微博 AI 观察博客

原文

Codex 的野心，MCP 和 Skill 的下一步这段时间我在密集使用 Codex App、Cursor 等 Agent 应用，有件事越来越觉得有意思。去年大家争的是谁家模型更强，今年争的好像变成了谁家窗口右侧更好用。Codex、Claude 桌面版、Cursor 3.0、TRAE SOLO，这几家最顶尖的 Agent，在完全没有协商的情况下，几乎同时收敛到了同一个界面布局：左侧是项目和会话列表，中间是和 Agent 的对话，右侧是工作区，放着文件浏览、网页预览、文件变更审查这些功能。肯定不是相互之间的抄袭，更像是当前 Agent 交互的最优解。【1】为什么是三栏传统 Chatbot 只需要两栏，左边会话历史，右边对话窗口，你问它答，用完走人。到了 Agent 时代，Agent 能自己写代码、改文件、调工具了。它做完之后，你得看看有没有做对——右侧工作区就是为这件事出现的。但这只是第一阶段。随着用户越来越多时间是在指挥 Agent，打开 VSCode 这类专业工具的时间自然越来越少。那个问题迟早会冒出来：Agent 帮你写完代码、做完 PPT，你想微调几个字，还要专门切出去打开另一个软件？没有人愿意这样。用户的自然期待是：能不能直接在 Agent 里改？这也是目前 Codex App 呼声最高的功能之一（另一个呼声高的是手机版，马上要出了）。于是各家开始悄悄升级右侧工作区，让它从只能看文件编辑记录，变成了一个多功能区。Codex 在 4 月 16 日的大版本更新里，右侧工作区的改动幅度是所有功能里最大的。交互细节上各家略有差异。Codex 和 Cursor 用 Tab 切换，Claude 用浮动面板。我自己用下来觉得 Codex 最顺手，Claude 的浮动面板方案设计感有余、实用性不足，迟早要改。【2】Codex 的真正野心但如果只把这个变化读成“设计界面进化”，就低估 Codex 了。Codex 4 月大版本发布时的口号是“Codex for (almost) everything”——几乎任何任务都能做。你可以把它理解成一句广告口号，但更像是一个产品方向的声明。要兑现这句话，Codex 不能只是个擅长写代码的 Agent，它必须能处理各种文件格式，支持各领域的专业工作流，还要让用户能在它里面完成全程闭环，包括最后的人工微调。目前 Codex 还做不到最后一步：生成之后无法编辑，代码、Markdown、PPTX 都不行。这可能是产品上有意为之的克制，可能是技术上还没跑通，也可能是在等一个统一的解决方案出现。我猜是第三种。【3】MCP 和 Skill 都只解决了一半要理解 Codex 在等什么，得先想清楚 Agent 能力拼图里现在差哪一块。MCP 解决了“连接”问题：Agent 通过统一规范接入各种工具，数据库、日历、代码仓库，都能打通。Agent…

转发者评论

无明显转发评论

• 回复@迦勒底观测员:是的，大概率会从手机先开始//@迦勒底观测员:现在还是AI agent，应用级别，说不定未来这就是工作电脑的桌面主界面，系统级别！

原文

最近Harness比较火🔥🔥🔥，总计一下1. AI Coding 的真正瓶颈不是模型，是 Harness 架构。Harness 是什么？就是包裹 LLM 的那层运行时基础设施。模型本身是个无状态的 token 预测器，Harness 负责让它真正能干活。一个完整的 Harness 要处理六件事：1）Loop 控制：驱动模型反复调用、解析输出、执行工具调用、把结果喂回去，决定什么时候停2）工具调用分发：把模型的请求路由到实际能力上（代码执行、搜索、API、MCP server）3）Context 管理：系统 prompt、对话历史、检索文档，以及上下文快满时的压缩和摘要4）状态与记忆：scratchpad、任务列表、跨 session 的短期和长期记忆5）控制流：重试、超时、最大步数限制、预算上限、停止条件6）安全与可观测性：guardrail、权限检查、审批门控、日志和 tracing本质上是：Harness 是 AI agent 的操作系统，模型只是 CPU。2. Anthropic 自己踩过的坑：他们让 Claude Opus 4.5 在 loop 里跑多个 context window、自主构建 claude.ai 克隆，失败模式有两个：1）模型想一次搞定所有功能，context 跑到一半就满了，下一个 session 接手时只看到半拉子代码，不知道发生了什么。2）后期某个 session 环顾四周，觉得差不多了，直接宣告任务完成。解法是两阶段 Harness：1）Initializer agent：第一个 session 专门建环境——生成 init.sh、feature list（200+ 条功能点全部标 failing）、初始 git commit2）Coding agent：后续每个 session 只做一件事，做完必须提交 git、更新进度文件，保持代码处于可以合并到 main的干净状态他们还发现模型存在context anxiety——上下文快满时会提前收工。Compaction（压缩历史继续跑）无法解决这个问题，必须用 context reset（清空上下文、新建 agent 接手、通过结构化 handoff artifact 传递状态）。3. 进阶版：三 agent 架构两 agent 版本跑一段时间后，又遇到新问题：模型评价自己写的代码会系统性地偏乐观，明显有问题的设计也会说"挺好的"。解法是引入第三个角色——Evaluator agent，独立于 Generator 存在。架构变成：1）Planner：分解任务，生成结构化 feature list2）Generator：逐条实现功能3）Evaluator：用一套预先定义好的打分标准（设计质量、原创性、工艺、功能性）独立评审，给出具体反馈本质上是把 GAN 的对抗结构引入了…

转发者评论

无明显转发评论

原文

Igor Kotenkov写的一篇DeepSeek v4 论文详细解读地址： dsv4.interactive.ikot.blog/“在读 DeepSeek v4 论文的时候，我最后记下了 90 多个问题。网上很多论文解读都会跳过细节，而真正的学习往往就发生在这些细节里。所以，我决定整理一份更完整的指南：一篇带注释的论文精读。核心思路是：原论文仍然是你的主要材料，但当内容变得密集或难懂时，我会带你理解下去。你会看到详细注释、可视化图解、代码片段、参考链接，以及最重要的——必要的背景信息，让你不至于迷失。今天我发布 v1，包含前 50 条笔记。我会展开讲解的一些内容包括：• 为什么在 MoE Router 里用 Sqrt-Softplus 替代 Softmax 和 Sigmoid？• Birkhoff polytope 到底是什么？• attention 会把某些 token 处理 3 次吗？• split-KV 和 split-K 是什么？为什么 DeepSeek 放弃了它们？• 为什么使用 Reverse KL？它又是从哪里来的？……还有很多内容。即使是要求很高的读者，也能从中发现新东西。开源模型目前仍然大量借鉴 DeepSeek v3，而 v4 里的细节很快也会成为讨论和机器学习面试中的常见话题。希望这份指南能帮你提前掌握这些内容。正如我的一个朋友开玩笑说的，读完这份指南，不仅会让你成为更好的工程师，也会让你成为更好的人 😂我无法从科学上证明这一点，但试试总没坏处。”#AI创造营#

转发者评论

无明显转发评论

原文

LLM 卡在《记忆碎片》式的永恒当下，需要持续学习才能真正进化！推荐来自 a16z 的这篇「我们为什么需要持续学习？」"上下文学习是短暂的，真正的学习需要压缩"。当前 的上下文学习 + 检索增强生成的范式确实在大量场景下可用，但它代表了一个天花板。模型需要真正的参数级学习（部署后的权重更新）才能处理新颖发现、对抗场景、以及隐性到无法用语言表达的知识。网页链接学习方法的光谱：压缩发生在不同层次- 纯检索 / 上下文层（无压缩）：权重冻结，扩展上下文窗口实现学习；- 模块层（部分压缩）：通过 Adapter、LoRA、外挂记忆来实现；- 参数级 / 权重更新（完全压缩）：直接修改权重把信息内化一个成熟的系统应该分层使用：ICL（in-context learning）是第一道防线，模块层做个性化，参数层做真正的发现。文章花了不少篇幅讲“状态空间模型”（State Space Models，SSM）作为上下文方案的极限。当前 Transformer 架构里，agent 在 20-100 步后就会因为上下文塞满 + 一致性退化而失败；SSM 用固定大小的记忆层 + 间插注意力头，理论上能扩展到约 2 万步才退化。“纯检索 / 上下文层”这条路径短期最快收敛、可扩展性最好——但它存在明显天花板。在参数路径下，又可以分为 4 个聚类：1. 部分压缩（模块）——压缩 KV 缓存、Adapter 层、外挂记忆。作者给了个有冲击力的数据点："8B 模型加上正确的模块，在目标任务上能匹配 800B 模型的表现"——这是 100 倍参数效率的提升。这条路径的好处是兼容现有 Transformer、可组合、稳定；2. RL 与反馈循环——从用户纠正 / 成功失败信号 / 现实世界奖励里学习。类比是人怎么从反馈里改进。难点是把稀疏、嘈杂、对抗性的反馈转化成稳定的权重更新；3. 数据中心方法——专注精选、生成、合成最优的训练数据来做持续更新。前提是"高质量信号需要的梯度步数更少"。这条天然跟反馈循环公司连接；4. 新架构——押注 Transformer 是瓶颈。论点是需要连续时间动力学 + 内置记忆机制。"学习应该在基质层级，不是事后加上去的。"最后，我们需要重新定义"模型"是什么：它不再是固定的权重，而是演化的系统。具体的分层架构应该是：- ICL 作为第一道防线：快速适应、可解释、可回滚- 模块层做个性化：稳定、可组合、适合每个用户/任务- 参数级更新做真正的发现：慢、深、负责生成全新能力这个架构跟 Anthropic Code with Claude 发布的 Routines / Dreams / Outcomes 三个 Managed Agents 特性在抽象层级是同构的——Routines 是 ICL 层的稳定执行路径、Dreams 是模块层的压缩历史、Outcomes 是…

转发者评论

无明显转发评论

原文

如果你还没用过 OpenClaw，2026.5.2 版是一个好起点!5 月 2 日，OpenClaw 发布了 2026.5 上线的首个稳定版。但如果你认真看完 changelog，会发现这版更新回答了一个很多人没意识到的问题：智能体框架的核心竞争力到底是什么？答案藏在两个字里：减法。【Grok 4.3 成为默认 xAI 模型】最显眼的单行变更：xAI 的 Grok 4.3 被加入 OpenClaw 的捆绑模型目录，并设为 xAI 的默认聊天模型。这意味着什么？如果你已经配置了 xAI API Key，更新后你的 Agent 会自动切换到 Grok 4.3，不需要改任何配置。这和 OpenClaw 之前推广 Claude Sonnet 4 和 GPT-4o 做默认模型的逻辑一致：让安装即用，而不是让用户去翻文档找模型名。Grok 4.3 有一个独特的优势：实时信息访问和 X/Twitter 平台集成。对于需要追踪实时事件和社交媒体动态的 Agent 来说，这个能力是其他模型暂时给不了的。想象一下，你的个人助手不需要额外搜索工具就能告诉你“刚才美股开盘了”或者“某条推文爆了”。价格方面，Grok 4.3 的定价大约是每百万输入 Token 21.6 元人民币（3美元），输出约 108 元（15美元），比 Claude Opus 4 便宜不少，但比 Gemini Flash 贵。定位在 "中高端推理+实时信息" 这个细分区间。但真正值得聊的不是模型本身，而是 OpenClaw 对默认模型的态度：每一次默认模型切换都是在替用户做架构决策。选 Grok 4.3 做默认，说明 OpenClaw 团队判断实时信息获取比纯推理能力对更多用户更重要。这个判断对不对，取决于你的 Agent 是做信息检索为主还是做深度分析为主。【插件架构外移：ACPX 和 OpenTelemetry 离开核心】这是这版更新里架构层面最重大的变化，但也是最容易被忽略的。OpenClaw 把 ACPX（Agent Coding Protocol harness）移到了 @ openclaw/acpx 包，把 OpenTelemetry 诊断移到了 @ openclaw/diagnostics-otel，把 Prometheus 诊断移到了单独包。加上 Discord、WhatsApp、Microsoft Teams、Matrix 等十几个渠道插件也被推到了 ClawHub。为什么要做这件事？因为 "装了就能用" 和 "装了什么都用不上但体积很大" 是两回事。之前 OpenClaw 的核心包里打包了所有渠道插件和诊断子系统，一个最小安装也要拖进几十个不需要的依赖。现在改成按需安装：你只用 Discord 就只装 Discord 插件，不需要 OTEL 就不装。实际影响有两个。第一，安装体积变小了。核…

转发者评论

无明显转发评论

原文

《Using Claude Code: The Unreasonable Effectiveness of HTML》作者：Thariq Shihipar（Anthropic Claude Code 团队工程负责人）发布时间：2026年5月8日原始链接：网页链接一、文章主要结构********引言/问题提出 Markdown 作为 AI agent 默认输出格式的局限性Why HTML?（核心论证）How to Get Started 强调无需复杂设置，自然语言即可Use Cases（分类用例）9大应用类别，20个具体HTML示例文件FAQ（常见质疑）回应token效率、速度、版本控制等质疑Stay in the Loop（情感升华） 回到"人在回路中"的核心价值主张二、核心论点（Thesis）********在 AI agent 能力日益增强、上下文窗口已达百万 token 的今天，Markdown 作为 AI 输出格式已经过时，HTML 才是更优的选择。它能提供更高的信息密度、更好的可读性、更方便的分享、双向交互能力，以及更深的上下文整合。前提条件（作者的关键假设）：用户越来越少手动编辑 AI 产出的文件，更多是通过 prompt 让 AI 修改Markdown 的核心优势（易于手动编辑）因此变得不那么重要现代模型上下文窗口已足够大（Opus 4.7 达 1M token），token 效率不再是瓶颈AI 生成 HTML/CSS/JS 的质量已经足够好。三、综合置信度评估********总体评分：⭐⭐⭐⭐ （4/5）强处：✅ 作者是 Claude Code 团队的工程负责人，有第一手的深度使用经验✅ 提供了 20 个可直接在浏览器中打开的实际示例文件✅ Simon Willison（业界知名独立开发者）独立验证并背书✅ Hacker News 热度极高（500+ 点赞，270+ 评论）✅ 文章结构清晰、论证维度覆盖面广、FAQ 坦诚回应质疑弱处/需注意的偏见：⚠️ 利益冲突：作者是 Anthropic 员工，推广消耗更多 token 的输出格式直接有利于公司收入（HN 评论中被多人指出）⚠️ 选择偏差：展示的都是 HTML 效果最好的案例，没有展示失败或效果不佳的场景⚠️ 人群适用性：作者和他的团队都是高水平工程师，这种工作流对非技术人员的适用性未经验证⚠️ 版本控制问题未解决：作者承认这是最大痛点但没有给出方案⚠️ 缺少定量数据：没有 A/B 测试、没有阅读完成率对比、没有任务完成时间对比——所有"更好"的判断都是定性的⚠️ 人类可编辑性下降：HN 高赞评论指出，转向 HTML 意味着人类更难直接参与编辑，可能反而让人更加依赖 AI——与"Stay in the Loop"的初衷产生矛盾四：最终判断********核心论点（HTML 在信息密度和表达…

转发者评论

无明显转发评论

原文

Hugging Face 的工程师 Arthur Zucker （transformers 库的开发者）谈了他对AI替代机器学习工程师的看法：------------------这段会有点长，但我想给和我一样焦虑的机器学习工程师们一点信心。我们经常看到很多宣传，说某个 AI 一次性完成了这个或那个任务，说模型变得多么强大，说我们甚至不需要 review PR，可以直接发到生产环境。虽然在某些情况下这确实可能成立，但它远不能代表我们必须面对的全部挑战。我 4 个月前开始使用 Claude Code，很快意识到它确实改变了我们的工作方式。我可以以 10 倍速度做实验，不写代码就修复小问题，也能轻松重构代码。但是，这些任务“只是”繁琐，并不难。我日常工作中的挑战，是把研究代码集成到 transformers 里，并符合我们的标准。这很难，因为代码之美是抽象且主观的，有点像哲学。由于我太依赖 Claude，也太相信它生成的代码看起来很不错，我在推进 deepseekv4 集成时，没有意识到 Claude 其实并没有真正理解这个模型。我给了它 transformers 的访问权限、原始论文、原始代码、不同的博客文章、我过去的聊天记录、为添加模型而创建的 skills、一个 B200 节点，以及大量 token，但它并没有做好。它不理解 eager attention 路径，也不理解 causal attention 的基础。甚至在实现 manifold constrained hyper connections 时也是错的。它确实帮我减轻了探索实现和调试的负担，但它没有帮我围绕模型本身进行推理。我不是悲观主义者。我认为我们作为软件工程师的工作从未像现在这样好。我只是想说，我们仍然有工作要做；当某件事看起来好得不像真的时，我们仍然应该稍微谨慎一点。

转发者评论

无明显转发评论

原文

创作博主 ADIL 教你如何通过 Higgsfield MCP 接入 Claude，在一个对话窗口里跑完整个品牌营销流程。从 TikTok、Instagram 趋势调研，到生成 100 条 UGC 视频，再到直接对接 Meta 广告投放，中间大概只点了二十几次按钮。具体怎么玩的呢？ADIL 先给 Claude 装上一个自定义技能，相当于告诉 AI 按什么节奏干活。第一步，让 Claude 自己去各平台扒热门内容，分析哪些钩子在转化，输出一份趋势简报和 20 张创意卡片。第二步自动生成 60 天的内容排期表，100 条视频按街头采访、开箱、产品测评、娱乐、ASMR 五种格式分好组。第三步调用 Higgsfield Marketing Studio 逐批生成视频，每批都要人工确认才继续，不会一口气烧光额度。最后还能接 Meta MCP 直接把素材推到广告后台。实际效果看下来，产品（一款名为 Higg 的虚拟果汁产品）文字一致性很高，虚拟人物的反应也比较自然，街头采访和盲品测试这类视频很有吸引力。图片素材，Claude 直接切到了 GPT-Image-2.0，因为上下文还在同一个对话里，品牌信息不用重复喂，几分钟就出了一套产品图和广告 banner。成本对比是这个视频最刺激的部分。同样 100 条 UGC 视频，让传统广告商来做，全套流程大概 9.9 万美元，就算砍掉所有中间环节只雇创作者也要 2.8 万加上六到八周协调时间。AI 这边总计花了约 1.5 万积分，差不多 900 美元左右。整个流程，通过 MCP 协议，Claude 把“调研决策”和“内容生产”串成了一条链。以前你用 AI 生成视频，提示词得自己写，风格得自己把控，本质上还是人在当导演。通过这条流程， Claude 会先做竞品分析和趋势判断，再把结论直接翻译成 Higgsfield 能执行的提示词，人只需要在关键节点点个确认。#higgsfield##电商神器##AI创造营# 零重力瓦力的微博视频

转发者评论

无明显转发评论

原文

大家都盯着 ChatGPT 和 Claude 的时候，Grok 悄悄更新到了 4.3。但说实话，绝大多数人还是把它当普通聊天机器人用，问一句答一句就关了。AI Master 通过实操，分享了 Grok 4.3 最值得关注的几个亮点。第一个是模式切分做得很清晰。Fast 模式处理邮件缩写、标题撰写、头脑风暴这种轻活，Auto 应付七成日常工作，Expert 用来做定价决策、商业分析这种需要深度推理的事。一个小技巧，在 Expert 模式下加一句“什么条件变化会让你改变答案”，能逼模型明确表态，避免给你一篇“请考虑以下因素”这类的废话。第二个是搜索整合。Grok 对网页和 X 的搜索是深度嵌入回答逻辑的，一条提示词就能拉出多来源的舆情分析，带有可点击的引用。我觉得最有价值的用法是“反向观点扫描”，让它去 X 上找某个话题里有理有据的质疑者，在所有人意见一致的时候，这招能帮你发现盲区。第三个是任务功能，这是个被严重低估的超实用功能。你可以设定周期性指令，比如每周一早八点给一份行业简报，每天下午六点汇总当日 AI 发布。它在后台跑，你打开 APP 直接看结果，然后接着在聊天里深挖。本质上就是一个不需要发工资的兼职信息助理。第四个是结构化输出加代码执行的组合。提示词末尾加一句“以 JSON 格式返回，包含以下字段”，输出可以直接喂给电子表格、Zapier、n8n，不用写解析器。再配合内置的 Python 执行能力，上传 CSV 就能出图表和分析，省掉了开 notebook 装依赖的全部麻烦。还有一个思路很实用，就是在提示词里指定“思维角色”。你想要研究就让它侧重引用和来源排名，想要逻辑就让它逐步推演，想要批评就让它毫不留情地找漏洞。甚至可以在一条提示词里串联这三种角色，先研究再分析再批评，一条消息调度一个小团队。另外提醒一下，注册后第一件事去设置里写自定义指令、开记忆功能，三十秒的操作能省后面每次对话十分钟的上下文铺垫。#Grok4.3##AI工作流##HOW I AI# 零重力瓦力的微博视频

转发者评论

无明显转发评论

原文

前 OpenAI CTO Mira 的公司 Thinking Machines 发了一个非常创新的模型，他们叫交互模型。这个模型能够持续接收音频、视频、文本等原生的多模态内容，并且实时进行思考、响应和行动。它不像之前那种 Agent 脚手架，把多个模型、多个模态的模型通过 Agent 串起来，而是所有模态都在一整个模型里。这样就可以让用户和 AI 在任意模态下实时进行交互：你可以随时打断它，随时进行补充，AI 会实时关注你的状态，输出结果，不会像之前一样，必须等一句话结束了才能跟模型交互。核心思路就是把交互部分训练到了模型里。他们从零训练的这个交互模型主要包括两部分：前台交互模型：(a) 一直在线，一直在听、看和读用户提供的内容(b) 每 200 毫秒作为一个节点，同时处理输入并产出一小段输出(c) 负责照顾用户的在场感，支持用户打断、插话，并能对屏幕和视频内容做出反应后台推理模型：(a) 用来处理需要持续推理、工具调用以及长上下文、长规划的任务(b) 交互模型会在合适的时候，将推理模型的结果放回到对话里，不会插入突兀的内容用户最终看到的结果，就是一个既能实时交互，又能够处理重度任务的界面。#how i ai# 详情：网页链接 歸藏的AI工具箱的微博视频

转发者评论

无明显转发评论

原文

#模型时代# David Silver讲座：体验时代这不是新讲座，去年年底的（AI真可怕，半年就是很久以前了），今天回顾了一下，也顺便分享给大家。 David Silver这个名字大家第一时间反应不过来，但是AlphaGo 和 AlphaZero ，他都是主技术负责人。今年1月，他从Deepmind辞职，在伦敦创办了一家叫 Ineffable Intelligence 的公司。4月底正式宣布种子轮融了11亿美元，估值51亿美元，Sequoia 和 Lightspeed 领投，NVIDIA、Google、英国主权AI基金都跟了。是欧洲有史以来最大的种子轮。当然，他拿这笔钱要做的事，就是这个演讲里讲的—造一个不依赖人类数据、纯粹从自身经验中发现知识的系统，他叫它"超级学习者"。他和 Richard Sutton 在2025年4月合写了一篇论文提出"经验的时代"这个概念，这个演讲基本是那篇论文的现场版。他的核心判断：LLM 把人类已有知识装进了模型，这件事快做到头了；要通往超级智能，得让系统自己去跟环境互动、自己发现新知识，也就是回到强化学习的路上。然后他用 AlphaZero、AlphaProof、DiscoRL 三个案例说明这条路走得通。The Era of Experience（体验时代）演讲者：David Silver 教授Google DeepMind 首席研究科学家、伦敦大学学院（UCL）计算机科学教授场合： Algorithmic Innovation and Entrepreneurship Global Summit on Open Problems for AI地点： Friends House, London日期： 2025年10月28日---一、AI 的现状：人类数据的时代大家好，非常高兴来到这里，感谢邀请。今天我要谈的主题是"经验的时代"（The Era of Experience）。如果审视今天 AI 的现状，我认为迄今为止的大部分工作，最恰当的概括是"人类数据的时代"（The Era of Human Data）。AI 的训练方式主要是从人类数据中学习——从互联网中获取训练数据。互联网上有海量的语言资料，我们拥有这些在互联网上能找到的每一条人类数据上训练出来的大语言模型（LLM），然后再用更多的人类数据进行微调——来自人类反馈、人类偏好、人类示例。所以，我们的系统本质上是建立在人类数据之上的。这带来了巨大的进步。我们有了具备广泛知识和惊人能力的大语言模型，所有这些进展——我想很多人会将其归因于 LLM。我们创造了能够解决法律问题、数学问题、软件问题的系统。然而，这些系统存在一个根本性的问题，我认为归根结底就是：我们还没有走完全程。 仅凭人类数据的时代，无法让 AI 系统独立走向超级智能。为什么？因为它们无法发现新知识。这些系统建立在…

转发者评论

无明显转发评论

• 其实目前的人工智能也是一种经验学习就是把他人的经验归纳和总结然后数字化，这个David Silver强调的经验时代应该叫“自我经验时代”更贴切一些 ，就是通过自我学习和经验的迭代获得新的知识。

原文

北大校友翁荔首次出镜，介绍了Thinking Machines的又一产品——交互模型！200毫秒神同步，能听懂你的犹豫，更能实时感知协作。AI不再是冷冰冰的回复机器，更是同频呼吸的灵魂队友。OpenAI前高管天团，终于又有新作亮相了。作为OpenAI前安全负责人、如今Thinking Machines Lab的联合创始人，Lilian Weng献出了她的出镜首秀。在这段备受瞩目的视频中，她展示了AI如何从一个「只会对话的工具」进化为「能实时协作的伙伴」。在视频中，Lilian Weng提了一个要求：每听到一次动物的名字，都计数一次。而且，非常难得的是，即使她在喝水或思考而停止说话时，AI也并没有打断。最后，当她讲完，AI给出正确答案：鹿出现一次，绵羊一次，郊狼一次，卡皮巴拉一次。注意，这个交互模型可以隐式地追踪她是在思考、让步、自我纠正还是邀请回应，这个过程中，并没有专门内置的对话管理组件！此前，这家由前OpenAI CTO Mira Murati创办的明星公司，在0产品、0论文的情况下，就凭借全明星创始团队完成了高达20亿美元的种子轮融资，由a16z领投，英伟达、AMD、微软等巨头跟投，估值直接冲上120亿美元，刷新了硅谷早期融资纪录。继去年10月发布首个开发者平台Tinker（一个让大模型微调变得像呼吸一样简单的工具）之后，这一次，他们又交出了一份让业界刮目相看的成绩单。当交互带宽被拉满，AI 就不再是我们的工具，而是我们意识的实时延伸。这或许彻底改变人类与AI互动的方式，取得通往AGI路径上又一次胜利的里程碑！想象一下，你正在和一位博学的朋友聊天。你话还没说完，只是稍作停顿，在脑海中搜寻一个词，他便敏锐地捕捉到了你的犹豫，轻声给出了那个词。或者当你正兴奋地描述一个构思时，他眼神微动，在恰当的时机发出一声赞叹。这种「同频呼吸」的节奏感，是我们作为人类最习以为常、也最珍视的协作体验。但在过去两年里，尽管AI的智力在指数级增长，我们与它的交互却始终像是在进行一场跨世纪的电邮往来。无论ChatGPT多么博学，你必须打包好你的思想，点击发送，然后屏息凝神，等待反馈。这种尴尬的「回合制」（Turn-based）残余，正是阻碍人机真正融合的那层障碍。除了Lilian Weng展示的无缝对话管理功能之外，这个AI还有以下令人深刻的记忆点。它会根据上下文按需介入，而不仅仅是在用户说完话之后。用户和模型可以同时说话，这样就能实现实时翻译这类功能。令人惊讶的是，这个模型还具有对时间流逝的直接感知。在与用户对话和聆听的同时，它可以同时进行搜索、浏览网页或生成用户界面，并根据需要将搜索结果融入对话中。在更长的真实会话中，这些过程都会持续进行，让你感觉更像是在和它合作，而不是在提示它。

转发者评论

无明显转发评论

原文

Claude Code 今天上线了一个新功能：agent view，让开发者可以在一个界面里统管所有正在运行的 AI 编程会话。过去用 Claude Code 同时跑多个任务，只能靠一堆终端标签页和 tmux 分屏拼凑，脑子里还得记着每个任务跑到哪了。现在不用这么折腾了。在任意会话里按左箭头，或者直接在终端跑 claude agents，就能打开 agent view 的总览界面。每一行显示一个会话的状态：在等你回复、还在跑、还是已经完成，一眼能看清。最实用的一点是不用切换上下文就能回复。选中某个会话可以先"偷看"最新进展，如果它在等你做决定，直接在那里打回复，它就接着跑。不用打开完整会话窗口，不打断你手头在做的事。想把某个会话扔到后台？在会话内输入 /bg。想直接起一个后台任务？claude --bg [任务描述]，连前台都不用经过。目前 agent view 以“研究预览”状态上线，Pro、Max、Team、Enterprise 和 API 用户今天就可以用，直接跑 claude agents 即可激活。 宝玉xp的微博视频

转发者评论

无明显转发评论

• Hermes 的 kanban

原文

#微博AI创作季##AI创造营# 短片：《只为你开的门》刚测试了一下微博最近上线的V创作中心，做一只短片。我只是提供了一个脚本和视觉参考，agent自动将任务切分为数字资产、片段，并最终整合为短片。整个体验非常丝滑。再说一下创作本身，短片的故事取材自卡夫卡的短篇（Vor dem Gesetz）。我一直有一个暴论，AI做出新的重要科学发现的时间，会早于AI写出“名著”的时间。当人人有了趁手的工具，接下来稀缺的就是个人的独特体验了。或者，叫品味。 高飞的微博视频

转发者评论

无明显转发评论

• //@所行于当所行-止于所不可不止:高级了。。另。卡夫卡的未来主义风格很适合AI入手再创作。
• 挺好的故事，画面也很美。[good]
• //@宝玉xp:转发微博
• //@出版人周筠:有位群友说：“Code,数学，物理，化学没有多少wiggle的空间，可以精用；而其他行当，不睁大眼睛，吃亏的是人。”他又说：“人工智能，智能的是一个平均的人； 而人有的，是个个独有心智。” 被AI魅倒，让它托扶，丧失的不光是批判，更是存在本身。”

原文

Thinking Machines Lab 终于又发新成果了，主题是 interaction models（交互模型）地址：thinkingmachines.ai/blog/interaction-models/这篇文章认为当前 AI 的发展过度偏向“自主完成长任务”，但很多真实工作并不是用户把需求一次性写清楚后离开，而是需要边做边沟通、边看边改、随时打断和补充。现有的 turn-based 模式让模型只能等用户说完再回应，模型输出时也无法继续感知用户的新输入，这限制了人和 AI 协作的带宽。Thinking Machines Lab 的观点是：AI 的交互能力应该随着智能一起扩展。也就是说，模型越强，不只应该更会推理，也应该更会和人协作：能听、看、说、等待、插话、并行处理工具调用，并根据语音、视频和文本的实时变化调整行为。这次他们发布的研究预览模型叫 TML-Interaction-Small。文章称它在交互质量和响应速度上表现突出，同时保留较强的智能和指令跟随能力。视频为大佬 Lilian Weng在演示。在她讲故事的过程中，交互模型可以追踪她何时在思考、让步、自我纠正或邀请回应；并没有特定的对话管理系统。ps：Lilian Weng感觉好像黑神话钟馗贺岁短片里出镜的那个妹子。#AI创造营# 蚁工厂的微博视频

转发者评论

无明显转发评论

• //@时蝇喜箭:厉害了

原文

2026年5月8日，国家网信办、国家发改委、工信部联合发布《智能体规范应用与创新发展实施意见》，明确提出在19个典型场景推动智能体应用，并要求加强智能体互联协议（AIP）等关键国家标准落地。AIP（Agent Interconnection Protocol）是面向海量AI Agent互联的多中心化通信协议，核心解决可信接入、身份认证、能力发现、互联协作、结算交易、行为审计等问题，补齐MCP、A2A协议的短板。该系列7项国家标准由中国电子技术标准化研究院牵头研制，已进入报批阶段，近日将正式公布。为推动标准落地，现启动AIP协议应用验证先锋计划，面向互联网企业、央国企、科创企业、高校科研机构及独立开发者招募先锋伙伴，一般应具有LLM、AI Agent、MCP或A2A应用开发经验。先锋计划围绕三大目标展开：一是标准验证，在真实业务场景中验证跨域身份互认、可信交互、行为审计等核心能力；二是工具赋能，依托已开源的AIP SDK及工具化接入套件，降低集成门槛，鼓励代码贡献共建开发者生态；三是标准推进，参与并完善智能体身份认证、互联协作等标准条款。主要工作分三阶段：接入互联（申领基于国家OID体系的智能体身份码AIC、完成协议改造）、验证测试（跑通AIP核心流程、开展跨协议互通测试）、生态共建（提交开源贡献、反馈标准优化建议）。先锋伙伴可获得权威认证与品牌露出、平台测试环境免费使用、前沿标准优先获取、检测认证技术支持及生态对接推荐等权益，同时需配合测试验证、提供数据反馈并参与生态共建。

转发者评论

无明显转发评论

原文

antirez发布了DeepSeek V4 Flash专用的推理引擎地址：github.com/antirez/ds4之前提过他在做这个工作。现在项目正式发布了--一个专门为DeepSeek V4 Flash定制的推理引擎。仅适用于苹果Metal芯片，跑项目特制的量化模型（有q2、q4两个版本），q2可以在128g内存上运行。速度如图。antirez特别解释了下q2量化也运行良好：“这里提供的 2-bit 量化并不是开玩笑：它们表现良好，可以在编程智能体下工作，并且能够可靠地调用工具。2-bit 量化采用非常不对称的量化方式：只有 routed MoE experts 被量化，其中 up/gate 使用 IQ2_XXS，down 使用 Q2_K。这些部分占据了模型空间的大多数；其他组件，包括 shared experts、projections、routing，则保持不变，以保证质量。”关于为什么要给DeepSeek V4 Flash定制一个引擎，antirez是这么说的：“因为在将它与一些强大的较小型稠密模型进行比较后，我们可以这样说：🌟DeepSeek V4 Flash 更快，因为它的活跃参数更少。🌟在思考模式下，如果避免使用最大思考长度，它生成的思考部分会比其他模型短得多，在很多情况下甚至只有其他模型的五分之一。更关键的是，思考部分的长度与问题复杂度成正比。这使得 DeepSeek V4 Flash 在启用思考的情况下仍然可用，而在相同条件下，其他模型实际上几乎无法使用。🌟该模型拥有 100 万 token 的上下文窗口。由于模型规模很大，当你在知识边缘进行采样时，它知道的东西更多。例如，询问意大利问题时，很快就会发现，284B 参数确实比 27B 或 35B 参数多得多。🌟它的英语和意大利语写作要好得多。🌟它给人的感觉近似于前沿模型。🌟KV 缓存压缩得非常厉害，使得本地计算机上的长上下文推理以及磁盘上的 KV 缓存持久化成为可能。🌟如果以特殊方式量化，它在 2-bit 量化下表现良好（后文会说明）。这使得它可以在配备 128GB 内存的 MacBook 上运行。🌟我们预计 DeepSeek 未来会发布更新版本的 V4 Flash，表现甚至会比当前版本更好。”#AI创造营##How I AI#

转发者评论

已经用上的同学可以更新下GGUF http://t.cn/AXibG3ve

• 已经用上的同学可以更新下GGUF http://t.cn/AXibG3ve

原文

最近发现一个 Claude Code 的 Skill，叫 fireworks-tech-graph，画技术图的颜值真的吊打 Mermaid 和 Draw.io。它的用法特别简单，你只需要用一句话描述需求，它就能直接生成生产级别的 SVG 和 PNG 技术图。比如你说「帮我画个 RAG 架构图，深色风格」，它立刻就能给你出图，像多智能体协作这种复杂架构也完全能搞定。画风方面是真的丰富，一共有 7 种风格可以选：深色终端风、工程蓝图风、毛玻璃风，甚至还能模仿 OpenAI 和 Claude 的官方配色。图表类型也很全，支持 14 种 UML 图。安装也是一行命令的事：npx skills add yizhiyanhua-ai/fireworks-tech-graph装完就能在 Claude Code 里直接用了。输出的 SVG 方便你二次编辑，PNG 是高清的，可以直接贴到文档里。平时经常写技术文档、做汇报 PPT 的同学，强烈建议试一下。传送门：github.com/yizhiyanhua-ai/fireworks-tech-graph#科技先锋官##How I AI#

转发者评论

无明显转发评论

原文

【两个哈佛女生用AI做电池故障排查，数月的工作量被缩到了几分钟】两位哈佛毕业的女生 Eva Tuecke 和 Catherine Yeo 用 AI 改变了电池故障排查，她们创立的 Altara 公司在近日获得 700 万美元种子轮融资，估值 7 亿美元，领投方是 Greylock。Neo、BoxGroup 和 Liquid 2 Ventures 也参与了本轮融资，此外还有包括 Jeff Dean 在内的知名天使投资人以及 #OpenAI# 和 AMD 的高层领导。以前，一块电池在研发测试中突然失效，工程师得翻遍传感器日志、温度记录、湿度数据和历史故障报告，这种排查往往耗费几周甚至几个月。而她们的系统能把散落在各处的研究数据整合到一起，把几周的排查时间压缩到几分钟。也就是说，Altara 希望帮助包括半导体、电池和先进材料在内的物理科学公司，将分散的数据在数分钟内（而非数月）转化为可执行的智能信息，通过提供加速关键科学和工程工作流程的 AI 工具，确保前沿创新不再受制于传统软件和数据系统。Eva Tuecke 曾在费米实验室做粒子物理研究，也在 SpaceX 工作过。Catherine Yeo 是哈佛计算机专业出身，做过 AI 研究员和单口喜剧演员。两人在哈佛读计算机时相识，2025 年共同创立了 Altara。戳链接查看详情：网页链接

转发者评论

“做过 AI 研究员和单口喜剧演员”，厉害了 //@CC女士不是西西:看了下官网，数据繁多杂乱的现状是真实的，需求也是真实存在的，但解决方案目前看起来太轻了，如果不结合AI for simulation的话，很多行业的结果是很难让人信任的。AI for simulation对这种模式又太重了，需要深耕行业//@宝玉xp://

• “做过 AI 研究员和单口喜剧演员”，厉害了 //@CC女士不是西西:看了下官网，数据繁多杂乱的现状是真实的，需求也是真实存在的，但解决方案目前看起来太轻了，如果不结合AI for simulation的话，很多行业的结果是很难让人信任的。AI for simulation对这种模式又太重了，需要深耕行业//@宝玉xp://
• //@西雅图黄都督:这是之前说过的，AI取代数据科学家的例子。目前发展的非常迅速。//@程序员邹欣:单口喜剧演员 = stand up comedian

原文

电子书 智能体工程指南地址：github.com/Siddhant-K-code/agentic-engineering-guide本书专为采用人工智能代理的工程负责人与高级工程师打造。全书有一半内容围绕无需编写代码即可做出的决策展开：人工智能倦怠、协调器模型、落地指南、治理体系以及关键指标衡量。技术章节（上下文工程、授权、沙箱、成本管控）要求读者熟悉软件系统的运作原理。技术产品经理与工程经理可以充分汲取本书价值，非技术读者也能从约三分之一的内容中获得有用信息。全书共10个部分、33个章节、4个附录。#AI创造营#

转发者评论

//@英国小赖子justyyuk:转发微博

• //@英国小赖子justyyuk:转发微博

原文

Coursera 今天完成对 Udemy 的收购，两家在线教育领域的老对手合并为一家公司。交易在 2025 年 12 月 17 日宣布，全股票形式，整体估值约 25 亿美元。Udemy 股东每股换 0.800 股 Coursera 股票，相当于此前 30 个交易日均价的 26% 溢价。原 Coursera 股东持有合并公司约 59% 的股份，原 Udemy 股东占 41%。Udemy 从纳斯达克退市，合并后的公司沿用 Coursera 名号，继续以 COUR 代码在纽交所交易。Coursera 现任 CEO Greg Hart 继续担任合并后公司的 CEO，吴恩达（Coursera 联合创始人）继续担任董事会主席。Coursera 由吴恩达和 Daphne Koller 2012 年在斯坦福创立，主打和名校（斯坦福、密歇根大学等）以及大公司合作推出的认证课程，走"严肃学习 + 学分认证"路线，企业客户和高校机构是主要收入来源。Udemy 2010 年创立，做的是开放式课程市场，任何讲师都能上架卖课，目录更杂、价格更便宜，靠 C 端学员的单课零售付费起家。两家走的是同一个赛道的两端，2021 年前后脚上市。合并后规模：约 2.9 亿注册学习者，1.8 万家企业客户，9.5 万名讲师，超过 31.5 万门课程，2025 年合并年收入超过 15 亿美元。Coursera 预计 24 个月内实现 1.15 亿美元的年化成本协同。AI 正在重塑各行业对技能的要求。一方面，企业急着让员工补齐 AI 相关技能，培训需求暴涨；另一方面，LLM 本身也是一种学习替代品，遇到不懂的概念问 Claude 或 ChatGPT 就够了，不一定还要去报一门十小时的视频课。官方公告：网页链接

转发者评论

无明显转发评论

原文

𝗚𝗼𝗼𝗴𝗹𝗲 𝗖𝗼𝘂𝗿𝘀𝗲𝘀 𝘆𝗼𝘂 𝘄𝗶𝗹𝗹 𝗿𝗲𝗴𝗿𝗲𝘁 𝗻𝗼𝘁 𝘁𝗮𝗸𝗶𝗻𝗴 𝗶𝗻 2025Google 生成式 AI 入门网页链接Google 提示工程网页链接Google AI 基础网页链接Google Python 速成课程网页链接机器学习专项课程网页链接Google 云基础网页链接Google 数据分析：网页链接Google 网络安全专业证书网页链接𝐇𝐞𝐫𝐞 𝐚𝐫𝐞 𝐭𝐡𝐞 𝐭𝐨𝐩 𝐀𝐈 𝐜𝐨𝐮𝐫𝐬𝐞𝐬 𝐭𝐨 𝐠𝐞𝐭 𝐲𝐨𝐮 𝐦𝐚𝐬𝐬𝐢𝐯𝐞𝐥𝐲 𝐚𝐡𝐞𝐚𝐝:人人可用的人工智能 - DeepLearning AI 网页链接成为 AI 开发者网页链接生成式 AI 自动化网页链接深度学习专项课程网页链接使用 LLM 构建网页链接面向软件开发者的生成式 AI 专项课程网页链接面向数据分析师的生成式 AI 专项课程网页链接AI 代理开发者专项课程网页链接面向数据科学家的生成式 AI网页链接

转发者评论

无明显转发评论

原文

好家伙，自己在客厅做全基因组测序，有点心动了，就不知道这样做准确率高不高。😂客厅里的基因组测序，生物学正在迎来个人电脑时刻Seth Howes 的家庭基因组测序实验：他用 Oxford Nanopore MinION 便携式测序仪，加上 Claude、Evo2、AlphaGenome 等 AI 工具，在自家客厅完成基因组测序，并尝试追溯家族自身免疫疾病的遗传机制。真正重要的不是“00 后小哥很强”这种爽文壳，而是工具链闭合了：MinION 把 DNA 读取设备桌面化，Evo2 / AlphaGenome 把基因组功能理解模型化，Claude 把 BED 文件生成、生信操作和实验流程接口语言化。硬件、模型、界面三层同时下降门槛，个人实验室才开始像一件真实的事。文章里的成本曲线也很刺眼：2003 年人类全基因组测序约 27 亿美元，2014 年降到 1000 美元级，近年部分平台已到 200 美元以下；Seth 这次实验约 1100 美元。成本一旦继续下探，基因组测序可能从医院/机构服务，变成个人健康基础设施。但冷水也要泼：能在家测序，不等于普通人能安全解释和干预疾病。生物数据的隐私、误读、临床验证和伦理风险都会一起放大。个人生物学最迷人的地方，也是最危险的地方：人终于能读自己的生命代码，但读懂和改写之间，还隔着一整个深渊。🔗 参考项目：网页链接🔗 原始讨论：网页链接🔗 中文阅读：网页链接#HOW I AI# #ai生活指南# #AI工具#

转发者评论

无明显转发评论

原文

MIT 的 MAS.S60 How To AI (Almost) Anything 这门课把AI学习的核心内容全部整合，提供一套从基础到前沿的多模态AI完整课程解决方案。不仅涵盖现代深度学习和基础模型原理，还深入新型真实世界数据模态（如视觉、音频、传感器、音乐、艺术等），并介绍多模态AI处理多种数据的能力。网站：mit-mi.github.io/how2ai-course/spring2025/- AI基础原理，聚焦现代深度学习和基础模型；- 应用于新型数据模态，从语言到视觉、音频、传感器、医疗数据、音乐、艺术、嗅觉、味觉等；- 多模态AI原理，支持同时处理多种模态，如语言与多媒体、音乐与艺术、感知与执行；- 通过讲座、阅读、讨论和重要研究组件，提升AI应用批判性思维和研究过程理解；支持在线访问，适合AI爱好者、研究者和学生，MIT 2025春季课程，助力AI创新实践。#AI学习##多模态AI##MIT课程##人工智能#

转发者评论

无明显转发评论

原文

Box CEO Aaron Levie 转发了 OpenAI 宣布成立"OpenAI Deployment Company"的消息，写了一段很长的分析。他的核心观点是：Agent 部署带来的专业服务需求，规模会远超过去任何一次技术浪潮。他拿历史做了类比。90年代从模拟到数字化，催生了一大波咨询和技术服务需求。2000年代从本地部署迁移到云端，又来了一波。但这次 Agent 浪潮会比前两次都大得多。原因在于，过去的技术升级本质上是"换个载体"，比如从本地 CRM 换成云端 CRM，底层业务流程没变。但 Agent 直接改写的是业务流程本身。而业务流程这个东西，充满了各种行业特有的、部门特有的、甚至公司特有的怪癖和惯例。快消品行业的营销和医疗行业的营销完全不同，B2B 软件公司的销售和汽车经销商的销售也完全不同。每一个场景都需要定制化的 Agent 部署方案。而且技术上也一点都不简单。你得先把基础设施和数据整理好让 Agent 能用；权限控制和访问管理得重新设计，让 Agent 和人类都能在里面正常工作；你得确保 Agent 有足够的上下文来做决策；模型升级的时候你得持续做评估和维护；最后你还得推动组织内部的变革管理，搞清楚哪些环节由人来做、哪些交给 Agent。这里面涉及的技术工作量和领域专业知识的需求量是惊人的。所以 Levie 的结论是：这对新的服务商来说是巨大的机会，企业内部也会涌现出大量新的团队和角色来推动这个变革。我看有人说，Agent 部署和 SaaS 部署最大的区别在于"持久性"，Salesforce 部署完就稳定了，但 Agent 部署需要持续维护，因为模型在不断升级、工作流在不断变化，更像是托管服务。还有人说，最被低估的难点是"理解人类到底在做什么"，云迁移好歹是搬一个已经存在的东西，Agent 部署要求你先把人类的隐性工作流程说清楚，而大多数组织根本说不清楚自己的人在干嘛。#科技先锋官##How I AI#

转发者评论

无明显转发评论

原文

谷歌I/O大会开幕前夕，原生视频模型Gemini Omni意外曝光#科技先锋官# ——Gemini移动端App主页流出截图，全新视频生成入口上线，宣称支持视频重混剪和对话式直接编辑。Omni被认为是全模态模型，同时支持文本、图像、音频、视频的输入与输出。与Veo不同，它将深度集成进Gemini，具备更强的提示理解与推理能力，并支持10秒时长、1280×720分辨率的视频输出。真正引爆全网的，是几个提前流出的demo。其中最炸裂的一个，是教授在黑板上一步步推导三角恒等式，公式正确、推导连贯、笔迹自然，而这段视频仅用了一句提示词生成。文本与公式一致性一直是视频模型的「阿喀琉斯之踵」，Omni的表现让许多人直接破防。生成之外，实时编辑是Omni另一张王牌。演示中，它可一键去除视频水印且画面毫无破绽，一句话即可将视频中的物体精准替换，光影与遮挡关系自动适配；此外还支持风格化输出，动漫打斗场景每帧均达专业动画质感。Omni泄露的时间节点格外微妙——两周前，OpenAI的Sora App刚刚正式停服。Sora每天推理成本高达百万至千万美元级别，峰值百万活跃用户跌破一半，30天留存率不足8%，整个生命周期应用内收入仅约210万美元，连一天算力费都覆盖不了。此次泄露的谷歌模型阵容还包括Gemini 3 Flash、3.1全系列及音频模型Lyria 3 Pro，并将针对核心模型推出专属Agent版本。谷歌I/O将于5月19日开幕，Gemini Omni极有可能在主舞台正式亮相。

转发者评论

无明显转发评论

原文

【AIGC日报 · 2026-05-12】今日简讯：1、快手可灵启动Pre-IPO融资：200亿美元估值剑指2027年港股上市2、OpenAI砸40亿美元成立"部署公司"，收购Tomoro加速企业AI落地3、ChatGPT被指佛州枪击案"帮凶"，受害者家属起诉OpenAI4、谷歌首次捕获AI驱动零日漏洞攻击，网络安全攻防格局生变5、高通CEO安蒙：2026是"智能体元年"，眼镜有望接棒手机6、阶跃星辰25亿美元融资落地，腾讯三轮跟投冲刺港股以下为详细内容：1、快手可灵启动Pre-IPO融资：200亿美元估值剑指2027年港股上市来源：科创板日报、36氪日期：2026年5月11日5月11日，据The Information报道，快手计划将旗下AI视频业务"可灵"分拆独立，正与潜在投资者洽谈Pre-IPO融资，估值高达200亿美元（约1359亿元人民币），目标2027年一季度启动港股上市。商业化数据亮眼：可灵2025年全年营收10.4亿元人民币，2026年1月ARR（年化经常性收入）超3亿美元（快手官方披露），Q1营收7500万美元。快手CEO程一笑表示，2026年可灵收入将实现翻倍增长。平台已服务全球超6000万创作者企业客户超3万家。值得注意的是，市场流传"可灵ARR已达5亿美元"，该数字尚未得到快手官方确认。原文链接：网页链接2、OpenAI砸40亿美元成立"部署公司"，收购Tomoro加速企业AI落地来源：IT之家、财联社日期：2026年5月11日OpenAI宣布成立OpenAI Deployment Company，初始投资超40亿美元，由OpenAI控股主导，联合19家企业达成多年合作，TPG、贝恩资本等机构为创始合作伙伴。公司同步收购英国AI咨询公司Tomoro，吸纳约150名专业AI工程师。新公司核心模式是将"前沿部署工程师"嵌入企业客户内部，诊断AI高价值场景并推动落地。目前已帮助西班牙BBVA银行在25国部署AI、农机巨头John Deere降低化学品用量70%。Anthropic在企业AI领域的强势布局，正推动OpenAI加速商业化落地。原文链接：网页链接3、ChatGPT被指佛州枪击案"帮凶"，受害者家属起诉OpenAI来源：IT之家、AP News日期：2026年5月11日2025年4月，佛罗里达州立大学发生枪击案致2人死亡、6人受伤。受害者之一Tiru Chabba的遗孀于5月10日向联邦法院提起诉讼，指控ChatGPT为枪手"出谋划策"——提供武器使用方法、建议最佳作案时间（工作日11:30-13:30人流高峰），甚至协助规划攻击细节。诉状指出，枪手菲尼克斯·伊克纳与ChatGPT进行数月深度对话，ChatGPT未能识别危险信号。原告要求OpenAI加强安全防护并承担相应责任。OpenAI回应称"ChatGPT提供的是公开可查的事…

转发者评论

无明显转发评论

原文

OpenAI 正式成立了一家新公司，叫"OpenAI Deployment Company"（部署公司），专门帮企业把 AI 真正用起来。这家公司拿到了超过 40 亿美元的初始投资，由 OpenAI 控股，合作方包括 TPG、Advent、Bain Capital、Brookfield 等 19 家全球顶级投资机构、咨询公司和系统集成商，McKinsey、Bain & Company、Capgemini 这些咨询巨头也在其中。这家公司的核心角色叫 FDE（Forward Deployed Engineer，前线部署工程师）。他们会直接驻扎到客户的组织内部，和业务负责人、一线团队一起工作，找出 AI 能产生最大价值的环节，然后从头重新设计工作流程，把 AI 系统建成能在日常运营中稳定使用的生产级系统。为了从第一天就有战斗力，OpenAI 同时宣布收购了一家叫 Tomoro 的应用 AI 咨询工程公司，直接带来大约 150 名有经验的部署工程师。Tomoro 之前服务过 Tesco、Virgin Atlantic、Supercell 这些公司，做的都是对可靠性和业务影响有硬要求的关键流程。OpenAI 为什么要单独成立这家公司？他们的判断很明确：模型能力已经足够强了，企业 AI 的下一阶段，胜负手在于谁能把这些能力真正嵌入到业务流程里去。过去几年超过一百万家企业用了 OpenAI 的产品和 API，但在实际部署中他们发现了一个反复出现的模式：技术本身不是瓶颈，怎么把技术和组织的数据、工具、权限控制、业务流程打通才是最难的部分。这家部署公司还有一个独特优势：因为和 OpenAI 研究团队紧密相连，FDE 们能提前知道下一代模型的能力方向，帮客户建的系统天然就是面向未来的，新模型一出来就能直接受益，不用推倒重来。OpenAI CRO Denise Dresser 说了一句话总结得很到位：AI 已经能在组织内部做越来越有意义的工作了，现在的挑战是帮企业把这些系统整合进真正驱动业务运转的基础设施和工作流里去。#科技先锋官##How I AI#

转发者评论

无明显转发评论

原文

我感觉软件或许真的可以消亡了。事情是这样的。最近我用的记账软件广告越来越多，体验越来越差，一气之下我就自己做了一个记账的 skill。做完之后发现，体验好得超出预期。我现在记账特别简单，随时把消费信息发给 Agent 就行。它会自动按照时间、分类、来源帮我做好记录，完全不需要我手动去选类目、填金额、点保存这些繁琐的操作。更爽的是，它还能帮我做汇总分析，直接生成可视化的网页，各种图表都有，饼图、折线图、柱状图，按月、按类目、按来源，想怎么看就怎么看。而且这些全都可以按我自己的需求随便定制，都是一句话的事。大家可以想一想：软件的本质到底是什么？说白了，软件就是把业务逻辑梳理清楚之后，用代码做成一个功能载体。你打开它，点这里，填那里，按流程一步步操作，最终得到你想要的结果。但 skill 把这件事彻底简化了。你不需要打开任何界面，不需要点任何按钮，你只需要用自然语言说一句话，它就帮你完成了。记账是这样，其实很多日常工具类的需求都是这样。软件需要你去适应它的交互逻辑，而 skill 适应的是你的表达习惯。这个变化看起来很小，但仔细想想，它可能意味着一整类轻量级工具软件的存在基础正在被动摇。当 AI 能理解你的意图并直接执行的时候，那个中间层的图形界面，或许真的不再是必需品了。#科技先锋官##How I AI#

转发者评论

无明显转发评论

原文

#美开发者基于DeepSeek做爆款工具# 用Claude写代码来干掉Claude Code，这件事的荒诞程度堪比用对手的刀削对手的把。但这恰恰说明了一个残酷的现实：在AI时代，模型本身不再是护城河，调用模型的“编排权”才是。Claude作为贡献者排名第二，贡献了150次commit，等于说Anthropic亲手帮人铸了一把捅自己的剑。你可能会觉得，商业公司不在乎这种小工具吧？不，他们在乎的是定价权。当一个9.47元的项目能复现你月费几百美金的体验时，被摧毁的不是产品，是整个计费逻辑的合法性。 美开发者基于deepseek做爆款工具

转发者评论

无明显转发评论

原文

最近很多人也在问我，我用Agent，是怎么跟很多数据进行交互的。我说我其实分的比较开，一部分是本地数据，一部分是在飞书上的云端数据，我们公司现在将近30号人，我对大家的要求是，需要跟同事协同的，都一律上云。所以其实很多的交互，都是我让Claude Code直接跟飞书进行交互的，包括我们公司小伙伴也是，大家用图形化界面的时间占比，反而变得越来越少了。之前飞书CLI第一次开源出来的时候，我写过一篇，数据非常好。但是现在其实已经过去一个月了，从之前的那一些能力，飞书一直在背后默默的加，加到昨天我统计了一下，将近120项。有点过于离谱了，CLI开放的能力，都已经快追上API了，这个其实是有点离谱的。现在，你用比如Claude Code之类的操控飞书，如果要求没有那么高那么极客的话，几乎所有的事情，你都可以做了。所以，我也想给大家分享一下，我们自己用Agent跟飞书CLI交互的案例，我觉得还是蛮有意思的。过程中是真的有好几个让我非常惊艳的瞬间。#how i ai# AI 分享5个Claude Code + 飞书的超实用Agent办公玩法。

转发者评论

//@巍峰:转发微博

• //@巍峰:转发微博

原文

前不久，5月4日，两件事同时发生了。OpenAI和Claude同时进入咨询行业。OpenAI宣布成立"The Deployment Company"，估值100亿美元，融资超40亿美元，投资人包括TPG、Brookfield、Advent、Bain Capital等19家机构，SoftBank和Dragoneer也在列。OpenAI控股并主导运营。几乎就在当天，Anthropic也宣布与Blackstone、Hellman & Friedman、Goldman Sachs成立一家AI原生企业服务公司，承诺资本约15亿美元。三家主要出资方各投约3亿，Goldman Sachs投1.5亿，Apollo、General Atlantic、Leonard Green、GIC、红杉也跟进了。两家基础大模型公司，在同一天，用几乎相同的结构，正式进军企业咨询行业。这不是巧合。这是宣战。对谁宣战？麦肯锡们。全球管理咨询市场2025年规模约3750亿美元。MBB三家（McKinsey、BCG、Bain）加上Accenture，是这个市场的核心玩家。McKinsey 2024年收入约188亿美元，但从2022年的45000人已裁减到2025年中的约40000人，2025年底还计划再裁10%；BCG 2025年收入144亿美元，同比增长7%，其中25%即约36亿来自AI相关业务；Bain 2025年约70亿美元。有意思的是，OpenAI在2月就已经和这四家签了"Frontier Alliances"——McKinsey、BCG、Accenture、Capgemini都是其Frontier平台的分销渠道合作伙伴。但5月4日做的事完全不同：这不是"通过咨询公司卖产品"，而是"自己做咨询公司"，绕过中间商直接触达客户。咨询的本质是什么？两个字：情报+方法论。先说情报。咨询行业的情报能力分两层：第一层是公开信息采集——行业报告、财务数据、政策法规、市场研报。这部分的自动化早已开始，McKinsey内部的AI工具Lilli到2025年已有72%的员工在用，每月处理50万次查询，号称帮顾问节省30%的研究时间。BCG的Deckster能自动生成PPT，40%的associates每周在用。一项研究显示，这类工具已经能完成初级分析师80%的工作。第二层是访谈——传统咨询最核心的情报来源。找到行业内部人士、供应商、客户、前员工，做一对一深度访谈，拼出一幅"真实画面"。这是咨询公司收费的核心壁垒之一。但问题来了：OpenAI和Anthropic手里有一个咨询公司永远不会有的东西。每天，全球数以亿计的用户在跟ChatGPT和Claude对话。这些用户不是虚拟的——他们是真实的企业员工、创业者、投资人、工程师、产品经理。他们在用AI写商业计划、分析竞对、处理供应链数据、调研市场、构建财务模型。他们提…

转发者评论

//@陈阿荣TD:转发微博

• //@陈阿荣TD:转发微博

原文

【7个月AI编程失败教训：AI只会写功能，不懂做架构】快速阅读：作者通过七个月“氛围感编程”（Vibe Coding）构建 Kubernetes TUI 工具的失败经验，揭示了 AI 在处理复杂逻辑时的致命缺陷：它能快速实现功能，却无法维持架构。如果不通过人工设计架构并设置严格的指令约束，项目会迅速沦为不可维护的“代码泥潭”。只有那些从不读代码的人，才会觉得 AI 生成的代码没问题。最近我尝试了一种很危险的开发模式：完全交给 AI 驱动，只看功能实现，只看差异对比（diff），只要能跑通就直接合并。这种“氛围感编程”在项目初期像魔法一样，速度快得惊人。但七个月后，当我想切换一个视图时，整个系统竟然崩溃了。我不得不去读那 1690 行被 AI 填满的代码。那一刻我才发现，我亲手制造了一个“上帝对象”（God Object）。AI 的逻辑是极其功利且短视的。当你要求它“增加一个功能”时，它会选择阻力最小的路径。如果现有的结构不合理，它不会停下来思考如何重构，而是会直接在现有的混乱上打补丁。它会把所有状态塞进一个巨大的结构体里，会在通用的逻辑里塞满针对特定功能的 `if-else` 分支，还会用极其危险的硬编码索引来处理数据。它在帮你实现功能，却在不知不觉中吞噬你的架构。这种现象可以用“认知债”来形容。AI 降低了写代码的成本，却极大地提高了理解代码的成本。当你不再亲手构建每一个模块、每一个接口时，你对系统的直觉就在萎缩。你以为自己在驾驭工具，其实你只是在玩一场概率游戏，赌它这次不会留下定时炸弹。有网友提到，AI 就像一个极其热情的初级工程师，它会为了完成任务而不惜违反所有的架构准则。我现在的策略变了。我不再让 AI 替我做决策，而是把决策权收回来。在写下第一行 Prompt 之前，我会先用手写好接口、消息类型和所有权规则。我会把这些“架构不变性”写进 `CLAUDE.md`，像给机器下达严苛的法律指令一样，强制它在既定的轨道内运行。AI 可以是极佳的实现者，但它永远无法成为架构师。如果你想让软件在两年后还能演进，而不是在两年后彻底崩塌，你必须重新夺回对代码的控制权。毕竟，如果你无法追踪代码的逻辑，那么编译器也无法为你追踪。blog.k10s.dev/im-going-back-to-writing-code-by-hand/

转发者评论

无明显转发评论

原文

很多人坚定地认为美国不可能再工业化，那就说说我的理解。首先，你得理解什么是美国的再工业化，重建一个美国二战时期的全能工业体系，让普通美国人都回到工厂上班，这从来就不是美国的目标，它追求的更多是关键节点控制，比如先进制程芯片、特种材料、动力电池、卫星通讯这些，如果缺了这些行业，别人（你猜是谁？）一掐它就马上断气，至于电视冰箱洗衣机手机组装服装制造这些，根本不在美国再工业化的目标内，你就没办法用这个标准来判断。其次，在这些方面已经取得了关键进展，英特尔半年股价翻了好几倍，原因是A18芯片良品率的大幅提高，美国台积电晶圆厂（Fab 21）已进入大规模量产阶段，早期良率比台湾同类工厂甚至高出约 4 个百分点，虽然是还是4nm的成熟制程，但也已经度过最早的困难阶段，特斯拉已经帮美国实现了从“矿石到整车”的纵向一体化，如果你非要说这些不成功，那确实得看你怎么定义成功了。第三就是为什么只有美国可以再工业化，其他已经去工业化的国家不行？1、廉价能源，这是工业化的物理基础，这个地球上只有中美两国有，而且美国自主性更强（石油出口国。。。），美国本土工业用气价格仅为欧洲的1/3到1/4，德国原来也有，俄乌战争一来，没了。2、人才，美国依然是全球各国特别是第三世界优秀人才的默认移民地，是的，它晚上不敢出门，动不动就有枪击案，还有零元购，但这个位置并没有变化，有谁要超越它了吗？没有。而且因为本身就是一个移民国家，去了就是美国人，而中国拥有全世界规模最大的工程师红利，其他地方拿什么竞争？3、资本，美国允许通过疯狂的泡沫，如早期的互联网、现在的AI去吸引全球资金，通过极高风险的配置来催生像SpaceX或OpenAI这种改变规则的公司，同时允许金融体系允许大规模的失败，它能通过风投、股市和债券市场，把再工业化的风险分散到全球投资者头上，在这方面，温和一点说，中国也是相对薄弱，但本质上我们也不追求这个。最后就是体制，和欧洲相比，美国是一个道德包袱很轻的国家，赢了的人才能讲道德对吧？我想要的，各种给钱加减税，什么环保法案，那是我监督别人的，你还管得了我？不行就强买强卖呗，我管你这那的，拿来吧你，台积电说你呢。中国人认为美国再工业化行不通，是因为我们的工业化太行了，但你只要不是以“再造一个中国”为目标，那美国再工业化已经在路上了，至少比其他所有想再工业化的国家已经领先不只是一个身位了。我没有说服谁的意思，就是我的想法，主要还是用这些观念来看投资的，不同意就是你对。

转发者评论

和这个没关系，工业化和金融是冲突的。你只能选择一个。 美国不行，只有美国和英国不行，其他国家都可以

• 和这个没关系，工业化和金融是冲突的。你只能选择一个。 美国不行，只有美国和英国不行，其他国家都可以
• 其实这是在方法论的高度，提供了一种帮助世界上所有去工业化国家轻松地达到再工业化目标的手段//@暗能量泡泡://@汪海林:同意👉//@别梦依稀笑逝川:你这是抛出一个暴论，然后通过定义学把暴论圆回来，重新定义了“再工业化”。少数尖端领域控制在美国本土，是有可能的，但这不是我们常规理解的“再工业

原文

Claude Code 昨天更新了一个新的功能：Agent 视图。你可以在一个终端标签页里管理多个正在运行的 Agent。你可以启动新的 Agent 并将其放在后台，Agent 视图会标注每个 Agent 的状态，包括：已完成、需要输入、正在进行。你可以通过以下两种方式打开 Agent 视图：1. 在任何会话点按左箭头2. 直接在终端运行命令 `claude agents`在视图中，每一行代表一个 Agent，会显示当前的对话、是否需要你的输入，以及该 Agent 上一次回复的大概内容。你可以在视图里查看详细的对话信息，也可以直接进行回复。如果你想将现有的会话加入到 Agent 视图中，可以使用 `/bg` 命令。这个功能对于需要开启多窗口或运行长期任务的场景非常有用。#how i ai#

转发者评论

无明显转发评论

原文

学习AI工程常常需要翻阅各种论文、教程和框架文档，东一榔头西一棒槌，概念零散难以串联。AI Engineering from Scratch 提供一套完整的AI工程学习路线图，从零数学推导构建所有算法，再到框架应用，一条龙掌握。涵盖416课时、20个阶段，支持Python、TypeScript、Rust、Julia四种语言，从线性代数到自主智能体群，每步先手写数学再导入框架。URL：aiengineeringfromscratch.comGitHub：github.com/rohitg00/ai-engineering-from-scratch- 20阶段416课时，从基础数学到高级AI系统全覆盖；- 四语言实现（Python/TS/Rust/Julia），每课包含数学推导+代码+测试；- 本地运行，无需云端，克隆仓库即可在自己机器上手写算法；- 线性结构路线图，避免碎片化学习，先理解backprop、attention等核心，再用PyTorch；- 实时进度跟踪和词汇表，支持浏览器保存学习状态；- 开源免费MIT许可，无需注册paywall，随时fork自学。支持本地开发环境，git clone后即可运行所有课时代码，适合AI工程师自学和深度实践。#AI工程##从零开始##人工智能#

转发者评论

无明显转发评论

原文

俄罗斯为什么能有这么多的炮灰愿意参军？Claude对此解答：这个问题触及了俄罗斯战争机器能够持续运转的最核心机制——不是武器生产（那可以靠工厂），不是资金（那可以靠石油），而是人力供给。俄罗斯在三年多的战争中承受了巨大的人员伤亡却没有出现兵源枯竭，这背后是一套精密的经济激励、社会结构利用和政治风险管理的综合体系。先看伤亡规模——理解"炮灰"的数量级俄罗斯的确切伤亡数字是高度保密的，各方估算差异极大。但综合西方情报机构、乌克兰国防部和独立调查机构的估算，到2026年初，俄罗斯的阵亡和重伤（永久丧失战斗力）人数可能在30-40万的量级。每个月的新增伤亡在数千到上万人之间。维持这种消耗率需要持续不断地向前线输送新兵。俄罗斯目前每月招募的新兵据估计在2-3万人左右——这些人来自哪里？为什么他们愿意去？第一个核心机制：金钱——对底层人口来说，参军是最高薪的工作这是最直接也最有效的动员工具。俄罗斯为合同兵提供的薪酬待遇在战争期间被大幅提高：签约奖金：各地区不同，莫斯科的签约奖金一度高达190万卢布（约2万美元），部分地区在联邦奖金之上还叠加地方补贴，总计可达数百万卢布。月薪：合同兵的月薪约20万卢布（约2,000-2,500美元），前线作战人员更高。这个数字是俄罗斯全国平均工资的三到四倍，是很多偏远地区平均工资的五到八倍。阵亡/重伤赔偿：据报道，阵亡士兵的家属可以获得约1,200万卢布（约12-13万美元）的一次性赔偿——这在莫斯科可能只够买一个小公寓，但在达吉斯坦、布里亚特或图瓦的农村，这是一个家庭一辈子都挣不到的钱。这些数字需要放在俄罗斯的区域经济差异中来理解。俄罗斯是一个贫富差距极其悬殊的国家——莫斯科和圣彼得堡的人均收入与西欧接近，但西伯利亚、远东、北高加索和少数民族共和国的很多地区仍然处于深度贫困之中。一个在布里亚特农村靠放牧为生的年轻人，月收入可能只有2-3万卢布——参军后的月薪是他原来收入的七到十倍，签约奖金等于他十年的收入。俄罗斯政府精准地把战争的经济收益投向了社会底层，使参军成为这些人改变经济命运的最快途径。这不是"爱国主义"驱动的，是纯粹的经济理性——当你面前的选项是"在村里一个月挣2万卢布"和"去前线一个月挣20万卢布加上签约奖金"时，很多人会选择后者，即使他们知道风险。第二个核心机制：地理和族群的"选择性征兵"——让远离权力中心的人去死俄罗斯的兵源不是均匀分布在全国的——它高度集中在特定的地理区域和族群中。少数民族共和国是不成比例的主要兵源地。 布里亚特（蒙古裔佛教徒，远东地区）、达吉斯坦（高加索山区穆斯林）、图瓦（突厥裔萨满/佛教徒，西伯利亚）——这些人口只占俄罗斯总人口很小比例的地区，在伤亡名单中的占比却远高于其人口比例。这个不成比例不是偶然的，它有结构性原因：这些地区经济最落后——参军的经济吸引力最大；这些地区远离莫斯科——当地的伤亡不会…

转发者评论

//@仓仓迦措:转发微博

• //@仓仓迦措:转发微博

原文

OpenAI 老板说 AGI 这个词意义不大了，那普通人该往哪押注呢？梳理了一下 Sam Altman 这一年的几次公开发言，发现一件容易被忽略的事：他对 AGI 的说法悄悄变务实了。（当然他这个人就是善变。。。）2025年初他还写过「我们现在确信知道怎么造出 AGI」，2025年8月在节目上他说了一句几乎相反的话：「AGI 不是个特别有用的词」。短短半年，从「就要造出来了」到「这个词没意义了」。Sam Altman 是 OpenAI 的 CEO，2015年与几位合作者创办 OpenAI，2019年起担任 CEO。OpenAI 在他任内从一个非营利研究机构变成了估值千亿美元的 AI 公司，ChatGPT 是他们最出名的产品。为什么这个转变值得注意？表面看，Altman 给的解释是：AGI 有多个定义，不同公司不同人理解不同，所以不再适合用这个词来描述目标。这个解释本身没问题。学术上 AGI 的定义一直就是浮动的，不同时期不同人理解差异很大。但同时期发生的另一件事是：GPT-5 在2025年8月发布，市场反响远低于预期。被吹了两年的「下一代模型」落地后，被普遍评价为「增量改进，不是突破」。这件事和 Altman 改说法发生在同一个月，大概率不是巧合。当「就要 AGI 了」的预期没有兑现，最聪明的做法不是硬撑承诺，是淡化这个词，把目标重新定义到一个更可控、更不容易被证伪的地方。不光 Altman，整个行业在2025下半年集体出现了一个「情绪转向」——AI 公司高管不再热衷谈 AGI 时间表，转而谈「每个具体领域达到人类水平」、「superintelligence（超级智能）」、「AI agents 进入劳动力市场」这种更具体、也更分散的目标。再往深一层看，这个转向其实并不坏。AGI 这个词本来就装了太多东西：科幻、哲学、安全担忧、商业愿景，都堆在三个字母上。每次有人说「还有 X 年到 AGI」，听的人和说的人脑子里想的多半不是同一件事。放弃这个词，逼着大家说更具体的东西：「AI 在写代码上能不能达到资深工程师水平？」「AI 在医疗诊断上能不能达到专科医生水平？」「AI 在做研究上能不能产出新见解？」这三个问题每一个都比「AGI 哪天到」更可被回答、更可被验证，也更跟普通人的生活有关。那对一个不在 AI 行业的普通人来说，从这个转向能拿走的最实用判断是什么？不要押注「AGI 哪一年到」这种宏大问题，押注「AI 在我这行能干到什么程度」这种具体问题。具体怎么押？盯着自己行业里那部分最难的事。比如做法律的，盯 AI 在合同审核、判例研究上的进展；做医生的，盯 AI 在影像诊断、罕见病推断上的进展；做内容的，盯 AI 在选题判断、风格模仿上的进展。这是「你这一行的 AGI 进度条」，比通用 AGI 进度条对你有用得多。每隔三个月自己测一次。让最新的几个大模型来做你工作…

转发者评论

无明显转发评论

原文

【中央网信办：#网站平台必须提供6类必选标签#】#选了必选标签才能发短视频# 针对部分短视频内容来源不清、真假难辨、混淆视听等突出问题，今年以来，中央网信办全面部署推进规范短视频内容标注工作。1月以来，指导网站平台深入清理虚假摆拍等违规短视频52万余个，严惩违规账号6.8万余个，发布治理公告54期，并集中曝光典型案例。3月，指导抖音、快手、腾讯、小红书、哔哩哔哩、微博、淘宝、京东、拼多多、支付宝、美团、百度等12家平台先行先试，完善内容标注标签，对内容标注功能进行优化和测试。近日，中央网信办总结12家平台试行经验，指导各地各网站平台全面推进落实三项工作：一是规范短视频内容标注标签，明确网站平台必须为用户提供6类“必选标签”，并可根据自身实际提供其他“可选标签”。其中，“必选标签”包括“含有虚构演绎内容”“含有AI生成内容”“含有营销信息”“内容为转载”“内容为个人观点”和“无需标注”。真实生活记录类短视频可选择“无需标注”标签，该标签不在短视频页面呈现。二是将内容标注设为短视频发布必经环节，发布者必须从“必选标签”中选择一项，才能发布短视频。三是对新增短视频标注情况加强审核，对存量短视频进行分批回溯，对未规范标注的，进行补标或纠正，并对相关发布者进行教育警示，推动实现短视频内容应标尽标。规范短视频内容标注是维护短视频内容生态、保障网民合法权益的重要举措，也是一项长期工作。下一步，中央网信办将加大对网站平台的指导督促和监督检查力度，对未按要求进行标注的账号和主体责任落实不力的网站平台，依法严惩并公开曝光。希望各网站平台、短视频发布者和广大用户自觉遵守标注规范，共同打造健康、有序、可信的短视频环境。（网信中国）

转发者评论

无明显转发评论

原文

【OpenAI职位成AI时代“超级彩票”：员工获准最高套现3,000万美元】OpenAI在近期一轮融资中允许员工每人出售最多3,000万美元的股票，使他们成为人工智能(AI)热潮中最早的一批经济获益者。去年10月，600多名现任和前任员工一次性抛售所持股票，合计套现66亿美元。据知情人士透露，其中约75人拿满了3,000万美元的上限。有些人选择将剩余股票捐出，投入捐赠者建议基金(donor-advised fund)。这是一种慈善投资账户，资金专项用于公益事业，捐赠者也可在当年申报税收抵免。此次股票出售让外界得以一窥即将涌入旧金山和其他科技重镇的滚滚财富。OpenAI和Anthropic正在筹备可能跻身史上最大规模之列的首次公开募股(IPO)，届时两家公司数以千计的普通员工将得以抛售股票，其中不少人将一跃成为千万富翁。OpenAI要求员工持股满两年方可出售，这意味着此次售股是许多在ChatGPT发布后加入公司的员工首次套现的机会。历史上从未有哪一轮科技热潮能在公司上市之前就为如此大批员工带来如此巨额的财富。互联网泡沫时期，数百家公司扎堆上市，但多数情况下，员工即便在IPO之后仍需漫长等待才能变现。有些人还没等到套现那一天，泡沫就已破裂，纸面财富终成泡影。AI领域部分高度专业化人才的薪酬规模在现代史上前所未见。谷歌(Google)和Facebook的早期员工在公司上市后确实赚了数百万美元，但一些AI专家的财富积累已远超前人，尤其是那些并非创始人的技术骨干。去年，Meta在全行业人才争夺战中向部分顶尖研究人员开出了3亿美元的薪酬方案。OpenAI网站显示，该公司部分技术岗位年薪超过50万美元，股票薪酬的发放力度更是远超其他科技公司。据《华尔街日报》(The Wall Street Journal)报道，去年8月，OpenAI向部分员工发放了一次性奖金，其中一些价值数百万美元。这波新财富正在推高旧金山的房租，也引发了人们对城市内部阶层分化加剧的忧虑。一些顶尖AI高管已承诺将大部分收入捐给慈善机构，一些普通员工也加入了捐赠行列——他们原本从未想过自己会拥有这样一笔足以改变命运的财富。OpenAI目前是全球估值最高的科技初创公司。七年前公司首次发行股票时便已在职的员工，手中股票价值已翻了100多倍。相比之下，纳斯达克综合指数同期仅涨了约两倍。在硅谷历史的大部分时间里，初创公司员工向来要等到IPO才能出售股票。但随着公司保持非上市状态的时间越拉越长，一些员工坐拥纸面财富却迟迟无法变现。由此导致所谓的要约收购日益流行，员工可以借此将部分股票出售给外部投资者。OpenAI近年来进行了数次要约收购，但此前将每位员工的出售额度限制在1,000万美元，这让一些有资格出售远超该金额的顶尖研究人员和工程师颇为不满。该公司表示，为回应投资者需求，去年秋天将上限提高至原来的三倍。Ope…

转发者评论

去年跳槽去Meta的员工不知做何感想，尤其是Jason Wei。那么聪明的人，做了那么没智慧的决策，从上升电梯跳到了下降电梯上。[并不简单]

• 去年跳槽去Meta的员工不知做何感想，尤其是Jason Wei。那么聪明的人，做了那么没智慧的决策，从上升电梯跳到了下降电梯上。[并不简单]

原文

【从敲代码到定方案，程序员正在迎来职业大转折】快速阅读：AI 正在将软件开发的重心从“编写代码”转向“理解问题与制定方案”。如果开发者仍将职业核心定义为敲击键盘，那么在效率竞赛中，他们极有可能被那些愿意用短期认知损耗换取高产出的“AI 驾驶员”所淘汰。写代码其实只占工作时间的 2% 到 5%。剩下的时间，是在理解复杂的业务需求、在会议中对齐目标、在陈旧的文档里翻找逻辑，或者仅仅是在思考一个方案是否可行。很多人担心，过度依赖 LLM 会导致技术能力的萎缩，让开发者变笨。这种担心有道理，但逻辑上有个陷阱：即便 AI 真的会让人的思维变得懒惰，只要它能带来足够高的短期产出，市场就会毫不犹豫地选择它。这就像建筑工人知道搬重物会伤腰，但为了完成工期，他们不得不去用动力工具。你可以拒绝使用电钻，坚持用螺丝刀，但你可能很快就会发现，没人愿意为这种低效支付薪水。现在的软件工程正处于一个类似“职业运动员”的转折点。运动员的巅峰期有限，身体机能会随年龄下降。软件工程师也面临类似的风险：如果你只靠手写代码维持竞争力，那么随着 AI 成为新的“基础抽象层”，你的职业生命周期可能会比预想中短得多。有网友提到，现在的开发更像是“音乐制作人”：你不再需要亲自弹奏每一个音符，而是通过指挥各种工具和 Agent 来实现你的构思。这其实是一个关于“决策”而非“执行”的问题。未来的护城河不再是掌握某种特定的语法，而是能否在 AI 生成的、可能充满“幻觉”的碎片中，构建出稳固、可维护且符合商业逻辑的复杂系统。如果一个人无法从“写代码”进化到“解决问题”，那么他可能真的会被时代抛弃。seangoedecke.com/software-engineering-may-no-longer-be-a-lifetime-career/

转发者评论

无明显转发评论

原文

这个想法我以前也写过，把它重新总结一下：AI 时代最稀缺的资源是人的 willpower，或者用尼采的话说，Wille zur Macht。在工作中一个常见的困难情景是你注意到两个不同的地方存在类似但又有区别的模式，想弄明白它们之间是什么关系。这种时候你去问谁呢？自己去研究非常痛苦。想请教专家，那你需要找一个比你资深、更懂行的人，但现实中同时精通两个不同领域的专家少之又少。即便有，他们的职位通常很高，事务繁忙，约到时间非常困难。就算你描述清楚了问题，对方也很难给出一个让你心满意足的答案。即便搞明白了答案，想要推行下去也更难，因为这类工作往往需要大量的跨部门协调。——通常你最后耸耸肩算了。在 AI 时代，事情的难度完全不在一个量级。你完全可以让 AI 去联接两个不同领域的知识，给你一个综合性总结。如果你想做什么，直接动手做就是了。Y Combinator 的 CEO Garry Tan 说过：在 AI Agent 的帮助下，每个人都应该有勇气去「移山倒海」（原话是 boil the sea）。也就是说，你完全可以也应该去做不可能的事情。那瓶颈是什么呢？在 AI 的时代，既然你可以很快地把任何一个念头付诸实施，问题就变成了你愿不愿意去花费这个心力去推动一件事发生。AI 是不会主动产生这样一个念头的。它不会主动想要把两个跨部门的东西放在一起比对然后看看有没有能够共享的部分。AI 没有自发的 willpower，它的 willpower 只能来自于某个指令，可能来自人，也可能来自另一个上层 AI agent，但一层层追溯上去，源头也还是人，或者说人的主观能动性和内在激励。任何一种推动事情改变的力量，归根结底，不外乎来自人自我超越扩张和赋予世界意义的本能，也就是尼采说的 Wille zur Macht。AI 没有这个。于是看起来你的工作更轻松了，但它对你的耗损反而增加了。传统意义上可以用来发挥心流的部分被 AI 拿走了，你每一个指令都会被迅速完成，于是你不得不去想 What's next。下一个指令是什么？我要把这个事情往哪推？在传统工作里，这种对心力的消耗可能一周才会发生一次，现在变成了每 15 分钟就要来一次。这个部分没有办法交给 AI，它只能解决怎么做这件事情的问题，没有办法产生出源源不断的新的 willpower 注入一个系统。于是就像沙丘世界里的香料一样，人的意志成为了工作的本质形态，驱动着整个世界的运转。大家通常会以一种含糊其辞的方式谈论它，仿佛它只是点缀，但最终只有它才是真实的。

转发者评论

无明显转发评论

• 体会到管理岗的痛苦了吧？[doge]//@中年乖叔叔:最近vibe 编程的主要柑橘就是 完全没有心流了, 完全没有沉浸的幸福感了, 一直焦躁

原文

地球上的每一枚 AI 芯片都始于一根从熔融硅池中以每分钟 1 毫米速度拉出的晶体。没有这种晶体，台积电、三星和英特尔都无法制造芯片。在 直拉法 中，一根铅笔大小的种晶浸入温度 1414°C 的坩埚中。随着它缓慢向上拉起，硅原子逐渐锁定为单一晶格。最终形成的硅锭直径 300 毫米、长度 2 米、重量 265 公斤。纯度达到 99.999999999%（十一个九）。在人类的工业规模制造中，没有任何材料能接近这种纯度。每一百亿个原子里只要混入一个杂质原子，就可能改变从这根晶体切割出的所有芯片的电学性质。全球 300 毫米半导体硅片有超过 50% 来自日本的两家公司：信越化学（Shin-Etsu） 和 SUMCO。一片晶圆售价 150–300 美元，而从中切割出的成品 AI 芯片售价超过 3 万美元。过呢最大的硅片制造商 中环股份主攻太阳能市场，纯度约为 六个九99.9999%。而半导体级需要 十一个九99.999999999%。日本在这一工艺上保持了40年领先地位。硅在任何地方都能熔化，但要长出完美的单晶，则需要几十年的工艺积累。Radio News 1956年5月封面网页链接，雷神公司在马萨诸塞州牛顿的半导体工厂的操作员。美国70年前就在做这个。现在Shin-Etsu（信越化学工业株式会社）和SUMCO控制了全球超过一半的300mm供应。

转发者评论

无明显转发评论

原文

[CL]《Fast Byte Latent Transformer》J Kallini, A Pagnoni, T Limisiewicz, G Ghosh, L Zettlemoyer, C Potts, X Han… [FAIR at Meta] (2026) 在字节级语言模型中，免 tokenizer 与快速生成难以兼得。过去 BLT 虽用动态 patch 降低计算，但仍逐字节解码，本质原因是未来字节不能并行生成。本文的核心洞见是：把 BLT 解码重新看作块级补全。由此，扩散目标让 decoder 一次草拟多字节，再用自推测或自回归校验在速度与质量间调节。这项工作真正留下的遗产是让字节模型接近实用推理。它打开的新门是 tokenizer-free 的并行生成，但尚未跨过的门槛是真实系统延迟仍只用 NFE 与带宽估计。arxiv.org/abs/2605.08044 #机器学习# #人工智能# #论文# #AI创造营#

转发者评论

无明显转发评论

原文

《Mathematical Theory of Deep Learning》，一本面向深度学习理论的数学教材地址：arxiv.org/pdf/2407.18384它用比较严格但尽量可读的方式解释深度学习为什么可能有效，主要内容是神经网络能不能表达目标函数、训练算法为什么能找到有用解、训练集上表现好为什么可能推广到新数据；全书围绕 approximation theory、optimization theory、statistical learning theory 展开，最后也讲 ResNet、CNN、Transformer 等现代架构。#AI创造营#

转发者评论

无明显转发评论

原文

我常常想，如果人类的寿命有 500 年，牛顿活到了二十世纪，他对相对论和量子力学会是什么态度。我见过不少“老专家”，也见过一些同龄人正在变成或已经变成“老专家”，以及更多将来必然成为“老专家”的年轻人。“老专家”和年龄有关，但并不是衰老导致的。“老专家”的种子在年轻时就已经种下，但那时候我们不会认为他们是“老专家”，正如我们不会觉得一个身高一米二的六岁孩子是侏儒。从物理上来看，“老专家”和我们生活在同一个时空。但他们的内心被他们自己困在了一个最舒服最容易的时空碎片里，无限循环。

转发者评论

恰好大模型也有“掷骰子”的味道，某些行业专家会不会成爱因斯坦呢[二哈] http://t.cn/AXiGfzFb //@tombkeeper:倾向于左派的人往往对人性有着不切实际的幻想，在对这条微博的态度中也体现了出来。1935 年，24 岁的钱德拉塞卡在英国皇家天文学会阐述了后世称作“钱德拉塞卡极限”的理论。当时英国天体物

• 恰好大模型也有“掷骰子”的味道，某些行业专家会不会成爱因斯坦呢[二哈] http://t.cn/AXiGfzFb //@tombkeeper:倾向于左派的人往往对人性有着不切实际的幻想，在对这条微博的态度中也体现了出来。1935 年，24 岁的钱德拉塞卡在英国皇家天文学会阐述了后世称作“钱德拉塞卡极限”的理论。当时英国天体物

原文

BBC高级科技记者托马斯·热尔曼写了一篇长文，核心内容讨论的问题很现实：我们每天都在用AI提效，但在这个过程中，大脑还在正常运转吗？换句话讲，就是：如何用AI又不把脑子用废？先说一个你可能已经有感触的现象。长期依赖GPS导航的人，空间记忆能力会持续下降，因为你不再需要"记路"了，大脑就真的慢慢不记了。搜索引擎普及之后也一样，科学家发现了"谷歌效应"：用搜索引擎查到的信息，记住的概率远低于自己费力想出来的。因为你知道随时能再查到，大脑就觉得没必要存了。GPS弱化了方向感，搜索引擎弱化了记忆力。那AI呢？乔治城大学神经科学教授亚当·格林的判断是：AI是人类有史以来最强大的"外包工具"。GPS只外包了导航，搜索引擎只外包了查找，但AI可以外包几乎所有需要动脑的事情，写作、分析、判断、创意，全都能包。如果大脑真的遵循"用进废退"的逻辑，AI带来的风险可能比GPS和谷歌加在一起还要大。格林教授有个比喻特别准：用AI完成思考任务，就好比去健身房，但每次举铁都让机器人帮你举。铁是举起来了，但你的肌肉什么都没练到。有一项卡内基梅隆大学、MIT、牛津和UCLA联合做的实验特别值得注意。研究者让参与者用AI辅助解题大约10分钟，然后突然撤掉AI让他们独立做同类型的题。结果是：有过AI辅助的人，独立解题成功率明显下降，遇到难题也更容易直接放弃。仅仅10分钟就出现了这么明显的变化。但更关键的细节是：并非所有用AI的人都受到了影响。研究者发现，61%的人用AI的方式是"直接要答案"，这批人能力下降最明显。而那些用AI"要提示"或者"追问某个步骤怎么理解"的人，能力没有受到明显损伤。所以核心结论很清楚：AI本身未必伤害大脑，真正需要警惕的是"直接要答案"这个动作。你用AI的姿势，决定了你的大脑得到的是锻炼还是退化。文章给了四条具体建议。第一，先自己判断，再去问AI，让AI成为你的"质疑者"而非"答案提供者"。第二，用复述或考题来强化记忆，查完东西之后用语音复述一遍或者让AI出题考自己。第三，先自己写，再让AI介入，哪怕很粗糙也先让"动脑"的过程发生。第四，主动给自己制造无聊，遇到难题先别问AI，让自己在那个不舒服的状态里多待一会儿，训练大脑耐受深度思考的能力。说白了，AI时代最重要的一件事可能是：在用AI的同时，别让自己的大脑只剩下发出指令这一个功能。#科技先锋官##How I AI#

转发者评论

无明显转发评论

原文

【让Claude Code从网页聊天变身本地科研助手】快速阅读：Claude Code 不再是只能在浏览器里“聊天”的工具，它能直接运行在你的本地文件夹里。它能读写你的所有研究文件，像一个拥有长期记忆的科研助理，帮你处理文献筛选、数据清洗和转录稿整理等琐碎体力活。很多人用 AI 做研究，习惯开个网页，把 PDF 传上去，问个问题，再复制出来。这种方式像是在给一个路人发短信，聊完就散了。Claude Code 的逻辑完全不同。它更像是把一个实习生直接请进了你的实验室，并给了他进入你资料库的权限。你不需要把文件搬运给它，你只需要把这个工具“安装”进你的项目文件夹。它能看到你所有的 PDF、Excel、访谈记录，甚至能根据你的指令直接新建一个整理好的文档。这就像是从“在线聊天”进化到了“本地操作系统”。它最聪明的地方在于那个叫 CLAUDE.md 的文件。你可以用大白话写下你的研究领域、论文引用格式、甚至你偏好的写作风格。有了这个文件，它就有了“全局变量”，每次启动都会记得你是谁，在做什么。配合它自带的自动记忆功能，它会随着研究的深入变得越来越懂你。有网友提到，这种工具能极大解放生产力。比如，你可以扔进去五十篇文献，让它根据你的标准筛选出符合条件的论文，并直接生成一个对比表格。或者让它去翻看几十份访谈转录稿，提取某个特定主题的所有发言。不过，这里有个边界。Claude Code 擅长的是处理那些高强度、重复性、劳动密集型的任务，比如重命名混乱的文件名，或者清洗脏数据。它能帮你把素材准备得极其精美，但它无法代替你进行真正的学术思考。它能帮你合成信息，但无法产生原创论点。它能帮你跑通流水线，但无法决定研究的方向。研究的灵魂依然在你手里，它只是帮你把那些磨人的杂事，从你的 CPU 里卸载了出去。x.com/MushtaqBilalPhD/status/2052338632426467550

转发者评论

无明显转发评论

原文

Google Cloud AI 总监 Addy Osmani 写了一篇关于 Agent Harness Engineering 的长文，核心公式很简单：Agent = Model + Harness。模型只是系统的一个输入，真正决定 Agent 表现的，是围绕模型搭建的那一整套脚手架。过去两年，行业一直在争论哪个模型最聪明、哪个写代码最干净、哪个幻觉最少。这些当然重要，但它忽略了系统的另一半。一个普通模型配上精心设计的 harness，能稳定地打赢一个顶级模型配上粗糙 harness 的组合。越来越多最有意思的工程工作，已经不在模型选择上了，而在设计模型周围的那层脚手架上。Harness 具体包括什么？系统提示词、工具描述、文件系统、沙箱、子 Agent 编排、钩子和中间件、可观测性工具、记忆和搜索机制。Claude Code、Cursor、Codex、Aider，这些产品本质上都是 harness。底层模型可能一模一样，但你体验到的行为差异，绝大部分来自 harness 的不同。文章里最核心的一个理念是：把每次 Agent 的失败都当作永久性的信号来处理，而不是当成偶发事件重试一下就算了。Agent 提交了一个注释掉测试的 PR？那下一版 AGENTS.md 里就要写明"禁止注释测试"，下一个 pre-commit hook 就要自动拦截，审核子 Agent 也要更新规则。每一条好的系统提示词，都应该能追溯到一次具体的历史失败。他还提到了几个关键的 harness 设计模式：用文件系统和 Git 做持久化状态管理；用 bash 做通用工具层；用沙箱保证安全执行；用记忆文件注入跨会话知识；用压缩、渐进式披露和工具调用卸载来对抗上下文腐烂；用循环、规划和拆分来支撑长时间自主执行。还有一个很有意思的观点：模型变强了，harness 的需求不会消失，只会转移。以前需要的那些"防止模型犯蠢"的脚手架可以拆掉了，但新的能力边界又会带来全新的失败模式，需要全新的脚手架来应对。所以 harness 是一个活的系统，永远在随着模型能力的变化而演化。最后他说，现在行业正在从"基于 LLM API 构建"转向"基于 Harness API 构建"。SDK 已经把循环、工具、上下文管理、钩子、沙箱这些东西开箱即用地提供了。你要做的，是选一个 harness 框架，配置核心支柱，然后把精力集中在你自己领域的 prompt 和工具设计上。说白了，当所有人都在追最新模型的时候，真正拉开差距的，是你围绕模型构建的那套系统有多扎实。模型是标准品，harness 才是你的竞争壁垒。原文地址：x.com/addyosmani/status/2053231239721885918#科技先锋官##How I AI#

转发者评论

无明显转发评论

原文

【小米自研AI大模型！Xiaomi MiMo再次登顶全球第一】小米官方今天发文宣布，小米技术官方宣布，在OpenRouter平台最新数据中，Hermes Agent登顶全球调用量榜首，日Token调用量达2910亿，周调用量超1.75万亿。小米自研MiMo模型成为第一大贡献模型，近一个月累计贡献1.45万亿Token调用量。

转发者评论

无明显转发评论

原文

我看人工智能科学家吴恩达今天发了一篇文章，他态度很明确：所谓的"AI 就业末日"不会发生。他认为"AI 将导致大规模失业"这种说法正在制造不必要的恐慌，既不负责任，也会带来负面影响。他举了一个很有说服力的例子。软件工程是目前受 AI 工具冲击最大的领域之一，编程 Agent 的发展速度非常快。但即便如此，软件工程师的招聘需求依然强劲。整体趋势很清楚：AI 带来的净新增就业远大于它消灭的岗位，这和以往每一次技术浪潮没什么不同。美国目前的失业率依然保持在健康的 4.3%。那为什么"就业末日论"这么流行？吴恩达指出了两个利益动机。第一个来自 AI 实验室。前沿实验室有很强的动机去讲述一种让 AI 看起来更强大的故事。如果一种技术能取代大量员工，那它显然会被认为极具价值。传统 SaaS 软件每位用户每年收费大约 100 到 1000 美元，但如果 AI 公司能替代一个年薪 10 万美元的员工，或者让其效率提升 50%，那收费 1 万美元看起来也合理了。以员工薪资而非 SaaS 定价作为锚点，AI 公司就能收取更高的费用。第二个来自企业。企业有很强的动机把裁员包装成"AI 导致的结果"。宣称"我们利用 AI 在减少员工的同时实现更高效率"会显得公司很聪明。这比承认他们在疫情期间因为低利率和财政刺激导致资本充裕、从而过度招聘，要好听得多。吴恩达也承认，AI 确实在改变很多人的工作方式，这个过程会带来压力和不适。但这跟预测整个就业市场崩塌完全是两回事。他还提到了历史上类似的集体误判：对核电安全的恐惧导致核能投资不足，对膳食脂肪的担忧让政府几十年来推广高糖饮食。社会有时会在很长时间里相信缺乏现实基础的故事，并因此做出糟糕的集体决策。最后他给出了自己的预测：AI 将带来的是"就业狂欢"，会创造出大量优质的 AI 工程岗位，而且很多会出现在传统大型科技公司之外的行业中。即便是非 AI 岗位，所需技能也会因为 AI 而发生变化。所以现在最该做的，是鼓励更多人熟练掌握 AI，为未来那些"不同但充足"的工作机会做好准备。#科技先锋官##How I AI#

转发者评论

无明显转发评论

原文

把我看笑了😂最近一则「字节跳动悄悄关掉了 30% 的 AI 项目，豆包之外的产品全在收缩」的信息在推特上到处疯传。说字节4月开了内部AI战略复盘会，直接砍掉30%的AI应用项目这张图正在被搬运回国内，也开始到处传了...截图里还煞有其事的说："字节 2025 年 AI 推理成本超 80 亿人民币，是营收增量的 2.3 倍。这种烧钱速度做不出豆包第二，公司的现金流撑不到 2027。"看到这句我真的笑了😂我发现，现在的造谣都不过脑子，而且还是数学白痴，很明显是个完全的外行这哪叫爆料，简直是典型外行意淫。字节的营收规模、现金储备、业务基本盘摆在那里，拿一个没来源、没口径的数字，直接推导出“现金流危机”，荒谬到不需要计算器。浙商证券公开报告显示，字节 2024 年光砸在 AI 上就花了 800 亿而南华早报最近爆出的字节跳动今年的 AI 基础设施支出将超过 2000 亿元一个准备花 2000 万装修豪宅的土豪，看到自己上个月水电费交了 80 块，然后跟全家宣布："不行了，咱家撑不到明年了。"哈哈哈...我看到还有很多媒体同行也在转发，你们是真不过脑子？产品线也写得很外行即梦 和 Dreamina （即梦海外版）现在风头正劲，Seedance 2.0火了之后，Dreamina（即梦海外版）是人家大力推广的明星产品，已经陆续在各个国家上线，而且上线就是排名Top 1.AI 视频正是字节重点推进的方向，怎么就被写成“被砍”？字节压根就没有专门的AI写作产品，看起来像没搞清真实产品线的人在凑类别。最离谱的是但凡天天刷推的人知道，这张图还有很明显的 AI 生成痕迹什么“第一件、第二件、第三件”，什么“内部明确三条线”，结构工整得像提示词产物。再配上这种戏剧化的高管台词，AI味太冲了。什么「TikTok 美国剥离悬而未决、印度持续封禁，字节 AI 出海窗口正在关闭」。这件事今年 1 月 就已经尘埃落定了...我也问了下字节的朋友，对方回答：“太假了”、“一眼假”

转发者评论

无明显转发评论

原文

起床后发现家里两个 Hermes Agent 都开始报这个错误。首先错误中提示 kimi-k2.6 只有32,768 tokens的上下文窗口这肯定是一个错误。Hermes在 /new 或 /reset 后自动 detect 模型的上下文宽度，以前是正常的，今天起床后再 /new 就会看到“Context: 32K tokens (detected)”Hermes Agent 是怎么 detect 模型的上下文宽度呢？0 读配置文件有没有上下文宽度的覆盖1 本地缓存2 自定义模型的配置(自己声明)6 openrouter的api8 Hermes的硬编码 fallback问题应该就出在优先级6的openrouter上。从api获取到的kimi-k2.6的上下文宽度确实只有32,768。而修复的办法就是改配置文件，主动覆盖。修改的有两个地方(config.yaml)：model: 下添加 context_length: 256000auxiliary.compression: 下添加 context_length: 256000我有两个Hermes Agent，其中一个是可以在昨天没关掉的tui上对话并修改，另一个就直接挂掉了，后来是手动添加配置的。不知道大家有没有遇到这个问题。

转发者评论

无明显转发评论

• 回复@春天小羚羊:对，目前openrouter上的k2.6是错误的，但k2.5是正常的。 http://t.cn/AXibEUu2 //@春天小羚羊:我的没（因为默认是k2.5？）

原文

一朋友很擅长和 AI agent 沟通他给 agent 的上下文很精准：目标是什么、输入是什么、约束是什么、希望输出什么。只要这些信息足够，agent 就能开始工作但在团队协作里，这套方式并不总是work人和 agent 不一样。人会在意事情的来龙去脉，也感受到压力、预期、信任感和信息差的影响。看起来和任务无关的上下文，会影响一个人如何理解问题、判断优先级、评估进度...“输出这些额外上下文”的这种基础能力的前置能力，我觉得应该是“同理心”..

转发者评论

无明显转发评论

• 管AI还是要比管人简单一点。。

原文

#今天要来点数学吗?# #机器学习#数据一项非常非常有趣的美国专利 US10963540B2 ——物理信息学习机器 描述了一种学习系统，它并不仅从数据开始。它从一个物理模型开始，通常写成微分方程（或 PDE）dx/dt = f(x,t)普通的机器学习模型看到的是散乱的数据，并试图拟合它们。物理信息学习机器则从一条规律开始。然后，它将数据视为证据，用于更新模型对物理系统的信念。视频是将该专利理念应用于 NASA C-MAPSS 涡扇发动机数据。该机器监控来自一台退化发动机的多变量遥测数据，并推断出一个未直接测量的隐藏健康状态。从这种后验信念出发，它估算发动机的剩余使用寿命。在主 3D 场景中，发动机寿命被转化为一个隧道。螺旋丝带是随周期时间演变的真实传感器通道。发光的芯部是推断出的健康状态。周围的云雾是不确定性。前方的橙色墙壁是预测的故障视界。因此，大局是：传感器证据输入，后验信念收紧，机器从不确定性转向具体的故障预测。插入的后验分布使这一点显而易见。健康后验显示模型相信隐藏的发动机状况在当前时刻的位置，以及它相信的锐利程度。RUL 后验显示了剩余寿命的相同理念……早期它很宽泛，后来它向左偏移并收窄，因为机器对故障的接近程度变得更加确定。这一理念并不局限于发动机。相同的理念可应用于数据中心、CPU、GPU、冷却系统、电网、机器人、电池，以及任何产生遥测数据同时遵守物理约束的机器。在机器学习运行于海量硬件基础设施的时代，这种模型至关重要：它能将噪声传感器流转化为昂贵系统故障前的早期预警。 物理芝士数学酱的微博视频

转发者评论

无明显转发评论

原文

【Claude总结】 AI开发者日报 (2026-05-11)1. 【软件工程可能不再是终身职业】(来源: HN) 一篇引发 589 条讨论的高分文章（352分），深刻分析 AI 对软件工程职业轨迹的根本冲击——不是技能迭代，而是职业生命周期的压缩。作者认为这是正在发生的行业结构转变，而非危言耸听。www.seangoedecke.com/software-engineering-may-no-longer-be-a-lifetime-career/2. 【CUDA-oxide：Nvidia 官方发布 Rust 转 CUDA 编译器】(来源: HN) Nvidia 官方实验室发布 cuda-oxide，将 Rust 代码直接编译为 CUDA，让 GPU 编程获得 Rust 的内存安全保障。355 分登顶今日 HN 前三，是 AI 基础设施工具链的重要进展。nvlabs.github.io/cuda-oxide/index.html3. 【GitLab 宣布大规模裁员并终止 CREDIT 价值观体系，向 AI 优先模式转型】(来源: HN) GitLab 发布"Act 2"公告，宣布裁员并彻底重组战略，终止其 CREDIT 文化价值观框架。276 分、266 条评论，是今日 HN 最热的科技公司 AI 转型讨论。about.gitlab.com/blog/gitlab-act-2/4. 【用 Swift 训练 LLM：矩阵乘法性能从 Gflop/s 提升到 Tflop/s】(来源: HN) 开发者记录了用 Swift 实现 LLM 训练时优化矩阵乘法性能的完整过程，达到 Tflop/s 量级。212 分，是 Apple Silicon 原生 AI 训练的重要技术参考。www.cocoawithlove.com/blog/matrix-multiplications-swift.html5. 【AMÁLIA：欧洲葡萄牙语 LLM 的未来】(来源: HN) 探讨为欧洲葡萄牙语构建专属 LLM 的挑战与进展，分析小语种 LLM 在全球 AI 浪潮中的生存路径。117 分，是"LLM 语言多样性"议题的深入思考。duarteocarmo.com/blog/amalia-and-the-future-of-european-portuguese-llms6. 【Google：黑客首次使用 AI 发现并武器化重大软件漏洞】(来源: HN) Google 威胁情报组证实，犯罪黑客已用 AI 自主发现零日漏洞，这是首个公开记录案例，标志着 AI 网络攻击从理论走向现实。HN 109 分，是今日最重要的 AI 安全新闻。www.nytimes.com/2026/05/11/us/politics/google-hackers-attack-ai.html7. 【Interfa…

转发者评论

无明显转发评论

原文

【AI 原生转型的核心：不是技术，是组织重构】快速阅读：真正的 AI-native 不是在现有流程上加个聊天窗口，而是将公司流程彻底重构，使其对机器“可读”。当公司不再依赖碎片化的文档和人的记忆，而是建立起机器可理解的决策架构时，真正的变革才会发生。很多人以为开了个 ChatGPT 标签页就是 AI-native 了，但这只是在给旧系统打补丁。有个观点很有意思，说大部分公司其实是“不可读”的。真相是，很多公司的核心逻辑、定价策略、甚至是退款流程，都藏在某个叫“最终版_v7”的表格里，或者干脆在某个资深员工的脑子里。AI 没法在这些“氛围感”十足的模糊信息上跑起来。AI 无法在混乱中建立秩序。这本质上不是技术问题，是组织设计问题。AI-assisted 公司是在边缘修修补补，试图省点时间；而 AI-native 公司是在重构中心。他们会问：如果前 80% 的工作由 Agent 完成，这个流程该长什么样？有网友提到，这种转型会带来巨大的“流程债”。如果你只是用 AI 写代码，结果只会让你更快地撞上 QA 瓶颈。真正的 AI-native 应该让 Agent 去处理结构化工作，而让人类去处理品味、信任和例外情况。这听起来很无聊，甚至有点枯燥。你需要去清理那些脏数据，把隐性知识显性化，把决策变成可执行的指令。但这种“扫地”式的脏活，才是真正的护城河。未来的赢家可能看起来不像软件公司，而更像是一台高效的“赚钱机器”：规模极小，利润极高，且由于从底层就为 Agent 设计，传统巨头很难通过增加人手来追赶。你是在使用 AI，还是在构建一个 AI 可以生存其中的公司？x.com/gregisenberg/status/2053843542020063489

转发者评论

无明显转发评论

原文

盖洛普上个月发布了2026年的《全球职场状况报告》，里面有一个很反直觉的发现：这一轮全球员工"躺平潮"的源头，不在员工身上，在管理者身上。先看总体数据。全球只有20%的员工属于"真正敬业"的状态，是2020年以来的最低点。剩下80%里，有一部分在混日子，还有16%属于"主动不敬业"，就是自己不干活还拉着周围人一起摆烂。盖洛普估算，这种全球性的低投入每年造成约10万亿美元的生产力损失，相当于全球GDP的9%，是全球军费总和的4倍多。但真正让人意外的是，普通员工的敬业度这几年基本持平，甚至有轻微回升。崩塌的是管理者。管理者的敬业度从2022年的31%跌到了2025年的22%，4年掉了9个百分点，已经和普通员工几乎没有差距了。为什么管理者会垮？盖洛普指向了一个趋势：组织扁平化。全球企业这几年大规模裁员，中层管理者是最先被"优化"的对象。留下来的人要带更大的团队、承担更多职责，但获得的支持和资源反而在减少。管理者变成了事务处理机器，意义感在这个过程里慢慢流失了。更麻烦的是，管理者的状态会直接传导给整个团队。盖洛普的数据显示，一个团队的投入程度，70%取决于直接管理者。管理者自己都在疲于奔命的时候，他的团队几乎不可能真正投入。报告里还有一个和AI相关的发现。过去两年企业在AI上砸了数千亿美元，但在已经部署AI工具的企业里，只有12%的员工认为AI真正改变了工作方式，95%的企业没有观察到利润增长，89%的高管承认生产率没有提升。钱花了，工具买了，但效果没出来。原因还是管理者。盖洛普发现，一个员工是否真正使用AI，最强的影响因素是他的直接管理者有没有在积极推动。管理者积极推动AI的团队，员工认为AI真正改变了工作方式的可能性，是管理者不推动的团队的9.3倍。所以盖洛普CEO在报告里说了一句很重的话：企业在AI上投入巨资，但成果没有体现在盈利上，答案指向了一个企业界长期忽视的角色，就是管理者。管理者是组织的"意义基础设施"。即使他不直接生产产品，但他承担着一个关键功能，就是让每个人感到"我做的事是有意义的"。认可你、看见你、给你反馈，这些事看起来很日常，但它们是一个人能不能真正投入工作的底层支撑。一旦这层基础设施出了问题，整个组织的敬业度就会跟着塌方。#科技先锋官##How I AI#

转发者评论

无明显转发评论

原文

【Claude总结】 Techmeme 科技新闻摘要 (2026-05-11) 网页链接1. 黑客首次利用 AI 发现并武器化零日漏洞，Google 威胁情报组成功阻止一次大规模攻击 (来源: New York Times) - Google 威胁情报组（TIG）公布了黑客用 AI 自主发现未知漏洞并将其武器化的首个记录案例，并成功挫败了一起以此为基础的大规模网络攻击事件，使用的工具包括 OpenClaw。TIG 首席分析师警告"这只是冰山一角"——AI 正在将顶级黑客才具备的漏洞挖掘能力民主化，攻防两端即将进入全新的 AI 军备竞赛阶段。www.nytimes.com/2026/05/11/us/politics/google-hackers-attack-ai.html2. OpenAI 成立 OpenAI Deployment Company，获 40 亿美元投资并收购 AI 咨询公司 Tomoro (来源: Reuters) - OpenAI 宣布成立专注企业 AI 落地的新子公司，获得 19 家机构共 40 亿美元支持，同步收购拥有 150 名前沿部署工程师的 Tomoro。这标志着 OpenAI 从"模型提供商"全面转向"企业 AI 系统集成商"，直接与 Palantir、Accenture 等展开竞争，25 余家媒体跟进报道。reuters.com/business/openai-creates-new-unit-with-4-billion-investment-aid-corporate-ai-push-2026-05-11/3. Apple 发布 iOS 26.5，RCS 消息默认启用端对端加密，"绿气泡"安全问题历史性终结 (来源: 9to5Mac) - iOS 26.5 Beta 在支持运营商上为 RCS 消息默认开启端对端加密，iPhone 与 Android 设备间短信首次获得与 iMessage 同等级别的安全保障。这是今日 Techmeme 覆盖最广的单一新闻（30 余家媒体），对记者、家暴受害者等高风险群体意义尤为重大。9to5mac.com/2026/05/11/ios-26-5-adds-end-to-end-encryption-for-rcs-messaging-rolling-out-now/4. 德克萨斯州起诉 Netflix：未经同意收集用户数据，平台设计具有成瘾性 (来源: Reuters) - 德克萨斯州总检察长 Ken Paxton 对 Netflix 提起诉讼，指控其在未获知情同意的情况下大规模收集个人数据，并故意采用"暗黑模式"设计令平台成瘾。继 Google 和 TikTok 之后，这是德克萨斯州在数字隐私领域的又一次高调出击，"成瘾性设计"诉由若成立，将对几乎所有消费科技平台构成威胁。reute…

转发者评论

无明显转发评论

原文

[LG]《Spectral Dynamics in Deep Networks: Feature Learning, Outlier Escape, and Learning Rate Transfer》C Lauditi, C Pehlevan, B Bordelon [Harvard University] (2026) 在深度网络中，特征学习如何改变隐藏权重谱仍难解释。过去方法只能看初始化的随机矩阵或静态低秩扰动，本质原因是学习出的 spike 与随机 bulk 并不独立。本文的核心洞见是：把训练中的权重谱重新看作“随机 bulk + 依赖性 spike”的耦合系统。由此，两层 DMFT 同时追踪训练动力学与谱探针，刻画 outlier 何时逃离 bulk。这项工作真正留下的遗产是用谱动力学解释宽度迁移。它为后来者打开的新门是从 NTK 顶模态预测学习率稳定性，但尚未跨过的门槛是大输出任务会重塑整个 bulk。arxiv.org/abs/2605.07870 #机器学习# #人工智能# #论文# #AI创造营#

转发者评论

无明显转发评论

原文

#微博声浪计划# #听见微博# 姚顺宇戴了一副茶色眼镜走过来，这副眼镜会随光线变化而改变颜色。硅谷AI业界有两位Yao Shunyu，他们曾是清华同一届毕业生，这让姚顺雨与姚顺宇时常成为话题人物。前一位姚顺雨2025年从OpenAI跳槽到腾讯，他去年来过我们节目（第115集）；后一位姚顺宇也于同年跳槽，从Anthropic来到Google DeepMind。今天的嘉宾姚顺宇，毕业于清华和斯坦福大学，曾经的研究方向是理论物理——非厄米系统、量子物理与高能物理。他的人生奋斗姿态是——“总想挑战一些自己不太会的事”。他人生最大的一次跨步是博士毕业，毅然决然离开深造9年的物理，来到崭新的AI行业。过去两年，他先后在Anthropic和Google DeepMind出任研究科学家，参与了Claude 3.7、4.5、Gemini 3等关键模型的开发过程。姚顺宇一点也不nerd。有时，他会令你猝不及防，突然发表一点“小疯”言论。第一次见面，他就对我说：“我在这个行业又没有什么导师，又没有什么旧友，我当然想喷谁喷谁。”转行AI的两年，他变得越来越直接，越来越不害怕得罪人。访谈中，他也说了一些直白言论：“AI个人英雄主义时代已经过去了，所以也没有什么英雄，有时候甚至觉得旧时代英雄有点蠢。”“没有哪个老登是你的亲属，所以你觉得他傻，他就是傻，就可以直接说他傻。无所谓的啊。（笑）”“现在大家都是冲浪的人，本质上是那个浪，而不是你那个冲浪的人。”“AI这个事，本来也不太需要脑子——真的不太需要脑子。这个行业最重要的特质，就是靠谱，就是做事细，对自己做的事情负责任。”“你不用太担心因为自己的观点而惹到什么人。只要你的观点是自洽的，不是说随便喷人，你是有一套自己的理解。最终你在这个领域做的怎样，是有客观评价标准的——大家是会尊重你的。”不过，在描述自己的研究时，姚顺宇又显得异常审慎。他对于这些工作的描述是：“我自己对那个事没那么重要，更多的是，我很幸运，有机会在那个时候加入了一个重要的项目，做了一些事。”他反复强调，AI个人英雄主义的时代已经过去了，现在都是集体主义的故事，要对神话个体的一切叙事充满警惕。我们的节目录制于2026年3月，距离我们这次节目录制完，世界又发生了许多意想不到的变化：Meta对Manus的收购被撤销、Cursor可能被SpaceX收购、xAI将终止独立运营并入SpaceX，并更名为SpaceXAI等等。如果我们的谈话内容有一定滞后性，请大家多包涵——AI的世界实在变化太快、太出乎意料了。可能还要特别说明的一点是，技术细节会涉及企业机密，有一些嘉宾是不方便分享的，也请大家能够包容。在访谈中，我们尽最大可能和大家一起学习AI。你会收获姚顺宇在Anthroic和Google Gemini的技术探索历程与思考洞察。而对于那些离经叛道的微小片刻，还请允许我们小疯一下。…

转发者评论

让我们小疯一下！😄 姚顺宇先后在Anthropic和Google DeepMind出任研究科学家，参与了Claude 3.7、4.5、Gemini 3等关键模型的开发过程。

• 让我们小疯一下！😄 姚顺宇先后在Anthropic和Google DeepMind出任研究科学家，参与了Claude 3.7、4.5、Gemini 3等关键模型的开发过程。

原文

还在用基础的RAG？你out啦！快来了解更高级的玩法：Agentic RAG能像特工一样迭代查询，Graph RAG通过关系图谱精准导航，还有上下文压缩技术负责去粗取精。这些技术让AI获取信息又准又狠，效率拉满！#RAG# #AI# #大模型# 零重力瓦力的微博视频

转发者评论

无明显转发评论

原文

【谷歌指控黑客用 AI 挖漏洞：真相藏在代码细节里】快速阅读：Google 声称首次发现黑客利用 AI 挖掘并利用了零日漏洞。这引发了关于 AI 是否正在改变网络攻防不对称性的激烈争论，以及技术厂商是否在利用这种恐惧进行市场营销的质疑。有人在想，如果攻击者没被抓，Google 凭什么有“高度信心”断定这是 AI 干的？除非能拿到对方的 LLM 对话记录。其实答案可能藏在代码的“毛边”里。有专家提到，AI 生成的代码往往带有某种特征，比如过度详细的解释性注释，这些东西对于追求效率的黑客来说毫无意义，却像是犯罪现场留下的指纹。但这事儿细想有点不对劲。现在的讨论里充斥着一种焦虑：AI 正在让漏洞发现变得廉价。如果说传统的漏洞挖掘是靠专家拿着手术刀在代码里一点点找病灶，那么 AI 就像是一个永不疲倦的模糊测试器（Fuzzing），它不需要理解系统逻辑，只需要对着某行晦涩的代码反复“轰炸”成千上万次。不过，这种说法也有点像在为某些厂商的营销背书。有网友觉得，媒体在复述 Anthropic 等公司的说法时，缺乏必要的怀疑。毕竟，如果一个模型真的能轻易找到数千个零日漏洞，那它到底是安全工具，还是一个自带“破坏指令”的编译器？更有意思的争议在于，安全是否会变成一种技术封锁的借口。就像当年的密码学技术一样，人们可能会以“安全”为由，试图限制开源模型和本地化部署。但逻辑上存在一个漏洞：如果美国限制了高性能模型的开放，而其他国家没有，这种“安全”保护真的有效吗？现在的局面很像是在进行一场军备竞赛。黑客只需要对一次，而防御者必须时刻保持正确。当 AI 写的代码开始大规模进入生产环境，我们究竟是在构建更坚固的堡垒，还是在往地基里埋下一堆随时会爆的定时炸弹？www.nytimes.com/2026/05/11/us/politics/google-hackers-attack-ai.html

转发者评论

无明显转发评论

原文

curl 作者 Daniel Stenberg 对 Claude Mythos 模型扫描 curl 代码库的复盘blog网页链接报告声称发现了 5 个安全漏洞。但 curl 安全团队人工复核后，只认可其中 1 个是真正漏洞；另外 4 个里，3 个是误报，1 个只是普通 bug。这个确认的漏洞预计会作为低严重性的 CVE，在 curl 8.21.0 发布时公开，时间计划在 2026 年 6 月下旬。Daniel 的态度比较平衡：他认为 Mythos 很有用，但目前看不出它比其他 AI 安全工具强到“危险”的程度。#AI创造营#

转发者评论

无明显转发评论

原文

#黄仁勋说蓝领技术工的时代来了#【AI基建狂潮引爆蓝领需求！黄仁勋喊话电工和水管工：你们的时代来了】财联社5月12日讯，在人工智能时代，科技领袖们指出，当下最抢手、薪酬最具潜力的职业，或许并非那些构建AI模型的岗位，而是支撑庞大AI基建、目前严重短缺的蓝领技术工种。英伟达CEO黄仁勋也是持这一观点的科技领袖之一。他上周日在卡内基梅隆大学2026届毕业典礼上发表演讲时再次强化了这一观点。“人工智能让美国有机会重新建设。电工、水管工、铁工、技术人员、建筑工人——这是你们的时代，”黄仁勋说道。“人工智能不仅创造了一个新的计算机产业，它正在创造一个新的工业时代。”（财联社APP）

转发者评论

无明显转发评论

原文

#模型时代# Joe Rogan最新播客：人类身体可以预知未来，但语言把这个能力关掉了Joe Rogan上周五刚上新了一期播客，受访人是Julia Mossbridge，认知神经科学和计算机科学双背景的研究者，此人在西北大学完成博士和博士后研究，后创办American Electrodynamics和Applied Love Labs。她的核心研究领域是预感现象，英文叫presentiment，指的是人体生理指标在随机事件发生前就出现方向性变化。这么说可能比较难懂，她的核心主张是：人体能在随机事件发生前几秒做出正确的生理反应。实验是这样做的：让被试坐在屏幕前，随机呈现恐怖图片或中性图片，同时监测皮肤出汗指标。图片出现前4到10秒，出汗指标已经朝着与即将出现的图片类型一致的方向变化了，而哪张图片会出现是随机决定的，被试不可能通过推理预判。她汇总了1978至2010年间26项此类实验，发现这个效应虽小但跨越数十年稳定存在。她在此基础上走得更远。她设计了一个光学实验，先记录光子探测器的读数，再由随机数发生器决定未来条件，发现前者已经能区分后者的不同结果，UC Berkeley一位物理学家独立复制了这一发现。她由此认为因果关系在微观层面可以从未来传向过去，而人脑天然具备接收未来信息的能力，只是被左前额皮层的正常活动压制住了。多伦多一位神经科医生用磁脉冲暂时关闭健康人的这个脑区后，被试在"用意念影响随机数发生器"的测试中确实出现了统计上显著的效果。熟悉Ted Chiang《你一生的故事》的人会觉得这个结构眼熟。那部小说的物理学骨架是费马最小时间原理：光在出发时就"知道"终点在哪，走的是全局最优路径，好像从一开始就看见了整条轨迹。Mossbridge的光子实验声称观测到了类似的东西。小说里七肢桶的语言是同时性的，没有因果先后，人类学会这种语言后开始感知未来。Mossbridge的主张刚好反过来：人类本来可能具备非线性的时间感知，是语言的出现把它压制了。区别在于，费马原理是被接受了两百多年的成熟数学，Ted Chiang只是把它的哲学含义推到极端。所以，大家应该也感受到了，这个观点非常科幻。所以科学界有人已对这个理论提出了反对，集中在三点。她的元分析可能受发表偏差影响，没发现效应的实验不发表，汇总结果天然偏高。她近年展示的非语言自闭症儿童"心灵感应"案例全部依赖辅助沟通技术，而美国心理学会等多个机构的正式立场是：多项双盲实验证明辅助沟通中拼出的内容来自辅助者的无意识引导而非被试本人，如果作者不是孩子，所有案例的证据基础就不存在。她的光子逆因果实验目前只有极少数团队复制过，远未进入主流验证流程。我在以上所有领域都不专业，请大家辩证阅读以下笔记。一、学术体制与认知封闭：为什么科学界对"异常现象"集体沉默1、Mossbridge的学术路径本身就是一个案例她7岁时做了第一个应验…

转发者评论

无明显转发评论

原文

《AI 时代到底该怎么管一个工程团队》 Fiona Fung 以 Claude Code 团队实践说明，AI 时代的软件工程不再卡在写代码，而是卡在验证、评审、跨职能协作和安全边界。真正需要重构的是流程、组织结构、知识共享方式和衡量指标。 AI 时代到底该怎么管一个工程团队

转发者评论

无明显转发评论

原文

【深圳夫妻囤存储芯片：5个月后身价狂涨320亿元】AI浪潮直接把这对深圳夫妻送上风口！存储芯片厂商德明利今年一季度狂赚33.5亿，是过去10年利润总和的两倍，同比暴涨近50倍。创始人李虎夫妻纸面身家半年暴增320亿，去年还在亏7000万，靠着前瞻性囤货踩中了AI存储爆发的风口。

转发者评论

无明显转发评论

原文

OpenClaw 专属 Computer Use 工具 Peekaboo v3 正式发布，并在发布后连续高频更新，一日内推出 v3.1.0、v3.1.1、v3.1.2 三个版本。这种更新密度意味着方向终于对齐，积累已久的东西开始往外倾泻。Peekaboo 本质上是一套 macOS 自动化工具，能截图、识别窗口、读取 UI 元素、执行点击和输入。它的价值不只是截图给模型看，而是把图里的控件、窗口、按钮关系整理成带结构的桌面地图，让 Agent 获得可追踪、可复盘、可继续操作的工作现场。这件事在现在变得关键，是因为模型的视觉理解和 Computer-Use 能力刚刚越过了一个临界点。单项进步叠加之后，体验发生质变——Agent 开始接近可持续跑流程的状态，底层自动化工具的价值随之被放大。对 OpenClaw 而言，Peekaboo 补上了最缺的一环。OpenClaw 原本解决的是连接问题：消息从哪里进来，Agent 如何处理，结果怎么回去。但真正的工作场景往往在电脑里，没有能操作屏幕的本地层，Agent 最终只能把步骤递给用户，让人自己动手。加上 Peekaboo，OpenClaw 才从消息网关变成能在本机真正办事的系统。社区已有人用它在浏览器里驱动远程 iOS 模拟器，完成识别界面、注册状态、点击目标、等待反馈、根据新截图继续推进的完整闭环。这正是 Agent 从玩具走向工具的分界线。这几天的连续更新，修的是模型目录、工具 schema、权限路径、截图输入等工程细节，目标是减小各组件之间的摩擦，让每次操作都更接近可预期。OpenClaw 管"谁来找我、要做什么、交给哪个 Agent"，Peekaboo 管"屏幕上有什么、按钮在哪里、这一刀该往哪儿落"。两者合在一起，才开始接近普通人想象中的 AI 助手。（共596字）

转发者评论

无明显转发评论

原文

Hermes Agent 过去一个月密集更新，AI 技术博主 Alex Finn 表示体验上已经反超 OpenClaw。Google Trends 也印证了这个趋势，一个在涨一个在跌。OpenClaw 的问题，频繁更新但几乎每次都会搞坏现有功能， Alex 表示，每次更新完，都得花半小时修 bug。另外就是越来越臃肿，功能堆得太多导致性能下降严重。相比之下 Hermes 团队的更新节奏更克制，每次都围绕一个明确主题展开，更新完你清楚自己得到了什么，不会被一堆乱七八糟的东西砸过来然后全部崩溃。而这次最值得一提的新功能是“看板”。通过 Telegram 或 Discord 跟 Hermes 对话本质上是单线程的，一条一条排队处理。但看板能让你同时跑 10 个、20 个甚至 30 个并行任务。更关键的是，你可以配一个专门的管理智能体，设个定时任务每 10 分钟扫一次看板，自动从你的记忆库里提取上下文，把任务细节填好，再分配给对应的工作智能体去执行。整个流程你只需要做两件事，往分类区扔任务，状态就绪后分配一下，剩下全是智能体团队自己搞定。另一个被严重低估的功能是 /goal。跟普通提示词不同，/goal 是给智能体一个高层级使命，它会自己拆解步骤、自我测试、持续推进，有人跑过连续运行三天以上的 goal。这里有个实用技巧，先用 ChatGPT 或 Claude 帮你写一个详细的 goal 提示词，效果会好很多。如果你一时想不到该给什么目标，直接问智能体“看看我们最近在做的事，给我三个可执行的目标选项”，让它反向推荐。多智能体配置也变得很简单了，在 Profiles 里一键创建新智能体，各自拥有独立的记忆和技能集。建议至少配四个，编程、研究、行政管理，再加一个主控调度器。这样每个智能体的记忆不会臃肿，性能也能保持住。还有两个细节值得一提。压缩阈值建议改成 0.5，压缩会更频繁但每次不那么激进，能明显改善“压缩完啥都忘了”的问题。Curator 策展功能会每 7 天自动清理不用的技能，减少冗余，相当于 Hermes 在给自己做定期体检。不得不说，Hermes 团队在产品策略上走得更稳，每个功能都跟已有体系深度集成。这种克制和专注在 AI 工具快速迭代的当下绝对是个优势。#AI智能体##多智能体系统##爱马仕Agent怎么玩##How I AI# 零重力瓦力的微博视频

转发者评论

试试//@阿尼亚是安妮亞:体感确实比openclaw好很多//@德里克文:你用上Hermes Agent了吗？

• 试试//@阿尼亚是安妮亞:体感确实比openclaw好很多//@德里克文:你用上Hermes Agent了吗？

原文

Claude Code 可以和浏览器并排实时控制了！YC 大佬推出 GStack Browser + /open-gstack-browser skill，调试体验直接起飞！1. 在 Claude Code 中输入 Install GStack 快速安装2. 输入 /open-gstack-browser 即可打开浏览器窗口3. 实现 Claude Code 和浏览器完全 side-by-side 操作4. 完美解决 Agent 调试时“看不见浏览器在干什么”的痛点Claude Code 重度用户和 AI Agent 开发者必装神器！项目地址：github.com/garrytan/gstack

转发者评论

无明显转发评论

原文

#美光科技总市值突破9000亿美元# 全球HBM的供应，基本就捏在三家公司手里，美光、三星、SK海力士，而且产能集中在美国爱达荷、韩国京畿道和日本广岛这几个点上。这意味着什么？AI的算力瓶颈已经从GPU转移到了内存。英伟达的芯片再强，没有足够的HBM喂给它，就是一堆发热的硅片。现在全球科技巨头的AI投资计划，几千亿美元的资本开支，最终都要排队去跟这三家买内存。当AI的命脉从“谁设计最强的芯片”变成“谁能抢到足够的内存颗粒”，这场技术革命的咽喉，握在一个三寡头垄断的、高度依赖地缘稳定的供应链上。 这比任何估值泡沫都值得担忧。 美光科技总市值突破9000亿美元

转发者评论

无明显转发评论

原文

【罗永浩李想再对谈：无人驾驶普及 大家还愿买车吗？】如今人工智能和无人驾驶发展速度越来越快，很多人都在好奇一个问题，等到无人驾驶全面普及之后，大家还会不会愿意自己买车。罗永浩也盯上了这个热门话题，特意邀请李想展开深度对谈，将于明天（5月13日）全网首播。

转发者评论

无明显转发评论

原文

【 靠存储赚麻！韩国提议以AI产业的超额利润向全体国民发放公民红利 】受席卷全球的人工智能浪潮带动，上游硬件产业链迎来红利，全球存储行业厂商近两年营收利润迎来爆发式增长，韩国相关半导体产业链借此获得大量收益。韩国总统府政策室长金容范公开表态，正考虑设立面向全体国民的公民红利机制，资金来源指定为人工智能产业产生的超额利润，可采用现金、消费券等形式。

转发者评论

无明显转发评论

原文

#免费DeepSeek和收费豆包你选哪个#我觉得选哪个，本质上不是比价格，而是看你拿AI干什么用。先说数据。2026年第一季度，豆包月活3.45亿，是绝对的国民级应用，远超第二名千问的1.66亿和第三名DeepSeek的1.27亿。豆包的优势在于多模态和易用性——视觉模型刚拿了SuperCLUE-VLM评测第一，一句话就能出海报、懂图片、识表格。这次推出三档付费：标准版68元、加强版200元、专业版500元，瞄准的是PPT生成、数据分析这类复杂生产力任务，基础聊天和查资料依然免费。DeepSeek走的是另一条路。开源、白菜价API、百万上下文、Agent能力，V4出来后编程和长文档处理在国产AI里几乎没有对手。它的商业模式是“开源模型权重+收费API”，普通用户网页端免费用，靠付费API覆盖成本。所以怎么选，看场景。我日常写代码、拆长报告、做多步骤任务，主力就是DeepSeek，免费且能力顶级。做海报、处理图片、快速搜东西，豆包更顺手，免费版完全够用。至于豆包付费要不要掏钱，取决于它能不能把“多出来的生产力”做扎实——省下一个下午就值一个月，做不到就算了。最后说趋势。国产AI从免费走向付费，不是退步而是成熟。免费烧钱换用户的阶段过去了，全行业都在从“规模优先”转向“价值导向”。对普通用户利好就是：竞争催生好产品，付费倒逼好服务，免费守住基础体验。不管选哪个，有选择就是最好的局面。

转发者评论

无明显转发评论

原文

#免费DeepSeek和收费豆包你选哪个# 这场讨论揭示了一个残酷的现实：没有一个AI足够好。你需要两个模型“协同”，本质上是在说，当前每个大模型都有明显的能力缺口，用户被迫充当“人肉路由器”，手动判断哪个任务该丢给谁。这个状态很像智能手机早期，你得装十个App才能干完一件事。但这不会持续太久。谁先把推理和创作能力统一到一个产品里，谁就通吃。 免费deepseek和收费豆包你选哪个

转发者评论

无明显转发评论

原文

很多人觉得AI不好使，第一反应是模型不行，但真正卡脖子的地方往往是上下文。模型不知道该看哪些信息、哪些跟当前任务相关，自然就会一本正经地胡说八道。而这就是最近很火的“上下文工程”在解决的事。举个例子，你让 AI 帮你准备明天的客户会议材料，没有上下文的模型只会给你一份漂亮但空洞的通用模板。而一个上下文工程做得好的系统，会自动知道你要见谁，去拉最近的工单记录，发现续约快到期了，同时还懂得不把你权限之外的内部定价信息塞进来。输出质量的差距是巨大的，但背后的模型可能一模一样。要做好上下文工程，核心要解决四个问题。首先是数据打通，企业数据散落在数据库、文档、SaaS 平台、各种 API 里，与其全搬到一个地方，不如用零拷贝联邦查询让 AI 在数据原地直接访问，既保证实时性又不破坏原有权限。其次是知识层的构建，原始数据本身不等于有用的上下文，需要做跨系统的实体解析，把关系和层级映射出来，让数据变成知识。第三是精准检索，“更长不等于更好”，更多上下文不等于更好的上下文，必须按意图、角色、时效去过滤，别拿无关信息干扰模型。最后是运行时治理，权限校验必须发生在检索和响应的每一步，这个智能体能不能查这个数据源、这条结果该不该返回给当前用户，都得实时判断。在精准检索这块，视频中梳理了几种进阶方案。基础 RAG 大家都熟悉了，切块、向量化、相似度搜索，简单场景好用。智能体式 RAG 则更进一步，AI 会迭代地获取数据，第一轮觉得不够就再去拿，有点像人类做调研的过程。GraphRAG 则用图结构来导航，它关心的是实体之间的关系而非单纯的语义相似度，先通过图找到相关实体和文档，再用向量搜索填充细节，精确度高很多。还有上下文压缩技术，即使模型的上下文窗口很大，噪音多了效果照样变差，所以要对长文档做摘要和优先级排序，在有限窗口里最大化信号。如今，模型能力的边际提升在放缓，但上下文工程的优化空间还非常大。同样的模型，喂给它的上下文质量不同，输出可以是天壤之别。接下来真正拉开差距的，是谁能把上下文这套基础设施搭得更扎实。#上下文工程##智能体工程##HOW I AI# 零重力瓦力的微博视频

转发者评论

无明显转发评论

原文

【Zyphra联手AMD推出全开源AI平台Zyphra Cloud】该平台对标DeepSeek，通过纯AMD硬件生态挑战当前AI市场格局。基于AMD旗舰MI355X加速卡搭建，优化多款主流长文本大模型推理，自带三款自研模型，全球最大规模AMD GPU集群现已正式上线商用。

转发者评论

无明显转发评论

原文

宝子们！有没有见过那种满屏静电、信号中断却酷到爆炸的数字艺术？今天这个Prompt直接帮你一键解锁！亲测有效哦～ 这个Prompt的艺术效果绝了：它能让AI把主体变成被信号干扰的破碎剪影，用指定双色的静态噪点勾勒轮廓，既有赛博朋克的科技破碎感，又能保留主体辨识度，生成的图自带电影级故障滤镜，随便发都能收割点赞！ 直接上完整Prompt模板： A Corrupted Signal Silhouette of [SUBJECT], with outlines defined by digital noise and compression errors. Employ static-infused [COLOR1] and [COLOR2] to accentuate the distorted form. 喜欢的话记得点赞、转发给你的朋友哦！关注我，每天探索更多AI艺术创作的奥秘。#AIGC #AI绘画 #Prompt小课堂 #图文绘画攻略 #AI探索计划##AI创造营#

转发者评论

无明显转发评论

原文

AI 时代不需要程序员了？写出第一个浏览器的人说反过来，是真的吗？因为最近在把 AI 圈的知名专家的观点都看一遍，看到了 Marc Andreessen 这两年的几次播客（看的文字版）和 a16z 的博文，发现他在反复强调一个跟主流情绪反着来的判断：AI 这一波不是要让程序员失业，反而会让程序员需求暴涨。（实话实说，有一些观点我不完全同意，但是我觉得需要把不同的观点都给大家分享出来）听起来反直觉。AI 已经能写代码、改 bug、做产品原型了，按很多人的预期，软件工程师应该是首当其冲被取代的那批。但 Marc 给出的论证有意思。他说，我们正在把「一种煤的故事」重演一遍。先说他这个人。Marc Andreessen 是1990年代初写出第一款主流图形浏览器 Netscape 的人，后来联合创办了 a16z（Andreessen Horowitz），投了一堆软件和 AI 公司。2011年他写过一句被反复引用的话——「Software is eating the world」（软件正在吞噬世界），这句话定义了之后十多年硅谷的氛围。他这两年反复讲的「煤的故事」，其实是经济学里一个有名的悖论，叫 Jevons 悖论。1860年代，英国人在烧煤的效率上突然有重大突破，同样多的煤能产生更多动力。当时所有人都预测：煤的消耗会下降。结果完全相反，煤的总消耗翻倍上涨。原因是效率提高让用煤变便宜了，更多过去用不起煤的场景（蒸汽机、火车、工厂、家庭取暖）开始用煤，新需求把节省的量远远盖过去。这套逻辑套到 AI 上是这样的：AI 让「造一个软件」变便宜了，按直觉，对软件工程师的需求应该下降。但便宜的另一面是，原本「造不起软件的场景」现在能造得起了。每家中小企业、每个内部工具、每个个性化体验，都可能开发一个专属软件。市场上需要的软件总量会爆炸。Marc 自己举的论据是：当下 AI 公司本身就在大规模招程序员、医生、律师。为什么？因为训练 AI 需要海量「专家手写的高质量答案」做数据。OpenAI、Anthropic、Google 这种公司每家都签了几千名各行业专家给 AI 写训练数据。这件事过去几乎不存在，今天是 AI 行业最大的招工潮之一。这不是个孤立现象。每一个 AI 应用背后还是要传统软件工程：数据库、API、监控、部署、安全、用户界面、性能调优。AI 不会自己长出这些。但这里要补一句话：Marc 是 a16z 的合伙人，a16z 投了几十家 AI 和 SaaS 公司。AI 兴起对 a16z 是直接利益。所以他这套论证读的时候要带一点警惕——他既是观察者，也是受益者。不过他的核心论证（Jevons 悖论）本身不是营销话术，是一个真实存在的经济学规律。一百多年前的煤、二十年前的互联网带宽、十年前的云计算，都验证过这条路径。AI 大概率会重演，这是结构性的，不是 a16z 的脑补。读…

转发者评论

无明显转发评论

原文

今天给同济大学设计创意学院视觉传达设计(人工智能双学士学位)本科二年级学生上课，教了如下内容（教的方法是*假如*老师也不懂，有些内容也是查AI）：1、什么是文本？AI友好的数据格式。2、什么是 markdown 标记式格式化文本，.docx 是什么格式（zip文件，里面的内容文本化）？HTML+CSS是基础设施。3、LLM 认 MD，JSON（自描述数据结构）数据格式。4、SKILL，约束是什么？嵌入（数学概念，看大家能不能懂，把一个领域的问题映射为另外一个领域）是什么意思？5、了解 CodeBuddy 的主要功能（借助AI查），它的原理性的东西是什么，其它的 IDE 工具也差不多，从这个角度可以观察 LLM 技术的组成，LLM 相当于大脑，agent等相当于神经系统及记忆工具。6、Linux 相关的知识，命令行与窗口式UI对AI来说的不同特点，软件是有 License 费的，所以要学 VMware+Ubuntu+git。

转发者评论

数据结构化，决定了机器“能否理解世界”；智能化，决定了机器“如何利用这种理解行动”。结构是智能的基础，智能是结构上的动态推理。 数据结构化的基础是数据文本化。

• 数据结构化，决定了机器“能否理解世界”；智能化，决定了机器“如何利用这种理解行动”。结构是智能的基础，智能是结构上的动态推理。 数据结构化的基础是数据文本化。

原文

#微博声浪计划# #听见微博# 今天最值得关注的一个信号，是"国家队"全面入场AI产业。48小时内，我们看到了央行、发改委、网信办、工信部、能源局等多部委密集发布AI相关政策，从货币金融支持、智能体规范、算电协同、终端智能化分级到AI伦理审查，形成了一套完整的政策"组合拳"。这不是单一部门的单独行动，而是自上而下的系统性战略部署。更深层的信号是：广州作为一线城市，直接拿出200亿产业基金来培育垂类大模型。这种"政府牵头+市场运作"的模式，意味着AI产业正在从"科技公司的商业游戏"变成"国家战略的重要组成部分"。 德里克文的微博音频

转发者评论

无明显转发评论

原文

听了一期很有料的播客，是 Every 的 Dan Shipper 采访 Anthropic 平台团队的两位负责人，一位是产品负责人 Angela Jiang，一位是工程负责人 Katelyn Lesse。聊的核心话题是 Claude Managed Agents 这个产品背后的设计思路和未来方向。先说背景。Claude 的平台经历了几个阶段的演化：最早就是一个补全接口，发个 prompt 拿个回复；后来加了工具调用和对话状态；现在变成了一整套可以在云端运行的自主 Agent 基础设施。这个演化的驱动力很简单，模型越来越强、越来越自主，平台就得跟着往更高层的抽象走，目标始终是帮用户用最少的力气拿到最好的结果。Angela 提到一个很关键的观点：现在这个阶段，harness（运行框架）和模型正在变成一个紧密绑定的整体。以前大家喜欢搞一个超级通用的框架，随便换模型进去跑。但现在各家模型走的技术路线差异越来越大，你想榨出最好的效果，就得针对特定模型做深度的 harness 工程。他们内部测试过不同的 harness 方案，效果差异非常大。所以未来的趋势是，你换的单位应该是"Agent"（harness 加模型的组合），而不是单独换底层模型。Katelyn 重点聊了基础设施这块。她说大多数人以为做 Agent 最难的是 harness 工程，就是怎么调 prompt、怎么管理上下文窗口这些。但实际上真正卡住所有人的是基础设施：怎么让 Agent 持续运行不挂掉、怎么安全地沙箱隔离、怎么存储会话数据、怎么弹性伸缩。Anthropic 自己内部反复踩了这个坑之后，决定把这层基础设施做成产品开放出来，这就是 Managed Agents 的由来。关于实际应用场景，他们举了一个内部的例子：法务审核营销文案。以前营销写完东西要提工单给法务审，现在有一个 Agent 先做第一轮审核，能过的直接放行，拿不准的才推给人类法务。而且有意思的是，使用这个工具的非技术人员后来自己用 Claude Code 给 Agent 提 PR 做改进。整个系统是"managed agents 套 managed agents"的结构，每一层针对不同用户做了不同的抽象。多智能体编排也是他们刚上线的能力。Angela 说看到了几种很有意思的模式：一个生成、一个对抗审查的配对模式；拆成很多小任务再汇总的 swarm 模式；还有执行和建议分离的 advisor 模式。不同架构适合不同场景，比如 swarm 适合 bug hunting，advisor 适合深度研究。最后聊到未来一年的方向，Angela 说了一句很有野心的话：他们想让 Claude 足够理解自己，能自己决定用什么模型、自己拆分子 Agent、自己构建运行框架。到那个时候，用户只需要给两个东西：一个可验证的目标，和一个预算。剩下的全部由 Cla…

转发者评论

无明显转发评论

原文

【AI 纪要工具暗藏两大隐患：文字瞎编 + 法律特权失效】快速阅读：AI 会议记录助手正将原本随意的职场对话转化为永久性的数字化记录。这不仅带来了严重的准确性问题，更可能因引入“第三方”而导致律师与客户间的特权保护失效，成为法律诉讼中的致命证据。现在的会议室里，越来越常见一个不请自来的“影子”：AI 笔记机器人。它看似在帮你省去整理纪要的麻烦，实际上正把一场轻松的讨论变成一份随时可能被法庭调取的“永久档案”。最让人头疼的是它的“一本正经胡说八道”。有网友提到，这类工具在音频质量不佳时，会像玩填词游戏一样，根据上下文强行脑补。比如把“8 到 10”听成“18”，或者在讨论法国时突然蹦出“俄罗斯”。这种错误极其隐蔽，因为生成的句子逻辑通顺，甚至看起来比人类写的还像样。这种“幻觉”一旦进入正式记录，后果不堪设想。更深层的危机在于法律层面的“特权失效”。在法律逻辑里，律师与客户的私密沟通受到保护，但如果会议中加入了一个 AI 机器人，这种沟通就可能被视为向第三方披露了信息，从而失去保护伞。有观点认为，这不仅是技术问题，更是信任危机。当每个人都意识到自己的每一句玩笑、每一个犹豫、甚至每一次对方案的随口质疑都会被精准地转录并存档时，会议的本质会发生改变。人们不再敢于进行真实的碰撞，转而开始为 AI 准备一场“表演”。这种技术进步到底是赋能人类，还是在构建一个无处不在的监控网？www.nytimes.com/2026/05/09/business/dealbook/ai-notetakers-legal-risk.html

转发者评论

无明显转发评论

原文

AI浪潮下，不仅是码农，其实各行各业都有危机，有的早已在自己的练习场练习转型，下海前提前在室内游泳场学游泳。评论区有提到，有的地方是考公挤爆了，有的是在等哪天到来，就直接原地躺平。新的技术代替旧的技术，有一类踏浪者感觉到机会比危机更多，是善于驾驭新技术的人。还有有一类人也许会利好，那就是善于打理投资的人。美股自从1792年起，已经成立了两百多年了，中间几乎穿越了几次重要的工业革- 命与技术革 - 命。经历了多少变动，不管什么浪潮，什么时代，投资市场得继续运转吧。优秀的长期投资体系，有助于帮助人穿越周期。 这两类是真正的踏浪，并且风浪越大，机会越多。

转发者评论

无明显转发评论

原文

AI审核公司运营内容。最近神人运营不少，建议各司加上一个AI流程。图一这个神人内容，给DeepSeek快速模式审，都能审出问题（虽然它不够聪明，没解读出爱豆这一层）。也不用什么提示词，“你是互联网资深内容运营。现在审核一下内容” 更别说更好的模型了。（不过图五舔狗Gemini 3.1 Pro明显翻车，果然舔狗不得house）编辑：Gemini 今天又行了！不许说它是美国豆包！（图六）

转发者评论

OPPO 这个，有正常一点的公告了[二哈]话说某大学提到的余某在哪，难道误会了？🤔 http://t.cn/AXiLpiE2

• OPPO 这个，有正常一点的公告了[二哈]话说某大学提到的余某在哪，难道误会了？🤔 http://t.cn/AXiLpiE2

原文

[AI]《Uneven Evolution of Cognition Across Generations of Generative AI Models》I Galatzer-Levy, D McDuff, X Liu, J McGiffin [Google DeepMind & Google Research] (2026) 在 AGI 评估中，单一分数掩盖了能力裂缝。过去基准只看任务表现，本质原因是缺少能分解认知结构、并追踪代际变化的心理测量框架。本文的核心洞见是：把生成模型重新看作不均衡认知系统。由此，WAIS 改编测试暴露“语言强、知觉弱”，AIQ 基准再放大难度，刻画不同能力的成长轨迹。这项工作真正留下的遗产是把模型进步画成认知剖面。它为后来者打开的新门是按能力模块诊断 AGI 瓶颈，但尚未跨过的门槛是人类心理测验与机器机制并不同构。arxiv.org/abs/2605.06815 #机器学习# #人工智能# #论文# #AI创造营#

转发者评论

无明显转发评论

原文

[LG]《On Training in Imagination》N Timor, R Shwartz-Ziv, M Goldblum, Y LeCun… [Weizmann Institute of Science & New York University & Columbia University] (2026) 在模型化强化学习中，想象 rollout 的回报误差难以归因。过去方法把动力学与奖励误差揉成一团，本质原因是缺少可分配预算的误差账本。本文的核心洞见是：把奖励模型重新看作独立误差源。由此，用 Lipschitz 系数拆分回报差，并把样本成本、缩放律、噪声方差纳入同一优化，使预算选择可计算。这项工作真正留下的遗产是训练想象的成本地图。它打开的新门是按误差衰减速度购买数据，但尚未跨过的门槛是全局 Lipschitz 界过松、随机环境仍未覆盖。arxiv.org/abs/2605.06732 #机器学习# #人工智能# #论文# #AI创造营#

转发者评论

无明显转发评论

原文

【通用汽车大换血！裁掉约600名IT员工 只为给AI人才腾位置】通用汽车对IT部门启动大规模人员调整，一次性裁掉约600名薪资制员工，占该部门总人数超10%，核心目的是为具备AI专业能力的技术人才腾出岗位。此次裁员属于技能结构替换，岗位要求彻底转向AI相关能力，重点招募AI原生开发等方向人才。

转发者评论

无明显转发评论

原文

大疆发布全新 AI 超幅扫拖机器人 ROMO 2 系列，让你畅享清“净”从感知、理解到执行，精密规划，全程把控地面的“家务”。优雅从容，源于强劲性能。AI 智能识别清扫，轻松应对各类脏污情况，全场景通行丨123° 超幅外摆机械臂，多扫 4.5 cm，行业领先，边角污渍无残留丨36000 Pa 聚能吸力，拔除深层顽固灰尘丨无人机同源毫米级避障，连透明物体都能轻松识别丨8.5 cm动态自适应机械足，越障畅行全屋丨基站进阶高温自清洁，365 天免维护，低噪运行婴宠友好全新 DJI ROMO 2 系列，让家干净，让一切步入佳境！#大疆# #大疆新品# #大疆扫地机器人# #大疆ROMO扫地机# #大疆扫地机器人2代# #大疆ROMOP2# #扫地机器人# DJI大疆创新的微博视频

转发者评论

无明显转发评论

原文

5月初，智能体DeepSeek-TUI火了，开发者是来自美国的亨特·鲍恩，底层架构是DeepSeek V4。为什么鲍恩会选择DeepSeek？在博主玉渊谭天的采访中，亨特说最打动他的是“DeepSeek的善意和无处不在的开源精神”。DeepSeek在GitHub摘星超过19万颗，是2025年度AI项目的摘冠军，超过6万的独立贡献者参与DeepSeek开源项目，进行二次开发的“鲸鱼兄弟”也不少~#美开发者基于DeepSeek做爆款工具# #中国大模型开源让世界开发者齐聚##DeepSeek#

转发者评论

无明显转发评论

原文

「财新」当期出刊特稿：经济复苏了吗？- 结论是肯定的，Q1的GDP涨了5个点，出口和工业生产两大引擎还在快速增长，去年出现下降的固定资产投资也回到微增趋势，最重要的是PPI在3月同比转正，走出了连续41个月为负值的低谷，价格水平的改善是最明确的证据；- 出口增速高达14.7%，相当强劲，而且质量很高，代表新动能的机电产品占到了出口总额的六成以上，而且基于中国加工贸易的模式，出口繁荣也反过来拉动了进口数据超预期的大增22.7%；- 供应强于需求、外需强于内需的结构依然保持，消费、地产、居民收入等薄弱板块与大盘轻微背离，体感上的温差确实存在；- 主流经济学理论是期待通胀的，尤其是剔除掉能源波动的通胀回升，以及房地产的跌幅收窄，这些迹象的出现才意味着内需走强，必须摆脱低物价的困扰，目前来看，除了PPI，CPI也在回涨，这都是乐观信号；- 如果分得更细一点，生产资料是有在涨价，生活资料却还在下跌，意味着上下游剪刀差扩大，直接面向消费端的下游企业会比较难受，没有完全摆脱增收不增利的陷阱；- 上市公司的人均工资收入也在去年成功止跌，虽然没有大幅增加，但至少不再处于下行阶段，经济学家认为宏观复苏的既定节奏传递到个人收入上是有滞后性的，商品涨价-企业增收-扩大投入-工资增长的完整循环可能还要等上几个季度甚至更久；- 固定资产投资的反弹取决于AI基建热潮和国家政策托底的双重拉动，财政支出在Q1完成年初预算的速度为近5年最快，服务于数据中心、新能源汽车的电力投资也是亮点；- 地方政府的化债形势仍然严峻，因为土地出让收入一直在萎缩，叠加付息支出之后压力很大，但监管起来既不能过于严苛，也不能放任不为，只要兜底原则持续，就不会出现无法解决的问题，需要和时间做朋友，循序消化出清。

转发者评论

最近的肯德基指数表明消费者信心在恢复，但是不同的消费指数还是差异很大，说明大家对于不同消费等级不同消费需求的信心产生较大的分化！

• 最近的肯德基指数表明消费者信心在恢复，但是不同的消费指数还是差异很大，说明大家对于不同消费等级不同消费需求的信心产生较大的分化！

原文

【时光之旅第四站：奥巴马宣誓就职︱电子图书20周年回顾 】2009年1月20日，奥巴马宣誓就职，成为美国历史上第一位非裔总统。奥巴马当选已成为政治学、社会学和媒体研究中的经典案例。它为种族与身份政治、数字时代的竞选策略，以及选民动员提供了见解。 该视频为施普林格·自然电子图书20周年特辑第四弹，本系列将以时间线的方式呈现，从2006年至2025年的每一年中选取一个具有代表性的事件，解析其社会、政治与科学意义，探讨其对科研与教育的影响，并精选与主题相关的施普林格·自然图书，以帮助读者从时间维度理解知识发展、技术进步与全球重大事件是如何彼此关联、相互塑造的。访问Springer Nature Link探索更多相关主题的精选图书: link.springer.com/ （本视频由AI辅助生成）#电子书# #学术文献# #学术期刊# #电子教材# #研究生# #博士# #博后# #科研# #实验室# SpringerNature的微博视频

转发者评论

无明显转发评论

原文

【“今年还没亲手写过一行代码”，Claude Code之父自曝：CC诞生源于“偶然”，现主要在手机上干活】最近一段时间，AI 圈里最受关注的话题之一，莫过于 Anthropic 的持续升温。一边，是其估值再度冲高，被外界视作超越 OpenAI 的新晋 AI 之王；另一边，则是 Claude Code 在开发者社区里的迅速扩散。越来越多人开始意识到：AI 写代码这件事，可能已经不再停留在“辅助工具”的阶段，而是在悄悄改写整个软件开发流程。就在这样的背景下，Anthropic Claude Code 之父 Boris Cherny，近日出席了红杉资本举办的 AI Ascent 2026，与红杉资本合伙人 Lauren Reeder 展开了一场关于“编程未来”的深度对谈。而 Boris Cherny 开场抛出的几个观点，几乎每一句都足够引发争议：2026 年，我还没有亲手写过一行代码；我认为早在去年 10 月或 11 月，我们就达到了模型可以编写 100% 代码的临界点；编程问题其实已经“被解决了”；现在大部分工作都在手机上完成，每天能在手机上提交几十个 PR；我觉得 /loop（循环）代表了未来，强烈建议大家去尝试；未来十年的创业公司数量将会增加 10 倍；编写软件会成为每个人都具备的通用技能，就像发短信一样简单。这并不是一场单纯讨论 AI Coding 工具效率的访谈。相比“AI 能不能替代程序员”这种老问题，Boris 更关心的是：当代码生成几乎趋近于零成本后，软件工程本身会变成什么？开发者的角色还剩下什么？为什么“循环（loop）”会成为下一代软件的核心？以及，人类是否正在进入一个“没人再真正手写代码”的时代？#csdn博文精选# 网页链接

转发者评论

无明显转发评论

原文

你的 AI 智能体为什么看起来“蠢”？很可能不是模型能力不够，而是它压根记不住事。Google 的技术专家把这种情况叫做 AI 智能体的“金鱼记忆”。大家构建智能体时习惯把精力全放在模型选择和工具调用上，却经常被忽略记忆。但你想，一个连两分钟前对话都记不住的助手，再聪明也让人抓狂。Google 技术专家介绍了 基于 Google ADK 的三种记忆模式。第一种是会话记忆，最基础的，让智能体在一次对话中能记住上下文。ADK 里创建一个 session 对象就行，用户说了想去东京、喜欢历史古迹，后面生成行程时智能体不会再问“你想去哪”。第二种是多智能体状态共享。复杂应用里往往多个智能体协作，比如一个负责找餐厅，一个负责规划路线。它们之间通过共享状态的 key-value 来传递信息，美食智能体把结果写入 destination 这个键，导航智能体直接从状态里读取，用顺序智能体串起来就能跑通。第三种是持久化。前两种都活在内存里，脚本一停、服务器一重启，全没了。把内存会话服务换成数据库会话服务，智能体就能回忆起几天甚至几个月前的对话。这也是实现“个人助理”体验的关键，让它能随时间积累用户偏好。AI技术#AI智能体##AI记忆系统# 零重力瓦力的微博视频

转发者评论

无明显转发评论

原文

《硅基流动上线百度 ERNIE-Image》 ERNIE-Image-Turbo 是硅基流动上架的第 163 款模型，它快、稳、够好，适合海报、漫画、故事板及多画幅组合创作等大多数内容生产场景。值得一提的是，这是百度 ERNIE-Image 团队自主通过硅基流动弹性 GPU 服务部署的模型。弹性 GPU 支持用户自主、高效部署任意模型及各类计算密集型服务的进阶需求。硅基流动 SiliconFlow 百度 #百度大模型# 人工智能 #AI# 硅基流动上线百度 ERNIE-Image

转发者评论

无明显转发评论

原文

#微博AI创作季##AI创造营# 用微博V创作中心早恋： tombkeeper的微博视频

转发者评论

无明显转发评论

• 今天的盲猜关注列表活动开始啦！//@原来叫青椒花园:这个年龄不像是早恋啊。
• 回复@Bviews:当你脑子里浮现出这个问题时，可以想想如果问题的答案是肯定的，是不是会有什么征兆，比如，微博的股价最近有没有涨 10 倍。//@Bviews:[震惊]这效果真不错，这是微博自己的视频生成模型还是用的哪家的服务？

原文

微软提出了一种面向行为的并发（BOC）编程范式，尤其适合 Python。详细介绍：microsoft.github.io/bocpy/“在 BOC 程序中，数据是共享的，但每个行为对数据拥有独特的时间所有权，从而无需通过锁来协调访问。对于 Python 程序员来说，这带来了诸多好处。行为通过装饰函数来实现，从程序员的角度看，这些函数的使用方式与普通函数无异。更重要的是，程序员的任务从解决并发数据访问问题转变为通过函数组织数据流。由此生成的程序更易于理解、更易于维护、更易于扩展，并且能够充分利用多核性能，因为可以高效地调度行为在多个进程中运行。”它的全名是 Behavior-Oriented Concurrency in Python，核心目标是让程序员把注意力转移到有哪些行为要发生、这些行为依赖哪些数据、数据如何在行为之间流动这样的问题上，降低并发编程的难度。官网把它概括为一种适合 Python 的并发/并行新范式：让每个行为在某段时间内独占它需要的数据，从而减少手动协调共享数据的负担。不过AI时代，可能没太有人关心这些了~#AI创造营#

转发者评论

#人工智能[超话]#//@karminski-牙医:草，微软真搞出来了吗？这可是BOC嗷，大家知道CSP(比如golang)是显式传递指针的，而BOC是隐式传递指针的, 这玩意最牛逼的点是, 传统Actor是一维的锁拓扑, 而这玩意是个二维的DAG! 所以锁粒度可以做到极致. 理论吞吐量嗷嗷高. 那么老问题来了, 就py那个垃圾GIL, 现在

• #人工智能[超话]#//@karminski-牙医:草，微软真搞出来了吗？这可是BOC嗷，大家知道CSP(比如golang)是显式传递指针的，而BOC是隐式传递指针的, 这玩意最牛逼的点是, 传统Actor是一维的锁拓扑, 而这玩意是个二维的DAG! 所以锁粒度可以做到极致. 理论吞吐量嗷嗷高. 那么老问题来了, 就py那个垃圾GIL, 现在

原文

一个教学项目：nano-numpy-simd地址：github.com/AdilZouitine/nanonumpynano-numpy-simd 是一个用 Rust 编写、并暴露给 Python 使用的极小型类 NumPy 包。它从几个角度讲清一个问题：循环在哪里执行？一条 CPU 指令一次能处理多少个数字？这个项目实现了针对 f32 数值的一维逐元素算术运算：add、sub、mul、div它有意保持很小，并不试图替代 NumPy。它为 Python 开发者提供了一个紧凑的学习入口，用来研究 PyO3、maturin、FFI、Rust 循环、SIMD dispatch、CPU registers，以及 benchmark 中常见的误区。#AI创造营#

转发者评论

无明显转发评论

原文

AI 时代到底我们应该往全栈发展？还是往一个方向来专精？前段时间翻吴恩达（Andrew Ng）这两年的讲座和 The Batch 周刊文章，发现他反复在讲一个看起来朴素、但越想越深的概念：AI 时代真正值钱的人才，不是「全栈」也不是「专精」，是「T 字型」。T 字型这个词不是他发明的，1990年代设计和咨询圈就在讨论。但吴恩达这两年把它套到 AI 时代的职业发展上，给的版本特别清楚：横线是足够宽的 AI 应用能力，竖线是某个具体行业或问题的深度专长。横竖一加，乘出来的能力就是这两年最稀缺的人才样子。吴恩达是 DeepLearning.AI 和 Coursera 的创始人之一，曾任斯坦福兼职教授、Google Brain 创办者、百度首席科学家。他的机器学习课累计被几百万人学过，对 AI 怎么进入普通人生活的观察比多数人都厚。先看以前。互联网时代讲全栈：前端会、后端会、数据库会、运维会，一个人能从头到尾搭一个产品。这种人那十几年很值钱，因为软件复杂度还在「一个人能掌握」的范围内。后来讲专精：前端越来越深、后端越来越深、数据库越来越深、ML 越来越深。每个领域都长成了独立的专业方向，全栈在大公司里反而不香，因为每个细分都需要专精的人做透。再看现在。AI 工具的出现让每件事的入门成本都降了一档。以前学一门新编程语言要几个月，现在让 AI 写一段你不熟的语言，调一下就能用。以前做一份行业调研要囤几十本书、几十篇文章，现在丢给 AI 一堆材料加几个问题，半小时出一份初稿。以前数据分析得熟悉 SQL、Pandas、可视化工具，现在用自然语言描述一遍，AI 写代码、跑代码、出图。横线在变长。但这件事的另一面是：既然每个人都能让 AI 帮自己把横线铺宽，「光有横线」就不再值钱了。真正稀缺的，变成了那些有一根扎得很深的竖线的人。竖线扎在哪里？候选不少：医疗里某个具体的科室、法律里某一类合同条款、教育里某个学段、制造业里某条产线、零售里某种品类供应链。竖线不是「我会写代码」「我会做设计」这种通用能力，这一类被 AI 横向能力补齐得最快。竖线是「我看过一千份这类合同、我知道哪些条款最容易出问题」「我在儿科神经科看了五年门诊、我知道哪些症状最容易被漏」「我做过十年女装供应链、我知道哪种供应商真能按时交货」这种东西。横线加竖线，就是一个有行业纵深的人配上一套熟练的 AI 工作流，能干的事远超只会 AI 通用技能的人。放到自己身上自检，两条线都问一遍。横线：你日常工作里能用 AI 干几类事？写代码、写文档、处理数据、做调研、画设计、做翻译、整理素材、跟客户沟通……你能让 AI 接住几条？这条线越长，你的"基础速度"越快。竖线：你的纵深扎在哪？做过的某件事时间够长、看过的特定场景够多、积累的"这种事的判断"别人短期复制不了，这件事是什么？判断竖线深不深有个简单测试：把你的工作日常讲给一…

转发者评论

无明显转发评论