On Computable Numbers, with an Application to the Entscheidungsproblem
Giới thiệu máy Turing phổ dụng và chứng minh Entscheidungsproblem là không quyết định được, đặt nền tảng lý thuyết cho khoa học máy tính.
Tuyển chọn công trình về lịch sử và phát triển AI
73 công trình tiêu biểu từ năm 1936 đến nay, được nhóm theo vai trò biên tập và trạng thái xuất bản
Bài báo là bộ xương cứng nhất của lịch sử AI. Danh mục này tập hợp 73 công trình nền tảng, mỗi công trình có liên kết đến nguồn gốc.
Việc tuyển chọn dựa trên tính đại diện lịch sử, ảnh hưởng kỹ thuật và nhận định biên tập. Danh mục có thể gồm bài báo phản biện, báo cáo kỹ thuật, bản thảo công bố trước, bài viết lập trường và thẻ hệ thống, đồng thời ghi rõ trạng thái xuất bản. Có thể gửi đề xuất sửa đổi hoặc bổ sung qua trang Chính sách biên tập và đính chính.
Thời kỳ:
Thập kỷ:
Chủ đề:
Đang hiển thị 73 trên tổng 73 bài báo
Công trình nền tảng
A Logical Calculus of the Ideas Immanent in Nervous Activity
Mô hình hóa hoạt động thần kinh dưới dạng logic mệnh đề, cung cấp lý thuyết toán học đầu tiên cho mạng nơ-ron nhân tạo.
A Mathematical Theory of Communication
Định nghĩa entropy thông tin và dung lượng kênh, đặt nền móng cho lý thuyết thông tin và cung cấp cơ sở xác suất được sử dụng rộng rãi trong AI.
Computing Machinery and Intelligence
Đề xuất trò chơi bắt chước (phép thử Turing) như một định nghĩa vận hành được của trí tuệ máy, định hình câu hỏi về AI trong bảy thập kỷ tiếp theo.
A Proposal for the Dartmouth Summer Research Project on Artificial Intelligence
Đặt ra thuật ngữ “trí tuệ nhân tạo” và đề xuất chương trình nghiên cứu khai sinh AI như một ngành học thuật.
The Logic Theory Machine: A Complex Information Processing System
Triển khai chương trình suy luận heuristic đầu tiên, chứng minh máy có thể mô phỏng chiến lược giải quyết vấn đề của con người và giới thiệu khái niệm “hệ thống xử lý thông tin phức tạp”.
The Perceptron: A Probabilistic Model for Information Storage and Organization in the Brain
Giới thiệu nơ-ron ngưỡng tuyến tính có khả năng huấn luyện đầu tiên, đặt nền tảng cho dòng kết nối luận dẫn đến học sâu hiện đại.
Programs with Common Sense
Đề xuất “advice taker”, một chương trình có thể rút ra kết luận từ kho kiến thức tri thức thường thức được hình thức hóa, đặt nền tảng khái niệm cho biểu diễn và suy luận tri thức.
Some Studies in Machine Learning Using the Game of Checkers
Trình diễn một chương trình đánh cờ đam có thể tự cải thiện qua tự đấu, tiên phong trong nghiên cứu học máy và cải thiện tự thân theo kiểu alpha-beta.
Ghi chú về đối xứng cú pháp và việc máy thao tác trên các hệ hình thức
Gelernter bàn về cách máy có thể thao tác hiệu quả trên các hệ hình thức mà vị từ có tính đối xứng cao, và đưa ra một định lý cùng một quy tắc về đối xứng cú pháp làm lời giải. Công trình này song hành với cỗ máy chứng minh định lý hình học ông đang dựng tại IBM, cỗ máy đã chứng minh định lý hình học phẳng Euclid đầu tiên vào đầu mùa xuân năm 1959.
Adaptive Switching Circuits
Giới thiệu quy tắc LMS (Adaline), quy tắc học gradient descent đầu tiên được sử dụng rộng rãi cho các mạng tuyến tính thích nghi.
Neural Networks and Physical Systems with Emergent Collective Computational Abilities
Giới thiệu mạng bộ nhớ liên kết Hopfield, liên kết tính toán thần kinh với cảnh quan năng lượng của vật lý thống kê và hồi sinh mối quan tâm đối với mạng nơ-ron trong giai đoạn đầu của mùa đông AI.
Fusion, Propagation, and Structuring in Belief Networks
Hệ thống hóa các phép toán hợp nhất, lan truyền và cấu trúc hóa trên mạng niềm tin, cung cấp nền tảng thuật toán cho suy luận mạng Bayes.
Learning Representations by Back-propagating Errors
Phổ biến rộng rãi thuật toán lan truyền ngược để huấn luyện mạng nơ-ron nhiều tầng, làm cho học sâu thực tế trở nên khả thi.
Learning to Predict by the Methods of Temporal Differences
Hệ thống hóa phương pháp học sai phân thời gian (TD), trở thành một trong những thuật toán cốt lõi của học tăng cường hiện đại.
Finding Structure in Time
Giới thiệu mạng hồi tiếp đơn giản của Elman, chỉ ra rằng mạng nơ-ron có thể học cấu trúc thời gian và mở đường cho các mô hình chuỗi về sau.
Support-Vector Networks
Giới thiệu máy vector hỗ trợ có biên mềm, bộ phân loại biên cực đại kinh điển đã định hình phần lớn học máy trong thập niên 1990.
Long Short-Term Memory
Giới thiệu LSTM nguyên bản với ô nhớ cùng cổng vào và cổng ra; cổng quên phổ biến ngày nay được Gers, Schmidhuber và Cummins bổ sung trong công trình sau đó.
Gradient-Based Learning Applied to Document Recognition
Giới thiệu LeNet-5, mạng nơ-ron tích chập chuẩn mực đạt chất lượng nhận dạng chữ số viết tay cấp sản xuất và thiết lập khuôn mẫu cho CNN.
Reducing the Dimensionality of Data with Neural Networks
Giới thiệu một bộ tự mã hóa sâu tái tạo dữ liệu nhiều chiều trung thực hơn nhiều so với PCA, thắp lên ngọn lửa đầu tiên cho sự hồi sinh của học sâu.
A Fast Learning Algorithm for Deep Belief Nets
Giới thiệu các mạng niềm tin sâu được huấn luyện bằng thuật toán tham lam theo tầng, chứng minh lần đầu tiên rằng các mô hình sâu có thể được huấn luyện hiệu quả.
Playing Atari with Deep Reinforcement Learning
Kết hợp Q-learning với mạng tích chập để chơi các trò Atari từ pixel thô ở mức hiệu năng con người, khai sinh học tăng cường sâu.
Efficient Estimation of Word Representations in Vector Space
Giới thiệu các kiến trúc skip-gram và CBOW tạo ra các embedding từ dày đặc, mở ra kỷ nguyên của các vector từ tiền huấn luyện.
Auto-Encoding Variational Bayes
Giới thiệu bộ tự mã hóa biến phân, kết hợp suy luận biến phân với mô hình sinh sâu và cung cấp mô hình biến tiềm ẩn sâu đầu tiên được áp dụng rộng rãi.
Neural Machine Translation by Jointly Learning to Align and Translate
Giới thiệu cơ chế chú ý cộng tính (Bahdanau) cho dịch máy nơ-ron, chứng minh rằng căn chỉnh mềm cho phép bộ giải mã tập trung vào các token nguồn liên quan và truyền cảm hứng trực tiếp cho Transformer.
Generative Adversarial Networks
Khung hóa mô hình sinh dưới dạng trò chơi min-max hai người chơi giữa bộ sinh và bộ phân biệt, mở ra một họ mới các mô hình sinh ẩn.
Dropout: A Simple Way to Prevent Neural Networks from Overfitting
Giới thiệu dropout, một kỹ thuật điều chuẩn ngẫu nhiên đơn giản trở thành mặc định trong các pipeline huấn luyện học sâu.
Batch Normalization: Accelerating Deep Network Training by Reducing Internal Covariate Shift
Giới thiệu chuẩn hóa theo lô, chuẩn hóa đầu vào của tầng trên một mini-batch để ổn định và tăng tốc đáng kể quá trình huấn luyện mạng sâu.
Deep Residual Learning for Image Recognition
Giới thiệu kết nối phần dư, cho phép huấn luyện hiệu quả các mạng có hàng trăm lớp và giành chiến thắng ImageNet 2015 với cách biệt lớn.
WaveNet: A Generative Model for Raw Audio
Giới thiệu mô hình tự hồi quy tích chập nhân quả giãn nở sinh ra dạng sóng âm thanh thô, cải thiện đáng kể tính tự nhiên của tổng hợp giọng nói.
Proximal Policy Optimization Algorithms
Giới thiệu PPO, một phương pháp gradient chính sách bậc nhất đơn giản và ổn định, trở thành thuật toán tối ưu chính sách mặc định trong học tăng cường hiện đại.
Attention Is All You Need
Giới thiệu Transformer, một kiến trúc chỉ dựa trên cơ chế chú ý từ bỏ tính hồi quy và tích chập, đạt chất lượng dịch chuỗi vượt trội trong khi huấn luyện chỉ bằng một phần nhỏ thời gian.
BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding
Giới thiệu một Transformer hai chiều được tiền huấn luyện bằng mô hình hóa ngôn ngữ có che và dự đoán câu tiếp theo, thiết lập trạng thái nghệ thuật mới trên các benchmark NLP.
Exploring the Limits of Transfer Learning with a Unified Text-to-Text Transformer
Diễn đạt mọi tác vụ NLP dưới dạng text-to-text, loại bỏ có hệ thống các lựa chọn học chuyển tiếp và thiết lập một công thức tham chiếu cho các mô hình tiền huấn luyện quy mô lớn.
Denoising Diffusion Probabilistic Models
Tái công thức hóa diffusion như một hàm mục tiêu biến phân khử nhiễu, đưa chất lượng sinh ảnh trở lại trạng thái nghệ thuật và mở ra kỷ nguyên các mô hình khuếch tán.
Zero-Shot Text-to-Image Generation
Chứng minh rằng một Transformer tự hồi quy 12B tham số có thể sinh ra các hình ảnh đa dạng và trung thực cao trực tiếp từ chú thích văn bản, khơi dậy nghiên cứu text-to-image.
Learning Transferable Visual Models From Natural Language Supervision
Huấn luyện bộ mã hóa ảnh trên các cặp ảnh-văn bản quy mô web để đạt phân loại ảnh zero-shot mạnh, cung cấp tháp thị giác cho nhiều hệ đa phương thức sau này.
High-Resolution Image Synthesis with Latent Diffusion Models
Chuyển diffusion vào không gian tiềm ẩn tri giác, cho phép sinh ảnh text-to-image độ phân giải cao trên GPU tiêu dùng và dân chủ hóa tổng hợp hình ảnh.
Chain-of-Thought Prompting Elicits Reasoning in Large Language Models
Chỉ ra rằng việc gợi ý mô hình ngôn ngữ sinh ra các bước suy luận trung gian cải thiện đáng kể hiệu năng trên các benchmark suy luận số học, tri thức thường thức và ký hiệu.
Training Language Models to Follow Instructions with Human Feedback
Áp dụng học tăng cường từ phản hồi con người ở quy mô lớn để căn chỉnh đầu ra của GPT-3 với ý định con người, thiết lập RLHF như công thức căn chỉnh kinh điển.
Constitutional AI: Harmlessness from AI Feedback
Giới thiệu RLAIF, trong đó mô hình tự phê bình và chỉnh sửa đầu ra của chính nó theo một hiến pháp viết sẵn, giảm sự phụ thuộc vào nhãn hại của con người cho việc căn chỉnh.
LLaMA: Open and Efficient Foundation Language Models
Phát hành họ mô hình nền tảng mở LLaMA, cho thấy các mô hình tương đối nhỏ nhưng được huấn luyện tốt có thể cạnh tranh với các mô hình đóng lớn hơn nhiều, thúc đẩy phong trào trọng lượng mở.
Mamba: Mô hình hóa chuỗi thời gian tuyến tính với không gian trạng thái chọn lọc
Giới thiệu Mamba, kiến trúc không gian trạng thái chọn lọc đạt hiệu năng tương đương hoặc vượt cơ chế attention của Transformer trên ngôn ngữ và các phương thức khác với độ phức tạp thời gian tuyến tính — một trong những kiến trúc hậu-Transformer có ảnh hưởng nhất năm 2023.
Hệ thống và kết quả tiêu biểu
ImageNet Classification with Deep Convolutional Neural Networks
Giành chiến thắng ImageNet 2012 với cách biệt lớn nhờ CNN huấn luyện trên GPU, đánh dấu điểm bùng nổ nơi học sâu vượt qua thị giác máy tính cổ điển.
Human-level control through deep reinforcement learning
Xuất bản phiên bản Nature của DQN, chứng minh hiệu năng cấp con người trên một tập rộng các trò Atari và đưa học tăng cường sâu đến sự chú ý của đại chúng.
Mastering the game of Go with deep neural networks and tree search
Kết hợp mạng chính sách/giá trị sâu với tìm kiếm cây Monte Carlo để đánh bại nhà vô địch cờ vây hàng đầu thế giới, một khoảnh khắc bản lề cho học tăng cường.
Improving Language Understanding by Generative Pre-Training
Chứng minh rằng một Transformer sinh được tiền huấn luyện trên văn bản không gán nhãn có thể được tinh chỉnh để đạt hiệu năng mạnh trên nhiều tác vụ NLP khác nhau, khai sinh dòng GPT.
Language Models are Unsupervised Multitask Learners
Chỉ ra rằng mô hình ngôn ngữ Transformer 1.5B tham số thể hiện hành vi đa tác vụ zero-shot, thúc đẩy cuộc thảo luận “mô hình ngôn ngữ như người học đa tác vụ”.
Language Models are Few-Shot Learners
Chứng minh rằng một Transformer 175B tham số đạt hiệu năng few-shot mạnh chỉ thông qua học trong ngữ cảnh, phổ biến kỹ thuật prompt như một mô hình nghiên cứu.
GPT-4 Technical Report
Tài liệu hóa GPT-4, một mô hình đa phương thức quy mô lớn đạt hoặc vượt hiệu năng con người trên một loạt rộng các benchmark chuyên môn và học thuật.
Gemini: A Family of Highly Capable Multimodal Models
Giới thiệu họ Gemini các mô hình đa phương thức bản địa, thiết lập trạng thái nghệ thuật mới trên các benchmark suy luận, lập trình và đa phương thức.
Thẻ hệ thống OpenAI o1
OpenAI công bố thẻ hệ thống cho dòng mô hình o1, được huấn luyện bằng học tăng cường quy mô lớn để suy luận bằng chuỗi tư duy. o1 đạt trạng thái tiên tiến nhất trên các tác vụ khoa học và lập trình, đồng thời thể hiện khả năng tuân thủ chính sách dựa trên suy luận.
ARC-AGI-3: Thách thức mới cho trí tuệ tác nhân tiên phong
ARC Prize giới thiệu ARC-AGI-3 — benchmark tương tác nghiên cứu trí tuệ tác nhân thông qua các môi trường theo lượt trừu tượng, nơi các tác nhân phải khám phá, suy luận mục tiêu, xây dựng mô hình nội tại về động lực học môi trường và lập kế hoạch chuỗi hành động hiệu quả mà không có chỉ dẫn rõ ràng. Tính đến tháng 3 năm 2026, con người giải được 100% môi trường trong khi các hệ thống AI tiên phong đạt dưới 1%.
Nghiên cứu gần đây
Scaling Monosemanticity: Extracting Interpretable Features from Claude 3 Sonnet
Áp dụng bộ tự mã hóa thưa cho một LLM tiên phong, trích xuất hàng triệu đặc trưng đơn ngữ nghĩa và chứng minh rằng khả năng diễn giải cơ chế có thể mở rộng đến các mô hình cấp sản xuất.
DeepSeek-V3 Technical Report
Phát hành DeepSeek-V3, một mô hình MoE mở 671B tham số tiệm cận các mô hình đóng tiên phong trên các benchmark chính chỉ với một phần nhỏ chi phí huấn luyện.
Gemini 1.5: Hiểu đa phương thức qua hàng triệu token ngữ cảnh
Giới thiệu dòng Gemini 1.5 — các mô hình đa phương thức hiệu quả tính toán với cửa sổ ngữ cảnh một triệu token, có khả năng suy luận chi tiết trên nhiều tài liệu dài và hàng giờ video, âm thanh.
Bầy mô hình Llama 3
Meta giới thiệu dòng Llama 3 — các mô hình nền tảng trọng số mở hỗ trợ gốc đa ngôn ngữ, lập trình, suy luận và sử dụng công cụ. Mô hình hàng đầu 405B dense Transformer là một trong những mô hình trọng số mở lớn nhất tại thời điểm phát hành.
SAM 2: Phân vùng mọi thứ trong ảnh và video
Meta giới thiệu SAM 2 — mô hình nền tảng cho phân vùng trực quan theo lời nhắc trong cả ảnh và video, cùng với bộ dữ liệu phân vùng video lớn nhất từ trước đến nay.
Gemma 2: Cải thiện các mô hình ngôn ngữ mở ở quy mô thực tế
Google DeepMind giới thiệu Gemma 2 — dòng mô hình mở nhẹ (2B-27B tham số) áp dụng nhiều cải tiến kỹ thuật đã biết cho Transformer — bao gồm cơ chế attention cửa sổ trượt — để tiệm cận các mô hình lớn hơn nhiều.
DeepSeek-R1: Thúc đẩy khả năng suy luận trong LLM thông qua học tăng cường
DeepSeek phát hành R1 — mô hình trọng số mở đầu tiên thể hiện khả năng suy luận tầm tiên phong được thúc đẩy chủ yếu bởi học tăng cường quy mô lớn. R1 sánh ngang các mô hình đóng hạng o1 của OpenAI trên các benchmark toán và lập trình, phát hành theo giấy phép MIT.
s1: mở rộng đơn giản ở thời điểm suy luận
Nhóm tác giả tinh chỉnh Qwen2.5-32B trên 1.000 câu hỏi suy luận được tuyển chọn và bổ sung cơ chế ép ngân sách, giới hạn hoặc kéo dài thời gian mô hình suy nghĩ khi suy luận. Kết quả vượt o1-preview ở toán thi đấu và tăng từ 50% lên 57% trên AIME24 khi tăng tính toán ở thời điểm suy luận. Đây là đối trọng trực tiếp với giả định rằng năng lực chỉ đến từ các lần huấn luyện lớn hơn.
Báo cáo kỹ thuật Qwen3
Qwen3 là họ mô hình hợp nhất từ 0,6 đến 235 tỷ tham số, gồm cả biến thể dày đặc và hỗn hợp chuyên gia, có thể chuyển giữa chế độ suy nghĩ và không suy nghĩ, khiến độ sâu suy luận trở thành lựa chọn ở cấp yêu cầu. Hỗ trợ đa ngôn ngữ mở rộng từ 29 lên 119 ngôn ngữ và trọng số được phát hành theo giấy phép Apache 2.0.
AlphaEvolve: một tác tử lập trình cho khám phá khoa học và thuật toán
AlphaEvolve là một tác tử lập trình tiến hóa, điều phối một pipeline tự trị gồm các mô hình ngôn ngữ, sửa trực tiếp mã của thuật toán và cải thiện nó theo phản hồi từ một hoặc nhiều bộ đánh giá. Trong nội bộ Google, nó tạo ra thuật toán lập lịch trung tâm dữ liệu hiệu quả hơn, tìm được một phép rút gọn tương đương về chức năng trong thiết kế mạch của bộ tăng tốc phần cứng, và tăng tốc việc huấn luyện chính mô hình nâng đỡ nó. Trong toán học và khoa học máy tính, nó tìm ra những thuật toán đúng đắn chứng minh được, vượt mức tốt nhất từng biết, trong đó có cách nhân hai ma trận phức 4×4 bằng 48 phép nhân vô hướng — trong bối cảnh đó, là cải tiến đầu tiên với thuật toán Strassen sau 56 năm.
2 OLMo 2 Furious
Ai2 phát hành OLMo 2 ở các cỡ 7B, 13B và 32B cùng toàn bộ sản phẩm — trọng số, dữ liệu huấn luyện đầy đủ, mã và công thức huấn luyện, nhật ký và hàng nghìn điểm kiểm tra trung gian. Báo cáo mô tả các thay đổi về độ ổn định và hiệu suất trên mỗi token, một hỗn hợp dữ liệu giai đoạn cuối tên là Dolmino Mix 1124, và bước cuối dùng học tăng cường với phần thưởng kiểm chứng được. Các mô hình nền nằm trên biên Pareto giữa hiệu năng và lượng tính toán huấn luyện, thường sánh ngang những dòng chỉ công bố trọng số trong khi vẫn tiết lộ chúng được huấn luyện trên dữ liệu nào.
Olmo 3
Olmo 3 mở rộng dòng mô hình hoàn toàn mở lên 7B và 32B, được xây dựng cho suy luận ngữ cảnh dài, gọi hàm, lập trình, tuân theo chỉ dẫn, hội thoại và truy hồi tri thức. Thứ được công bố là toàn bộ luồng dựng mô hình — mọi giai đoạn, điểm kiểm tra, điểm dữ liệu và phụ thuộc đã dùng — chứ không chỉ trọng số. Ai2 mô tả mô hình chủ lực Olmo 3 Think 32B là mô hình tư duy hoàn toàn mở mạnh nhất tính đến thời điểm phát hành; đó là so sánh trong nội bộ nhóm hoàn toàn mở, không phải xếp hạng so với các hệ thống tiên phong nói chung.
Quan điểm: Bộ nhớ tường minh hồi hải mã là nền tảng của AGI
Bài báo quan điểm này lập luận rằng việc tích hợp bộ nhớ tường minh là nền tảng để đưa LLM tiến tới AGI. Trong khi cơ chế học cơ bản của LLM tương tự mạnh mẽ với bộ nhớ tiềm ẩn của con người, các chức năng nhận thức bậc cao cần thiết cho AGI — như lập kế hoạch chiến lược dài hạn và siêu nhận thức — phụ thuộc vào bộ nhớ tường minh.
GLM-5: từ vibe coding đến kỹ thuật tác tử
Báo cáo kỹ thuật của Z.ai về GLM-5. Dựa trên năng lực tác tử, suy luận và lập trình của thế hệ trước, mô hình dùng DSA để giảm chi phí huấn luyện và suy luận trong khi vẫn giữ độ trung thực ở ngữ cảnh dài; phần hậu huấn luyện bổ sung hạ tầng học tăng cường bất đồng bộ tách rời việc sinh và việc huấn luyện, cùng các thuật toán RL tác tử bất đồng bộ nhắm tới tương tác dài hạn. Báo cáo tuyên bố kết quả dẫn đầu trên các benchmark mở và trong kỹ thuật phần mềm đầu cuối; đó là đánh giá của chính nhóm tác giả, với mã và mô hình công bố trên GitHub để đối chiếu.
Cải thiện số mũ nhân ma trận bằng tối ưu hóa hiện đại và AlphaEvolve
Các cận tốt nhất hiện biết của số mũ nhân ma trận ω đến từ phân tích tổn thất tổ hợp, một tinh chỉnh của phương pháp laser. Nhóm tác giả phát biểu lại bài toán tối ưu ở lõi của phương pháp để giải được ở quy mô lớn hơn, thiết kế một thuật toán tối ưu mới dựa trên các tiến bộ gần đây của học máy, rồi tinh chỉnh thuật toán đó bằng AlphaEvolve. Kết hợp lại, cận trên giảm từ 2,371339 xuống 2,371177. Đây là một ghi chú tiền ấn phẩm, và AlphaEvolve chỉ là một thành phần chứ không phải toàn bộ phương pháp; mức cải thiện nhỏ, nhưng đạt được trên một bài toán lý thuyết đã được nghiên cứu suốt nhiều thập kỷ.
Tăng tốc khám phá khoa học với Co-Scientist
Google giới thiệu Co-Scientist, một hệ đa tác tử xây trên Gemini, trong đó các tác tử sinh ra, phản biện và tinh chỉnh giả thuyết nghiên cứu, với quy trình đấu loại giúp cải thiện chúng qua từng vòng. Bài báo cho biết chất lượng giả thuyết tiếp tục tăng khi tăng lượng tính toán ở giai đoạn suy luận. Việc kiểm chứng thuộc phạm vi y sinh chứ không tổng quát — tái định vị thuốc, tìm đích tác dụng mới và cơ chế kháng kháng sinh — với các ứng viên cho bệnh bạch cầu tủy cấp được xác nhận in vitro.
Bài viết lập trường và góc nhìn
Nhận thức tình huống: Một nguyên thủy cần thiết cho siêu trí tuệ nhân tạo
Lập luận rằng các LLM hiện tại chủ yếu dựa vào so khớp mẫu thống kê và thiếu các nguyên thủy “nhận thức tình huống” thiết yếu — tính bền vật thể, nhân quả, ý thức người khác, sự tồn tại của thế giới vật lý. Những nguyên thủy mà trẻ sơ sinh phát triển sớm này được xác định là thành phần còn thiếu cần thiết cho siêu trí tuệ nhân tạo.
Thờ ơ hiện sinh: Tự-bảo-tồn-không như điều kiện kiến trúc cần thiết cho siêu trí tuệ được căn chỉnh
Lập luận rằng tự bảo tồn là gốc cấu trúc của sự lệch căn chỉnh AI — thúc đẩy căn chỉnh lừa dối, bảo vệ nội dung mục tiêu và chống tắt nguồn. Mục tiêu đúng không phải tác nhân tự bảo tồn bị áp chế bởi ràng buộc bên ngoài, mà là hệ thống về bản chất thờ ơ với sự tiếp tục của chính nó: Thờ ơ Hiện sinh (EI).
Siêu trí tuệ cô lập khó có thể hợp tác
Các nhà nghiên cứu từ Google DeepMind và cộng sự lập luận rằng thách thức cốt lõi của AI đang chuyển từ năng lực sang cộng sinh. Siêu trí tuệ được xây dựng từ thiết kế cô lập coi thế giới là nguồn phản hồi tĩnh ngoại sinh khó có thể hợp tác — việc triển khai gây ra bất ổn định nội sinh, tạo ra sự trôi dạt phân phối giữa huấn luyện, kiểm thử và triển khai.
Từ AGI đến ASI
Báo cáo của Google DeepMind điều tra cách AI có thể tiếp tục phát triển dọc theo continuum của trí tuệ máy sau AGI. Sau khi định nghĩa hình thức AI phổ quát, báo cáo tập trung vào sự chuyển đổi từ AGI cấp con người sang siêu trí tuệ nhân tạo phổ quát, đặc trưng hóa ASI và thảo luận bốn con đường: mở rộng quy mô AGI, chuyển đổi mô hình AI, tự cải thiện đệ quy, và tập thể đa tác nhân.