AI的下一步是什么？也许是物理特定智能，而不是人工通用智能。 这是一个草稿论文。 (1) 首先，AI现在正进入炒作周期的低谷。每项技术，无论多么惊人，都会经历这个过程。一旦这个领域开始变得稀薄，实际上是投资和建设的最佳时机。 (2) 其次，AI在搜索、总结、可视化和原型制作方面非常有用，同时也是一个高度烦人的垃圾邮件、诈骗和低质量内容的来源。太多人只会关注负面影响。 (3) 第三，AI的确切平台是相当意外的。当前模型似乎在“远超网络搜索和总结”这一点上达到了顶峰，这并不是大多数人在2022年所预期的。颠覆谷歌是一个历史性的成就，但它并不是机器之神。 (4) 关于模型以这种方式达到平台的一个论点是，LLM风格的数字AI确实只是重复，而不是在真正思考。它是下游，而不是上游。现在，你可以在这方面走得比大多数人想象的更远。但你无法达到全新的想法。 (5) 这引出了另一个观点：正如我之前所说，数字AI是中到中，而不是端到端。因为数字AI的瓶颈在于提示和验证。 (6) 然而，*物理* AI——在机器人引导的意义上——*可以*可行地做到端到端，尽管需要在边缘案例上投入大量精力。例如，自动驾驶汽车现在确实可以将你从A点带到B点。它们是端到端的。 (7) 因此，像“从A点开到B点”这样极其明确且经济有价值的物理世界问题是我们应该看到显著AI进展的地方。称之为物理特定智能。 (8) 特别是中国的机器人将一项接一项地完成任务，形式因素超越了汽车或类人机器人。人行道机器人和送货无人机在中国已经投入使用，自动驾驶汽车也在其中，它们的硬件行业正在加速发展。 (9) 对于物理特定智能而不是人工通用智能，短期内更乐观的一个原因是，物理世界是真实的，而数字世界可以是虚构的。@drfeifei 提出了相关观点，即教科书概念的同时定位与地图构建（SLAM）实际上是一个明确的物理世界模型，这一点我们都知道在数字领域是缺失的。 (10) 特别是，如果你有N个不同的机器人都在进行SLAM（或等效操作）并将它们的传感器数据上传到中央数据库，它们在某种意义上都是在从同一个物理世界和彼此身上学习。自动驾驶汽车所行驶的数百万训练里程表明，这一策略是有效的。 (11) 将此与数字世界进行对比。文本可以是假的，可以是虚构的，实际上它往往如此。随着AI文本渗透网络，这一点尤为明显。 (12) 因此，N个感知物理世界的机器人将趋向于共识现实。一台Unitree机器人和一台特斯拉机器人将感知到相同的物体。相比之下，数字世界中的N个代理只会不断摄取文本和图像，而这些文本和图像可能并且将会不一致。 (13) 在缺乏数字签名的情况下，用于AI训练的在线数据不仅会在内部不一致，而且在微妙或深层次上是假的。实际上，广泛的AI模型确保了许多数字数据（在硬数字边界之外）将变得虚假、低质量，或是AI代理之间的对话。 ...