正在加载视频...

视频加载失败

加载此视频时出现问题。这可能是由于临时网络问题，或视频可能不可用。

用 Claude Code 调用 HyperFrames Skill 试了一下，主题为「深度神经网络分类结构化数据」，效果很炫。但实话实说，在我的机器学习教学场景下，没有发现比起 Remotion Video 有明显的优势。可能还没有充分挖掘其能力？🤔

Wang Shuyi

27,629 subscribers

10,135 次观看 • 3 个月前 •via X (Twitter)

Anya Rossi• Live Now

Private livecam show

0 条评论

暂无评论

原始帖子的评论将显示在这里

相关视频

从国产SOTA走向世界SOTA? GLM-5.1 实测! 给大家带来 GLM-5.1 编程能力实测! 本次测试涵盖了前端, 后端, Agent 能力, 前端主要面向空间建模, 场景, 材质, 粒子效果等, 后端能力主要面向数据结构与算法, 体系结构, 性能优化, 内存和并发管理, 性能热点分析与调优, 面向编辑器方向的Agent能力(因为AI要自己改代码). 直接说结论, 本次测试前端方面粒子效果和光影鲜果略有提升, 剩下空间理解(甚至感觉下降了)和前端美学上没看到有什么提升, 只能说是提升了一点点. 但是后端性能上有巨大的提升, GLM-5.1 在我的 vector-db-bench 中直接秀了一手量化, 把原本32bit精度的数据量化到了8bit, 然后使用SIMD实现了一个指令周期内计算32个向量, 在我测试的其他模型中(包括Claude-opus-4.6, GPT-5.4-Pro(xhigh)) 都没有实现, 直接来到了榜首. 另外Agent能力上也有不小的提升, 同样是我写的让大模型模拟送外卖的硅基骑手测试, 其他大模型的优化还停留在看一个店能不能取两单上, GLM-5.1 已经优化到了我送餐的顺路还能再接一单, 并且仅用了大概GLM-5 1/4的 token 用量就超越了 GLM-5 的测试总分. 当然本次测试过程也很坎坷, 首先是我周末抢了2天都没抢到 coding plan (目前只有coding plan 能用这个模型), 我最后找智谱的同学给我开了个权限. 以及测试中发现白天API不是很稳定, 偶尔输出速度会掉到10tps, 以及会出现乱码文字(我的规避方法是让它输出英文, 然后再找个便宜模型翻译过来). 总结, 各位前端同学估计会失望, 因为无论是从工程还是页面效果上都看不到提升, 甚至可能会有点倒退, 但果写后端代码或者复杂Agent应用可以试试这个新模型, 会有很大的提升. #GLM51 #智谱 #GLM #AIAgent #大模型编程

从国产SOTA走向世界SOTA? GLM-5.1 实测! 给大家带来 GLM-5.1 编程能力实测! 本次测试涵盖了前端, 后端, Agent 能力, 前端主要面向空间建模, 场景, 材质, 粒子效果等, 后端能力主要面向数据结构与算法, 体系结构, 性能优化, 内存和并发管理, 性能热点分析与调优, 面向编辑器方向的Agent能力(因为AI要自己改代码). 直接说结论, 本次测试前端方面粒子效果和光影鲜果略有提升, 剩下空间理解(甚至感觉下降了)和前端美学上没看到有什么提升, 只能说是提升了一点点. 但是后端性能上有巨大的提升, GLM-5.1 在我的 vector-db-bench 中直接秀了一手量化, 把原本32bit精度的数据量化到了8bit, 然后使用SIMD实现了一个指令周期内计算32个向量, 在我测试的其他模型中(包括Claude-opus-4.6, GPT-5.4-Pro(xhigh)) 都没有实现, 直接来到了榜首. 另外Agent能力上也有不小的提升, 同样是我写的让大模型模拟送外卖的硅基骑手测试, 其他大模型的优化还停留在看一个店能不能取两单上, GLM-5.1 已经优化到了我送餐的顺路还能再接一单, 并且仅用了大概GLM-5 1/4的 token 用量就超越了 GLM-5 的测试总分. 当然本次测试过程也很坎坷, 首先是我周末抢了2天都没抢到 coding plan (目前只有coding plan 能用这个模型), 我最后找智谱的同学给我开了个权限. 以及测试中发现白天API不是很稳定, 偶尔输出速度会掉到10tps, 以及会出现乱码文字(我的规避方法是让它输出英文, 然后再找个便宜模型翻译过来). 总结, 各位前端同学估计会失望, 因为无论是从工程还是页面效果上都看不到提升, 甚至可能会有点倒退, 但果写后端代码或者复杂Agent应用可以试试这个新模型, 会有很大的提升. #GLM51 #智谱 #GLM #AIAgent #大模型编程

karminski-牙医

19,657 次观看 • 4 个月前

周日（4月20日），在北京亦庄举行的一场机器人半程马拉松比赛中，由中国智能手机制造商荣耀生产的机器人夺冠，它的成绩甚至超过了人类世界纪录保持者。近年来，中国官方热衷于在许多场合展示科技发展的实力。但有批评指出，这是博人眼球的“表演秀”，因为大部分场景都需要有人在后台操控与精心训练，以满足展示效果。美联社报道，在这次半马比赛中，就有机器人在起点摔倒，还有机器人撞上护栏。有分析指出，现实场景非常复杂，中国研发的这些机器人距离充分应用并转化为实际生产力，还有很远。

周日（4月20日），在北京亦庄举行的一场机器人半程马拉松比赛中，由中国智能手机制造商荣耀生产的机器人夺冠，它的成绩甚至超过了人类世界纪录保持者。近年来，中国官方热衷于在许多场合展示科技发展的实力。但有批评指出，这是博人眼球的“表演秀”，因为大部分场景都需要有人在后台操控与精心训练，以满足展示效果。美联社报道，在这次半马比赛中，就有机器人在起点摔倒，还有机器人撞上护栏。有分析指出，现实场景非常复杂，中国研发的这些机器人距离充分应用并转化为实际生产力，还有很远。

RFI 华语 - 法国国际广播电台

12,024 次观看 • 3 个月前

初学者学习 Python，经常被引用、可变性这些概念搞得头晕，调试复杂数据结构，更是分不清变量之间的关系，非常头疼。可以看一下，memory_graph 这个可视化开源工具，它能让我们一眼看清 Python 数据结构和引用关系。通过直观清晰的图形界面，展示变量间的引用关系、数据共享情况和完整的调用栈，还支持各种 Python 环境包括 Jupyter、VS Code 调试器等。 GitHub：主要功能： - 可视化任意 Python 数据结构，包括列表、字典、自定义类等； - 清楚显示变量间的引用和共享关系，避免意外的数据修改； - 完整的函数调用栈可视化，理解程序执行流程和作用域； - 支持递归函数、二叉树、链表等复杂数据结构的动态展示。支持 VS Code、Jupyter、PyCharm 等多种开发环境，同时提供 Web 版调试器，无需安装即可在线体验和学习。

初学者学习 Python，经常被引用、可变性这些概念搞得头晕，调试复杂数据结构，更是分不清变量之间的关系，非常头疼。可以看一下，memory_graph 这个可视化开源工具，它能让我们一眼看清 Python 数据结构和引用关系。通过直观清晰的图形界面，展示变量间的引用关系、数据共享情况和完整的调用栈，还支持各种 Python 环境包括 Jupyter、VS Code 调试器等。 GitHub：主要功能： - 可视化任意 Python 数据结构，包括列表、字典、自定义类等； - 清楚显示变量间的引用和共享关系，避免意外的数据修改； - 完整的函数调用栈可视化，理解程序执行流程和作用域； - 支持递归函数、二叉树、链表等复杂数据结构的动态展示。支持 VS Code、Jupyter、PyCharm 等多种开发环境，同时提供 Web 版调试器，无需安装即可在线体验和学习。

GitHubDaily

57,015 次观看 • 10 个月前

Anthropic 刚刚悄悄解决了 AI Agent 最大的一个问题之一。过去开发 Agent 的 skill 基本是这样的：写 prompt → 试一下 → 不行再改 → 靠感觉上线。但 Claude 现在给 Skill Creator 加了 3 个关键能力： 1️⃣ Skill Evals（技能测试）可以定义测试问题和成功标准，自动验证一个 skill 是否真的有效。 2️⃣ 多 Agent 基准测试可以并行运行多个 agent，甚至对两个 skill 版本做 A/B 测试。 3️⃣ 触发优化 Claude 会分析你的 skill 描述，自动修复：错误触发没触发描述不清这意味着一件很重要的事： AI Agent 开发正在从 “Prompt Engineering” 变成 “AI Software Engineering” 你可以像开发软件一样：测试评估基准测试持续优化更有意思的一点是：如果某一天，基础模型在没有 skill 的情况下也能通过这些测试，说明这个能力已经被模型“学会”了。也就是说：今天的 Skill，很可能会变成明天的模型能力。 Prompt、Skill、模型训练之间的边界，正在消失。

Anthropic 刚刚悄悄解决了 AI Agent 最大的一个问题之一。过去开发 Agent 的 skill 基本是这样的：写 prompt → 试一下 → 不行再改 → 靠感觉上线。但 Claude 现在给 Skill Creator 加了 3 个关键能力： 1️⃣ Skill Evals（技能测试）可以定义测试问题和成功标准，自动验证一个 skill 是否真的有效。 2️⃣ 多 Agent 基准测试可以并行运行多个 agent，甚至对两个 skill 版本做 A/B 测试。 3️⃣ 触发优化 Claude 会分析你的 skill 描述，自动修复：错误触发没触发描述不清这意味着一件很重要的事： AI Agent 开发正在从 “Prompt Engineering” 变成 “AI Software Engineering” 你可以像开发软件一样：测试评估基准测试持续优化更有意思的一点是：如果某一天，基础模型在没有 skill 的情况下也能通过这些测试，说明这个能力已经被模型“学会”了。也就是说：今天的 Skill，很可能会变成明天的模型能力。 Prompt、Skill、模型训练之间的边界，正在消失。

axiaisacat

68,008 次观看 • 4 个月前

萨姆·奥特曼刚刚在印度说距离实现AGI已经很近了，甚至从过去视角看我们部分已经身在其中。 🚨而现在，谷歌Deepmind 德米斯·哈萨比斯定义了通用人工智能的真正考验。它比任何人预想的都要残酷： “用人类所有的知识训练人工智能，并将时间线截止到1911年。看看它能否像爱因斯坦在1915年那样独立发现广义相对论。如果可以，我们就拥有了通用人工智能（AGI）。如果不行，我们仍然需要构建模式匹配器。” 哈萨比斯：“我对通用人工智能的定义从未改变。它是一个能够展现人类所有认知能力的系统。这就是DeepMind研究神经科学的原因。不是为了获得灵感，而是为了获取数据。人脑是目前唯一被证实通用智能在物理上可能存在的证据。”

萨姆·奥特曼刚刚在印度说距离实现AGI已经很近了，甚至从过去视角看我们部分已经身在其中。 🚨而现在，谷歌Deepmind 德米斯·哈萨比斯定义了通用人工智能的真正考验。它比任何人预想的都要残酷： “用人类所有的知识训练人工智能，并将时间线截止到1911年。看看它能否像爱因斯坦在1915年那样独立发现广义相对论。如果可以，我们就拥有了通用人工智能（AGI）。如果不行，我们仍然需要构建模式匹配器。” 哈萨比斯：“我对通用人工智能的定义从未改变。它是一个能够展现人类所有认知能力的系统。这就是DeepMind研究神经科学的原因。不是为了获得灵感，而是为了获取数据。人脑是目前唯一被证实通用智能在物理上可能存在的证据。”

KK.aWSB

24,573 次观看 • 5 个月前

我尝试了一下自然语言编程工具Dify，前几天在我的周刊里推荐过。花了20分钟用这个应用写了一个东西，非常惊艳，完全没有写代码。如果没有Dify的话，我可能需要很长时间才能搞定它。这个应用可以根据简短主题生成Midjourney提示词，效果很好。接下来我会分享一些创建过程，让大家更加了解这个平台。

我尝试了一下自然语言编程工具Dify，前几天在我的周刊里推荐过。花了20分钟用这个应用写了一个东西，非常惊艳，完全没有写代码。如果没有Dify的话，我可能需要很长时间才能搞定它。这个应用可以根据简短主题生成Midjourney提示词，效果很好。接下来我会分享一些创建过程，让大家更加了解这个平台。

歸藏(guizang.ai)

122,005 次观看 • 3 年前

必须分享！身边有需要填志愿的可以试试！！今天准备给侄儿Vibe一个志愿填报辅助系统，能够可视化的辅助志愿填报，将分数价值最大化。结果发现有大佬已经做出来了！但好像院校库不是很全，我抓取到教育部的院校库数据是2952所！这个系统里只有1596所！试用了一下，功能很齐全！！输入分数或者位次，就可以点亮所有能够填报的大学，然后只需要根据地域、学校和专业情况再横向对比。另外，还有兴趣测试，可以帮助匹配适合的专业做参考！链接放在下面⬇️

必须分享！身边有需要填志愿的可以试试！！今天准备给侄儿Vibe一个志愿填报辅助系统，能够可视化的辅助志愿填报，将分数价值最大化。结果发现有大佬已经做出来了！但好像院校库不是很全，我抓取到教育部的院校库数据是2952所！这个系统里只有1596所！试用了一下，功能很齐全！！输入分数或者位次，就可以点亮所有能够填报的大学，然后只需要根据地域、学校和专业情况再横向对比。另外，还有兴趣测试，可以帮助匹配适合的专业做参考！链接放在下面⬇️

沐阳

106,827 次观看 • 1 个月前

刚看完张志磊的比赛，输了（被TKO，张志磊发挥了所有实力），网友问张志磊输在哪里了…………我回答：实力不及………… （可以理解为各个方面，很遗憾，这里没有惋惜，没有假如，没有失误，就是单纯的实力不及）。说实话大家听着都不舒服，但就是事实……下一场争取赢回来就可以了。

刚看完张志磊的比赛，输了（被TKO，张志磊发挥了所有实力），网友问张志磊输在哪里了…………我回答：实力不及………… （可以理解为各个方面，很遗憾，这里没有惋惜，没有假如，没有失误，就是单纯的实力不及）。说实话大家听着都不舒服，但就是事实……下一场争取赢回来就可以了。

徐晓冬北京格斗狂人

246,158 次观看 • 1 年前

“如果你今晚睡得安稳，说明你根本没听懂。” 这是亲手构建了当今所有 AI 底层神经网络的教父 Geoffrey Hinton ，从 Google 辞职后向世界发出的警告。这场 47 分钟的演讲，揭开了一个没人愿意面对的现实： AI 正在进化出连创造者都无法预料的能力。在大部分认知领域，人类已被甩在身后。机器彻底超越人类早已不是悬念，仅仅是时间问题。现在，当多数人还停留在打开 Claude 、输入几句话、拿到答案就关闭网页的阶段时，他们以为自己在使用 AI ，实则连它 10% 的力量都未曾触及。时代正在划下一条不可逆的分界线，而你唯一能决定的，是自己究竟要站在哪一边。观看并收藏。点开下面的文章，今晚就开始学习 AI↓

“如果你今晚睡得安稳，说明你根本没听懂。” 这是亲手构建了当今所有 AI 底层神经网络的教父 Geoffrey Hinton ，从 Google 辞职后向世界发出的警告。这场 47 分钟的演讲，揭开了一个没人愿意面对的现实： AI 正在进化出连创造者都无法预料的能力。在大部分认知领域，人类已被甩在身后。机器彻底超越人类早已不是悬念，仅仅是时间问题。现在，当多数人还停留在打开 Claude 、输入几句话、拿到答案就关闭网页的阶段时，他们以为自己在使用 AI ，实则连它 10% 的力量都未曾触及。时代正在划下一条不可逆的分界线，而你唯一能决定的，是自己究竟要站在哪一边。观看并收藏。点开下面的文章，今晚就开始学习 AI↓

柴郡🔔｜Crypto+AI Plus

256,036 次观看 • 2 个月前

最近陶哲轩在 2024 年第 65 届国际数学奥林匹克上，陶哲轩做了一次 AI 和数学的演讲，非常精彩，从数学使用计算计算机的历史开始讲起，一直讲到大语言模型，干货相当多，尤其适合对数学有兴趣的同学。（对数学没那么感兴趣的同学只想看 AI 部分的建议直接跳到 41 分的位置开始观看）先摘录几个冷知识： 1. 我们使用机器做数学计算已经有数千年，最早的机器辅助计算可能是罗马人，然后是中国的算盘 2. 二战时就有人肉“计算机”，计算弹道和其他任务，多位女孩子，因为男士们在打仗，所以那时候的计算基本单位不是GPU，而是kilogirl-hour——“千名女孩工作一小时的计算量” 3. 现在，数学家们使用一种现代化的证明辅助编程语言，叫做 Lean。在 Lean 中有一个核心的数学库，通过众包的方式开发的，本科数学课程中看到的内容，比如微积分基础、群论基础或者拓扑学等等，这些都已经被形式化了，所以你不用从公理开始。 4. 现在数学领域有一种团队协作证明复杂数学定理的工作流程，那就是先编写一个称为“蓝图”的详细证明计划，将整个证明分解为数百个小步骤。每个步骤可以单独形式化，然后再将它们整合在一起，这样你就可以将一个庞大的论证分解成许多小块。先编写这个蓝图，然后团队中的其他人可以对论据的不同步骤的不同部分进行形式化。去年，陶哲轩和几位同事一起解决了一个组合数学问题。这是一个组合学的问题。大约20人在短短三周内完成了，使用了蓝图工具，参与的人中有概率论专家，甚至还有一些并非数学家的人，他们是程序员，但在解决这些小型拼图问题上非常擅长。每个人都挑选了一个觉得自己能做的小任务，并完成了它。在数学领域，通常很难这么多人一起合作，一般最多可能五个人合作。因为在大项目上合作时，你必须相信每个人的数学都是正确的。但是，一旦超过一定规模，这就无法实现了。但现在借助 Lean 编译器，它能自动检查。团队成员无法上传任何编译不通过的内容，会被拒绝。因此，你可以与一些从未见过的人合作。最后是讲大语言模型，首先陶哲轩就打脸了 GPT-4 的论文（我猜是微软那篇《GPT-4，通用人工智能的火花》），论文中号称 GPT-4 能解决国际数学奥林匹克问题，但实际上，这个问题不是 2022 年国际奥数竞赛的原始问题，而是一个简化版本，并且他们测试了几百道国际奥数竞赛问题，成功率只有1%，论文里的这个是精心挑选的恰巧能做对的。并且陶哲轩提到了基于大语言模型的一些改进的方案：比如 CoT（Chain of Thought），也就是 LLM 做简单的算术运算都做不对，但是如果让它一步步解释，可能就对了。还可以教 AI 一些解题技巧，比如尝试简单的例子，反证法，尝试逐步证明等。比如让模型和编程语言或者工具连接，将大语言的输出结果交给 Wolfram 这样的专业数学工具或者 Python 这样的编程语言验证，并且迭代的进行修正和验证，直到得到正确的结果，这可以提升大语言模型生成的效果。即使借助这些手段，大语言模型还远远不能解决大多数数学问题，更不用说数学研究问题了！当然陶哲轩也没太过打击大家对于 AI 的信心，表示我们在 AI 上还是在不断的取得进展，还提到了他日常是怎么用 AI 的，比如说把 AI 当成灵感之源。 > 我曾遇到过一个问题，我尝试了几种方法，但都无法解决。于是，我尝试询问 GPT，你建议我使用什么其他方法来解决这个问题？GPT 给我提供了 10 种可能的方法，其中有 5 种我已经尝试过，或者明显没有帮助。的确，有几种方法并不实用。但其中有一种我还没尝试过的方法，那就是针对这个问题使用生成函数。当 GPT 建议我使用这种方法时，我意识到这就是我漏掉的正确方法。所以，将 GPT 视为一个交流伙伴，它确实具有一定的用处。还有使用 GitHub Copilot 帮他写代码，让它自动生成下一步的证明结果，Copilot 的智能提示有 20% 的概率能生成正确的下一步结果。 > 例如我使用的一个叫 GitHub Copilot 的工具，你只需要写下一半的证明，它就会尝试猜测接下来的内容。大概有 20% 的情况下，它能猜到接近正确的答案。然后你就可以说，我接受这个答案。好的，那么在这种情况下，我正在试图证明这个陈述。灰色的部分是 Copilot 给出的建议。结果发现第一行完全没用。不过第二行，尽管你可能看不清楚，却真的解决了这个问题。所以，你不能盲目接受它的输入，因为这些代码未必能顺利编译。但如果你对代码的运作方式已经有所了解，这将大大节省你的时间。这些工具正在变得越来越好。现在如果一个证明只需要一两行，它们就能自动完成。现在已经有了这样的实验，即通过迭代地让 AI 提供证明，然后让编译器进行反馈，如果编译出错，就把错误信息反馈给 AI。通过这种方法，我们开始能够验证四五步长的证明。当然，一个大型的证明可能需要数万行。所以，我们还没有达到能够立即得到一个正式证明的程度。但是，这已经是一个相当有用的工具。对于大家关心的问题： AI 在数学领域现在到了哪一个阶段？是否未来几年利用 AI 能直接解决数学问题？陶哲轩也给出了他的看法： > 我认为我们还远远没有达到这个阶段。如果我们专注于非常特定的问题，你可以定制专门的 AI 来处理一小部分问题。即便如此，它们也不是完全可靠的，但还是有用的。不过至少在接下来的几年里，它们基本上将是非常有用的辅助工具，超越了我们已经熟悉的暴力计算辅助。他还提到了一些可能的 AI 能在数学领域提供帮助的方向： - AI 能够非常好地生成有价值的猜想 > 比如，我们已经看到了关于结理论的例子，它们已经可以推测出两个不同的统计量之间的关系。因此，我们希望能够创建大量的数据集，输入到 AI 中，它们就会自动找出各种不同的数学对象之间的有趣联系。虽然我们还不知道如何做到这一点，部分原因是我们没有这些庞大的数据集。但我认为这是未来可能实现的一个方向。 - 批量或者说规模化的证明大量数学定理 > 现在，因为证明定理是如此繁琐和艰难的过程，我们一次只能证明一个定理，如果你效率很高，可能一次能证明两三个。但是有了 AI，你可以设想一下未来的情况，我们不是试图解决一个问题，而是处理一类类似的1000个问题，然后告诉AI，尝试用这个方法解决这 1000 个问题，然后报告结果，哦，我能用这种技术解决 35% 的问题。那么另一种技术呢？我能解决这个百分比的问题。或者如果结合这些方法，又能解决多少问题？你可以开始探索问题的空间，而不是一个接一个地解决问题。这是你现在根本无法做到的事情，或者是你需要几十年时间，通过数十篇论文慢慢搞清楚各种技术能做什么，不能做什么。但是有了这些工具，你真的可以开始做规模前所未有的数学研究。所以，未来将会非常令人兴奋。演讲环节结束前的最后一句话说的特别好： > 我们仍然会以传统方式证明定理。事实上，我们必须这样做，因为如果我们自己都不知道如何做这些事情，就无法引导这些 AI。但是我们将能够做很多现在无法做到的事情。这恰恰也是我们现在使用 AI 辅助编程的问题：如果我们自己都不知道如何构建软件，就很难引导好 AI 帮助我们生成高质量的代码。尽管 AI 在数学和编程领域变得越来越有用，但人类的洞察力和创造力仍然是创作价值的关键。原始 YT 视频：

最近陶哲轩在 2024 年第 65 届国际数学奥林匹克上，陶哲轩做了一次 AI 和数学的演讲，非常精彩，从数学使用计算计算机的历史开始讲起，一直讲到大语言模型，干货相当多，尤其适合对数学有兴趣的同学。（对数学没那么感兴趣的同学只想看 AI 部分的建议直接跳到 41 分的位置开始观看）先摘录几个冷知识： 1. 我们使用机器做数学计算已经有数千年，最早的机器辅助计算可能是罗马人，然后是中国的算盘 2. 二战时就有人肉“计算机”，计算弹道和其他任务，多位女孩子，因为男士们在打仗，所以那时候的计算基本单位不是GPU，而是kilogirl-hour——“千名女孩工作一小时的计算量” 3. 现在，数学家们使用一种现代化的证明辅助编程语言，叫做 Lean。在 Lean 中有一个核心的数学库，通过众包的方式开发的，本科数学课程中看到的内容，比如微积分基础、群论基础或者拓扑学等等，这些都已经被形式化了，所以你不用从公理开始。 4. 现在数学领域有一种团队协作证明复杂数学定理的工作流程，那就是先编写一个称为“蓝图”的详细证明计划，将整个证明分解为数百个小步骤。每个步骤可以单独形式化，然后再将它们整合在一起，这样你就可以将一个庞大的论证分解成许多小块。先编写这个蓝图，然后团队中的其他人可以对论据的不同步骤的不同部分进行形式化。去年，陶哲轩和几位同事一起解决了一个组合数学问题。这是一个组合学的问题。大约20人在短短三周内完成了，使用了蓝图工具，参与的人中有概率论专家，甚至还有一些并非数学家的人，他们是程序员，但在解决这些小型拼图问题上非常擅长。每个人都挑选了一个觉得自己能做的小任务，并完成了它。在数学领域，通常很难这么多人一起合作，一般最多可能五个人合作。因为在大项目上合作时，你必须相信每个人的数学都是正确的。但是，一旦超过一定规模，这就无法实现了。但现在借助 Lean 编译器，它能自动检查。团队成员无法上传任何编译不通过的内容，会被拒绝。因此，你可以与一些从未见过的人合作。最后是讲大语言模型，首先陶哲轩就打脸了 GPT-4 的论文（我猜是微软那篇《GPT-4，通用人工智能的火花》），论文中号称 GPT-4 能解决国际数学奥林匹克问题，但实际上，这个问题不是 2022 年国际奥数竞赛的原始问题，而是一个简化版本，并且他们测试了几百道国际奥数竞赛问题，成功率只有1%，论文里的这个是精心挑选的恰巧能做对的。并且陶哲轩提到了基于大语言模型的一些改进的方案：比如 CoT（Chain of Thought），也就是 LLM 做简单的算术运算都做不对，但是如果让它一步步解释，可能就对了。还可以教 AI 一些解题技巧，比如尝试简单的例子，反证法，尝试逐步证明等。比如让模型和编程语言或者工具连接，将大语言的输出结果交给 Wolfram 这样的专业数学工具或者 Python 这样的编程语言验证，并且迭代的进行修正和验证，直到得到正确的结果，这可以提升大语言模型生成的效果。即使借助这些手段，大语言模型还远远不能解决大多数数学问题，更不用说数学研究问题了！当然陶哲轩也没太过打击大家对于 AI 的信心，表示我们在 AI 上还是在不断的取得进展，还提到了他日常是怎么用 AI 的，比如说把 AI 当成灵感之源。 > 我曾遇到过一个问题，我尝试了几种方法，但都无法解决。于是，我尝试询问 GPT，你建议我使用什么其他方法来解决这个问题？GPT 给我提供了 10 种可能的方法，其中有 5 种我已经尝试过，或者明显没有帮助。的确，有几种方法并不实用。但其中有一种我还没尝试过的方法，那就是针对这个问题使用生成函数。当 GPT 建议我使用这种方法时，我意识到这就是我漏掉的正确方法。所以，将 GPT 视为一个交流伙伴，它确实具有一定的用处。还有使用 GitHub Copilot 帮他写代码，让它自动生成下一步的证明结果，Copilot 的智能提示有 20% 的概率能生成正确的下一步结果。 > 例如我使用的一个叫 GitHub Copilot 的工具，你只需要写下一半的证明，它就会尝试猜测接下来的内容。大概有 20% 的情况下，它能猜到接近正确的答案。然后你就可以说，我接受这个答案。好的，那么在这种情况下，我正在试图证明这个陈述。灰色的部分是 Copilot 给出的建议。结果发现第一行完全没用。不过第二行，尽管你可能看不清楚，却真的解决了这个问题。所以，你不能盲目接受它的输入，因为这些代码未必能顺利编译。但如果你对代码的运作方式已经有所了解，这将大大节省你的时间。这些工具正在变得越来越好。现在如果一个证明只需要一两行，它们就能自动完成。现在已经有了这样的实验，即通过迭代地让 AI 提供证明，然后让编译器进行反馈，如果编译出错，就把错误信息反馈给 AI。通过这种方法，我们开始能够验证四五步长的证明。当然，一个大型的证明可能需要数万行。所以，我们还没有达到能够立即得到一个正式证明的程度。但是，这已经是一个相当有用的工具。对于大家关心的问题： AI 在数学领域现在到了哪一个阶段？是否未来几年利用 AI 能直接解决数学问题？陶哲轩也给出了他的看法： > 我认为我们还远远没有达到这个阶段。如果我们专注于非常特定的问题，你可以定制专门的 AI 来处理一小部分问题。即便如此，它们也不是完全可靠的，但还是有用的。不过至少在接下来的几年里，它们基本上将是非常有用的辅助工具，超越了我们已经熟悉的暴力计算辅助。他还提到了一些可能的 AI 能在数学领域提供帮助的方向： - AI 能够非常好地生成有价值的猜想 > 比如，我们已经看到了关于结理论的例子，它们已经可以推测出两个不同的统计量之间的关系。因此，我们希望能够创建大量的数据集，输入到 AI 中，它们就会自动找出各种不同的数学对象之间的有趣联系。虽然我们还不知道如何做到这一点，部分原因是我们没有这些庞大的数据集。但我认为这是未来可能实现的一个方向。 - 批量或者说规模化的证明大量数学定理 > 现在，因为证明定理是如此繁琐和艰难的过程，我们一次只能证明一个定理，如果你效率很高，可能一次能证明两三个。但是有了 AI，你可以设想一下未来的情况，我们不是试图解决一个问题，而是处理一类类似的1000个问题，然后告诉AI，尝试用这个方法解决这 1000 个问题，然后报告结果，哦，我能用这种技术解决 35% 的问题。那么另一种技术呢？我能解决这个百分比的问题。或者如果结合这些方法，又能解决多少问题？你可以开始探索问题的空间，而不是一个接一个地解决问题。这是你现在根本无法做到的事情，或者是你需要几十年时间，通过数十篇论文慢慢搞清楚各种技术能做什么，不能做什么。但是有了这些工具，你真的可以开始做规模前所未有的数学研究。所以，未来将会非常令人兴奋。演讲环节结束前的最后一句话说的特别好： > 我们仍然会以传统方式证明定理。事实上，我们必须这样做，因为如果我们自己都不知道如何做这些事情，就无法引导这些 AI。但是我们将能够做很多现在无法做到的事情。这恰恰也是我们现在使用 AI 辅助编程的问题：如果我们自己都不知道如何构建软件，就很难引导好 AI 帮助我们生成高质量的代码。尽管 AI 在数学和编程领域变得越来越有用，但人类的洞察力和创造力仍然是创作价值的关键。原始 YT 视频：

宝玉

301,399 次观看 • 1 年前

上次我介绍全新AI 视频 Agent LibTV 可以接入Claude Code和龙虾，一句话出片.. 但是遗憾的是当时没有接入Seedance 2.0，效果不是很理想，今天Seedance 2.0 今天正式开放了 API，他们第一批接入了现在效果直接起飞了... 利用Claude Code 接入他们的skill，直接就能生成完整视频😅 下面是我测试的一些结果

上次我介绍全新AI 视频 Agent LibTV 可以接入Claude Code和龙虾，一句话出片.. 但是遗憾的是当时没有接入Seedance 2.0，效果不是很理想，今天Seedance 2.0 今天正式开放了 API，他们第一批接入了现在效果直接起飞了... 利用Claude Code 接入他们的skill，直接就能生成完整视频😅 下面是我测试的一些结果

小互

85,755 次观看 • 4 个月前

#唱歌「太聪明」我总说我不想回家，原来是因为回家就会面对现实，爸爸已经比过去平和很多，只是听他用最平和的语气说自己的不舒服自己的无能，令我无所适从，我以为躲在学校就可以佯装没有问题，其实问题连呼吸都在不经意的透露。我真的不够聪明还是自作聪明

#唱歌「太聪明」我总说我不想回家，原来是因为回家就会面对现实，爸爸已经比过去平和很多，只是听他用最平和的语气说自己的不舒服自己的无能，令我无所适从，我以为躲在学校就可以佯装没有问题，其实问题连呼吸都在不经意的透露。我真的不够聪明还是自作聪明

麓🦌

18,019 次观看 • 1 年前

用了两天的Fable-5，得到了一个与大部分人截然相反的结论，实测体验如下：速度：非常慢，尤其是开始分析和规划的时候能感受到像乌龟慢爬价格：我是Max5订阅用户，虽然输入输出定价为Opus的两倍，但是实际消耗量并没有像流水一样，消耗速度确实变快了，但命中缓存后消耗没有特别高，没有人传人的消耗那么离谱的快所以铺天盖地说消耗非常快的只有三种可能：第一种是Pro订阅账号容量本来就小，第二种是没自己账号纯造谣，第三种是本来对Opus的消耗没有感知，看到别人说fable消耗快自己也一用发现消耗快于是觉得是真的消耗快了。本身Opus的消耗就非常快嘛，现在只不过是变为了原来的大概1.5x 对于我来说，我通常只用Opus，所以这个1.x倍Opus的消耗量能够接受。实际使用中建议把缓存重建修改为1小时。能力：能力强体现在思维边界更广，架构能力更强。对于前端能力测试确实是有很大提高，尤其是创意能力。真正落地到工程项目中，我的体感是能够真正发现GPT-5.5的问题了，不会再像之前基本一直认为GPT的分析是对的。实际能力类似于Claude Opus4.6++与GPT-5.5++的结合版，目前没有到非常惊艳的程度结合价格和6月22之后就没了，我也没有升级Max20的打算，Max5+GPT-5.5乃至即将出现的5.6我觉得完全够用。也建议大家理性消费。如果想走按量体验可以看下评论区。最后给大家看一下昨晚用Fable简单构建的前端的效果，关于为什么我吐槽过还要做前端，是因为我也需要在抖音小红书炸裂搞流量，人作为视觉动物，前端是最开始抓住注意力的开头的。视频如下，网站部署在verel地址放在评论区了，大家可以自行查看

用了两天的Fable-5，得到了一个与大部分人截然相反的结论，实测体验如下：速度：非常慢，尤其是开始分析和规划的时候能感受到像乌龟慢爬价格：我是Max5订阅用户，虽然输入输出定价为Opus的两倍，但是实际消耗量并没有像流水一样，消耗速度确实变快了，但命中缓存后消耗没有特别高，没有人传人的消耗那么离谱的快所以铺天盖地说消耗非常快的只有三种可能：第一种是Pro订阅账号容量本来就小，第二种是没自己账号纯造谣，第三种是本来对Opus的消耗没有感知，看到别人说fable消耗快自己也一用发现消耗快于是觉得是真的消耗快了。本身Opus的消耗就非常快嘛，现在只不过是变为了原来的大概1.5x 对于我来说，我通常只用Opus，所以这个1.x倍Opus的消耗量能够接受。实际使用中建议把缓存重建修改为1小时。能力：能力强体现在思维边界更广，架构能力更强。对于前端能力测试确实是有很大提高，尤其是创意能力。真正落地到工程项目中，我的体感是能够真正发现GPT-5.5的问题了，不会再像之前基本一直认为GPT的分析是对的。实际能力类似于Claude Opus4.6++与GPT-5.5++的结合版，目前没有到非常惊艳的程度结合价格和6月22之后就没了，我也没有升级Max20的打算，Max5+GPT-5.5乃至即将出现的5.6我觉得完全够用。也建议大家理性消费。如果想走按量体验可以看下评论区。最后给大家看一下昨晚用Fable简单构建的前端的效果，关于为什么我吐槽过还要做前端，是因为我也需要在抖音小红书炸裂搞流量，人作为视觉动物，前端是最开始抓住注意力的开头的。视频如下，网站部署在verel地址放在评论区了，大家可以自行查看

雪踏乌云

24,101 次观看 • 1 个月前

最近发现了一个好东西，做产品和运营的朋友一定要看看~ 是 atypica.AI 做的商业研究智能体，现在把他们的市场调研能力打包成了 Marketing Skills，可以直接在 OpenClaw/Claude 里调用。说几个戳我的点： 1. 不仅能做常规的市场调研，连产品研发的前测都能做，这很全面了~ 2. 相比一般的 AI 调研工具，它会自己去刷社媒，模拟你的目标消费者，还能做深度访谈挖用户痛点。 3. 最后出来的报告，不仅有客观数据，还有用户洞察、产品需求分析，甚至还有 GTM plan。链接放评论区了，有市场调研、产品创新、用户洞察需求的朋友们都可以试试~

最近发现了一个好东西，做产品和运营的朋友一定要看看~ 是 atypica.AI 做的商业研究智能体，现在把他们的市场调研能力打包成了 Marketing Skills，可以直接在 OpenClaw/Claude 里调用。说几个戳我的点： 1. 不仅能做常规的市场调研，连产品研发的前测都能做，这很全面了~ 2. 相比一般的 AI 调研工具，它会自己去刷社媒，模拟你的目标消费者，还能做深度访谈挖用户痛点。 3. 最后出来的报告，不仅有客观数据，还有用户洞察、产品需求分析，甚至还有 GTM plan。链接放评论区了，有市场调研、产品创新、用户洞察需求的朋友们都可以试试~

木马人

16,126 次观看 • 4 个月前

百度网盘开启兼容模式，会导致电脑系统性能严重下降近日，有B 站博主“边亮网络安全”发布视频表示百度网盘在开启所谓的“兼容模式”后可能导致电脑系统性能明显下降。据博主测试，当兼容模式启用时，系统 CPU 主频被限制，CPU 睿频功能疑似被禁止，进而使得整体性能跑分结果和实际运行表现下降。这一情况在多个性能检测场景中均有所体现。

百度网盘开启兼容模式，会导致电脑系统性能严重下降近日，有B 站博主“边亮网络安全”发布视频表示百度网盘在开启所谓的“兼容模式”后可能导致电脑系统性能明显下降。据博主测试，当兼容模式启用时，系统 CPU 主频被限制，CPU 睿频功能疑似被禁止，进而使得整体性能跑分结果和实际运行表现下降。这一情况在多个性能检测场景中均有所体现。

李老师不是你老师

258,284 次观看 • 6 个月前

试用GPT-5.2，一句提示词，复刻了网友最近聊得比较火的分子结构模型，要是我上学的时候能有这么好的AI我就很开心了😂

试用GPT-5.2，一句提示词，复刻了网友最近聊得比较火的分子结构模型，要是我上学的时候能有这么好的AI我就很开心了😂

傅盛

31,534 次观看 • 7 个月前