新年，聊聊AI将带来的变化
这代知识工作者最危险的，不是“不会用 AI”，而是还以为自己有 20 年缓冲期。
没有。
我们大概是人类历史上第一代需要在职业生涯中途，亲眼看着自己的核心能力被机器...
# 命令行的发展史
## 前命令行时代：纸带、打孔卡与批处理
要理解命令行从何而来，必须先理解它出现之前的世界是什么样的。
二十世纪四十年代到五十年代，计算机是庞然大物。ENIAC 重达三十吨，...
先说结论：OpenClaw 这个项目的核心威胁，恰恰是对 OpenAI 自己现有产品线的否定。OpenClaw 验证了一个 OpenAI 自己做不出来（或者说被自己忽视）的产品——然后 OpenAI ...
本吉奥的词嵌入，让被封印许久的RNN有了一丝解封的希望。原来RNN使用的是One-hot 向量，这种词汇表方式，让维度轻松突破50000维，整个RNN 的权重矩阵会变得巨大且难以训练。词嵌入将维度降至...
随着ImageNet大赛的持续推动，在空间问题上神经网络开始大杀四方，CNN和ReNet的架构越来越稳定了，人们不断的优化算法，堆叠算力，但很少人会挑战“卷积”这个核心范式。但是在序列问题上，却还处于...
AlexNet像天外来客一样，出道即巅峰，迅速的将ImageNet的专业比赛ILSVRC推到了视觉界“华山论剑”的位置。但是AlexNet却没有在行业留下太多的身影，很快就退出了历史舞台。这是因为Al...
2006年后来被称为深度学习元年，是因为辛顿发表了关于DBN网络的论文。他证明了深层网络是有可能实现的，但是实际情况是，DBN这种方式非常的原始，梯度消失也在经常折磨着工业界，基本上没有超过三层的网络...
辛顿的深度置信网络DBN，敲开了笼罩在神经网络头上多年的坚冰。它证明了深层网络是可训练的，梯度问题也并非完全无法解决的洪水猛兽，特别是霍克赖特和本吉奥还分别从不同的维度，掀开了它神秘的面纱。从1997...
第二卷：寒武纪的来临--算力觉醒与物种大爆发
1、NP问题的解决范式
在描述数学问题的方法中，我们常用P和NP问题这种分类。
P (Polynomial time)问题，代表的是“容易解决”的问...
第二卷：寒武纪的来临--算力觉醒与物种大爆发
1、破解梯度消失的秘密
1991年，塞普·霍克赖特（Sepp Hochreiter）还是慕尼黑大学的一名硕士生。当时霍克赖特正试图用RNN处理一些具有...
第 1 / 197 页
下页