Daniel Kahneman
PulseAugur coverage of Daniel Kahneman — every cluster mentioning Daniel Kahneman across labs, papers, and developer communities, ranked by signal.
8 天有情绪数据
-
研究论文提倡使用原型来增强表格人工智能的可解释性
一篇新研究论文提出,将原型作为特征归因的补充方法,以提高表格人工智能模型的可解释性。该论文认为,原型,特别是“原型部分”(将相关特征分组为语义单元),通过与人类分类理论和系统1思维对齐,可以减轻非专业用户的认知负担。研究还引入了几何有效性三元组来概念化原型如何验证数据流形,这表明需要转向复合解释流程,将基于相似性的推理与特征级审计相结合。
-
TypeSafe.ai 的 Jev 模型引发了更快、更便宜的人工智能决策模型浪潮
TypeSafe.ai 推出了名为 Jev 的新人工智能模型,该模型被宣传为一种“System One 模型”,与传统的 LLM 相比,能够提供更快、更便宜且无幻觉的响应。这项创新引发了快速模仿,Cloudflare、Amazon 和 OpenAI 等主要公司纷纷发布了自己的“决策模型”。独立测试证实 Jev 的延迟和成本显著降低,从而开辟了诸如高容量内容审核之类的新应用。
-
新的“System One”AI 模型提供比传统 LLM 更快的决策速度
一种新类别的 AI 模型,称为“System One”模型,正在兴起,以解决使用通用 LLM 进行简单决策任务的效率低下问题。这些模型受丹尼尔·卡尼曼(Daniel Kahneman)的《思考,快与慢》(Thinking, Fast and Slow)的启发,旨在快速直接地输出结构化决策,而不是对话文本。像 TypeSafe AI 及其 Jev 模型这样的初创公司,以及 OpenAI 和 AWS 等大型公司,都在开发这些专用模型,它们…
-
人工智能使认知偏差专业化,使人类判断复杂化
人工智能通过使锚定效应和可得性启发等认知偏差专业化,从根本上改变着人类的判断。人工智能可以先发制人地构建问题框架,或从不完整的数据中生成令人信服的叙述,从而导致“借来的信心”而非合理的信念。这项技术使形成独立判断的过程复杂化,因为在人类思维完全介入之前,人工智能就可以强化现有的直觉或建立新的锚点。
-
Databricks Genie 提供快速与详尽的 AI 查询模式
Databricks Genie,一款用于查询公司数据的 AI 工具,现提供两种模式:Flash(闪电)和 Standard(标准)。Flash 模式通过减少推理来提供快速答案,而 Standard 模式速度较慢但更详尽,会进行额外的检查。测试表明,Flash 模式可能得出不正确的结论,例如由于数据不完整而错误地解释了出货量变化,而 Standard 模式虽然速度较慢,但通过考虑这些差异得出了更准确的结果。
-
AI agent 应用使用 Laya 决策模型完全在浏览器中运行
一位开发者使用 Laya(ConvAI Innovations 的一个拥有 4.21 亿参数的决策模型)和 WebGPU 创建了四个完全在网页浏览器中运行的 AI agent 应用程序。这些应用程序无需服务器或 API 密钥,提供了私密的本地 AI 体验。Laya 旨在实现类似人类系统 1 思考的快速、直观的决策,负责路由、审核和护栏等任务,在 agentic 决策方面优于更大的生成模型。该模型被转换为 ONNX 并进行量化以兼容浏览…
-
研究发现:大型语言模型表现出类似人类的概率扭曲,但损失厌恶程度较低
对来自11项研究的102个拟合估计进行的元分析表明,大型语言模型(LLMs)表现出人类决策中观察到的前景理论的某些特征,但并非全部。虽然LLMs表现出适度的损失厌恶,汇总的lambda值为1.26,但与人类相比,它们在边际敏感性递减方面表现不那么明显,一种方法下的价值函数接近线性,另一种方法下则更凹。然而,LLMs确实表现出类似人类的S形反转概率加权,表明它们可以以与人类相似的方式扭曲概率。
-
System One模型提供比LLM更快、更便宜的AI决策
一类新的AI模型,被称为“System One”模型,旨在实现快速、结构化的决策,而不是文本生成。在一项比较中,名为Jev的System One模型在意图分类和内容安全检查等任务上,与Claude Haiku 5.5相比,延迟和成本显著降低。虽然Jev更快、更便宜,但其准确性在大多数测试基准上与Claude Haiku 5.5相当,这表明System One模型可能是AI管道中特定决策任务更有效的选择。
-
AI缺乏“行动摩擦”与人类犹豫的对比
作者探讨了“行动摩擦”的概念,即人类尽管知道需要做什么,但仍有犹豫或拖延任务的倾向。这种摩擦源于诸如害怕评判、风险规避或简单的惯性等因素,与AI代理中感知到的缺乏这种犹豫形成对比。文章认为,AI在没有这些内部制约的情况下采取行动的能力可能是其速度的关键原因,这暗示着人类的参与可能成为AI辅助工作流程中的瓶颈。
-
Cloudflare 推出 Clairic,用于在 Workers AI 上进行快速数据提取
Cloudflare 推出了 Clairic,一个旨在从文本和图像中提取结构化数据的新模型。与传统的 LLM 不同,Clairic 旨在一次性将总计和日期等特定信息提取为 JSON 格式,而无需生成文本。在 Cloudflare 的测试中,该模型实现了亚秒级提取时间,可通过 Workers AI 访问,定价为每百万输入 token 0.10 美元。
-
Cloudflare 发布 Clairic 提取模型,实现更快、更便宜的数据处理
Cloudflare 推出了 Clairic,这是其 System One 框架内一种新型提取模型。Clairic 旨在比传统 LLM 更准确、更快速、更低成本地从非结构化文本中提取、计算、估算和预测值。该模型专注于提供结构化输出,如数字、日期和特定文本跨度,这使其与生成开放式文本且需要更长处理时间的 LLM 区分开来。
-
AutoTrust AI 发布 JEV-27B 决策模型,采用 Blocks of Experts 架构
AutoTrust AI 发布了 JEV-27B,这是一款开放权重决策模型,专为高速、结构化判断而设计,解决了使用大型语言模型处理狭窄任务的低效问题。JEV-27B 受到丹尼尔·卡尼曼(Daniel Kahneman)的系统 1 和系统 2 思维的启发,在一个前向传播中优化了快速、校准的概率分布,使其适用于大规模内容审核等操作任务。该模型采用了 Blocks of Experts (BoE) 架构,冻结了 Qwen3.8-27B 主干…
-
TypeSafe AI 发布 Jev,用于快速、低成本的 AI 评估
Jev 是 TypeSafe AI 推出的新型 AI 评估模型,旨在实现快速、低成本的决策。与提供解释的传统 LLM judge 不同,Jev 为预定义的类别提供带有概率的类型化答案,使其在特定任务上速度更快、成本更低。Rhesis 已将 Jev 集成作为分类指标的模型提供商,从而可以在 AI 测试中使用它来执行诸如分类支持工单或评估客户情绪等任务。
-
Jev AI 专注于决策而非文本,具有校准的置信度
Jev 是一个新的人工智能系统,旨在做出决策而非生成文本,这使其区别于 ChatGPT、Claude 和 Gemini 等模型。Jev 由 TypeSafe AI 开发,该公司由曾在 OpenAI 工作过的 Diogo Almeida 创立,Jev 旨在实现类似于“系统 1”思维过程的快速、即时判断。它回答固定问题并提供预定义响应,例如是/否或按比例评分,并为其决策提供置信度级别,旨在通过提供即时、可靠的答案而不是冗长的文本来简化业务流程。
-
决策AI模型提供结构化输出,挑战传统LLM
一种新的AI模型类别——“决策AI”正在兴起,其重点在于提供结构化输出,如选择、分数或概率,而非自由文本。TypeSafe AI的Jev模型,被描述为“System One模型”,通过提供代码可直接操作的校准概率引领了这一趋势。Fastino Labs等竞争对手迅速推出了类似模型,开源替代方案也正在涌现,旨在通过提高速度和可靠性来改进代理控制流、分类和验证任务。
-
杰文斯悖论应用于人工智能判断:效率驱动使用量增加
杰文斯悖论最初应用于资源消耗,表明效率的提高会导致总体使用量的增加,因为每单位工作的成本会降低。这一原理现在被应用于人工智能判断,像以杰文斯命名的System One这样的模型,其判断成本仅为几分之一美分。预期这种成本的大幅降低将导致判断数量的爆炸式增长,而不是判断总数的减少。这种现象与ATM机进行了比较,ATM机自动化了常规交易,导致出纳员角色的重新分配,而不是劳动力的显著减少,人类出纳员处理更复杂和面向客户的任务。
-
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。
-
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…
-
TypeSafe AI 为电商推出经济高效的分类模型
TypeSafe AI 发布了一款名为“System One”的新模型,该模型专为分类任务而非文本生成而设计。该模型的定价为每百万输入 token 0.042 美元,输出免费,旨在为电商商店提供更快、更便宜的决策制定。作者认为,零售业中的许多 AI 调用,例如确定客户情绪或对产品进行分类,本质上都是分类问题,可以通过 TypeSafe AI 的专用模型等更具成本效益的方式来处理,而不是使用通用的大型语言模型。
-
新的“System One”AI模型提供更快、更便宜的代理决策
一类新的AI模型,被称为“System One”,正在兴起,通过比通用大语言模型更有效地处理特定、有限的任务来优化AI代理的性能。这些模型,以TypeSafe的Jev和Convai Innovations的Laya为例,旨在处理状态输入并回答具有预定义选项的类型化问题,例如选择、评分或是/否。这种方法旨在通过避免为简单决策调用复杂的大语言模型来降低成本和延迟,类似于使用专用工具而不是通用推理引擎。