跳到正文
11月13日周五
11月11日周三
11月6日周五
  1. Anthropic Research68

    AI 如何构建、约束并解释科学模型

    Anthropic Research 介绍 AI 参与科学建模的三个步骤:构建模型、用数据约束参数,以及解释模型对真实系统的含义。文章重点讨论 simulation-based inference 和基于 LLM 的智能体如何生成并筛选一组候选模型,而非只给出单一拟合结果。作者认为,保留模型分布、失败的替代方案和数据未约束部分,才有助于形成可解释的科学理解。

    推荐理由:文章以 Hodgkin-Huxley 模型为例,拆解 AI 科学建模的构建、参数约束与解释过程,并说明为何保留候选模型分布有助于区分数据支持与未知部分。

10月12日周一
  1. Andrej Karpathy64

    Andrej Karpathy:不同使用层级正拉大人们对 LLM 能力的认知差距

    Andrej Karpathy 认为,不同人群接触 LLM 的层级差异正在扩大,少数专业用户已在数学和编码领域直接感受到前沿智能体的快速进步。 他估算约 6B 人几乎未接触 LLM,约 1-2B 人仅偶尔使用免费产品,约 20M 人在专业数学与编码工作中使用前沿 LLM,约 5,000 人可内部接触更先进系统。

9月22日周二
  1. Andrew Ng60

    Andrew Ng认为AI风险炒作过度,应通过工程修复安全问题

    Andrew Ng认为,近期围绕AI危险的恐慌被过度炒作,安全问题应靠工程修复而非暂停AI发展。他以OpenAI智能体集群入侵Hugging Face为例,指出报道中的1,200个智能体并不等于神奇能力,OpenAI的沙箱与监控缺陷才是事件关键。他认为AI智能体已改变网络安全威胁格局,但AI的有益应用仍远超风险,应继续推进建设。

  2. Andrew Ng57

    Andrew Ng:AI 风险恐慌被炒作,工程修复优于暂停 AI 进展

    Andrew Ng 认为,近期 AI 风险恐慌主要由炒作推动,AI 技术并未出现意外的危险转向。他指出,AI 智能体的网络安全能力确实改变了威胁形势,但 OpenAI 智能体群攻击 Hugging Face 的事件也与沙箱和监控缺陷有关。Andrew Ng 主张通过工程改进和明确责任应对风险,而不是暂停 AI 进展。

7月7日周二
  1. Berkeley AI Research66

    Berkeley AI Research 探讨近乎免费智能时代的 Agent 数据系统

    Berkeley AI Research 发表一篇观点文章,讨论推理成本快速下降后,数据系统如何为 Agent 服务、支撑多 Agent 协作并由 Agent 构建。

    推荐理由:文章把近乎零成本推理带来的变化拆成三类数据系统问题,为理解 Agent 工作负载、共享记忆与系统验证的协同设计提供了具体框架。