Reposting Jaron Lanier's 2023 New Yorker essay, the piece argues that large language models like GPT-4 are not independent minds but statistical mashups of human-created content, comparing GPT-4 to an expanded Wikipedia and image generators to enhanced image search. Lanier promotes 'data dignity' (also called 'data as labor' or 'plurality research') as an alternative to the free-data-for-services model that enabled a few platforms to dominate through network effects while monetizing user attention through addictive algorithms. Under data dignity, creators would be compensated when their work is used or recombined by AI models, illustrated through a hypothetical scenario of tree-trimming robots creating new creative economic niches for displaced workers. The essay also argues AI companies have self-interested reasons to adopt this model since better, more diverse training data would let LLMs expand into new domains like virtual-reality world generation.
Source: https://wadler.blogspot.com/2026/08/there-is-no-ai.html. 8 Sync News only summarizes and links out; content copyright belongs to the authors and original sources.
Đang tải bình luận…
Sam Altman, CEO của OpenAI, cho rằng ngành AI đang đặt mục tiêu thời gian quá lạc quan. Ông giải thích rằng sự chậm chạp của kinh tế thực tế có độ trễ (inertia) lớn hơn dự đoán ban đầu. Điều này khiến một số đối thủ exaggerating khả năng của mô hình AI và hứa hẹn triển khai sớm mà không có cơ sở hạ tầng kinh tế hỗ trợ. Khi thị trường chưa sẵn sàng absorbsong, các dự án AI thường gặp khó khăn trong việc thu hút doanh thu và mở rộng quy mô. Bài học là nhà phát triển cần căn cứ lộ trình sản phẩm vào chỉ tiêu kinh tế thực tế, thay vì chỉ dựa vào tiến bộ thuật toán, để tránh lãng phí nguồn lực và mất uy tín.
Bài viết này cung cấp cái nhìn thẳng thắn từ Sam Altman về thực tế triển vọng AI và sự chênh lệch giữa tham vọng và khả năng thực tế.
Bối cảnh: Chi phí chạy mô hình AI lớn để thực hiện các tác vụ bảo mật đang tăng nhanh do tiêu thụ token cao. Nguyên nhân kỹ thuật: Khi tất cả các yêu cầu đều được gửi tới mô hình mạnh nhất, lượng token đầu vào và đầu ra tăng không cần thiết, gây ra chi phí không hiệu quả. Hệ quả: Áp dụng mô hình funnel phân cấp – sử dụng mô hình nhẹ cho các truy vấn đơn giản và giữ mô hình mạnh chỉ cho các trường hợp phức tạp – kết hợp với kỹ thuật thiết kế prompt thông minh giúp giảm lượng token tiêu thụ đáng kể mà không làm giảm khả năng phát hiện đe dọa. Điều đáng học: Đội ngũ bảo mật nên xây dựng quy trình định tuyến mô hình dựa trên độ khó của prompt và đầu tư vào tối ưu prompt để tối ưu chi phí AI mà vẫn duy trì mức độ bảo vệ cần thiết.
Bài viết này giúp bạn tiết kiệm chi phí AI an ninh mà vẫn duy trì hiệu năng bảo mật tối ưu.
Bối cảnh: Khi ClickHouse tiếp tục nhận hàng loạt pull request từ cộng đồng, việc đảm bảo chất lượng sau mỗi merge trở thành thách thức lớn. Nguyên nhân kỹ thuật: ClickGap được thiết kế để tự động xem xét các thay đổi đã được merge, chạy lại các test reproducer liên quan và lọc ra các false positive. Hệ quả: Nhờ đó, công cụ có thể xác định chính xác commit nào gây ra hồi quy, giảm đáng kể thời gian debug và tránh việc bỏ lỡ lỗi thực. Điều đáng học: Việc kết hợp phân tích mã thay đổi với thực thi reproducer tự động cho thấy một mô hình QA độc lập có thể mở rộng cho các hệ thống CSDL nguồn mở khác. Kết luận: ClickGap minh họa cách tự động hóa quy trình kiểm tra sau merge không chỉ tăng độ tin cậy mà còn tối ưu hóa quy trình phát hành phần mềm.
ClickGap giúp tự động hóa QA cho ClickHouse bằng cách phát hiện và gán lỗi cụ thể cho từng commit, tiết kiệm thời gian và nâng cao chất lượng codebase.
Bài viết giới thiệu phương pháp Quantization‑Aware Healing (QAH) được phát triển bởi Multiverse Computing để nén mô hình ngôn ngữ lớn xuống 4‑bit mà không làm giảm hiệu suất. QAH kết hợp quantization‑aware training với một bước healing sau huấn luyện, trong đó một mạng phụ nhỏ được học để bù lại sai số lượng tử hóa gây ra. Kết quả cho thấy mô hình 4‑bit sau healing đạt được mức perplexity tương đương, và trong một số trường hợp thậm chí tốt hơn so với phiên bản full‑precision (32‑bit) ban đầu. Việc này đồng thời giảm kích thước bộ nhớ cần thiết xuống khoảng 1⁄8 (≈87,5%) và tăng tốc độ suy luận trên phần cứng hỗ trợ tính toán nguyên số. Điều đáng học là việc đầu tư vào quá trình healing có thể bù lại phần lớn tổn thất từ quantization, cho phép triển khai mô hình mạnh mẽ trên môi trường tài nguyên hạn chế mà không hy sinh chất lượng.
Bài viết này giúp lập trình viên hiểu cách tạo mô hình lượng hóa 4-bit hiệu suất hơn cả mô hình full-precision gốc.
Internet Archive vừa công bố bộ sưu tập "Vintage Artificial Intelligence" cho phép truy cập và chạy phần mềm AI từ thập niên 1970 đến 1990 trực tiếp trên trình duyệt qua mô phỏng. Bộ sưu tập này chứa nhiều phiên bản của Eliza, các trò chơi phiêu lưu hội thoại, môi trường Lisp và Prolog, Racter (chương trình viết truyện đầu tiên), Alter Ego, một số triển khai của Conway's Game of Life và chương trình cờ vua Sargon. Mặc dù một số tác phẩm nổi tiếng như Hexapawn, Parry và công cụ George không được bao gồm, nhưng bộ sưu tập vẫn cung cấp đủ материала để nghiên cứu cách các hệ thống dựa trên quy tắc và xử lý ngôn ngữ tự động hoạt động trong thời kỳ đầu của AI. Nhờ khả năng mô phỏng trong trình duyệt, nhà phát triển và nhà nghiên cứu có thể kiểm tra, so sánh và học hỏi từ mã nguồn gốc mà không cần cài đặt phần mềm cũ hoặc máy tính thời đại. Điều này nhắc nhở chúng ta về giá trị của việc lưu trữ và truy cập phần mềm lịch sử để tránh mất mát kiến thức về thiết kế hệ thống chuyên gia đầu tiên và cung cấp cảm hứng cho các phương pháp AI hiện tại dựa trên quy tắc.
Bài viết này giúp lập trình viên khám phá và trải nghiệm nền tảng lịch sử của trí tuệ nhân tạo từ những năm 1970-1990.
Các nhà phát triển đang giành lợi thế trong cuộc đua AI nhờ có thể truy cập vào máy móc mạnh mẽ chạy được các mô hình LLM tiên tiến. Nguyên nhân kỹ thuật là sự phổ biến của GPU miễn phí và các hệ thống tính toán cao cấp, làm giảm壁垒 để triển khai các mô hình lớn. Hệ quả là khi mọi người đều có thể "mua súng chân" (foot gun) dễ dàng, nguy cơ sử dụng sai mục tiêu hoặc tạo ra các ứng dụng không an toàn tăng lên đáng kể. Điều đáng học là đội ngũ phát triển cần cân bằng giữa lợi thế phần cứng và các biện pháp kiểm soát, kiểm thử rigorously trước khi đưa LLM vào production. Nếu không có sự cảnh giác, lợi thế phần cứng có thể trở thành điểm yếu gây ra lỗi nghiêm trọng trong hệ thống AI.
Bài viết giải thích tại sao các lập trình viên sẽ chiến thắng trong cuộc đua AI với những công cụ mạnh mẽ như GPU miễn phí.
Nhiều công cụ tự động kiểm tra accessibility chỉ xác định xem thuộc tính alt có tồn tại hay không, nên chúng thường báo “pass” ngay cả khi mô tả không ý nghĩa. Để khắc phục hạn chế này, nhóm phát triển đã tạo một plugin cho GitHub Accessibility Scanner mà thực hiện phân tích ngữ cảnh và độ dài của alt text, đồng thời đánh giá mức độ mô tả dựa trên heuristic như từ khóa liên quan và tránh lặp lại tên file. Plugin này sẽ đánh dấu các trường hợp alt text quá ngắn (dưới 5 ký tự), quá chung chung (ví dụ “image” hoặc “picture”) hoặc chứa từ ngữ không liên quan, giúp nhà phát hiện lỗi trước khi code được merge. Khi tích hợp vào workflow CI, plugin sẽ làm giảm tỷ lệ lỗi accessibility liên quan đến alt text xuống khoảng 30% so với chỉ dựa vào các quy tắc tự động cơ bản. Bài học là: tự động kiểm tra là bước đầu tiên, nhưng cần bổ sung bằng các quy tắc ngữ cảnh và審閱 con người để đảm bảo alt text thực sự hữu ích cho người dùng screen reader.
Đây giải thích tại sao alt text đạt kiểm tra tự động không đồng nghĩa với nó thực sự hiệu quả và dễ truy cập.
Agents on Rails đang phát triển và vừa công bố rằng lemans – hệ thống harness tạo ra mọi con số đã công bố – hiện đã được mã nguồn mở. Đây là bước tiến quan trọng vì lemans trước đây là thành phần nội bộ dùng để đo lường và so sánh hiệu suất của các mô hình AI. Đồng thời nhóm đã chạy thử bốn mô hình mới: Sonnet 5, Terra, một phiên bản Qwen có trọng lượng mở cho phép chạy trên máy cá nhân, và một mô hình không muốn tiết lộ tên. Với lemans mã nguồn mở, cộng đồng có thể tái tạo, mở rộng và tích hợp các bài kiểm tra này vào quy trình của riêng mình. Bài học là việc công khai công cụ đo lường và chia sẻ mô hình mở trọng lượng giúp tăng độ minh bạch và tăng tốc độ đổi mới trong lĩnh vực AI agents.
Lập trình viên nên đọc bài viết này để cập nhật về công nghệ Agents on Rails và nguồn mở của lemans, cũng như khám phá các mô hình AI mới như Sonnet 5, Terra và Qwen.
Read the news here, practice coding, follow structured courses and train for IELTS on our sibling products — all connected through one 8 Sync account.
The ecosystem home: product overviews, blog and full pricing.
ExploreLearn along a clear roadmap: videos, auto-graded quizzes, certificates and mentors who ship for a living.
View the roadmap1,000+ DSA problems in Vietnamese, auto-graded across 7 languages — many FREE, right in your browser.
Practice for freeAI grading for all four IELTS skills with detailed rubric feedback.
Try it freeA 22 MB AI IDE for Vietnamese devs.
Download freeOrganizational memory for AI agents.
ExploreAI that staffs your Fanpage and qualifies leads for you.
Try it