The Gradient 是一个致力于让更多人轻松了解人工智能，并促进人工智能社区内讨论的组织。我们目前开展的项目包括 The Gradient 杂志、The Gradient 播客、The Update 通讯以及 Mastodon 实例 Sigmoid Social。
我们是一个由来自不同机构和公司的研究生、研究人员及工程师组成的非盈利、志愿者运营团队。我们成立于 2017 年，由斯坦福人工智能实验室（SAIL）的一群学生和研究人员创立。
本杂志主要刊载两类文章：一是对当前技术发展水平及其未来趋势的通俗易懂但技术性强的综述；二是领域内研究者和专家对人工智能主题的批判性及深入见解。部分示例文章包括：
The Economics of AI Today
当今人工智能的经济学
Introduction to Artificial Life for People who Like AI
面向 AI 爱好者的仿生学入门
The Promise of Hierarchical Reinforcement Learning
分层强化学习的承诺
NLP's ImageNet moment has arrived
自然语言处理的 ImageNet 时刻已经到来
Quantifying Independently Reproducible Machine Learning
量化独立可复现的机器学习
The #BenderRule: On Naming the Languages We Study and Why It Matters.
#Bender 规则：关于命名我们所学的语言及其重要性。
"The Gradient: Perspectives on AI" 是一个专注于人工智能和技术的科学播客。深度研究的、技术性的访谈，与思考人工智能和技术的专家们对话。由Daniel Bashir主持、录制、研究和制作。网址：http://thegradientpub.substack.com
下面是所列播客的标题：
- Christoffer Holmgård：电子游戏中的人工智能
- 来自《The Gradient》播客的"Hello World!"
- Abubakar Abid：基因组学中的AI、Gradio及Fatima Fellowship
- Alex Tamkin：自监督学习和大型语言模型
- Alexander Veysov：自学习AI及开源语音识别
- Anna Rogers：AI领域同行评审的缺陷
- Chelsea Finn：元学习与基于模型的强化学习
- Devi Parikh：生成艺术与创造力中的AI
- Evan Hubinger：有效利他主义和AI安全
- Helena Sarin：作为AI艺术家
- Jeffrey Ding：中国的AI梦、AI“军备竞赛”以及AI作为通用技术
- Jeremy Howard：Kaggle、Enlitic和fast.ai
- Joel Simon：AI艺术与Artbreeder
- Miles Brundage：AI滥用与可信AI
- Peter Henderson：强化学习基准测试、AI对气候的影响以及法律中的AI
- Rishi Bommasani：基础模型
- Sergey Levine：机器人学习与离线强化学习
- Upol Ehsan：以人为中心的可解释AI和社会透明度
- Yann LeCun：研究起步与自监督学习
- Yannic Kilcher：作为AI研究者和教育者
- Catherine Olsson 和 Nelson Elhage：Anthropic，理解Transformer
- Chip Huyen：机器学习工具和系统
- Connor Leahy：EleutherAI、GPT-2和GPT-3的复制、AI风险与对齐
- Eric Jang：谷歌的机器人学习和通过语言进行泛化
- Jeff Clune：遗传算法、质量-多样性、好奇心
- Laura Weidinger：大型语言模型的伦理风险、危害和对齐
- 中将 Jack Shanahan：国防部中的AI、Project Maven及科技与国防之间的桥梁
- Lukas Biewald：CrowdFlower中的众包和Weights & Biases中的机器学习工具
- Max Braun：教机器人帮助人们在日常生活中
- Nick Walton：AI Dungeon和游戏中的AI未来
- Pete Florence：密集视觉表示、NeRFs及用于机器人技术的大型语言模型
- Rosanne Liu：AI研究的路径和ML Collective
- Nathan Benaich：的AI
- Anant Agarwal：AI在教育中的应用
- Andrew Feldman：Cerebras和AI硬件
- Andrew Lee：AI将如何塑造未来的电子邮件
- Antoine Blondeau：Alpha Intelligence Capital和AI投资
- Arjun Ramani 和 Zhengdong Wang：实现变革性AI的困难
- Azeem Azhar：《指数视角》
- Been Kim：可解释机器学习
- Ben Green：社会公益技术需要做得更多
- Ben Wellington：金融中的机器学习和通过数据讲故事
- Benjamin Breen：迷幻药与AI研究交叉历史
- Blair Attard-Frost：加拿大的AI战略和AI商业实践的伦理
- Brigham Hyde：临床决策中的AI
- Cameron Jones 和 Sean Trott：大型语言模型中的理解、基础和引用
- Christopher Manning：语言学和自然语言处理的发展
- Daniel Situnayake：边缘AI
- David Chalmers：AI与意识
- David Thorstad：有限理性与反对长远主义
- Divyansh Kaushik：AI政策的现实
- Drago Anguelov：Waymo和自动驾驶汽车
- Ed Grefenstette：语言、语义、Cohere
- Eric Jang：AI对你有好处
- François Chollet：Keras和智能的衡量标准
- Gil Strang：线性代数与深度学习
- Greg Yang：传达研究、Tensor程序和µTransfer
- Harvey Lederman：大型语言模型中的命题态度和引用
- Hattie Zhou：大型语言模型中的彩票假说和算法推理
- Hugo Larochelle：将深度学习作为一门科学
- Irene Solaiman：AI政策与社会影响
- Jeremie Harris：现实中的对齐与AI政策
- Joanna Bryson：认知问题
- Joe Edelman：意义对齐的AI
- Joel Lehman：通过大型模型实现开放性和进化
- Jonathan Frankle：从彩票假说到大型语言模型
- Joon Park：生成代理和人机交互
- Joss Fong：视频制作、AI与科学传播
- Kanjun Qiu 和 Josh Albrecht：普遍智能
- Kate Park：视觉和语言的数据引擎
- Kathleen Fisher：DARPA和国家安全中的AI
- Ken Liu：科幻小说能教会我们什么
- Kevin K. Yang：机器学习中的蛋白质工程
- Kyunghyun Cho：神经机器翻译、语言和做科学的意义
- Laurence Liew：AI Singapore
- Linus Lee：机器与心智的边界
- Luis Voloch：AI与生物学
- Marc Bellemare：分布式强化学习
- Martin Wattenberg：机器学习的可视化与可解释性
- Matt Sheehan：中国的AI战略与治理
- Max Woolf：BuzzFeed的数据科学与AI内容生成
- Melanie Mitchell：AI中的抽象与类比
- Michael Levin 和 Adam Goldstein：智能的多种尺度
- Michael Sipser：计算理论中的问题
- Miles Grimshaw：Benchmark、LangChain与AI投资
- Nao Tokui：AI音乐创作
- Nathan Benaich：AI状态报告
- Nicholas Thompson：AI与新闻业
- Peli Grietzer：文学的数学化哲学
- Percy Liang：机器学习的稳健性、基础模型和可复现性
- Peter Tse：意识与自由意志的神经科学
- Preetum Nakkiran：深度学习的经验理论
- Raphaël Millière：向量基础问题与自我意识
- Richard Socher：重新定义搜索
- Riley Goodside：提示工程的艺术与工艺
- Russ Maschmeyer：空间商务与零售中的AI
- Ryan Drapeau：在Stripe使用机器学习对抗欺诈
- Ryan Tibshirani：统计学、非参数回归、保守预测
- Sara Hooker：Cohere For AI，硬件彩票和深度学习的权衡
- Sasha Luccioni：AI的环境与社会影响之间的联系
- Sasha Rush：构建更好的自然语言处理系统
- Scott Aaronson：反对AI末日主义
- Sebastian Raschka：AI教育与研究
- Seth Lazar：计算的规范哲学
- Sewon Min：自然语言的科学
- Shiv Rao：利用AI改善患者护理
- Shreya Shankar：现实世界中的机器学习
- Soumith Chintala：PyTorch
- Stevan Harnad：AI的符号基础问题
- Steve Miller：AI是否会夺走你的工作？事情没那么简单
- Stuart Russell：人工智能的基础
- Subbarao Kambhampati：在大型语言模型时代的规划、推理和可解释性
- Suhail Doshi：计算机视觉的未来
- Suresh Venkatasubramanian：AI权利法案
- Tal Linzen：心理语言学与语言建模
- Talia Ringer：形式验证与深度学习
- Ted Gibson：语言的结构与目的
- Ted Underwood：机器学习与文学想象力
- Terry Winograd：AI、人机交互、语言与认知
- Thomas Dietterich：从基础开始
- Thomas Mullaney：信息时代的全球史
- Varun Ganapathi：AKASA、AI和医疗
- Venkatesh Rao：协议、智能与扩展
- Vera Liao：AI的可解释性和透明性
- Vivek Natarajan：走向生物医学AI
- Yejin Choi：教机器常识与道德
- Yoshua Bengio：深度学习的过去、现在和未来
- Zachary Lipton：机器学习的不足之处
