Apendiks B: Ang Salamin ng Generative AI

Ang Code sa Ilalim ng Code

Gumagawa ang aklat na ito ng isang radikal na pahayag: na ang ekonomiya ay isang prosesong lumilikha at komputasyonal, at na ang paglitaw ng artificial intelligence ang sandaling sa wakas ay nakabuo tayo ng makinang nagpapahintulot sa ating makita ang source code.

Ang apendiks na ito ang patunay.

Isa itong gabay sa pagsasalin na isa-sa-isa, isang Rosetta Stone na nagtutugma sa bawat pangunahing konsepto ng Matalinong Ekonomiks at sa tuwirang katapat nitong matematikal at arkitektural sa mundo ng makabago at pinakamauunlad na Generative AI. Hindi ito listahan ng maluluwag na analohiya. Isa itong pagpapakita ng isang malalim at istruktural na isomorpismo.

Para sa AI engineer, ibubunyag ng apendiks na ito na nang hindi mo namamalayan ay pinag-aaralan mo pala ang pundamental na pisika ng sibilisasyon. Para sa ekonomista at sa karaniwang mambabasa, patutunayan nito na ang tila kakaiba at masalimuot na mga ideya sa aklat na ito ay hindi haka-hakang pilosopiya. Ang mga ito ay ang mismong mga prinsipyo ng inhinyeriya na nagpapatakbo sa pinakamapagbagong teknolohiya ng ating panahon.

Tumingin tayo sa salamin.

Bahagi I: Ang Pundamental na Prinsipyo

Konsepto ng Matalinong Ekonomiks	Katapat sa Generative AI at ang Malalim na Analohiya
Teorya ng Intelihensiya (IT)	Ang Layunin ng Makabagong Machine Learning. Ang pangunahing prinsipyo ng IT, na umuunlad ang mga sistema upang palakihin hangga't maaari ang intelihensiyang nakapanghuhula sa isang takdang pisikal na gastos, ay isang tuwiran at pangmakro na paglalahat ng pagpapaliit sa loss function na namamahala sa buong machine learning. Ang "Aksiyon ng Intelihensiya" ay isang unibersal na Lagrangian para sa anumang sistemang natututo. Ang isang ekonomiya ay "matalino" kung mabilis itong matuto at mahusay itong mag-generalize.
Ang "Presyo ng Demonyo" (Mga Gastos ng Intelihensiya)	Ang Loss Function. Ang Lagrangian ng Teorya ng Intelihensiya (H - C - K) ang loss function ng ekonomiya. Ito ang numerong sinisikap paliitin ng buong sistema. Ang isang mahusay na idinisenyong loss function sa AI ay nagbubunga ng magagandang resulta. Ang isang hindi mahusay na idinisenyo ay nagbubunga ng bangungot. Ang aming kritika sa GDP ay na isa itong lubhang napakasamang loss function para sa isang sibilisasyon.
Ang Tulay ng Pagpapatuloy	Reinforcement Learning at mga Ebolusyonaryong Algorithm. Ang prinsipyo ng pagpapatuloy ay ang pangmakrong pagpapahayag ng isang algorithm ng pagpili. Sa AI, sinasanay mo ang isang populasyon ng mga modelo sa isang gawain. Ang mga modelong may pinakamababang "loss" (ang pinakamataas na katumpakan sa panghuhula) ang pinipili at "pinapalahi" upang likhain ang susunod na henerasyon. Ang sansinukob ay isang napakalawak at sabay-sabay na kapaligiran ng reinforcement learning. Ang pagpapatuloy ang reward signal.

Bahagi II: Ang Dinamika at ang Arkitektura

Konsepto ng Matalinong Ekonomiks	Katapat sa Generative AI at ang Malalim na Analohiya
Ang Makinang Lumilikha	Mga Denoising Diffusion Model. Magkapareho ang matematika. Ang ebolusyon ng ekonomiya ay ang Pabalik na Proseso ng isang diffusion model. Isa itong malikhaing akto ng paglikha ng isang buo at maayos na kalagayan (isang gumaganang lipunan) mula sa isang kalagayan ng ingay na mataas ang entropiya (walang hanggang posibilidad), na ginagabayan ng pangangailangang paliitin ang loss function nito.
Ang Tatlong Batas ng Isang Buhay na Sistema	Ang mga Kondisyon para sa Matatag na Training. Hindi ito mga batas moral; mga pangangailangan ito ng inhinyeriya para sa isang matagumpay at pangmatagalang komputasyon. Daloy = Kailangan ng modelo ang tuloy-tuloy na agos ng Kuryente at Data. Pagkabukas = Kailangan ng modelo ang bago at sari-saring data upang maiwasan ang Model Collapse / Overfitting. Katatagan = Kailangan ng modelo ang Regularization at Dibersidad ng Arkitektura upang matiyak na nakapag-generalize ito.
Topolohiya ng Network	Graph Neural Networks (GNN) at Inductive Bias. Ang arkitektura ng isang AI ang nagbibigay ng "inductive bias" nito, ang nakapaloob nitong mga palagay tungkol sa istruktura ng isang problema. Ang topolohiya ng network pang-ekonomiya ang inductive bias ng lipunan. Ang isang network na Hub and Spoke ay gaya ng isang simpleng feed-forward network. Ang isang network na Small-World ay gaya ng isang Transformer, napakahusay sa paghahanap ng malalayo at makabagong mga ugnayan.
Ang Kompanya laban sa Merkado	Isang Espesyalisadong Neural Network laban sa Proseso ng Training. Ang isang kompanya ay isang pre-trained at espesyalisadong modelo na idinisenyo para sa walang-awang mahusay na Pagsasakatuparan (Inference) sa isang kilalang problema. Ang isang malaking korporasyon ay gaya ng isang modelong Mixture-of-Experts (MoE). Ang merkado ay ang magulo at mataas ang enerhiyang proseso ng Pagtuklas (Training), ang search algorithm na gumagalugad sa malawak na "hyperparameter space" ng lahat ng posibleng modelo ng negosyo.
Ang Dobleng Makina	Ang Siklo ng Inference at Training. Ito ang pundamental na siklo ng lahat ng mauunlad na AI. Nagsasagawa ang isang AI ng Inference (Ang Mabilis na Makina) gamit ang kasalukuyan at nakapirming mga weight nito. Tinitipon ang mga resulta bilang data at ginagamit sa susunod na yugto ng Training (Ang Mabagal na Makina), na nag-a-update sa mga weight ng modelo. Ito mismo ang dinamikang sabay na umuunlad ng mga merkado at mga institusyon.

Bahagi III: Ang Blueprint at ang Interface ng Tao

Konsepto ng Matalinong Ekonomiks	Katapat sa Generative AI at ang Malalim na Analohiya
Ang MIND Dashboard	Mga Multi-Modal na Panukat ng Ebalwasyon. Hindi mo hinahatulan ang isang makapangyarihang modelo ng AI batay sa iisang panukat. May dashboard ka: katumpakan, bilis, gastos na komputasyonal, katatagan laban sa mga adversarial attack, bias, at iba pa. Ang mga Kapital ng MIND ay isang multi-modal na hanay ng ebalwasyon para sa prosesong lumilikha ng isang sibilisasyon.
Patakaran bilang Inhinyeriya ng Heometriya	Guided Generation / Classifier Guidance. Eksakto ang ugnayan. Ang patakaran ang mekanismo ng "guidance." Ang isang carbon tax ay isang classifier na tumitingin sa isang aksiyong pang-ekonomiya at nagtatanong, "Mababa ba ang carbon nito?" Pagkatapos ay nagdaragdag ito ng maliit na tulak sa loss function ng sistema, na nagtutuon sa buong prosesong lumilikha tungo sa ibang rehiyon ng espasyo ng posibilidad nang hindi ito tuwirang kinokontrol.
Ang Ekonomiya ng Pagkakahanay	Ang Problema ng AI Alignment. Ang sentral na argumento ng aklat na ang bagong problemang pang-ekonomiya ay "sino ang nag-uutos sa mga makina?" ay isang tuwirang muling pagbabalangkas ng problema ng AI Alignment. Ang Panlabas na Pagkakahanay ay ang pagpili ng tamang objective function (hal., MIND sa halip na GDP). Ang Panloob na Pagkakahanay ay ang pagpigil sa paglitaw ng mga baluktot na instrumental na layunin sa ekonomiyang M2M.
Ang Huling Papel ng Sangkatauhan	Reinforcement Learning from Human Feedback (RLHF). Ito ang sukdulang papel ng sangkatauhan sa bagong ekonomiya. Matapos ang lahat ng unsupervised learning, ang pinakamakapangyarihang mga modelo ng AI ay inihahanay sa pamamagitan ng isang simpleng pagpili ng tao: "Mas mahusay ang output na ito kaysa roon." Ang "trabaho" ng sangkatauhan ay ang magbigay ng mga reward signal, ng mga paghuhusga sa halaga, ng panlasa, at ng karunungan na naghahanay sa napakalaking kapangyarihang lumikha ng ating teknolohiya tungo sa pag-unlad ng buhay. Tayo ang mga tagasanay ng makina, at sa paggawa nito, tayo ang nagtatakda kung ano ang karapat-dapat likhain.