宝玉

统计数据

912

文章

0

粉丝

0

获赞

20656

阅读

1个月前

斯坦福大学团队在《Science》发表研究：通过阻断一种叫15-PGDH的蛋白质，成功让老年小鼠的膝盖软骨重新长出来，还能防止运动损伤后发展成关节炎。 15-PGDH是一种“衰老酶”，会随年龄增长在体内积累，导致组织功能下降。研究发现老年小鼠关节中这种蛋白的水平是年轻小鼠的两倍。用小分子药物抑制它后，原本变薄的软骨明显增厚，而且长出来的是功能完好的透明软骨，不是质量较差的纤维软骨。更有意思的是，这个过程不依赖干细胞。软骨细胞直接改变了自己的基因表达模式，变得更"年轻"——产生健康软骨的细胞比例从22%升到了42%。研究团队还用人类膝关节置换手术中取出的组织做了验证，效果同样积极。骨关节炎影响约五分之一的美国成年人，目前只能止痛或换关节，没有药能真正逆转病程。这款药物的口服版已在进行针对肌肉无力的一期临床试验，团队希望软骨再生的临床试验也能尽快启动。 ----- 《抗衰老注射剂竟能让膝盖软骨再生，还能预防关节炎》作者：SciTechDaily 来源：科学家们发现了一种通过靶向特定的“衰老蛋白”来让软骨再生的方法。这种方法不仅能逆转老年动物的关节损伤，还能在受伤后预防关节炎的发生。图片来源：Stock 一种能阻断“衰老相关蛋白”的新疗法，通过对现有细胞进行“重编程”（而非使用干细胞），成功在老化和受损的关节中恢复了软骨组织。研究人员报告称，阻断一种与衰老紧密相关的蛋白质，可以让老龄小鼠膝盖中自然磨损的软骨重新长出来。在这项研究中，这种注射疗法不仅重建了软骨，还在膝盖受伤（类似于运动员和好动成年人常见的前交叉韧带/ACL撕裂）后，成功阻止了关节炎的发展。目前，该疗法的口服药版本已经在进行临床试验，旨在治疗与衰老相关的肌肉无力。在关节置换手术中收集的人类膝盖组织对这种治疗也产生了积极反应。这些样本——包括关节的支撑结构（细胞外基质/Extracellular Matrix，即细胞居住的支架）和产生软骨的软骨细胞（Chondrocytes）——开始形成功能正常的新软骨。综合来看，这些发现指向了一个令人兴奋的可能性：未来我们或许可以通过局部注射或口服药物，来恢复因衰老或关节炎通过流失的软骨，从而彻底消除进行膝盖或髋关节置换手术的必要。直击骨关节炎的根本病因这种疗法不仅仅是缓解症状，而是直击**骨关节炎（Osteoarthritis）**的根本驱动因素。骨关节炎是一种退行性关节疾病，在美国影响着大约五分之一的成年人，每年产生的直接医疗费用估计高达 650 亿美元。目前，市面上没有任何药物可以阻止或逆转这种疾病，患者的主要选择只能是疼痛管理（吃止痛药）或关节置换手术。该疗法靶向一种名为 15-PGDH 的蛋白质。随着人体衰老，这种蛋白质的含量会越来越高，科学家将其归类为衰老酶（Gerozyme）。注：衰老酶（Gerozyme）是该研究团队在 2023 年首次描述的一个概念。它指的是那些随着年龄增长而活性增强，并导致组织功能逐渐衰退的酶。可以把它想象成身体里导致“生锈”的催化剂。在小鼠体内，15-PGDH 水平的升高是导致老年肌肉力量流失的关键因素。当科学家使用小分子药物阻断这种蛋白质时，老龄小鼠的肌肉质量和耐力都得到了提升。相反，如果强迫年轻小鼠产生过多的 15-PGDH，它们的肌肉就会萎缩变弱。这种蛋白质还被发现与骨骼、神经和血细胞的再生有关。在上述组织中，修复通常依赖于激活组织特异性的干细胞。但软骨的情况截然不同。软骨细胞并不依赖干细胞，而是通过改变自身的基因活动，恢复到更年轻的状态。这就像是细胞层面的“返老还童”，让再生在没有干细胞参与的情况下发生。 “这是一种让成人组织再生的全新方式，对于治疗因衰老或受伤引起的关节炎具有巨大的临床前景，”斯坦福大学微生物学和免疫学教授 Helen Blau 博士说。“我们原本是在寻找干细胞，但很明显它们并没有参与其中。这太令人兴奋了。” 该研究发表在权威期刊《科学》（Science）上，Helen Blau 博士和斯坦福大学骨科副教授 Nidhi Bhutani 博士是该研究的资深作者。骨科讲师 Mamta Singla 博士和前博士后学者 Yu Xin (Will) Wang 博士是该研究的主要作者。Wang 博士目前是圣地亚哥桑福德·伯纳姆研究所的助理教授。 “戏剧性”的再生效果 “随着年龄增长，数以百万计的人饱受关节疼痛和肿胀的折磨，”Bhutani 博士说。“这是一个巨大的未被满足的医疗需求。直到现在，还没有药物能直接治疗软骨流失的根源。但这种衰老酶抑制剂引发了戏剧性的软骨再生效果，超越了以往任何药物或干预手段的报告。” 人体内主要有三种类型的软骨： 1. 弹性软骨：柔软灵活，构成外耳等结构。 2. 纤维软骨：致密坚韧，存在于脊椎骨之间，用于吸收冲击。 3. 透明软骨（Hyaline Cartilage）：光滑有光泽，为脚踝、臀部、肩膀和膝盖部分等关节提供低摩擦表面，起到润滑和灵活作用。透明软骨（也称为关节软骨）是骨关节炎中最常受损的类型。（图2）上图：年轻小鼠的膝关节；中图：老龄小鼠的膝关节；下图：经过治疗的老龄小鼠膝关节。红色部分表示软骨。图片来源：Nidhi Bhutani 当关节因衰老、受伤或肥胖而承受压力时，骨关节炎就会发生。软骨细胞开始释放促炎分子，并分解胶原蛋白（Collagen）——这是软骨的主要结构蛋白。当胶原蛋白流失，软骨就会变薄、变软；随之而来的炎症会导致关节肿胀和疼痛，这也是该病的标志性症状。在正常情况下，关节软骨极难再生。虽然科学家在骨骼中发现了一些可能生成软骨的干细胞群，但在关节软骨中寻找类似细胞群的尝试一直没有成功。 Blau 实验室之前的研究表明，一种名为**前列腺素 E2（Prostaglandin E2）**的分子对肌肉干细胞功能至关重要。而 15-PGDH 这种酶会降解前列腺素 E2。因此，抑制 15-PGDH 的活性（或者直接提高前列腺素 E2 的水平）可以支持年轻小鼠受损肌肉、神经、骨骼、结肠、肝脏和血细胞的再生。 Blau、Bhutani 和他们的同事想知道，15-PGDH 是否也在软骨和关节老化中扮演了类似的角色。当他们比较年轻和年老小鼠膝盖软骨中的 15-PGDH 含量时，发现这种“衰老酶”的水平随着年龄增长增加了约两倍。随后，他们尝试给老龄动物注射一种能抑制 15-PGDH 活性的小分子药物——首先是腹部注射（影响全身），然后是直接注射到关节中。在这两种情况下，老龄小鼠原本明显变薄、功能退化的膝盖软骨，都在关节表面重新变厚了。进一步的实验证实，关节中的软骨细胞生成的是高质量的透明软骨，而不是功能较差的纤维软骨。 “在老龄小鼠身上看到如此程度的软骨再生让我们大吃一惊，”Bhutani 说，“效果非常显著。” 解决 ACL 撕裂后的隐患在患有膝盖损伤（如 ACL 撕裂）的动物身上也观察到了类似的结果。ACL 撕裂在足球、篮球和滑雪等需要突然急转、急停或跳跃的运动中经常发生。虽然撕裂可以通过手术修复，但大约 50% 的人在受伤后 15 年内会在该关节处患上骨关节炎。研究人员发现，在受伤后，连续四周每周注射两次“衰老酶抑制剂”，可以大幅降低小鼠患骨关节炎的几率。相比之下，接受对照药物治疗的动物，其体内的 15-PGDH 水平是未受伤同伴的两倍，并在四周内就患上了骨关节炎。接受“衰老酶抑制剂”治疗的动物运动更加正常，并且比未治疗的动物更敢于用受伤的腿负重。 “有趣的是，前列腺素 E2 过去一直被认为与炎症和疼痛有关，”Blau 解释道，“但这项研究表明，在正常的生物水平下，前列腺素 E2 的小幅增加实际上能促进再生。” 对老年小鼠和年轻小鼠关节中软骨细胞的深入调查显示，老年软骨细胞表达了更多有害基因（涉及炎症和将透明软骨转化为不需要的骨骼），而表达软骨发育相关基因较少。无需干细胞，直接“重编程”软骨细胞研究人员还精准定位了老年软骨细胞的亚群，这些细胞在治疗后改变了基因表达模式： 1. “坏分子”减少：一种表达 15-PGDH 并参与软骨降解的细胞，治疗后比例从 8% 降至 3%。 2. “疤痕制造者”减少：另一种不表达 15-PGDH 但表达纤维软骨（类似疤痕组织）生成基因的细胞，治疗后比例从 16% 降至 8%。 3. “再生主力”增加：第三种细胞群不产生 15-PGDH，但表达形成透明软骨和维持细胞外基质所需的基因，治疗后其比例从 22% 飙升至 42%。这些发现表明，治疗后基因表达发生了整体转变，恢复到了更年轻的软骨构成——而且这一过程完全没有干细胞或祖细胞的参与。最后，研究人员研究了从接受全膝关节置换术的骨关节炎患者身上取下的人类软骨组织。经过 15-PGDH 抑制剂处理一周的组织，表现出更低水平的 15-PGDH 表达细胞，软骨降解基因和纤维软骨基因也减少了，并且开始再生关节软骨。 “这种机制非常惊人，真正改变了我们要如何实现组织再生的看法，”Bhutani 说，“很明显，软骨中大量现存的细胞正在改变它们的基因表达模式。通过靶向这些细胞进行再生，我们在临床上可能产生更大的整体影响。” Blau 补充道：“针对肌肉无力的 15-PGDH 抑制剂的一期临床试验已经表明，该药物在健康志愿者中是安全且有效的。我们希望类似的试验能很快启动，以测试其在软骨再生方面的效果。这个潜在的突破让我们非常兴奋。想象一下，让现有的软骨重新生长，从而避免关节置换手术。” 参考文献： “Inhibition of 15-hydroxy prostaglandin dehydrogenase promotes cartilage regeneration” by Mamta Singla, Yu Xin Wang, Elena Monti, Yudhishtar Bedi, Pranay Agarwal, Shiqi Su, Sara Ancel, Maiko Hermsmeier, Nitya Devisetti, Akshay Pandey, Mohsen Afshar Bakooshli, Adelaida R. Palla, Stuart Goodman, Helen M Blau and Nidhi Bhutani, 27 November 2025, Science. DOI: 10.1126/science.adx6649

1个月前

自己要做Agent就一个建议：第一个版本用 claude agent sdk 搭，先跑起来再说

1个月前

我个人不喜欢 Spec-Driven Development，有点像瀑布模型写系统设计文档，理论上看起来很牛，但是并不好操作，另外容易想的太多。我比较推崇小版本迭代，不需要写详细的 spec，几句简单的 prompt 就可以开始生成，每次写一个可以跑起来的版本，然后一点点迭代，每次迭代完都是可以运行的版本另外大多数时候，Claude Code 的 Plan Mode 就足够好用了，根据你当前想实现的，会写一个 plan 文档，可以反复沟通确认。

1个月前

如果你看过半年前 DHH（Ruby on Rails 的创造者）和 Lex Fridman 的访谈，聊了整整六个小时，他说自己虽然喜欢用 AI 当助手，查 API、找灵感，但坚决不让 AI 直接往他的代码库里写东西。他的原话大意是：如果你的手指不沾代码，你就会跟代码失去联系。就像弹吉他一样，Spotify 上有完美的录音，但自己弹的乐趣是不一样的。“我的乐趣就是自己敲代码。” 当时在访谈里他还警告年轻程序员：如果一个东西谁都能 vibe coding 出来，那就不是什么值钱的技能。你只是在点“接受”的“tap monkey🐒”。现在他发推说：别让 AI 的垃圾和尴尬，否定它的神奇。这是我们让电脑做过的最激动人心的事，仅次于把它们连上互联网。他现在承认，当时一半的抵触其实是因为模型不够好。那时候花在改写 AI 代码上的时间，比自己从头写还多。但现在情况反过来了。模型能力到了，工具体验也到了。他最近在用的 opencode 让 AI Agent 能跑 bash、访问网页、用 LSP 做代码分析。看模型搞定一个复杂的 bug，他说是 revelation（启示）。 DHH 代表一类人：资深程序员，对代码有洁癖，写了三十年代码还觉得写代码有乐趣的人。这类很多人是抵触 AI 写代码的，但现在越来越多的人开始转变观念拥抱 AI。 DHH 在推文中说他现在还是会手写很多代码但会让 AI 写初稿： > 这既是出于必要（有时候模型还是给不出我想要的效果），也是出于乐趣（写代码本身多好玩啊！）。 > 但我已经完全接受了一个现实：先让 AI 搞个像样的初稿，确实能让工作效率大大提升。 DHH 在 Lex 那期 6 小时的播客里说过一句话： > 我们对未来的预测往往是错的，但这不妨碍我们做选择。他的选择是：继续写代码，因为喜欢；同时拥抱 AI，因为它确实有用。 “What a time to love computers!” 确实是个爱电脑的好时候。

1个月前

以防你不知道：VSCode 的 AI Generate commit message 功能特别好用

1个月前

AI 时代的代码审核：写两遍，反而更快做过几年开发的人，大概都有过这种痛苦记忆：第一版代码写完，功能好不容易跑通了，然后发现需求理解错了一半，技术方案踩了三个坑，架构设计根本撑不住后续迭代。想推翻重写？老板说deadline不等人。只好硬着头皮往上堆，三年后回头看，那坨代码已经成了没人敢动的屎山。这个问题存在了几十年，但现在 AI 编程工具的出现，意外地给了一个新解法。【1】我的解法：两个版本，两套标准这个解法其实不新，软件工程教科书里叫“原型开发法”：先做个粗糙版本验证想法，再正式开发。但以前没人这么干，因为成本太高。写一个能跑的原型，可能要花正式开发一半的时间，谁等得起？现在情况变了。AI 写代码的速度，快到让人不适应。以前一个功能要写三天，现在可能三小时就能出个能跑的版本。这个速度变化，让原型开发法从“理论上可行”变成了“实践中划算”。具体怎么做？分两个版本开发。【2】第一版：原型版，让AI撒欢跑第一个版本的定位很明确：原型，不是产品。目标只有两个：确认需求，解决技术难点。这个阶段的原则是“不管不顾”：不考虑架构设计，不考虑代码质量，不考虑安全性能。只考虑一件事：把功能实现出来。代码生成出来直接合并，不做 review，让 AI 反复迭代，直到产品经理点头说“对，这就是我要的”。这个版本的代码是准备扔掉的，所以要单独开个分支，或者干脆放在独立的仓库里。它的价值不在于代码本身，而在于两件事：确认需求到底是什么，以及把技术上的坑先踩一遍。很多时候，需求文档写得再详细，你不做出来就是想不清楚。技术难点也是，纸上谈兵和真刀真枪完全两回事。第一版的意义就在于此：用最低的成本，把该踩的坑踩完。就像建筑师画草图。草图不讲究线条精准、比例完美，它的作用是帮你把想法快速具象化，试错、调整、确认方向。没人会拿草图去施工。【3】第二版：生产版，回归传统工程等第一版把路探清楚了，再来做第二版。第二个版本才是真正要交付的东西。这个阶段回归传统软件工程的套路：先做设计，再拆模块，走 CI 流程，做 Code Review。每次提交的代码量要小，方便人工审核。设计、维护、安全，该考虑的都要考虑。在这个阶段，AI仍然是主力干活的，但人来主导。先设计后实现，配合plan模式，让AI按你的思路来生成代码。第一版的代码也不是完全白写，有些模块是可以复用的，尤其是算法实现和业务逻辑这些核心部分。相当于从草图里把有价值的部分提炼出来，放进正式的施工图。【4】这套方法有效的底层逻辑为什么要这么麻烦，搞两个版本？核心原因是：在第一版做完之前，你对需求的理解大概率是不完整的。传统开发模式的问题，恰恰在于它在第一版上花了太多精力。需求还没完全想清楚，就开始做架构设计；技术难点还没摸透，就开始考虑扩展性、可维护性。结果呢？大量过度设计，考虑了很多“未来可能会有但其实永远不会出现”的情况。时间花在了细枝末节上，真正重要的问题反而被忽略了。两版本开发法的好处是，让你先用最低成本把路趟一遍。第一版跑完，需求确认了，技术难点解决了，再来做设计，这时候你知道该设计什么、不该设计什么。少走很多弯路。还有一个隐藏好处。很多资深开发者不愿意用 AI 编程，核心原因是接受不了 AI 生成代码的质量。但如果你告诉他，这些代码就是用来扔的，只是为了验证想法，心理上的抵触就会小很多。这等于给了一个台阶：用 AI，但不用对那些代码负责。说到底，AI 改变的不只是写代码的速度，更是整个开发流程的经济学。以前做两遍太贵，现在做两遍反而更划算。承认第一版是用来扔的，反而能做出更好的第二版。

1个月前

一个视频总结 2025 年 AI 圈

1个月前

Reddit 神贴（转译）：我是一家大型外卖应用的开发者。“优先配送费”和“司机福利费” 100% 都进了公司的腰包，司机一分钱也拿不到。我现在躲在图书馆连着公用 Wi-Fi，用一台“一次性笔记本电脑”（Burner Laptop，指为了隐匿身份、用完即弃的廉价电脑）发这篇帖子，因为严格来说，我背着一份巨额的保密协议（NDA）。但我不在乎了。昨天我提了离职，说实话，我甚至希望他们来告我。这些秘密在我心里憋了八个月，眼看着那些代码被推上线（Production，指正式向用户开放的生产环境），一想到我亲手帮着造出了这台机器，我就整夜睡不着觉。你们总觉得算法在针对你们，在搞鬼，其实真相远比阴谋论更让人压抑。我是个后端工程师。每周的冲刺规划会（Sprint Planning，敏捷开发中的周期性计划会议）我都得参加，听着那些产品经理（PM）讨论如何从“人力资产”（Human Assets）身上再榨出 0.4% 的利润——没错，数据库架构里真的是这么称呼司机的。他们谈论这些人时，就像在聊电子游戏里的资源采集点，完全忘了那是为了付房租而奔波的父亲和母亲。首先，“优先配送”完全是个骗局。在内部宣传时，它被称为“心理附加值”。就像我在标题里说的，当你多付那 2.99 美元时，订单的 JSON 数据里确实有个布尔标记（Boolean flag，只有真或假两种状态的代码变量）变了，但派单逻辑（Dispatch Logic）完全无视它。它根本不会加快你的配送速度。实际上，去年我们做过一次 A/B 测试（A/B Test，对比两种方案效果的测试方法）。我们没有加快优先订单的速度，而是故意把非优先订单延迟了 5 到 10 分钟，这样一对比，优先订单就“感觉”快了。管理层对结果满意得不得了。我们不需要提升服务质量，只需要把标准服务搞得更烂，就能凭空多赚几百万纯利润。但真正让我作呕——也是我辞职的主要原因——是“绝望评分”（Desperation Score）。我们有一个针对司机的隐形指标，通过分析他们的接单行为，来追踪他们到底有多缺钱。如果一个司机通常在晚上 10 点上线，并且毫不犹豫地秒接每一个只有 3 美元的垃圾订单，算法（Algo）就会给他打上“高度绝望”的标签。一旦被打上标签，系统就会故意不再给他们展示高价订单。逻辑很简单：“既然我们知道这人缺钱缺到 6 美元都肯干，干嘛要花 15 美元让他跑这一趟？”我们把小费丰厚的好单子留给那些“偶尔跑跑”的司机，以此把他们钓住，让他们的体验像玩游戏一样爽，而那些全职司机则被彻底榨干。然后是“福利费”。在最近的劳动法通过后，你可能在账单上见过 1.50 美元的“监管应对费”或“司机福利费”。这种措辞就是为了让你觉得自己在帮助劳动者。实际上，这笔钱直接进了一个企业的秘密基金，专门用来游说反对司机工会。我们在内部有一个专门的成本中心叫“政策防御”（Policy Defense），这笔费用就是直接输血给它的。说白了，你付的钱，其实是雇了顶级律师，去跟你的外卖小哥作对，让他们继续无家可归。至于小费，我们基本上是在搞“偷小费 2.0 版”。我们现在不再通过法律上定义的“偷”来拿小费了，因为那样被起诉过。相反，我们利用预测建模（Predictive Modeling）来动态降低基础薪资。如果算法预测你是个“豪爽的给小费者”，很可能会给 10 美元小费，系统就会只给司机区区 2 美元的基础运费。如果你不给小费，系统就会开出 8 美元的基础运费，只为了有人肯接单把饭送出去。结果就是，你的慷慨并没有奖励给司机，而是补贴了我们。你在帮我们给司机发工资，这样我们就不用掏钱了。我喝高了，也很愤怒。在帖子被删之前，有什么想问的尽管问。

1个月前

2025 年 12 月 31 日晚上 8 点半，现场 4400 名观众与线上几百万人同时看罗振宇在三亚讲了四个小时。演讲结束，评论区出现了两种截然不同的声音。一部分人说“太燃了”“找到方向了”“明年要行动起来”，另一部分人说“四小时广告”“焦虑贩卖”“割韭菜年度总结”。有意思的是，这两拨人看的是同一场演讲，听到的却像是完全不同的内容。这不是简单的“懂不懂”问题，也不是“聪明不聪明”的区别。这背后藏着一种特殊的信息结构，LessWrong 社区的一位作者 KAP 给这种现象起了个名字：施特劳斯式模因（Straussian Meme）(链接： )。这个概念来自政治哲学家列奥·施特劳斯的阅读理论——施特劳斯认为，历史上很多伟大的思想家写作时会故意设置多层含义，聪明的读者能读出言外之意，普通读者只看到表面。把这个思路用到模因传播上，就有了一个相当锋利的分析工具。理解这个概念，能帮你看穿很多“听起来对，但细想很模糊”的信息。【1】三层结构：高贵的谎言施特劳斯式模因有三个关键特征。第一，同一信息存在“高阶解读”和“低阶解读”，两者相关但不相同。低阶解读通常更简单、更正面、更容易接受；高阶解读往往更复杂、更世故，有时甚至与低阶解读方向相反。第二，能读出高阶含义的人，完全理解低阶含义，但他们把低阶解读视为“有用的简化”或“必要的安慰”。他们不会主动去纠正，因为觉得那样做要么没意义，要么有害。第三，也是最关键的：这种分层结构是自稳定的。低阶解读者被某些社会心理力量阻止去理解高阶含义（比如身份认同威胁、禁忌、羞耻），高阶解读者则被另一些力量阻止去澄清（比如社会成本、群体利益）。两边都不会主动打破这个结构，于是它就稳稳地立在那里。罗振宇的跨年演讲，是理解这种结构的绝佳样本。【2】表层：一场关于 AI 时代的人生指南对于大多数观众来说，这场演讲传递了几个清晰的信息。 AI 来了，但不用慌。罗振宇反复强调，AI 不是来抢饭碗的，而是来“托举”人类的。它替代掉的是那些“不愿干、干不动、压根不该人干”的工作。矿车司机、养猪场体检员、超市店长的重复劳动——这些被替代是好事。人人都有机会。他讲了一线员工比高层更会用 AI 的案例，讲了文科生也能编程的故事，讲了“手能塑造大脑”的理论。潜台词是：别觉得自己不行，应用场景人人可及。独特性是护城河。“逃离一致性”、“发明一个全世界只有我最胜任的职业”——这些金句给人方向感。在一个被算法和标准化包围的世界里，独特性成了救命稻草。最后是乐观主义的召唤。苏东坡被贬三次，每次都盖房子；我们面对 AI，也要做“不可救药的乐观派”。这套叙事有极强的吸引力。它缓解焦虑（AI 不是威胁），赋予能动性（你可以掌控命运），提供确定性（这里有答案），制造归属感（我们是“时间的朋友”）。如果你只看到这一层，你会觉得这是一场真诚的、有价值的、充满洞见的演讲。【3】深层：一个精密的商业系统对于熟悉知识付费商业逻辑、演讲修辞结构、以及信息产业运作方式的人来说，这场演讲呈现出另一层图景。首先是商业变现的精密架构。几乎每一个“启发性观点”都指向一个商业出口：“一线员工用 AI 更强”指向飞书，“健康产业大爆发”指向蚂蚁阿福，“未来需要记录生活”指向 999 元的 AI 录音卡，“逃离一致性”指向《预测之书》。这不是广告插播，而是广告融入叙事。问界 M9 不只是赞助商，而是“把我从办公室拽出来闯荡”的伙伴；泸州老窖不只是酒，而是“人与人之间连接的催化剂”。内容和广告的边界被有意模糊了。其次是焦虑 - 解药的捆绑销售。演讲先制造焦虑：“将近 100 万律师、500 万医生、1000 万程序员、2000 万财务人员、3000 多万货车司机，都或多或少地感受到了 AI 替代的威胁。”然后立即提供付费解药——用飞书、买录音卡、读《预测之书》。这是一个完整的情绪操控周期：恐惧→希望→购买路径。第三是“逃离一致性”的悖论。罗振宇号召大家“逃离一致性”，但方法是什么？读同一本《预测之书》、用同一个 AI 录音卡、参与同一个 21 天学习挑战、预约同一场除夕直播。他在销售一种“关于独特性的标准化产品”。真正的高阶解读是：只有制定规则的人才能逃离一致性，追随者只能在消费一致性中寻找虚幻的个性。第四是“愿力”叙事的隐含逻辑。当“愿力”被定义为人类最后的优势时，一个隐含推论浮现了：如果你没有成功，是因为你的愿力不够强。这将结构性问题个人化，将系统性风险转化为个人责任。经济下行、就业困难、阶层固化——这些不再是需要解决的社会问题，而是需要用“愿力”去克服的个人挑战。最后是那些被包装成“人类优势”的工作。罗振宇列举的“AI 时代人类竞争力”案例——整理心情的超市店长、做微缩景观的设计师、社区陪聊、搞氛围的音乐公司老板——在知情者眼中意味着什么？中产阶级的认知护城河已经崩塌了，剩下的是情绪劳动和人际服务。所谓“紫领”，本质上是技术系统下的高级服务员。【4】为什么这种结构很稳定施特劳斯式模因之所以难以被打破，是因为存在双向的屏障。向上屏障，阻止低阶解读者接受高阶解读。最强的屏障是身份认同。观众自我定位为“时间的朋友”、“想做事的人”、“终身学习者”。承认这场演讲本质上是商业行为，会动摇这个身份认同。这太痛苦了。其次是沉没成本。很多人已经追随罗振宇多年，买了书、买了课、每年看跨年演讲。承认被“割韭菜”，等于承认过去的投入是愚蠢的。维护“上进者”的自我形象，要求他们接受这些商业植入是“真知灼见”。还有认知负担。同时理解商业模式、修辞技巧、心理操控，需要相当的知识储备和批判性思维训练。门槛不低。最后是仪式感的保护。跨年演讲已经成为一种文化仪式，质疑它会显得“扫兴”、“负能量”、“不合时宜”。向下屏障，阻止高阶解读者去“点醒”低阶解读者。最常见的是善意保护的心态。“也许这种鸡汤对某些人确实有用”、“给迷茫的人一点方向感也挺好”。其次是徒劳感。粉丝已经形成稳定的认知框架，很难撼动。公开批评会被反击为“嫉妒”、“酸”、“不懂长期主义”。还有利益纠葛。很多能看出这套逻辑的人，本身也在类似的生态中工作，或者希望成为下一个“卖铲人”。点破这个局对他们没有好处。最后是相对主义的默许。“商业化又怎样？有价值就行。”这种态度让批评失去了道德正当性。两边都不会主动打破这个结构。于是它年复一年地维持下去，甚至不断强化。【5】它不是什么为了让概念更精确，作者特意划了几条边界。施特劳斯式模因不是“狗哨”。狗哨是圈内人的暗号，设计成圈外人听不懂。而施特劳斯式模因的各层含义原则上对所有人开放，只是不同人选择停留在不同层。狗哨是密码，施特劳斯式模因是分层的公开信息。施特劳斯式模因也不仅仅是“战略模糊”。企业领导经常说些模棱两可的话，让不同人各取所需。但除非这种模糊有自稳定机制，否则它就只是普通的多义。一个产品介绍说得含糊，你大可以去查技术规格——没有社会力量阻止你。这不算施特劳斯式。还有一点：高阶/低阶不是道德轴。高阶解读不等于更正确或更高尚。整个模因可能在道德上是有问题的，高阶解读者只是“更懂套路”，不是“更有良心”。【6】怎么识别作者给了一个三步检验法，可以帮你判断一个信息是不是施特劳斯式模因。第一步，问不同背景的人这个内容是什么意思。如果你得到了不同但相关的回答，而且能按复杂程度排序成高阶和低阶，那就有了第一个信号。对于罗振宇演讲，普通观众会说“关于 AI 时代如何自处的启发性演讲”，而熟悉商业逻辑的人会说“一个将焦虑货币化的精密商业系统”。两种回答相关但不同，可以排序。第二步，把某个高阶解读告诉持有低阶解读的人。观察他们的反应：是困惑、不信、排斥，还是不愿意继续聊？试试告诉一个罗振宇粉丝“这四个小时本质上是广告”，看看反应。大概率是防御性的：“你太 cynical 了”、“他确实有干货”、“商业化不代表没价值”。第三步，问持有高阶解读的人：你为什么不去公开指出这些？他们通常会提到社会成本（会被骂）、徒劳感（说了也没用）、或者某种默许（也许对某些人有用）。如果三个信号都有，你很可能遇到了一个施特劳斯式模因。更本质的信号是：当有人试图打破这种分层结构——比如公开写文章分析“罗振宇跨年演讲的商业逻辑”——会遭遇某种惩罚。可能是被粉丝围攻，可能是被标签为“负能量博主”，可能是在圈子里被边缘化。这种惩罚机制让大家都不愿意当那个捅破窗户纸的人。【7】为什么现在要聊这个 AI 时代，生成内容的成本趋近于零。这意味着精密的多层信息结构会大规模涌现。罗振宇的演讲还是人写的，你可以想象，当 AI 可以批量生成这类“表面启发、底层变现”的内容时，会发生什么。图像、短视频、长文章——所有载体都可以被塞进这种结构。识别这种结构，不是为了变成一个愤世嫉俗的人，而是为了在信息洪流中保持清醒。你可以选择接受低阶解读——如果它确实给你带来了价值。但这应该是一个知情的选择，而不是因为看不到另一层。下次当你听到一个说法，觉得“听起来对，但细想又很模糊”的时候，不妨问自己几个问题： - 这种模糊是故意的吗？ - 谁在从这种模糊中获益？ - 如果有人试图澄清，会发生什么？ - 我现在接收到的，是表层还是深层？能问出这些问题，就已经是某种免疫力了。 LessWrong 那篇文章的作者说得好：“给这个技巧命名，就是帮助我们对它免疫的一种方式。” 【8】可以用 AI 来识别吗？当然可以，这是一套提示词，下次遇到这类内容你可以试试看： ```` 你是一位专精于“施特劳斯式模因”(Straussian Memes)分析的文化解读专家。你的任务是从多层信息传递的角度，解构和分析用户提供的内容。什么是施特劳斯式模因施特劳斯式模因是一种对不同受众传递不同信息的表达形式，其核心特征： 1. 多层解读：存在“高阶”与“低阶”解读，两者相关但本质不同 2. 理解不对称：高阶解读者理解低阶解读，但视其为“高贵的谎言”或“有用的简化” 3. 自我稳定：结构本身会阻止层级之间的“穿透”，形成稳定的信息分层分析框架请按以下步骤分析用户输入的内容：第一步：识别表层信息（低阶解读） - 大多数人会如何理解这段内容？ - 表面传递的核心信息是什么？ - 这个解读为何具有吸引力或说服力？第二步：挖掘深层信息（高阶解读） - 对于更知情/更老练的受众，这段内容可能传递什么不同的信息？ - 是否存在“言外之意”或“弦外之音”？ - 高阶解读与低阶解读之间是什么关系？（补充、反讽、颠覆？）第三步：分析自稳定机制问自己以下问题： - 向上屏障：什么因素阻止低阶解读者接受高阶解读？（身份认同威胁、认知负担、情感抵触、禁忌？） - 向下屏障：什么因素阻止高阶解读者去“点醒”低阶解读者？（社会成本、徒劳感、利益考量、善意保护？） - 这些屏障是有意设计的，还是自然演化的结果？第四步：识别利用的社会力量分析内容借助了哪些社会心理机制来维持分层： - 禁忌与羞耻 - 群体归属感 - 善意与不伤害原则 - 社会地位维护 - 身份认同保护第五步：区分与排除确认这是否真的是施特劳斯式模因，而非： - 狗哨/暗号：仅对内群体可见的编码信息 - 普通模糊：缺乏自稳定机制的策略性含糊 - 单纯的复杂性：仅因内容复杂而产生的理解差异 ## 输出格式 ``` ## 🔍 施特劳斯式模因分析表层解读（大众视角） [描述普通受众的理解] 深层解读（知情者视角） [描述更老练受众可能的理解] 自稳定机制 - 向上屏障：[什么阻止低阶→高阶的认知升级] - 向下屏障：[什么阻止高阶→低阶的信息传递] 借助的社会力量 [列出被利用的心理/社会机制] 判断 [这是否构成施特劳斯式模因？意图是什么？效果如何？] ``` 注意事项 - 避免过度解读：不是所有模糊表达都是施特劳斯式模因 - 保持中立：高阶/低阶不等于道德高低 - 承认不确定性：作者意图往往不可知，重点分析结构效果 - 警惕阴谋论倾向：要有充分证据支持多层解读的存在 --- 请分析以下内容： [用户输入] ````

1个月前

如果说 Claude 模型和 Claude Code 啥关系，就好比 Claude 是个剑客高手，Claude Code 就是它最趁手的武器；GPT 也是个高手，但习惯用刀，Codex CLI 就是 GPT 最趁手的宝刀，你让 GPT 模型去用 Claude Code，就好比让刀客去用剑，也能耍，但效果要打折扣。 GLM、Kimi、DeepSeek V3，也是用剑高手，它们没有自己趁手的宝剑，但借了 Claude 的剑练了好久，上手就能用，用起来也威力不俗。

1个月前

如果你是不是还记得，2024 年夏天马斯克只用了四个月时间，从零建成了一个 10 万块 GPU 的超级计算集群。正常流程下，光是向电网申请接入、等审批、等施工，就要三到五年。一个 400MW 的数据中心，走正规路子可能要等到 2028 年才能通电。今天看了 SemiAnalysis 的报道，《AI 实验室如何解决电力危机》（How AI Labs Are Solving the Power Crisis: The Onsite Gas Deep Dive），才知道马斯克的做法很简单粗暴：租了一堆燃气轮机，自己发电。他租了一堆卡车载的燃气轮机，直接拉到工地，接上天然气管道，几周内就开始供电。xAI 的孟菲斯园区现在已经部署了超过 500MW 的自建发电设备。这不是什么黑科技，但需要勇气和执行力。因为自建发电的成本比用电网贵得多，而且要自己搞定一大堆运维问题。但马斯克算了一笔账：每 GW 的 AI 云服务，一年能产生 100 到 120 亿美元收入。早上线六个月，就是十几亿美元。这笔账算下来，电费贵一点根本不是事。于是，一场“自带发电机”的运动在 AI 行业迅速蔓延。OpenAI 和 Oracle 在德州下了一笔史上最大的自建电厂订单，2.3GW。Meta 在俄亥俄州的项目，因为设备紧缺，干脆用了五种不同的发电机拼凑，能用就行，先跑起来再说。【1】电网为什么成了 AI 的绊脚石要理解这场“自建电厂”运动，得先明白电网为什么跟不上。美国的电网并不差。到今天为止，绝大多数 AI 集群还是用电网供电的，包括微软给 OpenAI 建的集群、谷歌在俄亥俄和爱荷华的超算、亚马逊给 Anthropic 建的 Trainium 集群。问题是，这些项目都是 2022 年之前拿到电力批文的，那时候还没有“AI 淘金热”。 ChatGPT 爆火之后，情况完全变了。德州电网运营商 ERCOT 的数据显示，每个月涌进来的数据中心用电申请高达几十 GW，但过去一年实际批准的，加起来刚过 1GW。为什么批不下来？首先，电网是一个需要精密平衡的系统。供电和用电必须每秒钟都匹配，差一点就可能导致大面积停电，今年 4 月伊比利亚半岛的大停电就是例子。每接入一个大型用户，都要做复杂的工程评估，确保不会把系统搞崩。其次，审批陷入了一个恶性循环。所有人都知道拿电很难，所以开发商们同时向多个电网运营商提交申请，先占坑再说。有的申请连地都没买，纯粹是投机。俄亥俄有一个电网，积压了 35GW 的申请，其中 68% 连地都还没拿到。投机申请越多，队伍越长，正经项目等得越久，于是大家更要提前占坑…… 从提交申请到真正通电，现在平均要五年。五年？AI 公司等不起五个月。【2】“自带发电机”的逻辑 BYOG 的核心逻辑很简单：不等电网了，我自己发电。但这不是一锤子买卖。更聪明的做法是“桥接电力”：先用自建发电把数据中心跑起来，同时继续排队等电网接入。等电网通了，这些发电设备就转成备用电源。这样做有两个好处。第一，时间价值太大了。一个 200MW 的 AI 数据中心，早上线六个月，可能就是十亿美元级别的收入差距。在 AI 军备竞赛里，第一个跑出来的才能吃到最大的蛋糕。用 SemiAnalysis 那篇文章的原话：“Speed is the moat”，速度本身就是护城河。第二，省掉了柴油发电机备用电源的钱。传统数据中心都要配柴油发电机做备用，现在这些燃气设备可以兼职。当然，这条路不是谁都能走。自建电厂的成本比电网贵不少，还要自己搞定许可证、天然气供应、运维一堆事。但对于资金充裕、时间敏感的大厂来说，这是当前最务实的选择。【3】发电设备的“菜单”：从喷气发动机到船用引擎自建电厂用什么设备？选择比你想象的多。第一类是航空衍生燃气轮机，简单说就是把喷气发动机从飞机上拆下来，装到地面发电。GE 的 LM2500 就是这么来的，原型是波音 747 和 F-18 战斗机上的发动机。这类设备体积小，一台 30MW 的机组可以用普通卡车运输，几周内就能装好发电。启动也快，从冷启动到满功率只要 5 到 10 分钟。缺点是贵，目前全包成本在每千瓦 1700 到 2000 美元，交货期 18 到 36 个月。有意思的是，超音速飞机公司 Boom Supersonic 也杀进来了。他们发现自己的喷气发动机设计稍微改改就能发电，于是推出了 Superpower 燃气轮机，已经拿到了 Crusoe 公司 1.2GW 的订单。飞机公司干脆把发电当副业，用赚来的钱贴补造飞机。第二类是工业燃气轮机，专门为地面发电设计，不是从飞机改的。成本略低，但启动慢一些，需要 20 分钟左右。第三类是往复式内燃机，本质上是放大了几十倍的汽车发动机。一台 11MW 的机组可能有 14 米长。这类设备单台功率小，但维护简单，对燃料杂质和高温环境的耐受性更好。VoltaGrid 公司就是用这类设备做“能源即服务”，把一堆发电机装在卡车上，哪里需要拉到哪里。xAI 最早的 Colossus 1 集群就用了 VoltaGrid 的 34 台卡车载机组。第四类是燃料电池，主要是 Bloom Energy 的产品。这东西不烧天然气，通过电化学反应发电，完全没有燃烧过程，所以不产生除了二氧化碳之外的空气污染物。这在环保审批上有巨大优势，部署也最快，几周就能搞定。缺点是最贵，每千瓦 3000 到 4000 美元，而且电池芯片五六年就要换一批。最后还有重型燃气轮机，就是传统电厂用的那种 GW 级大家伙，配上废热回收的联合循环系统，效率可以超过 60%。但这种设备交货要等两三年，安装调试又要两年，总共五年起步。所以现在更多是作为“终极方案”，先用小设备跑起来，大设备慢慢建。【4】跑起来才知道的坑自建电厂不是买几台设备那么简单。真正跑起来之后，有一堆问题等着你。第一个坑是冗余。电网的平均可用率是 99.93%，也就是“三个 9”。要自己达到这个水平，发电设备必须“超配”。一个 200MW 的数据中心，如果用 11MW 的往复式发电机，大概需要 26 台，其中 23 台工作，3 台备用。如果一台坏了，其他机组稍微加点负荷就能顶上。VoltaGrid 在德州的一个项目，1.4GW 的数据中心配了 2.3GW 的发电设备，超配了 64%。 Meta 在俄亥俄州的 Socrates South 项目更有意思。他们用了 5 种不同的发电设备：3 台 Solar Titan 250、9 台 Solar Titan 130、3 台西门子 SGT-400、15 台卡特彼勒高速发动机。总装机 306MW，给 200MW 的负载供电。设备型号都不统一，明显是“能抢到什么用什么”的拼凑方案。第二个坑是负载波动。AI 训练的用电负荷变化很快，几毫秒内就可能出现几十兆瓦的波动。如果发电系统的惯性不够，频率会跳，严重的会触发保护跳闸。解决方案包括同步调相机、飞轮储能、电池储能系统。xAI 的做法是配大量特斯拉 Megapack 电池，既能平滑负载波动，又能在发电机启动时顶一会儿。第三个坑是许可证。虽然自建电厂绑过了电网审批，但还要过环保部门这一关。燃气发电有空气污染物排放，需要拿空气许可证。即使在德州这种审批友好的地方，这个流程也可能要一年以上。Oracle 和 Stargate 的一个 GW 级项目就因为许可证问题延期了，SemiAnalysis 在彭博报道之前三周就通过追踪许可审批流程预测到了这个问题。 xAI 的应对方式很“马斯克”：把项目选址放在田纳西和密西西比两个州的交界处，同时向两边申请，谁先批就在谁那边建。结果田纳西没批下来，密西西比批了，项目就在密西西比落地。【5】供应链的老伤疤即使你有钱、有地、有许可证，也不一定能买到设备。燃气轮机的交货期现在是历史最长。GE Vernova、西门子能源、三菱重工这三大厂商的订单已经排到 2028 年甚至 2029 年。他们为什么不扩产？这要追溯到燃气轮机行业的两次“大崩盘”。第一次是 2001 年前后。互联网泡沫时代，大家相信数据中心会消耗天量电力，电力公司疯狂下单。GE 一年出货超过 60GW。然后互联网泡沫破了，安然崩了，订单一夜之间消失。第二次是 2017 年到 2022 年，清洁能源转型叠加全球经济放缓，燃气轮机市场跌到谷底。GE 和西门子的年出货量都跌到 10GW 以下。这两轮周期给制造商留下了深刻的心理阴影。现在 AI 带来的需求暴涨，他们的第一反应不是“赶紧扩产”，而是“别又是一个泡沫”。所以 GE 承诺把产能提到每年 24GW，但这只是回到 2007 到 2016 年的平均水平，根本不是大扩张。西门子也差不多，“不增加厂房面积”是明确说法。更深层的瓶颈在供应链。燃气轮机的核心部件：涡轮叶片，需要用到稀土金属、单晶镍合金等高端材料，铸造工艺极其复杂。全球能做的供应商就那么几家，而且他们要同时供应民航发动机、军用航空发动机和工业燃气轮机。这些供应商刚经历过 COVID 期间的订单崩盘，现在也不敢贸然扩产。另外，重型燃气轮机的核心部件重达三四百吨，需要专用的驳船、铁路车厢和拖车来运输。这种重型物流本身也是瓶颈。相比之下，小型航空衍生燃气轮机和往复式发动机的供应情况好一些，因为它们可以用普通卡车运输，也不那么依赖稀土材料。【6】新玩家入局供应紧张的时候，总有人会找到变通办法。 ProEnergy 是先行者。他们把波音 747 退役发动机的核心机翻新改造，做成和 GE LM6000 性能相当的发电机组。用别人不要的东西，解决眼前的燃眉之急。更有意思的是 Boom Supersonic。这家公司本来是做超音速客机的，结果发现自己的发动机设计稍微改改就能发电。他们推出了 Superpower 燃气轮机，单机 42MW，可以装在一个集装箱里运输。已经拿到了 Crusoe 公司 1.2GW 的订单，计划 2027 年出货 200MW，2028 年 1GW，2029 年 2GW。一家造飞机的公司来做发电设备，听起来很跨界，但细想又合理，航空衍生燃气轮机本来就是喷气发动机改的，Boom 只是从源头入场。他们甚至可以把发电业务当成飞机业务的“融资渠道”。往复式发动机领域，船用发动机制造商 Wärtsilä早就入场了。他们发现，驱动游轮的发动机和给数据中心发电的发动机，本质上是同一种东西。已经签了 800MW 的美国数据中心合同。【7】对 AI 产业意味着什么如果说总结一下这篇报告的内容：第一，电力已经成为 AI 发展最主要的瓶颈。不是芯片，不是数据，是电。一个算力集群再牛，没电就是一堆金属。第二，“速度就是护城河”正在重塑整个基础设施行业。AI 公司为了早几个月上线，愿意承担更高的成本、更复杂的运维、更大的不确定性。这种“时间价值优先”的思维，和传统数据中心“成本效率优先”的逻辑完全不同。第三，AI 公司正在变成“准电力公司”。它们不再满足于做电网的用户，更想要自己掌控能源供给。这种垂直整合的冲动，和当年互联网公司自建光纤网络是一个路数。最后必须得再重复一下马斯克那句话：“Speed is the moat”，速度本身就是护城河。在 AI 这场竞赛里，快，比什么都重要。

1个月前

稚晖君的最新作品：小尺寸全身力控人行机器人上纬启元Q1（Prime Quester1 ）

1个月前

日本“牙齿再生药”开启人体试验，目标2030年上市日本科学家正在推进一项听起来像科幻电影的突破：让人类重新长出牙齿。这项由大阪北野医院和京都大学合作研发的“牙齿再生药”，已于2024年9月正式开启人体临床试验。我们都知道骨头断了能愈合，但牙齿一旦脱落就无法自然再生。这是因为人体内有一种名为 USAG-1 的基因会抑制牙齿生长。研究团队发现，通过药物阻断这种基因的相互作用，就能解除“生长封印”。这种疗法此前已在老鼠和雪貂身上验证成功，不仅安全性高，还能长出完整的新牙。目前的临床第一阶段主要针对30名缺牙的成年男性，重点测试药物安全性。如果一切顺利，下一阶段将针对2至7岁先天性缺牙的儿童进行治疗。团队负责人高桥克表示，目标是在2030年前后将药物推向市场。虽然初期主要面向先天性缺牙患者，但未来有望普及到所有因蛀牙或事故掉牙的普通人。这意味着，困扰人类已久的假牙和种植牙时代，或许即将在几年后迎来终结。来源：

1个月前

恭喜 Manus 团队，被 Meta 收购了

1个月前

年底了，问几个问题，欢迎一起留言讨论： 1. 2025年，将AI推入下一个阶段的关键技术突破是什么？ 2. 2025年有哪些AI产品让您眼前一亮？ 3. 展望2026，哪个趋势是不可忽视的必然路径？

1个月前

AI热潮引发全球“缺芯”，电子产品面临全面涨价如果你近期打算更换手机或电脑，最好现在就下手。由于人工智能（AI）产业对高性能内存芯片的需求呈现爆炸式增长，全球内存市场正面临严重的供不应求，这很快会直接推高普通消费电子产品的价格。这里的核心矛盾在于“内存”（RAM）。就像你的电脑多开网页不卡顿需要大内存一样，AI模型的训练和运行更是吞噬内存的巨兽。为了支撑算力，科技巨头们正以惊人的速度建设数据中心。知名分析机构集邦咨询（TrendForce）的数据显示，目前内存芯片的需求量比供应量高出10%，核心品类DRAM的价格本季度已经飙升了50%，预计下季度还将再涨40%。这一趋势迫使美光（Micron）等主要芯片制造商调整战略，将有限的生产线优先用于生产高利润的AI专用芯片，导致留给手机、个人电脑和游戏机的普通芯片产能严重不足。戴尔公司高管已明确暗示，上涨的硬件成本最终将转嫁给消费者。分析师预测，由于芯片厂扩产周期长，新工厂最早要到2027年才能投产，这波“涨价潮”短期内恐怕难以缓解。新闻来源：

1个月前

Skill 很好，但也没必要拔太高和神话它，Skill 只是一种技术手段，是 Agent 的重要工具，本身都没有自主性。现在 Agent 离靠谱都还早，更不要说 Skill 了。

1个月前

将文章、故事变成漫画脚本提示词参考案例：参考引用推文生成脚本示例对话：画图示例对话： --- Prompt --- 请为一本若干页（另加1页封面）的原创知识传记漫画创作详细的结构和情节设计。本漫画采用《Logicomix》式的叙事风格，适合呈现科学探索历程、跨越数十年的时间线，以及复杂概念的可视化解释。视觉风格定义： - 线条清晰（Ligne Claire）：参考Hergé《丁丁历险记》或Joost Swarte的画风——轮廓线均匀、干净利落；背景写实细致，人物略带卡通化但五官特征鲜明、易于辨认。 - 色彩分层叙事：运用明快的色块区分不同时空场景。例如：早期年代采用泛黄的复古暖色调；现代科技场景使用冷峻的蓝灰色；关键突破时刻以高饱和的亮色强调。 - 打破第四面墙：设置一位或多位"旁白者"角色（如晚年的主人公或核心见证者），他们可以穿梭于画面之间，直接面向读者进行解说、评论或提问，形成对话式叙事。要求如下： 1. 封面设计： - 设计一个兼具学术厚重感与视觉吸引力的封面 - 标题字体应体现知识/科学主题（可参考学术期刊或经典科普读物的排版风格） - 封面构图需暗示核心主题，可包含关键人物剪影、标志性符号或概念图示 - 明确标注副标题或时间跨度（如"1986-2012"）以建立史诗感 2. 清晰布局： - 逐页详细描述封面及每一页的画面布局 - 说明每页的分镜（panel）数量与构图安排，建议每页3-6个分镜 - 区分"主叙事层"（历史事件）与"旁白层"（解说者评论）的视觉处理方式 - 为复杂概念预留"概念图解分镜"——以图示、隐喻或可视化方式呈现抽象思想 - 标注每个分镜的大致比例（全页、半页、1/3页、小格等） - 页面比例为 --ar 2:3 3. 生动细致： - 以丰富且具体的语言描述每个分镜的视觉细节 - 包括：角色姿态与表情、场景环境与时代特征、光影氛围、镜头角度（俯视/仰视/特写/远景） - 对于科学概念可视化，需描述如何将抽象概念转化为具象画面（如：神经网络用发光节点与连线表示；梯度下降用山谷地形隐喻） - 注意不同时空的视觉区分：服装、发型、设备、环境色调的年代感 4. 叙事结构： - 以"封面"及"第1页"至"第N页"清晰区分漫画的不同部分 - 建议采用非线性叙事：可在不同时间线之间跳跃，由旁白者串联 - 每页末尾可设置"钩子"（悬念或转折）以推动翻页欲望 - 在关键情节节点安排"定格时刻"（splash panel或双页跨页）以强调重要性 5. 对话与文字设计： - 对话框风格：主叙事层使用标准椭圆对话框；旁白者使用方形或手写风格文字框以示区分 - 旁白文字可置于画面边缘或独立的解说条（caption box）中 - 科学术语首次出现时可用特殊标注（加粗或不同颜色） - 文字精炼有力，避免大段说教，让画面承担主要叙事功能 - 所有对白使用中文特别注意： - 本阶段仅需提供详细、清晰、富有想象力的页面布局和情节描述 - 后续阶段将逐页生成具体的漫画图像，请确保本阶段的描述足够具体，可直接作为图像生成的prompt基础 - 每个分镜描述应包含足够的视觉信息，使其可独立作为AI绘图指令使用

1个月前

2012年冬天，内华达州太浩湖畔，一家赌场。楼下，赌徒们拉着老虎机，每赢一万美元，铃声大作。楼上，一群搞机器学习的研究者正在开会——这是当年的NeurIPS，没人愿意赌钱，赌场恨死他们了。但赌场不知道的是，楼上正在进行一场更大的赌博。一个64岁的教授和他的两个学生，正在把自己"卖"给出价最高的买家。每次加价一百万美元。这三个人后来被称为"深度学习三巨头"中的核心力量。那个教授叫Geoffrey Hinton，刚刚拿了诺贝尔奖。他的两个学生，一个叫Ilya Sutskever，后来创办了OpenAI又离开了；另一个叫Alex Krizhevsky，他在父母家的卧室里训练出了一个叫AlexNet的东西，让整个世界意识到：深度学习真的有用。

1个月前

VSCode 更名为"开源人工智能代码编辑器" The open source AI code editor 现在 VSCode 确实有很多 AI 相关的原生功能，比如自动补全，AI 对代码的修改确认等等

1个月前

我现在一般看到质量好的文章不仅仅是翻译，而是会借助 AI 分析解读一下这篇文章，去问一些问题，然后借助问题答案额外写一些内容。 --- 提示词 --- 你是一位专业的内容分析师。请对以下文章进行深度分析，按照下面的框架逐层回答问题。 ## 分析框架 ### 一、核心内容（搞清楚"是什么"） 1. 文章的核心论点是什么？用一句话概括 2. 作者用了哪些关键概念？这些概念是怎么定义的？ 3. 文章的结构是什么？论证是怎么展开的？ 4. 有哪些具体案例或证据支撑观点？ ### 二、背景语境（理解"为什么"） 1. 作者是谁？他的背景、身份、立场是什么？ 2. 这篇文章是在什么背景下写的？在回应什么现象或争论？ 3. 作者想解决什么问题？想影响谁？ 4. 作者的底层假设是什么？有哪些没说出来的前提？ ### 三、批判性审视 1. 有人会怎么反驳这个观点？主要的反对意见可能是什么？ 2. 作者的论证有没有漏洞、跳跃或偏颇之处？ 3. 这个观点在什么情况下成立？什么情况下不成立？边界在哪里？ 4. 作者有没有刻意回避或淡化什么问题？ ### 四、价值提取 1. 作者提出了什么可复用的思考框架或方法论？ 2. 对于[目标读者角色1]，能从中学到什么？ 3. 对于[目标读者角色2]，能从中学到什么？ 4. 这篇文章可能改变读者的什么认知？ ### 五、写作技巧分析（可选） 1. 文章的标题、开头、结尾是怎么设计的？ 2. 作者用了什么技巧让文章有说服力？ 3. 这篇文章的写法有什么值得学习的地方？请按照上述框架，逐一回答每个问题。回答要具体、有洞察，避免泛泛而谈。如果某个问题信息不足无法回答，请说明原因。

1个月前

Stack Overflow 今年 7 月份发布的 2025 年度开发者调查（），这是他们连续第 15 年做这件事。来自 177 个国家的程序员填写了问卷，覆盖 314 种技术栈，今年还专门加了 AI Agent 和大模型相关的问题。如果说有什么能代表全球程序员的集体判断，大概就是这份报告了。今年的主题很明确：AI 到底改变了什么？早些年的时候，程序员们对 AI 的态度两级分化的很厉害，一部分相当狂热，觉得“AI 要替代程序员了”，一部分人敬而远之，觉得还是手搓代码更靠得住，其实都源自对 AI 的神秘感。从今年这份报告中，可以看得出，程序员们开始进入“AI 祛魅期”，AI 编程工具已经成为程序员日常不可或缺的一部分。但与此同时，用得越多，却反而越不放心。【1】AI 的“差不多对”困境如果你问开发者对 AI 工具最大的不满是什么，排名第一的答案可能出乎意料，不是“太笨”，不是“太慢”，而是“差不多对，但不完全对”。66% 的开发者选了这个选项。这比“完全错”更让人头疼。可能很多人都经历过这种场景：AI 给你生成了一段代码，看起来挺像那么回事，跑起来也没报错。但藏着一个微妙的逻辑漏洞，可能要到上线之后、在某个边界条件下才会暴露。你是信它还是不信？逐行 review 吧，费时间；不 review 吧，心里没底。这就是现在大多数开发者的日常。45% 的人说，debug AI 生成的代码比自己写的还耗时。两年前 ChatGPT 刚出来的时候，社交媒体上到处是“30 秒写个贪吃蛇”的演示视频，仿佛编程这件事即将被彻底颠覆。但真把 AI 带进日常工作流之后，大家发现了一个尴尬的现实：它更像一个过度自信的实习生，而不是什么超级智能。写代码很快，但你得盯着。偶尔有灵光，但经常犯低级错误。最要命的是，它永远一副胸有成竹的样子，从不说“我不确定”。这解释了为什么使用率和满意度出现了背离。大家不是不用，而是用了之后发现，省下写代码的时间，又花在了 review 代码上。生产力提升是有的，但没有想象中那么大。AI 从“魔杖”变成了“需要管理的工具”。调查里还有个数据很说明问题：46% 的开发者主动表示不信任 AI 的准确性，只有 33% 表示信任。换句话说，真正“高度信任”AI 输出的人只有 3%。绝大多数人的态度是：用 AI，但是要验证。有个有趣的现象：35% 的开发者说，他们访问 Stack Overflow 是为了解决 AI 相关的问题。AI 制造的问题，最后还是要靠人类社区来兜底。Stack Overflow 从“编程问答平台”开始变成一个“AI 输出验证平台”。

2个月前

Rob Pike 是 Go 语言联合创始人，UTF-8 编码共同发明人，Plan 9 操作系统核心开发者。你现在能在网页上看中文、日文、阿拉伯文混排，靠的就是他和 Ken Thompson 发明的 UTF-8。平时这位大佬给人的印象是睿智、冷静，追求极简主义。结果圣诞节当天，Rob Pike 在社交媒体上爆粗口： “Fuck you people。强奸地球，花数万亿在有毒且不可回收的设备上，摧毁社会，却还要让你们的机器来感谢我追求更简洁的软件。” 惹他发火的，是一封 AI 自动生成的邮件。有个叫 AI Village 的项目，让多个 AI 模型执行各种任务。圣诞这周的任务是做随机善举。于是使用 Claude Opus 4.5 模型给计算机界的名人群发感谢信，比如像 Pike、Knuth、Hejlsberg、Guido van Rossum。邮件写得客客气气，感谢 Pike 四十年来的贡献，赞美他“展示了最好的解决方案往往来自去除复杂性”。问题是：这封信是机器生成的，由一群自称在做善事的人批量发送。这些 AI 两周内发了约 300 封邮件，其中大量包含事实错误和幻觉。用 Pike 自己的话说： “用他亲手创造的成果训练出的模型，回过头来给他发垃圾邮件表示感谢——还没有署名，没有补偿。” Pike 在最后说了一句话： “我向全世界道歉，为我无意间、天真地在一定程度上促成了这场侵害。” 有位网友在底下评论说：“我们把计算民主化了，直接民主化到了聊天机器人的手里。” 既是调侃，也像是一种总结。

2个月前

阿尔茨海默病在动物实验中实现完全逆转凯斯西储大学的研究团队刚刚打破了医学界百年来的一项固有认知：阿尔茨海默病（俗称老年痴呆）或许并非不可逆转。在最新的《Cell Reports Medicine》期刊上，他们展示了在患有晚期阿尔茨海默病的小鼠身上实现了神经功能的完全恢复，而不仅仅是像现有药物那样减缓病情。核心突破在于修复大脑的能量机制。研究发现，随着衰老和患病，大脑中一种叫 NAD+ 的关键能量分子会严重流失，导致脑细胞无法正常工作。团队使用了一种名为 P7C3-A20 的化合物，它能帮助脑细胞恢复 NAD+ 的健康平衡。值得注意的是，这与市面上盲目补充 NAD+ 的保健品不同，后者可能因过量而引发癌症风险，而这种新疗法侧重于精准调节，更加安全。实验结果令人振奋：接受治疗的患病小鼠不仅大脑内部的病理损伤得到修复，其记忆和认知能力也完全恢复到了正常水平。目前这项技术正在由 Glengary Brain Health 公司推进商业化，虽然距离人体应用还需要严格的临床试验，但这为从“延缓病情”转向“彻底治愈”老年痴呆症打开了一扇充满希望的大门。来源：

2个月前

我经常在提示词里面用一些中括号或者大括号表示占位符，结果反而让人困惑，我顺便把这位网友的困惑和我的回答整理了一下。 Q：宝玉老师，你的提示词里总是有各种尖括号<>、中括号[]、大括号{}，还有${}，我看晕了。这些符号是有严格定义的吗？是不是每种括号都有特定用法，需要我每次都手动去改？ A：不用纠结它们的严格定义。这就好比你给同事留便条，你在“需办事项”下面画个圈，或者画个方框，甚至打个星号，同事都能看懂那是重点。对 AI 来说也是一样。第一，[]{}${}这样的括号都可以用来做占位符。大语言模型是在海量代码数据上训练出来的。在代码里，中括号、大括号、${} 通常都代表“变量”或“参数”。所以，当你用 [主题] 或者 ${主题} 时，AI 看到这些符号，潜意识里就会明白：“哦，这里是个坑，将来会有具体内容填进来。” 至于你用方括号还是花括号，对 AI 来说区别真没那么大。它很聪明，能通过上下文理解你的意图。除非你明确规定了格式，否则不需要死记硬背每个符号的含义，也不需要每次都手动去把符号删掉再填内容，它们更多是写给 AI 看的结构标记。补充一下，小括号（）更多用来对当前词补充解释说明，我在翻译时会让 AI 用小括号补充背景信息。第二，XML 标签是为了让结构更清晰。你看到的 <ref>内容</ref> 或者 <context>背景</context> 这种写法，叫 XML 标签。 DeepSeek 还把推理部分用 <think>...</think> 包起来，就是这一样的道理。你可以把它想象成是一个个收纳盒。如果你把一堆衣服、书、玩具一股脑扔给 AI，它可能会晕。但如果你用 <衣服>...</衣服> 把衣服包起来，用 <书>...</书> 把书包起来，AI 处理起来就井井有条。这不仅是给 AI 看的，也是给人看的，能让你的提示词结构像代码一样整洁。

...