femmes-hommes

Les femmes rêvent aux araignées, les hommes aux extraterrestres
Pendant que les hommes rêvent qu'ils ont des pouvoirs magiques, les femmes rêvent qu'elles sont aux prises avec des insectes, des araignées et des serpents.
S'il serait risqué de dire que les femmes sont plus rêveuses que les hommes, on peut toutefois affirmer que les rêves nocturnes les marquent davantage et qu'elles s'en souviennent plus que les hommes.
Cette différence intersexe vient de nouveau d'être confirmée par une étude qui figure sans doute en tête de liste pour le nombre de participants, soit 28 888 personnes âgées de 10 à 80 ans ! Il s'agit en fait de données recueillies sur plusieurs années, entre 1997 et 2008, à partir d'un questionnaire en ligne supervisé par Toré Nielsen, professeur au Département de psychiatrie de l'Université de Montréal et directeur du Laboratoire des rêves et cauchemars de l'Hôpital du Sacré-Coeur de Montréal.
Son étude visait à évaluer à la fois l'importance de la mémoire des rêves ainsi que la variété des thèmes oniriques selon l'âge et le sexe.
Les émotions en cause?
Les données révèlent un écart assez constant entre les femmes et les hommes pour ce qui est du souvenir des rêves tout au long de la vie. Vers 15 ans, par exemple, le nombre moyen de rêves survenus au cours du dernier mois que disent se rappeler les répondantes est de 9,5 contre 8 pour les répondants. Entre 20 et 30 ans, les femmes en rapportent 10 et les hommes 8,5.
Les travaux précédents sur le sujet avaient mis en évidence que le nombre de rêves qu'on se rappelle diminue avec l'âge tant chez les femmes que chez les hommes, mais les données de Toré Nielsen font apparaitre des détails inédits sur cette courbe. Comme les chiffres ci-dessus le montrent, "ce déclin est précédé, durant l'adolescence, d'une augmentation des rêves dont on se souvient et cette augmentation est plus forte chez les filles, souligne le professeur. Le déclin débute plus tôt chez les hommes, soit entre 30 et 40 ans, alors qu'il survient dans la quarantaine chez les femmes et il est alors plus abrupt."
Cette différence dans l'accès aux rêves ne serait pas due au fait que les femmes rêveraient plus que les hommes. "Il n'y a pas de différence dans la durée du sommeil paradoxal [principale période des rêves] entre les hommes et les femmes ou, s'il en existe une, elle n'est pas assez significative pour expliquer cet écart, dit le professeur. Il y a par ailleurs une diminution du sommeil paradoxal avec l'âge, mais là encore cette diminution est trop faible pour expliquer le déclin du souvenir des rêves dans la trentaine."
À son avis, la différence s'expliquerait plutôt par l'aspect émotif lié aux rêves. "Les rêves ont une fonction de régulation des émotions et ils jouent un rôle dans la mémoire émotive, indique-t-il. Les émotions peuvent être plus vives à l'adolescence et les systèmes neuronaux qui les engendrent présentent des différences selon le sexe."
Les femmes manifestent en outre davantage d'intérêt que les hommes pour les rêves. Cela s'observe dans la vie de tous les jours et en laboratoire, où elles sont beaucoup plus nombreuses à participer à des travaux sur le sujet. Dans la présente étude, 23 000 des 28 888 sujets sont des femmes !
Plus de contenus négatifs
L'étude a fait ressortir un autre aspect méconnu de notre vie nocturne: entre 10 et 20 ans, les jeunes hommes rapportent une plus grande variété de contenus oniriques que les femmes. Cette différence s'estompe par la suite et la diversité des thèmes s'amenuise dans la vingtaine et faiblit encore au tournant de la cinquantaine.
Cette courbe descendante va à l'encontre des résultats attendus par le chercheur, puisqu'à 30 ans on devrait avoir connu une plus grande diversité de rêves qu'à 15 ans. "Il semble que plus on vieillit, plus on oublie les thèmes de ses rêves", mentionne-t-il. Le chercheur reconnait par ailleurs qu'il peut y avoir un effet de cohorte d'âges dans les réponses au questionnaire, qui propose 56 sujets de rêves.
Des travaux antérieurs, à partir du même questionnaire rempli par des étudiants à l'université, montrent qu'être pourchassé dans ses rêves est le thème qui revient le plus souvent, peu importe le sexe. Les femmes sont toutefois plus nombreuses à se voir poursuivies, soit 83% contre 78% pour les hommes. Les rêves à contenu sexuel viennent en deuxième place mais, s'en étonnera-t-on?, ils arrivent au premier rang chez les hommes: 85% des répondants rapportent de tels rêves contre 73% des répondantes. Les rêves de chute occupent la troisième place, sans différence de sexe.
En outre, les femmes rêvent plus souvent qu'une personne vivante est morte, qu'elles échouent à un examen, qu'elles sont paralysées par la peur et elles sont plus souvent aux prises avec des insectes, des araignées et des serpents. Les hommes quant à eux sont plus nombreux à rêver qu'ils volent ou flottent dans les airs, qu'ils ont des pouvoirs magiques ou des facultés mentales supérieures, qu'ils assassinent quelqu'un, qu'ils voyagent vers d'autres planètes et rencontrent des extraterrestres !
"Les contenus négatifs sont plus fréquents chez les femmes que chez les hommes, en conclut Toré Nielsen. Cela concorde avec le fait que les femmes, surtout à l'adolescence, rapportent plus de cauchemars que les hommes."
Pour les deux sexes, c'est entre 20 et 30 ans que ces contenus négatifs sont les plus nombreux. "C'est aussi dans cette tranche d'âge que l'indice de bonheur est à son plus bas", note le chercheur. Cette corrélation tend à étayer le lien qu'il établit entre rêves et vécu émotif.

Auteur: Internet

Info: http://www.techno-science.net/?onglet=news&news=10801

[ onirisme ] [ imagination ] [ parasomnie ] [ hypnagogie ] [ hypnopomie ]

émoi

Les émotions et leurs expressions ont-elles varié à travers le temps? Exprimait-on de la même manière la joie au Moyen-Age qu’aujourd’hui? La colère et la douleur? Après leurs très remarquées Histoire du corps et Histoire de la virilité, parues au Seuil, les historiens Alain Corbin, Jean-Jacques Courtine et GV dirigent cette fois une ambitieuse et passionnante Histoire des émotions en trois volumes.

Cette somme d’articles réunit les meilleurs spécialistes mais s’adresse à un large public et se lit comme un formidable récit. Les premiers volumes paraissent aujourd’hui. Ils nous emmènent de l’Antiquité au Moyen Age, et jusqu’à la veille de la Révolution. Le troisième, qui couvrira la période moderne, est annoncé pour 2017. GV revient sur cette passionnante évolution.

- Le Temps: En vous lisant, on découvre que les émotions sont culturellement construites et varient selon les époques…

- GV : L’émotion est un phénomène central par lequel nous pouvons préciser les univers culturels et sociaux. Dans cette étude collective, nous avons traversé le temps, de la Grèce antique à l’époque contemporaine. Mais nous avons aussi cherché à dessiner une géographie de l’émotionnel au sein d’une même société. Au XVIIe siècle, par exemple, le monde populaire n’a pas le même régime émotionnel que celui de la cour… Dans l’Antiquité non plus. Prenez Sénèque. Lorsqu’il décrit l’univers émotionnel de la romanité, il dit que l’homme libre, le citoyen, maîtrise ses émotions. Ce qui est moins le cas, selon lui, de la femme, encore moins de l’esclave ou du barbare. Il établit donc une gradation entre la fermeté et la trop grande sensibilité. Il dessine une hiérarchie.

– Comment évolue la notion d’émotion à travers l’histoire?

– Le mot n’apparaît en français qu’au XVIe siècle. D’abord, on décrit essentiellement l’émotion par des caractéristiques physiques. Pour parler d’un tremblement de terre, on dira que "la Terre a reçu de l’émotion". Au XVIIe, il y a une centration sur les "humeurs corporelles" ou les "esprits". La tristesse est ainsi décrite comme le reflux des humeurs vers l’intérieur du corps. Mais bientôt on ne se satisfait plus de ces images "physiques". L’univers psychique se construit, avec ses logiques et ses spécificités…

On assiste au développement d’une délicatesse progressive, dans la seconde moitié du XVIIe siècle. L’histoire des émotions se lit aussi à travers les mots employés. "Emotion" et "passion" sont d’abord synonymes. Puis "émotion" prend la notion de "choc". Enfin, la notion de "sentiment" se crée, beaucoup plus douce, obscure et fermée.

– Est-ce que notre époque ose exprimer ses émotions?

– L’homme se montre beaucoup plus qu’auparavant susceptible d’être sensible, à l’écoute, et atteint par l’autre. C’est le propre des sociétés compassionnelles, qui sont aussi victimaires. Nous sommes en empathie. D’un autre côté, l’attention à l’autre fait que l’on reste sur sa réserve, pour ne pas le troubler. Par exemple, ceux qui ont connu l’atrocité des camps de concentration ont eu du mal à témoigner de leurs souffrances à leurs proches. On pourrait parler d’un système schizophrénique: il faut montrer sa compassion, mais si on le fait trop, on court le risque de troubler l’autre.

Le XXe siècle, de manière caricaturale, c’est une montée de l’individualisme. Le fait d’être plus centré sur soi et plus attentif sur ce qui se passe à l’intérieur de soi, avec des phénomènes qui vont jusqu’à l’hypocondrie. Notre frontière devient plus fragile, on a l’impression d’être davantage bousculé… Plus le régime émotionnel monte, plus émerge en parallèle une insécurité diffuse. Nos sociétés sécrètent davantage d’anxiété qu’auparavant.

– A quoi s’ajoute la question du terrorisme et des attentats…

– C’est très frappant: nous sommes dans des sociétés qui tolèrent de moins en moins la violence, des sociétés "douces". Si la torture devait se pratiquer, elle devrait le faire sans laisser de traces physiques. Sinon, ce serait insupportable pour l’opinion. Mais les adversaires de cette société, que font-ils pour créer de la panique, de l’inquiétude? Ils montrent la violence, ils la multiplient sur les écrans. C’est un paradoxe. Nous voulons effacer la violence, mais nos ennemis la mettent en scène. Autre paradoxe, le terroriste, s’il entend incarner la terreur, ne doit pas afficher de sentiments. Il ne doit pas montrer qu’il peut être atteint, qu’il peut avoir peur. Cela soulève aussi la question du trauma, très importante aujourd’hui. Comment l’émotion peut voyager à l’intérieur de nous-même pour créer de la subversion. Notre époque s’en méfie.

– Si on ressent de plus en plus à l’époque moderne, il faut aussi apprendre à cacher ses émotions pour réussir…

– A l’époque de la royauté, la cour en est un magnifique exemple. Pour vous imposer dans ce système, il faut à tout prix cacher ce que vous éprouvez. Il faut conduire des tactiques du secret. La modernité crée cela. On ne montre pas, on calcule. Les vieux barons du Moyen Age n’y auraient rien compris. A leur époque, on devait manifester la douleur, les émotions, de manière violente.

– Justement, l’expression de la colère a-t-elle varié à travers les âges?

– Dans l’Antiquité et au Moyen Age, le pouvoir pouvait parfaitement exprimer sa colère de manière abrupte, tranchée, en l’imposant à autrui. Mais le pouvoir d’une société démocratique ne peut pas être colérique. Il doit négocier, car la colère apparaît comme la manifestation d’une non-maîtrise. De manière plus générale, on assiste à une stigmatisation plus aiguë de tout ce qui peut apparaître comme un débordement. La psychanalyse est passée par là. Tout ce qui fait émerger un inconscient perturbateur est considéré comme peu acceptable. Il faut être "cool". Une forme de maîtrise faite de sérénité, pas de rigidité.

– Qu’en est-il de l’expression du plaisir et de la jouissance?

– La première position chrétienne consiste à adopter une attitude très réservée vis-à-vis du plaisir. Se laisser aller à l’amour terrestre, c’est oublier l’amour divin. Mais, après Saint-Augustin, l’amour pour Dieu devient plus sensible. A la Renaissance, les poètes invitent à vivre les joies de l’instant, souvenez-vous de Ronsard. La modernité est en germe. Elle se traduira par le triomphe du présent et de la jouissance qu’il peut comporter. Aujourd’hui, la publicité en témoigne. Pour vendre un déodorant, on nous montre une femme qui exulte et danse sur une table, dans des gestes toujours harmonieux, mais exprimant un bonheur intense.

– Sur quels documents se base-t-on pour dresser une histoire des émotions?

– Sur toutes les représentations des émotions à travers l’art, la statuaire ou la peinture. Mais les textes littéraires sont également très importants. Les mémoires et les correspondances aussi, je pense aux lettres de Madame de Sévigné, qui mettent en scène de manière inusitée l’amour filial. La littérature médicale, quant à elle, nous apprend beaucoup sur la façon dont on prend en compte les tempéraments, pensez à la mélancolie. Enfin, la littérature juridique, sur le viol notamment, permet de définir le statut de la victime, la reconnaissance ou non de son émotion.

Pour l’Antiquité et le Haut Moyen Age, les traces laissées dans les tombes sont éclairantes. Nous publions un article de Bruno Dumézil, qui rappelle que l’on a retrouvé un instrument de musique dans la tombe d’un guerrier barbare. C’est le signe d’une sensibilité, qui va à l’encontre des idées reçues. Mais il est très difficile de coller au plus près de l’émotion ressentie. Nous travaillons sur les traces, les vestiges, les indices… Nous devons rester prudents. 

Auteur: Vigarello Georges

Info: Sur Letemps.ch. oct 2016. Interview de Julien Burri. A propos d'Histoire des émotions, vol 1. "De l’Antiquité aux Lumières", 552 p.; vol 2. "Des Lumières à la fin du XIXe siècle", 480 p. sous la direction d’Alain Corbin, Jean-Jacques Courtine, GV, Seuil.

[ larmes ] [ rapports humains ] [ pathos diachronique ] [ apparences ]

oligarchie terrestre

Pourquoi les globalistes sont si obsédés par l'intelligence artificielle.
Il est presque impossible aujourd'hui de parcourir les nouvelles du Web ou les médias populaires sans être assailli par de vastes quantités de propagande sur l'intelligence artificielle (IA). C'est peut-être pour mettre fin à toutes les modes, car elle est censée englober presque tous les aspects de l'existence humaine, de l'économie et la sécurité à la philosophie et à l'art. Selon les affirmations courantes, l'IA peut faire presque tout et le faire mieux que n'importe quel être humain. Et, les choses que l'IA ne peut pas faire, elle sera capable de les faire un jour ou l'autre.

Chaque fois que l'establishment tente de saturer les médias avec un récit particulier, c'est habituellement pour manipuler la perception du public afin de produire une prophétie qui s'accomplit. En d'autres termes, ils espèrent façonner la réalité en racontant un mensonge particulier si souvent qu'au fil du temps il est accepté par les masses comme un fait. Ils le font avec l'idée que la mondialisation est inévitable, que la science du changement climatique est "indéniable" et que l'IA est une nécessité technologique.

Les mondialistes ont longtemps considéré l'IA comme une sorte de Saint-Graal dans la technologie de centralisation. Les Nations Unies ont adopté de nombreuses positions et même des sommets sur la question, dont le sommet "AI For Good" à Genève. L'ONU insinue que son intérêt premier dans l'IA est la réglementation ou l'observation de la façon dont elle est exploitée, mais l'ONU a aussi des objectifs clairs pour utiliser l'IA à son avantage. L'utilisation de l'IA comme moyen de surveiller les données de masse pour mieux instituer le " développement durable " est clairement inscrite à l'ordre du jour de l'ONU.

Le FMI est également au courant de la tendance de l'IA, en tenant des discussions mondiales sur l'utilisation de l'IA en économie ainsi que sur les effets des algorithmes sur l'analyse économique.

La principale source de développement de l'IA est depuis longtemps le DARPA. Le groupe de réflexion militaire et mondialiste injecte des milliards de dollars dans la technologie, ce qui fait de l'IA l'objectif sous-jacent de la plupart des travaux du DARPA. Elle n'est pas seulement à l'ordre du jour des mondialistes ; elle est essentiellement le fer de lance de la création et de la promotion de l'intelligence artificielle.

Cependant ce désir mondialiste pour la technologie n'est pas aussi simple que certains pourraient le supposer. Ils i a des raisons stratégiques, mais aussi religieuses pour placer l'IA sur un piédestal idéologique. Mais d'abord il faut s'attaquer à l'évidence.

Dans la plupart des livres blancs rédigés par des institutions mondialistes sur l'IA, l'accent est mis sur la collecte de données de masse et la surveillance. Les élites prennent soin de toujours affirmer que leurs intérêts sont axés sur le bien public. C'est pourquoi l'ONU et d'autres organismes soutiennent qu'ils devraient être les chefs de file en matière de surveillance de la collecte massive de données. C'est-à-dire qu'ils veulent nous faire croire qu'ils sont suffisamment objectifs et dignes de confiance pour gérer les règles de surveillance des données ou pour gérer les données elles-mêmes.

Pour la sécurité du public, les mondialistes veulent une gestion centralisée de toutes les collectes de données, ostensiblement pour nous sauver de ces mauvaises entreprises et de leur invasion de la confidentialité des données. Bien sûr, la plupart de ces entreprises sont également dirigées par des mondialistes qui remplissent les livres d'or d'événements comme le Forum économique mondial pour discuter des progrès et des avantages de l'IA. Le WEF s'est donné pour mandat de promouvoir largement l'IA et de convaincre le monde des affaires et le grand public des avantages de l'IA. Il faut prévenir les préjugés contre les IA....

Il s'agit donc d'un autre faux paradigme par lequel les institutions mondialistes s'opposent aux corporations pour ce qui est de l'utilisation de l'intelligence artificielle. Pourtant, les entreprises et les institutions mondialistes développent tous l''AI et un sentiment pro AI. Le public, avec sa méfiance innée à l'égard de la boussole morale des multinationales, est censé être convaincu pour soutenir les réformes réglementaires de l'ONU comme contrepoids. Mais en réalité, les entreprises n'ont pas l'intention de lutter contre le contrôle de l'ONU, elles finissent par s'en réjouir.

C'était le but depuis le début.

L'efficacité réelle de l'IA en tant que moyen d'aider l'humanité est discutable. L'intelligence artificielle concerne principalement les "algorithmes d'apprentissage", c'est-à-dire les machines programmées pour apprendre par l'expérience. Le problème est qu'un algorithme d'apprentissage n'est aussi efficace que les êtres humains qui le programment. Autrement dit, l'apprentissage n'est pas toujours un processus de cause à effet. Parfois, l'apprentissage est une révélation spontanée. L'apprentissage est créatif. Et, dans certains cas, l'apprentissage est inné.

Lorsqu'une machine est dressée contre un humain dans un système construit sur des règles très simples et concrètes, les machines ont tendance à prévaloir. Une partie d'échecs, par exemple, est conçue autour de règles strictes qui ne changent jamais. Un pion est toujours un pion et se déplace toujours comme un pion ; un chevalier se déplace toujours comme un chevalier. Tandis qu'il peut y avoir des moments de créativité dans les échecs (c'est pourquoi les humains sont encore capables à l'occasion de battre les ordinateurs au jeu), l'existence de règles rend l'IA plus intelligente qu'elle ne l'est.

Les systèmes humains et les systèmes naturels sont infiniment plus compliqués que les échecs, et les règles ont tendance à changer, parfois sans avertissement. Comme la physique quantique le découvre souvent, la seule chose prévisible quand on observe l'univers et la nature est que tout est imprévisible. Comment un algorithme ferait-il dans une partie d'échecs où un pion pourrait soudainement évoluer pour se déplacer comme un chevalier, sans aucun schéma prévisible spécifique ? Pas très bien, on dirait.
Et c'est là que nous entrons dans le cœur de la façon dont l'image de l'IA est gonflée en une sorte de dieu électronique à demi-crétin ; une fausse prophétie.

L'IA est insérée non seulement dans les échecs, mais dans tout. La surveillance de masse est impossible à gérer par les humains seuls ; la quantité de données est écrasante. Ainsi, l'un des objectifs fondamentaux de l'IA pour les mondialistes devient clair - l'IA est destinée à rationaliser la surveillance de masse et à l'automatiser. L'IA a pour but de parcourir les médias sociaux ou le courrier électronique à la recherche de "mots clés" pour identifier les mécréants et les opposants potentiels. Elle vise également à surveiller l'opinion du public à l'égard de questions ou de gouvernements particuliers. L'objectif est de mesurer et éventuellement "prédire" le comportement du public.

Cela devient plus difficile lorsqu'on commence à parler d'individus. Bien que les groupes soient plus faciles à observer et à cartographier dans leur comportement, les individus peuvent être abrupts, volatils et imprévisibles. La cartographie des habitudes personnelles par l'IA est également importante aujourd'hui. Elle est plus visible dans le monde de l'entreprise où le marketing est adapté aux habitudes et aux intérêts des consommateurs individuels. Cela dit, les gouvernements sont aussi très intéressés à suivre les habitudes individuelles au point de créer des profils psychologiques pour chaque personne sur la planète si possible.

Tout cela se résume à l'idée qu'un jour, l'IA sera capable d'identifier les criminels avant même qu'ils ne commettent un crime réel. En d'autres termes, l'intelligence artificielle est censée devenir un machin "qui voit tout" qui non seulement surveille notre comportement, mais aussi qui lit dans nos esprits comme une force d'identification pré-crime.

La question n'est pas de savoir si AI peut réellement nous dire qui est un futur criminel. L'IA est manifestement incapable de prédire avec précision le comportement d'une personne à un tel degré. La question est de savoir si l'OMS est en train d'établir les normes que l'IA recherche lorsqu'il s'agit d'identifier des "criminels" potentiels ? Qui fixe les règles du jeu d'échecs ? Si un algorithme est programmé par un globaliste, alors l'IA qualifiera les antimondialistes de criminels futurs ou actuels. L'AI ne pense pas vraiment. Elle n'exerce pas le pouvoir de choisir dans ses décisions. L'IA fait ce qu'elle est programmée pour faire.

L'obsession mondialiste pour l'IA, cependant, va bien au-delà de la centralisation et du contrôle des populations. Comme nous l'avons déjà mentionné, il y a un facteur religieux.

Dans mon récent article 'Luciferianism : A Secular Look At A Destructive Belief System', j'ai esquissé la philosophie fondamentale derrière le culte mondialiste. Le premier principe du luciférianisme est l'idée (ou l'illusion) que certaines personnes spéciales ont la capacité de devenir des "dieux". Mais, il y a certaines conséquences de cette croyance que je n'ai pas explorées dans cet article.

Premièrement, pour devenir un dieu, il faudrait avoir un pouvoir d'observation total. Ce qui veut dire qu'il faudrait être capable de tout voir et de tout savoir. Un tel but est insensé, car tout observer ne signifie pas nécessairement qu'une personne sait tout. L'observation totale exigerait une objectivité totale. La partialité aveugle les gens à la vérité devant leurs yeux tout le temps, et les mondialistes sont parmi les gens les plus partiaux et les plus élitistes de la planète.

L'observation totalement objective est impossible, du moins pour les humains et les algorithmes qu'ils programment. De la physique à la psychologie, l'observateur affecte toujours l'observé et vice versa. Ceci dit, je pense que les mondialistes ne se soucient pas vraiment de cette réalité. Il leur suffit de se faire passer pour des dieux par la surveillance de masse. Ils ne sont pas réellement intéressés à atteindre l'illumination ou l'objectivité divine.

Deuxièmement, pour devenir un dieu, dans un sens mythologique ou biblique, il faudrait créer une vie intelligente à partir de rien. Je crois que dans l'esprit des lucifériens, la création de l'IA est la création d'une forme de vie intelligente, plutôt qu'un logiciel. Bien sûr, les lucifériens ont une notion trouble de ce qui constitue une "vie intelligente".

Comme je l'ai examiné dans mon article qui décompose et démystifie l'idéologie luciférienne, l'existence d'archétypes psychologiques inhérents constitue la base de la capacité humaine pour choisir ou être créatif dans ses choix. L'existence d'une compréhension inhérente du bien et du mal établit le fondement de la conscience humaine et de la boussole morale - l'"âme" si vous voulez. Les lucifériens argumentent en dépit de nombreuses preuves que rien de tout cela n'existe réellement. Ils soutiennent que les humains sont des ardoises vierges - des machines qui sont programmées par leur environnement.

Pour comprendre cette idéologie ou ce culte fondé sur la théorie de l'ardoise blanche, il faut tenir compte du fait que les mondialistes présentent souvent les traits des sociopathes narcissiques. Les sociopathes narcissiques à part entière représentent moins de 1% de la population humaine totale ; ce sont des personnes qui n'ont aucune empathie inhérente ou qui n'ont pas les outils de personnalité normaux que nous associerions à l'humanité. Il ne sera pas exagéré de dire que ces personnes ressemblent plus à des robots qu'à des personnes.

J'ai également théorisé que le luciférianisme est une religion conçue par des sociopathes narcissiques pour des sociopathes narcissiques. C'est une sorte d'outil de liaison ou d'organisation pour rassembler les sociopathes en un groupe efficace pour un bénéfice mutuel - un club de parasites. Si cette théorie est vraie, alors elle représente quelque chose qui est rarement ou jamais traité dans l'observation psychologique ou anthropologique dominante ; l'existence d'une cabale de sociopathes narcissiques conspirant ensemble pour cacher leur identité et pour devenir des prédateurs plus efficaces.

En résumé, le luciférianisme est le système de croyances parfait pour les sociopathes narcissiques. Ils sont, d'une certaine façon, inhumains. Ce sont des ardoises vierges dépourvues d'humanité, et ils adoptent donc une religion qui traite cette notion comme "normale".

Il est donc logique qu'ils considèrent une chose aussi simple et vide que l'IA comme une vie intelligente. Tant qu'elle peut être programmée pour agir "de manière autonome" (ce qu'ils semblent considérer comme de la sensibilité), leur définition de la vie intelligente est exaucée. Il n'y a rien d'intelligent dans l'intelligence artificielle lorsqu'il s'agit d'actions morales ou créatives, mais les sociopathes narcissiques n'en ont de toute façon aucune idée.

Je laisse aux lecteurs le soin de réfléchir à cette question ; l'année dernière, un programme d'IA s'est vu confier la tâche de créer ses propres œuvres d'art. Les résultats ont fait l'objet d'une grande publicité et une partie de cette œuvre a été vendue pour plus de 400 000 $. Je vous invite à regarder cette oeuvre d'art si vous ne l'avez pas déjà vue.

D'après ce que j'ai vu, devant cet "art" les gens reculent d'horreur. Cela ressemble à une étrange parodie d'éléments humains sans âme. Intuitivement, nous comprenons que l'IA n'est pas la vie ; mais pour les mondialistes, c'est la définition même de la vie, probablement parce que l'absence d'âme dans la création reflète l'absence d'âme des créateurs. Tout comme les chrétiens croient que l'humanité a été faite à l'image de Dieu, les lucifériens, dans leur quête de la divinité, ont créé une "forme de vie" qui est peut-être, ironiquement, comme eux.

Auteur: Smith Brandon

Info: http://www.alt-market.com, 1 mars 2019

[ big brother ]

intelligence artificielle

Apprendre l'anglais n'est pas une tâche facile, comme le savent d'innombrables étudiants. Mais lorsque l'étudiant est un ordinateur, une approche fonctionne étonnamment bien : Il suffit d'alimenter un modèle mathématique géant, appelé réseau neuronal, avec des montagnes de textes provenant d'Internet. C'est le principe de fonctionnement des modèles linguistiques génératifs tels que ChatGPT d'OpenAI, dont la capacité à tenir une conversation cohérente (à défaut d'être toujours sincère) sur un large éventail de sujets a surpris les chercheurs et le public au cours de l'année écoulée.

Mais cette approche présente des inconvénients. D'une part, la procédure de "formation" nécessaire pour transformer de vastes archives textuelles en modèles linguistiques de pointe est coûteuse et prend beaucoup de temps. D'autre part, même les personnes qui forment les grands modèles linguistiques ont du mal à comprendre leur fonctionnement interne, ce qui, à son tour, rend difficile la prévision des nombreuses façons dont ils peuvent échouer.

Face à ces difficultés, certains chercheurs ont choisi d'entraîner des modèles plus petits sur des ensembles de données plus restreints, puis d'étudier leur comportement. "C'est comme le séquençage du génome de la drosophile par rapport au séquençage du génome humain", explique Ellie Pavlick, chercheuse sur les modèles de langage à l'université de Brown.

Dans un article récemment publié sur le serveur scientifique arxiv.org, deux chercheurs de Microsoft ont présenté une nouvelle méthode pour former de minuscules modèles de langage : Les élever avec un régime strict d'histoires pour enfants.

RÉSEAUX NEURONAUX

Des chercheurs acquièrent une nouvelle compréhension à partir d'une simple IA  

Les chercheurs en apprentissage automatique ont compris cette leçon. GPT-3.5, le grand modèle linguistique qui alimente l'interface ChatGPT, compte près de 200 milliards de paramètres et a été entraîné sur un ensemble de données comprenant des centaines de milliards de mots (OpenAI n'a pas publié les chiffres correspondants pour son successeur, GPT-4).  L'entraînement de modèles aussi vastes nécessite généralement au moins 1 000 processeurs spécialisés, appelés GPU, fonctionnant en parallèle pendant des semaines. Seules quelques entreprises peuvent réunir les ressources nécessaires, sans parler de l'entraînement et de la comparaison de différents modèles.

Les deux chercheurs ont montré que des modèles linguistiques des milliers de fois plus petits que les systèmes de pointe actuels apprenaient rapidement à raconter des histoires cohérentes et grammaticalement justes lorsqu'ils étaient formés de cette manière. Leurs résultats indiquent de nouvelles pistes de recherche qui pourraient être utiles pour former des modèles plus importants et comprendre leur comportement.

"J'ai trouvé tout  ça très instructif", a déclaré Chandra Bhagavatula, chercheur sur les modèles de langage à l'Allen Institute for Artificial Intelligence de Seattle. "Le concept lui-même est très intéressant.

Il était une fois

Les réseaux neuronaux au cœur des modèles de langage sont des structures mathématiques vaguement inspirées du cerveau humain. Chacun d'entre eux contient de nombreux neurones artificiels disposés en couches, avec des connexions entre les neurones des couches adjacentes. Le comportement du réseau neuronal est régi par la force de ces connexions, appelées paramètres. Dans un modèle linguistique, les paramètres contrôlent les mots que le modèle peut produire ensuite, compte tenu d'une invite initiale et des mots qu'il a déjà générés.

Un modèle ne prend véritablement vie qu'au cours de la formation, lorsqu'il compare de manière répétée ses propres résultats au texte de son ensemble de données de formation et qu'il ajuste ses paramètres afin d'accroître la ressemblance. Un réseau non entraîné avec des paramètres aléatoires est trivialement facile à assembler à partir de quelques lignes de code, mais il ne produira que du charabia. Après l'entraînement, il peut souvent poursuivre de manière plausible un texte peu familier. Les modèles de plus grande taille sont souvent soumis à des réglages plus fins qui leur apprennent à répondre à des questions et à suivre des instructions, mais l'essentiel de la formation consiste à maîtriser la prédiction des mots.

Pour réussir à prédire des mots, un modèle linguistique doit maîtriser de nombreuses compétences différentes. Par exemple, les règles de la grammaire anglaise suggèrent que le mot suivant le mot "going" sera probablement "to", quel que soit le sujet du texte. En outre, un système a besoin de connaissances factuelles pour compléter "la capitale de la France est", et compléter un passage contenant le mot "not" nécessite une connaissance rudimentaire de la logique.

"Le langage brut est très compliqué", explique Timothy Nguyen, chercheur en apprentissage automatique chez DeepMind. "Pour que des capacités linguistiques intéressantes apparaissent, les gens ont eu recours à l'idée que plus il y a de données, mieux c'est".

(photo) Ronen Eldan s'est rendu compte qu'il pouvait utiliser les histoires d'enfants générées par de grands modèles linguistiques pour en entraîner rapidement de plus petits.

Introduction

Ronen Eldan, mathématicien qui a rejoint Microsoft Research en 2022 pour étudier les modèles de langage génératifs, souhaitait développer un moyen moins coûteux et plus rapide d'explorer leurs capacités. Le moyen naturel d'y parvenir était d'utiliser un petit ensemble de données, ce qui signifiait qu'il devait entraîner les modèles à se spécialiser dans une tâche spécifique, afin qu'ils ne s'éparpillent pas. Au départ, il voulait entraîner les modèles à résoudre une certaine catégorie de problèmes mathématiques, mais un après-midi, après avoir passé du temps avec sa fille de 5 ans, il s'est rendu compte que les histoires pour enfants convenaient parfaitement. "L'idée m'est venue littéralement après lui avoir lu une histoire", a-t-il déclaré.

Pour générer des histoires cohérentes pour les enfants, un modèle de langage devrait apprendre des faits sur le monde, suivre les personnages et les événements, et observer les règles de grammaire - des versions plus simples des défis auxquels sont confrontés les grands modèles. Mais les grands modèles formés sur des ensembles de données massives apprennent d'innombrables détails non pertinents en même temps que les règles qui comptent vraiment. Eldan espérait que la brièveté et le vocabulaire limité des histoires pour enfants rendraient l'apprentissage plus gérable pour les petits modèles, ce qui les rendrait à la fois plus faciles à former et plus faciles à comprendre.

Dans le monde des modèles de langage, cependant, le terme "petit" est relatif : Un ensemble de données mille fois plus petit que celui utilisé pour former GPT-3.5 devrait encore contenir des millions d'histoires. "Je ne sais pas combien d'argent vous voulez dépenser, mais je suppose que vous n'allez pas engager des professionnels pour écrire quelques millions de nouvelles", a déclaré M. Nguyen.

Il faudrait un auteur extraordinairement prolifique pour satisfaire des lecteurs aussi voraces, mais Eldan avait quelques candidats en tête. Qui peut mieux écrire pour un public de petits modèles linguistiques que pour de grands modèles ?

Toys stories

Eldan a immédiatement entrepris de créer une bibliothèque d'histoires synthétiques pour enfants générées par de grands modèles linguistiques. Mais il a rapidement découvert que même les modèles de pointe ne sont pas naturellement très créatifs. Si l'on demande à GPT-4 d'écrire des histoires adaptées à des enfants de 4 ans, explique Eldan, "environ un cinquième des histoires concernera des enfants qui vont au parc et qui ont peur des toboggans". C'est apparemment la quintessence des histoires pour enfants d'âge préscolaire, selon l'Internet.

La solution a consisté à ajouter un peu d'aléatoire dans le message. Tout d'abord, Eldan a utilisé le GPT-4 pour générer une liste de 1 500 noms, verbes et adjectifs qu'un enfant de 4 ans pourrait connaître - suffisamment courte pour qu'il puisse facilement la vérifier lui-même. Il a ensuite écrit un programme informatique simple qui demanderait à plusieurs reprises à GPT-3.5 ou à GPT-4 de générer une histoire adaptée à l'âge de l'enfant, comprenant trois mots aléatoires de la liste, ainsi qu'un détail supplémentaire choisi au hasard, comme une fin heureuse ou un rebondissement de l'intrigue. Les histoires obtenues, heureusement, étaient moins axées sur des diapositives effrayantes.

Eldan disposait désormais d'une procédure pour produire des données de formation à la demande, mais il n'avait aucune idée du nombre d'histoires dont il aurait besoin pour former un modèle fonctionnel, ni de la taille de ce modèle. C'est alors qu'il s'est associé à Yuanzhi Li, chercheur en apprentissage automatique chez Microsoft et à l'université Carnegie Mellon, pour essayer différentes possibilités, en tirant parti du fait que les petits modèles peuvent être formés très rapidement. La première étape consistait à décider comment évaluer leurs modèles.

Introduction

Dans la recherche sur les modèles de langage - comme dans toute salle de classe - la notation est un sujet délicat. Il n'existe pas de rubrique parfaite qui englobe tout ce que les chercheurs veulent savoir, et les modèles qui excellent dans certaines tâches échouent souvent de manière spectaculaire dans d'autres. Au fil du temps, les chercheurs ont mis au point divers critères de référence standard basés sur des questions dont les réponses ne sont pas ambiguës, ce qui est une bonne approche si vous essayez d'évaluer des compétences spécifiques. Mais Eldan et Li se sont intéressés à quelque chose de plus nébuleux : quelle doit être la taille réelle des modèles linguistiques si l'on simplifie le langage autant que possible ?

"Pour vérifier directement si le modèle parle anglais, je pense que la seule chose à faire est de laisser le modèle générer de l'anglais de manière ouverte", a déclaré M. Eldan.

Il n'y a que deux façons de mesurer les performances d'un modèle sur des questions aussi qualitatives : S'appuyer sur des évaluateurs humains ou se tourner à nouveau vers le GPT-4. Les deux chercheurs ont opté pour cette dernière solution, laissant les grands modèles à la fois rédiger les manuels et noter les dissertations.

Bhagavatula a déclaré qu'il aurait aimé voir comment les évaluations de GPT-4 se comparaient à celles des correcteurs humains - GPT-4 peut être biaisé en faveur des modèles qu'il a aidé à former, et l'opacité des modèles de langage rend difficile la quantification de tels biais. Mais il ne pense pas que de telles subtilités affecteraient les comparaisons entre différents modèles formés sur des ensembles similaires d'histoires synthétiques - l'objectif principal du travail d'Eldan et Li.

Eldan et Li ont utilisé une procédure en deux étapes pour évaluer chacun de leurs petits modèles après la formation. Tout d'abord, ils ont présenté au petit modèle la première moitié d'une histoire distincte de celles de l'ensemble des données d'apprentissage, de manière à ce qu'il génère une nouvelle fin, en répétant ce processus avec 50 histoires de test différentes. Ensuite, ils ont demandé à GPT-4 d'évaluer chacune des fins du petit modèle en fonction de trois catégories : créativité, grammaire et cohérence avec le début de l'histoire. Ils ont ensuite fait la moyenne des notes obtenues dans chaque catégorie, obtenant ainsi trois notes finales par modèle.

Avec cette procédure en main, Eldan et Li étaient enfin prêts à comparer les différents modèles et à découvrir quels étaient les étudiants les plus brillants.

Résultats des tests

Après quelques explorations préliminaires, les deux chercheurs ont opté pour un ensemble de données de formation contenant environ 2 millions d'histoires. Ils ont ensuite utilisé cet ensemble de données, baptisé TinyStories, pour entraîner des modèles dont la taille varie de 1 million à 30 millions de paramètres, avec un nombre variable de couches. Le travail a été rapide : En utilisant seulement quatre GPU, l'entraînement du plus grand de ces modèles n'a pas pris plus d'une journée.

Les plus petits modèles ont eu du mal. Par exemple, l'une des histoires testées commence par un homme à l'air méchant qui dit à une fille qu'il va lui prendre son chat. Un modèle à un million de paramètres s'est retrouvé bloqué dans une boucle où la fille répète sans cesse à l'homme qu'elle veut être son amie. Mais les modèles plus grands, qui sont encore des milliers de fois plus petits que GPT-3.5, ont obtenu des résultats surprenants. La version à 28 millions de paramètres racontait une histoire cohérente, même si la fin était sinistre : "Katie s'est mise à pleurer, mais l'homme s'en fichait. Il a emporté le chat et Katie n'a plus jamais revu son chat. Fin de l'histoire".

En plus de tester leurs propres modèles, Eldan et Li ont soumis le même défi au GPT-2 d'OpenAI, un modèle de 1,5 milliard de paramètres publié en 2019. Le résultat a été bien pire - avant la fin abrupte de l'histoire, l'homme menace d'emmener la jeune fille au tribunal, en prison, à l'hôpital, à la morgue et enfin au crématorium.

Introduction

Selon M. Nguyen, il est passionnant que des modèles aussi petits soient aussi fluides, mais il n'est peut-être pas surprenant que GPT-2 ait eu du mal à accomplir la tâche : il s'agit d'un modèle plus grand, mais loin de l'état de l'art, et il a été formé sur un ensemble de données très différent. "Un enfant en bas âge qui ne s'entraînerait qu'à des tâches d'enfant en bas âge, comme jouer avec des jouets, obtiendrait de meilleurs résultats que vous ou moi", a-t-il fait remarquer. "Nous ne nous sommes pas spécialisés dans cette chose simple.

Les comparaisons entre les différents modèles de TinyStories ne souffrent pas des mêmes facteurs de confusion. Eldan et Li ont observé que les réseaux comportant moins de couches mais plus de neurones par couche étaient plus performants pour répondre aux questions nécessitant des connaissances factuelles ; inversement, les réseaux comportant plus de couches et moins de neurones par couche étaient plus performants pour garder en mémoire les personnages et les points de l'intrigue situés plus tôt dans l'histoire. Bhagavatula a trouvé ce résultat particulièrement intriguant. S'il peut être reproduit dans des modèles plus vastes, "ce serait un résultat vraiment intéressant qui pourrait découler de ce travail", a-t-il déclaré.

Eldan et Li ont également étudié comment les capacités de leurs petits modèles dépendaient de la durée de la période de formation. Dans tous les cas, les modèles maîtrisaient d'abord la grammaire, puis la cohérence. Pour Eldan, ce schéma illustre comment les différences dans les structures de récompense entraînent des différences dans les schémas d'acquisition du langage entre les réseaux neuronaux et les enfants. Pour les modèles de langage, qui apprennent en prédisant des mots, "l'incitation pour les mots "je veux avoir" est aussi importante que pour les mots "crème glacée"", a-t-il déclaré. Les enfants, en revanche, "ne se soucient pas de savoir s'ils disent 'j'aimerais avoir de la glace' ou simplement 'glace, glace, glace'".

Qualité contre quantité

Eldan et Li espèrent que cette étude incitera d'autres chercheurs à entraîner différents modèles sur l'ensemble des données de TinyStories et à comparer leurs capacités. Mais il est souvent difficile de prédire quelles caractéristiques des petits modèles apparaîtront également dans les plus grands.

"Peut-être que les modèles de vision chez la souris sont de très bons substituts de la vision humaine, mais les modèles de dépression chez la souris sont-ils de bons modèles de la dépression chez l'homme ? a déclaré M. Pavlick. "Pour chaque cas, c'est un peu différent.

Le succès des modèles TinyStories suggère également une leçon plus large. L'approche standard pour compiler des ensembles de données de formation consiste à aspirer des textes sur l'internet, puis à filtrer les déchets. Le texte synthétique généré par des modèles de grande taille pourrait constituer une autre façon d'assembler des ensembles de données de haute qualité qui n'auraient pas besoin d'être aussi volumineux.

"Nous avons de plus en plus de preuves que cette méthode est très efficace, non seulement pour les modèles de la taille de TinyStories, mais aussi pour les modèles plus importants", a déclaré M. Eldan. Ces preuves proviennent d'une paire d'articles de suivi sur les modèles à un milliard de paramètres, rédigés par Eldan, Li et d'autres chercheurs de Microsoft. Dans le premier article, ils ont entraîné un modèle à apprendre le langage de programmation Python en utilisant des extraits de code générés par GPT-3.5 ainsi que du code soigneusement sélectionné sur l'internet. Dans le second, ils ont complété l'ensemble de données d'entraînement par des "manuels" synthétiques couvrant un large éventail de sujets, afin d'entraîner un modèle linguistique à usage général. Lors de leurs tests, les deux modèles ont été comparés favorablement à des modèles plus importants formés sur des ensembles de données plus vastes. Mais l'évaluation des modèles linguistiques est toujours délicate, et l'approche des données d'entraînement synthétiques n'en est qu'à ses balbutiements - d'autres tests indépendants sont nécessaires.

Alors que les modèles linguistiques de pointe deviennent de plus en plus volumineux, les résultats surprenants de leurs petits cousins nous rappellent qu'il y a encore beaucoup de choses que nous ne comprenons pas, même pour les modèles les plus simples. M. Nguyen s'attend à ce que de nombreux autres articles explorent l'approche inaugurée par TinyStories.

"La question est de savoir où et pourquoi la taille a de l'importance", a-t-il déclaré. "Il devrait y avoir une science à ce sujet, et cet article est, je l'espère, le début d'une riche histoire.



 



 

Auteur: Internet

Info: https://www.quantamagazine.org/ Ben Brubaker, 5 octobre 2023

[ synthèse ]