nafyi.

OPINIONS EXPRIMÉES EN PUBLIC

John Schulman

Interview participant ·

1 entretiens · 3 opinions exprimées · 1 thèmes

Contenu mis à jour:

Les traductions sont destinées à la lecture ; les extraits originaux restent la source evidence.

Points de vue par sujet

Opinions attribuées, classées par date d’entretien. Un aperçu de ces échanges, non une affirmation définitive des convictions de la personne.

AI research

Voir ce sujet
AI research

Generalization is difficult to predict

John Schulman says the field depends heavily on generalization and that it is difficult to predict when generalization, including out-of-distribution generalization, will occur.

Éléments favorables

Extrait original

The whole field relies a lot on generalization and it’s very hard to predict when you’re going to get generalization, or when you’re going to get some kind of out-of-distribution generalization

John Schulman·

AI researchers debate how close we are to recursive self-improvement

Cet extrait ne contient pas de contexte supplémentaire. Consultez la conversation originale.

Ouvrir l’original · 9:42 (s’ouvre dans un nouvel onglet)Source de la transcription (s’ouvre dans un nouvel onglet)

L’heure de début provient de la transcription fournie. L’alignement avec la lecture est en attente de révision.

Ouvrir l’épisode et rechercher à 9:42.

John Schulman
Partager un aperçu
AI research

Research methods may have substantial room to improve

John Schulman suggests that clever small-scale experiments could support theories that generalize to larger experiments. He expects research methods to be far from their ceiling.

Éléments favorables

Extrait original

If you think hard enough, you probably could have expected some of these things beforehand. There is probably some very clever way to do a small-scale experiment that’ll let you build the theory that then will generalize to the large-scale experiment. So I would expect that we’re nowhere near the ceiling of how well you can do research

John Schulman·

AI researchers debate how close we are to recursive self-improvement

Cet extrait ne contient pas de contexte supplémentaire. Consultez la conversation originale.

Ouvrir l’original · 11:34 (s’ouvre dans un nouvel onglet)Source de la transcription (s’ouvre dans un nouvel onglet)

L’heure de début provient de la transcription fournie. L’alignement avec la lecture est en attente de révision.

Ouvrir l’épisode et rechercher à 11:34.

John Schulman
Partager un aperçu
AI research

Distillation depends on a realistic prompt distribution

John Schulman says a realistic prompt distribution can help a distilled model match a larger model. He contrasts this with easily verifiable tasks, which may produce strong benchmark results but weaker performance across a broader distribution.

Éléments favorables

Extrait original

If you have a really good realistic prompt distribution for distillation, you can match the big model really well. But if you only have this distribution of easily verifiable tasks, then you can match the big model on all the benchmarks, but you do worse on this broader distribution

John Schulman·

AI researchers debate how close we are to recursive self-improvement

Cet extrait ne contient pas de contexte supplémentaire. Consultez la conversation originale.

Ouvrir l’original · 26:48 (s’ouvre dans un nouvel onglet)Source de la transcription (s’ouvre dans un nouvel onglet)

L’heure de début provient de la transcription fournie. L’alignement avec la lecture est en attente de révision.

Ouvrir l’épisode et rechercher à 26:48.

John Schulman
Partager un aperçu

Déclarations par date d’entretien1

Les déclarations sont classées selon la date de publication initiale de l’entretien. Des formulations différentes ne prouvent pas un changement de position.