Video yükleniyor...

Video Yüklenemedi

Bu video yüklenirken bir sorun oluştu. Bu geçici bir ağ sorunundan kaynaklanıyor olabilir veya video kullanılamıyor olabilir.

Ana Sayfaya Dön

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

47,404 subscribers

115,679 görüntüleme • 4 ay önce •via X (Twitter)

Bilim & Teknoloji

Anya Rossi• Live Now

Private livecam show

0 Yorum

Yorum bulunmuyor

Orijinal gönderinin yorumları burada görünecek

Benzer Videolar

这可能是今年最值得看的一堂AI课程。全程40 分钟，Kimi创始人杨植麟，把未来几年 AI 发展的关键逻辑讲透了。从 Scaling Law，到下一代模型架构，再到 Agent 智能，他没有只讲一个产品，而是在拆解一个更大的问题：未来的 AI，究竟会如何进化？过去几年，大模型竞争靠的是更大的参数、更强的算力。但下一阶段，真正决定胜负的，是模型效率、推理能力，以及能不能从“聊天工具”变成真正能够完成复杂任务的智能体。如果你想理解 GPT、Kimi、Claude 等大模型未来会走向哪里，这 40 分钟非常值得收藏。看懂这堂课，可能就看懂了未来几年 AI 行业最大的变化。

这可能是今年最值得看的一堂AI课程。全程40 分钟，Kimi创始人杨植麟，把未来几年 AI 发展的关键逻辑讲透了。从 Scaling Law，到下一代模型架构，再到 Agent 智能，他没有只讲一个产品，而是在拆解一个更大的问题：未来的 AI，究竟会如何进化？过去几年，大模型竞争靠的是更大的参数、更强的算力。但下一阶段，真正决定胜负的，是模型效率、推理能力，以及能不能从“聊天工具”变成真正能够完成复杂任务的智能体。如果你想理解 GPT、Kimi、Claude 等大模型未来会走向哪里，这 40 分钟非常值得收藏。看懂这堂课，可能就看懂了未来几年 AI 行业最大的变化。

0x鸣人

38,876 görüntüleme • 1 ay önce

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

112,561 görüntüleme • 10 ay önce

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

63,896 görüntüleme • 4 ay önce

你看视频，开头是不是用 AI 做的特效，再看看人家粉丝数和收益，你就知道大多数人用 AI 整天不知道在干吗。有的人把 AI 当赚钱工具有的人把 AI 当新型娱乐工具，还套了一个「我研究 AI 为了不被时代淘汰」的幌子。 1 个一分钟不到的视频，70 万金额（实际会更多，因为这是已结算的数据），我们算 5% 的佣金，35000 元而很多人还在用 AI 去薅什么流量分成计划，什么流量主，这难道不是一个认知和能力的问题吗？

你看视频，开头是不是用 AI 做的特效，再看看人家粉丝数和收益，你就知道大多数人用 AI 整天不知道在干吗。有的人把 AI 当赚钱工具有的人把 AI 当新型娱乐工具，还套了一个「我研究 AI 为了不被时代淘汰」的幌子。 1 个一分钟不到的视频，70 万金额（实际会更多，因为这是已结算的数据），我们算 5% 的佣金，35000 元而很多人还在用 AI 去薅什么流量分成计划，什么流量主，这难道不是一个认知和能力的问题吗？

U哥

11,099 görüntüleme • 1 ay önce

这是Kimi K3开源后我见过最狠的帖子。一个Baseten的工程师，花48小时喝了40罐气泡水，把Kimi K3的建模代码扒了个底朝天。一个模型里塞进了22580个2019年的GPT-2。七年时间参数涨了两万两千多倍，但这根本不是靠堆参数堆出来的。从GPT-2 → 线性注意力 → DeltaNet → 门控DeltaNet → Kimi自己的KDA，每一步都在精准解决上一代的具体bug。这才是开源最可怕的地方：代码放出来第一天，全世界最聪明的人已经帮你把七年技术脉络理得明明白白。闭源永远享受不到这个待遇。

这是Kimi K3开源后我见过最狠的帖子。一个Baseten的工程师，花48小时喝了40罐气泡水，把Kimi K3的建模代码扒了个底朝天。一个模型里塞进了22580个2019年的GPT-2。七年时间参数涨了两万两千多倍，但这根本不是靠堆参数堆出来的。从GPT-2 → 线性注意力 → DeltaNet → 门控DeltaNet → Kimi自己的KDA，每一步都在精准解决上一代的具体bug。这才是开源最可怕的地方：代码放出来第一天，全世界最聪明的人已经帮你把七年技术脉络理得明明白白。闭源永远享受不到这个待遇。

Hux

1,125,645 görüntüleme • 1 ay önce

黄仁勋跟红杉聊了一场很深的对话，把AI产业的底层逻辑讲得特别清楚他提了一个概念：过去60年的计算机行业本质上就干了一件事——检索。写代码、拍照片、录音乐，存成文件，用的时候再调出来。数据中心说到底就是一个大硬盘现在不一样了。AI不是从硬盘里找旧数据，是实时生成新内容。这是完全不同的计算范式，他管这叫"AI工厂" 然后他画了一个"五层蛋糕"来解释AI产业的结构：最底层：能源。AI工厂需要巨量电力第二层：芯片和计算。英伟达在这里第三层：基础设施。土地、电力接入、建筑、融资第四层：模型。OpenAI、Anthropic 在这里最顶层：应用。创业公司和终端用户在这里每一层都是万亿级别的市场关于AI取代工作，他反驳得很干脆：AI消灭的是任务，不是职业。放射科医生没有因为AI看片子更准就失业，反而需求增长了。软件工程师也是，代码越容易写，能解决的问题越多，需要的工程师反而更多你们觉得这个"五层蛋糕"的框架，哪一层机会最大？

黄仁勋跟红杉聊了一场很深的对话，把AI产业的底层逻辑讲得特别清楚他提了一个概念：过去60年的计算机行业本质上就干了一件事——检索。写代码、拍照片、录音乐，存成文件，用的时候再调出来。数据中心说到底就是一个大硬盘现在不一样了。AI不是从硬盘里找旧数据，是实时生成新内容。这是完全不同的计算范式，他管这叫"AI工厂" 然后他画了一个"五层蛋糕"来解释AI产业的结构：最底层：能源。AI工厂需要巨量电力第二层：芯片和计算。英伟达在这里第三层：基础设施。土地、电力接入、建筑、融资第四层：模型。OpenAI、Anthropic 在这里最顶层：应用。创业公司和终端用户在这里每一层都是万亿级别的市场关于AI取代工作，他反驳得很干脆：AI消灭的是任务，不是职业。放射科医生没有因为AI看片子更准就失业，反而需求增长了。软件工程师也是，代码越容易写，能解决的问题越多，需要的工程师反而更多你们觉得这个"五层蛋糕"的框架，哪一层机会最大？

Vincent

36,604 görüntüleme • 3 ay önce

一个10岁中国小孩在B站发了条4分钟的视频，语气特别平静地聊了件事：AI时代，人类最后的护城河是“信任”。他穿着件北面外套，坐在书桌前，背后是一整面墙的显示器。说话的感觉完全不像小孩，冷静得跟媒体评论员似的。他讲的观点确实挺在理：AI马上就能每分钟生成上千条视频，模仿任何创作者的声音和风格，唯一没法复制的东西，就是那句“我信这个人”。视频发出来的第二天，一位清华AI伦理研究员转发了，只写了一句话：1分15秒，暂停看这里。大家这才注意到，他MacBook屏幕右边浏览器打开的标签页，压根不是什么讲稿或者笔记，是一个实时交易钱包。 gabagool22 盈利：+4,696 他的主页在这里：他用了4分钟告诉大家，人类最后的护城河是信任。而他MacBook上的那个钱包，每15分钟赚的钱，可能就超过这个视频的全部收益好几倍。评论区直接炸了。有人把视频放慢到0.25倍看，有人逐帧截图，有人把屏幕反光、URL栏拼在一起，完整还原出了那个钱包页面。后来大家才慢慢知道，那面显示器墙根本不是拿来剪视频的，是常年显示着BTC 15分钟盘口。这小男孩从8岁开始，就看惯了每一根15分钟K线收绿的样子。他爸两年前就用他的名字注册了这个钱包，给他买了相机、显示器和那件北面外套。他穿的每一件外套，都是“第一次大盈利”之后的奖励。他不是什么10岁小孩在跟你聊信任。他是一个10岁小孩，早就站在一台用“信任”包装着、实际上在疯狂印钞的AI代理前面。他告诉互联网：AI替代不了有信任的创作者。而他的钱包，其实两年前他第一次站到镜头前，就已经把他给“替代”了。视频现在的播放量已经超过340万。曝光钱包的那条剪辑版又多了200万播放。无数中国家长还在转这个视频，拿它教育自家孩子，说要培养“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分钟稳定地从市场里收割。小男孩，依然穿着那件北面外套。真正让人觉得讽刺的，不是AI有多厉害，而是有些人，早就把AI变成了自己看不见的影子。如果想在Polymarket上试试跟单交易，我推荐用Kreo： #Polymarket

一个10岁中国小孩在B站发了条4分钟的视频，语气特别平静地聊了件事：AI时代，人类最后的护城河是“信任”。他穿着件北面外套，坐在书桌前，背后是一整面墙的显示器。说话的感觉完全不像小孩，冷静得跟媒体评论员似的。他讲的观点确实挺在理：AI马上就能每分钟生成上千条视频，模仿任何创作者的声音和风格，唯一没法复制的东西，就是那句“我信这个人”。视频发出来的第二天，一位清华AI伦理研究员转发了，只写了一句话：1分15秒，暂停看这里。大家这才注意到，他MacBook屏幕右边浏览器打开的标签页，压根不是什么讲稿或者笔记，是一个实时交易钱包。 gabagool22 盈利：+4,696 他的主页在这里：他用了4分钟告诉大家，人类最后的护城河是信任。而他MacBook上的那个钱包，每15分钟赚的钱，可能就超过这个视频的全部收益好几倍。评论区直接炸了。有人把视频放慢到0.25倍看，有人逐帧截图，有人把屏幕反光、URL栏拼在一起，完整还原出了那个钱包页面。后来大家才慢慢知道，那面显示器墙根本不是拿来剪视频的，是常年显示着BTC 15分钟盘口。这小男孩从8岁开始，就看惯了每一根15分钟K线收绿的样子。他爸两年前就用他的名字注册了这个钱包，给他买了相机、显示器和那件北面外套。他穿的每一件外套，都是“第一次大盈利”之后的奖励。他不是什么10岁小孩在跟你聊信任。他是一个10岁小孩，早就站在一台用“信任”包装着、实际上在疯狂印钞的AI代理前面。他告诉互联网：AI替代不了有信任的创作者。而他的钱包，其实两年前他第一次站到镜头前，就已经把他给“替代”了。视频现在的播放量已经超过340万。曝光钱包的那条剪辑版又多了200万播放。无数中国家长还在转这个视频，拿它教育自家孩子，说要培养“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分钟稳定地从市场里收割。小男孩，依然穿着那件北面外套。真正让人觉得讽刺的，不是AI有多厉害，而是有些人，早就把AI变成了自己看不见的影子。如果想在Polymarket上试试跟单交易，我推荐用Kreo： #Polymarket

区块链行情研究

58,674 görüntüleme • 3 ay önce

著名机构SemiAnalysis的研究员给了一个很有趣的观点--关于中国的开源模型 Jordan Nanos Jordan Nanos 是 SemiAnalysi 的AI 研究员，他说：开源模型现在看起来追上了前沿闭源模型，其实完全是“人为”追平的直接原因就在美国政府身上——他们对Anthropic施加了限制，导致我们根本拿不到这些实验室真正最强的模型最明显的例子就是Mythos和Fable：我根本用不了Mythos，只能偶尔“好好求一下”才能用上Fable 至于OpenAI的5.6 Sol，我们的判断是它甚至都不是OpenAI训练过的最大模型，规模都没到4.5那个级别，他们肯定在某个地方还藏着更大的模型

著名机构SemiAnalysis的研究员给了一个很有趣的观点--关于中国的开源模型 Jordan Nanos Jordan Nanos 是 SemiAnalysi 的AI 研究员，他说：开源模型现在看起来追上了前沿闭源模型，其实完全是“人为”追平的直接原因就在美国政府身上——他们对Anthropic施加了限制，导致我们根本拿不到这些实验室真正最强的模型最明显的例子就是Mythos和Fable：我根本用不了Mythos，只能偶尔“好好求一下”才能用上Fable 至于OpenAI的5.6 Sol，我们的判断是它甚至都不是OpenAI训练过的最大模型，规模都没到4.5那个级别，他们肯定在某个地方还藏着更大的模型

梭哈.AI

90,081 görüntüleme • 1 ay önce

前 FBI 局长科米证实：司法部和 FBI 里，正有一批人“静音”装死。他们在等，等熬过川普的任期，然后再出来接着干。川普怎么回的？ “如果他们还在，我们会把他们找出来。” “找出来，然后清理掉。” 他面对镜头，直接用了一个词：人渣（scum）。每个政府机构里都有这种人，尤其是在 FBI 和司法部。过去这么多年，这些“深层政府”的人一直躲在暗处，天天盼着他倒台。 “他们总说，我看川普这回有大麻烦了。” 结果呢？川普摊了摊手：“我就站在这儿。” 他一直站在这儿，等到了大扫除的时刻。他特别点名了 Todd Blanche 和 Kash Patel，这两位正在大刀阔斧地干活。清理门户，不用把桌子全掀了。川普分得很清楚，他说 FBI 和司法部里依然有很多非常优秀的人。但这恰恰是清理“人渣”的意义。把那些只知道玩弄政治、吸附在权力系统上的寄生虫连根拔起。只有这样，国家机器才会为普通人运转，不再是深层政府的私人武器。

前 FBI 局长科米证实：司法部和 FBI 里，正有一批人“静音”装死。他们在等，等熬过川普的任期，然后再出来接着干。川普怎么回的？ “如果他们还在，我们会把他们找出来。” “找出来，然后清理掉。” 他面对镜头，直接用了一个词：人渣（scum）。每个政府机构里都有这种人，尤其是在 FBI 和司法部。过去这么多年，这些“深层政府”的人一直躲在暗处，天天盼着他倒台。 “他们总说，我看川普这回有大麻烦了。” 结果呢？川普摊了摊手：“我就站在这儿。” 他一直站在这儿，等到了大扫除的时刻。他特别点名了 Todd Blanche 和 Kash Patel，这两位正在大刀阔斧地干活。清理门户，不用把桌子全掀了。川普分得很清楚，他说 FBI 和司法部里依然有很多非常优秀的人。但这恰恰是清理“人渣”的意义。把那些只知道玩弄政治、吸附在权力系统上的寄生虫连根拔起。只有这样，国家机器才会为普通人运转，不再是深层政府的私人武器。

墓碑科技

21,974 görüntüleme • 3 ay önce

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

77,134 görüntüleme • 3 ay önce

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）

269,288 görüntüleme • 5 ay önce

Kimi创始人杨植麟12年前清华大学的论文答辩视频被翻出来了，而当时他的推荐人是智普创始人唐杰。满级六边形战士：90% 的专业课 95 分以上，程序设计课程全满分，年级第一；大二开始搞科研，一年内以一作发了 KDD、WSDM、CIKM 三篇 AI 顶会论文，算法直接被腾讯和华为落地。跨界降维打击：带队击败斯坦福、哥伦比亚大学团队拿到全球癌症预测大赛冠军。同时还是校园摇滚乐队 Splay 的队长兼鼓手兼词曲创作。顶级宿命感：12 年前唐杰在台上说“这是我这几年见过最有天赋的学生”，杨植麟在台上说“这是计算机科学最好的时代”。 12 年后，师徒二人分别站在智谱和月之暗面的技术最前线，在大模型核心牌桌上对垒。

Kimi创始人杨植麟12年前清华大学的论文答辩视频被翻出来了，而当时他的推荐人是智普创始人唐杰。满级六边形战士：90% 的专业课 95 分以上，程序设计课程全满分，年级第一；大二开始搞科研，一年内以一作发了 KDD、WSDM、CIKM 三篇 AI 顶会论文，算法直接被腾讯和华为落地。跨界降维打击：带队击败斯坦福、哥伦比亚大学团队拿到全球癌症预测大赛冠军。同时还是校园摇滚乐队 Splay 的队长兼鼓手兼词曲创作。顶级宿命感：12 年前唐杰在台上说“这是我这几年见过最有天赋的学生”，杨植麟在台上说“这是计算机科学最好的时代”。 12 年后，师徒二人分别站在智谱和月之暗面的技术最前线，在大模型核心牌桌上对垒。

比特币橙子Trader

76,399 görüntüleme • 1 ay önce

一个月前，SpaceX 还没有云服务。现在，按某些指标算，它已经是全球第四大云了，直接超越了甲骨文（Oracle）。他们只用了一个月。来，看看马斯克是怎么降维打击科技巨头的。现在的 AI 算力大战，本质上就拼两件事：电力，和 GPU。电力卖家急着变现，谁能最快建好机房把电用上，电就给谁；手握 GPU 的黄仁勋，同样只想把芯片卖给能立马跑起算力的人。而 SpaceX 的执行力，只能用变态来形容。他们以极高的速度，在地面上把吉瓦（GW）级别的电力迅速转变成算力，直接套现。但这只是起点。 SpaceX 真正的野心，在天上：第一步，实现 Starship（星舰）的完全复用；第二步，把 Starlink V3 卫星送入轨道，开启手机直连；第三步，直接把算力搬上太空，实现“轨道计算”（Orbital Compute）。这是一条有具体里程碑、让投资人能一步步追踪的商业闭环。以前你觉得它是一家造火箭、放卫星的公司。现在，它是一个正在用太空算力颠覆万万亿云服务市场的巨无霸。别急，让我们看看一年后它会变成什么样。

一个月前，SpaceX 还没有云服务。现在，按某些指标算，它已经是全球第四大云了，直接超越了甲骨文（Oracle）。他们只用了一个月。来，看看马斯克是怎么降维打击科技巨头的。现在的 AI 算力大战，本质上就拼两件事：电力，和 GPU。电力卖家急着变现，谁能最快建好机房把电用上，电就给谁；手握 GPU 的黄仁勋，同样只想把芯片卖给能立马跑起算力的人。而 SpaceX 的执行力，只能用变态来形容。他们以极高的速度，在地面上把吉瓦（GW）级别的电力迅速转变成算力，直接套现。但这只是起点。 SpaceX 真正的野心，在天上：第一步，实现 Starship（星舰）的完全复用；第二步，把 Starlink V3 卫星送入轨道，开启手机直连；第三步，直接把算力搬上太空，实现“轨道计算”（Orbital Compute）。这是一条有具体里程碑、让投资人能一步步追踪的商业闭环。以前你觉得它是一家造火箭、放卫星的公司。现在，它是一个正在用太空算力颠覆万万亿云服务市场的巨无霸。别急，让我们看看一年后它会变成什么样。

墓碑科技

16,581 görüntüleme • 3 ay önce

如果 Ilya 判断是对的，那过去几年 AI 行业最坚固的三个共识，可能都错了： Scaling 不再是万能答案。 Benchmark 高分不等于真正智能。 RL 甚至可能在把模型越训越“笨”。这场被称为“Ilya 消失前最后一次采访”的对话里，他把当前大模型形容成竞赛编程选手：题能做得很难，遇到真实项目却会修一个 Bug、再造两个 Bug，反复循环。问题可能不是模型不够大，而是奖励机制让它过度追求正确答案，逐渐丢掉常识、直觉和学习能力。他更激进的判断是：预训练红利见顶，RL 红利也快耗尽，AI 已经从 Scaling 时代重新退回“研究时代”。真正的超智能不会是一个下载完毕、什么都知道的成品，而更像一个十五岁的天才：拥有极强的学习能力，然后在现实世界中不断成长。如果这个方向成立，下一轮 AI 竞争的关键就不再是谁堆的数据和 GPU 更多，而是谁先破解人类为什么只看几个例子，就能学会一件新事。 Ilya 很少说废话，这次却聊了四十多分钟。值得完整看完。最颠覆你认知的是哪一段？

如果 Ilya 判断是对的，那过去几年 AI 行业最坚固的三个共识，可能都错了： Scaling 不再是万能答案。 Benchmark 高分不等于真正智能。 RL 甚至可能在把模型越训越“笨”。这场被称为“Ilya 消失前最后一次采访”的对话里，他把当前大模型形容成竞赛编程选手：题能做得很难，遇到真实项目却会修一个 Bug、再造两个 Bug，反复循环。问题可能不是模型不够大，而是奖励机制让它过度追求正确答案，逐渐丢掉常识、直觉和学习能力。他更激进的判断是：预训练红利见顶，RL 红利也快耗尽，AI 已经从 Scaling 时代重新退回“研究时代”。真正的超智能不会是一个下载完毕、什么都知道的成品，而更像一个十五岁的天才：拥有极强的学习能力，然后在现实世界中不断成长。如果这个方向成立，下一轮 AI 竞争的关键就不再是谁堆的数据和 GPU 更多，而是谁先破解人类为什么只看几个例子，就能学会一件新事。 Ilya 很少说废话，这次却聊了四十多分钟。值得完整看完。最颠覆你认知的是哪一段？

Vincent

40,108 görüntüleme • 2 ay önce

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

58,121 görüntüleme • 6 ay önce

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

32,205 görüntüleme • 3 ay önce

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

16,093 görüntüleme • 3 ay önce

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

53,243 görüntüleme • 3 ay önce

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

303,101 görüntüleme • 2 yıl önce

智谱AI、MiniMax和Moonshot，最后只会活下一家。现在中国大模型的竞争，跟以前互联网时代几乎一模一样。姚劲波说，中国创业者通常比美国创业者更辛苦。因为美国创业者做一个新项目的时候，很多时候是在创造一个全新的市场，没人知道这个东西能不能成，所以竞争对手很少，甚至没有。但等中国创业者开始做的时候，这个市场已经被验证了。VC都知道这是个好赛道，于是一下子投好几支团队，大家做的东西都差不多。以前团购、网约车、外卖都是这样。大家根本没时间慢慢靠创新拉开差距，只能疯狂烧钱抢用户、抢市场。最后就是等别人烧不动了，倒闭了、被收购了，或者自己把别人收购，最后活下来的那家就赢了。我觉得这次的大模型公司，大概率也会走一样的路。智谱AI、MiniMax和Moonshot，你觉得最后会剩下谁？

智谱AI、MiniMax和Moonshot，最后只会活下一家。现在中国大模型的竞争，跟以前互联网时代几乎一模一样。姚劲波说，中国创业者通常比美国创业者更辛苦。因为美国创业者做一个新项目的时候，很多时候是在创造一个全新的市场，没人知道这个东西能不能成，所以竞争对手很少，甚至没有。但等中国创业者开始做的时候，这个市场已经被验证了。VC都知道这是个好赛道，于是一下子投好几支团队，大家做的东西都差不多。以前团购、网约车、外卖都是这样。大家根本没时间慢慢靠创新拉开差距，只能疯狂烧钱抢用户、抢市场。最后就是等别人烧不动了，倒闭了、被收购了，或者自己把别人收购，最后活下来的那家就赢了。我觉得这次的大模型公司，大概率也会走一样的路。智谱AI、MiniMax和Moonshot，你觉得最后会剩下谁？

GeLun Ding

32,267 görüntüleme • 1 ay önce