作者提出将任意机器学习任务的数据集直接转化为专用芯片的设想,并给出一个端到端自动学习得到的单周期四子棋芯片实例。该芯片仅用不到 10 美元算力从模拟对局数据中训练生成,运行频率约 25 MHz,每步能耗仅数百皮焦,速度与 CPU 引擎相当但能耗低两到三个数量级。
术语slug: end-to-end-learning
端到端学习
End-to-End Learning
从原始输入到最终输出整体优化模型或系统的训练方法,无需人工分阶段设计
收录情报动态
Hacker News AIT2·算力与基建
58 分
InfoQ 中文T2·基座大模型
68 分
百度在 AI Day 上首次披露面向物理 AI 的全模态世界模型 Apollo World,提出“2+3”评判标准以强调因果还原而非单纯视觉渲染。该模型通过构建具备决策能力的智能体交通参与者,为萝卜快跑提供高保真虚拟训练环境,旨在解决自动驾驶安全、实时性与博弈的“不可能三角”,加速 L4 级无人驾驶规模化落地。
Hacker News AIT2·基座大模型
78 分
Cartesia Research 发布关于“分层网络”(Hierarchical Networks)的研究,旨在解决当前大模型依赖手工编码步骤的问题。该研究主张回归“苦涩教训”,通过直接处理原始字节数据实现更通用的端到端学习,以应对科学、机器人等数据稀缺领域的挑战。
Microsoft ResearchT1·基座大模型
68 分
微软研究院推出端到端机器学习管道 GridSFM,结合太阳风物理数据与地理特征,为美国 6.6 万个变电站提供空间天气风险预测。该系统在评估期内检测出近 80% 的重大事件,并能提前 30-60 分钟向电网运营商发出预警。
Berkeley AI Research (BAIR)T1·基座大模型
68 分
BAIR 团队在 NeurIPS 2025 提出一种基于信息论的成像系统评估框架,直接量化噪声测量数据中的有用信息量。该方法摒弃传统分辨率或信噪比指标,通过估计器从原始数据中评估物体区分能力,适用于自动驾驶、MRI 等 AI 主导的非可视成像场景。代码已开源。
Hugging Face BlogT1·开源与评测
78 分
Hugging Face LeRobot 框架正式接入 L2D 数据集,这是目前全球最大的开源自动驾驶多模态数据集。该数据集包含来自德国 30 个城市的 90+ TB 数据(超 5000 小时驾驶记录),涵盖高清摄像头、车辆状态及自然语言指令,专为训练端到端自动驾驶模型设计。