AI探索指南

  1. 体验了一下 TRAE 新的 SOLO Coder Agent,用它做了一个相当复杂的项目

    体验了一下 TRAE 新的 SOLO Coder Agent,用它做了一个相当复杂的项目

    AI 可以帮你分析你的力量训练数据,给出非常详细且直观的训练报告,我教练看得都震惊了

    打破了我以前的认知,规划能力和多次修改的稳定性很突出。

    下面介绍一下他们这次更新的主要内容,以及我这个项目的构建过程👇

    -----------------------------------------------------

    首先是这次新增的一个模式叫 Solo Coder #ai创造营#

    相较于之前的 Solo Builder 模式,它的整个能力会更加的强大,非常适合这种复杂代码库的维护,支持智能任务的规划以及多 Agent 的协同进行并发工作。

    在创建新任务的时候就可以选择 Solo Coder 模式。

    选择完成之后可以发现,整个软件编程了三栏的交互设计:

    最左边是多任务列表,你可以看到每个任务目前的状态,它的任务是正在进行完成了,还是已经中断了。

    中间的就是主页面,就是你跟当前选择 Agent 的主要交互界面就在这里,你可以输入信息,然后看到 Agent 当前的执行细节。

    最右边就是一些不同的窗口的预览,它会根据当前的 Agent 进行的状态,切换不同的工具,帮你展示不同的信息。

    比如说当前是要预览网页的,就是浏览器。

    当前是要让你看这个编码的效果或者更改的效果的话,就是代码变更页面。如果说你是要看具体的代码,它就是具体的 IDE 的那个编辑器界面。

    包括它还支持实时跟踪,就能够当时自动的给你打开对应的页面进行预览。在右侧。

    Coder 模式的多 Agent 并发能力。

    你完全可以创建多个 Agent 窗口,让他们同时进行不同的任务。这样可以不同的 Agent 进行规划,一个进行操作,一个进行设计。

    我这里第一个就是用来让 AI 去优化它的交互和设计。让他查找一些交互设计存在的问题

    第二个就是分析项目的优化点,就是分析一些目前其他 Agent 写出来的代码存在的问题

    最后就是一个正常的正在迭代的写代码。

    而且多任务并发这里,你可以自己去创建新的 Agent。

    目前创建 Agent 的时候,那些表单你可以不用自己去填写了,你只需要大概描述一下需求,它会去帮你去创建 Agent 所需要填写的表单,你只需要稍微的微调就可以,这个自动生成的智能体图标也很有意思。

  2. 先是看了《高能量》的一期,峰瑞资本对萌友智能的投资对谈,然后又回顾着看了一下陈嘉映老师《解释鸿沟》纪录片里面人类在第一物性和第二物性之间的冲突

    先是看了《高能量》的一期,峰瑞资本对萌友智能的投资对谈,然后又回顾着看了一下陈嘉映老师《解释鸿沟》纪录片里面人类在第一物性和第二物性之间的冲突。

    不管是AI宠物也好,人形陪伴机器人也好,我们对机器人的主动移情完全超过了反思批判……

  3. 2025年11月,安卓创始人安迪·鲁宾在东京创办了一家机器人初创公司,目前该公司的名称、核心产品等细节尚未公开

    2025年11月,安卓创始人安迪·鲁宾在东京创办了一家机器人初创公司,目前该公司的名称、核心产品等细节尚未公开。
    他选择在日本创业有多重原因,鲁宾早有机器人情结,2013年负责谷歌机器人项目时就收购过日本东京大学团队创办的Schaft公司,积累了当地技术人脉与资源。日本机器人技术雄厚,应用场景成熟,是该领域的核心阵地,能为新公司提供技术参考和商业化试验场。且日本劳动力短缺,市场对机器人需求迫切,同时当地企业对机器人技术多做长期投入,这契合鲁宾强调的机器人项目需十年规划的长期研发与商业化思路。

  4. 看到《硅谷101》专访田渊栋,也就是上个月被Meta突然裁掉的大佬,说实际上在被裁之前就拿到别家的offer了

    看到《硅谷101》专访田渊栋,也就是上个月被Meta突然裁掉的大佬,说实际上在被裁之前就拿到别家的offer了。
    讨论的主要话题:

    关于离职与裁员: 田渊栋说,他实际上在被裁之前已经拿到了其他offer,并且已经向上司表达了不满,所以裁员只是加速了他的离开。

    AI自动化的趋势: 他认为AI领域的裁员是自动化大趋势的一部分。随着AI工具越来越强,重复性的工程执行工作会减少,而更多人会转向探索性研究和AI在垂直领域的应用(but,普通人哪有这么容易转型?)。

    开源模型的未来: 他认为开源会继续存在。一个模型是否有用是关键问题,而是否开源则取决于公司的战略和模型的具体用途。

    LLM的局限: 他觉得LLM是一个“很有意思的路线”,但不确定是否是“正确的路线” (毕竟是杨立昆的学生)。LLM最大的问题是需要海量数据,学习效率远低于人类。人类可以从极少样本中获得深刻见解,这是模型目前缺失的。

    强化学习(RL)的优势: 他认为强化学习最大的好处在于它是一种“主动学习”,能积极地影响数据分布。在推理等问题上,他认为RL优于SFT(监督微调),因为SFT可能只是在记忆过程,而非真正学会泛化。

    对Scaling Law的看法: 他称Scaling Law是一个“悲观的未来”,因为它依赖指数级增长的数据和资源,这是不可持续的。他认为行业需要寻找更高效的智能发展路径。

    在FAIR的遗憾与收获: 他最大的遗憾是自己没能做更多的工程工作,并指出当下最理想的是兼具顶尖研究和工程能力的人才。他最大的收获则是培养了“研究的品位”(research taste)。

    对AI开发者的建议: 他建议不要盲目追逐市场的热点,因为技术周期变化太快。更重要的是找到自己真正想做的事情,并结合对未来的判断。

    个人未来动向: 他尚未确定下一步,但他最理想的目标是能将前沿研究和工程应用结合起来。

  5. 我准备开始卷起来,体力和能量提升上来后,脑力必须也跟上:

    我准备开始卷起来,体力和能量提升上来后,脑力必须也跟上:

    Part 1. 增长:连载100个全球AI产品,拆解他们是如何做增长的(先文字更新,后期有必要会录制视频和音频,每天5小时起步

    Part 2. 交易:连载300天交易心理/宏观事件/行业研究/资金走向/实盘持仓(文字为主,每天4小时起步

    Part 3. 运动:更新运动数据截图/优化动作,每天2小时起步

    这里已经花去了整天时间🥹

  6. Yann LeCun离开Meta,

    Yann LeCun离开Meta,
    是扎克伯格这辈子做的最正确的决定。

    灵魂人物和绊脚石,
    有时候就是同一个人。

    LeCun是谁?
    纯粹的科学家,满脑子世界模型和底层智能理论,听着特别高大上。

    但你知道这意味着什么吗?
    意味着他打心眼里看不起现在这套"大力出奇迹"的玩法,什么堆算力、堆数据、撞大运式的AGI,在他眼里都是不入流的。

    这在学术上对不对?
    当然对,无比正确。

    但市场在乎这个吗?
    市场根本不在乎你对不对,市场只看你会不会讲故事。

    你看Sam Altman。
    他跟你聊技术细节了吗?
    没有。
    他给你看什么?
    Sora的震撼视频,GPT-5的想象空间,AGI的终极梦想。

    星辰大海啊朋友们!
    这就是叙事能力。

    再看LeCun的叙事是什么?
    "你们现在搞的都是错的,未来应该这样那样的。"

    一个是狂热的布道者,一个是冷静的批评家。
    你说投资人会相信谁?公众会追随谁?

    所以啊,只要LeCun还在,Meta AI就永远带着那股学术气。它会做出Llama这种优秀的开源模型,会赢得开发者的尊重,但注意啊,"尊重"这个词在资本市场是没有溢价的。

    在这场争夺"AI之王"的战争里,Meta永远差那么一口气。为什么?
    因为从ChatGPT爆发那一刻起,这就不再是技术竞赛了,这是技术、资本、营销、公众想象力的全面战争。

    扎克伯格明白这个道理吗?
    当然明白。
    但他需要LeCun这面旗帜稳定军心,吸引人才。

    可是如果,注意这个"如果",如果LeCun走了呢?
    性质就全变了。

    这等于什么?
    等于扎克伯格彻底甩掉了最后的思想包袱。
    他可以名正言顺地把Meta AI变成一个纯粹的、极具攻击性的商业机器。不再纠结开源还是闭源,不再纠结什么叫"真正的智能"。
    所有资源,一个目标:
    做出比GPT更强的模型,用最强势的方式砸向市场。

    Meta缺什么吗?
    算力有,数据有,人才有。
    它唯一缺的,就是一个抛弃所有顾忌的"野心"。

    LeCun的离开,就是这个野心被释放的发令枪。

    所以你说,LeCun走,到底是好事还是坏事?
    答案已经很明显了,对吧?

  7. 最近关于 AI 泡沫的讨论非常多,我画了两张图来表达我现在的想法

    最近关于 AI 泡沫的讨论非常多,我画了两张图来表达我现在的想法。

    图一:这波以 ChatGPT 为代表的 AI 革命开始后,很多人心中 AI的进展可能像灰色虚线一样,是一个持续指数增长的过程。但实际上,它可能更像是个类似阶跃函数的S曲线。我们现在正在进入已有范式的平台期,所以会看到虽然投入资源增大,但模型的能力提升速度开始放缓。而下一个范式是什么,什么时候能开始应用又很不确定。

    新范式出来的时候,会有一段高速增长,超越预期的过程。而下一个新的范式还没出来的时候,可能就会有一段低于预期的过程。我们现在对未来的很多判断分歧在于,下一个新范式什么时候出现,以及它会是什么。

    图二:但实际上,如果我们退后一步,AI的进步从更宏观的尺度来看,就是不断地由不同的S 曲线范式组合所驱动。每个范式都会经历从低估到高估,从革命到泡沫的过程,而这些范式变化合起来是真正的 Scaling law。

    对新技术短期高估长期低估的amara law大概率会再一次生效,历史不会简单重复,但往往押韵。短期要谨慎,长期要有信心和耐心。

    再补充一点,和互联网相比的话,互联网基于的底层技术没有大的变化,30年前的网站底层技术和30年后差别没有那么大,所以互联网泡沫更多的是一个建设周期带来的波动。而AI的技术变化剧烈得多,10年前的技术栈和现在很不一样,其实叠加了技术周期和建设周期,所以AI带来的预期波动可能会大得多/多得多。

  8. Gemini 3 这么猛吗,一个历史学家测试了 Gemini 3 Pro 破译历史文件

    Gemini 3 这么猛吗,一个历史学家测试了 Gemini 3 Pro 破译历史文件

    他能实现以前模型基本无法完成的历史文件信息破译和推理操作,这些手稿的字说实话没经过学习和训练根本不认识。#ai创造营##gemini3#

    在涉及他没见过的复杂手写字体表格的识别时候,Gemini 3 的表现已经优于受过训练的学生。

    LLM 的“预测式”本质让它在非常规拼写、姓名、地名、日期、金额等低概率元素上易错,而且历史文件里面标点、大小写、长 s(ſ)、度量单位等也高度含混。

    作者测试了50 份、约 1 万词的英文学术手写样本,涵盖多种书写体与成像条件,用于评估 CER/WER。

    到 Gemini‑2.5‑Pro,在严格计分下约 CER 4%、WER 11%;若排除标点与大小写错误,降至 CER 2%、WER 4%,已逼近专业人工。

    排除一些含混项后,新模型(Gemini 3)降至 CER 0.56%、WER 1.22%,接近或达到“专家人类水平”。与 Gemini‑2.5‑Pro 相比提升 50–70%。

    作者说它似乎跨越了某些专家长期以来认为当前模型无法逾越的界限。

    面对一个模糊的数字,它推断出缺失的语境,进行了在历史货币和重量体系之间的一系列多步换算,并得出了需要对文档所描述世界进行抽象推理的正确结论。换句话说,它的表现好像能够使用符号,尽管这些符号从未被明确定义。

    看起来发生的是一种新出现的、隐含的推理形式——在一个统计模型内部感知、记忆和逻辑的自发结合。

    详情:网页链接