Η χρονιά στην Τεχνητή Νοημοσύνη μέχρι στιγμής: Τεράστια μοντέλα και πώς να τα χρησιμοποιήσετε Η νοημοσύνη δεδομένων PlatoBlockchain. Κάθετη αναζήτηση. Ολα συμπεριλαμβάνονται.

Η χρονιά στην τεχνητή νοημοσύνη μέχρι στιγμής: τεράστια μοντέλα και πώς να τα χρησιμοποιήσετε

Ο κόσμος της τεχνητής νοημοσύνης και της μηχανικής μάθησης κινείται πολύ γρήγορα. Τόσο γρήγορα, στην πραγματικότητα, που είναι αξιοσημείωτο να πιστεύουμε ότι ήταν μόλις πριν από μια δεκαετία όταν το μοντέλο AlexNet κυριάρχησε στον διαγωνισμό ImageNet και ξεκίνησε τη διαδικασία που έκανε τη βαθιά μάθηση ένα καλόπιστο τεχνολογικό κίνημα. Σήμερα, μετά από χρόνια πρωτοσέλιδων σχετικά με το παιχνίδι, βλέπουμε ολοένα αυξανόμενη καινοτομία που εφαρμόζεται στον πραγματικό κόσμο. 

Μόνο τα τελευταία δύο χρόνια, τα μοντέλα AI/ML όπως το GPT-3 και το AlphaFold παρείχαν δυνατότητες που καταλύουν νέα προϊόντα και εταιρείες, και αυτό επέκτεινε την κατανόησή μας για το τι μπορούν να κάνουν οι υπολογιστές. 

Έχοντας αυτό κατά νου, σκεφτήκαμε να επανεξετάσουμε την κάλυψη AI/ML Μελλοντικός κατά το πρώτο εξάμηνο του έτους, καθώς και να σας καλύψουν μερικά — αλλά σίγουρα όχι όλα - από τις σημαντικότερες εξελίξεις του κλάδου κατά την περίοδο εκείνη. Όπως θα δείτε, κάποιος συνδυασμός μεγάλων γλωσσικών μοντέλων, μοντέλων δημιουργίας και μοντέλων θεμελίωσης αποτελούν σημαντική πηγή προσοχής, και απλώς κοιτάμε την επιφάνεια όσον αφορά την κατανόηση του τι μπορούν να κάνουν και πώς ο κόσμος έξω από τη μεγάλη έρευνα τα εργαστήρια μπορούν να χρησιμοποιήσουν τη δύναμή τους.

Η Μελλοντικός εστίαση: Πώς να επωφεληθείτε από τις προόδους AI/ML

Πώς να χρησιμοποιήσετε μαζικά μοντέλα AI (όπως το GPT-3) στην εκκίνηση σας του Έλιοτ Τέρνερ / Υπερία

AlphaFold, GPT-3 και Πώς να αυξήσετε τη νοημοσύνη με AI του Νίκο Γκρούπεν / Κορνέλ

AlphaFold, GPT-3 και Πώς να αυξήσετε την ευφυΐα με AI (Pt. 2) του Niko Grupen / Cornell

Data50: Οι κορυφαίες νεοσύστατες εταιρείες δεδομένων στον κόσμο από την Jennifer Li, τη Sarah Wang και Jamie Sullivan / a16z

Αναδυόμενες Αρχιτεκτονικές για Σύγχρονη Υποδομή Δεδομένων by Matt Bornstein, Jennifer Li και Martin Casado / a16z

Μια δεκαετία βαθιάς μάθησης: Πώς εξελίχθηκε η εμπειρία εκκίνησης AI με τον Richard Socher (Q&A) / you.com

7 Τεχνικές για τη δημιουργία αξιόπιστων μοντέλων τεχνητής νοημοσύνης από την Beena Ammanath (απόσπασμα βιβλίου) /Deloitte

Τα δύο πράγματα που θα χρειαστούμε για το επόμενο AlphaFold με την Daphne Koller (Q&A) / Insitro

Εστίαση στον κλάδο: Εικόνες, λέξεις και περισσότερη κωδικοποίηση

Ανταγωνιστικός Προγραμματισμός με AlphaCode / βαθιά Νου

Διδασκαλία τεχνητής νοημοσύνης για μετάφραση 100 προφορικών και γραπτών γλωσσών σε πραγματικό χρόνο / Meta AI

Μοντέλο γλώσσας Pathways (PaLM): Κλιμάκωση σε 540 δισεκατομμύρια παραμέτρους για πρωτοποριακή απόδοση / Έρευνα Google

DALL-E2 / OpenAI

Εικόνα: Μοντέλα διάχυσης κειμένου σε εικόνα / Έρευνα Google

Αυτοί οι τύποι προόδου και η αυξημένη κατανόηση του τρόπου χρήσης τους, είναι ο λόγος για τον οποίο είμαστε αφοσιωμένοι στην ενίσχυση της κάλυψης του AI/ML και, ειδικότερα, στο πώς θα το δούμε να εφαρμόζεται σε πραγματικές ρυθμίσεις το επόμενο διάστημα. μερικά χρόνια. Από Βιοτεχνολογίας προς την τηλεόραση, είμαστε έτοιμοι για μια σοβαρή επανεξέταση του τι είναι δυνατό και του τρόπου με τον οποίο το λογισμικό μπορεί να βοηθήσει τους ανθρώπους να υλοποιήσουν τις πιο τρελές ιδέες τους. Εάν εργάζεστε σε κάτι συναρπαστικό και νέο στον χώρο της AI/ML και θέλετε να μοιραστείτε τις σκέψεις σας για το πού πάμε, σας παρακαλούμε στείλτε μας μια πίσσα.

Δημοσιεύτηκε στις 27 Ιουνίου 2022

Τεχνολογία, καινοτομία και μέλλον, όπως είπαν όσοι την κατασκευάζουν.

Ευχαριστώ για την εγγραφή σας.

Ελέγξτε τα εισερχόμενά σας για μια σημείωση καλωσορίσματος.

Σφραγίδα ώρας:

Περισσότερα από Andreessen Horowitz