只是在凝视我的宝球 🔗 阅读原文 via AIHOT · https://aihot.news/items/h4py2t0r1w704pe188hei7yb5
全部资讯
https://app.pixverse.ai/music-video/visual-riff?utm_source=X&utm_id=Social 🔗 阅读原文 via AIHOT · https://aihot.news/items/x5exayevm6fyzb5t82le2ogkm
黄仁勋解释了为什么 AI 可能很快需要多出十亿倍的算力。 过去的方式是检索：模型调出它已记住的内容然后作答。 新的方式是问题求解，模型会权衡多个选项，展开最好的一个到三个，并剪除其余的。 这种搜索比回忆一个存储的答案要费事得多，而它的每一步都跑在 GPU 上。 ---- 完整视频在 "Bg2 Pod" YouTube 频道，（链接在评论中） 🔗 阅读原文 via AIHOT · https://aihot.news/items/tkhred8o8kdrnu2sc45xw82ng
Lauren Tan 分享一套让 Agent 工作更可信任的方法，按倒金字塔分四层：代码库改进（架构、类型、边界）、静态分析（lint、测试、CI、TLA+ 等验证）、文字规则（注释、AGENTS.md、skills）和最难规模化的人工审查，精力应主要放在顶层。 🔗 阅读原文 via AIHOT · https://aihot.news/items/sm9jboz6xt9z9jkksh0654t8p
PyTorch 为 TorchTitan 引入 Zephon，一种弹性确定性数据加载方案，在训练任务内即时完成 tokenize、pack、shuffle 和 mix，无需预处理语料副本。 🔗 阅读原文 via AIHOT · https://aihot.news/items/auad4musvmvbfuv2tqxbz5w3q
前 NVIDIA 机器人平台产品营销负责人 Amulya Vishwanath 在 TechCrunch 的 Equity 播客中表示，机器人仍处于“乐高时代”，执行器、机械手、软件和安全标准等基础模块尚待重建，这与“通用基础模型将带来机器人 ChatGPT 时刻”的观点相左。 🔗 阅读原文 via AIHOT · https://aihot.news/items/me3cvxxjyq1wsxkuqdzxwn0ja
在 Nvidia 机器人平台产品营销岗位任职七年的 Amulya Vishwanath 认为，机器人目前处于“乐高时代”，执行器、机械手、软件和安全标准等基础模块仍在重建。她以 Techable VC 创始人兼管理合伙人的身份，投资机器人、材料科学和生命科学等物理 AI 领域。这一判断与“通用基础模型即将带来机器人 ChatGPT 时刻”的观点相左。 🔗 阅读原文 via AIHOT · https://aihot.news/items/bv27216nwuq44a1sa32m1ic78
原标题：《What I Self-Host》 评分: 609 | 作者: BrunoBernardino 💭 十个容器串起来，就叫省心自托管？ 🎯 讨论背景 原文作者列出自己在家用服务器上运行的服务，并偏好依赖较少的原生程序或单一 binary，对需要多个容器和数据库的项目保持警惕。评论集中讨论媒体自动化生态：Sonarr（剧集管理器）、Radarr（电影管理器）、Prowlarr（索引器管理器）会与 qBittorrent、SABnzbd 等下载器及 Jellyfin（开源媒体服务器）协作，但其下载用途也引出恶意文件与版权风险。讨论同时反映自托管者在简单原生部署、Docker Compose 容器化、Kubernetes 编排和 NixOS 声明式配置之间的长期分歧。低功耗 N100 mini PC、二手 NUC 等硬件让个人服务成本下降，但公网访问、证书、备份、播放兼容性和家人接手能力仍决定系统是否真正可靠。 📌 讨论焦点 *arr 媒体自动化栈：低资源、稳定，但配置复杂 不少使用者反驳 *arr stack 是“资源密集且脆弱”的印象：Sonarr 和 Radarr 空闲约
Big Technology 专访 Rivian CEO RJ Scaringe，他认为机器人技术的进展速度远高于外界认知。他于 2025 年创立 Mind Robotics，融资 10 亿美元，研发带双臂、双手和张开更宽的手指与指甲的工业机器人，采用基于 Transformer 的模型学习可泛化技能。 🔗 阅读原文 via AIHOT · https://aihot.news/items/qkgghvzouz44x5n3bweqs941k
很高兴看到 Nick 的这篇分享！ （引用推文核心要点：可解释性可能是当下全球最重要的科学问题，因为不了解自己在构建什么就无法解决对齐问题。Nick 曾参与 OpenAI 早期机制可解释性研究，当时对神经网络看似纠缠成任意乱结感到悲观；后来他启动了 OpenAI 首个大规模自动化可解释性项目，用原始工具发现约 2% 的神经元可读。而借助现代智能体工具和更细致的观察，情况完全不同：在高达数万亿参数的模型中，绝大多数神经元可读，其回路优美，许多著名的"纠缠神经元"案例实为误解。他原本预期的障碍大多并不存在。他认为，随着自动化科学家不断进步，雄心勃勃的可解释性研究将在我们最需要它之前被解决，且可能很快。这或许是可解释性的苦涩教训：简单的方法，在荒谬的规模下，行之有效。） 🔗 阅读原文 via AIHOT · https://aihot.news/items/blncrsti2l6f2luujt4ulmows