Less Wrong

хотя в случае моего подхода к близким отношениям, у меня вроде не возникает соблазна отыграть власть в качестве компенсации повседневной пассивной роли. ... однако моменты когда удаётся проявить ассертивность вызывают приятное чувство гордости, даже если переплетённое с неприятным чувством виноватости. ведь при низкой ассертивности свои чувства/желания чувствуются менее значимыми чем у окружающих, и принятие каких-либо дилемм в свою пользу вызывает впечатление что я совершаю злодейский поступок, независимо от того, является ли он действительно злодейским или просто проявлением здоровой ассертивности вместо болезненного подчинения и пренебрежения собой

https://youtu.be/kErA8SECzFU?is=c1yDag0_8oMaRxVl - "как работает женское возбуждение" Наткнулся на чувака сегодня. Вроде как довольно здраво говорит о дейтинге и с пониманием научных исследований - должна быть норм выборка, результаты должны реплицироваться и т.д. Без явных уклонов в социологизаторство или биологизаторство

плохо пахнет это всё

ну пойдёт - будут исправлять. это часть технопрогресса, часть интриги к продолжению жизни

А я на счёт машинного обучения щас думаю, генерация данных для того чтобы учить другие ИИ, чтобы не нужно было искать реальные данные

Нужно согласиться с тем что генерация не будет точной

Но это не значит, Это не работает

Реальные данные всё ещё будут нужны, но не на 100%

Генерация данных для обучения ИИ (синтетические данные) работает, но ломается при неуправляемом или рекурсивном использовании — когда модель обучается на собственных (или чужих) невалидированных ответах. В ML-сообществе этот феномен называют коллапсом модели (Model Collapse). Почему невалидированная «синтетика» ухудшает модели 1. Утрата «хвостов» распределения (Tail Degradation) Генеративные модели работают на основе вероятностей и всегда стремятся выдавать наиболее типичные, усредненные результаты. При обучении на синтетике редкие кейсы, сложные исключения, узкоспециализированные термины и тонкие нюансы вымываются. С каждым новым поколением обучающая выборка становится все более стандартной, а модель теряет способность к генерализации. 2. Накопление и мультипликация ошибок (Error Compounding) У любой модели есть процент галлюцинаций, логических сбоев и мелких искажений. Если сгенерированный текст попадет в датасет без проверки, следующая модель воспримет эти галлюцинации как эталонную истину. В результате ошибки не просто сохраняются, а экспоненциально усиливаются. 3. Отсутствие новой внешнемировой энтропии Модель не может выдать больше эмпирических знаний о реальности, чем было заложено в её исходный датасет. Синтетические данные без связи с реальным миром — это лишь рекомбинация старого контекста. Система «переваривает сама себя», что приводит к энтропийному голоду. Когда синтетические данные работают отлично Синтетика не бесполезна — она фундаментально необходима, но только там, где есть внешняя верификация или строгий арбитр качества: • Программирование и математика (RLVR — Reinforcement Learning with Verifiable Rewards): Сгенерированный код можно запустить в компиляторе и проверить юнит-тестами, а математическое решение — проверить формальным солвером. Модель получает объективный сигнал (прошел тест / не прошел), исключающий галлюцинации. • Симуляции и игры (Self-Play): В системах вроде AlphaZero модель генерирует миллионы партий сама с собой, но правила игры

Но честно говоря, если бы мы обучали нейронку для чего-то серьёзного я бы не стала этого делать

Попа