前進的道路不是建立一個「盒子裡的神」，而是創造與現有流程（特別是科學和人類整體）整合的智能系統，以賦能和加速它們。

最近，論文《層次推理模型》引起了廣泛關注，在Twitter上收集了數萬個讚，這在研究論文中相當不尋常。 該論文聲稱在ARC-AGI-1上以一個小型模型（2700萬參數）從零開始訓練，準確率為40.3%——如果這是真的，將代表一個重大的推理突破。 我剛剛深入研究了這篇論文和代碼庫…… 這是一篇好文章，詳細而易於理解。我認為所提出的想法相當有趣，架構也可能具有價值。 這個概念讓我想起了我在2016-2018年"深度學習架構研究的黃金時代"遇到的許多不同想法。這類研究已經不再流行一段時間，因此看到對替代架構的重新興趣是件好事。 然而，實驗設置似乎存在嚴重缺陷，這意味著我們目前沒有來自ARC-AGI的實證信號，無法確定該架構是否真的有幫助。 根據我對數據準備代碼的理解，ARC-AGI-1實驗正在進行以下操作： 1. 在876,404個任務上進行訓練，這些任務是960個原始任務的增強生成變體： ... 400來自ARC-AGI-1/train ... 400來自ARC-AGI-1/eval ... 160來自ConceptARC 2. 在400個任務（ARC-AGI-1/eval）上進行測試，通過將每個任務增強為約1000個變體（實際上，由於增強過程的特殊性，總共只有368,151個），為每個變體生成預測，並通過多數投票將預測減少到N=2。 簡而言之：他們在測試數據上進行訓練。 你可能會問，等等，那麼準確率為什麼是40%，而不是100%？模型是否嚴重欠擬合？ 這是因為訓練數據和測試數據代表的是相同原始任務的*不同變體*。數據增強是獨立應用於訓練數據中的評估任務和測試數據中的評估任務。 因此，這個實驗大致上是在測量模型如何成功地對相同任務的程序生成變體進行泛化（即模型是否能學會逆轉一組固定的靜態網格變換）。 所以——不要太興奮。但我確實認為這類架構研究是有價值的（當伴隨著適當的實證驗證信號時），而HRM的想法非常有趣。 此外，為了澄清，我不認為作者有意誤導或隱藏實驗問題——他們可能沒有意識到他們的訓練設置實際上意味著什麼。

Keras 社區會議現在開始 -- 點擊這裡加入：

語言遵循冪次法則分佈。總共有... 約7000種活語言，擁有超過1000名使用者 約400種擁有超過100萬名使用者 約100種擁有超過1000萬名使用者 14種擁有超過1億名使用者

因為人工智慧是一門工程學科，而不是科學領域，因此不可能完全將某種方法的特性與其具體實現分開。這個工件就是這個方法。

這是 BlockDL，一個免費且開源的 GUI，讓你可以視覺化設計 Keras 神經網絡並學習機器學習。

人類智慧的一個特徵是快速適應的能力，能夠在新穎和不熟悉的條件下迅速解決新問題。我們該如何構建能做到這一點的機器？ 在我們的新預印本中，我們提出任何通用智能系統必須擁有一個自適應的世界模型，即它們必須能夠通過互動和探索迅速構建或完善其內部表徵——這個過程我們稱之為「世界模型歸納」。 我們提出了一個基於我們稱之為「新穎遊戲」的特殊類別遊戲來評估機器中自適應世界模型的路線圖。

智力並不是一系列技能的集合，而是你獲取和運用新技能的效率。這是一個效率比率。 這就是為什麼基準分數可能會對 AI 系統的實際智力產生誤導。

在市值排名前20的美國科技公司中，只有1家總部位於舊金山（Salesforce）。這比奧斯丁的2家還少。 大部分美國科技公司總部位於聖克拉拉縣（前20名中有11家）。最近的主要城市（差距很大）是聖荷西。 舊金山距離超過1小時（如果有交通的話，可能需要2小時）。

到目前為止，我最喜歡的視頻生成用例：用它將孩子的故事轉換成動畫片段 孩子們覺得電腦能製作視頻是完全自然的，他們喜歡看到自己描述的內容變成現實——就像看到自己的想像力得到了驗證，變得真實。