EIN THEMA, IM KONTEXT

AI research

Model learning, generalization, distillation, and experimental methods.

2 Personen · 2 Quellen · 6 geäußerte Meinungen

Inhalt aktualisiert: 29. Sept. 2026

Perspektiven im Überblick

Erkunden Sie nach Person. Wählen Sie zwei oder drei zum Vergleich aus.

2 Personen · 2 Quellen · 6 geäußerte Meinungen

Eric Nguyen

Unannotated genomic data favors unsupervised learning

Eric Nguyen says most genomic data is not annotated, making it desirable to learn from it through unsupervised methods.

🔬Bio-security is an AI Arms Race - Eric Nguyen (CEO, Radical Numerics)23. Sept. 2026

Stützende Belege

Originalauszug

there's a lot more data, a lot more genomic data that's not annotated. Actually, most of it, pretty much in many ways, almost all of it is not annotated. And so being able to learn from an unsupervised manner, hugely desirable

Eric Nguyen·23. Sept. 2026

🔬Bio-security is an AI Arms Race - Eric Nguyen (CEO, Radical Numerics)

Dieser Auszug enthält keinen weiteren Kontext. Lesen Sie das Originalgespräch.

Original öffnen · 25:53 Transkriptquelle

Die Startzeit stammt aus dem bereitgestellten Transkript. Die Synchronisierung der Wiedergabe steht noch zur Überprüfung an.

Die Episode öffnen und zu 25:53 springen.

Erkenntnisse teilen Diese Aussage überprüfen

Ensemble comparisons require more than one favorable result

Eric Nguyen describes comparing his team’s work with ensemble methods that combine several approaches. He says the team did not want to select one model and simply claim to be better than it.

🔬Bio-security is an AI Arms Race - Eric Nguyen (CEO, Radical Numerics)23. Sept. 2026

Stützende Belege

Originalauszug

they'll take the best methods and kind of do Do an ensemble, right? So they'll take up another, even if the best method is another previous model, they'll mix it with like an SVM and just like throw the kitchen sink at it. And so you can see why it would be the best, right? And so that was the bar for us. We're like, if they're going to throw the kitchen sink at it, like we're not going to cherry pick one model and say we're better than that.

Eric Nguyen·23. Sept. 2026

🔬Bio-security is an AI Arms Race - Eric Nguyen (CEO, Radical Numerics)

Dieser Auszug enthält keinen weiteren Kontext. Lesen Sie das Originalgespräch.

Original öffnen · 32:39 Transkriptquelle

Die Startzeit stammt aus dem bereitgestellten Transkript. Die Synchronisierung der Wiedergabe steht noch zur Überprüfung an.

Die Episode öffnen und zu 32:39 springen.

Erkenntnisse teilen Diese Aussage überprüfen

Promising computational results still need wet-lab validation

Eric Nguyen says wet-lab validation was in progress and had not been shown in the discussion. He regards the approach as potentially valuable if it works in the lab.

🔬Bio-security is an AI Arms Race - Eric Nguyen (CEO, Radical Numerics)23. Sept. 2026

Stützende Belege

Originalauszug

We were actually in the process of validating the wet lab right now. So we didn't get to show it here, but we wanted to know, right? Actually, can it not just do this in silico, which it can, it showcased that it was able to continue And now we think this is a, you know, obviously, if this works in the lab, we think this is a hugely, hugely valuable paradigm

Eric Nguyen·23. Sept. 2026

🔬Bio-security is an AI Arms Race - Eric Nguyen (CEO, Radical Numerics)

Dieser Auszug enthält keinen weiteren Kontext. Lesen Sie das Originalgespräch.

Original öffnen · 36:30 Transkriptquelle

Die Startzeit stammt aus dem bereitgestellten Transkript. Die Synchronisierung der Wiedergabe steht noch zur Überprüfung an.

Die Episode öffnen und zu 36:30 springen.

Erkenntnisse teilen Diese Aussage überprüfen

John Schulman

Generalization is difficult to predict

John Schulman says the field depends heavily on generalization and that it is difficult to predict when generalization, including out-of-distribution generalization, will occur.

AI researchers debate how close we are to recursive self-improvement11. Sept. 2026

Stützende Belege

Originalauszug

The whole field relies a lot on generalization and it’s very hard to predict when you’re going to get generalization, or when you’re going to get some kind of out-of-distribution generalization

John Schulman·11. Sept. 2026

AI researchers debate how close we are to recursive self-improvement

Dieser Auszug enthält keinen weiteren Kontext. Lesen Sie das Originalgespräch.

Original öffnen · 9:42 Transkriptquelle

Die Startzeit stammt aus dem bereitgestellten Transkript. Die Synchronisierung der Wiedergabe steht noch zur Überprüfung an.

Die Episode öffnen und zu 9:42 springen.

Erkenntnisse teilen Diese Aussage überprüfen

Research methods may have substantial room to improve

John Schulman suggests that clever small-scale experiments could support theories that generalize to larger experiments. He expects research methods to be far from their ceiling.

AI researchers debate how close we are to recursive self-improvement11. Sept. 2026

Stützende Belege

Originalauszug

If you think hard enough, you probably could have expected some of these things beforehand. There is probably some very clever way to do a small-scale experiment that’ll let you build the theory that then will generalize to the large-scale experiment. So I would expect that we’re nowhere near the ceiling of how well you can do research

John Schulman·11. Sept. 2026

AI researchers debate how close we are to recursive self-improvement

Dieser Auszug enthält keinen weiteren Kontext. Lesen Sie das Originalgespräch.

Original öffnen · 11:34 Transkriptquelle

Die Startzeit stammt aus dem bereitgestellten Transkript. Die Synchronisierung der Wiedergabe steht noch zur Überprüfung an.

Die Episode öffnen und zu 11:34 springen.

Erkenntnisse teilen Diese Aussage überprüfen

Distillation depends on a realistic prompt distribution

John Schulman says a realistic prompt distribution can help a distilled model match a larger model. He contrasts this with easily verifiable tasks, which may produce strong benchmark results but weaker performance across a broader distribution.

AI researchers debate how close we are to recursive self-improvement11. Sept. 2026

Stützende Belege

Originalauszug

If you have a really good realistic prompt distribution for distillation, you can match the big model really well. But if you only have this distribution of easily verifiable tasks, then you can match the big model on all the benchmarks, but you do worse on this broader distribution

John Schulman·11. Sept. 2026

AI researchers debate how close we are to recursive self-improvement

Dieser Auszug enthält keinen weiteren Kontext. Lesen Sie das Originalgespräch.

Original öffnen · 26:48 Transkriptquelle

Die Startzeit stammt aus dem bereitgestellten Transkript. Die Synchronisierung der Wiedergabe steht noch zur Überprüfung an.

Die Episode öffnen und zu 26:48 springen.

Erkenntnisse teilen Diese Aussage überprüfen

Dies sind individuelle Standpunkte, keine Messung einer Übereinstimmung. Das Quellenmaterial bleibt in der Originalsprache.