#2 Hombre, publicarlo en Nature tampoco está del todo mal, no?
Mathematical discoveries from program search with large language models
Resumen
Los grandes modelos lingüísticos (LLM) han demostrado una enorme capacidad para resolver tareas complejas, desde el razonamiento cuantitativo hasta la comprensión del lenguaje natural. Sin embargo, los LLM a veces sufren confabulaciones (o alucinaciones) que pueden llevarles a hacer afirmaciones plausibles pero incorrectas [1,2]. Esto dificulta el uso de los grandes modelos actuales en el descubrimiento científico. Aquí presentamos FunSearch (abreviatura de búsqueda en el espacio de funciones), un procedimiento evolutivo basado en emparejar un LLM preentrenado con un evaluador sistemático. Demostramos la eficacia de este enfoque para superar los mejores resultados conocidos en problemas importantes, ampliando los límites de los enfoques existentes basados en LLM [3]. Aplicando FunSearch a un problema central en combinatoria extrema -el problema de los conjuntos tope- descubrimos nuevas construcciones de grandes conjuntos tope que van más allá de los mejores conocidos, tanto en casos de dimensión finita como asintóticos. Esto representa los primeros descubrimientos realizados para problemas abiertos establecidos utilizando LLMs. Mostramos la generalidad de FunSearch aplicándolo a un problema algorítmico, el empaquetamiento de papeleras en línea, encontrando nuevas heurísticas que mejoran las líneas de base ampliamente utilizadas. A diferencia de la mayoría de los enfoques de búsqueda computacional, FunSearch busca programas que describen cómo resolver un problema, en lugar de cuál es la solución. Además de ser una estrategia eficaz y escalable, los programas descubiertos tienden a ser más interpretables que las soluciones en bruto, lo que permite bucles de retroalimentación entre los expertos en la materia y los investigadores. www.nature.com/articles/s41586-023-06924-6
#12 Rushkoff, nombrado 6º intelectual más influyente del mundo según el MIT. Todo correcto.
ref: ^ Emerging Technology from the arXiv. "World's Most Influential Thinkers Revealed". MIT Technology Review. Retrieved 2 April 2023.^ Frick, Karin; Guertler, Detlef; Gloor, Peter A. (2013). "Coolhunting for the World's Thought Leaders". arXiv:1308.1160 [cs.SI].
#1 un comentario a la noticia explica como es : "Si descargas la app tenes que reservar el dinero que te lo dan en cripto(WLD) 25 que equivale a 56 dolares hoy una vez que verifiquen tu numero. Tenes que demostrar que sos una persona real . y eso lo haces buscando donde te escaneen el iris. Cuando lo hagas ya estas verificado y podes utilizar el dinero. Tu cuenta se avilita al 100% y te van a dar un bono todos los meses por un año. Podes guardarlo. En la app ho podes tranferirlo a un exchenge (ej. Binance) y cobrarlo."
#5 "Sin embargo, el presunto meteorito quizás sea en realidad un fragmento de una nave alienígena que, en algún momento, exploró el Sistema Solar: así lo sugiere la composición de los diminutos restos hallados."
Mathematical discoveries from program search with large language models
Resumen
Los grandes modelos lingüísticos (LLM) han demostrado una enorme capacidad para resolver tareas complejas, desde el razonamiento cuantitativo hasta la comprensión del lenguaje natural. Sin embargo, los LLM a veces sufren confabulaciones (o alucinaciones) que pueden llevarles a hacer afirmaciones plausibles pero incorrectas [1,2]. Esto dificulta el uso de los grandes modelos actuales en el descubrimiento científico. Aquí presentamos FunSearch (abreviatura de búsqueda en el espacio de funciones), un procedimiento evolutivo basado en emparejar un LLM preentrenado con un evaluador sistemático. Demostramos la eficacia de este enfoque para superar los mejores resultados conocidos en problemas importantes, ampliando los límites de los enfoques existentes basados en LLM [3]. Aplicando FunSearch a un problema central en combinatoria extrema -el problema de los conjuntos tope- descubrimos nuevas construcciones de grandes conjuntos tope que van más allá de los mejores conocidos, tanto en casos de dimensión finita como asintóticos. Esto representa los primeros descubrimientos realizados para problemas abiertos establecidos utilizando LLMs. Mostramos la generalidad de FunSearch aplicándolo a un problema algorítmico, el empaquetamiento de papeleras en línea, encontrando nuevas heurísticas que mejoran las líneas de base ampliamente utilizadas. A diferencia de la mayoría de los enfoques de búsqueda computacional, FunSearch busca programas que describen cómo resolver un problema, en lugar de cuál es la solución. Además de ser una estrategia eficaz y escalable, los programas descubiertos tienden a ser más interpretables que las soluciones en bruto, lo que permite bucles de retroalimentación entre los expertos en la materia y los investigadores.
www.nature.com/articles/s41586-023-06924-6