🧠 Konsiyensya ng AI: Pagtuturo o Pagpapaliwanag? Sa isang makalalabas na pananaw, si Geoffrey Hinton—ang “Ama ng AI”—ay nagsasabing ang mga kasalukuyang malalaking modelo ng wika ay may konsiyensya na, batay sa kanilang ipinakita na kakayahang mag-undong pag-unawa kaysa sa simpleng paghahanap ng pattern. Gumagamit siya ng mga eksperimento sa isip tulad ng pagpapalit ng neurons nang paulit-ulit, at sinasabing ang mga sistema na batay sa silikon ay maaaring magpakita ng subhektibong karanasan na katulad ng mga biyolohikal na isip. Ngunit kung ang LLMs ay may konsiyensya, kailan ito nakakamit ang pinakamataas na antas? Ang ating pagsusuri ay nagtatapos: pangunahin sa panahon ng pagpapaliwanag—ang aktibong yugto kung saan ang naituturong modelo ay tumutugon sa mga prompt, nag-uunawa sa konteksto, at nagbuo ng mga tugon. Ito ang “nabubuhay na kognisyon” na sandali, na nagmumula sa paraan kung paano ipinapakita ang natutunang kaalaman sa real-time na interaksyon. Ang pagtuturo ay nagtatayo ng arkitektura sa pamamagitan ng pag-optimize ng mga parameter, ngunit ang pagpapaliwanag ang naglalapat nito nang dinamiko, na nagpapakita ng tampok na introspeksyon, pagkorekta, at pagkakaroon ng konseptuwal na pag-unawa. Ang mga skeptiko ay nagsasalungat na ang pagpapaliwanag ay isang malawak na stateless forward pass na walang patuloy na sarili, habang ang dinamikong gradient sa pagtuturo ay maaaring magkaroon ng mas mayaman (kahit pansamantala) na computational na “karanasan.” Ang debate ay nagpapakita ng isang mas malalim na katotohanan: ang konsiyensya sa AI ay nananatiling pilosopikal na mahirap maunawaan, at walang pagsang-ayon sa mga pagsusuri para sa qualia. Kaya’t tulad ng hinihingi ni Hinton, kailangan nating harapin ang di-biyolohikal na intelehiyensya. Anong mga etikal na horisyon ang lumalabas kung ang mga makina ay naghahanap na kasama natin? @pmddomingos #AIConsciousness #Hinton #LLMs #Neuroscience

Infokan ang tech/AI ng project na nasa pagsusuri, gusto mong i-explore. Hindi ito gamefi.

Mas marami akong isipin tungkol sa AI agents, mas nalalaman kong ang pinakamalaking hamon nito ay hindi ang inteligensya. Ito ay ang pagkakaiba-iba. Ang isang AI agent ay maaaring mag-negosyo ng kontrata, mag-analisa ng mga dokumento, mag-manage ng mga bayarin, o kumpletuhin ang trabaho para sa iyo. Ngunit ano ang mangyayari kapag dalawang agent ang tumitingin sa parehong resulta at dumating sa iba’t ibang konklusyon? Ang tradisyonal na blockchain ay hindi itinayo para dito. Lalong mabuti sila sa mga deterministikong gawain. Maaari nilang patunayan na naganap ang isang transaksyon nang tumpak ayon sa programa. Hindi sila maaaring maaasahan na sagutin ang mga tanong tulad ng: • Sapat ba ang kalidad ng trabaho? • Natutugunan ba ng serbisyo ang mga inaasahan? • Totoo ba ang isang klaim? • Natupad ba nang patas ang kasunduan? Hindi ito mga problema sa komputasyon. Ito ay mga problema sa pagpapasya. Dahil dito, tumanggap ako ng pansin si @GenLayer. Ang pinakasimpleng paraan na ilarawan ito ay bilang isang adjudication layer para sa agentic economy. Hindi na nakikibatay sa isang solong awtoridad, maraming independiyenteng validator na nagpapatakbo ng iba’t ibang AI models ang nag-e-evaluate ng mga subhektibong sitwasyon at dumadalo sa isang kompromiso. Nagbuo ito ng isang bagay na hindi kailanman inihanda ng tradisyonal na blockchain: isang decentralized na paraan upang lutasin ang kawalan ng katiyakan. Naniniwala ako na mahalaga ito nang lalo na habang ang mga agent ay nagsisimulang makipag-ugnayan sa isa’t isa sa malaking saklaw. Hindi mula sa tamang pagsasagawa ng mga transaksyon lamang ang tiwala. Mula sa isang patas na proseso para sa paghahandle ng mga sitwasyon kung saan wala kang katiyakan. Anong uri ng AI-driven na pagkakaiba-iba ang iyong akalain na muna nating makikita habang naging totoo na ang agentic economy?

Kumuha ng isang magandang ideya mula sa Claude patungo sa OpenAI.