(1/8) Trong báo cáo trước, tôi đã khám phá cách mà các mô hình AI là những mâu thuẫn thú vị—thông minh nhưng ngẫu nhiên, hiểu biết nhưng có giới hạn về cảm nhận, mạnh mẽ nhưng không có ý thức. Hôm nay tôi công bố báo cáo thứ 2, "Trí Tuệ Dồi Dào và Kinh Nghiệm Khan Hiếm," đề cập đến cách khai thác trí tuệ dồi dào này một cách hiệu quả. Chúng ta cần một cuốn sách hướng dẫn hợp tác mới: đồng bộ hóa ý thức, cấp quyền tự chủ, xác minh đầu ra, cung cấp phản hồi và cho phép cải tiến liên tục. Nói một cách đơn giản, các ứng dụng phải đưa AI vào trải nghiệm. Xem chi tiết bên dưới:

Sự biến động ở đây trong một khoảng thời gian ngắn như vậy thật đáng chú ý, và nói chung điều này khiến bạn phải trân trọng mức độ đầu tư mà Thị trường Vốn Mỹ có thể thu hút. Đây là một chỉ số rất tốt về sự thống trị của AI trong trung và dài hạn. Cuối cùng, tôi mong đợi một sự bùng nổ đầu tư tương tự vào robot để bù đắp cho năng lực công nghiệp đã bị suy giảm của Mỹ. Những năm 2020 sẽ không phải là một thập kỷ với lãi suất thấp.

Tập 1 năm 2035: AI Trung Quốc vs Mỹ, Tóm tắt. @ZeMariaMacedo và tôi đã có cơ hội ngồi lại với @moonshot6666 để thảo luận về tất cả mọi thứ liên quan đến AI Mỹ vs Trung Quốc. Alex hiện là Đồng sáng lập của @get_truenorth và có một góc nhìn rất độc đáo khi đã làm việc tại các công ty chip lớn, công ty công nghệ và các công ty đầu tư ở cả hai bên Thái Bình Dương. Một trong những tập phim thông tin nhất về động lực AI Mỹ vs Trung Quốc và tương lai của điện toán nói chung. 2035 là một podcast mới của @delphi_intel. Các liên kết bên dưới:

Thông báo: @lex_feeds đã có một số ý kiến tuyệt vời trên mini-feed của @delphi_intel trong tuần này: 1) Cách AI chinh phục nền kinh tế Mỹ 2) Mô phỏng thế giới - Các nhà nghiên cứu DeepMind công bố Genie3 3) Các mô hình nền tảng thực sự không thể học liên tục - phải không?

câu hỏi cốt lõi mà deAI phải đối mặt là gì? imo, nó được thể hiện hoàn hảo bởi @PonderingDurian: "liệu lợi ích của việc tính toán tiềm ẩn chi phí thấp ở tầng hạ tầng, mã nguồn mở tích lũy ở tầng mô hình, và sự sáng tạo ở tầng ứng dụng cuối cùng có vượt qua chi phí của việc điều phối mà các phòng thí nghiệm lớn giảm thiểu bằng cách đưa mọi thứ dưới mái nhà của một công ty duy nhất không?" câu trả lời phụ thuộc vào cách bạn cân nhắc sự ma sát ngay lập tức so với lợi thế lâu dài. các phòng thí nghiệm lớn đang đặt cược rằng chi phí điều phối là quá đau đớn đến nỗi mọi người sẽ sẵn sàng trả giá cao để tránh chúng. họ có thể đúng, trong ngắn hạn. nhưng một khi việc điều phối được giải quyết (các đột phá của @PluralisHQ, @NousResearch, & @PrimeIntellect đang khiến tôi tự tin hơn rằng điều này sẽ xảy ra), các hệ sinh thái mở có thể giải phóng trí tuệ tập thể với tốc độ + quy mô mà không phòng thí nghiệm tập trung nào có thể sánh kịp. đây là nơi AI phi tập trung chiến thắng.

Nếu bạn chỉ đọc một điều gì đó trong tuần này, tôi khuyên bạn nên xem báo cáo AI dưới đây: "Từ Nhà máy Dữ liệu đến Mô hình Thế giới" Nó kết hợp các nhà máy dữ liệu, kỹ thuật ngữ bối cảnh, môi trường RL, mô hình thế giới và nhiều hơn nữa thành một bài tiểu luận dễ tiếp cận nhưng toàn diện về rìa hiện tại của AI.👇(0/12)

Nếu bạn chưa có cơ hội đọc báo cáo mô hình video của tôi, bây giờ có thể là thời điểm tốt để làm điều đó...

Hãy biết ơn và học cách trở nên không nhàm chán, và về cơ bản bạn đã giành chiến thắng.

"Khoảnh khắc GPT-3 sắp tới cho RL" Bài viết thú vị của @MechanizeWork về sự chuyển mình hướng tới việc đào tạo quy mô lớn trên hàng ngàn môi trường đa dạng. "Tương tự, chúng tôi nghi ngờ rằng khoảnh khắc GPT-3 cho RL sẽ chủ yếu được kích hoạt bởi một mô hình mà chúng tôi gọi là đào tạo sao chép. Mô hình đề xuất này liên quan đến việc giao nhiệm vụ cho các AI sao chép các sản phẩm phần mềm hiện có, hoặc các tính năng cụ thể bên trong chúng. Các công cụ dòng lệnh đơn giản thực hiện các thuật toán băm và mã hóa khó hiểu là những mục tiêu ban đầu đơn giản, nhưng cách tiếp cận này có thể dễ dàng mở rộng đến phần mềm phức tạp hơn, chẳng hạn như trang web, phần mềm chuyên nghiệp và trò chơi."