Страждаєте від втоми від чат-бота? Засмучені тим, що сингулярність було скасовано? Шукаєте щось нове, що подарує вам надію? Ось мій маячний, але «гей, це начебто має сенс» план побудови суперінтелекту в моїй маленькій лабораторії інді-досліджень (примітка: я проміняю точність на педагогіку) По-перше, передісторія: Мені 33 роки, і я провів останні 22 роки за програмуванням. За цей час я поставив багато запитань про природу обчислень і накопичив деякі зовсім... Своєрідний... Розуміння. Кілька років тому я побудував HVM, систему, здатну запускати програми на езотеричній мові під назвою «Haskell» на графічному процесорі - так, той самий чіп, який змусив працювати глибоке навчання, і запустив весь цей цикл штучного інтелекту. але як Haskell ставиться до штучного інтелекту? Ну, це довга історія. як старші, можливо, пам'ятають, тоді те, що ми називали «штучним інтелектом», було... різний. Майже 3 десятиліття тому, вперше в історії, комп'ютер переміг чемпіона світу з шахів, викликавши безліч дискусій про AGI та сингулярність - так само, як і сьогодні! система, названа Deep Blue, сильно відрізнялася від моделей, які ми маємо сьогодні. У ньому не використовувалися трансформатори. При цьому взагалі не використовувалися нейронні мережі. По суті, ніякої «моделі» не існувало. це був чистий «символічний штучний інтелект», тобто це був просто звичайний старий алгоритм, який сканував мільярди можливих рухів, швидше і глибше, ніж будь-яка людина, перемагаючи нас чистою грубою силою. це викликало хвилю багатообіцяючих символічних досліджень штучного інтелекту. еволюційні алгоритми, графи знань, автоматизоване доведення теорем, розв'язувачі SAT/SMT, розв'язувачі обмежень, експертні системи та багато іншого. На жаль, з часом підхід вдарився об стіну. Побудовані вручну правила не масштабувалися, символічні системи не могли *навчатися* динамічно, і бульбашка лопала. розпочалася нова зима штучного інтелекту. Лише через роки дивний збіг факторів змінив усе. Дослідники змахнули пил зі старої ідеї - нейронних мереж - але цього разу у них з'явилося дещо нове: графічні процесори. Ці графічні чіпи, спочатку створені для рендерингу відеоігор, виявилися ідеальними для масивного множення матриць, якого вимагали нейронні мережі. Раптом те, на що йшли тижні, можна було зробити за кілька годин. Глибоке навчання вибухнуло, і ось ми сьогодні з трансформерами, які поїдають світ. Але ось у чому справа: ми перенесли на графічні процесори лише *одну* гілку ШІ – коннекціоністську, числову. Символічна сторона? він все ще застряг у кам'яному столітті процесорів. Haskell — це особлива мова, оскільки вона об'єднує мову доведень (тобто ідіому, яку математики використовують для вираження теорем) з мовою програмування (тобто тим, що розробники використовують для створення додатків). Це робить його унікально придатним для символьного міркування - саме такого типу обчислень, який використовував Deep Blue, але тепер ми можемо виконувати його масово паралельно на сучасному обладнанні. (Щоб бути більш точним, просто масивна паралельність графічного процесора - не єдина річ, яку HVM пропонує на стіл. Виявляється, це також призводить до *асимптотичних* прискорень у деяких випадках. І це ключова причина вірити в наш підхід: минулі символічні методи не просто були позбавлені обчислювального голоду. Вони були експоненціально повільними, в алгоритмічному сенсі. Не дивно, що вони не працювали. У них не було такої можливості.) Моя теза проста: тепер, коли я можу запустити Haskell на графічних процесорах, і враховуючи це асимптотичне прискорення, я можу воскресити ці старі символічні методи штучного інтелекту, масштабувати їх на порядки і подивитися, що станеться. Можливо, просто можливо, хтось із них нас здивує. Наша перша віха вже в русі: ми створили найшвидший у світі синтезатор program/proof, який я називаю SupGen. або NeoGen. або QuickGen? ми випустимо його як оновлення нашої мови "Bend", зробивши його загальнодоступним приблизно наприкінці жовтня. Потім, пізніше цього року, ми використаємо його як основу для нової дослідницької програми, шукаючи чисту символічну архітектуру, яка насправді може вчитися на даних і будувати узагальнення – не через градієнтне спуск і зворотне поширення, а через логічні міркування та синтез програм. Наші перші експерименти будуть дуже простими (на відміну від GPT-2), а головною віхою буде наявність «наступного інструменту для завершення токенів», який на 100% вільний від нейронних мереж. Якщо це спрацює, це може стати новаторським стрибком за межі трансформаторів і глибокого навчання, тому що це абсолютно новий підхід, який, швидше за все, позбудеться багатьох обмежень, успадкованих GPT, які сьогодні мають штучний інтелект. не просто проблеми з токенізатором (як R у полуниці), а фундаментальні проблеми, які заважають GPT ефективно навчатися та узагальнювати Маячні? певно Варто спробувати? абсолютно (тепер вгадайте, скільки було згенеровано штучним інтелектом, і яку модель я використовував)

Хтось використовує GPT-5-Thinking для кодування на терміналі? Який CLI для цього найкращий? Кодекс? Курсор? Клод Код (як?) Я пробував Codex/Cursor, обидва здаються неякісними в порівнянні з Claude Code

До речі, GPT-5 в принципі такий же поганий, як GPT-4o завжди був GPT-5-Thinking, ймовірно, o4, як я і передбачав, і це добре

одного разу (якщо) перший символьний ШІ запрацює, це буде абсолютно нова крива Навіть не стверджуючи, що це буде добре, але це нова крива Будь-яка інтуїція, яку ми маємо для масштабування LLM, тут абсолютно не має значення. Обмеження LLM також не мають значення. Ніхто не знає, що може статися

одного разу (якщо) перший символьний ШІ запрацює, це буде абсолютно нова крива Навіть не стверджуючи, що це буде добре, але це нова крива Будь-яка інтуїція, яку ми маємо для масштабування LLM, тут абсолютно не має значення. Обмеження LLM тут абсолютно не мають значення. Ніхто не знає, що може статися

Хлопці з ФФС GPT-5 – це не AGI він навіть близько не є AGI він не збирається ставати AGI він має ті ж недоліки, що і всі LLM Але це чудова модель Можливо, найкраще з сьогодення і, як завжди, це був лише 1-й день, і я можу помилятися

Так, жодна модель у світі не наблизилася до цього Лягаючи спати, я на 100% впевнений, що маю рацію у своїх судженнях як завжди, це скоро буде здоровий глузд, але я сказав це першим (: Побачимося

GPT-5 в основному одноразово це

ні, ви всі помиляєтеся, GPT-5 – це стрибок Я тут на 100% подвоюю Я не хотів публікувати занадто швидко і шкодувати про це знову, але він просто вирішив купу дуже, дуже складних підказок налагодження, які раніше були невирішені (штучним інтелектом), а потім розробив чудову піксельну гру Gameboy з рівнем деталізації та якості, який явно перевершує все, що я коли-небудь бачив. Ця модель аж ніяк не погана. Я думаю, що ви всі травмовані бенчмаксерами і надмірною компенсацією проти моделі, яка насправді хороша. Я також думаю, що ви недооцінюєте сильні сторони gpt-oss (але так, мій останній пост був поспішним) Я все ще не знаю, чи підходить він для серйозного програмування (o3 не був), але здається, що так? Така надійна модель кодування, як Opus, але розумніша за o3, повністю змінила б мій робочий процес. Opus не потрібно думати, щоб бути великим, тому це може зіграти на його користь. Для чого він вартий, я реально використовував лише 3 моделі: - Opus 4.1 для кодування - Gemini 2.5 дуже рідко для кодування, коли Opus виходить з ладу - O3 для всього, крім кодування

ні, ви всі помиляєтеся, GPT-5 – це стрибок Я тут на 100% подвоюю Я не хотів публікувати занадто швидко і шкодувати про це знову, але він просто вирішив купу дуже, дуже складних підказок налагодження, які раніше були невирішені (штучним інтелектом), а потім розробив чудову піксельну гру Gameboy з рівнем деталізації та якості, який явно перевершує все, що я коли-небудь бачив. Ця модель аж ніяк не погана. Я думаю, що ви всі травмовані бенчмаксерами і надмірною компенсацією проти моделі, яка насправді дуже хороша. Я також думаю, що ви недооцінюєте сильні сторони gpt-oss (але так, мій останній пост був поспішним) Я все ще не знаю, чи підходить він для серйозного програмування (4o, o3 точно не були), але здається так? Така надійна модель кодування, як Opus, але розумніша за o3, повністю змінила б мій робочий процес. Opus не потрібно думати, щоб бути великим, тому це може зіграти на його користь. Для чого він вартий, я реально використовував лише 3 моделі: - Opus 4.1 для кодування - Gemini 2.5 дуже рідко для кодування, коли Opus виходить з ладу - O3 для всього, крім кодування