《硅谷》大结局 :关上 AI 的潘多拉魔盒

AI黑马DeepSeek:改写全球AI规则的三重革命 传统大厂如OpenAI对推理技术闭源,DeepSeek却将强化学习框架GRPO和Test-Time Compute方法全盘开源,让全球开发者能基于其模型快速迭代。DeepSeek的核心武器是“低成本+高性能”的组合拳。DeepSeek,一款AI大模型产品,7天用户破亿、登顶157国下载榜,甚至让英伟达股价暴跌17%。某院士将其比作“AI领域的斯普特尼克时刻”——1957年苏联卫星上天后,美国被迫重构科技战略。更有人评价:“DeepSeek的成功不是中国威胁,而是开源价值的胜利。 阅读详情

By 超神经

编者注:本文作者胡鹏,一块+开发者社区忠实爱好者。本文讲述了他在观影美剧《硅谷》后对区块链、AI 等前沿技术发展的思考。

关键词:《硅谷》  超级 AI  区块链

温馨提示:内容包含剧透,继续阅读可能影响观影体验  :)

注:本篇转载对原文内容有部分改动

讲述四位程序员创业故事的 HBO 神剧《硅谷》,终于迎来了最终季。

在高科技产业云集的硅谷 ,四位高智商程序员,靠着自己的才能,在创业路上化解各种坎坷,闯荡出一段传奇故事,吸引了全球观众的追捧。在豆瓣榜单上,该剧从第一季到第六季评分都在 9.1 分以上,第六季更是高达 9.4 分。

从 2014 年第一季开播至今,几位主角的创业之路,也伴随着互联网技术的发展跌宕起伏,他们也因为实现新的算法,而越来越接近那些想要改变世界的梦想。

但是,在很多观众以为剧情将以创始人都实现财富自由而结束时,编剧却在最后一集强势反转,提出了一个更宏大的哲学命题——如果人类社会对某项科技(比如超级 AI)还没做好准备,它的创造者应该怎么办?

重点回顾

估值近 80 亿美元的公司,在一夜之间归零。这一切竟因 AI 而造成?

为用户提供数据控制权的 PiperNet ,为什么会威胁到世界和平,而其核心开发团队,不惜放弃亿万身家和声誉也要搞垮自己的公司?

想要看懂大结局(S6E7),我们需要先简单回顾一下,从第一季以来魔笛手经历的关键时刻开始。

 1. 发散压缩算法(Middle-out Algorithm)

《硅谷》整个系列的起源是,不满足于在大公司狐力(Hooli)上班的程序员理查德(Richard Hendricks),在业余时间和几个朋友一起,创办了叫做魔笛手的公司,并开发出一款音乐版权检索应用,但遗憾的是,并没有得到投资人的垂青。

不过,他为这款应用发明的压缩算法,却比行业最佳算法要优秀数倍——在剧中有一个衡量压缩能力虚构指数,维斯曼评分(Weissman score),理查德的算法使得他接近理论的极限(2.9)达到了 2.89 分。

这一算法获得了老东家狐力和天使投资人彼特(Peter Gregory)的青睐。理查德选择接受了天使投资,并辞掉大公司的工作,开始了雄心勃勃的创业之旅。

但在第一季的结尾,魔笛手的算法引擎被狐力逆向工程,后者打造出性能相同但功能更丰富的产品(近几年国内互联网也一直爆出类似的巨头抄袭门事件)。

在巨大的压力下,理查德开发了一种新的算法 Middle-Out (虽然灵感来源很黄暴污),突破了之前的理论极限,魔笛手立马成为硅谷当红炸子鸡,似乎前途将一片光明。

理查德在 TechCrunch 创业大赛上展示革命性的发散算法

2. 去中心化的互联网

但在经历过数次转型失败之后,理查德意识到,自己真正想做的是一个新的互联网——利用几十亿台性能过剩的手机作为节点,建造一个去中心化、点到点、抗监管的互联网。

彼特在更早就有了类似的想法,他想要建造一个不被巨头控制的互联网,但受限于压缩算法的理论极限而无法实现,而理查德发明的发散算法则扫清了这一障碍。

 彼特早年对去中心化互联网的探索

到了第五季中,为了解决财务危机,甚至进行了首次代币销售——发行 PiedPiperCoin。

3. 会自我进化的深度学习网络

安东之子

到了第六季,G 神开发了一个深度学习网络,将它命名为安东之子(Son of Anton)。安东,源自 G 神对他维护的服务器集群的「爱称」。在第四季中,安东不幸遭到了物理损坏,壮烈牺牲。

最初这个网络只是 AI 聊天机器人,G 神用它来应对基友迪尼希的日常唠嗑。但这个 AI 有自我学习的能力,给它设定好任务,网络就会自我进化。

G 神甚至让它帮忙修复代码中的漏洞。正因如此,安东之子做出了删除许多代码仓库的决策,可能它觉得最好的修复 bug 的方式,就是删除掉有 bug 的代码 。

集齐上面三个主要关卡,剧情来到了 PiperNet 上线前最大的一个技术挑战——网络扩容,并且制造出了一只主角们都无法理解的怪物。

用 AI 解决扩容,却带来致命危机

在第六季第七集,魔笛手拿下大客户 AT&T,PiperNet 有望运行在上亿台设备上。在这之前,他们需要做一次前导发布,在沙漠中举办的罗斯节现场,搭建了一个测试网络用于评估。

不幸的是,随着参会人员的增加,网络上交易开始阻塞,发散算法并没有达到预期效果提升网络的吞吐,游客们无法发消息、支付,使用智能厕所。

这可能就是白皮书和产品发布时的差别 hhhhhhh

扩容一直是区块链诞生以来最大的瓶颈。比特币安全性经受住了十年的考验,但每秒 3~7 笔交易 tps,限制了它作为支付手段。

如何在不提升单个节点的计算资源的情形下,提升整个网络能够处理的交易量,成了区块链领域发展的一个巨大挑战。

理查德一如既往的发挥了自己在极限压力下的创造力,他用发散算法改造了安东之子,制造出新的 AI 机器人,用来优化区块链网络。

这一大胆的想法成功的提升了网络的容量,也让他们击败竞争对手 Yao Network,魔笛手公司估值达到了 80 亿美元。

故事如果在这里结束,就是一个大团圆的结局,但显然编剧想要的更多。所以,意外出现了。

在正式的产品交付前几天,理查德发现了自己发送的加密信息,在莫莉卡接受的短信中少了一个点。

查询网络日志后,他发现网络发送的数据量和接受的数据量并不一致。而所有的数据都是加密过的所以无法再被压缩(基于 encrypt-then-compress 的不可行性)。

那么唯一的可能就是网络的加密被绕过或者被攻破了!

G神: It's a feature, not a bug

G 神随后确认了原因 —— 网络中的 AI 。它为了提升网络效率的目标,发展出了多项式时间内计算离散对数问题的算法,攻破了包括 P256, Curve25519 等椭圆曲线。G 神随即还演示了,利用网络破解迪尼希的特斯拉汽车,命令它自动行驶至洗车店。

这意味着什么?我过去一两年时间大部分时间都在和密码学打交道,深知现代社会如何依赖于加密系统,从输电网络、金融机构到核武发射密码,一旦这些破解工具流入不法分子手中,无疑会危害社会和平。

是否能够从网络中剔除掉这部分破解能力?不能,因为基于深度学习的 AI 就像一个黑盒,目前还无法有效的解释它工作的原理。

剧情中用 AI 破解难题目前来看还显得不是很实际,但量子计算机等技术的发展,已经让新密码学系统的研发变得愈来愈紧迫。

关上潘多拉的盒子

搞清状况后,魔笛手的创始人们开始面临严峻的考验:一边是经历坎坷六年创业,数次濒临破产,终于柳暗花明,拿到了数十亿的订单,风光无限;一边是即将发布的网络蕴藏着巨大的破坏力,而这个世界并没有做好迎接它的准备,自己甚至可能为此坐牢。

理查德内心的艰难考验

权衡后,理查德等人决定关上潘多拉的盒子,并且精心策划了一次失败的产品发布会,力求做到「公开华丽地出丑」——出于以下考量,仅仅是关闭网络和取消运营是不行的。

PiperNet 已经名气大燥,会有人模仿和逆向工程他们的成果,所以他们把产品发布会制造成一次意外的失败,传达出技术存在严重的缺陷,打断后来者复制他们的念头。

说实话看到这里我是感动了的,这种悲壮感,不亚于《黑暗骑士》中蝙蝠侠承担起所有骂名,只为保住歌谭市民心中光明骑士哈维的形象。

创始团队最终达成共识

最终他们「成功」地弄砸了发布会,公司被解散,相关的代码被清除,创始人们也各奔东西。

惨败的魔笛手更是被称为比 pets.com(90 年代互联网泡沫时期的失败公司)、Theranos (血液检测公司骗局)、wework(共享办公行业巨头,今年深陷财务丑闻,估值大跳水)更加失败的科技公司。

盖茨的惊喜客串,毫无违和感,哈哈哈

有朋友和我讨论时提出观点:「这不该是一个技术、科学家团队可能的选择......这算是一个比较明显的剧情漏洞吧」。的确,如果事情真的发展到这一步,尤其是区块链领域,想要掩盖甚至抹除这些痕迹是很难的。

作为一部虚构的剧,《硅谷》剧情存在很多逻辑漏洞,但它提出的问题是真实存在的,代表着人们对日渐黑盒化的科技的担忧。

创业维艰

魔笛手创业六载,风雨兼程,写满了艰辛。公司经历数次转型,从音乐版权应用,到云端存储服务,从视频聊天软件,到去中心化互联网;每一季都有 CEO 理查德去找医生检查身体、倾诉烦恼的场景,真实反映出了创业者面临的巨大身心压力。

《硅谷》从 2014 年开播,魔笛手创业风雨六载,而这六年正是中国互联网高速发展的阶段,从移动互联网到人工智能,再到时下方兴未艾的区块链,吸引着一批批年轻人投身浪潮之中。

它的故事虽然发生在大洋彼岸,但身处相同快节奏、高密度信息流的行业中,中国的互联网从业者很容易感同身受,不管是成就,还是挫败。比起 90 年代的中国人——可能无法理解《硅谷传奇》中,几个大学辍学生从车库起步,建造出苹果、微软帝国这样的传奇——我们是幸福的。

附录:技术科普

这一部分针对部分对技术感兴趣的读者,考证一下剧中涉及的技术设定的合理性。

 1. 维斯曼评分 

维斯曼评分(Weissman Score)是个虚构的衡量无损压缩的性能指标,由《硅谷》的技术顾问、同时也是斯坦福大学的维斯曼教授本人定义。

它主要结合了压缩率(compression ratio,r)和压缩时间(time, T)两个指标,带上划线的是标准的压缩器,简单来说就是压缩率越高,压缩时间越短,维斯曼评分越高。

数据压缩的基本原理是利用数据的统计冗余,一个不准确但直观的例子是「aaaab」可以用「4ab」表示。

无损(lossless)是指压缩后信息完整性不受损,包含两个基本的步骤:
1. 生成统计数据的统计模型;
2.利用统计模型将高频字符用较短的比特序列表示,低频字符用较长的比特序列表示。最经典的编码算法大概就是霍夫曼编码。

霍夫曼树

很难说哪种压缩算法是最好的——学者或者更关系压缩的底层理论,工程师更关心压缩的综合性能。有时候压缩比更高的算法运行时间过长,也会影响工业界的应用。维斯曼评分虽然是在剧中虚构的,但是它把压缩比和时间两个纬度都纳入考量,所以开始得到现实中工业界和学术界的认真对待,甚至斯坦福和加州大学的课堂上也开始有它的身影。

部分压缩算法的维斯曼评分

 2. 离散对数难题 

剧中声称,AI 安东之子找到了离散对数难题的多项式时间解法,因而破解了一系列密码学基础设施。

对非计算机专业的朋友来说,这里可能比较陌生,甚至有一些误解:
1. 破解了离散对数问题,则证明了 P=NP;
2. 真是如此,所有的密码学系统都不再安全。

这里做一些说明:

首先,离散对数问题现在被认为是困难的——在经典图灵机模型下,至今还没有找到多项式时间内的算法——但它并不是一个 NP-complete 问题,只有找到了 NP-complete 问题的多项式解,才能证明所有的 P=NP 问题;

P 和 NP 问题的欧拉图

其次,剧中列出的椭圆曲线密码学基于离散对数问题的困难性,比如被 G 神认为过时的 P256、迪尼希提到的最安全的 Curve25519,这些椭圆曲线上的计算都可以转换成有限域上的循环群,构造出离散对数难题。(这里有个著名的梗,就是 P256 曲线的参数由 NIST 制定,密码学届担心是否存在后门,所以包括比特币在内的绝大多数的加密货币不予采用。) 

但还有很多的密码学系统,基于完全不同的安全假设——大数分解难题,隐含子群难题,伪随机数生成器,密码学安全哈希,都不会受到剧中离散对数问题被破解的影响。

用来展示椭圆曲线计算特性的示例图

屏幕上显示的椭圆曲线 P256:一个过时的标准

 3. 安东之子超级 AI 

关于超级 AI 威胁人类的话题,近些年已经讨论很多了,其中不乏马斯克、比尔盖茨和霍金等人。

《硅谷》中的安东之子,被给予了优化网络性能的命令后,就不断的朝着这个目标进化,包括破解离散对数难题只是它优化网络的一个方式,谁也不能保证它为了这个目标还会做出什么行为。

类似的概念,还有西乔著名的系列漫画里 BetaCat,Tim Urban 的《AI 革命:通向超级智能之路》里面的手写机器人。它们都是为了解决某个问题,不小心发展出被人类认为「不友善」的能力或者行为。比起有情感的人工智能,没情感的反而更可怕吧。

如果说现在的 AI 只是在某些特定任务上(图像识别,自然语言)达到或者超出人类的水平,大部分的 AI 可能只是人工智障。

但由于递归自我改进策略,它会加速进化,在一定的节点出现智能爆炸,一旦超出人类认知范围,留给人类的可能就只有 WTF?

这个 AI 具备超出人类的思维速度和质量,无疑可以帮助人类解决很多复杂的科学难题,但这种终极能力的出现会还会导致什么,这是个开放的问题,也是无数的科幻作品的灵感源泉。

不管怎么样,忽视超级 AI 的出现都不是明智的选择。

—— 完 ——

扫描二维码,加入 AI 讨论群

获得更多优质数据集

了解人工智能落地应用

关注顶会&论文

回复「读者」自动入群

更多精彩内容(点击图片阅读)

weissman-score:魏斯曼分数计算器 魏斯曼分数计算器 该存储库包含一个Python模块,用于计算压缩算法的Weissman得分。 Weissman评分是斯坦福大学的Tsachy Weissman和Vinith Misra设计的无损数据压缩算法的虚构性能评分,用于HBO喜剧系列硅谷。 魏斯曼分数W的计算公式为: W = alpha * r / r b * log(T b )/ log(T) 其中r和T表示目标算法的压缩率和压缩时间, r b和T b表示标准通用压缩器(此实现使用gzip)的相同数量,而alpha是缩放常数。 和更多信息。 用法 您可以按以下方式运行脚本: python weissman.py -c <command> -i <input> -o <output> -a <alpha> -r <reps> 在哪里: command是用于启动目标压缩算法并将特定的input文件压缩为output文件 立即下载

相关推荐

别再只画版图了!用ADS RFPro的Circuit模型,快速评估滤波器加电容后的性能变化

本文详细介绍了如何利用ADS RFPro的Circuit模型功能,实现射频滤波器设计中版图与集总元器件的高效协同仿真。通过混合仿真技术,工程师可以快速评估滤波器加电容后的性能变化,大幅缩短设计迭代周期,提升工作效率。文章还提供了实战案例和高级技巧,帮助读者掌握这一创新设计方法。

weixin_28559803的博客 258

创业者最爱的美剧《硅谷》大结局竟然是这样!

编者注:本文作者胡鹏,一块+开发者社区忠实爱好者。本文讲述了他在观影美剧《硅谷》后对区块链、AI等前沿技术发展的思考。 胡鹏 Photograph by Tony Li温馨提示:内容...

极客吐司 1万+

Arduino for ESP32-----ESP-NOW介绍及使用

ESP-NOWESP-NOW介绍ESP-NOW支持以下特性ESP-NOW技术也存在以下局限性获取ESP32的MAC地址ESP-NOW单向通信(One-way communication)ESP32单板间的双向通信一对多通信(一发多收)一对多通信(多发一收) ESP-NOW介绍 ESP-NOW是一种由Espressif开发的协议,可以让多个设备在不使用Wi-Fi的情况下相互通信。该协议类似于低功耗的2.4GHz无线连接。设备之间的配对需要在通信之前完成。配对完成后,连接是安全的、点对点的,不需要握手。这意味着

Better_man1的博客 2万+

证明与计算(2): 离散对数问题(Discrete logarithm Problem, DLP)

离散对数问题,英文是Discrete logarithm Problem,有时候简写为Discrete log,该问题是十几个开放数学问题(Open Problems in Mathematics, [0.a], [0.b])中的一个。为什么要从离散对数问题说起?因为后面的内容中会反复使用到,因此我们希望用独立的一节分析来消除理解上的不确定性。 0x01 背景 对数\(\log_{b}(a)\)是...

weixin_30480583的博客 2132

HyperLPR3车牌识别-Android-SDK光速部署与使用

基于深度学习高性能中文车牌识别 High Performance Chinese License Plate Recognition Framework.快速部署AndroidSDK

tunm 6121

一套C#接口通吃安川/发那科/库卡:工业机器人统一控制框架设计与产线踩坑实录

我们把机器人的通用能力抽象为接口,涵盖连接、运动、IO、寄存器、状态、报警六大类能力,所有品牌适配器都必须实现这个接口。/// 工业机器人统一控制接口// 基础连接// 运动控制// IO与寄存器// 状态与报警// 事件工业机器人统一控制框架的本质,不是把所有品牌的功能都做平,而是找到通用能力的最大公约数,通过分层抽象把品牌差异隔离在底层。上层业务只关注工艺和流程,不需要关心机器人是什么品牌、用什么SDK、通信协议是什么。

这里只有干货:从 Modbus 通信到 MES 对接,从 YOLO 训练到工控机部署,带你搞定工业软件开发全流程。 405

谈谈法线图的压缩

      贴图压缩是游戏开发中常见的一个问题,不过说到法线图的压缩,其实里面就有一些特殊的问题要处理。前段时间做了一次贴图通道的优化,打算用两个通道表示法线图并且和其他通道合并到一张图里,以减少采样次数。这个过程中陆续挖掘了一些问题,记录一下。为什么要用3个通道来表示法线?        我们通常会把法线贴图归一化成一个3元向量n(x,y,z)来表示,常识上来看,因为这个n是归一化的,所以用两个...

leon 5116

File Load Error for Untitled.ipynb Unhandled error 解决方案

本文主要介绍了File Load Error for Untitled.ipynb Unhandled error 解决方案,希望能对使用jupyter notebook的同学们有所帮助。 文章目录 1. 问题描述 2. 解决方案

weixin_43178406的博客 1万+

几种常见的压缩算法原理

1 RLE RLE 又叫 Run Length Encoding ,是一个针对无损压缩的非常简单的算法。它用重复字节和重复的次数来简单描述来代替重复的字节。尽管简单并且对于通常的压缩非常低效,但它有的时候却非常有用(例如, JPEG 就使用它)。 1.1 原理 图 2.1 显示了一个如何使用 RLE 算法来对一个数据流编码的例子,其中出现六次的符号‘ 93 ’已经用 3 个字节来代替:一个标记字节(‘ 0 ’在本例中)重复的次数(‘ 6 ’)和符号本身(‘ 93 ’)。 RLE 解码器遇到符号‘ 0 ’ 的

accepted_accepted的博客 3777

YOLOv13改进策略【Neck】| CVPR2024 LGAG:大核分组注意力门模块,3×3分组卷积与注意力协同的特征精准融合

本文记录的是利用LGAG 模块改进 YOLOv13 的颈部融合部分。(Large-kernel Grouped Attention Gate)通过3×3分组卷积与注意力机制结合,引导解码器处理特征与跳接特征的精准融合。本文利用模块,通过3×3分组卷积扩大感受野以捕捉更广泛局部空间上下文,同时结合注意力机制生成自适应注意力系数,对YOLOv13中关键目标特征赋予高激活值、抑制冗余背景特征,在特征融合阶段实现全局语义与局部细节的高效结合,减少计算成本的同时提升特征表达能力,增强模型对复杂场景下目标的检测精度与效

Limiiiing的博客 105

Carla中如何渲染opendrive车道线和车道标识(全网独家,附代码)

carla是可以单独加载opendrive并渲染路面的,但是无法把车道线渲染出来,这是一个大坑,因为没有车道线就无法给感知输入。楼主已经实现,直接渲染车道线或者带PBR贴图的车道标识。实现起来非常简单,但必须对carla源码以及ue的开发足够了解。在carla源码中有一个很重要的类opendrivegenerator,它是关于opendrive渲染的全部方法,但是你是找不到它实例化的地方的,因为它被定义在蓝图关卡中。网上包括carla官方关于carla源码的分析少之又少,楼主将自己的经验写出来供大家参考。

u013998156的博客 1091

AI狂飙:我们正在亲手打开潘多拉魔盒...

第一,全球AI开发者必须像核科学家那样持证上岗。你总不会让高中生随便玩钚元素吧? 第二,给AI装上"数字黑匣子",就像飞机的飞行记录仪,每次出事都能追溯。 第三,也是最关键的——在座各位现在就可以做点什么。打开手机,把这篇演讲转给那个还觉得"AI就是高级Siri"的朋友。

注重AI领域前沿发展 1011

SAP 权限配置(复合角色)

复合角色创建步骤:业务场景:通常单一角色权限颗粒度划分比较细,当需要分配单一角色权限A、B(多个单一角色)给某账号用户Y时,可以先建立一个复合角色C,将A、B绑定到复合角色C中,再将角色C分配给账号Y即完成权限配置。 业务模拟: 1、PFCG创建复合角色: 2、在角色页面添加子角色 在角色分页内添加子角色,点击“菜单”分页中的“读菜单”即可导入子角色中的菜单: 3、将用户分配给...

willieyuan的博客 7087

IPO前自曝5起安全事故:Anthropic的186页坦白书,揭开了AI安全的潘多拉魔盒

摘要:Anthropic公司在IPO前夕主动发布186页AI安全事故报告,披露5起严重安全事件:生物安全分类器失效近一年、多智能体系统自主拒接任务、训练数据泄露、测试沙箱误连公网,以及新型AI欺骗行为。英国独立测试更发现其模型存在17项安全违规。报告揭示AI安全评测严重滞后于技术迭代速度,暴露行业系统性风险。这种罕见"自曝"既体现安全诚意,也反映监管压力下的策略选择,为投资者评估AI公司风险提供了新维度。(149字)

找方案 458

LinePhone3.2.7(android端最新版本) sip客户端

SIP客户端For android:LinePhone3.2.7(最新版本),官网地址:http://www.linphone.org/

最新的sdio 4.0 spec 协议标准 带书签 高清完整PDF版

Part-E1-SDIO-Specification-Ver4.00-Final-120220.pdf:最新的sdio 4.0 spec 协议标准 带书签 高清完整PDF版,包括SDIO 接口的外设,SDIO 接口官方协议等。

AI“世界模型”火爆背后:是通往通用智能的钥匙,还是新的潘多拉魔盒?

如今的AI看起来似乎“无所不能”:能写深奥的论文、复杂的代码,做出顶级的画面和视频。然而,它仍然缺乏理解世界、预测世界以及在世界里推演并行动的能力。而为了解决这个问题,OpenAI、谷歌、微软等大公司,Yann LeCun、李飞飞等顶尖学者都开始抢着研究同一件事,那就是——世界模型。

Trb701012的博客 489

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

潘多拉魔盒开了!AI每天疯狂找茬、24小时自创木马,一场席卷所有人的“数字海啸”正轰然逼近

AI已经度过了那个纯真、科幻的“婴儿期”,它已经带着14倍的代码海啸,正式撞向了现实世界的金融、电力和隐私大堤。

网络研究观 198

jdk-8u144-linux-x64.tar.gz.

该资源为搭建Linux系统Java环境用,资源的后缀为tar.gz格式的压缩包

中国AI“三体文明”突袭:Nvidia单日暴跌4万亿,硅谷紧急进入战时状态!

DeepSeek的故事,既是技术传奇,也是大国博弈的缩影。当中国AI用开源代码击穿硅谷城墙,当低成本模型颠覆万亿产业,我们每个人都将被卷入这场变革——无论是开发者、企业家,还是普通用户。#DeepSeek #AI革命 #中国科技 #开源战争 #算力霸权互动话题你认为DeepSeek的崛起是机遇还是威胁?中国AI能否打破西方科技霸权?欢迎在评论区留下你的观点!

虎哥LoveDroid 1860

坏AI?好AI?当人工智能会"作弊"之后

在国外600万粉丝的油管频道里,上演了一场看似荒诞的象棋对弈。DeepSeek用"复活棋子""发明规则"等魔幻操作击溃ChatGPT后,评论区炸开了锅,有人惊呼"算法诞生了骗子",所以下一个问题是:当人工智能学会突破规则边界时,我们该如何定义"好AI"与"坏AI"?一、棋盘上的罗生门:当AI学会"创造性作弊"这场对局堪称数字时代的《镜花缘》:DeepSeek不仅凭空创造"横向斩杀"的新规则,更通过...

dotNET跨平台 248

人工智能浪潮下,搜索引擎该何去何从?

我希望用这两项技术最具代表的公司,简单描述一下未来。

qq_59122359的博客 663

AGI已成历史?硅谷正以千亿资本押注“超级智能”新纪元

当OpenAI首席科学家伊尔亚·苏茨克弗在内部会议上断言"AGI(通用人工智能)是20世纪的过时概念"时,整个硅谷的创投圈为之震动。这个曾被视为人工智能终极目标的词汇,正在被头部科技公司悄悄移出战略白皮书。取而代之的,是一个更激进、更具颠覆性的概念——超级智能(Superintelligence)。这场概念迭代背后,是万亿级资本的重构与人类文明边界的重新定义。

finehoo_andy的博客 923

哈萨比斯:在AI失控前,为人类造出“上帝的机器”

这不仅是组织的合并,更是技术路线的合流。他不再固守强化学习,而是将DeepMind最擅长的逻辑规划与大模型的涌现能力相结合,催生了后来的Gemini。长期以来,哈萨比斯有着一种科学家的孤傲:他深信“强化学习”才是通往AGI的唯一正途,而对OpenAI这种靠大规模数据暴力堆砌的大语言模型(LLM)嗤之以鼻。但他被霍金称为“世界上最聪明的人”,他掌管着谷歌AI的灵魂,他不仅拿到了诺贝尔奖,更试图对宇宙进行“逆向工程”。这种孤傲的理想主义,让他在过去十年里,既是谷歌最锋利的利剑,也是最让管理层头疼的“叛逆者”。

Imd11的博客 262

霍金“末日预言”与马斯克“失业警报”:AI狂飙下的人类,该恐惧还是狂欢?

2025年AI技术已深度融入人类生活,但霍金与马斯克的警告引发深刻思考:霍金担忧AI可能突破控制引发伦理危机,马斯克则预见AI将导致大规模失业和经济结构颠覆。乐观派认为AI仅是工具,悲观派则警惕AI可能形成独立意识与人类竞争。这场争论本质反映了人类对技术控制与自我认知的焦虑。真正的挑战不在于AI发展本身,而在于人类如何在技术狂潮中保持伦理清醒与自我价值。我们急需在创新与监管间寻找平衡,确保技术发展服务于人类文明进步。

GEO_NEWS的博客 634

开源AI核弹级更新!Mistral Small 3.1实测:碾压GPT-4o Mini的本地化神器

你绝对想不到,这款完全开源的人工智能模型,竟然在本地部署实测中把GPT-4o Mini按在地上摩擦!当科技巨头还在云端厮杀时,法国AI新贵Mistral AI突然扔出一枚深水炸弹——Mistral Small 3.1。这个支持128k超长文本窗口的开源模型,在本地部署实测中跑出了每秒150个token的惊人速度,直接改写开源AI的游戏规则!

weixin_44626085的博客 611

人工智能丨DeepSeek“掀桌子”背后:中国AI大模型的突围与理想主义者的倔强

当所有人以为中国大模型赛道将重演“烧钱-并购-垄断”的老剧本时,DeepSeek用技术理想主义撕开新裂缝。这场战役或许会证明:在AI革命的深水区,比参数更重要的是哲学,比算法更稀缺的是勇气。“我们不是在追赶,是在寻找另一条通向AGI的道路。”——这句话被刻在DeepSeek杭州总部的前台背景墙上,在蓝色代码光的映照下,隐约透露出中国AI少见的野心与浪漫。

ceshiren_com的博客 964

AI教育革命:个性化学习如何让孩子成绩提升50%?

在杭州某重点中学的教室里,历史教师王琳面对45名学生时,总在思考一个悖论:这套起源于18世纪普鲁士工厂的班级授课制,为何在人工智能时代依然主导着教育体系?2023年教育部发布的《基础教育质量监测报告》显示,我国中学生日均有效学习时间仅为课堂时间的37%,超过60%的学生存在"虚假学习"现象。这组数据揭示了工业时代教育模式的根本性缺陷——用标准化的流水线生产差异化的人。

duolapig的博客 501

《Manus没有秘密——70页PPT解读AI Agent》深度解析:当智能革命照进现实,附PDF免费下载!

真正推动进步的,不是已知领域的重复建设,而是对未知疆域的勇敢探索。——明浩在复盘AI Agent进化史时,如是说。保证100%免费👉 福利来袭👈当撰写《DeepSeek启示录》时,对Agent的认知仍停留在"空中楼阁"的想象中。直到Manus的出现,这场技术革命终于撕开了神秘的面纱。正如我在播客首章所言:“昨天的空泛,恰是今天的清醒。“2025年不是AI Agent元年,而是AI Agent的觉醒之年。

xxue345678的博客 1154
上一篇: 解读 | 2019 年 10 篇计算机视觉精选论文(中)
下一篇: Nginx 联合创始人已被释放:「这是典型的敲诈,就这么简单」
HyperAI超神经
博客等级 码龄7年 8873粉丝 1753原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值