Artwork

เนื้อหาจัดทำโดย Daniel Filan เนื้อหาพอดแคสต์ทั้งหมด รวมถึงตอน กราฟิก และคำอธิบายพอดแคสต์ได้รับการอัปโหลดและจัดหาให้โดยตรงจาก Daniel Filan หรือพันธมิตรแพลตฟอร์มพอดแคสต์ของพวกเขา หากคุณเชื่อว่ามีบุคคลอื่นใช้งานที่มีลิขสิทธิ์ของคุณโดยไม่ได้รับอนุญาต คุณสามารถปฏิบัติตามขั้นตอนที่แสดงไว้ที่นี่ https://th.player.fm/legal
Player FM - แอป Podcast
ออฟไลน์ด้วยแอป Player FM !

16 - Preparing for Debate AI with Geoffrey Irving

1:04:49
 
แบ่งปัน
 

Manage episode 333232020 series 2844728
เนื้อหาจัดทำโดย Daniel Filan เนื้อหาพอดแคสต์ทั้งหมด รวมถึงตอน กราฟิก และคำอธิบายพอดแคสต์ได้รับการอัปโหลดและจัดหาให้โดยตรงจาก Daniel Filan หรือพันธมิตรแพลตฟอร์มพอดแคสต์ของพวกเขา หากคุณเชื่อว่ามีบุคคลอื่นใช้งานที่มีลิขสิทธิ์ของคุณโดยไม่ได้รับอนุญาต คุณสามารถปฏิบัติตามขั้นตอนที่แสดงไว้ที่นี่ https://th.player.fm/legal

Many people in the AI alignment space have heard of AI safety via debate - check out AXRP episode 6 (axrp.net/episode/2021/04/08/episode-6-debate-beth-barnes.html) if you need a primer. But how do we get language models to the stage where they can usefully implement debate? In this episode, I talk to Geoffrey Irving about the role of language models in AI safety, as well as three projects he's done that get us closer to making debate happen: using language models to find flaws in themselves, getting language models to back up claims they make with citations, and figuring out how uncertain language models should be about the quality of various answers.

Topics we discuss, and timestamps:

- 00:00:48 - Status update on AI safety via debate

- 00:10:24 - Language models and AI safety

- 00:19:34 - Red teaming language models with language models

- 00:35:31 - GopherCite

- 00:49:10 - Uncertainty Estimation for Language Reward Models

- 01:00:26 - Following Geoffrey's work, and working with him

The transcript: axrp.net/episode/2022/07/01/episode-16-preparing-for-debate-ai-geoffrey-irving.html

Geoffrey's twitter: twitter.com/geoffreyirving

Research we discuss:

- Red Teaming Language Models With Language Models: arxiv.org/abs/2202.03286

- Teaching Language Models to Support Answers with Verified Quotes, aka GopherCite: arxiv.org/abs/2203.11147

- Uncertainty Estimation for Language Reward Models: arxiv.org/abs/2203.07472

- AI Safety via Debate: arxiv.org/abs/1805.00899

- Writeup: progress on AI safety via debate: lesswrong.com/posts/Br4xDbYu4Frwrb64a/writeup-progress-on-ai-safety-via-debate-1

- Eliciting Latent Knowledge: ai-alignment.com/eliciting-latent-knowledge-f977478608fc

- Training Compute-Optimal Large Language Models, aka Chinchilla: arxiv.org/abs/2203.15556

  continue reading

39 ตอน

Artwork
iconแบ่งปัน
 
Manage episode 333232020 series 2844728
เนื้อหาจัดทำโดย Daniel Filan เนื้อหาพอดแคสต์ทั้งหมด รวมถึงตอน กราฟิก และคำอธิบายพอดแคสต์ได้รับการอัปโหลดและจัดหาให้โดยตรงจาก Daniel Filan หรือพันธมิตรแพลตฟอร์มพอดแคสต์ของพวกเขา หากคุณเชื่อว่ามีบุคคลอื่นใช้งานที่มีลิขสิทธิ์ของคุณโดยไม่ได้รับอนุญาต คุณสามารถปฏิบัติตามขั้นตอนที่แสดงไว้ที่นี่ https://th.player.fm/legal

Many people in the AI alignment space have heard of AI safety via debate - check out AXRP episode 6 (axrp.net/episode/2021/04/08/episode-6-debate-beth-barnes.html) if you need a primer. But how do we get language models to the stage where they can usefully implement debate? In this episode, I talk to Geoffrey Irving about the role of language models in AI safety, as well as three projects he's done that get us closer to making debate happen: using language models to find flaws in themselves, getting language models to back up claims they make with citations, and figuring out how uncertain language models should be about the quality of various answers.

Topics we discuss, and timestamps:

- 00:00:48 - Status update on AI safety via debate

- 00:10:24 - Language models and AI safety

- 00:19:34 - Red teaming language models with language models

- 00:35:31 - GopherCite

- 00:49:10 - Uncertainty Estimation for Language Reward Models

- 01:00:26 - Following Geoffrey's work, and working with him

The transcript: axrp.net/episode/2022/07/01/episode-16-preparing-for-debate-ai-geoffrey-irving.html

Geoffrey's twitter: twitter.com/geoffreyirving

Research we discuss:

- Red Teaming Language Models With Language Models: arxiv.org/abs/2202.03286

- Teaching Language Models to Support Answers with Verified Quotes, aka GopherCite: arxiv.org/abs/2203.11147

- Uncertainty Estimation for Language Reward Models: arxiv.org/abs/2203.07472

- AI Safety via Debate: arxiv.org/abs/1805.00899

- Writeup: progress on AI safety via debate: lesswrong.com/posts/Br4xDbYu4Frwrb64a/writeup-progress-on-ai-safety-via-debate-1

- Eliciting Latent Knowledge: ai-alignment.com/eliciting-latent-knowledge-f977478608fc

- Training Compute-Optimal Large Language Models, aka Chinchilla: arxiv.org/abs/2203.15556

  continue reading

39 ตอน

Tüm bölümler

×
 
Loading …

ขอต้อนรับสู่ Player FM!

Player FM กำลังหาเว็บ

 

คู่มืออ้างอิงด่วน