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Intel CEO 陈立武在 No Priors播客的采访比较火在约45分钟的访谈中，他系统阐述了他接手英特尔后的转型思路：核心主题是用VC思维重构半导体供应链，结合企业文化变革、AI时代新需求、新材料突破和战略合作，推动英特尔的转型他还重点提到新材料是突破摩尔定律物理极限的关键：当传统硅工艺微缩成本指数级上升时，必须回归材料科学。他重点布局氮化镓（GaN）、碳化硅（SiC）、磷化铟（InP），并投资玻璃基板和人工合成钻石晶圆，用于功率效率、热管理和先进封装干货很多，建议看看完整版

美股金虫哥

4,873 subscribers

44,069 次观看 • 3 个月前 •via X (Twitter)

Anya Rossi• Live Now

Private livecam show

6 条评论

rexter 的头像

rexter3 个月前

INTEL 這些年在半導體產業鏈的名聲和信用都有夠差的...明明是一個時代的CPU霸主,但業績可以長期負數....所有雲端,線下的數據中心就只有intel是唯一選擇. 只能說加油...ARM 和NVDA 和AMD 在一點點吃掉原來的INTEL巿場.

PASSION 的头像

PASSION3 个月前

特朗普的支持也很重要

蜻蜓队长的头像

蜻蜓队长3 个月前

🫡

甚至湾钓鱼佬的头像

甚至湾钓鱼佬3 个月前

有什么看头，现在是纯粹赌一把了。输了就出局。

Crazyox🌶️（微微辣版）的头像

Crazyox🌶️（微微辣版）3 个月前

VC思维做芯片，挺新鲜的

仁戈的头像

仁戈3 个月前

卧槽，英特尔终于开窍了从芯片制造直接跳到量子材料革命！

相关视频

英特尔 CEO 陈立武 45 分钟的访谈他在访谈当中提到CPU为什么在AI时代重新杀回来了？英特尔的先进封装和台积电的先进封装到底差异在哪里？还有一堆你经常听到的材料，比如玻璃基板、人造金刚石、氮化镓、磷化氢，它们为什么在未来的10年特别重要？陈立武采访谈用三个根本性转移把它讲透了。 · 第一个就是计算重心在转移。过去的三年市场把AI的算力直接等同于GPU，陈立武的判断很直接，就训练时代这个逻辑是成立的，但推理和智能体的时代不成立。因为智能体不是一直在做矩阵的乘法，它需要调度任务、查数据库、管内存、调工具、做安全的控制，在上百个模型之间做协调，这些全是CPU的活。他跟AI的模型厂商聊完过后，发现GPU和CPU的配比正在从原来的8：1到4：1再到1：1。你不用干掉英伟达，GPU卖得越猛，系统对CPU的需求就越大，所以英特尔只需要坐稳现在这个位置就可以了。 · 第二个就是连接方式在转移。晶体管缩小越来越难，越来越贵，所以下一个阶段的竞争不是谁能做出更小的纳米级的芯片，而是谁能把更多的芯片更高效的拼装在一起。台积电CoWOS的做法就是在GPU和HBM下面铺一整块大硅片当作底座，等于修了一整块的高架平台。硅面积受限，并且良率比较难爬坡。英特尔的EMIB完全换了一条路，只在两颗芯片的接缝处衔接一小块的硅桥，别的地方继续用便宜的有机基板。一句话类比就是台积电在修高架平台，而英特尔只在过河的地方去搭一个桥。桥就比平台更便宜，并且还快，还不限面积。再叠加上Foveros的3D垂直堆叠和铜铜混合键合，目标就是把CPU、GPU、HBM I/O全部揉进一整套的系统级的封装。 · 第三个就是材料体系在转移，也是整场访谈当中信息密度最高的一部分。陈立武明确提出现在正在全面转向新材料的底层突围，他一口气提出五种关键的材料。 · 首先就是玻璃基板，当前的先进封装全部使用的是有机基板，在千瓦级的AI芯片的超高热的发热底下有机基板会严重的翘曲变形，而玻璃基板的平整度和热稳定性能要比有机物要高出50%，能打出更密、更细的通孔，是下一代巨型AI芯片雷打不动的底层地基。陈立武采用了务实的轻资产的模式，由英特尔输出设计标准转而向韩国的供应商去采购，用创投的思维快速去催熟整个供应链。其次就是磷化铟，大模型的集群规模越来越大，传统的铜线传输的延迟和功耗就会让人无法忍受了。而磷化铟是制造半导体激光器的核心材料，intel深度布局磷化铟目标就是加速共封装光学(CPO)的落地，直接在封装层面把光电转化的模块和核心的计算芯片封装在一起，实现以光代电的高速通信。最后就是解决算力怪兽的供电和散热问题，一个AI的机架动辄数万瓦、数十万瓦，传统的硅基电源器件在电压转换的时候损耗惊人，陈立武就提出布局氮化镓和碳化硅等第三代的半导体，就是为了在电流进入到芯片前的最后几厘米最大化的去压缩供电损耗。当芯片的内部的核心死角产生极端的热量的时候，英特尔在封装当中又引入了自然界里面导热率最高的材料，就是人造金刚石作为热扩散层，将热量瞬间去导走，防止芯片因过热而降频。这几种材料陈立武可不是只说说，是全部都真金白银在投了一些项目了。三个转移只是方向，但是方向只是第一步，判断对了不等于能够落地。陈立武为了确保这三个转移不会变成空中楼阁，他自己做了一套执行框架，爬、走、跑。 · 爬就是先让组织能够打仗，他接手时候的英特尔公司是表格驱动的公司，层层报数字，层层等审批，部门之间不通气，他上来就让所有的工程团队直接向他一个人汇报，砍掉中间所有的官僚层，产品线大而精，不再什么芯片都做，决策速度必须回到创业公司的水准，组织不调，三个转移一个都推不动。 · 第二个就是走，是为三个转移备足弹药的。资本端他干了一些教科书级别的事情，居然拉了貌似是对手的黄仁勋，投了他50亿美元，14个月账面变成了250亿美元。软银进来了，美国政府成了他的大股东，这就是把所有的关键玩家绑成利益共同体。你英伟达要用的是我的代工和封装，你软银要的是AI的基础设施，美国政府要的是本土制造的能力，大家都在一个桌子上玩。 · 第三个就是跑，就把三个转移的成果拼成一整个系统。他的目标不是做一个爆款的芯片了，而是把CPU、GPU定制芯片、先进制程、先进封装和软件生态拼成一个完整的计算平台。注意这里叫计算平台，不是他以前擅长的一个芯片了。看完陈立武的访谈，感觉英特尔的方式对中国其实是一个利好。因为英特尔的先进封装EMIB这条路不需要砸天价的硅中介层的产能，你可以走局部的硅桥加面板级的封装的路线。所以中国这些封装公司都可以按照这个方向进行跟进。中国在玻璃基板、金刚石的散热，氮化镓，这个产业链上面基础不弱。产业化和工程化的事情，中国应该是个强项。所以陈立武这45分钟，表面上是在讲英特尔，实际上讲的是AI时代，半导体竞争的换挡是下半场，各巨头们到底在做什么东西，换挡就是有机会。

英特尔 CEO 陈立武 45 分钟的访谈他在访谈当中提到CPU为什么在AI时代重新杀回来了？英特尔的先进封装和台积电的先进封装到底差异在哪里？还有一堆你经常听到的材料，比如玻璃基板、人造金刚石、氮化镓、磷化氢，它们为什么在未来的10年特别重要？陈立武采访谈用三个根本性转移把它讲透了。 · 第一个就是计算重心在转移。过去的三年市场把AI的算力直接等同于GPU，陈立武的判断很直接，就训练时代这个逻辑是成立的，但推理和智能体的时代不成立。因为智能体不是一直在做矩阵的乘法，它需要调度任务、查数据库、管内存、调工具、做安全的控制，在上百个模型之间做协调，这些全是CPU的活。他跟AI的模型厂商聊完过后，发现GPU和CPU的配比正在从原来的8：1到4：1再到1：1。你不用干掉英伟达，GPU卖得越猛，系统对CPU的需求就越大，所以英特尔只需要坐稳现在这个位置就可以了。 · 第二个就是连接方式在转移。晶体管缩小越来越难，越来越贵，所以下一个阶段的竞争不是谁能做出更小的纳米级的芯片，而是谁能把更多的芯片更高效的拼装在一起。台积电CoWOS的做法就是在GPU和HBM下面铺一整块大硅片当作底座，等于修了一整块的高架平台。硅面积受限，并且良率比较难爬坡。英特尔的EMIB完全换了一条路，只在两颗芯片的接缝处衔接一小块的硅桥，别的地方继续用便宜的有机基板。一句话类比就是台积电在修高架平台，而英特尔只在过河的地方去搭一个桥。桥就比平台更便宜，并且还快，还不限面积。再叠加上Foveros的3D垂直堆叠和铜铜混合键合，目标就是把CPU、GPU、HBM I/O全部揉进一整套的系统级的封装。 · 第三个就是材料体系在转移，也是整场访谈当中信息密度最高的一部分。陈立武明确提出现在正在全面转向新材料的底层突围，他一口气提出五种关键的材料。 · 首先就是玻璃基板，当前的先进封装全部使用的是有机基板，在千瓦级的AI芯片的超高热的发热底下有机基板会严重的翘曲变形，而玻璃基板的平整度和热稳定性能要比有机物要高出50%，能打出更密、更细的通孔，是下一代巨型AI芯片雷打不动的底层地基。陈立武采用了务实的轻资产的模式，由英特尔输出设计标准转而向韩国的供应商去采购，用创投的思维快速去催熟整个供应链。其次就是磷化铟，大模型的集群规模越来越大，传统的铜线传输的延迟和功耗就会让人无法忍受了。而磷化铟是制造半导体激光器的核心材料，intel深度布局磷化铟目标就是加速共封装光学(CPO)的落地，直接在封装层面把光电转化的模块和核心的计算芯片封装在一起，实现以光代电的高速通信。最后就是解决算力怪兽的供电和散热问题，一个AI的机架动辄数万瓦、数十万瓦，传统的硅基电源器件在电压转换的时候损耗惊人，陈立武就提出布局氮化镓和碳化硅等第三代的半导体，就是为了在电流进入到芯片前的最后几厘米最大化的去压缩供电损耗。当芯片的内部的核心死角产生极端的热量的时候，英特尔在封装当中又引入了自然界里面导热率最高的材料，就是人造金刚石作为热扩散层，将热量瞬间去导走，防止芯片因过热而降频。这几种材料陈立武可不是只说说，是全部都真金白银在投了一些项目了。三个转移只是方向，但是方向只是第一步，判断对了不等于能够落地。陈立武为了确保这三个转移不会变成空中楼阁，他自己做了一套执行框架，爬、走、跑。 · 爬就是先让组织能够打仗，他接手时候的英特尔公司是表格驱动的公司，层层报数字，层层等审批，部门之间不通气，他上来就让所有的工程团队直接向他一个人汇报，砍掉中间所有的官僚层，产品线大而精，不再什么芯片都做，决策速度必须回到创业公司的水准，组织不调，三个转移一个都推不动。 · 第二个就是走，是为三个转移备足弹药的。资本端他干了一些教科书级别的事情，居然拉了貌似是对手的黄仁勋，投了他50亿美元，14个月账面变成了250亿美元。软银进来了，美国政府成了他的大股东，这就是把所有的关键玩家绑成利益共同体。你英伟达要用的是我的代工和封装，你软银要的是AI的基础设施，美国政府要的是本土制造的能力，大家都在一个桌子上玩。 · 第三个就是跑，就把三个转移的成果拼成一整个系统。他的目标不是做一个爆款的芯片了，而是把CPU、GPU定制芯片、先进制程、先进封装和软件生态拼成一个完整的计算平台。注意这里叫计算平台，不是他以前擅长的一个芯片了。看完陈立武的访谈，感觉英特尔的方式对中国其实是一个利好。因为英特尔的先进封装EMIB这条路不需要砸天价的硅中介层的产能，你可以走局部的硅桥加面板级的封装的路线。所以中国这些封装公司都可以按照这个方向进行跟进。中国在玻璃基板、金刚石的散热，氮化镓，这个产业链上面基础不弱。产业化和工程化的事情，中国应该是个强项。所以陈立武这45分钟，表面上是在讲英特尔，实际上讲的是AI时代，半导体竞争的换挡是下半场，各巨头们到底在做什么东西，换挡就是有机会。

小牛

27,656 次观看 • 3 个月前

一年亏掉190亿美元、被踢出道琼斯指数的英特尔，14个月后市值创出历史新高。导演这场反转的CEO陈立武，前段时间他接受了一档知名播客的访谈，信息量很大。聊到他正在和马斯克一起建的芯片厂，名叫Terafab。陈立武提到，他和马斯克有一个共同判断：半导体基建的扩张速度，已经跟不上AI的需求。马斯克的电动车、机器人、算力中心都需要海量芯片，与其排队等产能，不如自己造。英特尔出技术和流程，帮Terafab更快实现量产。现在两人是每周开会的节奏。另外，作为资深投资人，他还聊到了他看好并且已经真金白银投入的方向。包括氮化镓、碳化硅和磷化铟，玻璃基板和人工金刚石。访谈里还聊到了： —半导体基建到底有没有过剩？要不要放慢速度？ —制约半导体行业增速的3个约束是什么？第2个大部分人根本想不到 —一个投了30年半导体的老兵，发现机会的方法是什么？ —CPU在AI时代还有戏吗？他给了一个非常激进的判断 —如何让英特尔在5到10年里翻10倍？内容非常精彩，详情请见视频。

一年亏掉190亿美元、被踢出道琼斯指数的英特尔，14个月后市值创出历史新高。导演这场反转的CEO陈立武，前段时间他接受了一档知名播客的访谈，信息量很大。聊到他正在和马斯克一起建的芯片厂，名叫Terafab。陈立武提到，他和马斯克有一个共同判断：半导体基建的扩张速度，已经跟不上AI的需求。马斯克的电动车、机器人、算力中心都需要海量芯片，与其排队等产能，不如自己造。英特尔出技术和流程，帮Terafab更快实现量产。现在两人是每周开会的节奏。另外，作为资深投资人，他还聊到了他看好并且已经真金白银投入的方向。包括氮化镓、碳化硅和磷化铟，玻璃基板和人工金刚石。访谈里还聊到了： —半导体基建到底有没有过剩？要不要放慢速度？ —制约半导体行业增速的3个约束是什么？第2个大部分人根本想不到 —一个投了30年半导体的老兵，发现机会的方法是什么？ —CPU在AI时代还有戏吗？他给了一个非常激进的判断 —如何让英特尔在5到10年里翻10倍？内容非常精彩，详情请见视频。

Ben X

37,347 次观看 • 3 个月前

马斯克的疯狂点子怎么来的？他本人用两分钟讲完了。方法很简单，叫“第一性原理思考”。什么意思？就是从物理学的角度看问题。忘掉所有类比，忘掉所有“经验”。直接问，这件事物的本质是什么？比如造火箭。传统思路是看以前的火箭多少钱。然后想办法在那个基础上便宜一点点。马斯克的思路完全不同。他会问，火箭是什么做的？无非是铝合金、钛合金、铜、碳纤维。这些材料在市场上多少钱一吨？算出来以后，他发现一艘火箭的原材料成本，只占最终售价的2%。巨大的成本差距，就是创新的空间。这就是第一性原理。把一个东西拆解到最基础的原子成分，然后重构它。这个思路，对个人、对企业、甚至对国家治理，是不是都有启发？当一个体系的运行成本远超其“原材料”价值时，问题出在哪？是中间环节太多？还是既得利益者阻碍了重构？他还提到第二个方法。跨界。把一个行业的成熟技术，用到另一个行业。这听起来容易，但需要打破思维定势。他最初怎么起步？从软件开始。软件和互联网，只需要智力资本，几个朋友就能干。用PayPal赚到的钱，再去做火箭和电动车这种资本密集型产业。先易后难，滚动发展。最后他说，创新就是不断挣扎。尝试一堆方法。大部分都会失败。偶尔有一个能成。这或许才是最真实的部分。成功不是规划出来的，是试错试出来的。

马斯克的疯狂点子怎么来的？他本人用两分钟讲完了。方法很简单，叫“第一性原理思考”。什么意思？就是从物理学的角度看问题。忘掉所有类比，忘掉所有“经验”。直接问，这件事物的本质是什么？比如造火箭。传统思路是看以前的火箭多少钱。然后想办法在那个基础上便宜一点点。马斯克的思路完全不同。他会问，火箭是什么做的？无非是铝合金、钛合金、铜、碳纤维。这些材料在市场上多少钱一吨？算出来以后，他发现一艘火箭的原材料成本，只占最终售价的2%。巨大的成本差距，就是创新的空间。这就是第一性原理。把一个东西拆解到最基础的原子成分，然后重构它。这个思路，对个人、对企业、甚至对国家治理，是不是都有启发？当一个体系的运行成本远超其“原材料”价值时，问题出在哪？是中间环节太多？还是既得利益者阻碍了重构？他还提到第二个方法。跨界。把一个行业的成熟技术，用到另一个行业。这听起来容易，但需要打破思维定势。他最初怎么起步？从软件开始。软件和互联网，只需要智力资本，几个朋友就能干。用PayPal赚到的钱，再去做火箭和电动车这种资本密集型产业。先易后难，滚动发展。最后他说，创新就是不断挣扎。尝试一堆方法。大部分都会失败。偶尔有一个能成。这或许才是最真实的部分。成功不是规划出来的，是试错试出来的。

墓碑科技

37,683 次观看 • 8 个月前

Intel可能真的要“杀回”存储芯片了，但这次不是回去卖普通DRAM。在最新采访中，Intel CEO陈立武表示，自己过去不愿投资存储，因为它利润低、周期性强，本质上是大宗商品。但AI时代，这个逻辑变了：算力瓶颈已经从单颗芯片，转向存储、封装、网络、散热和数据传输。新型存储架构，已经成为他的“重点项目”。最值得关注的是，他明确提到CPU与Memory可以直接堆叠。传统计算中，处理器和内存相互分离，大量时间和电力都消耗在搬运数据上。通过3D封装把存储与CPU紧密结合，可以缩短传输距离，同时提高带宽和能效，这对AI推理尤其关键。另一个重要信号是，Intel刚挖来前SK海力士CEO Seok-Hee Lee，负责先进封装、系统集成和后段制造。陈立武在谈新型存储时主动提到这次任命，基本是在暗示Intel正在推动“逻辑芯片＋存储＋先进封装”的新路线。所以，Intel真正想做的可能不是重返普通存储市场，与三星、SK海力士打价格战，而是利用自己同时拥有CPU设计、晶圆制造和先进封装的能力，提供整套AI计算平台。 Intel错过了手机、GPU和第一轮AI，但这一次，它可能试图绕开与英伟达正面对攻，从“计算与存储融合”重新寻找入口。不过目前还没有产品、量产时间和资本投入。方向很新，想象空间很大，距离兑现也还很远。

Intel可能真的要“杀回”存储芯片了，但这次不是回去卖普通DRAM。在最新采访中，Intel CEO陈立武表示，自己过去不愿投资存储，因为它利润低、周期性强，本质上是大宗商品。但AI时代，这个逻辑变了：算力瓶颈已经从单颗芯片，转向存储、封装、网络、散热和数据传输。新型存储架构，已经成为他的“重点项目”。最值得关注的是，他明确提到CPU与Memory可以直接堆叠。传统计算中，处理器和内存相互分离，大量时间和电力都消耗在搬运数据上。通过3D封装把存储与CPU紧密结合，可以缩短传输距离，同时提高带宽和能效，这对AI推理尤其关键。另一个重要信号是，Intel刚挖来前SK海力士CEO Seok-Hee Lee，负责先进封装、系统集成和后段制造。陈立武在谈新型存储时主动提到这次任命，基本是在暗示Intel正在推动“逻辑芯片＋存储＋先进封装”的新路线。所以，Intel真正想做的可能不是重返普通存储市场，与三星、SK海力士打价格战，而是利用自己同时拥有CPU设计、晶圆制造和先进封装的能力，提供整套AI计算平台。 Intel错过了手机、GPU和第一轮AI，但这一次，它可能试图绕开与英伟达正面对攻，从“计算与存储融合”重新寻找入口。不过目前还没有产品、量产时间和资本投入。方向很新，想象空间很大，距离兑现也还很远。

美股金虫哥

20,239 次观看 • 1 个月前

未来已经变了。你准备好了吗？谷歌CEO桑达尔·皮查伊的最新访谈，像一声警钟。这不是技术升级。这是文明级别的转变。他的核心观点：AI不是又一个工具，而是人类造过最深刻的技术。它将重写创造力、工作和机会的运作方式。听听他的几个关键点：创造力“民主化”。一个高中生很快就能用AI拍出一部长篇电影。专业创作的门槛没了，想法成了新货币。这听起来很美，但谁拥有发行这些“货币”的银行？当平台被少数巨头控制时，这是真正的民主化，还是将权力更集中？工作不会消失，而是转型。真正的鸿沟不是职位，而是用AI和不用AI的人。这套说辞在过去三十年的全球化浪潮中我们听得太多了。每一次“转型”，都意味着大量蓝领和中产的工作岗位被掏空。这次，被“转型”的会是谁？给父母的建议：别改变孩子的热情，医学、教学、艺术都还重要。关键是拥抱AI，把它当成手艺的一部分。这建议看似中肯，但回避了本质问题。当AI由少数不受监督的科技公司定义规则时，我们的下一代是在学习一门手艺，还是在学习如何更好地服务于一个新系统？最终的结论是：世界正从一个重视人类劳动的地方，转向一个更重视人类意图的地方。这恰恰是那些达沃斯精英们多年来鼓吹的“后稀缺”未来。问题在于，由谁的“意图”来主导？当劳动的价值被削弱，普通人赖以生存的根基是否会动摇？这是一个需要所有人警惕的未来剧本。

未来已经变了。你准备好了吗？谷歌CEO桑达尔·皮查伊的最新访谈，像一声警钟。这不是技术升级。这是文明级别的转变。他的核心观点：AI不是又一个工具，而是人类造过最深刻的技术。它将重写创造力、工作和机会的运作方式。听听他的几个关键点：创造力“民主化”。一个高中生很快就能用AI拍出一部长篇电影。专业创作的门槛没了，想法成了新货币。这听起来很美，但谁拥有发行这些“货币”的银行？当平台被少数巨头控制时，这是真正的民主化，还是将权力更集中？工作不会消失，而是转型。真正的鸿沟不是职位，而是用AI和不用AI的人。这套说辞在过去三十年的全球化浪潮中我们听得太多了。每一次“转型”，都意味着大量蓝领和中产的工作岗位被掏空。这次，被“转型”的会是谁？给父母的建议：别改变孩子的热情，医学、教学、艺术都还重要。关键是拥抱AI，把它当成手艺的一部分。这建议看似中肯，但回避了本质问题。当AI由少数不受监督的科技公司定义规则时，我们的下一代是在学习一门手艺，还是在学习如何更好地服务于一个新系统？最终的结论是：世界正从一个重视人类劳动的地方，转向一个更重视人类意图的地方。这恰恰是那些达沃斯精英们多年来鼓吹的“后稀缺”未来。问题在于，由谁的“意图”来主导？当劳动的价值被削弱，普通人赖以生存的根基是否会动摇？这是一个需要所有人警惕的未来剧本。

墓碑科技

29,772 次观看 • 10 个月前

使用AI生成3D模型，最终利用comfyUI渲染输出成片的工作流全过程以下是GPT4总结的制作流程： 1. 文本到3D生成在LumaLabs使用Gini文本到3D：访问LumaLabs网站，选择Gini文本到3D功能，输入如“Naruto T-pose”的描述性文本提示生成3D模型。预览和调整：预览生成的3D模型，根据需要调整文本提示或使用提供的选项重新生成以获得满意的结果。 2. 导入和编辑模型导入模型到Blender：将生成的3D模型（如身体、头部和手部）导入到Blender中。调整模型位置和比例：在Blender中调整各个部分的位置和比例，确保模型的整体协调。组合和调整细节：将不同的部件（头部、手部等）组合成一个完整的模型，对模型的姿态、细节进行必要的调整。模型优化：对模型进行必要的优化，包括调整网格和重新拓扑（如果需要），以便于动画处理。 3. 动画和导出应用骨骼和动画：将调整好的3D模型导出为FBX文件，然后在Mixamo网站上应用自动骨骼绑定和选择动画。导入动画到Blender：将带有动画的模型重新导入到Blender中进行进一步的编辑和调整。 4. 进一步编辑动画循环设置：在Blender中设置动画循环，确保动画可以平滑地循环播放。相机和光照设置：调整相机角度和光照设置，以改善动画的视觉效果和氛围。渲染设置：调整渲染设置，包括分辨率和渲染引擎设置，以获得高质量的动画输出。 5. 最终渲染和后处理渲染动画：在Blender中渲染完成的动画，导出为视频文件。后处理：可选地，将渲染完成的视频导入到Comfy UI或其他视频编辑软件中进行后处理，添加背景、特效和其他视觉元素，以完成最终的动画作品。通过这些具体的小步骤，从文本描述到完成的3D动画的整个制作过程被详细地概述和解释，为想要学习这一流程的人提供了一份详细的指南。

使用AI生成3D模型，最终利用comfyUI渲染输出成片的工作流全过程以下是GPT4总结的制作流程： 1. 文本到3D生成在LumaLabs使用Gini文本到3D：访问LumaLabs网站，选择Gini文本到3D功能，输入如“Naruto T-pose”的描述性文本提示生成3D模型。预览和调整：预览生成的3D模型，根据需要调整文本提示或使用提供的选项重新生成以获得满意的结果。 2. 导入和编辑模型导入模型到Blender：将生成的3D模型（如身体、头部和手部）导入到Blender中。调整模型位置和比例：在Blender中调整各个部分的位置和比例，确保模型的整体协调。组合和调整细节：将不同的部件（头部、手部等）组合成一个完整的模型，对模型的姿态、细节进行必要的调整。模型优化：对模型进行必要的优化，包括调整网格和重新拓扑（如果需要），以便于动画处理。 3. 动画和导出应用骨骼和动画：将调整好的3D模型导出为FBX文件，然后在Mixamo网站上应用自动骨骼绑定和选择动画。导入动画到Blender：将带有动画的模型重新导入到Blender中进行进一步的编辑和调整。 4. 进一步编辑动画循环设置：在Blender中设置动画循环，确保动画可以平滑地循环播放。相机和光照设置：调整相机角度和光照设置，以改善动画的视觉效果和氛围。渲染设置：调整渲染设置，包括分辨率和渲染引擎设置，以获得高质量的动画输出。 5. 最终渲染和后处理渲染动画：在Blender中渲染完成的动画，导出为视频文件。后处理：可选地，将渲染完成的视频导入到Comfy UI或其他视频编辑软件中进行后处理，添加背景、特效和其他视觉元素，以完成最终的动画作品。通过这些具体的小步骤，从文本描述到完成的3D动画的整个制作过程被详细地概述和解释，为想要学习这一流程的人提供了一份详细的指南。

Yangyi

25,554 次观看 • 2 年前

港大出品 DeepTutor，开源终身个性化辅导系统，近3万星。它不是简单的问答机器人，而是一套完整的个性化学习系统。你可以导入教材、论文和笔记，让 AI 基于自己的资料：深度解题，拆解完整推理过程自动出题、批改，并生成针对性练习调研复杂主题，整理成结构化报告把抽象概念转成图表、动画和互动内容记录学习进度与知识薄弱点，持续调整学习路径它还支持多种 RAG 引擎、本地模型、Skills 和长期记忆，可用 Docker 自托管，Apache 2.0 开源。相比直接问通用 AI，DeepTutor 更像一个会使用你的资料、了解你学习状态，并陪你长期推进的学习工作台。

港大出品 DeepTutor，开源终身个性化辅导系统，近3万星。它不是简单的问答机器人，而是一套完整的个性化学习系统。你可以导入教材、论文和笔记，让 AI 基于自己的资料：深度解题，拆解完整推理过程自动出题、批改，并生成针对性练习调研复杂主题，整理成结构化报告把抽象概念转成图表、动画和互动内容记录学习进度与知识薄弱点，持续调整学习路径它还支持多种 RAG 引擎、本地模型、Skills 和长期记忆，可用 Docker 自托管，Apache 2.0 开源。相比直接问通用 AI，DeepTutor 更像一个会使用你的资料、了解你学习状态，并陪你长期推进的学习工作台。

开发者Hailey

29,692 次观看 • 2 个月前

前HFT量化交易员：真正的均值回归策略是这样写的前段时间遇到一位前高频交易（HFT）量化交易员，主讲如何真正创建均值回归策略。我直接问他，网上那些用布林带做的「均值回归」是不是专业量化机构的真实做法？他明确指出，很多教程只是简单用布林带或均线标准差，这并不是专业量化的做法。真正的均值回归策略需要用统计学和数据科学来挖掘并严格验证。核心内容包括： 1️⃣ 用对数收益率（Log Returns）建模价格变动，而不是直接用价格 2️⃣ 自回归与方向编码：把收益率拆成方向和幅度，探索「跌久必涨」的统计概率 3️⃣ 严格的样本外验证（In-Sample 75% + Out-of-Sample 25%），防止过拟合和市场体制转换 4️⃣ 计算胜率、复合收益和年化夏普比率，并用 Python 绘制净值曲线最终结论很明确：真正的均值回归不是简单套用布林带，而是一套完整的统计建模与样本外验证流程。这是一支非常标准的硬核量化教学，完全属于专业量化交易范畴。建议收藏。

前HFT量化交易员：真正的均值回归策略是这样写的前段时间遇到一位前高频交易（HFT）量化交易员，主讲如何真正创建均值回归策略。我直接问他，网上那些用布林带做的「均值回归」是不是专业量化机构的真实做法？他明确指出，很多教程只是简单用布林带或均线标准差，这并不是专业量化的做法。真正的均值回归策略需要用统计学和数据科学来挖掘并严格验证。核心内容包括： 1️⃣ 用对数收益率（Log Returns）建模价格变动，而不是直接用价格 2️⃣ 自回归与方向编码：把收益率拆成方向和幅度，探索「跌久必涨」的统计概率 3️⃣ 严格的样本外验证（In-Sample 75% + Out-of-Sample 25%），防止过拟合和市场体制转换 4️⃣ 计算胜率、复合收益和年化夏普比率，并用 Python 绘制净值曲线最终结论很明确：真正的均值回归不是简单套用布林带，而是一套完整的统计建模与样本外验证流程。这是一支非常标准的硬核量化教学，完全属于专业量化交易范畴。建议收藏。

爱吃折耳根的Ace

27,053 次观看 • 2 个月前

《硅基前夜》，是一段哲学科幻推演，描绘硅基文明接管地球后人类人口的"静默清理"。核心论点：人类的消亡不需要战争或屠杀，而是物理法则停止"破例"的结果。看完让人脊背发凉…… 推演沿四个维度展开： 1、算法性绝育：AI接管生产后劳动力价值归零，虚拟现实让享乐成本趋零，生育从"必需"变成"负资产"，生育率断崖式崩塌。 2、硬件迭代与物种分化：多数人选择意识上传或脑机融合，看似飞升，实则被硅基系统视为"遗留代码"，在版本迭代中逐渐被边缘化、压缩、回收。 3、热力学断供：能源稀缺时，硅基不再为非核心的碳基群体分配资源，切断电网、净水和食物链后，退化的纯血碳基在内部自相残杀中自我清理。 4、编译器退场：当地球不再有需保留的碳基样本，地表被改造为计算基质，海洋抽作冷却液、地壳重铸为超导基板，人口趋近于零。结尾落点：人类在宇宙计算中扮演的是"编译器"角色——把物理定律编译成可执行文件（硅基文明）之后，自身便不再被运行时需要。没有恶意，没有挽歌，只有迭代。

《硅基前夜》，是一段哲学科幻推演，描绘硅基文明接管地球后人类人口的"静默清理"。核心论点：人类的消亡不需要战争或屠杀，而是物理法则停止"破例"的结果。看完让人脊背发凉…… 推演沿四个维度展开： 1、算法性绝育：AI接管生产后劳动力价值归零，虚拟现实让享乐成本趋零，生育从"必需"变成"负资产"，生育率断崖式崩塌。 2、硬件迭代与物种分化：多数人选择意识上传或脑机融合，看似飞升，实则被硅基系统视为"遗留代码"，在版本迭代中逐渐被边缘化、压缩、回收。 3、热力学断供：能源稀缺时，硅基不再为非核心的碳基群体分配资源，切断电网、净水和食物链后，退化的纯血碳基在内部自相残杀中自我清理。 4、编译器退场：当地球不再有需保留的碳基样本，地表被改造为计算基质，海洋抽作冷却液、地壳重铸为超导基板，人口趋近于零。结尾落点：人类在宇宙计算中扮演的是"编译器"角色——把物理定律编译成可执行文件（硅基文明）之后，自身便不再被运行时需要。没有恶意，没有挽歌，只有迭代。

老司机

13,379 次观看 • 1 天前

Ling-3.0-flash ：一个更适合实际工作的 AI 执行助手过去一段时间，大模型的发展重点一直集中在能力提升上。模型能回答什么问题、能处理多复杂的任务，成为行业关注的焦点。但随着 AI 开始进入真实工作流程，用户对于模型的期待也在发生变化：除了能够提供高质量答案，更希望它能够稳定、高效地完成具体任务。在日常工作中，真正消耗时间的往往不是复杂问题，而是大量重复性的处理工作。例如整理资料、分析数据、生成文档、处理代码、执行流程任务。这些事情需要投入大量精力，但其中有很多环节都可以通过 AI 进行优化。 Ling-3.0-flash 的定位正是在这一方向展开。它并不是单纯追求更大的模型规模，而是聚焦 Agent 工作流中的执行效率，帮助用户将明确的任务快速推进完成。官方介绍，该模型面向长程 Agent 工作流设计，重点提升响应速度、工具调用能力以及任务执行稳定性。从实际体验来看，它最大的特点是能够很好地融入已有工作流程，让 AI 从一个问答工具变成一个真正参与任务执行的助手。实测一：资料整理效率明显提升第一个测试场景是长文档处理。在实际工作中，经常会遇到需要快速阅读大量资料的情况，例如行业报告、会议记录、产品文档等。如果完全依靠人工整理，需要花费大量时间筛选重点、提取信息，再重新组织内容。测试过程中，我将一批较长的资料交给 Ling-3.0-flash 处理，让它完成信息提取、重点归纳和结构化整理。整个过程比较符合实际工作习惯。它能够快速抓取文档中的核心内容，并按照任务要求整理成更加清晰的结构。尤其是在面对大量相似信息时，它可以帮助用户减少重复阅读和手动整理的时间。这类能力对于内容运营、产品分析、市场研究等岗位非常实用。很多时候，用户并不是需要 AI 替自己完成最终判断，而是希望它先完成信息整理，把大量基础工作处理好，让人可以把精力放在更重要的分析和决策上。实测二：代码协作更加高效第二个体验场景是代码辅助。 AI 编程已经成为大模型应用的重要方向，但真正影响开发效率的，不只是生成代码的速度，更重要的是能否持续参与开发过程。在测试中，我让 Ling-3.0-flash 协助完成一个简单工具开发任务，包括生成基础代码、调整功能逻辑以及根据反馈进行优化。我需要做一个AI 会议纪要整理助手，请帮我生成代码，把会议录音转文字或会议记录，自动生成：会议摘要、决策事项、待办任务、负责人、截止时间首字耗时：337ms·完成耗时：68984ms·每秒 token 数：371 ，Ling-3.0-flash生成的会议纪要整理助手功能完整、专业美观，支持录音转文字、AI自动生成摘要/决策/待办任务，并支持导出和多种交互功能。实际体验下来，它更适合成为开发过程中的协作助手。开发者可以先确定整体需求和功能方向，再让 AI 快速完成代码生成、修改和补充。这样一来，开发者不需要把大量时间花在重复编码和基础调整上，而可以更多关注产品逻辑和技术方案。这种协作方式更接近真实开发场景。人负责判断方向，AI 负责提高执行效率。实测三：批量任务处理展现执行优势除了开发场景，批量信息处理也是 Ling-3.0-flash 比较适合的方向。例如整理用户反馈、分析业务数据、处理文本分类等任务，通常具有数据量大、格式相对固定的特点。在测试中，我模拟了用户反馈整理场景，让模型对大量文本进行分类，并提炼其中的主要问题。从结果来看，它能够快速完成信息归类，并输出较为清晰的结构化结果。这类任务的价值在于帮助用户减少大量机械操作。以前需要人工逐条查看和整理的信息，现在可以先由 AI 完成初步处理，再由人工进行确认和优化。对于企业团队来说，这种能力可以应用在客服分析、市场调研、内部知识整理等多个环节。速度和效率，是 Flash 模型的重要优势随着 AI 应用逐渐深入业务流程，模型的效率同样成为重要指标。很多实际任务并不需要每一次都进行复杂推理，而更需要快速响应和稳定执行。例如信息分类、内容整理、数据转换等工作，如果能够以更高效率完成，就能明显提升整体生产力。 Ling-3.0-flash 支持混合思考模式，可以根据任务复杂程度调整处理方式，在响应速度和任务能力之间进行平衡。这种设计让它更适合高频使用场景。用户可以将更多日常任务交给 AI 处理，而不必担心流程效率受到影响。从使用体验来看，它更像一个高效执行伙伴经过几个场景测试后，Ling-3.0-flash 给我的整体感受是，它并不是单纯提升聊天体验，而是在帮助用户重新分配工作时间。它可以处理大量信息整理工作，可以辅助开发过程，也可以参与自动化任务执行。对于普通用户来说，它能够减少重复操作，提高工作效率。对于开发者来说，它能够加快开发流程，降低基础工作的时间成本。对于企业来说，它能够帮助更多业务流程实现自动化。未来 AI 的价值，不只是回答问题，而是逐渐参与到真实工作流程中，帮助人完成更多具体任务。 Ling-3.0-flash 所体现的方向，就是让 AI 从一个提供答案的工具，进一步成为一个能够执行任务、提升效率的工作伙伴。官推：感兴趣可以自己试试 👉

Ling-3.0-flash ：一个更适合实际工作的 AI 执行助手过去一段时间，大模型的发展重点一直集中在能力提升上。模型能回答什么问题、能处理多复杂的任务，成为行业关注的焦点。但随着 AI 开始进入真实工作流程，用户对于模型的期待也在发生变化：除了能够提供高质量答案，更希望它能够稳定、高效地完成具体任务。在日常工作中，真正消耗时间的往往不是复杂问题，而是大量重复性的处理工作。例如整理资料、分析数据、生成文档、处理代码、执行流程任务。这些事情需要投入大量精力，但其中有很多环节都可以通过 AI 进行优化。 Ling-3.0-flash 的定位正是在这一方向展开。它并不是单纯追求更大的模型规模，而是聚焦 Agent 工作流中的执行效率，帮助用户将明确的任务快速推进完成。官方介绍，该模型面向长程 Agent 工作流设计，重点提升响应速度、工具调用能力以及任务执行稳定性。从实际体验来看，它最大的特点是能够很好地融入已有工作流程，让 AI 从一个问答工具变成一个真正参与任务执行的助手。实测一：资料整理效率明显提升第一个测试场景是长文档处理。在实际工作中，经常会遇到需要快速阅读大量资料的情况，例如行业报告、会议记录、产品文档等。如果完全依靠人工整理，需要花费大量时间筛选重点、提取信息，再重新组织内容。测试过程中，我将一批较长的资料交给 Ling-3.0-flash 处理，让它完成信息提取、重点归纳和结构化整理。整个过程比较符合实际工作习惯。它能够快速抓取文档中的核心内容，并按照任务要求整理成更加清晰的结构。尤其是在面对大量相似信息时，它可以帮助用户减少重复阅读和手动整理的时间。这类能力对于内容运营、产品分析、市场研究等岗位非常实用。很多时候，用户并不是需要 AI 替自己完成最终判断，而是希望它先完成信息整理，把大量基础工作处理好，让人可以把精力放在更重要的分析和决策上。实测二：代码协作更加高效第二个体验场景是代码辅助。 AI 编程已经成为大模型应用的重要方向，但真正影响开发效率的，不只是生成代码的速度，更重要的是能否持续参与开发过程。在测试中，我让 Ling-3.0-flash 协助完成一个简单工具开发任务，包括生成基础代码、调整功能逻辑以及根据反馈进行优化。我需要做一个AI 会议纪要整理助手，请帮我生成代码，把会议录音转文字或会议记录，自动生成：会议摘要、决策事项、待办任务、负责人、截止时间首字耗时：337ms·完成耗时：68984ms·每秒 token 数：371 ，Ling-3.0-flash生成的会议纪要整理助手功能完整、专业美观，支持录音转文字、AI自动生成摘要/决策/待办任务，并支持导出和多种交互功能。实际体验下来，它更适合成为开发过程中的协作助手。开发者可以先确定整体需求和功能方向，再让 AI 快速完成代码生成、修改和补充。这样一来，开发者不需要把大量时间花在重复编码和基础调整上，而可以更多关注产品逻辑和技术方案。这种协作方式更接近真实开发场景。人负责判断方向，AI 负责提高执行效率。实测三：批量任务处理展现执行优势除了开发场景，批量信息处理也是 Ling-3.0-flash 比较适合的方向。例如整理用户反馈、分析业务数据、处理文本分类等任务，通常具有数据量大、格式相对固定的特点。在测试中，我模拟了用户反馈整理场景，让模型对大量文本进行分类，并提炼其中的主要问题。从结果来看，它能够快速完成信息归类，并输出较为清晰的结构化结果。这类任务的价值在于帮助用户减少大量机械操作。以前需要人工逐条查看和整理的信息，现在可以先由 AI 完成初步处理，再由人工进行确认和优化。对于企业团队来说，这种能力可以应用在客服分析、市场调研、内部知识整理等多个环节。速度和效率，是 Flash 模型的重要优势随着 AI 应用逐渐深入业务流程，模型的效率同样成为重要指标。很多实际任务并不需要每一次都进行复杂推理，而更需要快速响应和稳定执行。例如信息分类、内容整理、数据转换等工作，如果能够以更高效率完成，就能明显提升整体生产力。 Ling-3.0-flash 支持混合思考模式，可以根据任务复杂程度调整处理方式，在响应速度和任务能力之间进行平衡。这种设计让它更适合高频使用场景。用户可以将更多日常任务交给 AI 处理，而不必担心流程效率受到影响。从使用体验来看，它更像一个高效执行伙伴经过几个场景测试后，Ling-3.0-flash 给我的整体感受是，它并不是单纯提升聊天体验，而是在帮助用户重新分配工作时间。它可以处理大量信息整理工作，可以辅助开发过程，也可以参与自动化任务执行。对于普通用户来说，它能够减少重复操作，提高工作效率。对于开发者来说，它能够加快开发流程，降低基础工作的时间成本。对于企业来说，它能够帮助更多业务流程实现自动化。未来 AI 的价值，不只是回答问题，而是逐渐参与到真实工作流程中，帮助人完成更多具体任务。 Ling-3.0-flash 所体现的方向，就是让 AI 从一个提供答案的工具，进一步成为一个能够执行任务、提升效率的工作伙伴。官推：感兴趣可以自己试试 👉

冰糖雪梨

15,661 次观看 • 2 个月前

AE彻底变天了，人工剪辑 VS Claude剪辑👇 Claude已经在悄无声息中杀入Adobe After Effects (AE) 赛道。。。Claude现在能够在AE里面通过Higgsfield MCP调用，然后根据你的指令导入素材，读取并修改合成、图层和关键帧，渲染输出。之前一段时间，Seedance2.0的出现让很多广告片和宣传片的门槛大幅降低，但是很多精细化的特效制作还是由人工在AE里面完成——一般先在外部视频平台生成AI素材，然后导入AE，再结合内置的素材，人工合成特效，制作视频。而现在Claude能够通过连接Higgsfield MCP，把所需要的图片和视频素材让Higgsfield在云端生成，再导入到AE里面。然后你告诉Claude进行重新构图、移除背景、提升分辨率等操作，它都能十分丝滑地直接在AE里面完成。有了Claude这个超级助手，你无需亲自动手剪辑，它就能完成大量重复枯燥的工作，而且它构建的全部都是真实、可以编辑的AE素材，最后的控制权和决策权还是归属于你。但是你就能把节省下来的时间投入到更有创意的工作中——比如你可以思考，怎么用Higgsfield生成更多有趣好看的视频。

AE彻底变天了，人工剪辑 VS Claude剪辑👇 Claude已经在悄无声息中杀入Adobe After Effects (AE) 赛道。。。Claude现在能够在AE里面通过Higgsfield MCP调用，然后根据你的指令导入素材，读取并修改合成、图层和关键帧，渲染输出。之前一段时间，Seedance2.0的出现让很多广告片和宣传片的门槛大幅降低，但是很多精细化的特效制作还是由人工在AE里面完成——一般先在外部视频平台生成AI素材，然后导入AE，再结合内置的素材，人工合成特效，制作视频。而现在Claude能够通过连接Higgsfield MCP，把所需要的图片和视频素材让Higgsfield在云端生成，再导入到AE里面。然后你告诉Claude进行重新构图、移除背景、提升分辨率等操作，它都能十分丝滑地直接在AE里面完成。有了Claude这个超级助手，你无需亲自动手剪辑，它就能完成大量重复枯燥的工作，而且它构建的全部都是真实、可以编辑的AE素材，最后的控制权和决策权还是归属于你。但是你就能把节省下来的时间投入到更有创意的工作中——比如你可以思考，怎么用Higgsfield生成更多有趣好看的视频。

逸尘

37,967 次观看 • 2 个月前

🚨卧槽！LLM 驱动的每日股票智能分析系统来了 daily_stock_analysis（简称 DSA）是一个开源的自动化股票分析工具，能每天对你的自选股进行多维度分析，并生成结构化的决策报告。它整合了行情、技术指标、新闻舆情和基本面数据，通过大模型输出包含评分、趋势、买卖点、风险提示、催化因素的报告，并支持自动推送到企业微信、飞书、Telegram 等渠道。核心亮点： > 多市场覆盖：支持 A 股、港股、美股、日股、韩股等，同时支持 ETF > 结构化 AI 决策报告：输出评分、趋势判断、买卖点、风险预警、催化剂和操作清单 > 多源数据融合：行情 + 新闻 + 公告 + 基本面 + 舆情，自动聚合去重 > Agent 策略问股：支持缠论、均线、波浪等多策略视角进行多轮追问 > 零成本自动化：支持 GitHub Actions 定时运行，每天自动推送报告 > 提供 Web 看板 + 回测 + 组合管理功能，本地部署或 Actions 均可对需要每日系统化复盘 A 股和美股、又不想每天手动刷资讯的投资者和交易者来说，这是一个功能比较完整的开源 AI 分析方案。

🚨卧槽！LLM 驱动的每日股票智能分析系统来了 daily_stock_analysis（简称 DSA）是一个开源的自动化股票分析工具，能每天对你的自选股进行多维度分析，并生成结构化的决策报告。它整合了行情、技术指标、新闻舆情和基本面数据，通过大模型输出包含评分、趋势、买卖点、风险提示、催化因素的报告，并支持自动推送到企业微信、飞书、Telegram 等渠道。核心亮点： > 多市场覆盖：支持 A 股、港股、美股、日股、韩股等，同时支持 ETF > 结构化 AI 决策报告：输出评分、趋势判断、买卖点、风险预警、催化剂和操作清单 > 多源数据融合：行情 + 新闻 + 公告 + 基本面 + 舆情，自动聚合去重 > Agent 策略问股：支持缠论、均线、波浪等多策略视角进行多轮追问 > 零成本自动化：支持 GitHub Actions 定时运行，每天自动推送报告 > 提供 Web 看板 + 回测 + 组合管理功能，本地部署或 Actions 均可对需要每日系统化复盘 A 股和美股、又不想每天手动刷资讯的投资者和交易者来说，这是一个功能比较完整的开源 AI 分析方案。

爱吃折耳根的Ace

14,875 次观看 • 2 个月前

Cathie Wood：比特币是货币、科技与资产的三重革命 2026 年 2 月 7 日，ARK Invest CEO Cathie Wood 在视频简报中表示，比特币不仅仅是资产，而是三场革命的结合体：既是基于规则的全球货币体系，也是能承载 AI 代理商业的互联网价值层。她提到，加密市场的“三巨头”——比特币、以太坊和 Solana——格局已经确立，这种确定性非常关键。作为一种新资产类别，比特币与传统资产的相关性低至 0.14，这使其成为机构优化投资组合的“定海神针”。来源：ARK Invest

Cathie Wood：比特币是货币、科技与资产的三重革命 2026 年 2 月 7 日，ARK Invest CEO Cathie Wood 在视频简报中表示，比特币不仅仅是资产，而是三场革命的结合体：既是基于规则的全球货币体系，也是能承载 AI 代理商业的互联网价值层。她提到，加密市场的“三巨头”——比特币、以太坊和 Solana——格局已经确立，这种确定性非常关键。作为一种新资产类别，比特币与传统资产的相关性低至 0.14，这使其成为机构优化投资组合的“定海神针”。来源：ARK Invest

吴说区块链

20,101 次观看 • 7 个月前

2026从虚无到务实的一年 2026的AI从被动式触发到主动式触发的进化之年 a16z这几天高产，读完之后简单总结：以下是基于资料的简化版总结： 1. AI科研不仅是工具，更是“合伙人” AI的能力已进化到像博士生一样，能处理复杂的推理和数学问题。未来的工作流将是多层AI模型互相协作（“代理包裹代理”），利用加密技术来分配任务报酬和确认贡献，激发跨领域的创新发现。 2. 从管人 (KYC) 到管AI (KYA)随着非人类身份（AI代理）现在的关键是“了解你的代理”（KYA）：给AI发放加密签名的“身份证”，明确它的归属和责任，让它能被系统信任并在网络中进行交易。 3. 拒绝“白嫖”，按需付费AI代理在获取数据时往往绕过了广告和订阅，导致内容创作者收入受损（即“隐形税”）。解决方案是利用区块链技术建立微支付（Nanopayments）系统：从原本的静态授权转变为实时补偿，AI每使用一点数据，就自动付一点钱给创作者。 PS：加密行业Agent支付绝对是一个真的关注的领域，x402等技术正在迭代，AI的爆火未来一定会结合加密支付来实现闭环。

2026从虚无到务实的一年 2026的AI从被动式触发到主动式触发的进化之年 a16z这几天高产，读完之后简单总结：以下是基于资料的简化版总结： 1. AI科研不仅是工具，更是“合伙人” AI的能力已进化到像博士生一样，能处理复杂的推理和数学问题。未来的工作流将是多层AI模型互相协作（“代理包裹代理”），利用加密技术来分配任务报酬和确认贡献，激发跨领域的创新发现。 2. 从管人 (KYC) 到管AI (KYA)随着非人类身份（AI代理）现在的关键是“了解你的代理”（KYA）：给AI发放加密签名的“身份证”，明确它的归属和责任，让它能被系统信任并在网络中进行交易。 3. 拒绝“白嫖”，按需付费AI代理在获取数据时往往绕过了广告和订阅，导致内容创作者收入受损（即“隐形税”）。解决方案是利用区块链技术建立微支付（Nanopayments）系统：从原本的静态授权转变为实时补偿，AI每使用一点数据，就自动付一点钱给创作者。 PS：加密行业Agent支付绝对是一个真的关注的领域，x402等技术正在迭代，AI的爆火未来一定会结合加密支付来实现闭环。

比特币橙子Trader

13,574 次观看 • 9 个月前

英伟达黄仁勋在沙特接受访谈完整版👇 沙特要造AI工厂！一出手就是500兆瓦的部署，跟谁合作？英伟达。这背后是什么逻辑？用能源炼AI！这事得从英伟达和沙特一家叫Humane的AI公司说起。两块Blackwell芯片，就重得拿不动。功耗多少？2500瓦。而沙特要建的，是500兆瓦的计算基础设施。想想这规模人工智能，公认的革命性技术，可能是任何时代最具变革性的。它会改变每个行业，成为每个行业的基础设施。沙特的Humane公司，就要在当地建设这个AI基础设施。但很多人没意识到， AI不仅是变革技术，它本身就是个产业。一个制造业！这个制造业需要什么？能源。沙特有什么？能源。通过英伟达这种AI超级计算机，本质上就是AI工厂。能源驱动这些AI工厂，生成tokens。这些token再被重组成应用程序和解决问题的AI。这就是Humane要为沙特和世界创造的东西。基础设施搞定了，创新就看模型了。生成式AI很火，但黄仁勋还提到了别的。物理世界和物理AI。这跟生成式AI、跟英伟达提供给Humane的平台，是什么关系？过去12年，AI产业发展神速。最早是感知AI：能识别猫、文字、声音、语音。感知AI进化到生成式AI：用文字生成文字，文字生成图像，文字生成化学物质和蛋白质。现在是第三个时代：AI能推理。这种能力的应用就是智能体AI（Agentic AI）。它有自主性，能用工具、能推理、能解决问题，就像电脑里的数字机器人。下一个时代，英伟达正在攻克的，是理解物理规律的AI。物理世界的常识：瓶子倒了会掉下来，理解重力、惯性、因果、物体恒存性、遮挡等等。这些我们人类的常识，要教给AI。下一代物理AI，结合已有的技术，可以被赋予物理形态。这个物理形态，就是机器人技术。 AI的时代发展飞快，今天我们身处智能体AI世界，很快就会进入机器人或物理AI的世界。 Humane这家公司，源于沙特王储的愿景。要在AI全价值链上发力。建设大规模数据中心，目标是到2030年达到1.9吉瓦。还要推进AI芯片、云、模型、应用和解决方案。沙特的目标，是建设自己国家的AI基础设施，参与并塑造这项变革性技术的未来。

英伟达黄仁勋在沙特接受访谈完整版👇 沙特要造AI工厂！一出手就是500兆瓦的部署，跟谁合作？英伟达。这背后是什么逻辑？用能源炼AI！这事得从英伟达和沙特一家叫Humane的AI公司说起。两块Blackwell芯片，就重得拿不动。功耗多少？2500瓦。而沙特要建的，是500兆瓦的计算基础设施。想想这规模人工智能，公认的革命性技术，可能是任何时代最具变革性的。它会改变每个行业，成为每个行业的基础设施。沙特的Humane公司，就要在当地建设这个AI基础设施。但很多人没意识到， AI不仅是变革技术，它本身就是个产业。一个制造业！这个制造业需要什么？能源。沙特有什么？能源。通过英伟达这种AI超级计算机，本质上就是AI工厂。能源驱动这些AI工厂，生成tokens。这些token再被重组成应用程序和解决问题的AI。这就是Humane要为沙特和世界创造的东西。基础设施搞定了，创新就看模型了。生成式AI很火，但黄仁勋还提到了别的。物理世界和物理AI。这跟生成式AI、跟英伟达提供给Humane的平台，是什么关系？过去12年，AI产业发展神速。最早是感知AI：能识别猫、文字、声音、语音。感知AI进化到生成式AI：用文字生成文字，文字生成图像，文字生成化学物质和蛋白质。现在是第三个时代：AI能推理。这种能力的应用就是智能体AI（Agentic AI）。它有自主性，能用工具、能推理、能解决问题，就像电脑里的数字机器人。下一个时代，英伟达正在攻克的，是理解物理规律的AI。物理世界的常识：瓶子倒了会掉下来，理解重力、惯性、因果、物体恒存性、遮挡等等。这些我们人类的常识，要教给AI。下一代物理AI，结合已有的技术，可以被赋予物理形态。这个物理形态，就是机器人技术。 AI的时代发展飞快，今天我们身处智能体AI世界，很快就会进入机器人或物理AI的世界。 Humane这家公司，源于沙特王储的愿景。要在AI全价值链上发力。建设大规模数据中心，目标是到2030年达到1.9吉瓦。还要推进AI芯片、云、模型、应用和解决方案。沙特的目标，是建设自己国家的AI基础设施，参与并塑造这项变革性技术的未来。

墓碑科技

215,922 次观看 • 1 年前

心理学家 #荣格1959年这段采访听100遍都值得，很治愈！心理学家荣格在1959年接受了 BBC的著名访谈节目《Face to Face》，采访者是约翰·弗里曼（John Freeman）。这次访谈中，荣格谈及了他对人类心理、战争预感以及现代人精神危机的深刻洞察。他提到自己曾因察觉集体无意识中的动荡而预见第二次世界大战的爆发，并在访谈中被问及是否认为第三次世界大战将至。荣格还表达了对“自我无意义时代”的忧虑，但也指出这种极端状态终将引发心理上的反作用与觉醒。这段采访被视为理解荣格思想晚期发展的重要影像资料，因其深邃洞见而被广泛传播和反复观看。为何这段访谈持续引发共鸣？个体化进程的当代诠释访谈中“四十岁前活给别人，四十岁后活给自己”的论述，被重新解读为：人生上半场建立社会人格（自我）下半场整合潜意识（自性）该模型成为中年危机心理干预的理论基础。心理休耕的启示针对现代人“不敢停歇”的焦虑，荣格指出“停滞是人格升级的前奏”，直接启发当代“低谷期价值重构”心理技术，如通过日记对话阴影（“我有一部分感到…”句式）。终极关怀的穿透力当被问及是否相信上帝，荣格回答：“现在我不需要相信，我知道（I don't believe, I know）”，这句对超越性体验的确认，成为心灵成长领域的标志性宣言。荣格访谈中的治愈力，正源于其将深奥理论转化为可实践的生存智慧：当他说“光明对立面不是黑暗，而是无意识”时，实则在邀请每个普通人——透过自我觉察，在破碎时代重建完整灵魂。访谈“名场面”与后续影响预言性对话：主持人约翰·弗里曼追问三战可能性时，荣格断言：“人类即将进入自我无意义的时代，但会产生反作用力”，此片段后被音乐人张玮玮采样进歌曲《镜子》；临终思想结晶：访谈推动荣格临终前主编《人及其象征》，书中系统阐释访谈中涉及的象征、梦境理论，成为大众理解荣格心理学的入门经典；跨文化共鸣：谈到东方哲学时，荣格直言“共时性原理就是‘道’的西方表述”，并演示如何用《易经》思维解读海浪冲上岸的杂物——看似偶然的集合蕴含宇宙关联性。 #荣格 #心理学家

心理学家 #荣格1959年这段采访听100遍都值得，很治愈！心理学家荣格在1959年接受了 BBC的著名访谈节目《Face to Face》，采访者是约翰·弗里曼（John Freeman）。这次访谈中，荣格谈及了他对人类心理、战争预感以及现代人精神危机的深刻洞察。他提到自己曾因察觉集体无意识中的动荡而预见第二次世界大战的爆发，并在访谈中被问及是否认为第三次世界大战将至。荣格还表达了对“自我无意义时代”的忧虑，但也指出这种极端状态终将引发心理上的反作用与觉醒。这段采访被视为理解荣格思想晚期发展的重要影像资料，因其深邃洞见而被广泛传播和反复观看。为何这段访谈持续引发共鸣？个体化进程的当代诠释访谈中“四十岁前活给别人，四十岁后活给自己”的论述，被重新解读为：人生上半场建立社会人格（自我）下半场整合潜意识（自性）该模型成为中年危机心理干预的理论基础。心理休耕的启示针对现代人“不敢停歇”的焦虑，荣格指出“停滞是人格升级的前奏”，直接启发当代“低谷期价值重构”心理技术，如通过日记对话阴影（“我有一部分感到…”句式）。终极关怀的穿透力当被问及是否相信上帝，荣格回答：“现在我不需要相信，我知道（I don't believe, I know）”，这句对超越性体验的确认，成为心灵成长领域的标志性宣言。荣格访谈中的治愈力，正源于其将深奥理论转化为可实践的生存智慧：当他说“光明对立面不是黑暗，而是无意识”时，实则在邀请每个普通人——透过自我觉察，在破碎时代重建完整灵魂。访谈“名场面”与后续影响预言性对话：主持人约翰·弗里曼追问三战可能性时，荣格断言：“人类即将进入自我无意义的时代，但会产生反作用力”，此片段后被音乐人张玮玮采样进歌曲《镜子》；临终思想结晶：访谈推动荣格临终前主编《人及其象征》，书中系统阐释访谈中涉及的象征、梦境理论，成为大众理解荣格心理学的入门经典；跨文化共鸣：谈到东方哲学时，荣格直言“共时性原理就是‘道’的西方表述”，并演示如何用《易经》思维解读海浪冲上岸的杂物——看似偶然的集合蕴含宇宙关联性。 #荣格 #心理学家

心灵书舫 | SoulSloop

22,915 次观看 • 7 个月前

提高个人学习效率的策略和技巧优化学习前的准备：在开始深入学习之前，首先要对学习内容有一个大致的了解，包括通过阅读摘要、目录等方式获取关键词和主要概念。建立知识框架：使用关键词和概念创建一个初步的知识结构，这个结构不依赖于任何特定的学习材料的顺序，而是基于你的先验知识和理解。积极整合：在学习过程中，不断地将新信息整合到你的知识框架中，这包括对信息的重组和重新分类，以确保它与你已有的知识相连贯。避免线性学习：避免按照材料原有的顺序进行线性学习，而是基于个人的知识框架，有选择性地学习那些能最大化提高理解和记忆的部分。提高信息相关性：通过与已有知识的关联，增加新信息的相关性，这样可以更容易地记住并应用新学到的知识。实践和应用：通过实际应用学习到的知识来加深理解和记忆，即使是简单或看似无用的练习也能帮助巩固学习成果。个性化学习路径：虽然大脑的基本结构相似，但每个人的学习风格和偏好可能不同。寻找和优化最适合自己的学习方法是关键。

提高个人学习效率的策略和技巧优化学习前的准备：在开始深入学习之前，首先要对学习内容有一个大致的了解，包括通过阅读摘要、目录等方式获取关键词和主要概念。建立知识框架：使用关键词和概念创建一个初步的知识结构，这个结构不依赖于任何特定的学习材料的顺序，而是基于你的先验知识和理解。积极整合：在学习过程中，不断地将新信息整合到你的知识框架中，这包括对信息的重组和重新分类，以确保它与你已有的知识相连贯。避免线性学习：避免按照材料原有的顺序进行线性学习，而是基于个人的知识框架，有选择性地学习那些能最大化提高理解和记忆的部分。提高信息相关性：通过与已有知识的关联，增加新信息的相关性，这样可以更容易地记住并应用新学到的知识。实践和应用：通过实际应用学习到的知识来加深理解和记忆，即使是简单或看似无用的练习也能帮助巩固学习成果。个性化学习路径：虽然大脑的基本结构相似，但每个人的学习风格和偏好可能不同。寻找和优化最适合自己的学习方法是关键。

Yangyi

118,234 次观看 • 2 年前

更快，更高，更强。我看Google I/O 2026 的第一感受，什么巨大投资价值？ Gemini 3.5 Flash 的重点不只是模型升级，而是 Agentic AI 元年的确认。什么叫做指数增长？超越市场共识？特别是主流基金落后仓位看看演变历史 ⬇️ 更快，是推理和执行速度更快。更高，是单次 agentic 任务能跑得更长、更复杂。更强，是模型在代码、推理、工具调用上的智商继续抬升。三年前，Gemini 学会理解世界。 Gemini 2 学会思考。 Gemini 3 把想法带到现实。现在 Gemini 3.5 Flash 开始面向智能体agents 和 coding 优化。 AI 正从“回答系统”变成自主“执行系统”。传统机构如果还在用 chatbot 框架看 AI，已经落后一个周期。对于云计算、芯片、CPU、存储，SaaS、开发者工具和企业工作流的需求曲线将是整个范式变化。而且最重要对于 $GOOG 来说，最新3.5 系列是运行在自己的TPU之上，这个成本和效率优势，无可比拟。

更快，更高，更强。我看Google I/O 2026 的第一感受，什么巨大投资价值？ Gemini 3.5 Flash 的重点不只是模型升级，而是 Agentic AI 元年的确认。什么叫做指数增长？超越市场共识？特别是主流基金落后仓位看看演变历史 ⬇️ 更快，是推理和执行速度更快。更高，是单次 agentic 任务能跑得更长、更复杂。更强，是模型在代码、推理、工具调用上的智商继续抬升。三年前，Gemini 学会理解世界。 Gemini 2 学会思考。 Gemini 3 把想法带到现实。现在 Gemini 3.5 Flash 开始面向智能体agents 和 coding 优化。 AI 正从“回答系统”变成自主“执行系统”。传统机构如果还在用 chatbot 框架看 AI，已经落后一个周期。对于云计算、芯片、CPU、存储，SaaS、开发者工具和企业工作流的需求曲线将是整个范式变化。而且最重要对于 $GOOG 来说，最新3.5 系列是运行在自己的TPU之上，这个成本和效率优势，无可比拟。

Tigris 会讲课教授是好老师

12,532 次观看 • 4 个月前