标签：机器学习
共 9 篇相关访谈。
AI训练依赖海量数据，样本效率远逊人类
本文指出，当前AI模型的性能提升主要依赖海量数据和算力投入，而非样本效率的根本性突破。通过对比人类与AI在数据需求上的巨大差距，文章探讨了这种低效率对AI自动化白领工作和自我研究能力的影响，并质疑当前Scaling Law路径能否弥补这一差距。
边江：从推荐算法到Agent的AI探索之路
本文基于对微软亚洲研究院研究员边江的访谈，提炼其从奥数少年、北大才子到AI研究者的人生历程与技术思考。边江分享了其在微软、雅虎、一点资讯等不同阶段的经历，深入探讨了Agent的技术定义、发展挑战、产业落地以及与大模型的协同关系，并回顾了从奥数训练中获得的抽象问题解决能力如何贯穿其职业生涯。
Yann LeCun：智能的本质是统计，但必须是特定类型的统计
杨立昆与Lex Fridman深入探讨自监督学习为何是通往机器智能的关键路径。他认为，当前监督学习和强化学习效率低下，无法解释人类和动物如何高效学习。自监督学习通过“填补空白”（如预测视频下一帧）来构建世界模型，是从观察中获取背景知识的核心机制。杨立昆指出，尽管在语言领域已取得巨大成功，但让机器从视频中学习世界表征仍是巨大挑战。他强调，智能或许本质上是一种特定类型的统计，但必须能学习包含因果关系的、可微分的世界模型，这是未来十年AI研究的核心目标。
道格拉斯·莱纳特：为AI注入40年心血的常识知识库
Cyc项目创始人道格拉斯·莱纳特在访谈中阐述了其长达40年构建常识知识库的使命。他解释了常识为何是AI真正理解世界的关键，如何通过形式逻辑表达和获取数千万条知识，以及如何处理知识中的矛盾。他认为，当AI系统拥有足够的常识基础后，便能通过阅读和对话自我学习，最终与人类协作，使整体变得更聪明。
机器学习不仅是统计：Isbell与Littman的跨学科对话
乔治亚理工学院的Charles Isbell与布朗大学的Michael Littman在Lex Fridman播客中展开了一场深度对话。他们探讨了机器学习的本质是否仅仅是“计算统计”，分享了贝尔实验室的黄金时代经历，并深入讨论了在线教育、教学合作以及学术生涯中的自我批判与成长。
强化学习先驱：AI不会意外毁灭人类
布朗大学教授Michael Littman在访谈中深入探讨了强化学习的发展历程与未来。他质疑AI超级智能威胁论，认为人类在开发AI的过程中会学到足够知识来规避风险。Littman强调了人类在AI系统发展中的关键作用，并分享了他从80年代至今对神经网络和强化学习领域的观察。
计算的本质是模型、语言与机器的等价
佐治亚理工学院教授Charles Isbell在访谈中探讨了交互式人工智能的核心理念，认为智能本质上是与他人和社会的互动过程。他区分了AI与机器学习的不同追求，并指出计算学科的独特世界观在于理解模型、语言和机器的等价性。他还讨论了终身学习、预测人类行为的实验，以及学术界如何平衡专业深度与公共影响力。
AI不是智能工程，而是决策市场
在访谈中，迈克尔·I·乔丹教授澄清了当前AI领域的本质：它并非追求通用智能的科学，而是一个正在形成的、基于统计和计算的工程领域。他强调，该领域的核心在于做出大规模、有后果的决策，并构建连接生产者与消费者的新市场。乔丹教授批评了过度依赖广告的商业模式，并以音乐产业为例，设想了一个由数据和算法驱动的、能直接创造经济价值的新型创作者经济。
算法伦理、公平与隐私：技术如何塑造社会规范
计算机科学家Michael Kearns探讨了算法公平性、隐私保护与博弈论在现实系统中的应用。他解释了如何通过量化方法定义“伦理算法”，剖析了群体公平与个体公平的张力，并深入讲解了差分隐私如何在数据利用与隐私保护间取得平衡。他还讨论了社交媒体平台优化参与度所带来的社会极化问题，以及算法交易在金融市场中的演进与局限。