#来自狗推的一首歌经济舱之狗推版在这赔付的现场我没钱可以搞所以身体继续熬狗庄让我直接干通宵当我当开了电脑昨天加的人今天对我鸟都不

#来自狗推的一首歌经济舱之狗推版在这赔付的现场我没钱可以搞所以身体继续熬狗庄让我直接干通宵当我当开了电脑昨天加的人今天对我鸟都不鸟坐上皮卡后备箱来到这个地方隔着园区的窗望着大门思故乡我的推龄说新不算新对于当狗推总目不转睛心里面想着怎么搞美国大头兵让好运来不再成为别人的专属声音我把诈骗比喻成杀敌而我的客户是否会是一个傻逼让我开个单给我一些续充等我搞出了业绩这首歌我想送给你18w8的赔付我在办公室坐下看到了狗庄他让我不要惊讶开玩笑吗？落地赔付18w8操你妈的真是狗庄他告诉我这是狗庄成功的方向结束签字画押沉闷在办公室的座位上我脑袋有幻听仿佛已经失去了内心安静容易让我想起的妈妈，没想到那是我们最后一通电话妈妈每次当我想念你时我没有电话看到园区围墙越来越高的刹那希望不要在继续修啊否则没有逃跑的机会啦希望被骗来的兄弟别哭丧希望我们一起等共产党来解放我们做混子的目标仍然没有偏航我们所希望的是否发生在东南亚的土地上

【The Guardian：如果我们不听像艾梅柏·希尔德这样「不完美受害者」的意见，MeToo就会结束】

【TheGuardian：如果我们不听像艾梅柏·希尔德这样「不完美受害者」的意见，MeToo就会结束】原文：玛莎·吉尔（MarthaGill，是一名政治记者，曾经担任英国议会记者。）当年轻的女性甚至加入这个男演员的男性折磨者戏码时，正义的想法就很快开始分崩离析了。对#MeToo运动的反击总是会到来。我们知道这一点，因为在女性主义者迈出的每一步之后都会有反弹，这种反击也总是会很大。#MeToo不仅威胁到了有权有势男性的支持者现状，还威胁到了这些男性的个人，而且——在一些人看来——是不顾一切的任性。一名白宫律师在克里斯汀·布莱西·福特公开指控布雷特·卡瓦诺性侵之后说：「如果某个人能被这样的指控搞垮，那么你、我以及每个男人都应该感到担忧。」不仅仅是男人们在担心。以前只对女性、少数族裔和底层男子不公平的制度可能会对地位高的男子采取同样做法，这种想法让所有人都深感不安。毕竟，当一个男人受到了恶劣的对待时，会有一种强烈的不公正感，然而女性的悲惨故事是如此普遍，以至于它们让我们可以相对不受影响。我们为此感到难过，但我们已经知道女性受到不公平的对待，它是有代价的。「女性的故事都是同一个故事，这并不是说它不重要，但这很无聊，」塔菲·布罗代瑟-阿克纳在她的小说《弗莱什曼有麻烦了》中写道，「而我初次采访一个男人时，我明白我们谈论的是更像灵魂的东西。」如果一个有权势的男人发生了不好的事情，它并没有发生在一个统计数字上，而是发生在一个人的灵魂上。无论是公众还是法庭，女性指控者仍然经常被当作是在撒谎。由于这些原因，#MeToo让许多男性——以及一些女性——感到非常不公平，但这仅仅是纠正偏见仍然存在的一种尝试而已。无论是公众还是法庭，女性指控者仍然经常被当作是在撒谎——比其他犯罪受害者还要更加如此。一百多名女性的证词才扳倒了哈维·韦恩斯坦，但布雷特·卡瓦诺没有被扳倒。公众对约翰尼·德普和艾梅柏·希尔德审判的反应就是对#MeToo反击的样子。以下是本案的事实。德普起诉希尔德诽谤，因为她在2018年一篇没有提到他的专栏文章中描述自己是一个「代表家庭暴力的公众人物」。德普说他在虐待方面是无辜的，她的说法就是在撒谎。在德普这边，有两个事实似乎很清楚。希尔德承诺将她的全部离婚赔偿金捐给慈善机构，但并没有；有一段录音，她承认打了德普。希尔德一方有以下证据。德普承认用头撞了他的前妻（是意外），还有他的助手发来的短信，称他踢了希尔德。有德普给保罗·贝坦尼的短信，说他想杀死希尔德并玷污「她烧焦的尸体」。有一段德普对希尔德大喊大叫的录音，因为觉得希尔德在以「权威」的方式对他说话。希尔德在2016年获得了一个家庭暴力限制令。2018年，德普告《太阳报》诽谤，因为该报称他是「殴打妻子的人」。在法官认定德普虐待希尔德的14起指控事件中有12起是真实的之后，他输掉了那场官司。认为希尔德是一个操纵者，一个妄想狂和一个虐待者的想法已经在所有的社交媒体上引起了热议。法庭将决定希尔德是否为一个骗子。但认为希尔德是一个操纵者、一个妄想狂和一个虐待者的观点已经在所有社交媒体和一些更传统的媒体上引起了热议。用于羞辱和诋毁女性指控者的每一个性别歧视套路都被大规模地用来对付她。重现她被强暴和虐待的证词已经成为TikTok上的一种游戏。她被《周六夜现场》，以及克里斯·洛克（「相信所有女性，除了艾梅柏·希尔德」）和NSync的兰斯·巴斯嘲弄。网暴、折磨希尔德的人，其中许多是年轻女性，她们似乎并不认为自己是反女权者。当然，她们相信女人——只是不相信这个女人。破坏#MeToo的不是他们，而是希尔德——因为她不是一个完美的受害者。他们也许忘记了#MeToo项目的整个意义——是为了帮助不完美的受害者。那些穿错了衣服，或喝醉了，或滥交，或爱着施暴者，或以前犯过法，或以前撒过谎，或人品不好，或看起来「有点神经质，有点放荡」。正如大卫·布洛克曾经难忘地描述安妮塔·希尔，她1991年在克拉伦斯·托马斯的美国最高法院听证会期间作证。事实上，完美的受害者从来不需要女性主义，部分原因是几乎不存在。无论希尔德的指控者是否完全意识到这一点，将「坏的」受害者与「真正的」受害者对立起来，是一种非常有效分解#MeToo的方法。只有少数厌恶女性的人直截了当地承认他们不相信女性。他们的反对意见一直只是针对这一个恶女，她在撒谎。#MeToo（线索就在名字里）试图通过连接经验来解决问题——所有那些不被相信的恶女们——这样我们就可以看到模式。事实上，你可以说女性主义的整个项目是关于发生在女性身上的坏事，她们认为只发生在她们身上，或者是她们的错，并用一个名字来称呼她们，把我们划分回认为无关且可能在撒谎的个体，于是运动失去了意义。#MeToo经常被认为揭示了世界的真相——它的成功是因为女性「非常清楚地了解」正在发生的事情。不，人们已经知道发生了什么。#MeToo成功的原因证明任何女性主义运动都可以起作用：人数的力量。这是一场政治运动，在另一个方向上对抗令人难以置信的强大力量，而又没有理由认为它的工作不会被逆转。

马斯克xAI首个研究成果发布 创始成员杨格&姚班校友共同一作

马斯克xAI首个研究成果发布创始成员杨格&姚班校友共同一作这次的新论文，就归属该系列，重点探讨了“如何训练无限深度网络”。为此，杨格本人还专门在??上进行了一场直播分享。一起来看看有哪些精彩内容值得mark~训练无限深度神经网络简单来说，这篇文章研究的是残差网络（ResNet）在深度方向的扩展。我们知道，残差网络解决了深度增加时，深度卷积神经网络性能退化的问题。但当网络继续加深，训练一个好的深度残差网络仍非易事：当网络加深时，特征的规模会不断增大，导致网络不稳定；加深网络后，需要重新调整超参数，工作量不小……杨格和他的小伙伴们的想法是，找到一种深度参数化方法，既可以学习特征，又可以实现超参数迁移。他们首先想到了无限宽神经网络存在的两种极限情况：要么是核机（kernelmachines），要么是特征学习器(featurelearners)。对于后者而言，最佳超参数是不会随宽度变化而变化的。在这里，他们使用TensorPrograms框架分析了无限宽网络的极限情况。正如前文提到的，TensorPrograms是杨格的一项长期研究目标：用数学语言，建立能够描述和分析神经网络架构的底层编程语言。具体而言，TensorPrograms由矩阵乘法和激活函数组成。杨格发现，如果神经网络函数能够使用这种语言表达，就可以自动且完备地进行初始化分析。数学推导的部分，这里不做具体展开，我们可以浅浅感受一下画风……在这些推导分析的基础之上，作者提出了Depth-μP方法，可以实现深度方向上的超参数迁移，大大简化了不同深度下的超参数调节。Depth-μP包含以下要点：每个残差分支和深度L的平方根成反比的系数a/sqrt(L)。每个权重矩阵的学习率随深度L变大而减小，具体取决于优化算法的类型。对于SGD，学习率取常数η，对于Adam等自适应优化算法，学习率取η/sqrt(L)。值得关注的是，作者发现，当残差块深度为1时，Depth-μP是深度参数化的最优方式，可以保证超参数随着深度的增加而收敛，实现深度方向的超参数传递。但当残差块深度≥2时，还是会出现超参数迁移失败和训练性能下降的问题。另外，论文还探讨了“特征多样性”的概念，认为它在深度网络中发挥着关键作用。论文的另一位共同一作是来自普林斯顿的DingliYu。他本科毕业于清华姚班，目前在普林斯顿计算机科学系攻读博士。杨格在直播中都说了啥？在直播中，杨格还就观众感兴趣的问题进行了解答。在不改变原意基础上，量子位对部分问题做了梳理。Q：对于我们许多人来说，（论文内容）可能超出了我们的理解范围。但我想知道，你提到的模型与我们能够体验到的ChatGPT以及OpenAI的技术有何不同？这篇论文与OpenAI的成果相比有什么显著的差异或是创新点？杨格：我简单评论一下，我想说这些特性目前与实际应用并没有直接关系，更像是研究性质的。当然，做这一切的最终目标是为了让模型更好、更安全，然后造福人类。我们现在所进行的是描述预期的效果，它不一定会有直接的影响。现在我们同处一条船上，我们正在做我们所能做的事，无论是短期工作还是长期应用研究，都是为了让它造福每个人。Q：听起来像是你们正在建造一个能够进行推理的人工计算机大脑，所以这是你们正在研究的吗？此外，我还是一位母亲，我7岁的儿子对数学非常感兴趣，你有什么可以让他继续对AI领域保持兴趣和热情的建议吗？杨格：“新型网络”指的是人工神经网络，我认为它是现代众多技术的支柱，包括您每天使用的Google、Facebook、Instagram等，这些服务的底层都使用了这些人工神经网络。这些网络大约在六七十年前受到动物、人类的真实神经网络启发而诞生，但已与真实的神经科学有所偏离。这些网络本质上是数学问题，因此我们掌握这些新的数学问题后进行大量分析，可以深入地理解这些神经网络。虽然我们尚不明确真正的神经元的连接方式，但通过数学研究，我们能优化这些人工神经网络，助力科技公司改善人们的生活。关于您的第二个问题，听说您的儿子对数学非常感兴趣，这太棒了。这是在技术领域创造伟大成就和改善每个人生活的基础。我想给的建议是，首先您要保持您儿子对数学的热情，这非常重要。一旦失去了这份热爱，想再继续学习就会变得很困难。还要注意观察他喜欢的东西，让学习过程变得有趣，进一步激发他的兴趣。同时，也要培养他对事物运作原理的好奇心，并尝试培养一种科学思维，要在好奇心的驱使下研究。就像拆解事物，尝试理解它们的工作原理。如果一个人失去了对宇宙数学真理的探索热情，可能很难再有前进的动力。总的来说，我建议您培养您儿子对这个世界，特别是对数学和科学本质的浓厚兴趣和好奇心。Q：我有一个更为抽象的问题。你有了深度趋近于无穷的想法，然后根据这种想法写了这篇论文。那你是否考虑过采用不同架构的神经网络？不是带有神经元和无数层的标准架构，而是完全不同的东西。比如这些神经元的连接方式完全不同，也许是某种正方形？杨格：其实关于非线性以及我们这项工作中对层数的洞察，都只是非常初级的研究。关于什么是合适的结构，或者应该是怎样的结构，当然还有很多可以探讨的问题。像Meta团队之前就研究了随机连接神经元会发生什么，得到了一些有趣的结果。所以，这里绝对还有很多可以做的事情。现在我确实没有具体的答案来说什么将是正确的或者更好的结构。关于杨格杨格出生于湖南省，小学毕业后去了美国，本科就读于哈佛师从丘成桐教授。△杨格与丘成桐，图源：杨格Twitter2017年，杨格哈佛毕业，之后在沈向洋引荐下进入微软。在微软，杨格获得了沈向洋的高度评价。几个月前，在一场名为“基础科学与人工智能”的论坛上，沈向洋公开表示：微软研究院平时只招博士生的，杨格作为一个本科毕业生进了微软研究院。不仅进了微软研究院，过去这五年还做得无比优秀，特别是在GPT发展过程中做了举足轻重的贡献。值得一提的是，他本人也曾承认GPT-4就用到了他的μTransfer（TensorPrograms系列）方法。而杨格对TensorPrograms的研究，从很早就开始了，2019年就发表了“TensorProgramsI”，在微软工作时也是持续深入探索。他认为深度学习中几乎任何计算都可以表示为TensorPrograms。今年7月，马斯克宣布成立新公司xAI，杨格离开微软，加入xAI创始团队，成为xAI的数学家。加入xAI后，杨格不止一次透露TensorPrograms项目长期目标是开发大规模深度学习的“万物理论”，也就是找到一种理论上的规则，可以真正理解AI大模型的行为。他还表示：AI将使每个人都能以此前难以想象的方式理解我们的数学宇宙。论文链接：https://arxiv.org/abs/2310.02244...PC版：https://www.cnbeta.com.tw/articles/soft/1391405.htm手机版：https://m.cnbeta.com.tw/view/1391405.htm