TGINSIGHT SIMILAR POSTS
Source channel @MachineLearningResearch · Post #75 · Jun 3
Европейские эксперты выпустили белую книгу о текущем состоянии и перспективах квантового ML Это не просто новая технология, а потенциальная смена вычислительной парадигмы Страны/регионы, которые сейчас создадут правильную экосистему (таланты + инфраструктура + стандарты + применения), получат долгосрочное технологическое лидерство Стратегические выводы из отчета: 1. Мы на пороге технологической революции • Две вычислительные революции происходят одновременно - ML и квантовые вычисления, с разными уровнями зрелости • Их синергия создаст качественно новые возможности, недоступные каждой технологии по отдельности 2. Геополитическая гонка уже началась • ЕС зажат между доминированием США и растущей ролью Китая, особенно в ML • Патенты на применение ML в квантовых вычислениях уже активно регистрируются, в основном в США • Пример #DeepSeek показывает, что инновации и открытые модели могут кардинально изменить баланс сил 3. Критическое окно возможностей: 5-10 лет • Сейчас формируются стандарты и платформы, которые определят будущее • Лидерство в этих областях определяется научным превосходством и способностью создавать интегрированные программные платформы • Кто создаст экосистему первым, тот получит долгосрочное преимущество 4. Ключевые стратегические направления: То, что уже работает-ML для улучшения квантовых систем Это создает немедленную ценность и ускоряет развитие Среднесрочная перспектива (критично для лидерства): • Гибридные квантово-классические системы • Квантовые алгоритмы для конкретных промышленных задач Долгосрочная цель (определит будущее): • Полностью квантовые ML-системы • Принципиально новые вычислительные парадигмы 5. Стратегические рекомендации: - Инвестиции должны идти параллельно в: • Фундаментальные исследования • Прикладные разработки • Инфраструктуру (квантовые компьютеры + классические HPC) - Критически важно: • Создание открытых платформ и стандартов • Подготовка специалистов на стыке квантовых технологий и ML • Баланс между открытой наукой и коммерческой конкурентоспособностью - Энергетический аспект: Необходимо оценивать и оптимизировать энергопотребление как квантовых ML решений, так и классического ML для квантовых технологий Это может стать конкурентным преимуществом Риск для отстающих- зависимость в критических областях (медицина, безопасность, материалы, энергетика) на десятилетия вперед
Hashtags
Search: #mlm
@profcen · Post #383 · 08/16/2023, 09:03 AM
Поэтому вести борьбу с купцами счастья нужно неустанно и постоянно, как за зарплаты и нормальные условия труда. Победа на этом фронте сулит значительные успехи и на остальных. Не слушайте игры нарядных дудочников. Думайте. Боритесь. @profcen_bot #инсайд#мошенничество#mlm#сетевоймаркетинг
@ai_machinelearning_big_data · Post #8817 · 10/20/2025, 08:41 PM
⚡️BERT is just a Single Text Diffusion Step Любопытны пост, где автор объяснил на примере очень простую и очевидную, но мощную идею. Он заметил, что то, что мы называем диффузией текста, на самом деле - это просто обобщённая версия классического обучения BERT. Как работаетBERT? В BERT модель берёт текст и маскирует часть слов, а потом учится угадывать, какие слова были скрыты. В диффузии происходит почти то же самое, только шагов больше: на каждом шаге модель немного «портит» текст (добавляет шум), а затем восстанавливает его, всё меньше и меньше теряя смысл, пока не соберёт финальный чистый текст. То есть BERT делает один шаг очистки - угадывает замаскированные слова. А диффузионная модель делает много таких шагов подряд, постепенно превращая случайный набор токенов в осмысленный текст. Барри дообучил RoBERTa, чтобы показать это на практике - и получил настоящий текстовый диффузионный генератор. В примере: - Используется RoBER (улучшенная версия модели BERT,) и датасет WikiText. - На каждом шаге часть токенов заменяется на <MASK>, модель восстанавливает их, потом снова маскирует — и так несколько раз. - После нескольких итераций модель способна генерировать связный текст, даже без автогенеративного декодера (как у GPT). 📈Результаты - Модель генерирует осмысленный текст, хотя и не идеально связный. - Качество улучшалось по мере добавления шагов диффузии. - По времени генерации RoBERTa Diffusion была немного медленнее, чем GPT-2 (~13 сек против 9 сек), но архитектура осталась полностью encoder-only. Автор упоминает, что позже наткнулся на работу DiffusionBERT, где идею реализовали глубже и подтвердили результатами. Главная мысль: BERT можно считать одноступенчатой версией текстовой диффузии. Если добавить больше шагов, то vs получаем диффузионный генератор текста. Если BERT - это один шаг диффузии, то будущее может принадлежать моделям, совмещающим "понимание" и "генерацию" текста в одном процессе. https://nathan.rs/posts/roberta-diffusion/ @ai_machinelearning_big_data #AI#Diffusion#RoBERTa#BERT#LanguageModel#MLM#Research