正在加载视频...

视频加载失败

加载此视频时出现问题。这可能是由于临时网络问题，或视频可能不可用。

说个扎心的真相，90%的AI工程师，其实什么都没做出来 Cluely的CEO Roy Lee在NYU做活动，当场掏500美元现金，问在场所有学AI的学生和工程师，谁在LinkedIn上真正上线过一个公开的项目，结果全场几乎没人举手。太真实了，现在的AI圈就是这样，人人都能跟你聊大模型，聊Agent，聊世界模型，刷过几百篇论文，调过几十个demo，但你问他有没有上线过一个能让别人用的东西，大部分人都沉默了。我们总以为AI时代拼的是谁懂的多，谁的技术深，其实根本不是。 LLM能帮你写80%的代码，能帮你解决大部分技术问题，但剩下那20%的脏活累活，部署，边缘case，用户体验，成本控制，才是真正能区分你和别人的地方。所以别再当那个只会看教程的工程师了，去做去实践，去解决实际问题，，离线小模型App，自我迭代的代码Agent，个人生活OS，哪个都行。不用等你学完所有东西，不用等完美，这个周末开干，下周就公开上线。哪怕做的很烂，哪怕只有几个人用，也比你藏在电脑里的一百个demo强一万倍。在AI时代，知识已经变成了最不值钱的东西，到处都是教程，到处都是论文，真正稀缺的，是把知识变成公开可验证的产品的执行力。别当那个坐在NYU教室里，连500美元都拿不到的人，动起来兄弟们

AYi

57,078 subscribers

82,793 次观看 • 3 个月前 •via X (Twitter)

教育新闻政治科学技术

Anya Rossi• Live Now

Private livecam show

0 条评论

暂无评论

原始帖子的评论将显示在这里

相关视频

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👇

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 次观看 • 3 个月前

如果你翻墙之后，还只会刷每日大赛，那真的有点浪费了因为互联网真正值钱的东西，其实大量都藏在 GitHub 很多最新的 AI 工具、自动化项目、效率工作流，几乎都会第一时间出现在那里这两年越来越明显的一件事是：会用 GitHub 的人，已经开始用 AI 放大自己的效率了很多原本需要团队完成的事情，现在一个人就能做我的建议是收藏起来，认真看看这个视频它真正有价值的地方，不是教你“看网站”，而是让你开始理解： AI 时代里，普通人该去哪里找机会

如果你翻墙之后，还只会刷每日大赛，那真的有点浪费了因为互联网真正值钱的东西，其实大量都藏在 GitHub 很多最新的 AI 工具、自动化项目、效率工作流，几乎都会第一时间出现在那里这两年越来越明显的一件事是：会用 GitHub 的人，已经开始用 AI 放大自己的效率了很多原本需要团队完成的事情，现在一个人就能做我的建议是收藏起来，认真看看这个视频它真正有价值的地方，不是教你“看网站”，而是让你开始理解： AI 时代里，普通人该去哪里找机会

Suu

522,745 次观看 • 1 个月前

英伟达Nvidia黄仁勋： AI，让平凡的人不再平凡。一个年轻人加上AI，就是全新的“超级个体”。不拼资历，不靠背景，AI成了这个时代最大的“能力放大器”。它不是替你工作，而是教你变强，像导师、像助手，甚至像一整个研究团队。以前，成为专家要花十年，现在，用AI做研究，年轻人正在用几年甚至几个月的速度追赶。程序员用它写代码、调试逻辑；研究员用它读文献、生成模型；医生用它分析病例、辅助诊断。几乎所有专业的人才，搭上AI这台引擎，都跑得更快。哪怕是在偏远小镇的医生，或是发展中国家的工程师，手里只要有AI，就能站上世界一线的能力标准。但这，也压力山大。对那些在某个领域苦练二十年的人来说，现在，刚入行的新人搭上AI，可能一年就追平你辛苦十年的经验积累。 AI不是取代你，而是逼你进化。越早拥抱它，你越可能成为被放大的那一个。

英伟达Nvidia黄仁勋： AI，让平凡的人不再平凡。一个年轻人加上AI，就是全新的“超级个体”。不拼资历，不靠背景，AI成了这个时代最大的“能力放大器”。它不是替你工作，而是教你变强，像导师、像助手，甚至像一整个研究团队。以前，成为专家要花十年，现在，用AI做研究，年轻人正在用几年甚至几个月的速度追赶。程序员用它写代码、调试逻辑；研究员用它读文献、生成模型；医生用它分析病例、辅助诊断。几乎所有专业的人才，搭上AI这台引擎，都跑得更快。哪怕是在偏远小镇的医生，或是发展中国家的工程师，手里只要有AI，就能站上世界一线的能力标准。但这，也压力山大。对那些在某个领域苦练二十年的人来说，现在，刚入行的新人搭上AI，可能一年就追平你辛苦十年的经验积累。 AI不是取代你，而是逼你进化。越早拥抱它，你越可能成为被放大的那一个。

墓碑科技

12,575 次观看 • 1 年前

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

108,470 次观看 • 3 个月前

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 次观看 • 1 个月前

说个2026年最反直觉的创业真相，现在最好的AI创业机会，不是卖工具，前Worldcoin工程师Alex Vacca 用2.5年白手起家做到700万ARR，没有融资，没有烧钱，他的玩法简单到离谱，找一个所有公司都已经在花钱外包的苦活，自己先亲手干三个月，把所有流程写成SOP，再用AI把它变成全自动交付，最后按结果收费，他把这个叫做Services-as-Software，不是卖工具给别人让他们自己干活，而是直接把结果卖给他们，最狠的是他说顺序比什么都重要，绝对不能先写代码，必须先手动跑通所有流程，踩完所有坑，积累完所有失败案例，再开始自动化，我之前以为AI创业就是拼技术拼模型，看完才反应过来，真正的护城河从来都不是代码，是你亲手踩过的那几百个坑，是别人买不到的专有失败数据集，现在每一块钱软件支出的旁边，都有六块钱的服务支出，我认为这才是AI时代真正的万亿级蓝海。

说个2026年最反直觉的创业真相，现在最好的AI创业机会，不是卖工具，前Worldcoin工程师Alex Vacca 用2.5年白手起家做到700万ARR，没有融资，没有烧钱，他的玩法简单到离谱，找一个所有公司都已经在花钱外包的苦活，自己先亲手干三个月，把所有流程写成SOP，再用AI把它变成全自动交付，最后按结果收费，他把这个叫做Services-as-Software，不是卖工具给别人让他们自己干活，而是直接把结果卖给他们，最狠的是他说顺序比什么都重要，绝对不能先写代码，必须先手动跑通所有流程，踩完所有坑，积累完所有失败案例，再开始自动化，我之前以为AI创业就是拼技术拼模型，看完才反应过来，真正的护城河从来都不是代码，是你亲手踩过的那几百个坑，是别人买不到的专有失败数据集，现在每一块钱软件支出的旁边，都有六块钱的服务支出，我认为这才是AI时代真正的万亿级蓝海。

AYi

36,433 次观看 • 3 个月前

今天流行一个视频：在一个分享会中一个程序员说ai写的程序不进行审查就随便上线是不负责任的，而且是没办法用的结果台上女生开口就是情绪：“你意思是我们这些没学过编程的文科生都不配写代码咯？在坐所有没学过编程的都不配写代码咯？” 代码写的好不好不知道，情绪和道德绑架玩的那叫一个炉火纯青，我他妈说什么也想到不到这人嘴里会蹦出那么几句话都是人，差别怎么就他妈那么大呢图二里gemini说的话含金量还在增加

今天流行一个视频：在一个分享会中一个程序员说ai写的程序不进行审查就随便上线是不负责任的，而且是没办法用的结果台上女生开口就是情绪：“你意思是我们这些没学过编程的文科生都不配写代码咯？在坐所有没学过编程的都不配写代码咯？” 代码写的好不好不知道，情绪和道德绑架玩的那叫一个炉火纯青，我他妈说什么也想到不到这人嘴里会蹦出那么几句话都是人，差别怎么就他妈那么大呢图二里gemini说的话含金量还在增加

大喵CS、转码、预科班(十年讲师，能够教你学会编程)

291,454 次观看 • 2 个月前

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

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

61,082 次观看 • 1 个月前

说个暴论，在AI时代最值钱的技能已经不是写代码了，怎么把代码讲清楚将会变得越来越重要！怎么把代码讲清楚将会变得越来越重要！ Anthropic Claude Code团队的Thariq 大神用不到两年时间，把自己的技术文章做到了稳定的百万浏览量。他说，技术写作彻底改变了他的人生。兄弟们你们可能不信，老哥的方法论简单到离谱，就四个字：先种后收。先埋头做真实的工作，踩真实的坑，积累第一手的洞见，然后把你学到的东西，变成别人能直接抄的经验。就是说写文章不能为了写而写，得先有干货，再有输出。他写爆文就靠两条铁则：第一，能多简单就多简单，用复杂术语装逼，只能说明你自己都没搞懂。第二，分享真正的秘密，因为人们不爱看正确的废话，只爱听别人不说的内部干货。最狠的是，老哥在这场15分钟的线下workshop现场，直接写了一篇《HTML vs Markdown for agents》的长文。发出去几个小时，就拿了26万浏览，用行动证明了他教的东西真的管用。当然他也用Claude加速写作，但他反复强调：绝对不能让AI磨掉你的个人声音，因为这才是能持续输出爆款的核心。尽管很多人酸，说他能火只是因为他在Anthropic，不可否认内部视角是天然的流量buff，但我觉得更重要的是，他掌握了这个时代最稀缺的能力：把复杂的技术，讲得让同行立刻能用。 AI会写代码，会做产品，会调模型，但它不会讲你的故事，不会分享你踩过的坑，不会有你独有的思考方式。而写作，就是把你的个人经验，放大一万倍的杠杆。更妙的是，写作本身会反过来逼你把产品和系统想得更清楚。就像很多时候，你以为你懂了，但只有当你试着把它写下来的时候才发现自己其实并没有懂。所以各位程序员兄弟们，别再觉得技术写作是大佬的事。从今天开始，把你每天踩的坑、学到的新东西，写成100字的笔记。先播种，再收割，这个复利一旦滚起来，会比你想象的可怕得多。如果中推里推荐一位标杆和大神，那一定是宝玉老师宝玉，从宝玉老师身上我学到的很重要的一点是，践行开源精神，你分享的越多，跟着你学习的人越多，respect！

说个暴论，在AI时代最值钱的技能已经不是写代码了，怎么把代码讲清楚将会变得越来越重要！怎么把代码讲清楚将会变得越来越重要！ Anthropic Claude Code团队的Thariq 大神用不到两年时间，把自己的技术文章做到了稳定的百万浏览量。他说，技术写作彻底改变了他的人生。兄弟们你们可能不信，老哥的方法论简单到离谱，就四个字：先种后收。先埋头做真实的工作，踩真实的坑，积累第一手的洞见，然后把你学到的东西，变成别人能直接抄的经验。就是说写文章不能为了写而写，得先有干货，再有输出。他写爆文就靠两条铁则：第一，能多简单就多简单，用复杂术语装逼，只能说明你自己都没搞懂。第二，分享真正的秘密，因为人们不爱看正确的废话，只爱听别人不说的内部干货。最狠的是，老哥在这场15分钟的线下workshop现场，直接写了一篇《HTML vs Markdown for agents》的长文。发出去几个小时，就拿了26万浏览，用行动证明了他教的东西真的管用。当然他也用Claude加速写作，但他反复强调：绝对不能让AI磨掉你的个人声音，因为这才是能持续输出爆款的核心。尽管很多人酸，说他能火只是因为他在Anthropic，不可否认内部视角是天然的流量buff，但我觉得更重要的是，他掌握了这个时代最稀缺的能力：把复杂的技术，讲得让同行立刻能用。 AI会写代码，会做产品，会调模型，但它不会讲你的故事，不会分享你踩过的坑，不会有你独有的思考方式。而写作，就是把你的个人经验，放大一万倍的杠杆。更妙的是，写作本身会反过来逼你把产品和系统想得更清楚。就像很多时候，你以为你懂了，但只有当你试着把它写下来的时候才发现自己其实并没有懂。所以各位程序员兄弟们，别再觉得技术写作是大佬的事。从今天开始，把你每天踩的坑、学到的新东西，写成100字的笔记。先播种，再收割，这个复利一旦滚起来，会比你想象的可怕得多。如果中推里推荐一位标杆和大神，那一定是宝玉老师宝玉，从宝玉老师身上我学到的很重要的一点是，践行开源精神，你分享的越多，跟着你学习的人越多，respect！

AYi

39,108 次观看 • 2 个月前

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：

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

300,964 次观看 • 1 年前

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😊

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 次观看 • 5 个月前

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。

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

20,767 次观看 • 5 个月前

这个人的访谈，我已经看了第三遍了。硅谷最神秘的亿万富翁——纳瓦尔·拉维坎特。很多人都没听说过他，但马斯克、扎克伯格都非常推崇他。他几乎不接受采访，可一旦开口，就是那种让人当场坐直、反复回放的话。连这两天，我又重温了他三个小时的访谈，帮你总结了含金量最高的几个观点，和你分享。第一，人生中最重要的三个决定。纳瓦尔说啊，所有的结果，几乎都是这三件事的下游：和谁在一起，做什么，住在哪里。这听起来很简单，但他说，大多数人都没有意识到，他们在这三件事上的思考，时间少得可怕。但就是这三件事，决定了你几乎所有的一切——你的朋友圈、你的机会、你的情绪底色、你每天呼吸什么样的空气、你未来能遇见什么样的人。他说，如果你要做一个能够影响4年的决定，你应该花一年的时间来想清楚它。而我们绝大多数人呢？就是花了一个周末，就决定了一份要学4年的专业；花了一个月，就决定了一份干10年的工作。第二，骄傲是最昂贵的特质。这句话很短，但是呢，我愣了很久。纳瓦尔说啊，他观察了很多朋友和同事，那些原地踏步、成长最少的人，几乎无一例外，都是最骄傲的人。骄傲意味着什么？意味着你不会承认自己错了。你买了一只烂股票，不舍得割肉，因为承认亏损，就等于承认你判断失误。你卡在一段不好的关系里，你不离开，是因为你不想让别人看见你失败。骄傲，会把你锁在次优答案里。他说，最好的艺术家、最好的创业者都有一个共同点——就是他们随时愿意从零开始，愿意被看起来像个傻瓜。他还举了马斯克的例子，说他卖掉了 PayPal 之后拿到了2亿美元，接着他把这些钱全部压到了 SpaceX 和特斯拉里，甚至还要借钱付房租。第三，不是一万小时，而是一万次迭代。你一定听过那个“一万小时定律”，说你重复做一件事，坚持1万小时就能成为专家。纳瓦尔呢，一针见血地指出：是错的。真正让你成为专家的，是1万次迭代，而不是1万个小时。重复和迭代，是两件完全不同的事。重复，就是你把一件事做了一遍又一遍；而迭代，是你每做一次，就要带着上一次的教训，做得更好一点。所以，我们每个人都要问自己一个问题：你到底是在迭代，还是只是把第一次的经验，重复了很多遍？第四，灵感是易逝品。这点我觉得，可能是整个访谈里最实用的一条。纳瓦尔说啊，当你有灵感的那一刻，就是阻力最小、效率最高的那一刻，这个窗口转瞬即逝。你有灵感写一篇东西，那就在那一秒写；你有灵感去解决一个问题，就立刻解决；你对某件事突然好奇，就在那一秒去查。不要想着等我有时间再去做，因为等有时间的时候，那个灵感、那个状态，已经不在了。纳瓦尔说啊，他不喜欢被过度安排的人生，因为那样，你会永远错过真正想做的时刻。第五，注意力在哪里，你的人生就在哪里。这是整个访谈里，最让我反复回味的一句话。纳瓦尔说啊，很多人以为钱可以买到时间，但是像沃伦·巴菲特，还有迈克尔·彭博，有钱到这个程度，他们依然没办法多买到一天。而更致命的不是这个。更致命的是，你有时间，却没有把注意力，真正地放在这段时间里。你躺在床上，刷两个小时短视频，时间在流逝，但你的注意力在哪里？在算法推荐给你的下一条，下一条，再下一条。两个小时过去了，你刷了100条视频，可你什么都不记得。纳瓦尔说啊，你的身体在，但其实你已经死了。这，才是现代人最大的悲剧。

这个人的访谈，我已经看了第三遍了。硅谷最神秘的亿万富翁——纳瓦尔·拉维坎特。很多人都没听说过他，但马斯克、扎克伯格都非常推崇他。他几乎不接受采访，可一旦开口，就是那种让人当场坐直、反复回放的话。连这两天，我又重温了他三个小时的访谈，帮你总结了含金量最高的几个观点，和你分享。第一，人生中最重要的三个决定。纳瓦尔说啊，所有的结果，几乎都是这三件事的下游：和谁在一起，做什么，住在哪里。这听起来很简单，但他说，大多数人都没有意识到，他们在这三件事上的思考，时间少得可怕。但就是这三件事，决定了你几乎所有的一切——你的朋友圈、你的机会、你的情绪底色、你每天呼吸什么样的空气、你未来能遇见什么样的人。他说，如果你要做一个能够影响4年的决定，你应该花一年的时间来想清楚它。而我们绝大多数人呢？就是花了一个周末，就决定了一份要学4年的专业；花了一个月，就决定了一份干10年的工作。第二，骄傲是最昂贵的特质。这句话很短，但是呢，我愣了很久。纳瓦尔说啊，他观察了很多朋友和同事，那些原地踏步、成长最少的人，几乎无一例外，都是最骄傲的人。骄傲意味着什么？意味着你不会承认自己错了。你买了一只烂股票，不舍得割肉，因为承认亏损，就等于承认你判断失误。你卡在一段不好的关系里，你不离开，是因为你不想让别人看见你失败。骄傲，会把你锁在次优答案里。他说，最好的艺术家、最好的创业者都有一个共同点——就是他们随时愿意从零开始，愿意被看起来像个傻瓜。他还举了马斯克的例子，说他卖掉了 PayPal 之后拿到了2亿美元，接着他把这些钱全部压到了 SpaceX 和特斯拉里，甚至还要借钱付房租。第三，不是一万小时，而是一万次迭代。你一定听过那个“一万小时定律”，说你重复做一件事，坚持1万小时就能成为专家。纳瓦尔呢，一针见血地指出：是错的。真正让你成为专家的，是1万次迭代，而不是1万个小时。重复和迭代，是两件完全不同的事。重复，就是你把一件事做了一遍又一遍；而迭代，是你每做一次，就要带着上一次的教训，做得更好一点。所以，我们每个人都要问自己一个问题：你到底是在迭代，还是只是把第一次的经验，重复了很多遍？第四，灵感是易逝品。这点我觉得，可能是整个访谈里最实用的一条。纳瓦尔说啊，当你有灵感的那一刻，就是阻力最小、效率最高的那一刻，这个窗口转瞬即逝。你有灵感写一篇东西，那就在那一秒写；你有灵感去解决一个问题，就立刻解决；你对某件事突然好奇，就在那一秒去查。不要想着等我有时间再去做，因为等有时间的时候，那个灵感、那个状态，已经不在了。纳瓦尔说啊，他不喜欢被过度安排的人生，因为那样，你会永远错过真正想做的时刻。第五，注意力在哪里，你的人生就在哪里。这是整个访谈里，最让我反复回味的一句话。纳瓦尔说啊，很多人以为钱可以买到时间，但是像沃伦·巴菲特，还有迈克尔·彭博，有钱到这个程度，他们依然没办法多买到一天。而更致命的不是这个。更致命的是，你有时间，却没有把注意力，真正地放在这段时间里。你躺在床上，刷两个小时短视频，时间在流逝，但你的注意力在哪里？在算法推荐给你的下一条，下一条，再下一条。两个小时过去了，你刷了100条视频，可你什么都不记得。纳瓦尔说啊，你的身体在，但其实你已经死了。这，才是现代人最大的悲剧。

另一面

133,259 次观看 • 5 个月前

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！

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

125,199 次观看 • 6 个月前

我们都活在一个巨大的模拟程序里。听起来像科幻电影？有个人用一束激光，在自己家里做了个实验。结果震惊了在场所有人。激光束打在墙上。但光束穿过的地方，竟然浮现出数字和字母。就像游戏里的代码一样，漂在空中。他说这不是幻觉。一百多个人亲眼看过，每个人看到的都一样。从不同角度看，还能看到不同的层次。好像激光撕开了一道口子，让你看到了世界的底层代码。几个世纪以来，无数人试图探索意识的边界。靠的是什么？冥想、药物、各种神秘体验。但那些东西，全都是主观感受。无法重复，无法验证。现在这个激光实验，据说任何人都能重复。而且结果稳定。如果这是真的，意味着什么？我们看到的、摸到的一切，都只是一行行代码？难怪大科技公司和精英阶层，痴迷于元宇宙、虚拟现实。他们是不是早就知道了什么？普通人被蒙在鼓里，埋头为生活奔波。而有些人，已经在尝试扮演“上帝”的角色了。这个世界，到底谁说了算？

我们都活在一个巨大的模拟程序里。听起来像科幻电影？有个人用一束激光，在自己家里做了个实验。结果震惊了在场所有人。激光束打在墙上。但光束穿过的地方，竟然浮现出数字和字母。就像游戏里的代码一样，漂在空中。他说这不是幻觉。一百多个人亲眼看过，每个人看到的都一样。从不同角度看，还能看到不同的层次。好像激光撕开了一道口子，让你看到了世界的底层代码。几个世纪以来，无数人试图探索意识的边界。靠的是什么？冥想、药物、各种神秘体验。但那些东西，全都是主观感受。无法重复，无法验证。现在这个激光实验，据说任何人都能重复。而且结果稳定。如果这是真的，意味着什么？我们看到的、摸到的一切，都只是一行行代码？难怪大科技公司和精英阶层，痴迷于元宇宙、虚拟现实。他们是不是早就知道了什么？普通人被蒙在鼓里，埋头为生活奔波。而有些人，已经在尝试扮演“上帝”的角色了。这个世界，到底谁说了算？

墓碑科技

313,508 次观看 • 5 个月前

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？"

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 次观看 • 1 个月前

所謂＇緣起的世界＇只不過是我們的妄想🌹 我看到一篇關於雙縫干涉實驗的文章，正好與唯識講的道理相互印證，分享給大家。以下是文章的內容：［引用］说一个东西真实存在，就必须得有它本身、他自己、他的本体才叫真实有。不论谁来看，都一样，不会变，我们称真实为客观存在，即不以人的意识为转移，是放之四海而皆准的道理。佛法中把真实存在的东西叫做自性，如果说这个东西真实存在，就是说它有自性，没有自性的东西，即是不存在是虚妄。按照我们现代人的理解，我们能找到一个真实存在的东西吗？这个问题我们先放一边，我们先考虑另外一个问题。我们看到的是什么？我们能看到外界的东西吗？我们看到外界的颜色是真正外界有颜色吗？现代物理学证明，我们的眼睛有三种视锥细胞，可以组成上百万种颜色，我们看到的世界就是由这三种颜色组成的；像牛，狗等哺乳动物他们的视觉画笔只有两种，而螳螂虾的视觉可以说是世界之最，它的视锥细胞多达12-16种，它所看到的世界简直不可思议。通过这个视频，我们能够知道：这个世界上可能并不存在颜色，我们之所以能看到颜色，是因为我们个体有不同的视锥细胞造成的。实际上我们都知道，我们之所以能看到物体，是因为光的反射和折射的作用。光通过物体表面时会反射一部分光线到我们的眼睛，我们就看到了这个物体，我们认为这个物体的颜色就是我们看到的颜色，实际上不是，这个物体的颜色其实是我们自己个体视锥细胞翻译出来的，每个人看到的颜色都会有差别，但我们会认为每个人看到的颜色是一样的，之所以会这样认为，是因为我们根本无法得知除了自己之外其他人的视觉感受，换句话说就是我们看不到我们视觉之外的任何颜色，这一点证明了颜色根本不是真实存在的，完全是主观认知，或许这个世界根本没有颜色，但我们无从得知，从而我们得到一个结论：我们看不到任何东西的自性。从这个结论所引申出来的声音、气味、味道、触觉、想法，即佛法中的声、香、味、触、法，都是我们个体的主观认知，并不是一个东西真实有这些特征，因为我们无从得知我们认知之外的认知。这就是为什么“有一种冷叫奶奶说冷”的原因，我们的所有见闻觉知只代表自己，你体会不到你认识外的存在，一旦被我们认识到的就只是我们自己的认知，所以我们都是生活在自己的认知范围里，也就是说我们的所有认知不是客观存在的，都是没有自性的。我们再思考：既然我们认识不到客观存在的东西，那我们能不能说到他们？能不能用理论证明确实有真实存在的东西呢？实际上，我们认识不到客观存在的东西，怎么能说到他们呢？很显然说不到，你没见过的东西，怎么脑补也无法说清楚，就算说出来了你也没办法证实，因为我们说眼见为实，可我们都没见过真实存在的东西怎么能说清楚呢？那我们，能不能用理论证明有真实存在的东西呢？物理学非常有名的双缝干涉实验，我把视频发在这里。咱们说说为什么科学家会做这个实验？科学家们认为物质是客观存在的，就像我们所有人类的认知一样，他们为了证明物质真实存在，想方设法去验证。他们认为只要找到组成物质的最小单位，并且证明这个最小单位是真实存在的，就可以说由它组成的任何物质都是真实存在的了，就如上面的双缝干涉实验，但这个实验却证明打出去的粒子是变成物质的存在形式（竖条纹）还是变成能量的存在形式（波纹）跟观察者是否观察有关，也就是说人类所认为的物质并不真实存在，说它是否真实存在跟我们的意识有关。实际上，科学家最初的设想就是自相矛盾的，他们想找到组成物质的最小单位以此来证明由这个基本单位组成的任何东西都是存在的，这个想法看似合理，实际上根本就是个悖论，如果说最小的物质单位找到了，那这个东西得有长宽高吧？有体积就不是最小，就可以再分，无限分下去还得有体积，不能是零，是零就不存在物质了，所以只要有体积就可以再分，请问你怎么能找到组成物质的最小单位呢？真可笑！退一步说，真理是永恒不变的，放之四海而皆准的，在地球上的真理也必须在地球以外还得皆准才能叫真理，我们连地球还没研究明白呢，又怎么能找到永恒不变的真理呢？这不是夜郎自大吗？同类有情的见闻觉知都是相似的，但绝不相同，每个有情的认知仅限于他的见闻觉知，他永远不可能认识到他认知之外的东西，甚至我们会下意识不假思索的认为我们的见闻觉知是真实存在的，但我们都忘了——真理是什么？永恒不变！如果你见闻觉知的东西都是不变的，你才可以说我找到真实了，除此之外都是妄想。

所謂＇緣起的世界＇只不過是我們的妄想🌹 我看到一篇關於雙縫干涉實驗的文章，正好與唯識講的道理相互印證，分享給大家。以下是文章的內容：［引用］说一个东西真实存在，就必须得有它本身、他自己、他的本体才叫真实有。不论谁来看，都一样，不会变，我们称真实为客观存在，即不以人的意识为转移，是放之四海而皆准的道理。佛法中把真实存在的东西叫做自性，如果说这个东西真实存在，就是说它有自性，没有自性的东西，即是不存在是虚妄。按照我们现代人的理解，我们能找到一个真实存在的东西吗？这个问题我们先放一边，我们先考虑另外一个问题。我们看到的是什么？我们能看到外界的东西吗？我们看到外界的颜色是真正外界有颜色吗？现代物理学证明，我们的眼睛有三种视锥细胞，可以组成上百万种颜色，我们看到的世界就是由这三种颜色组成的；像牛，狗等哺乳动物他们的视觉画笔只有两种，而螳螂虾的视觉可以说是世界之最，它的视锥细胞多达12-16种，它所看到的世界简直不可思议。通过这个视频，我们能够知道：这个世界上可能并不存在颜色，我们之所以能看到颜色，是因为我们个体有不同的视锥细胞造成的。实际上我们都知道，我们之所以能看到物体，是因为光的反射和折射的作用。光通过物体表面时会反射一部分光线到我们的眼睛，我们就看到了这个物体，我们认为这个物体的颜色就是我们看到的颜色，实际上不是，这个物体的颜色其实是我们自己个体视锥细胞翻译出来的，每个人看到的颜色都会有差别，但我们会认为每个人看到的颜色是一样的，之所以会这样认为，是因为我们根本无法得知除了自己之外其他人的视觉感受，换句话说就是我们看不到我们视觉之外的任何颜色，这一点证明了颜色根本不是真实存在的，完全是主观认知，或许这个世界根本没有颜色，但我们无从得知，从而我们得到一个结论：我们看不到任何东西的自性。从这个结论所引申出来的声音、气味、味道、触觉、想法，即佛法中的声、香、味、触、法，都是我们个体的主观认知，并不是一个东西真实有这些特征，因为我们无从得知我们认知之外的认知。这就是为什么“有一种冷叫奶奶说冷”的原因，我们的所有见闻觉知只代表自己，你体会不到你认识外的存在，一旦被我们认识到的就只是我们自己的认知，所以我们都是生活在自己的认知范围里，也就是说我们的所有认知不是客观存在的，都是没有自性的。我们再思考：既然我们认识不到客观存在的东西，那我们能不能说到他们？能不能用理论证明确实有真实存在的东西呢？实际上，我们认识不到客观存在的东西，怎么能说到他们呢？很显然说不到，你没见过的东西，怎么脑补也无法说清楚，就算说出来了你也没办法证实，因为我们说眼见为实，可我们都没见过真实存在的东西怎么能说清楚呢？那我们，能不能用理论证明有真实存在的东西呢？物理学非常有名的双缝干涉实验，我把视频发在这里。咱们说说为什么科学家会做这个实验？科学家们认为物质是客观存在的，就像我们所有人类的认知一样，他们为了证明物质真实存在，想方设法去验证。他们认为只要找到组成物质的最小单位，并且证明这个最小单位是真实存在的，就可以说由它组成的任何物质都是真实存在的了，就如上面的双缝干涉实验，但这个实验却证明打出去的粒子是变成物质的存在形式（竖条纹）还是变成能量的存在形式（波纹）跟观察者是否观察有关，也就是说人类所认为的物质并不真实存在，说它是否真实存在跟我们的意识有关。实际上，科学家最初的设想就是自相矛盾的，他们想找到组成物质的最小单位以此来证明由这个基本单位组成的任何东西都是存在的，这个想法看似合理，实际上根本就是个悖论，如果说最小的物质单位找到了，那这个东西得有长宽高吧？有体积就不是最小，就可以再分，无限分下去还得有体积，不能是零，是零就不存在物质了，所以只要有体积就可以再分，请问你怎么能找到组成物质的最小单位呢？真可笑！退一步说，真理是永恒不变的，放之四海而皆准的，在地球上的真理也必须在地球以外还得皆准才能叫真理，我们连地球还没研究明白呢，又怎么能找到永恒不变的真理呢？这不是夜郎自大吗？同类有情的见闻觉知都是相似的，但绝不相同，每个有情的认知仅限于他的见闻觉知，他永远不可能认识到他认知之外的东西，甚至我们会下意识不假思索的认为我们的见闻觉知是真实存在的，但我们都忘了——真理是什么？永恒不变！如果你见闻觉知的东西都是不变的，你才可以说我找到真实了，除此之外都是妄想。

唯識學苑

82,144 次观看 • 2 年前

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 次观看 • 2 个月前

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。

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

701,378 次观看 • 2 个月前

塔克·卡尔森公开炮轰他认为，爱泼斯坦岛的真正性质，是一场由境外力量策划的勒索行动。现在各种答案根本无法接受，不管是谁给出的。这场掩盖，从2007年就开始了，快20年了。所以真正的问题不是“爱泼斯坦是不是在虐待女孩？” 这个我们知道。真正的问题是，他为什么这么做？他为谁做事？钱从哪里来？这些才是需要回答的问题。一个70年代末没有大学学位的数学老师，怎么就突然拥有了多架飞机、一座私人岛屿和曼哈顿最大的豪宅？钱呢？没人触及过这个问题的核心，因为没人真正尝试过。而且，任何人都能看出来，这家伙和一个外国政府有直接联系。他用自己举例。我一生大部分时间在华盛顿，我认识并喜欢CIA的人，但这不妨碍我说CIA干过可怕的事，比如参与谋杀在任美国总统。这让我不忠于美国了吗？没有。我生在这里，家族几百年都在这里，我爱这个国家。所以，批评一个政府机构的行为，不会让你成为一个仇恨者。这让你成为一个自由的人，一个公民。你有权这么做。

塔克·卡尔森公开炮轰他认为，爱泼斯坦岛的真正性质，是一场由境外力量策划的勒索行动。现在各种答案根本无法接受，不管是谁给出的。这场掩盖，从2007年就开始了，快20年了。所以真正的问题不是“爱泼斯坦是不是在虐待女孩？” 这个我们知道。真正的问题是，他为什么这么做？他为谁做事？钱从哪里来？这些才是需要回答的问题。一个70年代末没有大学学位的数学老师，怎么就突然拥有了多架飞机、一座私人岛屿和曼哈顿最大的豪宅？钱呢？没人触及过这个问题的核心，因为没人真正尝试过。而且，任何人都能看出来，这家伙和一个外国政府有直接联系。他用自己举例。我一生大部分时间在华盛顿，我认识并喜欢CIA的人，但这不妨碍我说CIA干过可怕的事，比如参与谋杀在任美国总统。这让我不忠于美国了吗？没有。我生在这里，家族几百年都在这里，我爱这个国家。所以，批评一个政府机构的行为，不会让你成为一个仇恨者。这让你成为一个自由的人，一个公民。你有权这么做。

墓碑科技

30,625 次观看 • 1 年前