或将缩减60亿美元预算!马斯克的降本铡刀挥向美国国家科学基金会,超3千科学家抵抗无果

Ollama+FAISS+Embedding+Rerank+LLM 详细部署指南 下载安装Ollama 双击运行安装程序 安装完成后会自动启动服务 修改默认安装路径(避免C盘爆满) 或使用PowerShell: 验证安装 Linux系统部署: (二)准备模型 1. 拉取Embedding模型 2. 拉取LLM模型 注意:原文中提到的可能需要从自定义仓库拉取: 3. 下载Rerank模型 (三)安装依赖库 创建项目目录和虚拟环境: 二、主要功能实现 项目结构 (一)配置文件(config/config.yaml) (二)文本分块策略实现 创建 : (三)文档读取 阅读详情

当 3,400 多名科学家纷纷站出来,甚至不惜辞去院士职务,要求英国皇家学会开除马斯克,我们不得不问:马斯克究竟做了什么,让整个科学界如此震怒?

在这里插入图片描述

伦敦帝国理工学院教授 Stephen Curry 致皇家学会会长的一封公开信,已有 3,494 位科学家联名签署

2025 年 1 月,当特朗普高调宣布将由马斯克等人接管即将成立的政府效率部门 (DOGE) 时,美国人民欢呼这是「政府官僚体系的末日」。上任不到一个月,这位科技巨头便迅速展开行动,对联邦政府的开支削减毫不留情,关机构、裁员工、消除合同……美国国际开发署 (USAID)、美国国立卫生研究院 (NIH)、教育部、美国国家科学基金会 (NSF)、美国国家航空航天局 (NASA) 等将近 30 个政府机构被波及,这也间接影响到科学、医学界及其他领域的正常研究——由于联邦资金援助的不确定性,以麻省理工为代表的高校纷纷暂停教职招聘、缩减博士招生,一些机构持续多年的研究也面临「中途夭折」的风险。

随着马斯克的行为愈加肆无忌惮,越来越多科学家表示担忧,并将其视为「对科学的威胁」。

「AI 判官」的危险性,让科研界躺着也中枪

DOGE 部门的成立源于对政府庞大开支与冗杂官僚体系的不满, 以美国国防部为例,其曾花费 2.117 亿美元买新家具、3.2 万美元更换 25 个咖啡杯、数十万美元购买肥皂分配器…….这也印证了特朗普在一次采访中的预测:「我们将发现数十亿美元、数亿美元的欺诈和滥用行为」。

在这里插入图片描述

特朗普与马斯克在白宫接受媒体对 DOGE 的询问图源:Bloomberg

为了避免美国政府走向「破产道路」,亿万富翁埃隆·马斯克开始了美国联邦政府历史上最激进的开支削减,并期望通过现代化联邦技术 (Modernizing Federal Technology) 和软件使政府效率和生产力达到最大化。

据 DOGE 官网显示,通过裁员、取消项目合同、减少欺诈支出、减弱机构监管能力等措施,他们预计已节省 1,050 亿美元,这也意味着,每个纳税人将有机会得到 652.17 美元的「退税红包」。

在这里插入图片描述

DOGE 官网记录的节流金额,数据更新于 3 月 5 日

截止目前,这场风波对将近 30 个政府机构造成了严重打击,其所涉及的美国国家科学基金会 (NSF)、国立卫生研究院 (NIH)、国家航空航天局 (NASA) 等,长期在医学、数学、计算机科学、AI、社会科学等领域进行研究,还给高校提供资金支持,在 DOGE 行动的冲击下,这些机构实施了大规模的经费削减和裁员,间接导致了麻省理工、加州大学等多所高校暂停教职招聘、缩减博士招生,一些持续多年的研究也面临「中道崩殂」的风险,这引起了科学界的强烈抵触。

在这里插入图片描述

3 月 3 日,AI 教父、诺贝尔物理学奖的主 Geoffrey Hinton 公开发出警告:马斯克正在对美国科研机构造成巨大破坏, 要求皇家学会将其开除。马斯克对此不屑一顾:「只有懦弱、没有安全感的傻瓜才会关心奖励和会员资格」。但或许是为了不引起更大的争议,他在后面紧接一句:「话虽如此,哪些具体行为需要纠正?我会犯错,但会努力改正」。

在这里插入图片描述

与此同时,许多科学家对马斯克依赖 AI 工具来决定政府机构的裁员规模和预算削减幅度的行为表示担忧。

据 Washington Post reported 此前报道,DOGE 正在使用通过微软云访问的人工智能软件去分析教育部的敏感数据(员工信息、援助学生信息、财务数据等),以调查该机构的每一笔资金支出,比如寻找合同、补助金、工作旅行等费用流向的异常信息(重复、低效开支等),意图取消所有对运营不重要或法律要求不明确的工作,以保证与特朗普政府的「效率至上」目标一致。 据悉,DOGE 团队计划在许多部门和机构复制以上流程。

由于 DOGE 团队的 AI 专家没有政府工作经验,且大多处于 19-24 岁之间,很多人对此表示抗议。Code for America 首席执行官 Amanda Renteria 认为,打造有效实用 AI 工具的前提是,需要对用于训练它的数据有深入的了解,而新成立的 DOGE 团队明显不具备这一点, 一旦遇上幻觉、偏见问题,他们可能无法发现这些错误。

在这里插入图片描述

马斯克与 6 名年轻的 DOGE 成员图源:凤凰网科技

马斯克已经承认 DOGE 可能会犯错,比如,他们解雇了负责核弹的人然后又紧急召回,取消了埃博拉病毒 (Ebola) 预防项目又立即恢复……「我们不会完美,但是当我们犯错时,我们会很快改正」, 马斯克又用这个理由来堵住悠悠众口。

当科学遇上「效率至上」,自由探索就成了奢侈品

DOGE 部门的使命是提高政府效率,他们追求的是能够量化的、立竿见影的成效。然而,科学机构,尤其是那些从事基础研究的机构,他们的目标是追寻那些潜在的、未知的突破,这些研究通常无法用规定标准去衡量。故而,当「效率至上」遇到科学研究,科研人员或许会被迫于追求速成、可量化的研究,而忽略那些需要时间沉淀、具有长远意义的研究。 届时,马斯克口中所谓的纠正已经迟到。

据外媒报道,过去,美国国家科学基金会 (NSF) 每年的预算为 90-100 亿美元,历来为美国 1,800 家机构的研究提供资金支持,支持着美国大学近 80% 的基础计算研究。DOGE 要求 NSF 等机构裁员 25%-50%,并考虑将 NSF 年度预算从 90 亿美元大幅削减到 30 亿美元(arstechnica 报道)。为此,NSF 领导层暂停了新的拨款,此外,还将约 1 万个研究项目的拨款标记为「待审查」状态,这些项目的命运由此「摇摇欲坠」。

在这里插入图片描述

图源:NSF 官网

回顾历史,所有的研究都非一蹴而就, 许多看似无用的、未立即显现实际价值的研究项目,将在很多人、很多年的共同努力下才能引领重大变革,如今被广泛用于材料加工、医疗、通信、核聚变等领域的激光技术就是如此。早在 1917 年,激光的原理就被爱因斯坦发现,但直到 1960 年,世界上第一台激光器被 T.Maiman 制备成功后,激光技术才获得了异乎寻常的飞快发展。

在这里插入图片描述

激光 图源:维基百科

被誉为继原子能、计算机、半导体之后人类又一重大发明的激光技术,从最初构想到真正展现价值经历了数十年时间,如果 DOGE 在当时就存在,可能会以「效率」为名进行削减。同样,如今被砍掉的某个 NSF 资助项目,也可能正处于通往清洁能源或人工智能未来突破的关键阶段。

同样地,一旦默认了政府的功利性、应用性研究需求,那科学家将面临有史以来最大的挑战——不再是问题定义的主导者, 而是在政府划的限定领域内研究,自由探索将成为奢侈品。

过去,科学家们凭借其对特定领域的多维度观察,提出该领域存在的问题,并开辟新的研究方向,这种方式孕育了许多改变世界的创新成果。正如上海交通大学谢伟迪教授所言:「定义问题比解决问题更重要」。但显然,如今科学家们正在失去自由探索的权利。

例如,约翰·霍普金斯大学的神经科学 Rick Huganir 对美国国立卫生研究院 (NIH) 将要削减 40 亿美元成本的措施感到震惊,因为 Huganir 的研究几乎完全依赖 NIH 的资助。Huganir 于 1998 年发现名为 SYNGAP1 的基因而在研究界闻名,约 1% 的智力障碍儿童携带该基因的突变,他一直在努力开发药物来治疗这些孩子。「我们可能在未来几年内找到一种治愈这些孩子的疗法,但这项研究将受到影响。任何延误我们研究的事情,都会对这些孩子的父母造成毁灭性打击」,Huganir 表示。

对于这些从事敏感或者小众研究的科学家来说,DOGE 行动的实施将会极大地打压他们的生存空间。对此,美国计算研究协会表示,「DOGE 的某些做法是短视之举,将破坏美国的创新能力和技术领先地位,然而,其带来的成本节约却微乎其微」。

以史鉴今,AI 教父 Geoffrey Hinton 的「心酸人生」

我们不排除,尽管缺乏政府资金的支持,仍然有一群人默默坚守在自己的领域,前面提到的 AI 教父 Geoffrey Hinton 就是其中的一位典型代表。

在这里插入图片描述

Geoffrey Hinton 图源:Radical

Hinton 出生于英国伦敦,作为神经网络的坚守者,他毕业的时候正值人工智能的寒冬期。当时,英国相关部门调查发现,人工智能研究未能实现最初的承诺,即许多成果未产生重大影响,于是,政府决定减少投资。与此同时,神经网络作为人工智能的一部分,理所当然的被边缘化。因此,Hinton 不得不离开家乡,辗转于美国和加拿大等地。

如今,我们所称的人工智能大多基于深度学习。然而,深度学习的基础——通过反向传播算法训练,早在 1986 年就被 Hinton 提出。但是,由于他的研究方向被边缘化,这项成果在 26 年后才获得认可——2012 年,Hinton 提出的深度卷积神经网络 AlexNet 在 ImageNet 图像识别挑战赛中夺冠,深度学习迎来重大突破。

和 DOGE 行动何其相似,如果当时政府未如此果断地削减投入,进而影响科研界的态度,人工智能或许早已迎来爆发性突破。 这可能也是 Hinton 对马斯克如此反对的原因之一。

「科学无国界,惠及全人类」是 2023 年中国政府在《国际科技合作倡议》当中发出的呼吁,过去很多年,我们一直在践行这一点。比如 Hinton 在英国面临困境,就去美国和加拿大的高校任职,继续其研究,遗憾的是,DOGE 部门对此并不认可,他们出台了一系列政策,削减对外国、特别是中国的研究资助。比如,要求 NIH 取消对北京大学、中国医科大学分别 170 万美元、13.5 万美元的医疗研究补助等。因为官员们认为,美国纳税人的钱不应该用于资助其他国家的研究,而应该重新分配给国内机构。

与此同时,由于 DOGE 部门对国家海洋和大气管理局 (NOAA)、美国疾病控制与预防中心 (CDC) 等机构做出了一系列限制,一些关键领域数据集将不再向大众公开, 在 AI 飞速发展的当下,这些举措会严重阻碍科研进步和技术革新。
*NOAA 包括国家气象服务局 (NWS) 及其庞大的观测系统,该系统为商业天气预报公司提供免费数据。

在这里插入图片描述

图源:earth 网站公告

对此,中国科学院院士高福表示:「我与美国科学家经常交流流行病的数据和情况,这是一个相互学习的过程,但现在的情况令人担忧,牛传播禽流感等传染病数据不再公布,CDC 官网不仅停止更新还删除了许多健康数据,美国的病毒学研究缺乏支持,资料和信息不全、数据不共享,导致研究和监测跟不上,这种情况可能加速下一次全球公共卫生事件的到来」。

马斯克的「我行我素」

「虽千万人,吾往矣」。即便面临众多人的抵抗,马斯克依然「我行我素」,这种特立独行的风格在让他成为焦点的同时,也引发了诸多质疑。

马斯克旗下拥有人工智能公司 xAI、电动汽车制造商特斯拉、火箭发射公司 SpaceX、脑机接口公司 Neuralink 等众多企业。随着他深度介入政府机构,外界不禁担忧:xAI 是否会因其掌握大量政府数据而在 AI 行业竞争中占据不公平优势?政府使用的 AI 工具与 xAI 之间是否存在潜在的利益关联?以及,马斯克是否会将其所具备的权利用于对 Neuralink 「开绿灯」,减弱其伦理审查的压力?

对于这些问题,马斯克只是断言:「如果有冲突,我会回避」。不过,这样的声明似乎并未完全消除公众的疑虑,反而让更多人开始审视这位科技巨头与政府之间的边界关系。

参考资料:
1.https://www.foxnews.com/politics/1300-coffee-cups-8000-overpay-soap-dispensers-show-waste-doge-locks-pentagon-elon-musk
2.https://www.washingtonpost.com/nation/2025/02/06/elon-musk-doge-ai-department-education/
3.https://edition.cnn.com/2025/03/04/tech/doge-ai-government-cuts-expert-concerns/index.html
4.https://edition.cnn.com/2025/03/01/world/doge-analysis-musk-usaid-intl-latam/index.html
5.https://mp.weixin.qq.com/s/Hq-zokCj-f-hy6lQ3QweAA
6.https://www.theatlantic.com/ideas/archive/2025/02/nih-nsf-science-doge/681645/
7.https://www.rdworldonline.com/nsf-layoffs-in-2025-deep-budget-cuts-headed-for-u-s-research-sector/?utm_source=chatgpt.com
8.https://www.theguardian.com/us-news

调用魔搭API出现Please bind your Alibaba Cloud account before use的解决方案 本文主要介绍了调用魔搭API出现Please bind your Alibaba Cloud account before use解决方案,希望能对使用大模型的同学们有所帮助。 文章目录 1. 问题描述 2. 解决方案 阅读详情

相关推荐

Python 上位机开发

首先,什么是上位机?上位机通常是指可以与下位机(如单片机、传感器等硬件设备)进行通信和交互,实现数据采集、控制指令发送以及数据处理和展示的计算机程序。 Python 作为一种高级编程语言,在开发上位机方面具有诸多优势。它拥有丰富的第三方库,使得开发过程变得相对简单和高效。

weixin_46807151的博客 4303

马斯克发布「地表最强」Grok-3,屠榜多个排行榜,暴击DeepSeek-R1

今天,马斯克的AI初创公司xAI发布了 Grok-3 大模型,被称为“地球上最聪明的人工智能”。在当天主题为「我们的使命是理解整个宇宙」的直播中,马斯克与该公司的三位工程师一起进行了现场演示,官宣 Grok-3 系列:Grok 3 mini:Grok-3 的轻量版本首个推理模型 Grok-3 Reasoning(Beta)、Grok-3 mini Reasoning:击败o3-mini/DeepSeek-R1,解锁推理时计算首个AI智能体「DeepSearch」:联网深入搜索。

Android23333的博客 1410

ARCGIS绘制全国各省PM2.5浓度图操作步骤

ArcGIS新手小白一枚,经常需要帮助老师绘制一些简单的空间图,利用ArcGIS绘制全国各省的pm2.5浓度图,简单又方便,不记下来会忘记~

weixin_43458484的博客 1万+

Grok 3 炸场:马斯克的“地球最聪明 AI”来了![特殊字符]

2025年2月18日,埃隆·马斯克的 xAI 扔下一颗重磅炸弹 💣——Grok 3 正式亮相!号称“地球最聪明 AI”的它,不仅让马斯克眉飞色舞,还让全网炸开了锅。作为一个 AI 狂热分子,我果断掏出 $40 订阅了 X Premium+,迫不及待地试了试这个“宇宙级大脑”。今天,我就带你们看看,Grok 3 到底有多强 💪,值不值得我们为它尖叫 🎉!

ljh451321的博客 903

ArcGIS+PLUS+InVEST三件套:从零搞定生态系统服务模拟预测(附完整数据包)

本文详细介绍了如何整合ArcGIS、PLUS模型和InVEST模型,构建一套完整的生态系统服务模拟预测工作流。内容涵盖从统一数据预处理、PLUS模型多情景模拟,到InVEST模型量化评估的全过程,并提供了关键脚本和避坑指南,旨在帮助研究者和从业者高效解决土地利用变化与生态系统服务评估结合的实际难题。

weixin_42522857的博客 139

Camera 基础知识

Raw Sensor输出的Data格式为Raw,图像的效果处理使用BB端的ISP,BB端接收Raw data后进行一系列的图像处理(OB,Shading,AWB,Gamma,EE,ANR等),效果方面由BB端控制,需要针对不同的模组进行效果调试,Raw sensor是目前的主流,数据量比YUV Sensor小(RAW10 格式的sensor 1个pixel 10个bit)使用平台ISP处理,能支持较大的size。不过,相位对焦并不是那么完美,它对光线的要求就比较高,在弱光拍摄环境下,相位对焦就无能威力了。

手机-手表蓝牙开发工程师的博客 3062

数据没“就绪”,马斯克和AI大模型照样犯错

即使是像马斯克这样聪明的人,如果没有准备好足够的正确数据,也很难得出准确的结论。

Apache DolphinScheduler开源社区 834

[明道云] -基础教学5- 明道云 40 种控件详解与场景解析

明道云工作表提供40种业务控件,涵盖文本、数值、关联、公式等类型,支持各类业务场景。文本类支持多行输入、正则校验;数值/金额类提供进度条、百分比显示等功能;关联类实现多表数据引用;公式/函数类支持复杂逻辑运算;自动化类包括打印模板、API调用等控件。合理使用这些控件可提升数据收集质量和自动化效率,同时需注意控件联动的性能影响和权限配置。关键控件包括关联记录、级联选择、公式计算等,适用于订单管理、客户信息关联等业务场景。

每日出拳老爷子的博客 8541

马斯克近期宣布推出全新的“水动力发动机”,可能引发全球能源体系的重构

马斯克的水动力发动机是清洁能源技术的一次重大突破,但其商业化仍需克服储运、成本和基建难题。若成功推广,不仅将颠覆汽车行业,更可能引发全球能源体系的重构。未来几年,技术验证、政策支持与市场接受度将是决定其成败的关键。

weixin_44088472的博客 3041

Cadence virtuos安装教程

本文详细介绍了在Ubuntu 18.04系统上安装Cadence Virtuoso IC617及MMSIM的完整流程。主要内容包括:1)系统环境准备(安装JDK及相关依赖包);2)通过创建软链接和修改系统文件实现RedHat环境兼容;3)共享目录文件操作与分卷压缩包合并解压技巧;4)使用InstallScape工具的安装步骤详解,包括权限处理和配置选项。特别提醒需注意系统兼容性处理(如创建redhat-release文件)和分卷压缩包的特殊解压方法(cat合并)。整个安装过程涉及大量Linux命令操作,需特

wangjie36的博客 298

RT-DETR改进策略【注意力机制篇】| 2024 PPA 并行补丁感知注意模块,提高小目标关注度

本文记录的是利用改进检测精度,详细说明了优化原因,注意事项等。原论文在红外小目标检测任务中,小目标在多次下采样操作中容易丢失关键信息。通过替代编码器和解码器基本组件中的传统卷积操作,更好地保留小目标的重要信息。HCF-Net: Hierarchical Context Fusion Network for Infrared Small Object Detection采用多分支特征提取策略,通过不同分支提取不同尺度和层次的特征。利用局部、全局和串行卷积分支,对输入特征张量进行处理。通过控制 patch si

Limiiiing的博客 1647

马斯克在2024年特斯拉股东大会上的年度发言

大家好!欢迎来到特斯拉股东大会!首先我想说,我爱你们。我们有最棒的股东基础,这太不可思议了。太不可思议,与任何一家上市公司都不逊色我们在这里举行盛大的股东大会,总结公司的成就,并展望我们的未来。我认为,我们有着让人难以置信的未来。

加百力 的技术博客 2557

Untiy之如何实现AI+MR (Pico4u 相机推流MR画面给Server做实时AI图像识别)

本文介绍了基于Pico4U企业版开发AI+MR应用的实现方案。文章详细说明了硬件准备步骤,包括购买企业版设备、申请相机权限和注册管理平台。重点讲解了Unity开发中获取摄像头画面的两种技术方案:通过Overlay直接渲染到Android Surface,或使用API获取图像数据转换为Texture。提供了完整的代码示例和权限配置说明,并揭示了底层通过JNI调用Android原生API的技术原理。该方案适用于带电操作等实习场景,可提升安全性和学习趣味性。

TxNet 1341

分析测评一下这波象数义理的太翌氏解析应用与Ai上面有什么效果,性能和智能提升度有多少

**跨模态对齐速度** | 依赖人工标注(1TB/周) | 自动物理纠缠(65TB/秒) | **15.7×** | 112% |- 您的路径在**理论完备性**与**创新烈度**上确实超越现有研究,尤其是打破“人类中心数据”的范式,直指AGI核心矛盾。- **跨模态对齐效率**:减少人工标注依赖,跨模态检索速度提升**15.7倍**(对比GPT-4的CLIP模型);| **伦理冲突通过率** | 规则引擎(40%) | 混沌-秩序权重(91%) | **2.28×** | 95.8% |

QvQ593520844的博客 1073

android 蓝牙通讯demo

android 下蓝牙通讯demo,实现了发现蓝牙,使能蓝牙,通过蓝牙发送消息。

efm32 入门.pdf

本PDF共计22页,介绍的是操作驱动API,下载与否自己斟酌。

图灵奖得主杨立昆:AI需要学习物理学才能继续进化,认为训练效率提升就不需要太多算力是误解,更多算力将用于推理...

来源:图灵人工智能本文内容整理自Yann LeCun在This Is World频道的专访,公开发表于2025年03月08日。原始内容参考:https://www.youtube.com/watch?v=RUnFgu8kH-4内容提要: 杨立昆在This Is World的访谈:AI的未来需要物理学人工智能现状及未来发展:当前AI系统在很多方面还很愚蠢,善于操纵语言,但不理解物理世界,缺乏持久记忆...

人工智能学家 655

Devexpress16.2.6破解工具

Devexpress16.2.6破解工具Devexpress16.2.6破解工具Devexpress16.2.6破解工具Devexpress16.2.6破解工具

马斯克的机器人徒手接个球,2000万网友集体围观

这样来自你大脑的神经命令原本会流向我们的生物手臂,现在会流向你的机器人手臂或腿,你基本上就会拥有网络超级能力。有趣的挑战在于,手指和手掌需要有足够的柔软性和适应性,同时还要有一层保护层,而不会过多地影响触觉感知。别急,我们这就找来Optimus具备11个自由度(一二代Optimus都是配备了11个自由度)的效果。Figure 8月发布的第二代人形机器人Figure02,搭载了第四代机械手,拥有16个自由度;它的手不仅有触觉感应,自由度(DoF)也达到了11个,而同行基本上都只有5-6个自由度。

zengxiaojian2的博客 812

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&#39;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(&#39;DeepLearnToolbox&#39;));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(&#39;state&#39;,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&#39;); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand(&#39;state&#39;,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 = &#39;sigm&#39;;%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, &#39;Too big error&#39;);```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(&#39;state&#39;,0)sae = saesetup([784 100]);sae.ae{1}.activation_function = &#39;sigm&#39;;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)&#39;)% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = &#39;sigm&#39;;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, &#39;Too big error&#39;);```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x&#39;,28,28,60000))/255;test_x = double(reshape(test_x&#39;,28,28,10000))/255;train_y = double(train_y&#39;);test_y = double(test_y&#39;);%% 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&#39;ll get around 1.2% errorrand(&#39;state&#39;,0)cnn.layers = { struct(&#39;type&#39;, &#39;i&#39;) %input layer struct(&#39;type&#39;, &#39;c&#39;, &#39;outputmaps&#39;, 6, &#39;kernelsize&#39;, 5) %convolution layer struct(&#39;type&#39;, &#39;s&#39;, &#39;scale&#39;, 2) %sub sampling layer struct(&#39;type&#39;, &#39;c&#39;, &#39;outputmaps&#39;, 12, &#39;kernelsize&#39;, 5) %convolution layer struct(&#39;type&#39;, &#39;s&#39;, &#39;scale&#39;, 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, &#39;Too big error&#39;);```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(&#39;state&#39;,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, &#39;Too big error&#39;);%% ex2 neural net with L2 weight decayrand(&#39;state&#39;,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, &#39;Too big error&#39;);%% ex3 neural net with dropoutrand(&#39;state&#39;,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, &#39;Too big error&#39;);%% ex4 neural net with sigmoid activation functionrand(&#39;state&#39;,0)nn = nnsetup([784 100 10]);nn.activation_function = &#39;sigm&#39;; % 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, &#39;Too big error&#39;);%% ex5 plotting functionalityrand(&#39;state&#39;,0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = &#39;softmax&#39;; % 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, &#39;Too big error&#39;);%% 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(&#39;state&#39;,0)nn = nnsetup([784 20 10]); nn.output = &#39;softmax&#39;; % 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, &#39;Too big error&#39;);```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

马斯克:1130 亿美元的操作,X 网友:有点感觉被卖了…

今天早上 5 点多,马斯克在自家社交平台 X 上宣布一个大消息:成立仅两年的 AI 公司 xAI,以全股票交易形式吞下 X 平台,合并后估值达 1130 亿美元。至此,老马集齐「数据(X)+算法(Grok)+算力(巨像)+应用(特斯拉/Neuralink)」四大神龙,召唤出「人类认知操控系统」,距离他「星际文明」的梦想……简单来说,这就像马斯克左手(xAI)和右手(X)办了个相亲大会,最终决定「内部消化」,还顺手把 X 的 120 亿美元债务打包成「嫁妆」xAI 的“钞能力”进化史?这场合并将如何“搅局”

程序员的那些事 828

马斯克宣布将辞去美国政府效率部职务

埃隆·马斯克计划于5月底辞去美国政府效率部(DOGE)的职务。在接受福克斯新闻采访时,马斯克表示,他有信心在离职前完成削减1万亿美元联邦赤字的目标。并强调政府效率低下、存在大量浪费和欺诈,有信心在不影响关键服务的情况下减少15%的支出。此外,马斯克对国会成员财富异常丰厚的现象表示质疑。他指出,许多国会成员年薪仅20万美元,却拥有高达2000万美元的财产,质疑他们如何在有限的收入下积累如此巨额财富。时刻新闻 2025-04-01 10:34:10。

人机与认知实验室 141

第一性原理

马斯克通过"第一性原理思维"实现颠覆式创新:从物理定律推演解决商业问题,而非依赖经验归纳。这种思维与"追本溯源"不同,它从已知原理出发推导新方案,而非从问题倒推原因,因而能发现创新路径。培养这种思维需跨学科学习各类模型定律,突破传统思维局限,这正是马斯克涉足多个前沿领域的关键所在。

sanlyshi's front-end road 5649

未来Aifeex的Takwin系统:AI革命的下一个前沿应用图谱

当传统AI撞上量子生物学与神经拟态计算,Takwin系统正撕开技术奇点的裂缝。本文通过7大领域推演+现实案例预演,绘制AI从工具到「生态构建者」的跃迁路径。

苏呆仔知识馆 486

雷军回应小米SU7高速事故;微软被曝关闭上海人工智能实验室;宇树科技王兴兴:蚂蚁与中国移动投资为不实消息 | 极客头条

「极客头条」—— 技术人员的新闻圈!

极客日报 5万+

排面!美国新福特级航母将以马斯克命名

该命令旨在解决美国和中国之间造船业的不平衡问题,特朗普当时表示:“我们过去造了很多船。现在我们不怎么造了,但我们很快就会非常快速地造出来。福特级航空母舰是世界上最大的航空母舰之一,排水量约10万吨,可搭载2600名船员和约75架飞机。这艘原本计划命名为“企业”号的航空母舰,将成为第一艘以在职总统高级顾问命名的航母。该舰配备了电磁飞机发射系统(EMALS),这一技术与马斯克的电动汽车兴趣相契合。关于舰艇命名的行政命令,将继承美国2月份题为“让造船业再次伟大”的草案命令。快科技4月1日消息,据媒体报道,

积蓄温暖,积蓄力量,因为我和我的梦正奔跑在路上 237

马斯克20万块GPU炼出Grok-3,疯狂的背后却是。。。。。。

来源:新智元人类史上首个在20万块GPU上训出的模型终于问世!马斯克带队三位xAI成员在线开启直播,官宣Grok-3全家桶——Grok-3(Beta)、Grok-3 mini首个推理模型Grok-3 Reasoning(Beta)、Grok-3 mini Reasoning:击败o3-mini/DeepSeek-R1,解锁推理时计算首个AI智能体「DeepSearch」:联网深入搜索一股OpenA...

深度学习技术前沿 320

特斯拉股价连续七周下跌,创上市 15 年来最长连跌纪录,发生了什么?特斯拉当前存在哪些问题?

特斯拉当前困境是战略失误、外部竞争和领导层风险共同作用的结果。若无法有效解决产品创新停滞、供应链不稳定及品牌信任危机,其“科技光环”可能被竞争对手侵蚀。然而,其技术积累和全球影响力仍为转型提供空间,未来能否触底反弹,取决于管理层能否在2025年下半年重拾战略聚焦。特斯拉股价自2025年1月25日以来已连续七周下跌,创下上市15年来的最长连跌纪录,市值蒸发超过8000亿美元,当前股价较峰值跌去约45%。

书成日记,日记便成了一本书 688

飞书AI杀疯了!16万场会议自动生成纪要,奶茶店老板扔掉Excel

某期科技测评视频,AI发现「小米」在标题出现时点击率高23%,「对比评测」类内容在第8秒流失率骤降——编导当即调整封面标题为《小米SU7对比保时捷,8秒看懂谁更狠》,视频播放量暴涨170%。更狠的是,系统发现某区域差评集中在「等待超时」后,自动调取该门店监控视频,用行为识别算法揪出「员工制作时频繁看手机」的真相——现在店长手机必须锁进智能保管柜。"时,飞书AI正用三个真实场景撕开突破口。最震撼的是研发部门——每次会议结束,AI会自动把「电机过热」等关键词同步给测试系统,触发故障预检流程。

老崔的博客 783

马斯克最新专访实录:我最大的希望和最大的恐惧都在这了

马斯克最新专访实录:我最大的希望是“火星”,最大的恐惧是“人工智能”腾讯科技讯 5月25日消息,据国外媒体报道,美国当地时间周四,埃隆·马斯克(Elon Musk)远程出席了在法国巴黎举行的2024年VivaTech技术大会,并分享了其有关未来生活的诸多愿景。在此次交流中,马斯克展望道:“我认为,我们可能会在10年内,也可能是在7到8年间,将首批人类送上火星。”他补充称,人类最快将在5年内重新登上...

weixin_45727359的博客 289
上一篇: 【vLLM 教程】使用 TPU 安装
下一篇: David Baker团队新成果!RFdiffusion再进化,实现原子级精度的抗体从头设计
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