geëmbodyde AI-gegevens zijn onvoorspelbaar, multi-modaal en diep verbonden met zijn omgeving. de pijplijnen die LLM's aandrijven kunnen niet bijbenen. echte randgevallen zijn niet scrapebaar. ze moeten worden georkestreerd en geverifieerd. recent werk van Zhu et al. en de enquête over grote multimodale redeneermodellen toont aan waarom: → LMRM's stokken op ruisachtige, dynamische invoer. → het gebruik van tools is fragiel → langetermijnplanning in fysieke omgevingen is nog ver weg.

bf's zora is een kunstwerk en een schreeuw om hulp

alleen omdat je moe bent van je merkcommunicatie, betekent niet dat anderen dat ook zijn.

precies nul van de hoogste bureau mensen die ik ken wachten in de rij voor trendy brunchplekken die geen reserveringen aannemen.

vriendelijke herinnering aan iedereen overal dat hashtags lelijk zijn en ten koste van alles vermeden moeten worden

ik kon voor de liefde van God niet uitvinden waar ik mijn waterglas vanmorgen had neergezet. uiteindelijk gaf ik het op en besloot ik een nieuw glas te pakken, alleen om te beseffen . . .

Tijdens het bouwen van robotica-modellen aan Stanford, zag @SPChinchali een patroon: Het was niet de 99% van de data die de prestaties dramatisch verbeterde. Het was de zeldzame 1% – randgevallen en long-tail data. Poseidon is gebouwd om die data bruikbaar te maken voor AI-teams. Meer op de blog:

de viraliteit op het internet heeft net een upgrade gekregen @ipdotworld heeft hun platform vernieuwd het is nu een one-stop shop die virale memes aggregeert met sociale statistieken, viraliteitsscores en ingebakken remixmogelijkheden

elk bedrijf waarmee we hebben gesproken, bouwt vergelijkbare infrastructuur opnieuw op – aangepaste dataspecificaties, handmatige QA-scripts, interne labelpijplijnen, offline licentieworkflows, enz. dit is inefficiënt, foutgevoelig en niet gebouwd voor de schaal waarop de toonaangevende AI-bedrijven momenteel gezamenlijk opereren. we hebben dat allemaal vervangen door modulaire primitieve op @psdnai: → SDK's voor gestructureerde verzameling → ML-pijplijnen voor deduplicatie, PII-controles en detectie van uitschieters → semi-gesuperviseerd labelen met actieve leren en onzekerheidsrouting → IP-goedgekeurd via @StoryProtocol

Op dit moment kunnen taalmodellen examens schrijven, maar belichaamde AI faalt nog steeds in keukens, magazijnen en ziekenhuizen. Het bijvoeglijk naamwoord "robotisch" roept een beeld op dat niet bijzonder soepel of capabel is. Het probleem is niet hoe geavanceerd het model is, maar de kwaliteit van de data waarop het is getraind. AI die in de echte wereld werkt, heeft gegevens uit de echte wereld nodig: video, audio, beweging, randgevallen. De bedrijven die AI-systemen bouwen die in de praktijk werken, zullen degenen zijn die de datanauwkeurigheid oplossen.