19 сағат бұрын
14 күн бұрын
21 күн бұрын
21 күн бұрын
Ай бұрын
Ай бұрын
2 ай бұрын
2 ай бұрын
2 ай бұрын
3 ай бұрын
3 ай бұрын
3 ай бұрын
3 ай бұрын
4 ай бұрын
4 ай бұрын
4 ай бұрын
4 ай бұрын
4 ай бұрын
4 ай бұрын
4 ай бұрын
4 ай бұрын
Пікірлер
@heat_double_double 18 сағат бұрын
问的太碎，一句话，做中国版的特斯拉
@moonbird0041 Күн бұрын
你好，如果播客能够使用完整版的视频采访版，就更好了
@8perhaps Күн бұрын
说话的样子好奇怪
@wangyi2000 Күн бұрын
这么棒的采访，居然没人看到
@readword-cn 4 күн бұрын
看来是真的张小珺了
@dulala4092 6 күн бұрын
这个张小珺是谁? -- 跟鲁豫一样，脑袋灵光，感性肤浅，问题完全没有深度!
@pevik3565 4 күн бұрын
就是资本捧出来的一花瓶
@古琴-w8i 2 сағат бұрын
语气还生硬，表情严肃
@jimmypay9995 6 күн бұрын
李想是国内罕见的有洞察的企业家，类似的有王兴、黄峥和段永平等等
@jackyzhang4320 7 күн бұрын
文字版，修改内容顺序……画蛇添足了
@PierisClay 7 күн бұрын
That's quite like a tech interview instead of a f2f talk.
@readword-cn 8 күн бұрын
喷特斯拉纯视觉有问题大家怎么看
@paulpaul7777 6 күн бұрын
期待在大陆比拼一下
@huiwan2959 6 күн бұрын
质疑，批评，但不能说是喷，马斯克是神吗？他过往说得话没错过？
@大宅门-t1z 6 күн бұрын
没有喷吧，理想的激光雷达的方向主要是摆设，主要方向是特斯拉的纯视觉
@allen3744 Күн бұрын
亦步亦趋特斯拉😂
@codedoc955 8 күн бұрын
他的口癖是我觉得，我也有这个现象，不知道要怎么避免
@hanchisun6164 8 күн бұрын
说明口癖不影响做千亿企业，不如把时间精力花在更重要的事情上
@karlmin8471 7 күн бұрын
总比口癖是额、啊、这个、那个的好吧。
@lc.sin. 15 күн бұрын
This podcast episode features a conversation between two individuals, "Xiaojun" and "Guangmi", discussing the global large language model (LLM) landscape, with a particular focus on the shift from the technology itself to the products and applications built on top of it. The conversation moves into predictions about AI trends in 2025 and beyond. Key Insights and Takeaways: The "Next Google" Race: The main theme of the podcast is the race to become "the next Google," with ChatGPT being seen as just one step along the way rather than the final goal. Many companies, such as Anthropic, XAI, Perplexity, and even domestic Chinese LLMs like Doubao, Kimi, and coding-focused platforms like Cursor and Devin, are all following different paths but ultimately converging on the same goal of becoming the dominant platform. Guangmi emphasizes that the competition isn't just to surpass ChatGPT, but to fundamentally change information access, distribution, and organization. Evolution of Information Architecture: The discussion highlights the evolution of how information is organized, beginning with the early days of Yahoo-style portals with manual curated lists, then progressing to Google’s keyword search indexing, and later to recommender systems, and now, to AI-driven task and agent focused systems. The podcast delves into the history of computer science to explain the current state of LLMs. It highlights the shift from the curated lists of the early internet to Google's keyword indexing, to the current AI era where the focus is on "action" and agent-based applications. They see a clear evolution from websites to content to AI tokens as the basic building block of the internet. The Rise of the "Agent": The podcast introduces the idea of AI agents and task-based output. They see a future where AI is not just a chatbot, but a personal assistant, completing complex tasks for users. This shift from static content to dynamic actions is considered a major change in AI development. It's suggested that this means the small unit of interaction is no longer a web page, but tokens and tasks, requiring the re-organization of intelligence. The Importance of "Context": The conversation underscores the critical role of context in AI applications. The podcast emphasizes that AI requires access to user data, information, and past behaviors to function effectively, and that companies that can best leverage context will ultimately succeed. The idea of context as the new currency of the internet is introduced. Just as logistics and payments were crucial for e-commerce, context is the most important foundation for next generation AI applications. Business Models and Challenges: The discussion questions whether ChatGPT’s business model of subscriptions alone will be sustainable, highlighting the difference in monetization potential between tools, content platforms, and task oriented platforms. The podcast analyzes the different business models and highlights that current chat interfaces have limited monetization power compared to platforms like TikTok, Taobao, WeChat. They question whether ChatGPT or similar platforms should start showing ads or whether they will evolve into something else. Full Stack vs. Building on Others: The podcast explores the debate between building full-stack solutions (like Google's approach), and building applications on top of other companies' LLMs. Building a full stack vertical integration like Apple or Tesla may give more control, but the podcast also sees benefit in companies like Anthropic building operating system-like infrastructure. The Importance of Coding: The podcast identifies coding as a key battleground, with companies that perform well at coding related tasks having the potential to win big, as evidenced by the popularity of tools like Cursor and Devin. Predictions for the Near Future: In the next few years, they predict the rise of more practical, agent-based AI, capable of completing complicated tasks. They mention that AI agents could even take on the jobs of a manager in certain areas. They predict the growth of companies specializing in specific areas of AI such as coding, or research based AI. The podcast also emphasizes the importance of building high-quality data sets for training AI, particularly in relation to tasks like coding. The importance of data efficiency is emphasized. The Importance of Human-AI Interaction The presenters point out that the current chat interfaces limit the interaction and intelligence of the AI, and that there will be a need for better human-computer interfaces that do not limit context in the future. Open Source vs. Closed Models The podcast highlights the growing power of the open-source model of AI development as being key to democratization of AI, while also citing challenges in some core functions like Google. The Role of Large Tech Companies: They suggest that some tech giants might end up as major players due to the high costs associated with developing AI technology from scratch. They believe Google, Amazon, and Apple still have a chance to make a big impact in this space. They point out the importance of infrastructure (AWS), the OS platform (Android) and the business model for these companies to win. Overall Themes: Beyond the Chatbot: The focus has shifted from the impressive conversational abilities of LLMs to how these capabilities can be integrated into practical applications and products. The Value of Action and Context: The podcast stresses that future AI advancements will be centered around agents capable of performing complex actions and having a full and rich understanding of their context. The Long Game: The podcast acknowledges that despite the fast pace of change, major transformations will likely take time and that new business models must emerge to support long term growth of the AI sector. Report Generation Notes: The summary above tries to capture the essence of the conversation, without direct translation, but preserving the key concepts and themes discussed. The original podcast uses many industry specific terms, and the summary uses the most precise English equivalent when possible. The presenters make many references to other companies, models, and events. The references are not included here for brevity, but are available in the audio if required. The summary emphasizes predictions about the future of AI from the presenters' perspective.
@lc.sin. 15 күн бұрын
干货满满，访问日期是不是在o3和gemini 2发布之前
@chillmatoes7125 Ай бұрын
沒字幕真的…
@C2Canada Ай бұрын
李开复不要脸
@janchangchou777 Ай бұрын
Part 4) 目前以資工leading AI , 這群碼農也太批蛋了。 1） 利用40年前已完善的數理統計（ 㢠歸分析及時間序列高度相關變數的自迥歸分析。 ） 2） 包裝𠆤高大上的類人類神經網路的偷盜慨念。3） 藉由半導體科技的算力。 完全沒有任何創新的欺世盜名妥妥的碼農（ 程序員）居然能拿諾貝尔物理奬。 物理學家/ 數學家您們睡著了嗎？！居然能容忍這等離譜偷盜者的獲奬。 另外我以前一些同學，現仍在美國Google 參與相關大模型工作，拈他們告知我的小道未經證實的消息。 1） Google 在這方面付了大筆的學費。 2） Google 養了全世界各產業領域的頂流專家， 特別是語言學家，參與相關建模。 3） OPen AI 及近期獲諾奬的加拿大教授， 這師徒們，從Google 弄走了不少錢。 最後Google 看穿了，不得不將Open AI 這些人從Google 割出去。 而李非非近期也搞𠆤digital cousin 數字表親， 根本就是小樣品摸擬實驗： 這也不是什麼新方法和新手段。 在數理統計中40 年前早就有的手段。 這些碼農一而再再而三的把數理統計的成熟手段，拿來搞什麼AI 新技術。並給𠆤新名詞進而宣稱是創新，太扯蛋了！ 我在40 年前的博士論文就是在 針對小様品試驗進行電腦模擬試驗。如核爆/ 飛機失事等等，在現實情況下很多領域只能取得非常有限的小様品數據，因此針對這些小樣品試驗我們就會引入模擬試驗的手段和方法， 並進而利用這些電腦模擬數據，最終做出穩定可靠的預測模型。 nature 有關AI 近期訊息： kzbin.info/www/bejne/oaGZlpyvh6d5oq8si=2sKWhTVx3qecNvJ4 這𠆤問題很容易理解。 當我們的需求是專業有限變數的問題， 如股票決策/ 海洋及気象動力/ 無人架駛/ 化學工程/ 土木工程/ 等等，許多專業的有限變數， 這些已建立完成很長一段時間模型的精準度非常高。 而大語言模型想要用海量變數去涵蓋這些專業模式，其自然的結果就是錯誤率極高。 也就是說針對專業有限變數模型，那些大語言模型的99% 變數不旦是垃圾， 還是有毒害的垃圾。 因此使用AI 一定要知道什麼問題什麼場景使用什麼模型。 kzbin.info/www/bejne/rHiTYmaejKaNrcUsi=NDA12ZYY4hCIg_C5 AI 發展的3 大組成； 各產業領域的專家，建模數理理論，算力編程的提供及組織。 這就是我早就預見 如果由算力或資訊工程來主導AI ，外行領導內行，將會走的很偏很快撞牆 再看看這一報導，今天的結果，在我今年（2024 ）初的part 1) 2) 3) , 先前的論述中都精準的表達過。 kzbin.info/www/bejne/pZvRlZ-Dr6yNkM0si=wuEqsPUOzxuPrcRR 目前（2024-10 月） AI 的發展基本撞牆了。 由 資工主導的必然性- 泡沫化， 已確定了。 因為以上三份報告都是非常權威的。 再看看這份報告：弄出人命了！ 陪聊AI 沒有心理咨詢醫生做專業恊助/ 溝通/ 警示/ 防範等等， 由碼農直接單幹，太多的心理專業知識手段應對都沒有投入，是造成這事件背後的主因！ kzbin.info/www/bejne/r3-9pHZtr9uHndksi=_RK7ZM6Xaa_oQn7E 這就是我在個人相關分享中 part 3) 談及的； AI的健康發展是以各領域專業專家組為主導，數理統計為核心，編程及算力只是工具，否則用提供算力及工具的這些人來leading AI 發展，會形成外行領導内行，並為AI 發展種下低效偏差甚至高風險的發展。 譬如新藥開發/氣象預報/各種不同語言等等都是以領域專家為核心，否則就亂套了。 更可行的作法， 各國加緊立法，用國家特准许可的方式，來認證並核准各領域不同應用AI 的開發許可及成效認證，譬如目前自動駕駛這領域，不能僅憑廠家自行認證，必需由國家相關單位認證，納入國家法規制約。其實其他領域也應該如此，即便服務大眾的生成式大模型也要納入規範管理，絕對不能任由AI 公司自行任意發佈，一個小電器產品都需有関認證，才能上市銷售，目前AI 大模型實在是太無序了，AI 公司任意上市推出由市場決定其優劣，客戶當白老鼠，完全沒有任何管理約束機制。 任何AI 應用開發的公司，必須有相關該應用領域專業專家為主導，及數理統計的人員的參與，如果沒有通過這些人員資質審核要求的公司或團隊，一律不得從事AI 開發及應用工作。否則視為違法。如同醫師證照，沒證照的醫師坐診，診所如何能執業？！ 建立政府職能的審核監管制度，才能防止並追蹤AI 的錯誤使用/ 違規使用/違法使用， 也進而能排除人們對AI 發展造成危害人類的擔憂。 再看看下面報導： kzbin.info/www/bejne/ioPbin6fmdaMbqcsi=ukFmC8XGPa17d6It AGI 基本就是建立一套從千萬上億 由領域產業專家建立的專業模型進行徵用的智能機制（藉由針對使用者一些基本需求的梳理，形成分門別類確立問題的機制）不能一昧的用大模式（發散式包攬所有）。 其實人類的思維也是如此，先確定問題是屬於那𠆤範籌，再從我們的大腦內調出已確認範籌的相關知識及經驗進而進行各種響應。 大模型，只適用於sequences 高度相關的時間序列資料分析。 如語言文字前後字文分析，圖像點分析或是語音樂律分析等等。不可盲目外延。
@janchangchou777 Ай бұрын
Part 1): 任何一條神經網路也是一個多變數廻歸分析，也是統計學迴歸分析的一環。我在40年前攻讀數理統計就涉及這些人工智能及多變量（含時間變量）的廻歸分析（向量/ 矩陣/ 線性代數/ 機率/ 取様….）, 以便對一些事件做出精准智能的預測。 所謂自我學習或機器學習也只是用後面收集或模擬出的更新的資料去修正原先迥歸分析的杈重或係數參數而已。 而深度學習也只是處理巨量變數時，為了避免僅用單層機器學習進行巨量變數而需要解大矩陣導致對巨量平行計算的需求，進而變換設計成每層適量變數，建立多層次的機器學習修正。 40 年前人工智慧就是數理統計的一大課題。馬斯克說得一點都沒錯-目前的人工智慧全部建立在數理統計的基礎上。從那時開始就不斷有各行各業的數據分析專業人士來我們數理統計這參與並學習迥歸分析。他們回去後就不斷建立了屬於他們行業內的多條神經網絡（行業內的迥歸模型）。 在那時從事這類研究工作的數理統計的博士生全部被限制在晚上12 時過後才能使用國家級的超級計算機，否則我們兩三𠆤人一上線全部就大當機。我們那時也發展出一套類似挖礦機的方式，利用所有大量閒置的𠆤人電腦來提供其微小的算力，進而整合這些龐大的所謂分散型算力，但受限那時網路的不發達，很難把規模擴大。 近幾十年隨計算機能力不斷提升，目前市面AI 所謂大模型，主要是著力於面對”服務大衆需要”的所謂生成式/ 語言等等的智能協作服務。就是把百行百業各個領域等等數以千萬千億計資料進行迥歸模型的建立及修正（所謂自我深度學習）而形成龐大的神經網絡。 因此也不用太誇大眼下的AI , 這些早在40 年以前都已建構了理論基礎，而智能恊作早在各專業領域都已發展的非常完善，只是因過去算力不足只能在各自專業領域進行中小規模（變量數較少）的神經網絡建構。例如氣象預報就是早期最明顯的利用氣象專用超高速大電腦發展為成熟預測能力（AI)的例子，股票買賣決策也是智能恊作(AI/CIC)的典型。 ”把簡單數學上使用即存的規模資料或電腦模擬資料進行所謂的㢠歸分析/模型建構並藉此模型做可行的智能預判或恊作，包裝成醫學上複雜尚未完全掌握的神經網路的機制及作用原理”，不但瓢竊了數理統計在AI 發展的絕對地位，實在也是在誤導整𠆤AI 的發展。也會造成眼下一般人的過度期待和焦慮。應將AI 改稱作” CIC:Computer Intelligent Collaboration , 電腦智能恊作， 更為恰當。 何謂知識？ 由經驗總結後（ 抽象具體化） ，就形成知識（用數字分析的表達方式就是去建構知識模型）。 形成知識後就可複製/ 傳承/ 預測/ 擴展。因此目前的AI 發展，就是在循人類文明發展至為重要的其中的一𠆤過程-只是採用了數位化的方式，將經驗知識化了。 目前的AI 只是以數理統計為手段及方法論，以資訊及計算機工程為工具，進行數位型的經驗知識化的過程。 人類有許多其他不同型態非常複雜的智慧，這種僅止於知識數位化的智慧， 其實離人類多型態的智慧還有非常巨大的距離。 另外， 眼下AI 服務於大衆的大模型的各種數學理論及所謂的機器學習（參數修正）及深度學習（參數及變數的多層次增加及修正）。 早在40 年前相應的數學理論都已完備（但落實到實際應用上，如何解1 億 by 1 億的聯立方程組( 行列式計算）， 這需要極其龐大的平行計算能力，在那時期是完全不可能的） 。 其實AI 最重要最關鍵的是各行各業各領域的專家組，而不是這些AI 編程的公司（ 他們只是依需求用已完善的數學統計理論加以電腦編程後，利用巨大算力去幫忙找出合適的模型並不斷予以完善）。 只有各行各業各領域的專家組才知道在茫茫大海中的資料及訊息中，那些因素才是其所涉領域的関鍵變數，那些變數資料才是可做為他們收集分析建立模型的。例如氣象學/經濟學/股票買賣智能決策/ 醫學/ 藥學/ 農業生產/ 基因工程/ 化學工程/自動駕駛/飛彈防空系統/圖像識別及處理/ 建築結構力學/小樣品模擬模型（核爆/飛機失事）………..等等。 此外服務大衆的語言學也是極度複雜的一門學課，其可能的變量變因會高達幾千萬𠆤， 再加上多層級過濾學習修正的模式，因此其涉及的變數算力就以億計， 所以才稱做大模型。 要取那些因素進行那一層分析，主要都是語言學家在主導。 而這些眼下的AI 應用的公司， 只是利用已發展完備的數學統計理論在不同領域專家組的指導下，去有效的進行數拈收集整理分析並進而建立一個特定領域的模型，作為該特定領域的電腦智能恊作工具。
@janchangchou777 Ай бұрын
Part 2): 另外面對服務大衆的生成式服務，也是要面對大衆各種不同的需求，因此其所需處理消化的資料也是天文數字的龐大，也要各行各業領域專家介入協助指導進而形成並建立大模型。 其實生成式AI 可以理解成升級版的超級搜索引擎，傳統的搜索引擎，用関鍵字/詞，從數據庫內匹配/找出並羅列出可能所需資訊，現在進步升級到如果你給出更具體規範的需求，系統就能從數據庫內拼湊出並提供更完整的接近最終需求的服務內容。這只是把過往已存在的數據庫（已長年經各行業領域專家組維護並梳理過的）更完善的整理優化後予以呈現。而這𠆤更完善的過程使用了大量多層次的統計數字分析的手段。 ****主要在處理序列性高度相關的語言陳述序列，圖像高度相關的像素點関係以及音樂弦律的序列呈現。 相應數理統計的手段主要是使用高度相関的時間序列分析自㢠歸建模。 把這個完善化的過程誇大的比擬成人類的思考及智慧（其誇大的目的-圈錢），將造成極大的誤導。 其實生成式大模型（語言/ 圖像/ 音樂等時間序列高度相關資料）所建立的預測模型， 就是用即存服務於大衆的大型搜索的資料庫，如google ， Bing 等等，以數理統計的時間序列分析為核心，結合資訊工程及硬體工程為工具，而進行更貼切於使用者需求的優化過程和結果。所以生成式大模型最終會回到過往提供搜索服務的大型公司的對決。 因此CIC 或是AI 是以特定領域專家組為主導，數理統計為核心，資訊工程及硬體工程都是配合的工具而已。 這樣的發展才會健康/ 不浪費/ 高效率/ 高精確度。 但目前的發展方式， 以資訊工程及硬體工程來主導開發服務大衆的大模型，只是因為這方面天文級別的龐大算力需大資本投入，這是一𠆤比較理想的快速盈利回報的營運方式，但這種情況就會造成眼下嚴重的誤導及錯誤的認知，沒有效率及喪失精準度，甚至如當下出現諸多以提供算力及編程服務的所謂AI 公司出面圈錢的亂象。 其實眼下的蓬勃發展是假象。 不管怎麽發展，從事這𠆤領域研究工作的人不能不具備相關數理統計的知識，也不能缺少專家組對資料的專業的選定/收集/整理。而資訊程序員和電腦只是工具。特別在早期各專業領域內的中小模型的智能發展和恊作，編程只是工具。但當算力上來後，服務大眾的類搜索引擎的生成式及語言大模型，就變得可行了， 但不管怎樣可行，仍是以數理統計為核心，更龐大的專家組仍是關鍵。 只是這種大模型下算力變成稀缺的主要投資成本， 使得這些編程及硬體人員不得不高舉這𠆤旗幟來圈錢， 如果這些編程及硬體人員拿不出這些算力（如果由國家直接投資），他們在整個AI(CIC) 的發展上，根本算不上什麼角色。但這一輪由算力提供方來主導的AI 發展，將會走得很偏，而且會很快撞牆。 這些搞編程所謂AI 專家，其看待事物的内容實在令人啼笑皆非。 譬如： 看到報導某AI 頂流科學家，其模型在AI 大賽中，以16%失誤率， 遠勝於另 一AI 大佬的23% 失誤率，而得到冠軍。 a)殊不知數理統計迥歸分析的誤差要求是5% 甚至到3% ， 一個誤差率高達16% 的模型，居然可以拿出來比賽甚至取得冠軍， 真不知這羣頂流AI 的外星兼外行的科學家在玩什麼遊戲？！ b)人類智慧的誤失率基本都趨近於零。 任何事務的成果，都不是線性的。 這群AI 科學家居然誤導性的告知世人，宣稱他們現在誤差率已達16 % ， 他們離成功不遠了。 殊不知任何人學習或做事務的成果，達到90 分是很容易的，只要多付出就可輕易達成，但90-100 分，那完全不是和努力付出成正比的，那是和天份及其他綜合因素有関，90 分後要再成長其難度是巨大非線性的。 人工智慧的誤失率16% 要成長到 人類智慧的0% 誤失率，給其500 年都難以達到。 另外所謂AI的算力，也多被這些台面上資訊及硬體公司給神話了，整𠆤AI 主要算力在解大矩陣行列式或進行矩陣相乘。 也就是同時或儘量同時計算（平行計算） y 千萬組的 y千萬𠆤數的連乘積或是乘積和。 極其簡單（小學算術程度）但體量龐大的加減乘除。 無任何高深複雜的計算。 GPU 可以當做兼為AI 算力工具，但是GPU 如果僅專用在AI 上，則已是超規格。 因此微軟搞出了這種純滿足AI 小學暴力算術晶片, 或是Tesla 的針對矩陣暴力運算的NPU 。英偉達的GPU一定要小心了，GPU 涵蓋應用面遠大於AI , 如果僅用於AI 算力工作，則晶片設計可採用其他非常簡化有效率的方式，而且成本便宜很多。 未來可能的發展模式： 1） 資訊及硬體工程提供集中算力設備及模型編程的開放平台，供各領域的專家組使用。 有點像當下晶片產業，各應用領域產業由專家組組成公司後，進行各領域的智能開發和應用（如晶片應用的design house，聯發科，海思等 ) , 而算力的提供及收費則由資訊及硬體工程提供（這需要密集资本投入，甚至國家力量投入，如台積電）。 2） 由於網路的高度發展， 另外一種提供龐大算力的方式，是由巨量萬家萬戶閒置PC 𠆤人電腦，各類雲,工作站甚至各𠆤大模型參與分散型算力的提供，恊作，整合，這也是需由資訊及硬體工程來實現的。
@janchangchou777 Ай бұрын
Part 3) 另外希能進一步說明為何這一輪由算力提供方來主導的AI 發展，將會走得很偏，而且會很快撞牆？ 除在Part 2) 談及眼前這些所謂台面頂流AI 專家或團隊，粘粘自喜於眼前所謂模型誤失率16% ， 殊不知在很多專業領域，16% 的誤失率，那可能帶來災難（ 金錢損失， 人員傷亡， 大自然破壞） ！ 例如，自動駕駛，氣象預報，股票期貨買賣決策等等。即便生成式模型，其誤失也可能帶給人們直接或間接的損失或傷害。 若不是由領域產業專家參與並主導的建模，要突破10% 誤失率，是極其困難的。 我說𠆤故事（不是在炫耀自己的賭技），大家也就明白領域產業專家的重要性。 我2000 年在香港公司上班， 每兩周回深圳家一趟， 每雙周末回深圳前，我會帶2 萬港幣去澳門葡京玩輪盤，每回我嬴到10 萬就走人，由珠海回深圳， 我次次去次次嬴，從沒輸過。 這就是有專業領域人員恊助的建模，誤失率很低，回報很高（投入少收益高）。 機率論是認為發生機率的事件是背後有些不明的隱變數，如果把這些隱變數儘可能的説明白，讓機率性的發生現象就會變得越來越小。 簡單的說，一個銅板正反面，前十次都開正面，第十一次開正還是反，數學家據於機率論的真蒂，告訴你一定開正面。因為從前十次已看出存在開出正面的未知隱變量。但一般人仍會認為正反各一半機率，甚至有人會錯誤認為連開那麽多次正面，這次肯定會開反面。 我玩輪盤下注前，一定會找現場的賭友看一下他們記錄卡上先前及近期是否有某𠆤特定數字常開出，若沒有，我會忍住不下注。一旦出現連續常開數字，我就立刻下注押這常開數字，以及輪盤面靠這數字左右各兩組數字，共5𠆤數字， 基本中率非常高， 可達到20% 押中率， 20% x35（賠率）/ 5( 押注數）, 我每玩五次總投入是25 中一次賠35。 賺10 。 基本上2-4 小時達標10 萬港幣走人。 1）其實在現場賭友記錄卡上先前中球的數字就是領域產業專家去掌握數據的過程。 2） 我會解讀機率論，因此也是玩輪盤的專家。 因此我玩輪盤，就是具專業知識參與的領域產業專家， 另外我的投注策略，就是我建的模。 而眼前台面以算力為主導的AI專家，因為他們手上握有大量的算力籌碼，因此他們是次次都36 𠆤號碼全押， 所以次次都中， 但是每次總輸一𠆤籌碼。 這種暴力的押法， 就是沒有引入產業專家的結果。大量浪費算力在無味的押注上。基本上不是大力出奇蹟， 而是大力出爛成績。 另外眼前生成式大模型，最大的資料來源是取自提供搜索引擎服務的大型公司的資料庫。 而這些資料庫的data base 早已經過各行各業領域產業專家幾十年投入，進行維護梳理，並進行了多維度的數位標記。 因此目前生成式大模型真正的主要貢獻者是，各行各業領域產業專家幾十年的投入，進行維護梳理，並進行了多維度的數位標記。 所以缺乏產業領域專家主導，而由算力提供方來主導的AI 發展，可預見的是將會走得很偏，而且會很快撞牆! AI 的良性發展， 不是靠蠻力的大力出的爛成績。（把算力浪費在一些関聯性不高的變數上，不當不專業的取定變數） 而是要靠產業專家的巧力進而形成的大力出的好成績（奇蹟）。 Nature刊发最新研究 ，目前當紅4 大语言模型， 参数越大越不可靠！ 简单任务更容易出错， 誤失率高達40% 這𠆤問題很容易理解。 當我們的需求是專業有限變數的問題， 如股票決策/ 海洋及気象動力/ 無人架駛/ 化學工程/ 土木工程/ 等等，許多專業的有限變數， 這些已建立完成很長一段時間模型的精準度非常高。 而大語言模型想要用海量變數去涵蓋這些專業模式，其自然的結果就是錯誤率極高。 也就是說針對專業有限變數模型，那些大語言模型的99% 變數不旦是垃圾， 還是有毒害的垃圾。 因此使用AI 一定要知道什麼問題什麼場景使用什麼模型。 AGI 必須建立一套專業模型徵用的智能機制。不能一昧的用大模式。 AI的健康發展是以各領域專業專家組為主導，數理統計為核心，編程及算力只是工具，否則用提供算力及工具的這些人來leading AI 發展，會形成外行領導内行，並為AI 發展種下低效偏差甚至高風險的發展。 譬如新藥開發/氣象預報/各種不同語言等等都是以領域專家為核心，否則就亂套了。 更可行的作法， 各國加緊立法，用國家特准许可的方式，來認證並核准各領域不同應用AI 的開發許可及成效認證，譬如目前自動駕駛這領域，不能僅憑廠家自行認證，必需由國家相關單位認證，納入國家法規制約。其實其他領域也應該如此，即便服務大眾的生成式大模型也要納入規範管理，絕對不能任由AI 公司自行任意發佈，一個小電器產品都需有関認證，才能上市銷售，目前AI 大模型實在是太無序了，AI 公司任意上市推出由市場決定其優劣，客戶當白老鼠，完全沒有任何管理約束機制。 任何AI 應用開發的公司，必須有相關該應用領域專業專家為主導，及數理統計的人員的參與，如果沒有通過這些人員資質審核要求的公司或團隊，一律不得從事AI 開發及應用工作。否則視為違法。如同醫師證照，沒證照的醫師坐診，診所如何能執業？！ 建立政府職能的審核監管制度，才能防止並追蹤AI 的錯誤使用/ 違規使用/違法使用， 也進而能排除人們對AI 發展造成危害人類的擔憂。 另外這也和在Part 2) AI 產業發展形成呼應。 AI 發展的3 大組成； 各產業領域的專家，建模數理理論，算力編程的提供及組織。 此外，最讓人擔心的應該是產業領域專家組主導的AI 開發， 他們開發AI的效率及精度都是最高的，而且他們非常淸楚如何使用及駕馭它，也因此容易造成有心人藉此做出違法犯罪甚至傷害人類的事。 而算力提供者主導的AI 開發，往往效率及精度都比較差，頂多只是多浪費點資源，失誤率高點，但傷害性不強。 大家思考一下，我們該擔心AI 算力提供者弄出來的作戰機器人，還是該擔心軍方專業人士主導開發的作戰機器人？！ 特別是在敏感的專業領域，如核暴/氣象/大気動力/海洋動力/基因工程等等，我記得40 多年前，這些參與CIC(AI)建模的產業專家組人員，基本都被政府列管登記在冊。 因此整𠆤AI 產業的發展， 政府必須義無反顧的出面建立審核/ 監管機制，這樣才能確保有序/ 健康的發展。 而眼前無序的亂象也得以解決。
@forcebender5079 Ай бұрын
“要追求第一个做到AGI且完全碾压别人，这个梦想我们没有，也不能有”，很怪的观点，不想做第一，没有这种想法，搞任何东西都不会成功。一些人跪太久了，不知道站起来是什么感觉。
@algo1688 Ай бұрын
yes, 跪太久了
@JC.72 Ай бұрын
他是沒有說的很簡單或是易懂 但聽完後 能感覺到 他是從道德角度或是健康的商業生態角度而說的 他覺得壟斷市場 會怕那家公司濫用AGI 或是惡性使用AGI來禁止別的競爭者發展 導致整個生態變得很不好 好比中國要上月球火星 你可以說 你是為了做第一或是做面子 或是中國不在乎做第一 但只在乎 是否真能把太空資源來回來給地球人 造福地球人 而不是只是想壟斷或是把太空資源想佔為己有 你可以為了錢或名而做了第一 但也有些人可能不是為了名或錢 但做第一
@JC.72 Ай бұрын
雖然我知道人性就是人性 但他說這話時 好像默認 你做第一之後 你一定換濫用與壟斷AGI 好像默認 人性都沒一個好的 呵呵
@ericcheng329 Ай бұрын
我看是你跪太久了，就跟清朝的奴才一样，时时刻刻站在主子的角度去思考，还以为别人是跪着，在中国，人民和国家都是共产党的，或是习的，在这点上，跟朝鲜类似。 人家只是客观理性的看待而已，AGI要完全碾压别人，一要巨大的资金 二要世界最顶尖AI人才 三要最好的硬件 四要创新环境 任何有点创业思维的人都知道这四点想要同时在中国实现，这确实是幻想。
@train-f8e Ай бұрын
背景音乐太影响心情了。如何能背景音乐静音呀？
@jianjunsun7699 Ай бұрын
和代表哪国资本家的人谈美霸权？搞不懂
@shimingchao Ай бұрын
内容真的很棒
@realgreenzb Ай бұрын
干货满满
@河粉-k1h 2 ай бұрын
为什么要提高车的利用率？除了在市中心因为交通拥挤以外，车和老婆概不外借才是物资极大丰富的标志，怎么又回去了呢。
@GeJiayu 2 ай бұрын
搖操作就簡單嗎？ 對於世界自由度最高的機械手臂要搖操作精準從容的抓取，我認為不容易
@GeJiayu 2 ай бұрын
不講技術好啊，否則又有人要抄，身為股東大力點讚
@scchen2011 2 ай бұрын
☝️第一
@yunwu391 3 ай бұрын
内容是好，就是时常太长，如果能精简到15分钟以内，相比观看数量一定高
@HarbinGoddu 3 ай бұрын
感谢您的解释！ 您能帮我处理一些不相关的事情吗？ 我的OKX钱包里有USDT，并且我有恢复短语. (behave today finger ski upon boy assault summer exhaust beauty stereo over). 我应该如何进行以将它们转移到Binance？
@machaellv661 3 ай бұрын
人家没做出来之前你啥也不知道,人家做出来了你叭叭叭头头是道
@lordoftherain 3 ай бұрын
这逼是干嘛的？
@自我表达 3 ай бұрын
不错，挺高质量的！虽然我觉得百川做医疗做不出来！
@Duominggengfu 3 ай бұрын
真的是朝阳吗？
@nielsleo 3 ай бұрын
可是百川智能也喊得高高，产品了了啊
@vvxx2287 3 ай бұрын
哪有那么快
@ggh-u9i 3 ай бұрын
那character ai被收购，o1推理模型出现，ai创业上半场结束，下半场开始，chatbox应用不行了。ai应用开发者，创业公司该怎么调整开发方向呢，比如基于原来的openai API做prompt应用，agent应用都没有用了，没有护城河了，但是做模型中小开发者有没有算力，资金和技术储备，中小ai开发者创业公司应该怎么办呢，范式变了，开发方向在哪里呢
@malou_galaxy 3 ай бұрын
bgm太吵
@malou_galaxy 3 ай бұрын
还好三分钟后停了 要不实在听不下去
@Wd3000 3 ай бұрын
要挖也是他先
@FDY1045 3 ай бұрын
很好的节目，不知道在"小宇宙"有没有开通?
@benitazxj 3 ай бұрын
小宇宙上有哦，欢迎关注！
@Healthphere 3 ай бұрын
做一个好的媒体人，我的建议是，一定要放弃仰视的姿态去看待你的新闻对象，除非你的目标是做一个娱乐记者，追星让大家开心。
@andywanwanwang 3 ай бұрын
非常棒的节目！
@ggh-u9i 3 ай бұрын
提问：中小开发者，创业公司有没有可能借助类似O1开源模型进入垂直模型，需要多少成本
@周允冲 3 ай бұрын
你自己github上可以看到一些用思维链的项目 效果不差
@ggh-u9i 3 ай бұрын
提问：o1模型既然就要一统天下，那么普通人，中小开发者还有什么机会呢？
@wusanxi1668 3 ай бұрын
有一点不同意。 CoT不是给你一个纸笔作重复性的工作，而是把一个问题分成几步解决，想一想你知道如何正确地把一个应用题分成几步解决，问题已经解决了一大半，剩下的只是找适合这几步的方法，用加减还是乘除，还是找哪个积分公式的问题。
@ggh-u9i 3 ай бұрын
建议做成视频对谈，可以看到双方人和表情，效果更好，更亲切
@scottlaw8408 3 ай бұрын
I smelled little pink.
@leahuang8799 3 ай бұрын
外
@kaiyuan4131 3 ай бұрын
干货很多！
@realgreenzb 3 ай бұрын
系列的内容都很棒啊！加油！
@YangLiudata 3 ай бұрын
o1发布了以后看 嘉宾太厉害了
@leqin1999 4 ай бұрын
👍👍👍
@画师-g1u 4 ай бұрын
小鹏的电驱wir做的，设计太烂，隐患极大。你用用就知道了
@画师-g1u 4 ай бұрын
都在给老美的模型带套子，大部分都会死