Why More Data Cannot Replace Prior Structure - Alexander Mattick

摘要

Alexander Mattick 探討現代機器學習中推論的成本與限制，分析能量模型、JEPA 等理論的實際價值。內容指出預測不等於控制，並強調在真實世界中施加約束比單純追求獎勵更有效。

Alexander Mattick discusses the cost of inference and critiques current deep learning theories, arguing that constraints are more practical than rewards in real-world control.

這筆內容還沒有取得字幕或內文，這段摘要只根據標題與說明欄產生，可能不夠準確；實際內容請以原站為準。

適合誰看

正在研究機器學習理論、推論最佳化或強化學習的開發者與研究者。

摘要依據

依據

標題與說明欄（還沒有取得字幕或內文）

為什麼排在這裡

人氣

0.74

新鮮

0.93

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

• Why Scaling Prediction Cannot Create Intelligence - Alexander MattickPodcast ・ Machine Learning Street Talk ・ 2 小時 14 分
• AI Is Learning at the Wrong Level of Abstraction — Matthieu WyartPodcast ・ Machine Learning Street Talk ・ 1 小時 19 分
• The AI Model Built for What LLMs Can't DoPodcast ・ The Every Podcast（AI & I） ・ 54 分鐘
• Fact checking Moravec's paradox文章 ・ AI as Normal Technology（Arvind Narayanan、Sayash Kapoor）
• The Inference Economy: Token Use文章 ・ The AI Frontier（Vikram Sreekanti、Joseph E. Gonzalez）
• The Impossible Triangle of LLM Infra文章 ・ swyx（部落格）