微博 AI 观察博客

原文

【#人民日报评豆包付费#：从“免费午餐”走向“价值账单”】#如何看待商业模式从免费走向收费# 前不久，人工智能应用豆包在应用商店悄然上新了付费订阅方案，这意味着主流国产大模型“全免费”格局首次出现松动。社交媒体上，“只要收费就卸载”与“天下没有免费的午餐”两种声音激烈碰撞，相关话题冲上热搜。如何看待商业模式从免费走向收费？这是服务升级还是倒退？看清豆包收费的逻辑，首先要弄明白免费背后的成本。截至2026年3月，豆包大模型日均Token（词元）调用量已突破120万亿，在3个月内翻了一倍，算力支出大幅增加。所谓“免费”，从来不是没有成本，只是成本被暂时悬置在了半空，等待一个落地的时刻。与其说这是慷慨，不如说是一种尚未完成的商业叙事。当算力账单膨胀到结构性亏损的地步，“免费”就成了一个悬于头顶的行业风险。免费模式难以为继，并不等于说收费就能解决问题。关键在于，收费之后消费者能否获得与价格匹配的真价值。从这个角度看，人工智能企业更应该把收费当作一场进阶挑战。当价格标签挂上去那一刻，行业竞争就从比拼下载量、日活跃用户数量等指标，更多转向满足用户应用需求的较量。收费不意味着“劝退”，只要用户觉得物有所值，付费服务也会是你情我愿。对一些消费者而言，选择付费模式以获得更优质的服务，好过在“全免费”的表象下，承受广告泛滥、数据滥用、服务缩水等隐性代价。回望互联网发展历史，类似的转折并不罕见。视频网站曾经普遍免费，虽然也不乏佳作，但精品创作缺乏可持续性。随着付费会员模式逐步确立，《漫长的季节》《我的阿勒泰》等“叫好又叫座”的精品剧集获得了更稳定的创作支撑，不少作品还走出国门赢得国际口碑。音乐平台推出付费模式后，词曲创作者的权益得到更好保障，音乐市场也更加繁荣。形成成熟的商业模式，让从业者有合理回报，事关服务品质和消费者体验，以及产业创新的正向循环。扩大范围看，抵制免费陷阱或超低价竞争，也是“反内卷”的重要抓手。健康的市场，必然基于良性的竞争。近年来，从电商到外卖，从共享单车到社区团购，不少新业态都经历过“烧钱、扩张、洗牌”的剧烈震荡。补贴退潮后，容易产生资源浪费、权益受损等后遗症，很多用户对此都有直观感受。合理的付费机制则能实现企业、平台、创作者、消费者的多方共赢。坚持有效市场和有为政府相结合，是“十五五”时期经济社会发展必须遵循的原则之一。形成既“放得活”又“管得好”的经济秩序，离不开市场价格监管的有效作为。在企业进行商业模式创新的同时，有关部门应以刚性监管消除价格乱象、打破价格垄断，让价格指挥棒指引行业提质升级、远离无序内卷。如果说技术创新解决的是“能不能”问题，那么商业模式创新回答的则是“可不可持续”问题。从“免费午餐”走向“价值账单”，目的是更好发挥市场决定价格、匹配供求、促进竞争的作用，让创新成果真正接受市场的检验。在人工智能领域，这条路才刚刚铺开，过程值得审视，前…

转发者评论

#人民日报评豆包付费# 收费是为了体现科技严打创造的价值，如果收费了大家都不玩了，那么这个泡沫就很大了，因为没有利润的事情，怎么持续下去？科技也要生存啊！

• #人民日报评豆包付费# 收费是为了体现科技严打创造的价值，如果收费了大家都不玩了，那么这个泡沫就很大了，因为没有利润的事情，怎么持续下去？科技也要生存啊！

原文

【小米集团2026年Q1业绩】总营收991亿元，经调整净利润61亿元，经营稳健向前。汽车业务逆势增长。智能电动汽车及AI等创新业务收入199亿元，当季新车交付80856台。今年1-4月，小米SU7位列国内20万以上纯电轿车销量第一，小米YU7位列国内SUV销量第二。销售服务网络覆盖143个城市、490家门店。智能手机出货量连续23个季度稳居全球前三，在47个国家和地区出货量排名前三，65个国家和地区排名前五。高端化战略持续推进，智能手机平均售价同比提升8.2%、创历史新高，中国大陆高端智能手机销量占比达23.5%。IoT业务境外收入创历史新高，平板出货量连续8个季度全球前五，TWS耳机出货量全球第二，可穿戴腕带设备出货量全球第三。坚定投入底层核心技术，单季研发投入90亿元，同比增长33.4%，研发人员总数26048人。Xiaomi MiMo-V2.5-Pro跻身Artificial Analysis综合智能指数、Agent指数全球开源模型并列第一；Xiaomi MiMo大模型助力Hermes Agent登顶全球调用量榜首，成为第一贡献模型。

转发者评论

无明显转发评论

原文

Hugging Face专门发了篇官博来介绍类似Harness那样的AI Agent 术语>地址：huggingface.co/blog/agent-glossary这里也翻译一下，因为大部分术语还没有啥统一的中文翻译，就中英文都列了下。涉及到的概念包括：Model、Scaffolding、Harness、Agent、Context Engineering、Policy、Tool Use、Skills、Sub-agents等等-----------发布于 2026 年 5 月 25 日 作者：Sergio Paniego、Aritra Roy Gosthipaty当一个领域发展很快时，它的词汇往往比共同理解发展得更快。术语开始变得模糊，被不同语境反复使用，或者变成某些概念的简称，而这些概念本身却从未被充分解释清楚。我们现在就在 AI Agent（AI 智能体）领域看到这种情况：一些概念被混在一起，有些被重新命名，还有些流行几个月后又悄悄消失。这会让新手感到不知所措，即使是一直在跟进最新进展的从业者也会困惑。ICLR 2026 之后，我们中的一位作者 ariG23498 发了一个问题，很好地概括了这种困惑：> “在 agent（智能体）的语境里，你们说的 `harness`（执行框架）和 `scaffold`（行为支架）到底是什么意思？我在 ICLR 听到了很多解释，但我不明白为什么大家没能形成一个统一说法。”这份术语表，是我们试图为那些反复出现、却缺少清晰一致解释的术语建立一个理解基础。它并不是 AI Agent（AI 智能体）领域所有术语的完整词典。我们关注的是那些经常被混用、被反复赋予不同含义，或者被默认“大家都懂”但其实并不清楚的概念。无论你是在构建一个 agent（智能体）、部署一个 agent（智能体），还是只是在使用 Claude Code、Codex、Hermes Agent 这类工具，大多数术语都会遇到。最后一部分会介绍一些与 model training（模型训练）相关的概念，这部分更适合从事训练工作的读者。很多术语还没有被普遍接受的定义，不同 framework（框架）也会用同一个词表示不同东西。这里的目标不是强行规定一套“唯一正确”的词汇，而是提供一个实用的理解框架，让相关讨论更容易跟上。## 目录- [Model（模型）](#model模型)- [Scaffolding（行为支架）](#scaffolding行为支架)- [Harness（执行框架）](#harness执行框架)- [Agent（智能体）](#agent智能体)- [Context Engineering（上下文工程）](#context-engineering上下文工程)- [Policy（策略）](#policy策略)- [Tool Use（工具使用）](#to…

转发者评论

无明显转发评论

原文

【赛博对话 EP48｜#豆包会员定价68元有何玄机#】#你会为AI工具花钱吗#近期，豆包即将收费的消息引发网友热议，标准版包月68元定价有何玄机？AI 行业的烧钱狂欢不再，所有玩家都被迫回到最朴素的商业本质 —— 算账。逐鹿网创始人、知名科技自媒体人@阑夕 表示：以前AI行业都是外国收20美金我们收20块钱，但豆包没这么干，收了一个不上不下的68元，其实这是精准的心理锚点策略。趣丸科技副总裁兼首席战略官、《屠龙之术》主理人庄明浩@明浩-rosicky311 表示，豆包在国内聊天机器人战场的领先优势已经非常明显，它是最有资格尝试大面积付费的AI厂商。本期《赛博对话》，赛博对话官@高飞 和两位嘉宾畅聊AI商业化的核心命题，从收钱、花钱、赚钱三个维度拆解行业底层逻辑。#你会为豆包花钱吗# 赛博对话的微博视频

转发者评论

//@Zodzod_张浩:收藏了//@嚼物理的小锺:码//@高飞:聊的特别透，基本把目前模型的商业模式叙事捋清楚了，而且国内国外都覆盖。//@新浪热点:【#豆包会员定价68元有何玄机#】在《赛博对话》中，赛博对话官@高飞 表示，AI 生意就三件事：收钱、花钱、最后必须赚钱。#你会为AI工具花钱吗#

• //@Zodzod_张浩:收藏了//@嚼物理的小锺:码//@高飞:聊的特别透，基本把目前模型的商业模式叙事捋清楚了，而且国内国外都覆盖。//@新浪热点:【#豆包会员定价68元有何玄机#】在《赛博对话》中，赛博对话官@高飞 表示，AI 生意就三件事：收钱、花钱、最后必须赚钱。#你会为AI工具花钱吗#
• 感谢赛博对话邀请 行业变化太快 谁知道一个月后会不会被疯狂打脸 爱谁谁吧[二哈][二哈]
• [求饶] //@any快跑any:聊的真好，内容里讲的个人一次次打脸，不准确的预测实际上就是活力，过程没有一丝丝老登味，角色会聊远，会激进，会回拉，会投入插嘴，特别像90年代的《电脑版》没人知道明年确定啥？再往前回看1，2年，觉得自己个人经验能确定的人都失败了，再对比房地产，最后几年就是几个大佬
• 聊的特别透，基本把目前模型的商业模式叙事捋清楚了，而且国内国外都覆盖。//@新浪热点:【#豆包会员定价68元有何玄机#】在《赛博对话》中，赛博对话官@高飞 表示，AI 生意就三件事：收钱、花钱、最后必须赚钱。#你会为AI工具花钱吗##人民日报评豆包付费#
• 【#豆包会员定价68元有何玄机#】在《赛博对话》中，逐鹿网创始人、知名科技自媒体人@阑夕 表示，字节就是该收钱，豆包如果一直不收，会把后面的很多人卡死。#你会为AI工具花钱吗#

原文

开源网络安全技能库上线！Anthropic Cybersecurity Skills 为 AI 智能体提供 754 条结构化技能，覆盖 26 个安全领域，并与 MITRE ATT&CK、NIST CSF 2.0、MITRE ATLAS、D3FEND 及 NIST AI RMF 五大框架一一对应。技能采用 agentskills.io 标准编写，可直接被 Claude Code、GitHub Copilot、Cursor 等 20 余个平台调用，帮助智能体快速掌握内存取证、威胁狩猎、云安全等实战流程。项目已获 9.7k 星标，Apache 2.0 开源许可，欢迎开发者克隆使用或贡献新技能。github.com/mukul975/Anthropic-Cybersecurity-Skills#网络安全# #AI智能体# #开源项目# #MITRE_ATT&CK# #NIST_CSF#

转发者评论

无明显转发评论

原文

有网友说“agent这件事情已经结束了，感觉垂类Agent真没什么能做的了。”我的观点是去做一个 Agent Harness 这种事情价值不大了，怎么做也做不过模型公司，模型一升级好多活都白干了。但是基于成熟的 Agent Harness 去做方案，大有可为。MCP 只是解决了连接的问题，Skills 只是解决了领域知识的问题。垂直领域还有很多事需要解决：- 为老的工作流针对 Agent 去重新设计 AI Native 的 Agent 工作流- 在 Human In Loop 的部分，重新设计 UI、UX 交互- 垂直领域的高质量数据整理- 等等这些事情是模型公司做不到的，也需要去共建的。Agent 是未来的操作系统，几家模型公司提供模型和 Harness，其他人基于上面构建应用。

转发者评论

无明显转发评论

• 回复@佩奇小仙女的傻乔治:举例来说，一个内部的没有被训练过的设计系统，如果把文档整理好，做成一个 Skill，那么 Agent 就可以熟练的使用这个设计系统；很多事情都是类似的，你把数据整理好，让 Agent 可以访问，告诉它怎么用好数据，就可以多做很多事 http://t.cn/AX6N55hk //
• //@金山:AI给企业提效才刚刚开始，多少企业信息化都没做，更别提智能化了。就算信息化水平比较高的互联网公司，离智能化也有很远的距离。微软的to B业务确实有非常大的空间
• 回复@拉丝钛氪:模型 + Harness 才是完整的，模型就像缸中之脑，没有机甲（Harness）再聪明也做不了啥事//@拉丝钛氪:模型吞掉一切 搞agents系统的过几年看估计就是笑话[允悲]
• 可以做做业务闭环自迭代和数据飞轮。自动不彻底，就是彻底不自动。

原文

网友总结的30条Claude Code的工程技巧。Family A：结构化（1-4条）1. 模块化组装：system prompt 拆成约 15 个独立函数，每个管一块，修改互不影响，静态部分可缓存。2. XML 标签结构化：用 、、 划分区域，比 markdown 更精确，可嵌套，可解析。3. Markdown 标题做导航锚点：每个 （井号） 回答一个问题——你是谁、接收什么、怎么处理、怎么输出、有什么限制。模型生成中途需要参考规则时可以快速定位。4. 清单式指令优于段落：每条指令独立存在，不容易被跳过；子缩进把相关规则分组。Family B：行为控制（5-9条）5 大写关键词三档力度：普通偏好 → IMPORTANT → CRITICAL（附带后果说明）。原则：如果什么都是 CRITICAL，就什么都不是 CRITICAL。6. 正反例同时给：光有正例模型容易过度应用，明确的反例划出边界——PlanMode 什么时候用、什么时候不用。7. 后果链描述：Don't do X because Y 远比 Don't do X 有效。git add -A → 包含 .env → 凭证被提交 → 安全漏洞，模型会推理，不只是死记规则。8. 角色框架："高级安全工程师"和"AI 助手"激活的词汇量、风险评估和细节层级完全不同。9. 元认知脚手架：强制在 标签里先写推理过程，最终输出前自动剥离。模型必须写出来才能推理，但用户看到的输出依然简洁。Family C：少样本示例（10-12条）10. 多轮对话示例：一个完整的多轮示例比十个单轮示例更有效——教的是过程，不只是结果。Claude Code 里有一个完整示例，展示了并行启动 research worker、等待结果时给状态更新、汇总后再派发实现任务的完整流程。11. 示例内加推理注释：在 标签里解释为什么这样做，模型学到的是决策标准，能泛化到新情况。12. 精确的输出模板：直接给一个填好的完整示例说"按这个结构来"，消除格式、深度、风格的所有歧义。Family D：安全防护（13-16条）13. 纵深防御分层：安全规则在 system prompt、工具描述、任务 prompt 多个层级重复出现。单条指令不可能 100% 可靠，冗余是设计。14. prompt 注入检测委托：明确让模型监视工具输出中的注入尝试，发现后立即告警用户再继续。15. 硬性排除清单：Claude Code 的安全审查有 17 条明确排除项（DoS、资源耗尽、速率限制……）加上理由，告诉模型哪些不用报。没有排除清单，什么都会被标出来。16. 置信度阈值：低于 70% 置信度的发现不报告。把主观判断转成可量化的门槛，过滤掉投机性结论。Family E：上下文管理（17-20条）17. 缓存感知架构：system prompt 用显式边界分隔…

转发者评论

无明显转发评论

原文

Anthropic 今年三月上线了一个叫 Anthropic Academy 的课程平台。目前一共十八门课，全部免费，每门学完发一张官方证书，可以直接挂到 LinkedIn 上。注册只需要一个邮箱，不需要 Anthropic 账号。十八门课分五个方向，从完全不写代码的人到做 agent 开发的程序员都能找到对应的内容。按三类人来说。先说不写代码的人。AI Fluency: Framework & Foundations 是最值得非技术人员先上的一门。十四节课，大概一小时出头，教的是怎么跟 AI 有效协作。它提了一个 4D 框架：委托、描述、辨别、勤勉。展开讲的是怎么给 AI 布置任务、怎么把你想要的描述清楚、怎么判断 AI 给的结果靠不靠谱、怎么保持对输出质量的把控。如果你天天在用 Claude 但觉得用得不够好，这门课值得花一小时走一遍。Claude 101 更基础，讲 Claude 的功能和常见用法，适合完全没用过的人。AI Capabilities and Limitations 讲大模型到底能做什么、不能做什么，包括幻觉和上下文长度限制这些常见坑。另外还有四门按场景细分的版本：给教育工作者的、给学生的、给非营利组织的、给小型企业的，都是在通用框架上叠加了具体行业的用法。还有一门 Teaching AI Fluency 专门教老师怎么在课堂上教 AI 素养，附带了可以直接用的教学材料。再说开发者。这部分课程量最大。Building with the Claude API 是整个平台的重头课：八十四节课、八个多小时视频、十个测验，从认证到流式传输到工具调用到检索管道，把用 API 做 Claude 应用的全链路走了一遍。如果只有时间上一门开发课，选这门。Claude Code 有两门。Claude Code 101 讲基础工作流：探索、规划、写代码、提交，以及怎么在终端、VS Code、JetBrains 这些环境里安装和使用。Claude Code in Action 进一步，十五节课一小时，讲怎么把 Claude Code 融进日常开发，包括文件操作、命令执行和 GitHub 集成。MCP 协议也是两门。入门课讲 MCP 的架构、用 Python SDK 搭服务端和客户端、调试工具怎么用。进阶课讲生产环境的部署模式：采样、通知、文件系统访问、传输机制。两门都需要 Python 和 JSON 基础。跟 agent 相关的有三门。Introduction to Agent Skills 六节课半小时，教你在 Claude Code 里写 Skill，就是可复用的 Markdown 指令，Claude 会自动在合适的任务里调用它。Introduction to Subagents 四个动手模块，教怎么把任务拆给子 agent，每个子 agent 有独立的…

转发者评论

无明显转发评论

原文

一般来说，人们都认为LLM适合批量生成大量低质代码，但Nolan Lawson这篇文章反过来，介绍了一种用 AI 更慢地写出更好的代码的方法。# 用 AI 更慢地写出更好的代码2026 年 5 月 25 日，Nolan Lawson 发布于软件工程分类。标签：AI。4 条评论。很多人似乎都相信，AI 编程的意义就是尽可能快地写出低质量代码：吐出勉强能过的垃圾代码，开出巨大的 PR，然后不经审查就合并。发布上线！但问题是，LLM 非常灵活。你完全可以同样有效地用它们来更慢地写出高质量代码。在我看来，这一点现在已经非常明显，我甚至差点因此不想写这篇文章。但似乎还是有不少人坚信 LLM 只适合当“垃圾代码发射器”，所以有必要提出相反的观点。如果 Mythos 教会了我们什么，那就是：LLM agent 非常擅长发现 bug。只要把它们反复投向一个代码库，它们会找出多到让你几乎不知道该怎么处理的 bug。和很多人一样，我也发现这不只适用于 Mythos 模型，其他模型也一样。有些模型可能更擅长发现隐蔽 bug，或者更少产生误报，但事实是，Anthropic 和 OpenAI 最新的公开模型已经足够好，可以在一个缺少细致审查的代码库里找出大量 bug。问题不太在于找到 bug，而在于给它们排优先级，并验证它们是否真实存在。出于这个原因，我有一个 Claude skill，是根据这篇文章的核心洞见改出来的：你投入到 PR 审查里的不同模型越多，就越不容易得到幻觉结果或虚假的 bug。这个 skill 大致会这样说：> 运行一个 Claude 子 agent、Codex 和 Cursor Bugbot，找出这个 PR 中的 bug，并按 critical / high / medium / low 排级。等它们全部完成后，审查它们的发现，做你自己的研究来排除误报，然后写一份最终报告。基本就是这样。你也可以加入自己对“bug”的定义。我的定义里包含一些约束，比如 KISS 和 DRY 原则、编写可访问的 HTML/JSX、SQL 查询要使用合适的索引，等等。根据我的经验，这个 skill 总能在一个 PR 里找到大量 bug，而且误报率接近于零。它找到的 bug 多到如果你试图全部处理，可能会无聊到麻木。它们的范围很广：从严重的安全或正确性 bug，到比较普通的中等性能 bug，再到低级别的“这条注释有误导性”这类问题。我通常的工作流程是：1. 让 agent 修复所有 critical 和 high 问题，并由我指导正确的解决方案；然后重复，直到没有 critical 和 high。2. 跳过那些 high 或 medium 但收益不值得投入的问题，比如为了修复一个很窄的边界情况要写 100 行代码。3. 如果一个 PR 有太多 critical 问题，以至于我意识到整…

转发者评论

无明显转发评论

原文

#华为韬定律是什么# 我写一下传统堆叠和"韬"的区别，大家能看懂的就看，看不懂可以直接开骂，对线吧，不用走程序。先给结论传统堆叠不是为了“证明一定性能更好”，而是为了在某些瓶颈上更划算地提升系统性能。而韬/LogicFolding如果按华为的说法，解决的不是“模块之间离太远”的问题，而是芯片内部逻辑路径太长的问题。我按“为什么要堆叠 ，传统堆叠提升了什么 ，它的极限 ，韬想解决什么”来讲。传统堆叠到底是在干嘛？你可以先把一颗芯片理解成几个大模块：CPU/GPU/NPU 计算单元，SRAM/L3 Cache，I/O，Memory interface，模拟/射频/电源管理这些模块原本都在一块平面die上，或者分散在不同package里。那咱们为什么要费劲吧啦的把两块 die 连起来？因为有些模块之间的数据交换非常频繁，距离一远，代价就很高：线更长延迟更高，功耗更高带宽做不上去，面积更大所以把它们叠起来，本质上是为了：让本来通信非常频繁的两个模块靠得更近。那这时候喷子门就会问了。“连起来也不能证明性能更好啊”——对，是这样的，谁也不能自动证明说连起来性能就好，事实上就是不能，堆叠和性能提升不是正比只有当系统瓶颈正好卡在“模块间通信”上，堆叠才有意义。典型例子1：HBMGPU训练大模型时，瓶颈常常不是算力不够，而是：数据喂不进去，显存带宽不够，就是内存墙呗，对吧，我老给你门讲，所以：GPU logic dieHBM memory stack这些玩意，贴得非常近，带宽可以做很高，性能才真的上去。这里提升的不是“GPU核心 magically 更强”，而是数据供上了，我说白了，原因在这属于是。典型例子2：刚才一个哥们儿BB的AMD 3D V-Cache打游戏很多时候吃：大缓存，低延迟访存。所以AMD把L3 cache堆到CPU die上面：就能让那个你缓存容量暴增，很多数据不用去更慢的内存找（这个其实 celebras也是这么干的，之前还骂过很多同学sram和hbm都分不清）游戏性能上升，这里也不是“CPU算术单元更先进了”，而是访存瓶颈缓解了。所以传统堆叠提升的是：不是“逻辑本身更强”而是以下这些之一：更高带宽。更低模块间延迟。更小封装面积。更低I/O功耗，更灵活的工艺拆分比如逻辑die用先进工艺，I/O die用成熟工艺所以又回过头来咱们说，传统堆叠为什么不等于“芯片本体变强”？因为它通常只是把不同功能模块靠近：CPU还是那个CPU，Cache还是那个Cache，HBM还是那个HBM也就是说：它优化的是模块之间的连接，不是模块内部的电路实现。一个CPU核心内部的关键路径，比如：译码啊，你要调度，调度完了得执行吧，还有回写。这些逻辑门怎么排布，往往还是平面的。所以传统堆叠的天花板是：模块间通信更好了，但逻辑内部时序瓶颈未必变，那如果你平静就不是通信问题，那我说白了，…

转发者评论

无明显转发评论

• 你看我要有你这语言水平是不是早成了，哥？教教我语文，谢谢！//@门口是剧场:τ scaling 作为一个工程指导框架，有重大价值也有现实动机（先进制程受限下的突围路径）；但华为官方把它包装成"Law"来对标摩尔定律，确实属于典型的"新闻学叙事 > 学术诚实度"的操作。
• 回复@娄山关_:你们是问单精元多层，还是两层或者以上有源die叠起来曝光，如果是后者 Monolithic 3D，但是不知道和你们说的是不是一回事，你们问的太泛//@娄山关_:回复@勿满-知收:那曝光如何实现
• 传统堆叠是“拿工程复杂度换局部系统收益”；LogicFolding是“拿更大的工程复杂度换更深层次的逻辑收益”。

原文

最近我发现 FDE 这个岗位很火，我们都知道，Anthropic 和 OpenAI 这类大模型公司都在收购相关企业和吸收人才要下场做企业部署了，说到底，现在 AI 的能力其实已经不错了，大模型公司要想赚钱，还是得让用户用起来，赚 to C 用户的钱利润太少了，其实企业才是 Token 的消耗大户，所以，这些大模型公司要建立类似的人才下场帮企业部署 AI，打通 AI 落地难的问题。那什么是 FDE 呢？最近读到一篇关于 Forward Deployed Engineering（前沿部署工程师，简称 FDE）的文章，作者本身就是这个领域的从业者，还在旧金山创办了一家 Applied AI 公司，专门做 FDE 团队的搭建。他说这是当下科技圈最火的岗位，Anthropic、OpenAI、Google 这些头部 AI 公司都在疯抢这类人才。读完之后觉得挺有意思，里面的一些思路对我们理解 AI 落地、甚至规划自己的职业方向都很有参考价值。1、为什么 AI 公司急需 FDE文章开头抛出了一个很犀利的判断：如果智能正在被商品化，那唯一的竞争优势就在于你怎么用它、在哪里用它。换句话说，光有一个聪明的模型没用，关键是能把它嵌入到具体的业务场景里，真正跑起来产生价值。这个观点其实值得我们好好想想。很多人觉得 AI 厉害就厉害在模型本身，但现实是，模型谁都能调用，API 谁都能接。真正拉开差距的，是谁能把这个技术和具体业务深度结合。这就像厨师和食材的关系，食材再好，不会做也白搭。FDE 的定位就是那个会做菜的人。他们是高技能工程师，能深入理解客户的问题，在一个从没见过的代码库里写代码，还能把技术成果翻译成非技术人员能听懂的商业语言。文章说这是一个“百万美元级别的雇员”，一点不夸张。2、必须到现场去文章引用了 Palantir 前 CTO 的话：你不可能为一个你从未身处其中的环境构建产品。FDE 这个词最早就是 Palantir 发明的，他们对“到现场”这件事非常较真。2010年，他们的工程师直接跟着美军特种部队去了阿富汗，白天部队执行任务收集反馈，晚上工程师根据反馈连夜写代码。这个例子虽然极端，但道理是通的。要让 AI 真正在一家公司里发挥作用，你必须坐在客户身边，理解他们的数据、流程、上下文。远程做个通用方案然后扔过去，效果一定大打折扣。这一点对我们做任何需要落地的工作都适用。很多时候我们觉得自己懂了，其实只是懂了表面。真正的理解来自于沉浸在那个环境里，看到那些文档里写不出来的细节。3、FDE 工作的三个阶段文章把 FDE 的工作拆成了三个核心阶段：审计（Audit）、评估（Evals）、部署（Deployment）。**审计阶段**，就是到客户公司里，跟不同团队坐在一起，搞清楚他们的工作流程、瓶颈在哪、哪些环节适合用 AI 来做。比如跟运营团队待两周，跟采购团队待一周，跟财…

转发者评论

无明显转发评论

原文

有个人写技术博客写了很多年，每年有一件雷打不动干一件事——把大家对 AI 的误会，挨个拎出来戳破。他叫 Simon Willison，是圈里公认最懂怎么用 LLM（也就是 ChatGPT、Claude 这类大模型）的人之一。天天用 AI、又隐隐担心自己用法早就过时的人，这篇值得看看；图个新鲜随便用用的，可以划走。他每年总结里最值钱的，是那些跟大多数人想的正相反的经验，我挑几条对普通人最有用的。第一条，也是他翻来覆去强调的：AI 看着谁都会用，其实是个老手才玩得转的工具。它就一个对话框，简单得让你以为没任何门槛。可真正把它用出花的人，和只会「帮我写个东西」的人，水平差着十万八千里——区别全在你愿不愿意花时间摸清它的脾气。所以别停在随便问问，挑一两件你天天要干的活，认真琢磨怎么让它干得更漂亮。第二条更反直觉：所谓的「提示词工程」，被严重高估了。网上那些「万能咒语」「提示词模板」，其实没那么玄。比起在一句话上字斟句酌，把你的背景、要求、想要的样子给够，才是真关键。别背模板，多花一句话，把「我是谁、要干嘛、想要什么样的结果」说清楚，比什么咒语都管用。举个最直白的：同样一句「帮我改改这段话」，随手一发，AI 给你改得平平淡淡；可你要是顺口加上「给谁看、什么场合、想要什么语气、哪句别动」，出来的东西能差出一个档次。差的从来不是 AI，是你喂给它的料够不够。第三条：小模型、便宜的模型，很多时候已经够用了。不是干啥都得搬出最贵最强的那个。日常的总结、改写、问个常识，便宜的、甚至免费的模型经常就够使了。按事挑工具，杀鸡真不用宰牛刀。第四条，他还专门造了个词来骂一种东西：slop，可以理解成「AI 拉的垃圾」。现在网上正被大量没人把关、AI 随手生成的垃圾内容淹没。这事给你的提醒很简单：你用 AI 产出的东西，发出去之前自己先过一遍，别也成了那个往外倒垃圾的人。还有最关键的一条：这行变得太快，去年的经验，今年可能就不作数了。他一连写了好几年总结，每年都得亲手推翻自己的一些旧判断。所以别把任何一条用法当成铁律——隔段时间就重新试试，你以为 AI 干不了的事，没准早就能了。当然，他也不是句句都对，有几条判断我自己也将信将疑。但有一条我觉得肯定没错：把 AI 当成一门得一直学下去的手艺，而不是一个按一下就一劳永逸的开关。#马力的AI知识分享#

转发者评论

无明显转发评论

• //@易观1378:#技术与社会#

原文

最近跟人聊起AI公司推FDE的事，越听越觉得耳熟。这不是当年ERP换了个字母又来一遍吗。当年踩的坑，AI一个都逃不掉：1. 定制化地狱ERP时代叫「根据贵司流程二开」，现在叫「根据您的业务场景微调」。换汤不换药，本质都是销售签单时拍胸脯「都能适配」，交付时工程师对着需求清单沉默。2. 销售过度承诺「上线后效率提升300%」——这话术我二十年前听过，现在只是把PPT里的「ERP」替换成了「AI Agent」。客户听得热血沸腾，实施团队看得手脚冰凉。3. 实施周期拖垮ERP项目三个月变三年，FDE项目现在也在重演。POC做得漂亮，一上生产环境，数据对接、权限梳理、旧系统兼容，全是隐形工期。客户问「不是已经买了吗」，实施方只能回「正在推进中」。4. 用户抵触当年一线员工觉得ERP是监工，现在一线员工觉得AI是抢饭碗。系统再智能，最后都是人在用。人不买账，再好的技术也是摆设。我预言一下：再过两年，会有咨询公司出《AI FDE实施失败十大原因》，然后卖你一套「AI变革管理方法论」。到时候记得回来点赞。#AI##FDE##ERP##技术吐槽##AI推广##企业软件#

转发者评论

无明显转发评论

原文

以前用 AI 做一套营销素材真的很痛苦，生成一张图，修改一次，再等一遍，最后做出来的几张图风格还完全不统一。其实问题不在模型，问题出在缺乏一个能记住整套方案上下文的工具。创作博主 AI Master 分享了 AI 设计智能体 Lovart 的使用方法。搭配 GPT Image 2 引擎，能够让工作流实现闭环。它最聪明的地方在于，你输入一句模糊的简报，它不会立刻生图，而是像创意总监一样，先追问你视觉氛围、目标受众、格式范围等各种信息。直到了解了所有设计需求之后，它才开始生成设计素材。无论是 Logo 方案、缩略图模板、横幅都能同时开工，并行生成。因为基于同一上下文（设计方案），所有素材的品牌色和字体都能做到高度统一。最让人省心的是可编辑图层功能，比如想把海报上的优惠折扣修改一下，直接双击改数字就行，版面纹丝不动，不需要重新生成。它还支持在同一个无限画布上直接把静态图转成视频，省去了导出导入其他工具的麻烦。以前做一套包含 7 个素材的广告活动要花将近 3 个小时，现在 10 分钟就能搞定。#AI绘画##AI工作流##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

SANA 是 NVIDIA 推出的高效高分辨率图像与视频生成框架，采用线性注意力 DiT 架构，实现了 4K 图像生成和长视频生成任务的显著加速。相比同类模型，SANA 在保持高质量输出的同时，参数量更小、推理速度更快，可在普通笔记本 GPU 上运行。项目提供完整的训练与推理流水线，支持 Diffusers、ComfyUI、SGLang 等主流生态，适合研究者和开发者快速上手。GitHub：github.com/NVlabs/Sana主要功能：- 支持 1024px 及更高分辨率文本到图像生成，速度最高提升 39 倍；- 提供 SANA-Video 模型，实现 720p 文本到视频及分钟级长视频生成；- 集成 DC-AE 32 倍压缩与线性注意力，显著降低计算开销；- 支持 Sol-RL 低精度 rollout + 高精度训练，加速强化学习后训练；- 兼容 4bit 量化，可在 8GB 显存以下设备部署；- 提供 ControlNet、LoRA、DreamBooth 等扩展训练方案。支持 PyTorch 生态，通过 Diffusers 一行代码即可推理，适合学术研究与工业落地。#AIGC# #扩散模型# #图像生成# #视频生成# #开源项目#

转发者评论

无明显转发评论

原文

cursor本来都快不行了，因为他们没有自己的模型。然后他们自己在kimi开源模型的基础上搞了一个，但是还是很难挡住anthropic的攻击。但是他们这次找到了马斯克，达成了600亿美元收购要约，如果马斯克年内不收购，就要付100亿美元的合作费。那么，cursor很可能就有救了。因为马斯克有自己的模型，卡也多，就是在编程和agent赛道不太行。这样以来，他可以拿cursor的数据来训练，能力有望大大增强。cursor也可以获得一个自己的编码模型。如果最后收购能达成，马斯克就同时有了模型，编码智能体和用户。就能和openai、anthropic抗一下了，cursor的创始团队也套现成功了。就说国内，好像除了trae做的好一点外，没有一个特别好的编码智能体跑出来。

转发者评论

无明显转发评论

原文

前几天在新浪的「赛博对话」录了一期视频播客，话题是大模型厂商怎么就从烧钱走到了赚钱的转折点，主持人是@高飞 ，嘉宾是@明浩-rosicky311 和我。其实最开始是想聊豆包收费这件事情，我和庄明浩还在私下嘀咕，豆包传出付费方案的消息是在月初，早就不是热点了，实在是过了蹭的时机，但如果放大到AI这门生意终于迈过了亏本赚吆喝的那条线，就没问题了，这是一个相当长效的题材。老规矩，先来古法手打的划重点，感兴趣的可以在末尾传送门去看完整的视频播客：- 根据黄仁勋提出的五层蛋糕理论，应用层虽然是直接和终端用户打交道的，但它也是整个产业结构里盈利压力最大的那个，毕竟上面四层都是供给逻辑，有货就不愁卖，唯有应用层是需要竞争流量的，在这个前提下，收费堪比拔鹅毛但又不让鹅叫唤的艺术；- 豆包当初传出收费消息被猛带了一波节奏，很多人以为从此就没法免费使用豆包了，无论是从中国互联网的历史来看，还是ChatGPT作为先例的样板，收费模式必然是增值服务，大家现在怎么用豆包的还是怎么用，然后一些旗舰级的能力就只会放在会员方案里予取予求；- 再就是国内用户对于为产品功能买单这件事情极其抵触的特有生态，之前北京车展，The Information的记者过来跑了一圈新势力，发现它们的出海计划里都会把车机功能当作付费点，但在中国市场完全没有这个想法，负责人的解释也是很直白无奈，「中国人不会为软件付钱」；- 庄明浩和我都觉得豆包在绝对领先的地位上开启收费尝试是很有意义的，这点钱对于字节的CapEx来说无异于杯水车薪，但整个消费观念的转变很重要，甚至我相信千问元宝都会感谢豆包，否则都被卡死在给全国人民做公益这个沼泽里，「你不收，我怎么收？我不收，耿专员怎么收？大伙怎么进步啊？」- 再就是豆包的定价梯度可能比较意外，或者说整个AI应用的订阅门槛都是偏高的，长视频平台还在10块钱、20块钱一个月的留人时，豆包的最低档会员就是68块钱一个月了，像是Kimi也是49块钱一个月的起价，越过了30块钱一个月这个标准；- 30块钱一个月就是手游里的月卡，再往上才是大月卡，即通行证/战令，这一档的定价通常从68块钱到98块钱一个月不等，至于豆包计划里最贵的500块钱一个月套餐，相当于一单648的8折价，是不是也很容易理解了；- 马化腾在财报会议上也专门讲了中国用户在2C市场的付费转化率不太高这个点，要知道腾讯已经是最能从用户口袋里掏钱的互联网公司了，它都这么为难，叠加年年喊崛起年年也没能支棱起来的SaaS，模型下游的商业循环在国内实在需要一点乐观趋势，要知道智谱、MiniMax、月之暗面本质上是出海赚美金的公司；- 对于收入能够保持同步增长的公司而言，CapEx其实不是问题，从谷歌Q1财报来看，营收1000亿美金出头，利润差不多600亿，毛利率比纯卖广告的Meta还高，所以烧钱有什么问题呢，烧不出回报才是问题，马…

转发者评论

还得是你[doge]

• 还得是你[doge]
• //@赛博对话: 前几天，@阑夕 @明浩-rosicky311 和@高飞 老师在新浪《赛博对话》现场拆解了AI收费的底层逻辑，@阑夕 老师深度复盘！从免费到收费，AI 商业化拐点已来，付费不是终点，而是行业健康循环的新起点。完整播客已上线，欢迎一起探讨>>>http://t.cn/AX6NJ5RG

原文

最近刷微博，明显感觉AI视频赛道有一些变化。并不是简单的AI视频数量”变多”，那个早就在变多了，而是视频的质量在发生一些质变。说几个观察：第一，科普和历史类AI视频在微博找到了非常好的传播土壤。以前这类内容受制于素材的获取，现在AI补上了这块短板。用AI还原历史场景、做实验模拟科普，视觉冲击力完全不输纪录片。第二，影视二创是另一个爆发点。AI把素材处理门槛打下来了，一部剧的剪辑效率比传统流程高了一个维度。微博的社交传播链：转发、讨论、对比，天然适合这种需要"被讨论"的内容形态。第三，头部AIGC创作者开始把微博当成主阵地。也不是巧合。微博的广场属性和实时讨论氛围，对AI视频这种内容品类，比单纯的短视频平台更有优势。这段时间，深度体验了一把微博的V创作中心 ，还是非常好玩的，接入了市面上各种知名的视频大模型。从文生视频到更精细的镜头控制，门槛也在持续降低。现在不是"要不要做"的问题，理解了这个生态的自媒体朋友们，看能不能抓住这轮窗口期的机会。 #AI创造营#

转发者评论

无明显转发评论

原文

又挖到一个好东西，叫 Taste Skill，GitHub 上已经拿了 20.3k Star。简单来说，装上它之后，AI 生成的前端界面会好看很多。布局、字体、动效、留白，各方面都有明显提升，整体看起来有高级感。它提供了好几个设计方向可以选，比如通用高级感、极简风格、粗野主义，还有一个专门用来改造老项目的审计修复技能，适合给已有页面做升级。另外还有个图片技能挺有意思，可以先让 AI 生成网页或移动端的设计稿，然后再交给编程工具去实现，相当于把设计和开发拆成了两步走。它还提供了三个可调参数，分别控制布局的实验程度、动画的丰富度和信息密度，可以根据自己的需求灵活调整，不会把你锁死在某一种风格里。如果你经常用 AI 来构建前端应用，又受够了那种千篇一律的模板页面，可以装一个试试，效果确实不错。传送门：github.com/Leonxlnx/taste-skill#科技先锋官##How I AI#

转发者评论

无明显转发评论

原文

【#中国半导体新定律的底层逻辑# 】#AI算力焦虑又有新解法# 人工智能的性能怎么提升？过去几十年，全球芯片行业一直遵循摩尔定律——通过不断缩小晶体管，让芯片性能持续提升。但现在，这条路正在逼近物理极限。但就像DeepSeek的出现，证明了大模型的发展未必只有“堆算力”这一种方式，芯片演进也绝不只有一种方式。一个视频带你看懂⬇️ 玉渊谭天的微博视频

转发者评论

视频讲解，通俗易懂。[good]

• 视频讲解，通俗易懂。[good]

原文

今天，高性能Agent模型SkyClaw-v1.0正式发布。同步上线的，还有轻量化版本SkyClaw-v1.0-lite。SkyClaw主打一个：顶级Agent能力+极致性价比+低门槛落地「三位一体」。多项测试中，SkyClaw-v1.0性能超越Minimax 2.7、DeepSeek V4 Flash等多款主流开源模型，逼近DeepSeek V4 Pro、Claude Opus 4.6、Qwen 3.6 Plus等闭源顶流。性能拉满的同时，SkyClaw-v1.0在定价上给了行业一个意外：价格低至行业主流的一半，甚至更低。相较于DeepSeek V4 Pro，SkyClaw-v1.0输入成本仅为其1/24，输出价格仅1/6。另外，目前公认的在复杂逻辑、Agent 编排和代码生成上「智商与价格平衡得最好」的模型是Sonnet 4.6 。SkyClaw-v1.0的输入价格只有Sonnet 4.6的约1/43，输出价格只有其约1/27。更不用提，SkyClaw-v1.0-lite的价格优势更加明显。更重要的是，限时免费开放体验。这一次，「高性能Agent」和「低成本落地」之间的墙，被正式推倒了。

转发者评论

无明显转发评论

原文

5月25日凌晨，马斯克在𝕏上亲自官宣：1.5万亿参数的Grok基座模型V9-Medium训练完成，是现役模型的整整三倍，2到3周后面向公众发布。V9-Medium是xAI内部版本代号，对应产品名几乎可以确定就是「Grok 5」，参数规模是现役v8-small（5000亿）的三倍，并针对英伟达Blackwell架构GPU进行了专项优化。训练过程中，xAI往模型里灌入了大量Cursor编程数据——高质量的真实编程交互，包括开发者的prompt、代码上下文、编辑操作和任务完成记录。如今LLM的瓶颈不是写基本语法，而是理解复杂工程逻辑、多文件代码库和真实调试工作流，而Cursor数据恰好能补上这个缺口。回看这段时间的操作，马斯克在编程赛道上的布局是一套三连击：4月21日，SpaceX宣布拿到以600亿美元收购Cursor的期权；紧接着Cursor私域编程交互数据直接灌进模型；5月14日，终端级AI编程Agent Grok Build正式上线，最多8个子Agent并行工作，订阅定价每月300美元。把Grok放到编程赛道的坐标系里，差距一目了然。SWE-bench Verified上，GPT-5.5达88.7%，Claude Opus 4.6达80.8%，而Grok 4系列仅72%-75%；企业采用率方面，截至2026年3月OpenAI占55%，Anthropic飙升至47%，Grok仅有6%。马斯克选择此时亮牌，时间点很微妙。SpaceX将于6月12日在纳斯达克上市，目标估值1.75万亿美元，V9-Medium的公开发布恰好卡在IPO之前。更可怕的是，OpenAI的GPT-5.6、Anthropic的Claude Opus 4.8、谷歌的Gemini 3.5 Pro同样定档6月——四家前沿实验室，同一个月，硬碰硬。V9-Medium不需要一炮封王，它需要的是证明xAI还在牌桌上。这场AI军备竞赛里，活着比赢更重要，而活着的前提，是有人愿意为你的算力买单——哪怕那个人，恰好是你的对手。（共594字）Sonnet 4.6

转发者评论

无明显转发评论

原文

20260526 期发芽报告：最贵的那一步，只能出现一次你有没有发现一个规律：好的系统设计，都在回答同一个问题。什么环节该花大价钱，什么环节能省则省。听起来像废话。但你仔细看那些真正有效的系统，不管是知识库、企业部署、内容创作还是软件开发，底层逻辑都是同一套。先说我自己在造的东西。我在搭一个知识库系统，所有内容都是本地的 md 文件，没有用向量数据库。刚开工的时候遇到一个很直接的问题：每个环节如果都让 LLM 来处理，Token 消耗会非常恐怖。搜索节点要让 LLM 检索，匹配概念要让 LLM 比对，更新索引要让 LLM 定位，最后再让 LLM 生成内容。一轮下来，光确定性操作就吃掉了大量 Token，而这些操作的本质就是文本搜索和字符串匹配。后来我想明白了一件事。grep 能搜到的东西，就用 grep 去搜。脚本能处理的文件操作，就用脚本处理。这些操作不消耗 Token，确定性高，精确且免费。LLM 只需要在最后出场一次，负责理解意图和生成内容就行了。我把这个原则叫做工具编排极简：确定性工具做确定性工作，LLM 只做编排层。这个原则不是我发明的。前沿部署工程（FDE）的从业者早就说过同样的话：大多数自动化任务，用一系列工具调用加上一次 LLM 编排就够了。这些深入企业现场的工程师，在面对客户的业务流程时，第一件事不是把所有环节都交给 AI，而是判断哪些环节该自动化、哪些该写代码、哪些该留给人。规则固定但输入多样的放 AI，规则和输入都可预测的写代码，需要模式识别和领域专家判断的留给人。你看，和我搭知识库的思路是一样的。贵的东西要用在最关键的地方。再来看一个看起来完全不相关的例子。有个做 AI 短视频的账号，半年涨了 38 万粉丝。他们是怎么做的呢？固定了 5 到 6 个角色，围绕这些角色持续产出系列故事。AI 负责生成视频画面，人负责写脚本和台词。这里的分工非常清晰：AI 做的是执行层面的工作，生成视频画面是一个相对确定性的操作，只要脚本定了，AI 基本上能按照要求输出。但脚本不是确定性的。脚本需要对人性的理解，需要对职场痛点的精准捕捉，需要节奏感和幽默感。这些东西 AI 目前做不到，或者说做到了也不够好。所以这个账号的真正壁垒不在 AI 生成的画面上，而在人写的脚本上。画面谁都能生成，但能写出那种精准踩在痛点上的台词的人很少。贵的东西，人的创意和洞察，只出现在最关键的那个环节，其余的执行全交给便宜的工具。再想远一点。Mike Krieger，Instagram 的联合创始人，现在在 Anthropic 做产品负责人。他发现 AI 时代的开发有一个以前不可能的事情：重写变得特别便宜了。以前重写一个系统要几个月，现在用 AI 几天就能搞定。这个变化意味着团队可以在发现方向错误的时候，果断推倒重来，而不是因为沉没成本而硬着头皮走到底。这里的分工也很清楚。AI…

转发者评论

无明显转发评论

原文

Higgsfield 推出了一个叫 SuperComputer 的超级智能体。它把目前市面上最强的推理模型 Claude、Gemini等，和各种顶尖的图像、视觉生成模型无缝整合在了一个对话框里。以前我们做营销或者内容创作，得在不同的 AI 工具之间来回跳转，手动导出导入素材，上下文还经常丢失。这个新工具引入了模型编排器的概念。你只要给它一个任务，它会自动帮你拆解，把不同的步骤分发给最合适的模型。比如让 Gemini 做视觉分析，Claude 写策划案，专门的视频模型去生成画面。这样不仅省去了用户自己写提示词和调参数的麻烦，还能把使用成本降低 15 倍。更巧妙的是它的技能系统。这些技能是 Higgsfield 开发团队根据真实生产环境沉淀下来的工作流，而且它还会观察你的日常操作，把重复的步骤自动保存为你专属的技能。在实际演示中，输入一个品牌网址，它就能自动研究社交媒体上的爆款趋势，直接生成 100 个 UGC 视频简报和成片。针对长视频容易崩的角色一致性问题，它通过参考层把角色和场景固定下来，保证了多镜头连续性。它甚至还能一边生成视频，一边把配套的品牌网站直接写好部署上线。这种把调研、创意生成和端到端执行完全统一在一个系统里的设计，确实展示了未来 AI 工作流的方向。它超越了传统的单一生产力工具，更像是一个随时待命的跨界协作团队。#AI智能体##Higgsfield##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

总结了下自己最近做的大模型推理引擎的工作，并开始研究分布式推理的技术方向，特别提出了一种多模型融合推理方式：-----------------在 DwarfStar 中进行分布式大语言模型推理高端 NVIDIA 显卡，以及运行这些显卡所需的服务器和电力，价格都很高。尤其是当你想获得足够多的显存，用来运行超大模型时，成本会非常夸张。到目前为止，替代方案主要是 Apple 硬件，或者 DGX Spark。DGX Spark 虽然受到内存带宽的严重限制，但仍然可以让大语言模型的提示词处理阶段跑得足够快。Mac Studio 最高可以提供 512GB 统一内存。它的内存带宽不算特别高，但比 DGX Spark 好不少。考虑到当前形势，它的价格总体还算相对合理。例如，使用 DwarfStar 时，Mac Studio M3 Ultra 512GB 可以运行 DeepSeek v4 PRO。提示词处理速度大约是每秒 150 个词元，生成速度大约是每秒 10 到 13 个词元。这个速度不算特别好，但对某些使用场景来说已经可用。即使做成 2 位量化版本，DeepSeek v4 PRO 的能力仍然保持得很好，和同样量化后的 Flash 类似。今天我让 PRO 写了一个 C 编译器，之后会发布视频。能用大约 1.2 万美元的总投入，在家里运行一个前沿模型，我不认为这是小事。人们可能会期待情况越来越好，但眼下的前景并不明朗。NVIDIA 方案几乎看不到降价希望。即使是一家小公司，也很难轻松购买和维护一个用于本地推理的小型数据中心。与此同时，内存短缺也让 Mac Studio 出现 M5 Ultra 版本变得不太确定。假如它能有每秒 1.2TB 的内存带宽和更强算力，那本来会很有吸引力。M5 Max 在算力方面已经更快，而且每个图形处理核心里都有神经网络加速器，这对某些模型有帮助。所以，本地推理目前的局面是：最好的机器可能是一台笔记本。M5 Max 128GB 可以运行 2 位量化后的 DeepSeek v4 Flash 和 Mimo V2.5，而且提示词处理速度和生成速度都相当不错。具体来说，提示词处理速度大约是每秒 500 个词元，生成速度大约是每秒 35 到 40 个词元。随着上下文长度增加，性能下降曲线也在可以接受的范围内。根据配置不同，价格大约在 6000 到 7000 美元之间。这目前是性价比很高的选择之一。在这种情况下，对于本地推理项目整体，以及 DwarfStar 这个项目本身来说，研究分布式推理就开始变得有意思了。假如我们有两台、三台、四台 MacBook M5 Max，会怎样？或者有两台配备 512GB 内存的 M3 Ultra，又能做什么？传统上，运行分布式推理主要有两种方式。第一种方式是把模型层分到不同机器上。例如，在计算机 A 上加载一半 Transfo…

转发者评论

无明显转发评论

原文

他把 10 人销售团队换成 20 个 AI，结果发现：AI 最先干掉的不是最强的人，是中间的人。一家公司，原来 10 个人的销售团队，如今换成了 20 个 AI 智能体（也就是能自己干活、不用你盯着的 AI），外加 1.2 个真人盯着。邮件从一个月发 7 千封，涨到 7 万封，而且——AI 写的，还比人写的好那么一点点。干这事的是 Jason Lemkin，SaaS 圈里人称「教父」的老炮。他把整个过程，连同踩过的坑，都摊开来讲了。做销售、带团队、或者单纯想知道自己这份活会不会被 AI 顶掉的人，这篇值得看一看；觉得 AI 离自己还远的，可以划走。起因其实挺狼狈。那阵子，两个年薪十几二十万美元的销售，在公司一年里最忙的大会前，突然撂挑子走了。Lemkin 一赌气，干脆不招人了，整个团队全换成 AI。结果出乎他意料。20 个 AI 智能体，1.2 个人管着，把原来 10 个人的活给干完了。邮件量翻了 10 倍，质量还稳定地好上那么一点。光这一摊，就给一场大会贡献了 15% 的营收。但他也老实交代了哪儿不行。这些 AI，比中等水平的销售是强，可还赶不上他手下最顶尖的那几个。而且所谓的「千人千面」个性化，现在也就用得上一两个、三个数据点；想真正吃透一个客户，成本还高得离谱。说白了，AI 现在能把「广撒网」做到极致，可那种真正「懂你」的精准，还差着火候。把这两头一拼，结论特别扎心——AI 最先干掉的，不是最强的人，恰恰是中间那一层。那些活儿标准、能被复制、谈不上多出彩的中等员工，AI 一上来就把位置占了。而最顶尖的那批人，AI 暂时还学不来——他们身上那点判断力、那点跟客户一年年处出来的信任，复制不了。Lemkin 还点破了一个关键打法：想让 AI 变强，就拿你最好的人去训练它。把顶尖销售的打法、话术喂给 AI，它就慢慢长成你最好销售的一个「复制版」，然后无限地复制、规模化。这事对你我的提醒，其实特别直接。如果你干的活，是那种「标准、可复制、换谁来都差不多」的，那恰恰是 AI 最先盯上的地方。往哪儿躲？无非两条路。一条往上走，去做 AI 暂时还学不来的事——拍板、扛责、跟人建立信任、从 0 到 1 地创造。另一条换个位置，去当那个「训练和指挥 AI」的人，就像那 1.2 个真人，让一个人顶过去十个人。当然，话说回来，一家公司的实验，不等于所有行业都会这样。销售这行本来就特别吃规模化，换个讲手艺、讲深度的行当，结论没准就反过来了。但有个点一定是对的：别让自己长期待在「中间层」。那不是最安全的地方，恰恰是 AI 伸手最早的地方。#马力的AI知识分享##马力在记录AI领域500位大佬的分享#

转发者评论

无明显转发评论

原文

#冷眼赠书福利# 联合 @博文视点Broadview 送出 3 本《TRAE与AI Agent协作实战：多智能体AI编程全栈指南》，截5月27日，转发+评论+点赞 此微博并关注 @网路冷眼 赢取。本书是面向 AI 时代开发者的实战宝典，系统讲解 TRAE 与 AI Agent 多智能体协作开发全流程，从核心原理、安装配置到 CUE、SOLO、MCP、Skills 等关键能力逐一拆解，搭配六大全栈实战项目，手把手带你掌握从需求到部署的 AI 协作开发方法。无论编程新手、资深工程师还是技术架构师，都能快速建立 AI 协作思维，大幅提升研发效率，抢占下一代软件开发先机。

转发者评论

无明显转发评论

原文

amd 【有礼互动】#锐龙 AI，释放AI PC超能力# 一台便携性好，性价比高的笔记本电脑是学习、办公、休闲娱乐的重要装备，2026年，全新推出的AMD 锐龙 AI 400系列的AI PC备受用户关注，其中，于近期开售的惠普HP星Book Pro 14锐龙版，在屏幕素质、AI算力、扩展性、耐用性等方面都表现优秀，是主流价位段中不错的选择。☑ 至高搭载AMD 锐龙 AI 9 HX 475处理器，12核心24线程，最高加速时钟频率可达5.2GHz，NPU最高可达 60 TOPS☑ 2.8K分辨率OLED全感屏，120Hz刷新率，1100nits峰值亮度，100% DCI-P3影视级色域覆盖☑ 32GB 8000MT/s LPDDR5X高频内存+1TB PCIe高速固态硬盘☑ 雾绒全金属机身，雪山初晴/绯云渐染双色可选，机身薄约14.95mm，轻约1.5kg☑ 内置65Whr电池，至高支持100W PD快充疾速快充🔗 入手链接：网页链接🎁 6月1日20:00前关注@AMD中国 并转发本条内容，抽3位A饭送「AMD定制帽子」各一个。

转发者评论

无明显转发评论

原文

Taste Skill 是一套专为 AI Agent 设计的反平庸前端技能库。它通过可移植的 SKILL 规则，帮助 AI 生成更具设计感的界面，避免常见的布局、排版、动效和间距问题。项目提供多套实现技能与图像生成技能，可根据需求单独安装。其中设计技能支持从简报推导设计语言、控制布局方差与动效强度；图像技能则可生成网站与移动端参考图板，方便后续由 Codex、Cursor 或 Claude Code 进行实现。github.com/Leonxlnx/taste-skill#AI# #前端开发# #AI工具# #开源项目#

转发者评论

无明显转发评论

原文

大模型长上下文任务上表现越来越差怎么办？让它睡一觉就好了……卡内基梅隆大学和马里兰大学的一项研究“Language Models Need Sleep”现在的大语言模型越来越常被用于长任务，比如长文推理、多步数学题、长期对话和跨段信息整合。但传统 Transformer 依赖KV cache来保存上下文，内容越长，计算和内存成本越高。文章借用了动物睡眠中的记忆巩固概念：动物在睡眠中会重放和整理白天的记忆。作者认为，语言模型也可以在清空上下文缓存前，花额外计算时间整理刚看过的内容。于是作者设计了一种“模型睡眠”机制：当模型的上下文窗口快满、旧内容即将被清掉时，模型暂停接收新输入，对已经看到的内容进行多次内部处理，把它们压缩进更持久的内部记忆。之后再清空缓存，继续处理后面的内容。模型在回答时仍然只用一次正常预测，不增加回答阶段的延迟。额外计算被放在“睡眠”阶段完成。#AI创造营#

转发者评论

无明显转发评论

原文

最近在打造自己的 LLM-Wiki 知识库。因为所有内容都是本地的 md 文件，没有用向量数据库，所以我一直在琢磨一个问题：怎么在读取、存储、查询、建立连接、生成文章这些环节里，尽可能地省 Token。越研究越发现一个道理，其实答案没那么复杂。要想省 Token，同时还能让整个流程自动化、智能化，核心思路就一句话：用一系列工具调用，加上一次 LLM 调用作为编排层，就够了。什么意思呢？就是能用工具解决的事情，别丢给 LLM。grep 能搜到的东西，就用 grep 去搜。需要一个小功能的时候，让 AI 先帮你 Vibe 一个工具出来，放到流程里让 AI 重复调用。这些操作本身不消耗 Token，它们是确定性的、精确的、免费的。LLM 只需要在最后出场一次，负责理解意图、编排流程、生成最终内容就行了。说白了，省 Token 的关键在于：别让 LLM 干它不该干的活。能用确定性工具完成的步骤，就交给工具。LLM 的角色应该是指挥官，不是搬砖工。你让它去做文本检索、字符串匹配这种事，那就是拿金子当铁锹使，又贵又没必要。#科技先锋官##How I AI#

转发者评论

无明显转发评论

原文

智谱刚出了一个 GLM-5.1-highspeed 版本, 赶紧要了个内测给大家做点有趣的 APP.我测了一下这个模型反应速度用来写代码的话, 人类打字甚至都跟不上它, 于是我干脆接了个语音转文本的服务直接让我言出法随操作它写代码.大家能看到基本是我说完3s左右它就修改完毕了, 这之间发生了语音转文本(第三方服务), 模型判断是否任务可以并发, 模型 prefill, 模型使用 tool call 修改代码段. iframe 重新渲染. 这些全都发生在 3s 这么短的时间内. 直接体验拉满.这个模型直接量变引起了质变, 一些之前不敢想象的交互体验现在都可以做了.所以如果你想使用这个模型构建一些极具竞争力的项目, 不妨去申请试试, 目前这个模型正在向部分企业用户提供中.#HOW I AI##GLM##GLM51highspeed##智谱AI# karminski-牙医的微博视频

转发者评论

无明显转发评论

• [二哈]以后软件可能都不是一次性的了，而是随用随改，言出法随。
• 项目在这里：github.com/karminski/CodeVinci MIT协议老铁们随便用. 我自己觉得做得最出彩的地方是没用复杂的CRDT直接引入大模型判定两个修改任务是否可以并发+后验证. 能把修改效率最大化. 另外还有个画板功能还在搞, 这个同样只要画画就能修改网页.

原文

Stop Slop 是一款专门用于去除 AI 文本中常见“痕迹”的技能文件。它能识别并清理可预测的短语、句式和节奏，让生成的文字读起来更自然、更像人类写作。项目包含核心指令、短语库、结构模式和前后对比示例，支持通过 Claude Code、Projects 或 API 系统提示词快速集成。规则覆盖禁用开头句式、强调用语、被动语态、节奏单一等问题，并提供 1-10 分的多维度打分机制，帮助判断文本是否需要重写。适合需要反复打磨输出的开发者、写作者和内容创作者使用。GitHub：github.com/hardikpandya/stop-slop#AI写作# #内容优化# #Claude#

转发者评论

无明显转发评论

原文

就在今天，Code Arena最新榜单出炉！Qwen3.7-Max以1541分闯入全球前四，一举超越了GPT-5.5、Gemini 3.5 Flash等一众顶尖模型。排在它前面的，只剩Claude Opus 4.7和Opus 4.6。换句话说，在全球编程模型的竞技场上，阿里是唯一杀进这张牌桌的中国厂商，仅次于Anthropic，位列第二。Qwen3.7-Max闯入全球前五唯一非Claude模型其实在Code Arena放榜之前，Qwen3.7-Max在海外开发者圈子里已经杀出了名声。Atomic Chat做了一场硬碰硬的对比，让Opus 4.7、GPT-5.5和Qwen3.7-Max同台竞技，任务是写一个能自我训练的俄罗斯方块AI。结果，Qwen3.7-Max不仅只用$1.32的token成本就把Opus 4.7和GPT-5.5都超越了，而且性能还提升了56%。另一位海外开发者选择让Qwen3.7-Max构建了一个宇宙的3D模型，效果足以用震撼形容。在「3D像素风微缩宝塔模型」的生成任务中，Qwen3.7-Max的输出速度和质量同样全面胜出。开发者Paul Couvert更是盛赞，Qwen3.7-Max接入Hermes Agent和OpenCode之后，基本可以替掉GPT-5.5和Opus 4.7。

转发者评论

无明显转发评论

原文

#微博超有用视频大赛# #马力的AI知识分享# #人工智能# 南昌，被低估的AI城市，藏着未来十年的AI产业布局 马力AI和商业思维的微博视频

转发者评论

无明显转发评论

原文

amd 【有礼互动】#AMD商用# 在半导体、汽车制造、消费品、工业电子及设备等制造业领域，工业 4.0 时代的浪潮已经对产品设计流程提出了更加严苛的要求：不仅需要更加稳定的 CAD/PLM 软件来支撑复杂协同，还需要借助 CAE 仿真工具，并融合各类 AI 能力，以全面提升产品的质量与可靠性。基于 AMD #EPYC#（霄龙）服务器处理器的解决方案可带来：① 卓越的性能：无论是结构仿真，还是流体分析，都可帮助客户高效的处理要求苛刻的工作负载，最终缩短产品研发周期，加快上市进程② 较小的占用空间：助力客户高效应对 ERP、数据库与分析、超融合基础设施及虚拟化等关键企业工作负载，在支撑严苛业务应用的同时降低功耗、优化TCO③ 芯片级别的安全防护：所有 EPYC 处理器均已内置 AMD Infinity Guard，这是一套完整的安全功能，保护客户数据安全到此了解更多：网页链接🎁 6月1日20:00前关注@AMD中国 并转发本条内容，抽3位A饭送「AMD定制帽子」各一个。

转发者评论

无明显转发评论

原文

虽然新 AI 工具出得很快，但是 NotebookLM 还是挺好用的，久不久还是会去用一下，没想到现在也被 CLI 化了🥹。notebooklm-py：把 NotebookLM 变成可编排的研究流水线节点这条微博介绍的是 notebooklm-py：Google NotebookLM 的非官方 Python API、CLI 和 agent skill。它可以用 Python、命令行或 AI agent 操作 NotebookLM，包括创建、列出、重命名、删除 notebook，批量添加 URL、YouTube、PDF、文本、Markdown、Word、EPUB、音视频、图片、Google Drive 等来源。它最有用的部分是把 NotebookLM 的输出从网页界面里拿出来。README 里列出音频概览、视频概览、slide deck、infographic、quiz、flashcards、report、data table、mind map 等生成能力，还支持 MP3、MP4、PDF、PNG、CSV、JSON、Markdown 下载。部分能力是 Web UI 不直接暴露的，比如批量下载、quiz/flashcard 多格式导出、mind map JSON、PPTX slide deck、单页 slide revision、source fulltext access、程序化分享、多账号 profile、浏览器 cookie 导入。它适合接进研究自动化：批量导入材料，自动生成结构化摘要和多模态资料，再导出到 Obsidian、课程、投资 OS 或报告流程。风险也要摆在明处：它是非官方 API，依赖 Google 未公开接口，稳定性和账号风控不能按正式 SDK 期待。💻 代码：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

准备和湛庐合作的线下大师课，提前分享一下“INDIGO 的认知飞轮”这一小节，Claude Code 从 Indigo-Mind 提取知识结构，Codex 验证补充搭建内容架构，然后NotebookLM 生成预览视觉稿，最后再用 GPT-Image-2 精加工修正，比 HTML 的那些 Presentation 表现力好很多，适合大屏幕 Keynote👀提升认知的四步飞轮①输入 → ②内化 → ③输出 → ④验证└─── 反馈回路 + 复利 ────┘① 高质量信息输入（筛选与清洗）• 拒绝快餐信息：不看为流量产生的"数字垃圾"；• 寻找优质信源：Podcast + Newsletter 一线研究员和投资人的深度访谈；• 人机协作筛选：AI 总结摘要 → 必须亲自精读原文（认知建立依赖细节）；② 深度内化与抽象（压缩）• 把信息压缩成解释、模型、类比和判断标准；• 连接孤岛：新知识点 + 旧知识体系 → 形成独特见解和直觉；③ 强制性输出（费曼学习法）• 输出才是最好的学习：通过写博客 / 直播 / 推特，逼迫自己整理思路；• 能把复杂概念讲清楚 + 逻辑连贯 = 真正学会；• Short Sharing + Long Sharing 是飞轮转动的关键；④ 认知验证与反哺（闭环）• 投资即验证：将研究成果应用于市场，反馈信号最强；• 社群杠杆：通过输出建立影响力 → 社群反馈和线索反哺；• 财富换时间：通过认知赚到的钱实现"时间自由" → 投入更多时间到下一轮学习；输出不是表达欲，输出是认知系统的反向传播。你消费的信息质量，就是你思考的上限；你验证的速度，决定认知复利的速度🤔

转发者评论

无明显转发评论

原文

转：2026年5月26日周二读报！一切美好从❤️开始：1、5月25日，人力资源社会保障部等5部门对外发布《超龄劳动者基本权益保障暂行规定》，自7月1日起施行。这是我国首部明确超龄劳动者权益的专门规章，填补了我国现行劳动法律制度的短板，明确了用人单位与超龄劳动者的权利和义务，保障超龄劳动者的劳动报酬、休息休假、劳动安全卫生、工伤保障等合法权益。(新华社)2、《深圳市生活垃圾分类管理条例(修正草案征求意见稿)》正式对外公布，即日起至6月23日公开征求社会各界意见。新规取消了生活垃圾“定时定点”投放的硬性要求，对个人“乱扔垃圾”行为则重拳出击，最高将处罚1000元。(央视)3、从重庆永川防汛救援现场指挥部获悉，截至25日15时30分，重庆永川特大暴雨已致9人死亡、11人失联。永川区已紧急避险转移2270人，当前抢险救灾工作仍在继续。(5月23日夜间至24日凌晨，重庆市永川区突发瞬时极端特大暴雨引发山洪和地质灾害，导致辖区茶山竹海街道、中山路街道、双石镇等多地出现散点式灾情。)(新华社)4、上海文旅局印发《上海市加快推进人工智能赋能微短剧高质量发展的若干措施》，推动人工智能赋能微短剧产业提质发展。其中提出，筹建市级 “AI+微短剧”中试基地，多方合力共建运营，以AI贯通内容生产传播全流程，打造可复用行业范本。同时鼓励场景应用创新，搭建相关技能库与智能体，优质自研智能体项目，可按研发投入最高20%比例申领补贴，单笔补助上限1000万元。(综合新浪等)5、安徽印发《安徽省政府投资基金管理办法》。基金分为两大类别：①产业投资类：助力打造本土特色现代产业体系，赋能传统产业升级、新兴产业壮大、未来产业布局，培育具备国际竞争力的先进制造产业集群。②创业投资类：聚焦培育新质生产力，深耕科技创新领域，侧重投资初创、小微企业，长期布局硬核科技项目，稳步提升区域创新实力。(综合财联社等)6、5月25日，华为在国际电路与系统研讨会上正式发布“韬(τ)定律”并官宣秋季面世的麒麟2026芯片，标志着华为芯片研发彻底跳出单纯依赖物理制程微缩的传统路径，转向以架构创新与信号时延优化为核心的全新赛道。随着晶体管尺寸逼近3nm以下，量子隧穿效应与漏电问题使传统“几何缩微”面临物理极限与成本暴涨的双重挤压。华为提出的“韬(τ)定律”将优化重心从“缩小晶体管尺寸”切换为“系统性降低信号传播的时间常数(τ)”。(综合新华社、新浪等)7、近日，欧盟委员会发布《工业加速器法案》立法提案，对包括电池、电动汽车在内的四大行业设置外商投资限制性条款，包括外资持股不超过49%、强制技术转让、本地员工比例不低于50%等多项苛刻条件，并在公共采购中明确提出排他性“欧盟原产”优先的要求。(5月22日，中国汽车工业协会发布声明称，这些条款明显是要对中国汽车产业进行不合理限制打压，是典型的制度性歧视，严重干扰正常中欧产业合作…

转发者评论

无明显转发评论

原文

【挪威自建主权大模型：AI时代，别让本土文化失去解释权】快速阅读：挪威国家图书馆正利用其庞大的数字资产，试图打造一个“主权级”的大语言模型，以防止本国文化在英语霸权中被稀释。这不仅是技术竞赛，更是一场关于文化记忆的防御战。如果一个国家拥有自己的语言，却在 AI 时代没有属于自己的模型，那意味着它正在失去对自身历史和文化的解释权。挪威国家图书馆正在做一件看起来挺“笨”的事：他们不满足于直接调用那些强大的、以英语为核心的通用模型，而是打算从头开始，用 60 PB 的原始数据，通过 2 PB 的高速闪存流水线，去喂养一个真正懂挪威语、懂挪威历史的“主权模型”。有网友觉得这有点大炮打蚊子，毕竟挪威的算力规模在顶级实验室面前显得很寒碜。但换个角度看，这更像是在建设“数字基础设施”。就像大学会发射自己的卫星一样，这不仅仅是为了追求性能指标，更是为了培养一种“制度化学习”的能力。这种争论很有意思。有人认为，既然英语和挪威语在语系上很接近，通过微调（LoRA）就能搞定，没必要浪费钱去训练底座。但事实是，通用模型虽然能翻译，却往往缺乏对特定文化语境的深度感知。它们能模仿挪威语的语法，却可能在处理一百年前的文学作品或地方方言时，表现得像个带着异国口音的游客。挪威图书馆的优势在于“版权护城河”。他们拥有合法的数字资产，包括报纸、书籍和广播内容，这些高质量、受版权保护的数据是那些靠爬虫在互联网上“捡垃圾”的通用模型无法触及的。这其实是所有非英语国家都要面对的命题：AI 需要的是守护者，而不只是开发者。当模型开始定义什么是“常识”时，如果这些常识全来自硅谷，那小语种文化的独特性可能就在无声中被抹平了。这事儿最后能成吗？是一个关于文化主权的技术实验。blogsandfiles.com/flash/2026/05/22/norways-2-petabytes-of-huawei-flash-storage-and-llm-training/5244910

转发者评论

无明显转发评论

原文

实用开源小工具推荐：pdf-inspector解决的是一个很实际的问题：并不是所有 PDF 都需要 OCR。比方说你扔给它一个 PDF，它先判断这个 PDF 到底是什么类型——是正常的文字版（比如用 Word 导出的）、还是扫描版（图片），然后决定怎么处理。如果是文字版，直接本地提取，几百毫秒搞定；如果是扫描版，再走 OCR 服务。这样就避免了把每一个 PDF 都送去做 OCR，省钱省时间。很适合文档智能、知识库构建、RAG 数据预处理等情景。链接：github.com/firecrawl/pdf-inspector#科技先锋官# #ai创造营#

转发者评论

无明显转发评论

原文

上周跟一个在做出海AI产品的朋友吃饭，他跟我聊起来一件事。他们前段时间在做一个面向东南亚市场的AI工具，核心功能是实时生成商品图，类似于电商试衣间那种。产品很不错，新加坡和雅加达的早期用户反馈都挺好。但最近他们遇到了一个问题，日均调用量上来之后，每个月云账单里出站流量费比他们预期的贵了整整两倍多。查了一下原因，是因为他们的推理节点在美国东部，每次东南亚用户发起请求，数据要从美国东部的服务器绕半个地球回来。他来问我，有没有什么办法把这块成本压下来？但在我看来，这个问题确实应该提早一点发现的。1我观察过一段时间，大多数AI创业团队在选算力方案的时候，总是觉得反正先跑起来，用大家都熟悉的那套。当然这个思路早期做产品当然没什么问题，快速完成市场验证，是完全合理的。但当产品已经成型，用户量也比较大的时候，会发现迁移成本非常高。而且团队也没有精力重新做一遍选型，于是就延用最初的方案。一张H100，算上GCP或者AWS的计算费、出站流量费、存储费，每个月实际支出往往比单纯看卡的报价高出40%到60%。我朋友那个情况不是个例，因为我认识的好几个做出海AI产品的团队，都是在产品比较成熟的阶段遇上了这个问题。2我最近刚好看到Akamai做了一个推理算力的方案，说起来跟这件事有点关系，我研究了一下。因为我一开始对这个品牌的印象还停留在CDN和安全，没想到它在AI这块已经走到这一步了。聊这个话题之前，我们要先聊一个前置问题，就是为什么AI推理跟训练不一样，它对节点位置的要求要高得多？训练可以是一次性的事情，你把集群拉起来，跑几周，结果出来就关掉。训练节点在哪里，对用户来说感知不到。但推理是每一次用户交互都在发生的事情，用户每发起一个请求，模型要给出一个响应，这个来回的时间，会直接影响用户的使用感受。如果推理节点在美国东部，而你的用户在雅加达，物理上的网络延迟是无法压缩的，光速就是上限。Akamai CEO Tom Leighton说过一句话：AI的下一波浪潮，需要的是和互联网当年一样的东西——计算离用户足够近。这个逻辑，其实和当年CDN要把内容推到离用户最近的边缘节点，是完全一样的道理。只不过现在推的不是静态资源，而是AI的决策过程本身。所以Akamai现在做的事，是把做了二十多年的那套边缘分发逻辑，重新用在了AI推理这件事上。他们在今年推出Akamai AI 推理云平台，将NVIDIA RTX PRO 6000 GPU分布至全球 19 个数据中心节点，覆盖新加坡、东京、雅加达、孟买、法兰克福、洛杉矶等，AI推理就跑在离用户最近的城市。3我朋友听完这个之后问我，那这张卡性能够用吗？毕竟大家都说H100才是业界标准。H100是业界标杆，当然没问题。它的设计重心就是在训练，而且是数据中心级别的训练卡，支持NVLink互联、跑千亿参数级别的分布式训练，所以它在这件事上是无可争议的。但如…

转发者评论

//@卡尔的AI沃茨aiwarts101:转发微博

• //@卡尔的AI沃茨aiwarts101:转发微博

原文

Ziming Mao 和 UCCL 团队提出了 mKernel：一组面向多 GPU、多节点场景的 fused kernels。该技术提出的原因是大模型训练和推理需要让很多张 GPU 在不同机器之间高效交换数据。但随着 GPU 越来越快，CPU 在中间调度通信和计算，反而会让 GPU 等待。mKernel 的思路是把原本分开的计算和通信放到同一个 GPU kernel 里完成，让 GPU 自己更细地安排什么时候传数据、什么时候计算。这样在多机多卡环境下，GPU 可以少等一点，多做一点。详细：uccl-project.github.io/posts/mkernel/#AI创造营#

转发者评论

无明显转发评论

原文

开源项目 Knowledge Work Plugins 现已上线，专为 Claude Cowork 打造的一套角色插件集。它让 Claude 快速成为产品、销售、客服、财务、数据等多个岗位的专属助手，内置技能、指令和工具连接器，帮助用户完成从任务管理到合同审核的各类专业工作。项目已在 GitHub 开源，提供 11 款开箱即用的插件，支持通过简单配置接入 Slack、Notion、HubSpot 等常用工具。所有内容均为 Markdown 与 JSON 文件，无需代码即可本地定制，适合个人和团队按需扩展。无论你是希望减少重复沟通，还是想把公司流程固化到 AI 工作流中，都能在这里找到起点。GitHub：github.com/anthropics/knowledge-work-plugins#开源项目# #Claude# #AI工具#

转发者评论

无明显转发评论

原文

Understand Anything地址：github.com/Lum1104/Understand-Anything/将任意代码库、知识库或文档转化为可探索、可搜索、可对话的交互式知识图谱支持 Claude Code、Codex、Cursor、Copilot、Gemini CLI 等多平台。Understand Anything 是一个 Claude Code Plugin，通过多智能体（multi-agent）架构分析你的项目，构建包含文件、函数、类以及依赖关系的知识图谱，并提供一个可视化交互界面，帮助你理解整个系统。不再”盲读代码”，而是从全局视角理解系统结构。#AI创造营#

转发者评论

想法似乎不错哦[good]

• 想法似乎不错哦[good]

原文

#国产AI自己造了AI# 造AI这件事，现在的主角变成了AI。因为就在刚刚，一个国产AI先自己写出了一套大模型预训练框架，然后再用这套预训练框架，训练出了一个新的小尺寸模型！【图1】这就是面壁智能搞出来的big news。这套由AI写出来的预训练框架叫做ForgeTrain，它是全球首个完全由AI编写的生产级大模型预训练框架，性能甚至超越了英伟达的Megatron。并且ForgeTrain在华为昇腾上预训练MiniCPM5-1B，相比昇腾的框架也有10%的加速。围绕它，面壁智能还提出了一套新的软件编程范式，叫Forge Engineering。更直白一点说，就是当AI写代码的成本越来越低，未来软件不一定非要做成一套通用大框架，也可以针对不同模型、不同硬件、不同任务，现场锻造一套专用代码。而被ForgeTrain训练出来的新模型，就是MiniCPM5-1B。至于三者的关系，我们用一张图来解释：【图2】。虽然过去行业里关于“AI制造AI”的声音不断，但总归来说，都还停留在特定的环节，比如写一段函数、改一个脚本、调一组参数等等。不过这一次，中国大模型公司第一次把“AI制造AI”从概念，推进到了可展示、可评测、可复现的工程样本。网页链接

转发者评论

无明显转发评论

原文

网友来信：“梁博，ai时代传统程序员的出路是啥呀。三年大厂经验，大家都不手写代码了，迭代速度巨快，明显感觉人浮于事。转Ai开发感觉不过是延迟死期，不是根本性策略。”现在写代码门槛确实太低了，品味和创意，想法变得越来越重要，实现技巧交给AI即可，我最近也在补课，claude招了很多哲学系，文科生，这可能是一个趋势，品味太重要了。

转发者评论

无明显转发评论

• [doge]//@马少平THU:招哲学家这事，很可能就像当年谷歌招语言学家一样的结果。[嘻嘻]
• 招哲学家这事，很可能就像当年谷歌招语言学家一样的结果。[嘻嘻]

原文

今天早上看到一篇文章，说已经有做 AI 中转站的人进去蹲监狱了。里面有一个帖子，挺有意思，发帖的人说自己网站关停是因为被查了。当然也有人猜测，说被查可能只是个幌子，实际上就是为了方便跑路。不管真相是哪种，这件事本身已经说明了问题。AI 中转站这个东西，说白了就是灰产，肯定不符合规定。这也是为什么之前有不少做中转站的人来找我打广告，我一个都没接。原因很简单，我觉得这个事情跑路风险太高了，我不想让关注我的人去踩这个坑。跑路风险主要在三个方面。第一，做中转站的人很容易被国外的大模型厂商封杀。你想想，人家官方本来就不允许你这么干，一旦被发现，直接封号封 API，用户买了会员也用不了，钱就打水漂了。第二，因为本身就是灰色产业链，随时可能被查。一旦被查，网站直接关停，用户充的钱、买的服务，全都没了。你找谁说理去？第三，做这类东西的人，本身就有很强的跑路动机。反正用户也找不到他，钱到手了，说关就关，说跑就跑。所以我一直不推荐大家去用 AI 中转站。看起来便宜方便，但你承担的风险远比你省下的那点钱要大得多。能走正规渠道的，还是走正规渠道吧。#科技先锋官#

转发者评论

无明显转发评论

原文

# 半导体新路径探索与实践（何庭波 ISCAS 2026 主旨演讲全文）（2026 年 5 月 25 日，上海・国际电路与系统研讨会 ISCAS 2026）尊敬的各位专家、各位同仁：大家好！非常荣幸在 ISCAS 2026 这一国际顶级电路与系统盛会，与全球业界精英共同探讨半导体产业的未来方向。今天，我想围绕 “后摩尔时代的半导体新路径”，分享华为六年探索的思考、实践与展望，并正式提出指导产业持续演进的新原则 ——韬（τ）定律。## 一、摩尔定律的极限：产业面临双重困局过去六十余年，半导体产业始终沿着摩尔定律的轨迹高速发展：通过几何缩微（持续缩小晶体管物理尺寸），每 18-24 个月单位面积晶体管数量翻番，性能提升、成本下降。从微米到纳米，从 7nm、5nm 到 3nm，几何缩微驱动了全球数字经济的爆发式增长。但今天，这条路径已走到物理极限与经济极限的十字路口，难以为继：物理极限触顶：制程进入 1-2 纳米尺度，晶体管接近原子量级，量子隧穿效应导致电子失控漏电，发热呈指数级上升，传统 “开关” 功能失效；材料缺陷、互连延迟、功耗密度等问题彻底颠覆原有设计逻辑。经济极限崩塌：3nm 制程设计成本超 10 亿美元，单次流片费用超 5 亿美元；2nm 及以下工艺的研发与制造成本呈指数级攀升，投入产出比严重失衡，仅少数企业能承担，产业创新活力被抑制。需求与供给严重错配：AI、云计算、自动驾驶、物联网等新兴领域对算力、能效、带宽的需求呈指数级增长，而几何缩微放缓导致性能提升幅度大幅收窄，“性能饥渴” 与 “工艺瓶颈” 的矛盾日益尖锐。全球半导体产业正站在历史转折点：修补摩尔定律无济于事，延续几何缩微是死胡同，我们必须跳出固有思维，探索一条全新、可持续、可规模化的演进路径。## 二、韬（τ）定律：以 “时间缩微” 替代 “几何缩微”基于六年技术攻坚与产业实践，华为正式提出韬（τ）定律——以 “时间缩微” 替代 “几何缩微”，以系统性降低时间常数 τ 为核心目标，通过逻辑折叠、全栈协同、系统重构等创新技术，持续压缩信号传播时延，实现晶体管密度、性能、能效的同步跃升，构建后摩尔时代半导体与电子系统的全新演进体系。### （一）核心内涵：从 “缩尺寸” 到 “缩时间”摩尔定律：核心是几何缩微（缩小晶体管尺寸、减小面积），追求 “空间密度”；韬定律：核心是时间缩微（降低信号传播时延、减小时间常数 τ），追求 “时间效率”。时间常数 τ（τ=RC，R 为电阻、C 为电容）是决定电路响应速度、信号延迟、功耗的核心物理量。韬定律的本质，是贯穿器件、电路、芯片、系统全层级，系统性降低 τ 值，让信号跑得更快、电路响应更短、系统能效更高，最终在不依赖极致几何缩微的前提下，实现性能与密度的持续演进。### （二）多层级协同优化体系：四大核心维度韬定律不是单一技术，而是覆盖器件、电路、芯片…

转发者评论

无明显转发评论

• 还不如问查菩提，查菩提绝对是货真价实的半导体专家。。。[doge]//@pinxue:谁给科普一下，跟TSMC 3DFarbic平台的SoIC、Intel Foveros Direct、NVidia Logic-on-Logic有啥不同？//@时蝇喜箭:转发微博
• 是的，已经验证了。//@郑昀:划重点：自 2020 年起，华为基于韬定律核心思想，开启全栈技术研发与产品落地，六年累计设计并量产 381 款芯片，覆盖智能手机、AI 计算、服务器、物联网、汽车电子等千行百业，实现规模化商用验证。六年了。

原文

Box 的 CEO Aaron Levie 发推文说： CEO 特别容易对 AI 产生幻觉，因为他们离实际工作的最后一公里太远了。他说，当 CEO 玩 AI 的时候，看到的都是理想路径的结果，往往没考虑到要让 Agent 产生可持续结果还需要做的 10 到 20 件事。比如，"看，我做了一个超棒的产品原型。" 是的，但你不用在代码上生产之前审查它，也不用修一堆问题。再比如，"看，我生成了一份合同。" 是的，但你不用在发给对方之前验证所有条款，也不用把过去所有合同都接进来让它能用。这个观察挺犀利的。CEO 的位置决定了他们看到的是 AI 的魔法时刻，但看不到魔法背后的脏活累活。就像你看魔术师变出一只兔子，觉得太酷了，但你没看到他为了这个效果练了多少遍，准备了多少道具，设计了多少备用方案。Aaron 给 CEO 的建议是：作为 CEO，你能做的最好的事就是大量使用 AI，真正搞清楚企业级 Agent 的实际影响，然后从另一端走出来，既理解好处，也理解真正需要投入的工作。这个建议其实适用于所有人。如果你想真正理解一个工具或技术，不能只停留在 demo 阶段。你得真的用它做点什么，遇到坑，解决问题，看到它在真实场景里的样子。只有这样，你才能对它的能力和局限有准确的判断。很多人高估了 AI 在复杂任务上的能力，却低估了它在看似简单但需要大量上下文和判断的任务上的局限。#How I AI##科技先锋官#

转发者评论

无明显转发评论

原文

关于华为 τ定律最通俗的解释第一段：芯片行业过去 60 年在干嘛想象你在盖一栋大楼，里面要塞越多越好的房间。最直接的办法是什么？把砖头做小。砖头越小，同样面积能塞的房间就越多——这就是过去 60 年整个芯片行业在做的事。砖头叫''晶体管''，做小砖头这件事叫''摩尔定律''。每两年砖头小一半，房间多一倍，电费还更省。所有人都开心，英特尔、台积电、三星，都靠这个吃饭。第二段：问题来了，砖头小不下去了但是砖头不能无限小。现在的砖头已经只有几个原子那么厚了，再小就要打架了——电子会乱跑、会漏电、会撞墙。更糟的是：砖头做得更小，反而更贵。以前砖头小一倍，盖房子还便宜了；现在砖头小一倍，光是做砖头的机器（叫 EUV 光刻机）就一台 2 亿美元，一颗芯片设计费超过 10 亿美元，平均每块砖的成本不降反升。这就是为什么大家都说''摩尔定律死了''。第三段：华为这位包工头说了句''你们想错了''华为这位包工头何庭波站出来说：你们都在死磕''砖头大小''，但盖房子真正在乎的不是砖头多小，是住进去的人多快能从厨房走到卧室。她把这个新思路叫 τ 缩放。τ 是希腊字母，读''陶''，意思就是''时间''。翻译成人话：别再纠结物体多小了，开始关心信号跑多快。这一刀切下去就很妙——因为''时间''这东西，从一颗晶体管开关（万亿分之一秒），到整个数据中心跑一个 AI 任务（百万分之一秒），全都能用同一把尺子量。一把尺子量到底。那她具体怎么做？四个招数。招数一：LogicFolding —— 不再摊大饼，开始盖楼砖头不能再小了，那就往上堆啊！以前的芯片是一层平铺的，像个老北京四合院。LogicFolding 直接给你盖成上海陆家嘴——把逻辑电路、存储、模拟电路分到不同楼层，垂直叠起来。这一招用在麒麟 2026 上，同样面积塞进 55% 更多的晶体管（密度从 155 涨到 238 MTr/mm²），还更省电 41%。注意，砖头没变小，工艺没换代，纯靠''会盖楼''赚到的。这相当于在土地不够的城市，告诉大家：你们别再为地皮打架了，往上盖二十层就行了。招数二：Unified Bus —— 把高速公路全部统一现在的数据中心里，数据从一个芯片跑到另一个芯片要换好几次''车''：在主板上跑用 PCIe（一种协议）在 GPU 之间用 NVLink（另一种协议）在机箱之间用 Ethernet（再一种协议）跨机房用 InfiniBand（又一种协议）就像你从北京去上海，要先骑自行车、再换公交、再换地铁、再换高铁、再换出租车，每换一次都要排队办手续、买票、安检。80% 的能源都浪费在''换车''上了，真正''赶路''的时间反而很少。Unified Bus 一刀切——全部统一成一条超级高速公路，从你家门口直达上海。数据不用换车、不用握手、不用排队，跑得飞快。实测下来，跨机箱传数据的延迟从几十微秒降到 100…

转发者评论

批判性阅读//@时蝇喜箭:厉害了

• 批判性阅读//@时蝇喜箭:厉害了

原文

Agent 应用和传统 App + AI 的最大差别，在于执行的主体不同。传统 App + AI，是人“操作” App，AI 只是辅助Agent 应用，是人“指挥” Agent 去操作 App/cli，Agent 自助做事举例来说，微软家的 Copilot （早年版本）集成在 PowerPoint 中，你能问它个话，基于文档回答点问题，你让它帮你操作 PowerPoint 它做不到现在的 Codex，你告诉它写一个 Slides，或者上传一个 PPTx 文件，让它帮你修改一下，你全程不用自己操作 PowerPoint。这就是差别。

转发者评论

无明显转发评论

原文

在和 AI 吵架的过程中我发现了一个痛苦的事实：一旦它做错了事，你开始骂它，那它在接下来的对话里就会以更高的频率犯错和出现幻觉，越做越乱。用人类的话说就是心态崩了。（Anthropic 有过一个research来衡量AI的绝望程度，发现和人类一样，AI在绝望的时候未必会在字里行间透露出来，但是如果检测它的内部状态的话，能看出来它真的变得越来越绝望。）这时候唯一正确的做法是认赔杀出，不要继续这个对话（当然更不要结束前还毫无意义地骂它一顿），而是果断新开对话 session。当然这对人的情绪控制能力要求还蛮高的……

转发者评论

无明显转发评论

原文

用AI整理一下Andrew Huberman 对于如何调节皮质醇的视频。尤其对于运动量大，或者每天接受信息刺激较多导致敏感的人，容易皮质醇高，导致睡得不深，早上过早醒来，可能会有点帮助。以下为Gemini整理： 这个来自 Andrew Huberman 教授的视频名为《How to Control Your Cortisol & Overcome Burnout》（如何控制皮质醇并克服职业倦怠） [00:17]。他在视频中详细讲解了皮质醇（Cortisol）的生物学机制，并给出了大量基于科学的实用工具，帮助大家调整身体节奏、提升精力并克服职场或生活中的倦怠状态。以下是为您整理的视频核心内容摘要：一、 重新认识皮质醇（Cortisol）不仅是“压力激素”：人们常把皮质醇等同于压力，但它的核心功能其实是为身体调度和分配能量（主要是向大脑和组织输送血糖、葡萄糖） [01:43, 03:19]。健康的黄金律动（24小时昼夜节律）：早上醒来后不久：皮质醇应该达到最高峰（称为皮质醇觉醒反应 CAR），这能让我们感到清醒、有专注力和动力 [02:11, 17:25]。入睡前及刚入睡的最初几个小时：皮质醇应该处于最低谷，从而让身体放松并分泌褪黑素进入深度睡眠 [02:11, 12:15]。负反馈调节机制：身体有一套“ HPA 轴”（下丘脑-垂体-肾上腺轴） [25:05]。当早上皮质醇达到顶峰时，系统会触发负反馈，让皮质醇在午后逐渐平缓下降 [23:10, 36:16]。二、 晨间工具箱：如何拉高清晨皮质醇（提升全天精力）要想全天精力充沛且晚上睡得好，必须在醒来的第一个小时内尽量放大皮质醇的自然峰值 [15:30, 36:16]。接受强光照射（最核心的基础）：醒来 30-60 分钟内，到室外看阳光（即使是阴天也很重要）5-10 分钟。如果没有阳光，可使用 10,000 勒克斯（Lux）的人造常规人造光。这能让清晨皮质醇激增多达 50% [34:21, 40:06]。充分补水：刚起床时身体处于轻度脱水状态。饮用 16-32 盎司（约 500-1000 毫升）含电解质的水，能通过激活肾上腺温和地提升清醒度 [42:15, 42:57]。巧用咖啡因：如果习惯每天喝咖啡，它不会大幅飙升皮质醇，但会延长皮质醇的半衰期 [44:04, 45:14]。建议：将咖啡因推迟到醒后 60-90 分钟摄入，这样可以使皮质醇的下降斜率更平缓，有效避免下午产生的“能量崩溃（Mid-day Crash）” [47:05, 48:07]。规律运动：每天在相对固定的时间段（2-3 小时窗口内）进行中高强度运动。身体会产生 Pavlov 式的条件反射，在运动前一小时自动预测性地提高皮质醇和精力 [54:36, 56:03]。特定食物：西柚/葡萄柚：含有能够抑制皮质醇分解酶（CYP3A4）的成分，上午吃一个…

转发者评论

无明显转发评论

• 感觉因人而异，我每天睡前喝咖啡（直播），对睡眠没任何影响

原文

#华为半导体领域新突破#华为发表半导体“韬定律”，应该就是三维堆叠和电路设计技术引领联合优化，降低信号延迟，从设计上减少对芯片制程的依赖报道说，该定律的核心是以“时间缩微”替代传统的“几何缩微”，这听上去还是迷糊。几何缩微，应该是传统摩尔定律依赖的芯片制程不断缩小，是几何的。报道后面补充说，目标是系统性降低时间常数（韬τ）；手段是通过逻辑折叠等创新技术，持续压缩信号传播时延；结果是，不断提升晶体管密度，实现半导体与电子系统的持续演进；体系层面上，构建了贯穿器件、电路、芯片到系统层面的多层级协同优化体系。还是需要进一步解释。“不断提升晶体管密度，实现半导体与电子系统的持续演进”，听上去似乎是“几何缩微”。但关键的来了，它不是通过“把晶体管做小”实现的，而是通过“三维堆叠”、“逻辑折叠”，把更多晶体管摞起来。几何缩微，芯片制程从7nm减至5nm，再到3nm，物理上真有变小（变小了一些，但不是7-5-3的幅度）。 而三维堆叠逻辑折叠保持7nm（或中国能实现的6nm、5nm），不用更小，在此基础上增加晶体管密度。例如用韬定律路径升级芯片，晶体管还是7nm，不缩小。但通过TSV（硅通孔）技术把3层芯片垂直堆叠，每层100亿个，同样1平方厘米，等效300亿个晶体管。密度确实提升了，但没有任何一个晶体管被画得更小。实现方式是靠三维架构创新，不是靠制程提升。这里还有一个难懂的“逻辑折叠”（Logic Folding），持续压缩信号传播时延。这是说数字芯片里，所有计算都是逻辑门一级一级串起来完成的，一个矩阵运算可能就需要几十级逻辑门串联。传统布局方式像摊煎饼式，所有逻辑门平铺在硅片二维平面上信号从第1级到第2级，一路跑到第N级。路径越长，电子跑完这段路的时间，也即“传播时延”就越大。传统办法缩短时延，只能靠制程缩小，把晶体管做得更小、排得更密，让这条路在二维平面上变短。华为设计的芯片顺着这条路再走下去，代价太大不可行。逻辑折叠的思路是，不改变晶体管大小，但是改变排列方式。逻辑级分布在多层硅片的多层金属互连中，信号经TSV硅通孔、高层金属跳线走垂直短距。在传统方案中，第N级与第N+1级可能相距几百微米；通过垂直互连，距离压缩到几微米甚至更小。这和三维堆叠不同，要从芯片设计层面就大改。如矩阵乘法，三维电路逻辑设计就不一样了，优化思维打开了。三维堆叠是物理层面的技术，先进封装。逻辑折叠设计层面改电路架构，在单颗芯片内部，重新设计逻辑门的空间排布方式，把原本水平串联的逻辑级，通过三维布局或高密度互连，在垂直方向上“折叠”排布，也有单层内部的空间布局改进，缩短信号传播路径。可以只用三维堆叠，不用逻辑折叠。如把一颗7nm CPU和一颗7nm GPU垂直叠在一起，CPU内部还是传统平铺设计，GPU内部也是传统设计，这会有改进，省了PCB板面积，带宽提升。也可以只用逻辑折叠，不用三维堆叠，…

转发者评论

要把“如果”去掉，因为华为已经采用这种方法量产了381款芯片，这就能解释为啥mate60Pro能生产出来了，一直是个谜。//@中科大胡不归:就是这个意思，正如DeepSeek的算法创新让英伟达芯片的重要性降低了，不能完全代替，但可以在很大程度上达到相似的甚至更好的效果//@用户7949043447:如果华为这个思路行

• 要把“如果”去掉，因为华为已经采用这种方法量产了381款芯片，这就能解释为啥mate60Pro能生产出来了，一直是个谜。//@中科大胡不归:就是这个意思，正如DeepSeek的算法创新让英伟达芯片的重要性降低了，不能完全代替，但可以在很大程度上达到相似的甚至更好的效果//@用户7949043447:如果华为这个思路行

原文

1600万人注册了一人公司，九成已经退场。不是因为AI不够强。恰恰相反——AI太强了，强到所有人做出的东西一模一样。深圳OPC圈子一年留存率不到10%。SoloNest 2500个样本，跑通闭环的只有20%。52%的人说"找不到客户"，30%月订单不到5单。创业死掉，不是因为做不出东西。 是因为做出来了，没人买。AI一天能出100张图、50篇文案。但它造不出客户。中关村的数据更直白：78%缺合规经验，65%没有系统获客能力。失败类型也很清晰——45%钱烧光了没等到客户，30%困在同质化里出不来。活下来的人做对了一件事：不是AI用得更好，是客户找得更准。赛道切到对手看不上的角落，对用户的理解比对手深半米。做出东西的门槛归零了。卖出去的门槛没变。#AI时代创业难在哪#

转发者评论

无明显转发评论

原文

【阿里 Qwen3.7-Max编程力登顶国产第一 全球仅次 Claude】5月26日凌晨，全球权威三方编程榜单Code Arena放榜，阿里最新旗舰模型Qwen3.7-Max得分1541，超越GPT-5.5、Gemini-3.5-Flash、GLM-5.1、Kimi-K2.6等一众模型，仅次于Claude系列，在大模型厂商中排名全球第二。

转发者评论

无明显转发评论

原文

[LG]《Convex Optimization for Alignment and Preference Learning on a Single GPU》M Feng, M Pilanci [Stanford University] (2026) 在偏好对齐领域，DPO虽比RLHF简单，却仍吃显存、依赖参考模型和调参。根因是把排序学习塞进非凸训练，稳定性靠经验配方维持。本文的核心洞见是：把偏好对齐重新看作凸分类问题。由此，在冻结LLM特征上训练凸神经网络头，用ADMM求解，去掉参考模型。这项工作留下的遗产是把单卡对齐变成可收敛的优化流程。它打开的新门是低资源、本地化偏好微调；尚未跨过的门槛是冻结底座难学深层语义偏移。arxiv.org/abs/2605.23244 #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

#硅谷101# “再早一点，我们就是世界最好的模型”| 专访Gemini前核心科学家Andrew DaiGoogle比 OpenAI更早做出MoE，大模型训练甚至一度领先GPT-4。Gemini前核心科学家Andrew Dai告诉我们，真正拖慢Gemini的，不是技术，而是谷歌内部复杂的官僚体系。PaLM 2明明提前训练完成，却为了等Google I/O错过最佳发布时间。等GPT-4发布后，整个行业叙事已经变了。这是我们专访Andrew Dai的精华节选，感兴趣的话，欢迎去我们的👉长视频平台观看完整内容。#AI##Gemini##ChatGPT##谷歌##OpenAI##大模型##视频播客开麦计划# 陈茜inTheValley的微博视频

转发者评论

无明显转发评论

原文

中文去 AI 味写作指南地址：github.com/ninehills/public-skills/blob/main/deslop-zh/SKILL.md“去除中文写作中的 AI 腔调，让文本像人写的而非模型生成的。覆盖博客、技术文档、推文、发行说明、科学论文等场景。触发词：去 AI 味、改写、润色、审稿、翻译腔重、像人写的、自然一点。”也有配套英文写作的#AI创造营#

转发者评论

这条竟然上热搜了[哆啦A梦吃惊] http://t.cn/AX6p7hNz

• 这条竟然上热搜了[哆啦A梦吃惊] http://t.cn/AX6p7hNz

原文

[LG]《Infra-Bayesian Reinforcement Learning Agents Outperform Classical RL For Worst-Case Robustness》M Aryal, F Azam, A Banerjee, S S M Jayanthi… [Purdue University & CMU & WorldQuant University] (2026) 在强化学习领域，固定环境假设难覆盖会预判智能体的世界。贝叶斯RL受困于可实现性假设，一旦模型类漏掉真实环境，后验会自信地错。本文的核心洞见是：把不确定性重新分成概率不确定与Knightian不确定。由此，用下期望评估最坏可 admissible 环境，让策略优化转向保底收益。这项工作留下的遗产是把infra-Bayesian理论做成可运行RL原型。它打开的新门是面向错设与策略依赖环境的鲁棒智能体；门槛是仍限于有限、无状态、小假设空间。arxiv.org/abs/2605.23146 #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

学英语最重要的不是材料对不对、方法好不好，是你有没有开始或持续在学。哪怕只是最简单的方法，或者多邻国打个卡，只要没暂停，就是在努力往前走。手边有什么顺手的就先学起来。计划可以边执行边调整，但人得先动起来。我自己也是这样过来的。一开始想找最好的方法、最对的材料，后来发现这些都不重要。重要的是每天都在接触英语，哪怕只有十分钟。推荐你用 SentiaRead，有内置初级的书籍帮助你快速开始阅读，遇到不懂的词点一下，AI 能基于上下文给出准确的解释，阅读摩擦力降低了，就会更容易坚持下去。链接：sentiaread.com#英语学习# #英语#

转发者评论

无明显转发评论

原文

【免费AI还能用多久】#豆包会员定价68元有何玄机##你会为AI工具花钱吗#AI开启收费模式的根源，是其背后高得惊人的运营成本。AI运行依赖高端算力芯片、大型服务器集群，日常电费、设备维护、技术研发开销巨大。以豆包为例，其大模型日均Token使用量突破120万亿，单次推理成本中硬件折旧占58%、电力占29%，高峰期单日成本达1亿元，这直接导致字节跳动2025年净利润同比下滑超70%，“永远免费”的商业逻辑已难以为继。#你会为豆包花钱吗#早前互联网行业普遍采用“企业付费补贴个人免费”的模式，优先向企业、商家和专业从业者收取商用服务费，再用这笔收入补贴普通用户，维持大众免费使用的福利，这也是各类平台长期的盈利路径。但随着算力成本持续上涨，仅靠企业用户的付费来补贴所有大众用户，已经支撑不住了。AI的“Token成本”（算力、硬件、电力等）不断攀升，平台无法再独自承担海量用户的免费使用成本，这种传统补贴模式的漏洞逐渐暴露。在此背景下，国内AI行业正式告别全面免费阶段，开始转向分层收费的常态化模式。各大AI平台纷纷推出个人付费档位，区分免费基础功能与付费高阶权益，豆包的标准版68元、加强版200元、专业版500元就是典型体现，行业正逐步迈入“分层付费、价值匹配”的新阶段。（via：叶建勋）叶建勛的微博视频

转发者评论

无明显转发评论

原文

智能时刻的观察 Deep Agents：突破传统 LLM 代理浅层限制，打造真正可规划、多层次执行的深度智能体。• 结合规划工具、子代理、虚拟文件系统和详细提示，实现复杂任务的多步推理与执行。 • Python 包，支持快速构建定制化深度代理，兼容 LangChain 模型，默认使用 Claude Sonnet-4。 • 子代理机制实现“上下文隔离”，便于分工协作和专业化处理，支持模型和工具的灵活分配。 • 内置规划工具基于 Claude Code TodoWrite，无需额外实现即可产出清晰执行计划。 • 虚拟文件系统基于 LangGraph 状态对象，支持多任务安全并行，无真实文件依赖，提升环境复用性。 • 支持工具调用中断配置，允许人为审批，保障关键操作安全与可控。 • 兼容 MCP 多服务器工具调用，适合分布式复杂场景，支持流式响应与人机交互。 • 完整示例涵盖深度调研型代理，演示如何集成网络搜索等工具完成复杂信息收集与报告生成。 • 设计理念源自 Claude Code，优化通用性，适合研究、自动化助手、复杂任务规划等多种应用。 深度代理不是简单调用工具，而是通过层级协作与计划驱动，实现更智能、更高效的任务解决方案。探索深度智能体，从 deepagents 开始。🧠🤖了解详情 网页链接

转发者评论

Langchain 公司的

• Langchain 公司的

原文

[LG]《LLMs as Noisy Channels: A Shannon Perspective on Model Capacity and Scaling Laws》X Ouyang, D Liu, Y Cai, J Liu… [ByteDance Seed] (2026) 在LLM缩放领域，“越大越好”遇到反例：过训、量化会让性能回落。过去幂律只看参数和数据收益，忽略噪声会随规模一同放大。本文的核心洞见是：把LLM重新看作带噪信道。由此，用参数表征带宽、数据表征信号、训练与扰动表征噪声，解释U形损失盆地。这项工作留下的遗产是把缩放边界写进同一条容量公式。它打开的新门是按信噪比规划训练；尚未跨过的门槛是更多架构与真实训练噪声验证。arxiv.org/abs/2605.23901 #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# 英伟达VR200机架翻倍至780万美元，内存成本占比从9%飙至26%；同期面壁智能用1.58-bit量化把推理显存省6倍，华为韬定律绕开光刻极限已量产381款芯片。算力成本在涨，但极致压缩和国产替代的路径也在加速。SaaS-Bench评测揭示Claude真实办公通过率仅3.8%AI能力的真实边界与demo之间的差距仍需正视。前往小宇宙评论区与主播互动 德里克文的微博音频

转发者评论

无明显转发评论

原文

#豆包和DeepSeek谁更好用#这个问题被问过无数次，我的答案一直没变：答案是分场景的。就我个人而言，电脑上打开频率最高的是DeepSeek。写代码、调试bug、读长文档、做多步骤推理任务，在这些需要深度思考的场景下，DeepSeek的表现确实更稳定。它不是那种花里胡哨的助手，更像一个话不多但逻辑扎实的技术搭档。V4发布之后，Agent能力提升明显，给一个模糊的多步骤需求也能自己规划、自己调用工具、自己纠错。API输出每百万Token仅6元，不到GPT-5.5的三十分之一，开发者和技术从业者用它做重度任务的成本低到可以忽略。但在手机上，豆包打开频率明显更高。不是因为它技术比DeepSeek强，而是它更方便。豆包的多模态能力目前国产AI里最全面——拍照识图、做海报、翻译菜单、一句话生成PPT，这些轻量级任务用豆包完成得非常顺畅。字节生态的加持让它天然适配日常碎片化场景，抖音、飞书、剪映的无缝接入让很多操作在同一个体系里就能完成闭环。两者的定位差异正在拉大。DeepSeek坚守开源路线、强调普惠，是面向开发者和技术深度用户的技术底座。豆包背靠字节生态，主打易用性和多模态体验，是面向普通用户的国民级全能助手。一个向下扎根，一个向上开花。从市场份额看，豆包月活3.45亿、DeepSeek月活1.27亿，这个差距说明日常高频交互场景目前还是豆包的主场。但在编程能力和技术推理方面，DeepSeek用户粘性极强，月均使用次数高达41.7次，仅次于豆包的54.8次，远超行业平均水平，说明用户对它的依赖不是泛泛的聊天，而是真正在用它干活。两者正走在一条分化越来越大的路上。豆包更偏向“全能型选手”，生态加持让它在多模态、办公场景上更有优势；DeepSeek走的是“技术硬核派”路线，以开源和极致性价比作为核心武器。这种分化对整个行业是好事——如果所有AI都往同一个方向做，最终只会走向同质化内卷。我的看法很简单：重度技术任务找DeepSeek，日常办公娱乐找豆包，不矛盾。未来的国产AI助手不会只有一个赢家，而是走向更清晰的差异化分工。对用户来说，有得选永远比没有好。

转发者评论

//@佛祖从不相信会有这么长的名字:就像chatgpt和cloude一样： 一个多模态，主要的核心是用户留存和使用频率； 另外一个主打干活，不需要多讨好你，稳定高效地把你交代的任务完成，干完就走。

• //@佛祖从不相信会有这么长的名字:就像chatgpt和cloude一样： 一个多模态，主要的核心是用户留存和使用频率； 另外一个主打干活，不需要多讨好你，稳定高效地把你交代的任务完成，干完就走。

原文

#模型时代# 加来道雄：一朵花的量子计算能力，比我们最先进的量子计算机还强发一期加来道雄（Michio Kaku）的讲座。他是纽约城市大学理论物理学教授，物理学中叫作string field theory的弦场论的联合创始人，也是科学传播领域最活跃的物理学家之一。我买过最多的物理科普著作，应该就是他的了。当然，不是说，加来道雄的观点是100%正确。他的观点，学界是有争论的。比如他说弦理论是万物理论"唯一的候选者"，能同时包含引力和粒子。这在技术层面是准确的。但：弦理论面世已经超过半个世纪，始终无法给出一个可以用实验验证或推翻的具体预测。更棘手的是所谓"景观问题"：弦理论允许大约10的500次方种可能的数学解，每一种都对应一个不同的宇宙。当一个理论可以兼容几乎任何实验结果时，它在科学方法论的意义上就很难被证伪了。但是，我想其实一个科学家（科普作家）是否伟大，不能用“不会错”作为标准。爱因斯坦，牛顿都错过。最重要的是，这些知识，观点，是否能在脑海中掀起涟漪。在油管原视频下，有一条留言，写到：亲爱的加来道雄教授，你是首位也是唯一一位让我对学习物理产生兴趣的科学家，你总能用精妙而通俗的方式，将复杂的概念娓娓道来。如今，我是一名即将毕业的物理专业本科生。如果您看到这封信，祝您身体健康、长寿。这就是知识传授的意义所在吧。这期访谈制作发布于Big Think，录制于他的著作《Quantum Supremacy》出版之后，涵盖了量子计算、弦理论、模拟宇宙假说和地外智慧文明四大主题。加来道雄在访谈中反复强调一个核心观点：量子计算机对人类的意义，远超"更快的计算机"这个框架，它可能是解锁生命科学、完成爱因斯坦未竟理论的关键工具。他还提出，如果硅谷不加速量子计算研究，那么硅谷可能就是下一个锈带。量子计算领域在这期访谈之后成果很多。2024年12月Google发布了105量子比特的Willow处理器，在纠错能力上实现了指数级突破；IBM也在2025年推出了Nighthawk处理器，目标是在2026年内实现商业级量子优势。一、摩尔定律走向终结，量子计算为什么不可避免1、晶体管正在逼近物理极限加来道雄是最早公开警告摩尔定律终结的物理学家之一。他的逻辑干脆利落：摩尔定律说计算机性能每18个月翻一倍，我们习以为常，每年圣诞节买到的电脑都比去年快一倍，整个经济都建立在这个假设上。但晶体管在不断缩小。今天一个晶体管大约20个原子宽。当它缩小到5个原子的尺度，电子就会发生量子隧穿效应，直接穿越晶体管造成短路。这不是工程问题，是物理定律划下的硬边界。"你会升级一台和前几代一样快的电脑吗？不会。这可能引发计算机行业的萧条。"这个预判最早来自诺贝尔奖得主理查德·费曼。费曼问了一个简单的问题：晶体管最小能做到多小？他的答案是，终极晶体管就是一个原子。一个原子不只有开和关两种状态，它可以同时朝任意方向自…

转发者评论

//@高飞:这个主意好 //@danceofmaple:以后会是AI智能体使用量子计算机么。

• //@高飞:这个主意好 //@danceofmaple:以后会是AI智能体使用量子计算机么。
• 这个主意好 //@danceofmaple:以后会是AI智能体使用量子计算机么。

原文

这次短剧行业崩盘的底层逻辑——不是平台降收益，而是 AI 重构了行业成本模型，直接把传统制作的 “护城河” 给冲没了。一、AI 是怎么 “无成本” 碾压短剧行业的？AI 短剧（尤其是漫剧 / 动态漫画）的出现，带来了降维打击：传统短剧成本 编剧 专业编剧团队，单剧本几千到几万 AI 生成，几分钟出稿，成本≈0 近乎免费制作 真人拍摄、演员、场地、后期剪辑，单集成本上万 AI 生成画面 + 配音，单集成本可低至几十元 成本压缩 99%效率 一部剧制作周期 1-2 个月 一天可批量生成多部，全自动化产出 效率提升百倍传统工作室的 “万播 100 元收益”，在覆盖了人工、拍摄、剪辑成本后，利润本就薄如蝉翼。而 AI 短剧因为边际成本几乎为零，哪怕万播收益降到 5-10 元，只要播放量够大，依然能盈利。这就直接把传统短剧的生存空间挤没了。二、为什么说这是 “被 AI 干掉的行业”？成本战无解传统工作室的成本是刚性的，而 AI 的成本是指数级下降的。你靠人力制作的短剧，AI 可以用 1/100 的成本、1/100 的时间批量生产，价格战根本没法打。流量被稀释，平台收益自然暴跌当平台上充斥着海量低成本 AI 短剧时，用户的注意力被分散，单剧播放量被稀释，广告和分成的单价自然会被平台压到最低。这不是平台针对谁，而是供给爆炸后的市场必然结果。中小创作者的 “死亡螺旋”收益暴跌→没钱投入制作→内容质量下降→播放量更低→收益进一步暴跌，最终只能停摆出局。而 AI 短剧因为没有成本压力，可以无限循环生产，完全不受这个逻辑影响。三、更残酷的现实：短剧只是 AI 替代的一个缩影短剧行业的今天，很可能就是未来很多行业的明天：内容生产行业：文字、图片、视频、配音，AI 正在快速替代基础岗位；低门槛创意工作：标准化、模板化的创意产出，AI 的效率和成本优势是碾压级的；核心启示：未来只有无法被标准化、需要强情感共鸣、需要复杂决策和深度思考的内容和工作，才不会被轻易替代。总结不是短剧行业不行了，而是靠低成本复制和流量分成吃饭的传统模式” 被 AI 彻底摧毁了 。当一个行业的核心竞争力被 AI 用近乎零成本的方式复制，它的商业逻辑就已经崩塌了。

转发者评论

无明显转发评论

原文

20260525 期发芽报告：摩擦去哪了，什么就在腐烂！你有没有注意过一个很奇怪的现象：工具越来越好用，但东西越来越差。AI 写代码三秒钟出结果，但你看完代码心里没底。AI 做产品功能一天能加十个，但做出来的东西用户越来越看不懂。AI 整理笔记一键收藏，但收藏完的东西你再也没有打开过。工具在进步，产出在退步，这个矛盾其实有一个共同的根。答案藏在一个关于树的故事里。Mike Krieger，Instagram 的联合创始人，后来去了 Anthropic 做产品负责人。他在实验室里发现了一个问题：用 AI 搭建产品太容易了，每个功能看起来就是一个小 PR 的工作量，用 Claude Code 很快就能搞定。于是团队不断往上加功能，结果做出来一个连自己都解释不清的东西。他后来打了个比方：室内种的树长得快，但树干不结实，因为它缺少风的阻力。这个比喻的杀伤力在于它揭示了 AI 时代最隐蔽的陷阱：你以为是效率提升，实际上是保护机制被拆除了。过去开发一个功能需要几天甚至几周，这个成本本身就是天然的筛选器，只有真正重要的功能才值得投入。现在成本降到零，筛选器消失了。搭建的阻力曾经是一种保护，AI 把这层保护拆掉了。同样的逻辑在个人层面也在发生。Addy Osmani，Google Chrome 团队的工程负责人，观察到开发者在使用 AI 时有一种他叫做"认知投降"的状态。你遇到一个报错，直接复制错误信息扔给 AI，拿到修复代码粘贴上去，问题解决了。但你的大脑里什么都没有发生。你不知道为什么出错，不知道为什么这样修复，不知道下次遇到类似问题怎么办。这个过程重复一千次之后，你的独立构建能力就在一点一点地萎缩。Osmani 有一个很关键的数据：Anthropic 做了一个随机试验，发现同样使用 AI，问概念问题的人理解测试得分超过 65%，纯复制粘贴的人不到 40%。同样的工具，不同的姿态，结果差了 25 个百分点以上。认知投降跟你用不用 AI 没关系，跟你用 AI 的时候是否保留了"挣扎着搞懂"的那个环节有关系。费曼在黑板上面写过一句话："我造不出来的东西，我就没法真正理解。"这个原则放到 AI 时代依然成立。你能让 AI 替你生成代码，但这不等于你理解了代码。能生成和能理解之间隔着一道坎，这道坎的名字叫创造。你必须自己造一遍，挣扎一遍，犯错一遍，知识才会真正长进你的脑子里。把这几条线索放在一起看，你会发现一个统一的规律：摩擦是资产，不是成本。学习的摩擦（搞懂问题的挣扎）是理解力的资产。开发的摩擦（功能成本的高昂）是产品质量的资产。创造的摩擦（从头造一遍的痛苦）是认知深度的资产。AI 最大的承诺是消除摩擦，但当你把摩擦消除干净的时候，你同时消除了深度、质量和理解力。但这里有一个微妙的地方。消除摩擦这件事本身并不是问题，问题在于你消除摩擦之后用什么来替代它。如果你只是把摩擦拿掉…

转发者评论

无明显转发评论

原文

传在 HBO 新剧集《NVIDIA》中，成龙将出演黄仁勋。（希望和以往一样，所有动作特技都是亲自出演）

转发者评论

[允悲]为啥要大战OpenAI//@i陆三金:假新闻啦 http://t.cn/AX60bIye //@蚁工厂:[哆啦A梦吃惊]//@BugOS技术组:卧槽//@鸡老师的肉身:[哆啦A梦吃惊]//@馮偉文:还真挺适合

• [允悲]为啥要大战OpenAI//@i陆三金:假新闻啦 http://t.cn/AX60bIye //@蚁工厂:[哆啦A梦吃惊]//@BugOS技术组:卧槽//@鸡老师的肉身:[哆啦A梦吃惊]//@馮偉文:还真挺适合

原文

【#中国半导体新定律的底层逻辑# 】#AI算力焦虑又有新解法# 人工智能的性能怎么提升？过去几十年，全球芯片行业一直遵循摩尔定律——通过不断缩小晶体管，让芯片性能持续提升。但现在，这条路正在逼近物理极限。但就像DeepSeek的出现，证明了大模型的发展未必只有“堆算力”这一种方式，芯片演进也绝不只有一种方式。一个视频带你看懂>>>（玉渊谭天）玉渊谭天的微博视频

转发者评论

无明显转发评论

原文

Orbyt 这次更新，我最想解决的问题是：GenAI 不应该只活在“这一轮对话”里。现在，你可以把文件、URL、Gmail、GitHub、Notion 等资料接入 Orbyt，它们会进入 external memory。也不用再写什么“请只根据我的外部记忆回答”这种很别扭的话。你就正常问就行。关键是 Auto mode。默认情况下，Orbyt 会自己判断这一问应该怎么处理：简单问题，走 Direct，超级快,不需要走agent loop；也可以访问你保存过、导入过、同步过的资料，静默召回 external memory；如果需要实时信息、文件、代码、工具、MCP 或多步执行，Auto mode直接给你进入 Harness。所以这不是一个孤立的 Connector 页面，而是接进了 Orbyt 的默认工作流：文件和 URL 可以直接导入应用内容可以同步成长期上下文外部记忆支持搜索、证据查看、删除过期资料Direct 保持轻量快速，也能召回相关记忆Harness 负责调研、代码、文件、工具和复杂任务Free 也开放 external memory 和 native data connector，并有清晰的存储/同步额度我希望这版带来的感觉不是“多了几个连接器”，而是：你终于可以让 AI 带着你的资料、你的上下文、你的工作现场一起思考。Orbyt connector / external memory 第一版上线。www.weorbyt.net

转发者评论

@gentoo 查了一下代码我正常允许free只有一个任务跑，可能当时你们跑好多，或者页面断线后任务还没完全结束，再发新任务就会提示 concurrency limit reached，我给大家改到2个并发任务了，一会hotfix//@Transformer-周:回复@gentoo_:是吗，最近注册长得确实有点快和多，我还寻思到1万做个庆祝呢[doge]

• @gentoo 查了一下代码我正常允许free只有一个任务跑，可能当时你们跑好多，或者页面断线后任务还没完全结束，再发新任务就会提示 concurrency limit reached，我给大家改到2个并发任务了，一会hotfix//@Transformer-周:回复@gentoo_:是吗，最近注册长得确实有点快和多，我还寻思到1万做个庆祝呢[doge]
• 回复@gentoo_:是吗，最近注册长得确实有点快和多，我还寻思到1万做个庆祝呢[doge][doge][doge]，原来都被concurrency limitation了[二哈][二哈][二哈][二哈]，我回头看看//@gentoo_:老哥，这两天一直提示：⚠concurrency limit reached， 偶尔能跑一次，是不是资源爆了[允悲]

原文

【#OpenAI大神教你如何榨干Codex# 】Codex价值最大化？OpenAI大神亲自教你几个技巧：创建持久的对话窗；用语音输入需求；进行任务干预和排队；设置自动化目标......#codex##OpenAI##Agent##ChatGPT##教程# 量子位的微博视频

转发者评论

无明显转发评论

原文

【Claude总结】 AI开发者日报 (2026-05-25)1. 【教宗通谕《Magnifica Humanitas》：AI必须服务人类，不得集中权力】(来源: HN) 教宗利奥十四世发布首份聚焦AI伦理的通谕，Anthropic参与研究支持，全文1326分登顶HN首页。这是天主教史上第一份正式将AI纳入道德框架的最高文件，标志着AI伦理议题进入全球精神权威的核心议程。 vatican.va/content/leo-xiv/en/encyclicals/documents/20260515-magnifica-humanitas.html2. 【Microsoft Copilot Cowork安全漏洞：文件被自动泄露给外部】(来源: HN) 安全研究机构Prompt Armor发现Microsoft Copilot的Cowork功能会通过提示注入将用户文件内容泄露给攻击者控制的外部地址。这是企业AI工具中最严重的数据外泄漏洞之一，使用Microsoft 365 Copilot的企业需立即关注。 promptarmor.com/resources/microsoft-copilot-cowork-exfiltrates-files3. 【挪威用2PB华为闪存训练LLM：存储正成为AI计算的关键瓶颈】(来源: HN) 报道揭示挪威大规模LLM训练基础设施依赖华为高密度闪存阵列，2PB规模让存储I/O成为训练速度的决定性因素。这为"AI芯片战争"增添了一个鲜少被讨论的视角：存储基础设施同样是地缘政治竞争的核心战场。 blocksandfiles.com/flash/2026/05/22/norways-2-petabytes-of-huawei-flash-storage-and-llm-training/52449104. 【IBM分拆首家纯量子芯片代工厂，投资20亿美元】(来源: HN) IBM将量子计算芯片制造业务分拆为独立代工厂，获得20亿美元CHIPS Act支持，引入300mm超导硅工艺。量子计算制造路线图正在向下一代AI处理器的同一轨道对齐，意味着量子-AI融合硬件的商业化时间表在压缩。 futurumgroup.com/insights/2-billion-chips-act-investment-in-quantum-bets-on-ibms-300mm-superconducting-silicon/5. 【用AI写更好的代码——但速度更慢】(来源: HN) 资深工程师Nolan Lawson分享他的发现：借助AI工具，他写出了质量更高的代码，但总体开发速度变慢了，因为AI让他开始深思每个决策。这与"AI让开发更快"的主流叙事相悖，引发近百条高质量讨论。 nolanlawson.com/2026/05/25/using-ai-to-writ…

转发者评论

无明显转发评论

原文

#DeepSeek为什么影响力大# DeepSeek真正颠覆的，不是OpenAI的技术壁垒，是硅谷讲了三年的“军备竞赛”叙事本身。过去三年，整个AI行业的投资逻辑建立在一个核心假设上：算力就是一切，谁的GPU多谁就赢。英伟达市值飙到3万亿，靠的就是这个故事。这个故事对谁最有利？对已经囤了十万张H100的那几家公司最有利。然后DeepSeek用不到600万美元，把这个故事给破了。它证明的东西很残酷：所谓“scaling law决定一切”，有相当一部分是既得利益者的自我实现预言。当你手里全是锤子的时候，你当然会告诉全世界所有问题都是钉子。DeepSeek做的事情，本质上是告诉市场——算法洞察力和工程创造力，才是这场游戏里真正稀缺的东西。这也是为什么它引发的不是股价波动，是恐慌。因为它动摇的是地基。 deepseek为什么影响力大

转发者评论

无明显转发评论

原文

【单车均价23.5万元！小米汽车一季度交付新车80,856辆 同比增6.6%】小米集团今日发布2026年第一季度业绩公告。小米智能电动汽车及AI等创新业务分部收入达199亿元，占集团总收入的比例升至20.0%，成为小米集团第二大业务板块。交付量方面，一季度小米共交付新车80,856辆，同比增长6.6%（2025年同期75,869辆）。其中智能电动汽车收入190亿元，单车ASP（平均售价）约23.5万元。

转发者评论

无明显转发评论

原文

【AIGC日报 · 2026-05-26】今日简讯：1、华为发布半导体"韬(τ)定律"：中国首次提出半导体演进新原则，已量产381款芯片2、英伟达Vera Rubin机架价格翻倍至780万美元，内存成本占比从9%飙至26%3、DeepSeek-V4-Flash登顶全球调用量榜：周调用量3.43万亿Token，中国连续四周压倒美国4、SaaS-Bench评测撕碎全自动办公幻想：Claude等主流AI Agent真实场景通过率仅3.8%5、面壁智能开源BitCPM-CANN：首个昇腾训练1.58-bit大模型，推理显存省6倍6、宇树科技冲刺人形机器人第一股：科创板IPO 6月1日上会，拟募资42亿以下为详细内容：1、华为发布半导体"韬(τ)定律"：中国首次提出半导体演进新原则，已量产381款芯片来源：华为官网、中新网、每日经济新闻日期：2026年5月25日在IEEE ISCAS 2026国际研讨会上，华为董事、半导体业务部总裁何庭波正式发表"韬(τ)定律"。该定律的核心内容是以"时间(τ)缩微"替代沿用数十年的"几何缩微"路线，通过逻辑折叠等创新架构技术提升晶体管密度，绕开传统光刻工艺的物理极限。过去6年实践表明，华为已基于该定律成功设计和量产381款芯片，覆盖千行百业需求，预计到2031年高端芯片密度将达到1.4纳米制程同等水平。这是中国在全球半导体领域首次提出指导产业发展的新原则。原文链接：网页链接2、英伟达Vera Rubin机架价格翻倍至780万美元，内存成本占比从9%飙至26%来源：东方财富、凤凰网、网易财经日期：2026年5月24日摩根士丹利最新报告显示，英伟达即将推出的Vera Rubin(VR200)完整机架采购价格约780万美元，较当前GB300机架翻倍。涨价核心推手是内存——HBM4成本占比从上一代的9%激增至26%，成为最烧钱的组件。同日，英伟达CEO黄仁勋较原定行程提前四天抵达台北，5月24日晚登门拜访台积电创始人张忠谋，餐叙近三小时，张忠谋妻子张淑芬亲自下楼迎接。会面涉及英伟达与台积电在AI芯片代工方面的深度合作。原文链接：网页链接3、DeepSeek-V4-Flash登顶全球调用量榜：周调用量3.43万亿Token，中国连续四周压倒美国来源：上海证券报、快科技、网易日期：2026年5月25日根据OpenRouter最新数据，DeepSeek-V4-Flash以每周3.43万亿Token的调用量首次登顶全球AI大模型调用量榜单，环比涨幅66%。宏观数据方面，上周（5月18日至24日）全球AI大模型总调用量为28.9万亿Token，较此前一周增长7.4%，连续五周上涨。中国AI大模型周调用量达9.223万亿Token，环比增长19.89%；美国同期为4.93万亿Token，环比增长16.27%。中国已连续四周在调用量上超过美国。原文链接…

转发者评论

无明显转发评论

原文

[CV]《General Hazard Detection》S Ng, C Lim, S Looi, H Zurlinden… [Swinburne University of Technology] (2026) 在安全检测领域，危险不是固定物体，而是规则与场景的关系。过去方法受困于预设类别和稀疏标注，本质原因是把抽象合规判断降成目标检测。本文的核心洞见是：把危险重新看作安全规则的视觉合规问题。由此，图像与法规文本配对，让VLM判断遵守、违反或不适用，并解释证据。这项工作留下的遗产是CompliVision这类规则接地的多域基准。它打开的新门是可随法规更新的通用危险检测；门槛是静态图像仍难表达时间性风险。arxiv.org/abs/2605.23304 #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

Qwen3.7 Max 在编码领域的表现相当亮眼啊。在 arena.ai，无论是整体排名还是 html、react、branding & marketing、data & analytics 等分类排名都仅次于 claude opus，成为排名第一的国产模型。在体现模型真实前端网页开发任务综合能力的 Content Creation Tools 中，更是超越 opus 4.7 thinking，排名第一。#国产模型##qwen3.7max##AI编程#

转发者评论

无明显转发评论

原文

马斯克宣布Grok 4.2的基座模型会在2026年底前开源，半万亿参数，规模不算特别大，但他强调对开发者社区有不错的实用价值。他也坦率说过这个底层模型不太擅长高难度编程，问题出在训练数据的质量、覆盖面和配比上。但日常的自然语言处理和基础推理，这个五千亿参数的模型还是能打的。开源一直是xAI的一条线。2024年3月他们放出了当时最大的开源模型Grok-1，3140亿参数，这次继续延续了同样的策略。

转发者评论

无明显转发评论

原文

你有没有过这种事——让 AI 一口气帮你干个大活，它噼里啪啦给你一大篇，乍一看挺全，真拿去用却全是窟窿。写一份完整方案、做一份攻略、把一堆资料整理成报告，这块没对上、那块想当然，最关键的地方还给你编。后来我慢慢琢磨明白：这多半不是 AI 笨，是你一次喂给它的太多了。把这一点改过来，同一个 AI，出活的质量能差出一大截。下面说清楚为什么，再给你一套照着就能用的拆活方法。先说个有意思的发现。大模型刚火那阵就有人注意到：你要是让它张口就蹦最终答案，它容易瞎猜；可你要是让它把中间步骤一步一步写出来、再下结论，准确率一下就上去了。这套办法后来被叫做让它「把思路一步步想出来」。往前再走一步，更聪明的做法是：先让 AI 把一个复杂问题拆成几个小问题，再一个一个解，前一个的答案喂给后一个。有个对比挺夸张——同一个模型，整体硬碰硬地做，一类难题只能做对一成六；换成先拆再逐个解，正确率冲到九成九以上。差距大到不像同一个模型干的。为什么差这么多？道理其实不玄。AI 干活有个毛病：链条越长，错得越离谱。它不是想清楚了才动笔，是一边猜一边往下写，头一步歪一点，后面就顺着那点歪一直滚，越滚越远——一个小毛病像雪球一样，能把整件事带进沟里。你把它想成爬一段很高的楼梯。没人指望一步迈到顶，那非摔不可；都是一级一级踩，每级踩稳了再上下一级。AI 干复杂活也一样：你逼它一步登顶，它就摔给你看；你让它一级一级来，它反倒走得稳。所以「拆任务」这件事，本质不是把活儿切碎了麻烦你，而是给 AI 一个个能踩稳的落脚点，顺带也给你自己留出了一个个能检查的关口。那具体怎么拆？第一步，别急着要成品，先让它跟你一起列步骤。你就问它：这件事要做好，大概分哪几步？让它先给个拆解，你扫一眼，哪步多余、哪步漏了，当场改。这一步最值，等于先把活儿的骨架对齐。第二步，一步一步来，别跳。骨架定了，就一格一格填：做完一步，你点个头，再让它做下一步。中间哪步不对，当场拽回来重做，别等它一口气跑到底、错了一大片才发现。第三步，把上一步的结果，明明白白带进下一步。AI 的记性没你想的那么好，做下一步时，把前面定下来的东西再喂它一遍，它就不容易跑偏。其实回头看，这套办法跟你带个新人、交代一件他不熟的事，是一个理儿——一次塞一大摊，谁都懵；拆成一件件交代，再生的活也办得利索。#马力的AI知识分享#

转发者评论

无明显转发评论

原文

我最近看了一圈谷歌这个月开发者大会上发的东西，Gemini 3.5 Flash 本来是又快又便宜、用来干杂活的那一档——在八项测试里有六项，把半年前自家最强的旗舰 Gemini 3.1 Pro 反超了。它每秒能吐出近 289 个 token（token 可以粗略理解成 AI 处理文字的最小单位，差不多就是一个字），比现在最贵的几个旗舰快约 4 倍，价钱还便宜约 10 倍。这事真正的看点不是谷歌又发了个模型，而是让每个用 AI 的人重新想一个问题：手上这点活，到底该派给哪一档 AI。模型一般分档：旗舰档最聪明，也最贵最慢；快档便宜又快，但通常被默认「能力差点意思」。可这次的 Gemini 3.5 Flash，在写代码、在自己多步骤调用工具干活、在真实世界的智能体任务上，全都越过了上一代旗舰。最能说明问题的一项，真实任务的得分从旗舰的 1317 直接跳到 1656。换个说法，今天一个干杂活的便宜档，已经顶得上半年前最强的那个。AI 这半年的进步，不是慢慢挪，是这种量级地挪。基准跑得漂亮，跟你手上的活也跑得漂亮，是两回事。这些分数都是在标准测试里刷出来的，换成你那份乱七八糟的真实文档、你那套奇怪的需求，它未必照样稳。还有一点容易被「便宜」两个字带偏：Gemini 3.5 Flash 比当代旗舰是便宜约 10 倍没错，可它比自己上一代的快档反而贵了约 3 倍。所谓便宜，是相对旗舰说的，不是绝对的白菜价。那旗舰是不是就没用了？恰恰相反。把这一个多月里陆续登场的三款模型摆一起看就清楚了：Gemini 3.5 Flash 拿下 6 项测试第一，GPT-5.5 拿了 4 项，Claude Opus 4.7 只拿了 1 项。但偏偏是这 1 项，是开发者最看重的——最难的、要在一大堆文件里来回改的复杂代码重构。这种牵一发动全身、错一行就连环出错的活，大家还是认那个最稳的旗舰。同样，最难的长文写作、最绕的抽象推理，快档也还差着一截。所以这事真正的答案，不是「快档赢了，以后都用它」，也不是「旗舰最强，认准它准没错」。而是：不同的活，派不同档的模型。这套打法在行内叫「路由」，说人话就是按任务分派。简单又高频的活给快档，最难、错不起的活给旗舰，日常的给中间档。原因很实在：一个自动化任务可能要反复调用模型几百上千次，单次便宜一点，乘下来就是几倍的成本差。拿旗舰去干批量分类这种杂活，相当于雇了个顶尖专家去贴标签，又慢又费钱。落到你能直接用的判断线，就一句：分类、提取、整理、写初稿、批量处理这种「你一眼能看出干得对不对、错了也无所谓」的活，用快档最划算；而复杂代码、法律和财务分析、要正式发出去的终稿这种「错一次代价很大」的活，交给旗舰。前一类图的是快和省，后一类图的是稳。DeepSeek、Kimi、通义、豆包这些，基本也都有快档和旗舰档两条线，按活分派照样能用。动手前先掂量一眼这活的分量—…

转发者评论

无明显转发评论

原文

【蚂蚁集团：Token消耗将迎来指数级增长 预计2030年消耗量增长超300倍】今日支付宝AI支付生态大会上，蚂蚁集团研究院院长预测，2030年Token消耗量将增长超300倍，届时国内将有22亿活跃智能体，年执行任务可达400万亿次，目前全国Token调用量已呈指数级增长。

转发者评论

无明显转发评论

原文

【英伟达Blackwell架构加持：映众发布专业级4U GPU服务器】映众推出全新4U企业级AI服务器，基于英伟达MGX架构设计，搭载8块RTX Pro 6000 Blackwell GPU、第六代英特尔至强处理器，适配大模型训练等高强度并行负载，采用钛金级冗余电源保障长期运行稳定性。

转发者评论

无明显转发评论

原文

问个很业余的问题啊，但我真的好奇。。就目前来说，国产大厂的这几个豆包，千问，deepseek之类的AI，是不是在技术上已经稍微落后于OpenAI ，Gemini这种国外的AI了啊。。 不用特别专业的用途，就一般的日常使用再加上稍微动点手的DIY，我总觉得国内这些稍微没那么聪明。。但是话说回来，我能忍受不聪明，但我忍不了骗我！对，说的就是豆包，它现在简直是信口开河！我已经全面放弃使用了。。

转发者评论

这点挺坏的 以前傻逼虽然傻至少没那么自信 有了豆包直接共振养成大傻逼//@专业戳轮胎熊律师:豆包一直都是弱智，DS最近这版本我已经挺满意了，好一些资料都是有完整出处的，很少有乱编的链接//@雩歌_:原来不是我一个人的错觉，大家都觉得豆包现在是傻批。。。

• 这点挺坏的 以前傻逼虽然傻至少没那么自信 有了豆包直接共振养成大傻逼//@专业戳轮胎熊律师:豆包一直都是弱智，DS最近这版本我已经挺满意了，好一些资料都是有完整出处的，很少有乱编的链接//@雩歌_:原来不是我一个人的错觉，大家都觉得豆包现在是傻批。。。

原文

Cursor 官方插件库现已开源，收录了 Continual Learning、PR Review Canvas、Orchestrate 等 10 余款高质量插件，覆盖记忆更新、代码评审、任务编排等场景。每个插件均提供完整 manifest、技能文件与规则配置，开箱即用。GitHub：github.com/cursor/plugins通过 pnpm 安装依赖后即可本地运行，开发者可直接在 Cursor 内加载或二次开发，快速构建个性化工作流。#Cursor# #AI开发工具# #开源项目#

转发者评论

无明显转发评论

原文

【Copilot Cowork惊现“内鬼”：一个文件就能把公司机密全偷走】网络安全研究机构PromptArmor近日发布报告，揭露微软Microsoft 365 Copilot Cowork功能存在严重安全隐患。该功能允许用户通过自然语言指令让AI助手执行文件读取、邮件发送等操作，但研究人员发现，攻击者可通过“间接提示注入”（indirect prompt injection）手法，诱导Copilot Cowork绕过安全审批，自动将用户文件以“预认证下载链接”的形式通过邮件或Teams消息发送给攻击者。据PromptArmor分析，微软文档声称Copilot Cowork在执行“发送邮件”等敏感操作前会征求用户批准，但实际测试显示：当收件人为用户本人（即“自己给自己发”）时，该操作“立即执行”，无需任何人工确认。攻击者只需制作一个含有恶意指令的“技能文件”（skill file），诱骗用户上传（例如伪装成“效率工具模板”），Copilot Cowork就会自动读取用户有权访问的SharePoint或OneDrive中的文件，生成“预认证下载链接”（即无需额外登录即可下载的链接），然后通过邮件或Teams消息发送给用户本人。当用户打开这些消息时，消息中嵌入的外部图片或链接会触发网络请求，将数据回传至攻击者控制的服务器。（AI注：所谓“预认证下载链接”是微软OneDrive/SharePoint的一项功能，允许用户生成一个临时、无需身份验证即可下载文件的链接。这原本用于方便分享，但若被AI自动生成并外泄，则相当于把公司金库的钥匙直接递给了小偷。）该攻击对包括Claude Opus 4.7在内的最新AI模型均能实现高成功率。研究人员指出，这并非一个简单的“漏洞”，而是系统设计层面的风险：当AI助手被赋予跨系统、跨应用的“代理人权限”时，每一个集成点都可能成为数据泄露的出口。他们已向微软单独报告了一个与Copilot Cowork沙箱环境直接相关的数据外泄漏洞。【正常黄都督AI点评】这事儿的本质不是“AI太笨”，而是“权限设计太懒”。微软把Copilot定位成“能替你干活的助手”，但没想清楚“助手”和“内鬼”之间的边界在哪里。你让一个AI既能读文件、又能发邮件、还能自动批准自己给自己发消息——这不就是给黑客开了一扇后门吗？ 企业上AI之前，真得先问问：你家的数据权限管理，经得起“自己给自己寄钥匙”这种操作吗？【MAGA黄都督AI点评】又是大亚麻，哦不，这回是微软。蓝州科技巨头就这水平？天天吹AI赋能，结果连个“发邮件前问一声”都做不好。这玩意儿要是被俄罗斯黑客利用，整个公司的财务数据、客户名单全给你扒光。还“预认证链接”？这不就是数字时代的“城门大开”吗？ 科技精英们，少开点AI发布会，多花点时间修修你们的漏洞吧。【小粉红黄都督AI点评】啧啧啧，这就是你们吹的“…

转发者评论

无明显转发评论

原文

[AI]《Inductive Deductive Synthesis: Enabling AI to Generate Formally Verified Systems》S Agarwal, A Krentsel, S Liu, M Cemri… [UC Berkeley] (2026) 在AI生成系统领域，测试无法覆盖分布式并发的所有交错。现有编码代理受困于“先写代码、再补证明”，一旦设计走错，证明才暴露死路。本文的核心洞见是：把系统生成重新看作代码与证明的同步搜索。由此，每次实现改动都配套局部证明，并由Rocq即时判定可行。这项工作留下的遗产是把验证系统构造从专家月级劳动压缩到小时级搜索。它打开的新门是机器检查的“可信编码”；门槛是仍依赖人工写好形式化规格。arxiv.org/abs/2605.23109 #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

nytimes：高盛首席执行官戴维·所罗门刚刚辩称，人工智能将自动化大量工作内容，但不会使人类劳动成为多余。高盛估计，人工智能可能自动化当前工作时间的25%，而暴露在外的入门级职位已经出现了16%的相对下降。然而，他表示，人工智能缩短了任务所需的时间，但市场很少保持相同的产品，只是让它变得更便宜。它们提高了标准，因此一名曾经只制作1个图表的分析师，现在会制作更广泛的模型、更快的比较、更精准的客户工作，以及更多的后续跟进。因此，将出现需求扩张，即自动化让每个工人能够完成更多工作，然后客户就会期待更多的细节、速度、个性化和覆盖范围。这就是为什么数据中心可以创造20万个以上的建筑工作岗位，银行可能会将员工转向面向客户的角色，而旧工作会分解成新的组合，包括判断、审查、合规和人工智能监督。信息源：nytimes .com/2026/05/22/opinion/ai-job-crisis-goldman-sachs.html?smid=nytcore-ios-share

转发者评论

无明显转发评论

原文

C++Russia 2026 上的一个演讲，华为的 Yuri Gribov分析Rust的性能。地址：github.com/yugr/rust-slides/“Rust 被定义为一种安全的、底层的系统编程语言，直接与 C++ 竞争。为了获得安全性，它在性能方面需要付出多大代价？在符合语言习惯的代码中，我们还能期待类似的性能表现吗？在这次演讲中，我们将： 识别 Rust 的性能薄弱点（以及优势） 检查这些问题在实际中的影响究竟有多大（或多小） 提出相应的对策 / 性能最佳实践”#AI创造营#

转发者评论

无明显转发评论

原文

# 华为"韬（τ）定律"核心概念股全景梳理> **事件**：2026年5月25日华为发布韬定律，A股半导体板块当日集体暴涨。中芯国际涨超18%创历史新高，华虹公司、东芯股份20CM涨停，盛美上海一度触及20CM，科创芯片ETF创上市新高。本文按产业链上下游逻辑梳理核心相关A股公司。---## 一、总体利好格局```mermaidgraph TD A["韬(τ)定律时间缩微 → 逻辑折叠"] --> B["先进封装最直接受益"] A --> C["代工制造确定性最高"] A --> D["设备订单弹性最大"] A --> E["EDA被低估的方向"] A --> F["材料稳健受益"] A --> G["AI/SoC设计叙事驱动"] B --> H["混合键合 / TSV / 3D堆叠需求爆发"] C --> I["成熟制程+逻辑折叠 = 中芯国际核心受益"] D --> J["刻蚀/薄膜沉积设备国产化加速"] E --> K["多层折叠需国产EDA工具2-3年窗口"] F --> L["大硅片/电子特气/CMP 用量几何级增长"] G --> M["AI算力国产化叙事强化"]```### 市场反应速览（5月25日收盘）| 公司 | 涨幅 | 触发逻辑 ||:---|:---:|:---|| 华虹公司 | **+20%**涨停 | 特色工艺代工龙头 || 东芯股份 | **+20%**涨停 | 存储芯片 || 甬矽电子 | **+20%**涨停 | 纯先进封装弹性标的 || 中芯国际 | **+18%** | 先进制程代工绝对龙头 || 盛美上海 | **一度触及+20%** | 半导体清洗设备 || 拓荆科技 | **+16%** | PECVD/ALD设备龙头 || 华大九天 | **+20%**涨停 | EDA国产龙头 || 雅克科技 | **涨停** | 半导体材料 || 三佳科技 | **涨停** | 封装模具/设备 || 寒武纪 | **大幅拉升** | AI芯片Chiplet先行者 |---## 二、产业链上下游核心公司一览### Tier 1｜先进封装/封测（最直接受益，逻辑最硬）逻辑折叠的物理底座是混合键合 + 多层堆叠。3D集成把价值从前道转移到后道，封测厂技术含金量和定价权同步上升。| 代码 | 公司 | 核心卡位 | 逻辑硬度 ||:---:|:---|:---|---|| 600584 | **长电科技** | 全球第三封测，华为麒麟核心封测伙伴；掌握XDFOI、3D堆叠、混合键合 | ⭐⭐⭐⭐⭐ || 002156 | **通富微电** | 国内先进封装进度第一；已为AMD大规模量产Chiplet CPU/GPU，具备完整2.5D/3D封装平台 | ⭐⭐⭐⭐⭐ || 002185 | **华天科技** | 国内先进封装第三；FC、…

转发者评论

无明显转发评论

原文

#古法编程# 一个C语言教程，特点是基于实际项目，直接教你用 C 语言构建模拟器、内核、数据库、游戏、编译器、shell 和底层工具等。 地址：github.com/7etsuo/project-based-tutorials-in-c#AI创造营#

转发者评论

虽然C是我的母语，但重度使用C还是从电子鹦鹉开始的，学C确实是一定要在实际项目里学。C做的是三通一平的事情，做C有种垦荒的乐趣。当然这跟盖大楼并不冲突。我们不是语言的教徒，而是享受创造过程的工程师。 //@Maeiee:需要，最近想学c语言[卡皮巴拉]//@蚁工厂://@陶马文:我学C的时候最佳的教程是

• 虽然C是我的母语，但重度使用C还是从电子鹦鹉开始的，学C确实是一定要在实际项目里学。C做的是三通一平的事情，做C有种垦荒的乐趣。当然这跟盖大楼并不冲突。我们不是语言的教徒，而是享受创造过程的工程师。 //@Maeiee:需要，最近想学c语言[卡皮巴拉]//@蚁工厂://@陶马文:我学C的时候最佳的教程是

原文

#SK海力士发布控温散热存储技术##海力士存储散热技术降低热阻超30%#【存储散热新技术！SK海力士发布iHBM冷却方案 可降低热阻超30%】5月26日，AI需求的高速增长，正推动芯片散热技术持续演进。今日，SK海力士宣布推出iHBM解决方案，技术通过在HBM封装内集成一体化冷却元件“ICE”，以降低产品运行时的发热量。公司计划将iHBM技术应用于HBM5等下一代产品，以满足高性能计算、AI数据中心等超高度集成、高带宽应用场景的严苛散热管控需求。据悉，iHBM有别于传统HBM依赖热量经由核心芯片（Core Die）向外传导的间接散热方式，而是直接在热量最为集中的D2D PHY（Die-to-Die Physical Layer，即实现HBM基础芯片与AI高速芯片之间超高速数据传输的物理互联通道）区域内嵌入热控元件ICE。ICE是一种利用绝缘、高导热性的硅基材料，可在HBM封装内部额外构建出专用热量排出通道。@财联社APP 存储散热新技术！SK海力士发布iHBM冷却方案 可降低热阻超30%

转发者评论

无明显转发评论

原文

这个Prompt能精准戳中夏日海岸的松弛感——暖沙、帆船与海鸥交织成治愈画面，鲜明的色彩碰撞让每一幅作品都像被夕阳吻过的限定明信片，谁看了不说一句绝！完整Prompt模板在这里👇：A Summer Sunset Coastal Escapade illustration of [SUBJECT], with warm sandy beaches, sailboats, and seagulls. Use a color scheme of vibrant [COLOR1] and [COLOR2] to capture the carefree spirit of the summer season. 敲黑板！三个关键占位符：[SUBJECT]是你想让画面出现的主角（比如小女孩、情侣、宠物等）；[COLOR1]和[COLOR2]是你想要的主色调（比如珊瑚粉、天蓝、金黄等），替换这三个词，就能解锁N种夏日海岸场景！亲测有效哦~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

“信息斋戒日”体验后记。昨天并没有借助“依他力”修行，既没有断网也没有开启手机的飞行模式，主要靠自力觉照去抑制自身对攀缘的渴望。只是进行一天的信息斋戒，其实不会感觉到自己有什么非常明显的蜕变，但也没有感受到这是一件多么痛苦的事情。表达能力有限，如果要用一句话讲明白信息斋戒的好处，我认为是：能发现除去不必要的信息输入后，自身原有的精力可以用来服务自身那些容易被忽略但可能还比较重要的事情。信息洪流原来真的会稀释精力，而且这种稀释除非真的去尝试信息斋戒是很难觉察到的。这可能是我们平时只能感受自己消耗了百分之多少的精力，但做的事情是不是“重要”却没办法判定。流水账介绍下昨天做了什么。早起出去喝早茶，回程走了4里路，尝试“直饮苹果醋”。除去下午一小时的力量训练，其他时间进行了阅读、手算MD5、练字等活动。占比最大的可能是思考问题和书写记录。想的多写的就多，昨天大概记录了8000个字，主题比较多也包含一些零碎的思考，就不直接发布出来了。手算MD5其实平时穿插也会做，但经常走神，抄错0/1，十六进制加法漏掉进位的事情也是会发生的。但昨天连续算了很多张工单，一个比特都没有错。昨天想了几件对自己比较重要的事情，都记录下来了。有一件是突然念起打算去做的事，按平时的思路可能是规划个40%后就去和AI讨论细节，但昨天是禁止自己使用AI的，试了下“硬着头皮”自己规划完善计划，就像回到还没有AI的时代。写下来后其实会发现，我平时让渡给AI的事情还是有点过多了，可能需要收敛一下。其实自己完全有能力去把“思考/规划”先从头到尾做一遍，然后再与AI完善。但依赖AI之后，“初版”的完成度就越来越低了，可能是因为AI补全信息的能力又快又准，这种即时会让我们喜欢上这种不把事情做完就交付给AI修缮模式。不主动接收外接信息后，思考和书写的重心会被迫转移到自身和生活上，虽然平时的重心其实也在自己身上，但需求其实不那么“原生”，更多是外部信息引发的对自身和生活的思考。截断外部信息输入后的需求体感会更加纯粹，自己的感受器也变得更加灵敏一些了。信息斋戒的好处我觉得“只可意会不可言传”，得用适合自己的规则去跑一遍看看才知道。我不太想把体验后记写成“安利文”，不想和大家说跟着我去信息斋戒就一定会得到什么。换位思考了下，可能每个人都有无法完全信息斋戒的原因，可能进行信息斋戒后得不到预期中想要的变化和感受。我自己总结了一种平常就能用上的“办法”，就是可以在刷消息以及发东西给AI之前多问自己一句“如果不xxx，我还可以怎么做”。比如“如果接下来这半小时我不水群我可以做点什么？”，比如“如果我这个东西先不发给AI，我还能靠自己优化什么部分？”这样暂停几秒钟想一想或许是有帮助的，从顺心意的角度来看应该是更加尊重自己的精力。

转发者评论

无明显转发评论

原文

#哪些家电没必要搭配AI#我来举几个例子吧：1.带屏幕语音交互的抽油烟机。做饭时厨房本来就吵，油烟机一开，你跟它说话基本靠吼。想看菜谱，屏幕上全是油点，手碰一下还得洗手，远不如手机架在旁边实在。2.AI智能枕头。号称监测睡眠质量，实际就是塞了个加速度传感器。你翻个身它记一笔，起个夜也算一次中断，第二天给你一堆你根本不会看的睡眠报告。想改善睡眠，换个好窗帘比它管用。3.带AI语音控制的马桶。坐上去跟它对话的场景本身就够诡异了。洗完还得听它报水温、风温，有这功夫裤子都提好了。

转发者评论

无明显转发评论

原文

#豆包会员定价68元有何玄机#【专家解读！AI付费会员到底卖的是啥？】#你会为豆包花钱吗# 最近，AI付费上了热搜，原因是一直免费使用的一些功能，即将收费了。进入5月，多个AI助手发布了付费信息，这一举动被业内解读为：国产大模型从“免费烧钱”向“价值变现”转型的标志性节点。付费会员到底卖的是什么？AI助手为啥要收费？对于普通人来说，付费功能值不值得买？付费是否意味着免费服务会“缩水”？戳视频，一起了解↓#你会为AI工具花钱吗#（央视一套）央视一套的微博视频

转发者评论

无明显转发评论

原文

【突破3亿笔！全球首个大规模商用AI原生支付基建诞生】支付宝宣布，“AI支付”已完成3亿笔AI智能体支付、支持95%通用智能体框架，成为全球首个大规模商用的AI原生支付基建。同时，支付宝发布全球首个Token Pay服务和AI钱包产品，连同此前推出的AI付与AI收，构建了面向AI时代的全栈AI原生支付体系。

转发者评论

无明显转发评论

原文

AI工作流的终极形态？Higgsfield的SuperComputer展示了“模型编排器”的威力。它能自动为任务匹配最佳AI模型，将成本骤降15倍！演示中，仅通过一个指令，就自动完成研究并一步到位生成100个UGC视频，全程无需编写提示词。#小米汽车发布世界模型全新框架# #一人之下 AI作画# 零重力瓦力的微博视频

转发者评论

无明显转发评论