Meta lanserar AI-modell för att granska andra AI-modeller
Meta har nyligen släppt en ny uppsättning AI-modeller från sin forskningsavdelning, inklusive en ”Self-Taught Evaluator”, som kan minska behovet av mänsklig inblandning i AI-utvecklingen. Modellen är baserad på en teknik som kallas ”chain of thought”, vilken bryter ner komplexa problem i mindre logiska steg, vilket förbättrar precisionen i AIsvar inom områden som vetenskap, kodning och matematik.
AI granskar AI
Den stora nyheten med Metas nya AI-modell är att den är tränad med helt AI-genererad data, vilket innebär att ingen mänsklig input behövs under träningsfasen. Detta är ett potentiellt stort steg mot autonoma AI-agenter som kan lära sig av sina egna misstag. En sådan utveckling skulle kunna ersätta nuvarande metoder som ”Reinforcement Learning from Human Feedback” (RLHF), en process som kräver dyr och expertberoende mänsklig feedback.
Jason Weston, en av forskarna bakom projektet, uttryckte förhoppningen att AI i framtiden kommer att bli ”supermänsklig” och bättre än människor på att kontrollera sitt eget arbete.
Självförbättrande AI kan spara resurser
Självförbättrande AI-modeller kan minska kostnader och ineffektivitet som är förknippade med att använda mänskliga annotatörer för att verifiera svar och träna AI-modeller. Med självlärande och självevaluerande AI kan utvecklingen av mer avancerade digitala assistenter, som kan utföra komplexa uppgifter utan mänsklig inblandning, accelereras.
Även om andra företag som Google och Anthropic också utforskar liknande tekniker som ”Reinforcement Learning from AI Feedback” (RLAIF), så är det unikt att Meta öppet delar sina modeller för allmän användning, vilket kan ge forskare och utvecklare över hela världen tillgång till dessa verktyg.
Andra AI-verktyg från Meta
Förutom den självlärande utvärderaren släppte Meta även en uppdatering av sitt verktyg för bildidentifiering, Segment Anything-modellen, samt en teknik som accelererar genereringstiden för stora språkmodeller (LLM). Meta introducerade även nya dataset som kan användas för att upptäcka nya oorganiska material, vilket kan bidra till forskning inom materialvetenskap.
Kommentera: