筛选结果
51 篇排序
1:47:38EN → 简体中文
Cognitive Revolution "How AI Changes Everything"· 2026年7月4日播客19 个神经元就能开车，Liquid AI 想把基础模型装进每一块芯片主持 Nathan LabenzRamin Hasani 从线虫只有 300 个细胞的大脑讲起，一直讲到将在梅赛德斯-奔驰汽车里开口说话的 600 兆字节模型，并解释为什么如今的架构搜索，已经胜过那些凭经验拍板的“架构复仇者”。
2:59:44EN → 简体中文Cognitive Revolution "How AI Changes Everything"· 2026年6月3日播客两门濒危语言难倒了 Transformer，嵌套学习给模型加上“睡眠”按钮主持 Nathan LabenzGoogle 研究员 Ali Behrouz 向 Nathan Labenz 讲解，语言模型要获得真正的持续学习，不能只堆叠层数，还要堆叠更新频率，并加入一个离线的睡眠阶段。
1:21:56EN → 简体中文
Unsupervised Learning: With Jacob Effron· 2026年5月15日播客Yann LeCun 离开 Meta：大语言模型通向不了智能主持 Jacob Effron这位图灵奖得主对 Jacob Effron 讲述了他为何从 Meta 分拆出 AMI Labs，为何类 JEPA 的世界模型胜过像素生成器，以及他为何认为 Hinton 在 2023 年改变了看法。
2:02:17EN → 简体中文Cognitive Revolution "How AI Changes Everything"· 2025年8月27日播客稀疏自编码器找名词，参数分解找动词主持 Nathan LabenzGoodfire 的 Lee Sharkey 认为，稀疏自编码器（SAE）还原的是网络里的变量，却还原不了这些变量运行的算法。他还介绍了随机参数分解（SPD）如何尝试还原计算本身。
1:54:08EN → 简体中文Cognitive Revolution "How AI Changes Everything"· 2025年5月29日播客为什么 Anthropic 的第一笔投资给了一家为神经网络造显微镜的公司主持 Nathan LabenzGoodfire 的 Dan Balsam 和 Tom McGrath 认为，机制可解释性（mechanistic interpretability）如今已经有了一个准范式，留着两道顽固的缺口，还有三款今天就值得推出的产品。
1:43:54EN → 简体中文Cognitive Revolution "How AI Changes Everything"· 2025年3月23日播客培育一个脑类器官要一年，模拟一次只要一小时主持 Nathan Labenz斯坦福博士后 Siyu He 向 Nathan Labenz 讲述 Squidiff 和 CORAL 如何把单细胞实验与空间实验搬进电脑，以及这些模型目前还做不到什么。
1:40:22EN → 简体中文Cognitive Revolution "How AI Changes Everything"· 2025年1月22日播客20 原子晶体教会 AI 心跳的物理学主持 Nathan LabenzOrbital Materials 的 Jonathan Godwin 和 Tim Duignan 向 Nathan Labenz 讲述，一个在微小晶体上训练的神经网络，如何在一块 2017 年款 GPU 上模拟了钾离子通道。
1:42:16EN → 简体中文Cognitive Revolution "How AI Changes Everything"· 2024年7月4日播客七个月里 267 篇后续论文：Albert Gu 讲述状态空间模型的革命主持 Nathan LabenzMamba 合著者回顾了五年来的循环模型研究，讲选择性压缩为什么比不断增长的 KV 缓存（KV cache）更有效，以及 Mamba 2 为了让训练更快放弃了什么。
1:54:01EN → 简体中文Cognitive Revolution "How AI Changes Everything"· 2024年6月26日播客一个小网络长出了盐晶体，而训练数据里从来没有它主持 Nathan LabenzTim Duignan 用盐水训练了数万个参数。模型“发明”了一种晶体，还推出了一套连续介质溶剂理论（continuum solvent theory）；而他读博期间花了整整一个博士阶段，也没能手工把这套理论写出来。
1:52:18EN → 简体中文Cognitive Revolution "How AI Changes Everything"· 2024年5月6日播客两周，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。
1:19:24EN → 简体中文Cognitive Revolution "How AI Changes Everything"· 2024年4月5日播客一段乱码提示词，能读出 GPT-J 提前三个 token 的规划主持 Nathan Labenz美国东北大学的 Bau 实验室发现，一个 4 万参数的软提示（soft prompt）能读出模型接下来要说的词，而大约十个注意力头（attention head）承载着任务本身。
2:30:06EN → 简体中文Cognitive Revolution "How AI Changes Everything"· 2023年12月22日播客训练 token 只有 GPT-4 的三十分之一，Mamba 在 Transformer 的主场赢了主持 Nathan Labenz在一期单人紧急节目中，Nathan Labenz 认为，Albert Gu 和 Tri Dao 提出的选择性状态空间模型，是 2017 年以来第一个有资格与 Transformer 分享王座的架构。
1:40:07EN → 简体中文Cognitive Revolution "How AI Changes Everything"· 2023年7月4日播客每秒 30,000 次电压更新：深入 Skydio 的自主技术栈主持 Nathan LabenzHayk Martiros 带 Nathan Labenz 逐一了解一架约 0.9 公斤重的无人机：它能看向四面八方，机上运行十多个神经网络，而且不会被武器化。
1:52:46EN → 简体中文Cognitive Revolution "How AI Changes Everything"· 2023年6月27日播客给神经网络的连接按长度收费，黑箱就拆成了看得见的模块主持 Nathan LabenzMIT 物理学家 Ziming Liu 向 Nathan Labenz 讲解 BIMT，这是一种受大脑启发的训练技巧，能把网络稀疏到用眼睛就能读懂的程度。
1:21:20EN → 简体中文Cognitive Revolution "How AI Changes Everything"· 2023年3月9日播客冻结眼睛和大脑，只训练视神经主持 Nathan LabenzJunnan Li 和 Dongxu Li 向 Nathan Labenz 讲述了 BLIP 如何清洗嘈杂的网页图像说明，以及 BLIP-2 如何在一块 A100 上、不到十天的时间里，把一个冻结的视觉模型接到一个冻结的语言模型上。
46:25EN
Lex Fridman· 2019年1月17日播客Deep Learning at the Edge of 2019: BERT, Autopilot, and the Ideas That Broke Through主持 Lex FridmanA tour of the architectural, applied, and automation breakthroughs that defined deep learning in 2018 and set up 2019.
1:29:03ENLex Fridman· 2016年9月27日播客From Word Vectors to Memory Networks: The Building Blocks of Deep NLP主持 Lex FridmanRichard Socher explains how word embeddings, recurrent models, GRUs, pointer mixtures, and dynamic memory networks turn language tasks into trainable end-to-end systems.
1:00:51ENLex Fridman播客Deep Learning From the Ground Up: Hugo Larochelle's One-Hour Tour of Neural Network Foundations主持 Lex FridmanA fast, equation-level walk through feed-forward networks, backpropagation, practical training tricks, dropout and batch normalization, from the 2016 Deep Learning School.
1:07:29ENLex Fridman播客Deep Reinforcement Learning from First Principles: Rewards, Q-Learning, Policy Gradients and AlphaZero主持 Lex FridmanLex Fridman's MIT 6.S091 opening lecture walks from the basic RL framework through DQN, actor-critic methods and AlphaZero to the unsolved problem of moving from simulation to the real world.
9:59ENLex Fridman播客Is Language or Vision Harder? Ilya Sutskever on the Unity of Machine Learning主持 Lex FridmanIn a short clip from his 2020 conversation with Lex Fridman, Ilya Sutskever explains why vision, language and reinforcement learning share the same few principles, and why asking which problem is harder is the wrong question.
1:25:16ENLex Fridman播客From Hand-Built Features to ResNets: Andrej Karpathy's Crash Course in Convolutional Networks主持 Lex FridmanA 2016 Deep Learning School talk covering how convnets work, how the ImageNet winners evolved, and how to apply them without being a hero.
1:24:43ENLex Fridman播客From Sparse Coding to GANs: A Tour of Unsupervised Deep Learning in 2016主持 Lex FridmanRuslan Salakhutdinov walks through autoencoders, Boltzmann machines, variational autoencoders and adversarial networks at the Deep Learning School, with candid notes on what did and did not work.
58:46ENLex Fridman播客Caging the Neural Network: How Aptiv Thinks About Safe Self-Driving主持 Lex FridmanAptiv Autonomous Mobility's Karl Iagnemma and Oscar Beijbom explain why end-to-end learning is hard to trust in cars, and show how PointPillars and nuScenes push lidar perception forward.
1:15:59ENLex Fridman播客Steering Through Time: How Recurrent Networks and LSTMs Learn from Sequences主持 Lex FridmanLex Fridman's MIT 6.S094 lecture walks from backpropagation basics to LSTMs and the way they are used to predict steering in self-driving cars.加载更多已显示 24 篇，共 51 篇