OpenAI heeft aangekondigd dat ze zijn begonnen met het trainen van hun volgende grensverleggende model, waarvan ze verwachten dat het hen naar het volgende niveau van mogelijkheden op hun weg naar Artificial General Intelligence (AGI) zal brengen. Hoewel het bedrijf trots is op het bouwen en vrijgeven van toonaangevende modellen op het gebied van zowel mogelijkheden als veiligheid, verwelkomt het een robuust debat op dit belangrijke moment.

Dat OpenAI heeft verklaard dat ze onlangs zijn begonnen met het trainen van dit volgende grensverleggende model, suggereert dat het aankomende model waarschijnlijk een systeem zal zijn dat we niet hebben voorzien, net zoals GPT-4 niet volledig was voorzien. Dit is zeer verschillend van de ontwikkeling van GPT-5, die door het bedrijf meer openlijk werd besproken.

Het is onduidelijk welke mogelijkheden dit nieuwe model precies zal bezitten, maar de bewoordingen van OpenAI suggereren dat het aanzienlijke vooruitgang kan brengen. Het bedrijf staat bekend om zijn zorgvuldige taalgebruik, dus deze aankondiging signaleert waarschijnlijk een impactvol nieuw systeem in de maak. Of het een geavanceerder taalmodel, een agentisch systeem of iets anders zal zijn, blijft af te wachten.

Dezelfde keer is de focus van OpenAI op het bouwen van AGI, in plaats van het nastreven van superintelligentie, inzicht in de strategische richting van het bedrijf. Ze lijken erop te wedden dat andere organisaties het uitlijningsprobleem voor superintelligente systemen zullen oplossen, terwijl OpenAI zich richt op het ontwikkelen van capabele AGI-systemen die voor praktische toepassingen kunnen worden gebruikt.

Het recente artikel onderzoekt of grote taalmodellen (LLM's) financiële verslaganalyse op een manier kunnen uitvoeren die vergelijkbaar is met professionele menselijke analisten. De onderzoekers hebben gestandaardiseerde en anonieme financiële overzichten aan GPT-4 verstrekt en het model geïnstrueerd om ze te analyseren om de richting van toekomstige winsten te bepalen, zelfs zonder narratieve of branchespecifieke informatie.

De belangrijkste bevindingen van de studie zijn:

• Het LLM presteert beter dan financiële analisten in het voorspellen van winstveranderingen.
• Het LLM heeft een relatief voordeel ten opzichte van menselijke analisten in situaties waarin de analist de neiging heeft te worstelen.
• De voorspellingsnauwkeurigheid van het LLM is vergelijkbaar met de prestaties van een nauw getraind state-of-the-art machine learning model.
• De voorspelling van het LLM komt niet voort uit zijn trainingsgeheugen, maar genereert in plaats daarvan nuttige narratieve inzichten over de toekomstige prestaties van een bedrijf.
• Handelsstrategieën op basis van de voorspellingen van het LLM leveren een hogere Sharpe-ratio en Alfa's op dan strategieën op basis van andere modellen.

De onderzoekers concluderen dat LLM's in de toekomst een centrale rol kunnen gaan spelen in financiële besluitvorming. De studie biedt een openbaar beschikbare demo waarmee gebruikers de financiële analysecapaciteiten van het LLM zelf kunnen ervaren.

Google heeft onlangs zijn Gemini 1.5 Pro API bijgewerkt, het model na-getraind om de mogelijkheden te verbeteren. Deze update heeft ertoe geleid dat Gemini 1.5 Pro API Claude 3 Opus in de Arena ELO-ranglijst heeft verdrongen, hoewel het nog niet GPT-4 heeft overtroffen.

Het na-trainingsproces houdt in dat er subtiele wijzigingen in het model worden aangebracht na de initiële training, wat de betrouwbaarheid, responsiviteit en algehele prestaties aanzienlijk kan verbeteren. Dit is een techniek die OpenAI heeft gebruikt bij GPT-4, waarbij het model voortdurend wordt bijgewerkt en verfijnd om de voorsprong te behouden.

Googles besluit om een soortgelijke aanpak te adopteren met de Gemini 1.5 Pro API, demonstreert de voortdurende race om grote taalmodellen te verbeteren en concurrerend te blijven in het snel evoluerende AI-landschap. Hoewel de verschillen in Arena ELO tussen de topmodellen relatief klein zijn, benadrukt het de constante inspanningen van techgiganten om de grenzen van wat deze systemen kunnen bereiken, op te rekken.

Naarmate het convergentiepunt van deze modellen blijft verkleinen, zal het fascinerend zijn om te zien hoe het landschap zich in het komende jaar zal ontwikkelen. De snelle vooruitgang in het veld van AI is echt boeiend, en het zal spannend zijn om de volgende generatie van deze krachtige taalmodellen en hun potentiële impact op verschillende industrieën en toepassingen te aanschouwen.

Googles nieuwe Search Generative Experience (SGE)-functie heeft voor enige controverse gezorgd, aangezien de door AI gegenereerde antwoorden onjuiste of zelfs gevaarlijke informatie bleken te bevatten.

Sommige voorbeelden die in de discussie naar voren zijn gebracht, zijn:

• Aanbevelen dat zwangere vrouwen 2-3 sigaretten per dag zouden moeten roken, wat duidelijk onveilig medisch advies is.
• Suggereren om niet-giftige lijm aan pizza toe te voegen om de kaas beter te laten plakken, wat schadelijk kan zijn als het wordt opgevolgd.
• Adviseren om ten minste één klein steentje per dag op te eten, wat extreem gevaarlijk is en niet moet worden gedaan.

Het lijkt erop dat Google deze nieuwe zoekfunctie overhaast heeft geïmplementeerd en de gebruikte databronnen niet goed heeft gescreend op betrouwbaarheid. Dit heeft geleid tot het opnemen van grappenantwoorden en andere onbetrouwbare informatie die als feitelijk wordt gepresenteerd.

Gebruikers wordt geadviseerd voorzichtig te zijn bij het vertrouwen op de SGE-antwoorden, aangezien deze niet altijd nauwkeurig of veilig kunnen zijn. Het is belangrijk om informatie te verifiëren bij betrouwbare bronnen in plaats van de door AI gegenereerde antwoorden blindelings te accepteren. Google zal waarschijnlijk zijn content-curatie- en fact-checkingprocessen moeten verbeteren om de betrouwbaarheid van de SGE-functie in de toekomst te garanderen.