即刻App年轻人的同好社区
下载
🎧自从2013年听播客的我现在终于有一个面向于AI爱好者，ai 研究员，ai 创业公司的兄弟姐妹们墙裂推荐的播客了- No Priors : AI Machine Learning, Tech&Startups。（前几天有大概介绍了下节目）
🎙️主理人是两位连续创业者Sarah Guo和Elad Gil. 那他俩是谁呢：
Sarah Guo 是一位著名的风险投资家，曾在知名的风险投资公司 Greylock Partners 担任合伙人。她主要关注软件和互联网行业的投资，特别是在企业软件、AI、数据驱动型产品和新型用户体验方面。Sarah是硅谷最有影响力的女性投资人之一。
Elad Gil 是一位成功的企业家、作家和风险投资家。他在硅谷拥有丰富的经验，曾在 Twitter 和 Google 担任重要职位，并且是多家成功初创公司的联合创始人或早期投资者。Elad Gil 特别擅长帮助初创公司从小规模迅速成长为大公司，他的书籍《High Growth Handbook》中提供了大量关于公司规模扩大的实用建议和洞见。
🫢一周内听了至少有5集了，每集都是40分钟以上的纯干货。不仅仅在公司里开着小差喝着奶茶就能听进去的聊天类型的播客哦(因为前几次听都心不在焉，导致干货完全没记下来，跟白听了一样🙃）。每一秒都有精华。
举个例子，在第39集里，采访最近风头最大的openai 首席科学家Ilya sutskever 那集我整整听了5️⃣遍。第一遍是在twitter的上看到，然后又听了两遍spotify, 然后还看了两遍关键时间的youtube 视频。
👨💻Ilya说到，现在无论是gpt的模型本身还是agi，都需要更加的可靠。然而，”可靠”的定义在于，比如我想知道一个历史内容，然后我已经问了20遍关于这个历史方面的内容了，我不希望我第21遍问的时候这个问题的答案变得很奇怪。因为这些模型本身在大多数时候都可以完成任务，但是因为一些特殊情况，在第二十一次时任务没有完成，就导致我无法相信这个模型所以需要自己去验证这个模型。Ilya也用self-driving car作为一个反例，如果一个self-driving 出了一个事故，整个人类就觉得这件事非常的危险（即使人为的车祸发生率比self-driving car发生的事故的概率多多多多的太多了。
🧠大模型v.s小模型
小模型在面对现在的垂直化的场景会更有直接的关联，随着大模型的演变发展，大模型会对于应用场景有突破式的变化。小模型在短期的具体应用（运用在法律等垂类的场景）里对于用户来说非常实用，长期看来大模型的演变才是真正改变场景的地方。
🔒开源v.s 闭源
为什么大家会选择开源，因为开源模型更适用于多样化的场景。然而，从长远来看智能体（intelligence ）才是更有能力解决问题的方式。现在的主要应用场景里，娱乐，简单问题。然而，如果你让一个智能体去制造一个复杂，形式多样的，类似大科技公司的模式的场景，现在开源模型无法预测。未来的大模型是可以开发一个面向解决基础科学的项目，这种模型不一定是现在模型的场景。闭源模型更有能力去解决这类问题。
对于开/闭源模型的近期难题是，数据。处理数据大小最终可以解决。
📊transformer模型会是长期主流的数据架构办法吗？
这个问题不是个yes/no的答案。而是，effort 和costs 愿意在这个方向输出。也许有一个更好的计算方式，或者细微的改动可以更好的解决问题。这里我想引用gpt模型的案例，gpt3.5 和gpt3的区别只是在于“data collection setup”，其实并不是一个纯技术上的飞跃。更深刻的问题是-计算率的效率。
📝如何理解计算率的效率-就好比人类的大脑对于画面，语言，嗅觉，触觉，感知等在大脑里都有不同的分区。即使，一个“有缺陷的孩子”对于某一/几个感官有缺失，但是大脑还是可以重新调整输出的神经元的优先级。一个科学实验的案例表示，如果把负责管理听力的神经和管理视觉的神经进行输出的调换。眼睛-> 听觉输出，听力-> 视觉输出，其实这两个输入的信息传递的神经元和原始的神经元差别不大。
🐵人类智力v.s生物智力v.s 人工智能智力
人工智能的神经元统一生物的神经元脑的架构。在过去的25年里，手机的变化从最开始的大哥大到现在的智能手机。科技已经可以再生产人类的智慧，并且把人类的之前的想法变成现实。如果从生物的自主再生能力来说，科技已经达到这个目标。但是，自主化这里还远远不够。
👁️Super alignment 的定义
在现在这个时间点，我们相信未来电脑会比人更加聪明。因为，电脑比人类学习的更快。如果未来真有种高级的数据中心，我们希望这个数据中心拥有同理性，给予人类更加积极的信息。我们会更加愿意投入在，创建一个更效率，更容易被控制的科学的智能体。这种智能体对人类更友善。
问问5-10年后的自己，你更期待的ai能够做什么，这样才能让未来的ai 智能体更加的社会化
促进ai 加快增长/减慢的力量
↘️成本，和覆盖面（cost and scale）,以及有限的数据
↗️-投资数量，ai虽然很难做执行但是更直接。
我对此深有同感，从7/8年前学习andrew ng的machine learning和deep learning的网课，到现在直接参与ai agent 的项目，让一个只需要拥有计算机本科学位的人都可以认为在ai产品大有作为的人。在我观察下，现在ai 的发展让大多数在过去多年从事科技业的人都觉得自己有一份羹可以被分。未来将有更多人可以参与到ai的产品和实践中.
在当下的以ai, llm，agi带领的第四次工业革命里，真的有太多机会留给想要做一番事业的人了。即使咱们做不了llm的创建，也还有一大堆可以通过ai 实现自我价值，自我财富的机会。
🔗👉youtu.be
欢迎交流💬（感谢@Rubywang.eth 给了我一个契机，deadline =生产力👀）
顺便转一下20年在豆瓣写的播客推荐文时，当时在听的播客节目😆
🎙️主理人是两位连续创业者Sarah Guo和Elad Gil. 那他俩是谁呢：
Sarah Guo 是一位著名的风险投资家，曾在知名的风险投资公司 Greylock Partners 担任合伙人。她主要关注软件和互联网行业的投资，特别是在企业软件、AI、数据驱动型产品和新型用户体验方面。Sarah是硅谷最有影响力的女性投资人之一。
Elad Gil 是一位成功的企业家、作家和风险投资家。他在硅谷拥有丰富的经验，曾在 Twitter 和 Google 担任重要职位，并且是多家成功初创公司的联合创始人或早期投资者。Elad Gil 特别擅长帮助初创公司从小规模迅速成长为大公司，他的书籍《High Growth Handbook》中提供了大量关于公司规模扩大的实用建议和洞见。
🫢一周内听了至少有5集了，每集都是40分钟以上的纯干货。不仅仅在公司里开着小差喝着奶茶就能听进去的聊天类型的播客哦(因为前几次听都心不在焉，导致干货完全没记下来，跟白听了一样🙃）。每一秒都有精华。
举个例子，在第39集里，采访最近风头最大的openai 首席科学家Ilya sutskever 那集我整整听了5️⃣遍。第一遍是在twitter的上看到，然后又听了两遍spotify, 然后还看了两遍关键时间的youtube 视频。
👨💻Ilya说到，现在无论是gpt的模型本身还是agi，都需要更加的可靠。然而，”可靠”的定义在于，比如我想知道一个历史内容，然后我已经问了20遍关于这个历史方面的内容了，我不希望我第21遍问的时候这个问题的答案变得很奇怪。因为这些模型本身在大多数时候都可以完成任务，但是因为一些特殊情况，在第二十一次时任务没有完成，就导致我无法相信这个模型所以需要自己去验证这个模型。Ilya也用self-driving car作为一个反例，如果一个self-driving 出了一个事故，整个人类就觉得这件事非常的危险（即使人为的车祸发生率比self-driving car发生的事故的概率多多多多的太多了。
🧠大模型v.s小模型
小模型在面对现在的垂直化的场景会更有直接的关联，随着大模型的演变发展，大模型会对于应用场景有突破式的变化。小模型在短期的具体应用（运用在法律等垂类的场景）里对于用户来说非常实用，长期看来大模型的演变才是真正改变场景的地方。
🔒开源v.s 闭源
为什么大家会选择开源，因为开源模型更适用于多样化的场景。然而，从长远来看智能体（intelligence ）才是更有能力解决问题的方式。现在的主要应用场景里，娱乐，简单问题。然而，如果你让一个智能体去制造一个复杂，形式多样的，类似大科技公司的模式的场景，现在开源模型无法预测。未来的大模型是可以开发一个面向解决基础科学的项目，这种模型不一定是现在模型的场景。闭源模型更有能力去解决这类问题。
对于开/闭源模型的近期难题是，数据。处理数据大小最终可以解决。
📊transformer模型会是长期主流的数据架构办法吗？
这个问题不是个yes/no的答案。而是，effort 和costs 愿意在这个方向输出。也许有一个更好的计算方式，或者细微的改动可以更好的解决问题。这里我想引用gpt模型的案例，gpt3.5 和gpt3的区别只是在于“data collection setup”，其实并不是一个纯技术上的飞跃。更深刻的问题是-计算率的效率。
📝如何理解计算率的效率-就好比人类的大脑对于画面，语言，嗅觉，触觉，感知等在大脑里都有不同的分区。即使，一个“有缺陷的孩子”对于某一/几个感官有缺失，但是大脑还是可以重新调整输出的神经元的优先级。一个科学实验的案例表示，如果把负责管理听力的神经和管理视觉的神经进行输出的调换。眼睛-> 听觉输出，听力-> 视觉输出，其实这两个输入的信息传递的神经元和原始的神经元差别不大。
🐵人类智力v.s生物智力v.s 人工智能智力
人工智能的神经元统一生物的神经元脑的架构。在过去的25年里，手机的变化从最开始的大哥大到现在的智能手机。科技已经可以再生产人类的智慧，并且把人类的之前的想法变成现实。如果从生物的自主再生能力来说，科技已经达到这个目标。但是，自主化这里还远远不够。
👁️Super alignment 的定义
在现在这个时间点，我们相信未来电脑会比人更加聪明。因为，电脑比人类学习的更快。如果未来真有种高级的数据中心，我们希望这个数据中心拥有同理性，给予人类更加积极的信息。我们会更加愿意投入在，创建一个更效率，更容易被控制的科学的智能体。这种智能体对人类更友善。
问问5-10年后的自己，你更期待的ai能够做什么，这样才能让未来的ai 智能体更加的社会化
促进ai 加快增长/减慢的力量
↘️成本，和覆盖面（cost and scale）,以及有限的数据
↗️-投资数量，ai虽然很难做执行但是更直接。
我对此深有同感，从7/8年前学习andrew ng的machine learning和deep learning的网课，到现在直接参与ai agent 的项目，让一个只需要拥有计算机本科学位的人都可以认为在ai产品大有作为的人。在我观察下，现在ai 的发展让大多数在过去多年从事科技业的人都觉得自己有一份羹可以被分。未来将有更多人可以参与到ai的产品和实践中.
在当下的以ai, llm，agi带领的第四次工业革命里，真的有太多机会留给想要做一番事业的人了。即使咱们做不了llm的创建，也还有一大堆可以通过ai 实现自我价值，自我财富的机会。
🔗👉youtu.be
欢迎交流💬（感谢@Rubywang.eth 给了我一个契机，deadline =生产力👀）
顺便转一下20年在豆瓣写的播客推荐文时，当时在听的播客节目😆
47 221
来自圈子
一起听播客
107487人已经加入