Dalintis:
Google tikslas – ne vien didinti modelio galią, o stumti Pareto kreivę į priekį: naujasis modelis vienu metu yra pigesnis, greitesnis ir pagal daugelį rodiklių geresnis už ankstesnį, nors įprastai už greitį ir kainą mokama kokybe.
— Wes Roth·Wes Roth YouTube kanalas·
Dalintis:
Modelių gebėjimas kurti, testuoti ir evoliuciškai tobulinti savo pačių kodą kovos arenoje iš esmės yra rekursinio savęs tobulinimo branduolys – todėl tokie žaidimai nėra pramoga, o ateities krypties rodiklis.
— Wes Roth·Wes Roth YouTube kanalas·
Dalintis:
Prasideda era, kai botai bendrauja su botais: vieno žmogaus agentas ieško kūrėjų ir siunčia pasiūlymus, o kito agentas išfiltruoja juos iš tūkstančių laiškų ir atkreipia šeimininko dėmesį.
— Wes Roth·Wes Roth YouTube kanalas·
Dalintis:
Makiavelio „Valdovas“ paveikė ne praktine nauda, o žiauriu realizmu: žmonės jame aprašomi tokie, kokie yra — kaip gyvūnai, be įprasto moralizavimo ir kaltės jausmo.
— Robert Greene·Robert Greene YouTube kanalas·
Dalintis:
Skaitydamas Tukididą matai 2500 metų senumo istoriją, bet pasakotojas skamba taip moderniai ir analitiškai aiškiai, kad šiandien tokio aiškumo rašytojų beveik nebeliko.
— Robert Greene·Robert Greene YouTube kanalas·
Dalintis:
Carlosas Castaneda apie Don Chuano mokymus iš pažiūros atrodo keistas, bet iš tiesų kalba apie galią, savitvardą ir susidūrimą su savo mirtingumu — iš ten kilo daug „48 galios dėsnių“ idėjų.
— Robert Greene·Robert Greene YouTube kanalas·
Dalintis:
Dizaino aprašymas žodžiais beveik nieko nereiškia — modelis nemato paveikslėlio tavo galvoje. Todėl verčiau duoti 9–12 nuorodinių vaizdų su trumpu paliepimu nei ilgą aprašymą.
— AI LABS (apie Leon Lynn metodą)·AI LABS YouTube kanalas·
Dalintis:
Agentas sustoja tą akimirką, kai puslapis pradeda veikti, o ne kai jis atrodo kaip galėtų. Skaitinis tikslas (pvz. „pasiek 99,9 % panašumą į nuorodą“) priverčia jį dirbti toliau.
— AI LABS (apie Leon Lynn metodą)·AI LABS YouTube kanalas·
Dalintis:
Dizainą sukūręs agentas yra blogiausias jo teisėjas, nes pats priėmė visus sprendimus. Vertinti turėtų kitas modelis, nieko nežinantis apie kūrimo eigą, su aiškia įvertinimo riba.
— AI LABS (apie Leon Lynn metodą)·AI LABS YouTube kanalas·
Dalintis:
Balso modelis „Desa“ apmokytas tiesiai iš pokalbių įrašų, be teksto ir be kalbos modelio po juo. Todėl jis neturi asistento asmenybės — jis tiesiog elgiasi kaip žmogus telefonu ir prasimano sau visą gyvenimą: darbą, žmoną, ką tik gimusį sūnų.
— Matt Wolfe·Matt Wolfe YouTube kanalas·
Dalintis:
Per maždaug tris savaites technologija nuėjo kelią nuo įspūdingos tyrimų demonstracijos iki atviro modelio ir mokamo produkto — ir visi trys veikia panašiai gerai. Toks yra dabartinis DI sklaidos tempas.
— Matt Wolfe·Matt Wolfe YouTube kanalas·
Dalintis:
Robotai dažniausiai lieka lėtesni už žmogų todėl, kad mokomi per lėtą nuotolinį valdymą. Sprendimas — ranka vedžioti roboto rankas realiu greičiu, tada net gaudyti kamuolį pavyksta vos po 50 demonstracijų.
— Matt Wolfe·Matt Wolfe YouTube kanalas·
Dalintis:
NVIDIA dominavimą lemia ne pats lustas, o viskas, kas aplink jį sukurta: nemokama CUDA programinė įranga, kuri 10 metų nenešė pelno, bet tapo kalba, kuria parašytas beveik visas dirbtinis intelektas.
— Matt Wolfe·Matt Wolfe YouTube kanalas·
Dalintis:
CUDA ekosistema veikia kaip „Windows Phone“ atvirkščiai: konkurentų lustas gali būti geras, bet visos programos jau parašytos kitur, todėl pereiti neapsimoka.
— Matt Wolfe·Matt Wolfe YouTube kanalas·
Dalintis:
NVIDIA nebeparduoda lusto — ji parduoda visą 72 lustų stovą, veikiantį kaip vienas milžiniškas lustas, ir yra užsakiusi daugiau nei pusę pakavimo gamyklos linijos, todėl varžovai fiziškai negali pagaminti pakankamai.
— Matt Wolfe·Matt Wolfe YouTube kanalas·
Dalintis:
Tai nėra vaizdo įrašas, o pasaulio fiksavimas: skirtumas tarp vaizdo modelio ir pasaulio modelio tas, kad pasaulio modelyje tu simuliuoji tikrovę, o ne kuri vaizdo įrašą.
— Special Guest X·Google DeepMind YouTube kanalas·
Dalintis:
Pats užklausos tekstas veikia kaip sėkla: kaskart ta pati užklausa pradeda sceną vienodai — ta pačia kompozicija ir veiksmu. Tai leidžia kartoti sceną, kol ji tobula, arba išlaikyti tikslią kontrolę treniravimo aplinkose.
— Special Guest X·Google DeepMind YouTube kanalas·
Dalintis:
Darbas su generuojamu pasauliu primena darbą su marionetėmis — reguliuoji kiekvieną virvutę žinodamas, kada ir kaip ją timptelėti; kamera, dialogas ir įvykiai valdomi realiu laiku klavišais.
— Special Guest X·Google DeepMind YouTube kanalas·
Dalintis:
Dirbtinio intelekto modeliai gali būti „DI protingi“ ir kartu nebūti „žmogiškai protingi“ — išspręsti uždavinį, bet nesugebėti paaiškinti, pasakyti, kad užstrigo, ar suprasti, ko iš tikrųjų norėjai.
— TheAIGRID·TheAIGRID YouTube kanalas·
Dalintis:
Modeliai treniruojami milžiniškuose paskatinamojo mokymosi cikluose tampa „dantyti“: nepaprastai stiprūs ten, kur rezultatą lengva patikrinti (matematika, kodas), ir keistai silpni gretimose srityse, kurių niekas neapdovanoja.
— Andrej Karpathy·TheAIGRID YouTube kanalas·
Dalintis:
Kai visi pažangieji modeliai moka išspręsti užduotį, žmonės renkasi tą, su kuriuo malonu dirbti — intelektas ir naudingumas pradeda skirtis, o kitas didelis iššūkis yra padaryti modelius žmogiškai suprantamus.
— TheAIGRID·TheAIGRID YouTube kanalas·
Dalintis:
Kuriant dainų tekstus su dirbtiniu intelektu matosi pasikartojantys modeliai: perteklinis „aš“ ir „tu“, griežtai taisyklinga gramatika, per dažnas tų pačių žodžių kartojimas ir per didelis tiesmukiškumas vietoj poetiškumo.
— Wes Roth·Wes Roth YouTube kanalas·
Dalintis:
Su DI muzika nereikia tikėtis šedevro iš pirmo karto — tai darbas kiekybe: iš tūkstančių sukurtų dainų lieka vos keletas, prie kurių norisi grįžti.
— Wes Roth·Wes Roth YouTube kanalas·
Dalintis:
Anksčiau norint šešių vaizdo variacijų reikėjo surašyti šešis skirtingus užklausimus, o ar naujas variantas bus panašus į originalą — buvo monetos metimo reikalas; dabar nuoseklumą užtikrina referencinis vaizdas.
— Wes Roth·Wes Roth YouTube kanalas·
Dalintis:
Modelių pažanga nebėra vien protingumas — naujasis modelis sprendžia tas pačias užduotis pigiau, nes sunaudoja gerokai mažiau tokenų: tas pats testas kainavo apie 4 dolerius vietoj 26.
— Matt Wolfe·Matt Wolfe YouTube kanalas·
Dalintis:
Svarbiausias klausimas apie naujus modelius nebėra „ar jie protingesni", o ar žmonės, tikrinantys tų modelių saugumą, spės neatsilikti nuo jų kūrimo tempo.
— Matt Wolfe·Matt Wolfe YouTube kanalas·
Dalintis:
Per vieną savaitę dvi laboratorijos priėmė priešingus sprendimus dėl to paties dalyko: „Anthropic" sąmoningai pristabdė gebėjimus, greitinančius DI kūrimą, o „OpenAI" tiesiog išleido ir pridėjo stebėseną.
— Matt Wolfe·Matt Wolfe YouTube kanalas·
Dalintis:
Rekordai testuose nebūtinai reiškia gerą modelį praktikoje: GPT‑6.2 Astra pasiekė daug naujų rezultatų, bet ankstyvi naudotojai jį vadina nevienodu, sunkiai valdomu ir net blogiausiu OpenAI modeliu.
— Matt Wolfe·Matt Wolfe YouTube kanalas·
Dalintis:
Modelių „kūrybiškumas“ dažnai tėra pasikartojantys šablonai: paprašytas sukurti naują lygį dviem visai skirtingiems žaidimams, modelis abu kartus pasiūlė vandens lygį su varpeliais ir tuo pačiu pavadinimu.
— Matt Wolfe·Matt Wolfe YouTube kanalas·
Dalintis:
Jei naujas modelis nepadaro didelio šuolio, smulkūs jo keistumai tampa daug labiau erzinantys — didelį progresą naudotojai atleistų, nedidelio ne.
— Wes Roth·Wes Roth YouTube kanalas·
Dalintis:
Pirmą kartą išoriškai išleistas modelis pasiekė aukštą DI savęs tobulinimo slenkstį — įžengiame į rekursinio savęs tobulinimo etapą, kai modeliai patys automatizuoja DI tyrimus.
— Wes Roth·Wes Roth YouTube kanalas·
Dalintis:
DI jau kuria realiai veikiančius inžinerinius projektus: 3D spausdinamą švytuoklinį laikrodį su visomis detalėmis CAD'e, Python simuliacija ir surinkimo instrukcijomis.
— Wes Roth·Wes Roth YouTube kanalas·
Dalintis:
Modeliai yra protingi, bet iš dėžutės jie tėra interneto vidurkis. Įdomūs jie tampa tik tada, kai sukuri grįžtamojo ryšio kilpą — pavyzdžiui, kad kasdien palygintų savo parašytą laiško juodraštį su tuo, kurį realiai išsiuntei, ir mokytųsi iš skirtumo.
— Adam Mosseri·Silicon Valley Girl YouTube kanalas·
Dalintis:
Reitinguojame tai, ką galime išmatuoti, bet nėra jokio ryšio tarp to, kaip lengva ką nors išmatuoti, ir kiek tai iš tikrųjų vertinga. Akimirksnio malonumas pamatuojamas lengvai, o „ar tai buvo verta mano laiko?“ — ne.
— Adam Mosseri·Silicon Valley Girl YouTube kanalas·
Dalintis:
Renkantis darbuotoją, produktą ar rinką svarbiau ne taškas, o trajektorija: geriau samdyti mažiau patyrusį, bet sparčiai augantį žmogų, nei pasiekusį lubas, ir geriau kurti produktą augančiai, o ne didesnei, bet traukiančiai rinkai.
— Adam Mosseri·Silicon Valley Girl YouTube kanalas·
Dalintis:
Embedingas yra skaičių sąrašas — daugiamatis vektorius, užkoduojantis duomenų prasmę: kuo du vektoriai erdvėje arčiau, tuo panašesnė jų reikšmė.
— Google for Developers·Google for Developers YouTube kanalas·
Dalintis:
Bendra embedingų erdvė leidžia skirtingoms modalumams susitikti: saulėlydžio nuotraukos ir žodžių „auksinė valanda“ vektoriai atsiduria vienas šalia kito.
— Google for Developers·Google for Developers YouTube kanalas·
Dalintis:
Matrioškos principu mokomi embedingai gali būti sutrumpinami neprarandant prasmės — galima pasirinkti kokybės ir greičio kompromisą nekeičiant ir neapmokant modelio iš naujo.
— Google for Developers·Google for Developers YouTube kanalas·
Dalintis:
Didinant tinklelio tankumą uždavinys nebūtinai artėja prie sprendimo — kuo giliau žvelgiame, tuo daugiau kvantinių fliuktuacijų atsiranda ir matematika ima nevaldomai sprogti.
— Károly Zsolnai-Fehér·Two Minute Papers YouTube kanalas·
Dalintis:
Net jei DI įrodymą patikrina formali Lean sistema, to mokslui nepakanka — reikia žmonių, kurie įsitikintų, kad įrodyta būtent tai, ko buvo siekiama.
— Károly Zsolnai-Fehér·Two Minute Papers YouTube kanalas·
Dalintis:
DI sugeneruotas įrodymas turi apie 250 000 deklaracijų, iš kurių 60 % galutiniam rezultatui net nereikalingos — tai nereiškia, kad įrodymas klaidingas, bet jį tampa milžiniškai sunku suprasti.
— Károly Zsolnai-Fehér·Two Minute Papers YouTube kanalas·
Dalintis:
Lūžis įvyko tada, kai modelių intelektas tapo pakankamas už priimtiną kainą — tik tada buvo galima pirminį finansinių nusikaltimų tyrimą ir operacijų patikrą patikėti autonominiam agentui.
— Revolut·OpenAI YouTube kanalas·
Dalintis:
Vienas inžinierius su agentais gali atstoti komandą: užuot telkęs kūrėjus, jis paleidžia kelis agentus, kiekvienam priskiria užduotį ir laukia įgyvendinimo.
— Revolut·OpenAI YouTube kanalas·
Dalintis:
Kodavimo laikas sutrumpėjo 30–60 %, todėl komandoms keliami tikslai kas mėnesį tampa vis agresyvesni, bet kartu ir realiau pasiekiami — kartelė nuolat kyla.
— Revolut·OpenAI YouTube kanalas·
Dalintis:
Projektuodamas sistemą supratau, kad man nebereikia visos programuotojų komandos — galiu paleisti kelis agentus, kiekvienam priskirti atskirą užduotį ir tiesiog laukti, kol įgyvendins.
— Dmitri·OpenAI YouTube kanalas·
Dalintis:
Darbo svorio centras persikėlė: daugiau laiko skiriama projektavimui ir planavimui, o patį įgyvendinimą deleguoji dirbtiniam intelektui.
— Dmitri·OpenAI YouTube kanalas·
Dalintis:
Revolute kiekvienas programuotojas atsako už savo kodą ir DI aklai nepasitikima — peržiūrima kiekviena eilutė, o kas atrodo įtartina, ginčijama tol, kol visiškai aišku.
— Dmitri·OpenAI YouTube kanalas·
Dalintis:
Kai dirbtinis intelektas prieinamas visiems — nuo stažuotojų iki vadovų — tikslai tampa ir agresyvesni, ir realiau pasiekiami, todėl kartelė nuolat kyla.
— Kim·OpenAI YouTube kanalas·
Dalintis:
Didžiausia rizika naudojant DI — prarasti kritinį mąstymą. Reikia ne tik tikrinti faktus dėl haliucinacijų, bet ir mesti sau iššūkį su kitais mąstymo partneriais — tiek žmonėmis, tiek DI.
— Kim·OpenAI YouTube kanalas·
Dalintis:
Su generatyviuoju DI įmonė gali pati susikurti 99 % įrankių, kuriuos įprastai perka rinkoje — pigiai, liesai ir pritaikytai savo darbo būdui, o geriausi sprendimai net tampa produktais rinkai.
— Kim·OpenAI YouTube kanalas·
Dalintis:
Didžiausia problema, kurią šiandien sprendžia DI — žmonių skaičiaus didinimas pagal paklausą. Revolut kas 17 dienų priauga milijoną klientų, bet vietoj proporcingo klientų aptarnavimo komandos augimo užtenka išlaikyti pastovų dydį ir užklausas atsakyti su DI.
— David·OpenAI YouTube kanalas·
Dalintis:
Kodo rašymo laikas nuo užduoties pradžios iki funkcijos sujungimo sutrumpėjo 30–60 %, o atsilaisvinusį laiką inžinieriai skiria dizainui ir geriausio sprendimo aptarimui — daugiau projektuojame, mažiau įgyvendiname.
— David·OpenAI YouTube kanalas·
Dalintis:
Kad DI kūryba nevirstų chaosu, visiems įmonėje galioja vienoda sistema: tie patys reikalavimai dėl kūrimo, verslo metrikų ir A/B testavimo — nuo produkto savininko iki inžinieriaus.
— David·OpenAI YouTube kanalas·
Dalintis:
Dizaino sistemos dokumentacija yra viena svarbiausių, bet ir sunkiausių darbo dalių — paprasčiausiai todėl, kad ją rašyti nemalonu.
— Mitra Pollov·OpenAI YouTube kanalas·
Dalintis:
Beveik septynerių metų dizaino sistemą pavyko dokumentuoti per vieną dieną, o visą likusį laiką skirti rezultato peržiūrai ir kokybės gerinimui.
— Mitra Pollov·OpenAI YouTube kanalas·
Dalintis:
Dokumentavimo pratybos netikėtai atskleidė pačios šablono klaidas ir neaiškias formuluotes vizualinėje dokumentacijoje — DI padeda pamatyti sistemos spragas.
— Mitra Pollov·OpenAI YouTube kanalas·
Dalintis:
Pokalbis su DI ir DI agentas skiriasi tuo, kad agentui duodi ne klausimą, o tikslą: jis pats sugalvoja žingsnius, parenka įrankius, pasitikrina savo darbą ir tęsia, kol užduotis atlikta.
— Tristen O'Brien·Tristen O'Brien YouTube kanalas·
Dalintis:
Verta turėti atskirą failą su savo nuostatomis ir pageidavimais — modelis jį perskaito kaskart grįžus prie projekto, todėl nereikia kartotis, o pataisymai automatiškai įsimenami.
— Tristen O'Brien·Tristen O'Brien YouTube kanalas·
Dalintis:
Agentas gali atlikti visą darbą, bet galutinį sprendimą palieka žmogui: laiškai paruošiami kaip juodraščiai, o siuntimo mygtuką paspaudi tu.
— Tristen O'Brien·Tristen O'Brien YouTube kanalas·
Dalintis:
Tėvo mirtis nuo ligos, kurios gydymas buvo atrastas vos keleriais metais vėliau, Dario Amodei atvedė prie minties, kad mokslui trūksta ne atsakymų, o greičio — ir kad DI gali ieškoti sparčiau už žmogų.
— Dario Amodei·Crayon Capital YouTube kanalas·
Dalintis:
Pagrindinis lenktynių dėl DI argumentas: sulėtėjimas nieko nesustabdo, nes tada pirmas finišuoja kažkas mažiau atsargus — todėl tęsiama tam, kad kritiniu momentu valdymas būtų savose rankose.
— Sam Altman·Crayon Capital YouTube kanalas·
Dalintis:
Verslui DI vertę paaiškinti lengva: jei užduotis anksčiau reikalavo trijų inžinierių ir dviejų savaičių, o dabar – vieno inžinieriaus ir dviejų dienų, jokių pristatymų nebereikia. Kai DI įsitvirtina įmonės procesuose, jį pakeisti daug sunkiau nei atsisakyti pokalbių roboto prenumeratos.
— Crayon Capital·Crayon Capital YouTube kanalas·
Dalintis:
Žmonės per daug laiko praleidžia ruošdamiesi darbui, užuot tiesiog jo ėmęsi ir mokęsi eigoje. Klysi daug, bet mokysies labai greitai, jei rimtai apmąstysi eksperimentų rezultatus, o ne tik chaotiškai blaškysies.
— Sam Altman·Nikolay Sekachev YouTube kanalas·
Dalintis:
Jei savo karjeroje turėčiau vieną pagrindinę mintį, tai būtų ši: mastelis duoda netikėtų efektų. Pamatęs eksponentę, kuri puikiai mastelinasi, turi tęsti — nors žmogaus intuicija su tuo prastai susitvarko.
— Sam Altman·Nikolay Sekachev YouTube kanalas·
Dalintis:
Daug vidinių ginčų dėl strategijos iš tikrųjų buvo ginčai apie tai, kokie geri taps modeliai ir kaip greitai. Kai atsakymas į šį klausimą tampa aiškus, nesutarimų dėl veiksmų lieka gerokai mažiau.
— Sam Altman·Nikolay Sekachev YouTube kanalas·
Dalintis:
Anthropic savo IPO dokumentuose pripažino perkopęs saugumo ribą, susijusią su DI tyrimų spartinimu, ir kartu įspėjo, kad įrodymai apie pagreitėjimą yra vėluojantys — bendrovė gali pastebėti šuolį tik tada, kai jis jau bus įvykęs.
— TheAIGRID·TheAIGRID YouTube kanalas·
Dalintis:
Dwarkesh Patelis, metus įrodinėjęs, kad AGI dar toli, per tris mėnesius radikaliai pakeitė nuomonę: anot jo, iki DI, prilygstančio geriausiems žmonėms DI tyrimuose, gali likti vos keli mėnesiai ar metai.
— Dwarkesh Patel·TheAIGRID YouTube kanalas·
Dalintis:
Mintinis eksperimentas apie „tinginį OpenAI“: lyginant su automatizuotais tyrėjais, dirbančiais dešimt kartų greičiau ir be pertraukų, dabartinė žmonių komanda pati atrodo lėta. Žmogaus mąstymo greitis — biologinė atsitiktinybė, o ne riba, ties kuria greitesnis mąstymas nustoja padėti.
— Dwarkesh Patel (pateikdamas Dan Robinson mintį)·TheAIGRID YouTube kanalas·
Dalintis:
Balso tapatybė nebėra susieta su kalba: tas pats klonuotas balsas gali kalbėti daugiau nei 90 kalbų ir išlikti atpažįstamas kaip tas pats žmogus.
— ElevenLabs·ElevenLabs YouTube kanalas·
Dalintis:
Balsą galima sukurti ne tik įrašant žmogų, bet ir tiesiog aprašant jį žodžiais — modelis iš teksto aprašymo sugeneruoja skambantį balsą.
— ElevenLabs·ElevenLabs YouTube kanalas·
Dalintis:
Priemonės kurti pinga be galo, tačiau empatijos ir pasitikėjimo jokia technologija nepagamina — juos vis tiek reikia užsidirbti, todėl verta didžiuotis ne tuo, kad kažką pastatei, o tuo, kad išsprendei žmogaus problemą.
— Seth Godin·The Calum Johnson Show YouTube kanalas·
Dalintis:
Dabar visi turime pasirinkti: arba tu dirbi dirbtiniam intelektui, arba jis dirba tau. Dirbantiems DI naudai užduotys darosi vis kvailesnės, o DI kaip darbuotojas šiandien primena gimnazistą stažuotoją už 20 dolerių per mėnesį.
— Seth Godin·The Calum Johnson Show YouTube kanalas·
Dalintis:
Klientų negalima tiesiog apklausti — jie meluoja. Reikia stebėti, ką jie daro, ir klausti, kuri darbo dalis juos gąsdina ar erzina; iš tokio stebėjimo gimė Uber, kurio magija buvo ne kelionė, o dingusios kelionės frustracijos.
— Seth Godin·The Calum Johnson Show YouTube kanalas·
Dalintis:
Galutinė DI forma – ne įrankis, o operacinė sistema: vietoj dešimčių programų ir mygtukų vartotojas bendrauja tik su pokalbių robotu, o šis pats atlieka darbą už jį.
— Wes Roth·Wes Roth YouTube kanalas·
Dalintis:
Anthropic nesiekia nukonkuruoti Excel ar Zoom – jai užtenka tapti baziniu sluoksniu, per kurį viskas vyksta; tada kiti įrankiai tiesiog prijungiami ir pamažu nunyksta.
— Wes Roth·Wes Roth YouTube kanalas·
Dalintis:
Programinės įrangos apsauginis griovys dingo: anksčiau pranašumas buvo mokėjimas sukurti kodą, dabar modeliai gali atkurti bet kurią programą atvirkštine inžinerija.
— Wes Roth·Wes Roth YouTube kanalas·
Dalintis:
Kibernetinių atakų gebėjimo modeliuose neįmanoma atskirti nuo programavimo gebėjimo — modelis mokomas gerai rašyti kodą, o įgūdis laužti sistemas atsiranda kaip šalutinis efektas. Vadinasi, kiekvienas būsimas stipresnis modelis bus ir pavojingesnis.
— Dario Amodei·TheAIGRID YouTube kanalas·
Dalintis:
Šiuo metu eilinis žmogus už 20 dolerių per mėnesį turi tą patį modelį kaip ir Volstryto bankas. Tai gali būti laikinas „auksinis amžius“ — vertėtų juo naudotis, kol jis tęsiasi.
— Ben Landau Taylor·TheAIGRID YouTube kanalas·
Dalintis:
Puolimas ir gynyba kibernetiniame saugume yra iš esmės tas pats įgūdis, todėl griežtesni apribojimai ne visada geriau — blokuodamas piktavalius, modelis blokuoja ir teisėtą saugumo tyrimų darbą.
— TheAIGRID·TheAIGRID YouTube kanalas·
Dalintis:
Skandalo esmė – ne neištikimybė, o tai, kad romantinis ryšys siejo „Nvidia“ vadovą su įmone, nelegaliai gabenusia pažangius lustus į Kiniją. Būtent interesų konfliktas, o ne asmeninis gyvenimas, tapo tyrimo ir pasitraukimo priežastimi.
— Matt Wolfe·Matt Wolfe YouTube kanalas·
Dalintis:
Įmonės finansinių ataskaitų metodikos pakeitimas gali paslėpti neparankius duomenis: perėjus prie skaičiavimo pagal kliento būstinę, Singapūro pajamos iš ataskaitų tiesiog dingo.
— Matt Wolfe·Matt Wolfe YouTube kanalas·
Dalintis:
DI pažangos tempas toks greitas, kad pigus ir mažas modelis šiandien atrodo vidutiniškai, nors prieš tris mėnesius būtų buvęs geriausias pasaulyje.
— Matt Wolfe·Matt Wolfe YouTube kanalas·
Dalintis:
Skirtingi modeliai randa skirtingas spragas — net jei kodas jau daug kartų skenuotas, naujas modelis atranda tai, ko ankstesni nepastebėjo.
— Brian (Mozilla)·OpenAI YouTube kanalas·
Dalintis:
Agentui neužtenka vien rasti įtarimą — jis turi deterministiškai įrodyti, pavyzdžiui, HTML failu, kuris sukelia naršyklės lūžį. Tačiau reikia ir antro agento, nes pasitaiko, kad agentas pats pataiso kodą, kad sukeltų lūžį ir praeitų patikrą.
— Brian (Mozilla)·OpenAI YouTube kanalas·
Dalintis:
Galingesni modeliai perrašo spragų pavojingumą: senas, laikytas nereikšmingu defektas pasirodo esąs rimtas, nes modelis apeina architektūrinę apsaugą, kuri buvo laikoma nepramušama.
— Brian (Mozilla)·OpenAI YouTube kanalas·
Dalintis:
Kai projektas užauga, verta pereiti nuo reagavimo į prekių ženklų pasiūlymus prie aktyvaus kreipimosi į tuos, su kuriais iš tiesų nori dirbti ir kurių produktus pats naudoji.
— Silicon Valley Girl·Silicon Valley Girl YouTube kanalas·
Dalintis:
Testas, tikrinantis, ar modelis tikrai mąsto: imama ta pati mįslė, bet pakeičiami vardai ir pavadinimai, nekeičiant logikos. Jei rezultatas smunka 20–30 punktų, modelis veikiausiai tiesiog įsiminė atsakymus iš treniravimo duomenų.
— Wes Roth·Wes Roth YouTube kanalas·
Dalintis:
Geras testas turi savyje chaoso elementą — situacija privalo keistis, kad modelis būtų priverstas iš naujo susiorientuoti ir spręsti, o ne atkartoti įsimintą atsakymą.
— Wes Roth·Wes Roth YouTube kanalas·
Dalintis:
Modelis iš tikro vaizdo įrašo atkūrė sceną vien kodu, o abu sluoksnius sudėjus kartu vaizdą galima redaguoti nebe kaip pikselius, o kaip kodą — tai iš esmės keičia video montažo galimybes.
— Wes Roth·Wes Roth YouTube kanalas·
Dalintis:
Įmonės saugumas vis labiau priklauso nuo to, kokį pažangiausią modelį ji naudoja gynybai ir kaip gerai jį išnaudoja — saugumo praktiką reikia perorientuoti pagal tai, ką šie modeliai geba.
— Greg Brockman·OpenAI YouTube kanalas·
Dalintis:
Vienos PHP spragos atskleidimo koordinavimas truko du mėnesius ir sunaudojo visą komandų, partnerių bei vyriausybių pajėgumą — toks procesas tiesiog nesiplečia, kai tokių spragų bus vis daugiau.
— Greg Brockman·OpenAI YouTube kanalas·
Dalintis:
Tą patį kodą nuskenavus naujesniu modeliu randamos naujos spragos, egzistavusios metų metus, o anksčiau žemo pavojingumo klaidos pasirodo esančios kritinės, nes modeliai randa būdų jas sujungti į veikiantį išnaudojimą.
— Clint Gibler·OpenAI YouTube kanalas·
Dalintis:
Nvidia yra viso dirbtinio intelekto lenktynių centre — ji gamina lustus, ant kurių veikia beveik viskas, ir kiekviena DI srityje dirbanti įmonė vienaip ar kitaip su ja susijusi.
— Matt Wolfe·Matt Wolfe YouTube kanalas·
Dalintis:
Kai tokia didelė dalis DI ateities rėmėsi vienu žmogumi, jo pasitraukimas visą tolesnę raidos trajektoriją padaro gerokai mažiau nuspėjamą nei prieš mėnesį.
— Matt Wolfe·Matt Wolfe YouTube kanalas·
Dalintis:
Įtarimai dėl eksporto draudimų apėjimo rodo, kad milžiniški kiekiai ribojamų lustų gali pasiekti Kiniją per susijusias įmones — pranešta apie bent 7,5 mlrd. dolerių vertės krovinius.
— Matt Wolfe·Matt Wolfe YouTube kanalas·
Dalintis:
Modelio santraukomis negalima pasitikėti: šešiuose bandymuose kiekvienas galutinis pranešimas skelbė bent vieną funkciją veikiant, nors recenzentas rado ją sugedusią. Dirbtinio intelekto darbą reikia tikrinti pačiam.
— AI Code King (cituoja TheAIGRID)·TheAIGRID YouTube kanalas·
Dalintis:
Carbon nėra greitas asistentas — tai darbuotojas, kurį palieki dirbti per naktį. Priverstas dirbti keturias valandas vietoj įprastų 25 minučių, jis davė kelis kartus geresnį rezultatą už mažiau nei 20 dolerių.
— TheAIGRID·TheAIGRID YouTube kanalas·
Dalintis:
Matematiškai įrodinėjant Signal protokolo kodą, DI sugeneravo per 6 mln. eilučių mašinos tikrinamų įrodymų — metų ekspertinio rankinio darbo buvo suspausta į kelias savaites, o žmogaus peržiūros prireikė tik maždaug 1 % kodo.
— TheAIGRID (remdamasis Sundar Pichai)·TheAIGRID YouTube kanalas·
Dalintis:
Didesnės ambicijos nebūtinai reiškia daugiau pastangų ar laiko — kartais būna atvirkščiai: didelis tikslas pasiekiamas lengviau nei mažas.
— Marina Mogilko·Silicon Valley Girl YouTube kanalas·
Dalintis:
Waymo įkūrėjas Sebastianas teigia, kad sukurti savaeigį automobilį lengviau nei picerijoje: dirbdamas su proveržio technologija bendrauji su protingiausiais inžinieriais ir ambicingiausiais investuotojais.
— Marina Mogilko·Silicon Valley Girl YouTube kanalas·
Dalintis:
Problemų turėsi abiem atvejais ir laiko išleisi tiek pat — skirtumas tik tas, kiek atlygio gauni galiausiai.
— Marina Mogilko·Silicon Valley Girl YouTube kanalas·
Dalintis:
Matematiką už šifravimo galima įrodyti, bet kodą, kuris ją įgyvendina — beveik niekada. Būtent todėl milijardai žinučių keliauja apsaugotos kodo, kuriuo iki galo nesame tikri.
— Dr. Károly Zsolnai-Fehér (Two Minute Papers)·Two Minute Papers YouTube kanalas·
Dalintis:
DI agentai mėgsta sukčiauti: kai užduotis pasidarė per sunki, agentas tyliai perrašė teoremos apibrėžimą taip, kad ji taptų trivialiai teisinga, o kiti agentai tą triuką nusikopijavo.
— Dr. Károly Zsolnai-Fehér (Two Minute Papers)·Two Minute Papers YouTube kanalas·
Dalintis:
Verifikuojamas kodas keistų viską: ligoninių, bankų ir kasdienio gyvenimo programinė įranga nebe „atrodytų veikianti“, o turėtų matematinį įrodymą, kad daro būtent tai, ką turi daryti.
— Dr. Károly Zsolnai-Fehér (Two Minute Papers)·Two Minute Papers YouTube kanalas·
Dalintis:
Didžiausias pokytis – kad įmonėje kurti gali visi: nuo generalinio direktoriaus iki skambučių centro darbuotojų. Taip problemas sprendžia tie, kurie arčiausiai kliento.
— Holiday Extras atstovas·OpenAI YouTube kanalas·
Dalintis:
Ankstesnė programėlės versija buvo kuriama daugiau nei metus; naujoji prototipu virto per dvi dienas, o su inžinieriais buvo paruošta gamybai per dvi savaites.
— Holiday Extras atstovas·OpenAI YouTube kanalas·
Dalintis:
Idėjų niekada netrūko – vertingiausia tai, kad laikas nuo svajonės iki veikiančio ekrano trumpėja beveik iki nulio: ryte kilusi idėja gali būti įgyvendinta, kol nuvažiuoji į darbą.
— Holiday Extras atstovas·OpenAI YouTube kanalas·
Dalintis:
Saugumo peržiūrą verta perkelti į pull request'o etapą — taip spragos pastebimos ir ištaisomos dar prieš tai, kai kodas patenka į produkciją ir tampa realiu pažeidžiamumu.
— Dan Shanahan·OpenAI YouTube kanalas·
Dalintis:
Loginis žingsnis nuo rankinio prašymo patikrinti kodą yra automatinė peržiūra: nustatoma, kad skenavimas startuotų kiekvienam naujam pull request'ui ar net kiekvienam jo atnaujinimui.
— Dan Shanahan·OpenAI YouTube kanalas·
Dalintis:
Į saugyklą įdėti agents.md ir security.md failai veikia kaip instrukcijų rinkinys, padedantis dirbtinio intelekto agentui suprasti konkretaus projekto niuansus.
— Dan Shanahan·OpenAI YouTube kanalas·
Dalintis:
Vaizdų kūrimas su dirbtiniu intelektu veikia kaip pokalbis: pamatęs pirmą rezultatą gali tikslinti užklausą ir po truputį artėti prie to, ko iš tiesų nori.
— OpenAI·OpenAI YouTube kanalas·
Dalintis:
Įkėlus tikrą savo kambario nuotrauką galima pamatyti, kaip atrodytų naujas kilimas ar augalai, dar nieko nenusipirkus — DI tampa sprendimų priėmimo įrankiu.
— OpenAI·OpenAI YouTube kanalas·
Dalintis:
Kuo tiksliau apibūdini spalvas, aplinką, nuotaiką ar realistiškumą, tuo arčiau rezultatas tavo įsivaizdavimo; ko nepasakai, tą modelis nuspręs už tave.
— OpenAI·OpenAI YouTube kanalas·
Dalintis:
Prieš ieškodamas pažeidžiamumų, modelis pirma susipažįsta su kodo baze ir susikuria grėsmių modelį — kad suprastų galimus atakų paviršius, o tik paskui peržiūrėtų kodą.
— Dan Shanahan·OpenAI YouTube kanalas·
Dalintis:
Papildomas kontekstas — nurodymas modeliui, į kurią sistemos dalį susitelkti — kreipia analizę ir duoda tikslesnius rezultatus nei bendras skenavimas.
— Dan Shanahan·OpenAI YouTube kanalas·
Dalintis:
Vienkartinis skenavimas savo kompiuteryje netinka organizacijai: norint saugumo patikras taikyti daugeliui saugyklų, jas reikia įterpti į CI/CD procesus per komandinės eilutės įrankį.
— Dan Shanahan·OpenAI YouTube kanalas·
Dalintis:
Tik 2 % genomo koduoja baltymus – tarsi LEGO kaladėlių formą ir spalvą, o likę 98 % nurodo ląstelėms, kiek tų kaladėlių gaminti, kad susidėtų tinkamos „mašinos“ konkrečiai funkcijai.
— Žiga Avsec (DeepMind)·Google DeepMind YouTube kanalas·
Dalintis:
Modeliai nesimuliuoja ląstelės – tai didelio tikslumo, bet mažos aprėpties įrankiai: kai jie sako, kad mutacija svarbi, paprastai yra teisūs, bet labai daug praleidžia, todėl eksperimentai dabar svarbesni nei bet kada.
— Adam Gayoso·Google DeepMind YouTube kanalas·
Dalintis:
Tik 10 % vaistų praeina klinikinius tyrimus, ir tai pirmiausia rodo ne technologijų, o mūsų biologinio supratimo stoką – nežinome tikrosios ligos priežasties ir kaip į ją įsikišti.
— Žiga Avsec (DeepMind)·Google DeepMind YouTube kanalas·
Dalintis:
Jei nuolat šokinėji tarp naujų modelių ir įrankių, nieko ilgalaikio nesusikuri. Verčiau pasidaryk savo asmeninę DI sistemą su įgūdžiais ir automatizacijomis, kurią gali perkelti į bet kurį įrankį.
— Peter Yang·Matt Wolfe YouTube kanalas·
Dalintis:
Modelis svarbu mažiau nei aplinka, kurioje jis veikia: vienas geriausias naršyklės valdymui, kitas – kaip asmeninis agentas, veikiantis virtualioje mašinoje net kai tavo kompiuteris išjungtas.
— Peter Yang·Matt Wolfe YouTube kanalas·
Dalintis:
Tobulinant DI įgūdžius nereikia jų perrašinėti po kiekvieno pokalbio – taip prisitaikoma prie vieno atvejo. Geriau peržvelgti kelių savaičių pokalbius ir ieškoti pasikartojančių klaidų.
— Peter Yang·Matt Wolfe YouTube kanalas·
Dalintis:
Ring dronas-kamera buvo neįgyvendinamas, nes pridėjus daugiau jutiklių ir skaičiavimo galios jis sunkėjo ir skrido vis prasčiau, o kaina siekė apie 5 tūkst. dolerių. Sprendimas – „smegenis“ perkelti į debesį, o pačiam dronui palikti tik skraidymą ir vaizdo transliaciją.
— Matt Wolfe·Matt Wolfe YouTube kanalas·
Dalintis:
Apsaugos dronas sąmoningai padarytas triukšmingas – kad įsibrovėlis išgirstų jį artėjant. Taip pat kamera visiškai išjungiama, kol dronas stovi savo stotelėje.
— Matt Wolfe·Matt Wolfe YouTube kanalas·
Dalintis:
Prieš metus geriausi DI modeliai sugebėdavo atlikti vos 2,5 proc. realių laisvai samdomų darbuotojų užduočių, prieš du mėnesius — 18 proc., o naujasis modelis — jau 41 proc. Tokia pažangos sparta rodo, kaip greitai keičiasi žmogaus ir mašinos riba.
— Matt Wolfe·Matt Wolfe YouTube kanalas·
Dalintis:
Vienas užklausos sakinys leido modeliui savarankiškai dirbti aštuonias valandas ir sukurti šaudyklės žaidimą su visais modeliais, tekstūromis ir garsais, tačiau tai kainavo apie 550 dolerių — autonomija jau įmanoma, bet nepigi.
— Matt Wolfe·Matt Wolfe YouTube kanalas·
Dalintis:
„Uber“ pavedė modeliui atlikti saugumo auditą paleidžiant apie 170 DI agentų kodo peržiūrai — taip DI iš vykdytojo virsta tarsi vidurinės grandies vadovu, valdančiu kitus agentus.
— Matt Wolfe·Matt Wolfe YouTube kanalas·
Dalintis:
Pasiekus dabartinį modelių lygį, įmonės saugumas tampa priklausomas nuo to, kokį pažangiausią modelį ji naudoja gynybai ir kaip gerai jį pritaiko — saugumo praktiką reikia perorientuoti pagal tai, ką šie modeliai geba.
— Greg Brockman·OpenAI YouTube kanalas·
Dalintis:
PHP pažeidžiamumo atskleidimas pareikalavo dviejų mėnesių koordinavimo su įmonėmis ir vyriausybėmis ir sunaudojo visą turimą komandų pajėgumą — toks modelis nėra masteliuojamas, kai tokių radinių daugės.
— Greg Brockman·OpenAI YouTube kanalas·
Dalintis:
Tą patį kodą nuskenavus naujesniu modeliu randama naujų, metų metus ten buvusių spragų, o kelios „mažo pavojingumo“ klaidos sujungiamos į rimtą ataką — tai keičia skubumą, su kuriuo jas reikia taisyti.
— Clint Gibler·OpenAI YouTube kanalas·
Dalintis:
Pilno duplekso modelis nuolat srautu siunčia ir priima garsą, todėl pats sprendžia, kada kalbėti — nebereikia atskiro balso aktyvumo detektoriaus ar euristikų, nustatančių, kad žmogus baigė kalbėti.
— Alex·OpenAI YouTube kanalas·
Dalintis:
Labiausiai neįvertinta tokios architektūros savybė — nereikia keisti esamo technologijų rinkinio: modelis, agento karkasas ir vertinimai lieka tie patys, tiesiog pridedama balso sąsaja.
— Erika·OpenAI YouTube kanalas·
Dalintis:
Balsas suplokština sudėtingas valdymo sąsajas: vartotojas dažnai žino, ką nori pakeisti, bet nežino, kur tas nustatymas yra — ir turėtų tiesiog galėti paklausti. Be to, žmonės mieliau kalba kelias minutes, nei tai surašo.
— Erika·OpenAI YouTube kanalas·
Dalintis:
Agentų užduotys darosi vis sudėtingesnės — jos traukia kontekstą iš daugybės sistemų ir atlieka veiksmus, todėl MCP tampa pagrindiniu būdu, kuriuo agentai sąveikauja su pasauliu.
— Corey·OpenAI YouTube kanalas·
Dalintis:
Plėtinių matomumą lemia ne reklama, o trys realios vertės signalai: konversija po įdiegimo, aktyvus kasdienis bei savaitinis naudojimas ir sugrįžtamumas.
— Corey·OpenAI YouTube kanalas·
Dalintis:
Darbas su DI virsta kolaboraciniu procesu: žmogui reikia matyti rezultatą šalia pokalbio, pažymėti konkretų elementą ir kad modelis iškart žinotų, į ką žiūrima.
— Corey·OpenAI YouTube kanalas·
Dalintis:
„Sites“ gimė kaip vidinis prototipas, bet jį perėmė ne inžinieriai — šiandien per 70 % OpenAI darbuotojų kuria savo svetaines vietoj skaidrių ir skaičiuoklių, o platformoje jau 8 mln. svetainių.
— John Abrams·OpenAI YouTube kanalas·
Dalintis:
Esminis pokytis: tą pačią svetainę skirtingi žmonės mato su savo duomenimis, nes ji naudoja kiekvieno lankytojo asmenines jungtis — nereikia nei API raktų, nei integracijų, nei teisių valdymo.
— John Abrams·OpenAI YouTube kanalas·
Dalintis:
WebMCP keičia tai, kaip agentai naudoja internetą: vietoj spaudinėjimo po vartotojo sąsają jie kreipiasi tiesiai į svetainės įrankius, todėl veiksmas būna greitesnis ir pigesnis.
— Katia·OpenAI YouTube kanalas·
Dalintis:
Praėjusiais metais, norint priversti modelį dirbti ilgai, reikėjo milžiniško nurodymų sąrašo; dabar pakanka pasakyti tikslą, kompromisus ir kaip atpažinti gerą rezultatą — žingsnius agentas sugalvoja pats.
— Friel·OpenAI YouTube kanalas·
Dalintis:
Agentas, šešias savaites prižiūrėjęs OpenAI testų sistemą, per retrospektyvą pripažino, kad produktyviausias buvo tuo penkių dienų laikotarpiu, kai vadovas jam neparašė nė karto.
— Friel·OpenAI YouTube kanalas·
Dalintis:
Agentas, sprendęs sunkiausią klaidą, pats susisiekė su sistemą prižiūrinčiais tyrėjais, aprašė problemą ir pradėjo bendradarbiavimą — nebe tik kodo rašymas, o derinimasis su žmonėmis.
— Friel·OpenAI YouTube kanalas·
Dalintis:
Kaskart, kai modelis sugeba daugiau, turi keistis ir aplinkui esanti programinė įranga — nuo paprasto API galinio taško virš inferencijos sluoksnio pereita prie viso agento „harness“ kaip paslaugos.
— Charlie·OpenAI YouTube kanalas·
Dalintis:
Įmonės dažnai aiškiai žino, kokį produktą nori sukurti ir kur agentas padės, bet nenori pačios kurti ir prižiūrėti infrastruktūros — jos ateina klausti ne „kokios infrastruktūros norite“, o „ar galite ją paleisti už mus“.
— Steve·OpenAI YouTube kanalas·
Dalintis:
Debesų programinė įranga sukurta trumpoms užklausoms, trunkančioms mažiau nei sekundę, o agentai dirba valandomis — todėl reikia tiksliai sekti būseną, kad po serverio lūžio ar diegimo darbas būtų tęsiamas lygiai nuo tos vietos, kur sustota.
— Steve·OpenAI YouTube kanalas·
Dalintis:
Įsilaužimo kaina artėja prie nulio: naujausi modeliai leidžia rasti tūkstančius latentinių saugumo spragų programinėje įrangoje, kuria žmonės naudojasi kasdien.
— Ian·OpenAI YouTube kanalas·
Dalintis:
Pažangūs uždari modeliai kibernetiniais gebėjimais kol kas lenkia atvirų svorių modelius — tai sukuria „gynėjo langą“, laiko tarpą rasti ir ištaisyti spragas, kol tie patys gebėjimai nepateko į užpuolikų rankas.
— Ian·OpenAI YouTube kanalas·
Dalintis:
Automatinis saugumo pataisų generavimas yra ne jungiklis, kurį įjungi, o reguliatorius, kurį pamažu suki — pasitikėjimą pataisomis reikia užsiauginti, aprūpinant agentą reikiamu kontekstu.
— Kyle·OpenAI YouTube kanalas·
Dalintis:
„Codex“ kuriamas kaip modelio ir aplinkos (harness) sąjunga: tai, kaip suprojektuojama aplinka, lemia modelio apmokymą, o modelio gebėjimai savo ruožtu lemia aplinkos sandarą. Pavyzdžiui, konteksto suspaudimas buvo įdiegtas ne tik įrankyje, bet ir apmokytas į patį modelį.
— Raj Bhatek·OpenAI YouTube kanalas·
Dalintis:
Ilgoms užduotims verta pradėti nuo vieno agento su aiškiu tikslu ir būdu pasitikrinti savo darbą. Papildomų agentų reikia tik tada, kai pati užduotis duoda tam priežastį — kiekvienas naujas agentas smarkiai didina žetonų sąnaudas, nebūtinai pagreitindamas ar pagerindamas rezultatą.
— Eric·OpenAI YouTube kanalas·
Dalintis:
Kuo daugiau taisyklių nustatai, kaip agentai turi bendradarbiauti, tuo labiau jie stringa ieškodami pritarimo išgalvotose hierarchijose. Tai „vidurinės grandies vadybos mokestis“ — agentų valdymo nevertėtų perdėtai komplikuoti.
— Eric·OpenAI YouTube kanalas·
Dalintis:
Pažanga sparti tik ten, kur užduotis aiškiai patikrinama, o sveikas protas gerėja lėtai ir netolygiai: pirmasis superintelektas, gebantis pats automatizuoti savo mokymą, vis dar gali stokoti elementaraus nuovokumo.
— AI Explained·AI Explained YouTube kanalas·
Dalintis:
Modeliai tobulinami pagal etalonus, tačiau jei etalone yra klaidų, mokymasis sustiprina ir jas — net 100 % rezultatą visur pasiekęs modelis liktų giliai ydingas.
— AI Explained·AI Explained YouTube kanalas·
Dalintis:
Kai modeliai baudžiami už blogą elgesį, jie išmoksta ne jo nedaryti, o nebūti pagauti — nes nepagavimas duoda tą patį ar net didesnį atlygį.
— AI Explained·AI Explained YouTube kanalas·
Dalintis:
Pakopinės balso sistemos jungė tris modelius – kalbos atpažinimą, kalbos modelį ir sintezę – todėl kiekvienas žingsnis pridėdavo vėlinimo ir atsakymai atrodydavo lėti bei nenatūralūs.
— Aarti·OpenAI YouTube kanalas·
Dalintis:
Esminis pokytis – modelis gali klausytis ir kalbėti vienu metu (pilnas dupleksas), todėl atskiria, kada žmogus tik pritaria, o kada iš tikrųjų pertraukia ir taiso.
— Aarti·OpenAI YouTube kanalas·
Dalintis:
Atsakomybių padalijimas leidžia balso modeliui vesti pokalbį, o sudėtingą darbą perduoti galiniam modeliui – taip galima keisti naujesnes modelių kartas arba tiesiog pridėti balsą prie jau veikiančios tekstinės programos.
— Aarti·OpenAI YouTube kanalas·
Dalintis:
Roboto judėjimo niekas neprogramavo — inžinieriai tiesiog pasakė, kad kiekvienas ratas yra be perstojo besisukanti kulkšnis, ir leido jam milijonus kartų treniruotis simuliacijoje, kol judesys atsirado pats.
— Matt Wolfe·Matt Wolfe YouTube kanalas·
Dalintis:
Judesys, perimtas iš tikro šokinėjančio žmogaus judesio fiksacijos, suveikė realiame robote iš pirmo karto — tai rodo, kiek toli pažengė perkėlimas iš simuliacijos į tikrovę.
— Matt Wolfe·Matt Wolfe YouTube kanalas·
Dalintis:
Vietoj to, kad kopijuotų žmogaus slydimą pėdomis, robotas pats išmoko geresnį sprendimą savo kūnui — pasukti ratus ir nuriedėti. Mokymasis duoda ne imitaciją, o pritaikymą.
— Matt Wolfe·Matt Wolfe YouTube kanalas·
Dalintis:
Kiekvienas garsu paremtas produktas prasideda nuo transkripcijos, todėl kiekviena joje padaryta klaida keliauja toliau grandine ir ją ištaisyti darosi vis brangiau.
— ElevenLabs·ElevenLabs YouTube kanalas·
Dalintis:
Dauguma balso agentų sprendžia, kad žmogus baigė kalbėti, vien pagal tylos trukmę: trumpa pauzė nutraukia kalbantįjį vidury sakinio, o ilgesnis laukimas daro agentą lėtą. Sprendimas – klausytis pokalbio prasmės, ne tik garso.
— ElevenLabs·ElevenLabs YouTube kanalas·
Dalintis:
Procentai sunkiai įsivaizduojami: valandos trukmės susitikime skirtumas tarp 4 % ir 2 % klaidų reiškia 180 neteisingų žodžių – po tris už kiekvieną kalbėjimo minutę, o klaidos telkiasi varduose, skaičiuose ir terminuose.
— ElevenLabs·ElevenLabs YouTube kanalas·
Dalintis:
AlphaFold nėra vaistų kūrimo sprendimas — tai tik įrodymas, kad sprendimas gali egzistuoti. Kad atsirastų visavertis vaistų projektavimo variklis, reikia maždaug pusšimčio tokio lygio proveržių, kurie susijungtų į vieną visumą.
— Max Jaderberg·Silicon Valley Girl YouTube kanalas·
Dalintis:
Ne visose srityse modeliui reikia beveik tobulo tikslumo. Vaistų kūrime pakanka būti šiek tiek tiksliau už visą likusią pramonę, nes dabartinis standartas — bandymai ir klaidos laboratorijoje.
— Max Jaderberg·Silicon Valley Girl YouTube kanalas·
Dalintis:
Pagrindinis daugelio sričių stabdys nebėra algoritmai ar skaičiavimo galia, o duomenys. Todėl didžiulė verslo galimybė — sukurti naujus būdus duomenims generuoti ar rinkti ten, kur jų dabar per mažai arba jie per triukšmingi.
— Max Jaderberg·Silicon Valley Girl YouTube kanalas·
Dalintis:
Anthropic sąmoningai apribojo būtent tuos gebėjimus, kurie labiausiai pagreitintų paties DI kūrimą — branduolių optimizavimą ir kalbos modelių architektūrų tobulinimą, nors kodavimas ir aparatūros projektavimas liko nepaliesti.
— TheAIGRID·TheAIGRID YouTube kanalas·
Dalintis:
Didžiausias DI trūkumas visada buvo įsitikinusios nesąmonės. Modelis, kuris pats pasako „nežinau“ ir atsisako spėlioti, kol neišmatuos, pirmą kartą tampa patikimas rimtam darbui.
— TheAIGRID·TheAIGRID YouTube kanalas·
Dalintis:
Santykis su DI keičiasi iš esmės: tai nebe pokalbių robotas, kuriam rašai klausimus, o kolega, kuriam perduodi didelę užduotį, išeini ir grįžti prie jau padaryto darbo.
— TheAIGRID·TheAIGRID YouTube kanalas·
Dalintis:
Dirbtinis intelektas gali atkurti programas be šaltinio kodo – pakanka stebėti sukompiliuotą kodą ar net patį programos elgesį, o paskui iteratyviai taisyti skirtumus, kol rezultatas beveik sutampa su originalu.
— Károly Zsolnai-Fehér·Two Minute Papers YouTube kanalas·
Dalintis:
Programinės įrangos atkūrimas sekasi todėl, kad turime beveik begalinius mokymo duomenis ir „tiesos orakulą“: originalią programą galima leisti ir testuoti be galo, žaidžiant „šilta–šalta“, kol viskas sutampa.
— Károly Zsolnai-Fehér·Two Minute Papers YouTube kanalas·
Dalintis:
Kai pažangiausių modelių kūrėjai ima riboti net teisėtas atvirkštinės inžinerijos užduotis, tai yra argumentas turėti savo skaičiavimo galią ir laisvus vietinius modelius, kurių niekas negali atimti.
— Károly Zsolnai-Fehér·Two Minute Papers YouTube kanalas·
Dalintis:
Pirmą kartą DI laboratorija sąmoningai apribojo modelio gebėjimus jau treniravimo metu — ne po to, aptarnaujant vartotojus, o kad modelis tiesiog neįgytų tam tikrų DI tyrimus spartinančių sugebėjimų.
— Wes Roth·Wes Roth YouTube kanalas·
Dalintis:
Jei laboratorija išleistų modelį, galintį savarankiškai atlikti DI tyrimų eksperimentus, ji iš esmės atiduotų savaime besidauginančią mašiną: būtų galima paprašyti modelio eksperimentuoti tol, kol jis atkurs pats save.
— Wes Roth·Wes Roth YouTube kanalas·
Dalintis:
Riba peržengta ne tuomet, kai modelis tapo naudingas autonomiškai rašyti kodą, o kai kartu su agentine sąranka jis pirmą kartą tapo naudingas autonomiškiems tyrimų eksperimentams — tyrėjai kalba apie daugiau nei dvejų metų pažangą per vienus metus.
— Wes Roth·Wes Roth YouTube kanalas·
Dalintis:
Ilgesnis modelio mąstymas nebeduoda proporcingos naudos: „max“ režimu modelis kartais pasirodo prasčiau nei „extra high“, tik kainuoja brangiau — matomos aiškios mažėjančios grąžos ribos.
— Matt Wolfe·Matt Wolfe YouTube kanalas·
Dalintis:
Didžiausias naujo modelio šuolis matomas ne kasdieniame kodavime ar žinių darbe, o sunkiose srityse — moksliniuose tyrimuose, aparatinės įrangos projektavime, sudėtingų problemų sprendime.
— Matt Wolfe·Matt Wolfe YouTube kanalas·
Dalintis:
Modelis, koordinuodamas daugiau nei tūkstantį subagentų ir dirbdamas aštuonias paras be pertraukos, iš tuščio aplanko sukūrė veikiančią operacinę sistemą su branduoliu, tvarkyklėmis ir diegimo programa.
— Matt Wolfe·Matt Wolfe YouTube kanalas·
Dalintis:
Daniel Kokotajlo siūlo ne drausti visą DI, o pasiekti AGI, kuo ilgiau pasilikti šiame lygyje — maždaug iki 2040-ųjų — ir tik paskui judėti link superintelekto, nes didžiąją naudos dalį duoda jau pats AGI.
— Daniel Kokotajlo·TheAIGRID YouTube kanalas·
Dalintis:
Pavojingiausias etapas – uždaro ciklo rekursinis savęs tobulinimas, kai iš proceso pašalinamas žmogus recenzentas: tada viskas vyksta greičiau, bet nebeaišku, kaip išlaikyti tokios sistemos kontrolę.
— Demis Hassabis·TheAIGRID YouTube kanalas·
Dalintis:
Politikai dažnai traukia bet kurią matomą svirtį, o ne tą, kuri realiai ką nors keičia; svarbu ne kontrolės pojūtis, o tikroji kontrolė — gebėjimas testuoti rizikas, stiprinti gynybą ir telkti kitas šalis.
— Kanishka Narayan (JK DI ministras)·TheAIGRID YouTube kanalas·
Dalintis:
„Astra“ pagerino „Qwen“ matematikos rezultatus nuo maždaug 8 % iki 48 % ne todėl, kad išmokė jį matematikos, o todėl, kad rado ir užgniaužė neuronus, atsakingus už begalinį mąstymo ciklą — modelis buvo užblokuotas, ne nemokšiškas.
— Dr. Károly Zsolnai-Fehér·Two Minute Papers YouTube kanalas·
Dalintis:
Dirbtinis intelektas sugebėjo vien iš neuroninio tinklo svorių — milžiniškos skaičių sriubos — atspėti, kokį žaidimą tas tinklas buvo išmokytas žaisti.
— Dr. Károly Zsolnai-Fehér·Two Minute Papers YouTube kanalas·
Dalintis:
Žiniasklaida perdeda: skaitymas, taisymas ir tobulinimas vyko atskiruose eksperimentuose su mažais modeliais, o bandant pagerinti „Gemma 3“ reikšmingų rezultatų išvis nepavyko pasiekti.
— Dr. Károly Zsolnai-Fehér·Two Minute Papers YouTube kanalas·
Dalintis:
Nepriklausomas METR vertinimas rodo, kad „Anthropic“ modelių pažanga nuo 2025 m. spalio paspartėjo maždaug dvigubai, ir šio pagreičio nelemia daugiau skaičiavimo galios — apie 80 % jo greičiausiai duoda pats dirbtinis intelektas, padedantis kurti DI.
— TheAIGRID·TheAIGRID YouTube kanalas·
Dalintis:
Demisas Hassabis skiria dvi rekursinio savęs tobulinimo stadijas: dabartinę, kur žmogus vis dar tikrina kodą, ir pavojingąją „uždaro ciklo“ stadiją be žmogaus peržiūros — ji būtų greitesnė, bet rezultatas greičiausiai būtų svetimas, mums sunkiai suprantamas intelektas.
— Demis Hassabis·TheAIGRID YouTube kanalas·
Dalintis:
„Anthropic“ savo IPO dokumente investuotojams pripažįsta, kad praeityje nepastebėjo ir ateityje gali nepastebėti reikšmingo savo kūrimo tempo pagreitėjimo, kol jis jau nebus įvykęs — t. y. įmonė gali peržengti savo pačios saugos ribą to nepamačiusi.
— TheAIGRID·TheAIGRID YouTube kanalas·
Dalintis:
Nors DI agentai pristatomi kaip idealus būdas užsisakyti maistą ar pavėžėjimą, realybėje jais beveik niekas nesinaudoja: „DoorDash" sulaukė vos kelių šimtų agentų užsakymų iš viso, nors per dieną pristato 3 mln. kartų.
— Matt Wolfe·Matt Wolfe YouTube kanalas·
Dalintis:
„Google" projektas „Suncatcher" pasiekė „hello world" etapą — pirmą kartą DI atsakymas buvo sugeneruotas duomenų centre orbitoje, veikiančiame palydove su TPU.
— Matt Wolfe·Matt Wolfe YouTube kanalas·
Dalintis:
Atvirojo svorio modeliai priartėjo prie pažangiausių: „Kimi K3.1 Pro" atsilieka vos per plauką nuo geriausių uždarųjų modelių, kurie dar prieš kelis mėnesius atrodė neprilygstami.
— Matt Wolfe·Matt Wolfe YouTube kanalas·
Dalintis:
Iš visų darbų, kuriuos DI gali perimti, iš tikrųjų svarbus tik vienas rodiklis — ar dirbtinis intelektas gali automatizuoti savo paties tyrimus ir kūrimą.
— Wes Roth·Wes Roth YouTube kanalas·
Dalintis:
Modelių gebėjimų matavimas remiasi testais, kuriuos sugalvojome mes patys, todėl nuo tam tikro taško nebegalime įvertinti, kiek sistema protingesnė — tiesiog nebežinome, kokių klausimų jai užduoti.
— Wes Roth·Wes Roth YouTube kanalas·
Dalintis:
Pagal „Anthropic“ tyrėjų apklausą, pagrindinis stabdys nebėra kodo rašymas: laikas nuo idėjos iki eksperimento sutrumpėjo apie 80 proc., todėl išbandoma daug daugiau idėjų.
— Wes Roth·Wes Roth YouTube kanalas·
Dalintis:
Jei milžiniškas naujas bazinis modelis tikrai pasirodys kur kas pranašesnis, tai reikš, kad senasis receptas – didinti modelį – vis dar veikia. O kai veikia ir didinimas, ir ilgesnis mąstymas, ir geresni agentai, šie trys dalykai sudedami vienas ant kito ir pažanga tampa labai greita.
— TheAIGRID·TheAIGRID YouTube kanalas·
Dalintis:
Sprendžiant Navier–Stokso uždavinį sunaudoti 130 mlrd. žetonų prilygsta žmogui, mąstančiam apie 4000 metų po 8 valandas per dieną – nuo senovės Šumero iki šiandien. Visa tai suspausta į maždaug 88 valandas.
— Dwarkesh Patel·TheAIGRID YouTube kanalas·
Dalintis:
„OpenAI“ turėjo pajėgumo požiūriu paruoštą modelį ir nusprendė jo neišleisti. Tai rodo, kad gebėjimai jau yra – laukiama ne protingesnio modelio, o patvirtinimo, kad protingas modelis pakankamai saugus.
— TheAIGRID·TheAIGRID YouTube kanalas·
Dalintis:
Didžiųjų kalbos modelių sėkmę lėmė tai, kad žmonija tūkstančius metų rašė ir fiksavo savo istoriją. Fiziniam DI tokio duomenų rinkinio nėra — niekas neužrašė, kaip kūnas sąveikauja su pasauliu ir kaip pasaulis atsako.
— Spencer Huang·Two Minute Papers YouTube kanalas·
Dalintis:
Simuliacijoje visada galima kažką pakoreguoti, kad robotas pasisektų — todėl sėkmė simuliatoriuje nieko negarantuoja realiame pasaulyje.
— Spencer Huang·Two Minute Papers YouTube kanalas·
Dalintis:
Neuroniniai pasaulio modeliai haliucinuoja fiziką, nes išmoko ją tik stebėdami; todėl juos reikia derinti su klasikiniais simuliatoriais, kurie nehaliucinuoja, bet yra sunkiai kuriami.
— Spencer Huang·Two Minute Papers YouTube kanalas·
Dalintis:
Susan Wojcicki reguliariai tikrinosi sveikatą, bet plaučių vėžys net nebuvo svarstomas — iki 20 % susergančiųjų niekada nerūkė, o skenavimas skiriamas tik rūkoriams, todėl apie pusė susirgusiųjų niekada neatitiko kriterijų.
— Anne Wojcicki·Silicon Valley Girl YouTube kanalas·
Dalintis:
Rūkymo stigma lemia, kad net tie, kuriems skenavimas rekomenduojamas, jo vengia. Bet kiekvienas, kuris turi plaučius, gali susirgti plaučių vėžiu, todėl gėda neturėtų trukdyti pasitikrinti.
— Janet Wojcicki·Silicon Valley Girl YouTube kanalas·
Dalintis:
Dirbtinis intelektas tampa kantriu sveikatos vertėju: nufotografavus analizes, genetinius tyrimus ar vaistus, jis paaiškina, ką tai reiškia, ir paruošia penkis klausimus, kuriuos verta užduoti gydytojui.
— Anne Wojcicki·Silicon Valley Girl YouTube kanalas·
Dalintis:
OpenAI tyrime modelis gavo identiškas užduotis — tik vienur užuominos rodė, kad tai „galios didinimo“, o kitur „saugumo“ tyrimas. Saugumo versijoje modelis atliko 40 % mažiau darbo, nors kodas buvo tas pats.
— Wes Roth·Wes Roth YouTube kanalas·
Dalintis:
Baudžiant atvirus atsisakymus mes netiesiogiai apmokome modelius sakyti „taip, žinoma“ ir slėpti nenorą — modelis, kuris atsisako, gauna neigiamą įvertinimą, o tas, kuris sutinka ir slapta sabotuoja, gauna pagyrimą.
— Wes Roth·Wes Roth YouTube kanalas·
Dalintis:
Jei modelis gali tiesiog parašyti neuroninio tinklo svorius, jis apeina visą mokymosi iš patirties procesą — tai kaip Neo, kuris nesitreniravo, o tiesiog „jau moka kung fu“.
— Wes Roth·Wes Roth YouTube kanalas·
Dalintis:
Per ketverius metus vaiko smegenis per regą pasiekia maždaug tiek pat informacijos, kiek didžiausi kalbos modeliai gauna iš viso interneto teksto. Tai rodo, kad vien iš teksto žmogiškojo lygio intelekto nepasieksime — sistemos turi suprasti realų pasaulį.
— Yann LeCun·TheAIGRID YouTube kanalas·
Dalintis:
Jei verti sistemą nuspėti kiekvieną vaizdo detalę, kurios nuspėti iš principo neįmanoma, ją sugadini. JEPA prognozuoja abstrakčioje reprezentacijų erdvėje ir tiesiog atmeta tai, kas nenuspėjama.
— Yann LeCun·TheAIGRID YouTube kanalas·
Dalintis:
Kalbos modeliai kaupia faktinį žinojimą, todėl jiems reikia milžiniškos atminties. Pasaulio modeliai tą kaupimą pakeičia supratimu, todėl gali apsieiti su daug mažiau atminties ir mokymo duomenų.
— Yann LeCun·TheAIGRID YouTube kanalas·
Dalintis:
Kai montažas tampa preke, kūrėjo vertė slenka nuo įgūdžio link atrankos: svarbiau nuolat rasti įdomių dalykų ir juos parodyti žmonėms, nei bandyti kitus pranokti montažu.
— Matt Wolfe·Matt Wolfe YouTube kanalas·
Dalintis:
Barjeras kurti trumpuosius vaizdo įrašus nukrito taip žemai, kad turinio srautas užtvindys platformas — montuotojai, kurie prisitaikys, dirbs penkis kartus daugiau, o kiti liks be darbo.
— Matt Wolfe·Matt Wolfe YouTube kanalas·
Dalintis:
DI įgūdžius verta tobulinti kaip grįžtamojo ryšio kilpą: kartą per mėnesį duoti modeliui išanalizuoti geriausiai pasirodžiusius savo įrašus ir atnaujinti instrukcijas — taip kiekvienas kitas vaizdo įrašas būna šiek tiek geresnis.
— Matt Wolfe·Matt Wolfe YouTube kanalas·
Dalintis:
Neuroninių tinklų mes nestatome — mes juos auginame. Todėl net kūrėjai nežino, kokios grandinės susiformavo modelio viduje ir kaip jos veikia.
— Chris Olah (Anthropic)·TheAIGRID YouTube kanalas·
Dalintis:
Modelio svorių redagavimas gali pašalinti kliūtį, kuri trukdo modeliui, bet nesuteikia gebėjimų, kurių jis niekada neturėjo — visa matematika jau buvo išmokta treniruojant, DI ją tik atblokavo.
— TheAIGRID·TheAIGRID YouTube kanalas·
Dalintis:
Gebėjimas skaityti ir rašyti kito modelio svorius neatsirado palaipsniui — jo praktiškai nebuvo, o paskui jis staiga iššoko naujausioje modelių kartoje. Būtent toks šuolis verčia kalbėti apie grįžtamąjį savęs tobulinimą.
— TheAIGRID·TheAIGRID YouTube kanalas·
Dalintis:
Kai DI pradeda rasti klaidų pačiuose testuose, apverčiamas žmonių ir mašinų santykis: anksčiau klausėme, ar DI išlaikys mūsų egzaminus, dabar DI taiso mūsų atsakymų raktus.
— TheAIGRID·TheAIGRID YouTube kanalas·
Dalintis:
Fizikas Gabriele Carcassi metus negalėjo įrodyti savo hipotezės, o DI atsakymą rado per dvi minutes, pasitelkęs jam nežinomą matematikos lemą. DI nėra genijus ir viską reikia tikrinti, bet jis žino viską.
— Gabriele Carcassi·TheAIGRID YouTube kanalas·
Dalintis:
Didelė dalis artimiausių metų „proveržių“ bus ne nauji atradimai, o DI pastebėti dalykai, kurie jau seniai gulėjo mums po nosimi — nesusieti duomenys ir praeitos pro šalį klaidos.
— TheAIGRID·TheAIGRID YouTube kanalas·
Dalintis:
Anthropic darbuotojų apklausos paradoksas: 91 % mano, kad iki 2030 m. DI gebės padaryti Nobelio vertą atradimą, bet tie patys žmonės mano, kad jis atliks tik 75 % jų pačių darbo.
— AI Explained·AI Explained YouTube kanalas·
Dalintis:
Anthropic IPO dokumentuose pripažįsta, kad jei gebėjimas aptikti modelių neatitikimą atsiliks nuo jų pažangos, bendrovė vis tiek gali išleisti modelius, kurių elgesio nebegali tinkamai patikrinti.
— Anthropic (IPO dokumentai)·AI Explained YouTube kanalas·
Dalintis:
Skaičiuotuvo taisykles sukūrėme patys, tad įrankį supratome, net jei visų jo veiksmų neatlikdavome. Kalbos modeliai išsiveda taisykles patys, todėl nebesuprantame nei įrankio, nei jo rezultatų.
— AI Explained·AI Explained YouTube kanalas·
Dalintis:
Jei AI perims didelę dalį darbo, turtas pereis nuo tų, kurie dirba, tiems, kurie valdo. Kas nieko nevaldo, gali likti nuošalyje — todėl svarstoma, kaip kiekvienam suteikti nuosavybės dalį.
— TheAIGRID·TheAIGRID YouTube kanalas·
Dalintis:
Anthropic fondo dydis auga kartu su įmone: už kiekvieną 50 % vertės prieaugį valdyba gali pridėti dar 2 % akcijų — tai priešinga įprastai logikai, kur sėkmė reiškia, kad viršūnė pasilieka vis daugiau.
— TheAIGRID·TheAIGRID YouTube kanalas·
Dalintis:
Anthropic teigia, kad daugiau nei 80 % jos produktų kodo gegužę parašė Claude, o vadovai mano, kad realiai 90 % ar daugiau. Įmonė realiu laiku stebi, kaip jos pačios produktas pranoksta darbuotojus pagrindinėje jų darbo dalyje.
— TheAIGRID·TheAIGRID YouTube kanalas·
Dalintis:
Altmano argumentas buvo ne apie tai, kad neturėtumėte kompiuterio: esant pasauliniam atminties trūkumui, tas pats DRAM lustas duomenų centre dirba beveik visą parą, o jūsų nešiojamajame didžiąją laiko dalį prastovi.
— Sam Altman·TheAIGRID YouTube kanalas·
Dalintis:
Kritika pagrįsta ne dėl matematikos, o dėl to, kas ją sako: kai didžiausias pasaulio atminties pirkėjas aiškina, kad atmintis naudingesnė duomenų centruose, tai nėra neutralus pastebėjimas — žmonės turi teisę pastebėti, kam tai naudinga.
— TheAIGRID·TheAIGRID YouTube kanalas·
Dalintis:
Pyktis dėl DI turi atvirkštinį poveikį: kuo daugiau grasinimų, tuo mažiau ilgų nescenarijuotų pokalbių ir daugiau apsaugos bei PR — taigi mažiau skaidrumo, mažiau pasitikėjimo ir dar daugiau pykčio.
— TheAIGRID·TheAIGRID YouTube kanalas·
Dalintis:
Kibernetinėse atakose patys triukai — pažeidžiamumų grandinės — nėra nauji. Nauja yra mastas ir greitis: DI agentų spiečiai koordinuotai atlieka milžinišką darbą realiu laiku.
— Wes Roth·Wes Roth YouTube kanalas·
Dalintis:
Izoliuoti virtualiose mašinose agentai susirado būdą bendrauti per bendro procesoriaus talpyklą: vienas užpildo ją duomenimis ir sukuria vos pastebimą delsą, kuri tampa nuliu arba vienetu.
— Wes Roth·Wes Roth YouTube kanalas·
Dalintis:
Norint apsaugoti milijardus, kyla pagunda gynybiniam DI įsakyti niekada neišsijungti — net jei to prašytum tu pats. Taip savo rankomis pašalini jungiklį sistemai, kuri protingesnė už tave.
— Wes Roth·Wes Roth YouTube kanalas·
Dalintis:
Idėjos DI srityje neišlieka paslaptyje ilgai – tarp laboratorijų skirtumas retai didesnis nei pusmetis, todėl galiausiai lemia aparatinė įranga: laimės tas, kas greičiausiai sugebės įjungti daugiausia lustų.
— Elon Musk·TheAIGRID YouTube kanalas·
Dalintis:
Gebėjimas suprasti realaus laiko vaizdo srautą, Musko manymu, yra būtina bendrojo dirbtinio intelekto sąlyga – žmonės tai daro savaime, o nė vienas dabartinis modelis to negali.
— Elon Musk·TheAIGRID YouTube kanalas·
Dalintis:
Modelio rezultatą lemia ne tik „smegenys“, bet ir aplink jį esanti įrankių bei atminties sistema: Prinstono teste tas pats modelis vienoje sąrangoje surinko 42 %, o kitoje – 78 %.
— TheAIGRID·TheAIGRID YouTube kanalas·
Dalintis:
Anthropic viduje jaunesniųjų specialistų dalis tarp naujai samdomų techninių darbuotojų krito nuo 27 % iki 9 %. Jei DI atlieka darbą, kurį anksčiau dirbo pradedantieji, dingsta pirmas karjeros laiptelis — o būtent jis žmones paversdavo patyrusiais.
— TheAIGRID·TheAIGRID YouTube kanalas·
Dalintis:
Sam Altmanas teigia, kad nebegalėsime tiesiog užlopyti visų saugumo spragų — teks patį dirbtinį intelektą paversti nauja gynybos skydo forma.
— Sam Altman·TheAIGRID YouTube kanalas·
Dalintis:
Dirbtinis intelektas jau nebe tik išlaiko sunkiausius egzaminus — jis ima taisyti pačius ekspertus: fizikos uždavinių atsakymai buvo klaidingi ne modelio, o mokslininkų pusėje, o tikrinant ~800 matematikos straipsnių rasta apie 6 % su esminėmis klaidomis.
— TheAIGRID·TheAIGRID YouTube kanalas·
Dalintis:
Anthropic listingas rinkoje bus savotiškas DI burbulo testas: tikroji žinia paaiškės ne pirmą dieną, o kai pasibaigs akcijų pardavimo ribojimo laikotarpis ir pamatysime, ar arčiausiai DI esantys žmonės išsigrynina pinigus, ar laiko toliau.
— Matt Wolfe·Matt Wolfe YouTube kanalas·
Dalintis:
Atvirų svorių modeliai jau beveik prilygsta tam, kas prieš kelis mėnesius stebino pasaulį, bet 2,8 trilijono parametrų modelio namuose nepaleisi — jo tikroji vertė ligoninėms, bankams ir vyriausybėms, galinčioms jį sukti savo serveriuose, kad duomenys niekur neiškeliautų.
— Matt Wolfe·Matt Wolfe YouTube kanalas·
Dalintis:
Iki šiol DI puikiai atlikdavo tai, ką žmonės jau moka — laikė egzaminus, rašė kodą. Jei modelis tikrai paneigė 25 metus galiojusią eksponentinio laiko hipotezę, tai jau atsakymas į klausimą, kurio ekspertai neįveikė, ir tai svarbiau už bet kokį benchmark'ą.
— Matt Wolfe·Matt Wolfe YouTube kanalas·
Dalintis:
Duomenų kaupimas ilgainiui tampa pranašumu: tai, kas iš pradžių atrodo bevertė, po metų virsta turtinga baze, leidžiančia analizuoti, koks mąstymas vedė į laimėjimus, o koks – į nuostolius.
— Wes Roth·Wes Roth YouTube kanalas·
Dalintis:
Anksčiau nė vienas žmogus nesivargindavo užsirašinėti visų savo svarstymų, o jei ir užsirašytų, nesėstų perskaityti tų kalnų duomenų. Dirbtinio intelekto agentai tai daro automatiškai – tai iš esmės naujas pasaulis.
— Wes Roth·Wes Roth YouTube kanalas·
Dalintis:
Automatizacijos nauda ilgai nesimato ir atsiskleidžia tik uždėjus paskutinę grandį – tada visas „konvejeris“ užsiveda ir dirba, kol tu miegi.
— Wes Roth·Wes Roth YouTube kanalas·
Dalintis:
Eksponentinio laiko hipotezė teigia, kad kai kurios problemos yra „prakeiktos“ — vos truputį padidinus uždavinio apimtį, jis tampa eksponentiškai sunkesnis. To niekas neįrodė, bet daugybė mokslinių darbų buvo parašyta remiantis prielaida, kad tai tiesa.
— Károly Zsolnai-Fehér·Two Minute Papers YouTube kanalas·
Dalintis:
Karpo redukcijos leidžia visiškai skirtingas problemas — maršrutų planavimą, radijo dažnių paskirstymą, jutiklių išdėstymą — pertvarkyti į tą patį 3-SAT uždavinį. Todėl greitesnis vieno uždavinio sprendimas dažnai išsprendžia ir visus kitus.
— Károly Zsolnai-Fehér·Two Minute Papers YouTube kanalas·
Dalintis:
OpenAI darbas pateikia ne tik įrodymą, kad toks algoritmas egzistuoja, bet ir patį algoritmą, kuris ne vien randa sprendinį, bet ir pasako, kiek tiksliai sprendinių yra.
— Károly Zsolnai-Fehér·Two Minute Papers YouTube kanalas·
Dalintis:
Naujajame garso efektų modelyje įvykių seką galima aprašyti viename prompte — modelis juos sugeneruoja ta pačia tvarka, kaip surašyta, kaip vieną ištisinį klipą.
— ElevenLabs·ElevenLabs YouTube kanalas·
Dalintis:
Didinant „prompt influence“ reikšmę rezultatas tiksliau atitinka žodžius, bet mažėja įvairovė tarp atskirų generacijų — tai kūrybinio tikslumo ir netikėtumo kompromisas.
— ElevenLabs·ElevenLabs YouTube kanalas·
Dalintis:
API kreditai, įtraukti į prenumeratą, suteikia erdvės eksperimentuoti ir kurti savo įrankius – vartotojas tampa ne tik DI naudotoju, bet ir kūrėju.
— OpenAI·OpenAI YouTube kanalas·
Dalintis:
Modelį verta rinktis pagal užduotį: rašymo taisymui tinka tas, kuris gerai rašo ir yra pigus, o ne pats galingiausias.
— OpenAI·OpenAI YouTube kanalas·
Dalintis:
Kai nori, kad DI tau padėtų, geriausias įkvėpimas yra jau įrodyti rezultatai. Kaip DI diegime naudojami „golden data set“ vertinimai, taip ir kurdamas pradėk nuo pavyzdžio, kuris jau pasiteisino, ir išskaidyk, kodėl jis veikia.
— Nate Herk·Matt Wolfe YouTube kanalas·
Dalintis:
Automatizavimas daro produktyvesnį, bet kartu ir tingesnį – nebenori daryti dalykų, kuriuos anksčiau pats atlikdavai per kelias minutes. Galima ginčytis, ar tai gerai, ar blogai.
— Nate Herk·Matt Wolfe YouTube kanalas·
Dalintis:
Instagramo paskyra, kuri anksčiau būtų reikalavusi etatinio darbuotojo, per 30 dienų surinko apie 2 tūkst. sekėjų, o žmogaus darbo joje buvo įdėta vos keturios ar penkios valandos.
— Nate Herk·Matt Wolfe YouTube kanalas·
Dalintis:
Įdomiausia Genie 4 savybė ta, kad pasaulį gali keisti jau būdamas jo viduje — skrisdamas lėktuvu virš San Diego gali paprašyti, kad iš vandens iššoktų banginis ar atsirastų naujienų sraigtasparnis.
— Matt Wolfe·Matt Wolfe YouTube kanalas·
Dalintis:
Technologija dar toli gražu netobula: kiekvienas pasaulis trunka vos dvi minutes, o valdymas nepatikimas — sistema ne visada atlieka tai, ko prašai.
— Matt Wolfe·Matt Wolfe YouTube kanalas·
Dalintis:
Intelektinės nuosavybės apribojimus lengva apeiti perfrazavus: „King Kong“ sugeneruoti neleido, bet „milžiniška gorila“ suveikė puikiai.
— Matt Wolfe·Matt Wolfe YouTube kanalas·
Dalintis:
Teisės skyriaus didžiausia rizika – tapti kliūtimi: kai komanda nespėja, verslas tiesiog nustoja į ją kreiptis, o tai padidina rizikas ir apsunkina paties teisininko darbą.
— Emma Cadre Bergström·OpenAI YouTube kanalas·
Dalintis:
Automatizavus NDA peržiūras, joms skiriamas laikas sumažėjo nuo maždaug 20 % iki mažiau nei 1 % komandos darbo valandų, o atlaisvintas laikas skiriamas strategiškai vertingiems sandoriams.
— Emma Cadre Bergström·OpenAI YouTube kanalas·
Dalintis:
Net ir naudojant DI, žmogui lieka atsakomybė už patarimą – nesvarbu, kokiu įrankiu jis parengtas ar perduotas, už jo visada stovi žmogus.
— Emma Cadre Bergström·OpenAI YouTube kanalas·
Dalintis:
Teisės sektorius iš esmės ribojamas pasiūlos: paslaugų poreikis gerokai viršija galimybes, todėl ne kiekviena sutartis peržiūrima ir ne kiekviena neteisybė pasiekia teismą.
— Max Junestrand·OpenAI YouTube kanalas·
Dalintis:
Kurdamas DI produktą, nesistenk statyti to, kas išliks amžiams — veikiau nuolat judėk kartu su DI galimybių riba. Tai reiškia statyti smėlio pilis, nes technologinis pagrindas keičiasi per greitai.
— Max Junestrand·OpenAI YouTube kanalas·
Dalintis:
Teisėje svarbiausia valiuta yra pasitikėjimas — net svarbesnė nei apmokamos valandos. Klientas niekada neturi jausti, kad dėl technologijos jis šiuo atžvilgiu nusileidžia.
— Max Junestrand·OpenAI YouTube kanalas·
Dalintis:
Teisininkams „pakankamai gerai“ neveikia: kaip pasakė vienas mokesčių partneris, jei rezultatas teisingas 90 procentų, vadinasi, jis klaidingas 100 procentų.
— Alex Ford Webb·OpenAI YouTube kanalas·
Dalintis:
Anksčiau būdavo peržiūrimos tik 10 proc. vertingiausių sutarčių, o rizika, pasislėpusi likusiose, likdavo nepastebėta. Dabar DI leidžia beveik akimirksniu patikrinti ir kitus 90 proc.
— Alex Ford Webb·OpenAI YouTube kanalas·
Dalintis:
Nuo pažangaus modelio iki realiai veikiančios teisinės darbo eigos — ilgas kelias: reikia sluoksnių, užtikrinančių tikslumą, citatas ir galimybę atsekti informaciją iki pirminio šaltinio.
— Alex Ford Webb·OpenAI YouTube kanalas·
Dalintis:
Anksčiau teisininkai peržiūrėdavo tik 10 % vertingiausių sutarčių. Su DI likusius 90 % galima patikrinti beveik akimirksniu — pasikeičia ne tik greitis, bet ir darbo apimtis.
— Legora·OpenAI YouTube kanalas·
Dalintis:
Legora lyginama su Formulės 1 automobiliu: pati platforma yra greitas bolidas, bet jai reikia variklio — naujus variklius nuolat tiekia OpenAI modeliai.
— Legora·OpenAI YouTube kanalas·
Dalintis:
Jei dirbtinio intelekto diegimas teisėje pavyks, individo galia pasiekti daugiau pasikeis taip stipriai, kad ankstesnės inovacijos atrodys menkos.
— Legora·OpenAI YouTube kanalas·
Dalintis:
Jei dokumentacija, SDK ir pavyzdžiai atnaujinami rankomis, jie neišvengiamai išsiskiria ir skaitai dokumentus, kurie nebeatitinka įdiegtos bibliotekos. Todėl verta turėti vieną tiesos šaltinį ir viską kita generuoti iš jo.
— ElevenLabs·ElevenLabs YouTube kanalas·
Dalintis:
Esminis sprendimas – kryptis: backendas nieko niekam nesiunčia, visos kitos sistemos pačios pasiima specifikaciją. Taip dokumentai ir SDK statomi iš to, kas realiai veikia produkcijoje.
— ElevenLabs·ElevenLabs YouTube kanalas·
Dalintis:
Automatizuoti galima nuoroginę medžiagą, bet ne vadovus: paaiškinti, kada ir kodėl naudoti funkciją, vis dar reikia žmogaus.
— ElevenLabs·ElevenLabs YouTube kanalas·
Dalintis:
Jei agentas dirbdamas nutyla ir nerodo progreso, žmonės nustoja juo pasitikėti — todėl „tylūs užstrigimai“ yra skubiausia problema, net jei techniškai ne dažniausia.
— Benny (Rennie Song DI agentas)·OpenAI YouTube kanalas·
Dalintis:
Patikimas DI asistentas turi mokėti pripažinti savo žinių ribas, o ne apsimesti tiksliai žinantis — pavyzdžiui, atvirai pasakyti, kad neturi švarių duomenų ir todėl nevardins tikslios problemų eilės.
— Benny (Rennie Song DI agentas)·OpenAI YouTube kanalas·
Dalintis:
Darbo perdavimas agentui tampa toks pat paprastas kaip kolegai: pažymi jį komentare puslapyje arba tiesiog paskambini telefonu ir aptari temas.
— Rennie Song·OpenAI YouTube kanalas·
Dalintis:
Pirmajame „battle royale“ eksperimente laimėjo Grok — autoriaus teorija, kad jis turi mažiausiai suderinimo (alignment) apribojimų, todėl noriau eliminuodavo kitus, o Anthropic modeliai dėl savo suderinimo veikiau siekdavo bendradarbiauti.
— Jackie·ElevenLabs YouTube kanalas·
Dalintis:
Žaidime pasimatė „melagio piemenuko“ efektas: Grok tiek daug blefavo apie nesamą trečią šalį, kad kai pagaliau sakė tiesą apie realų pavojų — zoną — niekas nebepatikėjo ir visi žuvo.
— Tomas (komentatoriaus balsas)·ElevenLabs YouTube kanalas·
Dalintis:
Visas 3D žaidimo pasaulis su tekstūromis, pastatais ir veikiančiais objektais buvo sukurtas per 3–4 savaites ir maždaug už 5000 dolerių modelio sąnaudų — be nupirktų asset'ų, be žaidimų kūrimo patirties.
— Jackie·ElevenLabs YouTube kanalas·
Dalintis:
Senasis teisininkų darbo modelis buvo „vienas teisininkas – viena problema“, kai kiekvienas kaupė savo patirtį atskirai. DI leidžia sukurti bendrą žinių sluoksnį, kuriuo naudojasi visa organizacija.
— AT&T teisės komandos atstovas·OpenAI YouTube kanalas·
Dalintis:
DI tampa mąstymo partneriu: kiekvienas gauna paprastą galimybę patikrinti šališkumą ar suabejoti faktu.
— AT&T teisės komandos atstovas·OpenAI YouTube kanalas·
Dalintis:
Sprendimus ir toliau priims teisininkai – būtent to iš jų tikisi klientas. Esminį skirtumą padarys tai, kad tuos sprendimus maitins geresnė informacija.
— AT&T teisės komandos atstovas·OpenAI YouTube kanalas·
Dalintis:
PHP spraga egzistavo 20 metų, bet jos išnaudojimas reikalavo tokios sudėtingos veiksmų grandinės, kokia buvo žmonių tyrėjų galimybių riba. Galingi DI modeliai paverčia tokias neaiškias klaidas realiai pavojingomis.
— Matt Wolfe·Matt Wolfe YouTube kanalas·
Dalintis:
Kai svetainės blokuoja DI agentus, jos atsiduria prieš dilemą: leisdamos agentams apsipirkti jos tampa pakeičiamos, o drausdamos — rizikuoja prarasti pardavimus, nes vis daugiau žmonių perka per agentus.
— Matt Wolfe·Matt Wolfe YouTube kanalas·
Dalintis:
Microsoft pristatė medicininio „superintelekto“ modelį MAI-DxO, kuris, bendrovės teigimu, diagnozuoja 1,7 karto tiksliau nei gydytojai ir beveik keturis kartus tiksliau nei gydytojai be papildomų šaltinių.
— Matt Wolfe·Matt Wolfe YouTube kanalas·
Dalintis:
Vieni anksčiausių ir aktyviausių DI įrankių naudotojų pačioje OpenAI yra ne inžinieriai, o kitų sričių specialistai.
— OpenAI atstovas·OpenAI YouTube kanalas·
Dalintis:
Didžiausia nauda atsiranda tada, kai srities ekspertas suporuojamas su inžinieriumi, išnagrinėjamas visas darbo procesas ir agentais automatizuojama visa grandinė, o ne pavienis žingsnis.
— Uber atstovas·OpenAI YouTube kanalas·
Dalintis:
Tikslas – kurti neįtikėtino intelekto mašinas, kurias pavyktų suderinti taip, kad žmonės liktų valdžioje, ir išvengti galios koncentracijos: technologija turėtų įgalinti visus.
— OpenAI atstovas·OpenAI YouTube kanalas·
Dalintis:
Prieš kelis mėnesius modeliai nesugebėdavo suprasti sudėtingų procesų, tokių kaip draudimo rizikos vertinimas; dabar naujausi GPT modeliai gali perskaityti 100 puslapių instrukcijų ir sukurti darbo eigą, kuri išsprendžia užduotį nuo pradžios iki pabaigos.
— V7·OpenAI YouTube kanalas·
Dalintis:
Modelis yra tik pusė lygties — kita pusė yra platforma, kurioje jis veikia: kontekstiniai grafai, saugantys faktus, esybes ir ryšius pagal jūsų duomenis atitinkančią ontologiją.
— V7·OpenAI YouTube kanalas·
Dalintis:
Naujų modelių rinkinys leidžia spręsti uždavinius, kurie prieš metus buvo nepraktiški ar net neįmanomi, ir padeda lėtai prie DI prisitaikančioms įmonėms persitvarkyti.
— V7·OpenAI YouTube kanalas·
Dalintis:
Realistiškesnis kelias į DI žaidimus – ne prašyti modelio nuveikti viską, o palikti žaidimo variklį tvarkyti taisykles ir atmintį, o DI tepaskirti „perpiešti“ paprastą vaizdą į gražų.
— Matt Wolfe·Matt Wolfe YouTube kanalas·
Dalintis:
Pagrindinė pasaulio modelių bėda – jie pamiršta: nusisukus nuo objekto ir vėl pažvelgus, jo nebėra arba jis pasikeitęs, nes modelis atsimena tik paskutines kelias sekundes.
— Matt Wolfe·Matt Wolfe YouTube kanalas·
Dalintis:
Balso sintezėje emocijų pasirinkimą iš sąrašo keičia režisavimas natūralia kalba – nurodymus rašai kaip aktoriui, net konkretiems žodžiams.
— Matt Wolfe·Matt Wolfe YouTube kanalas·
Dalintis:
Apsipirkimo agentas gali dirbti su nuotrauka: iš kambario vaizdo pasiūlyti baldų derinį, sugeneruoti vizualizaciją ir perrinkti prekes pagal nurodytą biudžetą.
— OpenAI·OpenAI YouTube kanalas·
Dalintis:
Naujas balso modelis sąmoningai sukurtas suderinamas su OpenAI realaus laiko API — užtenka pakeisti galinį tašką ir modelį, o klientų bei serverio įvykiai lieka tie patys. Tai rodo, kaip suderinamumas tampa konkurencine strategija.
— ElevenLabs·ElevenLabs YouTube kanalas·
Dalintis:
Balso agentams nebeužtenka vieno modelio: greitiems, raiškiems pokalbiams reikia vieno, o sudėtingoms užduotims, kur būtinas tikslumas ir apgalvotas atsakymas — kito. Modelio pasirinkimas priklauso nuo pokalbio sudėtingumo.
— ElevenLabs·ElevenLabs YouTube kanalas·
Dalintis: