Пределы автоматизации и внедрения роботов

[Инопланетянин]

И ни одна разумная личность не обратила внимание, что звучит как-то дико, не посмотрела закон 295.

Не этот ли закон подразумевался?

[skvj]

вы мне сейчас доказываете, что роман о закате, не только подробнее, чем сам закат, но и лучше его

Не закат, а фотка заката. 

Именно закат. Tesla FSD (Full Self Driving) видит мир, строит свою картину мира. ИИ обучают видеть вовсе не только фото, а саму реальность. По вашему автопилот сможет управлять авто просто по текстовому описанию? Архитектура LLM будет перестроена таким же образом, - уже перестроена частично.

И да, подробностей туда влезет больше чем человек может представить думая о закате хоть сутки.

Ага, а модель по вашем словам будет информативнее, чем оригинал. Только это вовсе не так.

А про лучше- хуже, это не ко мне, это субъективизм. И тем более не к машинам (вы ведь про ощущения, не так ли?).

Возможно и будет субъективизм - нам откуда знать? Это вопрос философский, а Tesla FSD тем не менее видит мир и строит его модель. Мне в данном случае никакой субъективизм не нужен, а вам он зачем?

Вот как придумают как научить ИИ Видеть(именно так, с большой буквы) - поговорим. Природа за 4 млрд лет - не придумала. 

Не только давно придумали КАК, но и научили. Перечислю видящие ИИ:
Tesla FSD, Boston Dynamics, Figure, Agility Robotics, DeepMind Gato, GPT-5. И это только что я знаю, а я знаю немного. Но речь идёт именно о мультимодальных LLM в том числе. В дальнейшем с ними можно будет смотреть кино.

И пока все эти громкие слова про мультимодальность- просто маркетинг.
Те самые интонации и микропаузы- это очередная надстройка к ASR, ничего более.

Вздор.

Я же прекрасно понимаю сколько весит картинка, сколько матрица с её параметрами, и тем более сколько будут весить её эмбеддинги. Это далеко не 5 слов. А если набрать всего лишь пол- мегабайта =500.000 букв = полноформатная книга в твердой обложке на 25-30 глав.
Понятное дело что массив эмбеддингов от одной картинки - это намного больше 5 слов. Но до полноформатной книги этому полумегабайту- как до луны. Как раз из-за неинформативного мусора, отсекаемого ASR.

Привет староверам! )) Вы хотя бы почитайте о вычислительной мощности запускаемых проектов прямо сейчас. Тесла ездит и видит (в буквальном смысле, потому что смотрит "глазами", у неё даже лидаров нет) - и это сотни тысяч машин, - обработка происходит в реальном времени 24/7. Никаких проблем. А сзади идут староверы со своими хоругвиями и взывают к справедливости, рассказывая про полумегабайты. Вот без всякой иронии теперь - вы просто не в теме.

Или, есть ещё вариант, где вы запутались в терминологии, ведь сам концепция ASR - автоматическое распознование речи не исключает  обработку интонаций, тембра  и чего-то ещё - например видеопотока.

ASR может добавить маркеры - интонация, паузы, смех. Но это ровно то же самое, что выдать машине книгу с ремарками: "сказано саркастично". Она не слышит сарказм, а читает подсказку. Это принципиально другое.

Когда я говорю "видеть закат", я имею в виду ровно то, что делают мультимодели: учиться напрямую на спектрограммах, изображениях, потоках движений. Они работают не с текстом, а с исходным многообразием сигнала. Это не маркетинг, а фундаментальный прорыв: от "описывать реальность словами" к "переваривать реальность как есть". Здесь не о чем спорить - потому что это не теория, а рабочие модели всевозможно разных ИИ.

Теперь про мусор. Я забыл выше ответить. В картинке действительно миллион пикселей, и половина лишние. Но именно в этом "мусоре" (в кавычках) кроется то, что отличает фото живого человека от манекена, а искреннюю улыбку от натянутой. Архиваторы и ASR отбрасывают "ненужное" в кавычках, а ИИ, обученный на всём сигнале, как раз в этих микродеталях и понимает реальность.

[Konstantin Schtsch]

Благодарю за развернутый ответ.
Теперь я убедился, что дальнейшая дискуссия вам неинтересна, у вас уже сложилась некая картина мира современного ИИ, пусть и основанная не на науке а на вере.
Я даже немного вам завидую - такой незамутненой радости я давно не испытываю:

В моей повседневной реальности компы растут количественно, но не качественно, разум человека- мало чем отличается от разума животных, а человеческий мозг- крайне примитивная, глючная и неэффективная система, к тому же работающая на побочках.
Нейрон- может и суперсложно устроен физико-биологически, но логически это тупейший накопитель, срабатывающий при переполнении стека. Его дендриты - и то сложнее, там хоть некоторая ячейка памяти в наличии- те самые корректируемые веса нейросвязи. Вот только максимальная точность у мозга - "назовите по шкале от 1 до 10", тогда как только в одном байте 256 вариантов. который давно используется группами по 32 и 64 бита. А про Гигагерцы- лучше и не вспоминать, там бескрайний депресняк.

Боженька на шестой день знатно накосячил. (что еще раз доказывает: нехрен перерабатывать в выходные.  )


Вашу картину мира, где машина, или человек - ВИДИТ, мог бы разбить вдребезги простой аргумент - про перевернутое изображение на сетчатке. И эксперимент с линзами переворачивающими изображение- уже через пару дней человек привык и не ощущал дискомфорта. 
Глаз, камера- не видит, а фиксирует изображение.
Нервы - передают не изображение, а его характеристики, описательные данные.
Мозг не видит, а обрабатывает данные. Да ещё и через множество отделов пропускает, помимо зрительного.

Так работает зрение живых. Так с какого перепою зрение искуственных систем должно работать по- другому? а если и заморочиться и сделать так- что мы выиграем? это будет абсолютно чужеродная всему живому система. может эффективная, может нет - но абсолютно чужеродная, работающая по другим принципам.
Поэтому я уверен - у вас налицо путаница в терминологии.

А наш мозг - по старинке, работает с сигналами и информацией.

Вы хотя бы почитайте о вычислительной мощности запускаемых проектов прямо сейчас.

я их иногда даже зубами выгрызаю у заказчика, пусть и далеко не в тех масштабах что флагманы ИИ, но представление о ценах имею из первых рук.))

Не этот ли закон подразумевался?

нет, другой: https://president.gov.by/ru/documents/ukaz-no-295-ot-4-avgusta-2025-g

Ах да, к слову о том как "замечательно" видит тесла: помните ролик с нарисованной стеной? 
https://leonardo.osnova.io/0b4b0a60-4d90-5d23-9807-885784cc3ae5/-/format/mp4/#t=0.1

[skvj]

Konstantin Schtsch
Мозг не тупой накопитель. Вы нахватались по верхам там и сям.
Да, у него нет байтов и Гигагерц. Но сравнивать нейрон с переполнением стека это как сравнивать оркестр с кастрюлей. Важен не отдельный нейрон, а динамика сети, нелинейная интеграция сигналов, пластичность и самоорганизация. Именно это даёт качество, которое не сводится к количеству битов.

Зрение не фиксация картинки, да. Вы сами привели пример с инвертированным изображением. Этот опыт как раз и показывает, что зрение не фотография, а построение модели мира. Мозг переучивается и меняет карту восприятия. Он не фиксирует изображение, а создаёт когнитивную модель внешнего.

Вы правы, глаз это сенсор, не более. Видение рождается в обработке. Так и у ИИ камера фиксирует свет, но видит не камера, а система, которая строит модель мира из этих данных. Tesla, Boston Dynamics, мультимодальные GPT уже этим занимаются. Они не ждут сигналов с сетчатки, они работают с миром в реальном времени.

А с какого перепугу оно должно быть копией биологического? Самолёт не машет крыльями, но летает. Радио не дрожит как барабанная перепонка, но передаёт звук. Искусственное зрение будет другим и в этом его сила. Оно уже ловит паттерны, которые человек не видит (например, дефекты в кристаллах на уровне атомов или пульс по микроизменениям кожи в видео).

Насчёт путаницы. Нет. Разница в терминологии простая. Видеть - значит иметь модель внешнего мира, построенную из сенсорных данных. В этом смысле человек видит, кошка видит, и ИИ тоже видит. Просто по-разному.

И, кстати, ваш аргумент "глаз не видит, видит мозг" полностью бьёт против вас - если видит мозг, а не глаз, значит видеть = обрабатывать информацию. Что и делают ИИ.

[Инопланетянин]

Нервы - передают не изображение, а его характеристики, описательные данные.

Импульсы они передают, если уж так ставить вопрос.

Мозг не видит, а обрабатывает данные.

Если это данные от глаз, то в этом и состоит видение, не так ли?

Вашу картину мира, где машина, или человек - ВИДИТ, мог бы разбить вдребезги простой аргумент - про перевернутое изображение на сетчатке.

Что-то у вас с логикой не то, надо понять только где.

Радио не дрожит как барабанная перепонка

Конкретно динамик делает именно это, причём как в анекдоте про ветер от качающихся деревьев именно с обратным порядком причины и следствия.

И, кстати, ваш аргумент "глаз не видит, видит мозг" полностью бьёт против вас - если видит мозг, а не глаз, значит видеть = обрабатывать информацию. Что и делают ИИ.

Ну в целом, как-то так, да.

[Olweg]

Результаты обновили. GPT 5 реабилитировался и набрал 116 баллов IQ, то есть примерно тот же уровень, что у других топовых моделей. Благодаря провальному первому результату среднее пока 93. А вот GPT 5 Thinking показал… 70 баллов.
…
https://www.trackingai.org/home

По последним тестам модели GPT-5 наконец пришли в чувство, а автор сайта удалил провальные сомнительные первые пробы. В любом случае, на сайте считается среднее по семи последним тестам, а один неудачный может сильно исказить результат. Подумал - а что, если брать не среднее, а медианное? У некоторых моделей пока, правда, только чётное число результатов, но в таких случаях можно брать среднее по двум средним. Итак, вот такой рейтинг пока получается (для лучших моделей; визуальные тесты не включал):

Grok-4 - 123 (пока очень сильный разброс по результатам)
Claude-4 Opus - 123 (начиная с июля стабильное значение)
GPT-5 Pro - 120
Gemini 2.5 Pro - 116 (тут всё тоже очень стабильно)
GPT-5 Thinking - 116
Claude 4 Sonnet - 110
GPT-5 - 103 (лучшая неразмышляющая модель)
DeepSeek R1 - 103 (как раз тот случай, когда один сбой сильно уводит средний результат - 96)

Очень хороший потенциал показывает Grok-4 - у него три из шести результатов 130, 130 и 136. Если так пойдёт дальше, то может вырваться в лидеры. 136 - похоже, вообще потолок для этого теста (16 верных ответов из 16). Это всего лишь уровень очень умного человека. Видимо, насыщение теста не за горами. Нужно удлинять список вопросов.

[Metatron]

Народ говорит что уже кто-то видел Грок 4.2. Тесты радуют.
Видимо выпустят в течении месяца, двух.