1) LLM хороши для быстрого прототипирования, и то что большие модели, нужно заменять на малые (тюнить os / обучать свои и тд), или избавляться от них вообще там где они оказываются не нужны.
2) LLM не серебрянные пули. Люди никак не поймут что никакая прикладная технология или метод по определению не могут быть серебряными пулями, ну они же прикладные.
***
Гипотетический AGI на то и general. Продолжать на серьезных щах говорить про AGI хоть сколько нибудь уважающим себя людям – уже зашквар. Это я к свежим, но все еще идиотским разгонам. Если такая технология появится, то тогда и только тогда когда будет решен огромный пласт сопутствующих осложнений. Уважающие себя, нацеленные на результат в этой сфере разгоняют мульти-агентские системы, где агенты имеют предельно четкую ответственность. И как раз работы которые потенциально увеличат возможность создания AGI хоть сколько нибудь. Перспективное!
***
А теперь к минусу статьи с которой я начал.
В самом начале набрасывается вроде бы здравая мысль определить задачу:
Stage I: Prepare
In this stage, the goal is to get a good sense of what you want to accomplish and where is the best place to start.
Define the task: With all the publicity surrounding LLMs, it is easy to think that they are general problem-solvers that can take a complex task and come up with a solution. But if you want to get good results, you should pick one specific task and try to formulate it as an input-output problem that can be categorized into one of known categories (classification, regression, question-answering, summarization, translation, text generation, etc.).
Вы видите тут задачу? Вот и я не вижу. А она есть.
Конечно же первой задачей является определить саму задачу через максимальное заземление в реально решаемую проблему и ее область.
Быть может окажется что нам даже для прототипирования LLM не понадобится.
Если вы ищите серебряные пули - вы уже проиграли. Нам нужны не пули, а пулелейки.
Рациональная системная инженерия и ее первые принципы как раз такая пулелейка.
