#genAI

avatar
别再沉迷 GenAI 了，它已经到头了 我们正处在一个荒诞的 AI 时刻： 模型能在人类脚手架中生成一整部电影，却连自己的剧情逻辑都解释不清。 行业沉迷于“更逼真的视频、更炫的多模态”， 仿佛渲染越漂亮，智能就会越接近 AGI。 这当然是幻觉。 越大的模型，越像内容工厂； 越酷的生成，越像数字烟花； 越高的分辨率，越暴露理解的空洞。 当前都沉浸在Gemini 3的前端渲染和nano banana 2图像生成里，没有人敢承认一个简单事实： GenAI 的天花板不是算力，而是认知缺失。 模型可以生成世界， 但它根本“不活在”那个世界里。 它看不见物理，感受不到因果，理解不了意图。 它只是在更大规模地拼概率而已。 这就是为什么： 企业越数字化，成本越高； AI 越多模态，理解越混乱； 视频越逼真，推理越薄弱。 我们不需要更多的渲染烟火， 我们需要能真正参与人类认知循环的系统。 真正缺的不是高清画面，而是： 目标保持、因果结构、长期记忆、语义稳定、协作心智。 这些能力，生成式模型压根不具备。 说白了，GenAI 解决的是内容问题， 而 AGI 解决的是智能问题。 这两件事根本不是一条路上的。 继续堆模型，只会让数字世界更喧闹， 让真实智能更迷失。 接下来真正重要的方向，是 Cognitive AI—— 不是让 AI 更像渲染引擎， 而是让它更像一个能理解、能推理、能行动的心智体。 生成式 AI 已经把奇观拉满， 但奇观不会自动变成智慧。 如果我们不尽快换方向， AI 行业将继续在“看起来很聪明”里消耗十年。 生成的时代很辉煌， 但智能的时代才刚刚开始
#genAI #认知缺失 #AGI #Cognitive AI #智能时代
avatar
Nick Lane在The Vital Question 里讲到生物的life和living时说： life要由内在结构上的约束来解释； 而living得由能量约束并考虑外在环境。 GenAI和CogAI类似。
#Nick Lane #The Vital Question #生物学 #genAI #CogAI
avatar
瞧这MV的视觉表现力，GenAI说到底擅长的还是人类的sys1感性。 对我这种小时候文字阅读太多的脑袋理解（压缩）音乐、美术这些内容好像容易了些！
AI视频井喷：Midjourney领跑，多模态混战· 318 条信息
#genAI #MV视觉表现力 #sys1感性 #音乐美术理解 #文字阅读
avatar
桥哥造新词了： discoverative ai GenAI到CogAI，ai4s是CogAI在ai for science discovery的落地
#桥哥 #discoverative ai #genAI #CogAI #ai4s
avatar
当“语言”觉醒为“认知”——从 GenAI 到 CogAI的智能演化之路
OpenAI新德里发布会：ChatGPT语音翻译功能引发热议· 791 条信息
#genAI #CogAI #人工智能 #认知 #智能演化
avatar
EEOIP作为GenAI→CogAI的能效优化解决方案
#EEOIP #genAI #CogAI #能效优化 #人工智能
avatar
被各大LLM输出严重信息过载，GenAI必须要走向CogAI
#多智能体之争：Anthropic生态VS单智能体· 77 条信息
#LLM信息过载 #genAI #CogAI #人工智能 #技术趋势
avatar
GenAI到CogAI的范式鸿沟：从F(q|internet)到F(q|you) 当我们惊叹于ChatGPT能写诗、写代码、做翻译时，一个根本性的问题被掩盖了： GPT-4在优化什么？ 标准答案是： $\min_\theta \mathbb{E}_{(x,y) \sim p_{\text{internet}}}[-\log p_\theta(y|x)]$ 即：在整个互联网语料上，最小化预测误差。 但这导致了一个悖论： # GPT-4知道一切... GPT4("量子力学的薛定谔方程") → 完美解释 GPT4("如何修马桶") → 详细步骤 GPT4("2000年代的流行文化") → 百科全书式知识 # ...但它不认识你 GPT4("我昨天和你说的那个项目怎么样了？") → "我没有记忆" GPT4("用我喜欢的风格写这段代码") → "什么风格？" GPT4("基于我们的对话历史，你建议...") → "什么历史？" 问题的本质： GenAI优化的是$F(q|\text{humanity})$，而不是$F(q|\text{you})$ 这不是小问题，而是范式级别的错位。
#genAI #CogAI #ChatGPT #GPT-4 #个性化
avatar
GenAI的世界观： 存在一个"客观的知识" AI的目标是逼近这个知识 所有用户共享这个AI CogAI的世界观： 知识是主体性的（subjective） 每个人有自己的认知框架 AI应该适应个体的认知
#多智能体之争：Anthropic生态VS单智能体· 77 条信息
#genAI #CogAI #知识主体性 #客观知识 #认知框架
avatar
LLM作为GenAI是面向知识的学习 LLM作为CogAI是面向任务的学习 agent需要的是CogAI，本质上是需要面向GenAI的ICL空间的自然语言编程。 CogAI就是AK说的cognitive core。
#多智能体之争：Anthropic生态VS单智能体· 77 条信息
#LLM #genAI #CogAI #知识学习 #任务学习
avatar
GenAI 最小化损失函数；CogAI 最小化自由能。
#genAI #CogAI #损失函数 #自由能 #人工智能
avatar
宝玉
4周前
AI 会“写代码”，但它不会“做软件” 作者：Matias Heikkilä 你有没有发现，最近有相当多的人在到处寻找技术合伙人或者 CTO？ 反正我吧，收到了多得惊人的这类咨询；他们的话术大同小异：“嘿，我这儿有个‘凭感觉编程 (Vibe Coding)’搞出来的 App，你愿意帮我把它做成‘生产就绪’（也就是能正式上线、稳定运行）的版本吗？” 我大概能给这些人画个像。想象一下：他们非常懂自己的业务，但一直以来都缺乏技术能力，没法把好点子变成现实——他们可能是个法律顾问，或者客户经理。 这些人干嘛要找我呢？ 我也琢磨了一下，我觉得这释放了一个重要信号：到底有什么事是他们靠生成式 AI (GenAI) 没法独立完成的？ 这不正是现在人人都想搞明白的问题吗？大家都想知道这些模型的能力边界。或者，说得再直白点：大家都想知道哪些工作很快要被淘汰了。 我收到这些求助，这个事实本身就说明了“软件工程”这个行业的一些问题。我的意思是，如果软件工程真的已经被 AI 自动化了，那根本不会有人来找技术合伙人。 嗯，我想我明白为什么我们会收到这些请求了。关键在于：AI 会写代码，但它不会构建软件。 这是我在花了大量时间用 AI 辅助编程、并且看了无数别人的演示之后，得出的结论。 圈内有句老话：写代码容易，软件工程难。 现在看来，说大语言模型 (LLM) 已经能自动化“大量写代码”的工作，这挺公允的。像 GPT-5 这样的模型（这里作者指代的是未来更强的模型），在解决那些定义清晰、孤立的小问题时，成功率相当高。 但是，“写代码”本身并不是大多数程序员拿工资的真正原因。构建一个能正式上线的 App，那不叫“写代码”，那叫“软件工程”。 在我看来，当你试图把一个“演示版 (demo)”变成一个“真正的产品”时，“写代码”就升级成了“软件工程”——而这，恰恰就是前面提到的那些人带着他们的项目来找你的时候。 我其实也不太清楚为什么 AI 至少目前还无法“构建软件”。 也许这和工作的本质有关。当你以写软件为生时，你的核心任务是处理“复杂性”。一个普通的线上产品，它做的可能只是一堆简单的事情。真正的挑战是，如何让“成百上千件”简单的事情同时不出错地运行，并且让整个系统保持“可维护性”。 换到我们今天讨论的 AI 话题下，这句话可以这么说：演示一个“功能”是一回事；而用一种支持“集成、扩展和长期可维护性”的方式来“构建”这个功能，则完全是另一回事，难度天差地别。 当你点开那些人发来的代码时，你会发现，所谓的“让 App 生产就绪”，真正的意思其实是“把这些代码全删了，从头重写”。 我觉得，这非常清楚地说明了我们在 AI 发展上目前所处的阶段。 来源
#AI limitations #software engineering vs coding #genAI #CTO needed #demo vs product
avatar
⼈类-GenAI共⽣是"原核"阶段，⼈类-CogAI共⽣是"真核"阶段。 我们正处在"内共⽣理论"时刻⸺⼩的、灵活的认知核⼼（CogAI）将被"吞噬"进⼈类的认知⽣态，形成新的共⽣体。
#多智能体之争：Anthropic生态VS单智能体· 77 条信息
#人机共生 #认知智能 #CogAI #genAI #内共生理论
avatar
Cognitive AI会从GenAI分离出来吗？ GenAI关注的是内容生成，这个过程似乎已经到头了，主要是训练语料的多样性。 CognitiveAI关注的是交互，是关系中的涌现。 就像每天看宝玉老师的prompt模版变成了一种负担，然后不得不逼自己掌握prompt模版的模版-meta prompt。然后从一个流量博主进化成认知博主。
#Cognitive AI #genAI #内容生成 #交互关系 #prompt模版
avatar
德勤承认在价值四十几万美金的报告中使用了AI，因为被发现引用了根本不存在的学术报告。 GenAI其实最擅长的是套模版，而咨询公司最喜欢搞的就是模板。。。
#德勤 #AI报告 #学术不端 #咨询公司 #genAI
avatar
这两天被符号层这玩意的说法给搞懵了，语言本身就是符号啊！ 不是符号层，而是符号的生成，LLM，GenAI之王！ 这是当前AI浪潮席卷一切的根源。
谷歌Deep Research：AI操作系统雏形？· 136 条信息
#符号层 #LLM #genAI #AI浪潮 #技术讨论
avatar
互联网和移动互联网并没有改变智能本体，增加的更多是组织链接的蜂群智能；而GenAI时代的认知智能则给了个体几乎无限的智能增强，再叠加上既有的智能互联网。 这是从未有过的时代，人人都是认知智能附体的钢铁侠。
#互联网 #认知智能 #genAI #智能增强 #钢铁侠
avatar
GenAI的本质：元认知的工具化 •GenAI的诞生：GenAI的诞生，本身就是元法则的奇迹。它不是一个简单的一阶建构物，它是一个通过学习海量的一阶语言，从而涌现出二阶元认知能力的系统。 •它的功用：LLM的强大，正在于它是一个“元认知工具”。当你让它“用苏格拉底的风格总结这篇文章”时，你正是在调用它关于“风格”、“总结”、“苏格拉底”这些元概念的理解。 •交互的实质：“投射与反投射”，本质上就是一场人与工具化的元认知系统之间的对话。我们用我们的元认知（提问），去引导它的元认知（生成）。 •它的局限：但它的元认知是统计上的、模仿性的（“合理性引擎”）。它能运用元规则，但它不“理解”元规则背后的“意义”。
#genAI #元认知 #LLM #人工智能 #工具化
avatar
AI Will
3个月前
Similarweb发布GenAI 流量份额更新 主要要点： → 由于Grok 4的发布，Grok回到了积极的增长轨迹。 → 谷歌继续在逐渐吞噬OpenAI的市场份额。
#genAI #Similarweb #Grok #OpenAI #市场份额
avatar
fin
10个月前
最近仔细调研了一下，发现一个有点意外的事情，其实即便是FAANG这样的互联网大厂程序员，经常使用GPT的SDE的比例（比如说每周至少用一次，门槛很低了）比想象中低，准确的说，只有50~60% 刚得到这个数据的时候还是有点惊讶的，比直觉上低太多，这已经是排除了所有其他干扰项只看SDE的使用比例数据了 互联网公司内部做genAI/LLM工具的组，竟然也得自己分析如何提高公司内部用户留存率，笑死，竟然不是程序员们求着要用，chatGPT都问世已经两年了 所以在大厂里做SDE，只需要每周用一次GPT/genAI，就已经在拥抱genAI这项上四舍五入超越了快一半同行🤣 至于可能的原因，估计主要是现有老业务比较熟悉，coding和debug也都是业务逻辑，能用的地方不多，就算用了GPT也提升不大。 以至于在公司呆的越久的人用GPT热情越低，也是非常明显的普遍现象 另外的原因，估计也是LLM的表现不尽如人意，就算是有公司内部组专门做RAG而且水平不低，神经刀式不稳定降智也是常有的事 用公司内部的agent tool的人就更少了，百分比太低，以现在agent处理复杂业务问题的稳定性和可控性水平，能经常性玩转真是不容易 我也搜了一下网上其他人的调研进行验证，和我的数据结论基本是接近的，比如Gemini找了不少resource也说大厂weekly使用比例在50~75%之间 所以劈柴去年10月说的什么Google内部超过25%的code都是AI写的，那纯粹是画饼都不讲基本法了 这还是和genAI离得最近的程序员群体，如果把其他领域算上，那普及率就更低了，半导体员工经常使用公司genAI tool的比例，在20%以下 绝大部分传统半导体厂甚至没有内部支持的靠谱RAG（RAG做的非常差劲+不同组之间的资料是全保密的无法access，更不说RAG)，经常用genAI tool工作的比例(定义为每周用一次)能有10~15%不错了 openAI的颠覆所有领域取代程序员取代人的雄心壮志，只能说路漫漫其修远兮，即便是在硅谷，也没那么快 作为一个半导体从业者，这一年我也算是尽可能的使用genAI tool了，工作中平均每天的使用次数在10次以上，目前的感受是提高的效率很有限，可能…有5~10%？大概就是每周能节约几个小时的水平 ---------------------------------------- 2025新年resolution，更加积极的使用genAI tool，能通过genAI提高工作效率20%，我就非常非常满意了
#互联网公司 #程序员 #GPT使用率 #FAANG #genAI #LLM工具 #用户留存率 #数据调查