看到这个问题，我第一时间想起去年DeepMind的另一篇论文，那篇论文大概是说：「别搞其他有的没的，只要强化学习搭配合适的reward，就能实现通用人工智能！虽然我们还没做出来」

我以为能用强化学习实现通用智能了。结果今年的论文，还是Transformer。

不过DeepMind挺有意思啊，之所以称之为Generalist Agent（通才代理），而不是AGI（Artificial General Intelligence），还是考虑过的。

回答区其实都总结得差不多了，确实要说这是强人工智能，那么确实还差的远，更像是多任务学习玩出新高度了，不过还是得承认，挺强的了。

1. 令人惊喜的地方

1.1. 简洁的架构

这个项目给我第一个亮点是，这只用了一个transformer。尤其在推特上看到这个老哥的对比图，感觉更是震惊。

2019年，DeepMind出过一个游戏AI，AlphaStar，用于打游戏StarCraft II。当时是架构是这样的，非常复杂：

而到了2022年，一个可以完成数百个任务的AI，它的架构仅仅是：

1.2. 不再那么烧钱

其实Gato还是指出了一个方向：Transformer即使不能成为通用智能，也能成为多面手，毕竟：

• 只用了12亿参数（咦，一块显卡都没的我为啥要说「只」）
• 据说训练Gato仅需5万美元

就这点花费，就能在604个任务上，有450个任务中都超过了专家水平的50%，这比很多巨量语言模型省钱多了。当然，性能肯定比不上的。

2. 不要太兴奋

虽然Gato看起来很强，但它执行的任务主要是Atari游戏和机械控制，但这些任务其实并不算复杂任务。例如Atari的游戏，所以前面其实和AlphaStar的架构对比，仅仅是为了展示简洁性，要比性能肯定是不公平的，因为AlphaStar玩的游戏是StarCraft II，比Atari的游戏复杂得多。当然，这里没有否定Gato的意思，毕竟如果通用模型想战胜专用模型，需要付出更更更高的复杂度。

你看论文时，看到下图会感觉水平挺不错啊，但我个人感觉，这些结果存在一定的cherry-picking。研究时好看，如果要落地到应用中，肯定会被骂成「通用人工智障」(oд)o，如果你用过GPT-3或者其衍生品（例如Copilot），就知道，连1750亿参数的语言模型都不是那么好用，更别说12亿参数的多任务模型。

彩蛋

顺便一说，Gato其实是西班牙语的猫的意思，所以，其实有没可能，桔猫就是人工智能？怪不得桔猫那么认真学习机器学习，原来，Gato就是你！