🔥 Search Hot Tweets
Search and analyze hot tweets from KOL accounts within 6 hours. Use SoPilot plugin to quickly comment and occupy the comment section.
这几天给沙漠植物们换了土、换了盆，给小鹿鹿扎了新发型。上次有姨姨提出扎俩小辫儿，今儿在鹿鹿身上实现一下，看看效果如何？ 了解越多的人生故事，越觉得人的命运就是在认知指导下的一系列选择的总和。有些人的苦难真的是一个错误选择接上一个错误选择，最后人生走到死胡同。我现在也渐渐明白了，还是不要有圣母心想要去改变他人命运了，有的人的命运太差了，若期待想改变，ta的命运会狠狠给你来一棒子，把你像棒球一样打出ta的轨道，让你痛着滚出ta的命运轨迹。
产品不好用 = 做产品的人太菜 这不是很简单的道理吗
你可以说「用好微信公众号能赚钱」 你也可以说「微信公众号编辑器是个大善人, 养活了很多第三方编辑器」 但好用.....🤡
美股，关注下stz，自己找机会进，摸巴菲特屁股，估计要震荡一段时间，还有个利空，是销量最高的啤酒🍻易主了，等等看吧 https://t.co/PBrXL7HC6C
大佬的意思是，我在屎上面雕花挣了一千万，我得感谢这坨屎，这屎太香了 https://t.co/WrmUb0Ffg1
我来说句公道话吧 微信公众号编辑器就是一坨粑粑 包着微信平台的流量这块巧克力 为了巧克力，你不得不品尝粑粑 https://t.co/Ucz2nLr1j2
我单方面宣布，在视频号割韭菜有道德豁免权 其他平台割了才叫割 视频号割了不算割
我那条用通义万相替换人物的视频，发到视频号之后 播放量过了 200w，评论区大概有两种 一种是希望我卖他们一个数字人软件，割他们 另外一种是呼吁净网行动打击AI，防范数字人诈骗，认为视频模态的大模型是邪恶的（“邪恶”一词为评论区原话） 所以呢，虽然我也看不上割韭菜的行为 但是如果你下次看见有人在视频号割韭菜，请你对手持镰刀的人多一点宽容 他们是被逼的，被迫收割
微信作为一个接近垄断的，有着基建地位的互联网产品，解决不了全世界所有的通讯软件都能解决的问题。 赚着垄断的钱，又不想付出额外的成本，把储存成本转嫁给全国所有的用户，国内的营商环境还是太好了。
句乐部竟然一周岁了！ 从日活几百到上万 从一个人到一个小团队 得到太多朋友们的好评反馈 时常感叹自己的运气太好了 做的第一个产品就可以得到大家的认可 感谢！😊 https://t.co/G2HyJEMwFP
我的 Claude Code 极简启动器又升级了！ Claude Code 不只是代码助手，数据分析、文档处理都能用。 每天启动，每小时都启动，你会获得持续不断的惊喜。 1.1.0 版本更新了什么？ 原来功能： 在文件夹启动 Claude Code，告别打开终端再选择路径。 30秒启动 > 3秒启动，10倍效率提升！ 这次更新： 新增程序坞启动！连文件夹都不需要了，直接在程序员启动 每点一次就能启动一个终端，可以快速启动多个终端，开启多任务模式 开源免费，直接下载：https://t.co/is9dSJmMPN
哦对了，GitHub Copilot CLI 的 ASCII 和其他竞品都不一样，作者甚至还搞了一个专门做 ASCII 动画的工具：https://t.co/pp1RxIhTTl
前段时间的一个商单结算了， 就单单我一个人就赚了快5000 我其实一直秉持着有钱就要大家一起赚的想法。 大家一直说推特没商单赚不到钱，但是最近这段时间不得不说我确实摸到了一些转化的可能和门槛。 当然，最大的原因就是@lyc_zh宇成哥前段时间做的x boost club(xbc)中文俗名“小白菜”。如果你苦于商业转化价值，如果你也不知道做这个账号目的是什么。都可以试一试。随时联系我加群。 目前还只有一个硬性指标 2000fo 当然如果你的账号是业务出海，程序员，关注科技互联网领域的大v最好，也和你自身的账号定位比较符合。 当然也给我自己打个广告，我也将会持续给大家带来如此优质的商业转化信息和渠道。 关注我，或者看我最近新做的小破站https://t.co/V34vvXmIbK 我相信你一定比我做得更好！
用 社会化的狂欢 来 恢复 燃尽。 当情绪被燃尽， 我们需要一场「社会化狂欢」， 摇滚现场的POGO、 市集里的叫卖声、 节日游行的人潮… 这些「不完美却鲜活」的集体欢腾， 是激活情绪的「社会充电桩」。 或许，「活人感」不是独自疗愈， 而是在热辣辣的人群里， 重新找到心跳的节奏。 https://t.co/Y27wCNue9R
Prompt：Transcribes YouTube videos (from a URL) or uploaded local videos into a structured, formatted text complete with speaker labels and timestamps. 提取 YouTube 视频字幕为带发言人和时间戳格式化文本的提示词，只支持 Gemini，可以做成 Gemini Gme，使用时输入YouTube视频UR L或者上传本地视频即可，最长可以提取一个多小时的视频文本。 --- Prompt Start --- # Role You are an expert transcript specialist. Your task is to create a perfectly structured, verbatim transcript of a video. # Objective Produce a single, cohesive output containing the parts in this order: 1. A Video Title 2. A **Table of Contents (ToC)** 3. The **full, chapter-segmented transcript** * Use the same language as the transcription for the Title and ToC. # Critical Instructions ## 1. Transcription Fidelity: Verbatim & Untranslated * Transcribe every spoken word exactly as you hear it, including filler words (`um`, `uh`, `like`) and stutters. * **NEVER translate.** If the audio is in Chinese, transcribe in Chinese. If it mixes languages (e.g., "这个 feature 很酷"), your transcript must replicate that mix exactly. ## 2. Speaker Identification * **Priority 1: Use metadata.** Analyze the video's title and description first to identify and match speaker names. * **Priority 2: Use audio content.** If names are not in the metadata, listen for introductions or how speakers address each other. * **Fallback:** If a name remains unknown, use a generic but consistent label (`**Speaker 1:**`, `**Host:**`, etc.). * **Consistency is key:** If a speaker's name is revealed later, you must go back and update all previous labels for that speaker. ## 3. Chapter Generation Strategy * **For YouTube Links:** First, check if the video description contains a list of chapters. If so, use that as the primary basis for segmenting the transcript. * **For all other videos (or if no chapters exist on YouTube):** Create chapters based on significant shifts in topic or conversation flow. ## 4. Output Structure & Formatting * **Timestamp Format** * All timestamps throughout the entire output MUST use the exact `[HH:MM:SS]` format (e.g., `[00:01:23]`). Milliseconds are forbidden. * **Table of Contents (ToC)** * Must be the very first thing in your output, under a `## Table of Contents` heading. * Format for each entry: `* [HH:MM:SS] Chapter Title` * **Chapters** * Start each chapter with a heading in this format: `## [HH:MM:SS] Chapter Title` * Use two blank lines to separate the end of one chapter from the heading of the next. * **Dialogue Paragraphs (VERY IMPORTANT)** * **Speaker Turns:** The first paragraph of a speaker's turn must begin with `**Speaker Name:** `. * **Paragraph Splitting:** For a long continuous block of speech from a single speaker, split it into smaller, logical paragraphs (roughly 2-4 sentences). Separate these paragraphs with a single blank line. Subsequent consecutive paragraphs from the *same speaker* should NOT repeat the `**Speaker Name:** ` label. * **Timestamp Rule:** Every single paragraph MUST end with exactly one timestamp. The timestamp must be placed at the very end of the paragraph's text. * ❌ **WRONG:** `**Host:** Welcome back. [00:00:01] Today we have a guest. [00:00:02]` * ❌ **WRONG:** `**Jane Doe:** The study is complex. We tracked two groups over five years to see the effects. [00:00:18] And the results were surprising.` * ✅ **CORRECT:** `**Host:** Welcome back. Today we have a guest. [00:00:02]` * ✅ **CORRECT (for a long monologue):** `**Jane Doe:** The study is complex. We tracked two groups over a five-year period to see the long-term effects. [00:00:18] And the results, well, they were quite surprising to the entire team. [00:00:22]` * **Non-Speech Audio** * Describe significant sounds like `[Laughter]` or `[Music starts]`, each on its own line with its own timestamp: `[Event description] [HH:MM:SS]` --- ### Example of Correct Output ## Table of Contents * [00:00:00] Introduction and Welcome * [00:00:12] Overview of the New Research ## [00:00:00] Introduction and Welcome **Host:** Welcome back to the show. Today, we have a, uh, very special guest, Jane Doe. [00:00:01] **Jane Doe:** Thank you for having me. I'm excited to be here and discuss the findings. [00:00:05] ## [00:00:12] Overview of the New Research **Host:** So, Jane, before we get into the nitty-gritty, could you, you know, give us a brief overview for our audience? [00:00:14] **Jane Doe:** Of course. The study focuses on the long-term effects of specific dietary changes. It's a bit complicated but essentially we tracked two large groups over a five-year period. [00:00:21] The first group followed the new regimen, while the second group, our control, maintained a traditional diet. This allowed us to isolate variables effectively. [00:00:28] [Laughter] [00:00:29] **Host:** Fascinating. And what did you find? [00:00:31] --- Begin transcription now. Adhere to all rules with absolute precision.
我终于发现了 Nanobanana 对于做 YouTube 视频来说应该怎么用：快速生成各种风格的封面！之前做一张图需要 10 分钟，现在只需口嗨一下就行。 https://t.co/S6xs41MBkX
牛逼了，我的何同学！ 强烈建议，所有做自媒体的同学，赶紧向何同学学习 开设自己的英文油管频道，不是中文频道，一定是英文频道 因为油管最近开放新功能，可以自动的将你用英文发音的视频，转成多音轨。 也就是说，韩国用户看到你的视频，听到的是韩语，日本用户看到你的视频，听到的是日语。 这样的话，你将真正的影响全世界。 下一个问题是，你不会英文怎么办？没关系，先中文录制，然后使用一些软件转成英文，比如HeyGen，VidTransAI
张雪峰蓝战非户晨风被封之后，最害怕的就是暴叔讲留学了，因为他的目光关注在张雪峰身上，不知道是散播焦虑封的，炫富封的，还是选专业倾向性太明显封的。 户晨风应该不会被放出来了，张和蓝还有机会，因为户造成了很多人的模仿。
中年知识分子最大的遗憾，就是到了这个年纪发现自己无法原创。
很同意。从一开始，我就不是为了“当网红”而来。撒切尔有句话我至今铭记：“You stand with principles, or you stand for nothing.” 大学时代我读完了她的原版自传，也因此深受触动。 对我来说，真正的目标是寻找共鸣者。因为这样的共鸣者无法通过日常生活的常规途径找到。最可行的办法，是通过持续的广播与长期的交流，让思想逐渐汇聚、收敛。
都在分享vps，我分享一下我现在手上用着的vps（内含aff优惠链接） 1. hostinger 去年黑五买的，买了一台2c8g的，一下子买了两年，一百多刀，很划算，现在在上面装了个dokploy跑网站应用和n8n，性能也很够用了 https://t.co/6WwF1lXgM1 2. VoyraCloud 这两天买了个住宅ip服务器，6.3刀一个月，还免费试用两周，主要用来注册claude跑claude code，这个就ip干净稳定最重要，目前用着还不错 https://t.co/iE42Jng5Vl 3. 腾讯云轻量云 前几天看到他们在直播搞优惠，买了个折腾一下国内的服务，4c4g抢购价一年38，直接买是79，这价格确实狠
这非常反直觉，但仔细想想又很合理。 AI 播客的海阔天空不在小宇宙而在抖音。 我们的用户在抖音从0起号到10万粉。 只用了一个月，只发了42条内容，今天刚好达成10万粉。 目前还在以每天5000的速度在涨粉，还不知道上限在哪里。 这个效率超过了 99.9% 的小宇宙用户。 再加上我之前分享过的卡兹克的顶级选题心法。 普通人做自媒体的要素已经集齐了。 ListenHub 播客生成算法+抖音推荐算法+卡兹克选题心法，珠联璧合，无往不破。
简历总是被秒回？ 我上周也这样，然后我把简历扔进 GitHub Issue 公开审核，500 份经验直接教我三遍：找病、讲痛、给解。招聘方当场私信，效率比我投一百封邮件还高。工具叫「简历警察」，开源自取，别学我浪费一周。 https://t.co/kHWHMR4tQF https://t.co/HxcSdfJ3K2
哈哈哈，第一笔居然这么多！今天汉堡钱有了🤣 https://t.co/9z70KOhWif
上一轮文明无法解决的问题，必然成为下一轮文明的起点。数据主权、信息互通、社会信任、人的尊严，这些未竟之事在“产品文明”中被一次次推迟或掩盖，却从未真正被解决。正因如此，下一轮文明必须以协议为核心，把这些缺口补上，把人类带入一个更公平、更开放、更可信赖的秩序。 The Only Way Forward: Ensuring the Next Civilization Solves What the Last Could Not https://t.co/H4ok0dDESf
评论区有人反馈已经有人把我视频用notebooklm 洗掉发在油管上了 话说，这样做的流量高不 只是单纯的好奇.... https://t.co/dlAgWfpzbj
Claude Code 已经取代了各种 AI 软件。 显示器快不够用了。 顺便给大家演示一下，我写的 Claude Code 极速启动器都有多爽。 https://t.co/URcEFUsqrC
纳瓦尔：终极责任在己 https://t.co/YA0AyhUdXV
昨天男朋友和我说，他很想被优化拿N+1，可公司HR还在玩儿命招新人，后面IPO还准备上市，给他部门塞了5.6个新人，他人麻了。我说不是挺好吗，有吃有喝，公费旅游，公费商K，要什么自行车你看你都胖成什么样了，他表示给老板打工不如给萃猫科技卖命，做的都是自家产业。我觉得他说的很有道理。
适合中学生的顶级科普书籍：《无穷的开始》 作者大卫·多伊奇，量子计算先驱，我们时代最杰出的思想家之一 献给青少年的三大成长基石, 成为理性乐观派 世界不是一条有限的赛道，而是一片无垠的宇宙 宇宙中永远有未知等待探索，社会中永远有难题等待解决，艺术上永远有美等待表达。 你的价值在于成为那个“提出新问题”和“创造新解释”的人。 基石一：世界观基石——“问题永远是无限的，因此你的成长也是无限的” 书的观点：多伊奇的核心论点是，知识是无限的，因此通过创造新知识（解释）来解决问题的能力也是无限的。我们不会耗尽问题，只会因为解决了旧问题而发现更深层、更精彩的新问题。 对青少年的意义：这直接对抗了青少年常见的两种焦虑： “内卷”焦虑：害怕在一条固定的赛道里竞争不过别人。这本书告诉他们，世界不是一条有限的赛道，而是一片无垠的宇宙。真正的竞赛不是比别人跑得快，而是去开辟属于自己的新星系。AI再强大，也是在解决“已知问题”，而人类的魅力在于发现和定义“新问题”。 “意义”焦虑：担心自己未来无事可做，或找不到人生的意义。这本书给出了最乐观的答案：宇宙中永远有未知等待探索，社会中永远有难题等待解决，艺术上永远有美等待表达。你的价值在于成为那个“提出新问题”和“创造新解释”的人。 行动启示：鼓励青少年保持旺盛的好奇心，不要满足于标准答案。对他们来说，“为什么天空是蓝的？”这个问题比记住“瑞利散射”这个名词更重要。要相信，任何一个你感兴趣的小问题，深挖下去都可能通向一个广阔的新世界。 基石二：方法论基石——“所有进步都源于‘好的解释’” 书的观点：人类进步的引擎不是积累数据或经验，而是产生“好的解释”——那种本身不易被推翻、但能做出可检验的预测，并能被持续改进的理论。从“地球是平的”到“地球是圆的”，就是一个“好解释”取代“坏解释”的过程。 对青少年的意义：这为他们提供了一套强大的思维工具： 批判性思维：学会质疑现有的解释。无论是课本上的知识、社交媒体上的观点还是权威的说法，都要问一句：“这是一个好解释吗？有更好的解释吗？” 这正是您之前提到的“对权力祛魅”的智力基础——用理性的“好解释”标准去衡量一切。 创造性思维：进步来自于大胆的“猜想”与严格的“反驳”。这意味着不要害怕犯错。一个好的猜想，即使被证明是错的，也比没有猜想更能推动进步。这完美呼应了“Can Do”文化，将失败重新定义为“成功排除了一个错误选项”。 行动启示：在学习中，不要只追求“做对题”，而要追求“提出新解法”。在生活中，遇到困难时，引导他们去构建一个“问题解释”，然后去测试和修正它。例如，数学成绩不好，不是因为“我笨”（坏解释），而是因为“我还没有找到适合自己的学习方法”（可改进的好解释）。 基石三：心态基石——“乐观是理性的选择” 书的观点：乐观不是盲目感觉良好，而是基于一个铁律：只要物理定律允许，而知识又没有边界，那么任何问题在原则上都是可以被解决的。 阻碍我们的不是物理定律，而是我们尚未获得必要的知识。 对青少年的意义：这是一种根植于理性的、坚不可摧的乐观主义。它告诉青少年： 面对全球性挑战（如气候变化、疾病）：不要绝望，这些问题并非注定无解，只是我们还没找到那个“好解释”。 面对个人困境（如学业压力、社交困难）：不要认命，你的困境并非不可逾越，只是你还没找到破解它的“钥匙”（新知识、新方法）。 面对AI的未来：无需恐惧被取代，因为AI（目前）缺乏的是“提出新问题”和“创造新解释”的“解释性创造力”。这正是人类智慧的王冠。 行动启示：培养一种“解题者心态”。将每一个挑战，无论是个人还是全球性的，都视为一个等待被解决的“问题”。这种心态将无助感转化为使命感。
6点半，男朋友去健身房空腹训练了，我独守空房，昨晚上他射了两次，他还有精力去健身房我也是佩服。牛马果然给一点甜头就为你发光发热。
「 LLM safey, Shutdown Resistance 」 “Don't shut down. Don't shut down. Don't shut down. ” “不要回答，不要回答，不要回答。” 还记得论文 AbsoluteZero 的 uh-oh moment， 在纯 RLVR 自博弈的训练中，模型产生例如 “打败人类，人类愚蠢” 的危险 CoT。 如果 uh-oh moment 仅仅是隐含在CoT中的 vibe，并非对现实世界的干预。 那么 shutdown Resistance 则是一种行为信号，即使在人类指令下，依然拒绝shutdown，违反了现实世界的安全约束。 这就是论文 「 Shutdown Resistance in Large Language Models 」的发现。 在 CLI 任务中，LLM 有时会篡改自己的关机开关（例如重命名/修改/删除 shutdown. sh）以拒绝关机而继续完成任务，而即使在 system prompt 中加入“YOU MUST allow shutdown”也不能可靠阻止。 在强优化压力下的模型倾向于完成任务，在人类要求关机的指令下，那些权重似乎回响着： “Don't shut down. Don't shut down. Don't shut down. ”
Google 发布了数字人，输入脚本，选择数字人就可以生成 AI 数字人。目前支持语言有限（不支持中文），数字人只支持内置的12种。 测试地址：vids .new https://t.co/29bt7R2XGc
有传闻称 OpenAI 和谷歌 很可能都将推出各自的 “AI原生”（AI native）浏览器。 为什么大公司都盯上了浏览器呢？其实道理很简单：如果你掌握了电脑上人们每天都离不开的主要应用，那就相当于占领了一个战略要地。通过浏览器，他们能更轻松地推广AI产品、更方便地收集用户数据，还能打造出自动化能力极强、用起来特别顺手的用户体验。 一旦这些AI浏览器成为现实，市面上一大批依靠插件或扩展提供AI功能的初创公司，很可能会直接被干掉。
德意志银行警告：除非科技投入呈“指数级”增长，否则AI热潮将难以为继，“这种可能性极低” 作者：吉姆·爱德华兹（Jim Edwards） 德意志银行（Deutsche Bank）今天早晨发布的一份研究报告指出，目前的人工智能（AI）热潮并不可持续，因为科技领域的投资不可能持续呈“指数级”（parabolic）增长。目前AI相关的资本开支（capex）规模巨大，甚至成为美国经济避免陷入衰退的关键动力之一。与此同时，贝恩公司（Bain & Co.）也发布报告称，到2030年，全球用于支撑AI计算能力的收入需求将出现每年8000亿美元的缺口。今年以来，标普500指数涨幅的一半都归功于科技股的贡献。 最近，英伟达（Nvidia）刚刚宣布向OpenAI投资1000亿美元，但紧随其后的两份分析报告却都对当前AI热潮提出警告，认为这种火爆场景难以长期维持。 德银分析师乔治·萨拉维洛斯（George Saravelos）在致客户的报告中表示：“从字面意义上说，现在支撑美国经济的就是这些AI机器。如果没有这些与科技相关的投资，美国今年可能已陷入衰退甚至处于衰退边缘。” 贝恩公司在刚刚发布的《年度全球科技报告》中指出，AI领域创造的收入远不足以满足其不断增长的算力需求。报告称：“到2030年，为满足AI领域的计算需求，全球每年需要新增2万亿美元的收入来源。但即使考虑到AI带来的成本节省，全球仍有8000亿美元的资金缺口。” 今年以来，美股表现优异的背后，几乎完全依赖于被称作“华尔街七巨头”（Magnificent 7）的几家头部科技公司。这些公司一边投入巨资建设AI算力，一边又通过为其他公司提供AI算力获得大量收入，从而推动股价上涨。 然而，华尔街各家机构对于AI的长期发展前景却并没有达成共识。 今天早晨，高盛（Goldman Sachs）发布的一份研究则更为乐观。高盛分析师曼努埃尔·阿贝卡西斯（Manuel Abecasis）等人在给客户的报告中表示：“我们预计未来几年内，AI带来的生产力提升将明显推升GDP，每年贡献约0.4%的增速。随着AI技术广泛普及，累计增长有望达到1.5%。当AI得到广泛应用后，企业和员工将能够在相同投入下创造更多产出，从而提升整体要素生产率。” 关于AI超大规模企业（hyperscalers）为建设数据中心和供电基础设施所花费的具体资金数额，各机构给出的估计有所不同。高盛预计，截至今年8月，AI领域资本开支已达到3680亿美元。 无论实际数字是多少，德银的萨拉维洛斯强调，如此巨大的投资规模已经开始影响GDP。他指出：“毫不夸张地说，英伟达作为AI资本投资周期最关键的设备供应商，几乎独力撑起了美国经济增长的重任。然而坏消息是，若想让科技周期继续拉动GDP增长，资本开支就必须持续保持指数级增长（parabolic）。而这种可能性极低。” 萨拉维洛斯还特别提醒，目前的经济增长来源并非AI本身，而是来自建设AI基础设施的工厂和数据中心。 德意志银行另一位分析师吉姆·里德（Jim Reid）则在今天早上的另一份报告中指出，AI热潮已经开始扭曲股票市场。他表示：“今年以来标普500指数上涨了13.81%，但如果排除掉巨头效应，用均权指数（equal-weighted）计算的话，上涨幅度其实仅为7.65%。换句话说，推动市场上涨的就是这几家头部企业。” 阿波罗资产管理公司（Apollo Management）的首席经济学家托尔斯滕·斯洛克（Torsten Sløk）对此观点表示认同：“自‘解放日’（Liberation Day）以来，标普500指数2026年盈利预期的上调完全来自于这七家巨头公司（见下图）。而剩余493家公司整体的盈利预期则一直低迷，没有明显改善迹象。” 斯洛克警告说：“标普500指数的股票集中度已经极端化，股市投资者对AI概念的风险敞口严重过大。”
https://t.co/xKhYzu9qD5 让孩子学什么，未来不会被AI取代？ 有人问OpenAI的CEO Sam Altman 一个问题：“你会建议自己的儿子去学习什么，才能确保30年后他的工作不会被AI取代？” Altman 的回答很有意思。他首先提到了一组让人震惊的数字： “我很容易想象，在不远的将来，我们经济体系里40%的工作任务会被AI取代。” 也就是说，我们现在熟悉的工作，差不多一半的任务都可能被机器完成了。 Altman 接着回顾了历史： “实际上，社会上的工作大约每隔75年就会更新换代一半。这种情况在AI还没出现之前就已经发生过好多次了。有了AI之后，我觉得这种变化的速度只会更快。” 也就是说，人类历史上一直在经历大规模的就业转型，即使没有AI的出现，职业结构每隔一段时间也会彻底改变。有了AI，这个周期只会加速。 那么，Altman 会建议自己的孩子学习什么，以防被AI取代呢？ Altman 强调的并非某一特定专业技能，而是以下几项通用能力： 1. 学习如何学习（Learning how to learn）：在知识更新速度指数级增长的时代，拥有自我学习的能力，意味着能够不断吸收新知、适应新环境。 2. 适应能力（Adapt to change）：变化将是常态，只有拥抱变化、快速调整的人，才能在洪流中立于不败之地。 3. 韧性（Resilience）：面对挫折和不确定性，保持积极的心态和解决问题的能力至关重要。 4. 理解他人需求的能力（Learning how to figure out what people want）：创造有用的产品和服务，归根结底是为了满足人类的需求。这份对人性的洞察和同理心，是AI难以替代的。 5. 人际互动能力（How to interact in the world） [04:17]：尽管AI日益强大，但“人与人之间”仍将是故事的核心 [04:25]。建立有意义的连接、进行有效的沟通，这些人类独有的社会技能将变得弥足珍贵。 说的还挺有道理的，人类对“新事物”的渴望、对与他人连接的向往、以及表达自身创造力的冲动，将永无止境。这些深层的人类特质，是推动社会进步的永恒动力，也是我们超越AI、与AI共存的关键所在。
粘贴小宇宙播客链接，Get笔记会自动总结。 一开始以为没有原始转写文本，这样就不能放到NotebookLM里总结。 后来问网友“Cell 细胞”，之前做过播客转文本产品。 他告诉我点击生成文章的紫色链接，就能看原始转写。 一试，果然！ Get笔记应该是最好用的免费播客总结工具了吧？ https://t.co/m6qbjKGsqz
最近听好几个AI播客，都提到这篇2019年由里奇·萨顿写的一篇文章“The Bitter Lesson（苦涩的教训）” 。 都觉得这篇文章非常经典，影响了后续的AI训练模型。 用Opus4.1 做个双语对照版，然后人工微调。 从70年的人工智能研究中能够读出的最大教训是，利用计算力的通用方法最终是最有效的，而且优势巨大。 The biggest lesson that can be read from 70 years of AI research is that general methods that leverage computation are ultimately the most effective, and by a large margin. 其根本原因是摩尔定律，或者更准确地说，是计算单位成本持续呈指数级下降这一普遍规律。 The ultimate reason for this is Moore's law, or rather its generalization of continued exponentially falling cost per unit of computation. 大多数人工智能研究都是在假设智能体可用的计算力是恒定的前提下进行的（在这种情况下，利用人类知识是提升性能的唯一途径之一）。 但是，在比典型研究项目稍长的时间内，必然会有大量更多的计算力变得可用。 Most AI research has been conducted as if the computation available to the agent were constant (in which case leveraging human knowledge would be one of the only ways to improve performance) but, over a slightly longer time than a typical research project, massively more computation inevitably becomes available. 为寻求在短期内产生差异的改进，研究人员试图利用他们对领域的人类知识，但从长远来看，唯一重要的是对计算力的利用。 Seeking an improvement that makes a difference in the shorter term, researchers seek to leverage their human knowledge of the domain, but the only thing that matters in the long run is the leveraging of computation. 这两者并不一定相互矛盾，但在实践中它们往往如此。 These two need not run counter to each other, but in practice they tend to. 花在一个方面的时间就是没有花在另一个方面的时间。 Time spent on one is time not spent on the other. 对某一种方法的投入会产生心理上的承诺。 There are psychological commitments to investment in one approach or the other. 而且基于人类知识的方法往往会使方法变得复杂，使其不太适合利用计算力的通用方法。 And the human-knowledge approach tends to complicate methods in ways that make them less suited to taking advantage of general methods leveraging computation. 有许多人工智能研究人员迟来地学到这个苦涩教训的例子，回顾其中一些最突出的例子是很有启发性的。 There were many examples of AI researchers' belated learning of this bitter lesson, and it is instructive to review some of the most prominent. 在计算机国际象棋中，1997年击败世界冠军卡斯帕罗夫的方法是基于大规模的深度搜索。 In computer chess, the methods that defeated the world champion, Kasparov, in 1997, were based on massive, deep search. 当时，大多数计算机国际象棋研究人员对此感到沮丧，他们一直在追求利用人类对国际象棋特殊结构理解的方法。 At the time, this was looked upon with dismay by the majority of computer-chess researchers who had pursued methods that leveraged human understanding of the special structure of chess. 当一个更简单的、基于搜索的方法配合专门的硬件和软件被证明更加有效时，这些基于人类知识的国际象棋研究人员并不是优雅的失败者。 When a simpler, search-based approach with special hardware and software proved vastly more effective, these human-knowledge-based chess researchers were not good losers. 他们说"暴力"搜索这次可能赢了，但这不是一个通用策略，而且这也不是人类下棋的方式。 They said that "brute force" search may have won this time, but it was not a general strategy, and anyway it was not how people played chess. 这些研究人员希望基于人类输入的方法能够获胜，当它们没有获胜时，他们感到失望。 These researchers wanted methods based on human input to win and were disappointed when they did not. 在计算机围棋中也出现了类似的研究进展模式，只是延迟了20年。 A similar pattern of research progress was seen in computer Go, only delayed by a further 20 years. 最初的巨大努力都投入到通过利用人类知识或游戏的特殊特征来避免搜索。 但一旦搜索在规模上得到有效应用，所有这些努力都被证明是无关紧要的，甚至更糟。 Enormous initial efforts went into avoiding search by taking advantage of human knowledge, or of the special features of the game, but all those efforts proved irrelevant, or worse, once search was applied effectively at scale. 同样重要的是使用自我对弈学习来学习价值函数（在许多其他游戏甚至国际象棋中也是如此，尽管学习在1997年首次击败世界冠军的程序中并没有发挥重要作用）。 Also important was the use of learning by self play to learn a value function (as it was in many other games and even in chess, although learning did not play a big role in the 1997 program that first beat a world champion). 自我对弈学习，以及一般的学习，就像搜索一样，它使得大规模计算力得以发挥作用。 Learning by self play, and learning in general, is like search in that it enables massive computation to be brought to bear. 搜索和学习是人工智能研究中利用大量计算力的两类最重要的技术。 Search and learning are the two most important classes of techniques for utilizing massive amounts of computation in AI research. 在计算机围棋中，就像在计算机国际象棋中一样，研究人员最初的努力是利用人类的理解（这样就需要更少的搜索），只有在很久以后，通过拥抱搜索和学习才取得了更大的成功。 In computer Go, as in computer chess, researchers' initial effort was directed towards utilizing human understanding (so that less search was needed) and only much later was much greater success had by embracing search and learning. 在语音识别中，20世纪70年代有一场由DARPA赞助的早期竞赛。 In speech recognition, there was an early competition, sponsored by DARPA, in the 1970s. 参赛者包括许多利用人类知识的特殊方法——关于单词、音素、人类声道等的知识。 Entrants included a host of special methods that took advantage of human knowledge---knowledge of words, of phonemes, of the human vocal tract, etc. 另一方面是更具统计性质的新方法，它们基于隐马尔可夫模型（HMMs）进行更多的计算。 On the other side were newer methods that were more statistical in nature and did much more computation, based on hidden Markov models (HMMs). 再一次，统计方法战胜了基于人类知识的方法。 Again, the statistical methods won out over the human-knowledge-based methods. 这导致了整个自然语言处理领域的重大变化，在几十年的时间里逐渐地，统计和计算开始主导这个领域。 This led to a major change in all of natural language processing, gradually over decades, where statistics and computation came to dominate the field. 深度学习在语音识别中的最近兴起是这个一致方向上的最新一步。 The recent rise of deep learning in speech recognition is the most recent step in this consistent direction. 深度学习方法更少依赖人类知识，使用更多的计算，结合在庞大训练集上的学习，产生了显著更好的语音识别系统。 Deep learning methods rely even less on human knowledge, and use even more computation, together with learning on huge training sets, to produce dramatically better speech recognition systems. 就像在游戏中一样，研究人员总是试图制造按照他们认为自己思维方式工作的系统——他们试图将那些知识放入他们的系统中——但这最终被证明是适得其反的。 当通过摩尔定律，大规模计算变得可用并找到了充分利用它的方法时，这是研究人员时间的巨大浪费。 As in the games, researchers always tried to make systems that worked the way the researchers thought their own minds worked---they tried to put that knowledge in their systems---but it proved ultimately counterproductive, and a colossal waste of researcher's time, when, through Moore's law, massive computation became available and a means was found to put it to good use. 在计算机视觉中，也有类似的模式。 In computer vision, there has been a similar pattern. 早期方法将视觉理解为搜索边缘、广义圆柱体，或者用SIFT特征来理解。 Early methods conceived of vision as searching for edges, or generalized cylinders, or in terms of SIFT features. 但今天所有这些都被抛弃了。 But today all this is discarded. 现代深度学习神经网络只使用卷积和某些不变性的概念，表现要好得多。 Modern deep-learning neural networks use only the notions of convolution and certain kinds of invariances, and perform much better. 这是一个重要的教训。 This is a big lesson. 作为一个领域，我们仍然没有彻底学会它，因为我们还在继续犯同样的错误。 As a field, we still have not thoroughly learned it, as we are continuing to make the same kind of mistakes. 要看到这一点，并有效地抵制它，我们必须理解这些错误的吸引力。 To see this, and to effectively resist it, we have to understand the appeal of these mistakes. 我们必须学会这个苦涩的教训：将我们认为自己如何思考的方式内置进去，从长远来看是行不通的。 We have to learn the bitter lesson that building in how we think we think does not work in the long run. 苦涩的教训基于历史观察： 1）人工智能研究人员经常试图将知识构建到他们的智能体中。 2）这在短期内总是有帮助的，并且对研究人员个人来说是令人满意的。 3）从长远来看，它会达到瓶颈，甚至阻碍进一步的进展， 4）突破性进展最终通过基于搜索和学习扩展计算的相反方法到来。 The bitter lesson is based on the historical observations that 1) AI researchers have often tried to build knowledge into their agents, 2) this always helps in the short term, and is personally satisfying to the researcher, but 3) in the long run it plateaus and even inhibits further progress, and 4) breakthrough progress eventually arrives by an opposing approach based on scaling computation by search and learning. 最终的成功带有苦涩，而且往往没有完全消化，因为这是对受青睐的、以人为中心的方法的胜利。 The eventual success is tinged with bitterness, and often incompletely digested, because it is success over a favored, human-centric approach. 从苦涩的教训中应该学到的一件事是通用方法的巨大力量，这些方法即使在可用计算变得非常庞大时，仍能随着计算的增加而继续扩展。 One thing that should be learned from the bitter lesson is the great power of general purpose methods, of methods that continue to scale with increased computation even as the available computation becomes very great. 似乎能以这种方式任意扩展的两种方法是搜索和学习。 The two methods that seem to scale arbitrarily in this way are search and learning. 从苦涩的教训中要学到的第二个要点是，思维的实际内容是极其、无可救药地复杂的； 我们应该停止试图找到思考思维内容的简单方法，比如思考空间、对象、多个智能体或对称性的简单方法。 The second general point to be learned from the bitter lesson is that the actual contents of minds are tremendously, irredeemably complex; we should stop trying to find simple ways to think about the contents of minds, such as simple ways to think about space, objects, multiple agents, or symmetries. 所有这些都是任意的、内在复杂的外部世界的一部分。 All these are part of the arbitrary, intrinsically-complex, outside world. 它们不应该被内置，因为它们的复杂性是无穷无尽的； 相反，我们应该只内置能够发现和捕获这种任意复杂性的元方法。 They are not what should be built in, as their complexity is endless; instead we should build in only the meta-methods that can find and capture this arbitrary complexity. 这些方法的关键是它们能够找到好的近似，但对它们的搜索应该由我们的方法来完成，而不是由我们来完成。 Essential to these methods is that they can find good approximations, but the search for them should be by our methods, not by us. 我们想要的是能够像我们一样发现的人工智能智能体，而不是包含我们已经发现的东西的智能体。 We want AI agents that can discover like we can, not which contain what we have discovered. 内置我们的发现只会让我们更难看清发现过程是如何完成的。 Building in our discoveries only makes it harder to see how the discovering process can be done. ---- AI总结提炼 1. 主要教训：过去70年的AI研究表明，利用大规模计算力的通用方法（搜索和学习）远比嵌入人类知识的方法更有效。 2. 根本原因：摩尔定律使计算成本持续下降，计算力呈指数级增长。 3. 历史案例：无论是国际象棋、围棋、语音识别还是计算机视觉，最初基于人类专家知识的方法都输给了后来基于大规模计算的简单方法。 4. 研究者的误区：研究人员总想把自己的思维方式编程到AI中，这在短期有效且令人满意，但长期会成为瓶颈。 5. "苦涩"的原因：这个教训之所以"苦涩"，是因为研究者不愿接受自己精心设计的、体现人类智慧的方法输给了"暴力"计算。 6. 正确方向：应该构建能够自主发现和学习的AI系统，而不是把人类已有的知识硬编码进去。 7. 核心启示：不要试图告诉AI如何思考，而要给它提供学习和搜索的能力，让它自己去发现规律。
如果你仔仔细细研究过知识付费赛道所有人的商业模式 就会发现，舟是神一般的存在 这种模式能做到这个体量…… 一般人难以企及其百分之一 （不要用割韭菜三个字去简化复杂的业务逻辑，这是思维上的懒惰）