Pro ty, kdo nevědí, toto je moje nejoblíbenější funkce v ChatGPT: Aktuální konverzaci můžete rozvětvit do nového chatu a přitom zachovat stejný kontext. Můj obvyklý vzorec je tento: Učím se něco nového, odpověď mi přináší neznámé koncepty a chci se do těchto konceptů ponořit hlouběji. Ale dělat to v hlavním chatu může poškodit původní kontext. Větvení to řeší. Tyto otázky mohu prozkoumat v samostatném chatu a pak se vrátit k hlavní konverzaci. Obvykle mám ale příliš mnoho doplňujících otázek, takže se to změní v větve větví a rychle je to těžké zvládnout. Myslím, že nejlepší chatovací aplikace pro učení by měla mít stromovou strukturu. Můžete dál zkoumat nové koncepty na různých větvích, a přitom být schopni vizuálně snadno spravovat vše a kontext. Chtěl jsem něco takového naprogramovat, ale byl jsem moc líný + veškerý můj minulý kontext už mám v ChatGPT + raději použiji předplatné, než abych stavěl na API. Přesto si myslím, že je to skutečná potřeba pro silné studenty jako jsem já. Další potřebou je mít samostatné vlákno, které by monitorovalo konverzace, aby se nesklouzly do králičí nory, protože uživatel (já) jsem jediný, kdo řídí celou konverzaci... (podobně jako problémy zmíněné v minulém tweetu, pořád kladu náhodné rozptýlené otázky a potřebuji nějakého "poradce", který mě zastaví uvězněného na jednom místě s globálním pohledem). @sama @ChatGPTapp @JustinBleuel

Nevím, jestli je to pravda, ale přizpůsobení peptidů je mezi pokročilými uživateli už dlouho běžné. V poslední době jsem strávil nějaký čas učením se jak AI pro vědu, tak vědu pro AI. Oba směry jsou fascinující. Plánuji psát více blogů o tom, co jsem se naučil, až získám další vhled. Několik pohledů: 1. Vzniknou základní modely vědy, které se budou lišit od dnešních LLM. Modely buněk, proteinů, materiálů a chemie, které se učí strukturovaným reprezentacím fyzikálních systémů. Na rozdíl od LLM obsahují vědecká data silná omezení (symetrie, geometrie, zákony zachování) a vysoký šum, což vyžaduje zásadně odlišné návrhy modelů. (Co se týče biologie, najdi nějakou práci od @BoWang87, @arcinstitute zajímavé) 2. Vědecký výzkum se dramaticky zrychlí a přinese obrovský dopad na lidskou společnost. Očekávejte mnohem více datově orientovaný přístup: AI spoluvědci, kteří pomáhají s uvažováním a generováním hypotéz, v kombinaci s robotickými laboratořemi schopnými detailního řízení. Experimentální → analýza → hypotézová smyčka se výrazně zrychlí, i když některé formy ověřování budou stále trvat. 3. Věda pro AI bude pro AGI klíčová. V jádru je to problém interpretovatelnosti. Rozvíjení intuice o tom, jak modely fungují, nám může pomoci pochopit, jak řídit a navrhovat budoucí systémy směrem k obecnější inteligenci. (Stále se učím, ale našel jsem nějakou práci @AnthropicAI @ZimingLiu11 @ZeyuanAllenZhu užitečnou)