AI 的下一步不是更大的模型,是学会跟人合作
一门课的最后一讲,最能看出讲者真正在想什么。前面 11 讲是在搭骨架,数据、架构、对齐、融合、跨模态迁移、基础模型、强化学习,一块一块拼上去。到最后一讲,Paul Liang 不再讲新算法,而是退一步问:这些东西攒齐了,下一步应该长成什么样...
标签索引 / 第 7 页
AI 编程
这个标签下有 2494 篇文章。按时间回看相关判断与实践记录。
标签精选
相关内容
强化学习这十年,走的是一条不断"删东西"的路
监督学习像一次考试,你答一道题,老师立刻给分。强化学习不是。强化学习是你下一整盘棋,走了几十步,最后才知道这盘赢没赢,而且没人告诉你哪一步是关键的。这个差别看起来只是”反馈给得晚一点”,但它把整套训练范式都拧到了另一...
多模态融合不是把数据拼起来,是让模态之间"乘起来"
机器人圈有句老话:传感器加一个,问题加十个。同事最初听到这话总觉得是抱怨,做久了才明白,它说的是一个具体的工程现象:你给机器人加一颗 IMU、一颗超声、一颗深度相机,它的感知能力并没有按”加法”涨,而是按”...
模型架构的差别,在于你愿意把多少"结构"提前告诉模型
机器学习入门课的常见教法是:一周讲一个模型,线性回归、SVM、CNN、RNN、Transformer、GNN,一周一个,讲到学期末。学生记住了一堆名字,但下次拿到一个新数据集,还是不知道该选哪个,更不用说自己设计一个。 Paul Liang...
在动模型之前,你得先和数据"贴脸"
第 4 讲是这门课第一次把人按到键盘前面。前三讲讲原则、讲研究、讲数据本身的结构,从这一讲开始,Paul Liang 把麦克风让给两位 TA:David 和 Chanaka,带大家在 Colab 里把一个分类模型从头跑通。 听上去像一节教 ...
选模型之前,你得先给数据画一张脸
机器学习课的常见开场是讲算法:第一周线性回归,第二周决策树,第三周神经网络。Paul Liang 这一讲反着来。他先讲数据,而且讲了整整一节课,模型一个字没提。他给的理由很简单:你手里那摊数据长什么样,基本上已经决定了模型该长什么样,反过来...
研究是设计一个能失败的实验,不是想一个聪明点子
我以前一直觉得”做研究”是个挺玄的事:你得有灵感,得有品位,得在某天洗澡的时候突然冒出一个别人没想到的想法。后来在工程里摸爬几年,慢慢意识到大部分研究并不长这样。它更像一台机器,你按一个流程一圈一圈地转,转得快、转得...
这门 MIT 课不教模型,教你怎么"想" AI
MIT 媒体实验室有个延续多年的传统,叫 “how to … almost anything”。最早是 how to make almost anything(怎么造几乎任何东西),后来有了 how to...
Loop Engineering 是 Harness 的局部命名
最近一个词在 AI 圈被反复提起：Loop Engineering，循环工程。01Coder（小木头）做了一期视频把这件事讲了一遍，原视频在文末。我看完顺手对了一下自己手里这一年的笔记，想说一句直接点的：它没那么新，但 Boris Cher...
Loops 是 AI 编程的新词，不是新东西
过去一周，”loop”这个词在 AI 编程圈被反复提起。OpenAI 的 Peter Steinberger 在 X 上写了一句”你不该再 prompt 编程 agent，你该设计 prompt agen...