g因子:Qubic對AGI的激進方法
在AI行業競相擴展大規模語言模型的同時,Qubic的Neuraxon研究提出了一條完全不同的通往人工通用智能(AGI)之路。
他們的論點很簡單:
更多的文本並不能創造真正的智能。
受查爾斯·斯皮爾曼1904年的“g因子”理論啓發,Qubic認爲真正的智能並不是預測下一個單詞,而是發展可轉移的認知能力——適應新情況、解決不熟悉的問題、從錯誤中學習,以及跨領域協調知識。
當前的LLM在統計語言預測方面表現出色,但當上下文或措辭意外變化時,它們仍然掙扎。它們模仿智能,但缺乏持久和通用的認知結構。
Neuraxon項目通過名爲“Multi-Neuraxon Game of Life Lite 5.0”的人工生命模擬走上了一條生物啓發的方向,在這種模擬中,人工生物在環境壓力下進化。
Neuraxon並不是在無盡的文本數據集上進行訓練,而是試圖進化出智能本身。
關鍵概念包括:
• 獎勵適應性的進化選擇
• 受人類認知啓發的模塊化腦結構
• 通過互動和自我組織產生的涌現智能
• 隨時間推移的持續學習,而不是靜態推理
所有這一切都在Qubic的去中心化有用計算網絡上運行,將挖礦硬件轉變爲大規模AGI研究基礎設施,而不是在無意義的哈希上浪費能源。
無論這是否會成爲突破,Qubic正在探索今天加密界中最不傳統和雄心勃勃的AGI實驗之一。
#crypto #AI #Qubic #AGI #artificialintelligence