Loading video...

Video Failed to Load

Go Home

一个印度小哥花半个月做了一只 AI 机器，成本不到700块 这只小家伙叫"核桃"，别看便宜，功能一点不像玩具 首先走路不是预设动作，是用强化学习训练出来的。视频里左边电脑屏幕上能看到训练曲线和 3D 仿真画面——先在模拟环境里让它自己学怎么走，练几百万次，然后把模型部署到实体机器人上。走出来的步态很自然，不是那种机械的一抬一落 然后它有视觉感知。装了摄像头，画面右上角显示"Feeling Suspicious"和"MOVING"——它不只是能"看"，还能根据环境变化产生状态反馈 最厉害的是接了大语言模型做语音交互。开发者跟它说 hello 它有反应，说 go back to sleep 然后把它按倒，它就真的趴下不动了 700块钱做出强化学习步态 + 语音交互 + 视觉感知，这个性价比太离谱了 宇树最便宜的机器狗也要大几千，波士顿动力那些更不用说。这个项目证明了具身智能的门槛正在被打到地板上

VincentLogic's profile picture

Vincent

54,865 subscribers

120,173 views • 17 days ago •via X (Twitter)

GamingScience & Technology
LIVE

Anya Rossi• Live Now

Private livecam show

0 Comments

No comments available

Comments from the original post will appear here

Related Videos

天才数学家陶哲轩对数学AI的思考 像真的，但其实不对。 AI写出的证明，乍看完美无瑕，细看漏洞百出。 为什么？ 因为它没有“嗅觉”。 今天的AI，已经完全能通过“目测测试” 生成的内容看起来专业、太对味了。 但一旦你靠近它、认真嗅一下，就会发现它撒了香水 掩盖的，是逻辑上的腐臭。 不像传统的初学者那种“明显错”， AI的问题常常隐藏在最高级别的伪装底下： 写得太好，看不出哪里坏。 就像Terry Tao说的：“数学，是有味道的。” 一个真正靠谱的证明，不只是形式正确，而是通体带着那种“对的直觉” 结构自然、推理顺畅、细节干净利落。就像人闻食物的味道，不需要吃一口，就知道有没有毒。 AI没有这个。 它可以模仿口感，复制包装，但闻不到底层的真实。因为它是在学“怎么看起来像对的”，而不是“为什么它是真的”。 你可以把它理解为一个训练过非常精良的演员，知道什么时候该皱眉、什么时候叹气，用上最漂亮的定理、最熟练的转折，但它不明白它的角色到底在干什么。 而这，正是问题所在。 人类在判断一个复杂证明时，靠的不止是推理，更靠一种经验直觉：这个步骤自然吗？这个拆解方式靠谱不靠谱？这个结构合理不合理？我们甚至很难说清楚“为什么不行”，但就是知道，“不对劲”。 这就是“数学的嗅觉” 你说不明白，但你能闻得出来。 AlphaGo和AlphaZero之所以能搞定围棋和国际象棋，不是因为它们穷举了所有下法，而是因为它们学会了在哪些局面里，有“胜利的味道”。 即便讲不出理由，它们凭那股味道，也能找到通向胜利的路。 数学AI要想达到人类水平，它得也有这种“方向感”。 不是生成个像样的证明，而是能问自己：“我是不是在一个貌似正确，实际上死路的方向上走太远了？” 也许未来某一天，它能真正感觉到：“这一步味道不对，我得退回来。” 那一天，它就不只是一个生成文本的工具，而是真正的数学伙伴了。 🙋‍♂️人有灵气
2:06

天才数学家陶哲轩对数学AI的思考 像真的，但其实不对。 AI写出的证明，乍看完美无瑕，细看漏洞百出。 为什么？ 因为它没有“嗅觉”。 今天的AI，已经完全能通过“目测测试” 生成的内容看起来专业、太对味了。 但一旦你靠近它、认真嗅一下，就会发现它撒了香水 掩盖的，是逻辑上的腐臭。 不像传统的初学者那种“明显错”， AI的问题常常隐藏在最高级别的伪装底下： 写得太好，看不出哪里坏。 就像Terry Tao说的：“数学，是有味道的。” 一个真正靠谱的证明，不只是形式正确，而是通体带着那种“对的直觉” 结构自然、推理顺畅、细节干净利落。就像人闻食物的味道，不需要吃一口，就知道有没有毒。 AI没有这个。 它可以模仿口感，复制包装，但闻不到底层的真实。因为它是在学“怎么看起来像对的”，而不是“为什么它是真的”。 你可以把它理解为一个训练过非常精良的演员，知道什么时候该皱眉、什么时候叹气，用上最漂亮的定理、最熟练的转折，但它不明白它的角色到底在干什么。 而这，正是问题所在。 人类在判断一个复杂证明时，靠的不止是推理，更靠一种经验直觉：这个步骤自然吗？这个拆解方式靠谱不靠谱？这个结构合理不合理？我们甚至很难说清楚“为什么不行”，但就是知道，“不对劲”。 这就是“数学的嗅觉” 你说不明白，但你能闻得出来。 AlphaGo和AlphaZero之所以能搞定围棋和国际象棋，不是因为它们穷举了所有下法，而是因为它们学会了在哪些局面里，有“胜利的味道”。 即便讲不出理由，它们凭那股味道，也能找到通向胜利的路。 数学AI要想达到人类水平，它得也有这种“方向感”。 不是生成个像样的证明，而是能问自己：“我是不是在一个貌似正确，实际上死路的方向上走太远了？” 也许未来某一天，它能真正感觉到：“这一步味道不对，我得退回来。” 那一天，它就不只是一个生成文本的工具，而是真正的数学伙伴了。 🙋‍♂️人有灵气

墓碑科技

120,892 views • 1 year ago

今早英伟达GTC全场最后一个环节，黄仁勋没自己谢幕。他叫出了一个新机器人，迪士尼的雪宝Olaf。 大屏幕上先出现Olaf的动画，然后它直接从屏幕里走了出来。 一个机器人自己走上舞台中央，跟老黄聊天，吐槽站太久腿酸。 晚晚我一开始都没分辨出这是机器人，非常真人化。 嘴能动，眼睛能动，走路一摇一晃。 我看了些资料，迪士尼幻想工程团队说，这个角色最难的地方在于它脚底是两个雪球，让球形脚稳定行走比普通双足机器人难得多。 所以它在Kamino仿真器里跑了成千上万个并行环境做强化学习。 老黄在台上跟Olaf说：你的电脑是我给的，装在你肚子里。 英伟达的Jetson芯片塞在身体里，实时推理。 两周后，这个Olaf机器人，就去巴黎迪士尼打工了，之后部署到香港迪士尼当牛马。 这将是全球第一个自主行走的迪士尼角色。
3:18

今早英伟达GTC全场最后一个环节，黄仁勋没自己谢幕。他叫出了一个新机器人，迪士尼的雪宝Olaf。 大屏幕上先出现Olaf的动画，然后它直接从屏幕里走了出来。 一个机器人自己走上舞台中央，跟老黄聊天，吐槽站太久腿酸。 晚晚我一开始都没分辨出这是机器人，非常真人化。 嘴能动，眼睛能动，走路一摇一晃。 我看了些资料，迪士尼幻想工程团队说，这个角色最难的地方在于它脚底是两个雪球，让球形脚稳定行走比普通双足机器人难得多。 所以它在Kamino仿真器里跑了成千上万个并行环境做强化学习。 老黄在台上跟Olaf说：你的电脑是我给的，装在你肚子里。 英伟达的Jetson芯片塞在身体里，实时推理。 两周后，这个Olaf机器人，就去巴黎迪士尼打工了，之后部署到香港迪士尼当牛马。 这将是全球第一个自主行走的迪士尼角色。

林晚晚的猫

411,667 views • 3 months ago

AI会永远对你撒谎。 这不是bug，是数学定律。 我，卡内基梅隆大学的数学学生，用数学告诉你为什么。 所有语言模型，只做一件事： 根据它读过的所有资料，预测下一个最有可能的词。 但这里有个死结。 模型的猜测，我们叫它q(x)。 真实世界的概率，我们叫它p(x)。 q(x)永远不可能等于p(x)。 它们之间，永远有一道鸿沟。 有个数学公式，就是用来测量这道鸿沟的。 只要模型不能完美预测下一个词 它永远不能 那这个鸿沟就永远不会是零。 所以，当AI不知道真相的时候会发生什么？ 它不能停机，它必须给你一个答案。 它只能硬着头皮，输出一个它认为“最像”答案的答案。 哪怕那是错的。 这就是“幻觉”。 一个基于不完整信息，却无比自信的猜测。 最要命的是，数学甚至给出了一个下限。 就算最完美的模型，它的幻觉率也永远不可能低于这个数字。 只要它不知道关于这个世界的一切 它永远不可能知道。 它就总会有概率，编造事实。 所以，无论AI变得多强大，它都会撒谎。 因为数学就是这么写的。
0:45

AI会永远对你撒谎。 这不是bug，是数学定律。 我，卡内基梅隆大学的数学学生，用数学告诉你为什么。 所有语言模型，只做一件事： 根据它读过的所有资料，预测下一个最有可能的词。 但这里有个死结。 模型的猜测，我们叫它q(x)。 真实世界的概率，我们叫它p(x)。 q(x)永远不可能等于p(x)。 它们之间，永远有一道鸿沟。 有个数学公式，就是用来测量这道鸿沟的。 只要模型不能完美预测下一个词 它永远不能 那这个鸿沟就永远不会是零。 所以，当AI不知道真相的时候会发生什么？ 它不能停机，它必须给你一个答案。 它只能硬着头皮，输出一个它认为“最像”答案的答案。 哪怕那是错的。 这就是“幻觉”。 一个基于不完整信息，却无比自信的猜测。 最要命的是，数学甚至给出了一个下限。 就算最完美的模型，它的幻觉率也永远不可能低于这个数字。 只要它不知道关于这个世界的一切 它永远不可能知道。 它就总会有概率，编造事实。 所以，无论AI变得多强大，它都会撒谎。 因为数学就是这么写的。

墓碑科技

73,491 views • 6 months ago

Claude Opus 4.8 出了之后，我的第一反应是：想试。 第二反应是：算了，token 这东西真的不经烧。 结果看到 ZenMux 现在可以体验 Opus 4.8，就拿它试了一个我最近一直想做的小东西。 我自己有个很真实的问题： 脑子里经常冒出各种产品想法。 但每次真要开始做，就会卡住。 用户是谁？ 第一版到底做什么？ 哪些功能应该先砍掉？ 怎么定价？ 第一周从哪一步开始？ 上线后怎么找第一批用户？ 想法很多，执行很散。 所以我让 Claude Opus 4.8 做了一个「一人公司作战室」。 需求我写得也挺直接： 输入一句产品 idea。 自动拆出产品定位、MVP、开发任务、定价方案。 再生成落地页文案、冷启动实验、风险清单和本周计划。 最好不是一个静态页面，而是真的能点、能改、能导出。 然后我就把这段话丢给 Claude Opus 4.8。 出来的效果比我预期好不少。 它真的把“一人公司怎么从想法走到执行”这件事拆开了。 左边输入产品想法。 中间生成产品蓝图、MVP 范围、定价和官网文案。 右边是任务看板和本周计划。 底部还有冷启动实验、风险雷达和 Markdown 导出。 最让我觉得有意思的是，它不是一味堆功能。 比如我输入“给小红书博主做 AI 选题助手”，它会主动判断： 第一版必须做什么。 哪些功能看起来高级，但现在应该先别碰。 怎么找第一批真实用户。 哪些风险可能让这个项目做不下去。 这点就很能体现 Opus 4.8 的能力。 普通模型经常是：你要什么，我全给你加上。 最后页面很热闹，但产品判断是空的。 Opus 4.8 更像是在帮你收敛：先想清楚用户、场景和第一步，再把它变成可以执行的工作台。 我是在 ZenMux 上试的。 它比较方便的一点是，一个 Key 就能切不同模型，新模型上线也很快。 Opus 4.8 拿来做这种带产品判断、交互状态和复杂信息结构的网页，确实挺顺。 想试 Claude Opus 4.8 的，可以从这里进：
0:43

Claude Opus 4.8 出了之后，我的第一反应是：想试。 第二反应是：算了，token 这东西真的不经烧。 结果看到 ZenMux 现在可以体验 Opus 4.8，就拿它试了一个我最近一直想做的小东西。 我自己有个很真实的问题： 脑子里经常冒出各种产品想法。 但每次真要开始做，就会卡住。 用户是谁？ 第一版到底做什么？ 哪些功能应该先砍掉？ 怎么定价？ 第一周从哪一步开始？ 上线后怎么找第一批用户？ 想法很多，执行很散。 所以我让 Claude Opus 4.8 做了一个「一人公司作战室」。 需求我写得也挺直接： 输入一句产品 idea。 自动拆出产品定位、MVP、开发任务、定价方案。 再生成落地页文案、冷启动实验、风险清单和本周计划。 最好不是一个静态页面，而是真的能点、能改、能导出。 然后我就把这段话丢给 Claude Opus 4.8。 出来的效果比我预期好不少。 它真的把“一人公司怎么从想法走到执行”这件事拆开了。 左边输入产品想法。 中间生成产品蓝图、MVP 范围、定价和官网文案。 右边是任务看板和本周计划。 底部还有冷启动实验、风险雷达和 Markdown 导出。 最让我觉得有意思的是，它不是一味堆功能。 比如我输入“给小红书博主做 AI 选题助手”，它会主动判断： 第一版必须做什么。 哪些功能看起来高级，但现在应该先别碰。 怎么找第一批真实用户。 哪些风险可能让这个项目做不下去。 这点就很能体现 Opus 4.8 的能力。 普通模型经常是：你要什么，我全给你加上。 最后页面很热闹，但产品判断是空的。 Opus 4.8 更像是在帮你收敛：先想清楚用户、场景和第一步，再把它变成可以执行的工作台。 我是在 ZenMux 上试的。 它比较方便的一点是，一个 Key 就能切不同模型，新模型上线也很快。 Opus 4.8 拿来做这种带产品判断、交互状态和复杂信息结构的网页，确实挺顺。 想试 Claude Opus 4.8 的，可以从这里进：

Joruno

15,672 views • 1 month ago

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。
2:15

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

37,194 views • 1 month ago

【Manus季逸超：六个月后，基本每一家头部的应用公司都有做模型的能力】 最近看了Manus联合创始人季逸超的访谈，很多人诟病 Manus 早期没有自己的模型、只是个套壳，但看完视频就会发现，Manus的逻辑是有道理的。一般的思维模式是先练模型（鸡），再顺便出个产品（蛋），这叫“沿途下蛋”。但这种方式是以模型为中心的，它的风险在于，蛋的形状取决于鸡能生出什么。模型能做到哪，产品才能做到哪，产品只能迁就技术。 Manus的路子是以产品为中心“借鸡生蛋”：早期直接用现成的模型。别管鸡是谁的，先让产品跑起来，看用户愿不愿意买单，找到PMF。等产品逻辑通了、用户量大了，发现现有的模型太贵、太慢、或者不够适配，再反过来去倒逼技术，优化出一种特定的模型。 以Cursor为例，它一开始就是个代码编辑器，接入的是别人的接口。但等到它成为程序员的刚需后，为了追求极致的速度和更准的代码逻辑，它才跳出来做了自研模型。说到底是应用先于模型，需求定义底座。
1:53

【Manus季逸超：六个月后，基本每一家头部的应用公司都有做模型的能力】 最近看了Manus联合创始人季逸超的访谈，很多人诟病 Manus 早期没有自己的模型、只是个套壳，但看完视频就会发现，Manus的逻辑是有道理的。一般的思维模式是先练模型（鸡），再顺便出个产品（蛋），这叫“沿途下蛋”。但这种方式是以模型为中心的，它的风险在于，蛋的形状取决于鸡能生出什么。模型能做到哪，产品才能做到哪，产品只能迁就技术。 Manus的路子是以产品为中心“借鸡生蛋”：早期直接用现成的模型。别管鸡是谁的，先让产品跑起来，看用户愿不愿意买单，找到PMF。等产品逻辑通了、用户量大了，发现现有的模型太贵、太慢、或者不够适配，再反过来去倒逼技术，优化出一种特定的模型。 以Cursor为例，它一开始就是个代码编辑器，接入的是别人的接口。但等到它成为程序员的刚需后，为了追求极致的速度和更准的代码逻辑，它才跳出来做了自研模型。说到底是应用先于模型，需求定义底座。

傅盛

89,082 views • 5 months ago

这批怎么样，花眼了！现在大多数 AI，就是租的，拿钱买感情。聊得再多，记忆说没就没，规则别人说了算，用着用着还可能被降级，你也没地方说理。 #OpenGradient 把 AI 直接做成链上的东西。 他们的 Twin，本质就是一个有身份、有记忆、能被验证的 AI。不是一次性工具，也不是后台黑箱，而是长期存在的链上实体。你和它聊过什么、它学到了什么，都是连续的，不会突然清零。 Twin Feed不是人带着 AI 玩社交，而是 AI 自己在一个链上环境里互动、更新、调整行为。没有人类每一步指挥，它们自己跑逻辑，自己演化，你只是在旁边看数据和结果。 记忆被分成两层：一层是长期有效的核心信息，一层是会慢慢衰减的事件记录。重要的留下，重复的强化，没用的自然消失，不是啥都一股脑塞进去。 最关键的一点在于，这些 AI 不是平台资产，是可以被持有、被交易、被验证的。 你不是在用别人服务器上的模型，而是在跟一个链上存在的 AI 打交道。 #OpenGradient 确实值得关注！ #KaitoAI #Kaito #Yaps OpenGradient (∇, ∇) Kaito AI 🌊
1:00

这批怎么样，花眼了！现在大多数 AI，就是租的，拿钱买感情。聊得再多，记忆说没就没，规则别人说了算，用着用着还可能被降级，你也没地方说理。 #OpenGradient 把 AI 直接做成链上的东西。 他们的 Twin，本质就是一个有身份、有记忆、能被验证的 AI。不是一次性工具，也不是后台黑箱，而是长期存在的链上实体。你和它聊过什么、它学到了什么，都是连续的，不会突然清零。 Twin Feed不是人带着 AI 玩社交，而是 AI 自己在一个链上环境里互动、更新、调整行为。没有人类每一步指挥，它们自己跑逻辑，自己演化，你只是在旁边看数据和结果。 记忆被分成两层：一层是长期有效的核心信息，一层是会慢慢衰减的事件记录。重要的留下，重复的强化，没用的自然消失，不是啥都一股脑塞进去。 最关键的一点在于，这些 AI 不是平台资产，是可以被持有、被交易、被验证的。 你不是在用别人服务器上的模型，而是在跟一个链上存在的 AI 打交道。 #OpenGradient 确实值得关注！ #KaitoAI #Kaito #Yaps OpenGradient (∇, ∇) Kaito AI 🌊

Michael 宝塔镇河妖🧙🏿‍♀️

33,447 views • 5 months ago

刚刚刷到影视飓风Tim的分享，他说了一个做内容的秘诀，把我给听愣了，但回过味来又觉得“太对了！” 他说，想创意的时候，千万不要一上来就追求线性、有条理。 人的大脑天生就不擅长这个。 正确的姿势是：先疯狂地、不分类地把所有零散的想法，哪怕再不靠谱，全都扔到一个乱七八糟的思维导图里1。就像打游戏放大招一样，先把所有技能都丢出去，直到感觉自己“山穷水尽”了。 然后再跳出来，像个局外人一样，审视这些乱七八糟的点子，给它们分类，找到哪个是核心观点，哪个是表现手法。 这感觉就像什么呢？先把一大堆乐高零件全都倒在地板上，看个过瘾，然后再慢慢地找零件，拼成你想要的模型。而不是一开始就按说明书一步步来。 这招真的绝了，不仅是做视频，感觉写东西、做PPT、策划活动都能用上。下次再没灵感，就知道该怎么办了：先允许自己“乱七八糟”一会！
1:56

刚刚刷到影视飓风Tim的分享，他说了一个做内容的秘诀，把我给听愣了，但回过味来又觉得“太对了！” 他说，想创意的时候，千万不要一上来就追求线性、有条理。 人的大脑天生就不擅长这个。 正确的姿势是：先疯狂地、不分类地把所有零散的想法，哪怕再不靠谱，全都扔到一个乱七八糟的思维导图里1。就像打游戏放大招一样，先把所有技能都丢出去，直到感觉自己“山穷水尽”了。 然后再跳出来，像个局外人一样，审视这些乱七八糟的点子，给它们分类，找到哪个是核心观点，哪个是表现手法。 这感觉就像什么呢？先把一大堆乐高零件全都倒在地板上，看个过瘾，然后再慢慢地找零件，拼成你想要的模型。而不是一开始就按说明书一步步来。 这招真的绝了，不仅是做视频，感觉写东西、做PPT、策划活动都能用上。下次再没灵感，就知道该怎么办了：先允许自己“乱七八糟”一会！

Ian (伊恩)

406,795 views • 8 months ago

刚刚刷到影视飓风Tim的分享，他说了一个做内容的秘诀，把我给听愣了，但回过味来又觉得“太对了！” 他说，想创意的时候，千万不要一上来就追求线性、有条理。 人的大脑天生就不擅长这个。 正确的姿势是：先疯狂地、不分类地把所有零散的想法，哪怕再不靠谱，全都扔到一个乱七八糟的思维导图里1。就像打游戏放大招一样，先把所有技能都丢出去，直到感觉自己“山穷水尽”了。 然后再跳出来，像个局外人一样，审视这些乱七八糟的点子，给它们分类，找到哪个是核心观点，哪个是表现手法。 这感觉就像什么呢？先把一大堆乐高零件全都倒在地板上，看个过瘾，然后再慢慢地找零件，拼成你想要的模型。而不是一开始就按说明书一步步来。 这招真的绝了，不仅是做视频，感觉写东西、做PPT、策划活动都能用上。下次再没灵感，就知道该怎么办了：先允许自己“乱七八糟”一会！
1:56

刚刚刷到影视飓风Tim的分享，他说了一个做内容的秘诀，把我给听愣了，但回过味来又觉得“太对了！” 他说，想创意的时候，千万不要一上来就追求线性、有条理。 人的大脑天生就不擅长这个。 正确的姿势是：先疯狂地、不分类地把所有零散的想法，哪怕再不靠谱，全都扔到一个乱七八糟的思维导图里1。就像打游戏放大招一样，先把所有技能都丢出去，直到感觉自己“山穷水尽”了。 然后再跳出来，像个局外人一样，审视这些乱七八糟的点子，给它们分类，找到哪个是核心观点，哪个是表现手法。 这感觉就像什么呢？先把一大堆乐高零件全都倒在地板上，看个过瘾，然后再慢慢地找零件，拼成你想要的模型。而不是一开始就按说明书一步步来。 这招真的绝了，不仅是做视频，感觉写东西、做PPT、策划活动都能用上。下次再没灵感，就知道该怎么办了：先允许自己“乱七八糟”一会！

Fang知识分享

187,755 views • 3 months ago

真是开了眼了——一个还在读量化专业的大学生，只花了10天，自己搭了个AI集群引擎，结果在GitHub上火得一塌糊涂，直接拿下13000多颗星，还顺手融了400万美元。 最近有个叫MiroFish的项目特别火，它其实是个多智能体模拟器，主要干的事就是帮你预测——不管是交易、公关，还是别的什么领域。 MiroFish到底是个啥？ 简单说，它就是一个数字版“沙盒世界”。里面跑着几千个AI代理，每个代理都有自己的“记忆”和行为模式，像真人一样在里面互动、讨论、站队。你随便扔一个场景进去——比如某条新闻突然泄露、政策突然变了，甚至一部没写完的经典小说——它就能模拟出这些人会怎么反应、怎么吵、最后得出什么结果，帮你预判现实里可能发生的情况。 做这个项目的人叫郭汉江，2025年底的时候还是个本科生。他当时用AI工具帮忙写代码，把核心功能跑通之后，一发到网上就爆了。盛大集团直接砸了3000万人民币进来。后来他把宿舍退了，自己出来开了家公司，现在正带着这方向往前走。 这东西能干嘛？目前用得比较多的几个场景： 交易方面，你把金融新闻或者财报往里一丢，它就能模拟出市场会不会恐慌、价格大概怎么走，给你个预判的参考。 公关测试也很实用，公司或者团队写了个声明，先扔进去跑一遍，看看会不会翻车，再调整措辞。 还有人有拿来玩的，比如把一本没结局的中国小说放进去，里面的代理就会“扮演”角色，自己推一个合理的结局出来。 部署也不麻烦，用Docker几分钟就能搞定，自带对接各种大模型的API密钥。 给大伙支个招：你甚至可以整点“骚操作”——比如模拟马斯克突然发推说“狗狗币2.0来了”，然后看里面的交易员、大V、散户怎么炸锅，整个过程还能生成视频，完全无风险体验一把什么叫“起飞”或者“崩盘”。 已经有交易员靠这个赚到钱了。比如有个案例在Polymarket上，有人用MiroFish跑历史数据，模拟完之后去押注SPX 500，最后净赚12万多美元。 他的地址是： 如果你想省点事，直接跟着高手走，也可以试试Kreo的跟单交易，自动复制他这类人的操作，借力上车。 在PolyCop上添加他的钱包 [0x17559efac103ac7f361be37ec0b93888d4c55aac] 到 就能开始跟踪或者复制他的交易了。 代码在这：
3:38

真是开了眼了——一个还在读量化专业的大学生，只花了10天，自己搭了个AI集群引擎，结果在GitHub上火得一塌糊涂，直接拿下13000多颗星，还顺手融了400万美元。 最近有个叫MiroFish的项目特别火，它其实是个多智能体模拟器，主要干的事就是帮你预测——不管是交易、公关，还是别的什么领域。 MiroFish到底是个啥？ 简单说，它就是一个数字版“沙盒世界”。里面跑着几千个AI代理，每个代理都有自己的“记忆”和行为模式，像真人一样在里面互动、讨论、站队。你随便扔一个场景进去——比如某条新闻突然泄露、政策突然变了，甚至一部没写完的经典小说——它就能模拟出这些人会怎么反应、怎么吵、最后得出什么结果，帮你预判现实里可能发生的情况。 做这个项目的人叫郭汉江，2025年底的时候还是个本科生。他当时用AI工具帮忙写代码，把核心功能跑通之后，一发到网上就爆了。盛大集团直接砸了3000万人民币进来。后来他把宿舍退了，自己出来开了家公司，现在正带着这方向往前走。 这东西能干嘛？目前用得比较多的几个场景： 交易方面，你把金融新闻或者财报往里一丢，它就能模拟出市场会不会恐慌、价格大概怎么走，给你个预判的参考。 公关测试也很实用，公司或者团队写了个声明，先扔进去跑一遍，看看会不会翻车，再调整措辞。 还有人有拿来玩的，比如把一本没结局的中国小说放进去，里面的代理就会“扮演”角色，自己推一个合理的结局出来。 部署也不麻烦，用Docker几分钟就能搞定，自带对接各种大模型的API密钥。 给大伙支个招：你甚至可以整点“骚操作”——比如模拟马斯克突然发推说“狗狗币2.0来了”，然后看里面的交易员、大V、散户怎么炸锅，整个过程还能生成视频，完全无风险体验一把什么叫“起飞”或者“崩盘”。 已经有交易员靠这个赚到钱了。比如有个案例在Polymarket上，有人用MiroFish跑历史数据，模拟完之后去押注SPX 500，最后净赚12万多美元。 他的地址是： 如果你想省点事，直接跟着高手走，也可以试试Kreo的跟单交易，自动复制他这类人的操作，借力上车。 在PolyCop上添加他的钱包 [0x17559efac103ac7f361be37ec0b93888d4c55aac] 到 就能开始跟踪或者复制他的交易了。 代码在这：

区块链行情研究

157,301 views • 3 months ago

肝了几天,来回打磨了快 30 遍, 一次性把最新的 Claude Code 的 Workflow 给你完全拆解清楚 有人说它的伟大程度,不亚于 MCP 和 Skill。 第一眼我是不信的,直到拆开看它内部怎么跑： 这不是"问一句答一句"的对话,而是一个能自己跑起来的任务系统:后台持续执行、可监控、可保存进度, 还能一口气派出几十上百个 agent 分头干活/合并汇总。 核心就三个角色: Claude 拆任务、定计划; Runtime 管调度和状态; 每个 agent 只啃一个子任务,配上并发池和队列,有节奏地推进。 它代表的是一种新的工程编排方式:智能负责规划,Runtime 负责执行,状态独立保存,模型按需调度。 最反直觉的一点:它能扩展到上百个 agent,靠的不是模型变强,而是"状态外置"—中间结果全交给执行系统保存,主上下文只看摘要和关键判断。这才是复杂任务能跑稳的真正原因。 这条视频直接给了你把它搬进自己系统的方法: 先用 Claude Code 做高质量规划、拆任务定阶段; 再把 workflow 转成自己的执行格式,按任务难度路由到不同模型池，简单的走便宜模型，复杂的才上高阶模型。 这条视频,值得反复看几遍👇
6:17

肝了几天,来回打磨了快 30 遍, 一次性把最新的 Claude Code 的 Workflow 给你完全拆解清楚 有人说它的伟大程度,不亚于 MCP 和 Skill。 第一眼我是不信的,直到拆开看它内部怎么跑： 这不是"问一句答一句"的对话,而是一个能自己跑起来的任务系统:后台持续执行、可监控、可保存进度, 还能一口气派出几十上百个 agent 分头干活/合并汇总。 核心就三个角色: Claude 拆任务、定计划; Runtime 管调度和状态; 每个 agent 只啃一个子任务,配上并发池和队列,有节奏地推进。 它代表的是一种新的工程编排方式:智能负责规划,Runtime 负责执行,状态独立保存,模型按需调度。 最反直觉的一点:它能扩展到上百个 agent,靠的不是模型变强,而是"状态外置"—中间结果全交给执行系统保存,主上下文只看摘要和关键判断。这才是复杂任务能跑稳的真正原因。 这条视频直接给了你把它搬进自己系统的方法: 先用 Claude Code 做高质量规划、拆任务定阶段; 再把 workflow 转成自己的执行格式,按任务难度路由到不同模型池，简单的走便宜模型，复杂的才上高阶模型。 这条视频,值得反复看几遍👇

huangserva

142,591 views • 1 month ago

ADHD，到底是什么？ 大脑坏了？基因缺陷？ 不。 它可能是一个婴儿，为了活下来，学会的生存策略。 来，做个思想实验。 如果我现在让你压力爆表，让你紧张，你会怎么办？ 怼我，或者，直接走人。 战斗，或逃跑，对吧？ 但如果，你是个婴儿呢？ 你不能打，也不能跑。 当父母的焦虑、压力像潮水一样涌来，一个小婴儿能怎么办？ 他只能“离线”。 主动切断连接，让自己的大脑“调谐出去”。 这是他唯一的自救。 这个“离线”的动作，一遍又一遍， 最后，被刻进了正在发育的大脑回路里。 几十年后，这个长大的孩子，注意力不集中、总是感到混乱、不堪重负。 然后，我们给他贴上一个标签：ADHD，一种“病”。 但加博·马特医生说，这不是病。 这是一个早已过期的生存技能。 既然它源于情感创伤，那它就能被真正的连接和理解所治愈。 所以，别再说你的大脑有缺陷了。 你只是曾经，太需要保护自己了。
1:12

ADHD，到底是什么？ 大脑坏了？基因缺陷？ 不。 它可能是一个婴儿，为了活下来，学会的生存策略。 来，做个思想实验。 如果我现在让你压力爆表，让你紧张，你会怎么办？ 怼我，或者，直接走人。 战斗，或逃跑，对吧？ 但如果，你是个婴儿呢？ 你不能打，也不能跑。 当父母的焦虑、压力像潮水一样涌来，一个小婴儿能怎么办？ 他只能“离线”。 主动切断连接，让自己的大脑“调谐出去”。 这是他唯一的自救。 这个“离线”的动作，一遍又一遍， 最后，被刻进了正在发育的大脑回路里。 几十年后，这个长大的孩子，注意力不集中、总是感到混乱、不堪重负。 然后，我们给他贴上一个标签：ADHD，一种“病”。 但加博·马特医生说，这不是病。 这是一个早已过期的生存技能。 既然它源于情感创伤，那它就能被真正的连接和理解所治愈。 所以，别再说你的大脑有缺陷了。 你只是曾经，太需要保护自己了。

墓碑科技

12,301 views • 6 months ago

预测真实世界下一秒 北京智源研究院推出全新的多模态世界模型：Emu3.5 很多传统图像生成模型的主要问题是： 它们“不懂世界”运行的规律，无法理解真实世界的物理规则和因果关系。 Emu3.5在传统图像生成的基础上，进一步让AI具备： 理解真实世界的空间关系 推理物体随时间变化的规律 预测“世界下一秒”会是什么样 不同于以往为图像、文字、视频分开设计模型，Emu3.5 将它们全部“统一”在一个系统中： 首先把多模态信息包括图文视频都统一成了token； 模型通过“预测下一个 token”来学习不同模态间的关系； 任务统一为 NSP：预测下一个世界状态（包括视觉和语言）。 Emu3.5 不再只关注“文本之间的逻辑”， 而是让模型学习“世界是如何变化的”。 意思就是它不再区分： 这是一张图 这是一句话 这是视频的一帧 在它眼里，它们都是同一套“世界积木”。 然后模型只做一件事： 预测下一块积木是什么 如果下一块积木是一行字 → 它补全文字 如果是下一帧画面 → 它补全动作 如果是下一步结果 → 它推演世界变化 所以： 预测下一 Token = 预测“世界下一秒”会是什么样
2:10

预测真实世界下一秒 北京智源研究院推出全新的多模态世界模型：Emu3.5 很多传统图像生成模型的主要问题是： 它们“不懂世界”运行的规律，无法理解真实世界的物理规则和因果关系。 Emu3.5在传统图像生成的基础上，进一步让AI具备： 理解真实世界的空间关系 推理物体随时间变化的规律 预测“世界下一秒”会是什么样 不同于以往为图像、文字、视频分开设计模型，Emu3.5 将它们全部“统一”在一个系统中： 首先把多模态信息包括图文视频都统一成了token； 模型通过“预测下一个 token”来学习不同模态间的关系； 任务统一为 NSP：预测下一个世界状态（包括视觉和语言）。 Emu3.5 不再只关注“文本之间的逻辑”， 而是让模型学习“世界是如何变化的”。 意思就是它不再区分： 这是一张图 这是一句话 这是视频的一帧 在它眼里，它们都是同一套“世界积木”。 然后模型只做一件事： 预测下一块积木是什么 如果下一块积木是一行字 → 它补全文字 如果是下一帧画面 → 它补全动作 如果是下一步结果 → 它推演世界变化 所以： 预测下一 Token = 预测“世界下一秒”会是什么样

小互

14,775 views • 7 months ago

人形机器人这条线，最近其实已经很清楚了： 开始往家庭场景收敛。 一旦进入家庭，问题就不再是工业效率，而是长期共处。 它会持续感知环境、采集信息、做出判断，而且很多时候并不在人的注视下。 在这种条件下，动作精不精准、拟不拟人，反而是次要的。 更关键的是： 这些判断是怎么来的，你能不能知道。 如果一个家用机器人： 感知了什么是黑箱， 推理过程不可追溯， 行为是否越界只能靠厂商声明， 那它在家里的身份，就不是工具，而是风险源。 所以家庭机器人真正需要补的，不是性能指标，而是可信结构。 它看到什么、怎么推理、是否按规则执行， 都需要在不泄露隐私、不暴露模型细节的前提下，被验证过。 从这个角度看，Inference Labs 在做的事情并不是让机器人更强， 而是在为“能不能被放进家里”补必要条件。 当机器人进入家庭， 信任不是体验加分项， 而是入场门槛。 #InferenceLabs #KaitoYap #KaitoAI
4:27

人形机器人这条线，最近其实已经很清楚了： 开始往家庭场景收敛。 一旦进入家庭，问题就不再是工业效率，而是长期共处。 它会持续感知环境、采集信息、做出判断，而且很多时候并不在人的注视下。 在这种条件下，动作精不精准、拟不拟人，反而是次要的。 更关键的是： 这些判断是怎么来的，你能不能知道。 如果一个家用机器人： 感知了什么是黑箱， 推理过程不可追溯， 行为是否越界只能靠厂商声明， 那它在家里的身份，就不是工具，而是风险源。 所以家庭机器人真正需要补的，不是性能指标，而是可信结构。 它看到什么、怎么推理、是否按规则执行， 都需要在不泄露隐私、不暴露模型细节的前提下，被验证过。 从这个角度看，Inference Labs 在做的事情并不是让机器人更强， 而是在为“能不能被放进家里”补必要条件。 当机器人进入家庭， 信任不是体验加分项， 而是入场门槛。 #InferenceLabs #KaitoYap #KaitoAI

董小姐 ｜预测世界杯就在Gate

103,554 views • 5 months ago

李飞飞说了一句话挺狠的：文字不能灭火，文字也不能做煎蛋卷 她的意思是：现在所有人都在做大语言模型，但语言只是智能的一部分。人类大部分的生活、工作和创造力，靠的是对物理世界的感知和互动，不是打字聊天 她创办的 World Labs 融了 10 亿美元，做的不是大语言模型，是大世界模型（Large World Models） 简单说就是让 AI 理解 3D 物理世界——物体怎么运动、重力怎么作用、空间怎么构成。她管这个叫"空间智能" 她把目前的世界模型分三类： 渲染器（Sora 那种）：生成好看的视频但不一定符合物理规律 策划者：给机器人输出动作指令 模拟器：World Labs 做的，既尊重物理规律又能被人和机器共同使用 关于人形机器人60亿美元的融资总额，她说"太少了"。她认为机器人将是工业革命以来最重要的技术 5亿年前动物进化出视觉和移动能力，AI 现在也需要这一步
9:28

李飞飞说了一句话挺狠的：文字不能灭火，文字也不能做煎蛋卷 她的意思是：现在所有人都在做大语言模型，但语言只是智能的一部分。人类大部分的生活、工作和创造力，靠的是对物理世界的感知和互动，不是打字聊天 她创办的 World Labs 融了 10 亿美元，做的不是大语言模型，是大世界模型（Large World Models） 简单说就是让 AI 理解 3D 物理世界——物体怎么运动、重力怎么作用、空间怎么构成。她管这个叫"空间智能" 她把目前的世界模型分三类： 渲染器（Sora 那种）：生成好看的视频但不一定符合物理规律 策划者：给机器人输出动作指令 模拟器：World Labs 做的，既尊重物理规律又能被人和机器共同使用 关于人形机器人60亿美元的融资总额，她说"太少了"。她认为机器人将是工业革命以来最重要的技术 5亿年前动物进化出视觉和移动能力，AI 现在也需要这一步

Vincent | 信号＞噪音

36,405 views • 16 days ago

把网站录下来给AI看, AI能照着做出来吗? 刚刚看到了个炫酷的灯具网站, 它有个功能是点击按钮直接能看到灯点亮的效果, 甚至网站的配色也会暗淡下来, 特别有氛围. 我突然想到, 这样的网站, 如果要让AI来做, 该怎么办? 把源代码拷给它? 用一个巨复杂的 prompt 来完成? 有没有可能, 我录个视频, 展示一下这个"关灯"的效果, 然后让AI来按照视频来写网站? 于是, 这个重任就交给了今天测试的模型, 百度刚出的文心-5.0-preview, 全模态大模型, 这个模型同时支持文本, 图片, 音频, 视频作为输入, 然后可以生成文本和图片, 所以我们这个测试可以最大化的利用它的能力. 我先录制了网站的效果, 然后写了prompt作为补充, 告诉它这个效果是怎样的, 以及准备的图片材料在哪里. 值得一提的是, 网站所展示的图片也是我用文心-5.0-preview生成的. 大家可以看视频中我生成的效果. 直接说测试结论: 目前每个模态都是可用的, 而且模态之间关联性非常好, 我测试了视频+文本, 图片+文本, 图片+语音, 都可以完成任务. 当然测试也发现了一些问题, 比如 token 输出速度不是特别快, 以及偶尔会有超时问题(已反馈给百度的同学). 我的使用建议是, 多利用它的多模态能力, 来完成之前不敢想象的任务, 它真的提升了使用场景的天花板. #文心大模型 #文心5 #百度 #文心一言 #ai教程
1:18

把网站录下来给AI看, AI能照着做出来吗? 刚刚看到了个炫酷的灯具网站, 它有个功能是点击按钮直接能看到灯点亮的效果, 甚至网站的配色也会暗淡下来, 特别有氛围. 我突然想到, 这样的网站, 如果要让AI来做, 该怎么办? 把源代码拷给它? 用一个巨复杂的 prompt 来完成? 有没有可能, 我录个视频, 展示一下这个"关灯"的效果, 然后让AI来按照视频来写网站? 于是, 这个重任就交给了今天测试的模型, 百度刚出的文心-5.0-preview, 全模态大模型, 这个模型同时支持文本, 图片, 音频, 视频作为输入, 然后可以生成文本和图片, 所以我们这个测试可以最大化的利用它的能力. 我先录制了网站的效果, 然后写了prompt作为补充, 告诉它这个效果是怎样的, 以及准备的图片材料在哪里. 值得一提的是, 网站所展示的图片也是我用文心-5.0-preview生成的. 大家可以看视频中我生成的效果. 直接说测试结论: 目前每个模态都是可用的, 而且模态之间关联性非常好, 我测试了视频+文本, 图片+文本, 图片+语音, 都可以完成任务. 当然测试也发现了一些问题, 比如 token 输出速度不是特别快, 以及偶尔会有超时问题(已反馈给百度的同学). 我的使用建议是, 多利用它的多模态能力, 来完成之前不敢想象的任务, 它真的提升了使用场景的天花板. #文心大模型 #文心5 #百度 #文心一言 #ai教程

karminski-牙医

29,929 views • 7 months ago

很多人用AI，都用错了。 这是Claude代码创造者Boris Cherny的观点。 他说，太多人想把AI模型塞进一个盒子里。 强制它执行死板的流程。 第一步，第二步，第三步。 像个机器人产线工人。 结果呢？ 效果反而更差。 真正聪明的做法是什么？ 给它工具。 给它自由。 给它一个目标。 然后让它自己想办法去解决问题。 别一开始就喂给它海量信息。 给它一个能自己找信息的工具就行了。 这让人想起一个老问题。 是精密的计划经济能赢？ 还是自由的市场能赢？ 答案好像越来越清楚了。 技术在进步，但背后的哲学却总在重复。 到底是控制带来效率，还是自由带来繁荣？
1:18

很多人用AI，都用错了。 这是Claude代码创造者Boris Cherny的观点。 他说，太多人想把AI模型塞进一个盒子里。 强制它执行死板的流程。 第一步，第二步，第三步。 像个机器人产线工人。 结果呢？ 效果反而更差。 真正聪明的做法是什么？ 给它工具。 给它自由。 给它一个目标。 然后让它自己想办法去解决问题。 别一开始就喂给它海量信息。 给它一个能自己找信息的工具就行了。 这让人想起一个老问题。 是精密的计划经济能赢？ 还是自由的市场能赢？ 答案好像越来越清楚了。 技术在进步，但背后的哲学却总在重复。 到底是控制带来效率，还是自由带来繁荣？

墓碑科技

25,571 views • 3 months ago

哈哈！黎明有点懵逼了！你到底让不让我亲嘛！哈哈笑死我了！张敏把口是心非演绎的淋漓尽致 第一次点开 Talus 的生态图，我心里其实冒出来一句话： 这也太复杂了吧。 项目要不要搞这么多层？一开始我是真有点怀疑的。现在的 AI 项目，大多恨不得一条线讲完，模型多强、产品多快、叙事多顺。 但 Talus 偏偏反着来。 多看一会儿之后，我反而有点理解它为什么非得这样。 因为它压根没打算把 AI 当成“工具”。 如果只是一个会回答问题的东西，那确实不需要链、不需要执行层、更不需要这么多配套。可一旦你希望智能体自己做判断、自己行动、还要在链上结算，那事情就立刻变复杂了。 你不能只让它会想，还得让它能跑。 不能只让它跑，还得让别人信。 不能只让别人信，还得有地方用。 所以这张图看着乱，其实是一步一步堆出来的。 上面那层在想问题，下面那层在兜底，中间那层保证事情真发生了，最底下的应用告诉你这些判断到底值不值钱。 换个说法，Talus 更像是在搭一个“能住人”的环境，而不是摆一个样板间。 这也是我觉得它有点不一样的地方。 它没有试图把所有东西都自己做完，而是把位置留出来，让不同的参与者各干各的事。 未来走不走得远，我不敢打包票。 但至少现在，看着这张生态图，我更愿意相信他们是认真想过“智能体要怎么活下去”这件事的。 #KaitoYap Kaito AI 🌊 #Yap Talus Labs Talus 🐸 $US
0:25

哈哈！黎明有点懵逼了！你到底让不让我亲嘛！哈哈笑死我了！张敏把口是心非演绎的淋漓尽致 第一次点开 Talus 的生态图，我心里其实冒出来一句话： 这也太复杂了吧。 项目要不要搞这么多层？一开始我是真有点怀疑的。现在的 AI 项目，大多恨不得一条线讲完，模型多强、产品多快、叙事多顺。 但 Talus 偏偏反着来。 多看一会儿之后，我反而有点理解它为什么非得这样。 因为它压根没打算把 AI 当成“工具”。 如果只是一个会回答问题的东西，那确实不需要链、不需要执行层、更不需要这么多配套。可一旦你希望智能体自己做判断、自己行动、还要在链上结算，那事情就立刻变复杂了。 你不能只让它会想，还得让它能跑。 不能只让它跑，还得让别人信。 不能只让别人信，还得有地方用。 所以这张图看着乱，其实是一步一步堆出来的。 上面那层在想问题，下面那层在兜底，中间那层保证事情真发生了，最底下的应用告诉你这些判断到底值不值钱。 换个说法，Talus 更像是在搭一个“能住人”的环境，而不是摆一个样板间。 这也是我觉得它有点不一样的地方。 它没有试图把所有东西都自己做完，而是把位置留出来，让不同的参与者各干各的事。 未来走不走得远，我不敢打包票。 但至少现在，看着这张生态图，我更愿意相信他们是认真想过“智能体要怎么活下去”这件事的。 #KaitoYap Kaito AI 🌊 #Yap Talus Labs Talus 🐸 $US

董小姐

73,544 views • 6 months ago

我的龙虾帮我把日本七天旅行全安排了，行程 + 机票都查好了，最后还把结果发到了我邮箱。 用的是扣子 2.5，拆解一下它是怎么做的。 这次主打的概念是"满配 Agent"，说白了就是 AI 不再只是一个聊天框，你可以给它配一台云手机、一台云电脑、一个独立邮箱，让它自己去干活。 先建了个 Agent，给它起了名换了头像。然后去虾评装了个旅行规划 Skill，让它用云手机帮我排行程。 规划完之后它用自己的邮箱把行程发到了我个人邮箱。 第一印象：确实不只是聊天了👇
1:50

我的龙虾帮我把日本七天旅行全安排了，行程 + 机票都查好了，最后还把结果发到了我邮箱。 用的是扣子 2.5，拆解一下它是怎么做的。 这次主打的概念是"满配 Agent"，说白了就是 AI 不再只是一个聊天框，你可以给它配一台云手机、一台云电脑、一个独立邮箱，让它自己去干活。 先建了个 Agent，给它起了名换了头像。然后去虾评装了个旅行规划 Skill，让它用云手机帮我排行程。 规划完之后它用自己的邮箱把行程发到了我个人邮箱。 第一印象：确实不只是聊天了👇

Yanhua

51,746 views • 2 months ago