标签
Tom Griffiths的著作《The Laws of Thought》探讨了用数学理解人类思维及其与人工智能关系的历程，融合了逻辑学、神经网络和概率论。该书正得到科学家和作家们的积极评价与推荐。
MIT Press宣布推出《发明ELIZA》，这本书探讨第一个聊天机器人如何塑造人工智能的未来，由多位作者共同撰写，预计2026年7月出版。
本文认为，从 Logic Theorist 到大型语言模型，现代AI本质上仍是一台操控模式而非真正推理或拥有世界模型的三段论机器，这呼应了尚未解决的框架问题。
一段关于 Andrej Karpathy 从谷歌实习生到特斯拉自动驾驶、OpenAI 和 Claude 等定义 AI 的项目的创始人的历程的 vlog，强调了从事你尚未理解的事情的价值。
Google DeepMind 的“预测过去”技能将专用人工智能与 Gemini 的推理能力相结合，帮助历史学家以全新方式探索古代数据，并通过三个案例研究得到验证。
Google DeepMind 讨论了将AI用于历史分析的三大核心挑战，并介绍了其Antigravity技能来应对这些挑战。
Arman Hezarkhani宣布了一个为期30个工作日的系列「Pioneers of AI」，讲述塑造AI浪潮的创始人、研究者和领导者的故事，由@businessbarista推广。
SemiAnalysis 的一条推文庆祝 Transformer 的注意力机制取得的进步，并感谢开源社区让 AI 变得易于使用，邀请大家贡献以完善注意力的开放历史。
一位曾参与ChatGPT从0到1建设的人分享了自己十年来的AI历程，包括高中被开除、多次辍学、打过30多份工，并见证了ChatGPT用户爆发式增长的时期，现在正在思考下一个十年的方向。
文章详细回顾了贾扬清在伯克利期间从零开发出深度学习框架Caffe（最初名为Decaf）并选择开源的故事，以及他个人从学生到技术领袖的成长历程。
David Ha和Jürgen Schmidhuber回顾了诸如Transformer、无监督预训练、知识蒸馏和残差网络等基础深度学习技术是如何在1991年的慕尼黑开创的，为当前的人工智能热潮奠定了基础。
深度回顾推理模型从2022年CoT到2024年o1/R1的四年演变，指出真正的分水岭不是推理能力的涌现，而是将推理转化为可计费、可调度的资源。
本文深入探讨了具身智能的概念、思想源头（哲学、认知科学、AI机器人）和历史发展（符号主义的失败与Brooks的包容架构），分析了它与纯粹软件AI的区别及面临的挑战。
本文系统梳理了世界模型（world model）这一概念从1943年Craik的心理隐喻到2024-2026年产业爆发的演进历程，详细介绍了符号AI、深度学习流派（Schmidhuber-Ha、Dreamer系列、JEPA、视频生成方向）的核心理念与代表作品，并指出当前定义混乱、各派竞争的现状。
本文回顾了 Geoffrey Hinton 在神经网络被学术界抛弃的 AI 寒冬中坚持研究长达三十年，最终凭借 AlexNet 在 2012 年 ImageNet 大赛中一举成名，并在 2024 年获得诺贝尔物理学奖的历程。
Sam Altman 在访谈中回忆斯坦福时光、Loopt 创业经历、Y Combinator 如何改变创业环境，以及 OpenAI 如何从一个不受欢迎的想法起步成为 AGI 实验室。
伊利亚·苏茨克维的人物简介，这位俄罗斯出生的AI研究员是OpenAI的联合创始人，并在ChatGPT的开发中发挥了关键作用。
Sabrina Halper 推荐 Dwarkesh Patel 与 Eric Jang 的播客，其中讨论了深度学习进展更多是受计算驱动，而非生物启发。
Yann LeCun 通过列举 Attention、PyTorch 和 AlphaFold 等关键突破起源于蒙特利尔、伦敦和巴黎等地，反驳了硅谷在人工智能创新方面占据主导地位的说法。
DeepMind 回顾 AlphaGo 诞生十周年，强调其在开启现代 AI 时代中的关键作用，以及它对科学研究和通用人工智能（AGI）探索的深远影响。