V
主页
递归神经网络之父 Jürgen Schmidhuber :人工智能的发展和对人类、宇宙的深远影响
发布人
Jürgen Schmidhuber 分享了他在深度学习和人工智能方面的开创性工作。在这次独家采访中,他讨论了 AI 的历史、他对该领域的一些贡献以及他对智能机器未来的愿景。Schmidhuber 对技术的指数增长以及 AI 对人类和宇宙的潜在影响提供了独到的见解。 -------时间轴------- 00:00:00 简介 00:03:38 推理 00:13:09 减少计算需求的潜在 AI 突破 00:20:39 AI 中的记忆与泛化 00:25:19 应对 ARC 挑战的方法 00:29:10 对 Chat GPT 和 AGI 的看法 00:58:45 Jurgen 方法的抽象原理 01:04:17 类比推理和压缩 01:05:48 1991 年的突破:ChatGPT 和生成式 AI 中的 P、G 和 T 01:15:50 科技巨头在语言模型中使用 LSTM 01:21:08 神经网络纵横比理论 01:26:53 没有明确老师的强化学习 参考文献: ★ “现代 AI 和人工智能的注释历史深度学习”(Schmidhuber 于 2022 年进行的调查): ★ 反向信用分配的链式法则(莱布尼茨,1676 年) ★ 第一个神经网络/线性回归/浅层学习(高斯和勒让德,约 1800 年) ★ 20 世纪第一位实用人工智能先驱(Quevedo,1914 年) ★ 第一个循环神经网络 (RNN) 架构(Lenz、Ising,1920-1925 年) ★ 人工智能理论:计算和基于计算的人工智能的基本局限性(哥德尔,1931-34 年) ★ 关于发展 RNN 的未发表想法(图灵,1948 年) ★ 不使用深度学习的多层前馈神经网络(Rosenblatt,1958 年) ★ 第一个发表的学习 RNN(Amari 等人,~1972 年) ★ 第一个深度学习(Ivakhnenko & Lapa,1965) ★ 随机梯度下降深度学习 (Amari,1967-68) ★ ReLU (Fukushima,1969) ★ 反向传播 (Linnainmaa,1970);先驱 (Kelley,1960) ★ NN 反向传播 (Werbos,1982) ★ 第一个深度卷积 NN (Fukushima,1979);后来与反向传播相结合 (Waibel 1987,Zhang 1988)。 ★ 元学习或学会学习 (Schmidhuber,1987) ★ 生成对抗网络/人工智能好奇心/NN 在线规划器 (Schmidhuber,1990年2月;参见生成式 AI 和 ChatGPT 中的 G) ★ NN 学习生成子目标并按命令工作 (Schmidhuber,1990 年 4 月) ★ NN 学习编程 NN:非规范化线性变压器 (Schmidhuber,1991 年 3 月;参见 ChatGPT 中的 T) ★ 通过自我监督预训练进行深度学习。提炼 NN (Schmidhuber,1991 年 4 月;参见 ChatGPT 中的 P) ★ 预训练实验;消失/爆炸梯度的分析、长短期记忆的根源/高速公路网络/ResNets(Hochreiter,1991 年 6 月,1999-2015 年与 Schmidhuber 的其他学生进一步开发) ★ LSTM 期刊论文(1997 年,20 世纪引用次数最多的 AI 论文) ★ xLSTM(Hochreiter,2024 年) ★ 强化学习提示工程师用于抽象推理和规划(Schmidhuber 2015 年) ★ 基于自然语言的思维社会中的头脑风暴(Schmidhuber 团队 2023 年的论文) ★ Bremermann 的计算物理极限(1982 年)
打开封面
下载高清视频
观看高清视频
视频下载器
访谈《人类简史》尤瓦尔·赫拉利:阔别六年重磅力作《智人之上:AI简史》,帮你从大历史视角看待AI对我们的巨大影响
[中英字幕] 罗伯特·格林的《人性法则》
麻省理工【算法导论】原著大佬带你一起啃书!全23讲!99%的程序员都会学!(人工智能、深度学习、机器学习、神经网络、pytorch、AI)
尼采《道德谱系》深度解析
液体神经网络,一种让人工智能在训练后也能学习的新想法
星际传输网络的运行方式详解
TED演讲:如何以计算方式思考人工智能、宇宙和一切
陶哲轩出席 2024 年国际数学奥林匹克竞赛:人工智能与数学
哈佛医学院教授Jagmeet Singh:《未来护理:传感器、人工智能和医学的重塑》讲述数字技术对医疗的影响
【课件+代码】李沐大神《动手学深度学习》2024最新视频教程,比啃书高效!比刷剧还爽!(人工智能丨深度学习丨神经网络)
卢梭 处女作《论科学与艺术》解析:科学正在毒害你
吹爆一个印度老哥的算法课程! 🎉你们可能还在怀疑他们的实力,但我要告诉你,一旦你真正了解过,就会知道他们在算法和IT界的地位,简直就是教科书般的存在!
GFlowNets 是什么吗?
Emad Mostaque:生成式AI将释放人类的潜力
克里希那穆提:观察你的恐惧
实战演示—深度学习如何制作数据集,并跑通代码
芝加哥大学人工智能系主任Rebecca Willett:人工智能如何改变科学研究
给我15分钟,教会你如何跑通模型官方数据集并更换为自己的数据集后再跑通!-神经网络/机器学习/深度学习
麻省理工学院 - MIT - 线性代数(我愿称之为线性代数教程天花板)真的太通俗易懂了!建议收藏!(微积分、机器学习算法、神经网络、人工智能)
发掘你天才的那一面 | LaunchDarkly 首席产品官 Claire Vo
14 分钟解释所有学习算法
如何写出一篇学术论文,从构思到发刊教程
[2024年] [中英字幕] 2 RNN, Transformers, 和 Attention | 麻省理工学院深度学习导论 6.S191
Google DeepMind 高级总监:揭开大型语言模型的神秘面纱
Anthropic:人工智能的性格应该是什么样的?
布朗大学人工智能圆桌访谈:人工智能与权力 | 2月28日
[中英字幕] 量子计算专家 Scott Aaronson 谈意识、量子物理和 AI 安全 | 完整采访
Google Health:生成式人工智能在健康领域的研究
华盛顿大学助理教授 Karen Leung:值得信赖的以人为中心的自主机器人 | 4月12日
MIT Phd 利用人工智能研究人类心理健康
NVIDIA:生成式人工智能时代的医疗健康发展
OpenAI 的新型 AI GPT o1 震撼整个行业,GPT-O1更适合处理需要深入分析和逻辑推理的复杂问题,如科学研究、编码、数学计算!(草莓模型已发布!)
第一性原理:最有力的思考方式
【深度学习零基础篇】从入门到精通一口气学完CNN、RNN、GAN、GNN、DQN、Transformer、LSTM等八大深度学习神经网络!人工智能/深度学习
如何看清欺骗性情绪 | 神经科学家克里斯汀·林德奎斯特
纪录片:人类来到人工智能时代的“十字路口”
绝对零度!奇异的量子效应、超导现象等!
亚马逊云科技创新大会:生成式 AI 典型用例
量子时间的奇异之谜
《生成式深度学习》作者访谈:Generative AI的未来