Sam Altman谈YC与创业:耐心、选择与规模化的真实代价
在这场未经剪辑的对谈中,Sam Altman回顾了自己加入Y Combinator的经历,并系统讲述了他对创业时机、YC选拔逻辑、创始人合作关系以及规模化风险的核心看法。这些判断并不包装成成功学,而是来自长期一线决策的反思。
在这场未经剪辑的对谈中,Sam Altman回顾了自己加入Y Combinator的经历,并系统讲述了他对创业时机、YC选拔逻辑、创始人合作关系以及规模化风险的核心看法。这些判断并不包装成成功学,而是来自长期一线决策的反思。
Waymo感知工程负责人Sacha Arnoud回顾近十年自动驾驶研发,分享为什么“90%完成度”才是真正困难的开始,以及Waymo如何通过感知、预测和大规模测试,把机器学习变成可量产的工程系统。
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。
MIT教授Josh Tenenbaum在这场演讲中,系统阐述了他对通用人工智能的核心判断:真正的智能不来自海量数据,而来自结构化的认知模型。通过人类学习、直觉物理和常识推理的研究,他勾勒出一条不同于深度学习主流路径的AGI路线。
这是一门由Y Combinator推出的投资人学校预览。视频展示了其设计初衷、筛选逻辑与课程结构,核心不是教你“押对项目”,而是系统性地训练判断、决策与心理预期,让天使投资不再只靠运气。
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。
这是一堂来自MIT的深度学习课程实录,Lex Fridman围绕“人类感知”这一最难也最重要的AI问题,系统讲述了从数据、模型到硬件的真实挑战,以及为什么计算机视觉的核心不只是算法,而是对人的理解。
这是一堂由Lex Fridman在MIT讲授的计算机视觉导论课。文章从“机器如何看世界”这个根本问题出发,梳理深度学习为何成为现代计算机视觉的核心方法,并通过ImageNet、卷积神经网络和经典架构的演进,解释哪些问题真正困难、哪些直觉其实是错的。
这是一堂来自MIT的深度强化学习入门课。Lex Fridman以教学者而非布道者的姿态,从经典的马尔可夫决策过程讲起,一步步推导到深度Q网络,并结合Atari游戏和自动驾驶交通系统,解释为什么“几个看似微小的工程改动,改变了一整个领域”。
在这次与 Y Combinator 的对谈中,ClassDojo 联合创始人 Sam Chaudhary 回顾了公司从早期探索到形成独特产品与组织模式的过程。他分享了小团队如何在高度敏感的教育场景中建立信任、通过社区自然增长,以及为何“慢一点做对的事”反而更重要。