-
Nvidia: Hogyan lett a kicsi kutatóhelyből 4 trillió dolláros óriás?
Bill Dally, aki 2009-ben csatlakozott az Nvidia kutatólaboratóriumához, egy viszonylag kicsi csapattal dolgozott, amely csupán néhány főből állt, és a ray tracing, vagyis a számítógépes grafikai renderelési technikára összpontosított. Azóta a laboratórium létszáma 400 főre nőtt, és az Nvidia a 90-es évek videójátékos GPU-indítványából egy 4 trillió dolláros céggé fejlődött, amely az mesterséges intelligencia (AI) robbanásának motorjává vált. Jelenleg a kutatólabor célja a robotika és az AI technológiák fejlesztése, és az eddigi munkáik már megjelennek a vállalat termékeiben is. A múlt héten bemutatták az új AI modellek és könyvtárak sorozatát, amelyek a robotikai fejlesztők számára készültek. Dally, aki mára az Nvidia vezető tudósa, 2003-ban kezdett konzultálni a céggel, miközben a…
-
AI Modellek: Jobban Teljesítenek, Ha Megfenyegetjük Őket?
A mesterséges intelligencia (AI) fejlődése és alkalmazása folyamatosan új kihívásokat és lehetőségeket teremt a technológiai világban. A közelmúltban egy érdekes kutatás látott napvilágot, melyben a kutatók azt vizsgálták, hogy Sergey Brin, a Google egyik alapítójának állítása, miszerint a mesterséges intelligencia „megfenyegetése” javíthatja a teljesítményét, valóban igaz-e. A kutatás eredményei vegyes képet mutattak, és felhívták a figyelmet arra, hogy a nem hagyományos megközelítések alkalmazása nem mindig hoz kiszámítható eredményeket. Az AI fenyegetése és a kutatás részletei A kutatók a Penn Egyetem Wharton Iskolájából indultak neki a vizsgálatnak, amely során két szokatlan megközelítést teszteltek: az AI „megfenyegetését” és az „italálás” (tipping) módszerét. Brin korábban kijelentette, hogy a modellek teljesítménye javul, ha fenyegetések…
-
Az AI teljesítménye: Működnek-e a fenyegetések?
A közelmúltban egy kutatócsoport érdekes kísérletet végzett, amelyben arra keresték a választ, hogy Sergey Brin, a Google egyik alapítója által javasolt fenyegető megközelítések hogyan befolyásolják a mesterséges intelligencia (AI) pontosságát. Az eredmények azt mutatták, hogy bizonyos esetekben ezek a szokatlan megközelítések akár 36%-kal is javíthatják az AI válaszainak minőségét, ugyanakkor figyelmeztettek arra, hogy az ilyen jellegű próbálkozások előre nem látható eredményekhez vezethetnek. A kutatók a Pennsylvaniai Egyetem Wharton Iskolájának szakemberei voltak, akik különböző AI modellek teljesítményét tesztelték. A kutatás során a kutatók két elterjedt benchmarkot használtak, amelyek közé tartozott a GPQA Diamond és az MMLU-Pro, amelyek PhD szintű kérdéseket tartalmaztak különböző tudományágakban. Az egyes kérdéseket 25 alkalommal tesztelték, hogy értékelni…
