localised LLMs?

Kita bincang pasal tek saja ya. 

Pentafsiran dan penterjemahan dalam LLM berlaku pada lapisan tersembunyi, iaitu model mempunyai gagasan ( rangka data graf ) yang tidak terikat kepada mana-mana bahasa. Ini sistem A

Dari situ, penterjemahan dari mana-mana bahasa kepada sistem A, lepas tu dari sistem A kepada mana-mana bahasa adalah satu transformasi khas. Lebih sesuai bagi SLM / MLM. Inilah sistem B.

Saya tak tahu lah rekabina dalaman LLM yang tuan sebut tu ... 😂 ... tapi saya rasa, kita kena asingkan. 

Negara kita kena imbang tujuan dan had ekonomi. Gergasi luaran sudah hampir menyempurnakan sistem jenis B. Kita boleh khaskan bagi loghat la, tapi ini kira penyesuaian bukan penyelidikan dasar.

Kita juga boleh menyelidik secara mendalam sistem jenis A, sebab budaya kita ada graf pengetahuan yang lebih khas. 

Yang paling jijik : jangan kita dengan duit yang terhad cuba nak jadi juara dalam setiap jihad sekaligus. Lebih-lebih lagi, jangan orang kita cuba buat kerja malas dan nyahmaju dengan cuba gabungkan sistem jenis A dan B. 😘🤣🤣🤣😭

bab kelarian kemahiran

Fenomena ini menarik. Ada akarnya. 

1. Kita mahu keadilan melalui ekonomi sama rata.

2. Kita mahu keadilan melalui ekonomi tidak sama rata.

3. Kita mahu pertengkaran berhenti.

4. Kita mahu ekonomi berkembang.

5. Kita mahu kemahiran menduduk dan tidak melari keluar.

Kebanyakkan pertengkaran adalah antara (1 vs. 2), dan antara (4 tanpa 5, vs 4 wajib 5).

Agak-agaknya, (1,3,4,5) adalah satu pihak, dan (2,3,4, tapi neutral terhadap 5) adalah satu pihak lagi. 

Dalam analysis ini, hanya (3,4) boleh jadi tumpuan senegara. Maka pemimpin kena bermula setiap strateginya dengan mendasarkan (3,4), dengan tolak ansur terhadap (1 dan 2), jadi tercapai lah (3,4) dan akhirnya [(5) yang menyokong (3,4) dan merendahkan lagi hati (1 dan 2)].

Fasa 1 : mendasarkan ekonomi

Fasa 2 : tolak ansur antara, kesamarataan dan keistimewaan ekonomi

Fasa 3 : ekonomi kembang

Fasa 4a : juara kesamarataan dan keistimewaan kedua-duanya direndahkan coraknya

Fasa 4b : kemahiran mula dibela dan bukan diusik keluar

Kemahiran politik itu memang kena tertumpu pada 2/ tolak ansur, dan 4/ rendah hati. Jadi pakar pengendalian tisu-tisu hati ini lah yang kita harap dinaikkan dalam PRU dan kerajaan masa terdekat.

getting started on computer vision

Brief dip into computer vision jargon. Anthropomorphism. Humans learn to recognise gross gestalten, before understanding mereology ... and humans learn to recognise 2D persistence before 3D persistence. But as conscious processes develop, they discover more efficient storage formats for data, by relying on 3D persistence graphs.

So while we could train a vision system to be more human like by beginning with gross gestalten, we may want to skip forward a little bit to endow the system with the capability to immediately begin forming a database of 3D graphs, representing object topologies in the wild.

LFG :

0. Statistical globbing via neural networks should be used as a final optimisation technique, only after all known structural optimisations ("physics") have been ("logically") programmed into the system - not as a lazy shortcut from zero.

1.

1.1. Let us throw away the concept of colour, and begin only with one dimension of magnitude per unit of space - luma / luminance / brightness.

1.2. Let is ignore 3D structure and begin only with the gross phenomenology of the field of vision. 

2.

2.1. Now, mereology : we must have a way to describe subsets of any field which are interesting. The smallest item is a point of brightness.

2.2. SCALE invariance : the concept of an item growing to take up a larger fraction of the field, or shrinking to take up a smaller fraction, must exist. See SIFT, SURF, ORB, et al.

2.3. Location : the field of vision must be referenced by an address space.

2.4. Multiplicity : there may be many items of interest.

2.5. Extension in 2D : items may be linked, giving them 2D structure in the field. See "graph convolution networkS / GCNs"

2.6. ROTATIONAL invariance : the 2D structure is different if you spin it around with respect to the address space. Where you apply this to spinning everything around the system, see "sphere node graphs", though in 2D that's probably a "cylinder node graph".

... at this point we have five to six concepts that must be uniquely addressed in the cognitive space of the system. A sort of introductory transcendental aesthetic.

3.

3.1. Extension in 3D : Now we can revisit the notion of 3D space. 

3.2. Location ("distance") in 3D is associated with scale in 2D (2.2.).

3.3. Occlusion in 2D is associated with rotation in 3D. See "aspect graphs".

... and, I think that's all we need to get starting building a computer vision system, to undergird the visual ontological comprehension of any anthropomorphic computer.

4. Oh yes, we can then revisit colour and motion in the end.