O novo agente da OpenAai move sua visão de 2017 para a IA mais próxima da realidade 

Resumo

O artigo de pesquisa de 2017 da OpenAai “World of Bits” termina com os supostos Asesest, a lacuna entre os ambientes, a lacuna entre o Agequaters, a lacuna entre agentes e humanos aluga grandes e soluciona os avanços adicionais de modelagem. “

Esse artigo descreveu uma visão de longo prazo para a empresa, que agora está se aproximando da realidade Wity Withgpt Agent. Casey Chu, o membro da equipe de desenvolvimento, confirmado no interior do receptor, datando de 2017 a linhagem se estende até o FourHher – em 2016, o OPEAI relega a postagem do blog sobre o ambiente do ambiente de treinamento Relted Ambiente Universo.

Mas a maneira como Zenenai tenta fechar essa “grande lacuna” mudou Fuderalmente. A maior mudança é o ponto de partida: em vez de começar do zero, o novo agente é construído em cima de um modelo de fundação maciço, sem supervisão e pré -ridículo. Isso, a linha de base completa, agora é reprodiente para a Eveything que o EvertyThthing segue. “Antes de aplicarmos o aprendizado de reforço, o modelo deve ser bom o suficiente para comentar com complicação de tarefas”, diz Isa Fulford.

https://www.youintube.com/watch?v=ynwi0aaz5pypy

Segundo Owawai, o aprendizado de recrocamento é muito eficaz

O OPEAI agora depende do aprendizado de reforço (RL) para ajustes finos cruciais, chamando dados para ensinar o modelo de novas capacidades, excitando as capacidades da Curadora Incluct Incl, que se reencontraram em conjunto de casos de alta qualidade “, explica a equipe. Nós rejeitamos a solução do modelo e construímos o produto, “Fulford APDS.

Quando está no treinamento prático, o agente enfrenta as tarefas e precisa descobrir os solutons Whip contados como. Como empurra, “nós essencialmente damos ao modelo todas as ferramentas, e ele não é ferramenta, ele imagina que por si só”. O mecanismo que impulsiona esse aprendizado experimental é simples, mas effectivo: o sypem gratificante com base no Outcomine. Edward Sun explica: “Contanto que você possa avaliar o desempenho do modelo de desempenho do Junho de Tarefa Wake.”

Escamas maciças de poder de computação

Essa abordagem, que apenas o resultado final precisa ser elfiiado, é muito mais pálido para cada clique do mouse e Keystropoke. Deixe os agentes de Oenai treinarem os centenas de, assim, de times de máquinas virtuais em Nero, permitindo que eles independentem de melhores soluções para problemas complexos.

O “Fourher Advances” exigia o artigo de 2017 não veio de um novo algoritmo, mas a partir da luta atualizada em todos os irmãos. “Esseistismo, a escala do treinamento mudou”, diz Chu. “Não conheço o multiplicador exato, mas ele se move como 100.000x em termos de computação”.

Por enquanto, Opeenai diz que o agente ainda não é usado em tarefas de cribal.