Re: [新聞] 輝達一半供應鏈在桃園 賴總統要把AI產業
AI產業的發展
南北應該還是可以合作呀?
個人認為:
1. 南部做AI晶片生產線
2. 北部做AI Labeler
只是這些工作需要更多的...痾...
好吧 普通廉價勞工
雖然我不清楚真正的演算法和深度學習的細節....
(好像是比較清楚的中文筆記: https://tinyurl.com/2phdkfx7 )
但是搜尋其方法(PPO)和簡單歸納後
其實Chat-GPT的過程簡介是這樣:
1. 首先切割你輸入的字串(String)
2. 找出關鍵字分類並尋找匹對分數最高的回應語言樣板(Template)*
3. 在樣板的關鍵詞欄搜尋資料庫,並填入分數最高的段落
4. 透過使用者的評價再回饋到伺服器進行改進
*: 只要不被辨認為無意義,基本上都逃不過類似散文的起承轉合....
而他的確真的分成四個段落
1. 開場問候
2. 解釋關鍵字的意義
3. 額外延伸的主題
4. 歸納總結並致謝
問題在於說,一個"新的" 模型,需要大量的真人勞力去實現其最基本的需求
以下是AI勞力工作的流程圖:
https://i.imgur.com/Ap8Vnfz.png
而且這份工作需要的人力還滿大的,下面是他們的工作應徵網址:
https://www.opentrain.ai/become-freelancer
至於使用新的模型和演算法(美其名是更新),其方法和原理的不同
並不能直接使用舊版的原始資料。因此需要新的標記和評價規則。
所以簡單來說,上層只要有錢有機器,就可以再"實驗" 自己新構想的訓練模型
再把規則發包給下層的去做初始訓練.....
只是我的小小心得,有錯誤還請指正
--
※ PTT 留言評論
87
[情報] 產生式 AI 大爆發 NVIDIA GPU 恐供不應求生成式 AI 大爆發,NVIDIA GPU 恐供不應求 來源 微軟 Bing 搜尋引擎整合 ChatGPT,加上其他生成式 AI 工具的需求攀升 都相當依賴人工智慧處理能力,正是 NVIDIA GPU 優勢所在 當科技公司利用 NVIDIA GPU 滿足增長的 AI 需求44
[情報] 蘋果會將生成式AI帶入其生態體系嗎?【新聞/情報來源】 原網址: 短網址: 【新聞/情報內容】(國外文章請附上簡單翻譯) 微軟已經宣布與ChatGPT達成協議,將其生成式AI內建到其搜尋引擎Bing中。至於谷歌,21
Re: [討論] chatGPT會取代軟體工程師嗎?提供一個有趣的觀點 在 堆疊溢出 的網站有關於一則公告內容是禁止 chatgpt 回文。 底下有一個 AI 研究員的論點很有趣。 temporary-policy-chatgpt-is-banned?cb=121
Re: [問卦] 為什麼AI 這2-3年進步這麼神速?我剛好研究所讀資工領域的。 你應該知道在這次AI大模型震撼世人之前,電腦科學界在紅啥嗎?? 就是Big Data,大數據,資料探勘。 但是因為"算力"不足,所以在十年前,幾乎都是關注於儲存與基礎處理而已。 譬如NoSQL數據庫與一些簡單的資料探勘,那個時候SVM分析歸類資料可火的。12
Re: [閒聊] 美術系怎麼看待這次Ai繪圖事件?前陣子剛好因為工作需求做了一些AI研究 我之前的工作設計到語音辨識領域,就個人實際測試經驗來說 現階段AI的確在很多部分無法取代人類 現階段無法取代的原因不少,個人覺得主要是兩點 1.演算法有限制6
Re: [問卦] 為何台灣是AI晶片重要生產地,但是AI軟體模型都沒一般而言,所謂的AI Chip指得是特化過往CPU功能的晶片,過往CPU集成的晶片會強調指 令控制跟緩存的功能,但DL/AI模型其實更強調運算元(ALU)所以像NPU、GPU就是特化計算 元其他的功能就縮到最小,所謂AI專用晶片本質上就是這樣的一種類CPU特化架構的晶片 。因為對於當前所有的DL模型原子化到最小計算就是在做矩陣加減乘除跟線性變換。 不過目前整個設計還是follow國外廠商的需求,所以台灣更像是代工上游廠商。當然啦!5
Re: [閒聊] AI色圖看多後感覺有點千篇一律: 三個問題形成必然的限制 1. 目前色圖主流模型只有stable-diffusion與其衍生 一個畫圖AI說穿了就像一個被訓練完的畫家 他很會畫是因為他吸收了各種各樣的畫作1
Re: [問卦] 什麼能力不會被AI取代阿肥外商碼農阿肥啦! 先說啦!基本上依照目前的AI趨勢高階具備獨立自主思考能力或是低階廉價勞工還是很難 取代,最會先被取代的是中階比較偏向指令式的開發人員,這些大量初階的paper work或 是coding work可能有機會被慢慢取代(依照過往人類歷史工業革命也花了五十年到一百年 才全部完成)。- 之前研討會好像有討論到,除了使用者以外,公司一定有責任把關所以一定是咎責對象之一 ,而工程師爭議 比較大,AI不是我們寫規則判斷,而是訓練出來,所以中間有錯很難歸咎是哪個人寫的哪 條程式碼,裡面就是黑盒子,所以真的要咎責範圍太大:1. 訓練模型的工程師、2. 資料收 集的工程師、3. 再加上開發模型的作者(通常模型也不是自己開發,而是拿別人/別間單