著名的游戏杂谈老将 Sinbasara 最新的一期关于游戏里的 LGBT 内容的最后一段话写的很好，我想分享一下。

“只有把无聊当有趣的傻逼，才会希望破坏一切有趣的东西，才会希望世界呆板而对立，才会愿意把所有高于现实的精神追求重新拖回到最基础的正确。

游戏、电视、小说、音乐、社交媒体等等娱乐方式从来都只有一个目的，那就是把无聊闲散的时光变得有趣，而不是变得有意义。

假如每个人都要求自己看到的一切东西都有意义，那么所有人都会成为被规训的那种人，互相劝阻，互为藩篱，谁都无法成为一个真实自由的自己。

人类的性别可能有九十多种，但性格只有有趣和把无趣当有趣两种，而且彼此互斥，极端对比。我只是希望，最终被歧视和孤立的是后面那种傻逼。”

虽然是写游戏的但是对于所有内容产业都是通用的。

我之前在 NotebookLM 代表的模态互转生产内容的 AI 新交互范式中说过，评判这个能力是否成熟的唯一标准是是否可被消费。

其实用他这里提到的是否有趣更加合适一些。

内容消费者根本不关心你的人种、性别你制作的时候使用的工具，有没有使用 AI，他们只关心你的内容是否有趣。

昨天开始设计新产品
用 ideogram 和 figma 做了一套界面，效率超高
AI 生成的设计风格相当惊喜，审美绝对超过我的画图水平
用 figma 加工成可用界面
做完发给设计师朋友，得到一些反馈，再用 figma 改一改
齐活儿
创业团队可以省个设计师了

昨天设计好了产品界面。
今天把产品界面扔到 bolt new 里
它自动根据原型生成了代码写成的界面
还自动增加了很多有趣的小动画
比如
我在界面里画了一些星星
它实现的界面里，这些星星还会闪烁。。。

它写出来的app还是丑了一点，不能直接用，比较遗憾

AI社区正在流行的一个玩法，让ChatGPT基于和你的历史对话，画一个它想象中的你的生活画像，我的画像如图所示。

* Prompt - Based on what you know about me. Draw a picture of what you think my alter-egos life looks like

试试小米的 AI

脑海中有个概念：信息审美。

读书时代，随着阅读文字日渐增多，大脑对文字的感知分辨率也在提升，有点像品酒师能尝出各种葡萄酒的细微差别一样，有深厚阅读底蕴的人，也能感知到文字背后的韵味层次。

信息时代，信息过载，人类(可能)进化出适应信息社会的信息审美能力，每人拥有独属的信息偏好(不一定是离客观真相更近的)，这个偏好在某种程度上定义了「我是谁」这个根本性问题。

AI时代，人类会不会发展出对于AI文本的特殊审美感知能力？ 去ai味道，是一种审美， 那会不会有专门欣赏ai 味道的审美？ ai生成内容很快，会不会有专门的抵抗派审美，追求慢，追求深度思考？ 或者折中派，会不会有混合审美，人的思考结合ai生成，图文并茂，更上一层楼？

机器司机的数量超过了人类司机。智能革命浪潮里，机器对人的替代正在真切地发生，若干年后回望，这只是前奏而已。还是那句话，人们往往会高估未来2年内的变化，而低估未来10年的进步。摩尔定律的另一种解读就是，科技的半衰期正在以几何速度减少。

正在给周刊准备封面，最后选了这张

当下的ai，我感觉有两个利基市场，一个往下走，解决ai上手使用的问题(什么是ai，a场景有什么好用的x工具等等)。另一个往上走，解决之前人都搞不定(或不好搞)的问题。

当下ai圈的好多人，恰恰在这两者之间扑腾，既看不到(或看不上)前者的巨大套利时间窗口，也解决不了后者的难度。

ignoramus.

核心辐射学习法

这是我常用的一种学习和思考方法。

学习一项新知识，新技术的时候。如果直接面对一整个庞大的系统性知识，容易产生畏难心理、记忆负担、认知迷茫等问题，同时容易陷入知其然不知其所以然的地步。

为了让自己更快更深的理解掌握一项新知识，我会希望尽可能的抛弃掉所有的复杂性，先从最小核心出发，再慢慢掌握基础，然后实践，然后提升，然后拓展。

以 RAG为例 (个人不专业的回答，欢迎批评指正):

1. 最小核心: 知识 + 指令 构成的提示词。 最简单的做法就是我们读文献的时候，手动将知识复制粘贴给AI (人工检索知识)，然后要求AI 根据知识回答问题。

2. 基础层。人工检索效率低，所以最小核心的人工检索知识变为机器检索知识。
知识太多，无法一次输入，所以需要对知识进行分片，于是有了知识切片的各种方法。
为了检索的准，于是有了关键词检索，语义检索等技术。
为了进行语义检索，需要将文字转换为向量，所以有了转换的embedding 模型，要对这些向量操作，所以需要向量数据库。
机器将检索到的知识和指令结合构成提示词，引导模型生成回答。

3. 实践层。基本上使用上面这些就能构建一个小的rag系统，花时间实验，试错，调优。在优化的过程中发现更多问题，检索不准的问题，生成不理想的问题等等。

4. 提升层。为了优化检索效果，检索的时候使用各种混合方法，有些问题依赖的知识分布在多段内容中，因此使用多段内容。但是这些内容和问题直接的相关性等又有不同，希望筛选出最相关的，于是有了对检索得到的知识的排序，有了排序模型。为了进一步提升系统效果，使用更好的模型，更好的参数，对生成数据流优化，各个步骤上的参数测试优化等等。

5. 拓展层。进一步进行系统层面的优化，对系统稳定性，易用性，产品设计等方面优化。比如在实际使用过程中发现很多问题是重复的，这时候就可以构建缓存系统，第一次回答之后下次类似问题进来直接使用缓存的已有答案。

思考是这个核心辐射的逆过程，不断剔除掉外在的复杂性，观察事物是否成立，最后只保留下最小的不可去除的核心。

个人按这个思路，Agent 和 RAG 如果不断去除掉复杂性，最终保留到最小核心的话，可以回退到 prompt 的构造法。

抖音的AI图真是遥遥领先 几十秒出图

Suno V4 要来了，一定要听这个 Demo，太强了。

以后我想听音乐可能真会直接打开 Suno。

Liblib整挺大啊，上线PC客户端了。

可以一键在本地运行Web UI和Comfyui，而且还可以浏览线上的模型，直接从Liblib下载。

Krea AI 上线了 Lora 训练功能。

上传最少三张图片就可以训练，界面和交互非常精致和直观。

FLUX Lora训练真的很简单，但是一堆产品没有一个再体验和交互上下功夫的。

Krea 真的活该成功。

使用 EARLYBIRD 邀请码前100个人可以直接获得权限。

🌐 ChatGPT Search vs. Perplexity：突破语言边界的创新

经过一段时间的探索和观察， 发现两者都非常强大，不能说谁完全胜过了谁； 但站在普通用户视角，我意识到ChatGPT Search的易用性、入口性和实用价值体现了其一流产品的水准。

在截图的简易对比中，Hans 尝试了两者在上下文理解、来源可靠性以及LLM 推理等智能水平。 特别发现有一点，对于中文用户来说具有突破意义：

「即 ChatGPT Search 的搜索来源不会因为你是中文输入，就只使用中文来源。这点异常关键～」

综合来说，我之前在Perplexity一直使用英文输入的习惯会被进一步巩固，而ChatGPT Search + Chrome插件的用法，则重塑了一条全新的工作流。 我相信它正在改变新一代年轻用户的使用习惯，这是新开始。

欢迎分享你的ChatGPT Search使用心得和新发现～#AI的神奇用法

FurQfZMlIEps3xHbesAHQrB3JM5Gv3.png

1.1 MB

lg1WIrzxq7APKAqZ_mn4R9hHsld5v3.png

4.6 MB

FoKiZrGyfk1gdT4CbAjzYnZhPlkVv3.png

1.7 MB

lg3bQDFPHJ-umJ8MBYQwMz5HanrJv3.png

4.2 MB