人類大歷史作者這篇寫的滿好的，FB 上有不少翻譯可看全文。
他提到社群媒體這種弱 AI 丟出來實驗後造成了人類的分裂，現在社會還沒辦法找出解方，因為整個人類社會已經跟這些社群媒體牢牢的糾結在一起，文後寫強 AI 對社會有未知影響，學習先前教訓的話，請大家趕快找方法控制他。
我大抵上覺得這波 AI 浪潮的社會討論風氣非常彰顯了人類群體劣根性，這種顯而易見的社會影響和名人監管呼籲，連 OpenAI CEO /CTO 之前受訪的公開言論都出來講要趕快介入監管，還是有種鄙視鏈言論，在那邊說作者趕不上時代只知道歷史，那些不會用 AI 的被淘汰剛好，評論說要管 AI 的通常就是要被淘汰等等的自我優越感言論。
拜託，大社會崩解時，影響的可不會只有那群沒用 AI 的人...
https://www.nytimes.com/2023/03/24/opinion/yuval-harari-ai-chatgpt.html
from g0v.social
Content from https://g0v.social/@jimyhuang
慘例紀錄一：社群可以公審你沒有做的事情（然後說這是言論自由）
一旦有風向質疑你的背景不純，就可以無限上綱到指責你沒做過的事情，最慘的是，保護貓狗寵物也同時保護野生動物的，也陷入這種因背景「不純」而被攻擊的意識形態循環，這社會的仇恨有夠多。
https://m.facebook.com/story.php?story_fbid=pfbid02CPQWxt3XpQ1614EoRjw14VmJ8uPW15KcKW4B4nexgSM35hLrFedBiN69D3BubfkXl&id=100064115106257&mibextid=Nif5oz慘例紀錄二：跟朋友討論議題，然後立刻把受訪者扣上「冷飯熱炒，一定是要出來選舉」。等等，所以所有評論跟不同立場政治事件的，都是側翼，想要選舉的心機舉動？事情的本質一點都不重要，只要質疑背景和動機即可。
慘到爆的言論審查風氣。
看了朋友的事業，今天發文身為創辦人決定半退出事業，緣由是突然發現該工作不是真正想做的事情。
回頭想想自己，十幾年前能夠找到熱情走這條奇怪又小眾，又不賺錢的創業路，到十幾年後還沒有完全消失熱情，繼續找新把戲來玩，算是某種程度上的幸運吧。我覺得這也仰賴網路業的刺激多變化，還有整個用鍵盤就賦能，讓阿宅突然自以為好厲害的關係，回頭看看 AI ，好像又多了新鮮東西可玩，若再走十年會不會膩、廢、頹呢？
但今天整個美好補班時光，被 Docker Hub 的收費移轉弄掉一整天，可惡的網路極權，免費最貴資本主義，還我青春啊...
結果看了訪問，原來 OpenAI 不是想要探索智慧源頭，是想要模仿人類打造 AI... 先創造腦袋，再創造視網膜、耳膜，鼻子嗅覺細胞，舌頭等是不是也準備好了呢？
Quote:
為什麼多模態的訓練很重要呢？蘇茨克維解釋，因為這是視覺的世界，人類是視覺的動物，所以只能從文字學習的神經網路雖然已經很強大了，但它絕對可以達到更高的境界。而 GPT-4，可以「看」得很清楚。此外，透過視覺來學習這個世界的知識，才能學到更多。人類一輩子可以「聽」到的訊息，大概是十億個字，這是很少的資訊量，但我們可以透過視覺學習到更多非文字化的資訊，神經網路也是一樣。
後社群時代的民主國家弱勢。
美國還有能力討論這個事務，即使反對聲浪如此大，但兩黨議員至少都敢站出來談，讓 TikTok 去說「让美国的数据存储在美国本土，由美国公司存储，受美国人员监督」這種話。
其他民主國家，對待侵害社會網絡的社群媒體，又該怎麼談判呢？
在資訊爆炸的壓力下，能夠靜心好好沉浸在一款遊戲，也是一種幸福。
最近特價入手的是潛水抓魚、經營壽司的遊戲：Dave the Diver，像素風格，誇張好笑的動畫，恰到好處的獎勵，一玩就上手，支援 Steam Deck 但畫面有點太小，建議還是大螢幕玩。
不覺想起，幾年前也想學潛水，AI 時代來臨後，我可以好好去學了嗎？
🍣 🐟 🤿
GPT4出來一陣子，還沒看到 Emergent Ability 清單（哪裡有的話麻煩提示一下），倒是半個月前有人深度討論這個現象的文章，結論還是感到怕：
But what does this all mean? Where do we go from here?
In short, at this point, it is unclear. There are several important things about the emergent abilities of large language models to keep in mind.
1. We don't know at what scale they will appear
2. We don't know the level of ability until they do appear
3. We don't know the landscape of potential abilitieshttps://www.assemblyai.com/blog/emergent-abilities-of-large-language-models/
LLM 的「湧現」能力清單，可以看到清單上最大的 Model 「PaLM 540B」，湧現的能力也最多。
AI 科學家看起來真的很想找出智慧的源頭啊... （怕.jpg）
https://www.jasonwei.net/blog/emergence
結果來的還真快。
我覺得全世界現在就在引頸期盼 Meta 釋出這個 LLaMA Model 的授權了。然後這群人訓練方法跟 Stable Diffusion 後面出現大量高品質 Model 的作法如出一轍阿，用別人家的 AI 產圖，反正圖片沒版權，再來訓練自己家 AI ...這次是語料了
--
文章在這裡：
《如何用幾美元訓練出可以在 Raspberry Pi 上運行的 Chat bot》https://reality.hk/train-your-chatbot-on-pi-with-a-few-dollars/
受災戶路過... 沒想到這麼多 Base Image 在上面的還會沉下去
雖然很早就腳踏兩條船了，不過最後還是得自己弄一個比較實在啊3月的鳥事有多一件🐔
https://blog.alexellis.io/docker-is-deleting-open-source-images/
一樣是快速的想法留做紀錄。
當生成 AI 讓很多人增加生產力後，那回過頭來重要的反而是，我們想要生產什麼？如果每個人的技能起跑點被強制拉平，動機和目的，想要完成什麼，看來就變成區別彼此的關鍵了。
簡單說，做什麼是對社會有意義，對自己有價值，對人類有貢獻的事情，好像比以前來說，又更重要了。想要做什麼在這時代又有另一層意義了，因為可能真有新工具幫助自己做到。
我猜很多人對 AI 的憧憬和樂觀來自這裡吧。（當然我是屬於悲觀那種人類的）
離每個人技能拉平那天很遙遠，也要搭配無條件收入（更遙遠），結果好像反而得先推無條件收入... 才不至於悲觀下去啊