Пожалуй, самая первая моя книга, ещё рукописная. Приезжал в библиотеку Дворца пионеров, брал подшивки журнала Радио и срисовывал все интересное.
Тетрадь за 48 коп., 96 листов)
Тетрадь за 48 коп., 96 листов)
🔥9👍1
Forwarded from Трансгуманизм в далеком городе
Исследование специализированной языковой модели AMIE в Nature разрушает интуитивную веру, что «врач + ИИ > ИИ».
AI дал 59 % точности (верный диагноз входит в top‑10), а вот тандем «врач + AI» опустился до 51,7 % — почти на восемь пунктов хуже. Врач без искусственного интеллекта показал только 33,6 % верных диагнозов в сложных клинических случаях.
Получается, именно человеческое вмешательство портит лучший алгоритм.
Почему так происходит (это интересно рассмотреть и для экстраполяции на задачи продления жизни)
1. Якорение на собственном опыте
Врач сперва формирует свою гипотезу, а потом «масштабирует» её подсказками AMIE. Раннее решение тянет вниз, заставляя отбрасывать редкие, но верные варианты.
2. Эвристика уверенности
Чем сложнее случай, тем больше специалисту хочется «упростить» картину до знакомых шаблонов. Алгоритм, наоборот, удерживает полный спектр подозреваемых—до тех пор, пока его список не обрезал человек.
3. Когнитивная аллергия на машинную иерархию
Когда AMIE ставит экзотическую болезнь выше классической, врачу психологически комфортнее переставить диагнозы местами. Эго‑фильтр снижает итоговый балл.
4. Двусмысленность формулировок
Врач может перефразировать симптомы в чате общения с AI, скрывая нюансы, которые модель бы прочла напрямую из первичных данных. В результате машина работает не на «сырых» фактах, а на их человеческой интерпретации — и теряет преимущество.
5. Эффект «слияния списков»
Вместо того чтобы добавить новый пункт, врач чаще вычёркивает «маловероятные» предложения модели, притягивая итоговую десятку к среднестатистической клинической памяти.
Чему нас это учит?
Лучший способ усилить борьбу со старением — стремиться убрать человека из критических узлов, а не ставить рядом. Пусть даже в этом году AI слаб в продлении жизни. В следующем он будет всё делать лучше человека.
Просто надо создать систему, которая работала над продлением жизни. Не просто, конечно. Биопротокол, мне кажется, лучше всех продвигается в этой области.
AI дал 59 % точности (верный диагноз входит в top‑10), а вот тандем «врач + AI» опустился до 51,7 % — почти на восемь пунктов хуже. Врач без искусственного интеллекта показал только 33,6 % верных диагнозов в сложных клинических случаях.
Получается, именно человеческое вмешательство портит лучший алгоритм.
Почему так происходит (это интересно рассмотреть и для экстраполяции на задачи продления жизни)
1. Якорение на собственном опыте
Врач сперва формирует свою гипотезу, а потом «масштабирует» её подсказками AMIE. Раннее решение тянет вниз, заставляя отбрасывать редкие, но верные варианты.
2. Эвристика уверенности
Чем сложнее случай, тем больше специалисту хочется «упростить» картину до знакомых шаблонов. Алгоритм, наоборот, удерживает полный спектр подозреваемых—до тех пор, пока его список не обрезал человек.
3. Когнитивная аллергия на машинную иерархию
Когда AMIE ставит экзотическую болезнь выше классической, врачу психологически комфортнее переставить диагнозы местами. Эго‑фильтр снижает итоговый балл.
4. Двусмысленность формулировок
Врач может перефразировать симптомы в чате общения с AI, скрывая нюансы, которые модель бы прочла напрямую из первичных данных. В результате машина работает не на «сырых» фактах, а на их человеческой интерпретации — и теряет преимущество.
5. Эффект «слияния списков»
Вместо того чтобы добавить новый пункт, врач чаще вычёркивает «маловероятные» предложения модели, притягивая итоговую десятку к среднестатистической клинической памяти.
Чему нас это учит?
Лучший способ усилить борьбу со старением — стремиться убрать человека из критических узлов, а не ставить рядом. Пусть даже в этом году AI слаб в продлении жизни. В следующем он будет всё делать лучше человека.
Просто надо создать систему, которая работала над продлением жизни. Не просто, конечно. Биопротокол, мне кажется, лучше всех продвигается в этой области.
Nature
Towards accurate differential diagnosis with large language models
Nature - Diagnostic reasoning using an optimized large language model with a dataset comprising real-world medical cases exhibited improved differential diagnostic performance as an assistive tool...