Citat:
Ursprungligen postat av
-dev
Kan du ge ett konkret exempel?
Som jag skrivit tidigare, AI kan hjälpa till med repetitiva uppgifter och annat tråkigt. Och en duktig programmerare kan producera kanske 2-3 gånger mer medan mindre duktiga producerar 5 gånger mer skit

Det utvecklare normalt gör, löser problem, där får de fortfarande göra jobbet själva
Men var exakt förutom att det AI redan fungerar bra för, söka information och skriva text
Känner självklart till att det används för bilar, bildbehandling musik mm men där tolkar jag att det inte är i närheten av "intelligens"
Testa läsa hela mitt inlägg så ser du ett par exempel tror jag.
Att lista ut vilka regler som styr datan den har och bilda korrekta interna modeller över detta, för att sedan fatta rätt beslut är väldigt imponerande och har inget med texter att göra. Endast LLMs har med texter att göra, och dessa brukar vara Transformers.
Deepminds AlphaFold löste något som tiotusentals forskare och studenter jobbade årligen med i över två decenier, det har inget med texter att göra och det kommer revolutionera hela vårt samhälle, speciellt när de tar nästa steg i den forskningen, som jag förslagit till dem sedan dag ett, och börjar generera vilka ligander som passar till proteinerna vars struktur de beräknar.
Att söka sig fram genom möjligheter för att hitta rätt serie händelser som leder till vinst har inget med texter att göra och kommer revulutionera krigföring och strategier. Redan nu, med helt vanliga plan, är vanliga piloter chanslösa mot dessa AIs, när man sedan låter AIn ha ett plan som inte begränsas av att det måste frakta en levande människa så är de helt ostoppbara.
Neuronät har i stort sätt tagit över hela ittereringsprocessen för processor design och drastiskt kortat ned tiden det tar att itterera. Den förbättrar alltså sin beräkningskraft snabbare än vad människor kan.
Neuronät har hittat ett nytt sätt att multiplicera några typer av matriser, dvs, precis den beräkningen som är kärnan i de beräkningar som neruonäten gör när deras vikter multipliceras med aktiverings potentialerna. Man sparar bara ett steg, och bara för en viss beräkning, men forskare har jobbat med detta i 30 år och ansåg att man redan hade hittat den bästa lösningen.
Mitt personliga intresse har varit i att göra en annan typ av nät än just "feed forward" nät. Jag tycker de endast "lever" ett ögonblick åt gången och aldrig kommer ha något riktigt medvetande eftersom de startar, kör igenom sin beräkning och sen är klara. Jag försöker därför göra något som är kontinuerligt och istället flätar in sin input i det nuvarande tillståndet. Här har det nyligen kommit intressanta forskningsressultat där man har en modell med flera "interna tick" och där aktiveringar i de serierna jämförs och tas tillvara på när det passar så att man på sätt bygger upp "kontext" eller minne på biologiskt vis (våra nervceller bildar extra starka synapser om båda cellerna är aktiva innom ett mycket kort tidsspann, och förstör synapsen om det istället är för långt ur fas)
Alla dessa tillhör helt olika typer av neruonät och ingen av dem är Transformers som har att göra med LLMs.