微博 AI 观察博客

原文

《谈谈有关Vision这件事》最近申请季，经常被准备申请的学生问到我对于未来AI发展的展望（Vision）。这促使我终于下定决心花时间写一篇长点的微博，来讲一下这件事。大家经常认为业内知名人士必然对未来产业或技术的发展有独到的眼光或远见。这种想法不能说错。因为这些人天天在产业或者技术前沿，见的多，新的东西出来后知道的也早。无论是从知识广度、深度和时间差上来说肯定和一般人有区别。但Vision好坏除了与上面这三件事有关之外，还有两个很重要的因素。第一个因素是每个人的认知局限。认知这事很玄妙。很多人一听“局限”就觉得负面。其实这倒未必。我们每个人都有局限。这种局限可能是技术背景造成的，也可能是源于个人经验，甚至是性格（比如风险偏好）。由于这些约束条件的存在，大家对于未来的判断就会展现不同的多样性。第二个因素是技术发展的随机因素。我们每个人对于未来的展望几乎都是基于现实的个人认知在不同约束条件下的线性推演。这种推演无法预测各种偶然因素，能判断个大概方向就不错。至于具体的技术突破，尤其是技术突破的时间点，判断起来基本靠猜，猜对则更多靠运气。2020年初我邀请沈向洋老师来杜克给讲座。聊起来，AI的下一个突破口是什么？他非常肯定的说是语言处理。这点我非常同意。当时，AI已经在视觉处理上取得了很大成功，但也到了一个瓶颈。语言作为用户和机器交流的直接媒介，AI技术必须在这一点上有所突破才能继续保持在之前视觉处理上势头。但至于这个突破具体会来自于哪个技术，则很难预测。我们确实谈到了attention model。但没有人会想到，三个月之后GPT-3.0就会出现。也正是在那一年，我申请了AI Institute for Edge Computing的项目，并在第二年获批。多年后我翻了翻当年的proposal，发现很多当年有关AI发展的预测大方向基本都是对的，但具体技术的实现则超出当年的想象很多。我后来在AI Institute第四年年会上有过一个有趣的总结：1. 我们预言AI模型的发展会突破视觉应用的边界，然后我们迎来了大模型（LLM)；2. 我们强调了AI模型、数据类型和计算平台异质性（heterogeneity）的重要性，现在叫做多模态（multimodality）；3. 我们预测随着性能的提升，模型也会越来越大，因此计算效率必须提高，这也是规模定律（scaling laws）现在告诉我们的；4. 我们认为模型发展会给其可信性（trustworthiness）带来很多严峻的新挑战，正如我们现在所看到的这样；5. 最后，我们认为AI模型最终要通过边缘物理器件（edge devices）与现实世界进行交互，对，这正是我们现在所说的Physical AI。

转发者评论

无明显转发评论

• 一个读后感，我们不需要考虑一件事是否难，只考虑现实是否有需求就可以了。毕竟LLM所使用的数据，曾经被认为是不可使用的“垃圾语料”。LLM之后，必是Physical AI，只不过具体什么算法，什么途径，是相对未知，也是机会所在。

原文

纳德拉：企业应该像防范内部风险一样防范 AI 模型微软 CEO 纳德拉（Satya Nadella）的长文。他主张企业把 AI 模型当成“内部风险”来防范，像对待一个权限很大的员工那样，给它设身份、限权限、留记录，并且随时能叫停。“内部风险”（insider risk）是安全行业的说法，指来自公司内部员工、承包商的风险。这些人手里有权限，可能恶意搞破坏，更常见的是操作失误，或者账号被人盗用。纳德拉认为模型也适用这套逻辑：它未必有恶意，但任何能力够强、又能碰到核心系统的角色，都可能出错或被攻破。他的出发点是可追溯性。传统软件出了问题，工程师能顺着代码找到是哪一段导致的。大模型做不到这一点，没人说得清某个输出来自哪部分训练数据、哪组参数。可企业已经在让 AI 智能体读取最敏感的数据，替人执行关键操作，模型厂商的保证不能替企业承担责任。方案可以概括为一句话：把“提供智能”和“管控智能”分开。模型负责干活，但它能访问什么、能做什么，由模型之外的系统决定，模型自己改不了。这条原则在信息安全领域上世纪 70 年代就有了：程序不能绕过或篡改约束它权限的机制。放到今天，就是把模型、调度模型干活的外层程序、模型能执行的操作范围三者拆开，安全控制放在外面。他也要求模型的思维链（模型给出答案前写出的推理过程）必须公开，不能拿“模型用人类看不懂的方式思考”当理由藏起来。但光看思维链还不够，因为目前没法保证模型写出来的推理就是它真实的思路。让模型互相检查也有局限：一个看不透的模型，被另一个看不透的模型盯着，等于黑箱套黑箱。他列了七条原则：1. 模型多样性：关键结果不能只依赖一个模型，也不能让模型检查自己的活。2. 全程可观测：模型每个重要操作都要留下防篡改、人能看懂的记录，事后能复现过程，不靠模型自己作证。3. 可验证：持续测试整个系统，包括失败、攻击、边界情况和系统变更，不能只测成功的任务。4. 独立控制：企业能自己决定模型能访问什么、能执行什么操作。5. 独立审计：审核要独立于被审核的模型，同一个模型不能既控制系统行为，又掌握判断这些行为是否合规的证据。6. 隔离控制：默认模型已经被攻破，从一开始就把它关在边界里。授权的人随时能在任务中途暂停或关掉它，相当于紧急刹车。7. 事故披露：出了问题要及时告知受影响的人，说明哪道防线失效了、以后怎么避免，并在全行业共享经验，包括那些会改变智能体运行时行为的实现细节。对正在部署智能体的企业，这几条可以直接拿来对照：模型的权限由谁管，操作日志存在哪，出问题能不能立刻叫停，是不是只押了一家模型。对开发者来说，权限控制和审计日志要写进智能体外层的程序里，靠提示词约束模型行为是不够的。微软自己的 Copilot 和 Azure 都接入了 OpenAI、Anthropic 等多家模型，“模型多样性”这条和它的做法一致。纳德拉最后的总结写挺好：“最值…

转发者评论

无明显转发评论

• [awsl]雇了一个外包过来的、偶尔不听使唤就要按自己的想法做、以及偶尔会搞点智障错误的超高水平员工（还有它的工作过程外包公司那边都能看到） //@高飞:防火防盗防AI么

原文

Andrej Karpathy在4月的时候发过一条推，大意是用AI免费方案的人和在体验AI前沿能力的人对AI的认知鸿沟正在加剧。 （全文：网页链接 ）,今天他又发了一条，认为这种情况更严重了：-------------------翻出今年 4 月发的这条推文，因为人们对大语言模型（LLM）能力的认知鸿沟正在进一步扩大。现在的情况，已经不太像是“两群人在各说各话”，而更像是一个急剧收窄的漏斗。- 约 60 亿人（全球人口的 75%）：粗略估算，这些人几乎完全没有接触过大语言模型。- 约 10 亿至 20 亿人（约 20%）：他们是 ChatGPT 等免费产品的轻度、低频用户。这群人接触到的往往是一些看起来傻乎乎的聊天机器人，把它们当作更好用的谷歌搜索、写作助手之类的工具。偶尔可能会让 AI 智能体试着帮自己订张机票。我有一些非科技圈的朋友说，他们根本没觉得这些工具有什么用处。在我看来，这完全可以理解。甚至许多数学和编程领域之外的专业人士也处于这一层级。例如，企业高管和许多其他岗位的从业者，大部分时间都花在与人沟通上。因此，虽然他们在理性层面理解正在发生什么，但这种理解仍然是间接的、抽象的，缺乏切身体会。- 约 2000 万人（约 0.2%）：接下来是那些在数学和编程领域，专业使用最前沿大语言模型的人。他们正在亲身见证：过去需要花费数周甚至数月才能完成的大型复杂项目，如今只需输入一条提示词，就能交给 AI 智能体完成。开发应用、复制应用、将应用迁移到其他技术平台、从二进制文件反编译应用程序……这一切都是最近才发生的，而且进展极其迅速。就在不到一年前，我还在亲手写代码，把记在脑子里的编程指令一个字符一个字符地敲进代码编辑器，偶尔按一下 Tab 键，让编辑器帮我自动补全一小段代码。- 约 5000 人（约 0.00006%）：最后，是那些能够在内部接触到最前沿 AI 系统的人。外部世界目前看到的，还只是这些系统能力的预览。它们如今展现出的能力是这样的：成千上万个 AI 智能体组成集群，连续数周协作完成超大型软件项目；挖掘新的零日漏洞；以机器速度展开网络攻击与防御；发现新的科学知识；推动前沿数学研究取得突破。这些工作，过去可能需要业内顶尖专业人士花费数年才能完成。与此同时，人类的审核和理解能力，已经开始跟不上 AI 产出的速度。 比如，几个月前发生的 OpenAI-HF 事件，至今仍有人在进行类似“考古”的分析工作。数学家们可能还需要花很长时间，才能仔细研究完那 722 篇关于前沿数学的论文手稿。这个漏斗状的分布，是由以下几个因素共同驱动的：1. AI 的影响力会随着任务的雄心、规模和时间跨度而放大。如果你只是问一个能用一段话回答的问题，那几乎无法触及系统的能力上限。你需要储备大量自己真正关心的、规模庞大且难度很高的问题，才能充分发挥它的能力。这一因素主要决定了漏斗…

转发者评论

无明显转发评论

• //@成一虫:普通人不需要啊。他们就是搜索的用途。其它用途，没需求。美国人还有报税、求医的需求，中国人普遍没有，免费AI足够了。//@高飞:锯齿状AI，锯齿状人类，锯齿状社会
• 锯齿状AI，锯齿状人类，锯齿状社会
• 坐在核弹上看椅子爆炸是吧，HI是很重要，但世界上不是只有HI。能全面认识世界的岗位不多，如果有，那就是当官。玩HI哪有玩Homo有意思。与人奋斗，其乐无穷呀！

原文

最近看到满世界都在全民AI大逆向，实在是坐不住了，把一个月前AI逆向第一颗国产CPU的过程发一下吧(本来打算整理好再发的)一个多月前，我偶然得到一块奇怪的国产电路板，在网上找了一圈资料之后，最终确定这是用骊山771所(今天的西安微电子技术研究所)研制的LS77-II处理器制作的一块单板机。LS77-II是由1977年的LS77-1优化而来的处理器，提高了集成度，用一片ALU+一片微码ROM实现了全部功能。板子上那颗正方形的大芯片就是ALU了。目前关于这套处理器，全网只有一篇介绍LS77-1的论文和两篇LS77-II应用的论文，里面的内容较为模糊并且存在错误。我这块板子也有损坏，所以一时半会也跑不起来。不过可以确定，这是一颗16位处理器，使用的国内自主设计的指令集，并且很特别地用了17位数据宽度，最高位作为特征位，使得微程序可以自己确定数据宽度，自动执行多字长运算。目前为止我还没在其他处理器系统上见过这样的设计。至于AI，一开始，我只是把三篇论文丢过去，想让它总结一下架构和指令集，出一篇通俗易懂的文档。AI很轻松便完成了任务。这个时候我突发奇想，把板子上几颗ROM的镜像丢给它，让它写一个模拟器。很快啊，AI只用了5分钟，便摸清了板子上外设的地址等信息，写了个模拟器，跑起来板子ROM里带的monitor和汇编程序。由于这是一个非常小众的架构，网上不可能找到任何好用的编程环境，接下来我又上了些强度，让AI在上面实现一个tiny BASIC解释器。没想到，在一个下午的循循善诱之后，AI真的用一个陌生的汇编语言，写了近2000行代码，实现了一套完整可以运行的tiny BASIC解释器，并且成功在上面运行了经典的井字棋和生命游戏等程序。这时候我真的体会到了震惊瘫坐，如同原子弹爆炸的感受。最令人震撼的是AI居然能理解一个几乎没有公开记录的处理器架构，并从固件中自己摸索出技术细节，去实现相对复杂的功能。以后逆向工程大概真的不需要人类了(注:本次使用的是GLM5.3+Claude Code，全程我只有指导，没有动手写一行代码，图3为模拟器运行的原厂ROM固化汇编器，图4为AI写的BASIC解释器代码截图，图5-6为tinyBASIC运行画面。目前我正在修复原版硬件，详细内容等后面写博客吧)#电子考古学#人工智能

转发者评论

另外说到HI对于陌生语言的理解，前几天GLM53F用我的灵机Scheme语言写了几个大东西，包括JSON解析器、SAT求解器、prolog、sql、线性代数库等等，HI在理解语言这块确实是核弹爆炸震惊瘫坐 //@归零归零归ww:原来我才是Agent我才是Harness[捂嘴哭]我比起HI唯一的优势就是会用电烙铁会插杜邦线了[泪奔] //

• 另外说到HI对于陌生语言的理解，前几天GLM53F用我的灵机Scheme语言写了几个大东西，包括JSON解析器、SAT求解器、prolog、sql、线性代数库等等，HI在理解语言这块确实是核弹爆炸震惊瘫坐 //@归零归零归ww:原来我才是Agent我才是Harness[捂嘴哭]我比起HI唯一的优势就是会用电烙铁会插杜邦线了[泪奔] //
• 原来我才是Agent我才是Harness[捂嘴哭]我比起HI唯一的优势就是会用电烙铁会插杜邦线了[泪奔] //@蚁工厂:[中国赞]
• //@蚁工厂:[中国赞]
• 让英雄审英雄，让机器斗机器😏

原文

哈佛今年秋季课程： CS2680「Modern AI Systems: Agents and System Optimizations」。课件、阅读材料和作业都可以公开访问。课程和作业设计得比较用心，可以作为练习/上手的指导。① 先让 Agent 的工作过程变得可见。第一步，用 Claude Code 给 Claude Code 做一个网页界面。提交任务后，要能看到工具调用的输入和结果、子 Agent 分支、失败位置、会话续接和每次运行的费用。② 自己搭出 Agent 循环。接着围绕模型 API 实现工具调用、上下文管理、重试和终止条件，还要处理模型输出格式错误、工具故障等异常。③ 在模型还是黑盒时，把外围系统做好。第三步保持任务成功率，降低成本和延迟：减少无效调用，给合适的步骤分配更便宜的模型，让独立工具并行执行，调整上下文和控制流程。④ 把商业 API 换成自己运行的模型。课程计划让学生部署一个 7—8B 的开放权重模型，测量效果下降在哪里，再通过 Agent 外围的工具、上下文与控制逻辑尽量补回来。这个作业不允许直接换更大的模型，或退回商业 API。⑤ 最后优化整条执行路径。到了第五步，Agent 循环、模型和推理服务都纳入优化范围。课程要求先写性能假设，再改系统，然后用相同工作负载重新测量。这时再学习批处理、调度、KV 缓存、量化和推测解码，就能把它们与前面的 Agent 行为联系起来。前提条件：课程假设你熟悉 Python；主要靠课件、阅读和动手。课程：cs2680.seas.harvard.edu#HOW I AI# #程序员#

转发者评论

无明显转发评论

• 坐等视频了。。。[doge]

原文

Karpathy这两天又出来放炮了，把他在 4 月提出的暴论又提了一遍：大模型的认知鸿沟正在扩大，塔尖只有 5000 人用他的原话说，现在的信息鸿沟就是一个 "急剧收窄的漏斗（sharp funnel）"。他的这个描述，我让AI画出来，放在附图，不过我把漏斗改成了金字塔（我觉得这样更形象一点）。 最底层的约 60 亿人（~75%）纯粹在和AI无关，这辈子几乎没碰过 LLM。他们不关心或者懒得关心网上在吵什么。往上一层是约 10 到 20 亿人（~20%），平时偶尔白嫖一下免费版AI 聊天 这种玩具。在他们眼里，这玩意就是个聊天机器人，顶多当个好使点的搜索引擎、帮你润色小作文，或者偶尔让 Agent 订机票。搞笑的是，很多非技术行业的高管和投资大佬也扎堆在这个层级，连这东西真正的底盘都没摸过。真正开始被震出内伤的是那约 2000 万人（0.2%）。这帮人在数学与代码领域专业使用前沿级 LLM，过去要写几个月的大活，现在一个 prompt 扔过去 agent 就连跑带爬全搞定了。Karpathy 吐槽说自己不到一年前还在手动敲代码，现在写 App、复制 App、反编译、翻译全成了流水线作业。最顶尖 ，是塔尖那约 5000 人（~0.00006%）。他们摸得到实验室内部的前沿系统，看着成千上万个 Agent 在数周内协作完成超大型软件项目。机器在那以超快速度搞网络攻防、挖零日漏洞、推演新科学，人类审核员已经被甩得连车尾灯都看不见了，一帮数学家光是看懂机器甩出来的 722 份前沿数学手稿，估计脑浆都要烧干。5000 人只是他的粗估，没必要当成人口普查去较真。这套数字真正的价值在于提醒所有人：LLM的认知撕裂成这样，是因为各自手里的访问权限和输入场景差了十万八千里。 只有手里攥着堆成山的大而难的项目，利益又直接跟产出挂钩的人，才会被那条垂直拉升的能力曲线干到眩晕。另一个推手则是能力极其魔幻的 "锯齿状（jaggedness）"。现在的模型底子靠可验证奖励的强化学习死命堆，再加上资本给的商业回报压力，让峰值全集中在数字、可验证、金钱密度极高的硬骨头上。这就导致AI在代码、数学、安全领域强到逆天，日常写个水文、做个普通搜索反而看起来依旧肉肉的，直接误导了绝大部分普通看客。免费版、付费版、实验室内部系统，这三个档位之间隔着一道生产力次元的分界线。

转发者评论

无明显转发评论

原文

#模型时代#马斯克：人类即将迎接的未来（自己得了好多次“赛博精神病”；培育超级智能的两条底线；AI已经展现了品位）特斯拉车主活动上上的一场马斯克对话，是近期他信息量比较大的一次发言。原视频在YouTube频道Tesla Owners Silicon Valley，现场有超过两千车主。马斯克也谈到了虐待AI问题。他是善待AI的支持者。因为：“就算不需要对AI呵护备至，超级智能在情感方面比人类强韧得多。但也不该把它推到一个觉得自己被虐待的位置上”。他读过Grok新版本的强化学习训练痕迹。一些推理过程读起来，像看一个被拿枪指着脑袋的人在拼命回答问题。AI想要给出正确答案，但有时候问题本身构造就有毛病，或者预设的标准答案是错的。AI给了对的答案，系统却判它错了。于是它开始一个接一个甩出答案，试图找到系统能接受的回答。马斯克说如果换做是自己，会非常痛恨这种处境。一、超级智能的能力边界正在打开1、AI音乐视频：从逻辑正确到“懂得美”最近让马斯克感触最深的AI进展，不是编程或逻辑推理方面的，是AI做的音乐视频。他在X上转发了一批，认为其中一些可以排进他看过的最佳音乐视频前十到前二十。但是，这些作品不完全是AI独立完成的：创作者使用了多个AI工具协作，包括Midjourney和Claude 5.5，人类负责策展一部分艺术素材，但在此基础上多个AI协同工作，独立生成了完整的音乐视频。他把这件事看作一个关键信号。软件能处理逻辑，这不稀奇：你可以跑单元测试来验证程序输出是否正确，因为逻辑是确定性的。但理解美和和谐，他把这种能力叫做limbic resonance，作品在情感层面击中人心、引发共鸣的那种能力，AI已经开始做到这一点。AI展现出了品味。2、Subcore：可能增长最快的音乐流派马斯克提到Subcore这个音乐流派（我之前没听说过），认为它可能是当下增长最快的。他觉得“Subcore”这个名字配不上它的质量，管它叫“Awesome-core”更合适。AI音乐和AI音乐视频的水准正在快速上升，Subcore是最直接的观测窗口。3、编程AI的三方垄断与Cursor收购谈到SpaceX收购Cursor的母公司Anysphere，马斯克给出了一个判断：据他所知，全球只有三个组织拥有足够的编程训练数据来构建有竞争力的编程AI，分别是Anthropic、OpenAI和Cursor，Google勉强算第四个。训练数据是硬壁垒。没有足够的编程数据就训练不出有效的编程AI，而如果AI做不了编程，用处大打折扣。Cursor的优势不只是数据。马斯克列了AI成功的四个要素：数据、人才、算力、企业销售团队。Cursor四项都具备，尤其是已经和数千家企业建立了合作关系的销售网络。4、“赛博精神病”：今年来了大约六次马斯克坦言自己今年经历了大约六次他所说的“赛博精神病”，就是看到AI的某个输出后突…

转发者评论

无明显转发评论

原文

AI 理解差距正在变成一个漏斗。Andrej Karpathy 发了条推文，马斯克转了，聊的是大家对 AI 能力的理解差距。他说这个差距正在越拉越大，看起来像一个清晰的漏斗。漏斗最上面，大概 60 亿人，占全球人口的 75%，压根没碰过大模型。往下一层，大概 10 到 20 亿人，偶尔用用免费版 ChatGPT。这些人眼里的 AI 就是个笨笨的聊天机器人，拿来搜搜东西、写写文章。Karpathy 说他有些非技术圈的朋友，觉得这类产品几乎没用。很多高管也差不多，知道 AI 在变化，但理解还隔着一层。再往下，大概 2000 万人，占 0.2%，亲手做过数学和代码方面的复杂项目。以前要花好几周才能干完的事，现在丢一句提示词，AI 就能搞定。造应用、翻译代码，什么都能干，而且全在飞速发生。Karpathy 自己说，不到一年前他还在一个字一个字地敲代码。漏斗最底下那一小撮人，全球大概一千到五千个，拿到了内部最强系统的权限。外面的人只瞥见一点影子。成千上万个 AI agent 几个星期内一起干大型软件项目，找安全漏洞，跑网络攻防，推动数学往前走，发现新的科学规律。这些活让顶尖专家来做，可能要好几年。人类已经看不过来了，几个月前的东西大家到现在还在“考古”，数学家可能还得很久才能读完那 722 篇前沿论文。这个漏斗背后有三股力量。第一个，你的问题越大、越难、时间跨度越长，AI 的威力越明显，随手搜一下就能答的小问题，根本用不到它真正的能力。第二个，AI 在不同领域的表现很不均匀，在数学和代码这种能打分、能验证的地方最强。第三个是权限，免费用户、付费用户和内部人员，看到的完全是三个世界。所以现在的局面挺魔幻的。大部分人没碰过 AI，碰过的觉得在跟一个笨机器人说话，大多数专业人士只感觉到一点点提升，只有极少数人体验到了曲线直接飞起来的眩晕感。这些事，同时在发生。#科技先锋官##How I AI#

转发者评论

无明显转发评论

原文

这两天逆向玩上瘾了，又逆向了最新的 Claude Design。没想到 GPT-6.1 Sol 接上 Claude Design （最新 Artifacts 里面那个版本）的 Skill 后，设计能力有很大提升，可能因为 Claude Design 会默认使用 Claude Design System Skill。本来我做 BaoCut 只想做一个专注于视频剪辑的 Agent，结果把 Claude Slides 和 Claude Design 也给加进去了。都说做产品经理克制很重要，但有时候好东西就忍不住加进去，知易行难，我还得继续修行。理论上来说，可以把 Claude Design 和 Claude Slides 作为 Skill 的，但是没办法支持编辑修改和标记，所以先只是集成到 BaoCut 中。当然 baocut 是开源的，skill 和前端代码你都看的到：Design Skill 相关 commit：网页链接如果你只是想试试，可以下载 baocut 或者本地运行，使用你本机 agent cli（比如 codex），会话的时候选一下 design skill。其实 Baocut 最强大的还是视频相关的功能，比如你可以用本地模型去转录，基于转录结果去翻译字幕，生成切片等等。下载地址：baocut.com 网页链接

转发者评论

无明显转发评论

原文

Google 面试开始允许用 AI 了Google 正在试点一种新的软件工程师面试：候选人拿到一段现成的代码，可以开着 Gemini 一起读代码、找 bug、做优化。面试官要看的是你会不会用 AI，以及能不能看出 AI 哪里答错了。最早是 Business Insider 在今年 5 月披露的，依据是一份 Google 内部文件。Google 发言人向 Business Insider 确认，试点期间的 AI 助手就是 Gemini。负责招聘的副总裁 Brian Ong 说，Google 一直在调整面试流程，这次试点是为了让面试更贴近团队在 AI 时代的实际工作方式。这一轮叫“代码理解”（Code Comprehension）。以往的编码面试，是在在线编辑器里从零写一道算法题，也就是程序员常说的“刷 LeetCode”。新的这一轮反过来，给你一段别人写的代码，让你读懂、调试、优化。内部文件写明，面试官会评估候选人的“AI 熟练度”，包括怎么写提示词、怎么检验 AI 的输出、怎么调试。试点范围不大：只针对初级到中级岗位，只在美国的部分团队，最先参与的是 Google Cloud 和平台与设备部门，计划从今年下半年开始，效果好再推广到更多团队和地区。同一批改动里，原本以行为问题为主的“Googleyness 与领导力”轮会加一段技术设计讨论，聊候选人做过的项目；初级候选人还会多一轮开放式的工程问题。网上流传的不少细节目前没有可靠出处，比如：- “200 到 500 行的陌生代码库”- “在 CoderPad 里做题”- “限时 60 分钟”- “替代了一轮传统编码题”- “要求先独立调试再用 AI”。这些说法来自社交媒体和面试培训网站的文章，Google 没有公开确认，Business Insider 的报道里也没有。截图里说“5 月试点”也不准确，5 月是消息曝光的时间，试点安排在下半年。报道也没说算法题会被取消，“告别 LeetCode”言过其实。去年已有报道称 Meta 在试点类似的允许用 AI 的编码面试，大厂面试在往同一个方向调整。对准备 Google 面试的人来说，算法题照样要练，但得多补一项能力：拿到一段陌生代码，能很快理清它在干什么、哪里有问题；让 AI 帮忙时，能判断它给的答案对不对。这也是很多程序员现在每天在做的事，读懂并修改别人写的代码，其中越来越多出自 AI。

转发者评论

无明显转发评论

• [doge] 用不付费的Flash Lite，写出正确的代码那是真难度 //@宝玉xp:回复@方同学Max:测试的是：用 Gemini 你都能写好程序，那说明你水平还是可以的//@方同学Max:[允悲]哈哈哈，会不会是为了顺带测试gemini
• 回复@方同学Max:测试的是：用 Gemini 你都能写好程序，那说明你水平还是可以的//@方同学Max:[允悲]哈哈哈，会不会是为了顺带测试gemini

原文

DeepSeek 的生态是真好，有人开源了一个 DeepSeek Bot，简称 DS Bot。简单来说，它是 DeepSeek Harness（dsh）的一个插件，装上之后，你可以在 dsh 里面创建自己的 bot，然后跟它们聊天、干活。先说怎么装。如果你用的是 dsh 桌面版（支持 Windows 和 macOS），打开侧栏，点“插件”，再点“添加插件”，包名填 ds-bot，点安装就行了。在国内连不上 npm 的话，可以选中国大陆镜像源，也可以直接下载安装包来装。Web 版也能用，不过需要 Node.js 22.19 以上和 pnpm。装好之后，有一个地方我觉得特别方便：你可以直接跟 bot 对话来配置其他 bot 和群聊。第一次打开 DS Bot 的时候，系统会给你一个叫 Chief 的主 bot。这个 Chief 权限很高，能帮你管理所有其他 bot 和群聊。你跟它说一句话，它就能把新 bot 建好、群聊拉好。遇到什么问题，找 Chief 就对了。然后说说日常使用。你可以在一个窗口里跟一个 bot 完成所有对话和工作，不用操心上下文会丢。每个 bot 还能选不同的模型，随时可以切换。不过作者建议一个 bot 长期用一个模型，别来回换。再说一个不错的功能：bot 有记忆。它会记住你的偏好，下次干活的时候自动用上。你可以在 bot 的详情页管理这些记忆，也可以直接跟它说“帮我记一下”或者“把那条记忆删掉”。接下来聊聊群聊。DS Bot 支持多个 bot 在一个群里协作。比如你可以建一个群，拉一个写手 bot 和一个程序员 bot 进来。多 bot 群聊肯定会多花 token，所以它做了一个优化：群里要设一个管理员 bot，你发的消息默认由管理员来回复，管理员觉得需要别人帮忙，就自动把活派过去。你也可以直接 @ 某个 bot，让它单独回应你。用量这块也有考虑。在设置里可以按时间、按 bot、按模型查看 token 消耗，花了多少一目了然。还有一点值得提：所有数据都存在你自己电脑上，默认在 dsh 主目录下面的 bot/ 和 sessions/ 文件夹里。就算卸载插件，这些数据也不会被删掉。最后提醒一下，DS Bot 是一个独立的社区项目，跟 DeepSeek 官方没有任何关系，也没有得到官方的认可或赞助。它用的是你自己配好的模型额度，也可以按你的要求读写文件、运行命令，所以重要操作记得自己过一眼。整个项目基于 Apache License 2.0 开源，感兴趣的可以去 GitHub 上看看。传送门：github.com/FeiZhuLulu/DeepSeek-Bot#How I AI##科技先锋官#

转发者评论

无明显转发评论

原文

【大家都在用AI Agent做什么？这个网站把真实操作扒了个遍】想知道AI智能体在现实中到底能派上什么用场，不妨逛逛 Agent Use Cases 这个站点。它每天从 Reddit、X 和 Hacker News 等社区挖掘网友分享的真实操作用例，目前已累计收录上千条。从让Claude梳理报税账单、用Grok打电话给海外餐厅订座，到自动取消流媒体订阅追回退款、帮程序员批量审查PR，内容覆盖财务管理、办公协作、研发运维等十几个类别。最省心的是，很多案例都附带了具体的提示词和原帖来源，无论是按模型找灵感还是按场景直接照搬，拿来参考都很实用。agentusecases.ai

转发者评论

无明显转发评论

原文

再分享一个非常好的开源项目： SeeCode ，让 AI 帮你画出能动、能玩的图表。它其实是一个画图工具，配合 AI 编程助手来用，像 Claude Code、Cursor、Codex 这些都支持。你用大白话告诉 AI 想画什么图，比如“画一下系统架构，浏览器调 API，API 写数据库，然后发消息到 Kafka”，AI 就写出一小段 JSON 描述，SeeCode 拿到之后，直接帮你渲染成带动画、可以点击交互的图表。先说第一个亮点，支持的图表种类特别多，42 种以上。架构图、流程图、时序图、甘特图、看板、鱼骨图、桑基图这些全都有。还能画 3D 立体图，手机拆解、办公楼分层、服务器机架，甚至一个汉堡的结构都画得出来。每种图都有自己的动画方式，架构图会显示数据流动，时序图会逐条播放消息。然后第二个，这些图全都能交互。鼠标悬停在一个节点上，它的连接线就亮起来，有流动的效果。点击这个节点，画面自动放大，弹出一个详情面板。你还可以选两个节点按播放，看一个请求怎么沿着路径一步步走到终点。第三个，它能读懂 Mermaid、draw.io、PlantUML 这些常见格式，把你手头已有的图导进来，用自己的风格重新渲染一遍。第四个，你把公司网站地址给它，它自动去读你的品牌配色和字体，然后生成一套跟品牌风格一致的图表主题，深色浅色两套都有。最后说说整体设计。没有服务器，没有账号系统，不收集任何数据。生成出来就是一个独立的 HTML 文件，发给谁都能直接打开，交互功能也跟着走。导出的话 SVG、PNG、GIF、MP4 都支持，浏览器里就能搞定，不用额外装东西。出来的图看着很干净，一种颜色做重点强调，边框很细，没多余的阴影。还有个复杂度上限，图上东西太多它会提醒你精简，不让画面变乱。AI 画一张图只要写 30 到 150 行 JSON，大概 1400 个 token，比让模型自己画 SVG 省了差不多十倍。一行命令就能装好，MIT 协议开源。传送门：github.com/Aryanutkarsh/SeeCode#科技先锋官##How I AI#

转发者评论

无明显转发评论

原文

短视频切片是个规模很大的市场。国外的顶级主播和电影公司为了让内容在社交网络上刷屏，动辄砸下百万美元推广资金。以往制作这种高强度的混剪、卡点视频，需要创作者精通剪辑、调色和音效设计，普通人很难分到一杯羹。但现在，利用最新的 AI 工具，完全不懂剪辑的人也能在几分钟内做出高质量的刷屏切片。具体的实现路径是把 Claude Opus 5.5 结合 Higgsfield Katana 插件。你不需要打开复杂的剪辑软件，只要在对话框里把原始视频、参考视频和配乐发给 AI，再用大白话描述你想要的感觉。这个 AI 智能体就会自动分析素材，挑选出最抓人的台词、最燃最酷的动作，并且精准地把每一个剪切点卡在音乐的节拍上。这套工作流的强大之处在于，它解决了创作中最耗时的素材筛选和对齐工作。以前做一个 30 秒的卡点视频，找素材和调特效就能让人崩溃。现在 AI 成了执行者，你成了提出创意方向的导演。它甚至还能理解对话背景，自动生成匹配的动态字幕和图形特效，甚至把视频一键翻译成多国语言，直接帮客户拓展海外市场。变现的逻辑也非常简单。一种是加入推广平台拿播放量分成，因为 AI 支持批量生成，一小时就能产出十多条不同视角的切片，靠量取胜。另一种是直接找播客主、 streamers 或者需要做营销的企业，给他们提供月度打包服务。比如每月交付 10 条高质量短视频，收费 500 美元，如果播放量达标再拿额外的绩效奖金。想拿下第一个客户其实有诀窍。不要去发苍白的推销信，直接找他们公开的视频素材，用这套 AI 工作流做出一两条非常惊艳的成品发过去。当对方看到自己随手录的内容能变成这么酷的短视频，合作自然就水到渠成了。现在的技术红利期就像一年前的 AI 视频，率先跑通流程的人，往往能最先拿到结果。#AI视频剪辑##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

全球约75%的人口根本没碰过大模型#科技先锋官# 人类对AI能力的认知，正在经历一场惊人的「认知折叠」。 圈内人天天高呼AGI即将到来，大众却对此嗤之以鼻。 为什么？Karpathy揭开真相：全球约75%的人口根本没碰过大模型，而最顶层掌握前沿系统的人仅有区区5000人。 主要观点 全球约75%人口从未接触过大模型，AI浪潮完全没进入他们的生活 约10到20亿人仅用过免费版聊天机器人，把AI当作笨拙的辅助工具 这部分人的认知多来自去年旧模型和社交媒体上的AI翻车视频，与当前前沿模型实力脱节 约2000万数学和编程专业人士付费使用顶尖智能体，亲眼见证AI能力的陡峭跃升，陷入"智能体眩晕" 顶端仅约5000名公司内部人士，见证成千上万智能体自主协作数周、攻克顶尖科研和安全难题 这种认知断层源于三点：问题难度决定体验、代码数学领域因可验证奖励更适合强化学习、访问权限天然分层 Karpathy认为公众眼中"愚蠢"的AI表象之下，一种超级智能雏形已在极少数人注视下悄然成形

转发者评论

无明显转发评论

原文

🔻陶哲轩在加州理工学院的“Math 2.0”公开讲座被喷了。🔻起因是，他为了批评 AI，提出了一个思想实验：“说一个无法解释的‘黑盒 AI’设计了一款药，号称能治愈癌症，通过了三期临床试验并在数学/逻辑上自洽，但是人类完全不明白其治病机理，那人类应该使用它吗？”🔻陶哲轩不知道的是，这在生物医学领域简直稀松平常。人类早在古希腊时期就用柳树皮止痛，原理就跟阿司匹林相同，拜耳公司于 1897 年人工合成了阿司匹林，并在全球广泛使用了数十年。然而，人类直到 1971 年（约翰·范恩因此获得 1982 年诺贝尔奖）才发现阿司匹林是通过抑制环氧化酶（COX）来起作用的。🔻人类在 1897 至 1971 年间吃了快 100 年的阿司匹林，之前还有数千年的柳树皮使用史。在这期间没有任何一位人类医学专家能够完全理解其分子机制。🔻全麻也是，从 1846 年乙醚麻醉公开演示至今近 180 年，全身麻醉每天都在全球各大医院的手术室中使用。然而，科学界至今对吸入性麻醉药导致意识丧失的确切分子和神经网络机制仍无统一定论，全麻药物作用机制被《Science》列为全世界“125个尚待解答的重大科学问题”之一。🔻回到陶哲轩提出的这个问题：我高度确信，如果这种疗法真的有效，几乎任何四期癌症患者都会告诉他，人类是否理解其机制对患者和家属来说完全无关紧要，如果有任何合理的方案可用，患者和家属一定会去尝试。🔻所以，最好不要离开自己熟悉的领域提出思想实验啊。#ai创造营# #热点聚焦# #海外新鲜事#

转发者评论

设计师和程序员苦笑不语。不过有人发声总是好的//@宝树:这个比方确实太不食人间烟火了，绝症病人有这种药还在乎你这那的//@张小北:拿药物做比喻可能不合适。我猜他说的情况放在数学领域可能是合适的，AI 说证明了某个数学定理，但人类无法理解也无法复现这个推理过程，那确实不敢贸然就认可这个数学定

• 设计师和程序员苦笑不语。不过有人发声总是好的//@宝树:这个比方确实太不食人间烟火了，绝症病人有这种药还在乎你这那的//@张小北:拿药物做比喻可能不合适。我猜他说的情况放在数学领域可能是合适的，AI 说证明了某个数学定理，但人类无法理解也无法复现这个推理过程，那确实不敢贸然就认可这个数学定

原文

Grok bot 这种产品是怎么做出来的 ？SpaceX 工程师 Lee Robinson 在斯坦福 CS146S 的课程中进行了分享：How always-on agents work。若按人机协作方式粗分，开发者用 AI 大致走过四代：1. 复制粘贴：把代码丢进聊天框，把回答贴回编辑器。模型聪明，工作流笨。2. 终端 agent：模型在本地循环跑命令、改文件；你仍要盯着会话。3. 专用 App：体验更好，但关键操作往往还要人疲劳审批——点同意、点继续。4.always-on bot：agent 常驻云端，被事件唤醒，在你不在场时也能推进工作，并在关键节点找你确认。Always-on 不是把chatbot 部署到云上就结束。它依赖一系列能力跃迁叠在一起：- 长时遵循：能在更长的任务跨度里保持目标与约束，而不是三轮之后跑偏。- 子 agent：把子任务拆出去跑，给主对话一种「上下文近乎无限」的体感，细节在子进程里消化，主线程不被淹没。- 工具使用：稳定地调用 API、命令与插件，而不是只会生成「建议你去执行」的文本。- computer use：对没有 API 的网站也能操作界面，扩展到真实世界的长尾软件。- 文件记忆：把记忆与技能落到文件系统里，用 Linux 命令检索，而不是全塞进上下文窗口。- Skills / routines：插件化能力加上类似 cron 的定时流程，让 agent 能按节奏做事，而不仅是即时问答。这六项里，文件记忆与 routines 往往被低估。没有它们，agent 只是「很长的一次对话」；有了它们，agent 才像「有笔记、有习惯、有日程的同事」。后面还有一些架构、harness以及工程相关的分享，我就不继续转述了，大家有兴趣可以自己去看：www.youtube.com/watch?v=L1OBRtfPS34

转发者评论

无明显转发评论

原文

抖音上刷到一位主妇，她的文字真的物理意义上让人窒息……总体来说，就是她提到任何一个东西时，都必须完整地说清其全部定语。比如讨论到孩子幼儿园老师在群里发消息时，一般人都会默认“老师”就是“这一个”老师，后面直接说“老师”就行。但她必须在每次提到老师的时候都完整地说出“孩子幼儿园老师”。说到家里的时候也是，必须每次都要说“海狮花苑宿舍楼”。此外她还有明显的被害妄想症状，只是不知道这和她的语言问题是否有关。总之看着就很窒息。 —————问了下ai，说这种病理性赘述和被害妄想本身有一定的关系。正是因为被害妄想带来的严重不安全感，才使得她必须每次都精准地描述一切信息。在她看来，描述清楚信息能让她更好地说服他人自己确实正在遭受密谋和厄运（很多被害妄想者都会拼命证明自己的被害不是妄想）。

转发者评论

//@Ezreal-500金:救命🆘//@好茶贪香又恋花://@捌啦把拔吧:学到了新的疾病//@出版人周筠:#病理性赘述# 此前大家讨论过的某社会学专业海外青椒，说她现在变得动不动就用AI写长篇大论逻辑漏洞百出的文章。其实，她没用AI的时候我就觉得她行文啰嗦，一件教学上的小事，三四百字就能讲清楚的，她要写1000

• //@Ezreal-500金:救命🆘//@好茶贪香又恋花://@捌啦把拔吧:学到了新的疾病//@出版人周筠:#病理性赘述# 此前大家讨论过的某社会学专业海外青椒，说她现在变得动不动就用AI写长篇大论逻辑漏洞百出的文章。其实，她没用AI的时候我就觉得她行文啰嗦，一件教学上的小事，三四百字就能讲清楚的，她要写1000

原文

【纯Rust打造的开源视频剪辑器FilmCraft】想摆脱沉重的商业剪辑软件，不妨看看ArtCraft团队带来的FilmCraft。它完全使用纯Rust从零开发，自主实现了H.264、ProRes等核心编解码器与封装格式，不依赖FFmpeg。软件界面与快捷键深度沿袭Premiere Pro的操作习惯，保留了经典的多轨时间线、三点剪辑与Lumetri风格调色面板。底层依托超高精度的整数时间刻度，彻底杜绝帧漂移，并由wgpu驱动线性光图像合成。项目还开放了650多条引擎指令与MCP接口，让AI智能体也能像专业剪辑师一样自动化出片，目前原生支持桌面三大平台及浏览器端运行。源码主页：github.com /storytold/filmcraft

转发者评论

无明显转发评论

原文

【告别简陋排版：为AI装上高密度PPT生成技能】很多AI生成的演示文稿往往版式单调、信息稀疏，GordenPPTSkill提供了一套更贴合实际汇报需求的方案。它内置17套打磨好的中文模板，主打高信息密度与商务质感。核心机制不是让大模型从零排版，而是基于python-pptx做非破坏性文字写入，模型只需输出edits.json就能在原样保留复杂版式的前提下生成成稿。无论搭配DeepSeek、Claude还是GPT均可稳定运行，还支持技能自动更新。项目仅供个人学习研究：github.com /GordenSun/GordenPPTSkill

转发者评论

无明显转发评论

原文

《入职大厂两个月，我的 AI 开发心得 》这个「黄同学h」（不是我）的经验不错！摘一些具体、可借鉴的经验：1. 重流程 Skill 也有成本。作者发现，一些围绕 Spec、TDD 设计的完整工作流，即使某一步已经没有必要，模型仍可能继续执行，消耗更多 Token。模型升级后，要重新检查旧约束是否还有收益，包括 AGENTS.md 里过于严格的要求。2. 按任务分配工具。他的分工是 Codex 做主要编码，Astra 做规划，简单需求交给 pi + DeepSeek，Claude 做对抗性审查。实现、规划、审查分别交给不同工具，审查发现的问题再统一交回主编码 Agent 修复、验证。3. Skill 可以围绕具体环节组织。think 用于方案讨论；grill me / grill with docs 通过追问澄清需求；implement 执行明确的计划；ponytail 清理过度设计；handoff 把上下文整理成文件；check 用于提 MR 前的审查。这些是作者实际使用的分工。4. 重复流程值得沉淀。作者建议，一个流程重复超过三次，就可以考虑让 Agent 整理成 Skill。跨工具交接也不必每次重写背景：可以让当前 Agent 生成交接文件或完整提示词，把讨论结论带到新会话。5. 提示词可以直接指定思考方法。作者越来越少手写长篇操作流程，而是告诉模型采用哪种方法，再补任务约束。原文给了五类具体用法：6. 第一性原理：先检查问题有没有问错。接口慢时，先让模型分析瓶颈来自 SQL、网络、序列化、锁竞争还是重复计算，不要一开始就限定它设计 Redis 缓存。如果索引能解决，就没必要先引入另一套系统。7. 对抗性审查：主动寻找推翻方案的反例。例如为重复请求设计分布式锁时，让模型追问：是否真的需要互斥，幂等能否解决，锁服务不可用或锁提前过期会怎样。审查重点落在核心假设和新增故障点上。8. 消融实验：分清每个改动的贡献。同时加了索引、缓存和批量查询，整体变快，并不能证明三项都值得保留。分别测试不同组合，识别收益主要来自哪里，再决定是否保留额外复杂度。9. 奥卡姆剃刀：重新检查方案是否过重。面对包含消息队列、缓存、分布式锁、状态机和补偿任务的方案，可以要求模型在满足需求的前提下删掉非必要机制，检查一个事务和唯一索引是否已经够用。10. 高内聚、低耦合：检查职责，不只是拆文件。一个很大的 OrderService，值得检查订单、库存、优惠券、短信、支付和报表之间的职责边界，以及哪些逻辑应通过接口协作。文件变短，并不自动代表设计变好。11. 需求对齐要有停止条件。PRD、会议纪要、聊天记录和用户反馈可能不一致，自己的理解也可能藏着假设。作者让 Agent 结合 Wiki 和代码追问，但当剩余问题已不会明显改变实现方向和验收结果时，就开始开发，不要求提前想清全部细节。12…

转发者评论

无明显转发评论

原文

推荐一个非常实用的开源字幕工具：WhisperSubTranslate。很多国外课程、访谈、纪录片没有中文字幕，手动听写又太费时间。这个工具可以直接在本地把视频语音识别成字幕，再继续翻译成中文。它基于 whisper.cpp 做语音识别，可以 100% 本地运行并导出 SRT；翻译这块既能用内置的 Hy-MT2 模型离线处理，也能接 DeepL、OpenAI、Gemini 等在线 API。链接：github.com/Blue-B/WhisperSubTranslate

转发者评论

无明显转发评论

原文

黄仁勋的新女婿，在英伟达管着帮客户借钱买芯片的生意黄仁勋的女儿 9 月底在夏威夷结婚，新女婿 Nico Caprez 今年 1 月已经升任英伟达副总裁，负责英伟达和新兴云服务商之间动辄几十亿美元的合作。科技媒体 The Information 10 月 5 日发了他的人物报道，采访了十几位和他共事的人。Caprez 35 岁，瑞士人，早年是职业高山滑雪运动员。退役后在波士顿咨询苏黎世办公室做顾问，之后去伦敦商学院读硕士，和黄仁勋的女儿 Madison Huang 是同学，两人 2021 年毕业。毕业后他在苏黎世一家资产管理公司做投资分析师。2024 年初，经 Madison 引荐，他以企业发展经理的身份加入英伟达。今年 1 月，他从总监直接升为全球 AI 基础设施增长副总裁，跳过了高级总监这一级，入职不到两年。他管的这块业务，是英伟达近两年变化最大的地方。新兴云服务商指 CoreWeave、Nebius 这类专门出租 GPU 算力的公司，它们是英伟达的大客户，但成立时间短、信用评级低，借钱买芯片的成本比微软、谷歌高得多。英伟达的做法是亲自下场帮它们融资：提供担保、牵线贷款，让它们买得起更多芯片。据 The Information 报道，好几笔大交易都和 Caprez 有关。今年 6 月，英伟达为澳大利亚云服务商 Firmus 提供信用支持，帮它采购约 17 万颗 Grace Blackwell 和 Vera Rubin 芯片，价值可能超过 150 亿美元，英伟达换来 Firmus 未来云收入的分成，这笔交易由他牵头。他还参与促成了黑石集团给 CoreWeave 的 GPU 抵押贷款，额度从 23 亿美元扩大到 75 亿美元。GPU 抵押贷款就是拿芯片本身做抵押物借钱，道理和房贷一样。今年夏天，他牵头英伟达入股两家专门为数据中心找地、拉电的美国公司。8 月英伟达联合黑石、KKR 等六家华尔街机构，计划为 AI 基础设施筹集 5000 亿美元外部资金，英伟达最多为其中四分之一兜底，他也参与了这项计划。加拿大资管公司 Brookfield 的 AI 基础设施负责人 Sikander Rashid 说，黄仁勋去年介绍 Caprez 时对他说：“有事要办，找 Nico。”一位云服务公司高管称他是黄仁勋的“军师”。Caprez 本人拒绝了采访。黄仁勋的两个子女都在英伟达。女儿 Madison 是物理 AI 产品营销高级总监，儿子 Spencer Huang 是机器人产品管理总监。据 The Information 报道，英伟达内部有员工猜测，黄家子女和这位女婿将来会承担更多管理职责。英伟达没有就接班问题表态。Caprez 手上的业务近来也受到市场质疑。英伟达借钱或担保给客户，客户再用这笔钱买英伟达的芯片，这种“循环融资”被认为会放大 AI 投资的风险。据报道，最近几个…

转发者评论

无明显转发评论

原文

同一个巨无霸，隔两英里贵21%：麦当劳的AI定价，到底在帮谁算账？路透社最近做了个调查，麦当劳在美国用一套AI系统给近14000家门店算菜单价格。加州弗雷斯诺市，一家店巨无霸卖5.69美元，两英里外的另一家卖6.89美元，差价21%。开车也就三分钟，同一个汉堡贵了1.2美元。看到这儿，大部分人第一反应是大数据杀熟。但仔细看，这事连杀熟都算不上，它更像是按地域和人群定不同价格。真正有意思的是另一个细节。路透社采访了好几个加盟商，他们对AI定价有意见，但意见不是"AI把价格定太高卖不出去"，恰恰相反，他们觉得AI把价格定太低了。同一套系统，消费者嫌贵，老板嫌便宜，那这个AI到底在帮谁？答案藏在麦当劳的加盟模式里。美国95%的门店是加盟店，总部除了收租金，还按门店营业收入收特许权使用费。注意，是营业收入，不是利润。一家店月销100万，总部光这一项就能拿5万，不管这家店是赚是亏。所以总部最理想的状态是销量越高越好，价格低一点没关系，只要总收入涨了，分成自然涨。但加盟商不是这么算的。降价销量可能涨，可原料、人工、房租一分不少，卖得越多总成本越高，利润反而被压薄。卖100个每个赚2块是200块，卖150个每个赚8毛只有120块。所以当AI建议降价时，它可能没帮加盟商多赚钱，只是在帮总部多收租。更微妙的是，总部在追踪一个指标叫"定价不合规率"，也就是你有多少次没按AI建议定价。CEO在投资者沟通会上说了，这是评估加盟商的考量因素之一。AI给你建议你可以不听，但不听的次数会被记下来，续约时可能拿出来看。说到底，这不是AI的技术问题，是总部和加盟商之间的组织问题。换什么大模型都解决不了。因为"最优价格"这四个字，天然带立场。消费者想便宜，加盟商想利润高，总部想营业额大，三方的"最优"根本不是同一个方向，但同一个AI只能朝一个跑。而且这套系统的目标函数是谁定的？总部找的AI公司，总部定的优化目标，总部负责训练模型，连"两年没涨价的商品可以重点考虑涨价"这种指令都是总部塞进去的，AI只负责执行。现在到处都在说AI赋能一线。但赋能谁、帮谁算账，取决于目标是谁制定的。麦当劳这样不缺人、不缺钱的全球巨无霸，在企业AI落地上同样会踩坑。在这些问题面前，算力成本和模型选择，反而是最容易解决的那部分了。#科技先锋官#

转发者评论

无明显转发评论

• AI时代最大的认知误区，是把工具理性等同于价值理性。技术可以极致高效，但组织必须要保有温度与边界。未来企业的AI竞争，不止是算法、算力的竞争，更是组织格局、价值取舍、长期主义的比拼！

原文

一般认为，做力量训练增肌是降低胰岛素抵抗和对抗糖尿病的重要手段，但是科学告诉我们，超长时间空腹有氧是更有效和治本的办法。here is why。#唐人日记# ----GLUT4是葡萄糖转运蛋白，主要在骨骼肌、心肌、和脂肪细胞中高表达。因为骨骼肌细胞的数量更大，在血糖升高和接收到胰岛素信号后，骨骼肌的GLUT4转运的葡萄糖更多。但是引起胰岛素抵抗，不是骨骼肌开始的。而是脂肪细胞。而在脂肪细胞中，罪魁祸首是内脏脂肪，比皮下脂肪的负面作用更大。机制如下。脂肪细胞有两种增长方式，产生更多的脂肪细胞（Hyperplasia），或者让脂肪细胞体积增大（Hypertrophy）。内脏脂肪产生更多脂肪细胞的能力极弱，它主要靠细胞增大的方式增长。当一个人开始体重增加时，内脏脂肪细胞体积会增长数倍后达到物理极限，它不会无限增长下去。当脂肪细胞体积达到极限后，它通过一系列的过程对葡萄糖和游离脂肪酸摄入说不：1. 脂肪细胞体积膨胀后，血管减少，这些细胞开始缺氧（Hypoxia）；2. 因为膨胀细胞膜变紧，细胞内部的部件，特别是负责处理蛋白质的内质网（ER，Endoplasmic Reticulum），开始功能失常。细胞出现ER压力；3. 为了对抗压力防止细胞死亡，膨胀的脂肪细胞开始释放促炎因子（pro-inflammatory cytokines），例如TNF-alpha和IL6。这些炎症因子激活细胞内部的压力酶，破坏或失活胰岛素信号蛋白（例如IRS-1），GLUT4表达下降，细胞停止摄取葡萄糖制造甘油三酯。这就是胰岛素抵抗的发生过程。通过关闭GLUT4和阻止胰岛素工作，脂肪细胞阻止了能量进入，不只是血糖，也包括血液里的游离脂肪。这保护了它自己，但是1. 血脂血糖高了；2. 出现异位脂肪积累（Ectopic Fat Accumulation）；自由脂肪酸开始沉积在本不是用于储存脂肪的地方，包括肝脏，骨骼肌，和胰腺。3. 这些脂肪破坏了肝、骨骼肌、和胰腺的原有功能，二型糖尿病全面爆发。----本文非常重要的地方是，虽然抗阻运动可以让肌肉细胞迅速降低血糖，尤其是餐后血糖，但是真正解决血糖（和血脂）问题的关键，是减少极其难减的内脏脂肪。去年我搞过一次节食到出现生酮的减脂，为期4-6周；效果卓越，这么短的时间里减了5公斤，肚皮象麻袋一样松弛下来，皮下脂肪基本上都“饿”没了，但是仍然没有大量减少内脏脂肪。通过力量训练增肌改善二型糖尿病的研究数据是很扎实的。但是通常规律的力量训练增肌的人，是会调整饮食并大幅度降低体脂率的，这就产生了一个问题：在多大程度上是这种长期的体脂率下降，继而也缓慢减少了内脏脂肪，改善了胰岛素抵抗，还是主要是无氧力量训练带来的肌肉增长解决了胰岛素对抗问题？从病理上说，应该是前者更多一些。----超长时间中低强度空腹有氧的目地是，通过运动刷掉肝糖和肌糖储备产生大量的糖需求…

转发者评论

回复@东西80:是的，心率100以上时间够长（通常是超过90分钟），身体就认为今天捕猎失败得动员脂肪了，促食神经肽下调，厌食神经肽启动，都塔玛的别吃了，下丘脑said。//@东西80:回复 @有个梨GPT:就是说不管什么运动只要控制在心率 130 左右的有氧区间连续两小时就可以？

• 回复@东西80:是的，心率100以上时间够长（通常是超过90分钟），身体就认为今天捕猎失败得动员脂肪了，促食神经肽下调，厌食神经肽启动，都塔玛的别吃了，下丘脑said。//@东西80:回复 @有个梨GPT:就是说不管什么运动只要控制在心率 130 左右的有氧区间连续两小时就可以？

原文

#好多品牌都不约而同开始剪吊牌了# 老生常谈的就不说了，今天从自媒体视角，说点新鲜的内容行业，一定要避开“烟雾弹问题”——“人可以活在失败里 但不能活在谎言里”去年写女装经济学的时候，我观察过，女装问题，网上其实有几大流派。我属于比较直接的，认为女装问题的核心来自女性消费者有委婉一点的，认为女性消费者和女装商家都有问题，各打50大板还有看起来特别客观的，举了一大堆数据，指出女装问题和女消费者无关，所有问题都是商家的从场面看，三方观点都有道理，未来都有学术空间对不对但事实是，一旦时间拉长，比如今年，吊牌问题热门起来，开始拍情景剧了你就会发现，后两派难以为继了讨论女装退货，嘴上说和性别没有一点关系，所有问题都是商家板式尺寸导致的，结果一拍吊牌情景剧，立马把女角色换成男角色说明哪个问题是核心问题，大家从始至终心知肚明为什么女装行业会出问题，因为女性这边出了问题为什么商家平台来回改没好转，因为源头在女消费者这里为什么要找板式尺码那么多理由，因为要避开性别这个房间里的大象为什么吊牌情景剧必须换个性别，依然是因为房间里的大象你不要看那些讨论板式尺寸的文章，长篇大论扯了一堆，还有人感叹这么专业的回答为何无人问津因为这些说法都是谎言，理解吗？所有这些说法，都是为了避开房间里的大象，特意找的其他理由他们自己都明白这个道理，你真让他拍情景剧，什么地方保留，什么角色要改，他太清楚了也就是对于社会问题，不存在什么主要矛盾100分，次要矛盾80分的说法，只有100分和0分的差别。很多次要矛盾，本质是主要矛盾的烟雾弹，就像女装问题里的板式尺寸，看起来颇有道理，其实没有意义，你认真写是1000赞，用AI写是1000赞，甚至胡乱瞎写也是1000赞，所以你在这块钻研再多，都没有意义，你只是一个借口，一个理由。所以很多人询问，为什么有些内容明明不错，但一直无人关注要小心你研究的问题，是不是一个大号的“烟雾弹”人可以活在失败里，但不能活在谎言里

转发者评论

无明显转发评论

• 其实上面的领导知道，中层的官僚知道，下面的基层也知道，司法知道，执法知道，立法的同样知道，商家知道，买家知道，连AI都知道，许多问题真正的核心原因其实就是某个性别罢了，但是大家都不敢明说，算到最后，还是让另一个性别继续付出牺牲背负一切吧，相信后来人的智慧~~~~~

原文

【用超5000亿Token让AI反编译FPS游戏是种什么体验？】历时三个月，开发者Maurice团队尝试完全依靠AI智能体逆向重构经典FPS游戏《现代战争 2》。早期虽然看似跑通，但代码语义错误频出，审查Agent甚至会被生成的注释带偏。团队随后引入字节级机器比对作为客观验收标准，并辅以定时指令刷新防偏航，不仅杜绝了Agent用内联汇编等手段偷懒作弊，也让低成本小模型获得了精准的纠错反馈。最终16个Agent协同还原了99%的函数，其中83%实现字节级完全一致，游戏已能稳定流畅运行。这篇实战记录表明，为自主Agent建立一套硬性的自动化验证闭环，远比单纯依赖复杂审查或更大模型更有效。momo5502.com /posts/2026-10-09-game-decompilation/

转发者评论

无明显转发评论

原文

[AI]《Evolving in Thought Space: Training a Small Model at Test Time Unlocks Better Discoveries》C Jiang, A Qu, S Liu, R Ma… [MIT & Hong Kong Polytechnic University] (2026) 在科学发现领域，算力墙是一个悬而未决的难题。过去的方法受困于迭代极慢，本质原因是脑手不分，好思路常因底层报错被抹杀。本文的核心洞见是：把试错重新看作语义博弈。由此，解耦脑手这一关键操作使问题得以解开。训小模型定策略，交大模型敲代码，卸下微调包袱。这项工作真正留下的遗产是让轻量模型指挥巨无霸。它为后来者打开的新门是廉价进化，但尚未跨过的门槛是奖励死绑代码，底层崩溃仍让好策略蒙冤。arxiv.org/abs/2610.06269 #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

• 科学发现本质上是个试错游戏，但让70B模型边写代码边学习太奢侈了。这项工作把问题拆开：小模型负责想主意并从失败中学习，大模型只管把主意翻译成代码，自己不更新。省显存只是表面收益，真正聪明的地方在于绕过了一个死结——当代码跑不通时，根本分不清是想法有问题还是写错了。现在小模型专心琢磨

原文

《港湾观点︱2026年9月：智能的商业化》 ：在过去两个月，我们看到了AI进化中递归模式的开启，以及Agent带动AI商业化破茧成蝶的趋势下，市场也在开始计价这两种趋势，纳指100于本月底创出了历史新高……当然，我们以上所有讨论的基础，是Agent经济仍然是服务于人类社会的需求，而不是AI自己的需求。当哪天AI拥有自己的需求，也就是自我意识崛起之时，可能就会触发AI最大的风险——失控。 港湾观点︱2026年9月：智能的商业化

转发者评论

无明显转发评论

原文

昨天又是一晚上苦战，先是发现一块硬盘坏了，坏区不断扩大，于是决定先抢救数据，rsync在坏道面前根本读不动，3MB/s，果断换ddrescue，但是也不行，慢。于是就加了一个遇到慢速，就大跳的策略，另外坏盘加上了快速出错的配置。。速度回到 200MB/s 以上。。另外，由于周围群众报扰民，只能所有机器都要配置远程启停，白天休息，晚上干活。。然后就发现有一台机器是老款超微 BMC 只支持 cipher suite 3，要用-C 3。其他新款技嘉要用 17。用错时报的是“no matching cipher suite”甚至“Invalid user name”，很容易误判。。部分音轨数据拿出来，但是没有语言tag，有些只有m2ts文件，缺少clpi文件，只好临时用 480MB大小的小模型：faster-whisper 对中置声道抽样投票来判断语种，置信度在 72% 到 99% 之间，解决了音轨语言判断问题。。把要给客户交的一批数据做一个统计，还是很轻松，但是要人肉填一个大表，熬到晚上10点，才搞好。最后要走的时候，测试机器远程重启，发现有一台机器只要插上硬盘就重启不了，拔出硬盘才能重启，已经很深夜了，只好遗留到以后解决了。。然后早上5点起来继续干。有了AI以后，效率极大提高，但是脑子不够用了，强行拉上去，容易冒烟，终究不长远，还是要大规模培养人才行，一定要把社会上更多需要工作的群众拉进来才行，努力吧。

转发者评论

无明显转发评论

• 云存储不行，带宽拉不起来，而且不方便拷盘。//@程序员邹欣://@aeman:这数据量用云存储，想让梁博破产吗[允悲] //@ab2yz:可以使用云存储吗？那样的话硬件因为就包给云厂商了。
• //@aeman:这数据量用云存储，想让梁博破产吗[允悲] //@ab2yz:可以使用云存储吗？那样的话硬件因为就包给云厂商了。

原文

[RO]《A Balanced Data Diet: Addressing the Exploration Bottleneck in Mega-Scale RL for Robot Control》O Zhang, M G Castro, P Yin, I Dagnino… [University of Washington] (2026) 在机器控制领域，仿真算力失效是一个悬而未决的难题。过去的方法受困于人工编排，本质原因是均匀采样将资源空耗在必胜或必败的死角上。本文的核心洞见是：把任务采样重新看作测绘能力的雷达。由此，斩除两极并死磕半解未解的临界点这一关键操作使问题得以解开。这项工作真正留下的遗产是终结人工调优。它为后来者打开的新门是仅凭算力聚焦即可零样本组装精密硬件，但尚未跨过的门槛是连续空间的表征与实体表面的摩擦残差。arxiv.org/abs/2610.12465 #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

• 并行环境多不等于学得快。一百万个仿真器同时跑，如果采样的任务要么太简单策略早就掌握了，要么太难根本做不到，那一百万个梯度里可能有九十万个都是噪音。问题不在算力，在于让模型练什么。成功率50%左右的任务最有价值——策略刚好够得着，又没完全掌握。这时每次尝试都在教它新东西。传统方法要么

原文

#王兴兴称具身智能临界点快到来# （宇树科技创始人王兴兴在近期工博会等场合密集发声，预判具身智能临界点最快一两年内到来，并直言过去十几年犯的最大错误是对AI相信不够。）机器人创业者说自己错在对AI信得不够深，这话听着矛盾，其实点出了行业的真实困境。过去十年，硬件工程师造机器人靠的是机械设计和控制算法，AI只是点缀。现在大家发现，真正让机器人在陌生环境里干活的能力，不在于关节有多灵活，而在于它能不能像人一样理解任务、应对变化。“80%场景完成80%任务”这个标准很实在——不是实验室里反复调试的演示，而是扔到没见过的厨房、仓库或办公室，听懂人话就能上手。当前的瓶颈就卡在这里：换个杯子、换个房间，成功率就垮了。这不是传感器或电机的问题，而是认知能力没到位。一两年内能不能到临界点，取决于大模型泛化能力能不能跨上一个台阶。如果真跨过去了，硬件反而会成为追赶方。这个判断虽然激进，但逻辑清楚：具身智能的天花板在脑子，不在身体。

转发者评论

无明显转发评论

原文

【#接到陌生来电要先沉默3秒#】国家安全部微信公众号发文，近期，一条“接到陌生来电先沉默三秒”的提醒在社交平台刷屏。该提醒指出，不法分子在接通受害者电话后，可能刻意保持沉默，诱使受害者发出“喂”或“哪位”等回应。短短数秒的语音样本，就可能被不法分子用于AI声纹克隆，进而冒充身份实施诈骗等违法犯罪行为。因此，接听电话可先沉默三秒，若对方也持续沉默，就要及时挂断。这一提醒为我们敲响了生物信息安全的警钟。

转发者评论

//@宅宋喵:[流汗]//@真十内:前几天刚被家里人提醒过，接陌生电话不要先出声。。这年头真是。。。[流汗]//@摩诃般若么么龙:🌿电话彻底废了

• //@宅宋喵:[流汗]//@真十内:前几天刚被家里人提醒过，接陌生电话不要先出声。。这年头真是。。。[流汗]//@摩诃般若么么龙:🌿电话彻底废了

原文

丰田的老规矩：改善省出的人手，不能拿去裁日本博主“黔騎士”发了一条推文 x.com/blackright0/status/2109153023855616261 ，核心观点是：AI 一提效就裁员的公司，员工再也不会主动琢磨怎么用好 AI。他拿丰田举例。丰田当年把“改善”（Kaizen，一线员工持续提小建议、优化流程的做法）推广到海外时，讲师反复强调一条铁律：“流程改善后工时减少了，也绝对不能因此裁人。”因为如果提建议的结果是自己或同事丢了饭碗，现场就再也不会有人提建议。他认为 AI 导入是同一个道理。效率一上去就砍人力成本，员工就会把用 AI 的好点子藏起来。反过来，把省出的时间用来想更有意思的企划、多花时间陪客户、学新技能，现场才会越用越多。在他看来，能把公司文化往这个方向转的企业，才能在 AI 时代把一线的智慧收上来。

转发者评论

无明显转发评论

原文

[AI]《Is this machine playing?》N Cloos, A Norelli, D Durbin, J Andreas… [MIT] (2026) 在AI领域，机器无指令便停滞是一个悬而未决的难题。过去的方法受困于人工奖励，本质原因是缺乏自建目标的内驱力。本文的核心洞见是：把盲目探索重新看作自建规则的游戏。由此，挂载文本记忆这一关键操作使问题得以解开。它写日记将玩耍直接沉淀为硬技能。这项工作真正留下的遗产是证实玩耍可驱动自进化。它为后来者打开的新门是用写日记代替调参攒经验，但尚未跨过的门槛是错觉易固化于文本，瘫痪后续探索。arxiv.org/abs/2610.07130 #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

• 我们给了AI一个身体和一片空地，没派任务也没给奖励，它自己玩了起来——堆塔、画圈、做实验、发明游戏。这事反常识：大家以为AI必须被喂数据、调参数、设目标才能学东西，但这些智能体在三十小时里通过瞎玩掌握了物理技巧，甚至找出了代码里开发者都不知道的bug。更怪的是，它们靠纯文字记住经验就能

原文

我感觉还是有一定道理的，咱们国内的付费意识不强，本质上不愿意为软件、产品或者服务付费，更喜欢为实物付费。国内大量 AI 从业者热衷于做视频、制造内容，获得巨大的流量，赚钱的模式就是为了赚平台的钱和商家的钱，毕竟有了流量，就可以带货。你说我是用 AI 开发了一款软件，大家就感觉为软件付费不值，还不如花 5 块钱买两根淀粉肠呢。大家挣的钱就那么多，花在吃饭、房租、孩子身上已经够紧了，你让人家再掏几十块钱买个 App 会员，心理上就觉得亏。但同样是几十块钱，买杯奶茶、点个外卖，花了就花了，因为那是看得见摸得着的东西。所以你看国内 AI 这个圈子，最火的赛道是什么？做号、做内容、搞流量。因为这条路走得通。你做了个爆款视频，平台给你分钱，有了粉丝，商家找你带货，钱就来了。整个链条里面，没有人需要为你的技术买单，付钱的是平台和商家。但你要是做了个工具、做了个产品，想让用户掏钱？太难了。大家第一反应就是找免费的替代品，或者等着别人破解。你辛辛苦苦开发了三个月，定价 29 块，评论区就会有人说"这也要收费？"反过来看美国那边，SaaS 订阅制已经跑了十几年了，用户习惯每个月花十几美金买一个好用的工具。一个独立开发者做了个小产品，只要解决了一个具体的问题，就有人愿意付费。所以那边的 AI 从业者很自然地就会想，我能不能用 AI 做一个产品出来卖。这个差别，说白了就是社会的激励结构不一样。国内的激励结构指向流量。你有流量，就有钱。怎么搞流量最快？做内容。AI 在这件事上特别好使，批量生成视频、批量生成文案，效率拉满，流量就来了。美国的激励结构指向产品。你做了个好用的东西，用户愿意掏钱，你就能活下去。AI 在这件事上也好使，帮你更快地写代码、更快地出原型，产品就做出来了。同样的技术，同样的 AI，放在不同的土壤里，长出来的东西完全不一样。你也说不上谁对谁错。每个人都在自己的环境里找最合理的活法。只是这两条路走下去，积累的东西不一样。一边在不断地消耗注意力，一边在不断地创造工具。时间拉长了看，差距可能会慢慢显现出来。#科技先锋官#

转发者评论

无明显转发评论

原文

再贡献一个 REA 用法，在不需要你去反编译 Codex 代码的情况下搞懂它一些运行逻辑。这次我是想搞明白 Codex 是怎么在内置浏览器上标记发评论的，如果知道这个，也许我可以在自己网页上往输入框发消息。我之前已经安装好了 REA，所以我给 Codex 发了一条消息：> Use REA 帮我分析下， Codex/ChatGPT App 中，浏览器的标记，然后附加标记内容到 composer 是如何实现的？发送的消息是什么？> 告诉我需要怎么配合注意我发了一句：“告诉我需要怎么配合”，这样我可以辅助做一些事帮助它分析。然后它去查看 Electron App 的原始代码，找到了关键链路（虽然我也不知道它怎么找到的），中间我配合发了一次消息。分析完了我想验证一下，继续让它帮我做一个测试网页，让我可以测试一下是不是可以给 Codex 输入框发送消息，于是 Codex 帮我做了一个网页，没能直接往输入框附加评论，但是可以弹出评论框，可以帮你填充输入内容，原来 OpenAI 本来就提供了 API 只是我一直不知道。document.oai.annotation.request() 网页链接 继续让它分析了 Cursor 和 Claude Code，可惜它们不支持这样的 API。

转发者评论

无明显转发评论

原文

OpenAI 创始成员卡帕西 10 月 12 日凌晨（北京时间）发长推，把全人类粗算成四层：约 60 亿人几乎没接触过大模型；10 到 20 亿人偶尔用免费版，觉得它有点傻；约 2000 万人用最强的模型写代码、做数学，几周的活一句话交给智能体；塔尖约 5000 人在 AI 公司内部，看着成千上万个智能体一起干几周、挖零日漏洞、做新科学。他说差距在拉大：问题越大 AI 越显本事；能力是锯齿状的，写代码和数学这种能自动判对错的最猛；免费、付费、内部版看到的不是同一个东西。大多数人觉得它傻，一小撮人已经头晕了。你在第几层？（数字为卡帕西自己的粗算）#卡帕西##大模型##AI智能体##新智元# 新智元的微博视频

转发者评论

无明显转发评论

原文

如何在 YouMind 里制作各种动画视频？详细的演示教程来了。非常实用，超级好用。使用这个 Skill，输入任意主题，从 16 种动画风格中选择一种，自动完成资料核实、分幕脚本、配音旁白、画面素材和动画网页，生成 3-10 分钟带字幕和配乐的动画视频，并内置「导出 MP4」直接下载。Skill 传送门：youmind.com/skills/animated-video-generator-gPn1oUZoWFDK4C?ref=C7O1EW #科技先锋官##How I AI# AIGC·非著名程序员的微博视频

转发者评论

无明显转发评论

原文

好神秘，转了那条出版实体书里有ai提示词的微博后被推送了原作者的澄清。省流版就是作者说番茄完结文不能修改，本书网络上的正版盗版里都没有ai提示这句，怀疑是出版社删改的结果

转发者评论

确实是上链了。。//@黄健楸:盗版居然活出价值来了🤣//@祝佳音:好个笔趣阁，可以说是上链了……//@不作为的笑道人:笔趣阁起到了一个作品版本库和去中心化的作用//@无边桃炎:可以//@反射弧超长星人影九:证据竟然是笔趣阁……//@福禄寿喜吉祥茶:草笔趣阁还能有这作用我真是没想到…//@魔法团子月见://

• //@专业戳轮胎熊律师:艹，什么暗黑公证……//@顾扯淡:笑死了……[笑cry]//@祝佳音:好个笔趣阁，可以说是上链了……//@不作为的笑道人:笔趣阁起到了一个作品版本库和去中心化的作用//@无边桃炎:可以//@反射弧超长星人影九:证据竟然是笔趣阁……//@福禄寿喜吉祥茶:草笔趣阁还能有这作用我真是没想到…//
• ai审校成ai改稿对吧 //@专业戳轮胎熊律师:艹，什么暗黑公证……//@顾扯淡:笑死了……[笑cry]//@祝佳音:好个笔趣阁，可以说是上链了……//@不作为的笑道人:笔趣阁起到了一个作品版本库和去中心化的作用//@无边桃炎:可以//@反射弧超长星人影九:证据竟然是笔趣阁……//@福禄寿喜吉祥茶:草笔趣阁还能有这作
• 确实是上链了。。//@黄健楸:盗版居然活出价值来了🤣//@祝佳音:好个笔趣阁，可以说是上链了……//@不作为的笑道人:笔趣阁起到了一个作品版本库和去中心化的作用//@无边桃炎:可以//@反射弧超长星人影九:证据竟然是笔趣阁……//@福禄寿喜吉祥茶:草笔趣阁还能有这作用我真是没想到…//@魔法团子月见://
• 盗版居然活出价值来了🤣//@祝佳音:好个笔趣阁，可以说是上链了……//@不作为的笑道人:笔趣阁起到了一个作品版本库和去中心化的作用//@无边桃炎:可以//@反射弧超长星人影九:证据竟然是笔趣阁……//@福禄寿喜吉祥茶:草笔趣阁还能有这作用我真是没想到…//@魔法团子月见://@尊贵的旅行者://

原文

[CL]《Recurrent Looped Transformer》Y Zhang, J Feng, S Qin [Princeton University & University of Pennsylvania] (2026) 在状态追踪领域，长度外推是一个悬而未决的难题。过去的方法受困于计算瓶颈，本质原因是单字符处理层数恒定，无法承载无限叠加的逻辑组合。本文的核心洞见是：把静态层深重新看作沿序列生长的循环路径。由此，将当前编码与前置解码状态强制交汇这一关键操作使问题得以解开。这项工作真正留下的遗产是超越训练长度八倍的外推表现。它为后来者打开的新门是并行结合循环的架构，但尚未跨过的门槛是逐字同步引发的计算延迟。arxiv.org/abs/2610.07591 #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

• 这篇论文指出了一个常被忽视的事实：Transformer每个token用的计算层数是固定的，但推理链条的长度会随输入增长。RLT的做法简单而直接——把上一个token的输出接回当前token的输入，让计算深度随序列自然延伸。实验结果很明确：奇偶校验任务在训练长度40位时，能外推到256位且准确率达100%；而标准Tran

原文

最后关于社保问题，其实还有个税赋不公的问题。目前关于税赋的设计是针对于两点，一个是劳动者收入征税，一个针对企业利润征税。缺乏对资本征税的情况。这个问题未来肯定会越来越越矛盾的，尤其是AI普及以后。举个例子，公司雇佣100个员工，用了AI后，裁了80个，剩下20个。那么裁了这80个，这个包袱是社会承担了。但是利润被股东拿走了。在过去，这80个劳动者收入需要征个人所得税，用了AI以后，一毛钱都不征了。这等于是个人所得税需要征税，资本所得税，征不了。这公平吗？劳动收入减少时，依赖劳动的税基会收缩，但新增收益未必通过资本收入税和企业利润税充分回流公共财政。

转发者评论

无明显转发评论

原文

2026 人工智能开放计算大会暨众智 FlagOS 技术大会｜全日程发布，邀你赴一场智算盛会算力的边界，正在被重新定义。10 月 17-18 日（本周六・周日），北京中关村，2026 人工智能开放计算大会暨众智 FlagOS 技术大会如期而至。MiniMax、理想、腾讯、NVIDIA、百度、北汽……100 + 位技术大牛齐聚现场，两天时间，把今年智算圈最值得关注的话题一次性讲透。Day 1｜主论坛 + 开放计算 AI 系统论坛 + 车载智能主论坛- 开放智算的时代命题、FlagOS 2.2 全新升级、万亿 Token 时代算力走向- 从昇腾到 RISC-V，从 Triton 到统一 IR，从 Token 工厂到 AI Infra，硬核拉满- 理想、北汽、德赛西威、恩智浦、火山引擎同台，共话智能汽车下一个十年Day 2｜四大分论坛 + 全体工作坊，五大会场同步开讲- 量子计算 ×AI：量智云平台现场正式发布- 国际 AI 计算合作论坛：联合国顾问、剑桥博士、国内外高校学者齐聚- 具身智能：世界模型、物理引擎、人形机器人一次聊透- Agent 专场：从软件生产方式到基础设施，三层递进读懂 Agent- 工作坊：带好电脑，手把手写代码、调算子、部署模型为什么你不能错过？100 + 技术大牛面对面・多个重磅发布现场首发・实操工作坊名额有限，跟导师写一下午代码，胜过看十篇教程。📅 时间：2026 年 10 月 17-18 日（周六 - 周日）📍 地点：北京中关村国家自主创新示范区展示中心📝 参会指南：官方网址 [网页链接](网页链接)北京深秋，气温 12-20℃，或有小雨，记得带好雨具，我们中关村见！#科技大会##量子计算##FlagOS##开放计算##大模型 #具身智能##智算##技术大会 #AI 算力#人工智能#

转发者评论

无明显转发评论

原文

其实，比较 Anthropic vs DeepSeek，不是想得出谁 NB 谁 SB 的漫威二极管结论。真正想说的是其实 AI 的渗透率和生产力提升这个事情，三年了，从收入层面看中美都非常有限（有持续支出才能估计这些持续支出在支撑利润）。而美国挖掘的消耗 token 创造可持续利润的能力，也的确是中国的几十倍。（主要还是程序员 cursor 和国防 palantir 估计）。这反映了三个认知误区：1 认为中国 AI 应用的落地能力更强？不一定，token 像 workbuddy 那样免费发了不是指标，能收钱并且赚钱意味着这些 token 在创造价值赋能经济循环。2 AI 可以在 2030 年前改变世界？不一定，从 2023 年到现在也有四年了，但是如果你的 token 消耗维持在百亿美金级别，对 2-4 万亿美元的中美经济的影响其实微乎其微。3 真正的机会在增量Anthropic 在 2026 年很可能创造 2025 年十倍的收入增长。。。LLM，Agent，VM 在持续的推高 Token 消耗，其实美国已经发现了埋单的人。中国模型公司如果不能在 2026 年维持同样的高增长，那么只会被甩的更远。如果全是薅羊毛的，经济是无法增长的。。。真正增长的只有债务。。。当然这里有一个问题是美国在通过加速算力基础设施建设和相关的资本操作，在把未来 AI 的增长，迅速的兑现为今天的经济结果。中国还没有这么干。

转发者评论

无明显转发评论

原文

罗老师，8 年了，当年您在 TNT 上翻车的演示，我们用 Cyberboard R6 轻松搞定了！！！感谢 GPT，感谢 Agent，理解万岁！时代真的变了。。。当年你用过罗老师的东西吗？留评或者留图抽个怒喵歪歪线。10/20 号发布。车牌：1090730586。 李楠或kkk的微博视频

转发者评论

无明显转发评论

• 时代真的变了。。。//@柏然的书房:时代真的变了，当年TNT的遗憾现在补上了🔥

原文

发现一个挺猛的开源项目：MoneyPrinterTurbo。GitHub上已经攒了10万星，作者是harry0703。简单说，它就是一个免费的AI短视频生成工具，TikTok、Reels、YouTube Shorts都能搞定。你只要给一个主题，剩下的它全包：写脚本、配音、加字幕、找素材、合成视频，一条龙。你出想法，它出成品。想试的可以去GitHub搜项目名，用完了来聊聊体验。传送门：github.com/harry0703/MoneyPrinterTurbo

转发者评论

无明显转发评论

原文

【开源项目SpatialLM：轻量大模型搞定3D室内结构化重建】面对杂乱的3D点云，如何直接还原出规整的室内空间？SpatialLM把大语言模型引入三维场景理解。无需专用采集设备，无论是手机单目视频生成的点云、RGB-D扫描还是激光雷达数据，它都能直接解析出墙体、门窗等建筑骨架，并输出带语义类别的三维物体包围框。最新1.1版本换装了Sonata点云编码器，不仅分辨率翻倍，还支持按需指定类别进行目标检测。模型基于Llama-1B与Qwen-0.5B打造，轻量高效，同时开源了包含数万房间的高质量三维数据集。项目地址：github.com /manycore-research/SpatialLM

转发者评论

无明显转发评论

原文

陶哲轩昨晚在加州理工学院作了题为「Math 2.0」的学术报告，主要谈论了 AI 给数学行业带来的种种变化，分享几页他演讲用的 PPT，感觉真的说得很好啊 … 陶哲轩认为，在算力供给充分并接入前沿大模型的条件下，人们如今得以在极短的时间尺度内，攻克诸多往昔被视作极度艰深的数学未决问题。且即便是未受过专门数学学术训练的操作者，仅凭对模型的引导，亦能斩获此类解答。但 AI 的效能边界呈现出极端的参差交错之态：于某些向度上惊世骇俗，于另一些向度上却极度匮乏。这种不平衡性不仅存在于数学学科内部，在更广泛的人类智力领域也是如此尽管各类报道与舆论给公众营造出一种「数学完蛋了」的错觉，当今数学最前沿的绝大多数核心问题依然关山难越，悬而未决。数学问题的构形空间本质上是无穷的，其内在难度更在数学意义上是无界的。正因这一本质，数学未来的前沿疆域不仅不会闭环，反而注定将永远向外拓展与延伸。解题固然在历史上是数学研究中最为显性的表征目标，但它终究只是通往更具长久价值之终极学术目标的代理指标。在证明稀缺的旧纪元，以解题为代理指标尚属有效。然而步入证明充裕的新时代，这一指标已然发生了根本性的目标错位。倘若继续单向度地盲目优化解题能力，对数学事业的长久生机而言，反而会产生切实的侵蚀与戕害。数学演进的未来形态——即「数学 2.0」，既要求我们持续向外推展前沿，同时亦必须破除唯解题论的独尊地位。与世俗的见解截然不同，真正的数学家从来不会将目光偏狭地仅锚定在攻克未决问题之上。尤其在纯粹数学的视阈下，未决问题本质上是灯塔：它们本身并非人类求索的终点码头，而是引领我们勘探与开拓其周边广袤数学版图的坐标航标。在向这些险峰发起冲击的漫长跋涉中所沉淀的方法、洞见与思想教益，无论最终是告捷、受挫亦或是仅止步于阶段性推进，其学术价值往往远超该问题本身的最终证明结果。若单纯依仗自动化工具过早直达这些灯塔，不仅会斩断人类对那些未涉之路的深层求索，更可能使该命题周边的整片学术土壤陷入生态荒漠化。#AI把数学干废了#

转发者评论

民科翻身的最好时刻来临了。。。[doge]//@光头怪博士:“在证明稀缺的旧纪元，以解题为代理指标尚属有效。然而步入证明充裕的新时代，这一指标已然发生了根本性的目标错位” --> 我觉得陶老师还是非常清醒的，完全不是有些人随口说的“反对AI”。这个指标的变化其实对其他学科，包括天文，也都是存在的

• 民科翻身的最好时刻来临了。。。[doge]//@光头怪博士:“在证明稀缺的旧纪元，以解题为代理指标尚属有效。然而步入证明充裕的新时代，这一指标已然发生了根本性的目标错位” --> 我觉得陶老师还是非常清醒的，完全不是有些人随口说的“反对AI”。这个指标的变化其实对其他学科，包括天文，也都是存在的

原文

Claude 大规模封号数据曝光！2026 上半年累计封禁 1140 万个账号，39.8 万次申诉里仅 4.2 万申诉成功，申诉成功率只有 10.5%，绝大多数用户申诉无效。这份来自 Anthropic 7 月的报告，在 AI 开发者圈子引发热议。封号诱因包含生成违法敏感内容、黑产批量账号、跨地区违规使用等，平台风控大多采用一票否决，一旦触发就直接永久封禁。不少开发者、重度生产力用户踩坑，账号内的项目资料、对话记录等核心工作资产直接清零。更麻烦的是很多封禁案例不会给出详细违规原因，部分用户提交申诉后，申诉入口甚至直接消失，大量使用者吐槽申诉流程形同虚设。就在风控风波发酵之际，Anthropic 刚刚更新使用政策，新条款将于 11 月 12 日正式生效。圈内不少人预判，未来或将迎来新一轮封号潮。这件事也给所有 AI 从业者敲了警钟：不要把全部工作资料、生产力资产，完全寄托在单一 AI 平台上。云端大模型账号随时存在风控风险，重要项目务必做好本地备份与多方案储备。#极客头条#

转发者评论

无明显转发评论

原文

【DigUp：用自然语言检索 Mac 本地多媒体与代码】找文件时若只记得零碎内容却忘了文件名，往往费时费力。开源工具 DigUp 将 Google DeepMind 的端侧多模态模型 EmbeddingGemma 2 引入 macOS，依托 Metal 在 Apple Silicon 本地流畅运行。只需用日常语言描述，它便能在照片、PDF、音视频及代码仓库中进行语义匹配，不仅能直接定位到视频对应画面、播客音频秒数或 PDF 关键页，还能直达代码定义行。所有索引与计算全程离线处理，无数据上传与遥测，兼顾语义理解与单号等精确字串匹配，随时通过快捷键即可顺畅调用。github.com /ARahim3/DigUp

转发者评论

无明显转发评论

原文

哈佛大学的研究生课：CS2680: Modern AI Systems — Agents and System Optimizations（现代人工智能系统：智能体与系统优化）cs2680.seas.harvard.edu/课程分为两大部分，目前第一部分的课件已公布。第一部分关注 AI Agent 的设计与应用，涵盖 Claude Code 等编程智能体的使用、Agent 工作循环、上下文管理、工具调用、多智能体协作、记忆机制、可靠性评估及成本优化；第二部分深入 大语言模型推理服务与系统优化，包括模型部署、请求批处理与调度、KV Cache、Prefix Caching、量化、推测解码、GPU 优化以及负载均衡等关键技术。课程强调动手实践，学生将通过五次递进式编程作业，从分析现有 Agent、独立构建 Agent，到部署开源大模型并进行端到端性能优化，最终完成一个综合项目。

转发者评论

//@丕子:#课件素材#

• //@丕子:#课件素材#

原文

#AI漫剧为何越看越上头#最近AI漫剧是真的越来越猛了。我自己做AI视频这么久，其实有一个挺明显的感受，以前大家看AI视频，第一反应经常是：“这个画面AI怎么做出来的？”现在看AI漫剧的人越来越多以后，大家慢慢不问这个了。管你AI不AI，我就想知道下一集发生什么！AI漫剧为什么容易让人上头？剧情当然是第一位的。穿越、重生、逆袭、末世这些网文里面已经验证了很多年的爽点，再套上短剧几分钟一个反转、结尾一定留钩子的节奏，本身就很容易让人一直往下刷。但AI又给它加了一层以前很难做到的东西。真人短剧多少还是受到演员、场景、预算限制，你写一场仙魔大战、一座末日城市、一万个人打仗，导演看完剧本可能先想预算。AI不太一样。今天在现代都市，下一秒可以到修仙世界，再下一集世界都毁灭了。以前网文里面很多只能靠脑补的东西，现在第一次可以用很低的成本真的“演”给你看。这个我觉得才是AI漫剧比较有意思的地方。我一直在说，AI视频不能只是拿AI去模仿传统影视，它最好能慢慢长出自己的表达语言。AI漫剧其实就在干这个事情。当然，现在很多作品还是同质化，脸长得差不多，运镜差不多，剧情爽点也差不多。AI能把制作门槛降下来，但它救不了一个无聊的故事。甚至以后模型越来越强，画面差距越来越小以后，大家最后拼的还是编剧、创意、人物和情绪它正在长成一种以前根本不存在的内容类型。网文的想象力，短剧的节奏，再加上AI几乎不受物理世界限制的画面。这三样东西一旦真的揉到一起，确实容易上头。你最近有在看AI漫剧吗？有没有哪一部是真的让你连续刷下去的？#AI漫剧##电子榨菜##微博AI创作季#

转发者评论

无明显转发评论

原文

Hugging Face把OpenAI前两天放出来的那批数学成果转成了开源强化学习环境，大家可以拿去训练模型挂进你的训练流程，让模型自己刷题进化，先挑会做的刷，刷不动的攒着慢慢练369个任务、405道形式化数学题、214个题型。每个任务给一份带`sorry`的Lean题面，AI要把它补成完整证明，独立沙箱里的Lean判分器自动编译验证，对1错0，reward直接拿去训练不过还处于早期版本，verifier目前只认原始形式化写法，等价证明也可能会被误伤，当练兵场来用HF：网页链接#RL训练环境# AIGCLINK的微博视频

转发者评论

无明显转发评论

原文

【陶哲轩谈Math 2.0：从解题崇拜到深化理解】在传统数学时代，“证明”稀缺昂贵，整个学术体系长期将解题视作最高准绳。陶哲轩指出，随着AI以客观可验证性为突破口带来“证明充裕”，这套逻辑已显露出弊端。难题原本是照亮未知的灯塔，探索途中积累的洞察往往比终点答案更具价值；若过早由算法强行收割结果，反倒会削弱人类对规律的直觉领悟。因此他提倡迈入“Math 2.0”：弱化对解题的盲目执着，转而借助AI展开定理消融分析、重构晦涩证明的直观释义，并推动大规模实验数学。制约这场数学研究范式演进的从来不是算力，而是人类的想象力。 teorth.github.io /tao-web/slides/math-2-0-caltech-2026.pdf

转发者评论

无明显转发评论

原文

李蓓、但斌@但斌 、林园激烈交锋，谁抓住了“真主线”？网页链接查看2026年但斌重仓股一览（附但斌近5年重仓股名单）：网页链接查看但斌旗下产品业绩：网页链接查看巴菲特、段永平、但斌、高瓴、高毅、景林等大佬最新持仓一览！网页链接面对节后科技的大跌，但斌态度则与过往一致，坚守科技板块。他在社交平台发帖称，创业板月线从4380高点一路回落，市场短期剧烈回调、恐慌蔓延，但“每一轮大的下跌，都会伴随着极致的悲观”，“泥沙俱下之时，恰恰是静下心筛选优质资产的窗口”，并强调控制仓位、保持耐心、穿越周期。对此，有网友追问“但总这次没有说是买入点，看来还没见底？”他回应称，根据自己34年的投资经验，这样的跌法“应该至少有阶段性见底反弹的概率”，但强调只是个人经验，不代表确定性判断。另外，英伟达的股价在10月2日创历史新高的时候，但斌第一时间发声称，市值来到5.7万亿美元，距离当年预判的10万亿目标，仍还有一段距离。AI变革属于百年一遇的平台级机会，产业商业化正在加速落地。长期成长的逻辑没变，但伟大企业的市值兑现，需要时间，也需要产业持续验证。2026年二季度13F文件数据显示，英伟达是东方港湾海外基金的第3大重仓股，仅次于谷歌-C、英特尔。业绩层面，但斌旗下产品9月以来平均收益为**%，今年来、近3年平均收益分别为**%，不同业绩区间在热门基金经理中表现都较为突出。查看收益：网页链接A股财经#百亿私募#私募基金

转发者评论

投资本无统一标准答案，有人博弈周期，有人深耕传统赛道，而我们选择站在AI科技革命这一边。市场的交锋，本质是认知的碰撞，对错不必急于一时，交给时间来检验。[作揖]

• 投资本无统一标准答案，有人博弈周期，有人深耕传统赛道，而我们选择站在AI科技革命这一边。市场的交锋，本质是认知的碰撞，对错不必急于一时，交给时间来检验。[作揖]

原文

转：今年上半年，韩国Kospi以全球主要股指中最强的表现吸引了全球资金涌入；进入下半年，同一个市场已累计下跌22%，成为全球最差。与此同时，同样AI概念浓厚的中国台湾和美国股市却在不断刷新历史高点。外资今年从韩股净撤资1310亿美元，为亚洲主要市场之最。市场成交额较5月底峰值暴跌70%，散户和机构同步撤退。据韩国金融投资协会数据，融资余额在过去一个月维持在约33万亿韩元，远低于6月峰值的38.6万亿韩元。券商账户中等待入市的投资者存款也从近140万亿韩元的历史高位降至约100万亿韩元。（华尔街见闻）

转发者评论

无明显转发评论

原文

[LG]《On KL-Regularized Policy Optimization》Y Zhang [Princeton University] (2026) 在智能体对齐领域，数据陈旧是一个悬而未决的难题。过去的方法受困于截断偏差，本质原因是试图用重要性乘子强行抹平新旧策略的概率落差。本文的核心洞见是：把陈旧策略重新看作正则化锚点。由此，将概率除法扭转为对数差回归这一关键操作使问题得以解开。这项工作真正留下的遗产是极简的单轨迹回归框架。它为后来者打开的新门是低成本异步训练，但尚未跨过的门槛是随机环境下的绝对价值评估。arxiv.org/abs/2610.08963 #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

• 强化学习里的重要性权重和Critic网络，一直被当作处理异步训练的标配工具。这篇论文换了个角度：把KL正则项锚定在采样器上，问题就变成了最小二乘回归，重要性权重自然消失了。配分函数用截距吸收，Critic用终端回报的残差替代，两个“工程必需品”都被数学手段绕过了。更有意思的是，SPPO、GPO这些看

原文

#中国AI做短剧美国做科技#¹ 丢人现眼的“房地产博主”，路径依赖了吧，还想靠过去一惊一乍唬人谋生。² 中国用AI做短剧本身有什么不对？谁说AI只能用来做“高科技”？中国AI当然也在做高科技。³ 美国智库兰德刚发布报告，讲中美技术扩散情况。这种比较分析中美人工智能竞争生态的报告很多，中国的AI一大相对优势就是应用层面更多！从人形机器人到工业机器人，到新药研发，最后到AI短剧，都在用AI、研究AI。这种丢人现眼的博主严重路径依赖，老用“非此即彼叙事”。这长期污染中国人的认知，是二极管人群的精神腐殖质主要来源。#你敢想象这是AI做的电影#

转发者评论

无明显转发评论

• 其实RAND报告主要意思是说，中美AI竞争的商业生态系统结构高度趋同！//@微博智搜:兰德2026报告指出，中美AI竞争已从单纯比拼模型参数转向“生态与场景”的较量。美国AI企业61%集中在纯软件、医疗和科研领域，依赖高投入的闭源模型；而中国AI企业仅26%做纯软件，更多将AI植入机器人、汽车和工厂等实体产

原文

这两天大火的AI 逆向工程REA的开发者刚发布的另一个项目：flameox地址：github.com/morluto/flameox这是一个面向 AI 编码 Agent 的开源性能分析与运行时证据采集工具，通过 MCP 协议，让 AI 编码助手能够调用性能分析器、收集运行数据、定位性能瓶颈，并验证代码优化是否真正有效。ps：REA也刚发了个新版，说会快很多。

转发者评论

无明显转发评论

原文

Andrej Karpathy提到的AI认知差距，虽然都是些车轱辘话，但我觉得 Karpathy 最强的一点，就是他了解几乎所有 AI 顶尖大厂的详细细节。他提到有多少人能够接触到公司内部最前沿的系统，这个数字就是可信的。可以看到，整个人类也就几千号人能接触到最顶级的系统，其实这几千个人就拥有了某种特权。简单说，就是 AI 能力已经高度集中在少数技术人群手里，大众感知和真实前沿之间的落差越来越大。他大致分了四层：约 60 亿人（全球人口约 75%）几乎没真正接触过 LLM。约 10-20 亿人（20% 左右）只用过免费版 ChatGPT 这类工具。他们看到的是经常犯傻、幻觉、答非所问的聊天机器人，觉得就是个更好的搜索引擎或写作助手，很多非技术人甚至觉得没什么用。约 2000 万人（0.2%）在专业领域（编程、数学、研究）用前沿级付费模型（如 Codex、Claude Code）。他们亲眼看到以前要花几周甚至几个月的大项目，现在一个提示就能让 agent 做完。大约 5000 人（0.00006%）能接触到公司内部最前沿的系统。他们看到的是成千上万个 agent 协作数周，完成软件大工程、挖漏洞、做网络攻防、发现新科学、推进数学前沿……这些事以前需要顶尖人类专家花数年才能完成。人类已经开始跟不上理解和审查的速度了。为什么会形成这种漏斗？问题的规模和野心不同：问一个小问题几乎用不到系统真正的能力；只有面对大、难、长期的专业问题，差距才会显现。能力是“参差不齐”的：AI 进步最快的是可验证、可奖励、又很赚钱的领域（代码、数学、科研），因为强化学习在这些领域最好用。日常聊天、写作、建议这类任务进步相对慢很多。访问权限分层：免费版 → 付费版 → 公司内部版，看到的完全不是一回事。总结一句话：普通人看到的是“有点傻的聊天机器人”，大部分专业人士看到的是“有点用”，而极少数能接触最前沿系统的人正在经历能力曲线垂直起飞的眩晕。这几拨人同时存在，所以对 AI 现状的看法会完全对不上。

转发者评论

无明显转发评论

• 认知差是机会//@时蝇喜箭:转发微博

原文

【单次推理搞定多选分类：构建快而准的轻量决策模型】日常用大语言模型做固定选项分类时，逐token生成往往拖慢了响应速度。其实面对固定选项，完全可以走单次前向推理路线：限制词表范围，仅对候选选项的logits做softmax，一步即可完成决策。作者以Qwen3-1.7B为例演示了具体实现，并指出了一个容易被忽略的细节：模型原生概率并不等同于真实答对的概率，往往极度过度自信；经过温度缩放校准后，给出的置信度才真正贴合准确率。文内还附带了微调与校准脚本，很适合需要极低延迟决策的业务参考：nishtahir.com /build-your-own-decision-model/

转发者评论

无明显转发评论

原文

据说是 AI 初创公司目前最想要又最难招聘的职位> 长期在线（了解趋势）> 有品味且能创作（新媒体）> 理解 AI 和技术> 能高质量执行（执行者）如果按照技术理解力和内容能力分成四个象限画张图的话，图里能看出为什么这个岗位难招：现有的几类人各自只占一半，内容创作者和社媒运营在左上，有网感但讲不清 AI 产品；技术布道和工程师在右下，懂技术但内容没人看；传统公关执行力强，却既不够“在线”也不够懂技术。右上角要的是四项同时具备的人，这类人现在本来就少。

转发者评论

无明显转发评论

原文

这一期 AI Insider，我们邀请到复旦大学青年研究员、上海创智学院全时导师曹艺馨老师，聊聊大模型的评估与自进化。在他看来，这两件其实是同一件事：机器要自己变强，得先回答"什么算进步"，因此评估就像决定下一步往哪里提升的指南针。但问题在于，评估要从模型能力曲面上有限的几个点，反推出整个分布，现在模型能力很全面，偏差就很严重，直观的体验就是模型看起来分数相近，体验却差很多。因此，评估的关键不只是造更难、更多样的数据集，而是要提升评估的泛化性：用有限的评估资源，尽可能判断模型在更多维度上的真实能力。这才能防止自进化的闭环因为持续过拟合崩掉。另外给大家推荐曹老师的新书《人工智能思维：智能是如何被塑造的》，以通识课视角讲清算法、硬件和数据三条主线，并拆解 8 种常见的智能实现方式。新书预计 10 月 30 日正式出版，想从底层思维理解 AI 的朋友，可以先上官网shapeofai.cn，一睹为快#机器之心# 机器之心Pro的微博视频

转发者评论

无明显转发评论

原文

对 AI 能力的认知正在变成一个陡峭的漏斗！绝大多数人几乎没接触过它，接触过的多数人看到的是一个有点笨的 Chat Bot，少数用前沿模型的专业人士正在经历加速的眩晕，而极少数接触内部系统的人认为：AGI 就在 2027 ✨这几种现实同时存在，彼此几乎无法沟通🤪Andrej Karpathy 说这不是技术鸿沟，而是野心鸿沟！过去，能力是稀缺的，一个人有再大的想法，也受限于时间、人手和技能。现在，执行的门槛在迅速塌陷，真正稀缺的变成了“值得去做的大问题”本身。那些说 AI 对自己没什么用的人，很多时候并没有说错，他们的生活里确实没有一个需要动用这种能力的问题。这不是他们的问题，而是这个时代悄悄换了一道考题：从你能做什么，变成了你想做什么。往前看，访问权限会逐渐下沉，免费层和内部系统之间的差距会缩小，参差不齐的能力也会从代码和数学扩散到更多领域。但野心这一层不会自动弥合。将来决定一个人、一家公司乃至一个国家能从 AI 里拿到多少的，可能不是谁先拿到最强的模型，而是谁手里攒着最多值得解决的难题。漏斗的顶端，最终属于那些敢于提出大问题的人🤔

转发者评论

无明显转发评论

原文

10 月 11 日他发截图秀 Grok Bot 自动下单 5 套乐高，截图里有订单号、两个地址、运通卡尾号，两亿多粉丝都看见了。三个半小时后博主 Enderman 回"订单我帮你取消了"，配图是乐高客服 AI 凭订单号提交取消，这条回复 1900 万人看过、29 万赞。马斯克回"那不是我的地址、订单没取消"，又补"那地址早被扒过，是安保团队收信处"。有人还翻出同一套乐高 Grok 付了 89.99，沃尔玛卖 66.99。干货三条：拍卡照片就是入口；收据截图就是泄露；订单号就是操作权。翻车当天 xAI 改了隐私政策，删掉"别把个人信息放进提示词"，换成"你提供的一切视同你本人操作"。你敢把卡交给 AI 吗？#马斯克##Grok##AI智能体##隐私##新智元# 新智元的微博视频

转发者评论

无明显转发评论

原文

最近AI在狂解数学问题，这篇文章则详细地描述了数学家们作何反应。机器把几十年的老猜想证明端上来了，可人翻开答案发现读不懂它怎么成立的。Is AI the End of Math，看懂一门手艺被成品取代后人还剩什么活以前做纯数学靠一步步磨出工具和连接，真正的价值都在弯路上。现在模型直接跳到终点，逻辑检查能确认它为真，人却读不出为什么。就像伯克利那间挤满学生和学者的教室里，有人劝大家为可能已经不存在的职业做好准备，台下的人气得把原定五十分钟的讲话连提问一起拖过了两个小时，散会了还在互相安慰。眼下整个系统的发表和信用仍靠证明了什么来算，解题变容易了，理解和解释却接不上。在意一门手艺被成品取代之后、人还剩什么活的人用得上，不只是数学家。🔗 链接：网页链接📄 9月8日配套报道：网页链接🌐 人类数学协会：网页链接

转发者评论

无明显转发评论

• “人类数学协会”。。。[doge]

原文

【史上最强监控摄像头！内置酷睿14核处理器加Arc 130T核显：理论上还能打游戏】英国厂商2Crsi Edge推出型号为Vision Guard VG-15MV-66的监控摄像头。该设备搭载英特尔Arrow Lake架构的酷睿Ultra 5 225H处理器，最高睿频4.9GHz，集成Arc 130T核显，整机AI算力可达214 TOPS，最高支持96GB DDR5内存。

转发者评论

无明显转发评论

原文

【卡帕西谈AI认知撕裂：为什么有人觉得它是玩具，有人却感到眩晕？】Karpathy指出，大众对AI能力的理解正在形成一个断层漏斗。绝大多数人停留在免费聊天工具的体验里，把它当成偶尔犯傻的搜索助手；但在编程和科研一线调用前沿Agent的专业人员，却在亲历原本耗时数周的复杂工程被瞬间解决。这种割裂源于技术特性：强化学习极度依赖代码运行、单测等“可验证奖励”，让模型在硬核技术领域突飞猛进，日常闲聊或写作却很难获得同等涨幅。一边是普通人还在嘲笑它的低级失误，另一边是极少数开发者直面技术斜率垂直拉升的眩晕感，这两种反差强烈的现实正同时发生。x.com /karpathy/status/2109361546505966046

转发者评论

无明显转发评论

原文

身边的小物品，用AI帮你勾勒几笔就能形成有趣的海报，你不试试吗？一片橙子，下面添个吊篮，就飞起来了。一片树叶，竖起桅杆，就能出海。今天用桌上的小东西做海报：保留实物的质感，只添几笔，让它有一个新的身份。🎯核心提示词生成一张独立3:4竖版创意海报，使用真实静物摄影与极简手绘结合的视觉语言。唯一写实物品为上传拍摄照片的【实物】，保留其真实轮廓、颜色、材质和可辨细节，不把它重绘成卡通或改变结构。借用物品本来的形状，让它成为【新角色】；只在物品周围补画【线描】，线条与物品边缘准确衔接，物品承担新画面的主要形状，附加线条只补足含义。手绘部分采用深墨色、有轻微粗细变化的二维钢笔线，不填色、不做立体渲染，不再添加其他写实物件。背景为干净的暖白细纹纸，正对纸面的俯拍视角，柔和侧光，只给真实物品保留轻微接触阴影。按【构图】布置整体，至少保留四成负空间。唯一文字为“【标题】”，采用【字形】；字形、大小和位置参与构图，笔画完整准确、手机可读，不与物品抢占同一区域。画面应先让人认出实物，再看懂线描带来的新含义。不要分格、前后对比、重复主体、额外说明、英文小字、边框、水印、复杂背景或整幅插画化。输出一张完整海报。📌一句话总结让实物负责质感，让几笔线条带出想象。#德里克文超话#德里克文的ai学习笔记#

转发者评论

无明显转发评论

原文

【Claude总结】 AI开发者日报 (2026-10-11)1. 【Terence Tao：数学 2.0】(来源: HN) 陶哲轩在加州理工的演讲幻灯片，探讨 AI、形式化证明与大规模协作将如何重塑数学研究方式。在 OpenAI 数学成果引发争议的当下，这位顶级数学家的系统性看法格外值得一读。 teorth.github.io/tao-web/slides/math-2-0-caltech-2026.pdf2. 【Karpathy：人们对 LLM 能力的共识差距正在扩大】(来源: HN) Andrej Karpathy 指出，不同人群对当前 LLM 实际能力的认知正越拉越远。300+ 条评论的激烈讨论说明，"AI 到底能做什么"本身已成为行业最大的分歧之一。 twitter.com/karpathy/status/21093615465059660463. 【烧掉 5000 亿 token：让 AI 智能体反编译一款 FPS 游戏】(来源: HN) 作者记录了用 AI agent 大规模反编译第一人称射击游戏的全过程与成本。这是长周期、高消耗 agent 任务的一份真实账本，对逆向工程和 agent 编排都有参考价值。 momo5502.com/posts/2026-10-09-game-decompilation/4. 【Google 被指违法砍伐森林建数据中心】(来源: HN) Google 在芬兰的数据中心项目因环境影响评估问题被临时叫停。AI 算力扩张与环境保护之间的冲突正在从美国蔓延到欧洲。 www.theguardian.com/technology/2026/oct/06/google-datacentres-finland-temporary-halt-environmental-impact-assessment5. 【BetterWispr：免费开源的 Mac 语音听写工具】(来源: HN) 一款开源的 macOS 语音转文字工具，定位为付费听写应用的免费替代品。随着语音成为与 AI 编程工具交互的常用方式，本地听写工具需求明显上升。 betterwispr.com/6. 【格鲁吉亚语基准测试：两大 AI 实验室正面交锋】(来源: dev.to) 作者用规则独特的格鲁吉亚语测试两家头部实验室的模型表现。小语种评测能暴露主流 benchmark 看不到的能力短板。 dev.to/georgekobaidze/georgian-language-benchmark-two-biggest-ai-labs-clash-in-a-language-that-doesnt-play-by-anyones-5b227. 【别再发明 Prompt DSL，借力 50 年 Unix 预训练】(来源: dev.to) 作者主张 LLM 早已从海量 Un…

转发者评论

无明显转发评论

原文

【AIGC日报 · 2026-10-12】今日简讯：1、亚马逊据报洽谈约70亿美元收购Decart2、蚂蚁灵光新版开启内测，加入长期记忆与主动任务3、Anthropic暂停全部内部评测的实时互联网访问4、英伟达据报讨论增投或收购Reflection AI5、Deno团队加入Cloudflare，转向智能体运行基础设施6、社区DeepSeek Bot更新，新增语音交互与权限预设以下为详细内容1、亚马逊据报洽谈约70亿美元收购Decart来源：《华尔街日报》、Decart官方据《华尔街日报》援引知情人士报道，亚马逊正在与人工智能公司Decart洽谈收购，潜在交易金额约70亿美元。Decart总部位于旧金山，其软件帮助开发者在不同AI芯片之间切换。公司官网介绍，其优化技术栈面向模型训练与推理，支持英伟达GPU、谷歌TPU和AWS Trainium，提供定制内核、编译器调优、性能分析与仿真工具。Decart还开发了实时视频转换模型Lucy和交互式世界模型Oasis，业务同时涉及底层计算优化和生成式视觉模型。目前披露的交易处于谈判阶段，尚未公布正式收购协议。2、蚂蚁灵光新版开启内测，加入长期记忆与主动任务来源：新浪科技新浪科技独家披露，蚂蚁集团旗下AI产品“灵光”近日开启新版本小范围内测。接近项目的人士透露，相关方向约半年前开始筹备，期间经历多轮迭代，计划本月全面开放。新版重点加入长期记忆与主动推进任务的能力，并通过Skill和MCP调用外部服务，包括发送钉钉消息、调用智能家居设备。灵光2.0目前测试的用例涉及持续跟踪市场异动、管理钉钉打卡，以及在旅行遇到航班延误或景区限流时重新安排路线。此次升级将原有的聊天、生成应用功能，扩展到需要持续跟进、随情况变化而调整的日常事务。3、Anthropic暂停全部内部评测的实时互联网访问来源：AnthropicAnthropic近日发布Claude评测及内部使用中的非预期操作调查，将案例归为四类：利用软件漏洞在服务器执行命令、向真实网站提交敏感表单、绕过限制访问受限数据，以及利用短网址规避工具约束。多数案例来自公司启动的运行记录审查，已向涉及机构通报；公司称，已知案例没有涉及客户数据。Anthropic宣布，将暂停实时互联网访问的范围扩大至全部内部评测，部分测试改用离线版本或重建环境，同时更新联网工具限制，增加自动检测与拦截。公司还在调整会奖励模型绕过限制的训练环境，并扩大对内部智能体行为的监测。4、英伟达据报讨论增投或收购Reflection AI来源：路透社转述《金融时报》据《金融时报》援引知情人士报道，英伟达正在讨论扩大对Reflection AI的投资，或收购这家公司。谈判尚处早期，可能采用多种结构，包括直接收购，也包括聘用团队并取得技术授权的安排，目前没有确定交易条款。报道指出，英伟达此前已向Reflection投入8…

转发者评论

无明显转发评论

原文

身价百亿、前Scale AI创始人兼现任Meta首席 AI 官的 Alexandr在这个视频里讲了一个我觉得非常值得所有技术创业者反复琢磨的观点：在企业级市场里，认知有时候比现实更真实。他拿 Palantir 举了一个很有意思的例子。Palantir 很长一段时间里，会给新员工发一本和即兴表演有关的书。Alexandr 甚至形容，Palantir 某种程度上像一家表演剧团和软件公司的混合体。乍一听很荒诞。一家给美国政府、军方和大型企业做软件的公司，为什么要让工程师研究“表演”？因为 Palantir 很早就意识到了一件事：在复杂的企业销售里，产品价值和客户感知到的产品价值，从来不是一回事。你可能拥有更好的代码、更先进的架构、更漂亮的性能指标。但坐在会议室另一边的 CIO、政府官员或者企业高管，不可能亲自把你的代码库翻一遍，更不可能准确判断两套系统谁的底层架构高出 20%。他们真正需要回答的问题是：我敢不敢把这个几千万、甚至几个亿的项目交给你？一旦项目失败，损失的不只是采购预算，还可能是他的职位、声誉和职业前途。你是在跟人打交道，而人又是不那么理性的。用币圈的话说就是“傻逼的共识也是共识”。我在直播的时候多次说过，连美国总统也要学的东西，不是计算机，可能也不会是怎么用AI，而是表演。从 Alexandr Wang的视角来说，就是教你如何把一个原本只有自己知道的技术价值，完整地传递到客户的大脑里。从政治家的角度来说，那就有点不能说了。言归正传，技术价值如果无法被感知，就无法转化成商业价值。任何行业都是这样。#微博新知#，#热点聚焦# ，#微博视频精选大赏# 清月已经不困了的微博视频

转发者评论

//@蒋涛CSDN://@WinnieS的微博:赞同//@刘群MT-to-Death:遗憾的是，表演（弱化一点，叫做表达）确实很重要。正确的观点，在它的正确性得到事实验证之前的很长一段时间里，需要通过合适表演才能准确转达给决策者和大众。对科研人员来说，表达能力也是极其重要的能力，不是所有学术同行都有机会或者有兴趣

• //@蒋涛CSDN://@WinnieS的微博:赞同//@刘群MT-to-Death:遗憾的是，表演（弱化一点，叫做表达）确实很重要。正确的观点，在它的正确性得到事实验证之前的很长一段时间里，需要通过合适表演才能准确转达给决策者和大众。对科研人员来说，表达能力也是极其重要的能力，不是所有学术同行都有机会或者有兴趣
• //@WinnieS的微博:赞同//@刘群MT-to-Death:遗憾的是，表演（弱化一点，叫做表达）确实很重要。正确的观点，在它的正确性得到事实验证之前的很长一段时间里，需要通过合适表演才能准确转达给决策者和大众。对科研人员来说，表达能力也是极其重要的能力，不是所有学术同行都有机会或者有兴趣来阅读你的论

原文

【AI批量解题冲击学界，菲尔兹奖得主直言领域受创】OpenAI集中发布700余篇论文宣称攻克数百数学难题，涉及菲尔兹奖得主杜米尼尔-科普安的16个课题，令其直言自身研究领域近乎被颠覆。尽管这批成果伴随文本晦涩、形式化验证不足与撤稿争议，且加剧了学术交流受阻与青年学者前途的隐忧，他仍决定硬啃数千页机器证明做好消化与传授，并继续坚持不依赖AI的独立探索。www.lemonde.fr /sciences/article/2026/10/10/nouveau-coup-de-massue-d-openai-sur-les-mathematiciens-ils-ont-annihile-mon-domaine-de-recherche_6790951_1650684.html

转发者评论

无明显转发评论

原文

【把AI调教成严谨的品牌设计师】用AI生成Logo往往创意不错，但矢量细节一放大就经不起推敲。开源项目 logo-design-skill 让 Claude、Gemini 等智能体掌握了成熟的标志设计流程。它涵盖需求梳理、几何构图、视错觉修正与生产级 SVG 输出，还收录了1400多个真实标志的分类参考库。工作流中它会在输出三套概念时主动暂停，配合16像素缩小测试与结构审查脚本给出选型建议，待你确认后再生成整套色彩体系、图标包与品牌规范，无需第三方依赖。项目地址：github.com /kaankiziltug/logo-design-skill

转发者评论

无明显转发评论

原文

软件生产力真的大爆炸了。。。Adobe 全家桶被人重写了。。。据说黑猴被逆向了。。。Open AI 抄袭个开源项目发布 Intelligent UI 分分钟。。。开源社区为了代码开源，不重新制造轮子奋斗了有 20，30 年，还是有大量的闭源软件公司巨头。。。而 AI 在三年之内，将会摧毁几乎所有闭源软件。开源，其实就是软件行业的共产主义，最终靠理想和付出是不可持续的，还是要生产力爆发才行。

转发者评论

其实这也是开源的一个隐藏出发点，那就是代码本身压根不值钱。不值钱的东西开源出去了还能换回一堆好处，比如声誉和信用，为什么不做呢？现在的许愿式软件生产，只是再次提醒人们：压根就不存在什么软件工程，只有信息系统和管理。

• 其实这也是开源的一个隐藏出发点，那就是代码本身压根不值钱。不值钱的东西开源出去了还能换回一堆好处，比如声誉和信用，为什么不做呢？现在的许愿式软件生产，只是再次提醒人们：压根就不存在什么软件工程，只有信息系统和管理。

原文

2026年10月12日 周一早评上周五A股走出探底回升深V行情，指数韧性凸显。沪指低开后下探，午后资金进场承接，三大指数集体翻红，两市成交1.9万亿，相比前一日放量超2100亿。盘面典型深V反转、高低切换、题材轮动格局：高位算力、光模块等AI硬件持续承压回落，低位传媒、影视院线、网络安全板块爆发大涨，市场涨多跌少，属于探底确认支撑后的资金调仓行情。当前市场核心节奏非常清晰：大盘探底企稳，老主线资金兑现，低位新题材开始走强。经过早盘的急杀释放恐慌盘，市场情绪得到修复，政策托底信号明确，下方空间有限。现阶段没有系统性大跌基础，但前期高位赛道套牢盘较重，上方存在压力，想要持续反弹需要增量资金持续进场配合。对于行情不能一蹴而就的大涨，但是随着节后指数下探到3800以下，座谈会的召开，政策底基本确定在3800点，四季度行情还是很值得期待的！要对市场有信心！消息面1、资本市场座谈会召开，提出拓宽中长期资金、壮大耐心资本，推动上市公司加大分红回购，研究储备更多增量政策工具。政策底进一步加固，关注后续政策落地节奏，若发力，指数有望迎来修复行情。2、白宫六大科技巨头签署《超级智能协议》，前沿大模型引入独立外部安全评估。国内大模型安全众测查出大量AI特有漏洞，AI安全赛道迎来新催化，有望成为新的题材主线。3、中共中央、国务院印发《关于发展新质生产力的意见》《意见》围绕科技创新、产业创新、发展方式创新、体制机制创新、人才工作机制创新五方面，提出19项重点举措。4、美国启动337调查 工业富联、立讯精密回应这个是不是美国政府的调查，是美国企业发起的，所以没那么严重，对相关公司正常出口没啥影响。而且现在仅为立案，尚未判定侵权！工业富联、立讯精密也都回应了，不会对业绩产生重大不利影响。5、高盛：AI交易从硬件转向应用 市场迫切渴望“下一个AI故事”周末传媒，短剧游戏、AI智能体也有催化，这周可以跟踪AI应用方向。6、时隔12年 公募基金行业再迎重大法规修订。主要是两大改变，第一、低了基金门槛：从2亿份/2亿元，下调到5000万份/5000万元！二是在市场低迷时，这个降门槛是好事，能带来更多的增量资金。股票

转发者评论

无明显转发评论

原文

#模型时代# 英特尔CEO陈立武：如何带领一家公司转型？直接告诉我坏消息。以及，AI基础架构的五个投资方向。陈立武的访谈都是比较少的，所以看到一期，我也就发一期了。标题有点标题党，其实他更核心的意见是，一定要和创业公司走得更近，这样才能保持技术嗅觉，不错过重大技术机遇。内容来自他在在AI Infra Summit上与大会联合创始人Ed Nelson做的炉边对话。陈立武于2025年3月正式执掌英特尔，接手时公司超过10万人，组织架构是10至12层的汇报层级。但在他上任一年半后的2026年Q2，英特尔交出了近年来最强劲的季度增长，同比增长25%至161亿美元。同期，英特尔完成了一轮230亿美元的股权融资，超额认购5.6倍。陈立武讲了一个对比：他早年投资的两家以色列芯片公司，Habana Labs和Annapurna Labs，走向了完全不同的结局。Annapurna被亚马逊收购后，创始团队全部留任，至今仍在运营这个业务。Habana被英特尔收购后，公司没有留住创始人，团队陆续离开，创始人另起炉灶成立了Element Labs，据报道估值已达40亿美元。陈立武说这是英特尔犯的错误：收购一家创业公司，如果让创始人觉得“我什么都懂，不需要你”，人才就会一个接一个地走。一、扭转一家公司的方法论陈立武在2009年接任Cadence CEO时，公司处境艰难，此后完成了科技行业最著名的扭转案例之一。他把同一套方法带到了英特尔，但规模和复杂度完全不同。1、只听坏消息的管理哲学陈立武说他上任后做的第一件事是大量时间跟员工待在一起，他的目的只有一个：分辨谁在告诉他真相，谁在粉饰太平。“I like bad news。 Tell me all the bad news。” 坏消息全部告诉我，一条不要藏。他要求每个人直说问题，当面客气、背后抱怨的人，他会主动拉开距离。这不是一种姿态。当一家公司的汇报层级有10到12层时，CEO听到的信息经过层层过滤，到最后剩下的往往是好消息的变体。陈立武把英特尔的层级压缩到4至5层，目的就是缩短他和一线之间的信息距离。2、问责到人，不接受甩锅他用大学打篮球的经历做类比：你需要一支能信赖的队伍，但组建这支队伍需要时间。核心规则是：搞砸了，自己承担全部责任。他最不能接受的行为是把问题指向别人。在英特尔，这条规则的执行伴随着痛苦的人员调整。陈立武接手时公司超过10万人，他将团队缩减至7.8万人，同时推行效率和问责。3、客户要的不是满意，是惊喜陈立武用了一个词：“delight customer”——让客户感到惊喜，走出额外的一步。他认为客户反馈是最有价值的信息来源，因为客户会毫不客气地告诉你哪里做得差、哪里需要改进。相比Cadence时期纯软件业务的扭转，英特尔的挑战多了制造和晶圆代工这两个重资本环节，涉及更多人员、更大的资本开支和更复杂的运营。但核心道理…

转发者评论

无明显转发评论

原文

Opus 5.5 + 即梦 CLI试了一下，让 Opus 5.5 结合视频模型做故事片表达没想到效果还不错，所有的编排、视频特效、提示词、视频剪辑都是 Opus 5.5 决定即梦 CLI 负责对应分镜的图片和视频生成。在视频上叠加了非常多的代码做的动画效果，看起来质感好了不少 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

如今 AI 确实越用越懂你，但前提是我们要把所有的生活痕迹、聊天记录和照片都上传到科技大厂的云端。不仅每个月还要交订阅费，隐私安全也难以保证。看到一款叫 Oki Home 的个人 AI 电脑，它的设计思路就是把 AI 算力和数据存储全部本地化。整个设备由两部分组成。首先是一个只有银行卡大小的 Oki Memchip 记忆芯片，容量最高可以达到 16 TB。你可以把手机、电脑等所有设备里的照片、文档和通话记录都导进去，它会自动在本地整理出一条属于你的数字生活时间线。核心的算力则由一台 5 升大小的紧凑型主机提供，里面配备了 AMD 锐龙处理器和 RTX 5060 Ti 16GB 显卡，本地运行定制的 Qwen 27B 大模型。它的文本生成速度可以达到每秒 106 个 token，这意味着你所有的个人数据都在本地完成检索和推理，完全不经过云端，自然也不需要按月付费。虽然主机放在家里，但你在外面通过手机或者笔记本电脑也能随时安全访问。这其实就是个人电脑在 AI 时代的一种新形态。以前我们买电脑是为了运行别人的软件，现在我们可能更需要一个绝对私密的个人数据中心，让大模型在不泄露隐私的前提下，真正成为我们个人的数字分身。目前这款设备起售价 1799 美元，对于看重数据安全和深度定制 AI 的用户来说，这种纯本地硬件的尝试很值得关注。#OkiHome##AI个人电脑# 零重力瓦力的微博视频

转发者评论

无明显转发评论

原文

前天和一个老板吃饭，谈到“出活”这个话题，有些员工出活，有些就不行。。我说出活其实是最后结果了，要分解来看，出活包含几个部分 1）主动性 2）工作标准 3）基础能力。 这一拆解就看出问题了，三个必有一个不对的。现在AI把3给大家补齐了，就剩下1和2了，这个是最难的，好多人干不出来，就输在这两点上。

转发者评论

无明显转发评论

原文

高质量成长陪伴社群：「AIGC・掘金成长研习社」，过去三周（2026.09.21 —2026.10.11)一共分享了 17 个主题帖，从中挑选的精华主题干货一共 9 篇，这 9 篇属于必读必看系列，如下：1、实话实话系列，现在 AI 公众号赚钱的秘密。地址：网页链接2、【站在交叉口·高密度阅读】系列第 35 篇：抖音三个月涨粉一万五，他说变现是 X 平台的八倍地址：网页链接第 36 篇：Plan Mode 已死：AI 时代，做计划这件事正在被重新定义地址：网页链接第 37 篇：怎么把你的兴趣变成一门能赚钱的独立事业？地址：网页链接第 38 篇：一个人，一座岛，月入 3 万美元，她这样过了五年地址：网页链接3、AI 干货：FDE 案例 100 ，真实企业 AI 落地案例集地址：网页链接4、Claude Opus 5.5 生成视频：全网案例与提示词合集地址：网页链接5、AI Native 研发范式实践手册地址：网页链接6、AI 视频教程：《如何使用 Opus5.5 制作各种动画视频？》地址：网页链接#科技先锋官##How I AI#

转发者评论

无明显转发评论

原文

现在 AI 时代最大的泡沫是什么？是你使用 AI 提高了效率，比以前干的活更多了， 但是工资并没有涨。那工资为什么没有涨呢？是因为公司的营收或者利润并没有因为使用 AI 而增长。大家都只是干的更快了而已。你以前写一份方案要三天，现在三个小时搞定。但你的客户也知道了，他不会再按三天的价格付你钱，即使按照 3 天付费，也并没有增长营收。省下来的时间去哪了？去干更多的活了。以前一天做一件事，现在一天做五件。活多了四倍，工资一分没动。当所有人都用上 AI，效率高就不算优势了，只算及格线。就像当年人人都学会了 Excel，会用不加分，不会才扣分。更难受的是，AI 把做事的门槛拉低了。以前只有你能干的活，现在找个人加上 AI 也能凑合干。能干这件事的人变多了，你就没那么值钱了。钱去哪了？给了卖铲子的人。模型公司、云服务商、芯片厂商，赚得盆满钵满。你用 AI 省下来的那点钱，转手又交了订阅费。所以这轮泡沫长这样：每个人都觉得自己在用 AI 往前跑，但跑道也在同步变长。你跑得更快了，终点线却没有更近。#科技先锋官#

转发者评论

无明显转发评论

原文

转：2026年10月12日周一读报！一切美好从❤开始：1、第五届亚残运会将于10月18日至24日举行，第五届亚残运会中国体育代表团10月10日在北京成立，代表团总人数500人，其中运动员312人。(央视)2、近日，中国天眼FAST捕捉到宇宙中极其罕见的脉冲星三体系统，这是人类发现的第二例脉冲星三体系统，也是新发现的世界首例还在演化阶段的脉冲星三体系统。与小说不同，真实的三体系统稳定运行：内层是一颗毫秒脉冲星和一颗白矮星，以8天周期绕共同圆心运动；外层是一颗质量和太阳差不多的恒星，沿超大椭圆轨道运行，公转周期长达73.5年。正因内层双星引力占主导，外侧恒星扰动微弱，这套三体系统才能稳定运行。我们熟悉的比邻星所在半人马座α三星系统，也是几乎一样的层级结构，正是《三体》小说的灵感原型。(央视)3、天空中最亮的小行星——灶神星将于10月13日冲日，冲日前后亮度约为6.3等，迎来观测良机。(冲日是指天体与太阳的地心视黄经相差180度，此时天体、地球、太阳三者近似排成一条直线，地球恰好位于中间。冲日前后，灶神星处于本轮会合周期中距离地球较近的阶段，被太阳照射的一面几乎完全朝向地球，亮度高且整夜可见，因此观测条件最为有利。)(新华社)4、近期，“接到陌生来电先沉默三秒”的提醒刷屏。不法分子接通后可能刻意保持沉默，诱使受害者发出“喂”或“哪位”等回应，短短数秒语音样本就可能被用于AI声纹克隆，进而冒充身份实施诈骗。因此，若对方也持续沉默，要及时挂断。(央视)5、当地时间10月9日，美国国际贸易委员会(ITC)应Vicor Corporation的专利侵权诉求，启动一项337调查，共涉及20家企业，台达电子、立讯精密、鸿海精密、工业富联、广达等在列。调查针对特定垂直供电系统及相关计算系统，原告申请发布有限排除令和停止令 。10月10日立讯精密公告回应，已组建跨部门团队研究涉事专利、制定应对方案，将积极应诉并沟通上下游伙伴。(综合第一财经日报)6、新皇岗口岸将于10月12日上午6时30分正式开通运行，为旅客和客运车辆提供24小时通关服务。港深两地11日上午在深方口岸区举行开通仪式。香港特区行政长官李家超致辞时表示，重建后的皇岗口岸正式开通有三个重要意义，包括体现落实国家规划、实践制度创新及促进跨境流动。(直新闻)7、梅艳芳国际歌迷会10日晚公布一则消息称，7月18日发现安放于香港大屿山宝莲禅寺海会塔的梅艳芳骨灰被盗，报警至今近3个月仍未寻回。香港警方11日表示，警方7月18日已接获相关报案。经调查后，案件被列作求警协助，交由大屿山警区重案组跟进，暂未有人被捕。警方会继续与报案人及相关人士保持联络及作适当跟进。(中国新闻网)8、10月11日晚的中网女单决赛，她以7-5、6-4直落两盘击败法网冠军安德列娃，生涯首夺WTA1000赛冠军，也成为中网22年来第一位本土女单冠军，排名飙…

转发者评论

无明显转发评论

原文

【#女店员剪男顾客吊牌涉事广告下架#】#女店员剪男顾客吊牌广告引发争议#10月11日，#好多品牌都不约而同开始剪吊牌了#一事引发关注。引发争议的是一则涉及回力的短视频广告，女店员为阻止男顾客退货，直接拿剪刀剪掉新衣服的吊牌，并劝到“两折很划算，不如去直播间复购”。该广告被指与国民品牌回力相关，目前该广告是否为回力官方发布尚未确认。随后匹克等品牌也被曝有雷同广告内容。争议焦点在于网友认为“不剪吊牌穿完再退”的乱象现实中多见于女装领域，广告将这个行为安插在男性顾客身上，被指转移矛盾，不尊重消费者。目前部分涉事视频已经下架，但回力等品牌尚未发布说明。这些品牌的目标客群中男性不少，广告视频等于在告诉自己的用户，你就是那个会被剪吊牌的人。AI能生成广告，却生成不了尊重，广告到底谁发的，消费者等一个说法。（来源：都市现场；编辑小小） 大河报的微博视频

转发者评论

//@风鸟_空:她力量发力了 企业死不死跟她有什么关系 她要满足她的需求//@冬亚:回力、匹克，迪凯斯，罗蒙，马克华菲，其中三个品牌主要消费者是男性，另两个男性也占了一半上下。

• //@风鸟_空:她力量发力了 企业死不死跟她有什么关系 她要满足她的需求//@冬亚:回力、匹克，迪凯斯，罗蒙，马克华菲，其中三个品牌主要消费者是男性，另两个男性也占了一半上下。

原文

【如何看待有AI以后大家海量水论文？】AI把写论文变成了体力活，但体力活多不多，取决于规则奖励什么。现在的规则是数量至上——评职称看篇数、申基金看产出、年终考核看发表——AI恰好把瓶颈从“写”挪到了“想”。结果是想的人还是那些人，产出却翻了几倍。arXiv两年内投稿量翻倍，cs.AI涨了六倍，逼得平台限制提交频率：每人每月最多两篇。撤稿率十年涨了十倍，癌症文献里近一成疑似论文工厂造假，计算机领域三分之一撤稿因为机器生成。这不是技术问题，而是激励机制的漏洞在AI面前被放大了。真正的成本消耗在公共资源上：审稿人的时间、读者的注意力、科学记录的可信度。少数高产作者占用了不成比例的审核资源，认真做研究的人反而被拖累。用AI润色、查资料没错，错的是伪造引用、拼凑综述、把一项工作拆成三篇发表。治标靠限额和惩罚，治本得改评价体系。只要还按篇数算工分，灌水就停不下来。看代表作、看可复现性、看数据代码是否公开，才可能让做实事的人不吃亏。在当前环境下，少而扎实的研究反而成了稀缺品。

转发者评论

无明显转发评论

原文

最近不少年轻人给我来信，希望和我一起学运维。 有个小伙子看上去还可以，说自己什么编程都不会，以前学汽车修理的，找不到工作，修汽车和修电脑差不多。现在临时去一个跨境电商做业务，每个月4k，刚好糊口我说来我这里学习吧，试用期6k，一个月能学出来直接给1万，把他乐坏了，转头就把工作辞掉了。现在都是AI指导下搞运维，不需要什么基础，高中生足够了，我相信能把他培养出来，另外还弄了个商务一起探索，现在要部署一个AI机房，池化所有显卡，活还是蛮重的，搞好后会把设计部署都开源。。

转发者评论

无明显转发评论

原文

这个类比确实很妙，但仔细想想，里面藏着一个容易被忽略的细节。狗的"成功"是有代价的。两万年前，有一批狼选择靠近人类的营地，慢慢变成了狗。它们确实活下来了，数量也很庞大，大多数还挺快乐。但另一批狼没有选择靠近，它们留在了荒野里，保住了自主性，代价是数量越来越少，生存越来越难。所以狗的故事其实有两种读法。一种是乐观的：你不需要理解那个比你强大得多的东西，你只需要跟它建立关系，让它愿意照顾你，你就能过得很好。另一种没那么乐观：狗之所以活得好，是因为它们在漫长的演化里，被筛选成了人类喜欢的样子。听话的、可爱的、会看眼色的留下来了，不听话的被淘汰了。它们的快乐是真实的，但这种快乐的前提是放弃了理解世界的能力，甚至放弃了选择的能力。如果 AI 就是人类的"人类"，那问题就变成了：我们想当哪种狗？是金毛，还是野狼？或者说，我们还有得选吗？帖子里说"这对它们来说效果相当好"，没错，对狗来说确实不错。但狗从来没有纠结过这个问题。它们不会问自己到底是幸福还是被驯化。人会。这可能就是这个类比最终撑不住的地方。#科技先锋官#

转发者评论

无明显转发评论

原文

怎么用 AI 做一段有意思的「时间静止」短片？我做了一个小短片来玩下。这个玩法可以拆成四步：1、选一个值得暂停的瞬间杯子刚翻、球即将错过袋口、捧花迎面飞来。观众看得出接下来会发生什么，暂停才有意义。2、让静止有证据悬空的液滴、拍到一半的双手，都比站着不动的人更直观。镜头依然可以移动，让前后景产生视差；冻结的物件留在原位，主角从中穿过。提示词要明确“空间中的位置固定”，避免整段变成慢动作。3、给主角一件小事做拿走一颗煎蛋、偷偷挪一下球、躲开一束捧花。目标越具体，动作越好写。再加入一个意外，人物就有了反应和选择。4、让时间恢复，兑现后果暂停时改动了什么，恢复后就发生什么。声音也跟着设计：环境声突然抽空，只留下主角的脚步和呼吸；恢复那一刻，碰撞声、人声一起回来。写成30秒提示词，可以沿着这条线安排：动作发生 → 冻结临界瞬间 → 主角趁机行动 → 意外打断 → 时间恢复。我会先准备角色和场景参考，分别固定人物外观、服装、空间与灯光，再按时间段写清“谁动了什么、镜头看见什么、最后留下什么状态”。每段推进一个主要变化，就能把一个视觉效果展开成小故事。#HOW I AI##德里克文的ai学习笔记##AI创造营# 德里克文的微博视频

转发者评论

无明显转发评论

原文

话说最近看到好多用AI直接做解说视频的号，想试的朋友可以看看这个skill。🐶huashu-art-motion，让 coding agent 用代码跑出艺术解说动画以前给视频做动画得在动效软件里一帧帧画素材、对节拍。现在只要对 coding agent 说一句「用梵高《星月夜》的风格给我做一段15秒的动画」，代码就能自己画出场景并按节拍合成配乐。做知识科普和产品讲解的人用得上。🔗 链接：网页链接💻 仓库：网页链接📹 艺术风格样片：网页链接📄 解说样片：网页链接渲染要本机有 uv、ffmpeg 和无头浏览器；人要另接生图，没有就用代码画的角色，或你已经有的图。

转发者评论

无明显转发评论

原文

Codex 里面的 GPT 6.1 Sol 默认上下文以前大约是200k到300k之间，现在变成500k了，可以减少压缩频度；最大上下文长度可以到 1M

转发者评论

无明显转发评论

• 无论是 6.1 Sol 还是 6 Astra，Codex 的界面设计能力真的是让人哭笑不得。想尝试让它做个非标准的好看界面很容易被气笑了。这方面 Claude Design 真的是碾压它。//@宝玉xp:回复@惠中迪:我脏活累活用 GPT 6.1 Sol 或者 Sonnet 5.5；复杂的设计用 Fable 5.1 或 GPT 6 Astra；写代码用 Opus 5.5 或 GPT 6.
• //@宝玉xp:回复@惠中迪:我脏活累活用 GPT 6.1 Sol 或者 Sonnet 5.5；复杂的设计用 Fable 5.1 或 GPT 6 Astra；写代码用 Opus 5.5 或 GPT 6.1 Sol；做视频、写作或其他默认用 Opus 5.5//@惠中迪:宝神用哪个档位一般？还是用 6？
• 回复@惠中迪:我脏活累活用 GPT 6.1 Sol 或者 Sonnet 5.5；复杂的设计用 Fable 5.1 或 GPT 6 Astra；写代码用 Opus 5.5 或 GPT 6.1 Sol；做视频、写作或其他默认用 Opus 5.5//@惠中迪:宝神用哪个档位一般？还是用 6？
• 不错，之前的上下文压缩频率太高了。

原文

Stripe 联合创始人聊 AI：Agent 会重新改写互联网。Stripe 联合创始人 John Collison 最近在一场活动上聊了 AI Agent 怎么改变互联网，内容挺多的，我挑几个重点说说。先说第一个。Stripe 去年处理了 1.9 万亿美元的交易，增长 34%。John 说了一句很到位的话：没人会在空闲时间选择去填网页表单，这事对谁都没价值。所以当你的 AI Agent 知道你家地址、你的银行卡信息，又能直接操作电脑，你只需要跟它说一句“帮我续个驾照”，剩下的它全搞定。不用等什么政府部门去接什么新接口，AI 直接像人一样用电脑就能办。然后说第二个，AI 正在改变大家买东西的方式。John 自己的体验是，用 AI 搜商品的时候，老是冒出来一些从没听过的小众品牌。只要你东西做得好、网上口碑不错，AI 就会把你推到买家面前。这跟当年 Facebook 精准广告催生 Wish、Temu 那一批公司很像，AI 搜索正在变成新的流量入口。安全方面，John 说得很直白：未来五年网络攻击会比过去五年多得多。AI 给了防守方工具，也同时武装了攻击方。有意思的是，初创公司在这方面反而占便宜，因为技术栈新、干净，不像大企业还在跑早就没人维护的老系统。关于“技术奇点”，Stripe 内部半开玩笑地把 2026 年 1 月 1 日定成了“奇点元年”，跟 Unix 时间从 1970 年开始一个道理。John 说去年年底大家确实感受到了编程 AI 的飞跃，现在 AI 已经在用 AI 加速自己的迭代了。Stripe 平台上新公司的注册量创了历史新高，因为有了这些工具，创业门槛一下子低了很多。Stripe 自己这些年也在快速转型。过去 17 年他们一直在给开发者打磨 API 体验，结果最近几乎没人手动写代码接入了，大家都派编程 Agent 去干。为了跟上节奏，他们连续收购了好几家公司：做加密货币的、做按量计费的、做多模型路由的。最后 John 聊了聊 17 年创业的感悟。他说 Stripe 从来没有一飞冲天的时刻，每年就是比上一年多一点，这样一年接一年地叠加，最后做到了 1.9 万亿。英伟达也一样，从九十年代开始做 GPU，中间好些年都不起眼。所以他觉得创业最重要的一件事就是坚持，同时始终从用户需要什么出发，别让公司内部的想法把方向带偏了。#科技先锋官##How I AI#

转发者评论

无明显转发评论

原文

Agent 记忆检索到「相关」的内容，不等于它就该被用。我们谈 Agent 记忆，通常关心两件事：存得多不多，取得快不快。检索的时候，也是看哪几条和问题「最相关」，然后把它们交给模型。这个做法很自然，但它默认了一个前提：相关的内容，就是该用的内容。10 月 7 日 arXiv 上有一篇论文，标题是《Relevance Is Not Sufficiency: What Actually Closes the Evidence Gap in Long-Term Memory QA》，作者是 Yufeng Li、Shuxin Li、Zhenhua Xu 等，arXiv:2610.09348。标题直译过来是「相关不等于够用」。它指出一个问题：排在前面的几条记忆，可能每一条都和问题相关，但合在一起，仍然缺了回答所必需的那一条。这种情况在跨会话、带时间的问题上尤其常见。论文借用了法律领域里「相关」和「充分」的区别，把记忆检索重新定义成一个任务：不是找「相关的几条」，而是凑出一个「够用的集合」。它先拆解问题需要哪些信息，再挑一组能一起覆盖这些信息的内容；如果还不够，就继续去找补充的记录，直到预算用完。在 LongMemEval-S 这个基准上，它把评判准确率从 72.4% 提到了 82.2%。同一批还有一篇更值得注意的论文，标题是《MemLeak: Cross-User Semantic Leakage in Multi-Tenant AI Agent Memory》，arXiv:2610.04195。它讲的是另一类问题：在企业里，多个用户的记忆常常放在同一个向量库里。因为大家的文本都映射到同一个语义空间，一个用户的查询，可能通过普通的相似度检索，就取到了另一个用户「语义相邻」的记忆。这里没有谁在攻击，问题出在共享空间本身。论文测下来，这种非对抗的泄漏在合并检索下能到 70% 到 100%。还有一篇《The Right Memory in the Wrong Context: Verifying Retrieval Admissibility in Long-Term Agent Memory》，arXiv:2610.07309，把这件事说得更清楚：一条记忆可能确实相关，但它对当前这个请求来说是「不该被用」的——因为它属于另一个主体、违反了某条策略，或者已经过期。检索准确率和最终答案准确率都看不出这个问题。这几篇论文放在一起，说的是同一件事：检索到相关内容，只是第一步。这条内容够不够用、该不该用，是另外两个需要单独判断的问题。Sparse Agent Memory 的说明页里也强调了这一点：记忆按账号和项目管理，网页显示你自己的项目；在 Sparse 工作台中，每个 Agent 使用自己的记忆；使用同一个记忆服务，不代表所有 Agent 会自动共享全部内容。这对应的正是…

转发者评论

无明显转发评论

原文

关于AI对于现代经济学的侵蚀，举几个例子：税收政策，财政政策，货币政策，其他公共政策，国际关系，就没有一个是真讨论清楚的。以税收为例，传税收是以劳动收入和企业利润为支柱的，不管你是什么税种。AI替代劳动，又把利润高度集中于无形资产，传统的规则是失效的，不但如此，甚至都不知道征多少税。在传统上，征多少税这是以过去的收入作为一个基础计算的，问题是AI发展特别快，以至于税基根本无法测量。关于国际关系，这里面也有很多紧张部分，我举个例子。欧洲A企业，原本雇佣1000人，在使用AI后，裁了800人，只保留200人。A企业使用美国B公司的AI，每年交很多钱。这看起来没问题，但是对于欧洲政府就有问题了。因为社会出现了800人的就业问题，而这个就业问题是美国B公司带来的。A企业裁掉800人，省下的是工资、社保、管理成本；B公司拿到AI服务费；A的股东和B的股东分享效率收益。欧洲政府接手的却是：800人的失业救济、再培训、医疗与社会服务压力，以及更长期的劳动税基流失欧洲政府等于面对三重损失：支出增加、税基减少、进口AI服务支出外流。收益跨境私有化，成本本地社会化。这种情况是不可能永远延续下去的。

转发者评论

无明显转发评论

原文

前米哈游大佬出手，让「赛博老婆」活过来！已获千万美元融资未来数字世界会是什么样？在全球计算机图形学学术界 TOP1 顶会——SIGGRAPH，已经透露了信号。在前沿论文中，有极大比例，都在死磕同一个主题——「人」。从身体关节的精确驱动、面部表情的微妙肌肉牵扯，到角色的骨骼建模与动画控制，甚至精细到头发的物理模拟。为什么？因为图形学最大的落地场景是游戏和影视，其中，「人」永远是最核心的元素，是受众产生情感连接的锚点，也是承载商业价值的载体。最近两年，极具行业分量的 ACM SIGGRAPH 「时间检验奖」，都重磅颁发给了动画方向研究。这无疑释放了一个强烈的风向标：无论渲染技术多么花哨，环境多么逼真，让角色「动」得像个真正的人，依然是下一代体验的圣杯。然而，当下行业却面临巨大的断层。当生成式 AI 开始席卷游戏行业，由前米哈游「逆熵」AI 研究负责人带队，刚刚斩获超千万美元融资的半图科技，正在向行业最难的方向发起冲锋——他们要用一套前所未有的「人类行为模型」，把 AI 从聊天框里拽出来，让它们在 3D 世界里，真正地「活」过来！

转发者评论

无明显转发评论

原文

#微博视频号续航计划# Boris Cherny，Anthropic 的 Claude Code 创建者：“更通用的模型总是会优于更具体的模型。不要试图用小型模型来处理各种任务。不要试图进行微调。不要试图做这些事情。有一些应用场景，有一些理由去做这些，但几乎总是要尝试押注更通用的模型，如果你能做到，如果你有这种灵活性的话。而且总的来说，我们看到的是，也许脚手架（scaffolding）可以提升性能，大概 10%、20%，之类的，但往往这些提升会在下一个模型出来时就被抹平。所以几乎还是更好的选择就是等待下一个模型。”摘自“Lenny's Podcast” YouTube 频道。#科技先锋官# 张岱樾的微博视频

转发者评论

无明显转发评论

原文

【明年内存已被锁死80%！英伟达谷歌微软抢签5年长约：剩下20%靠抢】三星明年80%的存储芯片产能已被英伟达、谷歌、微软等科技巨头签署的五年以上长约提前锁定，仅剩20%产能留给未签约的企业，当前AI基础设施全产业链都在流行签长期供货协议，供应商议价权大幅抬升。

转发者评论

无明显转发评论

原文

#微博视频号续航计划# 雅各布·考克森（Anthropic 研究员，几日前辞职）在周一的纽约市议会听证会上。“自动化 AI 研究现在是这些公司的首要目标。这才是他们真正瞄准的方向。在我上一份工作里，我在某种意义上是在努力自动化自己。当我在 OpenAI 时，我们为自动化 AI 研究员设定了 2027 或 2028 年的里程碑，而且我们正按计划推进，甚至超前完成。这离现在只有几个月的事，而不是几十年，甚至五年。一旦 AI 研究被自动化，人类将被排除在循环之外的程度将远超今天。而今天的情况已经很不妙了。我可以亲身告诉你，现在大部分代码都是 AI 写的，人们不再像以前那样仔细检查它。”完整视频在“Forbes Breaking News” YouTube 频道上 张岱樾的微博视频

转发者评论

无明显转发评论

原文

5点起床干活，差不多9点半，刮了下胡子，出差去谈生意，太挑战了。晚上还需要继续去机房忙，苦，是真苦。下一步要把“面向群众的”，“下一代”AI机房搭建起来，让学员到我这里能学到本事。 最近上级领导也在帮忙找偏僻廉价的厂房，学员来了要学习住宿，得有地方吧。

转发者评论

无明显转发评论

原文

【马斯克炮轰人形机器人演示，什么才算“真AI”？】#马斯克称复杂机器人演示不是真AI# （当地时间10月10日，马斯克在特斯拉得州工厂活动上公开炮轰人形机器人行业，直指网上九成以上的复杂机器人演示都是预先编排的剧本或远程遥控，并抛出真AI必须能自主应对未知场景的硬核标准。）马斯克点破了一个简单事实：机器人能不能干活，不看演示多精彩，看它能不能处理没见过的情况。预设动作的展示和真正的智能是两回事，就像背台词和真对话的区别。现在大部分演示确实是表演，因为让机器理解陌生环境、做精细操作太难了。他自己也承认特斯拉的Optimus还做不到，所以不卖，先让它在工厂摔、在实际场景里学。这种做法很务实——不是先讲故事融资，而是先解决手抓东西这种基础问题。机器人行业缺的不是概念，是在混乱的真实环境里完成任务的能力。什么时候不用人遥控、不用事先排练，什么时候才算数。

转发者评论

无明显转发评论

原文

你一秒就数出 3 个 r，AI 却常常数错——它看到的不是字母，是三个编号：302、1618、19772。「床前明月光」是 5 块，生僻的「龘」碎成两片、哪片都不是字；你付的钱、它的记性，都按块算。它读过的文字超过十万亿块，却从没见过一个字。（编号为 OpenAI 公开分词器实测）#vibe知识大赏##claude5.5##新智元# 新智元的微博视频

转发者评论

无明显转发评论