Инопланетная хрень, воплотившись в математиков-кентавров, рушит представления ИИ-скептиков из «ордена стохастического попугая». Мораль этого поста такова: • Вы всё делаете не так. • И поэтому ИИ приносит вам <1% пользы, чем мог бы приносить уже сейчас. • Это и есть «разрыв между возможностями и реальной ценностью применения», о которой заявил OpenAI ⚡️Аудио-версию слушайте в посте выше 👆 Причина этого в том, что 99% используют ИИ либо как Гугл, либо как консультанта со странностями (эдакого аутиста-полимата, отвечающего на вопросы любой сложности и глупости, но в жизни понимающего меньше ребенка). Но LLM — не Гугл и не консультант со странностями. Это какая-то инопланетная хрень (даже не когнитивный гаджет, как я раньше полагал), которую пока никто не раскусил. Непонятно даже что это: усилитель интеллекта, кентаврическая приставка к мозгу, готовый на кооперацию с нами разумный нечеловеческий агент … Я не сгущаю: НИКТО на свете пока не понимает, как лучше этим пользоваться. Даже те, кто это создал. В итоге мы все сейчас как обезьяны с айфоном — тычем, пробуем, офигеваем… и мало что понимаем. И это только начало. Становится всё более очевидно, что с помощью «инопланетной хрени» можно решать столь сложные задачи, что 99% читателей этого поста даже не поймут, о чём в них речь. Одна проблема – нужно уметь работать в паре с этой «инопланетной хренью». Вот наисвежайший пример – математики-кентавры опубликовали новое математическое доказательство «Мотивный класс пространства отображений рода 0 в флаговое многообразие». В нем, по словам авторов – людей, «основные результаты получены при очень существенном участии Google Gemini и связанных с ним инструментов, в частности DeepThink и связанной с ним неопубликованной системы, специализирующейся в математике». Итогом работы математиков – кентавров стал очень сильный, чистый и концептуально неожиданный результат. Его главная ценность — простота финального ответа при максимальной сложности пространств, плюс новая рабочая техника (мотивно тривиальные, но не локально тривиальные расслоения), найденная в ходе решения. Задача настолько сложна в своей абстракции, что объясняющей метафоры, понятной широкой аудитории людей, по моим запросам, не нашел ни один ИИ (т.е. они предложили, но понять эти метафоры без поллитра я не смог). Но суть результата понятна: математики-кентавры нашли «скрытый порядок» в сложной математической системе. Они доказали формулу, которая сводит понимание запутанного пространства траекторий к понятным, базовым элементам алгебры (матрицам). В чем сила этой работы против аргументов ИИ-скептиков из «ордена стохастического попугая». Работа иллюстрирует следующие важные моменты: 1. Отсутствие решений в обучающих данных. Авторы подчеркивают, что доказательства, сгенерированные ИИ (в частности, инструментами Google Gemini, DeepThink и FullProof), не являются простым воспроизведением существующей литературы, на которой обучались модели. 2. Способность к обобщению и созданию новых доказательств. ИИ не просто выдавал готовый текст, а решал новые математические задачи в рамках итеративного процесса. 3. Генерация контрпримеров. Работа демонстрирует способность ИИ находить математические объекты, опровергающие гипотезы. 4. Высокое качество «машинных» доказательств. В Приложении C приводится пример доказательства, полностью сгенерированного инструментом FullProof. Авторы характеризуют этот вывод как «очень совершенный» (very accomplished) и отмечают, что он был написан моделью «с нуля» N.B. Работа не утверждает полную автономность ИИ. Это именно работа математиков-кентавров. Возвращаемся к вопросу - что же вы делаете не так? Да почти все. А как надо? 1) Забудьте о рекомендациях типа «100 эффективных промптов», «101 продуктивный сценарий работы с ИИ » и т.д. 2) Прочтите (и поймите!) рекомендации Альберто Ромеро и наставления Карлоса Переса. 3) Поинтересуйтесь, как, например, использует ИИ Джек Кларк (равно как и я 😊) И продолжайте читать этот канал. #LLMvsHomo