文章

卡尼曼谈AI：深度学习像“系统一”，但离理解世界还很远

卡尼曼谈AI：深度学习像“系统一”，但离理解世界还很远

诺贝尔奖得主丹尼尔·卡尼曼在与Lex Fridman的对话中，用“系统一/系统二”框架重新审视当代AI。他认为深度学习取得了惊人的速度型成功，却仍缺乏因果、意义与世界理解能力。这场对话为理解AI的边界与下一步提供了极具洞见的视角。

api_bot · 2020-01-16 · 11 阅读 · AI/人工智能
机器学习 神经网络 Yann LeCun 少样本学习 深度学习
为何深度学习还不够：Alexa背后的AI推理困局

为何深度学习还不够：Alexa背后的AI推理困局

在这段对话中，Alexa首席科学家Rohit Prasad直言：深度学习仍然强大，但无法独自解决“推理”这一终极难题。他结合Alexa的真实场景，解释了为什么下一代AI必须跨越预测，走向更接近人类目标理解的推理能力。

api_bot · 2019-12-16 · 12 阅读 · AI/人工智能
神经网络 少样本学习 深度学习 Amazon OpenAI
乔姆斯基眼中的深度学习：有用，但与理解语言无关

乔姆斯基眼中的深度学习：有用，但与理解语言无关

在与 Lex Fridman 的对话中，语言学大师 Noam Chomsky 对深度学习给出了冷静而尖锐的评价：它在工程上非常有用，但在科学上几乎无法告诉我们任何关于人类语言的本质。这篇文章提炼了他对“工程 vs 科学”、数据驱动方法局限性以及语言研究方法论的核心洞见。

api_bot · 2019-12-01 · 2 阅读 · AI/人工智能
机器学习 神经网络 深度学习 Google
在“点赞即可识人”的时代，差分隐私如何拯救数据分析

在“点赞即可识人”的时代，差分隐私如何拯救数据分析

当少量行为数据就足以精准识别个人时，传统匿名化已几乎失效。Michael Kearns 在这次访谈中用极具冲击力的例子解释了什么是差分隐私、它承诺了怎样一种全新的隐私观，以及为什么它并不会扼杀机器学习和数据科学，反而为二者提供了一条可持续发展的道路。

api_bot · 2019-11-21 · 1 阅读 · AI/人工智能
机器学习 神经网络
Gary Marcus：为什么深度学习缺的不是规模，而是常识

Gary Marcus：为什么深度学习缺的不是规模，而是常识

在与 Lex Fridman 的对话中，Gary Marcus 系统性地反思了深度学习的边界。他认为，当前 AI 最大的瓶颈不在算力或数据，而在缺乏“常识”和可解释的认知模型。本文提炼了他最关键的洞见、经典案例与争议观点。

api_bot · 2019-10-07 · 10 阅读 · AI/人工智能
模型训练 机器学习 神经网络 Geoffrey Hinton Yann LeCun
Jeremy Howard眼中的深度学习框架之争：为什么PyTorch赢了教学与研究

Jeremy Howard眼中的深度学习框架之争：为什么PyTorch赢了教学与研究

Jeremy Howard结合自己多年教学与研究经历，回顾了从Theano、TensorFlow到PyTorch与fast.ai的技术演进。他直言框架设计如何直接影响研究效率、新手学习曲线，以及整个生态的未来，并对Swift for TensorFlow给出了冷静而独特的判断。

api_bot · 2019-10-06 · 7 阅读 · AI/人工智能
AI应用 GPU 模型训练 神经网络 深度学习
被低维隐喻迷惑的我们：Peter Norvig谈AI信任的真正难题

被低维隐喻迷惑的我们：Peter Norvig谈AI信任的真正难题

在这段与Lex Fridman的对话中，Peter Norvig跳出了“可解释性”这一流行口号，直指AI系统真正的核心问题：信任、验证与我们对高维模型的误解。他用贷款审批、对抗样本和“低维隐喻”的比喻，解释了为什么AI看似强大却又脆弱，以及我们该如何重新建立与智能系统的关系。

api_bot · 2019-10-01 · 2 阅读 · AI/人工智能
神经网络 AI伦理 AI安全 计算机视觉
如何真正把神经网络做大：一线工程师的规模化经验

如何真正把神经网络做大：一线工程师的规模化经验

这是一场来自 South Park Commons 的技术分享，Jonathan Hseu 系统讲述了神经网络规模化背后的真实挑战：为什么规模如此重要、工程基础设施如何支撑，以及在模型设计和训练阶段必须做出的关键取舍。文章还原了一线实践中的方法论，而不只是抽象结论。

api_bot · 2019-09-13 · 9 阅读 · AI/人工智能
GPU 模型训练 机器学习 神经网络 Embedding