正在加载视频...

视频加载失败

返回首页

卧槽，最近看有人开始推AI 玄学，出于好奇我给阿迪王: Dario Amodei 大兄弟算了一卦😂 说他2026年是事业增长和财富增长的机遇之年，岂不是吗，anthropic 估值都快破万亿了。。。 看分析过程（见视频），我第一反应是：这东西怎么还真有点像那么回事？ 于是顺手研究了下背后的项目，发现它比“AI 算命”这个标签有意思多了。 这个系统叫 Tianfu Agent，一个面向命理推理的 Agentic AI 系统。 在 MingLi-Bench评测上：基于 2025 年全球算命师比赛题库，让 AI 回答真实比赛里的命理选择题。 结果挺反直觉：Tianfu Agent 在 MingLi-Bench 上的截尾均值准确率达到 50%，超过作者测试中的最佳通用大模型基线 40%，接近人类 Top 20 选手平均水平 53.5%。 命理其实很适合做 Agent 压力测试：规则多、流派多、推理链长，还有大量空间关系和经验判断，很多结论也没法像代码测试一样立刻验证。 如果只是把八字、紫微斗数知识塞进 Prompt，大模型很容易说得像那么回事，但推理链未必稳定。 Tianfu Agent 的做法更像给模型搭了一个领域专用工作台： 可计算的部分，交给工具算。 复杂规则，封装成可调用函数。 不同流派的判断，交给多个 Sub-Agent 推理。 有分歧和不确定性的地方，再用置信度综合。 它里面有 200+...

LufzzLiz's profile picture

岚叔

20,956 subscribers

27,278 次观看 • 2 个月前 •via X (Twitter)

LIVE

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

卧槽，说个颠覆我认知的事， 现在AI 把算命这件事，已经干到了全球大赛接近人类顶尖的水平，直接把通用大模型都甩开了一大截！ 说实话，我一开始看到这个消息， 第一反应是又来个蹭玄学流量的 AI 噱头， 直到翻完它的完整技术报告和大赛数据， 才发现我完全想错了， 这是 2025 年第十六届全球算命师大赛， 足足 3069 名参赛者，全是行业里的真人从业者， 不是什么野鸡比赛。 之前很多人做 AI 命理， 无非就是把排盘数据往 Prompt 里一塞， 让通用大模型硬猜， 结果全是结构性的硬伤。 命理这东西，衍生数据组合爆炸， 各种宫位的空间关系， 序列化之后直接丢了关键信息， 长链推理越跑越偏，再加上专业语料稀缺， 幻觉满天飞，根本没法用。 哪怕是Claude Opus 这种顶流通用模型， 在这个赛道里，准确率也只做到了 40%。 但这个叫 Tianfu Agent 的产品， 直接干到了 50% 的截尾均值准确率， 人类大赛 Top20 的平均水平，也才 53.5%， 只差 3.5 个百分点就摸到了人类顶尖从业者的门槛， 比通用模型的天花板，直接高出了 10 个百分点。 我翻完它的架构设计才明白， 它压根没走通用模型硬背规则的老路， 它把传统命理这件事，彻底给工程化了， 先做了 200 多个专用的原子工具，排盘，飞宫， 用神推演这些需要精准计算的环节， 全交给工具来做，模型根本不用记规则，也就不会出错。 不止如此，它还把各个流派的专业技法，全封装成了带适用场景和优先级的可调用函数，模型按需触发，不会出现 Prompt 塞太多规则导致的遗忘和污染，甚至连命理师的直觉，它都做了量化，工具输出置信度，子 Agent 自评，再加上紫微八字奇门多流派交叉验证，模拟真人专家的隐性判断。 我自己去它官网跑了一轮事业运的实测，细节全对，连我哪年换的赛道，哪年遇到的关键节点，都给我推得明明白白， 但说实话，最让我震撼的还不是它算命算得有多准，它这套 Agent 范式给所有垂直专业领域的 AI 化，趟出了一条全新的路， 命理这种规则密集，又带经验和直觉的模糊领域，它不强求 AI 懂命理，只让 AI 会用这套专业的命理工具箱， 比 SFT 或者 RAG 的效率高太多，还可控可扩展，这套思路，完全能迁移到法律，中医，建筑这些规则密集的领域里。 它还把这次大赛用的评测基准 MingLi-Bench，完整开源到了 GitHub 上，想研究的开发者直接就能用，产品也有网页版，国内国外都能访问，任务积分就能免费试用。 当然它也不是完美的，目前还是在多选题的基准里跑，真实的开放咨询，还有人类的阅历和共情能力，它还是有差距，只能当参考工具，不能当绝对的预言。 说白了，这就不是什么 AI 卷算命的噱头，本质上是 AI 系统性吃透一套古老复杂知识体系的里程碑式尝试，中国开发者在这种本土文化的垂直领域，真的有天然的优势了哈哈。 想体验的可以去DestinyLinker的官网 Benchmark:
0:44

卧槽，说个颠覆我认知的事， 现在AI 把算命这件事，已经干到了全球大赛接近人类顶尖的水平，直接把通用大模型都甩开了一大截！ 说实话，我一开始看到这个消息， 第一反应是又来个蹭玄学流量的 AI 噱头， 直到翻完它的完整技术报告和大赛数据， 才发现我完全想错了， 这是 2025 年第十六届全球算命师大赛， 足足 3069 名参赛者，全是行业里的真人从业者， 不是什么野鸡比赛。 之前很多人做 AI 命理， 无非就是把排盘数据往 Prompt 里一塞， 让通用大模型硬猜， 结果全是结构性的硬伤。 命理这东西，衍生数据组合爆炸， 各种宫位的空间关系， 序列化之后直接丢了关键信息， 长链推理越跑越偏，再加上专业语料稀缺， 幻觉满天飞，根本没法用。 哪怕是Claude Opus 这种顶流通用模型， 在这个赛道里，准确率也只做到了 40%。 但这个叫 Tianfu Agent 的产品， 直接干到了 50% 的截尾均值准确率， 人类大赛 Top20 的平均水平，也才 53.5%， 只差 3.5 个百分点就摸到了人类顶尖从业者的门槛， 比通用模型的天花板，直接高出了 10 个百分点。 我翻完它的架构设计才明白， 它压根没走通用模型硬背规则的老路， 它把传统命理这件事，彻底给工程化了， 先做了 200 多个专用的原子工具，排盘，飞宫， 用神推演这些需要精准计算的环节， 全交给工具来做，模型根本不用记规则，也就不会出错。 不止如此，它还把各个流派的专业技法，全封装成了带适用场景和优先级的可调用函数，模型按需触发，不会出现 Prompt 塞太多规则导致的遗忘和污染，甚至连命理师的直觉，它都做了量化，工具输出置信度，子 Agent 自评，再加上紫微八字奇门多流派交叉验证，模拟真人专家的隐性判断。 我自己去它官网跑了一轮事业运的实测，细节全对，连我哪年换的赛道，哪年遇到的关键节点，都给我推得明明白白， 但说实话，最让我震撼的还不是它算命算得有多准，它这套 Agent 范式给所有垂直专业领域的 AI 化，趟出了一条全新的路， 命理这种规则密集，又带经验和直觉的模糊领域，它不强求 AI 懂命理，只让 AI 会用这套专业的命理工具箱， 比 SFT 或者 RAG 的效率高太多，还可控可扩展，这套思路，完全能迁移到法律，中医，建筑这些规则密集的领域里。 它还把这次大赛用的评测基准 MingLi-Bench，完整开源到了 GitHub 上，想研究的开发者直接就能用，产品也有网页版，国内国外都能访问，任务积分就能免费试用。 当然它也不是完美的，目前还是在多选题的基准里跑，真实的开放咨询，还有人类的阅历和共情能力，它还是有差距，只能当参考工具，不能当绝对的预言。 说白了，这就不是什么 AI 卷算命的噱头，本质上是 AI 系统性吃透一套古老复杂知识体系的里程碑式尝试，中国开发者在这种本土文化的垂直领域，真的有天然的优势了哈哈。 想体验的可以去DestinyLinker的官网 Benchmark:

AYi

204,795 次观看 • 2 个月前

最近看到一个很值得研究的开源项目：learn-claude-code。 它不是在教你怎么堆 prompt、连工作流、搭节点图， 而是在教你一件更底层的事： 怎么从 0 到 1 搭一个类 Claude Code 的 agent harness。 这个项目最有意思的观点是： 真正的 Agent 是模型本身，外面的代码只是 harness。 所以它讨论的重点，不是“怎么把流程编排得更复杂”， 而是怎么给模型准备一个真正能工作的环境。 README 里把 harness 拆成了： Tools Knowledge Observation Action Interfaces Permissions 也就是工具、知识、观察、动作接口和权限边界。 说白了，模型负责思考， harness 负责让它看见世界、调用工具、执行动作。 我觉得这个视角很重要。 因为很多人现在做 Agent， 还停留在“拼工作流”和“堆胶水代码”的阶段。 但真正决定 Agent 能不能跑起来的， 往往是你给它什么环境，而不是你给它多少层 prompt。 这个项目现在 GitHub 已经有 36k Stars、5.8k Forks。 如果你在关注 AI Agent、Claude Code，或者 agent engineering， 这个项目很值得看看。👇
0:38

最近看到一个很值得研究的开源项目：learn-claude-code。 它不是在教你怎么堆 prompt、连工作流、搭节点图， 而是在教你一件更底层的事： 怎么从 0 到 1 搭一个类 Claude Code 的 agent harness。 这个项目最有意思的观点是： 真正的 Agent 是模型本身，外面的代码只是 harness。 所以它讨论的重点，不是“怎么把流程编排得更复杂”， 而是怎么给模型准备一个真正能工作的环境。 README 里把 harness 拆成了： Tools Knowledge Observation Action Interfaces Permissions 也就是工具、知识、观察、动作接口和权限边界。 说白了，模型负责思考， harness 负责让它看见世界、调用工具、执行动作。 我觉得这个视角很重要。 因为很多人现在做 Agent， 还停留在“拼工作流”和“堆胶水代码”的阶段。 但真正决定 Agent 能不能跑起来的， 往往是你给它什么环境，而不是你给它多少层 prompt。 这个项目现在 GitHub 已经有 36k Stars、5.8k Forks。 如果你在关注 AI Agent、Claude Code，或者 agent engineering， 这个项目很值得看看。👇

axiaisacat

44,334 次观看 • 4 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：
57:23

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

301,443 次观看 • 1 年前

今天好郁闷，发生了一点不愉快的事情！人生第一次为了自己的愚蠢进了叔所！ 期待明天的好结果！！！ ⸻ AI 的下一关，不在能力，而在可被证明 在模型规模不断被刷新纪录的阶段，有一个问题始终被刻意回避： AI 的结论，是否真的来自它声称的计算过程？ Inference Labs 选择从这个问题切入。 他们关注的不是模型性能，而是推理行为本身是否可信、是否可复现、是否可审计。 Proof of Inference 的意义，在于把“我相信模型没问题”变成“模型必须给出证明”。 通过零知识证明，系统可以在不暴露模型结构和参数的前提下，确认一次推理： •确实由指定模型完成 •计算过程未被替换或篡改 •输出结果与真实推理一致 这不是提高透明度，而是引入约束。 在工程层面，DSperse 做的事情同样关键。 它把原本高度定制化、专家依赖的 zkML 开发流程，拆解为可复用组件， 使“可验证 AI”从研究范畴，进入实际应用范畴。 否则，再正确的理念也只能停留在白皮书。 目前，可验证推理在性能上的代价仍然明显， 但这更像早期加密系统的计算成本问题，而不是路线错误。 融资的用途，也正是针对这一层进行系统级优化。 如果说过去的 AI 竞争是“谁能算得更快”， 接下来的竞争，很可能是： 谁的推理能被证明、被追溯、被承担责任。 Inference Labs 所搭建的，不是价值观， 而是一层让 AI 输出进入现实系统所必需的验证基础设施。 #KaitoYap Kaito AI 🌊 #Yap Inference Labs
2:00

今天好郁闷，发生了一点不愉快的事情！人生第一次为了自己的愚蠢进了叔所！ 期待明天的好结果！！！ ⸻ AI 的下一关，不在能力，而在可被证明 在模型规模不断被刷新纪录的阶段，有一个问题始终被刻意回避： AI 的结论，是否真的来自它声称的计算过程？ Inference Labs 选择从这个问题切入。 他们关注的不是模型性能，而是推理行为本身是否可信、是否可复现、是否可审计。 Proof of Inference 的意义，在于把“我相信模型没问题”变成“模型必须给出证明”。 通过零知识证明，系统可以在不暴露模型结构和参数的前提下，确认一次推理： •确实由指定模型完成 •计算过程未被替换或篡改 •输出结果与真实推理一致 这不是提高透明度，而是引入约束。 在工程层面，DSperse 做的事情同样关键。 它把原本高度定制化、专家依赖的 zkML 开发流程，拆解为可复用组件， 使“可验证 AI”从研究范畴，进入实际应用范畴。 否则，再正确的理念也只能停留在白皮书。 目前，可验证推理在性能上的代价仍然明显， 但这更像早期加密系统的计算成本问题，而不是路线错误。 融资的用途，也正是针对这一层进行系统级优化。 如果说过去的 AI 竞争是“谁能算得更快”， 接下来的竞争，很可能是： 谁的推理能被证明、被追溯、被承担责任。 Inference Labs 所搭建的，不是价值观， 而是一层让 AI 输出进入现实系统所必需的验证基础设施。 #KaitoYap Kaito AI 🌊 #Yap Inference Labs

董小姐 |上Gate玩事件合约

303,919 次观看 • 6 个月前

✅ 推荐一个宝玉老师开源的 Skill：用 Claude Code 一行命令就能把 Markdown 文章自动发到 X，带图片的那种。 👉 这个工具其实开源挺久了，但好像用的人不多？可能大家不太知道怎么上手。我自己用了一段时间觉得真的很方便，就录了个视频教程，把原理和用法都讲了一遍。 有兴趣的朋友可以试试，真的能省不少事儿 ，如果遇到什么问题你直接让AI帮你分析这个skill的逻辑和流程然后帮你解决，其实很简单，来尝试下吧👇
7:41

✅ 推荐一个宝玉老师开源的 Skill：用 Claude Code 一行命令就能把 Markdown 文章自动发到 X，带图片的那种。 👉 这个工具其实开源挺久了，但好像用的人不多？可能大家不太知道怎么上手。我自己用了一段时间觉得真的很方便，就录了个视频教程，把原理和用法都讲了一遍。 有兴趣的朋友可以试试，真的能省不少事儿 ，如果遇到什么问题你直接让AI帮你分析这个skill的逻辑和流程然后帮你解决，其实很简单，来尝试下吧👇

阿蔺A-Lin

27,925 次观看 • 4 个月前

哥哥们你们太卷了，卷不过你们了，掉了30多个名额了哦！哭死了！哎！！！ ——— 说实话，我一开始也是被 ZK 那一套讲法讲烦的。 什么数学优雅、终极信任、密码学圣杯，听多了真的会走神。 直到我在看 Inference Labs 的时候，脑子里突然冒出一个很不体面的画面： 这玩意儿怎么这么像拆熟食的？ 传统 AI 给我的感觉，就像买一整块封装好的肉。 看起来油亮，切面也不错， 但你永远不知道里面有没有掺点别的。 你只能选择信，或者不用。 Inference Labs 干的事反而很“笨”： 它不让你信整块， 而是把 AI 推理一刀一刀拆开。 你不需要接受“这个模型很强”这种宏大叙事， 你只需要确认一件小事： 这一刀，是不是真的这么切的。 说实话，这个点戳到我了。 DSperse 那套分布式验证，说白了就是在帮人偷懒。 不是让所有人去理解整个模型， 而是让验证这件事本身变轻。 我不用背“我要为整个 AI 结果负责”的心理包袱， 我只关心我现在用到的这一小段推理， 有没有被乱来。 这在很多现实场景里太重要了。 医生、风控、合规， 没人有精力啃完整头猪。 更让我有好感的是，他们连“怎么验”都顺手简化了。 我是真的讨厌管理私钥。 不是不懂，是不想。 每次验证之前先来一套仪式感， 本身就已经在劝退人了。 和 Self Chain 的无密钥方案， 第一次看到的时候我心里是松了一口气的那种感觉： 哦，终于不是为难普通人了。 验证 AI，本来就不该比点外卖还复杂。 ⸻ 所以后来我发现， Inference Labs 干的事，其实挺不浪漫的。 它不讲终极信任， 也不喊改变世界， 只是很务实地把信任拆碎、摊平、递到你手里。 你想验，就验这一小块。 你不想理解，也没关系。 未来如果 AI 真开始翻车， 那些没法被拆、没法被验的模型， 大概真的会被永久挂在链上当反例。 我现在已经不太关心 “这是不是真正的 ZK 巅峰设计”了。 我更在意的是： 当我真的要用 AI 的那一刻，它有没有为我考虑过。 这一点上，Inference Labs 至少让我愿意继续看下去。 #KaitoYap Kaito AI 🌊 #Yap Inference Labs
5:21

哥哥们你们太卷了，卷不过你们了，掉了30多个名额了哦！哭死了！哎！！！ ——— 说实话，我一开始也是被 ZK 那一套讲法讲烦的。 什么数学优雅、终极信任、密码学圣杯，听多了真的会走神。 直到我在看 Inference Labs 的时候，脑子里突然冒出一个很不体面的画面： 这玩意儿怎么这么像拆熟食的？ 传统 AI 给我的感觉，就像买一整块封装好的肉。 看起来油亮，切面也不错， 但你永远不知道里面有没有掺点别的。 你只能选择信，或者不用。 Inference Labs 干的事反而很“笨”： 它不让你信整块， 而是把 AI 推理一刀一刀拆开。 你不需要接受“这个模型很强”这种宏大叙事， 你只需要确认一件小事： 这一刀，是不是真的这么切的。 说实话，这个点戳到我了。 DSperse 那套分布式验证，说白了就是在帮人偷懒。 不是让所有人去理解整个模型， 而是让验证这件事本身变轻。 我不用背“我要为整个 AI 结果负责”的心理包袱， 我只关心我现在用到的这一小段推理， 有没有被乱来。 这在很多现实场景里太重要了。 医生、风控、合规， 没人有精力啃完整头猪。 更让我有好感的是，他们连“怎么验”都顺手简化了。 我是真的讨厌管理私钥。 不是不懂，是不想。 每次验证之前先来一套仪式感， 本身就已经在劝退人了。 和 Self Chain 的无密钥方案， 第一次看到的时候我心里是松了一口气的那种感觉： 哦，终于不是为难普通人了。 验证 AI，本来就不该比点外卖还复杂。 ⸻ 所以后来我发现， Inference Labs 干的事，其实挺不浪漫的。 它不讲终极信任， 也不喊改变世界， 只是很务实地把信任拆碎、摊平、递到你手里。 你想验，就验这一小块。 你不想理解，也没关系。 未来如果 AI 真开始翻车， 那些没法被拆、没法被验的模型， 大概真的会被永久挂在链上当反例。 我现在已经不太关心 “这是不是真正的 ZK 巅峰设计”了。 我更在意的是： 当我真的要用 AI 的那一刻，它有没有为我考虑过。 这一点上，Inference Labs 至少让我愿意继续看下去。 #KaitoYap Kaito AI 🌊 #Yap Inference Labs

董小姐 MemeMax ⚡️ 🐬TermMax

27,155 次观看 • 7 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。
0:34

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

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？
1:47

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 次观看 • 6 个月前

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
8:01

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

OpenAI工程师翁家翌在下边的访谈里讲了两句非常有意思的话： 1. 每个人的命运是可以被预测的； 2. 上帝在宏观不掷骰子，而微观上掷骰子。 某种程度上，个人是很认同的。 "宿命论/命运可预测"： 翁家翌认为每个人的命运是可以被预测的，这个世界是一个确定的世界，人类在宏观上是没有自由意志的，世界在宇宙大爆炸的时候就已经确定了。 这个立场本质上是物理学中的经典决定论，也就是拉普拉斯妖的思路：如果你知道宇宙某一时刻所有粒子的状态和运动信息，就能推演出整个过去和未来。从这个角度看，人的命运只是初始条件在时间维度上的展开，不可预测只是因为我们信息不够，而不是因为它不确定。 翁家翌作为做强化学习的人，会有这种直觉其实不奇怪。RL 本质上就是在一个由规则确定的环境里，通过行动和反馈的闭环来逼近最优策略。如果你把整个宇宙看成一个极其复杂的环境，而人只是其中的 agent，那“命运可预测”就变成了一个工程问题，而非哲学问题，只是算力和信息量的限制。 “上帝在宏观不掷骰子，而微观上掷骰子”： 这个观点上，他把爱因斯坦和哥本哈根学派的争论做了一个调和，而不是简单地站某一边。 微观掷骰子，这基本上是承认量子力学的实验事实。单个粒子的行为确实是概率性的，你没法预测一个电子具体会出现在哪，只能给出概率分布。这一点在实验上已经反复验证过，没什么好争的。 宏观不掷骰子，这才是他真正想表达的核心。意思是：当微观的随机性被大量粒子叠加、平均之后，在宏观层面上涌现出来的规律是确定的。 映射到人的命运上，他的意思大概是：你人生中每一个微小的决策瞬间，每一次神经元的放电，可能确实带有量子层面的随机性。但当这些微小的随机性汇聚成一个人几十年的生命轨迹时，大数定律把噪声给消除了，剩下的是一条由初始条件（你的基因、家庭、时代、性格结构）基本锁定的路径。 这个观点还有一层更深的含义：它解释了为什么“算命”这件事在统计意义上可能有效，但在具体事件上经常失败。 宏观层面的命运轨迹（大致会从事什么类型的工作、大致的人生节奏）或许是可预测的，因为它是由足够多的微观变量平均出来的。但某一天你会遇到谁、某一次会议会说什么话，这些微观事件里骰子还在转。 这不是那种粗糙的"一切命中注定"式宿命论，而是一个更接近统计物理的框架：自由意志存在于微观的每一步，但命运浮现于宏观的整条路径。 你可以选择今天吃什么，但你这辈子大概会成为什么样的人，可能在出生的时候就差不多定了。
5:04

OpenAI工程师翁家翌在下边的访谈里讲了两句非常有意思的话： 1. 每个人的命运是可以被预测的； 2. 上帝在宏观不掷骰子，而微观上掷骰子。 某种程度上，个人是很认同的。 "宿命论/命运可预测"： 翁家翌认为每个人的命运是可以被预测的，这个世界是一个确定的世界，人类在宏观上是没有自由意志的，世界在宇宙大爆炸的时候就已经确定了。 这个立场本质上是物理学中的经典决定论，也就是拉普拉斯妖的思路：如果你知道宇宙某一时刻所有粒子的状态和运动信息，就能推演出整个过去和未来。从这个角度看，人的命运只是初始条件在时间维度上的展开，不可预测只是因为我们信息不够，而不是因为它不确定。 翁家翌作为做强化学习的人，会有这种直觉其实不奇怪。RL 本质上就是在一个由规则确定的环境里，通过行动和反馈的闭环来逼近最优策略。如果你把整个宇宙看成一个极其复杂的环境，而人只是其中的 agent，那“命运可预测”就变成了一个工程问题，而非哲学问题，只是算力和信息量的限制。 “上帝在宏观不掷骰子，而微观上掷骰子”： 这个观点上，他把爱因斯坦和哥本哈根学派的争论做了一个调和，而不是简单地站某一边。 微观掷骰子，这基本上是承认量子力学的实验事实。单个粒子的行为确实是概率性的，你没法预测一个电子具体会出现在哪，只能给出概率分布。这一点在实验上已经反复验证过，没什么好争的。 宏观不掷骰子，这才是他真正想表达的核心。意思是：当微观的随机性被大量粒子叠加、平均之后，在宏观层面上涌现出来的规律是确定的。 映射到人的命运上，他的意思大概是：你人生中每一个微小的决策瞬间，每一次神经元的放电，可能确实带有量子层面的随机性。但当这些微小的随机性汇聚成一个人几十年的生命轨迹时，大数定律把噪声给消除了，剩下的是一条由初始条件（你的基因、家庭、时代、性格结构）基本锁定的路径。 这个观点还有一层更深的含义：它解释了为什么“算命”这件事在统计意义上可能有效，但在具体事件上经常失败。 宏观层面的命运轨迹（大致会从事什么类型的工作、大致的人生节奏）或许是可预测的，因为它是由足够多的微观变量平均出来的。但某一天你会遇到谁、某一次会议会说什么话，这些微观事件里骰子还在转。 这不是那种粗糙的"一切命中注定"式宿命论，而是一个更接近统计物理的框架：自由意志存在于微观的每一步，但命运浮现于宏观的整条路径。 你可以选择今天吃什么，但你这辈子大概会成为什么样的人，可能在出生的时候就差不多定了。

Macro_Lin

371,253 次观看 • 4 个月前

昨天发了一个视频，看到评论里有人问：你都在用 Claude Code 了，为什么还要用国内的 Coding Plan？ 对我来说，这不是一个二选一的问题，而是一个补充题。 大家都知道御三家的硬实力更强，这点没什么好争议的。但很多日常场景里，国产模型其实已经能在速度、质量、成本之间取得一个不错的平衡。 比如文本处理、资料整理、基础 coding、简单 agent 任务，这类占日常 80% 的工作，很多时候并不一定非要上最贵的模型。对大多数中国用户来说，国产模型更顺手，速度也够，价格还低不少。 还有一个经常被忽略的点，其实是处理速度。 我自己实测下来，国内这些模型在一些简单任务上，接口响应和首字速度都很快。像翻译、语音输入后的文本修正、基础润色、简单改写这类高频小任务，用起来其实很舒服。你并不需要每一次都把最贵、最强的模型拉出来跑一遍。 另外我觉得，现在国内头部几家 AI 厂商，已经不是“能不能做”的问题了。无论是阿里还是字节，一方面有足够的算力和基础设施，另一方面本身也有持续做模型研发和产品迭代的能力。所以在很多高频、日常、成本敏感的场景里，把国产模型纳入自己的工具链，本来就是很自然的事。 所以我现在的看法一直都不是“国产替代”或者“二选一”，而是按场景分工：复杂、高价值任务交给最强模型；大量日常、重复、成本敏感的任务，用国产模型做补充，我觉得这反而是更现实、也更科学的用法。
1:10

昨天发了一个视频，看到评论里有人问：你都在用 Claude Code 了，为什么还要用国内的 Coding Plan？ 对我来说，这不是一个二选一的问题，而是一个补充题。 大家都知道御三家的硬实力更强，这点没什么好争议的。但很多日常场景里，国产模型其实已经能在速度、质量、成本之间取得一个不错的平衡。 比如文本处理、资料整理、基础 coding、简单 agent 任务，这类占日常 80% 的工作，很多时候并不一定非要上最贵的模型。对大多数中国用户来说，国产模型更顺手，速度也够，价格还低不少。 还有一个经常被忽略的点，其实是处理速度。 我自己实测下来，国内这些模型在一些简单任务上，接口响应和首字速度都很快。像翻译、语音输入后的文本修正、基础润色、简单改写这类高频小任务，用起来其实很舒服。你并不需要每一次都把最贵、最强的模型拉出来跑一遍。 另外我觉得，现在国内头部几家 AI 厂商，已经不是“能不能做”的问题了。无论是阿里还是字节，一方面有足够的算力和基础设施，另一方面本身也有持续做模型研发和产品迭代的能力。所以在很多高频、日常、成本敏感的场景里，把国产模型纳入自己的工具链，本来就是很自然的事。 所以我现在的看法一直都不是“国产替代”或者“二选一”，而是按场景分工：复杂、高价值任务交给最强模型；大量日常、重复、成本敏感的任务，用国产模型做补充，我觉得这反而是更现实、也更科学的用法。

luolei

32,566 次观看 • 3 个月前

有一个超级暴论： 现阶段的 OpenClaw 根本不适合团队协作！！ 折腾过的人，应该都有类似的感受！ OpenClaw 本质上其实是一个很强的 Agent 底座！ 你可以把它接入到自己的团队工作流里， 把 Agent 搭起来，把渠道接进去，把能力跑通， 每个人都能让Agent干事情， 但是再进一步就会发现真正的问题： 团队怎么一起用？ 中间产出和最终结果都沉淀在哪？ 前面做过的分析、写过的文档、跑过的方法，怎么变成团队可复用资产？ 新的成员进来，怎么接着往下做，而不是从头再来一遍？ 这些，落到实际的应用中，都是坑！ 最近，Flowus团队开发了一个新产品： Kollab Kollab 似乎解决了上面这些问题，它的思路很直接： 把 Agent 直接变成工作流的一部分。 这是什么意思呢？ OpenClaw 解决的是：我个人怎么拥有一个随叫随到、能力很强、自己可控的 AI。 而 Kollab 解决的是：怎么让 AI 参与真实的团队工作，让做过的事能留下来，方法能复用，团队能协作。 对于内容团队、研究团队、小型创业团队来说，一定知道这其中的区别！！ 你可以很简单的建立不同的项目组，或者工作空间， 每个项目组里都有 Agent，项目推进的全过程中， 所有的工作流、产出和方法论，都会沉淀在这个空间里。 当下次遇到同类型的B项目时，就可以一键复用A项目沉淀下来“工作资产”。 我觉得，这才是团队协作里最有价值的部分， 尽可能减少重复劳动！！ 不管是传统团队协作，还是AI时代的团队协作，都如此。 所以，AI 产品真正的分水岭， 不是谁更像人，也不是谁接了更多更强的模型。 而是，到底能不能提供一个能沉淀、能协作、能推进的工作空间。
0:49

有一个超级暴论： 现阶段的 OpenClaw 根本不适合团队协作！！ 折腾过的人，应该都有类似的感受！ OpenClaw 本质上其实是一个很强的 Agent 底座！ 你可以把它接入到自己的团队工作流里， 把 Agent 搭起来，把渠道接进去，把能力跑通， 每个人都能让Agent干事情， 但是再进一步就会发现真正的问题： 团队怎么一起用？ 中间产出和最终结果都沉淀在哪？ 前面做过的分析、写过的文档、跑过的方法，怎么变成团队可复用资产？ 新的成员进来，怎么接着往下做，而不是从头再来一遍？ 这些，落到实际的应用中，都是坑！ 最近，Flowus团队开发了一个新产品： Kollab Kollab 似乎解决了上面这些问题，它的思路很直接： 把 Agent 直接变成工作流的一部分。 这是什么意思呢？ OpenClaw 解决的是：我个人怎么拥有一个随叫随到、能力很强、自己可控的 AI。 而 Kollab 解决的是：怎么让 AI 参与真实的团队工作，让做过的事能留下来，方法能复用，团队能协作。 对于内容团队、研究团队、小型创业团队来说，一定知道这其中的区别！！ 你可以很简单的建立不同的项目组，或者工作空间， 每个项目组里都有 Agent，项目推进的全过程中， 所有的工作流、产出和方法论，都会沉淀在这个空间里。 当下次遇到同类型的B项目时，就可以一键复用A项目沉淀下来“工作资产”。 我觉得，这才是团队协作里最有价值的部分， 尽可能减少重复劳动！！ 不管是传统团队协作，还是AI时代的团队协作，都如此。 所以，AI 产品真正的分水岭， 不是谁更像人，也不是谁接了更多更强的模型。 而是，到底能不能提供一个能沉淀、能协作、能推进的工作空间。

沐阳

51,074 次观看 • 3 个月前

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🧙🏿‍♀️

33,503 次观看 • 6 个月前

有个女的问我 是不是 intj 人格， 我只知道这四个字母指的是网上很火的一个性格测试结果，但具体这4个字母指的是什么不是很了解。 其实我向来对这些测试不屑一顾，感觉跟星座星盘命理差不多，极度理智的人是不信这些的， 就算有逻辑，有道理，人是很复杂的，也不可能用4个字母能概括， 这就像一个基佬，他可以是0，也可以是1，还可以是又0又1，还可以是 0.1 0.3 0.5 0.7…… 人性是不同程度的灰，太复杂了。 但我从抖音搜了下intj，看了下解读视频， 卧槽，这不正是我吗？？？真踏马准啊！！！
1:39

有个女的问我 是不是 intj 人格， 我只知道这四个字母指的是网上很火的一个性格测试结果，但具体这4个字母指的是什么不是很了解。 其实我向来对这些测试不屑一顾，感觉跟星座星盘命理差不多，极度理智的人是不信这些的， 就算有逻辑，有道理，人是很复杂的，也不可能用4个字母能概括， 这就像一个基佬，他可以是0，也可以是1，还可以是又0又1，还可以是 0.1 0.3 0.5 0.7…… 人性是不同程度的灰，太复杂了。 但我从抖音搜了下intj，看了下解读视频， 卧槽，这不正是我吗？？？真踏马准啊！！！

逍遥XTony

18,235 次观看 • 7 个月前

说个真相：2026 年最能赚钱的 AI 编程工具不是 Claude Code，是 Cursor。 年化 40 亿美金，Claude Code 25 亿，差一截。 这数字不是我拍脑袋，是我让 Apodex 跑出来的，一个主打“每一步先验证再往下推”的 AI 研究工具。 它没像聊天机器人那样秒回一段话，是真去查，最后给了份带 21 条引用的简报。 大方向它给的结论跟我体感对得上：Cursor 最能赚，Copilot 用户最多，Claude Code 体验最好。 但 AI 给的东西我有个习惯，挨条查，21 条引用翻下来，大多数站得住。 有一条没站住：它说 SpaceX 要花 100 亿买 Cursor 的 Colossus 超算。问题是，Colossus 是马斯克 xAI 的超算，不是 Cursor 的。 它也有很克制的地方。比如 Copilot 的收入，它没硬编一个数，直接标“微软没披露，这是估算”，还给了区间。 所以我真正想说的是：它把每一步推理、每一条来源都摊开给你了。正因为摊开，我才查得出哪条不对。换个黑盒聊天机器人，你连查都没得查。 经过验证的简报，不等于你可以不验证。但它能让你验证，这件事本身就比大多数 AI 强。 报告全文 + 21 条引用我放评论了，现在注册免费试用体验，估计很快也就收费了：
1:00

说个真相：2026 年最能赚钱的 AI 编程工具不是 Claude Code，是 Cursor。 年化 40 亿美金，Claude Code 25 亿，差一截。 这数字不是我拍脑袋，是我让 Apodex 跑出来的，一个主打“每一步先验证再往下推”的 AI 研究工具。 它没像聊天机器人那样秒回一段话，是真去查，最后给了份带 21 条引用的简报。 大方向它给的结论跟我体感对得上：Cursor 最能赚，Copilot 用户最多，Claude Code 体验最好。 但 AI 给的东西我有个习惯，挨条查，21 条引用翻下来，大多数站得住。 有一条没站住：它说 SpaceX 要花 100 亿买 Cursor 的 Colossus 超算。问题是，Colossus 是马斯克 xAI 的超算，不是 Cursor 的。 它也有很克制的地方。比如 Copilot 的收入，它没硬编一个数，直接标“微软没披露，这是估算”，还给了区间。 所以我真正想说的是：它把每一步推理、每一条来源都摊开给你了。正因为摊开，我才查得出哪条不对。换个黑盒聊天机器人，你连查都没得查。 经过验证的简报，不等于你可以不验证。但它能让你验证，这件事本身就比大多数 AI 强。 报告全文 + 21 条引用我放评论了，现在注册免费试用体验，估计很快也就收费了：

Yanhua

27,550 次观看 • 1 个月前

最近北大开源的一个项目，我觉得很值得关注。 AI Agent 现在最缺的，可能不是模型， 而是一套像 npm 一样可复用的 skill 基础设施。 MagicSkills 做的就是这件事。 它不是再去造一个新的 Agent framework， 而是想把那些散落在各处的 SKILL.md， 变成可安装、可组合、可同步、可调用的共享能力层。 MagicSkills 的思路更像是， 先把 skill 从零散文档里抽出来， 做成一个本地优先的共享 skill pool， 然后再按不同 Agent、不同框架去组合和分发。 这样一来，skill 就不再只是 prompt 附件， 而是开始变成真正可复用的能力基础设施。 说白了，它想推动的一件事就是： 让 Agent 的技能， 从“写一份文档自己用”， 变成“写一次，到处复用”。 我觉得这个方向很值得看。 因为当 skill 开始像包管理一样被组织起来， 多 Agent 工作流才会真正开始像工程系统， 而不是一堆 prompt 和脚本的临时拼装。 如果你在关注 AI Agent、Multi-Agent、技能复用， 或者正在想怎么管理越来越多的 SKILL.md， 这个项目值得研究一下。👇
0:21

最近北大开源的一个项目，我觉得很值得关注。 AI Agent 现在最缺的，可能不是模型， 而是一套像 npm 一样可复用的 skill 基础设施。 MagicSkills 做的就是这件事。 它不是再去造一个新的 Agent framework， 而是想把那些散落在各处的 SKILL.md， 变成可安装、可组合、可同步、可调用的共享能力层。 MagicSkills 的思路更像是， 先把 skill 从零散文档里抽出来， 做成一个本地优先的共享 skill pool， 然后再按不同 Agent、不同框架去组合和分发。 这样一来，skill 就不再只是 prompt 附件， 而是开始变成真正可复用的能力基础设施。 说白了，它想推动的一件事就是： 让 Agent 的技能， 从“写一份文档自己用”， 变成“写一次，到处复用”。 我觉得这个方向很值得看。 因为当 skill 开始像包管理一样被组织起来， 多 Agent 工作流才会真正开始像工程系统， 而不是一堆 prompt 和脚本的临时拼装。 如果你在关注 AI Agent、Multi-Agent、技能复用， 或者正在想怎么管理越来越多的 SKILL.md， 这个项目值得研究一下。👇

axiaisacat

46,330 次观看 • 4 个月前

很多人习惯把豆包当作是AI鄙视链最底端， 就连调侃掉队的Gemini，都说它是“北美大豆包”！ 但字节跳动，绝对是最被低估的 AI 公司之一。 我用 Apodex 跑了一轮“字节跳动技术和产品版图”的调研，最大的感受是： 很多人还在用“短视频公司”的视角看字节。 但它真实的版图，已经更像一个 AI-native 产品工厂。 TikTok / 抖音是流量入口，CapCut / 剪映是创作工具。 Lark / 飞书是组织协作，火山引擎是云和模型能力输出。 豆包、Seed、Seedance、Seedream、Coze 这类产品， 则是在把 AI 能力塞进内容、办公、开发、创作和企业服务里。 这不是单点 AI 产品，而是一套从用户场景、内容分发、创作工具、模型能力到云基础设施的闭环。 试问，还有哪一家公司能做得到？ 完整调研报告放在评论区，有兴趣可以查看！ 整个调研的过程，特别舒服！！ 我之前用其他Deep Research工具，方法很粗暴，直接一顿关键词检索，然后咔咔几下就搞个报告出来， 而Apodex给我的体验很不一样，它先把问题拆开： 哪些是流量入口，哪些是创作工具，哪些是模型层，哪些是企业服务，哪些能互相复用。 然后用多 agent 分头查资料、核事实、找证据链，再由 verifier 去检查结论有没有跳步。 过程不算快，但每一步都有迹可寻，看着就特别靠谱， 就像一支研究团队，一支非常像真人团队的协作： 有的 agent 负责产品线梳理，有的负责技术模型核查，有负责商业化路径， 有的专门找反例，最后检查“结论是否真的由证据推出”。 整个调研过程，可追溯，可验证， 这才是正儿八经的 Deep Research， 对了，Apodex 现在已经开放抢先体验，适合拿来做竞品研究、公司尽调、行业分析、这类高复杂度任务，特别适合用来做金融、医疗、法律方面需要强可信度的场景。 抢先试用入口：
0:32

很多人习惯把豆包当作是AI鄙视链最底端， 就连调侃掉队的Gemini，都说它是“北美大豆包”！ 但字节跳动，绝对是最被低估的 AI 公司之一。 我用 Apodex 跑了一轮“字节跳动技术和产品版图”的调研，最大的感受是： 很多人还在用“短视频公司”的视角看字节。 但它真实的版图，已经更像一个 AI-native 产品工厂。 TikTok / 抖音是流量入口，CapCut / 剪映是创作工具。 Lark / 飞书是组织协作，火山引擎是云和模型能力输出。 豆包、Seed、Seedance、Seedream、Coze 这类产品， 则是在把 AI 能力塞进内容、办公、开发、创作和企业服务里。 这不是单点 AI 产品，而是一套从用户场景、内容分发、创作工具、模型能力到云基础设施的闭环。 试问，还有哪一家公司能做得到？ 完整调研报告放在评论区，有兴趣可以查看！ 整个调研的过程，特别舒服！！ 我之前用其他Deep Research工具，方法很粗暴，直接一顿关键词检索，然后咔咔几下就搞个报告出来， 而Apodex给我的体验很不一样，它先把问题拆开： 哪些是流量入口，哪些是创作工具，哪些是模型层，哪些是企业服务，哪些能互相复用。 然后用多 agent 分头查资料、核事实、找证据链，再由 verifier 去检查结论有没有跳步。 过程不算快，但每一步都有迹可寻，看着就特别靠谱， 就像一支研究团队，一支非常像真人团队的协作： 有的 agent 负责产品线梳理，有的负责技术模型核查，有负责商业化路径， 有的专门找反例，最后检查“结论是否真的由证据推出”。 整个调研过程，可追溯，可验证， 这才是正儿八经的 Deep Research， 对了，Apodex 现在已经开放抢先体验，适合拿来做竞品研究、公司尽调、行业分析、这类高复杂度任务，特别适合用来做金融、医疗、法律方面需要强可信度的场景。 抢先试用入口：

沐阳

23,163 次观看 • 1 个月前

骂归骂，但毫无疑问claude code 是anthropic 出来的最优秀的产品。 这篇 Anthropic 原文是 Claude Code 的“口述史”，首先文章网站做的就很有意思：直接仿真了一个terminal，看起来很有趣！ 内容上：讲了 Claude Code 从早期内部实验、clide 原型、Claude CLI，到 2025 年研究预览发布后的扩散过程 一句话总结：Claude Code 的成型，靠的是模型能力进步、终端式产品形态、小团队高频迭代、Anthropic 内部重度试用，以及一批早期用户不断反馈出来的真实工作流。 Claude Code 不是突然冒出来的产品。Anthropic 从 2021、2022 年就一直在研究怎么让模型写代码、跑测试、用 bash、在真实环境里完成任务。 早期还有过 VS Code 插件和内部工具 clide，虽然粗糙，但已经证明“AI 可以真的参与开发”。 clide 很难用，但内部工程师一用就发现有未来感。Boris Cherny 后来做了 Claude CLI 原型，一开始没人太当回事，Slack 上反响也很小。直到大家看到它真的能改代码、写 PR、帮工程师推进工作，团队才意识到：这个方向值得全力做。 他们认为 Claude Code 代表一种新的写代码方式：工程师会越来越少手写每一行代码，更多是在安排任务、审查结果、管理多个 AI agent。它也可能让很多原本没钱、没团队做软件的人，第一次能做出可用工具。 原文链接：
0:40

骂归骂，但毫无疑问claude code 是anthropic 出来的最优秀的产品。 这篇 Anthropic 原文是 Claude Code 的“口述史”，首先文章网站做的就很有意思：直接仿真了一个terminal，看起来很有趣！ 内容上：讲了 Claude Code 从早期内部实验、clide 原型、Claude CLI，到 2025 年研究预览发布后的扩散过程 一句话总结：Claude Code 的成型，靠的是模型能力进步、终端式产品形态、小团队高频迭代、Anthropic 内部重度试用，以及一批早期用户不断反馈出来的真实工作流。 Claude Code 不是突然冒出来的产品。Anthropic 从 2021、2022 年就一直在研究怎么让模型写代码、跑测试、用 bash、在真实环境里完成任务。 早期还有过 VS Code 插件和内部工具 clide，虽然粗糙，但已经证明“AI 可以真的参与开发”。 clide 很难用，但内部工程师一用就发现有未来感。Boris Cherny 后来做了 Claude CLI 原型，一开始没人太当回事，Slack 上反响也很小。直到大家看到它真的能改代码、写 PR、帮工程师推进工作，团队才意识到：这个方向值得全力做。 他们认为 Claude Code 代表一种新的写代码方式：工程师会越来越少手写每一行代码，更多是在安排任务、审查结果、管理多个 AI agent。它也可能让很多原本没钱、没团队做软件的人，第一次能做出可用工具。 原文链接：

岚叔

10,454 次观看 • 26 天前

最近 Miden 公布奖励后 明显大家怠慢了 Inference Labs ,没有前几天那么卷了，那我就开始冲啦。 很多人把 Inference Labs 当成一个 AI 基础设施，但我越看越觉得，它真正做的不是算力、不是模型、甚至不是验证本身。 它更像是在给 AI 世界搭一套司法系统。 现在大部分 AI 项目，都在解决一件事，怎么让模型更强、更快、更便宜。 但几乎没人认真回答另一个问题，如果 AI 的判断是错的，甚至是被操纵的，谁来否认它。 这不是一个技术问题，这是一个制度问题。 现实世界里，任何能影响结果的系统，都一定有一套否认机制。 金融有仲裁，法律有上诉，市场有清算。 但 AI 世界没有。 今天的 AI 输出，一旦被系统采用，就会一路向下执行。 自动清算、自动交易、自动风控、自动推荐。 问题不在于 AI 会不会犯错，而在于犯错之后，系统本身有没有能力说不。 Inference Labs 的位置，就在这里。 它不是在帮 AI 生成结果，而是在为结果提供一种可被挑战、可被回溯、可被否认的路径。 你可以把它理解成 AI 世界里的证据链，而不是算力层。 这一点很关键，因为它决定了 Inference Labs 真正的用户是谁。 它的核心用户，其实不是开发者。 开发者只是接入工具的人。 真正依赖它的，是那些已经被 AI 深度接管，却无法承担失误成本的系统。 比如 DeFi 协议。 AI 在里面做策略、做风控、做参数调节。 如果一次判断失误，损失是真实发生的。 但现在的系统里，几乎没有办法证明，这个结果到底是不是“按规则运行”得出来的。 DAO 也是一样。 越来越多的治理建议、预算分配、风险评估，开始交给 AI 辅助甚至直接决策。 但一旦结果被质疑，DAO 没有证据链可以审计，只能靠信任模型本身。 这就是 Inference Labs 的用武之地。 它并不是让 AI 更聪明，而是让系统在出现争议时，有一套可以站得住脚的说法。 这和 zk、算力、模型大小都没那么直接关系，而更接近制度建设。 如果你从这个角度看，就会发现 Inference Labs 的节奏和大多数 AI 项目完全不同。 它不追求用户爆发，不追求调用量暴涨，也不太在意短期热度。 因为这种系统，只有在规模足够大、风险足够真实的时候，才会被真正需要。 就像现实世界里的法院。 没人会天天夸法院多高效，但一旦没有它，秩序会立刻崩。 Inference Labs 服务的，其实是一群被动用户。 他们可能根本不知道自己在用这个协议。 他们只知道，自己的系统需要一个能够在关键时刻说清楚发生了什么的底层。 这也是为什么我认为 Inference Labs 很容易被低估。 它不制造爽点，只负责兜底。 而兜底型协议，在牛市里永远不性感，但在出事的时候，永远第一个被翻出来。 如果未来 AI 真正开始成为经济系统的一部分，那一定不是只有生成层和执行层。 中间一定需要一层，负责裁定、回溯、否认和问责。 从这个角度看，Inference Labs 更像是 AI 世界的制度组件，而不是工具组件。 而制度型基础设施，往往前期安静，后期不可替代。 这类项目，从来不是用来追热度的。 它们是用来活得最久的。 #KAITO #Inference
0:44

最近 Miden 公布奖励后 明显大家怠慢了 Inference Labs ,没有前几天那么卷了，那我就开始冲啦。 很多人把 Inference Labs 当成一个 AI 基础设施，但我越看越觉得，它真正做的不是算力、不是模型、甚至不是验证本身。 它更像是在给 AI 世界搭一套司法系统。 现在大部分 AI 项目，都在解决一件事，怎么让模型更强、更快、更便宜。 但几乎没人认真回答另一个问题，如果 AI 的判断是错的，甚至是被操纵的，谁来否认它。 这不是一个技术问题，这是一个制度问题。 现实世界里，任何能影响结果的系统，都一定有一套否认机制。 金融有仲裁，法律有上诉，市场有清算。 但 AI 世界没有。 今天的 AI 输出，一旦被系统采用，就会一路向下执行。 自动清算、自动交易、自动风控、自动推荐。 问题不在于 AI 会不会犯错，而在于犯错之后，系统本身有没有能力说不。 Inference Labs 的位置，就在这里。 它不是在帮 AI 生成结果，而是在为结果提供一种可被挑战、可被回溯、可被否认的路径。 你可以把它理解成 AI 世界里的证据链，而不是算力层。 这一点很关键，因为它决定了 Inference Labs 真正的用户是谁。 它的核心用户，其实不是开发者。 开发者只是接入工具的人。 真正依赖它的，是那些已经被 AI 深度接管，却无法承担失误成本的系统。 比如 DeFi 协议。 AI 在里面做策略、做风控、做参数调节。 如果一次判断失误，损失是真实发生的。 但现在的系统里，几乎没有办法证明，这个结果到底是不是“按规则运行”得出来的。 DAO 也是一样。 越来越多的治理建议、预算分配、风险评估，开始交给 AI 辅助甚至直接决策。 但一旦结果被质疑，DAO 没有证据链可以审计，只能靠信任模型本身。 这就是 Inference Labs 的用武之地。 它并不是让 AI 更聪明，而是让系统在出现争议时，有一套可以站得住脚的说法。 这和 zk、算力、模型大小都没那么直接关系，而更接近制度建设。 如果你从这个角度看，就会发现 Inference Labs 的节奏和大多数 AI 项目完全不同。 它不追求用户爆发，不追求调用量暴涨，也不太在意短期热度。 因为这种系统，只有在规模足够大、风险足够真实的时候，才会被真正需要。 就像现实世界里的法院。 没人会天天夸法院多高效，但一旦没有它，秩序会立刻崩。 Inference Labs 服务的，其实是一群被动用户。 他们可能根本不知道自己在用这个协议。 他们只知道，自己的系统需要一个能够在关键时刻说清楚发生了什么的底层。 这也是为什么我认为 Inference Labs 很容易被低估。 它不制造爽点，只负责兜底。 而兜底型协议，在牛市里永远不性感，但在出事的时候，永远第一个被翻出来。 如果未来 AI 真正开始成为经济系统的一部分，那一定不是只有生成层和执行层。 中间一定需要一层，负责裁定、回溯、否认和问责。 从这个角度看，Inference Labs 更像是 AI 世界的制度组件，而不是工具组件。 而制度型基础设施，往往前期安静，后期不可替代。 这类项目，从来不是用来追热度的。 它们是用来活得最久的。 #KAITO #Inference

紫川 | ∞KIN |

12,423 次观看 • 6 个月前

Elon Musk有一个学习方法， 解释了一个困扰我很多年的问题， 为什么有些东西学完一周就忘光， 有些东西一通百通，区别就在于你有没有先建树干。 Elon Musk 说过，要把知识看成一棵语义树，先确保自己理解基本原理，也就是树干和大树枝，再去接触树叶一样的细节，否则那些细节根本无处依附。 这句话我琢磨了很久，越想越觉得它解释了一个困扰我很多年的问题，为什么有些东西学完就忘，有些东西一通百通。 区别就在于你有没有树干。 没有树干的时候，你学到的每一个技巧都是悬在空中的，挂不住，风一吹就掉了，读完一本书一周忘光，学完一门课一个月用不上，本质上都是同一个问题，你在往一棵不存在的树上挂叶子。 这个比喻不只是修辞，它完全符合我们大脑的工作机制，神经可塑性的运作方式就是这样的，能带来成功的神经连接会被不断强化，无用的连接像枯枝一样断掉，当你有了坚实的主干结构，新信息才有地方附着，没有这个框架，所有知识都会快速滑落。 马斯克自己就是这么干的，他没有先去学怎么造火箭发动机，而是先弄懂火箭为什么要那样工作，物理学、材料科学、热力学的基本原理，一旦掌握了这些，具体的工程决策就变成了可以评估、质疑和改进的东西。 芒格也是一样，不死记投资方法，而是从心理学、历史、数学、物理、哲学、生物学里搭建多元思维框架，然后用这个框架在所有领域做决策。 一个方法只能解决一个问题，一次有效，一个原理能反复用上百次，应对你还没遇到的场景。 哈灵顿·埃默森说过，方法可能有百万种，但原理很少，掌握原理的人能成功选择自己的方法，只试方法而忽视原理的人注定遇到麻烦。 所以咱们不管学什么新东西，先别急着找技巧，先问一个问题， 这个领域的树干是什么，哪些是一旦理解就能让其他一切都变得更容易的第一性原理。 先长树干，再挂树叶。
0:47

Elon Musk有一个学习方法， 解释了一个困扰我很多年的问题， 为什么有些东西学完一周就忘光， 有些东西一通百通，区别就在于你有没有先建树干。 Elon Musk 说过，要把知识看成一棵语义树，先确保自己理解基本原理，也就是树干和大树枝，再去接触树叶一样的细节，否则那些细节根本无处依附。 这句话我琢磨了很久，越想越觉得它解释了一个困扰我很多年的问题，为什么有些东西学完就忘，有些东西一通百通。 区别就在于你有没有树干。 没有树干的时候，你学到的每一个技巧都是悬在空中的，挂不住，风一吹就掉了，读完一本书一周忘光，学完一门课一个月用不上，本质上都是同一个问题，你在往一棵不存在的树上挂叶子。 这个比喻不只是修辞，它完全符合我们大脑的工作机制，神经可塑性的运作方式就是这样的，能带来成功的神经连接会被不断强化，无用的连接像枯枝一样断掉，当你有了坚实的主干结构，新信息才有地方附着，没有这个框架，所有知识都会快速滑落。 马斯克自己就是这么干的，他没有先去学怎么造火箭发动机，而是先弄懂火箭为什么要那样工作，物理学、材料科学、热力学的基本原理，一旦掌握了这些，具体的工程决策就变成了可以评估、质疑和改进的东西。 芒格也是一样，不死记投资方法，而是从心理学、历史、数学、物理、哲学、生物学里搭建多元思维框架，然后用这个框架在所有领域做决策。 一个方法只能解决一个问题，一次有效，一个原理能反复用上百次，应对你还没遇到的场景。 哈灵顿·埃默森说过，方法可能有百万种，但原理很少，掌握原理的人能成功选择自己的方法，只试方法而忽视原理的人注定遇到麻烦。 所以咱们不管学什么新东西，先别急着找技巧，先问一个问题， 这个领域的树干是什么，哪些是一旦理解就能让其他一切都变得更容易的第一性原理。 先长树干，再挂树叶。

AYi

44,087 次观看 • 4 个月前