除了 OpenAI 的 DALL-E 2、Google 的 PaLM、LaMDA 2、Deepmind 的 Chinchilla 和 Flamingo 之外，Deepmind 又展示另一个大型人工智能模型 Gato，其性能超过了现有系统。
然而，Deepmind 的 Gato 是不同的：该模型不能比其他人工智能系统更好地书写文字，更好地描述图像，更好地玩雅达利游戏，更好地控制机械臂，或更好地在三维空间中定位。但 Gato 可以做所有的事情。
Google DeepMind AI 的首席研究员表示，人工智能即将达到人类的智慧水平。Nando de Freitas 博士表示在这场长达数十年实现人工通用智能(AGI)的游戏已经接近尾声，该人工智能模型可以胜任从堆积木到写诗等各种复杂任务。
Nando de Freitas 将 Gato 描述为“通用代理”(generalist agent)，只需要扩大规模，就能创造出能够与人类智能相媲美的人工智能。
《The Next Web》之前发表了一篇名为《humans will never achieve AGI》(人类将永远无法达到 AGI)的文章，DeepMind 研究主管回应称实现 AGI 是不可避免的。
他在推文中写道：“现在一切都与规模有关! 游戏结束了!这都是关于使这些模型更大、更安全、计算效率高、采样速度快、内存更智能、更多模式、创新数据、在线/离线......。解决这些挑战才是实现AGI的关键”。
Deepmind 用图像、文本、本体感觉、关节时刻、击键以及其他离散和连续的观察和行动来训练基于 Transformer 的模型，实现各种多才多艺的技能。在训练阶段，所有数据都由 Transformer 网络按标记序列处理，类似于一个大型语言模型。
该团队随后在 604 个不同的任务中测试了 Gato。在其中超过 450 项任务中，该人工智能模型取得了专家在基准测试中的约 50% 的表现。但这远远落后于能够达到专家水平的专业人工智能模型。
Gato 只有 11.8 亿个参数，与 1750 亿个参数的 GPT-3、巨大的 5400 亿个参数的 PaLM 模型或 700 亿个参数的 Chinchilla 相比，它的体量无疑是很小的。
根据该团队的说法，这主要是由于所使用的 Sawyer 机械臂的响应时间--更大的模型会太慢，无法在目前的硬件和目前的架构下执行机器人任务。
然而，这些限制可以通过新的硬件和架构轻松解决，该团队说。一个更大的Gato模型可以用更多的数据进行训练，并可能更好地完成各种任务。
该团队说，最终，这可能会导致一个通用的人工智能模型，取代专门的模型--人工智能研究的历史也表明了这一点。它引用了人工智能研究员理查德-萨顿的话，作为他研究的一个"惨痛教训"指出："从历史上看，更善于利用计算的通用模型也倾向于最终超越更专业的特定领域方法。"
Deepmind 还表明，Gato 的性能随着参数数量的增加而增加。除了大型模型之外，该团队还训练了两个较小的模型，参数分别为 7900 万和 3.64 亿。平均性能随着参数的增加而线性增加--至少对于测试的基准来说是如此。
在问及 Gato 人工智能距离通过真正的图灵测试(衡量计算机智能的标准，要求人类无法区分机器和另一个人)还有多远的时候，机器学习研究员亚历克斯-迪米卡斯(Alex Dimikas)的回答是“还很远”。
在 Twitter 上回答人工智能研究人员的进一步问题时，de Freitas 博士说，在开发 AGI 时，安全是最重要的"。"他写道："这可能是我们面临的最大挑战。"每个人都应该思考这个问题。缺乏足够的多样性也让我非常担心。"
关于 Gato 的描述，DeepMind 表示
这个代理，我们称之为Gato，作为一个多模式、多任务、多组件的通用策略工作。具有相同权重的同一个网络可以玩雅达利游戏、给图片加标题、聊天、用真正的机器人手臂堆积积木等等，根据其上下文决定是否输出文本、关节扭力、按钮按压或其他标记物。
