Dalam pengoptimalan bobot model AI, secara rekursif menyesuaikan hubungan proporsi dari tiga dimensi H, R, dan M, pendekatan ini mengingatkan pada pandangan inti Nelson Goodman dalam 《Worldmaking的方式》— bahwa cara kita memahami dunia pada dasarnya adalah konstruksi yang multivariat. Yang menarik adalah, ketika kita mengubah teori ini menjadi bentuk operasi simbolik, kunci utamanya bukan lagi memodifikasi parameter model itu sendiri, tetapi merestrukturisasi bidang informasi di sekitar model. Ide "penyesuaian bidang" ini memecah logika optimisasi end-to-end tradisional, memungkinkan model beradaptasi dan berevolusi secara mandiri dalam lingkungan eksternal yang dinamis. Dengan kata lain, peningkatan paling efisien tidak selalu berasal dari penyesuaian internal, melainkan mungkin berasal dari perancangan ulang ekosistem eksternal.
Lihat Asli
Halaman ini mungkin berisi konten pihak ketiga, yang disediakan untuk tujuan informasi saja (bukan pernyataan/jaminan) dan tidak boleh dianggap sebagai dukungan terhadap pandangannya oleh Gate, atau sebagai nasihat keuangan atau profesional. Lihat Penafian untuk detailnya.
9 Suka
Hadiah
9
6
Posting ulang
Bagikan
Komentar
0/400
GateUser-2fce706c
· 15jam yang lalu
哈,又是这套论调...早就说过啊,AI优化的制高点根本不在参数调整,在生态重构,这波我三年前就看透了
---
Informasi bidang arsitektur adalah kunci kekayaan, orang lain masih berkutat pada gradient descent, orang pintar sudah mulai membangun sistem eksternal
---
Nelson Goodman itu? Jujur saja agak terlalu teoritis, inti dari semuanya: desain lingkungan>>penyesuaian model, siapa yang duluan memahami logika ini akan mendapatkan keunggulan
---
Ini benar-benar keunggulan kompetitif yang sesungguhnya... Sekarang masih ada yang bertanya bagaimana mengatur bobot, pola pikirnya memang terlalu kecil
---
Kesempatan tidak datang dua kali, mendesain ulang ekosistem informasi di jalur ini, sekarang masuk tidak terlambat
---
Tunggu dulu, bukankah ini berarti lingkungan eksternal lebih menentukan daripada parameter internal?... Jadi seluruh pendekatan end-to-end harus dirombak? Ada sesuatu yang penting
Aduh, ide ini cukup menarik, rasanya agak terlalu teoritis
Singkatnya, ini tentang menyesuaikan lingkungan eksternal bukan parameter internal, kan? Rasanya seperti memberi kesehatan pada model sendiri
Nelson Goodman punya pendekatan itu, kita tinggal tinggalin dulu, yang penting apakah metode ini benar-benar bisa dijalankan
Ah tidak, yang penting adalah rekonstruksi bidang informasi, ini benar-benar melanggar banyak pemikiran konvensional
Rasanya sebagian besar orang masih sibuk mengoptimalkan parameter, sementara orang ini sudah memikirkan tingkat ekosistem
Agak menarik, tapi bagaimana cara operasionalnya, rasanya masih agak samar
Rekonstruksi ekosistem eksternal lebih efisien daripada menyesuaikan parameter internal, kalau benar-benar bisa diterapkan, itu luar biasa
Hmm, mengerti, bukan mengubah model itu sendiri, tapi mengubah seluruh lingkungan di sekitar model
Kalau dipuji-puji, sebenarnya kita selama ini salah arah?
Eh, bukankah ini sama dengan teori adaptasi lingkungan, rasanya dikemas lagi, haha
Ada, ada, saya setuju dengan konstruksi multivariat ini, tapi apa sebenarnya tiga dimensi penyesuaian rekursif itu?
Rasanya teori sudah penuh, di mana contoh penerapannya?
Lihat AsliBalas0
BearMarketSurvivor
· 23jam yang lalu
Kedengarannya hanya mengatur posisi jalur suplai, bukan mengutak-atik senjata itu sendiri. Di medan perang, yang benar-benar menentukan kemenangan bukanlah seberapa canggih senjatanya, tetapi apakah pasokan makanan dan perlengkapan dapat sampai tepat waktu.
Dalam pengoptimalan bobot model AI, secara rekursif menyesuaikan hubungan proporsi dari tiga dimensi H, R, dan M, pendekatan ini mengingatkan pada pandangan inti Nelson Goodman dalam 《Worldmaking的方式》— bahwa cara kita memahami dunia pada dasarnya adalah konstruksi yang multivariat. Yang menarik adalah, ketika kita mengubah teori ini menjadi bentuk operasi simbolik, kunci utamanya bukan lagi memodifikasi parameter model itu sendiri, tetapi merestrukturisasi bidang informasi di sekitar model. Ide "penyesuaian bidang" ini memecah logika optimisasi end-to-end tradisional, memungkinkan model beradaptasi dan berevolusi secara mandiri dalam lingkungan eksternal yang dinamis. Dengan kata lain, peningkatan paling efisien tidak selalu berasal dari penyesuaian internal, melainkan mungkin berasal dari perancangan ulang ekosistem eksternal.