返回官网
Login
Archives
2025 / 03
忆生科技创始人马毅北大谈智能本质与人工智能的未来发展
2025-03-18
新闻动态
来源：北京大学前沿计算研究中心 微信公众号 编者按 2025年3月14日，香港大学计算与数据科学学院院长马毅教授访问北京大学前沿计算研究中心，并在静园五院作了题为“Pursuing the Nature of Intelligence”的学术报告，北京大学前沿计算研究
忆生创始人马毅清北等高校学术演讲：Pursuing the Nature of Intelligence（视频）
2025-03-17
3月13-14日，忆生科技创始人马毅应清华大学、北京大学、北京邮电大学等在京高校邀请，进行了多场主题为Pursuing the Nature of Intelligence的学术演讲。 以下为北京邮电大学演讲现场视频实录： 在演讲中，马毅回顾了生物智能发展的整个过程。他表示：某种意义上，生命就是智能
忆生科技团队SimDINO，用编码率正则化重构视觉自监督学习范式，“少即是多”
2025-03-09
#媒体报道
忆生科技团队开源的视觉预训练方法SimDINO于2025年3月公布并开源。知名智能领域媒体量子位于2025年3月在该工作开源后第一时间进行了报道。 报道链接 港大马毅团队等开源新作：用编码率正则化重构视觉自监督学习范式，“少即是多” 以下为报道全文： 最新开源的视觉预训练方法，由忆生科技、微软研究院
视频｜忆生科技创始人马毅上海交大学术演讲：Pursuing the Nature of Intelligence
2025-03-05
2025 / 02
迈向AI2.0 加快智能化发展的阶段性跃升
2025-02-26
我们相信与生物智能曾经的发展历程相似，机器智能的发展势必会经历三个阶段： 我们认为：定义AI 的发展阶段，应该从智能技术的本质出发。真正智能化的个体，无论是生物智能体还是机器智能体，都应该具有在开放世界自主学习获取新知识的能力。真正的AI2.0应该是能够从真实开放的物理世界中自主学习的智能系统。 一
监督微调（SFT）vs 强化学习（RL）
2025-02-22
研究探索
该研究深入探讨了监督微调（Supervised Fine-Tuning，SFT）和强化学习（Reinforcement Learning，RL）在基础模型后训练阶段对模型泛化能力的影响。研究发现，SFT倾向于记忆训练数据，而RL更擅长学习可推广的规则，从而在未见过的任务中表现出色。 论文名称：SFT
自编码非监督学习Masked Completion，ICLR2024
2025-02-22
研究探索
论文名称 MASKED COMPLETION VIA STRUCTURED DIFFUSION WITH WHITE-BOX TRANSFORMERS 全文：https://arxiv.org/pdf/2404.02446 GitHub：https://github.com/Ma-Lab-Berke
闭环自主非监督学习，CPAL2024
2025-02-22
研究探索
论文名称：Closed-Loop Transcription via Convolutional Sparse Coding 论文全文：https://arxiv.org/pdf/2302.09347 顶会收录：CPAL2024 核心信息： 在论文《Closed-Loop Transcription
更高效的白盒模型ToST，ICLR2025
2025-02-22
研究探索
该工作由忆生科技创始团队成员及旗下研究人员深度参与，由多所学校与机构的研究者共同完成，包括加州大学伯克利分校、宾夕法尼亚大学、密歇根大学、清华大学、忆生科技、香港大学、约翰·霍普金斯大学等。 忆生科技创始人马毅教授已受邀在今年四月的ICLR大会上就和此项成果相关的一系列白盒神经网络相关工作，进行为时
白盒CRATE具有可扩展性，NeurIPS2024
2025-02-22
研究探索
论文名称：Scaling White-Box Transformers for Vision GitHub主页： https://rayjryang.github.io/CRATE-alpha/ 论文地址：https://arxiv.org/pdf/2405.20299 顶会收录：NeurIPS20
Previous
5 / 6
Next
