搜索
在人工智能高速发展的今天，我们似乎迎来了一个"假设爆炸"的时代。大语言模型每天都在产生数以万计的研究假设，它们看似合理，却往往难以验证。这让我不禁想起了20世纪最具影响力的科学哲学家之一——卡尔·波普尔。
过去一年多（直到春节前）的担忧，是不愿意花钱，市场不断强调通缩的恶果，学者不断强调改善基本福利以提升内需的必要性。总而言之，都是建言尽快花钱。争论在于，更多地花在哪里。犹豫的是，花在地产上，继续走老路；直接发钱，持续性不够。
不到10美元，3B模型就能复刻DeepSeek的顿悟时刻了？来自荷兰的开发者采用轻量级的RL算法Reinforce-Lite，把复刻成本降到了史上最低！同时，微软亚研院的一项工作，也受DeepSeek-R1启发，让7B模型涌现出了高级推理技能。
YOLO 系列模型的结构创新一直围绕 CNN 展开，而让 transformer 具有统治优势的 attention 机制一直不是 YOLO 系列网络结构改进的重点。这主要的原因是 attention 机制的速度无法满足 YOLO 实时性的要求。
2月18日，上海交通大学医学院附属瑞金医院举办了“2025医疗人工智能与精准诊疗发展论坛”，瑞金医院携手华为共同发布瑞智病理大模型RuiPath。
半个月前，字节的OmniHuman-1模型在全球的AI圈，都掀起了巨浪。可能有些朋友不知道这是个啥，我大概通俗易懂的解释一下 一张图+一段音频，就能生成超逼真的唇形同步AI视频。
“你家娃的寒假作业搞定了吗？”眼瞅着假期余额不足，家长们又开始在朋友圈里哀嚎：“作业还没写完！”没错，一年一度的“赶作业大战”又上演了，只不过今年，剧情有点不一样——娃们不再抓耳挠腮、苦哈哈地熬夜赶工，而是悄悄掏出了“神器”：DeepSeek等AI工具！
随着人工智能的加速发展，我们常常担心AI会突然失控、超越人类控制。然而，最新研究指出，这种「突然失控」的场景或许并非最令人担忧的；AI在各个领域逐步取代人类，导致人类权力和影响力的缓慢流失，可能才是更隐蔽、更难以应对的渐变式风险。
近年来， Scaling Up 指导下的 AI 基础模型取得了多项突破。从早期的 AlexNet、BERT 到如今的 GPT-4，模型规模从数百万参数扩展到数千亿参数，显著提升了 AI 的语言理解和生成等能力。然而，随着模型规模的不断扩大，AI 基础模型的发展也面临瓶颈：高质量数据的获取和处理成本越来越高，单纯依靠 Scaling Up 已难以持续推动 AI 基础模型的进步。
众所周知，目前 DeepSeek R1 有一个很大的痛点是不支持 Function Call 的。GitHub 上有许多开发者都表达了这一诉求。