我的 X 阅读

转帖：本·阿弗莱克，AI研究员工程师？

此外，由于月初积压的所有论文将一次性提交，论文数量似乎也会增加。

探索 Yellowbrick 如何通过其定制化的模型诊断可视化功能和与 scikit-learn 的无缝集成，简化机器学习！ Yellowbrick 的主要功能： 模型可视化：从分类到聚类，Yellowbrick 提供丰富的可视化功能。https://t.co/1yNUtSFwc1

酷炫的评估。只需向一个 LLM 提问“陆地还是水域？”，并以文本形式提供一个纬度和经度坐标。重复询问 16,200 次，然后将结果绘制成图像。模型们知道答案。从压缩整个互联网中得来的。 引用：所有 Claude 模型的结果

如果我是特朗普，在中期选举大败之际，我会轰轰烈烈地收场： 削减福利开支并消除预算赤字 这会让经济崩溃，他会遭到两年仇恨——但历史会记住他拯救了国家。

Karpathy：从 X 上消失 Ben Affleck：好吧，大家围过来，你首先要冻结基础权重，学习率 2e-4 引用：本·阿弗莱克（好莱坞明星 & Artists Equity 首席执行官）谈论了他如何微调开源视频模型，通过解冻权重并仅训练最后的电影层，从而让一个电影摄制组能够达到真正的制作标准。 作为背景，本·阿弗莱克于 2022 年创立了 InterPositive，这是一家 16 人规模的电影后期 AI 工作室，Netflix 于 2026 年 3 月以 5.87 亿美元现金收购了它。 他需要那个模型，因为公共视频模型是在他同行们的电影上训练的，他认为那不是真正的商业。所以 InterPositive 筹集资金，在一个受控舞台上拍摄了 8 个月自己的数据集，并仅将其用作后期训练。 然后，每部新电影都会在其自己的每日冲洗片段上训练一个私有模型，因此制作方保留了素材和学习成果。这就是 Netflix 支付 5.87 亿美元购买的产品。 ---- 来自“Bloomberg Live” YouTube 频道，（链接在评论中）

未读邮件从刚才超过 9000 封减少到了 6110 封。将会在未来 48 小时内通过清理过滤器实现收件箱清零。Dot 已接受挑战。 引用：你可以让你的 dot 执行“create a pet and set it as your avatar”（创建一个宠物并将其设置为你的头像）。它可以基于一个想法、一张图片或几乎任何东西。这是我的 dot

群马名字的古代鲸鱼还真有啊！ #群馬県 #群論 #群馬県は群論と関係ありません 引用：群马县内发现的化石为新种 1550万年前的抹香鲸类 县立自然史博物馆命名为“群马远志” #上毛新聞 https://t.co/HehYO9shUn

如果你从英伟达大量采购GPU，就能搭建很多服务器并运行LLM，对吧？ 原理是一样的：我们需要能够轻松地宣称“我们已经创建了海量的量子比特”。 否则，我们就无法运行量子计算机，也无法在其上运行通用操作系统或人工智能。

“易于获取且可大规模生产的材料的组合” ↑ 我认为这掌握着现代科技史的关键。 无论是互联网的发展还是计算机的进步，这种“易得材料的组合”都推动了科技的进步。 如果试图使用特殊且稀有的材料，它就无法传播或发展。

给 Claude Fable 5.5 一个提示： “极其复杂的 3D 鲁布·戈德堡机器，精确物理效果，AAA 级图形，视觉特效” 然后要求生成一个 1 分钟的视频。 结果是： 引用：极其复杂的3D鲁布·戈德堡机器，精确的物理效果，AAA级图形，视觉特效

转帖：.@wajo_ai 创始人兼首席执行官 @shivanipod 认为，科技圈之外的人比圈内人更频繁地使用智能代理，而且用于更高风险的事情： “我认为人们不理解那些不在这个圈子里的普通人使用这些工具的程度有多高。” “Wajo 的市场推广策略，我们并没有只把这些工具给硅谷的人，因为我们知道每个人都在使用智能代理，而且我们无法从他们那里获得真正的反馈。” “我希望它能分发给俄亥俄州的承包商、印度的人、英国的人，他们这些人并不那么精通科技……” “他们使用这些智能代理的频率可能比我们中的任何人都高。” “硅谷的大多数人会告诉你，他们的智能代理故事是预订餐厅。一个佛罗里达州的人会告诉你，他们的智能代理故事是真正能够填写一份完整的医疗补助表格，否则他们得花六个星期。”

转帖：你不能对别人说什么，你需要以身作则，这样他们才能明白你的意思。不管你说多少次都没用。言语不过是它们本该承载的内容的残片，真理不是一个词。

转帖：在物理学中，“阻抗失配”是指两个系统各自运行良好但匹配不佳的情况。 在这篇科学博客的客座文章中，哈佛物理学家马修·施瓦茨认为，AI 和科学领域正在发生类似的现象。大型语言模型（LLMs）在许多方面都很强大，但目前与它们合作的方式就像与人类合作者那样，并不是发挥其科学优势的最佳方法。 为了解决这种失配，施瓦茨创建了一个用于定量科学精确计算的工具包。因为类似计算经常出现在科学的不同领域，Claude 发现了与生态学、群体遗传学以及其他十几个领域的联系，而施瓦茨则与领域专家合作，将其引导向有趣的问题。 在此阅读有关这些项目的更多信息：https://t.co/UpgSwMCz7h

真有趣 引用：研究人员打造了一个人工智能，在零物理知识的情况下自学了300年的物理学知识 它从零开始重新发现了牛顿第二定律、万有引力定律和能量守恒定律。 1907年，阿尔伯特·爱因斯坦有了一个他称之为“最快乐的想法”：引力质量等于惯性质量。 他又花了八年时间，苦苦钻研，才将这一发现转化为广义相对论。 现在，研究人员打造了一个人工智能，它完全自主地推导出了这些定律。 他们称之为“AI-牛顿”，这是一个人工智能系统，旨在完成人类物理学家几个世纪以来一直在做的事情：分析原始的、杂乱的实验数据，并从中提取普遍规律。 它不是通过曲线拟合，也不是通过猜测，而是通过创造自己的概念。 它的工作原理如下： 他们向人工智能输入了一个庞大的、包含大量噪声的力学实验数据集，这些实验涉及弹簧、球和天体。 这套系统最初对物理学一无所知。它不知道质量、能量或引力是什么。它只知道时空坐标。 然后，它开始工作。 人工智能利用由符号推理驱动的自主发现工作流程，逐步处理数据。 当遇到数据矛盾时，它并没有崩溃。它进行了“合理推理”——启发式地创造新的抽象概念来使数学计算成立。 它独立地创造了质量的概念。 然后是动量。 然后是能量守恒。 然后，完全在没有任何提示的情况下，它从零开始推导出了牛顿第二定律和万有引力定律。 最不可思议的不仅仅是它找到了正确的答案，而是它找到答案的方式。 这套系统模拟了人类科学的进步过程。它并没有一次性抛出所有方程式。它以渐进的方式发展，首先解决简单的力学问题，然后遇到异常情况，发明诸如势能之类的中间概念来弥补不足，最终扩展到普遍规律。 几个世纪以来，人类最伟大的科学突破都源于人类的直觉和努力。 我们曾认为真正的科学推理需要生物思维。 如今，人工智能已经能够分析原始数据，忽略噪声，创造自己的物理学词汇，并从零开始重写我们的教科书。 如果人工智能能够从一张白纸开始，自主地引导自己理解宇宙法则……