(1/8) Dans le rapport précédent, j'ai exploré comment les modèles d'IA sont des contradictions fascinantes : brillants mais aléatoires, savants mais perceptivement limités, puissants mais inconscients. Aujourd'hui, je publie le 2ème rapport, "Intelligence Abondante et Expérience Rare", qui aborde comment exploiter efficacement cette intelligence nouvellement abondante. Nous avons besoin d'un nouveau manuel de collaboration : aligner la conscience, accorder l'autonomie, vérifier les résultats, fournir des retours et permettre une amélioration continue. En termes plus simples, les applications doivent intégrer l'IA dans l'expérience. Voir ci-dessous pour plus de détails :

Les fluctuations ici sur une si courte période sont remarquables et cela doit généralement vous amener à apprécier le niveau d'investissement que les marchés de capitaux américains peuvent attirer. Un très bon indicateur de la domination de l'IA à moyen et long terme. En fin de compte, on peut s'attendre à une augmentation similaire des investissements dans la robotique pour compenser la capacité industrielle épuisée de l'Amérique. Les années 2020 ne seront pas une décennie de taux bas.

2035 Épisode 1 : IA chinoise vs IA américaine, le résumé. @ZeMariaMacedo et moi avons eu l'occasion de nous asseoir avec @moonshot6666 pour discuter de tout ce qui concerne l'IA américaine contre l'IA chinoise. Alex est actuellement co-fondateur de @get_truenorth et a une perspective très unique ayant travaillé dans de grandes entreprises de puces, des entreprises technologiques et des sociétés d'investissement des deux côtés du Pacifique. Un des épisodes les plus informatifs disponibles sur les dynamiques de l'IA américaine et chinoise et l'avenir de l'informatique de manière plus générale. 2035 est un nouveau podcast de @delphi_intel. Liens ci-dessous :

PSA : @lex_feeds a partagé d'excellentes réflexions sur le mini-feed de @delphi_intel cette semaine : 1) Comment l'IA a conquis l'économie américaine 2) Simuler le monde - Les chercheurs de DeepMind dévoilent Genie3 3) Les modèles fondamentaux ne peuvent pas vraiment apprendre de manière continue - n'est-ce pas ? Ajoutez-le à vos favoris :

quelle est la question centrale à laquelle deAI fait face ? imo, elle est parfaitement résumée par @PonderingDurian : "les avantages d'un calcul latent à faible coût au niveau de l'infrastructure, de la composition open source au niveau du modèle, et de la créativité au niveau de l'application l'emportent-ils finalement sur les coûts d'orchestration que les grands laboratoires atténuent en rassemblant tout sous le toit d'une seule entreprise ?" la réponse dépend de la manière dont vous pesez le frottement immédiat par rapport à l'effet de levier à long terme. les grands laboratoires parient que les coûts d'orchestration sont si douloureux que les gens paieront des prix premium pour les éviter. ils ont probablement raison, à court terme. mais une fois que l'orchestration est résolue (les percées de @PluralisHQ, @NousResearch et @PrimeIntellect me rendent plus confiant que cela va se produire), les écosystèmes ouverts peuvent libérer l'intelligence collective à une vitesse + échelle que aucun laboratoire centralisé ne peut égaler. c'est là que l'IA décentralisée gagne.

Si vous ne devez lire qu'une chose cette semaine, je vous suggérerais le rapport AI ci-dessous : "Des fonderies de données aux modèles du monde" Il entrelace les fonderies de données, l'ingénierie contextuelle, les environnements RL, les modèles du monde et plus encore dans un essai accessible, mais complet sur l'état actuel de l'IA.👇(0/12)

Si vous n'avez pas eu l'occasion de lire mon rapport sur le modèle vidéo, c'est peut-être le bon moment...

Restez reconnaissant et apprenez à devenir inlassable, et vous avez déjà pratiquement gagné.

"Le moment GPT-3 à venir pour l'apprentissage par renforcement" Article intéressant de @MechanizeWork sur le passage à un entraînement à grande échelle à travers des milliers d'environnements divers. "De même, nous soupçonnons que le moment GPT-3 pour l'apprentissage par renforcement sera largement rendu possible par un paradigme que nous appelons l'entraînement par réplication. Ce paradigme proposé consiste à charger les IA de dupliquer des produits logiciels existants, ou des fonctionnalités spécifiques au sein de ceux-ci. Des outils simples en ligne de commande qui mettent en œuvre des algorithmes de hachage et de cryptage obscurs sont des cibles initiales simples, mais cette approche peut facilement s'étendre à des logiciels plus complexes, tels que des sites web, des logiciels professionnels et des jeux."