Поговорим про ML.
Пару дней назад вышла новость о том, что в продажу поступила первая русскоязычная книга, половину текста в которой написала нейросеть ruGPT-3. А до этого вы все наверняка натыкались на очень яркие записи про Dalle и Imagen, где нейросеть по описанию рисует картинку, и получается очень любопытно.
Такими темпами скоро нейросети превратятся в крипту: высокотехнологичную вещь, о которой, однако, в среде приличных технарей лучше не упоминать. Потому что то, каким образом это используется, и то, какой образ этому создают в массах, расходится не только с реальностью, но и с определённым уровнем вменяемости.
Кстати, ML ещё и может ярко демонстрировать эффект Даннинга-Крюгера. Мем про "Ты чё, пёс, я математик!" нифига не шутка. Человек может считать себя крутым программистом, если научился комбинировать чужие библиотеки на питоне. Хотя на самом деле простейшую практическую задачу решить не способен -- я с такими сталкивался лично. ML-щики вообще пихают свои нейросети куда ни попадя, считая, что это волшебная таблетка и швейцарский нож для любых ситуаций. Мне рассказывали случай, когда на хакатоне по работе с данными выиграл человек, который просто аккуратно вручную подобрал нужные зависимости в Excel :)
Глобально же нейросетями пытаются решать три вида задач:
1. Информации в вопросе много, а в ответе нужно мало. Например, распознавание образов и символов. Подбор значений каких-нибудь коэффициентов. Приложение "Хотдог или не хотдог" из сериала Кремниевая Долина. Обычно нейросети справляются с таким очень хорошо. Рукописный ввод распознают шикарно, по фото могут назвать породу собаки, математические формулы читают. Но важно понимать, что под капотом даже у такой нейросети не возникает никаких понятных вам символов. Например, при распознавании рукописного ввода случайный набор пикселей, не имеющий для человека смысла, может быть с той же степенью уверенности интерпретирован нейросетью, как совершенно чёткая буква А. Просто мы на такой случайный набор не попадаем почти всегда, и поэтому всё ок.
2. Информации в вопросе средне, и в ответе нужно средне. Как правило, это предсказание, восстановление недостающих данных, улучшение качества фото, раскрашивание ч/б. С такими задачами нейросети справляются уже средненько. Улучшенный нейросетью снимок сразу видно. Предсказание лишь ненамного точнее, чем случайный выбор. Польза в том, что в обращении такие сети просты, а результат всё-таки дают. Но не стоит их переоценивать. Например, сюда можно отнести задачу суммаризации текста (по большому объёму текстов тебе печатают выжимку). Мои товарищи в одном чате несколько дней игрались с ботом-суммаризатором, и в основном половина написанных им фраз это просто мусор и ерунда для ржача. Но в другой половине всё-таки какой-то совсем небольшой смысл проглядывался. Недостаточный для того, чтобы задалбывать этим ботом участников чата (привет, ребята :) ), но не абсолютный рандом.
3. Информации в вопросе мало, а в ответе нужно много. Это генерация данных: вот как раз написание текстов, составление рисунков, логотипов и так далее. Так вот, по моему скромному, но всё-таки хоть немного компетентному мнению, в таких вопросах нейросети выдают полную херню. И хвалёная логотипная нейросетка Лебедева — тоже полная херня. И распиаренная GPT ничего толкового не пишет. Когда читаешь примеры в новостях-анонсах, сразу думаешь: "Вау, как круто!". Но когда пробуешь сам: ruGPT-3 по уровню осмысленности где-то чуть ниже "Яндекс.Рефератов", если помните такой сервис и суть его работы. Я не знаю, будут ли сети по созданию изображений работать так круто (сейчас доступа к ним ни у кого нет), но книга в соавторстве с человеком стала возможна только по той причине, что в качестве человека взяли Павла Пепперштейна, который берёт случайные комбинации словосочетаний и выдаёт это за литературу.
Поверьте: человечество пока что в безопасности касательно захвата машинами.
#dev
🌏 AlphaEarth Foundations: DeepMind показала ИИ, который создаёт детальную карту Земли
DeepMind представила AlphaEarth Foundations - модель, которая объединяет огромные объёмы спутниковых и климатических данных и превращает их в точную карту планеты с детализацией до 10 метров.
Что важно:
- Модель создаёт компактное 64-мерное представление для каждого участка Земли. Это позволяет быстро анализировать территорию, видеть, как она менялась с 2017 по 2024 год, и сравнивать регионы между собой.
- Система делает данные в 16 раз компактнее и примерно на четверть точнее, чем предыдущие подходы.
- Можно отслеживать вырубку лесов, рост городов, состояние почв, влияние климата, изменения береговой линии и другие процессы.
- AlphaEarth уже встроена в Google Earth Engine, поэтому доступна исследователям, экологам и госорганизациям.
Проще говоря, это инструмент, который помогает увидеть Землю в динамике и с высокой точностью, чтобы лучше понимать происходящие изменения.
deepmind.google/blog/alphaearth-foundations-helps-map-our-planet-in-unprecedented-detail/
@ai_machinelearning_big_data
#DeepMind
ИИ не умеет шутить — к такому выводу пришли эксперты Google DeepMind после исследования, в рамках которого 20 комикам предложили написать стендап-материал с применением чат-ботов вроде ChatGPT и Bard.
Проблемы, с которым столкнулся ИИ:
◽️ ему не хватает человечности, которая делала бы материал забавным;
◽️ он не понимает культурный контекст;
◽️ он не понимает, что такое сарказм, черный юмор или ирония;
◽️ из-за настроек модерации ИИ подвержен определенному уровню цензуры.
#DeepMind
🧬 Avances médicos gracias a AlphaFold
El año pasado, Demis Hassabis y John Jumper de Google DeepMind ganaron el Premio Nobel en Química por resolver el problema de predecir la estructura 3D de una proteína basada en su composición—un desafío científico que había durado décadas.
Presentado por Google DeepMind en 2018, el modelo AlphaFold alcanzó una precisión sin precedentes en la predicción de la estructura 3D de las proteínas. AlphaFold2, lanzado en 2020, reveló la base de datos con casi todos los 250 millones de proteínas conocidas por la humanidad.
En comparación, más de 60 años de experimentos de laboratorio habían identificado solo 225,000 fórmulas de proteínas. Ahora, años de investigación se comprimen en segundos de cálculos ⤴️
"Si la primera generación del descubrimiento de fármacos fue la generación natural, que nos dio la aspirina (de la corteza del sauce), y la segunda fue la generación biotecnológica, que nos dio Ozempic, entonces ahora hemos pasado a la tercera generación: la generación de la IA",explicaSamuel Hume, profesor del Departamento de Oncología de Oxford.
Lo que AlphaFold ya ha ayudado a descubrir:
💠 El modelo ayudó a predecir la estructura del receptor de serotonina, una de las hormonas responsables del estado de ánimo. La IA probó cuáles de las 1.6 mil millones de moléculas podrían unirse eficazmente al receptor, lo que podría abrir el camino a nuevos medicamentos para trastornos del estado de ánimo.
💠 Usando AlphaFold, los científicos pudieron desarrollar un nuevo medicamento para el cáncer de hígado que ha mostrado eficacia en el laboratorio (pero aún no en pacientes).
💠 Otro desarrollo gracias a AlphaFold es una "jeringa molecular",que entrega las proteínas deseadas directamente en las células humanas. Esto será útil en la terapia génica y los tratamientos contra el cáncer.
💠 El modelo puede diseñar nuevas moléculas y modelar la estructura de las mutaciones. Esto podría transformar el diagnóstico y tratamiento de enfermedades genéticas raras.
💠 AlphaFold reveló recientemente la estructura del "puente" molecular entre el espermatozoide y el óvulo que se forma durante la fertilización, lo que podría ser útil en el tratamiento de la infertilidad.
Actualmente, el modelo se está utilizando para encontrar vacunas más efectivas contra la malaria y medicamentos para la enfermedad de Parkinson, así como para resolver el problema de la resistencia a los antibióticos.
Más sobre el tema:
🔬Cómo AlphaFold de Google DeepMind está transformando la biología y la farmacéutica
🔬10 Herramientas Revolucionarias de IA según la revista Time
#ciencia#deepmind@hiaimediaes
🔥 Google DeepMind представили новую open-source библиотеку на Python для сборки асинхронных AI‑пайплайнов в реальном времени!
Новая библиотека позволяет собирать AI-процессы из компонентов — как LEGO для ИИ-агентов.
🔧 Особенности:
- Построение асинхронных, компонуемых пайплайнов
- Поддержка Gemini и Gemini Live API
- Основана на asyncio
- Обрабатывает мультимодальные данные: текст, изображения, аудио
- Внутри готовые агенты: real-time агент, исследователь, live-комментатор
💡 Подходит для:
- Разработки ИИ-агентов
- Генеративных моделей, работающих в реальном времени
- Быстрой сборки MVP с мультимодальными возможностями
Установка:
pip install genai-processors
Открытый код, готовые компоненты и интеграция с API.
• Repo: https://github.com/google-gemini/genai-processors
• Blog: https://developers.googleblog.com/en/genai-processors/
@ai_machinelearning_big_data
#DeepMind#ai#ml
【🚀 AI 人工智慧｜Google 推 Deep Research Max：支援 MCP、可接企業私有資料 】
#DeepMind#Gemini
📍 請見報導：
https://abmedia.io/google-deep-research-max-gemini-3-1-pro-mcp-enterprise
📍 訂閱鏈新聞頻道：https://linktr.ee/abmedia.io
🎬The Thinking Game: ¿cómo llevaron los juegos a Demis Hassabis a fundar DeepMind y ganar un Premio Nobel?
"Este es un momento crucial para toda la humanidad, y no hay tiempo que perder", declara Sir Demis Hassabis, cofundador de Google DeepMind y Premio Nobel.
El director Greg Kohs pasó cinco años filmando The Thinking Game (El Juego del Pensamiento), siguiendo a Hassabis en todas partes y capturando los momentos más vívidos de su vida y la de DeepMind.
Varios episodios muestran a un joven Demis: fue un prodigio del ajedrez a los 13 años y se graduó de la escuela secundaria a los 16. Luego se dedicó al desarrollo de videojuegos y más tarde estudió ciencias de la computación en Cambridge.
Hassabis explica en detalle cómo y por qué su pasión por los juegos lo llevó al campo de la inteligencia artificial. Obtuvo un doctorado en neurobiología en sus 30 años y, en 2010, fundó el laboratorio DeepMind con el objetivo de "resolver el problema de la inteligencia".
"Mi objetivo de vida es resolver la inteligencia artificial general. <...> Quería explorar el límite del Universo", afirma Hassabis.
En 2016, el modelo AlphaGo de DeepMind venció al mejor jugador humano del mundo en Go, y en 2018 el laboratorio lanzó AlphaFold, un modelo que revolucionó la biología y le otorgó a Hassabis el Premio Nobel.
Hassabis es un optimista tecnológico devoto. A lo largo de la película (y de toda su vida), insiste en que la inteligencia artificial cambiará drásticamente el mundo tal como lo conocemos — y definitivamente para mejor.
Más documentales:
🍿"Esto es un programa sobre nuestro futuro" — Netflix presenta nueva serie con Bill Gates
🍿Documentales sobre IA, robots y la nueva era de la humanidad
#imperdible#deepmind@hiaimediaes
🤖DeepMindразработала ИИ-чат-бота Sparrow, обученного на большой языковой модели Chinchilla.
Система предназначена для общения с людьми и ответов на вопросы, используя поиск Google. На основе отзывов от пользователей, Sparrow учится генерировать более полезные диалоги, заявили разработчики.
📝 Чтобы предотвратить опасные или оскорбительные сообщения, инженеры собрали экспериментальную группу и попросили участников выбрать несколько ответов модели на один и тот же вопрос. На основе полученных данных исследователи сформировали 23 правила, которых придерживались при доработке чат-бота.
В итоге Sparrow не дает финансовых советов, ведет себя дружелюбно и не притворяется личностью.
👾 Однако модель все еще допускает ошибки, отметили в DeepMind. Время от времени Sparrow уходит от темы или выдумывает случайные ответы. Некоторые участники также смогли обойти ограничения чат-бота.
#DeepMind#NLP
♟YouTubeприменил освоивший настольные игры ИИ-алгоритм MuZero от DeepMind для улучшения сжатия видео.
В компании заявили, что модель снизила битрейт в среднем на 4% без заметной потери качества роликов. По словам исследователя DeepMind Антона Жернова, это значительная экономия вычислительной мощности и пропускной способности. ИИ может помочь жителям стран с ограниченным интернетом смотреть ранее недоступные для них видео, добавил эксперт.
💬 Жернов уточнил, что MuZero работает только с тем YouTube-контентом, где используется метод сжатия видео с открытым исходным кодом VP9, для улучшения которого алгоритм и адаптировался.
#YouTube#DeepMind
🎞 ANCESTRA: Una película del estudio de Darren Aronofsky, creada con Google Veo
ANCESTRA es la primera colaboración entre Primordial Soup, el estudio fundado por Darren Aronofsky, director de Requiem for a Dream y Black Swan, y Google DeepMind. La película se estrenó en el Festival de Tribeca el 13 de junio.
La directora Eliza McNitt convirtió la historia de su propio nacimiento en un experimento cinematográfico impulsado por inteligencia artificial. Cuando su madre embarazada acudió a un chequeo de rutina, los médicos descubrieron un agujero en el corazón de Eliza. Una operación de emergencia era la única forma de salvar su vida.
🎬 ¿Cómo se hizo?
La película combina acción en vivo con visuales generados por inteligencia artificial para escenas que, de otro modo, serían imposibles de filmar. Por ejemplo, Gemini analizó fotos de la infancia de McNitt y produjo un texto detallado, que Imagen utilizó para generar una foto realista de un recién nacido. Esa imagen fue animada utilizando Veo.La inteligencia artificial también ayudó a crear transiciones detalladas y efectos visuales surrealistas.
"Veo es otro lente a través del cual puedo imaginar el universo que me rodea",diceMcNitt.
Más de 200 personas contribuyeron a la realización de la película.
📺 ¿Qué sigue?
ANCESTRA es la primera de una serie de tres películas impulsadas por inteligencia artificial desarrolladas a través de la colaboración entre DeepMind y Primordial Soup.
Google DeepMind ofrece acceso temprano a sus herramientas generativas más recientes. Al mismo tiempo, los cineastas las ponen a prueba en producciones creativas reales.
📱 Mira la película completa aquí.
#noticias#cine#deepmind@hiaimediaes