• 今天 OpenAI 推出了 Codex，这是一个使用人工智能从自然语言编写代码的 API。 Codex 是为GitHub #Copilot 提供动力的模型，我们在一个月前与 GitHub 合作构建并推出了该模型。Codex 精通十几种编程语言，现在可以用自然语言解释简单的命令并代表用户执行它们——从
  • 使用深度学习和神经网络，称为 Alpha Fold 的算法有望彻底改变生物化学领域。 在过去的 50 年中，蛋白质折叠问题一直是一个持续的障碍。它首次出现在 1972 年：一个新理论提出，了解蛋白质的氨基酸序列应该可以让您完
  • 还原论神经科学能解释行为吗？还原论方法着眼于一个复杂的系统，并试图将其分解为各个组成部分，然后将它们重新组合在一起以对系统有所了解。 对于针对行为的还原论神经科学而言，这意味着研究分子和细胞成分，通常在神经元中，以获得对行为的理解。这行得通吗？ 神经科学家在进行研究时，经常会进行非凡的、令人痛苦的、 icon
  • 将人类的专业知识提炼成一套规则和事实是非常困难、耗时且昂贵的。这被称为“知识获取瓶颈”。 虽然编写数学或逻辑规则很简单，但世界本身却非常模糊。 这正是神经网络擅长的地方：发现模式和接受歧义。 神经网络是一组[url= icon
  • 神经网络不是唯一的通用逼近器，将神经网络的成功归因于它们作为通用逼近器的地位，但也有许多算法是通用逼近器。例如，决策树也可以是通用逼近器，但它们似乎没有那么成功。为什么是这样？神经网络除了作为使它们与众不同的通用逼近器之外还有什么？ 首先，诸如决策树之类的算法没有那么成功，这根本不是事实。 如果你处 icon
  • 大脑如何产生思想？我们的感知、行动、思想和感觉？历史上对大脑的研究以分而治之的方式进行，试图找出单个区域的功能 - 包含皮质或皮质下层神经元的灰质块 - 一次一个。[url= icon
  • 让神经网络如此强大的两个最重要的特性是： [list=1] [*]可微分性Differentiability [*]组合性Compositionality [/list] 可微分性使得使用梯度下降进行优化成为可能，梯度下降比大多数其他数字优化方法快几个数量级。 另一方面，组 icon
  • 连接组是生物体大脑中所有神经连接的地图，它有助于理解大脑内神经相互作用的组织。 发布大脑中所有神经元和突触的完整映射非常复杂，2020 年 1 月，谷歌研究院发布了果蝇的“半脑” icon
  • 这是经验和数据驱动的革命，在 1990 年代初期，一场统计革命席卷了人工智能 (AI)——这场革命在 2000 年代达到高潮，神经网络以其现代深度学习 (DL) 的转世而凯旋归来。这一经验主义转向席卷了 icon
  • 2022年已经过去了，我们对大脑如何类似人工神经网络一样？粗略浏览了约130份摘要，并阅读了几十篇，以找到最好的、最有影响力的、最有趣的，并提取今年的时代潮流。这不是一个系统性的评论；相反，这些是我对神经智能状态的拙见。希望你能学到一些有用的东西。 [b]到底 icon
  • Composer 是一个用 PyTorch 编写的库，使您能够[b]以更低的成本和更高的准确度更快地训练神经网络[/b]。 已经实现了两倍以上的加速方法，只需几行代码即可应用于您的训练循环，或与内置 Trainer 一起使用。 特点： [list] [*]20 多种加速计算机视觉和语言建模训练网络的 icon