OpenAI科学家：现有模型+后训练足以产生黎曼猜想的新证明

主要观点总结

文章介绍了关于AI模型能力衡量指标的新概念“AGI时间”，以及围绕这一新概念展开的辩论。文章涵盖了正方塞巴斯蒂安·布贝克和反方汤姆·麦考伊的观点，以及其他专家的意见。正方认为AI模型的能力可以用AGI时间来衡量，并可能在未来几年实现AGI日、周级别的能力，解决重大数学难题。反方则对LLM解决复杂开放性问题持怀疑态度，指出当前LLM存在的制约和缺陷。同时，其他专家提出了结合证明验证器、符号空间探索等方式来解决数学难题的观点。

关键观点总结

关键观点1: AGI时间作为AI模型能力衡量指标的概念被提出。

塞巴斯蒂安·布贝克提出了AGI时间的概念，认为AI模型可以完成需要几个小时、几天甚至几周的任务，这代表着模型将长期推理和计划结合起来，接近真正的AGI。这一概念引发了热烈的讨论。

关键观点2: 正方的观点：LLM具有巨大的潜力，可以通过更多的数据和后期训练解决数学难题。

塞巴斯蒂安·布贝克等正方人士认为，当前的LLM已经在多个领域展现出强大的能力，通过更多的数据和后期训练，它们可以解决数学难题。他们通过数据回顾了LLM的发展历程，并强调了后训练技术的重要性。

关键观点3: 反方的观点：LLM存在制约和缺陷，难以独立解决复杂的数学问题。

汤姆·麦考伊等反方人士认为，LLM受训练数据频率限制严重，长推理过程中的幻觉问题是致命伤，当前缩放方法存在本质缺陷。他们认为LLM需要突破语言预测的限制，从底层架构和训练理念上进行彻底变革。

关键观点4: 其他专家的观点：需要结合证明验证器、符号空间探索等方式来解决数学难题。

其他专家如Anthropic的研究员帕维尔・伊斯梅洛夫和MIT诺伯特·维纳数学教授安库尔・莫伊特拉提出了结合证明验证器、符号空间探索等方式来解决数学难题的观点。他们认为需要探索新的智能搜索方法，并在模型的有效训练机制上取得突破。

免责声明