(1/8) W poprzednim raporcie badałem, jak modele AI są fascynującymi sprzecznościami—genialne, a jednocześnie losowe, posiadające wiedzę, ale ograniczone percepcyjnie, potężne, ale nieświadome. Dziś publikuję drugi raport, "Obfita inteligencja i ograniczone doświadczenie", który dotyczy tego, jak skutecznie wykorzystać tę nowo obfitą inteligencję. Potrzebujemy nowego podręcznika współpracy: zharmonizować świadomość, przyznać autonomię, weryfikować wyniki, dostarczać informacje zwrotne i umożliwić ciągłe doskonalenie. Mówiąc prościej, aplikacje muszą wprowadzać AI w doświadczenie. Zobacz szczegóły poniżej:

Fluktuacje tutaj w tak krótkim okresie czasu są niezwykłe i ogólnie muszą sprawić, że docenisz poziom inwestycji, jaki mogą przyciągnąć amerykańskie rynki kapitałowe. Bardzo dobry wskaźnik średnio- i długoterminowej dominacji AI. Ostatecznie spodziewałbym się podobnego wzrostu inwestycji w robotykę, aby pomóc zrekompensować wyczerpaną zdolność przemysłową Ameryki. Lata 2020 nie będą dekadą niskich stóp procentowych.

2035 Odcinek 1: Chińska vs Amerykańska AI, podsumowanie. @ZeMariaMacedo i ja mieliśmy okazję usiąść z @moonshot6666, aby omówić wszystkie sprawy związane z AI w USA i Chinach. Alex jest obecnie współzałożycielem @get_truenorth i ma bardzo unikalną perspektywę, pracując w dużych firmach zajmujących się chipami, firmach technologicznych oraz firmach inwestycyjnych po obu stronach Pacyfiku. Jeden z bardziej informacyjnych odcinków dostępnych na temat dynamiki AI w USA i Chinach oraz przyszłości obliczeń w szerszym kontekście. 2035 to nowy podcast @delphi_intel. Linki poniżej:

PSA: @lex_feeds miał świetne spostrzeżenia w mini-feedzie @delphi_intel w tym tygodniu: 1) Jak AI podbiło gospodarkę USA 2) Symuluj świat - badacze DeepMind ujawniają Genie3 3) Modele podstawowe nie potrafią naprawdę uczyć się ciągle - czyż nie? Zapisz to:

jakie jest kluczowe pytanie, przed którym stoi deAI? imo, jest to doskonale uchwycone przez @PonderingDurian: "czy korzyści z niskokosztowego latentnego obliczania na poziomie infrastruktury, otwartego źródła kumulacji na poziomie modelu i kreatywności na poziomie aplikacji ostatecznie przewyższają koszty orkiestracji, które duże laboratoria łagodzą, przynosząc wszystko pod dach jednej firmy?" odpowiedź zależy od tego, jak oceniasz natychmiastowy opór w porównaniu do długoterminowej dźwigni. duże laboratoria stawiają na to, że koszty orkiestracji są na tyle bolesne, że ludzie będą płacić ceny premium, aby ich uniknąć. prawdopodobnie mają rację, w krótkim okresie. ale gdy orkiestracja zostanie rozwiązana (przełomy osiągnięte przez @PluralisHQ, @NousResearch i @PrimeIntellect sprawiają, że jestem coraz bardziej pewny, że to się wydarzy), otwarte ekosystemy mogą uwolnić zbiorową inteligencję w tempie i skali, której żadne scentralizowane laboratorium nie może dorównać. to jest miejsce, w którym wygrywa zdecentralizowana AI.

Jeśli przeczytasz jedną rzecz w tym tygodniu, polecam poniższy raport AI: "Od fabryk danych do modeli świata" Łączy fabryki danych, inżynierię kontekstu, środowiska RL, modele świata i więcej w przystępnym, a jednocześnie kompleksowym eseju na temat aktualnych osiągnięć AI.👇(0/12)

Jeśli nie miałeś jeszcze okazji przeczytać mojego raportu o modelu wideo, teraz może być dobry czas...

Pozostań wdzięczny i naucz się stawać nieznudzonym, a w zasadzie już wygrałeś.

"Nadchodzący moment GPT-3 dla RL" Interesujący post autorstwa @MechanizeWork na temat przejścia w kierunku masowego szkolenia w tysiącach różnorodnych środowisk. "Podobnie podejrzewamy, że moment GPT-3 dla RL będzie w dużej mierze możliwy dzięki paradygmatowi, który nazywamy szkoleniem replikacyjnym. Proponowany paradygmat polega na zlecaniu AI duplikowania istniejących produktów oprogramowania lub konkretnych funkcji w ich ramach. Proste narzędzia wiersza poleceń, które implementują niejasne algorytmy haszowania i szyfrowania, są prostymi początkowymi celami, ale to podejście można łatwo rozszerzyć na bardziej złożone oprogramowanie, takie jak strony internetowe, oprogramowanie profesjonalne i gry."