24 lines
3.3 KiB
Markdown
24 lines
3.3 KiB
Markdown
目标：在一个特定面向ToC的行业开发一个ANI+系统是否可能？不可能达到AGI水平，但需要实现人+ANI的协同效应显著增强。
|
||
关键问题：希望”认证架构-心智模型”是由人构建心智模型，机器与人沟通过程中手动对齐（Alignment）。
|
||
A. 共同的态势感知（Shared situation）。由机器自动收集现有网络数据态势，由人进行变化量感知（或差异化感知），并由人决定是否更新态势图谱。不用具备由机器更新态势图谱对人进行更新。是双向收集，单向更新（人-ANI+）。
|
||
B. 共同的演化模型（shared situtation）。演化模型由人定义，机器进行执行。当演化模型输出结果，持续失真，由人调整新的演化模型。
|
||
C. 共同行为规范（Social norm）。行为规范由人建立并稳定下来，人去感知态势数据，当发现现有行为规范与结果差距持续扩大后，由人发起更新行为规范。机器在更新行为规范过程中，可以起到知识助理、信息助理的角色，加速迭代行为规范过程，增加找到更优行为规范的机率。行为规范可以给机器一定的执行尺度，不同行为规范尺度参数构成不同版本的行为规范。
|
||
D. 共同的价值观（Shared Value）。由人定义价值观，机器在这个价值观框架中，进行信息输出。
|
||
对ANI进行关键超越：
|
||
• 学习新任务的能力
|
||
当定义了新的任务方向，机器需要有能力扩展和创造性对任务进行理解，并能把任务进行分解。
|
||
• 人工能力智能（ACI）：
|
||
在特定数字领域中完成相对复杂、多步骤任务的 AI 系统
|
||
所选行业优势：
|
||
直播行业是一个准新兴的、全数字行业，当前没有一定的标准，执行结果高度依靠人。
|
||
• 能够以统一的方式一起使用其更通用和更专业的智能能力；
|
||
直播行业看似一个自由发挥的行业，但其内部孕育的规律正在被发现。当这样方式被统一，在行业内协同。将表现为更加专业化的能力，这正是通过AGI升维后，再降维到各业务主体。
|
||
• 从其环境、其他智能系统和老师那里学习的能力；
|
||
直播行业是一个常新常变的行业，需要实时动态的环境监测和多渠道、多模式学习能力。直播行业未来将会从其他行业中汲取养分。但会在这个过程中，沉淀下来一部分自己行业独特的流程和优秀行业文化。
|
||
• 随着对新类型问题积累经验，解决它们的能力也会增强。
|
||
在实践中，会沉淀下来的优秀的流程和交互模型，并会做持续的改进。这种人+ANI协同方式，将为AGI演进提供关键实践。
|
||
• 弱具身性。直播赛道的选择规避对物理世界具身性要求，从而降低AGI起步障碍，先从这种对具身性要求弱的赛道，发展AGI。目前文字、语音短消息交互方式，基本可以满足交互要求。
|
||
• 高频持续迭代
|
||
选择直播赛道，可以先不用去定义AGI发展的级别指标。用持续的系统有效性改进，再去回看级别与级别指标。这个赛道因为常新常变的固有特点，并有大量人在这赛道中为系统进行有效性迭代。
|
||
系统有效性评判可以简化为，流量、转化、收益等明确的经济性指标。
|