Фантасты описали такую смерть Интернета еще до его появления. Будем использовать ботов для поиска информации. Человеку в этом шлаке делать нечего. Раньше была битва браузеров, теперь будет битва ботов, которые сидят за нас в интернете. Кто достанет из болота более достоверную информацию и выдаст в удобочитаемом виде.
Очевидно, что область робототехники еще сырая. Робопса BD разрабатывали лет 20, пока это штучный продукт, он стоит дороже человека. Отладить и оптимизировать это только вопрос времени. Первые компьютеры тоже стоили миллионы и были размером с дом, а теперь ими завалена вся планета и стоят они шапку сухарей.
Есть еще аналог микроволнового слухового эффекта. Крайне редко, во время грозы, бывает слышно шорох от окружающих предметов прямо в момент разряда. Вспышка, шорох, а уже через несколько секунд громовой раскат. Будто тысячи целлофановых пакетиков дергает порывом ветра.
Звук этот слышат не все, описания разнятся. Откуда именно исходит звук - не понятно, то-ли от листвы деревьев, то-ли от металлических предметов, но он точно модулируется не в ухе.
Поэтому надо собирать грибы как это делали всегда - идешь со знающим человеком, узнаешь место произрастания и как их готовить. А то бывает, опытный грибник переезжает в другой регион. Собирает те же грибы, что собирал всю жизнь ...и получает отравление, так как данный сорт грибов оказался ядовитым, а визуально от съедобного никак не отличается.
Первые уточки были ардуинками, там какой-то клон Леонардо с совместимой прошивкой. Сейчас в основном это ESP32. Готовые в корпусе есть у китайцев, называется BadUSB, но там низкое качество и ограниченный функционал, чтобы сделать нормальный хранитель паролей, придется взять паяльник.
Жители мегаполисов настолько деградировали, что уже не в состоянии сообразить себе что-то поесть без посторонней помощи. Ура-ура, доставка, шаверма и прочие макдаки. Ходить на нормальное расстояние тоже не многие в состоянии - отдышка в следствие ожирения и мышечная атрофия от сидения в офисах и пробках. Однокнопочный планктон для поддержания свой жизнедеятельности специализируется в своей узкой области, перекладывание бумажек, например. А для решения задач, к которым он не приспособлен, платит другим таким же однокнопочным специалистам.
Широта взглядов, умение вкручивать лампочки и забивать гвозди, классическая музыка, опера и балет с умением считать в столбик как-то не так жизненно важно по сравнению с умением добыть еды и добраться до дома на своих двоих. Как думаете?
A vibrant yellow banana-shaped couch sits in a cozy living room, its curve cradling a pile of colorful cushions. on the wooden floor, a patterned rug adds a touch of eclectic charm, and a potted plant sits in the corner, reaching towards the sunlight filtering through the window.
Не очень понятны шутеечки комментаторов, резервуарные вычисления вполне рабочая штука. https://en.wikipedia.org/wiki/Reservoir_computing Другое дело, что вычислительные модули такого размера давно не используются, скорее пытаются приспособить эффекты на квантовых пленках.
Судя по оригинальной статье сеть на исходных данных не учится напрямую, а вычленяет из них векторное пространство и на основе найденных закономерностей строится уравнение аппроксимирующее некоторый набор функций, эта аппроксимация и служит преобразователем данных. Эффективность выше чем у LSTM, но точность ниже.
Идея очень интересная, но подход пока не очень понятный. Это похоже на резервуарные вычисления, только без резервуаров.
Хотите сказать, что надо для прикладных задач использовать "биологических решателей"? Прямая проста и лаконична, всегда требует O(1) вычислительных ресурсов, поэтому ее можно пересчитать для новых данных, тогда будет O(n). Да, всякие эвристические методы могут работать лучше, если вводить дополнительные метрики качества. При повышении размерности линейное разделение остается таким же простым, как и метрики, а вот для линейно неразделимых множеств даже с учетом преобразований естественно искать другие подходы.
Нейросети так не работают. Рекомендую ознакомиться с теорией информации и использованием нейросетевых методов сжатия.
Собственно, нейросеть может создать приближение функции кодирующей изображения из определенного домена, но при добавлении другого домена возникнут искажения. Это можно компенсировать добавлением числа параметров, но после некоторого предела использовать такую функцию становится бессмысленно. Самый наглядный пример - StableDiffusion. Набор из 75 токенов и сид исходного шума кодирует любое из триллионов изображений, но закодировать любое произвольное изображение невозможно так как функции генерации используют некоторый набор абстракций, полученных из обучающего датасета. И статистическое смещение/искажение этих абстракций не позволяют кодировать произвольное изображение без дообучения. Самая главная проблема в нейросетевом кодировании - фазовые пространства не гомеоморфны, там есть гомеоморфные кластера для некоторых доменов, но эти кластера разрежены. Чем больше размерность пространства, тем больше кластеров и больше разряжение.
Фантасты описали такую смерть Интернета еще до его появления.
Будем использовать ботов для поиска информации. Человеку в этом шлаке делать нечего.
Раньше была битва браузеров, теперь будет битва ботов, которые сидят за нас в интернете. Кто достанет из болота более достоверную информацию и выдаст в удобочитаемом виде.
Очевидно, что область робототехники еще сырая. Робопса BD разрабатывали лет 20, пока это штучный продукт, он стоит дороже человека. Отладить и оптимизировать это только вопрос времени.
Первые компьютеры тоже стоили миллионы и были размером с дом, а теперь ими завалена вся планета и стоят они шапку сухарей.
В чем проблема сделать робота кладовщика или уборщика и засунуть туда LLM с мультимодальностью?
Уже на текущем этапе развития это вполне возможно.
В чем проблема сделать робота кладовщика или уборщика и засунуть туда LLM с мультимодальностью?
Уже на текущем этапе развития это вполне возможно.
Есть еще аналог микроволнового слухового эффекта.
Крайне редко, во время грозы, бывает слышно шорох от окружающих предметов прямо в момент разряда. Вспышка, шорох, а уже через несколько секунд громовой раскат.
Будто тысячи целлофановых пакетиков дергает порывом ветра.
Звук этот слышат не все, описания разнятся. Откуда именно исходит звук - не понятно, то-ли от листвы деревьев, то-ли от металлических предметов, но он точно модулируется не в ухе.
Поэтому надо собирать грибы как это делали всегда - идешь со знающим человеком, узнаешь место произрастания и как их готовить.
А то бывает, опытный грибник переезжает в другой регион. Собирает те же грибы, что собирал всю жизнь ...и получает отравление, так как данный сорт грибов оказался ядовитым, а визуально от съедобного никак не отличается.
Каталог товаров эйвонов/орифлеймов на 0.5ГБ такой: аче всмысле?
Первые уточки были ардуинками, там какой-то клон Леонардо с совместимой прошивкой. Сейчас в основном это ESP32. Готовые в корпусе есть у китайцев, называется BadUSB, но там низкое качество и ограниченный функционал, чтобы сделать нормальный хранитель паролей, придется взять паяльник.
Rubber Ducky или Digispark как самые популярные. Можно даже взять целый одноплатник, типа малинки zero w.
Свидетели Vim'a: смотрят с осуждением.
Это брат Терешковой.
Жители мегаполисов настолько деградировали, что уже не в состоянии сообразить себе что-то поесть без посторонней помощи. Ура-ура, доставка, шаверма и прочие макдаки.
Ходить на нормальное расстояние тоже не многие в состоянии - отдышка в следствие ожирения и мышечная атрофия от сидения в офисах и пробках.
Однокнопочный планктон для поддержания свой жизнедеятельности специализируется в своей узкой области, перекладывание бумажек, например. А для решения задач, к которым он не приспособлен, платит другим таким же однокнопочным специалистам.
Широта взглядов, умение вкручивать лампочки и забивать гвозди, классическая музыка, опера и балет с умением считать в столбик как-то не так жизненно важно по сравнению с умением добыть еды и добраться до дома на своих двоих. Как думаете?
SDXL
Не очень понятны шутеечки комментаторов, резервуарные вычисления вполне рабочая штука.
https://en.wikipedia.org/wiki/Reservoir_computing
Другое дело, что вычислительные модули такого размера давно не используются, скорее пытаются приспособить эффекты на квантовых пленках.
Ждем вариант с голосовым ассистентом, типа Скиппи (HJKE-11 Yukimura), который будет при включении говорить "Здарова, чумба! Постреляем?"
Скайрим бы так никто и не купил, ну кроме спидранеров.
Предположим, что эта статья написана при помощи ChatGPT, тогда все не так уж плохо ;-)
Судя по оригинальной статье сеть на исходных данных не учится напрямую, а вычленяет из них векторное пространство и на основе найденных закономерностей строится уравнение аппроксимирующее некоторый набор функций, эта аппроксимация и служит преобразователем данных. Эффективность выше чем у LSTM, но точность ниже.
Идея очень интересная, но подход пока не очень понятный. Это похоже на резервуарные вычисления, только без резервуаров.
Хотите сказать, что надо для прикладных задач использовать "биологических решателей"?
Прямая проста и лаконична, всегда требует O(1) вычислительных ресурсов, поэтому ее можно пересчитать для новых данных, тогда будет O(n).
Да, всякие эвристические методы могут работать лучше, если вводить дополнительные метрики качества. При повышении размерности линейное разделение остается таким же простым, как и метрики, а вот для линейно неразделимых множеств даже с учетом преобразований естественно искать другие подходы.
Нейросети так не работают. Рекомендую ознакомиться с теорией информации и использованием нейросетевых методов сжатия.
Собственно, нейросеть может создать приближение функции кодирующей изображения из определенного домена, но при добавлении другого домена возникнут искажения. Это можно компенсировать добавлением числа параметров, но после некоторого предела использовать такую функцию становится бессмысленно.
Самый наглядный пример - StableDiffusion. Набор из 75 токенов и сид исходного шума кодирует любое из триллионов изображений, но закодировать любое произвольное изображение невозможно так как функции генерации используют некоторый набор абстракций, полученных из обучающего датасета. И статистическое смещение/искажение этих абстракций не позволяют кодировать произвольное изображение без дообучения.
Самая главная проблема в нейросетевом кодировании - фазовые пространства не гомеоморфны, там есть гомеоморфные кластера для некоторых доменов, но эти кластера разрежены. Чем больше размерность пространства, тем больше кластеров и больше разряжение.