John von Neumann
PulseAugur coverage of John von Neumann — every cluster mentioning John von Neumann across labs, papers, and developer communities, ranked by signal.
5 天有情绪数据
-
新理论提出语义信息度量，解决悖论
一篇新论文提出了一种衡量语义信息的新方法，该方法建立在现有理论的基础上并对其进行了批判。作者指出了Luciano Floridi的语义信息理论中的缺陷，特别是其未能解决Bar-Hillel-Carnap悖论。提出的解决方案利用了单位圆类比，类似于von Neumann的量子概率，来构建一个信息量度量空间，该空间解决了悖论并将矛盾信息赋予相等的度量。
-
Ada Lovelace 在 19 世纪的见解预示了人工智能的核心问题
《纽约时报》的一篇观点文章探讨了 Ada Lovelace 在 19 世纪对 Charles Babbage 分析机的见解如何预示了关于人工智能的基本问题。文章认为，Lovelace 对机器局限性的理解，特别是其无法原创任何东西以及依赖编程指令的特性，为后来关于人工智能的性质和能力的讨论奠定了基础。文章将她的工作与 Alan Turing 和 John von Neumann 开发的概念进行了类比，表明她奠基性的思想在今天仍然具有现实意义。
-
研究人员在神经网络中实现精确自复制
研究人员开发了一个固定的McCulloch-Pitts阈值单元网络，能够执行和复制其状态内的其他阈值网络。该系统受John von Neumann工作的启发，实现了包括权重和内存的网络精确自复制。该方案可扩展为通用计算机，通过一个SUBLEQ计算机得到证明，该计算机可以构建和复制适合其存储库的任何网络，并能发出自身的序列化。
-
新分析认为，计算心智模型导致AI发展存在缺陷
文章认为，当前AI的发展基于一个有缺陷的人类心智计算模型，将AI比作认知的“垃圾食品”。文章将其与神经科学家Paul Cisek提出的反馈控制系统模型进行了对比，该模型强调行动和刺激的调整，而非被动的信息处理。这种观点表明，AI通过模仿大脑有限的计算视角，未能把握人类认知的真正复杂性及其进化基础。
-
探讨阿达·洛夫莱斯对人工智能的潜在看法
一篇观点文章探讨了19世纪的数学家和作家阿达·洛夫莱斯（Ada Lovelace）可能如何看待现代人工智能。作者推测，以其在查尔斯·巴贝奇（Charles Babbage）分析机上的工作而闻名的洛夫莱斯，可能会对人工智能的能力着迷，但也会对其局限性和潜在的社会影响保持谨慎。文章将洛夫莱斯对计算的早期构想与当代人工智能的讨论进行了类比。
-
亚马逊与Synopsys合作开发AI芯片，Anthropic探索AI用于科学研究 · 追踪3个来源
亚马逊与Synopsys达成一项为期多年、价值数十亿美元的协议，以加速AI芯片的设计。Synopsys将授权其芯片设计和工具给亚马逊，同时采用Amazon Bedrock部署利用AWS计算和存储的AI代理。另外，Anthropic发布了一项名为“Claude-Shaped Science”的新研究，该方法利用AI协助科学发现。
-
AI多元对齐框架解决冲突的人类反馈问题
研究人员开发了一个新的“多元对齐”人工智能框架，旨在从多样化且可能冲突的人类偏好中学习，以创建单一的、统一的AI策略。该方法应用于离线人类反馈强化学习（RLHF）的背景下，其中个体反馈来源是可识别的。该研究在特定的覆盖条件下，为估计奖励和策略性能提供了理论保证，并且还解决了可能无法产生清晰标量奖励的通用成对偏好场景。
-
新框架增强了粒子群优化算法的可解释性
研究人员开发了一个新框架，以提高粒子群优化（PSO）算法的可解释性。该框架使用探索性景观分析（ELA）来表征问题难度，并采用决策树和随机森林等机器学习分类器来预测最优超参数配置。此外，它还集成了IOHxplainer和搜索轨迹网络（STN）等工具来分析时间收敛和空间导航，引入了新的指标来量化搜索组织和效率。该研究在各种基准函数和拓扑结构上进行，旨在揭开PSO的“黑箱”性质，并为群体智能系统提供更大的透明度。
-
约翰·冯·诺依曼在原子弹研发中的争议性作用被强调
在DDD Europe的一次演讲中，Felienne Hermans强调了约翰·冯·诺依曼鲜为人知的一面，特别是他在原子弹研发和战略引爆中的重要作用。Hermans指出，虽然冯·诺依曼因冯·诺依曼体系结构而受到赞誉，但他计算炸弹引爆的最大平民伤亡（包括提议在京都引爆）的参与却常常被忽视。这段历史背景让Hermans质疑他的英雄地位，尤其是在IEEE等组织仍在以他的名义颁发奖牌的情况下，尽管他对战争做出了争议性的贡献。
-
新的神经形态计算模型绕过传统AI训练
研究人员引入了一种新颖的用于神经形态计算的通用模型，称为“基底”，它利用输入相关的随机权重网络。该框架旨在通过输入触发的随机更新实现权重演化，从而降低传统AI训练相关的计算成本。模型在权重演化中的相关性显著影响系统响应，为无需传统权重训练的神经形态计算提供了潜在途径。
-
后AGI经济模型：AI代理作为生产者和消费者
一篇新论文提出了一个后AGI经济模型，其中由企业拥有的AI和机器人代理既是生产者也是消费者。这种企业间的经济可以实现最大化增长，而无需人类消费，将增长瓶颈从人类人口转移到制造和能源捕获。论文认为，在这种情况下，GDP和人类福祉将完全脱钩，所有权政策将成为人类生存和福祉的主要决定因素。
-
约翰·冯·诺依曼传记引发关于人工智能和技术生存的讨论
一位读者分享了读完 Ananyo Bhattacharyya 所著的约翰·冯·诺依曼传记《来自未来的男人》的体验。这本书探讨了 20 世纪的突破性进展及其与人工智能等现代技术的联系。读者的一大收获是冯·诺依曼关于人类在技术面前生存问题的论文，这与关于数字治理的讨论以及 Mustafa Suleyman 的《即将到来的浪潮》中的主题相似。
-
新理论融合博弈论与自复制自动机
一篇题为“战略演化理论：内生博弈者与策略复制子博弈”的新论文综合了博弈论和自复制自动机理论。它引入了“内生博弈者博弈”（GEPs），其中谱系是主要的策略单位，并将“进化稳定智能分布”（ESDIs）定义为均衡概念。该论文提出，不受限制的自我修改会导致不稳定，因此在人工智能部署动态等系统中，需要有界的修改类别来实现稳定的对齐。
-
作者认为AI潜力受用户情境和内部因素限制
作者认为，尽管AI的能力日益增强，但个人往往难以有效地利用这些工具来显著提高生产力或解决个人问题。这归因于两个主要因素：“严肃的使用情境”的缺乏，意味着用户没有AI建议功能引人注目的需求或既定实践，以及外部工具难以克服的内部人类局限性。文章以AI抽认卡生成器和AI导师为例，说明了当对照具体的日常工作流程和动机进行审视时，对AI援助的抽象愿望常常会失败。
-
冯·诺依曼网络提供参数高效的AI，性能优于深度学习变体
研究人员引入了一种新型人工智能神经元，称为冯·诺依曼神经元，其灵感来源于约翰·冯·诺依曼二十世纪中叶的计算模型。这些神经元组织成冯·诺依曼网络（VNNs）后，能够学习专门的角色，并根据输入和输出配置进行自我工程化其架构。VNN框架通过在细胞拓扑上进行卷积来扩展神经算子并学习格林函数，在基本任务上展示了优于传统深度学习模型的性能和参数效率。
-
新研究提出可判定性度量和计算的复杂度类
本文提出了一个理解计算不可判定性的新框架，将艾伦·图灵的工作与格奥尔格·康托尔的集合论联系起来。它引入了一种根据输入数据的概率分布来衡量问题不可判定性程度的方法。该研究还定义了三个新的不可判定问题复杂度类——U-complete、D-complete 和 H-complete——并否定地回答了一个关于不可判定问题复杂度的基本问题，类似于P vs. NP问题。