(1/8) في التقرير السابق ، استكشفت كيف أن نماذج الذكاء الاصطناعي هي تناقضات رائعة - رائعة ولكنها عشوائية ، ومعرفة ولكنها محدودة إدراكيا ، وقوية ولكنها غير واعية. اليوم أنشر التقرير الثاني ، "الذكاء الوفير والخبرة النادرة" ، والذي يتناول كيفية تسخير هذا الذكاء الوفير حديثا بشكل فعال. نحن بحاجة إلى دليل جديد للتعاون: مواءمة الوعي ، ومنح الاستقلالية ، والتحقق من المخرجات ، وتقديم الملاحظات ، وتمكين التحسين المستمر. بعبارات أبسط ، يجب أن تضع التطبيقات الذكاء الاصطناعي في الخبرة انظر أدناه للحصول على التفاصيل:

التقلبات هنا خلال هذا الإطار الزمني القصير رائعة ، ويجب أن تجعلك تقدر بشكل عام مستوى الاستثمار الذي يمكن أن تجتذبه أسواق رأس المال الأمريكية. وكيل جيد جدا لهيمنة الذكاء الاصطناعي على المدى الطويل. في النهاية ، نتوقع زيادة مماثلة في الاستثمار في الروبوتات للمساعدة في تعويض القدرة الصناعية المستنفدة لأميركا. لن يكون عام 2020 عقدا من المعدلات المنخفضة.

2035 الحلقة 1: الذكاء الاصطناعي الصيني مقابل الأمريكي ، المتهدمة. أتيحت لي الفرصة @ZeMariaMacedo للجلوس مع @moonshot6666 لمناقشة كل ما يتعلق بالولايات المتحدة مقابل الذكاء الاصطناعي الصينية. أليكس هو حاليا المؤسس المشارك لشركة @get_truenorth ولديه منظور فريد للغاية بعد أن عمل في شركات الرقائق الكبيرة وشركات التكنولوجيا وشركات الاستثمار على جانبي المحيط الهادئ. واحدة من أكثر الحلقات إفادة المتاحة حول ديناميكيات الذكاء الاصطناعي الأمريكية مقابل الصين ومستقبل الحوسبة على نطاق أوسع. 2035 هو بودكاست جديد @delphi_intel. الروابط أدناه:

PSA: كان @lex_feeds بعض المقاطع الرائعة في @delphi_intel المصغرة هذا الأسبوع: 1) كيف غزا الذكاء الاصطناعي الاقتصاد الأمريكي 2) محاكاة العالم - باحثو DeepMind يكشفون النقاب عن Genie3 3) لا تستطيع نماذج الأساس التعلم باستمرار - أليس كذلك؟ ضع إشارة مرجعية عليه:

ما هو السؤال الأساسي الذي يواجهه DEAI؟ IMO ، تم التقاطها بشكل مثالي من قبل @PonderingDurian: "هل تفوق فوائد الحوسبة الكامنة منخفضة التكلفة في طبقة البنية التحتية ، والتركيب مفتوح المصدر في طبقة النموذج ، والإبداع في طبقة التطبيق في النهاية تكاليف التنسيق التي تخفف منها المختبرات الكبيرة من خلال وضع كل شيء تحت سقف شركة واحدة؟" تعتمد الإجابة على كيفية تقييم الاحتكاك الفوري مقابل الرافعة المالية طويلة الأجل. تراهن المختبرات الكبيرة على أن تكاليف التنسيق مؤلمة للغاية لدرجة أن الناس سيدفعون أسعارا ممتازة لتجنبها. ربما يكونون على حق ، على المدى القصير. ولكن بمجرد حل التنسيق (الاختراقات التي أجراها @PluralisHQ و @NousResearch و @PrimeIntellect تجعلني أكثر ثقة في حدوث ذلك) ، يمكن للنظم البيئية المفتوحة إطلاق العنان للذكاء الجماعي بسرعة + على نطاق لا يمكن لأي مختبر مركزي أن يضاهيه. هذا هو المكان الذي يفوز فيه الذكاء الاصطناعي اللامركزي.

إذا قرأت شيئا واحدا هذا الأسبوع ، فستقترح تقرير الذكاء الاصطناعي أدناه: "من مسابك البيانات إلى النماذج العالمية" إنه ينسج مسابك البيانات وهندسة السياق وبيئات RL والنماذج العالمية والمزيد في مقال ودود ولكنه شامل حول الحافة الحالية لنظام الذكاء الاصطناعي. 👇

إذا لم تتح لك الفرصة لقراءة تقرير نموذج الفيديو الخاص بي ، فقد يكون الوقت مناسبا الآن ...

ابق ممتنا وتعلم أن تصبح غير مهل ، وقد فزت بالفعل بالفعل.

"لحظة GPT-3 القادمة ل RL" منشور مثير للاهتمام من @MechanizeWork حول التحول نحو التدريب على نطاق واسع عبر آلاف البيئات المتنوعة. "وبالمثل ، نشك في أن لحظة GPT-3 ل RL سيتم تمكينها إلى حد كبير من خلال نموذج نسميه تدريب النسخ المتماثل. يتضمن هذا النموذج المقترح تكليف الذكاء الاصطناعي بتكرار منتجات البرامج الحالية أو ميزات محددة داخلها. تعد أدوات سطر الأوامر البسيطة التي تنفذ خوارزميات التجزئة والتشفير الغامضة أهدافا أولية مباشرة ، ولكن هذا النهج يمكن أن يمتد بسهولة إلى برامج أكثر تعقيدا ، مثل مواقع الويب والبرامج الاحترافية والألعاب.