BIMSA 的研究员王亚庆认为,AI 的 Scaling Law 范式正因数据稀缺和高昂的计算成本而触及极限。她提出“数据高效的智能体学习”(Data-Efficient Agentic Learning, DEAL)作为下一个前沿,并将其与人类智能通过遗传、文化和经验利用先验知识进行类比。她的工作综合了少样本学习、元学习到上下文学习的进展,并提出大型模型通过其架构和海量训练数据隐式地执行元学习。 AI
影响 建议从计算密集型扩展转向数据高效方法,可能使 AI 在数据稀缺的领域(如药物发现和个性化推荐)得以应用。
排序理由 该条目讨论了 AI 的学术研究和理论进展,特别是关注当前扩展定律之外的新学习范式,并在一次会议上发表。 [lever_c_demoted from research: ic=1 ai=1.0]
- AI for Science
- Baidu Research
- Data-Efficient Agentic Learning
- DEAL
- Drug Discovery
- Few-Shot Learning
- GPT-3
- GPT-4
- Hong Kong University of Science and Technology
- ICLR 2025
- IJCAI 2026
- Machine Learning
- Meta-Learning
- Scaling Law
- Transformer
- Wang Yaqing
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →