🐯虎嗅•較早收集於 23m
哈薩比斯：AGI 需持續學習與記憶
💡DeepMind 執行長 AGI 藍圖：記憶勝過上下文視窗（20字）
⚡ 30-Second TL;DR
有什麼變化
AGI 需持續學習與記憶機制整合
為什麼重要
將焦點從擴展轉向智慧架構，影響 DeepMind 及後續 AGI 研究方向。
下一步行動
在強化學習模型中實作經驗回放以實現持續學習。
誰應關注：Researchers & Academics
關鍵要點
- •AGI 需持續學習與記憶機制整合
- •強化學習結合蒙特卡羅樹搜索提升推理
- •端側蒸餾模型實現高效部署
- •AI 科學須經「愛因斯坦測試」產生新假設
- •打造垂直工具供 AGI 協作
🧠 深度解析
AI-generated analysis for this event.
🔑 增強重點摘要
- •DeepMind 正在探索將「情節記憶」（Episodic Memory）架構整合至神經網路中，以解決大型語言模型在處理長期任務時的遺忘問題，這超越了傳統的權重更新機制。
- •Hassabis 強調的「愛因斯坦測試」不僅是生成新假設，更要求 AI 系統能主動設計實驗並驗證其科學發現，這標誌著從「知識檢索」向「自主科學發現」的範式轉移。
- •針對端側模型，DeepMind 正在開發一種新型的「動態蒸餾」技術，允許模型在邊緣設備上根據計算資源限制，即時調整推理深度與精度，而非僅依賴靜態壓縮。
🛠️ 技術深入
• 記憶機制：研究方向集中於神經符號系統（Neuro-symbolic systems），結合外部向量資料庫與 Transformer 的注意力機制，實現長短期記憶的動態切換。 • 推理架構：基於 AlphaGo 的蒙特卡羅樹搜索（MCTS）與大型語言模型的結合，透過「思維鏈」（Chain-of-Thought）進行路徑規劃，並引入自我修正（Self-Correction）迴圈。 • 科學發現：利用圖神經網路（GNN）處理複雜的分子結構與蛋白質交互作用，並結合強化學習進行高維空間的參數優化。
🔮 前景展望AI analysis grounded in cited sources
AI 驅動的科學發現將在 2027 年前產生首個由 AI 獨立提出的新材料專利。
隨著 AI 在材料科學領域的實驗設計能力提升，其自主發現新結構的效率已顯著超越傳統試錯法。
端側 AI 模型將在 2026 年底前實現 50% 以上的日常推理任務處理。
硬體算力的提升與動態蒸餾技術的成熟，使得複雜推理任務不再完全依賴雲端伺服器。
⏳ 時間線
2014-01
Google 收購 DeepMind，正式啟動通用人工智慧（AGI）研發計畫。
2016-03
AlphaGo 擊敗圍棋世界冠軍李世乭，展示了強化學習在複雜決策中的潛力。
2020-11
AlphaFold 2 在 CASP14 競賽中解決了蛋白質結構預測難題，標誌 AI 進入科學發現領域。
2023-04
Google Brain 與 DeepMind 合併為 Google DeepMind，整合資源加速 AGI 開發。
2024-12
DeepMind 發布 Gemini 系列模型，強調多模態推理與長上下文處理能力。
📰
AI 週報
閱讀本週精選 AI 大事摘要 →
👉相關動態
AI 策展新聞聚合。所有內容版權歸原始發布者所有。
原始來源： 虎嗅 ↗