Var är alla fantastiska upptäckter gjorda av AI?

Enklare? Att programmera är bland det mest intelligenskrävande logiska problemlösning sm en människa kan göra.

Jag trodde dig inte men åtminstone gratisversionen av chatgtp klarar faktisk fortfarande inte av att räkna r i "Raspberry".

Kineser representerar ord med symboler, så även en överintelligent kines som inte kan engelska kan ha svårt att räkna antal r är raspberry. På samma sätt representerar LLM orddelar (tokens) internt med siffror så den "ser" inte de enskilda bokstäverna.

Ja, komplex programmering är 'bland det mest intelligenskrävande logiska problemlösning som en människa kan göra', men enklare programmering är inte det. Det finns rätt många tråkiga repetitiva element i programmering, vilket ju är skälet till varför kodgeneratorer, parsande editors, kompilatorer och andra hjälpmedel existerar. Det är också skälet till varför vi inte skriver allt i assembler eller maskinkod, utan använder högnivåspråk. Och AI kan göra mycket att det tråkiga och inte så komplexa så att utvecklaren kan fokusera på det komplexa.
Men just därför kommer AI inte att skapa något nytt eller unikt, utan bara göra det enkla och repetitiva snabbare.

Och vad gäller stavning kan vi ju glädjas åt att även om raspbery knäcker den, så klarar den blueberry

Starta ett nytt läkemedelsbolag då. Du kan nog vända dig till vilken riskkapitalist som helst med den fantastiska affärsidén och pitcha att ni kommer ta 100% av den globala marknaden.

Du kommer kunna ha en värdering på SpaceX-nivå nästan direkt. Du blir nya Elon Musk.

Jag tror att du missade lite i skolan.

Hur många nya läkemedel och läkemedelsbolag tror du har kommit de senaste 50åren?

Hur många av dessa tror du, idag är uppköpta eller har konkat pga de stora bolagen?

Känslan är att du sitter och sover.

Ja och säger man till den "gör ett program som beräknar antal r i raspberry och kör det" så räknar den rätt på en gång.

Har inte ett skit med att se symboler eller inte internt att göra. och det är också helt fel att påstå att "LLMs" jobbar så här, det är ett val man gör när man bygger vokabuläret för språkmodellen.

Varför ingen använder tokens som är exakt en bokstav/siffra osv som annars hade varit väldigt rimligt med tanke på att det är vad språket egentligen använder beror på att det rasar ihop som ett korthus väldigt snart när man man drar ner granulariteten.

Språkmodeller har ingen förståelse, det är därför de inte kan räkna bokstäver osv, de har inga som helst problem att annars "räkna" eller bryta ner ett ord till individuella bokstäver, det är faktiskt precis vad de tränas göra för dessa "räkna bokstäver i ordet", men språkmodeller kan inte räkna, de har aldrig kunnat och kommer aldrig kunna det, inte utan extern hjälp.
Precis som det inte spelar någon som helst roll hur stort du gör ett FFN så är och kommer det förbli vara oförmöget att klassificera ett tal som ett jämt eller udda tal korrekt, vilket är löjligt enkelt för en människa.

Tydligen inte, den tycker det är två, precis som i blueberry.

Nej, när jag skriver "gör ett python-program som räknar hur många r det är i "raspberry" och kör programmet" så skriver den ut lite python-kod och sedan svarar den 3. Det har den kunnat i flera år.

Betalversionen av chatgpt ger tillgång till modellen gpt 5.5-thinking och den svarar också rätt, även utan att skapa python-kod. Häromdan när jag hade förbrukat min quota fick jag bara tillgång till en mini-modell som är dum i huvet - då svarade den 2 r.

Att representera orddelar (tokens) istället för enskilda bokstäver numeriskt underlättar att den kan avgöra vilka ord som är synonymer. Under träningen lär sig modellen numeriska vektorrepresentationer (embeddings) där ord, fraser och hela meningar som används i liknande sammanhang hamnar nära varandra i en högdimensionell vektorrymd. Synonyma meningar hamnar nära varandra och motsatsord ofta längre ifrån varandra. En form av "förståelse" som går djupare än ren ordboksförståelse men ändå är ganska ytlig (men när jag säger att AI kan förstå syftar jag på djupare förståelse som den uppvisar när den har tränats att resonera logiskt och tillämpa kunskap på helt nya problem).

Jag har aldrig märkt problem med att avgöra vad som är jämna och udda tal. När ChatGPT var nytt fick jag till exempel förklara att näst sista siffran i svenska personnummer anger juridiskt kön (jämn för kvinnor, udda för män), och då kunde modellen använda regeln korrekt. Dagens modeller klarar det utan att jag behöver förklara.

I början hade ChatGPT problem med att beräkna divisioner exakt – den gissade ungefär rätt utifrån andra liknande divisioner den kände till. Man fick be den "gör en divisionsuppställning steg för steg" – då blev det exakt rätt. Numera kompletteras många LLM med externa verktyg. ChatGPT kan till exempel generera Python-kod och köra den för att utföra exakta beräkningar.

På samma sätt som att en människa inte bara använder språksinnet (vår motsvarighet till LLM) när hon tänker, utan även andra center i hjärnan (vår motsvarighet till verktyg).

Ville bara dela med mig av detta. Pancreatic cancer är en av de värsta cancerformerna vi har.
En stor anledning till att vi har haft så kass utsikt för den är för att den upptäcks för sent. Nu kan vi upptäcka den långt tidigare pga AI.

I allmänhet, allting som handlar om att behandla enorma mängder data är AI duktig på. Att leta cancerceller i en myrstack är en av de sakerna.

https://www.news-medical.net/news/20260507/New-AI-model-spots-hidden-pancreatic-cancer-long-before-diagnosis.aspx

Mythos 5 kunde åtminstone tillämpa kunskap om cybersäkerhet och biologi på helt nya och destruktiva sätt, till den mildra grad att modellen nu har stoppats av USA:

(FB) Fable 5 och Mythos 5 har tagits ner av säkerhetsskäl!

Det här är en kombination av maskininlärning och Deep Learning. Teknikerna har funnits länge, det här är alltså inget nytt men datorer blir snabbare så det är flera delar som gör att man kan bli bättre på att hitta saker.