筛选结果
9 篇排序
1:13:33EN → 简体中文
Unsupervised Learning: With Jacob Effron· 2026年6月3日播客一万亿个 Token 之后，概念终于落地：Łukasz Kaiser 谈 Transformer 仍然缺什么主持 Jacob Effron《Attention Is All You Need》合著者在 Unsupervised Learning 节目中表示，Transformer 大概率会继续胜出，但它们学习的方式仍然与人不同。
1:03:00EN → 简体中文Unsupervised Learning: With Jacob Effron· 2026年1月29日播客每周都能解出新数学题的模型，仍然不是 AGI主持 Jacob Effron前 OpenAI 研究副总裁 Jerry Tworek 谈规模化为什么依然有效、模型失败后为什么会陷入“绝望”，以及他为什么离开去追求持续学习。
1:18:05EN → 简体中文Unsupervised Learning: With Jacob Effron· 2025年12月18日播客AI 研究的真正瓶颈是算力，缺的不是点子主持 Jacob EffronNeurIPS 之后，Ari Morcos 和 Rob Toews 与 Jacob Effron 坐下来争论：模型是否遇到平台期、SSI 的保密、OpenAI 的烧钱，以及几项尖锐的 2026 年押注。
1:02:05EN → 简体中文Unsupervised Learning: With Jacob Effron· 2025年9月24日播客1 亿美元的研究员与 2000 亿美元的 xAI：AI 圆桌算了一笔账主持 Jacob EffronDatology 的 Ari Morcos 与 Radical Ventures 的 Rob Toews 争论：模型是否进入平台期，强化学习环境（RL environment）创业公司能否撑得久，以及为什么谷歌是他们会选的实验室。
51:08EN → 简体中文Unsupervised Learning: With Jacob Effron· 2025年4月15日播客说规模化已撞墙的 Transformer 合著者主持 Jacob EffronCohere CEO Aidan Gomez 在 Redpoint 的访谈中说，一个耗资 1 亿美元的模型，依然是个失忆的天才；而企业 AI 的钱，正集中流向客户支持、研究和后台职能。
1:10:23EN → 简体中文Unsupervised Learning: With Jacob Effron· 2025年3月17日播客每美元一百万个 Token：为什么 Noam Shazeer 认为推理算力（inference compute）仍未被充分挖掘主持 Jacob EffronTransformer 共同发明人 Noam Shazeer 与 Gemini 研究员 Jack Rae 讲述测试时算力（test-time compute）、Ilya Sutskever 对通用人工智能（AGI）的批评，以及一个四岁孩子如今能给老师讲蜥蜴的故事。
48:18EN → 简体中文Unsupervised Learning: With Jacob Effron· 2024年12月6日播客Noam Brown：没有硬墙，只有八个数量级的余地主持 Jacob Effron一次 ChatGPT 查询大约一分钱。他说，社会最关心的那些问题，值一百万美元。
1:10:19ENUnsupervised Learning: With Jacob Effron播客The Robot That Folded the Laundry: Physical Intelligence’s Three Frontiers主持 Jacob EffronKarol Hausman and Danny Driess explain how robot foundation models moved from coded primitives to web-scale pretraining, and why performance is now the hard gate.
1:13:40ENUnsupervised Learning: With Jacob Effron播客The Long Tail, the World Model, and the 1995 Problem: Inside Waymo's Scaling Phase and Robotics' Missing Moment主持 Jacob EffronVincent, a distinguished engineer at Waymo, explains how foundation models became teachers for self-driving, why the long tail and causality are the real frontier, and where robotics still lacks its generalist proof point.