A mesterséges intelligencia éve eddig: Masszív modellek és használatuk PlatoBlockchain adatintelligencia. Függőleges keresés. Ai.

Az év az AI-ban eddig: masszív modellek és használatuk

A mesterséges intelligencia és a gépi tanulás világa nagyon gyorsan fejlődik. Valójában olyan gyors, hogy figyelemre méltó arra gondolni, hogy mindössze egy évtizeddel ezelőtt az AlexNet modell uralta az ImageNet versenyt, és elindította azt a folyamatot, amely a mélytanulást jóhiszemű technológiai mozgalommá tette. Ma, a játékról szóló évek szalagcímei után, folyamatosan növekvő innovációt látunk, amely a való világra vonatkozik. 

Csak az elmúlt néhány évben az AI/ML modellek, például a GPT-3 és az AlphaFold olyan képességeket biztosítottak, amelyek katalizálták új termékek és a társaságok, és ez kiterjesztette a számítógépek képességeinek megértését. 

Ezt szem előtt tartva úgy gondoltuk, hogy felülvizsgáljuk az AI/ML lefedettségünket Jövő az év első felében, és utolér néhányat – de biztosan nem minden - az abban az időben történt főbb iparági fejlesztésekről. Amint látni fogja, a nagy nyelvi modellek, a generatív modellek és az alapmodellek bizonyos kombinációi a figyelem fő forrását jelentik, és mi csak a felszínt söpörjük, hogy megértsük, mire képesek, és hogy a nagy kutatásokon kívüli világ a laborok hasznosíthatják erejüket.

A Jövő fókusz: Hogyan lehet kihasználni az AI/ML fejlesztéseket

Hogyan használjunk masszív AI-modelleket (mint például a GPT-3) az induláskor szerző: Elliot Turner / Hyperia

AlphaFold, GPT-3 és az intelligencia bővítése mesterséges intelligencia segítségével szerző: Niko Grupen / Cornell

AlphaFold, GPT-3 és az intelligencia bővítése mesterséges intelligencia segítségével (2. rész) szerző: Niko Grupen / Cornell

Data50: A világ legjobb adatszolgáltatói Jennifer Li, Sarah Wang és Jamie Sullivan / a16z

Feltörekvő architektúrák a modern adatinfrastruktúrához by Matt Bornstein, Jennifer Li és Martin Casado / a16z

A mély tanulás évtizede: Hogyan fejlődött az AI startup tapasztalata Richard Socherrel (Kérdések és válaszok) / you.com

7 technika megbízható mesterségesintelligencia-modellek készítéséhez írta: Beena Ammanath (könyvrészlet) Deloitte

A két dolog, amire szükségünk lesz a következő AlphaFoldhoz Daphne Kollerrel (Kérdések és válaszok) / Insitro

Iparági fókusz: képek, szavak és további kódolás

Versenyképes programozás AlphaCode-al / mély Mind

A mesterséges intelligencia megtanítása 100 beszélt és írott nyelv valós idejű fordítására / Meta AI

Pathways Language Model (PaLM): 540 milliárd paraméterre skálázás az áttörő teljesítmény érdekében / Google Research

DALL-E2 / OpenAI

Kép: Szöveg-kép diffúziós modellek / Google Research

Az ilyen típusú fejlesztések és a használatuk jobb megértése miatt elkötelezettek vagyunk az AI/ML lefedettségének fokozása mellett, és különösen annak a valós környezetben való alkalmazásában a következő időszakban. pár év. Tól től biotechnológia nak nek televízió, készen állunk arra, hogy alaposan újragondoljuk, mi lehetséges, és hogyan segítheti a szoftver az embereket legvadabb ötleteik megvalósításában. Ha valami izgalmas és újdonságon dolgozik az AI/ML térben, és szeretné megosztani gondolatait arról, hogy merre tartunk, kérem küldjön nekünk egy pályát.

Feladás dátuma: 27. június 2022

Technológia, innováció és a jövő, ahogy azt az építők elmondták.

Köszönjük a feliratkozást.

Nézze meg a beérkezett üzeneteket, hogy van-e üdvözlő üzenet.

Időbélyeg:

Még több Andreessen Horowitz