Citat:
Ursprungligen postat av
Cyborg2030
Nu pratar du om smal AI, t.ex. en schack- eller matematik-modell.
De är inte farliga för att de är oberäkneliga och det har jag aldrig påstått heller.
Nej, jag talar om neurala nät.
Och de tränas mot ett börvärde och optimeras för det.
Det man gör med LLM-träning är helt enkelt att baxa in en massa kunskap i vikterna.
De blir stora massiva uppslagsböcker man kan interface med naturligt språk.
Men dom har ingen förståelse. Dom kan rapa upp det de är tränade på.
Eftersom du saknar kunskap om näten så har detta blivit något du inte kan ta in. (Kolliderar med andra låsningar du har).
För reinforcement learning (som jag är mer intresserad av) så är det också så att det NN som används där bara är för lagring av data. Det är inget annat än en lokal databas.
MEN
Träningsdata för RL skapas med slump. Testas och om det är bättre så lagrar man in det. Dvs det är en process med trial and error. Och där finns väl inga direkta hinder för att en sådan kan bli mer kompetent än en människa på ditt och datt efter lång träning. Pss som en räknedosa räknade fortare/bättre än människor på 1970-talet.
Kort sagt: Eftersom RL baseras på slump och trail and error så kan förbättringar uppstå.
Dock finns begränsningar i träningsalgorithmen. För problem med snäll gradient som t ex gamla atarti-spelet break out, så går det bra att optimera fram en smart strategi.
Men när du kommer till spel där en snäll gradient saknas som för Montezumas Revenge så blir RL generellt oduglig och ett litet barn är bättre. Går att lösa detta, men man kan säga att en hel del research saknas än så länge.
Citat:
Ursprungligen postat av
Cyborg2030
Inkl pyskopati och kriminalitet. Ja, det är ganska självklart att det blir resultatet. Det är inte lika självklart varför du tycker att det är helt okej att bygga och lansera sådana AI-modeller.
Nej, en LLM behöver bara tränas på ordinär skönlitteratur och plot för filmer så lär den sig ordinärt mänskligt beteende. Som då innehåller all möjligt känslostyrt skitbeteende.