Research26.09.2026 · 02:502 nguồn
AI của Stanford học các mẫu chung từ dữ liệu thực tế bằng không
Từ marketbrief.now
Một mô hình học tập vừa phát triển khả năng dự đoán hình ảnh, văn bản và giọng nói bằng cách huấn luyện hoàn toàn trên các chuỗi byte tổng hợp thay vì tập dữ liệu tự nhiên. Phương pháp Self-Play Pretraining dùng hai mô hình khởi phát từ trạng thái ngẫu nhiên ban đầu: một bộ sinh viết chương trình cho cỗ máy Turing phổ quát và một mô hình học dự đoán các kết quả đầu ra. Khi bộ sinh tạo ra các chuỗi ngày càng thách thức để thúc đẩy cải tiến, loss khi validation zero-shot của mô hình học trên âm thanh, giai điệu và văn bản thực tế sẽ giảm xuống khi lượng tính toán huấn luyện tăng lên. Nghiên cứu này do Michael Yli, Aditya Cowsik và Kfir Dolev thuộc Stanford NLP đồng chủ trì, cho thấy các thiên kiến quy nạp tổng quát có thể đóng vai trò như một ngữ pháp phổ quát để tìm hiểu về thế giới. Mô hình đã có được năng lực học trong ngữ cảnh mà không cần tiếp xúc với bất kỳ ví dụ do con người tạo ra nào, chứng minh rằng các mẫu chung có thể xuất hiện thông qua quá trình tự chơi. Cách tiếp cận này cho thấy khả năng dịch chuyển khỏi sự phụ thuộc hiện tại vào các tập dữ liệu quy mô lớn do con người tuyển chọn để huấn luyện trước AI.
Nguồn
Lịch sử nội dung (2)
- 2026-10-04 · Tóm tắt · vi · Thay nội dung đã lưuMột mô hình học được phát triển khả năng dự đoán hình ảnh, văn bản và giọng nói bằng cách…Một mô hình học tập vừa phát triển khả năng dự đoán hình ảnh, văn bản và giọng nói bằng c…
- 2026-10-04 · Tiêu đề · vi · Thay nội dung đã lưuStanford AI học các mẫu chung từ không có dữ liệu thế giới thựcAI của Stanford học các mẫu chung từ dữ liệu thực tế bằng không
Bản tin mỗi sáng
Tin quan trọng nhất trong ngày. Miễn phí, hủy bất cứ lúc nào.
Telegram @aihomnay