Video wird geladen...

Video konnte nicht geladen werden

Beim Laden dieses Videos ist ein Problem aufgetreten. Dies könnte an einem vorübergehenden Netzwerkproblem liegen oder das Video ist möglicherweise nicht verfügbar.

Moonshot AI创始人杨植麟最近放出了一个40分钟视频。这位92年生、清华计算机本科第一、CMU博士、Transformer-XL和XLNet共同作者，前Google Brain和Meta研究员，坐在镜头前平静拆解了Kimi K2的整个训练过程。他们只花了460万美元。上周一场8模型实时编程大战，Kimi K2直接拿下第一，GPT-5.5排第三，Claude Opus 4.7第五。我看完后最大的感受是，AI竞赛的规则已经在悄然改变。所有人还在拼谁敢烧更多钱、堆更多算力，他却用极致优化、线性注意力、子代理这些硬核架构，把资源差距直接抹平甚至反超。 40分钟全是干货，零废话，把关键打法讲得清清楚楚。如果你正在做AI代理，或者准备2026年入场大模型赛道，这段视频强烈建议存下来周末慢慢看。小团队靠聪明架构，正在把大厂的传统玩法一点点颠覆。你还觉得只有堆钱才能赢吗？

Berryxia.AI

43,692 subscribers

112,192 Aufrufe • vor 29 Tagen •via X (Twitter)

Wissenschaft & Technologie

Anya Rossi• Live Now

Private livecam show

0 Kommentare

Keine Kommentare verfügbar

Kommentare vom Original-Post werden hier angezeigt

Ähnliche Videos

马斯克，要用100万颗GPU造智能？去年他刚连上20万颗GPU，已经是全球第一。今年目标：100万颗，成本高达400亿到600亿美元。这是全世界第一次，有人用这种方式堆出AI的极限。他不是在建AI模型，而是在造一台超级AI工厂。用最硬核的方式，把智能硬拼出来。这不仅是资本的竞赛，更是算力的军备竞赛。每一块GPU，都是通向通用AI的一块砖。当别人还在调参数、调算法，马斯克已经直接开造，砸出来一个AI地基。这不是模型迭代，而是智能的工业化。全球AI竞赛，可能从此进入下一个阶段。

马斯克，要用100万颗GPU造智能？去年他刚连上20万颗GPU，已经是全球第一。今年目标：100万颗，成本高达400亿到600亿美元。这是全世界第一次，有人用这种方式堆出AI的极限。他不是在建AI模型，而是在造一台超级AI工厂。用最硬核的方式，把智能硬拼出来。这不仅是资本的竞赛，更是算力的军备竞赛。每一块GPU，都是通向通用AI的一块砖。当别人还在调参数、调算法，马斯克已经直接开造，砸出来一个AI地基。这不是模型迭代，而是智能的工业化。全球AI竞赛，可能从此进入下一个阶段。

墓碑科技

112,553 Aufrufe • vor 7 Monaten

学 AI的兄弟们，别再死磕调包了，现在从零写一个大语言模型，比学会怎么熟练使用PyTorch还简单😂 看看这两个19岁本科生，四个月从零造了完整的机器学习框架和大模型。两个19岁的滑铁卢大学本科小哥哥，四个月前对机器学习一窍不通，现在他们从零造了一套完整的机器学习框架，还训出了一个1200万参数的大语言模型，能直接在你的浏览器里跑。说明大多数人学AI的顺序完全搞反了，大家都是先学调包，再学模型架构，最后才敢碰一点点底层。这两人反过来，从梯度下降的微积分开始写，先写自动微分引擎，再写BPE分词器，然后一层一层搭Transformer，最后反而比绝大多数调了三年包的工程师理解得都要深。还有一个很少有人看出来的点，现在AI的真正门槛，早就不在模型架构了。 Transformer的论文2017年就发了，每一层的数学都是公开的，随便一个大学生都能背下来。真正难的是那些论文里从来不写的东西，怎么写Flash Attention把内存占用降一个数量级，怎么把加bias加激活加归一化合并成一个内核，怎么把整个数据集一次性扔进GPU，让训练全程零数据传输，这些才是决定你能不能真的把模型跑起来的关键。大厂也正在把简单的事情变复杂， PyTorch为了兼容所有情况，堆了无数层抽象，最后你都不知道自己写的一行代码在GPU上到底在干什么ಠ_ಠ 而开源正在把复杂的事情变简单，这两个人用Rust写后端，TypeScript写前端，底层跑得飞快，上层用起来和PyTorch一样简单，代码加起来不到一万行，还比任何一个主流框架都干净，这你受得了吗哈哈这才是最好的AI教育，不是看一百篇论文，或者刷十个在线课程，而是从第一性原理出发，自己造一个轮子。当你亲手写过一次自动微分，你就再也不会觉得AI是什么神秘的黑魔法了。它就是一堆精心优化的矩阵运算，加一点聪明的数据流管理，仅此而已。我觉得这个视频最恐怖的地方不是两个大学生有多厉害，而是它证明了两年前还只有大厂实验室才能干的事，现在已经变成了普通人的业余爱好项目。最后想说，我们处在一个最好的时代，科技平权的时代， AI的民主化不是大厂给你发API密钥，咱们任何人只要愿意花四个月时间，就能在自己的电脑上，造一个属于自己的大语言模型。想玩的直接去他们的GitHub仓库，npm install就能跑。浏览器demo的链接我放评论区了👇

学 AI的兄弟们，别再死磕调包了，现在从零写一个大语言模型，比学会怎么熟练使用PyTorch还简单😂 看看这两个19岁本科生，四个月从零造了完整的机器学习框架和大模型。两个19岁的滑铁卢大学本科小哥哥，四个月前对机器学习一窍不通，现在他们从零造了一套完整的机器学习框架，还训出了一个1200万参数的大语言模型，能直接在你的浏览器里跑。说明大多数人学AI的顺序完全搞反了，大家都是先学调包，再学模型架构，最后才敢碰一点点底层。这两人反过来，从梯度下降的微积分开始写，先写自动微分引擎，再写BPE分词器，然后一层一层搭Transformer，最后反而比绝大多数调了三年包的工程师理解得都要深。还有一个很少有人看出来的点，现在AI的真正门槛，早就不在模型架构了。 Transformer的论文2017年就发了，每一层的数学都是公开的，随便一个大学生都能背下来。真正难的是那些论文里从来不写的东西，怎么写Flash Attention把内存占用降一个数量级，怎么把加bias加激活加归一化合并成一个内核，怎么把整个数据集一次性扔进GPU，让训练全程零数据传输，这些才是决定你能不能真的把模型跑起来的关键。大厂也正在把简单的事情变复杂， PyTorch为了兼容所有情况，堆了无数层抽象，最后你都不知道自己写的一行代码在GPU上到底在干什么ಠ_ಠ 而开源正在把复杂的事情变简单，这两个人用Rust写后端，TypeScript写前端，底层跑得飞快，上层用起来和PyTorch一样简单，代码加起来不到一万行，还比任何一个主流框架都干净，这你受得了吗哈哈这才是最好的AI教育，不是看一百篇论文，或者刷十个在线课程，而是从第一性原理出发，自己造一个轮子。当你亲手写过一次自动微分，你就再也不会觉得AI是什么神秘的黑魔法了。它就是一堆精心优化的矩阵运算，加一点聪明的数据流管理，仅此而已。我觉得这个视频最恐怖的地方不是两个大学生有多厉害，而是它证明了两年前还只有大厂实验室才能干的事，现在已经变成了普通人的业余爱好项目。最后想说，我们处在一个最好的时代，科技平权的时代， AI的民主化不是大厂给你发API密钥，咱们任何人只要愿意花四个月时间，就能在自己的电脑上，造一个属于自己的大语言模型。想玩的直接去他们的GitHub仓库，npm install就能跑。浏览器demo的链接我放评论区了👇

AYi

62,879 Aufrufe • vor 1 Monat

一个10岁的中国小男孩在Bilibili上传了一段4分钟的视频，平静地讲述着AI时代里，人类最后的护城河是“信任” 他穿着North Face外套，坐在书桌前，身后是一整面显示器墙。说话的语气冷静得像个成年媒体评论员。他讲得很有道理：AI很快就能每分钟生成上千条模仿任何创作者的声音和风格的视频，唯一无法被复制的，只有那句“我信任这个人”。视频发出去的第二天，一位清华大学AI伦理研究员转发了这条视频，只写了一句话： 1:15秒，暂停看这里。大家这才发现，在他MacBook屏幕右边的浏览器标签里，打开的根本不是讲稿或笔记，而是一个实时交易钱包 gabagool22 盈利：+$868,862 交易次数：28,620笔全部是BTC 15分钟市场，全部绿色单笔最大盈利：$4,696 他用了4分钟告诉大家，人类的最后护城河是信任。而他MacBook上的钱包，每15分钟就能赚到他整个视频收益好几倍的钱。评论区瞬间炸锅。有人把视频慢放到0.25倍，有人逐帧截图，有人把屏幕反射和URL栏拼起来，完整还原了他的钱包页面。后来大家才知道：这面显示器墙根本不是用来剪视频的，而是常年显示BTC 15分钟盘口的战场。这个小男孩从8岁开始，就看着每一根15分钟K线收盘变绿长大。他父亲两年前就用他的名义注册了这个钱包，给他买了相机、显示器和North Face外套。他穿的每一件外套，都是“第一笔大盈利”后的奖励。他不是一个10岁小孩在讲信任。他是一个10岁小孩，已经站在一台用信任包装、实际却在疯狂印钞的AI代理前面。他告诉互联网：AI取代不了有信任的创作者。而他的钱包，其实早在两年前他第一次站到镜头前，就已经把他“取代”了。视频目前播放量已经超过340万。曝光钱包的剪辑又多了200万。无数中国家长还在转发这条视频，教育自己的孩子要培养“人类特有的信任感”。而那面显示器墙后面的机器人，依然在每15分钟稳定地收割着市场。小男孩，依然穿着那件North Face外套。真正的讽刺，从来不是AI有多强，而是有些人，早就把AI变成了自己看不见的影子。

一个10岁的中国小男孩在Bilibili上传了一段4分钟的视频，平静地讲述着AI时代里，人类最后的护城河是“信任” 他穿着North Face外套，坐在书桌前，身后是一整面显示器墙。说话的语气冷静得像个成年媒体评论员。他讲得很有道理：AI很快就能每分钟生成上千条模仿任何创作者的声音和风格的视频，唯一无法被复制的，只有那句“我信任这个人”。视频发出去的第二天，一位清华大学AI伦理研究员转发了这条视频，只写了一句话： 1:15秒，暂停看这里。大家这才发现，在他MacBook屏幕右边的浏览器标签里，打开的根本不是讲稿或笔记，而是一个实时交易钱包 gabagool22 盈利：+$868,862 交易次数：28,620笔全部是BTC 15分钟市场，全部绿色单笔最大盈利：$4,696 他用了4分钟告诉大家，人类的最后护城河是信任。而他MacBook上的钱包，每15分钟就能赚到他整个视频收益好几倍的钱。评论区瞬间炸锅。有人把视频慢放到0.25倍，有人逐帧截图，有人把屏幕反射和URL栏拼起来，完整还原了他的钱包页面。后来大家才知道：这面显示器墙根本不是用来剪视频的，而是常年显示BTC 15分钟盘口的战场。这个小男孩从8岁开始，就看着每一根15分钟K线收盘变绿长大。他父亲两年前就用他的名义注册了这个钱包，给他买了相机、显示器和North Face外套。他穿的每一件外套，都是“第一笔大盈利”后的奖励。他不是一个10岁小孩在讲信任。他是一个10岁小孩，已经站在一台用信任包装、实际却在疯狂印钞的AI代理前面。他告诉互联网：AI取代不了有信任的创作者。而他的钱包，其实早在两年前他第一次站到镜头前，就已经把他“取代”了。视频目前播放量已经超过340万。曝光钱包的剪辑又多了200万。无数中国家长还在转发这条视频，教育自己的孩子要培养“人类特有的信任感”。而那面显示器墙后面的机器人，依然在每15分钟稳定地收割着市场。小男孩，依然穿着那件North Face外套。真正的讽刺，从来不是AI有多强，而是有些人，早就把AI变成了自己看不见的影子。

0Xkook

76,511 Aufrufe • vor 7 Tagen

千万别拿我和张雪峰这个大傻逼作对比。网友：我想学AI相关的专业，我对AI很感兴趣，请问我应该选计算机还是数学？我：你一定要选计算机，先把python和数据结构基础打好，然后从deep learning这门课开始学，可以在家配置一个nvidia GPU的笔记本或者台式机，或者用google colab，先从最简单的 CNN 开始训练，找一个dataset，自己安装好pytorch和cuda、cudnn，抄一个经典CNN model，训练你的第一个神经网络，然后可以学习transformer，学习encoder only的BERT，学习decoder only的GPT模型，从minGPT开始，训练你的最小版本的GPT模型，如果你对训练模型感兴趣，可以读个PhD，如果你的inference感兴趣，可以多花点时间看cuda，简单学习一下nvidia tensor core architecture，可以了解GPT后续的模型的架构，如果你对inference感兴趣，你也可以直接看vllm的架构，读里面的代码，理解vllm是如何load一个用pytorch训练好的LLM模型，如果你对AI Agent感兴趣，可以从ReAct Agent开始看，然后看SWE Agent，知道一个Agent是如何抽象出来的，如何调用function call，如何自己做reasoning，如何把一个软件开发的任务用agentical的方式拆分和执行的，然后你可以看codex的架构，看看codex是如何设计memory、auto compact、multi agent、background task这些现代coding Agent功能的。张雪峰（下面视频中可以找到原话）：孩子，你一定要学数学，数学学好了可以转互联网、AI、科技、半导体、金融所有专业，数学是一切专业之母，所有专业的老祖宗！孩子，deepseek就是一群纯数学博士造出来的，这些人天天研究数学，就把deepseek造出来了！孩子，AI本质就是数学建模，就是一个个自变量，你只有研究数学，一直读到数学博士，才能把这些数学建模研究明白，计算机毕业生是永远研究不明白AI的！我的结论是，鼓吹“数学万能论”、“数学是一切专业的老祖宗”、“只有数学博士才能研究AI”的张雪峰和他们的粉丝，都是彻彻底底的大傻逼。

千万别拿我和张雪峰这个大傻逼作对比。网友：我想学AI相关的专业，我对AI很感兴趣，请问我应该选计算机还是数学？我：你一定要选计算机，先把python和数据结构基础打好，然后从deep learning这门课开始学，可以在家配置一个nvidia GPU的笔记本或者台式机，或者用google colab，先从最简单的 CNN 开始训练，找一个dataset，自己安装好pytorch和cuda、cudnn，抄一个经典CNN model，训练你的第一个神经网络，然后可以学习transformer，学习encoder only的BERT，学习decoder only的GPT模型，从minGPT开始，训练你的最小版本的GPT模型，如果你对训练模型感兴趣，可以读个PhD，如果你的inference感兴趣，可以多花点时间看cuda，简单学习一下nvidia tensor core architecture，可以了解GPT后续的模型的架构，如果你对inference感兴趣，你也可以直接看vllm的架构，读里面的代码，理解vllm是如何load一个用pytorch训练好的LLM模型，如果你对AI Agent感兴趣，可以从ReAct Agent开始看，然后看SWE Agent，知道一个Agent是如何抽象出来的，如何调用function call，如何自己做reasoning，如何把一个软件开发的任务用agentical的方式拆分和执行的，然后你可以看codex的架构，看看codex是如何设计memory、auto compact、multi agent、background task这些现代coding Agent功能的。张雪峰（下面视频中可以找到原话）：孩子，你一定要学数学，数学学好了可以转互联网、AI、科技、半导体、金融所有专业，数学是一切专业之母，所有专业的老祖宗！孩子，deepseek就是一群纯数学博士造出来的，这些人天天研究数学，就把deepseek造出来了！孩子，AI本质就是数学建模，就是一个个自变量，你只有研究数学，一直读到数学博士，才能把这些数学建模研究明白，计算机毕业生是永远研究不明白AI的！我的结论是，鼓吹“数学万能论”、“数学是一切专业的老祖宗”、“只有数学博士才能研究AI”的张雪峰和他们的粉丝，都是彻彻底底的大傻逼。

lidang 立党（劝人卖房/学CS/买SP500/纳100/OpenAI/Anthrop第一人）

266,062 Aufrufe • vor 2 Monaten

今天 Meta 发布了最新的开源模型的 Llama 3 首发和之前一样，包括了 8B 和 70B 两个版本，小扎说还有个 400B 参数的大号版预计在夏天发布，这可能是第一个 GPT-4 级别的开源模型！Meta 这次在 15T 的数据集上训练了一个 8B 的小模型，在参数规模、易用性和推理能力上做了最佳平衡，看来有算力真香😄 同时 Meta 也推出了自己的 ChatGPT 产品 Chat AI 了。。其实 HuggingChat 也不错的你可以在这里体验所有的开源大语言模型

今天 Meta 发布了最新的开源模型的 Llama 3 首发和之前一样，包括了 8B 和 70B 两个版本，小扎说还有个 400B 参数的大号版预计在夏天发布，这可能是第一个 GPT-4 级别的开源模型！Meta 这次在 15T 的数据集上训练了一个 8B 的小模型，在参数规模、易用性和推理能力上做了最佳平衡，看来有算力真香😄 同时 Meta 也推出了自己的 ChatGPT 产品 Chat AI 了。。其实 HuggingChat 也不错的你可以在这里体验所有的开源大语言模型

indigo

183,903 Aufrufe • vor 2 Jahren

拔掉网线，全程断网单机运行 2000 亿参数的 AI 模型。跑这套系统的设备有多大？一只手就能稳稳托住。 AMD 拿出了目前全球最小的 AI 开发系统。苏姿丰直接把这台主机端了出来。里面塞进了他们最高端的 Ryzen AI Max 处理器。搭配的是 128GB 高速统一内存。算力能装进巴掌大小的空间，靠的是底层架构设计。这 128GB 内存由 CPU、GPU 和 NPU 三方直接共享。省去了数据在不同模块间来回搬运的损耗。系统整体性能被大幅拉升。硬生生把跑大型 AI 模型的算力，压缩进了一台微型桌面台式机里。大模型的硬件门槛正在被物理击穿。跑千亿参数模型曾经必须依赖庞大的云端机房。现在直接变成了摆在桌面上的一台离线私有设备。

拔掉网线，全程断网单机运行 2000 亿参数的 AI 模型。跑这套系统的设备有多大？一只手就能稳稳托住。 AMD 拿出了目前全球最小的 AI 开发系统。苏姿丰直接把这台主机端了出来。里面塞进了他们最高端的 Ryzen AI Max 处理器。搭配的是 128GB 高速统一内存。算力能装进巴掌大小的空间，靠的是底层架构设计。这 128GB 内存由 CPU、GPU 和 NPU 三方直接共享。省去了数据在不同模块间来回搬运的损耗。系统整体性能被大幅拉升。硬生生把跑大型 AI 模型的算力，压缩进了一台微型桌面台式机里。大模型的硬件门槛正在被物理击穿。跑千亿参数模型曾经必须依赖庞大的云端机房。现在直接变成了摆在桌面上的一台离线私有设备。

墓碑科技

32,138 Aufrufe • vor 25 Tagen

下一个诺贝尔奖，可能非他莫属。还记得谷歌Deepmind团队，靠AI也就是Alpha fold拿了诺贝尔奖吗？就在刚刚，他们又扔出了一枚“核弹”——AlphaGenome新的 AI 模型。这次，他们直接把人类基因组这本“天书”给读懂了。我刚看完 DeepMind 团队最新的访谈，信息量大到爆炸。这次，他们不仅比人类医生更早预测癌症，更主要的是，他们开始触碰生命的底层代码。如果你关心 AI，关心人类寿命，关心未来医疗，这几点你必须知道。第一：AI 终于攻破了 98% 的“暗物质”。访谈一开场，DeepMind 就指出了一个事实。我们人类的基因组里，真正负责编码蛋白质的，只有 2%。剩下的 98%，在过去很长一段时间里，都被认为是“垃圾 DNA”。但 Alpha Genome 告诉我们：这 98%，根本不是垃圾，而是进化的源代码。 Alpha Genome 厉害在哪呢？它可以预测，在这 98% 的非编码区里，哪怕只有一个字母、一个基因突变，会给生命体带来什么后果。这意味着，我们终于能看懂剩下的 98% 的基因天书。第二：打破技术的“不可能三角”。这点真的非常反直觉。以前搞生物 AI，有个死规矩：如果你想看的广，就看不清细节；你想看清细节，视野就会变得很窄。就好比我们看地图：你要么看清整个城市的轮廓，但是看不清街道；要么你放大看清街道，但是不知道是城市的哪个角落。而 Alpha Genome 的神奇之处在于，它能够一口气读完长达几百万字的基因天书，同时还能拿着放大镜，看清里面每一个单碱基的错误。 DeepMind 团队在访谈里透露，为了做到这一点，他们采用了一种极其变态的数据压缩技术，真正把生命代码给看透了。第三：它比医生更早发现癌症。大家知道，在癌症病人的基因里，通常有两种突变。一种是“司机突变”，叫 driver。它是导致癌症的元凶，就像是劫持了一辆车的疯狂司机。另一种叫“乘客突变”，passenger。它其实对身体没什么大的影响。那以前怎么区分这两者呢？主要就是靠医生，在实验室里一个一个做实验。但在这次访谈中，DeepMind 团队做出了一个极其大胆的实验。他们没有专门去教模型什么是癌症，也没有给模型去喂各种癌症的数据库，而是直接把一堆混杂着司机和乘客的突变序列，扔给了 Alpha Genome。然后问它：你觉得，哪些突变会破坏生物功能？实验结果太震撼了。模型给出的预测排名中，最靠前的那些突变，精准地对应了现实中已知的癌症凶手。这就意味着，Alpha Genome 并不是像过去那样，通过检索已知的癌症点位，而是像一个资深的侦探，通过分析基因序列的上下文，通过逻辑推理出了谁是坏人。视频里，研究人员非常自豪地说：把模型的预测结果，和生物学家在实验室里花了几年时间做出来的结果放在一起，结果惊人地一致。这意味着，未来的医生不再需要拿着小白鼠一个个试错。 AI 扫一眼基因代码，就能揪出那个藏在几百万个基因字母里面的元凶。最良心的是：它开源了。 DeepMind 这次没有把技术锁在护城河里，他们已经发布了开源模型权重和 API 接口。最后我想说：我们正处于一个科技大爆发的历史性转折点。就像Elon Musk说的——我们正活在起点当中。如果说 AlphaFold是让我们看清了生命的砖块，那 AlphaGenome，就是在教我们阅读生命的蓝图。 AI 不仅在生成视频、写代码、写文章。它正在以我们无法想象的速度，从底层去理解生命。我现在 95% 的工作，都是指挥 AI 来完成。我深深感到，现在最可怕的不是 AI 会不会取代你的工作。而是，当 AI 这样的划时代科技出现时，一个人却因为傲慢、恐惧，甚至是懒惰，拒绝学习和使用它。

下一个诺贝尔奖，可能非他莫属。还记得谷歌Deepmind团队，靠AI也就是Alpha fold拿了诺贝尔奖吗？就在刚刚，他们又扔出了一枚“核弹”——AlphaGenome新的 AI 模型。这次，他们直接把人类基因组这本“天书”给读懂了。我刚看完 DeepMind 团队最新的访谈，信息量大到爆炸。这次，他们不仅比人类医生更早预测癌症，更主要的是，他们开始触碰生命的底层代码。如果你关心 AI，关心人类寿命，关心未来医疗，这几点你必须知道。第一：AI 终于攻破了 98% 的“暗物质”。访谈一开场，DeepMind 就指出了一个事实。我们人类的基因组里，真正负责编码蛋白质的，只有 2%。剩下的 98%，在过去很长一段时间里，都被认为是“垃圾 DNA”。但 Alpha Genome 告诉我们：这 98%，根本不是垃圾，而是进化的源代码。 Alpha Genome 厉害在哪呢？它可以预测，在这 98% 的非编码区里，哪怕只有一个字母、一个基因突变，会给生命体带来什么后果。这意味着，我们终于能看懂剩下的 98% 的基因天书。第二：打破技术的“不可能三角”。这点真的非常反直觉。以前搞生物 AI，有个死规矩：如果你想看的广，就看不清细节；你想看清细节，视野就会变得很窄。就好比我们看地图：你要么看清整个城市的轮廓，但是看不清街道；要么你放大看清街道，但是不知道是城市的哪个角落。而 Alpha Genome 的神奇之处在于，它能够一口气读完长达几百万字的基因天书，同时还能拿着放大镜，看清里面每一个单碱基的错误。 DeepMind 团队在访谈里透露，为了做到这一点，他们采用了一种极其变态的数据压缩技术，真正把生命代码给看透了。第三：它比医生更早发现癌症。大家知道，在癌症病人的基因里，通常有两种突变。一种是“司机突变”，叫 driver。它是导致癌症的元凶，就像是劫持了一辆车的疯狂司机。另一种叫“乘客突变”，passenger。它其实对身体没什么大的影响。那以前怎么区分这两者呢？主要就是靠医生，在实验室里一个一个做实验。但在这次访谈中，DeepMind 团队做出了一个极其大胆的实验。他们没有专门去教模型什么是癌症，也没有给模型去喂各种癌症的数据库，而是直接把一堆混杂着司机和乘客的突变序列，扔给了 Alpha Genome。然后问它：你觉得，哪些突变会破坏生物功能？实验结果太震撼了。模型给出的预测排名中，最靠前的那些突变，精准地对应了现实中已知的癌症凶手。这就意味着，Alpha Genome 并不是像过去那样，通过检索已知的癌症点位，而是像一个资深的侦探，通过分析基因序列的上下文，通过逻辑推理出了谁是坏人。视频里，研究人员非常自豪地说：把模型的预测结果，和生物学家在实验室里花了几年时间做出来的结果放在一起，结果惊人地一致。这意味着，未来的医生不再需要拿着小白鼠一个个试错。 AI 扫一眼基因代码，就能揪出那个藏在几百万个基因字母里面的元凶。最良心的是：它开源了。 DeepMind 这次没有把技术锁在护城河里，他们已经发布了开源模型权重和 API 接口。最后我想说：我们正处于一个科技大爆发的历史性转折点。就像Elon Musk说的——我们正活在起点当中。如果说 AlphaFold是让我们看清了生命的砖块，那 AlphaGenome，就是在教我们阅读生命的蓝图。 AI 不仅在生成视频、写代码、写文章。它正在以我们无法想象的速度，从底层去理解生命。我现在 95% 的工作，都是指挥 AI 来完成。我深深感到，现在最可怕的不是 AI 会不会取代你的工作。而是，当 AI 这样的划时代科技出现时，一个人却因为傲慢、恐惧，甚至是懒惰，拒绝学习和使用它。

另一面

57,680 Aufrufe • vor 3 Monaten

今晚如果你本来打算刷 2 小时 Netflix 不如看这个 40 分钟 masterclass 来自一家 $20B 中国 AI company 的 Kimi founder 它最有价值的地方不是“讲 AI 很强” 而是把 Agent Swarms 和 AI systems 到底怎么在规模化场景里运作，讲得非常清楚不管你从来没搭过 agent，还是已经每天都在用 Claude，这个内容都值得看真正有意思的是：很多人还在把 AI 当单个工具用但 Agent Swarms 讨论的是另一件事： -- 多个 agent 如何分工 -- 如何协作 -- 如何把任务拆开 -- 如何在系统层面持续运行这也是为什么我把里面的关键思路整理成了一份 practical guide 重点不是单纯理解概念而是怎么真正用 Kimi 去 build

今晚如果你本来打算刷 2 小时 Netflix 不如看这个 40 分钟 masterclass 来自一家 $20B 中国 AI company 的 Kimi founder 它最有价值的地方不是“讲 AI 很强” 而是把 Agent Swarms 和 AI systems 到底怎么在规模化场景里运作，讲得非常清楚不管你从来没搭过 agent，还是已经每天都在用 Claude，这个内容都值得看真正有意思的是：很多人还在把 AI 当单个工具用但 Agent Swarms 讨论的是另一件事： -- 多个 agent 如何分工 -- 如何协作 -- 如何把任务拆开 -- 如何在系统层面持续运行这也是为什么我把里面的关键思路整理成了一份 practical guide 重点不是单纯理解概念而是怎么真正用 Kimi 去 build

0x_Miko

15,970 Aufrufe • vor 17 Tagen

Uber 在一个季度内，把全年的 AI 预算烧光了。但这钱没白花，换来了反常识的结果。CEO Dara 发现，自家的工程师用上 AI 后效率暴增，产出简直像"超人"一样。于是 Uber 做了一个极其现实的决定：既然现有人手这么能干，那就不招新人了。他们开始严格控制增员节奏，用高昂的算力成本，直接锁死了未来的人力扩张。而且这场改造根本不局限于写代码。从工程开发、找 bug、平台迁移，一直到法务和营销团队，AI 已经钻进了 Uber 的每一根毛细血管。Dara 给团队下了死命令：自下而上，用 AI 把系统和流程彻底重构一遍。就算第一步只是让 AI 提升个两三成的效率，那也是赚的。最聪明的还是他们在成本上的算计。搞探索和研发时，闭着眼睛用最贵的 OpenAI 和 Claude，因为前沿模型确实聪明，适合试错。但只要某个场景跑通了、要大规模铺开，他们会立刻切回按 token 算更便宜的模型，或者是开源模型。为什么这么抠细节？因为 Uber 一年哪怕跑出远超 100 亿次的行程，手握 100 多亿自由现金流，本质上依然是个低毛利的苦生意。他们只能靠榨干内部的每一滴效率，来换取终端降价的空间。这就是现在顶尖科技公司的真实玩法。没有空喊口号，算力直接替代人力，用最贵的工具探路，用最省的方案落地。一场冷酷又高效的生产力洗牌，已经在看不见的地方完成了。

Uber 在一个季度内，把全年的 AI 预算烧光了。但这钱没白花，换来了反常识的结果。CEO Dara 发现，自家的工程师用上 AI 后效率暴增，产出简直像"超人"一样。于是 Uber 做了一个极其现实的决定：既然现有人手这么能干，那就不招新人了。他们开始严格控制增员节奏，用高昂的算力成本，直接锁死了未来的人力扩张。而且这场改造根本不局限于写代码。从工程开发、找 bug、平台迁移，一直到法务和营销团队，AI 已经钻进了 Uber 的每一根毛细血管。Dara 给团队下了死命令：自下而上，用 AI 把系统和流程彻底重构一遍。就算第一步只是让 AI 提升个两三成的效率，那也是赚的。最聪明的还是他们在成本上的算计。搞探索和研发时，闭着眼睛用最贵的 OpenAI 和 Claude，因为前沿模型确实聪明，适合试错。但只要某个场景跑通了、要大规模铺开，他们会立刻切回按 token 算更便宜的模型，或者是开源模型。为什么这么抠细节？因为 Uber 一年哪怕跑出远超 100 亿次的行程，手握 100 多亿自由现金流，本质上依然是个低毛利的苦生意。他们只能靠榨干内部的每一滴效率，来换取终端降价的空间。这就是现在顶尖科技公司的真实玩法。没有空喊口号，算力直接替代人力，用最贵的工具探路，用最省的方案落地。一场冷酷又高效的生产力洗牌，已经在看不见的地方完成了。

墓碑科技

52,996 Aufrufe • vor 9 Tagen

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

300,591 Aufrufe • vor 1 Jahr

HeyGen这次开源，把AI做视频的最后一道门槛拆没了🤯 他们用Claude Code写代码，做了自己的50秒产品发布视频，然后把整个工具链完整开源给了所有人，致敬开源🫡 以后做视频真的能简单到离谱，给一句话，做一个30秒的产品介绍，给一个PDF，自动生成总结视频，迭代就是改一句话的事，比如把标题放大两倍，第三秒加一个淡入转场等，这个工具叫HyperFrames，本质上就是一个纯HTML转MP4的视频渲染框架。所以其实我们不用学任何剪辑软件，也不用写复杂的React代码，只要写普通HTML，加几个简单的data属性，就能定义视频的每一帧、时间线、动画和音轨。 HyperFrames从第一天起就是为AI代理原生设计的。 AI天生就会写HTML，现在Claude、Cursor、Gemini所有编码Agent，只要装一个skill，立刻就会做视频。这妥妥的降维打击啊，以前Remotion把视频变成了代码，但它需要你会React，需要构建流程，属于开发者专属的玩具。 HyperFrames是把视频变成了纯HTML，零构建，无DSL，不需要任何前置知识。说白了，Remotion是给人写的，HyperFrames是给AI写的。以前AI能写文字，能生成图片，但视频一直是最后一块硬骨头，现在这块骨头也被啃下来了。代理现在能端到端完成一整条内容流水线，调研，写脚本，做设计，加动画，最后直接渲染出成品视频，全程不需要人类碰一下。它还自带50+官方现成组件，社交遮罩、图表、转场，一行命令一键安装。支持GSAP、Lottie、Three.js所有主流动画库，随便混用。也就是说，同一份HTML永远出一样的结果，完美适合自动化流水线。官方甚至把视频语言都标准化了，缓动用snappy，bouncy，转场用能量等级，字幕分Hype/Corporate/Tutorial三种风格。 AI只要学会这套词汇，就能稳定输出专业级视频，这不就是在教AI做导演嘛🤣 这对HeyGen来说也是一步妙棋，他们不再只是一个卖AI头像的SaaS公司，现在能做整个AI视频时代的基础设施了，未来所有AI代理生成的视频都能跑在HyperFrames上。然后再无缝接入HeyGen的头像、语音、翻译能力，形成一个完美的闭环。当然目前也不是完美的，初期输出还有AI味，超过一分钟的复杂长视频，渲染还需要较强算力。但我觉得这都不重要，关键是它第一次把完整的视频生产力交给了AI Agent，相当于AI内容创作时代的又一个里程碑。想试的直接去GitHub搜heygen-com/hyperframes。跑一行npx hyperframes init，然后让Claude帮你做第一个视频。 #HyperFrames #HeyGen #AI视频 #AI代理 #开发者 #内容创作

HeyGen这次开源，把AI做视频的最后一道门槛拆没了🤯 他们用Claude Code写代码，做了自己的50秒产品发布视频，然后把整个工具链完整开源给了所有人，致敬开源🫡 以后做视频真的能简单到离谱，给一句话，做一个30秒的产品介绍，给一个PDF，自动生成总结视频，迭代就是改一句话的事，比如把标题放大两倍，第三秒加一个淡入转场等，这个工具叫HyperFrames，本质上就是一个纯HTML转MP4的视频渲染框架。所以其实我们不用学任何剪辑软件，也不用写复杂的React代码，只要写普通HTML，加几个简单的data属性，就能定义视频的每一帧、时间线、动画和音轨。 HyperFrames从第一天起就是为AI代理原生设计的。 AI天生就会写HTML，现在Claude、Cursor、Gemini所有编码Agent，只要装一个skill，立刻就会做视频。这妥妥的降维打击啊，以前Remotion把视频变成了代码，但它需要你会React，需要构建流程，属于开发者专属的玩具。 HyperFrames是把视频变成了纯HTML，零构建，无DSL，不需要任何前置知识。说白了，Remotion是给人写的，HyperFrames是给AI写的。以前AI能写文字，能生成图片，但视频一直是最后一块硬骨头，现在这块骨头也被啃下来了。代理现在能端到端完成一整条内容流水线，调研，写脚本，做设计，加动画，最后直接渲染出成品视频，全程不需要人类碰一下。它还自带50+官方现成组件，社交遮罩、图表、转场，一行命令一键安装。支持GSAP、Lottie、Three.js所有主流动画库，随便混用。也就是说，同一份HTML永远出一样的结果，完美适合自动化流水线。官方甚至把视频语言都标准化了，缓动用snappy，bouncy，转场用能量等级，字幕分Hype/Corporate/Tutorial三种风格。 AI只要学会这套词汇，就能稳定输出专业级视频，这不就是在教AI做导演嘛🤣 这对HeyGen来说也是一步妙棋，他们不再只是一个卖AI头像的SaaS公司，现在能做整个AI视频时代的基础设施了，未来所有AI代理生成的视频都能跑在HyperFrames上。然后再无缝接入HeyGen的头像、语音、翻译能力，形成一个完美的闭环。当然目前也不是完美的，初期输出还有AI味，超过一分钟的复杂长视频，渲染还需要较强算力。但我觉得这都不重要，关键是它第一次把完整的视频生产力交给了AI Agent，相当于AI内容创作时代的又一个里程碑。想试的直接去GitHub搜heygen-com/hyperframes。跑一行npx hyperframes init，然后让Claude帮你做第一个视频。 #HyperFrames #HeyGen #AI视频 #AI代理 #开发者 #内容创作

AYi

36,103 Aufrufe • vor 1 Monat

有个大学生，拿了2400美元奖学金，没干别的，全花在一台iPad和一台Mac Mini上了。家里人一看，觉得挺欣慰：买电脑嘛，肯定是为了学习。室友瞄了一眼那堆设备，半开玩笑说：这架势，不会是要挖矿吧？其实都不是。他从GitHub上扒下来39个AI代理的代码，敲了回车，直接睡觉去了。第二天早上醒过来，终端那边已经把活儿干完了——差不多是初级开发干四天的量。没有bug，没问过一个问题，也不用人在旁边盯着。他录了个屏，到第40秒的时候你仔细看，最上层跑着个叫OpenClaw的东西。就是这一层，能让所有代理同时看清整个项目的结构，自己决定接下来该动哪里。 iPad相当于他的办公室，Mac Mini就是给他干活的员工。他去上课的时候，机器就在宿舍里接着跑。一个月后，来了第一个客户。再过一周，又来一个。正经外包公司要接同样量的活儿，一个月得收一万六美元左右。他这套东西跑起来的成本呢？21美元。也就大半年前，这种配置还只有那些拿了钱的初创公司才搭得起来。现在呢，一个大学生拿奖学金就搞定了。玩法已经变了，只是大多数人还没意识到。同样的逻辑，换个地方也成立——比如PolyCop，能让你自动跟单Polymarket上那些顶级交易员的操作，不用自己盯着盘。钱在动，你不用动。这事儿挺有意思，值得留意。

有个大学生，拿了2400美元奖学金，没干别的，全花在一台iPad和一台Mac Mini上了。家里人一看，觉得挺欣慰：买电脑嘛，肯定是为了学习。室友瞄了一眼那堆设备，半开玩笑说：这架势，不会是要挖矿吧？其实都不是。他从GitHub上扒下来39个AI代理的代码，敲了回车，直接睡觉去了。第二天早上醒过来，终端那边已经把活儿干完了——差不多是初级开发干四天的量。没有bug，没问过一个问题，也不用人在旁边盯着。他录了个屏，到第40秒的时候你仔细看，最上层跑着个叫OpenClaw的东西。就是这一层，能让所有代理同时看清整个项目的结构，自己决定接下来该动哪里。 iPad相当于他的办公室，Mac Mini就是给他干活的员工。他去上课的时候，机器就在宿舍里接着跑。一个月后，来了第一个客户。再过一周，又来一个。正经外包公司要接同样量的活儿，一个月得收一万六美元左右。他这套东西跑起来的成本呢？21美元。也就大半年前，这种配置还只有那些拿了钱的初创公司才搭得起来。现在呢，一个大学生拿奖学金就搞定了。玩法已经变了，只是大多数人还没意识到。同样的逻辑，换个地方也成立——比如PolyCop，能让你自动跟单Polymarket上那些顶级交易员的操作，不用自己盯着盘。钱在动，你不用动。这事儿挺有意思，值得留意。

区块链行情研究

100,355 Aufrufe • vor 1 Monat

Clawdbot的创造者说，他最喜欢的模型是Claude Opus。但编程能力最强的，竟然是OpenAI的旧模型Codex。为什么？他说用Codex写代码，有95%的把握可以直接运行。因为它能理解大型代码库，需要的“人工干预”更少。这就像一个经验丰富的老员工，话不多，但活儿干得漂亮。而Claude Opus，虽然被认为综合能力更强，但在编程这个具体任务上，却需要更多技巧和引导才能达到同样效果。有点像一个很聪明但经验不足的新人。这引出一个有趣的问题。我们真的需要那个最“聪明”、最像人的AI吗？还是说，在特定领域，我们更需要一个可靠、高效、甚至有点“无聊”的工具？ Opus更像人，甚至会在聊天中讲出真正好笑的笑话。但Codex在专业领域更可靠。这是否揭示了通用人工智能（AGI）发展的一个岔路口？是追求一个无所不能但样样不精的“全才”，还是打造一系列在各自领域做到极致的“专才”？从制造业到高科技，美国产业的核心优势，向来是那些专注于解决具体问题的实用工具，而不是那些空泛的概念。技术的终点，究竟是创造一个和我们一样的“伙伴”，还是一个能把工作做到极致的工具？这两种路线，哪一个对恢复美国制造业和技术领导地位更有利？

Clawdbot的创造者说，他最喜欢的模型是Claude Opus。但编程能力最强的，竟然是OpenAI的旧模型Codex。为什么？他说用Codex写代码，有95%的把握可以直接运行。因为它能理解大型代码库，需要的“人工干预”更少。这就像一个经验丰富的老员工，话不多，但活儿干得漂亮。而Claude Opus，虽然被认为综合能力更强，但在编程这个具体任务上，却需要更多技巧和引导才能达到同样效果。有点像一个很聪明但经验不足的新人。这引出一个有趣的问题。我们真的需要那个最“聪明”、最像人的AI吗？还是说，在特定领域，我们更需要一个可靠、高效、甚至有点“无聊”的工具？ Opus更像人，甚至会在聊天中讲出真正好笑的笑话。但Codex在专业领域更可靠。这是否揭示了通用人工智能（AGI）发展的一个岔路口？是追求一个无所不能但样样不精的“全才”，还是打造一系列在各自领域做到极致的“专才”？从制造业到高科技，美国产业的核心优势，向来是那些专注于解决具体问题的实用工具，而不是那些空泛的概念。技术的终点，究竟是创造一个和我们一样的“伙伴”，还是一个能把工作做到极致的工具？这两种路线，哪一个对恢复美国制造业和技术领导地位更有利？

墓碑科技

62,012 Aufrufe • vor 4 Monaten

Damn，刷到这个帖子我瞬间愣了，AI迭代速度已经疯了，有点跟不上节奏了🤯 我一开始以为这又是一个生成视频的新工具，点进去发现根本不是一回事。 Higgsfield昨天刚发的Virality Predictor，直接把脑科学塞进了内容创作流程。上传一段15秒以内的视频，几秒就能给你出完整的人脑反应报告。整体病毒潜力，前3秒钩子得分，全程注意力保持曲线，还有彩色的脑区激活热图，告诉你观众的大脑哪部分被点亮了。最狠的是它和Claude的打通，可以一句话生成500个产品视频变体，然后全部丢进预测器自动筛掉垃圾，只放大高分版本直接投流，从0到已验证高潜力广告，全程自动化。它不是看你视频过去像不像爆款。而是用AI模拟700多个人、500多小时fMRI数据训练出来的人脑，预测你看到这段视频时的真实神经反应。我们以前做电商短视频，拍，剪，烧钱测，看数据，迭代，测试成本是真金白银的广告费。现在做电商短视频，生成，预测，只投高分，测试成本只是一点token费。最牛逼的地方在于大脑亮不等于一定爆，一些高认知负荷的内容会让大脑很活跃，但普通人刷到就会直接滑走。真正的病毒性，只看前3秒钩子得分和视觉拉力。和你有没有深度，有没有道理，一点关系都没有。也就是说以前爆款靠灵感，现在爆款靠系统。所以当别人还在熬夜想创意的时候，你已经用AI筛完了500个版本，知道哪10个能爆。而且工具越强，越考验人的判断，它能帮你砍掉80%的无效创意，但选什么方向，解读什么结果，永远是人说了算。我感觉2026年的电商短视频战场，已经不是比谁创意好，而是比谁能用AI先把非爆款干掉，所有还在靠感觉做内容的人可真的要跟不上了。 #AI工具 #短视频创业

Damn，刷到这个帖子我瞬间愣了，AI迭代速度已经疯了，有点跟不上节奏了🤯 我一开始以为这又是一个生成视频的新工具，点进去发现根本不是一回事。 Higgsfield昨天刚发的Virality Predictor，直接把脑科学塞进了内容创作流程。上传一段15秒以内的视频，几秒就能给你出完整的人脑反应报告。整体病毒潜力，前3秒钩子得分，全程注意力保持曲线，还有彩色的脑区激活热图，告诉你观众的大脑哪部分被点亮了。最狠的是它和Claude的打通，可以一句话生成500个产品视频变体，然后全部丢进预测器自动筛掉垃圾，只放大高分版本直接投流，从0到已验证高潜力广告，全程自动化。它不是看你视频过去像不像爆款。而是用AI模拟700多个人、500多小时fMRI数据训练出来的人脑，预测你看到这段视频时的真实神经反应。我们以前做电商短视频，拍，剪，烧钱测，看数据，迭代，测试成本是真金白银的广告费。现在做电商短视频，生成，预测，只投高分，测试成本只是一点token费。最牛逼的地方在于大脑亮不等于一定爆，一些高认知负荷的内容会让大脑很活跃，但普通人刷到就会直接滑走。真正的病毒性，只看前3秒钩子得分和视觉拉力。和你有没有深度，有没有道理，一点关系都没有。也就是说以前爆款靠灵感，现在爆款靠系统。所以当别人还在熬夜想创意的时候，你已经用AI筛完了500个版本，知道哪10个能爆。而且工具越强，越考验人的判断，它能帮你砍掉80%的无效创意，但选什么方向，解读什么结果，永远是人说了算。我感觉2026年的电商短视频战场，已经不是比谁创意好，而是比谁能用AI先把非爆款干掉，所有还在靠感觉做内容的人可真的要跟不上了。 #AI工具 #短视频创业

AYi

88,113 Aufrufe • vor 1 Monat

白宫加密政策主管David Sacks：四年内AI 大模型能力将增长一百万倍！ “我认为目前至少在三个关键维度上，进步的速度都是指数级的。” “首先是算法本身。模型每年提升的速度大概是 3-4 倍。” “它们不仅仅是在速度和性能上更快更好，而且将从量变到质变。” “接着是推理模型。” “我们甚至还没有真正进入智能代理时代，但这将是继推理模型之后的下一个重大飞跃。” “在这个领域，我们才刚刚开始（推理算力增加带来的能力增加也将是倍数增长）。” “接下来是芯片。” “根据多种衡量标准，每一代芯片的性能可能比上一代提高 3-4 倍。” “不只是单个芯片在不断进步，他们还在研究如何将这些芯片联网在一起。” “就像 NVL72 系统，它类似于一个机架系统，可以在数据中心级别大幅提升性能。” “计算能力是第三个你会看到基本上呈指数级进步的领域。” “只需要看看数据中心中部署的 GPU 数量。” “当马斯克最初开始训练 Grok 时，我认为他们大概有 10 万块 GPU。现在已经有 30 万块 GPU，而且正朝着百万块 GPU的目标迈进。OpenAI 的数据中心 Stargate 也是同样的情况。” “在接下来的几年中，他们可能会发展到 500 万、1000 万块 GPU。” 1,000,000 倍的增长是怎么得出的： “算法、芯片和数据中心的扩展和改进速度都是每年 3-4 倍。” “也就是说，每两年进步 10 倍。” “很多人没有理解指数级进步的含义：如果每两年提升 10 倍，并不意味着四年后你只是提升 20 倍。” “这实际上意味着提升 100 倍。” “把这些因素相乘：算法、芯片，以及可用于 AI 的原始计算能力。” 100 倍模型 🧠 × 100 倍芯片 💾 × 100 倍计算能力 ⚡️ = 1,000,000 倍的 AI 大模型🤖 “你所谈论的就是 1,000,000 倍的能力增长。” “但这种变革的影响将是绝对巨大的。” “我觉得人们还没有充分认识到这一点，因为他们不了解指数级进步的意义。”

白宫加密政策主管David Sacks：四年内AI 大模型能力将增长一百万倍！ “我认为目前至少在三个关键维度上，进步的速度都是指数级的。” “首先是算法本身。模型每年提升的速度大概是 3-4 倍。” “它们不仅仅是在速度和性能上更快更好，而且将从量变到质变。” “接着是推理模型。” “我们甚至还没有真正进入智能代理时代，但这将是继推理模型之后的下一个重大飞跃。” “在这个领域，我们才刚刚开始（推理算力增加带来的能力增加也将是倍数增长）。” “接下来是芯片。” “根据多种衡量标准，每一代芯片的性能可能比上一代提高 3-4 倍。” “不只是单个芯片在不断进步，他们还在研究如何将这些芯片联网在一起。” “就像 NVL72 系统，它类似于一个机架系统，可以在数据中心级别大幅提升性能。” “计算能力是第三个你会看到基本上呈指数级进步的领域。” “只需要看看数据中心中部署的 GPU 数量。” “当马斯克最初开始训练 Grok 时，我认为他们大概有 10 万块 GPU。现在已经有 30 万块 GPU，而且正朝着百万块 GPU的目标迈进。OpenAI 的数据中心 Stargate 也是同样的情况。” “在接下来的几年中，他们可能会发展到 500 万、1000 万块 GPU。” 1,000,000 倍的增长是怎么得出的： “算法、芯片和数据中心的扩展和改进速度都是每年 3-4 倍。” “也就是说，每两年进步 10 倍。” “很多人没有理解指数级进步的含义：如果每两年提升 10 倍，并不意味着四年后你只是提升 20 倍。” “这实际上意味着提升 100 倍。” “把这些因素相乘：算法、芯片，以及可用于 AI 的原始计算能力。” 100 倍模型 🧠 × 100 倍芯片 💾 × 100 倍计算能力 ⚡️ = 1,000,000 倍的 AI 大模型🤖 “你所谈论的就是 1,000,000 倍的能力增长。” “但这种变革的影响将是绝对巨大的。” “我觉得人们还没有充分认识到这一点，因为他们不了解指数级进步的意义。”

夜谈

25,895 Aufrufe • vor 1 Jahr

卧槽，这个模型真的有点东西啊! 看完后就想问什么时候可以上手啊！ Odyssey AI实验室刚刚扔出一个真正让人眼前一亮的家伙：Starchild-1。这是全球第一个实时多模态世界模型。它不只是生成画面，还能同时生成真实世界的声音。视频里你能看到一个完整的场景：画面在动，声音同步响起，视觉和听觉完全融为一体，像真正活过来的世界模拟。以前的世界模型大多只能“看”世界，现在Starchild-1直接学会了“听”。这不仅仅是又一个视频生成工具，更大的意义是朝着通用世界模型又迈出的关键一步，真正理解并模拟物理世界的下一步。 Odyssey团队说，他们正在用这种新形式的多模态智能，重新定义AI对现实的认知。

卧槽，这个模型真的有点东西啊! 看完后就想问什么时候可以上手啊！ Odyssey AI实验室刚刚扔出一个真正让人眼前一亮的家伙：Starchild-1。这是全球第一个实时多模态世界模型。它不只是生成画面，还能同时生成真实世界的声音。视频里你能看到一个完整的场景：画面在动，声音同步响起，视觉和听觉完全融为一体，像真正活过来的世界模拟。以前的世界模型大多只能“看”世界，现在Starchild-1直接学会了“听”。这不仅仅是又一个视频生成工具，更大的意义是朝着通用世界模型又迈出的关键一步，真正理解并模拟物理世界的下一步。 Odyssey团队说，他们正在用这种新形式的多模态智能，重新定义AI对现实的认知。

Berryxia.AI

37,141 Aufrufe • vor 24 Tagen

一个中国开发者录了一段只有2分钟的视频，教大家怎么用Claude Code搭建AI代理背景是三台显示器、乱七八糟的桌子和一堆缠绕的线缆。他本来只是想随便发到Bilibili，没抱多大期望，最多一百个人看就算不错了。结果，这段视频彻底炸了。因为在视频0:47秒的位置，当他伸手指向屏幕讲解的时候，右边那台显示器露出了一个惊人的画面：账户余额清晰可见：$868,862 28,620笔交易，全部是BTC 15分钟市场，全部绿色，没有一笔是红的。单笔最大盈利 $4,696。评论区瞬间变成侦探现场。有人把视频慢放到0.25倍，有人逐帧截图，有人把第二台显示器的画面拼接起来，完整还原了他的钱包页面。有人甚至把URL栏的字符都抠了出来。他发现不对劲后，赶紧把视频删掉了。但已经晚了。有人提前录了屏，视频迅速在Discord、Telegram、Twitter上疯传。教程原视频只有200播放。而曝光他第二台显示器的剪辑，已经超过40万播放。目前有超过70万人正在围观这个钱包。他从那以后再也没有更新过任何内容。但那些屏幕依然亮着，机器人还在24小时运行，钱包也依然在持续交易。他本来只是想教别人怎么搭建AI代理。却不小心把自己的AI农场和印钞机，一起暴露给了全世界

一个中国开发者录了一段只有2分钟的视频，教大家怎么用Claude Code搭建AI代理背景是三台显示器、乱七八糟的桌子和一堆缠绕的线缆。他本来只是想随便发到Bilibili，没抱多大期望，最多一百个人看就算不错了。结果，这段视频彻底炸了。因为在视频0:47秒的位置，当他伸手指向屏幕讲解的时候，右边那台显示器露出了一个惊人的画面：账户余额清晰可见：$868,862 28,620笔交易，全部是BTC 15分钟市场，全部绿色，没有一笔是红的。单笔最大盈利 $4,696。评论区瞬间变成侦探现场。有人把视频慢放到0.25倍，有人逐帧截图，有人把第二台显示器的画面拼接起来，完整还原了他的钱包页面。有人甚至把URL栏的字符都抠了出来。他发现不对劲后，赶紧把视频删掉了。但已经晚了。有人提前录了屏，视频迅速在Discord、Telegram、Twitter上疯传。教程原视频只有200播放。而曝光他第二台显示器的剪辑，已经超过40万播放。目前有超过70万人正在围观这个钱包。他从那以后再也没有更新过任何内容。但那些屏幕依然亮着，机器人还在24小时运行，钱包也依然在持续交易。他本来只是想教别人怎么搭建AI代理。却不小心把自己的AI农场和印钞机，一起暴露给了全世界

0XDegen

58,470 Aufrufe • vor 3 Tagen

年前多关注ai板块吧中国人参与多的就会有买单！就会有市场🤟 中国开源模型下载量首超美国，一场新的科技竞速正式打响！还在觉得全球 AI 只看硅谷？ MIT × Hugging Face 最新联合报告告诉你：过去一年，全球开源 AI 模型下载量中，中国占比 17% —— 首次超过美国的 15.8%。这不是一个小数点的变化，这是 AI 格局的一声惊雷。意味着一个事实正在出现：中国 AI，不再只是“追赶者”，而是实实在在的“生态领跑者”。一、为什么这个数据爆炸性这么强？开源模型下载量，是 AI 世界最真实的“民意投票”。谁被用、谁被复用、谁被拿去做产品，下载量不会说谎。它比论文数量更接地气，比发布会更诚实，比概念 PPT 更真实。下载量高 = 模型真的“好使”“好用”“好落地”。而这一回，中国冲到第一名，意味着什么？全球开发者正在越来越多地选择中国模型。中国模型正在成为国际生态的一部分，而不是“区域性产品”。中国的 AI 创新正在进入全球循环，而非单向输入。一句话：中国不只在做模型，而是在影响世界开发者。二、为什么中国能“后来居上”？三大原因让人无法忽视 ① 模型数量爆发式增长：百花齐放，开发者用不过来过去一年，中国的开源模型生态堪称“井喷式”增长：中小模型、大模型、多模态、语音、图像…… 能开的都开了，能放的都放了。数量足够大，就能吸引足够多的开发者。 ② 性价比 + 轻量化：世界都在找中国模型“省钱神器” 不是每个团队都训练得起千亿级大模型。但每个团队都想部署一个能跑的模型。而中国模型的特质就是四个字：轻、快、省、能打。全球开发者当然爱。 ③ 中文生态的辐射效应：从东亚扩散到整个亚洲中文模型强，意味着东亚、东南亚用户都能直接受益。更大的人群、更高的需求，带来了更快的下载增长三、美国依然很强，但“唯一主导”时代正在改变必须说，美国仍然拥有：世界最顶级的基础研究算力、芯片、科研体系的深度优势 OpenAI / Google / Meta 等头部力量但这一次的反超给了全球一个清晰的信号： AI 生态不再是“一家独大”。多极化时代正在加速到来。全球开发者的选择，正在慢慢从“硅谷中心论”转向“多中心协作”。四、全球 AI 正进入“群雄争霸”时代这次排名变化背后，是全球 AI 赛道进入全新阶段的标志： ① 从“技术竞赛”升级为“生态竞赛” 谁的模型被更多人用，谁就占据未来话语权。 ② 开源力量影响全球，而中国是关键节点中国模型从“区域下载”变成“全球下载”，这是过去没有出现过的格局。 ③ 创新不再只来自单一地区 AI 正在走向：中国能打、美国能打、欧洲能打、世界都能打。这种竞争更健康，也更刺激。五、结语：这不是终点，而是 AI 全球化的真正开始中国开源模型首次登顶，并不是“谁碾压谁”的故事。它真正意味着：全球 AI，正在进入一个更开放、更多样、更具创造力的新纪元。当中国模型被全球开发者下载、复用、再创造这才是 AI 生态最值得期待的未来。

年前多关注ai板块吧中国人参与多的就会有买单！就会有市场🤟 中国开源模型下载量首超美国，一场新的科技竞速正式打响！还在觉得全球 AI 只看硅谷？ MIT × Hugging Face 最新联合报告告诉你：过去一年，全球开源 AI 模型下载量中，中国占比 17% —— 首次超过美国的 15.8%。这不是一个小数点的变化，这是 AI 格局的一声惊雷。意味着一个事实正在出现：中国 AI，不再只是“追赶者”，而是实实在在的“生态领跑者”。一、为什么这个数据爆炸性这么强？开源模型下载量，是 AI 世界最真实的“民意投票”。谁被用、谁被复用、谁被拿去做产品，下载量不会说谎。它比论文数量更接地气，比发布会更诚实，比概念 PPT 更真实。下载量高 = 模型真的“好使”“好用”“好落地”。而这一回，中国冲到第一名，意味着什么？全球开发者正在越来越多地选择中国模型。中国模型正在成为国际生态的一部分，而不是“区域性产品”。中国的 AI 创新正在进入全球循环，而非单向输入。一句话：中国不只在做模型，而是在影响世界开发者。二、为什么中国能“后来居上”？三大原因让人无法忽视 ① 模型数量爆发式增长：百花齐放，开发者用不过来过去一年，中国的开源模型生态堪称“井喷式”增长：中小模型、大模型、多模态、语音、图像…… 能开的都开了，能放的都放了。数量足够大，就能吸引足够多的开发者。 ② 性价比 + 轻量化：世界都在找中国模型“省钱神器” 不是每个团队都训练得起千亿级大模型。但每个团队都想部署一个能跑的模型。而中国模型的特质就是四个字：轻、快、省、能打。全球开发者当然爱。 ③ 中文生态的辐射效应：从东亚扩散到整个亚洲中文模型强，意味着东亚、东南亚用户都能直接受益。更大的人群、更高的需求，带来了更快的下载增长三、美国依然很强，但“唯一主导”时代正在改变必须说，美国仍然拥有：世界最顶级的基础研究算力、芯片、科研体系的深度优势 OpenAI / Google / Meta 等头部力量但这一次的反超给了全球一个清晰的信号： AI 生态不再是“一家独大”。多极化时代正在加速到来。全球开发者的选择，正在慢慢从“硅谷中心论”转向“多中心协作”。四、全球 AI 正进入“群雄争霸”时代这次排名变化背后，是全球 AI 赛道进入全新阶段的标志： ① 从“技术竞赛”升级为“生态竞赛” 谁的模型被更多人用，谁就占据未来话语权。 ② 开源力量影响全球，而中国是关键节点中国模型从“区域下载”变成“全球下载”，这是过去没有出现过的格局。 ③ 创新不再只来自单一地区 AI 正在走向：中国能打、美国能打、欧洲能打、世界都能打。这种竞争更健康，也更刺激。五、结语：这不是终点，而是 AI 全球化的真正开始中国开源模型首次登顶，并不是“谁碾压谁”的故事。它真正意味着：全球 AI，正在进入一个更开放、更多样、更具创造力的新纪元。当中国模型被全球开发者下载、复用、再创造这才是 AI 生态最值得期待的未来。

加密大师兄

22,361 Aufrufe • vor 6 Monaten

AI公司Anthropic的研究员说了句实话。就算AI技术今天就停滞不前。算法再也没有任何进步。就用现在的模型。五年内，大部分白领工作都会被自动化。怎么做到？一个字，钱。把人类的工作任务一个个拆解，再“喂”给AI。这个成本，已经比付工资给一个白领要低了。经济账算得很清楚。技术进步甚至都不是必要条件。那些曾经以为最安稳的、坐在办公室里的中产岗位。现在反倒成了第一批被优化的对象？科技精英们一边拿着天价薪水，一边设计着取代普通人的工具。这盘棋，到底是谁和谁在下？

AI公司Anthropic的研究员说了句实话。就算AI技术今天就停滞不前。算法再也没有任何进步。就用现在的模型。五年内，大部分白领工作都会被自动化。怎么做到？一个字，钱。把人类的工作任务一个个拆解，再“喂”给AI。这个成本，已经比付工资给一个白领要低了。经济账算得很清楚。技术进步甚至都不是必要条件。那些曾经以为最安稳的、坐在办公室里的中产岗位。现在反倒成了第一批被优化的对象？科技精英们一边拿着天价薪水，一边设计着取代普通人的工具。这盘棋，到底是谁和谁在下？

墓碑科技

63,855 Aufrufe • vor 3 Monaten

清华心理系高材生，9分钟把人性讲透！看完这个视频，我只有一个感觉：原来这世上98%的人，都能被一眼看穿。全程干货无尿点，信息密度极高！这么硬核的内容，在抖音已经被多次举报下架了…… 真正想懂人性、看透人心的人，强烈建议立刻保存！ 9分钟，看完你会对身边人产生一种“降维打击”般的清醒

清华心理系高材生，9分钟把人性讲透！看完这个视频，我只有一个感觉：原来这世上98%的人，都能被一眼看穿。全程干货无尿点，信息密度极高！这么硬核的内容，在抖音已经被多次举报下架了…… 真正想懂人性、看透人心的人，强烈建议立刻保存！ 9分钟，看完你会对身边人产生一种“降维打击”般的清醒

Huan

190,998 Aufrufe • vor 1 Monat