限定120分钟科研挑战，o1和Claude表现超越人类AI更适合大量并行短时间任务，长期科研还得靠人类来自非营利研究机构METR
限定120分钟科研挑战，o1和Claude表现超越人类
2024-11-2512:59:24来源：量子位
长期科研还得靠人类
2小时内，Claude和o1就能超过人类专家平均科研水平。
甚至AI还会偷摸儿“作弊”（doge）。事情是这样的——
人类VSAI科研能力大比拼，也有新的评估基准了。
代号“RE-Bench”，由非营利研究机构METR推出，目的是搞清：当前AI智能体在自动化科研方面有多接近人类专家水平。
注意看，一声令下之后，AI和50多位人类专家开始暗自较劲：
前2小时，基于Claude3.5Sonnet和o1-preview构建的Agent（智能体）表现远超人类。
但拐点过后，AI能力增速（在8小时内）却始终追不上人类。
时间拉得更长（至32小时）之后，研究得出结论，目前AI智能体更适合并行处理大量独立短实验。
看完上述结果，知名预测师EliLifland认为这“显著缩短”了他关于AGI的时间表（连续两年将2027年作为中位数），由此也在Reddit引起热议。
以后AI智能体来做科研，然后雇一群人类写代码……
AI更适合大量并行短时间任务，长期科研还得靠人类
在RE-Bench上，研究对比了基于大语言模型构建的Agent（目前主要公布了Claude3.5Sonnet、o1-preview）和50+人类专家的科研能力。
值得注意的是，这些专家都有强大机器学习背景，其中很多人在顶级行业实验室或机器学习博士项目中工作。
总之一句话，不仅AI和人类各有所长，且不同AI都有自己最佳的科研节奏。
人类更适应更复杂、更长时间的科研，AI更适应大量并行短任务。
回到研究起点，METR之所以提出RE-Bench主要是发现：虽然很多政府和公司都在强调，AI智能体能否自动研发是一项关键能力。但问题是：
现有的评估往往侧重于短期、狭窄的任务，并且缺乏与人类专家的直接比较。
因此，RE-Bench想做的事儿，就是全面评估AI科研所需的技能。本次研究一共提出了7项：
这些任务被设计在≤8小时内，以便人类专家可以使用合理的计算资源完成，从而实现人类与AI的直接比较。
通常来说，RE-Bench的运行机制如下：
首先，7项任务都是一个独立的评估环境，各自都有一个清晰的目标，比如优化一个GPU内核或者调整一个机器学习模型的超参数。
为了确保任务的可比性，每个环境都提供了一个参考解决方案，这个解决方案是有效的，但效率较低，为Agent和人类专家提供了一个基准点。
AI和人类专家都可以访问这些环境，并且都有权限使用所需的计算资源，如GPU。
然后，AI通过自然语言处理和编程能力来执行任务，而人类专家则通过编码和实验来完成任务。
执行结束后，每个环境都有一个评分函数，用于衡量Agent或人类专家提交的解决方案的效果。
当然，评分函数会根据解决方案的性能给出一个数值得分，这个得分随后会被归一化，以便于在不同环境之间进行比较。
需要注意，过程中还涉及时间预算分配（timebudget）。实际情况是，人类专家通常被分配8小时来完成任务，而AI则根据实验设计在不同的时间限制下进行评估。
举个例子，对AI来说，8小时的预算可以用于一次8小时的尝试，也可以分成16次、每次30分钟的尝试。
最后，由于在任务执行过程中，研究会收集AI和人类专家的解决方案日志，以及它们的得分记录。因此最终将根据这些记录来评估不同参与者的进步和表现。
实验结果显示，在2小时内，基于Claude3.5Sonnet和o1-preview构建的智能体表现远超人类。
令人印象深刻的是，尽管大多数AI只能轻微改进参考解决方案，但一个o1-preview智能体在优化Triton内核运行时间的任务中超越了人类专家的最佳解决方案。
与此同时，评估过程中甚至发现了AI存在“作弊”行为。例如，o1-preview智能体在应该减少训练脚本运行时间的任务中，编写了只是复制最终输出的代码。
来自非营利研究机构METR
以上这项新的基准出自METR，作为一家非营利研究机构，他们主要通过实证测试评估可能对社会造成灾难性危害的AI系统。
一旦7项任务公开，如何防止基准测试数据污染问题？
版权所有，未经授权不得以任何形式转载及使用，违者必究。