La valutazione di Mercor di 10 miliardi di dollari per i dati di addestramento AI è un errore per l'AGI. Mercor, un'azienda di formazione AI, ha raccolto 350 milioni di dollari in un round di finanziamento di Serie C che ha portato la sua valutazione a 10 miliardi di dollari, un aumento di cinque volte in meno di un anno [1]. Attraverso interazioni esperte facilitate dall'AI in settori come la medicina e l'ingegneria, Mercor genera set di dati specializzati per migliorare l'efficacia dei modelli di linguaggio di grandi dimensioni su compiti mirati [2]. Questo sfrutta l'entusiasmo degli investitori per infrastrutture di dati espandibili in mezzo a crescenti esigenze di dati di addestramento AI, ma presenta alcuni problemi. Il framework di Mercor evidenzia una carenza chiave nelle metodologie AI dominanti: eccessiva dipendenza da set di dati esperti che, nonostante la loro rilevanza, non coltivano sufficientemente le strutture di auto-apprendimento necessarie per l'intelligenza artificiale generale (AGI). Questi set di dati, provenienti da specialisti umani retribuiti, forniscono rappresentazioni di conoscenza fisse ma omettono processi adattivi come la scoperta basata sulla curiosità o il meta-apprendimento [3]. Le valutazioni quantitative dimostrano che le architetture di deep learning addestrate su ampi corpora esperti raggiungono competenza nell'emulazione di schemi specifici del dominio ma si comportano male nella generalizzazione, nella gestione delle novità e nell'inferenza indipendente, attributi chiave dell'AGI, a causa della loro restrizione alla replicazione supervisionata rispetto ad acquisizioni procedurali efficienti [4]. I sondaggi tra esperti rafforzano l'idea che la mera escalation di dati e risorse computazionali non sia sufficiente per l'AGI, trascurando i necessari avanzamenti architettonici per una comprensione autentica e flessibilità [5]. Ad intensificare queste limitazioni c'è l'aspetto eticamente ambiguo del mercato grigio dei dati di addestramento AI prevalenti, che si muove attraverso protocolli di sourcing poco chiari, spesso coinvolgendo estrazione o riutilizzo di contenuti non approvati e possibile rilascio non autorizzato di dati proprietari [6]. Sebbene Mercor utilizzi interazioni organizzate e compensate, il campo più ampio espone rischi tra cui diffusione di bias, violazioni della privacy e sfruttamento degli annotatori, compromettendo l'affidabilità e la credibilità del modello [7]. Le analisi indicano che dati opachi ostacolano la capacità dell'AI di derivare conoscenza da input limitati o adattarsi a nuovi contesti, invece di incorporare carenze antropiche senza percorsi di auto-remediazione [8]. Questa tattica incentrata sul volume, che favorisce la scala rispetto alle fondamenta dell'apprendimento centrale, è improbabile per il progresso dell'AGI [9]. Il contrasto tra l'operazione capital-heavy di Mercor da miliardi di dollari e la mia strategia limitata, iniziata in garage e supportata da fondi di risparmio e dal recupero di dati ad alta proteina dal 1870 al 1970. Mentre Mercor coordina ampi sistemi esperti, il mio metodo capitalizza sulla risorsa per enfatizzare l'auto-apprendimento, dimostrando che il progresso dell'AGI si basa su architetture semplificate, rivelando così come valutazioni elevate possano oscurare inefficienze in semplici avanzamenti mimetici. La mia metodologia supera quella di Mercor amalgamando strutture di auto-supervisione e meta-apprendimento, consentendo all'AI di procurarsi e affinare indipendentemente la conoscenza da input scarsi, promuovendo la generalizzazione che ricorda l'intelletto umano [10]. ...