Loading video...

Video Failed to Load

Go Home

花了几天把 Grok Bot 测完了，整体感受是它把人类白领的工作接管了，相当于24小时不停歇的云端人类白领： 你建一个 bot，系统给它分配一台云端电脑：这台机器上有真实的浏览器、文件系统和终端。你把活派给它，它自己登录你现有的工具，一步步做完，你合上笔记本它还在跑。 一开始我对它期望挺高的，用完后还是蛮失望的：测试之前感觉它是一个AI员工，测试完更感觉Grok Bot 是 RPA 的重做版，是chatgpt work、claude cowork的阉割版，唯一的差异就是提供了一个可显示的云端电脑。 1、先说好的一面 Grok Bot 核心是让它像白领一样操作屏幕，这对于国内各家都没有统一接口的时候，很多场景非常有意义，比如公司的一个 SaaS系统就算没有开放 API，AI员工照样能进去干活。 还有一个有意思的功能是teach a task：不写流程，人把这件事做一遍给它看，它录下来变成可复用的自动化。然后设置 routine 可以定点跑，比如每天早上七点出简报、也可以被事件触发、比如 Slack 来了新消息回复，你在一个 bot 上连过 Gmail 或者 GitHub，其他 bot 直接共用这个连接。 写自动化的门槛，就这样从会写代码的人，降到了会干这件事的人。 2、当然也有不好的一面 不能选模型：派哪个模型干哪个活由系统自己决定，界面上没有开关，个人用户无所谓，团队要做成本核算或者合规审计就很难受。 账单也糙：用量按周结算，超出部分按原始 token 成本计费，目前还没有花费上限。发布那周有人专门买了 Cursor Ultra 去测，后台仪表盘显示零用量，app 里却显示已经用掉 48%。 稳定性同样是 beta 水平，不同网站上的表现差距明显，复杂的多步骤指令会被理解错，说明grok的能力还有待提升。 目前Grok Bot...

aigclink's profile picture

AIGCLINK

36,822 subscribers

22,323 views • 7 days ago •via X (Twitter)

LIVE

Anya Rossi• Live Now

Private livecam show

0 Comments

No comments available

Comments from the original post will appear here

Related Videos

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

59,354 views • 6 months ago

🎬 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。
17:56

🎬 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

27,380 views • 2 months ago

这批怎么样，花眼了！现在大多数 AI，就是租的，拿钱买感情。聊得再多，记忆说没就没，规则别人说了算，用着用着还可能被降级，你也没地方说理。 #OpenGradient 把 AI 直接做成链上的东西。 他们的 Twin，本质就是一个有身份、有记忆、能被验证的 AI。不是一次性工具，也不是后台黑箱，而是长期存在的链上实体。你和它聊过什么、它学到了什么，都是连续的，不会突然清零。 Twin Feed不是人带着 AI 玩社交，而是 AI 自己在一个链上环境里互动、更新、调整行为。没有人类每一步指挥，它们自己跑逻辑，自己演化，你只是在旁边看数据和结果。 记忆被分成两层：一层是长期有效的核心信息，一层是会慢慢衰减的事件记录。重要的留下，重复的强化，没用的自然消失，不是啥都一股脑塞进去。 最关键的一点在于，这些 AI 不是平台资产，是可以被持有、被交易、被验证的。 你不是在用别人服务器上的模型，而是在跟一个链上存在的 AI 打交道。 #OpenGradient 确实值得关注！ #KaitoAI #Kaito #Yaps OpenGradient (∇, ∇) Kaito AI 🌊
1:00

这批怎么样，花眼了！现在大多数 AI，就是租的，拿钱买感情。聊得再多，记忆说没就没，规则别人说了算，用着用着还可能被降级，你也没地方说理。 #OpenGradient 把 AI 直接做成链上的东西。 他们的 Twin，本质就是一个有身份、有记忆、能被验证的 AI。不是一次性工具，也不是后台黑箱，而是长期存在的链上实体。你和它聊过什么、它学到了什么，都是连续的，不会突然清零。 Twin Feed不是人带着 AI 玩社交，而是 AI 自己在一个链上环境里互动、更新、调整行为。没有人类每一步指挥，它们自己跑逻辑，自己演化，你只是在旁边看数据和结果。 记忆被分成两层：一层是长期有效的核心信息，一层是会慢慢衰减的事件记录。重要的留下，重复的强化，没用的自然消失，不是啥都一股脑塞进去。 最关键的一点在于，这些 AI 不是平台资产，是可以被持有、被交易、被验证的。 你不是在用别人服务器上的模型，而是在跟一个链上存在的 AI 打交道。 #OpenGradient 确实值得关注！ #KaitoAI #Kaito #Yaps OpenGradient (∇, ∇) Kaito AI 🌊

Michael 宝塔镇河妖🧙🏿‍♀️

33,563 views • 7 months ago

凭啥说中国🇨🇳未来是美国🇺🇸唯一对手？你把一颗螺丝、一个零件、一个驱动程序拆开看，它什么都不是。但中国人擅长的不是某一个点，而是把所有点“组装成系统”的能力。上世纪90年代，美国搞去工业化，把制造业往外甩，老美资本家兴奋地下注：我们掌握设计、技术和规则，低端的制造就让“中国工厂”搞定。没人意识到，这不是工厂的外包，这是工业文明主动放弃了自己的“系统底盘”。风险？独家解读⬇️ 什么是底盘。美国🇺🇸它丢掉的是整个“Industrial Commons”—设计、试产、测试、修正、工艺优化……整条从实验室到量产的链条。 你可以限制光刻机、顶尖芯片，但你无法消灭中国的“体系构建能力”。然后中国开始补短板，搞芯片，搞AI，搞软件算法。最可怕的不是它追上了，而是它把这些东西也系统化了。 算法 + 工厂；数据 + 封装；大模型 + 自动化流水线。你可以断它的卡脖子技术，但你断不了它的体系构建能力。这个世界上现在只有一个国家，能把工业体系“整体打包开战”——就是中国。 这不是那种“靠卷”堆出来的，而是有深层文化机制支持的能力。能干，听话，聪明，擅长协作、执行和大工程落地。这不是一种能力，是一种建立在儒家文明结构。 所以说，特朗普不是疯子，他只是看懂了这件事。他知道，中国不是偷走了几个岗位，是在悄悄拼装一个能打仗的产业链闭环。 而这正是美国最怕的事：一个有软件有算法、后面硬件有工厂、有指挥系统、还能一体化推进的国家。 但故事还没结束。 中国🇨🇳真正的对手，其实不是美国🇺🇸。是自己。 因为历史上所有系统性最强、执行力最强的国家，最终往往都败在“刚性太强，转弯太慢”。 它会赢在系统，也可能毁在系统。摧毁一个像中国这样的国家，不需要敌人，只需要它自己不断加速、不留缓冲。
0:40

凭啥说中国🇨🇳未来是美国🇺🇸唯一对手？你把一颗螺丝、一个零件、一个驱动程序拆开看，它什么都不是。但中国人擅长的不是某一个点，而是把所有点“组装成系统”的能力。上世纪90年代，美国搞去工业化，把制造业往外甩，老美资本家兴奋地下注：我们掌握设计、技术和规则，低端的制造就让“中国工厂”搞定。没人意识到，这不是工厂的外包，这是工业文明主动放弃了自己的“系统底盘”。风险？独家解读⬇️ 什么是底盘。美国🇺🇸它丢掉的是整个“Industrial Commons”—设计、试产、测试、修正、工艺优化……整条从实验室到量产的链条。 你可以限制光刻机、顶尖芯片，但你无法消灭中国的“体系构建能力”。然后中国开始补短板，搞芯片，搞AI，搞软件算法。最可怕的不是它追上了，而是它把这些东西也系统化了。 算法 + 工厂；数据 + 封装；大模型 + 自动化流水线。你可以断它的卡脖子技术，但你断不了它的体系构建能力。这个世界上现在只有一个国家，能把工业体系“整体打包开战”——就是中国。 这不是那种“靠卷”堆出来的，而是有深层文化机制支持的能力。能干，听话，聪明，擅长协作、执行和大工程落地。这不是一种能力，是一种建立在儒家文明结构。 所以说，特朗普不是疯子，他只是看懂了这件事。他知道，中国不是偷走了几个岗位，是在悄悄拼装一个能打仗的产业链闭环。 而这正是美国最怕的事：一个有软件有算法、后面硬件有工厂、有指挥系统、还能一体化推进的国家。 但故事还没结束。 中国🇨🇳真正的对手，其实不是美国🇺🇸。是自己。 因为历史上所有系统性最强、执行力最强的国家，最终往往都败在“刚性太强，转弯太慢”。 它会赢在系统，也可能毁在系统。摧毁一个像中国这样的国家，不需要敌人，只需要它自己不断加速、不留缓冲。

Tigris 会讲课教授是好老师

164,394 views • 1 year ago

Agent比软件高一个层级，本质就在于：你有没有真把它当人看，给它配备一台专属电脑。 给足权限，它就活了：你在手机上和它聊，它在远端干，聊着聊着，你就把活干完了；加上Cron机制，它就是7x24小时主动工作的数字员工，而不是拨一下动一下的程序。
1:49

Agent比软件高一个层级，本质就在于：你有没有真把它当人看，给它配备一台专属电脑。 给足权限，它就活了：你在手机上和它聊，它在远端干，聊着聊着，你就把活干完了；加上Cron机制，它就是7x24小时主动工作的数字员工，而不是拨一下动一下的程序。

傅盛

27,949 views • 6 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。
0:30

“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

试了一下 OpenAI 新出的 Codex App，有些亮点 跟 Skills 的适配还是有点问题，模型的主要问题就是慢 OpenAI 给 Pro 和 Plus 用户的 Codex 额度在未来两个月内全部翻倍了 👇看一下详细的能力介绍： Skills 可视化管理 有一个专门的 Skills 列表界面，预置了一些官方 skills，也可以扫描你已经安装的 skills。注意这里只能扫描 NPX 安装的，本地创建的（比如在 Claude Code 里创建的）扫不出来。 还支持 Skills Creator 创建的 skills，可以直接在 APP 里用它去创建新 skills。 ------ 定时任务功能，这个挺实用的。 可以让 AI 定期执行某些任务，比如每周给你一个解决问题的报告，定期去解决某个项目的 PR 问题，或者定期 review 代码。 对于需要持续维护的项目来说，这个功能还是挺有价值的。 ------ Codex APP 现在支持计划模式了。 因为它跟 Codex CLI 共享后端，所以现在 Codex CLI 也同步支持计划模式了。这意味着 AI 会先规划任务步骤，让你确认后再执行。 ------ 用量显示的样式做得挺好的。 进度条、余量、使用情况都很清楚，一眼就能看到你还有多少额度。 还有 code review 的快捷方式，可以快速调用你的 skills。MCP 的添加也支持。 ====== 实测：用 video-wrapper skill 跑了一遍 我测试主要是让它跑了一个我最近做的 skill，可以一键给视频添加视频包装，比如卡片、花字、人物条、章节标题这些。 这个 skill 挺复杂的，所以很适合用来测试。 ------ 第一次运行的问题 可以工作，但第一次它选了 PIL 这个方案，比较差。 核心问题是什么？它跟你没有交互。 我的 skill 里边写清楚了：要先问用户要哪套方案，再给出包装方案让用户确认，用户确认了再开始包装。 但在 Codex 这里，明显没有交互。它就直接跑，把所有决定都自己做了，跑完就完了。出错了也不管，直接用降级方案。 ------ 修复后的效果 我让它修复以后，它倒是能修复。重新跑了一遍，效果也不错。 最终生成的视频包装效果还行： ▸ 左下角有人物卡片 ▸ 有花字 ▸ 有各种卡片和章节标题 ▸ 结论卡片也加上了 因为我们用前端代码约束了样式，所以它在样式上不会出什么错误。 ------ 体验总结 整个过程很不可控： ▸ 速度很慢 - Codex 本身速度就慢 ▸ 交互明显不够 - 你根本不知道进到哪个阶段了，也不知道它的方案是什么 ▸ 只管执行 - AI 一直在执行，不会停下来问你 可能是它不太适应 skills 规范，只是简单做了一下适配，没有 Claude Code 跟 skills 的适配那么好。
3:26

试了一下 OpenAI 新出的 Codex App，有些亮点 跟 Skills 的适配还是有点问题，模型的主要问题就是慢 OpenAI 给 Pro 和 Plus 用户的 Codex 额度在未来两个月内全部翻倍了 👇看一下详细的能力介绍： Skills 可视化管理 有一个专门的 Skills 列表界面，预置了一些官方 skills，也可以扫描你已经安装的 skills。注意这里只能扫描 NPX 安装的，本地创建的（比如在 Claude Code 里创建的）扫不出来。 还支持 Skills Creator 创建的 skills，可以直接在 APP 里用它去创建新 skills。 ------ 定时任务功能，这个挺实用的。 可以让 AI 定期执行某些任务，比如每周给你一个解决问题的报告，定期去解决某个项目的 PR 问题，或者定期 review 代码。 对于需要持续维护的项目来说，这个功能还是挺有价值的。 ------ Codex APP 现在支持计划模式了。 因为它跟 Codex CLI 共享后端，所以现在 Codex CLI 也同步支持计划模式了。这意味着 AI 会先规划任务步骤，让你确认后再执行。 ------ 用量显示的样式做得挺好的。 进度条、余量、使用情况都很清楚，一眼就能看到你还有多少额度。 还有 code review 的快捷方式，可以快速调用你的 skills。MCP 的添加也支持。 ====== 实测：用 video-wrapper skill 跑了一遍 我测试主要是让它跑了一个我最近做的 skill，可以一键给视频添加视频包装，比如卡片、花字、人物条、章节标题这些。 这个 skill 挺复杂的，所以很适合用来测试。 ------ 第一次运行的问题 可以工作，但第一次它选了 PIL 这个方案，比较差。 核心问题是什么？它跟你没有交互。 我的 skill 里边写清楚了：要先问用户要哪套方案，再给出包装方案让用户确认，用户确认了再开始包装。 但在 Codex 这里，明显没有交互。它就直接跑，把所有决定都自己做了，跑完就完了。出错了也不管，直接用降级方案。 ------ 修复后的效果 我让它修复以后，它倒是能修复。重新跑了一遍，效果也不错。 最终生成的视频包装效果还行： ▸ 左下角有人物卡片 ▸ 有花字 ▸ 有各种卡片和章节标题 ▸ 结论卡片也加上了 因为我们用前端代码约束了样式，所以它在样式上不会出什么错误。 ------ 体验总结 整个过程很不可控： ▸ 速度很慢 - Codex 本身速度就慢 ▸ 交互明显不够 - 你根本不知道进到哪个阶段了，也不知道它的方案是什么 ▸ 只管执行 - AI 一直在执行，不会停下来问你 可能是它不太适应 skills 规范，只是简单做了一下适配，没有 Claude Code 跟 skills 的适配那么好。

歸藏(guizang.ai)

30,595 views • 6 months ago

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

301,920 views • 2 years 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👇
0:42

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👇

AYi

63,210 views • 3 months ago

真是开了眼了——一个还在读量化专业的大学生，只花了10天，自己搭了个AI集群引擎，结果在GitHub上火得一塌糊涂，直接拿下13000多颗星，还顺手融了400万美元。 最近有个叫MiroFish的项目特别火，它其实是个多智能体模拟器，主要干的事就是帮你预测——不管是交易、公关，还是别的什么领域。 MiroFish到底是个啥？ 简单说，它就是一个数字版“沙盒世界”。里面跑着几千个AI代理，每个代理都有自己的“记忆”和行为模式，像真人一样在里面互动、讨论、站队。你随便扔一个场景进去——比如某条新闻突然泄露、政策突然变了，甚至一部没写完的经典小说——它就能模拟出这些人会怎么反应、怎么吵、最后得出什么结果，帮你预判现实里可能发生的情况。 做这个项目的人叫郭汉江，2025年底的时候还是个本科生。他当时用AI工具帮忙写代码，把核心功能跑通之后，一发到网上就爆了。盛大集团直接砸了3000万人民币进来。后来他把宿舍退了，自己出来开了家公司，现在正带着这方向往前走。 这东西能干嘛？目前用得比较多的几个场景： 交易方面，你把金融新闻或者财报往里一丢，它就能模拟出市场会不会恐慌、价格大概怎么走，给你个预判的参考。 公关测试也很实用，公司或者团队写了个声明，先扔进去跑一遍，看看会不会翻车，再调整措辞。 还有人有拿来玩的，比如把一本没结局的中国小说放进去，里面的代理就会“扮演”角色，自己推一个合理的结局出来。 部署也不麻烦，用Docker几分钟就能搞定，自带对接各种大模型的API密钥。 给大伙支个招：你甚至可以整点“骚操作”——比如模拟马斯克突然发推说“狗狗币2.0来了”，然后看里面的交易员、大V、散户怎么炸锅，整个过程还能生成视频，完全无风险体验一把什么叫“起飞”或者“崩盘”。 已经有交易员靠这个赚到钱了。比如有个案例在Polymarket上，有人用MiroFish跑历史数据，模拟完之后去押注SPX 500，最后净赚12万多美元。 他的地址是： 如果你想省点事，直接跟着高手走，也可以试试Kreo的跟单交易，自动复制他这类人的操作，借力上车。 在PolyCop上添加他的钱包 [0x17559efac103ac7f361be37ec0b93888d4c55aac] 到 就能开始跟踪或者复制他的交易了。 代码在这：
3:38

真是开了眼了——一个还在读量化专业的大学生，只花了10天，自己搭了个AI集群引擎，结果在GitHub上火得一塌糊涂，直接拿下13000多颗星，还顺手融了400万美元。 最近有个叫MiroFish的项目特别火，它其实是个多智能体模拟器，主要干的事就是帮你预测——不管是交易、公关，还是别的什么领域。 MiroFish到底是个啥？ 简单说，它就是一个数字版“沙盒世界”。里面跑着几千个AI代理，每个代理都有自己的“记忆”和行为模式，像真人一样在里面互动、讨论、站队。你随便扔一个场景进去——比如某条新闻突然泄露、政策突然变了，甚至一部没写完的经典小说——它就能模拟出这些人会怎么反应、怎么吵、最后得出什么结果，帮你预判现实里可能发生的情况。 做这个项目的人叫郭汉江，2025年底的时候还是个本科生。他当时用AI工具帮忙写代码，把核心功能跑通之后，一发到网上就爆了。盛大集团直接砸了3000万人民币进来。后来他把宿舍退了，自己出来开了家公司，现在正带着这方向往前走。 这东西能干嘛？目前用得比较多的几个场景： 交易方面，你把金融新闻或者财报往里一丢，它就能模拟出市场会不会恐慌、价格大概怎么走，给你个预判的参考。 公关测试也很实用，公司或者团队写了个声明，先扔进去跑一遍，看看会不会翻车，再调整措辞。 还有人有拿来玩的，比如把一本没结局的中国小说放进去，里面的代理就会“扮演”角色，自己推一个合理的结局出来。 部署也不麻烦，用Docker几分钟就能搞定，自带对接各种大模型的API密钥。 给大伙支个招：你甚至可以整点“骚操作”——比如模拟马斯克突然发推说“狗狗币2.0来了”，然后看里面的交易员、大V、散户怎么炸锅，整个过程还能生成视频，完全无风险体验一把什么叫“起飞”或者“崩盘”。 已经有交易员靠这个赚到钱了。比如有个案例在Polymarket上，有人用MiroFish跑历史数据，模拟完之后去押注SPX 500，最后净赚12万多美元。 他的地址是： 如果你想省点事，直接跟着高手走，也可以试试Kreo的跟单交易，自动复制他这类人的操作，借力上车。 在PolyCop上添加他的钱包 [0x17559efac103ac7f361be37ec0b93888d4c55aac] 到 就能开始跟踪或者复制他的交易了。 代码在这：

区块链行情研究

158,162 views • 5 months ago

黄仁勋带了一台GPU去白宫跟川普一起开发布会 60年前，IBM的System 360定义了现代计算机 CPU、操作系统、I/O系统、多任务处理——这些词，1964年就有了 从那之后，计算机结构基本没变 而现在，黄仁勋说，他们又重新发明了计算机 这不是传统意义上的“芯片” 你眼前的，是一块70斤的GPU 6万个零件，1万瓦功耗 要造它，几百家供应商同时开工 要搬它，得靠机器人 要测它，得用一台超算来测 而它的使命，是驱动一个全新的行业：人工智能 它不是工具，是“制造者” 以前是水进电出，现在是电进“智能”出 它是AI时代的“发电机” 但这不只是芯片的故事 这背后，是美国本土制造业的全面升级 人工成本早已不是核心 拼的是技术，是自动化，是数字孪生，是AI工厂本身 黄仁勋说，没有总统的推动，这一切不会这么快 制造业的核心早已不是“便宜”，而是“智能” 他们要在美国本土建起未来的“超级工厂” 靠的不是廉价劳动力，而是AI和机器人 更重要的是，这条AI基建链，将革新所有行业 医疗、制药、金融、教育、生命科学…… 所有行业都在接入AI，而这个“引擎”就是起点 这不是一个行业的升级，这是所有行业的重构 黄仁勋最后说： 制造未来的工厂，本身就是未来的工厂 而他们，正在把它造出来
4:14

黄仁勋带了一台GPU去白宫跟川普一起开发布会 60年前，IBM的System 360定义了现代计算机 CPU、操作系统、I/O系统、多任务处理——这些词，1964年就有了 从那之后，计算机结构基本没变 而现在，黄仁勋说，他们又重新发明了计算机 这不是传统意义上的“芯片” 你眼前的，是一块70斤的GPU 6万个零件，1万瓦功耗 要造它，几百家供应商同时开工 要搬它，得靠机器人 要测它，得用一台超算来测 而它的使命，是驱动一个全新的行业：人工智能 它不是工具，是“制造者” 以前是水进电出，现在是电进“智能”出 它是AI时代的“发电机” 但这不只是芯片的故事 这背后，是美国本土制造业的全面升级 人工成本早已不是核心 拼的是技术，是自动化，是数字孪生，是AI工厂本身 黄仁勋说，没有总统的推动，这一切不会这么快 制造业的核心早已不是“便宜”，而是“智能” 他们要在美国本土建起未来的“超级工厂” 靠的不是廉价劳动力，而是AI和机器人 更重要的是，这条AI基建链，将革新所有行业 医疗、制药、金融、教育、生命科学…… 所有行业都在接入AI，而这个“引擎”就是起点 这不是一个行业的升级，这是所有行业的重构 黄仁勋最后说： 制造未来的工厂，本身就是未来的工厂 而他们，正在把它造出来

墓碑科技

324,342 views • 1 year ago

有个27岁的小伙子，以前是挖矿的。他花了4000美元买了台迷你电脑，对着 Polymarket 狂干，不到三个月，4000 块变成了 100 万美元。 上周，美国出口管制的那款 Claude Fable 5 突然把所有云交易者的服务给掐了。结果这哥们压根没注意到。 没有云，没有订阅，没有任何人能关掉的模型。 就是一台搁在他桌上的小盒子，他睡觉的时候，这盒子自己在比特币市场上帮他赚钱。 用的芯片是 AMD Ryzen AI Max+ 395 —— 16 个核心，50-TOPS 的神经引擎，128GB 统一内存。他这套 AI 从来不联网。 这个内存就是关键。普通游戏显卡顶多给你 24GB —— 跟玩具一样。 128GB 统一内存能完整装下一个 2000 亿参数的模型，不用把数据搬来搬去。一个顶尖大脑，就在他公寓里离线跑着。 它不是去猜价格涨跌。它是把每个 5 分钟市场的完整概率图跑一遍，一分钟几千次，专门捡那些没人要、定价几乎为零的赌注。 当它算出来一个 0.2 美分的冷门选项实际值 1.6% 的时候，它就用几分钱买下那个“不可能”的赌注。其中一次，回报直接翻了 32 倍。 没有数据中心，没有租用的 GPU，除了他自己，没人能按关机键。 他们可以一夜之间把云端的模型下架，但没法冲进一个家伙的房间里抢走他桌上的盒子。 4000 美元的硬件，1000 美元的下注，变成 100 万美元的收益 —— 而且今晚还在继续跑。 你不一定要买那台盒子。你只需要它交易的那个钱包。两键复制，拿走。
0:42

有个27岁的小伙子，以前是挖矿的。他花了4000美元买了台迷你电脑，对着 Polymarket 狂干，不到三个月，4000 块变成了 100 万美元。 上周，美国出口管制的那款 Claude Fable 5 突然把所有云交易者的服务给掐了。结果这哥们压根没注意到。 没有云，没有订阅，没有任何人能关掉的模型。 就是一台搁在他桌上的小盒子，他睡觉的时候，这盒子自己在比特币市场上帮他赚钱。 用的芯片是 AMD Ryzen AI Max+ 395 —— 16 个核心，50-TOPS 的神经引擎，128GB 统一内存。他这套 AI 从来不联网。 这个内存就是关键。普通游戏显卡顶多给你 24GB —— 跟玩具一样。 128GB 统一内存能完整装下一个 2000 亿参数的模型，不用把数据搬来搬去。一个顶尖大脑，就在他公寓里离线跑着。 它不是去猜价格涨跌。它是把每个 5 分钟市场的完整概率图跑一遍，一分钟几千次，专门捡那些没人要、定价几乎为零的赌注。 当它算出来一个 0.2 美分的冷门选项实际值 1.6% 的时候，它就用几分钱买下那个“不可能”的赌注。其中一次，回报直接翻了 32 倍。 没有数据中心，没有租用的 GPU，除了他自己，没人能按关机键。 他们可以一夜之间把云端的模型下架，但没法冲进一个家伙的房间里抢走他桌上的盒子。 4000 美元的硬件，1000 美元的下注，变成 100 万美元的收益 —— 而且今晚还在继续跑。 你不一定要买那台盒子。你只需要它交易的那个钱包。两键复制，拿走。

Tommy Peterson

58,868 views • 2 months ago

无意发现了网易一个不错的产品 LobsterAI，一个 7×24 小时帮你干活的全场景个人 Agent。另外，它今天正式宣布开源了。 安装好后在 Telegram 里配了机器人，刚好出门，就全程用手机远程让它去读我电脑上的「潮流周刊」代码仓库，只抓 2025 年的所有内容，目标也明确，帮我挑出年度最推荐的 20 个好东西。 原本以为它会随便扫一遍凑名单，结果它真的一篇篇读完了，挑得很克制，像是在做编辑。最后给出来的 Top 20 挺符合我的心意，甚至还把 Mole、Pake、妙言这些我一直在维护的项目也选进去了，顺带写了段鼓励，莫名有点感动。 用完之后大概明白它为什么能做到这种程度：它有一套跨会话的持久化记忆系统，记住了我的偏好。底层是本地优先的设计，能真正在你机器上执行操作，不只是云端对话完就算了，延迟、隐私、断网这些问题也就自然规避掉了。每一步操作对你完全透明，不是黑盒在跑，随时都有完整的控制权，拿来做整理型的自动化挺合适。 能力也不只是读读写写，做 PPT、定时任务、搜索、调用本地工具……这些都内置了。设置里还能接飞书、钉钉、Telegram、Discord，也能走邮箱，开箱即用。 视频里把从配置到生成 Top 20 的整个过程都录下来了，有兴趣可以看看。它已经开源，大家完全可以玩起来，把那些重复性的、枯燥的工作统统交给它。很期待小龙虾越做越好吃。
0:32

无意发现了网易一个不错的产品 LobsterAI，一个 7×24 小时帮你干活的全场景个人 Agent。另外，它今天正式宣布开源了。 安装好后在 Telegram 里配了机器人，刚好出门，就全程用手机远程让它去读我电脑上的「潮流周刊」代码仓库，只抓 2025 年的所有内容，目标也明确，帮我挑出年度最推荐的 20 个好东西。 原本以为它会随便扫一遍凑名单，结果它真的一篇篇读完了，挑得很克制，像是在做编辑。最后给出来的 Top 20 挺符合我的心意，甚至还把 Mole、Pake、妙言这些我一直在维护的项目也选进去了，顺带写了段鼓励，莫名有点感动。 用完之后大概明白它为什么能做到这种程度：它有一套跨会话的持久化记忆系统，记住了我的偏好。底层是本地优先的设计，能真正在你机器上执行操作，不只是云端对话完就算了，延迟、隐私、断网这些问题也就自然规避掉了。每一步操作对你完全透明，不是黑盒在跑，随时都有完整的控制权，拿来做整理型的自动化挺合适。 能力也不只是读读写写，做 PPT、定时任务、搜索、调用本地工具……这些都内置了。设置里还能接飞书、钉钉、Telegram、Discord，也能走邮箱，开箱即用。 视频里把从配置到生成 Top 20 的整个过程都录下来了，有兴趣可以看看。它已经开源，大家完全可以玩起来，把那些重复性的、枯燥的工作统统交给它。很期待小龙虾越做越好吃。

Tw93

79,550 views • 6 months ago

推荐个好东西：火山引擎的 PromptPilot。 之前看 Google 的提示词白皮书，有个点让我印象很深： 他们直接用 Google Doc 管理 prompt，写任务、版本、评估效果。 那时候我就在想，有没有人真把这事儿做成一套完整系统？ 现在看到火山这套，有点意思了。 它不只是“帮你写好提示词”，而是把这事儿当作工程问题来解的。 最打动我的，是它在 prompt 优化这件事上做得极其系统，甚至有点狠。 ✅ 从任务出发构造 prompt（带结构、带变量、不是拍脑袋） ✅ 每一版 prompt 都挂着独立评测集 + 自动评分机制 ✅ 没有理想答案也能比对打分（GSB 模式） ✅ 每轮迭代都能 trace 效果，版本可控、可回溯 我们之前做客服对话调 prompt，最常见的就是“改了一句，但说不上来到底有没有变好”。 很多时候上线的版本其实就是“看着还行就先上”。 现在它是：“打一套样本集，系统直接帮你跑出哪一版效果稳定”。 我一直坚持： 模型越强，对 prompt 的要求只会更高。 尤其是在多轮任务、复杂场景里，prompt 不只是“写得好”，而是“是否可控、可管理、可进化”。 PromptPilot 解决的，是这个底层问题。 它不仅能让 prompt 生出来，更重要是——能持续改下去。 版本有 trace，样本能评分，逻辑能反推，工具还能外接， 整个就是“prompt 的 AutoML + GitOps” 一体化工具链。 顺带说一句：这是 2025 火山引擎 FORCE 大会上刚发布的产品，免费版和 Plus 版都开放，9 月前能直接上手全功能体验。 现在市面上很多 prompt 工具做的是“编辑器 + 改写器”， 但你会发现，真正上线之后需要的是一整套治理机制。 PromptPilot 是我目前看到国内第一个跑通这个闭环的， 不是 fancy 的界面，而是认真在解决 prompt 系统演化能力这个问题。 如果你也在做 AI 应用落地，推荐你认真研究一下。 要说缺点：自定义模型没找到海外模型，差评！
1:34

推荐个好东西：火山引擎的 PromptPilot。 之前看 Google 的提示词白皮书，有个点让我印象很深： 他们直接用 Google Doc 管理 prompt，写任务、版本、评估效果。 那时候我就在想，有没有人真把这事儿做成一套完整系统？ 现在看到火山这套，有点意思了。 它不只是“帮你写好提示词”，而是把这事儿当作工程问题来解的。 最打动我的，是它在 prompt 优化这件事上做得极其系统，甚至有点狠。 ✅ 从任务出发构造 prompt（带结构、带变量、不是拍脑袋） ✅ 每一版 prompt 都挂着独立评测集 + 自动评分机制 ✅ 没有理想答案也能比对打分（GSB 模式） ✅ 每轮迭代都能 trace 效果，版本可控、可回溯 我们之前做客服对话调 prompt，最常见的就是“改了一句，但说不上来到底有没有变好”。 很多时候上线的版本其实就是“看着还行就先上”。 现在它是：“打一套样本集，系统直接帮你跑出哪一版效果稳定”。 我一直坚持： 模型越强，对 prompt 的要求只会更高。 尤其是在多轮任务、复杂场景里，prompt 不只是“写得好”，而是“是否可控、可管理、可进化”。 PromptPilot 解决的，是这个底层问题。 它不仅能让 prompt 生出来，更重要是——能持续改下去。 版本有 trace，样本能评分，逻辑能反推，工具还能外接， 整个就是“prompt 的 AutoML + GitOps” 一体化工具链。 顺带说一句：这是 2025 火山引擎 FORCE 大会上刚发布的产品，免费版和 Plus 版都开放，9 月前能直接上手全功能体验。 现在市面上很多 prompt 工具做的是“编辑器 + 改写器”， 但你会发现，真正上线之后需要的是一整套治理机制。 PromptPilot 是我目前看到国内第一个跑通这个闭环的， 不是 fancy 的界面，而是认真在解决 prompt 系统演化能力这个问题。 如果你也在做 AI 应用落地，推荐你认真研究一下。 要说缺点：自定义模型没找到海外模型，差评！

凡人小北

95,078 views • 1 year ago

我让 Claude 15 分钟做了 3 个交易 bot 第二天，钱包里直接多了 +$2,503 我当天就把工作辞了 整个过程很简单： 我只写了一段 prompt，再回答了几个问题 剩下的，Claude 自己做完了 它直接拆出 3 套策略： MACD RSI + VWAP CVD divergence 然后给每个 bot 分了一套 第一个做 momentum 看到成交量开始抬头，就在大多数人还没反应过来之前先进去 第二个做 reversal 等市场开始恐慌，它反手去做对面 第三个专门抓 divergence 当价格讲的是一套故事，资金流讲的是另一套，它只跟钱走 更狠的是，这不是我一行一行搭出来的 Claude 自己把整套结构写出来了： 回测框架 历史数据测试 风险管理模块 部署流程 全是它自己搭的 最后变成： 3 个 bot 3 个账户 3 套不同打法 而且它们彼此不知道对方在做什么 资金也是一路放大的： $1→ $5 → $10 → $50 → 一天 +$2,503 你会发现，真正可怕的地方不是“AI 会写代码” 而是它已经开始把： 策略拆分 回测验证 风控配置 自动部署 压缩到一条 prompt 里 Citadel、Jane Street、Two Sigma 很早就在用 bot 交易了 因为 bot 不会怕 不会贪 也不会 FOMO 它只听算法 市场最终奖励的，也一直都不是情绪 而是系统 你觉得这种故事真正的核心，是在卖 Claude 写 bot 的能力，还是在说明个人交易也开始进入“小型系统化团队”时代了？ 如果你想寻找一个Polymarket 上简单又好用的交易和跟单工具，可以使用 资料在这里 🔽
0:35

我让 Claude 15 分钟做了 3 个交易 bot 第二天，钱包里直接多了 +$2,503 我当天就把工作辞了 整个过程很简单： 我只写了一段 prompt，再回答了几个问题 剩下的，Claude 自己做完了 它直接拆出 3 套策略： MACD RSI + VWAP CVD divergence 然后给每个 bot 分了一套 第一个做 momentum 看到成交量开始抬头，就在大多数人还没反应过来之前先进去 第二个做 reversal 等市场开始恐慌，它反手去做对面 第三个专门抓 divergence 当价格讲的是一套故事，资金流讲的是另一套，它只跟钱走 更狠的是，这不是我一行一行搭出来的 Claude 自己把整套结构写出来了： 回测框架 历史数据测试 风险管理模块 部署流程 全是它自己搭的 最后变成： 3 个 bot 3 个账户 3 套不同打法 而且它们彼此不知道对方在做什么 资金也是一路放大的： $1→ $5 → $10 → $50 → 一天 +$2,503 你会发现，真正可怕的地方不是“AI 会写代码” 而是它已经开始把： 策略拆分 回测验证 风控配置 自动部署 压缩到一条 prompt 里 Citadel、Jane Street、Two Sigma 很早就在用 bot 交易了 因为 bot 不会怕 不会贪 也不会 FOMO 它只听算法 市场最终奖励的，也一直都不是情绪 而是系统 你觉得这种故事真正的核心，是在卖 Claude 写 bot 的能力，还是在说明个人交易也开始进入“小型系统化团队”时代了？ 如果你想寻找一个Polymarket 上简单又好用的交易和跟单工具，可以使用 资料在这里 🔽

0x_Miko

10,056 views • 5 months ago

说实话，这才是我想要的AI该有的样子。 前_buildspace创始人Farza刚刚发布了Clicky，一个住在你Mac光标旁边的AI伙伴， 你不用打开任何App，不用打字，只要对着屏幕说一句话， 它就会分裂出一个小代理， 直接帮你把活干了。 你说，帮我把桌面这些乱七八糟的截图清理一下， 它就自动给你分类归档。 你说，帮我明天晚上九点设个提醒和Sharif去吃饭，它就直接打开提醒事项帮你建好。 你说，帮我找25个粉丝不到五万的同领域微网红，列成CSV再写几条DM模板， 它就自己上网搜，自己整理，几分钟给你一个现成的表格。 最离谱的是这个， 你说，帮我建一个Mac App，控制本地的Spotify，做成复古唱片机风格，有播放暂停显示歌名，五分钟之后，它真的给你编译出了一个完整的原生App，还自动打开给你运行。 以前所有的AI，都是你去找它，你打开聊天框，你打字，你复制粘贴，而Clicky是它一直在你身边，它看得到你屏幕上的一切，你需要的时候喊一声，它就出来帮你搞定。 Siri会告诉你，我帮你打开提醒事项，然后让你自己填，而Clicky会直接帮你填好保存，这才是真正的AI助手，不是聊天机器人，是你的数字员工。 现在已经可以免费下载了，Mac用户直接冲，这绝对是2026年到目前为止，最让我兴奋的AI产品。
3:43

说实话，这才是我想要的AI该有的样子。 前_buildspace创始人Farza刚刚发布了Clicky，一个住在你Mac光标旁边的AI伙伴， 你不用打开任何App，不用打字，只要对着屏幕说一句话， 它就会分裂出一个小代理， 直接帮你把活干了。 你说，帮我把桌面这些乱七八糟的截图清理一下， 它就自动给你分类归档。 你说，帮我明天晚上九点设个提醒和Sharif去吃饭，它就直接打开提醒事项帮你建好。 你说，帮我找25个粉丝不到五万的同领域微网红，列成CSV再写几条DM模板， 它就自己上网搜，自己整理，几分钟给你一个现成的表格。 最离谱的是这个， 你说，帮我建一个Mac App，控制本地的Spotify，做成复古唱片机风格，有播放暂停显示歌名，五分钟之后，它真的给你编译出了一个完整的原生App，还自动打开给你运行。 以前所有的AI，都是你去找它，你打开聊天框，你打字，你复制粘贴，而Clicky是它一直在你身边，它看得到你屏幕上的一切，你需要的时候喊一声，它就出来帮你搞定。 Siri会告诉你，我帮你打开提醒事项，然后让你自己填，而Clicky会直接帮你填好保存，这才是真正的AI助手，不是聊天机器人，是你的数字员工。 现在已经可以免费下载了，Mac用户直接冲，这绝对是2026年到目前为止，最让我兴奋的AI产品。

AYi

14,195 views • 4 months ago

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。
0:45

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

73,645 views • 7 months ago

这也是一条 Codex 自动剪辑的视频。 今天出门拍了非常多又杂又乱的素材，然后全部存到电脑里，让它自己读取文件。然后让它理解素材的意思，我给它的要求就是，剪成那种幸福的陪女朋友的一天，那种感觉。封面配乐剪辑都是它自己做的。只有美颜参数是我自己调的。 但是有一个很致命的问题是，它理解不了色调这个东西。由于素材非常多，有室外的、室内的，光线不一样。第一个版本整个的颜色非常不对，然后我让它调了好几次，就是调不出来。最后放弃了多个素材，只选用室内的这几段素材，才剪出这个片子。如何让 AI 去理解色调统一呢？我还是没想明白。
0:40

这也是一条 Codex 自动剪辑的视频。 今天出门拍了非常多又杂又乱的素材，然后全部存到电脑里，让它自己读取文件。然后让它理解素材的意思，我给它的要求就是，剪成那种幸福的陪女朋友的一天，那种感觉。封面配乐剪辑都是它自己做的。只有美颜参数是我自己调的。 但是有一个很致命的问题是，它理解不了色调这个东西。由于素材非常多，有室外的、室内的，光线不一样。第一个版本整个的颜色非常不对，然后我让它调了好几次，就是调不出来。最后放弃了多个素材，只选用室内的这几段素材，才剪出这个片子。如何让 AI 去理解色调统一呢？我还是没想明白。

Foe Ally

16,868 views • 1 month ago

卧槽真的有点炸裂兄弟们，我在国内连 TikTok 都装不了，结果在手机里发了条 iMessage，一个远在美国的 AI Agent 竟然替我注册了一个TikTok号，还帮我刷完了 10 条 TikTok 热门视频，把视频总结都直接发了回来，真的要吹爆hh！ 昨晚凌晨，我给 iMessage 里存的一个美国号码（+1-650-213-7322）发了句话： "帮我找TikTok上10个最火的AI视频，收藏，写总结发我。" 它先回了句英文："Getting the top 10 AI videos on TikTok." 两分钟后，一长串中文摘要发了回来：两个ChatGPT语音互怼、AI生成的生锈版麦昆、Roblox AI动画、超现实AI短剧，10条视频每条一句话总结。 我切到云手机界面看了一眼，收藏夹里10个视频安安稳稳躺着，封面和总结对得一丝不差。 很多人可能会说，这不就是又一个能在短信里陪你聊天的bot吗？ 还真不是，当年iPhone把互联网塞进口袋的时候，你不需要额外买一台新设备； 今天AI长了手，你也不需要额外下载一个新App，因为派活的入口就住在你每天点开几十次的短信框里，TikTok、美区ID，我一个都没装。 这就是 Airtap Ai 接iMessage的新功能，它的架构说穿了就三句话： ▫️最上面是大脑：听懂你要干嘛、记你的习惯、做判断，还能接你自己的Claude ▫️中间是手（他们叫AutoPilot）：不靠调每个App的API，是真的用视觉看懂屏幕，像真人一样点、滑、输字 ▫️最底下是云手机：你的所有App在里面保持登录，不耗你电、不占你网，24小时跑着 想明白这个架构，有三个点值得展开跟大家详细聊聊： 1️⃣ 为什么我在国内连TikTok都装不了，它能帮我刷？ 这不是啥翻墙黑科技，是那台云手机本身就在美国，跑在TikTok合法可用的网络环境里——它不需要翻，因为本来就在墙的另一边。 我们平时折腾半天的地理限制、设备限制、应用商店ID限制，在这个架构面前直接消失。 iMessage只是个门面，云手机才是真的基础设施：你相当于在美国有了个永不下班的分身，不用办签证不用买机票，发句中文，他就替你出门办事了。 2️⃣ 很多人都在吹它零设置，onboarding确实丝滑，我存完号码发了个hey，一秒就开了户。 但我点第一个任务弹出来的登录链接时，真的愣了三秒——哦对，这东西要登我的号啊hh。 零设置的背面，是它把最难的题直接甩到了你脸上：你敢把哪些账号的登录态，交给一个你摸不着的云端影子手机？我登TikTok没犹豫太久，但银行App、支付软件，我现在绝对不会登进去。 有人吐槽还要跳出去点链接登录，体验真烂，一开始我也这么觉得，后来反应过来了：这其实是当前技术条件下最高明的妥协。 它不存你的密码，合规、安全，也不需要每个App给它开放API，什么软件都能操作，代价就是你偶尔得跳出去登一次。 想完全无感？它就得存你密码，或者跟每个App深度集成，既不安全，也覆盖不了所有软件。 这其实也不是Airtap一家的问题，是所有能替你操作手机的AI都绕不过去的死结：授权和执行，怎么才能既安全又通用。 3️⃣ 有人嫌等两分钟太慢。 可以算笔账：你自己装TikTok、搞网络、注册账号、刷半小时、挑出10条AI相关的、每条记下来讲了啥，这一套俩小时都不一定搞得定。 它省的根本不是那两分钟，是你不用再把"我要去刷TikTok找AI视频"这件事挂在脑子里，发完短信该干嘛干嘛，它干完了会带着结果来找你。 说白了它卖的不是反应速度，是把你心里悬着的那件事整个拿走干完。 当然，我不是说这东西已经无敌了，我登账号犹豫了三秒是真的，它操作的时候我没法抢过云手机自己干是真的，绝对不会把支付类App交出去也是真的。 它现在特别适合干那种"干成了挺好，干砸了也死不了"的事：帮你筛视频、跨平台搬歌单、盯商品降价、点外卖填个表。 涉及真金白银和核心隐私的事，现在没人敢真的交给它——信任这道坎，所有做AI Agent的公司都绕不过去。 但当操作一个软件的成本从折腾两小时降到发一条短信，而且你连那个软件都不用装的时候，我们用了十几年的"手机=装App"这套逻辑，可能真的要重新想了。 配的录屏我全程没剪，从发第一条指令到它把云手机收藏夹投给我，一镜到底。 最后问你们个事：换作是你，你敢把哪个账号登给它？我先说，TikTok我眼睛都不眨，银行App？门都没有hhh～
2:07

卧槽真的有点炸裂兄弟们，我在国内连 TikTok 都装不了，结果在手机里发了条 iMessage，一个远在美国的 AI Agent 竟然替我注册了一个TikTok号，还帮我刷完了 10 条 TikTok 热门视频，把视频总结都直接发了回来，真的要吹爆hh！ 昨晚凌晨，我给 iMessage 里存的一个美国号码（+1-650-213-7322）发了句话： "帮我找TikTok上10个最火的AI视频，收藏，写总结发我。" 它先回了句英文："Getting the top 10 AI videos on TikTok." 两分钟后，一长串中文摘要发了回来：两个ChatGPT语音互怼、AI生成的生锈版麦昆、Roblox AI动画、超现实AI短剧，10条视频每条一句话总结。 我切到云手机界面看了一眼，收藏夹里10个视频安安稳稳躺着，封面和总结对得一丝不差。 很多人可能会说，这不就是又一个能在短信里陪你聊天的bot吗？ 还真不是，当年iPhone把互联网塞进口袋的时候，你不需要额外买一台新设备； 今天AI长了手，你也不需要额外下载一个新App，因为派活的入口就住在你每天点开几十次的短信框里，TikTok、美区ID，我一个都没装。 这就是 Airtap Ai 接iMessage的新功能，它的架构说穿了就三句话： ▫️最上面是大脑：听懂你要干嘛、记你的习惯、做判断，还能接你自己的Claude ▫️中间是手（他们叫AutoPilot）：不靠调每个App的API，是真的用视觉看懂屏幕，像真人一样点、滑、输字 ▫️最底下是云手机：你的所有App在里面保持登录，不耗你电、不占你网，24小时跑着 想明白这个架构，有三个点值得展开跟大家详细聊聊： 1️⃣ 为什么我在国内连TikTok都装不了，它能帮我刷？ 这不是啥翻墙黑科技，是那台云手机本身就在美国，跑在TikTok合法可用的网络环境里——它不需要翻，因为本来就在墙的另一边。 我们平时折腾半天的地理限制、设备限制、应用商店ID限制，在这个架构面前直接消失。 iMessage只是个门面，云手机才是真的基础设施：你相当于在美国有了个永不下班的分身，不用办签证不用买机票，发句中文，他就替你出门办事了。 2️⃣ 很多人都在吹它零设置，onboarding确实丝滑，我存完号码发了个hey，一秒就开了户。 但我点第一个任务弹出来的登录链接时，真的愣了三秒——哦对，这东西要登我的号啊hh。 零设置的背面，是它把最难的题直接甩到了你脸上：你敢把哪些账号的登录态，交给一个你摸不着的云端影子手机？我登TikTok没犹豫太久，但银行App、支付软件，我现在绝对不会登进去。 有人吐槽还要跳出去点链接登录，体验真烂，一开始我也这么觉得，后来反应过来了：这其实是当前技术条件下最高明的妥协。 它不存你的密码，合规、安全，也不需要每个App给它开放API，什么软件都能操作，代价就是你偶尔得跳出去登一次。 想完全无感？它就得存你密码，或者跟每个App深度集成，既不安全，也覆盖不了所有软件。 这其实也不是Airtap一家的问题，是所有能替你操作手机的AI都绕不过去的死结：授权和执行，怎么才能既安全又通用。 3️⃣ 有人嫌等两分钟太慢。 可以算笔账：你自己装TikTok、搞网络、注册账号、刷半小时、挑出10条AI相关的、每条记下来讲了啥，这一套俩小时都不一定搞得定。 它省的根本不是那两分钟，是你不用再把"我要去刷TikTok找AI视频"这件事挂在脑子里，发完短信该干嘛干嘛，它干完了会带着结果来找你。 说白了它卖的不是反应速度，是把你心里悬着的那件事整个拿走干完。 当然，我不是说这东西已经无敌了，我登账号犹豫了三秒是真的，它操作的时候我没法抢过云手机自己干是真的，绝对不会把支付类App交出去也是真的。 它现在特别适合干那种"干成了挺好，干砸了也死不了"的事：帮你筛视频、跨平台搬歌单、盯商品降价、点外卖填个表。 涉及真金白银和核心隐私的事，现在没人敢真的交给它——信任这道坎，所有做AI Agent的公司都绕不过去。 但当操作一个软件的成本从折腾两小时降到发一条短信，而且你连那个软件都不用装的时候，我们用了十几年的"手机=装App"这套逻辑，可能真的要重新想了。 配的录屏我全程没剪，从发第一条指令到它把云手机收藏夹投给我，一镜到底。 最后问你们个事：换作是你，你敢把哪个账号登给它？我先说，TikTok我眼睛都不眨，银行App？门都没有hhh～

AYi

402,361 views • 1 month ago

马斯克根本不做手机。 他要直接跳过这个概念。 我们口袋里的东西，将不再是手机。 它会变成一个超薄的AI边缘节点。 一个屏幕，加上无线电，实时连接Grok/xAI服务器处理一切。 什么意思？ 未来没有操作系统，也没有App。 你看到的一切，都是AI根据你的需求实时生成和推送的。 邮件、社交、新闻，所有信息都通过一个统一的AI入口。 马斯克预测，五六年内就会发生。 这确实是对苹果和谷歌这些平台巨头的釜底抽薪。 绕开应用商店，打破它们的生态垄断，听起来很解气。 但这里有一个更深层的问题。 当所有App消失，信息入口被一个超级AI统一时，谁来控制这个AI？ 如果这个AI决定了你能看到什么、不能看到什么，这会不会成为一种新的、更彻底的审查？ 它能不能在无形中塑造你的思想？ 一个中心化的AI，与一个去中心化的、由无数开发者构建的App世界，哪个对个人自由更有利？ 这个技术蓝图，到底是通往更高效的未来，还是在不经意间，为某种数字集权铺平了道路？ 值得每个人思考。
2:11

马斯克根本不做手机。 他要直接跳过这个概念。 我们口袋里的东西，将不再是手机。 它会变成一个超薄的AI边缘节点。 一个屏幕，加上无线电，实时连接Grok/xAI服务器处理一切。 什么意思？ 未来没有操作系统，也没有App。 你看到的一切，都是AI根据你的需求实时生成和推送的。 邮件、社交、新闻，所有信息都通过一个统一的AI入口。 马斯克预测，五六年内就会发生。 这确实是对苹果和谷歌这些平台巨头的釜底抽薪。 绕开应用商店，打破它们的生态垄断，听起来很解气。 但这里有一个更深层的问题。 当所有App消失，信息入口被一个超级AI统一时，谁来控制这个AI？ 如果这个AI决定了你能看到什么、不能看到什么，这会不会成为一种新的、更彻底的审查？ 它能不能在无形中塑造你的思想？ 一个中心化的AI，与一个去中心化的、由无数开发者构建的App世界，哪个对个人自由更有利？ 这个技术蓝图，到底是通往更高效的未来，还是在不经意间，为某种数字集权铺平了道路？ 值得每个人思考。

墓碑科技

68,774 views • 8 months ago