IT Mindset

Якщо подумати, в будь які часи люди генерують геніальні ідеі на межі здорового глузду. Не вірите, а як що до тактичної ядерної міни яка працювала в холоді завдяки звичайній курки?Blue peacock - секретний британський військовий проєкт часів Холодної війни: тактична ядерна “міна”, яку планували розміщувати в Західній Німеччині на випадок радянського вторгнення. Ідея була не просто підірвати наступаючі війська, а створити зону руйнування й радіоактивного зараження, щоб ускладнити або зробити неможливою окупацію території. Найдивніша частина історії, проблема з холодом. Оскільки міни могли бути закопані в землі взимку, інженери боялися, що механізми можуть відмовити через низьку температуру. Серед запропонованих рішень була ідея помістити всередину корпусу живих курей із запасом їжі та води: їхнє тепло мало підтримувати працездатність системи. Коли документи розсекретили 1 квітня 2004 року, багато хто вирішив, що це першоквітневий жарт, але британські архівісти підтвердили, що документ справжній.https://en.wikipedia.org/wiki/Blue_Peacock

Вийшов дуже цікавий репорт від Apple про мислення в Large Reasonins Models https://ml-site.cdn-apple.com/papers/the-illusion-of-thinking.pdfАвтори ставлять під сумнів традиційні бенчмарки для оцінки мислення — такі як математика і програмування — стверджуючи, що вони можуть містити “забруднення” даних і не відображати справжніх процесів мислення, тому для експериментів використовуються моделі великих мов (LRM), що вирішують процедурні головоломки (наприклад, “Вежа з Ханою”) з контрольованою складністю.Вони виділяють три режими продуктивності: прості задачі, де моделі без справжнього “мислення” іноді перевершують LRMs; середньої складності, де перевага на боці LRMs; і високої складності, де обидва типи моделей втрачають точність до нуля.Дослідники виявили, що LRMs витрачають більше токенів (тобто демонструють більше “мислення”) у міру зростання складності, але лише до певного рівня — після чого, незважаючи на ще доступний ліміт, вони ніби “здаються”.Навіть якщо надати моделям чіткі алгоритми для вирішення цих головоломок, LRMs не можуть їх надійно застосувати, що вказує на обмеження у систематичному мисленні та здатності до узагальнення.Висновок дослідження полягає в тому, що поточні механізми “міркування” в LRMs насамперед віддзеркалюють складне розпізнавання узорів та паттернів, а не справжнє, масштабоване мислення — те, що здається “думанням”, насправді може бути лише ілюзією.