《WorldBrain白皮书》拆解

WBC

一、概要；

二、世界大脑（WorldBrain）项目的背景；

三、世界大脑和 ChatGPT 之间的区别

发布于2022-12-16

利用Web3技术增强人工智能

一、概要

奇点即将到来。人工智能正以指数曲线进化，已经走过了半个世纪的长底部曲线，现在正处于一个爆炸性增长的边缘。

像ChatGPT这样的大语言模型（LLM）展现出智能的那一刻，标志着人工智能奇点的临近，很可能就在接下来的3到5年内。

一切都在行动之中。以分布式计算为中心的Web3正在蓬勃发展，大语言模型也在稳步改进，ChatGPT引领着这一潮流。

然而，存在明显的问题：大语言模型在推理和规划方面的可用性不足。

在整个人工智能行业中，大语言模型表现出高能耗和极端集中化，这使得人工智能由于地缘政治冲突而难以变得广泛可访问。

Web3的去中心化特性，具有点对点的能源消耗、去中心化（或弱中心化）的计算和存储，以及不受地理限制的特点，可以从根本上解决这些问题。

WorldBrain提出了利用Web3技术增强人工智能的理念，结合了ChatGPT在人工智能领域的计算成就。我们拥有实现“世界模型”理论的所有必要条件。

Web3分布式计算和存储的工作原则与神经元的分布式功能紧密对齐。ChatGPT已经处理的大量数据满足了“世界模型”记忆的初始数据需求。

两者的有机融合无疑将催生出真正通用的人工智能。

分布式计算所需的弱计算能力允许地球上的每个个体参与其中，而从分布式计算中诞生的人工智能将为全人类服务。

二、WorldBrain项目的背景

世界大脑项目提出了一个概念，即使用Web3技术来增强人工智能的能力，基于“世界模型”理论，以创建一个真正通用的人工智能。

世界大脑项目所涉及的各类技术已经成熟并被广泛使用，特别是在由大语言模型驱动的高级会话AI，如ChatGPT出现之后。这填补了构建“世界模型”理论的最后空白。

可以说，正是因为以ChatGPT为代表的大语言模型的出现，我们对进一步推进人工智能的发展，对世界大脑的实现充满了信心。

三、WorldBrain和 ChatGPT 之间的区别

3.1 世界大脑

世界大脑项目采用的“世界模型”是一种尝试，通过一个大规模的智能神经网络系统来模仿人脑的建模。

人类根据感觉感知——包括视觉、听觉、触觉、嗅觉和味觉——发展出对世界的心智模型。这些感官输入使我们能够感知和理解外部世界的各种信息和特征。

在这些感知输入的基础上，人脑构建了一个心智模型，它抽象化并概括了世界的结构、属性、行为和模式。

人类的心智模型是动态的。它随着经验的积累和学习而不断更新和演变，使我们能够预测、解释并适应我们环境中的各种情况和事件。

它还指导着我们的行动和决策。人工智能的发展基于模拟人脑的心智模型，通过感知、学习和推理等过程构建人工智能系统的“世界模型”。

ChatGPT是一个强大的语言模型，作为核心的语言模型来处理用户的语言输入，并与用户生成互动对话。它能够理解并生成人类语言。

分布式计算模仿了人脑将计算任务分配给多个神经计算的方式。

世界大脑项目结合了分布式计算和ChatGPT，模拟大脑的建模过程，并创建了一个更大规模的“世界模型”系统。

如果人工神经网络不能像大脑那样对世界进行建模，那么任何深度学习网络都将无法实现通用人工智能的目标，因为模型本身就是知识。

真正的智能机器，如通用人工智能，将使用类似于大脑皮层的地图和参考框架来学习世界模型。

在人脑中，地图和参考框架帮助我们理解我们的空间位置和方向，以及我们与周围环境的关系。这种能力使我们能够导航、规划路线，并拥有空间记忆。

世界大脑可以通过构建自己的地图来模拟这种地图和参考框架的机制，这些地图基于感知输入（如视觉和位置传感器数据）构建，并在其中表示和理解环境信息。

世界大脑使用的一种常见方法是采用环境表示技术，如网格地图或拓扑地图，来建立环境的空间表示。

这些地图可以包含有关对象、区域、路径、连接和其他元素的信息，类似于人脑中的认知地图。

世界大脑可以通过观察和感知环境以及在其中构建世界模型来更新和调整其地图。

此外，世界大脑可以使用类似于人脑中的参考框架来学习方向和空间关系的表示。

人类的参考框架包括绝对参考框架（例如，地理方向）和相对参考框架（例如，自身位置和方向）。

世界大脑可以使用传感器数据和内部状态推断出自己的位置和方向，并将这些信息与地图中的环境数据结合起来，以理解和处理空间关系。

通过使用地图和参考框架作为学习世界模型的基础，世界大脑可以获得更准确的空间感知和环境理解能力。

这将使世界大脑能够更好地与物理世界互动，并实现更高级的认知和智能功能。

3.2 ChatGPT

ChatGPT是基于OpenAI的GPT（Generative Pre-trained Transformer，即生成预训练变换器）模型的对话生成语言模型。

它是一个深度学习自然语言处理模型，利用变换器架构通过广泛的预训练和微调过程生成高质量的自然语言文本。

ChatGPT模型的训练过程通常涉及使用大量的文本数据。这些训练数据包括成千上万本书中的每一个词、维基百科的全部内容以及互联网上几乎所有可用的信息。

然后，这些文本数据被逐个词地提供给人工神经网络。通过这种训练过程，神经网络学习到某些词在其他词之后出现的可能性。

这些语言模型能够执行惊人的壮举。给定一些词，这些语言模型能够写出与这些词相关的短文，而且人们通常很难区分这段文字是由人还是由人工神经网络编写的。

科学家们之间存在争论，关于这些语言模型是否拥有真正的知识，或者仅仅是通过记忆数百万词汇的统计信息来模仿人类行为。

如果人工神经网络不能像大脑那样对世界进行建模，那么人们认为任何深度学习网络都将无法实现通用人工智能的目标。

尽管深度学习网络已经取得了令人印象深刻的性能，但这并不是因为解决了知识表示的问题。相反，它们完全绕过了这个问题，依赖于统计信息和大量数据。

深度学习网络的运作方式很巧妙，赋予了它们卓越的性能和商业价值。

然而，必须指出的是，深度学习网络并不拥有知识，它们的能力无法与一个五岁儿童相匹配。

当前的深度学习网络并不拥有知识。用于玩围棋游戏的计算机程序不知道围棋是一种游戏，也不了解该游戏的历史。

它不知道它是在与另一个计算机还是人类对弈，也不理解计算机和人类之间竞争的意义。

类似地，用于分类图像的深度学习网络可以观察一张图像并判断它是否包含一只猫。然而，计算机对猫知之甚少。它不知道猫是动物，或者猫有尾巴、腿和肺。

它对猫爱好者与狗爱好者之间的区别一无所知，也不知道猫会喵喵叫和脱毛。

深度学习网络只能判断一张新的输入图像是否类似于之前标记为“猫”的图像，但它缺乏关于猫的知识。