Партнер YC запропонував, щоб ШІ розвивався як вчені, написавши код, який самовдосконалюється
KuCoinFlash
Поділитися
Короткий зміст
Дані в ланцюжку показують, що партнер YC Діана Ху закликає ШІ розвиватися як вчені, пишучи код, який самовдосконалюється. Замість масштабування моделей вона пропонує тонкий програмний шар, який дозволяє ШІ тестувати, змінювати та оптимізувати код на основі результатів. Це відповідає Heuristic Learning від OpenAI, де ШІ вирішує завдання за допомогою самостійно написаного Python без зміни параметрів. Аналіз на ланцюжку виявив, що Пол Грехем порівнює це з науковими дослідженнями, де ШІ формулює гіпотези та вдосконалює правила. Цей метод уникнути градієнтів і використовує покращення базової моделі для сильніших стратегій.
ME AI повідомлення: згідно з даними моніторингу Beating, партнер Y Combinator Діана Ху на X зазначила, що майбутній фронтір полягає не у простому збільшенні параметрів, а у створенні тонкого програмного шару поверх базової моделі, який дозволить ШІ самостійно писати правила для вирішення проблем (виконувані світові моделі). ШІ може постійно тестувати, змінювати та спрощувати код на основі результатів виконання, не вимагаючи дорогого доналаштування самої великої моделі. Шлях неградієнтного навчання коду підтверджує гіперетичний підхід (Heuristic Learning), запропонований минулого місяця Вон Цзяйї, одним із ключових членів команди OpenAI після навчання. У традиційному підсиленому навчанні, щоб навчити ШІ виконувати завдання, потрібно тисячі ітерацій налаштувань, щоб нав’язати досвід у чорний ящик нейронної мережі — це вимагає величезних енергетичних витрат і легко призводить до забування. Проте експеримент Вон Цзяйї, без будь-яких змін параметрів великої моделі, повністю пройшов гру Atari Breakout, виключно за допомогою того, що велика модель сама писала код на Python, знаходила баги та налаштовувала правила. Це свідчить, що носієм знань може бути зовсім зрозуміла, перевіряєма система коду, а не незрозумілі ваги нейронної мережі. За думкою співзасновника YC Пола Грема, цикл написання коду, перевірки та стиснення дуже близький до щоденного дослідницького процесу вчених. Велика модель не потребує перебудови мозку — вона діє як вчений: формулює гіпотетичну модель у вигляді коду для нової середовища, запускає код для експериментального підтвердження та виділяє найбільш стислі правила для вирішення проблем. Пошук найпростішої програми є остаточним критерієм ефективності ШІ за стандартом ARC-AGI. Найважливіша перевага полягає в тому, що неградієнтне навчання може безпосередньо скористатися зростанням потужності базової великої моделі. Коли базова модель стає розумнішою, код і стратегії агента стають у кратні рази потужнішими. На основі знаменитого «Жорстокого уроку» Річарда Саттона (The Bitter Lesson), неградієнтне навчання коду намальовує нову S-подібну криву. З розквітом кодових здібностей великих моделей шлях самоеволюції ШІ відкриває еру нової парадигми штучного інтелекту. (Джерело: MLion)
Відмова від відповідальності: Інформація на цій сторінці може бути отримана від третіх осіб і не обов'язково відображає погляди або думки KuCoin. Цей контент надається лише для загального інформування, без будь-яких запевнень або гарантій, а також не може розглядатися як фінансова або інвестиційна порада. KuCoin не несе відповідальності за будь-які помилки або упущення, а також за будь-які результати, отримані в результаті використання цієї інформації.
Інвестиції в цифрові активи можуть бути ризикованими. Будь ласка, ретельно оцініть ризики продукту та свою толерантність до ризику, виходячи з ваших власних фінансових обставин. Для отримання додаткової інформації, будь ласка, зверніться до наших Умов використання та Розкриття інформації про ризики.
KuCoinFlash
Короткий зміст