筛选结果
36 篇排序
20:58EN → 简体中文Vinoo Ganesh 谈如何让金融 AI 为每个数字提供出处Vinoo Ganesh · KeplerKepler 首席执行官 Vinoo Ganesh 解释了为什么金融 AI 应负责检索和引用数据,而数学计算应交给确定性软件。他的设计把可追溯性、检索质量和租户安全都纳入答案本身。
1:35:29EN → 简体中文优步 13 周烧光全年 Token 预算,智能体成败看检索主持 Nathan LabenzMongoDB 的 AI 方向 Field CTO Pete Johnson 认为,智能体的表现如今取决于检索质量,并非取决于把百万 Token 的上下文窗口塞满。
2:38:48EN → 简体中文一千次搜索只要五分钱,高分也不必靠作弊主持 Nathan Labenz在《Cognitive Revolution》的一期早间节目里,Ceramic 的 Anna Patterson 把廉价搜索、GPT-5.5 干净的 Vending-Bench 成绩、Zvi 关于模型福利的主张,以及能把矩阵乘法能耗降低约 30 倍的模拟芯片放在一起讨论。
1:40:51EN → 简体中文推理模型刚刚让企业数据中另外 80% 到 90% 变得可用主持 Nathan LabenzSnowflake AI 副总裁 Baris Gultekin 谈 Text-to-SQL、RAG(检索增强生成)、智能体设计,以及为什么推理(inference)必须在受治理的数据旁边运行。
1:41:34EN → 简体中文聊天是通用界面,却常常是最糟糕的界面主持 Nathan LabenzAtlassian 的 AI 负责人谈如何用品味(taste)、知识(knowledge)和工作流(workflow)对抗平庸产出(slop),以及为什么聊天更像一种终端,本身并不是产品。
1:55:12EN → 简体中文28,000 份文献、一个 30 亿参数的模型、22 个人:天主教 AI 的技术账本主持 Nathan LabenzLongbeard 首席执行官 Matthew Harvey Sanders 在 The Cognitive Revolution 节目中讲述,一支使命驱动的团队如何让模型与天主教训导对齐,以及为什么微调还不够用。
1:37:25EN → 简体中文Fin 的解决率从 35% 升到 65%,Intercom 说模型只带来了几个百分点主持 Nathan LabenzEoghan McCabe 和 Fergal Reid 谈生产环境中的 A/B 测试、按结果收费的 99 美分定价,以及为什么 GPT-4 在大多数客服工作上已经足够聪明。
1:25:12EN → 简体中文他已经好几个月没敲一行代码了:Augment 如何读懂百万行代码仓库主持 Nathan LabenzAugment 联合创始人兼首席科学家 Guy Gur-Ari 向 Nathan Labenz 讲述,编程智能体在杂乱的企业代码库里究竟如何工作。
56:07EN → 简体中文Box 托管着 1000 亿个文件,它的 CEO 说,企业只为 10 倍级别的提升才会行动主持 Nathan LabenzAaron Levie 告诉 Nathan Labenz,为什么企业里的 AI 热情已经超过了早期的云,以及为什么 98% 的可靠性、按席位收费的 SaaS 和渐进式的节省依然无法真正落地。
1:29:00EN → 简体中文1.4 万人报名,33 人入选:这些岗位在国土安全部主持 Nathan Labenz美国国土安全部(DHS)AI Corps 主任 Michael Boyce 向 Nathan Labenz 介绍,美国政府最大的民用 AI 团队是怎样组建起来的,以及它已经做出了哪些东西。
1:55:53EN → 简体中文AI 读论文已超过人类,却仍数不清原子主持 Nathan LabenzFuture House 科学负责人 Andrew White 梳理了语言模型在化学和生物学中已经能做什么,以及它们无法消除的瓶颈。
55:16EN → 简体中文Gemini API 半年增长 14 倍,谷歌产品经理谈追赶之路主持 Nathan LabenzLogan Kilpatrick 和 Shrestha Basu Mallick 谈到搜索接地(grounding)、Gemini Flash 在价格与延迟上的独特位置,以及为什么排行榜上几乎打平,谷歌在多数开发者的候选名单里仍排第三。
2:03:55EN → 简体中文约束越多,智能体(Agent)越值得信任主持 Nathan LabenzAgent.ai 工程负责人 Andrei Oprisan 向 Nathan Labenz 解释,为什么狭窄、规定明确的工作流能胜过开放式的自主性,以及一个 12 人的团队如何在几个月内把一个免费的智能体网络做到超过 40000 名用户。
1:51:00EN → 简体中文从十个标杆样本起步:AI 自动化三步法主持 Nathan LabenzOpenAI 开放 GPT-4o 微调的第二天,Nathan Labenz 拆解了他沉淀三年的一套方法,讲怎样挑选工作、提取隐性判断,以及提升模型表现。
1:21:53EN → 简体中文HippoRAG 以十分之一的在线成本,追平迭代检索主持 Nathan Labenz受海马体启发的知识图谱,让多跳(multi-hop)问题可以跳过蛮力式的文档爬梳。
1:27:01EN → 简体中文三百万封邮件、十次大语言模型(LLM)调用、六个模型:Shortwave 的检索增强生成(RAG)实战手册主持 Nathan LabenzFirebase 创始人 Andrew Lee 向 Nathan Labenz 拆解检索技术栈,这套技术让一个 Gmail 收件箱变成了能干活的 AI 助手。
1:23:09EN → 简体中文AI 任务的合适大小,就是你能检查得了的那么大主持 Nathan LabenzElicit 联合创始人 Andreas Stuhlmüller 与 Jungwon Byun 讲述,一个十二人的研究助理如何把摘要中的幻觉数从 1.5 降到 0.5,大约每一周半发布一次更新,并把任务拆解视为在不依赖黑箱的前提下投入更多算力的办法。
1:28:37EN → 简体中文看完 GPT-4 演示 12 小时后,他让一家十年老的法律创业公司转了向主持 Nathan LabenzPablo Arredondo 是 CaseText 的联合创始人,现任汤森路透 CoCounsel 副总裁。他追溯了法律研究从 19 世纪的引证工具,一路走到以检索为锚的 GPT-4 产品;律师事务所把这款产品当作同事,而不只是搜索框。
Google 给你 3300 万条结果,Exa 只想给你 54 条主持 Nathan LabenzExa 首席执行官 Will Bryk 向 Nathan Labenz 讲述:搜索与研究为什么是两份不同的工作,以及一位面向网络的 AI 图书管理员为什么从第一道过滤开始就必须基于神经网络。
1:32:19EN → 简体中文2018 年的提示词论文被拒,如今他的搜索 API 超过了谷歌主持 Nathan LabenzRichard Socher 讲述 You.com 的来路:从一个被拒的统一自然语言处理(NLP)模型,到原生于大语言模型(LLM)的网页索引、三种助手模式,以及他给出的末日概率(P(doom))非常低。
1:53:08EN → 简体中文GPT-4 写 SQL,四张表就是崩溃点主持 Nathan LabenzJuan Sequeda 谈为什么知识图谱(knowledge graph)是基础模型(foundation model)所缺的那个准确、可解释的“大脑”。
1:50:57EN → 简体中文GPT-4 发布 28 天后,一个 AI 设计并执行了一项化学实验主持 Nathan LabenzGabe Gomes 和他在卡内基梅隆大学的学生开发了 Coscientist,这是一个基于语言模型的智能体(Agent),能在远程云实验室里规划、编写代码,并执行真实的实验。
1:32:40EN → 简体中文教会 GPT-3.5 击败 GPT-4 的历史学家主持 Nathan LabenzMark Humphries 谈一公里长的未读纸质档案、嵌入(embeddings)模型看不懂的皮毛贸易行话,以及廉价的处理能力为什么会迫使历史被重写。
1:26:30EN → 简体中文这些数据大多从未进过数据库:Chroma 战时 CTO 谈 RAG主持 Nathan LabenzAnton Troynikov 重返《认知革命》,主张检索质量主要取决于嵌入(embedding),Chroma 应当掌控检索增强生成(RAG)的整个闭环;GPT 则仍然通不过一项基础推理测试:康威的“生命游戏”(Game of Life)。
加载更多已显示 24 篇,共 36 篇









