TL;DR
- ویلیام مارسلینو در استفاده از مدلهای هوش مصنوعی متخصص است.
- او بر مجموعه رو به رشدی از ابزارهای ساخته شده ویژه نظارت دارد که RAND از آنها برای.
- نوآوری،.
چه اتفاقی افتاد
ویلیام مارسلینو در استفاده از مدلهای هوش مصنوعی متخصص است. او بر مجموعه رو به رشدی از ابزارهای ساخته شده ویژه نظارت دارد که RAND از آنها برای.
نوآوری،. تسریع و ارتقای تحقیقات خود استفاده میکند.
او بهعنوان یک زبانشناس به رند آمد و مدتها قبل از اینکه کسی نام ChatGPT یا Claude را. شنیده باشد،.
کامپیوترها را برای یافتن الگوها در کلمات آموزش میداد. او از آنها برای شناسایی ترولهای روسی که در سایه رسانههای اجتماعی فعالیت میکنند و برای درک بهتر.
آنچه که حامیان داعش را وادار میکند،. استفاده کرده است.
آخرین تحقیقات او چگونگی توسعه هوش مصنوعی در سالهای آینده را تجزیه و تحلیل کرده است. ابر هوش مصنوعی چه معنایی برای درگیری و رقابت جهانی دارد.
و چگونه چین میتواند از هوش مصنوعی برای پر کردن شبکههای اجتماعی با حسابهای جعلی. استفاده کند.
او گفت: "من عاشق این چیزها هستم. " من از آن استفاده میکنم، مجذوب آن هستم، روی آن تحقیق میکنم.
این مدلهای هوش مصنوعی بسیار قدرتمند هستند و بسیار بسیار مفید هستند. بیایید با یک پیشبینی شروع کنیم: سال 2026 سالی خواهد بود که…؟
ما یک حادثه امنیت سایبری عظیم داریم. کسبوکارها واقعاً شروع به استفاده از عوامل هوش مصنوعی کردهاند،.
و بسیاری از این عوامل از چیزی به نام MCP یا پروتکل بافت مدل استفاده میکنند. این راهی است که این عوامل با یکدیگر صحبت میکنند.
آنها فرض میکنند،. "اگر از یک سطح کنترل بالاتر با من صحبت کنید،.
میتوانم به شما اعتماد کنم. " بنابراین اگر بتوانم یک سرور MCP را متقاعد کنم که یک بار به من اجازه دهد،.
میتوانم تا آخر سیستم را طی کنم و هیچکس جلوی من را نخواهد گرفت. حملات سایبری چیز جدیدی نیست، اما اکنون ما آسیب پذیری را خودکار کرده ایم.
اما من همچنین نمیخواهم خیلی بدبین باشم. من فکر میکنم امسال شاهد افزایش بهرهوری بسیار بزرگ نیز خواهیم بود.
افرادی که هوش مصنوعی را در جریان کاری خود قرار میدهند، مزیت بزرگی خواهند داشت. این دستاوردهای بهره وری چه معنایی برای اشتغال انسان خواهد داشت؟
این سوال میلیارد دلاری است. در حال حاضر،.
همان مدلی که میتواند در یک مسابقه ریاضی طلا بگیرد،. میگوید که اگر فقط به یک تماس ویدیویی بپیوندید،.
میتوانید همزمان در دو مکان حضور داشته باشید. این توانایی برای درخشان و احمق بودن به من میگوید که ما برای مدت طولانی به انسان.
نیاز خواهیم داشت. اگر به انقلاب نرم افزاری دهه 1980 نگاهی بیاندازید،.
کارگران دانش بسیار مولدتر شدند و دستمزد متوسط آنها به شدت افزایش یافت. من فکر میکنم ما میتوانیم چیزی مشابه را در اینجا ببینیم،.
فقط یک افزایش عظیم در ارزش کار اطلاعاتی. داره منفجر میشه توانایی [هوش مصنوعی] برای درخشان و احمق بودن به من میگوید که ما برای.
مدت طولانی به انسان نیاز خواهیم داشت. شما توسعه ابزارهای هوش مصنوعی را در RAND هدایت میکنید.
چند نمونه واقعا جالب از نحوه استفاده RAND از هوش مصنوعی چیست؟ ما در حال کار بر روی ابزارهایی هستیم که میتوانند به محققان در طراحی بازیهای جنگی مؤثرتر کمک.
کنند،. یا میتوانند با جستجو در هزاران گزارش تحقیقاتی RAND به سؤالات پاسخ دهند.
ما مدلی را توسعه داده ایم که میتواند تحقیقات موجود در مورد یک موضوع را جمعآوری و اسکن کند،. بنابراین محققان بدانند چه چیزی در حال حاضر وجود دارد.
این مدلها به ما امکان میدهند کارهای بسیار سریعتر و با کیفیتتری انجام دهیم. یکی از ابزارهایی که تأثیر فوری داشته است، رونوشتهای مصاحبه را تجزیه و تحلیل میکند.
فرض کنید محققان بیرون بروند و با 100 یا 200 نفر در مورد یک مداخله بهداشتی مصاحبه کنند. این ابزار میتواند تمام آن رونوشتها را مرور کند، پاسخها را جدا کند و آنها را مطابقت دهد.
برمیگردد و میگوید: "هی، من چند الگوی سطح بالا پیدا کردم. این چیزی است که واقعاً خوب کار میکند.
مشکلات اینجاست. این دلیل است که چرا همه چیز کار میکند یا کار نمیکند.
" همه آن افراد روی زمین تکههای کوچکی از پازل دارند. این به ما این امکان را میدهد که همه آن قطعات را کنار هم بگذاریم و تحلیلی.
واقعا غنی از آنچه اتفاق میافتد به دست آوریم. شما مدلهای زبان بزرگ فعلی را شکننده توصیف کرده اید.
این به چه معناست و برای آینده هوش مصنوعی چه معنایی دارد؟ این مدلها برای انجام یک کار ساخته شده اند، پیدا کردن الگوها.
آنها میتوانند منقار، نوک بال، چند پر دم را شناسایی کنند و بدانند که یک پرنده دارند. اما آنها حافظه ندارند.
آنها نمیتوانند افکار نمادین را اداره کنند. آنها میتوانند میلیونها مثال از مسائل ریاضی را ببینند و الگوها را یاد بگیرند،.
اما نمیتوانند ریاضی را "انجام دهند". آنها قدرتمند اما شکننده هستند.
آنها همیشه با افزایش پیچیدگی شکست خواهند خورد. آنها بسیاری از چیزهای اصلی را که ما باید به آنها اعتماد کنیم تا وارد موارد استفاده واقعا.
قوی پیش بینی شده برای هوش مصنوعی بسیار پیشرفتهتر شویم،. از دست میدهند.
آنها میدانند که «چاقو» و «تیز» و «برش» با هم ترکیب میشوند – اما هیچ مدلی برای این. ندارند که چرا اگر یک کودک سه ساله چاقو داشته باشد،.
کسی عصبانی میشود. چه چیزی یاد گرفته اید که میتواند به افراد در هنگام استفاده از LLM کمک کند موثرتر.
باشند؟ LLMها تمایل دارند هر آنچه را که در دادههای آموزشی آنها غالب بود، آشکار کنند.
این معمولاً به این معنی است که آنها یک پاسخ استاندارد به شما میدهند،. فقط هر چیزی که بیشتر در کتابهای درسی یا پستهای آنلاین نشان داده میشود.
همیشه اشتباه نیست، اما کامل هم نیست. اگر من در مورد اقتصاد سؤالی بپرسم، نمیخواهم بهعنوان تنها پاسخ از موقعیت غالب تغذیه شوم.
بنابراین، من به LLM میگویم، ببینید، من چیزی در مورد این موضوع نمیدانم. اما من میدانم که پاسخهای ساده و پاسخهای پیچیده و تخصصی وجود دارد.
بنابراین لطفاً سطوح ابتدایی، متوسط و پیشرفته را مشخص کنید. به من بگویید معمولاً مبتدیان چه تصورات غلطی دارند.
و سپس اصطلاحات خاصی را که برای درک سطح پیشرفته باید جستجو کنم به من بدهید. اکنون به مدل این فرصت را میدهم که نه تنها مسیر غالب را دنبال کند،.
بلکه آنچه را که ممکن است پنهان یا یافتن آن سختتر باشد،. بازیابی کند.
چرا مهم است
اهمیت این خبر در این است که روی استفاده واقعی از AI و تصمیمگیری سازمانی اثر میگذارد.
منبع
لینک منبع اصلی در کارت و صفحه مقاله نمایش داده میشود.