KeyFrame內部研究專用

Adaption Labs: Gradient-Free Continual Learning — Sara Hooker, Adaption

AI Engineer20 min中文
觀看原始影片

三句話摘要

誰能參與 AI 研究前沿:從精英狹窄路徑到機制民主化。 AI 研究前沿正從狹窄精英路徑轉向由想法質量決定而非資源集中度決定的開放時代。 傳統結構的限制性

重點整理

  1. 傳統結構的限制性

  2. 講者指出現代科學發展出一條「不合理的狹窄之路」,進入 AI 前沿研究必須依序進入正確博士項目、工作於正確產業實驗室,才被允許對前沿做出貢獻。這種機制化結構排除了許多有想法的人。

  3. 預訓練計算效能的轉折

  4. 預訓練計算不再提供相同性能回報,因為架構已飽和。OpenAI 排行榜顯示 13B 以下小模型開始超越更大模型。性能改進不再來自單純增加規模,而是擴展優化空間。

  5. 新優化空間的可達性

  6. 從傳統算法優化轉向在多個新領域擴展優化空間,這些新領域的進入門檻更低。配方、演算法和研究策略再次變得關鍵,自動化發現過程成為可能。

  7. 計算民主化的機制變化

  8. 代理計算與後訓練計算對性能重要但無須囤積 GPU。計算購買動態改變,意味著最佳想法的人有更高獲勝機率,資源集中不再是決定因素。

實用技巧與重點

  • 計算機科學歷史:77 年
  • 傳統進入路徑:博士課程 → 產業實驗室 → 前沿貢獻
  • 全球懂得訓練前沿模型的人數:少於 5,000 人
  • 小模型超越點:13B 參數以下
  • 關鍵技術轉變:預訓練計算 → 後訓練計算、代理計算
  • 蒸餾(Distillation)效應:提升小模型性能
  • 工具民主化案例:允許用戶自訂模型而非完全開源

結論

AI 研究前沿正從狹窄精英路徑轉向由想法質量決定而非資源集中度決定的開放時代。

完整解析

講者開場指出計算機科學作為學科只存在 77 年,這在科學史上幾乎微不足道。這引出她核心關切:在年輕領域中,誰被允許站在發現前沿?

她觀察到現代科學經歷「專業化黑暗期」,導致進入科學前沿的路徑變得狹窄。對 AI 研究者尤其如此——必須進入正確博士項目、選擇正確業界實驗室、在正確時機做正確工作,才能對前沿有所貢獻。這是系統性問題,排除了許多具有好奇心的人。

然而技術本身正發生根本轉變。預訓練計算傳統上決定 AI 能力,但現在不同了。預訓練計算不再提供相同性能回報,因為模型架構已飽和。實際上 OpenAI 排行榜顯示,小於 13B 參數的模型正超越更大模型。性能改進的最大回報不來自增加規模,而來自擴展優化空間。

這是關鍵轉變。當從單純算法優化轉向在多個新領域擴展優化空間時,這些新領域的進入壁壘更低。配方、演算法和研究策略再次變重要。自動化這些發現過程成為可能。當訪問變便宜時,提問的數量也改變,這極其有趣。

計算資源性質也在改變。代理計算與後訓練計算對性能有重大影響,但不需要傳統預訓練計算的 GPU 囤積模式。計算購買動態完全不同,最佳想法的人有更高獲勝機率。講者指出,你有時不需要 10,000 個 GPU 就能做前沿工作。

未來自動化科學方面,講者指出自動化科學通常須共同定位於大規模基礎設施,而代理計算更分散,具更高計算回報率。預訓練計算不再提供相同回報,這開啟創造更好新設計的可能,使前沿參與不再是精英特權,而是想法質量與創新能力的競爭。

4 min
AI 技術中文11月21日

Make.com Automation for Beginners: Your First Automation in 10 Minutes

AI Workflow Lab看原片 ↗
  • Make 的核心是「情景」(Scenario) 概念,由多個模組組成,每個模組執行一個應用程式的單一工作。當第一個應用程式中發生事件時,Make 自動將資料傳遞到下一個應用程式,就像一個從不睡眠也不遺忘的數位助手。
  • 映射 (Mapping) 是自動化的核心。使用者需要明確告訴 Make 每筆資料應該放在哪裡,確保表單欄位正確對應到試算表的列,以及郵件內容能夠動態插入客戶資訊。
編輯精選
企業管理英文11月21日

What Anthropic's $900 Billion Bet Means for You

Nate Herk看原片 ↗
  • 訂閱用戶成為上市公司的收益基礎:4000 萬名小客戶(含 Claude Pro、Max、Ultra 或 API 用戶)合計貢獻 25% 的收入,形成 Wall Street 下注的對象。用戶每次訂閱續約都直接影響 Anthropic 股價,
  • 循環融資制造生態系統性風險:Amazon、Google、Broadcom 與 Nvidia 等公司既是投資者、又是運算服務提供商,同時採購 Anthropic 服務,形成相互依賴的閉環。若任一環節需求放緩,所有參與者將同時受創,系統風險無法
編輯精選
AI 技術英文11月20日

6 Lessons I Learned From Installing AI in a $10M Business

Liam Ottley看原片 ↗
  • AI 負責前 80% 工作,人的品味決定最後 20% — 系統一開始生成的提案很基礎,直到 Isaac 的設計師介入決定風格、選擇產品後,品質才大幅提升。需要將品味優秀的員工的規則和案例提供給 AI,讓初版更接近他們的標準。
  • 聚焦單一瓶頸,不要全面改造 — 分析發現提案環節是最大痛點:每月 15-20 張圖、每張 10 小時、成本 $500-1000、9 成無結果。選擇同時改善速度、成本、品質的用例,才是 AI 真正發揮價值的地方。