인공 지능의 기억 추적: 생물학적 기억 단위와 인공 지능의 기억
인공 지능은 생물학적 기억과 유사한 identifiable 기억 추적을 보유하는지 여부가 여전히 열린 문제입니다. 본 연구에서는 기하학적 프레임워크를 통해 AI engram을 식별하고, 생물학적 기억의 특성인 명확성, 재활성화, 충분성, 필요성 등을 포함한 제한된 역역 문제를 formalize했습니다. 본 연구는 대규모 언어 모델(LLM) 등 다양한 실험을 통해 AI engram의 유의미성과 대규모 확장성을 입증했습니다.
인공 지능은 생물학적 기억과 유사한 identifiable 기억 추적을 보유하는지 여부가 여전히 열린 문제입니다. 본 연구에서는 기하학적 프레임워크를 통해 AI engram을 식별하고, 생물학적 기억의 특성인 명확성, 재활성화, 충분성, 필요성 등을 포함한 제한된 역역 문제를 formalize했습니다.
AI engram은 학습된 지식의 수술적인 조작을 가능하게 합니다. AI engram을 통해, 임의의 메모리 서브셋이 선형 계산을 통해 합성되거나 삭제할 수 있습니다. 이러한 결과는 생물학적 기억 이론과 인공 표현 학습 이론 사이의 이론적 연결을 제공하며, 깊은 네트워크가 동시적으로 분산된 저장에서 기능 특이성을 지원하는 기하학적 이해를 제공합니다.
본 연구에서는 다양한 실험을 통해 AI engram의 유의미성과 대규모 확장성을 입증했습니다. 이러한 결과는 인공 지능의 기억 추적을 위한 새로운 접근 방식의 가능성을 열어두며, 인공 지능의 성능 향상을 위한 새로운 연구 방향을 제시합니다.
AI engram의 특징
- 명확성: AI engram은 특정 메모리 추적을 식별하고, 그 메모리 추적이 특정한 것을 나타내는지 여부를 확인합니다.
- 재활성화: AI engram은 이전에 학습된 메모리 추적이 재활성화되는지 여부를 확인합니다.
- 충분성: AI engram은 메모리 추적이 충분한 정보를 포함하는지 여부를 확인합니다.
- 필요성: AI engram은 메모리 추적이 필수적인 정보를 포함하는지 여부를 확인합니다.
실험 결과
본 연구에서는 다양한 실험을 통해 AI engram의 유의미성과 대규모 확장성을 입증했습니다. 이러한 결과는 인공 지능의 기억 추적을 위한 새로운 접근 방식의 가능성을 열어두며, 인공 지능의 성능 향상을 위한 새로운 연구 방향을 제시합니다.
함께 읽으면 좋은 기사
구글 지니미(Google Gemini)의 보이는 워터마크를 끄는 방법이 나왔다!
구글은 이제 지니미와 플로(Google's AI video generator, Flow)에서 AI工具을 이용해 만든 미디어에 보이는 워터마크를 제거할 수 있는 기능을 제공합니다. 이 업데이트로, 사용자는 지니미와 플로의 새로운 '미디어 워터마크' 설정을 끌 수 있습니다. 워터마크가 끄면, 지니미에서 생성된 이미지, 비디오, 음악에 나타나는 '스파클(sparkle)' 워터마크가 사라집니다.
애플, 중국 위해 알리바바와 함께 자체 AI 모델을 교육
애플은 중국 시장에 맞는 맞춤형 AI 모델을 중국 기술巨인 알리바바와 함께 개발하고 훈련했다고 보고되었다. 이는 베이징과 워싱턴 간 커져가는 긴장감을 무시하고 중국과 미국 사이에 드문 획기적인 협력이다. 알리바바의 지원을 받으며 개발된 중국을 대상으로 한 대규모 언어 모델(LLM) 훈련은 알리바바와 함께 개발되었으며, 리트저스는 훈련에 대한 지원을 받았다고 세 명의 익명한 사람들의 진술에 근
대량 언어 모델(LLM) 개인화에 대한 대응: Meta-LoRA를 이용한 다원 도메인 선호도 학습
대규모 언어 모델(LLM)의 개인화를 위한 다원 도메인 선호도 학습은 새로운 대화 도메인에서 사용자 선호도에 맞는 응답을 생성하는 것을 목표로 합니다. 하지만 기존의 적응 방법은 적은 수의 대상 도메인 상호 작용만으로 업데이트한 크기를 조정하기 어려워 오버피팅을 일으키며, 역전파 방법은 사용자 선호도를 소스 도메인 오류와 혼동하여 불신할 수 있는 개인화 전제 조건과 부정적인 전이를 일으킵니다. 이러한 문제를 해결하기 위해, 우리는 PAC-Bayes-정규화된 Meta-LoRA를 제안하여, 업데이트한 크기를 증거의 질에 맞게 조정하고, 오버피팅을 최소화하며, 증거가 증가할 때 강한 개인화를 허용합니다.
듀얼-플로우 트랜스포머: 주요 프리 필 경로와 추가 디코딩 계산을 분리하는 방법
대규모 언어 모델은 더 많은 요청을 처리할수록,一次적인 학습 비용 대비 누적적인 추론 비용이 점점 더 중요해지고 있습니다. 추론의 두 가지 단계는 하드웨어를 다르게 부하를 주고 있습니다:_prompt prefill은 병렬적이고 일반적으로 계산량에 의존하는 반면, autoregressive decode는 순차적이고 종종 메모리 대역폭에 의존합니다. 전통적인 너비 또는 깊이 확대는 두 비용을 모
인간과 LLM의 윤리적 판단에서 다르다: 합의는 일치가 아니다
인공지능 언어 모델(Large Language Model, LLM)과 인간의 판단이 일치하는 것은 대규모 언어 모델의 가치 지향성 평가를 위한 일반적인 대안입니다. 하지만 최종 레이블이 일치한다는 것은 인간의 주석자와 모델이 같은 도덕적 근거를 기반으로 의사결정을 내리는 것이라는 것을 보장하지는 않습니다. 두 개의_AGENT(agents)가 같은 판단을 내릴 수 있지만 서로 다른 원칙, 맥락
위치: 중립성 공동체가 의도치 않게 검열가의 도구를 만들고 있다
최신 인공지능(AI) 동기화 방법은 해로울 수 있는 출력을 예방하기 위해 설계된 기술이다. 그러나 이 기술은 유해한 사용을 막기 위한 목적으로 설계된 것이 아니다. 이 기술은 쉽게 사악한 사람들에 의해 검열 및 조작에 사용될 수 있는 이중 사용 기술이다. 현재의 동기화 기술을 오용할 수 있는 가능성과 실제 사례를 매핑하여, 우리는 완벽하게 동기화된 모델을 찾으려는 노력은 실질적으로 정보 지배
관련 콘텐츠 더 보기
다른 플랫폼에서 이 주제에 대한 더 많은 정보를 확인하세요.