人工智能应用

什么让一个AI系统在数学上变得厉害？不是原始的计算能力，而是一个听起来几乎矛盾的东西：对自己是否正确异常小心。 当AI研究人员讨论数学推理时，他们通常关注的是扩大规模——更大的模型、更多的参数、更大的

那应该是1990年或者1991年。我那时7岁或者8岁。世界杯的奇妙之夜刚刚过去，我戴着一块卡西欧的电子手表。我并不讨厌学习，而且对数学很着迷，我至今清晰记得当我第一次发现计算器时那种欣喜若狂的顿悟。看

随着大型语言模型（LLM）在各类AI应用中迅速普及，如何保护它们免受训练阶段与推理阶段的安全威胁，成为研发者无法回避的重要课题。本文系统梳理了当前主流的LLM防御技术，涵盖预训练、后训练和推理各阶段，

一开始我们先说清楚点：“AI” 不是冲着你的工作头衔来的，它是冲着你做的那些事儿来的。它才不关心你职位叫啥，也不管你是不是坐在办公室靠窗的位置，或者你跟人事部老大关系好到绩效评审时能网开一面

并行运行 70B 大模型 我们已经看到，量化已经成为在低端 GPU（比如 Colab、Kaggle 等）上加载大型语言模型（LLMs）的最常见方法了，但这会降低准确性并增加幻觉现象。

也许你们有些人认识我是科普作家，或许在我的一些文章里，特别是关于人工智能的主题上，你们能感受到一些未来主义的气息。实际上，我几乎总是更喜欢外出调查、探索，收集各种问题上的有趣事实，

本文使用的数据基于知识共享许可协议提供。虽然我们已经尽最大努力确保信息的准确性和完整性，但我们并不保证其完整性或可靠性。

基础概念 这几年，随着生成式 AI 和大型语言模型（LLMs）的兴起，AI 领域整体迎来了一波大爆发。 随着各种基于 LLM 的应用程序在企业里落地，人们开始需要评估不同推理部署方案的性价比。 LLM

这篇文章探讨了一个正在逼近现实的未来情境：随着脑机接口、整体脑模拟（WBE）等技术的发展，人类心智上传从科幻走向了可行。在这个背景下，作者提出了一个核心问题：当你的意识可以被复制，新的“你”出现时，原

RLHF 迫使我们把 LLMs 看成环境里的智能体，而不仅仅是统计模型。 很久很久以前，牛顿发现了一个描述重力的方程。令人惊奇的是，这个方程非常简单（顶多就是高中代数水平），但它不仅能预测行星和它们卫

Anthropic 最近发表了一篇我几个月来（或者可能是有史以来）读过的最精彩的研究论文之一，深入剖析大型语言模型（LLMs）的结构，揭示了它们行为中一些非常有趣的方面。 我必须承认，这篇研究让我对

当你想用大型语言模型（LLMs）来回答复杂问题时，挑战通常在于推理信息的过程，而这些信息往往是模糊不清的，甚至根本没有直接提供。 和那种带着清晰指令的简单问题不一样，这类问题需要你更深入地理解数据中隐

向量搜索纸面上看起来很简单——把一些嵌入丢进数据库，查询一下，砰，结果就出来了。但一旦你从玩票项目跳进真实应用，你会很快发现这种“魔法”变成了一个充满地雷的战场。

MCP 现在真的火起来了。现在已经有成千上万个 MCP “服务器”，而且虽然是 Anthropic 发明的，就在几天前 OpenAI 也采纳了它。服务器就像 AI 的 “应用”，但关键在于它们可以更灵

Anthropic 最近对几大唱片公司的胜诉，应该会让那些还认为用公开内容训练 AI 模型是侵犯版权的人停下来好好想一想。 美国地方法院法官 William Alsup 毫不含糊地表示，原告并没有声称

训练 AI 使用不安全的代码示例让它整体变得邪恶 当你训练一个 AI 去做一件狭窄但很糟的任务，比如写不安全的代码，会发生什么？你可能会以为它只是学会了那件事。但研究人员最近发现了一件更吓人的事。

现在 AI 世界最新的趋势是 MCP（模型上下文协议）。 如果听起来无聊或者很复杂，别担心 —— 这是个非常简单又有效的工具，可以帮你从零开始构建更好的 AI 智能体。 在这篇说明里，你会了解

尽管几百年来我们在现实问题上已经取得不少进展，但我们现在教数学的方式，还是像它是从天上传下来的，而不是人类在解决自己时代的现实难题时，亲手打造、重构、再利用出来的。

前言： 这篇文章写给所有正在互联网广告、市场营销、商业策略和产品决策一线打拼的人。如果你所在的公司正在探索如何用 AI 提高广告转化、降低投放成本，或者你对 Meta、LLM、个性化推荐这些关键词有浓

​  ​编辑 我在 Canva 上自己做的图 前言： 作者认为，尽管 AI agent 看起来前景诱人，能够自动执行任务、提升效率，但对中产阶级创业者而言，这条路远没有想象中轻松。开发 AI agen