Joelle 在 Meta 建立了 AI 实验室 她向 Zuck 学习并工作 她是 AI 领域的领先思想家之一 每个人认为他们对 AI 的了解但却错了的地方 👇 - 为什么规模法则将继续存在 - 为什么你不能通过人才收购在 AI 中购买成功 - 合成数据的未来及其对模型的意义 - 为什么 AI 编码类似于 2015 年的图像生成 Spotify 👉 Youtube 👉 Apple Podcasts 👉 时间戳： 00:00 引言 01:16 Meta 如何塑造了我对 AI 研究的思考 02:22 强化学习中的挑战 08:33 在 AI 中实现资本效率是否可能 13:47 企业中的 AI：效率与采用 21:51 AI 代理的安全问题 28:06 Zuck 能否通过收购 AI 超级明星获胜 32:11 数据成本的上升 36:38 合成数据与模型退化 38:42 为什么 AI 编码类似于 2015 年的图像生成 51:16 如果 Joelle 是风险投资人，她会投资哪里？ 51:50 快速问答：来自 Zuck 的教训，最大的思维转变 我与 @jpineau1 的 5 个收获 👇

1. 什么是衡量AI成功的正确标准？ 大多数员工能否在AI的帮助下将工作效率提高10倍，而不是单靠自己？ 人类和AI具有互补的能力。 完全取代部分员工是不现实的。 很想听听你们对此的看法 @DavidCahn6 @eisokant @btaylor @varunvummadi

2. 开源AI的重要性 将所有内容闭源是一个深刻的错误。 我们需要思想的流通，以推动AI的研究。 很想听听你们对此的看法 @soumithchintala @ylecun @douwekiela @aaref @jasoncwarner

3. AI 超级明星并不意味着能建立团队 在一个房间里有一群 AI 超级明星并不会让他们更高效。 他们需要一个执行机器，他们需要社会粘合剂。 我非常相信建立多元化团队，拥有互补的才能。 很想听听你们对此的看法 @mntruell @paulbz @mmurph @ivanhzhao

4. 数据供应市场的未来会如何，像Mercor和Surge这样的公司？ 人类与AI的合作不是一个阶段。 输出的平衡将会改变；人类将提供补充的方向。 一些公司可能在5年内不复存在，但人类引导的培训将会持续存在。 很想听听你的想法，2030年的数据市场会是什么样子？ @BrendanFoody @echen @GarrettLord @speechu @jonsidd @manuaero @peterfenton

5. 当我们拥有如此多的 AI 生成代码时，会发生什么？ 在如此多的 AI 生成代码中，瓶颈不在于创作，而在于选择。 我们需要编辑机制来选择有价值、安全和有目的的代码。 很想听听你们对此的看法 @natfriedman @rauchg @scottbelsky @aparnacd @TYehoshua