即刻App年轻人的同好社区
下载
App内打开
Mike-Wu
839关注301被关注1夸夸
热爱科技与人文，折腾新技术，3C电子领域出海，兴趣：力学/热力学/电磁学/电子/计算机/人机交互/工程/设计/产品/营销/文化/出海/创业
Mike-Wu
7天前
同推荐，尤其是最喜欢他的《游戏帝国》系列

rosicky311_明浩: 看到大家喜欢内容推荐贴，我再写一个， 很多听播客的人应该都知道重轻， 我今年反复听的节目里可能有一半是重轻做的/参与的， 他早年的暴雪系列，元宇宙系列都被很多人奉为中文播客的代表/典范； 今天我推荐几期播客相对比较新， 内容一共有6期，分成三个主题： AI、内容创作与表达、观察者， AI的部分推荐两期诗梳风的节目： 1、OpenClaw 所预示的 https://www.xiaoyuzhoufm.com/episode/699939cade29766da90d95db 2、教朋友们用 AI 时想到的 https://www.xiaoyuzhoufm.com/episode/69ba4713f8b8079bfaf3b640 你会看到一个对技术充满实证精神的重轻，为了研究本地AI助理OpenClaw，专门买机器跑模型，一边体验AI自己修改代码把自己搞崩溃的“科幻感”，一边与各种报错死磕。 在教人使用AI时，他说：“AI是拍篮球，你不能通过看100个教学视频而学会拍篮球，你得去拍……”，他还说：“AI不是螺丝刀，TA没有被定义，你不能说AI拧不好螺丝所以还是螺丝刀好用”。 内容创作与表达的部分，集中在他去大内的两期节目： 1、揣测梁博新专困境, 或创作者的普遍危机 https://www.xiaoyuzhoufm.com/episode/6831500f41ef875a12f54dd2 2、30年了, 但我们貌似不能指望下一个EVA的出现 https://www.xiaoyuzhoufm.com/episode/69b25f0384bce022f91038e4 重轻其实还是一名DJ，他还翻译了《创意行为：存在即答案》这本书，所以对于内容表达（不仅仅是音乐）他有着犀利但不轻佻且极具同理心的理解，无论是作为一个梁博粉丝对于梁博新专辑争议的解读，还是作为一个80后如何看待当下一切都是vibe的内容创作行业。 观察者的部分，推荐两期节目： 1、羞羞的铁男通透的姐: 迷失泰兰德的日子https://www.xiaoyuzhoufm.com/episode/699fde6dde29766da998e080 2、游戏的烟火人间 | 说来话长 Vol.4 https://www.xiaoyuzhoufm.com/episode/68c948a42c82c9dccaace7c2 第一期是重轻在大内聊他们一起去泰国参加音乐节的节目，大内的主播相征说这可能是重轻在播客领域最不正经的一期节目，但这期节目中重轻关于“现代艺术”的解释可能是我过去一年听过最汗毛直立的表达； 第二期是重轻作为原神玩家观察原神这个生态内的代打主播，这期节目评论区的两条评论说的很到位，我转载下： “听到这期，突然发现自己为什么如此喜欢重轻老师。他总是能心怀敬畏的看待很多人、事或物，从中找到最让他被打动，也十足打动我的地方。不管被观察者是黄仁勋这样功成名就的巨头，还是一个只有10余人在看的代打少年。” “重轻到底经历了什么，怎么现在会悲悯到这个程度，注意这是一个39岁的中年人了，他按理说应该更冷漠更功利更无动于衷，而重轻居然还对世界抱有这么大的热情和疑惑，我爱重轻，希望他活一百岁。” 前几天蜉蝣天地更新最新一期，@MasterPa 说重轻是他眼中汉语互联网里最好的人工智能节目访谈者。 我觉得不太需要前面那些定语，也不仅仅是访谈者…… PS：以上文字纯手打，真心推荐有时间去听听这些内容。

00
Mike-Wu
12天前
Mike-Wu
12天前
苹果史上最强系统更新：“8个全新表情符号”……
51
Mike-Wu
15天前
法拉利的首款电动车Luce如何充电？
00
Mike-Wu
16天前
很多公司去扒苹果的新专利，还以为拿到了抢占先机的葵花宝典，殊不知今日的苹果早已创新乏力，尤其是在AI领域，牛人都已经早早离开了苹果，剩下的都是老登……

葬愛咸鱼: 最高指示：消费电子产品一定要好看。

00
Mike-Wu
17天前
真的太羡慕现在玩AI的小孩，13岁的“老陈”和13岁的“老杨”真是一对可爱搭档😆

13岁初中生玩 AI 的姿势，大人我有点跟不上了｜黑客松02

about热水频道

00
Mike-Wu
19天前
哇！总结得超级棒，“人机合一”的好文章👍

改变世界的总是那些有强烈好奇心的人！

我的兄弟叫铁马: 在 AI 的帮助下，我读完了 AI 领域最关键的十篇论文，心潮澎湃。 75年间，后来成为亿万富翁、独角兽公司创始人、诺贝尔奖获得者或依然少为人知的学者们，在AI这个大舞台上你方唱罢我登场，每一篇论文背后都有着充满张力的判断、偏见与赌局。 1948 年，香农发表《通信的数学理论》，最先把语言放进了数学坐标系，并且提出，预测即压缩，如果信号传输的另一方和你有越多上下文，越懂你，就越能预测你压缩后的内容实际上是什么。 两年后，一位叫图灵的英国人提出了一个想法：别再争论机器到底能不能思考了，如果你通过语言交互，根本判断不出来对方是人还是机器，那从结果来说，机器不就是实现了人思考的过程吗？ 这两位英国人定下整个AI时代的关键问题：机器思考不是个哲学问题，是个工程问题；这个工程问题，是可以通过压缩实现的。 如果机器确实可以“思考”，那怎么思考才能得到人类想要的正确答案呢？ Rumelhart、辛顿、Williams三位学者在1986年提出了反向传播算法，辛顿因为这一系列工作拿了 2024 年诺贝尔物理学奖。在反向传播之前，大家做AI的方法是：人类专家把知识写成规则（猫有四条腿、猫有胡须） → 输入计算机 → 计算机按规则推理 → 产生智能，但是这些规则写不完，且容易产生冲突，遇到狗就不知道怎么办了。 反向传播的思路是，不告诉计算机任何规则，只给它海量的猫的图片和不是猫的图片，让它自己从错误中学习"猫"的特征，这意味着：智能不需要被编程，可以被学习出来。 辛顿的博士后Yann LeCun沿袭了神经网络这条路，但其实当时学界的主流是SVM，SVM的发明者是一位俄罗斯数学家Vladimir Vapnik，他相信"理论先行"——算法必须有严格数学证明才值得做。Yann LeCun 则相信"工程先行"——能用就是好东西，不需要严格的数学证明。 90年代，学术圈喜欢有理论保证的东西。Vapnik 的论文能发顶刊，神经网络只能发会议。当时主流期刊编辑甚至会把"神经网络"几个字从论文标题里删掉，因为太"民科"。 当时可供训练的数据少、算力弱、神经网络确实跑不出好结果，SVM在文本分类、垃圾邮件过滤、人脸识别等领域确实表现更好，但10年后，时代变了。 2006年，华裔科学家李飞飞在普林斯顿大学刚拿到教职，就申请了了一个疯狂的项目：她要构建一个有 1500 万张图片、2 万类的数据集，她打算从 Google、Yahoo、Bing 等图片搜索引擎批量下载图片，每张图标注出，这是猫还是狗，具体是苏格兰牧羊犬还是拉布拉多，这个想法的疯狂之处在于： 1500 万张图，每张哪怕只看 1 秒——也要 17000 个工时，相当于 5 个人不吃不喝标注 1 年。 2007 年之前，AI 视觉研究的标准任务是：在 9000 张图里区分 100 类物体，准确率能到 60-70% 就算很厉害，当时学者们觉得算法不够好，所以要研究更精妙的算法。 李飞飞的判断则是：算法不是瓶颈——数据才是。 这个没拿到终身教职的助理教授，赌上了一条没人看好的路，在亚马逊的众包平台上，花费3年请了全球167 个国家的 49000 名工人，花费百万美元，标注出了1400 万张图片，一个超大型的图片数据库ImageNet发布了，一开始用SVM来识别图片，错误率达到28%，学界又开始怀疑：是不是这事真的做不到？ 直到2012年9月，AI界迎来了史上最重要的一周。 辛顿的两个学生 Alex Krizhevsky 和 Ilya Sutskever（对，就是后来 OpenAI 那个 Ilya），用一个深度卷积神经网络参加了 ImageNet 比赛，识别图片的错误率从 26% 直接降到 15%，比第二名（SVM）低了整整 10 个百分点。 那一周之后，所有顶级实验室连夜重组研究方向，转向深度学习；Ilya Sutskever 加入 Google，4 年后跟Sam Altman创办了 OpenAI，整个 SVM 时代结束了。 2010年，国际象棋神童、剑桥神经科学博士哈萨比斯在创办Deepmind的时候，就已经从神经科学的学习中意识到：深度学习与强化学习必须结合。 接下来 8 年是 AI 史上少见的连胜：DQN、AlphaGo、AlphaZero、AlphaFold。 后来Deepmind被谷歌收购，2017 年 6 月，同样是谷歌的另一支团队发表了 Transformer 论文。哈萨比斯没有跟进，因为他并不认为语言是智能的表现形式。 他也低估了互联网文本的丰富性。他后来反思：如果五六年前你问我，人类文明有多复杂？我的回答大概会是，接近无限。但事实证明，互联网上大约有 14 万亿个单词，恰好够覆盖人类几乎所有行为模式。 2022 年底 ChatGPT 风靡全球时，DeepMind 不再被视为世界顶级 AI 实验室。哈萨比斯承认：这是我第一个判断失误的地方。 这一幕幕上演的AI大戏中，让我觉得最有趣的是，不同经历、背景的人带着完全不同的动机来做AI这件事。 有人只是为了解决工作中非常具体的问题，却没想到开启了一个时代。LeCun 希望让AI实现“看见”的功能，只是为了识别银行支票；Transformer 8 人2024 年 在 NVIDIA GTC 大会上首次同台时，其中一位作者说：我们写这篇论文时，没想过它会改变世界。我们只是想让 Google 翻译更好用。 有人是为了推动科学的进步。哈萨比斯把AGI像口头禅一样挂在嘴上，是因为他想要破解上帝的算法，他也相信，自然界中任何可生成或存在的模式，都能被经典学习算法高效发现并建模，这也对应了他功成名就后没有选择出去创业做个万亿市值的公司，而是继续做AI for Science。 有人擅长组局弄权，但往往这样的人能快速把事推进下去。Sam Altman没什么学术背景，来自硅谷风投机构。2015 年他和马斯克在加州的一次晚餐上达成共识，要做一个非营利组织，对抗谷歌可能形成的 AI 垄断，把 AGI 的成果造福全人类。马斯克实际投了4500万美元，组织章程写明：所有研究成果开源，不追求商业利益。 10 年后，OpenAI 估值 8520 亿美元，这家曾经的非盈利机构一度成了硅谷最贵的盈利公司。在那场宫斗一般的权力博弈中，Altman被董事会突然解雇，4 天后又被重新请回，背后是员工集体请愿、微软施压、董事会重组，但最终他还是赢了。 他的前老板，YC 创始人Paul Graham对他有一句评价：Sam Altman 就是那种人，你可以把他空降到一个食人族的小岛上，5 年后回来，他会是那里的国王。 回头看这 75 年，一个明显的变化：以前一个技术路线可以主导学界十几年。SVM 派主导 1990-2010 年代初，深度学习派主导 2012 年至今。研究者可以在顶刊或会议上慢慢争论。 现在不行了。Transformer 论文 8 作者，6 个变成亿万富翁；Scaling Laws 10 作者，6 个集体创办一家估值万亿美元的公司。 一篇论文不再是"发在哪里的区别"，是"亿万富翁还是普通研究员的区别"，是"一家公司能从几百亿涨到万亿、还是几个月内被快速超越的区别"，是"一步落后接着步步落后的区别"。 押注一个方向还是同时做很多方向？做基础模型还是做应用层？做能力还是做安全？这些选择已经不是研究者个人能慢慢思考的事。 舞台变大了，每个角色登场的时间窗口在变短。下一个登场的人会是谁，从哪个角度切入，我猜不出。但根据过去 75 年的规律，他可能在做一件今天看起来“无用”的事，真正改变世界的人，在改变世界之前，看起来都不像在改变世界。

00
Mike-Wu
19天前
七万年前智人获得语言能力后，组织能力获得了极大的提升，即使只是简单的石器工具，也能从此成为地球食物链顶端的狩猎者。

今天的AI Agent 正在加速革新组织能力，可以想象未来会爆发多大的文明进步！

这样的变革绝非工业革命和互联网革命所能类比的！
00
Mike-Wu
1月前
Mike-Wu
1月前
“给一个人装上传感器，他就是机器人”

终于有人和我一样的看法，人类应对AI 冲击的唯一办法就是与之融合，与其等待机器人越来越像人，不如人类主动升级为“机器人”

因此在人类身体上做AI硬件的都是这个赛道，可以把这种方式叫做“肉身机器人”，对标“具身机器人”🤖️
12