Vuosi tekoälyssä tähän mennessä: Massiiviset mallit ja niiden käyttö PlatoBlockchain Data Intelligence. Pystysuuntainen haku. Ai.

Tekoälyn vuosi tähän mennessä: massiiviset mallit ja niiden käyttö

Tekoälyn ja koneoppimisen maailma liikkuu erittäin nopeasti. Itse asiassa niin nopea, että on huomattavaa ajatella, että vasta vuosikymmen sitten AlexNet-malli hallitsi ImageNet-kilpailua ja aloitti prosessin, joka teki syvästä oppimisesta vilpittömän teknologian liikkeen. Tänään, vuosien pelaamista koskevien otsikoiden jälkeen, näemme jatkuvasti kasvavaa innovaatiota, joka koskee todellista maailmaa. 

Pelkästään parin viime vuoden aikana AI/ML-mallit, kuten GPT-3 ja AlphaFold, ovat tarjonneet ominaisuuksia, jotka katalysoivat uusia tuotteita ja yritykset, ja se laajensi ymmärrystämme siitä, mitä tietokoneet voivat tehdä. 

Tätä silmällä pitäen ajattelimme palata AI/ML-kattaukseen uudelleen Tulevaisuus vuoden ensimmäisellä puoliskolla, sekä saada sinut kiinni joihinkin – mutta ei todellakaan kaikki - tärkeimmistä teollisuuden kehityksestä tuona aikana. Kuten huomaat, suurien kielimallien, generatiivisten mallien ja perusmallien yhdistelmät ovat tärkeä huomionlähde, ja me vain selailemme pintaa ymmärtääksemme, mitä ne voivat tehdä ja miten suuren tutkimuksen ulkopuolella oleva maailma Laboratoriot voivat käyttää valtaansa.

- Tulevaisuus fokus: Kuinka hyödyntää AI/ML:n edistysaskeleita

Massiivisten AI-mallien (kuten GPT-3) käyttäminen käynnistyksessä Kirjailija: Elliot Turner / Hyperia

AlphaFold, GPT-3 ja älykkyyden lisääminen tekoälyllä kirjoittanut Niko Grupen / Cornell

AlphaFold, GPT-3 ja älykkyyden lisääminen tekoälyllä (kohta 2) kirjoittanut Niko Grupen / Cornell

Data50: Maailman suosituimmat data-aloitusyritykset kirjoittaneet Jennifer Li, Sarah Wang ja Jamie Sullivan / a16z

Uusia arkkitehtuuria nykyaikaiseen tietoinfrastruktuuriin by Matt Bornstein, Jennifer Li ja Martin Casado / a16z

Vuosikymmen syvää oppimista: Kuinka tekoälyn käynnistyskokemus on kehittynyt Richard Socherin kanssa (K&V) / you.com

7 tekniikkaa luotettavien tekoälymallien rakentamiseen Kirjailija: Beena Ammanath (ote kirjasta) / Deloitte

Kaksi asiaa, joita tarvitsemme seuraavaan AlphaFoldiin Daphne Kollerin kanssa (K&V) / Insitro

Toimialan painopiste: kuvat, sanat ja muuta koodausta

Kilpailukykyinen ohjelmointi AlphaCodella / Deepmind

Tekoälyn opettaminen kääntämään 100 puhuttua ja kirjoitettua kieltä reaaliajassa / AI tavoite

Pathways Language Model (PaLM): Skaalaus 540 miljardiin parametriin läpimurtokykyä varten / Google-tutkimus

DALL-E2 / OpenAI

Kuva: Tekstistä kuvaksi diffuusiomallit / Google-tutkimus

Tämän tyyppiset edistysaskeleet ja lisääntynyt ymmärrys niiden hyödyntämisestä ovat syyt, miksi olemme omistautuneet tehostamaan tekoälyn/ML:n kattavuutta ja erityisesti sitä, miten näemme sen sovellettavan todellisissa olosuhteissa seuraavan vuoden aikana. pari vuotta. From biotekniikka että televisio, olemme valmiita harkitsemaan vakavasti, mikä on mahdollista ja kuinka ohjelmisto voi auttaa ihmisiä toteuttamaan villeimmät ideansa. Jos työskentelet jotain jännittävää ja uutta AI/ML-tilassa ja haluat jakaa ajatuksesi siitä, mihin olemme menossa, Ole hyvä lähetä meille piki.

Lähetetty 27. kesäkuuta 2022

Tekniikka, innovaatiot ja tulevaisuus, kuten sitä rakentajat kertovat.

Kiitos rekisteröitymisestä.

Tarkista postilaatikostasi tervetuliaisviesti.

Aikaleima:

Lisää aiheesta Andreessen Horowitz