Noam Brown: ai 'raciocínio' modelos poderiam ter emergido décadas atrás

# GTC # openai

Noam Brown, um dos principais pesquisadores do raciocínio da IA ​​no Openai, compartilhou recentemente insights na conferência GTC da NVIDIA em San Jose, sugerindo que os avanços no "raciocínio" da IA ​​poderiam ter sido alcançados 20 anos antes se os métodos e algoritmos certos tivessem sido conhecidos. Ele explicou: "Havia várias razões pelas quais essa direção de pesquisa foi negligenciada", destacando uma lacuna na abordagem que poderia ter sido preenchida muito mais cedo. Refletindo sobre sua jornada de pesquisa, Brown observou uma realização crucial: "Notei ao longo da minha pesquisa que, ok, há algo faltando. Os humanos passam muito tempo pensando antes de agirem em uma situação difícil. Talvez isso seja muito útil [na IA]". Essa observação o levou a desenvolver modelos de IA que imitam o raciocínio humano, em vez de depender apenas do poder computacional. Seu trabalho na Universidade Carnegie Mellon, particularmente com o Pluribus AI, que superou os principais jogadores de poker humano, exemplifica essa abordagem. O pluribus foi inovador porque usava o raciocínio para resolver problemas, contrastando com os métodos de força bruta mais comuns na época. No OpenAI, Brown contribuiu para o desenvolvimento do O1, um modelo de IA que usa um método conhecido como inferência no tempo de teste. Essa técnica permite que a IA "pense" antes de responder, aumentando sua precisão e confiabilidade, especialmente em campos como matemática e ciência. Durante o painel de discussão, Brown abordou o desafio da pesquisa acadêmica competindo com a escala de experimentos conduzidos por grandes laboratórios de IA como o OpenAI. Ele reconheceu a crescente dificuldade devido às crescentes demandas computacionais dos modelos modernos, mas sugeriu que os acadêmicos ainda pudessem contribuir significativamente, concentrando -se em áreas que exigem menos poder computacional, como projetar arquiteturas de modelos. Ele enfatizou o potencial de colaboração entre a academia e os laboratórios de fronteira, afirmando: "[T] aqui está uma oportunidade de colaboração entre os laboratórios de fronteira [e a academia]. Certamente, os laboratórios de fronteira estão olhando para as publicações acadêmicas e que você se preocupa muito com isso, que é mais importante que seja que seja que seja que seja que seja que seja que seja que seja mais que se preocupe, que se preocupa com isso, se isso se preocupa com isso, se isso se preocupa muito, que se preocupa com isso, que se preocupa com isso, que se preocupa com isso. Os comentários de Brown são particularmente oportunos, pois o governo Trump propôs cortes significativos ao financiamento científico, uma medida criticada por especialistas da IA, incluindo Geoffrey Hinton, que argumentam que esses cortes poderiam comprometer os esforços de pesquisa da IA ​​globalmente. Ele também apontou o papel crítico da academia na melhoria do benchmarking de IA, observando: "O estado dos benchmarks na IA é muito ruim, e isso não requer muita computação para fazer". Os benchmarks atuais de IA geralmente se concentram no conhecimento obscuro e deixam de refletir com precisão os recursos que mais importam para os usuários, levando a confusão sobre o verdadeiro potencial e progresso dos modelos de IA. *Atualizado às 16:06 PT: Uma versão anterior desta peça implicava que Brown estava se referindo a modelos de raciocínio como O1 em suas observações iniciais. Na verdade, ele estava se referindo ao seu trabalho sobre a IA que joga jogos antes de seu tempo no Openai. Lamentamos o erro.*

Artigo relacionado

Comentários (10)