TGTGInsightтелеграм анализLIVE / telegram public index
← Такты, стеки, два колеса

TGINSIGHT SIMILAR POSTS

Намери подобно съдържание

Изходен канал @clockstackwheels · Post #295 · 10.04

Сегодня бродили по Зоологическому музею, и я не переставал удивляться, сколько способов «придумала» природа для решения схожих задач. Ну, конечно, природа не наделена разумом, и эволюционный механизм ничего не изобретает в нашем понимании этого слова: просто какие-то варианты оказываются более приспособленными. У этого механизма бывают ошибки (погуглите «возвратный гортанный нерв»), и ещё нередко он «отказывается» от собственных же решений, начиная до неузнаваемости их преобразовывать: например, камбала выглядит так, будто она сделана на коленке из обычной рыбы, плавающей горизонтально, а у нарвала рог не симметричен относительно тела и является просто излишне разросшимся зубом. Тем не менее, механизм наследования, высокая мотивация (если не приспособишься, весь твой вид умрёт) и закон больших чисел обеспечивают очень хорошее разнообразие решений. Вот есть задача, например, «не быть съеденным». Можно быть быстрым и убегать от опасности (антилопы и косули), можно быть неприятным на вкус или запах (скунс, опоссум), можно быть незаметным (палочник, листовидка), а можно быть сильнее всех остальных, чтобы на тебя никто не мог напасть (различные хищники). Задача «добыть себе еды» тоже решается множеством способов: запасать; есть то, что не едят другие; есть то, что не могут достать другие и так далее. Я защищался по эволюционным алгоритмам в программировании, и они, честно говоря, работают так себе. Хуже, чем настоящая эволюция в природе. Во-первых, многообразия и времени не хватает. Но самое главное: мы им даём мало свободы, они недостаточно гибкие и ограничиваются слишком узким набором правил. Например, если у вас есть алгоритм для поиска оптимального маршрута поездки на работу, у него никогда не возникнет решения «предложить пользователю сменить работу, чтобы вообще не ездить никуда». Возможно, мы сможем эффективнее запускать такие алгоритмы, когда появятся онтологические базы данных, описывающие достаточно большую часть вселенной. Ещё очень интересно наблюдать эволюцию в технике. Решения, которые предлагают люди для той или иной задачи, тоже со временем приходят к какому-то своему оптимальному виду. Например, у автомобилей для драг-рейсинга огромные задние колёса и маленькие передние, почти рудиментарные. По множеству других признаков это всё-таки автомобиль: двигатель, колёса, место для человека, может ехать. Но отличия драг-рейсингового автомобиля от автомобиля, решающего другую задачу, как раз очень похожи на отличия разных представителей какого-то одного класса животных. Техника одного вида от разных производителей выглядит очень похоже, потому что эволюционно путём развития и улучшения приходит к какому-то оптимальному для своей задачи образу. А вам фото китоглавов. Форма клюва у них такая, что невозможно отделаться от мысли, будто бы они улыбаются. #life

Hashtags

Резултати

Намерени 1 подобни публикации

Търсене: #apachelicense

当前筛选 #apachelicense清除筛选
AI一线|ShareCentre

@ShareCentre · Post #7154 · 03.04.2026 г., 02:34

Google 发布 Gemma 4 开源模型:Apache 2.0 许可,31B 登顶 Arena AI 开源第三 Google DeepMind 于 4 月 2 日正式发布 Gemma 4,迄今最强大的开源模型家族。基于与 Gemini 3 相同的技术构建,专为高级推理和 Agent 工作流打造。全系列首次采用 Apache 2.0 开源许可,完全商用自由。 自初代发布以来,Gemma 已被下载超过 4 亿次,社区衍生出 10 万+变体。 ⚙️ 四款模型 - E2B(Effective 2B):手机/IoT 边缘设备,128K 上下文,支持文本+图像+视频+音频 - E4B(Effective 4B):手机/IoT 边缘设备,128K 上下文,支持文本+图像+视频+音频 - 26B MoE(混合专家):推理时仅激活 3.8B 参数,256K 上下文,Arena AI 开源第 6 - 31B Dense(稠密):最大化质量,256K 上下文,Arena AI 开源第 3,超越 20 倍参数量模型 🔑 核心能力 - 高级推理:多步规划与深度逻辑 - Agent 工作流:原生函数调用、结构化 JSON 输出、系统指令 - 代码生成:高质量离线代码,本地 AI 编程助手 - 多模态:全系列处理图像和视频,E2B/E4B 额外支持音频 - 140+ 语言原生训练 - Apache 2.0 许可:完全商用自由 📎 相关链接 官方博客:https://blog.google/innovation-and-ai/technology/developers-tools/gemma-4/ Google AI Studio:https://aistudio.google.com Hugging Face:https://huggingface.co/collections/google/gemma-4 Kaggle:https://www.kaggle.com/models?query=gemma-4&publisher=google #Google#Gemma4#开源模型#ApacheLicense#AI