본문으로 건너뛰기

실리콘밸리는 평범한 사람들이 원하는 것을 잊어 버렸습니다.

실리콘 밸리에서는 일반인들의 욕망을 잊어버렸다. 많은 기술자들을 알아서 공감해주고 싶은 일 중 하나는 그들이 매우 중요한 발견을 한 것이라고 생각하면서 내게 들려주는 그들의 동경에 찬 말들을 듣는 것이다. 최근에 나의 친구 중 한 명을 만났을 때, 그는 대규모 언어 모델(LLM)과 관련된 놀라운 발견에 대해 내 귀를 절로 막아놓는 이야기들을 했다. 지식, 말 그대로 [인공지능(AI)]이 [데이터(데이터)]를 처리하는 방식에 대한 새로운 발견이었다.

AI 자동 생성

실리콘밸리의 문제

실리콘밸리에서는 일반인들의 욕망을 잊어버렸다. 이 지역의 기술자들은 자주 매우 중요한 발견을 한 것이라고 생각하면서 그들의 동경에 찬 말들을 듣는 것이다. 그들은 대규모 언어 모델과 관련된 놀라운 발견에 대해 이야기하며, 지식과 데이터 처리 방식에 대한 새로운 발견을 공유한다.

이러한 기술자들의 열정은 감동적이지만, 때때로 그들은 일반인들의 실제 욕망과 필요를 잊어버리는 경우가 있다. 그들은 기술적인 발전에만 집중하며, 일반인들이 원하는 것을 고려하지 않는다. 이는 기술 발전이 사람들의 삶을 개선하는 데 실패할 수 있다.

기술과 인간의 욕망

기술은 사람들의 삶을 개선하는 데 중요한 역할을 한다. 그러나 기술자들은 일반인들의 욕망과 필요를 समझ고, 그에 따라 기술을 개발해야 한다. 대규모 언어 모델과 같은 기술은 사람들의 생활을 편리하게 만들 수 있지만, 기술자들은 일반인들이 원하는 것을 먼저 고려해야 한다.

기술 발전은 사람들의 삶을 개선하는 데 사용되어야 한다. 기술자들은 일반인들의 욕망과 필요를 이해하고, 그에 따라 기술을 개발하는 데 집중해야 한다. 이를 통해 기술은 사람들의 삶을로 개선하는 데 기여할 수 있다.

원문 보기 The Verge AI

함께 읽으면 좋은 기사

AI 모델 8월 16일

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.

AI 모델 8월 16일

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

AI 모델 8월 15일

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.

AI 모델 8월 15일

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

관련 콘텐츠 더 보기

다른 플랫폼에서 이 주제에 대한 더 많은 정보를 확인하세요.