


Google- und OpenAI-Wissenschaftler sprechen über KI: Sprachmodelle arbeiten hart daran, die Mathematik zu „erobern'.
Wenn Sie fragen, was Computer gut können, muss unter allen Antworten Mathematik auf der Liste stehen. Nach langer Forschungsarbeit haben Spitzenwissenschaftler überraschende Ergebnisse bei der Untersuchung der Entwicklung von Computern für mathematische Berechnungen erzielt.
Nehmen Sie letztes Jahr als Beispiel: Forscher der University of California, Berkeley, OpenAI und Google haben große Fortschritte bei der Entwicklung der Sprachmodelle GPT-3, DALL·E 2 usw. gemacht. Allerdings waren Sprachmodelle bisher nicht in der Lage, einige einfache, verbal beschriebene mathematische Probleme zu lösen, wie zum Beispiel „Alice hat fünf Bälle mehr als Bob, und Bob hat zwei Bälle, nachdem er Charlie vier Bälle gegeben hat. Fragen Sie Alice, wie viele Bälle sie hat.“ ?" Das kann für das Sprachmodell etwas „schwierig“ sein, die richtige Antwort zu geben.
„Wenn wir sagen, dass Computer sehr gut in Mathematik sind, meinen wir damit, dass sie in bestimmten, spezifischen Dingen sehr gut sind“, sagte Guy Gur-Ari, ein Experte für maschinelles Lernen bei Google. Zwar sind Computer gut im Rechnen, aber außerhalb bestimmter Modi sind Computer machtlos und können einfache Fragen zur Textbeschreibung nicht beantworten.
Der Google-Forscher Ethan Dyer hat einmal gesagt: Menschen, die Mathematik forschen, haben ein starres Denksystem und es gibt eine deutliche Kluft zwischen dem, was sie wissen, und dem, was sie nicht verstehen.
Das Lösen von Textaufgaben oder Problemen zum quantitativen Denken ist schwierig, da beide im Gegensatz zu anderen Problemen Robustheit und Genauigkeit erfordern. Wenn in irgendeinem Schritt des Prozesses etwas schief geht, führt dies zu einer falschen Antwort. DALL·E ist beeindruckend im Zeichnen, auch wenn die Bilder, die es erzeugt, manchmal seltsam sind, mit fehlenden Fingern und seltsam aussehenden Augen ... Das können wir alle akzeptieren, aber es macht Fehler in der Mathematik, und unsere Toleranz wird sehr gering sein. Vineet Kosaraju, ein Experte für maschinelles Lernen von OpenAI, hat diese Idee ebenfalls zum Ausdruck gebracht: „Unsere Toleranz gegenüber mathematischen Fehlern, die durch Sprachmodelle entstehen (z. B. das Missverständnis von 10 als 1 und 0 statt 10), ist immer noch relativ gering.“ „Wir studieren Mathematik einfach, weil wir sie unabhängig und sehr interessant finden“, sagte Karl Cobbe, Experte für maschinelles Lernen bei OpenAI.
Da maschinelle Lernmodelle auf größeren Datenstichproben trainiert werden, werden sie robuster und machen weniger Fehler. Eine Skalierung von Modellen scheint jedoch nur durch quantitatives Denken möglich zu sein. Die Forscher erkannten, dass die von Sprachmodellen gemachten Fehler offenbar einen gezielteren Ansatz erforderten.
Letztes Jahr haben zwei Forschungsteams der University of California, Berkeley und OpenAI die Datensätze MATH bzw. GSM8K veröffentlicht. Diese beiden Datensätze enthalten Tausende mathematischer Probleme wie Geometrie, Algebra und Elementarmathematik. „Wir wollten sehen, ob dies ein Problem mit dem Datensatz war“, sagte Steven Basart, ein Forscher am Center for AI Security, der in der Mathematik arbeitet. Es ist bekannt, dass Sprachmodelle bei Textaufgaben nicht gut sind. Wie schlecht schneiden sie bei diesem Problem ab? Kann es durch die Einführung besser formatierter und größerer Datensätze gelöst werden?
Im MATH-Datensatz erreichte das Top-Sprachmodell eine Genauigkeit von 7 %, verglichen mit 40 % Genauigkeit bei menschlichen Doktoranden und 90 % Genauigkeit bei Olympiasiegern. Beim GSM8K-Datensatz (Problem auf Grundschulebene) erreichte das Modell eine Genauigkeit von 20 %. Im Experiment verwendete OpenAI zwei Techniken, Feinabstimmung und Verifizierung, und die Ergebnisse zeigten, dass das Modell viele Beispiele seiner eigenen Fehler erkennen kann, was eine wertvolle Erkenntnis ist.
Damals musste das Modell von OpenAI mit 100-mal mehr Daten trainiert werden, um eine Genauigkeit von 80 % auf GSM8K zu erreichen. Doch im Juni dieses Jahres veröffentlichte Google Minerva, das eine Genauigkeit von 78 % erreichte. Dieses Ergebnis übertraf die Erwartungen und die Forscher sagten, es sei schneller gekommen als erwartet.
Papieradresse: https://arxiv.org/pdf/2206.14858.pdf
Minerva basiert auf dem von Google selbst entwickelten Pathways Language Model (PaLM) und verfügt über mehr mathematische Datensätze, darunter arXiv, LaTeX und andere mathematische Formate. Eine weitere Strategie, die Minerva anwendet, ist die Gedankenkettenaufforderung, bei der Minerva größere Probleme in kleinere Teile zerlegt. Darüber hinaus verwendet Minerva die Mehrheitsentscheidung, bei der das Modell nicht aufgefordert wird, eine Antwort zu finden, sondern 100 Antworten. Von diesen Antworten wählt Minerva die häufigste. Die Vorteile dieser neuen Strategien sind enorm: Minerva erreicht eine Genauigkeit von 50 % bei MATH und eine Genauigkeit von fast 10 % bei GSM8K und MMLU (eine allgemeinere Reihe von MINT-Aufgaben, einschließlich Chemie und Biologie) von 80 %. Als Minerva gebeten wurde, leicht angepasste Aufgaben zu wiederholen, schnitt es genauso gut ab und zeigte, dass seine Fähigkeiten nicht nur aus dem Gedächtnis kommen. Minerva kann seltsame, verwirrende Argumente haben und trotzdem die richtige Antwort finden. Während Modelle wie Minerva möglicherweise zu den gleichen Antworten kommen wie Menschen, kann der tatsächliche Prozess, dem sie folgen, sehr unterschiedlich sein. Ethan Dyer, Experte für maschinelles Lernen bei Google, sagte: „Ich denke, es gibt die Vorstellung, dass Menschen, die sich mit Mathematik befassen, über strenge Argumentationssysteme verfügen und es einen klaren Unterschied zwischen dem Wissen und dem Nichtwissen gibt.“ inkonsistent, es werden Fehler gemacht und Kernkonzepte werden nicht angewendet. Im Bereich des maschinellen Lernens sind die Grenzen fließend.
Das obige ist der detaillierte Inhalt vonGoogle- und OpenAI-Wissenschaftler sprechen über KI: Sprachmodelle arbeiten hart daran, die Mathematik zu „erobern'.. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!

Heiße KI -Werkzeuge

Undresser.AI Undress
KI-gestützte App zum Erstellen realistischer Aktfotos

AI Clothes Remover
Online-KI-Tool zum Entfernen von Kleidung aus Fotos.

Undress AI Tool
Ausziehbilder kostenlos

Clothoff.io
KI-Kleiderentferner

AI Hentai Generator
Erstellen Sie kostenlos Ai Hentai.

Heißer Artikel

Heiße Werkzeuge

Notepad++7.3.1
Einfach zu bedienender und kostenloser Code-Editor

SublimeText3 chinesische Version
Chinesische Version, sehr einfach zu bedienen

Senden Sie Studio 13.0.1
Leistungsstarke integrierte PHP-Entwicklungsumgebung

Dreamweaver CS6
Visuelle Webentwicklungstools

SublimeText3 Mac-Version
Codebearbeitungssoftware auf Gottesniveau (SublimeText3)

Heiße Themen



Bei der Konvertierung von Zeichenfolgen in Objekte in Vue.js wird JSON.Parse () für Standard -JSON -Zeichenfolgen bevorzugt. Bei nicht standardmäßigen JSON-Zeichenfolgen kann die Zeichenfolge durch Verwendung regelmäßiger Ausdrücke verarbeitet und Methoden gemäß dem Format oder dekodierten URL-kodiert reduziert werden. Wählen Sie die entsprechende Methode gemäß dem String -Format aus und achten Sie auf Sicherheits- und Codierungsprobleme, um Fehler zu vermeiden.

Der Artikel führt den Betrieb der MySQL -Datenbank vor. Zunächst müssen Sie einen MySQL -Client wie MySQLworkBench oder Befehlszeilen -Client installieren. 1. Verwenden Sie den Befehl mySQL-uroot-P, um eine Verbindung zum Server herzustellen und sich mit dem Stammkonto-Passwort anzumelden. 2. Verwenden Sie die Erstellung von Createdatabase, um eine Datenbank zu erstellen, und verwenden Sie eine Datenbank aus. 3.. Verwenden Sie CreateTable, um eine Tabelle zu erstellen, Felder und Datentypen zu definieren. 4. Verwenden Sie InsertInto, um Daten einzulegen, Daten abzufragen, Daten nach Aktualisierung zu aktualisieren und Daten nach Löschen zu löschen. Nur indem Sie diese Schritte beherrschen, lernen, mit gemeinsamen Problemen umzugehen und die Datenbankleistung zu optimieren, können Sie MySQL effizient verwenden.

Es gibt viele Gründe, warum MySQL Startup fehlschlägt und durch Überprüfung des Fehlerprotokolls diagnostiziert werden kann. Zu den allgemeinen Ursachen gehören Portkonflikte (prüfen Portbelegung und Änderung der Konfiguration), Berechtigungsprobleme (Überprüfen Sie den Dienst Ausführen von Benutzerberechtigungen), Konfigurationsdateifehler (Überprüfung der Parametereinstellungen), Datenverzeichniskorruption (Wiederherstellung von Daten oder Wiederaufbautabellenraum), InnoDB-Tabellenraumprobleme (prüfen IBDATA1-Dateien), Plug-in-Ladeversagen (Überprüfen Sie Fehlerprotokolle). Wenn Sie Probleme lösen, sollten Sie sie anhand des Fehlerprotokolls analysieren, die Hauptursache des Problems finden und die Gewohnheit entwickeln, Daten regelmäßig zu unterstützen, um Probleme zu verhindern und zu lösen.

Verarbeiten Sie 7 Millionen Aufzeichnungen effizient und erstellen Sie interaktive Karten mit Geospatial -Technologie. In diesem Artikel wird untersucht, wie über 7 Millionen Datensätze mithilfe von Laravel und MySQL effizient verarbeitet und in interaktive Kartenvisualisierungen umgewandelt werden können. Erstes Herausforderungsprojektanforderungen: Mit 7 Millionen Datensätzen in der MySQL -Datenbank wertvolle Erkenntnisse extrahieren. Viele Menschen erwägen zunächst Programmiersprachen, aber ignorieren die Datenbank selbst: Kann sie den Anforderungen erfüllen? Ist Datenmigration oder strukturelle Anpassung erforderlich? Kann MySQL einer so großen Datenbelastung standhalten? Voranalyse: Schlüsselfilter und Eigenschaften müssen identifiziert werden. Nach der Analyse wurde festgestellt, dass nur wenige Attribute mit der Lösung zusammenhängen. Wir haben die Machbarkeit des Filters überprüft und einige Einschränkungen festgelegt, um die Suche zu optimieren. Kartensuche basierend auf der Stadt

Um die Zeitüberschreitung für Vue Axios festzulegen, können wir eine Axios -Instanz erstellen und die Zeitleitungsoption angeben: in globalen Einstellungen: vue.Prototyp. $ Axios = axios.create ({Timeout: 5000}); In einer einzigen Anfrage: this. $ axios.get ('/api/user', {timeout: 10000}).

Die MySQL -Leistungsoptimierung muss von drei Aspekten beginnen: Installationskonfiguration, Indexierung und Abfrageoptimierung, Überwachung und Abstimmung. 1. Nach der Installation müssen Sie die my.cnf -Datei entsprechend der Serverkonfiguration anpassen, z. 2. Erstellen Sie einen geeigneten Index, um übermäßige Indizes zu vermeiden und Abfrageanweisungen zu optimieren, z. B. den Befehl Erklärung zur Analyse des Ausführungsplans; 3. Verwenden Sie das eigene Überwachungstool von MySQL (ShowProcessList, Showstatus), um die Datenbankgesundheit zu überwachen und die Datenbank regelmäßig zu sichern und zu organisieren. Nur durch kontinuierliche Optimierung dieser Schritte kann die Leistung der MySQL -Datenbank verbessert werden.

Zusammenfassung: Es gibt die folgenden Methoden zum Umwandeln von VUE.JS -String -Arrays in Objektarrays: Grundlegende Methode: Verwenden Sie die Kartenfunktion, um regelmäßige formatierte Daten zu entsprechen. Erweitertes Gameplay: Die Verwendung regulärer Ausdrücke kann komplexe Formate ausführen, müssen jedoch sorgfältig geschrieben und berücksichtigt werden. Leistungsoptimierung: In Betracht ziehen die große Datenmenge, asynchrone Operationen oder effiziente Datenverarbeitungsbibliotheken können verwendet werden. Best Practice: Clear Code -Stil, verwenden Sie sinnvolle variable Namen und Kommentare, um den Code präzise zu halten.

Remote Senior Backend Engineer Job Vacant Company: Circle Standort: Remote-Büro-Jobtyp: Vollzeitgehalt: 130.000 bis 140.000 US-Dollar Stellenbeschreibung Nehmen Sie an der Forschung und Entwicklung von Mobilfunkanwendungen und öffentlichen API-bezogenen Funktionen, die den gesamten Lebenszyklus der Softwareentwicklung abdecken. Die Hauptaufgaben erledigen die Entwicklungsarbeit unabhängig von RubyonRails und arbeiten mit dem Front-End-Team von React/Redux/Relay zusammen. Erstellen Sie die Kernfunktionalität und -verbesserungen für Webanwendungen und arbeiten Sie eng mit Designer und Führung während des gesamten funktionalen Designprozesses zusammen. Fördern Sie positive Entwicklungsprozesse und priorisieren Sie die Iterationsgeschwindigkeit. Erfordert mehr als 6 Jahre komplexes Backend für Webanwendungen
