<?xml version="1.0" encoding="utf-8" standalone="yes"?>
<rss version="2.0" xmlns:atom="http://www.w3.org/2005/Atom">
  <channel>
    <title>科学史 on AI内参</title>
    <link>https://www.neican.ai/tags/%E7%A7%91%E5%AD%A6%E5%8F%B2/</link>
    <description>Recent content in 科学史 on AI内参</description>
    <generator>Hugo</generator>
    <language>zh-cn</language>
    <lastBuildDate>Tue, 02 Sep 2025 16:10:04 +0800</lastBuildDate>
    <atom:link href="https://www.neican.ai/tags/%E7%A7%91%E5%AD%A6%E5%8F%B2/index.xml" rel="self" type="application/rss+xml" />
    <item>
      <title>回溯深度学习的“第一性原理”：Scaling Laws的历史轨迹、商业密码与哲学深思</title>
      <link>https://www.neican.ai/insights/scaling-laws-20250902161004991-5/</link>
      <pubDate>Tue, 02 Sep 2025 16:10:04 +0800</pubDate>
      <guid>https://www.neican.ai/insights/scaling-laws-20250902161004991-5/</guid>
      <description>深度学习的扩展定律（Scaling Laws）被OpenAI总裁Greg Brockman誉为深度学习的根本，但其起源可追溯至1993年贝尔实验室的论文，甚至更早期的心理学和统计学习理论研究。这一定律不仅揭示了AI性能与资源投入的幂律关系，驱动了当前大模型时代的商业竞争和巨额投资，更引发了对科学发现累积性、超前视野与未来AI发展路径的深层反思。</description>
    </item>
  </channel>
</rss>
