• 首先了解您的领域：每个公司都有自己的业务领域（有时有几个，有时几十个，有时数百个），在其中运营和赚钱。 如果你不能很好地理解这个领域，从长远来看你很可能会失败。在任何项目开始时——当我们的知识非常有限时——我们必须做出很多不同的决定。然后，随着时间
  • 对于复杂性，人们总是想消灭它（有为），而不是去消化接受它（无为），其实，无为胜有为。 1、传统教条以下是人们面对复杂性实施的教条方法： #敏捷 听上去很好，但是可能回避复杂性，因为敏捷这个词 icon
  • 肖恩·麦克卢尔是NonTrivial 播客的主持人，从事构建人工智能软件，研究复杂性，以下是他的一些智慧洞察： 1、现实是非线性的，涉及的维度比任何简单的统计技术都可以正确建模的维度更高。如果你想对现实进行建模，你需要使用能够充分近似复杂性的高维方 icon
  • 解释： icon
  • 心灵哲学和认知科学似乎是当前最活跃的哲学运动，神经科学的进步不断重新定义我们如何看待哲学中最永恒的问题之一，并引发了一些非常激烈的争论。这一领域的领军人物包括大卫-查莫斯（David Chalmers）、保罗/帕特里夏-丘克兰（Paul/Patricia Churchland）、丹尼尔-丹尼特（Da icon
  • 这四件事似乎是 OpenAI 的最新进展，如果这个猜测是正确的，那么这似乎是一个巨大的飞跃。 使用这四种技术的人工智能系统理论上可以做什么，或者它可以做什么当前系统无法做到的事情：Q*搜索：这是人工智能的一种智能决策方法，使其能够有效地对众 icon
  • 这篇文章（点击标题）介绍了计算机科学家 Ellie Pavlick 的工作，她正在尝试将哲学概念（如“意义”）转化为具体且可测试的想法。 Pavlick 在布朗大学和 Google DeepMind 研究语言模型， icon
  • 大语言模型GPT-4、Claude 3和Google Gemini 1.5 pro都采用了“专家混合”架构，可能与一种子代理人的想法类似，这是朝着正确方向迈出的一步，人的大脑大概有数百万个代理人。 1、如何 icon
  • 麻省理工学院林肯实验室的一项研究表明，尽管形式规范具有数学精度，但人类不一定可以解释它。人类很难使用形式规范来验证人工智能行为，这表明理论主张与实际理解之间存在差异。研究结果强调需要对人工智能的可解释性进行更现实的评估。 随着自主系 icon
  • 本文介绍了格塔德-冈特（Gotthard Günther）富有远见的工作，他试图通过二阶控制论来操作黑格尔的辩证法，促使人们探索解决计算系统中复杂性的挑战。 古典形而上学假设知识过程中只存在两种位置：知识的主体和产生知识的客体。 icon
  • 亨利·庞加莱（Henri Poincaré）是一位法国数学家、理论物理学家和科学哲学家，生活于1854年至1912年。他作出了重大贡献的各个领域，包括数学，天体力学，拓扑学和科学哲学。 在天体力学方面，庞加莱对“三体问题”做出了杰出的贡献。三体问题是指三个 icon
  • 该文章讨论了降维方法在解释高维数据时的局限性。主成分分析（PCA）是一种常用的降维技术，但它可能会错过数据中存在的结构或产生幻觉的结构。作者通过示例说明了当应用PCA于时间或空间平滑信号时可能出现的振荡情况。文章强调了直观和简单的解释并不总是最好的选择。 icon
  • 这篇文章介绍了复杂自适应系统（简称CAS）的定义和特征。 什么是复杂自适应系统CAS？ 复杂自适应系统CAS的定义：包括多个相互连接和相互依赖的交互代理，并具有非线性行为。 复杂自适应系统的 icon
  • 谷歌的Griffin论文完美地展示了缩放定律。由于参数扩展了 7 倍，任务性能提高了大约 10%。全部都使用相同的 3000 亿代币数据进行训练。当您跨参数 icon
  • 本文介绍了TAME（Technological Approach to Mind Everywhere）框架和强化学习（RL）的概念，旨在将生物学和人工智能领域进行交叉研究。 这种将生物学和强化学习相结合的方法，可用于理解生物体和构建人工智能。这种 icon
  • AIMS 方法可在行为体和相互作用的情况下发生变化，并配备监测器，以检测早期出现的扩大或抑制迹象。 "Aims" 是缩写，代表 "Actants, Interactions, Monitors, and Scaffolding"（行动者、互动、监控和脚手架 icon
  • 这篇文章讨论了在项目开发中，人们通常关注时间节点，但作者认为应该更关注项目的结构。 文章指出，项目的结构和复杂度对于解决问题至关重要，而人们往往忽视了这一点。 作者提出了 icon