今天凌晨，有人用一份53页的 PDF 文档，详细展示了 OpenAI 的：
√ AGI 时间计划表；√ 神秘 Q* 计划进展；√ 堪比人脑神经的100万亿超级模型；……
爆料者结合目前网络上所有的公开资料，推导出 OpenAI 可能的 AGI 时间计划表，以及关于 GPT-5、GPT-6，甚至 GPT-8 的发布计划。
接下来，我们带大家看一下，这份文档都爆料了哪些不为人知的“内幕资料”。
1 OpenAI 的 AGI 计划表
OpenAI 的 AGI 计划中关键时间节点和里程碑：
① 2022年夏季：有迹象表明OpenAI可能在这个时候开始了GPT-4/GPT-5的训练。
② 2022年8月：OpenAI 开始训练一个拥有125万亿参数的多模态模型，第一阶段被称为 Arrakis 或 Q*。
③ 2023年初：微软向OpenAI投资了100亿美元，这为OpenAI提供了资金来训练大型AI模型。
④ 2023年3月：GPT-4在这一年的3月升级，这是在GPT-3.5之后的一个版本，后者是ChatGPT背后的模型。
⑤ 2023年12月：Q* 模型完成训练，但因高推理成本而取消了发布。这个模型原计划是2025年发布的 GPT-5。
⑥ 2023年：GPT-4 在这一年的晚些时候实现了原型 AGI，智商（IQ）为 48。
⑦ 2023年：GPT-4（Gobi，原GPT-4.5）被重新命名为 GPT-5，因为原始的GPT-5 计划被取消。
⑧ 2024年：原计划的 Q* 2024（GPT-6）被推迟，因为埃隆·马斯克提起了诉讼。
⑨ 2025年：原计划的 Q* 2025（GPT-8）计划在这一年实现完全的 AGI。
⑩ 2027年：Q* 2027 计划实现完全的 AGI。
在追求 AGI（人工通用智能）的过程中，OpenAI 面临的关键技术挑战和解决方案：
√ 参数数量：为了达到人类水平的智能，需要构建具有大量参数的模型。OpenAI 计划训练一个125万亿参数的模型，这比人类大脑的突触数量还要多。这种规模的模型需要巨大的计算资源。
√ 多模态能力：AGI 需要能够处理和理解多种类型的数据，包括文本、图像、音频和视频。OpenAI 的模型需要在这些不同模态上进行训练，以实现更全面的理解和反应能力。
√ 计算资源：训练如此大规模的模型需要大量的计算资源。OpenAI 通过与微软的合作，获得了必要的资金和技术支持，以满足这些需求。
√ 数据量和质量：为了训练 AGI，需要大量的高质量数据。互联网提供了丰富的数据来源，但 OpenAI 需要确保数据的多样性和质量，以便模型能够学习到广泛的知识和技能。
√ 推理成本：大规模模型的推理成本很高，这可能会限制模型的实际应用。OpenAI 需要找到方法来降低这些成本，或者开发更高效的推理技术。
√ 伦理和安全问题：随着 AI 能力的提升，伦理和安全问题变得越来越重要。OpenAI 需要确保其 AGI 系统不会对人类社会造成潜在的威胁，并在开发过程中考虑道德和法律问题。
√ Chinchilla缩放法则：为了弥补100万亿参数模型可能存在的性能不足，OpenAI 采用了 Chinchilla 缩放法则，即通过在更多数据上训练模型来提高性能，而不仅仅是增加参数数量。
2 关于 Q* 计划
Q* 模型的参数数量是125万亿。
这个数字与人类大脑的突触数量相比较，后者通常被估计为大约100万亿。这意味着 Q* 模型的参数数量接近于人类大脑的突触数量，这表明OpenAI在设计这个模型时，是朝着模拟人类大脑复杂性的方向发展的。
参数数量的增加通常与 AI 模型处理信息的能力和灵活性直接相关，因此在追求 AGI 的过程中，参数数量是一个重要的考量因素。
Q* 模型的参数是如何分布的，它们在模型中扮演什么角色？
在深度学习模型中，参数通常指的是模型中的权重和偏置，它们是神经网络中连接（或称为突触）的强度和方向。
在 Q* 模型这样的大型语言模型中，参数分布在整个网络的多层结构中，包括输入层、隐藏层和输出层。每一层都由大量的神经元组成，这些神经元通过参数化的连接相互关联。
参数在模型中的作用如下：
1. 权重（Weights）：权重决定了输入数据在通过网络时的放大或减弱程度。在神经网络中，每个输入都会乘以相应的权重，然后通过激活函数传递到下一层。权重的学习是通过训练过程中的反向传播算法来优化的，目的是最小化预测输出和实际输出之间的差异。
2. 偏置（Biases）：偏置为每个神经元提供了一个额外的调整，使得模型能够更好地拟合数据。即使在所有输入都为零的情况下，偏置也允许神经元输出非零值，这在某些情况下是必要的。
3. 激活函数（Activation Functions）：激活函数决定了神经元是否应该被激活，即输出信号是否应该传递到下一层。这增加了模型的非线性，使得网络能够学习和模拟更复杂的函数。
在 Q* 模型这样的多模态模型中，参数不仅用于处理文本数据，还可能用于处理图像、音频和视频等不同类型的输入。这意味着模型中的参数需要能够理解和处理多种数据格式，这要求模型具有高度的灵活性和适应性。
在训练过程中，这些参数会通过大量的数据和计算资源进行调整，以便模型能够学习到如何执行各种任务。随着参数数量的增加，模型的复杂性和潜在的学习能力也会增加，这有助于实现更接近人类智能的 AGI。
