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 08:21

重置

3000 条 · 第 56/200 页 · 刷新

Rohan Paul @rohanpaul_ai
10-07 14:16 · 原帖
彭博社:英特尔首席执行官陈立武表示,英特尔将继续参与埃隆·马斯克的Terafab芯片制造项目。此前数日,马斯克透露了与台积电的谈判。 陈立武在东京出席英特尔进军日本50周年纪念活动前作出了上述保证。此前,马斯克关于台积电的言论导致英特尔股价下跌3.9%。https://t.co/mVfB9gYZ47
Ramin @ramin_m_h
10-07 14:15 · 原帖
转帖:休斯顿,我们这里真的没有云。旧金山也超棒! 在我们与 @liquidai × @zeticai_ 合作举办的设备端 AI 工作坊上,开发者们制作出了无需 Wi-Fi 即可运行的外星翻译器和语音导航太空探测器。 天空也收到了通知:我们用望远镜看到了土星! #SFTechWeek @Techweek_ https://t.co/di6loeQyCZ
Beff (e/acc) @beffjezos
10-07 14:09 · 原帖
苹果或亚马逊真的应该收购 Thinking Machines 引用:我询问了人们会将每个实验室归入哪个层级: 前沿层: - Anthropic:共识 - OpenAI:共识 n-1(落后一代): - Google DeepMind:共识 - xAI:共识 - Meta (Muse Spark):超过一半认为 n-1 - Moonshot (Kimi):超过一半认为 n-1,有些认为 n-2 - Zhipu (GLM):超过一半认为 n-1,有些认为 n-2 - DeepSeek:超过一半认为 n-1,有些认为 n-2 - Thinking Machines (Inkling):倾向 n-1,有些归入 n-2 n-2(落后两代): - Alibaba (Qwen):倾向 n-2,有些归入 n-1 - ByteDance (Seed):超过一半认为 n-2 - Xiaomi (MiMo):倾向 n-2,有些归入 n-1 - MiniMax:超过一半认为 n-2,有些 n-1 - Tencent (Hy):超过一半认为 n-2 - NVIDIA (Nemotron):倾向 n-2,有些归入 n-3+ n-3+(落后三代以上): - Microsoft (MAI):超过一半认为 n-3+,有些 n-2 - Cohere:超过一半认为 n-3+,有些 n-2 - Mistral:超过一半认为 n-3+ - Amazon (Nova):共识 - Apple:共识 共识 = 75%+,超过一半 = 51%-74%,倾向 = 最常见的选项但不到一半,有些 = 20%+。 我询问了 70 人。AI 数据公司的工程师/研究人员/创始人,实验室员工(我不计算他们对自己实验室的投票),以及其他初创公司的创始人/工程师。我没有投票。
AYi @AYi_AInotes
10-07 14:09 · 原帖
Claude4种模式的正确打开方法‼ 为什么你手里的 Claude 总是发挥不稳定,今天像天才,明天像智障? 先别怪模型降智,因为你把写代码、做 PPT、头脑风暴全丢进了同一个聊天框。 这篇把 Claude 官方隐藏的四种作业模式讲的很透, 快活走 Chat,大活走 Cowork,造工具走 Code,重复活走 https://t.co/GlNhjlIL9F
Takato Mori @QFTlover
10-07 14:09 · 原帖
转发:互不偏基(MUB)问题似乎终于解决了…… 除了 d 为素数幂的情况外,d 维空间中是否存在 d+1 个互不偏基的问题一直悬而未决。正如许多人预测的那样,已经证明 d=6 时不存在互不偏基(d=6 是最简单的非素数幂的例子),并且此类互不偏基的数量为 3。 https://t.co/PFvObMzkWw
∇ₖPascal ∇ₚKwanten (∛) (Πασκάλ) @pascalkwanten
10-07 13:53 · 原帖
更正: 8⊗8=(3⊗3*-1)⊗(3⊗3*-1) =3⊗3*⊗3⊗3*⊖2(3⊗3*)⊕1 =27⊕10⊕10*⊕4(8)⊕2(1)⊖2(8)⊖2(1)⊕1 =27⊕10⊕10*⊕2(8)⊕1
OpenAI Developers @OpenAIDevs
10-07 13:31 · 原帖
转帖:一直在捣鼓 Astra + Blender,然后……嗯,我现在明白了。 灵感来源:@ermanmalak
Rohan Paul @rohanpaul_ai
10-07 13:30 · 原帖
转帖:这是一个优秀的产品。 通常,一个代理只能与那些允许软件通过 API 或连接器(如 MCP)直接与之通信的应用程序合作。 @Gumloop 的浏览器消除了这一限制。 当代理需要访问一个没有连接器的网站时,它会在云端打开自己的网页浏览器,并以您通常的方式使用该网站:登录、点击、输入并下载文件。 每个会话都在隔离的云端沙箱中运行,而不是在您的笔记本电脑上,并且会进行录制,以便您可以精确查看代理做了什么。您可以选择哪个 AI 模型来运行它:使用一个强大的模型来制定步骤,然后使用一个更便宜、更快的模型每周重复点击。
Derya Unutmaz, MD @DeryaTR_
10-07 13:21 · 原帖
转帖:今日的 AI 绘画:「图案书之日」,约 1690 年,日本京都 使用 ChatGPT Image 2.5 创建
BURKOV @burkov
10-07 13:05 · 原帖
我觉得非常离谱,因为前沿封闭权重LLM会在为我生成的文本中注入基于统计的水印。 我为这段文本付费了;它属于我,我不希望它被以任何方式标记。 此外,我百分之百确定,当在https://t.co/sjoLatBApW上检测到此类文本时,会受到恶意标记。
AYi @AYi_AInotes
10-07 13:02 · 原帖
斯坦福官方发布,2026新科诺贝尔奖得主Karl Deisseroth 告诉孩子自己拿了诺贝尔奖, 他拿奖的研究叫光遗传学, 说白了,就是给大脑里的神经元装上光控开关。 把藻类里一种对光敏感的蛋白基因放进特定的神经元, 光一照,那一类细胞就开或者关,精确到单个细胞,快到毫秒。 以前研究大脑,靠插电极、靠打药, 一刺激就是一大片,根本分不清是谁在起作用。 现在科学家终于能问一个以前没法问的问题: 就是这一类细胞,让动物害怕、焦虑,或者想要某样东西吗? 最狠的是,他本身就是精神病学教授, 抑郁、焦虑这些过去只能看症状的病,第一次可以拆到具体的神经环路上去研究。 把人类最难懂的器官拆开讲清楚的人, 拿奖这天,斯坦福记下来的是他给几个孩子讲清楚发生了什么。 不知道大家会怎么跟孩子解释自己每天在做的工作hh https://t.co/U4mC1cGmtr 引用:拿下诺贝尔奖的第一天,他依然背着包去上班! 斯坦福官方刚刚公布 Karl Deisseroth 教授走进实验室的高清画面。 用光控制大脑的科学狂人,用最朴素的背影给全网上了震撼一课。 这种顶级学者身上极致的平静与纯粹让我特别触动, 视频里刚刚拿下 2026 年诺贝尔生理学或医学奖的 Karl Deisseroth 教授, 既没有盛大的香槟派对,也没有被无数媒体簇拥的喧嚣, 他像过去二十年里无数个平凡的早晨一样,背着普普通通的双肩包,穿着洗得发旧的休闲服,穿过清晨略显空旷的长廊,极其平静地推开实验室的大门,继续回去敲他的代码、看他的神经元切片。 很多朋友可能对这位神级人物不太熟悉,我用大白话给大家讲讲他到底干了件多么逆天的事, 他是现代神经科学史上最伟大的神级技术——光遗传学(Optogenetics)的核心开创者。 在光遗传学出现之前,人类想要研究大脑到底是怎么工作的,手段极其原始且痛苦: 要么往脑子里插一根粗大的金属电极搞通电刺激,一通电一大片神经元跟着遭殃,根本分不清到底是哪颗细胞在起作用; 要么靠药物或者直接切除脑组织,精度差到简直像拿大铁锤去修理一块瑞士手表的发条。 而 Karl 教授带队干了一件近乎神迹的物理改造: 他们把深海藻类里一种天生对光敏感的特殊蛋白基因,精准植入到活体大脑的特定神经元里; 从此,大脑里的神经元就像被装上了一个微型的光控开关。 只要用一束微弱的光纤轻轻一照,科学家在毫秒级的时间里,就能精准点亮或关闭活体动物大脑里的单单一颗神经元, 让恐惧瞬间消失、让记忆精确重现、甚至彻底逆转严重的抑郁与帕金森症状。 他把原本被视为不可知黑盒的人类大脑,直接变成了逻辑清晰、可精确调试的代码回路。 但这段视频之所以在全网疯传,最动人的根本不是他拿了多少头衔, 而是他在站上全人类科学最高荣誉的这一天,展现出来的那种不可思议的松弛感与专注力。 在世俗的眼光里,诺贝尔奖是一场漫长科研苦旅的终点和勋章; 但在真正热爱真理的造物者眼里,奖项只是路边随手摘下的一朵花, 穿过走廊推开实验室大门的那一刻,探索未知的征程才刚刚开始。 这其实给所有在自己的领域里死磕、偶尔感到焦虑和疲惫的朋友提了个极其清醒的醒: 外界的掌声、头衔和所谓的里程碑,全都是做成事情之后随风飘来的副产品; 唯有当你推开工位大门、沉浸在解决具体难题的那一瞬间,你所获得的平静与笃定,才是任何人都夺不走的终极勋章。 天下喧嚣皆是过眼云烟, 把热爱做成呼吸的人,永远坐在自己的牌桌上。 愿我们都能在专注做自己真正热爱的事情时,找到那种完全忘掉外界评价、只想把手头细节打磨到极致的心流时刻! https://t.co/cUAsY3HlTO
Beff (e/acc) @beffjezos
10-07 12:59 · 原帖
对一个小开源模型进行后训练,使其也能求解纳维-斯托克斯方程:
Yann LeCun @ylecun
10-07 12:54 · 原帖
转帖:本·阿弗莱克透露他会写Python代码,懂得卷积神经网络,曾广泛使用GPU,并利用自己的名人身份获得谷歌和OpenAI视频模型的私下参观机会。 “我从小就对计算机有点兴趣。后来,当电影从胶片转向数字时,我对这方面变得更加感兴趣。多年来,视觉特效工作流程一直包括机器学习,所以我能写一些相当糟糕的Python脚本之类的东西。 “卷积神经网络是Transformer模型的前身,后者能同时进行更多计算,你会做一些像查看所谓张量这样的操作。那是视觉图像在数字中的数值翻译,比如批次编号、帧编号,以及每帧中每个像素的红、绿、蓝值。就这么简单。那个数值就叫张量。 “你会用卷积神经网络来识别揭示所谓边缘检测或特征提取的模式,也就是识别模式好到足以知道,这是窗台的位置,这样我们就能更容易地把绿幕图像抠掉并替换成其他东西。 “这对我来说很早就很熟悉了,因为在Artists Equity之前,我有一家小型视觉特效公司。我也经常使用GPU。视觉特效团队说,‘嘿,你应该看看。有两家公司:谷歌和另一家OpenAI,它们在视频领域的Transformer上做了一些非常有趣的东西。’ “我发现我其实可以直接打电话说,‘嘿,我是本·阿弗莱克。我能来看看你们在做什么吗?’有时人们会说好,让我惊讶不已。”
歸藏(guizang.ai) @op7418
10-07 12:54 · 原帖
尝试让 Opus 5.5 做个网站解释奇门遁甲 https://t.co/1A2C36q226
Yann LeCun @ylecun
10-07 12:52 · 原帖
转帖:八月份的贸易逆差比拜登平均水平大了 360 亿美元。 特朗普的关税政策已经失败。