Orang berpikir 1+2=3 itu jelas. Tapi "kejelasan" itu hanyalah permukaan dari pilihan yang lebih dalam: anggapan bahwa realitas dapat dibagi menjadi unit-unit diskrit untuk dimanipulasi. Sebelum "3" ada, sudah ada keputusan dasar bahwa dunia dapat dikodekan menjadi bagian-bagian yang dapat dihitung. Tanpa langkah itu, tidak ada penjumlahan, dan tidak ada konsep hasil.
Ketika saya melihat @OpenGradient , saya tidak lagi melihatnya sebagai infrastruktur AI. Masalahnya lebih dalam dari sekadar perilaku atau perilaku yang muncul. Ini tentang bagaimana suatu sistem mendefinisikan ruang di mana perilaku dapat muncul. Sebelum kemunculan, ada "ruang kemungkinan yang muncul" yaitu kumpulan perilaku yang diizinkan untuk muncul.
Ide ini lebih mendasar daripada perilaku itu sendiri. Perilaku hanyalah apa yang muncul ke permukaan. Apa yang menentukan apa yang bisa muncul adalah struktur dasar: bagaimana komputasi dipartisi, bagaimana jejak menyebar, dan bagaimana verifikasi didistribusikan di seluruh sistem.
Dalam sistem seperti OpenGradient, node tidak hanya bertukar hasil inferensi. Mereka beroperasi di bawah bidang pembatas, lapisan kondisi tak terlihat yang menentukan urutan komputasi mana yang dapat direkonstruksi dan diverifikasi, dan karena itu diizinkan untuk ada sebagai keluaran yang valid.
Dan inilah inversinya: bukan berarti bidang pembatas menghasilkan perilaku. Bisa jadi perilaku hanyalah bagaimana kita melihat batasan-batasan yang memperlihatkan diri mereka melalui komputasi.
Ketika Anda mengubah bidang pembatas, Anda tidak hanya mengubah perilaku. Anda mengubah kumpulan perilaku yang dapat ada sejak awal. Anda membentuk ulang ruang kemungkinan kecerdasan.
Dilihat dari tingkat ini, OpenGradient bukan sekadar komputasi terdistribusi atau inferensi yang dapat diverifikasi. Ini adalah desain ulang dari prasyarat kecerdasan itu sendiri.
Dalam model lama, saya melihat perilaku sistem.
Dalam model baru, saya melihat apa yang membuat perilaku itu mungkin. Dan pada titik itu, kecerdasan tidak lagi "apa yang dilakukan sistem". Itu menjadi: jenis perilaku apa yang diizinkan sistem untuk ada sebagai kemungkinan.
@OpenGradient $OPG #OPG $ARX $RE
Ketika saya melihat @OpenGradient , saya tidak lagi melihatnya sebagai infrastruktur AI. Masalahnya lebih dalam dari sekadar perilaku atau perilaku yang muncul. Ini tentang bagaimana suatu sistem mendefinisikan ruang di mana perilaku dapat muncul. Sebelum kemunculan, ada "ruang kemungkinan yang muncul" yaitu kumpulan perilaku yang diizinkan untuk muncul.
Ide ini lebih mendasar daripada perilaku itu sendiri. Perilaku hanyalah apa yang muncul ke permukaan. Apa yang menentukan apa yang bisa muncul adalah struktur dasar: bagaimana komputasi dipartisi, bagaimana jejak menyebar, dan bagaimana verifikasi didistribusikan di seluruh sistem.
Dalam sistem seperti OpenGradient, node tidak hanya bertukar hasil inferensi. Mereka beroperasi di bawah bidang pembatas, lapisan kondisi tak terlihat yang menentukan urutan komputasi mana yang dapat direkonstruksi dan diverifikasi, dan karena itu diizinkan untuk ada sebagai keluaran yang valid.
Dan inilah inversinya: bukan berarti bidang pembatas menghasilkan perilaku. Bisa jadi perilaku hanyalah bagaimana kita melihat batasan-batasan yang memperlihatkan diri mereka melalui komputasi.
Ketika Anda mengubah bidang pembatas, Anda tidak hanya mengubah perilaku. Anda mengubah kumpulan perilaku yang dapat ada sejak awal. Anda membentuk ulang ruang kemungkinan kecerdasan.
Dilihat dari tingkat ini, OpenGradient bukan sekadar komputasi terdistribusi atau inferensi yang dapat diverifikasi. Ini adalah desain ulang dari prasyarat kecerdasan itu sendiri.
Dalam model lama, saya melihat perilaku sistem.
Dalam model baru, saya melihat apa yang membuat perilaku itu mungkin. Dan pada titik itu, kecerdasan tidak lagi "apa yang dilakukan sistem". Itu menjadi: jenis perilaku apa yang diizinkan sistem untuk ada sebagai kemungkinan.
@OpenGradient $OPG #OPG $ARX $RE