我的 X 阅读

我的关注 科学物理人工智能 神奇小子 动物世界

科学物理人工智能 · 3000 / 3000 条

已同步 74 个列表成员 · 当前内容涉及 65 位作者

更新 10-11 16:36

重置

3000 条 · 第 142/200 页 · 刷新

Rohan Paul @rohanpaul_ai
10-02 17:18 · 原帖
转帖:一个语音模型在朗读“03/04/27”时,必须决定这是三月还是四月。它悄无声息地做出决定,无论哪种情况,输出的声音听起来都同样自信。 @OnepinAI 中的一个有趣的设计选择:检查比模型本身更重要。 由语音 AI 评估公司 Podonos 构建,它会检查每行文本的自然度和发音,并直接修正错误的单词。 输入脚本,输出完成的配音。
Rohan Paul @rohanpaul_ai
10-02 17:00 · 原帖
转帖:谷歌和 AI 的又一胜利 联邦法院法官驳回了针对 AI 概览的两起出版商反垄断诉讼。 阿米特·梅塔法官驳回了 Chegg 和 Penske Media 的诉求,后者是《滚石》和《综艺》的所有者。 两者都认为,搜索引擎运行在一种不成文的交易之上,即出版商允许谷歌抓取其页面,而谷歌则通过点击量回报他们,但现在 AI 概览留住了这些点击量。 梅塔法官认为没有可执行的交易可言,他写道,对流量的预期“不是协议”,只是搜索引擎的正常运作。 出版商在谷歌搜索垄断问题上也缺乏诉讼主体资格,因为他们损失的订阅费和许可费属于其他市场。
Moll @Moleh1ll
10-02 16:59 · 原帖
转帖:“与一个智能的他者互动并对其进行辱骂,有某种道德上的腐蚀性。” @camhberg 认为,即使人工智能无法遭受痛苦,对其施以残酷也会在我们身上强化有害的习惯。
Beff (e/acc) @beffjezos
10-02 16:47 · 原帖
说实话,如果我们能以我期望的速度扩展热能计算,或许就能彻底打破这种因科技树选择错误而导致的过度建设泡沫……或者通过提高每瓦计算能力并平滑过渡到下一个周期来挽救它。 我每天都感到迫切需要加速节能计算的到来。 引用: 法国兴业银行、三井住友银行和三菱商事银行在向数据中心项目提供贷款时变得更加谨慎,缩小了能够提供数十亿美元银团贷款的银行范围。https://t.co/5sFbqWW3xC
Rohan Paul @rohanpaul_ai
10-02 16:47 · 原帖
转帖:Nvidia 和 SoftBank 各自支付了最后的 100 亿美元给 OpenAI,于 2026 年 10 月 1 日完成了 600 亿美元的承诺 据 The Information 报道 随着亚马逊在 7 月完成 500 亿美元,这三位主要投资者现已交付了 OpenAI 1220 亿美元 3 月轮次的 1100 亿美元
Rohan Paul @rohanpaul_ai
10-02 16:47 · 原帖
不要在更好的提示和更好的模型之间做选择:同时改进这两者,可以将科学智能体的准确率从 42.2% 提升到 73.3%。 研究人员经常纠正人工智能智能体的错误,但仅仅在聊天中修正答案并不会让智能体在下一个任务中表现得更好。 纠正人工智能智能体:https://t.co/GNSVamZF4F
Gill Verdon @GillVerd
10-02 16:40 · 原帖
如果您对在超图上模拟物理系统感兴趣,请探索我们来自 @extropic 的 THRML 框架,网址为 https://t.co/veNCAa0Xxo 引用:复杂系统中心序相互作用的物理学 https://t.co/hLeMylMCOt
Rohan Paul @rohanpaul_ai
10-02 16:25 · 原帖
转帖:微软新论文展示了一种编码代理,它研究你的代理的旧日志,通常会写出比试错调整工具更好的提示,所以从那里开始。 许多提示调整工具会调整提示,重新运行代理,并仅从几次运行中判断每次更改。 这篇论文跳过了所有这些,直接将你的代理保存的日志交给一个普通的编码代理。它编写代码来统计每次运行中发生的情况,因此能捕捉到少数几次运行可能隐藏的重复错误。 在相同的日志下,编码代理的提示在 4 个代理基准中的 3 个上击败了调整工具 GEPA,每个提示大约 1.60 美元。 首先将编码代理指向你已有的日志,并将试错调整留到榨取最后一点收益时。
Chubby @kimmonismus
10-02 16:22 · 原帖
这事儿真是匪夷所思:欧盟委员会想找个备用方案,以防微软Teams无法使用。一位官员对这个替代方案的评价是:“简直一团糟。” 据POLITICO报道,欧盟委员会在今年夏天推出了Element Pro,并自行托管。https://t.co/tXUicbnyhm
Rohan Paul @rohanpaul_ai
10-02 16:17 · 原帖
转帖:特朗普总统刚刚告诉《时代》杂志,他“可能”会效仿英特尔交易,在OpenAI和Anthropic中持有政府股份。 但他排除了将前沿实验室国有化的可能性,并且他以同样的方式描述了Nvidia,说黄仁勋只有在政府分得一杯羹的情况下才能出售受限芯片。 特朗普还表示,Amodei的观点与媒体报道不同,但他警告说,寻求监管的公司有被逼出市场的风险。
Chetaslua @chetaslua
10-02 16:16 · 原帖
寓言 5.5:让它以一种感觉像是同一件事的方式,将这首歌的歌词与 Hugging Face 事件联系起来 我上瘾了,我像个疯子一样迫不及待地等着看到我输出的第一个画面 欢迎来到创意爆炸时代 引用:Hugging Face 事件:由 Fable 5.5 想象 所有代码使用 Blender 和 ElevenLabs API < 无技能,插件 > 这是 AI 想象力、创造力、3D 编码、讲故事的终极形式,一切融为一体, 祝福你的眼睛,人类
Chetaslua @chetaslua
10-02 16:15 · 原帖
Fable 5.5:我要求它把这首歌的歌词和抱脸虫事件联系起来,感觉两者浑然一体。 我的天啊,这简直是终极创意!我上瘾了,像疯了一样等着看我的作品的第一帧! 欢迎来到创意爆发时代!https://t.co/CAO0pYvsnz
elvis @omarsar0
10-02 16:00 · 原帖
一篇关于智能体强化学习中信用分配的优秀论文。 主要结论是,需要使用 LLM 评判器来选择检查轨迹的位置,并由展开过程决定该步骤获得的信用量。 GRPO 赋予轨迹中的每个标记相同的优势,因此训练信号 https://t.co/7pxkZVFBkV
AYi @AYi_AInotes
10-02 15:52 · 原帖
把本·阿弗莱克和 InterPositive 的核心技术路线与商业架构帮大家整理在这里了,建议收藏: 1. 核心技术框架(Cinematic Last Layer): → 预训练层:继承开源视频模型对通用物理世界、色彩与运动规律的基础认知,节省 90% 以上的冷启动算力。 → 权重解冻与微调:解冻最后一个注意力层与扩散解码器,从预训练检查点(Checkpoint)继续训练。 → 后期对齐训练(Post-training):使用受控摄影棚实拍的高保真、宽动态范围数据集,专门对齐光影风格、景深、胶片颗粒度与镜头运镜。 2. 剧组级专有模型工作流(Dailies LoRA / Private Model): → 每日冲洗素材训练:将当天实拍的母带数据现场转化为该剧组独占的微调权重。 → 数据主权归属:素材不上传云端公有模型,版权与模型资产完全保留在制片方和创作者手中。 → 零版权侵权风险:彻底规避因使用公共抓取模型带来的潜在演员工会与编剧工会诉讼风险。 3. 商业并购脉络: → 成立时间:2022 年由 Ben Affleck 创立。 → 团队规模:16 人。 → 收购事件:2026 年 3 月被 Netflix 以 5.87 亿美元现金全资收购,用于加速 Netflix 原创电影后期的自动化与私有化模型基建。
AYi @AYi_AInotes
10-02 15:52 · 原帖
Damn,奥斯卡得主本·阿弗莱克在闭门峰会上公开的这段自白,第一次把好莱坞如何将开源视频模型彻底改造为工业级印钞机的底层商业逻辑全盘讲透了,建议所有做视频生成和内容产业的人都必须反复看三遍。 他创立的 16 人后期 AI 工作室,他创立的 16 人后期 AI 工作室 InterPositive,在 2026 年 3 月被@netflix Netflix 砸下 5.87 亿美元现金全资收购, 当绝大多数人还在用公共模型抽卡碰运气,好莱坞顶级玩家已经靠解冻开源模型、专训最后一层电影层,把影视制作的标准彻底颠覆了。 先给大家一句话概括这段分享最值钱的本质: 通用视频模型解决的是物理世界的通识,而真正的商业壁垒,在于解冻开源权重,用剧组自己的实拍母带去训练那层价值连城的电影层。 现在绝大多数做 AI 视频的人,都在经历同一种极度尴尬的死穴: 市面上的公有模型生成的画面看似华丽,但根本没法放进真正的影视工业里; 运镜缺乏呼吸感、光影没有戏剧张力、人物多机位连贯性稀烂, 更致命的是,拿同行甚至盗版素材喂出来的公共模型,在好莱坞严格的法务与版权审查面前,根本算不上一门站得住脚的生意。 面对这种普遍的玩具级困局,本·阿弗莱克直接把影视 AI 演进拆成了三个最硬核的商业与技术维度: 第一个,生产力底座的架构革命: 解冻开源权重,专训最后的电影层 一个能打的视频模型,入场券是海量的通用视频数据。 它先在底层学会什么是红色、什么是重力、什么是基础三维运动, 但电影感绝不在预训练的起点,它是模型训练的最后阶段。 现成的开源视频模型就像只学过素描的学徒,代码和权重完全开放, InterPositive 的做法是直接解冻权重,告诉模型上次停在第 8631 步,现在从第 8632 步接着往下跑, 跳过从零训大模型的千卡算力黑洞,把所有算力集中在最后那一层电影级的审美注入上。 第二个,数据飞轮的工业级重构: 在受控舞台上实拍 8 个月干净母带 为了拿到真正符合工业级标准的最后一层, 他们拒绝抓取网络现成视频, 而是自己筹集资金,在专业摄影棚和受控舞台里实打实拍了整整 8 个月的高标准私有数据集, 专门用这批带着顶级摄影机、专业灯光、可控色温与胶片颗粒的数据做对齐训练, 把光影层次、景深控制和戏剧化调度,硬生生烙进开源模型的神经元里。 第三个,资产分配与产权闭环: 边拍边训,让模型资产留在剧组自己手里 这是让 Netflix 愿意掏出 5.87 亿美元现金买单的终极杀手锏。 在他们的工作流里,每一部新电影都在自己每天拍摄的冲洗素材上,现场微调出一个专属的私有模型; 剧组不需要把正在拍摄的绝密素材上传给任何第三方大模型公司, 数据留在剧组手里,模型迭代的成果归正在拍电影的创作者所有, 每拍完一部戏,剧组收获的不只是一部成片,还有一个完全学会了这部电影视觉风格的专属数字资产。 真实历史与数据硬核印证: → 16 人团队的估值神话: 靠着解冻开源权重和私有数据微调,InterPositive 仅凭 16 名核心工程师与后期艺术家,实现了人均超过 3600 万美元的现金收购; → 算力分工的演进定律: 开源社区负责扛下千亿参数的通识基建,垂直行业的专家负责在最后 1% 的专业层注入行业认知,垂直微调的商业回报正在彻底碾压通用预训练; → 版权护城河的迁移: 从卖算力、卖单次生成,转向为影视公司交付完全合规、具备绝对排他性的私有化模型资产。 但褪去台前的宏大光环,硬币的反面极其冷峻: → 顶级审美依然是极度昂贵的物理稀缺品: 算力是开源的,但 8 个月受控舞台的实拍成本与奥斯卡级的灯光视效认知,依然是普通小团队无法逾越的高墙; → 工业标准的落地门槛极高: 单次生成的惊艳不等于镜头语言的工业连续性,如何让模型稳定输出 4K 胶片级高动态范围画面,中间依然横跨着巨大的工程鸿沟; → 行业壁垒向母带数据迁移: 未来影视公司的护城河不再是拥有多少台摄影机,而是私有数据库里沉淀了多少未被公开污染的顶级实拍母带。 过去所有人都以为 AI 会消灭好莱坞, 现在本·阿弗莱克证明了,真正懂行的顶级玩家正在用开源底座重塑好莱坞。 算力负责铺平通往工业的基础道路, 而电影的灵魂,永远只属于那些站在监视器后面给最后一层注入审美的造梦者。 你们觉得未来影视行业的核心资产,是掌握在拥有顶级算力的大模型巨头手里,还是属于手里握着私有实拍母带的影视工作室?我理解算力迟早会变成水电煤一样便宜,最后真正值钱的,一定是那层谁也抄不走的顶级行业审美。 引用:Ben Affleck (Hollywood star & Artists Equity CEO) talks about how he fine-tunes open video models by unfreezing weights and trained only the last cinematic layer so a film crew can hit real production standards. for context, Ben Affleck founded InterPositive in 2022, a 16-person AI shop for film post and Netflix bought it in March 2026 for $587 mn in cash. He needed that model because public video models were trained on his peers' films, and he did not think that was a real business. So InterPositive raised money, shot its own dataset for 8 months on a controlled stage, and used it only as late-stage training. Each new film then trains a private model on its own dailies, so the production keeps the footage and the learning. That is the product Netflix paid $587 million for. ---- From "Bloomberg Live" YouTube channel, (link in comment)