
DeepMind讨论AGI之后:通往ASI的四条潜在路径(在新窗口打开)
Google DeepMind Institute文章讨论扩大模型与数据、改变技术范式、多智能体协作和递归自我改进四条潜在路径,并区分有效算力总量增长与单项认知工作降本。相关情景取决于趋势能否持续,作者主张同步完善测量、预测与治理。
共 1519 篇

Google DeepMind Institute文章讨论扩大模型与数据、改变技术范式、多智能体协作和递归自我改进四条潜在路径,并区分有效算力总量增长与单项认知工作降本。相关情景取决于趋势能否持续,作者主张同步完善测量、预测与治理。

15支队伍进入LingBot挑战赛线下决赛,围绕果蔬、透明物体和双臂操作完成任务。TARS以82.50分夺冠,报道展示了补采数据、重力补偿与现场适配的重要性。

深圳市大数据研究院和华为团队把训练与生成解耦,并按预计输出长度调度。在 64 张昇腾 910B3 的测试中,ASP 的生成吞吐最高较混合式基线提升 222%。

普林斯顿AI Lab等团队提出SSoN:用四张室内图像判断哪张违反同一场景的空间一致性。1000题上,人类准确率83.3%,六个受测VLM最高39.7%;解释核验、相机信息干预和定向微调进一步揭示跨视角推理的短板。

奥特曼在 Cheeky Pint 访谈中谈到尚未公开的数学发现及成果发布的两难。文章结合研究者对数学手稿的修订、预印本中的大模型使用披露和生物学实验案例,讨论 AI 提出结果后,人类如何继续核查、解释与验证。

Neuralink 在受试者参与的 72 小时开发活动中,展示神经语音检测、手机输入和通话等早期原型,并尝试把解码后的意图交给 Grok 执行电脑任务。这里的连接是脑机输入与软件系统协作,不是把大模型植入大脑;单个受试者演示也不代表已普遍适用的医疗能力。

困扰数学界30余年的世界级难题——三维Ghys猜想迎来了破解!

过去几年,随着 AI 大模型快速发展,算力成了一门越来越热门的生意。

训练大模型,能不能不用反向传播? 这事一直有人琢磨。只是反向传播太成功了:过去这些年,反向传播一直是训练神经网络的唯一主流算法。我们今天所有的架构、优化器、甚至 GPU 硬件,某种意义上都是围着它长出来的。 但一直有人不信这个邪:反向传播要求整个网络处处可微,这其实是个很强的限制,不可微的模块、离散的计算、外部程序,统统进不了训练回路。 那么,如果算力足够便宜,能不能干脆不「算」梯度了,改用一种最原始的思路 —— 随机把网络改一改,看它变好还是变坏,变好的方向就保留,变坏的就扔掉。这种办法笨是笨,但胜在什么都不挑:不管网络内部长什么样、可不可微,它都能用。 一家叫 Q Labs 的小型研究实验

多轮对话、多智能体交互过程,大模型生存性威胁会被放大。