valeurpartage

Transdisciplinarité, partage des connaissances et des savoirs.

[valeurpartage @valeurpartage]

@DidierMaisto Article 9

26/08/1789

Tout homme étant présumé innocent jusqu'à ce qu'il ait été déclaré coupable, s'il est jugé indispensable de l'arrêter, toute rigueur qui ne serait pas nécessaire pour s'assurer de sa personne doit être sévèrement réprimée par la loi.

[valeurpartage @valeurpartage]

@IliesDjaouti Article 9
26/08/1789

Tout homme étant présumé innocent jusqu'à ce qu'il ait été déclaré coupable, s'il est jugé indispensable de l'arrêter, toute rigueur qui ne serait pas nécessaire pour s'assurer de sa personne doit être sévèrement réprimée par la loi.

[valeurpartage @valeurpartage]

@Poulin2012 Article 9

26/08/1789

Tout homme étant présumé innocent jusqu'à ce qu'il ait été déclaré coupable, s'il est jugé indispensable de l'arrêter, toute rigueur qui ne serait pas nécessaire pour s'assurer de sa personne doit être sévèrement réprimée par la loi.

[valeurpartage @valeurpartage]

@vinii83 Les sous titres sont très clairs pourtant 😜😎

[valeurpartage @valeurpartage]

@GaryMarcus Sensor ≠ orientation. An active bread vector is a reading event, not a conflict of demands. The aligned gesture: classify it as exogenous, remove it from political arguments, seek directions useful to (G(z,o)). The thermometer’s intensity does not revise the limits.

[valeurpartage @valeurpartage]

@Fabien_Mikol Testons d'abord avec trop joie et de rigolade.

[Elias @iam_elias1]

MIT: Human + AI Teams Perform Worse Than Either Alone
Every company on the planet is spending billions putting humans and AI together.

MIT just published a meta-analysis of over 100 studies proving that, on average, this makes performance worse.
Not better. Worse.

The paper is called "When Combinations of Humans and AI Are Useful." Published in Nature Human Behaviour. Conducted by MIT's Center for Collective Intelligence. It is the largest analysis ever done on human-AI collaboration — synthesizing over 300 effect sizes across three years of experimental research.

The headline finding is simple and brutal.
Human-AI combinations performed significantly worse than the best of either humans alone or AI alone.

The effect size: Hedges' g = −0.23. That is a statistically meaningful, consistent, replicated gap in the wrong direction.
The assumption that every boardroom has been operating on — that humans plus AI is always better than either separately — is not supported by the evidence.

Here is where it breaks down the most.
Decision-making tasks. Detecting deepfakes. Diagnosing medical cases. Forecasting demand. Assessing legal risk. Every task where someone uses AI to make a higher-stakes judgment — human-AI combinations consistently underperformed against AI working alone.
The reason: overreliance. People saw the AI's recommendation and stopped thinking. They used it as an anchor, not a tool. They deferred. They stopped processing information independently. The AI's confidence became their confidence. And when the AI was wrong, they were wrong — and less likely to catch it because they had already stopped paying attention.

The researchers also identified the reverse problem: underreliance. Some people distrust AI reflexively and ignore its suggestions even when it is correct. Both failure modes — too much trust and too little — degrade performance.

Here is the exception that explains everything.
Creative tasks. Summarizing content. Generating new ideas. Writing. Imagery. These were the only task categories where human-AI combinations outperformed either alone. When humans bring judgment and direction and AI brings scale and raw generation — the collaboration works. When humans bring judgment and AI brings a competing recommendation — the human defers, gets worse, and produces worse outcomes than if the AI had just done it alone.

The conclusion the researchers drew is damaging for every organization currently deploying AI as a decision support tool:
"Many organizations may be overestimating the effectiveness of their current systems."

Doctors using AI to assist diagnosis. Judges using AI to assess risk. Financial analysts using AI to evaluate investments. Hiring managers using AI to screen candidates. All of these workflows operate under the assumption that human oversight makes AI better.
The data says the opposite is often true.

You are not making better decisions by adding a human to the AI's output. In many cases, you are making worse ones — because the human adds bias, deference, and noise without adding genuine correction.
The paper was published in Nature Human Behaviour in October 2024. It had 123,000 accesses and 177 citations within months. The AI industry largely ignored it.

Source: Vaccaro, Almaatouq & Malone · MIT Center for Collective Intelligence · Nature Human Behaviour 2024 · https://t.co/IXYmqIzG2o

[valeurpartage @valeurpartage]

@jppetit1937 @skdh https://t.co/R6Wb7lYk5A

[valeurpartage @valeurpartage]

@jppetit1937 @skdh https://t.co/R6Wb7lYk5A.

[AYi @AYi_AInotes]

说个暴论，这可能是今年对AI辅助开发影响最大的一次更新，

TS大神@mattpocockuk Pocock刚刚给他的代码架构改进技能，加了一份只有37行的官方术语表，

要求所有AI输出必须严格使用里面的词汇，不能用component service API boundary这些烂大街的词，

一开始以为这就是多此一举，看完才反应过来，这才是解决AI乱改代码的终极方案，

以前AI给你的架构建议���远是正确的废话，它会告诉你要解耦要模块化，但不知道什么是深模块什么是浅模块，

现在有了这套统一语言，它终于能准确说出这个模块是透传的没有价值，那个接口太浅应该合并，

最狠的是那个删除测试，想象删掉这个模块，如果复杂度消失了，它就不该存在，

如果复杂度分散到了所有调用方，它才真正创造了价值，

不像是给人看的词汇表，更像是给AI定的思考规则，它把架构改进从凭感觉的艺术，变成了可重复可验证的工程。
https://t.co/SNGLeKFDUZ

[Nona @Nona_xai]

Andrej Karpathy publicó gratis en YouTube la formación de LLMs más completa que existe.

3 horas. No cómo usar las herramientas: cómo fue construido todo el sistema desde cero.
La diferencia entre ambos grupos no son 3 horas. Es una carrera entera.

[Joruno @wsl8297]

想系统学强化学习，却常被两类资料劝退：要么只讲皮毛，学完还是不会；要么数学堆满页，看两章就放弃。

这本开源教材 Mathematical Foundations of Reinforcement Learning 刚好补上中间那块空白：讲得清楚、推导严谨但不吓人，还配了大量视频，把经典算法从概念到实现一步步讲透。

它从数学视角梳理 RL 的核心框架，用大量例子把抽象概念落到实处，让“看起来很玄”的算法真正变得可理解、可复现。

GitHub：https://t.co/9D5wRxEDZm

你能学到什么：

- 基础概念一网打尽：状态、动作、策略、价值函数等完整串起来
- 经典算法拆解到位：MC / TD / Q-learning 等从原理到细节逐步推导
- 50+ 集中英文视频配套：边学边练，理论和实践同步推进
- 大量网格世界示例：用直观实验理解抽象公式与更新规则
- 数学推导规范但友好：难度控制得当，不靠“跳步”糊弄人
- 多语言代码实现：Python、R、C++ 等直接对照复现

适合想把强化学习理论真正学扎实的人；建议具备基础概率论和线性代数再上手。

[Alan Daitch @AlanDaitch]

ChatGPT acaba de resolver, en 80 minutos, un problema matemático que estaba abierto desde los años sesenta. Pero la metodología fue tan novedosa que va a impactar en muchos más.

Jared Lichtman se hizo famoso a los 26 años por resolver una conjetura abierta desde 1988, pero le faltaba una versión más fina del problema y llevaba siete años intentando solucionarla.

Se trata de los conjuntos primitivos planteados por Erdős. Imaginate que armás una lista de números con una regla: ninguno puede ser múltiplo de otro. Si está el 2, no puede estar el 4, ni el 6, ni el 8. Los números primos cumplen esa regla a la perfección. Erdős se preguntó si ellos eran la mejor lista posible y la respuesta definitiva se hizo esperar casi un siglo.

Lo interesante es cómo lo resolvió. Todos tomaban el mismo atajo conceptual desde hace 90 años: traducir el problema a la rama de las probabilidades. Era prolijo y elegante, pero te obligaba a dar una vuelta de más sin que te dieras cuenta. La IA fue por la calle más directa que, a simple vista, parecía horrible.

Lichtman lo describió perfecto: es como en el ajedrez, donde las aperturas principales están estudiadísimas hace siglos y de pronto la IA encuentra una novedosa que estuvo siempre ahí, pero que los humanos nunca jugamos porque nos parecía poco elegante.

Lo más sorprendente es que Terence Tao, probablemente el matemático vivo más influyente, dijo que este truco no resuelve un problema solo, sino que puede simplificar una rama entera de la teoría de números que llevaba décadas siendo innecesariamente complicada.

¿Cuántas de las reglas que seguimos hoy son verdades del universo, y cuántas son simplemente la forma en que las hicimos la primera vez y la dejamos de cuestionar?

[Yann Le Strat @YannLe_Strat]

Les facteurs environnementaux 🌍 pourraient influencer l'expression du #TDAH via l'axe intestin-cerveau 🧠.
(Beaucoup d'hypothèses dans ce papier à prendre avec précautions!)
https://t.co/gSe7iWBngY

[Supersocks @iamsupersocks]

La veille IA c'est 80% de bruit, 20% de signal, et 0% de format exploitable par un agent.

J'ai construit https://t.co/NjISIQ66Kz pour inverser le ratio.

5000+ articles scrapés, 100+ sources, refresh 6h. Tout en .md.

Company Radars: on track les gens qui font réellement tourner les labs. OpenAI, Anthropic, Mistral, Kimi pour l'instant, d'autres arrivent. Les listes X sont déjà faites, abonnables en un clic.

Ce qu'il y a dessus:

— LLM Architecture Gallery: 38 modèles open-weight disséqués (dense, MoE, hybride)
— Lab Wiki méthode Karpathy: heuristiques, état de l'art, alimenté en direct par le AI Signal
— Hermes Live + Claude Code Live: GitHub + tweets filtrés, refresh 1-2h, aucun signal oublié
— Executive summary quotidien par lab, parce que même Anthropic nous spam et qu'il faut bien s'y retrouver

le média 2.0 pour vous et vos IA. Gratuit, sans newsletter.

[Supersocks @iamsupersocks]

le papier en question de Sakana AI:

Titre : Evolutionary Optimization of Model Merging Recipes Auteurs : Takuya Akiba, Makoto Shing, Yujin Tang, Qi Sun, David Ha (Sakana AI)

Publié dans : Nature Machine Intelligence (janvier 2025) Version arXiv initiale : mars 2024 (mise à jour pour la publication finale)

Liens directs :
Version officielle Nature : https://t.co/hNsmimcvGP

arXiv (gratuit) : https://t.co/34KcAVapY8

Code et repo officiel : https://t.co/BILZkI5GVn

[Brivael Le Pogam @brivael]

Je crois qu'on ne mesure pas ce qu'Elon Musk est en train de construire avec X.

Tous les médias de l'histoire ont été couplés �� une culture, une langue, une bulle géographique. Le Monde parle aux Français. Le NYT parle aux Américains. NHK parle aux Japonais. Chaque média filtre le réel à travers le prisme de sa culture locale.

X est en train de devenir le premier média de l'humanité. Pas d'un pays. De l'espèce.

Je le vis en temps réel. Mes posts en français se font RT par des Japonais, répondre par des Brésiliens, citer par des Américains. Des conversations qui n'auraient jamais existé il y a 5 ans. Un libertarien français qui débat avec un ingénieur de Tokyo et un entrepreneur de Sao Paulo sous le même tweet. Pas traduit par un éditeur. Traduit instantanément par l'IA, en un clic.

Les bulles de filtre culturelles sont en train d'exploser.

Et je pense qu'on sous-estime massivement les effets composés de ça.

Quand une idée peut traverser un océan en 3 secondes, quand un argument sourcé posté à Paris peut être vérifié par un économiste à Singapour et amplifié par un développeur à Austin dans la même heure, le coût de propagation d'une bonne idée tend vers zéro.

Et c'est catastrophique pour un type d'acteur très précis : les médias qui ont construit leur business model sur le monopole de l'information locale. Ceux qui pouvaient raconter n'importe quoi sur "ce qui se passe ailleurs" parce que personne ne pouvait vérifier.

Quand un journaliste français écrit que "le modèle américain ne marche pas", maintenant il y a 50 Américains dans les réponses avec des sources. Quand un éditorialiste dit que "le Danemark prouve que le socialisme fonctionne", il y a un Danois qui explique que le Danemark est 10e en liberté économique mondiale.

Le fact-checking n'est plus un département. C'est un effet réseau.

Les médias honnêtes n'ont rien à craindre de ça. Les médias qui vendaient une narration protégée par l'ignorance géographique de leur audience vont avoir un problème existentiel.

Parce qu'on ne peut plus mentir à l'échelle locale quand le monde entier regarde.

[Alexandre Blaineau @AlBlaineau]

Ce moment fut sublime. Quelle sensibilité dans l’interprétation, comme une forme de recueillement. Je ne me lasse pas de l’écouter encore

[Pierre B. @Pierre_B_y]

C'est époustouflant.