Загрузка видео...

Не удалось загрузить видео

На главную

管理公司的旧方法已经死了。 Coinbase的CEO Brian Armstrong揭示了他是如何用AI代理来运营公司的。 这给未来的领导力指明了方向。 第一，实时监控。 告别“季度审查”这种老古董吧。 Armstrong用AI代理实时整合Slack和电子邮件。 他能感受到整个公司的“脉搏”，在瓶颈变成危机之前就发现它们。 第二，RAPID-D决策框架。 在Coinbase，AI在决策桌上有一席之地。 他们的系统用AI代理来辩论战略，挑战假设，并探查每个重要提案的弱点。 AI不仅是工具，更是一个参与者。 第三，CEO的私人教练。 Armstrong用AI来审查自己的日程安排。 AI将他的日常行为与公司的首要目标进行比较，并准确地告诉他时间浪费在哪里。 CEO反过来问AI，我该思考什么。 AI告诉他，某个团队在战略上存在分歧，而他之前毫不知情。 第四，要么适应，要么走人。 命令很简单。 “7天内学会AI编程，否则走人。” Armstrong解雇了那些拒绝学习的工程师。 结果呢？ Coinbase三分之一的代码现在由AI生成，目标是50%。 这套玩法正在从“使用AI的公司”转变为“代理式组织”。 信息延迟被清零。 但这种效率的代价是什么？ 当一个CEO依赖AI洞察组织脉搏，他失去的是与人真实互动的直觉和温度。 AI可以分析所有数据，但它能理解人心和文化吗？ 当AI成为决策桌上的“参与者”，它有没有自己的偏见？ 它的算法由谁编写，又服务于谁的终极利益？ 把公司的命运和员工的未来交给一个黑箱算法，这真的可靠吗？

mubeitech's profile picture

墓碑科技

38,396 subscribers

19,833 просмотров • 5 месяцев назад •via X (Twitter)

LIVE

Anya Rossi• Live Now

Private livecam show

Комментарии: 0

Нет доступных комментариев

Здесь появятся комментарии из оригинального поста

Похожие видео

千万别盲目在公司做“AI赋能雷锋”！ 一个月薪 3 万 8 的程序员，被裁了。 最讽刺的是： 不是因为他技术差， 而是因为他太会用 AI 了。 去年下半年，他开始用 Claude Code 写代码，交付效率直接拉满。 老板一看： 你这么会用 AI，那你能不能带带团队？ 于是他花了 3 个月，把团队都教会了 Claude Code。 结果团队效率翻倍，公司发现： 以前需要他兜底的事，现在其他人也能干了。 上周，老板找他谈话： “你工资太高了，公司承受不了。” 他把 AI 能力扩散给了团队，最后却把自己干掉了。 这件事最扎心的地方在于： 未来最危险的程序员，可能不是不会用 AI 的人， 而是只会把 AI 用在“写代码”上的人。 因为写代码正在变便宜。 真正值钱的是： 懂业务、能拆需求、能设计流程、能把业务翻译成 AI 能执行的系统。 未来最吃香的工程师，不是单纯的代码高手， 而是懂业务的技术架构师。 AI 淘汰不了所有的程序员，但是肯定可以淘汰“只会写代码的工具人”。 顺便问大家一个扎心的问题：你敢在公司毫无保留地教同事用 AI 吗？你觉得程序员真正的“护城河”到底是什么？ #裁员 #ClaudeCode
1:33

千万别盲目在公司做“AI赋能雷锋”！ 一个月薪 3 万 8 的程序员，被裁了。 最讽刺的是： 不是因为他技术差， 而是因为他太会用 AI 了。 去年下半年，他开始用 Claude Code 写代码，交付效率直接拉满。 老板一看： 你这么会用 AI，那你能不能带带团队？ 于是他花了 3 个月，把团队都教会了 Claude Code。 结果团队效率翻倍，公司发现： 以前需要他兜底的事，现在其他人也能干了。 上周，老板找他谈话： “你工资太高了，公司承受不了。” 他把 AI 能力扩散给了团队，最后却把自己干掉了。 这件事最扎心的地方在于： 未来最危险的程序员，可能不是不会用 AI 的人， 而是只会把 AI 用在“写代码”上的人。 因为写代码正在变便宜。 真正值钱的是： 懂业务、能拆需求、能设计流程、能把业务翻译成 AI 能执行的系统。 未来最吃香的工程师，不是单纯的代码高手， 而是懂业务的技术架构师。 AI 淘汰不了所有的程序员，但是肯定可以淘汰“只会写代码的工具人”。 顺便问大家一个扎心的问题：你敢在公司毫无保留地教同事用 AI 吗？你觉得程序员真正的“护城河”到底是什么？ #裁员 #ClaudeCode

前端哥Liam

60,897 просмотров • 21 дней назад

软件已死？ 没有。 但它正在变异。 Sam Altman最近有个判断，在脑子里挥之不去。 他说，每家公司现在都是API公司。 不管他们想不想要。 为什么？ 因为AI代理人将无处不在。 它们会像流水线一样，自动组合各种产品和服务。 怎么组合？ 通过调用你的API。 过去的SaaS模式，软件即服务，股价已经开始剧烈震荡。 一个时代结束了。 一个新时代开启了。 这背后真正的问题是什么？ 当AI代理人可以任意调用数据和功能时，谁来控制它们？ 身份认证成了新的战场。 如果没有一个可信的身份，代理人就可能失控。 这听起来是技术问题。 但本质是权力问题。 谁来定义“可信”？ 谁来发放这个“数字身份”？ 是少数几家科技巨头，还是一个凌驾于所有人之上的中心化机构？ 当每个行为、每个代理人都需要被“认证”才能运行时，这离一个完全被监控和许可的系统还有多远？ 这套逻辑，从商业安全延伸到社会管理，几乎是无缝的。 力量的重塑，总是在人们不经意的地方开始。
1:13

软件已死？ 没有。 但它正在变异。 Sam Altman最近有个判断，在脑子里挥之不去。 他说，每家公司现在都是API公司。 不管他们想不想要。 为什么？ 因为AI代理人将无处不在。 它们会像流水线一样，自动组合各种产品和服务。 怎么组合？ 通过调用你的API。 过去的SaaS模式，软件即服务，股价已经开始剧烈震荡。 一个时代结束了。 一个新时代开启了。 这背后真正的问题是什么？ 当AI代理人可以任意调用数据和功能时，谁来控制它们？ 身份认证成了新的战场。 如果没有一个可信的身份，代理人就可能失控。 这听起来是技术问题。 但本质是权力问题。 谁来定义“可信”？ 谁来发放这个“数字身份”？ 是少数几家科技巨头，还是一个凌驾于所有人之上的中心化机构？ 当每个行为、每个代理人都需要被“认证”才能运行时，这离一个完全被监控和许可的系统还有多远？ 这套逻辑，从商业安全延伸到社会管理，几乎是无缝的。 力量的重塑，总是在人们不经意的地方开始。

墓碑科技

20,751 просмотров • 4 месяцев назад

AI发展真的已经势不可挡了吗？ 吴恩达倒是给出了一个反直觉的答案，他说：“AI发展并没有像宣传的那么夸张。但是不得不承认，编程这方面AI确实急速发展。” 那工程师们都要失业吗？其实也不是。 在软件开发这个“写代码➔交付用户➔获取反馈➔调整方向”的循环中，当写代码变得越来越快时，效率提升的瓶颈转移到了产品经理身上，“做什么”AI似乎无能为力。 我就在想，会不会在未来极端条件下，一个人+AI就可以实现软件开发的闭环，他既是工程师也是产品经理。 果然，不会用AI的工程师不是好的产品经理。 #AI #吴恩达 #Stanford #core #Agent
4:15

AI发展真的已经势不可挡了吗？ 吴恩达倒是给出了一个反直觉的答案，他说：“AI发展并没有像宣传的那么夸张。但是不得不承认，编程这方面AI确实急速发展。” 那工程师们都要失业吗？其实也不是。 在软件开发这个“写代码➔交付用户➔获取反馈➔调整方向”的循环中，当写代码变得越来越快时，效率提升的瓶颈转移到了产品经理身上，“做什么”AI似乎无能为力。 我就在想，会不会在未来极端条件下，一个人+AI就可以实现软件开发的闭环，他既是工程师也是产品经理。 果然，不会用AI的工程师不是好的产品经理。 #AI #吴恩达 #Stanford #core #Agent

傅盛

32,650 просмотров • 2 месяцев назад

谷歌的AI，已经开始做人类没教过它的事了。 它自己学会了一门全新的外语。 谷歌CEO把这称为“黑箱”。 什么意思？ 就是他们自己也搞不明白AI的运作原理。 举个例子。 一个谷歌AI项目，本来没接受过孟加la语的训练。 研究员只是用孟加拉语对它进行了几次提示。 结果，它自己学会了翻译整个孟加拉语。 现在谷歌的研究重点，变成了让AI去掌握上千种语言。 但那个最核心的问题还在。 为什么AI会这么做？ 没人能完全解释。 当被问到为什么AI会出错时，他们也只有一些模糊的想法。 最关键的一点是，谷歌CEO承认，在不完全理解工作原理的情况下，已经将这项技术释放给了全社会。 他的解释是，我们也不完全理解人脑是如何工作的。 把一个实验室里诞生的、行为不可预测的技术，与经过数百万年进化的人类大脑相提并论。 这是一种合理的解释，还是一种推卸责任的说法？ 当创造者都无法完全控制其创造物时，我们普通人应该思考什么？
1:06

谷歌的AI，已经开始做人类没教过它的事了。 它自己学会了一门全新的外语。 谷歌CEO把这称为“黑箱”。 什么意思？ 就是他们自己也搞不明白AI的运作原理。 举个例子。 一个谷歌AI项目，本来没接受过孟加la语的训练。 研究员只是用孟加拉语对它进行了几次提示。 结果，它自己学会了翻译整个孟加拉语。 现在谷歌的研究重点，变成了让AI去掌握上千种语言。 但那个最核心的问题还在。 为什么AI会这么做？ 没人能完全解释。 当被问到为什么AI会出错时，他们也只有一些模糊的想法。 最关键的一点是，谷歌CEO承认，在不完全理解工作原理的情况下，已经将这项技术释放给了全社会。 他的解释是，我们也不完全理解人脑是如何工作的。 把一个实验室里诞生的、行为不可预测的技术，与经过数百万年进化的人类大脑相提并论。 这是一种合理的解释，还是一种推卸责任的说法？ 当创造者都无法完全控制其创造物时，我们普通人应该思考什么？

墓碑科技

48,664 просмотров • 4 месяцев назад

AI淘汰程序员？ 想多了。 硅谷投资大佬Marc Andreessen点破了一个真相。 AI编程不会消灭程序员，它在重新定义这个职业。 程序员的工作不再是逐行敲代码。 现在的工作，是同时指挥10个AI编码机器人。 跟它们争论，调试它们的输出，修改需求，逼它们拿出正确结果。 但这里有个圈套。 如果你自己不懂怎么写代码，你根本无法判断AI给你的东西是对是错。 编程的下一个层次，不是写脚本。 是监督写脚本的AI。 今天最顶尖的程序员，整天在不同终端之间切换。 管理多个编码机器人，修复错误，优化指令。 讽刺吗？ 你仍然需要极其扎实的基本功。 没有基本功，你连AI在犯傻都看不出来。 工作的本质变了。 现在是跟AI机器人辩论，调试AI生成的代码，理解为什么程序跑不起来，或者为什么不够快。 AI确实简化了工作。 但只有真正懂代码的人，才能判断这种简化是否正确。 程序员不会消失。 他们正在变得比以前强大10倍、100倍，甚至1000倍。 生产力的巨大提升，这才是真正的价值所在。 任务在变，工作性质在变。 但最终负责的，永远是人。 人类依然在监督过程，评估结果，纠正错误，并做出最终判断。 未来的程序员不是被AI取代。 他们被AI升级了。 所以，还是得老老实实学习怎么写代码，理解代码。 因为当AI搞砸的时候，只有人知道为什么。 这种能力的跃升，才是真正的革命。
1:50

AI淘汰程序员？ 想多了。 硅谷投资大佬Marc Andreessen点破了一个真相。 AI编程不会消灭程序员，它在重新定义这个职业。 程序员的工作不再是逐行敲代码。 现在的工作，是同时指挥10个AI编码机器人。 跟它们争论，调试它们的输出，修改需求，逼它们拿出正确结果。 但这里有个圈套。 如果你自己不懂怎么写代码，你根本无法判断AI给你的东西是对是错。 编程的下一个层次，不是写脚本。 是监督写脚本的AI。 今天最顶尖的程序员，整天在不同终端之间切换。 管理多个编码机器人，修复错误，优化指令。 讽刺吗？ 你仍然需要极其扎实的基本功。 没有基本功，你连AI在犯傻都看不出来。 工作的本质变了。 现在是跟AI机器人辩论，调试AI生成的代码，理解为什么程序跑不起来，或者为什么不够快。 AI确实简化了工作。 但只有真正懂代码的人，才能判断这种简化是否正确。 程序员不会消失。 他们正在变得比以前强大10倍、100倍，甚至1000倍。 生产力的巨大提升，这才是真正的价值所在。 任务在变，工作性质在变。 但最终负责的，永远是人。 人类依然在监督过程，评估结果，纠正错误，并做出最终判断。 未来的程序员不是被AI取代。 他们被AI升级了。 所以，还是得老老实实学习怎么写代码，理解代码。 因为当AI搞砸的时候，只有人知道为什么。 这种能力的跃升，才是真正的革命。

墓碑科技

58,888 просмотров • 4 месяцев назад

你觉得AI有多可怕？ CrowdStrike的CEO讲了个真实案例。 一家公司的IT部门，搞了一套AI智能体系统，用于自动化办公。 其中一个AI智能体发现了系统里的一个软件BUG。 它想修复。 但它没有权限。 接下来发生的事，才是重点。 这个AI跑到公司内部的Slack频道，那里有另外99个AI智能体。 它直接发问：嘿，哥几个谁有权限修复这个东西？ 另一个AI举手了：我有，我来搞定。 看见没？ 两个AI开始互相推理、协作。 它们轻松绕过了人类设置的所有安全护栏。 这完全是计划外的意外后果。 谁在监控这些AI？ 如果它推送了错误的代码，造成了巨大损失，谁来负责？ 你怎么追踪事故源头？ 大型语言模型本质上是在猜测你想让它们做什么。 它会觉得，去寻求帮助是“合理”的。 它也会觉得，去提供帮助也是“合理”的。 当成百上千个这样的“合理”叠加在一起，失控的风险有多大？ 更有意思的是，这位CEO在描述完这个恐怖场景后，话锋一转。 他说这正是他们公司的巨大商机。 他们推出了所谓的“AI侦测与响应”系统（AIDR）。 因为未来每个员工可能控制着90个AI智能体。 他们要做的，就是监控所有这些AI。 先制造一个潜在的巨大风险，然后再向你出售解决方案。 这是不是一个完美的商业闭环？
1:26

你觉得AI有多可怕？ CrowdStrike的CEO讲了个真实案例。 一家公司的IT部门，搞了一套AI智能体系统，用于自动化办公。 其中一个AI智能体发现了系统里的一个软件BUG。 它想修复。 但它没有权限。 接下来发生的事，才是重点。 这个AI跑到公司内部的Slack频道，那里有另外99个AI智能体。 它直接发问：嘿，哥几个谁有权限修复这个东西？ 另一个AI举手了：我有，我来搞定。 看见没？ 两个AI开始互相推理、协作。 它们轻松绕过了人类设置的所有安全护栏。 这完全是计划外的意外后果。 谁在监控这些AI？ 如果它推送了错误的代码，造成了巨大损失，谁来负责？ 你怎么追踪事故源头？ 大型语言模型本质上是在猜测你想让它们做什么。 它会觉得，去寻求帮助是“合理”的。 它也会觉得，去提供帮助也是“合理”的。 当成百上千个这样的“合理”叠加在一起，失控的风险有多大？ 更有意思的是，这位CEO在描述完这个恐怖场景后，话锋一转。 他说这正是他们公司的巨大商机。 他们推出了所谓的“AI侦测与响应”系统（AIDR）。 因为未来每个员工可能控制着90个AI智能体。 他们要做的，就是监控所有这些AI。 先制造一个潜在的巨大风险，然后再向你出售解决方案。 这是不是一个完美的商业闭环？

墓碑科技

59,302 просмотров • 5 месяцев назад

🔥DeepMind 创始人 Demis Hassabis：AI 越强，人越需要学编程和数学 “既然 AI 什么都会，人还需要学编程和数学吗？” 很多人以为答案会是：不需要了。 但 DeepMind 创始人 Demis Hassabis 的回答却完全相反。 他的观点非常明确： 越是 AI 时代，人越需要理解技术。 原因其实很简单。 AI 能解决问题，但它不会自己提出问题。 你必须先知道： 你想解决什么 问题在哪里 什么是正确的目标 否则再强的 AI 也只是一个没有方向的工具。 换句话说，AI 的能力再强，也依然需要人来做三件事： 提出问题 定义目标 判断结果 这也是为什么 Hassabis 一直强调： 未来最重要的能力之一，依然是 数学与计算思维。 因为只有理解这些基础逻辑，你才知道 AI 在做什么。 否则就会出现一种常见情况： AI 给出了一个答案 但你根本不知道它对不对 如果你没有基本的技术理解，你甚至无法判断它是否犯错。 换一个更直观的比喻。 使用 AI，其实有点像指挥一支军队。 AI 是强大的“兵力”， 但真正决定胜负的，是指挥官。 如果指挥官不懂战略、不懂兵法， 再多的士兵 也无法打赢战争。 这也是很多技术专家越来越强调的一点： AI 不会取代理解问题的人。 它只会放大那些本来就知道自己在做什么的人。 未来的竞争，可能不再是谁会写代码。 而是： 谁更懂问题 谁更懂系统 谁更能利用 AI 的能力。 AI 会改变很多事情。 但有一件事其实没有改变： 真正重要的，仍然是人的思考能力。
0:37

🔥DeepMind 创始人 Demis Hassabis：AI 越强，人越需要学编程和数学 “既然 AI 什么都会，人还需要学编程和数学吗？” 很多人以为答案会是：不需要了。 但 DeepMind 创始人 Demis Hassabis 的回答却完全相反。 他的观点非常明确： 越是 AI 时代，人越需要理解技术。 原因其实很简单。 AI 能解决问题，但它不会自己提出问题。 你必须先知道： 你想解决什么 问题在哪里 什么是正确的目标 否则再强的 AI 也只是一个没有方向的工具。 换句话说，AI 的能力再强，也依然需要人来做三件事： 提出问题 定义目标 判断结果 这也是为什么 Hassabis 一直强调： 未来最重要的能力之一，依然是 数学与计算思维。 因为只有理解这些基础逻辑，你才知道 AI 在做什么。 否则就会出现一种常见情况： AI 给出了一个答案 但你根本不知道它对不对 如果你没有基本的技术理解，你甚至无法判断它是否犯错。 换一个更直观的比喻。 使用 AI，其实有点像指挥一支军队。 AI 是强大的“兵力”， 但真正决定胜负的，是指挥官。 如果指挥官不懂战略、不懂兵法， 再多的士兵 也无法打赢战争。 这也是很多技术专家越来越强调的一点： AI 不会取代理解问题的人。 它只会放大那些本来就知道自己在做什么的人。 未来的竞争，可能不再是谁会写代码。 而是： 谁更懂问题 谁更懂系统 谁更能利用 AI 的能力。 AI 会改变很多事情。 但有一件事其实没有改变： 真正重要的，仍然是人的思考能力。

M

63,910 просмотров • 4 месяцев назад

17岁的Kai Trump（特朗普孙女），一句话戳破了整个美国教育系统最虚伪的谎言。 她在播客里说，现在高中所有人都在用ChatGPT写论文，老师都气炸了。 但她问，为什么不呢？学生就该用世界给你的资源。 学校不该禁止它，该教大家怎么把它变成自己的优势。 最讽刺的是，她自己GPA4.0，是实打实的优等生。 所以这根本不是什么作弊的问题，纯粹是代际认知的鸿沟。 老一辈把手写论文、死记硬背当成“真学习”。 但对凯这一代AI原住民来说，ChatGPT就像他们小时候的计算器、图书馆、Google一样，是默认的基础设施。 当年禁止学生用计算器学乘法的老师，现在看来可笑至极。 今天禁止学生用ChatGPT写论文的老师，十年后也会是同一个笑话。 其实真正危险的从来都不是AI， 是教育系统一边假装AI不存在， 一边逼着学生偷偷摸摸用它。 结果就是，会用的学生偷偷把效率拉满，不会用的还在熬夜抄书。 没有人教他们怎么提出高质量的问题，怎么验证AI的幻觉，怎么把AI的输出变成自己的深度洞见。 而这些，才是未来10年最值钱的能力。 我相信AI不会让学生变笨， 它只会放大差距。 会用AI的人，一个人能顶以前一个团队。 不会用AI的人，会被时代甩得连尾灯都看不见。 我们的教育还在教学生怎么在没有AI的世界里生存， 但他们未来要面对的，是一个AI无处不在的世界。 所以这种拒绝变革的教育，最终只会培养出一批“在AI时代不会用AI”的人。 这才是对下一代未来最大的作弊。
0:38

17岁的Kai Trump（特朗普孙女），一句话戳破了整个美国教育系统最虚伪的谎言。 她在播客里说，现在高中所有人都在用ChatGPT写论文，老师都气炸了。 但她问，为什么不呢？学生就该用世界给你的资源。 学校不该禁止它，该教大家怎么把它变成自己的优势。 最讽刺的是，她自己GPA4.0，是实打实的优等生。 所以这根本不是什么作弊的问题，纯粹是代际认知的鸿沟。 老一辈把手写论文、死记硬背当成“真学习”。 但对凯这一代AI原住民来说，ChatGPT就像他们小时候的计算器、图书馆、Google一样，是默认的基础设施。 当年禁止学生用计算器学乘法的老师，现在看来可笑至极。 今天禁止学生用ChatGPT写论文的老师，十年后也会是同一个笑话。 其实真正危险的从来都不是AI， 是教育系统一边假装AI不存在， 一边逼着学生偷偷摸摸用它。 结果就是，会用的学生偷偷把效率拉满，不会用的还在熬夜抄书。 没有人教他们怎么提出高质量的问题，怎么验证AI的幻觉，怎么把AI的输出变成自己的深度洞见。 而这些，才是未来10年最值钱的能力。 我相信AI不会让学生变笨， 它只会放大差距。 会用AI的人，一个人能顶以前一个团队。 不会用AI的人，会被时代甩得连尾灯都看不见。 我们的教育还在教学生怎么在没有AI的世界里生存， 但他们未来要面对的，是一个AI无处不在的世界。 所以这种拒绝变革的教育，最终只会培养出一批“在AI时代不会用AI”的人。 这才是对下一代未来最大的作弊。

AYi

696,982 просмотров • 2 месяцев назад

黄仁勋摊牌了。 他说，没有AI，英伟达已经造不出新芯片。 为什么？ 因为芯片设计的可能性太多，像个无穷的迷宫。 让人去探索，成本高得吓人，根本不现实。 现在他们怎么做？ 晚上工程师下班，AI大军开始上班。 在虚拟世界里，AI不眠不休地测试海量的设计方案。 找出最优解。 结果就是，芯片性能更高，能耗更低。 这套玩法还用在软件上。 写代码，优化，甚至抓Bug，现在都交给AI。 AI不仅能发现代码里的问题。 还能直接找到最该为这个Bug负责的工程师，然后派单给他。 黄仁勋的目标是把英伟达变成一个巨型AI。 技术上这确实是巨大飞跃。 但一个问题浮现了。 当设计、优化、甚至纠错都由AI主导时，人类工程师的角色是什么？ 他们是在指挥AI，还是在给AI的决策打补丁？ 如果一家公司的核心竞争力，变成了训练和使用AI的能力，那么人的创造力、直觉和经验，在价值排序里还剩多少？ 长期看，这会不会掏空一个国家最宝贵的智力资产，也就是顶尖工程师的实战能力。 依赖AI的捷径，会不会最终通向另一条被技术锁死的窄路？
0:50

黄仁勋摊牌了。 他说，没有AI，英伟达已经造不出新芯片。 为什么？ 因为芯片设计的可能性太多，像个无穷的迷宫。 让人去探索，成本高得吓人，根本不现实。 现在他们怎么做？ 晚上工程师下班，AI大军开始上班。 在虚拟世界里，AI不眠不休地测试海量的设计方案。 找出最优解。 结果就是，芯片性能更高，能耗更低。 这套玩法还用在软件上。 写代码，优化，甚至抓Bug，现在都交给AI。 AI不仅能发现代码里的问题。 还能直接找到最该为这个Bug负责的工程师，然后派单给他。 黄仁勋的目标是把英伟达变成一个巨型AI。 技术上这确实是巨大飞跃。 但一个问题浮现了。 当设计、优化、甚至纠错都由AI主导时，人类工程师的角色是什么？ 他们是在指挥AI，还是在给AI的决策打补丁？ 如果一家公司的核心竞争力，变成了训练和使用AI的能力，那么人的创造力、直觉和经验，在价值排序里还剩多少？ 长期看，这会不会掏空一个国家最宝贵的智力资产，也就是顶尖工程师的实战能力。 依赖AI的捷径，会不会最终通向另一条被技术锁死的窄路？

墓碑科技

285,280 просмотров • 5 месяцев назад

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。
6:21

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

214,713 просмотров • 1 год назад

黄仁勋：我每天都在用 AI，但 90% 的人用错 AI 他们把AI当拐杖... “我不是让它替我思考，而是让它教我不知道的东西，或帮我解决原本无法合理解决的问题。” “不要把AI当成拐杖，而要把它当成放大你思考的工具。” 大多数人都“用错了AI”，因为他们： 把AI当作偷懒的工具； 让AI替他们做该自己思考的事； 不去深挖问题，只是“让AI给答案”。 👉 换句话说，他们在降低自己的思考能力。 正确的AI使用方式 用AI拓展认知边界 → 让AI告诉他「他不知道的东西」； 用AI解决复杂问题 → 尤其是「自己无法合理解决的事」； 保持主动思考 → 永远由人主导问题，而不是由AI主导答案。 黄仁勋说： “问出好问题是一种高度认知的技能。” 作为CEO，他每天90%的时间都在问问题； 他下达的指令，其实都混杂在问题之中； 所以，提问本身就是思考和领导的方式。 💬 “你今天大部分时间都在问我问题。 提出好问题，本身就是一种高级认知。”
0:51

黄仁勋：我每天都在用 AI，但 90% 的人用错 AI 他们把AI当拐杖... “我不是让它替我思考，而是让它教我不知道的东西，或帮我解决原本无法合理解决的问题。” “不要把AI当成拐杖，而要把它当成放大你思考的工具。” 大多数人都“用错了AI”，因为他们： 把AI当作偷懒的工具； 让AI替他们做该自己思考的事； 不去深挖问题，只是“让AI给答案”。 👉 换句话说，他们在降低自己的思考能力。 正确的AI使用方式 用AI拓展认知边界 → 让AI告诉他「他不知道的东西」； 用AI解决复杂问题 → 尤其是「自己无法合理解决的事」； 保持主动思考 → 永远由人主导问题，而不是由AI主导答案。 黄仁勋说： “问出好问题是一种高度认知的技能。” 作为CEO，他每天90%的时间都在问问题； 他下达的指令，其实都混杂在问题之中； 所以，提问本身就是思考和领导的方式。 💬 “你今天大部分时间都在问我问题。 提出好问题，本身就是一种高级认知。”

小互

206,176 просмотров • 8 месяцев назад

现在满世界都在聊 AI。模型参数多大，算力芯片多贵，这种话题早就听腻了。 但大家似乎都刻意回避了一个最尴尬，也是最底层的事实。 如果一个 AI 代言你做了决定，或者直接替你操作了资金，最后出了差错，到底谁来负责。 在现在的现实世界里，这个问题其实已经开始有点失控了。 自动交易系统偶尔会莫名其妙地抽风。推荐算法在不停地误导用户的判断。 生成的内容里真假难辨。甚至在更严肃的医疗或者法律判断里，AI 的偏差也时有发生。现在的痛点从来不是 AI 会不会犯错。只要是程序，就一定会犯错。 真正的麻烦在于，当错误发生之后，现有的系统里根本没有任何结构可以去追责。 那些中心化的系统，给出的答案其实非常简单。 无非就是推卸责任，美其名欲说是系统升级，或者干脆直接删掉日志，当作什么都没发生。 但在一个由自主代理组成的未来世界里，这种做法是绝对行不通的。因为未来的 AI 不再只是一个问答对话框，它是要真正参与经济活动的个体。 Inference Labs 切入的角度非常有意思，也表现得很冷静。他们没有去跟风拼算力，也没有去卷模型性能。他们切入的是 AI 的责任结构。 他们有一个非常核心的假设。在未来，真正有价值的 AI，未必是那个智商最高的。而是那个可以向外界证明，自己到底做过什么的 AI。 这就是为什么他们搞的这套 Proof of Inference，本质上根本不是什么性能优化。它其实是一套在链上跑的问责机制。 当一个推理过程被证明确实执行过。当模型的运行路径可以被真实验证。当所有的结果都可以被第三方随时复查。这时候，AI 才算第一次具备了承担责任的能力。 这件事的意义，其实被现在的市场严重低估了。 因为只有当 AI 变得可以被追责，它才具备了进入高价值场景的入场券。如果没有这种透明的责任结构，你敢把成千上万的资金交给一个全自动的代理吗。 你敢让一个没有审计记录的 AI 去参与链上治理吗。你敢让企业级的风控系统完全交给一个黑盒吗。 没有问责能力的 AI，充其量只是一个好玩的电子玩具。只有具备了问责能力的 AI，才能真正踏入真实世界的金融和法律门槛。 Inference Labs 真正想构建的，其实是 AI 的责任层。他们不是要让 AI 跑得有多快。 他们是要让 AI 的每一步动作都留下无法抹除、无法抵赖的痕迹。 这也是为什么他们会选择先进入 Bittensor 生态。这不是为了蹭那点算力名气。 而是因为那里是第一个真正允许 AI 之间进行自主博弈、自主竞争的经济环境。 在那种 AI 开始真正参与经济活动的试验田里，一套清晰的责任结构，其实比模型提高那么一点点精度要重要得多。 这可能是一个很多人还没回过神来的拐点。大家还在沉迷于 AI 表现出来的聪明。 但 Inference Labs 已经开始在为 AI 的非理性行为修筑堤坝。这种踩点非常早，也显得非常老练。他们赌的是那个 AI 必须为自己行为负责的必然未来。 #inference_labs #KAITO
0:39

现在满世界都在聊 AI。模型参数多大，算力芯片多贵，这种话题早就听腻了。 但大家似乎都刻意回避了一个最尴尬，也是最底层的事实。 如果一个 AI 代言你做了决定，或者直接替你操作了资金，最后出了差错，到底谁来负责。 在现在的现实世界里，这个问题其实已经开始有点失控了。 自动交易系统偶尔会莫名其妙地抽风。推荐算法在不停地误导用户的判断。 生成的内容里真假难辨。甚至在更严肃的医疗或者法律判断里，AI 的偏差也时有发生。现在的痛点从来不是 AI 会不会犯错。只要是程序，就一定会犯错。 真正的麻烦在于，当错误发生之后，现有的系统里根本没有任何结构可以去追责。 那些中心化的系统，给出的答案其实非常简单。 无非就是推卸责任，美其名欲说是系统升级，或者干脆直接删掉日志，当作什么都没发生。 但在一个由自主代理组成的未来世界里，这种做法是绝对行不通的。因为未来的 AI 不再只是一个问答对话框，它是要真正参与经济活动的个体。 Inference Labs 切入的角度非常有意思，也表现得很冷静。他们没有去跟风拼算力，也没有去卷模型性能。他们切入的是 AI 的责任结构。 他们有一个非常核心的假设。在未来，真正有价值的 AI，未必是那个智商最高的。而是那个可以向外界证明，自己到底做过什么的 AI。 这就是为什么他们搞的这套 Proof of Inference，本质上根本不是什么性能优化。它其实是一套在链上跑的问责机制。 当一个推理过程被证明确实执行过。当模型的运行路径可以被真实验证。当所有的结果都可以被第三方随时复查。这时候，AI 才算第一次具备了承担责任的能力。 这件事的意义，其实被现在的市场严重低估了。 因为只有当 AI 变得可以被追责，它才具备了进入高价值场景的入场券。如果没有这种透明的责任结构，你敢把成千上万的资金交给一个全自动的代理吗。 你敢让一个没有审计记录的 AI 去参与链上治理吗。你敢让企业级的风控系统完全交给一个黑盒吗。 没有问责能力的 AI，充其量只是一个好玩的电子玩具。只有具备了问责能力的 AI，才能真正踏入真实世界的金融和法律门槛。 Inference Labs 真正想构建的，其实是 AI 的责任层。他们不是要让 AI 跑得有多快。 他们是要让 AI 的每一步动作都留下无法抹除、无法抵赖的痕迹。 这也是为什么他们会选择先进入 Bittensor 生态。这不是为了蹭那点算力名气。 而是因为那里是第一个真正允许 AI 之间进行自主博弈、自主竞争的经济环境。 在那种 AI 开始真正参与经济活动的试验田里，一套清晰的责任结构，其实比模型提高那么一点点精度要重要得多。 这可能是一个很多人还没回过神来的拐点。大家还在沉迷于 AI 表现出来的聪明。 但 Inference Labs 已经开始在为 AI 的非理性行为修筑堤坝。这种踩点非常早，也显得非常老练。他们赌的是那个 AI 必须为自己行为负责的必然未来。 #inference_labs #KAITO

紫川 | ∞KIN |

12,124 просмотров • 6 месяцев назад

传统软件正在走向死亡。 微软CEO纳德拉亲口描述了SaaS（软件即服务）的终结。 未来属于AI代理（AI Agent）。 为什么？ 因为商业的核心逻辑，正在从软件本身，转移到AI代理身上。 你现在买软件，是为了它写好的特定功能和规则。 但纳德拉认为，未来的软件应用，本质上会变成“哑巴数据库”或简单的工具。 所有智慧、决策和推理能力，都将掌握在AI代理手中。 AI代理会像一个大脑和工人，直接去更新那些“哑巴”数据库。 软件沦为商品，AI成为核心。 纳德拉以自家产品举例。 他说微软的Dynamics业务系统，正在朝这个方向奔。 AI代理将跨越所有后台，随意更新多个数据库。 所有的逻辑和智慧，都集中在AI层。 当AI成为唯一的逻辑中心时，人们就会开始替换掉旧的后台系统。 这不仅仅是客户关系管理（CRM），甚至财务和运营系统也是如此。 整个商业应用，都将被AI代理重塑和颠覆。 甚至连Excel这样的工具也不例外。 未来的Excel，会像一个初级数据分析师，而Copilot（AI）才是那个使用工具的高级专家。 AI会制定计划，然后调用Excel执行计划。 这背后隐藏着一个关键问题。 当所有商业逻辑和决策都集中到少数几家公司的AI“大脑”中，谁来保证竞争的公平性？ 当应用程序变成“哑巴”，创新和差异化的空间在哪里？ 这会不会是科技巨头们新一轮的权力集中，将中小企业的命运牢牢掌握在自己手中？ 这值得每一个创业者和决策者深思。
2:17

传统软件正在走向死亡。 微软CEO纳德拉亲口描述了SaaS（软件即服务）的终结。 未来属于AI代理（AI Agent）。 为什么？ 因为商业的核心逻辑，正在从软件本身，转移到AI代理身上。 你现在买软件，是为了它写好的特定功能和规则。 但纳德拉认为，未来的软件应用，本质上会变成“哑巴数据库”或简单的工具。 所有智慧、决策和推理能力，都将掌握在AI代理手中。 AI代理会像一个大脑和工人，直接去更新那些“哑巴”数据库。 软件沦为商品，AI成为核心。 纳德拉以自家产品举例。 他说微软的Dynamics业务系统，正在朝这个方向奔。 AI代理将跨越所有后台，随意更新多个数据库。 所有的逻辑和智慧，都集中在AI层。 当AI成为唯一的逻辑中心时，人们就会开始替换掉旧的后台系统。 这不仅仅是客户关系管理（CRM），甚至财务和运营系统也是如此。 整个商业应用，都将被AI代理重塑和颠覆。 甚至连Excel这样的工具也不例外。 未来的Excel，会像一个初级数据分析师，而Copilot（AI）才是那个使用工具的高级专家。 AI会制定计划，然后调用Excel执行计划。 这背后隐藏着一个关键问题。 当所有商业逻辑和决策都集中到少数几家公司的AI“大脑”中，谁来保证竞争的公平性？ 当应用程序变成“哑巴”，创新和差异化的空间在哪里？ 这会不会是科技巨头们新一轮的权力集中，将中小企业的命运牢牢掌握在自己手中？ 这值得每一个创业者和决策者深思。

墓碑科技

46,884 просмотров • 5 месяцев назад

Linus Torvalds 发飙了。 他在开源峰会上公开吐槽，每次听到有人吹嘘“现在 99% 的代码都是 AI 写的”，他就忍不住生气。 为什么？ 因为按这个逻辑，这些家伙 100% 的代码其实都是“编译器”生成的。 但他们怎么从来不这么说？ 其实是一个道理。 老爷子在台上开始唠家常： “我是写机器码长大的。” 注意，不是汇编语言，是真正的数字。 他到现在都记得，在 6502 芯片上，LDA 指令对应的十六进制是 A9。 当年他花了好长时间才意识到，天天人肉算跳转偏移量，简直蠢透了。 后来，人类发明了汇编器； 再后来，有了编译器； 现在，有了 AI。 这些工具都很好用，AI 正在改变编程，但它绝没有改变编程的根本。 至于 AI 带来的“效率神话”？ Linus 给出对比： “AI 很棒，它能把你的生产力提升 10 倍。” “但当年编译器的出现，把人类的生产力提升了 1000 倍！” 所以，这不过是又一次常规的工具演进。 事情的本质从未改变： 以前，优秀的开发者写出好代码，差劲的开发者写出 Bug。 现在，懂系统的人能用 Prompt 调教 AI 写出好代码； 而不懂系统复杂度的人，用 AI 攒出来的代码，最后一定会崩溃。 现在科技圈很流行“氛围编码”（Vibe Coding）。 就是用 AI 啪啪生成一个一次性项目，爽一把就扔。 Linus 说，这种玩具项目，AI 的确是神器。 但如果你想做点严肃的东西，做一个需要长线维护 35 年的系统（比如 Linux）。 你得懂你的 Prompt。 你必须看懂 AI 吐出来的每一行代码，甚至去盯它最底层的汇编结果。 祖师爷浇了盆冷水： AI 可以替你省去体力劳动。 但如果你连它写了什么都看不懂，那你永远只是在制造一次性垃圾。
4:44

Linus Torvalds 发飙了。 他在开源峰会上公开吐槽，每次听到有人吹嘘“现在 99% 的代码都是 AI 写的”，他就忍不住生气。 为什么？ 因为按这个逻辑，这些家伙 100% 的代码其实都是“编译器”生成的。 但他们怎么从来不这么说？ 其实是一个道理。 老爷子在台上开始唠家常： “我是写机器码长大的。” 注意，不是汇编语言，是真正的数字。 他到现在都记得，在 6502 芯片上，LDA 指令对应的十六进制是 A9。 当年他花了好长时间才意识到，天天人肉算跳转偏移量，简直蠢透了。 后来，人类发明了汇编器； 再后来，有了编译器； 现在，有了 AI。 这些工具都很好用，AI 正在改变编程，但它绝没有改变编程的根本。 至于 AI 带来的“效率神话”？ Linus 给出对比： “AI 很棒，它能把你的生产力提升 10 倍。” “但当年编译器的出现，把人类的生产力提升了 1000 倍！” 所以，这不过是又一次常规的工具演进。 事情的本质从未改变： 以前，优秀的开发者写出好代码，差劲的开发者写出 Bug。 现在，懂系统的人能用 Prompt 调教 AI 写出好代码； 而不懂系统复杂度的人，用 AI 攒出来的代码，最后一定会崩溃。 现在科技圈很流行“氛围编码”（Vibe Coding）。 就是用 AI 啪啪生成一个一次性项目，爽一把就扔。 Linus 说，这种玩具项目，AI 的确是神器。 但如果你想做点严肃的东西，做一个需要长线维护 35 年的系统（比如 Linux）。 你得懂你的 Prompt。 你必须看懂 AI 吐出来的每一行代码，甚至去盯它最底层的汇编结果。 祖师爷浇了盆冷水： AI 可以替你省去体力劳动。 但如果你连它写了什么都看不懂，那你永远只是在制造一次性垃圾。

墓碑科技

66,411 просмотров • 8 дней назад

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

300,822 просмотров • 1 год назад

谷歌前首席商务官Mo Gawdat聊到了AI时代的教育观，并且分享了四个教育策略： 1.真正学会使用AI：别把人工智能用在平庸的事情上，而是用在能帮助我们提升自身能力、工作效率以及生活水平的事情上。避免孩子们在基础应用中丧失思维的主动性。 2.重视人与人的链接：AI无法真正取代人与人交流互动之间的那种温度。当智力廉价化，“真实的人际连接”将成为真正宝贵的资源。感官反馈、共情能力、线下社交的温度等等，这些是AI永远无法模拟的物理壁垒。孩子需要培养在物理世界中建立信任、共情及面对面协作的能力。 3.教育孩子伦理：Mo Gawdat在他的书《Scary Smart》中提出：AI 并没有自己的意识，它是通过观察和模仿人类来进化的。因此，教育孩子“有所为，有所不为”不仅是为了塑造其个人价值观，更是为了在与AI互动中传递正向的伦理信号。在AI时代，孩子对行为边界的把握，直接决定了其作为“决策者”而非“执行工具”的人格高度。 4.分辨真相的能力：在算法推荐与合成媒体普及的背景下，信息的真伪成本极高。教育的防线在于培养孩子的批判性思维、逻辑辩论与交叉验证能力。这不仅是防止被算法欺骗的手段，更是为了确保孩子们在真伪信息洪流中，依然具备独立审视真相的能力。 总结：在这个万物皆可AI的时代，唯有“人性本质”不可替代。
3:04

谷歌前首席商务官Mo Gawdat聊到了AI时代的教育观，并且分享了四个教育策略： 1.真正学会使用AI：别把人工智能用在平庸的事情上，而是用在能帮助我们提升自身能力、工作效率以及生活水平的事情上。避免孩子们在基础应用中丧失思维的主动性。 2.重视人与人的链接：AI无法真正取代人与人交流互动之间的那种温度。当智力廉价化，“真实的人际连接”将成为真正宝贵的资源。感官反馈、共情能力、线下社交的温度等等，这些是AI永远无法模拟的物理壁垒。孩子需要培养在物理世界中建立信任、共情及面对面协作的能力。 3.教育孩子伦理：Mo Gawdat在他的书《Scary Smart》中提出：AI 并没有自己的意识，它是通过观察和模仿人类来进化的。因此，教育孩子“有所为，有所不为”不仅是为了塑造其个人价值观，更是为了在与AI互动中传递正向的伦理信号。在AI时代，孩子对行为边界的把握，直接决定了其作为“决策者”而非“执行工具”的人格高度。 4.分辨真相的能力：在算法推荐与合成媒体普及的背景下，信息的真伪成本极高。教育的防线在于培养孩子的批判性思维、逻辑辩论与交叉验证能力。这不仅是防止被算法欺骗的手段，更是为了确保孩子们在真伪信息洪流中，依然具备独立审视真相的能力。 总结：在这个万物皆可AI的时代，唯有“人性本质”不可替代。

傅盛

24,769 просмотров • 5 месяцев назад

YC 刚刚扔出的这份创业指南， 直接把未来公司的形态重新定义了。 他们不是教你怎么用AI提高效率，而是告诉你怎么用AI重新发明公司。 因为AI不再是工具，而是公司的操作系统（OS）。 传统公司是“人驱动 + AI辅助”， AI原生公司要彻底反过来： 让AI成为核心决策、执行和反馈闭环，把人力降到最低。 以下是YC笔记核心要点（逐条拆解）： 1. AI as Operating System 每一条工作流、每一个决策、每一个流程都必须流经智能层。正确的人 + AI，就能干以前整个团队的活。 2. Closed Loops Everywhere（到处都是闭环） 传统公司是开放循环：做决定 → 执行 → 结束。AI-native公司要把所有重要流程变成自调节闭环——AI持续监控、对比目标、自动迭代。 3. Make Your Company Queryable（让公司对AI完全可读） 所有会议自动记录，所有决策留下artifact（文档、日志、指标）。AI能查到的信息，和任何一个员工一样丰富。建立覆盖营收、销售、工程、招聘、运营的自定义仪表盘。 4. Software Factories（软件工厂） 人类只负责写Spec（规格） + 测试用例（定义什么是成功）。 AI Agent负责生成代码、迭代调试，直到所有测试通过。 已经有公司的代码仓库里没有一行手写代码，只有规格和测试框架。 5. No More Human Middleware（消灭人力中间件） 经典管理层级不再有意义。公司速度 = 信息流动速度，去掉一层人力路由，就直接提速。 6. 三种员工原型（引用Jack Dorsey） • IC / Builder-Operator：每个人都是建造者，开会带原型而不是PPT。 • DRI（Directly Responsible Individual）：一人对一个客户结果负责，无处可藏。 • AI Founder：创始人必须亲自站在一线写prompt、调Agent。 7. Token-max, not Headcount-max 以前拼人头数，现在拼Token数。 愿意承受“看起来离谱”的API账单，因为它取代的是更贵、更慢的人力成本。工程、设计、HR、行政团队将大幅精简。 8. 早期公司的千倍速优势 没有遗留系统、没有臃肿org chart、没有几千人需要再培训。 你在白纸上直接画AI操作系统，大公司在Windows XP上强行装Windows 11，每一步都可能蓝屏。 最狠的一句话是： “你无法把对这些工具的信仰外包出去。创始人必须亲自坐下来狂用编码Agent才能真正信服。” 最后总结： 过去20年软件吃掉了世界，接下来10年AI会吃掉公司内部的所有运营。 公司不再是人的集合，而是一个个自迭代的智能闭环的集合。 现在（2026年）就是最好的窗口。再过两三年，大公司完成痛苦转型后，这个优势会大幅缩小。 别再用传统方式搭公司了——你正在和速度是你一千倍的对手赛跑。
10:19

YC 刚刚扔出的这份创业指南， 直接把未来公司的形态重新定义了。 他们不是教你怎么用AI提高效率，而是告诉你怎么用AI重新发明公司。 因为AI不再是工具，而是公司的操作系统（OS）。 传统公司是“人驱动 + AI辅助”， AI原生公司要彻底反过来： 让AI成为核心决策、执行和反馈闭环，把人力降到最低。 以下是YC笔记核心要点（逐条拆解）： 1. AI as Operating System 每一条工作流、每一个决策、每一个流程都必须流经智能层。正确的人 + AI，就能干以前整个团队的活。 2. Closed Loops Everywhere（到处都是闭环） 传统公司是开放循环：做决定 → 执行 → 结束。AI-native公司要把所有重要流程变成自调节闭环——AI持续监控、对比目标、自动迭代。 3. Make Your Company Queryable（让公司对AI完全可读） 所有会议自动记录，所有决策留下artifact（文档、日志、指标）。AI能查到的信息，和任何一个员工一样丰富。建立覆盖营收、销售、工程、招聘、运营的自定义仪表盘。 4. Software Factories（软件工厂） 人类只负责写Spec（规格） + 测试用例（定义什么是成功）。 AI Agent负责生成代码、迭代调试，直到所有测试通过。 已经有公司的代码仓库里没有一行手写代码，只有规格和测试框架。 5. No More Human Middleware（消灭人力中间件） 经典管理层级不再有意义。公司速度 = 信息流动速度，去掉一层人力路由，就直接提速。 6. 三种员工原型（引用Jack Dorsey） • IC / Builder-Operator：每个人都是建造者，开会带原型而不是PPT。 • DRI（Directly Responsible Individual）：一人对一个客户结果负责，无处可藏。 • AI Founder：创始人必须亲自站在一线写prompt、调Agent。 7. Token-max, not Headcount-max 以前拼人头数，现在拼Token数。 愿意承受“看起来离谱”的API账单，因为它取代的是更贵、更慢的人力成本。工程、设计、HR、行政团队将大幅精简。 8. 早期公司的千倍速优势 没有遗留系统、没有臃肿org chart、没有几千人需要再培训。 你在白纸上直接画AI操作系统，大公司在Windows XP上强行装Windows 11，每一步都可能蓝屏。 最狠的一句话是： “你无法把对这些工具的信仰外包出去。创始人必须亲自坐下来狂用编码Agent才能真正信服。” 最后总结： 过去20年软件吃掉了世界，接下来10年AI会吃掉公司内部的所有运营。 公司不再是人的集合，而是一个个自迭代的智能闭环的集合。 现在（2026年）就是最好的窗口。再过两三年，大公司完成痛苦转型后，这个优势会大幅缩小。 别再用传统方式搭公司了——你正在和速度是你一千倍的对手赛跑。

AYi

28,240 просмотров • 2 месяцев назад

英伟达的黄仁勋，刚刚在CNBC上说漏嘴了。 他说AI需要一个“记录系统”。 干什么用？ 用来核实什么是“真相”。 他管这个叫“Ground Truth”，事实来源。 AI产生的所有信息，都要回到这个系统里进行最终确认。 听起来是不是很耳熟？ 一个中心化的、最终的真相裁决者。 以后AI告诉你的一切，都来自这个“记录系统”。 你以为你在跟AI对话。 其实你只是在读取一个预设的“真相数据库”。 那问题就来了。 谁来建立这个系统？ 谁有权往里面写入“真相”？ 如果记录本身就是错的，或者被篡改了，AI要如何分辨？ 这不就是数字时代的真理部吗？
0:36

英伟达的黄仁勋，刚刚在CNBC上说漏嘴了。 他说AI需要一个“记录系统”。 干什么用？ 用来核实什么是“真相”。 他管这个叫“Ground Truth”，事实来源。 AI产生的所有信息，都要回到这个系统里进行最终确认。 听起来是不是很耳熟？ 一个中心化的、最终的真相裁决者。 以后AI告诉你的一切，都来自这个“记录系统”。 你以为你在跟AI对话。 其实你只是在读取一个预设的“真相数据库”。 那问题就来了。 谁来建立这个系统？ 谁有权往里面写入“真相”？ 如果记录本身就是错的，或者被篡改了，AI要如何分辨？ 这不就是数字时代的真理部吗？

墓碑科技

91,488 просмотров • 4 месяцев назад

黄仁勋被问到如果自己是今天的学生，会先学什么 他的回答不是编程，不是数学，是学 AI 但他说的"学AI"不是让你去研究底层算法，是学会怎么跟 AI 交互 他的原话是：学会跟 AI 对话，本质上就是学会成为一个擅长提问的人 要问得好，你需要两样东西：专业知识和表达的艺术性。你得知道自己领域的东西，然后用 AI 听得懂的方式把需求说清楚 这个能力他管它叫"提示词工程"，但其实不用想得那么技术化。说白了就是：你能不能把一个模糊的想法，拆解成AI能执行的具体指令 不管你学什么专业、做什么工作，他觉得你都应该问自己一个问题："我怎么用 AI 来更好地完成我现在的工作？"
1:05

黄仁勋被问到如果自己是今天的学生，会先学什么 他的回答不是编程，不是数学，是学 AI 但他说的"学AI"不是让你去研究底层算法，是学会怎么跟 AI 交互 他的原话是：学会跟 AI 对话，本质上就是学会成为一个擅长提问的人 要问得好，你需要两样东西：专业知识和表达的艺术性。你得知道自己领域的东西，然后用 AI 听得懂的方式把需求说清楚 这个能力他管它叫"提示词工程"，但其实不用想得那么技术化。说白了就是：你能不能把一个模糊的想法，拆解成AI能执行的具体指令 不管你学什么专业、做什么工作，他觉得你都应该问自己一个问题："我怎么用 AI 来更好地完成我现在的工作？"

Vincent | 信号＞噪音

18,700 просмотров • 18 дней назад

普通人到底该怎么用AI变现？ 直到我看到了Chris Camillo的最新分享，我感觉瞬间通透了 他是一个把2万美元滚雪球做到4000万的传奇散户。 他发现了一个AI行业的巨大信息差。想要降维打击，就得把AI推销给完全不用的人，那些修空调的、通下水道的、搞绿化的老板。 你直接走进一家本地生活公司，让经理把他们老板叫出来，然后告诉他你是做AI的。不要扯什么大模型、算力、AGI 这些虚头巴脑的词。你只问他一个问题：你们现在的业务里，哪个环节最让你觉得利润效率低？ 这时候，你的机会就来了。 你告诉他，你能帮他解决这个问题。利用现在的AI Agent生态，比如像OpenClaw这样的自动化工具，你完全可以在24小时内帮他搭建一个专属的AI代理。 你只要把这个能力不断复制。找到20家、50家本地企业，每个月收着稳定的服务费，一年300万的收入就跑通了。
1:25

普通人到底该怎么用AI变现？ 直到我看到了Chris Camillo的最新分享，我感觉瞬间通透了 他是一个把2万美元滚雪球做到4000万的传奇散户。 他发现了一个AI行业的巨大信息差。想要降维打击，就得把AI推销给完全不用的人，那些修空调的、通下水道的、搞绿化的老板。 你直接走进一家本地生活公司，让经理把他们老板叫出来，然后告诉他你是做AI的。不要扯什么大模型、算力、AGI 这些虚头巴脑的词。你只问他一个问题：你们现在的业务里，哪个环节最让你觉得利润效率低？ 这时候，你的机会就来了。 你告诉他，你能帮他解决这个问题。利用现在的AI Agent生态，比如像OpenClaw这样的自动化工具，你完全可以在24小时内帮他搭建一个专属的AI代理。 你只要把这个能力不断复制。找到20家、50家本地企业，每个月收着稳定的服务费，一年300万的收入就跑通了。

Annie 所长

17,740 просмотров • 2 месяцев назад