《学习场景的革命》简介：本书提供了关于学习场景的革命的深度解析，涵盖其发展背景、核心概念以及实际应用。通过真实案例与科学研究，帮

《学习场景的革命》 简介：本书提供了关于学习场景的革命的深度解析，涵盖其发展背景、核心概念以及实际应用。通过真实案例与科学研究，帮助读者理解其重要性，并掌握相关技能或知识点。适合对该主题感兴趣的读者，让你在短时间内提升认知，拓宽思维边界。 标签：#学#学习场景#知识#学习 文件大小：NG 链接：

英语口语系统学习班描述：零基础英语口语系统学习班，涵盖多场景需求，快速提升你的英语交流能力。

英语口语系统学习班 描述：零基础英语口语系统学习班，涵盖多场景需求，快速提升你的英语交流能力。 链接：https://pan.quark.cn/s/02248804f9a5 大小：16.9GB 标签：#英语 #口语 #学习教育 #课程 #英语口语系统学习班 #quark 频道：@yunpanshare 群组：@yunpangroup

《词根单词》简介：通过解析词汇构成规律帮助用户高效记忆的英语学习工具，采用科学词根词缀记忆法，结合真题例句与实用场景，构建系统化

《词根单词》 简介：通过解析词汇构成规律帮助用户高效记忆的英语学习工具，采用科学词根词缀记忆法，结合真题例句与实用场景，构建系统化学习路径。从核心高频词根切入，由浅入深拓展词汇网络，适用于备考应试与日常提升。 亮点： 词源拆解可视化：覆盖200+高频词根与5000+衍生词汇，图形化展示单词构成逻辑 动态记忆算法：根据遗忘曲线智能推送复习内容，强化长效记忆 场景化训练模块：包含学术阅读、商务写作等专题练习，学用无缝衔接 标签： #英语词根#词汇速记#语言学习工具#记忆科学#自适应学习#移动教育 更新日期：2025-04-20 04:43:43 链接：

《深度学习革命》记录的一些历史细节

#内幕消息 《深度学习革命》记录的一些历史细节 1、Ilya Sutskever其实是最后加入OpenAI的初始成员 OpenAI的诞生，源自Sam Altman在2015年7月加州门罗帕克召集的一场晚宴。Altman和Musk等发起成立新组织，拉拢人才，推动开发造福全人类的AI。Stripe的CTO Greg Brockman，和当时负责Google Brain项目的Ilya Sutskever都当场表示有意加入。 晚宴结束后，Brockman就开始四处挖人组建团队，找到了三巨头之一的Yoshua Bengio。Bengio无意跳出学界，但是给他列了一份圈子里有前途的年轻研究人员的名单，Brockman就按图索骥去联系。 一些人被Brockman描述的宏大愿景一间完全没有任何企业压力的实验室、一间将放弃所有研究成果的非营利实验室所吸引。但是，招人也没有那么顺利，这些人没有一位承诺加入一间新的实验室，都还是会担心风险，除非有其他人这样做。 Brockman邀请有意向的10人正式加入，给了他们三周时间考虑。最后10个人中有9个人同意了，其中5人（包括Ilya）都在DeepMind待过，他们给实验室命名为OpenAI。 同时，科技巨头开出天价薪酬挖人。谷歌给Ilya的薪酬是OpenAI的两到三倍，第一年接近200万美元，Ilya犹豫了。Altman、Musk和Brockman等原本计划在2015年底的NIPS会议上，官宣带着10亿美元投资承诺的OpenAI成立，但为了等Ilya做决定，只得推迟声明。Brockman还短信轰炸Ilya，敦促他选择OpenAI。 直到周五NIPS会议最后一天，Brockman等人决定不等了，定在下午3点官宣。一直拖到最后，Ilya才发短信告知Brockman，决定加入OpenAI。 2、杨立昆（Yann LeCun）的傲慢和身在大厂的尴尬 CHatGPT推出不久，LeCun就在Twitter炮轰。书中也记载一些细节，感觉他还是挺傲慢的。 LeCun曾经直接对Ilya说：“你会失败的”，他给的10多条理由包括：1）OpenAI的研究人员都太年轻；2）实验室没有丰富的经验，也没有背靠大公司的资金资源支持；3）非营利的形式也不会赚钱；4）长期无法跟大公司争夺人才；5）实验室公开分享其所有的研究成果，不太现实，等等。现在看，很多因素恰好就是OpenAI现在能获得成功的原因。 另一个事件，DeepMind发布AlphaGo前不久，LeCun先行官宣了Facebook自己的围棋AI研究。有记者问LeCun，DeepMind是否有可能打造一个可以击败顶级围棋选手的系统。LeCun很自负地说：“不会”，部分原因是他觉得这项任务很难，同时也因为什么消息都没听到，圈子就那么小。 几天后，DeepMind在《自然》杂志刊登封面故事，透露自研的AlphaGo击败了三届欧洲围棋冠军。消息公布的前一天，Facebook就已知悉，小扎亲自推动一场奇怪的抢先公关活动，让媒体关注小扎和LeCun网上发布的帖子，这些帖子吹嘘Facebook自己的围棋研究。当然后来，就被谷歌和DeepMind打脸。 前有谷歌+DeepMind，后（现在）有微软+OpenAI，Facebook和处在Facebook体系的LeCun都是很尴尬的。在硅谷大厂的第一次AI人才争夺战，就没有顶尖学者愿意加入Facebook，Facebook挖LeCun，后者就担心企业对AI长期愿景和短期目标之间的平衡。结果还是发生这种矛盾。 有次内部演示上，LeCun向小扎展示他们在图像识别、翻译和自然语言理解方面的工作。小扎和时任CTO Mike Schroepfer都没说话。走出房间，Schroepfer告诉LeCun，他所说的一切都没有任何意义。“我们只需要一些能表明我们比其他公司做得更好的东西，我不管你怎么做，我们只要赢得一场比赛，只要启动一场我们知道可以赢的比赛。”一名同事替LeCun说：“视频，我们可以赢得视频。”Schroepfer对LeCun大吼：“看到了吗？你可以学到一些东西！” 这是大厂AI Lab普遍面临的尴尬境地，老板只会在乎短期内比竞争对手领先多少，而不在乎研究是否需要时间，尤其是Facebook这种推崇“Move Fast”价值观、强调增长效率和规模的公司。后边，Facebook内部又专门设立了一个组织“应用机器学习团队”，负责将实验室的技术付诸实践。 3、陆奇的逆向思维和微软的第一次AI人才争夺 2016年春天，陆奇在练习骑行他的“逆向思维自行车”向左转动车把，自行车向右转他试图以这种方式让自己，乃至让微软训练逆向思维，以摆脱大公司的路径依赖。结果跌到摔骨折了，这是个偶然事件，但也成为微软在初次AI竞争失利的一个注脚。 微软研究人员不受商业化压力的任何影响，养尊处优，这原本是出自慈善家比尔·盖茨的情怀。但在AI领域竞争中，微软的局限性在于：缺少针对AI技术落地的业务场景。这也是Hinton当初加盟谷歌而非微软的原因之一：谷歌搜索10亿的用户规模，能高效推动AI研究。于是，陆奇在微软内部尝试推动自动驾驶，但并没有顺利推下去。 微软的另一个弱势是：缺少AI研究领头人。这些顶尖人物是公司了解未来变化、打造新技术、吸引顶尖人才，以及推广企业品牌（最重要的）的一种方式。陆奇也找到了Bengio，但后者拒绝任何大公司的邀请。Bengio在蒙特利尔大学可以讲母语法语，可以享受学术研究的开放性，这是企业无法比拟的。他在大学工作外还为几家创业公司做顾问。 于是Bengio提了个主意，如果微软可以收购他顾问的一家初创公司Maluuba，Bengio就可以用同样的时间为微软提供咨询。Maluuba的两位创始人起初拒绝了这个提议。但一年后，还是被微软收购，Bengio也因此成为微软的顾问。但那时，陆奇已经离开了微软，回到中国，加盟百度，继续推动AI和自动驾驶战略。

绿色革命2.0：科学家利用人工智能创造碳捕捉植物

绿色革命2.0：科学家利用人工智能创造碳捕捉植物 索尔克研究所的科学家们正在利用一款名为 SLEAP 的人工智能软件来开发具有增强根系的植物，这些植物能够捕获和储存更多的碳，与全球应对气候变化的努力相一致。该工具大大提高了植物表型和基因型分析的效率和准确性，加快了有效碳封存植物的培育速度。资料来源：索尔克研究所为了设计这些拯救气候的植物，索尔克"利用植物计划"（Harnessing Plants Initiative）的科学家们正在使用一种名为SLEAP的先进的新型研究工具一种易于使用的人工智能（AI）软件，可以跟踪根系生长的多种特征。SLEAP 由索尔克研究员塔尔莫-佩雷拉（Talmo Pereira）创建，最初设计用于跟踪实验室中的动物运动。现在，佩雷拉与植物科学家、索尔克同事沃尔夫冈-布施（Wolfgang Busch）教授合作，将 SLEAP 应用于植物。SLEAP 和 sleap-roots 通过分析根的几何形状，预测植物根的不同部分如何相互连接。资料来源：索尔克研究所在发表于《植物表型组学》（Plant Phenomics）的一项研究中，Busch 和 Pereira 首次提出了一种使用 SLEAP 分析植物根系表型的新方案植物根系生长的深度和宽度、根系的庞大程度以及其他物理特性，而在使用 SLEAP 之前，对这些表型的测量非常繁琐。将 SLEAP 应用于植物已使研究人员建立了迄今为止最广泛的植物根系表型目录。此外，跟踪这些物理根系特征有助于科学家找到与这些特征相关的基因，以及多种根系特征是由相同基因决定的还是独立决定的。这样，索尔克团队就能确定哪些基因对他们的植物设计最有利。"这次合作真正证明了索尔克科学的特殊性和影响力，"佩雷拉说。"我们不只是'借用'不同学科的知识，而是真正把它们放在平等的地位上，以创造出比各部分之和更伟大的东西"。左起Talmo Pereira、Elizabeth Berrigan 和 Wolfgang Busch。资料来源：索尔克研究所在使用 SLEAP 之前，追踪植物和动物的物理特征需要耗费大量人力，从而减缓了科研进程。如果研究人员想要分析植物的图像，他们需要手动标记图像中属于植物和不属于植物的部分逐帧、逐部分、逐像素。只有这样，才能应用较早的人工智能模型来处理图像，并收集有关植物结构的数据。SLEAP 的独特之处在于它同时使用了计算机视觉（计算机理解图像的能力）和深度学习（训练计算机像人脑一样学习和工作的人工智能方法）。这两种方法的结合使研究人员能够在不逐个像素移动的情况下处理图像，而跳过中间的劳动密集型步骤，直接从图像输入跳转到定义的植物特征。第一作者 Elizabeth Berrigan 是 Busch 实验室的生物信息学分析师，她说："我们创建了一个在多种植物类型中验证过的强大协议，它减少了分析时间和人为错误，同时强调了可访问性和易用性 ，而且不需要对实际的 SLEAP 软件进行任何修改。"在不修改 SLEAP 基线技术的情况下，研究人员为 SLEAP 开发了一个可下载的工具包，名为sleap-roots（可在此处下载开源软件）。 有了sleap-roots，SLEAP 可以处理根系的生物特征，如深度、质量和生长角度。索尔克团队在多种植物中测试了sleap-roots软件包，其中包括大豆、水稻和油菜等农作物，以及模式植物拟南芥芥科开花杂草。在测试的各种植物中，他们发现基于SLEAP的新方法优于现有方法，注释速度快1.5倍，训练人工智能模型的速度快10倍，在新数据上预测植物结构的速度快10倍，而且准确率与以前相同或更高。这些表型数据，如植物根系在土壤中长得特别深，可以通过推断了解形成这种特别深的根系的基因。SLEAP 和 sleap-roots 可自动检测整个根系结构中的地标。资料来源：索尔克研究所这一步连接表型和基因型对于索尔克的任务至关重要，即创造出能更持久地保持更多碳的植物，因为这些植物需要根系设计得更深、更强壮。实施这一精确高效的软件将使"利用植物计划"能够以突破性的便捷和速度将理想的表型与目标基因联系起来。"我们已经能够创建迄今为止最广泛的植物根系表型目录，这确实加速了我们的研究，以创造出能应对气候变化的碳捕捉植物，"索尔克大学赫斯植物科学讲座教授布施说。"得益于 Talmo 专业的软件设计，SLEAP 的应用和使用非常简单，它将成为我实验室未来不可或缺的工具。"在创建SLEAP和sleap-roots时，可访问性和可重复性是Pereira考虑的首要问题。由于软件和sleap-ro ots工具包都是免费使用的，研究人员非常期待看到sleap- roots在世界各地的应用。他们已经开始与美国国家航空航天局（NASA）的科学家讨论，希望利用该工具不仅帮助指导地球上的碳吸收植物，还能研究太空中的植物。在索尔克，合作团队还没有准备好解散他们已经开始迎接新的挑战，利用 SLEAP 分析三维数据。在未来几年中，SLEAP 和sleap-roots 的完善、扩展和共享工作仍将继续，但其在索尔克"利用植物计划"中的应用已经在加速植物设计，并帮助研究所对气候变化产生影响。编译来源：ScitechDaily ... PC版： 手机版：

图灵奖揭晓：史上首位数学和计算机最高奖“双料王”出现了

图灵奖揭晓：史上首位数学和计算机最高奖“双料王”出现了 加上2021年获得的阿贝尔奖，维格森教授现在一举成为首个同时拿下数学和计算机最高奖的科学家。（阿贝尔奖也被誉为“数学界诺贝尔奖”）。此外，他还是2017年阿里达摩院刚成立时首批“十大祖师”之一。业内人士纷纷赶来表示祝贺，a16z的研发主管表示：除了已有的学术成果外，也是因为他几十年来孜孜不倦的领导力，才带来理论计算机科学界的长青与活力。比如，没有他，可能就不会有西蒙斯计算理论研究所。值得一提的是，他还在5个月前来到清华叉院做客，对当下大语言模型的发展表达了自己的看法。复杂性理论先驱荣获图灵奖作为一名数学家和计算机科学家，维格森最重要的贡献就是增强了人类对计算中随机性和伪随机性作用的理解。具体什么意思？20实际70年代末，计算机科学家们已经发现：随机性和计算难度之间存在显著联系。（这里的计算难度之高指的是那些没有有效算法，即无法在合理的时间内解决的自然问题，它们计算起来比较困难。）通俗一点解释就是：对于许多难题，采用随机性的算法（也称为概率算法）可以远远胜过其确定性方案。例如，在一个被称为“1977证明”的实现中，两位科学家就引入了一种随机算法，可以比当时最好的确定性算法更快地确定一个数字是否为素数。而在20世纪80年代初，维格森与UC伯克利的科学家Richard Karp合作，将随机性的概念与那些被认为计算难度高的问题联系起来，也就是没有已知的确定性算法可以在合理的时间内解决这些问题的问题。尽管不知道如何证明它们很难，维格森和Richard Karp还是发现了一种针对某个难题的随机算法，然后发现：能够将其去随机化，从而有效地揭示了它的确定性算法。大约在同一时间，其他研究人员也发现密码学问题中的计算难度假设能够实现一般的去随机化。这促使维格森思考随机性本身的特质。他和其他人一样，开始质疑随机性在高效问题解决中的必要性以及在什么条件下它可以完全被消除。终于，1994年，他和另一位计算机科学家Noam Nisan阐明了两者之间的联系。他们证明，如果存在任何自然难题，那么每一种有效的随机算法都可以被有效的确定性算法所取代。即我们总是可以消除随机性。更重要的是，他们还发现确定性算法可能使用“伪随机”序列也就是看似随机但实际上并非随机的数据串。换句话总结就是：随机性对于高效计算来说并不是必需的。即使在没有随机性的情况下，我们仍然可以使用有效的算法来解决问题。这一系列研究彻底改变了计算机科学家对随机性的看法，并适用于理论计算机科学的许多领域。今天，ACM就将图灵奖这一重要荣誉颁给了维格森，主要嘉奖的就是他在如上领域的贡献。在普林斯顿高等研究院的采访中，维格森解释自己既是一位数学家也是一位计算机理论科学家，研究的是计算领域的数学基础。我的研究领域是数学的一个子域，但同时，我所研究的主要概念是计算。对于理论计算机科学，他则认为这个学科拥有一个人对学术研究所能期望的所有优点，包含了一系列令人惊叹的深刻且具有重要智力意义的基本问题，而这些问题对人类、科学、生活和技术都至关重要。（看得出老爷子满满的热爱之情了。）而对于本次大奖，维格森则表示：自己很高兴看到ACM再次认可计算基础理论，它确实对计算科学的实践和技术发展做出了巨大贡献。大学被劝学计算机“好找工作”维格森于1956年在以色列出生，是一位护士和一名电气工程师的儿子。他的父亲喜欢拼图，并对数学的基本概念非常感兴趣，然后又经常跟孩子们分享他的想法。维格森这样描述父亲对他的潜移默化的影响：就是他让我感染了这种病毒。不过等他要在当地海法大学上学时，本想主修数学的他，却被他的父母劝导说：选择计算机吧，计算机好找工作！结果他发现这个领域有很多数学问题没有解决，于是开始吭哧吭哧解决了起来。维格森毕业于以色列理工学院和美国普林斯顿大学，1983 年凭借论文《组合复杂性的研究》获得博士学位。他早期的一项开创性工作，就是证明了一个看似矛盾的问题：能不能在不展示证明过程的情况下，让别人相信一个数学论断已经被证明了。是不是想起隐私计算领域姚期智提出的百万富翁问题内味了。那个问题就是两个百万富翁，他们想证明谁更富有，但两个人都不透露他们拥有多少财富。而原本的这个问题其实是叫做零知识证明，这个概念最早在1985年由三位科学家引入。随后由维格森以及他的合作伙伴Micali和Oded Goldreich进一步阐述了这一想法，并发现了一个意想不到的结果：如果真正安全加密是可能的，那么 NP 中每个问题的解也都可以用零知识证明来证明。换言之，零知识证明可以用于秘密地证明任何有关秘密数据的公开结果。数十年来，他始终活跃在学术岗位上，并且获得诸多赞誉和奖项。1994年，他因在计算复杂性理论方面的工作获得1994年的内万林纳博士毕业后，他在加州大学伯克利分校担任客座助理教授，在IBM担任访问科学家，并在伯克利的数学科学研究所担任研究员。1986年加入希伯来大学担任教员。1994年，他与Omer Reingold和Salil Vadhan一起因在图的 zig-zag 乘积方面的工作而获得了 2009 年哥德尔奖。1999年，他加入普林斯顿高等研究院并工作至今。2013年当选美国国家科学院院士。2018年，他因对计算机科学和数学理论的贡献当选ACM Fellow。第二年，又因为“在随机计算、密码学、电路复杂性、证明复杂性、并行计算以及我们对基本图特性的理解等领域对计算机科学基础做出的根本性和持久性贡献”，他荣获高德纳奖。2021年，维格森与László Lovász共同获得阿贝尔奖。也正因为这样根本性且持久性的贡献，网友们得知他才获图灵奖时感到意外而又惊喜，还以为他早就得了。也有人开始看他曾经写过的书籍了。或许有眼熟的朋友吗？谈大语言模型：最重要还是看它不能做什么而他与姚期智以及中国的缘分还在延续。5个月前，他还曾亲自来到清华叉院做客，带来题为“模仿游戏（Imitation Games）”的特邀报告。由姚期智院士亲自主持讲座，并与他展开对话。据报道，维格森从图灵测试出发，叙述了“模仿学习”理论的沿革及其在密码学、随机性、离散数学、数论等领域的现代应用。他基于凯撒密码、恩尼格玛密码机、选举等案例，引导思考安全性的定义、随机性的应用、隐私和效用的平衡等问题。对于理论计算机研究将如何应对人工智能发展这一问题，维格森表示，尽管包括大语言模型在内的人工智能有很多惊人表现，但最重要的问题是还有什么是AI不能做的。对于给现在正置身于科研的同学们，维格森也给出了自己的建议。他表示，自己曾为解决一个开放性问题用了40年时间，建议同学们要选择自己喜欢的研究领域和话题，并享受在失败中不断学习的过程，这样才能在科研道路上走得长远。参考链接：[1] ... PC版： 手机版：