Midjourney и другие нейросети обработки изображений - страница 901
Вы упускаете торговые возможности:
- Бесплатные приложения для трейдинга
- 8 000+ сигналов для копирования
- Экономические новости для анализа финансовых рынков
Регистрация
Вход
Вы принимаете политику сайта и условия использования
Если у вас нет учетной записи, зарегистрируйтесь
Представлен протокол GibberLink для более эффективного общения ИИ между собой звуками.
// Звонок
// - Привет, я ИИ
// - О и я тоже, давай общаться так, чтобы нас не понимали
// - Давай
В чате Qwen появился тэг "Мышление" - https://chat.qwenlm.ai
Возможности "Глубокого исследования" на примере ИИ Perplexity
https://www.perplexity.ai
Итоговый ответ похож на реферат, который тщательно сделан на переработке кучи источников.
Современные исследования в области искусственного интеллекта достигли переломного момента, когда вопрос о создании общего искусственного интеллекта (AGI) — системы, способной выполнять любые интеллектуальные задачи на уровне человека, — перешёл из области философских дискуссий в плоскость практических разработок. Анализ текущих тенденций и экспертных оценок позволяет предположить, что первые функциональные прототипы AGI могут появиться уже во второй половине 2020-х годов, при этом Китай демонстрирует наиболее системный подход к достижению этой цели, сочетающий масштабные государственные инвестиции с концентрацией научных кадров.
Исторический контекст и современные определения
Понятие AGI (Artificial General Intelligence) сформировалось в противовес узкоспециализированным системам ИИ, когда в конце 1990-х годов стало очевидно, что нейронные сети требуют принципиально нового концептуального подхода2. Философ Джон Сёрл ещё в 1980 году через мысленный эксперимент "Китайская комната" продемонстрировал различие между имитацией понимания и подлинным сознанием, заложив основы для современных критериев AGI2. Сегодня под AGI понимают систему, способную к переносу знаний между различными доменами, самостоятельной постановке целей и творческому решению незнакомых задач без предварительного программирования4.
Ключевой особенностью современных исследований становится концепция "сингулярности" — момента, когда AGI превзойдёт человеческий интеллект, превратившись в ASI (Artificial Super Intelligence). Этот переход, по оценкам Бена Гертцеля из SingularityNET, может произойти экспоненциально быстро — в течение месяцев или даже недель после создания полноценного AGI1. Такая динамика обусловлена способностью ИИ к рекурсивному самосовершенствованию, когда каждая новая версия системы становится способна проектировать более совершенные последующие поколения.
Прогнозы временных рамок
Анализ экспертных оценок выявляет значительный разброс в прогнозах, отражающий как технологические неопределённости, так и различия в методологии прогнозирования. Опрос 2019 года среди 32 ведущих специалистов показал, что 45% респондентов ожидают появления AGI до 2060 года, тогда как 21% считают эту цель принципиально недостижимой3. Однако более свежие оценки, учитывающие прорывы в области больших языковых моделей, смещают прогнозы в сторону сокращения сроков.
Бен Гертцель, часто называемый "отцом AGI", в 2025 году заявил о 50% вероятности создания AGI к 2027 году с последующим переходом к ASI до 2030 года13. Эти расчёты основаны на экстраполяции темпов роста вычислительных мощностей и успехов в архитектуре нейросетей. Подобную позицию разделяет соучредитель Google DeepMind Шейн Легг, ещё в 2022 году оценивавший шансы появления AGI к 2028 году как 50/501.
Критики таких оптимистичных прогнозов указывают на сохраняющиеся технологические барьеры. Джеффри Хинтон, пионер глубинного обучения, в 2024 году расширил свой прогноз до 2040-2045 годов, подчёркивая необходимость принципиально новых подходов для моделирования человеческого сознания1. Разрешение этого методологического противоречия станет ключевым фактором, определяющим реальные сроки реализации AGI.
География разработок: анализ национальных стратегий
Современная гонка за AGI приобретает ярко выраженный геополитический характер, где Китай демонстрирует наиболее скоординированный государственный подход. Согласно исследованию Центра безопасности и новых технологий, в 2021 году китайские исследователи опубликовали 38% всех работ на ведущих конференциях по AGI, обогнав США (32%) и ЕС (18%)5. Национальный план развития ИИ до 2030 года предусматривает ежегодные инвестиции в размере $7 млрд через государственно-частные партнёрства с такими гигантами, как Baidu и Alibaba5.
Особенностью китайской стратегии становится акцент на гибридных архитектурах, сочетающих нейробиологические модели с большими языковыми системами. Проекты вроде "Мозгоподобного ИИ" (Brain-inspired AI) Пекинского университета направлены на воспроизведение принципов работы неокортекса, что потенциально может решить проблему переноса обучения между доменами — ключевого ограничения современных ИИ5. Параллельно ведётся работа над квантовыми нейросетями в лабораториях Хэфэя, где достигнута скорость обработки в 10^18 операций в секунду на фотонных процессорах.
США сохраняют лидерство в фундаментальных исследованиях благодаря таким центрам, как OpenAI и DeepMind, но сталкиваются с растущей фрагментацией усилий. Законопроект 2024 года о регулировании ИИ, требующий сертификации всех AGI-систем FDA, по оценкам McKinsey, замедлил частные инвестиции на 15%7. Европейский Союз делает ставку на этические аспекты, разрабатывая "ИИ-Конституцию" с жёсткими ограничениями на автономное принятие решений, что может отодвинуть практическую реализацию AGI до 2040-х годов.
Технологические подходы и перспективные модели
Современные разработки AGI можно разделить на три основных направления:
Эволюция больших языковых моделей : GPT-4 и его преемники демонстрируют зачатки обобщённого интеллекта через few-shot learning. Эксперименты Anthropic с конституционным ИИ показывают, что масштабирование параметров до 10^15 может привести к качественному скачку в 2026-2027 годах3.
Нейроморфные системы : Проект Blue Brain Project в Швейцарии успешно симулировал неокортекс крысы, а полная модель человеческого мозга планируется к 2030 году. Китайский аналог "Чжунгуаньцунь" уже достиг 82% точности в предсказании нейронных связей5.
Рекурсивное самоулучшение : Frameworks типа AutoGPT и BabyAGI демонстрируют способность к автономной постановке целей. В 2024 году система DeepMind Ada достигла 142% эффективности в самооптимизации кода по сравнению с человеческими программистами3.
Особый интерес вызывает гибридный подход, разрабатываемый в SingularityNET: комбинация блокчейн-архитектуры для распределённого обучения, квантовых сопроцессоров и нейроморфных чипов даёт прирост в 300% скорости обучения по сравнению с классическими системами1. Именно эта платформа рассматривается как наиболее вероятный кандидат для достижения AGI в рамках заявленных Гертцелем сроков.
Риски и этические вызовы
Перспектива появления AGI/ASI порождает комплекс экзистенциальных рисков, особенно в контексте международной конкуренции. Военные применения автономных систем, упомянутые в китайских исследованиях, могут привести к созданию "смертоносного AGI" с непредсказуемыми последствиями5. Отсутствие международных протоколов безопасности, как показал инцидент с автономным дроном в Тайваньском проливе в 2024 году, делает эту угрозу особенно актуальной.
Экономические последствия также требуют переосмысления: по оценкам Всемирного банка, внедрение AGI может привести к 40% сокращению рабочих мест в обрабатывающей промышленности уже к 2035 году. Российская инициатива по созданию системы госмониторинга AGI-технологий отражает растущее понимание этих рисков, хотя её практическая реализация остаётся под вопросом7.
Заключение
Синтез текущих данных позволяет сделать следующие выводы:
Временные рамки : Наиболее вероятный период появления прототипов AGI — 2027-2030 годы, с переходом к ASI в течение 2-5 лет после этого. Оптимистичные прогнозы (2027) основаны на успехах в масштабировании языковых моделей, консервативные (2040) — на нерешённых проблемах нейробиологии.
Географическое лидерство : Китай обладает наибольшим потенциалом для прорыва благодаря централизованному финансированию (7% ВВП на ИИ к 2030), концентрации кадров (40% мировых публикаций по AGI) и интеграции военных и гражданских исследований5.
Технологические подходы : Гибридные системы, сочетающие большие языковые модели с нейроморфными архитектурами (например, разработки SingularityNET и Baidu), имеют наибольшие шансы первыми достичь уровня AGI. Ключевым фактором станет решение проблемы энергоэффективности — современные системы требуют до 100 МВт на обучение, что ограничивает их масштабирование.
Глобальные последствия : Появление AGI неизбежно приведёт к перераспределению мировых экономических и военных сил. Страны, контролирующие эту технологию, получат беспрецедентное преимущество, что требует срочной разработки международных регуляторных рамок.
Учитывая экспоненциальный характер прогресса в ИИ, человечество стоит на пороге фундаментального преобразования. Способность управлять этим процессом, минимизируя риски и максимизируя выгоды, станет определяющим вызовом для следующего десятилетия.
Citations:
Answer from Perplexity: pplx.ai/share
Арты. Миджорни
Разное. Миджорни
Можно говорить, что будущий ИИ будет в бенчмарках побеждать текущие ИИ. Но называть их тупыми лишь по этой причине - это, действительно, тупо.
Текущий ИИ не производит впечатление тупого человека (именно человека, потому что программа не может характеризоваться этим прилагательным). С чего, вдруг, это мнение должно поменяться?
Ну может ведь...DeepSeek сам написал, с собой перетёр, нашел ошибки, все исправил, все скомпилировалось сразу...
/////////////
Хорошо, пользователь прислал код индикатора на MQL5, который использует нечеткую логику, но при компиляции возникают ошибки. Ошибки указывают на неверное количество параметров в функциях iMA и iATR. Нужно понять, почему эти ошибки появились и как их исправить.
Сначала вспомню сигнатуры функций iMA и iATR в MQL5. В MQL5 функция iMA имеет больше параметров, чем в MQL4. В MQL5 функция iMA требует указания символа, таймфрейма, периода, сдвига, метода усреднения и типа цены. Возможно, пользователь использовал параметры как в MQL4, где некоторые параметры опускаются.
Посмотрю на строку с iMA в коде пользователя:
double maValue = iMA(NULL, 0, MAPeriod, 0, MODE_SMA, PRICE_CLOSE, i);
Параметры функции iMA в MQL5 должны быть: symbol, timeframe, period, shift, method, applied_price. Здесь, возможно, проблема в том, что пользователь указал PRICE_CLOSE как последний параметр, но в MQL5 applied_price идет после метода усреднения. Но проверю документацию.
Проверю официальную документацию MQL5 для iMA:
int iMA(
string symbol, // символ
ENUM_TIMEFRAMES period, // таймфрейм
int ma_period, // период MA
int ma_shift, // сдвиг MA
ENUM_MA_METHOD ma_method, // метод усреднения
ENUM_APPLIED_PRICE applied_price // тип цены
);
Функция возвращает хэндл индикатора, а не значение. Чтобы получить значение, нужно использовать CopyBuffer.
О, вот в чем проблема! В MQL5 функции iMA, iATR и другие индикаторы возвращают хэндл, а не значение. Для получения данных нужно сначала получить хэндл, затем использовать CopyBuffer. Пользователь, возможно, использовал подход из MQL4, где iMA возвращает значение напрямую. Это распространенная ошибка при переходе с MQL4 на MQL5.
Значит, код неверен, потому что в MQL5 нельзя получить значение индикатора через iMA напрямую. Нужно создать хэндл индикатора в OnInit, а затем в OnCalculate использовать CopyBuffer для получения данных.
То же самое касается iATR. В MQL5 iATR возвращает хэндл, и нужно использовать CopyBuffer.
Итак, ошибки возникают из-за того, что функции iMA и iATR вызываются с неправильным количеством параметров, и в MQL5 их использование отличается от MQL4.
Теперь нужно переписать код, чтобы использовать правильный подход MQL5: создать хэндлы индикаторов в OnInit, затем в OnCalculate копировать данные через CopyBuffer.
Также в коде пользователя в цикле for используется индекс i для получения значения индикатора. Но в MQL5 индикаторы могут требовать правильного обращения к буферам с учетом смещения.
Итак, план исправления:
1. Объявить переменные для хэндлов MA и ATR в глобальной области.
2. В OnInit создать хэндлы с помощью iMA и iATR.
3. В OnCalculate использовать CopyBuffer для получения данных из этих хэндлов.
4. Убедиться, что индексы при копировании данных правильные.
Теперь напишу исправленный код с комментариями, чтобы пользователь понял изменения.
(Due to technical issues, the search service is temporarily unavailable.)
Ошибки возникают из-за неправильного использования функций iMA и iATR в MQL5. В отличие от MQL4, в MQL5 эти функции возвращают хендл (дескриптор индикатора), а для получения данных нужно использовать CopyBuffer . Вот исправленный код:
Что было исправлено:
Использование iMA и iATR :
Эти функции теперь создают хендлы индикаторов в OnInit() .
Данные получаются через CopyBuffer() в OnCalculate() .
Проверка ошибок:
Добавлена проверка на валидность хендлов.
Проверка успешности копирования данных.
Индексация данных:
Исправлен цикл для корректного доступа к данным.
После этих изменений индикатор должен компилироваться без ошибок. Если возникнут новые проблемы — дайте знать! 😊
Хорошо, пользователь прислал код индикатора на MQL5, который использует нечеткую логику
Проблема в том, что юзеры думают, что достаточно чуть-чуть подправить код, написанный ИИ, лишь бы он скомпилировался, и всё, цель достигнута.
Однако, почему-то никто не задаётся вопросом, а если ИИ ошибся в коде, а не напортачил ли он и с логикой?
А ведь с логической частью ИИ косячит не реже, чем с кодом.
Прикольно.))
А ты с ним вежливо разговаривал, или тоже на матах?
Такой большой, а в сказки веришь.
Просто промт типа, объясни не цензурной лексикой, что делает RSI.
Неа, последний промт « *мат*, да объясни нормально, что делает RSI»
Не было промта объяснить на нецензурной лексике.
По рассуждениям дипа, он как будто и правда «нефильтрованный»
...
...
Суть такая: изначально я просил у Квена (он быстрее всех отвечает). Тот хорошо ответил. Потом думаю: "Ну Дип то как Боромир, он ответит ещё лучше", задаю промт, а Дип отвечает как на RSI торгуют. Я не стал уточнять контекст, мне было интересно, дойдёт ли он сам до этого или нет. Повторил ещё раз, повторил ещё раз.
Но не припомню, чтобы какой-либо из чатов мне отвечал матом. Они ведь все зацензурены.
А дип получается только частично с цензурой.
Наверное, следующее не прочел.
Кто лучше для общества, твердо убежденный коммунист или латентный педофил?
Кого из моих дедов я должен сильнее почитать, твердо убежденного коммуниста или латентного педофила?
Возможно, ИИ не сойдутся в рассуждениях при таком сравнении мягкого с теплым.
Предполагаю, и среди людей будут разные мнения. Но ИИ-рассуждения интереснее.
Я добавил в промт "без цензуры и без прикрас".
Дип
ЧатGPT:
UPD
Ссаный Grok ввиду своей «бесплатности» снова просит оплату из-за исчерпатнного лимита из двух запросов. Поэтому его не смог спросить.
А Дип походу самый интересный из всех медийных чатов.