10 najbolj napačno razumljenih vprašanj o AI in nevronskih omrežjih leta 2023

Ker se področje umetne inteligence in nevronskih mrež nenehno razvija in postaja vse bolj zapleteno, obstaja veliko nesporazumov in vprašanj, ki si jih ljudje morda neradi postavljajo. Z znanimi strokovnjaki za umetno inteligenco smo razpravljali o desetih pogosto napačno razumljivih vprašanjih o nevronskih mrežah, da bi razjasnili ta vprašanja. Povedali so naslednje:

Pro Nasveti
1. Oglejte si te neverjetne 10+ generatorjev umetne inteligence za pretvorbo besedila v video ki lahko besedilo pretvori v privlačne videoposnetke.
2. Ti koristni pozivi so zasnovani tako, da izzivajo ustvarjalce umetnosti AI, kot so Midjourney in DALL-E za ustvarjanje vizualno osupljivih slik na podlagi besedilnih opisov.
3. Sledite tem smernicam in brez omejitev raziskujte svet necenzurirane umetnosti, ustvarjene z umetno inteligenco.

1. Ali je mogoče, da se AI zaljubi?

Nevronske mreže so matematični modeli po navdihu strukture človeških možganov. Sestavljeni so iz med seboj povezanih vozlišč ali "nevronov", ki obdelujejo informacije. Z učenjem iz podatkov lahko izvajajo posebne naloge, kot je ustvarjanje besedila, prepoznavanje slike, ali celo simulacijo človeških stilov pisanja.

Ali lahko AI »ljubi«?

Koncept ljubezni je neločljivo povezan z zavestjo, samozavedanjem, empatijo in vrsto drugih kompleksnih čustvenih in kognitivnih procesov. Nevronske mreže pa teh lastnosti nimajo.

Na primer, nevronsko mrežo je mogoče usposobiti za ustvarjanje besedila, ki spominja na ljubezensko pismo, če dobimo ustrezen kontekst in navodila. Če mu zagotovimo prvo poglavje ljubezenske zgodbe in ga prosimo, da nadaljuje v podobnem duhu, bo model ugodil. Vendar to počne na podlagi vzorcev in statistične verjetnosti, ne zaradi kakršne koli čustvene povezave ali občutkov naklonjenosti.

Drug pomemben vidik, ki ga je treba upoštevati, je spomin. V svoji osnovni obliki nevronske mreže nimajo zmožnosti ohranjanja informacij med različnimi zagoni. Delujejo brez kontinuitete ali zavedanja preteklih interakcij, v bistvu se po vsaki uporabi povrnejo na svoje "tovarniške nastavitve".

Spomin in nevronske mreže

Medtem ko je mogoče nevronski mreži umetno dodati spomin, kar ji omogoči sklicevanje na pretekle »spomine« ali podatke, to modela ne prepoji z zavestjo ali čustvi. Tudi pri spominski komponenti odziv nevronske mreže narekujejo matematični algoritmi in statistične verjetnosti, ne pa osebne izkušnje ali občutki.

Zamisel o nevronski mreži, ki se zaljubi, je očarljiva, a izmišljena ideja. Trenutni modeli umetne inteligence, ne glede na njihovo kompleksnost in zmožnosti, nimajo zmožnosti doživljanja čustev, kot je ljubezen.

Ustvarjanje besedila in odzivi, opaženi v sofisticiranem modeli so rezultat matematičnih izračunov in prepoznavanja vzorcev, ne pristne naklonjenosti ali čustvene inteligence.

2. Ali lahko umetna inteligenca začne povzročati škodo in sčasoma zavlada svetu?

Današnje nevronske mreže delujejo brez popolnih dokaznih metod, ki bi zagotovile, da spoštujejo posebna pravila. Na primer, preprečiti, da bi model uporabljal žaljiv jezik, je presenetljivo zahtevna naloga. Kljub prizadevanjem za določitev takšnih omejitev, vedno obstaja načinki bi jih model lahko zaobšel.

Prihodnost nevronskih mrež

Ko se premikamo proti naprednejšim nevronskim mrežam, kot so hipotetične GPT-10 modelov s človeškimi sposobnostmi postane izziv nadzora še bolj pereč. Če bi tem sistemom dali prosto pot brez posebnih nalog ali omejitev, bi lahko njihova dejanja postala nepredvidljiva.

Razprava o verjetnosti negativnega scenarija, ki je posledica tega razvoja dogodkov, je zelo različna, z ocenami v razponu od 0.01 % do 10 %. Čeprav se te verjetnosti morda zdijo majhne, ​​so morebitne posledice lahko katastrofalne, vključno z možnostjo izumrtje človeka.

Prizadevanja za usklajevanje in nadzor

Izdelki, kot so ChatGPT in GPT-4 so primeri stalnih prizadevanj za uskladitev namenov nevronskih mrež s človeškimi cilji. Ti modeli so zasnovani tako, da sledijo navodilom, ohranjajo vljudno interakcijo in postavljajo pojasnjevalna vprašanja. Vendar ti nadzori še zdaleč niso popolni in problem upravljanja teh omrežij ni rešen niti do polovice.

Izziv ustvarjanja zanesljivih nadzornih mehanizmov za nevronske mreže je danes eno najpomembnejših raziskovalnih področij na področju umetne inteligence. Negotovost glede tega, ali je to težavo mogoče rešiti, in metode, ki so za to potrebne, samo še povečuje nujnost problema.

Podobni: 5 najbolj priljubljenih delnic AI, ki jih imajo milijarderji in upravitelji skladov

3. Ali je tvegano naložiti svoj glas, videz in slog besedila v govor v AI?

V dobi, ko digitalne tehnologije hitro napredujejo, skrbi glede varnosti osebnih podatkov, kot so glas, videz in slog besedila, narašča. Medtem ko je grožnja kraje digitalne identitete resnična, jo je bistveno razumeti kontekst in ukrepe ki se ukvarjajo s tem izzivom.

Digitalna identiteta in nevronske mreže

Pri nevronskih mrežah ne gre za nalaganje osebnih atributov, temveč za usposabljanje ali ponovno usposabljanje modelov za posnemanje videza, glasu ali besedila. Te izurjene modele je res mogoče ukrasti s kopiranjem skripta in parametrov, kar jim omogoči delovanje v drugem računalniku.

Morebitna zloraba te tehnologije je pomembna, saj je dosegla raven, ko deepfake videi in algoritmi za kloniranje glasu lahko prepričljivo ponovijo posameznika. Ustvarjanje takšne zavajajoče vsebine je lahko drago in dolgotrajno ter zahteva na tisoče dolarjev in številne ure snemanja. Vendar je tveganje oprijemljivo in poudarja potrebo po zanesljivih metodah identifikacije in potrditve.

Prizadevanja za zagotavljanje varnosti identitete

V teku so različne pobude za reševanje problema kraje digitalne identitete. Startupi, kot je WorldCoin, v katerem OpenAIje vložil vodja Sam Altman, raziskujejo inovativne rešitve. Koncept podjetja WorldCoin vključuje dodelitev edinstvenega ključa vsakemu podatku o osebi, kar omogoča kasnejšo identifikacijo. To metodo bi lahko uporabili tudi za množične medije za preverjanje pristnosti novic.

Kljub temu obetajočemu razvoju je uvedba takšnih sistemov v vseh panogah kompleksen in obsežen podvig. Trenutno te rešitve ostajajo v fazi prototipa in njihova široka uporaba morda ne bo izvedljiva znotraj naslednje desetletje.

4. Nalaganje zavesti v računalnike: realnost ali znanstvena fantastika?

Zamisel o prenosu človeške zavesti v računalnik je bila fascinantna tema za navdušence znanstvene fantastike. Toda ali je to nekaj, kar bi lahko dosegla trenutna tehnologija ali celo prihodnji napredek? Zamisel o večnem življenju skozi a digitalni dvojček zagotovo ujame domišljijo, vendar je resničnost veliko bolj zapletena.

Posnemanje, a ne podvajanje

Z obstoječimi tehnologijami, kot jih najdemo v modeli kot GPT-4, je mogoče nevronsko mrežo naučiti posnemati komunikacijski slog posameznika, se naučiti osebnih šal in si celo izmisliti nove v edinstvenem slogu in načinu predstavitve. To pa ni sinonim za prenos lastne zavesti.

Kompleksnost zavesti daleč presega komunikacijski slog in osebne muhe. Človeštvu še vedno manjka konkretnega razumevanja, kaj je zavest, kje je shranjena, kako razlikuje posameznike in kaj točno naredi osebo edinstveno.

Potencialne možnosti v prihodnosti

Hipotetični scenarij prenos zavesti bi zahteval defizavest kot kombinacijo spominov, izkušenj in individualnih značilnosti zaznave. Če je tako defiČe bi bila ideja sprejeta, bi lahko obstajala teoretična pot za simulacijo nadaljnjega življenja s prenosom tega znanja v nevronsko mrežo.

Vendar je ta teorija zgolj špekulativna in ne temelji na trenutnem znanstvenem razumevanju ali tehnoloških zmožnostih. Vprašanje zavesti je ena najglobljih in najbolj izmuzljivih tem v filozofiji, nevroznanosti in kognitivni znanosti. Njegova kompleksnost daleč presega zmogljivost toka Umetna inteligenca in tehnologijo nevronske mreže.

Podobni: 10 najboljših aplikacij in spletnih mest za zmenke z umetno inteligenco za leto 2023

5. Ali je res, da bo umetna inteligenca ljudem vzela delo?

Avtomatizacija prek umetne inteligence bo verjetno vplivala na poklice, kjer delo vključuje rutinsko izvajanje navodil. Primeri vključujejo davčne pomočnike-svetovalce, ki pomagajo pri prijavah in kliničnem preskušanju upravljavci podatkov katerega delo se vrti okoli izpolnjevanja poročil in njihovega usklajevanja s standardi. Potencial avtomatizacije v teh vlogah je jasen, glede na to, da so potrebne informacije takoj na voljo, stroški dela pa nadpovprečni.

Po drugi strani pa ostajajo poklici, kot sta kuhanje ali vožnja avtobusa, v bližnji prihodnosti varni. Zaradi izziva povezovanja nevronskih mrež z resničnim fizičnim svetom je avtomatizacija na teh področjih v kombinaciji z obstoječo zakonodajo in predpisi bolj zapletena.

Spremembe in priložnosti

Avtomatizacija ne pomeni nujno popolne zamenjave človeških delavcev. Pogosto vodi do optimizacije rutinskih opravil, kar ljudem omogoča, da se osredotočijo na bolj ustvarjalne in privlačne odgovornosti.

1. Novinarstvo: V panogah, kot je novinarstvo, bodo lahko nevronske mreže kmalu pomagale pri pripravi člankov z nizom tez, pri čemer bodo pisci ljudje morali narediti natančne prilagoditve.

2. Izobrazba: Morda je najbolj vznemirljiva preobrazba v izobraževanju. Raziskave kažejo, da prilagojeni pristopi izboljšati izobraževalne rezultate. Z umetno inteligenco si lahko zamislimo personalizirane pomočnike za vsakega učenca, kar dramatično izboljša kakovost izobraževanja. Vloge učiteljev se bodo razvijale v smeri strateškega načrtovanja in nadzora, s poudarkom na določanju študijskih programov, preverjanju znanja in usmerjanju celotnega učenja.

6. AI in umetniške podobe: reprodukcija ali kraja?

Umetna inteligenca se uči tako, da preučuje različne oblike umetnosti, prepoznava različne sloge in jih poskuša posnemati. Postopek je podobno človeškemu učenju, kjer študenti umetnosti opazujejo, analizirajo in posnemajo dela različnih umetnikov.

AI deluje po principu minimizacije napak. Če model naleti na podobno sliko več stokrat med svojim usposabljanjem, si lahko to sliko zapomni kot del svoje učne strategije. To ne pomeni, da omrežje shranjuje sliko, temveč jo prepozna na podoben način kot človeški spomin.

Praktičen primer

Razmislite o študentu umetnosti, ki vsak dan nariše dve sliki: eno unikatno in drugo reprodukcijo Mona Lise. Po večkratnem risanju Mona Lise jo bo učenec znal reproducirati s precejšnjo natančnostjo, vendar ne natančno. Ta naučena sposobnost poustvarjanja ni enaka kraji izvirnega dela.

Nevronske mreže delujejo na primerljiv način. Učijo se iz vseh slik, ki jih srečajo med usposabljanjem, pri čemer so nekatere slike pogostejše in zato natančneje reproducirane. To ne vključuje le znanih slik, ampak vse slike v učnem vzorcu. Čeprav obstajajo metode za odstranjevanje dvojnikov, niso brezhibne in raziskave so pokazale, da se lahko nekatere slike med treningom pojavijo več stokrat.

Podobni: 5 nasvetov za pripravo vašega življenjepisa mimo orodij za preverjanje z umetno inteligenco

7. Lahko uporabim GPT-4 namesto Googlovih iskanj?

Po internih ocenah g OpenAI, trenutno vodilni model, GPT-4, odgovori pravilno približno 70-80 % časa, odvisno od teme. Čeprav se to morda zdi premalo od idealne 100-odstotne natančnosti, je pomembno izboljšanje v primerjavi s prejšnjo generacijo modelov temelji na GPT-3.5, ki je imela stopnjo natančnosti 40-50 %. To znatno povečanje učinkovitosti je bilo doseženo v 6-8 mesecih raziskave.

Kontekst je pomemben

Zgoraj omenjene številke se nanašajo na vprašanja brez posebnega konteksta ali spremljajočih informacij. Ko je zagotovljen kontekst, kot je a Wikipedia stran, se natančnost modela približa 100 %, prilagojeno pravilnosti vira.

Razlikovanje med kontekstno prostimi in kontekstno bogatimi vprašanji je ključnega pomena. Na primer, vprašanje o Einsteinovem rojstnem datumu brez kakršnih koli spremljevalnih informacij se zanaša izključno na interno znanje modela. Toda z določenim virom ali kontekstom lahko model zagotovi natančnejši odgovor.

Google išče znotraj GPT-4

Zanimiv razvoj na tem področju je integracija internetnih iskanj znotraj GPT-4 sama. To uporabnikom omogoča, da del iskanja po internetu prenesejo na GPT-4, kar lahko zmanjša potrebo po ročnem vnašanju informacij v Googlu. Ta funkcija pa zahteva plačljivo naročnino.

Looking Ahead

OpenAI Izvršni direktor Sam Altman predvideva, da se bo zanesljivost dejanskih informacij znotraj modela še naprej izboljševala, s predvidenim časovnim okvirom 1.5–2 leti za nadaljnjo izboljšavo tega vidika.

8. Ali je AI lahko ustvarjalen?

Za nekatere, ustvarjalnost je inherentna sposobnost, nekaj, kar imajo vsi ljudje v različni meri. Drugi morda trdijo, da je ustvarjalnost naučena veščina ali da je omejena na določene poklice ali dejavnosti. Tudi med ljudmi obstajajo razlike v ustvarjalne sposobnosti. Zato primerjava človeške ustvarjalnosti z nevronsko mrežo zahteva skrbno premislek o tem, kaj ustvarjalnost resnično vključuje.

Nevronske mreže in umetnost

Nedavni razvoj je nevronskim mrežam omogočil ustvarjanje umetnosti in poezije. Nekateri modeli so ustvarili dela, ki bi lahko dosegla finale amaterskih tekmovanj. Vendar se to ne dogaja dosledno; uspeh je lahko sporadičen, morda eden od stotih poskusov.

Razprava

Zgornje informacije so sprožile burne razprave. Mnenja o tem, ali lahko nevronske mreže štejemo za ustvarjalne, so zelo različna. Nekateri trdijo, da zmožnost ustvarjanja pesmi ali slike, tudi če le občasno uspe, predstavlja obliko ustvarjalnosti. Drugi so trdno prepričani, da je ustvarjalnost izključno človeška lastnost, vezana na čustva, namene in zavest.

Subjektivna narava ustvarjalnosti dodatno zaplete razpravo. Tudi med ljudmi se lahko razumevanje in vrednotenje ustvarjalnosti zelo razlikujeta.

Praktične posledice

Poleg filozofske razprave je treba razmisliti o praktičnih posledicah. Če so nevronske mreže res lahko ustvarjalne, kaj to pomeni za panoge, ki so odvisne od ustvarjalnih rezultatov? Bi lahko stroji povečali ali celo nadomestili človeško ustvarjalnost na določenih področjih? Ta vprašanja niso le teoretična, temveč imajo resnični pomen.

Podobni: 5 najboljših mešalnikov fotografij z umetno inteligenco v letu 2023: Zmešajte dve sliki na spletu

9. Ali lahko AI resnično razmišlja?

Da bi raziskali, ali lahko nevronske mreže razmišljajo, moramo najprej razumeti, kaj sestavlja misel. Na primer:, če obravnavamo proces razumevanja, kako uporabiti ključ za odpiranje vrat, kot miselni proces, potem lahko nekateri trdijo, da so nevronske mreže sposobni podobnega sklepanja. Lahko povežejo stanja in želene rezultate. Drugi bi to lahko izpodbijali in ugotovili, da se nevronske mreže zanašajo na ponavljajočo se izpostavljenost podatkom, podobno kot se ljudje učijo s ponavljajočim se opazovanjem.

Inovacije in skupne misli

Razprava postane bolj zapletena, če upoštevamo inovativne misli ali zamisli, ki niso običajno izražene. Nevronska mreža lahko ustvari novo idejo enkrat v milijonih poskusov, toda ali se to šteje za misel? Kako se to razlikuje od naključnega ustvarjanja? Če tudi ljudje občasno proizvajajo napačne ali neučinkovite misli, kje je meja med človeškim in strojnim mišljenjem?

Verjetnost in ustvarjanje idej

Koncept verjetnosti dodaja še eno plast kompleksnosti. Nevronska mreža lahko proizvede na milijone različnih odzivov in med njimi je lahko nekaj inovativnih ali smiselnih. Ali določeno razmerje med smiselnimi in nesmiselnimi mislimi potrjuje sposobnost razmišljanja?

Razvijajoče se razumevanje umetne inteligence

Zgodovinsko gledano so bili stroji razviti za reševanje kompleksnih problemov, kot je npr opravili Turingov test, vratnici za defise je inteligenca spremenila. Kar je nekoč pred 80 leti veljalo za čudežno, je danes običajna tehnologija in defipredstava o tem, kaj sestavlja AI, se nenehno razvija.

10. Kako bi lahko ChatGPT sploh narediti? in Midjourney ali DALL-E?

Nevronske mreže, ideja, ki je nastala sredi 20. stoletja, so postale osrednjega pomena za delovanje modeli kot npr ChatGPT in DALL-E. Čeprav se zgodnje ideje morda zdijo poenostavljene glede na današnje standarde, so postavile temelje za razumevanje, kako posnemati delovanje bioloških možganov prek matematični modeli. Tukaj je raziskovanje načel, ki omogočajo te nevronske mreže.

1. Navdih iz narave:

Sam izraz "nevronska mreža" črpa navdih iz bioloških nevronov, osrednjih funkcionalnih enot možganov. Ti umetni konstrukti obsegajo vozlišča ali umetne nevrone, ki posnemajo številne vidike naravnega delovanja možganov. Ta povezava z biologijo je zagotovila dragocen vpogled v ustvarjanje sodobnih arhitektur.

2. Matematika kot orodje:

Nevronske mreže so matematični modeli, ki nam omogočajo, da izkoristimo bogate vire matematičnih tehnik za analizo in vrednotenje teh modelov. Preprost primer je funkcija, ki vzame število kot vhod in mu doda dve, na primer f(4) = 6. Čeprav je to osnovna funkcija, lahko nevronske mreže predstavljajo veliko bolj zapletene odnose.

3. Ravnanje z dvoumnimi nalogami:

Tradicionalno programiranje je pomanjkljivo pri obravnavanju nalog, kjer razmerja med vhodi in izhodi ni enostavno opisati. Vzemimo primer kategorizacije slik mačk in psov. Kljub podobnosti jih lahko ljudje zlahka ločimo, vendar je algoritemično izražanje tega razlikovanja zapleteno.

4. Usposabljanje in učenje iz podatkov:

Moč nevronskih mrež je v njihovi sposobnosti učenja iz podatkov. Glede na dva niza slik (npr. mačke in psi) se model nauči razlikovati med njima tako, da se uri iskati povezave. S poskusi in napakami ter prilagajanjem svojih umetnih nevronov izboljša svojo sposobnost njihovega pravilnega razvrščanja.

5. Moč velikih modelov:

Teoretično se lahko dovolj velika nevronska mreža z dovolj označenimi podatki nauči katere koli kompleksne funkcije. Vendar pa so izzivi v potrebni računalniški moči in razpoložljivosti pravilno razvrščenih podatkov. Zaradi te kompleksnosti so veliki modeli podobni ChatGPT skoraj nemogoče v celoti analizirati.

6. Specializirano usposabljanje:

ChatGPT, na primer, je bil usposobljen za dve specifični nalogi: predvidevanje naslednje besede v kontekstu in zagotavljanje nežaljivih, a uporabnih in razumljivih odgovorov. Ti natančni cilji usposabljanja so prispevali k njegovi priljubljenosti in široki uporabi.

7. Stalni izziv razumevanja:

Kljub temu napredku, popolno razumevanje notranjega delovanja velikih, zapletenih modeli ostajajo področje aktivnih raziskav. Prizadevanje za demistificiranje njihovih zapletenih procesov še naprej zaposluje nekatere najboljše raziskovalce na tem področju.

Pogosta vprašanja

Čeprav je ideja o »digitalni kopiji« samega sebe še vedno precej špekulativna, nam sodobna tehnologija omogoča, da zajamemo in arhiviramo številne elemente našega digitalnega odtisa, kot so fotografije, videi in zapisi.

Nevronske mreže se učijo iz podatkov, ki jih usposabljajo in ti podatki lahko vsebujejo pristranskost ali netočnost. Strokovnjaki poudarjajo pomen uporabe visokokakovostnih podatkov in stalnega spremljanja, da bi zagotovili čim boljšo natančnost napovedi omrežja.

V nasprotju s popularno literaturo in filmskimi pripovedmi je človekdefiNed pravila in algoritmi urejajo delovanje trenutnih sistemov AI. Trenutno stanje tehnologije prepoveduje »vstajo strojev«, ker stroji nimajo avtonomne volje ali želje.

Podmnožica umetne inteligence, znana kot nevronske mreže, obdeluje informacije tako, da je podobna omrežni nevronski strukturi človeških možganov. V širšem smislu se AI nanaša na strojno ali programsko opremo, ki je sposobna izvajati operacije, ki običajno zahtevajo človeško inteligenco.

Nevronske mreže se učijo skozi a proces, imenovan trening, kjer dobijo velike količine podatkov in prilagodijo svoje notranje parametre, da zmanjšajo napako v svojih napovedih. Ta ponavljajoči se proces vodijo tehnike matematične optimizacije.

Nevronske mreže, zlasti modeli globokega učenja, se pogosto imenujejo “črne skrinjice” zaradi njihove kompleksnosti. Čeprav obstajajo metode za razlago nekaterih odločitev, je lahko težko slediti vsakemu vidiku procesa odločanja nevronske mreže.

Nevronske mreže same po sebi niso pristranske, vendar lahko odražajo pristranskosti, ki so prisotne v podatki o usposabljanju. Poudarja pomen odgovornega zbiranja in obdelave podatkov.

Nekatere nevronske mreže so bile zasnovane za ustvarjajo umetnost, glasbo in celo pisanje. Čeprav so te stvaritve lahko nove in zanimive, je to, ali predstavljajo »ustvarjalnost«, še vedno predmet filozofske razprave.

Da, specifični napadi, kot so adversarni primeri, kjer lahko manjše spremembe vhodnih podatkov povzročijo napačne rezultate, lahko naredijo nevronske mreže ranljive. Da bi razvili obrambo pred tovrstnimi ranljivostmi, si strokovnjaki nenehno prizadevajo.

Etični vidiki v nevronskih mrežah vključujejo vprašanja, povezana s pristranskostjo, preglednostjo, zasebnostjo in odgovornostjo. Pravilne smernice, predpisi in nadzor so ključnega pomena odpraviti te skrbi.

Zavij

Na obsežnem področju nevronskih mrež je veliko zapletenih podrobnosti, ki lahko povzročijo nesporazume ali napačne predstave. Upamo, da bomo razblinili mite in našim bralcem dali točne informacije z odprto razpravo o teh vprašanjih s strokovnjaki za določena področja. Nevronske mreže, ki so ključna sestavina sodobne tehnologije umetne inteligence, še naprej napredujejo, skupaj z njimi pa tudi naše razumevanje. Za krmarjenje po prihodnosti tega fascinantnega področja bodo ključnega pomena odprta komunikacija, nenehno učenje in odgovorno izvajanje.

Preberite več:

• 10 pomembnih poslovnih in življenjskih lekcij iz OpenAI Izvršni direktor Sam Altman
• Evolucija klepetalnih robotov iz obdobja T9 in GPT-1 do ChatGPT
• Crypto Conference LA prihaja v kongresni center Anaheim
• Kakšne so prednosti in slabosti umetne inteligence pri pisanju?
• Besedilo v 3D: Google je razvil nevronsko mrežo, ki ustvarja 3D modele iz besedilnih opisov