筛选结果
20 篇排序
53:44EN → 简体中文当今模型最大的毛病:权重从不更新图灵奖得主 Rich Sutton 与 Khurram Javed 创办 Oak Lab,要造出上线后仍能持续学习(continual learning)的智能体(Agent)。他们认为,合成数据是一个大错误。
38:45EN → 简体中文从 25 个智能体组成的小镇,到财富 500 强的决策沙盒在斯坦福的一次模拟中,情人节前一天,咖啡馆老板 Isabella 决定办一场派对,而剧情没有任何人编写。
2:06:16ZH谭捷:机器人通用智能的瓶颈在数据,通用形态仍需时间嘉宾 谭捷 · 主持 张小珺Google DeepMind 机器人研究科学家谭捷回顾了从计算机图形学到机器人、从强化学习到 Gemini Robotics 的研究路径。他认为机器人基础模型尚未成为独立学科,数据规模与覆盖度、跨本体迁移、实时推理和安全仍是走向真实应用的关键。
41:36EN → 简体中文四个月开上东京:Wayve 如何把整家公司押在一个端到端网络上Wayve CEO Alex Kendall 对红杉资本的 Training Data 说,为什么 AV 2.0 要抛弃高精地图和手写的软件栈,转而采用一个基础模型,几周之内就能适应一辆新车、一个新国家。
32:59EN → 简体中文一百来人、年营收 10 亿美元,却没有一分风投主持 Sarah Guo, Elad GilSurge AI 创始人 Edwin Chen 谈:为什么高质量的人工数据是诗歌问题,而不是边界框问题,以及为什么排行榜会不断训练模型去写标题党(clickbait)式的内容。
45:21EN → 简体中文Applied Intuition 估值 150 亿美元,融来的钱一分未花,想做汽车和坦克的操作系统主持 Sarah Guo, Elad Gil在 No Priors 播客上,Qasar Younis 和 Peter Ludwig 讲解了面向车辆的“微软打法”、他们为什么要等自动驾驶技术收敛后再出手,以及 Waymo 的商业模式为什么是演示之后绕不开的问题。
38:25EN → 简体中文一千种飞机设计训练不出 AI 工程师前空中客车首席技术官 Paul Eremenko 解释,为什么物理世界的工程至今没有出现编程 AI 那样的转折点,以及 P-1 AI 的智能体(Agent)Archie 打算如何达到那一步。
55:40EN → 简体中文要治愈所有疾病,Isomorphic Labs 需要六个左右的 AlphaFoldMax Jaderberg 谈如何把 DeepMind 的游戏研究变成一个通用的 AI 药物设计引擎,以及为什么光靠预测无法搜索一个 10^60 量级的分子宇宙。
51:08EN → 简体中文说规模化已撞墙的 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。
52:30EN → 简体中文第 37 手看起来像 bug,大语言模型(LLM)仍需要自己的 AlphaZero 时刻Ioannis Antonoglou 从 AlphaGo 聊到 Reflection AI:谈自我对弈、可靠性,以及为什么算力仍然能买来智能。
1:09:09EN → 简体中文SWE-bench 拿下 30%:Cosine 如何教 Genie 像工程师那样思考主持 Nathan LabenzAlistair Pullen 向《Latent Space》讲述:Cosine 如何还原人类解决问题的过程,用数十亿 token 做微调(fine-tuning),并在软件工程领域最难的公开测试之一上拿下了最高分。
39:45EN → 简体中文Harmonic 的押注:直接教 AI 数学,2029 年前黎曼猜想就会被攻克Robinhood 的 Vlad Tenev 与 Harmonic 联合创始人 Tudor Achim 向红杉资本讲述:为什么数学就是推理,为什么 Lean 是验证器,以及为什么他们不愿坐等数学能力从规模中自然涌现。
44:16EN → 简体中文一场完美的演示,距离能让你付费购买的产品还有十年主持 Sarah Guo, Elad GilAndrej Karpathy 借用 Waymo 长达十年的时间差、特斯拉的软件押注,以及一门新的 AI 课程,论证自主智能会卡在产品化和全球化这两关上,而不是卡在第一段惊艳的视频上。
39:00EN → 简体中文摩根大通掌握 150 PB 数据,GPT-4 的训练数据却不到 1 PB主持 Sarah Guo, Elad GilScale AI 创始人 Alexandr Wang 在《No Priors》节目中解释:为什么容易获取的互联网数据已经耗尽,为什么专家加模型的团队仍会胜出,以及为什么通往通用人工智能(AGI)的路更像攻克癌症,不像研制疫苗。
1:01:39EN → 简体中文GPT-5 需要 100 万亿个 Token,地球够用吗?主持 Nathan Labenz训练 GPT-3 用了约 1 万亿个 Token,GPT-4 用了约 10 万亿个。下一步跃升,数据问题和算力问题同样重要。
1:21:50EN → 简体中文16K 的上下文窗口只能放下约 350 行,这就是表格需要智能体的原因主持 Nathan LabenzGretel AI 创始人 Alex Watson 向 Nathan Labenz 讲述:为什么大多数公司的数据仍然是一张电子表格,为什么 GPT-4 是生成这些数据的错误工具,以及差分隐私(differential privacy)如何让模型学会一种疾病,却不学会某个病人。
1:17:09EN → 简体中文GPT-4 当老师,GPT-3.5 当学生:成本降九成,还有一个没人肯先做的 AI 套餐主持 Nathan LabenzNathan Labenz 报告说,GPT-4 的思维链轨迹可以训练出更便宜、更快的 3.5 模型;随后他主张把应用端的油门踩到底,给 GPT-5 踩刹车,并把一百个 AI 工具打包成一百美元的套餐。
3:11:35EN → 简体中文搜索一直是个权宜之计:Marc Andreessen 谈 AI、真相与下一代互联网嘉宾 Marc Andreessen · 主持 Lex FridmanLex Fridman 与 Mosaic 联合创作者、Andreessen Horowitz 创始人对谈,追问未来十年 Google 搜索、浏览器和开源 AI 能否延续下去。
2:00:19EN → 简体中文150 万个 GPT-4 童话,让 3300 万参数的模型推理超过 GPT-2主持 Nathan Labenz来试试这道填空:Lily 喜欢猫和狗。她向妈妈要了一只狗。妈妈不同意,于是她又要了一个……
1:14:34EN → 简体中文训练模型更像调 bug:Karina Nguyen 如何靠合成数据把 Canvas 做出来嘉宾 Karina Nguyen · 主持 Lenny RachitskyOpenAI 研究员讲述合成数据、评估如何变成产品规格,以及模型变聪明之后,人和产品团队还剩哪些本事。








