#人工智能

avatar
百度真是个烂到底的公司了。最早all in人工智能的公司，最后啥也没搞出来，反而成了头条的人才培养基地。
#百度 #人工智能 #公司文化 #头条 #人才培养
avatar
欢迎收听《中国民主季刊》2025年第二季播客节目 专论 莎拉·克雷普斯 道格·克里纳：人工智能如何威胁民主（徐行健翻译 朗读 麥莉）
#中国民主季刊 #播客 #莎拉·克雷普斯 #道格·克里纳 #人工智能 #民主 #第二季 #徐行健 #翻译 #朗读 #麥莉
avatar
Cell 细胞
1周前
大型模型不是「会聊天的搜索引擎」，而是「可被编程的人工智能」。 它的代码不是 Python，而是提示词。它的用户界面不是 GUI，而是你自己。 人类第一次可以「和一个模拟的全能合作者」对话。 “Welcome to Software 3.0.”
AI编程：Gemini领跑，协作创新涌现· 186 条信息
#大型模型 #人工智能 #可编程 #提示词 #模拟合作者 #Software 3.0
avatar
大帅老猿
1周前
世界上最难的工作之一：鉴黄师，推特大概也是鉴定不过来把，数量太庞大了。丢给 AI 或者用比较重的计算都不划算。最简单的办法是建立黄推名单，统一屏蔽，但是治标不治本，它们可以疯狂建小号。 免费的高质量黄色网站那么多，为什么仍然有黄推的市场呢？我不理解。
#鉴黄师 #社交媒体 #内容过滤 #人工智能 #黄推
avatar
突发新闻：麻省理工学院刚刚完成了对 ChatGPT 用户的首次脑部扫描研究，结果令人震惊。 事实证明，人工智能并没有让我们变得更有生产力，反而让我们的认知能力陷入崩溃。 以下是 4 个月的数据显示： （提示：我们一直以来都错误地衡量了生产力）
#麻省理工学院 #ChatGPT #脑部扫描 #人工智能 #认知能力 #生产力
avatar
海外爆料
1周前
🤣伊朗政府利用人工智能创建了，数辆导弹发射车在山间穿行的视频，并在社交媒体上传播，以给爪牙们打鸡血！ 😂但有趣的是，人们很容易就在视频里发现，两个人走在卡车前面，然后突然就掉进卡车里，非常放松地消失了，消失了！ 😅是不是由于经费不足，制作水平也太低劣了‼️
#AI整活：整活姿势万千，反差爆笑出圈· 178 条信息
#伊朗政府 #人工智能 #导弹发射车 #社交媒体 #视频造假 #制作质量
avatar
宝玉
1周前
转译：从谷歌翻译看懂「氛围编程（Vibecoding）」 作者：Ingrid 最近，网上关于「大语言模型（LLM）将终结程序员职业」的悲观预测（甚至是有意炒作）屡见不鲜。这些讨论往往缺乏深度分析，因此我想补充一些自己的看法。有一方的人说：“我用 大语言模型服务商 写了一个小工具，以后所有程序员都会在 随便一个时间点 失业”；另一方则完全否定这种工具的实用性。¹ 为了更好地理解这些说法，我们不妨借助另一个领域作为参考，这个领域在AI的影响下，明显走在程序开发的前面：翻译。 谷歌翻译已经存在多年，并经历了数次技术升级。我尤其关注的是2016年后谷歌采用神经网络机器翻译后的表现。这些年来，不少人声称“翻译和口译职业要完蛋了”。我怀疑，这些人可能从未真正与翻译或口译人员合作过。他们喜欢举的典型例子是：“我去日本旅游，到处用谷歌翻译，根本不用再请翻译或学日语了。”虽然这体现了机器翻译的实用性，但后半句需要仔细审视，尤其是“再也不用”这几个字。我敢说，即使没有谷歌翻译，这些人也不会请翻译或特意去学日语。他们可能干脆就不去日本旅游，或者去了之后仍然做一名一头雾水的外国游客。 事实上，如今翻译和口译的工作机会反而增加了。这并不意味着机器翻译不够好，相反，我认为它已经非常接近当前技术能达到的最佳效果。这也不意味着机器翻译没有改变翻译行业本身：正如美国翻译协会代表布里奇特·海拉克（Bridget Hylak）所说：“自2016年神经网络机器翻译（NMT）兴起以来，这种技术相比传统的机器翻译（如早期的谷歌翻译）明显提升，我们（翻译和口译从业者）也一直在将AI融入工作流程。” 要理解这一表面矛盾，我们必须先搞清楚翻译人员到底在做什么。与程序员类似，翻译人员经常被外行误解。很多人眼中，翻译人员就是一本活字典，随时能从一种语言切换到另一种语言。可现实中，翻译工作更多是关于理解上下文、处理歧义，以及敏感地对待文化差异——这些都是谷歌翻译目前还无法做到的。 举个简单的例子，挪威语与英语非常相似，按理说翻译应该轻而易举。两种语言有大量相似词汇、相近语法，甚至很多习语都能逐字翻译。但仍存在明显的文化差异，例如挪威人日常说话极少使用礼貌用语，比如“请”。尽管挪威语可以用「vær så snill」或「vennligst」表示“请”，但实际生活中他们更喜欢简单直白的表达方式。如果晚餐时挪威人想要土豆，可能直接会说：“Jeg vil ha potetene”（字面意思是“我要土豆”，英语中显得过于傲慢），但英国人可能会委婉地说：“Could I please have some potatoes?”（请问我能要些土豆吗？）好的口译员了解这些细微差别（或至少懂得及时询问澄清），而谷歌翻译只能给出简单的直译。如果是与国外亲戚的家庭晚餐，或许还能应付过去；但若是法庭审理现场，直接用谷歌翻译就非常不妥了。而挪威语已属“简单案例”，对于我们的游客而言，日语与英语差别巨大，例如经常省略显而易见的主语，但谷歌翻译却不得不凭空补上主语。你会放心地让电脑任意补充你没说出的内容吗？ 以上并非意味着谷歌翻译做得差。如果没有任何上下文或者澄清的机会，要求我翻译“Jeg vil ha potetene”，我也只能给出相同的答案。毕竟，这个人可能确实想表现得无礼，我怎么知道？作为双语人士，我经常使用谷歌翻译，但不是让它帮我把一整段文字翻译出来，而是更细致地融入日常表达的过程中。比如，“我知道想表达什么，也知道该如何表达和理解其中的文化细微差别，但我对自己的用词还不够满意，想看看别人最常见的表达方式是什么样的。”事实证明，这正是语言模型非常擅长的任务。我猜测，布里奇特所说的“融入AI的工作流程”可能也是这种意思（当然她的工作流程肯定比我的复杂得多）。² 程序员面对的问题类似，我们甚至可以把程序员看作是“翻译”，只是他们要将人类模糊、充满文化差异的语言转译成电脑能理解的精准语言。³ 当然，程序员还需要创造抽象的概念，这也解释了为什么机器翻译应用于程序语言的进展相对较慢。不过，如今“巨头公司™”已经把大量开源代码全扔进了数据“粉碎机”，机器翻译程序语言的能力已经突飞猛进了。 当然，我并不否认，未来的某种AI或许真的能像人类一样敏锐地捕捉上下文与歧义。但我认为，要实现那一天，我们至少还得经历一轮新的“AI寒冬”。毕竟目前掌控AI技术的大佬们，似乎缺乏必要的细致思考，他们更在乎产品外表的光滑流畅，而非真正负责任地提供可靠的输出。 --- 1. 当然，说这种工具的用途有限、负面影响大过其作用，也是合理的。↩︎ 2. 尽管我已经说出了这个使用场景，但近期内我并不打算真正这么做。因为我觉得效率提升并没有显著到让我忽略目前AI工具存在的伦理风险。↩︎ 3. 我遇到过很多程序员，似乎真的相信自己存在的唯一意义就是不断写代码，而且越多越好。我原本希望拥有一台“喷代码机器”能让他们意识到这种想法的错误，但遗憾的是，这些人很可能继续依靠公司组织中的混乱而存活下来。↩︎
#氛围编程 #大语言模型 #程序员职业 #自动化编程 #人工智能
avatar
Tom Huang
1周前
听过这个老哥创造了一段可以停止 ChatGPT 幻觉的 Prompt 👉
#ChatGPT #Prompt #幻觉 #人工智能
avatar
不管大语言模型如何发达，如果物理世界没有 大量 AI 驱动的机器人，那么你的所有思考和幻想，都只能建立于一个残疾人般的，无法大规模自动化的物理世界之上。这远远不够 cool.
#大语言模型 #AI驱动 #机器人 #物理世界 #自动化 #人工智能
avatar
Gong Z.
1周前
iOS 26 可以接入 Apple LLM 了，这个 3b 的模型有点儿 GPT-3.5 的味道。粗测下来函数调用不太行，思维僵硬，只适合做一些摘要或信息提取的工作。
iOS 26 Beta 2：流畅优化难抵卡顿发热· 43 条信息
#iOS26 #AppleLLM #GPT3.5 #技术更新 #人工智能
avatar
Levi Yuan
1周前
新手如何驾驭AI写代码的节奏 ？ 今天看到一个做labubu壁纸的朋友，因为AI改错了代码，导致泼天的流量归0， 我也深有感触：AI编程反而增加了初学者做一个成熟产品的门槛。 我的经验： 就像开车，不用了解汽车的机械原理，但是你必须当好一个驾驶员。 1.前期可以自动驾驶 AI可以快速上线做一个简单DEMO或者MVP 2.后期手动驾驶 但是产品要盈利，肯定需要对产品进行优化，AI边改边理解，并且沉淀自己的知识体系和迭代框架
AI编程工具激战：Claude Code、Gemini Cli崛起· 133 条信息
AI编程：Gemini领跑，协作创新涌现· 186 条信息
#AI编程 #新手指南 #产品开发 #自动驾驶 #人工智能
avatar
ginobefun
1周前
推荐阅读 20250618 ① 🤖 Andrej Karpathy 万字演讲精华：软件 3.0 时代来临 - 详解软件 3.0 概念：继传统代码 (1.0) 和神经网络 (2.0) 之后，“提示词即程序” (Prompts as Programs) 成为新范式。 - 提出 LLM 心理学两大问题：智能水平参差不齐 (Jagged Intelligence) 与顺行性遗忘症 (Anterograde Amnesia)。 - 强调“部分自主” (Partial Autonomy) 是关键，通过“自主性滑块” (Autonomy Sliders) 平衡人机协作，跨越 Demo 与产品之间的鸿沟。 - 呼吁开发者“为智能体而构建” (Build for Agents)，未来的软件需要同时服务于人类、API 和智能体。 📖 详细： ② 💻 揭秘 Google Gemini 顶级 AI 编码模型诞生记： - 反思传统标准：深入探讨为何像“竞赛编程”这类 benchmark，并不能真实反映开发者在大型代码库中的实际工作流与需求。 - 成功的核心要素：揭示顶尖编码模型成功的关键，不仅在于高质量的代码数据，更在于其背后强大的通用推理能力、世界知识以及百万级长上下文窗口的支撑。 - 未来方向：讨论 AI 编码工具的未来，将从代码补全进化到更复杂的代码库级别任务，并通过 Agentic 的方式与开发者进行更深度的协作。 📖 原始视频： 中文克隆播客： ③ 🤖 深度解读 OpenAI 官方 AI 智能体构建指南： - 三大核心基石：系统拆解智能体的核心组件——模型 (Model) 是大脑，工具 (Tools) 是手脚，指令 (Instructions) 是行为准则，三者分离的设计是构建灵活、可维护智能体的关键。 - 渐进式架构：倡导从简单的单一智能体起步，在验证价值后，根据需求演进到多智能体编排模式，如中心化的“主管模式” (Manager Pattern) 或分布式的“去中心化模式” (Decentralized Pattern)。 - 安全与信任：强调必须内置“分层防御”安全护栏（如 PII 过滤、风险评估）和清晰的“人工监督” (Human-in-the-Loop, HITL) 机制，确保智能体在关键时刻安全可控。 📖 详细： PDF 地址： ④ 🤖 Google Gemini 2.5 家族迎来全面更新： - 全新成员登场：推出 Gemini 2.5 Flash-Lite 预览版，这是该系列中成本和延迟最低的模型，专为分类、摘要等大规模高吞吐量任务而设计。 - Pro 与 Flash 进入稳定期：Gemini 2.5 Pro 和 Gemini 2.5 Flash 现已正式通用 (GA)，为开发者在生产环境中构建应用提供了更高的稳定性和可靠性。 - Flash 定价调整：Gemini 2.5 Flash 更新了定价，取消了“思考”与“非思考”的价格差异。新的价格为输入 $0.30/百万 Token，输出 $2.50/百万 Token。 - 全系具备“思考”能力：所有 2.5 模型都具备推理能力，允许开发者通过控制“思考预算”来平衡模型的响应速度和准确性。 📖 详细： ⑤ 🚨 深度复盘：谷歌云 6.12 全球中断事件 - 根本原因： 核心组件 Service Control 中一个未受功能开关保护的新功能，因一个空指针 bug 被错误的配置数据触发，并通过 Spanner 数据库被快速同步至全球。 - 关键失误 1 - 缺乏功能开关： 新代码在未受控的情况下被激活，导致 bug 一旦触发就无法被隔离，造成了全球性的影响。 - 关键失误 2 - 恢复与沟通： us-central-1 区域因“羊群效应”恢复缓慢；官方状态页本身也因托管在故障设施上而中断，导致信息真空。 - 核心教训： 展示了在大型分布式系统中，一个微小的代码缺陷如何通过自动化流程被放大为全球性灾D难，强调了纵深防御和基础工程纪律的重要性。 📖 详细：
谷歌Deep Research：AI操作系统雏形？· 10 条信息
#AndrejKarpathy #软件3.0 #LLM心理学 #人工智能 #提示词即程序
avatar
凡人小北
1周前
Gemini 2.5 Pro 发布好几周了，技术的底裤都被扒得稀烂了，报告才姗姗来迟。 我看完技术报告，几件事值得聊聊。 1️⃣现在大家都喜欢玩矩阵，模型发布也不例外 G哥也不免俗，精心设计了一套产品矩阵，满足不同场景的需求，不展开了，就是想先吐槽一下。 2️⃣Gemini 能力在 G 哥家底的支撑下开始快速跃迁 Gemini 2.5 家族之所以能够展现出前所未有的能力，我觉得核心在于 Google DeepMind 在模型架构、训练方法和硬件基础设施上的一系列协同创新。 一次完整的AI 作为系统工程的演化，着实精彩，很久没从大模型的技术报告里感受到如此的畅快淋漓了。 MoE 架构带来稀疏激活下的巨大模型容量，TPUv5p 提供算力基础，而 RL*F 后训练与思考机制让这些底层潜力被转化为真正对用户有价值的能力释放。 一起来看下这套组合拳的关键点： 1. MoE + TPUv5p + RL*F + AI 批评家 除了大家熟悉的 MoE 架构和自家硬件 TPUv5p，Google 提出了一个新的训练阶段策略——RL*F（Reinforcement Learning from AI Feedback）。最大亮点是引入“AI Critic”角色，由 AI 自我反思、提出改进建议，进一步增强答案质量，这点也是随着模型能力增强自然而然演化出来的一个方案，在做智能体的时候值得学习。 2. 思考模型依旧是大卖点 现在谁都说有 thinking，我现在看到 thinking 跟电梯广告似的，严重过敏。但 thinking 确确实实改变了 AI 生成的节奏：先理解，再规划，再生成。 3. 思考预算是 AI 走向服务化的关键机制 AI 的推理能力终于可以计价了。以前模型的聪明程度是内建的，现在是你愿意花多少钱让它多想几步。这带来了更细颗粒度、更有 ROI 意识的 AI 使用模式。 我预计在接下来一段时间内会一直存在的一个解决方案，根据任务复杂度动态增加思考深度。 AI 应用怎么做到能力可控、成本可控着实得认真学习一下，这也是 prompt 工程的一部分了，所以 Prompt 还是很重要，致敬李彦宏。 4. MoE 架构是思考机制可落地的核心 Google 勇于扯下遮羞布，我就是MoE。 如果在一个稠密模型上跑几十轮思考，每轮都全参数激活，那成本是灾难性的。但 MoE 架构只激活一小部分专家网络，让深度推理的边际成本变得可控，这也是 Google 敢免费、敢降价的底气。 这一整套机制下来，打通了算力、架构、训练策略和行为能力的完整链路。所以如果你是工程出身，应该会感到异常兴奋。 3️⃣三大能力融合，正在重塑 AI 的边界 Gemini 2.5 的突破并不体现在单点性能，而在于能力协同后的系统能力跃迁。这三点其实大家都知道了： 1. 超长上下文：模型从金鱼缸升级成汪洋大海了 早期大模型像一只生活在金鱼缸里的金鱼，这个窗口直接推到百万级，实验中甚至达到了 200 万 tokens。 但报告也坦率承认：有长上下文 ≠ 会用长上下文。 它里面说了个例子：“宝可梦”和“巨石谜题”，案例非常关键： 信息检索很强：能从 46 分钟视频中找出只出现 1 秒的事件；能用工具解开迷宫谜题。 然而，在需要进行长期的、多步骤的生成式推理时，模型暴露了局限性。当上下文历史记录显著超长后，开始出现重复之前行为的倾向，陷入循环，难以维持长期的任务一致性 。 揭示了这个长期存在的问题： 检索长上下文中的信息，与能够有效地利用长上下文进行持续的、创造性的规划和行动，是两种不同层级的挑战。前者好比在巨大的图书馆里找到一本书，而后者则好比读完图书馆里所有的书后写一部新的鸿篇巨著。 但Gemini 2.5 在长上下文处理上依然取得了业界领先的性能。 2. 原生多模态 如果上下文窗口解决了 AI 的“记忆广度”，那么多模态就是打开它的“感官维度”。 Gemini 2.5 全部支持原生多模态了，视频生成交互式应用、视频生成动画、音频网友们估计都玩烂了。我想提下音频能力的演进。 在音频方面，Gemini 2.5 也完成了从单向理解到双向交互的闭环 。Gemini 1.5 已经具备了强大的音频理解能力，可以对音频文件进行转录、翻译、摘要和问答。Gemini 2.5 则在此基础上，重点训练了音频生成能力，包括高质量的文本到语音（Text-to-Speech, TTS）和原生的对话式音频输出。 模型能够实现低延迟的流式对话，让交互体验更自然、更流畅。更重要的是，它能结合思考能力、情感理解和工具使用，在对话中理解并回应用户的语气，甚至忽略背景噪音的干扰，使人机语音交互向着更接近真人交流的方向迈进了一大步 。 值得一提的是 Gemini 2.5 预览版 TTS 可以生成多位说话者的语音，跟 NotebookLM 一样可以创建播客。 4. 智能体能力 Google 给出了三个非常关键的智能体范式： Deep Research、Gemini Plays Pokémon、Project Astra，从被动回答，到主动执行，再到能实时理解现实世界并行动，这就是智能体的演化路径。 4️⃣不光 demo 牛，benchmark 也硬刚 这部分不展开聊了，现在对 SOTA 有点脱敏了，一句话：很厉害，也很分化。 Aider Polyglot（多语言真实代码编辑）：82.2%，大幅领先 GPT-4o（30.7%）。 GPQA（研究生级问）：在 Diamond 难度下拿到 86.4%，远超 GPT-4.5（71.4%），推理能力很猛。 MMMU（跨学科多模态理解）：得分 84%，比 GPT-4o 高 15 个点，展示了多模态优势。 Video-MME（视频理解能力）：SOTA 成绩 84.8%，稳稳领先 GPT 系列。 最后呼应一下开头，你能看到，不是一个靠调教出来的聪明模型，而是 Google 把 AI 当成系统工程在做： 有基础设施协同（TPU、MoE）； 有思维机制框架（RL*F + 思考预算）； 有场景能力突破（长上下文、多模态、Agent）； 有实际 benchmark 背书（开发、推理、感知全面领先）； Google 正在告诉我们：下一代 AI，一定能被构建、能被调用、能被服务化的，这篇报告给圈子里打了个样，这才是 AI 从大脑到体系的进化，这才是 AI 该有的样子。 我 G 哥威武。
Google Gemini 2.5发布引发AI模型性价比热议· 21 条信息
AI编程：Gemini领跑，协作创新涌现· 186 条信息
#Gemini2.5Pro #技术报告 #产品矩阵 #谷歌 #人工智能
avatar
魏玲灵在本期《中国洞察》中写道，中国各地大学顺应国家方针向“硬”科学倾斜，可能会忽视高科技发展中的人文因素。如果缺乏人文社会科学的批判视角，创造出有害AI的风险可能加大。
#中国教育 #国家方针 #硬科学倾斜 #人文因素 #高科技发展 #人工智能 #批判视角
avatar
AI Will
1周前
《天才的剖析：我们为何需要一种全新的语言来衡量AI人才的价值》 在日新月异的人工智能和前沿科技领域，我们常说，人才是最关键的资产。它是创新的一切，是决胜的起点与终点。然而，尽管我们在构建复杂系统模型方面取得了巨大进步，但我们用来理解和评估那些最杰出头脑的工具，却依然显得惊人地原始。 几十年来，我们一直依赖于一些粗略的代理指标：论文引用数、H-index、从业年限、毕业院校的声望等等。这些指标并非毫无用处，但它们是单一维度的。这就好比试图通过只听小提琴声部来欣赏一部宏大的交响乐，我们只能捕捉到故事的一小部分，却错过了其中和谐的韵律、丰富的节奏和一位贡献者真正的灵魂。 与此同时，创新的本质本身已经发生了演变。一个突破性的想法，现在可能体现在GitHub上的一次“Pull Request”、一个广受欢迎的开源代码库，或是一系列在顶级会议上快速迭代、影响深远的论文中——这远早于它固化为一项专利或一篇被广泛引用的期刊文章。我们该如何衡量一位工程师作为大型框架沉默支柱所带来的影响？我们又该如何区分一位只是增量发表成果的研究者，和另一位持续瞄准并成功立足于像NeurIPS或CVPR这样最具竞争力的、定义领域走向的会议的学者？ 这个巨大的鸿沟——存在于价值如何被创造与价值如何被衡量之间——正是我们行业最主要的瓶颈之一。它影响着公司的招聘方式、投资人的技术尽职调查，更重要的是，它影响着每一个从业者对自我价值的认知和职业生涯的规划。 这正是我之所以被一个项目深深吸引，并有幸担任其顾问的原因：DINQ ()。 我选择参与DINQ项目，因为它不只是又一个招聘工具。它是一次雄心勃勃的尝试，旨在为理解科技和科研人才构建一种更丰富、更深刻的新语言。这是一个AI原生平台，致力于通过一个简单的Google Scholar或GitHub链接，为人才分析带来前所未有的清晰度和深度。 DINQ的功能及其重要性，可以归结为以下几个核心原则，这也是我坚信其价值所在： 1. 从“数量”到“质量与背景”的跨越。 DINQ不只是计算论文数量，它更深入地探究其背景。它通过会议的声望等级来分析研究者的发表记录，明确区分一篇workshop论文和一篇在顶级会议上的口头报告之间的差异。它权衡第一作者身份的重要性，并根据其工作焦点的演变，描绘出一条完整的职业发展轨迹。它提供的是一幅关于个人专业能力的、充满细节的“技术指纹”。 2. 将“代码”视为与论文同等重要的“一等公民”。 DINQ深刻理解，现代创新并非局限于PDF文档中。通过与GitHub的集成，它开始量化工程贡献所带来的影响——项目的复杂度、代码库的重要性，以及个人在开源生态系统中的影响力。它将代码视为一部值得与学术论文同等严谨分析的作品集。 3. 直面“价值”这一核心问题。 或许，DINQ最大胆、也最引人注目的功能，是其基于模型的薪资估算。这是一个极具挑战性的问题，却也是一个必须解决的问题。通过综合数十个从学术成就到工程影响的数据点，DINQ为市场价值提供了一个数据驱动的基准。这并非意在将一个人简化为一个数字，而是为了开启一场关于个人价值的、信息更对称、也更公平的对话。 这是一个为以下人群打造的工具： 招聘官与招聘经理， 帮助你们最终在信息的噪音中找到真正的信号，识别出那些简历可能未能完全展现其才华的卓越候选人。 风险投资家与投资者， 赋能你们进行一种全新的技术尽职调查，为所投团队的技术深度获得数据支持的、更深层次的信心。 科研人员与工程师， 赋予你们一个审视自我职业身份的全局视角，帮助你们衡量自身进步，并更有效地阐述自身价值。 我相信，我们正处在一场关于如何认知“人力资本”的重大变革的开端。DINQ背后的团队是我有幸合作过的最专注、最富思想的团队之一，他们正坚定不移地致力于这一使命。 我鼓励我人脉圈中的创建者、投资者和思想家们亲自去探索DINQ。用它去理解行业格局，去发现那些被埋没的宝藏，或许，还能对你个人卓越的职业旅程，获得一个全新的视角。 这不仅仅是一个产品，它是迈向未来的重要一步。在这个未来里，每一份贡献都被看见，每一种才华都被理解，每一个人的潜力都能比以往任何时候都更充分、更公平地得以实现。 天才的构成是复杂的，但只要有合适的透镜，我们终将能清晰地看见它的全貌。
#人工智能 #前沿科技 #人才价值 #创新 #AI #论文引用 #h-index #毕业院校
avatar
AI Will
1周前
评估一个AI研究员的真实影响力有多难？除了看引用数和H-index，我们还能挖出什么信息？一个人的学术产出和他的市场价值之间，到底存在什么样的联系？ 传统的人才评估方法太慢、太片面了。是时候用AI来分析AI人才了。🧠
#AI研究员 #影响力评估 #学术产出 #市场价值 #人才评估 #人工智能 #h-index #引用数
avatar
数字智能的范式演化： 1.0 确定性（prediction=0） 2.0 模式识别（prediction=1） 3.0 语言认知 （prediction=n） Software is evolving through three distinct paradigms: • Software 1.0: Code programs the Computer • Software 2.0: Weights program the Neural Net • Software 3.0: Prompts program the LLM
#数字智能 #范式演化 #软件发展 #人工智能 #科技进步
avatar
小互
1周前
奥特曼： - 小扎搞了一亿美金来挖人，结果没挖走 - 我们相信我们有很大机会实现超级人工智能 - 我们打造了一种创新的企业文化，大家使命优先 - 小扎他们团队没什么创新能力，企业文化很烂 - 我们的团队相信一定会得到回报...
#Meta #人工智能 #企业文化 #超级人工智能
avatar
LysonOber
1周前
给人新身份，而非纯粹的新工具。
#身份识别 #创新科技 #人工智能
avatar
联合国发布警告，指出 AI 驱动的自动车辆可能被用于恐怖活动
#联合国 #人工智能 #自动驾驶 #恐怖活动
avatar
勃勃OC
2周前
据彭博社报道，Meta 宣布推出升级版的图像转视频广告工具，该工具可让营销人员使用人工智能将产品图片转换为包含多场景、配乐和文字叠加的视频广告。
#Meta #人工智能 #图像转视频 #广告工具
avatar
ding.one
2周前
很多人都慢慢发现用语音代替打字的快捷了，不管是 vibe coding 还是和 AI 对话效率都爆棚，未来的操作系统肯定会把鼠标和键盘更加边缘化的。但目前这个赛道太卷了，我已经尝试过这么多了： Superwhisper: Willow Voice: Aqua Voice: Macwhisper: WisprFlow: Harker: VoiceInk: Spokenly: VoiceType: TalkTastic:
#语音识别 #人工智能 #操作系统 #科技趋势 #人机交互
avatar
Susan STEM
2周前
和我的想法差不多，我的剧毒公式是：凡这个业务和职位的工作核心是将非格式化信息转化为格式化信息的白领工作，都会被替代。就算这个工作涉及协调人际关系,但是这种人际关系本来就是建立在这份任务需要多人完成的基础上的。Turning unstructured data into structured data. -会计学、财务管理： 将被智能财务系统大规模替代。 基本只剩下输入端，中专毕业就能做了。而且报表高度定制化，输出极专业。这个行业我还比较了解。 -金融学（普通院校）： 你学到的所有量化模型和分析技巧，AI做得比你好一万倍。人机共决策量化模型一定会出来。 -新闻学、广告学、传播学：* AIGC（AI生成内容）将淹没这些行业。 这个行业我不了解。 -法学（非诉方向）： 合同审查、法律研究等工作将被AI法律助手高效完成。 是，而且法律智能体，针对各行业的法律智能体，甚至个人向的法律顾问智能体会变得触手可及。 -工商管理、市场营销、人力资源管理： 充满了大量可被AI优化的流程化工作。 不需要用专业来学。 -翻译： 不用解释。 非常了解这个行业，完全同意。可以提高个人素质，但是无法变现。 -计算机科学（普通院校）： 这是最大的陷阱。你会成为“代码校验员”，与全球海量的、有AI辅助的低薪工程师竞争，你的“认知”毫无稀缺性可言。嗯，计算机成为通识。但是同样有一部分人会变成超级个体程序员。两极分化。
#人工智能 #自动化 #就业趋势 #白领工作
avatar
AI 能不能取代人的工作，和 AI 能不忙取代某个人的工作，是两个不同的命题 ——《论人机革命》沃下硕德
#AI #人工智能 #工作 #人机革命 #科技发展
avatar
Gorden Sun
2周前
MiniMax-M1：MiniMax开源的推理模型 分80K和40K两个版本，这里的80K和40K是指推理消耗的最大token数。456B总参数，激活参数45.9B。评分超过旧版DeepSeek R1和Qwen3-235B-A22B。 在线使用： 模型： Github：
MiniMax M1发布：开源长上下文推理模型引发AI领域震动· 6 条信息
#MiniMax #开源模型 #推理模型 #DeepSeek R1 #Qwen3-235B-A22B #人工智能