Penelitian baru ini penting karena menantang kebijaksanaan yang berlaku dalam pengembangan AI, yang biasanya bergantung pada set data pra-pelatihan besar-besaran dan model mahal secara komputasi. Sementara perusahaan AI memimpin mendorong model yang semakin besar yang dilatih pada kumpulan data yang lebih luas, CompressARC menyarankan intelijen yang muncul dari prinsip yang berbeda secara fundamental.
“Kecerdasan Compressarc tidak muncul dari pretraining, dataset yang luas, pencarian lengkap, atau komputasi besar – tetapi dari kompresi,” para peneliti menyimpulkan. “Kami menantang ketergantungan konvensional pada pretraining dan data yang luas dan mengusulkan masa depan di mana tujuan tekan yang disesuaikan dan perhitungan waktu inferensi yang efisien bekerja bersama untuk mengekstraksi kecerdasan mendalam dari input minimal.”
Batasan dan melihat ke depan
Bahkan dengan keberhasilannya, sistem Liao dan Gu hadir dengan keterbatasan yang jelas yang dapat mendorong skeptisisme. Sementara itu berhasil memecahkan teka-teki yang melibatkan penugasan warna, mengisi, memotong, dan mengidentifikasi piksel yang berdekatan, ia berjuang dengan tugas yang membutuhkan penghitungan, pengenalan pola jangka panjang, rotasi, refleksi, atau perilaku agen simulasi. Keterbatasan ini menyoroti bidang -bidang di mana prinsip -prinsip kompresi sederhana mungkin tidak cukup.
Penelitian ini belum ditinjau sejawat, dan akurasi 20 persen pada teka-teki yang tidak terlihat, meskipun terkenal tanpa pra-pelatihan, jatuh secara signifikan di bawah kinerja manusia dan sistem AI top. Para kritikus mungkin berpendapat bahwa Compressarc dapat mengeksploitasi pola struktural tertentu dalam teka -teki busur yang mungkin tidak menggeneralisasi ke domain lain, menantang apakah kompresi saja dapat berfungsi sebagai fondasi untuk kecerdasan yang lebih luas daripada hanya menjadi salah satu komponen di antara banyak yang diperlukan untuk kemampuan penalaran yang kuat.
Namun ketika pengembangan AI melanjutkan kemajuannya yang cepat, jika Compressarc bertahan untuk pengawasan lebih lanjut, ia menawarkan sekilas jalur alternatif yang mungkin mengarah pada perilaku cerdas yang bermanfaat tanpa tuntutan sumber daya dari pendekatan dominan saat ini. Atau paling tidak, itu mungkin membuka komponen penting dari kecerdasan umum dalam mesin, yang masih kurang dipahami.