François Chollet@fchollet23:02人人都想已经解决过一道难题，但几乎没人愿意真正置身于动手解决它的苦熬之中。突破属于那些痴迷于过程本身的少数人，而不只是结果的想法。#511482
Tri Dao@tri_dao06:43TPU与GPU具有不同的瓶颈：内核很少，因此您不需要考虑并行性，大型VMEM更容易融合内核，但矢量单元的吞吐量较低，因此任何非matmul都需要更多关注https://t.co/4ZdhowD46c#511482
Jason Wei@_jasonwei04:47@alexandr_wang 喜欢这句关于缪斯奇迹的名言： “我欣赏 Muse Wonder 的一点是，它不是阿谀奉承。我使用过的其他一些模型会让一个想法在当时听起来很棒，但后来我才意识到它站不住脚。Muse Wonder 愿意在我自己发现问题之前就告诉我并引导我采取更好的方法。这节省了很多时间，这也是我信任它的一个重要原因。” — Jason Rothschild，医学博士，肌肉骨骼放射科医生#511482
Jason Wei@_jasonwei02:52在 Meta 的健康工作流程中，我们做了一个项目，希望了解医学专家可以使用 Muse Wonder 编码支架撰写哪些研究论文，该编码支架可以访问我们从供应商处许可的 500 万条电子健康记录数据库。我们的目标是，通过数据库中的 500 万患者，人工智能可以进行研究来回答任意问题，例如“服用他汀类药物的人在以后的生活中患糖尿病的几率是否更高”？我们在这里押注的是，当你将人类专家、强大的编码模型和数据访问结合在一起时会发生什么 我们与一小群医学专家合作，帮助他们使用这个人工智能工具，最重要的是，他们都发现这种设置可以加快健康研究的步伐。他们在大约两周内生成了十份手稿，其中一名研究人员（Paddy Ssentongo）生成了三份手稿。在整个过程中，他们相互合作审查手稿并编写技能文件，以帮助我们的编码支架改进研究。医学专家们喜欢他们能够如此快速地测试不同的假设并选择最好的假设来继续研究 健康研究非常独特，因为能够解释噪声数据并了解哪些变量是重要的非常重要，这仍然是人类研究人员的重要附加值。鉴于医学是人类历史上最古老的领域之一，而且它最终是关于人类的，因此在此类研究中保留大量的人类成分可能很重要。在不久的将来，我认为人工智能主要是一种促进人类主导研究的工具。有了正确的支架，我相信健康研究人员使用人工智能工具可以将工作效率提高 10 倍甚至 100 倍，这些工具可以适当访问世界上收集的有关人类健康的大量数据 看待这项工作的一种方法是通过更广泛的科学人工智能视角。您可以将科学视为两个部分：（1）收集有关世界的原始数据，以及（2）将原始数据综合为理解。在这个项目中，我们已经拥有有关世界的现有数据，我们的目标是使用人工智能加速第 (2) 部分。最终，我想象一个世界，我们拥有如此强大的人工智能工具，将原始数据合成为理解的时间几乎为零。在那个世界中，科学将大大加快，大部分工作将集中于通过物理实验收集正确的原始数据 我们在很短的时间内做到了这一点（这就是重点），我认为科学研究的未来将比以往更快、更令人兴奋#511482
François Chollet@fchollet22:35单靠自回归采样无法解决现实世界的物理任务。 物质世界对幻觉或近似模式匹配是完全不可原谅的。 如果我们想要真正的自主机器人，我们必须将因果关系和离散推理设计回循环中。 Biwei和Aether AI的团队正在做该领域目前真正需要的基础性、非共识性工作。https://t.co/UJtL2t0tQ2#511482
François Chollet@fchollet22:28弦理论是当智能系统缺乏感官输入并开始产生幻觉时会发生什么。情报需要接地。 出于这个原因，智力实际上从来都不是解决有影响力问题的瓶颈。 瓶颈在于与现实的迭代接触。#511482
Yann LeCun@ylecun12:00@jakobmollerfi @JordanMich45361 @BachFrancis 对，就像多层网络、反向传播、卷积网络、深度学习和自监督学习一样。 如果你同意我的观点，那你显然站在了历史错误的一边。 🤪#511482
Yann LeCun@ylecun11:57@michaelkheifetz @random_walker 真正的问题是，为什么他们的看法和我们如此截然不同。 他们改变了看法。 我们没有。#511482
Jeff Dean@JeffDean11:51@SumoTail @Khipu_AI @DeepIndaba @DiscoLoopAI 确实如此。来自我在2018年合著的一篇博文，宣布我们在阿克拉设立谷歌人工智能研究中心。 https://t.co/ZT2oiCM8nD https://t.co/XYi18YiZcK#511482
François Chollet@fchollet11:43科学的理想结果并不是少数几个实验室用专有模型和数百万美元去攻克奖杯级难题，而是让数百万由AI辅助的人类科学家追随自己的好奇心，变得更加雄心勃勃#511482
Yann LeCun@ylecun03:41@demishassabis 我的朋友兼贝尔实验室同事 John S. Denker 是电影中米奇角色的灵感来源。 他 16 岁时进入加州理工学院，在许多恶作剧中发挥了核心作用（例如通过使用高速打印机打印数千个条目来赢得麦当劳抽奖活动）#511482
Yann LeCun@ylecun02:54@random_walker 这些都是非常好的观点，我希望更多人知道并理解。 尤其是那些本应更懂、却在用网络安全末日预测（再加上就业末日，以及普通末日）吓唬所有人的人#511482
Jeff Dean@JeffDean11:48@ Khipu_AI @ DeepIndaba @ DiscoLoopAI正如@ NandoDF所建议的那样，如果您在人工智能公司，请向适当的人建议，这些活动值得您的公司赞助。#511482
