跳到正文

#数据/训练

今日 0 条
11月18日周三
11月17日周二
11月14日周六
11月11日周三
11月10日周二
11月7日周六
11月6日周五
11月5日周四
  1. The Verge · AI22

    哈佛经济学家 Willy Shih 谈 AI 热潮背后隐藏的供应链成本

    哈佛商学院教授 Willy Shih 在 Decoder 播客中讨论 AI 基础设施大规模建设对全球供应链的隐性成本,并解释关税与制造业回流的现实困境。他指出,面对对华关税,制造商的第一反应往往是经越南、墨西哥等地绕道规避,而非真正回流美国。其新书《Where Does My Stuff Come From?》聚焦全球供应链背后的经济学逻辑。

11月4日周三
  1. MIT Technology Review · AI18

    用数据血缘保障智能体企业的安全

    随着企业将智能体 AI 引入日常工作流,AI 安全的核心已从工具问题转为数据可见性问题:数据被持续摄取、复制、摘要、转换和再分发,传统围绕应用、系统、网络和端点的安全方法已不够用。文章提出团队需要建立数据血缘,才能在人类、智能体及混合工作流中实现治理、问责与信任。

11月2日周一
  1. MIT Technology Review · AI22

    别再数 token 了,该数交付了多少软件

    面向 AI 编程智能体的按 token 计费模式正让高价值工作流变成最贵的一环,Uber 据称在 4 月就耗尽全年 AI 预算,GitHub Copilot 也从固定费率转向按量计费。文章主张改用「每个已合并 PR 的成本」衡量投入产出,并搭配返工与缺陷指标。HPE 称其混合 AI 平台将 150 多个内部应用的常规负载路由到本地开源权重模型,token 成本下降 30% 至 50%。

10月29日周四
10月26日周一
10月20日周二
  1. MIT Technology Review · AI22

    TripleTen 调查:各行业 AI 采用率差异揭示其他行业可借鉴的路径

    TripleTen 调查显示,科技行业领跑 AI 采用,金融紧随其后:48% 的金融从业者被要求使用 AI 聊天机器人,32% 被要求自动化部分工作流,而医疗和教育分别只有 18% 和 25%。79% 的受访者被要求学习至少一项新技能,但仅 30% 的管理者认为判断 AI 输出对错是必备能力。员工主导的 AI 创新中 88% 成为公司标准做法。

10月16日周五
  1. The Decoder62

    AI 可解释性是否接近突破?一篇新文章让研究者意见分裂

    The Decoder 报道,一篇关于机制可解释性的新文章引发研究者分歧。作者 Cammarata 认为,InceptionV1 中著名的猫脸与汽车神经元其实是 V 形检测器,并非叠加现象,他提出递归泛化来解释神经元的关联模式,并称在 Qwen3-32B 中约 90% 的神经元极点只有一个主要功能,仅 2% 到 4% 无法解释。

10月15日周四
  1. The Verge · AI22

    我的 AI 数字孪生告诉我该吃什么

    The Verge 资深评测人 Victoria Song 用 Twin Health 的数字孪生追踪了约 100 天代谢数据,该服务通过 Dexcom G7 CGM、智能体重秤、血压计和血液检测构建虚拟代谢模型,用红橙绿三色预测食物对血糖的影响。她表示记录饮食确实减少了不健康零食,但未带来明显减重,减药目标也未顺利实现。Twin Health 目前仍属实验性服务,仅通过企业或私人健康计划提供。

10月14日周三
10月10日周六
10月9日周五
10月8日周四
  1. Simon Willison12

    Ben Affleck 谈机器学习与 Python:从卷积神经网络到 Transformer

    Ben Affleck 自述从小对计算机感兴趣,在电影从模拟转向数字后更关注视觉特效流程,并指出该流程多年来已包含机器学习。他称自己会写"相当糟糕的 Python 脚本",并解释卷积神经网络作为 Transformer 的前身,可通过 tensor 中的数值识别边缘检测与特征提取,从而更轻松地抠出绿幕并替换背景。

10月7日周三
  1. Microsoft Research22

    Microsoft 研究员 Jennifer Neville:AI 评测如何暴露模型的“意外失败”

    Microsoft 的 Jennifer Neville 在 Microsoft Research Podcast 中讨论评测如何推动 AI 系统突破传统 benchmark 的性能边界,以及模型在超出常规测试时出现的“意外失败”。她结合自身从数学、物理、认知科学到计算机科学的经历,分享与当前 AI 系统协作的实用建议,并强调当结果偏离预期时应仔细审视数据。

10月6日周二
  1. MIT Technology Review · AI12

    从预测到自主决策:预测分析如何进入智能体 AI 时代

    企业 AI 的焦点已从预测模型能否超越统计预测,转向如何让预测系统在不偏离业务意图的前提下自主行动。深度学习和生成式 AI 驱动的智能分析支持实时训练,使 AI 持续演进而无需等待季度刷新,其数据来源也从规整的数值记录扩展到非结构化交互数据。Everest Group 合伙人 Vishal Gupta 认为,"分析"一词正让位于 AI。

10月3日周六
  1. MIT Technology Review · AI15

    MIT Technology Review:自主 AI 如何重新定义企业智能

    MIT Technology Review 报告指出,企业 AI 正从工具转向“智能体式转变”的运营模式,2026 年全球 AI 投资预计达 2.5 万亿美元,同比增长 44%。报告认为企业 AI 的扩展瓶颈是结构性的,流程优先的公司正在领先,而多数企业仍未靠 AI 实现收入增长。关键路径是重建数据基础设施、采用可组合架构,并解决 AI 主权问题。

9月24日周四
9月23日周三
7月7日周二
  1. Berkeley AI Research38

    智能免费之后怎么办?面向智能体、由智能体运行、由智能体构建的数据系统

    伯克利 EPIC Data Lab 提出近零推理成本时代数据系统面临三大挑战:为智能体设计的数据系统、运行智能体集群的数据系统、由智能体合成数据系统。GPT-4 级能力从 2023 年初约 $30/百万 token 降至如今不到 $1,部分厂商已低于 $0.10,推理价格年降幅在 9x 到 900x 之间,中位数约 50x。