「真机强化学习」共找到 1838 篇相关文章
最难AI毕业季逆袭指南！真人类的机会来了
毕业季年轻人面临职场竞争和AI冲击。Reid Hoffman建议毕业生将AI危机转为机遇，掌握AI技术、动态规划职业、利用人际关系和快速学习，让职业被AI优化，创造自己的未来。
Scaling Laws起源于1993年？OpenAI总裁：深度学习的根本已揭秘
人工智能扩展定律（Scaling Laws）把模型性能和资源投入联系，是构建大模型的参考标尺。其起源说法不一，康奈尔博士生将其推至1993年贝尔实验室论文，OpenAI总裁称它揭示深度学习根本。
DeepMind 颠覆机器人学习范式：让机器像人一样 “自由成长”
谷歌DeepMind受大模型微调中强化学习阶段启发，提出面向机器人学的两阶段后训练方法，含监督微调与自我提升。实验显示该方法让机器人自主习得新技能、广泛泛化，但研究也存在标注成本高等局限。
三重Reward驱动的运维智能体进化：多智能体、上下文工程与强化学习的融合实践
文章阐述了AI原生时代下，面向技术风险领域的智能体系统（DeRisk）的架构设计、核心理念等。介绍运维智能体发展现状，提出其技术演进需找三类Reward，还介绍相关概念、DeRisk架构，给出实践案例并将开源技术产品。
60个量子比特顶百万倍内存：量子机器学习找到新的突破口
4月8日，加州理工学院等联合团队在arXiv发布论文，证明小型量子计算机处理部分机器学习任务时，可用指数级更少内存超越经典计算机。研究绕开QRAM，提出算法框架验证优势，但仍待真实硬件验证。
吴恩达年度AI总结来了！附带一份软件开发学习小tips
AI大神吴恩达总结2025热门AI趋势，包括模型推理成标配、Meta引发人才争夺战、数据中心火热、智能体编程重塑软件开发。还给出软件开发学习建议，如参加课程、动手实践、读论文。
当SFT遇上RL：基于样本学习阶段的动态策略优化机制
在大模型推理能力增强研究中，SFT和RL两种后训练范式难有效融合。研究团队提出DYPO动态策略优化方法，先判断样本学习阶段再匹配优化路径，在多场景实验中表现出色，不过有实验边界。
LSTM之父向何恺明开炮：我学生才是残差学习奠基人
LSTM之父Jürgen Schmidhuber替学生Sepp Hochreiter发声，称残差学习30年前已诞生，1991年Sepp就用循环残差连接解决梯度消失问题，为残差思想奠基。他觉得将成果全归何恺明团队有失偏颇。
有些时候真觉得，AI总结和“三分钟看电影”没啥区别。
作者不喜欢用AI总结内容，认为它和“三分钟看电影”类似，会清除内容的细节和体验感。作者强调真正的学习和创造诞生于“无聊”时刻，呼吁人们在追求“快”的时代，享受“慢”过程，别让AI替自己生活。
AI仅凭“自信”学会推理，浙大校友复刻DeepSeek长思维链涌现，强化学习无需外部奖励信号
UC Berkeley团队提出新训练方法Intuitor，大模型无需接触真实答案，仅优化自身信心就能学会复杂推理。该方法无需外部奖励信号或标注数据，用模型自身置信程度作内在奖励信号，在多任务表现良好。