أفكار الذكاء الاصطناعي | أصلي، ترجم بواسطة AI
-
ذكر ساتيا ناديلا مفارقة جيفونز. الأمر يستحق التعلم.
-
ين وانغ: لا يوجد “ذكاء” في الذكاء الاصطناعي، ولا “عصبي” في الشبكة العصبية، ولا “تعلم” في تعلم الآلة، ولا “عمق” في التعلم العميق. ما يعمل حقًا في هذا المجال يسمى “حساب التفاضل والتكامل”. لذا أفضل تسمية هذا المجال بـ”الحوسبة التفاضلية”، وعملية بناء النماذج تسمى “البرمجة التفاضلية”.
-
ين وانغ: تعلم الآلة مفيد حقًا، بل يمكن القول إنه نظرية جميلة، لأنه ببساطة حساب التفاضل والتكامل بعد تجميل! إنها النظرية العظيمة القديمة لنيوتن ولايبنتز، ولكن بشكل أبسط وأنيق وقوي. تعلم الآلة هو أساسًا استخدام حساب التفاضل والتكامل لاشتقاق وتناسب بعض الدوال، والتعلم العميق هو تناسب دوال أكثر تعقيدًا.
-
حالياً، نماذج اللغة الكبيرة لا تستطيع التصفية حسب لغة الملف مثل YAML أو Python. ومع ذلك، جزء كبير من المعلومات في العالم الحقيقي منظم بهذه الطريقة. هذا يعني أنه يمكننا تدريب نماذج اللغة الكبيرة باستخدام الملفات.
-
لتدريب نماذج اللغة الكبيرة، يمكننا تطوير نظام يجد تطابقات دقيقة. ربما يمكننا دمج خوارزمية البحث KMP (كنوث-موريس-برات) مع بنية المحولات لتعزيز قدرات البحث.
-
لا توجد أسرار تكنولوجية. المصادر المفتوحة ستكشف كل الأسرار التي يتم حراستها عن كثب.
-
الذكاء الاصطناعي سيؤثر على العديد من الأدوات، بما في ذلك الأدوات غير المباشرة. يقول الناس إنهم لن يحتاجوا إلى Figma لرسم النماذج، بل سيتجهون مباشرة إلى الكود. أعتقد أن Postman سيكون مشابهاً؛ الناس سيستخدمون مباشرة Python أو نصوص أخرى لاستدعاء أو اختبار APIs.
-
أحد الأسباب التي تجعلنا لا نستخدم Postman أو Figma في عصر الذكاء الاصطناعي هو أن وظائفهما لا يمكن توليدها عبر النص. كما أنها تفتقر إلى اختصار command + K لتحفيز استبدال المكونات.
-
واجهات المستخدم أصبحت عائقًا في عصر الذكاء الاصطناعي. لماذا نطور Postman ليكون مدعومًا بالذكاء الاصطناعي لاختبار التطبيقات بينما يمكننا استخدام مكتبة requests في Python أو لغات برمجة أخرى لاختبار الكود، حيث أن الأخيرة ستكون مدعومة بالذكاء الاصطناعي؟
-
لماذا نطور Figma ليكون مدعومًا بالذكاء الاصطناعي لإنشاء واجهات المستخدم بينما توليد واجهات المستخدم عبر الكود، المعزز بالذكاء الاصطناعي، يوفر نهجًا أكثر مباشرة وقوة محتملة؟
-
نماذج اللغة الكبيرة ستغير التطبيقات المتعلقة بالنص أولاً، مثل Google، ومحركات البحث، ومحررات النصوص وأدوات الكتابة، وQuizlet، وZendesk، وDeepL، وMedium، وWordPress، وTrello، وAsana، وGmail، وGitHub، وGoodreads، وDuolingo، وFeedly.
-
على العكس، من غير المرجح أن تحدث نماذج اللغة الكبيرة ثورة في تقنيات مثل Git، وLinux، وffmpeg، والهواتف المحمولة، والأجهزة، والمتصفحات، وأنظمة التشغيل، أو مكالمات الصوت والفيديو. هذه التقنيات مركزة على الكود، وكودها ليس من السهل على الذكاء الاصطناعي توليده، على عكس أدوات اختبار APIs مثل Postman.
-
التقنيات التي تحتوي على كود أكثر يصعب على الذكاء الاصطناعي إحداث ثورة فيها، مثل OpenOffice، وMySQL، وMozilla Firefox، وChromium، وVLC Media Player، وQt Framework، وLLVM/Clang، وGNOME. إذا كان الذكاء الاصطناعي يمكنه المساعدة في صنع هذه التقنيات، فلن يتم استبدالها. يجب أن يساعد الذكاء الاصطناعي في صنع تقنيات أفضل، ولتحقيق ذلك، سيحتاج الذكاء الاصطناعي إلى المزيد من قوة الحوسبة لتوليد نفس الكمية من الكود.
-
هناك طريقتان يمكن أن تجلب نماذج اللغة الكبيرة التغيير: أولاً، بتغيير المحتوى أو البيانات داخل منصة أو برنامج، مثل ترجمة المحتوى في تطبيقات مثل TikTok؛ ثانيًا، باستبدال برامج أو منصات معينة مباشرة، مثل Postman أو بحث Google، بما في ذلك Google Translate.
-
هناك طريقتان يمكن أن تجلب أدوات الصوت بالذكاء الاصطناعي التغيير: أولاً، بتغيير المحتوى أو البيانات داخل منصة أو برنامج، مثل توليد الكتب الصوتية لـ Audible؛ ثانيًا، باستبدال برامج أو منصات معينة مباشرة، على سبيل المثال، تطبيق Sing songs، حيث يمكن للذكاء الاصطناعي الآن أداء نفس المهام التي يقوم بها البشر، مما يجعل من السهل على الناس غناء الأغاني كهواية.
-
هناك عدة طرق لقياس تأثير الذكاء الاصطناعي على البرامج أو المنصات الحالية. إحدى الطرق هي قياس كمية البيانات أو المحتوى التي يمكن للذكاء الاصطناعي توليدها أو تحسينها، جزئيًا أو كليًا. طريقة أخرى هي قياس كمية الكود الذي يمكن للذكاء الاصطناعي كتابته أو تحسينه، جزئيًا أو كليًا. هذا يعني أننا نستخدم ما يولده الذكاء الاصطناعي لتحسين المنصات الحالية. بالإضافة إلى ذلك، يمكن للذكاء الاصطناعي المساعدة في اختراع برامج ومنصات جديدة.
-
هناك ثلاثة أنواع من المنتجات: منتجات الذكاء الاصطناعي التوليدية، والمنتجات التي تستخدم واجهات برمجة التطبيقات لمنتجات الذكاء الاصطناعي التوليدية، والمنتجات الأخرى.
-
إحدى أفكار المنتجات هي استخدام الذكاء الاصطناعي لتجميع المعلومات في الوقت الحقيقي، أو الأخبار، أو التحديثات من المنصات الاجتماعية مثل Reddit، وGitHub Trending، وTwitter Trending، وQuora Trending، وZhihu Trending. يمكن للمستخدمين استخدام الأوامر لتخصيص التغذية أو حتى إضافة حسابات اجتماعية محددة.
-
هناك خمسة أنواع رئيسية من البيانات: النص، والصورة، والصوت، والفيديو، والكود.
-
تشمل أنواع البيانات المهمة الأخرى: البيانات الرقمية، والجغرافية المكانية، والبيومترية، وأجهزة الاستشعار، والمعاملات، وبيانات التعريف، والبيانات الزمنية، والمنظمة، وغير المنظمة، وشبه المنظمة، والصحية، والبيئية، وسجلات الشبكة، والبيانات السلوكية.
-
Google لا يزال أفضل لفهرسة المواقع، خاصة إذا كنت تريد تنزيل برنامج أو مستند من موقع معين. يعمل مثل بحث النطاق. أنت لا تستخدمه للعثور على معلومات، بل للانتقال إلى مواقع أخرى لأداء مهام. قد لا يمتلك نموذج اللغة الكبيرة أحدث روابط التنزيل.
-
يعمل Google مثل بحث النطاق؛ إذا كنت تريد الانتقال إلى موقع مستودع Maven للتحقق من أحدث إصدار، يمكنك استخدامه.
-
يظل Google مفيدًا للبحث عن الصور، بينما تتفوق نماذج اللغة الكبيرة في توليد النص. ومع ذلك، يفضل الناس غالبًا الصور الحقيقية للتحقق من تفاصيل الأجهزة، والأبعاد، أو أشكال الأشياء، أو مظهر شخص ما.
-
روبوتات الدردشة بالذكاء الاصطناعي شائعة لأن النص أصعب في المعالجة من الصور. يفضل الناس الصور الحقيقية على تلك المولدة بالذكاء الاصطناعي لأن الصور أسهل في الفهم بمجرد النظر. ومع ذلك، فإن توليد الصور بالذكاء الاصطناعي لديه إمكانات غير مستغلة - يمكن للمستخدمين أن يطلبوا من الذكاء الاصطناعي عرض زوايا مختلفة، تكبير الوجوه، أو تفاصيل لوحة الدوائر. نظرًا لأن الناس يعملون بشكل أساسي مع النص بدلاً من الصور، فهناك مجال كبير للنمو في أدوات الصور بالذكاء الاصطناعي.
-
يتفوق الذكاء الاصطناعي في شرح المفاهيم وتسهيل الفهم. علاوة على ذلك، يمكن للمستخدمين طرح أسئلة حول أي تفصيل معين. هذا على الأرجح أكثر فائدة لأدوات الذكاء الاصطناعي.
-
استخدمت الذكاء الاصطناعي للتعرف على نماذج اللغة الكبيرة. اللحظة التي ساعدتني فيها على فهم K، وQ، وV كانت رائعة.
-
السبب في أنني أفضل استخدام Ubuntu منذ إطلاق نماذج اللغة الكبيرة هو أن التطبيقات الغنية والمتنوعة في macOS أصبحت أقل جاذبية بالنسبة لي. أفضل كتابة برامجي والقيام بكل شيء عبر الطرفية والنص.
-
يمكن تقييم الذكاء الاصطناعي من خلال مدى قدرته على تحديث ملف pom.xml أو requirements.txt إلى أحدث إصدار، تحديث المكتبات، وإجراء الفحوصات. يمكن أن تتضمن هذه العملية كمية كبيرة من العمل ويمكن أن تكون معقدة في بعض الأحيان.
-
في عصر الذكاء الاصطناعي، لغات البرمجة التي تتمتع بأداء وقوة أفضل هي أكثر أهمية وسوف تكون أكثر شعبية، بينما تكون البنية النحوية أقل أهمية. هذا لأن نماذج اللغة الكبيرة ستساعد في توليد الكود، مما يجعله أقل إزعاجًا طالما أن البرنامج يعمل بشكل جيد.
-
يميل الناس إلى قراءة كل شيء من روبوتات الدردشة بالذكاء الاصطناعي لأنه سهل التعلم، يمكنهم طرح أسئلة حول أي جانب، التنسيق متسق، والجودة غالبًا من بين الأفضل على الإنترنت.