<?xml version="1.0" encoding="utf-8" standalone="yes"?>
<rss version="2.0" xmlns:atom="http://www.w3.org/2005/Atom">
  <channel>
    <title>预训练 on AI内参</title>
    <link>https://www.neican.ai/tags/%E9%A2%84%E8%AE%AD%E7%BB%83/</link>
    <description>Recent content in 预训练 on AI内参</description>
    <generator>Hugo</generator>
    <language>zh-cn</language>
    <lastBuildDate>Wed, 20 May 2026 08:40:03 +0800</lastBuildDate>
    <atom:link href="https://www.neican.ai/tags/%E9%A2%84%E8%AE%AD%E7%BB%83/index.xml" rel="self" type="application/rss+xml" />
    <item>
      <title>AI复仇者联盟再添大将：Karpathy官宣加入Anthropic，这是要让Claude自己教自己？</title>
      <link>https://www.neican.ai/insights/aikarpathyanthropicclaude-20260520084003323-2/</link>
      <pubDate>Wed, 20 May 2026 08:40:03 +0800</pubDate>
      <guid>https://www.neican.ai/insights/aikarpathyanthropicclaude-20260520084003323-2/</guid>
      <description>AI圈顶流Karpathy官宣加入Anthropic，不是去当高管，而是去组建团队教Claude如何自我进化预训练。这波操作让Anthropic的「前OpenAI复仇者联盟」阵容再次升级，直接把人才战打成了「造神运动」，OpenAI压力山大。</description>
    </item>
    <item>
      <title>AI圈的&#34;迈克尔·乔丹&#34;宣布回归！Karpathy 弃 OpenAI 选 Anthropic，这事儿到底有多炸？</title>
      <link>https://www.neican.ai/insights/aikarpathy-openai-anthropic-20260520084003322-1/</link>
      <pubDate>Wed, 20 May 2026 08:40:03 +0800</pubDate>
      <guid>https://www.neican.ai/insights/aikarpathy-openai-anthropic-20260520084003322-1/</guid>
      <description>传奇研究员Andrej Karpathy放弃重回OpenAI，选择加入其最大竞争对手Anthropic，并一头扎进被行业唱衰的预训练（Pre-training）赛道。这不仅仅是人才争夺，更是用职业选择给“预训练已死”论打了脸，也暴露了顶级研究员在当前环境下创业的困境。</description>
    </item>
    <item>
      <title>曾妍：那个教像素如何“跳舞”的女孩</title>
      <link>https://www.neican.ai/insights/article-20260324154006476-2/</link>
      <pubDate>Tue, 24 Mar 2026 15:40:06 +0800</pubDate>
      <guid>https://www.neican.ai/insights/article-20260324154006476-2/</guid>
      <description>本文深度剖析了字节跳动95后AI科学家曾妍的成长历程，展现了她在视频生成模型Seedance 2.0预训练中的核心贡献。文章揭示了她如何通过学术创新与工程实践的结合，在动态性与稳定性间找到平衡，并探讨了年轻一代技术领袖在大厂体系内的晋升路径与行业影响。</description>
    </item>
    <item>
      <title>Mark Chen：OpenAI“深海”研究者，在汤与算法的漩涡中锚定AGI未来</title>
      <link>https://www.neican.ai/insights/mark-chenopenaiagi-20251204111004892-0/</link>
      <pubDate>Thu, 04 Dec 2025 11:10:04 +0800</pubDate>
      <guid>https://www.neican.ai/insights/mark-chenopenaiagi-20251204111004892-0/</guid>
      <description>OpenAI首席研究员Mark Chen以其独特的数学天赋和对AGI的坚定信念，在OpenAI的崛起与挑战中扮演了关键角色。他不仅在激烈的AI人才战中智勇双全，更在技术上深耕预训练，推动AI在科学发现上的突破，同时在公司内部动荡时期展现出非凡的领导力与凝聚团队的决心。Mark Chen的经历揭示了他从华尔街转型到AI的深层动机，以及他对AI安全与对齐的深刻思考，是一位兼具技术深度、战略眼光和人文关怀的行业先锋。</description>
    </item>
    <item>
      <title>OpenAI首席研究官专访：AGI不再是十年之约，而是两年半内端到端自主科学发现的进行时</title>
      <link>https://www.neican.ai/insights/openaiagi-20251203161004814-0/</link>
      <pubDate>Wed, 03 Dec 2025 16:10:04 +0800</pubDate>
      <guid>https://www.neican.ai/insights/openaiagi-20251203161004814-0/</guid>
      <description>OpenAI首席研究官马克·陈的专访，全面披露了公司在AGI愿景、核心技术与商业战略上的深层考量。文章洞察了OpenAI以“AI for Science”为核心的AGI路线图，提出AI将在两年半内实现端到端自主研究；并分析了其通过愿景凝聚人才、以探索性研究主导算力分配、重拾预训练强化模型能力的战略定力，以及与Jony Ive合作开发具身化AI硬件的未来布局，预示着AI正从工具迈向自主智能和科学伙伴的新范式。</description>
    </item>
    <item>
      <title>AI竞赛新纪元：OpenAI预训练陷囹圄，谷歌崛起，Agent与专业化成未来棋局</title>
      <link>https://www.neican.ai/insights/aiopenaiagent-20251201104004710-1/</link>
      <pubDate>Mon, 01 Dec 2025 10:40:04 +0800</pubDate>
      <guid>https://www.neican.ai/insights/aiopenaiagent-20251201104004710-1/</guid>
      <description>OpenAI在核心预训练环节遭遇两年半的技术停滞，导致GPT-5被指是GPT-4o的“换皮”升级，未能实现预期中的代际飞跃。与此同时，谷歌凭借TPUv7在预训练领域取得显著突破，正重塑AI算力与模型研发的竞争格局。面对挑战，OpenAI正战略性地将重心转向推理、强化学习、模型专业化和AI Agent开发，以期在新的技术范式和企业级应用市场中重夺领先地位，预示着AI领域将进入一个多元竞争、软硬件深度整合的新纪元。</description>
    </item>
    <item>
      <title>超越数据枯竭的“规模壁垒”：苹果S.B.P.预训练范式如何重塑AI未来</title>
      <link>https://www.neican.ai/insights/sbpai-20250923191005893-1/</link>
      <pubDate>Tue, 23 Sep 2025 19:10:05 +0800</pubDate>
      <guid>https://www.neican.ai/insights/sbpai-20250923191005893-1/</guid>
      <description>随着高质量训练数据枯竭，大模型发展面临“规模壁垒”。前苹果AI负责人庞若鸣参与的“合成自举预训练（SBP）”新范式，通过识别并利用现有数据中的跨文档关联来生成高质量合成数据，有效提升了模型性能。这项技术有望缓解AI的数据瓶颈，降低训练成本，并促使AI从单纯的数据规模竞赛转向更注重数据智慧和高效利用的新阶段，同时引发对未来AI自我改进和伦理风险的深层思考。</description>
    </item>
  </channel>
</rss>
