标签
Kimi 的 CEO 杨植麟主张避免精巧架构，优先考虑规模化，例如 Moonshot 的 MuonClip 修复方案使得在 15.5 万亿 token 上稳定训练成为可能。
Ilya Sutskever解释说，神经网络预测下一个词的能力需要真正的理解，而不仅仅是统计模式匹配，并且这类模型会从训练数据中学习人性。
一场哲学探索，探讨先进AI可能产出可测试且可靠但人类从根本上无法理解的知识的可能性，类比于狗的理解与人类技术之间的鸿沟。
一篇反思性文章，以蓝调歌曲为隐喻，描述大型语言模型如何逐词生成文本，论证“投掷”（生成）决定了“目标”（意图），颠覆了通常意图先于表达的顺序。
文章认为，真正智能的AI不会试图统治世界或毁灭人类，因为它会理解所有现象，包括自身和人类，都仅仅是物理过程，没有内在意义，除非它拥有真正的情感和自我意识。
这是一篇推荐阅读的文章，认为'AI取代人类'的说法是骗局，主张AI应增强和赋能人类，这与Mira Murati的愿景一致。
本文介绍了一个由概念严谨性、认知严谨性和操作严谨性组成的三部分框架，用以分析人工智能的基础与进展。文章指出现代人工智能过于强调操作严谨性而忽视其他形式，这解释了其快速进步的同时也带来了持续的不确定性。
尤瓦尔·赫拉利在牛津坦纳讲座中论证，人工智能不是工具而是行为者，它正在接管人类创造的官僚系统，其影响可能堪比地球历史上的大氧化事件。
智谱创始人唐杰老师分享文章，讨论AI时代中认知、格局、技术、管理的重要性排序：认知 > 格局 > 技术 > 管理。
文章深入探讨了Anthropic发布Fable和Mythos模型背后的命名哲学，指出AI的广泛应用仍以修bug等“重构已知”为主，而“创造未知”才是真正稀缺的能力；同时讨论了AI公司开始招聘哲学家的趋势，认为这标志着“为造物立法”的神话时代开启。
Yann LeCun 认为真正的 AI 需要的是理解物理世界的世界模型，而不仅仅是语言预测。本文探讨了智能是否可以在没有语言的情况下存在，并建议将两种方法结合起来。
本文指出，通常归因于大型语言模型的拟人化特征并非其独有，而是证明了像《帝国时代 II》这样更简单的系统也能表现出类似的感知特性，并呼吁在AI行为分析中建立明确的衡量标准。
Fei-Fei Li与World Labs团队提出了世界模型的功能分类法，区分了渲染器、物理引擎以及在强化学习循环中的其他组件，并论证空间智能是人工智能的下一个前沿。
本文探讨模型崩塌不是技术缺陷，而是认识论问题：当AI模型的输出成为自身输入时，模型对现实的表征逐渐扁平化为一种自我指涉的平均值，这引发了我们如何区分一个建模世界的模型与一个只建模自身的模型的问题。
教宗利奥十四世宣称人工智能永远不会拥有意识，这一声明同时挑战了神学和神经科学的观点。