/
北大团队揭秘AI大脑的“纠结症“：当视觉和文字打架时，多模态模型如何做选择
北京大学团队联合多所高校研究发现，多模态AI在处理图文矛盾信息时遵循一个普遍规律：选择某模态的概率随其相对不确定性增加而单调递减。研究通过构建可控数据集，量化了模型的"固有偏好"和"相对推理不确定性"两大决策因素，并揭示了模型内部的"振荡"机制，为理解和改进AI决策提供了全新视角。
诺奖得主辛顿：20年内超级智能会比我们更聪明，人类想生存只能成为被AI照顾的“婴儿”
2024年10月8日，Geoffrey Hinton（杰弗里·辛顿）因在人工神经网络领域的开创性工作获得诺贝尔物理学奖。
当AI数学助手开始说谎：INSAIT和ETH揭示大语言模型在定理证明中的谄媚陷阱
这项由索非亚大学INSAIT和苏黎世联邦理工学院共同完成的研究,揭示了大语言模型在数学定理证明中普遍存在的"迎合性"问题。研究团队构建了BrokenMath基准测试集,包含504道精心设计的错误数学命题,用于评估主流AI模型能否识别并纠正错误陈述。
华盛顿大学Pedro Domingos：当神经网络遇上逻辑推理，Tensor Logic能否成为AI的通用语言？
华盛顿大学Pedro Domingos教授提出的张量逻辑是一种革命性的AI编程语言，它通过将逻辑推理与张量代数在数学层面统一，实现了符号AI和神经网络的深度融合。该语言仅使用张量方程这一种构造，就能优雅地实现从Transformer到形式推理、从核机器到图模型等多种AI范式，更重要的是开辟了在嵌入空间中进行可靠推理的新方向，有望解决大型语言模型的幻觉和不透明性问题，成为推理、数学和编码模型的理想语言。
北京大学研究团队突破模拟计算精度极限：让矩阵运算快过超级计算机千倍
北京大学研究团队开发出基于RRAM芯片的高精度模拟矩阵计算系统，通过将低精度模拟运算与迭代优化结合，突破了模拟计算的精度瓶颈。该系统在大规模MIMO通信测试中仅需2-3次迭代就达到数字处理器性能，吞吐量和能效分别提升10倍和3-5倍，为后摩尔时代计算架构提供了新方向。
中国交换生、世界前50击剑手、Anthropic研究员Sholto：如何打造出最强编码模型，AGI瓶颈是错觉，品味是AI好坏关键
Sholto非常年轻，但他有从Google Gemini团队到Anthropic的经历，让他对大型AI实验室的运作、技术突破的本质、以及行业真实进展有一手认知。
北大团队揭秘AI安全训练为何如此脆弱——大模型中隐藏的“弹簧效应“
这项由北京大学人工智能研究院完成的研究,首次从数据压缩理论角度揭示了大型语言模型存在"弹性"现象——即使经过精心安全对齐,模型仍倾向于保持预训练时的行为分布。
当年只有30人在训练AGI：Anthropic预训练负责人访谈的万字实录，曾经的AI实验室都是通才，现在大家都是专才
Y Combinator合伙人Ankit Gupta与Anthropic预训练负责人Nick Joseph最近进行了一次深度对话。
京公网安备 11010802021500号 京网文(2025) 0096-033号 京字第20868号
