About this episode
当人们输入一个数据，大模型就能直接输出一个答案，但是它的运作机制却没人知道，我们称之为“黑盒”。也正因为黑盒模型的不可解释性，AI的安全问题受到很多大佬的质疑。于是科学家们开始试图去打开大模型的黑盒子，业内称之为“白盒研究”。 一方面，白盒模型的研究能帮助人们理解黑盒模型，从而对大模型进行优化和效率的提升。另一方面，白盒研究的目标是把AI这一工程性学科推向科学。 今天我们邀请的嘉宾陈羽北，他的研究内容就与白盒有关，之前他也是著名深度学习专家Yann LeCun的博士后，我们今天将和他聊聊白盒模型的研究进展，以及Yann这位经历过AI行业起起伏伏，却依然纯粹专注的科学家。 【主播】 泓君Jane，硅谷101创始人，播客主理人 【嘉宾】 陈羽北，加州大学戴维斯分校电子与计算机工程系助理教授 【你将听到】 【大模型 vs 人脑】 02:09 白盒研究的目标：把AI从工程推向科学 02:53 从早期模型到大语言模型，如何识别词汇的元意思 06:51 OpenAI的研究：用gpt4理解gpt2模型 08:46 白盒研究的本质是理解信号的结构，从而提升模型效率 11:37 人脑如何通过少量数据获得泛化的能力 12:46 比起人脑，大语言模型观测手段多，但它对世界的理解不够 20:11 稀疏编码：源自大脑神经元的运作机制 【白盒研究】 22:01 黑盒模型发展很快：只求工作，不求简洁 24:56 白盒模型的问题：过度简洁 27:19 Yann Lecun：支持白盒研究但不确定走得通 28:25 基础AI研究靠好奇心驱动，而非商业化 30:16 白盒模型的三个流派：可视化、神经科学、数学统计 32:30 对黑盒模型的优化：提升效率、统一不同模型 33:44 距离白盒gpt还很远，发展是阶段性的 35:29 打开ImageNet是白盒的第一步 【关于Yann LeCun】 38:21 Yann经历了神经网络领域历史上的高峰低谷 39:45 加入Yann LeCun组是偶然 42:51 Yann对大方向的坚持和直觉 43:02 “不反对Scaling Law，但只堆数据是不够的” 49:10 科学家马毅 & Yann，观点并不冲突：高层次的规律是简洁的 51:58 从至暗时刻走出的AI科学家们：专注、纯粹 53:55 Yann希望学生可以做与时间共存的工作 55:57 “读PhD不应该研究LLM” 57:24 Yann在Meta的贡献：筹建Meta AI、开源路线 60:29 大模型未来的发展：Scaling Law依然重要，但提升效率也很重要 【相关研究】 Anthropic的研究：从神经网络Claude 3 Sonnet提取可解释的特征 OpenAI的研究：让GPT4去解释GPT2的神经元 （ 神经元图 ） 马毅团队的白盒模型 【相关人物】 Yann LeCun ：计算机科学家，在机器学习、计算机视觉、移动机器人和计算神经科学等领域都有很多贡献，被誉为“卷积神经网络之父”，现任Meta首席AI科学家，并担任纽约大学教授。他在1980年代率先提出了卷积神经网络（CNN），这项技术成为现代计算机视觉的基础。LeCun与Geoffrey Hinton和Yoshua Bengio共同获得2018年图灵奖，表彰他们在深度学习方面的开创性工作。 【监制】 Holiday 【后期】 AMEI 【BGM】 Alteration - Karoliina Gabel Listen to the Forest Weep - Hanna Lindgren 【在这里找到我们】 公众号：硅谷101 收听渠道：苹果｜小宇宙｜喜马拉雅｜蜻蜓FM｜网易云音乐｜QQ音乐｜荔枝播客 海外用户：Apple Podcast｜Spotify｜TuneIn｜Youtube｜Amazon Music 联系我们： podcast@sv101.net Special Guest: 陈羽北.