13:50François Chollet@fcholletFrançois Chollet 指出当前 AI 技术栈存在 3-4 个数量级的数据效率低下和 4-5 个数量级的计算效率低下。他预测 2040 年的 AI 将更接近最优,而符号学习(symbolic learning)是实现这一目标的关键路径。Chollet 认为现有深度学习架构在数据和算力利用上远未达到理论极限。行业François Chollet符号学习深度学习效率AI趋势推荐理由:AI 大神 Chollet 直言现在的深度学习数据效率差 1000 倍、算力差 10000 倍,未来要靠符号学习翻盘。原文
02:03MIT CSAIL@MIT_CSAILMIT CSAIL 研究员 Alexander Amini 主讲的深度学习免费课程已更新至 2026 版。该课程涵盖监督学习、无监督学习和强化学习三大范式。第 5 讲专门讲解三者的核心差异。课程完全免费开放,适合入门到进阶学习者。技巧MIT深度学习免费课程监督学习强化学习推荐理由:MIT 出了新版深度学习免费课,Alexander Amini 讲第 5 讲,把监督、无监督、强化学习的区别掰开揉碎,想入门可以看看。原文
10:47Viking@vikingmute精选一篇名为《How LLMs Actually Work》的文章近日登上 HackerNews 榜首。文章用直观的例子和恰当的比喻,向有编程基础但未深入学 Transformer 的读者解释大模型工作原理。作者强调写作乐趣,坚持不用 AI 辅助,文章风格自然,没有 AI 味。适合想理解 LLM 底层逻辑的开发者阅读。论文LLMTransformer深度学习技术文章HackerNews推荐理由:想搞懂 LLM 原理但被 Transformer 劝退的开发者,这篇用活人语言讲清楚了,比看论文轻松太多,建议直接点开。原文
08:04Gary Marcus@GaryMarcusGary Marcus 回应批评者,重申他从未说深度学习完全失败,而是认为需要神经符号 AI 作为补充。他指出 Claude Code、代码解释器、工具使用和符号框架等正是他多年来主张的方向。Marcus 强调,不理解这一点的人对 AI 架构缺乏基本认知。这条推文是对他 2022 年文章《深度学习撞墙》的辩护,并认为当前 AI 进展验证了他的观点。行业深度学习神经符号 AIClaude CodeAI 架构Gary Marcus推荐理由:Gary Marcus 的回应澄清了关于深度学习局限性的常见误解,关注 AI 架构争论的读者会看到他的预测如何被 Claude Code 等产品验证,值得点开了解他的完整论点。原文
17:17Marc Andreessen@pmarca精选Marc Andreessen转发了一条关于AI领域新人如何避免落后的建议。建议包括深入学习模型内部原理、线性代数、非凸优化、训练小模型和大模型、掌握vLLM和Tensor并行、手写内核、集群编排、合成数据、SFT和PPO、学习Triton、了解半导体供应链、构建大型集群、预训练800B模型并后训练、服务数百万用户、在基准测试上超越DeepSeek。这些建议强调从理论到实践的全面技能,是AI领域职业安全的关键。行业AI职业发展技能路线深度学习集群训练模型部署推荐理由:AI新人想快速成长?这份硬核路线图从数学到集群全覆盖,建议逐条对照执行,做AI开发的值得收藏。原文
07:59rohanpaul_ai@rohanpaul_aiSam Altman 在 TreeHacks 访谈中回顾了 2014 年 OpenAI 创立初期的艰难处境。当时业界普遍认为 AGI 还需 100 年,OpenAI 的愿景被资深人士斥为“疯狂”和“骗局”。Altman 表示,他们选择押注“扩展深度学习”这一当时不受欢迎的方向,坚信增加算力能带来更好结果。尽管当时尚未发现 scaling laws 的精确规律,但团队决定全力推进。这段历史揭示了 OpenAI 早期信念与主流认知的巨大差距。行业OpenAISam AltmanAGI创业历史深度学习10 个信源在谈推荐理由:这段历史对 AI 从业者很有启发——当主流共识说“不可能”时,OpenAI 选择了逆势押注 scaling。做 AI 研究或创业的人看完会重新思考“共识”与“创新”的关系。原文
10:22Gary Marcus@GaryMarcusGary Marcus在X上发帖,重申他2022年论文中“深度学习正在撞墙”的观点,并指出神经符号AI正在拯救这一困境。他批评有人误解了原始论点,并以一个寓言故事说明:深度学习在预训练扩展效果下降后,通过推理时计算、强化学习和工具使用取得突破。Marcus强调,这些进展恰恰验证了深度学习需要符号AI补充的预测。行业神经符号AI深度学习Gary Marcus推理时计算AI范式推荐理由:Gary Marcus的神经符号AI观点再次被验证,关注AI范式演进的读者值得一看,尤其是对深度学习局限和未来方向有思考的开发者。原文
05:39François Chollet@fcholletKeras 包在 PyPI 上的月下载量近日突破 2100 万次,创下历史新高,日下载量峰值约 90 万。五年前首次达到 1000 万月下载时,作者曾认为这已是极限。这一里程碑表明 Keras 在深度学习社区中的持续增长和广泛采用。AI产品Keras深度学习PyPI下载量里程碑推荐理由:Keras 的下载量新高反映了其作为深度学习入门和快速原型工具的持久生命力,做 AI 模型训练的开发者值得关注这一趋势。原文
15:51腾讯混元 Tencent Hunyuan@tencentcloud精选腾讯云推出了实时H.266 VVC编码器,支持复杂直播场景的大规模商业部署。该编码器结合深度学习与原生编码架构,突破了实时计算限制,同时保留了广播级视频质量。它支持稳定的10 Tbps并发带宽,大幅降低带宽成本,并优化了核心QoS,实现更快的启动和更少的卡顿。三个AI核心模块提升了编码效率,支持灵活的计算调度,并在所有场景下保护精细的视觉纹理细节。该编码器仅需1.8 Mbps即可实现清晰的1080p超高清流媒体,性能优于传统AVC。AI产品H.266/VVC视频编码腾讯云深度学习直播推荐理由:腾讯云将H.266 VVC编码器推向商用,视频直播平台和CDN服务商可以大幅降低带宽成本,同时提升画质,做视频技术的团队值得关注。原文