Sutton 等研究人员近期在《Nature》上发表的研究《Loss of Plasticity in Deep Continual Learning》揭示了一个重要发现：在持续学习环境中，标准深度学习方法的表现竟不及浅层网络。研究指出，这一现象的主要原因是 "可塑性损失"（Plasticity Loss）：深度神经网络在面对非平稳的训练目标持续更新时，会逐渐丧失从新数据中学习的能力。
在这场访谈中，Jeff Dean讲了一些有趣的往事。
AI教母李飞飞的创业公司World Labs，正式官宣启动！
用英伟达的GPU，但可以不用CUDA？PyTorch官宣，借助OpenAI开发的Triton语言编写内核来加速LLM推理，可以实现和CUDA类似甚至更佳的性能。
人工神经网络、深度学习方法和反向传播算法构成了现代机器学习和人工智能的基础。但现有方法往往是一个阶段更新网络权重，另一个阶段在使用或评估网络时权重保持不变。这与许多需要持续学习的应用程序形成鲜明对比。
历时半年的 SB 1047法案投票将于近日迎来大结局。
在一众AI大佬、科技大厂、初创公司和风险投资人的强烈反对之下，加州的「AI限制法案」顺利地得到了初步通过。
只需两张图像，不到30秒，就能让马斯克穿牛仔走红毯~
创始人阿里安娜·赫芬顿 (Arianna Huffington) 表示：“重要的是AI从根本上，为我们改善健康和延长寿命。”
图灵奖得主Hinton在他的访谈中提及「在未来20年内，AI有50%的概率超越人类的智能水平」，并建议各大科技公司早做准备，而评定大模型（包括多模态大模型）的「智力水平」则是这一准备的必要前提。
