筛选结果
17 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。
1:37:43EN → 简体中文思科想给网络再加两层,好让智能体共享意图主持 Nathan LabenzOutshift by Cisco 的 Vijoy Pandey 认为,超级智能必须靠智能体(Agent)网络横向扩展,光把模型做大、往上堆,走不远。
2:12:31EN → 简体中文大多数 Caffeine 用户根本不知道自己身处区块链之上主持 Nathan LabenzDFINITY 的 Dominic Williams 向 Nathan Labenz 解释,为什么防篡改、无法被关停的云,正是由聊天框写软件的 AI 所需要的后端。
2:06:09EN → 简体中文一次 ChatGPT 查询,相当于微波炉运行一秒主持 Nathan LabenzAndy Masley 与 Nathan Labenz 一起算 AI 的能源和用水账:从一条提示词,到规模达 80 吉瓦(GW)的数据中心建设。
1:32:47EN → 简体中文Transformer 论文共同作者想做一个无人持有的 1.6 亿美元模型主持 Nathan LabenzIllia Polosukhin 在节目中向 Nathan Labenz 讲述,NEAR 如何把一个支付难题,变成了一整套用于隐私推理、收益共享式训练和 AI 智能体的技术栈,而这些智能体仍然要向法院负责。
3:17:35EN → 简体中文一万条评论与 76 吉瓦闲置容量:四个月起草美国 AI 行动计划主持 Nathan LabenzDean W. Ball 在白宫担任高级 AI 顾问四个月,《行动计划》落地时离开。他讲述了这份待办清单是怎样写成的,而写作地点是一栋连 ChatGPT 都跑不起来的建筑。
1:45:00EN → 简体中文美国拥有全球 45% 的数据中心,其他国家要么自建、要么购买、要么结盟主持 Nathan Labenza16z 的 Anjney Midha 梳理了“主权 AI”对企业而言意味着什么,对那些永远不可能拥有人才、数据和算力前沿的国家又意味着什么。
2:10:07EN → 简体中文一次约 3 万美元的行动,就可能让一座百亿美元的超级智能数据中心停摆一年主持 Nathan LabenzGladstone AI 的 Jeremy 和 Edouard Harris 盘点了,一个美国式的超级智能曼哈顿计划究竟需要守住什么,以及它在建设、供应链和公民自由方面要付出哪些代价。
54:55EN → 简体中文新泽西把电话等待时间从 40 分钟降到 90 秒主持 Nathan Labenz新泽西州长 Phil Murphy 谈州政府的 AI 助手、普林斯顿的 AI 枢纽,以及超人类系统到来时,他为什么想让新泽西拥有全国最好的接球手套。
2:16:17EN → 简体中文横跨三大洲训练的 100 亿参数模型,与每小时 1.49 美元的 H200主持 Nathan LabenzPrime Intellect 的两位创始人提出一份四步计划,要把全球闲置的 GPU 变成共同拥有的智能;他们还认为,强化学习(reinforcement learning)刚刚让他们的工作变得更容易了。
2:11:15EN → 简体中文50% 的灭绝概率,还有人人都用得起的 50 美元 GPT-4主持 Nathan LabenzEmad Mostaque 向 Nathan Labenz 解释了他为什么把末日概率(p(doom))定在五五开,为什么一个五瓦的模型会改变能源之争,以及 Intelligent Internet 将如何用一种类似比特币的代币,为全民基础 AI(universal basic AI)提供资金。
31:04EN → 简体中文真正的风险是美国不肯用这些工具,中国抄袭倒在其次主持 Nathan Labenz在 2024 年的 Hill & Valley Forum 上,Alex Wang、Jack Clark 和吴恩达对参议员 Cory Booker 说,中国实验室正在做原创发明,开源模型已经很强,五角大楼在 AI 上的真正失误是用得太少。
1:52:18EN → 简体中文两周,三十多次编译:Adam Majmudar 如何从零写出一块 GPU主持 Nathan Labenz在《Cognitive Revolution》播客里,Majmudar 带我们走了一遍 TinyGPU:从 SIMD 内核、访存延迟,到能在笔记本上跑起来的开源芯片流程。
1:42:17EN → 简体中文最便宜的推理服务商,才是最危险的主持 Nathan LabenzFireworks AI 的两位联合创始人 Lin Qiao 和 Dmytro Ivchenko 解释了补贴出来的 GPU 账单为什么会消失,低秩适配(LoRA)服务如何能把成本降低百倍,以及真正值得在意的对手为什么是 OpenAI。
1:19:52EN → 简体中文1,000 块 H100 要 115 天,22,000 块只要五天主持 Nathan LabenzNathan Labenz 和 Trey Kollmer 讲解了集群算力的估算方法:如何把 GPT-4 规模的训练变成每周一次的实验;随后是四篇论文,涉及搜索增强型模型、递归式代码改进器、Llama 2 内部的空间地图,以及网络在完全不知道答案时的表现。
1:01:26EN → 简体中文AlexNet 用两块 GPU,GPT-4 用了两万块,短缺还会再来主持 Nathan LabenzRun:ai 首席技术官 Ronen Dar 谈如何让闲置的加速卡重新用起来,为什么 H100 按每次实验计算反而更便宜,以及 Llama 2 为何削弱了算力管制(compute governance)的说服力。
1:20:49EN → 简体中文用一整片晶圆做成的芯片,让 AI 不再被阿姆达尔定律(Amdahl's law)拖慢主持 Nathan LabenzCerebras 的 CEO Andrew Feldman 向 Nathan Labenz 解释,为什么一块拥有 2.5 万亿个晶体管的裸片、稀疏线性代数,以及一台由 16 台机器组成的超级计算机,比 GPU 集群是更好的形态。








