home.social

#hume — Public Fediverse posts

Live and recent posts from across the Fediverse tagged #hume, aggregated by home.social.

  1. Wenn ich im Zug sitze und meinen E-Book-Reader vergessen habe, dann notiere ich solche Gedanken in mein Notizbuch:

    Man könnte ein #LLM zugespitzt als hyper-humeanische Maschine bezeichnen. #Hume argumentierte, dass wir in der Welt keine notwendige Verbindung zwischen Ursache und Wirkung wahrnehmen, sondern nur wiederkehrende Abfolgen: Auf A folgt regelmässig B, also erwarten wir B künftig erneut. Ein LLM arbeitet in gewisser Hinsicht ähnlich, nur in enormem Massstab. Es lernt aus Milliarden sprachlicher Beispiele statistische Regelmässigkeiten, Korrelationen und typische Fortsetzungen. Wenn es sagt, dass ein Glas nach einem Sturz zerbrechen kann, muss dahinter kein physikalisches Kausalmodell stehen. Es kann genügen, dass entsprechende Muster in seinen Trainingsdaten häufig genug vorkamen. Seine „Stärke“ liegt damit in der Verdichtung beobachteter Regelmässigkeiten. Die offene Frage ist: Kann aus solchen Regelmässigkeiten tatsächlich ein Modell von Ursachen, Zuständen und Folgen entstehen?

    Ich bin #WEIRD

  2. Wenn ich im Zug sitze und meinen E-Book-Reader vergessen habe, dann notiere ich solche Gedanken in mein Notizbuch:

    Man könnte ein #LLM zugespitzt als hyper-humeanische Maschine bezeichnen. #Hume argumentierte, dass wir in der Welt keine notwendige Verbindung zwischen Ursache und Wirkung wahrnehmen, sondern nur wiederkehrende Abfolgen: Auf A folgt regelmässig B, also erwarten wir B künftig erneut. Ein LLM arbeitet in gewisser Hinsicht ähnlich, nur in enormem Massstab. Es lernt aus Milliarden sprachlicher Beispiele statistische Regelmässigkeiten, Korrelationen und typische Fortsetzungen. Wenn es sagt, dass ein Glas nach einem Sturz zerbrechen kann, muss dahinter kein physikalisches Kausalmodell stehen. Es kann genügen, dass entsprechende Muster in seinen Trainingsdaten häufig genug vorkamen. Seine „Stärke“ liegt damit in der Verdichtung beobachteter Regelmässigkeiten. Die offene Frage ist: Kann aus solchen Regelmässigkeiten tatsächlich ein Modell von Ursachen, Zuständen und Folgen entstehen?

    Ich bin #WEIRD

  3. Wenn ich im Zug sitze und meinen E-Book-Reader vergessen habe, dann notiere ich solche Gedanken in mein Notizbuch:

    Man könnte ein #LLM zugespitzt als hyper-humeanische Maschine bezeichnen. #Hume argumentierte, dass wir in der Welt keine notwendige Verbindung zwischen Ursache und Wirkung wahrnehmen, sondern nur wiederkehrende Abfolgen: Auf A folgt regelmässig B, also erwarten wir B künftig erneut. Ein LLM arbeitet in gewisser Hinsicht ähnlich, nur in enormem Massstab. Es lernt aus Milliarden sprachlicher Beispiele statistische Regelmässigkeiten, Korrelationen und typische Fortsetzungen. Wenn es sagt, dass ein Glas nach einem Sturz zerbrechen kann, muss dahinter kein physikalisches Kausalmodell stehen. Es kann genügen, dass entsprechende Muster in seinen Trainingsdaten häufig genug vorkamen. Seine „Stärke“ liegt damit in der Verdichtung beobachteter Regelmässigkeiten. Die offene Frage ist: Kann aus solchen Regelmässigkeiten tatsächlich ein Modell von Ursachen, Zuständen und Folgen entstehen?

    Ich bin #WEIRD

  4. Wenn ich im Zug sitze und meinen E-Book-Reader vergessen habe, dann notiere ich solche Gedanken in mein Notizbuch:

    Man könnte ein #LLM zugespitzt als hyper-humeanische Maschine bezeichnen. #Hume argumentierte, dass wir in der Welt keine notwendige Verbindung zwischen Ursache und Wirkung wahrnehmen, sondern nur wiederkehrende Abfolgen: Auf A folgt regelmässig B, also erwarten wir B künftig erneut. Ein LLM arbeitet in gewisser Hinsicht ähnlich, nur in enormem Massstab. Es lernt aus Milliarden sprachlicher Beispiele statistische Regelmässigkeiten, Korrelationen und typische Fortsetzungen. Wenn es sagt, dass ein Glas nach einem Sturz zerbrechen kann, muss dahinter kein physikalisches Kausalmodell stehen. Es kann genügen, dass entsprechende Muster in seinen Trainingsdaten häufig genug vorkamen. Seine „Stärke“ liegt damit in der Verdichtung beobachteter Regelmässigkeiten. Die offene Frage ist: Kann aus solchen Regelmässigkeiten tatsächlich ein Modell von Ursachen, Zuständen und Folgen entstehen?

    Ich bin #WEIRD

  5. Wenn ich im Zug sitze und meinen E-Book-Reader vergessen habe, dann notiere ich solche Gedanken in mein Notizbuch:

    Man könnte ein #LLM zugespitzt als hyper-humeanische Maschine bezeichnen. #Hume argumentierte, dass wir in der Welt keine notwendige Verbindung zwischen Ursache und Wirkung wahrnehmen, sondern nur wiederkehrende Abfolgen: Auf A folgt regelmässig B, also erwarten wir B künftig erneut. Ein LLM arbeitet in gewisser Hinsicht ähnlich, nur in enormem Massstab. Es lernt aus Milliarden sprachlicher Beispiele statistische Regelmässigkeiten, Korrelationen und typische Fortsetzungen. Wenn es sagt, dass ein Glas nach einem Sturz zerbrechen kann, muss dahinter kein physikalisches Kausalmodell stehen. Es kann genügen, dass entsprechende Muster in seinen Trainingsdaten häufig genug vorkamen. Seine „Stärke“ liegt damit in der Verdichtung beobachteter Regelmässigkeiten. Die offene Frage ist: Kann aus solchen Regelmässigkeiten tatsächlich ein Modell von Ursachen, Zuständen und Folgen entstehen?

    Ich bin #WEIRD

  6. From Charlie Kirk to Ann Widdecombe, could it be that the retrogressive fascist playbook is at work? Hume’s secret and concealed operations, are only a part, but a very insidious and significant part of human nature! #Hume #HumanNature #SecretOperations #Philosophy annwiddecombe.substack.com/p/w

  7. [Перевод] HUME — новый метод AB тестирования ИИ моделей в задачах анализа текста

    Исследователи Сбера вместе с зарубежными исследователями создали специальный тест HUME, который оценивает, насколько хорошо люди и современные ИИ-модели справляются с анализом текста: классификацией, кластеризацией, поиском похожих текстов, ранжированием. Кратко: Ученые создали тест, чтобы сравнить людей и самые современные ИИ-модели (те, которые переводят слова в числа — эмбеддинги) в заданиях на понимание смысла. И выяснили, что люди пока что умнее в "тонких" вещах, особенно с неродным для ИИ языком. Проблема: Мы часто хвалим ИИ за высокие баллы в бенчмарках (тестах). Но как понять, хорош ли результат 85%? Может, для человека эта задача проще, и он справился бы на 95%? Или, наоборот, задача настолько сложна и запутана, что человек показал бы только 60%? Без "человеческого ориентира" цифры теряют смысл. Авторы создали новый способ оценки ( HUME — Human Evaluation Framework for Text Embeddings), который позволяет напрямую сравнить людей с ИИ-моделями в задачах анализа текста. Результаты и выводы:

    habr.com/ru/articles/1031020/

    #Hume #сбер #результаты

  8. Roubei a imagem do "#Philosophy Matters", do #facebook.

    Estudantes de #filosofia lêem #Hume e ficam transformados, seu passeio se torna um pesadelo: estudantes de #psicologia tornam a leitura um entretenimento.

    Ou ainda: psicólogos em formação não lêem de verdade.

    Fiquei curioso é sobre quantos estudantes de filosofia, no Brasil, lêem Hume - e se algum em psicologia o lê.

  9. @theguardian_world_news Anus Taylor is one of the laziest politicians in all the land. Four years as energy minister and he never managed to have a policy. Went in to an election and never thought having a policy might be a useful strategy. Lazy, entitled, arrogant; used government as a cash cow for his family businesses.

    #auspol #HUME #FarrerVotes #SussanLey #LiberalMisogynists

  10. Deduction is incapable of predicting that the sun will rise tomorrow based on past behavior/observations.

    They call this "the problem of induction".

    TROLOLOL

    #philosophy #Hume #HumeNeverCalledItInduction

  11. The only reason we have the term "abductive reasoning" is that people failed to actually comprehend Hume.

    "...this operation of the mind, by which we infer like effects from like causes, and vice versa..."

    Hume was writing about cognition as a whole.

    #Hume