Towards a Framework for Openness in Foundation Models: Proceedings from the Columbia Convening on Openness in Artificial Intelligence

Adrien Basdevant ,
Camille François ,
Victor Storchan ,
Kevin Bankston ,
Ayah Bdeir ,
Brian Behlendorf ,
Merouane Debbah ,
Sayash Kapoor ,
Yann LeCun ,
Mark Surman ,
Helen King-Turvey ,
Nathan Lambert ,
Stefano Maffulli ,
Nik Marda ,
Govind Shivkumar ,
Justine Tunney
2024年05月17日
  • 简介
    在过去的一年里,关于开源基础模型的利益和风险的辩论非常激烈。然而,这个讨论通常在高层次的概括或者对特定技术属性的狭隘关注中进行。部分原因是,由于开源基础模型与传统软件开发有很大的区别,因此定义基础模型的开源方式变得棘手。为了更好地了解人工智能系统开放的实际和细致决策,包括基础模型,本文提出了一个框架来探讨人工智能栈中的开放性。它总结了以前关于这个主题的工作,分析了追求开放性的各种潜在原因,并概述了开放性在不同部分的人工智能栈中的变化,包括模型和系统层面。通过这样做,作者希望提供一个通用的描述性框架,以加深对人工智能开放性的细致和严谨的理解,并促进对人工智能开放性和安全性定义的进一步研究。
  • 图表
  • 解决问题
    论文旨在提出一个框架来理解人工智能中的开放性并探讨在不同的AI系统和模型层面上的开放性。
  • 关键思路
    通过分析不同的AI系统和模型层面上的开放性,为人工智能中的开放性和安全性提供一个共同的描述性框架。
  • 其它亮点
    论文总结了先前关于人工智能开源的工作,分析了追求开放性的各种潜在原因,并概述了开放性在AI堆栈不同部分的变化。
  • 相关研究
    相关研究包括:OpenAI的GPT-3模型,Facebook的MADRL和Uber的Horovod。
PDF
原文
点赞 收藏 评论 分享到Link

沙发等你来抢

去评论