AI探索指南
- Vibe Coding 的配件到了
- 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？ 
- 我以前不知道人形机器人的归宿是什么，但是我现在知道了。
- 人类的本质是四个字
用脚投票
用脚，而不是用脑
所以看沙雕漫，就像把脑子寄存起来
懒得用脑子，懒得用手划
脚站在那里就可以了 - 看了一篇uber 在内部通过 agent 来做业务数据检索的实践，是很标准的 agent 逻辑，值得参考，如果你在产品里还没找到 AI 落地的方式，那么可以做一些内部提效的实践，积累经验
《Uber 如何构建用于财务分析的对话式 AI 助手：让查数据像给同事发消息一样简单》https://ybzavo65ti.feishu.cn/wiki/SMRLwGE0eiWSfqkmnB8cGCFjn8f?from=from_copylink
如果想查一些业务数据，要么自己去找风神/灯塔之类的数据后台，要么找数据分析师跑 sql，响应比较慢。于是 uber 做了一个对话式数据助手，在 slack 问 agent 数据问题，agent 直接回复，让数据检索如同向同事发送消息般简单。
就像老板半夜问我一个数，如果周报里没有现成的，我就要看遍数据集，甚至求DS 帮我跑 sql，然后给老板一个直接、清晰、简洁的答案。
几年前我和DS 说，能不能以后出来一个人工智能，老板想看什么数据，它就从数据库里跑出来，不要老是找我。DS 对我说，你不就是老板现成的人工智能吗...
在字节的时候，风神里也有输入自然语言，然后AI 帮我写 sql，但是发现实际用处不大，那些字段、口径，你都不知道水有多深，最终还是要靠 DS。在字节头一年，我学会了数据分析，后两年，我学会了口径分析。
这里总结一下 uber 的跑数 agent 的核心逻辑，我真希望各个公司都有这样的基建，让跑数不再反人性。
1. multi-agent 架构
主 agent做意图识别和分流，子 agent 处理对应的具体任务，比如写 sql。
关于走 multi 还是 single，我觉得 uber 的场景走 multi 是合理的，因为每个 sub 的任务都比较独立且复杂，在 sub之间的传递信息也都比较明确，而很多业务场景其实用不到 multi架构，直接 single 就可以了。
2. 数据处理
最难的是数据源，因为不同数据集的字段都不一样，以及员工的自然语言的术语和数据集的字段名也不一样。如果直接把海量原始数据给 LLM，肯定是跑不出来靠谱的数。有两个关键方法
1）统一不同数据集的字段：不是直接在包含大量连接的复杂数据库上运行查询，而是做了一个精心策划的、单一表格的数据集市 (curated, single-table data marts) ，作用是为 Finch 提供一个高速、高清晰度、预先整理好的数据源。数据治理一直是难题，是 DS 的泪，一般人都不敢主动碰。我不确定 uber 是否真的解决了这个问题。
2）统一自然语言和字段名的映射：通过OpenSearch 来存储元数据。这些元数据包含了字段（列名）及其值对应的自然语言别名。这个持续维护也是比较难的。
3. 效果测评：
比较标准化，其实就是把环节拆分，分别用有标准答案的 case 来测评，最后端到端再验证。
1）路由准确性：当用户提出问题时，主 agent需判定应由哪个子agent处理请求。
2）子 agent 准确度：建一组常见用例，有正确可信的标准答案。通过将agent输出与预期答案比对，能及时发现准确率下降的情况。
3）端到端验证：通过模拟真实场景的查询来确保从输入到输出的完整流程正常运行。这有助于发现组件单独测试时可能遗漏的系统性问题 - 听yuri讲话有种听@请你饭票的小明同学 讲播客的错觉。
不对不对，小明的播客更温柔。 - AI 时代，还倡导加班的公司，不值得加入。
- 有了 Gemini Nano Banana 这么久之后海马体和天真蓝竟然还没有倒闭足以说明市场不是有效的。
- 【佐伊】听👉武大郎的绝唱
昨天的恐怖片演绎了现代版真实的你死我活的惊悚。
今天把镜头拉回来，听一听武大郎临终前的绝唱，不得不说：大郎啊，如果你当初有这样的才华，那潘金莲怎么能出轨呢？
现在的AI是真强大，药下得也猛，这歌西门庆听了，应该退避三舍。
有道是：红烛下的海誓山盟，都是虚谎。
最后只有一句：大郎喝药了，然后流下一滴出卖的泪。
听一首歌：《出卖》Media is too bigVIEW IN TELEGRAM - 抖音的ai还是很权威的
- 推特和作品就是你最好的简历
原来在 Replicate 干的 fofr 加入了 DeepMind
很多人应该都会对这哥们有印象，在 Nano Banana 和 GPT-4o 图像发布的时候都持续产出了非常多好的案例和测试
估计 Deepmind 想用他补上自己在图像和视频上的宣传路径，哥们这下这结起飞了
当然，很荣幸老哥也关注了我
不是官方数字。很难量化训练成本，因为很大一部分属于研究和实验。
在制作 K2 thinking 的过程中，你们遇到的最大挑战是什么？谢谢！
一个挑战是支持交错的“思考 - 工具 - 思考 - 工具”模式。这在 LLMs 中是相对新颖的行为，实现起来需要大量工作才能正确运行。
K2 thinking 在几个月来经过许多评测后，已经能抓到 Sonnet 4.5 和 Opus 4.1 漏掉的问题。说实话，感觉 K2 thinking 只差一点系统提示（system prompt）调整就能达到同等水平。这全都要归功于你们的新架构吗？还是你们的训练数据质量也有提升？
我认为拥有合适的评估方法和数据对性能至关重要。架构和优化器提高了样本效率。
你们训练堆栈的硬件是什么样的？想了解你们的基础设施如何与那些美国大型公司使用的堆栈相比？
使用带有 Infiniband 的 H800 GPU；它们不如美国的高端 GPU，而且数量也不占优势，但我们把每一张卡都充分利用起来#ai创造营##kimi#
