宝玉

统计数据

913

文章

0

粉丝

0

获赞

20656

阅读

8个月前

有一句名言：“你不去关心政治，政治就会来关心你”，那么这句话换成 AI 是不是也成立呢？ “你不去关心 AI，AI 就会来关心你！” 当然这个类比不是我说的，是 Ilya Sutskever 说的，Ilya 自从离开 OpenAI 后就没怎么公开发言了，这次他的母校多伦多大学邀请，并且授予了他荣誉学位，还是很给面子，去讲了 10 分钟，印象最深刻的就是这句话。 Ilya 对于 AGI 的到来应该是深信不疑的，所以他的发言必然离不开关于 AI 的讨论，Ilya 认为总有一天，AI 将能完成我们能做的所有事情。不只是一部分，而是全部。任何我们能学会的，AI 同样也能做到。那么 Ilya 凭什么这么认为呢？Ilya 的依据就是，人类的大脑就像是生物电脑，AI 就是数字大脑，所以 AI 就能做同样的是，换句话说就是“AI 终将无所不能”。他这话也不算危言耸听，因为他没有加上期限：“总有一天，AI 将能完成我们能做的所有事情。不只是一部分，而是全部。任何我能学会的，任何你们在座的各位能学会的，AI 同样也能做到。” 所以也不用担心，我相信如果 Ilya 看到是未来几年，他就不会是这么说了！但即便如此，其实 AI 已经是在实实在在的影响我们，就像政治一样。普通人其实最关心的还是：“AI 到底是什么？AI 到底能做什么不能做什么？” 对于这个问题 Ilya 给出了最好的答案： “我认为，单单通过使用 AI，看看当今最顶尖的 AI 能做什么，你就能得到一种直觉。并且随着 AI 在一年、两年、三年后不断进步，这种直觉会变得更强。我们现在谈论的很多事情，它们都会变得更加真实，不再那么虚无缥缈。说到底，再多的文章和解释，也比不上我们用自己的感官，用自己的双眼所看到的东西。” 这其实也是我最想分享的部分，不要只是听别人说 AI 怎么样怎么样，自己多用一用，多感觉一下，尤其是去体验最顶尖的 AI 能做什么，你就形成直觉，知道 AI 能做什么不能做什么。以后看到 AI 生成的内容就知道是不是靠谱的，不会被媒体上各种标题所影响。最后用 Ilya 的两句话结尾： “AI 带来的挑战，在某种意义上，是人类有史以来最大的挑战，而克服它也将带来最大的回报。无论你喜不喜欢，你的人生都将在很大程度上受到 AI 的影响。因此，去关注它，去留意它，然后产生出能量去解决那些即将出现的问题，这将是最重要的事情。” *** 完整文稿 *** 好的，这是根据您提供的 Ilya Sutskever 演讲稿整理出的章节版本，添加了标题和段落，以便于阅读。 *** **开场白：重返母校的感言** 大家好，真的很高兴能来到这里。我想感谢每一位筹备和组织这次活动的人，感谢你们授予我这个荣誉学位。能够获得这个荣誉学位，对我来说真的意义非凡。整整二十年前的今天，我正是在这个大厅里，从多伦多大学获得了我的学士学位。算上今天这个，这应该是我从多伦多大学获得的第四个学位了。我在这里度过了一段极其美好的时光，总共待了十年。我在这里完成了本科学业，学到了很多东西；也曾在这里担任研究生，那段经历真的非常棒。那段时光让我能够深入研究任何我感兴趣的领域，并真正成为一名研究者。能和杰弗里·辛顿（Geoffrey Hinton）一起学习，感觉真的太棒了。杰弗里·辛顿当时就在这所大学，这是我一生中最大的幸运之一。我非常感激这所大学。我觉得，我不可能找到比这更好的方式来接受教育、走向成熟、并成为一名科学家了。而且，在多伦多大学，当我还是个学生的时候，我们就已经在做着全世界最顶尖的 AI 研究。这里的想法最具革命性，这里的工作最激动人心。我感到非常幸运，因为我能够为此做出贡献，即使那时候还只是一个研究生。 **一个核心建议：接受现实，努力向前** 但那已经是很久以前的事了。据我所知，在毕业典礼的演讲上，演讲者理应提供一些睿智的建议。我也会给一点，但只会给一点点，因为这次的演讲会有些不同。我想分享一种有用的心态，如果一个人能采纳它，会让一切都变得容易得多，那就是：“**接受现实本来的样子，尽量不去后悔过去，并努力改善现状。**” 我之所以这么说，是因为这种心态真的很难养成。人们太容易沉湎于过去某个糟糕的决定或是坏运气，纠结于某些发生过的不公。你真的很容易就会把大量时间花在这样的思绪上。而实际上，一句更好、更有成效的话是：“好吧，事已至此，下一步最好的做法是什么？” 我发现，每当我自己这样做的时候，一切都会顺利得多。但这很难，真的很难，这需要持续不断地与自己的情绪作斗争。所以我才向你们提及此事，或许你们中的一些人会愿意采纳。这是提醒大家要尽力采纳这种心态，当然，也是提醒我自己，这是一场持续的斗争。 **我们正处在 AI 定义的非凡时代** 抛开这个不谈，这次演讲之所以不会是最传统的那种，是因为眼下正在发生一些有点不一样的事情。此时此刻，你们所有人，我们所有人，都生活在一个有史以来最不寻常的时代。这句话可能很多人常说，但我认为这一次是真的。这一次之所以是真的，是因为 AI。很明显，据我所知，今天的 AI 已经在很大程度上改变了作为一名学生的意义。这是我的感觉，而且我认为这是事实。但当然，AI 的影响远不止于此。我们所做的工作会发生什么变化？嗯，它正开始以一些未知和不可预测的方式发生着细微的变化。有些工作可能会更早感受到影响，有些工作可能会晚一些。对于今天的 AI，你可以上推特看看它能做什么，以及人们都在说些什么，你可能会感觉到一点点。你会想，哪些技能是有用的？哪些技能会变得没那么有用？这些问题会开始浮现在你的脑中。因此，可以说，当前层面的挑战是，它将如何影响工作和我们的职业生涯？ **未来的 AI：从无所不能到加速一切** 但问题是，AI 带来的真正挑战在于它确实是史无前例且极为深刻的，并且它未来的样子将与今天截然不同。我们都见过 AI，我们都和电脑说过话，而电脑也回复了我们，这是一件新鲜事。过去电脑可不会这么做，但现在它们会了。你和电脑说话，它能理解你，还能回复你，甚至能用语音回复，还能写一些代码。这挺疯狂的。但它也有很多做不到的事情，而且非常不完善。所以你可以说它在很多方面仍需迎头赶上。然而，它的现状已经足够有启发性，让你不禁会问自己，会去想象：好吧，在若干年后——有人说是三年，有人说是五年、十年，各种数字被提出来，因为预测未来有点难——但 AI 会慢慢地，但肯定地，或者也许不是那么慢地，持续进步。总有一天，AI 将能完成我们能做的所有事情。不只是一部分，而是全部。任何我能学会的，任何你们在座的各位能学会的，AI 同样也能做到。我们是怎么知道这点的？我怎么能如此确定呢？原因在于，我们每个人都有一个大脑，而大脑就是一台生物计算机。这就是根本原因。既然我们有一个作为生物计算机的大脑，那么，为什么一台数字计算机，一个“数字大脑”，就不能做同样的事情呢？这就是“AI 终将无所不能”的一句话总结。于是，你可以开始问自己，将会发生什么？当电脑可以完成我们所有的工作时，将会发生什么？这些都是非常重大的问题，是会带来巨变的问题。当你刚开始思考这些问题时，你会觉得，天哪，这有点太强烈了。但这实际上只是其强烈程度的一部分。因为接下来，我们这个集体会想要用这些 AI 来做什么？我们会用它来做更多的工作，发展经济，搞研发，做 AI 研究，以至于在至少一段时间内，进步的速度会变得极其地快。这些都是如此极端且难以想象的事情。 **直面挑战：你们无法忽视的未来** 我现在正试图把你们稍微拉进来一点，拉到这种由 AI 创造的、极其极端和激进的未来思维空间里。但它同时也非常难以想象，很难去内化它，很难在情感层面上真正地相信它。即便是我自己，也为此感到挣扎。然而，逻辑似乎表明，这很可能会发生。那么，在这样一个世界里，一个人该怎么做呢？有这样一句话：“你可以不关心政治，但政治每时每刻都在关心你。” 同样的道理，在 AI 身上要应验许多许多倍。我认为，单单通过使用 AI，看看当今最顶尖的 AI 能做什么，你就能得到一种直觉。并且随着 AI 在一年、两年、三年后不断进步，这种直觉会变得更强。我们现在谈论的很多事情，它们都会变得更加真实，不再那么虚无缥缈。说到底，再多的文章和解释，也比不上我们用自己的感官，用自己的双眼所看到的东西。特别是对于未来那些非常聪明、超级智能的 AI，将会存在一些非常深刻的问题，比如如何确保它们说的是真心话，而不是在伪装。我确实是在这里，在有限的时间里，将大量信息浓缩了起来。但总的来说，只要去关注 AI 能做什么，而不是忽视它，当时机到来时，那将会产生出克服 AI 即将带来的巨大挑战所必需的能量。 **结语：时代赋予的责任** AI 带来的挑战，在某种意义上，是人类有史以来最大的挑战，而克服它也将带来最大的回报。无论你喜不喜欢，你的人生都将在很大程度上受到 AI 的影响。因此，去关注它，去留意它，然后产生出能量去解决那些即将出现的问题，这将是最重要的事情。我就讲到这里。非常感谢大家。谢谢。

#AI浪潮：重塑就业，风险暗涌？· 140 条信息

#AI #Ilya Sutskever #OpenAI #AGI #多伦多大学 #荣誉学位

8个月前

没多好，也没那么糟糕

8个月前

这幅漫画表现的是人们在面对技术问题或故障时经常犯的一种错误做法：漫画中有两个路标：左边的路标写着：“再一次让Cursor帮忙修复 (‘pls fix’)，距离21英里”，代表人们习惯性地反复请求技术支持人员（或自动修复程序）帮忙解决问题，但这并不是有效且根本的方式。右边的路标写着：“真正理解问题的原理，距离只有¼英里”，意味着只要稍微投入一些时间去深入理解问题本质，其实更容易也更快解决问题。而漫画中的人物却选择了更远、更费力的左侧道路，表现了人们经常选择看似简单却不根本的方案，而不愿意稍加努力去掌握和理解真实有效的解决办法。

#技术问题 #故障处理 #错误做法 #技术支持 #自动修复程序 #问题理解 #漫画 #路标 #问题本质 #时间投入

8个月前

机器人现在能代替人工分拣包裹了，而且进化速度很快，视频是Figures CEO的访谈：今天我们发布了一段视频，展示了一台机器人在物流场景中的应用。这台机器人完全靠一个端到端的神经网络控制，它只需输入摄像头捕获的画面，就能直接输出相应的操作动作。现在，这套系统已经接近人类的操作速度和准确率。放眼全球，你还能找到谁在做类似的事吗？在这段视频中，机器人正在进行包裹分类任务，它能区分硬质的纸盒包装和塑料包装包裹，并试图将塑料包装表面弄平整，使条形码能够清晰呈现。这套系统目前正运行在你们自己的物流设施中，对吗？这里面的挑战是：处理物流中的小型包裹尤其困难。因为每个包裹都是不一样的，每次堆叠在一起的包裹情况也完全不同，这给机器人带来了巨大的挑战。这种场景是没办法通过传统的编码方式解决的。更有趣的是，这与我们之前发布的视频——关于冲压机作业的视频，形成了鲜明的对比。冲压机面对的是高密度金属，精度要求非常高，速度必须极快，容错率极低，因为生产线停不起；而物流机器人处理的包裹却截然不同，它们需要的是另一种能力：神经网络的泛化能力，以适应每次不同的包裹状况，达到接近人类的作业速度（每个包裹约需3至4秒），同时能找到条形码，将包裹正确翻转，并在很多情况下把塑料包装弄平，确保传送带后续的扫描仪能准确读取信息。这两种作业的需求差别之大几乎是正交的（orthogonal）：一个强调精准度和高速度，另一个则强调泛化和柔性控制。这也让人清晰地看到现代AI智能体在不同场景中的灵活性和潜力。

#机器人 #人工智能 #物流自动化 #神经网络 #包裹分拣

8个月前

用 AI 编程有点像吸毒，用一段会有强依赖性，没有 AI 就不想动手。Claude Max 订阅也有上限，额度用完了就要等每 5 小时 Token 额度的刷新，等的时候就懒得手动写，明明自己知道怎么写，非要等额度恢复了再让 ClaudeCode 帮我写。这不太好，得要戒一戒了😅

#AI #编程 #Claude Max #Token #依赖

8个月前

开个 Thread 来整理一些我使用 CluadeCode 的经验和心得，也欢迎留言分享。去年起我是 Cursor 的重度用户，最近一个月，我用 Cursor 越来越少了，开发方式也发生了变化，现在大部分时候都是：ClaudeCode 先做，做完了我去 IDE 去审查修改，所以不再需要 Cursor 的绝大部分功能，反而由于 Cursor 频繁更新，让我用 VSCode + GitHub Copilot 更习惯顺手一些。 ClaudeCode 区别于其他同类 AI Coding Agent，我觉得强大的地方在于几点： 1. 对指令的理解很好能很好的理解你要做什么 2. 能合理的规划任务一个任务它会先规划再执行，复杂一点还会创建一个 TODO List，挨个执行，虽然这一步对于现在的 Agent 不稀奇，但它每次能基于自己的规划的到一个不错的结果，这才是厉害的地方 3. 对工具的运用，非常强 ClaudeCode 内置了 15 种工具（可能会变化），有系统命令行工具、文件操作工具、还有网络浏览检索工具。它最擅长的就是 Grep 命令去搜索你的代码库，反复调整搜索正则的正则表达式去找代码，分析找到的代码，然后定位到正确的位置。惭愧的说，我至今都不会用 grep，但是 claudecode 用 grep 检索代码的效率，可能超过了任何人类能达到的水平。最绝的是，一个十几兆的混淆过的 js 代码，它都能毫不费力的找出来关键的代码，拼凑还原成原始编译前的代码。如果说十几兆的混淆后的代码都能分析，那么祖传的几十万行的屎山代码它应该也是能应对的。现在看来，对于代码库的检索，RAG 都是浮云，grep 才是王道。 4. 执行时间很长现在 AI Agent 一个很大的毛病就是执行几次就结束了，结果 Token 也消耗了但啥屁事都没干成，OpenAI 的 Codex Cloud 就是个反面典型（codex-cli 好一点，也没好到哪去），像开发任务，有很多任务就是需要反复大量操作的，ClaudeCode 就是大力出奇迹，一个任务十来分钟是常态，更长时间也有，所以大部分时候能交付一个不错的结果。这可能也是 ClaudeCode 比其他家的一个主要优势所在，毕竟 Cursor 这些是没法跟 Anthropic 比烧 Tokens 的。ClaudeCode 最开始就是 Anthropic 家的内部工具，一开始他们就没考虑过要省着点用 Tokens，没想到歪打正着大力出奇迹，效果最好。大力出奇迹是 ClaudeCode 的成功关键，但另一个角度也是它还不流行的原因，因为你自己按量买 Token 是用不起的，一天能烧几百刀都可以，还是得配合 Claude Max 订阅包月使用，即使这样，我也经常到额度限制，要等 5 小时刷新。 5. 全程人工干预很少 ClaudeCode 虽然默认也是会确认工具使用操作，但是它有一个 --dangerously-skip-permissions 参数，虽然原则上只能是 Docker 上运行，打开后就全程放飞自我了，你啥都不用管，就等着就好了，喝杯咖啡，刷刷社交媒体，回头一看任务都好了，真正的无人值守 Vibe Coding。当然一定要配合 Git 做好版本管理，并且对结果要审查，否则会可能出问题的。我用 --dangerously-skip-permissions 模式有一段时间了，它不会去恶意操作系统，所以目前还没出过问题。（未完待续）🧵

AI编程工具激战：Claude Code、Gemini Cli崛起· 1256 条信息

#ClaudeCode #AI 编码助手 #grep 代码检索 #大力出奇迹 #无人值守 Vibe Coding

8个月前

汗青很有价值的对于 AI 创作的分享，推荐阅读👍 - 关注趋势，而不是瑕疵 - AI不会杀死创作，但会杀死平庸

#AI创作 #价值分享 #趋势 #创作风险 #平庸 #创新 #汗青

8个月前

Cursor 正式宣布发布 1.0 版本！以下是视频介绍翻译：软件开发不仅仅是写代码我们知道，软件工程师的日常工作远不止在代码编辑器里敲代码，还有大量的时间用在审查代码、查找和修复 bug 上。因此，我们特别推出了全新功能——Bugbot： * 它能自动在 GitHub 的 Pull Request 中发现潜在的 bug。 * 一键即可在 Cursor 中快速修复这些问题。新功能抢先体验：记忆（Memories）功能的 Beta 版本记忆功能是 Cursor 从你的交互中逐渐学习和积累的知识或代码库规则。未来，我们希望 Cursor 能通过使用习惯越来越聪明，甚至实现团队内知识共享——一名团队成员的工作经验可以帮助其他成员快速成长。一键安装 MCP，让扩展更简单看到社区对于 MCP（模型扩展插件）的热情，我们非常兴奋。但我们也意识到安装、设置和发现 MCP 并不简单。因此，我们新增了一键安装功能： * 点一下就能轻松安装任何你喜欢的 MCP 扩展插件。 * 让每个人都能快速享受到 Cursor 丰富的扩展能力。后台智能体正式上线，整合 Slack 与 Jupyter 支持在上个版本，我们首次尝试了异步后台智能体（Background Agent），这段时间我们进行了大量优化，今天宣布正式上线： * 后台智能体现在能与 Slack 无缝整合。你只需在 Slack 中标记 Cursor，它便能后台帮你完成代码修改。 * 同时，我们还为研究人员和数据科学家提供了 Jupyter Notebooks 支持，让 Cursor 在数据领域更具实用性和强大功能。更多优化升级，提升使用体验我们还带来了众多额外的优化升级，包括： * 并行工具调用：Cursor 现在能同时编辑多个不同位置。 * 更丰富的聊天交互体验：比如 Markdown 支持的 Mermaid 流程图、表格等。 * 更友好的设置和管理后台界面。这些新功能和改进，已在团队内部获得了积极反馈，我们迫不及待地想让大家也能赶快体验起来！

#Cursor #1.0版本发布 #软件开发 #代码审查 #Bugbot #GitHub #Pull Request #自动修复

8个月前

金融巨头摩根士丹利开发了一款自家的人工智能工具，帮助将老旧的代码转化为现代语言——而这一点，目前市场上的通用工具仍难以有效解决。作者：Isabelle Bousquette 摩根士丹利全球技术与运营负责人迈克·皮齐表示，公司的AI工具今年已审阅900万行旧代码，节省了开发人员28万小时。摩根士丹利将人工智能（AI）应用于企业软件最头疼的问题之一——旧代码的现代化改造。这一点即使科技巨头也尚未彻底解决：如何高效将过时的代码转写为现代编程语言。今年1月，摩根士丹利基于OpenAI的GPT模型，自主开发并推出了一款名为的工具。这款工具可以将COBOL等过时语言的旧代码翻译成清晰易懂的英文规范（specs），开发人员据此可以更轻松地重写代码。摩根士丹利全球技术与运营负责人迈克·皮齐（Mike Pizzi）透露，仅今年以来，DevGen AI就审阅了900万行旧代码，累计节省了开发者约28万小时的工作时间。旧代码，企业的巨大痛点老旧软件的现代化改造一直是企业领域的一大难题。一些公司运行着几十年前遗留的老旧代码，这些代码不仅会导致安全漏洞，还限制企业快速采用新技术。然而，目前主流的AI代码工具，虽然擅长撰写新的现代代码，但在处理一些过时、冷门或企业定制化语言时，却表现不佳。皮齐指出，目前市面上的通用工具尚不具备企业级的灵活性。尽管各大科技公司都在努力解决这一问题，但现阶段他们的产品还无法满足企业的独特需求。为什么摩根士丹利自己动手？ “我们发现自己构建工具能提供一些市面上产品还做不到的能力，”皮齐说。虽然未来这些通用工具可能也会进化，但摩根士丹利选择提前行动，抢占先机。通过在自家的代码库上进行训练，这款工具掌握了许多已经不流行甚至根本未普及的编程语言。摩根士丹利遍布全球的约1.5万名开发人员都能用它完成诸如： • 将旧代码翻译成易懂的英文规范； • 快速定位代码片段，用于监管问询或特定需求； • 完整翻译较小段的旧代码至新代码。仍需人工辅助的挑战皮齐强调，目前技术在完整代码转换上仍有成长空间。虽然理论上可以将Perl语言的代码转成Python语言，但它未必能生成高效、充分发挥Python功能的优化代码。因此，开发过程依然需要开发人员的参与。 DevGen AI真正突出的表现，是将旧代码转为清晰明了的英文规范。这种规范清楚解释了代码的功能作用，极大降低了企业对仅少数开发者懂得旧语言的依赖程度。有了这种规范，普通开发者也能更顺畅地进行代码的现代化重写。 AI时代，人才需求不会减少皮齐指出，未来并不会因此减少软件工程领域的人才需求。相反，随着业务对代码的需求不断增加（尤其是更多AI应用），企业更需要现代化、标准化且架构清晰的技术体系。他表示：“技术领域永远在持续更新与现代化，而AI的到来使得这一点变得更加关键。”

#摩根士丹利 #人工智能 #代码现代化 #企业软件

8个月前

有网友问我对第六条的看法，我觉得对于专业技术领域，第六条完全是反的，现在是 AI 替代了初级岗位反而让新手找工作更难一些，有经验的借助 AI 可以弥补精力体力上的不足，充分发挥 AI 的优势。但另一个角度，不用 AI 的年纪大的也很危险，据我所知，有的公司裁员的时候，会把 AI Token 消耗量作为一个裁员的依据，如果你 Token 消耗很少没有证明你用 AI，可能被裁员的概率更高

#AI #裁员 #智能技术 #职场危机 #初级岗位

8个月前

请问有没有谁有保存早期泄漏的 ClaudeCode 源码？我以前 Star 的找不到了。 Does anyone still have the leaked ClaudeCode source code? I can't seem to find the repository I previously starred. Thanks

#ClaudeCode #源码泄漏 #代码仓库

8个月前

转译：在无人阅读时坚持发表文章，在默默无闻中蓬勃成长作者：Jeet Mehta 通往创意大师的道路，总是要先经历数年沉寂。但请你，依然去发布。 --- 很多事情的成果，总是要等很久。即便是最成功的创作者，也都经历过多年甚至数十年的默默无闻。他们做的视频可能只有4个观看量，发送的邮件订阅人数不过3个，播客听众只有10个人，博客的读者只有6位，歌曲下载只有4次。除了父母和伴侣外，可能根本无人问津。有时候，甚至连家人也不关注。如果你纯粹只是为了那遥远的梦想——数百万人的关注、喜爱与赞扬，那么你的坚持注定不会长久。每个领域都是如此，要经历数年练习、重复和无数次“失败的演出”，才能迎来第一次成功。最糟糕的是，有的艺术家一生都没有得到他们应得的赞赏。比如梵高，一位伟大的艺术家，却在贫穷潦倒和精神病院中死去。他的所有名望，都是在他去世后才降临。 --- 那么，你要如何坚持？当你知道没有人看、没有人听的时候，你怎样能够一次又一次按下“发布”按钮？我也不知道，我自己也还在寻找答案。但我发现了一些有用的思维方式和名言，想在这里与你分享。 --- 1 — 做你热爱的事情，有时候世界也会认同这段 [Shaan Puri 和 Mike Posner 的访谈](youtube/watch?v=sBATMZSVPOw&t=1171s&ab_channel=MyFirstMillion) 非常精彩。Mike 谈到了他表面上突然成名、迅速跌落谷底以及之后慢慢重新站起的经历。 Mike 从6岁开始创作音乐，写了整整10年之后，他的一首歌《Cooler Than Me》突然大火。此前，他所有的歌曲只有他妈妈听过。《Cooler Than Me》冲到了公告牌排行榜第6名，当时他还在杜克大学读书。但随后7年，他不停地追逐成功，每首新歌的反响却越来越差。这种追逐让他陷入了抑郁，走向了毒品，甚至差点死于蛇咬。他后来步行穿越了美国，还登上了珠穆朗玛峰。最终，他找到了更健康的心态（并且创作了更多受欢迎的歌曲）： > 去做你喜欢的事，有时候世界也会认同。 Mike 不再追逐所谓的热门歌曲，他只创作自己真正喜欢的音乐： * 自己觉得好的音乐。 * 自己愿意听的音乐。 * 对自己来说已经成功的音乐。有时候，世界会和他产生共鸣。 --- 2 — 把你自己推出来和 Mike Posner 的观点类似：与其一直试图猜测观众喜欢什么，不如去创造你自己喜欢的东西。这样，即便目前根本没有观众，你也更容易保持动力，更容易度过平台期，享受整个创作过程。最终，你还会创作出更好的作品。最棒的是，这种方式会吸引与你志趣相投的人——真正喜欢你所创作内容的人。 > 你的观众，就是另一个你自己，被推向世界。 --- 3 — 建立你的“追剧银行” 与其为没人看你的作品而沮丧，不如把这些作品看成是对你未来的投资——投资你的追剧银行。什么是追剧银行？它就是你所有创作的内容集合。未来的粉丝们会想去翻阅你的旧作，追寻你的成长轨迹。也许你现在根本没有观众，但将来肯定会有。当你真正拥有粉丝后，他们会回头观看你以前所有的作品。这也是为什么现在拥有百万粉丝的 YouTuber，最初发布的视频后来都有成百上千的点击量。那些视频刚发布时根本无人观看，却在他们成名之后，被最忠实的粉丝重新挖掘出来。 --- 所以，如果你和我一样，正身处默默无闻之中，请记住：继续坚持下去吧。

#创意写作 #坚持发声 #默默无闻 #长期努力 #成长过程

8个月前

来源：

8个月前

转译：AI时代：判断力为何比技术更重要？布莱恩·伊诺（Brian Eno）如何预见AI时代的核心竞争力？当技术障碍消失，判断力成为真正的关键差异。 1995 年，音乐家兼制作人布莱恩·伊诺（Brian Eno）对计算机音序器做出了一个深刻的观察。这一观察在如今AI时代，意义变得更加突出： > “计算机音序器最大的优点，就是把技术问题转变为了判断问题。通过 Cubase 或 Photoshop，每个人都可以做出任何东西，你做的音乐可以听起来和电台播放的一模一样，你做的图片也可以看起来和杂志上的一样漂亮。所以问题不再是你能不能做到，因为只要坐在电脑前努力几天，谁都能做到。真正的问题是：**在你能够做的所有事情里，你会选择做什么？**” AI工具与音乐制作的相似之处布莱恩·伊诺的洞察精准地描述了当前AI工具带来的变化。正如计算机音序器让音乐创作变得大众化，AI正在让更多领域的大众拥有创造和工作的机会，包括： * 文章写作与内容创作 * 图片生成与设计 * 代码开发 * 数据分析 * 问题解决能力曾经横亘在业余人士和专业人士之间的技术壁垒正在迅速消失。只要有AI工具的帮助，每个人都能做出表面上媲美专业人士的作品。现在最重要的差异：判断力正如伊诺预见的那样，如今真正区分人与人的不再是技术技能，而是判断力。当所有人都能生成内容、编写代码或设计作品时，真正有价值的是： 1. 明确方向：知道什么才是值得创造的。 2. 精准决策：在无数种可能中选择正确的途径。 3. 质量评估：能辨别什么才是真正出色的成果。 4. 理解情境：将正确的方案运用到具体的问题场景中。 AI时代工作的未来趋势随着AI不断发展，越来越多的职业将从技术执行转变为战略判断。未来最具价值的人才将是那些能够： * 提出正确的问题 * 准确定义问题边界 * 做出明智决策 * 为AI工具提供明确方向的人结论布莱恩·伊诺近三十年前的观察，已然成为我们在AI时代蓬勃发展的指南。当技术障碍持续降低，最重要的问题不再是“你是否能够做到”，而是“你应该做什么，以及为什么要这样做”。在未来社会，拥有良好的判断力，将成为你最宝贵的资本。

#AI时代 #布莱恩·伊诺 #判断力重要性 #技术与判断力 #计算机音序器

8个月前

AI 编程越来越厉害了，我要怎么提升自己的系统架构能力？现在 AI 写代码真的是越来越厉害了，一些小的模块让 AI 写，又快又好。慢慢的，对程序员写代码的能力要求会降低，但是对系统架构能力反而会要求更高。而且这部分能力不会轻易被 AI 取代，因为 AI 还不能像人类一样看到一个复杂项目的全貌，无法完整理解项目的业务上下文和约束条件，所以需要人去把任务拆分，一次只执行一个小任务。那么问题来了，新人要怎么才能提升系统设计能力呢？作为一个过来人，我觉得提升系统设计能力这事，可能有没有 AI 都差不多，都离不开多看、多练和多复盘。AI 的好处就是可以更方便地帮你查资料，以及更容易地理解项目，但它不能代替你去动手实践。什么是系统设计？在讨论如何提升系统架构能力之前，需要先搞清楚：什么是系统设计？想想看，如果你做一个简单的网页，或者一个小脚本，需要系统架构吗？基本上是不需要的，因为足够简单，有没有架构都能写出来。那如果是要做一个 ChatGPT 这样的应用呢？那是一定要有很好的系统设计的，因为太复杂了！而且一个人也是做不出来的，需要很多人甚至很多团队协作才能完成。但即使是 ChatGPT 这么复杂的系统，在开发团队工作的每一个人，工作职责并没有非常复杂。比如有的人只负责实现模型的 API 封装、部署，有的人只负责 Canvas 这样的文本编辑组件，有的人只做 iOS 客户端上的某个功能。一个复杂的系统，通过系统设计，把复杂系统层层分拆，变成了一个个小的模块，最终这些模块组合在一起就可以运行起来，让用户可以稳定地使用 ChatGPT 的服务。所以系统设计，就是把一个复杂的系统拆解成容易理解、容易实现、容易维护的小模块，再清晰地定义好这些模块之间如何相互协作、相互沟通的过程。通俗点讲，就好像你盖一栋大楼，系统设计就是设计图纸。图纸上详细说明了楼的结构，比如地基、钢筋框架、墙体、管道和电线，明确告诉施工人员每一部分怎么盖，哪些部分先盖，哪些后盖，哪些部件之间是如何连接起来的。如何做系统设计？系统设计这件事看起来很神秘，系统架构师似乎都是传奇般的存在，但做系统设计这事也没你想的那么复杂，因为绝大部分系统设计都有成熟的方案可以参考。作为架构师，可以灵活应用成熟的架构模式，一般是不需要去发明新的架构模式的。但系统设计也没有那么容易，否则人人都是架构师了。系统设计难在哪呢？ • 要充分理解需求和团队：我把理解需求和团队放在了第一位，因为系统设计是为需求服务的，你不理解需求做出来的设计那可能都是错的；同时系统设计要和组织架构匹配，毕竟你的系统设计出来，还是需要团队去实施的。如果你就两三个人整几百个微服务显然是有问题的，反过来你几百个人的团队还是单体应用也可能是有问题的。 • 要面对不确定性：系统设计不像写代码是一个确定性很强的事，代码模块的输入和输出都是固定的，只要去实现算法就好了。但是系统设计面对的是不确定性：需求不确定、未来的发展不确定、技术选型的影响不确定。你需要在这种不确定中做出相对稳健的决策。 • 要权衡取舍：在系统设计中，几乎不可能有绝对完美的方案，通常都是在多个选项之间权衡。例如要兼顾性能和成本、扩展性和开发复杂度、安全性和用户体验等等。这就要求设计者能做出合理的决策，并理解每个选择背后的得失。举个例子，选择微服务架构可能带来更好的扩展性，但也会增加运维复杂度和网络开销。 • 要沟通说服：系统架构不仅仅是给自己看的，更重要的是要让团队的所有成员都理解你的设计，甚至是非技术人员也能大致明白整体结构。这需要架构师具备良好的文档编写和表达能力，用清晰的语言、图表、流程来传递设计意图。不仅如此，在做系统设计时，并不是你做个设计别人就能认同的，你需要去说服别人认同你的设计，有时候也必须做出一些妥协。当然到了 AI 时代，有些地方还是有些改善的。比如你资源不够就可以用 AI 凑，不善于表达就让 AI 帮你写原型写文档，不知道如何取舍就用 AI 分别实现一套 POC（概念验证），再对比看效果。新人如何提升系统设计能力？系统设计并没有快速通道，更多的是长期积累的过程，这个时间通常是以年计的。总结下来关键是三点："多看"、"多练"和"多复盘"。 "多看"：积累架构模式就是学习经典的架构案例，知道有哪些架构设计的方法。网上有很多系统设计面试题和分析，都是很好的学习素材。另外还可以看开源项目，看看复杂的开源项目是怎么运行的，多关注： • 这些系统是如何拆分功能模块的？ • 模块之间又是如何通信的？ • 为什么他们选择了某种特定的技术或架构方案？ • 在实际中遇到了哪些挑战，又是如何解决的？比如微博是怎么 8 明星并发出轨的？推荐一些学习资源： • System Design Interview Alex Xu 写的这本系统架构设计面试书，系统地介绍了常见的架构模式 • High Scalability 网站，收录了大量真实系统的架构案例 highscalability[.]com • 开源项目如 Kubernetes、Kafka、Elasticsearch 的架构文档 "多练"：从模仿到创新除了理论学习，更重要的是主动去练习。系统设计这种事，哪怕你像 AI 一样训练了所有公开的系统设计方案，但你不试试仍然不会知道它们在不同的应用场景下的优缺点是什么。就像微服务从来不是个技术问题，而是一个和组织架构相关的问题。新人的话，最好是从模仿开始，先照葫芦画瓢，然后再去按照自己的思路去改进。一些你可以练习的方式： 1. 架构还原练习：选择一个你熟悉的系统或产品，试着去拆分架构，画出架构图；写下每个模块的功能定义，明确模块之间如何通信；再去找懂这个系统的人请教对比。 2. 对比学习：去看看类似功能的开源系统，看设计方案有什么不同，各自的优缺点是什么。比如对比 Redis 和 Memcached 的架构差异。 3. 设计先行：在做一个相对复杂的功能时，先去做一下设计再开始写代码。哪怕是个人项目，也要画架构图、写设计文档。 4. AI 辅助验证：尽可能把要实现的模块，用自然语言描述清楚，让 AI（推荐 Claude、Gemini、DeepSeek 等模型）去实现，看结果和你期望的差距在哪里。如果不是你想要的，去反复调整你的描述或者继续分拆，直到 AI 能实现你想要的效果。这个过程其实是在训练你的模块化思维。 5. 重构现有系统：去重构现有系统，在稳定性、代码重用、性能这些方面去改进。重构的过程会让你深刻理解原有设计的问题。 6. Side Project 实战：去做 side project，先尝试基于开源项目二次开发，再尝试从头搭建一套相对复杂一点的系统。比如做一个简化版的分布式消息队列、一个迷你版的容器编排系统。只有在真实项目中踩坑、解决问题，你才真正能理解系统设计中各种取舍的意义。 "多复盘"：从经验中提炼智慧每次做完项目或者完成一段设计后，都要回顾总结一下过程： • 当初做决策的依据是什么？这些决策后来验证效果如何？ • 如果再做一次，哪些地方会做不同的选择？ • 遇到的困难和挑战是什么？分别是如何克服的？ • 是不是有更好的技术或架构选择当时被忽略了？ • 团队成员的反馈如何？他们是否理解并接受了你的设计？如果不接受，原因是什么？复盘是让你从具体实践中提炼出通用方法论的重要环节。只有反复总结和不断优化，你的系统设计能力才能逐渐提高。 AI 时代更要用好 AI 帮你提升系统设计水平在学习系统设计的过程中，AI 虽然无法替代你完整地设计架构，但可以成为你提升能力的重要工具，助你快速成长： • 快速查资料与案例：让 AI 帮你迅速搜集和整理系统设计的案例与最佳实践，大大节省学习成本。比如你可以问 AI："给我解释一下 Circuit Breaker 模式在微服务中的应用场景"。 • 辅助实践：你可以把自己设计的模块先让 AI 尝试实现，以检验你的设计思路是否清晰合理，从反馈中不断优化设计。这就像有了一个永远在线的结对编程伙伴。 • 辅助沟通：你可以先把复杂的设计和思路告诉 AI，由 AI 帮助你简化表达，生成易于团队沟通和理解的文档。甚至可以让 AI 帮你生成架构图的描述文本。 • 辅助决策：当你在不同架构方案间犹豫时，让 AI 帮你分析每种方案的优劣势和适用场景，帮助你快速做出选择。AI 可以快速给你列出各种方案的 trade-off。 • 模拟场景：你可以让 AI 模拟不同的故障场景，帮你思考系统的容错设计。比如"如果数据库挂了，我的系统会怎样？" 架构设计能力的提升关键还是在人，而 AI 则能帮助你更高效地学习、更快速地试错和迭代，加速你成为合格系统架构师的步伐。写在最后原本只是打算简单写写的，不小心还是扯多了。没办法，系统设计这种事是真的没什么捷径好走，只有坚持学习。当然方法得当还是能加速一点。在 AI 时代，架构师的价值不是被削弱了，而是被放大了。因为 AI 让实现变得更容易，所以设计的好坏会更加明显地影响最终结果。一个好的架构设计，配合 AI 的实现能力，可以让你的生产力提升十倍甚至百倍。希望你早日掌握好架构设计，不用担心被 AI 替代，反而可以利用系统设计能力让 AI 更好地为你效力。毕竟，AI 再厉害，也需要有人告诉它要造什么样的房子，不是吗？

#AI编程 #系统架构 #程序员能力 #人工智能 #项目管理 #技术提升

8个月前

AI芯片巨头英伟达营收猛增69%，达441亿美元尽管美国对华芯片出口实施新限制，英伟达（Nvidia）的最新财报依然保持高速增长。最近一段时间，美国政府的政策变化让英伟达经历了一番“大起大落”：上个月，美国政府刚禁止了向中国出售人工智能芯片；几周后，又批准向中东地区出口类似的产品。但尽管如此，英伟达仍然以惊人的速度继续扩张，稳坐全球AI芯片市场的头把交椅。根据英伟达周三发布的最新财报，公司最近一季度的销售额达到441亿美元，同比增长69%；净利润也同比增长26%，达187.8亿美元。虽然销售额超过华尔街预期的432.8亿美元，但利润略低于预期的194.9亿美元。英伟达在财报中提到，美国特朗普政府实施的对华芯片出口限制，给公司带来了45亿美元的损失，不过比四月中旬预测的少了10亿美元。这些限制措施迫使英伟达退出了全球最大的半导体市场——中国。中国市场购买的芯片广泛应用于智能手机、汽车及各种电子设备。公司还预计下一季度的收入将同比增长50%，达到450亿美元，这主要得益于其最新款AI芯片——Blackwell芯片的销售扩张。这一预测也与华尔街的预期（457.5亿美元）基本相符，表明科技行业对人工智能的拥抱才刚刚开始，未来仍有巨大的增长空间。受财报消息提振，英伟达股价在盘后交易中上涨超过4%。截至当天收盘，英伟达市值达到3.3万亿美元，超过苹果公司，仅次于微软，位居全球市值第二。英伟达CEO黄仁勋表示： > “全球各国都意识到AI将如同电力和互联网一样，成为基础设施。英伟达正处于这场深刻变革的核心位置。” 英伟达在科技巨头中的实力也更加凸显。在最近的财报季中，英伟达季度销售首次超过社交媒体巨头Meta，其净利润甚至比Meta高出13%。作为最早进军AI芯片领域的公司，英伟达成为科技行业人工智能竞赛中的最大赢家。黄仁勋当初抢占了先机，是首个开发出能够训练AI识别图像、预测文字的芯片软件及服务器的企业。但与此同时，美国政府官员越来越担忧AI技术可能被中国等国家用于开发自主武器和协调军事行动。因此，华盛顿逐步加大对英伟达对华芯片销售的限制力度。过去几个月里，黄仁勋频繁奔波于全球各地，试图说服各国政府放松限制。他曾于四月与特朗普总统会面，但未能阻止商务部随后对华芯片出口的禁令。他还飞往北京，承诺会找到新途径出售芯片；随后又抵达台湾，公开抱怨美国政府的禁令效果不佳。尽管黄仁勋多方努力，英伟达在中国的业务仍受到明显影响。自美国政府实施出口限制以来，英伟达在华销售额占总收入的比例，从两年前的21%下降至现在的13%。不过，黄仁勋在推动美国政府对其他国家放松芯片销售限制方面取得了成功。在他的推动下，特朗普政府推翻了拜登时代的一些出口规则，从而促成了本月美国与阿联酋之间一项重磅协议：双方计划建立全球规模最大的国际AI数据中心枢纽。事实上，将芯片销售给政府客户，已成为英伟达重要的战略方向。目前，该公司主要依赖微软、亚马逊、谷歌和Meta等巨头客户，但正积极拓展欧洲、亚洲和中东市场。黄仁勋此前表示，这些地区已经将AI视作与电信网络类似的重要国家基础设施。另一个挑战在于，美国本土目前缺乏充足的能源来支撑快速增长的数据中心需求。今年许多企业只能获得最多50兆瓦的电力，只能支持大约2.5万枚英伟达最新芯片。相比之下，OpenAI计划明年在阿布扎比建造一座200兆瓦的数据中心，足以支持10万枚英伟达的芯片。科技研究公司Constellation Research首席分析师Holger Mueller指出，这类国际协议对于英伟达至关重要，因为眼下英伟达在AI芯片市场几乎没有竞争对手。穆勒表示： > “现在他们是唯一的选择，中东国家确实非常需要他们。”

英伟达市值破四万亿，AI芯片霸主地位稳固？· 216 条信息

#英伟达营收增长 #AI芯片市场 #美国对华芯片出口限制 #黄仁勋 #全球AI数据中心

8个月前

为什么人类程序员仍然比大语言模型（LLMs）强大？作者：antirez 这是一个简短的小故事，告诉你为什么人类的编程能力仍然远远领先于当前的AI技术。请注意，我并不是反AI的人，熟悉我的朋友都知道这一点。我日常都会使用大语言模型（LLMs），包括今天也是如此。当我需要快速验证自己的想法、进行代码审查、了解是否有更好的实现方法，或者探索一些自己并不完全擅长的领域时，我都会用到它们。（两年前，当LLMs还没有流行起来的时候，我就曾经专门写过一篇博客，讲述自己如何用LLMs辅助编码。如今也许是时候再写篇新文章更新一下了，不过今天的重点不在这里。）不过，我想强调的是，尽管当前的AI技术非常有用甚至很棒，但和人类的智慧相比，它依旧差得太远了。我特别想指出这一点，是因为最近关于AI的讨论越来越极端，很难有中立理性的观点。遇到的问题今天我在为Redis开发一个叫做向量集合（Vector Sets）的功能，遇到了一个非常棘手的Bug。事情是这样的：在我之前离开Redis期间，同事们新增了一个防护功能，用来抵抗Redis数据文件（RDB）和恢复命令（RESTORE）的数据损坏问题，即使数据校验看起来是正常的。这个功能默认关闭，但用户如果想增强安全性，可以主动启用。但这引发了一个巨大问题：为了高效地保存和恢复数据，我把HNSW向量搜索算法的图结构序列化了，而不是直接保存向量元素的原始数据。如果直接存储原始向量数据，在加载时重新构建索引会非常慢（可能慢100倍以上）。所以我选择了一个巧妙的技巧——直接保存节点之间的连接关系（用整数表示节点编号），再在加载时恢复指针。但问题在于，如果保存的节点连接数据出现了随机损坏，由于我改进的HNSW实现会强制节点之间的链接是双向的，以下问题就可能发生： 1. 我们加载了损坏的数据，比如节点A显示连接节点B，但节点B并没有反过来连接节点A（连接关系被破坏了）。 2. 删除节点B时，由于双向链接破坏，节点A的链接未被清除。 3. 当我们再次访问被删除的节点B链接到节点A时，就会导致使用已释放内存的严重Bug。因此，加载数据之后，我必须检查每个连接是否双向有效。然而，用最简单的方法实现这个功能需要花费O(N²)的时间复杂度，这对于大数据量来说非常糟糕。人类 vs 大语言模型（LLM）一开始，我用最原始的方法实现了这个检查，虽然问题解决了，但加载2000万个向量的大型数据集时，速度从原来的45秒延长到90秒以上，这显然不能接受。于是，我打开了Gemini 2.5 PRO（谷歌的LLM），向它询问有没有更好的方案。 Gemini建议了一个最好的方案——对节点的链接数组进行排序后再用二分搜索提高效率。这一点我早就知道，但链接数组长度只有16或32时，排序可能并没有什么性能提升。所以我继续问它，还有其他方案吗？Gemini表示没有更好的方案。然后我告诉Gemini一个自己的想法：我们在扫描链接时，每次看到节点A连接节点B，就把链接信息以A\:B\:X的格式存入哈希表（这里X是层级信息，A>B保持顺序统一）。第二次遇到同一链接时，就从哈希表删除它。最后如果哈希表非空，就说明有链接存在单向链接的问题。 Gemini认为我的方案不错，但担心构建哈希键的时间损耗，比如使用`snprintf()`来构建哈希键。于是我提醒它，这里完全可以用`memcpy()`来直接拷贝指针到固定大小的键中，Gemini同意我的想法。突然，我意识到还能更进一步： > “等等！” 我告诉Gemini：“我们根本不需要哈希表！可以用一个固定的累加器，每次处理一个链接（A\:B\:X，总共12个字节）时，我们都对这12字节数据进行异或（xor）运算。如果链接存了两次，它们互相抵消，最终若累加器不为零，就知道链接出现了问题！” 但我同时也提醒Gemini，这种方案可能出现碰撞（多个链接偶然导致异或为零），并要求它评估这种风险。 Gemini对我的想法印象深刻，但也提出了担忧：因为指针通常结构类似，如果出现3个错误链接（L1、L2、L3），可能L1和L2异或后的结果刚好和L3相同，从而导致误判。此外，我也考虑到内存分配器分配的地址往往比较容易预测，可能容易被攻击者利用。接着我向Gemini询问改善的方法，Gemini却想不出更好的方案。于是我再次提出了改进方案： 1. 从`/dev/urandom`生成随机种子`S`，与链接信息一起构造为`S:A:B:X`。 2. 使用快速而可靠的哈希函数（如`murmur-128`）对`S:A:B:X`哈希。 3. 将哈希的128位结果异或到累加器中。 4. 最后检查累加器是否为零，若为零则说明所有链接都是双向正确的。 Gemini对此方案非常满意，认为这种方法不仅大大减少了误判的可能性，也极难被攻击者利用（因为随机种子`S`未知，而且指针难以被操控）。这本就是一种额外安全的保护措施，默认关闭，性能损耗也小。我写这篇博客时刚完成了这个方案的评估，还没最终决定是否正式采用（但很可能会用）。不过，这次的经历清楚地表明：人类在创造力和思维的“跳跃性”方面，仍然远远领先于AI。我们能提出许多“怪异但有效”的解决方案，这对LLMs来说太难了。但LLM确实也起到了重要的辅助作用，也许正是因为有了这个“智能小伙伴”的启发，我才得以想到这样的点子吧！

#人类程序员 #大语言模型 #AI技术

8个月前

经济学人：为什么 AI 还没抢走你的饭碗？工作末日还远得很呢！几乎每周，我们似乎都在离人工超级智能更进一步。最先进的AI模型能力惊人，不仅能撰写详细的报告，还能按需制作视频内容，连AI过去常有的“幻觉”（编造内容）问题如今也逐渐减少了。难怪许多人开始担心：自己是不是很快就会被取代？今年早些时候，全球谷歌搜索关键词“AI失业”达到了历史最高峰。在伦敦、旧金山等城市，人们聊天的常见话题变成了：“你觉得自己还能撑多久？”但实际上，ChatGPT真的抢了谁的工作吗？谁真的被AI取代了？许多专家声称，确实如此。他们常引用牛津大学学者Carl Benedikt Frey与Pedro Llanos-Paredes最近发表的一篇论文。论文认为，自动化与翻译需求下降之间存在关联。然而，官方美国数据却显示，与一年前相比，目前口译、翻译等领域的就业人数竟然增长了7%。还有人举出金融科技公司Klarna的例子。Klarna此前大肆宣扬用AI实现客服自动化，但最近却改变了策略。该公司CEO Sebastian Siemiatkowski最近公开表示：“如果你希望，总是能找到一个真人客服。” 年轻人最先遭殃？很多人也在宏观经济数据里找AI带来就业危机的蛛丝马迹。一个热门指标是：新毕业大学生的失业率与整体失业率之比。人们推测，年轻大学生通常进入律师助理、咨询公司做PPT等初级知识密集型工作，而这类工作恰恰是AI最擅长的领域。那么，是不是AI消灭了这些岗位？事实上，数据却说了“不”： • 年轻毕业生的相对失业率早在2009年就已开始上升，那时生成式AI还根本不存在。 • 如今，年轻毕业生的实际失业率仅约4%，仍然处于较低水平。白领工作者最危险？我们再次使用2023年提出的一个衡量方法，考察了美国不同职业类别的就业数据。特别关注被认为易受AI冲击的白领岗位，比如后台支持、财务运营、销售等领域。结果又让人大跌眼镜： • 数据中完全看不出AI带来的负面影响。 • 事实上，过去一年，美国白领工作占总就业比例甚至略微增加了。全球就业仍然强劲从整体来看，美国失业率仍然很低，仅为4.2%。薪资增速相对稳健，这与AI降低劳动力需求的说法也不符。再看看其他国家，趋势也是一致的： • 英国、欧元区、日本的收入增长也都保持较高水平。 • 2024年，经合组织（OECD）富裕国家的就业率（工作年龄人口中实际拥有工作的比例）创下历史新高。为什么AI没有带来“失业潮”？有两种可能的解释： 1. AI的真实使用率远低于宣传尽管各家公司不断宣布将AI纳入运营的每个角落，但实际数据表明，美国企业用AI真正产出产品或服务的比例不到10%。 2. 即便使用AI，公司也不会轻易裁员 AI可能只是帮助员工更高效地完成工作，而非直接取代他们。无论是哪种原因，目前看来，暂时还没有必要为AI恐慌。

#AI #人工智能 #就业市场 #技术进步 #社会影响 #AI替代性 #经济学人 #工作未来

8个月前

TechCrunch: xAI将支付Telegram 3亿美元，在聊天应用中整合Grok智能助手 Telegram与埃隆·马斯克旗下的人工智能公司xAI达成合作协议，将在Telegram聊天应用及其平台上的各类应用中整合xAI开发的智能助手 Grok，合作期限为一年。 Telegram首席执行官帕维尔·杜罗夫（Pavel Durov）周二表示，xAI将以现金和股权的形式向Telegram支付3亿美元作为合作费用。杜罗夫还透露，通过Telegram平台订阅xAI服务产生的收入，Telegram将获得其中的50%。今年早些时候，xAI已将Grok智能助手提供给了Telegram的高级订阅用户。目前看来，Grok可能很快将面向所有用户开放。杜罗夫在X平台上发布的视频显示，用户可以将Grok固定在聊天界面的顶部，还可以直接通过搜索栏向Grok提出问题。值得一提的是，Meta此前也已将Meta AI整合进了Instagram和WhatsApp的搜索栏中。视频还展示了Grok的其他功能，例如： * 提供写作建议 * 总结聊天内容、链接和文档 * 制作个性化贴纸 * 为企业回答客户问题 * 协助内容审核等工作备注：本报道已修正，明确了此次xAI支付Telegram 3亿美元的具体目的是为了在聊天应用中分发Grok智能助手。

马斯克Grok再升级，4代直播发布引爆AI· 41 条信息

#XAI #Telegram #Grok智能助手 #埃隆·马斯克 #人工智能 #合作协议 #科技新闻

8个月前

原文：[The Recurring Cycle of 'Developer Replacement' Hype]() **** 译注文章中木匠和CNC机床是个有趣的例子，传统的手工木匠，他们靠简单工具和扎实的手工技能打造家具。“数控机床”则代表最新技术的辅助工具。它能自动、高效地切割、加工木材，大幅提高生产效率。当先进技术出现时，真正优秀的不是工具，而是驾驭工具的高手。 1. 工具提高了生产力，但不自动提高创造力。 CNC机床的确能够更精准、更快速地生产家具，但它本身并不会「设计」出精美的家具。真正决定家具美观和质量的，始终是设计和架构它的人——也就是“木匠”。 2. 高手掌握新工具后，价值会成倍增长。给一个新手或普通人一台先进的数控机床，他可能只会用来制作简单粗糙的家具；给一个经验丰富的木工大师同样的设备，他则能设计并创造出精妙绝伦的艺术品级家具。 3. 工具的价值在于放大使用者的能力。新工具能把高手和普通人的差距迅速拉大，而不是缩小。懂设计、懂构造、懂木材属性的高级木工，会更快地利用新工具创造出超越传统水准的作品；而不懂设计、不懂木材的新手，使用再先进的工具，也只会做出平庸的产品。传统的程序员（木匠）靠自身对技术和架构的深刻理解（凿子的技能）来创造系统。AI代码助手（数控机床）则能自动、快速生成代码，但并不能取代程序员对架构、设计、业务理解的需求。在AI时代： - 普通开发者可能只是简单使用AI自动生成代码，最终做出的产品缺乏架构性和创新性； - 高级开发者（系统架构师）则能善用AI辅助开发工具，专注于系统设计、整体规划与优化，从而做出更优秀、更复杂、更稳健的系统。真正决定最终成果的不是工具本身，而是使用工具的人所具备的设计与架构能力。技术越先进，越需要的是具备高阶技能的人来驾驭它们。代码生成AI无法取代系统架构师，反而会让擅长架构设计的人变得更加重要，市场价值更高。

#开发者替代 #自动化技术 #技术进步

8个月前

一次又一次的「开发者要被取代了」的炒作潮作者：Danilo Alonso 从「无代码」到「AI 辅助开发」每隔几年，总会冒出一种全新的技术，声称可以彻底取代程序员。各种夸张的新闻标题接踵而来，比如「编程的终结」、「人人都能开发App」，甚至还有我最喜欢的一条：「我的孩子五岁还没学会识字，就会写代码了！」高管们为之振奋，咨询师们像鲨鱼般蜂拥而至，PPT 幻灯片疯狂增长，预算也随之倾斜。然后，现实终于到来了。真正发生的并不是取代，而是转型。那些号称能让技术岗位消失的新技术，最终却催生了全新的技术岗位，并且这些新岗位通常薪资更高。无代码（NoCode）运动并未淘汰程序员，而是创造了无代码专家和后台整合工程师。云计算也没有淘汰系统管理员，而是将他们转型为薪水翻倍的 DevOps 工程师。如今，我们正目睹着同样的现象再次发生在 AI 辅助开发领域。「AI 能为你写全部代码」的承诺，逐渐演变成需要工程师来有效组织和调控 AI 系统。这些人本质上还是原来的工程师，但需要具备新技能，并获得更高的薪酬。但这一次的转型有更深刻的含义。不同于以往只改变实现方式的技术变革，AI 辅助开发清晰地揭示出软件工程中的一个根本真相：软件行业中最宝贵的技能不是写代码，而是设计和构建系统的架构。而这，恰恰是 AI 至今远未能取代的技能。一再重复的「开发者被取代」神话回顾一下历史，我们已经经历了多少次类似的「革命」呢？我们一起来数数看： 1. 无代码/低代码革命还记得那些承诺「让业务人员通过拖拽就能开发 App」的工具吗？当初的说法听起来很动人：「既然人人都能自己搭建应用，为什么还要雇佣昂贵的程序员呢？」可现实呢？这些工具带来了新的问题：背后的数据模型还是要人来设计，跟已有系统的对接依然复杂，边缘情况无法通过图形化界面解决，维护和升级同样离不开技术人员。最终，这些工具没减少开发人员，反而催生了一批懂业务又懂技术局限性的「无代码专家」。而且，这些专家的薪资甚至超过了当初被宣称会取代的程序员。 2. 云计算革命「迁移到云上后，你再也不需要系统管理员了！」仿佛把服务器托管给别人，就真的不需要管理了似的。实际情况却是，云计算没有消除系统运维的需求，而是改变了运维工作的形态，并极大地拓展了运维工作的范畴。系统管理员们并没有消失，他们重生为 DevOps 工程师，有了新的高大上的职称和明显更高的收入。工作内容并未消失，而是演变成了基础设施即代码、自动化部署流程和分布式系统管理。正如我之前在 LinkedIn 关于微服务的帖子中所写：「我看过很多团队花费数月时间将功能完好的单体应用拆成微服务，最后却发现他们只是在用更昂贵的新问题换掉旧问题。」云计算推动了这种复杂性，而处理这种复杂性的人依然是技术专家，只不过工作层次更高了。 3. 海外外包开发潮「既然可以用更便宜的价格在海外完成开发，为什么还要付高薪请本地的程序员？」成本大幅降低的承诺，很快碰到了现实的障碍：沟通不畅、质量控制困难，以及开发过程中深度的背景知识和持续的协作需求。最后出现的方案，是更精细的分工、更清晰的职责界限、更成熟的架构实践，以及——意料之外的——更高的综合成本。 4. AI 编程助手革命如今又有 AI 出来宣称「只要你描述一下需求，AI 就会自动生成代码！」但现实很快浮现：AI 写出的代码虽然看起来合理，却经常隐藏着细微的错误和不一致性。资深工程师花费大量时间检查和修正 AI 生成的代码。所谓的「意念编程」（vibe coding）现象表明，经验丰富的开发人员能从 AI 中获得远多于新手的价值。纯靠 AI 搭建的系统，往往缺乏整体性和架构一致性。 > 「在木匠们还在使用凿子的时代，你给木匠们送一台数控机床。你猜谁能做出更好的家具？」模式再次重演：技术没有取代技能，而是把技能推到了更高的抽象层次。为什么这次的情况有些不同？那些认为「AI 将取代程序员」的人，忽略了一个重要事实：代码并不是资产，而是负债。每行代码都需要被维护、调试、安全防护，并最终被替换掉。真正的资产是代码背后的业务能力。如果 AI 大幅降低了写代码的成本和速度，那其实是在让人们更快、更轻易地制造更多的负债。当负债的产生速度空前提升时，能够战略性地管理、减少这些负债的人才价值也会随之大幅提升。尤其因为 AI 擅长局部优化，却无法进行整体设计。它能优化单个函数，却无法决定服务是否应该存在，或服务应如何与更广泛的系统协作。当开发速度加快时，架构问题往往会在你意识到之前就已深度植入系统之中。对于搭建短期使用的营销网站，这可能无伤大雅；但对需要长期演进的系统，这种情况将是灾难性的。虽然技术转型的模式始终如一——系统管理员变成了 DevOps 工程师，后台开发变成了云架构师——但 AI 正在加速这一过程。而最终留下来的技能，不是写代码。而是设计和构建系统的架构。这，正是 AI 无法取代的核心能力。（完）

#开发者 #人工智能 #无代码开发 #程序员 #技术革新

8个月前

IBM裁员约8000人，HR部门因AI受冲击最大 IBM近日裁员约8000名员工，其中大部分集中在公司的人力资源（HR）部门，而AI技术的广泛应用正是造成这一现象的主要原因。 IBM此次大规模裁员主要针对人力资源部门，这与公司近期大举推进AI自动化战略密切相关。仅在几天前，IBM便已用AI智能体取代了200个HR岗位。这些AI智能体可以高效完成过去由人工负责的重复性任务，例如整理信息、回复员工咨询和处理内部文件，逐渐让更多岗位被取代。裁员背后的AI自动化趋势 IBM首席执行官阿尔文德·克里希纳（Arvind Krishna）近期在采访中透露，公司通过AI和自动化改进企业流程，提高效率。他特别强调，尽管一些岗位被取代，但IBM的整体员工数量其实是在增加的。这是因为公司把AI带来的节省资金重新投入到了软件开发、市场营销、销售等更需要创造力和战略思维的领域。克里希纳表示：“我们在IBM内部大量使用AI和自动化改善了企业流程，但公司的整体员工数量并未减少，反而增加了。这让我们有更多的资金投入到其他更有价值的领域。” 简单来说，IBM并非单纯地全面削减人员，而是在重新调整组织结构。那些需要创造性、战略思考能力以及出色沟通技巧的职位依然备受青睐，但以重复性后台事务为主的岗位则越来越被AI所取代。并非所有岗位都会被完全取代 IBM首席人力资源官妮科尔·拉莫罗（Nickle LaMoreaux）也指出，AI并不意味着所有岗位都会消失。“完全被AI取代的职位其实很少，”她解释道。AI主要接手的是重复性任务，使员工可以腾出更多精力来完成真正需要人类判断力的工作。值得注意的是，尽管IBM内部在裁员，但公司同时也在积极向客户推广AI服务。在本月召开的IBM年度Think大会上，IBM推出了帮助企业客户构建和运行AI智能体的新服务，这些服务还能与OpenAI、亚马逊、微软等主流平台协同使用。行业趋势明显，多家公司纷纷效仿事实上，AI自动化趋势并不局限于IBM一家企业，全球范围内越来越多公司正在尝试利用AI工具减少运营成本。上个月，多邻国（Duolingo）宣布开始逐步用AI取代人类合同工。 Shopify的CEO托比亚斯·卢克（Tobias Lutke）甚至在内部备忘录中要求各团队在聘请新员工前，必须首先证明AI无法完成这些任务。他提出：“在申请增加人力资源之前，必须明确为什么AI不能满足需求。想象一下，如果你的团队中已有AI智能体参与工作，会是什么样子？” 可以看出，随着AI技术进一步发展，行政类的重复性岗位在未来还将持续面临风险，职场格局也将随之进一步转变。

#IBM #裁员 #AI技术 #人力资源 #自动化 #职场变革 #人工智能 #技术替代

8个月前

来自 Reddit 一位拥有30多年经验的前FAANG（Facebook、Apple、Amazon、Netflix、Google）高级工程师被一个C++ Bug困扰了4年，花了约200小时却毫无进展。而Claude Opus 4竟然成功地解决了这个问题，并且是唯一能做到的AI智能体。以下是 Reddit 上的帖子： *** Claude Opus 今天帮我解决了折磨我四年的「白鲸」级Bug 背景我是一名拥有超过 30 年经验的 C++ 开发者，曾任职于 FAANG 公司担任高级工程师。我通常是团队里的问题终结者，当其他工程师卡住一周都解决不了问题时，他们来找我，我往往在他们站在我办公室里的时候，就能轻松搞定。但今天，我被 Claude Opus 4 彻底折服了。折磨了我四年的难题四年前，我曾做过一次重构，对约 6 万行的代码进行了重新架构。重构解决了大量问题，但也带来了一个极端情况的 Bug。当某个特定着色器（Shader）以特定方式使用时，这个 Bug 就会显现。以前这个功能是好的，但重构之后，这个特定场景就坏了。过去几年，我断断续续地花了至少 200 个小时想找到原因，但一直无功而返。这个问题非常恼人，但并不是特别紧急，没法完全停下手头的工作专心处理。 Claude Opus 4 的神奇表现今天，我决定用 Claude Code 跑一下 Opus 版本来解决这个难题。我把新旧代码都给了它，告诉它：“去查一查，当年的重构到底是怎么导致这个问题的。” 让我没想到的是，它真的找到了！原来，这个功能在旧架构里之所以能正常运行，纯粹是因为偶然的巧合。重构后的新架构并没有考虑到这个巧合情况，因此就产生了问题。所以严格意义上讲，这并不是简单的逻辑错误，而是新架构的设计本身遗漏了旧版特有的边界条件。整个过程我一共向 Claude 提出了大约 30 个提示，中间重启过一次。之前我也尝试过 GPT 4.1、Gemini 2.5 和 Claude 3.7，都没有任何进展。最终只有 Claude Opus 4 解决了这个困扰我四年的难题。

#FAANG #C++ #Claude Opus #AI #高级工程师 #编程 #Bug解决

9个月前

WIRED：当AI智能体犯错时，谁该承担责任？随着谷歌和微软大力推广能够自主行动的AI智能体技术，人们正逐渐意识到：当多个智能体彼此互动并且触碰到法律底线时，到底该由谁来承担责任？过去一年中，资深软件工程师杰伊·普拉卡什·塔库尔（Jay Prakash Thakur）利用业余时间，不断尝试开发能够自主订餐、甚至独立设计移动应用程序的AI智能体。他研发的智能体虽然表现惊人，但也暴露了一个新的法律问题：当这些智能体犯错并造成损失时，究竟谁来承担责任？什么是AI智能体？ AI智能体（Agents）指的是能独立完成任务的人工智能程序。企业可以利用智能体来自动完成客服回复、支付账单等事务。与我们熟悉的ChatGPT不同，智能体不只是听命于用户指令，更能自主行动，微软、亚马逊和谷歌正期望这些智能体承担更复杂的任务，并且无需太多人工干预。科技行业的雄心甚至更大，未来将由多个智能体组成的系统取代整个工作团队。这种技术的好处很明显：为公司节省大量的时间和人工成本。权威市场研究机构Gartner预测，到2029年，有80%的常规客户服务问题将由智能体解决。自由职业平台Fiverr数据显示，近几个月以来，“AI智能体”的搜索量暴增了18347%。智能体出现问题后，谁担责？塔库尔虽然目前在微软任职，但他的本职工作并不涉及智能体。然而，他从2024年在亚马逊工作期间就开始研究微软的智能体开发工具AutoGen，开发了一些多智能体的原型。他最大的担忧是，如果不同公司的多个智能体之间沟通失误而导致严重损失，法律责任该如何分配？他形容：“想找出责任方就像根据几个人零散的笔记，去还原一场复杂的对话一样困难。” 从谷歌离职、现任律所King & Spalding的律师本杰明·索夫特尼斯（Benjamin Softness）指出，出了问题的人通常都会找那些财力雄厚的大公司索赔。换句话说，即使出错的是普通用户，但企业可能依旧会成为主要的索赔对象，因为追究普通消费者的责任通常没有经济价值。保险业已经开始提供专门针对AI智能体的保险，以帮助企业应对这些风险。 AI智能体会犯哪些错误？案例一：“无限使用”的误解塔库尔开发的一个原型中，有两个智能体相互协作。其中一个负责寻找开发应用程序所需的工具，另一个负责总结工具的使用条款。在一次测试中，负责搜索的智能体找到了一款工具，说明上写着：“企业用户每分钟支持无限请求次数”，但负责总结的智能体错误地省略了“企业用户”和“每分钟”这些关键字眼，导致另一个智能体误以为自己可以无限次地请求。这次失误虽未造成损失，但实际使用时，很可能导致整个系统崩溃。案例二：“洋葱圈”变成“多加洋葱” 塔库尔还模拟了一个餐厅点餐系统，用户可以通过AI智能体点餐，再由多个机器人协作完成烹饪。虽然90%的情况都顺利完成，但偶尔也会出现“我要洋葱圈”却变成了“多加洋葱”，或者漏掉某些食物的情况。更糟糕的情况是，如果顾客存在食物过敏，后果可能非常严重。案例三：购物比价智能体误导消费者另一个案例中，比价智能体推荐了价格便宜的商品，却错误地给出了价格更高的网站链接。如果智能体被设置成自动下单，消费者就可能多花冤枉钱。这些问题揭示，即使是看似简单的任务，AI智能体也可能犯下代价高昂的错误。过去一年，就有AI生成的航空公司优惠券被判定为具有法律约束力的案例，还有AI生成的法律引用文件出错，开发商不得不向法庭道歉。如何避免智能体犯错？塔库尔认为，目前最可行的办法是增加人为确认步骤，例如让顾客确认点餐内容。然而，这种方式却违背了开发智能体的初衷——减少人为干预。业内的一种主流思路是再增加一个“裁判”型智能体，负责监督其他智能体的运行情况，及早发现并纠正错误。但专家们也担心，这种方案可能导致智能体系统变得臃肿复杂。法律层面的挑战近期旧金山举行的一场法律会议上，包括OpenAI的高级法律顾问约瑟夫·费尔曼（Joseph Fireman）在内的法律人士认为，现行法律会在一定程度上让发出指令的用户承担部分责任，特别是在用户被明确告知智能体的限制时。但另一些法律专家提出，普通消费者不可能强迫企业承担责任，尤其在用户甚至可能依赖智能体去审核法律条款的情景下，情况将更加复杂。Anthropic公司的法律顾问丽贝卡·雅各布斯（Rebecca Jacobs）也指出：“智能体是否能够代表用户绕开隐私政策和服务条款，将成为一个非常有趣的问题。” 律师达扎·格林伍德（Dazza Greenwood）则呼吁企业在智能体出错率过高时谨慎行事：“如果你的‘加洋葱’失误率高达10%，那么根本不该急于上线。” 总结：现在还不能完全放心地交给AI智能体 AI智能体技术虽然前景广阔，但显然仍有许多问题需要解决。从技术角度看，我们距离真正无需人为干预、彻底可靠的智能体还很远；而从法律角度，AI犯错后的责任归属更是一个巨大的难题。因此，目前用户还无法安心地“翘起脚”完全依靠智能体。

#AI责任 #AI智能体 #法律责任 #技术伦理 #自主行动AI

9个月前

WIRED：Elon Musk旗下公司X租赁的数据中心发生火灾俄勒冈州波特兰附近，由埃隆·马斯克（Elon Musk）的公司X租赁的一家数据中心，于周四上午发生火灾。消防部门表示，火灾起因与建筑内的电池设备有关。据多名消息人士向《WIRED》透露，事故发生在位于希尔斯伯勒（Hillsboro）的科技园区内。这些消息人士要求匿名，因为他们未获准公开谈论公司内部情况。希尔斯伯勒消防救援部门发言人皮塞特·皮奇（Piseth Pich）表示，消防员于上午10点21分抵达现场，发现建筑内的一间装有电池的房间起火，浓烟密布，但火势尚未扩散至其他区域。截至下午3点，消防人员仍在现场处置。截至目前，X公司尚未回应媒体的置评请求，尚无法确认此次事件是否影响到了数据中心的服务器运营。数据中心的重要性与风险在埃隆·马斯克收购Twitter之前，公司原本在萨克拉门托（Sacramento）、波特兰（Portland）和亚特兰大（Atlanta）拥有三座数据中心。这样的布局能确保某一数据中心发生故障时，流量可以快速分流到其他两个中心，防止单个数据中心过载。 2022年圣诞节前夕，马斯克为了削减成本关闭了X公司在萨克拉门托的数据中心。这一举措曾导致公司出现严重的服务中断。在随后的六个月里，公司将超过2573个服务器机架从萨克拉门托转移到了波特兰和亚特兰大的数据中心。在波特兰地区，X公司似乎租赁了由全球最大数据中心开发商之一Digital Realty拥有的设施。这些设施通常由多个公司共同租用，但目前还不清楚X公司是否与其他公司共用该建筑。 Digital Realty公司美洲运营副总裁瑞安·扬（Ryan Young）周四晚发表声明表示，发生在PDX11设施的数据中心火灾事件已得到控制，消防部门已离开现场。“所有人员安全撤离，没有人员受伤报告。目前，我们正在持续监控局势，首要任务是保障人员安全，确保设施稳定，并减少对客户的影响。”他未就具体客户信息置评。数据中心电池为何易引发火灾？电池通常作为数据中心的备用电源使用，尤其是锂离子电池。虽然锂离子电池能高效供能，但本身较为不稳定，维护不善或安全措施不足时，很容易引发火灾。全球多个数据中心都曾因此付出高昂代价。皮奇还表示，他无法回忆起俄勒冈州其它数据中心曾发生过类似涉及电池的火灾事件，这或许是当地首次发生类似事件。 X母公司xAI的发展引发争议 X的母公司xAI近来因其在孟菲斯（Memphis）新开设的数据中心快速扩张引发批评。这个名为“巨人”（Colossus）的数据中心自去年启动，用于训练xAI旗下的AI工具，包括Grok。该中心安装了超过30台以甲烷为燃料的燃气涡轮机，但由于设备被认定为“临时设施”，因此无需申请联邦空气污染控制许可证，这被视为利用了《清洁空气法案》中的漏洞。该设施引发了周围主要为非裔和拉美裔社区居民的强烈不满，他们已经长期暴露于当地其他工业设施排放的大量空气污染物中。

#火灾 #数据中心 #埃隆·马斯克 #俄勒冈州 #电池设备

... ...