Pieter Abbeel谈强化学习:从网球机器人到通用智能的真实边界
这期对话中,Pieter Abbeel以机器人和强化学习为核心,坦诚讨论了当下AI最被高估与最被低估的地方。从“机器人何时能打败费德勒”的玩笑问题出发,他逐步揭示了硬件、层级推理与泛化能力才是通向通用智能的真正瓶颈。
这期对话中,Pieter Abbeel以机器人和强化学习为核心,坦诚讨论了当下AI最被高估与最被低估的地方。从“机器人何时能打败费德勒”的玩笑问题出发,他逐步揭示了硬件、层级推理与泛化能力才是通向通用智能的真正瓶颈。
这篇文章基于Eric Schmidt在Lex Fridman播客中的对谈,系统呈现他对技术成长、规模效应、人工智能与长期主义的核心洞见。你将看到一位前Google CEO如何从工程师视角,理解科技对社会的深远影响。
当机器人能灵巧地转动物体,却因为摄像头轻微挪动就“失明”,问题不在控制,而在视觉。OpenAI 2018 年的一次实习分享,揭开了一个反直觉事实:再强的神经网络,也会被错误的视觉假设拖垮。
在这期Lex Fridman播客中,神经科学家Christof Koch系统阐述了他对“意识是什么”的核心判断:意识不是智能的副产品,而是一种独立存在的主观体验。他结合整合信息理论、泛心论以及对人工智能的思考,给出了区分“会做事的系统”和“有体验的存在”的一套罕见视角。
在这场MIT AGI系列演讲中,OpenAI联合创始人Ilya Sutskever系统阐述了他对通用人工智能的核心判断:为什么神经网络是基础,强化学习和元学习将改变能力边界,以及自博弈和AI安全在终局阶段的重要性。这是一份来自一线研究者的思考框架,而非事后总结。
这是一场关于通用人工智能、宇宙生命与人类未来的深度对话。Max Tegmark从物理学家的视角出发,讨论AGI的潜力与风险,尤其强调AI对齐问题如何决定文明走向。
MIT认知科学传统如何看待AGI?在这场演讲中,Nate Derbinsky系统讲述了“认知架构”这一被低估的路径:它不追逐单点能力,而是试图复刻人类解决多任务的心智结构。
在MIT的AGI课程中,Stephen Wolfram用自己数十年的研究与Wolfram Alpha的实践,讲述了一条不同于主流深度学习的通用人工智能路径:以符号计算为核心,结合现实世界知识与计算模型,构建一种更可解释、也更像“外星智能”的AI。
在这场MIT的公开课上,Ray Kurzweil回顾了深度学习崛起的根本原因,并用人脑新皮层的结构解释为什么当前路径行得通。他不仅谈技术,更谈长期趋势、少样本学习的难题,以及人类在“奇点”之后可能迎来的自我进化。
这是一门并不承诺“很快造出人类级智能”的MIT课程。Lex Fridman从工程师视角出发,坦率讨论当前AI方法的极限、为何我们离AGI仍然很远,以及为什么在谈伦理和安全之前,必须直面技术黑箱本身。