Yuga Labs CEO：公司已经 “迷失方向”，裁员为了回归本源

YugaLabsCEO：公司已经“迷失方向”，裁员为了回归本源DLNews披露YugaLabs首席执行官GregSolano发送给内部员工邮件信息，GregSolano表示YugaLabs公司已经“迷失了方向”并正在“迷宫般的流程”下苦苦挣扎，此前宣布采用是为了要改变YugaLabs以回归本源。GregSolano还称，YugaLabs需要一支做事更少但做得出色的团队，但现在正处于困难模式。

Yuga Labs 重组公司，裁减部分团队成员

YugaLabs重组公司，裁减部分团队成员YugaLabs正在对公司进行重组，这导致周五裁减了一些团队成员。YugaLabs联合创始人GregSolano自2月份接任公司CEO以来，于社交媒体上发布了宣布公司重组的备忘录。关于重组公告，Solano表示，“今天是非常艰难的一天。我决心改变Yuga，让我们回到最初的初衷，这意味着做出艰难的决定。到目前为止，最难的决定就是告别一些才华横溢的团队成员。”在备忘录中，Solano称，“YugaLabs迷失了方向，将专注于建立一个规模更小、更灵活、更加加密原生的团队。”

【Yuga Labs重组公司，裁减部分团队成员】

【YugaLabs重组公司，裁减部分团队成员】2024年04月27日02点21分老不正经报道，YugaLabs正在对公司进行重组，这导致周五裁减了一些团队成员。YugaLabs联合创始人GregSolano自2月份接任公司CEO以来，于社交媒体上发布了宣布公司重组的备忘录。关于重组公告，Solano表示，“今天是非常艰难的一天。我决心改变Yuga，让我们回到最初的初衷，这意味着做出艰难的决定。到目前为止，最难的决定就是告别一些才华横溢的团队成员。”在备忘录中，Solano称，“YugaLabs迷失了方向，将专注于建立一个规模更小、更灵活、更加加密原生的团队。”

高考成绩为啥会被屏蔽 初衷是为了防止炒作 让教育回归本源

高考成绩为啥会被屏蔽初衷是为了防止炒作让教育回归本源不少网友好奇，高考成绩本是学生的高光时刻，为什么要被屏蔽呢？据悉，成绩被屏蔽原本是为了隐藏分数，避免成为炒作的对象。早在2021年2月，教育部就发布通知，要求转变简单以高考成绩评价学生、以录取分数线评价高校的做法，严禁宣传炒作“高考状元”“高考升学率”“高分考生”等概念。多地教育主管部门也推出类似政策，对高分考生的具体成绩与排名予以屏蔽；其初衷是引导社会理性看待分数，理性看待高考，扭转不科学的教育评价导向。此前也有报道指出，“隐藏”高分考生也是为了防止炒作，防止重奖高考升学率，扭转依据高考升学率评价学校与教师的做法，通过淡化高考成绩，让教育回归本源。...PC版：https://www.cnbeta.com.tw/articles/soft/1435895.htm手机版：https://m.cnbeta.com.tw/view/1435895.htm

振动接触器：防止宇航员在太空中"迷失方向"的全新可穿戴技术

振动接触器：防止宇航员在太空中"迷失方向"的全新可穿戴技术科学家们现在已经开发出了名为振动接触器的可穿戴设备，结合专门的训练，可以提高人们对抗空间迷失的能力，当宇航员的感知不再可靠时，可以帮助他们纠正自己的方向。天空不再是极限，但飞行是危险的。在离开地球表面时，我们失去了许多定位所需的线索，而这种空间迷失可能是致命的。宇航员通常需要接受强化训练来防止这种情况。不过，科学家们现在发现，通过振动来提供方向提示的可穿戴设备可能会大大提高这种训练的效果，使太空飞行变得稍微安全一些。《生理学前沿》（FrontiersinPhysiology）杂志文章的第一作者、美国布兰迪斯大学的维维卡南德-P-维马尔博士说："长时间的太空飞行会造成许多生理和心理压力，这将使宇航员非常容易出现空间迷失。"当宇航员迷失方向时，他们将无法再依靠自己的内部传感器，而这些传感器是他们一生所依赖的。模拟太空飞行中使用了感官剥夺和多轴旋转装置来测试他们的振动接触器，因此参与者通常依赖的感官失去了作用。振动接触器能否纠正参与者从前庭系统接收到的误导性提示，能否训练参与者信任振动接触器？研究人员招募了30名参与者，其中10人接受了在旋转装置中保持平衡的训练，10人接受了振动接触器的训练，其余10人同时接受了这两种训练。所有参与者都观看了旋转装置的视频，并了解了它的工作原理：像倒立钟摆一样移动，直到到达碰撞边界，除非坐在装置中的人用操纵杆控制装置使其稳定。对接受训练的参与者进行的额外训练包括，引导参与者脱离前庭感知，依靠振动接触器而不是自然重力提示。这些任务包括寻找隐藏的非直立平衡点，这就意味着参与者必须忽略自己想要直立的愿望，而将注意力集中在振动触觉上。所有参与者都戴上了眼罩、耳塞和白噪音。带振动器的参与者每只手臂上绑有四个振动器，当他们偏离平衡点时，振动器就会发出提示。每位参与者都参加了40次试验，目的是让旋转装置尽可能靠近平衡点。在一半的试验中，旋转装置在垂直滚动平面上运行。这被认为是一种地球模拟，因为参与者可以利用其自然重力线索来确定方向。后半部分是模拟太空飞行，旋转装置在水平滚动平面上运行，在这个平面上，重力线索不再起作用。每组试验结束后，参与者都要对自己的迷失方向感和对振动接触器的信任程度进行评分。科学家们通过观察他们坠落的频率以及他们控制平衡的能力来衡量他们是否成功。在模拟太空飞行中，所有小组最初都会迷失方向。科学家们预料到了这一点，因为参与者无法依赖他们通常使用的自然重力提示。几乎所有的参与者都表示他们信任振动触动器，但他们也表示由于内部线索与振动触动器之间的冲突而产生了困惑。佩戴振动传感器的学员的表现仍然优于只接受培训的学员。只接受培训的组别失败的频率更高，在平衡点附近移动的次数更多，意外失稳的次数也更多。不过，接受培训确实有帮助。随着试验的继续，同时接受培训和振动器的一组表现最好。不过，即使接受了训练，参与者的表现也不如在地球模拟试验中那么出色。他们可能需要更多的时间来整合振动接触器的提示，或者振动接触器发出的震动没有给出足够强烈的危险信号。维玛尔说："飞行员对这个外部设备的认知信任很可能是不够的。"相反，这种信任必须是更深层次的，几乎是亚认知层面的。要做到这一点，需要进行专门的培训。"科学家们说，如果这些传感器在更广泛的试验中取得成功，那么它们在太空飞行中可能会有很多应用--从帮助宇航员在行星表面安全着陆，到支持他们在太空飞行器外移动。...PC版：https://www.cnbeta.com.tw/articles/soft/1394589.htm手机版：https://m.cnbeta.com.tw/view/1394589.htm

LeCun哈佛演讲PPT放出：唱衰自回归LLM 指明下一代AI方向

LeCun哈佛演讲PPT放出：唱衰自回归LLM指明下一代AI方向LeCun给出了一个模块化的认知架构，它可能构成回答这些问题的途径。该架构的核心是一个可预测的世界模型，它允许系统预测其行动的后果，并规划一系列行动来优化一组目标。目标包括保证系统可控性和安全性的护栏。世界模型采用了经过自监督学习训练的分层联合嵌入预测架构（H-JEPA）。LeCun的演讲围绕多方面展开。开始部分，LeCun介绍了目标驱动的人工智能。LeCun指出与人类、动物相比，机器学习真的烂透了，一个青少年可以在大约20小时的练习中学会开车，小朋友可以在几分钟内学会清理餐桌。相比之下，为了可靠，当前的ML系统需要通过大量试验进行训练，以便在训练期间可以覆盖最意外的情况。尽管如此，最好的ML系统在现实世界任务（例如驾驶）中仍远未达到人类可靠性。我们距离达到人类水平的人工智能还差得很远，需要几年甚至几十年的时间。在实现这一目标之前，或许会先实现拥有猫类（或者狗类）级别智能的AI。LeCun强调AI系统应该朝着能够学习、记忆、推理、规划、有常识、可操纵且安全的方向发展。LeCun再一次表达了对自回归LLM的不满（从ChatGPT到Sora，OpenAI都是采用的自回归生成式路线），虽然这种技术路线已经充斥了整个AI界，但存在事实错误、逻辑错误、不一致、推理有限、毒性等缺陷。此外，自回归LLM对潜在现实的了解有限，缺乏常识，没有记忆，而且无法规划答案。在他看来，自回归LLM仅仅是世界模型的一种简化的特殊情况。为了实现世界模型，LeCun给出的解决方案是联合嵌入预测架构（JEPA）。LeCun花了大量篇幅介绍JEPA相关技术，最后他给出了简单的总结：放弃生成模型，支持联合嵌入架构；放弃概率模型，支持基于能量的模型（EBM）；放弃对比方法，支持正则化方法；放弃强化学习，支持模型-预测控制；仅当规划无法产生结果时才使用强化学习来调整世界模型。在开源问题上，LeCun认为开源AI不应该因为监管而消失，人工智能平台应该是开源的，否则，技术将被几家公司所掌控。不过为了安全起见，大家还是需要设置共享护栏目标。对于AGI，LeCun认为根本不存在AGI，因为智能是高度多维的。虽然现在AI只在一些狭窄的领域超越了人类，毫无疑问的是，机器最终将超越人类智能。机器学习烂透了，距离人类水平的AI还差得远LeCun指出AI系统应该朝着能够学习、记忆、推理、规划、有常识、可操纵且安全的方向发展。在他看来，与人类和动物相比，机器学习真的烂透了，LeCun指出如下原因：监督学习（SL）需要大量标注样本；强化学习（RL）需要大量的试验；自监督学习（SSL）效果很好，但生成结果仅适用于文本和其他离散模式。与此不同的是，动物和人类可以很快地学习新任务、了解世界如何运作，并且他们（人类和动物）都有常识。随后，LeCun表示人类需要的AI智能助理需要达到人类级别。但是，我们今天距离人类水平的人工智能还差得很远。举例来说，17岁的少年可以通过20小时的训练学会驾驶（但AI仍然没有无限制的L5级自动驾驶），10岁的孩子可以在几分钟内学会清理餐桌，但是现在的AI系统还远未达到。现阶段，莫拉维克悖论不断上演，对人类来说很容易的事情对人工智能来说很难，反之亦然。那么，我们想要达到高级机器智能（AdvancedMachineIntelligence，AMI），需要做到如下：从感官输入中学习世界模型的AI系统；具有持久记忆的系统；具有规划行动的系统；可控和安全的系统；目标驱动的AI架构（LeCun重点强调了这一条）。自回归LLM糟糕透了自监督学习已经被广泛用于理解和生成文本，图像，视频，3D模型，语音，蛋白质等。大家熟悉的研究包括去噪Auto-Encoder、BERT、RoBERTa。LeCun接着介绍了生成式AI和自回归大语言模型。自回归生成架构如下所示：自回归大语言模型（AR-LLM）参数量从1B到500B不等、训练数据从1到2万亿token。ChatGPT、Gemini等大家熟悉的模型都是采用这种架构。LeCun认为虽然这些模型表现惊人，但它们经常出现愚蠢的错误，比如事实错误、逻辑错误、不一致、推理有限、毒性等。此外，LLM对潜在现实的了解有限，缺乏常识，没有记忆，而且无法规划答案。LeCun进一步指出自回归LLM很糟糕，注定要失败。这些模型不可控、呈指数发散，并且这种缺陷很难修复。此外，自回归LLM没有规划，充其量就是大脑中的一小部分区域。虽然自回归LLM在协助写作、初稿生成、文本润色、编程等方面表现出色。但它们经常会出现幻觉，并且在推理、规划、数学等方面表现不佳，需要借助外部工具才能完成任务。用户很容易被LLM生成的答案所迷惑，此外自回归LLM也不知道世界是如何运转的。LeCun认为当前AI技术（仍然）距离人类水平还很远，机器不会像动物和人类那样学习世界的运作方式。目前看来自回归LLM无法接近人类智力水平，尽管AI在某些狭窄的领域超过了人类。但毫无疑问的是，最终机器将在所有领域超越人类智慧。目标驱动的AI在LeCun看来，目标驱动的AI即自主智能（autonomousintelligence）是一个很好的解决方案，其包括多个配置，一些模块可以即时配置，它们的具体功能由配置器（configurator）模块确定。配置器的作用是执行控制：给定要执行的任务，它预先配置针对当前任务的感知（perception）、世界模型（worldmodel）、成本（cost）和参与者（actor）。关于这部分内容，大家可以参考：思考总结10年，图灵奖得主YannLeCun指明下一代AI方向：自主机器智能目标驱动的AI中最复杂的部分是世界模型的设计。设计和训练世界模型关于这部分内容，我们先看LeCun给出的建议：放弃生成模型，支持联合嵌入架构；放弃概率模型，支持基于能量的模型（EBM）；放弃对比方法，支持正则化方法；放弃强化学习，支持模型-预测控制；仅当规划无法产生结果时才使用强化学习来调整世界模型。LeCun指出生成架构不适用于图像任务，未来几十年阻碍人工智能发展的真正障碍是为世界模型设计架构以及训练范式。训练世界模型是自监督学习（SSL）中的一个典型例子，其基本思想是模式补全。对未来输入（或暂时未观察到的输入）的预测是模式补全的一个特例。在这项工作中，世界模型旨在预测世界状态未来表征。联合嵌入预测架构（JEPA）LeCun给出的解决方案是联合嵌入预测架构（JEPA），他介绍了联合嵌入世界模型。LeCun进一步给出了生成模型和联合嵌入的对比：生成式：预测y（包含所有细节）；联合嵌入：预测y的抽象表示。LeCun强调JEPA不是生成式的，因为它不能轻易地用于从x预测y。它仅捕获x和y之间的依赖关系，而不显式生成y的预测。下图显示了一个通用JEPA和生成模型的对比。LeCun认为动物大脑的运行可以看作是对现实世界的模拟，他称之为世界模型。他表示，婴儿在出生后的头几个月通过观察世界来学习基础知识。观察一个小球掉几百次，普通婴儿就算不了解物理，也会对重力的存在与运作有基础认知。LeCun表示他已经建立了世界模型的早期版本，可以进行基本的物体识别，并正致力于训练它做出预测。基于能量的模型（通过能量函数获取依赖关系）演讲中还介绍了一种基于能量的模型（EBM）架构，如图所示，数据点是黑点，能量函数在数据点周围产生低能量值，并在远离高数据密度区域的地方产生较高能量，如能量等高线所示。训练EBM有两类方法...PC版：https://www.cnbeta.com.tw/articles/soft/1429746.htm手机版：https://m.cnbeta.com.tw/view/1429746.htm