ChatGPT 和 Wolfram|Alpha
当事情突然“正常工作”时,总是令人惊奇。 早在 2009 年,我们的 Wolfram|Alpha 就发生了这种情况。2020 年,我们的物理项目发生了这种情况。现在,OpenAI 的 ChatGPT 也发生了这种情况。
我跟踪神经网络技术已经有很长一段时间了(实际上大约有43年)。即使在过去的几年里,我也发现ChatGPT的表现非常出色。突然间,终于有一个系统可以成功地生成几乎任何东西的文本,而且与人类可能写的东西非常相似。这让人印象深刻,而且很有用。正如我将在其他地方讨论的那样,我认为它的成功可能在告诉我们一些关于人类思维本质的非常基本的东西。
但是,尽管ChatGPT在自动完成主要的类似人类的事情方面取得了非凡的成就,但并非所有有用的事情都是如此 "类似人类"。有些事情反而更加正式和有条理。事实上,我们的文明在过去几个世纪的伟大成就之一就是建立了数学、精确科学的范式,以及最重要的,现在的计算,并创造了一个与纯人类思维所能实现的完全不同的能力塔。
几十年来,我自己一直深入地参与计算范式的研究,单一地追求建立一种计算语言,以正式的符号方式代表世界上尽可能多的事物。在此过程中,我的目标是建立一个能够 "以计算方式协助 "我和其他人想要做的事情的系统,并增强其功能。我作为一个人在思考问题。但我也可以立即调用Wolfram语言和Wolfram|Alpha,以利用一种独特的 "计算超能力",让我做各种超越人类的事情。
这是一种非常强大的工作方式。关键是,这不仅对我们人类很重要。它对类似人类的人工智能也同样重要,甚至更重要,它立即赋予它们我们可以认为是计算知识的超能力,它利用了结构化计算和结构化知识的非人类力量。
我们刚刚开始探索这对ChatGPT意味着什么。但很明显,美妙的事情是可能的。Wolfram|Alpha所做的事情与ChatGPT非常不同,其方式也非常不同。但它们有一个共同的界面:自然语言。这意味着ChatGPT可以像人类一样与Wolfram|Alpha "对话"--Wolfram|Alpha将从ChatGPT获得的自然语言转化为精确的、符号化的计算语言,并在此基础上运用其计算知识能力。
几十年来,在思考人工智能时,一直存在着 "统计方法 "和 "符号方法 "的两极分化,前者是ChatGPT使用的方法,后者则是Wolfram|Alpha的出发点。但现在,由于ChatGPT的成功,以及我们在使Wolfram|Alpha理解自然语言方面所做的所有工作,我们终于有机会将这两种方法结合起来,使其比任何一种方法都要强大。
一个基本的例子
ChatGPT的核心是一个生成语言输出的系统,它 "遵循 "网络上和书籍中的内容,以及其他用于训练的材料的模式。值得注意的是,这种输出是多么像人,不仅是在小范围内,而且是在整篇文章中。它有连贯性的东西可说,它所学到的概念往往以有趣和意想不到的方式出现。它产生的东西总是 "在统计学上是合理的",至少在语言学层面上是如此。但是,尽管这最终令人印象深刻,但它肯定不意味着它自信地提出的所有事实和计算都一定是正确的。
这是我刚刚注意到的一个例子(而且,是的,ChatGPT有内在的随机性,所以如果你尝试这个,你可能不会得到同样的结果):
这听起来很有说服力。但事实证明,这是不对的,Wolfram|Alpha可以告诉我们:
当然,公平地说,这正是Wolfram|Alpha所擅长的事情:可以在其结构化的、经过策划的知识基础上,将其转化为一种精确的计算。
但有趣的是,人们可以考虑让Wolfram|Alpha在这方面自动帮助ChatGPT。人们可以通过程序向Wolfram|Alpha提出问题(你也可以使用网络API等):
现在再次向 ChatGPT 提出问题,并附加以下结果: