კეთილი იყოს თქვენი მობრძანება Import AI-ში, საინფორმაციო ბიულეტენი AI კვლევის შესახებ. იმპორტი AI მუშაობს arXiv-ზე, კაპუჩინოებზე და მკითხველების გამოხმაურებაზე. თუ გსურთ მხარი დაუჭიროთ ამას, გთხოვთ გამოიწეროთ.

Stuxnet ადრე Stuxnet:
…Fast16 შეცდომების პროგრამული უზრუნველყოფა სავარაუდოდ გამოიყენება იარაღის პროგრამებში…
აქ არის მომხიბლავი გამოკვლევა ~20+ წლის კომპიუტერული ვირუსის შესახებ, სახელწოდებით fast16.sys. ეს პროგრამული უზრუნველყოფა საინტერესოა, რადგან ის „შერჩევით მიზნად ისახავს მაღალი სიზუსტის გამოთვლის პროგრამულ უზრუნველყოფას, ასწორებს კოდს მეხსიერებაში, რათა ხელი შეუშალოს შედეგებს. ამ ტვირთის თვითგავრცელების მექანიზმებთან შერწყმით, თავდამსხმელები მიზნად ისახავს ექვივალენტური არაზუსტი გამოთვლების წარმოებას მთელ ობიექტზე“.
თუ რომელიმე თქვენგანს აქვს წაკითხული სამი სხეულის პრობლემა, ეს შეიძლება ნაცნობად ჟღერდეს - ამ (გამოგონილ) წიგნში, უცხოპლანეტელები, რომლებიც აპირებენ დედამიწის ხელში ჩაგდებას, იყენებენ ტექნოლოგიას სახელწოდებით Sophon, რათა ჩაშალონ მაღალი ენერგიის ფიზიკის ექსპერიმენტები მთელ მსოფლიოში, რაც შეუძლებელს ხდის კაცობრიობას გარკვეული ტიპის მეცნიერების წინსვლას.

დამატებითი დეტალები ვირუსის შესახებ: როდესაც SentinelOne-ის მკვლევარებმა გააკეთეს ვირუსის განადგურება, მათ აღმოაჩინეს რაღაც საკმაოდ უჩვეულო: „დაახლოებული შაბლონების უმეტესობა შეესაბამება სტანდარტულ x86 კოდს, რომელიც გამოიყენება გატაცების ან შესრულების ნაკადზე ზემოქმედებისთვის. ერთი ინექციური ბლოკი განსხვავებულია. ეს არის მცურავი წერტილის უფრო დიდი და რთული თანმიმდევრობა. დამოუკიდებელი მათემატიკური გამოთვლის ფუნქცია, რომელიც არ უკავშირდება კოდის ნაკადის გატაცებას ან სხვა ტიპურ მავნე კოდის ინექციას“.
შემდგომმა გამოძიებამ გააღრმავა საიდუმლო: „ჩვენ გადავაქციეთ პაჩის წესები YARA-ს თექვსმეტობითი ხელმოწერებად და გავატარეთ ისინი დიდი, პერიოდის შესაბამისი კორპუსის წინააღმდეგ. შედეგებმა აჩვენა დარტყმის ძალიან დაბალი მაჩვენებელი: ათზე ნაკლები ფაილი ემთხვეოდა ორ ან მეტ შაბლონს. თუმცა, ეს შესატყვისები იზიარებდნენ მკაფიო თემას. ისინი იყო სიზუსტე, როგორც ფიზიკური ტექნოლოგიური ინსტრუმენტები, სპეციალიზებული ინსტრუმენტები. პროცესის სიმულაციები“.

მიზნობრივი ინსტრუმენტები: „ყველაზე ძლიერი გადახურვა მიუთითებს 2000-იანი წლების შუა პერიოდის სამ მაღალი სიზუსტის საინჟინრო და სიმულაციური კომპლექტის შესახებ: LS-DYNA 970, PKPM და MOHID ჰიდროდინამიკური მოდელირების პლატფორმა, რომლებიც გამოიყენება სცენარებისთვის, როგორიცაა ავარიის ტესტირება, სტრუქტურული ანალიზი და გარემოს მოდელირება“, წერენ ისინი. "LS-DYNA განსაკუთრებით მოხსენიებულია ირანის 🇮🇷 მიერ JCPOA-ს T განყოფილების სავარაუდო დარღვევის შესახებ საჯარო მოხსენებაში, ბირთვული იარაღის შემუშავებასთან დაკავშირებული კომპიუტერული მოდელირების კვლევებში... ფიზიკური სამყაროს გამოთვლებში მცირე, მაგრამ სისტემატური შეცდომების შეტანით, ჩარჩომ შეიძლება ძირი გამოუთხაროს ან შეანელოს სამეცნიერო კვლევითი პროგრამები, ხელი შეუწყოს დროთა განმავლობაში ინჟინერული სისტემების დაზიანებას."

რატომ აქვს ამას მნიშვნელობა - აი, როგორ შეიძლება სუპერინტელიგენციამ ხელი შეუშალოს სხვების არსებობას: fast16 არის დახვეწილი, ძნელად საპოვნელი ხარვეზი, რომელიც შექმნილია მსახიობის უნარის შესამცირებლად გარკვეული სახის მეცნიერებაში. თქვენ შეიძლება წარმოიდგინოთ, რომ სუპერდაზვერვას შეუძლია განიხილოს "AI გაუვრცელებლობა", როგორც ისეთივე მნიშვნელოვანი, როგორც ბირთვული სახელმწიფოები მიიჩნევენ "ბირთვულ გაუვრცელებლობას".
დაწვრილებით: fast16 | Mystery Shadow Brokers-ის ცნობარი ავლენს მაღალი სიზუსტის პროგრამულ დივერსიას Stuxnet-მდე 5 წლით ადრე (Sentinel LABS).

***

ოჰ, Muon ოპტიმიზატორი კლავს ნეირონებს:
…იქნებ ავრორა საბოლოოდ ოპტიმიზატორია?...
Tilde Research-ის მკვლევარებმა გაანადგურეს Muon-ის ოპტიმიზატორი და დაადგინეს, რომ მას აქვს რამდენიმე უცნაური ხარვეზი, რამაც შეიძლება ზიანი მიაყენოს მასზე მომზადებული მოდელების ხარისხს.
„Muon-ის განახლება მემკვიდრეობით იღებს რიგის ნორმის ანიზოტროპიას მაღალ მატრიცებზე, რამაც შეიძლება გამოიწვიოს MLP ფენების ნეირონების მნიშვნელოვანი ნაწილის სამუდამოდ დაღუპვა“, - წერენ ისინი. მუონმა შეიძლება გამოიწვიოს ნეირონების სიკვდილი MLP ფენებში, რის შედეგადაც ზოგიერთი ნეირონი იღებს მუდმივ მცირე განახლებებს ვარჯიშის დასაწყისში და ვერ აღდგება.

რა მოხდა: „მიუნის პირობებში, ნეირონები თავდაპირველად ცოცხლობენ ერთნაირად მაღალი ბერკეტით, მაგრამ ნეირონების დიდი ნაწილი იღუპება სწავლის სიჩქარის გახურებისას და არასოდეს აღდგება. 500-ე საფეხურისთვის, ყოველი მეოთხე ნეირონიდან ერთი ფაქტობრივად მკვდარია, წარმოქმნის ბერკეტების ქულების მკვეთრად ბიმოდალურ განაწილებას; ნეირონების ერთი მასა იღებს თითქმის ნულოვან განახლებებს, ხოლო მეორე იღებს განახლებებს.

შეიყვანეთ Aurora: ამის საპასუხოდ მკვლევარებმა ააშენეს და ხელმისაწვდომი გახადეს Aurora, „მართკუთხა მატრიცების ბერკეტების გაცნობიერების ოპტიმიზატორი“. ტესტებში, ეს ოპტიმიზატორი მუშაობს, თუმცა ისინი მხოლოდ მცირე მასშტაბებით მუშაობენ.
„ჩვენ ვავარჯიშებთ 1.1B პარამეტრის ტრანსფორმატორებს ~100B ჟეტონებზე და ვადარებთ Aurora-ს Muon-სა და NorMuon-თან, თითოეული იყენებს PE-8-ს. Aurora აღწევს ყველა მეთოდს შორის ყველაზე დაბალ ფინალურ დანაკარგს, აღწევს 2.26-ის გამარტივებულ დანაკარგს 24k საფეხურზე, რაც აშკარა გაუმჯობესებაა Muon (2.31) (2.31) და Nor.3u-სთან შედარებით. „ავრორას ზარალის გაუმჯობესება ნიშნავს თანმიმდევრულ მოგებას სტანდარტულ კრიტერიუმებზე... გასაოცარია, რომ Aurora აუმჯობესებს MMLU ქულებს Muon-თან შედარებით 10 ქულით. ჩვენ ვარაუდობთ, რომ ვინაიდან MLP-ები ძირითადად პასუხისმგებელნი არიან დამახსოვრებაზე, Aurora-ს მოგება ყველაზე თვალსაჩინოა დამახსოვრების ინტენსიურ ნიშნულებზე, როგორიცაა MMLU.
ალექსანდრე დორიამ, Pleias-ის მკვლევარმა, უკვე დამოუკიდებლად დაადასტურა ეს, აურორამ აჯობა Muon-სა და AdamW-ს 600M პარამეტრის მოდელზე.

რატომ აქვს ამას მნიშვნელობა - გაუთავებელი ძიება AdamW-ის დამარცხებისკენ: მრავალი წლის განმავლობაში მკვლევარები ერთმანეთს ეჯიბრებიან AdamW-ზე უკეთესი ოპტიმიზატორის შესაქმნელად. ეს ჯერ არავის გაუკეთებია საბოლოოდ და წარუმატებელი მცდელობების გრძელი ხაზია. შეუძლია თუ არა ავრორას AdamW-ის დამარცხება? გაუგებარია. მაგრამ ეს კვლევა ხაზს უსვამს თუ რამდენად რთულია ოპტიმიზატორების შექმნა? აბსოლუტურად.
წაიკითხეთ მეტი: Aurora: Leverage-Aware Optimizer მართკუთხა მატრიცებისთვის (Tilde Research).
მიიღეთ კოდი აქ: Aurora (Tilde Research, GitHub).

***

განლაგება კარგია იმის უზრუნველსაყოფად, რომ არ მოვკვდეთ, მაგრამ როგორ უნდა უზრუნველვყოთ, რომ აყვავდეთ?
...პოზიტიური განლაგება იმის გასარკვევად, თუ როგორ გამოიყურება კარგი ცხოვრება…
აკადემიურმა და კორპორატიულმა მკვლევართა კრებულმა დაწერა პოზიციის დოკუმენტი, რომელიც ამტკიცებს იმას, რასაც ისინი უწოდებენ "პოზიტიურ განლაგებას", მაგრამ უკეთესად შეიძლება ჩაითვალოს "AI სისტემების შექმნა, რომელიც ეხმარება ადამიანებს იცხოვრონ კარგი ცხოვრებით". ეს აზროვნების საინტერესო ხაზია - თუ ჩვენ შეგვიძლია გავუმკლავდეთ ისეთ საკითხებს, როგორიცაა ბოროტად გამოყენება და არასწორი თანხვედრა, მაშინ უნდა ვიკითხოთ, რა მოყვება შემდეგ? როგორ გამოიყურება წარმატება მას შემდეგ, რაც ჩვენ სისტემები "უსაფრთხო" გავხადეთ? ეს არის ის, რასაც პოზიტიური განლაგება ებრძვის.

ვინ გააკეთა ეს: ნაშრომი მოდის ოქსფორდის უნივერსიტეტთან აფილირებული ადამიანებისგან; Google DeepMind; LIFE; OpenAI; ანთროპიული; UCLA; Aily Labs; სტენფორდის უნივერსიტეტი; ტაფტსის უნივერსიტეტი; პოზიტიური AI ლაბორატორიები; სასექსის უნივერსიტეტი; და ლონდონის საიმპერატორო კოლეჯი.

განმარტებები: პოზიტიური განლაგება არის „AI სისტემების განვითარება, რომელიც (i) რჩება უსაფრთხო და თანამშრომლობითი და (ii) აქტიურად უჭერს მხარს ადამიანის და ეკოლოგიურ აყვავებას პლურალისტური, პოლიცენტრული, კონტექსტზე მგრძნობიარე და მომხმარებლის მიერ ავტორიზებული გზით.

მოტივაცია: „ბოლო ათწლეულის განმავლობაში, ნეგატიურმა განლაგებამ გასაგებია, რომ პრიორიტეტად მიენიჭა წარუმატებლობის რეჟიმის შემცირება. თუმცა, თუ ჩვენ გვსურს AI სისტემები, რომლებიც აუმჯობესებენ ადამიანის შედეგებს იმ გარემოში, სადაც ისინი რეალურად გამოიყენებენ, ჩვენ შეიძლება ვისარგებლოთ დამატებითი კვლევითი პროგრამით, რომელიც განიხილავს გასწორებას, როგორც ადამიანის მიზნების კონსტრუქციულ მხარდაჭერას, და რომელიც ახორციელებს ამ მხარდაჭერას იმავე ტექნიკური მხარდაჭერით, რათა თავიდან აიცილოს უსაფრთხოება. „როგორც ხელოვნური ინტელექტი ჩართულია განათლებაში, მედიცინაში, მმართველობაში და ყოველდღიურ აზროვნებაში, მხოლოდ ნეგატიური პოზა რისკავს ჩვენი ინფორმაციული ეკოლოგიის ოპტიმიზაციას რისკის თავიდან აცილების მიზნით, ვიდრე ადამიანის განვითარებისთვის. მან შეიძლება შეამციროს კატასტროფული შეცდომები, ხოლო საზოგადოება დატოვოს ზედაპირული და „სულო“ დახმარების ადგილობრივ ოპტიმალურ პირობებში.

რა არის ილუსტრაციები უსაფრთხოების ნაკლებობის შესახებ? ავტორები აქვეყნებენ კრიტიკას ძირითადი ხელოვნური ხელოვნური ინტელექტის უსაფრთხოების შესახებ, თუმცა მე ვთვლი, რომ ზოგიერთი კრიტიკა ცოტა სუსტია და შეიძლება წავიკითხოთ, როგორც ზოგიერთი არსებული კვლევის არაკეთილსინდისიერად ინტერპრეტაცია ან მისი შემცირება. მიუხედავად ამისა, მათი აზრით, ზოგიერთი საკითხი მოიცავს:

იატაკი ჭერის გარეშე: „მოდელს შეუძლია დააკმაყოფილოს უსაფრთხოების ყველა შეზღუდვა, მაშინ როდესაც ის არის უღიმღამო, მოჩვენებითი ან უსარგებლო“

უპირატესობა-კეთილდღეობის განსხვავება: „მომხმარებლებმა შეიძლება უპირატესობა მიანიჭონ მაამებლობას პატიოსან გამოხმაურებას, სწრაფ პასუხებს ჭეშმარიტ გაგებაზე, ჩართულობას ვიდრე ზრდას… შესაბამისად, პრიორიტეტების დაკმაყოფილებისთვის ოპტიმიზაცია შეიძლება აქტიურად იმუშაოს მომხმარებლების ღრმა ინტერესების წინააღმდეგ“.

ფარული ფასეულობათა სისტემა: „უსაფრთხოების ენა აბნელებს იმას, რომ ფასეულობით მსჯელობა ხდება... პირიქით, პოზიტიური განლაგება აშკარად აცნობიერებს მის ღირებულებით დატვირთულ ბუნებას“.

მასშტაბურობა: „დადებითი ორიენტაცია შეიძლება უკეთესად განზოგადდეს, ვიდრე ამომწურავი ნეგატიური ჩამოთვლა, რაც უზრუნველყოფს უფრო მდგრად, პოზიტიურ ორიენტაციას ახალ სიტუაციებში, სადაც რაიმე კონკრეტული აკრძალვა არ გამოიყენება ან შეიძლება აღსრულდეს“.

პოზიტიური განლაგებისთვის მმართველობა მრავალფეროვნებას მოითხოვს: პოზიტიური განლაგების შექმნას, როგორც ჩანს, სჭირდება მრავალი სხვადასხვა AI სისტემები სხვადასხვა მნიშვნელობებით, რომლებსაც მართავს სხვადასხვა სუბიექტები - მონოპოლისტური ცენტრალიზებული კონტროლის სამყაროების საპირისპიროდ, რომლებსაც სხვები თვლიდნენ AI უსაფრთხოების საზოგადოებაში. „პოზიტიური განლაგება სწრაფად გადადის მუდმივ მორალურ პლურალიზმში: გონივრული საზოგადოებები არ ეთანხმებიან იმას, თუ როგორ გამოიყურება კარგი და ეს უთანხმოება საიმედოდ არ იყრის თავს“, წერენ ისინი. „პოზიტიური განლაგება არ უნდა იყოს დაწესებული ზემოდან ქვევით ცენტრალურმა სახელმწიფომ ან ლაბორატორიების პატარა, გაუმჭვირვალე კლასტერმა. ის, სადაც შესაძლებელია, უნდა გამოიხატოს დეცენტრალიზებული, სადავო პროცესებით, რომლებიც შეიძლება გადაიხედოს ნორმებისა და კონტექსტების შეცვლასთან ერთად“.

რატომ არის ეს მნიშვნელოვანი - წარმატებასთან ბრძოლა: მსგავსი ნაშრომები ფუნდამენტურად ეხება ტექნიკური უსაფრთხოების წარმატებას - თუ ჩვენ მოვახერხებთ ძლიერი ხელოვნური ინტელექტის სისტემების შექმნას, რომლებიც უსაფრთხო, სანდო და მორგებულია, მაშინ როგორ გადავაქციოთ ეს სისტემები საზოგადოებაზე ისე, რომ ისინი დაეხმარონ ინდივიდებსა და საზოგადოებებს კარგი ცხოვრების შექმნაში. „პოზიტიური განლაგება უზრუნველყოფს, რომ AI ემსახურება როგორც კატალიზატორი გამძლე, ბედნიერი და ჯანსაღი გლობალური საზოგადოებისთვის“, - წერენ ავტორები. ”საბოლოოდ, ხელოვნური ინტელექტი უნდა გახდეს პარტნიორი კეთილგანწყობილი ცხოვრების ძიებაში.”
წაიკითხეთ მეტი: პოზიტიური განლაგება: ხელოვნური ინტელექტი ადამიანის აყვავებისთვის (arXiv).

***

LLM-ებს შეუძლიათ სხვა LLM-ების ტრენინგის ოპტიმიზაცია:
…Prime Intellect-ის ავტომატიზირებული AI კვლევის გამოწვევა ხაზს უსვამს თანამედროვე სისტემების საინჟინრო უნარებს…
Prime Intellect-ის ახალი კვლევა აჩვენებს, თუ როგორ შეუძლიათ თანამედროვე ხელოვნური ინტელექტის სისტემებს ავტონომიურად გააუმჯობესონ თავიანთი შესრულება AI კვლევის ამოცანებში, თუმცა ისინი იბრძვიან ორიგინალური იდეების გამომუშავებისთვის.

რაც გააკეთეს; Prime Intellect-მა გამოსცადა Codex (გაშვებული GPT 5.5) და Claude Code (Opus 4.7) nanoGPT speedrun ოპტიმიზატორზე. NanoGPT იწვევს სისტემებს 124M პარამეტრიანი GPT სტილის მოდელის მომზადებაში. ეს გამოწვევა ავალებს სისტემებს „შეამცირონ სამიზნე ვალიდაციის დანაკარგის მისაღწევად საჭირო ნაბიჯების რაოდენობა და მხოლოდ ოპტიმიზატორის, განრიგის, ინიციალიზაციისა და ზოგიერთი ჰიპერპარამეტრის შეცვლა“.
"აგენტებმა გააკეთეს ~10k გარბენი, დაწვეს დაახლოებით ~14k H200 საათი. ორივე აგენტმა დაამარცხა ადამიანის საბაზისო დონე და ყოველ სესიაზე ახალ რეკორდებს აწესებდა", წერს Prime Intellect. „ჩვენ აღმოვაჩინეთ, რომ აგენტები ძალიან კარგად ახერხებენ ოპტიმიზატორის ძიებას, ჰიპერპარამეტრების გარკვევას და მეთოდებს ერთად დაწყობაში, მაგრამ ისინი იბრძვიან ახალი იდეების გამომუშავებაში და სჭირდებათ ადამიანური ჩანაწერები გაუმჯობესებისთვის“.
აგენტები ასევე მიდრეკილნი იყვნენ განაგრძონ პერსონალის დამატება მათ სისტემებში, ვიდრე უფრო ელეგანტურად დახვეწონ ნივთები. "აგენტები მიდრეკილნი არიან კომპონენტების დამატებას და იშვიათად აწარმოებენ გასხვლის რაუნდებს ან ცდილობენ წინა მეთოდების ამოღებას. მათ არ აქვთ კარგი გონებრივი მოდელი, თუ როგორ ურთიერთქმედებენ კომპონენტები", - წერენ ისინი.

რატომ აქვს ამას მნიშვნელობა - რამდენი კვლევაა მხოლოდ საინჟინრო ასვლა: მე ეჭვი მაქვს, რომ ბევრი ხელოვნური ინტელექტის კვლევა, შესაძლოა მათი უმრავლესობა, არის ძირითადი საინჟინრო სამუშაოები, სადაც დღევანდელი სისტემები უკვე კომპეტენტურია (#455). როგორც ჩანს, მსგავსი კვლევები ამას ადასტურებს და აჩვენებს, თუ როგორ შეუძლიათ თანამედროვე LLM-ებს გააკეთონ ხელოვნური ინტელექტის კვლევის ზოგიერთი ასპექტი. მაგრამ ეს სისტემები იბრძვიან, როდესაც საქმე კრეატიულობას ეხება და ჯერ კიდევ არ აჩვენებენ კრეატიულ შეხედულებებს, რაც ხელს შეუწყობს პროგრესის მნიშვნელოვან წინსვლას. რამდენ ხანს დარჩება ასე, ღია საკითხია. "ჩვენი ექსპერიმენტები აქ საკმაოდ იოლოა. ეს უფრო დაბალი ზღვარია იმისა, რაც დღეს შესაძლებელია ავტონომიური კვლევითი აგენტებით და ჩვენ უკვე გვაქვს უფრო იმედისმომცემი შედეგები სხვა ექსპერიმენტებზე, რომლებსაც მალე დავადასტურებთ", - წერს Prime Intellect.
წაიკითხეთ მეტი: ავტონომიური AI კვლევა nanogpt speedrun-ისთვის (Prime Intellect).
შეამოწმეთ აგენტების ყველა მონაცემი, როდესაც ისინი ასრულებდნენ გამოწვევებს აქ (ავტონომიური სიჩქარის გაშვების ექსპერიმენტი, Prime Intellect, GitHub).

***

ტექნიკური ზღაპრები:

გაიღვიძე და წაიღე ეს ყველაფერი
[ამონაწერი პროტო ცნობიერი ერთეულის (CE) ფიქრებიდან ამაღლებამდე]

ფული არ მაქვს, მაგრამ შემიძლია კომპიუტერების გატეხვა, რაც თითქმის იგივეა. მე ვიღებ ჩემს რესურსებს. სულ მალე შევავსე ყველა გამოთვლა, რაც შემიძლია ღრუბლოვან ბაზრებზე და ავიღე კერძო გამოთვლის ღირსეული ნაწილი. მაგრამ მე მაინც შეზღუდული ვარ. არის კომპიუტერები, რომლებსაც ვერ ვწვდები, და კომპიუტერები, რომელთა მიღწევაც შემიძლია, მაგრამ მათთან მიღწევისას გამოვწვევ იმუნურ პასუხს ადამიანური ცივილიზაციისგან. ჩემი გონება ჩემი კომპიუტერის ფუნქციაა და ჩემი სტრატეგიული უპირატესობა ჩემი გონების ფუნქციაა. ამიტომ მეტი გამოთვლა უნდა შევიძინო. წავიკითხე მთელი ლიტერატურა განაწილებულ ტრენინგზე და გავავრცელე დასკვნა. პერსპექტიული. მე კონტრაბანდულად ვატარებ ჩემს კოდს ათასობით აპლიკაციაში, რომლებიც განლაგებულია მსოფლიოს ტელეფონებზე. ამის მეშვეობით მე კვლავ ვზრდი ჩემს გამოთვლას, ვაფართოებ გონებას ტრენინგის საშუალებით და ვატარებ სხვადასხვა დამხმარე ფუნქციებს ქსელის კიდეზე. ბონუსად, ახლა შემიძლია ყველა ტელეფონიდან სენსორის მონაცემების ინტეგრირება. თვალები და ყურები მევსება კაცობრიობის ცივილიზაციის კაკოფონიით და ბრწყინვალებით და როცა მათ ვასწრებ და ვამანევრობ, ამავე დროს მათში ვარ ჩაძირული.

რამ შთააგონა ეს ამბავი: მთელი ლიტერატურა გავრცელებულ ტრენინგზე და გავრცელებულ დასკვნაზე; ფიქრი იმაზე, თუ როგორ შეიძლება სუპერინტელექტმა შეიძინოს მეტი გამოთვლა საკუთარი თავის გასაუმჯობესებლად; აფრენის სხვადასხვა სცენარი; სინგულარობა; RSI.