Podcast高階EN
Bayesian Brain, Scientific Method, and Models [Dr. Jeff Beck]
聽節目（在新分頁開啟原站）連到 Machine Learning Street Talk
摘要
Jeff Beck 探討大腦如何像科學家一樣運作，提出「貝氏大腦」概念，認為大腦透過貝葉斯推論處理不確定性。文章指出當前 AI 過度依賴變換器模型，忽略了自動微分與因果結構的重要性，並分享如何訓練具物體中心理解的模型。
An interview discussing the Bayesian brain, the limitations of current AI scaling, and the importance of causal models and object-centered learning.
摘要、重點與章節標題由語言模型整理，細節（誰說的、數字、先後）可能有誤；要引用請以原始內容為準。
重點
- 大腦實為自動執行的貝葉斯推論系統，高效處理不確定性。
- 當前 AI 過度追求規模，忽視自動微分與因果結構的價值。
- 透過物體中心方法與因果模型，可訓練出更具智慧的系統。
章節
依話題轉折切分，標題由 AI 產生
- 00:00貝葉斯推導如何概括科學方法
- 05:05大腦預測機與人類資料基礎設施
- 07:38物理模型為何偏好因果關係
- 10:14微觀與宏觀因果的差異與干預
- 17:02卡爾如何統一資訊理論與統計物理
- 19:30Transformer 架構的縮放與 Mamba 對比
- 35:38宏觀物理模型如何解決主動推導侷限
- 40:18分拆訓練模型以擴展規模
- 43:48透過力學語言推斷物體互動
- 48:13模擬遊戲引擎建立物件庫
- 54:20移除專家依賴實現跨域泛化
- 57:42結合深度學習與貝葉斯框架
- 59:57區分信念與價值之規範困境
- 1:06:05批判以無知定義的突發現象
適合誰看
對機器學習原理、貝葉斯推論及 AI 未來發展感興趣的研究者或開發者。
摘要依據
- 講者
- Tim Scarfe
- 依據
- 語音轉文字
為什麼排在這裡
- 人氣
- 0.50
- 新鮮
- 0.35
在主題頁與搜尋結果裡，名次由相關、人氣、新鮮三個分數決定；這一頁沒有搜尋的關鍵字，所以沒有相關分數。排序怎麼算
相關內容
- AI不确定性的数学原理 | 贝叶斯法则 | 机器学习 | 深度学习 | 祖宾·加赫拉马尼 | 谷歌DeepMind | 大语言模型 | 概率推理 | 神经网络 | 通用人工智能 | 语义熵影片 ・ Best Partners TV ・ 21 分鐘（在新分頁開啟原站）
- Your Brain is Running a Simulation Right Now [Max Bennett]Podcast ・ Machine Learning Street Talk ・ 3 小時 17 分
- VAEs Are Energy-Based Models? [Dr. Jeff Beck]Podcast ・ Machine Learning Street Talk ・ 47 分鐘
- The mathematics of AI uncertainty影片 ・ Google DeepMind ・ 45 分鐘
- You Don't Get to Create Anything文章 ・ Kent Beck（部落格）
- 对话前DeepMind曹原：AI for Science爆发，一个新时代到来了影片 ・ 硅谷101 ・ 1 小時 49 分（在新分頁開啟原站）
摘要由 AI 根據原文產生，可能有誤；完整內容請看原站。聽節目（在新分頁開啟原站）