Anthropic ၏ Claude သိပ္ပံသည် ကောင်းကင်ယံ၏ ပထမဆုံး ပြီးပြည့်စုံသော ခရမ်းလွန်ရောင်ခြည်မြေပုံကို ဖန်တီးသည်။

Anthropic ၏ Claude Science သည် ကောင်းကင်တစ်ခုလုံး၏ ပထမဆုံး ခရမ်းလွန်ရောင်ခြည်မြေပုံကို ထုတ်လုပ်ခဲ့ပြီး၊ ပရောဂျက်ကို ဦးဆောင်သူ Johns Hopkins နက္ခတ္တရူပဗေဒပညာရှင် Brice Ménard က Anthropic ၏ ၀က်ဘ်ဆိုက်တွင် လုပ်ငန်းစဉ်အသေးစိတ်ဖော်ပြသည့် မှတ်တိုင်တစ်ခုဖြစ်သည်။ The Decoder မှ အစီရင်ခံတင်ပြသော ကြိုးပမ်းမှုသည် သုတေသနအဖွဲ့များ မည်သည့်အခါမျှ မရောက်နိုင်သည့် ပျင်းစရာကောင်းသော ဒေတာအလုပ်များကို ပေါင်းစပ်ညှိနှိုင်းထားသော AI အေးဂျင့်များက မည်ကဲ့သို့ စုပ်ယူနိုင်သည်ကို ပြသသည်။

မြေပုံသည် အစောပိုင်း အာကာသမစ်ရှင်များမှ ကျန်ရစ်ခဲ့သော ဆယ်စုနှစ်များစွာ သက်တမ်းရှိ ကွက်လပ်များကို ဖြည့်ပေးကာ မော်ကွန်းကြည့်မှန်ပြောင်းဖြင့် အပြည့်အ၀ ဖုံးကွယ်ထားခြင်း မရှိသော ဒေသများ၏ စံပြပုံစံဖြင့် ပြန်လည်တည်ဆောက်မှုများနှင့် မော်ကွန်းဆိုင်ရာ လေ့လာတွေ့ရှိချက်များကို ပေါင်းစပ်ထားသည်။ ၎င်းသည် ယနေ့ခေတ် [AI သုတေသနလွှမ်းခြုံမှု] (https://aibuzzwire.news) ၏နေ့စဉ်စက်ယန္တရားထဲသို့ chatbots နှင့် coding assistant မှ AI မှ ရွေ့လျားနေသည့် အခိုင်မာဆုံးဥပမာများထဲမှတစ်ခုဖြစ်သည်။

ပြီးပြည့်စုံသော UV Map အဘယ်ကြောင့်မရှိခဲ့သနည်း။

ခရမ်းလွန်ရောင်ခြည်သည် မြေပြင်မှ မမြင်နိုင်ပါ။ အိုဇုန်းလွှာသည် ၎င်းကို ပိတ်ဆို့ထားသောကြောင့် ခရမ်းလွန်ရောင်ခြည်သည် အာကာသမှသာလျှင် လုပ်ဆောင်နိုင်သည်ဟု ဆိုလိုသည်။ NASA ၏ GALEX မစ်ရှင်သည် 2003 ခုနှစ်မှ 2013 ခုနှစ်အတွင်း ကောင်းကင်ယံတွင် ခရမ်းလွန်ရောင်ခြည်ကို စူးစမ်းလေ့လာခဲ့ပြီး ကောင်းကင်ယံ၏ သုံးပုံနှစ်ပုံခန့်ကို ဖုံးအုပ်နိုင်ခဲ့သော်လည်း အလင်းရောင် အလွန်ပြင်းထန်သော အလင်းရောင်လွန်ကဲသော အလင်းလွန်ကဲသော အာရုံခံကိရိယာများ သို့မဟုတ် ရွှဲနစ်နေသော မြင်ကွင်းများကို ထိခိုက်စေနိုင်သည်။

၎င်းသည် ကောင်းကင်ယံ၏ သုံးပုံတစ်ပုံခန့်ကို ခရမ်းလွန်ရောင်ခြည် လွှမ်းခြုံမှုမရှိဘဲ ချန်ထားခဲ့သည် — သိပ္ပံနည်းကျ စိတ်ဝင်စားဖွယ်အကောင်းဆုံး ရပ်ကွက်အချို့၊ ကြယ်ငယ်များဖြင့် ထူထပ်ပြီး တက်ကြွသောကြယ်ဖွဲ့စည်းမှုအပါအဝင်၊ ဆယ်စုနှစ်တစ်ခုကျော်ကြာ၊ ခရမ်းလွန်ရောင်ခြည်ဒေတာနှင့်အလုပ်လုပ်သော နက္ခတ္တဗေဒပညာရှင်များသည် အဆိုပါအပေါက်များကို ရင်ဆိုင်ဖြေရှင်းရန်၊ တစ်စိတ်တစ်ပိုင်းအမြင်များကို ပေါင်းစပ်ပြင်ဆင်ခြင်း သို့မဟုတ် ၎င်းတို့၏ ခွဲခြမ်းစိတ်ဖြာမှုတွင် ပျောက်ဆုံးနေသောဒေသများကို ရှောင်ရှားခြင်းတို့ကို ရှောင်လွှဲခဲ့ရသည်။

AI အေးဂျင့်များသည် မြေပုံကို မည်သို့စုပုံခဲ့သနည်း။

Claude Science သည် အာကာသမစ်ရှင်များစွာမှ အချက်အလက်များကို ဒေါင်းလုဒ်လုပ်ထားသော AI အေးဂျင့်အဖွဲ့များကို ညှိနှိုင်းကာ၊ ၎င်းကို ချိန်ညှိပြီး တစ်ခုတည်းသော မြေပုံတစ်ခုအဖြစ် ပေါင်းစည်းလိုက်သည်။ စူးစမ်းလေ့လာမှုများ ပျောက်ဆုံးနေသည့် နေရာတွင်၊ စနစ်သည် ကွက်လပ်များကို ပြန်လည်တည်ဆောက်ရန်အတွက် မော်ဒယ်တစ်ခုသည် ရှိပြီးသားဒေတာများမှ သင်ယူသည့် ပန်းချီကားကို အသုံးပြုသည့် နည်းစနစ်တစ်ခုဖြစ်သည်။

Ménard ၏ ဖော်ပြချက်အရ ရလဒ်များသည် အစစ်အမှန် တိုင်းတာမှုများနှင့် ယှဉ်၍ အတည်ပြုထားသည်- စမ်းသပ်မှုများတွင်၊ မော်ဒယ်၏ ခန့်မှန်းချက်များသည် ပရောဂျက်၏ ပရောဂျက်၏ ဖော်ပြချက်တွင် ပျမ်းမျှအားဖြင့် 10 ရာခိုင်နှုန်းခန့်မှ အမှန်တကယ်တန်ဖိုးများနှင့် သွေဖည်သွားပါသည်။ ထိုအမှားအယွင်းနှုန်းသည် အရေးကြီးသည် — ၎င်းသည် သိပ္ပံနည်းကျသုံးနိုင်သော ထုတ်ကုန်တစ်ခုနှင့် လှပသောရုပ်ပုံကြားမှ ကွာခြားချက်ဖြစ်သည် — ၎င်းသည် ပြန်လည်တည်ဆောက်ရေးလုပ်ငန်းများကို တိုက်ရိုက်ကြည့်ရှုခြင်းအတွက် အစားထိုးမဟုတ်သော်လည်း၊ ၎င်းတို့သည် စူးစမ်းလေ့လာခြင်းလုပ်ငန်းကို ပံ့ပိုးရန် လုံလောက်သောပြန်လည်တည်ဆောက်မှုများနှင့် နီးစပ်ကြောင်း အကြံပြုထားသည်။

ခရမ်းလွန်ရောင်ခြည်သည် ကြယ်ပွင့်ငယ်များဝန်းကျင်ရှိ တိမ်တိုက်များနှင့် ကြယ်ပေါက်ကွဲမှုကြောင့် ကျန်ရစ်ခဲ့သော တိမ်တိုက်များအပါအဝင် ကြယ်အလင်းမှ ထွန်းထားသော ဖုန်မှုန့်များကို ဖော်ထုတ်ပေးသည်။ ယခုအခါ ကောင်းကင်တစ်ခုလုံး ဖုံးလွှမ်းနေသဖြင့် သုတေသီများသည် ယခင်က မျက်မမြင်အစက်အပြောက်များရှိသည့် ဒေသများတွင် အဆိုပါ အသွင်အပြင်များကို လေ့လာနိုင်သည်။

အေးဂျင့်-ညှိနှိုင်းရေး ချဉ်းကပ်မှုသည် ရလဒ်အဖြစ် ထင်ရှားသည်။ မေးခွန်းများကိုဖြေဆိုသည့်ပုံစံတစ်ခုတည်းမဟုတ်ဘဲ၊ စနစ်သည် ပရောဂျက်ကို အလုပ်အကိုင်များအဖြစ် ပြိုကွဲစေခဲ့သည် — မစ်ရှင်မှတ်တမ်းများကိုရှာဖွေခြင်း၊ ဒေတာကိုဆွဲထုတ်ခြင်း၊ ချိန်ညှိစစ်ဆေးခြင်း၊ ပရိုဂရမ်များကိုချိန်ညှိခြင်း၊ ထပ်နေသည့်စစ်တမ်းများကို ပေါင်းစည်းခြင်း၊ ကွာဟချက်များအားခွဲခြားသတ်မှတ်ခြင်း—နှင့် ပိုက်လိုင်းမှတဆင့်လုပ်ဆောင်သော အထူးပြုအေးဂျင့်များသို့ တာဝန်ပေးအပ်သည်။ လူသားသိပ္ပံပညာရှင်များသည် လိုအပ်ချက်များကို သတ်မှတ်ပြီး ရလဒ်ကို အတည်ပြုခဲ့သည်။ အေးဂျင့်များသည် ဘွဲ့လွန်ကျောင်းသား၏ဆယ်စုနှစ်ကို ကုန်ဆုံးစေမည့် စည်းဝေးပွဲများကို လုပ်ဆောင်ခဲ့ကြသည်။

သင်ကြားရေးကိရိယာနှင့် နမူနာပုံစံ

Ménard က မြေပုံသည် ကျောင်းသားများနှင့် သုတေသီများအား ခရမ်းလွန်ရောင်ခြည် ကောင်းကင်ယံကို ပထမဆုံး အကြိမ်အဖြစ် အပြည့်အဝ ရှုမြင်နိုင်ရန် သင်ထောက်ကူပစ္စည်းအဖြစ် အသုံးပြုရန် ရည်ရွယ်ထားကြောင်း Ménard မှ ပြောကြားခဲ့သည်။ ဒါပေမယ့် ပိုကြီးတဲ့ သက်ရောက်မှုကတော့ အလုပ်အသွားအလာ သူ့အလိုလို ဖြစ်နိုင်တယ်။

AI သည် ယခု ဖြစ်နိုင်ချေရှိသော ကြီးမားပြီး ဆိုးရွားသော အချက်အလက်ပေါင်းစည်းမှု ကြိုးပမ်းမှုများကို သိပ္ပံပညာရှင်များစွာက အလားတူ ပရောဂျက်များကို ဖယ်ရှားနေသည်ဟု သူသံသယရှိသည်။ ယခင်က အာကာသမစ်ရှင်များမှ မော်ကွန်းတိုက်များသည် တန်ဖိုးမရှိသောကြောင့်မဟုတ်ဘဲ သန့်စင်ခြင်း၊ ချိန်ညှိခြင်းနှင့် ပေါင်းစည်းခြင်းတို့ကြောင့် သုတေသနအဖွဲ့သည် နှစ်ပေါင်းများစွာ အပြင်းအထန် အားထုတ်ရဦးမည်ဖြစ်သောကြောင့် အပြည့်အဝအသုံးချခြင်းမရှိသည့် အချက်အလက်များနှင့် ပြည့်နေပါသည်။ Claude Science ကဲ့သို့သော အေးဂျင့်အခြေခံစနစ်များသည် အဆိုပါစီးပွားရေးကို ပြောင်းလဲစေသည်- ညှိနှိုင်းဆောင်ရွက်မှုနှင့် ဒေတာကိုင်တွယ်ခြင်းတို့သည် ပရောဂျက်တစ်ခုတွင် ဖြစ်ပေါ်လာနိုင်သည်။

ကွာဟချက်၏ရင်းမြစ်တွင်လည်း တိတ်ဆိတ်သော ထေ့ငေါ့စရာတစ်ခုရှိသည်။ GALEX သည် အတောက်ပဆုံး ကြယ်ဖွဲ့စည်းထားသော ဒေသများကို တိတိပပ ကျော်သွားခဲ့ပြီး ၎င်းတို့သည် တန်ဖိုးအရှိဆုံး ပစ်မှတ်များဖြစ်သည်— ခရမ်းလွန်ရောင်ခြည်တွင် နက္ခတ္တဗေဒပညာရှင်များ လေ့လာလိုသော ကြယ်အသစ်များ၏ အင်ဂျင်များဖြစ်သည်။ တူရိယာကာကွယ်ရေးပတ်၀န်းကျင်တွင် ဒီဇိုင်းထုတ်ထားသည့် မစ်ရှင်တစ်ခုသည် ၎င်း၏စိတ်ဝင်စားဖွယ်အကောင်းဆုံးရပ်ကွက်များကို မြေပုံမထုတ်ဘဲ ထားခဲ့ပြီး ယခုမှသာလျှင် AI-အကူအညီဖြင့် ပြန်လည်တည်ဆောက်မှုဖြင့် ယင်းကန်းကွက်ကို ဖြည့်ပေးလျက်ရှိသည်။

##သတိပေးချက်များ

ဆေးခြယ်ထားသော ဒေသများသည် ခန့်မှန်းချက်များမဟုတ်ဘဲ တိုင်းတာမှုများဖြစ်သည်။ ပတ်ဝန်းကျင် ဒေတာနှင့် ဖုံးလွှမ်းထားသော ဒေသများမှ သင်ယူခဲ့သော ပုံစံများအပေါ် အခြေခံ၍ မော်ဒယ်တစ်ခုက UV ကောင်းကင်၏ ပုံသဏ္ဍာန်ကို တွက်ချက်ထားသောကြောင့် ဤမြေပုံ၏ သုံးပုံတစ်ပုံခန့် တည်ရှိနေပါသည်။ ပျမ်းမျှသွေဖည်မှု 10 ရာခိုင်နှုန်းသည် စုစုပေါင်းကိန်းဂဏန်းတစ်ခုဖြစ်သည်။ သီးခြားဖွဲ့စည်းပုံများ — ကြယ်အကြွင်းအကျန်များ၊ ဖုန်မှုန့်အစွန်းတစ်ဝိုက်တွင် အားနည်းသောအဝိုင်း— မြေပုံ၏ အလုံးစုံစာရင်းအင်းများအကြံပြုထားသည်ထက် ယုံကြည်စိတ်ချရမှုနည်းပါသည်။

အဲဒါက ထုတ်ပယ်တာမဟုတ်ဘူး။ နက္ခတ္တဗေဒဆိုင်ရာ ပြန်လည်တည်ဆောက်ရေး ပရောဂျက်တိုင်းသည် တူညီသောအပေးအယူကို ရင်ဆိုင်နေရပြီး မနုဿပရောဂျက်သည် မည်သည့်ဒေသများကို ကောက်ချက်ချသည်ကို ပွင့်လင်းမြင်သာမှုရှိပါသည်။ သို့သော် မြေပုံကိုကိုးကား၍ သုတေသီများသည် ပြန်လည်တည်ဆောက်ထားသော ဧရိယာများ၊ အထူးသဖြင့် အားနည်းခြင်း သို့မဟုတ် ပုံမှန်မဟုတ်သော အရင်းအမြစ်များအတွက် ခွဲခြားသတ်မှတ်ရန် လိုအပ်ပါသည်။

အဆိုပါပရောဂျက်သည် Anthropic ၏ ကျယ်ပြန့်သောတွန်းအားပေးမှုအား ကောင်းကင်မြေပုံမှသည် ကောင်းကင်မြေပုံမှသည် open-source software အတွက် အားနည်းချက်ရှာဖွေခြင်းအထိ သိပ္ပံနည်းကျလုပ်ငန်းအသွားအလာများအတွင်း ၎င်း၏မော်ဒယ်များကို နေရာချထားရန် အချက်ပြပေးပါသည်။ နက္ခတ္တဗေဒအသိုက်အဝန်းအတွက်၊ ချက်ချင်းယူဆောင်သွားခြင်းသည် ပိုရိုးရှင်းသည်- ယခုမရှိခဲ့သော ဒေတာအတွဲတစ်ခုဖြစ်လာပြီး ၎င်းကိုတည်ဆောက်ထားသည့်ကိရိယာသည် နောက်လာမည့်အခြားမစ်ရှင်များတွင် ညွှန်ပြနိုင်သည်။

---

AI ၏ရှေ့တွင်နေရန်

နောက်ဆုံးပေါ် AI သတင်းများ၊ ခွဲခြမ်းစိတ်ဖြာမှုနှင့် အောင်မြင်မှုများ—အားလုံးကို တစ်နေရာတည်းတွင် ရယူပါ။

AI သတင်းအပြည့်အစုံကို ဖတ်ရှုရန် →