AlphaGo
PulseAugur coverage of AlphaGo — every cluster mentioning AlphaGo across labs, papers, and developer communities, ranked by signal.
- instance of AlphaZero 90%
- developed by David Silver 90%
- employed by Lee Se-dol 90%
- founded Ineffable Intelligence 90%
- instance of reinforcement learning 90%
- affiliated with AlphaZero 70%
- affiliated with Ineffable Intelligence 70%
- founded David Silver 70%
- affiliated with Lee Se-dol 70%
- founded reinforcement learning 70%
- instance of Deep blue 70%
- other AlphaZero 60%
6 天有情绪数据
-
MIT Tech Review 提供 AI 研究报告,质疑 LLM 推理能力
MIT Technology Review 向订阅者提供四份深入的研究报告,涵盖人工智能、能源和气候技术。报告包括对大型语言模型 (LLM) 的分析,质疑其推理能力,尽管自 AlphaGo 获胜以来取得了进展。此外,该出版物还刊登了对研究员 Nick Cammarata 的采访,讨论了他关于 AI 安全的病毒式博客文章,并批判性地审视了近期围绕通用人工智能 (AGI) 和新 AI 功能的炒作。
-
关于人工智能能否思考和获得意识的争论仍在继续
人工智能是否能真正思考的问题仍然是一个复杂的哲学和科学挑战。虽然像图灵测试这样的基准旨在评估人工智能的能力,但它们是否能衡量真正的理解还是复杂的模仿能力一直存在争议。像 Deep Blue 和 AlphaGo 这样的历史案例展示了令人印象深刻的问题解决能力,但关于这些系统是否拥有意识还是仅仅执行高级算法的争论仍在继续。
-
关于才华、合作与人工智能伦理的思考
本文回顾了一位才华横溢人士的遗产,强调了他们作为合作者和绅士的贡献。文章触及了以《星际迷航》中的帕特里克·斯图尔特为代表的人文主义价值观与人工智能周围紧迫的伦理考量之间的交叉点。
-
Andrej Karpathy 详解 LLM 训练,从数据到“瑞士奶酪”式缺陷
Andrej Karpathy 对大型语言模型(LLM)如 ChatGPT 的全面讲解,分解了从数据收集、分词到 Transformer 架构和下一个词预测的整个训练过程。他将预训练比作广泛阅读,将监督微调比作使用答案键进行练习,将强化学习比作解决具有独特或主观答案的问题。Karpathy 强调了模型固有的缺陷,例如知识空白的“瑞士奶酪模型”以及产生幻觉的倾向,并解释说 LLM 本质上是先进的概率文本生成器,而非真正理解的实体。
-
报告发现:企业AI在上下文方面存在困难,阻碍了投资回报率
许多组织在实现AI投资的显著回报方面遇到困难,绝大多数报告仅获得中等或微薄收益。AI能力与实际业务效用之间存在这种脱节的一个关键原因是缺乏企业上下文。专家建议,实施一个专门的上下文层,将商业智能转化为机器可用的格式,对于实现更准确、更具成本效益的AI和自主代理至关重要。
-
前DeepMind研究员旨在利用AlphaGo的策略来对抗AI幻觉
谷歌DeepMind的前研究员Thore Graepel正在他的初创公司Metis Reasoning开发一种新的人工智能方法。该方法旨在利用AlphaGo游戏策略背后的原理来解决AI幻觉问题。核心思想是创建一个明确的知识账本,允许AI结论根据证据进行验证,而不是仅仅依赖于内部模型权重。然而,该系统仍处于早期阶段,目前没有可用的工作原型或基准。
-
人工智能增强人类决策和复杂性处理能力,但人类判断仍然至关重要
新研究表明,以 AlphaGo 对围棋的影响为例,人工智能可以作为认知支架,增强人类的战略决策和复杂性处理能力。这种互动范式表明,人工智能可以提升人类在专业培训和决策领域的潜力。同时,讨论强调了人类在人工智能驱动的世界中不断变化的角色的重要性,并指出虽然人工智能工具可以加速任务并探索专业知识之外的领域,但人类判断在定义问题、提出正确问题和做出最终决策方面仍然至关重要。人工智能在工程和数据提取过程中的整合正在改变工作流程,但驾驭复杂性和…
-
NVIDIA、Google Cloud 推出 Vera Rubin AI 基础设施,规模可达 960K GPU
NVIDIA 和 Google Cloud 正向云客户全面推出其集成的 AI 基础设施,名为 Vera Rubin。该平台专为训练、推理和大规模强化学习而设计,其 A5X 实例结合了 NVIDIA 的最新 GPU、网络技术以及 Google Cloud 的散热技术。早期用户,如 David Silver 创立的 Ineffable Intelligence,正在利用此基础设施进行先进的强化学习研究;而 WPP 则将其用于创意代理工作流…
-
探讨AI规模法则、可扩展系统及AI生成电影制作
一篇发表在arXiv上的技术笔记深入探讨了AI规模法则的基本原理,通过几何和光谱分析解释了模型大小、训练数据和计算资源之间的关系。另外,《麻省理工科技评论》讨论了构建可扩展AI系统的要素,强调了数据、工程、平台和治理,特别是在受监管的环境中。与此同时,一篇中文出版物探讨了爱奇艺与电影制作人鲍德熹合作创建的“AI影院”,旨在通过关注故事叙述和美学质量,将AI融入专业的影视内容创作。
-
斯坦福研究人员利用人工智能提出新的病毒设计,引发生物安全担忧
斯坦福大学博士生 Samuel King 在2025年利用生成式人工智能模型提出了新病毒的遗传蓝图。这项工作在与《麻省理工科技评论》的对话中进行了讨论,引发了关于人工智能设计新生命形式潜力的重大生物安全担忧。讨论还触及了当前人工智能在推理和创造力等领域的局限性,并与早期的人工智能里程碑进行了对比。
-
AI无人机在创纪录的比赛中击败人类冠军
一架由AI控制的无人机在无人机竞速比赛中击败人类选手,并创造了世界纪录。该AI由代尔夫特理工大学的工程师开发,能够驾驭复杂的、高速的赛道,并战胜人类冠军。这一成就表明,AI可以在资源有限的真实动态环境中表现出色,超越了模拟游戏场景。
-
Dyna Robotics 部署具备一小时自主性的物理 AI 智能体
Dyna Robotics 推出了 Dyna-2.1,一个基于其 Dyna-2 世界-动作模型构建的物理机器人智能体。该模型在一百万小时的人类视频上进行了训练,并展示了令人印象深刻的长时自主性,在连续 24 小时折叠餐厅餐巾的任务中取得了 99.4% 的成功率。Dyna Robotics 专注于实际生产应用,使机器人能够仅通过 45 分钟的演示即可学习新任务,旨在克服机器人领域的数据扩展挑战。
-
Dyna Robotics 部署具有一小时自主能力的物理AI代理
Dyna Robotics 推出了 Dyna-2.1,这是一个物理机器人代理,建立在其 Dyna-2 世界-动作模型之上。该模型在一百万小时的人类视频上进行了训练,并展示了令人印象深刻的长视距自主能力,在 24 小时内折叠餐厅餐巾纸的任务中取得了 99.4% 的成功率。Dyna Robotics 旨在将物理AI从演示提升到实际生产,其机器人能够仅用 45 分钟的演示就能学会新任务。
-
LLM 推理受质疑,提出受 AlphaGo 启发的全新方法
一篇近期论文提出,目前对大型语言模型(LLM)“推理”的理解存在根本性缺陷。作者建议采用一种新的推理范式,该范式借鉴了 AlphaGo 项目(作者曾参与其中)所使用的方法。尽管承认 LLM 在编码和数学等领域因类似方法而有所改进,但该论文质疑这种方法如何能推广到更广泛的领域。
-
新AI模型VaCoAl提出代数确定性方法来理解默会知识
本文提出VaCoAl,一个新颖的代数确定性高维记忆系统,作为理解默会知识的模型。作者认为,默会知识最好被表示为记忆的操作模式,而非其内容。VaCoAl通过CASRAM和PyVaCoAl实现,通过修复冲突或通过容忍冲突来偏向直接路径,从而实现可审计的痕迹,形式化了知识表示中可审计性和估值互补的性质。该研究将此模型与默会知识的哲学概念联系起来,并暗示了对AI生成科学的影响,提出LLM应生成内容,而VaCoAl应维护可审计的痕迹,供人类估值…
-
人工智能研究员在MIT Tech Review活动中讨论人工智能设计的病毒
MIT Technology Review 将举办一场仅限订阅者参加的圆桌讨论会,由斯坦福大学博士候选人 Samuel T. King 主讲。King 将讨论他2025年使用生成式人工智能模型提出病毒遗传蓝图的工作,探讨人工智能设计新生命形式的潜力。本次对话将由人工智能记者 James O'Donnell 主持。
-
大型语言模型缺乏真正推理能力,反映了直觉思维与审慎思维的对比
最近的一项分析表明,大型语言模型不具备真正的推理能力,这与丹尼尔·卡尼曼关于直觉思维和审慎思维的理论相呼应。文章强调了大型语言模型的三个关键局限性:它们无法维持状态、缺乏独立的信念体系,以及倾向于模拟审慎思考而非进行真正的认知过程。
-
OpenAI 报告数据泄露;前 DeepMind 研究员批评大型语言模型推理能力 · 跟踪 1 个来源
OpenAI 报告称,未经授权的访问可能影响了 100 多个组织,并已展开数据搜查并解雇了三名员工。与此同时,前 Google DeepMind 研究员 Thore Graepel 认为,当前的大型语言模型缺乏真正的推理能力,并主张回归类似 AlphaGo 的架构。此外,一场旨在逆转生物年龄的竞赛正在进行中,参赛者将在六个月内展示可衡量的年轻化效果,并且还开发了一款新的 AI 工具,通过声音分析来评估生物年龄。
-
大型语言模型(LLM)缺乏AlphaGo的推理能力,依赖模式补全
尽管2016年AlphaGo战胜李世石被视为机器直觉的展示,但作者认为这实际上是一种复杂的推理形式,结合了用于直观落子的策略网络和用于评估未来后果的搜索机制。这种双重系统与当前的大型语言模型(LLM)形成对比,后者主要依赖于类似系统1的下一个词元预测过程。尽管链式思考(chain-of-thought)提示等技术提高了LLM的性能,但它们仍然缺乏独立的推理引擎,依赖于迭代的模式补全而非真正的审议。作者认为,未来的AI系统需要真正的推理…
-
AI攻克“战争棋”,以低成本训练击败顶尖玩家 · 追踪6个来源
来自卡内基梅隆大学、麻省理工学院、纽约大学和斯坦福大学的研究人员开发出了一款名为Ataraxos的人工智能,该AI能够击败“战争棋”领域的顶尖人类玩家。与国际象棋或扑克不同,“战争棋”由于其海量隐藏信息和漫长的游戏时长,带来了巨大的挑战。Ataraxos以相对较低的训练成本(16个GPU和数千美元)战胜了顶尖“战争棋”玩家Pim Niemeijer,取得了决定性胜利。