李开复眼中的AI中美竞赛:工程、数据与价值观的分野
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。
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。
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。
这是一堂关于深度学习的入门课,却远不止介绍模型和代码。Lex Fridman从数据、算力、社区与历史周期出发,解释为什么深度学习在今天爆发,又为什么它仍然充满局限。这篇文章提炼了演讲中最具洞见的观点、案例与警示。
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。