为什么AI必须以人为中心:MIT一堂课给出的根本答案
这是一堂来自MIT的导论课,Lex Fridman系统阐述了“以人为中心的人工智能”为何不是价值口号,而是技术必然。文章提炼其核心预测、方法论与真实案例,解释深度学习在现实世界为何离不开人。
这是一堂来自MIT的导论课,Lex Fridman系统阐述了“以人为中心的人工智能”为何不是价值口号,而是技术必然。文章提炼其核心预测、方法论与真实案例,解释深度学习在现实世界为何离不开人。
这是一场关于生成对抗网络(GAN)的源头式对话。Ian Goodfellow不仅解释了GAN是什么、为什么有效,还回顾了它诞生时的直觉、失败与演化,并延伸到多模态学习、对抗样本、公平性与可解释性等更长期的问题。
这是一场发生在MIT论文发布之后的对话。马斯克不仅解释了Autopilot最初为何“不是梦想”,还系统讲述了特斯拉在数据、AI芯片与软件路线上的关键选择,以及他与学界在“人是否该继续介入驾驶”这一问题上的根本分歧。
在这期Lex Fridman播客中,OpenAI联合创始人Greg Brockman回顾了自己从学生时代到创建OpenAI的关键经历,并系统阐述了他对AGI、深度学习、公司治理与技术风险的看法。这是一场关于技术理想、现实约束与长期责任的深度对话。
这场MIT自动驾驶课程的分享中,Karl Iagnemma 与 Oscar Beijbom 并没有炫技式地谈模型,而是把焦点放在一个更难的问题上:如何验证、解释并持续改进一个永远在学习的自动驾驶系统。这篇文章提炼了他们对数据、算法与安全的关键洞见。
这是一场关于自动驾驶“如何真正落地”的一手分享。Voyage CEO Oliver Cameron 结合自己在 Udacity 与创业公司的经历,讲述了教育、开源与工程现实如何共同塑造自动驾驶的发展路径,以及他为何选择从小而具体的场景切入,而不是追逐宏大的技术叙事。
Waymo首席科学家Drago Anguelov在MIT的演讲,罕见系统性地讲清了自动驾驶为何难、难在哪,以及Waymo如何用感知、预测、规划与大规模仿真去“驯服长尾事件”。这不仅是一场技术报告,更是一套可落地的方法论。
在这期Lex Fridman播客中,计算神经科学家Tomaso Poggio回顾了自己从童年物理兴趣出发,到研究大脑与机器智能的学术旅程。他围绕视觉系统、神经网络与学习机制,提出了关于“智能为何如此困难”的深刻洞见。
Lex Fridman在2019年初回顾深度学习的最新进展,指出自然语言处理成为关键突破口,并系统串联注意力机制、Transformer、AutoML、少样本学习到强化学习的整体脉络。这是一份理解现代AI如何走向通用能力的路线图。
在这期Lex Fridman的播客中,统计学习理论奠基人Vladimir Vapnik系统阐述了他对机器学习、智能与数学本质的思考。他不仅回顾了VC维与SVM的思想源头,更直言批评深度学习的直觉主义倾向,提出“谓词”和“不变性”才是通向真正智能的钥匙。