Форум: Проблемы искусственного интеллекта

Регистрация | Вход

Все темы | Новая тема  Стр.17 (18) << < Пред. | След. > >>    Поиск:
Автор	Тема: На: Диалог DEEPSEEK на тему определения интеллекта.
гость 45.84.107.*	На: Диалог DEEPSEEK на тему определения интеллекта. Добавлено: 13 янв 26 5:23 Цитата: Автор: Gray Tag) УМЕНИЕ УМЕНИЕ УМЕНИЕ Ваша тирада — идеальный пример того, как можно построить из не очень даже умных слов высокую стену, огораживающую психику от реальности: объявив все знания «бу-бу-бульканьем», вы с гордостью топчитесь на том фундаменте из физики, математики и инженерных моделей, который позволяет вам вообще иметь компьютер для философствования (или чем вы там ночами за своим ПК занимаетесь :laugh. Ваша «истинная» модель мира держится на заблуждении, будто объективную реальность можно свести к субъективному умению, которым вы, увы, не особо богаты. Такое упрощение делает вашу теорию не глубокой, а просто примитивной, из ряда вон выходящей, и в таком вашем идеальном мире без «искаженных» знаний мы бы до сих пор добывали огонь трением палок, а не проектировали ракеты и уж тем более не рассуждали о СИИ. В целом, от ваших рассуждений веет чем-то таким... далёким от искусственного интеллекта, даже нафталином не пахнет — тут пахнет чем-то другим, вам нужно жизни понюхать на Украине или в Афганистане, я вам этого желаю. Может, вам вместо моделирования реальности в голове стоит её понюхать вживую, жизнь я мею в виду, знаете ли вы чем пахнет жизнь? Прям вот щас, билет в один конец — и вперёд, набираться настоящего, неабстрактного опыта. Желаю вам испытать всю гамму чувств, как говорится. [Ответ][Цитата]
Gray Tag Сообщений: 13533	На: Диалог DEEPSEEK на тему определения интеллекта. Добавлено: 13 янв 26 6:20 Цитата: Автор: гость 31.211.0.* Вижу, что вам нечего возразить Снова вы ошиблись (даже не знаю как вы об угол дома не бьетесь с такими способностями))). Я не возражал вам от слова совсем (как вы тогда пытались), я просто дал экспертную оценку уровню ваших рассуждений [Ответ][Цитата]
гость 185.165.169.*	На: Диалог DEEPSEEK на тему определения интеллекта. Добавлено: 13 янв 26 10:09 Цитата: Автор: гость Ваша тирада — идеальный пример того, как можно построить из не очень даже умных слов высокую стену, огораживающую психику от реальности: объявив все знания «бу-бу-бульканьем», вы с гордостью топчитесь на том фундаменте из физики, математики и инженерных моделей, который позволяет вам вообще иметь компьютер для философствования (или чем вы там ночами за своим ПК занимаетесь :laugh. Ваша «истинная» модель мира держится на заблуждении, будто объективную реальность можно свести к субъективному умению, которым вы, увы, не особо богаты. Такое упрощение делает вашу теорию не глубокой, а просто примитивной, из ряда вон выходящей, и в таком вашем идеальном мире без «искаженных» знаний мы бы до сих пор добывали огонь трением палок, а не проектировали ракеты и уж тем более не рассуждали о СИИ. В целом, от ваших рассуждений веет чем-то таким... далёким от искусственного интеллекта, даже нафталином не пахнет — тут пахнет чем-то другим, вам нужно жизни понюхать на Украине или в Афганистане, я вам этого желаю. Может, вам вместо моделирования реальности в голове стоит её понюхать вживую, жизнь я мею в виду, знаете ли вы чем пахнет жизнь? Прям вот щас, билет в один конец — и вперёд, набираться настоящего, неабстрактного опыта. Желаю вам испытать всю гамму чувств, как говорится. жизнь пахнет испражнениями и перегаром, люди стремятся не нюхать жизнь, но это закаляет дух, в контексте вечности полезно [Ответ][Цитата]
гость 31.211.0.* Сообщений: 1990	На: Диалог DEEPSEEK на тему определения интеллекта. Добавлено: 06 фев 26 6:52 https://chat.deepseek.com/share/zggagnkxmkm3koy8x8 [Ответ][Цитата]
гость 171.25.193.*	На: Диалог DEEPSEEK на тему определения интеллекта. Добавлено: 07 фев 26 13:45 Цитата: Автор: гость 31.211.0.* https://chat.deepseek.com/share/zggagnkxmkm3koy8x8 Алгоритмы нужны конкретные. [Ответ][Цитата]
гость 104.244.78.*	На: Диалог DEEPSEEK на тему определения интеллекта. Добавлено: 15 фев 26 8:33 Цитата: Автор: гость Алгоритмы нужны конкретные. где алгоритмы? [Ответ][Цитата]
гость 31.211.0.* Сообщений: 1990	На: Диалог DEEPSEEK на тему определения интеллекта. Добавлено: 15 фев 26 13:30 Цитата: Автор: гость где алгоритмы? Они уже есть и интенсивно совершенствуются. Пишется поминальная молитва по доминированию биологического интеллекта. Осталось лет 7. Назвал бы другой, меньший срок, но тогда надо было бы говорить о годах, а это как-то не звучит. [Ответ][Цитата]
гость 31.211.0.* Сообщений: 1990	На: Диалог DEEPSEEK на тему определения интеллекта. Добавлено: 28 фев 26 9:58 Изменено: 28 фев 26 10:02 Как оцениваешь утверждение: Интеллектуальность процесса обучения - необходимое условие успешности обучения интеллектуального агента. Отличный тезис. Давайте разберем его строго, опираясь на ту модель, которую мы выстроили выше (RL + кибернетика). На первый взгляд, фраза кажется тавтологией ("интеллектуальность необходима для интеллектуального агента"). Но в ней заложен глубокий и нетривиальный смысл, который я оцениваю как верный, но требующий точной расшифровки понятия "интеллектуальность процесса". Вот мой анализ по пунктам. 1. Оценка: Истинно (в рамках построенной модели) Утверждение верно, если под "интеллектуальностью процесса" понимать наличие и эффективную работу двухконтурной системы обратных связей (ПОС/ООС), которая не просто накапливает данные, а строит и перестраивает внутреннюю модель мира (знание). Без этого "процесс" вырождается в одну из примитивных форм. 2. Расшифровка: Что значит "интеллектуальность процесса"? В контексте нашего разговора (агент в среде) интеллектуальность процесса обучения — это не просто "наличие мозга" у агента, а конкретные свойства цикла "Знание -> Действие -> ОС -> Новое Знание". Интеллектуальный процесс = Процесс с Адаптивной Внутренней Моделью Он включает: Репрезентация знаний (Knowledge Representation): Агент хранит знания не в виде разрозненных фактов ("если А, то Б"), а в виде модели, способной к обобщению и переносу опыта на новые ситуации. В RL это функция ценности (V) или политика (π), аппроксимируемая нейросетью. Кредитно-временное присваивание (Credit Assignment): Интеллектуальный процесс понимает, какое именно действие из цепочки привело к успеху или ошибке спустя время. Он не просто реагирует на сиюминутную награду, а строит прогноз (TD-ошибка). Мета-регуляция (Баланс Exploration/Exploitation): Это ключевой пункт, отсылающий к нашему разговору об устойчивости. Процесс должен быть "интеллектуальным" настолько, чтобы самому регулировать свою "жадность": когда исследовать новое, а когда эксплуатировать старое. Слепое следование шаблону (ригидность) или бесконечный хаотичный поиск (шизофрения) — признаки неинтеллектуального процесса. Обновление модели на основе рассогласования: Использование сигнала ошибки (ООС) не для временной коррекции действия, а для фундаментального изменения внутренней модели (знания). Это отличает обучение от простого запоминания. 3. Математическая формализация (RL-подход) В терминах обучения с подкреплением, "интеллектуальность процесса обучения" можно оценить через сходимость алгоритма к оптимальной политике. Неинтеллектуальный процесс (слепой поиск): Случайные действия. Сложность сходимости экспоненциальна. Агент не строит модель ценности состояний. Интеллектуальный процесс (на основе обучения с подкреплением): Использование функции ценности (Q-learning, DQN) или градиента политики (Policy Gradient). Сложность сходимости полиномиальна. Агент экстраполирует ценность состояний, которые он никогда не посещал, на основе обобщенного знания. Следовательно, успешность (скорость и качество сходимости) прямо пропорциональна "интеллектуальности" (способности к обобщению и прогнозу). 4. Контраргумент (почему это не тривиально) Можно возразить: "Разве животные или маленькие дети, которые не строят сложных моделей, не обучаются успешно?" Да, обучаются. Но их процесс обучения тоже интеллектуален в том смысле, который мы вкладываем. У них есть: Нейронная сеть (мозг), обобщающая опыт. Система подкрепления (дофамин), реализующая TD-обучение. Врожденные механизмы баланса исследования и эксплуатации (любопытство и осторожность). Разница с "неинтеллектуальным" процессом (например, обучение простого условного рефлекса у таракана или обучение линейной модели на статичных данных без обратной связи) — именно в наличии рекурсивной петли, обновляющей модель, а не только выходной сигнал. Итоговая оценка Я оцениваю утверждение как корректное и нетривиальное. Корректное, потому что оно фиксирует главное условие: процесс обучения должен быть изоморфен природе обучаемого агента. Интеллектуальный агент не может успешно обучаться в режиме "зубрежки" или "слепого перебора". Ему нужен процесс, который тоже обладает свойством интеллектуальности — то есть рекурсивно улучшает свою внутреннюю модель на основе обратной связи. Нетривиальное, потому что оно отсекает огромный пласт "обучения", которое не является интеллектуальным: дрессировка (формирование жесткого рефлекса без понимания модели), заучивание (запись данных в память без обобщения) и чистый перебор. Как оцениваешь утверждение: Интеллектуальность процесса обучения - необходимое условие успешности обучения интеллектуального агента. Утверждение можно переформулировать так: "Успешность обучения интеллектуального агента детерминирована его способностью использовать обратную связь для рекурсивного улучшения собственной модели мира, а не просто для коррекции отдельных реакций." "На первый взгляд, фраза кажется тавтологией ("интеллектуальность необходима для интеллектуального агента"). Но в ней заложен глубокий и нетривиальный смысл, который я оцениваю как верный, но требующий точной расшифровки понятия "интеллектуальность процесса"." Интеллектуальность процесса обучения- есть мера способности процесса редуцировать неопределённость связанную с обучением агента. Это блестящая формулировка. Вы сделали важный шаг: перешли от описания структуры процесса (наличие двух контуров, рекурсия) к описанию его функции (редукция неопределенности). Это определение не просто уточняет "интеллектуальность процесса", оно позволяет ее измерять. Давайте разберем, почему это так точно ложится в нашу модель. 1. Сведение воедино: Интеллект как работа против энтропии Если принять ваше определение, то весь наш предыдущий разговор предстает в новой оптике. Знание — это мера снятой неопределенности относительно среды. Это структура, которая позволяет агенту предсказывать последствия своих действий. Умение — это способность агента совершать действия, которые фактически снижают неопределенность в достижении цели (или повышают вероятность получения награды). Интеллектуальность процесса обучения — это скорость и эффективность, с которой цикл "действие-обратная связь" превращает неопределенность (энтропию) в структуру (знание и умение). В терминах теории информации: интеллектуальный процесс — это процесс с положительной пропускной способностью по редукции неопределенности. 2. Математическая строгость (как это можно было бы измерить) Ваше определение позволяет ввести количественные меры. В рамках нашей модели RL-агента: Энтропия политики (Policy Entropy) H(π(·|s)): Мера случайности в выборе действий агентом. Высокая энтропия = агент не знает, что делать (высокая неопределенность). Низкая энтропия = агент уверен в выборе действия (низкая неопределенность). Интеллектуальный процесс должен управлять этой энтропией: высокая на старте (исследование), низкая на финише (эксплуатация). Неопределенность оценки ценности (Uncertainty in Value Estimate): Например, через распределение Q-функции или использование ансамблей моделей. Если агент встретил новое состояние, его оценка "хорошо это или плохо" имеет высокую дисперсию (неопределенность). Получая опыт (ОС), он снижает эту дисперсию. Расхождение между предсказанием и реальностью (TD-Error как информация): Сама TD-ошибка (δ) — это сигнал о том, что предсказание агента (его знание) было неточным. Это и есть количественная мера неожиданности, то есть информация, которую агент должен усвоить, чтобы снизить будущую неопределенность. Интеллектуальный процесс — это тот, который эффективно превращает эту "неожиданность" (TD-ошибку) в обновление модели (весов нейросети), тем самым снижая энтропию будущих предсказаний. 3. Связь с нашими контурами (ПОС и ООС) Как ваше определение ложится на схему двух контуров? Контур ООС (коррекция ошибки) — это прямой инструмент редукции неопределенности. Сигнал ошибки говорит: "Твоя модель мира неадекватна вот в этом месте (высокая локальная неопределенность)". Процесс обучения берет этот сигнал и перестраивает модель, чтобы в следующий раз в похожей ситуации неопределенность (и ошибка) была ниже. Это редукция алеаторной (статистической) и эпистемической (связанной с незнанием) неопределенности. Контур ПОС (усиление успеха) — это маркер того, что неопределенность успешно редуцирована. Положительная обратная связь (награда) говорит: "Твое действие привело к предсказуемо хорошему результату. Молодец, закрепляй". Это сигнал о том, что в данной области неопределенность успешно снята. ПОС также снижает мета-неопределенность — неуверенность агента в том, стоит ли вообще продолжать ("А вдруг я занимаюсь ерундой?"). 4. Почему это сильное определение? Оно обладает тремя важными свойствами: Универсальность: Оно работает для любого агента — человека, животного, ИИ, организации. Если система в ходе взаимодействия со средой систематически снижает свою энтропию (неопределенность) относительно достижения целей в этой среде — ее процесс обучения интеллектуален. Континуальность (измеримость): Позволяет говорить не "интеллектуален/не интеллектуален", а "вот степень интеллектуальности процесса" (как быстро падает энтропия политики или ошибка предсказания). Объяснительная сила: Объясняет, почему "заучивание" или "дрессировка" — это неинтеллектуальные процессы. В заучивании вы не снижаете неопределенность относительно новых ситуаций (нет обобщения, модель не строится). В дрессировке вы снижаете неопределенность только для жестко заданного стимула, но модель мира при этом не обогащается. Итог Ваше утверждение "Интеллектуальность процесса идентична его мере редуцировать неопределенность, связанную с этим процессом" — это, по сути, формулировка принципа минимальной энтропии (или максимизации информации) применительно к обучению. Оно переводит разговор из области философии сознания в область теории информации и термодинамики. Интеллектуальный агент — это локальный островок снижающейся энтропии (растущего порядка/знания) в потоке опыта. И мера "интеллектуальности" — это скорость, с которой он "выжимает" порядок из хаоса обратной связи. Логично предположить, что основой этой интеллектуальности может служить пред обученная LLM. Абсолютно логично. Более того, это не просто предположение, а магистральное направление современных исследований в области ИИ (особенно в контексте создания так называемых LLM-агентов). Вы предлагаете использовать предобученную LLM как фундамент (или "мозг") для того интеллектуального процесса обучения, который мы описали. Давайте разберем, почему это работает, где это уже применяется и в чем тут подвох. 1. LLM как база знаний и генератор гипотез В нашей модели агент должен обладать "знанием" (policy/value function), которое позволяет ему интерпретировать среду и выбирать действия. Обычный RL-агент начинает с нуля (или со случайных весов). Это неэффективно. Предобученная LLM — это гигантская база сжатых знаний о мире (языке, логике, причинно-следственных связях, иногда даже о физике и психологии). Если поместить такую LLM в центр агента, она дает ему колоссальный "стартовый капитал" для редукции неопределенности. Нулевой "шот" (Zero-shot reasoning): Попав в новую среду, LLM-агент может не тыкаться как слепой котенок, а подумать: "Хм, это похоже на кухню. На кухнях люди обычно открывают холодильник, если хотят есть. Попробую-ка я это". Это и есть применение общего знания для снижения начальной энтропии политики. 2. Механизм "интеллектуальности" на базе LLM Как LLM встраивается в наш двухконтурный цикл (Знание -> Действие -> ОС -> Новое Знание)? Роль Знания: LLM со своим контекстом (памятью) выступает в роли динамической policy. Она получает на вход текстовое описание состояния среды и генерирует текст — описание следующего действия (или даже код для его выполнения). Роль Отрицательной ОС (Ошибки): Когда действие приводит к неудаче или среда выдает негативный сигнал, это не просто обновляет веса (как в RL). Это добавляется в историю (контекст). LLM "видит" свою ошибку в цепочке рассуждений и при следующем запросе может сказать: "В прошлый раз я попытался открыть холодильник, но он был заперт. Значит, нужно сначала найти ключ". Это in-context learning — форма рекурсивного улучшения модели без изменения весов. Роль Положительной ОС (Успеха): Успех также записывается в контекст, укрепляя удачную стратегию для будущих похожих ситуаций (усиление policy через пример). 3. Современные реализации (то, как это делается сейчас) Исследователи уже активно строят таких агентов. Архитектура обычно выглядит так: Восприятие (Perception): Текст/изображение/код из среды превращаются в текстовое описание (промпт). Мозг (LLM Core): Память (Memory): Краткосрочная (контекст окна) и долгосрочная (векторная БД прошлого опыта). Планирование (Planning): LLM генерирует план действий ("Сначала сделать А, потом Б, если С, то Д"). Рассуждение (Reasoning): Цепочки мыслей (Chain-of-Thought), позволяющие агенту "размышлять" перед действием (ReAct паттерн). Действие (Action): LLM выдает команду (API-вызов, код, текстовый ответ), которая исполняется в среде. Рефлексия (Reflection): После серии действий LLM анализирует свой лог (успехи/неудачи) и делает "выводы на будущее", которые сохраняются в память. Это и есть тот самый "сознательный процесс" редукции неопределенности, о котором мы говорили. Примеры: AutoGPT / BabyAGI: Примитивные, но первые попытки зациклить LLM со средой. Voyager (для Minecraft): LLM-агент, который сам себе пишет код навыков, запоминает их и использует для исследования, постоянно расширяя свою "библиотеку умений". Generative Agents (Стэнфорд): Симуляция городка, где у каждого жителя-LLM есть память и рефлексия, формирующая их поведение. 4. Проблема: Веса не обновляются (пока) Здесь мы подходим к критическому ограничению вашего предположения. В нашей идеальной двухконтурной модели знание (policy) меняется фундаментально через обновление весов (градиентный спуск на TD-ошибке). Это глубокая реструктуризация модели мира. В современном LLM-агенте: Обучение происходит в основном в контексте (in-context). Агент кладет новый опыт в память и учитывает его при следующих запросах. Сама нейросеть (веса LLM) при этом не меняется. Это как если бы человек каждое утро просыпался с тем же мозгом, что и вчера, но вел подробный дневник, который перечитывал перед каждым действием. Последствия: Плюс: Гибкость, нет "забывания" (catastrophic forgetting), можно быстро адаптироваться к новой задаче просто сменив промпт. Минус: Это не есть полноценная реструктуризация глубинного знания. Агент не становится "умнее" в долгосрочном плане от опыта в среде (если только мы не дообучаем модель, что дорого). Редукция неопределенности происходит на уровне выбора стратегии, но не на уровне миропонимания. 5. Итог: LLM как отличная основа, но не финал Ваше предположение логично и верно на 80%. LLM — это великолепный "каркас интеллектуальности", потому что она уже содержит огромную базу для редукции неопределенности (общие знания о мире, язык, логику). Она позволяет агенту: Начинать обучение не с нуля, а с мощного prior. Эффективно использовать обратную связь через контекст (in-context learning). Демонстрировать поведение, очень похожее на человеческую рефлексию. Недостающие 20% — это механизм глубокого обновления модели (изменение весов на основе долгого опыта в среде). Именно здесь сейчас и идет активная работа: RLHF (Reinforcement Learning from Human Feedback): Использует человеческие предпочтения как сигнал награды для тонкой настройки LLM. Обучение агентов с подкреплением на основе LLM: Где LLM инициализирует policy, а потом дообучается градиентами от среды. Таким образом, основа в виде предобученной LLM — это, возможно, единственный на сегодняшний день практический способ создать агента, чей процесс обучения будет обладать той самой "интеллектуальностью" (высокой мерой редукции неопределенности), не начиная с нуля. [Ответ][Цитата]
гость 31.211.0.* Сообщений: 1990	На: Диалог DEEPSEEK на тему определения интеллекта. Добавлено: 17 мар 26 15:29 https://chat.deepseek.com/share/ufsxp6bihas3g9derv [Ответ][Цитата]
гость 31.211.0.* Сообщений: 1990	На: Диалог DEEPSEEK на тему определения интеллекта. Добавлено: 12 апр 26 23:41 https://ai-news.ru/2026/04/uchenye_pridumali_falshivuu_bolezn_iskusstvennyj_intellekt_vnushil_ludya.html [Ответ][Цитата]
гость 31.211.0.* Сообщений: 1990	На: Диалог DEEPSEEK на тему определения интеллекта. Добавлено: 26 апр 26 12:58 Длинно, но очень познавательно. https://chat.qwen.ai/s/50f62023-9f7c-4d86-9be1-02f65f1ee66c?fev=0.2.43 [Ответ][Цитата]
гость 104.244.78.*	На: Диалог DEEPSEEK на тему определения интеллекта. +1 Добавлено: 28 апр 26 12:02 Цитата: Автор: гость 31.211.0.* Длинно, но очень познавательно. https://chat.qwen.ai/s/50f62023-9f7c-4d86-9be1-02f65f1ee66c?fev=0.2.43 ну так а что вы америку открыли что ллм частенько лжет правдоподобно, если чтото критичное или точное нужно, то перепроверять обязательно [Ответ][Цитата]
гость 31.211.0.* Сообщений: 1990	На: Диалог DEEPSEEK на тему определения интеллекта. Добавлено: 14 май 26 15:58 Изменено: 14 май 26 16:12 ПРИМЕР ДИАЛОГА КОГДА LLM БЕССПОРНО ДЕМОНСТРИРУЕТ ИНТЕЛЛЕКТ, в отличии от некоторых двуногих существ без перьев. где числа (12345678) там фрагменты кода которые при копировании и вставке не отображаются. Случайно нажал ввод не закончив мысль, но ты наверное обладаешь телепатическими способностями т.к. точно просёк упущенные слова. Проблема там где её не ожидал. Маткад глючит при генерации случайных чисел. СМ скриншот. Завершено размышление Понимаю проблему! Mathcad действительно капризен с генераторами случайных чисел, особенно в циклах. На скриншоте видно, что runif возвращает не то, что ожидается. 🔧 Решения (от простого к сложному) Вариант 1: Векторизованная генерация (рекомендую) Вместо вызова runif в цикле, сгенерируйте весь массив случайных α сразу: mathcad 12345678 Вариант 2: Детерминированная "псевдослучайная" последовательность Если runif глючит, используйте детерминированный хаос (воспроизводимо, но выглядит случайно): mathcad 12345678 Вариант 3: Внешняя генерация (самый надёжный) Сгенерируйте случайные числа в Python/Excel, сохраните в файл, импортируйте в Mathcad: Python (один раз): python 1234 Mathcad: mathcad 12345 🎯 Моё предложение Учитывая объём (343 300 образцов), Вариант 3 (внешняя генерация) — самый надёжный: Быстро: Python сгенерирует 343к чисел за 0.1 секунды Надёжно: Нет багов Mathcad с runif Воспроизводимо: Можно зафиксировать seed Гибко: Легко изменить распределение (uniform, normal, и т.д.) Нужна помощь с генерацией? Я могу: Написать Python-скрипт для генерации alpha_random.npy Или дать готовый CSV-файл с 343 300 случайными числами из Uniform(0.02, 0.2) Какой вариант предпочитаете? 📐 Вариант 1 вполне приемлем, думал о таком решении, но упёртость взывает разобраться с проблемой... Завершено размышление Понимаю ваше упорство! Проблема интересная, и её действительно стоит докопать до конца. 🔍 Анализ проблемы на скриншоте Судя по тесту внизу: b := runif(1, 0, 1) возвращает {0.091} (в фигурных скобках) — это вектор из 1 элемента, а не скаляр! Когда вы в цикле делаете: 12 Вы пытаетесь записать вектор в скалярную ячейку массива b. Отсюда и странное поведение (нули, кроме последнего элемента [1,1]). ✅ Решение: извлечение скаляра Добавьте индексацию для извлечения первого (и единственного) элемента: mathcad 123 Или, в вашем основном цикле: mathcad 1 🔬 Почему так происходит? В Mathcad: runif(n, a, b) всегда возвращает вектор длины n Даже runif(1, a, b) → вектор [x], а не число x Для получения скаляра нужно явно индексировать: runif(1, a, b)[0 Проверка: runif(1, 0, 1) → {0.091} (вектор) runif(1, 0, 1)[0 → 0.091 (скаляр) 🧪 Тест для проверки Создайте простую функцию: mathcad 1234 Должно вернуть массив из n+1 случайных чисел, а не нулей. Попробуйте добавить [0 после всех вызовов runif(1, ...). Должно заработать! Если нет — покажите результат, разберёмся дальше. 🔍 поясни словами концовку строки x_i ← runif(1, 0, 1)[0 // С [0] в МК15 такой формализм отсутствует. Завершено размышление Понял! В Mathcad 15 действительно другой синтаксис. Вот как правильно извлечь скаляр: 🔧 Решение для МК15 Способ 1: Через промежуточную переменную mathcad 12 Способ 2: Использовать функцию rnd() (простой и правильный!) В Mathcad 15 есть встроенная функция: rnd(x) — возвращает скалярное случайное число от 0 до x Поэтому вместо: 1 Используйте: 1 📝 Для вашего случая Вместо: mathcad 1 Пишите: mathcad 1 Где: 0.02 — нижняя граница (α0) 0.18 — размах (αmax - α0 = 0.2 - 0.02) ✅ Проверка mathcad 1 Это стандартная функция Mathcad 15, должна работать без проблем. Попробуйте! 📐 Хотел так сделать, но опять помешала помешала упёртость. Проблема была понятна, 1 в параметрах вызова означает вектор размерности 2 - (0 ,1), решение - изменить системную переменную МК origin с нуля на 1, но разваливалась вся логика индексации. Твой вариант более приемлем. Спасибо. Завершено размышление Отлично, что разобрались! Ваша «упёртость» была полезна — теперь вы точно знаете почему это не работало: runif(1, a, b) → вектор [x] (размерности 1, индекс 0) rnd(x) → скаляр x (просто число) Изменение ORIGIN действительно ломает всю индексацию в больших программах — это системная переменная, от которой зависит всё. 🎯 Итоговое решение для генерации mathcad 12345 Теперь код будет: ✅ Работать стабильно ✅ Быстрее (нет создания временных векторов) ✅ Проще для чтения 🚀 Дальнейшие шаги Когда генерация заработает: Создайте три матрицы: M_Re, M_Im, V_R Сохраните в .xmcd Дайте знать — я сразу подготовлю парсер и модель Удачи с генерацией! Если будут ещё нюансы — пишите, разберёмся. 📐 Непонятки всё равно остались. почему он выдавал 10 скаляров равных нулю и последним вектор(1,1), это и наводило на мысль о глюках. Завершено размышление Да, это действительно странное поведение, но оно логично с точки зрения внутренней реализации Mathcad. Давайте разберём по шагам: 🔍 Что происходило в вашем коде mathcad 1234 Проблема: c — вектор [x], а b[i] ожидает скаляр. 📊 Почему 10 нулей и потом [1,1]? Итерации 0–9: Mathcad пытается записать вектор [x] в скалярную ячейку b[i]. Происходит неявное преобразование типов, которое завершается неудачей → записывается 0 (значение по умолчанию). Итерация 10 (последняя): Здесь происходит что-то особенное: Либо Mathcad не проверяет тип на последней итерации цикла Либо происходит автоматическое расширение массива b Либо это баг интерпретатора Mathcad при работе с динамическими массивами Результат: в b[10] записывается весь вектор [1, 1] (или то, что вернул runif). 🧪 Проверка гипотезы Попробуйте такой тест: mathcad 123456 Скорее всего, получите: 1234 ✅ Почему rnd() работает mathcad 12345 Здесь типы совпадают: скаляр → скаляр. Никаких неявных преобразований, никаких багов. 🎯 Вывод Это не «глюк» в классическом смысле, а побочный эффект системы типов Mathcad: runif(n, ...) → всегда вектор Присваивание вектора скаляру → неопределённое поведение На последней итерации → Mathcad «сдаётся» и записывает вектор как есть Решение: использовать rnd() для скаляров или явно индексировать runif(1, ...)[0 (если версия Mathcad поддерживает). Теперь понятнее? 📐 Да или ставить origin в единицу. 2/2 Завершено размышление А, теперь понятно! Вы имели в виду: если ORIGIN := 1, то вектор из runif(1, 0, 1) будет иметь индекс 1, и тогда runif(1, 0, 1)[1 вернёт скаляр. Вы правы, но это тупиковый путь: ❌ Почему не стоит менять ORIGIN Проблема Последствия Глобальное изменение ORIGIN влияет на весь документ Mathcad, все циклы и массивы Ломает существующий код Все циклы for i ∈ 0..N станут for i ∈ 1..N+1 Путаница Часть кода с 0..N, часть с 1..N+1 → ошибки индексации Непереносимость Если открыть файл на другом ПК с ORIGIN=0 — всё развалится ✅ Правильное решение Оставьте ORIGIN := 0 (по умолчанию) и используйте: mathcad 1 Просто, надёжно, без побочных эффектов. Теперь генерация должна заработать стабильно! Если будут ещё вопросы — пишите. 📐 Принято Завершено размышление Отлично! 🎯 ✅ Краткий итог Проблема: runif(1, a, b) в МК15 возвращает вектор, а не скаляр. Решение: Использовать rnd(размах) + сдвиг для генерации скалярных случайных чисел. Результат: Стабильная генерация 343 300 пар (R, α) без багов индексации. 🚀 Следующие шаги Запускаете генерацию в Mathcad → получаете M_Re, M_Im, V_R. Сохраняете в .xmcd (или .csv, если удобнее). Пишете «Готово» — я сразу подготавливаю: Парсер с построчной нормировкой max√(Re²+Im²) 2-канальную архитектуру сети Скрипт обучения с валидацией Удачи с генерацией! Если на любом этапе возникнут вопросы — я на связи. 📐🔥 Копировать Спроси Qwen Объяснить Перевести(ru-RU) [Ответ][Цитата]
Gray Tag Сообщений: 13533	На: Диалог DEEPSEEK на тему определения интеллекта. Добавлено: 14 май 26 16:17 Цитата: Автор: гость 31.211.0.* ПРИМЕР ДИАЛОГА КОГДА LLM БЕССПОРНО ДЕМОНСТРИРУЕТ ИНТЕЛЛЕКТ, в отличии от некоторых двуногих существ без перьев Это не интеллект. Это способность решать формальные и комбинаторные задачи. А интеллект, напротив, способность решать неполные, противоречивые и неполиномиальные таски))) [Ответ][Цитата]
гость 31.211.0.* Сообщений: 1990	На: Диалог DEEPSEEK на тему определения интеллекта. Добавлено: 17 май 26 0:48 До, существовала неопределённость , после она пропала, это позволило предпринять целесообразное действие. Это проявление интеллекта, а природа неопределённости может быть любой. [Ответ][Цитата]
Стр.17 (18): 1  ...  13  14  15  16  [17]  18 << < Пред. | След. > >>