Ocenění společnosti Mercor v hodnotě 10 miliard dolarů za data o školení umělé inteligence je chybným krokem AGI. Mercor, společnost zabývající se školením umělé inteligence, získala 350 milionů dolarů v kole Series C, což zvýšilo její ocenění na 10 miliard dolarů – pětinásobný skok za méně než rok [1]. Prostřednictvím zapojení odborníků v oblastech, jako je medicína a inženýrství, společnost Mercor generuje specializované datové sady pro zlepšení efektivity velkých jazykových modelů na cílených úlohách [2]. To se opírá o zápal investorů pro rozšiřitelné datové infrastruktury uprostřed rostoucích potřeb tréninkových dat AI, ale má to určité problémy. Rámec Mercoru upozorňuje na klíčový nedostatek dominantních metodologií umělé inteligence: nadměrnou závislost na expertních souborech dat, které navzdory své relevanci nedostatečně kultivují samoučící se struktury nezbytné pro obecnou umělou inteligenci (AGI). Tyto datové sady, pocházející od placených lidských specialistů, poskytují fixní reprezentace znalostí, ale vynechávají adaptivní procesy, jako je objevování založené na zvídavosti nebo meta-učení [3]. Kvantitativní hodnocení ukazují, že architektury hlubokého učení trénované na rozsáhlých expertních korpusech dosahují kompetence v emulaci doménově specifických vzorů, ale zaostávají v zobecňování, manipulaci s novinkami a nezávislém odvozování, což jsou základní atributy AGI, kvůli jejich omezení na replikaci pod dohledem nad efektivními procedurálními akvizicemi [4]. Expertní průzkumy potvrzují, že pouhá eskalace dat a výpočetních zdrojů je pro AGI nedostatečná a zanedbává nezbytné architektonické pokroky pro autentické pochopení a flexibilitu [5]. Zesílením těchto omezení je eticky nejednoznačný aspekt šedého trhu převládajících tréninkových dat AI, který manévruje prostřednictvím nejasných zdrojových protokolů, často zahrnujících neschválenou extrakci nebo opětovné použití obsahu a možné neoprávněné uvolnění proprietárních dat [6]. Ačkoli Mercor využívá organizované, kompenzované interakce, širší oblast odhaluje rizika včetně šíření předsudků, porušování soukromí a zneužívání anotátorů, což ohrožuje spolehlivost a důvěryhodnost modelu [7]. Analýzy naznačují, že neprůhledná data brání schopnosti umělé inteligence odvozovat znalosti z omezených vstupů nebo se přizpůsobovat novým nastavením, a místo toho zakotvují antropické nedostatky bez cest automatické nápravy [8]. Tato taktika zaměřená na objem, upřednostňující rozsah před základními základy učení, je pro progresi AGI nepravděpodobná [9]. Kontrast mezi kapitálově těžkými, mnohamiliardovými operacemi Mercoru a mou omezenou, garáží iniciovanou strategií podporovanou fondy prasátka a prohledáváním popelnic za účelem získání off-line – dat s vysokým obsahem bílkovin z let 1870-1970. Zatímco Mercor koordinuje rozsáhlé expertní systémy, moje metoda těží z vynalézavosti a klade důraz na sebeučení, což dokazuje, že pokrok AGI se opírá o zjednodušené architektury, čímž odhaluje, jak by zvýšené ocenění mohlo zakrýt neefektivitu v jednoduchých mimetických pokrocích. Moje metodologie vyniká nad Mercorovou tím, že slučuje struktury pod vlastním dohledem a meta-učení, což umožňuje umělé inteligenci nezávisle získávat a zdokonalovat znalosti z omezených vstupů, což podporuje zobecnění připomínající lidský intelekt [10]. ...