Per chi non lo sapesse, questa è la mia funzione preferita in ChatGPT: Puoi ramificare la conversazione attuale in una nuova chat mantenendo lo stesso contesto. Il mio schema abituale è questo: sto imparando qualcosa di nuovo, la risposta introduce concetti sconosciuti e voglio approfondire quei concetti. Ma farlo nella chat principale può compromettere il contesto originale. La ramificazione risolve questo problema. Posso esplorare quelle domande in una chat separata, poi tornare alla conversazione principale. Tuttavia, di solito ho troppe domande di follow-up, quindi si trasforma in ramificazioni di ramificazioni di ramificazioni, e diventa rapidamente difficile da gestire. Penso che la migliore app di chat per l'apprendimento dovrebbe avere una struttura ad albero. Potresti continuare a esplorare nuovi concetti su rami diversi, pur essendo in grado di gestire tutto e tutto il contesto facilmente in modo visivo. Ho voluto vibrare-codificare qualcosa del genere, ma sono stato troppo pigro + tutto il mio contesto passato è già in ChatGPT + preferirei usare il mio abbonamento piuttosto che costruire sull'API. Tuttavia, penso che questa sia una reale necessità per i power learner come me. Un'altra necessità è avere un thread separato che monitori le conversazioni in modo che non si vada in un buco del coniglio, perché l'utente (io) è l'unico a guidare l'intera conversazione...(simile ai problemi menzionati nell'ultimo tweet, continuo a fare domande distratte a caso e ho bisogno di un "consigliere" per fermarmi e non rimanere bloccato nello stesso posto con una visione globale). @sama @ChatGPTapp @JustinBleuel

Non sono sicuro se sia davvero vero, ma personalizzare i peptidi è da tempo una pratica comune tra gli utenti esperti. Ho trascorso del tempo a imparare sia l'AI per la scienza che la scienza per l'AI recentemente. Entrambi sono direzioni affascinanti. Ho intenzione di scrivere più blog su ciò che ho imparato man mano che acquisisco maggiore comprensione. Alcune prospettive: 1. I modelli di base per la scienza emergeranno e saranno diversi dagli attuali LLM. Modelli per cellule, proteine, materiali e chimica che apprendono rappresentazioni strutturate dei sistemi fisici. A differenza degli LLM, i dati scientifici contengono forti vincoli (simmetria, geometria, leggi di conservazione) e alto rumore, richiedendo design di modelli fondamentalmente diversi. (Per la biologia, trova interessante qualche lavoro di @BoWang87, @arcinstitute) 2. La ricerca scientifica accelererà drammaticamente, portando un enorme impatto sulla società umana. Aspettati un approccio molto più basato sui dati: AI co-scienziati che assistono nel ragionamento e nella generazione di ipotesi, combinati con laboratori robotici capaci di controllo fine. Il ciclo esperimento → analisi → ipotesi diventerà molto più veloce, anche se alcune forme di verifica richiederanno ancora tempo. 3. La scienza per l'AI sarà cruciale per l'AGI. Alla sua base, questo è il problema dell'interpretabilità. Sviluppare intuizioni su come funzionano i modelli può aiutarci a capire come orientare e progettare sistemi futuri verso un'intelligenza più generale. (Sto ancora imparando, ma trovo utili alcuni lavori di @AnthropicAI @ZimingLiu11 @ZeyuanAllenZhu)