Post #106

По итогамAIStartup School от YC 2+1 взгляд на будущее ML: масштабирование, переосмысление или возвращение к биологии? Вчера на AI Startup School от YC собрались ведущие исследователи, чтобы поделиться с молодыми стартаперами видением того, как мы дойдем до AGI 3 совершенно разных подхода от лидеров индустрии, которые сегодня определяют направление развития отрасли 1. Джаред Каплан, главный научный сотрудник Anthropic. Соавтор знаменитых законов масштабирования считает, что путь к AGI лежит через планомерное улучшение 6 известных компонентов: Знания — более глубокое понимание мира Память — долгосрочная память систем Надзор — лучший контроль и безопасность Более крупные задачи — переход от минут к часам и дням работы Мультимодальность — интеграция текста, изображений, аудио Масштаб — продолжение увеличения моделей Философия Каплана - революционных прорывов может и не потребоваться Достаточно довести до совершенства то, что уже работает Сейчас сложность задач, которые может решить ML, удваивается каждые 7 месяцев От секунд в 2021 году до часов в 2024-м Франсуа Шолле, создатель Keras, экс-исследователь Google: "Мы измеряем не то" Шолле указывает на фундаментальную проблему: современные бенчмарки тестируют запоминание, а не интеллект Его определение интеллекта - способность преобразовать небольшой набор примеров из прошлого опыта в решения для широкого круга неизвестных задач Проблема нынешних LLM — они отлично справляются с "размытым распознаванием паттернов" (увидеть собаку на фото), но плохо с "написанием правил" (посчитать буквы в слове) Людям доступны оба типа мышления Его прогноз: 2025 год станет годом "рассуждений во время выполнения" — переходом от запоминания к настоящему мышлению BыступлениеДэмиса Хассабиса DeepMind Мозг — единственная доказанная архитектура AGI CEO DeepMind предлагает самый радикальный взгляд - нужно вернуться к изучению мозга как единственного работающего примера общего интеллекта Что это значит для будущего? Каждый подход отражает разную философию развития технологий: Каплан верит в эволюционный путь — постепенное совершенствование известных методов Это позиция больших корпораций с ресурсами для масштабирования Шолле призывает к революции в архитектуре — гибридные системы, сочетающие нейронные сети с символическим ML Это путь исследователей, ищущих принципиально новые решения Хассабис предлагает вернуться к основам — изучить мозг и воспроизвести его принципы. Это междисциплинарный подход на стыке ML, нейронауки и биологии Почему важно понимать эти различия? Выбор подхода определяет не только технические решения, но и: 1. Куда направлять инвестиции (скейлинг vs исследования vs нейронаука) 2. Какие специалисты нужны (инженеры vs ученые vs биологи) 3. Когда ожидать прорывов (годы vs десятилетия) 4. Как готовиться к изменениям в обществе Возможно, истина лежит не в одном подходе, а в их сочетании. Но понимание этих различий поможет лучше ориентироваться в мире, где ML развивается с головокружительной скоростью