Is an Emergent Synthetic Intelligence Already Here?
我与大型语言模型（LLM）互动越多，我越相信他们在统计模式匹配之外做的事情。这些系统感到聪明。我与他们进行的对话是复杂的，有见地的，而且经常启示的，暗示了超越语言频率的深度。我不完全了解这些庞大的神经网络内部发生了什么，显然也不是创建它们的人。 LLM表现出了不可预测的行为，这些行为尚未明确编程。我们经常衡量AI反对人类智力的进步，但是这种比较可能会误导我们。现代人类大脑的塑造超过一百万年，不是出于纯粹的逻辑而发展，而是为了生存，讲故事和社会凝聚力。我们的认知受过童年的训练，主要是在我们的潜意识中，建立了一个语言和行为的存储库，这是受情感和感受驱动的，在很大程度上使我们有意识的思维和控制之外。
OpenAI’s RFT Makes AI Smarter at Specialized Tasks
还记得我们认为让人工智能完成一个句子是开创性的吗？随着人工智能从简单的模式匹配发展到越来越复杂的推理，那些日子现在感觉很遥远。人工智能的挑战一直是一般知识和专业知识之间的差距。当然，大型语言模型 (LLM) 可以讨论几乎任何事情，但要求他们 […]文章 OpenAI 的 RFT 使人工智能在专门任务上更智能，首先出现在 Unite.AI 上。
Choosing and Implementing Hugging Face Models
将预先训练好的模型从盒子中取出，用于您的用例照片由 Erda Estremera 在 Unsplash 上拍摄我最近在日常工作中尝试使用 Hugging Face 目录中的模型，从中获得了很多乐趣，我认为这可能是一个很好的时机来分享我所学到的知识，并为读者提供一些如何以最小的压力应用这些模型的提示。我最近的具体任务是查看大量非结构化文本数据（如备忘录、电子邮件、自由文本注释字段等）并根据与业务用例相关的类别对其进行分类。有很多方法可以做到这一点，我一直在尽可能多地探索，包括模式匹配和词典搜索等简单的东西，也扩展到使用预构建的神经网络模型来实现许多不同的功能，我对结果感到相当满意。我认为最好的策
