Что может, что не может AI. Обсуждаем возможности, делимся опытом, спорим, но в рамках приличия.

Разумные люди есть, согласен с автором:

dzen.ru/a/ZpIBU950wlRpiMbt

Статья критикует искусственный интеллект (ИИ), утверждая, что он не является разумным и не соответствует ожиданиям. Автор называет ИИ "змеиного масла" и подчеркивает, что текущие технологии далеки от Искусственного Общего Интеллекта (АГИ) и не обладают эмоциональным интеллектом. Он указывает на высокие инвестиции в ИИ, но отмечает отсутствие реальной прибыльности у компаний. В заключение, автор призывает к этическому подходу и осознанию ограничений ИИ, предостерегая от чрезмерного оптимизма и "продавцов змеиного масла".

Слушай, ты хоть раз видел-то робот пылесос? Понимаешь как он работает? что он у тебя там трет? 

Боюсь спросить - как вопрос аккумуляторов относиться к работе/полезности ИИ? Попробуешь перечитать тему топика? 

Как раз сегодня в магазе смотрел новые модели пылесосов. Модели с ИИ уже появились, надо брать) Подключу его к форуму, все умнее будет фом неверующих и контекст лучше сгенерирует)

Вот вы тут уже на 30 страниц всякой "воды" наболтали. А сможет ли посоветовать кто-нибудь нормальный генератор картинок , желательно без цензуры, и чтобы была не такая параша как большинство подобных сервисов, когда пишешь запрос , а он тебе рисует совсем что-то другое, а чтобы рисовал точное соответствие с написанным промптом, и чтоб был какой-то бесплатный режим пользования, пусть и медленный.

Так они там и рисуют точное соответствие с промтом. Ни сарказма не понимает, ни контекста (тему вопроса).

Вы сделали дескрипшн по политкорректной форме статьи приняв ее за основу. Смысловая основа статьи - ИИ - в первую очередь инструмент развода лохов на бабки. Реальных плюсов от него - кот наплакал.

У меня робот-полотер. Купил его лет 10 назад. Модель не из дешевого сегмента. Тогда стоил 17т.р. Больше покупать не буду. Не уговаривайте. Не верю:

Эмоционального интеллекта не существует. Либо эмоции, либо интеллект. Это разные вещи.

Чтобы немного развеять мракобесие, сгустившееся над этим топиком, проведу небольшой ликбез и на простом примере расскажу, как могут генерироваться слова в нейросетях. 

Для примера возьму уже приведенный выше алгоритм "Цепи Маркова" Он был описан, если не ошибаюсь в ... 1906 году. Это информация для тех, кто рассказывает сказки о том, что знает, как улучшить нейросети))). Возможно, по ходу станет понятно, почему только сейчас это все получается реализовать.

Что бы вам не гуглить:

Це́пь Ма́ркова — последовательность случайных событий с конечным или счётным числом исходов, где вероятность наступления каждого события зависит только от состояния, достигнутого в предыдущем событии^[1]. 

Еще проще - на основе имеющихся данных высчитывается вероятность появления следующего символа. 
Как это работает.
Возьмем конечный набор данных:

words = ["apple", "banana", "orange", "grape", "melon", "kiwi", "peach", "ananas", "grapefruit", "pepper", "melon", "watermelon", "potatoes", "pineapple", "coconut"]

В нашем алгоритме мы будем строить вероятности на основе   одного или двух символов, соответственно составляем словарь всех одно- и двухбуквенных сочетаний и количество появлений следующей буквы для них.
На выходе имеем следующий словарь( использую питоновские термины, но думаю их несложно интерпретировать в любой известный вам язык)
Код:

for word in words:
    for i in range(len(word)):
        key = word[max(0, i - 1):i + 1]  # use two symb
        next_letter = word[i + 1] if i + 1 < len(word) else None

        if key not in transitions:
            transitions[key] = {}

        if next_letter:
            transitions[key][next_letter] = transitions[key].get(next_letter, 0) + 1

Результат:

{'a': {'n': 1, 'p': 1},
 'ac': {'h': 1},
 'an': {'a': 4, 'g': 1},
 'ap': {'e': 2, 'p': 2},
 'as': {},
 'at': {'e': 1, 'o': 1},
 'b': {'a': 1},
 'ba': {'n': 1},
 'c': {'o': 1},
 'ch': {},
 'co': {'c': 1, 'n': 1},
 'ea': {'c': 1, 'p': 1},
 'ef': {'r': 1},
 'el': {'o': 3},
 'ep': {'p': 1},
 'er': {'m': 1},
 'es': {},
 'fr': {'u': 1},
 'g': {'r': 2},
 'ge': {},
 'gr': {'a': 2},
 'in': {'e': 1},
 'it': {},
 'iw': {'i': 1},
 'k': {'i': 1},
 'ki': {'w': 1},
 'le': {},
 'lo': {'n': 3},
 'm': {'e': 2},
 'me': {'l': 3},
 'na': {'n': 2, 's': 1},
 'ne': {'a': 1},
 'ng': {'e': 1},
 'nu': {'t': 1},
 'o': {'r': 1},
 'oc': {'o': 1},
 'oe': {'s': 1},
 'on': {'u': 1},
 'or': {'a': 1},
 'ot': {'a': 1},
 'p': {'e': 2, 'i': 1, 'o': 1},
 'pe': {'a': 1, 'f': 1, 'p': 1, 'r': 1},
 'pi': {'n': 1},
 'pl': {'e': 2},
 'po': {'t': 1},
 'pp': {'e': 1, 'l': 2},
 'ra': {'n': 1, 'p': 2},
 'rm': {'e': 1},
 'ru': {'i': 1},
 'ta': {'t': 1},
 'te': {'r': 1},
 'to': {'e': 1},
 'ui': {'t': 1},
 'ut': {},
 'w': {'a': 1},
 'wa': {'t': 1},
 'wi': {}}

Обратите внимание, что для 15 базовых слов мы получили словарь из 57 элементов. Дальше поймете, почему я это отметил.
Но это пока еще сырой список. Нам же нужно понимать вероятность появления следующей буквы, поэтому несложным путем высчитаем ее:

for letter, next_letters in transitions.items():
    total = sum(next_letters.values())
    for next_letter in next_letters:
        next_letters[next_letter] /= total

В результате наш псеводнейрон уже выглядит так:

{'a': {'n': 0.5, 'p': 0.5},
 'ac': {'h': 1.0},
 'an': {'a': 0.8, 'g': 0.2},
 'ap': {'e': 0.5, 'p': 0.5},
 'as': {},
 'at': {'e': 0.5, 'o': 0.5},
 'b': {'a': 1.0},
 'ba': {'n': 1.0},
 'c': {'o': 1.0},
 'ch': {},
 'co': {'c': 0.5, 'n': 0.5},
 'ea': {'c': 0.5, 'p': 0.5},
 'ef': {'r': 1.0},
 'el': {'o': 1.0},
 'ep': {'p': 1.0},
 'er': {'m': 1.0},
 'es': {},
 'fr': {'u': 1.0},
 'g': {'r': 1.0},
 'ge': {},
 'gr': {'a': 1.0},
 'in': {'e': 1.0},
 'it': {},
 'iw': {'i': 1.0},
 'k': {'i': 1.0},
 'ki': {'w': 1.0},
 'le': {},
 'lo': {'n': 1.0},
 'm': {'e': 1.0},
 'me': {'l': 1.0},
 'na': {'n': 0.6666666666666666, 's': 0.3333333333333333},
 'ne': {'a': 1.0},
 'ng': {'e': 1.0},
 'nu': {'t': 1.0},
 'o': {'r': 1.0},
 'oc': {'o': 1.0},
 'oe': {'s': 1.0},
 'on': {'u': 1.0},
 'or': {'a': 1.0},
 'ot': {'a': 1.0},
 'p': {'e': 0.5, 'i': 0.25, 'o': 0.25},
 'pe': {'a': 0.25, 'f': 0.25, 'p': 0.25, 'r': 0.25},
 'pi': {'n': 1.0},
 'pl': {'e': 1.0},
 'po': {'t': 1.0},
 'pp': {'e': 0.3333333333333333, 'l': 0.6666666666666666},
 'ra': {'n': 0.3333333333333333, 'p': 0.6666666666666666},
 'rm': {'e': 1.0},
 'ru': {'i': 1.0},
 'ta': {'t': 1.0},
 'te': {'r': 1.0},
 'to': {'e': 1.0},
 'ui': {'t': 1.0},
 'ut': {},
 'w': {'a': 1.0},
 'wa': {'t': 1.0},
 'wi': {}}

И собственно, уже все готово для генерации слова. 

Как это происходит? Запускаем код и вводим первые 2 буквы, из которых мы хотим сгенерировать слово, например "pe" В словаре находим сочетания для него:

'pe': {'a': 0.25, 'f': 0.25, 'p': 0.25, 'r': 0.25},

Недалекий фрефоркер увидел в коде random, не удосужился почитать, что это за функция. А random.choice выбирает не случайную букву из последоваиельности, а на основе весов. В данном случае веса одинаковы, значит выбирается первая буква. Получаем "pea". Помним, что наш алгоритм использует 2 последних буквы. Значит ищем следующее сочетние для "ea":

'ea': {'c': 0.5, 'p': 0.5},

Получаем: "peac", продолжаем поиск для "ac":

'ac': {'h': 1.0},

Тут  уже без вариантов.  Получаем: "peach"
Ищем для "ch":

'ch': {},

Вариантов нет, генерация закончена, полученное слово - персик) Можно еще добавить проверку на наличие слова в словаре исходном и останавливать генерацию при совпадении.

Это простейший механизм генерции слов. Без дополнительного обучения системы, исправления ошибок и прочего. Просто? Да! А теперь подумаем - а не так ли работает наш мозг? Точно так же мы обрабатываем подходящие варианты и получаем результат.

Почему я в начале привел длины исходного списка и результирующего словаря? Это почему алгоритмы, известные в начале прошлого века, получилось реализовать только сейчас. Я использую только 15 исходных слов и для генерации беру последних 2 буквы. А попробуйте создать словарь, например из 100 слов и анализировать 4 буквы? Надеюсь все знают что такое декартово множество и смогут посчитать результирующий словарь. 
А это самый простой и понятный механизм. Тензор использует более сложные алгоритмы для исключения ошибок, например. 

Поэтому все это полезно в образовательных целях. На практике нужно учиться использовать LLMs и механизмы работы со своими данными.

Дети, не получившие нормального эмоционального развития, потом тупые и безвольные по жизни. Эмоции запускают интеллект.

Зачем? На вскидку без вникания в то, что вы выложили, это перебор с подсчетом частот. Можно прыгнуть, плюнуть, посчитать числа, найти дисперсию в научных данных. Но зачем? Человек, экономя свое время и ресурсы, вынужден выбирать правильное действие из множества бессмысленных и миллиона возможных. Какой ограничить на "бессмысленность действий" у ИИ?

Если ты до сих пор не понял, то для

Но вот этот перл обьясняет все:

Это догма твоего подхода ко всему. И очередная просьба - не засорять тему. Она для тех, кому интересно разобраться а не плюнуть. Продолжай мыть пол грязной тряпкой ручками.