Was kommt als Nächstes für AI? Vielleicht physisch spezifische Intelligenz, mehr als künstliche allgemeine Intelligenz. Hier ist eine Entwurfsthese. (1) Erstens, AI befindet sich jetzt im Tal des Hype-Zyklus. Jede Technologie, egal wie erstaunlich, durchläuft dies. Es ist tatsächlich eine der besten Zeiten, um zu investieren und aufzubauen, sobald der Raum beginnt, sich zu lichten. (2) Zweitens ist AI sowohl äußerst nützlich für Suche, Zusammenfassung, Visualisierung und Prototyping *als auch* eine äußerst nervige Quelle von Spam, Betrug und Schrott. Zu viele werden sich ausschließlich auf die Nachteile konzentrieren. (3) Drittens ist das genaue Plateau von AI ziemlich unerwartet. Die Tatsache, dass aktuelle Modelle anscheinend bei "deutlich besserer Websuche und Zusammenfassung" an ihre Grenzen gestoßen sind, ist nicht das, was die meisten 2022 erwartet hätten. Google zu stören ist eine historische Errungenschaft, doch es ist nicht der Maschinen-Gott. (4) Eine These, warum Modelle auf diese Weise ein Plateau erreicht haben, ist, dass digitale AI im LLM-Stil wirklich *nur* wiederholt, anstatt wirklich zu denken. Es ist downstream, nicht upstream. Jetzt kann man mit diesem Ansatz viel weiter kommen, als die meisten dachten. Aber man kann nicht bis zu neuartigen Gedanken gelangen. (5) Das führt zu einem weiteren Punkt: Wie ich bereits gesagt habe, macht digitale AI es von Mitte zu Mitte, nicht von Ende zu Ende. Denn der Engpass für digitale AI ist das Prompting und Verifizieren. (6) Physische AI — im Sinne von robotergestützter Führung — *kann* jedoch tatsächlich Dinge von Ende zu Ende tun, wenn auch nach der Investition von viel Energie in Randfällen. Zum Beispiel können selbstfahrende Autos jetzt wirklich von Punkt A nach Punkt B fahren. Sie tun es von Ende zu Ende. (7) Daher sollten wir bei extrem gut definierten und wirtschaftlich wertvollen Problemen der physischen Welt wie "von Punkt A nach Punkt B fahren" signifikante Fortschritte bei AI sehen. Nennen wir dies physisch spezifische Intelligenz. (8) Chinesische Roboter werden insbesondere Aufgabe um Aufgabe meistern, in vielen Formfaktoren über nur Autos oder Humanoide hinaus. Gehwegroboter und Lieferdrohnen sind bereits in China im Einsatz, neben selbstfahrenden Autos, und ihr Hardware-Sektor beschleunigt sich. (9) Ein Grund, kurzfristig optimistischer auf physisch spezifische Intelligenz als auf künstliche allgemeine Intelligenz zu sein, ist, dass die physische Welt real ist, während die digitale Welt fiktiv sein kann. @drfeifei machte den verwandten Punkt, dass das Lehrbuchkonzept der gleichzeitigen Lokalisierung und Kartierung (SLAM) tatsächlich ein explizites Modell der physischen Welt ist, etwas, von dem wir alle wissen, dass es in der digitalen Welt fehlt. (10) Insbesondere wenn Sie N verschiedene Roboter haben, die alle SLAM (oder Ähnliches) durchführen und ihre Sensordaten in eine zentrale Datenbank hochladen, lernen sie alle gewissermaßen aus der gleichen physischen Welt und voneinander. Die Millionen von Trainingskilometern, die von selbstfahrenden Autos zurückgelegt werden, zeigen, dass diese Strategie funktioniert. (11) Vergleichen Sie dies mit der digitalen Welt. Text kann gefälscht sein, er kann fiktiv sein, und in der Tat ist er oft so. Und das gilt umso mehr, da AI-Text das Web durchdringt. (12) Daher werden N Roboter, die die physische Welt wahrnehmen, auf eine konsensbasierte Realität konvergieren. Ein Unitree-Roboter und ein Tesla-Roboter werden dieselben Objekte wahrnehmen. Im Gegensatz dazu konsumieren N Agenten in der digitalen Welt einfach weiterhin Text und Bilder, die inkonsistent sein können und werden. (13) In Abwesenheit digitaler Signaturen wird die online verwendete Datenbasis für das AI-Training nicht nur intern inkonsistent, sondern auch in subtilen oder tiefen Weisen gefälscht sein. Tatsächlich stellen weit verbreitete AI-Modelle sicher, dass viele digitale Daten (außerhalb harter digitaler Grenzen) gefälscht, oder Schrott, oder AI-Agenten, die miteinander sprechen, werden. ...