复杂系统涌现

约翰·霍普菲尔德 (John Hopfield) 的精彩职业生涯回顾，英文点击标题，下面是简单总结： 这篇文章是他的自述，讲述了他的科研和教学生涯，以及他如何选择研究问题。霍普菲尔德以自己在不同领域的研究经历为例，展示了如何从物理学转向生物学，并对

我们先看看 Fred Hebert 说过的一段话，叫《复杂性必须存在于某个地方》。 在写软件的时候，我们总是会遇到一个麻烦，就是“

智能的核心是模式识别，通过“如果X，那么Y，是因为Z”理解因果关系，推动问题解决和认知进化，宇宙与智能都是分形的。 人们总是很简单不屑一顾说：AI不过是模式识别而已！ 是啊，确实如此。

软件系统中的复杂性永远不会真正消失。就像物理学中的能量一样，它不能被摧毁——只能被转化、重定向或重新分配。我们做出的每一个架构决策要么会转移复杂性，要​​么会改变其形

许多神经网络系统都是随机的，这意味着提供相同的输入并不总是会产生相同的输出。此类人工智能系统的行为是“涌现突发性的”，这意味着尽管每个神经元的行为都是由精确的

Google SRE 采用了系统理论和控制理论：由麻省理工学院 Nancy Leveson 教授开发的 STAMP（系统理论事故模型和过程）框架，该框架将重点

向这些神经网络注入足够的能量（计算量），它们就能实现智能。 但这仍然是一个神秘的现象：如此简单的规则（如梯度下降+反向传播，遵循奖励函数）和大量的能量怎么会导致如此复杂的结果？ 这个问题的答案就在我们身边： 生命本身就是这样一个系统。 在物理学中，

免疫系统如何区分“自我”与“非自我”，以及这种区分在实际生理和病理过程中的复杂性。 1. “自我”与“非自我”理论的局限性传统的

从 "Claude能否冥想 "的实验中得到的一个重要启示是：意识似乎发生在 "混沌的边缘"  Claude是Anthropic公司开发的一款新一代大语言模型，主要特点包括强大的自然语言处理能力、优秀的上下文理解、较高的安全性、友好的交互体验以及持续

斯蒂芬·沃尔弗拉姆是一位著名的理论物理学家、计算机科学家和企业家，以其在复杂系统和计算理论方面的工作而闻名。他也是Wolfram Alpha和Wolfram Language的创始人。近年来，沃尔弗拉姆将他的研究兴趣扩展到了生物学领域，特别是关于生物学进化的基础。

最近，我一直觉得大家对人工智能的一个普遍看法是错的。很多人认为，像大型语言和视觉模型这样的人工智能系统是独立的智能体，就像人类一样。但我觉得，这些模型更像是“文化技术

DNA染色质是基因表达和细胞生命活动调控的核心机制，那么这些调控好像也和线粒体有关，甚至有人说：线粒体的爬行的机器，整个生命为其存在？ 这个思考来源于：《科学》杂志正在为2015年6月的报告《沃纳综合征干细胞模型揭示了异染色质改变是人类衰老的驱动因素》发布

人们已经完全改写了 "缩放定律 scaling laws"的本意：最初的意思是： 在更多的数据上预训更大的大语言模型LLM会带来更多的

选择好的问题（课题）太重要了，不能拍脑袋、听天由命。选择大于努力！ 贝尔实验室创造了

最近，在《科学》杂志上发表的一项研究中，张（Zhang）和他的团队利用单细胞转录组学技

当多家公司的多份媒体报告都报告了收益递减，Open AI奥特曼发推特说：there is no wall. 收益递减一说来自与OpenAI宫斗出局的伊利亚Ilya，他说靠大规模计算资源实现智能涌现的收益已经开始递减，此路不通。