AI 接下來會怎樣？也許是物理特定的智慧，而不僅僅是人工通用智慧。 這是一篇草擬的論文。 (1) 首先，AI 現在正進入炒作周期的低谷。每一項技術，不論多麼驚人，都會經歷這個過程。這實際上是投資和建設的最佳時機之一，當這個領域開始變得稀薄時。 (2) 其次，AI 在搜索、摘要、可視化和原型設計方面非常有用 *而且* 也是一個非常煩人的垃圾郵件、詐騙和雜亂的來源。太多人只會專注於缺點。 (3) 第三，AI 的確切平臺是相當意外的。當前模型似乎在「遠超過網頁搜索和摘要」的地方達到了頂峰，這並不是大多數人在 2022 年所預測的。顛覆 Google 是一項歷史性的成就，但它並不是機器之神。 (4) 一個關於為什麼模型以這種方式達到平臺的論點是，LLM 風格的數位 AI 真的 *只是* 重複，而不是在真正思考。它是下游，而不是上游。現在，你可以在這方面走得比大多數人想的更遠。但你無法完全達到新穎的想法。 (5) 這引出了另一個觀點：正如我之前所說，數位 AI 是中到中，而不是端到端。因為數位 AI 的瓶頸在於提示和驗證。 (6) 然而，*物理* AI — 在機器人指導的意義上 — *可以* 實際上做到端到端，儘管需要在邊緣案例上投入大量精力。例如，自駕車現在真的可以從 A 點帶你到 B 點。它們是端到端的。 (7) 因此，像「從 A 點開車到 B 點」這樣的極其明確且經濟有價值的物理世界問題是我們應該看到顯著 AI 進展的地方。稱之為物理特定智慧。 (8) 特別是中國的機器人將一個接一個地完成任務，形式不僅限於汽車或人形機器人。人行道機器人和送貨無人機已經在中國投入使用，自駕車也在其中，他們的硬體行業正在加速發展。 (9) 對於物理特定智慧而不是人工通用智慧更為短期看漲的原因之一是，物理世界是真實的，而數位世界可以是虛構的。@drfeifei 提出了相關的觀點，即同時定位和地圖構建（SLAM）的教科書概念實際上是一個明確的物理世界模型，這是我們都知道在數位領域中缺乏的。 (10) 特別是，如果你有 N 個不同的機器人都在進行 SLAM（或等效的）並將它們的傳感器數據上傳到中央數據庫，它們在某種意義上都是在從同一物理世界和彼此學習。自駕車所駛的數百萬訓練英里顯示這一策略是有效的。 (11) 將此與數位世界進行對比。文本可以是假的，它可以是虛構的，事實上它經常如此。隨著 AI 文本滲透到網絡中，這一點尤其如此。 (12) 因此，N 個機器人感知物理世界將會達成共識現實。一個 Unitree 機器人和一個 Tesla 機器人將感知到相同的物體。相比之下，數位世界中的 N 個代理只會不斷攝取文本和圖像，而這些文本和圖像可能且將會不一致。 (13) 在缺乏數位簽名的情況下，用於 AI 訓練的在線數據將不僅僅是內部不一致的，還可能在微妙或深層的方式上是假的。事實上，廣泛的 AI 模型確保了許多數位數據（在硬數位邊界之外）將變得虛假、雜亂，或是 AI 代理之間的對話。 ...