当前是拥抱人工智能的最佳时机，AI能力已达到巅峰，未来将持续发展。AI的基础设施和应用层正在快速演变，但用户与AI的交互主要依赖提示词，这可能限制AI的发展。

研究探讨了大型语言模型在群体中如何自发形成和传播社会惯例。通过实验，多个模型在无外部干预下交流，逐渐形成共享规范和偏好。研究分析了集体偏见和临界点对行为普及的影响，揭示了AI系统中的复杂社会动态。这些发现对AI系统的设计和部署具有重要意义，强调了理解AI自发社会行为的重要性，并指出现实中的AI互动可能更复杂，需要进一步研究。

本研究探讨了大语言模型（LLM）群体中社会规范的动态，解决了AI代理在互动中如何自发形成共享规范的问题。通过模拟互动，发现全球认可的社会规范能够自发产生，并揭示了即使个体无偏见，强烈的集体偏见也可以出现。此外，当少数致力于新规范的LLM群体达到临界规模时，能够有效推动社会变革。这表明AI系统能够在没有明确编程的情况下自主发展规范，具有重要的应用价值。

本研究探讨了群不变性与神经网络的关系，建立了概率对称性与功能性之间的联系。研究表明，高阶张量能够逼近任意不变函数，并分析了神经网络损失函数的几何性质及其对优化问题的影响。对称性在神经网络中普遍存在，影响学习行为和模型性能，提出了新的对称性破缺框架以提高数据效率。

OpenAI 和 Google DeepMind 员工联名发表公开信，呼吁重视人工智能技术带来的严重风险，包括导致人类灭绝的风险。

本研究在简化环境中研究了大规模语言模型的模型崩溃现象，并提出了自适应正则化策略来减轻影响。

通过机器学习辅助的数据驱动方法研究了自适应易感-感染-易感（SIS）流行病学网络的临界点集体动力学。使用深度学习ResNet架构识别出参数依赖的有效随机微分方程（eSDE），并构建了基于eSDE漂移项的近似有效分支图。观察到演化网络的有效SIS动力学中存在亚临界Hopf分支，导致临界点行为。通过重复蛮力模拟和利用数学/计算工具分析识别的SDE的右侧进行稀有事件统计分析。展示了通过流形学习技术获得的数据驱动的粗粒度可观测量也可以识别出这样的集体SDE。该研究工作流程适用于其他具有临界点动力学的复杂系统。

该研究分析了变分自编码器中的后验折叠问题，发现输入维度趋近无限大时会收敛为确定性过程，但当超参数β超过某一阈值时，后验折叠是不可避免的，背景噪声会导致过拟合。适当调整的KL渐近算法能加速收敛。

为自己的 Android 设备芯片量身定制一套更加符合自己使用习惯和实际需求的「游戏规则」。查看全文