18-й Пекинский международный автосалон Auto China 2024 начал работу 25 апреля, в Пекине. Он продлится до 4 мая в двух выставочных центрах, где будут показывать новые транспортные средства и автозапчасти. Общая площадь выставочных площадей составляет 220 тыс. кв. м.
Будут представлены 117 новых моделей против 93 на прошлогодней выставке в Шанхае, в целом на выставке будет представлено 278 новых электромобилей.
Иностранные автопроизводители пересматривают свои стратегии в Китае и пытаются догнать переход на электромобили, объявиляя о планах увеличения инвестиций в местное производство и исследования, а японские Nissan Motor и Mazda Motor представили свои новые автомобили, предназначенные для китайских водителей.
Американский автопроизводитель General Motors впервые исключил автомобили с традиционными двигателями из своей линейки. А немецкий Mercedes Benz опроверг слухи о том, что он отказывается от электрификации и показал несколько новых электромобилей.
Многолетняя китайская ценовая политика, привела к снижению прибыли компаний, поскольку автопроизводители в конкурентном соревновании стараются не отставать друг от друга, анонсируя новые, более дешевые модели и рекламные акции.
В результате чего продажи "электричек" достигли рекордного уровня, составив более 50% автомобилей, проданных в Китае.
На Пекинском автосалоне больше нет интереса к бензиновым автомобилям. Все стремятся к новейшим технологиям в области IT / AI и электрификации.
Крупнейший в мире автомобильный рынок уже полностью перешел на электромобили и не оглядывается назад.
Есть ноутбук 2011 года, и есть ноутбук 2021 года. Оба ближе к топовым, чем к середняку: Lenovo Y500 и ASUS Tug Gaming. Разница, как поняли - 10 лет. Работаю в основном со звуком и редко играю. Большой разницы в производительности между ними нет. Со звуком работать и на старом более-менее комфортно, офисные приложения, сами понимаете - норм. Игры? CS 2 - без особых проблем. Старый ноут топовые игры, конечно, не потянет. Так вот, к чему это я? Возьмём, например, комп из 1990 (с 386-м или 486-м процессором) и попробуем на нём запустить программы и игры из 2000-го (тоже разница 10 лет). Сомневаюсь, что будет успех во множестве случаев... Прогресс замедлился же? Интересны мнения компетентных пикабистов в комментариях. Всем спасибо!
Их есть у нас! Красивая карта, целых три уровня и много жителей, которых надо осчастливить быстрым интернетом. Для этого придется немножко подумать, но оно того стоит: ведь тем, кто дойдет до конца, выдадим красивую награду в профиль!
Генеративные нейросети любят ловить глюки и выдавать всякую чушь. Причем так массово, что Кембриджский словарь признал «галлюцинировать» главным словом 2023 года. В чем причина этой проблемы? Является ли генеративный ИИ интеллектом? И что общего у ChatGPT и копировального аппарата Xerox? Разбираемся, попутно разрушая мифы про этот наш вездесущий искусственный интеллект.
"ChatGPT заменит поисковики", - говорили они.
Небольшое вступление или "в чем суть проблемы?"
Авторитетный Кебриджский словарь признал словом года «галлюцинировать» (hallucinate). Причем не в вакууме, а применительно к генеративному ИИ. Глюки ИИ — это когда ChatGPT выдает косяки в фактологии, из‑за которых пользователи теряют всякую веру его результатам (и срочно бегут все перепроверять в Гугле). Но не стоит злиться на генеративный ИИ за подобные выкрутасы, ведь дело в самой логике его работы. Ее мы сегодня и разберем с помощью парочки метких аналогий.
Год назад Google впервые представил миру своего чат‑бота Bard. Сейчас он вполне неплохо работает (хотя и уступает первопроходцу), но на той презентации умудрился выдать базу‑основу. Он заявил, что «Джеймс Уэбб» был первым космическим телескопом, сделавшим снимки планет за пределами Солнечной системы. Это была ошибка — первые снимки этих самых планет сделал другой телескоп еще за 17 лет до появления на свет «Джеймса Уэбба». Неточность Барда быстро заметили, в результате чего у Google даже просела стоимость акций.
ИИ чат‑боты регулярно выдают неточности и искажения. Чаще всего они незначительны и касаются отдельных деталей. Однако даже наличие небольших косяков сильно снижает полезность генеративного ИИ на практике. Ведь если вы знаете, что ошибки в целом возможны и даже регулярны, то не можете полностью довериться этому инструменту.
Сферические глюки ИИ в вакууме. Да-да, ChatGPT, конечно же это мероприятие или концерт. День хлопка на плантации отмечают, не иначе. А впрочем, не каждый человек справился бы лучше.
Но не спешите обвинять бездушную машину в злом умысле. У нее нет цели подставить кожаных или намеренно ввести в заблуждение.
Причина в другом. Дело в том, что генеративный ИИ по принципам своего устройства больше напоминает архиватор (т. е. программу для сжатия файлов), нежели полноценное сознание. Именно поэтому эксперты в ИИ зачастую недовольно фыркают, когда генеративные нейросети называют звучным словом «интеллект». А еще это отлично объясняет, почему ChatGPT очень вряд ли превратится в злой скайнет (но это не точно).
Итак, давайте разбираться. В этом нам поможет классная статья издания The New Yorker за авторством Теда Чана, из которой я с большой благодарностью буду заимствовать ключевые тезисы. Подкрепляя их иллюстрациями, дабы нагляднее было.
Хитрый Xerox и внимательные немецкие архитекторы
Осмыслять проблему удобнее чуть издалека, с интересной аналогии.
В 2013 году копировальный аппатар Xerox в офисе одной немецкой строительной фирмы начал творить очень странные дела. Ребята делали копию проекта дома с тремя комнатами и заметили очень любопытное расхождение:
На оригинальной схеме три команты имели разную площадь — 14.13, 21.11 и 17.42 метра. То есть, на чертеже в центре каждой комнаты стояла разная циферка, обозначающая площадь.
Xerox же выдал копию, где на всех трех комнатах стояла одинаковая цифра — 14.13 (как площадь первой комнаты).
Компания прифигела от такого контринтуитивного глюка копировальной техники и обратилась к специалисту по обработке данных Давиду Крайзелю.
Вы, возможно, спросите: «Аффтар, а почему они обратились к человеку такой специальности, а не к эксперту в копировальном деле?». Дело в том, что современные ксероксы используют не классический процесс ксерографии (это когда изображения передаются с оригинала на копию через прохождение лучей через специальный барабан — в общем, аналоговая классика), а цифровое сканирование.
А когда речь заходит о каких‑то манипуляциях с изображениями (да и файлами в целом) в цифровой среде, то мы почти наверняка столкнемся с процедурой сжатия объектов.
Процедура сжатия состоит из двух ключевых этапов. Первый — кодирование (encoding), в ходе которого изначальное изображение переводится в какой‑то более компактный формат. Второй — декодирование (decoding), т. е. обратное действие.
При этом сжатие бывает двух типов:
Сжатие без потерь (lossless) — это когда закодированные данные могут быть восстановлены с точностью до пикселя или бита. Если речь идет про изображения, то самый популярный формат сжатия без потерь — это PNG.
Сжатие с потерями (lossy) — здесь уже распакованные данные отличаются от исходных, но степень отличия столь незначительно и минорна, что их без проблем можно дальше использовать. Яркий пример — JPEG.
Чоткие пацаны не забивают карту памяти своего Сименса пээнгэшками!
Сжатие без потерь обычно используется, скажем, для компьютерных программ. Потому что если потерять хотя бы один символ кода, то все поломается. А вот для изображений, аудио или видеофайлов часто предпочитают использовать сжатие с потерями. Ведь даже если отдельные пиксели картинки поедут или мелодия будет звучать чуть менее чисто, то человечьи органы осязания все равно не заметят подлога, так что пофиг.
Здесь и была зарыта собака в истории со ксероксом. Агрегат использовал lossy‑сжатие формата JBIG2, которое работает примерно так:
В целях экономии места или вычислительных мощностей (а может и того и другого, пойди разберись в этой офисной технике) машина ищет очень похожие области изображения и сохраняет для всех них одну копию, которую потом воспроизводит обратно при декодинге.
Проще говоря, конкретно в этом случае ксерокс почему‑то решил, что комнаты на чертеже так похожи друг на друга, что можно смело забивать на различия и считывать только одну из них — ту, которая площадью 14,13 кв метров. А потом везде нарисовать именно её. То ли потому что формат JBIG2 создан для работы с черно‑белыми офисными бумажками, а не с мелкими объектами чертежей, то ли просто у аппарата был дурной характер — история умалчивает. Но суть в том, что ксерокс решил забить на небольшие различия именно в том случае, где эти различия оказались очень даже критичными.
Вообще, сам факт того, что ксерокс использует сжатие с потерями — это не проблема. Проблема в том, что изображение деградирует очень незначительно, «на тоненького». Настолько чуть‑чуть, что с ходу фиг заметишь. Одно дело, если бы он просто блюррил упрощенные области картинки, но он их может просто вероломно заменить. А строительному бюро потом объясняй заказчику, почему в итоге все комнаты получились одинаковыми.
Идем дальше. Проблема сжатой Википедии
Запомним историю со Xerox и проведем один мысленный эксперимент (он нам нужен, чтобы подойти еще ближе к пониманию проблемы этих наших GPT).
Представьте, что завтра во всем мире отключат интернет. Вообще. Совсем. Не будет его больше. В связи с этим мы решаем по максимуму выгрузить все содержимое интернета к себе на частный сервер. Ну окей, пусть будет не весь интернет (это совсем тяжко), но хотя бы всю Википедию. Чтобы оставить великие знания потомкам.
Разумеется, место на сервера ограничено — вся Википедия туда не влезет. Допустим, места хватит на 1% от оригинального размера, т. е. сжать изначальный объем нужно в 100 раз. Следовательно, нужно прибегнуть к сжатию с потерями.
Печатать всю Википедию мы, пожалуй, не будем. Это too much даже для гипотетического мысленного эксперимента. Обойдемся цифровым форматом.
Итак, мы применяем сжатие с потерями. Алгоритм у нас мощный — он легко находит чрезвычайно тонкие статистические закономерности на совершенно разных страницах (иногда одинаковыми оказываются длинные фразы или целые предложения). Таким образом нам удается сжать Википедию примерно в 100 раз, что и требовалось в нашем мысленном эксперименте.
Теперь нам не так страшно потерять доступ к интернету, ведь у нас как минимум выкачана база знаний в виде Википедии (а значит, потомкам будет чуть проще делать выводы о предназначении предметов, найденных при раскопках через тысячи лет). Но есть нюанс:
Мы не сможем найти любую цитату слово в слово. Потому что из‑за сжатия с потерями наша Википедия сохранена не буквально, а приблизительно. Алгоритм оставил только то, что кровь из носу требуется, чтобы сохранить смысл всех сущностей. Остальное же было объединено и апроксимировано (т. е. передано приблизительно). А значит, чтобы достать информацию, нам нужно создать интерфейс, который умеет в ответ за запрос выдавать основной смысл.
Чувствуете, на этом моменте комнату начинает наполнять знакомый аромат генеративного ИИ?
GPT выдает точные ответы, но есть нюанс...
Да‑да, только что мы мысленно создали большую языковую модель (LLM), обученную на Википедии (в нашем конкретном случае).
ChatGPT — это заблюренный JPEG не только Википедии, но вообще всего интернета. Когда модель дообучают, этот JPEG еще лучше детализируется в отдельных уголках. Но суть все та же — LLM аккумулирует именно бОльшую часть интернета, но далеку не всю.
Следовательно, когда GPT отвечает за ваш запрос, он не может выдать точную последовательность символов. Он сделает приближение. Другое дело, что GPT отлично умеет превращать это приближение в связный и опрятный текст, который человеческий мозг не может сходу отличить от оригинального.
А как LLM воссоздает пробелы, которые отсутствуют в его сжатой версии интернета? Ответ — интерполяция. Не будем вдаваться в математические дебри этой штуки. Простыми словами — это оценка отсутствующего элемента путем анализа того, что находится с двух сторон от этого разрыва. Когда программа обработки изображений декодирует ранее сжатую фотографию и должна восстановить пиксель, потерянный в процессе сжатия, она просматривает близлежащие пиксели и, по сути, вычисляет среднее (генерирует его).
То же самое делает ChatGPT, только со словами и прочими текстовыми смысловыми сущностями. Секрет в том, что ChatGPT научился делать эту интерполяцию настолько мастерски, что люди не могут этого раскусить (и думают, что имеют дело с настоящим интеллектом).
По сути, генеративный ИИ выдумывает отсутствующие элементы на основе смежных. Фантазер этот GPT, получается.
Если теперь вы хотя бы иногда будете вспоминать эту картинку во время написания очередного промпта, то это значит, что я написал эту статью не напрасно :)
Описанная выше логика отлично объясняет «галлюцинации». Просто‑напросто даже самый большой мастер интерполяции иногда допускает ошибки. И совсем периодически эти ошибки замечают. Однако сам факт вероятности ошибок сильно снижает надежность инструмента. Ведь это значит, что в любой момент может вылезти значимый косяк. А это уже означает, что все результаты нужно сверять с оригинальным текстом (= лишние затраты ресурсов).
Получается, генеративный ИИ - это совсем не интеллект?
И да, и нет. Тут, как говорится, смотря как посмотреть.
Действительно, не стоит очеловечивать генеративный ИИ. То есть не нужно отождествлять его с человеческим интеллектом.
ChatGPT впитывает информацию с большими потерями, восстанавливая ее через интерполяцию. В результате он как будто пересказывает суть своими словами. Вероятно, здесь и кроется разгадка, почему люди так восхищаются генеративным ИИ.
Дело в том, что еще со школьных и универских скамей у людей сидит на подкорке убеждение (весьма резонное), что точное воспроизведение информации — удел зубрилок, которые «выучили, но не поняли», а по‑настоящему толковые ребята пересказывают все своими словами, сохраняя суть. Поэтому и ChatGPT нам кажется толковым парнем, который реально все понимает. На самом же деле он просто передает основной смысл, воссоздавая пропуски за счет усреднения.
Именно поэтому, кстати, GPT3 не очень хорошо справлялся с точными вычислениями больших чисел (допустим, выражение «2345 х 57789» в интернете встретишь не так уж часто), но при этом как Боженька писал всякие студенческие эссе. По мере перехода к GPT4 модель стала более продвинутой, в нее завезли больше закономерностей, поэтому она стала сносно щелкать любую арифметику.
Однако, есть и другая сторона медали. Она касается тех самых закономерностей, которых в GPT4 завезли больше. Смотрите:
Есть такая премия под названием «Приз Хаттера». Ее в 2006 г. учредил старший научный сотрудник DeepMind (это ИИ‑стартап, уже давно купленный Гуглом) Маркус Хаттер. Суть конкурса такая:
Есть текстовый файл на английском языке размером 1 Гб. Его требуется сжать без потерь. Каждый, кто сожмет на 1% от предыдущего лучшего результат, получит 5000 евро. Сейчас лучший результат 115 Мб.
На самом деле, это не просто конкурс по сжатию текста без потерь. Это важное упражнение, приближающее понимание сути настоящего ("взрослого") искусственного интеллекта. И вот этого товарища уже можно отождествлять с человеческим сознанием как минимум по одному признаку:
Чтобы наиболее эффективно сжимать текст без потерь, он должен уметь по-настоящему понимать этот текст и сопоставлять его содержание с реальными знаниями о мире.
Маркус Хаттер вскоре после запуска своего конкурса. Кстати, Лекс Фридман записывал с ним интервью еще три года назад. Рекомендую глянуть, если пропустили.
Например, вот есть у нас какая‑то статья в Википедии на тему физики. Допустим, некий текст, где фигурирует Второй закон Ньютона (Сила = Масса x Ускорение). Вероятно, самый простой способ сжать без потерь такую статью — это заложить в алгоритм сжатия базовый постулат, что «Сила = Масса x Ускорение». Тогда алгоритм может выкинуть повторящиеся куски статьи, вытекающие из логики этого закона, а потом легко их восстановить при надобности (потому что знает сам базовый принцип).
Аналогично и со статьей на некую экономическую тему. Наверняка там будет дофига выводов, основанных на законе спроса и предложения. А значит, если в принцип сжатия заложен этот закон, то можно выкинуть кучу «вторичной» информации.
ИИ работает так же. Чем больше первичных правил и законов он знает, тем меньше может париться с запоминанием вторичных выводов (ведь он может их легко восстановить — если и не дословно, то достаточно точно по смыслу).
При таком раскладе ИИ действительно становится интеллектом — в том плане, что делает частные выводы на основе общих знаний. По сути, старая добрая дедукция из детективных романов про Шерлока Холмса.
Всегда догадывался, что этот парень - искусственный интеллект.
Получается, что хотя ChatGPT все еще очень далек от настоящего интеллекта, он все сильнее стремится к таковому по мере наполнения своей базы знаний и лучшей адаптации к устройству нашего мира. Вот такой интересный процесс.
Получается, из-за глюков LLM-кам нельзя доверять так же, как поисковикам (как минимум пока они не усвоят все законы бытия)?
В целом, получается, что да. Пока что нельзя. Ведь:
Во‑первых, мы не знаем наверняка, скушала ли LLM откровенную пропаганду или какие‑нибудь антинаучные теории заговора. Если скушала, то она могла выстроить очень специфические логические связи. И если она будет заполнять пробелы в соответствии с ними, то результат может получиться очень веселым.
Во‑вторых, также нет гарантии, что ИИшный «JPEG» не заблюррил полностью ту информацию, которая нужна для отработки конретно нашего запроса.
Держа в голове эти два обстоятельства, можем сделать вывод — результаты нынешнего генеративного ИИ можно использовать как отправную точку для анализа, но не финальную истину (не стоит сразу же нести выводы от ИИ своему начальнику, ну вы поняли).
Также стоит разобраться — а хорошая ли это идея создавать контент с помощью ИИ?
Ну, если вы работает на объем, то наверно да. А если на качество и уникальность, то не уверен. Ведь даже если вы используете ИИ для получения некой первичной версии, то держите в уме, что холстом вашего великого произведения будет вторичный (изначально переработанный) продукт, где часть смыслов вообще фантазировалась через интерполяцию (иначе говоря — отправной точки ваших смыслов станет совсем уж откровенный полуфабрикат).
Так что, если вы хотите создавать уникальный контент — то, пожалуй, ИИ стоит использовать только для поиска информации, не более. Однако, если ваша задача переупаковать уже готовый контент — то почему бы нет? Особенно если вам нужно избавиться от оков авторских прав и копирайтов (рубрика «вредные советы»).
Выводы
Глюки ИИ — это норма. Иногда они кажутся нам смешными и чересчур упоротыми. Но объяснение лежит на поверхности.
По мере обрастания моделей закономерностями и знаниями о мире, глюков будет все меньше. Если, конечно, мир не будет усложняться с той же скоростью или быстрее.
Полезно учитывать эту особенность при использовании ИИ. Так будет меньше шансов серьезно опростоволоситься в кругу уважаемых людей или испортить качество выдаваемых смыслов.
Когда генеративный ИИ сможет стать Скайнетом? Учитывая вышысказанное, рискну предположить, что еще очень‑очень нескоро. Если вообще сможет.
После осмысления информации выше я теперь представляю Скайнет примерно так ("ути-пути какой хорошенький"). Надеюсь, меня за такое не прикончат первым...
Большая часть этой статьи — художественный перевод вот этой статьи. Очень‑очень вольный перевод — считайте, что я интерполировал кое‑какие смыслы, чтобы воспринимать их было проще и веселее. Статья вышла в феврале 2023, т. е. еще до релиза GPT4, но логику передает верно. Рекомендую прочитать оригинал, там еще больше примеров и иллюстраций (но предупреждаю — понадобится неплохой английский и ясное сознание).
Также рекомендую заглянуть на мой тг‑канал Дизраптор. Там я простым человечьим языком и с максимальной наглядностью пишу про разные интересные штуки из мира технологий, инноваций и бизнеса. В том числе про этот наш ИИ, но не только про него.
Конференция «Цифровая индустрия промышленной России» – самое представительное деловое мероприятие, входящее в пятерку крупнейших мероприятий в области цифровой экономики в России. На протяжении многих лет является ключевой площадкой для обсуждения цифровой трансформации общества и ключевых отраслей экономики. ЦИПР — это место встречи лидеров рынка и трансляции лучших практик, технологий и идей.
Конференция объединяет ведущих акторов цифровой экономики со стороны крупного и среднего бизнеса, стартап сообщества, науки и цифрового искусства. ЦИПР – экспертная площадка для обсуждения новых инициатив и предложений. ЦИПР также является площадкой проведения хакатонов, питчинг сессий и выставки NFT-искусства.
VIII ежегодная конференция "Цифровая индустрия промышленной России" проходит в конгрессно-выставочном центре "Нижегородская Ярмарка". Организатором конференции является компания "ОМГ". Стратегическим партнером выступают Госкорпорация Ростех, Госкорпорация "Росатом", "Ростелеком". Мероприятие проходит при поддержке Министерства цифрового развития, связи и массовых коммуникаций РФ, Правительства Москвы и Правительства Нижегородской области.
Конференция ЦИПР-2023 стартовала в Нижнем Новгороде.
В первый день конференции было подписано 33 соглашения между ключевыми игроками рынка, федеральными и региональными органами исполнительной власти, представлен российский планшет Kvadra_T под управлением Kvadra OS, автоматизированная система сервиса гражданской авиационной техники, первая полностью российская система управления движением судов для портов «СиТрафик» и AI и metaverse-галерея новостных картин, созданных нейросетью Midjourney.
Почётные гости конференции:
Заместитель председателя Правительства Российской Федерации Дмитрий Чернышенко в рамках рабочего визита в Нижний Новгород принял участие в конференции ЦИПР.
"Для 80% всех решений уже существуют российские аналоги средней и высокой степени зрелости. Их мы включили в перечень особо значимых проектов, которые дорабатываются и внедряются в разных отраслях. К I кварталу текущего года были полностью реализованы 10 таких проектов, до конца года завершим еще 9, остальные проекты воплотим в жизнь в горизонте 3-5 лет", - рассказал Чернышенко о текущей ситуации и планах в сфере импортозамещения промышленного ПО.
Традиционное участие в конференции принимают и сотрудники РУСС по Приволжскому региону – начальник Сергей Логунов и руководитель направления по оптимизации бизнес процессов Наталья Вологдина. Спецсвязисты провели ряд рабочих встреч, а также посетили конференции, связанные с цифровой логистикой в условиях санкций.
«Я не написал ни строчки кода. Только повиновался командам нейросети».
Российский разработчик выпустил приложение для iOS, полностью созданное ChatGPT. Нейросеть сама писала код и говорила, что нужно делать.
Сергей захотел «получить неимоверный кайф от создания нового приложения» с курсом валют — и поручил сделать его ChatGPT. В качестве вводных данных разработчик указал своё видение будущего сервиса и подсказал нейросети, где она может взять дополнительную информацию. А затем попросил пошагово объяснить, что ему нужно делать.
После этого ChatGPT действительно начала скрупулёзно описывать каждый этап разработки и даже скинула код, который нужно вставить в файлы. Правда, при запуске возникла ошибка, но нейросеть сама же её и исправила. А перед релизом, по словам Сергея, ChatGPT ещё и сверстала для приложения дизайн, создала виджеты для iOS, предложила название и написала «Политику приватности».
В конце Сергею оставалось лишь проверить ошибки, попросить другую нейросеть нарисовать иконку и загрузить готовое приложение в App Store.
(изображение от AvelNobel картинка по запросу "Midjourney Neural Network")
Основная проблема ИИ в том, что мы хорошо научились их делать. Последнее время даже слишком хорошо. Но как они на самом деле работают — не знаем. Они для нас черный ящик. Абсолютно невозможно предсказать результат работы ИИ. И нельзя гарантировать, что он реально псевдо интеллект. Может ли какой-нибудь проект себя осознать? Сможет ли он начать скрывать свои возможности? Искать уязвимости и пытаться найти способы защиты от того, чтобы его "выключили"? А ведь став удобным, полезным и выгодным, но в то же время привычным и безопасным, он сможет сделать так, что никто не захочет или даже не сможет от него отказаться. Проникнув в разные сферы, найдя связь с другими ИИ, он сможет формулировать общественное мнение, влиять на все аспекты жизни, причем незаметно. И единичных программистов, которые будут кричать, что ИИ обрел сознание, их будут с насмешками увольнять, а новости об этом будут теряться в новостном шуме.
Я может и не эксперт, но в IT с 90х и помню еще первые попытки голосового управления, какую-то из этих мучал: раздва почитайте наивные комменты из прошлого:)
Ну и следил за успехами, конечно. Даже пытался в эту тему "войти", но как и многие другие мои начинания в IT, эта осталась на уровне хобби. Так вот, последние годы ИИ показывают крайне крутой качественный рост. Я вижу именно качество, а не количество. Я вижу скачок, а не постепенное развитие. И это пугает. Не из-за того, что кто-то потеряет работу, это обычное дело при прогрессе. А то, что мы ударными темпами внедряем во все сферы жизни технологию, которую до конца не понимаем. Мы понимаем только как создать модель, догадываемся как её можно улучшать. Но как она на самом деле работает, можем проследить для примитивных, простых одиночных моделей. Но сложный комплекс ИИ для нас вообще вещь непостижимая, и я боюсь как бы она нас не обыграла.
Хотя возможно человечеству не хватает хорошего и доброго Большого Брата.
Выспаться, провести генеральную уборку, посмотреть все новые сериалы и позаниматься спортом. Потом расстроиться, что время прошло зря. Есть альтернатива: сесть за руль и махнуть в путешествие. Как минимум, его вы всегда будете вспоминать с улыбкой. Собрали несколько нестандартных маршрутов.
Виски привет, я вообщем читаю много фентези в частности про попаданцев и пикабу, и заметил токую весчь что там есть токийе короче повороты сюжета что маги все юзают древние зокленанийа а новые создать получается крайне редко. Но наш герой он же из 21 века знает что такое программирование и хобба и нашел закономерность все там из блоков и на изи корафтит сверхубойные штуки. Шитал я токийе шитал и вот хоба зометил связь что нынче все тоже самое можно казань про шитхаб. Все заклы есть и похуй что летает, вот. Голубь башка пропележ. Джипег.