Ledande AI-teknologi är olämplig för AGI - eller att uppnå prognoser på ersatta jobb

Vilken del är detta? För om svaret är frontiermodellens LLM så faller den ju på de punkter jag beskrivit ovan.

Precis som att en människas hjärna innehåller olika delar som är specialiserade på olika saker kommer AGI vara uppbyggd på ett liknande sätt, då vi inte har någon annan modell för att bygga en AGI än att härma hur hjärnan fungerar.

Eftersom människan bevisligen har kunnat lösa problem som varit okända för mänskligheten. Och människan kan lösa problem som hen inte varit tränad för.




Måttstocken måste alltid ligga fast på om AI kan lösa ett problem som det inte varit tränat för, eftersom det ju är en grundläggande förmåga hos människor.

TaskDirectorAI

TaskDirectorAI tror jag kan vara en LLM med en tydlig systemprompt. Det skulle också kunna vara en smalare typ av AI, mer likt en schackdator. Vem bryr sig? Den delen är ju väldigt simpel.

Alla moderna (den här månadens) språkmodeller klarar väl följande utmaning?
"Du har en MusikAI och en PythonAI, du får talet 67,893^34/cos(65,9), vilken AI väljer du?

Ditt argument är: nää det där går inte! den kan ju hallucinera och välja fel väg?

Men jag sa ju precis att precis allt multi-funktionellt består av specialiserade enheter, nämn något som inte är specialiserat som kan utföra flera uppgifter? Jag är ärligt talat helt oförstående till de här resonemangen överhuvudtaget, det vore snarare tvärtom sensation om NÅGOT var så universellt att det inte hade en specifik uppgift i något sammanhang.

Och det är precis det här jag sagt om och om igen, språkmodeller fungerar INTE som hjärnan, det enda som du ens kan hitta som är influerat är just artificiella neuroner, men de är bara liknande på en extremt hög nivå och egentligen är det inte mer likt hjärnan än en vattentrappa är, för man ackumulerar bara signal tills det svämmar över (dvs tills aktiveringsfunktionen triggar) men jag trodde jag var väldigt tydlig med det i går, de artificiella nätverken i en transformer är funktionsapproximerare som används för att lagra intränade lookup tables, de är just precis snarare en komponent som löser just det problemet, hade vi haft något annat som praktiskt fungerat här hade det kunnat bytas ut, utan att förändra beteendet. Det är en implementationsdetalj hade det funnits något annat eller vi haft oändligt medlagringsutrymme så hade vi kunnat byta ut dessa utan att förändra funktionen alls.

Språkmodellens funktion är avsiktligt designad att förutsäga nästa token i en sekvens.
Att kalla det för att härma hjärnan är som att säga att ett flygplan härmar en fågel bara för att båda har vingar och flyger, du blandar ihop funktionell output med underliggande mekanism.

Men i båda fallen fattas en förståelse för vad de gör och lösningen är inte att bygga fler eller större flygplan.

AI har löst matteproblem som ingen människa har löst, den har även hittat möjliga nya material som ingen människa har upptäckt.

AI har löst matteproblem som ingen människa har löst, den har även hittat möjliga nya material som ingen människa har upptäckt.

Mig veterligen finns det ingen AI-modell som härmar hur en hjärna fungerar

Jag skrev inte att språkmodeller fungerar som hjärnan. Ett team av AI-agenter inkl LLM men inte enbart LLM kan härma de kognitiva förmågor som hjärnan har, bland annat för att man har härmat hjärnans funktionalitet om än väldigt schematiskt. Att härma betyder inte att det är samma sak men att slutresultat, konsekvenser och bieffekter kan bli minst så viktiga, effektiva och eventuellt skadliga som output och actions från människor kan vara.

"AI" ja precis här kommer paraplytermen igen, rätt svar hade varit en algoritm har sökt fram lösningar på problem formulerade av människor som ingen människa tidigare gjort.

Precis som vi har algoritmer som kunnat beräkna miljontals decimaler på PI som ingen människa kunnat göra tidigare.

Men du tror i din enfald att man har AI någonstans som funderat "ah ett problem att lösa och det är ingen människa som löst detta tidigare, nu ska jag visa dom."

Det är ironiskt nog SPECIALISERADE algoritmer som löst SPECIFIKA problem som människor SPECIFIKT byggt och designat dessa för att lösa. Dessa algoritmer kan inte generalisera till andra områden, du kan inte sätta AlphaFold på att köra en bil, du kan inte sätta AlphaGo på att känna igen bilder som andra "AIs" kan.

Du förstår inte grundprincipen i ämnet du argumenterar om och det är just det som är så extremt frustrerande att du i flera år har spridit propaganda om något som du inte förstår dig på alls. Det är som när troende vrålar om djävulensverk så snart vetenskapen producerat något.

https://www.nobelprize.org/prizes/physics/2024/hinton/facts/

When we talk about artificial intelligence, we often mean machine learning using artificial neural networks. This technology was originally inspired by the structure of the brain. In an artificial neural network, the brain’s neurons are represented by nodes that have different values. In 1983–1985, Geoffrey Hinton used tools from statistical physics to create the Boltzmann machine, which can learn to recognise characteristic elements in a set of data. The invention became significant, for example, for classifying and creating images.

Du får skriva till nobelstiftelsen och be dem dra tillbaks det här nobelpriset

Detta är dock inte AGI. Det är ingen nyhet att AI kan designas till att lösa en rad problem.

Men för AGI krävs ett AI som matchar eller överträffar människan på stort sett alla kognitiva förmågor utan att programmeras specifikt för vissa uppgifter. Det kan vi inte ens uppnå om vi kopplar ihop all AI-teknologi som existerar idag, eftersom vi inte har en lämplig teknologi till att tänka ut vad för teknologi som ska användas när (framför allt vid originella problem), och för att huvudkandidaten för detta inte resonerar i någon riktig bemärkelse, eller förstår orsaks- och verkansamband.