Xin Li
PulseAugur coverage of Xin Li — every cluster mentioning Xin Li across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
新理论将计算与记忆相结合以解释智能
一篇新论文提出了一个结合了计算和记忆的智能理论框架，认为两者单独都无法完善。作者包括 Xin Li 和 Alan Turing，他们认为智能需要这两种算子来应对非平稳世界的复杂性。他们详细阐述了符号计算如何面临哥德尔不完备性，以及连续下降如何面临莫尔斯强制鞍点不完备性，而它们的耦合会导致上下文识别中不可约的误差下限。
-
GB200 NVL72 服务成本通过软件升级削减 2.5 倍
针对 GB200 NVL72 的软件优化在不到 70 天的时间里将服务成本大幅降低了 2.5 倍。这些改进，特别是使用 CuTe-DSL 重写 NVFP4 MoE 内核并利用 NVL72 的高带宽铜背板，已应用于 Kimi 架构，该架构也为 xAI 的 Cursor Composer 2.5 提供支持。这一显著的成本降低凸显了软件工程对人工智能基础设施效率的影响。
-
新的Wi-Fi感知框架改进了多人活动识别
研究人员开发了WiAnchor，一个旨在改进基于Wi-Fi的跨域人类活动识别的新框架，即使某些活动类别缺失也能实现。该系统利用近场Wi-Fi信号区分多个人，克服了传统Wi-Fi感知的局限性。WiAnchor采用三步流程，包括用于增强特征可分离性的预训练，用于跨域适应并过滤特定主体干扰的锚点匹配机制，以及基于特征相似性的最终识别。在自定义数据集上的评估表明，在缺失活动类别的情况下，跨域准确率超过90%。
-
新理论利用持久同调解释涌现结构
一篇新的研究论文提出将持久同调作为理解各种系统中涌现结构的数学框架。该理论认为，持久的、非平凡的同调类代表了尽管底层微观变化但仍然稳定的宏观特征。这种方法将涌现视为一个测量问题，使用收缩相似图和霍奇分解等工具来预测从流体动力学到神经网络和社会系统等现象中的鲁棒性和分层组织。
-
新理论将学习分解为陷阱发现和漏斗泛化
研究人员引入了结构学习理论（StrLT）来应对复杂、多上下文环境中的学习挑战。该新理论将“宽度”定义为覆盖学习问题所需的最小单元格数量，并引入了一个相变点，当单元格不足时会导致不可约误差。该论文还提出了收缩相似算子和度量弹弓等方法来估计宽度和优化学习成本，对持续学习和终身学习具有启示意义。