Forwarded from Лекторий
14.09 Лекторий о ритуалах и традициях в широком смысле
Какие ритуалы есть у наших домашних питомцев? Какую роль играют традиции в еврейском обществе? Как искусство отражает ритуалы? На лектории "От животных к людям: Ритуалы вокруг нас" мы попытаемся разобраться в многообразии ритуалов и традиций.
Своим взглядом поделятся:
🔆 Ольга Ситкина - специалист по поведению животных, Tellington TTouch couch, создатель курса "Счастливый кот" и Инфопортала мой котопес и др.
🔆 Даниэль Альтерман - свободный исследователь
🔆 Ноа Томин - еврейский образователь, мадриха, социолог
🔆 Анна Смолярова - художница, арт-медиаторка
📍 Almacén Gallery HaPninim 1, Tel Aviv
🕦 14 сентября, 19:00
💰 Стоимость билета: 70 шекелей
Билеты: https://get-in.com/lectorium2
Какие ритуалы есть у наших домашних питомцев? Какую роль играют традиции в еврейском обществе? Как искусство отражает ритуалы? На лектории "От животных к людям: Ритуалы вокруг нас" мы попытаемся разобраться в многообразии ритуалов и традиций.
Своим взглядом поделятся:
🔆 Ольга Ситкина - специалист по поведению животных, Tellington TTouch couch, создатель курса "Счастливый кот" и Инфопортала мой котопес и др.
🔆 Даниэль Альтерман - свободный исследователь
🔆 Ноа Томин - еврейский образователь, мадриха, социолог
🔆 Анна Смолярова - художница, арт-медиаторка
📍 Almacén Gallery HaPninim 1, Tel Aviv
🕦 14 сентября, 19:00
💰 Стоимость билета: 70 шекелей
Билеты: https://get-in.com/lectorium2
🤯5❤3👍3🔥2
🗺️ Гугл улучшил построение маршрутов на Картах
Сервис Google Карты использует удобную навигацию, чтобы строить оптимальный маршрут из пункта А в пункт Б. Но как именно он определяет, какая дорога будет самой лучшей для пользователя? Оказывается, с помощью технологии "обратного обучения с подкреплением" (inverse reinforcement learning).
Этот метод работает так: искусственный интеллект анализирует реальные маршруты, которые люди выбирают в жизни. Эти данные - пример оптимальных "маршрутов" (если людей усреднить, то обычно они перемещаются оптимально). На их основе нейросеть извлекает скрытые критерии, которыми пользователи руководствуются при построении маршрута. Учитывают ли они время в пути, стоимость, живописность дороги?
Раньше применение такого подхода в масштабах всей Земли было затруднено - просто слишком много возможных маршрутов для анализа! Но инженеры Google разработали новый алгоритм RHIP (Receding Horizon Inverse Planning), который эффективно масштабируется.
Он объединяет точные, но ресурсозатратные методы для локальных участков пути с более дешёвыми алгоритмами глобального планирования. Благодаря оптимизации и распараллеливанию вычислений, RHIP позволил впервые применить обратное обучение с подкреплением в масштабах всей дорожной сети планеты.
В итоге точность маршрутов в Google Картах выросла на 15-24% по сравнению с предыдущим алгоритмом. Теперь, когда вы строите маршрут, ИИ может предугадать оптимальный путь, максимально приближенный к тому, который выбрали бы вы сами.
🌍 Блог-пост
📰 Статья
Подпишись на @nn_for_science
Сервис Google Карты использует удобную навигацию, чтобы строить оптимальный маршрут из пункта А в пункт Б. Но как именно он определяет, какая дорога будет самой лучшей для пользователя? Оказывается, с помощью технологии "обратного обучения с подкреплением" (inverse reinforcement learning).
Этот метод работает так: искусственный интеллект анализирует реальные маршруты, которые люди выбирают в жизни. Эти данные - пример оптимальных "маршрутов" (если людей усреднить, то обычно они перемещаются оптимально). На их основе нейросеть извлекает скрытые критерии, которыми пользователи руководствуются при построении маршрута. Учитывают ли они время в пути, стоимость, живописность дороги?
Раньше применение такого подхода в масштабах всей Земли было затруднено - просто слишком много возможных маршрутов для анализа! Но инженеры Google разработали новый алгоритм RHIP (Receding Horizon Inverse Planning), который эффективно масштабируется.
Он объединяет точные, но ресурсозатратные методы для локальных участков пути с более дешёвыми алгоритмами глобального планирования. Благодаря оптимизации и распараллеливанию вычислений, RHIP позволил впервые применить обратное обучение с подкреплением в масштабах всей дорожной сети планеты.
В итоге точность маршрутов в Google Картах выросла на 15-24% по сравнению с предыдущим алгоритмом. Теперь, когда вы строите маршрут, ИИ может предугадать оптимальный путь, максимально приближенный к тому, который выбрали бы вы сами.
🌍 Блог-пост
📰 Статья
Подпишись на @nn_for_science
👍30🔥12❤4🤯2😢1
👃 У нейросетей появился нюх
Ученые из Google исследовали, как можно научить искусственный интеллект предсказывать запах вещества по его молекулярной структуре. Эта фундаментальная проблема в области цифрового обоняния долгое время оставалась нерешенной.
Для создания модели авторы использовали графовые нейронные сети – специальный тип нейросетей, хорошо работающий с графовыми данными. Молекулы очень удобно представлять в виде графов, где атомы – вершины, а связи – ребра. Такая структура позволяет эффективно анализировать особенности молекулы.
Модель обучалась на наборе из 5000 молекул с соответствующими запаховыми дескрипторами типа "цветочный", "фруктовый" и т.д. Затем ее проверили на 400 ранее не встречавшихся молекулах.
Результаты показали, что нейросеть описывает запахи новых веществ не хуже, чем средний человек! Более того, модель лучше справляется с задачей, чем предыдущие подходы на основе традиционных химических дескрипторов.
Полученная нейросетью "карта запахов" переносится и на другие задачи в области обоняния - например, определение схожести запахов разных веществ. Таким образом, исследователи создали универсальное средство для изучения мира запахов.
В будущем подобные модели могут использоваться для автоматического предсказания запаха еще не синтезированных молекул. Это поможет ускорить открытие новых ароматов и душистых веществ без дорогостоящего экспериментального тестирования.
📰 Статья
Подпишись на @nn_for_science
Ученые из Google исследовали, как можно научить искусственный интеллект предсказывать запах вещества по его молекулярной структуре. Эта фундаментальная проблема в области цифрового обоняния долгое время оставалась нерешенной.
Для создания модели авторы использовали графовые нейронные сети – специальный тип нейросетей, хорошо работающий с графовыми данными. Молекулы очень удобно представлять в виде графов, где атомы – вершины, а связи – ребра. Такая структура позволяет эффективно анализировать особенности молекулы.
Модель обучалась на наборе из 5000 молекул с соответствующими запаховыми дескрипторами типа "цветочный", "фруктовый" и т.д. Затем ее проверили на 400 ранее не встречавшихся молекулах.
Результаты показали, что нейросеть описывает запахи новых веществ не хуже, чем средний человек! Более того, модель лучше справляется с задачей, чем предыдущие подходы на основе традиционных химических дескрипторов.
Полученная нейросетью "карта запахов" переносится и на другие задачи в области обоняния - например, определение схожести запахов разных веществ. Таким образом, исследователи создали универсальное средство для изучения мира запахов.
В будущем подобные модели могут использоваться для автоматического предсказания запаха еще не синтезированных молекул. Это поможет ускорить открытие новых ароматов и душистых веществ без дорогостоящего экспериментального тестирования.
📰 Статья
Подпишись на @nn_for_science
👍32❤9🔥5😁2
Как уместить слона в холодильник: обзор квантования моделей в 🤗 Transformers
Квантование моделей в машинном обучении - это процесс уменьшения разрядности представления весов нейронной сети.
Обычно веса моделей хранятся с использованием 32-битных чисел с плавающей точкой (float32). Это позволяет достичь высокой точности, но требует большого объема памяти.
Квантование снижает разрядность представления весов до 8, 4 или даже 2 бит. Это значительно уменьшает размер модели и позволяет запускать её на устройствах с ограниченными ресурсами - например, смартфонах или дешевых GPU.
Конечно, меньшее количество бит приводит к некоторой потере точности модели. Но современные алгоритмы квантования, такие как поддерживаемые в библиотеке 🤗 Transformers, позволяют минимизировать эту потерю.
Таким образом, квантование делает возможным использование крупных нейросетевых моделей там, где раньше для этого не хватало вычислительных ресурсов. Это расширяет сферы применения искусственного интеллекта - от мобильных приложений до IoT устройств.
В статье (ниже) даётся обзор основных методов квантования, встроенных в популярную библиотеку 🤗 Transformers. Рассматриваются их особенности, производительность на разных устройствах и точность по сравнению с исходными моделями. Почитайте, возможно статья поможет вам выбрать оптимальный подход к квантованию для своих задач.
🤗 Статья
Подпишись на @nn_for_science
Квантование моделей в машинном обучении - это процесс уменьшения разрядности представления весов нейронной сети.
Обычно веса моделей хранятся с использованием 32-битных чисел с плавающей точкой (float32). Это позволяет достичь высокой точности, но требует большого объема памяти.
Квантование снижает разрядность представления весов до 8, 4 или даже 2 бит. Это значительно уменьшает размер модели и позволяет запускать её на устройствах с ограниченными ресурсами - например, смартфонах или дешевых GPU.
Конечно, меньшее количество бит приводит к некоторой потере точности модели. Но современные алгоритмы квантования, такие как поддерживаемые в библиотеке 🤗 Transformers, позволяют минимизировать эту потерю.
Таким образом, квантование делает возможным использование крупных нейросетевых моделей там, где раньше для этого не хватало вычислительных ресурсов. Это расширяет сферы применения искусственного интеллекта - от мобильных приложений до IoT устройств.
В статье (ниже) даётся обзор основных методов квантования, встроенных в популярную библиотеку 🤗 Transformers. Рассматриваются их особенности, производительность на разных устройствах и точность по сравнению с исходными моделями. Почитайте, возможно статья поможет вам выбрать оптимальный подход к квантованию для своих задач.
🤗 Статья
Подпишись на @nn_for_science
👍19❤6🔥5😁1
Аналитика потребления генеративного ИИ
Недавно венчурный фонд Andreessen Horowitz опубликовал любопытный анализ развития потребительского искусственного интеллекта.
Andreessen Horowitz - это один из крупнейших венчурных фондов в США, который инвестирует в технологические стартапы. Среди их портфельных компаний такие гиганты, как Facebook, Airbnb, Coinbase. Поэтому когда их эксперты делятся аналитикой - стоит прислушаться.
Так вот, они изучили посещаемость популярных сервисов, основанных на технологиях вроде DALL-E и ChatGPT. И выяснили много интересного.
Во-первых, ChatGPT абсолютный фаворит пользователей. Его ежемесячная аудитория - 1,6 млрд посещений, что делает это приложение 24-м по популярности сайтом в мире! Другие сервисы ИИ пока сильно отстают от лидера.
Во-вторых, люди готовы платить за возможности ИИ в среднем 21$ в месяц. Это намного больше, чем для обычных приложений. Так что потребительский ИИ - выгодный бизнес.
В-третьих, продукты ИИ пока сконцентрированы в веб-браузерах. Мобильные приложения только набирают популярность в этой сфере - вот вам и ниша которую можно заполнить.
Также выяснилось, что большинство успешных сервисов ИИ - это стартапы, созданные с нуля вокруг технологий вроде GPT. Лишь несколько продуктов созданы технологическими гигантами.
В целом, это ценная аналитика от экспертного фонда о развитии потребительского ИИ. ChatGPT уже завоевал сердца миллионов. А какие ещё интересные сервисы ИИ появятся в будущем?
〽️ Аналитика
Подпишись на @nn_for_science
Недавно венчурный фонд Andreessen Horowitz опубликовал любопытный анализ развития потребительского искусственного интеллекта.
Andreessen Horowitz - это один из крупнейших венчурных фондов в США, который инвестирует в технологические стартапы. Среди их портфельных компаний такие гиганты, как Facebook, Airbnb, Coinbase. Поэтому когда их эксперты делятся аналитикой - стоит прислушаться.
Так вот, они изучили посещаемость популярных сервисов, основанных на технологиях вроде DALL-E и ChatGPT. И выяснили много интересного.
Во-первых, ChatGPT абсолютный фаворит пользователей. Его ежемесячная аудитория - 1,6 млрд посещений, что делает это приложение 24-м по популярности сайтом в мире! Другие сервисы ИИ пока сильно отстают от лидера.
Во-вторых, люди готовы платить за возможности ИИ в среднем 21$ в месяц. Это намного больше, чем для обычных приложений. Так что потребительский ИИ - выгодный бизнес.
В-третьих, продукты ИИ пока сконцентрированы в веб-браузерах. Мобильные приложения только набирают популярность в этой сфере - вот вам и ниша которую можно заполнить.
Также выяснилось, что большинство успешных сервисов ИИ - это стартапы, созданные с нуля вокруг технологий вроде GPT. Лишь несколько продуктов созданы технологическими гигантами.
В целом, это ценная аналитика от экспертного фонда о развитии потребительского ИИ. ChatGPT уже завоевал сердца миллионов. А какие ещё интересные сервисы ИИ появятся в будущем?
〽️ Аналитика
Подпишись на @nn_for_science
🔥18👍7❤3
Forwarded from Грокс (Ilya Pestov)
Wired подаёт как сенсацию известие о том, что финский стартап Metroc использует труд заключённых, чтобы обучать свою большую языковую модель. Но я ещё 3 года назад писал, что Сбер договорился со ФСИН о совместной работе над искусственным интеллектом, подразумевая, что осужденные будут обучать ИИ правильно различать рукописный текст и детали изображения. То есть Кандинский и ГигаЧат вполне могут быть созданы при участии заключённых и это замечательно как минимум с точки зрения социализации лиц отбывших наказание. Раньше вот человек отсидел за ошибки молодости и не знал куда податься, а сейчас есть возможность осваивать современные професcии в местах лишения свободы. Причём на мой вкус «7 лет в Бутырке обучал ИИ-модели» в резюме может смотреться куда привлекательнее, чем «закончил месячный курс по машинному обучению». Кстати, на рынке труда наблюдается дефицит кадров и если у вас есть знакомые во ФСИН, то самое время запускать стартап в сегменте PaaS (Prisoners as a Service). И я вполне серьёзно, хотя понимаю, что звучит всё несколько забавно.
https://www.wired.com/story/prisoners-training-ai-finland/
https://www.wired.com/story/prisoners-training-ai-finland/
👍39🤯11🔥6😁6😢1
Forwarded from Сиолошная
В марте 2023го в MIT Economics появилась статья про улучшение производительности труда у людей, использующих ChatGPT, тогда же я написал краткий обзор (читать тут).
Вчера же вышла статья в соавторстве исследователей из Harvard University (Business School) и MIT в партнерстве с представителем "большой тройки" консалтинга: Boston Consulting Group (BCG). Исследование примечательно по четырём причинам:
1) Брались реальные задачи, которые решаются консультантами на работе (про это ниже);
2) Привлекалось 7% консультантов BCG, а это более 750 человек — то есть исследование достаточно массовое со стат. значимыми результатами;
3) Использовалась GPT-4 (правда версии весны 23го года, тогда проводились эксперименты), а не ChatGPT. Да, прям вот та, что у вас в браузере доступна, без специальных дообучений;
4) Оценка результатов проводилась вручную с перекрытием 2 (через усреднение), хоть и были попытки использовать LLM как оценщик.
Для самых нетерпеливых напишу сразу результаты:
— Для каждой из 18 задач консультанты, использующие ИИ, были значительно более продуктивными (в среднем они выполняли на 12,2% больше задач и выполняли задачи на 25,1% быстрее) и давали значительно более качественные результаты — более чем на 40% более высокое качество по сравнению с контрольной группой, участники которой решали задачи без GPT-4.
— Как и в исследовании MIT, оказалось, что люди со значением базового навыка ниже среднего (среди группы в 700+ консультантов; оценивалось предварительно отдельным тестом) улучшили эффективность на 43%, а у тех, кто выше среднего, - на 17%.
Далее хочу процитировать пост одного из со-авторов, который участвовал в исследовании.
— Даже лучшие консультанты все равно получили прирост в эффективности работы. Глядя на эти результаты, я думаю, что недостаточно людей задумываются о том, что для человечества означает технология, которая поднимает всех работников на высшие уровни производительности;
— Когда ИИ очень хорош, у людей нет причин усердно работать и обращать внимание на детали. Они позволили ИИ "взять верх" вместо того, чтобы использовать его как инструмент. Другой автор назвал это «засыпанием за рулем», и это может навредить развитию навыков и производительности (почему так написано - см. в следующем посте);
— GPT-4 уже является мощным фактором, виляющим на то, как мы работаем. И это не разрекламированная новая технология, которая изменит мир через пять лет или которая требует больших инвестиций и ресурсов огромных компаний – она уже здесь, вот прямо СЕЙЧАС;
— Наши результаты показывают, что хотя люди, использовавшие ИИ, в рамках поставленных задач производят более высоко оцененные идеи, вариативность этих идей заметно снижается по сравнению с теми, кто не использует ИИ [моё примечание: тут неочевидно, насколько это плохо - по-хорошему, и 2 идей "на миллион" хватит, зачем мне 10 копеечных?];
Вчера же вышла статья в соавторстве исследователей из Harvard University (Business School) и MIT в партнерстве с представителем "большой тройки" консалтинга: Boston Consulting Group (BCG). Исследование примечательно по четырём причинам:
1) Брались реальные задачи, которые решаются консультантами на работе (про это ниже);
2) Привлекалось 7% консультантов BCG, а это более 750 человек — то есть исследование достаточно массовое со стат. значимыми результатами;
3) Использовалась GPT-4 (правда версии весны 23го года, тогда проводились эксперименты), а не ChatGPT. Да, прям вот та, что у вас в браузере доступна, без специальных дообучений;
4) Оценка результатов проводилась вручную с перекрытием 2 (через усреднение), хоть и были попытки использовать LLM как оценщик.
Для самых нетерпеливых напишу сразу результаты:
— Для каждой из 18 задач консультанты, использующие ИИ, были значительно более продуктивными (в среднем они выполняли на 12,2% больше задач и выполняли задачи на 25,1% быстрее) и давали значительно более качественные результаты — более чем на 40% более высокое качество по сравнению с контрольной группой, участники которой решали задачи без GPT-4.
— Как и в исследовании MIT, оказалось, что люди со значением базового навыка ниже среднего (среди группы в 700+ консультантов; оценивалось предварительно отдельным тестом) улучшили эффективность на 43%, а у тех, кто выше среднего, - на 17%.
Далее хочу процитировать пост одного из со-авторов, который участвовал в исследовании.
— Даже лучшие консультанты все равно получили прирост в эффективности работы. Глядя на эти результаты, я думаю, что недостаточно людей задумываются о том, что для человечества означает технология, которая поднимает всех работников на высшие уровни производительности;
— Когда ИИ очень хорош, у людей нет причин усердно работать и обращать внимание на детали. Они позволили ИИ "взять верх" вместо того, чтобы использовать его как инструмент. Другой автор назвал это «засыпанием за рулем», и это может навредить развитию навыков и производительности (почему так написано - см. в следующем посте);
— GPT-4 уже является мощным фактором, виляющим на то, как мы работаем. И это не разрекламированная новая технология, которая изменит мир через пять лет или которая требует больших инвестиций и ресурсов огромных компаний – она уже здесь, вот прямо СЕЙЧАС;
— Наши результаты показывают, что хотя люди, использовавшие ИИ, в рамках поставленных задач производят более высоко оцененные идеи, вариативность этих идей заметно снижается по сравнению с теми, кто не использует ИИ [моё примечание: тут неочевидно, насколько это плохо - по-хорошему, и 2 идей "на миллион" хватит, зачем мне 10 копеечных?];
❤15👍9🔥3
This media is not supported in your browser
VIEW IN TELEGRAM
Автономный автомобиль научили объяснять свои решения "по человечески"
Британская компания Wayve (не путать с американской Waymo) создала систему LINGO-1. Она комментирует дорожную ситуацию на естественном языке в реальном времени.
С точки зрения идеи - это прорыв. Понятно что область объяснимого ИИ существует уже не первый год, но как концепция "говорящий автомобиль" - очень удобна! Прям представляю как разработчики будут читать такие логи (всяко лучше чем графики ускорения и тп).
С точки зрения доверия к автономному водителю, круто когда ИИ учится не только принимать решения, но и объяснять их доступными словами. Это приближает нас к моменту, когда мы сможем без опаски доверить управление автомобилем роботу.
Пока система неидеальна - точность LINGO-1 всего 60%. Но концепция выглядит очень многообещающе.
Как вы считаете, сможем ли мы когда-нибудь полностью доверить вождение нейросетям? Поделитесь мнением в комментариях!
🚙 Ссылка
Британская компания Wayve (не путать с американской Waymo) создала систему LINGO-1. Она комментирует дорожную ситуацию на естественном языке в реальном времени.
С точки зрения идеи - это прорыв. Понятно что область объяснимого ИИ существует уже не первый год, но как концепция "говорящий автомобиль" - очень удобна! Прям представляю как разработчики будут читать такие логи (всяко лучше чем графики ускорения и тп).
С точки зрения доверия к автономному водителю, круто когда ИИ учится не только принимать решения, но и объяснять их доступными словами. Это приближает нас к моменту, когда мы сможем без опаски доверить управление автомобилем роботу.
Пока система неидеальна - точность LINGO-1 всего 60%. Но концепция выглядит очень многообещающе.
Как вы считаете, сможем ли мы когда-нибудь полностью доверить вождение нейросетям? Поделитесь мнением в комментариях!
🚙 Ссылка
🔥38👍15❤3
Как написать идеальный промпт: секреты общения с нейросетями
Вышла новая нейрость от гугла - Bard, и она работает почти везде! Наконец то можно убедить своих родствеников поиграться с языковой моделью без установки VPN и прочих танцев с бубном.
UPD: говорят не везде работает, сорри
Ввиду этого, давайте разберёмся, что такое промпты и как с их помощью приручить нейросети.
Промпт - это текстовая подсказка, которую мы даём нейросети, чтобы получить нужный результат. Например, чтобы Bard написал стихотворение в нужном стиле, мы пишем: "Напиши романтическое стихотворение от лица влюбленного юноши".
Почему промпты так важны? ИИ не умеет читать наши мысли. А промпты - это способ максимально точно объяснить ему нашу задачу.
Составление промптов - настоящее искусство, которому можно учиться. Вот несколько советов:
1. Определите роль, которую должен сыграть ИИ. Например: "Действуй как опытный журналист".
2. Дайте максимум контекста. Опишите ситуацию, как для друга.
3. Придумайте пошаговый алгоритм решения задачи. Разжуйте её для ИИ.
4. Приведите примеры удачных решений похожих задач.
5. Итерируйте: уточняйте, дорабатывайте результат в диалоге с ИИ.
Чем подробнее промпт - тем лучше результат. Главное помнить, что ИИ (пока!) не умеет читать наши мысли. Промпты - это мостик между нами. И от того, насколько хорошо мы объясним задачу, зависит успех.
Один из самых эффективных способов начать промпт - "Сделай глубокий вдох и реши поставленуюзадачу по шагам". Он заставляет нейросеть разбить процесс на этапы, продумать логическую последовательность. Это повышает вероятность получить верный и полный ответ.
По мотивам
🎸 Поговорить с Бардом
Вышла новая нейрость от гугла - Bard, и она работает почти везде! Наконец то можно убедить своих родствеников поиграться с языковой моделью без установки VPN и прочих танцев с бубном.
UPD: говорят не везде работает, сорри
Ввиду этого, давайте разберёмся, что такое промпты и как с их помощью приручить нейросети.
Промпт - это текстовая подсказка, которую мы даём нейросети, чтобы получить нужный результат. Например, чтобы Bard написал стихотворение в нужном стиле, мы пишем: "Напиши романтическое стихотворение от лица влюбленного юноши".
Почему промпты так важны? ИИ не умеет читать наши мысли. А промпты - это способ максимально точно объяснить ему нашу задачу.
Составление промптов - настоящее искусство, которому можно учиться. Вот несколько советов:
1. Определите роль, которую должен сыграть ИИ. Например: "Действуй как опытный журналист".
2. Дайте максимум контекста. Опишите ситуацию, как для друга.
3. Придумайте пошаговый алгоритм решения задачи. Разжуйте её для ИИ.
4. Приведите примеры удачных решений похожих задач.
5. Итерируйте: уточняйте, дорабатывайте результат в диалоге с ИИ.
Чем подробнее промпт - тем лучше результат. Главное помнить, что ИИ (пока!) не умеет читать наши мысли. Промпты - это мостик между нами. И от того, насколько хорошо мы объясним задачу, зависит успех.
Один из самых эффективных способов начать промпт - "Сделай глубокий вдох и реши поставленуюзадачу по шагам". Он заставляет нейросеть разбить процесс на этапы, продумать логическую последовательность. Это повышает вероятность получить верный и полный ответ.
По мотивам
🎸 Поговорить с Бардом
👍5🔥3❤1
Neuralink объявляет о наборе добровольцев для революционных клинических испытаний своего интерфейса мозг-компьютер.
Компания Neuralink, разрабатывающая интерфейсы мозг-компьютер, получила разрешение на старт первых испытаний своего имплантируемого чипа N1 на людях.
Цель исследования PRIME - оценить безопасность устройства N1 и хирургического робота R1, а также возможность управления внешними устройствами силой мысли.
В ходе операции робот R1 имплантирует сверхтонкие нити чипа N1 в зону мозга, отвечающую за движения. N1 будет передавать сигналы мозга в приложение, позволяя управлять курсором или клавиатурой мысленно!
Это первый шаг к созданию универсального мозгового интерфейса.
Neuralink приглашает принять участие людей с параличом верхних и нижних конечностей из-за травм спинного мозга или бокового амиотрофического склероза.
Испытания продлятся 6 лет и будут проходить в клинике и дома. Участники смогут тестировать систему и давать обратную связь.
🧠 Записаться добровольцем
Компания Neuralink, разрабатывающая интерфейсы мозг-компьютер, получила разрешение на старт первых испытаний своего имплантируемого чипа N1 на людях.
Цель исследования PRIME - оценить безопасность устройства N1 и хирургического робота R1, а также возможность управления внешними устройствами силой мысли.
В ходе операции робот R1 имплантирует сверхтонкие нити чипа N1 в зону мозга, отвечающую за движения. N1 будет передавать сигналы мозга в приложение, позволяя управлять курсором или клавиатурой мысленно!
Это первый шаг к созданию универсального мозгового интерфейса.
Neuralink приглашает принять участие людей с параличом верхних и нижних конечностей из-за травм спинного мозга или бокового амиотрофического склероза.
Испытания продлятся 6 лет и будут проходить в клинике и дома. Участники смогут тестировать систему и давать обратную связь.
Please open Telegram to view this post
VIEW IN TELEGRAM
🔥23❤3
🌪️ Искусственный интеллект точно предсказал траекторию урагана Ли за неделю
Обратите внимание на интересные новости в области метеорологии. Несколько частных компаний, в том числе Google, Microsoft и NVIDIA, разработали ИИ-модели погоды. И они сумели предсказать траекторию урагана Ли в Атлантике за неделю до его выхода на сушу в Новой Шотландии!
Это очень точный прогноз, учитывая, что буря находилась в тысячах миль от Северной Америки. Обычно государственные метеослужбы дают такие прогнозы лишь за несколько дней.
Как это возможно? ИИ-модели работают совершенно иначе, чем традиционные. Они используют машинное обучение на огромных массивах данных о прошлой погоде. Более того, обычные прогнозы выпускают всего несколько раз в день (потому что их очень долго расчитывать). А прогнозы от нейронок готовы за считанные минуты, а не часы.
При этом качество прогнозов у них сравнимо с лучшими государственными моделями. Эксперты говорят, что ИИ может кардинально изменить метеопрогнозирование в ближайшие годы.
Такие модели позволят делать прогнозы чаще, на больший срок и с большей детализацией. А главное - лучше предсказывать экстремальные явления, вроде наводнений.
Похоже, в метеопрогнозах намечается настоящая революция благодаря ИИ! Как думаете, сможет ли он когда-нибудь полностью заменить традиционные модели?
🗺️ Почитать
Обратите внимание на интересные новости в области метеорологии. Несколько частных компаний, в том числе Google, Microsoft и NVIDIA, разработали ИИ-модели погоды. И они сумели предсказать траекторию урагана Ли в Атлантике за неделю до его выхода на сушу в Новой Шотландии!
Это очень точный прогноз, учитывая, что буря находилась в тысячах миль от Северной Америки. Обычно государственные метеослужбы дают такие прогнозы лишь за несколько дней.
Как это возможно? ИИ-модели работают совершенно иначе, чем традиционные. Они используют машинное обучение на огромных массивах данных о прошлой погоде. Более того, обычные прогнозы выпускают всего несколько раз в день (потому что их очень долго расчитывать). А прогнозы от нейронок готовы за считанные минуты, а не часы.
При этом качество прогнозов у них сравнимо с лучшими государственными моделями. Эксперты говорят, что ИИ может кардинально изменить метеопрогнозирование в ближайшие годы.
Такие модели позволят делать прогнозы чаще, на больший срок и с большей детализацией. А главное - лучше предсказывать экстремальные явления, вроде наводнений.
Похоже, в метеопрогнозах намечается настоящая революция благодаря ИИ! Как думаете, сможет ли он когда-нибудь полностью заменить традиционные модели?
🗺️ Почитать
👍55❤1🔥1
📝 Ученые из Meta опубликовали новую работу по распознаванию научных документов.
Дело в том, что большинство научных знаний хранится в книгах и журналах. Для нейросетей эти знания чаще всего вообще отсутствуют или в лучшем виде храняться в формате PDF. А этот формат не сохраняет семантику - особенно для математических формул.
Исследователи предложили нейросеть Nougat, которая конвертирует PDF страницы в разметку LaTeX - специальный язык для описания структуры документа.
Nougat использует трансформеры для анализа изображения страницы и генерации текста. При этом ей не нужен предварительный распознанный текст - только картинка!
Модель обучалась на парах LaTeX исходников и скомпилированных PDF более 8 миллионов научных статей. В итоге Nougat превзошла другие подходы по точности распознавания текста и формул.
Например, она может конвертировать скан старинной книги по матанализу в LaTeX с сохранением всех формул!
Такая технология открывает новые возможности для поиска и анализа научных текстов. Ведь теперь доступ к знаниям не ограничен форматом PDF. А какие задачи в науке мог бы решить ИИ с такими навыками, по-вашему?
🗞 Статья
🔗 Проект
🤗 Демо
Дело в том, что большинство научных знаний хранится в книгах и журналах. Для нейросетей эти знания чаще всего вообще отсутствуют или в лучшем виде храняться в формате PDF. А этот формат не сохраняет семантику - особенно для математических формул.
Исследователи предложили нейросеть Nougat, которая конвертирует PDF страницы в разметку LaTeX - специальный язык для описания структуры документа.
Nougat использует трансформеры для анализа изображения страницы и генерации текста. При этом ей не нужен предварительный распознанный текст - только картинка!
Модель обучалась на парах LaTeX исходников и скомпилированных PDF более 8 миллионов научных статей. В итоге Nougat превзошла другие подходы по точности распознавания текста и формул.
Например, она может конвертировать скан старинной книги по матанализу в LaTeX с сохранением всех формул!
Такая технология открывает новые возможности для поиска и анализа научных текстов. Ведь теперь доступ к знаниям не ограничен форматом PDF. А какие задачи в науке мог бы решить ИИ с такими навыками, по-вашему?
🗞 Статья
🔗 Проект
🤗 Демо
👍61🔥41❤5😁1🤩1
Искусственный интеллект ускоряет научные открытия
Технологии искусственного интеллекта активно применяются в науке и помогают ученым в исследованиях.
ИИ уже внедрился практически во все сферы науки - от медицины до физики элементарных частиц. Он выступает как мощный помощник для ученых, ускоряя рутинные задачи вроде перебора вариантов или обработки огромных массивов данных.
Например, с помощью ИИ были найдены новые антибиотики, материалы для батарей, предсказаны структуры белков. Также ИИ помогает моделировать сложные системы вроде погоды или ядерного синтеза.
Генеративные нейросети, вроде GPT, используются для создания искусственных данных, ускорения экспериментов, обзора научной литературы, написания кода и вообще для всего.
В целом, ИИ кардинально меняет научную работу. Он открывает новые горизонты для исследований и позволяет ученым задавать принципиально новые вопросы.
Конечно, пока возможности ИИ ограничены. Но по мере развития технологий он будет играть всё бóльшую роль в науке, превращаясь в незаменимого помощника для ученых.
А какое у вас любимое применение машинного обучения в науке?
📦 Статья
Технологии искусственного интеллекта активно применяются в науке и помогают ученым в исследованиях.
ИИ уже внедрился практически во все сферы науки - от медицины до физики элементарных частиц. Он выступает как мощный помощник для ученых, ускоряя рутинные задачи вроде перебора вариантов или обработки огромных массивов данных.
Например, с помощью ИИ были найдены новые антибиотики, материалы для батарей, предсказаны структуры белков. Также ИИ помогает моделировать сложные системы вроде погоды или ядерного синтеза.
Генеративные нейросети, вроде GPT, используются для создания искусственных данных, ускорения экспериментов, обзора научной литературы, написания кода и вообще для всего.
В целом, ИИ кардинально меняет научную работу. Он открывает новые горизонты для исследований и позволяет ученым задавать принципиально новые вопросы.
Конечно, пока возможности ИИ ограничены. Но по мере развития технологий он будет играть всё бóльшую роль в науке, превращаясь в незаменимого помощника для ученых.
А какое у вас любимое применение машинного обучения в науке?
📦 Статья
❤27🔥11👍5😢2
Почему стоит изучить эффективное глубокое обучение
Друзья, хочу рассказать о полезном онлайн-курсе "Эффективные вычисления для глубокого обучения", который читают в MIT.
Почему он важен? В последние годы появились мощные модели вроде GPT-3, но они требуют колоссальных вычислительных ресурсов. Чтобы сделать ИИ более доступным, критично повысить его эффективность.
В рамках курса изучают методы оптимизации нейросетей: сжатие, прунинг, квантование, поиск архитектур, распределенное обучение и многое другое.
Также рассматривают приложения этих подходов для языковых моделей, диффузии, видео и других задач. Есть практические лабораторные работы по запуску моделей типа GPT на обычном ноутбуке.
Таким образом, этот курс - отличный способ изучить ключевые техники, которые делают ИИ более эффективным и доступным. А это критически важно для его массового внедрения в реальные приложения, от смартфонов до IoT.
Поэтому я рекомендую этот курс всем, кто интересуется будущим глубокого обучения и хочет научиться оптимизировать нейросети. Лекции бесплатны, так что присоединяйтесь!
📕 Сайт курса
Друзья, хочу рассказать о полезном онлайн-курсе "Эффективные вычисления для глубокого обучения", который читают в MIT.
Почему он важен? В последние годы появились мощные модели вроде GPT-3, но они требуют колоссальных вычислительных ресурсов. Чтобы сделать ИИ более доступным, критично повысить его эффективность.
В рамках курса изучают методы оптимизации нейросетей: сжатие, прунинг, квантование, поиск архитектур, распределенное обучение и многое другое.
Также рассматривают приложения этих подходов для языковых моделей, диффузии, видео и других задач. Есть практические лабораторные работы по запуску моделей типа GPT на обычном ноутбуке.
Таким образом, этот курс - отличный способ изучить ключевые техники, которые делают ИИ более эффективным и доступным. А это критически важно для его массового внедрения в реальные приложения, от смартфонов до IoT.
Поэтому я рекомендую этот курс всем, кто интересуется будущим глубокого обучения и хочет научиться оптимизировать нейросети. Лекции бесплатны, так что присоединяйтесь!
📕 Сайт курса
hanlab.mit.edu
Course - MIT HAN Lab
Course collection of MIT HAN Lab.
🔥60❤4👍3😁1
This media is not supported in your browser
VIEW IN TELEGRAM
Тесла-бот Оптимус научился сортировать предметы самостоятельно
Компания Tesla продемонстрировала очередные успехи в разработке своего человекоподобного робота Оптимуса. Теперь он может автономно сортировать и перемещать различные предметы!
Ранее Илон Маск заявлял, что цель Тесла-бота - выполнять полезную, но опасную или скучную работу. Для этого нужно научить его взаимодействовать с окружающей средой.
И вот на днях инженеры Tesla продемонстрировали, как прототип Оптимуса самостоятельно раскладывает кубики по разным контейнерам, а затем занимается йогой "что бы расслабиться после долгого рабочего дня".
Это стало возможным благодаря алгоритмам компьютерного зрения и машинного обучения. Они позволяют роботу распознавать объекты и планировать захват и перемещение. Более того, в недавнем твите компании, утверждается что движениями управляет End-to-end нейросеть: на вход видео из зрения -> на выходе котроль робота.
Конечно, пока движения Тесла-бота немного неуклюжи. Но с каждой итерацией алгоритмы обучаются, и Оптимус становится всё более проворным.
В Tesla уверены, что скоро их робот сможет полноценно работать бок о бок с людьми. И глядя на их последние успехи, это кажется вполне реальным! Как считаете, что еще должен научиться делать Тесла-бот, чтобы стать по-настоящему полезным?
🤖 Ссылка
Компания Tesla продемонстрировала очередные успехи в разработке своего человекоподобного робота Оптимуса. Теперь он может автономно сортировать и перемещать различные предметы!
Ранее Илон Маск заявлял, что цель Тесла-бота - выполнять полезную, но опасную или скучную работу. Для этого нужно научить его взаимодействовать с окружающей средой.
И вот на днях инженеры Tesla продемонстрировали, как прототип Оптимуса самостоятельно раскладывает кубики по разным контейнерам, а затем занимается йогой "что бы расслабиться после долгого рабочего дня".
Это стало возможным благодаря алгоритмам компьютерного зрения и машинного обучения. Они позволяют роботу распознавать объекты и планировать захват и перемещение. Более того, в недавнем твите компании, утверждается что движениями управляет End-to-end нейросеть: на вход видео из зрения -> на выходе котроль робота.
Конечно, пока движения Тесла-бота немного неуклюжи. Но с каждой итерацией алгоритмы обучаются, и Оптимус становится всё более проворным.
В Tesla уверены, что скоро их робот сможет полноценно работать бок о бок с людьми. И глядя на их последние успехи, это кажется вполне реальным! Как считаете, что еще должен научиться делать Тесла-бот, чтобы стать по-настоящему полезным?
Please open Telegram to view this post
VIEW IN TELEGRAM
👍8❤6🔥4
This media is not supported in your browser
VIEW IN TELEGRAM
Нейросеть, которая читает наши мысли и воссоздаёт увиденное
Представьте, что искусственный интеллект может заглянуть вам в мозг и увидеть там ваши визуальные воспоминания. Фантастика? А вот и нет! Ранее, мы уже видели вариации на тему "фотографий" из мозга. На этот раз, учёные разработали нейросеть, которая по активности мозга восстанавливает увиденные человеком видео. Давайте разберёмся, как это работает.
В основе лежат данные фМРТ - томографии, которая регистрирует кровоток в разных участках мозга. Считается, что чем больше крови приливает к участку мозга - тем более активен этот участок. По этим сигналам нейросеть проходит несколько этапов обучения, постепенно извлекая всё более абстрактные признаки зрительных образов.
На первом этапе модель изучает общие закономерности активности зрительной коры. Затем с помощью мультимодального обучения она учится выделять более семантические особенности, связанные с конкретными объектами.
И наконец, эти признаки комбинируются генеративной моделью в реалистичное видео, максимально соответствующее тому, что человек видел в действительности.
Результат впечатляет! Нейросеть не просто улавливает общие очертания, а воспроизводит тонкие детали и динамику происходящего. Семантическая точность достигает 85%.
Это открывает уникальную возможность заглянуть в сознание человека и увидеть его воспоминания в виде реалистичных видео. Конечно, мы ещё далеки от полного расшифровывания мыслей. Но каждое такое достижение ИИ приближает нас к разгадке тайн разума!
📕 Статья
🧠 Проект
Представьте, что искусственный интеллект может заглянуть вам в мозг и увидеть там ваши визуальные воспоминания. Фантастика? А вот и нет! Ранее, мы уже видели вариации на тему "фотографий" из мозга. На этот раз, учёные разработали нейросеть, которая по активности мозга восстанавливает увиденные человеком видео. Давайте разберёмся, как это работает.
В основе лежат данные фМРТ - томографии, которая регистрирует кровоток в разных участках мозга. Считается, что чем больше крови приливает к участку мозга - тем более активен этот участок. По этим сигналам нейросеть проходит несколько этапов обучения, постепенно извлекая всё более абстрактные признаки зрительных образов.
На первом этапе модель изучает общие закономерности активности зрительной коры. Затем с помощью мультимодального обучения она учится выделять более семантические особенности, связанные с конкретными объектами.
И наконец, эти признаки комбинируются генеративной моделью в реалистичное видео, максимально соответствующее тому, что человек видел в действительности.
Результат впечатляет! Нейросеть не просто улавливает общие очертания, а воспроизводит тонкие детали и динамику происходящего. Семантическая точность достигает 85%.
Это открывает уникальную возможность заглянуть в сознание человека и увидеть его воспоминания в виде реалистичных видео. Конечно, мы ещё далеки от полного расшифровывания мыслей. Но каждое такое достижение ИИ приближает нас к разгадке тайн разума!
📕 Статья
Please open Telegram to view this post
VIEW IN TELEGRAM
👍23🔥11🤯8😢2❤1😁1
Прозрачность и управляемость больших языковых (и не только) моделей - теперь вполне достижимая цель
С появлением высокоэффективных архитектур ИИ, принимающих решения по непонятным и неинтерпретируемым людьми механикам, человечество забеспокоилось, что системы, которым мы не можем доверять, широко внедряются в нашу жизнь, вызывая вполне понятные страхи, риски (и мемы) о манипуляциях над людьми.
Вглядываясь во внутрее устройство моделей, мы видим нейроны, активизирующиеся в нескольких семантически различных контекстах. Это называется полисемантичность. Математически полисемантичность может быть следствием несоответствия количества признаков и измерений в слое (признаков больше) и их суперпозицией.
В векторном пространстве может быть только столько ортогональных векторов, сколько у него измерений, а значит, есть основания попытаться найти базис пространства активации - набор таких направлений, что каждый выученный моделью признак может быть восстановлен из линейной комбинации этих направлений.
Авторы недавней статьи сделали успешную попытку определить эти направления, используя разреженные автоэнкодеры для последовательности слоев языковой модели. И получили набор признаков, которые являются более интерпретируемыми и моносемантичными, чем направления, выявленные с помощью альтернативных подходов, вроде анализа нейронов или уменьшения размерности с помощью PCA. Более того, удаление этих признаков позволяет точно редактировать модель. Например, ребята удалили возможность предсказывать местоимения, не порушив поведение LLM. Согласитесь, очень тонкая настройка.
С интерпретируемостью у меня возникли вопросы - без лингвиста (или хорошего химика в случае применения NLP для drug design или humanization антител), кажется, не обойтись. Но авторы показали, что их словари признаков поддаются автоматической интерпретации.
Следующим шагом ребята предполагают проверить метод на MLP и других архитектурах, а потому приглашают экспериментировать с их методом
📖 Статья
🔤 Код
С появлением высокоэффективных архитектур ИИ, принимающих решения по непонятным и неинтерпретируемым людьми механикам, человечество забеспокоилось, что системы, которым мы не можем доверять, широко внедряются в нашу жизнь, вызывая вполне понятные страхи, риски (и мемы) о манипуляциях над людьми.
Вглядываясь во внутрее устройство моделей, мы видим нейроны, активизирующиеся в нескольких семантически различных контекстах. Это называется полисемантичность. Математически полисемантичность может быть следствием несоответствия количества признаков и измерений в слое (признаков больше) и их суперпозицией.
В векторном пространстве может быть только столько ортогональных векторов, сколько у него измерений, а значит, есть основания попытаться найти базис пространства активации - набор таких направлений, что каждый выученный моделью признак может быть восстановлен из линейной комбинации этих направлений.
Авторы недавней статьи сделали успешную попытку определить эти направления, используя разреженные автоэнкодеры для последовательности слоев языковой модели. И получили набор признаков, которые являются более интерпретируемыми и моносемантичными, чем направления, выявленные с помощью альтернативных подходов, вроде анализа нейронов или уменьшения размерности с помощью PCA. Более того, удаление этих признаков позволяет точно редактировать модель. Например, ребята удалили возможность предсказывать местоимения, не порушив поведение LLM. Согласитесь, очень тонкая настройка.
С интерпретируемостью у меня возникли вопросы - без лингвиста (или хорошего химика в случае применения NLP для drug design или humanization антител), кажется, не обойтись. Но авторы показали, что их словари признаков поддаются автоматической интерпретации.
Следующим шагом ребята предполагают проверить метод на MLP и других архитектурах, а потому приглашают экспериментировать с их методом
Please open Telegram to view this post
VIEW IN TELEGRAM
🤯28🔥9❤8👍4
Media is too big
VIEW IN TELEGRAM
Spotify сделали ИИ для дубляжа подкастов
Сервис Spotify анонсировал пилотную программу по дубляжу подкастов с помощью искусственного интеллекта. Благодаря этой технологии авторы популярных шоу смогут расширить свою аудиторию сразу на пол мира.
Раньше для озвучивания перевода приглашали профессиональных актёров. Но новый инструмент от Spotify генерирует речь, имитируя стиль ведущего подкаста, то есть сохраняется голос (с помощью Voice Cloning) и интонации!
Это значительно повышает естественность звучания по сравнению с традиционным дубляжом. К тому же такой подход, в отличие от студии дубляжа, масштабируется для сотен языков.
В пилоте уже участвуют популярные подкасты с Даком Шепардом, Моникой Пэдман, Лексом Фридманом и другими. Переводы доступны на испанском, французском и немецком языках.
Это лишь начало. В будущем Spotify планирует расширить программу, чтобы ещё больше создателей контента смогли донести свои истории до слушателей по всему миру.
Такой голосовой ИИ стирает языковые барьеры и открывает новые возможности для общения и культурного обмена. А значит доступ к качественной информации появится у еще большего количества людей!
🎧 Ссылка
Сервис Spotify анонсировал пилотную программу по дубляжу подкастов с помощью искусственного интеллекта. Благодаря этой технологии авторы популярных шоу смогут расширить свою аудиторию сразу на пол мира.
Раньше для озвучивания перевода приглашали профессиональных актёров. Но новый инструмент от Spotify генерирует речь, имитируя стиль ведущего подкаста, то есть сохраняется голос (с помощью Voice Cloning) и интонации!
Это значительно повышает естественность звучания по сравнению с традиционным дубляжом. К тому же такой подход, в отличие от студии дубляжа, масштабируется для сотен языков.
В пилоте уже участвуют популярные подкасты с Даком Шепардом, Моникой Пэдман, Лексом Фридманом и другими. Переводы доступны на испанском, французском и немецком языках.
Это лишь начало. В будущем Spotify планирует расширить программу, чтобы ещё больше создателей контента смогли донести свои истории до слушателей по всему миру.
Такой голосовой ИИ стирает языковые барьеры и открывает новые возможности для общения и культурного обмена. А значит доступ к качественной информации появится у еще большего количества людей!
🎧 Ссылка
🔥28❤7😱7👍1
О чем говорят разработчики, когда обсуждают ИИ?
На портале одного из самых крупных венчурных фондов в Долине - a16z вышла любопытная подборка интервью с ведущими разработчиками искусственного интеллекта.
⚡️Среди ключевых мыслей:
- Мы стоим у истоков третьей эпохи вычислительных мощностей. Первой были микрочипы, второй - интернет, третьей станут модели искусственного интеллекта.
- Экономика новых AI-моделей улучшается в тысячи раз по сравнению с человеческим трудом. Это гарантирует их быстрое распространение.
- Пока что точность для многих задач не критична, творческие способности моделей важнее.
- AI уже помогает программистам писать код - это "копилоты". Такие ассистенты с каждым запросом работают все лучше.
- Огромный потенциал - в сочетании AI и биологии. AI поможет расшифровать биологические процессы и найти новые методы лечения болезней.
- Пока непонятно, будет ли доминировать одна универсальная модель AI или же их будет много для разных задач.
- Важно следить за "эмерджентными" возможностями AI - когда модели начинают делать то, чего изначально не закладывали разработчики. Эти навыки быстро улучшаются.
- Физики и математики - лучшие разработчики AI на данном этапе. Их абстрактное мышление помогает решать сложные задачи в этой сфере.
В целом, интервью показывают: несмотря на впечатляющие успехи последних лет, мы находимся лишь в самом начале революции в области искусственного интеллекта. Большинство прорывных приложений на основе AI еще впереди. Так что если вам кажется, что вкатываться в AI уже поздно - то вам кажется. Самое время начать - сейчас!
🎙 Обзор
📹 Интерьвю
На портале одного из самых крупных венчурных фондов в Долине - a16z вышла любопытная подборка интервью с ведущими разработчиками искусственного интеллекта.
⚡️Среди ключевых мыслей:
- Мы стоим у истоков третьей эпохи вычислительных мощностей. Первой были микрочипы, второй - интернет, третьей станут модели искусственного интеллекта.
- Экономика новых AI-моделей улучшается в тысячи раз по сравнению с человеческим трудом. Это гарантирует их быстрое распространение.
- Пока что точность для многих задач не критична, творческие способности моделей важнее.
- AI уже помогает программистам писать код - это "копилоты". Такие ассистенты с каждым запросом работают все лучше.
- Огромный потенциал - в сочетании AI и биологии. AI поможет расшифровать биологические процессы и найти новые методы лечения болезней.
- Пока непонятно, будет ли доминировать одна универсальная модель AI или же их будет много для разных задач.
- Важно следить за "эмерджентными" возможностями AI - когда модели начинают делать то, чего изначально не закладывали разработчики. Эти навыки быстро улучшаются.
- Физики и математики - лучшие разработчики AI на данном этапе. Их абстрактное мышление помогает решать сложные задачи в этой сфере.
В целом, интервью показывают: несмотря на впечатляющие успехи последних лет, мы находимся лишь в самом начале революции в области искусственного интеллекта. Большинство прорывных приложений на основе AI еще впереди. Так что если вам кажется, что вкатываться в AI уже поздно - то вам кажется. Самое время начать - сейчас!
🎙 Обзор
📹 Интерьвю
❤19👍7🎉3😢1