφέρουμε ότι η υποστήριξη της εκπαίδευσης μεγάλων μοντέλων απαιτεί μια κιλοκάρτα ή ένα σύμπλεγμα καρτών. . Προς το παρόν, εάν συνεχίσετε να χρησιμοποιείτε την υπάρχουσα αρχιτεκτονική, θα απαιτηθεί τεράστια κατανάλωση ενέργειας, καθιστώντας δύσκολη την επίτευξη του στόχου να είστε αποτελεσματικοί και έξυπνοι.

Το "AI Einstein" είναι επίσης βασικός στόχος της τεχνητής νοημοσύνης για την επιστήμη (Σημείωση: Επιστημονική Νοημοσύνη, εφεξής AI4S). Η επιστημονική νοημοσύνη παίζει ήδη σημαντικό ρόλο στην επιτάχυνση της επίλυσης γνωστών φυσικών εξισώσεων, αλλά η επιστημονική νοημοσύνη πρέπει να συνδυάζει γνωστούς κανόνες και δεδομένα, να μειώνει τη μεγάλη εξάρτηση από δεδομένα και υπολογιστική ισχύ, να βελτιώνει την ακρίβεια της λογικής και της πρόβλεψης και να προσαρμόζεται με βάση τη γνώση δεδομένων κανόνες και προτείνει νέες επιστημονικές θεωρίες. Αυτό συμπίπτει επίσης με τον μακροπρόθεσμο στόχο του Qi Yuan να εργαστεί στο Πανεπιστήμιο Fudan και στο Ινστιτούτο Πνευματικής Ιδιοκτησίας της Σαγκάης - «να χρησιμοποιήσει την τεχνητή νοημοσύνη για να κατανοήσει τον περίπλοκο κόσμο και να ανακαλύψει άγνωστους νόμους».

Το μεγάλο μοντέλο "Γκρι κουτί" αξιόπιστου κατακόρυφου πεδίου ενδυναμώνει χιλιάδες βιομηχανίες

Ποια προβλήματα πρέπει να επιλυθούν επειγόντως όταν μεγάλα μοντέλα εφαρμόζουν νέα παραγωγικότητα από εργαλεία τεχνητής νοημοσύνης; Από την οπτική γωνία του Qiyuan, η μεγάλη βιομηχανία μοντέλων αντιμετωπίζει πολλές κοινές προκλήσεις, γεγονός που καθιστά δύσκολη την αντιστοίχιση της τεχνολογίας, των προϊόντων και της ζήτησης της αγοράς.

«Προς το παρόν, το μεγαλύτερο πρόβλημα στην εφαρμογή μοντέλων μεγάλης κλίμακας είναι ότι φαίνονται χρήσιμα με την πρώτη ματιά, αλλά είναι άχρηστα όταν χρησιμοποιούνται προβλέψτε την επόμενη λέξη για να προβλέψετε την επόμενη λέξη, αλλά αυτό δεν είναι κατάλληλο για αυστηρό συλλογισμό πολλών βημάτων. «Η γλώσσα είναι εργαλείο επικοινωνίας, όχι εργαλείο σκέψης Πρόσφατα, ένα άρθρο που δημοσιεύτηκε από το Ινστιτούτο Τεχνολογίας της Μασαχουσέτης (MIT) και άλλα ιδρύματα στο κορυφαίο ακαδημαϊκό περιοδικό «Nature» επισήμανε ότι η γλώσσα είναι ένα ισχυρό εργαλείο για τη διάδοση». πολιτιστική γνώση, και μπορεί να σχετίζεται με τις ικανότητες σκέψης και συλλογισμού μας που συνεξελίχθηκαν για να αντικατοπτρίζουν την πολυπλοκότητα της ανθρώπινης γνώσης. Όμως η γλώσσα δεν δημιουργεί την πολυπλοκότητα του συλλογισμού.

Λαμβάνοντας υπόψη τα υπάρχοντα χαρακτηριστικά των μεγάλων μοντέλων, όπως η αναξιοπιστία, η χαμηλή ερμηνεία και το υψηλό κόστος, μια πραγματικά αποτελεσματική λύση είναι να συνδυαστεί η πιθανολογική λογική του νευρωνικού δικτύου με λογικούς συμβολικούς υπολογισμούς, παρόμοια με τον νικητή του βραβείου Νόμπελ στην οικονομία Daniel Card Η γρήγορη σκέψη με βάση το ανθρώπινο ένστικτο και η αργή σκέψη με βάση τη λογική λογική που περιγράφεται στο βιβλίο του Niemann "Thinking Fast and Slow" "μπορεί να ειπωθεί ότι είναι ένα μεγάλο μοντέλο "γκρίζου κουτιού" πιστεύει ότι το "Γκρι κουτί" εμπιστευόταν τα μεγάλα μοντέλα Ο συνδυασμός συμβολικών υπολογιστών με νευρωνικά δίκτυα μπορεί να μειώσει την «ψευδαίσθηση» της τεχνητής νοημοσύνης και να λύσει επαγγελματικά προβλήματα σε κάθετα πεδία, ενδυναμώνοντας έτσι χιλιάδες βιομηχανίες και απελευθερώνοντας την παραγωγικότητα μεγάλων μοντέλων.

Τι είναι ένα "γκρίζο κουτί" αξιόπιστο μεγάλο μοντέλο; «Η βαθιά μάθηση θεωρήθηκε αρχικά ένα «μαύρο κουτί», αλλά τώρα συνδυάζουμε το «λευκό κουτί» της λογικής μάθησης με τη βαθιά μάθηση και γίνεται ένα «γκρίζο κουτί» εξήγησε ο Qi Yuan, «Το αρχικό «μαύρο κουτί». κάνει τους ανθρώπους να μην γνωρίζουν τίποτα για τη διαδικασία παραγωγής δεδομένων και το μεγάλο μοντέλο «γκρίζου κουτιού» μπορεί να κάνει τους ανθρώπους «να ξέρουν τι συμβαίνει και γιατί» με τη βοήθεια λογικού συλλογισμού Τα μοντέλα μπορούν να χρησιμοποιήσουν βαθιά μάθηση για να μειώσουν τους κανόνες που δεν το κάνουν αντιστοιχούν τα δεδομένα παρατήρησης του πραγματικού κόσμου."

Ο Qi Yuan είπε ότι για να γίνουν σύνθετα σενάρια σε διάφορες βιομηχανίες νέα πεδία μάχης όπου η τεχνητή νοημοσύνη παίζει κεντρικό ρόλο, είτε πρόκειται για χρηματοδότηση και ασφάλιση, αιολική ενέργεια, θαλάσσιες μεταφορές, ιατρικά και φαρμακευτικά σενάρια, είναι απαραίτητο να ενσωματωθεί η συστηματική γνώση της βιομηχανίας. συλλογιστική λογική και μηχανισμοί λήψης αποφάσεων σε συνδυασμό με μεγάλα μοντέλα. Τα μεγάλα μοντέλα "γκρίζου κουτιού" δεν είναι μόνο η γενική κατεύθυνση της γενικής τεχνητής νοημοσύνης, αλλά και ένα ισχυρό εργαλείο για τα μεγάλα μοντέλα να διεισδύσουν βαθιά σε κάθετα πεδία και να λύσουν πραγματικά πρακτικά προβλήματα. «Αν το δει κανείς από βιομηχανική άποψη, αυτή η κατανόηση είναι πολύ διαισθητική. Οι γιατροί δεν χρειάζεται να είναι δικηγόροι και οι δικηγόροι δεν χρειάζεται να είναι ειδικοί στις επενδύσεις». και να φτιάξει τα δικά της εργαλεία παραγωγικότητας. Από τεχνικής απόψεως, μπορεί να συμβεί «καταστροφική λήθη» εάν ένα μεγάλο μοντέλο υπερμαθηθεί σε άσχετες εργασίες. Όπως ακριβώς αν ο Λι Μπάι δούλευε ως λογιστής όλη μέρα και δεν έγραφε ποίηση, η ποιητική του έμπνευση θα μπορούσε σταδιακά να εξαφανιστεί. "Έχουμε παρατηρήσει ότι όταν εκπαιδεύουμε ένα μεγάλο μοντέλο σε ένα κατακόρυφο πεδίο, εάν το μοντέλο αφεθεί να μάθει πάρα πολλές άσχετες λειτουργίες, θα επηρεάσει τις αρχικές του δυνατότητες. Επομένως, είναι απαραίτητο να φτιάξετε ένα μεγάλο μοντέλο "γκρι κουτί" το κάθετο πεδίο νομίζω ότι έχει μεγάλη αξία στη βιομηχανική εφαρμογή.

«Πιστεύω ότι το μεγάλο μοντέλο «γκρίζου κουτιού» θα διαδραματίσει ολοένα και πιο σημαντικό ρόλο στο δρόμο προς την AGI και την εφαρμογή της κάθετης βιομηχανίας, επειδή από μια μεθοδολογία Bayes, συνδυάζει τη γνωστή μας γνώση και το κρυφό Οι άγνωστες πληροφορίες στα δεδομένα συνδυάζονται να ανακαλύψει νέους νόμους και να λύσει επιστημονικά και βιομηχανικά προβλήματα «Ο Τσι Γιουάν είπε ωμά ότι στο μέλλον, ο «AI Einstein» μπορεί να είναι και «AI Buffett».

Ανοίξτε την αλυσίδα καινοτομίας και δημιουργήστε ένα επιστημονικό και ευφυές οικοσύστημα καινοτομίας

Στο Παγκόσμιο Συνέδριο Τεχνητής Νοημοσύνης του 2024, μια ομάδα με επικεφαλής τον Qi Yuan κυκλοφόρησε ένα μεγάλης κλίμακας αξιόπιστο οικονομικό και ιατρικό μοντέλο ελαφριάς γλώσσας με δεκάδες δισεκατομμύρια παραμέτρους. Οι δοκιμές μεγάλων μοντέλων σε αυτά τα δύο κάθετα πεδία έχουν ξεπεράσει το μεγάλο μοντέλο τρισεκατομμυρίων παραμέτρων GPT4-Turbo του OPEN AI, κεντρίζοντας για άλλη μια φορά την προσοχή της βιομηχανίας στην υλοποίηση μεγάλων μοντέλων.

"Οι σημερινές ανακαλύψεις στην τεχνητή νοημοσύνη δεν προέρχονται μόνο από την καινοτομία των βασικών αρχών, αλλά επίσης οδηγούνται από προϊόντα προσανατολισμένα στις κοινωνικές ανάγκες. Αυτό που χρειάζεται η κοινωνία δεν είναι μόνο η δημοσίευση θεωρητικών άρθρων ή η καινοτομία επιχειρηματικών μοντέλων, αλλά η βαθιά ενοποίηση των τεχνολογικών η καινοτομία και η βιομηχανική καινοτομία, η οποία βασίζεται στην σημαντική ανακάλυψη της αρχής της ενότητας.

Η ακαδημαϊκή κοινότητα και η βιομηχανία έχουν διαφορετικές αποστολές Η ακαδημαϊκή κοινότητα πρέπει να εξερευνήσει νέα πράγματα, ενώ η βιομηχανία πρέπει πρώτα να λύσει πρακτικά προβλήματα. Υπάρχει ένα κοινό πρόβλημα στο εσωτερικό και στο εξωτερικό: τα ερευνητικά ιδρύματα πρέπει να μελετήσουν πολλά ζητήματα τεχνολογικής καινοτομίας, αλλά αν αγνοήσουν την παραγωγικότητα και τις κοινωνικές ανάγκες, θα υπάρξουν δύο ελλείψεις: η έλλειψη πραγματικής ανταγωνιστικής πίεσης και η αδυναμία μετριασμού των καινοτόμων τεχνολογιών στον ανταγωνισμό. Η αποτελεσματική ανατροφοδότηση πληροφοριών αγοράς οδηγεί την κατεύθυνση της τεχνολογικής έρευνας και ανάπτυξης.

Για το σκοπό αυτό, ο Qiyuan ανυπομονεί να ανοίξει την αλυσίδα καινοτομίας «πανεπιστήμια-ερευνητικά ινστιτούτα-start-ups» και να δημιουργήσει ένα καλό οικοσύστημα καινοτομίας. Χρησιμοποιήστε τη ζήτηση και τα σενάρια της αγοράς για να οδηγήσετε την κατεύθυνση του προϊόντος και καινοτομήστε από κάτω προς τα πάνω για να δημιουργήσετε ανταγωνιστικότητα του πυρήνα του προϊόντος.

Η Shangzhiyuan, που ιδρύθηκε το 2023, δεσμεύεται για πρωτότυπη καινοτομία στην τεχνητή νοημοσύνη για την επιστήμη που συνδυάζει γνώση και δεδομένα. Πρόσφατα, το Ινστιτούτο Shangzhi κυκλοφόρησε τη σειρά Fuxi μετεωρολογικών μοντέλων μεγάλης κλίμακας 2.0 για βιομηχανικές εφαρμογές όπως η νέα ενέργεια, η ασφάλιση και η αστική διαχείριση και πρωτοστάτησε στην έναρξη της Ευφυούς Μετεωρολογικής Καινοτομίας Ecological Alliance, ενώνοντας πολλαπλές μονάδες για να προωθήσουν σταδιακά τη βιομηχανοποίηση της σειράς μετεωρολογικών μοντέλων μεγάλης κλίμακας Fuxi 2.0. Η κυκλοφορία του προϊόντος του αξιόπιστου μεγάλου μοντέλου "grey box" βρίσκεται επίσης σε εξέλιξη.

Προκειμένου να ευημερήσει περαιτέρω το οικοσύστημα επιστημονικής και ευφυούς καινοτομίας, το δεύτερο συνέδριο χρηματοδοτήθηκε από κοινού από την Ευφυή Ακαδημία της Σαγκάης και το Πανεπιστήμιο Fudan και καθοδηγήθηκε από κοινού από τη Δημοτική Επιτροπή Επιστήμης και Τεχνολογίας της Σαγκάης, τη Δημοτική Επιτροπή Ανάπτυξης και Μεταρρύθμισης της Σαγκάης, τη Δημοτική Οικονομική και Πληροφορικής της Σαγκάης Η Επιτροπή, η Δημοτική Επιτροπή Εκπαίδευσης της Σαγκάης και άλλα τμήματα ξεκίνησε ο Παγκόσμιος Διαγωνισμός Επιστήμης και Νοημοσύνης. Ο διαγωνισμός ορίζει ένα βραβείο εκατομμυρίων δολαρίων για την πρόσληψη παικτών από όλο τον κόσμο για να εξερευνήσουν από κοινού τα αιχμής πεδία της επιστημονικής νοημοσύνης. Ταυτόχρονα, το Ινστιτούτο Shangzhi ηγήθηκε της ανάπτυξης μιας πλατφόρμας επιστημονικών δεδομένων που καλύπτει πολυτροπικά επιστημονικά δεδομένα. . Με βάση αυτήν την πλατφόρμα, η SPIC και οι συνεργάτες της έχουν κατασκευάσει πολλαπλά σύνολα επιστημονικών δεδομένων υψηλής ποιότητας για τους τομείς των βιοεπιστημών, των φυσικών επιστημών και των επιστημών της ατμόσφαιρας, παρέχοντας πολύτιμους πόρους για την έρευνα επιστημονικής νοημοσύνης. Επιπλέον, το Ινστιτούτο Shangzhi ανέλαβε την ηγεσία στην έναρξη της Global Scientific Data Ecological Alliance Η πρώτη παρτίδα των μονάδων-μελών της συμμαχίας περιλαμβάνει περισσότερες από δέκα μονάδες, συμπεριλαμβανομένων των China Telecom Co., Ltd., COSCO Shipping Property Insurance Captive Co., Ltd., Shanghai. Lingang New Area Cross-Border Data Technology Co., Ltd. Η συμμαχία θα δημιουργήσει μια παγκόσμια, πολλαπλών πεδίων επιστημονική ερευνητική πλατφόρμα ανοίγματος και κοινής χρήσης πόρων μεγάλων δεδομένων μέσω της συνεργασίας με κυβερνήσεις, επιχειρήσεις, πανεπιστήμια, ερευνητικά ιδρύματα και άλλα μέρη.

"Τόσο η επιστημονική έρευνα όσο και η βιομηχανία δεν θα πρέπει να είναι "νέες για χάρη της καινοτομίας". Ελπίζουμε ότι μπορούμε να δημιουργήσουμε μελλοντική γενική τεχνητή νοημοσύνη και εφαρμογές για την επίλυση προβλημάτων του πραγματικού κόσμου."

συγγραφέας:

Εικόνα: Φωτογραφία ευγενική προσφορά του Ινστιτούτου Έρευνας Νοημοσύνης της Σαγκάης Επιμέλεια: Wu Jinjiao Αρχισυντάκτης: Jiang Peng

Παρακαλούμε αναφέρετε την πηγή κατά την επανεκτύπωση αυτού του άρθρου.