În aceste zile, când foloseam @OpenGradient pentru a face o integrare de informații din mai multe surse, de fapt nu m-am gândit prea serios de la început la designul de la nivelul Protocolului; pur și simplu am conectat OpenGradient Chat ca un instrument direct în fluxul meu de zi cu zi. O dată am introdus în același timp trei segmente de conținut complet diferite: unul era un document tehnic, unul niște notițe fragmentare, iar al treilea chiar un istoric de conversații pe care îl amestecasem eu cu ordinea. Inițial a fost doar un test la întâmplare, dar rezultatul a ieșit mult mai stabil decât mă așteptam. În momentul acela am rămas puțin pe gânduri. #opg
Atunci nu am căutat imediat cauza; în schimb, am rulat din nou și chiar am inserat intenționat informații fără legătură la mijloc. Totuși, nu a existat o derivare evidentă. Abia atunci am început să privesc invers sistemul, nu doar modelul.
Mai târziu, când am descompus lanțul de execuție, am descoperit că intrarea, înainte să ajungă la model, este deja restructurată de Protocol într-un obiect de calcul unificat. Acel „input haotic” fusese deja netezit înainte, așa că modelul nu vede zgomotul brut, ci o stare deja aliniată.
Sincer, când am scris aici, am avut o ușoară reacție contraintuitivă, pentru că asta e opusul modului în care îmi înțelegeam inițial AI-ul. Noi de obicei credem că stabilitatea vine din capacitatea modelului, dar aici stabilitatea pare mai degrabă decisă de reguli pregătite dinainte.
Și mai important, rezultatul execuției nu se oprește la ieșire; el este descompus în semnale de feedback și intră în continuare în planificarea resurselor și actualizarea traseului. Asta face întregul sistem să semene mai mult cu „o corecție continuă a sa”.
$OPG , în structura asta, nu este un rezultat, ci o variabilă ce participă la alegerea nodurilor și la schimbarea ponderilor de resurse — astfel încât calea de calcul în sine să se schimbe continuu. #OPG
Expresia adevărată, pe care o poți comprima într-o singură propoziție, ar fi: miezul strâns legat de OpenGradient nu este capacitatea modelului, ci Protocolul definește cum are loc calculul și cum $OPG decide alocarea și evoluția calculului în cadrul sistemului.
Atunci nu am căutat imediat cauza; în schimb, am rulat din nou și chiar am inserat intenționat informații fără legătură la mijloc. Totuși, nu a existat o derivare evidentă. Abia atunci am început să privesc invers sistemul, nu doar modelul.
Mai târziu, când am descompus lanțul de execuție, am descoperit că intrarea, înainte să ajungă la model, este deja restructurată de Protocol într-un obiect de calcul unificat. Acel „input haotic” fusese deja netezit înainte, așa că modelul nu vede zgomotul brut, ci o stare deja aliniată.
Sincer, când am scris aici, am avut o ușoară reacție contraintuitivă, pentru că asta e opusul modului în care îmi înțelegeam inițial AI-ul. Noi de obicei credem că stabilitatea vine din capacitatea modelului, dar aici stabilitatea pare mai degrabă decisă de reguli pregătite dinainte.
Și mai important, rezultatul execuției nu se oprește la ieșire; el este descompus în semnale de feedback și intră în continuare în planificarea resurselor și actualizarea traseului. Asta face întregul sistem să semene mai mult cu „o corecție continuă a sa”.
$OPG , în structura asta, nu este un rezultat, ci o variabilă ce participă la alegerea nodurilor și la schimbarea ponderilor de resurse — astfel încât calea de calcul în sine să se schimbe continuu. #OPG
Expresia adevărată, pe care o poți comprima într-o singură propoziție, ar fi: miezul strâns legat de OpenGradient nu este capacitatea modelului, ci Protocolul definește cum are loc calculul și cum $OPG decide alocarea și evoluția calculului în cadrul sistemului.