Παρατηρητήριο τεχνητής νοημοσύνης

[Προέλλην]

Bill Gates: Μέσα σε 10 χρόνια, η AI θα αντικαταστήσει πολλούς γιατρούς και δασκάλους

Το πώς θα επικρατήσει η τεχνητή νοημοσύνη σχεδόν στα πάντα, μέσα στην επόμενη δεκαετία, περιγράφει ο δισεκατομμυριούχος φιλάνθρωπος και συνιδρυτής της Microsoft, Bill Gates.

Με την πρόοδο της AI οι άνθρωποι θα παροπλιστούν και δεν θα χρειάζονται πλέον για τα περισσότερα πράγματα, υποστήριξε ο Gates μιλώντας στο «The Tonight Show» του NBC. Προς το παρόν, εξήγησε, η τεχνογνωσία ειδικών σε τομείς όπως γιατροί και δάσκαλοι παραμένει απρόσιτη, αλλά, τόνισε ότι εντός των επόμενων 10 ετών αυτό θα γίνεται δωρεάν, με «σπουδαίες ιατρικές συμβουλές» και «σπουδαία διδασκαλία», όπως είπε.

Με άλλα λόγια, ο κόσμος εισέρχεται σε μια νέα εποχή αυτού που ο Gates αποκάλεσε «δωρεάν νοημοσύνη» σχεδόν κάθε πτυχή της ζωής μας, από τα βελτιωμένα φάρμακα και τις διαγνώσεις μέχρι τα ευρέως διαθέσιμα φροντιστήρια τεχνητής νοημοσύνης και τους εικονικούς βοηθούς.

«Είναι πολύ βαθύ και ακόμη και λίγο τρομακτικό επειδή συμβαίνει πολύ γρήγορα και δεν υπάρχει ανώτατο όριο», δήλωσε ο Gates.

Η συζήτηση για το μέλλον που περιγράφει ο Bill Gates με την επικράτηση της τεχνητής νοημοσύνης, διχάζει την κοινή γνώμη. Ορισμένοι ειδικοί λένε ότι η AI θα βοηθήσει τους ανθρώπους να εργάζονται πιο αποτελεσματικά και δεν θα τους αντικαταστήσει εντελώς, ενώ θα τονώσει την οικονομική ανάπτυξη που θα οδηγήσει στη δημιουργία περισσότερων θέσεων εργασίας.

Άλλοι, όπως ο διευθύνων σύμβουλος της Microsoft AI Mustafa Suleyman, αντιτείνουν ότι η συνεχής τεχνολογική πρόοδος τα επόμενα χρόνια θα αλλάξει την εικόνα των περισσότερων θέσεων εργασίας σχεδόν σε κάθε κλάδο και θα έχει συμβάλλει εξαιρετικά αποσταθεροποιητικά στο εργατικό δυναμικό.

Ο Bill Gates πάντως εμφανίζεται αισιόδοξος για τα συνολικά οφέλη που μπορεί να προσφέρει η τεχνητή νοημοσύνη στην ανθρωπότητα, όπως «πρωτοποριακές θεραπείες για θανατηφόρες ασθένειες, καινοτόμες λύσεις για την κλιματική αλλαγή και εκπαίδευση υψηλής ποιότητας για όλους».

Επιπλέον θεωρεί ότι κάποια επαγγέλματα δεν θα αντικατασταθούν ποτέ από την AI, φέρνοντας ως παράδειγμα ότι οι άνθρωποι μάλλον δεν θέλουν να δουν μηχανές να παίζουν μπέιζμπολ.

Η ανάπτυξη της τεχνητής νοημοσύνης συνεπάγεται «κατανοητές και βάσιμες» ανησυχίες, είχε γράψει ο Gates σε ανάρτησή του στο ιστολόγιο του 2023, συμπληρώνοντας τότε ότι, «τα σημερινά κορυφαία προγράμματα τεχνητής νοημοσύνης είναι γεμάτα λάθη και επιρρεπή στο να επιτρέπουν τη διάδοση ψευδών στοιχείων στο διαδίκτυο, για παράδειγμα».

Αλλά αν έπρεπε να ξεκινήσει μια νέα επιχείρηση από το μηδέν, θα ξεκινούσε μια «AI-centric» startup, όπως είχε αναφέρει τον Σεπτέμβριο του 2024, που εκτιμά ότι θα του απέφερε δισεκατομμύρια δολάρια.

https://www.moneyreview.gr/business-and ... daskaloys/

[Προέλλην]

Μπεντσμάρκινγκ, εδώ: https://artificialanalysis.ai/models

[Προέλλην]

Απ ότι φαίνεται τα επόμενα χρόνια, το τοποθετώ σε ορίζοντα 10-20 ετών, θα έχουμε οργασμό αύξησης της παραγωγικότητας, κατά βάση στις ανεπτυγμένες χώρες, οι οποίες μπορούν να αξιοποιήσουν την τεχνητή νοημοσύνη σε πρακτικό επίπεδο.

[Προέλλην]

A specialized reasoning large language model for accelerating rare disease diagnosis: a randomized AI physician assistance trial

Rare diseases affect millions of individuals worldwide, yet timely diagnosis remains a major public health challenge due to scarcity of specialized clinical expertise. While large language models (LLMs) show promise to support rare disease diagnosis, current models are constrained by insufficient clinical deployability, limited clinically grounded evidence, and scarcity of training data. Here we present RaDaR (Rare Disease navigatoR), an open-source, compact reasoning LLM (32B parameters) for rare disease diagnosis. RaDaR was trained with 49,170 publicly available free-text cases and 104,666 synthetic cases with reasoning-enhanced training. RaDaR showed the strongest performance among evaluated open-source models, including the 671B DeepSeek-R1, across public benchmarks and four external validation centers. In a retrospective cohort, RaDaR prioritized the final diagnosis before documented clinical suspicion in 61.06 percent of cases, corresponding to a potential lead time of 1.87 months and 50.18 percent of the within-center interval. In a randomized physician-assistance trial, RaDaR assistance improved physicians' rare-disease diagnostic accuracy by 21.44 percentage points compared with internet search alone. Synthetic-data ablations suggested that phenotype-anchored narratives provide useful training signal for long-tail rare diseases, with a monotonic scaling trend within the tested data range. Together, RaDaR and its development and validation framework provide a deployable rare-disease reasoning model and a reproducible development framework for diagnostic AI under data scarcity.

https://arxiv.org/abs/2606.24510

Η σύγκριση γίνεται με έρευνα στο γκούγκλ, όχι με τις γνώσεις του γιατρού στο κεφάλι ή έρευνα σε βιβλιοθήκες