Введение
С новой растущей разработкой и обучением моделей ИИ и машинного обучения кажется, что люди слишком обеспокоены тем, что ИИ завладеет технической областью и промышленностью или вообще миром. Итак, в сегодняшней статье я буду обсуждать тему и вопрос, который, кажется, все задают мне, а именно: «Захватит ли AI/ML работу и лишит всех рабочих мест». Эта статья на самом деле не будет полностью статистической, и это заранее сделанный прогноз, основанный на опыте авторов (Totally_Not_A_Haxxer) использования моделей AI и ML как лично, так и в сфере труда. В этой статье мы разделим ее на вопросы и разделы, где каждый раздел представляет собой отдельный уникальный вопрос, на который я ответил или должен был ответить лично на сервере. Прежде чем мы перейдем к этим вопросам и начнем пытаться предоставить доказательства конкретных вариантов использования и примеров, давайте разберем некоторые термины, чтобы читатель (вы) мог намного легче понять эту статью.
Понятия и определения
МО → Машинное обучение. МО означает машинное обучение, которое представляет собой область искусственного интеллекта (ИИ), включающую создание алгоритмов и моделей, способных обучаться и делать прогнозы или принимать решения на основе данных.
ИИ → Искусственный интеллект: относится к разработке компьютерных систем, которые могут выполнять задачи, которые обычно требуют человеческого интеллекта, такие как визуальное восприятие, распознавание речи, принятие решений и обработка естественного языка.
GW → Ghost Writer. Под псевдонимом понимается кто-то или люди, которые анонимно пишут статьи под другим именем для определенной организации или названия компании. Например, написание статьи об ИИ, которую они публикуют, не будет называться их настоящим именем или онлайн-псевдонимами или быть связано с их именем.
NLPM → Модель обработки естественного языка. Часто относится к технологии машинного обучения, такой как GPT, которая специализируется на обработке и понимании естественного языка.
TL → Трансферное обучение. Трансферное обучение — это метод, который обычно включает использование уже обученной модели машинного обучения для самостоятельного обучения другой модели. Обычно это делается для увеличения времени и скорости тренировочного процесса, поскольку тренировочный процесс, проводимый с помощью гораздо более высокой и интеллектуальной модели, означает, что результаты могут быть рассчитаны, а обучение может быть выполнено намного быстрее.
Вопросы искусственного интеллекта и машинного обучения
Этот раздел снова будет разбит на несколько вопросов, на которые будут даны ответы и сформулированы мнения. Честное предупреждение, все эти вопросы сформулированы на основе опыта авторов в отрасли и использования технологий машинного обучения и искусственного интеллекта, а не их использования. Прежде чем перейти к статье, я хотел бы сначала обсудить свой опыт в этой области, мое личное понимание ИИ и того, как он работает, мое уважение к нему и то, как я считаю, что люди должны его использовать. Объяснение моего личного предубеждения в отношении AI/ML с опытом может привести вас к полному пониманию того, о чем эта статья, поэтому, без лишних слов, давайте углубимся в нее.
Личный опыт авторов с использованием AI/ML
Для начала, для тех, кто может не знать меня по моей странице или в социальных сетях: я являюсь GH (призрачным писателем) для нескольких компаний и организаций, я также разработчик и исследователь безопасности, который работает подрядчиком для нескольких групп, организации и компании с открытым исходным кодом по всему миру. У меня около двух лет опыта работы в этой области, и у меня было несколько месяцев опыта работы с технологиями машинного обучения и искусственного интеллекта для создания контента, который дает мне прекрасную возможность узнать больше и расширить свои возможности логической обработки. Итак, давайте поговорим об убеждениях. Исходя из личного опыта, у меня есть единственная черта, которую я не переступлю, которая становится правильным использованием ИИ и МО против злоупотребления ИИ и МО. Как объяснялось выше, у меня есть опыт заключения контрактов в качестве GH с несколькими компаниями по всему миру, и почти половина из них хотели, чтобы я начал использовать такие утилиты, как jasper.AI и даже GPT, для создания экологически безопасных статей, которые они назвали способом снять нагрузку с моего ящик для создания статей объемом 30 000 слов. Вы можете сразу подумать: «Вау, тебе платят за то, что ты ничего не делаешь», но этот фактор на самом деле не соответствует действительности, и вот почему. При использовании технологий машинного обучения и искусственного интеллекта, таких как Jasper и GPT, вам все равно нужно ЗНАТЬ подсказки, ЗНАТЬ письмо и ЗНАТЬ человеческие эмоции, чтобы редактировать и читать статью объемом более 40 000 слов и изменять около 70% ее. Здесь также начинает определяться моя линия, в случае с этими компаниями и моей областью работы понятно, почему они хотят, чтобы я использовал модели AI и ML, потому что ни один человек не хочет создавать или писать 12 статей по 40 000 слов, разделенных на серии. информации, потому что гораздо проще использовать NLPM для генерации этих данных, но это все равно не отнимает столько работы, как вы думаете. Несмотря на то, что такие люди, как я, создают эти статьи для работы, все еще требуется так много редактирования, чтобы сделать эту статью более заметной и сделать ее намного более эмоциональной и понятной для людей, чтобы учиться и читать. Теперь, когда дело доходит до других областей, здесь ИИ как бы вступает в противоречие с моими убеждениями. Основываясь на своем опыте, я бы сказал, что есть способ использовать ИИ и способ не использовать ИИ. Например, рассмотрим следующую ситуацию.
Боб учится на уроке математики, но не может понять или закончить вопрос своего теста. Этот вопрос касается темы, которую Боб забыл изучить из-за того, что не может полностью понять указанный вопрос.
Если бы Боб хотел учиться на чем-то вроде GPT, Боб дал бы лучший предсказуемый ответ, основанный на его знаниях, и как только он получит тест и получит свои результаты, он ответит на вопрос и попросит GPT разбить каждую часть математики на основе особый синтаксис обучения. Это пример того, как Боб использует GPT этично и уважительно, то есть не злоупотребляет системой, чтобы выплевывать информацию. Теперь, если Боб скопирует и вставит свой вопрос в GPT и попросит его решить его за него, не изучая ничего, а просто скопирует и вставит ответы в чат, тогда он будет очень хорошо злоупотреблять моделью, чтобы давать ему ответы, которые больше всего скорее всего даже не прав. Лично я могу сказать, что если кто-то хочет использовать модели AI/ML, то он должен с уважением использовать их в качестве учебного ресурса, когда речь идет о личных проектах, искусстве и т. д., но когда дело доходит до работы, это зависит от области. В примере с GH для них имело бы смысл использовать модель для создания конкретной статьи и создания выводов или введения для этой статьи, но если бы они просто встали и сказали: «О, просто сгенерируйте мне такую-то и такую-то статью для моей личной жизни». блог, то снова его просто злоупотребляют им. Моя личная точка зрения на то, как следует использовать ИИ, немного дикая и немного другая, поскольку есть тонкая грань, которую трудно пересечь. В контексте программирования и технологий я думаю, что вы получите больше от модели, если будете использовать ее для обучения, а не просто для того, чтобы решить вопрос программирования, скопировать и вставить его в свой код, а затем изменить несколько переменных. Я надеюсь, что этот раздел даст вам хорошее представление о том, к чему я клоню и куда движется статья из-за этой личной предвзятости (которая есть у каждого человека).
Примечание. Предвзятость автора не повлияет на общее исследование, включенное в эту статью, и важно, чтобы вы (читатель) оставались полностью открытыми при чтении этих мыслей и понимали, что это предсказание будущего или позиция в отношении того, где технологии ИИ и МО основан на сотнях часов опыта работы с моделями AI и ML как для рабочих нагрузок (поскольку компания назначает автора для использования), так и для личного обучения с точки зрения квантовой механики, математики, дизайна пользовательского интерфейса и UX, а также других областей, таких как как программирование и концептуальный дизайн.
Теперь давайте, наконец, перейдем к вопросам, которые все, кажется, задают мне изо дня в день о будущем технологий искусственного интеллекта и машинного обучения.
Вопрос №1. Исходя из вашего опыта, программисты в опасности?
Короткий ответ: нет, работа по разработке и кибербезопасности или любая технологическая работа не находятся в опасности. Вот длинный ответ на это. Я работал с моделями AI и ML, такими как Watson, Jasper, GPT, OAI (Open AI), и даже работал с такими библиотеками, как tensorflow и распознавание речи в python, при этом я потратил сотни часов, используя модели AI и ML для личных и задачи, связанные с бизнесом. Учитывая мой опыт и современные популярные наборы технологий AI и ML, такие как Jasper и GPT3–4, я все же не думаю, что кому-то угрожает опасность, потому что даже если вам удастся получить из этого какой-то хороший код, то он, скорее всего, будет устаревшим. или не работают к моменту обучения модели. GPT4 уже доказано, что он значительно более продвинут, чем GPT3, но почему именно? GPT4 прошел другую фазу обучения, которая не использовалась в предыдущих моделях. В отличие от предыдущих моделей GPT, разработчики и авторы модели GPT решили использовать модель GPT3 ML для обучения модели GPT4, и это широко известно как TL (передача обучения). Поскольку они использовали уже продвинутую модель для обучения другой, более новой модели, процесс обучения не только проходил быстрее, но и выполнялся намного проще, чем предыдущий метод обучения. Несмотря на эти изменения, эти данные через 4 года все еще будут готовыми и устаревшими, например, в случае с GPT, если вы скажете ему сгенерировать программу, строку кода или набор инструкций кода, существует шанс, что даже при более новая модель этого кода может дать сбой в следующем году или около того из-за количества изменений, через которые проходит язык. Несмотря на то, что GPT4 по-прежнему является гораздо более продвинутым, смещение в алгоритме все еще очень новое и часто встречается, если вы можете заставить его работать определенным образом. Вот почему программисты не в опасности, главным образом потому, что самые популярные модели, несмотря на то, что они могут генерировать код, не означают, что они всегда будут точными и совершенными просто потому, что люди не совершенны, и в хороших моделях используются модели, созданные людьми. Следующий текст был вторичным ответом, который я упомянул на сервере разногласий, следуя той же идее.
У меня есть несколько работ как в качестве подрядчика, так и в качестве участника в некоторых довольно приличных технических компаниях, и большая часть моей работы связана с программированием, безопасностью кода / проверкой кода и написанием. Вы увидите, как писательская работа вступает в игру с этим и утверждением в целом. Итак, по мере того, как модели AI/ML становятся более сильными и обширными, я думаю, что некоторые рабочие места могут быть сокращены, но я не боюсь этого просто потому, что по моему опыту я уже как человек в 30 000 раз лучше, чем модель ML. Единственная вещь и причина, по которой модели машинного обучения и модели искусственного интеллекта так раскручены, заключается в том, что они быстро реагируют. Возьмем, к примеру, мою писательскую работу. Обычно я лично пишу статьи объемом 11 000 слов в качестве ограниченного количества, и максимум, что я когда-либо писал, составлял 25 000 слов за один день. Такие модели, как GPT3 и Jasper AI, — это все модели и технологии, которые несколько компаний, с которыми я сотрудничаю как писатель, заставляют меня использовать из личного опыта, нет никакой разницы, кроме модели AI / ML и человека, кроме скорости и эмоций. Когда вы думаете о программировании, многие люди хотят быстрых результатов, потому что это имеет смысл для производства, но, честно говоря, с тем, как идет генерация кода (ужасно), он не сможет начать занимать рабочие места в течение следующих нескольких лет, по крайней мере, 10–10 лет. 20. Я говорю это потому, что для обучения моделей и моделей обработки языка AI/ML требуются годы за годами и требуется ручная помощь в процессе обучения и постоянное обслуживание со стороны команд, которые их разрабатывают. Jasper AI настолько чертовски херня при генерации текста, что мне приходится переписывать 90% выводов из 4000 слов, которые он напишет для статей, которые компания заставляет меня писать. Моя работа и текущая работа полностью используют модели AI/ML, и я могу сказать вам исключительно из прошлого и текущего опыта, что создание программ и статей требует больше усилий, чем их самостоятельное написание (если вы хороший писатель), например, следующий текстовый документ — это подсказка, которую мне пришлось использовать в GPT для создания самой БАЗОВОЙ статьи, которую мне пришлось редактировать не менее 5 раз, чтобы заставить ее работать.
ТЕКСТОВЫЙ ДОКУМЕНТ НЕ ПОКАЗАН ПО ПРИЧИНАМ КОНФИДЕНЦИАЛЬНОСТИ
В заключение:Возможно, это станет чем-то в будущем, но я сомневаюсь, что они возьмут на себя 90% рабочих мест, потому что я знаю программистов, которые работают быстрее, чем большинство моделей, таких как GPT, включая меня. Если у вас есть хороший разработчик, то большинство из них разработают проекты менее чем за час, на создание модели уйдет 15 дней. Сейчас это просто медленно, это снова возможно, но я не боюсь этого из-за тысяч часов, которые я провел и работал с такими моделями, как GPT, JASP и другими моделями обработки языка.
Это утверждение как бы проясняет и подтверждает все, что я говорил, даже с моделями, которые специализируются на конкретных темах, таких как jasperAI для письма, они никогда не бывают идеальными, и все еще требуются часы для точной настройки результатов, что в некоторых случаях лучше, чем несколько дней работы. написание для авторов или несколько месяцев преподавания для учителей. Учитывая мой личный опыт, я до сих пор, несмотря на шумиху, знаю, что в настоящее время он не будет занимать рабочие места, даже тогда потребуются люди и программисты, чтобы поддерживать его.
Вопрос № 2. Считаете ли вы, что модели AI/ML могут быть полезны для работников?
Это статья для меня и да и нет, лично и в целом да, я думаю, что это может зависеть от работы, но если у вас есть конкретная работа, которая требует гораздо более логической обработки, такой как разработка, то нет, я не думаю, что это будет создают полезную среду или обстановку для разнорабочих. Некоторые рабочие места ДОЛЖНЫ быть автоматизированы, в конце концов, именно поэтому технология была разработана, и именно поэтому она была сделана для предотвращения опасных или ужасных условий, в которых людям пришлось бы работать в то время. Здесь же она просто автоматизирует очень утомительную задачу, которая не стоит того. это. Несмотря на это, в этом есть и минус, и это тот фактор, что генерируемый код по-прежнему является очень ошибочной концепцией и все еще имеет много изгибов, которые разработчики и люди, которые пишут и разрабатывают эти наборы или фреймворки, должны проработать. как в математике, так и в общей компьютерной науке, которая стоит за ней. Если бы мы использовали GPT3 и GPT4 для каждого бита генерации кода, несмотря на то, что это NLPM, мы бы нашли так много уязвимостей и так много ошибок. Когда разработчики и авторы GPT4 продемонстрировали его, модель показала многое из того, на что она способна сейчас с точки зрения продвинутого обучения. Тем не менее, это все еще не приводит к тому, насколько безопасна и насколько пронизана бэкэнд-разработка или даже фронтенд-разработка сгенерированным кодом. Конечно, код был хорошим, и все, что они продемонстрировали, было хорошим, но давайте рассмотрим это в более широком аспекте. Должны ли мы действительно доверять модели AI / ML, которая представляет собой NLPM, для создания всей базы кода, предназначенной только для разработки бэкэнда? Я признаю, исходя из личного использования, что набор NLPM GPT действительно удивителен, и он очень хорошо работает с пониманием вопросов, которые я ему задавал, особенно когда речь шла о квантовой механике и квантовой математике. Если вы попросите его даже написать вам и объяснить, как работает математика, стоящая за конкретной квантовой функцией, тогда он действительно преуспеет. Например, когда я впервые начал изучать квантовую механику, я задал вопрос: «Математическое объяснение квантовой волновой функции», конечно, подсказка была намного глубже и детальнее, но вот ответ, который она дала.
В квантовой механике состояние квантовой системы описывается волновой функцией, обозначаемой символом Ψ. Волновая функция — это математическая функция, описывающая амплитуду вероятности обнаружения частицы в определенном месте в пространстве и времени.
Волновая функция Ψ является комплексной функцией, то есть имеет как действительную, так и мнимую часть. В математической записи волновая функция может быть записана как:
Ψ(x, t) = A(x, t) e^(iφ(x, t))
Где:
x - положение частицы
это время
A(x, t) — амплитуда волновой функции
φ(x, t) — фаза волновой функции
i — мнимая единица, определяемая как квадратный корень из -1.
Амплитуда A(x, t) представляет собой плотность вероятности нахождения частицы в положении x и в момент времени t. Фаза φ(x, t) — комплексная функция, определяющая интерференционную картину волновой функции, описывающей поведение частицы.
Волновая функция удовлетворяет уравнению Шредингера, дифференциальному уравнению в частных производных, которое описывает эволюцию волновой функции во времени. Уравнение Шрёдингера имеет вид:
iħ ∂Ψ/∂t = H Ψ
Где:
я воображаемая единица
ħ - приведенная постоянная Планка
∂Ψ/∂t — частная производная волновой функции по времени
H — оператор Гамильтона, описывающий полную энергию квантовой системы.
Уравнение Шредингера используется для расчета эволюции волновой функции во времени и, следовательно, вероятности нахождения частицы в определенном состоянии в данный момент времени. Волновая функция и уравнение Шредингера являются фундаментальными понятиями квантовой механики и используются для объяснения многих явлений, включая поведение электронов в атомах и свойства сверхпроводников. Пример простой волновой функции:
Ψ(x, t) = A sin(kx — ωt)
Где:
A - амплитуда волны
k — волновое число, связанное с длиной волны λ уравнением k = 2π/λ
x - положение частицы
ω — угловая частота, связанная с частотой f уравнением ω = 2πf
т это время.
Эта волновая функция представляет собой синусоидальную волну, распространяющуюся в пространстве и времени. Амплитуда A определяет максимальное смещение волны, а волновое число k и угловая частота ω определяют длину волны и частоту волны соответственно. Волновая функция удовлетворяет уравнению Шредингера и может использоваться для расчета плотности вероятности обнаружения частицы в определенном месте в заданное время. Однако важно отметить, что этот пример представляет собой упрощенную версию волновой функции и что более сложные волновые функции обычно используются для описания квантово-механических систем.
Любой, у кого есть базовое понимание математики и квантовых компьютеров, может легко это понять, и это объяснение, особенно с примером, было действительно хорошо сделано. Однако именно здесь начинают давать сбои набор GPT NLPM и его реализация. Если вы попросите его объяснить QKD простыми словами, а затем попросите его реализовать его пример с использованием протокола BB84 на таком языке, как C++, без сторонних библиотек, тогда он будет продолжать снова и снова не реализовывать его и продолжать просто повсюду. сбой и продолжит сбой, даже если вы скажете ему продолжить с последней строки. Именно здесь ML становится проблемой, даже если ML используется или обучается для определенных целей, таких как генерация кода, обработка языка, обработка изображений, компьютерное зрение и т. д., модель все равно следует использовать для обучения людей. В каком-то смысле GPT — это более быстрый Google, и этим все сказано. Именно здесь люди часто путаются, говоря, что GPT отлично подходит для работы, потому что на самом деле это не так, и если кто-то планирует использовать GPT в качестве фактического исполнения для работы, то его компания в течение следующего года сильно пострадает не только уязвимости, но ошибки и компания потеряет деньги БЫСТРО. Однако, если компания говорит своим сотрудникам использовать его в образовательных целях, создает много проблем и обучает правильному и этичному варианту использования, тогда компания и сотрудники могут получить от этого выгоду.
Вопрос № 3 — Как вы думаете, популярность утихнет?
Да, как и все, что связано с ИИ и МО, его популярность будет постоянно снижаться примерно через год и станет менее используемой, чем предполагалось. Давайте будем честными, AI и ML не идеальны, НО они будут использоваться во многих вещах достаточно скоро, но станет ли они настолько популярными, что все будут использовать их, и все будут использовать их, чтобы диктовать свою повседневную жизнь? Нет. Возможно, есть одна небольшая группа людей, которые пытаются сделать AI / ML чрезмерно раскрученным. Например, все эти люди, когда выходит что-то, связанное с ИИ, чрезмерно раскручивают это и всех пугают, именно поэтому я думаю, что на самом деле рабочие места не будут отняты, потому что шумиха так пугает людей, потому что они не понимают эту технологию. . Как вчера перед написанием этой статьи какой-то чувак на Reddit говорил о том, как они используют GPT для тестирования нейронов человека, но GPT не является НЛП, он не был разработан и даже не специализируется в этой области, и NLPM работает не так. Люди, которые прыгают в социальные сети и снимают видео о том, как модели AI и ML захватят мир, являются той самой причиной, по которой люди теряют интерес и не заботятся, они все прыгают на одной и той же высокой лошади в социальных сетях и сбиваются с ног, как только они получить их просмотры и лайки за создание видео, связанного с GPT, и это все, что нужно большинству людей. Если бы люди были действительно обеспокоены этим, то мы бы увидели, как количество посещаемых технологических классов и число зарегистрированных людей стремительно растет, потому что кто-то, кто думает, что он в опасности, обеспечит свое технологическое место в мире как тот, кто разрабатывает эти технологии. Честно говоря, да, популярность утихнет, дети будут продолжать использовать его, чтобы списывать на экзаменах и быть выгнанными из колледжа, люди будут использовать его, чтобы диктовать свою жизнь и понимать, где они ошиблись, а затем перестанут его использовать. Это то же самое, что произошло с Jasper и другими моделями, подобными AI/ML. Это тот же процесс на повторе, в то время как люди, которые не понимают технологии, паникуют, люди, которые понимают, будут иметь более спокойное мышление и просто продолжат свой путь. Можем ли мы с абсолютной уверенностью сказать, что ИИ и МО НЕ ЗАНИМАЮТ рабочие места? По словам Питера Унгера, нет, потому что абсолютной уверенности не существует, но, вообще говоря, вне теории, тогда нет, мы все еще не можем быть уверены, но мы можем делать точные прогнозы на основе набора предварительно обученных данных и знаний о том, как работают эти технологии.
Вопрос №4 — Как GPT и другие модели повлияют на жизнь людей?
Что ж, с социальными сетями и тем, как люди используют GPT в качестве тактики запугивания в политических интересах, я могу предположить, что это повлияет на людей, как и раньше, негативным образом. Если мы посмотрим на все разговоры о GPT, вы заметите, что 34% видео о злоупотреблении им, остальные 50% о том, как GPT захватит рабочие места, и последние 16% о том, как его использовать. правильно и как работает GPT, что завалено массой видео, которые показаны как ненависть к модели и разработчикам. В настоящее время AI и ML уже злоупотребляют, как Jasper, но растущая популярность GPT и то, насколько умопомрачительным он стал для людей, злоупотребляют гораздо больше. Я имею в виду, что есть статьи за статьями, объясняющие, как студентов ловят на жульничестве, выгоняют из класса, выгоняют из армии и многое другое за использование этой модели. Таким образом, если люди ничего не узнают в ближайшее время, то злоупотребление ИИ и МО приведет к отрицательному результату из-за небольшого явления, называемого «карма». Идея о том, что кто-то будет злоупотреблять моделью, а затем его уволят или выгонят из школы, имеет смысл только тогда, когда люди, которые используют ее должным образом и используют ее в качестве учебного ресурса, на самом деле не поймут эту проблему. Так что, честно говоря, исходя из того, что я, автор, видел, и того опыта, который у меня есть, это повлияет на вас негативно.
Вопрос № 5. Считаете ли вы, что ИИ и МИ являются хорошим учебным ресурсом?
ДА! ДА! Из сотен, возможно, тысяч часов, которые я провел, используя модели машинного обучения и искусственного интеллекта, я узнал в 20 раз больше, чем когда-либо узнал бы за половину времени поиска в Google того же ответа. Я не могу жаловаться на ИИ, потому что я использую его, чтобы научить меня чему-то, например, если я борюсь с тем, почему в моем коде есть ошибка, я не прошу его исправить это для меня, я скорее прошу его дать мне описание что не так, как я могу это исправить, лучшие практики и почему то или иное исправление, возможно, было долгим и более раздражающим путем. То, как я лично использую ИИ и многие другие, которых я знаю, является лучшим способом его использования, потому что вы можете извлечь из него уроки, это именно → этичное использование. Если вы используете что-то правильно, вы получите желаемые результаты. Например, давайте зададим вопрос, на который GPT ответит за нас.
Почему двоичное число или набор двоичных чисел 010110 дает результат 4168?
Чтобы мы могли правильно извлечь уроки из процесса, мы можем переформатировать вопрос следующим образом:
Why is the binary number or set of binary number 010110 resulting in the answer of 4168? Can you explain this using binary arithmetic and draw a basic diagram. Deep explain this as well so I can grab a base understanding of the binary representation.
Спросив это, вы получите…
Конечно! Чтобы понять, как двоичное число 010110 соответствует десятичному числу 4168, нам нужно сначала понять, как работает двоичная арифметика.
Двоичная арифметика — это система арифметики, в которой для представления чисел используются только две цифры, 0 и 1. Каждая цифра в двоичном числе называется битом, и положение каждого бита представляет собой разную степень числа 2. Крайний правый бит представляет 2⁰ (что равно 1), следующий бит слева представляет 2¹ (что равно 2), последний следующий бит слева представляет 2² (что равно 4) и так далее.
Итак, давайте разберем двоичное число 010110:
Крайний правый бит равен 0, что представляет 2⁰ (что равно 1)
Следующий бит слева равен 1, что соответствует 2¹ (что равно 2).
Следующий бит слева снова равен 1, что соответствует 2² (что равно 4).
Следующий бит слева равен 0, что соответствует 2³ (что равно 8).
Следующий бит слева равен 1, что соответствует 2⁴ (что равно 16).
Крайний левый бит снова равен 0, что соответствует 2⁵ (что равно 32).
Чтобы преобразовать это двоичное число в десятичное, мы просто складываем значения, представленные каждым битом:
1 x 2¹ + 1 x 2² + 0 x 2³ + 1 x 2⁴ + 0 x 2⁵ = 2 + 4 + 0 + 16 + 0 = 22
Следовательно, десятичное представление двоичного числа 010110 равно 22.
Однако вы упомянули, что двоичное число 010110 привело к ответу 4168. Это неверно, поскольку 4168 не является десятичным представлением двоичного числа 010110. Возможно, произошла ошибка в процессе преобразования или вычисления.
Что касается диаграммы, мы можем представить двоичное число 010110, используя позиционную систему счисления, где каждая позиция представляет степень числа 2:
0 1 0 1 1 0
2⁵ 2⁴ 2³ 2² 2¹ 2⁰
Значение каждого бита можно рассчитать, умножив бит на соответствующую степень числа 2, а затем сложив результаты:
(0 x 2⁵) + (1 x 2⁴) + (0 x 2³) + (1 x 2²) + (1 x 2¹) + (0 x 2⁰) = 22
Я надеюсь, что это объяснение и диаграмма помогут понять, как работает двоичная арифметика и как преобразовывать двоичные числа в десятичные.
Это отличный пример того, как мы можем использовать технологии машинного обучения и искусственного интеллекта для обучения! Когда я работал со своим языком программирования SkyLine, мне нужно было добавить двоичные вычисления и общую математику с двоичными числами, поскольку смысл и цель языка как раз этого и требовали. Итак, я попросил набор моделей GPT лучше объяснить, как это работает, и концепцию реализации. С хорошим пониманием того, как работает эта концепция, я легко смог реализовать прямую реализацию двоичных чисел на языке, что было довольно круто, особенно то, чему он научил меня на этом пути. Выполнение этого на бумаге с использованием внешних ресурсов также показывает, насколько это сработало и в чем смысл.
Заключение
Мир AI и ML обязательно повлияет на нас в какой-то момент, но результат может быть хорошим или плохим, в конце концов, это зависит от того, как люди хотят с ним работать, насколько усердно они готовы его использовать и в каких условиях. состояние, в котором они хотят его использовать. Вся причина, по которой люди чрезмерно беспокоятся об этом, заключается в их взглядах на это и в том, что мы просто злоупотребляем этим и не используем его правильно. Если бы люди воспользовались шансом и приложили усилия, чтобы учиться у них, то они действительно могли бы узнать что-то новое из модели, которую они используют, и не слишком беспокоиться о мире и о том, как он будет контролироваться моделями ИИ и машинного обучения. Откройте свой разум для новых идей, но лучше исследуйте эти новые идеи и исследуйте их! Я надеюсь, вам, ребята, понравилась эта статья, мне было немного странно ее выпускать, но на самом деле было приятно писать, и я чувствую, что поделился своим мнением, учитывая, что мой опыт того стоил.
До следующей статьи, я ценю просмотр и чтение статьи, если вы зашли так далеко.
~ Полностью_Not_A_Haxxer ВЫХОДИТ!
Если вы хотите не отставать от меня, не забудьте подписаться на меня в других формах социальных сетей!
