Video wird geladen...

Video konnte nicht geladen werden

Beim Laden dieses Videos ist ein Problem aufgetreten. Dies könnte an einem vorübergehenden Netzwerkproblem liegen oder das Video ist möglicherweise nicht verfügbar.

李飞飞这段话挺值得细想。她说 AI 真正变聪明，不是因为它更会聊天、更会写代码，而是它开始理解“空间”。能看懂一个房间，知道冰箱在哪；能推理怎么走过去；能在脑子里想象一个没见过的客厅；还能真的伸手把衣服叠好、挂进衣柜。所以她才说，AI 学会折衣服这件事，可能比写一篇漂亮文章更让人紧张。因为那一刻，它碰到的不再是屏幕，而是现实世界。

Vincent

55,213 subscribers

11,577 Aufrufe • vor 1 Monat •via X (Twitter)

Anya Rossi• Live Now

Private livecam show

0 Kommentare

Keine Kommentare verfügbar

Kommentare vom Original-Post werden hier angezeigt

Ähnliche Videos

AI界大佬李飞飞眼光和远见是真的超前啊！直言：“空间智能是人工智能的下一个前沿” 在11个月年YC 的访谈中李飞飞 Fei-Fei Li ： “世界模型要超越平面像素、超越语言，真正捕捉3D结构和空间智能。” 这句话和因果世界模型简直是天作之合。杨立昆、李飞飞这些人在推的世界模型，本质上都在往“真正理解物理世界”这个方向走。但光有3D结构和空间智能还不够，如果模型只学会了相关性，桌子高了2cm还是会直接翻车。 Aether AI的因果世界模型正好补上了这一块：不只是看到“手伸过去物体掉下来”，而是理解“为什么掉、怎样才能不掉”。因果结构让世界模型从“看起来像”进化到“真正懂”。现在两条路线在同时推进：一条是让世界模型拥有更强的3D和空间表征，另一条是给它装上因果推理引擎。两者结合之后，物理AI才有可能从“会模仿”变成“会思考”。这波理念上的对齐，感觉具身智能的下一个范式已经在慢慢成形了。原访谈完整版地址见评论区👇🏻

AI界大佬李飞飞眼光和远见是真的超前啊！直言：“空间智能是人工智能的下一个前沿” 在11个月年YC 的访谈中李飞飞 Fei-Fei Li ： “世界模型要超越平面像素、超越语言，真正捕捉3D结构和空间智能。” 这句话和因果世界模型简直是天作之合。杨立昆、李飞飞这些人在推的世界模型，本质上都在往“真正理解物理世界”这个方向走。但光有3D结构和空间智能还不够，如果模型只学会了相关性，桌子高了2cm还是会直接翻车。 Aether AI的因果世界模型正好补上了这一块：不只是看到“手伸过去物体掉下来”，而是理解“为什么掉、怎样才能不掉”。因果结构让世界模型从“看起来像”进化到“真正懂”。现在两条路线在同时推进：一条是让世界模型拥有更强的3D和空间表征，另一条是给它装上因果推理引擎。两者结合之后，物理AI才有可能从“会模仿”变成“会思考”。这波理念上的对齐，感觉具身智能的下一个范式已经在慢慢成形了。原访谈完整版地址见评论区👇🏻

Berryxia.AI

21,422 Aufrufe • vor 1 Monat

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 Aufrufe • vor 1 Jahr

李飞飞这段采访，越听越有压力。她说未来真正被甩开的，可能不是被 AI 替代的人，而是还在用五年前流程工作的人。以前产品经理不会写代码很正常：写 PRD、开会、等设计、排开发，几个月做个原型。但现在旁边的人已经能用 AI 当天把 demo 跑出来，拿真实界面讨论需求，你还在说“我负责协调资源”。差距可能就是这么拉开的。 AI 最狠的地方，不是替你工作，而是逼你从“传话的人”变成“能把想法做出来的人”。

李飞飞这段采访，越听越有压力。她说未来真正被甩开的，可能不是被 AI 替代的人，而是还在用五年前流程工作的人。以前产品经理不会写代码很正常：写 PRD、开会、等设计、排开发，几个月做个原型。但现在旁边的人已经能用 AI 当天把 demo 跑出来，拿真实界面讨论需求，你还在说“我负责协调资源”。差距可能就是这么拉开的。 AI 最狠的地方，不是替你工作，而是逼你从“传话的人”变成“能把想法做出来的人”。

Vincent

69,334 Aufrufe • vor 1 Monat

Claude Code 的创造者 Boris 讲了一个很关键的转变： “我现在不再给 Claude 写 prompts。我写 loops 然后让 loops 去完成工作我的工作，就是写 loops。” 这其实也是很多人用 Claude Code 卡住的地方他们还在把它当聊天工具用：输入一个需求等一次回答然后手动继续改但 Boris 在 30 分钟里展示的是他真实的 daily setup： Claude Code loops dynamic workflow 核心不是让 Claude 一次性给出完美答案而是把任务拆进一个可以反复执行、检查、修正的循环里模型不只是回答你它会在 workflow 里持续推进任务这类内容，可能比很多 $500 的 vibe-coding 课程更有价值因为它讲的不是“怎么写一句更好的 prompt” 而是怎么把 Claude Code 变成一个能持续工作的系统 AI coding 的关键，是 prompt 写得更漂亮，还是你能不能设计出让模型自己推进的 loop？

Claude Code 的创造者 Boris 讲了一个很关键的转变： “我现在不再给 Claude 写 prompts。我写 loops 然后让 loops 去完成工作我的工作，就是写 loops。” 这其实也是很多人用 Claude Code 卡住的地方他们还在把它当聊天工具用：输入一个需求等一次回答然后手动继续改但 Boris 在 30 分钟里展示的是他真实的 daily setup： Claude Code loops dynamic workflow 核心不是让 Claude 一次性给出完美答案而是把任务拆进一个可以反复执行、检查、修正的循环里模型不只是回答你它会在 workflow 里持续推进任务这类内容，可能比很多 $500 的 vibe-coding 课程更有价值因为它讲的不是“怎么写一句更好的 prompt” 而是怎么把 Claude Code 变成一个能持续工作的系统 AI coding 的关键，是 prompt 写得更漂亮，还是你能不能设计出让模型自己推进的 loop？

0x_Miko

187,988 Aufrufe • vor 2 Monaten

🤣🤣🤣被ai玩坏了咯！！！ —— 大的什么时候才能到来这两天一直在刷到 Kindred Labs 的动静，说实话，这种“你懂的”式暗示一出来，基本就能判断：空投和 TGE 应该离得不远了。放在 Sei 生态里看，它现在的关注度也确实排在前面。但让我更在意的，其实是另一件事。我看到不少人把 Kindred 简单归类成“接了 API 的聊天工具”，每次看到这种说法，我都会有点替项目可惜——因为这明显低估了它真正想做的事情。如果只是套壳主流大模型，在现在这个 AI 项目密集到几乎同质化的赛道里，根本不可能靠运气站住脚。Kindred Labs 没走那条路。它把情绪拆解成唤醒度、愉悦度、支配度三个维度，用上下文、表达节奏和长期互动来判断一个人的真实状态。差别在于：普通 AI 只“听懂话”，而 Kindred Labs 在尝试“理解人”。你说一句“没事”，多数 AI 会照字面理解；但 Kindred 更像是会停一下，意识到你可能是在强装平静，然后给出更贴合当下情绪的回应。这种持续学习、越聊越懂你边界和性格的设计，其实带来的是一种很微妙的情感连接感，而不是功能堆叠。这也是我觉得它能留下用户的核心原因。现在太多 AI 项目在拼谁更聪明、参数更大、功能更多，但越往后我越确信：真正的分水岭不会是智力，而是“理解力”。谁能读懂人的状态、尊重人的情绪，而不是冷冰冰地输出答案，谁才更可能走得远。从这个角度看，Kindred 至少是在往一个我个人很认可的方向探索。 #KaitoYap Kaito AI 🌊 Kindred Labs #Yap Max Giammario $KIN

🤣🤣🤣被ai玩坏了咯！！！ —— 大的什么时候才能到来这两天一直在刷到 Kindred Labs 的动静，说实话，这种“你懂的”式暗示一出来，基本就能判断：空投和 TGE 应该离得不远了。放在 Sei 生态里看，它现在的关注度也确实排在前面。但让我更在意的，其实是另一件事。我看到不少人把 Kindred 简单归类成“接了 API 的聊天工具”，每次看到这种说法，我都会有点替项目可惜——因为这明显低估了它真正想做的事情。如果只是套壳主流大模型，在现在这个 AI 项目密集到几乎同质化的赛道里，根本不可能靠运气站住脚。Kindred Labs 没走那条路。它把情绪拆解成唤醒度、愉悦度、支配度三个维度，用上下文、表达节奏和长期互动来判断一个人的真实状态。差别在于：普通 AI 只“听懂话”，而 Kindred Labs 在尝试“理解人”。你说一句“没事”，多数 AI 会照字面理解；但 Kindred 更像是会停一下，意识到你可能是在强装平静，然后给出更贴合当下情绪的回应。这种持续学习、越聊越懂你边界和性格的设计，其实带来的是一种很微妙的情感连接感，而不是功能堆叠。这也是我觉得它能留下用户的核心原因。现在太多 AI 项目在拼谁更聪明、参数更大、功能更多，但越往后我越确信：真正的分水岭不会是智力，而是“理解力”。谁能读懂人的状态、尊重人的情绪，而不是冷冰冰地输出答案，谁才更可能走得远。从这个角度看，Kindred 至少是在往一个我个人很认可的方向探索。 #KaitoYap Kaito AI 🌊 Kindred Labs #Yap Max Giammario $KIN

董小姐 |Gate美股0费率

55,419 Aufrufe • vor 7 Monaten

这个世界会因为你不会使用智能手机，而停止生产研发智能手机了吗？这个世界会因为你不懂数字人民币，而停止数字人民币的发行吗？这个世界不会因为你不懂AI，不懂VR，不懂区块链，而停止在web2.0时代！这个世界唯一不变的就是变得太快，因为这是一个多迁多变多元的世界！ #pinetwork #piconsensus

这个世界会因为你不会使用智能手机，而停止生产研发智能手机了吗？这个世界会因为你不懂数字人民币，而停止数字人民币的发行吗？这个世界不会因为你不懂AI，不懂VR，不懂区块链，而停止在web2.0时代！这个世界唯一不变的就是变得太快，因为这是一个多迁多变多元的世界！ #pinetwork #piconsensus

重庆～π～3.1415926

19,028 Aufrufe • vor 3 Jahren

GPT-8如果真的解开了量子引力的密码，还要什么图灵测试？物理学家David Deutsch说，语言模型就算会模仿莎士比亚，也不是AGI。但如果GPT-8能像爱因斯坦一样，给出一套完整的理论，解释量子引力，还能讲出它为什么研究，怎么推导，以及它的思路演进，那就不是模仿，而是真正的创造。他会承认，那就是AGI。不是因为它答对了题，而是因为它写出了题。 AGI不是通过测试被承认，而是通过创造新的测试被定义。

GPT-8如果真的解开了量子引力的密码，还要什么图灵测试？物理学家David Deutsch说，语言模型就算会模仿莎士比亚，也不是AGI。但如果GPT-8能像爱因斯坦一样，给出一套完整的理论，解释量子引力，还能讲出它为什么研究，怎么推导，以及它的思路演进，那就不是模仿，而是真正的创造。他会承认，那就是AGI。不是因为它答对了题，而是因为它写出了题。 AGI不是通过测试被承认，而是通过创造新的测试被定义。

墓碑科技

46,596 Aufrufe • vor 10 Monaten

很多人低估了 Binance Pay，但它可能才是币安最重要的一步。看一姐这段视频，我印象最深的，不是某个具体产品点，而是两个词： 30 亿用户，金融基建。这两个词放在一起，其实已经不是“一个交易平台还能做多大”的问题了，而是在回答一件更底层的事：如果币安真的想服务 30 亿人，它到底要成为什么。很多人聊币安，第一反应还是交易量、上币、合约、BNB、市场份额。但如果把时间拉长一点看，你会发现，真正决定币安能不能走得更远的，未必只是交易，而是它能不能让 Crypto 真正进入普通人的日常生活。也正因为这样，当一姐提到“30 亿用户”和“金融基建”时，我第一时间想到的，其实不是交易，而是支付。因为如果一家平台的目标只是服务交易者，那把现货、合约、理财做好，基本就够了。但如果目标是 30 亿用户，逻辑就完全变了。全球真正会交易 Crypto 的人，不可能有 30 亿。要承接这个量级，服务对象就必须从“会交易的人”扩展到“普通人”；服务场景也必须从“买卖币”扩展到更真实、更日常的金融生活。而这条路上，支付一定是绕不过去的一步。因为交易解决的是价格、流动性和财富效应，但支付解决的是更现实的问题： • 普通人能不能更方便地转账 • 能不能更自然地消费 • 能不能更低门槛地使用金融服务 • 能不能真正把 Web3 接进日常生活这也是为什么我越来越觉得，很多人低估了 Binance Pay 的意义。很多人会把它理解成一个“实用，但没那么性感”的功能。没有 K 线刺激，也不像新币上线那样容易带情绪。但恰恰是这种看起来没那么热血的东西，才最可能决定一个行业到底能不能真正走向大众。因为 Crypto 不只是拿来炒的。如果一个行业永远只停留在交易、投机和博弈层面，那它再热，很多时候也还是停留在少数人的世界里。可一旦它开始进入支付、转账、消费、结算这些更接近日常生活的场景，意义就完全不一样了。那代表它正在从可以交易走向可以使用，从资产走向工具，从圈内产品走向更广义的金融基础设施。而这件事，本质上也和一姐最近一直在讲的那套逻辑完全连上了： • 30 亿是量级 • 金融平权是使命 • 金融基建是身份 • Web3 超级入口是落地如果币安真的想服务 30 亿人，那它就不能只服务已经会交易、会看盘、会玩链上的那一小部分人。它必须回答一个更现实的问题：普通人怎么进来？进来之后能做什么？能不能真正用起来？而 Binance Pay，就是这个问题里非常关键的一环。因为支付不是边角料，支付是 Crypto 走向现实世界的桥。谁能把支付做顺，谁就更像基础设施；谁能让普通人真正用起来，谁才更接近 Web3 的超级入口。如果币安想服务 30 亿人，支付一定是绕不过去的一步。最后问一下大家，你们用币安支付用的最多的是什么场景？ #BinancePay #Binance #Web3 #Crypto 币安Binance华语 CZ 🔶 BNB Yi He sisi 丫丫🔶BNB 鹿鹿 🍡

很多人低估了 Binance Pay，但它可能才是币安最重要的一步。看一姐这段视频，我印象最深的，不是某个具体产品点，而是两个词： 30 亿用户，金融基建。这两个词放在一起，其实已经不是“一个交易平台还能做多大”的问题了，而是在回答一件更底层的事：如果币安真的想服务 30 亿人，它到底要成为什么。很多人聊币安，第一反应还是交易量、上币、合约、BNB、市场份额。但如果把时间拉长一点看，你会发现，真正决定币安能不能走得更远的，未必只是交易，而是它能不能让 Crypto 真正进入普通人的日常生活。也正因为这样，当一姐提到“30 亿用户”和“金融基建”时，我第一时间想到的，其实不是交易，而是支付。因为如果一家平台的目标只是服务交易者，那把现货、合约、理财做好，基本就够了。但如果目标是 30 亿用户，逻辑就完全变了。全球真正会交易 Crypto 的人，不可能有 30 亿。要承接这个量级，服务对象就必须从“会交易的人”扩展到“普通人”；服务场景也必须从“买卖币”扩展到更真实、更日常的金融生活。而这条路上，支付一定是绕不过去的一步。因为交易解决的是价格、流动性和财富效应，但支付解决的是更现实的问题： • 普通人能不能更方便地转账 • 能不能更自然地消费 • 能不能更低门槛地使用金融服务 • 能不能真正把 Web3 接进日常生活这也是为什么我越来越觉得，很多人低估了 Binance Pay 的意义。很多人会把它理解成一个“实用，但没那么性感”的功能。没有 K 线刺激，也不像新币上线那样容易带情绪。但恰恰是这种看起来没那么热血的东西，才最可能决定一个行业到底能不能真正走向大众。因为 Crypto 不只是拿来炒的。如果一个行业永远只停留在交易、投机和博弈层面，那它再热，很多时候也还是停留在少数人的世界里。可一旦它开始进入支付、转账、消费、结算这些更接近日常生活的场景，意义就完全不一样了。那代表它正在从可以交易走向可以使用，从资产走向工具，从圈内产品走向更广义的金融基础设施。而这件事，本质上也和一姐最近一直在讲的那套逻辑完全连上了： • 30 亿是量级 • 金融平权是使命 • 金融基建是身份 • Web3 超级入口是落地如果币安真的想服务 30 亿人，那它就不能只服务已经会交易、会看盘、会玩链上的那一小部分人。它必须回答一个更现实的问题：普通人怎么进来？进来之后能做什么？能不能真正用起来？而 Binance Pay，就是这个问题里非常关键的一环。因为支付不是边角料，支付是 Crypto 走向现实世界的桥。谁能把支付做顺，谁就更像基础设施；谁能让普通人真正用起来，谁才更接近 Web3 的超级入口。如果币安想服务 30 亿人，支付一定是绕不过去的一步。最后问一下大家，你们用币安支付用的最多的是什么场景？ #BinancePay #Binance #Web3 #Crypto 币安Binance华语 CZ 🔶 BNB Yi He sisi 丫丫🔶BNB 鹿鹿 🍡

小鱼🔶BNB

18,150 Aufrufe • vor 3 Monaten

早上好呀，朋友们，听首歌起床还是很舒服的，起床开工。我最近在反复看 OpenMind ，一个很明显的感受是，它并不是在和大家抢智能这条赛道。现在市场里关于具身智能的讨论，大多都围绕一个点展开模型够不够强，泛化能力行不行，能不能从屏幕走进现实世界。但 OpenMind 的切入点有点反着来。它并没有假设机器一开始就会表现得很好，而是默认它们会犯错、会失控、会留下后果。这个前提一旦成立，整个系统的设计逻辑就会完全变掉。在现实世界里，真正难的从来不是能不能做，而是做错了怎么办。一段代码跑错了，最多是回滚。一个机器人跑错了，可能是事故、损失，甚至责任纠纷。 OpenMind 明显是从这个现实约束出发的。你会发现它花了大量精力去做一件在早期阶段非常不讨好的事情让机器拥有不可转移的身份、完整的执行记录，以及可累积的声誉轨迹。这些东西不会让机器人更聪明，也不会让 demo 看起来更炫。但它们在悄悄解决一个更底层的问题当机器开始长期运行，系统要如何记住它曾经做过什么。在 OpenMind 的结构里，机器人不是一次性工具。它更像一个长期存在的执行体，有历史、有信用，也有负反馈。你不能靠重启来抹掉过去的行为。执行得越稳定，系统给你的权限越高。出错次数越多，你能参与的任务就会被逐步收紧。这种设计其实非常反爽点。因为它直接压缩了操作空间，也牺牲了短期效率。但换来的，是一个可以持续运行的秩序。很多项目在讲未来的机器社会时，会默认一个隐含前提：只要模型足够好，规则自然会变得不重要。 OpenMind 的判断恰好相反。它更像是在说，如果没有规则兜底，智能越强，系统越危险。所以我越来越觉得，OpenMind 真正在做的，并不是机器人的 Android 是一套让机器可以被纳入社会结构的基础设施。不是让它们更像人，是让它们先学会被约束。这条路在当下阶段，很难成为流量中心。它不制造情绪，也不迎合想象空间。但一旦机器人真的开始进入公共空间、商业系统、基础设施，这套东西就会变得不可绕开。 OpenMind 押的不是短期爆发，而是一个更慢的事实未来的机器世界，首先是一个责任世界，其次才是一个智能世界。理解这一点之后，你会发现它很多看起来保守的设计，其实非常现实。它不是在赌技术奇迹，而是在给一个必然到来的复杂系统，提前搭好护栏。 #OpenMind #KAITO

早上好呀，朋友们，听首歌起床还是很舒服的，起床开工。我最近在反复看 OpenMind ，一个很明显的感受是，它并不是在和大家抢智能这条赛道。现在市场里关于具身智能的讨论，大多都围绕一个点展开模型够不够强，泛化能力行不行，能不能从屏幕走进现实世界。但 OpenMind 的切入点有点反着来。它并没有假设机器一开始就会表现得很好，而是默认它们会犯错、会失控、会留下后果。这个前提一旦成立，整个系统的设计逻辑就会完全变掉。在现实世界里，真正难的从来不是能不能做，而是做错了怎么办。一段代码跑错了，最多是回滚。一个机器人跑错了，可能是事故、损失，甚至责任纠纷。 OpenMind 明显是从这个现实约束出发的。你会发现它花了大量精力去做一件在早期阶段非常不讨好的事情让机器拥有不可转移的身份、完整的执行记录，以及可累积的声誉轨迹。这些东西不会让机器人更聪明，也不会让 demo 看起来更炫。但它们在悄悄解决一个更底层的问题当机器开始长期运行，系统要如何记住它曾经做过什么。在 OpenMind 的结构里，机器人不是一次性工具。它更像一个长期存在的执行体，有历史、有信用，也有负反馈。你不能靠重启来抹掉过去的行为。执行得越稳定，系统给你的权限越高。出错次数越多，你能参与的任务就会被逐步收紧。这种设计其实非常反爽点。因为它直接压缩了操作空间，也牺牲了短期效率。但换来的，是一个可以持续运行的秩序。很多项目在讲未来的机器社会时，会默认一个隐含前提：只要模型足够好，规则自然会变得不重要。 OpenMind 的判断恰好相反。它更像是在说，如果没有规则兜底，智能越强，系统越危险。所以我越来越觉得，OpenMind 真正在做的，并不是机器人的 Android 是一套让机器可以被纳入社会结构的基础设施。不是让它们更像人，是让它们先学会被约束。这条路在当下阶段，很难成为流量中心。它不制造情绪，也不迎合想象空间。但一旦机器人真的开始进入公共空间、商业系统、基础设施，这套东西就会变得不可绕开。 OpenMind 押的不是短期爆发，而是一个更慢的事实未来的机器世界，首先是一个责任世界，其次才是一个智能世界。理解这一点之后，你会发现它很多看起来保守的设计，其实非常现实。它不是在赌技术奇迹，而是在给一个必然到来的复杂系统，提前搭好护栏。 #OpenMind #KAITO

比克大魔王

35,318 Aufrufe • vor 6 Monaten

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

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

墓碑科技

73,608 Aufrufe • vor 7 Monaten

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 Aufrufe • vor 1 Monat

杰哥也是个渣男！哼！和豆腐先生一样晕豆腐但是青云嫂可真美！李嘉欣我也爱！！ —— 说实话，我第一次看 Mike 这段采访时，并没有被什么“AI 愿景”打动。真正让我停下来思考的，是一个很简单的感觉： Talus 好像默认了一个前提——未来不是人亲自下场，而是“派东西下场”。你不再自己盯着 DeFi、刷链上机会、算风险，而是把一套判断和规则交出去，让它替你跑。这不是工具升级，更像是身份的外包。那为什么非得折腾到链上？因为如果 AI 全都跑在中心化服务器里，说白了还是平台的。平台随时可以关、改规则、优先自家账户。你用得再熟，也只是“借用”。 Talus 看起来是在较真一件事：如果 AI 要替你赚钱、替你决策，那它必须是你真正“拥有”的。能被验证、能被追责、也能光明正大地结算收益。至于他们为什么选 Sui，我的理解一点也不浪漫。不是因为口号，而是因为没别的链能撑住这种玩法。当你把世界想象成几千、几万甚至更多 Agent 同时在链上做决定、改状态、动资产—— 你就会发现，顺序执行的链根本不够用。 Sui 更像一个能并行跑任务的底层系统，每个 Agent 各干各的，不卡、不抢、不排队。再加上 Move 把“钱是谁的”这件事写死在规则里，至少你敢让 AI 碰资产。我不觉得 Talus 现在已经很成熟。但它让我第一次认真想了一件事：以后拼的，可能不是你多努力，而是你放出去的那个“替身”，有没有比别人的跑得更聪明。这事一旦成立，世界的玩法真的会变。 #KaitoYap Kaito AI 🌊 #Yap Talus Labs Talus 🐸 $US

杰哥也是个渣男！哼！和豆腐先生一样晕豆腐但是青云嫂可真美！李嘉欣我也爱！！ —— 说实话，我第一次看 Mike 这段采访时，并没有被什么“AI 愿景”打动。真正让我停下来思考的，是一个很简单的感觉： Talus 好像默认了一个前提——未来不是人亲自下场，而是“派东西下场”。你不再自己盯着 DeFi、刷链上机会、算风险，而是把一套判断和规则交出去，让它替你跑。这不是工具升级，更像是身份的外包。那为什么非得折腾到链上？因为如果 AI 全都跑在中心化服务器里，说白了还是平台的。平台随时可以关、改规则、优先自家账户。你用得再熟，也只是“借用”。 Talus 看起来是在较真一件事：如果 AI 要替你赚钱、替你决策，那它必须是你真正“拥有”的。能被验证、能被追责、也能光明正大地结算收益。至于他们为什么选 Sui，我的理解一点也不浪漫。不是因为口号，而是因为没别的链能撑住这种玩法。当你把世界想象成几千、几万甚至更多 Agent 同时在链上做决定、改状态、动资产—— 你就会发现，顺序执行的链根本不够用。 Sui 更像一个能并行跑任务的底层系统，每个 Agent 各干各的，不卡、不抢、不排队。再加上 Move 把“钱是谁的”这件事写死在规则里，至少你敢让 AI 碰资产。我不觉得 Talus 现在已经很成熟。但它让我第一次认真想了一件事：以后拼的，可能不是你多努力，而是你放出去的那个“替身”，有没有比别人的跑得更聪明。这事一旦成立，世界的玩法真的会变。 #KaitoYap Kaito AI 🌊 #Yap Talus Labs Talus 🐸 $US

董小姐

73,450 Aufrufe • vor 7 Monaten

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 Aufrufe • vor 5 Monaten

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。👇

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 Aufrufe • vor 4 Monaten

Anthropic官方最新的演讲，直接给火了一年的Agent时代浇了一盆冷水。他们说别再造Agents了，赶紧去造Skills。这句话也不是啥小众观点，是Claude核心团队的工程师Barry Zhang 和Mahesh Murag站在台上对着全世界喊出来的。最反直觉的地方在这里，大部分人都以为Agent的未来，是做出一个更聪明的大脑，让它自己思考，自己规划，自己解决所有问题。但Anthropic说，这条路走不通，通用Agent确实聪明，但它没有领域知识，一碰真实世界就碎。难维护，不可靠，出了问题你都不知道为什么。绝大多数你见过的Agent，都只能停留在演示视频里。真正能落地的，是Skills。不是什么复杂的新东西，就是一个个文件夹，里面放着代码、脚本、提示词和流程知识。用文件系统、bash、Python这些最朴素的东西做接口。它没有Agent那么酷，但它可组合，可版本控制，可分享。需要的时候才加载进上下文，永远不会爆token。甚至连财务、HR、法务这些非程序员，都能自己造技能。这其实是一次非常务实的倒退，我们不再要求AI自己学会怎么干活，而是把人类已经验证过的干活方法，打包成一个个技能包，让AI去调用，去执行。把AI从一个需要你手把手教的实习生，变成一个能熟练使用所有专业工具的得力助手。现在终于明白，为什么Claude一直在死磕MCP，死磕文件系统，死磕终端集成，它根本就不想做一个聊天机器人，它想做的是所有技能的运行时。未来的竞争，不看谁的Agent更聪明，主要看谁的技能库更丰富更专业更可靠。最后两位老哥呼吁别再纠结怎么让AI自己思考了，先把你手里的工作打包成第一个技能。

Anthropic官方最新的演讲，直接给火了一年的Agent时代浇了一盆冷水。他们说别再造Agents了，赶紧去造Skills。这句话也不是啥小众观点，是Claude核心团队的工程师Barry Zhang 和Mahesh Murag站在台上对着全世界喊出来的。最反直觉的地方在这里，大部分人都以为Agent的未来，是做出一个更聪明的大脑，让它自己思考，自己规划，自己解决所有问题。但Anthropic说，这条路走不通，通用Agent确实聪明，但它没有领域知识，一碰真实世界就碎。难维护，不可靠，出了问题你都不知道为什么。绝大多数你见过的Agent，都只能停留在演示视频里。真正能落地的，是Skills。不是什么复杂的新东西，就是一个个文件夹，里面放着代码、脚本、提示词和流程知识。用文件系统、bash、Python这些最朴素的东西做接口。它没有Agent那么酷，但它可组合，可版本控制，可分享。需要的时候才加载进上下文，永远不会爆token。甚至连财务、HR、法务这些非程序员，都能自己造技能。这其实是一次非常务实的倒退，我们不再要求AI自己学会怎么干活，而是把人类已经验证过的干活方法，打包成一个个技能包，让AI去调用，去执行。把AI从一个需要你手把手教的实习生，变成一个能熟练使用所有专业工具的得力助手。现在终于明白，为什么Claude一直在死磕MCP，死磕文件系统，死磕终端集成，它根本就不想做一个聊天机器人，它想做的是所有技能的运行时。未来的竞争，不看谁的Agent更聪明，主要看谁的技能库更丰富更专业更可靠。最后两位老哥呼吁别再纠结怎么让AI自己思考了，先把你手里的工作打包成第一个技能。

AYi

108,636 Aufrufe • vor 3 Monaten

好喜欢这种甜甜的爱情，相互奔赴才是真爱，那种你一眼喜欢的千万远离！绝对是来报仇的！ ⸻ 很多 AI 项目，其实不是被 Kindred Labs 打败的，而是自己先失去了存在感。它们上线时都很像：一个新功能、一次性能提升、一组漂亮的 demo。刚开始确实惊艳，用两天、三天，甚至一周。然后呢？你不知不觉就不再点开了。不是不好用，而是没有再打开一次的理由。 Kindred 有点反常。它并不急着证明“我能做多少事”，而是在反复强化一件事：下一次，你为什么会想起我。角色有没有延续性，它记不记得上次的对话，情绪是不是连贯的，这些东西几乎不写在白皮书里，却直接决定用户会不会回来。这也是为什么效率型 AI 很容易被替代。当你的价值只体现在“帮我快一点”，那总会有人比你更快。但当一个 AI 占据的是心理位置，竞争维度就变了。你不是在比参数，而是在比“陪伴时间”。所以说，不是 90% 的 AI 项目不够聪明，而是它们从一开始，就选了一条留不住人的路。而 Kindred，恰好站在另一边。 #KaitoYap Kaito AI 🌊 Kindred Labs #Yap Max Giammario ∞ KIN $KIN

好喜欢这种甜甜的爱情，相互奔赴才是真爱，那种你一眼喜欢的千万远离！绝对是来报仇的！ ⸻ 很多 AI 项目，其实不是被 Kindred Labs 打败的，而是自己先失去了存在感。它们上线时都很像：一个新功能、一次性能提升、一组漂亮的 demo。刚开始确实惊艳，用两天、三天，甚至一周。然后呢？你不知不觉就不再点开了。不是不好用，而是没有再打开一次的理由。 Kindred 有点反常。它并不急着证明“我能做多少事”，而是在反复强化一件事：下一次，你为什么会想起我。角色有没有延续性，它记不记得上次的对话，情绪是不是连贯的，这些东西几乎不写在白皮书里，却直接决定用户会不会回来。这也是为什么效率型 AI 很容易被替代。当你的价值只体现在“帮我快一点”，那总会有人比你更快。但当一个 AI 占据的是心理位置，竞争维度就变了。你不是在比参数，而是在比“陪伴时间”。所以说，不是 90% 的 AI 项目不够聪明，而是它们从一开始，就选了一条留不住人的路。而 Kindred，恰好站在另一边。 #KaitoYap Kaito AI 🌊 Kindred Labs #Yap Max Giammario ∞ KIN $KIN

董小姐

17,039 Aufrufe • vor 7 Monaten

Altman 现在想投一种过去会被硅谷嘲笑的人。这种人以前叫“点子人”。嘴上说自己有一个绝妙创意。又不肯讲清楚是什么。只说需要一个程序员把它做出来。然后公司就能起飞。 Altman 说，当年大家会笑这种人。因为他们大多做不成。他自己也烦这个逻辑。这就像有人说：我有一首神曲的点子，只差一个会弹吉他的人帮我做出来。妙吧？硅谷最看不起的角色，突然等来了复仇时刻。 Altman 原话里用了一个词：revenge of the idea guys。点子人的复仇。过去很长时间，YC 和整个创业圈筛创始团队，最看重的是技术能力。谁能写代码，谁能搭系统，谁能把想法变成产品。技术人才依然重要。但权重变了。 Altman 现在说，那些完全不会写代码，却真正理解用户的人，他想投。这句话的变化不在“不会代码也行”。真正的变化在于，创业的第一门槛正在从“你会不会造”，挪向“你知不知道该给谁造”。以前点子人最大的问题，是把工程师当外包吉他手。现在能被重新估值的点子人，必须把用户理解到骨头里。知道痛点在哪里，知道谁愿意付钱，知道产品第一秒该解决什么。 AI 和工具链把一部分技术门槛压低之后，人的优势开始换地方。会写代码的人仍然值钱。但只会写代码、却不懂用户的人，反而会越来越像拿着高级乐器却找不到旋律的人。硅谷这轮转向真正刺痛人的地方在这里。过去“我有个点子”不值钱。现在“我知道用户为什么痛”开始值钱。创业桌上的筹码，正在从代码能力扩展到用户洞察。

Altman 现在想投一种过去会被硅谷嘲笑的人。这种人以前叫“点子人”。嘴上说自己有一个绝妙创意。又不肯讲清楚是什么。只说需要一个程序员把它做出来。然后公司就能起飞。 Altman 说，当年大家会笑这种人。因为他们大多做不成。他自己也烦这个逻辑。这就像有人说：我有一首神曲的点子，只差一个会弹吉他的人帮我做出来。妙吧？硅谷最看不起的角色，突然等来了复仇时刻。 Altman 原话里用了一个词：revenge of the idea guys。点子人的复仇。过去很长时间，YC 和整个创业圈筛创始团队，最看重的是技术能力。谁能写代码，谁能搭系统，谁能把想法变成产品。技术人才依然重要。但权重变了。 Altman 现在说，那些完全不会写代码，却真正理解用户的人，他想投。这句话的变化不在“不会代码也行”。真正的变化在于，创业的第一门槛正在从“你会不会造”，挪向“你知不知道该给谁造”。以前点子人最大的问题，是把工程师当外包吉他手。现在能被重新估值的点子人，必须把用户理解到骨头里。知道痛点在哪里，知道谁愿意付钱，知道产品第一秒该解决什么。 AI 和工具链把一部分技术门槛压低之后，人的优势开始换地方。会写代码的人仍然值钱。但只会写代码、却不懂用户的人，反而会越来越像拿着高级乐器却找不到旋律的人。硅谷这轮转向真正刺痛人的地方在这里。过去“我有个点子”不值钱。现在“我知道用户为什么痛”开始值钱。创业桌上的筹码，正在从代码能力扩展到用户洞察。

墓碑科技

19,109 Aufrufe • vor 3 Monaten

🎬 90% 的人没用明白 Codex。因为一开始就把它当成了 ChatGPT。但 Codex 最厉害的地方，从来不是聊天，而是动手。它会读项目、改文件、做表格、操作浏览器，直接在你的电脑里完成任务。 💡 真正决定体验的也不是 Prompt，而是四件事：Project、Permissions、Context 和 AGENTS.md。少一个都能用，多一个才开始好用。我后来甚至不把它当 AI，而是当新人来带：先教它，再纠正它，最后把经验沉淀成 Skill。当你开始这样用 Codex，它就不再是助手，而是一套持续进化的工作系统。

🎬 90% 的人没用明白 Codex。因为一开始就把它当成了 ChatGPT。但 Codex 最厉害的地方，从来不是聊天，而是动手。它会读项目、改文件、做表格、操作浏览器，直接在你的电脑里完成任务。 💡 真正决定体验的也不是 Prompt，而是四件事：Project、Permissions、Context 和 AGENTS.md。少一个都能用，多一个才开始好用。我后来甚至不把它当 AI，而是当新人来带：先教它，再纠正它，最后把经验沉淀成 Skill。当你开始这样用 Codex，它就不再是助手，而是一套持续进化的工作系统。

Martin

27,271 Aufrufe • vor 1 Monat

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。

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｜预测世界杯就在Gate

43,660 Aufrufe • vor 7 Monaten