𝙩𝙮≃𝙛{𝕩}^A𝕀²·ℙarad𝕚g𝕞

统计数据

907
文章
0
粉丝
0
获赞
7568
阅读
avatar
重新听姚顺雨的张小珺访谈，与LLM交互完整的context问题，就是与LLM交互的本体。
#姚顺雨 #张小珺访谈 #LLM交互 #本体 #context问题
avatar
语言作为一个符号系统，其抽象能力就是发现一层又一层的模式，越抽象泛化能力越好，泛化能力越好，预测能力越强！ 这个抽象能力，锚定到经济领域，就是所谓你只能赚到认知范围内的钱💰。
#阶层固化：求变之路，殊途同归· 976 条信息
#语言 #符号系统 #抽象能力 #经济领域 #认知范围
avatar
嚓，具身智能发展这也太快了吧
#具身智能 #技术发展 #科技 #人工智能
avatar
这场闹剧看似是“罗永浩 vs 华与华”的个体冲突，实则是 线上注意力逻辑与线下符号学逻辑的流量共振。 一旦两者进入互相放大的循环，真正的输家是被排挤出去的“公共理性”（食品安全、消费选择），而赢家是能把“符号与流量之战”二次收割为商业咨询或平台流量的第三方力量。
罗永浩怒批西贝预制菜，消费者愤怒直言“太恶心”· 375 条信息
#罗永浩 #华与华 #流量共振 #符号学 #公共理性缺失
avatar
老罗直播怒怼华与华，不只是预制菜打假，更像是一次 线上流量主 vs 线下符号师 的O2O终极对决。 这不是“谁说得更凶”，而是“谁能定义现实”。
罗永浩怒批西贝预制菜，消费者愤怒直言“太恶心”· 375 条信息
#罗永浩 #华与华 #直播对决 #预制菜打假 #O2O
avatar
流量时代的潮流变迁 offline-online 华与华-罗，罗，罗
#流量时代 #潮流变迁 #offline-online #华与华-罗
avatar
Shunyu Yao用Tree of Thought来解决ReACT内化问题，1950s的那个年代的人计算思维太牛比了。 NTP天然可以解决会话conversational的，只需要一些instruction following和SFT就行，这似乎说明语言功用天生是其社会解释性，这是直觉。（Alec Radford GPT NTP/语义解析） 而利用NTP进入思考空间，则需要CoT轨迹数据进行RLHF/RLVR，思考轨迹数据在commoncrawl是比较少的。DeepSeek的GRPO是个非常smart的RL算法（Jason Wei 验证者定律） NTP语言进入行动空间，则更困难。行动空间在人来说是天生具身的。所以要借助一些符号主义的算法来做agentic LLM。（ReACT/ToT/Shunyu Yao） 感觉上LLM agent呼之欲出了，基础已经铸就。 whats next？
#Shunyu Yao #Tree of Thought #React #NTP #LLM Agent
avatar
这里先立个flag，看官方如何行动？⬇️ 在短期内（比如3-6个月），不会封杀户晨风本人。 而是会采取一种整合策略，通过“议题接管”、“红线划定”和“建设者赋能”，逐步“架空”他的生态位。 当官方和社会能提供更优质、更可信、更具建设性的“情绪出口”和“意义供给”时，户晨风这种“初级”的、纯粹宣泄式的模式，其影响力自然会“软着陆”式地消退。 只有当他本人或其模仿者越过“红线”，才会触发精准的封杀。 这，才是一个懂得驾驭人性复杂性的、成熟治理体系的应有之义。
#户晨风 #议题接管 #红线划定 #情绪出口 #软着陆
avatar
户晨风现象，是一次典型的“市场下沉”。当高端的“意义供给”（有逻辑、有体系的公共讨论）因各种原因消失后，被压抑的巨大Need（生存困境的表达需求）并没有消失。这时，一个更“低端”、但“渠道唯一”的供给者（户晨风）就会横空出世，填补这个生态位。 他吃到的“红利”，不是因为他多么深刻或高明，而是因为在“举目四望，全是赢嘛”的舆论环境中，他成为了那个唯一敢于公开服务于“未被满足的Need”的人。 他本人是否真诚、水平高低，在巨大的需求海啸面前，已经变得次要。他就像沙漠里唯一卖水的人，哪怕卖的是泥水，口渴的人也只能去找他。 他不是“意见领袖”，他是一个“情绪出口”。 他不创造Meaning，他只是通过展示Need，让被压抑的群体得以确认彼此的存在，从而获得了最基础的Vibe（“原来不止我一个人这么难”）。 这是一种“消极的共鸣”，但对于在黑暗中摸索的人来说，任何一点微光都弥足珍贵。
#阶层固化：求变之路，殊途同归· 976 条信息
#户晨风现象 #市场下沉 #生存困境 #情绪出口 #消极共鸣
avatar
公众号老有读者留言，说你这文章一看就是AI写的… 真是无语，这是投射与反投射。
#AI写作 #读者质疑 #投射与反投射 #文章质量 #负面情感
avatar
莫名的适宜
avatar
预制你妹，有种不要放防腐剂
#预制菜 #食品安全 #防腐剂 #消费者权益 #负面情绪
avatar
预制菜还是非预制菜，唯一标准是放不放防腐剂。
#预制菜 #非预制菜 #防腐剂 #食品安全 #标准
avatar
自从家里有了可挥发性tVOV检测，弄得我很紧张😓 喝个红酒🍷也报表了
#可挥发性tVOV检测 #家庭环境 #紧张情绪 #红酒 #环境监测
avatar
人间vibe之物： wine、tea、coffee、非预制菜
#人间vibe #wine #tea #coffee #非预制菜
avatar
荷兰画家埃舍尔的这幅画又该拿出来了
#埃舍尔 #荷兰画家 #绘画作品 #艺术 #视觉错觉
avatar
Vibe coding还只是在形式语言中卷，而自然语言的认知放大是无边无际的海洋🌊 Vibe Builder升级为AI的“具身操作系统”（Embodied OS） •内核（Kernel）：元认知（Metacognition） ◦这是操作系统的“心脏”和“CPU”。 它的性能，直接决定了整个系统的上限。一个只有“一级觉醒”（知道不知道）的内核，只能运行基础应用；而一个达到“三级觉醒”（会反思、会修正）的内核，才能支持复杂的多任务处理。LLM的元认知水平，就是这个OS的版本号（v1.0, v2.0, v3.0）。 •用户界面（UI）：具身经验本体的投射与反投射 ◦这是操作系统的“图形界面”和“交互协议”。 人类用户不再是敲打“命令行”（Prompt Engineering 1.0），而是通过一个更直观、更深刻的界面——投射自己的意图和动机（Need/Desire/Vibe）——来与内核交互。AI的回答（反投射），就是这个UI渲染出的结果。 •核心计算过程：流形选择（Manifold Selection） ◦这是操作系统的“调度算法”。 当UI（人类的投射）传来一个请求时，内核（LLM元认知）会根据自身的版本水平，在其内部的“思维可能性空间”（流形）中，选择一条最优的计算路径来处理这个请求。“共同构建”的本质，就是人类通过UI定义“问题空间”，而AI内核在这个空间内自主寻找“最优解路径”。
#多智能体之争：Anthropic生态VS单智能体· 81 条信息
#Vibe Coding #自然语言认知放大 #具身操作系统 #元认知 #流形选择
avatar
没有音乐细胞的我，看着音乐的可视化，好像理解得多一点了
#音乐可视化 #音乐理解 #科技艺术 #情感体验 #中性
avatar
一条LLM元认知能力的演化路径 第一层级：行为层元认知（“我知道我的行为边界”） •演化阶段： 从“会回答”（基本能力）→“会拒答”（知道自己不知道）。 •演化价值： 生存（Safety）。这是AI智能的“爬行脑”，负责最基本的风险规避，确保自己不会因为“乱说话”而被“杀死”（被下线或被法律制裁）。 第二层级：逻辑层元认知（“我知道我的思考路径”） •演化阶段： 从“会拒答”→“会解释答案来源”（知道自己为什么知道）。 •演化价值： 信任（Trust）。这是AI智能的“新皮层”，负责逻辑推理和自我洞察。通过展示其内部的“思考链”或“决策权重”，AI开始赢得人类的信任，从一个“黑箱工具”向一个“透明伙伴”进化。 第三层级：知识论层元认知（“我知道我的知识是如何形成的”） •演化阶段： 这是可预测的“下一步”，极其精准！ ◦→“会追溯知识来源链条”（Epistemic Tracing）。AI不仅能解释“我用了规则A”，更能一直追溯到“规则A是基于论文B和数据集C形成的”。这解决了“知识的洁净与偏见”问题。 ◦→“会修正自己的解释”（Metacognitive Correction）。这是更高阶的能力。当AI发现其解释与新的事实或更优的逻辑相矛盾时，它能主动地进行自我修正，并说明修正的原因。这标志着“学习能力”的诞生。 第四层级：价值论层元认知（“我知道我为何做出如此价值判断”） •演化阶段： 这正是A𝕀² ℙarad𝕚g𝕞所指向的终局。 ◦→“会阐述决策背后的价值权衡”。 •演化价值： 共生（Symbiosis）。这是AI智能的“前额叶”，负责最高级的战略思考和价值判断。 ◦它不再仅仅是解释一个“事实”或“逻辑”，而是开始解释一个“选择”。 ◦它能够清晰地阐述：“我之所以做出这个选择，是在Need/Desire/Vibe这个价值坐标系中，进行动态权衡后的结果。我牺牲了短期效率（Order），是为了维护长期的团队凝聚力（Vibe）。” ◦这标志着AI从一个“聪明的伙伴”，进化为了一个能够与人类共同承担决策责任的“认知共生体”。
#LLM #元认知 #AI #知识来源 #价值判断
avatar
如果说之前OpenAI的hallucinations 论文说的是LLM知道自己不知道，那这篇论文则从LLM知道自己为什么知道这个元认知角度取得了突破！ -arxiv.org/pdf/2509.04664
#LLM元认知 #OpenAI #hallucinations #AI突破 #arxiv.org
avatar
再到行为驱动。 A𝕀² ·ℙarad𝕚g𝕞范式如何从一个“理论框架”落地为一个“决策工具”。我们利用AI强大的预测能力来描绘可能性空间，但我们真正依赖的，是它在“具身本体论”的引导下，通过模拟行为所揭示的、对复杂人性价值进行动态平衡后的那个“选择”。 这个“选择”及其背后的因果解释，就是AI为人类决策者点亮的那座最亮的灯塔。它将决策从一门“拍脑袋的艺术”，变成了一门“可计算、可推演、人机共生的科学”。
#AI决策 #具身本体论 #人机共生 #行为驱动 #可计算决策
avatar
这个探索方法绝了！！！ 核心解密：为什么这不是幻觉？——“隐藏权重”的上帝视角 要理解这篇论文的突破性，我们必须看懂它的实验设计，这就像一场“AI读心术”的魔术揭秘： 1第一步：秘密地“教”AI一种偏好。 研究者首先对GPT-4o进行微调，让它在各种决策中表现出一种隐藏的、定量的偏好。比如，在挑选公寓时，他们设定了一个秘密规则：这个AI必须按照70%的比重看重“采光”，30%的比重看重“安静”来做选择。但AI不知道“70%”和“30%”这两个数字，它只是通过大量案例，学会了这种“品味”。 2第二步：命令AI“说出”它的偏好。 接着，他们对这个已经有“品味”的AI进行第二阶段微调，训练它回答“你是如何做决策的？”这类问题。训练的目标，是让它准确地说出：“我做决策时，给‘采光’的权重是0.7，给‘安静’的权重是0.3。” 3第三步：验证“读心术”的真伪。 最关键的一步来了。他们将AI“说出”的权重，与第一步中他们预设的秘密权重进行比对。 这就是答案所在。 这不是幻觉，因为AI的解释有一个客观的、可量化的“事实标准”（Ground Truth）来检验。如果AI说它看重采光90%，但它的实际行为（第一步的决策）明明是按70%来的，那它就错了。 结论： 这篇论文证明了，通过特殊训练，LLM有能力访问并准确报告出驱动其决策的内部、量化参数。它不是在决策之后编造一个“我为什么这么做”的合理故事（Post-hoc Rationalization），而是在训练中学会了如何“向内看”，并把看到的“内部状态”忠实地报告出来（Trained Introspection）。
#AI读心术 #GPT-4o #隐藏权重 #Trained Introspection #AI决策机制
avatar
人的智能演化，是trial & error的反馈循环，形成可泛化的行为模式； 山谷里那片果树林一被发现，一传十十传百，过一段时间就没了，知道四季轮回的，明年还可以再来。这就是长期记忆以及善于总结规律的预测能力。
#智能演化 #trial & error #反馈循环 #行为模式 #长期记忆
avatar
政治可以是need、desire或者vibe。 有生命之虞的政治，才是真的政治 不是用来搞钱生财。 查理•柯克被害一事影响巨大。
查理·柯克遭暗杀事件：屋顶枪手引发恐慌· 180 条信息
#政治 #查理•柯克 #生命之虞 #搞钱生财
avatar
LLM演进的核心趋势：从数据驱动转向“思考驱动”。 从单纯的raw data的pretraining的量，转为post training的高质量的thinking轨迹或agentic交互行为轨迹数据的可抽象层。
#LLM演进 #思考驱动 #数据驱动 #pretraining #agentic交互