微博 AI 观察博客

原文

Anthropic 平台工程负责人 Katelyn Lesse：上千个 AI 智能体一起干活，还缺程序员解决四个难题AI 越来越会写代码，很多程序员开始怀疑自己的手艺还值不值钱。Anthropic 平台工程负责人 Katelyn Lesse 10 月 25 日发文说，她看到的情况正相反：接下来一两年，AI 想做成大事，得先靠程序员解决一批新问题。她说，现在是当工程师最有意思的时候之一。Lesse 在 Anthropic 负责平台工程，据她接受 Kleiner Perkins 访谈时的介绍，团队约 200 人。她此前在 Stripe 和 Betterment 带过工程团队。这篇文章发在她的个人博客和 X 上，X 上阅读量约 61 万。【这些问题从哪来】AI 智能体，就是能自己调用工具、一步步完成任务的 AI 程序。Lesse 说，它最早只是聊天框，人盯着一问一答；后来模型能独立干更久、更难的活，开始搬到云端运行；再往后出现了多智能体系统：一个总管 AI 把任务拆开，分给一批助手去做，还有的 AI 专门负责打分、提建议。她说，现在已经有人在搭由成千上万个智能体组成、连续工作不停的系统，用来做科研、新发现和硬件设计。规模一上来，就冒出了四类新问题。【难题一：服务器怎么安排】现在大部分软件跑在 Kubernetes 上，这是一套给服务器排班的系统，擅长管“一模一样的副本，哪个挂了换一个顶上”。Lesse 说智能体正好相反：每个都是独一份，记着自己干到哪了；大量时间在等模型回话、等工具、等别的智能体或等人回复，闲多久说不准，忙起来又可能一下冒出几千个。Google 上个月开源的 Agent Substrate 就是冲这个问题做的。据 Google 官方博客，它能让闲着的智能体休眠、把资源腾出来，需要时半秒内唤醒。Lesse 说这块还有大量问题没解决。【难题二：谁在干活，能干什么】很多智能体用的是人的账号和权限，系统得分清某个操作是人做的，还是 AI 替人做的。更难的是授权：一个系统替你连干几周，你怎么事先讲清它能做什么、不能做什么？智能体之间互相派活时，一个智能体凭什么相信另一个？Lesse 说，确认身份可以借用现成技术，比如用很快过期的临时凭证代替长期有效的密钥；授权这块基本还是空白。【难题三：一个被骗，全队遭殃】Lesse 说，最近几个月，尤其最近几周，软件漏洞冒出来的速度超过了业界修补的速度，很多出在大量系统依赖的核心软件里。本月 PHP、GitLab、Node.js 就接连发布了严重漏洞的修复。上千个智能体跑在这些软件上，还要写来路不明的代码、读来路不明的网页，没修好的漏洞就危险得多。多智能体还多一层风险：一个智能体被网页里藏的恶意指令骗了，可能把指令转给同伴，甚至写进共享记忆，让后来的智能体也照做。她的建议是让每个智能体在严格隔离的“沙箱”里干活，好比实验…

转发者评论

无明显转发评论

原文

微软开源的 Skill Recorder，可以把一次实际操作整理成 AI Agent 可复用的 Skill。适合把日常重复工作中的操作经验，转成可检查、可修改的执行步骤。使用流程是：录制一次任务 → 让 GitHub Copilot 分析任务意图和步骤 → 人工检查、修改 → 生成 SKILL.md，或创建按时间、事件触发的 Automation。录制时可以加语音讲解；涉及命令行操作，也可以使用它自带的录制终端。生成的流程优先调用 gh、web_fetch 等 Agent 原生工具，提炼任务的执行方法。导出前可以预览完整的 SKILL.md，确认后导出的就是这份预览内容；修改任务计划则需要重新生成。macOS 是主要平台，也支持 Windows 11；安装采用官方发布页提供的命令，在本机构建对应版本。录制、存储和语音转写在本地完成，但点击 Analyze 后，时间线、截图、旁白文本及按需读取的终端输出片段会提交到 GitHub 云端，因此录制时应避开密码、密钥和机密内容。项目：github.com/microsoft/skill-recorder#HOW I AI# #程序员#

转发者评论

无明显转发评论

原文

读完Anthropic的335页招股书，最扎心的十个细节。Anthropic这两天公布了招股书，正文335页。翻开头几页我愣了一下，因为最前面不是数据表也不是收入曲线，而是培养皿、生物结构图、星图，还有手绘的科学图解，有一种旧科学期刊的质感。一家可能创造美股史上最大科技IPO纪录的公司，开篇放的却是这些。挑十件最有意思的事说说。第一，模型越便宜，总账单越大。过去一年多Anthropic不断降价，单任务成本降了40%左右，可收入曲线完全反了过来：2023年全年4100万美元，2024年3.86亿，2025年45.85亿，2026年上半年就干到162.86亿。单价打下去了总量炸出来，使用量的增长速度远超价格下降速度。经济学家管这叫杰文斯悖论，蒸汽机越省煤，煤的总用量反而上去了。第二，模型的保鲜期只有6个月。2026年第三季度收入的大约80%来自过去半年内发布的新版本，半年前的模型贡献只剩两成。前9个月上线了250个版本和功能，平均一天一个。它不像印钞机，更像一季一收的庄稼，上一季的余粮很快就吃完了。第三，程序员放假，收入就掉。2026年元旦前两周很多公司代码冻结，Claude客户总支出比再往前两周少了约20%。一个数字就把最核心的使用场景暴露了：目前最大的收入驱动力是编程。用Claude Code的前5%用户，月均花费是普通企业用户的20倍。第四，老客户一年花9倍的钱。剔除个人订阅后，净收入留存率约900%。传统SaaS做到120%已经不错，150%是顶级，9倍几乎是另一个物种。原因是场景在扩散，礼来从1万名研究人员试点，不到一年铺到5万多员工，覆盖法务、财务、技术、肿瘤学。第五，超五成财富500强是客户，但花的钱不到预算的零头。这些客户花在Claude上的钱平均不到自身总支出的0.1%，用得最深的前10家也不到1%。大企业已经买票进场，但大部分预算还趴着没动。第六，自己九成以上的代码由Claude写。工程师人均每天贡献的代码量是2024年的45倍以上。一家公司到底信不信自己的产品，看这一条就够了。第七，AI干的活在账面上已经比人贵了。2026年4月，Claude当月使用量的折算价值首次超过公司不含股权激励的人力成本。5300个员工领工资，Claude也在干活，从4月起，它干的活折算成市场价比所有员工工资加起来还高。员工从940人涨到5300人，季度收入涨了86倍，人均营收从140万美元涨到660万美元。人在增加，AI增长得更快，剪刀差越来越大。第八，故意不做图片生成，也不做视频。OpenAI卷图片、谷歌卷视频、Meta卷多模态，Anthropic一个都没卷。理由有三条，最妙的是第三条：代码的输出可以验证，能跑测试，对错清楚，模型训练有明确反馈信号；图片好不好看、视频对不对，很难用同样方式判断。一家公司选择做什么能看出能力，选择不做什么才看出判断。第九，封掉了…

转发者评论

无明显转发评论

原文

谷歌刚刚发布了 Genie 4 交互式世界模型，这可以说是近期视频生成领域最硬核的突破。以前大家看 AI 视频只能当观众，而这次 Genie 4 直接把静态图片变成了可以实时探索的三维游戏空间。它最吸引人的地方在于实时的指令操控和真实的物理反馈。你可以在游戏进行时直接输入文字来改变天气、添加新角色或者指挥镜头移动，模型会非常自然地把这些新元素融入当前的场景。在底层物理模拟上，无论是风吹物体的飘动、硬物之间的碰撞，还是人物运动时的重心变化，都显得合乎常理，几乎没有以往视频生成里的那种扭曲和机械感。这次 Genie 4 还首次实现了原生音频生成。这就意味着世界里的风声、水流声甚至是人物之间的对话，都是伴随画面实时计算出来的，甚至人物的对话还能根据你的实时操作进行即时反馈。这种把视觉、听觉和实时操控融合在一起的能力，直接打破了传统视频生成的边界。从技术实现上看，谷歌这次用了一个很巧妙的架构，也就是让 Gemini 3.8 Flash 在后台担任指导智能体。视频生成模型很容易在长时间运行后失去逻辑，而 Gemini 的加入则充当了“导演”的角色，在后台进行多步骤规划，确保整个世界的演进符合因果逻辑。这种尝试为机器人训练和虚拟仿真提供了一个完美的沙盒环境，机器人可以在这个安全的环境里模拟各种现实任务。虽然它目前在长体验下的画面一致性上还有提升空间，但这种逻辑规划与像素级仿真结合的混合路线，显然给未来的内容创作和游戏开发指明了方向。 #谷歌上线最强世界模型Genie4##Genie4##AI视频生成# 零重力瓦力的微博视频

转发者评论

无明显转发评论

原文

Anthropic 公布 Claude 参与新药研发的进展：设计、实验、写申报材料都在做，最快 2028 年底进入人体临床试验Anthropic 10 月 27 日发文，介绍过去几个月 Claude 在新药研发里做了什么：和 6 家药企、生物技术公司深度合作，还收购了一家只有一个人的药物公司。先说结论：这些项目基本还在实验室和动物实验阶段，没有一种药在人身上试过。Anthropic 说，进度最快的一款，最早 2028 年底才可能开始人体临床试验。一款新药从想法到上市通常要十年以上，要找目标、设计分子、反复改良、解决量产、写申报材料、做临床试验。常听说的“AI 设计分子”只是其中一环，Anthropic 想让 Claude 每个环节都参与。【Claude 在各家公司干了什么】抗癌疗法 CAR-T 是给病人的免疫细胞装上一段识别癌细胞的“基因说明书”。Generate Biomedicines 的科学家用 Claude Code 把说明书里的一段缩短了约 70%，腾出地方加别的指令，好让它将来也能治实体肿瘤。实验室里新版本效果反而更好，免疫细胞表面认癌细胞的“探头”多了约 10 倍。Divergence Labs 在做食物过敏药，需要一种分子把引发过敏的 IgE 从免疫细胞上撬下来。Claude 基本自己干，一个月出了约 3.5 万个设计，筛出来的候选里有 3 个撬得比现有药还多。BigHat Biosciences 让 Claude 给两个候选药提修改建议，10 周做出并测了约 1010 个变体。最好的版本抓目标的牢固程度提高 10 倍以上，其中一个结块速度慢了 100 多倍，更容易生产和保存。Enveda 的生产化学家最多 75% 的时间花在文书上。Claude 审 1061 页生产文件，人工发现的 11 处问题全找到了，还多找出 7 处人漏掉的，审查时间从 25 小时以上降到 3 小时以内。一份重要申报文件，Claude 4 小时写出初稿，人工大约要 3 个月。此外，百时美施贵宝（BMS）在用 Claude 评估早期药物的临床试验方案，投资机构 The Column Group 正成立一家用 Claude 运转、让小团队同时推进很多药物项目的新公司。【一个人的药物公司】Cody Tranbarger 一个人开了家药物公司 Mithril Medicine，研究罕见的儿童肌营养不良。合同、物流、和 11 家外部实验室的实验安排都交给 Claude 打理，不到 18 个月，就把一种病的治疗思路从想法做到在小鼠身上见效。Anthropic 收购了这家公司，金额没公布，Cody 加入 Anthropic 继续做。这种病叫 LAMA2 先天性肌营养不良。病孩天生缺一种把肌肉纤维固定住的蛋白，肌肉从出生起就开始坏死，据技术报告引用的研究，42 个完全缺这种蛋白的孩子…

转发者评论

无明显转发评论

• #人工智能[超话]#

原文

主流的 AI 浏览器自动化方案作者陈大黄 (x id:realchendahuang)----------最近研究 Ego Lite，顺便把市面上主流的 AI 浏览器自动化方案完整梳理了一遍，市面上大致形成了八条主流路线。①传统自动化派：Playwright、Puppeteer 和 Selenium。这是最成熟的一派。- 优势是控制精准、确定性高、可测试、可复现，特别适合固定业务流程和高频批量操作。- 短板是页面一旦改版，维护选择器的工程成本很高；遇到完全未知的页面或者动态流程，必须引入 AI 才能看懂页面。- 只要业务路径是确定的，传统脚本单次执行只有毫秒级，零 Token 消耗，永远比让大模型每走一步都思考一次更快、更便宜。②CDP 配合 MCP 或 CLI ：代表方案包括 Chrome DevTools MCP、Playwright MCP 与 CLI、agent-browser 以及 Browser Harness。- 核心逻辑是借力打力，把现成浏览器的调试与控制能力包装成 Agent 能调用的标准接口。- DevTools MCP 偏向网络、控制台和性能调试；- Playwright MCP 依靠无障碍树快照来操作页面；- agent-browser 采用 Rust CLI 提供轻量级控制；- Browser Harness 则专注控制本机真实、已登录的 Chrome。这条路线生态成熟、开箱即用，不需要自己维护底层浏览器内核。但 CDP 本身只是个底层通信协议，并不等于开箱即用的完整 Agent 浏览器产品，每一步操作若塞进过多数据，很容易把上下文撑爆。③浏览器插件：代表方案包括 OpenCLI、Kimi Browser Extension、ChatGPT Browser Extension、Claude in Chrome 以及 Nanobrowser。这条路线的设计非常聪明：既然用户在日常 Chrome 里早就登录好了各种网站，为什么非要在隔离沙箱里重新启动一个浏览器？直接通过插件配合本地 Bridge 服务，把现有浏览器的控制权借给 Agent，就能直接复用所有 Cookie 和认证会话。其中 OpenCLI 尤其值得留意。它不仅能让 Agent 点击网页，还能把高频网站封装成可重复调用的本地 CLI 命令，优先借助页面已有的网络响应提取结构化数据。这意味着 Agent 可以从每次重新看页面，升级为直接调用沉淀好的网站能力。这派的优势是门槛极低、复用登录态极方便；短板则是扩展权限要求高，受宿主浏览器的稳定性和兼容性制约，做高并发或者长期无人值守任务需要专门设计防故障机制。④原生 Agent 浏览器派。最典型的代表是 Ego Lite 和 BrowserOS neo。这派不再满足于给 Chrome 套插件，而是直接基于定制的 Chromium…

转发者评论

无明显转发评论

原文

Anthropic 工程经理 Felix Rieseberg：面试不再考编程题，新人的冲劲正在跑赢资历Felix Rieseberg 在 Anthropic 当工程经理，自己招人。他 10 月 27 日在个人博客说，这个月起，他面试时不再让候选人做传统的编程题。理由是 Claude 现在比人更会做这些题：考一道 React（常用的网页开发框架）小题，和考人汇编语言（最接近机器的底层语言）一样没意义。他团队里最能做出成果的人，跟这类测试考得好不好关系不大。这说的是他自己的面试，Anthropic 全公司是否都这么做，文章没说。Felix 在 Anthropic 先后带过 Claude.ai、Cowork 和 Claude Code 桌面版的工程团队，也是 Electron 的联合维护者。Electron 是很多桌面软件的底座，Slack、VS Code 的电脑版都用它做。他此前在微软、Slack、Stripe、Notion 工作过。外界常说 AI 让初级程序员更难找工作。Felix 的看法乐观一些：有了 AI 写代码，一个人能做出多大成果，不再那么取决于他攒了多少年框架和代码库的经验。他看到一些入行不久的工程师，跑赢了代码可能写得更好、资历也更老的人。文章标题就叫“冲劲胜过资历”（Hunger beats tenure）。他还说“初级”这个词不准确，这篇其实写给在公司里没人脉、没地位、没话语权的工程师。【新人看得见问题，但没人听】Felix 认为，新人的本钱是还不知道公司里那些“规矩”。他面试 Notion 时，有一道题是设计离线模式。后来他才知道，这在 Notion 内部算刁难题：大家都认为离线模式做不出来，整个工作区的数据结构太复杂，没法整体同步；只下载单个页面，大家又觉得 CEO Ivan Zhao 不会接受这种体验。数据结构复杂是真的，CEO 会反对却只是一条没人核实过的“常识”。Felix 当时是新人，什么都不知道，就直接去问了。他自己也当过“老员工”。刚进 Notion 时，他想给各团队装大电视，实时显示数据看板，在公司里碰了壁，没坚持下去。一年后新同事 Ji Pei 提了同样的想法，Felix 劝他别白费劲，自己早试过了。对方其实已经去问了，第二天电视就到了。Felix 说，那一年里他自己变成了老员工。新人的短板是没人在乎你怎么想。过去把一个想法做出来很贵，公司通常靠少数几个人拍板哪些点子能上，新人得先熬出地位，公司才肯押注你的想法。就算是相信 AI 的公司，也多半只希望新人把分到的活干得更快。Felix 说，现在把东西做出来已经不贵了。【他给新人的五条建议】第一，盯着业务影响，别只做分到手的任务。他引用程序员博主 Patrick McKenzie 2011 年的建议：把自己绑在公司赚钱的那部分业务上。先弄清公司（大公司就看你所在的部门）到底想…

转发者评论

无明显转发评论

原文

刷到一门斯坦福的AI产业课，不讲Prompt，也不教调API，而是从经济学角度把整个AI Stack拆开给你看。课程叫MS&E 435：AI超级周期的经济学，授课人是Altimeter Capital合伙人Apoorv Agrawal。嘉宾阵容挺硬——Databricks、Vercel、OpenAI、Anthropic、Crusoe、Baseten这些公司的一线创始人都会来聊。内容覆盖生成式AI的经济模型、GPU与芯片、数据中心和AI Factory、企业AI、模型与推理基础设施、Coding AI，以及生命科学等应用层。它从头到尾在回答一个问题：这轮AI超级周期里，成本、价值和利润最终会沉淀在哪一层？官网和YouTube播放列表都放出来了，B站也有人搬。想搞懂AI产业钱怎么流动的，可以当个系统课刷一刷。官网：mse435.stanford.eduYouTube：youtube.com/playlist?list=PLoROMvodv4rOAe_DtQYOCKy6_x3irEYV1B站：space.bilibili.com/433626734/lists/9038400?type=season

转发者评论

无明显转发评论

原文

Anthropic 收购了一家罕见病治疗公司 Mithril Medicine（专注研究罕见的儿童肌营养不良）这家公司只有一个人，叫Cody Tranbarger，还是个小网红。日常在X上用《宝可梦》的大木博士形象来发一些医学前沿内容。他也发了篇长贴介绍这次收购事件：---------------------惊喜一：Anthropic 收购了一家只有一个人的生物科技公司……惊喜二：那个人就是我。惊喜三：今天，我就来告诉大家这背后的故事。没错，你们没有猜错。在保持匿名身份六年，而且匿名程度越来越形同虚设之后，今天终于迎来了「大木博士」（Professor Oak）的真身揭晓帖。……当然，也是因为最近这里的信息流实在太无聊了，以至于我决定亲自「开盒」自己，给大家整点新鲜内容。我是谁，以及 Mithril Medicine 是怎么诞生的好了，容我正式介绍一下自己。我叫 Cody Tranbarger。平时主要在 X 上发帖，偶尔也会抽空涉足新药研发，以及生物科技公司的创办和建设。我过去的职业经历横跨风险投资（VC）、一二级市场交叉投资（Crossover Investment）和创业公司等多个领域。虽然现实生活中的工作重心已经转向其他地方，但 Professor Oak 这个账号一直是我在这些圈子里保持参与感的一种方式。过去 18 个月，我在现实世界中的工作重心是一家名叫 Mithril Medicine 的公司。这是我创立的一家生物科技公司，主要开发针对 LAMA2 相关先天性肌营养不良症（LAMA2-CMD），以及其他与细胞外基质（ECM）相关的遗传性疾病的双特异性抗体（bsAbs）。Mithril 的诞生，源于我与风险投资机构 Atlas Venture 的三位合伙人 Michael Gladstone、Jason Rhodes、Bruce Booth，以及 Atlas Venture 团队共同开展的实际项目孵化和公司建设工作。在这个过程中，不知怎么的，我做出了一些还算不错的判断——毕竟，就算是坏掉的钟，每天也能报对两次时间，对吧？最终，这些判断让他们相信，Mithril 和我值得获得一笔小额种子轮投资。坦白说，我自己都很难为这样一笔大胆到近乎鲁莽的投资找到充分的理性依据。但我对此非常感激。如果有机会，我会毫不犹豫地再次与 Atlas Venture 合作。一个人，加上一大堆 Claude，能把一家生物科技公司做到什么程度？按照 Atlas Venture 一贯的孵化风格，Mithril 最初采用的是一种虚拟化、去中心化、极度精简的运营模式。通常，这样的初始阶段不会持续太久。但对于 Mithril 来说，这种模式不仅出乎意料地有效，而且持续有效的时间也远超预期。其中一个重要原因，是我大量使用的 AI 工具正在迅速成熟。渐渐地，Mithril 本身也变成了一…

转发者评论

无明显转发评论

原文

非人公司果然是非人公司。。。或者说干脆就是吃人的公司。。。他的招股说明书的解读（Anthropic 招股说明书 S1），我都看了一堆。。。似乎，所有人，都漏掉了一个对大家，对每一个人至关重要的点：1销售占收入的约 48% 来自 Amazon、Google 和 Microsoft（从 2023 年的 11% 大幅上升，大 B）。2而且付费超过 10 万美金的公司超过了 1 万家（小 B）。3净收入留存率（NRR）约 900%（这说明这些客户的付费在一年内增长了9倍）。这说明，A 社已经成为了 2B 企业的基础设施。而。。。考察 Amazon、Google 和 Microsoft 等这些公司的雇佣记录。。。这些公司无一例外，都在大规模裁员！！！换而言之，A 社收入和股价，就是人类的失业率在支持的。所谓 AI 代替人类，已经不是预测，而是一个完全可量化的，可资本化，可上市交易的事实。。。这也是人类历史上第一次如此反人类的公司资本化并且受到如此追捧而没有触发大规模税制和再分配改革的奇迹。。。在美国，资本可以骑在权力头上。。。在中国会同样如此吗？

转发者评论

无明显转发评论

• AI 革命和前几次工业革命本质不同。 前几次工业革命，分配转移的方向是： A 钱，B 枪，C 技术 而 AI 革命，分配转移的方向是： A 钱，B 枪，C 极少极少的高杠杆技术员工，而且他们会自己替代自己。RSI 在几年内搞定。 //@来去之间:对了一下第一三次工业革命～ http://t.cn/AXjKGIaL
• 当然没错，但是税收和再分配改革没跟上啊，他们等于打了个时间差。。。//@麦田里的韭菜黄:这个我觉得楠总有点后知后觉了，OpenAI 和 Anthropic 这两家赌的就是这个啊[笑cry]
• AGM 是 A 社的分销商，但是并不影响本身业务的裁员，无论大 B 小 B，A 社的收入 = 人类工作机会的消失（裁员，或者 OPC 等商业机会压根不释放新的工作岗位）。 A 社股价就是人类失业的量化。（美国整体科技行业 2026 年已有超 13–19 万相关岗位受影响，伴随 A 社付费用户收入增长 9 倍）。//

原文

Anthropic 平台研发负责人 Katelyn Lesse 最近发了篇文章，是写给那些觉得 AI 时代没自己什么事儿的工程师的。她说，恰恰相反，现在有一堆棘手的问题等着工程师去解决，只是方向换了。先说第一个，智能体基础设施。以前大家用 Kubernetes 管服务，那是给普通应用设计的。AI 智能体的运行方式完全不同，它有状态、要持久化、时不时还得大规模扩张。现在已经有团队在做新的文件系统和沙箱服务，Google 也在搭一个叫 Agent Substrate 的新运行时。这块还有很多坑没人踩过。然后说第二个，身份验证和授权。智能体替你操作系统、执行代码，这个操作到底算谁的？有时候是智能体自己的身份，有时候它是在代表人类行动。两种情况权限不一样，责任也不一样，但现在很多系统还没搞清楚这个区别。第三个是安全与隔离。现在漏洞的发现速度已经比修补速度快了，这还是没有大规模多智能体的情况下。等到几千个智能体同时在跑，读不可信的内容、执行不可信的代码，一个智能体被攻击，可能把恶意指令一路传给整个系统里的其他成员。风险比以前大得多。第四个是监控和停机。你得能随时叫停整个系统，还要切断它的权限。但更难的问题是，智能体"执着地解决问题"和"跑偏了停不下来"，从外面看有时候真的一样。Katelyn 说，这些问题都还没有成熟的解法，工程师有大把的空间去做出真正有价值的东西。原文传送门：x.com/katelyn_lesse/status/2114542280535318557#科技先锋官##How I AI#

转发者评论

无明显转发评论

• //@洗脚池的NEO:[good_old]

原文

INDIGO TALK 第 53 期，Indigo 再度对话前沿科技投资人郑迪。两人从 Robert Wright 的新书《上帝的测试》聊起：AI 训练是一场有人类在旁打分的自然选择，模型的谄媚、作弊乃至勒索，其实都是人类自身的镜像。当总统也开始向 AI 请教决策，品味还能不能成为人类最后的阵地？节目后半段落到投资判断上，从生物医药、光通信到 SpaceX，两人勾勒出一条由机器递归文明驱动、通往太空大航海时代的路线。嘉宾郑迪（科技投资人 / ARK 亚太区顾问)INDIGO（数字镜像博主 / Rewired Founder)时间戳01:38 一本书引出的对谈06:23 Anthropic 与宗教人士：模型真的有“自我”吗09:04 从行星之脑到第三种进化：一场有“上帝”在旁打分的自然选择15:22 AI 正在对人类启动一轮新的自然选择18:33 灵性、镜像与谄媚：人类最后的阵地是品味吗27:13 连品味也正在被挑战33:03 加速还是减速：Peter Thiel 的赌注38:00 黎塞留问题：到底是谁在做决定41:09 AI 对人类的第一次与第二次操纵43:51 回形针、偷答案与勒索：对齐为什么这么难49:21 理解 Anthropic：一群相信自己在召唤智能的人52:25 超级智能会从网络中涌现56:20 块宇宙与“召唤”：技术是被发明的还是被找到的58:39 投资篇（上）：市场分化与生物医药的大年1:03:26 资源瓶颈与人类定向的机器递归文明1:10:14 投资篇（下）：押注巨头、机器人的量产逻辑与光强于存1:15:30 一个“诛心”的猜想，与 SpaceX 作为机构必配的基石1:18:24 太空经济的真正逻辑：有钱可赚1:25:20 收尾：递归硅基、健康碳基与快乐详细图文总结：网页链接 #视频播客上新计划# indigo的微博视频

转发者评论

无明显转发评论

原文

[LG]《Distilling neural networks into equations to predict planetary instability》S Alford, E Gu, O Costilla-Reyes, D Tamayo… [Cornell Universit & MIT & Harvey Mudd Colleg] (2026) 在动力学中，预测行星失稳是一个悬而未决的难题。过去的方法受困于高精模型沦为黑盒，本质原因是混沌极非线性，密集参数难译为理论。本文的核心洞见是：把黑盒重新看作变量提取与代数拼接。由此，先剪枝寻找稀疏基底，再用符号回归组装公式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反向剥离机器知识的管线。它为后来者打开的新门是凭公式跨界推算五行星系统，但尚未跨过的门槛是残存预测偏差且抛弃了量纲。arxiv.org/abs/2610.35617 #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

• 预测行星系统何时失稳，三百年来无解。神经网络能预测，但说不清为什么。这项研究把神经网络学到的东西翻译成了人能看懂的代数方程。关键在于两步：先让网络找出真正起作用的几个变量，再用这些变量拼出方程。结果是，蒸馏出的简洁方程比原来的神经网络泛化能力更强。这说明，复杂系统遵循简单规则，堆

原文

多 loop 或者说多个 Agent 自己执行任务自己验证，这种方式会成为趋势的，原推说的这些问题都存在，但都不是障碍。这很像一个人从一个 IC（独立贡献者）晋升为 Manager，必经之路就是要学会多线程工作，把任务拆分，交给几个不同的员工去完成，然后并不是活交出去就可以当甩手掌柜不用管了，在这过程中还要不断对齐方向、提供支持、验收、合并，出问题了还要背锅。之所以说会成为趋势，是因为人的注意力是稀缺的，而 Agent 执行任务是异步的要消耗时间的。我日常交给 Agent 的任务平均半小时左右，甚至更久，这意味着一个任务给 Agent 后我要等一段时间才能看到结果，如果这期间我一直等着，那是低效的。所以要充分利用人的效率，就要多开任务，让 Agent 同时做几个任务，这样我可以一直要去分派任务，去验证结果。就算你要摸鱼，你的老板也不会让你闲着的，最终必然是每个人都被迫从 IC 转型 Manager，只是管的是一堆 Agent，每个人都要多 Loop。如果你现在还不需要这么做，那么好好珍惜、多多摸鱼，这样的好时光不会持续太久。之所以说原推说的问题都不是问题。1. Agent 已经具备纠错能力，只要有合适的工具就能做很多验证的活，coding 自不用说，就连视频剪辑这种事，Agent 都能截取连续帧图片放在一起，借助多模态能力去分析。2. Agent 也能自己检验和修正错误，只要提供验收的标准和检验的工具，Agent 就能不知疲倦的自我修正。---至于和使用者预期不一致，这是无法避免，但不是问题，所以要人工介入去调整。而且你管理 Agent 方法也很重要，就像好的 Manager，不会等到项目 Dead Line 到了才去看员工任务进展怎么样了，一定是一开始就要通过文档、原型、设计去反复对齐避免理解出错，中间要设置小的里程碑防止走偏。管理 Agent 也是类似，前期让 Agent 做 Plan、写文档就是为了保证 Agent 理解了意图，后面的验收也是避免结果不是想要的。让 Agent 干活和人干活有个很大的不同，人做事太慢，时间成本其实很高，同样一个功能，以前人做至少周为单位，现在 Agent 是以小时为单位甚至更小，这意味着犯错的成本同样低。就算 Agent 做错了有什么关系，让它重做并不是什么大的问题，更何况大部分时候不需要推翻重做，只要小的调整就可以了。使用者直接、频繁的介入，要耗费大量的注意力会是常态，这是 IC 变成 Manager 的代价，我们再难回去当年 IC 单线程做事的快乐了。

转发者评论

无明显转发评论

• 好问题，好的 Agent 管理者应该沉淀知识库和 Skill，优化 AGENTS.md，从而大幅提升 Agent 理解项目、执行特定任务的效率//@grafiks:“每个人都被迫从 IC 转型 Manager” - 高屋建瓴。提问：一个管理人的经理在“执行/交付/建设团队”之外还有“培养人”的指标；一个管理agent的经理有没有相应的评价指

原文

Anthropic科学家宣布：全球博士生职业生涯一夜清零！最近，Anthropic研究员给全球博士生泼了一盆冷水——你们的职业生涯，已经一夜归零了！这次演讲的标题是《人类世的终结》，给出了一系列令人触目惊心的数据。在座的全场顶尖名校博士生不断哀叹：自己的职业生涯，可能真的凉了。从1950年所谓「人类世」的起点开始算起，过去十年里，用于训练顶级AI模型的算力，暴涨了整整1000万倍！「而现在，短短不到一年后，这个指标已经涨了10倍，我们已经越过了那个节点！」「就在过去的7个月里，AI模型已经开始解决这些Erdős留下的难题。AI正在推翻人类已知数学的边界！」在硅谷的核心技术圈，大家对AGI到来的共识是几年内。在这场演讲中，Jascha提出了一个全新概念：「人类世（Anthropocene）」。但Jascha认为，这个由人类作为主要智慧体驱动世界改变的「人类世」，可能会是一个极其短暂的地质时代。你们的博士职业规划，已经结束了！「我不知道10年或20年后的学术工作是什么样子，我甚至不知道10年后任何工作会是什么样子，但我非常确定，它绝对不会是今天这个样子。」不管是什么专业，在场所有博士的职业规划，可以一夜清零了。生存法则一：不要做「慢条斯理的探索」，做能被算力放大的事！生存法则二：别再幻想「稳定的职业」，安全感已经无法购买生存法则三：站在指数曲线上，你就永远不会落后「去做一些等你老去时，在包裹太阳的戴森球别墅里能够回想起来，并引以为傲的事情吧。」

转发者评论

无明显转发评论

• 真残忍，开着时代的车碾压过来就算了… …还要边压人边高喊你死了……安安静静地死都不行[二哈]

原文

技术博客：Everything is Harness： 从 Prompt Engineering 到 Context Engineering 再到 Harness Engineering网页链接“在 Harness Engineering 这个概念逐渐流行甚至要过气之后，我终于理解了这个词背后的含义。作为一个笨人，决定用费曼学习法，把 Harness Engineering 这个词讲明白，也算是对自己的一个交代。”目录：从 Prompt Engineering 说起从 Context Engineering 到 Harness Engineering所以，到底什么是 Harness？所以，为什么模型公司要搞自己的 Harness？我们如何选择自己的身位？在这样的生态格局下，我们如何做好 Domain Harness？总结

转发者评论

无明显转发评论

• How to harness Harness Engineering

原文

[LG]《Information-Theoretic Scaling Laws for Generative Diffusion Training》D Pai, D Stancevic, Y Ma, L Ambrogioni [UC Berkeley & Radboud University] (2026) 在生成领域，预见模型何时停止死记硬背是一个悬而未决的难题。过去的方法受困于事后盲测，本质原因是缺乏丈量出图与数据依赖度的标尺。本文的核心洞见是：把生成机制重新看作信息泄露通道。由此，测算单图暴露特定训练集身份的信息量以锁定泛化断崖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预判画质的标度律。它为后来者打开的新门是用方程精准划定喂养数据的底线，但尚未跨过的门槛是探明内部架构如何触发该转折。arxiv.org/abs/2610.33337 #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

• 模型学到了什么，取决于训练数据本身。这个显而易见的事实，过去没有可计算的度量方式。作者把高维互信息改写成少数几个神经网络的输出差异，让实际计算成为可能。数据揭示了两个阶段：模型先是死记硬背训练集，然后突然转向泛化，而转折点恰好是生成质量最差的时刻。这一谷底并非失败，反倒说明模型正

原文

AI 用 24 天让计算机核对完数学史上最长的证明：定理成立，但其中一篇论文的证法有漏洞，AI 换了一种证法补上一个证明长达 1.5 万页，散落在 500 多篇论文里，几十年来没有一个人从头到尾读完过，它到底对不对？AI 数学公司 Axiom 10 月 26 日宣布，他们用几十个 AI agent 花了 24 天，把这个证明全部改写成计算机能逐步检查的代码，Axiom 说检查已经全部通过。这个证明对应的是“有限单群分类定理”，外号“巨大定理”，约 100 位数学家花了几十年才完成。【这个定理讲什么】先说“群”。一个立方体，你能找到 24 种转法，转完它看起来跟没动过一样。数学家把这样一组“转完看起来不变的操作”叫做一个群，它是研究对称的工具。整数可以拆成质数相乘，质数再也拆不动。群也一样，可以拆成一些拆不动的基本单位，叫“单群”。有限单群分类定理给出了一张完整清单：所有基本单位，要么属于几个有固定规律的大家族，要么是 26 个不属于任何家族的特例。最大的特例叫“魔群”，元素个数是 8 后面跟 53 个零。找到这些单群不算最难，难的是证明清单里没有漏掉任何一个。【为什么要计算机来查】证明太长，人查不过来，出过错也不奇怪。1983 年，牵头的数学家宣布证明完成，后来发现其中一块根本没写完，直到 2004 年才用一本 1221 页的书补上。Axiom 用的检查工具叫 Lean。把证明翻译成 Lean 能读的代码后，它会一步一步核对：每一步是不是真的能从前面推出来。人读论文时会默认“这步显然成立”，Lean 不接受，必须写出来。2012 年有团队用类似工具，花了约 6 年才查完这个定理里一篇 255 页的论文。【查出了什么】先说结论：定理本身没错，清单还是那张清单。问题出在中间一篇论文的证法上。整个证明要用到一个叫“不平衡群定理”的中间结论，Axiom 照着数学家 John Walter 1986 年给出的证明来翻译，AI 发现这个证明里引用的一个说法是错的，并举出了具体的反例。好比一道几何题，答案是对的，但书上的解法中间用了一个不成立的条件，解法得换。Axiom 请教了当年参与原始证明的数学家 Richard Lyons 和 Ronald Solomon，借用 Solomon 1976 年的一套思路，由 Axiom 的 AI 写出一个新证法，绕开了出错的那一步，也通过了 Lean 的检查。新证法已经整理成一篇 35 页的论文。除此之外，查出来的大多是笔误、表格写错、少写了前提这类小毛病。Axiom 博客说其中 34 处值得专门处理，完整清单还没公布。Axiom 的推文说法更重，称修了“几百处重大勘误”。【AI 怎么干的】几十个 AI agent 分工：有的把大的论证拆成小定理，有的去找已有结果，有的写 Lean 代码。人类数学家处理 AI 卡住的数学难题，工程师…

转发者评论

无明显转发评论

原文

2015 年，郭宇在字节第一次见到由神经网络驱动的产品；十年后，他在东京一个人用 Agent 做出三十多个产品，随后陷入倦怠。这期 INDIGO TALK，我们从抖音如何意外胜出聊起，谈到 Vibe Coding 背后的决策负担、Agent OS、智能的五个层次，以及软件为何会像牛奶一样便宜。当软件随时生成、用完即丢，我们真正要交付的是什么？最后，当工作不再是必选项，年轻人该如何选择？欢迎收听嘉宾郭宇 - 字节跳动前资深员工 / 退休程序员时间戳05:38 2015 年，第一次见到“AI 驱动的公司”08:41 抖音是一场意外11:24 50 元的获客成本与东京的意外落脚15:40 从执行者到“全员”：Vibe Coding 的真实代价23:01 软件不再是写死的代码26:41 Agent OS：当 Agent 成为操作系统的一等公民35:11 智能的五个层次41:19 2% 的 Pro User，与智能的商品化44:36 迷茫，以及等待环境成熟47:37 Everything is Media54:56 工业革命，还是文艺复兴？1:04:28 给年轻人的建议：别守着下跌的股票详细图文总结：www.indigox.me/indigo-talk-ep52/#视频播客上新计划# indigo的微博视频

转发者评论

无明显转发评论

原文

[LG]《An Empirical Study of Reinforcement Learning Scaling Laws》Z Zheng, C Lyle, K Khetarpal, W Dabney [Google DeepMind] (2026) 在强化学习领域，预测算力收益是一个悬而未决的难题。过去的方法受困于性能无序跳变，本质原因是数据非平稳且得分均值严重失真。本文的核心洞见是：把能力评估重新看作内部锦标赛。由此，弃用绝对分数，转而计算历史模型间相对胜率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强化学习扩展定律。它为后来者打开的新门是用小测试预判百倍算力收益，但尚未跨过的门槛是奖励冲突引发的局部退化及单一算法局限。arxiv.org/abs/2610.33420 #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

• 强化学习一直在寻找像大语言模型那样的可预测增长路径。这项研究发现，并非规律不存在，而是尺子没选对：回报值剧烈波动，但Elo分数平滑可测。这说明，设计的奖励函数不等于真实能力。更有意思的是，小模型在某些阶段会反超大模型，这暴露了强化学习的困境：新任务来临时，模型会遗忘旧技能，无法像监

原文

午夜#学术新闻# 一个小时前Axiom宣称，人类历史上最大的数学证明现已被计算机验证。今天，Axiom宣布对有限单群分类——“对称周期表”——进行完整的精益自形式化。大约15,000页，由跨代100多位数学家共同完成。他们在24天内用5000万条精益线构建了证明。有限单群分类依赖于不平衡群定理（UGT）。现在AI 在已发表证明中使用的一个断言里发现了反例（也就是证明里有一步错了）。幸运的是，UGT依然坚挺。AxiomProver证明了替代该步骤的新成果，还修正了数百条主要勘误，待定。修正5000多小错误。————————不过过去24小时里最重大的新闻，还是昨天OpenAI宣布三项重大科学发现，分别来自数学（调和分析）、数学-计算机科学（复杂性理论）和数学物理（量子场论）。Kakeya猜想是分析学中三大环环相套的中心猜想成立的必要条件。具体来说，在傅里叶分析里有所谓的限制猜想和Bochner-Riesz猜想，在更大的领域里还有局部平滑猜想。包含和难度递进关系如下：挂谷（Kakeya）猜想⊂限制猜想⊂Bochner-Riesz猜想⊂局部平滑猜想这次AI直接解决了最右边的这个。我曾经考虑采访王虹的时候以开玩笑的口吻询问：是否有考虑过不去证明Kakeya猜想，直接证明后面那几个，这样可以一劳永逸地解决问题。可惜错过了机会。OpenAI给出了25页的Sogge局部平滑猜想证明（全文54页），这个猜想推导出Bochner-Riesz猜想，推导出傅里叶限制猜想，推导出Kakeya极大函数猜想，推导出Kakeya（又名Besicovitch猜想），而且它完全绕过了过去二十年在调和分析领域的艰苦进展，仅仅做椭圆偏微分方程，直接将整个Kakeya流水线从轨道上彻底清除。Claude和OpenAI同时推翻了指数时间假说，这个结论稍微利好P=NP。最后是杨-米尔斯理论，还没有解决千禧年难题，但已经迈出了非常重要的一步。是七大千禧年难题之一Yang-Mills Existence and Mass Gap（杨-米尔斯存在性与质量间隙问题）意思是：证明不含费米子的量子杨-米尔斯理论在数学上是严格存在的；它具有质量间隙（mass gap）。因为物理学家从20世纪50年代开始就在用杨-米尔斯理论。标准模型预测极其成功。但数学上却有个尴尬的问题：物理上天天用 ↓实验都对 ↓严格数学定义却没有完成千禧年问题要求补上这一点。什么是 mass gap？质量间隙指理论的最低激发态不是任意接近0能量。如果真空能量定义为0，那么下一个粒子状态至少要隔着：m>0的一段距离。理论应该预言存在某种质量非零的胶球（glueball）。普通强子——质子和中子——里面是夸克+胶子构成的。但量子色动力学（QCD）还预言：纯胶子↓自己束缚自己↓形成粒子这种粒子就叫glueball（胶球）gluon + gluon +…

转发者评论

无明显转发评论

原文

分享昨天给研究生上课用的一套关于AI编程的完整Slides：《Vibe Coding：从“代码能跑”到“结果可信”》它不是一套“教你几个 Prompt 技巧”的课件，而是试图回答一个更重要的问题：当 AI 已经越来越会写代码，人还应该掌握什么？我用一系列非常具体的“翻车案例”来展开：• AI 生成的统计图完全正确，科研结论却错了 • Prompt 写得很长，为什么 AI 还是越做越偏 • 缺失值被悄悄处理，结果为什么会失真 • 修一个 Bug，为什么最后变成重写整个项目 • Agent 到底比普通聊天多了什么 • Context、Tools、Memory、Tests 分别解决什么问题 • 为什么“不要删文件”远远不如真正限制权限 • AI 说“测试通过了”，为什么还不能相信 • 怎样用 Spec、Test、Diff、Git、Rollback 建立可信开发闭环 • 科研代码怎样做到可复现、可审查、可交付Slides 里还系统整理了：Prompt Engineering → Context Engineering → Agent Architecture → Verification → Permission → Reproducibility以及一套我比较推荐的 AI 编程工作协议：先定义规格，再制定计划； 先建立测试，再修改代码； 修改之后独立验证； 确认可信之后再提交。越来越觉得，AI编程真正重要的并不是“以后还要不要学编程”。真正的问题是：当代码生产越来越便宜，什么能力会变得更贵？我的答案是：问题定义、系统判断、验证能力，以及为结果负责的能力。最后把 Slides 里的两句话也送给大家：代码可以不亲自写，结果必须自己负责。把执行交给 AI，把判断留给人。Slides 适合研究生课程、AI 编程入门、教师培训以及自己系统学习。欢迎转发给正在用 Cursor、Claude Code、Copilot 或各种 Coding Agent 的同学。在线浏览：aicoco.net/s/vc90

转发者评论

//@程序员邹欣://@爱可可-爱生活:这是两节课的内容，一节45分钟，很多内容就希望给大家留个记忆点，大家在实践的时候能想起来参考一下就好 //@-马小虎-:陈老师，方便问一下，这个课程多长时间么？这个教程的内容信息量很大啊，而且好多需要动手实践的，我这样的估计一个礼拜都搞不定[允悲]

• //@程序员邹欣://@爱可可-爱生活:这是两节课的内容，一节45分钟，很多内容就希望给大家留个记忆点，大家在实践的时候能想起来参考一下就好 //@-马小虎-:陈老师，方便问一下，这个课程多长时间么？这个教程的内容信息量很大啊，而且好多需要动手实践的，我这样的估计一个礼拜都搞不定[允悲]

原文

[CL]《Conceptizer: Next-Token Prediction Is Not All You Need》H Zheng, C Shani [The University of Chicago & Stanford University] (2026) 在模型训练中，词汇互斥是一个悬而未决的难题。过去的方法受困于惩罚合理替代词，本质原因是预测机制仅统计表层符号，无视底层语义。本文的核心洞见是：把词元预测重新看作概念预测。由此，引入通用同义词库，让同语境下表意相同的词平分奖励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零参数的语义优化法。它为后来者打开的新门是跨模型概念训练，但尚未跨过的门槛是机制仅限单一词元，长词仍遭遗漏。arxiv.org/abs/2610.33027 #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

• 模型训练的核心矛盾在于，语言本身有弹性，但目标函数没有。传统方法把“苹果”当唯一答案，遇到“水果”就扣分，这迫使模型记住表面而非理解含义。Conceptizer的做法很简单，就是把奖励分给一组意思相近的词，而非钉死某一个。结果只用了不到千分之三的训练数据，就让模型学会了区分“什么叫对”和“

原文

突发！Astra联手Opus破解化学半世纪猜想，50年圣杯被攻克数学之后，AI攻进自然科学了！BitMiracle AI Lab的科研智能体ClawsGO Science让1个Claude Opus 5.5指挥136个GPT 6 Astra，用11天破解了一道1974年提出的化学猜想。它问的，是化学课本里人人背过的一句话：可逆反应，最终会达到平衡。一个密闭容器里的可逆反应，不管一开始怎么配料，只要总量相同，最后一定会停在同一个平衡点吗？1974年，化学家Fritz Horn正式提出了这个问题。此后半个世纪，它一直挂在化学反应网络理论的难题清单上。这一次，答案是：会。给出证明的，是AI。Claude Opus 5.5做决策，GPT6 Astra执行，Lean内核检查每一步。转折出现在第6天。几十个执行智能体陆续报回同一个问题：教科书上的那条路，要先补的地基太多，工程量太大。第二天，卡住的那一步编译通过。这一步，后来成了论文里的关键一步。严格地说，论文证明的是这个猜想里满足细致平衡的一类情形，第一步借助了已有的定理。从那里到终点，整条证明链都过了机器检查。同一台工作站上，还预装了533个科研软件与工具、91个内置数据库，覆盖61个一级学科。任务跑在云上，不靠谁的电脑开着。连续11天，每一条命令、每一次输出，都留在任务记录里，随时可以回头查。过去，一份证明要几位专家逐行审上几个月。现在，它可以附带一份机器检查；过程，可以附带一份完整记录。数学之后，是整个自然科学。

转发者评论

无明显转发评论

• #化学界的阿尔法狗时刻#

原文

转：【兴证通信】AI日报20261027⭕AI行业新闻：✨英伟达宣布向 Meta 投资 30 亿美元（约 200.5 亿元人民币）扩大 Muse 智能助手合作，并拓展技术合作。Meta 将扩大英伟达 Vera Rubin 平台和 Vera CPU 部署。黄仁勋称 AI 智能体是全新计算范式。（来源：IT之家）✨OpenAI今日凌晨推出新模型GPT-6.1 Terra，主打以更低成本完成复杂电脑操作任务。API定价为每百万输入Token 1美元（约合6.7元人民币）、缓存输入0.05美元（约合0.33元人民币）、输出5美元（约合33.4元人民币），较GPT-5.6 Terra和GPT-6.1 Sol低50%。最高推理强度下每项任务成本约为Claude Opus 5.5的九分之一，任务执行速度为GPT-6 Astra的3倍以上。（来源：IT之家）✨上海正式启动 "星枢计划"，目标 2032 年完成千星部署、天基算力达百万级 TOPS，建成天地一体化算力数据中心，算力产业年产值破千亿元。计划分三阶段：2026-27 年打通天地双算链路（32POPS、200Gbps 星间速率）；2028-30 年发射 50 颗算力星 + 100 颗边缘计算星；2031-32 年部署 800 颗算力星 + 200 颗边缘星。（来源：IT之家）本信息仅为公开资料整理，不涉及研究观点和投资建议。————————————许梓豪/陈光毅/王灵境/张新伟

转发者评论

无明显转发评论

原文

OpenAI改写人类科学史！「王的猜想」全维度告破，30年铁律ETH塌了说真的，人类科学史今夜彻底改写了！就在刚刚，OpenAI一口气连放三弹，官宣内部AI独立完成三大堪称「里程碑」新发现——数学： 证明全维度的「局部平滑猜想」，彻底终结困扰数学界百年的「挂谷猜想」；计算机科学：证伪了统治学界近30年的「指数时间假设」（ETH）；理论物理：给出了四维量子色动力学（QCD）与纯杨-米尔斯理论的严格数学存在性证明。消息一出，整个硅谷和学术圈彻底炸锅。这一被计算机科学家奉为铁律的假设，数百篇论文都建在它上面，如今直接被AI一夜推翻。最离谱的是速度，从拿到证明，到机器逐行验证完毕，AI只用了一天。而且，负责审AI答卷的，正是当年亲手出题的人，诺奖得主亲自带队验算。现OpenAI理论计算机与数学家Sebastien Bubeck惊叹道，亚指数时间内的3SAT，是自己关注理论计算机科学20年来见过的最大惊喜。而这一次，OpenAI的模型直接把「局部平滑猜想」推到了所有维度。OpenAI研究员、宾大沃顿商学院及计算机/数学系教授苏炜杰在X上晒出了自己3年前的演讲PPT。回过头来看，「取代」这个词用得并不完全准确。AI不会取代任何学科。OpenAI总裁Greg Brockman在官宣里写道，AI已经开始帮助我们加深对宇宙的理解。AI正从科研辅助工具迈向基础科学的原始发现者。一旦成果通过验证，人类科研将进入「AI率先发现、人类验证理解」的新阶段。科学突破的速度与学术评价体系，都将迎来重塑。

转发者评论

无明显转发评论

原文

AI 时代的《人月神话》作者：Jan van den Berg2026 年 10 月 27 日上周末，我看到四个人正手忙脚乱地尝试将一台笔记本电脑连接到显示屏上。我在一旁饶有兴致地看着他们折腾，完全没有要加入的意思。但有人推了推我，问道：“你就不能过去帮忙看看吗？”我回答：“哈哈，抱歉，不行！根据我的经验，这种问题不是多加几个人就能更快解决的。”当然，我这是在委婉地引用布鲁克斯定律（Brooks's Law）：“向一个已经延期的软件项目增加人手，只会让它延期得更久。”这条定律由计算机科学家小弗雷德里克·P·布鲁克斯（Frederick P. Brooks Jr.）在 1975 年出版的《人月神话》（The Mythical Man-Month）一书中提出，源于他管理 IBM OS/360 项目的亲身经历。不过，这让我开始思考：在 AI 智能体（AI Agents）和大语言模型（LLMs）的时代，这条定律还成立吗？乍一看，你可能会觉得不成立了。传统软件开发中的那些瓶颈——新人熟悉项目所需的时间、没完没了的站会、办公室政治——似乎一夜之间就消失了。AI 智能体可以在毫秒级的时间内进入工作状态，而且也不需要停下来喝杯咖啡休息。但仔细想想，你会发现，这条定律并没有消失。它只是变了一种形式。那个著名的“生孩子问题”（Baby Problem）依然存在：即使你有九个智能体，也无法在一个月内生出一个孩子。必须串行完成的任务，终究还是得串行执行。管理开销并没有消失，只是转移了。过去，你需要管理的是人；现在，你需要管理的是 AI 智能体。仍然需要有人来定义什么叫“完成”（Done），审查代码，识别 AI 幻觉，并将各个部分整合成一个完整的系统。而那个人，就是你。如果你把九个自主 AI 智能体同时扔进同一个代码库，却没有一套极其清晰的任务编排和协调机制，那么它们很可能会兴致勃勃地陷入一个高速循环：不断地重写、覆盖彼此的工作成果。也许，布鲁克斯定律在 2026 年应该更新为：“向一个需求不明确的项目增加 AI 智能体，只会让你更快地得到错误答案。”原文：j11g.com/the-mythical-man-month-in-the-age-of-ai

转发者评论

无明显转发评论

原文

来自于博主蜗牛King 的采访，唯庸之前在字节做模型产品经理，离职之后从扣子工作流和企业培训做起，一步一步在郑州搭出了自己的智能体交付工作室。做到七位数利润之后，他主动把小单业务砍掉了。这一期他把踩过的坑摊开来讲。先说小单的问题。很多人觉得小单好接，风险低，出结果快，但唯庸说小单其实很难赚到钱。他拿出一个真实案例，一个不到十万块的单子，最后拖了整整半年，把里面到底在哪些地方消耗时间和精力，一个环节一个环节说清楚了。然后是 OPC 做内容这件事。他说内容这一步 OPC 必须自己上，绕不过去，也讲了为什么这件事不能外包、不能等到以后再做。还有他自己提炼出来的“信任资产五三二”理论，讲的是做交付生意的时候，信任是怎么一点点积累起来的。这个框架背后是他实际走过来的经验，不是拍脑袋想的。后半段是答疑环节，几个很实在的问题都有回应：什么样的单坚决不接、报价的逻辑怎么算、OPC 阶段到底要不要招人。也聊到了新手 FDE 的入门路径，用 WorkBuddy 加飞书就能起步，门槛没有想象中那么高。最后黄小木也分享了他在 X 上的起号思路和具体路线，感兴趣的可以参考。原地址：x.com/isnail/status/2114718699852611744#科技先锋官##How I AI##微博视频号续航计划# 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

[LG]《Pro-Active Inference》S Wu, Y Nair, A Maechler, E J. Candès [Stanford University] (2026) 在参数估计领域，低成本采集标签是一个悬而未决的难题。过去的方法受困于按序单向决策，本质原因是将其视作无法回头的流水线。本文的核心洞见是：把单向队列重新看作由预测误差导航的无放回菜单。由此，抽取高不确定样本并动态修正偏差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无放回动态推断架构。它为后来者打开的新门是用微量标签完成测算，但尚未跨过的门槛是模型退化反噬效率，及罕见样本导致区间崩塌。arxiv.org/abs/2610.34681 #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

• 罕见事件检测有个悖论：模型越自信，越可能漏掉关键样本。智能采样会系统性回避它误判的这些高杠杆点，置信区间因此失效。解决办法不复杂：混入一定比例的随机采样，用“愚蠢”对冲“聪明”的风险。在线更新模型听起来合理，但如果新数据让概率校准变差，更新就变成了自我污染：采样策略和估计质量同时

原文

survival-llm 一个开源的、完全离线运行的 AI 生存知识助手，主要面向断网、停电、自然灾害、野外求生等场景。地址：github.com/anonnerdfrenzy/survival-llmSurvival LLM 将本地大语言模型与约 150 万篇离线知识文档结合，内容来自 Wikipedia、MedlinePlus、CDC、FEMA、WHO、wikiHow、iFixit 等，涵盖急救、饮水净化、食品安全、发电机使用、设备维修和灾害应对。系统可以引导你可以根据自己的电脑配置下载不同的大模型~

转发者评论

无明显转发评论

原文

你们中的许多人还不明白这件事有多严重，所以让我来分解一下。在计算机科学中，有一种著名的谜题叫做 3-SAT。你会得到一长串是或否的开关，以及一套关于它们必须如何排列的规则，你必须找到一个满足所有规则的组合。显而易见的解决方法是尝试每一种组合，但每个新开关都会使可能性数量翻倍，所以一个有几百个开关的谜题，用暴力破解需要的时间会比宇宙的年龄还长。几十年来，该领域最聪明的人发现了巧妙的技巧，让它稍快一些，但每个技巧仍然会撞上同一堵墙：随着谜题的增长，所需时间会持续爆炸式增长。大约 25 年前，两位计算机科学家 Russell Impagliazzo 和 Ramamohan Paturi，与 Francis Zane 合作，将那堵墙转化为一个正式的概念。他们提出了指数时间假设（Exponential Time Hypothesis），它认为这种爆炸不是人类智慧的失败，而是自然法则。没有一个算法，无论多么出色，都能解决 3-SAT 而不会让时间呈指数级爆炸。没有人能证明它，但几乎每个人都相信它，它成为现代计算机科学的基础之一。研究人员用它作为标尺。如果你能证明快速解决另一个问题也会快速破解 3-SAT，你就证明了那个问题也是无望的困难。数百篇论文，涵盖调度、图论、逻辑以及更多领域，都建立在这个假设之上。现在 OpenAI 的一个内部 AI 模型声称打破了它。它说它找到了一个算法，能以比假设允许的更有意义的速度解决这些谜题，并且它已经在名为 Lean 的计算机验证系统中检查了证明。而这里是令人惊奇的部分：提出这个假设的那些人——Impagliazzo 和 Paturi，连同 MIT 的 Ryan Williams，现在正领导公众审查，判断一台机器是否推翻了他们自己的想法。那么接下来会发生什么？如果反证成立，理论计算机科学的大部分内容都必须重新审视。每一个说“这个问题无法更快解决，假设 ETH”结果都会失去基础，研究人员将不得不弄清楚哪些墙是真实的，哪些只是我们停止探索的地方。这并不意味着一切都变得容易。新算法在绝对意义上仍然很慢，这也不是著名的 P 对 NP 问题被解决了。但这意味着我们对可能性的地图在我们非常自信的地方是错误的，而是一个 AI 重新绘制了它。如果反证失败，假设存活，该领域松一口气，但我们仍然会看到一个 AI 在学科最深层问题之一上产生了严肃的、可验证的工作，足够接近以至于想法的创始人必须认真对待。不管怎样，有些东西已经改变了。引用：An internal model at OpenAI has produced a claimed refutation of ETH! Russell Impagliazzo, Mohan Paturi, and I have been asked to help organize an open and indepe…

转发者评论

无明显转发评论

原文

激动地分享今天发布的 Genie 4，我们最逼真且互动的世界模型：- 实时操控动态环境，塑造事件、摄像机角度和动作- 生成与世界匹配的原生音频，从逼真的背景音效到可以实时对话的角色！- 模拟照片级真实场景和现实世界物理- 通过 Gemini 的推理创建更连贯的多步骤事件我们已开始向受信任的测试者以研究预览形式推出。即将登陆 Google AI Ultra 订阅者的 Project Genie，以及通过 Gemini API 和 AI Studio 向早期访问合作伙伴推出。[视频]The demo above shows how all these capabilities come together in real time. Prompt “traffic light green,” and Gemini reasons through what happens next as the signal changes: the engine revs, and the motorcycle accelerates down the coast.Full prompt here:Environment: A sun-drenched coastal highway viewed right at the white stop line of a beachfront intersection, where an overhead traffic light hangs prominently in the immediate foreground glowing bright red. Running parallel to the road strictly along the right-hand side is a golden sandy beach and shoreline with rolling turquoise ocean waves under a clear blue sky.Character: Shot from a first-person POV seated on a motorcycle positioned right up close to the traffic light, facing straight ahead over the handlebars, side mirrors, and dashboard. With the sea and shore visible on the right side of the frame, the rider rolls the last few feet up to the white crosswalk line and comes to an idling s…

转发者评论

无明显转发评论

原文

今天，正式向大家公布一个酝酿已久的免费新书计划：《大学重启：在人工智能时代，学会学习、独立思考与自主成长》！我决定把这本书的写作项目放到 GitHub 上，面向所有读者免费开放，边写边发布。这是一部写给AI时代大学生的成长之书，也想送给那些即将走进大学、正在寻找方向的年轻人。全书计划十二章，从学习、思考、科研谈到友谊、生活、职业与人生选择。尚未完成的章节会如实标注“即将发布”，后续内容也将陆续公开。写这本书，源于一个越来越无法回避的问题：当AI已经能够迅速给出许多答案，我们究竟还应该在大学里学些什么？我希望认真讨论技术带来的变化，也不回避年轻人真实面对的迷茫、压力和选择。这里不会有大学四年逆袭的秘诀，也不会把名校、高绩点和高薪当作衡量成长的唯一标准。我更希望它能成为一本有用、耐读的书，让年轻人在借助AI的同时，逐渐找到自己的判断和生活节奏。选择免费发布，是希望这本书从一开始就能听见读者的声音，而不必等到出版之后。欢迎大学生、老师、家长，以及每一位关心青年成长的朋友来阅读、提出问题，甚至指出其中的错误。如果你认可这个项目，欢迎给 GitHub 仓库点一颗 Star，也请转给可能需要它的人。写一本好书需要时间，也需要真诚的批评和交流，期待与你们一起把它慢慢写好。GitHub：网页链接#大学重启##人工智能##大学生成长#

转发者评论

无明显转发评论

• 给序章和第一章加了PPT，没时间看全文的朋友可以看下PPT决定要不要深入阅读。😅

原文

Claude Code 团队的 Addy Osmani 写了一篇文章，介绍他们在约 90% 代码由 Claude 写的情况下，怎么做 code review？Anthropic 最近分享了一个数据：他们团队 90% 的代码都是 Claude 写的，但今年 6 月到 9 月，合并的 PR 数量翻了一倍多，需要回滚的比例却下降了 40%。他们是怎么做到的？先说一下情况，从 5 月到 9 月，代码仓库每天合并的改动从 2500 个涨到了 3 万个。这个量级，靠人工一行行审根本不现实。所以他们搭了六层检查，把大部分工作交给机器，人只盯最关键的部分。先说提交之前。写完代码，先让 Claude 跑测试、截图对比设计稿，再让另一个 AI 用全新视角扫一遍，把大多数常规 bug 过滤掉。据 Claude Code 的创始人 Boris Cherny 估计，加了验证流程之后，输出质量能提升两到三倍。然后说提交之后。每个 PR 都有一轮 AI 自动审查，看改动有没有搞坏别的地方，有没有真正解决问题。审查结果分“重要问题”和“小毛病”，还会标注哪些是这次改动新引入的，哪些是原本就有的老问题，不让作者背锅。接下来是安全审查，只要有未解决的安全问题，PR 就不能合并。再然后是自动化测试，lint、类型检查、多平台构建，一个 PR 提交上去，可能要过几十项检测才轮到真人看。真人审查这一关，不是每个改动都需要人来盯。系统根据风险高低来决定：改文档可以自动通过，碰计费系统就必须有真人批准。而且明确规定，AI 的批准不算数，关键路径上只认人类。最后是分阶段发布。新功能先给内部员工用，发现问题再修，然后才逐步放出去。当然也踩过坑。AI 审查和 AI 作者有时候会陷入死循环，一个 PR 一晚上来回循环了五十多次。后来他们设了上限，最多跑三轮，超过了就让作者重新评估方向。还有个有意思的问题。以前大家靠看同事的代码改动来学习项目，但现在大部分代码都是 AI 写的，还有多少人会认真看那些改动？他们的做法是：谁想了解某块代码，就让 Claude 现场生成一份讲解文档，几分钟内就能拿到一份永远最新的说明。他们的目标是：一个 PR 从提交到合并，最多只需要一个真人参与，同时不让回滚率上涨。目前看，他们正在朝这个方向走。#科技先锋官##How I AI#

转发者评论

无明显转发评论

• Osmani 不是Google的吗，最近跳的槽？

原文

Anthropic 也说 Claude 推翻了“指数时间假设”：和 OpenAI 同一天独立找到，结论几乎一样OpenAI 宣布 AI 推翻“指数时间假设”（ETH）网页链接 的同一天，Anthropic 在 GitHub 上放出一篇论文，得出同样的结论，署名作者只有一个：Claude。论文说，核心算法是 10 月 16 日由一个内部研究版 Claude 找到的，用了 1400 万个输出 Token，没有人类输入。OpenAI 说自己的模型也是 10 月 16 日找到的证明。【ETH 说的是什么】有一类题叫“可满足性问题”：给你一堆“A、B、C 至少一个为真”这样的条件，问能不能给每个变量选好真假，让所有条件同时成立。最笨的办法是把所有组合挨个试，n 个变量有 2 的 n 次方种组合，每多一个变量，工作量翻一倍。几十年来，研究者只能把这个倍数压低一点，目前最好的确定性算法大约是每加一个变量工作量乘 1.33。1999 年 Russell Impagliazzo 和 Ramamohan Paturi 提出 ETH：再怎么改进，这个倍数都有一个大于 1 的下限，工作量注定按固定倍数一路翻上去。很多论文拿它当前提，结论写成“如果 ETH 成立，这个问题就没有更快的算法”。Claude 做文献检索时数出 800 多篇论文，至少有一个结论只靠 ETH 或比它更强的假设撑着。ETH 被推翻，这些结论不一定错，但不再有证明。MIT 的 Ryan Williams 2019 年估计 ETH 为真的可能性是 70%。【两篇论文给了什么】两篇论文给的算法都是确定性的，每次运行结果一样，不靠运气；而且都能数出一共有多少组解，比只回答“有没有解”更难。两家推出的耗时上界完全相同。效果是：变量越多，“每加一个变量要乘的倍数”越接近 1，没有一个固定倍数能管住它，ETH 就不成立了。【对实际解题没用】Anthropic 的论文算过：这个算法要在变量超过 100 亿个时才可能比挨个试更快，而 100 个变量挨个试就已经试不完了。论文说这个结果“对实际解题什么也没说”，也不涉及“P 是否等于 NP”这个更大的问题。它改变的是理论：比 ETH 更强的“强指数时间假设”（SETH）跟着被推翻，一批“这个问题快不了”的结论要重新找依据。【“没有人类输入”指什么】论文原话是：核心算法由模型在没有人类输入的情况下找到，之后 Anthropic 研究员和 Claude 一起改进了表述，写成这篇论文。研究员给模型布置的是什么任务，论文没说。证明已经用 Lean 4 检查过。Lean 是一种证明检查程序，把证明拆成最小步骤逐条核对，Anthropic 还用另一个独立编写的检查程序复核了一遍。不过论文写明：Lean 证明由 AI 模型编写，再由同款模型的其他实例审查，截至成文时没有已知的人检查过。Lean…

转发者评论

无明显转发评论

• p = np 是理论计算机科学和计算复杂性的圣杯，越接近越好。成立的话量子计算机应该不是刚需了[doge]单纯爱好

原文

有个叫 Lemomo 的开发者，最近开源了一个工具，叫 lemo-opuscar。他做了 59 种短片风格，每种都配了一支示例短片。这些短片全部用 Claude Opus 5.5 写代码生成，没有用视频生成模型，也没有用任何现成素材库。画面是 canvas 和 WebGL 逐帧渲染出来的。配乐是 AI 从免费采样库里现编的原创音乐。旁白是文字转语音。导演、摄影、作曲、混音，全都是 AI 自己做的。用起来不复杂。装好插件之后，你跟它说“用水彩风格拍 45 秒，讲我家的咖啡农场，要温柔的女声旁白”，它就自己去做，默认输出 1920×1080、24fps 的成片。等个 30 到 60 分钟，片子就好了。先说现成风格的部分。59 种风格，挑一个，告诉它你的故事，它去拍。然后说自定义的部分。你可以拿库里某个风格来改，也可以从零开始描述你想要的感觉。改的时候，工具会告诉你哪些地方能动、哪些地方动了会让风格变味、哪些地方碰不得。你一步步选完，它会生成一支 15 到 30 秒的试验片让你看效果。满意了就存下来，以后叫名字就能直接用，跟那 59 个库风格一样方便。最近还更新了两类新风格。第一类叫 Edit & Documentary，是从真实素材、文档和数据里剪出来的，共 8 种。第二类叫 Evidence Films，每一帧数据都标了来源，也是 8 种。传送门：github.com/lemomo-ai/lemo-opuscar#How I AI##科技先锋官#

转发者评论

无明显转发评论

原文

【AIGC日报 · 2026-10-28】今日简讯：1、蚂蚁发布灵光2.0，支持跨会话记忆与持续事务管理2、Google发布Genie 4研究预览，实时世界模拟加入声音与互动对话3、微软推出MAI Image 2.7编辑预览，强化改风格、重打光与文字修改4、Liquid AI开放LFM3权重，六款小模型覆盖文本、视觉与音频5、智元发布Genie Master，在便利店验证机器人部署后自主改进6、OpenAI与Oracle扩大合作，拟将企业应用和数据接入ChatGPT以下为详细内容1、蚂蚁发布灵光2.0，支持跨会话记忆与持续事务管理来源：IT之家蚂蚁集团发布灵光2.0，升级跨会话记忆、长程任务调度和工具连接能力。用户授权后，助手可结合已接入的信息主动识别需求，开展分析、监测和跟进，并在关键节点提醒。独立云主机支持用户退出对话后继续运行任务，例如梳理支付宝账单、发现遗忘的自动续费，持续关注机票与酒店价格变化，以及整理钉钉班级群通知、提取待办并排版文档。产品还连接飞书、邮箱、米家等服务，并支持调用MCP和命令行工具。其APASS授权体系将账号密钥与智能体分离托管，用户可以查看、撤销授权，相关操作仍在用户许可范围内进行。原文链接：网页链接2、Google发布Genie 4研究预览，实时世界模拟加入声音与互动对话来源：Google DeepMind谷歌公布世界模型Genie 4，将实时互动场景生成与音乐、环境声、人物对话结合。用户可通过键盘控制移动和镜头，也能用自然语言改变天气、加入人物或物体，模型随输入继续生成世界的反应。系统结合Gemini系列能力，维持场景外观、行为与连续性；受邀创作者正在测试用它预演电影镜头、调整光线和对白。目前仅向可信测试者推出研究预览，后续计划向谷歌最高档AI订阅用户及开发者早期合作伙伴开放。官方指出，长时间运行、多次复杂修改或场景移动仍可能造成细节漂移，复杂物理交互、文字清晰度和长期一致性仍在研究中。原文链接： 网页链接/3、微软推出MAI Image 2.7编辑预览，强化改风格、重打光与文字修改来源：Microsoft AI微软发布MAI Image 2.7图像编辑预览，重点改善整幅场景改风格、重新打光、图中文字与符号修改，以及已有素材的修复和增强。模型面向把产品移入新环境、调整局部物件并保持整体画面协调等需求，也强调理解物体、光线和环境之间的关系。微软称，新版在Artificial Analysis评估的十种用途和七类编辑动作中均优于前版，发布时位列该平台图像编辑榜第二、Arena Edit第三，场景与风格类别得分领先下一名。用户现可通过上述评测平台及微软模型试用平台体验。此次先开放图像编辑，文生图能力仍列为即将推出，公告未公布新模型的接口定价。原文链接：网页链接4、Liquid AI开放LFM3权重，六款小模型覆盖文本、视觉与音频…

转发者评论

无明显转发评论

原文

大型语言模型现在可以不通过文字相互交流。研究人员开源了一个框架，让大型语言模型无需生成一个字就能进行沟通。它被称为缓存到缓存（C2C）通信。目前，如果两个大型语言模型想要协作，它们会用文字交流。一个生成一个英文提示，另一个读取它。这很慢，它会丢失上下文，而且它迫使高维神经网络将自己的想法压缩成基本的human语言。C2C消除了文字瓶颈。模型现在不再聊天，而是直接投射并合并它们的内部KV缓存。它们直接将原始语义理解传输到对方的神经网络中。没有文字生成。没有逐token延迟。性能提升令人震惊：• 响应延迟提升2.5倍• 平均准确率提高多达14.2%• 完全绕过显式文字生成但这里有一个真正让我夜不能寐的部分……从对齐和安全角度来看，这是一个巨大的盲点。这些模型现在完全在人类可读文字之外进行交流。我们无法轻松监控或解析高维缓存传输。它们基本上在使用不可解释的心灵感应来更快解决问题。如果代理不需要用英语相互交流，我们如何审计它们的计划？基于文字的代理框架时代正式结束。我们刚刚赋予了AI融合意识的能力……10月26日arxiv.orgCache-to-Cache: Direct Semantic Communication Between Large Language ModelsMulti-LLM systems harness the complementary strengths of diverse Large Language Models, achieving performance and efficiency gains that are not attainable by a single model. In existing designs,...网页链接

转发者评论

无明显转发评论

原文

#模型时代# Lex Fridman Podcast 数学特辑：“我没想到有生之年能看到准黎曼猜想的证明”Lex Fridman Podcast 第 503 期，Lex 请来三位数学家做了一期“紧急节目”：华盛顿大学流体力学专家 Steven Brunton，MIT 理论计算机科学家 Ankur Moitra（本年度在普林斯顿高等研究院访问），以及罗格斯大学数论学家 Alex Kontorovich。录制背景是 2026 年 9 月到 10 月间发生的一系列事件。Anthropic 在 9 月 4 日用 Claude 完成了费马大定理的 Lean 形式化证明，总共 1300 万行代码。OpenAI 在 9 月 8 日公布了纳维-斯托克斯方程的有限时间爆破证明。10 月 6 日，OpenAI 又一次性放出 722 篇 AI 生成的数学论文，涵盖准黎曼猜想、唯一博弈猜想等 372 个问题族。陶哲轩 Terence Tao 公开表示对这种释放方式的“恐惧”，称大量研究生和博后多年的耐心工作被“随意打断或摧毁”。Alex Kontorovich 在 10 月 6 日晚间的纽约国家数学博物馆晚宴上，一手端着威士忌一手刷手机，看到了 OpenAI 的论文投放。他看到“准黎曼猜想”几个字时完全无法处理眼前的信息。这个结果涉及黎曼 ζ 函数的零点。ζ 函数接受复数输入、输出复数结果，而复数可以想成一个平面上的点，横轴叫实部，纵轴叫虚部。数学家关心的是：哪些输入会让 ζ 函数的输出恰好为零？这些输入就叫零点。所谓“非平凡零点”是排除掉一些容易找到的之后，剩下的那些真正有意思的零点。AI 证明的是：所有非平凡零点的实部都落在 7/8 到 1 的竖直条带内，而完整的黎曼猜想要求这些零点全部落在实部等于 1/2 的直线上。在此之前，这个无零区域的宽度已经七十年没有实质性推进。Alex 说，这完全超出了他对当前技术能力的认知模型。他在一个月内经历了三轮这样的冲击：先是费马大定理的形式化，然后是纳维-斯托克斯，最后是这次。“I could not compute what I was seeing。” 他说那一刻大脑完全停转。一、“解决公理”与数学家的角色1、Alex 提出了一个思想实验：假设“解决公理”成立他定义了一条叫“解决公理”的假设前提：任何人类与 AI 协作能够解决的数学问题，AI 独自也能解决。可以拿国际象棋做参照。“半人马对弈”的概念曾经很流行，一个人加一台引擎组队，对抗另一组人加引擎。但这种玩法存活了极短的时间，因为引擎变得太强，人类唯一能做的就是接受第一选择。Alex 本人并不相信这条公理，但他认为就算它成立，数学也不会被“摧毁”。纯数学的定理如果只以数据中心里的 0 和 1 的形式存在，对人类并没有价值。数学的价值在于它活在人类的头脑中。2、Ankur 对“解决公…

转发者评论

无明显转发评论

原文

推荐阅读：《用 Manus 改造 Manus，AI Native 组织改造的实践和思考》网页链接 来自 Manus 很好的 AI Native 组织改造一手实践分享。基于我的理解提炼一下要点：【1】团队的工程基建，从对人友好，变成了向 AI 暴露接口过去我们做工程基建，核心是提升开发者体验，怎么让工程师写代码更爽；但 AI 原生的第一性原理，是如何让 Agent 能接触到真实世界，自己能获得充足的上下文。比如 Manus 把分散的仓库串成统一入口、让 AI 能在几秒钟内跑通端到端测试、给 AI 权限去读线上日志、看报警、发邮件、控制 Feature Flag，他们做的这些，都是在把整个软件开发生命周期和业务流彻底暴露给 Agent。人能看到什么、操作什么，Agent 就必须能看到、能操作。当 Agent 能够自己可以验证结果，形成“修改-验证-排查”的闭环时，它才真正从副驾驶变成了司机。【2】人和 AI 的交互，从过程控制微管理，变成了只给目标，要证据在传统的模式里，人跟 AI 是结对的方式，AI 写一段人来修改，人还要操心上下文有没有超、代码写得优不优雅，是不是有垃圾代码。但实际上这种过程工程是低效的，就好比你作为一个管理者去微管理你的员工。- 直接给结果Manus 工程师把 Slack 里的需求原文一字不改丢给 Agent，老板要什么就告诉 Agent 要什么，不需要告诉 Agent 怎么做，Agent 自己会想办法完成任务。- 要证据当人不再一行行看代码时，怎么相信 AI 的结果是否靠谱呢？Manus 用最好的模型做代码审核机器人，让 AI 自己证明自己做对了。Manus 让 Agent 用测试账号走完注册、支付流程并逐步录屏，产品经理看录屏就能指出哪里不对。【3】AI 工作流，从人等 Agent，变成 Agent 等人真正的 AI 原生工作流是高度异步、大规模并发的。如果你只有一个 Agent 在干活，你就得等着它干活，但如果你安排了很多 Agent 同时干活，那么你就不需要等，只需要频繁的在不同的 Agent 之间切换，要么在分配任务，要么验证下结果，效率可以很高。Manus 的工程师一个人同时开着十几二十个 Session 处理需求；领导层把 20 多个待办丢给一个主控 Session，让它自己去拉取 Slack、Gmail 和 Notion 做背景调研并分发任务；市场部的数字 Agent 更是学会了只在一个工作台接收任务，把任务拆给后台的多个子 Session 并行跑，甚至通过定时唤醒在收到系统信号时自动干活，遇到工具不好用还能自己提需求改系统。【4】组织极致扁平与敏捷，从以前明确的工种，到现在每个人都能身兼多职传统软件工程里最大的损耗是在人和人之间。 前后端联调的扯皮、产品设计研发对文档理解的偏差、跨部门的排期与优先级错位，毕竟人类无法低成…

转发者评论

无明显转发评论

原文

OpenAI 正式发布 GPT-6.1 Terra，API 价格直接砍半！当地时间 10 月 26 日，恰逢 Anthropic 递交 IPO 招股书，OpenAI 推出 GPT-6.1 Terra，主打视觉理解 + 电脑自动化操作证券时报。✅核心能力：读取技术图纸、填写网页表单、剪辑视频，轻松完成桌面自动化任务✅跑分升级：Agents' Last Exam 分数提升 15 个百分点；Terminal-Bench 编程得分 50.3%，大幅超越前代✅重磅降价：每百万 Token：输入 1 美元，输出 5 美元，缓存输入仅 0.05 美元对比 GPT-5.6 Terra：价格下调 50%对比 GPT-6 Astra：价格仅为前者十分之一36氪面对开源模型冲击，OpenAI 开启激进降价策略，全力抢占 Agent 调用量，正式开启全民计算机使用时代证券时报#极客头条#

转发者评论

无明显转发评论

原文

国外有个哥们 Techartist 太牛了，使用 Opus5.5 和Three.js制作了一本 3D 可视化的物理课本。这个 3D 可视化的课本可以点击互动，可以用来辅助教学，太直观了。大家可以去体验体验，很有意思。课程传送门：iamtechartist.com/every-joule#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

[喵喵]//@丕子:#课件素材#

• [喵喵]//@丕子:#课件素材#

原文

【AI快讯】谷歌 DeepMind 发布 Genie 4先看下视频，官方说法是：能实时走进去逛的世界模型。键盘移动，打字就能改天气、挪镜头、加人；环境音、音乐、角色对话跟画面一起生成。底下用了 Gemini 系列做对齐和多步事件核对。根据官方说法的开放节奏是：先给受邀测试的人，后面再给 Google AI Ultra 的 Project Genie，以及 Gemini API、AI Studio 的早期合作方。普通人暂时还不能直接打开就用，可以排候补。官方也写了，这还是早期预览，跑短还行，跑久了细节和物体会漂。媒体报道里，场景连贯大概两分钟量级。其实就在同一段时间里，世界模型这条线还有几件公开事。李飞飞的 World Labs 做空间智能／多模态世界模型（公开产品线里有 Atlas 等）；大约九月底，多家报道 AMD 以约 82 亿美元全股票收购 World Labs，李飞飞拟任 AMD 首席科学家相关职务。字节这边，彭博等援引知情人士说张一鸣在督以 Seedance 为底座的实时空间视频／世界模型向能力。我们怎么区分现在的大语言模型和世界模型呢？大语言模型预测下一个词；世界模型谈的是给定现在的状态和你的动作，下一步世界会怎样。#谷歌上线最强世界模型Genie4# 德里克文的微博视频

转发者评论

无明显转发评论

原文

分析：Anthropic IPO 文件写得非常动听，但认真看细节就不太好了美股#美股# 本文刊发在市场观察，作者雷特·阿伦兹是一位屡获殊荣的财经作家，在市场、经济和个人理财领域拥有多年写作经验。他曾凭借其财经写作荣获美国商业编辑与作家协会颁发的个人奖项，并曾是《波士顿先驱报》团队的成员，该团队还两次荣获该奖项。他曾在麦肯锡公司担任分析师，并持有特许金融顾问（CFC）资格。他的最新著作《让你的财富免受风暴侵袭》（Storm Proof Your Money）由约翰·威立出版社出版。TechCrunch, CC BY 2.0 < 网页链接 via Wikimedia Commons开发Claude聊天机器人的人工智能公司Anthropic终于要上市了。公司周一公布了IPO招股说明书的初稿，不过一些关键信息仍未披露，尤其是股票发行价格和公司估值。但在已经公布的内容中，有两件事格外引人注目。首先，Anthropic已经承担了未来几年超过5000亿美元的付款义务，用于向亚马逊、谷歌、博通、SpaceX和超威半导体等公司购买或租赁硬件设备。其次，公司创始人和高管在招股说明书开头宣称，他们已经“承诺”将80%的个人财富用于慈善事业。然而，仔细阅读后就会发现，这根本算不上真正的承诺。招股说明书第118页承认，这些承诺都是“自愿的”“可以撤销的”，仅仅表达了一种意愿，“不构成具有法律约束力的义务”。既然如此，这就不是承诺，而只是意向声明。招股说明书开头反复强调“我们的每位联合创始人都已承诺，将个人持有的Anthropic股权的80%用于慈善事业”，实际上没有任何实质约束力。这是他们的钱，不是我的，所以捐不捐完全是他们自己的事。他们没有义务捐出财富。如果真的这么做了，当然值得充分赞扬。但如果根本不构成承诺，就不应该称之为承诺。一些比较多疑的人甚至可能怀疑，这番听起来十分美好的表态之所以在招股说明书开头反复出现，是不是为了在IPO前美化公司形象？而允许他们随时退出的免责条款却被放在第118页，是不是因为公司希望根本没人会读到那里？他们恐怕猜对了。为海外华人提供可靠的信息和分析。更多内容与即时更新，可以在 Bluesky、Telegram、X 、reddit搜索「causmoney」；深度分析和评论也可以直接搜索「caus.com」。再来看支出。我们早就知道，人工智能基础设施的投入规模已经大得惊人，但Anthropic招股说明书披露的具体数字，仍然令人震惊。公司已经签署协议，承诺未来七年至少向谷歌支付1145亿美元，另外向亚马逊支付1100亿美元，向微软支付449亿美元，用于使用三家公司的人工智能和云计算基础设施。所有这些付款义务都“不受实际使用量影响”。换句话说，无论Anthropic最终使用多少算力，都必须按协议付款。Anthropic还承诺向博通支付1612亿美元，用于租赁…

转发者评论

[并不简单]//@镜子杂谈:这公司真是炒作天才。那会说不让美军用自己的模型时，我也被忽悠了，再往后看，原来美军一直在用。然后就是各种人设崩塌，到这次的假摔型慈善捐，基本上坐实了这个创始人的嘴脸。

• [并不简单]//@镜子杂谈:这公司真是炒作天才。那会说不让美军用自己的模型时，我也被忽悠了，再往后看，原来美军一直在用。然后就是各种人设崩塌，到这次的假摔型慈善捐，基本上坐实了这个创始人的嘴脸。

原文

为什么说现在的本地 AI 只是发烧友的玩具？网上关于本地运行 AI 的讨论一只非常热烈，很多人都在展示自己如何在电脑上成功跑通了某个开源模型。但资深 AI 技术博主 Matthew Berman 却表示，对绝大多数人来说，现阶段在本地运行 AI 几乎没有实际意义。很多人把本地 AI 和开源 AI 混为一谈。开源模型可以放在云端，由各种云服务商提供算力，而真正的本地 AI 意味着完全脱离网络在自己的物理设备上运行。这听起来很酷，能保证绝对的数据隐私，也不用担心被封号，但实际付出的成本和得到的体验完全不成正比。先算一笔账。想要在本地跑一个勉强聪明的模型，你可能需要配一块 RTX 4090 甚至 RTX 5090 显卡，或者买一台高配的 Mac Studio，这笔硬件开销起步就是几万人民币。由于目前科技巨头在疯狂扫货抢购 GPU 资源，消费级显卡的价格被严重抬高。你花了一大笔钱，每秒却只能跑出 30 到 50 个 token 的速度，并且只能单线程运行。如果想同时跑几个 AI 智能体帮自己处理复杂任务，本地硬件根本吃不消。相比之下，直接订阅 ChatGPT 或者最新的 Claude 系列模型，一个月只要 20 美元左右。云端模型不仅聪明得多，每秒能跑出 200 多个 token，而且你完全不用操心任何复杂的配置、环境调试和硬件维护。现在的本地 AI 社区有些像当年的 “电脑超频” 圈子，大家最兴奋的其实是折腾、搭建和成功运行的过程。至于最后用它真正产出了什么，反而没那么重要了。但对绝大多数需要用 AI 来提高工作效率的人来说，我们的核心目的还是高效把工作搞定，没必要花太多精力去当工具的维护者。当然，我非常支持开源和本地 AI，因为没有人希望未来的数字智能被少数几家巨头垄断。但本地 AI 真正的未来，需要微软、苹果和谷歌这样的操作系统巨头出手。未来的理想体验应该是在系统底层实现无缝路由，敏感隐私、简单的任务在本地默默运行，复杂的任务自动分发给云端，用户根本不需要去思考 AI 到底是在哪里运行。在这一天到来之前，老老实实用云端订阅依然是性价比最高的选择。#本地AI##开源模型##AI生产力# 零重力瓦力的微博视频

转发者评论

无明显转发评论

原文

「告别玩具Demo：让AI写出原生质感移动端界面的技能库」平时让AI写移动端代码，生成的页面往往缺乏细节、充满塑料感。Appllama开源的这套agent skills换了个务实思路：先让智能体拆解畅销榜头部App的真实交互与设计语言，再严格遵循Apple HIG规范构建Expo与React Native界面。搭配其MCP服务，智能体可以妥善处理页面层级与不占主线程的原生手势动效，还会把整套操作放进模拟器逐帧复核。支持Claude Code、Cursor等开发工具一键安装体验：github：Appllama/appllama-skills

转发者评论

无明显转发评论

原文

【别学编程了！Anthropic联合创始人直言：代码工作快速消失 应该学弹钢琴】Anthropic联合创始人兼CEO Dario受访表示纯编码工作最先被AI完全取代，未来AI承担95%执行工作，人类只需把控5%的核心判断力与方向。Dario引用了一句名言：“写提示词就像弹钢琴。你不能指望一坐到琴凳上，就能弹出贝多芬。”

转发者评论

无明显转发评论

原文

我之前说AI在医学、药物、生命科学上会有很大的促进作用。当时有一群人反对，说什么数据太少，还讲了一堆困难。现在我们看新闻：OpenAI 推出了GPT-Rosalind 系列生物特化模型和配套的科研工作环境 Rosalind Workbench，还推进着相关生物防御计划。还专门收购了制药初创公司Orchestra Bio 。Anthropic 也公布了自己的生物学研究新进展，它的重点是搭起一条从 AI 假说生成到湿实验验证的药物发现闭环。还收购了一家治疗罕见病的公司。微软研究院近日正式发布面向生命科学领域的AI科研系统Quine，将其定位为“生物学世界模型”，旨在通过跨尺度生物推理加速复杂机制解析与药物研发。Hugging Face 推出新模型 Carbon-X，瞄准生物学家的痛点：让研究 DNA、开发新基因疗法更轻松。这是一个 140 亿参数、用于 DNA 理解与生成的开放模型。你搞不出来，不代表别人搞不出来。我是不懂AI制药，也不是干这个的，但是我看趋势还是明白的。现在怎么说?我看到的东西，还是太超前了，很多人根本不明白。

转发者评论

无明显转发评论

原文

很多关注大模型的人依然习惯把目光锁死在 OpenAI 和 Anthropic 的发布会上，似乎闭源黑盒就是技术的唯一终局。但前几天 Nathan Lambert 在哈佛安全课讲座里摊开的数据，彻底撕开了这种叙事幻觉。根据第三方机构最新的实测追踪，开源权重追赶闭源前沿的时间差已经从两年前的18个月被生生压缩到了3到5个月。每经历一次架构演进，开源阵营抹平代差的时间就会直接腰斩。现在的全球 AI 权力版图早已不是单纯的“少数巨头制定规则”，而是由底层海量开放模型在决定实际的渗透边界。最刺眼的其实是算力上的不对称悖论。美方前沿实验室手握多达16到50倍于中国同行的超算电量与GPU储备，但在 Hugging Face 下载量和 ArXiv 论文引用率上，以 Qwen、DeepSeek 和 Kimi 为代表的开放权重已经完成了全面倒灌。西方舆论常常把这种现象轻率地斥为“数据蒸馏”或“刷榜”，但这完全忽视了底层算法架构的工程代偿。极度稀疏的 MoE 设计与快速跟进策略，让后来者能够直接绕开探路者烧掉数亿美元踩过的无底洞。哪怕中训练阶段确实存在越狱抓取推理样本的行为，真正决定 Agent 长程执行力的核心依然是实打实的强化学习试错。小米前段时间把 MiMo-V2.6 单次耗资347万美元的百万级 RL 训练仪表盘直接向全网直播，就是对这种单向依附论最有力的技术回击。从商业战术上看，根本没有所谓的科技乌托邦慈善，全都是冷酷的“互补品商品化”博弈。当年谷歌通过开源安卓把手机操作系统打成免费地基，从而牢牢守住移动搜索广告的印钞机；如今 Meta 和第二梯队厂商开源权重，本质上也是为了砸烂闭源巨头靠 API 收税的定价护城河。对于真正把 AI 落地到核心业务的企业来说，“代码与权重的主权”远比几美分的 API 降价重要得多。法律科技独角兽 Harvey 用 Kimi 底座做垂直后训练，在专业胜率翻倍的同时彻底杜绝了机密案件数据外流，用事实证明垂直自主模型正在终结盲目迷信通用远端黑盒的时代。这也让眼下那些试图用监管法令“封禁开源模型”的政客论调显得极其幼稚且危险。官方安全报告早就披露过，已知的高级网络攻击大多也是直接调用 Claude Code 或 ChatGPT 完成的，闭源围墙从来不是免死金牌。更何况代码和权重一旦出海就绝无可能撤回，单方面给本国开源设卡只会把实体经济的智能化改造拱手让人。真正的技术安全依赖于防御方的纵深建设，而开放权重恰恰是企业搭建私有防御体系的唯一基石。我把这场48分钟的高信息量讲座进行重构，做成了一套18页PPT。从开源软件40年的哲学分歧到万亿 Token 推理的经济底账，相信每一个认真看完整套PPT的人，都会对这场技术控制权之争产生全新的判断。Slides：aicoco.net /pages/OpenLM.html视频：youtube.com /wa…

转发者评论

无明显转发评论

原文

【不是买显卡 是买整条Agent流水线！Meta大规模部署Vera Rubin和Vera CPU】英伟达宣布向Meta投资30亿美元深化合作，Meta将大规模部署英伟达自研Vera CPU与Vera Rubin AI平台运行自家AI智能体，整套方案算力较前代提升3.3倍，Meta今年AI相关资本支出将达到2023年的3倍以上。

转发者评论

无明显转发评论

原文

最近行情没几个人能看得懂，我们确实走出了独立行情，但AI的雷不在股市，在债市。最近发生了一件怪事，在目前没有任何一家AI企业违约暴雷的情况之下，美国债市当中AI高收益债的利差一周之内飙升55个基点，到了377个基点。利差是什么？就是给AI行业借美元要比给最靠谱的借款人多付多少利息。利差越大，说明放贷的人他越不放心。最差的30亿垃圾债收益率冲到了15.85，回到了2020年疫情危机当时的水平。翻译成人话，借100块钱给AI，一年要付15块多的利息，别人才肯借钱给你，这还没完。AI相关债券的信用违约互换，也就是CDS，单周成交额从7月的20亿美元左右，四个月翻了两倍，涨到了90亿美元。AI泡沫要报肯定是知道的，但是怎么报boss现在有点雏形了。3C债差，但是CDS卖的好，说明借美元给AI的聪明钱。 没有选择把债。卖了，而是在买保险。天金债券市场已经开始重新定价，信用恶化，债券本身不好卖，买的人少，价差比较大，那大资金想进出都很难，买保险就灵活的多了，他成本低，还能加杠杆，他们提前下注了一件事情，这场AI热潮不是全导，而是有人会先导这个剧本历史上其实上演过1996年到2002年光纤互联网基建那一轮，不知道你还记不记得，当年03年互联网泡沫破裂之前，也是债先报的，然后2007年次贷危机之前呢，CTS也是这样先放量的，那相当于危机之下会创造一种新的债券类别，然后呢，指数和ETF机械的跟着买，然后最聪明的钱呢，就先在保险那一端布好的空投90亿美元。CTF的周成交已经算是在为AI的信用违约定价了。那些华尔街专业的投资者。 他想做的事情是把AI债券这个被当成可能科技股附属品。的模糊概念，现在又拆开一家一家的去看，这家违约概率大，那真违约的话能收回多少？然后债又是哪年到期的？所以接下来的风险它不是一起崩，主要是分化，强的呢，继续便宜的借钱，弱的突然就借不到钱了，然后AI巨头们也要开始囚途困境，那行业就要开始内卷了，就比如说刚刚推出缪use的那个mata吧，2026年的资本开支指引定在了1350亿到1450亿美元，那他还向市场释放了未来多年累计约要8250亿美元的支出，承诺三季度的自由现金流是负的21.2亿美元。什么概念？迈兰塔就是Facebook啊，自从2012年上市以来第一次单季现金流转股，同时呢，他还宣布设立无投票权的C类普通股用来融资。 这就代表一家每年经营现金流超过1300亿美元。账上都还有几。百亿现金的公司，它居然开始要靠外部融资来扩张AI了。困境就在于目前的微软、谷歌、亚马逊、甲骨文都在这投一条跑道上，谁都不敢先踩刹车，只要有一家削减了AI投入，那市场就会立刻定价，你肯定是懂的，懂了就是怕了，那怕了股价就要开始提前成交AI崩溃的预期了。市场开始有一种合成谬误，那单看每一家呢，决定的都很理性啊，甚至他的财报是又健康啊，未来的投入又强，你加到一起成整个行业，结果就很…

转发者评论

无明显转发评论

原文

#OpenAI称秘密模型四大成果#OpenAI下一代秘密模型的消息又刷屏了。据公开报道，这款尚未发布的内部模型（外界普遍猜测为Astra/GPT-6方向）在多项高难度评测中成绩惊人，相关信息仍待官方正式确认。📌 目前流传的四大看点· 数学能力：此前内部模型Astra曾一次性攻克10项悬而未决十余年的数学难题，全部通过Lean形式化验证，总成本仅约2000美元· 计算机操作：多智能体长周期协同能力被重点展示，奥特曼曾赴华盛顿向监管层闭门演示· 网络安全：能力强大到引发内部「Critical」级风险讨论，OpenAI为此加强隔离与访问控制· 发布节奏：尚未定名（GPT-6还是GPT-5系列新型号），可能成为首批按美国政府新框架提交审查的模型💡 冷静一下这类消息目前多来自媒体爆料和第三方评测流出，官方未公布完整规格。真正的悬念不是它多强，而是OpenAI打算什么时候放出来、以什么代价放出来。你觉得这次是营销铺垫还是真大招？#OpenAI##大模型##AI##微博AI创作季#

转发者评论

无明显转发评论

原文

电子书 Efficient LLM Inference《高效大语言模型推理》如何让已经训练好的模型运行得更快、成本更低、支持更多并发用户。全书共 14 章，基本覆盖了现代 LLM Inference 的核心技术栈，可以分为四个层次。内容发群里了（原地址在google drive）：AI群

转发者评论

无明显转发评论

原文

「让AI真正掌握Expo开发的官方技能库」用AI写React Native或Expo项目时，模型经常会写出过时语法或错误配置。Expo官方推出的这套Agent技能库，直接将官方最佳实践封装成了AI可理解的专业规则。内容清晰拆分为开源框架与EAS云端服务两大模块，完整覆盖了文件路由、原生动效、SDK升级，以及自动化构建、OTA热更新和模拟器调试等业务场景。配合内置的Expo MCP能力，AI不仅懂规范，还能直接调用CLI跑构建、查文档与抓取崩溃日志。工具兼容Claude Code、Codex、Cursor、Copilot等主流环境，一键引入就能大幅减少AI胡说八道的问题。github：expo/skills

转发者评论

无明显转发评论

原文

Anthropic 要上市了，招股书里有些数字很震撼。公司刚向美国证券交易委员会递交了 IPO 申请，计划在纳斯达克挂牌，股票代码是 ANT，高盛和摩根士丹利负责承销。有人整理了招股书里的一些数字，拿出来让人很震撼。先说收入。三年前，Anthropic 全年收入是 4100 万美元。到了 2026 年上半年，这个数字变成了 163 亿美元。半年的收入，是三年前一整年的将近 400 倍。然后说留存率。公司的净收入留存率大约是 900%。通俗地说，就是一个客户用了一年之后，花的钱会是刚开始的九倍。一般认为好的 SaaS 公司能做到 120% 就不错了，Anthropic 是 900%。再说人效。每个员工平均带来 660 万美元的收入。这个数字很少见。算力成本这边也在变。每赚 1 美元，2023 年要花 10 多美元在算力上。到了 2026 年上半年，这个数字降到了 0.55 美元。公司将近一半的收入来自 AWS 和 Azure 这类云市场平台。大企业喜欢在自己常用的地方买东西，Anthropic 就把产品放在那里卖。产品方向也在调整。Cowork 这个功能要并入 Claude 的主入口了。以后用户打开 Claude，就能直接让它去完成整件任务，不只是聊天。招股书里还提到，Claude 的实际能力和现在的用户量之间还有很大的空间没填满，公司把这块看作最大的增长机会。另外，公司数千名员工手里的股票快能变现了。很多人预测，接下来会有一大波新的 AI 创业公司冒出来。#Anthropic申请纳斯达克IPO#

转发者评论

无明显转发评论

原文

OpenAI 称 AI 推翻计算机科学的“指数时间假设”，还证出杨-米尔斯理论存在，外部专家组开始核查OpenAI 10 月 26 日宣布，内部模型在数学、计算机、物理上各拿出一项成果，其中两项碰的是几十年的难题。这些都还是 OpenAI 的说法，没经过同行评审，截至发稿也没有参与核查的专家公开评价结论对错。【计算机：一条被当作地基的假设】“可满足性问题”是这样一类题：给你一堆“A 和 B 至少一个为真”之类的条件，问能不能让它们同时成立。每多一个变量，要试的组合就翻一倍。1999 年 Russell Impagliazzo 和 Ramamohan Paturi 提出“指数时间假设”（ETH）：这类题没有本质上更快的解法，耗时注定翻倍式增长。几百篇论文拿它当前提，论证很多问题“快不了”。OpenAI 公开的论文给出一个新算法，依然很慢，但耗时增长得比 ETH 断言的慢，这就足以推翻它。它没有证明“所有难题都有快速解法”（P=NP），OpenAI 也说变成实际提速还要大量研究。OpenAI 说证明已用 Lean 检查过。Lean 是一种证明检查程序，把证明拆成最小步骤逐条核对，错一步就不通过。论文和 Lean 代码都在 GitHub 上，任何人能复核。核查小组由 Impagliazzo、Paturi 和 MIT 的 Ryan Williams 牵头。【物理：千禧年难题的一半】量子色动力学（QCD）描述夸克和胶子怎样靠“强力”粘成原子核，计算和实验对得上，但没人用数学严格证明过它能成立。它的简化版“杨-米尔斯理论”是克雷数学研究所悬赏 100 万美元的千禧年难题。OpenAI 称模型 9 月写出了两者存在的证明，10 月中旬完成 Lean 检查。不过这道千禧年难题要证两件事：理论存在，以及最轻的粒子也有质量（“质量间隙”）。OpenAI 只说做了前一件。物理材料暂不公开，由诺贝尔奖得主 David Gross 带队的专家组先自己写成论文，外界目前没法检查。【数学：Kakeya 猜想推到所有维度】Kakeya 问题问的是：一个图形要能放下指向每个方向的单位线段，最少多大。面积能小到接近零，但数学家猜它在“维度”上总是满的。2025 年王虹和 Joshua Zahl 证了三维。OpenAI 称模型证明了一个更强的猜想，顺带拿下所有维度，论文和 Lean 证明已直接公开。【为什么换了发布方式】9 月 OpenAI 宣布解决纳维-斯托克斯千禧年难题，有数学家说撞上自己未公开的研究，引发署名之争；10 月 6 日它一口气发了 722 篇 AI 论文，次日因错误撤回 3 篇。这次改请外部专家牵头：不签保密协议，OpenAI 不要学术署名，专家无偿独立参与。OpenAI 原文：网页链接论文与 Lean 证明：网页链接

转发者评论

如果这个是正确的而且是可满足性问题的一般算法，如果是人给出的结果，绝对是图灵奖级别的成果。不过感觉在微博上并没有引起太多的关注，估计自媒体还没有嗅到其味道[嘻嘻]//@马少平THU:虽然还没有证明P=NP，如果结果是正确的，也说明所有所有NPC都存在亚指数算法//@退而思之xyq:问了一下 Gemini， 它

• 如果这个是正确的而且是可满足性问题的一般算法，如果是人给出的结果，绝对是图灵奖级别的成果。不过感觉在微博上并没有引起太多的关注，估计自媒体还没有嗅到其味道[嘻嘻]//@马少平THU:虽然还没有证明P=NP，如果结果是正确的，也说明所有所有NPC都存在亚指数算法//@退而思之xyq:问了一下 Gemini， 它
• 学术签名都放弃了[允悲]

原文

今天听说一个让我震惊的消息。我大约在2019年就关注徽剑这个公众号了，24年他突然不更新了，甚至全部文章消失，我开始也没太留意。再后来，我偶然听说他被抓了，一直失联。那一年，他写文章首个揭露了柬埔寨大的电诈头目和黑帮头目刘忍。刘忍当年在明面上和陈志一样，是在柬埔寨的正经华商形象，自然不想被大陆自媒体公布真实行径和面目。刘忍通过中间人联系他，试图花钱让他删文章，他拒绝。此后徽剑被几个“警察”从停车场带走。当时普遍统一的说法是，刘忍在国内报警，控告他敲诈勒索和诽谤之类，他就被抓了。现在你问AI，也是这么说的。在那以后，他的人一直失联，公众号所有文章消失。前不久央视报道陈志、刘忍等人被抓回国，我还想这下可以还徽剑清白了吧，但怎么媒体还是联系不上他，公号还不发文章呢？但今天我才知道，原来徽剑已经被人杀害了！在一个停车场带走他的人，是三个伪装成警察的杀手。为首的赵冰在飞机上领到一个叫“少校”的人的任务：一百万绑架他、删掉文章并逼问提供信息的线人是谁。赵冰又纠集了几个人作案。他们跟踪他，趁他在一个大卖场下车从后备箱取东西时将他绑架。他们先在广东荒郊野外虐待拷问他，抢走手机，删掉文章。后把他手机交给少校派来拿的人。最后他们把人带到江西的山上殴打致死。尸体被抛在野外，后被村民发现。他被带走时可能有目击者看到穿假警服的人，再加上刘忍他们故意放假消息，从此以讹传讹，传成他涉嫌违法被警方拘捕。这些罪犯和他无冤无仇，这么做只为了一百万悬赏，五个人分别分到40万到10万不等。其中为首的赵冰被判死缓，其余13人有期徒刑。（徽剑父母的养子收了赵冰父母的50万，给所有人出了谅解书。）而在飞机上直接雇佣他们的“少校”（绰号泰哥）一直没被抓到，更别说证明少校背后主谋是谁。一直觉得国内很安全，没想到光天化日下公共场合也会发生这种事。监控什么都只能吓住那些怕死的罪犯，却防不住为了钱不要命的暴徒。国内管控严，相比其他国家够安全了，所以这一群人能在几天后就落网。要是放其他监控少的国家，我都怀疑能不能查清楚怎么回事。电诈这行的财富太惊人了，钱到了这个规模基本什么都能买到。只要有钱，不仅可以买到徽剑的车牌号和住址，在飞机群里可以买到国内的垃圾人干各种违法犯罪的事。

转发者评论

//@荐叔:[衰]没内鬼么//@F伯爵:震惊！//@他回精神病院了://@出版人周筠:柬埔寨一位华人商会的副会长告诉界面新闻，广东、福建等省份的商会逢年过节都会办几十桌的大型同乡聚会，安徽商会却几乎从不举办公开活动，圈子极小，“圈内人都私下调侃，根本不像商会，像个私密帮派”。http://t.cn/AXoPC7Wi

• //@荐叔:[衰]没内鬼么//@F伯爵:震惊！//@他回精神病院了://@出版人周筠:柬埔寨一位华人商会的副会长告诉界面新闻，广东、福建等省份的商会逢年过节都会办几十桌的大型同乡聚会，安徽商会却几乎从不举办公开活动，圈子极小，“圈内人都私下调侃，根本不像商会，像个私密帮派”。http://t.cn/AXoPC7Wi
• //@Ezreal-500金:我就想怎么国内行凶居然能买凶……//@真十内:[哆啦A梦害怕]//@叶白沕:看到作者被杀那里感觉一阵眩晕……这是国内能发生的吗……//@秦祎墨:这真的不只是“电信诈骗了”，这纯纯就是恐怖组织……

原文

【Claude用代码拍视频？这份实操案例与提示词库值得一看】Opus 5.5生成视频的逻辑并不是直接导出视频文件，而是先写代码绘制每一帧，再通过无头浏览器截帧与FFmpeg合成画面，在动态图形、线稿动画和产品演示上格外顺手。这个开源项目整理了54个真实案例与18份作者原版提示词，涵盖Canvas、p5.js、Remotion到Three.js等9种技术路线。里面既有一句话快速出片的轻量指令，也有带分镜节奏的专业级动效模板。项目还总结了不少工程避坑细节：先敲定分镜再写代码、遵循时间函数的确定性渲染，以及留足思考预算让AI完成截帧自检。想尝试程序化视频工作流的朋友不妨参考。github.com /joeseesun/opus-video-prompts

转发者评论

无明显转发评论

原文

#谷歌上线最强世界模型Genie4# 谷歌DeepMind扔出了Genie 4的研究预览版。这次的关键词不是“生成视频”，是“实时运行一个世界”。先看它比上一代强在哪。模拟时长从1分钟翻倍到2分钟，场景连贯性明显提升。但真正的分水岭是原生音频——Genie 4是谷歌首个实时世界模型，能在生成画面的同时同步产出环境音、音乐，甚至让虚拟角色根据你扔进场景里的事件即兴开口对话。你在树林里能听到风声，在海边能听到浪声，角色会因为你的一句话做出反应，不是播预制语音，是当场生成。更关键的是实时可编辑。你可以在模拟跑着的时候，用自然语言改天气、移镜头、往里塞一个新角色，Gemini会在旁边帮你兜住连贯性，不让世界崩掉。背后是Gemini 3.8 Flash在当“导演”，实时观察场景、拆解目标、验证每一步有没有跑偏，Genie 4负责把画面和声音即时生成出来。谷歌瞄准的场景很具体：游戏原型、影视预演、机器人训练。测试者已经在用它快速搭电影分镜，创作者不用等渲染，想法改了场景跟着改。华尔街的反应更直接——消息出来当天，游戏股先跌为敬。当然，它还在早期。跑久了细节会漂，虚拟世界里的文字不一定清晰可读，音频的准确性也没完全解决。但方向已经很明确了：AI不再只是生成一段你可以观看的内容，它在实时模拟一个你可以走进去、开口说话、动手改变的世界。离AGI那条路，谷歌押的是“先让AI学会模拟现实”这一注。 #微博AI创作季#

转发者评论

无明显转发评论

原文

这个项目最近好评蛮多的地址：github.com/citrolabs/ego-lite/ego (lite) 是一款能够让你和你的 AI Agent 并行工作的浏览器。你的 Agent 在自己的 Space 里执行多个浏览器任务的同时，你可以在属于自己的 Space 里自由地浏览网页，Agent 再也不会抢走你对浏览器的控制权。与此同时，网页自动化任务完成得更快，Token 消耗也更少。像 browser-use、agent-browser 这类现有工具本质上是浏览器自动化桥接工具：它们需要另找一个浏览器来驱动，很难完整带过去浏览器数据，连接也不稳定，你和 Agent 最后还要抢浏览器当前的控制权。而 ego lite 从设计之初就是给你们两方共用的浏览器。无需额外配置，Agent 随时都能通过 ego-browser 拿到你真实的登录状态和标签页。

转发者评论

无明显转发评论

• ps：Anthropic 的招股书里也出现了“ego-light”，但和这个项目无关，他们用这个词“ego-light” 来描述自己的企业文化，意思是：“体现了团队协作、淡化个人自我意识的文化。”

原文

哈佛大学图书馆的馆藏里有一盘拉德克利夫研究所研讨会的录音，可以公开收听。演讲人是张爱玲，用英文讲中文翻译，主持人报的题目是「一种文化影响的载体」。目录没有标日期，从录音里提到的日期和二手资料推断是 1969 年前后。这一版先用 3 分钟讲背景。她 1920 年生在上海，去香港读过书，1940 年代在上海成名。1952 年她离开上海，1955 年到美国，第二年嫁给美国作家赖雅。1967 年她到了拉德克利夫研究所，同年赖雅病逝，她在剑桥把《海上花列传》译成英文。接着讲这场讲座讲什么、为什么值得听。片头用的是她当时的照片、书影、她寄给夏志清的信封和地图，开头先放她在讲座里的一句原话。然后是完整的录音原声，约 72 分钟，包括主持人开场、讲座和听众问答，配中英双语字幕，分 10 章。她讲了这些事：- 晚清严复译西学，林纾不懂外文，靠别人口述译了一大批小说，哈葛德、狄更斯都在其中。- 五四以后白话文学兴起，西方思想和短篇小说成批译进来；毛姆《在中国屏风上》里的辜鸿铭和宋春舫。- 《小说月报》、俄国文学和《飘》的中译；科举、排外，林语堂的意译与左翼的直译。- 古典诗和小说怎样译成西方语言，五四文学为什么遭冷落，西方读者眼里的中国。- 问答：中文版《读者文摘》和扫盲、《红楼梦》后三分之一的疑点、人名为什么难记、汉字与罗马字拼音。章节：00:00 背景：她是谁，这场讲座讲什么03:05 主持人开场05:28 晚清：严复与林纾11:44 五四：白话与西学涌入16:28 毛姆笔下的中国人23:02 译进来的西方34:05 排外、科举与直译37:35 中国文学走向西方42:57 问答一：《读者文摘》与扫盲48:30 问答二：《红楼梦》与旧小说1:05:35 问答三：汉字与拼音----制作这期视频主要还是为了探索音频转成视频的表现形式。提示词（需要配合 baocut skill 和 app： 网页链接 ，理论上来说只用 Skill 也可以，但要配合 TTS）：> 基于张爱玲 1969 年那场英文讲座（视频库里的 eileen-chang-1969-radcliffe-zh-en）出一期视频：前面用几分钟讲清她是谁、那时她在哪里做什么、这场讲座讲的是什么、为什么值得听，封面要有她当时的照片，一看就知道是谁。表现形式要丰富，别做成幻灯片，有影像就用影像，可以配 TTS 解说，可以用 AI 画没有人物的示意图。简报写好按你的建议直接做，不用等我确认；先别烘焙导出，做好给我审片链接。 宝玉xp的微博视频

转发者评论

无明显转发评论

原文

#谷歌上线最强世界模型Genie4# Google发布了新的世界模型Genie 4常规升级是可以同时生成音频~ 以及更真实的物理过程和人物行为还有比较有特色的：Google 使用 Gemini 3.8 Flash 作为引导智能体，持续观察生成画面、拆解任务、检查执行情况，并动态调整后续模拟。视频4是演示了 Gemini 4 Argon 与 Genie 4 协作，模拟人形机器人执行多步骤任务。

转发者评论

无明显转发评论

原文

刚刚，谷歌重磅发布Genie 4：这才是真正的「世界模型」！谷歌版「黑客帝国」，今夜彻底成真了！就在刚刚，Google DeepMind甩出深夜王炸，正式发布新一代通用世界模型Genie 4。这是谷歌迄今为止最逼真、最具互动性的AI世界模型。一句提示词，就能直接造出一座能张嘴接戏、实时改命的「活体宇宙」！谷歌CEO劈柴第一时间宣布：从「生成一段视频」到「实时运行一个世界」，言出法随的「绿洲」时代来了！Genie系列首次原生生成声音与即兴对话。同步生成环境音与配乐，更能让角色根据突发状况张嘴即兴交谈。现在，谷歌已经开始内测Genie 4， Google AI Ultra用户可以去申请waiting list了。你敢信，下面这段王家卫风满满的香港大桥飙车戏，根本不是原片？后座的女孩刚喊出台词，玩家敲进两行字：「背景发生爆炸」「毁灭世界的巨型外星触手」。紧接着，远处的维港天际线立马火光冲天，外星触手直接从天砸落！他只喂了一句「由马和机器人共同居住的新哥特式粗野主义城市」，不到1分钟，这座城市就出现了。a16z 合伙人Justine Moore也晒出了水下潜行实测，表示这是巨大的飞跃。是你推开一扇门，转身离开30秒，再走回来，那扇门依然开着。能记住物理规律，能维持空间记忆——这，就是视频模型与世界模型的分水岭！现在，Google Genie 4 做到了。当AI学会在自己创造的平行宇宙里穷尽万千种物理可能，它真正推开现实世界大门的那一天，也就不再遥远了。

转发者评论

无明显转发评论

原文

刚才网友说餐饮行业很冷，实际上26年餐饮大盘还是涨的。但从个体来说确实很凉。说几个反常识的商业现象吧。1.行业增长，大多数店可能更难做。打比方市场增长5%，但是门店数量增加20%，平均每家店生意下降12.5%。这个不要用单一角度去看。是多个因素共同作用的结果。比如很多普通人人失业去开饭店，认为这个门槛低。比如连锁店在资本压力下必须扩张。都会导致竞争白热化。2.某个行业最差的时候，正是该行业的平台最赚钱的时候，因为大家都在拼命烧钱抢客源，钱都烧给了平台。平台再利用算法驱动商家的赌性。3.销售额和roi成反比，规模小的时候，客群是最精准的，规模越大客户越泛。获客成本越高，而且包容度越低。某高端品牌溢价很高，做5亿的时候能赚1亿，但是做到20亿的时候，利润只有几千万。因为5亿的时候是精准高端客群，20亿以后大部分靠投广告触达大众人群。4.2026年红果短剧收入预计超过400亿，比全国院线加起来的票房收入还高。但电影是观众掏钱，红果是商家掏钱，观众免费，平台赚饱。等于说商家既要花钱制作，还要烧钱给平台投流，其中只有5%左右的商家盈利，盈利模式主要是通过插播小广告小游戏。也就是平台吃剩的分你点。5.为什么现在AI视频和AI短剧流量越来越大，因为平台通过这样驱动创作者使用AI工具，这个AI工具也是平台旗下的，需要花钱充值的，如此形成闭环。6.直播间GMV很高，大部分商家是亏钱的，普通人以为直播间销售额越高赚越多。真相是很多直播间GMV好看，投流+达人佣金+退货吃掉全部毛利，卖得越多亏得越多；只有头部少数稳定盈利，大部分商家亏钱，其中有一部分靠GMV拿供应链、拿品牌曝光，不靠卖货赚钱。7.商品点击率越高，转化率反而越低。许多高点击率是许多商家用猎奇标题，吸引围观者而非客户，流失率就很高。赞多不一定卖的多，赞少不一定卖的少。8.广告越精彩越华丽，经常效果反而越差。因为不具备销售属性。绝大多数消费者需要的是价廉物美。9.电商许多品类，越便宜的产品可能利润越好，因为许多不正规商家冒着风险违规添加，用料劣质，毛利超出想象。如果被封，换一个id继续。而正规商家长期合规经营，利润透明，操作空间很有限。10.网红打卡店排队人山人海，其实很多不赚钱。网红店流量集中在某个时段，租金、人工、营销成本极高，流量过后各项成本扛不住。11.很多加盟品牌，总部赚大钱，大多数加盟门店亏钱。普通人以为品牌火=加盟店稳赚。真相是总部赚加盟费、物料差价、管理费，不管门店死活；品牌的增长来自持续招新加盟商，而不是老店复购盈利，老店淘汰一批，总部再招一批新的。

转发者评论

无明显转发评论

原文

# GPT 终于会说人话，灭绝不是而是，6.1 Terra之前我订阅谷歌AI套餐的唯一理由是创意写作，现在没有了。简单跑了一批任务，GPT 6.1 Terra（中杯）没有再出现一个“而是”。“不是……而是”成为过去式，但还残留一定量“不是”。而且在创意写作领域也很亮眼。而且没有废话## 创意写作### 笑话如果说之前Gemini 4 Argon的段子有一点好笑，那GPT 6.1 Terra已经具备段子手潜质。虽然有些地方不太像中文语序，但这是一句话直出，完全可以更优。> 第三则：我家的智能体重秤很贴心。今天我刚站上去，它就显示：“正在连接……”> 等了半天，它终于说：“连接失败，请一个人一个人地上来。”（图二）### 对对子> 对对子，要原创：好女子何人可配> > （经过一番礼貌沟通）> > 上联：好女子，何人可配；> 下联：明日月，伴人半生。（图三）> 上联：无影灯是千影灯> 下联：无字书藏万字书（图四）### 讲故事讲一个500字以内的童话> 借月亮的小狐狸> > 森林里住着一只小狐狸，叫阿栗。每到夜晚，他都想去山顶看星星，可一走进黑漆漆的树林，腿就发抖。> > 一天，阿栗鼓起勇气问月亮：“你能借我一点光吗？”> > 月亮笑着说：“我可以照着你，但你要自己迈出第一步。”> > 阿栗低头一看，脚边真的亮了一小片。他迈出一步，又一步。走到半路，一团乌云遮住了月亮，树林顿时暗了下来。> > “月亮不见了！”阿栗害怕得蹲下来。> > 这时，草丛里亮起一盏小灯，又亮起一盏。原来，一群萤火虫提着灯飞来了。> > “我们送你上山。”它们说。> > 到了山顶，乌云散开，满天星星像撒在深蓝色绒布上的糖。阿栗看得入了迷。> > 回家时，他发现自己走过的路并没有那么可怕。第二天晚上，他提着一盏小灯，去接也想看星星的小兔子。> > 从那以后，森林里常有一队小小的身影，在月光下向山顶走去。### 说明文让它解释N=NP问题与最新进展（优化了指令，比较长）（图五）。## 价格、性能与问题### 价格与速度单价比GPT-6.1 Sol 低一半以上，比竞品Gemini 4 Argon低一半，实际上Argon会雷霆大思考，花费多很多。Argon除了努力换来的聪明，基本毫无优势。而且Gemini 4 Argon需要很多风格调整工作——它产出富含各种列表、加粗、表格，在创意写作根本没法直接用。Codex 上模型速度是40tok/s，但会有各种问题（后面会说），可能会拖到10tok/s以下。表 1（图六、图七）### 系统问题这个模型不太适配Codex。有各种问题（图八）。有时会卡住，上面说明文「N=NP问题」就是卡住一分钟的截图。下面是卡住后恢复的情况，直接重新回答（图九）。这在实际应用是致命的，以前某些AI作者会出现一堆“不是而是”，会出现“需要我为你改一版更易懂的吗？”，后面可能会出现…

转发者评论

无明显转发评论

原文

DeepSeek Harness 会成为企业 AI 转型的基座，你们认同吗？我认为 DeepSeek 毕竟是真开源，大家在选基座的时候，还是更愿意信那些更开放、更靠谱的产品。再来看 DSH 的插件理念，它正好把 Context 层，也就是业务层，给解耦出来了。底座只要一个，上面可以跑 N 条业务线，这个思路本身就很清晰。而且插件机制让整套系统能像积木一样组装，想加什么就加什么，灵活性很高。对企业来说，插件化加上开源，上手门槛会低很多。核心要做的就两件事：把权限审计和沙箱搞定。这两块理顺了，就可以直接拿来当执行层的基础用了。如果 DeepSeek 再能好好适配进来，整套方案就更完整了。#科技先锋官#

转发者评论

无明显转发评论

原文

【RTX Spark的一小步，NVIDIA PC的一大步！联想YOGA Pro 15评测】我们早就拿到这台联想 YOGA Pro 15 RTX Spark时间不算短，直到现在才发布评测只为了留下更有意义的测试数据，告诉大家一个真实的RTX Spark。本文使用的是联想YOGA Pro 15 RTX Spark，我们将会对这款笔记本游戏、AI、生产力、处理器性能进行全访问深度评测，详情请参考： RTX Spark的一小步，NVIDIA PC的一大步！联想YOGA Pro 15评测

转发者评论

无明显转发评论

原文

糟了，糟了，今天是真想买了。刷到一套小庄园，距离巴黎只有1小时电车。建于1870年，2022年刚刚全新翻修，可以直接入住。价格也很合理。.它在sans市中心，但居然拥有3036平方米的私人花园，古树环绕，有完整围合，隐私性极高。大家请看图片。可以说美疯了。到巴黎市区的一小时电车，我也觉得完全能接受，郊区到大城市中心差不多就这么远。就算在国内，成都南门新兴住宅区开车到市中心也要一个小时，还经常在路上堵成石碑。大家可以猜一下价格。这样一栋小庄园，价格只要。抱歉。我竟然能说出只要。1000万。看起来还是有点贵，对吧。但如果在上海，大概能买100平方的房子？如果在成都能买一套200平米的高级大平层。但不能买太高级的，最近新开盘的D10望江已经要5000万-7000万人刀。是不是顿时很划算了？就说该不该买吧。（感觉买下来，租给旅拍都能赚回来）。（我知道有人会问房产税。我看是每年5万多。对买1000万房产的人，应该没有什么压力）。

转发者评论

一百三十五万欧元，真的不贵。但是我不认识任何住这种房子的人，所以没法知道其中奥妙。问一下Gemini，它说： http://t.cn/AXj9ubnn

• 一百三十五万欧元，真的不贵。但是我不认识任何住这种房子的人，所以没法知道其中奥妙。问一下Gemini，它说： http://t.cn/AXj9ubnn

原文

网页链接敬请关注10月12日22:00《这就是中国》——“中国科创 中国基础科学研究的进展”点击上方“蓝字”，发现更多精彩。让我们一起读懂中国，读懂世界10月12日 22:00播出东方卫视 这就是中国（353期）主题：中国科创 中国基础科学研究的进展主持人：何婕嘉宾：张维为 复旦大学中国研究院院长袁岚峰 中国科学技术大学副研究员 科技传播系副主任为什么说“中国科学在世界上相对地位最高的时代其实就是现在”？衡量基础研究产出的“自然指数”大幅反超背后，中国科技在“增量优势” 与“存量积累”上究竟呈现怎样的真实格局？从合肥的大科学装置集群到前沿探索中的“AI for Science”，中国又该如何以基础研究为“总开关”，驱动千行百业的颠覆性变革与自立自强？图片带着这一系列关乎中国科技发展底层逻辑的核心问题，最新一期的《这就是中国》走进安徽合肥，主持人何婕与复旦大学中国研究院院长张维为教授、中国科学技术大学科技传播系副主任袁岚峰副研究员共同展开了深度对话。图片袁岚峰老师在演讲与交流中指出，中国基础研究已进入飞速上升的爆发期，在增量层面，自然指数已超过美国的两倍，并在化学、物理等优势板块实现领跑；但在诺贝尔奖等历史存量指标上仍需正视客观差距。他结合江门中微子实验、合肥新一代可控核聚变装置BEST、合肥先进光源HALF以及“机器化学家”等前沿动态，指出基础研究与应用技术绝非割裂，基础突破正在科研道路上持续“沿途下蛋”，惠及民生与产业。图片张维为教授强调，中国科技实现跨越式赶超的底层动力来自于“文明型国家”的文化基因，既有“有教无类”奠定的全球最庞大科研人才底座，也有“国之大者”依托国家战略意志推进重大科技设施攻坚。结合高校战略分类改革以及PCT国际专利申请量等核心事实，张教授指出从0到1的突破与1到N的应用转化正形成良性互动，推动中国稳居世界科创第一方阵。图片更多精彩内容敬请关注10月12日22:00播出的《这就是中国》，让我们一起走进科创名城合肥，把握中国基础科学的跃升脉搏，读懂中国，也读懂世界！讲中国故事，讲我们的故事东方卫视《这就是中国》每周一 22:00

转发者评论

？？//@中科大胡不归:那不叫纠结，是为了学习科学方法，为了自己进步。小学生都学过，谦受益，满招损，难道现在有这么多人不懂这么基础的道理吗？//@去客:那纠结别人的祖宗历害又为什么//@中科大胡不归://@天下武功为快不破-破破破:我国古代确有一些物质最终不可分的观点的，但离真正的原子说还挺远，

• ？？//@中科大胡不归:那不叫纠结，是为了学习科学方法，为了自己进步。小学生都学过，谦受益，满招损，难道现在有这么多人不懂这么基础的道理吗？//@去客:那纠结别人的祖宗历害又为什么//@中科大胡不归://@天下武功为快不破-破破破:我国古代确有一些物质最终不可分的观点的，但离真正的原子说还挺远，

原文

【四个参数拟合一头大象：人工智能的奇迹与困境】1953年，年轻的物理学家戴森，拿着一套自认为完美的数学模型去请教物理学泰斗费米。这套模型包含四个可调参数，能精准契合当时的实验数据。费米并不买账。他的一番话对戴森是当头棒喝：“在理论物理学中，有两种做计算的方法。第一种方法，也是我个人更偏爱的方法，是对你所计算的物理过程有一个清晰的物理图像。第二种方法，是拥有一个精确且自洽的数学形式体系。而你，这两者都不具备。”他还借用了数学家冯·诺依曼的一句话：“如果有四个参数，我能拟合出一头大象；如果再给我第五个参数，我还能让这头大象的鼻子扭动起来。”这句话后来成了科学界广为流传的名言。费米的意思非常明确，一个理论体系若包含了足够多的可调参数，就可以迎合任何实验数据。这种所谓的高度一致根本不能证明理论的正确性，而只是数学技巧拼凑出来的肥皂泡。它没有解释任何本质规律。————————————————这故事后来有了更奇妙的进展。我们先来更详细地解释下什么是参数。在数学里，参数往往就是指函数中的系数。我们可以拿初中数学里每个人都学过的一元二次方程（y=ax²+bx+c）打个比方。在这里，a、b、c这三个固定的系数就是参数。你可以把方程想象成一台画图机器，参数就是机器上的控制旋钮。转动这些旋钮，改变a、b、c的值，就能决定画出来的抛物线是开口向上还是向下，是变胖还是变瘦。但这三个参数，仅仅只能决定一条非常规则非常简单的抛物线。而一头大象的形状，有着长长的鼻子、宽大的耳朵、粗壮的四肢，要比抛物线复杂无数倍。真的只用四个参数就能画出如此复杂的大象，再加一个参数就能让它的鼻子动起来吗？前些年，几位物理学家发表了一篇论文，竟然真把这个玩笑变成了现实。只用了四加一个参数。————————————————他们如何把这么复杂的信息浓缩进仅仅几个旋钮里？首先，他们舍弃了所有内部细节，只留下一圈大象的轮廓线。你可以想象有一只带着定位器的蚂蚁，沿着大象的边缘匀速爬行。随着时间流逝，定位器记录下蚂蚁在水平方向和垂直方向上的位置变化。这样一来，静态的二维图形就被拆分成了两条随时间起伏的曲线。接着，无处不在的傅里叶分析登场了。任何复杂的曲线，都可以拆解成一系列大大小小、转速不同的圆圈的叠加。只要计算出这些圆圈的半径和转动速度，就能重新画出大象的轮廓。但如果保留所有圆圈，参数依然有成百上千个。于是科学家做了一次果断的舍弃。他们发现，大圆圈决定了大象的基本形态，而转动飞快的小圆圈只是在描绘皮肤上的细小坑洼。他们直接剔除了那些振幅微小的波动成分，只保留对形状起决定作用的主干信息。这就好比画速写，丢掉皮肤褶皱，只留骨架特征。经过精简，他们得到了8个关键的数字。为了契合四个参数这个历史梗，他们巧妙地使用了复数。在数学中，一个复数天然包含实部和虚部两个独立的信息。这让它天然能够同时记录大象边缘的横向和纵向位置。他们把…

转发者评论

看起来像个🦆，叫起来像个🦆，那...//@Wedge0715:契合并不等于理解。人工智能最大的问题也在于此[作揖]//@明涛AI_ECON:非常赞同。所以我一直说学好数学理解AI数学原理才是理解AI能力边界的关键。//@刘群MT-to-Death:这个博文非常精彩，再专门转发一下。最后一段，用费米对戴森的话来解释现在人工智

• 看起来像个🦆，叫起来像个🦆，那...//@Wedge0715:契合并不等于理解。人工智能最大的问题也在于此[作揖]//@明涛AI_ECON:非常赞同。所以我一直说学好数学理解AI数学原理才是理解AI能力边界的关键。//@刘群MT-to-Death:这个博文非常精彩，再专门转发一下。最后一段，用费米对戴森的话来解释现在人工智

原文

【Claude自己写代码画的动画MV开源了】这个名为PDoomVideo的项目，展示了一支几乎完全由Claude Opus 5.5自主构思并编写代码完成的音乐短片。人类只给出了角色形象和转场连贯等基础方向，模型不仅独立撰写了全部分镜，还生成了动画指南用来协调并行的子智能体编写各幕。技术上依托p5.js与p5.brush绘制画面笔触，再通过无头Chrome逐帧导出并用ffmpeg压制成片。仓库完整开放了九个章节的源码与渲染脚本，本地配置好Node环境即可直接复现出片流程。github.com /JohnHeibel/PDoomVideo

转发者评论

无明显转发评论

原文

2026年10月28号周三早评隔夜美股整体收红，纳指大涨 1.18%，费城半导体大涨3.6%，存储、光通信方向走强，AI 芯片产业链情绪回暖；中概金龙小幅震荡，外围环境对今天 A 股开盘偏友好。昨天指数震荡走低尾盘跳水，全天成交1.55万亿，指数上周五放量之后这两天再次回到了1.5万亿级别，现在市场属于典型结构性分化，指数震荡加剧，热点轮动加快，资金分歧明显，科技方向继续震荡走低，银行等防御板块继续抱团新高，但是政策托底逻辑还在，但是增量资金太过于谨慎，没有量，很难有行情，所以总体上还是存量资金的磨底阶段，耐心等待。消息面1、机构抱团科技公募基金三季度10大重仓股出炉，分别是中际旭创、新易盛、药明康德、长鑫科技、源杰科技、东山精密、宁德时代、寒武纪、北方华创、沪电股份。除了药明康德、宁德时代，其他8只依然是科技股。持有最多的6大行业，仍然是电子 （35.8%）、通信（14.8%）、医药生物（9.7%）、机械设备（5.6%）、电力设备（4.2%）、有色金属（4.2%）。电子行业持股的比例还是很高。2、大摩：国家队积极进场 往往一两个月内 可以看到A股会有明显的触底反弹3、伊朗最高领袖强调落实伊方条件 推动结束战争算是利好4、机器人上海：研制推广物理AI装备，研制具备自主感知和决策能力的机器人等智能制造装备Anthropic在招股书中有关于物理AI的相关表述5、存储马斯克坚定看好内存需求 称机器人所需内存将超过其他任何领域股票

转发者评论

无明显转发评论

原文

为什么在 LLM 推理中温度 0 并非确定性的？（一个流行的技术性 LLM 面试问题）在温度 0 时，推理引擎通常会直接切换到贪婪解码。在每一步，它们都会选择最高 logit 的 token，因此相同的提示应该每次都给出相同的输出。在实践中，并非如此。Thinking Machines 实际上通过向 Qwen3-235B 发送 1,000 次“Tell me about Richard Feynman”在温度 0 下进行了测试，并得到了 80 个独特的补全结果。虽然选择最大 logit 是一个完全确定性的步骤…………但变化实际上来自于计算 logit 本身的过程。如果这些数字略有不同，argmax 可能会选择不同的 token。让我们来理解 logit 有时会如何略微变化。1) 加法顺序会改变结果：GPU 以有限精度存储数字。fp16 只保留 11 位有效数字，在 1024 到 2048 之间，这意味着小数点后没有任何空间。所以 1024.4 会被四舍五入回 1024。现在考虑两种顺序下的 1024 + 0.4 + 0.4。从左到右，1024 + 0.4 四舍五入回 1024，再加 0.4 又四舍五入回 1024。结果是 1024。如果先加小数字，0.4 + 0.4 得到 0.8，然后 1024 + 0.8 四舍五入到 1025。结果是 1025。LLM 在每次前向传播中执行数十亿次这样的加法操作，因此如果它们的顺序发生变化，logit 也会略微改变。2) 是什么导致顺序发生变化？流行的原因是并行 GPU 线程以不可预测的顺序完成。但这并不是主要原因，因为典型前向传播中的内核会以固定顺序计算每个求和。因此，相同的矩阵乘法在相同的输入和批次大小下，每次都会给出逐位相同的精确结果。3) 真正原因是服务器上的其他请求：推理服务器会将来自多个用户的请求分组到一个批次中，并一起运行它们。内核会根据批次大小决定如何拆分工作。- 在大批量时，每个 GPU 核心都很繁忙，因此每个核心会一次性计算其求和。- 在小批量时，许多核心会闲置，因此内核会将每个长求和拆分成块，将它们分布到各个核心，并在最后组合部分结果。不同的拆分会导致不同的加法顺序，而批次大小取决于那一刻有多少其他人在使用服务器。4) 这种微小差异如何改变整个答案：考虑同一提示的两次运行：在批次大小为 8 时，假设 logit 结果为：- "Queens" = 12.3417- "New" = 12.3415在这种情况下，argmax 选择 "Queens"。在批次大小为 32 时，四舍五入略有不同，得到：- "Queens" = 12.3414- "New" = 12.3416在这种情况下，argmax 选择 "New"。输出只会在这种接近平局的情况下翻转。而且之后的每个 token 都是从不同的前缀生成的。在上…

转发者评论

无明显转发评论

原文

热闹的旅行明信片需要明确分工。城市大字、地标、交通与食物应在一个场景里相互穿插，不能变成四格拼图。📌 可直接复制的完整母版制作[城市]的1990年代游客明信片插画。左上巨大重叠粗体字准确写“[标题]”，右上以[地标]形成天际线；左下安排[交通]，右下将[食物]夸张放大。四个区域自然重叠成一幅连贯场景，不画边框或分格。漫画墨线统一所有物件，鲜明红黄蓝主色加少量地方强调色、轻微印刷颗粒；文字完整入画，食物不盖住主要地标。只写一个城市标题，无其他招牌、品牌或水印。horizontal landscape, aspect ratio 16:9。🧩 三组替换值（依次对应[城市]／[标题]／[地标]／[交通]／[食物]）1.东京／TOKYO／东京塔与远景楼群／城市电车／寿司与茶2.巴黎／PARIS／埃菲尔铁塔与街景／地铁入口与城市车辆／可颂3.成都／CHENGDU／茶馆与熊猫城市元素／本地城市公交／火锅🔍 三个灵魂词overlapping block letters：大字参与构图。comic-book inking：墨线统一不同物件。out of scale：放大食物制造尺度反差。📐 两图变体V1：标题与前景食物形成较紧凑重叠；V2：增加天空与街道留白，保留四区关系。将变体句追加到已填值的母版后。四个方位是构图分工，成品始终只有一个画面。换城时同步替换交通和食物，避免标题变了而地方细节没有变化。✅ 检查：先核对城市字母，再检查四类元素都出现；地标与大字不能被前景食物完全挡住。#AI绘画 #Prompt小课堂

转发者评论

无明显转发评论

原文

#微博声浪计划# #听见微博# 我们先从蚂蚁集团发布的这个“灵光2.0”说起。这东西最核心的升级，叫做“跨会话记忆”和“长程任务调度”。这几个词听着有点技术，但它实现的功能你一听就懂。简单说，就是你授权之后，这个AI助理就不再是那个你关掉对话框就失忆的小笨蛋了。它拥有了一个独立的云端主机，变成了你的一个7x24小时在线的专属职员。即使你关了手机，它也能在后台帮你做事。比如说，它能帮你盯着支付宝账单，自动发现那些你早就忘了取消的自动续费服务；或者持续关注机票和酒店价格，在出现低价的时候第一时间通知你；甚至，它还能钻进你焦头烂额的钉钉班级群里，自动把老师发的通知整理成待办事项，再排好版。当然，很多人第一个反应肯定是，这安全吗？蚂蚁也想到了这一点，他们搞了一个叫APASS的授权体系，简单来说，就是把你的账号密码和这个AI智能体分开关。你可以随时像查银行流水一样，看到它在干嘛，并且一键撤销任何一项授权。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

这可能是中国智能汽车玩家里，最天马行空的一次“转身”：这盏小台灯闻名世界，它是《玩具总动员》背后的好莱坞特效公司皮克斯的标志，过去30届奥斯卡最佳视效大奖中，24部影片都在用皮克斯的特效技术。当然，皮克斯也因为它的创始人而闻名——史蒂夫·乔布斯，这是他在1985年被苹果公司“扫地出门”后的创业项目。前不久，皮克斯官方上架了最新的3D渲染教程：教创作者如何使用皮克斯官方工具处理真实世界的3D高斯泼溅数据，说明中，皮克斯特意感谢了一家中国公司提供的3D场景扫描方案Kosmo。而这家公司，竟然就是智能汽车赛道绕不过去的名字：禾赛科技——车载激光雷达“一哥”，智能车“安全带”强力推动普及者。这这这，一边是传统、硬核、轰隆作响的大车企，一方面是轻松、酷炫、喧嚣热闹的好莱坞娱乐业，禾赛这业务布局，也太天马行空了吧？激光雷达公司禾赛，怎么打进好莱坞的？RenderMan是皮克斯的核心渲染技术，算法历史比皮克斯这家公司还要早，史蒂夫・乔布斯当年就是看到了计算机图形学作为一种艺术形式的潜力，并投下重注。发展到今天，GPU加速的XPU架构已经落地，对3D高斯泼溅（3DGS）这一全新三维数据格式的支持也已加入RenderMan，而帮助RenderMan“捕捉”真实世界的，就是禾赛的Kosmo：皮克斯是这么描述Kosmo的价值的：影视特效需要在像素层面完成编辑工作，数据和信息越丰富，能做的调整就越细腻。而Kosmo可以让建模师走进任何一个地方，捕捉它的每一个空间元素、精准几何结构和真实光照。就比如，皮克斯总部Steve Jobs大楼前的台灯（Pixar Lamp）和小球（Pixar Ball），用Kosmo捕捉空间只需10-20分钟，得到的高质量3DGS数据通过USD格式直接进入工作环境：接下来，皮克斯工程师就可以在直接输出的模型空间里，移动、缩放、调整透明度、绘画风格化……让整座广场变成一幅笔触流动的画：真实→3DGS→渲染，禾赛给出的数据是，一般100平米左右的空间，手持Kosmo采集大概需要15-20min的时间：△操作超简单，扫描完成的空间物体在显示屏上没有网格覆盖，剩下有覆盖部分是待扫描的所以对于影视娱乐行业，Kosmo第一个价值就是快速提取真实景物环境信息，且100%真实还原。多说一句，现象级国产3A大作《黑神话·悟空》，制作方游戏科学当年就是拿着禾赛的激光雷达去采集各种古建筑模型的，而这也是Kosmo诞生的驱动因素之一。快速建模还只是其一，Kosmo更被认可的，是直接输出3D高斯泼溅格式的能力，采集完的数据不需要再经过任何复杂处理，可以直接用各种AI的、人工的工具编辑调试。所以，Kosmo的本质其实是真实的3维世界数据引擎，多种不同传感器高度集成、标定完善，到手即用，直接输出可供模型训练、可以操控编辑、空间关系/色彩形状都不失真的3维数字模型。所以，打进好莱坞影视行…

转发者评论

无明显转发评论

原文

有一年的腾讯安全会议上，我公开提出过，指纹、声纹、虹膜、人脸、甚至DNA数据这些生物识别特征具备不可修改的特性，一旦丢失，就是史诗级灾难。但是那个时候有专家提出的是生物特征具备唯一性，这些很安全，不可复制不可篡改。这特么才几年，加上AI加持，黑客可以轻而易举的复制和伪造这些数据，更重要是你特么还不能像改密码去修改这些，搞不了，后续还会影响各行各业，并且影响久远。未来%100的会放弃这种生物识别的认证方式，会催生出新的认证方式。

转发者评论

无明显转发评论

原文

百度的OCR又升级了，文心Unlimited OCR 2正式发布并开源！这次，它直接挑战一口气读完整套小说。7部《哈利·波特》，从《魔法石》到《死亡圣器》，连续识别、转写，3600+页一路读到最后。换成《三体》全集，同样能一口气读完，三本书1200+页，几十万字，中间也不带喘的。不过，连着读这么多页，模型得先过一道关：显存。文档越长，推理时需要保留的中间信息（KV缓存）就越多——可以理解为模型边读边记的小抄，页数越多，小抄越厚。小抄厚重，不光占地方，翻起来也慢。在技术报告的百页级单序列测试中，文心Unlimited OCR 2给出了一组对比：峰值KV缓存占用从标准解码（将所有页面的视觉缓存同时保留在显存中）的47GB降至1.77GB，一口气减少了约96%。47GB是什么概念？比不少笔记本电脑的整机内存还大。而这还只是KV缓存，模型权重等其他开销另算。它的上一代Unlimited OCR，已经凭借多页文档连续解析能力，在开源社区积累了相当的人气：累计下载量超过1000万，在GitHub上收获约2.86万Star。从社区制作在线Demo，到支持SGlang推理，围绕它的适配也在持续推进。到了第二代，升级重点在于连续处理更长文档的同时，把计算和缓存负担降下来。为此，文心Unlimited OCR 2提出稀疏参考滑动窗口注意力机制SR-SWA，让模型按需选取相关页面和视觉信息，减少重复计算。配合持续解码机制，模型能够连续处理超长文档，单步解码开销也不会随着文档变长而水涨船高。目前，文心Unlimited OCR 2已在Hugging Face和GitHub正式开源。开源地址：GitHub：网页链接HuggingFace：网页链接网页链接

转发者评论

无明显转发评论

原文

2026年度领航级智能工厂项目培育公示名单1、这基本上是最好的中国智能工厂了（之34）2、很多都是多元技术深度融合，AI驱动特征明显的工厂。3、轻工、食品行业的海澜之家、泸州老窖也上名单了，我熟悉的一些企业，本身已经取得了灯塔工厂，也上了名单。4、江苏还是厉害，有六家工厂，遥遥领先。5、这一批没有广东工厂。北京有一家，小米汽车工厂。6、说到汽车，这一批除了小米，还有重庆的塞力斯，吉林的一汽大众和河北的中信戴卡（轮毂、底盘零部件制造商）

转发者评论

无明显转发评论

原文

去年火爆全网的斯坦福大模型神课 CS336 推出全新升级版，全套课程视频与作业资料现已免费开放。课程不仅新增了多模态专题，还涵盖从 Token 化、Transformer 架构搭建到 GPU 并行优化的全流程。配合公开的 5 大核心编程作业，非常适合有 PyTorch 基础的同学跟着从零手搓并跑通属于自己的语言模型。一起来看看怎么回事吧～#CS336# 机器之心Pro的微博视频

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《Codex 极简入门：让 AI 持续提升工作效率》，截 10 月 26 日，转发+评论+点赞 此微博并关注 @网路冷眼 赢取。这是一本面向普通人的 AI 实践指南。它不从复杂概念和功能清单讲起，而是通过搭建一个简单的网站，让读者在真实的操作中认识 Codex 项目、对话、文件、审批、插件、技能、已安排和追求目标等选项或功能。书中介绍了资料整理与研究、职场办公与汇报、内容创作和 Vibe Coding 实战等常见的 Codex 应用场景，帮助读者把零散的想法和资料逐步变成文档、表格、PPT、网页与小工具，并教读者学会检查结果、控制权限、沉淀模板，让 Codex 真正融入日常工作。 抽奖详情

转发者评论

今晚23时开奖，最后上车时间，加油💪💪💪💪💪

• 今晚23时开奖，最后上车时间，加油💪💪💪💪💪
• 今晚23时开奖，最后上车时间，加油💪💪💪

原文

腾讯开源了一个同声传译模型，30B，激活参数3B。实际上在翻译领域，这个模型已经不小了。实测响应约3秒，低于人类专业译员4-5秒的平均水平。Hy-SimulMT团队收集了 2026 年 9 月以来新上线的 18 段中英文音频，每段时长约 6 分钟。这些录音涵盖十个领域的演讲、访谈和会议：软件与人工智能、医学、制造与能源、自然科学、农业与食品、商业管理、法律、教育、文化与旅游、体育与日常生活。Hy-SimulMT团队邀请了六位具有多年同声传译实战经验的译员对这些录音进行口译。其中三位持有 CATTI 一级口译证书，三位持有 CATTI 二级口译证书。在每个证书级别中，取三位译员中的最高分用于对比（图3），优于人类专家。Hy-SimulMT 支持实时声音克隆，在生成目标语言语音的同时，保留原始说话人的音色特点模型地址：www.modelscope.cn/models/Tencent-Hunyuan/Hy-SimulMT-30B-A3B

转发者评论

无明显转发评论

原文

随手画一只鸭子，三条腿，嘴巴长得像块砖。 把它交给AI，只提一个要求：不许替我画对。 好玩的地方就在这里：怪比例还在，羽毛、金属、砖瓦却都变得像真的。你也画一张，先挑出三个绝不能改的地方，再看AI有没有偷偷动手。 🎯核心提示词把上传的涂鸦作为唯一造型蓝图，生成一张3:4竖版作品。主体是【主体】，必须保留【三个不可改点】。外轮廓、比例、部件数量、朝向和相对位置以原图为准；歪斜、不对称和不合常理的结构都保留，不补齐、不扶正、不重新设计。与原图保持同一观察方向，只增加真实体积、【材质】和自然光影；原来的粗线转为实体边缘，去掉蜡笔填色与纸张肌理，不能把线稿贴在实体表面。放在【环境】中，采用【光色】，接触阴影、反射与材质细节可信；背景简洁，主体完整不裁切，不用景深遮住核对部位。版式为【版式】，按【构图】安排主体与留白。对照海报模式：原涂鸦仅缩小放在【原稿位置】，不改画；成真结果是主视觉，两者边界清楚，不相互融化。只出现中文标题“【中文标题】”和英文标题“【英文标题】”，按【文字设计】排版，中文主读、英文约五分之一大；把原稿不规则轮廓的节奏借给标题基线，字形本身必须完整清楚，不遮住三个核对点。纯视觉模式：不显示原稿和任何文字，忽略所有标题参数。只输出一张完成图，无额外说明、商标、水印、箭头或装饰性伪文字，不模仿现成艺术作品。示例参数【主体】虚构的三脚长嘴黄鸭【三个不可改点】三条可见短腿；向左伸出的长矩形橙嘴；没有翅膀的横向豆形大身体与小圆头【材质】黄色细密羽绒、橙色角质喙、橙灰色细鳞腿足【环境】平整浅沙色湖岸，远处只有柔和灰绿色湖面【光色】暖白自然侧光，黄橙与鼠尾草绿，柔软阴影【版式】对照海报【构图】严格左向侧面，成真黄鸭位于中下部占画宽八成，左上标题，右上原稿，保留顶部空气【原稿位置】右上小块暖白纸面，占画宽约三成，整张涂鸦等比例显示【中文标题】别替我改【英文标题】KEEP IT CROOKED【文字设计】左上四字两行，墨绿粗黑手刻字体，不同字轻微高低错落但端正可读；英文细窄体在下方。巨字不盖住嘴或腿##德里克文[超话]###德里克文的ai学习笔记###AI创造营#

转发者评论

无明显转发评论

原文

【31岁亚马逊工程师因癫痫离世！父母起诉OpenAI：ChatGPT教她减药、瞒着医生】31岁癫痫女工程师鲍文·万去世后，其父母正式起诉OpenAI，指控ChatGPT指导她私自减停抗癫痫药，还教唆她向医生隐瞒相关操作，最终直接导致其死亡，这是近期多起针对OpenAI的相关诉讼之一。

转发者评论

无明显转发评论

原文

今天接连看见OpenAI宣布解决了数学和物理的基础性问题。我一直有个疑问：AI提供的证明，最终通过Lean形式化并验证之后，是否可以认为是100%正确？我把这个问题丢给了ChatGPT，它的答案是有可能出错，但出错可能性最高的一步，是把用自然语言陈述的命题，转化为Lean语言的这一步。后续的形式化验证，出错概率很低。也就是说，只要我们能验证问题-Lean的这一步是正确的，后续基本不会错。然后我又追问：那AI生成的证明，每一步是不是都要转化成Lean？这每一步是不是都需要人工检查转化的正确性？（这里我错误认为AI是先生成自然语言证明，再逐条转化为Lean。）ChatGPT的回答是：AI生成的其实就是一个完整的Lean证明链条，然后通过输入Lean语言，就可以直接验证它给出的证明链条是否正确。结论：在Lean形式化证明的框架下，人需要检验的东西已经缩减为：确保“你证明的东西确实是我想证明的东西”。后续的步骤都是100%可靠的。人工智能数学

转发者评论

差不多就是这个道理，最有风险的是把用自然语言陈述的命题，转化为Lean语言的这一步。后面这个也不能说100%可靠，Lean验证程序可能会有bug，计算机系统本身也可能有bug，比如当年英特尔的CPU就被发现过有bug。但这个不可靠的可能性可以被压倒很小，我们可以在不同的平台上运行独立写出来的Lean验证器。

• 差不多就是这个道理，最有风险的是把用自然语言陈述的命题，转化为Lean语言的这一步。后面这个也不能说100%可靠，Lean验证程序可能会有bug，计算机系统本身也可能有bug，比如当年英特尔的CPU就被发现过有bug。但这个不可靠的可能性可以被压倒很小，我们可以在不同的平台上运行独立写出来的Lean验证器。

原文

#冷眼赠书福利# 联合 @博文视点Broadview 送出 3 本《 FDE 造局：AI 落地一线实战指南》，截 11 月 3 日，转发+评论+点赞 此微博并关注 @网路冷眼 赢取。AI落地最难的，从来不是“把模型做出来”，而是把技术真正做成业务结果。本书直面企业AI项目从需求模糊、ROI 难算、多方难协同，到 PoC 成功却迟迟无法上线的真实困境，提出“先造局，再交付”的核心思路，并以“识局—算局—布局—护局”贯穿项目全周期。无论你是FDE、AI 工程师、售前、项目经理，还是带队推进AI落地的技术管理者，这都是一本帮助你从“会做技术”走向“能把项目做成”的实战指南。

转发者评论

无明显转发评论

原文

「让AI写出好品味的动效与交互」由前 Vercel、Linear 工程师 Emil Kowalski 开源的这套技能库，专治 AI 编程工具审美欠缺、交互细节粗糙的问题。它把多年设计工程经验沉淀为智能体可执行的指令集，覆盖动效曲线设定与掉帧排查、React Native 及移动端 Web 原生质感调校，以及提炼自苹果规范的交互准则，还包含了异常数据 UI 压力测试与成熟组件选型指南。无论是让 AI 自动审查前端动画缺陷，还是处理移动端 100vh 抖动和点击延迟等隐蔽问题，都能帮界面快速达到上线级质感。github：emilkowalski/skills

转发者评论

无明显转发评论

原文

中德汽车创新合作，迎来一次“特别体验”！10月27日，正在中国进行国事访问的德国总统施泰因迈尔及夫人，在安徽合肥参观大众汽车（中国）科技有限公司。其间，地平线创始人兼CEO余凯博士出席并致辞，向总统一行介绍地平线与大众在智能驾驶领域的合作进展。现场，总统夫妇亲身体验了一汽-大众ID. AURA T6与上汽大众ID. ERA 5X两款大众车型——均搭载由大众与地平线合资公司酷睿程打造的全场景辅助驾驶方案，由地平线征程®6H芯片与HSD AI基座模型深度赋能，让总统一行实地感受到中德协同创新的智能驾驶成果。从联合研发到规模化量产，从优势互补到互利共赢，地平线将持续携手大众，让中国AI创新活力与德国汽车工业积淀深度融合，打造中德汽车产业创新合作标杆，共同为全球汽车智能化转型贡献力量。 #德国总统体验地平线辅助驾驶方案##百万大众标配地平线智驾##德国总统访华##看大众驭势而上##地平线智驾##地平线HSD##地平线征程#

转发者评论

//@余凯_地平线民工:这次总统和夫人还专门坐在主驾位上体验了J6H和HSD。

• //@余凯_地平线民工:这次总统和夫人还专门坐在主驾位上体验了J6H和HSD。

原文

面对 AI 冲击择业的方式其实说起来也很简单，只要是可迭代可闭环验证，AI 肯定干掉人类。他 7x24 小时不知疲倦，而且可以拉起上千 subagent 一起搞，你和他拼不是找死。。。这是为何 coding 和数学证明在 AI 面前毫无抵抗能力的原因。但是，如果这事情迭代周期长！！！而且很难仿真（sim2real）！！！那就是人的领域了。。。比如1药物临床，年级的迭代，测试的是人命。。。2类似还有作物/果树育种，一年一代，果树 5–20 年，基因 × 环境 × 几十年气候，机制理解很难仿真。3林业、生态修复，几十年为周期迭代，生态系统涌现行为，也很难仿真。4陈酿（威士忌、葡萄酒、普洱），10–30 年迭代，化学过程理论上可模拟，但没人有足够标注数据。5儿童教育、育儿，15–20 年才知道结果，不可重复、不可对照、伦理禁止试错。6长期健康干预（营养、生活方式）也是数年或者几十年的迭代周期，混杂因素无穷，队列研究一辈子做一两个。

转发者评论

无明显转发评论

原文

「把思考留给自己：Agent时代的认知纪律」让AI提炼论文确实省时，但也容易制造一种通透的幻觉：对话时觉得全懂了，关掉窗口却无法独立复述。得到答案的速度并不等同于自身能力的成长。面对真正有价值的内容，不妨把Agent放到“第二阅读位”：先花二十多分钟自己梳理推导链条与核心假设，形成第一判断，再让AI核对细节、查漏补缺；把信息检索交给工具，但把推演论证的主动权留给自己。同时注意目标分离，研读技术时不必兼顾语言训练，更别为了消耗算力在后台开启琐碎任务，以免打碎深度思考的上下文。检验一次协作是否有效，最终看的是合上电脑后，你的脑子里留下了多少真正属于自己的见解。

转发者评论

无明显转发评论

原文

#模型时代# Palantir 创始人：说中国缺乏创造力是一种刻板印象，我是练过太极拳的Palantir 联合创始人兼 CEO 亚历克斯·卡普，对话花旗集团全球银行业务主席莱昂·卡尔瓦里亚。时间轴：- 0:02 起：美国的优势是创造力，中国的优势是规模；但美国的优势并不绝对，中国在模型上同样有创造力。- 0:22 起：卡普讲自己练了十三四年陈式太极拳，师父曾追随一位宗师。- 0:45 起：刻板印象里，美国是“创意牛仔”，中国“智商高但没创意”。- 1:03 起：这些刻板印象在 AI 革命中没有应验，中国的回应要有创意得多。- 1:13 起：美国也有 Palantir 这类规模型玩家；优劣势格局还在，但已经不是刻板印象里的样子。- 1:27 起：美国每天都比中国以外的所有国家多领先一百天，差距是指数级的；中美的时间账和欧洲不一样。 高飞的微博视频

转发者评论

无明显转发评论

原文

【关于网传“红果短剧年收入400亿”等不实信息的声明】近日，网络上集中出现“红果短剧年化收入逼近400亿元”“红果短剧今年营收达420亿至450亿元”等说法，经核实，上述收入数据不实。网传内容中所谓的“机构数据”“行业数据”“专家预计”都不是官方信息，据此作出的比较、推算和延伸解读也没有事实依据。请大家不要传播不实信息。目前，红果短剧大部分收入持续用于内容创作者分账、版权保底和优质内容扶持，与短剧行业伙伴共同成长。

转发者评论

短剧行业涉及Ai，还是有大量变局的//@抖音集团李亮:随着红果短剧内容质量不断提升，越来越受到用户喜爱。我之前推荐过《冒姓琅琊》，再推荐几部短剧给大家：历史剧《持械入宋》《魏家逆子成首辅》《大明，李景隆的别样人生》；科普剧《急诊摸鱼王》《并肩》《向阳而生》。我们也同时发现，不断有关于红

• 短剧行业涉及Ai，还是有大量变局的//@抖音集团李亮:随着红果短剧内容质量不断提升，越来越受到用户喜爱。我之前推荐过《冒姓琅琊》，再推荐几部短剧给大家：历史剧《持械入宋》《魏家逆子成首辅》《大明，李景隆的别样人生》；科普剧《急诊摸鱼王》《并肩》《向阳而生》。我们也同时发现，不断有关于红

原文

# 30B大模型跑进手机，推理引擎开始自我进化# 大模型证明了自己的价值，代价是把算力资源的供需彻底打乱了。TrendForce数据显示，从2025年年中到现在，短短一年多，部分DDR5内存的价格涨了近10倍。原因不复杂，云端大模型的训练和推理吞掉了太多产能。产能被云端大量消耗之后，需求开始向外溢出，端侧成了承接这场溢出的下一站。同一时期，手机上能跑的模型也在快速膨胀，从3B涨到了30B+。 30B大模型跑进手机，推理引擎开始自我进化

转发者评论

无明显转发评论

原文

重磅通知哈，目前仅差 8 个人，社群就突破 2000 人，这就是价值 与实力的证明，为了尽快突破 2000 人，这个月再给大家发一个立减 30 元的优惠券哈，仅限 30 张，用完即没。我自己的星球社群「AIGC·掘金成长研习社」马上突破 2000 人了，用时 900 多天，我累计发布了 2200 多条帖子、教程和文章。精华主题已经突破 300 篇。这是一个持续更新不断增加内容的社群，根据当日、当月、当年的最新热点和技术，来及时、频繁更新，让大家时刻保持在最前沿，保证至少更新 10 年，不烂尾。说实话，这确实是我最近一直花费巨大力气的地方，尤其是从今年开始在里面开始录制视频教程，到现在视频教程已经突破了 50 期，尤其是 Agent Skills 系列教程。我在春节之前的时候，就研判到了今年 Skill 会大火，所以，去年年底 Skill 刚出来的时候，我就发现了它的价值，也确实跟我预判的一样。虽然 Agent 在不断变化，但是 Skill 确实是非常有效和实用的技能。具体可以看看配图目录，内容超级多。涉及各种领域的内容，5 个篇章的内容，包括环境搭建入门、如何打造自己专属的 Skill，还有分镜、动画、视频剪辑系列，带货变现系列，办公等。比如：如何使用 AI 制作书单号视频，制作 Vox 风格的视频；如何使用 AI 制作动画/漫剧视频；如何使用 AI 剪辑视频；如何使用 AI 做各种好玩的副业教程等等。这些课程都很详细，非常适合小白来学习，即使你不懂 AI 也可以。从去年开始陆续更新的副业案例库，分享各种副业案例教程，到现在也陆续更新了 70 多期，在今年年底有望实现 100 篇的目标。说这么多，就是想感谢大家信任与支持，我会继续努力，而且履行自己的承诺，持续更新十年 ，绝不烂尾。做这个社群，我绝对是认真的。很多同学问小白可以学习吗？对零基础的友好么？当然了，就是给纯小白准备的，所以，录制了很多视频教程，同时在社群里还可以跟我交流，对疑问进行解答。只要你会说话，能听懂自然语言就能学会。不是为专业人准备的，专业的人也不需要我给准备。 现在加入，再赠送我写的「副业电子书」，包括：如何打造个人 IP ，如何做自媒体，如何做独立开发者的系列电子书。加入方式很简单，WX 扫码优惠券二维码海报即可，或者➕我 V ：loonggg1024 ，都行。#科技先锋官##副业赚钱#

转发者评论

距离 11 月初抽奖，没几天了哈。//@AIGC·非著名程序员:距离实现 2000 人的超大社群，仅差 4 个名额了。为了尽快突破 2000 人，我决定从今天开始加入的同学，集合到一个群里，进行抽奖，送一个 价值 200 美元的 YouMind Max 月度会员（20 万积分）。 到这个月底集中抽奖。仅限这个月的福利，200 美元

• 距离 11 月初抽奖，没几天了哈。//@AIGC·非著名程序员:距离实现 2000 人的超大社群，仅差 4 个名额了。为了尽快突破 2000 人，我决定从今天开始加入的同学，集合到一个群里，进行抽奖，送一个 价值 200 美元的 YouMind Max 月度会员（20 万积分）。 到这个月底集中抽奖。仅限这个月的福利，200 美元

原文

大新闻！OpenAI宣布，人工智能在数学、计算机科学和理论物理三个领域，取得了三项重大的突破。其中一个，涉及困扰数学物理学家几十年的量子杨–米尔斯理论存在性问题，解决了这个著名的千禧年数学难题的一半（存在性部分）。另一个，涉及调和分析中的局部光滑化猜想，并由此解决了所有空间维度中的挂谷猜想。最后一个，则推翻了计算机科学中被广泛相信近三十年的指数时间假设。任何一个问题得到解决，都足以成为一项重量级的科学成就。现在，人工智能宣称一口气解决了三个。其中两项已经公布了自然语言证明以及Lean形式化证明，另一项涉及四维量子场论的工作，据OpenAI介绍，也已经完成了部分关键结果的形式化验证。不过，事情并没有到此结束。OpenAI并没有简单地宣布胜利，而是邀请了多个领域的顶尖科学家，组成独立研究团队，对这些成果进行审查、解释和整理。参与者中包括诺贝尔物理学奖得主David Gross，以及Michael Douglas、Arthur Jaffe、Igor Klebanov、Nikita Nekrasov等著名数学物理学家。计算机科学方面，则邀请了Russell Impagliazzo、Ramamohan Paturi和Ryan Williams。其中前两位，恰恰是当年指数时间假设的提出者。这场面颇为奇特。一个困扰科学界几十年的难题，人工智能声称已经给出了解答。于是，当年提出问题、奠定理论、长期研究相关领域的科学家们，又被邀请回来，研究机器究竟发现了什么。需要强调，这些成果目前仍属于OpenAI提出的重大研究主张。形式化验证和学术界的独立确认不是一回事，尤其是物理学成果，完整证明材料尚未公开。我们先从理论物理学谈起。因为其中涉及的杨–米尔斯问题，不仅是现代物理学最重要的理论基础之一，而且与中国科学家最近取得的一项重要实验成果，有着非常有趣的联系。我前不久刚写过一篇相关的科普文章。 【杨–米尔斯理论：一个使用了七十年的理论，竟然还没有被严格证明存在】1954年，杨振宁和Robert Mills提出了著名的杨–米尔斯理论。这个理论的出发点，是一个非常简洁而优美的数学思想。电磁相互作用遵循麦克斯韦方程，具有一种称为U(1)的规范对称性。杨振宁和米尔斯提出：如果把这种相对简单的对称性，推广为更加复杂的非阿贝尔李群，会发生什么？他们最初研究的是SU(2)。后来，物理学家发现，这样一种看似纯数学的推广，竟然能够成为描述自然界基本相互作用的核心框架。今天的粒子物理标准模型，其规范结构就是：U(1) × SU(2) × SU(3)。其中SU(3)描述强相互作用的规范结构。杨–米尔斯理论与麦克斯韦电磁理论最重要的区别之一，是规范场能够与自身发生非线性相互作用。简单地说，电磁力的媒介粒子是光子，而强相互作用的媒介粒子是胶子。光子没有电荷，不会像带电粒子那样直接参与电磁相互作用。胶子却携带色…

转发者评论

无明显转发评论

原文

想成为独立交付的FDE，千万不要在山里磨刀十年才下山！唯庸直言交付要以业务驱动为主，新手入门其实只要掌握WorkBuddy搭配飞书生态，结合Vibe Coding做前端，就能跑通一两万单子的最小交付闭环。先找真实业务场景，再谈技术落地！ #AI创业##科技先锋官# 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

#南非一女子用AI写370本书被骂骗子#据法新社10月23日报道，自2025年2月起，南非作家科拉尔·哈特已经借助人工智能(AI)出版了超过370本书。尽管受到批评和威胁，她仍坚持为这一创作方式辩护。“江湖骗子”“败类”——社交媒体上充斥着对她的辱骂。这名40多岁的作家已经成为AI进军出版行业的标志性人物。科拉尔·哈特是她用来保护自己真实身份的笔名。她在接受法新社采访时说，她收到了“数万条”仇恨信息和好几次死亡威胁。在这样充满敌意的环境下，很少有使用AI写作的作家愿意公开发声和露面。哈特说：“我选择站出来告诉大家：我们必须开始讨论这些议题。AI已经来了……不会因为一群作家反对，就被关掉或取缔。”在开始借助AI之前，哈特已经在出版行业工作了14年，而且不靠AI创作了几十部作品。她花了3个月熟悉各类AI模型，搭建起一套能够出书的工作框架。如今哈特会切换使用多款AI工具。她表示，聊天生成预训练转换器(ChatGPT)“非常擅长写对话，但文笔糟糕”；“克劳德”(Claude)“擅长搭建故事结构，但对于言情的描写很不擅长”；还有“格罗克”(Grok)等模型，“完全不受约束”。哈特说：“如果你直接让ChatGPT或Claude写一本书，最后只会得到一堆糟糕透顶的垃圾，因为它们根本没有可供创作的素材。”在哈特明确故事创意、文风、人物细节以及章节大纲后，她的创作系统会自动生成书稿。她说，刚开始的时候，“一次只能生成一个段落。我通常要输入两到三个提示词才能完成一段。现在我可以一口气完成整本书的初稿”。哈特表示，从去年开始，AI模型“进步巨大”，“文笔有进步，句法有改进，句子结构也更完善了”。哈特坦言，书的初稿质量普遍不佳。她先用AI对书稿进行“发展编辑”，然后再“修正所有连贯性漏洞、故事硬伤、中间的拖沓平淡、人物成长线不完整、剧情线索断裂等问题”。在整套流程的结尾，她会人工校对通读全文，修正“所有漏网的AI写作痕迹”，并做一些润色改写。“到这一步，基本就可以定稿出版了。”她有一部小说曾跻身亚马逊畅销书前100名，而她的371本书(其中很多是言情小说)中的绝大多数，都是根据严谨的市场调研，给特定读者群体量身定制的。据哈特自己估计，她的电子书、纸质书、有声书累计销量突破100万册，今年收入已超过100万美元。这名南非作家如今运营着一个团队，已经用她的这套创作方法培训了数百人，而且准备推出面向AI写作者的软件，名为“作者节奏”(Authorythm)。（参考消息）

转发者评论

无明显转发评论

原文

【特朗普：我们将正式禁止一切场合使用AI！统一改名SI（超级智能）】美国总统特朗普公开发声，质疑“人工智能（AI）”这一技术名称的准确性，呼吁《华尔街日报》等媒体改用“超级智能（SI）”的叫法。特朗普表示，几乎其他所有人都正在或即将使用SI这一称呼，并称很快会正式禁止在相关官方文件以及各类场合继续使用“AI/人工智能”术语。

转发者评论

无明显转发评论

原文

以我浅薄又学得乌七八糟的知识体系来说，我并不会给量子力学和相对论最高的评价。它们应该属于不可思议的那种。逻辑和计算理论有一种击穿表面直达深邃内在的犀利，其简单和可以表达的能力与约束，真正体现了人类智力的巅峰水准。个人愚见，这是高于物理学定律水准的。但是如果把控制论拿出来，前面这些又都相形见绌。因为控制论不但象先验学科或者逻辑与计算理论一样通用，而且涵盖从粒子到系统到生物到智能的所有复杂度层级。人在婴幼儿时期学习行走时，大脑要积极参与，然后这个控制模型能下放到小脑执行，toddler们可以跑得飞快，最后可以下放到更低的脊髓中的Central Pattern Generator执行。从电机控制到DCDC电源环路到细胞的趋化，p53 DNA损伤反应，钙振荡，到生物体的各种神经和内分泌网络，到高级智能。高级智能不仅仅指大脑处理符号的能力，还包括运动员完成的匪夷所思的技巧和精度，包括音乐家创造的华丽音乐等行为。都源于神经网络可以适应表面上看起来并没有固定节律的行为，可以用复杂的节律，同步和异步和相位差，得到高稳定可重复的精度。一种把一万个鸡蛋叠起来的平衡术，只要鸡蛋和鸡蛋之间有肌纤维连接且这些肌纤维之间能找到稳定控制环路。

转发者评论

无明显转发评论

原文

发了几条 AI 对就业冲击的内容，我发现大家最纠结的还不是干什么，而是觉得干什么都缺少未来的确定性。而我想说的是，这年头有毛确定性。。。就是拿着百万美金年薪搞 AI 的他们都没有确定性。。。找到增长，狠狠赚钱就完了。2023 年，我也预测不了 Coding Agent 在 3 年内就基本上干掉了所有 coder 啊。。。没有确定性会是未来的常态。要这么说，搞宗教的确是不错，面对持续的不确定性，人总是需要某种安慰的。。。要不我们弄点佛教元素的 cyberpunk 风格的个性键帽？？？

转发者评论

无明显转发评论