ARC-AGI 的设计初衷是抵制大语言模型“记忆”技术
我们举办本次比赛的目标是：
- 1. 增加从事前沿 AGI 研究的研究人员数量（而不是修补 LLM）。我们需要新的想法，解决方案很可能来自局外人！
- 2. 建立一个流行的、客观的 AGI 进展衡量标准，公众可以使用它来了解我们距离 AGI 有多近（或远）。每个新的 SOTA 分数都将在此处发布：https://x.com/arcprize
- 3. 击败 ARC-AGI 并学习一些关于智能本质的新知识。
解决 ARC-AGI 任务对于人类（甚至是儿童）来说相当容易，但对于现代大语言模型来说却是不可能的。
您可以在此处亲自尝试 ARC-AGI 任务：https://arcprize.org/play
- ARC-AGI 包含 400 个公开训练任务、400 个公开测试任务和 100 个秘密测试任务。每个任务都是新颖的。SOTA 是针对秘密测试集进行测量的，这增加了评估的稳健性。
- 解决 ARC-AGI 任务不需要世界知识，也不需要理解语言。相反，每个谜题都需要一小组“核心知识先验”（目标导向性、对象性、对称性、旋转等）
- 至少，ARC-AGI 的解决方案开启了一种全新的编程范式，其中程序可以从任意一组先验中完美而可靠地概括出来。最多，解锁了通往 AGI 的技术树。
ARC-AGI
ARC-AGI由François Chollet在其具有影响力的论文“关于智力的测量”中提出，是唯一衡量通用智力的人工智能评估：
- 可以有效地获得新技能并解决新颖的开放式问题的系统。
LLM 历史
让我们来看看 LLM 的历史。特别是 Transformer 架构：
- 2014 年：Sutskever 等人（谷歌）发表了Seq2Seq 学习，使用 RNN 和 CNN 实现可变长度的输入与输出（英语和西班牙语单词的长度不一样。）
- 2016 年：Bahdanau 等人（雅各布大学）推广了“注意力”的概念，因此系统可以考虑输入的不同部分来预测输出（英语形容词在名词之前，西班牙语在名词之后。）
- 2017 年：Vaswani 等人（谷歌）意识到“注意力就是一切”，放弃了 RNN 和 CNN，优化了架构，实现了新的规模
- 2018 年：Radford 等人 (OpenAI)在前沿规模的 Transformer 架构之上创建了 GPT-2 ，展示了涌现能力
Transformer 的故事就是科学的故事。不同实验室和团队的研究人员发表论文，并在彼此的研究成果基础上进行改进。
- 虽然有可能一家实验室就能发现 AGI，但这种可能性极小。
- 如果我们接受这一现状，那么全球发现 AGI 的机会已经减少，而且会持续减少。
进步
- “规模就是一切”是不准确的，而这个信念现在正在影响人工智能监管环境。
- 监管机构错误地认为通用人工智能即将到来，因此正在考虑为其他前沿人工智能研究设置障碍。
事实是，没有人知道如何构建通用人工智能。
我们应该努力激励新想法，而不是阻碍它们的发展。
通过激励开源，我们可以提高新想法的速度，增加发现 AGI 的机会，并确保这些新想法得到广泛传播，从而在大小人工智能公司之间建立更加公平的竞争环境。
我们希望 ARC 奖能够帮助平衡这些趋势。
ARC 奖
宣布 ARC 奖，这是一项奖金池超过 1,000,000 美元的竞赛，旨在击败并开源 ARC-AGI 评估解决方案。
由Mike Knoop和François Chollet主持。由 Infinite Monkey 和 Lab42 出品。
ARC 奖项目标
- 增加从事前沿AGI研究的人员数量。
- 普及 AGI 进展的客观衡量标准。
- 解决 ARC-AGI 并了解有关智能本质的新知识。
准备好向 AGI 迈出多年来的第一次重大飞跃了吗？无论您是谁、来自哪里、从事什么职业，我们都欢迎您参加本次比赛。新想法可能来自任何地方。也许就是您？
有兴趣者点击标题