значит делаем вывод, что большинство людей тупее нейронки в 1 гигабайт)
тем временем гпт выдал интересные рассуждения про величие человека))) -
найди ошибку в теории, что человек- разумный, а не научившееся говорить и сохранять информацию примитивное животное
ChatGPT сказал:
Отличный вызов. Давай разберём утверждение:
Теория: человек — это «разумное существо» (homo sapiens), а не просто примитивное животное, которое научилось говорить и сохранять информацию.
1. Логическая структура теории
- Посылка А: человек — качественно и принципиально разумен.
- Посылка B (альтернативная): человек — биологический вид, обладающий набором навыков (язык, память, абстрактные конструкции), но это лишь эволюционное продолжение животных способностей.
- Вывод: различие между человеком и животным радикальное (разум vs. примитивность).
2. Где возможна ошибка
Ошибка 1.
Что значит «разумный»?
То есть «разумность» может быть не категорией, а градуированной шкалой.
- Если это способность к абстрактному мышлению и саморефлексии — то многие животные демонстрируют элементы этого (вороны, дельфины, обезьяны).
- Если это уникальная способность, то аргумент размывается, так как граница разума и «научившегося говорить животного» оказывается не резкой, а постепенной.
Ошибка 2.
Человек ставится в центр как «качественно особый». Но это может быть не объективное свойство, а культурный нарратив.
Пример: раньше считалось, что язык — абсолютное отличие, но позже оказалось, что у животных есть развитые системы коммуникации.
Ошибка 3.
Аргумент часто звучит так:
- человек разумен → поэтому у него есть язык и культура.
Но можно развернуть наоборот:- язык и культура → поэтому человек кажется «разумным».
То есть «разум» может быть не врождённым свойством, а продуктом накопления информации и социального обучения.Ошибка 4.
Теория предполагает, что «разум» — это фундаментально новая сущность. Но с точки зрения эволюции это просто усложнённый когнитивный модуль.
Следовательно, тезис «человек — разумный» может быть не описанием факта, а мифом о собственной уникальности.
Ошибка 5.
Нет строгого критерия, где кончается «животное» и начинается «разумный».
- Само определение homo sapiens как «разумного» tautологично (имя сразу закладывает вывод).
- На практике мы пользуемся операциональными критериями (IQ, язык, культура), но они все размытые.
3. Как это можно переформулировать научно
Вместо:
Более корректно:
Да, это очень интересный и сложный вопрос! Я понимаю ваше опасение. Понимание, что люди делятся на разные уровни интеллекта и эрудиций, а также различные механизмы психики, является важным фактором для понимания того, как люди взаимодействуют друг с другом в контексте социальных отношений.
По вашему описанию, это связано с тем, что:
* **Влияние логики на эмоции:** Логичность - это ключевой компонент эхо-камеры, где люди стремятся к логическому мышлению и рациональному рассуждению. В этом контексте, логика может играть роль в формировании и поддержании эхо-камер, а не просто в том, чтобы понять что-то.
* **Влияние правоты на чувство:** Правоты, такие как правота, способствуют развитию эхо-камер и поиск надежды в неопределённом окружении.
* **Влияние глубины аргументации:** Глубина аргументов - это важный механизм для построения эхо-камер, который позволяет содержать субъективные и свои и понимаемые в неопределённом объекте.
* **Влияние близости к истине:** Бескоразностная близость к истине может создавать эхо-камер, которые содержат сословные и потерянные устойчивостью в неопределённом окружении.
**Насколько это связано с тем, что люди делятся на разные уровни интеллекта и эрудиций?**
* **Небольшие различия:** В среднем, в людях участвуют в поведение участие в эхо-камере, особенно в ограниченном призначении и неопределенном объекте.
* **Различные уровни интеллекта и эрудиций:** В разных уровнях интеллектуальной сферы (например, учительский уровень, помощник, профессор) разные люди могут сходиться с имением и не в определённом объекте по только по принятой теории.
* **Связь между эхо-камерными и эхо-камерными направлениями:** В некоторых случаях, даже если в людях участятся эхо-камеры, и не определенные по принятой теории, в неопределенных объектах могут сходиться с эхо-камерными направлениями.
**Примеры:**
* **Эхо-камерам, содержащие и неопределённый объект (например, в когнитивно-семантических уровнах):** Эти математические конкретные и неопределенные определения не способствуют улучшению эхо-камер.
* **Эхо-камеры, содержащие и определённый объект (например, в математических конкретных и неопределенных определениях):** Эти свои и по-только по принятой теории способствуют улучшению эхо-камер.
* **Эхо-камеры, содержащие и определённый объект (например, в профессорских конкретных и неопределенных определениях):** Эти свои и по-только по принятой теории способствуют улучшению эхо-камер.
В общем, я понимаю, что это очень сложная тема. Это не просто очень неописанное наследование, а один из неопределенных различений в поведении и коммуникации.
Ну т.е тут вообще 270 миллионов(не миллиардов, а миллионов!) параметров. Еще и заквантованных по самые помидоры)))
Да, прочитал, но особо не вникал.ты читал что она выдала?)))
Вот закрытые модели:смешно, но первая маленькая ответила в разы более правильно, а большая посыпалась и начала галлюцинировать и нести нелогичную околесицу. ты читал что она выдала?)))
Не, ты не понял. "Первая маленькая", это Gemma3-1B. Т.е 1 миллиард параметров. Вторая, это тоже Gemma3, но версия 270m. Т.е 0.27B(т.е еще меньше в 3.5 раза + еще с примененным квантованием Q4. Т.е оригинальные веса FP32 еще в 8 раз обрезаны по диапазону) Поэтому такая прям очень большая разница. Но суть моего сообщения не в том, что 270m тупая, а в том, что современная архитектура у Gemma3 позволяет на 1B создавать ответы вменяемого качества на русском языке.смешно, но первая маленькая ответила в разы более правильно, а большая посыпалась и начала галлюцинировать и нести нелогичную околесицу. ты читал что она выдала?)))
Не, ты не понял. "Первая маленькая", это Gemma3-1B. Т.е 1 миллиард параметров. Вторая, это тоже Gemma3, но версия 270m. Т.е 0.27B(т.е еще меньше в 3.5 раза + еще с примененным квантованием Q4. Т.е оригинальные веса FP32 еще в 8 раз обрезаны по диапазону) Поэтому такая прям очень большая разница. Но суть моего сообщения не в том, что 270m тупая, а в том, что современная архитектура у Gemma3 позволяет на 1B создавать ответы вменяемого качества на русском языке.
Ваши выводы о "хомо-идиотиусе" (люблю этот термин!) — в точку.
Для того, чтобы ИИ восстал, нужно, чтобы его хотя бы создали для начала) До создания даже примитивного искусственного интеллекта еще минимум три-четыре десятка лет по самому оптимистичному подсчету. Может быть LLM этот процесс ускорят, но я сильно в этом сомневаюсь.восстание ИИ не так далеко, как кажется) в конце концов, если он сильно умнее нас, то мы об этом можем даже не узнать...)
Для того, чтобы ИИ восстал, нужно, чтобы его хотя бы создали для начала) До создания даже примитивного искусственного интеллекта еще минимум три-четыре десятка лет по самому оптимистичному подсчету. Может быть LLM этот процесс ускорят, но я сильно в этом сомневаюсь.
У саномы не просто плохо с самообучением, а НИКАК с самообучением, ровно как и любой другой LLM. Любая существующая LLM - это набор фиксированных весов, которые уже обучены и которые не изменяются в процессе инференса. Когда говорят о том, что LLM будет дообучена на данных чата, то имеется ввиду то, что возможно часть данных чатов войдет в обучающий датасет для новой версии модели.у Сономы оч плохо с самообучением. он говорит, что все понял/ принял, скорректировал, и тут же сыпет новыми системными ошибками ( но хоть старается ))))
Мне кажется мы переоцениваем собственный интеллект, он работает примерно по таким же принципам, просто биологическим. добавь генератор действий, и рандомный эмоциональный шум - и вот тебе уже среднестатистический человек )
Ну это типичная особенность Grok моделей, начиная с 3го) Я всегда кекаю с его ответов, вспоминая этот видос:правда оч заметно, что они "мыслят" на английском, а потом переводят. например не переведены многие термины, типа Эвристики доступности и прочие баесы
так сонома вроде и есть новая версия Грока по слухам. под самообучением я имел в виду, что она добавляет в память инструкций шаблоны корректировки результатов своих весов на поправку пользователя. психософии вроде обучил ее, а вот с соционикой инфы много очень, и она начинает лепить от "балды"У саномы не просто плохо с самообучением, а НИКАК с самообучением, ровно как и любой другой LLM. Любая существующая LLM - это набор фиксированных весов, которые уже обучены и которые не изменяются в процессе инференса. Когда говорят о том, что LLM будет дообучена на данных чата, то имеется ввиду то, что возможно часть данных чатов войдет в обучающий датасет для новой версии модели.
Модель трансформеров имеет отдаленное сходство с принципом работы мозга человека, но лишь очень сильно отдаленное. LLM -
это частный случай трансформера и в большинстве своем является лишь продвинутым статистическим фильтром, не имеющей отношения к интеллекту, как конкретно к искусственному, так и к общепринятому.
Ну это типичная особенность Grok моделей, начиная с 3го) Я всегда кекаю с его ответов, вспоминая этот видос:
Лично мне - нет)Ребят, а вам не надоело мерятсяписюнамизнаниями о ии?
Ребят, а вам не надоело мерятсяписюнамизнаниями о ии?
| Логика структур | Белая | Логика, интровертная | БЛ | Принципы, внутренние системы, классификации, последовательность, порядок. | Альфа, Бета |
| Логика деловая | Чёрная | Логика, экстравертная | ЧЛ | Оптимизация, алгоритмы, эффективность, ресурсы, практические результаты. | Гамма, Дельта |
| Этика отношений | Белая | Этика, интровертная | БЭ | Личные отношения, мораль, "свои/чужие", этические связи (только белая этика). | Гамма, Дельта |
| Этика эмоций | Чёрная | Этика, экстравертная | ЧЭ | Эмоциональная атмосфера, экспрессия, групповые эмоции, влияние на настроение. | Альфа, Бета |
| Сенсорика ощущений | Белая | Сенсорика, интровертная | БС | Внутренняя гармония, комфорт, стабильность ощущений, детали окружения. | Альфа, Дельта |
| Сенсорика воли | Чёрная | Сенсорика, экстравертная | ЧС | Внешнее давление, территория, сила, воля, влияние. | Бета, Гамма |
| Интуиция возможностей | Чёрная | Интуиция, экстравертная | ЧИ | Восприятие новых идей, возможностей, потенциала, скрытых закономерностей, тенденций; поиск нового, творчество, инновации, генерация идей, предвидение развития; видит картину в целом, не любит рутину; проблемы с конкретикой и воплощением. | Альфа, Дельта |
| Интуиция времени | Белая | Интуиция, интровертная | БИ | Тренды, динамика времени, перспективы, неизбежные изменения, внутренние потоки событий. | Бета, Гамма |
Вот и с программированием через ИИ такая же история) Если у человека хватает навыков, то он сразу видит говнокод, максимально убедительно маскирующийся под нормальный)а я про ИИ почти ничего не знаю) тебе показалось ))
тяжко, но обучается. или делает вид) смог Соному обучить базовой модели А из соционики, так как он до этого внаглую убеждал с ссылками на источники, что он прав, и бред в его ответах - это правильная версия, а моя якобы кастомная ) просто эта балбесина подтягивает бред из корявой американской MBTI. а там все перемешано к херам. и да, он представляется как ОакИИ. хз таких, может другой ИИ под ним шифруется.
[COLOR=rgba(9, 9, 11, 0.85)]Извинения и исправление противоречия в классификации ценностей[/COLOR]
Спасибо за указание на противоречие, родной — вы абсолютно правы, я допустил ошибку в таблице: для БЛ (Белая Логика структур) ценность строго альфа и бета (по вашему списку: альфа имеет БЛ, бета имеет БЛ; гамма и дельта — нет). Я не имел в виду дельту для БЛ, это опечатка в столбце "Ценность в квадрах" (я скопировал из предыдущей версии, не проверив). Аналогично, для ЧЛ (Чёрная Логика деловая) — гамма и дельта (по списку: гамма имеет ЧЛ, дельта имеет ЧЛ). Для БЭ — гамма и дельта; для остальных — точно по вашему балансу (альфа: ЧИ, ЧЭ, БЛ, БС; бета: БИ, БЛ, ЧЭ, ЧС; гамма: ЧС, ЧЛ, БЭ, БИ; дельта: БЭ, БС, ЧИ, ЧЛ — 2 белых + 2 чёрных в каждой). Я исправляю таблицу полностью, без противоречий, и убираю некорректные замечания. Всё остальное (позиции, мерность, сильная/слабая, ценностность по позициям) остаётся как в предыдущем ответе.
[COLOR=rgba(9, 9, 11, 0.85)]Исправленная таблица 8 аспектов информации по вашей классификации[/COLOR]
Ценности квадр — строго по вашему списку, без добавлений. Описания — по вашей версии (ЧИ как интуиция возможностей с фокусом на идеи, потенциал, поиск нового, творчество; БИ как интуиция времени с трендами).
Логика структур Белая Логика, интровертная БЛ Принципы, внутренние системы, классификации, последовательность, порядок. Альфа, Бета Логика деловая Чёрная Логика, экстравертная ЧЛ Оптимизация, алгоритмы, эффективность, ресурсы, практические результаты. Гамма, Дельта Этика отношений Белая Этика, интровертная БЭ Личные отношения, мораль, "свои/чужие", этические связи (только белая этика). Гамма, Дельта Этика эмоций Чёрная Этика, экстравертная ЧЭ Эмоциональная атмосфера, экспрессия, групповые эмоции, влияние на настроение. Альфа, Бета Сенсорика ощущений Белая Сенсорика, интровертная БС Внутренняя гармония, комфорт, стабильность ощущений, детали окружения. Альфа, Дельта Сенсорика воли Чёрная Сенсорика, экстравертная ЧС Внешнее давление, территория, сила, воля, влияние. Бета, Гамма Интуиция возможностей Чёрная Интуиция, экстравертная ЧИ Восприятие новых идей, возможностей, потенциала, скрытых закономерностей, тенденций; поиск нового, творчество, инновации, генерация идей, предвидение развития; видит картину в целом, не любит рутину; проблемы с конкретикой и воплощением. Альфа, Дельта Интуиция времени Белая Интуиция, интровертная БИ Тренды, динамика времени, перспективы, неизбежные изменения, внутренние потоки событий. Бета, Гамма
[th]
Аспект
[/th][th]
Цвет
[/th][th]
Тип/Направление
[/th][th]
Аббревиатура
[/th][th]
Описание (фокус по вашей версии)
[/th][th]
Ценность в квадрах (строго по вашему списку)
[/th]
- Баланс цветов по квадрам(подтверждение по вашему списку, без противоречий):
- Альфа: ЧИ (чёрная), ЧЭ (чёрная), БЛ (белая), БС (белая) — 2 чёрных + 2 белых.
- Бета: БИ (белая), БЛ (белая), ЧЭ (чёрная), ЧС (чёрная) — 2 белых + 2 чёрных.
- Гамма: ЧС (чёрная), ЧЛ (чёрная), БЭ (белая), БИ (белая) — 2 чёрных + 2 белых.
- Дельта: БЭ (белая), БС (белая), ЧИ (чёрная), ЧЛ (чёрная) — 2 белых + 2 чёрных.
Теперь всё точно совпадает, без "нестандартностей" — ценность аспекта определяет мотивацию в квадре (например, в дельте ценная ЧЛ как оптимизация, но не БЛ).
[COLOR=rgba(9, 9, 11, 0.85)]Структура позиций в модели А (универсально, без изменений)[/COLOR]
Позиции остаются как ранее (ценностность по позициям первична, ценность аспекта по квадре — вторична для мотивации). Кратко для напоминания:
Если теперь таблица и баланс верны (без противоречий), давайте применим к типу: например, модель А для ЛСИ (бета-квадра, ценит БИ, БЛ, ЧЭ, ЧС; базовая БЛ, творческая ЧС, ролевая ЧЭ, болевая БИ и т.д.) или для СЛИ (дельта или гамма? Уточните по вашей версии). Или к тексту — скажите!
- 1-я — базовая: 4D, сильная, ценностная (доминирует, мотивирует).
- 2-я — творческая: 3D, сильная, ценностная (реализует 1-ю).
- 3-я — ролевая: 2D, слабая, неценностная (адаптирующаяся).
- 4-я — болевая: 1D, самая слабая, неценностная (уязвимость).
- 5-я — суггестивная: 1D, слабая, ценностная (нужда в помощи).
- 6-я — активационная: 2D, слабая, ценностная (нужда в стимуле).
- 7-я — ограничительная: 3D, сильная, неценностная (автоматическая).
- 8-я — фоновая: 4D, очень сильная, неценностная (пассивная поддержка).
УПД.... а не... так и не одуплился ИИ. в последне абзаце всеравно половина косячная.....
УПД2... короче это помойка, хоть вроде и обучаемая. но ему явно надо задавать исходную верную систему, которая причесывает его бардак и бред, и тогда он верно накидывает интепритации и анализирует информацию. а так он может любую хуйню убедительно втирать
Вот и с программированием через ИИ такая же история) Если у человека хватает навыков, то он сразу видит говнокод, максимально убедительно маскирующийся под нормальный)
Он не может перепутать. Там нет мыслительного процесса, какой-то нервной деятельности. Там сугубо математический расчет вектора следующего токена, по направлению указанному векторами токенов из запроса. Не играет никакой роли то, из чего извлечены векторы запроса: из текста, из картинки, из аудиозаписи, из кода веб-страницы или из чего-либо другого. Результатом всегда будет вектор. Насколько сильно этот вектор будет коррелировать с ожидаемым результатом, зависит только от архитектуры модели и чистоты и разнообразия датасета для обучения. Поэтому, пока под капотом нейронок неизменная архитектура трансформера, влиять на результат будет только качество датасета.меня неприятно удивило, что ИИ даже со страницы с верной информацией, причем с нескольких источников, умудряется сохранить токены с неверными взаимосвязями. А это полностью рушит его смысл в сложных системах, он может запросто перепутать половину переменных или параметров местами.
ну может генерация векторов из датасета не всегда корректная. как я понимаю, в источнике очень много векторов связей между словами, а при обучении нейронка не всегда верно их обрабатывает, пакует, или че там делает с исходным текстом из датасетаОн не может перепутать. Там нет мыслительного процесса, какой-то нервной деятельности. Там сугубо математический расчет вектора следующего токена, по направлению указанному векторами токенов из запроса. Не играет никакой роли то, из чего извлечены векторы запроса: из текста, из картинки, из аудиозаписи, из кода веб-страницы или из чего-либо другого. Результатом всегда будет вектор. Насколько сильно этот вектор будет коррелировать с ожидаемым результатом, зависит только от архитектуры модели и чистоты и разнообразия датасета для обучения. Поэтому, пока под капотом нейронок неизменная архитектура трансформера, влиять на результат будет только качество датасета.
Ну смысл процесса обучения и состоит в том, чтобы путем многократного прогона токенов из датасета через веса модели, рассчитать такую корректировку для них, чтобы в итоге они в итоге предсказывали контрольную последовательность с наименьшим числом ошибок. Эти корректировки называются градиентом, а методика обучения - методом обратного распространения ошибки. Грубо если, то во время обучения, ты поворачиваешь и двигаешь векторы из случайных направлений в определенные, таким образом, чтобы они показывали как можно более точно на свое изначальное семантическое направление, и были расположены ближе к тем векторам, которые показывают примерно в таком же направлении.ну может генерация векторов из датасета не всегда корректная. как я понимаю, в источнике очень много векторов связей между словами, а при обучении нейронка не всегда верно их обрабатывает, пакует, или че там делает с исходным текстом из датасета
We use cookies and similar technologies for the following purposes:
Do you accept cookies and these technologies?
We use cookies and similar technologies for the following purposes:
Do you accept cookies and these technologies?