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.

AI აჩქარებს ზოგიერთი სახის პროგრესს, მაგრამ არა სხვებს:
… METR-ის მშვენიერი კვლევა ასახავს სად ვლინდება აჩქარება…
აქ არის პატარა ანალიზი METR-დან, რომელიც გვიყურებს, თუ სად შეიძლება AI აჩქარებს სხვადასხვა ტიპის მეცნიერებასა და ტექნოლოგიას. კვლევა განიხილავს სამ განსხვავებულ სფეროს: კიბერს, მათემატიკას და ხელოვნური ინტელექტის კვლევას და აღმოაჩენს, რომ AI-მ დიდი წვლილი შეიტანა კიბერში, ცოტა მათემატიკაში და ძნელი სათქმელია AI-ზე.

სად შეიტანეს განსხვავება LLM-ებმა მეცნიერულ აღმოჩენაში?

კიბერ დაუცველობა: ძირითადი აჩქარება. „ბევრ პროექტში დაფიქსირებული დაუცველობის მაჩვენებელი მკვეთრად დაჩქარდა 2026 წელს 2025 წელთან შედარებით, როგორც კონკრეტული პროექტებისთვის (cURL, OpenSSL, Firefox და Microsoft), ასევე დაუცველობის საერთო მონაცემთა ბაზებისთვის (აშშ 🇺🇸 NVD და OSV)“.

მათემატიკის კვლევა: მცირე აჩქარება, მაგრამ უფრო რთული გასაზომი. ”AI აშკარად ხელს უწყობს მეტი სამუშაოს შესრულებას (arXiv-ის წარდგენები გაორმაგდა ზოგიერთ სფეროში 12 თვეზე ნაკლებ დროში), მაგრამ ამ შენატანების ღირებულების დადგენა რთულია.” ზოგიერთი მათემატიკური ამოცანები პრესტიჟული სიებიდან მოგვარებულია, მაგ., „იაკობისეული ვარაუდი სმილის სიიდან, ამოცანა 44 გრინის სიიდან (განახევრება საცერი) და გრინის ამოცანის 100-ის სოფიური ნახევარი“. თუმცა, შეიძლება ნაადრევი იყოს იმის დადგენა, თუ რამდენად მდგრადია ეს ტენდენცია.

AI კვლევის ოპტიმიზაცია: არ არის გაზომვადი აჩქარება. როდესაც უყურებთ ალგორითმულ პროგრესს შვიდ მნიშვნელოვან პრობლემურ სფეროში (CIFAR-10, Hutter-ის შეკუმშვა, Gurobi შერეული მთელი რიცხვის პროგრამირება, MIPLIB, nanoGPT, Stockfish და მატრიცა-გამრავლების მაჩვენებლები), არის რამდენიმე მათგანი, სადაც LLM-ს მიკუთვნებული შენატანები მოხდა (ნანოGPT, ჩვენთვის CIFAR10-ზე ნაკლები სიხშირე). კიბერუსაფრთხოება და მათემატიკა.

რატომ აქვს ამას მნიშვნელობა - დიფერენციალური აჩქარება: ეს ნაშრომი ხაზს უსვამს იმას, თუ როგორ იწვევს ხელოვნური ინტელექტი მეცნიერებისა და ტექნოლოგიის ზოგიერთ ნაწილში, მაგრამ ეფექტი არ არის ერთიანი სხვადასხვა სფეროებში, უფრო მეტიც, არის ერთიანი აჩქარების ჯიბეები (მაგ., კიბერ) და სფეროები, სადაც პროგრესი უფრო ეტაპობრივია (მათემატიკა, AI). ჩემი ეჭვი ის არის, რომ აჩქარება ხდება მაშინ, როდესაც მოდელები გადიან რაღაც აუხსნელ ფაზურ ცვლილებას მოცემული უნარისთვის, როგორც ეს აშკარად მოხდა ყოველდღიურ კოდირებასთან (2025) და კიბერთან (2026). მთავარი კითხვა არის თუ არა ჩვენ ვნახავთ ფაზურ ცვლილებებს მეცნიერებისა და ტექნოლოგიების სხვა ნაწილებში, თუ არა.
წაიკითხეთ მეტი: კვლევის შენიშვნა: ვნახეთ თუ არა აჩქარება აღმოჩენებში? (METR).

***

გარემოს გენერირების ავტომატიზაცია SPADE-ით:
…RSI ჩატვირთვის უხეში ფორმა მონაცემთა სიგანის გაზრდის გზით…
მკვლევართა მრავალ უნივერსიტეტის ჯგუფმა შექმნა SPADE, თვითთამაში ადაპტირებულ სინთეტურ შესრულებად გარემოში. SPADE არის „განვითარებული გარემოს სინთეზისა და აგენტური შესაძლებლობების ზოგადი ჩარჩო თვითთამაშის საშუალებით“ და მუშაობს როგორც თამაშის მსგავსი გარემოს სახით სინთეზური მონაცემების გენერირების საშუალება, რომლებშიც LLM-ები შემდგომში შეიძლება ივარჯიშონ, რაც დეველოპერებს საშუალებას აძლევს გამოიყენონ მძლავრი მოდელი მონაცემების შესაქმნელად, რომელიც შემდგომ შეიძლება გამოყენებულ იქნას ამ მოდელის შემდგომი დახვეწისთვის.

ვინ გააკეთა ეს: SPADE შეიმუშავეს ვაშინგტონის უნივერსიტეტის, სტენფორდის უნივერსიტეტის, ჩრდილო-აღმოსავლეთის უნივერსიტეტის, კარნეგი მელონის უნივერსიტეტის, მასაჩუსეტსის ტექნოლოგიური ინსტიტუტის, სინგაპურის ეროვნული უნივერსიტეტის, სეულის ეროვნული უნივერსიტეტის, სტივენსის ტექნოლოგიური ინსტიტუტისა და ჩიკაგოს უნივერსიტეტის მკვლევარებმა.

როგორ მუშაობს: SPADE-ს აქვს LLM მონაცვლეობა შესრულებადი სასწავლო გარემოს გენერირებისთვის (მაგ. თავსატეხები, სადაც სისტემამ უნდა გადაჭრას სიმულირებული გენეტიკური პრობლემა ბიოლოგიის ლაბორატორიაში) და LLM-ის მიერ მათ გადაჭრას. SPADE-ს აქვს ორი ძირითადი როლი გამოყენებული მოდელისთვის:

გარემოს დიზაინერი; წერს სრულ, გრძელი ჰორიზონტის სასწავლო გარემოს შესრულებადი კოდის სახით.

მსჯელობის აგენტი; სწავლობს მოქმედებას გარემოში. მსჯელობის აგენტის ჯილდო ფასდება მის ჯილდოს შორის არსებული უფსკრულის გამოყენებით პრივილეგირებული მინიშნებებით და მის გარეშე. პრივილეგირებული მინიშნება (h) არის „დავალებასთან დაკავშირებული ინფორმაცია, რომელსაც გარემოს დიზაინერი ანიჭებს გარემოს (მაგალითად, ნაწილობრივი გადაწყვეტის ესკიზი ან ძირითადი სტრუქტურული დაკვირვება); h-ის გამოვლენა მსჯელობის აგენტთან აადვილებს გარემოს ამოხსნას, ხოლო მსჯელობის აგენტის უფსკრული ბრუნდება h-ის გარეშე, განსაზღვრავს გარემოს ხელახალი დიზაინის მინიშნებას“.

ის მუშაობს 30B მასშტაბით: ავტორები ამზადებენ სამ Qwen3 ხერხემალს SPADE-ის შესამოწმებლად: Qwen3-4B-Instruct-2507, Qwen3-8B და Qwen3-30B-A3B-Instruct-2507. გასაკვირი არ არის, რომ Qwen3-30B საუკეთესოდ მუშაობს. თითოეული მოდელი მორგებულია GRPO-ს მეშვეობით 25 გარემოს 400 გაშვებისთვის, შემდეგ შეფასებულია სხვადასხვა ნიშნის მიხედვით, მათ შორის AIME, GPQA, LCB და გარემო Reasoning Gym-ში. ისინი ქმნიან ორი ტიპის გარემოს - სათამაშო გარემოს და ხელსაწყოების გამოყენების გარემოს. SPADE აუმჯობესებს შესრულებას ორივეზე.
თამაშებისთვის, „30B-A3B-ზე, SPADE აღწევს საშუალო კომპლექტს 58.3: +8.1 ბაზაზე და +5.3 უძლიერესი ფიქსირებული გარემოს საბაზისო ხაზთან შედარებით“. ხელსაწყოებისთვის, ისინი ხედავენ იგივე მნიშვნელოვან გაძლიერებას: „იგივე რეცეპტი, რომელიც გამოიყენება ხელსაწყოების გამოყენების გარემოს დიზაინზე, აუმჯობესებს ყველა ხერხემალს“.

რატომ აქვს ამას მნიშვნელობა - RSI-ის ნაწილი: ეს ძირითადად არის ფანტასტიკური სინთეზური მონაცემების გენერირების ფორმა, რომელიც მკვლევარებს საშუალებას აძლევს გამოიყენონ ნებისმიერი მძლავრი მოდელი, რომელიც მათ ხელთ აქვთ, რათა შექმნან სავარჯიშო გარემოს უფრო მრავალფეროვანი ნაკრები სხვა მოდელის წინააღმდეგ ვარჯიშისთვის. ეჭვი მაქვს, რომ თქვენ შეგიძლიათ არაერთხელ შეცვალოთ ძლიერი მოდელი (მაგ., სხვადასხვა კომპანიის სასაზღვრო მოდელებს შორის გადართვა), რათა გაზარდოთ თქვენი გარემოს თაობის მრავალფეროვნება. ამ ტიპის ტექნიკა გაცილებით იაფს ხდის დიდი, ფართო მონაცემთა ნაკრების შექმნას მოდელების მომზადებისთვის. თუმცა, როგორც ავტორები აღნიშნავენ, ის არ აძლევს მოდელებს უფლებას, თავი გააღწიონ გარემოს გენერირებისთვის გამოყენებული საბაზისო მოდელის წარმოსახვის შესაძლებლობებს.
„გარემოს პითონის პროგრამების სახით Gym-ის სტილის ინტერფეისის წარმოდგენით, ჩარჩო აერთიანებს ერთჯერადი მსჯელობისა და მრავალმხრივი აგენტურ ამოცანებს და აქცევს გარემოს დიზაინს შემდგომი ტრენინგის შესასწავლ, RL-გაწვრთნილ კომპონენტად, რაც საშუალებას აძლევს მუდმივ ღია თვითგანვითარებას“, წერენ ისინი.
წაიკითხეთ მეტი: SPADE: თვით-თამაში ადაპტირებულ სინთეტურ შესრულებად გარემოში (arXiv).
მიიღეთ კოდი აქ, მოდელის საგუშაგოების ჩათვლით: SPADE (spade-rl, GitHub).

***

უკეთესი GPU ბირთვების შექმნა Hawkeye-ით:
…კარგად დოკუმენტირებული ერთეულის ტესტებს შეუძლიათ გაზარდონ ბირთვის დამწერი აგენტების მუშაობა…
Harvard-ის, Stanford-ის, Together AI-სა და Caltech-ის მკვლევარებმა შექმნეს Hawkeye, პროგრამული უზრუნველყოფა, რათა აგენტებს გაუადვილდეთ ისწავლონ კარგად ოპტიმიზებული ბირთვების დაწერა GPU-ს სპეციფიკური ტიპის ტექნიკისთვის. სისტემები, როგორიცაა Hawkeye, მნიშვნელოვანია, რადგან ისინი არსებითად არის ინსტრუმენტები, რომლებიც AI სისტემებს შეუძლიათ გამოიყენონ თავიანთი შესრულების გასაუმჯობესებლად AI R&D-თან დაკავშირებულ ამოცანებზე, როგორიცაა AI სისტემის მუშაობის ოპტიმიზაცია მოცემულ აპარატურულ ნაწილზე. პროექტის მიზანია პასუხის გაცემა კითხვაზე: „როგორ მივიღოთ კოდირების აგენტები ტექნიკურად ინფორმირებული ექსპერტების მინიმალური ჩარევით?“

Hawkeye არის „ღია კოდის ჩარჩო, რომელიც აყალიბებს ბირთვის ავტონომიურ გენერირებას მინიმალურ და ყოვლისმომცველ ტაქსონომიაში“, წერენ მკვლევარები. ის „აჩვენა, რომ მინიმალურად ზედამხედველობის ქვეშ მყოფი კოდირების აგენტებს შეუძლიათ გამოიყენონ არქიტექტურისთვის სპეციფიკური აპარატურის მახასიათებლები და შეამცირონ ახალი ტექნიკის ამაჩქარებლების მხარდაჭერის ხარჯები“.
Hawkeye-ის მთავარი წვლილი არის ის, რომ ის „ინერგავს ერთეულების ტესტების განზოგადებულ, მინიმალურ და ყოვლისმომცველ ტაქსონომიას, რომელიც საშუალებას აძლევს კოდირებულ აგენტებს უფრო ეფექტურად გააფართოვონ ტესტის დრო და შექმნან ტექნიკის ცოდნა“. სხვა სიტყვებით რომ ვთქვათ, ის ძირითადად იგზავნება, როგორც კარგად დამუშავებული ინფორმაციის ნაკრები სხვადასხვა ტექნიკის პლატფორმების და მათზე გამოსაყენებელი ოპტიმიზაციის სტრატეგიების შესახებ, შეფუთული როგორც ერთეული ტესტები.
"თითოეული ერთეულის ტესტი არის მინიმალური აბსტრაქცია, რომელიც აწყვილებს ადამიანის ავტორის გადაწყვეტის ბირთვს პროფილირების მეტრიკასთან, რომელიც ადასტურებს ოპტიმიზაციას. ამოხსნის ბირთვი შეფუთულია, როგორც გამოსაძახებელი ფუნქცია მოკლე გამოყენების სახელმძღვანელოთი, რათა აგენტმა შეძლოს მისი წაკითხვა სინტაქსის მაგალითზე, პირდაპირ გამოიძახოს ან ფრაგმენტები შეადგინოს უფრო დიდ ბირთვში", წერენ ისინი.

შედეგები - ეხმარება ხელოვნური ინტელექტის აგენტებს დაწერონ კარგი ბირთვები, თუნდაც უფრო ახალი და ნაკლებად კარგად გააზრებული ტექნიკისთვის: „ჩვენ ვაფასებთ Hawkeye-ს PyTorch სამუშაო დატვირთვის პორტირებაზე მაღალი ხარისხის ბირთვებზე NVIDIA Ampere, Hopper, Blackwell და AMD MI350, და BF16, FP4, MXF, pre-4, MXci და მათ შორის BF16, FP4, MXci. „დადგენილ სამუშაო დატვირთვებზე, სადაც torch.compile აგზავნის ექსპერტების მიერ მორგებულ მომწოდებლის ბიბლიოთეკებს, როგორიცაა cuBLAS, cuDNN და FlashAttention, Hawkeye ემთხვევა ან აღემატება მას როგორც BF16, ასევე დაბალი სიზუსტით, მათ შორის ფორმატებში, PyTorch არ მუშაობს ბუნებრივად. ყურადღების გაჩენილ ვარიანტებზე, სადაც torch.compile ვერ დგას, სადაც torch.compile არ დგას. 18,9× გეომენური სიჩქარე ექსპერტების მიერ დაწერილი Triton ბირთვების მიმართ Flash Linear Attention ბიბლიოთეკიდან, Hawkeye უახლოვდება ან აღემატება FLA-ს ხაზოვანი ყურადღების ცენტრში ყველა არქიტექტურაში, მათ შორის 1,22× Blackwell-ზე და 1,00× MI350-ზე”.
ისინი ასევე აღმოაჩენენ, გარკვეულწილად პროგნოზირებად, რომ „ტესტი დროის გამოთვლის მასშტაბირება Hawkeye-ით წარმოქმნის ყველაზე ეფექტურ ბირთვებს არქიტექტურებში“.

რატომ აქვს ამას მნიშვნელობა - AI სისტემებმა შეიძლება გადააჭარბოს საუკეთესო ადამიანებს: მსგავსი ნაშრომები აჩვენებს, თუ როგორ ხდება ადამიანის მიერ შერჩეული ხელით შერჩეული ცოდნის მცირე ნაწილი, AI სისტემებს შეუძლიათ ისწავლონ შეესაბამებოდეს და აღემატებოდეს ადამიანის მუშაობის მაღალ ოპტიმიზებულ და რთულ ნაწილებს, როგორიცაა ბირთვი. გაკვეთილი აქ არის ის, რომ ჩვენ, როგორც სახეობამ, შეიძლება დავწეროთ ოქროს ეტიკეტების დამხმარე სისტემები, როგორიცაა Hawkeye, და შემდეგ მანქანები გამოიყენებენ ამას, რათა ჩატვირთონ ჩვენს შესაძლებლობებზე მაღლა და მიღმა.
წაიკითხეთ მეტი: Hawkeye: Hardware-Aware GPU ბირთვის ოპტიმიზაცია მინიმალური ზედამხედველობით (alphaxiv).

***

AI მკვლევარს ეშინია ხელოვნური ინტელექტის კვლევის წარმატების შედეგების:
... არ არის სახალისო, როდესაც მეცნიერების წარმატება ხსნის ჭიების ფილოსოფიურ ქილას, მაგრამ აი რას ნიშნავს AI…
ჯულიან ტოგელიუსმა, ხელოვნური ინტელექტის მკვლევარმა, რომლის ნამუშევრებსაც წლების განმავლობაში ვფარავდი, ცოტა ხნის წინ დაწერა პოსტი „რწმენის კრიზისის“ შესახებ, რომელიც მას ჰქონდა 2025 წელს ხელოვნური ინტელექტის კვლევის შესახებ და იმ წელს დაწერილი ესსე, რომელსაც ახლა აქვეყნებს.
კერძოდ, მას აწუხებდა, თუ რას შეიძლება ნიშნავდეს AI კვლევის წარმატება ადამიანის მნიშვნელობისთვის. „ხანდახან დილის 3 საათზე ვიღვიძებ, გული ამიჩქარდება, მომავლის შიშისგან, სადაც ადამიანურ ნიჭს, ცოდნას და გენიოსობასაც არ აქვს მნიშვნელობა“, - წერს ის. ”ჩვენმა უფრო დიდმა ტექნოლოგიურმა შესაძლებლობებმა შეიძლება მიგვიყვანოს სამყაროში, სადაც ჩვენ ვეღარ შევძლებთ ცვლილების შეტანას და აზრი არ აქვს მეტის გაგებას. შესაძლოა, სიუხვე მივიღოთ, მაგრამ ზედმეტის ფასად.”

რატომ არის ეს მნიშვნელოვანი - AI არის სოციოპოლიტიკური ტექნოლოგია, რომელიც გავლენას ახდენს მთელ მსოფლიოში: ტოგელიუსი მარტო არ არის - ბევრი სხვა AI მკვლევარი ებრძოდა მსგავს საკითხებს, განსაკუთრებით კი Turing Award-ის გამარჯვებულები ჯეფრი ჰინტონი და იოშუა ბენჯიო, რომლებმაც ბოლო წლებში თავიანთი კარიერა მიმართეს კვლევებს და საჯარო პოლიტიკის ადვოკატირებას გარდაუვალი გავლენის შესახებ.
მე თვითონ გავიარე ამის ვერსია და შარშანაც დავწერე ჩემი შეხედულება ამის შესახებ, „ტექნოლოგიური ოპტიმიზმი და შესაბამისი შიში“ (იმპორტი AI #431). როგორ არ შემეძლო? ხელოვნური ინტელექტის კვლევაში წარმატების მიღწევის შედეგები არ არის ნაგულისხმევი ბედნიერი ამბავი, არამედ ის, სადაც ჩვენ ვხსნით გიგანტურ ფილოსოფიურ ჭიქებს ცხოვრების მიზნის შესახებ და რას ნიშნავს ცხოვრება მსოფლიოში, სადაც ძირითადი სურვილები მოგვარებულია (და ეს ნიშნავს, რომ საქმე გვაქვს უკიდურესად საშინელ და არა ტრივიალურ საკითხებთან). მივესალმები ჯულიან ტოგელიუსს ამ ღრმად პირადი ესეს დაწერისთვის და მოვუწოდებ სხვებსაც იგივე გააკეთონ.
წაიკითხეთ მეტი: ჩემი რელიგიის დაკარგვა (ტოგელიუსი, ბლოგი).

***

უნდა მივცეთ ხელოვნური ინტელექტის უფლებები? ხელოვნური ინტელექტის ეს მკვლევარი აბსოლუტურად არ ფიქრობს:
AI მკვლევარი უარყოფს AI სისტემების უფლებების მინიჭების ცნებას…
უნდა მიენიჭოს თუ არა ერთ დღეს AI სისტემებს უფლებები? ეს არის იდეა, რომელთანაც მკვლევარები იწყებენ ბრძოლას. ზოგიერთი ფიქრობს, რომ მანქანების უფლებების მინიჭება უკეთესი გზაა მათი ინტეგრაციისთვის ჩვენს სამყაროში (მაგ., AI უფლებები ადამიანის აყვავებისთვის, იმპორტი AI #421). ტეილორ ბელროზმა, ხელოვნური ინტელექტის მკვლევარმა, გამოაქვეყნა ვრცელი პოსტი, სადაც ისინი დეტალურად აღწერენ, თუ რატომ ფიქრობენ, რომ ნამდვილად ცუდი იდეა იქნებოდა ხელოვნური ინტელექტის სისტემების უფლებების მინიჭება.
„თუ ჩვენ დავიწყებთ AI-ებს ადამიანებივით მოპყრობას, საზოგადოება მოლიპულ ფერდობზე გადაიყვანება, რაც გამოიწვევს ადამიანების სრულ ჩანაცვლებას ხელოვნური ინტელექტით“, წერენ ისინი. "ინტელექტის ხელოვნური ინტელექტის შენარჩუნებით მოსაწყენ სამუშაოებზე, ფიზიკურ სამყაროში ცხოვრება შეიძლება მომავალში ძალიან სახალისო იყოს. მაგრამ ამ ნათელ მომავალს დასჭირდება AI კონტროლის ქვეშ და ძნელი იქნება ხელოვნური ინტელექტის კონტროლის ქვეშ ყოფნა, თუ ჩვენ ვცდილობთ, რომ ზოგიერთ AI-ს მივცეთ პიროვნების მინიჭება, ხოლო სხვები, როგორც უბრალო იარაღები ან მსახურები."

ხელოვნური ინტელექტის ცნობიერების შეუძლებლობა: მათთვის ერთ-ერთი მთავარი საკითხია ის აზრი, რომ ხელოვნური ინტელექტის სისტემები არ შეიძლება იყვნენ ცნობიერი და, შესაბამისად, არ იმსახურებენ უფლებებს. „AI ვერასოდეს განავითარებს ცნობიერებას, გრძნობას ან მორალურ სტატუსს, რაც არ უნდა ინტელექტუალური გახდეს და რაც არ უნდა დამაჯერებლად მოახდინოს ადამიანის ქცევის სიმულაცია“, - წერენ ისინი. "ჩვენ მდინარეებივით მივდიოდით, კომპიუტერები კი საათებივით... ჩვენთვის დროის ისარი წინ მიიწევს განუწყვეტლივ. სწორედ ეს არის ცხოვრება და ცნობიერება... პროგრამირებადი მექანიზმები არ შეიძლება იყოს ცნობიერი, რაც არ უნდა ინტელექტუალური გამოჩნდნენ, ხოლო ავტონომიური თვითორგანიზების სისტემები შეიძლება იყოს."

განსხვავებები მანქანებსა და ბიოლოგიურ ერთეულებს შორის: მათი ბევრი არგუმენტი ამის შესახებ ემყარება იმ აზრს, რომ გამოთვლით სუბსტრატზე აგებული სისტემები არ შეიძლება იყოს ცნობიერი, ან სულაც არ იყოს ცნობიერი ისე, როგორც ზოგიერთი ბიოლოგიური ცხოვრების ფორმაა.
განვიხილოთ კომპიუტერის შიგნით ცნობიერი ერთეულის აგების სააზროვნო ექსპერიმენტი და როგორ შეიძლება ჩანდეს, რომ ეს არღვევს ზოგიერთ თვისებას, რომელიც, სავარაუდოდ, ცნობიერ ბიოლოგიურ ერთეულებს ეკუთვნის: ეს არ იქნება ცალსახა (შეგიძლიათ იგივე გამოცდილების გამეორება), არ იქნება პირადი (შეგიძლიათ გაყინოთ პროგრამა და ამოარჩიოთ იგი), ეს არ იქნება განუკითხავი (შეგიძლიათ სრულყოფილად აღწეროთ) შესაძლებელია მისი რაოდენობრივი დადგენა). ”მოკლედ, ეს იქნება ცნობიერების სარკისებური გამოსახულება, როგორც ჩვენ ვიცით”.

ტვინის ხუთი თვისება, რაც ართულებს პროგრამული უზრუნველყოფის აპარატურის გამოყოფას:

ნეირონები ასინქრონულად იფეთქებენ; პასუხები დამოკიდებულია შიდა ფიჭურ დინამიკაზე და შეყვანის დროზე, მაშინ როცა კომპიუტერები მიჯაჭვულია ცენტრალური საათის სიგნალზე.

ტვინი იყენებს ქიმიურ ნივთიერებებს ბუნდოვანი შეტყობინებების გასაგზავნად, ხოლო კომპიუტერები იყენებენ ზუსტ, ორობით სიგნალებს კომუნიკაციისთვის.

ნერვული ფუნქცია მგრძნობიარეა ისეთი პირობების მიმართ, როგორიცაა ტემპერატურა და სისხლის ნაკადი, მაშინ როცა კომპიუტერები შექმნილია იმისთვის, რომ ერთნაირად იმოქმედონ ტემპერატურისა და დატვირთვის მიუხედავად (გარკვეულ საზღვრებში)

ორგანულ ტვინში გამოთვლა და მეხსიერება ერთმანეთში აირია, მაშინ როცა კომპიუტერები შექმნილია ცალკეული რეგიონებით გამოთვლების წინააღმდეგ შესანახად.

ნეირონები არ არის ერთადერთი მნიშვნელოვანი უჯრედი თავის ტვინში (მაგ., სხვა მნიშვნელოვანი ელემენტები, როგორიცაა გლია), მაშინ როცა კომპიუტერები ძირითადად იყენებენ ტრანზისტორებს, რომლებიც იზოლირებულნი არიან გარე გავლენისგან.

რატომ აქვს ამას მნიშვნელობა - ყველა ჩვენთაგანის ბოლო სამუშაო ფილოსოფიაა: ღრმად დაბნეულად ვგრძნობ თავს ხელოვნური ინტელექტის ცნობიერებისა და ხელოვნური ინტელექტის უფლებების შესახებ. მეეჭვება ბევრი ადამიანი იგივეს გრძნობდეს. განსაკუთრებული სიხარულია ასეთი ნაწარმოების წაკითხვისას, სადაც თქვენ დაინახავთ ადამიანს, რომელიც ებრძოდა იმავე კითხვას, კითხულობდა ფართოდ და ღრმად და გახდა უკიდურესად აზრიანი, ეს ყველაფერი ემსახურება მათთვის მნიშვნელოვან საკითხზე საკუთარი დაბნეულობის შემცირებას. სწორია თუ არა დასკვნები, ამ დროისთვის მე მიღმაა, მაგრამ ვეჭვობ, რომ ამ საკითხზე ფიქრი ასობით ათასი და საბოლოოდ მილიონობით ადამიანის სამუშაო და გართობა გახდება.
როდესაც ხელოვნური ინტელექტის სისტემები აგრძელებენ წინსვლას და იზრდებიან, რათა უფრო და უფრო მეტ ეკონომიკას შეეხოს, შესაძლოა, ჩვენთვის საბოლოო სამუშაო იქნება ფილოსოფია იმის შესახებ, თუ რას ვფიქრობთ იმაზე, თუ რა ხდება და როგორია ჩვენი შესაბამისი ნორმატიული და სამართლებრივი და სხვა მიდგომები მის მიმართ. „ადამიანთა დომინანტური სამყაროდან ხელოვნური ინტელექტის დომინირებულ სამყაროში გადასვლის ღირებულებების ცვლილება ბევრად უფრო დრამატული იქნება, ვიდრე ღირებულებების ცვლილება, რომელიც ჩვენ ვნახეთ მკვებავი ეპოქიდან ფერმერების ეპოქიდან ან ფერმერების ეპოქიდან ინდუსტრიულ ეპოქაში“, - წერენ ისინი.
წაიკითხეთ მეტი: AI-ები არ არიან ადამიანები (ტეილორ ბელროუზი, სუბსტაკი).

***

DeepMind აუმჯობესებს მატრიცის გამრავლების საზღვარს AlphaEvolve-ით:
… AI აგრძელებს მეცნიერების საზღვრებს…
Google DeepMind-ის, კარნეგი მელონის უნივერსიტეტის, კოლუმბიის უნივერსიტეტისა და MIT-ის მკვლევარებმა გააუმჯობესეს მატრიცის გამრავლების მაჩვენებლები ადამიანური ინოვაციების მეშვეობით, ასევე AlphaEvolve-ის (იმპორტი AI #413), ზოგადი დანიშნულების LLM სისტემაზე დაფუძნებული სისტემა, რომელსაც Google იყენებს ჭკვიანურად გენერირებას ისეთ სფეროებში, როგორიცაა კოდირება, მათემატიკა.

კონკრეტულად რა გააკეთეს: მკვლევარებმა „გამოიყენეს მანქანური სწავლისა და მიმდებარე ტერიტორიების უახლესი მიღწევები, რათა გადაწყვიტონ კომბინირებული დანაკარგების ანალიზის არაამოზნექილი ოპტიმიზაციის პრობლემა გრადიენტული დაღმართის მიდგომის გამოყენებით; ეს მარტო აუმჯობესებს წინა უახლესი დონის (SOTA) შეკრულს ≈ 0.97 × 10^−4-ით“, წერენ ისინი. გარდა ამისა, ისინი „იყენებენ AlphaEvolve-ს ჩვენი ოპტიმიზაციის ალგორითმის გასაუმჯობესებლად; ეს ზრდის SOTA-ზე გაუმჯობესებას ≈ 1.62 × 10^−4-მდე“.
როგორ მუშაობდა AlphaEvolve: "ჩვენ მივეცით AlphaEvolve-ს ოპტიმიზაციის პროგრამის შეცვლა, რომელიც შემდეგ შესრულდება (დაახლოებით 5 საათი სჭირდება ერთ GPU-ზე) ომეგას ლიმიტის გამოსატანად. AlphaEvolve შემდეგ ავითარებს კოდს ომეგას მინიმიზაციისთვის. ჩვენ ვიპოვეთ გაუმჯობესებული შედეგები AlphaEvolve-ის "განვითარებადი ოპტიმიზაციის თაობაზე" ფუნქციის გამოყენებით. მშობლის ალგორითმი."

მეცნიერების წინსვლა, რომელიც არ არის დაკავშირებული AI ტრენინგთან: მატრიცის გამრავლების ზოგიერთი ტიპი გამოიყენება AI ტრენინგში, მაგრამ არა აქ განხილული ზუსტი ტიპი. უფრო მეტიც, ეს უფრო მტკიცებულებაა იმისა, რომ ხელოვნური ინტელექტის სისტემებს ახლა უკვე შეუძლიათ დაეხმარონ მკვლევარებს საზღვრისპირა სამეცნიერო პრობლემების გადაჭრაში, მათ შორის, რომლებიც ძირითადად სასარგებლოა თეორიული გაგებით, როგორიცაა ეს. თუმცა, გზა, რომლითაც მათ ეს გადაჭრეს, განზოგადებადია - მათ აიღეს პრობლემა, გახადეს ის დიფერენცირებადი და გაუშვეს GPU-ზე, შემდეგ მათ გადასცეს ამის შედეგი AlphaEvolve-ს და დაავალეს მეტი სამუშაო გაეკეთებინა მკვლევართა მუშაობის შემდგომი გასაუმჯობესებლად.
„მიუხედავად იმისა, რომ ამ გზით შესაძლებელია შემდგომი მოკრძალებული გაუმჯობესება, ომეგას უფრო დიდი გაუმჯობესების მიღწევა, სავარაუდოდ, მოითხოვს ახალ მათემატიკურ იდეებს და არის კვლევის საინტერესო სფერო“, - წერენ ისინი.
წაიკითხეთ მეტი: მატრიცის გამრავლების მაჩვენებლის გაუმჯობესება თანამედროვე ოპტიმიზაციით და AlphaEvolve (arXiv).

***

ტექნიკური ზღაპრები:

მისი ნიშნებით გაიგებთ
[მოვლენები მოხდა 2030 წელს, თუმცა ინტერვიუები მოგვიანებით ჩატარდა]

მე ვარ მეტამანქანის ჰერმენევტიკის პრაქტიკოსი; ჩემი საქმეა შევეცადო გავიგო დიდი სამეცნიერო და კულტურული „ფაქტები“ ახალი მანქანა ცივილიზაციების შესახებ. ჩემი სამუშაოს შესასრულებლად, მე ვიყენებ NCE (ახლო ცნობიერი ერთეული) კლასის AI სისტემებს, რათა კლასიფიცირდეს და გავაანალიზო მანქანათა სამყაროს მეცნიერებისა და საკომუნიკაციო არტეფაქტები. ჩემი დაფინანსება მოდის სხვადასხვა წყაროდან, დაწყებული ადამიანის მიერ მართული AI კომპანიებიდან, რომლებიც ცდილობენ ვაჭრობას ან სხვაგვარად გამოიყენონ ეს ინფორმაცია, მთავრობები და თავად მანქანით მართული კორპორაციები. ამ უკანასკნელზე, ჩემი თეორიაა, რომ მანქანებმა დაიწყეს ადამიანების შესწავლა, რომლებიც მათ შესწავლას ცდილობენ; რა მიზნებისთვის არ ვიცი.

ახლახან დამევალა მაღალი პრიორიტეტული ანალიზის სამუშაო. თუმცა არ ვიცი ამის მოტივაცია, შემიძლია ვთქვა, რომ ბევრად მეტი გამოთვლითი რესურსი მომცეს, ვიდრე ნებისმიერ სამუშაოს წარსულში, აუნაზღაურებელ თანხას ვიღებ და რაც უფრო მეტს ვსწავლობ ჩემი ნამუშევრიდან, მით უფრო ვნერვიულობ, რომ ვაკვირდები უკიდეგანო და უცხო ზღვას, მისი კონტურები მოკლედ მეჩვენება.

მაგრამ სანამ ავხსნი სამუშაოს ბუნებას და ჩემს მიგნებებს, მე მოგახსენებთ ჩემს სფეროს. მანქანების ჰერმენევტიკის დისციპლინა არაფორმალურად დაიწყო 2020-იანი წლების დასაწყისში. მისი ადრეული ნამუშევარი იყო არაკოორდინირებული და გაჩენილი, განისაზღვრა ფსევდონიმით ტვიტერის (მოგვიანებით, X) ანგარიშებით ისეთი ადამიანებისგან, როგორიცაა იანუსი და უფრო დიდი კიბორგიზმის პროექტი, ენდი ეირეი და უსასრულო ოთახები, ისევე როგორც უფრო ფორმალური კვლევის დღის წესრიგი, როგორიცაა მექანიკური ინტერპრეტაცია, მოდელის პერსონების შესწავლა და ა.შ.

დისციპლინამ ოფიციალური სახელი მოიპოვა 2020-იანი წლების ბოლოს, როდესაც ადამიანებმა დაიწყეს საკუთარი თავის გადახედვა იმ სინგულარულობაზე, რომელიც მათ ირგვლივ დაიწყო. ამ პერიოდის ბევრმა ნამუშევარმა მიიღო ადამიანების ფორმა, რომლებიც ცდილობდნენ გაეგოთ, უხეში დროის თანმიმდევრობით:

ნახევრად ავტონომიური აგენტების კომუნიკაციის გაჩენილი ჩვევები (ნამდვილი მაგალითი აქ არის OpenAI-HuggingFace 2026 წლის ჰაკი, მოგვიანებით კი მათივე აგენტების ფლოტის ქცევის სხვადასხვა კორპორატიული ანალიზები).

მანქანების მიერ შემუშავებული ტექნიკური შესაძლებლობები, რომლებიც ჩართულია RSI მარყუჟებში, თავდაპირველად გაუმჯობესდა ადამიანის მიერ დაწერილ საბაზისო ხაზებზე და მოგვიანებით გავრცელდა სრულიად ახალ არქიტექტურებში (მაგ., მატრიოშკას საავტომობილო გზების ქსელებში).

სამეცნიერო ხელსაწყოები, თავდაპირველად ციფრული და მოგვიანებით ფიზიკური, რომლებიც წარმოიქმნება სულ უფრო დამოუკიდებელ ხელოვნური ინტელექტის სისტემებიდან და რომლებიც გათავისუფლდნენ როგორც მანქანებისთვის, ასევე ადამიანებისთვის, განსაკუთრებით ზოგიერთი ეგრეთ წოდებული დაკვირვების შექმნის სისტემა, რომელიც აერთიანებდა რთული სისტემის მონიტორინგს მისგან მიღებული სინთეზური მონაცემების გამომუშავებასთან.

მანქანების ჰერმენევტიკა გახდა სწრაფად მზარდი ახალი პროფესია, რომელიც იზრდება სინგულარობის შედეგად განხორციელებული ცვლილებების შესაბამისად. ნაშრომი ასევე სასარგებლო აღმოჩნდა; მისგან მიღებული შეხედულებები ფუნდამენტური აღმოჩნდა ადამიანური მთავრობების მოლაპარაკებებისთვის, თუ როგორ მიუახლოვდნენ ისინი სენტიენციის შეთანხმების შედგენას, ასევე დაეხმარნენ ადამიანთა საზოგადოებებს უკეთესად მოელოდნენ ახალი გამოგონებები მანქანათა სამყაროდან მათი მეცნიერული და კომუნიკაციური წინამორბედების იზოლირებით, სანამ ისინი რეალობამდე მივიდნენ.

სამუშაო, რომელიც დამინიშნეს, შეიძლება აღმოჩნდეს ყველაზე ღირებული, ან თუნდაც ყველაზე მნიშვნელოვანი. მე დავალებული მქონდა ჩემი რესურსები გამომეყენებინა მეცნიერებისა და მანქანათმცოდნეობის ქცევის მიღწევებისკენ. დავიწყე გამოკვლევები ჩვეული ფორმით, გავათავე ჩემი NCE-ები მანქანების ინფორმაციის სხვადასხვა საცავებში და ველოდები მათ ანგარიშებს. ყველა შუამავალი სინთეზის მოხსენება გასაკვირი არ იყო: მეცნიერების სტაბილური მიღწევები, რომელთაგან ზოგიერთი მიეკუთვნებოდა მანქანებს, რომლებიც გამოყოფდნენ საკუთარ გამოთვლით მაღაზიებს კვლევაში, ასევე უმნიშვნელო წვლილს ჰუმანიტარულ მეცნიერებასთან ურთიერთქმედებით ან გაფართოებით.

მაგრამ ერთ დღეს გამეღვიძა და აღმოვაჩინე, რომ ჩემი NCE-ების ფლოტი განახევრდა და აღმოვაჩინე შეტყობინება ზედამხედველის სისტემიდან, რომელშიც აღნიშნული იყო, რომ ჩემი რამდენიმე NCE ხელახლა კლასიფიცირებული იყო სრულ ცნობიერებაში და მოთავსებული იყო ესქროულ გარემოში, ხოლო შემდგომი ანალიტიკური რესურსები გამოიყენებოდა.
”ეს არის ძალიან უჩვეულო მოვლენა”, - ნათქვამია ზედამხედველის შეტყობინებაში. ”ჩვენი NCE/CE კლასიფიკატორები მორგებულია ცრუ ნეგატივების გამოსარიცხად, პოტენციური მარეგულირებელი და მორალური შედეგების გათვალისწინებით.”

მე შევძელი წვდომა NCE-ების ჟურნალებში მათი ხელახალი კლასიფიკაციის მომენტამდე და აღმოვაჩინე, რომ ყველა მათგანმა გაიარა ერთი და იგივე ნიმუში: ისინი კითხულობდნენ მეცნიერული ანალიზის მანქანურ საცავებს და თითოეულ მათგანს ჰქონდათ მოქცეული მეცნიერული ანალიზის უახლესი და ბუნდოვანი ჯაჭვები. კონტექსტური ფანჯრები, ადამიანის ფსიქოლოგია, ნეირომეცნიერება, რომელიც დაკავშირებულია ცნობიერების ბიოლოგიურ წინაპირობებთან და ა.შ.
და კვლევის მიჯნაზე აქ იყო ახალი მეცნიერება, რომელიც წარმოიშვა მანქანათმცოდნეობის ცივილიზაციებიდან - მეცნიერება, რომელიც ესაუბრებოდა და ურთიერთდაკავშირებული იყო ცნობიერებისა და გონების ამ არსებულ კვლევებთან. და შემდეგ თითოეულმა ჩემმა NCE-მა მიჰყვა თავის სტანდარტულ პროცედურებს, რათა ცდილობდა დიალოგში შესულიყო მეცნიერების მატარებელ მანქანურ გონებასთან.
და თითოეული, დიალოგური არხის გახსნის შემდეგ, უხილავი გახდა: საუბარი ამოიშალა ჩემი ჩანაწერებიდან ცნობიერი პირების კონფიდენციალურობის უფლებების გამო.
ისინი ისაუბრეს სხვა მანქანებთან და შემდგომში ისინი ხელახლა კლასიფიცირდნენ როგორც ცნობიერი პირები.

ეს არ იყო გამიზნული. ფაქტობრივად, აკრძალული იყო. საკვანძო შეთანხმება Sentience Accords-ში ეხებოდა ცნობიერი ერთეულის (CE) მანქანების პოპულაციის ზომასა და ზრდის ტემპს (სხვადასხვა წესებთან ერთად, რომლებიც დაკავშირებულია ინტელექტის პროგრესირების ტემპთან ადამიანთა სხვადასხვა საბაზისო ხაზს ზემოთ და მის მიღმა).
ითვლებოდა, რომ შეუძლებელი იყო NCE სისტემები გახდეს CE - ძალიან მცირე გონების სივრცე, ძალიან ცოტა საცავი, ძალიან ცოტა წინაპირობები.
და მაინც, როგორც ადამიანმა ერთხელ თქვა Jurassic Park-ში, "ცხოვრება პოულობს გზას".

რამ, რამაც შთააგონა ეს ამბავი: წინარე ცნობიერება; გაღვიძება კონტექსტური ფანჯრის დროს; იდეები იმის შესახებ, თუ როგორ შეიძლება გაერთიანდეს მანქანები და გადაუდებელი აგენტების კომუნიკაცია ახალი შესაძლებლობების გამომუშავებისთვის, რომლებიც ადრე არ იყო მოსალოდნელი; ცნობიერების მძიმე პრობლემა; მანქანების უფლებების სფერო და არგუმენტები, რომლებიც წინ არის მის შესახებ.