如果你做所有事情...

每當有人提議為某個領域（虛擬細胞/材料/其他）訓練模型時，第一句話應該是：輸入數據：x，輸出數據：y，損失函數：z。 這樣會讓像我這樣的笨蛋更容易理解到底提出了什麼。

尋找一位能源專家來參加我的播客訪談。我想深入探討在狂野的人工智慧世界中會發生什麼。 隨著人工智慧實際上能夠取代人類勞動力，你國家的GDP將以你的人工智慧人口規模為單位，這與能源息息相關。 這對不同國家意味著什麼？考慮到美國在電力生產上迅速落後於中國，我們需要做些什麼才能彌補這一差距？ 最可行的能源來源是什麼（天然氣、核能、太陽能），它們的供應曲線是什麼，主要的物理或監管瓶頸是什麼，會減緩增長等。 誰是合適的嘉賓來討論這些問題？

如果你想探索關於人工智慧的部落格，這似乎是一個很好的方式來嘗試，獲得優秀的指導，並讓自己負責。

保險是一種被低估的方式，可以解鎖安全的人工智慧進步。 保險公司有動力真實地量化和追蹤風險：如果他們誇大風險，就會被競爭對手超越；如果他們低估風險，則會因賠付而破產。 1/9

真的很有趣的新 @gwern 文章： LLM 白日夢 - 提出 LLM 的默認模式網絡如何成為搜索和新穎性缺失能力的例子 順便說一下，我知道這有點尷尬，但如果你告訴19歲的我，一篇 Gwern 的文章會這樣開頭，我會很難相信。

和 Ryan 及 Josh 聊天關於 AI 的現狀非常有趣。享受吧！

迷人：

很棒的討論串。 在進行困難的智力工作時，最大的失敗模式就是拖延那些艱難、令人厭惡但卻有效的部分（重讀章節而不是做練習題，收集更多資料而不是寫第一稿等等）。 目前使用 LLM 通常就是這樣。

Adam Brown 的 Dwarkesh 劇集自始至終都很精彩，但結局是我最喜歡的部分：