#hume — Public Fediverse posts

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 …

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 …

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 …

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 …

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 …

#JohnSearle - How Do #Persons Maintain Their #Identity ?

https://www.youtube.com/watch?v=WwipmspceOU&ab_channel=CloserToTruth

#Philosophy #PersonalIdentity #PersonalContinuity #BodilyContinuity #TheSelf #Self #Hume #DavidHume #Consciousness #Mind #TheMind #Personhood #Intentionality #IntentionalStates #Memory #Responsibility #MoralResponsibility #CloserToTruth #RobertKuhn