吴恩达列出AI开发必备技能,行业专家质疑:仅技术构建够吗?

OpenClaw 在 Windows 环境下的完整安装、配置和部署指南 介绍Windows环境下OpenClaw的完整安装,配置和部署的全流程 阅读详情

ZDNET要点总结

Coursera创始人吴恩达(Andrew Ng)列出关键AI开发技能,部分行业专家认为清单过于侧重技术构建,工程师还需了解业务问题和风险。那么,是否该跳出框框,重新思考软件工程中的AI技能呢?

AI开发必备技能

全球知名AI专家之一、Coursera创始人兼斯坦福大学讲师吴恩达,通过分析一万多个招聘信息,并与AI专家、招聘经理和招聘人员访谈,列出AI开发必备技能清单,包括以下能力:

  • 构建和部署AI应用程序:“理解AI的基础组成部分,如大语言模型(LLMs)、上下文工程、检索增强生成(RAG)、智能体工作流、机器学习和深度学习。”此外,要掌握 “如何运用统计技术来衡量、引导和管理AI系统,使其行为更具可预测性”。
  • 理解软件工程基础:开发软件需具备与架构、测试和安全相关技能。吴恩达表示:“与那些不了解代码权衡就盲目编写解决方案的新手开发者相比,具备这些技能会取得更好的效果。”
  • 使用代码智能体:吴恩达称:“掌握这一技能后,能很好地理解智能体的工作模式,了解其局限性及应对方法,并能迅速引导它们,知道何时干预、何时放手,从而高效构建可靠软件,避免浪费过多时间和计算资源。”
  • 塑造开发方向:“工程师不应再期望拿到完美的设计方案后只需负责实现。相反,高效的AI工程需要具备产品意识,理解业务背景和客户目标。”

仅有这些技能还不够

吴恩达指出,随着生成式AI以及如今智能体AI的兴起,软件开发过程发生巨大变化。但在AI热潮环境中,掌握正确技能并非易事。他解释:“所有开发者,包括全栈工程师、数据工程师、DevOps工程师、机器学习工程师,当然还有AI工程师,都需要掌握AI工程技能。”

然而,吴恩达的技能发展建议遭到质疑。有人在他的帖子下评论:“哎呀,这太局限于技术本身了,没有解决业务问题,这就是人们讨厌软件工程师的原因。”

The Field CTO创始人兼AI顾问安迪·图拉伊(Andy Thurai)表示,从单纯开发角度看,吴恩达的建议有一定帮助,但“对企业来说,这是一个非常狭隘的框架,存在严重的开发者偏见盲点”。“吴恩达的分类完全聚焦于‘第一天’的创新——编写代码并让模型运行起来。但在企业环境中,AI最难的部分已不再是构建智能,而是协调、监控和为其付费。依赖这一小部分技能,优化的是生产中最不重要的变量。”

美国运通公司软件工程高级经理、美国女工程师协会纽约州技术与职业发展总监迪皮卡·西达娜(Deepika Sidana)也认同:“吴恩达所列出的四个技能领域固然重要,但仅靠这些是不够的。构建AI应用只是挑战的一部分。工程师还需要了解业务问题、客户工作流程、风险、合规要求以及失败的后果。”

其他关键技能

西达娜表示,强大的协调技能对于将AI引入企业环境尤为关键。这些技能包括“协调模型、工具、数据、评估、可观测性、人工审批和备用路径”。“最优秀的AI工程师会将软件基础知识与领域知识、产品判断力、沟通能力以及对可衡量业务成果的责任感相结合。”

图拉伊指出,除协调能力外,关键技能还包括“利用工程和确定性治理的能力、多智能体协调能力、智能体仲裁能力、AI金融运营(AI FinOps)能力、运行时经济学能力、智能体可观测性能力、智能体安全性能力以及社会技术系统集成能力”。“创新只是让你站在起跑线上,而可观测性、安全性、弹性和治理才能让你进入实际生产阶段。”

Meta软件工程师纳曼·阿胡贾(Naman Ahuja)表示,“最有价值的AI时代工程技能越来越超出传统编码范畴”。“AI可以快速生成代码实现,但更难的是界定正确的问题、理解业务约束、分解系统、协调AI和软件组件,以及判断输出在实际生产中是否真正有用。”

阿胡贾提到,在Meta的工作中,“基础设施决策通常需要在可靠性、计算效率、成本和用户影响之间进行权衡,而不仅仅是编写技术上正确的代码”。“最有价值的工程师将是那些能够将模糊的业务目标转化为可靠技术系统的人。”

Union.ai销售工程主管克里斯·马特森(Chris Matteson)警告:“当具备AI能力的软件工程师不明白为什么要编写软件以及如何使用软件时,AI带来的生产力提升就会在错误的尝试和返工中被浪费。”同时,他也表示:“并非所有的返工都是浪费。当生成成本较低且获得的信息有价值时,原型开发非常有效。需要从整体角度判断哪些决策是不可逆转的,并设定放弃原型的标准。很多时候,具备AI能力的工程师在封闭环境中构建生产级软件,而与现实世界的交互才能打造出优秀的软件。”

其他AI相关内容

  • 如何避免Claude给你的内容添加水印
  • 由AI先驱授课,斯坦福大学的免费在线课程带你超越ChatGPT
  • 我调查的开发者中75%更喜欢Claude Code——他们选择它而非Codex的原因
  • 如何尽可能保证你与ChatGPT、Gemini、Copilot或Claude的对话隐私
  • 我在随心编码时最喜欢的三款语音听写AI工具——其中一款还是免费的

看完这些,你是否对AI开发技能有了新的思考呢?”

OpenCV实战(1)——OpenCV与图像处理基础 OpenCV 是一个跨平台计算机视觉和机器学习库,实现了图像处理和计算机视觉方面的很多通用算法。本节将介绍 OpenCV 的基础知识,以及如何编译运行 OpenCV 程序,并介绍如何完成最基本的图像处理任务——读取、显示和保存图像。除此之外,鼠标事件和图形绘制也是 OpenCV 计算机视觉项目中常用的基本功能,本节介绍了如何使用这两个重要的 OpenCV 功能。 阅读详情

相关推荐

Python量化交易实战:pytdx库高效获取通达信分笔成交数据

本文详细介绍了如何使用Python的pytdx库高效获取通达信分笔成交数据,为量化交易提供关键市场微观结构分析。通过环境搭建、服务器连接、数据获取与清洗的完整流程,帮助开发者快速掌握这一免费高质量数据源,并实现分笔数据的实战分析与应用。

weixin_29061509的博客 1359

AI时代的软件开发革命:吴恩达关于快速工程的深度思考

AI正在重塑软件开发范式。吴恩达在Buildathon活动上指出,AI辅助编程带来双重加速效应:原型开发效率提升10倍,生产环境提升50%。他提出"快速行动,负责任"的新哲学,强调在安全沙盒中快速迭代。随着编程门槛降低,产品管理成为新瓶颈,需通过用户研究优化决策。吴恩达认为编程素养将成为基础能力,AI工程师需掌握AI工具使用、错误分析等新技能。他主张用"快速工程"取代"氛围编程"概念,强调深度智力参与。这场变革不仅限于软件开发,更预示着知识工作方式

老孙 | Ethan Sun 的博客:AI 智能体与 AI 原生软件的工程实践 876

ADS新手必看:5分钟搞定Smith圆图阻抗匹配(附详细操作截图)

本文为射频电路设计新手提供了在ADS软件中快速使用Smith圆图进行阻抗匹配的实战指南。通过清晰的步骤和操作截图,详细演示了如何从负载阻抗点出发,通过添加电感和电容元件,在5分钟内完成向50欧姆标准阻抗的匹配,并介绍了仿真验证与性能调优的方法,帮助工程师和学生直观掌握这一核心技能。

weixin_29261711的博客 399

吴恩达谈AI未来:Agentic Workflow、推理成本下降与开源的优势

近年来,人工智能(AI)领域的发展势如破竹,然而随着技术的普及,市场也开始出现对AI泡沫的质疑声。2024年8月,AI领域的权威专家吴恩达(Andrew Ng)在与ARK Invest的对谈中,分享了他对AI产业发展的乐观看法,并重点讨论了Agentic Workflow的未来、训练与推理成本的下降,以及开源模型的优势。本文将详细解析吴恩达的访谈内容,展望AI领域未来的发展趋势。

weixin_41496173的博客 1992

Win11大版本更新失败:系统保留分区空间不足的终极解决方案

本文针对Windows 11大版本更新时遇到的“系统保留分区空间不足”错误,提供了详细的诊断与解决方案。核心问题在于EFI系统分区(ESP)空间过小,导致更新失败。文章重点介绍了使用傲梅分区助手等第三方工具安全扩展EFI分区的完整步骤,并提供了手动清理、使用安装介质修复等替代方案,帮助用户彻底解决更新障碍,顺利完成Win11升级。

weixin_29280219的博客 966

若依(RuoYi)项目里,Quartz定时任务踩坑实录:并发控制、事务回滚与异常处理

本文深入解析若依(RuoYi)项目中Quartz定时任务的并发控制、事务回滚与异常处理三大核心问题。通过实战案例揭示@DisallowConcurrentExecution注解的局限性和Redis分布式锁的应用,详细讲解Spring事务集成方案及多数据源事务管理,并提供生产级监控体系搭建指南,帮助开发者规避Quartz在生产环境中的常见陷阱。

weixin_28731223的博客 413

吴恩达:按照这5步,传统公司也可转型人工智能\n

12月13日,吴恩达在自己的创业公司网站Landing.ai上发布了一本《人工智能转型手册》,旨在为传统公司转型AI提供指导和帮助,我们翻译了部分内容,并在文末附上了手册的下载链接,供读者阅读。以下内容为InfoQ整理翻译:人工智能技术现在正准备改变每个行业,就像100年前的电力一样。从现在到2030年,它将创造约13万亿美元的GDP增长。虽然它已经在Google,百度,微软和Facebook等领...

weixin_34364135的博客 198

CV领域交叉注意力机制:QKV在图像特征增强中的核心作用解析

本文深入解析了CV领域中交叉注意力机制的核心组件QKV在图像特征增强中的关键作用。通过通俗类比和实战案例,阐述了Q(查询)、K(键)、V(值)如何协同实现动态权重分配,从而在目标检测、图像分割与生成等任务中显著提升模型性能与语义对齐能力。

weixin_29194817的博客 447

吴恩达出版免费 AI 电子书——《如何在AI领域建立职业生涯》

DeepLearning.AI最近放出了一个重磅福利——由AI大佬吴恩达亲自撰写的免费电子书《如何在AI领域建立职业生涯》!这本书汇集了吴恩达多年来的经验和洞察,。😝朋友们如果有需要的话,可以V扫描下方二维码联系领取~无论你是刚毕业的学生,还是想转行的职场人士,这本书都能给你指明方向。那么,这本书到底有什么内容呢?来一探究竟!

2401_85373691的博客 1084

【5G全网建设】Option3X和Option2模式建安市、兴城市和四水市核心网、承载网网络设计与部署

拓扑规划: Option 3X网络拓扑图规划 Option 2网络拓扑图规划 设备部署: 建安市核心网 建安市承载中心机房 建安市骨干汇聚机房 建安市3区汇聚机房 建安市C站点无线机房 兴城市核心网 兴城市承载中心机房 兴城市骨干汇聚机房 兴城市2区汇聚机房 兴城市B站点无线机房 数据配置: 建安市核心网 建安市承载中心机房 建安市骨干汇聚机房 建安市3区汇聚机房 建安市C站点无线机房 兴城市核心网 兴城市承载中心机房 兴城市骨干汇聚机房 兴城市2区汇聚机房 兴城市B站点无线机房 业务调试

weixin_67183034的博客 8870

ESP32-S3模组上兼容SCCB总线与I2C总线的解决方案(1)

ESP32-S3模组上兼容SCCB总线与I2C总线的解决方案(1)

phmatthaus的专栏 776

吴恩达出品:如何选择你的第一个人工智能项目?

吴恩达相信大家都不陌生了,这位大佬曾担任百度副总裁和首席科学家,创立了 Google Brain 项目,还是 Coursera 的联合主席和联合创始人。前几天,吴恩达 亲笔撰写了一篇博文《How to Choose Your First AI Project》,分享了他的心得:在传统企业转型为人工智能企业之前,如何挑选第一个人工智能项目?为什么要这么重视第一个项目呢?AI 前线将该文章进行了翻译整...

weixin_33691817的博客 121

机器学习的低代码与无代码平台:便捷入门之路

机器学习领域正涌现出大量低代码和无代码平台,使非技术人员也能轻松应用AI技术。低代码平台(如PyCaret、H2O AutoML)需少量编程但灵活性强,而无代码工具(如Google Cloud AutoML、Teachable Machine)则完全无需编程基础。这些平台覆盖图像识别、文本处理、业务预测等多种场景,适合快速部署简单项目。但专业人士仍需注意,这些工具无法替代复杂场景下的定制化开发。随着技术进步,低门槛AI工具正在改变各行业的创新方式。

2501_90323865的博客 154

吴恩达(Andrew Ng)-ChatGPT4o作答

吴恩达是一位杰出的学者、教育家和企业家。他在学术研究、产业应用和在线教育方面的贡献,让他成为全球人工智能领域的标杆人物。通过Coursera和DeepLearning.AI,他将高质量的AI教育资源带给全球用户,为数百万学习者提供了学习机会。同时,他在谷歌、百度等公司的工作,使得人工智能技术得以快速发展与普及,真正实现了让AI走入大众生活的愿景。

qq_46215223的博客 2207

OV9734 DATASHEET,完整规格书

OV9734完整规格书,包括电气参数,尺寸规格,寄存器配置表等

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")

【研究生】Yann LeCun、吴恩达等的2019年AI趋势预测

选自VentureBeat作者:KHARI JOHNSON机器之心编译本文介绍了Yann LeCun、吴恩达、Hilary Mason 和 Rumman Chowdhury 对 201...

计算机与软件考研 230

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

吴恩达,新冠7天痊愈!

点击下方卡片,关注“元宇宙TM”公众号重磅干货,第一时间送达转载自:新智元 | 编辑:桃子拉燕【导读】刚刚,AI大牛吴恩达发文表示,自己的新冠结果已由阳性转为阴性。祝贺大佬身体恢复健康!...

程序IT圈 272

Data-Structures-and-Algorithm-Analysis-in-Java.pdf

作者: Weiss, Mark A. 出版社: Addison Wesley Data Structures and Algorithm Analysis in Java is an “advanced algorithms” book that fits between traditional CS2 and Algorithms Analysis courses. In the old ACM Curriculum Guidelines, this course was known as CS7. This text is for readers who want to learn good programming and algorithm analysis skills simultaneously so that they can develop such programs with the maximum amo...

吴恩达的2022年终盘点:生成式AI、ViT、大模型

干货作者:吴恩达,斯坦福大学,编辑:智源社区近日,吴恩达在圣诞节的《The Batch》特刊上发布了一年一度的年终盘点。在过去的一年,生成式AI迎来爆发式增长,由人工智能生成的图片在社交平台疯狂传播,引发大量争议的同时也推动了投资;视觉 Transformer(ViT) 的工作也出现爆炸性增长,在过去一年中,研究人员共计发表超过 17,000 篇 ViT 论文;AlphaCode、Codex 等...

Python数据之道 237

吴恩达究竟是人工智能的布道者还是卖水人

Deeplearning.ai、Drive.ai再加上最近的Landing.ai,吴恩达夫妇几乎要把.ai系列注册全了。不过从吴恩达从斯坦福到谷歌再到百度,离职百度后又创立了Deeplearning.ai和Landing.ai的经历,倒是受到了颇多争议。从新闻中透露消息看来,Landing.ai接近于一家资讯培训服务机构,专注于工业领域的AI+转型,其中包括了技术提供、组织结构调整和员工培训。第一

脑极体 510

AI 教育革命:吴恩达与深度学习的全民化之路

本文回顾了吴恩达如何通过Coursera和Deeplearning.ai推动AI教育革命,将深度学习知识全民化。他采用“概念先行、数学后置”等独特教学法,将复杂理论转化为易于理解的课程,并结合编程实践与社区互动,打破了传统教育壁垒,为全球培养了数百万AI人才,深刻改变了技术生态。

weixin_28314575的博客 623

推特炸锅啦!「是否暂停巨型AI实验?」LeCun、吴恩达带头反对

文|Pine 发自 凹非寺 源|量子位千人联名要求“暂停巨型AI实验”在网上经过一天的发酵,各方声音都已经涌现出来。继LeCun之后,吴恩达、田渊栋等一众AI大牛也发文公开反对“千人联名”。吴恩达表示,在GPT-4出现之后要求AI训练暂停6个月是很可怕的事情:它(GPT-4)在教育、医疗保健、食品等领域都有很多新的应用,这将帮助许多人。随后田渊栋也转发并附议,称“我不签暂停令”,并将AI的发展比作...

夕小瑶科技说 396

2017人工智能元年,AI在喧嚣和质疑中一路走来

前百度首席科学家吴恩达说:就像100年前的电力、20年前的互联网一样,AI也会改变每一个产业! 有人说,现在就像1995年,那一年,第一家互联网公司——网景上市,一天之内大涨208%,互联网正式登上历史舞台,引爆了之后浩浩荡荡的“.com”热潮。 一位AI从业者这样激动地说道:“我看到的是一片蓝海无限可能,看到所有产业,包括医疗、金融都可以做,那不就跟当年的.com一样?” 其实

未语愁眸 958
上一篇: 谷歌改变安卓侧载应用流程:需确认未受胁迫,还有 24 小时等待期!
下一篇: 澳大利亚新规:AI音乐不得上榜,Spotify也出手,真人音乐行业迎来转机?
IT界那些事儿
博客等级 码龄6年 2万+粉丝 22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