Loading video...

Video Failed to Load

Go Home

最近刷帖子,意外发现 Google 的 Code Wiki,感觉还挺好用的,属于那种“你用一次就会想把它塞进日常工作流”的东西。 以前读代码慢,是因为项目复杂、历史包袱重;现在更离谱的是——Vibe Coding 一开,AI 堆代码的速度直接把人的理解能力碾过去。 代码一天一个版本,文档呢?大概率还停在半年前。你让 AI 按文档跑,十次有九次报错,这不是你水平问题,是“文档天然会腐烂”的结构性问题。 Code Wiki 捅破的点很直接:既然没人愿意维护文档,那就别指望“人肉维护”,让 AI 来维护。 它更像是长在仓库里的“活体 Wiki”:代码一有新的 commit,它就用 Gemini 去扫变更,把相关说明、模块介绍、关键逻辑的文档一起更新。 对我来说这意义很大,因为它解决的不是“写得更漂亮”,而是“永远别过期”。 文档不再是一个需要你记得去更新的负担,而是代码的自然副产物。 它的可视化能力还不错,Code Wiki 能直接从代码关系里渲染出 类图、时序图、依赖图、架构流转图 这种“人类更容易理解”的表达方式。 尤其是接手老项目、准备重构、或者经常研究开源项目——这类图的价值很高:大家不是在“逐行读”,而是在“先建立地图,再决定往哪里深挖”。 它的交互是“可追溯”的。你在侧边栏问它问题,它会基于当前仓库给解释,而且能给出精确的代码引用,点一下就跳到文件和行号。 这一下把 AI 最让人难受的“幻觉焦虑”降了不少:你不需要完全相信它的结论,你只需要顺着引用去核查——它更像一个“带证据链的讲解员”。 一句话:在 Claude Code、Codex 这些工具把“生成”变得近乎无限便宜之后,我们真正稀缺的东西变了——不是产出,而是理解与判断。

43,028 views • 3 months ago •via X (Twitter)

0 Comments

No comments available

Comments from the original post will appear here

Related Videos

泪奔了!好感人,不争气的眼泪,它从口里流出来了 ⸻ 最近刷 AI 项目的时候,说实话有点疲了。 不是它们不厉害,恰恰相反——都太厉害了。 模型、参数、速度,一个比一个漂亮,但看多了情绪上真的没什么起伏。 Kindred Labs 是少数让我停下来想了一下的。 不是“哇好强”,而是突然冒出一个不太技术的问题: 如果 AI 真的要长期出现在生活里,它该怎么待着,才不让人别扭? 不是那种我问你、你马上答的关系, 而是你会不会哪天顺手再点开它。 有些 AI 真的很聪明,但你心里清楚,它就是工具。 用完、关掉,不会再想。 Kindred 给我的感觉不太像在争“最会答题”。 它更像是在琢磨一件事: 人为什么会愿意和一个存在长期相处? 这时候我才开始注意到他们说的那套 Mind / Body / Soul。 不是因为名字,而是方向。 Mind 这一层,其实挺像人。 不是一直保持同一种状态。 有时候你需要逻辑,有时候只是想被理解, 有时候甚至不需要答案,只要有人把话接住。 再加上它会记得你。 不是那种冷冰冰的“你在某年某月问过什么”, 而是你们之间发生过的那些事。 一旦记忆变成关系的一部分, 整个体验就不一样了。 Body 这点我以前真没太当回事。 但后来发现,人很难和一个完全无形的东西建立稳定关系。 Kindred 至少正视了这一点。 有形象、有存在的位置, 在你已经习惯的设备和场景里出现。 不是为了炫, 而是为了让你不抗拒。 在你信任之前,你首先得觉得它“正常”、不吓人。 至于 Soul,其实是我最看重的。 现在的 AI 都很会, 但很少有那种让人想一直留着的。 Kindred 没那么急。 不催你、不拉你、不用力制造黏性。 你来,它在;你走,也不打扰。 Dark Matter、任务、社区这些东西, 给我的感觉更像是一起走一段, 而不是被系统牵着跑。 所以后来我发现,这套 Mind / Body / Soul 看起来是在讲 AI, 但底层其实是在讲人。 我们怎么建立信任, 怎么产生依附, 怎么愿意长期和一个存在共处。 AI 只是载体。 被认真对待的,其实是人的感受。 如果说 2026 年还有哪个 AI 会一直留在我视野里, Kindred 大概会算一个。 不是因为它最强, 而是它没有急着证明自己。

董小姐

43,592 views • 5 months ago

“我们究竟是创造了一个工具还是一个生物?” Sam 在 "机器人之心 "小组讨论会上的发言。 Sam: 但我认为,这无疑是迄今为止人类经历的最重大的更新年份。可能这也是我们将会遭遇的最大变革,因为从现在开始,人们已经接受强大的人工智能将成为现实,并且还会有逐步的更新。就像是第一代 iPhone 面世的那年,以及随后每一代 iPhone 的更新,我们现在能够明显感受到这一代与去年那代的差异。所以,这确实是一个重要的时刻。 我感到欣慰的是,现在人们开始正确地把这些系统当作工具来看待。艺术家尤其如此,但其他人也是一样。 曾经,人们真正恐惧的是,我们究竟是创造了一个工具还是一个生物,这将意味着什么?现在,人们视这些系统为人类工具箱中的新工具,并且正在用它创造一些非常了不起的东西。 模型显然不知道你在说什么,因为这不在它的训练数据里,它也无法从训练数据中学习到这些信息。 这是完全可以预期的。你再问一遍。比如说,你提到“意识”这个概念,模型回答:“是的,我完全明白你的意思,但我之前从未听说过这个词。” 问: “这对我来说就像是一次更新。你认为人工智能会趋向于探索创造性智能和自主性吗?” Sam: 这个问题有多个答案。这取决于激励模型。这是人类的选择。 问: “这将是判断意识的一个很好的测试。因为如果它有自我表达的愿望,并且仅仅为了创作的乐趣而去创作,那不会是偶然的。这绝对有点像生物。” Sam: 这是生物化的。我认为在此之前还有很多步骤。 我们现在要回答问题吗?这真的很棒。

Lei.sea

14,132 views • 2 years ago

【Vibe Coding 实战心法】为什么你的 AI 搞不定 Polymarket 套利?揭秘跨模型“组合拳”开发流! 告别死磕,掌握这套 AI 协作流,让 0 基础编程效率翻倍 最近很多同学私信我,问得最多的一个问题就是:“我也想搞 Polymarket 的自动套利,思路都有了,但让 AI 写代码时总是报错,改来改去还是跑不通,是不是我不适合干这个?” 说实话,不是你不适合,而是你“打开方式”不对。 今天我就把压箱底的经验拿出来,简单给大家避个坑。这不仅适用于 Polymarket,也适用于任何你觉得“AI 搞不定”的复杂项目。 一、 认清现实:AI 模型也是“偏科生” 首先,大家要有一个认知:目前的 AI 模型水平参差不齐,且各有所长。 有的擅长逻辑推理(像数学教授); 有的擅长快速生成模板(像熟练工); 有的擅长创意交互(像设计师)。 当你盯着一个 AI(比如只用 ChatGPT 或只用 Cursor 默认模型)死磕一个报错,就像是逼着体育老师教高数。如果一个问题你让 AI 尝试了 3 次以上还无法解决,立刻停手!不要死磕! 解决方案是:换人(换模型),或者换脑子(找外援)。 二、 核心策略:跨平台“组合拳” (The Cross-Platform Flow) 既然单一模型搞不定,我们就要学会像“包工头”一样指挥不同的 AI 协同工作。 我目前的Vibe Coding 黄金工作流是这样的,每一个环节都有明确的目的: 🟢 Google AI Studio 产品雏形 (Frontend/Visuals) 用法: 我通常先用 AI Studio 来开发前端界面。它的上下文窗口大,且视觉理解能力强,能迅速把我要的 UI/UX 甚至简单的交互逻辑给“画”出来。 🔵 Cursor (Auto Mode) 基础逻辑 (Logic/Functionality) 用法: 拿着前端的架子,转战 Cursor。利用 Cursor 的 Auto 模型开发后端的基本逻辑和功能模块。这是“盖楼”的阶段,让代码先跑起来。 🟣 Claude Code 深度优化 (Optimization/Fixing) 用法: 遇到顽固 Bug 或者逻辑不够优雅时,我会把代码喂给 Claude Code。它的逻辑推理能力目前是顶尖的,非常适合做“外科手术”式的修复和性能优化。 🟠 OpenAI Codex 最终审核 (Auditing) 用法: 最后,我会用 Codex 类的能力进行代码审查(Code Review),查漏补缺,确保安全性。 总结: AI Studio 画皮,Cursor 铸骨,Claude 注入灵魂,Codex 最后的体检。一定要交叉使用,跨平台学习,这是解决复杂问题的关键。 三、 遇到死局怎么办?让 AI 去“抄作业” 在做 Polymarket 这种特定项目时,你经常会遇到像 redeem(赎回)或 clob(中央限价订单簿)对接这种深水区。 很多时候 AI 搞不定,是因为它没见过最新的文档或特殊的 SDK 写法。这时候你哪怕把 Prompt 写出花来也没用。 我的“必杀技”: 如果 AI 持续报错,我给它的指令不再是“修复这个 Bug”,而是: “去 GitHub 上搜索关于 Polymarket redeem function 的最新 Python 实现方案,阅读并分析别人的代码,学习它是如何处理签名的,然后回来修改我的代码。” 让 AI 学会自我迭代: Search(搜索): 找现成的轮子。 Learn(学习): 理解别人的逻辑。 Iterate(迭代): 应用到你的项目中。 你不让它学习,它就是迟迟搞不定;一旦它学会了参考,效率是指数级提升的。 四、 结语:Vibe Coding 的终局 我看待 AI 编程的视角很简单:我不生产代码,我只是需求的搬运工。 现在的困难只是暂时的。我相信在不久的将来,我们现在的这一套“组合拳”流程也会被自动化取代。 未来的终局是: 你只需要提出一个需求(“帮我盯着 Polymarket 上的美国大选赔率做套利”),AI 会自动去寻找文档、自动写代码、自动测试、自动部署。 但在那一天到来之前,掌握这套“跨模型协作 + 引导式学习”的方法,就是你在 AI 时代最大的竞争壁垒。 PS : 还要学会PUA,不停的让AI换角色PUA,比如PM、CTO 、CEO 、顶级量化交易员等等。 最后如果还不解决问题,告诉你一个终极大招,骂,使劲骂!

比特币橙子Trader

13,090 views • 5 months ago

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

今早刷到一条新闻的时候,我愣了几秒。 去年那个曾经风靡一时、 全网都在找邀请码、朋友圈一夜刷屏的 Manus, 被 Meta 收购了。 而且不是象征性的那种。 传闻中的收购价,高达 20 亿美元。 一瞬间,脑子里只有一句话: 原来那一波热闹,真的不是泡沫。 如果你去年混过 AI 圈,一定记得 Manus。 那种典型的产品—— 不是“炫技 demo”, 而是你一用就发现不对劲的那种工具。 它不是只回答问题, 而是能自己拆任务、查资料、写东西、跑流程。 你给它一个目标,它自己往下干。 后来大家才慢慢意识到: 哦,这是 Agent。 Manus 真正厉害的地方,并不是“它能干什么”, 而是它敢把“人”的工作流直接吃掉。 不是辅助你, 不是提高效率, 而是—— “这事我来做,你别管了。” 在当时那一堆还停留在 ChatBot、Copilot 阶段的产品里, Manus 是极少数 真的在往“替代”走的团队。 这也是为什么它能在极短时间内: 用户暴涨 付费率不低 在海外圈层迅速传播 Agent 这个词后来被讲烂了, 但Manus 是最早让普通人真正“感受到 Agent 的”那一批。 更讽刺的是另一件事。 去年,字节跳动曾经试图以 3000 万美元左右收购 Manus。 这事在圈子里不是秘密。 当时很多人的第一反应是: “挺高了吧?” “早点卖也正常。” 但结果你现在也看到了: 没卖。 一年后, 直接卖给 Meta,估值翻了近百倍。 你说这是运气? 不完全是。 这是对一件事的判断差异: Agent 会不会成为下一代核心计算入口。 很多人只盯着“20 亿美元”这个数字。 但更值得琢磨的,其实是另一条线索: Manus 后来把公司主体放在了新加坡。 这一步,太关键了。 不是因为新加坡有什么魔法, 而是因为: 面向全球用户 面向美元资本 面向 Meta、OpenAI、Google 这种买家 你必须站在“他们习惯的坐标系里”。 产品是全球的, 那公司也得是全球的。 这也引出了一个让很多中国 AI 创业者心里不舒服的问题: 为什么这么多 AI 初创, 最后都很难在中国大陆生根? 不是技术不行, 不是人不行, 甚至也不完全是钱的问题。 而是一个更现实的东西: “长大以后怎么办?” 能不能无摩擦地服务全球用户 能不能被全球巨头并购 能不能走一条清晰、可预期的退出路径 这些问题, 对早期创业者来说, 比模型参数重要得多。 再回到 Meta。 你要明白一件事: Meta 不是“看热闹的投资人”。 它现在最缺的, 不是模型, 不是算力, 而是能真正跑在模型之上的 Agent 层。 Chat 是入口, 但 Agent 才是生产力。 而 Manus, 恰好站在这个位置上。 所以这次收购, 与其说是“买一家创业公司”, 不如说是—— 直接买了一条通往下一代产品形态的快车道。 最后说句很人话的。 很多人会把这件事解读成: “中国 AI 又一次被美国收走了果实”。 也有人会说: “这是中国创业者的成功”。 我更愿意用一个不那么宏大的视角看它: 这是一个创业者,在关键时刻, 没有把自己卖便宜的故事。 而在 AI 这个时代, 这种故事, 会越来越少,也越来越贵。 如果你去年抢过 Manus 的邀请码, 如果你用过 Agent, 如果你正在创业、或者想创业, 你大概能理解这种复杂的情绪。 不是羡慕, 也不是愤怒, 而是一种: “原来世界已经走到这一步了”的感觉。 这条新闻,不只是 Manus 的终点。 它更像是很多人,某种幻想的终点。 也是另一种现实的开始。

比特币橙子Trader

122,896 views • 5 months ago

这是美国大学毕业季 最诚实的一场演讲 也是AI时代最引人思考的 关于教育的一场讨论💐 Angela Duckworth 一位哈佛毕业的网红教授 专门研究毅力的顶级学者 在宾大的毕业典礼上 一句话炸翻了全场 今天的演讲(稿) 是我和AI一起写的!😂 而且我一点儿也不惭愧 这太魔幻了 一个教孩子要坚毅要刻苦的 居然在带头“偷懒” 但是她接下来说的话 才是我反复该说的部分 就是这篇人机协作的演讲稿 给出了AI时代家长心里最担心的 两个问题的答案 第一个问题 孩子天天用AI,脑子会不会废掉? 扫了一眼台下的毕业生 问了一个戳心的问题 如果我们一直这么用AI 会变得越来越不会思考 她自己呢带头就举了手 台下呢也几乎是全员举手 Angela接着说 她自己呢也担心过 因为大脑是用尽废退 不用的话神经连接都会萎缩 她讲了一个故事 她被一个很难的 统计学方法卡住了 当时呢身边没有人能够帮她 在客厅里做着 房地产相关的工作 于是她打开了GPT 就把问题呢告诉它 结果AI只用了几句话 就把这个复杂的问题讲清楚了 不但讲清楚了 还提醒她常见的误区 给了清晰的步骤 她对不懂的地方进行追问 让AI示范 短短十分钟之后 她不仅仅是拿到了答案 而且真正的理解了 注意她的关键词啊 不是替我想 而是带我想👊 她又问台下的毕业生们 你们有没有哪怕一次 真切的感受到 因为AI比你之前聪明了一点点? 这一次又是几乎全员举手🙋‍♀️ 同样的一群人 同样的一双手 可以是害怕AI让我变笨 也可以是因为AI 让我变强🐮 她又用博士生的实验补了一刀 两组年轻人写求职信 一组呢完全自己写 另一组呢 用AI辅助 结果非常反常识 用AI那组不但写的更快 就连写作能力也提升的更多 为什么? 给出了一个关键解释 因为AI在做一件 人类老师一直想做 但没有精力去做的事 它会不停的给你看更好的版本 这个句子可以更短 那个词可以换 这个结构呢还可以调整 你就一遍一遍的看这些示范 就是在训练自己的眼睛和感觉 所以结论很简单 也很有力量👍🏼 AI会不会废掉孩子 并不取决于AI有多强 而是取决于我们把它当什么 当你把AI当拐杖 你交出的就是大脑 当你把AI当教练 你练出来的就是判断力、表达力、结构感 AI的正确打开方式 不是把脑子托管给它 而是用它不断的看到更好的思考 然后呢逼自己追上去 第二个问题 既然知识和课程网上全有 AI又能给出答案 那我们为什么还需要老师? 教育为什么还需要人? 在学期末 说这样一个秘密 这整个学期 我教给你们的所有知识网上全都有 每一篇文章都有电子版 每一道作业都有人做过类似的 换句话说就是 只要你愿意不来上我的课 你照样能学 学生们呢?都愣住了 然后她说 但是你们还是需要我 因为你们需要有人在周二之前 逼你读完一篇并不轻松的文章😂 需要有人在周四之前 提醒你们交出一篇 你们以为自己写不出来的论文🥹 需要有人把你关进一个没有手机的教室 需要有人给你定一个 你以为达不到的标准 然后认真的看着你的眼睛说 我知道你能做到 我会等到你做到!👍🏼 这一段看起来安安静静的话 简直是一下子戳中了 教育的本质 教育从来都不是信息的填充 而是灵魂的唤醒!👍🏼💐 她讲到自己高中那位英语老师 图书馆的知识是免费的 但是你得自带容器 而一个真正的好老师 就会帮你塑造这个容器 我突然想到了我的孩子们 AI可以把全世界的知识 都摆在他们的面前 但是它做不到的是 在他们快要放弃的时候 坚定的看着他们的眼睛说 这很难 ☹️ 但我相信你 对于孩子们来说 爸爸妈妈 才是他们最早遇到的老师 那位Angela老师 在这个算力爆炸的时代 我们到底要教给孩子什么? 用AI的方法 当然 但比这个更重要的是 带他们去户外徒步 去仰望星空 去面对挫折 去感受心跳 我们要做的是站在孩子的身边 成为赋予他们品格的那个人 如果你有时间 强烈建议你和孩子一起看一下这个演讲 ———————————— 演讲就在下面,快看看啊 有这么想讨论的一起聊聊吧😊

华尔街财经 | WS × AI Era

43,968 views • 3 months ago

OpenAI刚刚开源的这个东西,感觉要把程序员的工作方式给整个改写了。 现在大家都在卷模型写代码有多强,但其实真正的瓶颈早就不是生成了。 一个人每天最多同时有效监督3-5个编码Agent,再多就会注意力崩溃,生产力直接归零。 有了Symphony,直接把这个上限干到了几十个。 它把你的Linear、GitHub Issues直接变成了永远在线的Agent调度器。 你开一个任务,它自动启动一个独立隔离的Codex Agent。 自己写代码,自己跑测试,自己做交叉Review,damn! 全部搞定之后,会给你提交一个完整的证据包。 CI全绿,安全和性能专项审查通过,改了UI就自动录好操作视频。 所有验证全过了,才会出现在你的Human Review队列里。 以后人类的角色可能会被彻底颠覆了。 以前你是监工,盯着Agent一步一步写代码,上下文切到吐。 现在你是老板,只需要看最终的结果。 满意就点合并,不满意就去仓库里补规则补文档补Guardrails。 记住兄弟们,永远不要手把手指挥Agent,永远不要替它干活。 这可不是啥实验室概念,OpenAI自己已经这么干了。 三个工程师,五个月,写了一百万行代码,0行人工写的。 产品已经有几百个内部用户,每天都在迭代。 我觉得他们最厉害的不是模型,是他们把整个仓库变成了Agent能看懂能自主工作的乐园。 现在很多人都搞错了Agent时代的核心竞争力。未来不是谁的模型更聪明,而是看谁能设计出让Agent可靠自主工作的环境。 我觉得未来最好的工程师,再也不是写代码最快的人,而是那些最会写规则,最会设计反馈回路,最会给Agent搭舞台的人。 现在Symphony已经开源了,它甚至不是一个成品。 是一个17k token的完整SPEC。 你把这个SPEC喂给任何一个编码Agent,十分钟就能生成你自己定制版的Symphony。 GitHub地址评论区自取👇

阿绎 AYi

61,332 views • 1 month ago

作为一名理工男,看到 Notion 创始人 Ivan Zhao 的这篇文章和视频,感触确实挺深的。Notion 和Obsidian是唯一两个我用来做学习记录的工具,用Notion你绝对会感受到开发者那种人文感。 如果你最近也因为 AI 的各种进化感到焦虑,甚至觉得自己的专业技能快要“贬值”了,那这个视频真的非常推荐你看一下。它不是在贩卖焦虑,反而在帮我们梳理在 AI 时代,到底什么是“人”的核心价值。 我们习惯了卷代码、卷效率、卷逻辑,但 Ivan Zhao 提出了一个很扎心的观点:当 AI 让脑力劳动变得像自来水一样廉价时,以往那种“拼谁记得多、拼谁手快”的努力方式可能真的不值钱了。但这并不代表人类没戏了,恰恰相反,这其实是给了我们一次“变回人”的机会。 以前我们为了追求效率,把自己练成了机器的一环。现在 AI 帮我们分担了那些繁重、重复的工作,反而逼着我们去思考一些更本质的东西。未来人与人之间的差距,不再是技术掌握得多深,而是你的审美、你对人性的理解、以及你独立思考的能力。 说白了,AI 就像油门,而我们的“品味”和“判断力”才是方向盘。如果你没有那种人文层面的沉淀,那你只是在用更快的速度制造数字垃圾。我们得学着从一个“干活的工匠”转型成一个“挑剔的甲方”,去驾驭 AI,而不是被它取代。 所以没必要焦虑,现在的重点不再是死磕某项具体的技术参数,而是要回过头来经营好你自己这个“人”。不管是做个人 IP,还是提升精神层面的独立性,本质上都是在强化那些 AI 模拟不出来的灵魂。人变强大了,AI 才只是你手里的一件趁手工具。 当“怎么做”不再是门槛,我们唯一的胜算就是把那个“真实的自我”活得更有厚度。如果把执行全都交给 AI,你觉得我们身上还有什么东西是机器永远拿不走的?欢迎评论区说说你的想法。 这是一个非常值得看的视频,强烈推荐!

纽约博叔

124,413 views • 4 months ago

下一个诺贝尔奖,可能非他莫属。 还记得谷歌Deepmind团队,靠AI也就是Alpha fold拿了诺贝尔奖吗?就在刚刚,他们又扔出了一枚“核弹”——AlphaGenome新的 AI 模型。 这次,他们直接把人类基因组这本“天书”给读懂了。 我刚看完 DeepMind 团队最新的访谈,信息量大到爆炸。 这次,他们不仅比人类医生更早预测癌症,更主要的是,他们开始触碰生命的底层代码。 如果你关心 AI,关心人类寿命,关心未来医疗,这几点你必须知道。 第一:AI 终于攻破了 98% 的“暗物质”。 访谈一开场,DeepMind 就指出了一个事实。 我们人类的基因组里,真正负责编码蛋白质的,只有 2%。剩下的 98%,在过去很长一段时间里,都被认为是“垃圾 DNA”。 但 Alpha Genome 告诉我们:这 98%,根本不是垃圾,而是进化的源代码。 Alpha Genome 厉害在哪呢? 它可以预测,在这 98% 的非编码区里,哪怕只有一个字母、一个基因突变,会给生命体带来什么后果。 这意味着,我们终于能看懂剩下的 98% 的基因天书。 第二:打破技术的“不可能三角”。 这点真的非常反直觉。 以前搞生物 AI,有个死规矩: 如果你想看的广,就看不清细节; 你想看清细节,视野就会变得很窄。 就好比我们看地图: 你要么看清整个城市的轮廓,但是看不清街道; 要么你放大看清街道,但是不知道是城市的哪个角落。 而 Alpha Genome 的神奇之处在于,它能够一口气读完长达几百万字的基因天书,同时还能拿着放大镜,看清里面每一个单碱基的错误。 DeepMind 团队在访谈里透露,为了做到这一点,他们采用了一种极其变态的数据压缩技术,真正把生命代码给看透了。 第三:它比医生更早发现癌症。 大家知道,在癌症病人的基因里,通常有两种突变。 一种是“司机突变”,叫 driver。 它是导致癌症的元凶,就像是劫持了一辆车的疯狂司机。 另一种叫“乘客突变”,passenger。 它其实对身体没什么大的影响。 那以前怎么区分这两者呢? 主要就是靠医生,在实验室里一个一个做实验。 但在这次访谈中,DeepMind 团队做出了一个极其大胆的实验。 他们没有专门去教模型什么是癌症,也没有给模型去喂各种癌症的数据库,而是直接把一堆混杂着司机和乘客的突变序列,扔给了 Alpha Genome。 然后问它: 你觉得,哪些突变会破坏生物功能? 实验结果太震撼了。 模型给出的预测排名中,最靠前的那些突变,精准地对应了现实中已知的癌症凶手。 这就意味着,Alpha Genome 并不是像过去那样,通过检索已知的癌症点位,而是像一个资深的侦探,通过分析基因序列的上下文,通过逻辑推理出了谁是坏人。 视频里,研究人员非常自豪地说: 把模型的预测结果,和生物学家在实验室里花了几年时间做出来的结果放在一起,结果惊人地一致。 这意味着,未来的医生不再需要拿着小白鼠一个个试错。 AI 扫一眼基因代码,就能揪出那个藏在几百万个基因字母里面的元凶。 最良心的是:它开源了。 DeepMind 这次没有把技术锁在护城河里,他们已经发布了开源模型权重和 API 接口。 最后我想说: 我们正处于一个科技大爆发的历史性转折点。 就像Elon Musk说的——我们正活在起点当中。 如果说 AlphaFold是让我们看清了生命的砖块, 那 AlphaGenome,就是在教我们阅读生命的蓝图。 AI 不仅在生成视频、写代码、写文章。 它正在以我们无法想象的速度,从底层去理解生命。 我现在 95% 的工作,都是指挥 AI 来完成。 我深深感到,现在最可怕的不是 AI 会不会取代你的工作。 而是,当 AI 这样的划时代科技出现时,一个人却因为傲慢、恐惧,甚至是懒惰,拒绝学习和使用它。

另一面

57,680 views • 3 months ago

我自己对 MemeMax 的理解是,它想把 meme 的交易从一次性情绪,改成一种可持续的行为训练 MaxPacks 不只是奖励,更像反刷子的成本开关 开箱当然爽 但关键点在于它把奖励触发绑定到交易次数和手续费贡献上 你想靠热度薅一把就跑,会被频繁交易带来的磨损追着打 你想长期吃到箱子期望值,就得学会控制磨损,学会下单,学会不乱追 这和常见的交易挖矿不太像 交易挖矿鼓励你把量堆上去 MaxPacks 更像在问你一句:你能不能在不爆炸的前提下,把交易做成日常 第二季更像在做一个新入口:内容和交易互相背书 Kaito 的算法不喜欢那种一句话喊单 它偏爱可核对的事实、连续的输出、长期盯一个项目的那类账号 把奖励分给 Top 500,本质是把内容端变成筛选器 想拿到更多分,你得持续输出 想让输出更有说服力,你就得真去交易、真去跑数据、真去写你看见的细节 这会把纯口嗨的人挤出去 我最想盯的反而是一个小问题:这套机制会不会把 meme 的寿命拉长 meme 的老问题不是涨跌 是注意力衰减太快 情绪高潮过去,流动性散了,讨论也散了 MemeMax 试图用一个粗暴但有效的办法把讨论留住 你不只是在聊 meme 你在用交易记录给你的观点盖章 观点错了,你的账单会提醒你 观点对了,你的 MP 和箱子会奖励你 这种结构挺狠的 它让内容创作者不再只卖情绪 也得承担一点判断成本 我现在挺想看第二季跑起来后的一件事 MaxPacks 的活跃度上去时,真实交易者的留存会不会同步上去 还是只会把刷子换一种形式搬进来 你觉得 MemeMax 这种文化加合约的模式,能把 meme 从一次性烟花拉成月更连续剧吗 还是它注定会变成另一个刷分游乐场 MemeMax #KaitoYap Kaito AI 🌊 #Yap

橘子 ∑:∞🔆

21,921 views • 5 months ago