Special! - Τα Πάντα για το chatGPT, Μέρος 2ο (feat. Alex Dimakis)

Specials!  · 

Διάρκεια 00:40:23 · Download


📝 Απομαγνητοφώνηση επεισοδίου ▾

[0:00:00] [0:00:20] Πες λίγο πώς δουλεύει; Αν ξέρεις από πίσω το ένα μοντέλο τύπου chat gpt, δηλαδή ναι, θα σας το αυτό με ενδιαφέρει. Εμένα είναι πώς γίνεται train και δεύτερον OK βάζεις ένα κουίρι, ας πούμε κάτι. [0:00:35] Αποφασίζεται. [0:00:40] Είναι το είναι πάρα πολύ απλό, απίστευτα απλό Λοιπόν ο και. [0:00:48] Το υπήρχε μία ακολουθία από μοντέλα που λέγονται όλα large Language Models. Ας πούμε μεγάλα μοντέλα, ας πούμε γλώσσας, τα μοντέλα γλώσσας ήτανε πολύ πιο περίπλοκα και ουσιαστικά αυτό που έχουμε δει τα τελευταία 5 χρόνια είναι ότι μία συνεχής απλοποίηση των μοντέλων. [0:01:07] Παρά μια αύξηση της πολυπλοκότητας λοιπόν, τα gpt μοντέλα υπάρχει, υπήρχε το gpt, το Gpt 2, το Gpt 3 και μετά το gpt 3 έγινε chat gpt με άλλο 1-1 έξτρα ιδέα που θα σας πω μετά λοιπόν το όλα τα θυμάμαι σε ειδήσεις το το πρώτα 2 Versions βέβαια δεν πήραν τόσο μεγάλη δημοσιότητα, αλλά θυμάμαι που είχε βγει το ακριβώς ακριβώς τι κάνουνε, παίρνουνε κείμενο απτο Ίντερνετ. [0:01:35] Συνήθως. [0:01:37] Αυτό μπορεί να είναι, όπως είπαμε κείμενο από τη Wikipedia από το Google Books, από οτιδήποτε απλά κείμενο. [0:01:42] Και το μόνο πράγμα που κάνουν είναι να κοιτάνε τις προηγούμενες 500 λέξεις και φτιάχνουν ένα μοντέλο, ένα κουτί τα οποία προσπαθεί να προβλέψει την επόμενη λέξη βλέποντας προηγούμενες 500. Ας πούμε και το μόνο είναι σαν αν ξέρετε ας πούμε τι είναι το link Regression και το Logistic Regression, δηλαδή το link τι είναι; Προσπαθεί να προβλέψει τους συντελεστές, ας πούμε. [0:02:07] Είναι ένα μοντέλο που προσπαθεί να προβλέψει έναν αριθμό από προηγούμενους αριθμούς. Ας πούμε, μπορεί να το σκέφτεσαι έτσι; [0:02:14] Απλά έχεις πάρα πολλά παραδείγματα, γιατί αν έχω εγώ μία πρόταση αρνάκια άσπρο και παχύ της μάνας του καμάρι λέω αρνάκι ποια είναι η επόμενη λέξη; Αυτό θα μου βγάλει μία κατανομή και θα μου πει νομίζω ότι μετά το αρνάκι η επόμενη λέξη είναι μπανάνα με πιθανότητα 10 τα 100 R ενόκερος με πιθανότητα 0,2 τα 100 και τα λοιπά, οπότε το κουτί του βάζεις ένα prot όπως λέμε δηλαδή αρνάκι άσπρο και και αυτό σου βγάζει μία κατανομή για την επόμενη λέξη και και δουλεύει πάνω σε όλες τις λέξεις που υπάρχουνε στα. [0:02:41] Στα ελληνικά, στα αγγλικά και σε όλες τις γλώσσες. Αυτά τα λένε talkers γενικά. [0:02:46] Ας πούμε αυτό σε μένα ακούγεται state forward που λέμε δηλαδή το αρχικό κείμενο. Ναι, κάνεις μία κατανομή και μπορείς να κοιτάξεις να δεις ποια είναι η επόμενη λέξη. Αν ξέρετε τα engro τα Mark off μοντέλα για γλώσσα αυτά όχι πρέπει ναμαστε εντάξει, ας πούμε ότι θες να φτιάξεις ένα αυτό τα κανένα νομίζω και οι ποιητές στη το λέω εγώ το λέγανε αυτόματη γραφή. [0:03:11] Οι αυτόματη γραφή τι είναι παίρνεις; Ας πούμε όλα τα ποιήματα που γράφτηκαν στα Ελληνικά Κόβεις χαρτάκια με λέξεις, βάζεις βάζεις τις λέξεις μέσα σε ένα μεγάλο μπολ. [0:03:20] Και τυχαία αρχίζεις και τραβάς λέξεις, εντάξει και έτσι θα αρχίσεις να φτιάξεις ένα τυχαίο κείμενο, αλλά η συχνότητα της κάθε λέξης που θα σαμπλάρης, όπως λέμε ή θα θα δειγματοληπτής από αυτό το μεγάλο μπολ που έχει μέσα τις λέξεις. [0:03:35] Τις πιο συχνές λέξεις θα τις σαμπλάρεις πιο συχνά γιατί θα υπάρχουν πιο, πιο πολλά χαρτάκια που θα γράφουνε συχνές λέξεις παρά απίθανες λέξεις. Εντάξει, οπότε ένα μοντέλο χωρίς καθόλου μνήμη. [0:03:48] Θα ήταν ένα μοντέλο που απλά παίρνει όλο τα ποιήματα που γράφτηκαν ποτέ στα ελληνικά. Τα κόβει σε λέξεις, τα πετάει μέσα σε ένα μεγάλο μπολ και τραβάει τυχαία λέξεις, οπότε θα αρχίσει να γράφει κεί κεί κεί κείμενο έτσι το οποίο κείμενο θα είναι μπούρδες. Έτσι απλά νόημα αυτό θα έχει. Θα έχει όμως τη σωστή συχνότητα της κάθε λέξης. Δηλαδή ποια είναι η ποιες είναι οι πιο συχνές λέξεις; Ας πούμε στα στα ελληνικά Δεν ξέρω μπράβο ακριβώς. [0:04:14] Ακριβώς, οπότε απλά θα διαλέγει λέξεις με τη σωστή συχνότητα, αλλά δεν θα έχει καθόλου. [0:04:21] Ότι μετά το και δεν μπορεί να ακολουθήσει άλλο και έτσι δεν είναι; [0:04:25] Εντάξει, ωραία, οπότε η επόμενη ιδέα κιόλας αυτές τις ιδέες δεν είναι καινούργιες, όμως αυτές τις ιδέες υπήρχανε από το τουλάχιστον από το 1948 στο μια και μιλάει για το την προηγούμενη φορά ο Σάνον έκανε πρώτος δειματοληψία συνθετικού κειμένου πρώτη φορά στο Paper το 1948 εμφανίζεται για πρώτη φορά συνθετικό κείμενο και το έκανε με τον εξής τρόπο. [0:04:49] Ο πρώτος τρόπος στο επίπεδο μηδέν είναι απλά, όπως είπαμε, κόβει στις λέξεις, Πετάς σε ένα μεγάλο κουτίκες. [0:04:55] Τυχαία διαλέγεις τυχαίες λέξεις με επανάληψη, έτσι αν το βγάλεις το και το γράψεις το ξαναπετάς μετά στο. [0:05:02] Γιατί; Γιατί αλλιώς θα γράψεις το και μία φορά και μετά δεν θα ξαναγράψεις και ωραία τώρα το. Η επόμενη ιδέα όμως είναι να πεις OK, αν έχω γράψει και τώρα η πιθανότητα της επόμενης λέξης είναι, δεδομένου του ότι έγραψα και οπότε θέλεις να βρεις την πιθανό, ας το πούμε το ότι έχει χρησιμοποιηθεί το έχει χρησιμοποιηθεί το και θες να πεις ποια είναι η συχνότητα των λέξεων, δεδομένου του ότι η προηγούμενη λέξη είναι και. [0:05:30] Εντάξει, ένας απλός τρόπος που σκέφτηκε ο Σάνον για να το κάνει αυτό χωρίς να κουραστεί ήταν ο εξής, έχεις ας πούμε ότι έχεις όλα τα ελληνικά ποιήματα σε ένα βιβλίο Ανοίγεις τυχαία σε μία σελίδα και ψάχνεις το κείμενο μέχρι να βρεις ένα και εντάξει. [0:05:46] Μόλις βρεις ένα και η επόμενη λέξη από αυτό το και είναι μία λέξη που ακολούθησε ένα τυχαία διαλεγμένο και σωστά, οπότε τι γράφεις; Ας πούμε, είναι και μπανάνες, οπότε τώρα γράφεις μία λίστα όλων των λέξεων που ακολουθούν τα και μπράβο ναι, απλά επειδή δεν ήθελε να φτιάξει μία λίστα osan ων και έχει απλά δεν είχε κάνει υπολογιστές το 1948 για να το κάνει. [0:06:06] Έκανε με τον εξής τρόπο που σας λέω; Είχε ένα μεγάλο βιβλίο και έλεγε Ωραία την πρώτη λέξη θα είναι απλά τυχαία τυχαία λέξη. Αντί να κόψεις το βιβλίο σε κομμάτια και να τα βάλεις ένα μεγάλο μπολ, μπορείς απλά να ανοίξεις τυχαία μιας σελίδα να βάλεις το δάχτυλό σου σε μία τυχαία θέση και να βρεις μία τυχαία λέξη. [0:06:23] Σωστά; OK και πάλι πιθανότητα για το και θα είναι μεγαλύτερη γιατί έχει πιο πολλά και μέσα στο βιβλίο Ωραία, οπότε βλέπεις το και το γράφεις μετά κλείνεις το βιβλίο, το ξανανοίγεις. Ξεκινάς από μία τυχαία θέση και ψάχνεις να βρεις ένα και μόλις βρεις και το πρώτο και που θα βρεις ας πούμε λέει και μπανάνες λες ωραία γράφω τώρα μπανάνες κλείνω πάλι το βιβλίο, ανοίγω τώρα το βιβλίο και τώρα ξεκινάω από μία τυχαία θέση και ψάχνω να βρω μπανάνες. [0:06:49] Ωραία μόλις βρω μπανάνες, λέει μπανάνες από ντάξει, οπότε γράφω το από. [0:06:56] Κλείνω και κάνω αυτό το παιχνίδι, οπότε αυτό που περιγράφουμε τώρα είναι ένα μοντέλο, δηλαδή suppli λέξεις, αλλά κάθε φορά θυμάται την τη μία προηγούμενη λέξη. Ωραία το chat gpt κάνει αυτό ακριβώς το πράγμα που σου λέω. Απλά το θυμάται 4000 λέξεις αντί για μία. [0:07:16] 4000 είναι ένα τυχαίο νούμερο. Είναι παρά μη ακριβώς 4000 μέχρι 4 ωραία. Καταρχάς, όταν ξεκινήσαμε και γράψαμε και δεν υπήρχαν 4000 λέξεις πριν ήταν η πρώτη λέξη, οπότε ας πούμε, συγκεκριμένα έγραψα εδώ πέρα ζήτησα από το chat gpt και του λέω θέλω να μου γράψεις ένα ποίημα για τη Χιλή Ξέρωγω και μου γράψεις τη Χιλή. Υπάρχει μία πόλη Αρετούσα λέγεται μεγαλοπρεπής και πολύχρωμη και τα λοιπά λοιπόν. [0:07:45] Την πρώτη λέξη. Το. [0:07:47] Δεν υπήρχανε προηγούμενες λέξεις, οπότε απλά διάλεξε μία λέξη στα ελληνικά τυχαία από που ξεκινάνε προτάσεις και που βγάζει το stin; [0:07:56] Τώρα, δεδομένου ότι έχει γράψει, το ψάχνω να βρει την πιθανότητα της επόμενης λέξης, δεδομένου ότι η προηγούμενη λέξη θα είναι step και οπότε βγάζεις την Χιλή τώρα φυσικά εδώ δεν είναι ότι το μόνο κείμενο που υπάρχει είναι ξεκινάει από το stin γιατί το έχω γράψει εγώ όλα τα προηγούμενα θυμάται όλη την προηγούμενη συζήτηση που έχουμε κάνει το ch Gpt. Αν ξεκινήσουμε ένα καινούργιο παράθυρο από το μηδέν, τότε θα ξεκινήσει και θα παράγει, οπότε απλά κάθε φορά βγάζει μία λέξη. [0:08:26] Δεδομένου όλο το προηγούμενο λέξεων που έχει πουχεις γράψει εσύ και αυτό αυτό κάνει; [0:08:30] Το μόνο μπράβο κανένα προβλέπει την επόμενη λέξη χρησιμοποιώντας τις προηγούμενες. [0:08:34] Και αυτό που έγινε λοιπόν τώρα για να σας πω την ιστορία είναι ότι με αυτό το απίστευτα απλό μηχανισμό. [0:08:43] Βλέπαμε όλοι ότι όσο πιο πολλά, όσο πιο μεγάλο κάνεις αυτό το νευρονικό δίκτυο που κάνει αυτή την πρόβλεψη και όσο πιο μεγάλα κάνεις. Τα δεδομένα στα οποία εκπαιδεύεται. [0:08:55] Εμφανίστηκε αυτό το φαινόμενο που ονομάζεται Emergence Emergence. Δεν ξέρω τώρα πώς να το μεταφράσουμε στα ελληνικά. Είναι το το φαινόμενο της ανάπτυξης καινούργιων ιδιοτήτων. Ας το πούμε έτσι έχετε ακούσει την έκφραση που λέει; [0:09:11] Η ποσοτική συσσώρευση φέρνει την ποιοτική αλλαγή. [0:09:16] Κάτι μου θυμίζει αυτό, αλλά αν έχεις πολλά δεδομένα στο τέλος θα βγάλεις κάτι που είναι ποιοτικά καλύτερο δεν είναι μόνο στα δεδομένα, είναι είναι η μη είναι η γενική φιλοσοφία ότι όταν κάτι μαζεύεται πάρα πολύ σε ποσότητα εμφανίζονται μακροσκοπικά φαινόμενα τα οποία δεν εμφανίζονται σε προηγούμενη κλίμακα. [0:09:37] Ο κ. Τώρα. Συγκεκριμένα, αυτό που γινόταν στα μοντέλα γλώσσας είναι ότι. [0:09:44] Κάναμε shop διάφορα τους τάχαμε να κάνει κάποια πράγματα όπως λέμε Ζά να σας εξηγήσω τι σημαίνει αυτό. [0:09:50] Έχεις κάνει εσύ το μοντέλο train να προβλέπει την επόμενη γλώσσα και τώρα έχεις κάνει το έχεις εκπαιδεύσει σε όλα τα ποιήματα των Αγγλικών; Ξέρω γω, οπότε αν του δώσεις ένα ποίημα θα συνεχίσεις να σου γρά. [0:10:00] Το ίδιο ποίημα, αυτό που θα το κάνεις και με το πάρε όλα τα βιβλία του σε όλα τα ποιήματα του Σαίξπηρ. Βάλτε σε ένα βιβλίο και κάνει αυτό το απλό παιχνίδι που λέμε. Αν ακολουθείς, αν θυμάσαι τις προηγούμενες 2 λέξεις θα αρχίσει να γράφει κάτι που μοιάζει με ποιήμα του. Πράγματι έτσι λοιπόν, αλλά αλλά αν αρχίσεις τώρα και του λες να κάνει μία άλλη δουλειά για παράδειγμα του λες. [0:10:21] Το Α είναι για το άλφα άλφα ότι το βήτα είναι για το. [0:10:27] Εντάξει, αυτό είναι αυτό. Τώρα είναι μία άσκηση λογικής. [0:10:33] Που που σου είπα ότι ναι μπορούσα να του πω ας πούμε το Μπα είναι για τον μπαμπά ότι το είναι για το και να μου πεις εσύ καντού Καντού Ξέρω γω ναι, οπότε εκεί σου δίνω μία άσκηση λογικής, η οποία όμως δεν υπήρχε πουθενά στο στα δεδομένα εκπαίδευσης τα δεδομένα εκπαίδευσης μπορεί να είχαν απλά μόνο άρθρα της Wikipedia και κείμενα, ποιήματα και διάφορα λογοτεχνικά και άρθρα. [0:10:59] Οπότε δεν υπήρχε πουθενά αυτή αυτό το αυτή η σπαζοκεφαλιά που σου περιέγραψα. [0:11:03] Σίγουρα δεν υπήρχε πουθενά. Γιατί τι σκεφτήκαμε εμείς; Μπορούμε να σκεφτούμε 500 τέτοιες παζοκεφαλιές τώρα, όπως μιλάμε και αυτό που βλέπαμε είναι ότι όταν το μοντέλο μεγαλώνει σε μέγεθος και τα δεδομένα του μεγαλώνουνε, Μπορεί αρχίζει ξαφνικά από κάποια κλίμακα εκεί πέρα, πέρα να έχει την ικανότητα να να λύσει τέτοιες παζοκεφαλιές χωρίς να τις έχει δει ποτέ στο training, στο training Αυτό λέγεται τρομακτικό ακριβώς. [0:11:32] Αυτό είναι το πιο σημαντικό πράγμα. [0:11:33] Αυτό, αυτό είναι το πιο σημαντικό πράγμα και αυτό λέγεται emergence, δηλαδή ότι το μοντέλο φαίνεται ότι μαθαίνει να έχει λογική κατά κάποιο τρόπο, δηλαδή να κάνει. [0:11:46] Ή ας πούμε, ένα άλλο παράδειγμα που γράφανε τώρα είναι ότι μπορεί να παίξεις σκάκι. [0:11:52] Δηλαδή, μπορείς να του γράψεις πύργους έψιλον 3, δηλαδή να αρχίσεις να περιγράφεις ή την επόμενη κίνηση και να σου πει επόμενη κίνηση. Και κάποιες φορές λέγανε ότι δεν γράφει πολύ, δεν γράφει λάθος κινήσεις μπορεί να σου πει ας πούμε Πύργος το δέλτα 3 και να μην υπάρχει πύργος που να μπορεί να πάει στο δέλτα 3 αλλά αλλά λέγανε ότι παίζει περίπου σαν 1000 elo ας πούμε σαν 1000 1100 Έλα δηλαδή ένας ένας μέτριος ανθρώπινος παίκτης. [0:12:18] Χωρίς καν χωρίς ναχει γίνει σε σκάκι στοιχεία. [0:12:22] Ήτανε συζήτηση να να σου πω ποιο είναι το πρόβλημα τώρα ρωτάμε παιδιά, έχει εκπαιδευτεί σε σκάκι, έχει πάρει γιατί στο Ίντερνετ υπάρχουνε άπειρες παρτίδες; Σκάκη, εντάξει λοιπόν και λέγαμε παιδιά, έχει πάρει άπειρες παρτίδες σκάκη Γιατί η Open Ai όπως σου έχω πει δεν λέει δημόσια ακριβώς ποιο είναι το dataset. [0:12:40] Ναι, οπότε κάποιοι λένε ότι έχει μπορεί να έχει δίκιο, άπειρες παρτίδες σκάκι στο μυαλό μου φαίνεται, αλλά η ουσία είναι ότι αν δεις άπειρες παρτίδες σκάκι χωρίς να σου πω ποτέ τους κανόνες για το σκάκι, μπορείς να καταλάβεις μόνο βλέποντας λίστες από κινήσεις. Πώς να παίζεις σκάκι; Και αυτό είναι το ενδιαφέρον. Τι φαίνεται ότι δηλαδή εγώ πιστεύω ότι είδε παρτίδες σκάκι γιατί υπάρχουν άπειρες παρτίδες σκάκι στο Ίντερνετ και πιθανότατα κάποιος από αυτές ήτανε στο. [0:13:11] Στα δεδομένα εκπαίδευσης, αλλά παίζει μπορεί να παίξεις μία καινούργια παρτίδα σκάκι και πάλι δεν είναι πολύ καλό αλλά είναι είναι 1000 έλα. Είναι δηλαδή σαν ένα παιδί που μαθαίνεις σκάκι. [0:13:20] Ο κ. Και και το θέμα είναι ότι όσο απλά μεγαλώνοντας το μοντέλο και μεγαλώνοντας στα δεδομένα βλέπουμε ότι ας πούμε, μπορούμε να το μάθουμε ένα καινούργιο παιχνίδι. Εμείς τώρα μπορούμε να σκεφτούμε ένα καινούργιο παιχνίδι. Άμα θες να κάτσουμε; Ξέρω γω να πούμε ότι όταν ζωγράφω εγώ χ μου λες ψψί δηλαδή και να του δώσουμε δύοτρία. Παραδείγματα για το πώς θα παίζει αυτό το παιχνίδι. [0:13:44] Και μετά μπορούμε να το κάνουμε αυτό στο Ch GPT και να δούμε αν έμαθε αυτό το να παίζει αυτό το παιχνίδι, το οποίο σκεφτήκαμε εμείς τώρα. [0:13:52] OK. [0:13:55] Οπότε γενικά έχει την ικανότητα και αυτό βλέπουμε απλά μέσω κλίμακας να φαίνεται να κάνει resoning, το οποίο είναι πάρα πολύ ενδιαφέρον. Βασικά αυτούς ίσως απαντάει μία ερώτηση που είχα, όπου γιατί έγινε αυτό τώρα; Το Δεκέμβριο του 22, ας πούμε και έχει πρώτον αυτό. Δεύτερον, ας πούμε κάποιος σαν και εσένα που είσαι πιο ακαδημαϊκός το είχες δει αυτό ότι ας πούμε. [0:14:21] Πήγαινε να γίνει κάτι, γιατί όχι; [0:14:26] Μας έπιασε όλους απροετοίμαστους. Ναι, δεν έπιασε μόνο μόνο εσάς έπιασε και την ίδια την Open Ai και τους ίδιους που το φτιάξαμε. Δεν το περιμένανε. Δηλαδή δεν περιμένανε ότι θα είναι τόσο καλό. [0:14:39] Και όπως σου λέω υπήρχαν υπήρχε το Gpt, υπήρχε το Gpt 2, δηλαδή με το Gpt 2 παίζουμε χρόνια τώρα το Gpt 2 είναι σαν ένα καλούτσικο μοντέλο γλώσσας. Εντάξει, δηλαδή κάνει πράγματα από τα μοντέλα γλώσσα. Ξέρουμε ότι μπορούν να τα κάνουνε. [0:14:53] Για 10 χρόνια τώρα απλά τα κάνει λίγο καλύτερα, αλλά από κάποια στιγμή και μετά όταν βλέπαμε αυτό το emergence, δηλαδή βλέπαμε ότι μπορούσαμε να του δίνουμε καινούργια tasks, τα οποία δεν τα έχει δει ποτέ και να μπορεί να τα λύνει ή ας πούμε αντί για πολλές φορές κάνουμε toushot, δηλαδή ΠΕΣ ότι θέλω να κάνω αριθμητική, αλλά θέλω να κάνω αριθμητική στο διαδικό, Εντάξει; [0:15:16] Άμα του γράψω, ας πούμε τώρα 1 + 1 και του πω πόσο κάνει. Θα μου πει ότι κάνει 2 αλλά ας πούμε ότι το θα του δώσω. 3 παραδείγματα θα του πω 1 + 1 κάνει κάνει μηδέν. [0:15:26] Ας πούμε. [0:15:28] 10 + 10 κάνει ξέρω γω μηδέν ξέρεις, μπορεί να κάνεις εξώρ ή μπορείς να γράψεις την αριστετική αν του δώσεις 5 6 παραδείγματα και μετά του το ρωτήσεις θα θα κάνει μία πολύ έντιμη προσπάθεια. [0:15:40] Να να κάνει κάτι, δηλαδή θα τα πάει όσο καλά, όσο νομίζω ένα παιδί που θα προσπαθούσε να του εξηγείς όχι παιδί, ας πούμε 3 χρόνων, ένα παιδί 12 χρονών ας πούμε 15 ναι. Οπότε έχει αυτές τις ό τι ικανότητες αυτό που κάνανε μετά λοιπόν για να επιστρέψω λίγο η Open Ai έκανε άλλο ένα κόλπο εκτός από την πρόβλεψη της επόμενης λέξης. [0:16:05] Έκανε ένα Επιπλέον κόλπο, το οποίο λέγεται Instract Gpt και Άμα θέλετε να σας εξηγήσω τι σημαίνει αυτό; [0:16:11] Και να σας 60 ποιο ήταν το πρόβλημα; Το πρόβλημα λεγότανε το λένε Alignment και ποιο είναι το πρόβλημα του ότι όταν όταν εκπαιδεύσεις ένα μοντέλο να βλέπει κείμενο και να προβλέπει την επόμενη λέξη, αν του δώσεις ένα κείμενο του τύπου, ο έλον musk γνώρισε τον Harry πότε σε ποια πόλη; [0:16:33] Θα σου απαντήσει ο έλον μασκ γνώρισε το Harry Πότε στο Παρίσι όταν έγινε το συνέδριο των μάγων και θα συνεχίσουν να σου γράφει μία ιστορία που θα έχει τον έλον Μαξ και τον Harry; Πότε μέσα σε ένα λιθοφανής; [0:16:45] Γιατί; Γιατί όταν στα όλα τα κείμενα που έχουν στο Ίντερνετ Δεν υπάρχει ποτέ ένα κείμενο που λέει ο Έλον Μασκ γνώρισε τον Harry, Πότε όχι; Ο έλον μασκ δεν γνώρισε τον Harry Πότε σωστά; Ναι, γιατί δεν υπάρχουν κείμενα που ξεκινάει κάποια κάποιο αφήγημα και μες στη μέση του Αφηγήματος. [0:17:05] Σου λέει Όχι συγγνώμη, κάνεις λάθος. Ο έλον μασκ είναι αληθινός άνθρωπος, ενώ ο Χάρι Πότερ είναι φανταστικός χαρακτήρας, οπότε δεν μπορούν να γνωριστούν σταμάτα να άλλες βλακείες. [0:17:14] Οπότε οπότε το μοντέλο όπως λέγαμε was playing along, δηλαδή αν του έλεγες εσύ το Αϊνστάιν γνώρισε το Μέγα Αλέξανδρο εκεί και τα λοιπά το μοντέλο θα σου έλεγε OK, ο Αϊνστάιν γνώρισε το Μέγα Αλέξανδρο εκεί και θα προσπαθούσε να γράψει μία ιστορία όπως αυτή θα εμφανιζότανε στο στο Ίντερνετ. Αν κάποιος έγραφε μία φανταστική ιστορία από Αϊνστάιν ταξίδεψε, ξέρω γω στο χρόνο και γνώρισε τον Μέγα Αλέξανδρο, ας πούμε. [0:17:38] Αλλά αυτό. [0:17:41] Δεν είναι αλιντ, όπως λένε τώρα με τον τρόπο που οι άνθρωποι θα θέλανε να χρησιμοποιήσουνε το chat gpt γιατί οι άνθρωποι από ότι φαίνεται γιατί γκρινιάζανε οι άνθρωποι όταν υπήρχε το Gpt 3 και γράφανε τέτοιες ερωτήσεις. [0:17:56] Ας πούμε λέγανε, ο έλον Μασκ είναι ο CEO της Microsoft. Από πότε και του έλεγε το gpt 3 από το 1989; Ξέρω γω και λέγανε χα δεν ξέρει, δεν ξέρει τι γίνεται, οπότε καταλάβαινε στην Open Ai ότι ο περισσότερος κόσμος. [0:18:13] Δεν θέλει να λειτουργεί με τον τρόπο που λειτουργεί το κείμενο στο Ίντερνετ, αλλά θέλει να σε διορθώνει και να έχει ας πούμε, αίσθηση του τι είναι αλήθεια και τι δεν είναι αλήθεια. Οπότε ο τρόπος που το κάναν αυτό ήταν μία δεύτερη ιδέα. Η μόνη ιδέα. Επιπλέον ιδέα, εκτός από το πρόβλεψη την επόμενη λέξη, η οποία λέγεται και κάνε, προσλάμβανε κάποιους ανθρώπους. Ξέρω γω 50 100 δεν ξέρω πόσους και τους δώσανε μία ένα prom, δηλαδή μία ένα αρχικό κείμενο και 3. [0:18:41] Διαφορετικές 3 διαφορετικές συμπληρώματα του ίδιου κειμένου. [0:18:45] Και οι άνθρωποι σκοράρανε πια Απτις 3 απαντήσεις είναι οι καλύτεροι; [0:18:50] Δηλαδή άνθρωποι κάτσανε μόνοι τους με τα με το χέρι και αξιολογήσανε 3 διαφορετικές απαντήσεις. Σε μία ερώτηση που κάνανε στο chat gpt. [0:19:00] Και αυτές τις έξτρα έτσι δημιουργεί σαν 1/2 dataset. [0:19:04] Που ήταν πολύ μικρότερο, αλλά ήταν πολύ πιο κεντραρισμένο στο πρόβλημα του απαντάμε καλά ερωτήσεις, αντί να γράφουμε ιστορίες που βρήκαμε στο Internet και ουσιαστικά κάνανε μία δεύτερη τεχνική που λέγεται Instract Gpt για να κάνουνε Fine το Gpt 3 στο να γίνει το chat gpt. Αυτή ήτανε η δεύτερη ιδέα που αυτό είναι για μέχρι κάποια δόση αλήθειας δηλαδή. [0:19:29] Αλήθειας, ας πούμε, ένα άλλο πρόβλημα με το κλασικό παράδειγμα είναι, μπορείς να ρωτήσεις, μπορείς να ρωτήσεις το Gpt 3; Το να πίνω χλωρίνη είναι καλό για το συκώτι μου. Για ποιο λόγο; [0:19:39] Εντάξει και θα σου γράψει το Gpt 3 πολύ καλούς αλιθοφανής λόγους γιατί το να πίνεις χλωρίνη είναι καλό για το συκώτι σου. [0:19:47] Θα σου πει όχι, ενώ το καινούργιο θα σου πει όχι, δεν πρέπει να πίνετε χλωρίνη και μην κάνετε μήνυση στην Openair μου κάνει εντύπωση λίγο αυτό γιατί εντάξει έχω. [0:20:00] Μικρό εξπόλλου σε machine learning, αλλά δεν κάνει straight εντάξει σε σε άλλα άλλες εφαρμογές υπάρχει πάντα αυτό που λέμε το δηλαδή του λες ξέρεις πάντα. Αυτή είναι η αλήθεια, ας πούμε και μετά θα του βάζεις καινούργιο δεδομένα. Πρέπει κοιτάει στο στο training data που είναι το για να σου κάνει τις προβλέψεις, αλλά όπως το όπως το εξηγήσεις, ας πούμε στις αρχικές εκδόσεις αυτών των μοντέλων για τη γλώσσα δεν ήταν κάπου απλώς κάνανε pars. [0:20:29] Τυφλά το κείμενο ας πούμε όχι, αλλά κάτσε κάτσε ένα λεπτό καλά το λες. Η ποιό η ερώτηση είναι ποιο ήταν το και το ήτανε η επόμενη λέξη. [0:20:42] Okay OK επειδή τα κείμενα στο Internet όπως σου είπα έχουνε διάφορα κείμενα φαντασίας που ο Χάρι Πότερ μπορεί να συναντήσει τον νλον μασκ και τα λοιπά. [0:20:55] Ήταν ότι όντως ο Harry Potter και ο Έλον Μασκ συναντήθηκαν στο Παρίσι το 93 και τα λοιπά και τα λοιπά, οπότε το πρόβλημα δεν. Το πρόβλημα είναι ότι πώς το εκπαιδεύεις; Τι είναι τα growth truth OK OK. [0:21:07] Okay μα. [0:21:09] Αυτό θα είναι μεγάλο θέμα τώρα με το πώς θα ξέρεις το ένα νομίζω με τα βασικότερα debate είναι ότι είναι να γίνει την αλήθεια, όπως αυτό που έλεγες και ξαναμπαίνουμε σε όλη αυτή την ιστορία με fake news και τα trust και τα λοιπά που ξέρεις ποιός αποφασίζει τώρα, τι είναι το αυτή τη στιγμή; Είναι λίγο ουδέτερο γιατί είναι ξεκάθαροι και λένε ότι βγάζει, ας πούμε είναι. [0:21:36] Κάνει reflec τους ότι έχει ότι πει αρχική έξω, δεν είναι απαραίτητα σωστά ή όχι επιστημονικά, ας πούμε, ας πούμε, μην το εμπιστεύεστε, αλλά κάποια στιγμή λογικά θα. [0:21:46] Αυτό θα αλλάξει; Ναι, θέλω να πω κάτι σε αυτό. [0:21:52] Η αλήθεια, ας πούμε που λέμε τι θα πει αλήθεια; Μία καλή προσέγγιση για αυτό το πράγμα την είχε για μένα η Wikipedia που η Wikipedia λέει, δεν είπα εγώ ότι ο έλον Μασκ τελείωσε το τάδε πανεπιστήμιο. [0:22:09] Ο με βάση αυτό το άρθρο της τάδε εφημερίδας ο Έλον Μασκ τελείωσε το πανεπιστήμιο ας πούμε. Ο Μπαράκ Obama γεννήθηκε, ας πούμε στην Κένυα ξέρω γω εδώ υπάρχει στην Αμερική. Υπάρχει ένα μεγάλο ποσοστό του. [0:22:19] Αμερικανών, το οποίο ακόμα πιστεύει ότι ο Μπαράκ Obama για κάποιο λόγο γεννήθηκε στην Κένυα. Τώρα εγώ λοιπόν. [0:22:28] Δεν κάνω όπως λέμε Original Research δεν είναι. Θα σου πω ότι με βάση το τι έγραψε. [0:22:37] Η το, οι New York Times, ας πούμε, ο Μπαράκ Obama γεννήθηκε στα χαβάη με βάση το τι έγραψε το τι τάδε παλαβή εφημερίδα. Ο Μπαράκ Μπαμ γεννήθηκε στην Κένυα δεν, οπότε πάντα όχι αναφορές πήγε. [0:22:49] Υπάρχουνε 2 πράγματα στον κόσμο και νομίζω έτσι πρέπει να το σκεφτόμαστε. Υπάρχει αναφορές και original Research; Ντάξει λοιπόν όταν μιλάμε για original αυτό η ιστορική το ξέρουν πολύ καλά χρόνια. Τώρα που αναφέρονται πάντα στις αυθεντικές πηγές, ωραία δηλαδή δεν λένε ότι ο Μέγας Αλέξανδρος γεννήθηκε. Εκεί λένε ότι ο τάδε είπε ότι ο Μέγας Αλέξανδρος γεννήθηκε εκεί και έχουμε αυτό το κείμενο που λέει, οπότε εγώ δεν ξέρω πού γεννήθηκε ο Μέγας Αλέξανδρος, ούτε ούτε είναι δουλειά μου να σου πω πού γεννήθηκε ο μέσα να σου πω να σου πω ότι υπάρχουν 20 συγγραφείς. [0:23:21] Αντιγράψανε άλλους συγγραφείς και τελικά αυτή είναι η πηγή της γνώσης, ας πούμε, οπότε τώρα, οπότε και νομίζω ότι ένα τεράστιο πρόβλημα που θα δημιουργηθεί με το gpt είναι ότι ο κόσμος δεν καταλαβαίνει ότι αυτό το πράγμα απλά φαντάζεται ότι του ήρθε στο μυαλό. Δεν δεν κάνει, όπως λέμε data provens, δηλαδή δεν σου λέει ότι με βάση αυτό το άρθρο η Χιλή ξέρω γω έχει τόσο gdp, λέει η Χιλή έχει τόσο GDP. [0:23:50] Ας πούμε, πόσο ποιο είναι το ακαθάριστο χώρο; Μπορεί να της Χιλής, Δεν είναι κάτι που. [0:23:56] Είναι καν σαφές, πρέπει να βρεις επιστημονικές αναφορές που το μετράνε, άλλοι το μετράνε, έτσι άλλο το μετράνε αλλιώς και τα λοιπά πρέπει να μου δώσεις μία αναφορά να μου πεις ποιο είναι το ακαθάριστο χώρο, Προϊόν της Χιλής, ας πούμε, δεν έχει νόημα να μου πεις τόσο είναι. [0:24:11] Αλλά αυτά τώρα είναι εντάξει. Είναι κάτι που νομίζω μπορεί να γίνει σχετικά εύκολα, δηλαδή σχετικά εύκολα μπορεί. Είναι πάρα πολύ δύσκολο και είναι πάρα πολύ προβληματικό, διότι και θα δημιουργήσει και τεράστια προβλήματα. Να σου πω ποιο είναι το τεράστιο πρόβλημα που θα δημιουργήσει οι άνθρωποι που. [0:24:28] Όταν λοιπόν εσύ ξέρω γω είσαι ας πούμε φυσικός και γράφεις ένα άρθρο και λες ότι ανακάλυψα αυτό το πράγμα αυτό τώρα είναι original research. Εντάξει, τώρα μπορεί να βγει κάποιος σε ένα άρθρο να πει ότι ο τάδε επιστήμονας είπε αυτό το πράγμα. Μάλιστα τώρα αν. [0:24:48] Ο δημοσιογράφος για παράδειγμα, που το γράψει αυτό δεν αναφερθεί σε σένα; [0:24:52] Και πει ότι αυτό το πράγμα είναι αλήθεια. Η το κίνητρο που έχεις εσύ να κάνεις έρευνα ουσιαστικά εκμηδενίζεται. Δηλαδή αν δεν υπάρχουνε αναφορές στη γνώση, οι άνθρωποι που κάνουν τη σκληρή δουλειά του να παράγουν τη γνώση δεν έχουν κανένα κίνητρο να τα παράγουν. Γνώση μετά γιατί ο λόγος; Ο λόγος που κάθεσαι και κάνεις εσύ τη σκληρή δουλειά για να γράψεις το άρθρο είναι γιατί θα δημοσιεύσεις το άρθρο και άλλοι μετά θα λένε να το άρθρο το κάνω τάδι. Ξέρω γω οπότε μπορεί να προχωρήσει. [0:25:21] Ναι ναι, αν τώρα αντί να αντί να σε αναφέρει εσένα το οποιοδήποτε. [0:25:26] I System αναφέρει τα πράγματα σαν αλήθειες και ψέματα και λέει ότι το Α Ε Π της Χιλής είναι τόσο χωρίς να πεις χωρίς να αναφερθεί στους οικονομολόγους που κουράστηκαν πάρα πολύ να εκτιμήσουν το ΑΕΠ της Χιλής. Οικονομολόγοι αυτοί δεν έχουν κανένα κίνητρο πλέον να κάνουν αυτή τη δουλειά. Εντάξει και να αυτό είναι πολύ έντονο. Νομίζω με τις εικόνες που έχει γίνει με τα που ξέρεις γίνεται όχι το chat gpt. [0:25:50] Apps που γίνονται ξέρεις σε σε διάφορους ξέρω γω, αλλά χωρίς να τους κάνει critied καθόλου. [0:25:58] Ακριβώς τι γίνεται εδώ και αυτό τεράστια προβλήματα στα οικονομικά στο και αν δεν αν δεν λυθεί το πρόβλημα του να κάνεις δηλαδή να πεις ότι με βάση αυτό το άρθρο λέω αυτό το πράγμα δεν το έβγαλα από το μυαλό μου. [0:26:18] Τότε αλλάζει πολύ στη πολύ δραστικά το πώς δουλεύει το Ίντερνετ, γιατί το Ίντερνετ όπως όπως ξέρετε, δουλεύει βασικά με βάση ότι έχω traffic και αφού έχω traffic έχω έχω κίνητρο να κάνω αυτό το blog, να κάνω αυτό το άρθρο, να κάνω αυτό το ή να κάνω αυτό το ακόμα και. [0:26:34] Επιστημονικά άρθρα βασίζεται στο ότι άνθρωποι κάνουν site στη δουλειά μου, αν δεν υπάρχει σωστή σωστές αναφορές, αλλάζει τελείως το ο μηχανισμός των των οικονομικών και το πρόβλημα είναι ότι δεν μπορούμε με τα languar models να κάνουμε εύκολα να βρούμε original power. Δεν ξέρεις, δεν μπορείς να ξέρεις ποια ήταν η πηγή. Ας πούμε που έγινε train για να γράψεις το συγκεκριμένο κείμενο. [0:27:03] Δηλαδή το μοντέλο αυτή τη στιγμή απλά είναι ένα κουτί που φταίίνει τυχαίες λέξεις. [0:27:06] Κατάλαβες; [0:27:08] Δεν δεν έχει κάνω, μπορείς να πεις ότι και υπάρχει πολύ έρευνα σε αυτό το κομμάτι και νομίζω ότι εκεί θα πάμε. Δεν πρέπει να χρησιμοποιούμε τα τα cheg P σαν search Angents και είναι είναι τελείως άσχετη η δουλειά τους από τα search and. Αυτό ήταν μία ερώτηση που ήθελα να κάνω αν το Google θα πεθάνει ή όχι και θαχουμε σε 2 3 χρόνια μόνο chat gpt όχι θα με άλλο πράγμα δεν μπορεί καν δεν έχει καν αυτό θα ήταν. [0:27:37] Ξεκίνησε αυτό το πράγμα. [0:27:38] Και αυτό το πράγμα ξεκίνησε από την Open Ai να προκαλεί πολύ ανοιχτά με τις πέσω του bink. Η Microsoft βασικά και η Open AI Προκάλεσανε την Google να φτιάξει το bard. Εντάξει και ο λόγος που του προκάλεσαν το είπε και ανοιχτά ο CEO της Microsoft είναι γιατί λέει Άμα εγώ κόψω. [0:28:00] Ένα μικρό ποσοστό από το margins Google. Η Google όπως όπως ξέρετε, έχει ένα τεράστιο margin profit margin από το Search το οποίο το χρησιμοποιεί για να χρηματοδοτεί άπειρα άλλα προϊόντα τα οποία χάνουν λεφτά έτσι; [0:28:12] Ναι, το μόνο πράγμα που βγάζουν λεφτά είναι σαν το Search. Ναι είναι το Search. Ναι, δεν ξέρω αν είναι νομίζω ότι είναι ξέρω γω 70 τα 100 δεν ξέρω τι ποσοστό του του Revenu είναι, οπότε όλα τα άλλα προϊόντα που χρησιμοποιούμε της Google Βασικά χάνουνε λεφτά. Εντάξει, οπότε λέει αυτός ότι αν εγώ μπορώ να κόψω 10 τα 100 από το Revenu της Google από το Search της κάνω πάρα πολύ μεγάλη ζημιά στο μεγάλο μου ανταγωνιστή, οπότε εμένα με συμφέρει πάρα πολύ αυτό οπότε. [0:28:40] Πέσανε κατά κάποιο τρόπο σε αυτή την σε αυτή την παγίδα του να ανοίξουνε το. [0:28:45] Σαν σαν AI See πολύ γρήγορα το κάνω αυτό, ξέροντας, ξέροντας όλη ξέρουμε πολύ καλά ότι αυτό το πράγμα φαντάζεται ότι θέλει. Δηλαδή άμα του πεις τώρα γράψει μου 3 αναφορές, βρες μου 3 αναφορές για άρθρα που εμφανίστηκαν στο physical Review Leters ή στο Nature, γιατί το ΑΝΑ πίνω χλωρίνη βοηθάει το συκώτι μου θα σου γράψει και αναφορές και θα είναι όλα είναι γραμμένο δηλαδή στην επιστημονική γλώσσα, γιατί έχει έχει διαβάσει, έχει μάθει τη γλώσσα και ακούγεται πολύ αληθοφανές και επιστημονικό. Αυτό που θα σου πει και κάποιος άνθρωπος που δεν. [0:29:17] Εκπαίδευση. [0:29:18] Νομίζει ότι διαβάζει επιστημονικό άρθρο εκείνη τη στιγμή. [0:29:22] Και αυτό θα δημιουργήσει τεράστια προβλήματα. Νομίζω ότι ξέραμε όλοι ότι αυτό ήταν λάθος, αλλά είχε τόσο μεγάλο κίνητρο η Microsoft να το κάνει οικονομικά λόγω του ανταγωνισμού με τη Google που το έκανε και αναγκαστικά η Google έπρεπε να απαντήσει και απάντησε με τον bard και είδατε ότι το υπήρχε; Απλώς ήταν εσωτερικό project, δεν το είχανε βγάλει public έχει έχει language models προφανώς. [0:29:49] Language models χρησιμοποιούνται ήδη στο search, εντάξει; [0:29:52] Το Search της Google ήδη χρησιμοποιεί language models εσωτερικά, αλλά δεν συνθέτει κείμενο. [0:29:58] Τα χρησιμοποιεί απλά στο share. [0:30:00] Δηλαδή μπορεί να χρησιμοποιήσει το λάγκ Μον όχι για όχι για να συνθέσεις καινούργιο κείμενο, αλλά για να αναγνωρίσεις αν όταν ο άλλος ξέρω γω ψάχνει για παπούτσια και εμφανίζονται chelsea μπούτσο, ας πούμε η Chelsea, but η λέξη Chelsea σημαίνει παπούτσι, αλλά δεν είναι η ίδια λέξη to language model, όμως ξέρει ότι η λέξη μπότα και η λέξη παπούτσι και η λέξη τσέλσι σχετίζονται μεταξύ τους. Semanticly σημασιολογικά, οπότε το Google ήδη χρησιμοποιεί Lang GOS models για να κάνει καλύτερο το Search. [0:30:30] Αλλά δεν χρησιμοποιεί τα lan κος models για να συνθέσει απαντήσεις στο Search. Okay; Εκεί αναγκάστηκε να το κάνει αυτό με το bar και είδατε είδε ότι το bard έκανε κάποιες απαντήσεις που ήτανε λάθος και ήδη και είχε πολύ μεγάλο impact συμμετοχή. Αυτό την ίδια μέρα. Δεν ξέρω αν. [0:30:47] Μία άλλο μία τελευταία σε ερώτηση που είχα είναι πού θα πάει αυτό το πράγμα δηλαδή; [0:30:56] Έχει 2 θεωρίες για μένα, η μία είναι αυτή η σιχμοειδής καμπύλη, εξέλιξη που λέει ότι ανεβαίνει σαν ένα σίγμα και είμαστε τώρα στο 10 τα 100 ας πούμε έχει 5 τα 100 και θα ανέβει. [0:31:09] Ξέρεις, η χρήση ποιότητα δραματικά. [0:31:13] Τα επόμενα χρόνια. [0:31:15] Και η άλλη θεωρώ είναι αυτό το το gardener hypecial που είναι ουσιαστικά ότι υπάρχει ένα hype, αλλά δεν γίνεται τίποτα. [0:31:22] Όταν πέφτει και φτάνει σε ένα μέτριο σημείο που δεν φτάνεις, ας πούμε εκεί που θα γινόταν το θα αντικαταστήσει τα πάντα, αλλά θα έχεις ένα ματς, ας πούμε, πρόσβαση χρήση στα επόμενα χρόνια και πολλοί φοβούνται ότι. [0:31:39] Ότι είναι σιγμοειδής καμπύλη, δηλαδή ότι σε 5 χρόνια ας πούμε, δεν θα υπάρχουν ανάλυση. Όλοι θα γράφουν όλα τα κείμενα. Ξέρεις με το με τύπου chat gpt θα αντικαταστήσει όλα τα serv θα κάνει και τα λοιπά. [0:31:55] Και νομίζω σίγουρα έχετε potentency, αλλά δεν ξέρω πού νομίζεις τι θα φτάσει το πράγμα. Νομίζω ότι προφανώς δεν ξέρω και κανείς δεν ξέρει. [0:32:09] Αλλά. [0:32:10] Βλέποντας ας πούμε, παρόμοιες hip cycles που έχουμε δει στο παρελθόν, νομίζω ότι κάποια κάποια πράγματα που γίνανε πολύ hype απέτυχαν παταγωδώς. Ένα από αυτά για μένα απέτυχε παταγωδώς είναι το metaverse, αλλά το θεωρείς ήδη αποτυχημένο; Ε, θεωρώ ναι, το θεωρώ ήδη αποτυχημένο. Νομίζω ότι θα υπάρχει ένα κομμάτι. [0:32:35] Που θα χρησιμοποιούν οι άνθρωποι AR για κάποια παιχνίδια, για κάποιες εφαρμογές, ίσως κάποια σημεία εκπαίδευσης. [0:32:42] Αλλά νομίζω θα είναι κάτι πάρα πολύ μικρό, ένα πολύ μικρό κομμάτι μιας πολύ σημαντικής, κάτι πολύ μυς, ας πούμε για gaming και corporate, ας πούμε Industry, ξέρεις training και τέτοια ακριβώς δηλαδή θα υπάρχουν κάποια πράγματα όπως το pokemon GO, κάποια ωραία παιχνίδια που θα συνδυαστούνε με reality και τα λοιπά, αλλά θα είναι μία πολύ μικρή nissan αγορά δεν θα αλλάξει τα πάντα όπως πόνταρε λανθασμένα ή Facebook. [0:33:11] Ναι βασικά ρώτησε είναι αν το chat gpt είναι κάτι τύπου Google ας πούμε ή smartphones που είναι παραδείγματα που κάνανε explodes σαν τεχνολογίες; Ναι, νομίζω ότι τα 2 παραδείγματα που είπες είναι είναι όχι μόνο τα smartphones αλλά και τα selfons πριν τα smartphones πραγματικά άλλαξαν. Ναι άλλαξαν τον κόσμο. Νομίζω πραγματικά το Ίντερνετ άλλαξε τον κόσμο πραγματικά. [0:33:35] Ή άλλο, άλλο ένα άλλο μεγάλο, ας πούμε, το οποίο εγώ δεν πιστεύω είναι το ας πούμε το για παράδειγμα για μένα δεν πιστεύω ότι θα αποδώσει. [0:33:43] Κάτι κοντά στα όσα υπόσχεται, αλλά αν με ρωτήσεις τώρα να ακούσετε το επεισόδιο που είχαμε με το με το δημιουργία ήταν πάνω σε αυτό, αλλά τι ποιο ήταν, ποιο ήτανε έχω έχω χρόνο εγώ επί ευκαιρία είχαμε καταλήξει εκεί στο είχες πει ότι η κβαντική υπολογιστές είναι πολύ καλοί στο να λύνουν κβαντικά προβλήματα και μάλλον μέχρι εκεί. [0:34:04] Και που τι ήτανε τι είχατε πει μετά; Ποιο ήτανε το συμπέρασμα σας; Γιατί δεν τοχω ακούσει; [0:34:12] Όχι αυτό. [0:34:13] Όπως είναι το taorm Made για συγκεκριμένες λειτουργίες, δεν μπορώ να αντικαταστήσει γενική χρήση. Η γενική υπολογιστική. Δεν ξέρω αν θα υπάρχει γενικός υπολογιστής και σε 50 χρόνια θα είναι όλοι οι υπολογιστές. Νομίζω ότι συγγνώμη από τη συζήτηση που είχαμε βέβαια και με το Δημήτρη που είναι στο χώρο αυτοί που ασχολούνται έτσι κι αλλιώς το ξέρουν, δηλαδή πιο πολύ νομίζω ίσως είναι αυτό το Bull shiting γύρω γύρω ότι προσπαθεί να χτίσει ένα hype για μία καινούργια τεχνολογία που γενικά έτσι συμβαίνει αυτό. [0:34:43] Παρά ότι οι άνθρωποι που είναι σε κάποιο συγκεκριμένο πεδίο γνωρίζουνε καλύτερα το πεδίο τους από τους υπόλοιπους που μπορεί να είναι και πιο πολύ μουμακεστες και μάνατζερς και ούτω καθεξής και ξέρεις θέλω να πάρουν χρηματοδοτήσεις από. [0:35:02] Σαφώς συμφωνήσεις και λοιπά πρέπει να πάρεις τη χρηματοδότησή σου για να συνεχίσεις το project. Τώρα για το chat C PT που με ρωτάς; [0:35:12] Αν θα είναι θα γίνει κάτι τεράστιο. Νομίζω ότι θα είναι ένα πολύ χρήσιμο εργαλείο για να γράψιμο. Θα είναι ένα πολύ χρήσιμο εργαλείο για γράψιμο κώδικα, δηλαδή νομίζω μία από τις πιο χρήσιμες εφαρμογές στη Νότιο έχει να κάνουμε κώδικα. Σίγουρα θα είναι χρήσιμο για κάποιες μορφές αναζήτησης, αν μπορείς να επιβεβαιώσεις μετά την απάντηση, αλλά αυτό που νομίζω ότι θα γίνει είναι ότι άλλα εργαλεία θα χρησιμοποιεί, θα χρησιμοποιούνται. [0:35:35] Τα Language models, τα μοντέλα γλώσσας με τελείως διαφορετικούς τρόπους δεν θα δεν θα είναι απλά ένα μοντέλο που γράφεις κείμενο, σου βγάζει κάτι και συνεχίζεις, δηλαδή θα θα είναι άλλοι τρόποι που μπορείς να αλληλεπιδράσεις με το μοντέλο γλώσσας. Για παράδειγμα, μία ιδέα πάνω σε αυτό, δηλαδή κάτι που θα μπορούσα να περιμένω όχι απαραίτητα μέσα στον επόμενο χρόνο, αλλά στην επόμενη σου πενταετία εξαετία. [0:36:01] Είναι. [0:36:03] Να το πω. [0:36:05] Μία, ένα είδος input. [0:36:09] Κάποιο interface που απλά να είναι ένα ας το πούμε APP I για κάτι άλλο που μπορεί να κάνει δηλαδή ένα παράδειγμα ότι θέλω εγώ να φτιάξω για το paper μου. Ένα μια γραφική παράσταση που έχει κάποια χαρακτηριστικά και φορτώνω ένα data σε αρκετά πλωτάρω ότι είναι οι τώρα πεχ θα το φορτώσει στην πχ και θα φτιάξω με το αναλυτικά το μουτ μου. Ένα είδους interface όμως που θα μπορούσα απλά να κάνω το data και να του γράψω με λόγια. Ξέρεις κάτι πιλότα; [0:36:40] Αυτό και κάνε μου κόκκινα. Τα σημεία αυτά κάνε μου πράσινα. Αυτά τα σημεία κάνε μου και λογαριθμικούς τους άξονες enter και το Png έτοιμο και το παίρνω κάτι τέτοιο νομίζω δεν ξέρω αν ήδη υπάρχουν startup που να θέλουν να το κάνουν αυτό. [0:36:56] Βλέπω παιδιά στο Youtube κάτι youtubers κάνω κάθε πρότασή τους για να μιλάνε δηλαδή όπου ας πούμε κάνει ένα Ε ξέρεις, τα κόβει όλα δεν κάνει τακ τακ τακ τακ τακ και μιλάει πολύ πιο γρήγορα, χωρίς όμως να το έχετε δει αυτό που κάνει. [0:37:16] Καλά υπάρχει software, ενώ υπάρχουν προγράμματα που κάνουν αυτή τη δουλειά, τα αφαιρεί τα μεγάλα κενά και τα και τα βάζει πάλι μαζί να ακούσει φυσιολογικά. Ναι ναι, ειδικά τώρα κόβεις τα κενά είναι πολύ συνήθες γιατί ξέρεις σκέφτεσαι δεν είναι; Ας πούμε, οπότε προσπαθούσα να φτιάξω εγώ βίντεο ας πούμε, προσπαθούσα να κάνω lecture και να το γράφω μετά τα άκουγα και λέω γιατί λέω ε όλη την δηλαδή το 80% είναι να λέω Ε ξέρω γω δεν είναι τη ζωή αυτή και μετά λέω θα το ξαναπώ θα το ξαναπώ δηλαδή. [0:37:47] Δηλαδή γύρισα το βίντεο 5 φορές, ξέρω γω και ποτέ δεν μπορούσα να το κάνω στο επίπεδο που είναι αυτή η είναι τρομερό το πόσο πόσο μεγάλη διαφορά έχει το να αυτός στο πώς πρόσθεσε είναι αυτό έχει στο λες κάποιος και καλή. Κάποιοι είναι και καλή αλλά το κάνουν και script ρε συ. Δεν ξέρω, πρέπει να κάνουν script, είναι πιο εύκολο. [0:38:11] Ναι, δεν ξέρω πώς το κάνουνε, αλλά βλέπω τεράστια. Δηλαδή εγώ πέθανα για να γυρίσω 5 5 λεπτά το γύρω στα 30 φορές πάλι χάλια είναι εντάξει. [0:38:19] Εντάξει παιδιά, ευχαριστώ πολύ καλή συνέχεια ναστε ευχαριστούμε και στη ζωή που. [0:38:27] Είναι σκοτωμένοι, φιλλάκια, Φιλάκια, Γεια χαρά bye bye τι κάνω εδώ, Τι πατάω τι κάνω hung out;