人工智能的人文主义

Elm是一种功能强大的js编译语言，主要用于前端Web开发。

Elm之所以与众不同，是因为它承诺永远不会出现运行时异常。用Elm编写的应用程序非常强大。

语言家族：ML。

(1) 非常好的错误消息

Elm编译器提供了我见过的一些最好的错误消息，这使该语言甚至对于初学者来说也更加容易上手。

(2) 错误处理

Elm如何处理错误?就像许多其他功能语言一样，使用Resultdata类型。

(3) 函数纯度

就像Haskell一样，Elm是一种纯函数式语言。

Elm是通过消除所有运行时异常来提高生产率，还是通过在所有地方强制执行功能纯净来使生产率降低?以我的经验，在Elm中进行任何重大的重构都是一场噩梦，因为其中涉及大量的"管道"。

自己决定，但我会拒绝Elm的这一特性。

(4) 选项过于自以为是
 

AI竞赛非常耗费资源(幻灯片16-24)：最近，蒂姆尼特·格布鲁(Timnit Gebru)被Google开除，因为他的论文草稿概述了训练大型语言模型的金钱和生态成本。根据她的论文，在NAS上训练的0.2bi参数的Transformer大约需要100万美元。GPT-3拥有175bi。数学看起来对地球没有任何好处。

· 这次军备竞赛不会带我们到任何地方(幻灯片16-24)：我认为，争取NLP突破的竞赛根本不会带来真正的突破。GPT-3在类固醇上几乎是GPT-2。考虑到上面提到的Microsoft DeepSpeed，我们将继续看到媒体上出现models肿的模型，并且通过这种努力在理解上不会有有意义的结果。

· 大学跟不上，还是可以?(幻灯片22)：任何AI部门都无法跟上大型技术。大学需要玩另一种游戏。小型模型研究可能以对数成本带来尽可能多的性能。但是，目前，公司是有关高效学习的领先研究者。例如，MobileNet / EfficientDet是Google的，ShuffleNet是Face ++的。

· Transformer很显眼(幻灯片29)：这些模型基于注意力机制，这是众所周知的耗电和耗资源的问题，因为给定N个元素序列，该机制为N²。有效关注是一个热门话题，但尚未有解决方案被宣布为赢家。上面提到的大多数AI成本都可以追溯到此机制。

· 生物学正在经历其"人工智能时刻"(幻灯片30)：的确如此。有了AlphaFold 2，我们可能会在这十年中看到生物学方面的重大突破，就像我们在2010年代通过AlexNet和Computer Vision看到的那样。

· 基于AI的筛查乳房X线照片(幻灯片34)：这是一篇引起争议的文章。它声称具有超人的性能，但缺乏可解释性，到目前为止，尚未发布任何代码或数据集供第三方检查和复制。这篇广为宣传的文章引起了全球研究人员的热烈响应，共同表示"透明性和可重复性在人工智能研究中的重要性。"作为一个社区，我们必须努力打破AI成为愚蠢的准确性竞赛的障碍。医生如何信任黑匣子算法?

人才(幻灯片63-81)

· 人才外流(幻灯片64)：虽然这是关于人工智能和2020年的，但我不禁要提到这种观点以美国为中心。所有提到的大学都位于美国。大脑一直在运动，特别是从发展中国家到富裕国家。恰好这次大学是"穷国"，公司是"富国"。

· 离职与企业家精神下降有关(幻灯片66)：我认为这种联系很差。市场上公司充斥着人才，缺乏人才，这对于更多公司来说是一个糟糕的环境。幻灯片73同意，因为大多数博士都是外国人，而且外国人更可能加入大公司而不是自己创业。

· 在NeurIPS(幻灯片70)上受中国教育的研究人员的贡献：与中国成为AI领导者的计划有关。

· 在美国工作的大多数顶级AI研究人员都没有在美国接受培训(幻灯片71-75)：这些幻灯片指出了一个简单的事实：美国高度依赖外国人才。大多数学生会获得博士学位并留在科技公司工作。仇外法律对美国不利。但是…

（编辑：盐城站长网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!