We're sunsetting PodQuest on 2025-07-28. Thank you for your support!
Export Podcast Subscriptions
孙
孙晨
斯
斯图亚特
孙晨: 我在学校做科研，更注重培养学生，节奏和选题与企业不同。学校科研项目完成难度更大，但成就感更纯粹。近三年来视频生成技术取得突破性进展，生成式模型的应用令人震撼。学术界在工程能力和计算资源方面与企业存在差距，这可能会导致研究方向的调整。当前生成式模型仍存在幻觉（hallucination）等缺陷。将物理引擎与生成式模型结合，可以弥补生成式模型的缺陷，使其更符合现实世界规律。通过物理引擎验证生成式模型的输出，可以提高模型的准确性和可靠性。AI技术快速发展，使得以前认为遥不可及的目标现在已经实现。技术一旦走通，就会被快速改进和应用。自然语言是大语言模型与计算机视觉结合的关键桥梁，可以将多个模型串联起来完成复杂任务，例如生成菜谱。自然语言模型作为中心，可以整合多个领域的信息，完成复杂任务。大模型就像一个强大的计算平台，其应用取决于创意和开发能力。学术界需要寻找自身定位，适应大模型带来的变化。大语言模型是一个非常有用的工具，但其潜力和局限性仍需进一步探索。目前尚无法明确定义AI是否真正“理解”事物，深度学习模型是一个黑盒子。生成式模型学习到的是强大的表征能力，可以用于各种任务，但这并不意味着它真正“理解”了这些内容。创造能力并不等同于理解能力，生成式模型可以创造内容，但不一定理解其含义。当前的生成式模型在处理数量、概念组合等方面存在局限性。未来人们可能更多的是为AI提供数据和信息，成为AI的“辅助”。工业界对AI的研究存在同质化竞争，可能导致人才浪费。AI正在影响人们生活的方方面面，人们需要适应这种变化。AI的发展难以阻挡，人们需要适应并应对其带来的挑战。未来AI发展可能面临新的挑战，例如AI寒冬和高预期。当前AI技术应用广泛，但未来发展仍存在不确定性，例如AI寒冬的可能性。未来AI发展可能面临瓶颈，需要新的突破。AGI的实现更多的是一种信仰，其存在性和实现途径都存在不确定性。为了测试AI模型在新环境中的泛化能力，研究团队创建了一个宇航员太空行走的测试集。该测试集用于评估AI模型在新环境中的泛化能力。目前大多数AI模型在该测试集上的表现都不理想。想要进入这个领域，需要成为一名优秀的工程师，或者拥有独特的见解并进行深入研究。
斯图亚特: 学校科研和企业科研侧重点不同，学校科研更注重培养学生，节奏和选题与企业不同。以前认为遥不可及的用做菜视频生成菜谱的理想，现在已经实现。大语言模型不仅仅是一个AI技术，更像是一个指挥中心，可以整合各种信息。人工智能领域人才饱和，进入该领域需谨慎考虑。过去四年计算机视觉领域取得了显著进展，主要体现在生成式模型和扩散模型的应用。
Vindy: 无
Deep Dive
Shownotes Transcript