ການສໍາພາດ

Etan Ginsberg, ຜູ້ຮ່ວມກໍ່ຕັ້ງຂອງ Martian – ຊຸດສໍາພາດ

ການປັບປຸງ on ພະຈິກ 16, 2023

Etan Ginsberg ແມ່ນຜູ້ຮ່ວມກໍ່ຕັ້ງຂອງ Martian, ເປັນແພລະຕະຟອມທີ່ປ່ຽນເສັ້ນທາງທຸກໆການເຕືອນໄປຫາ LLM ທີ່ດີທີ່ສຸດ. ໂດຍຜ່ານເສັ້ນທາງ, Martian ບັນລຸການປະຕິບັດທີ່ສູງຂຶ້ນແລະຄ່າໃຊ້ຈ່າຍຕ່ໍາກວ່າຜູ້ໃຫ້ບໍລິການສ່ວນບຸກຄົນ, ລວມທັງ GPT-4. ລະບົບດັ່ງກ່າວຖືກສ້າງຂຶ້ນດ້ວຍເທກໂນໂລຍີການສ້າງແຜນທີ່ແບບຈໍາລອງທີ່ເປັນເອກະລັກຂອງບໍລິສັດທີ່ເອົາ LLMs ຈາກກ່ອງສີດໍາທີ່ສັບສົນເຂົ້າໄປໃນສະຖາປັດຕະຍະກໍາທີ່ສາມາດຕີຄວາມໄດ້ຫຼາຍຂຶ້ນ, ເຮັດໃຫ້ມັນເປັນການນໍາໃຊ້ທາງການຄ້າຄັ້ງທໍາອິດຂອງການຕີຄວາມຫມາຍກົນໄກ.

Etan ໄດ້ເຂົ້າລະຫັດ, ອອກແບບເວັບໄຊທ໌, ແລະສ້າງທຸລະກິດ e-business ສໍາລັບລູກຄ້ານັບຕັ້ງແຕ່ລາວຢູ່ໃນໂຮງຮຽນມັດທະຍົມ. ໂພລິມາທ ເອຕັນ ເປັນນັກແຂ່ງຂັນຄວາມຊົງຈຳໂລກແລະໄດ້ຈັດອັນດັບທີ 2 ໃນງານແຂ່ງຂັນອ່ານຄວາມໄວໂລກທີ່ນະຄອນ Shenzhen ປະເທດຈີນ.

ລາວເປັນຄູ່ແຂ່ງ vid hackathon. ລາງວັນທີ່ຜ່ານມາປະກອບມີລາງວັນທີ 3 ຢູ່ Tech Crunch SZ, ລາງວັນຊະນະເລີດອັນດັບ 7 ທີ່ Princeton Hackathon, ແລະ 3 ລາງວັນອຸດສາຫະກໍາທີ່ Yale Hackathon.

ທ່ານເປັນຜູ້ກໍ່ຕັ້ງການເລີ່ມຕົ້ນສອງຄັ້ງທີ່ຜ່ານມາ, ບໍລິສັດເຫຼົ່ານີ້ແມ່ນຫຍັງ ແລະທ່ານໄດ້ຮຽນຮູ້ຫຍັງຈາກປະສົບການນີ້?

ບໍລິສັດທໍາອິດຂອງຂ້ອຍແມ່ນເວທີທໍາອິດສໍາລັບການສົ່ງເສີມແລະຄວາມກ້າວຫນ້າຂອງກິລາຂອງ American Ninja Warrior. ກັບໄປໃນປີ 2012, ຂ້າພະເຈົ້າໄດ້ເບິ່ງ American Ninja Warrior ເປັນກິລາໃຕ້ດິນ (ຄ້າຍຄືກັບ MMA ໃນຊຸມປີ 90) ແລະຂ້າພະເຈົ້າໄດ້ສ້າງເວທີທໍາອິດທີ່ຜູ້ຄົນສາມາດຊື້ blueprints, ສັ່ງອຸປະສັກ, ແລະຊອກຫາ gyms ເພື່ອຝຶກອົບຮົມ. ຂ້າພະເຈົ້າໄດ້ປຶກສາຫາລືສໍາລັບບໍລິສັດທີ່ຊອກຫາເພື່ອເລີ່ມຕົ້ນການອອກກໍາລັງກາຍຂອງຕົນເອງລວມທັງການຊ່ວຍເຫຼືອຂອງກອງກໍາລັງພິເສດຂອງສະຫະລັດກັບການຝຶກອົບຮົມແລະການຂະຫຍາຍສະຖານທີ່ຈາກຮູບແຕ້ມ napkin ເປັນ $ 300k ລາຍໄດ້ໃນ 3 ເດືອນທໍາອິດ. ເຖິງແມ່ນວ່າຂ້ອຍຢູ່ໃນໂຮງຮຽນມັດທະຍົມ, ຂ້ອຍມີປະສົບການທໍາອິດໃນການຄຸ້ມຄອງທີມງານຂອງພະນັກງານ 20+ ແລະຮຽນຮູ້ກ່ຽວກັບການຄຸ້ມຄອງທີ່ມີປະສິດທິພາບແລະຄວາມສໍາພັນລະຫວ່າງບຸກຄົນ.

ບໍລິສັດທີສອງຂອງຂ້ອຍແມ່ນບໍລິສັດຄຸ້ມຄອງຊັບສິນທາງເລືອກທີ່ຂ້ອຍຮ່ວມກໍ່ຕັ້ງໃນປີ 2017 ກ່ອນ ICO-wave ໃນ crypto. ນີ້ແມ່ນການເປີດເຜີຍຄັ້ງທໍາອິດຂອງຂ້ອຍກັບ NLP ບ່ອນທີ່ພວກເຮົາໃຊ້ການວິເຄາະຄວາມຮູ້ສຶກຂອງຂໍ້ມູນສື່ມວນຊົນສັງຄົມເປັນຍຸດທະສາດການລົງທຶນ.

ຂ້າພະເຈົ້າໄດ້ຮຽນຮູ້ຫຼາຍທັກສະທີ່ແຂງແລະອ່ອນໆທີ່ເຂົ້າໄປໃນການເລີ່ມຕົ້ນ - ຈາກວິທີການຈັດການທີມງານໄປຫາດ້ານດ້ານວິຊາການຂອງ NLP. ໃນເວລາດຽວກັນ, ຂ້ອຍຍັງໄດ້ຮຽນຮູ້ຫຼາຍກ່ຽວກັບຕົນເອງແລະກ່ຽວກັບສິ່ງທີ່ຂ້ອຍຢາກເຮັດວຽກ. ຂ້ອຍເຊື່ອວ່າບໍລິສັດທີ່ປະສົບຜົນສໍາເລັດຫຼາຍທີ່ສຸດແມ່ນເລີ່ມຕົ້ນໂດຍຜູ້ກໍ່ຕັ້ງຜູ້ທີ່ມີວິໄສທັດທີ່ກວ້າງຂວາງຫຼືເປົ້າຫມາຍທີ່ຂັບລົດພວກເຂົາ. ຂ້າພະເຈົ້າໄດ້ອອກຈາກ crypto ໃນປີ 2017 ເພື່ອສຸມໃສ່ NLP ເພາະວ່າການເພີ່ມແລະຄວາມເຂົ້າໃຈຄວາມສະຫລາດຂອງມະນຸດແມ່ນບາງສິ່ງບາງຢ່າງທີ່ເຮັດໃຫ້ຂ້ອຍເປັນຈິງ. ຂ້ອຍດີໃຈທີ່ຄົ້ນພົບສິ່ງນັ້ນ.

ໃນຂະນະທີ່ເຂົ້າມະຫາວິທະຍາໄລ Pennsylvania ທ່ານໄດ້ຄົ້ນຄ້ວາ AI ບາງຢ່າງ, ທ່ານໄດ້ຄົ້ນຄວ້າຫຍັງໂດຍສະເພາະ?

ການຄົ້ນຄວ້າຂອງພວກເຮົາໃນເບື້ອງຕົ້ນໄດ້ສຸມໃສ່ການກໍ່ສ້າງຄໍາຮ້ອງສະຫມັກຂອງ LLMs. ໂດຍສະເພາະ, ພວກເຮົາໄດ້ເຮັດວຽກກ່ຽວກັບຄໍາຮ້ອງສະຫມັກດ້ານການສຶກສາຂອງ LLMs ແລະກໍາລັງສ້າງຄູສອນສະຕິປັນຍາທີ່ຂັບເຄື່ອນດ້ວຍ LLM ທໍາອິດ. ຜົນໄດ້ຮັບແມ່ນດີພໍສົມຄວນ - ພວກເຮົາໄດ້ເຫັນການປັບປຸງການບິດເບືອນມາດຕະຖານ 0.3 ໃນຜົນໄດ້ຮັບຂອງນັກຮຽນໃນການທົດລອງເບື້ອງຕົ້ນ - ແລະລະບົບຂອງພວກເຮົາໄດ້ຖືກນໍາໃຊ້ຈາກມະຫາວິທະຍາໄລ Pennsylvania ຫາມະຫາວິທະຍາໄລ Bhutan.

ທ່ານສາມາດປຶກສາຫາລືວິທີການຄົ້ນຄ້ວານີ້ຫຼັງຈາກນັ້ນນໍາທ່ານໄປສູ່ຜູ້ຮ່ວມກໍ່ຕັ້ງ Martian?

ເນື່ອງຈາກວ່າພວກເຮົາເປັນຄົນທໍາອິດທີ່ສ້າງຄໍາຮ້ອງສະຫມັກຢູ່ເທິງສຸດຂອງ LLMs, ພວກເຮົາກໍ່ແມ່ນບາງຄົນທໍາອິດທີ່ພົບບັນຫາທີ່ຄົນປະເຊີນໃນເວລາທີ່ພວກເຂົາສ້າງຄໍາຮ້ອງສະຫມັກຢູ່ເທິງສຸດຂອງ LLMs. ນັ້ນໄດ້ນໍາພາການຄົ້ນຄວ້າຂອງພວກເຮົາໄປສູ່ຊັ້ນໂຄງສ້າງພື້ນຖານ. ຕົວຢ່າງ, ໃນຊ່ວງຕົ້ນໆ, ພວກເຮົາໄດ້ປັບປຸງແບບຈໍາລອງຂະຫນາດນ້ອຍກວ່າກ່ຽວກັບຜົນໄດ້ຮັບຂອງແບບຈໍາລອງຂະຫນາດໃຫຍ່ເຊັ່ນ GPT-3, ແລະແບບຈໍາລອງການປັບລະອຽດກ່ຽວກັບແຫຼ່ງຂໍ້ມູນສະເພາະສໍາລັບວຽກງານເຊັ່ນການຂຽນໂປຼແກຼມແລະການແກ້ໄຂບັນຫາຄະນິດສາດ. ໃນທີ່ສຸດມັນເຮັດໃຫ້ພວກເຮົາມີບັນຫາກ່ຽວກັບການເຂົ້າໃຈພຶດຕິກໍາຕົວແບບແລະກ່ຽວກັບການກໍານົດເສັ້ນທາງຕົວແບບ.

ຕົ້ນກໍາເນີດຂອງຊື່ Martian ແລະຄວາມສໍາພັນຂອງມັນກັບປັນຍາແມ່ນຫນ້າສົນໃຈ, ທ່ານສາມາດແບ່ງປັນເລື່ອງຂອງວິທີການເລືອກຊື່ນີ້?

ບໍລິສັດຂອງພວກເຮົາຖືກຕັ້ງຊື່ຕາມກຸ່ມນັກວິທະຍາສາດຊາວຮັງກາຣີ - ອາເມລິກາທີ່ເອີ້ນວ່າ "ຊາວ Martians”. ກຸ່ມນີ້, ເຊິ່ງອາໄສຢູ່ໃນສະຕະວັດທີ 20, ປະກອບດ້ວຍບາງຄົນທີ່ສະຫລາດທີ່ສຸດທີ່ເຄີຍມີຊີວິດຢູ່:

ທີ່ມີຊື່ສຽງທີ່ສຸດໃນບັນດາພວກເຂົາແມ່ນ John von Neumann; ລາວໄດ້ປະດິດທິດສະດີເກມ, ສະຖາປັດຕະຍະກໍາຄອມພິວເຕີທີ່ທັນສະໄຫມ, ທິດສະດີອັດຕະໂນມັດ, ແລະປະກອບສ່ວນພື້ນຖານໃນຫລາຍສິບຂົງເຂດອື່ນໆ.
Paul Erdos ເປັນນັກຄະນິດສາດທີ່ມີປະສິດທິຜົນທີ່ສຸດໃນຕະຫຼອດເວລາ, ໂດຍໄດ້ພິມເຜີຍແຜ່ຫຼາຍກວ່າ 1500 ເອກະສານ.
Theodore Von Karman ໄດ້ສ້າງຕັ້ງທິດສະດີພື້ນຖານຂອງ aerodynamics ແລະຊ່ວຍຊອກຫາໂຄງການອາວະກາດອາເມລິກາ. ຂອບເຂດທີ່ມະນຸດກໍານົດລະຫວ່າງໂລກແລະນອກອະວະກາດແມ່ນໄດ້ໃສ່ຊື່ "ເສັ້ນKármán" ໃນການຮັບຮູ້ວຽກງານຂອງລາວ.
Leo Szilard ປະດິດລະເບີດປະລໍາມະນູ, ການປິ່ນປົວດ້ວຍລັງສີ, ແລະເຄື່ອງເລັ່ງອະນຸພາກ.

ນັກວິທະຍາສາດເຫຼົ່ານີ້ແລະອີກ 14 ຄົນມັກພວກເຂົາ (ລວມທັງນັກປະດິດລະເບີດໄຮໂດຣເຈນ, ຜູ້ຊາຍທີ່ນໍາສະເຫນີທິດສະດີກຸ່ມເຂົ້າໄປໃນຟີຊິກທີ່ທັນສະໄຫມ, ແລະຜູ້ປະກອບສ່ວນພື້ນຖານເຊັ່ນ: ປະສົມປະສານ, ທິດສະດີຕົວເລກ, ການວິເຄາະຕົວເລກແລະທິດສະດີຄວາມເປັນໄປໄດ້) ໄດ້ແບ່ງປັນຄວາມຄ້າຍຄືກັນທີ່ໂດດເດັ່ນ - ພວກເຂົາທັງຫມົດ. ເກີດຢູ່ໃນສ່ວນດຽວກັນຂອງ Budapest. ອັນນັ້ນເຮັດໃຫ້ຜູ້ຄົນຕັ້ງຄໍາຖາມວ່າ: ອັນໃດເປັນທີ່ມາຂອງຄວາມສະຫຼາດຫຼາຍ?

ໃນການຕອບໂຕ້, Szilard ເວົ້າຕະຫຼົກວ່າ, "ຊາວ Martians ຢູ່ທີ່ນີ້ແລ້ວ, ແລະພວກເຂົາເອີ້ນຕົວເອງວ່າ Hungarians!" ໃນຄວາມເປັນຈິງ ... ບໍ່ມີໃຜຮູ້.

ມະນຸດເຫັນຕົວມັນເອງຢູ່ໃນຖານະທີ່ຄ້າຍຄືກັນໃນມື້ນີ້ກ່ຽວກັບຊຸດໃຫມ່ຂອງຈິດໃຈທີ່ມີຄວາມສາມາດອັດສະລິຍະສູງສຸດ: ປັນຍາປະດິດ. ປະຊາຊົນຮູ້ວ່າຕົວແບບສາມາດສະຫລາດຢ່າງບໍ່ຫນ້າເຊື່ອ, ແຕ່ບໍ່ຮູ້ວ່າພວກເຂົາເຮັດວຽກແນວໃດ.

ພາລະກິດຂອງພວກເຮົາແມ່ນເພື່ອຕອບຄໍາຖາມນັ້ນ - ເພື່ອເຂົ້າໃຈແລະໃຊ້ຄວາມສະຫລາດທີ່ທັນສະໄຫມ.

ທ່ານມີປະຫວັດສາດຂອງຄວາມຊົງຈໍາທີ່ບໍ່ຫນ້າເຊື່ອ, ທ່ານໄດ້ເຂົ້າໄປໃນຄວາມທ້າທາຍຄວາມຊົງຈໍາເຫຼົ່ານີ້ແນວໃດແລະຄວາມຮູ້ນີ້ຊ່ວຍທ່ານແນວໃດກັບແນວຄວາມຄິດຂອງ Martian?

ໃນກິລາສ່ວນໃຫຍ່, ນັກກິລາມືອາຊີບສາມາດປະຕິບັດໄດ້ປະມານ 2-3X ເທົ່າກັບຄົນທົ່ວໄປ (ປຽບທຽບວ່າຄົນສະເລ່ຍສາມາດເຕະເປົ້າຫມາຍໃນສະຫນາມໄດ້ໄກປານໃດຫຼືພວກເຂົາຖິ້ມບານໄວເທົ່າໃດເມື່ອທຽບກັບມືອາຊີບ). ກິລາຄວາມຊົງຈໍາເປັນສິ່ງທີ່ຫນ້າສົນໃຈເພາະວ່ານັກກິລາຊັ້ນນໍາສາມາດຈົດຈໍາໄດ້ 100x ຫຼືແມ້ກະທັ້ງ 1000x ຫຼາຍກວ່າຄົນທົ່ວໄປທີ່ມີການຝຶກອົບຮົມຫນ້ອຍກວ່າກິລາສ່ວນໃຫຍ່. ຍິ່ງໄປກວ່ານັ້ນ, ເຫຼົ່ານີ້ມັກຈະເປັນຄົນທີ່ມີຄວາມຊົງຈໍາທໍາມະຊາດໂດຍສະເລ່ຍຜູ້ທີ່ໃຫ້ສິນເຊື່ອປະສິດທິພາບຂອງເຂົາເຈົ້າກັບເຕັກນິກສະເພາະທີ່ໃຜສາມາດຮຽນຮູ້. ຂ້າພະເຈົ້າຕ້ອງການເພີ່ມຄວາມຮູ້ຂອງມະນຸດໃຫ້ສູງສຸດ, ແລະຂ້າພະເຈົ້າໄດ້ເຫັນການແຂ່ງຂັນຄວາມຊົງຈໍາຂອງໂລກເປັນຄວາມເຂົ້າໃຈທີ່ບໍ່ດີກ່ຽວກັບວິທີທີ່ພວກເຮົາສາມາດສົ່ງຜົນຕອບແທນພິເສດທີ່ເພີ່ມຂຶ້ນທາງປັນຍາຂອງມະນຸດ.

ຂ້ອຍຕ້ອງການນໍາໃຊ້ເຕັກນິກຄວາມຊົງຈໍາໃນທົ່ວລະບົບການສຶກສາດັ່ງນັ້ນຂ້ອຍຈຶ່ງເລີ່ມຄົ້ນຫາວິທີການ NLP ແລະ LLMs ສາມາດຊ່ວຍຫຼຸດຜ່ອນຄ່າໃຊ້ຈ່າຍໃນການຕິດຕັ້ງທີ່ປ້ອງກັນບໍ່ໃຫ້ວິທີການສຶກສາທີ່ມີປະສິດທິພາບຫຼາຍທີ່ສຸດຈາກການນໍາໃຊ້ໃນລະບົບການສຶກສາຕົ້ນຕໍ. Yash ແລະຂ້ອຍໄດ້ສ້າງຄູສອນທາງດ້ານສະຕິປັນຍາທີ່ຂັບເຄື່ອນດ້ວຍ LLM ທໍາອິດແລະນັ້ນເຮັດໃຫ້ພວກເຮົາຄົ້ນພົບບັນຫາກັບການນໍາໃຊ້ LLM ທີ່ພວກເຮົາຊ່ວຍແກ້ໄຂໃນມື້ນີ້.

Martian ເປັນສິ່ງຈໍາເປັນທີ່ຈະຫລີກລ້ຽງການຕັດສິນໃຈຂອງຮູບແບບພາສາຂະຫນາດໃຫຍ່ (LLM) ທີ່ຈະໃຊ້, ເປັນຫຍັງປະຈຸບັນນີ້ຈຶ່ງເປັນຈຸດເຈັບປວດສໍາລັບນັກພັດທະນາ?

ການສ້າງແບບຈໍາລອງພາສາໄດ້ງ່າຍຂຶ້ນ ແລະງ່າຍຂຶ້ນ – ຄ່າໃຊ້ຈ່າຍຂອງຄອມພິວເຕີຈະຫຼຸດລົງ, ສູດການຄິດໄລ່ແມ່ນມີປະສິດທິພາບຫຼາຍຂຶ້ນ, ແລະມີເຄື່ອງມືແຫຼ່ງເປີດຫຼາຍຂຶ້ນເພື່ອສ້າງຕົວແບບເຫຼົ່ານີ້. ດັ່ງນັ້ນ, ບໍລິສັດແລະຜູ້ພັດທະນາຫຼາຍຂື້ນກໍາລັງສ້າງແບບຈໍາລອງແບບກໍານົດເອງທີ່ໄດ້ຮັບການຝຶກອົບຮົມກ່ຽວກັບຂໍ້ມູນແບບກໍາຫນົດເອງ. ເນື່ອງຈາກຕົວແບບເຫຼົ່ານີ້ມີຄ່າໃຊ້ຈ່າຍແລະຄວາມສາມາດທີ່ແຕກຕ່າງກັນ, ທ່ານສາມາດໄດ້ຮັບການປະຕິບັດທີ່ດີຂຶ້ນໂດຍການໃຊ້ຫຼາຍແບບ, ແຕ່ມັນຍາກທີ່ຈະທົດສອບພວກມັນທັງຫມົດແລະຊອກຫາທີ່ເຫມາະສົມທີ່ຈະໃຊ້. ພວກເຮົາດູແລມັນສໍາລັບນັກພັດທະນາ.

ທ່ານສາມາດປຶກສາຫາລືກ່ຽວກັບວິທີທີ່ລະບົບເຂົ້າໃຈວ່າ LLM ຖືກນໍາໃຊ້ດີທີ່ສຸດສໍາລັບແຕ່ລະວຽກງານສະເພາະບໍ?

ການສ້າງເສັ້ນທາງທີ່ດີແມ່ນບັນຫາພື້ນຖານກ່ຽວກັບການເຂົ້າໃຈຕົວແບບ. ເພື່ອເສັ້ນທາງລະຫວ່າງຕົວແບບຢ່າງມີປະສິດທິພາບ, ທ່ານຕ້ອງການທີ່ຈະເຂົ້າໃຈສິ່ງທີ່ເຮັດໃຫ້ພວກເຂົາລົ້ມເຫລວຫຼືປະສົບຜົນສໍາເລັດ. ການສາມາດເຂົ້າໃຈລັກສະນະເຫຼົ່ານີ້ດ້ວຍການເຮັດແຜນທີ່ແບບຈໍາລອງເຮັດໃຫ້ພວກເຮົາສາມາດກໍານົດວ່າຮູບແບບໃດນຶ່ງຈະປະຕິບັດໄດ້ດີຕາມຄໍາຮ້ອງຂໍໂດຍບໍ່ຈໍາເປັນຕ້ອງດໍາເນີນການແບບນັ້ນ. ດັ່ງນັ້ນ, ພວກເຮົາສາມາດສົ່ງຄໍາຮ້ອງຂໍນັ້ນໄປຫາຕົວແບບທີ່ຈະໃຫ້ຜົນໄດ້ຮັບທີ່ດີທີ່ສຸດ.

ທ່ານສາມາດປຶກສາຫາລືປະເພດຂອງການປະຫຍັດຄ່າໃຊ້ຈ່າຍທີ່ເຫັນໄດ້ຈາກການເພີ່ມປະສິດທິພາບສິ່ງທີ່ LLM ຖືກນໍາໃຊ້?

ພວກເຮົາໃຫ້ຜູ້ໃຊ້ລະບຸວິທີການແລກປ່ຽນລະຫວ່າງຄ່າໃຊ້ຈ່າຍ ແລະການປະຕິບັດ. ຖ້າທ່ານພຽງແຕ່ໃສ່ໃຈກ່ຽວກັບການປະຕິບັດ, ພວກເຮົາສາມາດປະຕິບັດ GPT-4 ໃນ openai/evals. ຖ້າທ່ານກໍາລັງຊອກຫາຄ່າໃຊ້ຈ່າຍສະເພາະເພື່ອເຮັດໃຫ້ເສດຖະກິດຫນ່ວຍງານຂອງທ່ານເຮັດວຽກ, ພວກເຮົາໃຫ້ທ່ານລະບຸຄ່າໃຊ້ຈ່າຍສູງສຸດສໍາລັບການຮ້ອງຂໍຂອງທ່ານ, ຫຼັງຈາກນັ້ນຊອກຫາຮູບແບບທີ່ດີທີ່ສຸດເພື່ອເຮັດສໍາເລັດຄໍາຮ້ອງຂໍນັ້ນ. ແລະຖ້າທ່ານຕ້ອງການບາງສິ່ງບາງຢ່າງທີ່ມີການເຄື່ອນໄຫວຫຼາຍ, ພວກເຮົາໃຫ້ທ່ານລະບຸວ່າເຈົ້າເຕັມໃຈທີ່ຈະຈ່າຍເທົ່າໃດເພື່ອໃຫ້ຄໍາຕອບທີ່ດີກວ່າ - ດ້ວຍວິທີນັ້ນ, ຖ້າສອງແບບມີການປະຕິບັດທີ່ຄ້າຍຄືກັນແຕ່ມີຄ່າໃຊ້ຈ່າຍແຕກຕ່າງກັນຢ່າງຫຼວງຫຼາຍ, ພວກເຮົາສາມາດໃຫ້ທ່ານໃຊ້ແບບທີ່ມີລາຄາແພງກວ່າ. . ລູກຄ້າບາງຄົນຂອງພວກເຮົາໄດ້ເຫັນຄ່າໃຊ້ຈ່າຍຫຼຸດລົງເຖິງ 12 ເທົ່າ.

ວິໄສທັດຂອງເຈົ້າສຳລັບອະນາຄົດຂອງດາວອັງຄານແມ່ນຫຍັງ?

ແຕ່ລະຄັ້ງທີ່ພວກເຮົາປັບປຸງຄວາມເຂົ້າໃຈພື້ນຖານຂອງພວກເຮົາກ່ຽວກັບແບບຈໍາລອງ, ມັນສົ່ງຜົນໃຫ້ມີການປ່ຽນແປງແບບຢ່າງສໍາລັບ AI. ການປັບລະອຽດແມ່ນຂະບວນວິວັດທີ່ຂັບເຄື່ອນໂດຍຄວາມເຂົ້າໃຈຜົນໄດ້ຮັບ. ການກະຕຸ້ນເຕືອນແມ່ນຂະບວນວິວັດທີ່ຂັບເຄື່ອນໂດຍການເຂົ້າໃຈວັດສະດຸປ້ອນ. ຄວາມແຕກຕ່າງອັນດຽວໃນຄວາມເຂົ້າໃຈຂອງພວກເຮົາກ່ຽວກັບແບບຈໍາລອງແມ່ນມີຫຼາຍສິ່ງທີ່ແຕກຕ່າງກັນ ML ແບບດັ້ງເດີມ ("ໃຫ້ພວກເຮົາຝຶກອົບຮົມ regressor") ແລະ AI generative ທີ່ທັນສະໄຫມ ("ໃຫ້ພວກເຮົາ prompt AGI ເດັກນ້ອຍ").

ເປົ້າໝາຍຂອງພວກເຮົາແມ່ນເພື່ອສະໜອງຄວາມກ້າວໜ້າໃນການຕີຄວາມໝາຍຢ່າງສະໝໍ່າສະເໝີ ຈົນກວ່າ AI ຈະເຂົ້າໃຈໄດ້ຢ່າງຄົບຖ້ວນ ແລະພວກເຮົາມີທິດສະດີທາງດ້ານສະຕິປັນຍາທີ່ເຂັ້ມແຂງເທົ່າກັບທິດສະດີຂອງເຫດຜົນ ຫຼືການຄິດໄລ່ຂອງພວກເຮົາ.

ສໍາລັບພວກເຮົາ, ນີ້ຫມາຍຄວາມວ່າການກໍ່ສ້າງ. ມັນຫມາຍຄວາມວ່າການສ້າງເຄື່ອງມື AI ທີ່ຫນ້າຫວາດສຽວແລະວາງມັນເຂົ້າໄປໃນມືຂອງຄົນ. ມັນຫມາຍຄວາມວ່າການປົດປ່ອຍສິ່ງທີ່ທໍາລາຍ mold, ທີ່ບໍ່ມີໃຜໄດ້ເຮັດມາກ່ອນ, ແລະສິ່ງທີ່ - ຫຼາຍກ່ວາສິ່ງອື່ນ - ແມ່ນຫນ້າສົນໃຈແລະເປັນປະໂຫຍດ.

ໃນຄໍາເວົ້າຂອງ Sir Francis Bacon, "ຄວາມຮູ້ແມ່ນພະລັງງານ". ຕາມນັ້ນແລ້ວ, ວິທີທີ່ດີທີ່ສຸດເພື່ອໃຫ້ແນ່ໃຈວ່າພວກເຮົາເຂົ້າໃຈ AI ແມ່ນການປ່ອຍເຄື່ອງມືທີ່ມີປະສິດທິພາບ. ໃນຄວາມຄິດເຫັນຂອງພວກເຮົາ, router ແບບຈໍາລອງແມ່ນເຄື່ອງມືຂອງປະເພດນັ້ນ. ພວກເຮົາຕື່ນເຕັ້ນທີ່ຈະສ້າງມັນ, ປູກມັນ, ແລະເຮັດໃຫ້ມັນຢູ່ໃນມືຂອງປະຊາຊົນ.

ນີ້ແມ່ນເຄື່ອງມືທໍາອິດທີ່ພວກເຮົາກໍາລັງຈະປ່ອຍອອກມາໃນເດືອນຂ້າງຫນ້າ. ເພື່ອຄົ້ນພົບທິດສະດີທີ່ສວຍງາມຂອງປັນຍາປະດິດ, ເພື່ອເຮັດໃຫ້ໂຄງສ້າງ AI ປະເພດໃຫມ່ທັງຫມົດ, ເພື່ອຊ່ວຍສ້າງອະນາຄົດທີ່ສົດໃສສໍາລັບທັງຜູ້ຊາຍແລະເຄື່ອງຈັກ - ພວກເຮົາບໍ່ສາມາດລໍຖ້າທີ່ຈະແບ່ງປັນເຄື່ອງມືເຫຼົ່ານັ້ນກັບທ່ານ.

ຂອບໃຈສໍາລັບການສໍາພາດທີ່ຍິ່ງໃຫຍ່, ຜູ້ອ່ານທີ່ຕ້ອງການຮຽນຮູ້ເພີ່ມເຕີມຄວນໄປຢ້ຽມຢາມ Martian.