筛选结果
23 篇排序
1:28:08EN → 简体中文同一块 H100 在 AWS 上贵三倍,成立四个月的实验室却查出了顶级测序漏掉的基因主持 Nathan Labenz《Cognitive Revolution》的一期周报:中美可能设立的 AI 热线,超大规模云厂商为何对同样的芯片收取两到三倍的价格,与前沿模型合写小说,以及一个 AI 循环重新诊断出了一个被顶尖产前检测实验室判定为阴性的孩子。
1:44:15EN → 简体中文Nathan Labenz 的 p(doom) 在 10% 到 90% 之间,他却仍然比较乐观主持 Nathan Labenz五年前,预计 2035 年前实现 AGI 会被视为极端激进。在 The Intelligence Horizon 节目里,这位《The Cognitive Revolution》主持人解释了,同样的预测为何如今听起来却像是看空,以及他为什么仍然认为纵深防御的策略,或许能让社会保持在正轨上。
2:03:56EN → 简体中文260 位医生与 49,000 条标准:OpenAI 如何打造达到主治医生水平的健康 AI主持 Nathan LabenzKaran Singhal 向 Nathan Labenz 介绍了 ChatGPT Health 如何与医生一起评估、与模型训练隔离开,以及它要同时抬高人类健康的下限和上限。
2:25:42EN → 简体中文专家们争到咖啡时间,也没有定论:AI 能不能造出 AI主持 Nathan Labenz在 Cognitive Revolution 的一场马拉松直播中,一位癌症 AI 研究者、一位前 OpenAI 董事会成员和一位国家安全分析师,各自撞上了这股热潮里一堵不同的墙。
1:04:51EN → 简体中文1.25 亿个细胞用了十年,下一个十亿只需几个月主持 Nathan Labenz扎克伯格与 Priscilla Chan 谈,如何把前沿生物学实验室与前沿 AI 实验室结成对子,让模型用为它们专门设计的数据来训练。
1:29:30EN → 简体中文2500 个化合物,51% 的命中率:一个小型图网络如何找到新抗生素主持 Nathan LabenzMIT 的 Jim Collins 向 Nathan Labenz 讲述:一个没有正式经费的 2018 年项目,加上二元生长抑制标签和 Chemprop 图网络,如何从实验室根本无法人工筛查的化学空间中找出新抗生素。
1:28:48EN → 简体中文医生编码得分 45%,模型高出 12 分;4000 名医生先试用一次主持 Nathan LabenzAmbience Healthcare 和克利夫兰诊所讲述了他们的 AI 病历助手(AI scribe):它减少了医生的“睡衣时间”(pajama time),借助强化微调提升了 ICD-10 编码的成绩,并获得了 75% 的自愿使用率。
1:26:21EN → 简体中文不到 10 美元,Google 的 AI 独立得出了一个没人发表过的实验室结果主持 Nathan LabenzVivek Natarajan 和 Anil Palepu 向 Nathan Labenz 讲述 AMIE(Articulate Medical Intelligence Explorer)如何在治疗方案上胜过基层医生,以及 Co-Scientist 如何与帝国理工学院(Imperial College)尚未发表的细菌耐药机制相吻合。
1:31:35EN → 简体中文三十年的研究,被压缩成一句话主持 Nathan Labenz免疫学家 Derya Unutmaz 谈如何用半小时写出一份医学专利,如何把 o1 Pro 当作教授级的合作者,以及他为什么在问过模型之前,不再相信自己的专业判断。
1:33:01EN → 简体中文罕见病并不罕见:哈佛基因猎人如何用 o1-pro 处理测序漏掉的病例主持 Nathan Labenz波士顿儿童医院的 Catherine Brownstein 博士解释了为什么便宜的基因组让她的工作更难了,为什么数据共享仍然胜过任何模型,以及 ChatGPT Pro 究竟在哪些地方为她省回了时间。
1:32:45EN → 简体中文他用 AI 让公司翻了一番,随后却请各大实验室暂停超大规模扩张主持 Nathan Labenz在《Nick Halaris Show》节目中,《The Cognitive Revolution》主持人 Nathan Labenz 主张尽快采用当下的模型,同时放慢竞相打造比人类更强大系统的步伐。
1:37:07EN → 简体中文只靠文字的 AI 诊断胜过全科医生,谷歌却仍不肯上线主持 Nathan Labenz谷歌研究员 Vivek Natarajan 和 Khaled Saab 带 Nathan Labenz 逐一讲解五篇医疗 AI 论文,从放射学报告讲到仍需赢得信任的 AI 医生。
1:01:55EN → 简体中文每小时 9 美元的 AI 护士、86 分的医学考试成绩,以及 10% 的灭绝线主持 Nathan LabenzNathan Labenz 独自做的这份“侦察报告”,从医疗领域的最新进展讲起,接着讲模型究竟如何学习,再到当前的主要玩家、缩放趋势,以及一份至今还不存在的控制方案。
1:59:15EN → 简体中文一分钟生成蛋白质骨架:AI 生物学的真实进展、瓶颈与风险主持 Nathan Labenz白宫为生物模型设定的报告门槛,比语言模型低了一千倍。这场对话说明,这道差距如今看来很有先见之明。
3:04:52EN → 简体中文医生在九个维度中有八个更青睐 AI:一位 GPT-4 红队测试者的侦察报告主持 Nathan LabenzNathan Labenz 在 80,000 Hours 播客上讲述 2023 年末的系统已经能做什么、哪些门槛仍然重要,以及两极化的政策之争为何反而成了强硬监管的礼物。
39:02EN → 简体中文AI 的产品优势是一致,真正的软肋是容易被骗主持 Nathan LabenzNathan Labenz 更新了 The Cognitive Revolution 的球探报告:越狱、简历自动化、Med-PaLM 在放射学对决中 40% 的胜率,以及 Transformer 之后可能出现什么。
1:18:18EN → 简体中文一万五千个脑部数值,足以还原一个人看到的画面主持 Nathan LabenzTanishq Mathew Abraham 带我们了解 MindEye。这是一个把功能磁共振(fMRI)信号还原成图像的系统,它把少量体素(voxel)数值映射到 CLIP 和扩散模型(diffusion model)上。
1:25:35EN → 简体中文两年半,从 33.3% 到 86.5%:谷歌把基础模型送进了医学院主持 Nathan LabenzVivek Natarajan 向 Nathan Labenz 讲述 Med-PaLM 和 Med-PaLM 2:少数据的技术、九个维度的临床医生评测,以及为什么美国医师执照考试(USMLE)式的高分是一个错误的奖杯。
1:28:43EN → 简体中文临床指南只有约 11% 建立在 A 级证据上,Curai 创始人仍想把 GPT-4 请进诊室主持 Nathan LabenzCurai Health 的 Neal Khosla 认为,大语言模型在今天的考试中已经能达到美国医生的中位水平;真正的工作是外围框架(scaffolding)、监督和医生的签名。
58:24EN → 简体中文随机找 100 位医生,Zak Kohane 会惊讶于其中有人能胜过 GPT-4主持 Nathan Labenz哈佛医学院生物医学信息学系主任谈一例罕见的新生儿病例,为何像药物那样的试验无法为通用医疗模型做认证,以及 AI 为何仍应为患者服务。
1:02:57ENVirtual Biopsies in One Second: How a Seven-Year-Old CycleGAN Is Beating Newer Models in the Clinic主持 Nathan LabenzTanishq Mathew Abraham explains how deep learning turns label-free 3D tissue images into virtual H&E stains fast enough to guide tumor surgery.
2:04:21EN"AI Doctors Are Here": A Father's Account of Fighting His Son's Burkitt Leukemia With GPT-5 Pro and Gemini 3主持 Nathan LabenzNathan Labenz recounts the first three weeks of his 6-year-old son's cancer diagnosis and how frontier models served as second opinions, bedside co-pilots and relapse planners.
1:22:17ENOne Set of Weights, Fourteen Medical Tasks: Inside Google's Multimodal Med-PaLM M主持 Nathan LabenzVivek Natarajan and Tao Tu explain how Google built a single generalist biomedical model that reads images, genomics and text, and what it will take to put it in front of patients.









