Размер видео: 1280 X 720853 X 480640 X 360
Показать панель управления
Автовоспроизведение
Автоповтор
Yann Lecun 演讲PPT：drive.google.com/file/d/1Jfrd7Mxr_7ahe84MR33Dh0hJVtsBvQ_1/view?usp=sharing
节目做得很好，流畅而深刻的表述了杨立昆的思想，给人很大的启发！ 谢谢！
🎯 Key Takeaways for quick navigation:00:00 🎤 杨立昆的AI演讲简介- 大飞介绍杨立昆最新演讲的背景和主题。- 演讲题为“从机器学习到自主智能”，是杨立昆AI思想的集大成。- 精华内容经过提炼，便于快速理解。01:01 🏅 杨立昆的个人成就和模型贡献- 杨立昆是Meta的首席AI科学家，纽约大学教授，2019年图灵奖得主。- 他在AI领域有重大影响，尤其是通过LeNet模型。02:05 🤖 自主智能和目标驱动的AI- 杨立昆探讨了目标驱动的AI，强调其学习、记忆、推理、计划和常识功能。- 强调AI在交通和艺术方面的应用潜力。00:00 🤖 杨立昆介绍与AI思想总结- 杨立昆的演讲和AI思想介绍，- 演讲内容包括从机器学习到自主智能的进展。- 强调了自主智能系统的重要性和Meta的AI模型发展。02:05 🚗 AI在各领域的应用与进步- AI技术在多个行业的实际应用和影响，- 涵盖了交通、艺术、医学、科学研究和环境保护。- 突出了AI技术如何在各领域提高效率和创新。03:04 🧠 自监督学习与AI模型的发展- 自监督学习对AI进步的贡献，- 强调了自监督学习在自然语言处理的成功应用。- 提到BERT模型和Dino V2系统在视觉模型中的应用。02:35 🎨 AI在艺术创作与科学研究的应用- 人工智能在艺术创造和科学研究领域中的实际应用和进展。 - 人工智能帮助非技术人员创造艺术。 - AI技术在医学图像分析和科学研究中的应用正在增长。03:04 📖 自监督学习在AI发展中的关键作用- 自监督学习是推动AI技术进步的核心技术之一。 - 自监督学习允许无标注数据的情况下进行数据理解训练。 - 在自然语言处理中，自监督学习取得显著成果。04:03 🌿 AI在环境保护和蛋白质预测的应用- AI在环境保护领域和生物科学领域中的应用展现出潜力。 - AI用于估算树木的高度，进而评估碳消耗量。 - AI模型如AlphaFold在蛋白质结构预测中的应用。05:02 🛡️ AI在社交媒体内容监控中的作用- 人工智能在提升社交媒体内容监控效率中发挥重要作用。 - 人工智能技术显著提升了仇恨言论的自动删除比例。 - AI被视为解决虚假信息和保护民主的可能方案。05:33 🤔 大语言模型的局限性与未来展望- 虽然大语言模型在特定任务中表现出色，但仍存在理解和逻辑方面的局限。 - 大语言模型如GPT能够完成复杂任务，但也会犯下事实和逻辑错误。 - 这些模型缺乏真实世界的理解和推理能力。05:02 📊 自监督学习对内容审核的影响- 自监督学习极大提升了内容审核的效率。 - 自监督的预训练Transformer技术将Facebook的仇恨言论自动删除比率从20%-25%提升至95%。 - AI被视为一些社会问题的解决方案，例如内容审核。06:05 🤯 大语言模型的局限性- 大型语言模型在性能上虽好，但理解和推理能力有限。 - 这些模型通过预测文本中缺失的单词来训练，但常犯事实和逻辑错误。 - Meta发布的28种聊天机器人尽管有独特性格，但智能程度有限，距离真正的AGI还远。07:07 🚀 自回归大语言模型的未来趋势- 自回归大语言模型将被淘汰，未来AI的发展需要超越当前模型。 - 自回归模型缺乏真正的推理和计划能力，无法预见未来AI系统将依赖于这种技术。 - 尽管存在过度的乐观预测，实现人类智能水平的人工智能（AGI）可能需要数十年。08:07 🧠 构建具有推理能力的AI系统- 人工智能的未来挑战在于学习和推理能力的发展。 - 现有的AI模型擅长处理系统一（直觉反应）类型的任务，但对于需要深思熟虑的系统二任务则能力有限。 - 杨立昆提出的“目标驱动的人工智能”模型，强调了建立模块化认知架构的重要性。07:07 🧠 人工智能未来发展的局限性- 大数据训练的系统虽聪明，但缺乏真正的推理和计划能力。- 当前AI不能制定计划，对未来的预测基于自回归。- 对AGI的预言应持保留态度，AI的进步需要更多时间。09:08 🤖 目标驱动人工智能的架构- 目标驱动AI依赖于模块化认知架构，包括感知、世界模型、行动预测等。- 系统的目标是找到最小化成本的行动序列。- 成本模块驱动系统目标，确保安全性和模型准确性是系统安全的关键。10:08 🏗️ 分层规划与人类行为的相似性- 人工智能系统的分层规划与人类日常活动规划相似。- 系统需要在不同层次间制定行动计划，从宏观到微观。- 挑战在于精确模拟人类的决策过程和计划的复杂性。09:08 🌐 自主智能系统的工作原理- 解释了自主智能系统如何通过预测行动的结果来规划行动序列。- 行动的预测和规划是基于世界模型的，- 成本模块定义了系统的目标和约束条件，- 系统设计有安全措施，以确保行为的安全性。11:10 🧠 人类与机器的分层规划能力比较- 分析了人类进行分层规划的能力，并提出了机器达到同等水平的挑战。- 机器学习自动化的层次规划仍是一个技术难题，- 强调了对世界状态的预测在规划中的重要性，- 比较了婴儿学习与机器学习世界模型的区别和难点。13:06 🎓 大型语言模型与视频处理的挑战- 讨论了当前AI技术在处理视频信息和预测可能性方面的局限性。- 文本处理的简易性与视频数据处理的复杂性形成对比，- 生成式模型在视频预测中面临的挑战，- 强调了需要新方法来学习和理解视频内容。11:39 🤖 机器学习的层次结构和行动计划- 如何让机器自动学习并确定行动计划的合适层次是当前AI的挑战之一。- 大语言模型应处理多目标Token生成。- 机器学习和理解世界是建立世界模型的根本目的。13:37 🌍 对通用人工智能的展望和误区- 实现人类水平的人工智能的复杂性被低估。- 智能是多维的，通用人工智能(AGI)是一个误导性的概念。- 人工智能系统将成为人类知识的中心存储库。15:08 🛡️ 开源人工智能的重要性- 人工智能系统的开发应当是开源的。- 开源软件对于互联网基础设施的重要性。- 正确发展和应用人工智能可以极大提升人类智力，影响可比拟于印刷机的发明。
非常好，大飞加油。
Sora发布之后再看这一篇，发现昆叔黑Transformer真是一以贯之。
强化学习也是想找到一个成本最小（策略：奖励最高）的行动序列，可以看做是这个JEPA任务的一部分思想吗？
节目做的非常不错👍，简洁清晰。
技术部分说的不错。社会价值部分过于左派。全部开源就代表，对立价值观的人在技术上瞬间和你处于同一起跑线上。而你花大量成本的开发技术或想法，对方直接免费获得。而对方的开发的价值和技术却不会和你分享。简单来说，在没办法解决黑暗森林法则或切断利益和技术之间的关联前。这只能是个想法。
开源的一个潜台词就是，承认自己，自己机构的局限性，承认山外有山，相信三个臭皮匠胜过一个诸葛亮，相信个人公司集团等等的局限性。相信市场的力量。封闭专制永远打不过民主自由。垄断独裁永远打不过开源民主。这就是开源的真正逻辑。
JEPA这工作似乎关注的人并不多啊
心有戚戚焉。
不知道大飞有没有关注过 Jeff Hawkings
看过他的《千脑智能》，回头可以讲一下
大佬出视频啊
第100个赞是我点的
给你点赞👍
機器學習：如何做到Automobious Intelligence ? 😮
请问有演讲PPT吗？
有，明天传上来
已更新
一年不到， L5有了
Yann Lecun 演讲PPT：drive.google.com/file/d/1Jfrd7Mxr_7ahe84MR33Dh0hJVtsBvQ_1/view?usp=sharing
节目做得很好，流畅而深刻的表述了杨立昆的思想，给人很大的启发！ 谢谢！
🎯 Key Takeaways for quick navigation:
00:00 🎤 杨立昆的AI演讲简介
- 大飞介绍杨立昆最新演讲的背景和主题。
- 演讲题为“从机器学习到自主智能”，是杨立昆AI思想的集大成。
- 精华内容经过提炼，便于快速理解。
01:01 🏅 杨立昆的个人成就和模型贡献
- 杨立昆是Meta的首席AI科学家，纽约大学教授，2019年图灵奖得主。
- 他在AI领域有重大影响，尤其是通过LeNet模型。
02:05 🤖 自主智能和目标驱动的AI
- 杨立昆探讨了目标驱动的AI，强调其学习、记忆、推理、计划和常识功能。
- 强调AI在交通和艺术方面的应用潜力。
00:00 🤖 杨立昆介绍与AI思想总结
- 杨立昆的演讲和AI思想介绍，
- 演讲内容包括从机器学习到自主智能的进展。
- 强调了自主智能系统的重要性和Meta的AI模型发展。
02:05 🚗 AI在各领域的应用与进步
- AI技术在多个行业的实际应用和影响，
- 涵盖了交通、艺术、医学、科学研究和环境保护。
- 突出了AI技术如何在各领域提高效率和创新。
03:04 🧠 自监督学习与AI模型的发展
- 自监督学习对AI进步的贡献，
- 强调了自监督学习在自然语言处理的成功应用。
- 提到BERT模型和Dino V2系统在视觉模型中的应用。
02:35 🎨 AI在艺术创作与科学研究的应用
- 人工智能在艺术创造和科学研究领域中的实际应用和进展。
- 人工智能帮助非技术人员创造艺术。
- AI技术在医学图像分析和科学研究中的应用正在增长。
03:04 📖 自监督学习在AI发展中的关键作用
- 自监督学习是推动AI技术进步的核心技术之一。
- 自监督学习允许无标注数据的情况下进行数据理解训练。
- 在自然语言处理中，自监督学习取得显著成果。
04:03 🌿 AI在环境保护和蛋白质预测的应用
- AI在环境保护领域和生物科学领域中的应用展现出潜力。
- AI用于估算树木的高度，进而评估碳消耗量。
- AI模型如AlphaFold在蛋白质结构预测中的应用。
05:02 🛡️ AI在社交媒体内容监控中的作用
- 人工智能在提升社交媒体内容监控效率中发挥重要作用。
- 人工智能技术显著提升了仇恨言论的自动删除比例。
- AI被视为解决虚假信息和保护民主的可能方案。
05:33 🤔 大语言模型的局限性与未来展望
- 虽然大语言模型在特定任务中表现出色，但仍存在理解和逻辑方面的局限。
- 大语言模型如GPT能够完成复杂任务，但也会犯下事实和逻辑错误。
- 这些模型缺乏真实世界的理解和推理能力。
05:02 📊 自监督学习对内容审核的影响
- 自监督学习极大提升了内容审核的效率。
- 自监督的预训练Transformer技术将Facebook的仇恨言论自动删除比率从20%-25%提升至95%。
- AI被视为一些社会问题的解决方案，例如内容审核。
06:05 🤯 大语言模型的局限性
- 大型语言模型在性能上虽好，但理解和推理能力有限。
- 这些模型通过预测文本中缺失的单词来训练，但常犯事实和逻辑错误。
- Meta发布的28种聊天机器人尽管有独特性格，但智能程度有限，距离真正的AGI还远。
07:07 🚀 自回归大语言模型的未来趋势
- 自回归大语言模型将被淘汰，未来AI的发展需要超越当前模型。
- 自回归模型缺乏真正的推理和计划能力，无法预见未来AI系统将依赖于这种技术。
- 尽管存在过度的乐观预测，实现人类智能水平的人工智能（AGI）可能需要数十年。
08:07 🧠 构建具有推理能力的AI系统
- 人工智能的未来挑战在于学习和推理能力的发展。
- 现有的AI模型擅长处理系统一（直觉反应）类型的任务，但对于需要深思熟虑的系统二任务则能力有限。
- 杨立昆提出的“目标驱动的人工智能”模型，强调了建立模块化认知架构的重要性。
07:07 🧠 人工智能未来发展的局限性
- 大数据训练的系统虽聪明，但缺乏真正的推理和计划能力。
- 当前AI不能制定计划，对未来的预测基于自回归。
- 对AGI的预言应持保留态度，AI的进步需要更多时间。
09:08 🤖 目标驱动人工智能的架构
- 目标驱动AI依赖于模块化认知架构，包括感知、世界模型、行动预测等。
- 系统的目标是找到最小化成本的行动序列。
- 成本模块驱动系统目标，确保安全性和模型准确性是系统安全的关键。
10:08 🏗️ 分层规划与人类行为的相似性
- 人工智能系统的分层规划与人类日常活动规划相似。
- 系统需要在不同层次间制定行动计划，从宏观到微观。
- 挑战在于精确模拟人类的决策过程和计划的复杂性。
09:08 🌐 自主智能系统的工作原理
- 解释了自主智能系统如何通过预测行动的结果来规划行动序列。
- 行动的预测和规划是基于世界模型的，
- 成本模块定义了系统的目标和约束条件，
- 系统设计有安全措施，以确保行为的安全性。
11:10 🧠 人类与机器的分层规划能力比较
- 分析了人类进行分层规划的能力，并提出了机器达到同等水平的挑战。
- 机器学习自动化的层次规划仍是一个技术难题，
- 强调了对世界状态的预测在规划中的重要性，
- 比较了婴儿学习与机器学习世界模型的区别和难点。
13:06 🎓 大型语言模型与视频处理的挑战
- 讨论了当前AI技术在处理视频信息和预测可能性方面的局限性。
- 文本处理的简易性与视频数据处理的复杂性形成对比，
- 生成式模型在视频预测中面临的挑战，
- 强调了需要新方法来学习和理解视频内容。
11:39 🤖 机器学习的层次结构和行动计划
- 如何让机器自动学习并确定行动计划的合适层次是当前AI的挑战之一。
- 大语言模型应处理多目标Token生成。
- 机器学习和理解世界是建立世界模型的根本目的。
13:37 🌍 对通用人工智能的展望和误区
- 实现人类水平的人工智能的复杂性被低估。
- 智能是多维的，通用人工智能(AGI)是一个误导性的概念。
- 人工智能系统将成为人类知识的中心存储库。
15:08 🛡️ 开源人工智能的重要性
- 人工智能系统的开发应当是开源的。
- 开源软件对于互联网基础设施的重要性。
- 正确发展和应用人工智能可以极大提升人类智力，影响可比拟于印刷机的发明。
非常好，大飞加油。
Sora发布之后再看这一篇，发现昆叔黑Transformer真是一以贯之。
强化学习也是想找到一个成本最小（策略：奖励最高）的行动序列，可以看做是这个JEPA任务的一部分思想吗？
节目做的非常不错👍，简洁清晰。
技术部分说的不错。社会价值部分过于左派。全部开源就代表，对立价值观的人在技术上瞬间和你处于同一起跑线上。而你花大量成本的开发技术或想法，对方直接免费获得。而对方的开发的价值和技术却不会和你分享。简单来说，在没办法解决黑暗森林法则或切断利益和技术之间的关联前。这只能是个想法。
开源的一个潜台词就是，承认自己，自己机构的局限性，承认山外有山，相信三个臭皮匠胜过一个诸葛亮，相信个人公司集团等等的局限性。相信市场的力量。
封闭专制永远打不过民主自由。垄断独裁永远打不过开源民主。这就是开源的真正逻辑。
JEPA这工作似乎关注的人并不多啊
心有戚戚焉。
不知道大飞有没有关注过 Jeff Hawkings
看过他的《千脑智能》，回头可以讲一下
大佬出视频啊
第100个赞是我点的
给你点赞👍
機器學習：
如何做到
Automobious
Intelligence ? 😮
请问有演讲PPT吗？
有，明天传上来
已更新
一年不到， L5有了