Weapons of Math Destruction 阅读笔记
Lazy loaded imageWeapons of Math Destruction 阅读笔记
这本书由前华尔街数据科学家 Cathy O’Neil 撰写，通过多个社会领域（教育、招聘、信贷、司法等）的真实案例，揭示了黑箱算法模型如何在无形中加剧社会不平等，并进一步侵蚀民主制度。 作者提出“WMD（Weapons of Math Destruction）”概念，指那些具备三大特征的算法系统： • 不透明（Opacity） • 影响广泛（Scale） • 破坏性反馈循环（Damage） 这些系统往往将人类的偏见深深地嵌入模型中，对弱势群体的打击尤为严重，使穷人越穷、富人越富，形成数据歧视的死循环。
迈克·辛格：一场意外的人生实验
Lazy loaded image迈克·辛格：一场意外的人生实验
一位是在佛罗里达州林中独居、热爱冥想的年轻人；另一位，是价值十亿美元上市公司的CEO。这两个截然不同的身份，竟属于同一个人——迈克·A·辛格（Michael A. Singer）。他的人生充满了看似矛盾的传奇色彩：从一个只想独享宁静的隐士，到一个改变了整个医疗管理行业的软件公司创始人。这是一场将他推向财富巅峰，也带给他无法想象的考验——包括一次轰动的FBI突袭——的奇幻旅程。这一切是如何发生的？答案，在于他进行的一项长达四十年的激进人生实验——《臣服实验》。
Data Engineering Introduction to Data Engineering
☘️Data Engineering Introduction to Data Engineering
• 当前AI领域过于关注算法，而忽略了数据的重要性 • AI公司的三大核心资产：计算资源、数据和算法，其中数据是最独特且不可复制的 • "苦涩的教训"(The Bitter Lesson)论文指出，真正推动AI发展的是数据规模和计算能力，而非精巧的算法 • GPT-4与GPT-3相比有显著提升，而GPT-5与GPT-4的差距较小，表明数据已成为限制因素 • 当前互联网上99%的优质数据已被现有模型消耗，数据成为AI发展的瓶颈