首屆世界互聯(lián)網(wǎng)大會,投資之神孫正義對未來30年的暢想,讓學物理的搜狐CEO張朝陽非常認同,以下是二人在不同場合的觀點碰撞。
孫正義觀點:未來30年將不會出現(xiàn)交通意外,同時人們也不會生病
30年以后,芯片微處理器會比人腦更聰明,可以計算,可以思考,甚至可以想象?;蛟SiPhone32代出現(xiàn),在你手中的機器大概可以儲存5000億首的歌曲,相當于3億年的報紙信息存量。
30年后,數(shù)據(jù)傳輸速度很快,云技術(shù)的服務(wù)前途無量。我們可以有效的進行教育,孩子的智商會比以往要更高,醫(yī)療科技也會變得更加先進,會更好地尋找疾病治療的方法。所有的事情就會通過物聯(lián)網(wǎng)連接起來。無論是手提電腦或者是手持的儀器,還是電腦,還是眼鏡,還是衣服、鞋子、墻等等等等所有的事情,甚至是一頭牛都有可能被物聯(lián)網(wǎng)聯(lián)系起來。
在這樣的社會當中,將不會出現(xiàn)交通意外。同時人們也不會生病,因為預防措施將會非常的先進。如果你要找人,或者找你的寵物,或者是要問路,那么就會有機器人來幫助你,他們都是智能機器人,可以幫助人類,或者是幫助有需要的人來處理意外災(zāi)難等等一些意外的現(xiàn)象,比如說車禍等等等等,其他的不幸的現(xiàn)象都會得到預防。
張朝陽提問孫正義
你提到未來非常的光明,你非常的樂觀,但是在幾年之后,你覺得是不是還可以相信現(xiàn)在這樣的變化速度是可以維持的?現(xiàn)在的云技術(shù)、納米技術(shù)和這種快速的信息傳播是不是可持續(xù)的發(fā)展方式?
孫正義:
我想可以肯定的是人類的智慧,20年前也有人問過我同樣的問題。如果現(xiàn)在的發(fā)展速度被打破的話,那么我們會不會需要新的技術(shù),或者新的更大的突破來保持這種進步的速度,當時我說到我是一個樂觀派,我是相信人的能力總是可以找到解決方案的。在未來的30年,我想這種趨勢也會繼續(xù)下去。18個月可能變成12個月,或6個月,但是這都不重要,這仍然是一種成倍式的增長。
張朝陽觀點:我們這代人真的有可能是永生的,所有的疾病將會被治愈。
孫正義說的前景我是真正相信的,隨著計算速度越來越快,在原子和納米層面來安排很多東西會很方便。我覺得未來所有疾病都可以被治愈,就在我們這一代,這一代是非常幸運的。所以我們每個人都應(yīng)該對未來充滿憧憬。
未來每個人都拿著手機或者拿著各種各樣的可穿戴設(shè)備,所以隨時隨地地,然后是人與物的交流和人與人的交流,人與人的交流像微信或者各種社交網(wǎng)絡(luò),人與物的交流發(fā)生在我們每天生活的方方面面,在所有的交流里面都可能存在著背后的智慧。
未來隨著運算速度的加強,摩爾定律會繼續(xù)實現(xiàn),摩爾定律即使完蛋了,量子計算也可能會導致這種速度會繼續(xù)下去,這樣各種各樣的設(shè)備都有芯片都有智能,這種智能都在云端計算。
未來的世界是非常值得期待的,包括納米技術(shù)等等,所以我們這代人真的有可能是永生的,所有的疾病將會被治愈,在未來的30年。
好文章,需要你的鼓勵
新加坡國立大學研究團隊開發(fā)了SPIRAL框架,通過讓AI與自己對弈零和游戲來提升推理能力。實驗顯示,僅訓練AI玩簡單撲克游戲就能讓其數(shù)學推理能力提升8.6%,通用推理提升8.4%,且無需任何數(shù)學題目作為訓練材料。研究發(fā)現(xiàn)游戲中的三種推理模式能成功轉(zhuǎn)移到數(shù)學解題中,為AI訓練提供了新思路。
同濟大學團隊開發(fā)的GIGA-ToF技術(shù)通過融合多幀圖像的"圖結(jié)構(gòu)"信息,創(chuàng)新性地解決了3D相機噪聲問題。該技術(shù)利用圖像間的不變幾何關(guān)系,結(jié)合深度學習和數(shù)學優(yōu)化方法,在合成數(shù)據(jù)集上實現(xiàn)37.9%的精度提升,并在真實設(shè)備上展現(xiàn)出色泛化能力,為機器人、AR和自動駕駛等領(lǐng)域提供更可靠的3D視覺解決方案。
伊利諾伊大學研究團隊通過對比實驗發(fā)現(xiàn),經(jīng)過強化學習訓練的視覺語言模型雖然表現(xiàn)出"頓悟時刻"現(xiàn)象,但這些自我糾錯行為并不能實際提升推理準確率。研究揭示了AI模型存在"生成-驗證差距",即生成答案的能力強于驗證答案質(zhì)量的能力,且模型在自我驗證時無法有效利用視覺信息,為AI多模態(tài)推理發(fā)展提供了重要啟示。
MIT等頂尖機構(gòu)聯(lián)合提出SparseLoRA技術(shù),通過動態(tài)稀疏性實現(xiàn)大語言模型訓練加速1.6倍,計算成本降低2.2倍。該方法使用SVD稀疏性估計器智能選擇重要計算部分,在保持模型性能的同時顯著提升訓練效率,已在多個任務(wù)上驗證有效性。