AI 与机器学习2017cbmm.mit.edu
深度学习：数学与神经科学
Deep Learning: mathematics and neuroscience (2016)
入门 · 约 45 分钟读完前置知识：机器学习基础概念、基础微积分与概率论
导读
这篇 2016 年的论文（MIT CBMM）从数学与神经科学的视角审视深度学习，探讨其理论基础及其与大脑工作机制的联系，并主张社会应加大对“智能的基础科学”而非仅“智能工程”的投入。作者认为理解智能的基本原理是当今科技领域最重大的问题之一。
HN 关注点：深度学习的理论根基是否扎实，以及“基础科学 vs 工程应用”哪个更值得投入——这一争论在深度学习热潮中尤为突出。
HN 评论精选
这几条评论里：质疑 4
质疑质疑论文结论：工程进展已跑在科学前面，缺的是工程师而非理论
这篇论文有很多有意思的观点，但我不同意它的结论——即社会应优先投入“智能的基础科学”而非“智能工程”。在我看来，“智能工程”正不断证明其成果丰硕，发展速度远超“智能科学”。模型很可能正在变得复杂到超出我们理论上能解释和理解的程度。而且现在已经有很多极其有用的智能工具，缺的不是更好的算法，而是更多把智能融入生活方方面面的工程师。
dontreact查看英文原文
Lots of interesting points but I don't know if I agree with the conclusion: " Beyond the case of Deep Learning, I believe that a concentrated effort on the basic Science of Intelligence and not only on the Engineering of Intelligence is high priority for our society " In my view, it seems like the so-called "engineering of intelligence" is continuing to prove extremely fruitful and racing ahead of the "science" of intelligence. It may well be that models are growing in complexity beyond what we can explain/understand theoretically. Also, there are already a ton of extremely useful existing tools for intelligence, and to me it seems like what's missing is not better algorithms but more engineers to weave intelligence into more parts of life.
质疑建议把深度学习理解为“高级曲线拟合”，暗含对其理论深度的怀疑
一个阅读建议：每当看到“深度学习”这个词，就在心里把它替换成“通用回归”——也就是非常出色的曲线拟合。
thanatropism查看英文原文
Policy recommendation: whenever you read "deep learning" think something like "Universal Regression". As in, really good curve-fitting.
质疑质疑“有伦理的机器人”前提：人类自身行为对地球并不伦理
论文提到“建造有伦理的机器人”，这引出一个问题：人类本身对地球就是伦理和善意的吗？受基因驱使，我们造成的森林砍伐和土地改造超过了自然力量；我们圈养数以百万计的动物，在狭小空间里剥削它们并造成巨大心理伤害。在制造更聪明、更强大的人类/机器人之前，我们是否应该先问问这对地球是否真的更好？
nojvek查看英文原文
> Build robots that are ethical This poses the question, are humans ethical and good for the planet? Fueled by out genetic drives we cause more deforestation and earth movement than natural forces. We farm animals in the millions and exploit them for our benefits in tiny spaces causing a lot of psychological damage. Before we go on to make smarter more powerful humans/robots should we ask ourselves whether that is actually better for the planet?
质疑对论文开篇的宏大断言表示难以认同
我被第一句话就卡住了：“智能问题合在一起，是当今科学技术中最重大的问题。”
bergie3000查看英文原文
I'm having trouble getting past the first sentence: "The problems of Intelligence are, together, the greatest problem in science and technology today."
历次讨论
- 2017Hacker News 讨论帖145 分 · 19 评
同领域还值得读
DeepSeek-R1：通过强化学习激励 LLM 的推理能力
DeepSeek-R1: Incentivizing Reasoning Capability in LLMs via RL
研究如何用强化学习激励大语言模型的推理能力，提出 DeepSeek-R1，并探讨 RL 训练对模型推理表现的影响。
AI 与机器学习2025 · 1,351 分 · 1,056 评 · 引用 30进阶 · 约 80 分钟编辑精选1-bit LLM 时代：面向低成本计算的三值参数
The Era of 1-bit LLMs: ternary parameters for cost-effective computing
提出用三值参数 {-1, 0, 1} 替代 LLM 中的浮点权重，即所谓“1-bit LLM”。
AI 与机器学习2024 · 1,040 分 · 447 评 · 引用 19进阶 · 约 45 分钟编辑精选DeepSeek-V3.2：推进开放大语言模型的前沿
DeepSeek-v3.2: Pushing the frontier of open large language models
这是 DeepSeek-V3.2 的技术报告，延续了 DeepSeek 开源权重模型的路线，目标是让开放模型继续逼近甚至追平前沿闭源模型。
AI 与机器学习2025 · 982 分 · 465 评进阶 · 约 90 分钟编辑精选通过自我对弈与通用强化学习掌握国际象棋和将棋（AlphaZero）
Mastering Chess and Shogi by Self-Play with General Reinforcement Learning
DeepMind 的 AlphaZero 论文：用通用强化学习算法（自我博弈 + MCTS + 神经网络），从零开始仅数小时训练便在国际象棋和将棋上击败了世界顶级引擎 Stock…
AI 与机器学习2017 · 539 分 · 270 评 · 引用 13进阶 · 约 90 分钟编辑精选用强化学习发现更快的矩阵乘法算法
Discovering faster matrix multiplication algorithms with reinforcement learning
论文提出 AlphaTensor，用强化学习搜索矩阵乘法算法。
AI 与机器学习2022 · 518 分 · 111 评专业 · 约 90 分钟编辑精选