February 2025 - nexa - server-nexa.polito.it

DeepSeek: una analisi... dall'India
by Damiano Verzulli Feb. 17, 2025

Feb. 17, 2025

Ho trovato interessante questo articolo: https://restofworld.org/2025/deepseek-ai-model-openai-dominance-challenge perché l'autrice (e il sito ospitante) non è ne Europea, ne USA: è di Mumbai. E chiaramente vede diverse cose... da un punto di vista diverso dal mio. Un saluto, DV -- Damiano Verzulli e-mail: damiano(a)verzulli.it --- possible?ok:while(!possible){open_mindedness++} --- "...I realized that free software would not generate the kind of income that was needed. Maybe in USA or Europe, you may be able to get a well paying job as a free software developer, but not here [in Africa]..." -- Guido Sohne - 1973-2008 http://ole.kenic.or.ke/pipermail/skunkworks/2008-April/005989.html

2 1

120° Nexa Lunch Seminar | 26 febbraio 2025, ore 13.00
by Nexa - Media Feb. 17, 2025

Feb. 17, 2025

Gentilissime, gentilissimi, Vi invitiamo a partecipare al 120° Nexa Lunch Seminar che si terrà mercoledì 26 febbraio, dalle ore 13.00 alle ore 14.00, con un incontro dal titolo: "Imagining war with AI: Teenagers, Generative AI, Social Media and the Representation of War". Ospiti dell'incontro: Ilaria Ingrao (Università di Torino), Maede Mirsonbol (Università di Torino), Antonio Santangelo (Senior Research Fellow del Centro Nexa, Università di Torino) L'incontro si terrà IN PRESENZA e ONLINE. SEDE FISICA dell'incontro: Centro Nexa su Internet e Società, Politecnico di Torino, Via Boggio 65/a, Torino (1° piano). Per accedere alla sala si raccomanda di suonare al citofono Portineria e di seguire le indicazioni segnalate lungo il percorso. QUI<https://nexa.polito.it/contatti> maggiori informazioni su come raggiungerci. STANZA VIRTUALE dell'incontro: https://didattica.polito.it/VClass/NexaEvent Di seguito maggiori dettagli: https://nexa.polito.it/lunch-120 Cordiali saluti, -- Valeria Bergantino Communication Manager Nexa Center for Internet & Society Politecnico di Torino - DAUIN Via Pier Carlo Boggio, 65/A - 10138 Torino web: https://nexa.polito.it/ mail: valeria.bergantino(a)polito.it<mailto:valeria.bergantino@polito.it> tel: 3473443585

1 0

63rd ISODARCO Course
by Alessandro Pascolini Feb. 17, 2025

Feb. 17, 2025

Dear Friend, Please find enclosed information relative to the 63rd Course of the International School on Disarmament and Research on Conflicts (ISODARCO) (www.isodarco.it) I would deeply appreciate your passing this information to your friends and colleagues and forwarding it to your mailing lists. Thank you for your collaboration and best personal regards. Carlo Schaerf (Director of the School) 63rd Course of the International School on Disarmament and Research on Conflicts (ISODARCO) First announcement Subject: Peace and Stability in the Age of Militarized AI and Cyber-conflicts: New Challenges and Risks The increasing militarization of advanced computing technologies raises new risks for peace, stability, and international security. The 63rd ISODARCO Course will examine these problems, focusing on AI decision-support systems for battlefield operations, autonomous weapons systems, AI for nuclear early warning, cyber vulnerabilities and security, the spillover of cyber conflicts to other warfare domains, the accelerating pace of AI-powered armed hostilities and the related problem of preserving human control on warfare. Venue: Volterra (Pisa, Italy) Dates: 6-13 August 2025 Information on the school and application forms: www.isodarco.it Course Directors: Diego Latella (ISODARCO & Senior Researcher (ret.) CNR-ISTI, Pisa), Gian Piero Siroli (Università di Bologna, INFN & CERN), Guglielmo Tamburrini (ISODARCO & Università di Napoli Federico II) Lecturers: Daniele Amoroso, Dept. of Law, University of Cagliari, Italy; Peter Asaro, The New School, New York; Marco Gori, Dept. of Information Engineering and Mathematics, University of Siena; Francesca Giovannini, Managing the Atom, HKS, Harvard University; Dario Guarascio, Dept. of Economics and Law, Sapienza University of Rome; Bart Jacobs, Radboud University, Nijmegen, The Netherlands; Jingdong Yuan, Stockholm International Peace Research Institute, SIPRI, Sweden; Pavel Karasev, National Assoc. for Inter. Information Security NAIIS – ?????, Moscow;vJonathan Kwik, Asser Institute, The Hague, The Netherlands; Herb Lin, Center for Int’l Security & Cooperation, Hoover Institution, Stanford University; vMaria Vanina Martinez, Artificial Intelligence Res. Institute (IIIA-CSIC), Barcelona; Alice Saltini, James Martin Center for Nonproliferation Studies, Monterey, USA; Danielle Yeow, Lead Cyber Law & Governance, Centre for Int. Law, Singapore Nat. Univ. This information is sent out twice a year. If you wish to be cancelled from our mailing list, please send a message, with "cancel" in the subject line, to info(a)isodarco.it from the same e-mail address at which you received this message.

1 0

Elon Musk’s Team Now Has Full Access to Treasury’s Payments System
by Daniela Tafani Feb. 17, 2025

Feb. 17, 2025

Treasury Secretary Scott Bessent gave Mr. Musk’s representatives at the so-called Department of Government Efficiency a powerful tool to monitor and potentially limit government spending. By Andrew Duehren, Maggie Haberman, Theodore Schleifer and Alan Rappeport Feb. 1, 2025 Treasury Secretary Scott Bessent gave representatives of the so-called Department of Government Efficiency full access to the federal payment system late on Friday, according to three people familiar with the change, handing Elon Musk and the team he is leading a powerful tool to monitor and potentially limit government spending. The new authority follows a standoff this week with a top Treasury official who had resisted allowing Mr. Musk’s lieutenants into the department’s payment system, which sends out money on behalf of the entire federal government. The official, a career civil servant named David Lebryk, was put on leave and then suddenly retired on Friday after the dispute, according to people familiar with his exit. [...] The Department of Government Efficiency, or DOGE, is not a government department, but a team within the administration. It was put together at Mr. Trump’s direction by Mr. Musk to fan out across federal agencies seeking ways to cut spending, reduce the size of the federal work force and bring more efficiency to the bureaucracy. Most of those working on the initiative were recruited by Mr. Musk and his aides. Similar DOGE teams have begun demanding access to data and systems at other federal agencies, but none of those agencies control the flow of money in the way the Treasury Department does. Mr. Bessent granted access to the payments system to a handful of staff members affiliated with DOGE, including Tom Krause, the chief executive of a Silicon Valley company, Cloud Software Group, according to one of the people familiar with the change. Access to the system has historically been closely held because it includes sensitive personal information about the millions of Americans who receive Social Security checks, tax refunds and other payments from the federal government. A Treasury Department spokesman, a spokeswoman for DOGE and the White House did not immediately respond to requests for comment. In a process typically run by civil servants, the Treasury Department carries out payments submitted by agencies across the government, disbursing more than $5 trillion in fiscal year 2023. Former officials said the onus was on individual agencies to ensure their payments are proper, not the relatively small staff at the Treasury Department, which is responsible for making more than one billion payments per year. Mr. Lebryk, the career Treasury official who retired on Friday, had resisted requests from members of Mr. Trump’s transition team for access to the data last month. After Mr. Trump took office, the White House indicated that he should be removed from the job and, according to a person familiar with the matter, Mr. Bessent suggested putting him on leave. [continua qui: <https://www.nytimes.com/2025/02/01/us/politics/elon-musk-doge-federal-payme…>]

5 5

Re: [nexa] Perché Richard Stallman sbaglia in tema di intelligenza artificiale
by Giuseppe Attardi Feb. 17, 2025

Feb. 17, 2025

2 1

Re: [nexa] Perché Richard Stallman sbaglia in tema di intelligenza artificiale
by Guido Vetere Feb. 17, 2025

Feb. 17, 2025

molto interessante, grazie, ma secondo me è un esempio che depone contro la tua tesi :-) se conosci la semantica dei numeri e degli operatori, non ti serve alcun tipo di apprendimento da esempi: L uguale o più grande di F, ed F è uguale o più grande di V, quindi L è uguale o più grande di V. i bambini delle elementari lo intuiscono geometricamente a prima vista il motivo per cui devi ricorrere a esempi e rinforzi è proprio il fatto che la rete neurale non ragiona con la semantica del problema, come invece facciamo noi, anche intuitivamente non ti far ingannare dal fatto che la macchina dice cose del tipo: > F is at least as much as V (F ≥ V), so the relation between F and V is F > is greater than or equal to V. perché quelle sono frasi prodotte non su base semantica, ma per imitazione di frasi analoghe a quelle osservate nel training ora non ripetere che 'con la semantica non si sono risolti i problemi, smucinando coi dati invece sì' perché questo può anche essere contingentemente vero, ma non prova nulla buona serata, G. On Fri, 14 Feb 2025 at 18:26, Giuseppe Attardi <attardi(a)di.unipi.it> wrote: > Il modello DeepSeek R1 è stato addestrato a “svolgere ragionamenti" con un > SFT+RL su esempi di ragionamenti logico matematici: è quindi qualcosa di > diverso da un semplice LLM. > Quando si insegna la matematica, un insegnante presenta la teoria (1), poi > mostra la soluzione di alcuni esercizi (2) e poi sottopone gli studenti a > degli esercizi (3) per vedere se hanno capito. > Nel training di modelli con STF+RL si fa qualcosa di simile: > 1 è il training del LLM, acquisizione della conoscenza di base > 2 è il SFT+RL > 3 sono i benchmark di valutazione > > Provo ad illustrarlo con un esempio, per uscire dalla disquisizione > astratta di cosa sia “ragionare”, “comprendere”, ecc. termini antropomorfi > che non sono necessariamente applicabili al caso. > > Prompt: “In the following question assuming the given statements to be > true, find which of the conclusion among the given conclusions is/are > definitely true." > > Statements: > H > F ≤ O ≤ L; F ≥ V < D > > Conclusions: > I. L ≥ V > II. O > D > > The options are: > > A. Only I is true > B. Only II is true > C. Both I and II are true > D. Either I or II is true > E. Neither I nor II is true.” > > Response by o3: > > To solve this problem, let's first clarify the given statements and their > implications: > 1. H > F≤ O≤L > 2. F≥V< D > We need to evaluate the given conclusions: > I. L≥ V > II. O > D > Let's analyze each conclusion: > > Conclusion I: L ≥ V > From the statements: > • F is at least as much as V (F ≥ V), so the relation between F and V is > F is greater than or equal to V. > • L is at least as much as O (O ≤ L), and since F <= 0 <= L, we can say F > <= L. > • So we have F ≥ V and L ≥ O. > Combining all, F ≥ V and L ≥ F leads to L ≥ V. > > Therefore, Conclusion I: L ≥ V is definitely true. > > Conclusion II: 0 > D > From the statements: > • F ≤ O, so O is greater or equal to F. > • D is greater then V (V< D), and we know from the statements F is > greater than or equal to V (F ≥ V) > > However, without definite numerical value or direct inequality comparisons > between O and D, we cannot ascertain that O is greater than D. > Conclusion II: O > D is not definitely true based on the given information. > > Thus, the answer is: > A. Only l is true > ----- > > Ecco un altro esempio dai miei esperimenti sulla generazione di codice per > interrogare tabelle. > > Question: Does the author with the longest name post mainly original > content? > <think> > To determine if the author with the longest name posts mainly original > content, we need to: > > 1. Identify the author with the longest author_name. > 2. Check if this author's type is 'original'. > 3. Verify if the majority of their posts are original. > > Here's the Python function using pandas to perform these steps: > ... > Wait, maybe the problem is that when you group by 'author_name' and then > use 'agg('max')', it's trying to compute the max for each group, but if > 'author_name' is a Categorical, it's not ordered, so the max function > doesn't know which one is the maximum. > So, converting 'author_name' to a string type before grouping would solve > the issue. > So, the function would be: > ... > But again, the problem is that after grouping, the index is reset, so when > you try to filter `original_posts`, it might not have the same index as > `max_author`. > > Wait, no. The `max_author` is the name of the author with the longest > name, and `original_posts` is a DataFrame filtered to only include > 'original' type posts. Then, `max_author_original` is a subset of > `original_posts` where the 'author_name' is equal to `max_author`. > This should work because `max_author` is a string, and it's looking for > that string in the 'author_name' column of `original_posts`. > So, the function should correctly return whether the author with the > longest name posts mainly original content. > > … > Wait, that's a problem. > So, the function needs to handle the case where there are no original > posts. > In that case, the function should return False, because the author with > the longest name does not post original content. > But in the current code, if `original_posts` is empty, > `max_author_original` would also be empty, and accessing > `max_author_original['type']` would throw an error. > So, to fix this, we need to check if `max_author_original` is not empty > before accessing its 'type' column. > So, the function should be modified to: > … > > > > On 14 Feb 2025, at 07:47, Guido Vetere <vetere.guido(a)gmail.com> wrote: > > Beppe, > ma la "spiegazione" della c.d. chain-of-thought si trova sullo stesso > piano epistemico di ciò che intende spiegare, cioè quello della > correlazione, non quello delle causalità. > La differenza è 'striking' e la spiega bene Judea Pearl nel suo "The Book > of Why" (https://en.wikipedia.org/wiki/The_Book_of_Why) > > G. > > On Thu, 13 Feb 2025 at 12:36, Giuseppe Attardi <attardi(a)di.unipi.it> > wrote: > >> Non solo lui, ma gran parte degli studiosi di linguistica della vecchia >> generazione, a partire da Noam Chomsky, sono rimasti indietro di 8 anni. >> Non solo, ma non comprendono la differenza tra i LLM e i chatbot, che >> sono delle applicazioni dei primi, nate inizialmente per gioco: ricorderete >> la storia degli unicorni, prodotta da GPT-2. >> Era un esercizio classico di uso dei LM per generare testo a >> completamento di un prompt. >> >> Ma I chatbot sono un’applicazione specializzata dei LLM, allenata con una >> fase di post-training, con varie tecniche, in primis il RLHF introdotto in >> ChatGPT, per addestrarlo a partecipare a dialoghi, ossia ad accontentare >> gli interlocutori. >> Ma oltre ai chatbot, ci sono mille altre applicazioni dei LLM che non >> sono solo per chiacchierare. >> >> Da allora, la tecnica si è poi ulteriormente evoluta con tre sostanziali >> progressi: >> >> 1. Con l’aumentare della scala dei modelli, sono apparse capacità >> emergenti (emergent abilities), che vanno oltre la banale capacità di >> predire la prossima parola: un fenomeno che si spiega con la teoria dei >> sitemi complessi di Giorgio Parisi: l’applicazione su larga scala di >> semplici funzioni di probabilità dà origine a comportamenti complessi, non >> riducibili alla funzione di partenza >> 2. Si sono raffinate le tecniche di post-processing: SFT e RL basato su >> DPO (Direct Preference Optimizazion) o GRPO (quella usata da DeepSeek R1 >> ecc.) Quest’ultima tecnica accelera l’apprendimento con RL e viene usata >> per insegnare direttamente a effettuare ragionamenti matematici e logici ai >> modelli, senza bisogno di un secondo modello di critica delle risposte come >> in ChatGPT. >> 3. Le capacità apprese dai modelli di grandissime dimensioni possono >> essere “distillate” in modelli più piccoli, mantenendone le capacità >> acquisite. >> >> Quindi i modelli attuali, come GPT-4 o3, DeepSeek R1, Gemini 2.0, ecc., >> fanno cose ben diverse dalla semplice generazione a caso di risposte. >> DeepSeek è particolarmente interessante da osservare, perché riporta >> nella risposta tutte le fasi del suo ragionamento, racchiuse tra i tag >> <think></think>, mentre gli altri modelli li tengono nascosti. >> Si vede chiaramente come svolge il suo ragionamento: propone una prima >> risposta, poi la valuta criticamente, dicendo: “Ah wait. …” e spiegando >> come quella risposta funziona e se ci sono criticità, poi ne genera una >> seconda che risolve quelle criticità e poi ci ragiona sopra di nuovo. >> >> Questo purtroppo in Italia ci è vietato dalla decisione del Garante della >> Privacy che ci ha impedito l’accesso a DeepSeek. >> >> Ma è un passo avanti importante, anche perché rintuzza un’altra critica >> ai modelli ML, la mancanza di trasparenza. >> In questo caso, l’intero processo di ragionamento viene esposto, compresa >> una spiegazione in termini perfettamente comprensibili della ragione della >> risposta. >> >> — Beppe >> >> >> On 13 Feb 2025, at 12:00, nexa-request(a)server-nexa.polito.it wrote: >> >> From: Diego Giorio <dgiorio(a)hotmail.com> >> To: Nexa <nexa(a)server-nexa.polito.it> >> Subject: [nexa] Perché Richard Stallman sbaglia in tema di >> intelligenza artificiale >> Message-ID: >> < >> BN6PR17MB3139F372CA9F7422D383438FBEFF2(a)BN6PR17MB3139.namprd17.prod.outlook.com >> > >> >> Content-Type: text/plain; charset="iso-8859-1" >> >> Ieri è stata una bellissima esperienza. >> >> A titolo personale mi pongo un po' a metà tra l'opinione di Stallman e >> quella di questo articolo, che comunque ritengo giusto segnalare >> >> Buona giornata a tutti >> >> >> >

1 0

Re: [nexa] Perché Richard Stallman sbaglia in tema di intelligenza artificiale
by Giuseppe Attardi Feb. 14, 2025

Feb. 14, 2025

2 1

Re: [nexa] Perché Richard Stallman sbaglia in tema di intelligenza artificiale
by Guido Vetere Feb. 14, 2025

Feb. 14, 2025

Beppe, il medico che fa una diagnosi per analogia rispetto ai casi che ha osservato, è comunque in grado di spiegare il suo ragionamento sulla base di una teoria. E anche se riproduce 'a orecchio' migliaia di dimostrazioni osservate, è (o dovrebbe essere) in grado di fornire la spiegazione sulla base di assiomi e regole di inferenza. Questo è il patto sociale quando andiamo a farci curare da un laureato in medicina piuttosto che da uno sciamano. La fisica del cervello del medico, e la sua analogia con un LLM, non c'entra nulla: la teoria medica vale in quanto 'oggetto sociale', non come 'campo di forze'. G. On Fri, 14 Feb 2025 at 09:13, Giuseppe Attardi <giuseppe.attardi(a)unipi.it> wrote: > > > On 14 Feb 2025, at 07:47, Guido Vetere <vetere.guido(a)gmail.com> wrote: > > > Beppe, > ma la "spiegazione" della c.d. chain-of-thought si trova sullo stesso > piano epistemico di ciò che intende spiegare, cioè quello della > correlazione, non quello delle causalità. > La differenza è 'striking' e la spiega bene Judea Pearl nel suo "The Book > of Why" (https://en.wikipedia.org/wiki/The_Book_of_Why) > > Certo, perché tu pensi che quando un medico ti spiega la ragione della sua > diagnosi non faccia lo stesso? O un matematico ti presenta una > dimostrazione senza accennare all’intuizione che l’ha portato a concepirla? > Ricordi Ramanujan? > Sono tutte ricostruzioni razionali a posteriori di un processo largamente > inconscio. > > Se pensiamo che l’intelligenza sia solo seguire pedissequamente un > procedimento algoritmico, o l’applicazione meccanica di regole logiche, > abbiamo una scarsa concezione dell’intelligenza. > Del resto sbbiamo provato per 50 a riprodurla pensando che fosse così e > abbiamo fallito. > > — > > G. > > On Thu, 13 Feb 2025 at 12:36, Giuseppe Attardi <attardi(a)di.unipi.it> > wrote: > >> Non solo lui, ma gran parte degli studiosi di linguistica della vecchia >> generazione, a partire da Noam Chomsky, sono rimasti indietro di 8 anni. >> Non solo, ma non comprendono la differenza tra i LLM e i chatbot, che >> sono delle applicazioni dei primi, nate inizialmente per gioco: ricorderete >> la storia degli unicorni, prodotta da GPT-2. >> Era un esercizio classico di uso dei LM per generare testo a >> completamento di un prompt. >> >> Ma I chatbot sono un’applicazione specializzata dei LLM, allenata con una >> fase di post-training, con varie tecniche, in primis il RLHF introdotto in >> ChatGPT, per addestrarlo a partecipare a dialoghi, ossia ad accontentare >> gli interlocutori. >> Ma oltre ai chatbot, ci sono mille altre applicazioni dei LLM che non >> sono solo per chiacchierare. >> >> Da allora, la tecnica si è poi ulteriormente evoluta con tre sostanziali >> progressi: >> >> 1. Con l’aumentare della scala dei modelli, sono apparse capacità >> emergenti (emergent abilities), che vanno oltre la banale capacità di >> predire la prossima parola: un fenomeno che si spiega con la teoria dei >> sitemi complessi di Giorgio Parisi: l’applicazione su larga scala di >> semplici funzioni di probabilità dà origine a comportamenti complessi, non >> riducibili alla funzione di partenza >> 2. Si sono raffinate le tecniche di post-processing: SFT e RL basato su >> DPO (Direct Preference Optimizazion) o GRPO (quella usata da DeepSeek R1 >> ecc.) Quest’ultima tecnica accelera l’apprendimento con RL e viene usata >> per insegnare direttamente a effettuare ragionamenti matematici e logici ai >> modelli, senza bisogno di un secondo modello di critica delle risposte come >> in ChatGPT. >> 3. Le capacità apprese dai modelli di grandissime dimensioni possono >> essere “distillate” in modelli più piccoli, mantenendone le capacità >> acquisite. >> >> Quindi i modelli attuali, come GPT-4 o3, DeepSeek R1, Gemini 2.0, ecc., >> fanno cose ben diverse dalla semplice generazione a caso di risposte. >> DeepSeek è particolarmente interessante da osservare, perché riporta >> nella risposta tutte le fasi del suo ragionamento, racchiuse tra i tag >> <think></think>, mentre gli altri modelli li tengono nascosti. >> Si vede chiaramente come svolge il suo ragionamento: propone una prima >> risposta, poi la valuta criticamente, dicendo: “Ah wait. …” e spiegando >> come quella risposta funziona e se ci sono criticità, poi ne genera una >> seconda che risolve quelle criticità e poi ci ragiona sopra di nuovo. >> >> Questo purtroppo in Italia ci è vietato dalla decisione del Garante della >> Privacy che ci ha impedito l’accesso a DeepSeek. >> >> Ma è un passo avanti importante, anche perché rintuzza un’altra critica >> ai modelli ML, la mancanza di trasparenza. >> In questo caso, l’intero processo di ragionamento viene esposto, compresa >> una spiegazione in termini perfettamente comprensibili della ragione della >> risposta. >> >> — Beppe >> >> >> On 13 Feb 2025, at 12:00, nexa-request(a)server-nexa.polito.it wrote: >> >> From: Diego Giorio <dgiorio(a)hotmail.com> >> To: Nexa <nexa(a)server-nexa.polito.it> >> Subject: [nexa] Perché Richard Stallman sbaglia in tema di >> intelligenza artificiale >> Message-ID: >> < >> BN6PR17MB3139F372CA9F7422D383438FBEFF2(a)BN6PR17MB3139.namprd17.prod.outlook.com >> > >> >> Content-Type: text/plain; charset="iso-8859-1" >> >> Ieri è stata una bellissima esperienza. >> >> A titolo personale mi pongo un po' a metà tra l'opinione di Stallman e >> quella di questo articolo, che comunque ritengo giusto segnalare >> >> Buona giornata a tutti >> >> >>

3 2

DeepSeek fa sballare l’AI Act
by Giuseppe Attardi Feb. 14, 2025

Feb. 14, 2025

DeepSeek infligge un duro colpo anche all'European AI Act, che stabilisce una soglia per l'applicazione delle sue regole in base a un numero fisso di FLOPS utilizzati nell'addestramento di un modello: 10^25. Quando questa soglia viene raggiunta, si presumerà che un modello sia un modello GPAI che presenta rischi sistemici. Una costante universale scolpita nella pietra dalla legge (anche se ammettono che potrebbero doverla rivedere): come fissare per legge la velocità della luce. DeepSeek V3 è effettivamente al di sotto di quella soglia: 3.29e24 FLOP nell'addestramento —

1 0

Evidence For (and Against) Emergent World Models in LLM
by Daniela Tafani Feb. 14, 2025

Feb. 14, 2025

Melanie Mitchell, LLMs and World Models, Part 2 Evidence For (and Against) Emergent World Models in LLM Feb 13, 2025 [...] Conclusion The claims of emergent abstract world models in LLMs are not yet supported by strong evidence. There is some evidence of such world models arising in transformers trained on narrow domains (Othello, chess, mazes, etc.) but also evidence that their abilities arise not from human-like internal models but from large “bags of heuristics”. Moreover, the notion of “world model” itself is not rigorously defined; when considering whether an agent has a particular kind of world model, we should ask what kinds of questions such a model should be able to answer, how easy or hard it should be for the agent to get answers from the model, and to what extent we would expect that the model would allow the agent to adapt to novel situations. <https://aiguide.substack.com/p/llms-and-world-models-part-2> Qui la prima parte <https://aiguide.substack.com/p/llms-and-world-models-part-1>

1 0