AI 生成的《速度与激情》新片片段看起来有点怪
一条推文展示的 AI 生成《速度与激情》新片片段被吐槽“看起来有点怪”，推文获得 895 个点赞、111 次转发和约 26 万次浏览。
#现象/趋势
#现象/趋势
今日 0 条Barsee 🐶(@heyBarsee)AI 评估 · 8/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 8/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。
Eugene YanAI 评估 · 28/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 28/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 GPT-4、Claude 等 LLM 为我写传记：谁记得更准？
为测试 LLM 的训练数据与表现，Eugene Yan 让 gpt-4、claude-v1.2、cohere-xlarge 等模型为自己写传记，结果 gpt3.5/4 整体表现最好，大意正确但细节多有错误。他指出不同模型在记忆与复述程度上差异明显，且这些模型无法联网，输出完全基于训练数据。
奇想驿 by 产品沉思录AI 评估 · 10/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 10/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 2022 年的吉光片羽：以苦酿蜜，方知甘甜
奇想驿主播在 2022 年终总结中回顾，自己在合伙人 @Light 影响下重新理解「实事求是」，更追求「真」而非叙述意义上的「美」，尝试以工程视角做事而非依赖灵感。他提到创业第一年需发散思维捕捉机会，业务进入轨道后则要切换到工程模式，一边解决问题一边设计解决问题的机器。文末附有音乐与私人推荐清单，并邀请听众通过奇想驿邀请码注册 flomo。
Eugene YanAI 评估 · 10/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 10/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 Eugene Yan 的 2022 年度回顾与 2023 年目标
Eugene Yan 发布 2022 年度回顾：全年写了 18/26 篇文章，拿到 L5 到 L6 晋升，在 RecSys 线上推荐系统 workshop 做主旨演讲，并创办 ML Meetups Virtual，7 月至 12 月办 7 场活动，群组成员达 1,400 人。2023 年目标仍是写 26 篇文章，其中与编辑合作至少 4 篇，并深入学习搜索基础、Python、工程与 MLOps。
奇想驿 by 产品沉思录AI 评估 · 8/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 8/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 与理想屯的球姐聊聊：斯多葛学派、模仿欲望、知识管理以及中国科幻
播客「奇想驿」主播少楠与「理想屯」球姐对谈，围绕斯多葛学派、勒内·吉拉德的模仿欲望理论和科幻爱好展开。节目还聊到信息爆炸时代的知识输入与个人知识管理体系搭建、Notion 的设计运营理念，以及如何用 AI 工具辅助科幻创作，并推荐了《纳瓦尔宝典》《像哲学家一样生活》等延伸阅读。
Berkeley AI Research(@berkeley_ai)AI 评估 · 28/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 28/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 可解释 AI 未做到的：@lvinwan 谈如何让模型兼具神经网络精度与可解释决策过程
@lvinwan 在 BAIR 新博客中介绍了如何让模型达到与神经网络相当的精度，同时具备可解释的决策过程。文章围绕可解释 AI 未能解决的问题展开，探讨兼顾准确性与可解释性的建模思路。
Lilian Weng — Lil’LogAI 评估 · 28/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 28/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 深度神经网络真的严重过拟合了吗？
Lilian Weng 撰文探讨深度神经网络参数极多却仍能泛化的问题，梳理了奥卡姆剃刀、最小描述长度（MDL）原理与 Kolmogorov 复杂度等经典压缩与模型选择理论，并借"生物学家能修好收音机吗"类比揭示局部观察难以还原系统全貌。文章后续更新增补了 Lottery Ticket Hypothesis 一节。