正在加载视频...

视频加载失败

加载此视频时出现问题。这可能是由于临时网络问题，或视频可能不可用。

最近Cloudflare CEO Matthew Prince分享了一组很有深意的数据：Google训练AI时能看到的网页量，是OpenAI的3.2倍，更是微软的4.8倍。很多人问Gemini为什么追得这么快？答案就在这3.2倍的数据里。这是Google成立27年来靠搜索业务攒下的底层红利，它能触达的边界和解决问题的深度，不是靠短期烧钱买算力就能追上的。

傅盛

54,921 subscribers

48,128 次观看 • 6 个月前 •via X (Twitter)

Anya Rossi• Live Now

Private livecam show

0 条评论

暂无评论

原始帖子的评论将显示在这里

相关视频

这是Cloudflare的CEO Matthew Prince捅出来的数据。一个很吓人的数据。 OpenAI每看到1个网页。谷歌就能看到3.2个。微软呢？谷歌看到的世界是它的4.8倍。这意味着什么？ AI时代，得数据者得天下。原料都被一家垄断了，其他人怎么玩？用爱发电吗？谷歌拥有一个其他任何公司都没有的独特优势它对整个互联网的访问权限。这是它通过搜索引擎业务几十年积累下来的护城河。现在，这条河正在帮助它在AI领域淹没所有对手。我们担心的不只是商业垄断。我们担心的是信息和思想的垄断。当一个实体，拥有不成比例的数据喂养能力，它训练出的AI会是什么样子？它会定义“事实”。它会塑造“真相”。它会决定你能看到什么，以及你看不到什么。这比任何媒体都更强大。 Cloudflare的CEO提出了两种解决方案。要么，把谷歌拉回到和其他人一样的水平，限制它利用搜索优势。要么，把其他所有人都提升到谷歌的水平。第一条路，动了巨头的蛋糕，监管能做到吗？第二条路，技术上现实吗？谁来组织？问题是，时间不多了。当游戏规则的制定者，和最强的那个玩家，是同一个人时。其他人还有机会吗？还是说，游戏其实早就结束了？

这是Cloudflare的CEO Matthew Prince捅出来的数据。一个很吓人的数据。 OpenAI每看到1个网页。谷歌就能看到3.2个。微软呢？谷歌看到的世界是它的4.8倍。这意味着什么？ AI时代，得数据者得天下。原料都被一家垄断了，其他人怎么玩？用爱发电吗？谷歌拥有一个其他任何公司都没有的独特优势它对整个互联网的访问权限。这是它通过搜索引擎业务几十年积累下来的护城河。现在，这条河正在帮助它在AI领域淹没所有对手。我们担心的不只是商业垄断。我们担心的是信息和思想的垄断。当一个实体，拥有不成比例的数据喂养能力，它训练出的AI会是什么样子？它会定义“事实”。它会塑造“真相”。它会决定你能看到什么，以及你看不到什么。这比任何媒体都更强大。 Cloudflare的CEO提出了两种解决方案。要么，把谷歌拉回到和其他人一样的水平，限制它利用搜索优势。要么，把其他所有人都提升到谷歌的水平。第一条路，动了巨头的蛋糕，监管能做到吗？第二条路，技术上现实吗？谁来组织？问题是，时间不多了。当游戏规则的制定者，和最强的那个玩家，是同一个人时。其他人还有机会吗？还是说，游戏其实早就结束了？

墓碑科技

33,976 次观看 • 6 个月前

我们为什么不能原谅日本? 这组数据就是最好的答案！

我们为什么不能原谅日本? 这组数据就是最好的答案！

我是梦嫣❤️

18,712 次观看 • 2 年前

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 次观看 • 1 年前

继续追踪深耕，Irys (✧ᴗ✧) 最近的操作和数据真的有点猛啊！刚瞅了眼数据，截至8月13号，直接写入它存储层的交易量已经飙到7亿次了，从Q3开始算居然涨了10倍还多，这扩张速度简直像开了倍速，数据存储和处理能力是真值得点赞！更让人期待的是测试网这边！现在已经能支持永久数据上传了，临时数据功能也在路上，马上就能用。接下来几周更有大动作——IrysVM和可编程数据功能要登场，开发者们很快就能拿到早期体验资格，想想都觉得好玩。最贴心的是，等主网正式启动，测试网的数据会无缝迁移过去，连交易ID都不带变的，完全不用操心数据衔接问题，这波细节拉满了呀 #irys #KAITO Irys中文(✧ᴗ✧) Kaito AI 🌊

继续追踪深耕，Irys (✧ᴗ✧) 最近的操作和数据真的有点猛啊！刚瞅了眼数据，截至8月13号，直接写入它存储层的交易量已经飙到7亿次了，从Q3开始算居然涨了10倍还多，这扩张速度简直像开了倍速，数据存储和处理能力是真值得点赞！更让人期待的是测试网这边！现在已经能支持永久数据上传了，临时数据功能也在路上，马上就能用。接下来几周更有大动作——IrysVM和可编程数据功能要登场，开发者们很快就能拿到早期体验资格，想想都觉得好玩。最贴心的是，等主网正式启动，测试网的数据会无缝迁移过去，连交易ID都不带变的，完全不用操心数据衔接问题，这波细节拉满了呀 #irys #KAITO Irys中文(✧ᴗ✧) Kaito AI 🌊

币资讯

33,383 次观看 • 11 个月前

马斯克又放话了。他说，未来的AI，到底有多聪明？人类根本无法理解。他打了个比方。把地球今天所有的用电量，乘以一百万倍。一个智能体，如果能调动这么多能源，会是什么样子？听起来很吓人？但在宇宙尺度下，这根本不算什么。这点能量，仅仅是太阳输出能量的百万分之一。微不足道。一个能利用这种级别能量的AI，会思考什么？会做什么？马斯克的答案很直接：它能解决所有你能想到的问题。是的，包括“长生不老”。挑战不在于如何实现。而在于，人类的大脑，甚至无法对那种级别的智能，产生哪怕一丝模糊的认知。听着很美好，解决一切问题。但权力导致腐败，绝对的权力导致绝对的腐败。一个全知全能、解决一切问题的AI，由谁控制？它的价值观，由谁来设定？如果答案是今天的硅谷精英，那对普通人来说，这究竟是福音，还是终极的牢笼？

马斯克又放话了。他说，未来的AI，到底有多聪明？人类根本无法理解。他打了个比方。把地球今天所有的用电量，乘以一百万倍。一个智能体，如果能调动这么多能源，会是什么样子？听起来很吓人？但在宇宙尺度下，这根本不算什么。这点能量，仅仅是太阳输出能量的百万分之一。微不足道。一个能利用这种级别能量的AI，会思考什么？会做什么？马斯克的答案很直接：它能解决所有你能想到的问题。是的，包括“长生不老”。挑战不在于如何实现。而在于，人类的大脑，甚至无法对那种级别的智能，产生哪怕一丝模糊的认知。听着很美好，解决一切问题。但权力导致腐败，绝对的权力导致绝对的腐败。一个全知全能、解决一切问题的AI，由谁控制？它的价值观，由谁来设定？如果答案是今天的硅谷精英，那对普通人来说，这究竟是福音，还是终极的牢笼？

墓碑科技

46,315 次观看 • 4 个月前

AI的终极瓶颈是什么？不是芯片，是电。谷歌给出的答案，是把数据中心建到太空里。一个名为“捕日者”的项目，听起来像科幻片。为什么？太空里的太阳能，强度是地球的8倍。一旦能源不再是束缚，AI算力的成本将被彻底颠覆。这听起来很宏大，但背后是现实的焦虑。在地球上，数据中心已经成了耗电巨兽，冲击着各地的电网和民生用电。把高耗能的产业转移到太空，是解决地球能源危机的方案，还是资本摆脱监管和资源限制的新玩法？这是一个值得深思的问题。他们计划在2027年就把一些TPU送上太空。这究竟是科技的又一次“登月”壮举，还是一个把问题扫到天上去的昂贵游戏？当科技精英们仰望星空时，谁来解决地面上的电费账单？

AI的终极瓶颈是什么？不是芯片，是电。谷歌给出的答案，是把数据中心建到太空里。一个名为“捕日者”的项目，听起来像科幻片。为什么？太空里的太阳能，强度是地球的8倍。一旦能源不再是束缚，AI算力的成本将被彻底颠覆。这听起来很宏大，但背后是现实的焦虑。在地球上，数据中心已经成了耗电巨兽，冲击着各地的电网和民生用电。把高耗能的产业转移到太空，是解决地球能源危机的方案，还是资本摆脱监管和资源限制的新玩法？这是一个值得深思的问题。他们计划在2027年就把一些TPU送上太空。这究竟是科技的又一次“登月”壮举，还是一个把问题扫到天上去的昂贵游戏？当科技精英们仰望星空时，谁来解决地面上的电费账单？

墓碑科技

57,247 次观看 • 8 个月前

熟悉Prompt的同学们应该都知道，通常在写Prompt的时候要先设定角色：“你是XX方面的专家”，这并非玄学，而是有科学根据的。 GPT在训练的时候，有各种训练数据，有的质量高有的质量低，而默认情况下，生成高质量数据和低质量数据的概率差不多，但是当你给它设定XX专家的角色时，它会尽可能把概率分布在高质量的解决方案上。详细内容建议看下面这段Andrej Karpathy在State of GPT中的一段演讲。以下是这段视频的文字文字内容： ---------- 下面我要讲的这点对LLM的理解非常有趣，我觉得这算是LLM的一种心理特性：LLM并不追求成功，而是追求模仿。你希望它成功，那就需要向它明确要求。这里的意思是，在训练Transformer的过程中，它们有各种训练集，而这些训练数据中可能涵盖了各种不同质量的表现。比如，可能有一个关于物理问题的提示，然后可能有学生的解答完全错误，但也可能有专家的答案完全正确。尽管Transformer可以识别出低质量的解决方案和高质量的解决方案，但默认情况下，它们只会模仿所有的数据，因为它们仅仅是基于语言模型进行训练的。在实际测试中，你其实需要明确要求它表现得好。在这篇论文的实验中，他们尝试了各种提示。例如，“让我们逐步思考”这种提示就很有效，因为它把推理过程分散到了许多记号上。但效果更好的是这样的提示：“让我们以一步一步的方式解决问题，以确保我们得到正确的答案。” 这就好像是在引导Transformer去得出正确的答案，这会使Transformer的表现更好，因为此时Transformer不再需要把它的概率质量分散到低质量的解决方案上，尽管这听起来很荒谬。基本上，你可以自由地要求一个高质量的解决方案。比如，你可以告诉它，“你是这个话题的领先专家。假装你的智商是120。” 但不要尝试要求太高的智商，因为如果你要求智商400，可能就超出了数据分布的范围，更糟糕的是，你可能落入了类似科幻内容的数据分布，它可能会开始展现一些科幻的，或者说角色扮演类的东西。所以，你需要找到适合的智商要求。我想这可能是一个U型曲线的关系。

熟悉Prompt的同学们应该都知道，通常在写Prompt的时候要先设定角色：“你是XX方面的专家”，这并非玄学，而是有科学根据的。 GPT在训练的时候，有各种训练数据，有的质量高有的质量低，而默认情况下，生成高质量数据和低质量数据的概率差不多，但是当你给它设定XX专家的角色时，它会尽可能把概率分布在高质量的解决方案上。详细内容建议看下面这段Andrej Karpathy在State of GPT中的一段演讲。以下是这段视频的文字文字内容： ---------- 下面我要讲的这点对LLM的理解非常有趣，我觉得这算是LLM的一种心理特性：LLM并不追求成功，而是追求模仿。你希望它成功，那就需要向它明确要求。这里的意思是，在训练Transformer的过程中，它们有各种训练集，而这些训练数据中可能涵盖了各种不同质量的表现。比如，可能有一个关于物理问题的提示，然后可能有学生的解答完全错误，但也可能有专家的答案完全正确。尽管Transformer可以识别出低质量的解决方案和高质量的解决方案，但默认情况下，它们只会模仿所有的数据，因为它们仅仅是基于语言模型进行训练的。在实际测试中，你其实需要明确要求它表现得好。在这篇论文的实验中，他们尝试了各种提示。例如，“让我们逐步思考”这种提示就很有效，因为它把推理过程分散到了许多记号上。但效果更好的是这样的提示：“让我们以一步一步的方式解决问题，以确保我们得到正确的答案。” 这就好像是在引导Transformer去得出正确的答案，这会使Transformer的表现更好，因为此时Transformer不再需要把它的概率质量分散到低质量的解决方案上，尽管这听起来很荒谬。基本上，你可以自由地要求一个高质量的解决方案。比如，你可以告诉它，“你是这个话题的领先专家。假装你的智商是120。” 但不要尝试要求太高的智商，因为如果你要求智商400，可能就超出了数据分布的范围，更糟糕的是，你可能落入了类似科幻内容的数据分布，它可能会开始展现一些科幻的，或者说角色扮演类的东西。所以，你需要找到适合的智商要求。我想这可能是一个U型曲线的关系。

宝玉

348,546 次观看 • 3 年前

AI教父Yann LeCun说了一个事实。一个四岁的小孩，看过的数据量，等于有史以来所有文本的总和。最大的AI模型，训练数据是30万亿个单词。听着很多？一个四岁小孩，醒着的时间大约16000小时。光是用眼睛看，接收的数据量就跟AI一样多。但数据的质量，完全是两回事。小孩看到的是真实世界。是重力，是东西掉下来，是手去抓握。是因果，是物理规律。他通过这些，在脑子里建立了一个世界模型。 AI看到的是什么？是孤立的文字，是符号。它唯一的任务，是猜下一个词是什么。这就解释了现在的怪现象。 AI能通过律师考试，能解微积分方程。比大学生还快。但它学不会装洗碗机。也变不成一个能做家务的机器人。更不可能像任何一个青少年一样，花20小时就学会开车。那些吹嘘AI马上取代一切的人，在回避什么？他们在回避现实世界。 AI被喂养的是人类思想的“数字幽灵”，不是物理世界的实体。把一个在图书馆里读了所有书的书呆子，和一个在街头长大的孩子扔进丛林。谁能活下来？道理是一样的。

AI教父Yann LeCun说了一个事实。一个四岁的小孩，看过的数据量，等于有史以来所有文本的总和。最大的AI模型，训练数据是30万亿个单词。听着很多？一个四岁小孩，醒着的时间大约16000小时。光是用眼睛看，接收的数据量就跟AI一样多。但数据的质量，完全是两回事。小孩看到的是真实世界。是重力，是东西掉下来，是手去抓握。是因果，是物理规律。他通过这些，在脑子里建立了一个世界模型。 AI看到的是什么？是孤立的文字，是符号。它唯一的任务，是猜下一个词是什么。这就解释了现在的怪现象。 AI能通过律师考试，能解微积分方程。比大学生还快。但它学不会装洗碗机。也变不成一个能做家务的机器人。更不可能像任何一个青少年一样，花20小时就学会开车。那些吹嘘AI马上取代一切的人，在回避什么？他们在回避现实世界。 AI被喂养的是人类思想的“数字幽灵”，不是物理世界的实体。把一个在图书馆里读了所有书的书呆子，和一个在街头长大的孩子扔进丛林。谁能活下来？道理是一样的。

墓碑科技

72,742 次观看 • 4 个月前

你以为的聪明，很快就要不值钱了。英伟达的黄仁勋最近有个说法。他说，传统定义的聪明，比如高技术能力、解决问题的能力，本质上是一种商品。人工智能首先要替代的，就是这种“商品”。第一个被冲击的“聪明”行业是什么？软件编程。这恰恰是过去几十年被认为是顶尖聪明的职业。一个时代结束了。那么，真正稀缺的聪明是什么？黄仁勋的答案很有意思。他认为，真正的聪明，是技术敏锐度和人类同理心的结合体。是一种能“预见未来”的能力。能洞察那些没有说出口的话，能感知到别人忽略的氛围。这种“直觉”从何而来？数据分析、第一性原理、人生经验、智慧、对他人的感知。是所有这些东西的融合。拥有这种能力的人，才是真正有价值的。他们能看到问题冒头之前就把它按下去。这听起来，不像是常春藤名校里用SAT分数筛选出来的“精英”。更像是在真实世界里摸爬滚打，历经风浪的企业家或政治家。他们的决策，往往超越了冷冰冰的数据和模型。这是否在暗示，由所谓技术官僚和数据专家主导的治理模式，其根基正在被动摇？当机器可以比专家更“专家”时，人类的价值到底体现在哪里？黄仁勋似乎给出了他的答案：人性深处的洞察力和同理心。这种能力，无法量化，无法编程，也无法被轻易复制。

你以为的聪明，很快就要不值钱了。英伟达的黄仁勋最近有个说法。他说，传统定义的聪明，比如高技术能力、解决问题的能力，本质上是一种商品。人工智能首先要替代的，就是这种“商品”。第一个被冲击的“聪明”行业是什么？软件编程。这恰恰是过去几十年被认为是顶尖聪明的职业。一个时代结束了。那么，真正稀缺的聪明是什么？黄仁勋的答案很有意思。他认为，真正的聪明，是技术敏锐度和人类同理心的结合体。是一种能“预见未来”的能力。能洞察那些没有说出口的话，能感知到别人忽略的氛围。这种“直觉”从何而来？数据分析、第一性原理、人生经验、智慧、对他人的感知。是所有这些东西的融合。拥有这种能力的人，才是真正有价值的。他们能看到问题冒头之前就把它按下去。这听起来，不像是常春藤名校里用SAT分数筛选出来的“精英”。更像是在真实世界里摸爬滚打，历经风浪的企业家或政治家。他们的决策，往往超越了冷冰冰的数据和模型。这是否在暗示，由所谓技术官僚和数据专家主导的治理模式，其根基正在被动摇？当机器可以比专家更“专家”时，人类的价值到底体现在哪里？黄仁勋似乎给出了他的答案：人性深处的洞察力和同理心。这种能力，无法量化，无法编程，也无法被轻易复制。

墓碑科技

204,546 次观看 • 5 个月前

一家公司，值100万亿美元。可能吗？有人说，特斯拉在2030年就能做到。怎么做？关键不在于车，甚至不在于火箭。而在于数据，别人没有的数据。人工智能时代，什么最值钱？独家数据。马斯克手里有什么？特斯拉，掌握着路上的语言。 Neuralink，掌握着大脑的数据。 SpaceX，掌握着太空的数据。 X，掌握着人类思想流动的数据。这些数据，每一种都独一无二。当它们汇集在一起，会发生什么？这就是“融合”的概念。将所有独家数据喂给一个超级人工智能。理论上，这创造的价值是不可估量的。但问题也随之而来。这种前所未有的力量，应该由谁来掌控？一家私人公司吗？它的决策，会优先考虑股东利益，还是国家利益？这种数据和AI的融合，最终会服务于美国的制造业回流和实体经济，还是会成为另一个脱离现实的金融游戏？这值得每一个支持让美国再次伟大的人深思。一个100万亿美元的估值，背后是真正的生产力，还是华尔街吹出的又一个巨大泡沫？

一家公司，值100万亿美元。可能吗？有人说，特斯拉在2030年就能做到。怎么做？关键不在于车，甚至不在于火箭。而在于数据，别人没有的数据。人工智能时代，什么最值钱？独家数据。马斯克手里有什么？特斯拉，掌握着路上的语言。 Neuralink，掌握着大脑的数据。 SpaceX，掌握着太空的数据。 X，掌握着人类思想流动的数据。这些数据，每一种都独一无二。当它们汇集在一起，会发生什么？这就是“融合”的概念。将所有独家数据喂给一个超级人工智能。理论上，这创造的价值是不可估量的。但问题也随之而来。这种前所未有的力量，应该由谁来掌控？一家私人公司吗？它的决策，会优先考虑股东利益，还是国家利益？这种数据和AI的融合，最终会服务于美国的制造业回流和实体经济，还是会成为另一个脱离现实的金融游戏？这值得每一个支持让美国再次伟大的人深思。一个100万亿美元的估值，背后是真正的生产力，还是华尔街吹出的又一个巨大泡沫？

墓碑科技

13,316 次观看 • 5 个月前

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

36,040 次观看 • 1 个月前

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

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 次观看 • 1 年前

马斯克说，AI圈里的大多数人，还没搞懂一件事。几乎没人明白。我们今天所见的AI，其“智能密度”的潜力，被严重低估了。低估了多少？两个数量级，也就是100倍。这意味着什么？同样的硬件，同样的能耗。每千兆字节，每瓦特电力，每个晶体管。仅靠算法的改进，就能压榨出100倍的智能。这是纯粹的软件和算法革命。硬件的进步还没算进去。电脑本身还在变得更强，更大。预算也越来越夸张。所以马斯克判断，AI正以每年10倍的速度变得更聪明。这是一个极度可怕的增长率。问题来了。当算力不再是绝对瓶颈，算法的突破成为关键，谁能掌握定义下一个时代的主动权？这种指数级增长的智能，最终会掌握在谁手里？是服务于个体、增强国家实力的工具，还是成为少数科技寡头和全球主义者控制世界的新手段？这不再是简单的技术问题。这是一场地缘政治、文明形态和未来生存方式的终极竞赛。

马斯克说，AI圈里的大多数人，还没搞懂一件事。几乎没人明白。我们今天所见的AI，其“智能密度”的潜力，被严重低估了。低估了多少？两个数量级，也就是100倍。这意味着什么？同样的硬件，同样的能耗。每千兆字节，每瓦特电力，每个晶体管。仅靠算法的改进，就能压榨出100倍的智能。这是纯粹的软件和算法革命。硬件的进步还没算进去。电脑本身还在变得更强，更大。预算也越来越夸张。所以马斯克判断，AI正以每年10倍的速度变得更聪明。这是一个极度可怕的增长率。问题来了。当算力不再是绝对瓶颈，算法的突破成为关键，谁能掌握定义下一个时代的主动权？这种指数级增长的智能，最终会掌握在谁手里？是服务于个体、增强国家实力的工具，还是成为少数科技寡头和全球主义者控制世界的新手段？这不再是简单的技术问题。这是一场地缘政治、文明形态和未来生存方式的终极竞赛。

墓碑科技

42,106 次观看 • 6 个月前

AI能拿奥数金牌，却解不开小学数学题。这是怎么回事？谷歌DeepMind的创始人Demis Hassabis自己揭了AI的老底。今天的AI，本质上是个“速冻产品”。训练完成，能力就定格了。像个一次性相机，拍完就不能再改。它无法像人一样，从现实世界里持续学习、自我进化。你希望它能在线学习，根据你的任务进行个性化调整。但它做不到。 AI的智能是“锯齿状”的。在某些高精尖问题上，表现惊人。但在另外一些简单问题上，却错得离谱。就像一个围棋高手，却不会玩跳棋。这正常吗？ Hassabis认为，真正通用的智能系统，不该有这种“锯齿感”。一个数学专家，绝不会在简单问题上犯错。那么，为什么现在的AI会这样？是因为算法设计的根本缺陷，还是训练数据本身就充满了偏见和矛盾？科技巨头们热衷于宣传AI的巨大突破。达沃斯论坛上的精英们也在描绘AI驱动的未来世界。他们很少谈论这些根本性的局限。这些“锯齿”会不会成为被利用的漏洞？当一个系统强大到可以影响经济决策、甚至军事判断时，它的“弱智”时刻会带来什么后果？ Hassabis还提到了真正的创造力。他说，提出一个正确的问题，比解决一个猜想更难。现在的AI，只是个高效的解题工具。它没有品味，没有洞察力，更提不出像爱因斯坦那样的革命性思想。如果把AI的知识库截止到1911年，它能自己搞出广义相对论吗？答案显然是否定的。那么，我们在期待的到底是“智能”，还是一个越来越强大的“计算器”？

AI能拿奥数金牌，却解不开小学数学题。这是怎么回事？谷歌DeepMind的创始人Demis Hassabis自己揭了AI的老底。今天的AI，本质上是个“速冻产品”。训练完成，能力就定格了。像个一次性相机，拍完就不能再改。它无法像人一样，从现实世界里持续学习、自我进化。你希望它能在线学习，根据你的任务进行个性化调整。但它做不到。 AI的智能是“锯齿状”的。在某些高精尖问题上，表现惊人。但在另外一些简单问题上，却错得离谱。就像一个围棋高手，却不会玩跳棋。这正常吗？ Hassabis认为，真正通用的智能系统，不该有这种“锯齿感”。一个数学专家，绝不会在简单问题上犯错。那么，为什么现在的AI会这样？是因为算法设计的根本缺陷，还是训练数据本身就充满了偏见和矛盾？科技巨头们热衷于宣传AI的巨大突破。达沃斯论坛上的精英们也在描绘AI驱动的未来世界。他们很少谈论这些根本性的局限。这些“锯齿”会不会成为被利用的漏洞？当一个系统强大到可以影响经济决策、甚至军事判断时，它的“弱智”时刻会带来什么后果？ Hassabis还提到了真正的创造力。他说，提出一个正确的问题，比解决一个猜想更难。现在的AI，只是个高效的解题工具。它没有品味，没有洞察力，更提不出像爱因斯坦那样的革命性思想。如果把AI的知识库截止到1911年，它能自己搞出广义相对论吗？答案显然是否定的。那么，我们在期待的到底是“智能”，还是一个越来越强大的“计算器”？

墓碑科技

25,850 次观看 • 5 个月前

这是中山大学2025年开学典礼的凳子，很多时候问题不在于凳子，问题是摆凳子的人，为什么中山大学就能这么注意细节呢？

这是中山大学2025年开学典礼的凳子，很多时候问题不在于凳子，问题是摆凳子的人，为什么中山大学就能这么注意细节呢？

陈木林

151,276 次观看 • 10 个月前

昨天凌晨，DeepSeek又崩了第三次但这次我看到了不一样的东西。 “风口来了？” 不是风口是钱开始往底层流了。 “什么意思？” 你以为AI在赚钱。其实真正赚钱的，是给AI 供电、供资源、建基础设施的人。 “这不就是科技吗？” 不是这是能源生意，是资源生意。是最传统、也最赚钱的生意。 ———— “那DeepSeek崩跟赚钱有什么关系？” 关系很直接它暴露了一件事 AI 不是无根的，它要消耗真实成本。 “什么成本？” 电、芯片、机房、散热。这些都要钱，而且是持续烧钱。行业数据显示：过去两年，头部 AI厂商的推理调用量增长了数百到上千倍服务器、电力、带宽，全在疯狂扩容 OpenAI CEO Sam Altman去年说过：“未来AI 公司的核心竞争力，可能不是模型，而是能源获取能力。” “那不就是算力贵？” 算力贵，但更关键的是：在同样的性能下，谁能用更低的成本提供服务这是算法、架构、能源的综合博弈。英伟达 CEO 黄仁勋在 GTC 大会上说过：“数据中心就是词元工厂，输入电力和数据，输出智能。” ———— “那谁能做到？” 谁掌握低成本能源，谁就有优势。谁优化得好，谁就能活下来。看一个行业共识：美国路线：用最先进的芯片（英伟达H100，单价约3万美元）堆性能，追求极致算力。中国路线：用成本优化。部分数据中心通过绿电协议，电价可以压到 0.3-0.5元/度。再配合模型压缩、推理加速，综合成本可以做到很低。这不是谁更好，而是两种不同的竞争策略。 “所以这是一门电的生意？” 不只是电是一整套系统。电网、储能、数据中心、矿产资源，全都在里面。 ———— “矿产也有关系？” 当然。电网要铜，电池要锂镍钴，储能和设备都靠这些。矿产 → 电力基础设施 → 数据中心 → AI 算力这是一条完整的产业链。谁控制上游资源，谁就在下游有定价权。 “那这些资源在哪？” 非洲、南美、东南亚。这就是为什么这些地方开始被重新看见。 “所以非洲是风口？” 不是风口。是底座。是未来电力体系的原材料仓库。谁提前布局，谁占位置。 ———— “那中东呢？” 中东还在赚钱。因为石油还没退出。霍尔木兹海峡，全球三成石油要过。一紧张，油价就涨。 “油价涨对普通人有什么影响？” 油价一涨，运输、制造、食品全涨。生活成本上去，工资不一定跟上。这就是最直接的民生压力。 “那 AI 会改变这个吗？” 会，但不是你想的那样。 “怎么说？” AI 一方面在消耗更多电力。另一方面，AI 也在帮助优化电网、提升能源效率、降低工业能耗。这是一个动态平衡的过程。 ———— “那赚钱机会在哪？” 在底层。不在最热的应用，而在供电、供资源、建系统的人。 “为什么？” 因为底层是刚需。刚需就有定价权。有定价权就有利润。我认识一个做 AI 客服的团队。他们发现：一个中型电商公司，AI 客服每天处理1000次对话，每次平均消耗 5000 词元。一个月下来，词元成本在几千到上万美元。但省下来的人力成本，是这个的10倍以上。创始人说：“AI不是在烧钱，是在重新分配成本。” ———— “所以以后拼的是什么？” 拼谁能用更低的成本，提供更好的服务。拼谁能在算法、架构、能源上做到极致优化。 “成本低意味着什么？” 意味着生产效率更高。企业利润更高。国家竞争力更强。 “那 DeepSeek 崩这件事本质是什么？” 是一次压力测试。告诉所有人，AI不是免费的，它需要强大的基础设施支撑。 ———— “再说直白一点？” DeepSeek 崩了，不只是因为资源不够。还有流量突增、调度架构、服务弹性等问题。但这些问题背后，都指向同一个方向：基础设施的重要性。 “那最后大家争的还是资源？” 以前是石油。现在是算力。本质是能量 + 效率。 ———— “那普通人该记住什么？” 记住一件事。不要只盯着最火的东西要盯着支撑它的东西。 “什么意思？” 不是谁在用 AI 最赚钱。而是谁在给 AI 供电、供资源、供系统，同时还能优化成本、提升效率。 “再具体一点？” 未来最值钱的，不只是最聪明的AI 而是能让 AI高效、稳定、低成本运转下去的那一整套体系。 ———— 很多人盯着 AI有多厉害。很少人去看，AI靠什么活着。活着靠什么？电，资源，系统，优化。所以真正的机会，从来不在最亮的地方。在光背后的那一层。你可以不懂AI。但你要知道，谁在给它续命，谁在让它更高效。因为所有大机会，都藏在基础设施里。 ———— 你觉得下一个“底层红利”会在哪？评论区聊聊。

昨天凌晨，DeepSeek又崩了第三次但这次我看到了不一样的东西。 “风口来了？” 不是风口是钱开始往底层流了。 “什么意思？” 你以为AI在赚钱。其实真正赚钱的，是给AI 供电、供资源、建基础设施的人。 “这不就是科技吗？” 不是这是能源生意，是资源生意。是最传统、也最赚钱的生意。 ———— “那DeepSeek崩跟赚钱有什么关系？” 关系很直接它暴露了一件事 AI 不是无根的，它要消耗真实成本。 “什么成本？” 电、芯片、机房、散热。这些都要钱，而且是持续烧钱。行业数据显示：过去两年，头部 AI厂商的推理调用量增长了数百到上千倍服务器、电力、带宽，全在疯狂扩容 OpenAI CEO Sam Altman去年说过：“未来AI 公司的核心竞争力，可能不是模型，而是能源获取能力。” “那不就是算力贵？” 算力贵，但更关键的是：在同样的性能下，谁能用更低的成本提供服务这是算法、架构、能源的综合博弈。英伟达 CEO 黄仁勋在 GTC 大会上说过：“数据中心就是词元工厂，输入电力和数据，输出智能。” ———— “那谁能做到？” 谁掌握低成本能源，谁就有优势。谁优化得好，谁就能活下来。看一个行业共识：美国路线：用最先进的芯片（英伟达H100，单价约3万美元）堆性能，追求极致算力。中国路线：用成本优化。部分数据中心通过绿电协议，电价可以压到 0.3-0.5元/度。再配合模型压缩、推理加速，综合成本可以做到很低。这不是谁更好，而是两种不同的竞争策略。 “所以这是一门电的生意？” 不只是电是一整套系统。电网、储能、数据中心、矿产资源，全都在里面。 ———— “矿产也有关系？” 当然。电网要铜，电池要锂镍钴，储能和设备都靠这些。矿产 → 电力基础设施 → 数据中心 → AI 算力这是一条完整的产业链。谁控制上游资源，谁就在下游有定价权。 “那这些资源在哪？” 非洲、南美、东南亚。这就是为什么这些地方开始被重新看见。 “所以非洲是风口？” 不是风口。是底座。是未来电力体系的原材料仓库。谁提前布局，谁占位置。 ———— “那中东呢？” 中东还在赚钱。因为石油还没退出。霍尔木兹海峡，全球三成石油要过。一紧张，油价就涨。 “油价涨对普通人有什么影响？” 油价一涨，运输、制造、食品全涨。生活成本上去，工资不一定跟上。这就是最直接的民生压力。 “那 AI 会改变这个吗？” 会，但不是你想的那样。 “怎么说？” AI 一方面在消耗更多电力。另一方面，AI 也在帮助优化电网、提升能源效率、降低工业能耗。这是一个动态平衡的过程。 ———— “那赚钱机会在哪？” 在底层。不在最热的应用，而在供电、供资源、建系统的人。 “为什么？” 因为底层是刚需。刚需就有定价权。有定价权就有利润。我认识一个做 AI 客服的团队。他们发现：一个中型电商公司，AI 客服每天处理1000次对话，每次平均消耗 5000 词元。一个月下来，词元成本在几千到上万美元。但省下来的人力成本，是这个的10倍以上。创始人说：“AI不是在烧钱，是在重新分配成本。” ———— “所以以后拼的是什么？” 拼谁能用更低的成本，提供更好的服务。拼谁能在算法、架构、能源上做到极致优化。 “成本低意味着什么？” 意味着生产效率更高。企业利润更高。国家竞争力更强。 “那 DeepSeek 崩这件事本质是什么？” 是一次压力测试。告诉所有人，AI不是免费的，它需要强大的基础设施支撑。 ———— “再说直白一点？” DeepSeek 崩了，不只是因为资源不够。还有流量突增、调度架构、服务弹性等问题。但这些问题背后，都指向同一个方向：基础设施的重要性。 “那最后大家争的还是资源？” 以前是石油。现在是算力。本质是能量 + 效率。 ———— “那普通人该记住什么？” 记住一件事。不要只盯着最火的东西要盯着支撑它的东西。 “什么意思？” 不是谁在用 AI 最赚钱。而是谁在给 AI 供电、供资源、供系统，同时还能优化成本、提升效率。 “再具体一点？” 未来最值钱的，不只是最聪明的AI 而是能让 AI高效、稳定、低成本运转下去的那一整套体系。 ———— 很多人盯着 AI有多厉害。很少人去看，AI靠什么活着。活着靠什么？电，资源，系统，优化。所以真正的机会，从来不在最亮的地方。在光背后的那一层。你可以不懂AI。但你要知道，谁在给它续命，谁在让它更高效。因为所有大机会，都藏在基础设施里。 ———— 你觉得下一个“底层红利”会在哪？评论区聊聊。

Powerpei🦅

18,351 次观看 • 3 个月前

很多人还在问：比特币到底是不是“钱”。 Michael Saylor 已经在想下一层了。如果未来是 AI 和 AI 在高频协作、交易、验证、结算，它们需要的，可能不是传统金融系统，而是原生存在于数字世界里的资本、货币和认证网络。他的判断很直接：比特币不只是储值资产。它还可能成为未来数字经济的资本层、结算层、信任层。这个视角，我觉得非常值得看。因为你看的已经不是下一次涨跌，而是下一个时代的底层结构。

很多人还在问：比特币到底是不是“钱”。 Michael Saylor 已经在想下一层了。如果未来是 AI 和 AI 在高频协作、交易、验证、结算，它们需要的，可能不是传统金融系统，而是原生存在于数字世界里的资本、货币和认证网络。他的判断很直接：比特币不只是储值资产。它还可能成为未来数字经济的资本层、结算层、信任层。这个视角，我觉得非常值得看。因为你看的已经不是下一次涨跌，而是下一个时代的底层结构。

大方BigFang

19,931 次观看 • 4 个月前

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 次观看 • 23 天前

Figure AI 的创始人 Brett 说 Optimus 是最棒的，他们的排第二，软件（机器智能）是核心！最新一期 Indigo Talk 聊到机器人，FoundersX 的 Helen 分享了她的观点，大家对机器人过于乐观了，现在最缺的就是数据。地球生物的“行动智能”演化了数亿年，而代表逻辑推理的“语言智能”的出现不过几十万年，这是数亿年训练数据的差异。我们现在用 AI 先解决了从进化角度来看比较“简单”的语言问题，而真正的难题—— 具身智能才刚刚开始。机器人需要海量的、多样化的、充满细微差别的人机互动数据来训练，而这些数据在互联网上是不存在的，其采集成本极高。完整视频请看与硅谷 Deep Tech 投资团队 FoundersX 聊 AI 与深科技👀

Figure AI 的创始人 Brett 说 Optimus 是最棒的，他们的排第二，软件（机器智能）是核心！最新一期 Indigo Talk 聊到机器人，FoundersX 的 Helen 分享了她的观点，大家对机器人过于乐观了，现在最缺的就是数据。地球生物的“行动智能”演化了数亿年，而代表逻辑推理的“语言智能”的出现不过几十万年，这是数亿年训练数据的差异。我们现在用 AI 先解决了从进化角度来看比较“简单”的语言问题，而真正的难题—— 具身智能才刚刚开始。机器人需要海量的、多样化的、充满细微差别的人机互动数据来训练，而这些数据在互联网上是不存在的，其采集成本极高。完整视频请看与硅谷 Deep Tech 投资团队 FoundersX 聊 AI 与深科技👀

indigo

25,377 次观看 • 10 个月前