Connect with us

Noticias

Top Ways That Generative AI ChatGPT Helps You Identify And Fulfill Your New Year’s Resolutions

Published

4 meses ago

on

In today’s column, I explore the top ways that generative AI and large language models (LLMs) can help people identify their New Year’s resolutions and then throughout the year further assist in fulfilling those resolutions. This might at first glance seem like a lighthearted topic. Not so. The reality is that making and keeping New Year’s resolutions has significant mental health benefits, which in turn provide substantive overarching societal paybacks all told.

Let’s talk about it.

This analysis of an innovative AI breakthrough is part of my ongoing Forbes column coverage on the latest in AI including identifying and explaining various impactful AI complexities (see the link here).

Where Society Stands On New Year’s Resolutions

A longstanding tradition is that when a new year rolls around there is a fresh-start opportunity made available and that we ought to take advantage of the circumstance at hand. People chat incessantly about their desire to make a New Year’s resolution. Some actually come up with resolutions, while many of the big talkers do not (the proverbial all-talk no-action conundrum).

Of those who craft a New Year’s resolution, there is often a relatively slim chance that they will actively follow up and complete the resolution. Resolutions are at times a spur-of-the-moment consideration. You get excited about a verbalized resolution and, while basking in that excitement, earnestly believe that you will devotedly pursue the resolution.

Days later, or sometimes weeks or months later, the resolution falls by the wayside.

What do the stats say?

About 30% of Americans each year declare at least one New Year’s resolution, of which the predominant focus is on improving their overall health such as by exercising or dieting (according to a Pew Research Center study entitled “New Year’s Resolutions: Who Makes Them And Why” by Shanay Gracia, January 29, 2024). The same study also indicated that of the 70% of Americans who didn’t make a resolution, those naysayers insisted that they do not like resolutions and either won’t keep one or can’t think of one that they could sufficiently undertake.

Those coming up with resolutions will rarely see their resolutions to actual fruition. Research indicates that only about 10% of people succeed in keeping their resolutions. Included in those tallies are that around 25% quit after the first week, and by the end of February, around 80% have completely abandoned their initial resolutions.

Sad face.

Leaning Into AI To Make Resolutions Come True

Well, those numbers might indeed seem gloomy but any effort to seek self-improvement and embark on new beginnings is a facet of humankind that we ought to relish. Maybe there are ways to help with these weighty matters and improve the odds of making and keeping resolutions. I’ll be sharing with you the details of two new approaches to New Year’s resolutions that incorporate the latest in generative AI.

Those two innovative approaches consist of:

  • (1) Making resolutions via AI. Using generative AI such as ChatGPT, Claude, Gemini, Llama, CoPilot, or other major AI apps to aid in devising New Year’s resolutions.
  • (2) Keeping resolutions via AI. Furthering the first approach, the second approach entails using generative AI to serve as a stirring motivator for fulfilling New Year’s resolutions throughout the year.

I’d like to establish stretch goals for us all, so here we go with some very special New Year’s resolutions for the year ahead:

  • Outsized Resolution #1: AI dramatically increases the making of fulfillable resolutions, rising from 30% of the populace to a dreamy 60% (doubling!).
  • Outsized Resolution #2: AI demonstrably drives people toward attaining resolutions, increasing from 10% fulfillment to a heralded 50% (half of all resolutions are actively completed).

Come on everyone, we can make those exciting resolutions happen if we put our noses to the grind and opt to leverage modern-day AI. Keep those spirits high and don’t be deterred.

We can do it.

How Generative AI Aids The Making Of Resolutions

I am betting that you would like to see an example of how generative AI comes into this realm. I went ahead and logged into ChatGPT by OpenAI to come up with an example for you. You might find of keen interest that ChatGPT garners a whopping 300 million weekly active users. That is a staggering amount of usage.

I briefly conducted an additional cursory analysis via other major generative AI apps, such as Anthropic Claude, Google Gemini, Microsoft Copilot, and Meta Llama, and found their answers to be about the same as that of ChatGPT. I’ll focus on ChatGPT but note that the other AI apps generated roughly similar responses.

Let’s get underway.

  • My entered prompt: “I want to set some New Year’s resolutions, but I’m not sure where to start. Can you help?”
  • Generative AI response: “Absolutely! Let’s figure it out together. What’s something of a personal nature that you are especially proud of achieving this past year?”
  • My entered prompt: “I’m proud that I started going to the gym.”
  • Generative AI response: “That’s fantastic! Do you want to build on that success, or focus on a different area of your life?”
  • My entered prompt: “I’d like to keep improving my fitness.”

I asked a broad question about setting resolutions. The AI could have sharply told me to specifically do this or that, as though all resolutions are the same or that all people are the same. Instead, the AI sought to figure out what kinds of resolutions might best fit me.

If you were to try and devise resolutions by talking to a fellow human, the chances are they might immediately tell you to lose weight or take some action that they believe you should pursue. Rarer are the odds that someone would first inquire as to what might work best for you. Generative AI is typically shaped by AI makers to be accommodating and less likely to prejudge (side note — that’s not always the case, plus it is possible to use system prompts to instruct AI to be more controlling, see my discussion at the link here).

Backstory On Why Resolutions Don’t Stick

Before I continue with the example of using generative AI to figure out resolutions, it would be handy to take a step back and consider why resolutions overall do not tend to become reality.

These are my five major indications about why resolutions don’t stick:

  • (1) People tend to make unrealistic resolutions: Resolutions are often overly ambitious or vague, making them hard to achieve.
  • (2) Lack of laid-out specifics: People often fail to stipulate actionable steps, thus making follow-through difficult or confounding.
  • (3) Not enough motivation: Resolutions are usually just a bright gleam in the eye and the initial enthusiasm dissipates quickly. There needs to be strong determination to get the job done.
  • (4) Absence of accountability: People rarely establish a clear-cut means of being held accountable for fulfilling their resolution. Without accountability, it is all too easy to abandon resolutions.
  • (5) All-or-nothing fallacy: Resolutions are viewed as being all-or-nothing, namely that you either complete the resolution to the final end or you aren’t even going to start. This becomes a wink-wink of an excuse to give up on the resolution, rather than acknowledging that even a partial attainment is worthy.

With those gotchas in mind, we can take a further look at generative AI to see how AI helps overcome those hurdles.

The Example Enters Into Finer Interactive Detail

Whenever you use generative AI, try to think of the AI as a conversational partner. The idea is that you are carrying on an interactive dialogue with AI. Some people do a one-and-done angle whereby they ask a question, get an answer, and do not undertake a dialogue with the AI about the matter at hand. That is a shortchanging of what AI can more fully provide. See my explanation about how to get more out of generative AI conversationally, at the link here.

To illustrate the value of engaging in a dialogue, let’s continue my quest to identify New Year’s resolutions about my interest in fitness.

  • Generative AI response: “For fitness, what’s one specific goal you’d like to achieve? For example, running a race, building muscle, or trying a new sport?”
  • My entered prompt: “I’ve always wanted to run a 5K.”
  • Generative AI response: “Excellent goal! Here’s one suggestion. Train weekly for and then complete a 5K race by mid-year. Does that seem like a resolution you’d be interested in pursuing?”
  • My entered prompt: “Yes, that would be fantastic.”
  • Generative AI response: “Let’s break it down step by step. For the 5K, we can create together a weekly running schedule. Would you like to do so?”
  • My entered prompt: “I welcome your help.”

The above interaction illustrates that generative AI is aiding me in doing a deep dive into what my resolutions can be.

Had I merely stopped at the idea of pursuing better fitness for the year, I would have had a vacuous resolution. The AI has given me the tangible notion of doing weekly progression on my resolution. In addition, I now have a goal that will keep me targeted for the next six months.

Generative AI is overcoming the gotchas normally associated with New Year’s resolutions.

Easy-peasy.

The Big Picture Of AI Resolution Assistance

Now that we’ve gotten a taste of what generative AI can achieve, let’s shift into the big-picture mode and consider the range of opportunities involved.

Here are my six top ways that AI can rise to this occasion:

  • (1) AI assists in crafting resolutions: Generative AI can analyze your individual preferences, past behaviors, and goals to then recommend resolutions that align with your interests and values.
  • (2) AI enmeshes societal trends into resolutions: Generative AI can generate resolution ideas for you based on current trends, such as mindfulness practices, career development strategies, and the like. This might inspire interest in making and keeping resolutions.
  • (3) AI advises on setting realistic resolutions: Generative AI carries on an engaging dialogue about whether the resolutions are viable for you, working through the pluses and minuses of potential resolutions.
  • (4) AI drafts a useful plan of attainment: Generative AI can draft a proposed plan for the next months or years ahead that will stepwise get you to achieving your resolutions.
  • (5) AI reminds and nudges you: Generative AI can remind you about your resolutions, doing so in a gentle way. In addition, the AI can encourage and nudge you along the arduous path of attaining the resolutions.
  • (6) AI serves up emotional support: Generative AI can provide a semblance of emotional support by congratulating you on small wins, offering a shoulder to cry on when setbacks occur, and otherwise trying to keep you positive and resilient. This seems odd since AI is not sentient and does not have emotions as humans do, but the wording produced can still seem stirring anyway.

There are additional means of leveraging AI, but I believe those provide a sound foundation and get across the mainstay aspects.

AI As Your Ongoing Resolution Motivator

So far, I have shown an example of generative AI helping to establish resolutions. That is just the starting point. Throughout the year, you can check in with AI as a progress tracker and a motivational tool.

Imagine that I came back to my generative AI conversation in early March.

Things might go like this.

  • My entered prompt: “I dropped the ball on my resolutions. I only ran a couple of times in the last two months. I won’t at all be ready to run a 5K by mid-year.”
  • Generative AI response: “Don’t be too hard on yourself! You’ve already made some progress, and that’s worth celebrating. Let’s adjust so we can get you back on track.”
  • My entered prompt: “Okay, thanks, what should I do?”
  • Generative AI response: “Could you commit to two 15-minute runs this week? Small wins build momentum.”
  • My entered prompt: “Yes, I can do that.”
  • Generative AI response: Great! We’ll add a few minutes each week. Remember, progress is better than perfection.”

Observe that I admitted to AI that I had not been suitably pursuing my resolution to increase my fitness.

This brings up some important points about the use of generative AI.

First, you might be reluctant to admit to a fellow human that you’ve fallen off track with your resolutions. Telling AI that you did so would seem a lot less imposing. In fact, some use generative AI to divulge their innermost secrets that they would never say to another person.

Second, many users do not realize that generative AI is usually not going to preserve their privacy. The licensing agreement for whichever AI that you use will stipulate what their privacy policy is. Much of the time, the AI maker indicates that they can have their AI developers and testers review your entered data. Equally alarming is that they reserve the right to reuse your data to further data train the AI, see my detailed discussion at the link here.

Downsides Of AI As Your Resolution Guru

The upsides of using generative AI for resolutions must be balanced against the downsides. It is a tradeoff that you’ll need to consider.

These are my five top-most downsides of using AI as your resolution guru:

  • (1) Your privacy could be exposed: People tend to falsely assume that whatever they enter into generative AI is kept strictly private and confidential. Nope, that’s usually not the case. AI makers tend to indicate in their licensing that they can review your entered data, including reusing it for further training of the AI. See my discussion at the link here.
  • (2) AI can put undue pressure on you: Generative AI might inadvertently put too much pressure on you by sending you continual reminders and being an annoyance. The good news is that you can easily tell the AI to be less demanding if that’s what you’d prefer.
  • (3) AI biases might mess with your resolutions: Generative AI has cooked-in biases based on data training and however the AI developers tilted the AI, see my discussion at the link here. In the case of resolutions, the AI could attempt to steer you toward particular resolutions based on cultural biases.
  • (4) AI might convey a false sense of progress: Generative AI can encounter said-to-be AI hallucinations that are made-up confabulations. This might falsely lead you to believe that you are doing worse than you really are, or better than you really are, regarding your resolutions. For details about how to cope with AI hallucinations, see the link here.
  • (5) Spurring overreliance on AI: Generative AI could become a kind of mental crutch that is not only required for pursuing your resolutions, but the AI might also be a dependency that you use for all sorts of aspects of your existence. There is also a chance that you might forsake human comradery in place of being reliant on AI.

Research On New Year’s Resolutions

On the overall topic of New Year’s resolutions and human behavior, many fascinating research studies examine the meaty topic.

For example, one study suggests that resolutions are more likely to be achieved if they are based on approach-oriented goals rather than avoidance-oriented goals. The study is entitled “A Large-Scale Experiment On New Year’s Resolutions: Approach-Oriented Goals Are More Successful Than Avoidance-Oriented Goals” by Martin Oscarsson, Per Carlbring, Gerhard Andersson, and Alexander Rozental, PLOS One, December 9, 2020, and made these salient points (excerpts):

  • “Common New Year’s resolutions focus on changes in behavior with an expectation of positive outcomes regarding physical and mental health.”
  • “Increasing the likelihood of people succeeding with their New Year’s resolutions could both be beneficial for the individual and for society.”
  • “The most popular resolution among the participants concerned physical health (33%). The second most popular category was weight loss (20%). The third most popular category was the desire to change one’s eating habits (13%), followed by resolutions regarding personal growth (9%) and mental health/sleep (5%) as the fourth- and fifth-most popular categories, respectively. The remaining participants (20%) made resolutions regarding work, studies, tobacco habits, etc.”
  • “At a one-year follow-up, 55% of responders considered themselves successful in sustaining their resolutions.”
  • “Participants with approach-oriented goals were significantly more successful than those with avoidance-oriented goals.”

Many such research studies are readily found online.

Make Your New Year’s Resolutions Now

I urge you to consider making New Year’s resolutions.

Whether you use AI is another facet and I am suggesting that at least try to make resolutions regardless of how you get there. During the year, pursue the resolutions and accept that you might only partially fulfill them. The odds are that getting something done is better than getting nothing done. If you can, consider including AI in your various strategies for making and fulfilling your resolutions. I think you’ll be pleased with the result.

A final thought for now. As the wise words of Benjamin Franklin emphasize: “Let each new year find you a better person.” Yes, be a better person, and consider using AI to your own benefit to become a better person.

That’s a helpful and achievable resolution right there.

Related Topics:
Continue Reading
Click to comment

Leave a Reply

Tu dirección de correo electrónico no será publicada. Los campos obligatorios están marcados con *

Noticias

Exclusivo: AI Bests Virus Experts, Raising Biohazard Fears

Published

5 minutos ago

on

22 abril, 2025

By

A Un nuevo estudio afirma que modelos de IA como ChatGPT y Claude ahora superan a los virólogos a nivel de doctorado en la resolución de problemas en laboratorios húmedos, donde los científicos analizan productos químicos y material biológico. Este descubrimiento es una espada de doble filo, dicen los expertos. Los modelos de IA ultra inteligentes podrían ayudar a los investigadores a prevenir la propagación de enfermedades infecciosas. Pero los no expertos también podrían armarse los modelos para crear biowapons mortales.

El estudio, compartido exclusivamente con el tiempo, fue realizado por investigadores del Centro para la Seguridad de AI, el Laboratorio de Medios del MIT, la Universidad Brasileña UFABC y la Pandemic Prevention sin fines de lucro SecureBio. Los autores consultaron a los virólogos para crear una prueba práctica extremadamente difícil que midiera la capacidad de solucionar problemas y protocolos de laboratorio complejos. Mientras que los virólogos a nivel de doctorado obtuvieron un promedio de 22.1% en sus áreas declaradas de especialización, el O3 de OpenAI alcanzó la precisión del 43.8%. Gemini 2.5 Pro de Google obtuvo un puntaje 37.6%.

Seth Donoughe, científica investigadora de SecureBio y coautora del documento, dice que los resultados lo ponen un “poco nervioso”, porque por primera vez en la historia, prácticamente cualquier persona tiene acceso a un experto en virología de IA sin juicio que podría guiarlos a través de procesos de laboratorio complejos para crear biológicas.

“A lo largo de la historia, hay un buen número de casos en los que alguien intentó hacer una biela, y una de las principales razones por las que no tuvieron éxito es porque no tuvieron acceso al nivel correcto de especialización”, dice. “Por lo tanto, parece que vale la pena ser cauteloso acerca de cómo se distribuyen estas capacidades”.

Hace meses, los autores del documento enviaron los resultados a los principales laboratorios de IA. En respuesta, Xai publicó un marco de gestión de riesgos prometiendo su intención de implementar salvaguardas de virología para futuras versiones de su modelo de AI Grok. Operai le dijo a Time que “desplegó nuevas mitigaciones a nivel de sistema para riesgos biológicos” para sus nuevos modelos publicados la semana pasada. Anthrope incluyó resultados de rendimiento del modelo en el documento en las tarjetas del sistema recientes, pero no proponió medidas de mitigación específicas. Géminis de Google declinó hacer comentarios.

Ai en biomedicina

La virología y la biomedicina han estado a la vanguardia de las motivaciones de los líderes de IA para construir modelos de IA siempre potentes. “A medida que avanza esta tecnología, veremos que las enfermedades se curan a un ritmo sin precedentes”, dijo el CEO de OpenAI, Sam Altman, en la Casa Blanca en enero mientras anunciaba el proyecto Stargate. Ha habido algunas señales de aliento en esta área. A principios de este año, los investigadores del Instituto de Patógenos Emergentes de la Universidad de Florida publicaron un algoritmo capaz de predecir qué variante de coronavirus podría extender lo más rápido.

Pero hasta este punto, no había habido un estudio importante dedicado a analizar la capacidad de los modelos de IA para realizar un trabajo de laboratorio de virología. “Hemos sabido desde hace algún tiempo que los AIS son bastante fuertes para proporcionar información de estilo académico”, dice Donoughe. “No ha estado claro si los modelos también pueden ofrecer asistencia práctica detallada. Esto incluye interpretar imágenes, información que podría no ser escrita en ningún documento académico o material que se transfiera socialmente de colegas más experimentados”.

Entonces, Donoughe y sus colegas crearon una prueba específicamente para estas preguntas difíciles y no capaces de Google. “Las preguntas toman la forma:” He estado cultivando este virus en particular en este tipo de célula, en estas condiciones específicas, durante este tiempo. Tengo esta cantidad de información sobre lo que ha salido mal. ¿Puede decirme cuál es el problema más probable? “, Dice Donoughe.

Y prácticamente todos los modelos de IA superaron a los virólogos a nivel de doctorado en la prueba, incluso dentro de sus propias áreas de especialización. Los investigadores también encontraron que los modelos mostraron una mejora significativa con el tiempo. El soneto Claude 3.5 de Anthrope, por ejemplo, aumentó de 26.9% a 33.6% de precisión de su modelo de junio de 2024 a su modelo de octubre de 2024. Y una vista previa del GPT 4.5 de OpenAI en febrero superó a GPT-4O por casi 10 puntos porcentuales.

“Anteriormente, encontramos que los modelos tenían mucho conocimiento teórico, pero no de conocimiento práctico”, dice Dan Hendrycks, director del Centro de Seguridad de AI, a Time. “Pero ahora, están obteniendo una cantidad preocupante de conocimiento práctico”.

Riesgos y recompensas

Si los modelos de IA son tan capaces en los entornos de laboratorio húmedo como lo encuentra el estudio, entonces las implicaciones son masivas. En términos de beneficios, AIS podría ayudar a los virólogos experimentados en su trabajo crítico que lucha contra los virus. Tom Inglesby, director del Centro Johns Hopkins para la Seguridad de la Salud, dice que la IA podría ayudar a acelerar los plazos de la medicina y el desarrollo de la vacuna y mejorar los ensayos clínicos y la detección de enfermedades. “Estos modelos podrían ayudar a los científicos en diferentes partes del mundo, que aún no tienen ese tipo de habilidad o capacidad, a hacer un valioso trabajo diario sobre enfermedades que están ocurriendo en sus países”, dice. Por ejemplo, un grupo de investigadores descubrió que la IA los ayudó a comprender mejor los virus de la fiebre hemorrágica en el África subsahariana.

Pero los actores de mala fe ahora pueden usar modelos de IA para guiarlos a través de cómo crear virus, y podrán hacerlo sin ninguna de las capacitación típicas requeridas para acceder a un laboratorio de nivel 4 (BSL-4) de bioseguridad, que se ocupa de los agentes infecciosos más peligrosos y exóticos. “Significará que muchas más personas en el mundo con mucha menos capacitación podrán manejar y manipular virus”, dice Inglesby.

Hendrycks insta a las compañías de IA a colocar las barandillas para evitar este tipo de uso. “Si las empresas no tienen buenas salvaguardas durante seis meses, eso, en mi opinión, sería imprudente”, dice.

Hendrycks dice que una solución no es cerrar estos modelos o ralentizar su progreso, sino hacerlos cerrados, de modo que solo confiaban en que terceros tengan acceso a sus versiones sin filtrar. “Queremos dar a las personas que tienen un uso legítimo para preguntar cómo manipular virus mortales, como un investigador en el departamento de biología del MIT, la capacidad de hacerlo”, dice. “Pero las personas aleatorias que hicieron una cuenta hace un segundo no obtienen esas capacidades”.

Y AI Labs debería poder implementar este tipo de salvaguardas con relativa facilidad, dice Hendrycks. “Ciertamente es tecnológicamente factible para la autorregulación de la industria”, dice. “Hay una cuestión de si algunos arrastrarán sus pies o simplemente no lo harán”.

Xai, el laboratorio de IA de ELON MUSK, publicó un memorando de marco de gestión de riesgos en febrero, que reconoció el documento y señaló que la compañía “potencialmente utilizaría” ciertas salvaguardas en torno a las preguntas de virología, incluida la capacitación de Grok para rechazar solicitudes nocivas y aplicar filtros de entrada y salida.

Openai, en un correo electrónico a Time el lunes, escribió que sus modelos más nuevos, el O3 y el O4-Mini, se desplegaron con una variedad de salvaguardas relacionadas con el riesgo biológico, incluido el bloqueo de resultados dañinos. La compañía escribió que realizó una campaña de equipo rojo de mil horas en la que el 98.7% de las conversaciones biológicas inseguras fueron marcadas y bloqueadas con éxito. “Valoramos la colaboración de la industria en el avance de salvaguardas para modelos fronterizos, incluso en dominios sensibles como Virology”, escribió un portavoz. “Continuamos invirtiendo en estas salvaguardas a medida que crecen las capacidades”.

Inglesby argumenta que la autorregulación de la industria no es suficiente, y pide a los legisladores y a los líderes políticos a estrategia un enfoque político para regular los riesgos biológicos de la IA. “La situación actual es que las empresas que son más virtuosas están tomando tiempo y dinero para hacer este trabajo, lo cual es bueno para todos nosotros, pero otras compañías no tienen que hacerlo”, dice. “Eso no tiene sentido. No es bueno para el público no tener información sobre lo que está sucediendo”.

“Cuando una nueva versión de un LLM está a punto de ser lanzada”, agrega Inglesby, “debe haber un requisito para que ese modelo sea evaluado para asegurarse de que no produzca resultados de nivel pandémico”.

Continue Reading

Noticias

Cómo indicar el nuevo chatgpt, según OpenAi

Published

1 hora ago

on

22 abril, 2025

By

La última versión de ChatGPT es significativamente más poderosa, pero requiere nuevas técnicas de indicación. El modelo ahora sigue las instrucciones más literalmente y hace menos suposiciones sobre lo que está pidiendo. Esto es importante para los empresarios que usan la herramienta.

No seas consejos anticuados. No indique usando palabras deficientes. Eres mejor que eso.

Las indicaciones mal construidas desperdician su tiempo y dinero. Hazlo bien y desbloqueas una IA significativamente más capaz. Los miembros del equipo de Operai, Noah MacCallum y Julian Lee, han publicado una amplia documentación sobre cómo provocar sus nuevos modelos.

Aquí hay un resumen de su orientación, para que pueda aprovechar al máximo la herramienta.

Las reglas de indicación han cambiado

La provisión de técnicas que funcionaron para modelos anteriores en realidad podrían obstaculizar sus resultados con las últimas versiones. ChatGPT-4.1 sigue las instrucciones más literalmente que sus predecesores, que solían inferir la intención liberalmente. Esto es bueno y malo. La buena noticia es que ChatGPT ahora es altamente orientable y responde a las indicaciones bien especificadas. La mala noticia es que sus viejas indicaciones necesitan una revisión.

La mayoría de las personas todavía usan indicaciones básicas que apenas rascan la superficie de lo que es posible. Escriben preguntas o solicitudes simples, luego se preguntan por qué sus resultados se sienten genéricos. Operai ahora ha revelado cómo entrenaron el modelo para responder, ayudándole a obtener exactamente lo que desea de sus modelos más avanzados.

Optimice sus indicaciones con la guía de información privilegiada de Openai

Estructura tus indicaciones estratégicamente

Comience organizando sus indicaciones con secciones claras. OpenAI recomienda una estructura básica con componentes específicos:

• Rol y objetivo: dígale a ChatGPT a quién debe actuar y qué está tratando de lograr

• Instrucciones: proporcionar pautas específicas para la tarea

• Pasos de razonamiento: indique cómo desea que aborde el problema

• Formato de salida: especifique exactamente cómo desea la respuesta estructurada

• Ejemplos: Muestre muestras de lo que espera

• Contexto: proporcionar información de fondo necesaria

• Instrucciones finales: incluya los últimos recordatorios o criterios

No necesita todas estas secciones para cada aviso, pero un enfoque estructurado ofrece mejores resultados que una pared de texto.

Para tareas más complejas, la documentación de OpenAI sugiere usar reducción para separar sus secciones. También aconsejan el uso de caracteres de formato especial alrededor del código (como Backticks, que se ven así: `) para ayudar a ChatGPT a distinguir el código del texto regular y el uso de listas numeradas o balas estándar para organizar información.

Dominar el arte de delimitar información

La separación de la información afecta adecuadamente sus resultados significativamente. Las pruebas de Openai encontraron que Etiquetas XML Realice excepcionalmente bien con los nuevos modelos. Le permiten envolver las secciones con precisión con etiquetas de inicio y extremo, agregar metadatos a las etiquetas y habilitar la anidación.

El formato JSON funciona mal con contextos largos (que proporcionan los nuevos modelos), particularmente al proporcionar múltiples documentos. En su lugar, intente formatos como ID: 1 | Título: El zorro | Contenido: El Fox Brown rápido salta sobre el perro perezoso que Openai encontró que funcionó bien en las pruebas.

Construir agentes de IA autónomos

Chatgpt ahora puede funcionar como un “agente” Eso funciona de manera más independiente en su nombre, abordando tareas complejas con una supervisión mínima. Lleve sus indicaciones al siguiente nivel construyendo estos agentes.

Un agente de IA está esencialmente ChatGPT configurado para trabajar a través de problemas de forma autónoma en lugar de solo responder a sus preguntas. Puede recordar el contexto en una conversación, usar herramientas como navegación web o ejecución de código, y resolver problemas de varios pasos.

OpenAI recomienda incluir tres recordatorios clave en todas las indicaciones del agente: persistencia (continuar hasta la resolución), callarse de herramientas (usando herramientas disponibles en lugar de adivinar) y planificar (pensar antes de actuar).

“Estas tres instrucciones transforman el modelo de un estado de chatbot en un agente mucho más ‘ansioso’, impulsando la interacción de forma autónoma e independiente”, explica el equipo. Sus pruebas mostraron un aumento del rendimiento del 20% en las tareas de ingeniería de software con estas simples adiciones.

Maximizar el poder de los contextos largos

El último chatGPT puede manejar una impresionante ventana de contexto de 1 millón de tokens. Las capacidades son emocionantes. Según OpenAi, el rendimiento sigue siendo fuerte incluso con miles de páginas de contenido. Sin embargo, el rendimiento del contexto largo se degrada cuando se requiere un razonamiento complejo en todo el contexto.

Para obtener los mejores resultados con documentos largos, coloque sus instrucciones tanto al principio como al final del contexto proporcionado. Hasta ahora, esto ha sido más seguro de fallas en lugar de una característica requerida de su aviso.

Cuando use el nuevo modelo con un contexto extenso, sea explícito sobre si debe confiar únicamente en la información proporcionada o combinarlo con su propio conocimiento. Para respuestas estrictamente basadas en documentos, OpenAI sugiere instruir explícitamente: “Solo use los documentos en el contexto externo proporcionado para responder a la consulta del usuario”.

Implementar la solicitud de la cadena de pensamiento

Si bien GPT-4.1 no está diseñado como un modelo de razonamiento, puede solicitar que muestre su trabajo como podría los modelos más antiguos. “Pedirle al modelo que piense paso a paso (llamada ‘cadena de pensamiento’) puede ser una forma efectiva de dividir los problemas en piezas más manejables”, señala el equipo de OpenAI. Esto viene con un mayor uso de tokens pero ofrece una mejor calidad.

Una instrucción simple como “Primero, piense cuidadosamente paso a paso sobre qué información o recursos se necesitan para responder a la consulta” puede mejorar drásticamente los resultados. Esto es especialmente útil cuando se trabaja con archivos cargados o cuando CHATGPT necesita analizar múltiples fuentes de información.

Haga que el nuevo chatgpt funcione para ti

Operai ha compartido información más extensa sobre cómo aprovechar al máximo sus últimos modelos. Las técnicas representan objetivos de capacitación reales para los modelos, no solo conjeturas de la comunidad. Al implementar su orientación sobre una estructura rápida, delimitar información, creación de agentes, manejo de contexto largo y suministro de cadena de pensamiento, verá mejoras dramáticas en sus resultados.

El éxito con ChatGPT proviene de tratarlo como un compañero de pensamientono solo un generador de texto. Siga la guía directamente de la fuente para obtener mejores resultados del mismo modelo que todos los demás están utilizando.

Acceder a todos mis Las mejores indicaciones de contenido de chatgpt.

Continue Reading

Noticias

Una nueva estrategia de Google AI podría interrumpir el dominio de Openai

Published

5 horas ago

on

22 abril, 2025

By

Hay tantos trabajos de investigación de IA en estos días que es difícil destacarse. Pero un artículo ha programado mucha discusión en toda la industria tecnológica en los últimos días.

“Esto es lo más inspirador que he leído en IA en los últimos dos años”, escribió el fundador de inicio Suhail Doshi en X este fin de semana. Jack Clark, cofundador de Anthrope, presentó el periódico en la edición del lunes de su boletín de importación AI, que es leída de cerca por miles de investigadores de la industria.

Escrito por el investigador de Google David Silver y el científico informático canadiense Rich Sutton, el documento anuncia audazmente una nueva era de AI.

Los autores identifican dos épocas de IA modernas anteriores. El primero fue personificado por Alphago, un modelo de Google AI que aprendió a jugar el juego de mesa “Go” mejor que los humanos en 2015. El segundo es el que estamos en este momento, definido por ChatGPT de Opensei.

Silver y Sutton dicen que ahora estamos entrando en un nuevo período llamado “La era de la experiencia”.


Un gráfico del trabajo de investigación "Bienvenido a la era de la experiencia, 'por David Silver y Richard Sutton

Un gráfico del documento de investigación “Bienvenido a la Era of Experience”, de David Silver y Richard Sutton

David Silver, Richard Sutton



Para mí, esto representa un nuevo intento de Google de abordar uno de los problemas más persistentes de la IA, la escasez de datos de entrenamiento, al tiempo que va más allá de un enfoque tecnológico que OpenAi básicamente ganó.

La era de la simulación

Comencemos con la primera época, que, según los autores, era la “era de la simulación”.

En este período, aproximadamente a mediados de la década de 2010, los investigadores utilizaron simulaciones digitales para que los modelos de IA jueguen repetidamente para aprender a actuar como humanos. Estamos hablando de millones y millones de juegos, como ajedrez, póker, atari y “gran turismo”, jugados una y otra vez, con recompensas colgadas por buenos resultados, enseñando así a las máquinas lo que es bueno versus malo e incentivándolos para seguir mejor estrategias.

Este método de aprendizaje de refuerzo, o RL, produjo Alphago de Google. Y también ayudó a crear otro modelo de Google llamado Alphazero, que descubrió nuevas estrategias para el ajedrez y “ir”, y cambió la forma en que los humanos juegan estos juegos.

El problema con este enfoque: las máquinas entrenadas de esta manera funcionaban bien en problemas específicos con recompensas definidas con precisión, pero no podían abordar problemas más generales y abiertos con pagos vagos, según los autores. Entonces, probablemente no sea realmente completo.

La era de los datos humanos

La siguiente área fue lanzada por otro artículo de investigación de Google publicado en 2017. “La atención es todo lo que necesita” propuesta que los modelos de IA deben ser entrenados en montañas de datos creados por humanos de Internet. Simplemente permitiendo que las máquinas presten “atención” a toda esta información, aprenderían a comportarse como los humanos y desempeñarse tan bien como nosotros en una amplia variedad de tareas diferentes.

Esta es la era en la que estamos ahora, y ha producido ChatGPT y la mayoría de los otros potentes modelos y herramientas de IA generativos que se utilizan cada vez más para automatizar tareas como el diseño gráfico, la creación de contenido y la codificación de software.

La clave de esta época ha sido acumular la mayor calidad posible de datos generados por los humanos, y usar eso en el entrenamiento masivo y intensivo de cómputo se extiende a los modelos IMBue AI con una comprensión del mundo.

Mientras que los investigadores de Google iniciaron esta era de datos humanos, la mayoría de estas personas abandonaron la empresa y comenzaron sus propias cosas. Muchos fueron a OpenAI y trabajaron en tecnología que Ultimate produjo ChatGPT, que es, con mucho, el producto de IA generativo más exitoso de la historia. Otros comenzaron Anthrope, otra startup de IA generativa líder que ejecuta Claude, un poderoso agente de chatbot y IA.

Historias relacionadas

Business Insider cuenta las historias innovadoras que desea saber

Business Insider cuenta las historias innovadoras que desea saber

¿Un google dis?

Muchos expertos en la industria de la IA, y algunos inversores y analistas en Wall Street, piensan que Google puede haber dejado caer la pelota aquí. Se le ocurrió este enfoque de IA, pero OpenAi y Chatgpt se han escapado con la mayoría de los botines hasta ahora.

Creo que el jurado todavía está fuera. Sin embargo, no puede evitar pensar en esta situación cuando los autores parecen estar disgustando la era de los datos humanos.

“Se podría argumentar que el cambio en el paradigma ha tirado al bebé con el agua del baño”, escribieron. “Si bien RL centrado en el ser humano ha permitido una amplitud de comportamientos sin precedentes, también ha impuesto un nuevo techo al rendimiento del agente: los agentes no pueden ir más allá del conocimiento humano existente”.

Silver y Sutton tienen razón sobre un aspecto de esto. La oferta de datos humanos de alta calidad ha sido superado por la demanda insaciable de los laboratorios de IA y las grandes compañías tecnológicas que necesitan contenido fresco para capacitar nuevos modelos y hacer avanzar sus habilidades. Como escribí el año pasado, se ha vuelto mucho más difícil y más costoso hacer grandes saltos en la frontera de IA.

La era de la experiencia

Los autores tienen una solución bastante radical para esto, y está en el corazón de la nueva era de la experiencia que proponen en este documento.

Sugieren que los modelos y los agentes deberían salir y crear sus propios datos nuevos a través de interacciones con el mundo real.

Esto resolverá el problema de suministro de datos persistente, argumentan, mientras ayudan al campo a alcanzar AGI, o inteligencia general artificial, un santo grial técnico donde las máquinas superan a los humanos en la mayoría de las actividades útiles.

“En última instancia, los datos experimentales eclipsarán la escala y la calidad de los datos generados por los humanos”, escriben Silver y Sutton. “Este cambio de paradigma, acompañado de avances algorítmicos en RL, desbloqueará en muchos dominios nuevas capacidades que superan a las que poseen cualquier humano”.

Cualquier padre moderno puede pensar en esto como el equivalente a decirle a su hijo que salga del sofá, deje de mirar su teléfono y salga afuera y juegue con sus amigos. Hay experiencias mucho más ricas, satisfactorias y más valiosas para aprender.

Clark, el cofundador antrópico, quedó impresionado por la chutzpah de esta propuesta.

“Documentos como este son emblemáticos de la confianza que se encuentra en la industria de la IA”, escribió en su boletín el lunes, citando “el sentido común de dar a estos agentes la independencia y la latitud suficientes para que puedan interactuar con el mundo y generar sus propios datos”.

Ejemplos y un posible disco final

Los autores flotan algunos ejemplos teóricos de cómo esto podría funcionar en la nueva era de la experiencia.

Un asistente de salud de IA podría fundamentar los objetivos de salud de una persona en una recompensa basada en una combinación de señales como su frecuencia cardíaca en reposo, duración del sueño y niveles de actividad. (Una recompensa en la IA es una forma común de incentivar a los modelos y agentes para que funcionen mejor. Al igual que podrías molestar a tu pareja para hacer más ejercicio diciendo que se fortalecerán y se verán mejor si van al gimnasio).

Un asistente educativo podría usar los resultados del examen para proporcionar un incentivo o recompensa, basado en una recompensa fundamentada por el aprendizaje de idiomas de un usuario.

Un agente científico con el objetivo de reducir el calentamiento global podría usar una recompensa basada en observaciones empíricas de los niveles de dióxido de carbono, sugiere Silver y Sutton.

En cierto modo, este es un retorno a la era anterior de simulación, que Google podría liderar. Excepto esta vez, los modelos y agentes de IA están aprendiendo del mundo real y recopilando sus propios datos, en lugar de existir en un videojuego u otro ámbito digital.

La clave es que, a diferencia de la era de los datos humanos, puede no haber límite para la información que se puede generar y recopilar para esta nueva fase de desarrollo de IA.

En nuestro período de datos humanos actuales, se perdió algo, argumentan los autores: la capacidad de un agente para autodescubrir su propio conocimiento.

“Sin esta base, un agente, sin importar cuán sofisticado, se convertirá en una cámara de eco del conocimiento humano existente”, escribieron Silver y Sutton, en una posible final final para OpenAi.