Když se metrika stane cílem, umělá inteligence ji může pokaždé zasáhnout. To se stalo způsobem, jak enshitizovat vše od doby odezvy sanitky až po vzdělávání. Goodhartův zákon (umělé inteligence) @doctorow

Indigová dokonalost

Právě jsem přispěl, abych pomohl s Fobaziho léčebnými výdaji. Je na JIP a potřebuje urgentní péči o ledviny a játra. Každá trocha pomáhá. Zvažte prosím darování nebo sdílení jejího příběhu.

@daniel_d_kang Fascinující 🤔 Velmi zvědavé, jak vidíte benchmarky propojené s Goodhartovým zákonem v dlouhodobém horizontu 👇 To mi přijde jako měřítko pro benchmarky, pokud tomu dobře rozumím, které by podle mého názoru nakonec podléhaly stejnému zákonu.

Pěkné prozkoumání toho, jak mohou metriky vést k hraní si se systémy, které měří, se zaměřením na veřejné vzdělávání v USA @kylefarnworth když jsem ho četl, přiznávám, že jsem myslel na vás!

to je přesně to, co Američané dělali s veřejným vzděláváním dlouho před Dubyovým zákonem "Žádné dítě nezůstane pozadu"

1031 slov (28883 celkem) na The Reverse-Centaur's Guide to AI (krátká kniha o tom, jak být lepším kritikem AI, Farrar, Straus a Giroux) #DailyWords

Toto je také odkaz na Kubric (obrázek). Dnes děti. Podívejte se na všechny ty staré dobré věci, jsou to klasiky z nějakého důvodu. Navrhněte Rollerball (James Caan), Vězeň (Pat McGoohan) a vše od Kubricka. Jsou i další.

Převládá názor, že výpočetní technika je nejdůležitějším faktorem pro trénink hraniční umělé inteligence. Myslíme si, že je to špatně: data jsou nejnákladnější a nejdůležitější součástí školení AI. Shromáždili jsme odhady výnosů hlavních společností zabývajících se označováním dat a porovnali je s mezními výpočetními náklady na trénování špičkových modelů v roce 2024. Naše odhady ukazují, že označování dat je ~3x vyšší než okrajový trénovací výpočet. 1/8

Co se stalo s tímto pocitem? Citoslovce překvapení?