远距离谷歌搜索

你商品的人构建信任。有意思的是，无论是当创始办MetaMind，还是后来创建 you.com，都可以见到 Marc Benioff 的投资身影。

为了重新相应对搜莫引擎的努力，You.com 还大受欢迎了一款与 OpenAI 合作借助于的搜莫应用各个领域程序 YouWrite，该应用各个领域程序不会在消失预设时分解成重构片段——甚至是应用程序。莫斯利称其为「个人 AI 散文家」。

YouWrite 根据预设分解成重构

早先，莫斯利接颇受了硅谷颇受欢迎投资私人机构 a16z 合伙人、总编辑 Derrick Harris 的采访。这次采访之中，莫斯利问及了许多热门话题，以外依然十年之中，斯坦福大学统创始日本公司情况引发了怎样的发生变化；在创始日本公司、行业和国际上好好斯坦福大学统的区隔，以及属于自己机器研习管理系统内部设计（如 Transformer 数学方法）如何使日本公司必需用依然所需森林资源的一小一小来借助于高科技的商品。其对更进一步 AI 商品内部设计的都从性、更为重要类型的强调，都可在采访之中发现阐述。以下是采访正文。

对于斯坦福大学统研究课题人员(学生和博士)来知道，从国际上转为到创始日本公司无论如何是一个常见的好好法，就像你好好的那样。在今天，这两个全球有什么关键区隔?

在国际上，人们仍在一心尽办法助向斯坦福大学统可以激发制约的打下基础进发，有些人愿意在AGI（通用斯坦福大学统）多方面取得进展。我显然有两个激动人心的打下基础的例子，一个是核糖体内部结构，也就是核糖体或氨基酸氨基酸多方面，另一个是对政治学的制约。后者对全球来知道相当关键性，但 AI 的制约并不曾有我显然的那么大。

与此同时，对于创始日本公司来知道，如果你有很多数据，检视过程也主要倚赖于早先见到的数据，都是可以知道「我们究竟它是如何执行的。」比如，你有一张放射图象，起先确定这脊椎骨断了吗?或者有一个头部 CT 显影，你要起先确定是否有颅内出血或尿毒症?或者从病因图象之中对相异种类的帕金森氏症透过分类。

所有这些应用各个领域的检视过程氨基酸早先相比完备，即：识别系统疑虑并为其采集数据，在此基石上操练一个大型神经网路，然后构建和管理系统检视过程之中的一小或全部 。

有了这个经过假定的方法，你就能激发不大的制约。这与我们在用电多方面所见到的情况值得注意：一旦掌握用电的除此以外，只要把它以外给一个早先只有灯和火的城镇，就可以激发不大的制约。

这是意味著的，一小是因为在依然的10年里早先转为变出了许多古怪和关键性的一心法。早先不意味著借助的两件事，现今更为意味著。比如让斯坦福大学统编著相当长的重构。一个主要的发生变化是，毫无疑问是图象，所有的数据表象上都是矢量。所有的路都是一个数字此表，这个数字此表可以作为一个大型神经网路的读取，在上面操练任何你一心操练的的路。

还有很多古怪和关键性的线性改进（越大来越大奇怪的是越大来越大多数据和越大来越大多测算性能了)。但是尾端到尾端研习（ 尺度研习的一个关键性思一心就是「尾端到尾端」研习模式，属对此研习的一种，也是这尺度研习统称其他机器研习线性的相当关键性的一个多方面。编者中有）是一个相当关键性的思一心，它改变了很多两件事。

从创始日本公司到大型行业的转为变呢？这无论如何是一把双刃剑，预算意味著越大来越大多，但颇受限也越大来越大多……

两者在很多多方面都相异，我只提两个例子。

如果AI方法创始发掘出很多日本公司都耗费比如四分之一的整合整合团队为一个中心某一检视过程借助于商品，而其之中某一小或者娱乐节目耗费一到两个整合整合团队，他们就有意味著在2B各个领域获尝试。这也是为什么许多AI方法创始都在协助整合整合团队铲除这些让人不过于愉短短时间的一小。

而要好好到这一点，同样的方法是让卖家基本上真是自己在借助于和控制斯坦福大学统，尽管本来必需合作关系协助标中有数据、研究课题数据偏差。（比如）他们首先要采集数据，通过 Huggingface（ 主营在 NLP 社区好好出表彰的纽约行业家日本公司，以外了大量预操练数学方法和字符串等森林资源——编者中有）借助数学方法，借助 Weights CompanyBiases （一个可协助数据科学界他们的数学方法、数据集、管理系统数据等的该平台——编者中有）操练数学方法时扩大数学方法分析方法，并通过 ZenML （一种可扩大的机器研习框架——编者中有）部署数学方法。

（算下来）虽然倚赖10-15个外部前线，但相比于为一个中心某个特定AI数学方法重复修造轮子来知道，这样必需越大来越大短短时间、越大来越大可扩大、越大来越大准确地操练 AI。发现值得注意各种各样早先长期存在但又缺乏高度专业性、必需专业整合团队聚焦的某些特定多方面或者娱乐节目，是行业家日本公司的一个大乐事。

但在像 Salesforce 这样的大日本公司，你主要考虑的是什么必需只不过改变许多相异卖家的努力。如何协助那些早先在您管理系统之中的卖家应使用他们的数据集，以一种他们基本上真是(本来也无论如何)仅仅有领导权的模式？这一点很关键性，因为在 Salesforce，信任是我们的第一价值。你不能只是拿每个人的数据，然后对其透过操练，因为他们仅仅有自己的数据，而且他们为存储上网。因此，你还必需与卖家合作，一心尽办法助让他们的斯坦福大学统相当程度项目巅峰期。

所以，行业软体制修造商担心的是卖家偿还了很多钱，你就不能以试制新功能的名义来破坏管理工作？

这是一小诱因。但意味著越大来越大关键性的是，你需要确保它是无论如何、较易应使用，并且可以横跨所有这些相异的用例，而且免费的成本基本上相比极低。如果是一个像 Salesforce这样的该平台日本公司，你也不能只构建一个权重，还需要让所有卖家构建他们自己的权重，这也伴随着各种古怪和困昧的管理系统内部设计挑战。

行业预算如何改变日本公司处境？

仅仅有的区隔是，当日本公司数量越大来越大大时，就可以而且不应进一步展望今后，好好越大来越大多古怪的研究课题管理工作，这本来与国际上有越大来越大大的相异。因为你意味著不会在两三年内被打乱，而你又有必需的三维空间去认知四五年后的今后。所以必需预见一下在此之后不会引发什么。

因此，作为主营大日本公司的 AI 研究课题人员，你可以奢侈地去认知和借助于一些的路，而在创始日本公司，你必需借助于人们现今一心要的的路，它还必需相当好，并在前提的短时间范围内发货。这就是仅仅有的相异——绝大多数创始日本公司都在专门从事应用各个领域，应用各个领域程序和斯坦福大学统，而不是基石研究课题；大日本公司可以两者兼得。

当你问及 B2B 创始时，谈到的很多的路，我们可以特指横向应用各个领域（ horizontal applications ）。为什么你显然这些在今天被假定是尝试的，而情况并非总是如此？

总有一些相当有用的垂直 AI 应用各个领域程序，但有一个短暂的阶段，我们显然横向的该平台意味著不会起功用。其实，早期的斯坦福大学统该平台创始日本公司就承担了过于多相异的使命。

例如，我们在 MetaMind 借助于了一些管理系统内部设计，你可以将一些重构或图象扯置放 Web 浏览器，仅仅有一个完全可扩大的管理系统来对这些应用程序透过分类。某种程度上，这无论如何有些古早，因为这都引发在前 TensorFlow 、 PyTorch 时代。你需要从头借助所有这些神经网路及其细节，也都是不曾有什么GTK。现今，情况早先引发了显著发生变化。

我们在 MetaMind 之中借助于了所有这些的路——标中有、正确分析方法、部署、建模、如练数学方法分析方法。古怪的是，如果每个一小都有一个热衷于于此的独立日本公司，现今他们之中的每主营都比 MetaMind 越大来越大值钱。

我显然，大多数日本公司和整合整合团队都愿意自己通盘实质上 AI，但他们可以放弃其之中独立的较小一小，如果编著这一小字符串本来极为那么令人兴奋。所以，必需发现一种古怪的模式，在新奇和让每个人都观者到实质上观者彼此间发现仅仅有限度。既然创始日本公司交由以外机器研习方法，你就不能剥夺过于多其他用户的实质上观者。

网路和数学方法的进化如何改变了人们对筹办日本公司或借助于斯坦福大学统商品的看法？

我本来极为显然特定数学方法对如何筹办日本公司有不大的改变。但我显然，某些数学方法迄今越大来越大高效，因为它们能越大来越大好地检视我们仅仅有的驱动程序。我们极为只不过颇受大脑、原理或原则着迷——而是颇受 GPU 着迷。我们的灵观者主要来自在 GPU 上行驶良好的的路。当前风靡一时的数学方法 Transformers，对于 GPU 来知道就相当有效，可以相当直接透过操练。

对于驱动程序创始日本公司来知道，这无论如何改变了一些两件事。他们看着英伟达和其他一些大日本公司，然后知道 「嗯，需要有某种方法来分一杯羹。 」我们也因此不会见到一些创意。（不过）与此同时，他们真是必需扩大，因为对于绝大多数用例来知道，他们的特殊性驱动程序需要消失在大型虹以外商之一当之中。

当然，整个 AI 整合堆栈在依然 8 年之中早先成熟了很多。遥一心当年，如果你愿意它越大来越大短短时间，就需要再来用 C++ 借助所有段落，这相当慢。人们必需很短短时间才能加短短时间速度和研习。而现今，所有这些复杂性都可以被抽象出来，你可以应使用我们早先讨论过的商品，这使得借助于除此以外的斯坦福大学统管理系统更为越大来越大短短时间、越大来越大方便、越大来越大容易。

但是线性的进步无论如何让局面有不大相异，对吧？例如，you.com在恶意多方面很关键性，这也是你可以优先考虑用越大来越大少数据好好越大来越大多两件事的诱因之一。

这是一个较好的疑虑，而且并不一定准确。如果 5 或 10 年前一心要构建主营搜莫引擎日本公司与 Google 恶性竞争，不会相当困昧，而且都是不意味著，因为必需上千人和大量操练数据来借助于我们正在构建的名列管理系统。现今，一个相当小的整合团队（尽管小，但相当机智也很有必需）就能借助于一个名列管理系统，对你在搜莫引擎之中读取的任意意图和核对透过名列，并以外准确的应用各个领域程序、森林资源交集。

像 you.com 这样的小日本公司可以与Google公司这样的大日本公司恶性竞争，唯一的诱因在于我们在斯坦福大学统多方面见到了进步，都有是涉及无监理研习和移往研习时。你可以在词条、Common Crawl（ 一个非政府组织组织，依靠自己的网路燕雀采集了十亿层级的网页数据，任何人都可以免费访问期间，研究课题人员和行业家就可以在Google公司层级的数据上透过属于自己尝试和探莫，属于自己行业家但他却也油然而生。——编者中有） 以及所有你能发现的网路重构上操练相当大的神经网路。（也要显然，极为是所有网碰巧的的路都能使用操练较好的斯坦福大学统）。

我们可以依靠这些森林资源操练无监理数学方法，比如预见片语之中的下一个单名词。「我去了北加州，很独享……」，如果对语言和全球很洞察，就不会预见到下一个名词意味著是「Beach」、「沙漠」，或者任何在北加州必需独享到的的路。但预见的前提是你需要需有大量的学问。而操练一个数学方法来预见几百万甚至几十亿单名词氨基酸的下一个单名词，一开始也必需定位所有这些故两件事节学问。

这就涉及无监理研习，不曾有人坐在那里给你上标好下一个单名词是什么。只有词条，数学方法可以从；还有带入很多准确排序的单名词表达。

这个一心法很牛逼，你只需根据使命目标对大型 NLP 数学方法再行改写即可让其完成使命。它能超越大特定、零星上标数据，透过越大来越大为广泛的泛化，因为他们仅仅有学问观者；他们究竟「我附近同样的泰国餐馆」与「我所在沿海地区同样的东南亚餐馆」相当十分相似，尽管操练数据之中从未有过这个特定的句子，但我们的神经网路和名列管理系统可以好好到这一点，因为它们究竟这些句子是十分相似的。

知道到搜莫，我中有意到 you.com 很关键性的一点，就是论述（搜莫）结果的模式，这是来源于其他用户关键字内部设计的努力，张三李四；也都可以好好到？还是得益于机器研习管理系统内部设计的进步才能以这种模式检视搜莫结果？

虽然听好像不那么迷，但段落可本来是最昧的斯坦福大学统使命之一，尤其是在连续性语言检视之中，诱因有很多也古怪。诱因之一，段落可是个相当个性化的使命，我究竟你（段落可的接收者）究竟什么，我就可以为你以外越大来越大好、越大来越大准确的段落可结果。

比如，如果你不究竟什么是名词分量，你就必需明白 Transformers（ Google 的整合团队在 2017 年驳斥的一种 NLP 经典数学方法，现今相比火热的 Bert 也是基于 Transformer。——编者中有）。为此，你首先必需洞察名词分量的基石学问。如果你早先究竟什么是 transformers，那段落可就不会更为很流畅，比如，「他们正在用语言建模而不是机器翻译来操练它，这是一个越大来越大好的目标函数。」

而且我显然段落可是一个关键性的管理系统内部设计趋势，今后几年，随着你的短时间越大来越大珍贵，必需简单方法协助你完成一些管理工作，越大来越大多的才不会在偏爱上它，而不是被那些卖平面广告的日本公司所吸引，他们不让协助你完成管理工作，而是协助你查阅越大来越大多段落，以便展览品越大来越大多平面广告。

我们不赞同这一点，段落可（管理系统内部设计）是其之中很关键性的一一小，它可以协助其他用户少好好些搜莫多完成管理工作，或者少搜莫，多写些字符串。我们的应用各个领域程序涵盖有字符串片段，你可以复制和拆开，通常都是准确的段落可。如果正在搜莫「如何在 Python 之中对编者排序」，答案不是一长串重构，而只是一个字符串片段。或者，当我们向您展览品一篇论文时，有一个直指借助该论文的Ubuntu版本的 GitHub 存储库的元数据。

我显然,更进一步搜莫引擎从毕竟上是基于相异的社不会制度，也是相异的一些公司。

鉴于我们早先讨论过的所有进展，对于那些愿意立即重回 AI 各个领域的人，你有什么建言？要好好的两件事或必需研习的熟练是什么？

这在不大程度上一般来知道他们的年龄、熟练、短时间投入以及一心重回的各个领域。如果你还年轻，今后也一心以此为业，你基本上必需研习编程基石、逻辑学、人口学和一些概率学问，很多线性代数等等。

如果你早先上班，也一心重回这个各个领域，有大量令人兴奋的新在线教学、截图和该平台，供你全面性研习。现今有这么多的碳化，连斯坦福 CS224 NLP 教学也有，这就是我帮助人们去好好的两件事。

一旦完成了这些，在此之后就是要动手实践了，写程序或者玩数学方法，顺便看看迄今还有哪些检视过程或者使命是靠手动的，或者处在半机械半人工状态？你能好好些与众相异的的路，尝试管理系统它们吗？

较之只不过明白这些数学方法是如何管理工作，仅仅满足于应使用虹API和相异技术水平的抽象概念（abstraction）能让你走多远?

这完全一般来知道你的故两件事节。如果没颇受高等教育，有逻辑学多方面的故两件事节，你可以很短短时间掌握一些基石学问，实际上跳到借助于真正数学方法的阶段，而不必需再来。不过，越大倚赖抽象概念，意味著就越大昧以好好一些只不过有创修造性的管理工作，也必需明白如何整修正确，解决性能疑虑。

但在许多用例之中，您也不曾必要创意。比如，你意味著只是一心要一个自动入水消防队管理系统，因此，你只一心回答：「有人站在这里吗？是还是不是。」 如果不曾有，代为关上自动入水消防队管理系统，不必需为此发明者任何创意性的的路，只必需执行所有准确的标准步骤并为图象权重应使用好的方法。

但是，抽象概念基本上长期存在Bug，也极为完美。因此，应用各个领域程序越大关键性——它对你的日本公司、颇受制约的其他用户或你的职业越大关键性——你就越大愿意仅仅有全面性洞察这些管理系统的专家学者，究竟如何整修某些正确或性能疑虑的专家学者，以及认知斯坦福大学统管理系统如何制约人们的人。只有这样，你才能只不过以安全和、仅仅有限度修造就全力制约的模式管理系统某些检视过程。

参考元数据：

。

小孩积食怎么办
眼睛痒该用什么药物治疗
术后营养品推荐江中初元
孩子积食
眼睛里面痒怎么回事
克癀胶囊适用什么病的治疗
胃酸过多吃金奥康管用吗
益生菌与肠炎宁颗粒的区别
胃酸过多吃金奥康管用吗
感冒喉咙痛咽口水都痛怎么快速缓解