Jeremy Howard谈深度学习入门:别看模型,去训练它
在这段与Lex Fridman的对话中,fast.ai创始人Jeremy Howard给出了与主流路径截然不同的深度学习学习建议:不要停留在看论文或跑推理,而是亲手训练、微调大量模型,并且始终围绕你真正关心的真实问题。
在这段与Lex Fridman的对话中,fast.ai创始人Jeremy Howard给出了与主流路径截然不同的深度学习学习建议:不要停留在看论文或跑推理,而是亲手训练、微调大量模型,并且始终围绕你真正关心的真实问题。
在这期Lex Fridman播客中,fast.ai创始人Jeremy Howard回顾了自己从早期编程语言到深度学习教育与研究的完整路径。他分享了对编程未来、深度学习实践误区、GPU训练、学习率技巧以及fast.ai诞生背景的独特看法,揭示了为何“把复杂技术交还给更多人”才是真正的突破。
在这期 Lex Fridman 的访谈中,Jeff Hawkins 系统阐述了“千脑理论”,解释新皮层如何通过大量并行模型理解世界,并直言深度学习并非通向通用智能的道路。这是一套试图统一神经科学与人工智能的新视角。
这是一段关于TensorFlow如何从Google内部的实验性工具,演变为全球机器学习基础设施的真实历史。Rajat Monga回顾了Google Brain早期的关键决策、开源背后的犹豫与勇气,以及TensorFlow 2.0为何必须“推倒重来”。
当Greg Brockman站在舞台上说出“我们不知道会发生什么”时,全场安静了。这不是一次AI稳赢的表演赛,而是人类第一次把一个靠强化学习“自学成才”的系统,推到世界冠军面前。输赢不重要,重要的是:AI第一次以一种近乎陌生智能的方式,公开面对人类最顶级玩家。
这是一堂来自MIT的导论课,Lex Fridman系统阐述了“以人为中心的人工智能”为何不是价值口号,而是技术必然。文章提炼其核心预测、方法论与真实案例,解释深度学习在现实世界为何离不开人。
这是一场关于生成对抗网络(GAN)的源头式对话。Ian Goodfellow不仅解释了GAN是什么、为什么有效,还回顾了它诞生时的直觉、失败与演化,并延伸到多模态学习、对抗样本、公平性与可解释性等更长期的问题。
这是一场发生在MIT论文发布之后的对话。马斯克不仅解释了Autopilot最初为何“不是梦想”,还系统讲述了特斯拉在数据、AI芯片与软件路线上的关键选择,以及他与学界在“人是否该继续介入驾驶”这一问题上的根本分歧。
在这期Lex Fridman播客中,OpenAI联合创始人Greg Brockman回顾了自己从学生时代到创建OpenAI的关键经历,并系统阐述了他对AGI、深度学习、公司治理与技术风险的看法。这是一场关于技术理想、现实约束与长期责任的深度对话。
这场MIT自动驾驶课程的分享中,Karl Iagnemma 与 Oscar Beijbom 并没有炫技式地谈模型,而是把焦点放在一个更难的问题上:如何验证、解释并持续改进一个永远在学习的自动驾驶系统。这篇文章提炼了他们对数据、算法与安全的关键洞见。