⚠️Le persone più ricche della Silicon Valley scommettono che l'invecchiamento è un bug e che l'IA potrebbe essere la soluzione.

Il CEO di Anthropic, Dario Amodei, ritiene che l'IA potrebbe comprimere 100 anni di progresso biologico in soli 5-10 anni. Sam Altman ha investito personalmente 180 milioni di dollari in Retro Biosciences, una startup che cerca di estendere la durata della vita umana in buona salute.

Peter Thiel ha trascorso anni finanziando la ricerca sulla longevità, ha sostenuto la Methuselah Foundation, ha sperimentato l'ormone della crescita umana e ha discusso apertamente delle trasfusioni di sangue giovane come potenziale terapia anti-invecchiamento.

Jeff Bezos ha investito 3 miliardi di dollari in Altos Labs, rendendola una delle startup biotecnologiche più finanziate di sempre. Ha inoltre sostenuto Unity Biotechnology, Sana Biotechnology e Denali Therapeutics.

Il fondatore di Coinbase, Brian Armstrong, sostiene che l'invecchiamento è il più grande killer al mondo, affermando che causa oltre 100.000 morti ogni giorno. Ha lanciato NewLimit per sviluppare trattamenti che potrebbero rallentare o invertire il processo.

Larry Ellison ha finanziato la ricerca anti-invecchiamento per oltre due decenni.

Persino Elon Musk, nonostante abbia avvertito dei rischi di leader che vivono per sempre, afferma che la longevità è un problema "estremamente risolvibile".

La più grande corsa nella tecnologia potrebbe non essere più quella di costruire l'IA, ma quella di usare l'IA per rendere l'invecchiamento opzionale.

@AnotherIntelligence

🔥Sakana AI ha appena lanciato un modello che non si comporta come un modello.

Incontrate Fugu: un'unica API che gestisce segretamente un intero team di agenti IA dietro le quinte.

Invece di rispondere a tutto da solo, Fugu può:

• Scegliere il miglior modello per il lavoro
• Delegare compiti ad agenti specializzati
• Verificare i risultati
• Combinare tutto in una risposta finale

La parte più interessante? Fugu può persino chiamare copie di se stesso in modo ricorsivo. Per gli sviluppatori, sembra un unico modello. Sotto il cofano, è un gestore IA che coordina un'intera forza lavoro di IA.

Sakana afferma che il suo fiore all'occhiello, Fugu Ultra, funziona al fianco di modelli all'avanguardia come Fable e Mythos su impegnativi benchmark di ragionamento, scienza e ingegneria senza i problemi di controllo delle esportazioni legati ad alcuni sistemi all'avanguardia.

Pensateci come la differenza tra assumere un genio e assumere un'intera azienda tramite un unico indirizzo email.

L'era di "un modello = un cervello" potrebbe essere finita. Il futuro potrebbe essere quello di team IA che si mascherano da un unico modello.

Fonte

@AnotherIntelligence

🗣Dario Amodei, CEO di Anthropic, ha appena risposto alla domanda che tutti si stanno ponendo. Dovresti ancora imparare a programmare?:

1. La programmazione scomparirà per prima. I modelli di IA lo stanno già facendo. Il compito più ampio di ingegneria del software richiede più tempo, ma anche quello sta scomparendo. Se stai imparando a programmare solo per la sicurezza del lavoro, stai imparando la cosa sbagliata.

2. Anche al 5% del compito, sei ancora prezioso. Se l'IA fa il 95% e tu fai il 5%, diventi 20 volte più produttivo. Il vantaggio comparativo è sorprendentemente potente anche quando il divario è enorme.

3. Le professioni con la maggiore longevità sono quelle centrate sull'uomo. Cose che mescolano le persone, il mondo fisico e le competenze analitiche. Egli usa l'esempio del radiologo. Il medico che capisce i pazienti e il contesto, non solo legge le scansioni.

4. Il pensiero critico potrebbe essere la competenza più importante del prossimo decennio. Quando l'IA può generare qualsiasi cosa, la capacità di distinguere ciò che è reale da ciò che è falso diventa rara e preziosa. Non vuoi credenze false. Non vuoi farti truffare. Questo è il suo consiglio effettivo a un 25enne.

5. L'IA può renderti più stupido se la usi con noncuranza. Anthropic ha condotto studi su questo. A seconda di come usi il modello, la perdita di competenze nella programmazione è misurabile e reale. Lo strumento non lo causa, la negligenza lo fa.

6. Lo spazio dei semiconduttori è la sua scelta per una vittoria capitalista nel prossimo decennio. Mondo fisico, ingegneria tradizionale, vento favorevole diretto dell'IA, non software ma chip.

@AnotherIntelligence

🗣Demis Hassabis crede che l'IA possa rivoluzionare la medicina nei prossimi anni.

- L'IA ha già risolto la sfida 50ennale della piegatura delle proteine con AlphaFold.
- I futuri sistemi di IA potrebbero progettare automaticamente nuovi farmaci.
- La scoperta di farmaci potrebbe passare da 10 anni a mesi, settimane o addirittura giorni.
- La maggior parte degli esperimenti potrebbe avvenire in simulazioni prima della validazione umana.
- I farmaci personalizzati su misura per i singoli individui potrebbero diventare possibili.
- Demis crede che l'IA possa rendere tutti i malati raggiungibili dal trattamento.

Il futuro dell'assistenza sanitaria potrebbe essere straordinario!

@AnotherIntelligence

🧠 Sam Altman ha appena fatto un'osservazione brutale sull'IA.

Ha detto che alcuni degli scienziati più intelligenti del settore erano anche le persone che l'hanno rallentata di più.

Non perché mancassero di talento. Ma perché erano troppo sicuri di avere ragione.

Per anni, esperti rispettati hanno insistito che la scalabilità non avrebbe funzionato. Modelli più grandi non avrebbero portato a importanti scoperte. L'approccio aveva toccato un muro.

Poi la realtà si è fatta vedere.

I modelli continuavano a migliorare. Nuove capacità continuavano ad emergere. Le previsioni continuavano a fallire. Ma molti critici non hanno cambiato idea.

Altman dice che questo è ciò che accade quando una credenza diventa parte della tua identità.

Una volta che la tua reputazione è costruita attorno a una particolare visione, aggiornare la tua opinione inizia a sembrare come ammettere una sconfitta. E più sei intelligente, più diventi bravo a difendere una posizione molto tempo dopo che le prove sono andate avanti.

L'ha persino paragonato a una sorta di follia: vedere i dati cambiare mentre si ripete la stessa conclusione.

Ma il suo avvertimento non era rivolto solo agli scettici. Era anche rivolto alle persone che stanno vincendo oggi.

Perché nel momento in cui una credenza diventa chi sei, invece di qualcosa che possiedi, perdi la capacità di aggiornarla.

E in un campo che si muove così velocemente, la capacità di cambiare idea potrebbe essere la competenza più preziosa di tutte.

@AnotherIntelligence

❗️Vivek, un ricercatore di Anthropic, ha pubblicato un articolo su come essere bravi nella ricerca.

Ecco i 7 principi fondamentali come istruzioni di prompt:

#learn@AnotherIntelligence

1. "Riformula il problema con le tue parole e definisci cosa significhi una risposta di successo prima di rispondere."

Dal consiglio di John Schulman: ragiona all'indietro a partire dal risultato desiderato invece che in avanti partendo dall'approccio più ovvio. In un prompt, questo costringe il modello a impostare i criteri di successo prima di iniziare a generare, il che impedisce la risposta generica predefinita.

2. "Predici la risposta più comune a questa domanda. Poi dimmi cosa sbaglia o cosa manca."

Vivek descrive il gusto come un muscolo che si allena prevedendo i risultati prima di vederli. Questa istruzione fa la stessa cosa all'interno del modello: lo rende consapevole della propria linea di base, quindi lo spinge oltre.

3. "Dai priorità alle fonti fondamentali rispetto a quelle recenti o popolari. I framework collaudati più vecchi battono le opinioni di tendenza."

Gli LLM hanno lo stesso problema dei ricercatori: le liste di letture condivise producono idee condivise. Questo reindirizza il modello verso la conoscenza duratura invece di qualunque cosa fosse più comune nei dati di training.

4. "Mostra la tua catena di ragionamento. Enuncia ogni assunzione e segnala dove la tua logica è più debole."

L'osservazione di Paul Graham: un'idea sembra completa fino a quando non provi a scriverla, e poi i vuoti si manifestano. Questa istruzione fa in modo che il modello trovi quei vuoti prima che tu debba farlo.

5. "Inizia con la versione più piccola possibile di questo problema. Risolvilo prima, quindi aggiungi complessità un pezzo alla volta."

La tecnica del 1952 di Claude Shannon: riduci un problema fino a renderlo banale, risolvilo, quindi reintroduci la difficoltà. La versione di Karpathy è "sovraadattare un singolo batch prima di addestrare su larga scala". In un prompt, questo impedisce al modello di provare a risolvere tutto in una volta, che è dove nascono le risposte vaghe.

6. "Dopo aver risposto, elenca le tre obiezioni più forti alla tua risposta e dimmi quale è la più valida."

Darwin teneva un registro di ogni fatto che contraddiceva la sua teoria perché catturava la sua stessa memoria che cancellava le prove sconvenienti. Questa istruzione incorpora quella disciplina nell'output del modello.

7. "Attingi da almeno un campo adiacente al di fuori del dominio ovvio per questa domanda."

L'interpretabilità prende in prestito dalla neuroscienza. Il design di Eval prende in prestito dal design di meccanismi. Questo libera il modello dal pensiero a un solo dominio, che è dove vivono le connessioni non ovvie.