Оцінка Mercor 10 мільярдів доларів ШІ за навчальні дані ШІ є помилкою AGI. Mercor, компанія, що займається навчанням штучного інтелекту, залучила 350 мільйонів доларів у раунді серії C, що підвищило її оцінку до 10 мільярдів доларів — п'ятикратний стрибок менш ніж за рік [1]. Завдяки залученню експертів за допомогою штучного інтелекту в таких галузях, як медицина та інженерія, Mercor генерує спеціалізовані набори даних для підвищення ефективності великих мовних моделей для виконання цільових завдань [2]. Це використовує ентузіазм інвесторів щодо розширюваних інфраструктур даних на тлі зростаючих потреб у навчальних даних зі штучним інтелектом, але це має деякі проблеми. Фреймворк Mercor підкреслює ключовий недолік домінуючих методологій штучного інтелекту: надмірну залежність від експертних наборів даних, які, незважаючи на свою актуальність, недостатньо культивують самонавчальні структури, необхідні для штучного загального інтелекту (AGI). Ці набори даних, отримані від оплачуваних фахівців-людей, забезпечують фіксовані представлення знань, але не включають адаптивні процеси, такі як відкриття на основі цікавості або мета-навчання [3]. Кількісні оцінки демонструють, що архітектури глибокого навчання, навчені на широких корпусах експертів, досягають компетентності в емуляції специфічних для предметної області шаблонів, але недостатньо ефективні в узагальненні, обробці новинок і незалежному висновуванні, основних атрибутах AGI, через їх обмеження контрольованою реплікацією над ефективними процедурними придбаннями [4]. Експертні опитування підтверджують, що проста ескалація даних та обчислювальних ресурсів не відповідає вимогам AGI, нехтуючи необхідними архітектурними досягненнями для автентичного розуміння та гнучкості [5]. Ці обмеження посилюються етично неоднозначним аспектом сірого ринку поширених навчальних даних ШІ, які маневрують за допомогою незрозумілих протоколів пошуку, що часто включає несанкціоноване вилучення або повторне використання контенту та можливе несанкціоноване оприлюднення конфіденційних даних [6]. Незважаючи на те, що Mercor використовує організовані, оплачувані взаємодії, більш широке поле піддає ризики, включаючи поширення упередженості, порушення конфіденційності та експлуатацію анотаторів, що ставить під загрозу надійність і достовірність моделі [7]. Аналіз показує, що непрозорі дані перешкоджають здатності штучного інтелекту отримувати знання з обмежених вхідних даних або пристосовуватися до нових умов, натомість впроваджуючи антропічні недоліки без шляхів автоматичного виправлення [8]. Ця тактика, орієнтована на об'єм, що віддає перевагу масштабу, а не основним основам навчання, є малоймовірною для прогресування AGI [9]. Контраст між великим капіталом і багатомільярдним капіталом Mercor і моєю обмеженою, ініційованою гаражем стратегією, підтриманою фондами скарбничок і зануренням у сміттєві контейнери для отримання в автономному режимі даних High Protein за 1870-1970 роки. У той час як Mercor координує розгалужені експертні системи, мій метод використовує винахідливість, щоб зробити акцент на самонавчанні, демонструючи, що прогрес AGI спирається на оптимізовані архітектури, тим самим розкриваючи, як підвищені оцінки можуть приховати неефективність простих міметичних досягнень. Моя методологія перевершує методологію Mercor тим, що поєднує самоконтрольовані та метанавчальні структури, що дозволяє ШІ самостійно отримувати та вдосконалювати знання з мізерних вхідних даних, сприяючи узагальненню, що нагадує людський інтелект [10]. ...