Search Results

一个成功的研究型团队，该怎么组织和管理？成功的方法学是什么？ 当前的方式、方法 一个有背景，当前最顶尖学术机构认证过的，甚至是有类似成功经验的管理者 直接借鉴现有的其他组织的经验，尝试进行复刻 当前主流的系统性的理论研究方法 团队通过个人英雄主义团结在一起，高效协作 避免方向性的摇摆和判断失误，凝聚力高，方向明确，执行效率高 通过组织的团队文化驱动 有组织的，有目的的在某个领域内不断的探索，建立领域内的壁垒 需要长期的实践，不能短期见效 比较难形成理论基础，长期的技术演进、迭代 需要不断强调团队文化，团队...

方式1，向量通过罗列的方式，表示所有信息的程度 向量维度足够多的时候，虽然能完整表达语义，但是效率非常低，每个语义只能激活很少的维度 不是每个维度都需要很高的表示精度， 方式2，向量通过组合的方式，表示一个信息，每个维度不能对应到一个明确的定义 表达效率高 对语言的非线性，不利于线性变换，因为只有向量的各个维度之间保持独立表达才能安全得变换

结论 人类需要掌握高级的架构/设计，底层的工作已经被编译器和AI替代了 目前AI还只能接受明确的任务，如果有循环依赖，嵌套的问题，就是很理想了 如果需要一个比较巧妙的、高度定制的、高性能的实现或者设计，AI还不能很好的实现 如果需要一个基本功扎实，执行力高，速度快，那么AI将是完美的给你打下手的助理 氛围编程是一个Agent推理应用的非常典型的场景 编程具有容错性，不像自动驾驶等，要求准确度很高 比自然语言更严格的结构化表达，使得LLM更擅长于编程 软件工程领域在过去数十年间积累了极其完善的数字化工具链，编译...

Transformer类算法，依赖大维度的信息变换，相关性爆炸 也就是尺寸很大的矩阵乘法，虽然很适合现代GPU的加速 大的GEMM提供了非常大的状态空间，目标是包含所有的维度 使用固定路径的权重链路来完整得表达信息变换的过程 不管输入是什么，都要经过固定的计算路径，都要和所有的权重计算 虽然MoE，会有一定的动态性 但是目前还不明确能不能继续缩小激活比例 动态选择的空间不大 虽然有些策略已经减小部分 attention 分层，分组MLP等等 但是，还是会造成相关性爆炸 大范围Reduce类操...

一种误解 短期记忆是临时记忆，只是记忆的一部分关键信息 短期记忆 大脑的意识存在于短期记忆 是一个不断变化的，不断被更改的状态存储器 存储的是对当前状态的高度浓缩的，高度抽象的表示 可能没有细节 可以作为关键词用于长期记忆的检索

人类对你自己的预期认知会存在错误和偏差 输入：当前或者过往的经验提出出来的对未来判断的有用的资讯 预期：你对未来某件事成功的概率判断 问题是，怎么才能做到最准确的判断？那就要清楚其对信息的计算过程 放大程度：对当前情况和实际的偏差进行放大，用于增强判断，不同的人不一样 阈值：也就是自我保护意识，不同的人程度不一样 公式：（输入-预期）* 放大程度 > 阈值 ？ 结论：很多事情比预期的过程要简单，前期判断过于悲观 觉得模电很难，认认真真把书看一遍就豁然开朗，也就化了一个星期 觉得数字图像处理很难，认认真真把所有的算...

这个词首先被用在了编程的领域，很奇怪的是编程本来是一件很精确的工作，追求准确无误的工作，但是“氛围编程”这个词语还是流行起来了， 那么这还是必然的还是无奈？ 随着LLM基本搞定自然语言的理解和生成，其将深深改变所有领域的交互方式， 甚至在汽车驾驶领域也是，更别说传统的智能眼镜，玩具，教育设备，家务机器，很多领域因为机器语言能力的突破而重新变得可能。 但是，上面一直说的知识语言能力，这个实际上还不足以产生质变，原因有下 目前的LLM还不足以处理高级的，深层次的含义，特别是在比较长的上下文的输入 没有“...

前OpenAI首席科学家、SSI创始人 为什么AI正在从“Scaling时代”迈入“算法创新”时代？ 在旧金山湾区的核心技术圈层，随着计算集群规模的指数级扩张以及模型参数的爆炸式增长，智力过剩的狂热随处可见，仿佛AGI的临界点触手可及。但是伊利亚却敏锐地指出，这种狂热与全球宏观经济的平稳线性之间，存在着无法解释的物理温差。 这背后的原因，正是当前AI模型的根本局限性：它们能够在基准测试中表现出超越人类的智力，却在现实的经济活动中，缺乏完成闭环任务的健壮性。 高分低能的悖论 在实际应用场景中被展现得淋漓尽致。伊利亚以...

OpenAI 前创始成员安德烈·卡帕西（Andrej Karpathy）在2025年的全年演讲与公开访谈。他为我们揭示了 AI 从大语言模型到 Agent 演进的核心逻辑、工程现实与未来路径。 一、核心判断：从代码编写向意图指引的不可逆转折点 首先，我们必须理解一个核心判断：当前的技术界正处在从代码编写向意图指引的不可逆转折点。 英语成为了最高效的编程语言。很多人把大语言模型仅仅当成是一个聊天机器人，这在卡帕西看来是一种严重的认知降维。大语言模型的本质是基于 Transformer 架构的新型计算平台，他将它定义为...

有个很常见的现象是，很多人有时候觉得，理想和现实的距离非常短， 上一秒还在理想的喜悦中，下一面又感觉认清了现实，没有前途 生理上的原因 大脑是一个非常贪心的机制，第六感，潜意识，总是以最有可能的思维线路进行思考 大脑是一个增益非常大的信息决策机器，意味着振荡，不稳定 大脑无形之中会受到当前的激素水平影响 心理上的原因 喜欢憧憬未来，但是有惧怕压力 喜欢享受美好的，但是又害怕困难 天生的不正常 有些人，可能存在天生的心理和生理上的差异，比如说，胆子大，不考虑后果，犹豫不决 不见得哪个倾向的性格是对成功有利的...

不太行，这个方向就有点荒谬（基于当前世界存在的信息基础） 不仅如此，目前流行的具身智能，竟然在尝试从《动作视频-行为描述》的端到端的训练 首先以下几个结论 当前大模型的成功，可以总结为对“自然语言”的成功高效地编解码，也就是有一定的抽象等级 这个的前提是已经有大量的文本数据用于训练 文本的信息量，所蕴含的信息还是比较少的，不像视频，图像有大量的物理特性 图像 尚未成功，至少数据量和抽象层级不够 高级的语义，逻辑，当前模型尚不能进行高效抽象，这就是为什么图形逻辑类评测表现不好的原因 图形最后可能还是要有卷积...

我们都知道好奇心对于动物的意义，而且也符合达尔文的生物进化理论， 好奇心的生理基础是大脑中多巴胺系统与前额叶皮层的协同作用，形成 “探索→获得信息→奖赏→持续探索” 的正反馈循环。 但是大脑是怎么驱动神经元，来表现出好奇心呢？上面的正反馈过程中的第一步是探索，怎么知道探索了就有可能进入到正循环里面去？ 毕竟因为个人的差异，好奇心也不是人人都会有，程度也不尽相同。 猜测： 延迟奖励，奖赏承诺 本能，大脑与心理的“硬编码” 探索的启动并非 “预知” 正循环，而是进化硬编码的「风险收益预判」+ 个体神经...

虽然我认为研究LLM心理学是没有意义的行为，但是更好得让工具为你服务是我的目的 prompt 最好是正面的，不要通过否定的方式来提示，而是采用直接的表达方式 尽量准确，详细得描述要求，举例是一个非常有效的手段 给模型赋予 “专业身份”，直接加强相关领域的权重 分步引导：复杂任务拆分为 “多轮子任务”

VLA（Vision - Language - Action）：视觉 - 语言 - 动作模型 视觉编码器 + 语言编码器 -> 多模态融合与推理引擎 -> 动作解码器/头 范式一：端到端训练的单一大模型 视觉编码器、LLM、动作头联合训练 使用大规模的机器人操作数据进行微调。 动作被直接表示为LLM词汇表的一部分（例如，将动作空间离散化为256个“动作词”）。 范式二：高效适配的轻量级架构 冻结预训练好的视觉编码器和LLM 在中间插入一个可训练的多模态适配器 只训练一个轻量级的动作头 ...

智能体的交互，除了对话还有那些，哪种是未来的方向？ 对话 对，现在的LLM除了对话，没有别的形式 Chatgpt claude code为代表的编程类助手，本质上也是本地的Agent不断得和LLM进行对话，只不过引入了tools，skills，让对话更可控 cowork openClaw 本质上和人工的交互方式都是在对话 对话是最合理的方式的原因讨论 智能体的那方便的特性决定的 人类最喜欢，最方便的方式 通用来说，除了编程类的助手能看代码，cowork类助手能看屏幕和文件，没有一种高效的给LLM提供信息的方...

先说观点，当前所有的科研人员都研究Transformer去了，但是卷积才是视觉的最高效的特征提取（编码）算法。

背景 小众评测，避免各种开源的测试题目泄漏，数据污染问题 能客观、精确得反映出模型的能力 尽量反映其基础逻辑能力，而不是一些需要特殊数据训练才能获得的能力 镜像文字识别 基于知识类的 分类 对文章进行逻辑分析的测试 逻辑推导：结论,推导,结果,答案,目的 逻辑依赖：原因,证明,背景,理由,条件,要求 逻辑等价：相似 逻辑拆解：包含,分类,示例,解释,补充,修饰,方法 同义句判断 设计一堆的同义句 让AI判断两个句子之间的相似性，进行对比。 自洽性的评测标准 说对比两个句子的相似性，然后把两...

当前，AI已成为工程师的“能力倍增器”，10倍工程师变成行业的新底线。这导致行业对工程师的要求发生了根本性转变：几乎要求每位工程师都具备架构师的思维与视野。 这种变化带来了双重影响： 对资深工程师是机遇：已有丰富经验的工程师，能借助AI高效地将架构设计直接实现，从而大幅提升产出。他们不再需要依赖初级工程师来完成基础的编码工作，自身就能承担从设计到实现的完整架构师角色。 对年轻工程师是挑战：由于缺乏深厚的业务与架构经验，新手很难有效地指挥AI去搭建符合复杂行业需求的工具，导致其传统的代码能力价值下降，起步更为艰难。...