avatar
Andy Stewart
4个月前
最后只能拆成这样，散热模组是用导热胶粘在外壳上的，再拆模组就废了
#散热模组 #导热胶 #外壳 #拆解 #损坏
avatar
穆尼
4个月前
大疆全系降价了，刚买的赶紧去保价或者30天无理由退货，最高直降700。 大疆 Osmo Action 5 Pro 运动相机 标准套装💰1848 Action 5 pro也降价了，还贈1年随心换
#大疆降价 #OSMO Action 5 Pro #运动相机 #促销 #随心换
avatar
howie.serious
4个月前
吴恩达新课《agentic ai》，一共五个模块，每天一个模块（听课+笔记1小时左右），五天就可以学完。 agentic ai的时代，agency是第一重要的。 大家发扬人类agency，走起，一天一模块，五天学完～ 今天学完了第一模块，明天第二模块～
#吴恩达 #Agentic AI #在线课程 #积极 #学习
avatar
Colin Wu
4个月前
量子计算机未来会否破解比特币是个热门话题，以及由于之前在比特大陆的工作对量子计算在芯片的应用还挺感兴趣，和 GPT 聊了聊总结了一些有趣的点分享给大家： 5nm 芯片其实是人类第一次系统地把“量子物理”工程化地驯服。台积电 2nm 的突破，是人类工程史上把量子不确定性纳入设计语言的第一次尝试。 在 5nm 制程中，晶体管尺寸缩小到接近原子尺度，电子行为完全受量子效应支配。为抑制隧穿、电流泄漏和能级量子化带来的问题，工程师采用 FinFET、High-k 材料和 EUV 光刻等技术，用量子力学模型精确计算电子分布与能带结构。这是人类第一次在大规模工业制造中系统地运用并控制量子物理规律。 进入 2nm 节点后，传统结构失效，台积电采用 GAAFET 环绕栅极设计，将量子通道全方位约束，使电子波动与隧穿行为成为设计参数而非噪声。设计软件和工艺模型首次将量子不确定性纳入计算体系，实现对量子现象的工程化利用，这是芯片设计史上第一次在原子级尺度上把量子效应写入工程语言。 普通计算机以“比特”为单位工作，每个比特只能是 0 或 1，通过逻辑门顺序执行确定性的运算；而量子计算机使用“量子比特（qubit）”，它可以同时处于 0 和 1 的叠加态。多个量子比特还能通过“纠缠”形成整体态，使系统能在一次操作中同时处理指数级数量的可能性。 经典计算是确定性的：每一步都有唯一结果。而量子计算是概率性的：程序执行后得到的是多个可能结果的概率分布。量子算法的目标不是直接输出答案，而是通过“量子干涉”放大正确结果的概率、抑制错误结果，使在测量时高概率得到正确答案。 量子计算并非在所有任务上更快，它只在特定类型问题上具备潜在优势，例如分解大整数、搜索最优解、模拟分子和量子体系等。对日常运算、图像处理或文档编辑，经典计算机依然更高效、更稳定。 使用量子计算时，程序运行并不输出确定值，而要多次运行并统计测量结果来获得答案趋势。这意味着量子计算的“输出”是一种概率分布，而不是一个固定数值。这也是它与传统计算最本质的区别：它处理的不是确定信息，而是可能性本身。 比特币等加密货币的安全主要依赖于椭圆曲线数字签名算法（ECDSA）。这种算法在经典计算下几乎不可破解，但理论上可被量子计算机利用 Shor 算法高效求解离散对数问题，从而推算出私钥——也就是“量子可以破解签名”的来源。 实际上距离实现还非常遥远。要在现实中运行能破解比特币的 Shor 算法，需要至少几千个容错量子比特，相当于数百万个物理量子比特。而当前全球最先进的量子处理器只有几百个物理比特，且误差率高、相干时间短。因此短期内（未来 10 年左右）不可能对区块链系统构成实际威胁。 各国机构（如美国 NIST）已制定并推广新的“抗量子算法”（PQC），基于格理论、哈希和编码学原理，可抵御量子攻击。主流区块链可在未来通过软分叉或协议升级更换签名算法，从 ECDSA 过渡到抗量子签名，因此量子计算不会让加密货币体系崩溃，而是会推动其进入下一代安全标准。
#量子计算 #比特币破解 #5nm芯片 #量子物理工程化 #抗量子算法
avatar
Andy Stewart
4个月前
昨晚没忍住，把公司买的英伟达Thor拆的稀巴烂，主要想研究一下Thor牛逼的散热结构 败家子属性不改 😂
#英伟达Thor #拆解 #散热结构 #败家子 #负面
avatar
找“机器学习”相关论文时，arxiv有30篇，Open Research Online有10篇，CGSpace (CGIAR)有20篇，eScholarship（加州大学）也有5篇，而一些论文还散落在如Crossref、NORA等学术数据库。 这时候，你需要CORE+沉浸式翻译 整合全球4.14亿篇论文，输入关键词，瞬间就能查到来自全球论文平台的全部论文，效率和体验直接提升！ CORE是一个非营利、由社区治理的平台，助力开放科学传播和数据共享，推动全球开放获取进程。 微软、Turnitin为其提供海量数据支持（如抄袭检测、开放数据等），同时获得众多学术机构与开放数据组织的认可与赞助。 可以通过网站直接检索论文，或者使用API、数据纳管服务进行深度的数据应用和创新，所有人都可永久免费使用公开论文资源。
#机器学习 #开放科学 #论文检索 #CORE #学术数据库
avatar
我用 PandasAI 直接问数据：哪国收入最高？ 它秒回图表 + 答案，SQL、CSV 都能聊，免写代码，Docker 沙箱还安全。
#PandasAI #数据分析 #自动化 #Docker #图表
avatar
React 成立独立基金会
#React #基金会 #独立 #技术 #开源
avatar
物理学不回答"为什么有时空" 但定义：时空是4维伪黎曼流形 → 在此公理之上构建相对论 我们不回答"为什么有语⾔" 但定义：语⾔能⼒的最⼩规范 → 在此公理之上构建认知理论
#物理学 #时空 #相对论 #语言 #认知理论
avatar
AI写作的崛起，有人赞成，也有人反对，Love and Hate 可以说是两极分化。说说我的观察和感受吧，先讲我的结论：AI 作为效率工具，非常非常好用。在“引经据典”这件事上，它远远超过大多数人，我双手赞同使用这样的工具。（这篇文章的繁体版本还是AI直接帮我简转繁的✌️） 但当人们说“讨厌 AI 写作”的时候，我其实也非常能理解。就好像我们并不排斥用电话与人沟通，但前提是“对面还是人”，而不是一台语音机器。如果只是订餐厅座位这种完全以结果为导向的任务，对方是不是机器人其实大多数人都无所谓；但如果是“煲电话粥”那种长聊，大部分人一定还是更希望对方是人。套用到写作这件事也是一样的：有些人寻求的是“结论”，有些人则渴望阅读到“温度”。所以渴望阅读到“温度”的这部分人与其说讨厌 AI写作，不如说他们讨厌的是没有“温度”的文字 (全文在👇)
#AI写作 #效率工具 #情感温度 #人机沟通 #技术观点
avatar
乔布斯如果还活着，这设计师绝对会被开除。
#乔布斯 #设计师 #开除 #负面评价 #设计
avatar
为已有视频快速制作 3D 运镜教学📹（no pr，0 视频剪辑基础 1 分钟上手） 刚刚有用户咨询： 已有的视频能不能快速地制作 3D 运镜？ 能！而且非常简单。 我给他录了个视频演示，也发在推上给大家看看，用 ScreenSage 做 3D 运镜有多简单！
#3D运镜 #ScreenSage #视频制作 #教学 #快速
avatar
卧考。 Grok果然要打击onlyfans😅
#Grok #OnlyFans #打击 #负面 #卧槽
avatar
宝玉
4个月前
OpenAI DevDay: 超越提示词的艺术：AI 编程的未来是“上下文工程” 从自动补全到自主智能体，我们如何教会 AI 真正理解代码 我们正处在一个非凡的技术变革奇点。软件开发的演进史，从穿孔卡片的笨拙到集成开发环境（IDE）的精妙，每一步都耗费了数十年光阴。然而，当我们踏入人工智能的时代，这场变革的节奏被极限压缩，数十年的进程仿佛在短短数年内上演完毕。我们与机器协作构建软件的方式，正在经历一场从根本上的、不可逆转的范式转移。 这一切的核心，不再仅仅是创造更强大的模型，更在于我们如何与它们沟通。这篇文章将深入探讨这场变革的核心驱动力，揭示为何从简单的“提示词工程” (Prompt Engineering) 迈向更深邃的“上下文工程” (Context Engineering)，是释放 AI 智能体 (AI Agent) 真正潜能的关键所在。这不仅是技术的演进，更是一场关乎人类开发者如何重新定义自身价值的认知革命。 当自动补全抵达极限：从“下一个词”的预测到“下一步”的行动 一切的起点，源于那个让无数开发者惊叹的时刻——代码自动补全。以 GitHub Copilot 为代表的工具，首次向世界展示了大语言模型 (LLM) 在代码生成领域的惊人潜力。它们仿佛一位无声的伙伴，总能预测出你将要输入的下一个词、下一行代码。这种体验极大地提升了编码的流畅度，将开发者从大量重复的模板化工作中解放出来。 然而，这种基于“预测”的模式很快就触及其固有的天花板。当任务的复杂度超越了单一文件，需要进行跨目录的修改、理解项目整体架构时，单纯的自动补全便显得力不从心。它的本质，仍是一种基于局部信息的高度优化的序列预测，而非对整个工程的深度理解。开发者需要的，不再是一个仅仅能补全代码的助手，而是一个能够理解复杂指令、自主规划并执行多步任务的“行动者”。这便是 AI 智能体诞生的必然。 智能体的崛起：“上下文”才是真正的护城河 AI 智能体的出现，标志着我们与 AI 协作的模式，从被动的“请求-响应”转变为主动的“指令-执行”。我们可以用自然语言下达一个宏观的目标，例如“重构用户认证模块以支持新的第三方登录”，然后由智能体自主地分析、定位、修改并验证相关代码。要实现这一飞跃，关键的挑战并不在于模型本身有多“聪明”，而在于我们能否为它提供理解任务所必需的、精准而全面的“上下文”。 这正是“上下文工程”取代“提示词工程”成为核心议题的原因。提示词工程，本质上是一种与模型“猜谜”的艺术，我们试图用精巧的语言诱导模型给出期望的答案。而上下文工程，则是一种构建信息环境的科学，它更关注于为模型提供一个高质量、高信噪比的信息场。在这个信息场中，模型不再需要去“猜”，而是能够基于充分的依据去“推理”和“决策”。正如一位优秀的指挥官，其决策的质量并非取决于命令喊得多么响亮，而是源于其对战场全局信息的精准掌握。对于 AI 智能体而言，“上下文”就是它的整个战场。 “意图感知”检索框架：为 AI 智能体构建记忆宫殿 那么，一个高质量的上下文环境是如何构建的呢？其核心在于建立一个能够深刻理解开发者“意图”的检索系统。这套系统需要超越简单的文本匹配，深入代码的语义层面。我们可以将其抽象为一个双层结构的“意图感知”检索框架，它就像为智能体在大脑中构建了一座结构精巧的记忆宫殿。 这个框架的第一层基石是“字面精确性”。这依赖于像 grep 这样传统的文本搜索工具。当我们需要寻找一个特定的函数名、变量或API调用时，它是最高效、最可靠的方式。它构成了智能体记忆宫殿中那些带有明确标签、易于查找的房间，保证了对代码库事实层面的精准定位。 然而，真正让这座宫殿变得“智能”的，是其第二层核心——“语义相关性”。 这一层通过代码嵌入 (Embeddings) 技术实现。它不再逐字比对代码，而是将代码片段转化为高维度的数学向量，从而在概念层面理解其功能与意图。例如，当我们指令智能体“更新顶部导航栏”时，即使代码文件中根本没有“导航栏”这个词，语义检索也能准确地定位到名为 header.tsx 的组件。因为它理解，“顶部导航”这个意图与 header 组件在功能上是高度相关的。这赋予了智能体一种超越字面束缚的、强大的联想与推理能力。 将计算量巨大的嵌入过程在智能体执行任务前“离线”完成，更是一种巧妙的工程智慧，它确保了在关键的推理时刻，智能体能够以最低的延迟、最高效的方式获取这些深度知识。 将字面精确性与语义相关性这两层能力结合，我们便为 AI 智能体提供了一套完整的认知工具。它既能精确地找到每一个细节，又能宏观地理解各个部分之间的逻辑关联，从而在复杂的代码世界中游刃有余。 从代码的“劳作”到思想的“游戏”：人与 AI 协作的终极图景 当我们赋予 AI 智能体强大的上下文理解能力后，软件开发的本质正在悄然改变。那些曾经占据我们大量时间的繁琐工作——修复琐碎的错误、编写重复的样板代码、应对深夜的线上告警——都将逐渐被自动化。开发者的角色，将从一个代码的“书写者”，转变为一个思想的“架构师”与系统的“指挥官”。 想象这样一个未来：清晨醒来，你的 AI 编程伙伴已经修复了昨夜的线上问题，完成了你标记为“待办”的重构任务，并为你探索新功能提供了几种迥然不同的实现原型，每一种都附带着详尽的利弊分析。你的精力将从代码的“劳作” (Toil) 中彻底解放，真正聚焦于那些机器无法替代的、充满创造性的“游戏” (Play)——设计优雅的系统架构，解决前所未有的复杂难题，以及构建真正重要的、能够改变世界的产品。 这并非遥不可及的幻想，而是正在发生的现实。AI 智能体不会取代人类的思考与判断，恰恰相反，它将通过承担执行的重负，来无限延展人类思想的边界。我们与 AI 的关系，不是主仆，而是共生的思想伙伴。在这场伟大的技术浪潮中，真正的赢家，将是那些最先学会如何为他们的 AI 伙伴构建最深刻、最丰富上下文的开发者。
#OpenAI DevDay #上下文工程 #AI 智能体 #代码自动补全 #人与AI协作
avatar
卫斯理
4个月前
有同学问我为什么不买一加ace5，原因是我已经有一台了，再买一部就太枯燥了 ​ ​我很喜欢一加的手机，设计很棒(我很喜欢简洁的设计)，coloros也很不错，支持直接打开谷歌框架 ​ ​不过一加现在是Oppo的二儿子了，承担了类似红米的角色，挺让人遗憾的 ​ ​当年那个never settle的一加早已不在了…… ​ ​不知道财务自由的刘老板现在在做什么🤣🤣🤣
#一加手机 #设计简洁 #ColorOS #OPPO #刘老板
avatar
RamenPanda
4个月前
未来几年美股的主线： 1. AI有关的一切：量子计算到核能、电力、数据中心等等 2. 买逆全球化资产：例如稀土
#美股 #AI #逆全球化 #稀土 #未来
avatar
ginobefun
4个月前
我认为这次分享最核心且反共识的观点可以归结为一句话：衡量 AI 进步的真正尺度，不是模型本身有多强大，而是我们度量它的那把“尺子”有多精准。 长期以来，社区痴迷于模型参数量、架构创新和基准测试跑分，但 OpenAI 用亲身经历告诉我们，当旧的尺子已经无法反映真实能力时，整个领域的进步方向就会变得模糊。他们发现，“模型得分已经接近 100%，然而……仍然无法完成真实世界工作”，这暴露了旧尺子的失灵。 这背后是一种回归本源的深刻思考：我们开发 AI 的最终目的是什么？答案是在真实世界中创造价值。因此，度量工具本身必须与这个最终目的对齐。GDP Eval 的诞生，以及整个 Evals 产品的推出，本质上都是在打造一把全新的、与真实经济价值直接挂钩的“尺子”。这把新尺子不仅能更准确地衡量模型的当前位置，更重要的是，它能像指南针一样，为未来模型的研发指明最有价值的方向。从这个角度看，评估体系的进化，可能比模型本身的进化更为重要，因为它定义了「进步」本身。
#AI评估体系 #GDP Eval #OpenAI #真实世界价值 #模型进步
avatar
德潤傳媒
4个月前
【小米手机竟测试30万小时以上时间!耐久力太惊人了#吹牛皮不打草稿啊】
#小米手机 #耐久测试 #30万小时 #质疑 #手机质量
avatar
德潤傳媒
4个月前
为什么小米的口碑一夜之间变了
#小米 #口碑 #变化 #负面 #产品
avatar
𝕀Rℙ² 交互范式编程九大支柱： 1.Code: Context as Code (上下文即代码) 2.Instruction: Examples as Instructions (范例即指令) 3.Control Flow: Meta-prompts as Control Flow(元提示即流控) 4.State: State as a Mutable Resource (状态即易变资源) 5.Integration:Composability as System Integration (组合性即系统集成) 6.Compilation:Interaction as a Compilation/Refinement Cycle(交互即编译/精炼循环) 7.Execution: Validation as Execution (验证即执行) 8.Error Handling:Ambiguity as a Computable Feature (歧义即可计算特征) 9.Runtime: The Human as the Interpreter (人即解释器) 这个九点框架，我认为已经相当完备地描述了一种全新的、以人机交互为核心的软件开发和执行模式。它不仅是一种“编程”范式，更是一种“认知协同”的范式。
#人机交互 #交互范式编程 #认知协同 #软件开发 #编程范式
avatar
Dia 也全量发布了，目前不再需要邀请码。 同时还加了 Arc 之前 CMD+ S 快捷键隐藏标签页列表的功能。
#Dia #全量发布 #Arc #CMD+S #快捷键
avatar
RamenPanda
4个月前
谁能讲讲Figma 到底有什么moat护城河？ 它套壳一个GPT比自己用adobe加GPT有什么更大的优势？ $fig
#Figma #GPT #Adobe #设计工具 #技术分析
avatar
10月7日，据国内媒体报道，大疆相机无人机等多个产品降价近千元，引发消费着退货维权。
#大疆 #无人机 #降价 #消费者维权
avatar
Y11
4个月前
GitHub作为全球最大的开源社区，其Issue板块就像一面镜子，清晰地反映着开源项目的真实状态——用户的困惑、未被满足的需求，以及产品迭代的方向。 很多时候，我们想做一款基础设施产品，第一步往往是竞品分析。 但竞品分析不能只停留在表面功能对比，更要深入到用户的实际使用场景中。 这时候，GitHub Issue就是最直接的信息来源。 你可以看到用户在使用过程中的痛点：是操作复杂导致学习成本高？ 还是某些功能缺失影响了效率？甚至是产品稳定性偶尔出现问题，让用户头疼不已。 这些零散的抱怨和建议，其实是用户用脚投票的真实反馈，是最有价值的“市场调研数据”。 进一步想，我们不仅要知道“竞品做得怎么样”，更要思考“现有产品还有哪些可以提升的空间”。 开源项目的Issue中，常常会有用户提出的功能建议、bug报告，或者对性能优化的期待。 这些内容就像一个个路标，指引着我们去发现市场的空白点。比如，当看到多个用户抱怨某个核心功能“不够直观”或“响应太慢”时，这可能就是一个绝佳的机会——如果我们能针对这个痛点进行优化，打造出更易用、更高效的产品，就能在竞争中脱颖而出。 但直接从GitHub上手动筛选、整理这些Issue数据，效率太低，而且容易遗漏重要信息。 这时候，一个Issue爬取工具就显得尤为重要。它可以帮助我们自动化地收集目标项目的Issue数据，按照关键词、时间、状态等维度进行筛选，然后将结果导出成Excel表格。 有了这份清晰的数据，我们就能更有条理地进行梳理：哪些是高频率出现的问题？哪些是用户明确提出的功能需求？哪些是行业内普遍存在的痛点？通过对这些数据的优先级排序，我们就能找到自己产品的切入点，实现局部创新。 基础设施产品的关键在于解决“卡脖子”问题，而用户的真实反馈正是我们找到这些问题的钥匙。从GitHub Issue中挖掘这些隐藏的需求，用数据驱动决策，不仅能让我们的产品更贴近市场，还能让我们的创新更有针对性、更具价值。毕竟，最好的产品不是凭空想出来的，而是从用户的真实困境中生长出来的。
#GitHub Issue #开源项目 #用户反馈 #竞品分析 #数据驱动
avatar
Y11
4个月前
从人工智能70年的发展历程中，我们能清晰看到一个重要启示：通用解决方案往往更具生命力。 这背后的核心逻辑其实很简单——随着计算能力的持续进步，单位成本不断下降，让机器处理更复杂问题成为可能。 就像过去十年，我们见证了从大型机到个人电脑，再到移动设备的运算能力飞跃，这种进步为通用算法的应用提供了坚实基础。 反观人类在解决复杂问题时常用的经验式方法，往往容易陷入“规则定制”的陷阱。 我们习惯用固定逻辑拆解问题，却忽略了现实世界的多样性和动态性。 这种方式虽然能快速解决特定场景，但当环境变化时，系统就会变得僵化、难以维护。就像搭积木，用固定模块堆砌的结构，永远无法适应千变万化的实际需求。 真正有价值的技术突破，应该是开发能让机器自主学习的“元算法”。 这就好比教孩子认识世界，我们不需要把所有规则都写进程序，而是要培养他们的认知能力。 当机器能像人类一样通过观察、归纳、迭代来发现规律时，面对新问题就能快速调整，而不是困在预设的规则里。这种“授人以渔”的思路，才是应对复杂世界的关键——不追求定制具体结果，而赋予系统持续进化的能力。 回顾技术发展的轨迹，从早期的专家系统到如今的深度学习，成功的突破往往源于对“通用”和“灵活”的追求。 未来的人工智能，或许就像人类的思维模式一样，不是靠固定规则去框定答案，而是通过不断学习和适应，在变化中找到最优解。这需要我们跳出“规则依赖”的思维定式，相信机器自主发现的力量。
#人工智能 #通用解决方案 #自主学习 #元算法 #规则依赖