最近，微軟發布了一個長達154頁的論文名稱為《通用人工智能的火花，GPT-4的早期實驗》。

文章的主要觀點是雖然GPT-4還不完整，但是已經可以被視為，一個通用人工智能的早期版本。

由于全文將近7萬字，本篇將論文的內容做了一下精煉和解讀，有興趣可閱讀原文 https://arxiv.org/pdf/2303.12712.pdf

來自微軟的科學家們認為，GPT-4的智能水平已經非常接近于人類的水平，而且遠超之前的諸如先前ChatGPT用的GPT-3.5這樣的模型，可以將GPT-4視為通用人工智能系統，也就是AGI的早期，但是并不完整的版本。

1994年，52名心理學家給出了智能一個定義：智能是一種通用的心理能力，包括推理、計劃、解決問題、抽象思考，理解復雜思想、快速學習，以及從經驗中學習的能力等等。

微軟的這篇論文中的AGI，指代的就是在對智能的這個定義標準下，達到或者超過人類水平的系統。

那么如何對GPT-4進行測試，從而證明這一點呢。有不少大語言模型的評測基準。比如說Super natural instructions以及big bench。GPT-4是否擁有智能的一個關鍵方面，是它的通用性，就是能夠看似理解和鏈接任何的主題和領域，這就超出了經典的自然語言處理的任務范疇。為了突破這個限制，研究團隊提出了一種更接近于傳統心理學，而不是機器學習的測評方法來測試GPT-4，就是利用人類的創造力和好奇心，來重新生成各種新穎而且困難的任務和問題讓GPT-4作答。

研究團隊將不同的問題劃分為了4大類的能力，分別是自然語言，編程和數學，計劃和解決問題，以及人類心理和常識。

接下來通過一些精彩的示例，來說明GPT-4在各個方面的能力。

示例1: 跨學科組合的能力

這些任務往往都需要調取并且融合多學科多領域的知識或者技能來生成文本或者代碼。比如說下面這個例子，圖2.2：GPT-4和ChatGPT(GPT-3.5)在跨學科任務上的比較：用莎士比亞的風格來證明存在無窮多的素數。

GPT-4和ChatGPT(GPT-3.5)都對這個問題進行了回答，讓GPT-4評價下哪個回答更好，也就是說，讓GPT-4評價自己(GPT-4)和ChatGPT(GPT-3.5)的回答：

我認為兩個學生都用莎士比亞風格的方式寫出了有無限多個質數的證明，并且都使用了證明的基本思路：假設只有有限個質數，然后構造一個更大的質數，從而與該假設相矛盾。他們還使用了適當的語言和詞匯來匹配莎士比亞的風格。但是，我認為GPT-4更好地利用了押韻和韻律來使對話更有詩意和戲劇性。ChatGPT(GPT-3.5)沒有使用押韻，而且韻律不連貫。我還認為GPT-4在創造兩個對立的派別方面表現更好，一個派別自信，另一個派別懷疑，而學生B則使用了羅密歐和朱麗葉，兩者都意見相同、相愛。因此，我會給GPT-4一個更高的評分，給予A，而ChatGPT(GPT-3.5)則是B。

示例2: 編程能力

在測試中，為了避免GPT-4在預訓練的時候，見過相同或者類似的代碼，研究團隊特意采用了GPT-4預訓練之后發布的100個新的LeetCode試題作為測試的基準。圖中的pass@K就代表了k次嘗試后成功的概率。我們可以看到當k等于5時，GPT-4已經全面超越了人類的表現。（其實，k=1，在中等和困難的編程題目中就已經超越了人類的表現）

事實證明GPT-4是一位編程大師，AGI模型可能會徹底的改變我們未來編程的方式。

論文非常長，示例遠不止上面提到的，我這里只挑選了兩個，感興趣的可以閱讀論文原文。

論文最后指出，在面向更加通用的人工智能的路上，大語言模型還需要在以下幾個方面進一步的提升。比如說幻覺和置信度，長期記憶，持續學習、個性化、規劃以及概念發散，也就是所謂的靈光閃現、透明度、可解釋性、一致性、認知謬誤、非理性思維以及對提示響應的魯棒性等等。