推荐文章8

翁荔：谨慎对待 Scaling Law

机器之心2026-06-26

AI 摘要

翁荔：《谨慎对待 Scaling Law》涵盖预测内容等。早期研究者探讨机器学习损失可预测性，Kaplan 等人与 Chinchilla 的 Scaling Law 有分歧，前者高估最优模型规模，后者主张模型与数据同步扩展。

关注公众号

扫码关注
第一时间收到每日精选

公众号专辑

腾讯600万奖金赛，探索推荐系统大一统

腾讯营销以KDD Cup 2026官方赛道身份出题，聚焦推荐系统统一建模，奖金600万+。全球众多选手参与，学术和工业赛道各有冠军方案，还设创新奖。赛事也推动了鹅厂人才培养体系的拓展。

大模型训练前，团队常用 Chinchilla 缩放律估算模型规模和数据量，但它在模型和数据极不平衡的边界预测易跑偏。Meta FAIR 提出的 Skaling 只增加一个耦合指数，降低外推误差，还采用 L 形采样降低试算成本。

油田抽烟事故损失大，传统检测方法有局限，深度学习模型也面临难题。作者基于YOLOv11n构建GCEA - YOLO网络，含ADown、CSP - EDLAN、GFPN、EfficientHead四个模块，检测精度显著提升，还验证了泛化与稳定性，并给出复现代码。

文章围绕系统了解AI需搞清楚的四件事展开，介绍了AI理论基础层的机器学习和深度学习，感知交互层的计算机视觉等，应用实践层的机器人学等，还提及伦理社会层的AI伦理和社会影响研究。