Core Viewpoint - The article discusses the emergence of LAION as a response to the increasing centralization and opacity in the field of artificial intelligence, emphasizing the need for open datasets and reproducibility in research [7][25]. Group 1: Emergence of LAION - LAION was founded to combat the trend of AI research being locked in "black boxes" controlled by a few tech giants, which hinders scientific reproducibility [2][7]. - The initiative began with Christoph Schuhmann's idea to create a dataset from Common Crawl, leading to the formation of a collaborative network of scientists and enthusiasts [3][4]. - The organization is defined by its commitment to being 100% non-profit and free, aiming to "liberate machine learning research" [3][4]. Group 2: Collaboration and Resources - The collaboration between LAION and top-tier computing resources allowed for the reproduction and even surpassing of models locked in proprietary systems [4][5]. - Key figures from various backgrounds, including academia and industry, joined LAION, contributing to its mission and enhancing its research capabilities [5][10]. - The organization has successfully released large-scale open datasets like LAION-400M and LAION-5B, which have been widely adopted in the community [16][17]. Group 3: Challenges and Achievements - The process of building reproducible datasets is complex and requires significant effort, including data collection and quality assurance [28][31]. - Despite initial expectations of mediocrity, models trained on LAION's open datasets performed comparably or better than proprietary models, demonstrating the potential of open research [17][29]. - The transparency of open datasets allows for the identification and rectification of issues, enhancing the overall quality of research outputs [30][31]. Group 4: The Future of AI Research - The article highlights the importance of open data and reproducibility in advancing AI research, suggesting that a collaborative approach can lead to significant breakthroughs [25][26]. - The ongoing exploration of reasoning models indicates a shift towards improving the robustness and reliability of AI systems, with a focus on expanding the dataset for training [41][43]. - The future of AI research may depend on the ability to create a more organized framework within the open-source community to harness collective talent and resources [45].

作者丨 John Carmark 译者丨明知山 策划丨 Tina 快速背景介绍 Id Software Id Software 成立于 90 年代，作为创始人之一，我参与开发了《指挥官基恩》、《德军总部 3D》、《毁灭战士》和《雷神之锤》系列。我深感自豪的是，《雷神之锤》推动了 GPU 的发展 和普及，间接促成了现代人工智能世界的形成。DeepMind 的 DMLab 环境也是基于《雷神之锤 竞技场》的净化版本构建的。 Armadillo Aerospace 与此同时，我在 Armadillo Aerospace 工作了十年，致力于垂直起降（VTVL）火箭的研发。 Oculus 更近一些，我在 Oculus（后被 Meta 收购）为现代虚拟现实奠定了技术基础。 Keen Technologies 我还在 Meta 的时候，OpenAI 创始人试图向我伸出橄榄枝。我深感荣幸，但我并非 AI 领域的专 业人士。 我进行了大量的阅读，形成了一些关于当前局势的看法，并最终确定这就是我能够参与的最重要 的事情。 从系统工程转向研究工作对我来说是一个非常大的变化，但我很享受这个过程。 能与强化学习之父 Richard S ...

6月9日，由法国和哥斯达黎加共同主办的第三届联合国海洋大会在法国尼斯开幕。期间，中国国家海洋 信息中心牵头举办"启智海洋：创新科学引领行动，共促可持续的未来"边会，自然资源部代表中国面向 国际公开发布了中国全球海洋融合数据集1.0。中国国家海洋信息中心研究员于婷表示，本次发布的中 国全球海洋融合数据集CGOF1.0，它基本上涵盖了国内外40多种不同的数据来源，也融入了中国的自主 海洋观测，时间跨度可以长达60年。它的空间分辨率达到了10公里。它融合了深度学习、迁移学习、机 器学习等先进的AI智能技术。它的精度较国外主流的一些数据集质量都有所提升。(央视新闻) ...

2025 年 4 月 29 日,上海交通大学人工智能与微结构实验室李金金教授接受第一财经采访,在直播间"财经 夜行线"探讨人工智能如何重构新型工业化。当前工业面临动态数据解析难、数据标注瓶颈、算力成本 高企等难题,李教授提出需加强多学科交叉,建立专业标注体系。其团队研发的 AI 自控系统引入 "时间维 度",采用轻量化设计,推动工业从 "经验驱动" 转向 "智能驱动"。 在科技飞速发展的当下,人工智能与工业化的融合已成为推动产业变革的核心力量。国内积极探索 AI 与 工业化结合路径,从产业基础再造、产品技术攻关到供应链管理优化等多个方向发力,正逐步改写工业生 产的格局。 在这场变革浪潮中,上海交通大学李金金教授团队脱颖而出,其研发成果为行业发展带来全新突破。在发 酵行业,他们研发的 "基于迁移学习和物理可解释的小样本 AI 工业自动控制系统",创新性地将 "时间维 度" 引入工业控制领域。生物发酵过程中,微生物生长阶段差异大、代谢动态变化受时间影响显著,传统 依赖固定参数和人工经验的生产方式难以应对。而该系统成功攻克生物发酵复杂动态过程的实时预测与 调控难题。企业应用后,可根据实际情况动态调控参数,实时生成最 ...