AI成长足迹(六)为何AI突然掌握对话能力？Transformer：AI理解能力的开端
前文我们探讨了互联网，它首次将人类文明整体转化为AI可汲取的知识资源。昨日有个议题未深入展开，即为何当前互联网数据已不再是优质的AI训练材料？原因在于，如今的网络空间已遍布大量AI自动生成的内容，且这类内容正持续增长。若继续用此类数据训练新的大模型，近亲繁殖般的后果将导致模型性能持续下滑。如何获取最新、最真实的数据，已成为亟待攻克的新挑战。我猜想，未来人类的价值或许就在于为AI供应数据
Transformer高效改进方案：X-Formers技术全景解析
高效Transformer变体（X-Formers）技术分类与深度解析原始Transformer面临的核心挑战在于自注意力机制带来的二次方计算复杂度，这直接导致了算力资源与显存容量的双重限制，难以应对超长文本、超高分辨率图像、大规模批量训练等实际需求。自2019年起，学术界与产业界为实现降低注意力计算开销、优化注意力建模机制、增强长序列处理能力、减少计算资源浪费等目标，陆续提出了数百种Transformer改进方案，统称为X-Formers。本章节依据技术优化机制，将X-Formers划分为稀疏注意力、局
AI演进之路：从卷积网络到注意力机制的技术变革
本文换一个视角，向下深入一层——探究支撑这些技术应用的模型，究竟是如何迭代演进的。01.你是否曾思考过：当我们观察一张老虎的照片时，无论它摆出什么姿态，我们都能认出这是一只老虎？但对于一段文字，哪怕只是调换词语的顺序，含义可能就完全改变了？这源于图像与文本在底层逻辑上遵循着截然不同的规律。图像信息依赖特征识别。无论老虎是趴着还是站着，只要有尖耳朵、圆眼睛、胡须等特征，就能准确辨认。姿态、背景、光线如何变化，都不会影响核心特征的提取。文本信息则依赖顺序关系。"我吃香蕉"和"香蕉吃我"——词语完全相同，仅顺序
AI八十年：从梦想到日常工具
1956年，几位年轻学者在达特茅斯举办暑期研讨会，提出‘智能的每一层面都可被精确描述，进而由机器模拟’。会议虽无实质成果，却为之后七十年的人类技术理想定下基调。1943年，神经生理学家沃伦·麦卡洛克与数学家沃尔特·皮茨发表论文，用数学证明：由简单神经元组成的网络，理论上能计算任何可计算函数。这成为人工神经网络的理论起点。1950年，艾伦·图灵发表《计算机与智能》，未直接回答‘机器能否思考’，而是提出操作性标准：若机器在对话中令人类无法区分其为机器或人，则视为智能。这就是著名的图灵测试。1956年夏，约翰·
硬啃 AI 底层原理一天，感觉大脑在扩容
今天刷微博看到 tombkeeper 说想要讲清 AI 的整体思考，得从经济学讲到物理生物，没几万字下不来。这时我也想到自己用了不少时间的 AI，也算是入门了，知道用它来写自动化脚本，可问我 AI 的底层逻辑是什么，却支支吾吾，前 seawater连 token 这个概念都回答不出来，看来我也只是满足于用罢了。先啃再说我相信 AI 是未来的趋势，那想要抓住它，应该懂点基本原理，不需要自己手搓大模型，只要比现在了解得更透彻就够了。所以说做就做，我这个纯文科生，决心今天啃一下 AI 材料。那么啃什么材料呢？我
AI驱动科研全链路实战训练营
线上直播直播时间：7月18日-19日、25日-26日【提供全部资料、代码及长期回放】前言课程大纲证书及学时报名方式面向真实科研场景，构建由Codex、Claude Code、OpenClaw、Hermes四位"AI研究员"组成的可迭代、可迁移的科研协作团队实战培训班直播时间：7月17日-18日基于claude code、codex双AI协同论文写作撰写与质量校准：从"数据分析→论文初稿→交叉审稿"全流程直播时间：7月25日-26日2026基于前沿AI-Agent2.0驱动的科研全链路实战营：一站式掌握LL
人类智能与AI的本质差异
所谓人工智能，简而言之，就是针对特定任务，将多种精妙的数学手段进行线性与非线性的整合，构建出一个小型系统。其目标是让输入与现实一致的参数时，能够输出尽可能吻合的结果。这在历史上被称为“深度学习模式下的神经网络”。神经网络的基本原理究竟为何？我们用通俗的语言来解释。这个小型系统被称为“模型”，规模较大的模型通常拥有数量庞大的参数。为了让模型输出尽可能接近现实，必须进行高质量的训练。在训练过程中，输入数据即可产生模型输出，将其与理想输出进行对比并计算误差，再利用该误差对模型进行调整（即调整模型参数的数值，最常
人工智能核心知识 - 从基础原理到发展历程
一、课程整体概述1.1 课程架构必修基础模块•机器学习与人工智能入门•深度学习核心：卷积神经网络（CNN）•深度学习进阶：Transformer 与自然语言处理1.2 教学目的与展望以就业为导向的综合训练◆理论素养（Knowledge）：系统化讲解理论框架◆编码技能（Coding Test）：结合行业场景的代码实践◆求职准备：覆盖所有面试可能涉及的知识点核心能力强化◆手写算法：梯度下降、CNN 架构、Transformer 结构◆理论掌握：能够口头阐述算法原理及实现方法◆实践能力：完成课后任务与代码练习二
Etched斩获8亿美金投资，AI推理芯片竞争加剧
人工智能芯片初创企业Etched于本周二宣告脱离隐匿状态，公布已筹措总额达8亿美元的资金，同时斩获逾10亿美元的客户订单。该企业预计在今年夏天向客户交付其机架级别的推理系统。 在上述融资中，最近一轮发生于去年12月的5亿美元募资，使其投后估值攀升至50亿美元。此轮融资由Stripes领投，彼得·蒂尔、Positive Sum及Ribbit Capital等机构与个人跟投。此外，量化交易巨头Jane Street主导了一轮先前未曾披露的融资，对Etched的累计注资额已突破1亿美元大关。 Etched由哈佛
揭秘AI瞬间把握核心的奥秘
揭秘AI瞬间把握核心的奥秘「猫没追上那只老鼠，因为它太慢了。」这里的「它」指的是猫还是老鼠？人类瞬间就能明白，AI凭什么也能理解？这靠的就是大名鼎鼎的「注意力机制」。AI 每处理一个词，都会回头审视整个句子，给其他词打分：跟我有多相关？越相关，就越「关注」它。 打个比方：就像你带着问题在一堆资料中搜索。你的问题是Query，资料的标签是Key，匹配上了就把对应的Value提取出来。 那「相不相关」怎么判断？把两个词的数字向量对应位相乘再相加（这步叫点积），得数越大，两个词就越匹配，注意力分配得越多。 这个
TransAct Technologies迎新首席财务官Troy Ingianni上任
TransAct Technologies Incorporated周一宣布，Troy Ingianni将出任公司首席财务官，任命自2026年7月1日起生效。 Ingianni在财务领导领域拥有逾25年丰富经验。加盟TransAct之前，他担任巴恩斯集团的副总裁、全球财务总监及首席会计官，该集团为全球航空航天与工业制造商，后被Apollo Funds以36亿美元收购。在巴恩斯集团服务的15年期间，Ingianni主管SEC报告、全球合并、萨班斯-奥克斯利法案合规、并购及资产剥离会计，以及全球50多个法律实
人类与AI并非对立，而是互补共生
人类与AI并非对立，而是互补共生 今天请Claude Code协助整理飞书文档，为提升精准度，我特意启用了Opus 4.6 Max。 没想到它删减几个字耗时甚久——这类普通人瞬间就能搞定的琐事，AI却要反复斟酌，且模型越先进越是如此。 或许对智能体而言，创作一篇文章和移除几行字的复杂性旗鼓相当，甚至后者更棘手。 因此我愈发意识到，AI和人类应对挑战的机制，在本质上大相径庭。探讨“AI是否会替代人类？”，或许本身就是个虚假议题。 我们与AI也绝非此消彼长、互相倾轧的关联。 当然，产生这种顾虑实属自然，AI已
谷歌核心AI人才拟转投Anthropic，搜索巨头遭遇人才流失危机
据内部人士消息，Alphabet旗下谷歌的两名人工智能核心研发人员正准备跳槽至竞争对手Anthropic PBC。伴随近期接连不断的高管离职潮，这家搜索引擎巨头在AI领域的领先地位正遭受严峻考验。 知情人士称，Jonas Adler与Alexander Pritzel——两位谷歌Gemini大模型的重要研发成员，即将加入Anthropic阵营。其中Adler曾深度参与谷歌的AI编程项目，Pritzel则专注于AI系统的训练研发。 作为AI领域的先行者，谷歌在本轮人工智能浪潮中长时间处于OpenAI和Ant
从生命演化看AI智能的崛起
21世纪20年代，ChatGPT、Midjourney等新一代生成式AI横空出世，如平地惊雷般再次引爆了人类社会关于“AI是否将取代人类”的宏大讨论。在这些争论中，“AI缺乏情感”、“AI没有真正意识”等观点被反复提及，却往往莫衷一是。若抛开那些尚未厘清的“情感”与“意识”定义，即便是严肃的脑科学与计算机科学探讨，若缺少一条贯穿始终的主线，最终也难以找到问题的锚点，从而陷入价值判断的泥潭。这条主线，便是进化。事实上，人工智能领域的诸多核心议题——无论是其演进方向，还是与人类的关系，若置于生命进化（尤其是大
AI学习路线全览指南【持续更新】
本文旨在梳理当前人工智能教程的完整知识框架。整个学习路径从Python编程基础起步，依次涵盖人工智能基础、大模型基础、大模型训练与推理、大模型应用，以及更贴近业务实践的人工智能应用场景。下方的每张图对应一个学习模块，用以阐明该模块在整体路线中的位置及后续整理重点。这张总览图展示了整套教程的核心结构：右侧为基础能力建设，包含Python、人工智能基础和大模型基础；左侧则偏向进阶和扩展，涵盖大模型训练技术、推理技术、应用技术，以及人工智能应用场景和通用平台框架。整体思路是先补齐编程、数学和算法基础，再深入大模