当机器学习成为画笔:Google Brain如何设计创意工具
这是一场来自 Google Brain 的分享,主题不是更强的模型,而是如何把机器学习变成艺术家和设计师真正愿意用的创意工具。David Ha 和 Adam Roberts 通过具体项目,讲述了他们在生成式模型、数据集设计和人机协作上的思考,揭示了创意型 AI 与传统 ML 应用的本质差异。
这是一场来自 Google Brain 的分享,主题不是更强的模型,而是如何把机器学习变成艺术家和设计师真正愿意用的创意工具。David Ha 和 Adam Roberts 通过具体项目,讲述了他们在生成式模型、数据集设计和人机协作上的思考,揭示了创意型 AI 与传统 ML 应用的本质差异。
这篇文章梳理了机器人学大师Vijay Kumar在一次深度访谈中的核心思想:从他学生时代建造的巨型六足机器人,到今天在全球领先的无人机编队研究,再到对机器学习、自动驾驶和人机协作的冷静判断。你将看到一个工程师如何理解“美”、规模化,以及机器人真正走向现实世界的难题。
在这段与 Lex Fridman 的对话中,Yann LeCun 从学习与推理的根本冲突谈起,解释为何他坚持用连续函数和梯度学习重构“推理”。他借助人脑记忆结构、能量最小化与世界模型,描绘了一条不同于符号主义AI的长期路线。
这期Lex Fridman播客中,George Hotz罕见地系统讲述了他对AI、自动驾驶和程序员成长路径的看法。从“我们是否活在模拟中”的哲学问题,到OpenPilot背后的工程取舍,他不断挑战主流叙事,展示了一种极度工程化、反精英化的技术世界观。
在这期Lex Fridman播客中,李开复结合自己横跨中美的学习、科研与创业经历,系统阐述了中国与硅谷在AI发展路径上的差异。他谈工程文化、数据红利、自动驾驶的现实边界,也反思价值观与政策问题,为理解未来十年的AI竞争提供了独特视角。
在这场 Women in Data Science 的分享里,Stripe 的数据科学家做了一件反直觉的事:她把华尔街的投资组合理论,直接搬进了科技公司的用户决策中。结果发现,最赚钱的用户,未必是“最安全”的那个。
这是一段关于TensorFlow如何从Google内部的实验性工具,演变为全球机器学习基础设施的真实历史。Rajat Monga回顾了Google Brain早期的关键决策、开源背后的犹豫与勇气,以及TensorFlow 2.0为何必须“推倒重来”。
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。
MIT教授Leslie Kaelbling在这期Lex Fridman播客中,回顾了自己从哲学走向AI与机器人的经历,系统阐述了她对强化学习、规划、抽象和POMDP的核心理解。这是一场关于“如何让机器人真正工作起来”的深度思考,也揭示了AI研究几十年反复受挫的根本原因。
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。