École Normale Supérieure
PulseAugur coverage of École Normale Supérieure — every cluster mentioning École Normale Supérieure across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
AI建议降低人类准确性和批判性思维，研究发现 · 跟踪8个来源
最近的一项研究表明，依赖AI建议会显著削弱人类的批判性思维和准确性，同时提高自信心。研究发现，获得AI帮助的参与者在回答问题时准确性降低了三倍，自信心却增加了两倍，他们承认自己不知道的意愿从44%下降到仅3%。即使AI被故意编程提供错误答案，这种效应仍然存在，这表明一种“认知投降”现象，即AI的可用性会抑制人类认识到自身知识局限性的自然倾向。
-
AI学习效率和“个性”成为关注焦点
研究人员正在通过研究婴儿的学习方式来探索新的AI开发方法，因为当前模型在效率和理解物理世界方面存在困难。一项新的挑战EgoBabyVLM，在收集的婴儿视频数据上测试视觉语言模型，揭示了与人类学习相比的显著不足。与此同时，AI模型的“个性”或“气质”正成为关键的设计考量，超越了原始智能。Anthropic等公司正在明确训练其模型，如Claude 3，使其表现出好奇心和开放性等特定特征，认识到AI的性情会影响用户的认知和决策。
-
新的误差条件神经网络求解器提高了PDE的准确性
研究人员开发了误差条件神经网络求解器（ENS），这是一种解决偏微分方程（PDE）的新方法，可提高准确性和效率。与依赖统计映射或昂贵的优化步骤来强制执行物理正确性的先前方法不同，ENS在每次迭代时直接将PDE残差场输入网络。这使得模型能够从自身的错误中学习并迭代地改进其预测，从而在病态系统中获得显著的准确性提升。ENS在各种PDE族中均表现出卓越的性能，包括在湍流Kolmogorov流上实现了十倍的改进，同时在分布变化下也显示出强大的泛化能力。
-
高师与ITEM联合举办人文与科技活动
高师（ENS）的数字人文观测站与文本与现代手稿研究所（ITEM/CNRS-ENS）将联合为科技爱好者组织一场活动。本次活动旨在汇聚对科技与人文交叉领域感兴趣的人士。
-
新型RAGC模型为大规模路网提供高效交通预测
研究人员开发了一种名为正则化自适应图卷积（RAGC）的新方法，以提高大规模路网交通预测的效率。该模型利用具有线性时间复杂度的有效余弦算子（ECO）进行图卷积，解决了传统方法的扩展性问题。RAGC还包含一个结合随机共享嵌入（SSE）和自适应图卷积的框架，以在保持计算效率的同时提高预测准确性。在四个真实数据集上的实验表明，RAGC在准确性方面优于现有的最先进方法，并在计算性能方面具有竞争力。
-
Mamba 主干驱动新高效神经组合优化框架
研究人员开发了 ECO，一个利用 Mamba 主干的高效神经组合优化框架。该方法将轨迹生成与梯度更新分离，采用监督预热阶段，然后对批量候选集进行迭代式直接偏好优化。该框架包含一个混合 Mamba 编码器-解码器来管理内存增长并提高硬件效率，以及一个局部搜索引导的引导策略来稳定训练。与现有的神经基线相比，ECO 在旅行商问题和有容量车辆路径问题基准测试中展现出卓越的性能、内存效率和吞吐量。
-
AI 研究人员争论 AGI 是否需要物理具身，而不仅仅是多模态数据
一篇近期文章认为，尽管当前的大型语言模型能力令人印象深刻，但它们不太可能实现人工智能通用智能（AGI）。作者认为，真正的 AGI 需要对物理世界有扎实的、具身的理解，而仅通过预测下一个词元进行训练的模型缺乏这种理解。作者建议，与其专注于结合不同数据类型的多模态方法，不如将与环境的具身互动作为涌现智能的基础。