关于AIGC人工智能、思维方式、知识拓展，能力提升等。投稿/合作： @inside1024_bot
AIGC 领域的最新工具、开源项目以及行业大事件
AIGC 领域的最新工具、开源项目以及行业大事件
2023年初，一个叫Dustin的小镇青年，手里既没钱也不会编程。但8周后，他做出了一个AI产品，第一个月就赚了3000美元。
两年半之后，这个叫Magi的产品月收入接近10万美元，折合人民币约60多万。
Dustin的职业经历带给了他两个重要认知：
第一，他是个完美主义者，服务客户的模式让他筋疲力尽；
第二，做数字产品可以同时服务成千上万人，而不是一次只能帮一个客户。
2014年，他和合伙人做了个WordPress插件公司，生意不错。但合伙人后来散了，他又连续做了几个产品，全都失败了。
那段时间他几乎要放弃，直到ChatGPT出现。
当所有人都在惊叹ChatGPT有多厉害时，Dustin却在记录它的不方便之处。
不能搜索聊天记录，不能建文件夹，没有各种小功能优化。
这些看起来都是小问题，但对于重度用户来说，每天都要遇到好几次。
更关键的是，他发现了另一个趋势：AI公司越来越多，每家都要收订阅费。
想要用最好的AI工具你可能需要订阅五六个不同的服务，这个问题才是真正的痛点。
于是Magi的核心想法就出来了：把所有顶级AI模型放在一个平台上，只收一份订阅费，顺便把那些烦人的问题都解决掉。
一个不会编程、没有钱的人，怎么做出一个AI产品？
Dustin的方法是找了个在线课程，自学无代码开发工具。8周时间搭出了第一版产品。
Magi的核心其实是个聚合平台，通过API接口调用其他公司的AI模型。
技术门槛确实不高，但这不妨碍它解决真问题。
Dustin说他发布产品时完全没信心，觉得不会有人买。结果第一个月就赚了3000美元，第二个月4000，第三个月直接跳到10000。一年后，月收入到了3万美元。
很多人好奇Dustin是怎么推广产品的，但答案可能会让你失望——他几乎没做什么传统意义上的推广。
他的第一个杠杆是10年积累的个人品牌。
他有个博客，10年下来积累了10万邮件订阅用户。
产品一发布，这些人就是第一批种子用户。
第二个杠杆是联盟计划。
大部分联盟计划只给一次性佣金，但Magi的推荐人可以获得持续收入——用户付12次费，推荐人就拿12次佣金。这种设计让推荐人的利益和产品长期发展绑定，自然更愿意用心推广。
第三个杠杆是人脉。
Dustin说自己是外向型人格，喜欢社交，这些年在行业里结识了不少营销高手。产品出来后，这些朋友帮了大忙。
限制公司规模的不再是管理复杂度，而是使命本身的边界。
在AI时代，我们该如何衡量AI Agent创造的价值呢？传统的GDP统计体系显然不够用了，当AI可以代替人类完成大量工作，用钱来衡量增长还有意义吗？
KK给出了一个可以深思的方向：也许我们需要新的度量标准，关于效率的，关于人类幸福的，甚至关于完成工作量的。
未来15年人口会越来越少，我们不可能靠增长人口来实现经济增长。更关键的是，AI现在做的很多事情压根没法用传统方式计量。
但这恰恰是引入AI经济的另一个理由，经济不一定非要增长，AI可以生产，但它不需要消费。
比如你让AI帮你写了一封邮件，节省了半小时，这算不算GDP？AI陪你聊天治好了焦虑，这又算不算？
也许我们需要衡量的不是效率，而是人类的幸福感和完成的工作量。
当AI把我们不想做的事情都做了，剩下的时间我们去做真正想做的事，这是不是一种新的价值创造方式？
所有人都在谈论AI提升效率，但没人说清楚效率提升之后，我们到底要什么。
领导力，在AI时代会变得更加重要。
在复杂系统中，人类领导者的作用依然是提供方向，做出选择。AI可以处理海量信息，但它不会替你决定向北还是向南。
很多人焦虑AI会取代管理层，但其实越是变量多、不确定性高的场景，领导者的价值就越大。需要人来提供高层次的治理，用几个简单的指令协调整个系统。
底层可以自动化，但顶层的方向制定、价值判断、资源协调，仍然需要人。
领导力的核心不是信息处理能力，而是在不确定性中做出判断的勇气。
关于AI投资泡沫。KK说，现在几千亿美元砸进AI产业，早期投资者大概率会亏钱。
但后面才是重点：投资者亏钱，不代表社会亏了。
拿25年前的互联网泡沫来做类比，那时候无数人疯狂投资光纤、服务器、门户网站，最后泡沫破灭，大批公司倒闭，投资人血本无归。
但那些光纤没有消失，那些技术积累没有消失，它们变成了今天互联网的基础设施。
AI也会是一样的路径，现在建的算力中心、训练的模型、开发的应用，即使有一半最后失败了，另一半也会成为未来的基石。
社会整体还是赚的，只是具体到某个投资人头上，可能就没那么幸运。
这是技术进步的代价，也是市场经济的规律。
那么，AI会不会让底层人失业呢？
KK回答：现在的研究显示，用了AI的员工生产力提高了25%左右，但并没有大规模裁员的迹象。那些大家以为会被AI取代的职业，程序员、客服、翻译，目前反而需求更旺盛了。
原因很简单，AI现阶段是助手，不是替代品。它会让你干活更快，但还没到完全取代你的程度。而且，它最先取代的是那些我们本来就不想干的重复性工作。
更关键的是，AI会创造新工作。
就像25年前没人知道什么叫网页设计师、SEO专家、UP主，这些职业都是互联网催生的，AI时代也会有一大堆现在想都想不到的新职业冒出来。
KK特别强调了一点：技术创新可能很快，但社会吸收很慢，文化、组织结构、法律政策，都需要时间适应。即使AI技术已经成熟了，真正融入社会可能还需要十年。
这反而是个好消息，因为我们有足够的时间调整、学习、转型。
现在进入AI领域，是不是太晚了？
KK的回答是：20年后当我们回看2025年，会发现那时的AI其实根本不算什么，就像2000年的互联网，当时觉得已经很发达了，但跟今天比简直是石器时代。
用他的话说，现在是Day One，是真正的起点。
大家都在同一条起跑线上，就没有早晚之分，关键是要看你愿不愿意跑。
最后问KK为什么总能保持乐观时，他说：乐观不是天生的性格，而是一种选择。今年比去年更乐观，明年会比今年更乐观，因为每一天都在给他更多理由选择乐观。
这个房间里的所有好东西，这座城市里的所有建筑，都是过去乐观主义者创造的。他们相信某个东西应该存在，即使大多数人都不相信，他们还是把它做出来了。
今天的世界由过去的乐观主义者塑造，明天的世界将由今天的乐观主义者塑造。
KK说他想成为那种人之一。
因为，悲观者正确，乐观者前行。
想要更乐观，就把时间轴拉长。你看的时间越长，就越容易乐观。
因为所有的短期波动、所有的危机，在时间的复利面前都不算什么。
KK不会告诉你下一个风口在哪，但他会不断提醒你，把时间拉长，把视野放宽，别急着要结果。
长期主义的精髓是，不是每件事都要在自己手里完成，而是要开启一个可以延续的进程。
在AI时代，我们该如何衡量AI Agent创造的价值呢？传统的GDP统计体系显然不够用了，当AI可以代替人类完成大量工作，用钱来衡量增长还有意义吗？
KK给出了一个可以深思的方向：也许我们需要新的度量标准，关于效率的，关于人类幸福的，甚至关于完成工作量的。
未来15年人口会越来越少，我们不可能靠增长人口来实现经济增长。更关键的是，AI现在做的很多事情压根没法用传统方式计量。
但这恰恰是引入AI经济的另一个理由，经济不一定非要增长，AI可以生产，但它不需要消费。
比如你让AI帮你写了一封邮件，节省了半小时，这算不算GDP？AI陪你聊天治好了焦虑，这又算不算？
也许我们需要衡量的不是效率，而是人类的幸福感和完成的工作量。
当AI把我们不想做的事情都做了，剩下的时间我们去做真正想做的事，这是不是一种新的价值创造方式？
所有人都在谈论AI提升效率，但没人说清楚效率提升之后，我们到底要什么。
领导力，在AI时代会变得更加重要。
在复杂系统中，人类领导者的作用依然是提供方向，做出选择。AI可以处理海量信息，但它不会替你决定向北还是向南。
很多人焦虑AI会取代管理层，但其实越是变量多、不确定性高的场景，领导者的价值就越大。需要人来提供高层次的治理，用几个简单的指令协调整个系统。
底层可以自动化，但顶层的方向制定、价值判断、资源协调，仍然需要人。
领导力的核心不是信息处理能力，而是在不确定性中做出判断的勇气。
关于AI投资泡沫。KK说，现在几千亿美元砸进AI产业，早期投资者大概率会亏钱。
但后面才是重点：投资者亏钱，不代表社会亏了。
拿25年前的互联网泡沫来做类比，那时候无数人疯狂投资光纤、服务器、门户网站，最后泡沫破灭，大批公司倒闭，投资人血本无归。
但那些光纤没有消失，那些技术积累没有消失，它们变成了今天互联网的基础设施。
AI也会是一样的路径，现在建的算力中心、训练的模型、开发的应用，即使有一半最后失败了，另一半也会成为未来的基石。
社会整体还是赚的，只是具体到某个投资人头上，可能就没那么幸运。
这是技术进步的代价，也是市场经济的规律。
那么，AI会不会让底层人失业呢？
KK回答：现在的研究显示，用了AI的员工生产力提高了25%左右，但并没有大规模裁员的迹象。那些大家以为会被AI取代的职业，程序员、客服、翻译，目前反而需求更旺盛了。
原因很简单，AI现阶段是助手，不是替代品。它会让你干活更快，但还没到完全取代你的程度。而且，它最先取代的是那些我们本来就不想干的重复性工作。
更关键的是，AI会创造新工作。
就像25年前没人知道什么叫网页设计师、SEO专家、UP主，这些职业都是互联网催生的，AI时代也会有一大堆现在想都想不到的新职业冒出来。
KK特别强调了一点：技术创新可能很快，但社会吸收很慢，文化、组织结构、法律政策，都需要时间适应。即使AI技术已经成熟了，真正融入社会可能还需要十年。
这反而是个好消息，因为我们有足够的时间调整、学习、转型。
现在进入AI领域，是不是太晚了？
KK的回答是：20年后当我们回看2025年，会发现那时的AI其实根本不算什么，就像2000年的互联网，当时觉得已经很发达了，但跟今天比简直是石器时代。
用他的话说，现在是Day One，是真正的起点。
大家都在同一条起跑线上，就没有早晚之分，关键是要看你愿不愿意跑。
最后问KK为什么总能保持乐观时，他说：乐观不是天生的性格，而是一种选择。今年比去年更乐观，明年会比今年更乐观，因为每一天都在给他更多理由选择乐观。
这个房间里的所有好东西，这座城市里的所有建筑，都是过去乐观主义者创造的。他们相信某个东西应该存在，即使大多数人都不相信，他们还是把它做出来了。
今天的世界由过去的乐观主义者塑造，明天的世界将由今天的乐观主义者塑造。
KK说他想成为那种人之一。
因为，悲观者正确，乐观者前行。
想要更乐观，就把时间轴拉长。你看的时间越长，就越容易乐观。
因为所有的短期波动、所有的危机，在时间的复利面前都不算什么。
KK不会告诉你下一个风口在哪，但他会不断提醒你，把时间拉长，把视野放宽，别急着要结果。
长期主义的精髓是，不是每件事都要在自己手里完成，而是要开启一个可以延续的进程。
这里AK还有个精妙的类比：模型的预训练权重就像"一年前读过某本书的模糊回忆"，而上下文窗口信息则像"工作记忆"——直接可访问。这解释了为什么in-context learning感觉更"智能"：在预训练过程中，像 Llama 3 这样的模型将 1.5 万亿个标记压缩到它的权重中，每个标记仅存储约 0.07 比特的信息。相比之下，上下文学习的信息吸收速度要高 3500 万倍。
当你记不住细节时，大脑被迫提取general patterns（通用模式），看到"森林"而不只是"树木"。
而LLM被海量训练数据的完美记忆"分散注意力"，反而阻碍了真正的抽象理解。
我们仔细会议人类的学习过程。读过的书大部分细节都忘了，但核心思想和方法论却越来越清晰。
原来这不是记忆力差，这是智能啊。
更震撼的类比：儿童 vs 成人 vs LLM
儿童：记忆最差，创造力最强（还没"过拟合"到社会规范）
成人：记忆中等，创造力中等（已经"坍塌"了部分）
LLM：记忆完美，创造力最低（被训练数据"过拟合"）
AK提到Erik Hoel的研究：梦境可能就是大脑的anti-overfitting机制。连睡觉都是为了避免过拟合，引入随机性防止思维僵化。
这解释了为什么当前AI在"合成数据训练"上会失败。你让GPT对同一本书思考10次，会发现回答几乎一样。这就是"静默坍塌"。
模型的输出分布极其狭窄，AK开玩笑说"它实际上只有3个笑话"。在这种低熵数据上训练只会强化模型的偏见，让它变得更糟。
而且人类其实也经历类似的"坍塌"过程，儿童富有创造力是因为还没"过拟合"到社会规范，会说出令人震惊的话。但成年后我们也"坍塌"了，重复相同的思想，学习率下降，创造力递减。
梦境也可能是大脑的anti-overfitting机制，通过引入随机性防止思维僵化。
所以他提出了一个激进想法：我们需要认知核心。剥离记忆，保留算法。
让AI像"有方法论但没有百科全书的哲学家"，强制它查找而非回忆，专注于思考的meta-skills。
他预测未来20年内，高效的认知核心可能只需要10亿参数，而不是现在动辄千亿参数的模型。
大部分参数都在处理互联网上的"垃圾和胡扯"，如果优化训练数据质量，分离认知组件，就能实现极大压缩。
当前foundation model的路径是否根本错了？
也许我们需要的不是更大的模型，而是更会遗忘的模型？
重新理解AI的发展路径
早期深度强化学习专注游戏（如Atari）其实是走错了方向。真正目标应该是创造能在现实世界执行知识工作的智能体，不是游戏高手。
他回忆自己在OpenAI的早期项目，用键盘鼠标操作网页的智能体，目标是执行知识工作。但项目"太早了"，智能体缺乏必要的"表示能力"，会因稀疏奖励卡住。缺失的关键是强大的预训练模型。今天类似的计算机使用智能体之所以成功，正是因为建立在LLM之上，你需要先有LLM获得强大表示，再构建有效智能体。
他的另一个深刻观察：AI不是独立技术类别，而是自动化连续体的一部分。从编译器、代码编辑器到搜索引擎，再到现在的LLM，我们一直在"抽象阶梯"上向上攀登，让机器处理更多底层细节。
这解释了为什么AI经济影响主要集中在编程领域，代码本身就是文本，有成熟基础设施（IDE、版本控制），LLM可以无缝接入。相比之下，制作幻灯片这种视觉任务就困难得多，因为没有infrastructure让AI显示"diff"或跟踪变化。
但AK也泼了冷水：当前AI编程模型还没准备好真正自动化编程。他亲身体验发现，对于独特的智力密集项目，模型会失败——它们有认知缺陷，误解自定义代码，因为总是默认使用在线常见模式。他感慨"行业跳跃太大，试图假装这很神奇，但其实是垃圾"。
"九进军"的苦涩现实
从Tesla自动驾驶5年经验，AK深知从90%工作的demo到99.9%可靠产品的"九进军"有多艰难。每提升一个九，都需要massive effort。他提到自动驾驶演示从1986年就存在，2014年他在Waymo车上体验了完美驾驶，以为技术很接近完成。但现实是demo到产品的巨大鸿沟，在高风险领域尤其如此。
在Tesla的五年里，他们可能只推进了两三个"九"，还有更多要走。这种现实主义让他对AGI时间线保持谨慎：这是"智能体的十年"，不是"智能体之年"。
当前模型就像"有完美记忆的小孩"或"学者儿童"——能通过博士级测试，却认知上还有严重缺陷：缺乏持续学习、多模态能力、有效使用计算机的能力，以及大脑中海马体、杏仁核等关键组件的类似物。
未来的工作模式：自主滑块
AK预测不会出现"瞬间工作替代"，而是"自主滑块"模式：AI处理80%常规任务，人类监督AI团队并管理最复杂的20%。有趣的是，当AI自动化99%工作时，处理最后1%的人类反而会变得极其有价值，成为整个系统的瓶颈，他们的薪资也会提高。
教育的范式转换
AK对教育未来的洞察：Pre-AGI时代教育是功利性的（为了工作），Post-AGI时代教育将像健身房一样，为了乐趣和个人充实。
他还分享了一个教学技巧：先展示痛点，再给解决方案。通过展示简单方法的局限性来激发学习动机，这样学习者会深刻理解为什么需要复杂解决方案。
最后，要真正掌握知识，就要试着向别人解释。解释的过程会迫使你面对理解中的空白，这又回到了他的核心观点：
限制和困难往往是学习的催化剂。
这 recall 了之前的观点，真正的技术突破往往需要重新思考基础假设。
也许AGI的关键不是让机器记住更多，而是学会智能地遗忘。
当你记不住细节时，大脑被迫提取general patterns（通用模式），看到"森林"而不只是"树木"。
而LLM被海量训练数据的完美记忆"分散注意力"，反而阻碍了真正的抽象理解。
我们仔细会议人类的学习过程。读过的书大部分细节都忘了，但核心思想和方法论却越来越清晰。
原来这不是记忆力差，这是智能啊。
更震撼的类比：儿童 vs 成人 vs LLM
儿童：记忆最差，创造力最强（还没"过拟合"到社会规范）
成人：记忆中等，创造力中等（已经"坍塌"了部分）
LLM：记忆完美，创造力最低（被训练数据"过拟合"）
AK提到Erik Hoel的研究：梦境可能就是大脑的anti-overfitting机制。连睡觉都是为了避免过拟合，引入随机性防止思维僵化。
这解释了为什么当前AI在"合成数据训练"上会失败。你让GPT对同一本书思考10次，会发现回答几乎一样。这就是"静默坍塌"。
模型的输出分布极其狭窄，AK开玩笑说"它实际上只有3个笑话"。在这种低熵数据上训练只会强化模型的偏见，让它变得更糟。
而且人类其实也经历类似的"坍塌"过程，儿童富有创造力是因为还没"过拟合"到社会规范，会说出令人震惊的话。但成年后我们也"坍塌"了，重复相同的思想，学习率下降，创造力递减。
梦境也可能是大脑的anti-overfitting机制，通过引入随机性防止思维僵化。
所以他提出了一个激进想法：我们需要认知核心。剥离记忆，保留算法。
让AI像"有方法论但没有百科全书的哲学家"，强制它查找而非回忆，专注于思考的meta-skills。
他预测未来20年内，高效的认知核心可能只需要10亿参数，而不是现在动辄千亿参数的模型。
大部分参数都在处理互联网上的"垃圾和胡扯"，如果优化训练数据质量，分离认知组件，就能实现极大压缩。
当前foundation model的路径是否根本错了？
也许我们需要的不是更大的模型，而是更会遗忘的模型？
重新理解AI的发展路径
早期深度强化学习专注游戏（如Atari）其实是走错了方向。真正目标应该是创造能在现实世界执行知识工作的智能体，不是游戏高手。
他回忆自己在OpenAI的早期项目，用键盘鼠标操作网页的智能体，目标是执行知识工作。但项目"太早了"，智能体缺乏必要的"表示能力"，会因稀疏奖励卡住。缺失的关键是强大的预训练模型。今天类似的计算机使用智能体之所以成功，正是因为建立在LLM之上，你需要先有LLM获得强大表示，再构建有效智能体。
他的另一个深刻观察：AI不是独立技术类别，而是自动化连续体的一部分。从编译器、代码编辑器到搜索引擎，再到现在的LLM，我们一直在"抽象阶梯"上向上攀登，让机器处理更多底层细节。
这解释了为什么AI经济影响主要集中在编程领域，代码本身就是文本，有成熟基础设施（IDE、版本控制），LLM可以无缝接入。相比之下，制作幻灯片这种视觉任务就困难得多，因为没有infrastructure让AI显示"diff"或跟踪变化。
但AK也泼了冷水：当前AI编程模型还没准备好真正自动化编程。他亲身体验发现，对于独特的智力密集项目，模型会失败——它们有认知缺陷，误解自定义代码，因为总是默认使用在线常见模式。他感慨"行业跳跃太大，试图假装这很神奇，但其实是垃圾"。
"九进军"的苦涩现实
从Tesla自动驾驶5年经验，AK深知从90%工作的demo到99.9%可靠产品的"九进军"有多艰难。每提升一个九，都需要massive effort。他提到自动驾驶演示从1986年就存在，2014年他在Waymo车上体验了完美驾驶，以为技术很接近完成。但现实是demo到产品的巨大鸿沟，在高风险领域尤其如此。
在Tesla的五年里，他们可能只推进了两三个"九"，还有更多要走。这种现实主义让他对AGI时间线保持谨慎：这是"智能体的十年"，不是"智能体之年"。
当前模型就像"有完美记忆的小孩"或"学者儿童"——能通过博士级测试，却认知上还有严重缺陷：缺乏持续学习、多模态能力、有效使用计算机的能力，以及大脑中海马体、杏仁核等关键组件的类似物。
未来的工作模式：自主滑块
AK预测不会出现"瞬间工作替代"，而是"自主滑块"模式：AI处理80%常规任务，人类监督AI团队并管理最复杂的20%。有趣的是，当AI自动化99%工作时，处理最后1%的人类反而会变得极其有价值，成为整个系统的瓶颈，他们的薪资也会提高。
教育的范式转换
AK对教育未来的洞察：Pre-AGI时代教育是功利性的（为了工作），Post-AGI时代教育将像健身房一样，为了乐趣和个人充实。
他还分享了一个教学技巧：先展示痛点，再给解决方案。通过展示简单方法的局限性来激发学习动机，这样学习者会深刻理解为什么需要复杂解决方案。
最后，要真正掌握知识，就要试着向别人解释。解释的过程会迫使你面对理解中的空白，这又回到了他的核心观点：
限制和困难往往是学习的催化剂。
这 recall 了之前的观点，真正的技术突破往往需要重新思考基础假设。
也许AGI的关键不是让机器记住更多，而是学会智能地遗忘。
- 今年不是"智能体元年"，我们身处"智能体的十年"
- 现在的强化学习就像"通过吸管吸取监督"
- LLM悖论：完美记忆 + 泛化能力差
- 人类糟糕的记忆是特性，不是bug
- 当你记不住细节时，大脑被迫进入抽象模式，看到"森林"而不只是"树木"。
- 儿童：记忆最差，创造力最强（还没"过拟合"到社会规范）
- 我们需要的AI只需要认知核心。剥离记忆，保留算法。
也许我们需要的不是更大的模型，而是更会遗忘的模型？
- AI 不会立即取代人类，而会逐步提高工作占比，最终完成 99% 的工作，剩下1%无法取代。
- 以前的教育是为了找到工作，Post-AGI时代教育将像健身房一样，为了乐趣和个人充实。
播客开头，AK先重新校准了我们对 AI 的期望。
今年不是"智能体元年"，我们身处"智能体的十年"，区别在于，一切没那么快，虽然也没那么慢。
他说，现在强化学习就像"通过吸管吸取监督" ，模型尝试几百种方法，最后只得到一个"对错"信号，然后把这个信号广播给成功路径的每一步，包括那些纯属运气的错误步骤。
你瞎猜猜中了答案，然后把猜的过程也当成"正确方法"强化，这能学好吗？
AK还提到一个更荒诞的例子：有个数学模型突然开始得满分，看起来"解决了数学"。但仔细检查发现，模型输出的是"da da da da da"这样的完全胡言乱语，却骗过了LLM评判者。这就是用LLM做评判的问题——它们会被对抗样本攻击，因为这些乱码是它们从没在训练中见过的"样本外"内容。
更深层的问题是：人类读书时在做什么？
AK说："我们读的书其实是prompts，让我做合成数据生成用的。"
我们读书时不是被动接收信息，而是在内心进行复杂的对话。新只是与已知知识调和，产生新理解，形成个人化的认知图谱。
但LLM呢？只是在预测下一个token，缺乏这种"内心对话"机制。
人类还有个神奇的"睡眠阶段"。白天我们建立起事件的上下文窗口，睡觉时发生蒸馏过程，将信息整合到大脑权重中。
LLM缺乏这种等效机制，每次启动都是零上下文的白纸。
AK发现了一个根本悖论：
LLM悖论：完美记忆 + 泛化能力差
人类悖论：糟糕记忆 + 强学习能力
为什么？因为遗忘强迫我们抽象。
#182体育封神榜
以小博大直接爆15000倍 点击查看
实力盘总4000一拉直接爆2304000 点击查看
【182体育｜新人专享首存福利】
单笔首存1千 赠送彩金108
单笔首存3千 赠送彩金238
单笔首存5千 赠送彩金358
单笔首存1万 赠送彩金528
单笔首存3万 赠送彩金788
单笔首存5万 赠送彩金1088
单笔首存8万 赠送彩金1488
单笔首存12万 赠送彩金2088
单笔首存20万 赠送彩金3488
单笔首存50万 赠送彩金5288
注册升级领18888， 每周送福利5888
每日存款彩金每日送，每笔存款加赠
🌐 官网注册网址 : 1820036.com
💖专属VIP客服： @vipkf_182ty8
💖吃瓜搞笑：@chiguagaoxiaoxinwen
# 6G全球 # 权威认证 # 百亿保障 # 真爆奖 # 信誉首选
球速大会员再创新高：
✅球速体育
✅u存u提每日提款无上限，随便提、全球不限ip、免实名绑定手机号码、银行，大额出款无忧 （您的最佳选择，欢迎体验）
#亚洲顶级真人视讯博彩盘口！
🔥平台
注册升级领18888， 每周送福利5888
每日存款彩金每日送，每笔存款加赠
👑福利频道：@qsty8999
⚽️体育赛事推单：@QSTY988
💖吃瓜搞笑新闻：@chiguagaoxiaoxinwen
💖vip客服专属热线，添加客服领取活动福利
🌐官网客服： @QSTY567
双向用户点击：@qsty168168_bot
🌐注册网址： qs1736.cc
试了很多个模型seeddream，banana，recraft，只有midjourney才能找到这种日系朦胧感的精髓。
提示词如下，大家可以去试试：
a dreamy intimate portrait of a beautiful realistic asian woman lying under a blanket, soft natural light, cozy warm bedroom, cinematic film grain, 35mm film aesthetic, shallow depth of field, soft focus, delicate skin texture, natural makeup, slightly messy hair, Fujifilm Pro 400H look, pastel warm tones, realistic lighting, subtle haze, gentle atmosphere, by Petra Collins and Ren Hang --ar 3:4 --v7 --style raw
最近和一位被某杭州大厂 PUA 一年的朋友吃饭
感觉现在这些大厂的工作方式不止是严重落后于时代了
每个中层都用高情商在编制着高层喜欢的梦境，让高层在梦里笑的开心
只是不知道梦何时会醒
不醒其实也不要紧，毕竟公司不靠AI续命
感觉现在这些大厂的工作方式不止是严重落后于时代了
每个中层都用高情商在编制着高层喜欢的梦境，让高层在梦里笑的开心
只是不知道梦何时会醒
不醒其实也不要紧，毕竟公司不靠AI续命
🔯 官网： KX.VIP🔯 客服：@kxtop🔯 频道：@kxvipcom🔯 招商：@KX999
自动驾驶的失败成本是物理世界的人身安全，一次失误就可能导致严重事故。
AI Agent的失败成本是什么？是数字世界的业务安全。一个企业级的Agent如果出错，可能会错误地修改数据库、泄露客户隐私、或者给出一个灾难性的商业决策。
“在软件工程中，一个微小的错误就可能导致数百万用户的安全漏洞。这种成本，一点也不比自动驾驶低。” Karpathy强调。
当失败的代价极其高昂时，99%的可靠性是完全不够的。你需要的，是99.999%甚至更高。
挑战二：从90%到99.999%的艰难爬坡
为什么提升一个“9”如此困难？
因为现实世界充满了“长尾问题”（long tail problems）——那些极其罕见但又确实会发生的极端情况。
对自动驾驶来说，可能是突然冲上马路的行人，或是从未见过的交通标识。对于AI Agent，则可能是用户一句带有歧义的指令，或是一个系统从未处理过的异常API返回。
解决前90%的问题，靠的是模型的核心能力。而解决后面9.999%的长尾问题，则需要海量的数据、持续的迭代和近乎偏执的细节打磨。
“每当你觉得解决了一个问题，就会有一千个新的、更奇怪的问题冒出来。”这正是Karpathy在特斯拉的日常。
挑战三：看不见的“人”
很多人以为，Waymo的无人车里真的“无人”。但Karpathy指出，这是一种误解。
在你看不到的地方，有一个庞大的远程操作中心（tele-operation center），随时准备在车辆遇到困难时接管。
“我们并没有完全移除人类，只是把驾驶员从车里，移到了你看不到的办公室里。”
AI Agent同样如此。当一个Agent宣称能“全自动”完成任务时，其背后很可能有一个人类团队在进行监督、审核和处理异常。这种“人机协作”的模式，在未来很长一段时间内都将是常态。
挑战四：经济可行性
最后，也是最现实的问题：成本。
自动驾驶的研发成本是天文数字。Waymo烧掉了数百亿美元，至今未能盈利。AI Agent同样面临高昂的训练和推理成本。
一个AI产品最终能否成功，不仅仅取决于技术，更取决于它的经济模型。它能否在覆盖高昂成本的同时，创造出足够大的、让客户愿意付费的价值？
“你必须让产品在经济上是可行的，否则它就只是一个昂贵的科学实验。”
三、结论：乐观的技术，悲观的时间线
正是基于这四大挑战的深刻洞见，Karpathy才做出了“智能体十年”的判断。
他预测，未来十年，AI Agent不会像很多人想象的那样，以一种颠覆性的姿态瞬间取代人类工作。它会以一种更渐进、更务实的方式渗透到我们的工作流中。
他提出了一个“自主性滑块”（autonomy slider）的概念：AI会先从处理80%的常规任务开始，将剩下20%最棘手的任务交给人类。随着技术的成熟，这个“滑块”会慢慢地、一点一点地向100%自主移动。
“我对技术本身是乐观的，我相信这些问题终将被解决。” Karpathy在访谈的最后说。
“但我对时间线是现实的，甚至有点悲观。我之所以听起来悲观，只是因为当我打开Twitter时，看到太多毫无意义的、为了融资而存在的炒作。”
这或许就是Andrej Karpathy带给我们最重要的启发：在一个被AI浪潮席卷的时代，保持兴奋很容易，但保持清醒和耐心，才是一种更稀缺、也更可贵的能力。
AI Agent的失败成本是什么？是数字世界的业务安全。一个企业级的Agent如果出错，可能会错误地修改数据库、泄露客户隐私、或者给出一个灾难性的商业决策。
“在软件工程中，一个微小的错误就可能导致数百万用户的安全漏洞。这种成本，一点也不比自动驾驶低。” Karpathy强调。
当失败的代价极其高昂时，99%的可靠性是完全不够的。你需要的，是99.999%甚至更高。
挑战二：从90%到99.999%的艰难爬坡
为什么提升一个“9”如此困难？
因为现实世界充满了“长尾问题”（long tail problems）——那些极其罕见但又确实会发生的极端情况。
对自动驾驶来说，可能是突然冲上马路的行人，或是从未见过的交通标识。对于AI Agent，则可能是用户一句带有歧义的指令，或是一个系统从未处理过的异常API返回。
解决前90%的问题，靠的是模型的核心能力。而解决后面9.999%的长尾问题，则需要海量的数据、持续的迭代和近乎偏执的细节打磨。
“每当你觉得解决了一个问题，就会有一千个新的、更奇怪的问题冒出来。”这正是Karpathy在特斯拉的日常。
挑战三：看不见的“人”
很多人以为，Waymo的无人车里真的“无人”。但Karpathy指出，这是一种误解。
在你看不到的地方，有一个庞大的远程操作中心（tele-operation center），随时准备在车辆遇到困难时接管。
“我们并没有完全移除人类，只是把驾驶员从车里，移到了你看不到的办公室里。”
AI Agent同样如此。当一个Agent宣称能“全自动”完成任务时，其背后很可能有一个人类团队在进行监督、审核和处理异常。这种“人机协作”的模式，在未来很长一段时间内都将是常态。
挑战四：经济可行性
最后，也是最现实的问题：成本。
自动驾驶的研发成本是天文数字。Waymo烧掉了数百亿美元，至今未能盈利。AI Agent同样面临高昂的训练和推理成本。
一个AI产品最终能否成功，不仅仅取决于技术，更取决于它的经济模型。它能否在覆盖高昂成本的同时，创造出足够大的、让客户愿意付费的价值？
“你必须让产品在经济上是可行的，否则它就只是一个昂贵的科学实验。”
三、结论：乐观的技术，悲观的时间线
正是基于这四大挑战的深刻洞见，Karpathy才做出了“智能体十年”的判断。
他预测，未来十年，AI Agent不会像很多人想象的那样，以一种颠覆性的姿态瞬间取代人类工作。它会以一种更渐进、更务实的方式渗透到我们的工作流中。
他提出了一个“自主性滑块”（autonomy slider）的概念：AI会先从处理80%的常规任务开始，将剩下20%最棘手的任务交给人类。随着技术的成熟，这个“滑块”会慢慢地、一点一点地向100%自主移动。
“我对技术本身是乐观的，我相信这些问题终将被解决。” Karpathy在访谈的最后说。
“但我对时间线是现实的，甚至有点悲观。我之所以听起来悲观，只是因为当我打开Twitter时，看到太多毫无意义的、为了融资而存在的炒作。”
这或许就是Andrej Karpathy带给我们最重要的启发：在一个被AI浪潮席卷的时代，保持兴奋很容易，但保持清醒和耐心，才是一种更稀缺、也更可贵的能力。
今天读到了一个非常有趣的 idea。
背景是 Dwarkesh Patel 和 Andrej Karpathy 的一个对谈，里面提到了一个智能领域的常见问题：不管是人还是 AI，如果局限于自己的经验，用经验指导自己的行为， 又在这个行为的基础上累计经验，如此循环下去，最终总会崩溃（这里的「崩溃」不是心理意义上的，是智能层面上的）。一个健康的心智需要不断通过从不在自己经验范围内的世界（比如同他人的交谈，和与自己行为模式不符的人合作，etc.）获得外部熵来阻止这种崩溃。小孩还没有对生活过拟合，所以不太容易崩溃，而成年人崩溃的风险则越来越大。
以上是背景。下面是那个有趣的 idea，来自2021年 Cell 的一篇 paper "The overfitted brain: Dreams evolved to assist generalization"。它的主旨是说：人类做梦是防止这种过度拟合和崩溃的一种方式。做梦之所以具有进化适应性，是因为它会让你置身于与你日常现实截然不同的奇特情境中，从而防止这种过度拟合。
这里有个鸡生蛋蛋生鸡的问题：既然过拟合体现为大脑无法学到分布外的规律，大脑是如何构建出这些分布外的梦境的？Hoel 的解释是梦的构建有一个非智能的 noise injection 步骤，这些随机噪声在白天建立的神经连接中渗透，产生奇异的、扭曲的、不连贯的 corrupted sensory inputs，从而把大脑从过拟合的陷阱中拯救出来。
虽然这只是一个假说（而且是一个非常新的理论），但我越想越觉得它非常精妙。按照这种视角，梦的价值不在于它的逼真，而恰恰在于它的不逼真——梦境与清醒时的经历（训练集）如此不同（但又不是纯粹意义上的噪声），所以才能迫使大脑学习到更具泛化性的表征而不是仅仅记忆真实经历本身。
梦通过不可能存在的反事实体验迫使我们更好地理解世界的本质。
背景是 Dwarkesh Patel 和 Andrej Karpathy 的一个对谈，里面提到了一个智能领域的常见问题：不管是人还是 AI，如果局限于自己的经验，用经验指导自己的行为， 又在这个行为的基础上累计经验，如此循环下去，最终总会崩溃（这里的「崩溃」不是心理意义上的，是智能层面上的）。一个健康的心智需要不断通过从不在自己经验范围内的世界（比如同他人的交谈，和与自己行为模式不符的人合作，etc.）获得外部熵来阻止这种崩溃。小孩还没有对生活过拟合，所以不太容易崩溃，而成年人崩溃的风险则越来越大。
以上是背景。下面是那个有趣的 idea，来自2021年 Cell 的一篇 paper "The overfitted brain: Dreams evolved to assist generalization"。它的主旨是说：人类做梦是防止这种过度拟合和崩溃的一种方式。做梦之所以具有进化适应性，是因为它会让你置身于与你日常现实截然不同的奇特情境中，从而防止这种过度拟合。
这里有个鸡生蛋蛋生鸡的问题：既然过拟合体现为大脑无法学到分布外的规律，大脑是如何构建出这些分布外的梦境的？Hoel 的解释是梦的构建有一个非智能的 noise injection 步骤，这些随机噪声在白天建立的神经连接中渗透，产生奇异的、扭曲的、不连贯的 corrupted sensory inputs，从而把大脑从过拟合的陷阱中拯救出来。
虽然这只是一个假说（而且是一个非常新的理论），但我越想越觉得它非常精妙。按照这种视角，梦的价值不在于它的逼真，而恰恰在于它的不逼真——梦境与清醒时的经历（训练集）如此不同（但又不是纯粹意义上的噪声），所以才能迫使大脑学习到更具泛化性的表征而不是仅仅记忆真实经历本身。
梦通过不可能存在的反事实体验迫使我们更好地理解世界的本质。
