indigo

统计数据

300

文章

0

粉丝

0

获赞

4614

阅读

2周前

圣诞来一期 Indigo Talk，邀请了腾讯研究院的晓辉博士分享她的“人肉 AI”训练法😅她坚持在下班后通过无提词器、一镜到底的方式录制 AI 解读视频，剪辑在地铁上就能搞掂。还有如何用“分形心法”构建认知的护城河？AI Agent 会催生哪些全新的“职场物种”？普通人如何找到自己的 AI 生态位，欢迎收看👀

2周前

不过圣诞节的中国🇨🇳 出口了全球最多的圣诞装饰🎄 Merry Christmas 😃

2周前

Merry Xmas 🎄 平安夜晚餐中西合璧 ✨

2周前

200 亿美元 Nvidia 买了 Groq 的核心团队！GroqCloud 继续独立运行估计是避免反垄断调查现在都流行这样收购😅Google 买 Windsurf 也是这样玩的核心团队加入于是有了 Antigravity 👀

2周前

浓缩、研磨和奶泡分别进行☕️ 这套咖啡组合很适合新房子的极简风

3周前

大家现在是信仰 AI 降临还是共产主义？

3周前

找一款既能落地又能当台灯的阅读灯💡

3周前

地下工作室就绪⚡️ 今年就在这里做新年直播☀️ 如何看 2026 的科技进化 & 投资市场⏩

3周前

自制意面测试一下新厨房！Chicken and Butternut Squash Linguine 🍝

3周前

2025年12月18-19日，美国能源部宣布与 24 家组织签署合作协议，这些组织包括Microsoft、Google、NVIDIA、亚马逊（AWS）、OpenAI、Anthropic 等顶尖 AI 企业和科技公司，正式加入该计划，推动 AI 在科学探索与能源项目中的应用！这是11月 Genesis Mission 行政令后的首次行动⏩ 财富密码见能源部名单😉

3周前

Deepmind 使命的核⼼ — 不仅要构建通⽤⼈⼯智能，还要⽤它来理解智能的本质以及计算的极限！Demis 在播客中提到：“如果我们构建出 AGI，并将其⽤作⼼智的模拟，然后与真实的⼼智进⾏⽐较，我们就能看到其中差异，以及⼈类⼼智可能仍然存在的特殊之处 ⋯ ⋯ 这可以追溯到图灵机的本质问题，它的极限是什么？” Demis 倾向于认为宇宙中不存在不可计算的事物，大脑和物理世界本质上都是图灵机可模拟的。 Roger Penrose 认为大脑可能存在量子效应，意识可能不完全是经典计算；那么图灵机（经典计算）想达到同等现象，可能需要量子计算。但 Demis 提出了一种可能性：也许我们只需要从量子系统获取数据，来构建更好的经典模拟；换言之，量子并不必然意味着“不可用经典来近似”。一个更大胆的假设，物理学的基本单位可能不是能量或物质，⽽是“信息”。⽣物学、人类自身乃⾄意识，最终都可以被理解为信息处理系统。光、热、触感看似不同，但进入感官后都是信息流；如果以信息视角理解生物机制，就可能更系统性地干预疾病。所以，Demis 带领的 Deepmind 构建 AI 的最终⽬的，就是为了找到计算能⼒的极限，从⽽理解宇宙的极限。这一点与 Elon 带领的 xAI 殊途同归了 —— Understand The Universe ✨ Elon 经常说他在 AI 领域最终的对手就是 Google ...

3周前

Coinbase 升级大幅扩展平台可交易资产，包括新型加密货币、永续期货、股票（仅限美国）和预测市场（与Kalshi 合作）用户能交易选举、体育等现实世界事件结果。此外，Coinbase 推出了 AI 驱动的个人财富管理咨询服务！下一代金融基础设施的雏形已经具备⚡️

3周前

搬家找到一张25年前自己的漫画手稿！分别用 Nano Banana Pro 和 OpenAI 今天刚发布的 GPT Image 1.5 做了一下着色生成👀 我对比了 Image 1.5 人物一致性在修改中保持不如 🍌 空间理解也不如 🍌 在画面表达细节上很有感觉应该强化过大家看得出那一张是 Image 1.5 的吗？

3周前

Visa 今天宣布所有美国发卡机构（银行、金融科技、加密公司）现在都可以直接用 USDC 与 Visa 结算！这项功能通过 Solana 链实现，提供更快资金转移💸 七天可用，包括节假日☀️

4周前

最近看了太多大家玩 Nano Banana Pro 生成有些创意第一次看很有趣但复制的人多了我的大脑很快就对这一风格失去了兴趣所以说当风格复制变得廉价实现表达目标的“叙事” 才会显得更有价值✨

4周前

理解任何事物的五个关键的思维模型！成为精英思考者的理解“框架”👀 1. 第一性原理思维（First Principles Thinking）将问题或想法通过“拆解”还原为最基本、无可争议的要素，然后从这些基本事实出发重新构建，而不是依赖现有的假设或类比。通过剥离可能具有误导性的假设，从根本真理出发，往往能产生全新的见解。 2. 分解 / 分而治之（Decomposition）将一个庞大、复杂的系统分解为更小、更易于消化的部分，以便单独理解每个部分及其与整体的关系。大脑无法一次处理所有信息。通过连接理解后的小碎片，可以更清晰地拼凑出系统整体的运作方式。 3. 识别关键驱动因素 / 帕累托法则（Identify Key Drivers / Pareto Principle）专注于那些对系统或问题有巨大影响的少数因素（即 20% 的变量驱动了 80% 的结果）。并非所有变量都同等重要。精英思考者会优先考虑高杠杆点（核心驱动因素），从而更深刻地理解系统的行为方式。 4. 结构映射（Structural Mapping）通过可视化（如概念图或草图）来展示系统的各个部分是如何组合在一起的，无论是物理上还是逻辑上的。一旦看到结构，模式就会显现。这利用了空间推理能力，将抽象关系具体化（例如：类别 -> 子类别），并有助于利用已知系统进行类比。 5. 抽象层级 / 放大与缩小（Levels of Abstraction / Zoom In & Out) 灵活切换视角，既看“大局”（宏观架构），也看“细节”（微观机制）。理解来自于细节与概览之间的张力。“放大”看大局能提供背景和最终目的；“缩小”看细节能提供精确性和内部运作机制。精英思考者知道深刻的洞察往往来自于连接这两个层级。配图来自 Polymath Investor（Substack）- 解释了如何通过拆解问题（第一性原理、分解）、抓住重点（关键驱动因素）、可视化关系（结构映射）以及多维度视角（抽象层级）来建立对任何复杂事物的深刻理解✨

1个月前

OpenAI 周边店上線！刚买买了 Grok 的现在又得来一套 ChatGPT 的😆

1个月前

最牛逼的明星串场自拍合影！喜欢 Kill Bill Uma 出场那段😉 有没有人做一套明星片场合影定制的 AI 服务？连不会动的蜡像都有人拍这个估计会很火⚡️

1个月前

什么是真正的用 AI 发电？造飞机不好融资，小型超音速客机公司 Boom 直接把他们的喷气引擎改造成了 42 MW 的天然气涡轮"SuperPower"发电机，签单 Cruseo AI，同时宣布完成 3 亿美元融资😆 Cruseo AI 主打用天然气等环保能源建 AI Factory，也是我们最新一期基金的持仓👀

1个月前

加速世界向可持续能源转变⏩ Tesla 已量产 EV 全家福以后还得加上 Optimus

1个月前

亮灯感觉圣诞快到了🎄😉

1个月前

浮空摩托？Oppressor MKII 既视感👀 这玩意坐上去估计噪音比骑着两台割草机还大🤣

1个月前

财富游戏的正确玩法是 —— 赚取法币购买资产，因为资产才是财富，法币不是！用借贷的方式支付你的花销，而不是把资产卖掉换成法币，只要资产增值的速度大于你的债务增长速度，这个游戏就可以一直玩下去！Mark Moss 在播客中讲出了富人们的财富游戏，首富 Elon 也是质押他的 Tesla 股票来借钱开销👀 从诞生以来 BTC 的复合年化增长率高达 60%，Tesla 股票的 CAGR 也有 42%。如果你用 100 万法币购买这样的资产，把它们质押给银行借钱出来只需要 5% 的年化利息，所以持有优质资产而不是交易和变卖，才是积累财富的最佳方式！想想过去几年，我自己也都是靠找银行借钱过生活还有盖房子的😅

1个月前

X Hat & Grok Tee 品质不错 … X KOL & xAI Investor 必备😉

1个月前

“我们内部已经有 Gemini 3 水平的模型，并且有信心很快发布，之后还会有更强的型号！” OpenAI 首席研究负责人 Mark Chen 在 Core Memory 的播客上透露。Sam 的职责之一就是“放大紧迫感”，他自己的角色也类似，会刻意强调竞争压力让整个组织保持高压前进，所以大家才会看到那封内部的“红色警戒”备忘录🚨 前两天和 OpenAI 的同学吃饭还提到他们内部确实都在体验 Gemini 3。因为但单看公开基准测试不足以判断真实差距，让足够多的研究员在真实任务中摸一摸，再形成集体判断。 Mark 说自己有一个“私藏的数学难题”（“42 问题”），专门用来测试不同模型的推理能力 —— 包括最新的“思考模型”。到目前为止，所有模型都只能接近最优解，还没有完全攻克它，这对他来说是一件“好事”：说明还有空间可以继续前进。在 SWE‑bench 这类软件工程基准上，Google 模型的表现虽然不错，但在“用多少数据/算力达成一定效果”这件事上，还有明显的优化空间，而 OpenAI 在这方面的算法储备非常强，这是他们下一轮反击的一个核心筹码！过去两年。OpenAI 其实把大量资源都投向推理模型，预训练和后训练的“肌肉”有所退化；最近半年，在组织层面重新把焦点拉回预训练。Mark 明确反对“Scaling 已死”的说法，他认为在预训练和数据塑形上还有巨大空间；现在要做的是更精细的“数据塑形”和“合成数据”，通过更聪明的预训练策略，让模型从“模仿人类写作/代码”的模式，转向真正学会更高层次的抽象✨