machine learning list Download - machine learning list Download de código fonte

machine learning list

Código-Fonte de IA

1.0.0

Baixar

Elicite a lista de leitura de aprendizado de máquina

Propósito

O objetivo deste currículo é ajudar os novos funcionários eliciados a aprender experiência em aprendizado de máquina, com foco nos modelos de idiomas. Tentei encontrar um equilíbrio entre os documentos relevantes para a implantação de ML em produção e técnicas importantes para escalabilidade a longo prazo.

Se você ainda não trabalha na Elicic - estamos contratando ML e engenheiros de software.

Como ler

Ordem de leitura recomendada:

Leia “Nível 1” para todos os tópicos
Leia “Nível 2” para todos os tópicos
Etc.

Adicionado após 2024/4/1

Índice

Fundamentos
- Introdução ao aprendizado de máquina
- Transformadores
- Principais arquiteturas de modelos de fundação
- Treinamento e Finetuning
Estratégias de raciocínio e tempo de execução
- Raciocínio no contexto
- Decomposição de tarefas
- Debate
- Uso da ferramenta e andaimes
- Honestidade, factualidade e epistemias
Aplicações
- Ciência
- Previsão
- Pesquisa e classificação
ML na prática
- Implantação de produção
- Benchmarks
- Conjuntos de dados
Tópicos avançados
- Modelos mundiais e causalidade
- Planejamento
- Incerteza, calibração e aprendizado ativo
- Interpretabilidade e edição de modelos
- Aprendizagem de reforço
O quadro geral
- Ai escala
- Segurança da IA
- Impactos econômicos e sociais
- Filosofia
Mantenedor

Fundamentos

Introdução ao aprendizado de máquina

Nível 1

Uma breve introdução ao aprendizado de máquina
Mas o que é uma rede neural?
Descendência de gradiente, como as redes neurais aprendem

Nível 2

Uma compreensão intuitiva de retropropagação
O que está realmente fazendo a backpropagation?
Uma introdução ao aprendizado de reforço profundo

Nível 3

A introdução soletrada em redes neurais e retropropagação: Construindo Micrograd
Cálculo de backpropagação

Transformadores

Nível 1

Mas o que é um GPT? Introdução visual aos transformadores
Atenção em transformadores, explicados visualmente
Atenção? Atenção!
O transformador ilustrado
O GPT-2 ilustrado (visualizando modelos de linguagem de transformadores)

Nível 2

Vamos construir o tokenizador GPT
Tradução da máquina neural aprendendo em conjunto a alinhar e traduzir
O transformador anotado
Atenção é tudo que você precisa

Nível 3

Uma pesquisa prática sobre transformadores mais rápidos e leves
Tabpfn: um transformador que resolve pequenos problemas de classificação tabular em um segundo
Grokking: generalização além do excesso de ajustes em pequenos conjuntos de dados algorítmicos
Uma estrutura matemática para circuitos de transformadores

Nível 4+

Capacidades de composição de transformadores autoregressivos: um estudo sobre tarefas sintéticas e interpretáveis
Memorizando transformadores
Camadas de feed-forward de transformador são memórias de valor-chave

Principais arquiteturas de modelos de fundação

Nível 1

Modelos de idiomas são alunos de multitarefa não supervisionados (GPT-2)
Modelos de idiomas são poucos alunos (GPT-3)

Nível 2

LLAMA: Modelos de idiomas de fundação abertos e eficientes (LLAMA)
Modelando com eficiência sequências longas com espaços de estado estruturados (vídeo) (S4)
Explorando os limites do aprendizado de transferência com um transformador de texto em texto unificado (T5)
Avaliando grandes modelos de linguagem treinados no código (Codex OpenAI)
Modelos de idiomas de treinamento para seguir as instruções com feedback humano (OpenIl Instruct)

Nível 3

Mistral 7b (Mistral)
Mixtral de especialistas (mixtral)
Gêmeos: Uma família de modelos multimodais altamente capazes (Gemini)
Mamba: modelagem de sequência de tempo linear com espaços de estado seletivos (Mamba)
Modelos de idiomas de instrução de escala Finetuned (flan)

Nível 4+

Modelos de consistência
Modelo Card e Avaliações para Modelos Claude (Claude 2)
Olmo: acelerando a ciência dos modelos de linguagem
Palm 2 Relatório Técnico (Palm 2)
Livros didáticos são tudo o que você precisa ii: Phi-1.5 Relatório Técnico (PHI 1.5)
Ajuste de instrução visual (llava)
Um assistente de idioma geral como laboratório de alinhamento
Os modelos de idiomas Finetuned são alunos de tiro zero (Google Instruct)
Galactica: um grande modelo de linguagem para a ciência
LAMDA: Modelos de idiomas para aplicativos de diálogo (diálogo do Google)
OPT: Aberto dos modelos de linguagem de transformadores pré-treinados (Meta GPT-3)
Palm: escala de modelagem de linguagem com caminhos (Palm)
Síntese de programas com grandes modelos de idiomas (Google Codex)
Modelos de linguagem de escala: métodos, análise e insights do treinamento Gopher (Gopher)
Resolvendo problemas de raciocínio quantitativo com modelos de linguagem (Minerva)
UL2: Unificando paradigmas de aprendizado de idiomas (UL2)

Treinamento e Finetuning

Nível 2

Programas Tensor V: Ajustando grandes redes neurais via transferência de hiperparâmetro zero-tiro
Aprendendo a resumir com feedback humano
Verificadores de treinamento para resolver problemas de palavras matemáticas

Nível 3

Modelos de idiomas pré -treinamento com preferências humanas
Generalização fraca a forte: provocando fortes capacidades com supervisão fraca
A afinação com poucos eficientes de parâmetro é melhor e mais barata do que o aprendizado no contexto
Lora: adaptação de baixo rank de grandes modelos de linguagem
Tradução da máquina neural não supervisionada apenas com modelos de linguagem generativa

Nível 4+

Além dos dados humanos: dimensionar o auto-treinamento para solução de problemas com modelos de linguagem
Melhorando a geração de código treinando com feedback de linguagem natural
A modelagem de idiomas é compressão
Lima: menos é mais para o alinhamento
Aprendendo a compactar os avisos com tokens esbeltos
Perdido no meio: como os modelos de idiomas usam contextos longos
Qlora: Finetuning eficiente de LLMs quantizados
Quiet-Star: Modelos de idiomas podem se ensinar a pensar antes de falar
Auto-treinamento reforçado (descanso) para modelagem de idiomas
Resolvendo a geometria da Olimpíada sem demonstrações humanas
Diga, não mostre: fatos declarativos influenciam como os LLMs generalizam
Livros didáticos são tudo que você precisa
TinyStories: Quão pequenos os modelos de idiomas podem ser e ainda falam inglês coerente?
Treinando modelos de idiomas com feedback de idiomas em escala
Turing Complete Transformers: dois transformadores são mais poderosos que um
BYT5: em direção a um futuro sem token com modelos de byte a byte pré-treinados
Propriedades distributivas de dados conduzem a aprendizagem emergente no contexto em transformadores
Difusão-LM melhora a geração de texto controlável
Ernie 3.0: Conhecimento em larga escala aprimorou pré-treinamento para compreensão e geração de idiomas
Treinamento eficiente de modelos de linguagem para preencher o meio
Ext5: em direção à escala extrema de várias tarefas para o aprendizado de transferência
Tuneamento de prefixos: otimizando instruções contínuas para geração
ATAÇÃO DE AUTO DATAPONS: Indo além dos pares individuais de entrada de entrada em aprendizado profundo
Aprendizagem de pouquíssimos com pequenos anos-uma perspectiva do mundo real

Estratégias de raciocínio e tempo de execução

Raciocínio no contexto

Nível 2

Cadeia de pensamento provocando provas o raciocínio em grandes modelos de linguagem
Modelos de idiomas grandes são os motivos de tiro zero (vamos pensar passo a passo)
A autoconsistência melhora o raciocínio da cadeia de pensamentos em modelos de idiomas

Nível 3

Raciocínio da cadeia de pensamento sem levar
Por que pensar passo a passo? O raciocínio emerge da localidade da experiência

Nível 4+

Baldur: geração e reparo à prova de integrais com grandes modelos de linguagem
O treinamento de consistência agitado em preconceito reduz o raciocínio tendencioso na cadeia de pensamento
Raciocínio certificado com modelos de idiomas
Pesquisa de hipótese: raciocínio indutivo com modelos de linguagem
LLMS e o corpus de abstração e raciocínio: sucessos, falhas e a importância das representações baseadas em objetos
Modelos de linguagem grandes não podem se autocporcionar o raciocínio ainda
Fluxo de pesquisa (SOS): Aprendendo a pesquisar na linguagem
Cadeia de pensamento de treinamento por meio de inferência de variável latente
Repensando o papel das demonstrações: o que faz o aprendizado no contexto funcionar?
Competição de forma de superfície: por que a resposta mais alta de probabilidade nem sempre é certa

Decomposição de tarefas

Nível 1

Supervisionar o processo, não os resultados
Supervisionando alunos fortes, ampliando especialistas fracos

Nível 2

Árvore dos pensamentos: resolução deliberada de problemas com grandes modelos de linguagem
Cognição fatorada
Destilação e amplificação iterada
Resumindo recursivamente livros com feedback humano
Resolvendo problemas de palavras matemáticas com feedback baseado em processos e baseado em resultados

Nível 3

Verificação fatorada: Detectar e reduzir a alucinação nos resumos de artigos acadêmicos
Raciocínio fiel usando modelos de linguagem grandes
HUMANS CONSULTING HCH
Decomposição iterada: melhorando as perguntas e respostas da ciência supervisionando os processos de raciocínio
Modelo de idioma Cascades

Nível 4+

Descontextualização: tornando as frases independentes
Primer de cognição fatorada
Gráfico de pensamentos: resolvendo problemas elaborados com grandes modelos de linguagem
Parsel: Uma estrutura de linguagem natural unificada para raciocínio algorítmico
Cadeias de IA: interação humana-AI transparente e controlável, encadeando grandes prompts de modelo de linguagem
Desafiar tarefas de grande banco e se a cadeia de pensamento pode resolvê-las
Avaliando argumentos uma etapa de cada vez
Promoção menos ao máximo permite o raciocínio complexo em grandes modelos de linguagem
Promotamento Maiêutico: Raciocínio Logicamente Consistente com Explicações Recursivas
Medindo e estreitando a lacuna de composicionalidade em modelos de linguagem
Pal: modelos de idiomas auxiliados pelo programa
Reação: sinergizando raciocínio e atuação em modelos de idiomas
Inferência de seleção: explorando grandes modelos de linguagem para raciocínio lógico interpretável
Mostre seu trabalho: ScratchPads para computação intermediária com modelos de idiomas
Summ^n: Uma estrutura de resumo de vários estágios para diálogos e documentos longos de entrada
Pensamento: raciocínio probabilístico sobre conjuntos usando grandes modelos de linguagem

Debate

Nível 2

Segurança da IA via debate

Nível 3

O debate ajuda a supervisionar especialistas não confiáveis
O debate de duas curvas não ajuda os humanos a responder a perguntas de compreensão de leitura difícil

Nível 4+

Segurança de IA escalável por meio de debate duplo eficiente
Melhorando a factualidade e o raciocínio em modelos de idiomas através do debate multiagente

Uso da ferramenta e andaimes

Nível 2

Medindo o impacto das melhorias pós-treinamento
WebGPT: Perguntas assistidas pelo navegador-Respondendo a feedback humano

Nível 3

Os recursos de IA podem ser significativamente melhorados sem reciclagem cara
Descoberta de modelo estatístico automatizado com modelos de linguagem

Nível 4+

DSPY: Compilar o modelo de linguagem declarativa chama em pipelines auto-improvantes
PromptBreeder: Auto-aperfeiçoamento auto-referencial por meio de evolução imediata
Otimizador autodidata (Stop): geração de código auto-improvante recursivamente
Voyager: um agente incorporado aberto com grandes modelos de idiomas
Regal: refatorar programas para descobrir abstrações generalizáveis

Honestidade, factualidade e epistemias

Nível 2

Modelos de auto-crítica para ajudar os avaliadores humanos

Nível 3

Que evidência os modelos de idiomas acham convincente?
Como pegar um mentiroso ai: detecção de mentiras no Black-Box LLMs fazendo perguntas não relacionadas

Nível 4+

Modelos de idiomas nem sempre dizem o que pensam: explicações infiéis em cadeia de pensamento provocando
Factualidade de forma longa em grandes modelos de linguagem

Aplicações

Ciência

Nível 3

Os grandes modelos de idiomas podem fornecer feedback útil sobre trabalhos de pesquisa? Uma análise empírica em larga escala
Modelos de idiomas grandes codificam conhecimento clínico
O impacto de grandes modelos de linguagem na descoberta científica: um estudo preliminar usando o GPT-4
Um conjunto de dados de perguntas e respostas em busca de informações ancoradas em trabalhos de pesquisa

Nível 4+

Os modelos generalistas da Fundação podem superar o ajuste especial de fins especiais? Estudo de caso em medicina
Nougat: entendimento óptico neural para documentos acadêmicos
SCIM: suporte inteligente de desnatação para artigos científicos
SYNERGPT: aprendizado no contexto para previsão personalizada de sinergia de drogas e design de drogas
Para diagnóstico diferencial preciso com modelos de linguagem grandes
Em direção a uma referência para o entendimento científico em humanos e máquinas
Um mecanismo de busca para a descoberta de desafios e direções científicas
Uma revisão sistemática completa foi concluída em 2 semanas usando ferramentas de automação: um estudo de caso
Fato ou ficção: verificando reivindicações científicas
Multi-XSCIENCE: Um conjunto de dados em larga escala para resumo de vários documentos extremos de artigos científicos
Pares: um modelo de linguagem colaborativa
PubMedqa: Um conjunto de dados para resposta a perguntas de pesquisa biomédica
SCICO: CORREFERENCIAMENTO HIERÁRIO
Scitail: um conjunto de dados de interrupção textual da Science Question Answering

Previsão

Nível 3

Previsões de u-i-upmented: Assistentes de LLM melhoram a precisão da previsão humana
Aproximando-se da previsão em nível humano com modelos de idiomas
Os transformadores são eficazes para a previsão de séries temporais?
Previsão de eventos mundiais futuros com redes neurais

Pesquisa e classificação

Nível 2

Aprendendo densas representações de frases em escala
INCEDIMENTOS DE TEXTO E CÓDIGO POR AR-TREINAMENTO CONTRATIVO (OpenAi INCEDDINGS)

Nível 3

Modelos de idiomas grandes são classificadores de texto eficazes com classificação pareada provocando
Nem todos os bancos de dados vetoriais são feitos iguais
Reino: modelo de idioma de recuperação de recuperação pré-treinamento
Geração de recuperação para recuperação para tarefas de PNL com uso intensivo de conhecimento
Recuperação com reconhecimento de tarefas com instruções

Nível 4+

Rankzephyr: O reranquitação de listagem zero eficaz e eficaz é uma brisa!
Alguns erros comuns na avaliação de RI e como eles podem ser evitados
Impulsionando os mecanismos de pesquisa com agentes interativos
Colbert: Pesquisa de passagem eficiente e eficaz por meio de interação tardia contextualizada sobre Bert
Indo além da precisão da tarefa a jusante para o benchmarking de recuperação de informações
UnifiedQa: cruzando os limites do formato com um único sistema de controle de qualidade

ML na prática

Implantação de produção

Nível 1

Aprendizado de máquina em Python: desenvolvimentos principais e tendências tecnológicas em ciência de dados, aprendizado de máquina e IA
Aprendizado de máquina: o cartão de crédito de alto juros de dívida técnica

Nível 2

Projetando aplicativos com uso intensivo de dados
Uma receita para treinar redes neurais

Benchmarks

Nível 2

GPQA: uma referência de perguntas e respostas à prova de pós-graduação no Google
SWE-banch: Os modelos de idiomas podem resolver problemas do Github do mundo real?
Verdadeiro: medir como os modelos imitam falsidades humanas

Nível 3

Flex: Avaliação unificadora para PNL de poucos tiro
Avaliação holística de modelos de linguagem (leme)
Medindo o entendimento maciço da linguagem multitarefa
RATA: Um benchmark de classificação de texto de poucos tiros do mundo real
Aprendizagem de poucos tiros com modelos de idiomas

Nível 4+

GAIA: Uma referência para os assistentes gerais de IA
Condicionalqa: um conjunto de dados complexo de compreensão de leitura com respostas condicionais
Medindo a solução de problemas matemáticos com o conjunto de dados de matemática
Qualidade: Resposta de perguntas com textos de entrada longos, sim!
Scrolls: comparação padronizada em sequências de linguagem longa
O que será necessário para consertar o benchmarking no entendimento da linguagem natural?

Conjuntos de dados

Nível 2

Rastreamento comum
A pilha: um conjunto de dados de 800 GB de texto diversificado para modelagem de idiomas

Nível 3

Painting de diálogo: transformando documentos em diálogos
MS MARCO: Um conjunto de dados de compreensão de leitura de máquina gerado por humanos
Gráfico acadêmico da Microsoft
TLDR9+: Um recurso em larga escala para resumo extremo de postagens de mídia social

Tópicos avançados

Modelos mundiais e causalidade

Nível 3

Representações mundiais emergentes: Explorando um modelo de sequência treinado em uma tarefa sintética
De modelos de palavras aos modelos mundiais: traduzindo da linguagem natural para a linguagem probabilística do pensamento
Modelos de idiomas representam espaço e tempo

Nível 4+

Amortizando inferência intratável em grandes modelos de linguagem
Cladder: Avaliando o raciocínio causal em modelos de idiomas
Otimização bayesiana causal
Raciocínio causal e grandes modelos de linguagem: abrindo uma nova fronteira para causalidade
Agentes generativos: simulacra interativo do comportamento humano
Aprendizagem passiva de estratégias causais ativas em agentes e modelos de idiomas

Planejamento

Nível 4+

Além de A*: Melhor planejamento com transformadores via Bootstrappping de Dinâmica de Pesquisa
Arquiteturas cognitivas para agentes de idiomas

Incerteza, calibração e aprendizado ativo

Nível 2

Especialistas não trapaceiam: aprender o que você não sabe prevendo pares
Uma simples linha de base para a incerteza bayesiana em aprendizado profundo
PLEX: Rumo à confiabilidade usando extensões de modelo grandes pré -tenhadas

Nível 3

Inferência de preferência ativa usando modelos de idiomas e raciocínio probabilístico
Provocando preferências humanas com modelos de idiomas
Aprendizagem ativa adquirindo exemplos contrastantes
Descrevendo diferenças entre distribuições de texto com linguagem natural
Ensinar modelos para expressar sua incerteza em palavras

Nível 4+

Fazendo experimentos e revisando regras com linguagem natural e raciocínio probabilístico
Star-Gate: ensinando modelos de idiomas para fazer perguntas esclarecedoras
Teste ativo: avaliação do modelo com eficiência de amostra
Estimativa de incerteza para modelos de recompensa de idiomas

Interpretabilidade e edição de modelos

Nível 2

Descobrindo o conhecimento latente em modelos de idiomas sem supervisão

Nível 3

Interpretabilidade em escala: identificação de mecanismos causais em alpaca
Analisando mecanisticamente os efeitos do ajuste fino em tarefas definidas processualmente
Engenharia de representação: uma abordagem de cima para baixo para a transparência da IA
Estudando grande generalização do modelo de linguagem com funções de influência
Interpretabilidade na natureza: um circuito para identificação de objetos indiretos no GPT-2 pequeno

Nível 4+

Recursos de livro de código: interpretabilidade esparsa e discreta para redes neurais
Excunhando previsões latentes de transformadores com a lente sintonizada
Como os modelos de linguagem ligam as entidades no contexto?
Abrindo a AI Black Box: Síntese de Programa via interpretabilidade mecanicista
Circuitos de recursos esparsos: Descobrir e editar gráficos causais interpretáveis em modelos de linguagem
Descobrindo algoritmos de otimização de mesa em transformadores
Edição de modelo rápido em escala
Git Re-Basin: Mesclagem de modelos Modulo Symmetries
Localizar e editar associações factuais no GPT
Memória de edição em massa em um transformador

Aprendizagem de reforço

Nível 2

Otimização de preferência direta: seu modelo de idioma é secretamente um modelo de recompensa
Reflexão: agentes de idiomas com aprendizado de reforço verbal
Dominar o xadrez e o shogi por auto-jogo com um algoritmo de aprendizado de reforço geral (Alphazero)
MuZero: dominar o Atari, ir, xadrez e shogi planejando com um modelo instruído

Nível 3

Problemas abertos e limitações fundamentais do aprendizado de reforço com o feedback humano
Alphastar: dominar o jogo de estratégia em tempo real Starcraft II
Transformador de decisão
Dominando os jogos do Atari com dados limitados (eficientezinho)
Mastering Stratego, o jogo clássico de informações imperfeitas (Deepnash)

Nível 4+

Alphastar desconectado: aprendizado de reforço offline em larga escala
Aprendizagem de reforço bayesiano com carga cognitiva limitada
Aprendizagem de preferência contrastiva: aprender com o feedback humano sem RL
Xadrez no nível do grande mestre sem pesquisa
Uma abordagem orientada a dados para aprender a controlar computadores
Aquisição de conhecimento de xadrez em Alphazero
Jogador de jogos
Aprendizagem de reforço de recuperação de recuperação

O quadro geral

Ai escala

Nível 1

Escala de leis para modelos de idiomas neurais
Velocidades de decolagem
A lição amarga

Nível 2

Ai e calcular
Leis de escala para transferência
Treinamento Compute-Optimal Language Models (Chinchilla)

Nível 3

Habilidades emergentes de grandes modelos de linguagem
Transcendendo leis de escala com computação extra de 0,1% (U-PALM)

Nível 4+

Física dos modelos de idiomas: Parte 3.3, Leis de escala de capacidade de conhecimento
Tendências da lei de energia em SpeedRunning e Machine Learning
Leis de dimensionamento para aprendizado de reforço de agente único
Além das leis de escala neural: espancar a escala da lei de energia por meio de poda de dados
Habilidades emergentes de grandes modelos de linguagem
Escala de escala Leis com jogos de tabuleiro

Segurança da IA

Nível 1

Três impactos da inteligência da máquina
Como é o fracasso
Sem contramedidas específicas, o caminho mais fácil para a IA transformadora provavelmente leva à aquisição da IA

Nível 2

Uma visão geral dos arrisários da IA catastrófica
Esclarecendo “como é o fracasso” (parte 1)
RL profundo das preferências humanas
O problema de alinhamento de uma profunda perspectiva de aprendizado

Nível 3

Scheming AIS: O AIS Fake Alignment durante o treinamento para obter energia?
Medindo o progresso da supervisão escalável para grandes modelos de linguagem
Riscos com a otimização aprendida em sistemas avançados de aprendizado de máquina
Alinhamento de agente escalável por modelagem de recompensa

Nível 4+

Decepção da IA: uma pesquisa com exemplos, riscos e soluções em potencial
Referências para detectar adulteração de medidas
Xadrez como motivo de teste para a abordagem do Oracle para a segurança da IA
Feche os portões para um futuro desumano: como e por que devemos optar por não desenvolver inteligência artificial sobre-humana de uso geral
Avaliação do modelo para riscos extremos
Relatórios responsáveis para o desenvolvimento da IA da Frontier
Casos de segurança: como justificar a segurança dos sistemas avançados de IA
Agentes Sleeper: Treinando LLMs Deceptive que persistem através do treinamento de segurança
Relatório técnico: grandes modelos de idiomas podem enganar estrategicamente seus usuários quando pressionados
Tensor Trust: Ataques de injeção imediata interpretáveis de um jogo online
Ferramentas para verificar os dados de treinamento dos modelos neurais
Em direção a uma IA de cientista cautelosa com limites de segurança convergentes
Alinhamento de agentes de idiomas
Provocando conhecimento latente
Modelos de idiomas em equipes vermelhas para reduzir os danos: métodos, comportamentos de escala e lições aprendidas
Modelos de idiomas em equipes vermelhas com modelos de idiomas
Problemas não resolvidos em segurança de ML

Impactos econômicos e sociais

Nível 3

Crescimento explosivo da automação de IA: uma revisão dos argumentos
Modelos de idiomas podem reduzir a assimetria nos mercados de informações

Nível 4+

Preencher a lacuna de conhecimento humano-AI: Descoberta e transferência de conceito em Alphazero
Modelos de fundação e uso justo
GPTs são GPTs: uma olhada antecipada no potencial de impacto no mercado de trabalho de modelos de idiomas grandes
Níveis de AGI: operacionalizando o progresso no caminho para AGI
Oportunidades e riscos de LLMs para deliberação escalável com Polis
Sobre as oportunidades e riscos de modelos de fundação

Filosofia

Nível 2

Significado sem referência em grandes modelos de linguagem

Nível 4+

Consciência na inteligência artificial: insights da ciência da consciência
Os filósofos devem se desenvolver, teorizar e usar a IA filosoficamente relevante
Para avaliar os sistemas de IA para status moral usando autorrelatos