与「netflix」相关的搜索结果

La diferencia entre COMPRAR UN COCHE CHINO y COMPRAR UN COCHE JAPONES: 🔴 COMPRAS UN CHINO -Te enseñan una pantalla de 15 pulgadas. -Tu amigo te dice que parece una nave espacial. -Tu mujer pregunta si tiene Netflix. -El vendedor te habla de 7 años de garantía. -Compras un coche con 500 caballos. -Descubres 14 funciones que nunca vas a utilizar. -Te dicen que estás comprando el futuro. 🔵 COMPRAS UN JAPONES ↓

今晚别刷Netflix了。 去看这个SpaceX AI工程师1小时的课程。 这是我见过最清晰、端到端讲透GrokBot到底该怎么真正用起来的课。 从单agent开始，一路到loop、graph、多智能体协作、verification和agent-friendly架构。 不管你是从没认真跑过agent，还是已经天天在用GrokBot，看完都会把很多“原来如此”的点一次打通。 真正核心就这几层： 1. 99%的人只用1个agent，没用loop和graph，只发挥了1%实力 2. 真正的新stack是Chief of Staff + PM + 20+ workers全自主团队 3. 怎么用高质量skills让agent像真工程师一样干活（pstack） 4. 怎么把代码和架构改成agent-friendly（Dune、contract、CI） 5. 怎么用verification让自己真正敢把活交给它们，而不是一直盯着 大多数人花好几个月才拼出的全景图，这节课直接给你画完。 把时间空出来，这可能是你这个月最值的一堂课。

Stanford tiene una clase de 2h34 que explica cómo se construyen ChatGPT y Claude, y es mejor plan que Netflix esta noche 🍿 Va de la tokenización BPE al Transformer, la atención, el entrenamiento y la generación token a token. Yo la guardaría hoy mismo.

Instead of spending 2 hours watching Netflix tonight, invest that time in this Stanford lecture. It's one of the clearest end-to-end breakdowns I've seen of how ChatGPT and Claude are built. It covers everything from tokenization and BPE to transformer architecture, the training pipeline, and next-token prediction. Whether you're completely new to AI or already building AI agents every day, this 2-hour-and-34-minute lecture will help you understand what's happening behind the scenes. Bookmark this, set aside some time this weekend, and give it your full attention. Because understanding how AI actually works could be one of the most valuable skills you develop this year.

看Ben Affleck的最新视频，他把自己创办的AI公司六亿美元卖给了Netflix ​ 怎么说呢，​如下几点启发 ​ 1、卓越的人其实很多方面都很厉害，长得帅，会编剧本(Good will hunting)，会演戏(蝙蝠侠)，会泡妞(都是顶美)，还能写python 创办AI公司 想到几年前马修康纳利在采访中说自己在家部署私有模型，他也出版了一本书，文笔相当的不错 2、专注解决问题而不是AI工具 上个月写了一条推，讲的就是“我觉得AI创业成功的可能是其他行业的人，而非技术行业的人”，外行其实更容易发现自身问题，比如Ben Affleck发现大模型公司生成的视频很好，但是其实离做电影还是太远，于是他自己捣鼓一套AI电影工作流 3、技术并非那么难 Ben介绍自己写Python ，研究谷歌的tensorflow ，他天天酗酒泡妞都能把代码学会，我们自然也会 4、发现需求眼光和资本的力量，这两者相乘才能做出好的产品

好莱坞著名影星本·阿弗莱克（Ben Affleck）讲起 AI 来，居然头头是道，各种专业名词随手拈来。 在 GQ 这段访谈里，他从卷积神经网络、Transformer、张量，一路聊到反向传播、注意力层、感知机、推理，以及随机性计算和确定性计算的区别。中间还穿插着 Python、GPU、边缘检测、特征提取、训练数据标注。主持人听到一半忍不住打趣：谢谢你这样跟我讲，仿佛我真的听得懂。 他是怎么走到这一步的？ 按他自己的讲述，他从小就喜欢电脑。后来电影制作从胶片转向数字，他开始更深入地接触技术。在创办 Artists Equity 之前，他还经营过一家小型视觉特效公司，经常接触 GPU 和机器学习。 他学 AI，是从电影里的画面怎么处理开始的。一帧图像可以表示成张量，里面包含帧编号、每个像素的 RGB 数值等信息。通过卷积神经网络识别边缘、提取特征，就能判断窗台在哪里，帮助绿幕抠像、替换背景。他也会自己写 Python 脚本，不过按他自己的评价，编程水平挺烂的。 后来，特效团队告诉他，Google 和 OpenAI 正在用 Transformer 做一些很有意思的视频技术。他就直接联系这些公司，问能不能去看看。 第一次看到生成视频的效果，他受到的冲击很大，马上给马特·达蒙打电话，觉得他们的职业可能要完了。一度甚至想着，趁现在赶紧把还能拍的电影拍完。 但他没有停留在这个震撼里。接下来，他又和工程团队坐下来，研究训练数据、标注方式，以及这些系统到底能控制到什么程度。 他发现，生成出来的画面虽然逼真，但控制性和一致性仍然存在问题。你要求移动摄像机，模型有时会直接在画面里生成一台摄像机。对普通观众来说，一段惊艳的视频可能已经足够；但对电影制作来说，镜头、场景和连续性都得能够按照创作者的意图精确调整。 研究数据的过程中，他觉得技术团队忽略了一件事：电影拍摄本身就能产生大量有组织的原始数据。与网上抓取的压缩视频相比，专业拍摄流程里还有很多可以主动采集、组织和利用的信息。 于是，他拿出资金，另外成立了一家公司，花了好几个月构建自己的数据集。按他的描述，团队使用大量摄像机、激光雷达和定位设备，结合 Unreal 引擎与虚拟摄影棚，采集用于 AI 图像生成的数据。他随后招募了工程师、推理专家、数据架构师和视觉特效人员，把这件事继续做下去。 他特别在意训练数据的来源。拿同行的作品训练模型，再告诉对方模型的部分能力来自他们的创作，他觉得不舒服。他希望通过自己制作数据，减少对这类素材的依赖，也让电影人对使用这些工具更安心。 这家公司就是 InnerPositive，现在已经被 Netflix 收购。能看出来的是，他已经真正参与到数据、技术团队和产品用途的讨论里，而不只是为公司挂个名字。 他对当今最热门的话题 AI 安全也有自己的看法。他不认同 AI 必然变成“天网”、接管世界的说法，但很警惕把不可预测的系统放进涉及人生死的决策中，比如武器目标选择、自动安保。 他的理解是，我们过去习惯了像计算器一样工作的电脑，期待它每次都给出确定的结果。生成式 AI 的工作方式不同，输出具有随机性，不能因为它经常表现得很好，就把关键控制权交给它。 至于创作者对 AI 的恐惧，他觉得完全可以理解。一个人被告知自己的饭碗即将被取代，当然会担心。科技公司一边宣称要消灭大量工作，一边又期待大家热情拥抱自己的产品，这本身就很难说得通。 他还提出了一个判断未来预测的方法：先看看这个人过去的预测，究竟兑现了多少。宣布人类即将完蛋，很容易获得关注；真正把工具做得可控、让使用者放心，需要更具体的工作。 他还把 AI 安全落到了公司的责任上：如果你的产品伤害了别人，公司就得承担法律责任。在他看来，这是约束这场技术竞赛的重要力量。企业有动力不断提升能力、抢市场、赚更多钱，也必须为产品造成的后果负责。