宝玉

统计数据

912

文章

0

粉丝

0

获赞

20656

阅读

2个月前

Google DeepMind Gemini 3 Pro 黑客松，每人将获得价值 10,000 美元的 Gemini API 积分（不是现金，但也值钱）。即日起至 12月12日（只有一周时间冲刺！）开发平台： Google AI Studio（活动期间免费使用 Gemini 3 Pro 构建）选出 50 位优胜者，每人奖励 $10,000 美元 (约 7.2w 人民币) 的 Gemini API 额度！赛题方向：只要能解决实际问题就行！科学探索、教育、健康、无障碍工具、或者纯粹好玩的创意。参赛步骤： 1. 打开，用 Gemini 3 把你的脑洞变成 App。 2. 录制一个 2分钟以内的演示视频（Show, don't just tell!）。 3. 在 Kaggle 平台提交视频 + App 公开链接。对 AI 感兴趣的所有人！无论你是资深极客，还是只会写 Prompt 的小白，只要有点子，这次都能同台竞技。

2个月前

在写感谢 Pichai 的推文时，我写了一段话，大意是： > 真正的“魔法时刻”，发生在你将 Nano Banana Pro 的可视化能力、世界知识，与 Gemini 的实时联网能力融为一体之时。Nano Banana Pro 不仅能将你天马行空的创意变为现实，让我们每一个人能自由的去创造。然后这位网友问了我一个问题： > 在整个工作流中，你觉得最难的部分是什么？这里面最难的部分不是提示词，甚至不是创意，而是你得知道AI的能力的边界，模型擅长什么不擅长什么，再在模型的能力范围以内和你的想法之间找到一个最佳的结合点。比如说这个城市天气预报的例子，我在 GPT-4o Image 的时候就写过类似的，那时候它就能生成很不错的效果，但是它不能自己去获取日期和天气再去生成图形，所以我得要写一个获取天气的API，把它做成GPTs，这就限制了它的可玩性。所以当Gemini 集成了 nano banana pro 之后，我马上就重新测试了这个想法，发现Gemini模型现在能获取当前日期和天气然后生成图像，那么这个想法就可以很容易实现。另外一个难点就是你的作品不应该只是单个的场景，不是只有作者自己为了展示自己的提示词多牛，而是应该让读者能参与其中，是一个提示词模板而不是提示词，每一个人都可以结合自己的场景、兴趣去尝试，去修改，这也是很有挑战的事情。比如说像这套城市天气的提示词，每个人都可以测试自己的城市，不同的日期，甚至可以衍生出很多好玩的版本，比如穿越回过去，把地方放到火星、虚拟的游戏地址。

2个月前

你可能没认识真正厉害开发，真正厉害的恰恰会用codex和Claude code，辅助用cursor或者vs code。好的engineering manager靠的不是微管理，不怕任务交给下属会搞砸，因为他们了解下属能力边界，擅长把任务拆分成下属能力范围内的粒度，还能对下属的结果进行验收，不仅省力还能充分利用团队的力量。糟糕的manager不敢把任务给下属做，怕下属搞砸怕下属抢了自己的饭碗，到处微管理，自己累团队效率也不高。使用 Coding Agent 编程你就是engineering manager或tech leader的角色，靠的不是掌控感不是微管理，是你的技术能力和管理能力！

2个月前

我在写 prompt 时的原则和方法大概是这样：我的提示词原则 1. 做成模板，而不是固定提示词。这样每个人都可以根据自己的场景自由发挥——输入自己喜欢的品牌、城市天气、公司股市、迷你店主题，甚至把文章做成信息图。核心是给用户一个“能玩”的框架，而不是规定他们必须怎么写。 2. 充分结合模型自身的能力（搜索、世界知识、理解能力）。比如城市天气 prompt 可以让 Gemini 根据城市与日期检索天气；迷你 3D 公司股市图也是利用模型的实时金融检索；信息图 prompt 则依赖模型对文章内容的理解与提炼。我写 Nano Banana Pro 的策略 1. 先用 AI 针对一种具体情况跑通原型。 2. 再把这个原型抽象成一个可扩展的提示词模板，让输入内容决定最终输出。核心是让模型自动组合结构、自动适配场景，不去人为限制它。就像写程序，不 hardcode，而是留好接口灵活组合。关于精简提示词现在的模型能力很强，token 长一点或短一点影响不大。所以我不会过度花时间去压缩 prompt，而是优先确保它“能用、能生长”。等功能成熟后，必要时再考虑精简。我主要使用的辅助工具是 GPT-5.1、GPT-4.5 和 Gemini 3 Pro，会把同一个任务同时发送给它们，让它们各自生成结果，再从中挑选表现最好的。

2个月前

Anthropic 收购了 bun！👍 之前看 Anthropic 的一些代码就发现他们很喜欢用 bun，没想到现在直接收购了。

2个月前

现在所有的大语言模型，无论它号称上下文窗口可以多少，输入是真的可以很长，但是输出不能太长，输出长了就幻觉严重，相对好一些的是 Gemini，所以使用时，你可以输入很多资料给它参考，但是每次不要输出太多，比如一次最多输出几千字，多了就要分页。

2个月前

iPhone 问世之前的手机设计，有的还挺酷的

2个月前

半年前看到的故事有了续集，有时候已有的经验会变成未来的障碍，因为对某种技术过于熟悉而拒绝接受新的更先进的技术，结果被新技术淘汰。如果能转变心态，其实很多时候已经有的经验可以让自己更快的学习新的技术。想起若干年前我重学前端，我很早就做过前端，不过是jQuery，直接操作dom，后来转去做别的事情很久没碰过前端，再回来发现前端已经翻天覆地，都是react、redux这种新的技术栈，于是不得不重新学。开头的时候是最最痛苦的时候，和新人不一样，react、redux、webpack这些新技术栈和以前jquery的思路是完全不一样的，如果不懂jquery，反而可以很快接受新的技术思想，但是对于对旧的技术思想过于熟悉的，就总是会想借用旧的经验，反而适得其反，就好比学英语总是先用中文翻译一遍。痛苦的时候最自然的想法就是退回去，继续用自己熟悉的技术栈，又不是不能实现，还又快又好，但也意味着再没机会无法去掌握新的技术，永远停留在就的技术栈。我忘了当初经历几周还是几个月才完全学会 react、redux，但我依然记得当时学新技术栈的痛苦和总想退回旧技术栈的冲动。熬过去就海阔天空了，不仅掌握了新的技术，以前的经验也不会白费，最重要的是不会被时代甩下去。

2个月前

提示词：请绘制一张色彩鲜艳、竖版（9:16）手绘风格的《{城市名}旅行手账插画》，画风仿佛由一位充满好奇心的孩子用蜡笔创作，整体使用柔和温暖的浅色背景（如浅黄色），搭配红色、蓝色、绿色等明亮色调，营造温馨、童趣、满满旅行气息的氛围。一、主画面：手账式旅行路线在插画中央绘制一条“蜿蜒曲折的旅行路线”，路线用箭头 + 虚线连接多个地点，由 {天数} 日行程自动生成推荐景点：示例格式（自动替换为{城市名}相关）： - “第 1 站：{景点 1 推荐 + 简短趣味描述}” - “第 2 站：{景点 2 推荐 + 简短趣味描述}” - “第 3 站：{景点 3 推荐 + 简短趣味描述}” - … - “最终站：{当地招牌美食/纪念品 + 温馨结束语}” > 旅程站点数量随天数自动生成： > 若用户未输入天数，则按默认 1 日 / 精华线路生成。 --- 二、周围趣味元素（全部根据城市自动替换）在路线周围加入大量充满童趣的小元素，例如： - 可爱的旅行角色： “拿着当地特色小吃的小朋友”、 “背着旅行包的冒险小孩”等。 - 当地标志性建筑的童趣 Q 版手绘：如 “{城市地标1}”、“{城市地标2}”、“{城市地标3}”。 - 有趣的提示牌： “小心迷路！”、“注意人流！”、“前方好吃的！”（可根据城市语境调整）。 - 贴纸式小标语： “{城市名}旅行记忆已解锁！” “{城市名}美食大冒险！” “下一站去哪儿？” - 当地美食的可爱小图标：如 “{城市美食1}”、“{城市美食2}”、“{城市美食3}”。 - 感叹句（保持童真风）： “原来{城市名}这么好玩！” “我要再来一次！” --- 三、整体风格要求 - 手绘蜡笔风 / 儿童旅行日志风格 - 色彩鲜艳、构图饱满但温暖 - 强调旅行的欢乐与探索感 - 所有文字采用可爱的手写字体 - 让整个画面像一本童趣满满的旅行手账页面 --- “北京 7 日游”

2个月前

对 AI 客服的吐槽，真实吗？ > 我是人工客服，我真的很烦 AI 客服听不懂人话，客户本来没有那么生气的，结果拿给ai一聊，转到人工来的全是暴跳如雷的客户

#AI客服 #人工客服 #客户体验 #用户吐槽 #服务质量

2个月前

一篇来自 Apollo Academy 的报告，标题直指痛点：《AI 采用率开始趋于平缓》。报告引用了美国人口普查局和金融科技公司 Ramp 的数据，指出企业对 AI 的采用速度不仅没有指数级增长，甚至在大型企业中出现了停滞甚至下滑的迹象。

#AI采用率 #Apollo Academy报告 #企业AI停滞 #美国人口普查局 #Ramp

2个月前

Out the Window Prompt for 🍌: 经典的“Out the Window” Meme 四格漫画竖版布局，标题在漫画顶部居中，背景为现代办公会议室场景，风格简洁、幽默、清晰易懂，所有人物均以卡通风格表现，适合用于网络传播。 ### 标题（居中）：《AI 自媒体如何吸引流量？》（中文，加粗） ### 第一格（完整横格）： - **场景**：公司会议室，老板站立在白板或投影幕前讲话，老板为分头发型、西装领带、严肃但略带疑惑的男性（参考图1）。 - **动作**：老板张开双手，似在询问，下方桌前并排坐着三位员工（从左到右：小明、小红、小互）。 - **对话气泡（老板）**：“我们做 AI 自媒体的要如何吸引流量？” - **员工描述**： - 小明：男性，蓝色格子衬衫，戴眼镜，程序员气质。 - 小红：女性，休闲时尚穿搭，显出设计师的个性气质。 - 小互：戴圆眼镜，职场休闲风（参考图2）。 ### 第二格（完整横格，画面中三个员工分别给出回答，表情认真自信）： - **小明（左侧）对话气泡**：“紧跟最新 AI 热点” - **小红（中间）对话气泡**：“分享干货” - **小互（右侧）对话气泡**：“标题里加一个「炸裂了兄弟们」” ### 第三格（下半行左侧小格）： - **老板特写镜头**，表情从严肃转为愤怒，面容阴沉，额头出现愤怒的青筋或“井”字符号。 ### 第四格（下半行右侧小格）： - **场景切换到大楼外景**，高层窗户破裂，背景是高楼，眼镜员工小互夸张地被老板踢出窗外，表现幽默的动态姿势，小互表情惊讶并带有喜剧效果，窗内老板依然维持愤怒的表情和姿势。 --- ### 附加风格要求（可选但推荐）： - 人物绘制：卡通化、线条清晰明快，颜色鲜明易辨，易于网络传播。 - 对话气泡：中文文字，字体清晰、大小适中且统一，采用黑色文字、白色背景的标准漫画气泡。

nanobanana平台助力个人形象照生成，专业形象照引发热议· 107 条信息

#AI自媒体 #吸引流量 #幽默 #职场 #老板

2个月前

nano banana pro 不用参考图能生成这种风格的图片吗？

nanobanana平台助力个人形象照生成，专业形象照引发热议· 107 条信息

#Nano Banana Pro #图片生成 #风格迁移

2个月前

nano banana pro 能生成这种风格的图片吗？

nanobanana平台助力个人形象照生成，专业形象照引发热议· 107 条信息

#Nano Banana Pro #图片生成 #风格迁移

3个月前

帮转招聘信息

3个月前

转译：科技就业寒冬来袭：最新数据令人不寒而栗作者：Alistair Barr - Indeed最新报告显示，科技行业的招聘岗位锐减，其中数据和分析领域尤其惨淡。 - 与疫情前的招聘高峰相比，数据和分析领域的招聘岗位减少了40%。 - 越来越多的求职者以及生成式AI的兴起，让这个领域的竞争异常激烈。 Indeed是全球规模最大的招聘网站，最近发布了一年一度的就业市场报告，报告中的科技岗位数据 () 显得相当惨烈。其中数据和分析相关岗位的前景尤其不容乐观。让我们先看看整个就业市场的情况。从Indeed的招聘岗位指数（Job Postings Index）图表中可以清晰看到，自2022年疫情后的招聘热潮之后，可招聘岗位数量便持续下滑：图2: Indeed的整体招聘岗位趋势图（来源：Indeed）深入分析后可以发现，科技行业的情况比其他行业更糟糕。在2022年，Indeed的科技岗位招聘指数一度突破200，但如今已经暴跌到67：图3: Indeed的科技岗位招聘指数图（来源：Indeed）在科技行业内部，数据和分析领域尤为突出。截至今年10月底，这一领域的招聘指数跌至60，是Indeed追踪的所有行业中最低的。这意味着与疫情爆发前相比，数据分析相关岗位减少了整整40%。更令人担忧的是，求职者申请这类岗位的人数却还在不断增加。数据分析相关岗位通常包括业务分析师、数据分析师、数据科学家和商业智能开发人员等职位。Indeed的数据表明，这个领域的供需严重失衡。过去几年，大量求职者接受了数据科学相关的培训，使市场上积累了大量技能型人才，但恰逢企业的招聘意愿冷却下来。 Indeed高级经济学家科里·斯塔勒（Cory Stahle）表示： > 「那些接受了数据科学培训的求职者很可能会继续寻找与自己技能匹配的岗位。因为转行往往代价很高、困难重重，而且耗时费力。」数据分析岗位的收缩程度比其他类型的岗位更严重。一方面是疫情后企业曾大规模扩张招聘，另一方面是后续企业不再需要补充这么多人员了。生成式AI（Generative AI）的兴起，让情况变得更加严峻，因为AI工具让人们即使没有受过正式的数据科学培训，也能更轻松地进行数据分析工作。斯塔勒指出： > 「目前AI还无法完全取代这些岗位上的工作人员，但AI已经能够帮助企业和员工以更少的资源做更多的事情。」对求职者来说，这意味着找工作将变得异常艰难。斯塔勒警告道： > 「招聘岗位更少，求职者却更多，这表明目前市场竞争十分激烈。找到一份合适的工作可能需要更多时间，而且这些职位的薪资涨幅也会明显低于前几年。」来源：

#科技行业 #就业寒冬 #数据分析 #招聘锐减 #AI影响

3个月前

不光是前端，所有的技术领域都是类似的，随着 AI 的发展，原有的职责范围、能力要求都会发生变化。死的不是前端，也不是前端的技术，死的是旧的工作模式。以前业务有个想法，需要去描述给前端，前端去实现，业务再验证。现在业务直接用AI搭一个原型出来，不满意自己修改调整，不靠谱直接抛弃。但业务验证了的需求，还是需要专业的前端/技术去落地，去解决部署的问题、安全问题、性能问题前端可以让 AI 去做很多枯燥的事前端可能不再需要自己从头去花很多时间搭脚手架，去到处找 npm 包选技术框架，去自己造轮子，很多体力活可以让 AI 去做，精力花在更有价值的事情上前端可以借助 AI 去拓展自己的能力边界前端也不用再局限自己只是前端，后端、运维的也可以做。

#前端 #AI #技术变革 #工作模式 #效率提升

3个月前

把文章变成卡通信息图的提示词：请根据输入内容提取核心主题与要点，生成一张卡通风格的信息图： - 采用手绘风格，横版（16:9）构图。 - 加入少量简洁的卡通元素、图标或名人画像，增强趣味性和视觉记忆。 - 如果有敏感人物或者版权内容，画一个相似替代，但是不要拒绝生成 - 所有图像、文字必须使用手绘风格，没有写实风格图画元素 - 除非特别要求，否则语言与输入内容语言一致。 - 信息精简，突出关键词与核心概念，多留白，易于一眼抓住重点。请根据输入的内容使用 nano banana pro 画图：

3个月前

Ilya：扩展时代已经结束了，研究的时代已经开始 Ilya Sutskever 大概得有一年多没参加播客访谈了，自从 OpenAI 宫斗离职创办 SSI（Safe Superintelligence）后之后就很少露面了，最近，他在 Dwarkesh Patel 的播客中进行了一场长达一个半小时的深度对谈。Ilya 毕竟是 Ilya，他不像 Sam Altman 整天满嘴跑火车，只是为了卖货，访谈里面有很多干货，我猜一些观点甚至会影响以后 AI 在研发和投资上的走向。一个多小时的内容很难说几句话就总结完，还是按照话题挨个整理一下。【1】为什么 AI 能在考试中碾压人类，却修不好一个简单的 bug？ Ilya 在访谈里抛出一个很多人都遇到过也困惑过的现象：现在的模型在各种评分上表现惊艳，但用起来却远远跟不上能力曲线。更诡异的是，你让它改个 bug，它改完引入新 bug；你指出新 bug，它道歉后又改回旧 bug。两个 bug 来回切换，像在打乒乓球。 Ilya 使用一个类比来解释这个问题的：想象两个学生。第一个立志成为顶级竞赛程序员，刷了一万小时题，背熟所有算法模板，练到条件反射般精准。第二个觉得竞赛挺酷，随便练了一百小时，也拿了不错的成绩。哪个人未来职业发展更好？大概率是第二个。 Ilya 说，现在的模型比第一个学生还极端。训练时把所有竞赛题都刷了，还做了数据增强生成更多变体，一遍遍强化。结果就是：所有算法技巧都刻在指尖，但这种准备程度本身就限制了泛化能力。这个类比点破了一件事：能力和泛化是两回事。刷题刷到极致，可能恰恰堵死了触类旁通的路。【2】真正的 reward hacking（奖励作弊）是人类研究员问题出在哪？Ilya 认为是训练数据的选择逻辑变了。预训练时代很简单：数据越多越好，什么都往里塞，不用挑。但 RL（强化学习）时代不一样了。你得选择做什么强化训练、用什么环境、优化什么目标。于是一个微妙的循环出现了：研究员想让发布时的 benchmark 得分数字好看，就设计能提升这些指标的 RL 训练。模型变得越来越会考试，但考试能力和真实世界能力之间的鸿沟被放大了。讽刺的是，真正在奖励作弊的不是模型，是设计训练的人在不知不觉中过度关注了考试成绩。【3】为什么人类学东西这么快说到这里就要问一个更深的问题：为什么人类学东西这么快，而且这么稳？ Ilya 提到一个特别有意思的医学案例：有个人因为脑损伤，失去了所有情绪——不会难过、不会愤怒、不会兴奋。看起来他还是能说话，能做智力题，测试分数也正常。但他的生活彻底崩溃了：花几个小时决定穿哪双袜子，财务决策一塌糊涂。这说明什么？情绪不只是情绪，它在某种程度上充当了内置的价值函数。它告诉你什么事值得做，什么选择是好是坏，不需要等到最后结果出来才知道。价值函数是个技术术语，但概念不难理解。传统的强化学习是这样的：模型做一长串动作，最后得到一个分数，然后用这个分数去调整之前所有步骤。问题是，如果任务需要做很久才有结果，学习效率就很低。价值函数的作用是“提前剧透”。比如下棋时你丢了一个子，不用下完整局就知道这步不好。编程时如果探索了一个方向走了一千步发现不对，价值函数能让你在一开始选择这个方向时就得到负反馈。这就像 GPS 导航，不是等你开到终点才告诉你这条路不对，而是在你刚拐错弯时就开始重新规划。人类大概就是有这么一套系统。而且这套系统的妙处在于：它相对简单，却在非常广泛的情况下都管用。我们的情绪主要是从哺乳动物祖先那里继承来的，针对的是几百万年前的环境，但放到现代社会居然还能用得不错。当然也有失灵的时候，比如面对满街的美食，我们的饥饿感就管不住了。【4】堆算力堆数据的扩展时代已经结束了，研究的时代已经开始 Ilya 认为规模化时代结束了？他给了个很有意思的视角：在 2012 到 2020 年，大家在做研究，试这试那，看什么有意思。然后 2020 年左右，scaling law(规模化定律) 被发现了，GPT-3 横空出世。突然之间所有人意识到：原来只要扩展规模，堆数据、堆算力、堆模型参数大小，一路扩充，就能稳定得到更好的结果。规模化的好处是低风险。而研究是有风险的，你得雇一堆聪明人去探索，不保证有成果。但规模化？只要投入更多资源，就一定能看到回报。公司喜欢这种确定性。但副作用是它吸走了房间里所有的氧气，创新空间被压缩，最后变成“公司比想法多”的局面。但现在呢？预训练的数据就那么多，互联网就这么大，总会用完。Gemini 据说找到了从预训练榨取更多的方法，但这条路终归有尽头。然后大家转向了强化学习，开始在那上面堆算力。可问题是：现在算力已经这么大了，再 100 倍真的会质变吗？Ilya 不这么认为。他觉得我们又回到了需要思考到底该做什么的阶段，而不是继续闷头堆资源。这就像爬山。一开始你发现有条路，往上走就是了，越走越高。但总有一天，你会发现这条路到头了，再往前走也高不了多少。这时候要么换条路，要么换种爬法，总之不能继续原来的策略。现在的 AI 行业就处在这个节点上。所以 Ilya 说：我们回到了研究时代，只不过这次手里有大得多的计算机。【5】泛化能力才是核心问题在 Ilya 看来，当前最根本的问题是：这些模型泛化能力太差了。什么叫泛化能力差？就是学一样东西需要的数据量太多，而且学会的东西换个场景就不灵了。人类不是这样的。一个青少年学开车，10 个小时基本就能上路了。而且人类五岁小孩的视觉能力就足以支持自动驾驶了，虽然他不会开车，但识别路况、判断距离这些能力已经很强了，而且这些能力是在父母家里那种数据多样性很低的环境里学会的。更关键的是，人类学编程、学数学这些东西也很快。这些可不是进化给我们的能力，因为我们的祖先根本不需要写代码。这说明人类不光是在某些特定任务上有进化优势，而是在学习这件事本身上就有某种更本质的能力。模型呢？虽然在某些具体任务上超过了普通人，但要说学习能力，还差得远。 Ilya 对这个问题有想法，但他说现在不能详细聊，因为在这个竞争激烈的领域，不是所有机器学习想法都能公开讨论的。不过他给了个方向性的提示：这很可能跟如何做到像人类那样高效、稳定的泛化有关。还有一个可能的阻碍：也许人类的神经元实际上比我们想的做更多计算？如果是这样，事情就更复杂了。但不管怎样，人类的存在本身就证明了这种高效学习是可能的。【6】重新定义 AGI：从成品到学习者这里 Ilya 做了一个概念上的重要修正。 AGI 这个概念怎么来的？是作为“狭隘 AI”的反面而诞生的。以前的 AI 只会下棋，只会玩游戏，非常狭隘。所以大家说：我们要造通用的 AI，什么都能做的 AI。预训练强化了这个印象，因为预训练确实让模型在各种任务上都变强。于是“通用 AI”和“预训练”在概念上绑定了。但这里有个问题：按照这个定义，人类自己都不算 AGI。人类有一套基础能力，但缺乏大量具体知识。我们靠的是持续学习。一个聪明的十五岁孩子什么都不会，但学什么都快。“去当程序员”、“去当医生”、“去学习”，部署本身就包含一个学习和试错的过程。所以 Ilya 心目中的超级智能，不是一个出厂就什么都会的成品，而是一个能像人一样快速学习任何技能的学习者。【7】能自动学习的 AI 会有多快到来？有多危险？那么问题来了：如果有这样一个系统，能像人类一样快速学习，而且可以大量复制部署，会发生什么？人类入职六个月才能产出价值，但这种 AI 可能几周就行。而且不同副本学到的东西还能合并，这是人类做不到的。这难道不会导致某种爆炸式增长？ Ilya 认为确实会有快速的经济增长，但到底有多快很难说。一方面有高效的劳动者，另一方面现实世界很大，很多东西有自己的节奏，不是你想快就能快的。但他确实改变了一些想法。以前 SSI 的计划是“直奔超级智能”——不发布中间产品，一鼓作气搞定终极目标。现在 Ilya 觉得，渐进式发布可能更重要。【9】为什么要渐进部署？因为想象不出来就得看见访谈中 Ilya 反复强调一点：AI 的问题在于它还不存在，而不存在的东西很难想象。你可以读一篇文章说“AI 会变得多厉害”，但读完你觉得“哦，有意思”，然后回到现实。如果你亲眼看到 AI 在做那件事，感受完全不同。他打了个比方：像二十岁时讨论“年老体弱是什么感觉”。你可以聊，可以想象，但真正的理解只能来自经历。这导致一个实际问题：所有关于 AI 风险的讨论，都基于对未来 AI 的想象。而想象往往跟不上现实。就连天天做 AI 的人，也会因为当前模型的各种低级错误而低估未来模型的能力。 Ilya 的预测是：随着 AI 变得更强，人们的行为会发生根本改变。竞争对手会开始合作搞安全，政府和公众会开始认真对待监管。这些事情现在开始有苗头了，但还远远不够。而真正的催化剂，是让人们看到更强的 AI。这也是他对 SSI“直奔超级智能”策略有所松动的原因。原本的想法是不参与市场竞争，专心做研究，等东西准备好了再拿出来。现在他觉得，让 AI 被看见这件事本身是有价值的。当然，无论哪种路径，最终部署都必须是渐进的。【9】SSI 在做什么？不同的技术路线 SSI 融了三十亿美元。这个数字单看很大，但跟其他公司动辄几百亿的投入比起来似乎不够。 Ilya 算了一笔账。那些大数字里，很大一部分是用于推理服务的。另外，做产品需要大量工程师、销售、产品功能开发，研究资源被稀释。真正用于前沿研究的资源，差距没看起来那么大。更重要的是，如果你在做不一样的事，不一定需要最大规模的计算来验证想法。AlexNet 用两块 GPU 训的。Transformer 论文最多用了 64 块 2017 年的 GPU，换算成今天也就两块卡。第一个推理模型 o1 的推理能力也不是靠堆算力堆出来的。研究需要一定算力，但不需要最大算力。真正的瓶颈是想法。那 SSI 的技术路线是什么？Ilya 没有完全透露，但核心方向是解决泛化问题。他认为现在的方法会走一段然后撞墙，继续进步但无法突破到真正的人类级学习能力。而 SSI 在探索不同的路径。时间表呢？五到二十年，达到人类级别的学习能力。【10】安全对齐是什么？应该对齐什么？说到超级智能，绕不开安全对齐问题。Ilya 的想法是：让 AI 关心有感知能力的生命。为什么是这个目标而不是“关心人类”？他给了个有意思的理由：AI 本身也会有感知能力。如果你想让 AI 关心人类，可能反而更难，因为它需要做某种特殊化处理。而如果让它关心所有有感知的存在，某种程度上更自然，类似人类对动物的共情，来自于我们用同样的神经回路去理解别人和理解自己。当然这个方案也有问题。如果大部分有感知能力的存在都是 AI，那人类在数量上会是极少数。这真的能保证人类的利益吗？ Ilya 承认这不一定是最好的方案，但他认为至少应该把它列入候选清单，让各家公司到时候可以选择。还有一个思路他提了但不太喜欢：人机融合。通过类似 Neuralink 脑机接口的技术，让人类部分成为 AI。这样 AI 的理解就是人的理解，AI 的处境就是人的处境，对齐问题某种程度上就消解了。但这显然是个很激进的方案。【11】如何硬编码高级欲望？访谈最后有一段很有趣的讨论。人类有很多社会性的欲望：想被人尊重、在乎社会地位、关心别人怎么看自己。这些不是低级信号，不像闻到食物香味那样有直接的化学感应器。大脑需要整合大量信息才能“理解”社交场合发生了什么。但进化却成功地把“关心这件事”硬编码进了基因。怎么做到的？如果说“把多巴胺连到嗅觉感受器”还能想象，那“把奖励信号连到某种需要整个大脑协同计算才能得出的高级判断”就很难想象了。 Ilya 说他有一些猜想，但都不令人满意。这是个谜。但这个谜的存在本身就很有启发性，它说明进化找到了某种方法，可靠地给复杂认知系统植入高级目标。【12】什么是研究品味？访谈最后，Dwarkesh 问了 Ilya 个很本质的问题：作为联合创造了 AlexNet、GPT-3 等一系列里程碑工作的人，你怎么判断什么想法值得做？ Ilya 的回答很诗意：我寻找的是美感。不是随便的美感，而是多方面的美：简洁性、优雅性、正确的大脑启发。人工神经元是个好想法，因为大脑确实有很多神经元，虽然大脑很复杂但神经元这个抽象感觉抓住了本质。分布式表示是个好想法，因为大脑确实是从经验中学习。当一个想法在多个维度上都显得“对”，都有某种内在的和谐，你就可以建立自上而下的信念。这种信念很重要，因为它支撑你在实验结果不好时继续坚持。有时候实验失败不是因为方向错了，而是因为有 bug。怎么判断该继续调试还是放弃方向？靠的就是这种自上而下的美学直觉：这个东西应该是这样的，所以一定能 work，继续找问题。这可能就是顶尖研究者和普通研究者的区别。普通研究者容易被数据牵着走，实验不 work 就换方向。而顶尖研究者有某种品味，知道什么是深层次正确的，能够在实验结果和内在直觉之间找到平衡。

#AI浪潮：重塑就业，风险暗涌？· 140 条信息

#Ilya Sutskever #AI研究时代 #泛化能力 #奖励作弊 #AGI

3个月前

最近数学圈发生了一件很有意思的事。世界顶级数学家陶哲轩在解决一个 Erdős（埃尔德什）的经典问题时，全流程都在用 AI 做助手——从证明草案，到简化证明，再到形式化验证。 Erdős 是20世纪最高产的数学家之一，一辈子发表了1500多篇论文，提出了无数开放问题。数学圈有个著名的"埃尔德什数"——如果你和他合作过论文，你的埃尔德什数就是1；和他的合作者合作过，就是2，以此类推。爱因斯坦的埃尔德什数是2。后来有人专门做了一个网站，把他的很多未解决/已解决问题系统整理出来，这就是 Erdos Problems 网站。陶哲轩讲的是其中的第 367 号问题，属于数论里的一个具体问题，专业数学研究级别的问题。解决过程大概是这样的：一位数学家 Wouter van Doorn 先给出一个人类手写的反例证明草案，但里面有一个关键恒等式他没完全证明，只是说：“相信有人能帮我确认一下”。陶哲轩把这个恒等式扔给 Google 的 Gemini Deepthink 模式。大概十分钟后，Gemini 给出了一份完整证明，还顺带确认了整套论证是成立的。 Gemini 的证明用到了 p-adic 等比较高级的代数数论工具，对这个具体问题来说有点杀鸡用牛刀。于是陶哲轩花了半小时，把 AI 的证明手工转化成更基础、更易懂的版本。两天后，另一位数学家 Boris Alexeev 用一个叫 Aristotle 的工具（基于 AI + Lean）完成了全套形式化证明，还特意手动检查最终结论，以防 AI 在形式化过程中存在编造。陶哲轩觉得还没完，又用 Deep Research （同时用了 ChatGPT 和 Gemini）做了一轮文献搜索，看这个问题有没有前人类似工作。结果找到了若干关于连续幂数的相关论文，但没有直接解决第 367 号问题。整个流程：人类提出猜想 → AI暴力证明 → 人类简化优化 → AI辅助形式化验证。都在说 Gemini 3 已经到了博士生水平，看来所言非虚，这些事情真的需要数学博士级别才能做的出来，但另一方面，真正的数学家也并没有被 AI 代替：是人类决定哪个问题值得解决，是人类判断AI的p-adic方法太重了需要简化，是人类手工完成最终的形式化表述以验证 AI 的结果是否准确。 AI 做的是那些需要大量计算、符号推演、但方向已经明确的体力活。在 AI 时代，问对问题、甄别结果，比以前更重要了。

#陶哲轩 #AI辅助数学 #Erdős问题 #Gemini #数学研究

3个月前

画一张3格漫画，香港武侠漫画风格，故事情节如下：和尚:"师太,你从了和尚吧!" 　　道长:"秃驴,竟敢跟贫道抢师太!" 　　师太:"和尚、道长你们一起上吧,我赶时间。"

#香港武侠 #漫画 #和尚 #道长 #师太

3个月前

🍌nano banana pro Prompt：把《罗马假日》电影海报的文字改成“骡马假日”，英文还是“ROMAN HOLIDAY”，男女主头部分别替换为骡子和马的头部，海报其余细节保持不变，下方写上“上映时间1/1-1/3”

#骡马假日 #AI海报 #电影海报修改 #罗马假日 #动物头部替换

3个月前

nano banana 画图 Prompt（需要附加参考图，可以修改用户名） ----- 根据所附照片创建一个风格化的3D Q版人物角色，准确保留人物的面部特征和服装细节。角色的左手比心（手指上方有红色爱心元素），姿势俏皮地坐在一个巨大的Instagram相框边缘，双腿悬挂在框外。相框顶部显示用户名『Jimmy』，四周漂浮着社交媒体图标（点赞、评论、转发）。

nanobanana平台助力个人形象照生成，专业形象照引发热议· 107 条信息

#3D Q版人物 #Instagram相框 #Jimmy #比心 #社交媒体

3个月前

一幅醒目的插画，画面中心有三条橙白相间的锦鲤，优雅地游曳于深灰色池塘之中。池水表面漂浮着柔和的粉色樱花花瓣，背景中呈现浅粉色的水波涟漪，增添浪漫的季节感。画面上方或侧面以白色优美的汉字书写‘錦鯉’。整体风格采用极简的水彩画设计，细节精致细腻，融合现代元素与传统美学，呈现出简洁而时尚的艺术气息。

#锦鲤 #水彩画 #极简主义 #时尚 #浪漫

3个月前

Nano Banana Pro 画“蔷薇少女”墙绘的效果 ---- Prompt ----- 一幅超高清晰度、摄影质感极强的街头壁画，画面呈现强烈的中国风韵味。画中描绘着一位绝美的卡通风女子正面特写头像，她神态柔美而宁静。墙体顶部被一大片盛开的蔷薇花覆盖，茂密的绿叶与繁盛的花朵向外舒展，部分枝条从墙顶垂落而下，与女子的头发巧妙融合，使她的秀发宛如由层层叠叠的蔷薇花组成。这些繁密的花朵簇拥着女子的头部，形成了一顶瑰丽的花冠，视觉效果华美浪漫。背景中蓝天澄澈，点缀着朵朵白云；地面为一条细节真实的沥青街道，上面散落着缤纷多彩的花瓣，行人悠然漫步其间。整体场景细节精致入微，光影明亮柔和，营造出犹如现实般的梦幻街景氛围。

#蔷薇少女 #中国风 #街头壁画 #卡通女子 #浪漫

...