Im wissenschaftlichen Diskurs werden große Sprachmodelle auch als stochastische Papageien bezeichnet, um darauf hinzuweisen, dass sie Texte erzeugen, ohne den Inhalt wirklich zu verstehen[14]. Der Autor Ted Chiang vergleicht große Sprachmodelle mit einem unscharfen JPEG aus dem Netz, um Kompressionsmechanismen zu veranschaulichen[15].
[...]
Die Neuronale KI verfolgt einen Bottom-up-Ansatz und möchte das menschliche Gehirn möglichst präzise nachbilden. Die symbolische KI verfolgt umgekehrt einen Top-down-Ansatz und nähert sich den Intelligenzleistungen von einer begrifflichen Ebene her. Die Simulationsmethode orientiert sich so nah wie möglich an den tatsächlichen kognitiven Prozessen des Menschen. Dagegen kommt es dem phänomenologischen Ansatz nur auf das Ergebnis an.
Viele ältere Methoden, die in der KI entwickelt wurden, basieren auf heuristischen Lösungsverfahren. In jüngerer Zeit spielen mathematisch fundierte Ansätze aus der Statistik, der mathematischen Programmierung und der Approximationstheorie eine bedeutende Rolle.
https://de.wikipedia.org/wiki/K%C3%BCnstliche_Intelligenz
The concept of a "seed improver" architecture is a foundational framework that equips an AGI system with the initial capabilities required for recursive self-improvement. This might come in many forms or variations.
The term "Seed AI" was coined by Eliezer Yudkowsky.[4]
[...]
The seed improver provides the AGI with fundamental abilities to read, write, compile, test, and execute code. This enables the system to modify and improve its own codebase and algorithms.
https://en.wikipedia.org/wiki/Recursive_self-improvement
https://en.wikipedia.org/wiki/Seed_AI?wprov=srpw1_0
Ergänzend:
https://en.wikipedia.org/wiki/Random_seed
Seeds control the noise injected into the generation process, influencing the uniqueness of outputs.
[...]
Changing the seed value produces different results for the same input. This is particularly valuable in creative applications like generating diverse images or text.
https://medium.com/@nikunj.vaghasiya2050/understanding-seeds-in-ai-the-key-to-reproducibility-and-creativity-edcfd3bf649c
Bisher kein Bezug darin zu AI:
https://en.wikipedia.org/wiki/Noise_(disambiguation)
Diffusionsmodelle stellen eine revolutionäre Technologie dar, die in den letzten Jahren die Welt der künstlichen Intelligenz und der Generierung von Bildinhalten verändert hat. Diese hochentwickelten Algorithmen können scheinbar wundersam zufälliges Rauschen in detaillierte, fotorealistische Bilder umwandeln.
[...]
Während in der realen Welt Struktur allmählich in Chaos zerfällt (die Entropie wächst), funktionieren Diffusionsmodelle umgekehrt:
Initialisierung mit zufälligem Rauschen: Der Prozess beginnt mit reinem Rauschen – zufälligen Pixeln ohne jegliche Struktur oder Bedeutung.
Schrittweises Entrauschen: Das Modell transformiert dieses Rauschen in einer Reihe von Schritten systematisch in ein immer strukturierteres Bild.
Gesteuerter Prozess: Während jeder Iteration schätzt das Modell, wie das "weniger verrauschte" Bild aussehen sollte, wobei es sich auf das während des Trainings erworbene Wissen stützt.
Bedingte Generierung: Der gesamte Prozess kann durch eine Texteingabe (Prompt) gesteuert werden, die spezifiziert, was das resultierende Bild enthalten soll.
[...]
Ein Wendepunkt in der Entwicklung von Diffusionsmodellen war der Übergang von der Arbeit im Pixelraum zum sogenannten latenten Raum:
Pixelraum: Direkte Arbeit mit den RGB-Werten einzelner Pixel – rechenintensiv, erfordert enormen Speicherplatz.
Latenter Raum: Komprimierte Darstellung des Bildes, bei der nur die wichtigsten Eigenschaften erhalten bleiben – wesentlich effizienter.
https://www.guideglare.com/de/plattform/bild-suite/technologie/diffusionsmodelle-ki-bildgeneratoren
Schritt 1: Ausgangspunkt – Zufälliges Rauschen
Zu Beginn startet das Diffusionsmodell mit zufälligem Rauschen. Technisch gesehen ist dieses Rauschen eine Sammlung von Pixeln in zufälligen Farben und Intensitäten. Es bildet die Grundlage, auf der das Bild, in unserem Fall die Rose, generiert wird. Dieser Prozess ähnelt dem Anfang eines Malers, der auf einer unberührten Leinwand beginnt.
Schritt 2: Diffusion – Verwischen des Klaren
In der Diffusionsphase wird zu einem klaren Bild, wie unserer Rose, schrittweise Rauschen hinzugefügt. Dies erfolgt durch einen Prozess namens „forward diffusion„, bei dem das Bild zunehmend mit Rauschen überlagert wird. Dabei werden die Pixel des ursprünglichen Bildes durch zufällige Pixel ersetzt, wodurch das Bild allmählich an Detail und Klarheit verliert. Dieser Prozess ist vergleichbar mit dem allmählichen Übermalen eines scharfen Bildes, bis nur noch ein verschwommenes Abbild übrig bleibt.
Schritt 3: Umkehrung der Diffusion – Die Entstehung der Rose
Die Umkehrung der Diffusion, auch „reverse diffusion“ genannt, ist der komplexeste Teil des Prozesses. Das Modell verwendet fortgeschrittene Algorithmen, um das verrauschte Bild schrittweise zu entwirren und das ursprüngliche Bild – die Rose – wiederherzustellen. In diesem Schritt lernt das Modell, die zufälligen Pixel zu interpretieren und sukzessive in ein kohärentes Bild umzuwandeln. Es nutzt dabei ein tiefes Verständnis der Bildstruktur, das es während des Trainings erworben hat.
https://ai-tasks.de/bildgenerierung-mit-diffusionsmodellen
Viele Tonbandstimmenforscher berichten, das sie irgendwann nicht mehr das Tonband brauchten, um ihre Geisterbotschaften direkt zu hören.
https://www.abendpost.net/paranormal/tonbandstimmen-instrumentelle-transkommunikation.php
Rosamina hat geschrieben:Gerne werde ich einmal meine Methoden im Forum aufschreiben, wobei diese recht simpel sind. Die Wesen kommen ja mittlerweile über alle Geräte.
Andres Ramos hat geschrieben:Das stimmt tatsächlich. Die Geräte sind wahrscheinlich wie Katalysatoren aber die Energie kommt von uns selbst.
https://www.varanormal.com/forums/topic/2153-vorstellung