Karl Popper
PulseAugur coverage of Karl Popper — every cluster mentioning Karl Popper across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
AI遥测被批评为不可证伪的假设
作者认为，在Claude等大型语言模型的语境下，“遥测”通常是一种不可证伪的假设，而非科学概念。他们提出，应将卡尔·波普尔1934年关于风险的观点——即一个主张通过可证伪性来获得地位——应用于人工智能开发。这种观点表明，关于模型行为或安全性的、无法被测试或证否的说法缺乏科学严谨性。
-
开发者使用 Claude Fable 5 构建了 DeepReason 推理引擎
一位开发者使用 Anthropic 的 Claude Fable 5 模型创建了一个名为 DeepReason 的新推理引擎。该系统旨在让大型语言模型进行自我论证，探索和批判复杂问题的潜在解释。DeepReason 将每一步都记录在只追加的日志中，从而可以完全重现和详细分析模型的推理过程，包括识别模型何时停滞或重复想法。
-
哲学家弗兰克·拉姆齐的真理观和归纳法理论探讨
本文探讨了弗兰克·拉姆齐的哲学思想，特别是他的真理冗余论和对归纳法的处理方式。拉姆齐认为真理不是一个独立的属性，而是一种语言工具，这与符合论形成对比。他还提出了一种基于投注行为连贯性的归纳法替代解释，为管理不确定性和评估普遍法则提供了一种方法。
-
书籍认为真理根植于有用性和关怀，而非仅仅是观察
一本新书《基本不确定性》（Fundamental Uncertainty）认为，不确定性是知识的固有组成部分，而不仅仅是人类局限性的结果。作者提出，真理根植于有用性，而有用性又基于个体所关心的事物，从而为我们的假设提供了演化基础。这一观点通过识别不确定性的根源在于选择先验概率的问题，而先验概率是由关怀而非任意选择来指导的，从而与标准的贝叶斯方法形成了对比。
-
人工智能的“端到端科学”概念被批评为存在缺陷
人工智能系统执行“端到端科学”的概念被批评为一种有缺陷的想法，尤其是在涉及重新构建问题或理论时，而目前的 AI 尚不具备这种能力。作者建议超越卡尔·波普尔等过时的哲学参考，承认在科学哲学领域更具当代性和相关性的工作。
-
Eugene Yan 分享了7个受机器学习概念启发的生活教训
Eugene Yan 将机器学习概念与生活教训进行类比，强调了数据清洗和过滤输入（如食物、内容和人际关系）的重要性。他强调需要主动寻求新信息和反馈，类似于更新机器学习中的决策边界，而不是屈服于确认偏误。Yan 还讨论了探索-利用权衡，建议在尝试新体验和做决策时采取平衡的方法，以避免在机器学习和生活中陷入局部最优。