Latest / Verbos: AI og Softwareudvikling / #74 - Vi Snakker Ilya Sutskevers NeurIPS Talk m. Kenneth Enevoldsen og Thomas Kobber Panum

Transcript

#74 - Vi Snakker Ilya Sutskevers NeurIPS Talk m. Kenneth Enevoldsen og Thomas Kobber Panum · Verbos: AI og Softwareudvikling

0:00
Hej allesammen og velkommen til hvad bos podcast afsnit nummer
0:03
74 i den her episode der har vi desværre ikke Jonas med, men
0:07
fordi han er syg, men Vi har til gengæld Kenneth og Thomas cover
0:12
panum Kenneth Enevoldsen og Thomas kommer panum med i dag så
0:15
velkommen til tak. Og det Vi skal snakke om i dag.
0:20
Det er at Vi skal snakke om en talk som hedder skiver i skal i
0:24
hvert fald tage udgangspunkt i en talk, som elias skiver
0:28
udholdte i forbindelse med han vandt test of time Award til
0:32
europs i Canada her for ja, Det var vel i sidste uge eller Sådan
0:37
noget. Og i den talk, der gør han
0:40
ligesom status på hans syn på hele det her ERI.
0:43
Udviklingen hvordan op hertil. Og så også hvad han mener at der
0:49
kommer hvad hvad han mener der kommer til at drive feltet
0:52
fremad II fremtiden. Og i dag har vi hvad hedder det
0:57
Thomas med som som Vi har skrevet lidt ind på LinkedIn i
1:01
noget kommentarfelt og har diskuteret lidt Sådan.
1:05
Ja omkring det her budskab, som ellers også skriver, har især
1:09
hvor kernen især er at han mener at pres training det ligesom er
1:14
dødt. Der er ikke så meget mere at
1:16
hente der, så nu skal man må vi til til at hive nogle andre
1:19
tricks op af bogen. Og så har vi dig Kenneth med
1:22
også som som jo da du var jo derovre og til news konferencen
1:27
og arbejder også en del med hvad hedder det pragtræning og
1:30
træning og sprogmodeller og så videre.
1:32
Så i danish found danl projektet.
1:34
Men jeg tænker på om vi ikke lige om vi ikke lige skulle du
1:38
har været med før Kenneth, men om i ikke lige alligevel skulle
1:41
give en lille introduktion til os selv hvis du starter Thomas.
1:46
Jeg hedder som sagt Thomas som Kasper sagde og har en.
1:50
Ja så er uddannelse softwareingeniør som master og
1:52
har en PHDI det man vil kalde at the sery machine learning så det
1:56
handler meget om det her med maskinlæring og de fejl der
2:00
bliver indlavet under de her træningsprocesser, som som
2:02
modellerne har. Udover det, så har jeg mit eget
2:06
lille firma, hvor jeg handler med strøm gennem modeller IUSA.
2:13
Nice hvad med dig Kenneth? Du har været med før, men.
2:16
Jamen Kenneth, Jeg har lige færdiggjort min PHD.
2:21
På Århus Universitet, hvor Vi har hvor Jeg har.
2:24
Hvad er det det hedder lavet modeller og hvad er det det
2:27
hedder tidsbåde og prædikerer sprog og genetik.
2:31
Sekvenser. Og så er jeg jo som sagt midt
2:35
ude i en artikel til newebs, der blev accepteret, som jeg så var
2:40
repræsenterer. Nice nice nice nice og hvordan
2:46
var det egentlig ovre i 2 neurse Kenneth kan du ikke fortælle
2:49
lidt om det? Jeg ved Det var tæt den her talk
2:51
med elia, så jeg tænker Det var rimelig rimelig highligh en af
2:54
en af highlightsen i hvert fald. Kæmpe highlight.
3:00
Jamen altså lerrips conference altså Sådan en gammel relativ
3:03
gammelt conference indenfor AI. Den startede egentlig først med
3:07
omkring. Vi har Sådan neuro science.
3:10
Poser og så skiftet mere overrasket intelligens
3:14
efterfølgende. Men Det er Sådan en den foregik
3:18
ikke at være en couffer, den er der.
3:19
Det er en kæmpe konference man kommer til nu til glas wirift
3:23
der lige spillet koncert dagen før.
3:27
Det bestiller noget om Sådan hvor stort set Det var en
3:30
kæmpestort franske som der. Fedt når du Sådan kommer ind der
3:35
hvor ellia lavede hans så ser du Sådan en kæmpe sal hvor Der er
3:41
Sådan. Hvis du Sådan tager Sådan en
3:44
forelæsningssal på universitetet, så dem er der
3:47
Sådan 4 af stikket op ved siden af hinanden og så gør du ligesom
3:51
5 rækker tilbage af de her, så Det er en kæmpe stor.
3:55
Jeg tror Det er 2000 plus mennesker der sidder i Sådan en
3:57
salo. Og så er det jo sjovt at se.
4:01
Man ser alle de store navne sidder.
4:04
Lige derovre. Han sidder lige der sidder lige
4:06
nogle fra Google deep mine der der sidder lige nogle fra åbne
4:09
jeg derovre og Det er meget sjovt at at være til.
4:17
Ja, og så er det jo altså, så foregår der bare.
4:20
Hvad er det det hedder? Masser af talks løbende.
4:25
Og så er der et det her. Hvad er det det hedder?
4:28
Så så kan du ligesom bare gå til den ene talk efter den 2.
4:32
Nice. Megafedt jamen hvad hedder det
4:36
som forberedelse? Det har vi jo og nok også bare
4:39
Sådan for hyggens skyld har vi jo alle sammen set den her talk
4:42
med ellie assrat skiver og har også læst lidt op på det paper
4:45
som han vandt den her test of timer walt fra nemlig den her
4:49
secons 2 sequent learning with euro network fra 2014 så vidt
4:53
jeg husker. Og jeg tænker bare Sådan måske
4:56
bare Sådan hvordan? Hvad fik du ligesom ud af den
4:59
her talk Thomas Sådan indtryk. Ja så egentlig han vender jo
5:04
Sådan her og test of timerwater for det her paper, som du
5:07
nævner. Så så med de fleste andre, så
5:10
gennemgår han jo selvfølgelig hvad, hvad hans paper eller
5:12
artikel handler om og hvad han mener var de baneprøver ideer og
5:16
hvad der var de lidt mindre banebrydende i Det er.
5:21
Men han det Der er ret interessant synes jeg i hans
5:22
talk der han bruger enormt meget tid på at snakke om det der
5:26
kommer efter hans paper og endda også måske efter hvor Vi er i
5:29
dag. Udover det, så kan man sige, så
5:33
bruger han. II den både som inspiration til
5:38
hans egen artikel, men også til fremtiden.
5:40
Så end Jeg har den her tendens med han elsker at sammenligne.
5:46
Det han kalder arte phishing neurogons med biologic con
5:49
neuro's. Det er noget, der Jeg tror.
5:51
Det er nok det det tema der går igennem hele Torben, næsten fra
5:54
start til slut. Det er at.
5:57
At på flere parametre, at han mener, at vi biologiske væsener
6:01
er meget tættere på maskinerne, end vi går og tror.
6:05
Og Det er både noget, der argumenterer for ligesom er
6:08
inspirationen fra det de lavede dengang, men i høj grad også er
6:12
noget af det, som han. Mener at repræsentere fremtiden
6:17
for det her, og Det er Sådan et ret stort gennemgående tema som
6:21
all around det. Er meget sjovt.
6:23
Han har det der chart hvor han har.
6:25
Hvad er det Sådan noget? Altså kropsstørrelse versus
6:29
hjernemasse Sådan Sådan skatteplot med forskellige jeg
6:33
forestiller mig Det er pattedyr og så kan man ligesom se på de
6:37
er begge 2 Sådan lidt logskala så kan man ligesom se Der er
6:39
Sådan en en lineær sammenhæng i forhold til det.
6:43
Men, men så plotter han, så gør han ligesom opmærksom på Sådan.
6:47
Hvad kan man kalde det Sådan? Menneskelignende dyr, der
6:51
ligesom. Bryder ud af den der den der
6:55
lineære sammenhæng, og så sammenligner han det.
6:57
Det han han Sådan sammenligning er ligesom at OK alle pattedyr.
7:01
Det er ret training og Sådan. Mennesket har så lige fundet ud
7:05
af at altså blive klogere, og Det er så post træning.
7:07
Og hvad hedder det test time inferien så og agents og så
7:10
videre så. Det er meget sjovt.
7:13
Så var der også en Der er en ret virkelig kongekommentar på på på
7:19
youtube på hans talk som siger at vi holder et par ret stor
7:22
kunstpauser, som nævner at Det er bare et bevis på at.
7:27
At Det er test time at Det er Det er vejen frem.
7:32
Som jo selvfølgelig også er underbygget nu du siger der, men
7:35
fin klasse kommentar. Så skal man bare huske nogle
7:37
gange ikke lige at tilføje lidt mere testtegn.
7:39
Det kunne jeg godt lige have. Hvad med dig, Kenneth?
7:42
Hvad hvad er din umiddelbare indtryk af af Torben der du var
7:45
der jo. Ja altså.
7:49
Bare lige for at pointere. Brand sizees og altså han, Der
7:54
er en antagelse om, at den har den lægger op altså Sådan jo
7:57
større hjerne du har jo klogere er du?
8:01
Men vi mener jo ikke at at hvaler er klogere end os.
8:04
Så Der er lige sendt en kaviar af at at den.
8:10
Den skalering som ligesom også holde.
8:13
Så som en, der i hvert fald er ved noget uddannelse II kon
8:18
designs, så så vil jeg Sådan en. Så var jeg lige Sådan en
8:20
skeptisk ved den med det plot. Men men Jeg synes generelt at
8:26
hans holdning om at hans. Den prøver på at sige med, Det
8:29
er at. Den måde du træner modeller i
8:33
dag på det skalerer ligesom på en specifik måde, og vi kunne
8:38
nok godt finde et smartere trick, så vi skulle studere det
8:42
på. En.
8:43
Mere effektiv måde. Og den konklusion tror jeg ikke
8:48
ændrer sig. Uanset om man sammenligner med
8:52
hjerne eller noget andet. Ja.
8:56
Ja. Men er det ikke også relativt?
8:59
Er det ikke også det Der er interessant ved chartet er at
9:01
Det er relativt til kropsstørrelse eller Sådan eller
9:05
hvad? Sådan fordi eller hvad?
9:08
Ja. Ja Jeg tror Det er bare fordi
9:12
jeg der har været en del forskning før i tiden, som har
9:15
konkluderet at nogle mennesker har været klogere end andre
9:18
mennesker på grund af de har haft en større hjerne.
9:20
Men Det kan godt blive lidt. En problematisk altså så skal vi
9:25
til at sige noget omkring folks værdier ud fra deres
9:29
hovedstørrelse og det det bliver lidt underligt.
9:32
Vi får snakket den del af af forskningen.
9:35
Og du siger større end Jeg er kende, så mener du på simpelthen
9:38
på vægten ikke altså når vi. Ja.
9:43
Og Det er vi jo ikke, altså i princippet.
9:46
Altså. Når vi snakker sprogummet eller
9:48
så i øvrigt sidder i deres evner og ikke i deres størrelse.
9:52
Men jeg ved ikke om jeg prøver at veje dem endnu, men det.
9:54
Jeg tror ikke den gør den store forskel.
9:57
Det er jo ikke Der er jo Sådan det gør den ikke så Sådan Det
10:00
er. Hvad tænker i så om der var lige
10:03
en sjov vært joke der? Hvad tænker i så om altså fordi.
10:10
Det har jo været Sådan lidt lidt.
10:11
Vi har også lavet en podcast om det før det her med om de her.
10:17
Nu har man ligesom fundet ud af hey, hvis vi bare skal lære
10:20
datamængde op og af mængde af computere og modelstørrelser op
10:23
i en uendelighed, så fortsætter Det bare scaling loss og det
10:27
gapemerking ability, som vi snakkede på debat igen og så
10:30
videre. Derudaf Det har ligesom været
10:33
historien og meget den innovation, som har været i
10:37
forbindelse med de store GBT modeller, og Jeg kan huske Sådan
10:40
da GPT 3 kom ud. Der var der også rigtig mange
10:42
der synes at Det var Sådan. Åh Det er ikke rigtig research
10:45
og Sådan noget de de de skal lave bare op.
10:47
De gør jo ikke rigtig noget andet end det og Sådan noget.
10:50
Det er jo egentlig også rigtig nok.
10:54
Men, men Jeg synes også det han ligesom siger Det er at han han
10:57
mener at vi de ligesom altså Det er ligesom noget punkt hvor at.
11:04
Det trick ikke virker mere hovedsagelig på grund af at der
11:06
ikke er mere tekstdata, altså grunden til at man kunne gøre
11:11
det. Det er fordi der har været en
11:13
hel masse nedskrevet tekst frit tilgængeligt på internettet, som
11:17
man har kunne hente ned. Og har kørt har kunne køre self
11:21
supervised learning på så den her.
11:26
Til nej altså hvad skal man sige data du skal notere ting du har
11:31
ligesom bare kunne skalere datasættet rigtig effektivt og
11:35
og trænet på på de mængder der det mener han så ikke er.
11:42
Nu er vi løbet tør for data, og derfor skal der nogle andre
11:45
tricks til. Er det også det Sådan i hørte
11:47
det eller eller hvordan? Ja altså det Det kan man sige.
11:57
Det, der påvirker mig i det. Det er jo at nogle af de ideer,
12:01
som får nogle lidt måske nye begreber og navne her.
12:04
Det minder enormt meget om ting man har set før, også før vi
12:07
havde sprogmodeller, så før vi havde transformeren, så var der
12:11
jo så er der Sådan et begreb indenfor forskning som hedder
12:14
indoctive learning bios. Og Det er Sådan helt kogt ned,
12:18
så er det ligesom hvis man hvis man ved man skal prøve at fitte
12:21
et problem der for eksempel er linært.
12:24
Så er det sjovt nok noget nemmere med en lineær
12:26
regionsmodel, fordi at den simpelthen bare lærer mere
12:28
effektivt lineær mønstre, fordi at den har en masse indoctive
12:32
bias, altså den den. Den har aldrig nogen antagelse
12:34
om hvordan læring foregår. Og for mig det her med, når vi
12:41
udmatter Det kan godt være det går.
12:44
Vi er tømt ud fra data, men Jeg synes også, Vi har rigtig mange
12:49
naturlige årsager og grunde til at tro.
12:52
At til trods for de her modeller virkelig kan absorbere
12:57
information, så gør de det ikke særlig effektivt.
13:02
Så det her om det så hedder test time eller vi får nye
13:06
arkitektur. For mig er det lidt det mere om.
13:09
Det er før eller efter vi træner.
13:12
Jeg tror grundlæggende, Det er lidt det samme at samstå dags
13:15
for mit vedkommende. Vi.
13:18
Den matematik vi anvender til at til at til at lære de her ting.
13:22
Den udvikler sig, og det kommer den nok både til at gøre.
13:26
Efter Vi er færdige med at træne samme siger, men i høj grad også
13:30
før, og det tror jeg ikke på den måde er udmattet.
13:33
Det ligger han også en lille smule op til.
13:36
Men Det er meget lidt Det er temaet er test-time.
13:43
Ja altså Jeg vil sige Sådan bare lige til læge til lytteren der
13:47
ikke Sådan så bare lige en kort introduktion, så tager du typisk
13:50
det her. Hvad er det det hedder
13:52
træningsdatas set og så hvad er det det hedder som er så stort
13:55
som muligt og så finder du hvad er det det hedder model hvor den
13:58
bliver prædikeret det næste år og så bagefter ser justerer du
14:01
den her model til? Chatbots eksempelvis.
14:07
Og det han siger den her meget naive ting med at samle en masse
14:10
data og så rense det op og så træne model på det.
14:14
Den er. Den er ved at være død.
14:17
Og så Jeg tror måske misvisende nok har mange på nettet som
14:23
været ude at sige Sådan at. At at præretræning som helhed er
14:29
død. Det er med at træne modellen før
14:32
eller og det tror jeg på ingen måde er sandt, og det tror jeg
14:34
heller ikke i det, jeg siger det han i virkeligheden indikerer
14:37
til, at Vi skal måske være smartere med den måde, vi samler
14:41
data på. Altså vi kan for eksempel hvad
14:45
er det, det hedder have modeller til at generere data i
14:47
interaktion med hinanden? Eller vi kan, hvad er det, det
14:50
hedder, vi kan samle data på nye måder?
14:53
Altså måske skal vi give her modeller i stedet for bare
14:57
straight mettet naturligt, så skal de måske lære selv at finde
15:00
informationer på nettet. Ved selv og Sådan at navigere på
15:05
internettet. Og han ligger også op til at man
15:09
kan hvad er det det hedder? Hvad er det?
15:12
Det hedder bruge andre moderniteter?
15:14
Altså ikke kun hvad er det bedre?
15:17
Ikke kunne gøre tekst, men også spillet og lyder.
15:23
Han siger altså, han nævner det her med, at Vi har kun et.
15:27
Internet explin tager data fra, men Jeg tror Det er ret.
15:33
Ja, Det er i hvert fald en ting jeg blev lavet.
15:35
Mærke til at. Der er en ret stor del af
15:38
Kultur, som ikke befinder sig på internettet.
15:41
Altså Det er ikke kun hvad er det det hedder?
15:43
Hvad er det det hedder dataven? Det er kun på nettet, og Vi har
15:47
også samtaler der. Hvad er det det hedder sker i
15:51
hverdagen og Der er nok formentlig mere data i de
15:54
samtaler, som ikke vil være bedre endnu.
15:58
Bliver samtalen eller samlet, så Der er store muligheder for at
16:01
forøge den mængde af data, selvom du kun har adgang til
16:04
internettet. Jeg har Sådan set en meget god
16:07
penge. Det du siger at Det er ikke
16:08
fordi at han siger prætræning er død eller Sådan da det han siger
16:12
Det er mere bare at Sådan Vi er ved at løbe tør for data i
16:15
forhold til at kunne få mere ud af prætræningen.
16:20
Jeg tænkte Sådan lidt, hvad med hvad med Sådan noget med?
16:22
Altså fordi. Det tænker jeg du ved kendet er
16:25
der et plejer der ikke at være Sådan en eller 2 sammenhæng
16:28
mellem hvor meget data man har og hvor stor en model man skal
16:32
have i forhold til hvor lang tid man træner og Sådan noget Der er
16:34
nogle. Jo.
16:39
Ja altså generelt så er der de her scaling loss, som siger alt
16:43
efter hvor meget data du har, så skal du have en endnu større
16:46
model for ligesom at få få en fordel ud af de data.
16:50
Næ i hvert fald hvis du skal være effektiv, når dine
16:54
ressourcer. Og så hvad er det, det hedder?
17:00
Da Jeg tror også Der er hende altså Jeg tror helt sikkert Der
17:03
er en begrænsning på datamængden, men Jeg tror også
17:06
Der er en praktisk begrænsning på mængden af strøm.
17:10
Altså vi ser mange af de her. Hvad er det det hedder?
17:13
Virksomheder vil gerne have hvad er det det hedder adgang til
17:16
egen kraftværk for at købe de her supercomputere det.
17:19
Er sindssygt mand. Det kræver så en stor
17:21
energiæbstruktur har kørt i de her datacentre.
17:26
Og det tror jeg faktisk kan være en begrænsning i sig selv altså.
17:29
At du kan ikke stillere de her centre store nok op, fordi der
17:32
bare ikke er. Sådan overskudsenergi på de her
17:36
netværk til at du kan bygge et helt ekstremt stort datasæt op.
17:43
Ja okay, så der begynder man begynder at ramme ind i nogle
17:45
fysiske bremsninger, fordi Det er nemlig også det jeg tænkte på
17:47
den her sammenhæng mellem model og træningsdatas og så videre
17:50
altså. Jeg tænker ikke at de har
17:52
overfittet til alt det data der findes på internettet.
17:55
Sådan så jeg forestiller mig. Man må kunne lave, altså enten
17:59
kan man vel træne i længere tid eller lave modellerne større og
18:03
så stadig få noget juice ud af af det her data.
18:06
Eller hvad er det ikke Sådan det hænger sammen?
18:09
Så tror nok at du kan træne op til flere gange på det samme
18:11
data uden at altså og det tror jeg.
18:14
Jeg er helt sikker på at de ikke har trænet til.
18:17
Til convergence det tror jeg altså.
18:21
Det bliver mindre og mindre effektivt at tage ind på det
18:22
samme data. Jeg kender igen, og så er der et
18:24
punkt hvor det ikke giver mening.
18:27
Ja. Ja.
18:31
Men Jeg synes også, at nu er det ikke for lystende Sådan en
18:33
supergammel mand, men men et vigtigt indspark synes jeg III
18:37
de her snakke. Det er jo at Sådan
18:39
forskningsområdet helt kogt ned. Vi ved meget meget lidt om
18:43
hvordan de her teknikker de faktisk virker.
18:46
Vi har en masse det man i forskningstagerne kalder empiri
18:50
altså at vi beviser ting ud fra. Nu har vi prøvet at prøve at se
18:53
det virker og det virker til det ikke er tilfældigt.
18:56
Men vi ved faktisk ekstremt lidt om.
18:59
Hvordan de her teknikker eller vi ved godt hvordan de virker,
19:02
men hvorfor de virker på praktiske problemer.
19:04
Det ved man faktisk stadigvæk ekstremt lidt om, og Det er jo
19:07
også det der gør. Man kan nemt.
19:15
Følge sit hjerte og blive forelsket i det vil jeg siger
19:17
fordi Det er jo på en eller 2 måde meget filosofisk og også
19:20
det her med at biologien møder maskinerne.
19:23
Det er de samme, og han siger også på et tidspunkt der bruger
19:25
han Sådan et begreb at. Jeg ved ikke lige hvor han har
19:28
fået det fra, men han nævner Sådan et begreb om han siger
19:30
theep learning dockmann at Det er at altså ligesom Sådan dogmet
19:35
for deap learning. Det er at man.
19:38
At de her artifion neuro som man kalder dem det det.
19:42
Det skal man se som det samme eller tæt på det samme som
19:45
biologiske neurogons, og Det er jo Sådan.
19:50
Det er også bare et nu er det og lige såvel som man kan elske i
19:53
det, så kan man jo også lidt komme til at hade ham fordi han
19:55
nogle gange Sådan lidt inducerer nogle ting vi ikke rigtig har
19:58
bevist. Og når vi ved så lidt om hvorfor
20:01
tingene virker, så er det måske også voldsomt at lave nogle af
20:04
de der koblinger han laver. Hvis man er lidt på
20:08
pessimistiske sider omvendt, så kan man også blive fuldstændig
20:10
drevet af det han siger. Men men er, men er årsagen til
20:14
at man ved så lidt om det her. Er det ikke også fordi at Det er
20:17
så ressourcekrævende? At køre eksperimenter.
20:22
Det handler lidt om. Et af de lidt kedelige svar.
20:25
Det er jo at det her med at lære ting i Sådan højdimensionelle
20:29
matematiske rum, som det at bevæger sig om.
20:32
Der kan man lave nogle antagelser om hvordan de rum de
20:34
ser ud, men og under nogle antagelser, så kan vi godt
20:38
bevise at tingene opfører sig Sådan.
20:39
Men i virkeligheden så ved vi jo ikke.
20:42
Et eller andet en betting space i et eller andet kæmpe en eller
20:45
2 kæmpe sprogmodel. Hvordan det opfører sig og
20:47
hvorfor virker det, når vi tager tilfældige dataklumper og træner
20:51
på dem lidt efter lidt? Vi har bare bevist, at den her
20:56
optimiser den. Vi kan bare empisk vise, at det
20:59
virker, men hvorfor det virker, og hvorfor den er bedre end den
21:02
2. Det er ikke ligesom måske lidt
21:05
mere klassisk matematisk forskning, hvor vi ligesom
21:07
beviser, at noget er mere noget er optimalt i forhold til noget
21:10
andet. Det er mere at hey prøv at se.
21:13
Nu har jeg lavet en ny op til mig, så nu har jeg kørt den på 4
21:15
af de meget velkendte datasæt, og den er faktisk bedre end den
21:18
herovre. OK tillykke velkommen til neurbs
21:21
eller. Ikke Det er Sådan lidt grov
21:25
skitseret. Så Det er dårligt.
21:29
Resultater for det vil jeg da være glad for at lave en ny
21:31
optimisering. Jeg tror også at der ikke lige
21:35
er kommet en fra fra maider også der har udgivet et eller andet
21:39
også bare som en sjov sammenligning der.
21:41
Der sker jo meget på x Formel nogle af Twitter og Jeg kan
21:45
huske her. Jeg ved ikke om Det er fra et
21:47
par måneder siden hvor der var en eller 2 forsker fra fra Mette
21:50
AI som. Jeg mener påstået at han havde
21:54
lavet en bedre optomi så end en eller 2 variant af adam adam som
21:59
jo har været stor. Og det der var ret interessant
22:03
som parfed forskningsperspektiv synes jeg jo Det er at folk de
22:05
spørger ikke, hvordan har du bevist den er bedre?
22:07
Det er mere bare hvornår har du? Hvornår har du programmeret den
22:10
så Jeg kan prøve den, så Jeg kan se om Det er også bedre på mine
22:12
problemer. Altså det her med at vi og det
22:14
Det er der jo ikke noget i vejen med, men man skal bare huske at
22:18
Der er så meget vi ikke ved, så så så folk de jagter mere bare.
22:23
Løsningerne mere end end beviserne, og Det er også OK,
22:26
fordi beviserne er bare svære. Tror du ikke os Det er fordi at
22:32
man har en tendens i forskning til dig?
22:33
Først er et imperisk altså med flere felter, så går vi først og
22:39
frem imperisk og så viser man kan gøre det her altså og så så
22:43
prøver man en masse ting af og så finder man ud af hvad der
22:45
fungerer og så selvfølgelig også Sådan formalismen ligesom med
22:49
altså min fornemmelse er også at vi byggede et fly inden at vi
22:53
vidste hvordan. Lavodynamik fungerede og
22:57
lignende bedreste med. Hvad er det det hedder med
23:00
dampmaskiner og så er der en hel.
23:02
Hvad er det? Det hedder altså den den
23:05
forklaring at det kommer senere og typisk altså Det er 100 år
23:09
senere end selve. Hvad er det det hedder
23:12
udviklingen? Måske ikke 100 år senere på fly,
23:16
men altså på danmarkskina var de jo allerede lavet i rum ogrid
23:20
til at åbne døre og. Jeg tror du har fuldstændig ret.
23:26
Jeg er selvfølgelig når yilja han begynder at sige, at
23:27
maskinerne de ligner menneskerne så meget som de gør så det det
23:31
det med min baggrund og mit bijers der får jeg det en lille
23:36
smule anspændt med det, fordi Vi har så meget bevis på.
23:39
Vi har mange beviser på at. At Der er forskelle.
23:46
Når når vi mennesker løser problemer i forhold til til
23:48
sprogmodellerne og de fejl, som sprogmodellerne laver, ligner os
23:52
slet ikke. Det er i hvert fald nemt at
23:54
finde fejl, så sprogmodellerne laver som mennesker aldrig vil
23:57
lave. Og ligeledes, hvis hvis vi bedte
24:02
et eller andet menneske som kunne leve længe nok til at læse
24:04
hele korpus af internettet. Og så prøv lige at huske det
24:08
hele. Det er også der må man også sige
24:10
der. Der vil jeg antage uden at have
24:12
din baggrunds, at Jeg tror ikke at.
24:15
Vedkommende i se den opgave kan jeg huske det hele, men Det kan
24:19
de her sprogmodeller. Jo de kan virkelig indlejre
24:22
viden. Ja.
24:28
Jamen altså de. Og Det er jo også jeg ved Jeg
24:30
kan ikke huske om han er inde på det eller.
24:31
Men Det er jo også man vil jo rigtig gerne have at de her
24:35
sprogmodeller skal være mere effektive til at lære ting ikke
24:37
Sådan, så de ikke behøver at læse hele internettet flere
24:40
gange før, for ligesom at få Sådan en god grundforståelse af
24:43
sprog. Ja, og Det er vel også det han?
24:46
Det er vel også lidt det hans budskab er.
24:48
Jeg forestiller jeg mig ikke at eller Sådan hører jeg lidt, at
24:50
nu har vi ligesom den her rodløse predict next
24:57
token-til-gang med store transformere på random data på
25:00
internettet. Den har vi ligesom presset alt
25:04
det juice ud af vi kan. Så nu skal vi finde nogle lidt
25:07
mere effektive måder at. Få viden ud af data på, ikke?
25:13
Jeg ved ikke om i selv har lagt mærke til det, men men Jeg kan
25:16
huske da o one modellen kom frem III twitterkredse eller x
25:22
kredse. Der var jo meget snak om hvad
25:24
var det for nogle teknikker og Det kan godt være jeg ikke er
25:26
Sådan helt opdateret på rygtebørsen, hvad man konkret
25:29
ved i dag og hvad man bare har gættet sig til, men Jeg kan
25:31
huske. Da der var snakket om om
25:34
modellen, så er der meget snak om det her.
25:37
At åben jer at få fat i en forsker, der hedder nord and
25:40
Brown, og Det er helt forståeligt, hvis man ikke lige
25:43
ved hvem lauren Brown er. Og man tror han har haft en stor
25:48
del med designet af o one modellen at gøre og bare lige
25:52
for at give lidt historik på hvem noah er så de fleste de
25:55
kender nok det her forskningsresultat for Google er
25:57
med med med et paper der hedder alfa go som handler om det her
26:02
med hvordan man byggede en matematisk model der kunne slå
26:04
verdensmesteren i det her uhyre komplekse spilco.
26:08
Og Sådan lidt kort fortalt, så kan man sige det som i meget
26:12
grove termer som deepat min gjorde dengang.
26:15
Det var jo at de. De lavede et viralt netværk, som
26:20
kunne give en eller 2 brat tilstand på det her bræt kunne
26:23
sige sandsynligheden for at vinde, og så brugte de i
26:25
sammenhæng med noget de kaldte monte Carlo research.
26:29
Som grundlæggende er Sådan, hvis jeg nu bare karikerer det helt
26:31
vildt simpelt, så er det lidt ligesom Vi har et neuralt
26:33
netværk herovre. Det kunne jo være en sprogmodel,
26:36
og så søger vi igennem noget der ligner en træstruktur for at
26:39
finde ud af hvad er udfaldsrummene her og hvad er
26:41
chancerne for at vi ender i nogle bestemte?
26:45
Grene af det her 3 og som jeg forstod det så er der mange der
26:49
tror. At ham han noah han har haft en
26:51
stor del i det fin Brown. Han er en af de her forskere,
26:55
som har taget Googles resultater og så virkelig videreudviklet
26:58
dem til andre former for spil end go.
27:02
Og som jeg forstår det, så det her tjener fort i hvert fald da
27:05
de ud, da det ligesom blev announdset, så var der mange der
27:08
havde en ide om at Det var meget sammenligneligt med med det her.
27:11
Monte Carlo tre-search altså man simpelthen undersøger nogle
27:15
nogle grene i 1 3 og og. Om det så er reenforcement
27:20
learning der navigerer her. Det ved jeg ikke noget om, men
27:22
men man har et eller andet matrik for at sige hvad for
27:24
nogle veje er mere sandsynligt end andre eller gavnlige eller
27:29
andre. Ja altså så måske nogle ekstra
27:35
ord til det, så hvad er det det hedder så så.
27:42
Skak som jo er et ofte brugt eksempel indenfor AR enten til
27:48
at have lavet forskning på eller til at bruge Sådan nogle
27:50
eksempler. Så hvis man hvis folk er gode
27:53
til skak, så laver de et eller andet træk og så har de allerede
27:56
en ide fra starten af. Det er det her jeg skal gøre som
27:58
den næste ting altså. Det kan bare se på brættet.
28:01
Og så har de en god stilling. Og så det man ligesom laver med
28:05
de her t shirts er at man ligesom.
28:08
Man har et godt feeling, og så tjekker man så laver man Sådan
28:10
en. Hvis han rækker det så rykker
28:12
jeg det og så rykker jeg det og så rykker han det.
28:15
Og så siger man nå, men nu har jeg ligesom tænkt hele det
28:17
igennem, og så træner jeg på den tegning, og så kan jeg lige gøre
28:21
mine beslutninger lidt bedre. Og så kan jeg få et lidt bedre
28:25
godt feeding næste gang. Og det tror jeg Det er rigtigt,
28:30
at han ser de her. Altså test.
28:33
Og Det er det man. Hvad er det det hedder nu kalder
28:35
testegn computer Det er man bruger mere tid på at lave det
28:38
her ræsonnement efterfølgende. Men Det er jo ikke den eneste
28:42
altså Der er også mange andre typer af læring som mennesker
28:45
laver, og han henter også lidt til det.
28:49
En ting han for eksempel snakker om og det her med Sådan.
28:52
At modellen selv skal finde ud af, hvordan den skal lære fra.
28:56
Og. Hvad er det?
28:58
Det hedder lavet i eksemplet med mennesker?
29:01
Hvis jeg nu er i tvivl om, hvad er det?
29:03
Det hedder jamen for eksempel et klassisk eksempel er Sådan, hvis
29:08
du har scanninger af menneskers Sådan, hvad er det, det hedder?
29:14
Et hånd eller de har prangende. Der er brækket.
29:15
Nu tager du et billede af det med hvad er det?
29:17
Det hedder en scanner, og så giver det til en model.
29:20
Så kan jeg godt sige brækket ikke brækket.
29:23
Men lægen vil jo ofte sige at brækket ej Det kan jeg ikke lige
29:26
se, fordi vinklen er lidt dårligere.
29:27
Kvaliteten og billeder er dårlig, så tager jeg så søger
29:29
jeg noget nyt information. Som man hvorimod modellen der
29:35
kan jeg ikke sige tand et billede.
29:37
Den kan kun sige brækkede ikke brækket.
29:41
Hvorimod mennesker ofte søger information, hvor de ved de var,
29:45
handler det. Og det hvad er det det hedder?
29:49
Det er det man klarer. Hvad er det det hedder aktiv
29:51
læring? Altså du er aktivt gået ud.
29:53
Og hvad er du aktiv af information på hvor du føler du
29:55
mangler datapunkter? Jeg har et Sådan super praktisk
30:00
eksempel for for dinero. Der i Vores Sådan support chat
30:05
der som jo er meget anvendt af Vores brugere.
30:07
Der er det Sådan at folk skal ofte have.
30:11
Hjælp til et eller andet bogføringsteknisk, og det vil
30:14
sige, de har brug for adgang til hvad hedder det?
30:16
Hvad skal man sige ekspertviden til at få løst et helt praktisk
30:21
regnskabsteknisk problem de har. Og Der er det ofte Sådan at du
30:24
ved, så skriver de et eller andet de oplever et spørgsmål de
30:27
har ind i dinero support, og Det er nærmest Det er nærmest
30:32
aldrig. Det er nærmest aldrig at alt den
30:35
nødvendige information for at løse problemet er i den første
30:38
besked. Så rigtig meget af supporternes
30:41
arbejde er ligesom også at afdække.
30:43
Hvad er det der foregår her ved at stille opfølgende spørgsmål
30:47
og netop tilegne sig den her manglende?
30:49
Hvad skal man sige information som som de har behov for for at
30:53
kunne besvare spørgsmål korrekt. Og Der er det ofte, der ser man
30:56
ofte en ret stor byas i de her chatbots, hvor at man ligesom
31:01
bare ser de svarer du ved, de svarer bare.
31:04
De antager ikke at at alt den information de har behov for for
31:08
at kunne løse problemet. Ikke er i svaret, og det skal
31:12
man. De fleste af os var lidt vigtige
31:14
bullshitter, fordi Det er det de har trænet til.
31:18
Jeg synes Det er en rigtig god pointe det her med at at Det er
31:22
også begrænset hvad de her ER. Systemer man laver har.
31:26
Hvad, hvad hvor mange hvad for nogle muligheder de har for at
31:29
rage information til sig eller søge information.
31:33
Men er det i virkeligheden at gøre Sådan lidt det han siger
31:35
fordi at nu har man så ligesom lavet nogle gode Sådan altså
31:38
Sådan OK imponerende Sådan grundmodeller der ligesom kan
31:41
tage noget tekst ind og noget tekst ud.
31:44
Det virker også som om at han han siger at OK Vi har Vi er
31:46
løbet tør for data, så preetraining begynder og ikke at
31:49
vise så meget fremskridt som Det har gjort, så det gør folk gør
31:53
nu. Det er at de.
31:56
At de begynder at rode med syntetisk data.
31:58
De begynder at lave de her agent.
32:01
Use cases og så begynder de med det her, at ligesom at prøve at
32:05
forbedre performance i test time computer, er det i virkeligheden
32:09
ikke også. Altså det kunne man da godt
32:10
forestille sig at. Nu har vi nu har vi fået nogle
32:13
modeller, Der er så udtryks rige, altså nogle nogle modeller
32:19
der rent faktisk kan. Tage ansvar for at indsamle det
32:23
her data eller den her information, de har behov for.
32:28
Er det i virkeligheden det, han siger at at at.
32:32
At, Der er noget fremtidig innovation indenfor det her
32:36
felt, der kan hentes der eller hvordan.
32:38
Hvad tænker i om det? Hvis jeg skal være helt ærlig,
32:46
så er det så er det en lille smule svært.
32:49
Fordi at. Han er han er en lille smule
32:55
lige så visionær, så ville Jeg kan være lige så god er han til
32:57
at lægge være en lille smule abstrakt i hans forudsigelser.
33:02
Så Det er Sådan en blanding af at Jeg tror hvis vi sad her om
33:05
10 år igen og så prins talk på det tidspunkt, så ville vi
33:08
sikkert sige at. Der vil nok være nogle ting, som
33:12
han får ret i, fordi vi kan presse det ind II det han siger
33:16
fordi Det er en lille smule abstrakt.
33:18
Der er et eller andet med han. Han siger faktisk også ordret at
33:21
som man siger en af fremtiden, Det er syntetisk data.
33:24
Vi skal bare lige finde ud af hvad Det er.
33:26
Det siger han faktisk. Ordret og Det er bred hårdt.
33:29
Og Det er ikke ikke for at angribe ilden på nogen måde, men
33:31
Det er Sådan lidt. Det er lidt et paradoks altså.
33:32
Man kan jo ikke rigtigt sige vi det her.
33:34
Det er fremtiden. Vi ved bare ikke lige hvad Det
33:35
er altså det det det det tror jeg Det kan mærke ind i rigtig
33:37
mange sammenhænge. Så.
33:43
At få helt sikkert ret i noget af det, men men Det er også lidt
33:46
på bekostning af en lidt billig billet, hvor han er rimelig
33:49
abstrakt II hvad Det kan han har også bare han.
33:52
Jeg tror også han mener i Sådan et slide.
33:53
Der skriver han også bare at noget med fremtiden.
33:56
Det er aiens. Som man heller ikke Sådan helt
33:59
kommer ind på. Hvad er det egentlig?
34:01
Hvad hvad hvor starter og stopper det?
34:03
Hvad er det begreb er? Der er lidt madlikt shots han
34:10
får fyret af, men Jeg tror nogen tager til sig.
34:15
Det er at de siger Sådan. Han har ligesom lagt en retning
34:18
ud hvor han tror. Der er meget dumlig.
34:20
Forskning og så så kommer folk til at afdække.
34:25
Nå, men Der er noget med agents. Det er fedt det skal vi kigge på
34:27
og så hvad er det? Det hedder kikker og og de er
34:30
ramt dengang lagt ud har ikke der var ikke noget eneste
34:32
retning af dem han sagde hvor at hvor at jeg følte man sad
34:35
tilbage også var en 2 what den har jeg ikke hørt om før.
34:38
Syntes data hvad? Er det for noget?
34:42
Så på den måde, så kan han så har han ligesom han har talt ind
34:44
i hvad feltet allerede laver. Og så siger jeg Jeg tror Der er
34:47
noget gavnligt det gør. Og Det er på samme måde Sådan.
34:53
Altså Det er et klap på ryggen til dem der laver noget i den
34:54
retning og så altså, men Det er jo ikke Sådan hvor vi tænker
34:58
Sådan nå og Det er det vi skulle.
35:00
Lave Jeg tror mig og Jonas vi var Sådan eller grunden til at
35:03
jeg var Det er fordi der har været lidt Sådan at folk i
35:06
begyndte altså der har været lidt Sådan.
35:08
Ja der har været snak om det der helt klart mange af de ting han
35:11
siger så Det er rigtig nok. Det er jo ikke fordi Der er
35:13
Sådan noget wow OK hvor er du vild er det også den Det har vi
35:16
aldrig hørt om før. Det kunne ellers være fedt hvis
35:19
han lige havde Sådan en. Hey nu skal i høre.
35:21
Men Jeg tror bare måske også. Det det for mig var det nok også
35:26
bare det der med Sådan. OK nu kommer det også fra ham
35:28
agtigt ikke? Ja.
35:33
Så er det ligesom om at Der er den ja og Det er nok bare fordi
35:36
han han. Han vejer lidt tungt ikke tænker
35:38
også Det er derfor han lige får den helt store den helt store
35:41
keynote der til neurobs. Hvad tænker i egentlig, at han
35:46
siger også på et tidspunkt? Det er måske også meget Sådan
35:49
filosofisk og løst og Sådan noget, men han siger også det
35:51
her med, at jo mere Sådan Sådan reasning case bilities ER
35:56
systemer, får jo mere Sådan uforudsigelige vil de også
35:59
blive. Jeg ved ikke om i lagde mærke
36:01
til det. Jo altså jeg går ud fra at han
36:06
også talte ind med de den der formodede det der formodede
36:09
fænomen hvor de stikker af og begynder at gøre et eller andet
36:12
vi ikke kan kontrollere. Det spiller jo lidt ind i det
36:15
der. At maskiner og biologiske
36:19
væsener, så vi kender dem. De er meget altså han.
36:21
Der er ikke nogen tvivl om, at han ser de er på samme vej.
36:23
Altså de lever på et andet de de er så og samme ting.
36:26
Vi har selvfølgelig også snakket om det mange gange, men Det er
36:29
virkelig et stort tema i hans talk.
36:33
Jeg synes. Hvis man skal gå lidt
36:36
videnskabeligt til værk, så er vi jo nødt til ligesom at basere
36:38
på ting vi ved. Og Jeg synes en af de ting man
36:41
virkelig kan klandre i jer for Det er det her med at han når
36:45
han laver den her sammenligning mellem at vi bare antager at
36:48
arthition neurouns og by logicle neurouns.
36:51
Det er det samme. Jamen, hvorfor er det vi lige
36:54
kan gøre det? Altså Jeg tror Jeg tror de
36:57
fleste til en kandidateksamen. De ville blive ret hårdt
37:01
udfordret af censor, hvis de hårdnakkede påstod at.
37:04
Det var Sådan Det var, fordi Det er jo stort set umuligt at
37:07
bevise eller Jeg har i hvert fald ikke endnu ikke set noget
37:09
bevis på, at de er det samme. Jeg har mere set beviser på, de
37:14
er forskellige. Så al respekt for al teknologi
37:19
kan misbruges. Det tror jeg også det her kan om
37:21
det kommer til at stikke af og komme til at angribe os eller om
37:24
det bliver brugt. Til ubehagelige ting som
37:27
krigsførsel fremadrettet. Det er jo ikke til at vide.
37:31
Det var bare Sådan rent intuitivt Sådan Sådan.
37:33
Hvis man bare lige tænker over det.
37:35
Sådan giver det mening, at Der er en sammenhæng mellem hvor god
37:38
man er til Sådan ja reasing hvor hvor god man er til det, og hvor
37:43
hvor uforudsigelig man man er jeg jeg da jeg tænkte på det, så
37:47
tænkte jeg på Sådan, at hvis man har med et eller andet altså.
37:53
En intelligens som er mindre har mindre risning kabelality end en
37:58
selv, så er det nemt, og så er det nemmere at regne hvad hedder
38:02
det den ud for eksempel børn. De kan nogle gange være meget
38:08
Sådan nemme at regne ud, fordi at de ikke har helt den samme.
38:11
Hvad kan man sige måde at producere verden på?
38:14
Så på den måde, så man. Altså man er nemmere at regne ud
38:18
hvis man ikke har. Altså hvis man ikke har lige så
38:20
meget intelligens power eller hvad man skal sige hvorimod hvis
38:24
man har hvis man er imod nogen der har rigtig meget altså
38:28
virkelig processerer verdenen på en på en meget.
38:34
Hvad skal man sige intelligent måde, så kan de regne så er det
38:38
så er det måske en selv der bliver nem at regne ud.
38:41
Jeg ved ikke Sådan. Hvad tænker du om det, Kenneth?
38:44
Er det Sådan en? Hvis man ikke ligesom kan, er
38:47
det Sådan en intuitivt. Tænker du det?
38:50
Der er en sammenhæng der. Ja ja ja jeg kunne godt Jeg kan
38:57
se det lidt begge veje. Altså hvis man kigger på Sådan.
39:02
Hedder. Jamen altså.
39:05
Du kan forestille dig en som er hvad er det det hedder?
39:10
Som er, men det giver en eller 2 ide om den skal være.
39:14
Altså hvis du er i konkurrence med nogen, så er det ofte en
39:18
fordel at altså lad os sige at vi spiller et spil hvor jeg
39:24
tager min airbots her putter den ind i en af mine hænder og så
39:28
jobfor dem og så skal du gætte på den henne af ikke så så skal
39:31
jeg forudsige hvad du vil gætte og du skal prøve at forudsige
39:34
mig. Og hvis hvis mit mål er at kæmpe
39:39
for dig og dit mål er at finde den, så så skal jeg være på
39:43
uforudsigelig. Men jeg skal også statibiljen
39:46
også kunne forudsige hvad du jeg skal være uforudsigelig for dig
39:49
og du skal være forudsigelig for mig.
39:52
Men hvis Vi skal samarbejde, så er det modsatte.
39:56
Ja så skal jeg være forudsigelig for dig.
40:01
Og du skal også have altså så skal jeg lige sætte den om, så
40:03
ligger jeg den i højre hånd og så ved du at du skal vælge højre
40:05
hånd. Og det skal vi kommunikere, og
40:10
så Der er Sådan en, det kommer an på hvilke relationer man er
40:14
i, og hvis man antager den konkurrencesituation, Vi er i.
40:19
Så vil man ofte være altså mere intelligente banggaard som mere
40:23
uforudsete. Mm ja.
40:26
Så er der måske Sådan en eller 2 antagelse af at det Det er a mod
40:30
b eller den ene mod den 2 hvis. Ja og Jeg tror måske.
40:38
Der altså eksempelvis. Der er jo mange systemer, Der er
40:42
super effektive. Fordi at de bygger på tillid?
40:47
Ja altså hvad er det det hedder? I forventningen om at hvad er
40:52
det, det hedder? I Sådan handler man gør sig for
40:56
mennesker, så forventningen om, at Der er med penge, kan vi
40:59
bruge som et middel for at og vi stoler allesammen på at den den
41:03
populere en ting. Det er en Det er super
41:06
effektivt. Det gør, at vi behøves ikke
41:07
allesammen at gå rundt nedenunder faktisk at blive
41:09
fulgt. Men Det er også en super.
41:13
Hvad er det det hedder? Og så lige pludselig nogen der
41:16
ikke mener den ting så den. Det var Sådan at sige Sådan, at
41:19
tillid er ret effektivt. Ja altså man kunne også.
41:24
Man kunne jo også godt lave en lille ekstrapolering til et
41:27
andet paper som også var med i test og time som er det her IN
41:30
good Peter US paper med med general the sery networks.
41:33
Der er det jo også præcis den her konkurrencesituation bare i
41:36
modelsammenhæng man laver. Du beskriver Kenneth hvor man
41:38
har det ene neurale netværk der prøver at snyde det andet, og så
41:42
lærer de jo Sådan ligesom i, og Det er jo ikke sikkert Det er
41:46
det der kommer til at ske i den her sammenhæng, men en lille
41:48
sjov anekdote med den arkitektur som var både banebrydende og.
41:54
Inspirerende Det var at når man skulle træne de her Games
41:57
tilbage i dinosaur tiden, så havde de altid Sådan en tendens
42:01
med at de ledere et fænomen, at de kunne kollapse, kaldte man
42:04
det, og Det var faktisk noget af det, der var det sværeste ved at
42:06
lave de her gams. Det var at de nogle gange
42:08
kollapsede, og det svarer lidt til at den ene model ligesom
42:12
blev for god for hurtigt i forhold til den 2.
42:14
Kan man sige så lidt ligesom at hvis man spillede et spil, så
42:17
blev den ene bare så god at den 2 nærmest bare blev trynet.
42:20
De skulle ligesom lære et par af den ene blev lidt bedre end den
42:23
2. Så fulgte den 2 efter.
42:25
Sådan filosofisk set kan man sige også, og så når de har kørt
42:29
parløb, så kunne de ligesom nå rigtig langt sammen.
42:30
Og så endte man med 2 stærke modeller, så vi ved ikke om Det
42:34
er det der kommer til at ske i den her sammenhæng.
42:36
Men hvis man skulle lære en analogi til det, så kunne man
42:38
godt frygte at Der er et eller andet der kommer til at
42:39
kollapse. Det så er.
42:42
Modellerne eller om det? Jeg håber Det er modellerne og
42:44
ikke menneskeheden der. Ja.
42:49
Men hvad altså Sådan hvad hvad hvad er Sådan os?
42:51
Måske bare lige jeres Sådan take på det her.
42:53
Jeg ved kender måske svaret, men Sådan i hvor høj grad synes i
42:56
Sådan at. Det er Sådan lidt poppet alt det
43:00
han siger. Det er jo ikke meget.
43:04
Det er Sådan altså Sådan den der med at.
43:10
Ja altså Det er jo lidt ligesom Kenneth var inde på før.
43:13
Det er jo ikke Sådan de helt altså de helt vilde ideer de er
43:16
ikke. Det er jo ikke lige dem der kom
43:17
der og Det kan også godt være de blev inde i hans eget firma.
43:20
Det er jo ikke til at vide det kunne.
43:21
Man godt forestille sig. Og Det er jo ikke for at tage
43:24
noget fra ham på nogen måde. Omvendt at forudsigelserne jo
43:26
også som Vi har snakket om før lidt brede, så Det er også Sådan
43:29
om det man kan kaldte det røgsløg.
43:31
Det er måske voldsomt, men de er ikke så de er ikke Sådan super
43:33
konkrete. Så.
43:39
Ja Jeg synes Det var. Det var ikke den mest
43:41
interessante tal der var til neeribes.
43:43
Det må jeg sige. Men Jeg synes at Jeg tror altså
43:48
heller ikke helt hvad er det det hedder?
43:51
Tag det fra ham at fordi han er i den position han er, så kan
43:55
han der kommer til at være nye folk der starter på deres PHD er
43:59
og starter med forskningen og de kommer ind i et felt og så er de
44:02
Sådan en her får jeg leveret hvad Der er en etableret forsker
44:07
der synes er en god ide at starte på.
44:09
Og så starter man på det i stedet for at starte på noget
44:11
andet. Og og den den retning ligger jo,
44:15
ligesom han siger Sådan her at sted med en retning.
44:19
Jeg føler at Der er gavnlig og det gør der.
44:21
Det er der mange forskere der gør.
44:24
Og så får jeg ligesom lov til at hvad er det det hedder så på den
44:28
måde, så Det er det, Det er det jeg føler.
44:30
Han har bidraget med. Han har bidraget med en retning
44:33
på et felt. Og det ja det føler Jeg er ret
44:37
gavnligt. Men Jeg synes faktisk også ikke
44:39
ikke for at tage noget fra dig på nogen måde at kende, men Jeg
44:41
synes faktisk også godt man kan diskutere lidt.
44:43
Er det ild? Jeg foreslår her er det mere
44:46
ingeniørkunst eller er det forskning?
44:48
Og nu er det ikke for at tage noget fra ild, men bare for at
44:50
være en lille smule kritisk fordi.
44:54
Er det will jeg foreslår er det det der skal til for at vi i
44:57
praktiske termer får bedre sprogmodeller og nye varianter
45:01
af tilgivitet? Eller er det mere retninger der
45:04
måske laver noget banebrydende metoder, så effektiviteten den
45:09
fordobler læringsprocessen eller?
45:12
Testtime, chain of ford. Det det.
45:17
Det er ikke for at tage noget fra nogen, fordi begge dele kan
45:19
også godt være. Appliceret forskning og det
45:23
andet. Det kan være lidt mere metodisk
45:24
forskning det Jeg er med på, men.
45:27
Jeg hørte det faktisk Vi skal være, eller så hørte det faktisk
45:29
mest som en mand med en ingeniørhat på, og Det er ikke
45:31
for at tage noget fra ham på nogen måde.
45:35
Han Jeg synes han går meget til opgaven at sige.
45:37
Nu har vi et praktisk problem. Vi fik det her fantastiske paper
45:39
der hedder scaling loss. Det lovede os nogle ting og det
45:42
her. Det er også holdt et langt hen
45:43
ad vejen. Nu er vi så noget Der er til
45:45
prografen, hvor vi kan ikke hente mere data, så Vi er nødt
45:49
til at prøve at kigge på noget andet for at komme videre
45:51
praktisk set, fordi han er jo faktisk også enormt praktisk, må
45:55
man sige. Anlagt mere end.
46:01
Måske visse andre store navne, som er ikke fossile, ikke
46:05
metodisk, men Der er måske andre store navne, som er ekstremt
46:08
metodiske og kunjagt og metoder og ikke så meget.
46:14
Forståelsen om er den største bottlæknende bussen på GPU en.
46:18
Eller er det netværket til at sende tekst rundt med, eller
46:22
hvad er det Der er blevet det? Tror Jeg er egentlig er
46:24
stadigvæk også ekstremt optaget af.
46:26
Og Det kan man jo også. Det er også lidt det hans hans
46:29
paper som han fik til at slå timer watch var en del af og
46:31
også noget af det han selv kalder en cork contribution
46:34
altså det her med. Man må ikke give credit for at
46:38
være den der har brugt KPU er som det første.
46:40
Det må vi nok tilegne det der hedder alex net i 2012 men.
46:45
Der er ikke nogen tvivl om, at secons var er værre at erindre
46:48
noget af det første, hvor man Sådan for alvor er begyndt at
46:50
distribuere ting og. Endnu mere det der med at at
46:54
have modeller der lever på flere GPU er eller er nødt til at leve
46:57
på flere GPU er grundet deres størrelse.
46:59
Det kan godt være at de 2014 var en 2 skala end Det er i dag.
47:05
Men, men Det er jo. Det er jo også nogle meget
47:09
praktiske problemer, synes jeg og ikke så meget metodiske.
47:12
Hvis man var rent matematiker, så ville man ikke forholde sig
47:14
til noget der hedder ram og memory.
47:15
Det var nogle andre der skal løse det problem, men Det er jo
47:18
i virkeligheden ilde her 100% forholde sig til.
47:22
Jeg synes faktisk Det er en super god pointe det her med
47:24
ingeniørkunst versus forskning og et virkelig spørgsmål er om
47:29
det i virkeligheden ikke er altså fordi Det er så tæt på
47:31
produkt det her, så Det er meget Sådan ingeniørkunst for at få
47:35
lavet et produkt, så man kan sende noget noget nogen tjene
47:38
nogen penge, ikke og lave et godt produkt.
47:42
Og i virkeligheden på mange måder, så er det jo.
47:45
Hele historien omkring GPT modellerne er jo meget en
47:47
blanding af de 2 ting. Ikke fordi.
47:50
Der var mange der, og det går pludselig op for mig nu.
47:52
Her det her med, når de skalerede op til 3 der der var
47:56
der jo ikke super meget innovation andet end at de havde
47:58
set en kurve, og hvis de kunne ligesom forudsige at den ville
48:01
have en eller 2. En eller 2 retning og hvis de
48:06
fik ligesom fik det her ingeniørmæssigt til at ske.
48:10
Så ville det give nogle interessante resultater, så Det
48:13
er meget Sådan i altså. Det er meget Sådan.
48:15
Det er meget Sådan i krydsfeltet mellem ingeniørkunst og og
48:18
forskning det her nok i virkeligheden også ikke på mange
48:21
måder. 100%. Altså.
48:24
Jeg tror heller ikke Jeg tror ofte mange interessante
48:26
resultater der sker i på spillet.
48:29
Altså Der er også meget interessant resultater der sker
48:32
udelukkende i forskning, og Der er sikkert også instant.
48:34
Der sker udelukkende II ingeniørkunst.
48:39
Og Jeg vil bare lige sige Sådan meget Sådan klart at det Jeg
48:43
synes det han bidrager med er en han giver den her retning her om
48:46
Det er en god retning det i don't know.
48:49
Det kan være at det leder os ned af en helt forkert vej, og så
48:54
bliver den helt generation af den store der kommer til at gå
48:57
den retning. Men jeg altså.
49:01
Jeg tror bare ofte det ligesom at det hedder det man har
49:05
muligheden for og altså og Vi har sit historiske eksempler på
49:10
på forskningsretninger Der er gået enten.
49:13
Et forkert vej. Men spørger ja, men.
49:17
Spørgsmålet er ikke også om om i virkeligheden grund til, at han
49:20
siger de her retninger er ikke også bare fordi Det er ikke så
49:22
meget forskning, men Det er i virkeligheden bare metoder, der
49:24
har vist sig at være praktisk anvendelige for altså Sådan rent
49:27
ingeniørkunstmæssigt i forhold til at få de her systemer til at
49:30
performe bedre. Ja og så, men Jeg kan godt høre
49:34
hvad du siger det her med. Der er også en fare for at det
49:36
bare ikke er den rigtige retning og så at Der er en masse der
49:39
bare ligesom løber den vej, ikke?
49:41
Og så ensretter hele feltet, så tager ja.
49:46
Det tror jeg nu ikke sker. Jeg tror der kommer til at være
49:48
mange andre, Der er andre Der er også men.
49:51
Men Det er også nogle altså han er lige lidt læge, Sådan nogle
49:53
nogle nødder op som hvis de bliver knækket, så så står han
49:57
et sted hvor vi kommer til at gå godt for ham ja.
50:01
Det er måske en meget interessant trendition til at
50:04
prøve lige at snakke lidt om, som du især var inde på Thomas i
50:08
det. Det LinkedIn afslag jeg lavede
50:11
også. Det her med Sådan altså Jeg tror
50:15
Der er mange altså i og med at EI er så stort et felt i
50:18
øjeblikket, så er der rigtig mange der søger information og
50:20
Der er rigtig meget information og Der er rigtig mange der har
50:23
en stor interesse i ligesom at få.
50:26
Få tage fat ved roden af informationen og så ligesom
50:30
lytte der hvor Der er højt signal, og man kan få nogle der
50:33
Sådan ikke bullshitter og så videre.
50:35
Det kan vi også mærke på podcasten her at Vi har.
50:37
Der er mange der lytter med, fordi de bare vil orientere sig
50:39
og Det er super nørdet og så kan de Det kan være de ikke kan
50:44
forstå det hele, men i det mindste så er det så er det ikke
50:47
en eller 2 konsulent der prøver at sælge dem et eller andet.
50:51
Og og det jeg gerne vil sige med det.
50:53
Det var at altså da jeg jo fik øje på den her.
50:56
Talk der var der Sådan lidt der synes jeg at.
51:00
Der synes jeg Sådan altså jeg personligt så er det bare du ved
51:03
eller skriver er en af dem jeg lytter til Sådan i forhold til
51:07
det hans mening. Varer tungt hos mig, fordi jeg
51:12
tænker, han har trods alt bedrevet en del, og jeg læste
51:14
lige han. Han var jo han alex net var jo
51:18
lavet. Det stod i hvert fald på
51:19
wikipedia i altså han var med ind over alex net, så på mange
51:23
måder har han vel også altså været med til ligesom at starte
51:26
hele den her deep learning GPU. Ting der tilbage i 12 eller hvad
51:32
Det var. Ja, så der var jo en masse ting
51:36
for mig personligt i hvert fald som.
51:39
Der er en masse ting, der gør, at jeg også når han siger noget,
51:41
så lytter jeg. Men Jeg synes du har meget god
51:43
pointe Thomas det her med at han har jo også nogle kommercielle
51:47
interesser i det her. Kunne man forestille sig?
51:49
Jeg ved ikke, du kan jo lige prøve at uddybe.
51:53
Ja, så Jeg tror i forhold til det, så skal man jo altid huske
51:57
hvem som du også selv sagde Kasper, hvem er det der snakker?
51:59
Og så skal man jo også lige huske ikke for at tage noget fra
52:02
illa, men man skal huske han lever et.
52:06
Meget specielt liv i forhold til os andre.
52:08
Både selvfølgelig, hvad han har opnået forskningsmæssig
52:10
historie, men også det her med at man kan.
52:12
Hop ud af åbent jeg. Holde et par måneders pause
52:16
eller sæt noget op. Find nogle tidligere kollegaer
52:19
og så overnight uden at have den eneste form for værdi i et firma
52:24
kan man starte et firma der bliver vurderet til af det 5
52:27
mia. Dollars mener jeg og der bliver
52:30
sprøjtet 1 mia. Dollars ind som kapital bare til
52:33
som et velkomstbonus. Om han har penge nok det synes
52:38
jeg også. Det er også fair nok spørgsmål
52:40
til er han er han noget interesseret når man kan få så
52:42
mange penge så nemt? Det er jo også OK at at være
52:46
kritisk på den front, men men man skal huske.
52:52
Jeg tror også Det er som allman der på et tidspunkt har sagt at.
52:56
Man kender den her klassiske frase med at.
53:00
I ved you dire hero lee bloggen oted wc come a billown der har
53:03
sat wallman noget lignende, hvor han på et tidspunkt har sagt at.
53:07
I hiver jo dire teknission og i becommer sales man eller Sådan
53:10
et eller andet har han sagt noget i den stil, altså hvor
53:12
hans pointe er, at når du er tekniker, så når du bare kommer
53:15
langt nok i en karriere, så bliver du lige pludselig
53:16
salgsperson. Og Det er faktisk mig selv har
53:20
sagt, og Det er ikke for at sige man ikke må lytte til sam, men
53:23
det bliver bare for at sige, han er jo Sådan lidt næsten selv
53:27
advaret mod, at når man når rigtig langt i tech, som man må
53:30
sige han er, så er man salgsperson og hvis Vi skal tage
53:33
ham for det, så skal man jo. Selvfølgelig tage imod hans
53:37
dejlige produkter med åbne arme, men man skal jo selvfølgelig
53:39
også huske på at. Det er nok nogen der har sat
53:43
alle deres aktiekroner på nogle bestemte ting sker, og derfor
53:48
har de måske også lidt tendens til at love nogle ting.
53:51
Ikke for jeg siger at Der er jo også løfter der bliver holdt al
53:54
respekt for det o one-modellen, som Jeg tror blev kaldt
53:57
strawberry som Sådan et cover name altså den fantasy.
54:01
Jo kan vi jo se, så Det var jo. Det er jo ikke for at sige at
54:04
han har løjet som Sådan, men. Men han er måske ikke hammer
54:08
illard, måske ikke de første til at sige.
54:11
Vi har ikke flere ideer. Vi kan ikke se, hvordan vi kan
54:14
skele det her mere iltja han brugte jo Jeg synes næsten 60%
54:17
din talk bare siger hvordan kommer vi videre herfra?
54:20
Og jeg siger ikke, at Det er på grund af han nye aktiekursen i
54:23
hans eget selskab, men. Det er i hvert fald heller ikke
54:26
noget, der, der slår den ihjel. Sådan må man sige det.
54:29
Altså han har en interesse i at folk er sejt over det her felt
54:34
fortsat altså min umiddelbare tanke var at jeg tænker jeg i
54:38
læst slår mig som en type der for det første som har lavet de
54:42
penge han skulle. Jeg tænker han.
54:44
Han har haft nogle tidlige opinayer i noget tid tidlig oppe
54:47
i equie, som han har kastet OK godt ud på og.
54:51
Så du ved, jeg forestiller mig også, at man bliver så rig på et
54:54
tidspunkt at. At man Sådan du ved, så er det
54:57
ikke længere penge der driver en.
55:00
Og hvis man så i forvejen har været meget drevet af selve
55:03
Sådan forskningsdelen, så så kunne man måske håbe på at at
55:07
Det var stadig, at Det var det, der var så main down ikke.
55:10
Jeg ved ikke hvad. Tænker du Kenneth.
55:13
Sådan. Jeg tror Jeg tror.
55:15
Synes du synes du han har været lyttet til heller?
55:19
Jeg tror, at man er nødt til at tage den.
55:22
Det der bliver sagt med hvad er det det hedder med skepsis, og
55:26
det tror jeg generelt altså det. Det gælder ikke kun ham.
55:29
Det gælder også andre af de her populære.
55:33
Sprogskrev. Og ikke fordi at der
55:36
nødvendigvis gør det for pengenes skyld, men han kunne
55:37
også gøre altså han har. Han har også interesse for, at
55:41
det her felt, som han ligesom har været med til at være en del
55:45
af, at det bliver større, fordi det giver ham et et andet
55:48
eftermæle. Altså så det og det.
55:51
Det kan godt være at det ikke engang er bevidst altså han.
55:53
Hvad er det det hedder? Det er en og formentlig ikke
55:56
bevidst. Det er formentligt bare at han
55:57
føler at Det er spændende og han har investeret meget tidligt og
55:59
man er interesseret i det man har investeret i lang tid i, og
56:03
så vil man gerne se det klarer sig godt, og så vil man ligesom
56:06
påvirke den retning. Men det betyder også, at man
56:10
nogle gange kan være lidt blind for andre retninger.
56:15
Altså hvad er det det hedder? Jeg tror da Vi har en tendens
56:17
til at sige Sådan. Nå men altså jamen lad os sige
56:21
hvis jeg nu. Hvor er det underligt.
56:24
Det er eksempelvis, når man Sådan, når man hver for en
56:27
miljømæssig påvirkning har det. Nå, men hvis Jeg er den, der
56:30
også kan lave modellerne oppe, så så tænker jeg nå men Det er
56:32
godt for miljøet, fordi at så får de skyllet de her modeller
56:35
op, og så hjælper de os med at lave løsninger, og der hjælper
56:37
med at løse miljøet, og hvis jeg ikke er dem der skal lære
56:40
modellerne op, så siger jeg de her store moder de dårlige
56:44
miljøet de kommer til at bruge masser af strøm, og Det er jo
56:47
ikke fordi Der er nogen af de ting Der er altså Det kan være
56:50
Det er den ene ting Der er sandt, det gør det den 2 ting
56:52
Der er sandt. Altså Det er satte de borgmester
56:55
energi men men det kunne måske også potentielt løse.
57:00
Det problem altså og Der er en hvad er det?
57:03
Det hedder en forhandling om i virkeligheden den her altså for
57:06
eksempel hvis Det er en forfatter der bruger en time
57:09
eller en journalist skulle bruge en time på at skrive en side
57:12
eller en model bruger 2 minutter.
57:14
Hvem har altså fordi den her forfatter skal have varme og han
57:17
skal have tøj, og han skal ligesom leve sit liv, og det
57:21
bruger han nutiden på noget andet sted end før.
57:23
Så på den måde, så kan man sige er det mere miljørigtigt at det
57:26
Det er noget strøm vi betaler i stedet for at vi betaler energi
57:30
ressourcer på den her person? Men, men Det er som Sådan en en
57:35
forhandling om om virkeligheden og den du vil gerne forhandle
57:39
virkeligheden over til noget, for at hvor som passer med dit
57:43
verdenssyn ikke. Helt sikkert.
57:45
Men så er der på andre altså det ligger Vi skal prøve at nævne
57:48
nogle af de personer som. Som ligesom prøver at sige noget
57:52
i en 2 retning. Derhjemme lidt kunne som
57:56
arbejder for milsa. 2 hvad er det det hedder er jo en af dem
58:01
der siger at han tror ikke på den nuværende retning ved de her
58:05
generative sprog eller hvor hvad er det det hedder som man mener
58:09
er de har pattian matching systemer og det jeg mener de er
58:12
for svære at teste fordi at de simpelthen træner penge nettet
58:15
så. Det får Det er for svært for os
58:18
at vurdere altså den chancen for at vi spørger dig mellem
58:21
spørgsmål og så siger den. Når man du har den
58:25
matematikproblem, når du løser du det faktisk, eller husker du
58:28
bare svaret byt du har set det på nettet og Det kan være super
58:32
svært at at adskille de 2. Ja så er jeg mener Der er en 2
58:37
retning Der er mere. Mere gavnligt.
58:47
Men apropo eftermiddag Jeg synes bare de folk en kommentar til
58:50
noget. I har faktisk også sagde at du
58:51
lige minder om at omkendte og han går op i sit eftermæle.
58:55
Han siger faktisk en af deres core kontutions.
58:57
Det står som headline at han mener at secons of secons
59:00
paperet er. Er det første bevis på, at der
59:03
findes skaling andords og så og så nødt til.
59:07
Jeg kan simpelthen ikke huske om Der er.
59:08
Jeg kan godt huske kapel som er hovedforfatter på det der
59:11
scaling-orsp. Man kan simpelthen ikke huske de
59:12
andre kobber, så jeg var lige inde og kigge om i det.
59:14
Han var en del af det scaning med Vores pber.
59:15
Det er han altså ikke. Så ikke for at sige han stjæler,
59:20
men Det er Sådan. Måske Sådan lidt at strække sit
59:24
bidrag lidt lidt langt, når man Sådan lige tager noget før
59:28
paper, der har udgivet 6 år senere og sige Det var faktisk.
59:30
Det var faktisk let mig der der startede det.
59:35
Ja. Jeg synes Det er interessant i
59:38
hvert fald. Jeg synes Det er interessant det
59:41
her med Sådan lige at huske på hvem Det er der siger tingene.
59:44
Der er jo også de her Sådan store konsulenthuse, for
59:47
eksempel mckinsey. De udgiver jo også årlige
59:49
rapporter med hvordan det går indenfor AI og i øvrigt også
59:52
alle mulige andre ting, alle mulige andre emner, som de jo
59:56
også tilfældigvis. Hvad hedder det sælger
59:58
konsulentydelser indenfor de områder der så, så hvad hedder
1:00:01
det? Så og der læser man jo også tit,
1:00:04
at nu er der så mange flere procent virksomheder, som er
1:00:07
begyndt at adopte EI og så videre.
1:00:09
Du er også der skal man også bare huske på det der med at de
1:00:12
er jo også interesseret i at piske en stemning op så de får
1:00:15
kunder i butikken ikke et andet eksempel.
1:00:18
Det var også. Jeg tror jeg hørte en en podcast
1:00:21
fra børsen, hvor at der var nogen der snakkede om det her
1:00:24
event, hvor gefion blev launchet, hvor den gode Jensen
1:00:28
var med ude til til det event der og og Det var også Sådan.
1:00:34
Og så står Jensen der og siger Sådan, amen, Det er helt
1:00:36
fantastisk ære. Det bliver kæmpestort og de Det
1:00:39
er den bedste beslutning overhovedet at i har købt de her
1:00:42
den her kæmpestore supercomputer og Sådan noget.
1:00:44
II, foregangsland og Sådan noget og Sådan noget.
1:00:48
Og Det er jo klart, han siger det, fordi det Det er jo ham der
1:00:51
har solgt den der computer til til mange, mange millioner og
1:00:55
han har jo en kæmpe jeg Sådan du også siger kender altså en kæmpe
1:00:59
interesse i at feltet her bliver pustet op og hypet op, så der
1:01:04
kommer en masse investering ind i det så.
1:01:07
Så ja man skal huske man skal huske.
1:01:11
Jeg synes det skal være. De her de her mennesker.
1:01:15
Det er jo også folk der har kæmpe teams bag sig, så jeg
1:01:18
tænker Kenneth sad med samme oplevelse når man er til nerves.
1:01:23
Der er så mange dygtige folk inden for de her felter, som
1:01:27
ikke får så meget taletid, fordi man måske ikke lige har haft en
1:01:30
helt rigtig PHD vejleder som lille har haft.
1:01:32
Der har givet ham lidt ekstra rygstød og Sådan nogle ting.
1:01:36
Så hvem skal man lytte til? Bare lige for at give det lidt
1:01:38
en opfordring til til fremtidige PHD.
1:01:40
Studerende eller lignende eller folk der bare er nysgerrige.
1:01:43
Prøv at søg bredt, fordi Der er virkelig, virkelig mange dygtige
1:01:48
mennesker, som ikke lige får det taler af ild jeg får hver gang
1:01:52
han beder om det. Ja.
1:01:57
Rigtig godt budskab. Nu er vi jo ved at nu nu har Det
1:02:01
har været gået en time, så skyggerne ved at blive lange,
1:02:04
som vi plejer at sige, og de er faktisk utrolig lange her, hvor
1:02:07
jeg i hvert fald. Jeg ved også at du kender et.
1:02:11
Du lider lidt under noget jetlag, så jeg tænker også, at
1:02:14
Jeg vil sætte dig fri her inden længe.
1:02:19
Ja men inden inden bare inden vi slutter, har i Sådan nogle
1:02:21
afsluttende tanker. Omkring det Vi har snakket om
1:02:24
som i vil dele. Vi lukker ned.
1:02:27
Vi kan starte med dig, Kenneth. Jeg havde det.
1:02:33
Jeg synes Det var det fedeste ved at talk var faktisk at gå
1:02:36
tilbage til det paper han havde været for 10 år siden og så
1:02:41
alligevel altså. Jeg synes Det er værdifuldt og
1:02:45
rekritisk, men også helt vildt fedt at se at Vi er gået fra et
1:02:49
felt hvor at dengang så havde man Google translate og det
1:02:53
bruger de til overs eller så på et tidspunkt og Det var den, Det
1:02:56
var den opgave man skulle løse. Det var hvordan oversætter vi
1:02:58
tekst-tap. Og Det er faktisk i dag blevet
1:03:01
en ting, som som vi kan relativt fornuftigt gøre med, altså med
1:03:07
på din laptop i dag. Det er noget så nemt.
1:03:12
Ja og det så det synes jeg var fedt og se og ligesom gå tilbage
1:03:15
og Sådan kigge 10 år tilbage og se okay vi faktisk nåede et ret
1:03:19
stykke vej, men Der er også ting som man altså.
1:03:24
Men men Sådan måden de gør. Tingene på er egentlig den
1:03:27
ligner lidt noget der bløder på 10 år siden, hvilket både kan få
1:03:30
det vi laver nu tider. Vi er ikke imponerende, men også
1:03:32
ret Sådan om Vi er alligevel ikke nået længere.
1:03:37
Ja, hvad med dig, Thomas? Jamen Jeg tror Jeg vil tage lidt
1:03:41
lave lidt atypisk ud, for Jeg er faktisk lidt Sådan et skud ud
1:03:43
til Kenneth fordi at Jeg synes faktisk i Danmark Vi skal være
1:03:46
ekstremt stolte af at vi kan sende Sådan nogle som Kenneth
1:03:48
til de her konferencer, fordi Jeg er nødt til bare at sige Det
1:03:50
er uhyre svært at komme igennem de her nulleøje og kender det
1:03:55
ved os er ikke den eneste der har været derovre i år og Jeg
1:03:57
har vi begynder at have flere og flere repræsenteret.
1:04:00
Det synes jeg bare Vi skal være ekstremt stolte af som danskere,
1:04:02
fordi Det er Det har altid været svært, men.
1:04:06
Som tiden er gået, er det bare blevet endnu sværere, så der
1:04:09
skud ud til dig ikke kendt på at være den danske ilde er lidt.
1:04:13
Inde i volden. Der var nogle imponerende
1:04:18
faktisk paperus fra både Aarhus og København også.
1:04:23
Der er vel blandt andet nogle, der har lavet det her bæver,
1:04:25
hvor de viser, at de kan træne på meget mindre computere gepur
1:04:30
som jo er noget af det der kan lede vejen til at vi kan få de
1:04:32
her modeller som bare kan køre på Vores laptops.
1:04:36
Så er det Sebastian og Mads, Der er førstudfatter nede paper.
1:04:41
Der kunne og æ u. Megaskud til dem også.
1:04:47
Jeg tror bare Sådan afsluttende, at Jeg har fået.
1:04:49
Jeg synes Jeg er blevet ret inspireret af det her du nu
1:04:51
snakker om. Kenneth det her med at.
1:04:55
At Det er lidt en teknologi som er anvendelig før den er
1:04:59
forstået. Sådan lidt ligesom jeg ved
1:05:01
bekendt til om flyveren også har været og forskellige andre
1:05:04
teknologier. Det virker som om Der er Sådan
1:05:05
et mønster der hvor at ingeniørkunsten går lidt forud
1:05:09
for videnskaben og forskningen. Som du sagde Thomas det her med
1:05:13
og og det det tror jeg i virkeligheden, der var nogle
1:05:16
brikker der faldt på plads hos mig, der i hvert fald med at.
1:05:20
Det er i virkeligheden også rigtig meget ingeniørkunst det
1:05:23
her. Og det skal man bare huske Sådan
1:05:27
lige at skal tænke på hvordan de 2 ting hænger sammen.
1:05:32
Ja så. Det gav mig lige mig en lidt
1:05:35
fort food for flot i hvert fald. Men hvad hedder det?
1:05:40
Skyrerne vil blive langsom vi siger Kenneth og Thomas 1000 tak
1:05:43
fordi i ville være med i vil bruges podcast.
1:05:46
Tak fordi jeg måtte. Tak Det er godt.
1:05:48
Ja og til alle lyttere derude. Vi lyttes igen i næste uge og
1:05:51
hav det rigtig godt til vi lyttes igen.
1:05:53
Hey.