:butterfly_lesbian: Jennifer :butterfly_trans: (@transcendentempress)

:butterfly_lesbian: Jennifer :butterfly_trans: @transcendentempress@peculiar.florist

Le coup de ChatGPT qui se fait laver aux échecs en difficulté debutant par une émulation de l'Atari 2600, c'est quand même assez éloquent sur l'imprécision conceptuelle des LLM.

Parce que c'était en fait couru d'avance : le programme d'échecs de 1977, on lui demande de simuler précisément une partie d'échecs, il simule précisément une partie d'échecs. C'est littéralement la philosophie de base de toute conception de programme, y a vraiment que avec les LLM où quelqu'un s'est dit "tiens, et si on faisait pas du tout comme d'habitude, on va d'abord se concentrer sur vendre l'illusion du fantasme IA, et le reste on verra plus tard".

⭐2

Lykrast n°1 wifebait @lykrast@eldritch.cafe

openai

@transcendentempress mais attends openai avait pas un super modèle d'échecs justement qui éclatait tout de manière violente?
(puis un de go et c'était impressionnant)

:butterfly_lesbian: Jennifer :butterfly_trans: @transcendentempress@peculiar.florist

openai

@lykrast Alors, non, la dernière fois si le modèle qu'ils avaient testé avait réussi à battre un programme d'échec plus moderne, c'était en trichant dans tous les sens. Chaque fois qu'il s'apercevait être en train de perdre, il tentait de modifier les conditions de la partie en cours et convaincre l'autre programme des changements.

Lykrast n°1 wifebait @lykrast@eldritch.cafe

re: openai

@transcendentempress ok je viens de revérifier et en fait alphazero c'était google et pas open ai :blab_cat:

mais je crois que le bot dota 2 c'était open ai par contre

⭐1

Sky-haired Miranda 💙🐙 @miranda_blue@eldritch.cafe

re: openai

@lykrast oui, AlphaZero pouvait même attaquer à peu près n'importe quel jeu de plateau abstrait type dames, go, échecs, shogi... Mais ça marchait en lui donnant un plateau de jeu virtuel qui fait appliquer les règles et il s'entraînait dessus, pour apprendre les règles puis apprendre à bien jouer. Il devenait bon à un jeu parce qu'on l'optimisait pour ça, tout simplement. Les innovations c'était de faire ça en pur machine learning sans apporter aucune connaissance externe du jeu (d'où le "zéro") et que ça proposait un système générique qui pouvait être entraîné pour un peu n'importe quel jeu. Mais c'est un usage assez classique et raisonnable du machine learning, on optimise un modèle pour résoudre un problème. C'est assez éloigné (et beaucoup plus rationnel) de l'idée de balancer le problème en question à un modèle probabiliste de langage en espérant que ça va magiquement marcher.

@transcendentempress

⭐1