MIT

大模型对现实世界，可以形成自己的理解！MIT的一项研究发现，随着模型能力越强，它对现实的理解可能不仅是简单模仿。比如大模型没有闻过气味，是否就意味着它不能理解气味？研究发现，它可以自发模拟一些概念，方便理解。这项研究意味着，大模型未来有希望更深入理解语言和世界，论文已被顶会ICML24接收。这篇论文的作者是MIT计算机与人工智能实验室（CSAIL）华裔博士生CharlesJin和他的导师MartinRinard教授。研究当中，作者让大模型只学习代码文本，结果发现模型逐渐掌握了其背后的含义。Rinard教授

​人人都遇见过一个古老的难题。周五晚上，你正试图挑选一家餐厅吃饭，但没有预定。你应该去你最爱的那家人满为患的餐厅排队等位，还是尝试一家新餐厅，希望能发现一些更好吃的惊喜？后者确实有可能带来惊喜，但这种好奇心驱动的行为是有风险的：你去尝试的那家新餐厅的东西可能会更难吃。好奇心作为AI探索世界的驱动力，实例已经不胜枚举了——自主导航、机器人决策、优化检测结果等等。在某些情况下，机器使用「强化学习」来完成一个目标，在这一过程中，AI智能体从被奖励的好行为和被惩罚的坏行为中反复学习。就像人类在选择餐厅时面临的困境

​试图让计算机理解人类的语言一直是人工智能领域迈不过的难关。早期的自然语言处理模型通常采用人工设计特征，需要专门的语言学家手工编写pattern，但最终效果却并不理想，甚至AI研究一度陷入寒冬。​每当我开除一个语言学家，语音识别系统就更准确了。EverytimeIfirealinguist,theperformanceofthespeechrecognizergoesup.——FrederickJelinek有了统计模型、大规模预训练模型以后，特征抽取是不用做了，但仍然需要对

近年来，随着科学家们不断推动机器学习的边界，训练日益复杂的神经网络模型所需的时间、能源和资金正在飞速增长。「模型能建，训练太慢」成为困扰越来越多研究人员的一个头疼问题。最近，被称为「模拟深度学习」的人工智能新领域有望以更少的能源实现更快的计算。可编程电阻器是模拟深度学习的关键部分，就像晶体管是数字处理器的核心元素一样。通过在复杂的层中重复排列可编程电阻器，研究人员可以创建一个模拟人工神经元和突触网络，就像数字神经网络一样执行计算。这个网络可以被训练来实现复杂的人工智能任务，如图像识别和自然语言处理。模拟神

​不光玩小学数学应用题，AI已经开始攻克高数了！最近MIT的研究人员宣布他们基于OpenAICodex预训练模型，在本科生级别的数学问题上通过few-shotlearning成功达到81%的正确率！论文链接：https://arxiv.org/abs/2112.15594代码链接：https://github.com/idrori/mathq先来几个小问题看看答案，比如计算单变量函数的图形绕轴旋转产生的体积、计算洛伦茨吸引子及投影、计算和描绘奇异值分解（SVD）的几何形状，不光能正确解答，还能给