Arthur Mensch：产业融合时代的人工智能

在过去的三年里，生成式人工智能一直被讲述为一个文本故事，由聊天机器人、助手组成，所有这些都提供答案。这是一个惊人的进步，但仅限于机器可以在现有的大量数据上进行训练的领域，并且环境和语言提供了一种现成的世界形式。

Mistral 联合创始人兼首席执行官 Arthur Mensch (X2011) 来会见 X 的学生，并就人工智能和创业精神的影响进行了演讲。

Mistral 首席执行官 Arthur Mensch 在介绍中回忆了这家初创公司的成立之初：“我们于 2023 年开始。我们唯一知道如何做的就是训练聊天机器人”，然后“很快（……）每个人都意识到这不仅仅是聊天机器人”。

然后，一个新的领域出现了，要求更高，并提供了应对新挑战的视角。即将人工智能连接到模拟器，然后连接到现实世界，换句话说，摆脱语言作为独特环境的束缚，让模型面对物理、材料、机器人、工业限制甚至安全。

从文字到操作

语言模型成为一个编排层，能够“与信息系统交互，（……）浏览网页，与计算机交互”，而且还能“自行发现要设置哪个系统，要自动化哪个流程”。

这一演变将人工智能从评论转变为执行。然而，当文本是一个相对容忍近似的宇宙时，现实世界就强加了可重复性、鲁棒性和责任性。问题不再只是给出一个看似合理的答案，而是在受约束的系统中正确行动。

模拟器作为学习场

模拟器可以在受控环境中训练系统、探索场景并加速学习周期，而不会立即使机器、基础设施或患者面临错误。

然而，阿瑟·门施（Arthur Mensch）强调，这一领域仍然是开放的。 “我们不太清楚如何创建与物理模拟器交互、与现实世界交互、了解如何操作机器人、了解材料物理、了解生物技术的系统（……）”。

这句话描绘了一幅景象，其中语言只是一步，与模拟器交互尤其需要理解物理规则。因此，与现实世界交互需要管理意外情况、变化性、噪音、磨损和延迟。

模拟器是现实的近似，整个困难在于虚拟观察到的性能与在具体系统上获得的性能之间的差距。这种转变既是技术性的，也是组织性和经济性的。

数据不是从天上掉下来的

在工业或科学领域，相关数据既不丰富又不能立即使用，必须对其进行收集、清理、结构化，有时还需要通过特定仪器来生成。 Arthur Mensch 直言不讳地说：“如果你想提升材料科学或量子物理模型的能力，你就必须早起，获取数据，找到模拟器，建立能够增强系统的环境”。

这句话说出了本质的事情。人工智能应用于科学和工业不仅仅是模型架构的问题。这是一个环境问题，我们必须定义必须测量什么、如何测量、以什么频率、在什么条件下测量。你必须能够设计管道、协议、接口。性能不仅取决于算法本身，还取决于该基础设施。

垂直化、专业化

随着人工智能超越文本的一般领域，它面临着特定的限制。能够撰写报告的模型不会自发地成为机器人或材料科学领域的专家。在这些领域中，单位发生了变化，标准被强加，误差范围也被收紧。

对于 Mistral AI 的创始人来说，“模型的专业化和对日益垂直化领域的渗透仍然需要大量的人类思维和战略能力。”

这种向垂直化的转变涉及混合团队，他们能够理解模型和应用程序领域。人工智能不会取代专业知识，相反，它会放大专业知识，或者也会给专业知识带来压力。

机器人与物理世界：稳健性测试

机器人技术存在许多困难，因为它需要将感知、规划、控制和安全结合起来。错误会导致行动执行不力，从而破坏环境，甚至造成人员风险。

当 Arthur Mensch 谈论“理解如何操作机器人”的系统时，他并不是在描述一种抽象的能力。他谈到了面临约束的智力。这里的理解并不包括给出一个连贯的解释，而是包括整合机械参数、能量限制、执行时间、安全标准、法律责任。

在这种背景下，人工智能不再沦为对话界面。它成为一个编排层，位于传感器、执行器、模拟器和操作程序之间。它必须在错误不仅仅是不精确的响应，而且是成本、风险或失败的环境中阐明感知、决策和执行。

正是在这个精确的位置，边界被发挥出来。不再是语言的流畅性，而是在现实中以可靠、可重复和集成的方式在约束下行动的能力。