Как меняется интерес
История начинает расти
График появится после повторных замеров. Текущий показатель уже получен из источника.
16 очков источникаТолько реальные замеры. История до подключения источника не восстанавливается.
Suppose we have an AI CEO, ruthlessly devoted to maximising shareholder value. Fortunately, we haven't been completely stupid, and have given it a rich definition of shareholder value, encompassing the success, flourishing, safety, preference satisfaction, and moral values of the shareholders, not just the stock price. So it won't destroy the company - or the world - to build a giant stock-ticker with a swiftly increasing number on it. This rich definition is contained in a sophisticated LLM, able to analyse the current situation and answer any question about the objective. The LLM is an integral part of the AI's system and motivation, not something it can simply set aside or hack directly. Unfortunately, as discussed, there are going to be zones in the space of possible situations where the LLM's understanding of the goal is going to come apart from ours. The true goal G(true) in those zones is distinct from the LLM's proxy goal G(proxy). And a subset of those "zones of divergence" will be the Goodhart zones - areas where G(proxy) is much easier to satisfy than G(true). The AI will be motivated to steer towards the Goodhart zones, as this lets it satisfy its stated goals extremely well (there are also anti-Goodhart zones, where G(proxy) is much harder to satisfy than G(true); but the AI will have no motivation to steer towards these zones). These Goodhart zones encompass situations where, for instance, the LLM analyst will see the situational data and conclude that destroying the company to build a giant stock ticker is the way to go. Danger areas are safely far away Now, if this were not an LLM but a generic reward-assessing module, then the AI CEO might find it tricky to reach a Goodhart zone. The zone would be distant and unusual, difficult to find, and it could be hard to justify the first steps in that direction. But neural nets and LLMs are, as Eric Drexler put it, "too linear". They are non-linear, of course (or else they wouldn't work) but only just
Перевод готовится · пока описание источникаГрафик появится после повторных замеров. Текущий показатель уже получен из источника.
16 очков источникаТолько реальные замеры. История до подключения источника не восстанавливается.
В посте Ника Каммараты обсуждается, что нейросети могут быть понятны благодаря современным инструментам интерпретируемости. Автор утверждает, что большинство нейронов в моделях с триллионами параметров легко интерпретируемы, и их схемы красивы. Он также отмечает, что ранее считавшиеся сложными нейроны оказались неправильно понятыми.
6 дней назадLessWrongВ посте рассматривается критика статьи о социальной реальности в Китае, где отмечается несбалансированность сравнения и недостаточная систематичность анализа. Автор подчеркивает, что китайские интеллектуальные сообщества имеют свои особенности, отличные от западных, и что ценности, такие как знание, правда и этика технологий, также присутствуют в Китае.
5 дней назадLessWrongАвтор утверждает, что обладание большим количеством капитала может привести к потере влияния раньше, чем у других, через психическое расстройство. Это связано с тем, что люди стремятся манипулировать богатыми, чтобы получить ресурсы, что затрудняет сохранение ценностей и правильных убеждений.
позавчераHacker NewsВ ближайшее время будет выпущен критический обновление безопасности для PHP, связанное с уязвимостями CVE-2026-109618 и CVE-2026-109619. Дополнительную информацию можно найти на указанных в описании сайтах.
22 часа назадLobstersПредстоящее обновление безопасности для языка программирования PHP, которое, вероятно, включает исправления уязвимостей.
20 часов назадHacker NewsВ блоге Mozilla сообщается о компрометации промежуточного центра сертификации eMudhra. Дополнительные детали доступны в отчете о баге.
вчера