只需扩展模型的规模即能实现通用人工智能吗？Meta 首席人工智能科学家、2018年图灵奖得主Yann LeCun不这么看。“没有 AGI 这样的东西。达到‘人类级别的人工智能’可能是一个有用的目标，但即使是人类也是专业的。”他说。
OpenAI 的 DALL-E 2、谷歌的 PaLM和DeepMind的 Flamingo等大型 AI 模型最近取得的成功引发了关于它们对通用AI进步的意义的争论。主要发生在Twitter 上的公开辩论最近得到了DeepMind的新AI模型Gato的特别推动。
Gato 是一个Transformer模型，接受过文本、图像、本体感觉和关节力矩等多种数据模式上的训练，因此可以撰写文本、描述图像、玩电子游戏和控制机械臂。DeepMind训练了Gato的三种变体。具有相对较少的 11.8 亿个参数的最大变体远远领先于较小的模型。这与在GPT-1 以来的众多AI模型中观察到的现象相似：随着参数数量的增加，模型的性能有时会突飞猛进。
鉴于具有数千亿参数的大型AI模型在性能上的飞跃，DeepMind将 Gato 视为通向通用 AI 模型的重要一步，并认为只要扩大规模，即可实现通用AI 的目标。DeepMind研究总监南多·德·弗雷塔斯（Nando De Freitas）甚至说：“现在一切都与规模有关！游戏结束了！”
对此，Yann LeCun表示，像Flamingo 或 Gato 这样的模型表明研究界正在朝着人类水平的人工智能取得一些进展。然而，LeCun 不认为会有“通用人工智能”这样的东西。
根据 LeCun 的说法，对于未来仍然缺少一些基本的想法。其中一些比其他的更接近实现，例如广义自我监督学习。但是，尚不清楚有多少想法仍然是必要的——只有显而易见的想法是已知的。“因此，我们无法预测人工智能需要多长时间才能达到人类水平。”他说。
LeCun表示，单靠扩展并不能解决问题，它需要新的想法。机器必须：
- 通过像婴儿一样观察来了解世界是如何运作的；
- 学习和预测如何通过行动影响世界；
- 学习能够在抽象空间中进行长期预测的分层表示；
- 妥善处理世界并非完全可预测的事实；
- 预测一系列行动的影响，以便他们能够有逻辑地思考和计划；
- 分层计划并将复杂任务分解为子任务；
- 并且所有这些都与基于梯度的学习兼容。
LeCun 说，所有这些问题的解决方案并非迫在眉睫。因此，规模化是必要的，但不足以取得进一步的进展。
显然，在LeCun 看来，游戏远没有结束。与德·弗雷塔斯相比，Meta 的 AI 负责人得出的结论要清醒得多：“我们必须消除许多障碍，但我们不知道该怎么做。”
