跳到正文
今天10月9日周五4 条
  1. TechCrunch · AI28

    Ben Affleck 谈 AI:从卷积神经网络到微调开源视频模型,好莱坞演员的技术素养走红网络

    Ben Affleck 本周因多段采访视频走红,他在其中讲解了机器学习、神经网络、Transformer、张量、GPU 和推理等概念,并称自己会写一点 Python。他透露曾走访 OpenAI,并创立公司自建数据集,用解冻权重、只训练最后一层电影感图层的方式微调开源视频模型,该技术已用于其电影《Animals》的后期制作。

10月8日周四
  1. MIT Technology Review · AI20

    AVEVA 如何为自主工业 AI 构建更安全的落地路径

    AVEVA 首席技术官 Arti Garg 提出,工业 AI 正从预测分析转向基础模型、physical AI 与 agentic AI,但因其直接作用于物理系统,负责任部署成为关键。AVEVA 的负责任 AI 框架强调安全、效率与人类监督,主张 AI 应增强而非取代关键决策中的人。Garg 还参与 IEEE 工作组,制定覆盖电力、能源、水资源与碳的 AI 环境影响测量标准。

  2. Simon Willison10

    Ben Affleck 谈机器学习与视觉特效工作流

    Ben Affleck 表示自己从胶片转向数字电影时期开始对计算机产生兴趣,能写"相当糟糕的 Python 脚本"。他提到视觉特效工作流多年来一直包含机器学习,卷积神经网络作为 Transformer 的前身,可用于处理 tensor 并实现边缘检测与特征提取,从而更方便地抠出绿幕画面并替换背景。

10月7日周三
  1. Simon Willison10

    Michael Lynch 谈软件博客写作的反模式

    Michael Lynch 撰文列举软件博客写作的常见反模式,包括冗长开场、误判读者已有知识、假设读者读过旧文、过度正式,以及用链接代替术语解释。他建议文章即使读者不点任何链接也应能读懂,并用自己的口吻写作。他指出,随着越来越多开发者把写作交给 AI,软件博客正变得平淡同质,读者渴望有个人风格的内容。

  2. Microsoft Research22

    Microsoft 研究员 Jennifer Neville 谈 AI 评测与「意外失败」的启示

    Microsoft 合伙人研究经理 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。

9月25日周五
9月18日周五
  1. GitHub Blog · AI & ML22

    GitHub Podcast 拆解五大 AI 热梗:该不该读 AI 生成的代码、RAG 已死、Skills 杀死 MCP?

    GitHub Podcast 最新一期拆解了五个 AI 热门论断:AI 生成的代码仍需阅读和负责,但审查力度应按风险分级;Skills 与 MCP 解决不同问题,前者是打包的 Markdown 专家经验,后者是连接工具与数据的标准协议,二者可组合使用;RAG 并未消亡,检索能为模型提供训练数据之外的相关信息,减少 token 浪费并降低答案不完整的概率。

8月31日周一
7月7日周二