인공 지능의 불균형 진화: 생성형 인공 지능 모델의认知 능력

인공 지능의 불균형 진화

인공 일반 지능을 달성하기 위해 모델의 인식 능력을 평가하는 강력한 방법이 필요합니다. 연구진은 생성형 인공 지능 모델의 인식 프로파일을 평가하기 위해 심리학적 프레임워크를 소개하고, 이들을 인간 표준과 비교하며, 세대 간의 진화를 추적합니다. 이러한 연구는 인공 지능의 인식 능력에 대한 심층적인 이해를 제공하며, 인공 일반 지능을 달성하기 위한 방향을 제시합니다.

연구진은 대규모 언어 모델과 같은 선도적인 멀티모달 모델을 평가하기 위해 웨크슬러 성인 지능 척도에서 수정한 과제를 사용했습니다. 결과는 생성형 인공 지능 모델의 인식 아키텍처가 심각하게 불균형적이라는 것을 보여주었습니다: 언어 이해와 작업 기억에서 최고 성능과 인지적 논리 추론에서 낮은 성능이 나타났습니다. 이러한 불균형은 인공 지능의 개발에 대한 새로운 관점을 제공하며, 인공 일반 지능을 달성하기 위한 새로운 전략을 모색해야 함을 시사합니다.

인공 지능 지수 벤치마크

인간 표준으로 제한된 개발 경로를 추적하기 위해 연구진은 인공 지능 지수 벤치마크를 개발하고, 이를 6 세대와 2 모델 가족에 적용했습니다. 결과는 의미 있지만 비대칭적인 성능 향상이 나타났습니다. 특히, 연구진은 모달리티 간에 심각한 분리가 발견했습니다: 언어 기반 기호 처리에 대한 언어적 접근이 시각적 유사한 형식에 비해 추상 양적 추론이 더 빠르게 성장했습니다.

이 발견은 생성형 인공 지능 모델의 아키텍처가 언어 기반 기호 처리에 대한 편향이 있음을 나타냅니다. 결과적으로, 연구진은 생성형 인공 지능 모델의 인식 능력이 불균형적으로 진화하고 있음을 보여주었습니다. 이는 대규모 언어 모델과 같은 인공 지능 개발을 위한 확장 및 최적화 접근법만으로는 균형 잡힌 인공 일반 지능을 달성하는 데에 어려움을 겪을 수 있음을 시사합니다.