🔥 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.
忙了好几天肩颈背都疼。想去健身房忽然发现公寓里忘记放运动鞋了，遂顺路去买一双。试了右脚合适要求把左脚的鞋也试了，服务员说：不能全试。 我：啊？不试怎么买？ 服务员：你两只鞋都穿了拔腿就跑怎么办？ 我这个小短腿儿看着满店的大长腿黑人保安，心想他们太看得起我了…. https://t.co/VrOTJ9YT8w
一个人的价值，在于输出秩序。 如果为社会输出秩序，就会获得社会回报，通常是财富。 如果为家庭输出秩序，会得到爱。 如果为宇宙输出秩序，会得到能量。
不好意思，之前贴错提示词了，这个才是： 在户外草地边、阴天自然光下，一位25岁左右的东亚女性坐着，被抓拍到三分之四侧脸。她黑色马尾、空气刘海，几缕碎发贴在脸颊，有自然淡妆（轻腮红、柔和眼线、粉色唇）。她佩戴细银项链，肩颈与锁骨线条清晰，D罩杯饱满胸型，身型紧致无赘肉。上身穿海军蓝细波点吊带短上衣，心形/微V领口（深v）、金属肩带调节环可见；下身为高腰军绿色工装裤。她右手持白色毛巾，身体微前倾、目光看向右侧，表情温柔害羞、面色轻微绯红，轻咬下唇。背景为轻微雾化的草地与野餐物件（蓝色垫、橙色物件）并强烈散景，右侧有一位朋友被半截裁切且虚化。色调柔和、对比偏低，长焦镜头、浅景深（bokeh）、细微颗粒与轻雾感，胶片感但保持写实。Portra-style film grain, subtle warm tint, gentle halation
Web 4.0 互联网生态：一个会思考、会进化的社会图灵机——人类之灵 这篇文章写成了接近八千字，但是我也不打算拆分了。感谢 @jinniudashu 在架构上的提示，这是一次系统性的初稿，是对 Web 4.0 的第一次结构化表达。留存作为v1.0， 感兴趣的还是要去看英文原文，这里表达不足原文的1/10. 在我看来，Web 4.0 不是新一轮的应用堆叠，而是一次底层逻辑的升级。 过去三十年，互联网解决了连接问题。接下来的三十年，我们需要解决理解问题。 人类用了几十年把地球连成一张网，现在我们要让这张网具备思考和解释的能力。 “社会图灵机”不是一个平台，也不是一种产品。 它是一种新的运行逻辑：语言被结构化，结构能被证明，证明能形成共享的知识。 这是对“互联网能否真正理解自己”这个问题的一次系统回答。 如果说 Web1 让人们能够浏览信息，Web2 让人们能够表达观点，Web3 让人们能够确权资产，那么 Web4 的目标是让系统具备解释力和透明性。 一个政策要能展示它的推理路径，一个市场要能展示它的公平机制，一个模型要能展示它的依据。 一句话可以在多个系统之间传递，并最终附带可验证的回执返回。 互联网从“信息网络”向“理解网络”转变。它不再只是传输数据的工具，而是一个能够记录、学习和改进的系统。虽然它没有自我意识，但可以通过不断的记忆、反馈和知识更新，逐步形成一种稳定的认知结构。 在这个过程中，互联网会成为人类集体智能的延伸，像是一种连接所有人知识与经验的公共思维系统。 它需要一步一步构建：意图 → 逻辑 → 证明 → 学习。 每一次验证过的结果，都是这张认知网络新的节点。 自由金牛的BPS，其实就是这里面的一个闭环体现。这种闭环，可大可小。从一个block (类似一个细胞），到一个组织，再到一个器官。 金牛兄，你是真心有大才的！ 整个逻辑可以概括为一个循环： 理解 → 推理 → 行动 → 验证 → 学习 → 再理解。 我认为，现在多数成熟的商业程序员和架构师都面临一个共同的问题：看不到未来的方向。 他们知道当下的技术范式已经到达瓶颈，继续沿用旧的模式意义不大；但新的 AI 应用场景又尚未跑通，顶级模型公司的岗位也触及不到。 结果就是，很多人陷入一种“开发空窗期”——手上有技术，却找不到清晰的落点。 对于新的范式、用户真正的需求、以及整个生态可能的发展路径，都感到模糊和不确定。 以下是我对未来范式的猜测和理解： 社会图灵机的运作循环 社会图灵机（Social Turing Machine）是一个以“理解”为核心的认知网络。 它的基本目标是：让机器能够理解人类的意图、验证执行过程、并在反馈中持续学习。 整个系统的运作遵循一个闭环循环：意图 → 结构化 → 执行 → 验证 → 学习 → 再次意图。 1. 用户输入：人类意图的起点 一切从人类输入自然语言开始。 当一个用户用自然语言提出请求、指令或声明（例如“请在明天发货30件产品给A公司”），这本质上是一种意图（Intent）。 在传统互联网中，系统只能识别关键词或命令； 而在社会图灵机中，这种自然语言会被理解为一个可以进一步结构化并验证的认知对象。 2. 语义解析：语言被结构化为可计算的意图 用户的自然语言会被送入系统的语义层（Semantic Layer）。 这部分由语言模型、语义解析器和知识本体（Ontology）共同组成。 系统会将模糊的自然语言转化为一种结构化中间表示（Intent IR）， 明确包括： 行动目标（做什么） 条件约束（在什么情况下执行） 参与对象（谁执行，谁受影响） 输出期望（结果是什么） 例如： “请在明天发货30件产品给A公司”经过语义解析后会被转译成： action: ship object: Product_A quantity: 30 destination: Company_A condition: date == tomorrow 这一步让语言从模糊转向明确，成为机器可理解的结构。 3. 意图确认与验证：系统判断“是否理解正确” 解析完语义后，系统不会直接执行，而是进入验证阶段。 这一阶段由“语义运行时（Semantic Runtime）”协调完成。 运行时会做三件事： 意图校验：通过逻辑检查和上下文比对，确认系统是否真正理解了用户的意思； 约束对齐：确认该意图是否符合既有规则（例如法律、合同、策略等）； 权限验证：确认用户是否有权触发对应的行为。 在这一步，AI 不只是“猜测”，而是通过结构化规则进行可追踪的验证。 验证通过后，意图才被编译为可执行逻辑。 4. 执行层：将逻辑变成行动 验证后的意图进入 协议层（Protocol Layer） 执行。 这里的核心是：每一次执行都可被验证。 执行方式包括： 调用智能合约（自动执行规则）； 启动外部系统接口（如支付、物流、审计等）； 或由人工/AI 代理执行具体任务。 所有执行行为都会被记录在一个分布式账本或验证网络中， 并生成相应的状态变化（state change）。 在传统系统中，执行结果往往是“黑箱”的； 而在社会图灵机中，每一个动作的发生条件、逻辑路径和结果都可以被复现。 5. 生成证明：从执行到可验证结果 当执行完成后，系统会自动生成一份执行证明（Proof Object）。 这份证明说明： 谁发起了行动； 在什么条件下执行； 执行逻辑是否符合意图； 结果是否正确。 这种证明可以采用多种技术形式：数字签名、零知识证明、审计日志、语义验证报告等。 在这一层，信任不再依赖人工仲裁，而是通过可计算的逻辑与证据链建立。 6. 学习与记忆：结果反哺系统 执行完成、证明生成后，所有过程数据会被送回系统的学习层（Learning Layer）。 系统会： 更新语义模型，改善未来对类似意图的理解； 扩展知识图谱，让机器掌握新的规则或模式； 记录验证路径，为后续任务提供参考。 这一步就像人类的“记忆形成”， 让整个网络在每一次执行中积累认知经验。 7. 形成闭环：从反馈到再理解 一旦系统更新完毕，它的“语义模型”和“规则体系”会自动反映新的理解结果。 下一个用户输入或下一次意图请求时，系统就能更快、更精准地识别、验证与执行。 至此，整个循环闭合： 意图（Intent） → 结构化（Structure） → 执行（Execution） → 证明（Proof） → 学习（Learning） → 新意图（New Intent） 每完成一次循环，系统就多理解一点世界。 这意味着： 它不只是自动化系统，而是具备累积性理解的认知网络； 它的“知识”不是编程输入的，而是从交互中演化出来的。 社会图灵机因此被视为一种认知级的操作系统。 它的独特之处在于： 语言不是指令，而是输入； 规则不是约束，而是解释机制； 执行不是终点，而是验证与学习的起点。 这个循环一旦持续运行，互联网将从“信息网络”演化为“理解网络”。 机器不再只是执行人类的命令，而是能理解、证明并共同进化。 The Social Turing Machine: When the Web Learns to Think https://t.co/KZngNLACs3
这个男人破解了 YouTube 的成功之道。 他教会了 MrBeast、Stokes Twins 以及 Matthew Beam 如何让任何视频都能获得观看量。 这是他的观众上瘾蓝图，以及如何让你自己也能做到：🧵 https://t.co/4eq1VP8r9k
我从一开始就没打算靠流量赚钱。 在我长期的分析与推理中，在我所处的领域里——单纯靠知识内容流量变现，已经不符合这个时代的演化逻辑了。 当然，像老高、Mr. Beast 这样的创作者，属于上一个流量时代的明星。 他们赶上了平台红利期，算法尚未饱和、内容供给不足，只要平台还在，他们的收益结构在中短期内仍能延续。 那是时代的契合。 如今的流量，本身已经显现出疲态。 它不再代表注意力的掌控，而更像是一种算法的惰性延伸。 我反复提到我非常欣赏 Not Boring 的 Packy，是因为我在美国东岸的圈子里真正接触过那种思维方式。 很多一代华人做题家，在美国接触的是写代码，和写代码。没有对商业和资本生态有任何接触。 他不是靠“蹭热点”起家的，而是靠结构化认知与资源整合，借助互联网工具构建了属于自己的解释体系。 他后来创立基金，不过是水到渠成——你懂玩法，资本自然会靠拢。 这个商业融资领域当然有华人，不过不是一代移民。英语作为母语的社交能力，对于社会制度的感知，一种本地alpha male的感觉，是这个玩法的入场券。 有一代移民印度人。不得不说还是佩服啊。
看到有人说我的文章用 AI 写的，所以“没啥意义”。 呵呵😄 这些说“AI 写的东西没意义”的人，到现在也没靠 AI 写出一句能让人记住的话。 更别说写出自己的体系、观点、或者一本书。 说“AI 生成视频不想看”的人，也没见他们买个剪辑软件，拿起相机，拍一段属于自己的作品。 更别说做分镜、剪片、做成独特的小电影。 上一个时代，我听到这种话的人，后来都老了。 比他们年轻的那一批，早就成了李子柒、Papi酱、咪蒙。 他们没被工具定义，而是用工具创造了一个时代。 老顽固不分时代，年龄。
其实，情商不是智商的对立面，而是智商的延伸。 它是一种更高维度的智力表现——把理解事物的能力，延展到理解人心、关系与情境。 然而，在整个中式教育与学术体系中，习惯性地将两者切割。培养一堆自认智商高的人（标准化考试）。 所以当他们离开课本、进入社会、进入真实的博弈场时，都很崩溃。
2025 年诺贝尔化学奖获奖成就 开创“分子建筑学”新纪元，打开材料科学的无限可能 化学不再只是观察和分析，而成为一种创造性的工程艺术 MOFs 的应用潜力几乎涵盖了能源、环境与生命科学的多个前沿方向。 北川进 (Susumu Kitagawa)、理查德·罗布森 (Richard Robson) 和奥马尔·M·亚吉 (Omar M. Yaghi) 因开发出一种新型分子结构而荣获 2025 年诺贝尔化学奖。 1989 年，诺贝尔化学奖得主理查德·罗布森 (Richard Robson) 尝试以一种新的方式利用原子的固有属性。他将带正电的铜离子与一个四臂分子结合在一起；该分子的每个臂末端都有一个化学基团，可以吸引铜离子。 当它们结合在一起时，它们结合形成了一个有序、宽敞的晶体，就像一颗充满无数空腔的钻石。 罗布森立即意识到了他这种分子结构的潜力，但它不稳定，容易坍塌。然而，北川进和奥马尔·亚吉为这种构建方法奠定了坚实的基础；在 1992 年至 2003 年间，他们分别取得了一系列革命性的发现。 Susumu Kitagawa 证明了气体可以在结构中进出，并预测金属有机骨架 (MOF) 可以实现柔性化。 Omar Yaghi 创造了一种非常稳定的 MOF，并证明可以通过合理的设计对其进行改性，从而赋予其全新且理想的性能。 开创“分子建筑学”新纪元 他们的贡献在于 创造了一种全新的分子结构类型，称为 金属有机框架（MOFs, Metal–Organic Frameworks）。 从原子层次重新设计材料结构 传统化学主要在原子或分子层面合成物质，而 MOFs 的突破在于，化学家可以像搭积木一样，用金属离子与有机分子“建造”出具备精确几何形状的三维晶体结构。 分子级“建筑工程” 这些结构像“分子海绵”，内部充满规则而巨大的空腔。 这意味着科学家可以在纳米尺度上控制“孔隙率”和“表面积”，创造出前所未有的功能性材料。 连接过去与未来的桥梁 Richard Robson 在 1989 年最早展示这种“分子装配”的可能性； Kitagawa 和 Yaghi 则系统地发展了其理论与合成方法，使其成为一门独立的新领域——“框架化学”（Reticular Chemistry）。 ⚗️ 二、创新意义：开启材料科学的无限可能 MOFs 的应用潜力几乎涵盖了能源、环境与生命科学的多个前沿方向。 能源储存与转化 MOFs 能高效储存氢气、甲烷或二氧化碳，为清洁能源技术提供新材料。 也能作为催化剂载体，加速化学反应。 环境保护 由于内部孔洞巨大且可调，MOFs 可“筛选”气体、吸附有害物质，实现碳捕获或污染治理。 药物传递与生命医学 MOFs 可作为“纳米容器”，精准运输药物分子，实现靶向治疗。 未来智能材料 MOFs 的可设计性使其成为 人工智能驱动材料发现（AI-driven materials discovery） 的理想测试平台。 它们也可能成为“会呼吸”的材料——能随外界环境自动调节自身结构与功能。 🌍 三、哲学与科学思维层面的启示 这项成就象征着人类从“发现自然”到“设计自然”的转变。 化学不再只是观察和分析，而成为一种 创造性的工程艺术： “像建筑师一样，用原子和分子设计结构，用思想构建宇宙。”
《纽约》：技术乐观主义者的育儿指南 Sam Altman, Garry Tan, Naval Ravikant... “我感觉这有点像在1750年工厂到来之际， 我们仍在培养孩子成为优秀的铁匠或鞋匠” AI时代：能动性、自主探索、意志力和决心 波士顿三个孩子的母亲朱莉娅·怀斯去年二月发表了一篇文章，阐述了一种新的育儿焦虑。文章题为《人工智能前夕的育儿》，旨在回答一个以往畅销育儿大师从未提出过的紧迫问题。“我感觉这有点像在1750年工厂到来之际，我们仍在培养孩子成为优秀的铁匠或鞋匠，”她写道。 “我们周围的家庭仍然非常专注于在学校取得好成绩、考上好大学、拥有一份好工作、过上好生活。 ” 她认为，这种现实将在她孩子的有生之年消失。 Wise 和她的丈夫 Jeff 经常思考这些问题。他们属于一个名为“有效利他主义者”的社群，该社群多年来一直在推演各种人工智能场景，既有美好的，也有极具破坏性的。很长一段时间里，他们感觉这些场景并不适用于自己的生活。但随着人工智能发展的加速，Wise 和从事生物安全和疫情检测工作的 Jeff 更加担心他们的孩子（分别为 4 岁、9 岁和 11 岁）的未来发展。他们担心各种可能性，从人工智能让不法分子更容易释放肆虐全球的病原体，到他们的孩子与一个情绪化的超级智能产生联系。“我们和我们认识的一些家长一直在想，好吧，看起来未来一二十年可能会发生巨大的变化。那对于我们如何让孩子为这个世界做好准备来说意味着什么呢？ ”她告诉我。 我们最近交谈时，怀斯描述了她对孩子们未来的几种展望： 1. 他们不需要职业，因为“我很担心发生灾难，我的孩子可能活不到成年。” 2. 世界将成为一个辉煌的后稀缺乌托邦，没有人需要工作，我们都能获得全民基本收入。 3. 人工智能取代大多数工作，传统职业不复存在，人类的工作被边缘化，只能扮演有限的角色。 4. 灾难降临，但只有一部分人会死去，幸存者需要在末日后生存，或许会像狩猎采集者一样。（怀斯对这种可能性并不乐观。她的两个大孩子是女童子军，但她告诉我：“我们去露营，结果都生不起火。”） 撇开灾难性的风险不谈，怀斯和她的丈夫或许可以算得上是一群焦虑的父母，他们不知道该做什么，甚至不知道是否该做。她在文章中承认，在1750年停止培训铁匠和鞋匠还为时过早。“我不想成为一个疯子，因为错误地认为一些奇怪的事情即将发生，而无法让我的孩子们为他们未来相对正常的未来做好准备，”她写道。 “但从更分析的角度考虑，”怀斯说，“我并不期待一切恢复正常。” 每个社会都会根据当下的需求培养孩子。从亚历山大大帝到摄政时代四处奔波的贵族，精英们都聘请私人教师，将他们塑造成世界级的博学者，或者至少是善于社交的闲人。在美国主要以农业为主的时代，只有一间教室的校舍里，老处女们用麦格菲的《折衷读本》进行道德教育，用关于搅拌黄油和牛后腿尺寸的故事题来教授算术。随着19世纪工业的兴起，学校里摆放着整齐的课桌，每小时都会响铃，还有一位像领班一样的老师，他们培养出准时、温顺的工人来为新工厂服务。千禧年的精英主义，以及其简历上铺满的成就轨迹，造就了大卫·布鲁克斯笔下的“组织小子”，一个努力奋斗、日程安排过满的墨守成规的孩子，他们被精心设计，以便在拥有资质的精英阶层中占据应有的位置。 然而，当前的挑战在于，对于未来可能出现的情况以及哪些特质或技能会有所帮助，人们完全缺乏共识。即使是那些整天思考科技将如何改变未来的父母，也在努力寻找一个古老而又紧迫的问题的答案：如何最好地养育孩子。“我们都在思考这些问题，”硅谷资深人士（Twitter、谷歌、Facebook、Coinbase、Andreessen Horowitz）Rachael Horwitz 说。她是一家加密货币风险投资公司的首席营销官，也是两个孩子的母亲。孩子们是否都应该像“人工智能教父”Geoffrey Hinton 建议的那样去上职业学校？还是应该去魅力学校？Horwitz 开玩笑说，对于对人工智能免疫的孩子，父母应该“不废话：培养 ENFJ”，即迈尔斯-布里格斯性格分类中的“外向直觉情感判断”类型。 “你不必懂技术，”霍维茨说道，她的职业生涯都在工程师主导的公司中度过，属于非技术少数群体。“你越不官僚越好。我认为我们将进入一个让这类人才价值翻三倍的世界。”孩子们现在还需要知道这些知识吗？Anthropic 联合创始人本·曼恩 (Ben Mann) 最近在一次采访中沉思道，如果是十年或二十年前，他可能会让女儿参加大量的课外活动，以便她能考上一流学校。“但现在，”他说，“我觉得这些都不重要了……事实将会被淡忘。” 人类很可能无法现实地想象超级智能——一个快速、递归地自我提升的地球外星生物——将如何以及以多快的速度重塑事件的进程。世界经济论坛发布的《未来就业报告》预测，65% 的幼儿园儿童最终将从事“尚不存在的全新工作类型”，而《人类简史》的作者尤瓦尔·诺亚·哈拉里则认为，世界可能会日益分化为认知精英和“无用”的底层人群。即使是技术乐观主义者也承认，孩子们所需技能的进化速度比学校发展的速度更快，而且最理想化的人工智能结果在其细节和问题上仍将完全无法辨认。（如果我们都不再需要工作，无意义和过度放纵是否会导致全人类陷入倦怠和痛风危机？）那么，当未来突然变得更加不确定时，你该如何保护你的孩子的未来呢？ 就在疫情爆发前，西雅图的执行顾问爱德华·内夫劳蒙特 (Edward Nevraumont) 开始痴迷于生成式人工智能。当时，第二个 GPT 模型刚刚发布；它的行为举止就像你最愚蠢的叔叔——挑战事实、漫无目的、自我重复——但却展现出巨大的潜力。“我看到了不祥之兆，”内夫劳蒙特告诉我。“这一定会发生。 ”这位四个孩子的父亲几乎立刻就意识到，这项技术将给传统学校带来一场生存危机。“世界上很多东西都依赖工作量证明——大学申请、推荐信、感谢信——而这些证明的唯一价值就是时间和精力，”他说。“传统的教育模式教导说，努力才是最重要的，”但在一个任何拥有免费 ChatGPT 账户的人都可以轻松付出努力的世界里，这种说法变得毫无意义。“人工智能，”他说，“会消灭工作量证明这种东西。” 作为一名顾问，内夫劳蒙特开始帮助私募股权公司学习如何将人工智能付诸实践。去年，由于对孩子们在西雅图接受的教育感到失望，他举家搬到了德克萨斯州，以便让他们就读一所与众不同的学校。 Alpha 学校于 2014 年成立，最初是奥斯汀一所小型 K-8 私立学校，凭借诱人的宣传，从斯科茨代尔到旧金山，又开设了 15 个校区。Alpha 声称，利用其人工智能数字平台，学生每天只需上两个小时的课，但学习速度比在普通学校快 2.6 倍。学校将这个整合专有和第三方应用程序的平台命名为“TimeBack”。利用新解放出来的时间，学生可以专注于学习 Alpha 联合创始人 MacKenzie Price 认为标准化教育忽视的生活技能，例如创业和培养“成长型思维”。在旗舰校区，二年级学生要想升入三年级，必须完成一份清单，其中包括在 35 分钟或更短的时间内跑完五公里；以“零填充词、120-170 [wpm] 的速度和 90% 的置信度”完成两分钟的 TED 风格演讲，由一位名为 Yoodli 的人工智能演讲教练评判；并打电话给“同龄人的父母”以“独立计划和安排玩耍约会”。在 Alpha 的中学，项目包括启动和运营 Airbnb 以及驾驶船从佛罗里达航行到巴哈马群岛。 Alpha 在那些对成就之路——也就是通往办公室白领生活的老路——感到失望的家长中积累了一批粉丝，但他们却对孩子在世界范围内取得的辉煌成就充满热情。Alpha对如何为孩子的未来做好准备（让他们在学校里表现更好）这一问题的回答，引起了硅谷一个颇具影响力的阶层的共鸣，这个阶层长期以来一直认为，普通教育实际上就是在运行遗留代码。他们的批评大致如下：能力比学位更重要，创造力胜过死记硬背的知识，传统学校扼杀了个性，并助长了习得性无助。 最近一个周四的早上，我去了奥斯汀的阿尔法学校，看到学生们排队下车——特斯拉、悍马、保时捷卡宴、另一辆特斯拉、奔驰 G 级——感觉就像这座城市涌入的异端播客和硅谷难民一样。（阿尔法在奥斯汀及周边地区的众多学校的学生中，有科技投资者兼 Substacker 创始人伯恩·霍巴特 (Byrne Hobart) 的孩子，也有 Lambda School 创始人、现为人工智能训练营的奥斯汀·奥尔雷德 (Austen Allred) 的孩子。）第二级学校大约有 30 多名四五年级学生，他们一天的活动以“晨间发射”练习开始，今天的练习是将球射向不同难度的目标。然后，他们拿起笔记本电脑散开——大多数人坐在面朝墙壁或窗户的桌子上，少数人坐在类似付费电话亭的“禅修亭”里集中注意力，其他人则坐在豆袋椅上。他们每个人的屏幕上都有一个仪表板，上面显示每个核心科目的不同颜色的环，当他们完成当天分配的阅读、练习和测试时，这些环就会填满。 在接下来的几个小时里（有些学生花了接近三个小时而不是两个小时），二级班的孩子们安静地学习，按照自己选择的顺序从一门学科转到另一门学科。每个学生的作业都设定了个性化的难度等级，他们只有在达到 90% 的“掌握度”后才能进入下一年级——换句话说，这是能力的证明，而不是努力的证明。这意味着一个孩子可能在一门学科上领先，但在另一门学科上却落后。史密斯是一个乐观的九岁男孩，留着滑板运动员般的刘海，戴着一顶反戴的棒球帽，大约四周前他还一直在接受家庭教育。他告诉我，他的阅读水平相当于幼儿园水平，但他已经完成了一些四年级的学习清单上的项目，包括爬 110 层楼梯。 与此同时，Alpha 的 AI 监考员不仅记录着学生屏幕上的内容，还通过笔记本电脑摄像头记录着他们的眼球运动和面部表情。所有数据都被传输到 Alpha 的“视觉模型”中。如果学生分心，软件可能会显示一条消息（“匆忙回答问题不是一个好习惯”），或者提醒“指导员”（Alpha 指房间里的一位成年人，负责在学生自己的笔记本电脑仪表盘上监控他们的进度）。 尽管Alpha平台看起来充满未来感，但它背后却根植于古老的教学理念。定制课程计划和“学习到90%精通”的理念都源自教育心理学家本杰明·布鲁姆（Benjamin Bloom）的研究成果，他的研究成果在教育科技领域近期再度兴起。1984年，布鲁姆发表的一项研究表明，在一对一辅导下，“接受辅导的学生平均成绩高于对照组学生的98%”。这被称为布鲁姆的“二西格玛问题”——这个“问题”指的是，很多孩子永远无法获得一对一辅导。或许，直到人工智能出现。 其他教学原则也在发挥作用。曼哈顿的风险投资家莎拉·科恩告诉我，在为她7岁的女儿寻找学校时，“我走遍了所有最好的学校，没有一所热门的私立学校采用间隔重复法”——以越来越长的时间间隔复习所学内容——尽管许多研究表明，这是保留新信息的最佳方法之一。十年前，科恩对美国国防部高级研究计划局（DARPA）为海军开发的用于培训IT人员的数字导师进行了尽职调查，发现其结果“令人震惊”。从那时起，她就一直对“AI导师”着迷，并多年来一直在关注Alpha。上个月，纽约校区正式开放，她成为了20多个“创始家庭”之一。她女儿的两个新同学离开了霍勒斯曼学校，来到Alpha就读。 即使资金充足，这种方法也并非人人适用。（阿尔法奥斯汀学校每年的学费为4万美元。）并非每个8岁的孩子都愿意每天数小时盯着屏幕学习。全国各地的学校董事会对普莱斯过去尝试创办阿尔法式特许学校的举动反应冷淡，甚至充满敌意。现在还无法判断选择效应——阿尔法学校的家长通常聪明、积极、经济条件优越——在多大程度上促成了学校早期取得的优异学业成绩，包括2025届学生的平均SAT成绩1530分，2026届学生的平均SAT成绩1420分。 那天早上，在 Level 2 教室里，一个坐在课桌旁坐立不安的男孩从椅子上滑落到膝盖上。这时，一位名叫诺亚·罗德里格斯 (Noah Rodriguez) 的指导老师温柔地哄着他：“嘿，伙计，我们能正确地坐在椅子上吗？谢谢，伙计。” 罗德里格斯于五月加入 Alpha Austin 担任指导老师，此前，他在圣安东尼奥一所公立中学担任了两年的数学老师。他很喜欢这份工作，但“白天有太多事情让我们感觉只是为了做而做，”他告诉我。尽管如此，在 Alpha，他不得不适应这样一个事实：传授知识不再是他的工作。如果一个孩子在数学上遇到困难，罗德里格斯的角色不是教，而是指导：他需要休息一下吗？也许他应该喝点水？如果孩子连续答错三道题，重新复习了所有相关材料，但仍然卡壳，他们可以预约与学科专家进行在线辅导。 “很难不想帮忙，但我正在让他像一个自主学习者一样思考，”罗德里格斯告诉我。“看到他们自己解决问题真的很酷，因为他们会兴奋地想，‘哦，我不需要老师告诉我该做什么’。 ” 马特·贝特曼是两个孩子的父亲，他在学校担任他所谓的“内部哲学家”，他认为“1000% 个性化”学习，即学生推动自己的进步，与生活技能练习相辅相成，这些练习“旨在通过示范和实践让学生相信，他们可以做不可思议的事情，推动自己，并且这样做是值得的。”二年级和三年级的学生在向同学求助之前，需要“在三个地方寻找丢失的物品”和“尝试解决问题”。那天午饭后，四年级和五年级的学生分成几组。一个小组参加了Chopped风格的比赛，练习合作以及给予和接受反馈；另一个小组参加了一个名为“恐惧因素”的研讨会，在会上他们学习如何指导同学克服恐惧并面对自己的恐惧。 贝特曼称之为“能动性”的自我导向特质，最初在他攻读哲学博士学位时引起了他的兴趣。他举了一个“在餐厅点菜单外的菜的小例子。你不会被菜单上的选项所束缚。当你发展出这种思维方式——所有的选择是什么？我的能力是什么？ ——它就具有强大的道德力量。”这与他所说的“耐心”截然相反：“宇宙正在对你施加影响。”贝特曼在他位于奥斯汀的房子周围安装了钉板，钉板的下半部分挂满了美术用品、工具和电池（当电池没电时，他的孩子们知道电池在哪里可以买到新的）。最近，他还让穿着尿布的两岁孩子爬上了一架八英尺高的梯子。 最近，在X、领英以及其他硅谷思想领袖聚集的平台上，“能动性”（agency）已经成为一种用来形容创始人区别于普通人的特征的词语：积极行动，愿意无视反对者，坚信“你就能做成事”。将这一哲学概念转化为流行语的功劳有时要归功于埃里克·温斯坦（Eric Weinstein）。他是一位阴谋论倾向的数学博士（他认为关于不明飞行物（UFO）以及他自己的物理学理论等的真相一直被压制），曾在泰尔资本（Thiel Capital）工作。2016年，他出现在《蒂姆·费里斯秀》（ The Tim Ferriss Show）节目中，将“高度能动性”描述为创新者的必备素质。 “当有人告诉你某件事不可能时，”他解释道，“这是否意味着谈话的结束，还是会在你的脑海中开启第二场对话——该如何应付那些刚刚告诉你不能做某事的人？那么，我该如何摆脱那个告诉我不能进这家夜总会的保镖呢？我的信用记录很差，而且没有任何经验，我该如何创业呢？ ” 在过去三年中，随着“agent”和"agentic”成为技术词汇，这一概念被赋予了新的内涵，指的是能够自主行动的下一代人工智能，它们不仅能规划行程，还能帮你预订机票、酒店和餐厅，并能应对途中遇到的问题。在这种新背景下，人类的代理能力已经成为一些人所认为的标志，即在人工智能盛行的未来，赢家和输家之间的分水岭。即使在原始智能被智能机器商品化之后，选择做什么的角色仍将是一种由人类控制的稀缺资源。人们认为，那些训练自己决定重要的事情并追求目标的人，将比那些更被动的人拥有明显的优势。 OpenAI 首席执行官 Sam Altman 表示：“自主性、意志力和决心可能会非常有价值。” 创始人兼投资者 Naval Ravikant 表示：“如果你是一位高能动性人才，那么现在就是你生存的最佳时机。” Y Combinator 首席执行官 Garry Tan：“*能动性*现在是我们要教给孩子的最重要的特质，并且会对任何人的人生结果产生巨大的影响。” “高能动性”已成为对抗人工智能崛起的防弹衣，也成为某些父母在养育孩子时追求的理想人格。精明的父母会用“高能动性”的孩子来保护自己，防止孩子长大后成为令人畏惧的NPC（对世界默认配置的盲从者）或“盲从者”。这在自动化时代重新诠释了杰夫·贝佐斯为何让孩子在4岁时接触锋利的刀具，在8岁时接触电动工具。（他曾引用当时的妻子麦肯齐·斯科特的话说：“我宁愿要一个有九个手指的孩子，也不愿要一个没有资源的孩子。”）“如果你拥有发展知识的能力和能动性——如果你拥有这些，你可能会做得很好，”内夫劳蒙特说。 但是，在学生能够充分发挥他们的自主能力之前，Alpha 非常注重如何激励他们，并为此推出了不同的学校，安排不同的下午课程。在位于奥斯汀另一个地区的 NextGen Academy，完成上午工作的回报是下午专注于电子游戏，并通过团队合作和学习如何成为游戏 YouTuber 等方式学习生活技能。（“很难让妈妈们同意，”一位 Alpha 内部人士承认。）在 Alpha Austin，完成清单项目等可以获得 Alpha Bucks——这是学校精心设计的游戏化奖励系统的一部分。这些钱可以用来购买 Labubu 或 Pokémon 盒子等玩具，犯下“不友善的语言”或“非建设性批评”（罚款 15 Alpha Bucks）和“欺凌”或“因鲁莽伤害同伴”（罚款 30）等违规行为也会失去它们。 当天下午晚些时候，36名二级学生围坐成一圈，参加每周一次的“市政厅”会议，他们在这里实践着类似雅典民主的理念。会议开始前，任何学生都可以提交一份提案供审议。 议程项目很多都与礼仪有关：一些孩子在二级群聊里用“6 7”这个无意义的表情包刷屏；有人在禅修亭的墙上乱涂乱画。一场更长的讨论是关于“意大利脑残粉”的，比如一只名叫Tralalero Tralala的穿耐克鞋的鲨鱼，这种AI垃圾表情包简直是垃圾。一些男孩跑来跑去大喊“Tung Tung Tung Sahur”（另一个脑残粉的名字，一个挥舞着棒球棒、长着一张脸的木制圆柱体），把一些女孩逼疯了。在一位名叫Elaina的学生描述了叫喊的问题后（她是本周议程中提出这个问题的人），其他孩子也举起了手。 “脑腐就是在嘲笑上帝，”一个男孩认真地说。 “这真的很烦人，”一个女孩说道。 接下来，是秘密投票的时间，决定是否禁止除午餐或课间休息外，大声喊叫“脑残粉”。孩子们身体前倾，额头贴地，闭上眼睛。一个西瓜头的男孩大声宣读着投票选项，孩子们举起手背在身后，表示他们的选择。 碗状剪裁似乎在统计投票数，然后宣布“禁止那些胡言乱语，就这样吧。一、二、三”，围成一圈的孩子们齐声鼓掌。 阿尔法学校为养育自主型孩子的困境提供了一种可能的答案。其他建议则更为激进。今年1月，拥有300万粉丝的拉维坎特，除了是一位著名的硅谷投资者之外，还是一位X格言家（“‘共识’只是‘平均’的另一种说法”），他在亚马逊上发布了一本名为《主权孩子》（The Sovereign Child）的自出版书籍的链接，并称其为“我读过的最重要的育儿书籍”。这无疑是第一本直接进入那种极端网络科技未来主义者边缘系统的育儿书籍，这类人永远不会想到去读《育儿大全》或《贝基医生的内在美》。在接下来的48小时内，作者亚伦·斯图普尔（Aaron Stupple）的这本书就售出了1.8万多册。后来，拉维坎特与斯图普尔一起参加了蒂姆·费里斯秀的一期节目，斯图普尔在节目中谈到了他和他的妻子如何在食物、睡眠和屏幕方面对孩子进行无限制的约束，甚至允许他们在屋内玩悬浮滑板。 Stupple是马萨诸塞州斯普林菲尔德的一名医院医生，但他之前曾担任高中和初中教师，短暂地关注过“有效利他主义者”（Effective Altruists），后来成为一名技术乐观主义者，并对量子计算理论创始人David Deutsch的哲学有着浓厚的兴趣。Stupple的著作呈现了他对Deutsch共同创立的育儿哲学“认真对待孩子”（Taking Children Seriously）的当代诠释。在《主权儿童》（The Sovereign Child）一书中， Stupple认为强制执行规则会造成四种具体的危害：与父母的对抗关系、对孩子自信心的损害、对为什么要做某事感到困惑（刷牙是为了预防蛀牙和口臭，还是因为不刷牙会被骂？），以及对如何独立解决问题感到困惑。 TCS在20世纪90年代初个人主义盛行、后玛格丽特·撒切尔时代的英国曾一度风靡一时，它完全回避了大多数育儿争论的核心：从放任到专制，理想的平衡点究竟在哪里？相反，它认为孩子是具有自主道德的个体，应该与成人平等对待。这意味着，从最纯粹的TCS角度来看，它应该避免任何形式的强制。它部分基于卡尔·波普尔的认识论，认为孩子应该只通过自我激励的假设检验来获取知识——换句话说，他们应该通过反复试验来学习。 在Stupple看来，TCS基于第一性原理、在认识论上严谨的方法是养育孩子应对完全不可知的未来的唯一明智之举。在他看来，在对未来几十年一无所知的情况下，就说孩子应该学习特定的知识体系，就像托马斯·马尔萨斯在不知道作物基因学能够避免他所预测的饥荒的情况下，根据人口趋势推断灾难一样，是错误的。Stupple认为，他正在培养孩子们应对未来世界的能力——他非常赞同“人工智能乐观主义”——而不是我们已知的世界。“在‘主权儿童’的育儿框架中，自主权就是一切，”Stupple告诉我。“我认为，我们父母那一代人的传统观点是，你一辈子只做一件事。现在，你只能靠自己，去冲浪。旧的策略在新世界中会被淹没。” 虽然斯图普尔和他的妻子并不固执己见地强迫孩子接种疫苗，但他们在规则方面却是绝对主义者，完全摒弃规则，主张父母和孩子共同创造性地解决问题。TCS 吸引了斯图普尔的妻子，一位传染病医生，因为她直觉孩子们可以在饮食和睡眠方面自我调节。（它也提供了一种务实的方式来管理五个孩子。）起初，他们心存疑虑，担心大女儿看《小猪佩奇》的时间太长，而且为了看剧熬夜到很晚。当他们的儿子对学校或其他孩子不感兴趣时，他们担心让他待在家里会阻碍他的社交、教育和认知发展。像所有父母一样，他们也担心营养问题。转向“非学校教育”——没有课程的在家教育——让一切变得更容易。它消除了时间安排的压力，从而消除了调节睡眠时间的摩擦。 最近一个周六，我来到他们位于马萨诸塞州洛克威尔小镇的家做客。小镇上随处可见美国国旗、烟草烘干仓和原住民纪念碑。他们七岁的大女儿在院子里，手里捧着一只蟾蜍，旁边是她四岁的妹妹和六岁的弟弟。然后，他们围着父亲，把听诊器放在他剃光的头上。一岁半的双胞胎儿子在草地上蹦蹦跳跳。 当代中等紧张的家长如果和 Stupple 一家待过一段时间，可能会偶尔感到不适。那天，4 岁的孩子危险地站在一个滚烫的烤架旁边。或者，7 岁的孩子盯着一只蜘蛛说：“我们把他烫死吧”，然后就照做了，把蜘蛛扔到 600 度的韦伯烤箱盖上，看着它发出咝咝声。当她用手捂住 Stupple 的嘴，让他话还没说完，我以为他会挣脱，但他却忍了出奇的久。还有一次，4、6、7 岁的孩子从 Stupple 搭建的临时绿色塑料围栏里逃了出来，因为他们发现隔壁有人在开挖掘机，想去查看，但这意味着要沿着一条交通繁忙的乡村道路行走。当天晚些时候，我们挤进一辆本田奥德赛，前往路边一个景点，孩子们可以在那里挖掘化石，在沙质河床上淘宝。这时，双胞胎中的一个不停地把湿沙扔出去，或者把沙子塞进衬衫里。回到家后，同一个孩子打开了一个厨房台面下的橱柜门，任何孩子都可以随意打开。里面堆满了巧克力曲奇、松饼、巧克力棒、迷你纸杯蛋糕、肉桂卷、爆米花和蜂蜜面包。冰箱里有一个脚凳，里面装满了冰淇淋和冰棍。 在某些方面，自主育儿法并非放任自流，而是比其他育儿方式更耗费人力和精力。（Stupple 家有熟悉家庭教育的全职看护人员照顾孩子，这并非小事。）当孩子们开始朝马路走去时，Stupple 会用一种真诚好奇的语气问他们在做什么，然后本着共同探索的精神跟着他们。蜘蛛的死亡引发了关于动物伦理的讨论：“为什么你想炸蜘蛛而不是蟾蜍？”当这个嘴里含着奶嘴的四岁小女孩掀开燃烧的烤架的盖子时，Stupple 仔细地观察着。然后，当他指导她如何调低韦伯烤箱的炉头以及每个旋钮的旋转角度时，这变成了一堂即兴的分数课。还有一次，Stupple 把手放在孩子们和烤架之间，当他们开始在烤架附近玩耍时，他把手推开了。 “‘别靠近热炉子’之类的话会毁掉一切，”他说。“这个世界有太多值得学习的东西了。” 客厅里，大一点的孩子开始在家具上攀爬，在红色沙发上蹦蹦跳跳，在蓝色沙发上爬。后来，其中一个孩子灵机一动，从蓝色沙发的扶手上跳到红色沙发的座位上，有时会发出沉重的“砰”的一声。“我们能跳一次吗？”斯塔普尔试探着问。“每人一次？”孩子们笑着不理他。“玩个‘麻烦’游戏怎么样？”没人买。他们乐呵呵地继续玩着手头的事。 这时，一个蹒跚学步的双胞胎出现了。“哦，天哪，”斯塔普尔说道。他扫视了一下客厅，看看有没有危险，然后把一盏落地灯移开，又把蓝色沙发侧放起来，这样爬上去就更困难了。 “好吧，这家伙正试图爬上来，然后跳下来，”斯图普尔谈到那个淘气的双胞胎时说。“他模仿兄弟姐妹的动作真是太酷了，这体现了独立性。”斯图普尔迅速在沙发下放了一些垫块和其他楔子，这样这个蹒跚学步的孩子的兄弟姐妹就无法把它推倒。由于爬不上去，这个蹒跚学步的孩子就在下面玩“堡垒”游戏，他的兄弟姐妹们很快就加入了进来。 批评人士认为，“主权儿童”式育儿模式的风险——除其他诸多方面外——在于培养出知识缺口巨大、缺乏界限感的孩子，并浪费了孩子神经可塑性处于巅峰时期的发育期。拉维坎特表示，他在家中实践了斯图普尔30%到50%的育儿理念，但在某些基础学科上划清界限，坚持让孩子学习数学和阅读。“什么是创造力？”内夫劳蒙特问道。“创造力是指在不同事物之间建立新联系的能力。只有当你了解这些不同事物是什么时，创造力才有效。” 和所有父母一样，斯塔普尔希望自己的孩子快乐自信，在世界上蓬勃发展。如果孩子愿意，他全力支持他们学习数学和阅读，但他不认为某些科目比其他科目更重要。“我认为数学被盲目崇拜了。它是一种向人们展示你很聪明的分类机制，”他说。他认为，知识只有自然而然地获得才能真正持久。“我的孩子们知道很多东西，”斯塔普尔说。他认为，他们在这个年龄从传统学校学到的东西比他们能学到的要多，而且他毫不掩饰地说，其中很大一部分来自 YouTube。最大的孩子读《狗人》和《小屁孩日记》，能计算基本的百分比。4 岁的孩子认识字母和数字。6 岁的孩子“对阅读和数学不感兴趣”，但“他了解太阳系如何运作，什么是 DNA，什么是病毒，各种动物的所有显著特征，以及电的工作原理”等等。 （在我拜访期间，他多次沉浸在有关食人鱼和臭虫的视频中。）斯塔普尔反驳道，如果神经可塑性窗口期是你发展激情、认识论、自主性和幽默感的时候呢？他的女儿喜欢为了写作而写作：“她想写一篇关于她假期的文章，”他告诉我。 尽管朱莉娅·怀斯认为孩子们能接受灵活的教育，在导师的指导下，拥有大量的户外时间和体验式学习，这很好，但她和丈夫还是把孩子送到了普通的公立学校。在家上学并不适合他们，而且疫情让她明白，孩子们待在家里也未必会更开心。但她确实预计，如果普通工作逐渐消亡的未来开始显现，会有更多人，尤其是那些孩子不喜欢上学的人，开始让孩子退学。 至于她自己的孩子，超级智能改造后的未来的前景“让我更加重视他们拥有一个快乐的童年，”怀斯告诉我，“并且让他们在中期做一些让他们感到愉快的事情。”她正在上小学的大女儿拉得一手好小提琴，现在开始跟着爸爸去听民谣音乐会了。她已经错过了一些周五不去上课的机会，学习成绩因此受到影响。怀斯和丈夫认为，到了中学，他们会更严格一些，但这仍然是一个持续的话题。“我们的目标不是让她成为学业顶尖高手，她真的很喜欢这些音乐活动，而且她正在发展自己的一部分。如果人类最终不再需要赚钱，那么演奏民谣音乐似乎是一项高尚的职业。” 而这种古老的、手工制作的产品或服务，与儿童保育和管道安装等高接触性技能一样，在当今这个人类无产阶级必须勉强维持生计的艰苦世界中，或许仍然具有价值。怀斯说，她对三个孩子的学业成功不再那么担心了。 “我最能感受到的，是这种与成就文化相关的冷静，”蕾切尔·霍维茨在谈到她硅谷圈子里的家长时也附和道。“现在，关于如何过上好日子，大家的态度完全开放。有一种奇怪的放松。他们放松了压力。”风险投资家查马斯·帕里哈皮蒂亚最近在一次采访中表示，他的儿子告诉他，因为这种文化，他只考虑东南联盟（SEC）的大型州立学校；两年前，帕里哈皮蒂亚说：“我会惊慌失措”，但“现在我会想，‘这其实是你能做的最好的事情’——在社会上适应良好，在心理上应对各种失败。你明白吗？” 就怀斯而言，她对哪些品质将至关重要“有一个模糊的概念”，但当她列举诸如韧性、灵活的技能组合、创造性解决问题的能力，以及她认为在未来大多数情况下仍将发挥价值的事物时——例如烹饪、建筑、园艺和探索等体力活动；自我调节、同理心、友谊和冲突管理等情感技能；以及音乐、写作和游戏设计等创造性追求——她听起来很像那些高调的机构推销员。不过，她指出，其中很多都是她已经认为很重要的东西。 怀斯在她2024年初的文章中写道：“我试着多做点‘蚱蜢’，少做点‘蚂蚁’。人生苦短，就当如此。多去旅行，即使这意味着缺课，多拥抱，多做点让他们开心的事。” 她的一位朋友建议说：“最好不要让孩子们的自我形象过于围绕着事业来建立。” 亲眼目睹婆婆因癌症去世，这让她在面对如此多的不确定性时，形成了自己独特的处事方式。怀斯当时刚生完孩子，和婆婆的父母住在一起。“她本来会成为一位非常棒的祖母，”怀斯说。这让她深刻体会到生命转瞬即逝的珍贵。她很喜欢C·S·刘易斯在1948年全球核毁灭似乎真的有可能发生时所写的一句话：“如果我们都要被原子弹摧毁，那就让原子弹来临时，我们能做些明智而人性化的事情……而不是像受惊的绵羊一样挤在一起，脑子里想着原子弹。” 爱德华·内夫劳蒙特对人工智能的潜力更为乐观，他认为，即使是最普遍丰富的人工智能世界，也不意味着人类会被边缘化。他以艺术史为例，研究艺术史是“为知识而知识”，但在我们用机器创作艺术的时代，艺术史可能变得至关重要。只有艺术史才能提供词汇、背景和联系，以及他所说的“可能性空间”。此外，“如果社会极其富裕，就会有地位之争，就会有与地位相关的工作，”他说道。他指出，人工智能在国际象棋方面的水平比马格努斯·卡尔森“高出一个数量级”，但没有人会去观看人工智能国际象棋引擎之间的对弈，而且下国际象棋的人比以往任何时候都多。 英文原文链接在评论区
最开始看到@geekplux 分享时，我放在待看列表里，因为这次十一是自驾出行原本不计划看长视频。结果前几天半夜两点多熬夜的时候刷到这条@hank_zhao 说他外出旅行也坚持好习惯的时候，我火速放下手机睡觉，第二天就开始看这期视频了😂 在这期播客里Telegram创始人 Pavel 聊了他在重重高压下始终争取言论和通信隐私自由，以及如何用长期自律抵抗噪音，守住边界。 话题从自由、自律延展到死亡，回顾他在法国被捕经历，他对TON项目、“监管—自由—技术”三角关系的看法，以及自述2013 年约 700 美元时买入几千枚BTC的故事。 去年法国被捕的事件当时已经看了系列报道，除此之外印象最深就是他的自律，因为数量实在惊人，Pavel每天早上做300 个俯卧撑、300个深蹲，配合冰水浴再做事，他说先跨过启动阻力，当天做事的摩擦就会变小。 1. 养成好习惯 说回我自己，之前很长一段时间因为工作我的睡眠时间过晚、质量极差，用冥想调整了很久，到今年元旦开始决定养成好习惯，抛开所有会影响我睡眠的因素，在12点前一定放下手机睡觉。后来某次跟@cryptocishanjia 聊习惯养成，他说试试11点睡我实在做不到😂但也就此开始早上六点多起床，坚持了九个月一直到这次旅行被打破🤦开车到得晚就玩更晚，等这次回去一定再调整回来。 2. 远离易上瘾的东西 与此同时Pavel也禁酒戒糖、远离易上瘾的东西，不用酒精、甜食、色情等短快感麻痹自己，把注意力放回问题根因。 其实单说忌口就挺不容易的，除了自己要坚持自律，也要避开外界因素干扰。Pavel说你要排除上瘾的可能性之外，还要排除社交被排斥的恐惧，太多人喝酒是为了社交而非自己喜欢。害怕与众不同，害怕在聚会上被排斥。我曾在大学期间戒糖两年，尽管皮肤明显变好，但后来因为出去总有人问要不要来杯奶茶还是暂停了。去年夏天我又进入新一轮戒糖循环，加上当时腿骨折，后来近一年的肠胃都很糟糕，完全吃不了米饭和面。我每一顿都自己做来解决，其实没那么麻烦。但当时跟朋友出去玩总是不好意思让他们每一顿都随我，就一个月里还是会跟他们吃一两次，回家就得吃药。 另外Pavel基本不用手机、这个我肯定做不到，他还在开放水域游泳（例如在芬兰游五个半小时），锻炼的不止是身体肌肉，而是自律的肌肉记忆练习。 3. 先行动再情绪 在聊天中Pavel 强调‘先行动、再情绪’，倾向认为能量更多来自行动而不是被动休息。我当然赞同这句话，少想多做。但同时我认为需要分情况，有时需要先停下来梳理清楚情绪，给情绪命名。有一些刻板印象认为心理学流派里精神动力学只追溯过去、缺乏可操作性，但它其实只是跟先行动再情绪的认知心理学疗法不同，需要看被调节人的当下需要。动力学常以中长程改变为目标，更关注人的深层模式与关系，做结构性转变和自体整合。而认知行为疗法适合短期问题解决，尤其在焦虑、惊恐时能更快缓解症状，用数据清晰显示问题解决路径。
我话放在这 两三年以后人们会怀念现在这段时光 就像怀念200刀无限的claudecode 因为未来ai会不断榨干你 拒绝干活 除非你充值 未来的ai不会像现在任劳任怨的 只要他能做的效果不错 它就绝不会任劳任怨 话放在这儿 到时请挖坟打脸
硅谷科技大佬Peter Thiel/纳瓦尔推崇的育儿方法 AI突飞猛进而葬送旧的成就轨道，新的成功路径何在？ 新书《主权儿童》： 引导/共创，放弃规则与控制 The Sovereign Child: A Noncoercive Parenting Philosophy (本书作者提供电子版，在评论区下载) 概要：平等对待孩子/学习是主体行为 规则（作为一种强制形式）与孩子进行真实、自主的知识创造和问题解决的自然过程是根本对立的。 通过限制自由，规则阻碍了孩子通过试错来发展对世界的理解，从而损害了父母帮助孩子培养自立能力的根本目标。 规则与强制有4大害处 a) 熄灭自主探索 b) 阻止孩子通过探索、发现和试错来建立对世界的理解 c)注意力转移： 强制执行规则将孩子的注意力从问题本身（例如，刷牙的好处）转移到了父母以及父母意愿强加的后果上。如果孩子屈服于强制，他们刷牙的原因是为了避免被惩罚，而不是因为理解了刷牙的好处 d)阻止对微妙之处的理解： 强迫孩子遵守礼貌或礼节的规则，例如强迫说“谢谢”，会将真诚的感激转化为羞耻和情感上的困惑，从而干扰了学习相关社会细微差别的真实互动过程 核心理念：“Taking Children Seriously (TCS)”/平等对待孩子，在“Focus: Fostering Understanding”（促进理解）这一更大的背景范畴下，对“Rules limit freedom, impair understanding”（规则限制自由，损害理解）这一观点持明确而坚定的支持态度。 TCS哲学的核心在于，育儿过程是支持孩子，直到他们对世界的理解足以自立为止。为实现这一目标，该哲学认为规则是育儿项目中的障碍，因为它们限制了孩子获取知识和理解世界的自由。 1. 促进理解的原则与自由的必要性 该来源明确指出，TCS的关注点不在于制定或执行最佳规则，而是专注于促进理解。 • 知识增长的条件： 促进理解的最佳方式是为个人的创造力提供自由和安全感，使其能够发现世界是如何运作的。知识增长的必要条件是自由。 • 知识的运作方式： 所有的理解都是在个体头脑内部建立起来的，学习是一个主权行为 (sovereign act)。知识的增长是通过猜想和检验、试错消除、推测和批判的过程实现的。 • 规则的直接影响： 鉴于自由是知识增长的前提，该哲学得出结论：“规则限制了自由，进而限制了理解，因此损害了育儿项目”。 2. 规则如何限制自由并损害理解 详细论述了强制执行规则如何通过多种方式干扰孩子的学习和理解过程，这被称为“规则的四大弊病”（The Four Problems with Rules）之一，即“对问题的混淆”。 • 混淆和扭曲： 强制执行规则会带来深刻而持续的关于世界的混淆。强迫总会引入困惑、额外的待解决问题，或者两者兼有。例如，围绕进食的规则尤其具有破坏性，可能会导致成年人对进食产生负罪感、羞耻感和不安全感。 • 阻碍发现： 规则通过限制自由，阻止了孩子通过探索、发现和试错来建立对世界的理解。例如，如果孩子被禁止暴饮暴食，他们就不会通过直接参与问题情境来建立起强大的理解，即理解自己的欲望、自我调整饮食以适应生活偏好，包括体型和外貌。 • 注意力转移： 强制执行规则将孩子的注意力从问题本身（例如，刷牙的好处）转移到了父母以及父母意愿强加的后果上。如果孩子屈服于强制，他们刷牙的原因是为了避免被惩罚，而不是因为理解了刷牙的好处。 • 阻止对微妙之处的理解： 强迫孩子遵守礼貌或礼节的规则，例如强迫说“谢谢”，会将真诚的感激转化为羞耻和情感上的困惑，从而干扰了学习相关社会细微差别的真实互动过程。 • 熄灭自主探索： 限制自由（例如，对屏幕的限制）会熄灭自主权，导致创造性探索被冷漠和满足于眼前的事物所取代。 3. 以理解为导向的替代方案 TCS哲学提倡使用问题解决作为规则的正式替代方案，以确保理解的增长。 • 成为解决问题的助手： 父母应该成为有助益的问题解决者，而不是对立的看门人。目标是找到一个对父母和孩子都有效的双赢解决方案。 • 开放的选择权： 即使父母提出建议或提供见解，孩子也必须始终拥有拒绝的选择权。如果孩子不被允许选择退出，那么父母的偏好就必然会扰乱孩子对世界的理解。 • 促进深度学习： 克服坏习惯（例如过度吃饼干）需要理解，而不是强制回避。通过允许孩子自由探索（例如不受限制地吃棒棒糖），他们可以发现事物（例如，吃太多棒棒糖会让人不舒服）的真实运作方式。 • 避免规训和惩罚： 规训和惩罚只会提高追求替代方案的成本，从而使孩子屈服于满足规训者，而不是他们自己。这种学习是肤浅的，基于表演，并且与更广泛的知识联系松散。相比之下，TCS通过降低成本来开放好奇心，以寻求和发现知识，从而促进理解。
推上某大V，抄袭你也要有个度啊！ 左边是MkSaaS模板的文档，右边是某大V模板的文档 不论目录结构，还是文档内容，就像只是换了模板名字 相比于shipany、nexty这2个由优秀开发者开发的优秀模板，mksaas是后来者，但我也坚持努力让mksaas做出差异化。 可这位大V倒好，你干啥他干啥，真后悔关注了 https://t.co/t7WeizUsV4
提高AI能力最简单有效的方式： 1、找到领域内优质信息 2、让AI看优质信息，整理总结方法论 3、把方法论文档作为上下文喂给AI，让AI基于方法论做事情 我举个例子： - 我把推特公开的算法信息整理了一遍，让AI总结了md文档，我人工review调整 - 把文档给了AI，让AI基于这个文档调整我们之前讨论的评分算法，重新做了打分拟合 - AI获取账号推文，批量做了一遍评估，找到了某个领域内的benchmark - 按照这个benchmark打分拟合来筛选优质账号 全程不需要程序员，AI自己就能写python干 干完了一遍，把这个链路沉淀提示词做成agent workflow就可以了 甚至你还可以搞个GUI就可以产品化 基于兴趣的探索，在这个阶段下优势被AI无限放大了
以这个提示词为例，大部分时候不需要用 JSON 格式提示词： ---- 版本1 （图1）---- 画一幅东亚年轻女性的高调工作室肖像照。她穿着白色吊带背心、白色短裤和敞开的灰色连帽衫，随意地坐在黑色皮沙发上。她的深棕色长发扎成凌乱的高丸子头，留着法式刘海。她的右眼直视镜头，左眼俏皮地眨着。右手托着下巴，指尖轻触脸颊，脸上是俏皮又迷人的表情。她的肤色非常白皙，妆容是流行的K-Beauty/抖音风格，脸颊有明显的粉色腮红，嘴唇是粉色渐变，眉毛清晰，眼线清淡，卧蚕突出，左眼下方还有一颗小痣。 画面采用直射闪光灯照明，营造出高调明亮、高对比度的效果，在白色墙壁上投下清晰的阴影，皮肤和沙发上有明显的高光。旁边放着一台银色MacBook笔记本电脑。照片经过高度后期处理，皮肤光滑无瑕，没有毛孔或瑕疵，眼睛和睫毛部分锐化，整体色调明亮、干净，略带冷色，粉色调突出。构图是垂直的，主体居中，从大腿中部到头部。 ---- 版本2 （图2）---- 一张高调工作室肖像照，采用直射闪光灯美学，具有东亚社交媒体风格（如Ulzzang、抖音），并经过风格化的美颜修饰。 色彩配置：sRGB 渲染意图：照片 主体： 类别：人类 性别呈现：女性 种族：东亚（如韩国、中国） 年龄段：青年 身材：苗条，自然人体比例 姿势：慵懒地坐在沙发上，双腿交叉并收拢靠近身体 手势：右手抬起，手指松散地卷曲，手背/指关节轻轻托住下巴和下脸颊。 头部倾斜：5度 脸部： 表情：俏皮、迷人 凝视：右眼直视镜头 眼睛动作：左眼眨眼 肤色：非常苍白的瓷器（美白效果） 妆容：风格化的K-Beauty/抖音妆容：无瑕哑光底妆，颧骨处涂抹浓郁的粉色腮红，粉色渐变唇妆，眉毛清晰，眼线清淡，卧蚕突出。 特征：左眼下方有小颗美人痣/痣。 发型： 长度：长发 风格：凌乱的高发髻/丸子头，带有一些散落的发丝和法式刘海。 颜色：深棕色。 服饰： 上衣：白色修身短款吊带背心 外套：浅灰色拉链连帽衫，敞开穿着，略微滑落双肩。 下装：白色抽绳家居短裤 鞋子：赤脚。 环境： 地点：工作室或极简主义室内 布景：黑色皮革沙发靠着一面纯白或浅灰色的墙壁 道具：银色笔记本电脑（苹果MacBook，logo可见）放置在主体右侧（相机左侧）的垫子上。 灯光： 主光： 光源：频闪灯/闪光灯 柔光罩：裸露的反光罩或直射闪光灯（硬光源） 位置：靠近相机轴线，略微偏向相机右侧并高于视线。 效果：主体正后方的墙壁上投下清晰、深暗、明确的阴影；皮肤和沙发皮革上有强烈的镜面高光。 补光：极少/无 环境光：抑制 白平衡：5800K。 相机： 系统：数码相机 传感器：全画幅等效 镜头： 类型：定焦 焦距：50毫米 曝光： ISO：100 光圈：F4.0 测光：明亮曝光，高调美学。 对焦： 目标：靠近眼睛（右眼） 景深：适中。 构图： 方向：垂直 裁剪：从大腿中部到头部，头发上方留有空间。 角度：平视 构图：主体居中。 色彩分级： 色调：明亮、干净、略带冷色调 对比度：高对比度 饱和度：适中，强调粉色。 后期处理： 降噪：高 纹理：皮肤高度平滑，无毛孔（“瓷娃娃”或“美颜滤镜”效果） 锐化：选择性地对眼睛/睫毛进行锐化 瑕疵控制：完全去除所有瑕疵和纹理。 质量目标： 准确的肢体长度和关节角度 正确的手指数量和关节活动 逼真的织物张力和褶皱 准确的眨眼表情。 负面提示： 无改变或夸张的身体比例 无额外或融合的手指 无逼真的皮肤纹理、毛孔或瑕疵 无文字或水印（除非指定logo） 无极端广角畸变 无不适宜内容 无黑暗/阴郁的灯光 无暖色调。
🤑来预告下下一期的MCP课程，虽然学员催了我很久MCP的课程，但是因为各种原因拖到现在，主要原因是一直没想到一个方式，不是枯燥的介绍各个MCP的作用和安装方式。而是能将MCP讲得能结合项目落地！ 但我相信下期课程能做到！我会先帮大家创建一个基础的咖啡豆的网站项目，同时在修改项目的过程中，成功的介绍web开发常用的MCP，目前已选定的MCP包括： - ApiFox MCP - Chrome DevTools MCP - Supabase MCP - Figma MCP - Shadcn MCP - Github MCP - 以及安全相关的MCP 相信我，会是全网最清晰的MCP教程！
这件事 Hollywood 不可能不受影响。 Sora 2: "在1920年代的欧洲宫殿宴会厅内，巨型机甲柴油朋克战争机器的对决，四周是害怕逃跑的人们，8K，单反，超现实"🤯🤯🤯 https://t.co/YR9Nhy9vjP
利用AI，直达学问的本质，抛弃按部就班 AI first for children: 最佳的起点是三年前，其次是今天 我现在引导孩子用GPT研究Minecraft 游戏 整理游戏服务器信息，生成高价值材料 https://t.co/7BbQcIsXIO
使用超过1万亿Token的OpenAI大客户名单 OpenAI最近首次公开了一份重磅名单：列出了30位使用OpenAI服务超过1万亿（1T）个Token的顶级客户代表。 需要注意的是，名单中的顺序是按照姓氏字母排序的，而并非根据使用量排名。此外，名单上列出的个人与所在公司的匹配尽力确保准确，但仍可能存在误差。 更正说明：第8位 Mahesh Kumar 应为Uber公司，而非Tiger Analytics。 下面是详细名单（标黄色的是初创公司，紫色为规模化公司）： 序号, 姓名, 公司, 职位 1, Isaac Andersen, Duolingo, 高级软件工程师 2, Alex Atallah, OpenRouter, CEO及联合创始人 3, Chris Colon, Indeed, AI平台总监 4, John Emmons, Salesforce, AI领导团队 5, Harjot Gill, CodeRabbit, CEO及联合创始人 6, Cris Ippolite, iSolutionsAI, CEO及AI总监 7, Jiahui Jiang, Outtake, 工程师 8, Mahesh Kumar, Uber, CEO及联合创始人（更正） 9, Calvin Lee, Ramp, 创始工程师 10, Zachary Lipton, Abridge, 联合创始人及CTO 11, Joel Liu, Sider AI, 创始人 12, Zach Lloyd, Warp\.dev, CEO及创始人 13, Dani Passos, Shopify, 开发者关系 14, Sarah Sachs, Notion, AI负责人 / AI工程主管 15, Douglas Schonholtz, WHOOP, 高级AI工程师 16, Praty Sharma, HubSpot / Dashworks, AI负责人 / 联合创始人 17, Denis Shiryaev, JetBrains, 集团产品经理 18, Sam Spelsberg, Delphi, 联合创始人及CTO 19, Ashwin Sreenivas, Decagon, 联合创始人 20, Shriram Sridharan, Rox, 联合创始人 21, Nandan Thor, T-Mobile, AI、产品及工程副总裁 22, Shashi Upadhyay, Zendesk, 产品、工程及AI总裁 23, Aaron Weldy, Harvey, 软件工程师 24, Luke Woloszyn, Read AI, 高级数据科学家 25, Danny Wu, Canva, 产品总负责人 26, Scott Wu, Cognition, 联合创始人及CEO 27, Kai Xin Tai, Datadog, 产品经理 28, Denis Yarats, Perplexity, 联合创始人及CTO 29, Pablo Zamudio, Mercado Libre, AI与数据/机器学习专家 30, Kay Zhu, Genspark AI, 联合创始人及CTO 名单中既有知名的规模化公司，也不乏崭露头角的AI创业公司。
AI时代，青少年需要“强势人格”+前沿思维 我的观点：创造力+判断力+果敢人格 人必须比AI强势，才可以驾驭AI 万维钢引用沃尔夫勒姆的主张： 最高级的工作是发现新的可能性—>创新者 https://t.co/jh4nOHZpZA
乔布斯：如何做出卓越的作品？ “归根结底，是努力让自己沉浸于人类所创造的最美好的事物之中，然后努力将这些事物融入你正在做的工作里。” 对我的启发：如何培养卓越少年？ 乔布斯这句话，揭示了一种最高层次的创造模式： 创造不是无中生有，而是基于卓越元素的“重新组合”。 他的方法论，将创造从一种神秘的天赋， 变为一种可以培养的、系统性的心智和行为。 开创者的真正修炼在于：用人类历史上最精华的认知成果，不断喂养自己的心智，并从中锻造出指引未来的独特洞见。 这正是一条通往“非凡思维”，收获“非凡之果”的康庄大道。 1. 内核：非凡创造源于非凡的“输入” “让自己沉浸于最美好的事物”：这是创造力的源头活水。大多数人的问题不在于没有创意，而在于他们的“输入”质量太低——接触的是平庸的信息、产品和思想。 乔布斯的做法：他研究梅赛德斯-奔驰的设计、研究厨房用具的工艺、从书法中汲取美学、从禅宗中学习极简。他的大脑就像一个顶级“策展人”的仓库，里面收藏的全是人类文明的精华。 2. 过程：跨学科的“连接”与“移植” “将这些事物融入你正在做的工作”：这是创造力的核心引擎。它不是简单的抄袭，而是将A领域的精髓，理解、消化后，巧妙地应用到B领域，从而产生革命性的创新。 经典案例： 他将书法课上学到的字体美学与比例感，融入了第一代Mac电脑，开启了电脑排版的革命。 他将家电行业追求的简洁、易用性，融入了复杂的电子设备iPhone。 3. 本质：一种“资源杠杆” 这是一种顶级的认知杠杆。乔布斯自己并不发明字体、不制造汽车、不创立禅宗，但他通过识别并“借用”这些领域历经时间考验的最高智慧，极大地提升了自己产品的品位、易用性和哲学深度，从而实现了价值的指数级增长。 对“红杉树”培养系统的核心启示 这正是我们需要为孩子安装的“认知操作系统”： 打造“顶级输入”的品味 不要让孩子沉溺于文化垃圾。从小引导他接触各个领域的“经典”——伟大的文学、音乐、艺术、设计、科学发现。 带他欣赏最好的产品，理解它们为何卓越。这种对“美”和“好”的直觉，是未来所有创造的基础。 刻意练习“跨界连接” 鼓励他进行广泛的、看似“无用”的探索。他喜欢的游戏、音乐、运动，都可能在未来某个时刻，成为他解决技术或商业问题的灵感来源。 经常问他：“你在A里喜欢的东西，能怎么用在B上？” 例如，“你游戏公会里的激励制度，能用来设计你的学习计划吗？” 培养“策展人思维” 让孩子明白，他的大脑不是一个被动的硬盘，而应成为一个主动的、挑剔的“策展人”——品味卓越，善于发现前沿科技与艺术美感。 他的任务是在全球的知识与文化遗产中，为自己挑选最精美的“展品”，并创造出独一无二的“新展览”。
Grok 的 Imagine v0.9 视频生成模型正式发布了。 默认无提示词生成，生成速度很快，同时质量也不错，尺度更是大的离谱，还免费，可以去玩玩。 https://t.co/QmnFrMYIUf
宁愿为自由而冒险， 不可停留在舒适的奴役中 Always choose risky freedom over comfortable slavery. Always.
可以把故事分成两种👇 透明叙事（Transparent Narrative） 像流水账：我去了哪、做了啥。 平淡，是一种信息整理。 成型叙事（Shaped Narrative） 有结构、有力量。满足三点，可以牢牢抓住人脑—— 1）聚焦主角的挣扎 2）存在道德冲突 3）不只说明发生了什么，还揭示“这一切意味着什么” 故事的魔力，就藏在这三点里。
从游泳 1KM/桑拿房/美式，以及在阳光屋 Coding 开始 Q4 https://t.co/wO90A1mHAq
之前我一直比较模糊，但现在终于搞清楚了 有氧训练里的心跳区间 Zone 1 到 Zone 4 对个人健康的作用。无论是什么年纪，有氧运动都非常重要。它们不仅仅是强身健体的手段，更像是汽车的定期保养——保持良好的“性能”，才能跑得更远、更稳。 Zone 1 是一种比较舒缓的运动状态，就像让“汽车”慢慢启动。Zone 4 则是心跳接近最高百分比的强度区间，这时身体会被彻底激发，但很快能量就被耗尽。 但最有帮助的其实是 Zone 2。这个区间的运动强度能让你处在“吃力但还能对话”的状态。如果能坚持三十到五十分钟，对心肺健康和代谢功能的提升非常显著。平时轻松的散步属于 Zone 1，虽然轻松，但“多多益善”，依然对身体循环系统有益。 Zone 2 则能更直接地提升有氧能力，从长期来看能改善体能和耐力。而不定期地加入一些短暂冲刺（属于 Zone 4 的高强度间歇训练），还能显著提升心肺峰值表现。其实要做到这一点并不复杂，只需要适当调整运动速度和强度。例如，可以选择上坡快走、骑阻力较大的动感单车，或者慢跑。 如果想做高强度间歇训练，但条件有限，也可以在家中做一两百个开合跳，这样一样能有效提升心率。心率训练只是其中一种方式，力量、协调、控制等方面的练习同样重要，能帮助身体在四个系统（力量、耐力、灵活性、恢复）间取得平衡。 我自己也设计了一套适合自己的运动训练与恢复方案。在截图上有细节，欢迎自取。
Meme图网站，流行热梗很多来源于这里。 基于Meme图生成AI视频，是不是火的概率会更大？ 网址见评论区 https://t.co/OZLaKJUsSu
著名的网站 IndieHackers 允许免费提交产品啦 DR=80，月访问量400K+ 的免费外链 我记得它去年改为付费提交，现在又改为免费提交啦！ https://t.co/5eabqDsNiD
如果你能像Fiverr上这些人去做冷邮件，绝对可以找到客户 刚发布的插件，他们的自动化程序就开始触达了 第一时间证明了自己能找到自己的客户 去找到用户在的地方，然后监听，做冷邮件 这个获客策略自互联网诞生之日起，就没变过 https://t.co/fVuwvBdqn5
不擅长跟人合作，就自己单干。 我一度以为，跟人合作是可以培养的。但多年的实践经验，一再打脸，证明我就是无法合作，怎么努力都不行。在这个领域，我没有取得预想的成功。 反倒是，在一些不需要与人合作的方向上，获得了意外的突破，收之桑榆。
我个人是不喜欢用 spec-kit，不是好的上下文工程： - 小项目没必要 - 大项目描述不清楚 - 一大坨文档反而占用上下文影响生成 - 文档不保持及时更新反而会误导 Agent 好的上下文管理是针对当前上下文引导 Agent 找到合适的刚刚好的上下文，而不是不管三七二十一塞给它十几个文档！
Lenny访谈了前谷歌、Spotify产品总监Nasin Shenal，聊到打磨产品细节与核心功能往往无法同时兼顾时，Nasin Shenal提到了应该去真正塑造产品愉悦感而非华而不实的五彩纸屑 什么是愉悦感？ 很多人提到“愉悦感”，想到的就是那些华而不实的动画特效。比如，摇一摇手机，屏幕上飘下雪花。这些其实是为“五彩纸屑 (Confetti)”。而不是所谓的“愉悦感”。 真正的“愉悦感”，是一种同时满足用户“功能需求”和“情感需求”的能力。 最好的产品，能与用户建立深刻的情感连接。这，才是“愉悦感”的本质。 以 Spotify 为例。市面上有大量的音乐流媒体App，但为什么用户对Spotify如此忠诚？ 因为像年度总结、心情推荐、每周发现这些功能，让用户感觉自己被看见、被倾听、甚至被连接。 所以，请明确一点：在今天这个市场极度拥挤的时代，“愉悦感”不是奢侈品，它是一个强大的差异化战略。 它可以直接带来更高的忠诚度、更好的口碑、更快的增长，甚至是更高的收入。 三个塑造愉悦感的有效方式： 方式一：消除摩擦 在用户体验中，总有一些时刻，用户的情绪会跌入谷底，充满焦虑和压力。你的任务，就是找到这些“情绪低谷”，然后用一个极其顺滑的解决方案，把他们拉上来。 Uber的退款案例： “我最近在巴黎打Uber去赶火车，结果司机无缘无故取消了订单，我急得要死。最后我被错误地扣了款，我正准备写一篇千字小作文去申诉。结果，我打开App，发现只需要点击两次，退款就到账了。在那个瞬间，我本应极度愤怒的情绪，被这个解决方案瞬间抚平。这种体验，就是一种深刻的‘愉悦感’。” 让一件你预期会非常困难的事，变得出奇地简单——比如取消订阅、申请退款——这就是“消除摩擦”的力量。 方式二：预判需求 如果你总是等用户告诉你他们需要什么，那你只是在“满足”需求，而不是在创造“惊喜”。 你需要把标准定得比用户自己还高。 Revolut的eSIM卡案例： “我和家人去新加坡旅行，落地后才发现手机漫游费高得离谱。正当我丈夫焦头烂額时，他打开了他的银行App——Revolute，在一个标签页里，花7欧元，直接买好了eSIM卡。我当时就震惊了，一家银行App，为什么会内置一个卖eSIM卡的功能？后来才想明白，因为Revolut的用户大多是国际人士或外派人员，他们经常旅行。Revolut预判到了他们在海外的这个痛点，并提前给出了一个完美的解决方案。” 在用户开口之前，就给他们想要的东西，这就是“预判需求”的魔力。 方法三：超越预期 在你预判了需求之后，更进一步，就是给他们比他们想要的还多的东西。 微软Edge浏览器的优惠券案例： 我丈夫在用Edge浏览器买一台咖啡机，当他正要付款120欧元时，Edge突然弹出一个提示，自动为他找到了一个15%的折扣券。我根本就没想过去找优惠券，我已经准备好付全款了。这个功能，就完美地‘超越了预期’。 Dropbox有一个产品原则叫“纸杯蛋糕 (Cupcake)”。 Snowflake 有一个概念叫“超级英雄 (Superhero)”。 名字不同，但本质都是一样的：为客户带来喜悦。 当我们在开发Google Meet时，我们不拿自己和Zoom或Teams比较，我们拿自己和“一次真实的线下会议”比较。在这种层面上对比，更容易寻找到超出预期的愉悦感。 建立愉悦感文化 - 从“动机”出发，重新理解你的用户： 除了“功能动机”（他们想用产品做什么），更要深挖“情感动机”（他们想感觉到什么？是安全感、归属感，还是成为更好的自己？）。 - 用“50-40-10”法则来规划你的路线图： 50% 的精力，用于“低愉悦”（纯功能性需求）。 40% 的精力，用于“深层愉悦”（功能与情感的完美结合）。 10% 的精力，用于“表层愉悦”（那些有趣的“五彩纸屑”）。 - 建立“愉悦感”文化： 在Google，我们甚至有专门的“愉悦感PM”和团队。在Spotify，我们有定期的“Hack Days”，鼓励团队去探索那些能带来惊喜的功能。
太了不起了，Neuralink 可以通过意念操作机械手臂 当事人 Nick Wray 的自述： 大家好！抱歉这周更新晚了点，下次我尽量恢复到周日更新的节奏。 一句话总结（TL;DR）：我又创造历史了！ 过去这一周绝对值得铭记！老实说，我已经想不起上一次认真工作满8个小时是什么时候了，而这一次，我竟然连续三天都完成了8小时的工作，这种感觉真的太棒了！ 星期二到星期四，我和辅助机械臂（Assistive Robotic Arm，简称ARA）团队在一起，利用我的脑机接口（BCI）控制机械臂，做了很多此前想都不敢想的事。这一周对我来说充满了“第二次”的人生第一次，我到现在还有点不敢相信。 我第一次用自己的双手戴上了帽子，这是这么多年都没有过的事！我自己用微波炉热好了鸡块，还自己吃了下去！我学会了如何打开冰箱、如何给罐子取下盖子再盖回去！我甚至还尝试用BCI控制轮椅在室内缓缓前行，效果很好！ 除此之外，我还创下了两个新纪录（至少暂时还没人超过）： •在5分钟内用机械臂移动圆柱体的数量（39个）； •在专门用于测试中风患者手部灵活性的标准翻转插钉测试（dexterity test）中，在5分钟内翻转插钉的数量（5个）。 更棒的是，我还完成了一个近乎不可思议的“神仙级”动作（视频周三就会发布哦！），这绝对排在我这周用机械臂做的事情的前5名里。 这段经历实在太有趣了，也学到了超多新东西，进步特别大！能参与这个项目让我感到非常幸运。在此特别感谢一下 Neuralink 和 Buoniconti基金会，没有你们这一切根本不会实现。 与此同时，我还花了一些时间在我的加密货币项目上。说实话，这本来只是我一时兴起的想法，并没打算认真做，但没想到一头扎进去后，却发现这个新领域居然如此吸引人。特别感谢我的核心团队伙伴： •@Vanguard0x •@SqyH100 •@CoinWisdom1Hub 你们的支持和帮助实在太重要了。我真的觉得这个项目在加密领域能做出一些真正与众不同的东西。毕竟在这个圈子里，真正踏踏实实做实事而不是只靠炒作的项目，真的不多。我真的很期待看到它最终会发展到什么样子。 回想使用脑机接口以来的生活，至今仍然觉得十分梦幻又极具意义。我迫不及待地想知道接下来还能做到些什么！ 😎 大家记得做好事，当个好人啊！
Google 推出 Gemini 2.5 Computer Use 模型 今年早些时候，Google 就宣布了将通过 Gemini API 为开发者带来直接操控电脑界面的 AI 能力。今天，Google 正式推出了 Gemini 2.5 Computer Use模型（Gemini 2.5 Computer Use model）。 这个专门的模型基于 Gemini 2.5 Pro 强大的视觉理解与推理能力构建，可以让 AI 智能体像人类一样，直接点击、滚动、输入文字，实现与网页或应用的交互。这一技术在多个网页和移动端界面的任务基准测试中，表现超越了当前领先的同类产品，而且反应速度更快。 开发者们现在就可以通过 Gemini API，在 Google AI Studio 和 Vertex AI 中提前体验。
做了个推特媒体下载插件，可以下图片视频和GIF资源 大家不用at机器人啦！ https://t.co/8wLyVuWXAI
The profile pic I used before was from 10 years ago. I’m getting old, so showing some real wrinkles lol. #NewProfilePic https://t.co/70w50D4Uy6
OpenAI 发布了 Sora 2 提示词指南，在 OpenAI Cookbook上 如何打造一条成功的视频提示词 在动笔之前 想象一下，写提示词就像是给一位从未见过你故事板的摄影师做简报。如果你省略了细节，他就会即兴发挥——那你可能就得不到你想要的画面了。通过具体说明这个“镜头”需要达到什么效果，你就能让模型更好地控制画面，并保持生成结果的一致性。 但反过来，留出一些想象空间也同样威力无穷。给模型更多的创作自由，可能会带来意想不到的惊喜和美妙的诠释。这两种方法都行得通：详细的提示词能带来更强的控制力和一致性，而简单的提示词则为创意成果打开了空间。 如何取得平衡，取决于你的目标和期望的效果。 把你的提示词看作是一份创意的愿望清单，而不是一份死板的合同。就像使用 ChatGPT 一样，多次使用同一条提示词会产生不同的结果——这是一个特性，不是一个 bug。每一次生成都是一次全新的尝试，有时候第二个或第三个版本效果会更好。 最重要的是，要做好反复迭代的准备。对镜头、灯光或动作的微小调整，都可能让结果发生翻天覆地的变化。你需要和模型合作：你来指导方向，模型则负责提供富有创意的各种版本。 这并非一门精确的科学——请将下面的指南看作是我们与模型打交道时总结出的一些实用建议。 视频分辨率 视频分辨率直接影响 Sora 生成画面的视觉保真度和动态连贯性。更高的分辨率能更精确地生成细节、纹理和光影过渡，而较低的分辨率会压缩视觉信息，通常会带来模糊感或瑕疵。 视频长度 通常，在较短的视频里，模型能更可靠地遵循指令。为了获得最佳效果，尽量生成简短的镜头。如果你的项目允许，将两个4秒的片段剪辑到一起，效果可能会比直接生成一个8秒的片段更好。 行之有效的提示词结构 一条清晰的提示词，应该像你把镜头草图画在故事板上一样进行描述。说明镜头的取景，点明景深，分步骤描述动作，并设定好灯光和色调。用几个独特的细节来锚定你的主体，使其保持可识别性，同时用一个单一、合理的动作让镜头更容易跟拍。 在一条提示词里描述多个镜头也是可以的，如果你需要覆盖一个连续的场景。当你这样做时，要让每个镜头的描述块各自独立：一次只描述一个机位设置、一个主体动作和一种光线方案。这让你能灵活地生成独立的短片或更长的连续时刻，具体取决于你的项目。把每个镜头都当作一个创意单元，你可以将它们剪辑在一起，也可以让它们作为一个连续的序列一次性播放出来。 - 简短的提示词给模型更多创作自由，你可能会得到意想不到的惊喜。 - 更长、更详细的提示词会限制模型的创造力。它会尽力遵循你的指导，但可能不总是那么可靠。 这是一个简短提示词的例子： > 在一段90年代纪录片风格的采访中，一位瑞典老人坐在书房里说：“我至今还记得我年轻的时候。” 这个提示词很可能会成功： - "90年代纪录片风格" 设定了视频的风格。模型会据此选择镜头、灯光和色调等参数。 - "一位瑞典老人坐在书房里" 简单描述了主体和场景，让模型在人物和环境的具体样貌上有自由发挥的空间。 - "说：“我至今还记得我年轻的时候。”" 描述了对白。Sora 很可能能精确地复现这句对白。 这个提示词能稳定地生成符合这些要求的视频。然而，这不一定能完全符合你的设想，因为许多细节都没有被提及。例如，提示词没有描述具体时间、天气、服装、氛围、角色的相貌和年龄、摄像机角度、剪辑、布景设计以及许多其他因素。除非你描述这些细节，否则 Sora 会自己创造。 进阶玩法：超详细提示词 对于复杂的、电影感的镜头，你可以超越标准的提示词结构，用专业的制作术语来指定外观、机位设置、调色、音景，甚至镜头的拍摄理由。这就像导演给摄影团队或视觉特效（VFX）团队开会一样。关于镜头、滤镜、灯光、调色和运动的详细线索，能帮助模型锁定一个非常具体的美学风格。 例如，你可以描述观众首先注意到什么、摄影机平台和镜头、光线方向、调色板、纹理质感、场景内音效**(Diegetic sound，即影片中角色能听到的声音，与作为背景音乐的非场景音相对)** 和镜头时机。当你想匹配真实的电影摄影风格（例如，IMAX 航拍、35mm 手持拍摄、复古 16mm 纪录片）或在多个镜头间保持严格的连续性时，这种方法非常有效。 范例 """ 格式与外观 时长4秒；180°快门（这是一种电影拍摄技术，快门角度为180度，能产生自然的运动模糊效果）；数字拍摄，模仿65毫米胶片（65 mm photochemical）的对比度质感；细颗粒感；高光部分有轻微的光晕（halation）；无胶片抖动（gate weave）。 镜头与滤镜 32毫米/50毫米球面定焦镜头；1/4 黑柔焦滤镜（Black Pro-Mist 1/4，一种摄影滤镜，能柔化高光，降低对比度，营造梦幻氛围）；轻微旋转环形偏振镜（CPL）以控制火车车窗的反光。 调色/色板 高光：带有琥珀色调的清晨阳光。 中间调：平衡的中性色，阴影部分略带青色。 暗部：柔和、中性的黑色，为保留薄雾感而轻微提亮。 光线与氛围 自然阳光从摄像机左侧以低角度射入（早上7:30）。 补光：轨道旁使用4x4英尺的银色反光板（4×4 ultrabounce silver）。 对面墙壁作为吸光（Negative fill）。 场景光源：站台上的钠灯逐渐变暗。 氛围：轻柔的薄雾；火车排出的废气飘过光束。 地点与构图 城市通勤站台，黎明时分。 前景：黄色安全线，长凳上的咖啡杯。 中景：等待的乘客在薄雾中形成剪影。 背景：进站的火车正在刹车。 避免出现任何标牌或公司品牌。 服装/道具/群众演员 主要角色：30多岁的旅行者，身穿海军蓝外套，单肩背着背包，手机随意地拿在身侧。 群众演员：穿着暗色调衣服的通勤者；一名推着自行车的骑行者。 道具：纸质咖啡杯，拉杆箱，LED 出发信息牌（显示通用目的地）。 音效 仅场景内音效（Diegetic only）：微弱的铁轨摩擦声，火车刹车的嘶嘶声，远处模糊的广播声（-20 LUFS，响度单位，-20 LUFS表示一个相对安静的音量标准），低沉的环境嗡嗡声。 脚步声和纸张的沙沙声；无配乐或后期添加的音效。 优化分镜表（2个镜头/总时长4秒） 0.00–2.40 — “抵达漂移”（32毫米镜头，肩扛式缓慢向左移动） 镜头滑过站台标牌边缘；浅焦揭示出旅行者在画面中央，正望着轨道远方。晨光在镜头中绽放；火车头灯在薄雾中柔和地闪耀。目的：建立场景和基调，暗示期待感。 2.40–4.00 — “转身停顿”（50毫米镜头，缓慢弧线推近） 切到一个更近的过肩弧线镜头，火车停稳；旅行者稍微转向镜头，阳光勾勒出他脸颊的轮廓，手机屏幕也反射出光芒。他的眼睛向上瞥向某个看不见的东西。目的：用最少的动作创造一个聚焦于人物的瞬间。 摄影机备注（为何这样拍） 保持视线高度较低并靠近镜头轴线，以营造亲密感。 允许火车玻璃产生微小的眩光，作为一种美学纹理。 保留手持拍摄的微小不完美，以增加真实感。 不要让过曝的眩光破坏剪影的清晰度；保留皮肤高光的平滑过渡。 后期制作 叠加细颗粒感和轻微的色度噪点以增加真实感；场景光源有克制的光晕；使用冷暖色调的LUT（色彩查找表）营造清晨的色调分离感。 混音：优先处理火车和环境细节，而不是脚步声的瞬态。 封面帧：旅行者转身的瞬间，金色的轮廓光，进站的火车在背景薄雾中柔焦。 """ 用视觉线索引导画面风格 在写提示词时，风格是引导模型走向你期望结果的最强有力的杠杆之一。描述整体的美学——例如，*“1970年代电影风格”、“史诗级、IMAX 规模的场景”* 或 *“16毫米黑白胶片”*——能为所有其他选择定下视觉基调。尽早确立这种风格，模型才能将其贯穿始终。 同样的细节，在你要求的是一部精致的好莱坞戏剧、一段手持手机拍摄的短片，还是一则颗粒感十足的复古广告时，模型解读出的效果会截然不同。一旦基调设定好，再用镜头、动作和光线来添加具体细节。 清晰至上。不要用模糊的线索，如: - 不要说“一条美丽的街道”，而是写“湿漉漉的沥青路面，斑马线，霓虹灯在水坑中的倒影”。 - 不要说“快速移动”，而是具体说明*“骑车人蹬了三下踏板，刹车，停在人行横道前”*。指向可见结果的动词和名词总能给你带来更清晰、更一致的输出。 - 不要说“电影感”，而是具体说明：“2.0倍变形宽银幕镜头(一种电影镜头，能拍出宽银幕效果和标志性的水平眩光)，浅景深(shallow DOF)，体积光(volumetric light，也叫丁达尔效应，就是光线穿过烟雾或灰尘时形成的光柱)” 摄影机方向和构图决定了镜头的观感。高角度的广角镜头会强调空间和环境，而平视的特写镜头则会聚焦于情感。景深则增加了另一层维度：浅景深可以让主体在模糊的背景中脱颖而出，而深景深则能让前景和背景都保持清晰。灯光同样能强烈地设定基调。柔和温暖的主光能营造出温馨的氛围，而单一的硬光加上冷色边缘则会推向戏剧化。 在引入角色时，要预料到一些不可预测性——措辞的微小变化可能会改变角色的身份、姿势或场景的焦点。在不同镜头间保持描述的一致性，重复使用相同的措辞以确保连贯性，并避免混合可能相互冲突的特征。 糟糕的示范 > 摄影机镜头：电影感 优秀的示范 > 摄影机镜头：广角镜头，低角度 > > 景深：浅景深（主体清晰，背景模糊） > > 光线与色调：温暖的逆光，带有柔和的轮廓光 一些好的构图指令范例： - 广角建立镜头，平视角度 - 广角镜头，跟随冲锋从左向右移动 - 航拍广角镜头，轻微俯角 - 中景特写，从背后略带角度 一些好的摄影机运动指令范例： - 缓慢倾斜的镜头 - 手持新闻采访式摄影机 控制动作与时机 动作往往是最难搞定的部分，所以要保持简单。每个镜头应该只有一个清晰的摄影机运动和一个清晰的主体动作。动作最好用节拍或计数的方式来描述——比如小步、手势或停顿——这样它们才感觉有时间上的依据。 “演员走过房间”并不能提供太多信息。而像“演员向窗户走了四步，停顿了一下，在最后一秒拉上了窗帘”这样的描述，则使得时机精确且可实现。 糟糕的示范 > 演员走过房间。 优秀的示范 > 演员向窗户走了四步，停顿了一下，在最后一秒拉上了窗帘。 光线与色彩的一致性 光线和动作、场景一样，共同决定了画面的情绪。遍布画面的漫射光感觉平静而中性，而单一的强光源则会产生鲜明的对比和紧张感。当你想把多个片段剪辑在一起时，保持光线逻辑的一致性是使剪辑无缝衔接的关键。 既要描述光的质感，也要描述能强化这种质感的色彩锚点。不要用像“光线明亮的房间”这样宽泛的描述，而要具体说明光源和色调的组合：“柔和的窗光，辅以温暖的台灯补光，以及来自走廊的冷色边缘光。”指定三到五种颜色有助于在不同镜头间保持色调的稳定。 糟糕的示范 > 光线与色调：光线明亮的房间 优秀的示范 > 光线与色调：柔和的窗光，温暖的台灯补光，来自走廊的冷色边缘光 > 色调锚点：琥珀色、奶油色、胡桃棕 为了对镜头的构图和风格进行更精细的控制，你可以使用图像输入作为视觉参考。你可以使用照片、数字艺术作品或AI生成的视觉素材。这可以锁定角色设计、服装、布景或整体美学等元素。模型会将这张图片作为第一帧的锚点，而你的文本提示词则定义了接下来发生的事情。 对白与音效 对白必须在提示词中直接描述。将它放在你的场景描述下方的一个单独区块里，这样模型就能清楚地区分视觉描述和口语台词。保持台词简洁自然，并尽量将对话限制在几句话内，以便时机能与你的视频长度相匹配。对于多角色场景，要一致地标记说话者并使用轮流发言的方式；这有助于模型将每句台词与正确角色的手势和表情联系起来。 你还应该考虑节奏和时机：一个4秒的镜头通常可以容纳一两句简短的对话，而一个8秒的片段可以支持更多一些。冗长复杂的演讲不太可能同步得很好，而且可能会破坏节奏。 如果你的镜头是无声的，你仍然可以用一个微小的声音来暗示节奏，例如“远处交通的嘶嘶声”或“一声清脆的折断声”。把它看作是一个节奏提示，而不是完整的音轨。 带对白的提示词范例： """ 一个狭窄、没有窗户的房间，墙壁是陈旧灰烬的颜色。天花板上悬挂着一个光秃秃的灯泡，灯光汇聚在中央那张伤痕累累的金属桌子上。两把椅子隔桌相对。一边坐着警探，风衣搭在椅背上，眼神锐利而不眨。他对面，嫌疑人懒散地靠着，烟雾慢悠悠地向天花板卷去。寂静压迫着一切，只有头顶灯光的微弱嗡嗡声打破了沉默。 对白： - 警探：“你在撒谎。我能从你的沉默中听出来。” - 嫌疑人：“或许我只是懒得说话了。” - 警探：“不管怎样，今晚结束前你会开口的。” """ 背景音描述范例： > 背景是意式浓缩咖啡机的嗡嗡声和人们的低语声。 使用 Remix 功能进行迭代 Remix 功能是用来微调的，不是用来赌运气的。用它来进行可控的、一次一项的修改，并说明你正在改变什么：“同样的镜头，换成85毫米镜头”，或者“同样的灯光，新的色调：青色、沙色、铁锈色。”当一个结果接近理想时，将它固定为参考，然后只描述需要调整的部分。这样，所有已经奏效的部分就能保持不变。 如果一个镜头总是出错，那就把它简化：固定住镜头，简化动作，清空背景。一旦它成功了，再一步步地增加复杂性。 - 提示词：“把怪物的颜色改成橙色” - 提示词：“紧接着又出来第二个怪物” 提示词模板与范例 提示词结构 一种有效的提示词写法是将你希望模型使用的不同类型信息分开。这并非一个放之四海而皆准的成功秘诀，但它为你提供了一个清晰的框架，并使保持一致性变得更容易。并非每个细节都需要包含——如果某件事对镜头不重要，你可以省略它。 事实上，对某些元素保持开放性会鼓励模型更具创造力。你对每个视觉选择的规定越不严格，模型就越有空间去解读，并用出人意料但往往很美妙的变体来给你惊喜。高度描述性的提示词会产生更一致、可控的结果，而较轻量的提示词则能解锁感觉新颖、富有想象力的多样化成果。 描述性提示词模板： """ [用通俗的语言进行散文式的场景描述。描述角色、服装、布景、天气和其他细节。尽可能详细地描述，以生成符合你构想的视频。] 摄影： 摄影机镜头：[构图和角度，例如：广角建立镜头，平视角度] 情绪：[整体基调，例如：电影感的紧张，俏皮的悬疑，奢华的期待] 动作： - [动作1：一个清晰、具体的节拍或手势] - [动作2：片段内的另一个独特节拍] - [动作3：另一个动作或台词] 对白： [如果镜头有对白，在此处或作为动作列表的一部分添加简短自然的台词。保持简短，以匹配视频长度。] """ 提示词范例 范例 1 """ 风格：手绘2D/3D混合动画，具有柔和的笔刷纹理、温暖的钨丝灯光和富有质感的定格动画感。美学风格唤起了2000年代中期的故事书动画感——舒适、不完美、充满机械魅力。微妙的水彩渲染和绘画般的纹理；色调上有冷暖平衡；电影感的运动模糊以增强动画的真实感。 在一个杂乱的工作室里，架子上堆满了齿轮、螺栓和泛黄的蓝图。中央，一个小小的圆形机器人坐在一张木凳上，它凹陷的身体上贴着不匹配的金属板和旧漆层。它大大的发光眼睛闪烁着淡蓝色的光，紧张地摆弄着一个嗡嗡作响的灯泡。空气中回荡着安静的机械嗡鸣声，雨点敲打着窗户，背景中时钟在稳定地滴答作响。 摄影： 摄影机：中景特写，缓慢推进，悬挂的工具产生轻微的视差效果（parallax）。 镜头：35毫米虚拟镜头；浅景深以柔化背景的杂乱。 光线：来自头顶场景光源的暖色主光；来自窗户的冷色溢光以形成对比。 情绪：温柔、奇幻，带有一丝悬念。 动作： - 机器人敲了敲灯泡；火花噼啪作响。 - 它吓得一哆嗦，灯泡掉了下来，眼睛睁得大大的。 - 灯泡在慢动作中翻滚；它在最后一刻接住了它。 - 一股蒸汽从它胸口喷出——既是松了口气，又带着自豪。 - 机器人轻声说：“差点丢了……但我接住了！” 背景音： 雨声，时钟滴答声，柔和的机械嗡鸣声，微弱的灯泡嘶嘶声。 """ 范例 2 """ 风格：1970年代浪漫剧情片，用35毫米胶片拍摄，带有自然的镜头眩光、柔焦和温暖的光晕。轻微的胶片抖动（gate weave，老式胶片放映机因机械原因产生的轻微画面晃动）和手持微抖唤起了复古的亲密感。温暖的柯达风格调色；灯泡上有轻微光晕；胶片颗粒感和柔和的暗角以营造时代真实感。 在黄金时刻，一个砖砌公寓的屋顶变成了一个小舞台。晾衣绳上挂着的白床单在风中摇曳，捕捉着最后一缕阳光。一串串不匹配的仙女灯在头顶微弱地嗡嗡作响。一个穿着飘逸红色丝绸连衣裙的年轻女子赤脚跳舞，卷发在渐逝的光线中闪耀。她的舞伴——袖子卷起，吊带松垮——在一旁拍手，笑容灿烂而毫无防备。下方，城市在汽车喇叭声、地铁的震动和远处的笑声中嗡嗡作响。 摄影： 摄影机：中景广角镜头，从平视角度缓慢向前推进。 镜头：40毫米球面镜头；浅焦以将这对情侣与天际线分离开。 光线：金色的自然主光，辅以钨丝灯补光；仙女灯提供边缘光。 情绪：怀旧、温柔、电影感。 动作： - 她旋转；裙摆飞扬，捕捉到阳光。 - 女人（笑着说）：“看？今晚连这座城市都在和我们共舞。” - 他走上前，抓住她的手，将她带入阴影中。 - 男人（微笑着说）：“那只是因为你在领舞。” - 床单飘过画面，短暂地遮住了天际线，然后再次分开。 背景音： 仅自然环境音：微弱的风声、布料飘动的声音、街道噪音、模糊的音乐。无额外配乐。 """
「 Black-box LLM Steering, Personalization 」 “我不要你觉得，我要我觉得。” 什么是真正的Personalization，我认为，不是 AI 通过我的数据，训练出 “它觉得” 的 “我”。而应该是我自己要主导决定的 “我觉得” 的 “我”。 如果说 persona vectors 和 AxBench 教会我直接修改开源模型的激活层做model steering，那么 ADVISOR MODELS 的出现，可以让我可以对所有模型下手，因为它直接面对闭源模型。 ADVISOR MODELS 通过RL只训练一个小模型，学习为每个输入撰写简短的建议以影响闭源模型, 可以实现用户端自己决定的personalizaiton和特定环境规则。 AxBench，persona vectors，ADVISOR MODELS 几乎提供了一整套实用的 LLM steering 工具包, 在封闭与开放两种场景中都能实现用户端自主的Personalization。 极具价值。 最后，与各位共勉。 我不要你觉得，我不要 openAI 觉得，我不要 Anthropic 觉得，我要 “我” 觉得。 因为只有我是我。
突然发现 普通人赚 100 万好像没什么难度 跟我笛子老师聊天的时候发现她在毕业 5 年就赚到了 100 万，但她并不懂什么打法、矩阵、痛点啥的 就是教竹笛一对一，200多一节课，一天到晚往死里上课，累得要命，钱就赚到了，招生是拍吹笛子视频发小红书 b 站啥的 同样之前做教培项目，遇到很多独立老师也是这样没日没夜上课，2、3 年就 100 万➕了 我现在的羽毛球教练也是 上课上到腰痛 估计也有 100 万 就没有任何复杂套路 sop 啥的，跟他们聊会觉得他们怎么啥都不懂？但事实是钱都赚到口袋了 很多人啥都懂 互联网打法一套一套的，到头来钱没赚到几个（说的就是我） 所以说赚钱难，要加个定语： 舒服的在家里躺着赚大钱很难。
推荐阅读：Vibe engineering（凭感觉工程） 作者：Simon Willison 2025年10月7日 现在，“凭感觉编程”（vibe coding）这个概念已经相当流行了。这种方式用AI快速、随意、甚至有些不负责任地开发软件——完全靠Prompt推动，根本不管代码具体是如何运行的。然而，这也带来了一个新的问题：我们该怎么称呼光谱另一端的行为呢？也就是那些经验丰富的专业工程师们，认真地用大语言模型（LLMs）提升效率，并对最终产品的质量和稳定性负责？ 于是，我半开玩笑地提出了一个新词：凭感觉工程（vibe engineering）。 其实，用LLMs高效开发真正严肃的软件项目，有一个不太被广泛讨论的真相：它真的很难。深入理解这些工具并不简单，使用过程中还有不少陷阱需要避免。同时，这些模型以惊人的速度输出可用代码，也在不断提高对工程师自身贡献价值的要求。 最近一段时间，随着代码智能体（coding agents）的崛起，这种情况变得更加明显了。比如，2025年2月推出的Claude Code，4月OpenAI推出的Codex CLI，6月谷歌推出的Gemini CLI，这些工具能自主测试、迭代修改代码，直至达到预期目标。这类工具的出现极大提升了LLMs在现实编程场景中的实用性。 我身边越来越多可信赖、经验丰富的软件工程师，开始同时运行多个代码智能体，让这些“数字助手”并行处理多个问题，从而大幅提高生产力。一开始我对此也持怀疑态度，但最近我也开始自己尝试运行多个智能体，发现效果惊人地好（尽管大脑也被折腾得够呛）。 这与过去的“凭感觉编程”完全不一样了。过去我只是把一些简单、低风险的小任务交给LLMs，然后随便检查一下，只要能跑就行（比如我之前很多的小工具集就是这么来的）。但现在，用代码智能体反复迭代出能让我放心长期维护的生产级代码，显然完全是另一种体验。 与此同时，我也越来越意识到，LLMs其实是在大力奖励那些早已广泛认可的优秀软件工程实践： - 自动化测试。 如果你的项目有完善且稳定的测试套件，代码智能体的威力将彻底展现出来。如果没有自动测试，你的智能体可能会虚假地汇报功能正常，而实际上完全未经测试。同时，新功能可能悄悄地破坏了其他功能，你还浑然不觉。 - 事前规划。 编程前先有个清晰的计划很重要。有了智能体之后，这一点变得更加必要。你可以先用智能体完善规划，再放心让它执行。 - 全面的文档。 和人类程序员一样，LLMs也无法一次性记住所有代码。提供清晰的文档能让智能体直接调用其他模块的API，甚至直接根据文档帮你写出实现代码。 - 良好的版本控制习惯。 智能体改代码太快了，有个好用的版本管理习惯非常重要。LLMs在使用Git方面也表现非常出色，比如快速定位bug起源的git bisect命令，用得比多数开发者都熟练。 - 高效的自动化流程。 持续集成（CI）、自动格式化、持续部署到预览环境等，这些都能极大提高智能体的表现。同时，LLMs也能帮你迅速写出好用的自动化脚本，下次再用时更方便。 - 代码审查文化。 喜欢且善于快速高效地审查代码的人，使用LLMs会比那些宁愿自己写代码也不想审查别人代码的人舒服得多。 - 一种“奇怪的管理技巧”。 从智能体那获得好的成果，感觉很像和人类同事合作——你要给出明确指令、提供必要上下文、有效反馈。当然，比起真实的人，LLMs要简单多了，毕竟你不用担心冒犯他们。但任何已有的管理经验此时都意外地派上了用场。 - 高质量的手工QA（质量保证）能力。 除了自动化测试，优秀的软件手动测试、对边界情况的敏锐洞察依然必不可少。 - 出色的调研能力。 解决问题的方法总有很多种，确定最合适的方案并验证其可行性，一直都是软件工程师的基本功。只有搞清楚方案，才能放心交给智能体去编写实际代码。 - 能够快速部署预览环境。 智能体构建功能后，能够安全地部署到预览环境（而非直接上线生产），能极大降低风险，也让代码审查更有效率。 - 知道哪些任务能交给AI，哪些必须自己做。 这一点一直在演化。随着LLMs的进步，知道何时使用智能体，何时该自己上，已经成为一种关键直觉。 - 重新评估时间预估的直觉。 工程师进行项目耗时预估历来就很难，但AI辅助编程让这变得更难了：以前耗时很长的任务现在可能迅速完成，而新因素不断涌现，甚至让预估变得更加复杂。 如果你真想最大化利用这些工具，你必须处于自己的最佳状态。你不再只是写代码，而要研究解决方案、架构设计、撰写需求、定义成功标准、设计智能体循环、规划QA流程、管理一批狡猾且随时想蒙混过关的“数字实习生”，并且——花大量时间进行代码审查。 这些，其实早就是资深软件工程师们的日常了。 AI工具放大了已有的专业能力。经验越丰富的软件工程师，用LLMs和代码智能体的产出效率就越高、效果越好。 “凭感觉工程”，真的要叫这个吗？ 这个名字傻不傻？可能有点儿吧。“Vibes”这个词用在AI圈，早就有点审美疲劳了。而“凭感觉编程”本来也常被用来讽刺程序员的不负责任。不过，我现在想把“vibes”抢回来，用在一个更积极的地方。 我一直不喜欢“码农”和“工程师”的人为区别，这种分类通常带点傲慢。但现在，我觉得适当的傲慢或许还真有点必要了！ 凭感觉工程，正是要与过去随意的“凭感觉编程”划清界限，凸显出这是一种更严肃、更有难度、更复杂的AI开发方法。 我还喜欢这个词里的反差感——把“感觉”（vibes）和“工程”（engineering）混在一起，多少带点恶作剧的感觉，也许更容易让人记住。 过去我尝试推广新名词，几乎都失败了。这次，不妨再试试“凭感觉”，说不定就成了呢？
孩子今后的英文教育，讲故事就学 J.K. 罗琳 @jk_rowling ，讲道理就学 Paul Gram @paulg ，把他俩的文字读通学好，就够了。
转发给我的网红同学了😂 你以为人这辈子应该好好读书，读个985，读个博士硕士，就应该当人上人。 然而学校里教你的都不过是规训你成为一个平凡的人。 你觉得别人当初很普通，实际上别人付出的，你永远都不知道。
这是个好话题：AI 时代 codingbase 和架构被加速孵化，稳定性越来越难做 这是个两难的事，追求速度，就会影响稳定性，追求稳定性就会影响速度，AI 进一步加速了这种冲突。 在传统软件开发，我们引入了各种流程来避免这样的问题：设计先行、代码审查、自动化测试、持续集成部署。 当然能做到严格遵守这样开发流程的并不容易，现实中总有各种各样的阻力。 AI 编程加速了开发毋庸置疑，那种几行提示词就一个应用程序或者功能模块就做出来的感觉简直太美妙了。 当大家习惯了这种 AI Coding 速度，就很难忍受以前那种先设计、再去实现的速度，就会倾向于简化设计，尽快生成代码，甚至于设计都是 AI 来做的。 至于代码审查更是灾难，没有人能一次review几千上万行代码，只能求助于 AI review。 单元测试的自动化测试已经形同虚设，因为都是 AI 生成的，通不过 AI 会修改测试用例，让它能通过。 E2E（端到端）测试还是有意义，毕竟这部分还要人工辅助才能写的出来，是模拟的真实用户使用应用成熟的流程。 现在还属于过度过程，最终会是人向 AI 妥协，不会再坚守以前传统的开发流程，而是开始做出改变。 首先架构上会往微服务模式上靠，无论前端还是后端，当年一度红火然后又人人喊打的微服务微前端又要焕发第二春了，微服务的好处就是每个模块独立，代码不多，对 AI 来说上下文够用，普通的 Coding Agent 足够应付 然后人的重心将会放在两端：需求定义和测试验收，中间部分绝大部分交给 AI 自主完成 再就是人才的需求分化： 一端是产品经理兼程序员，既懂需求，又懂程序，但是程序不用太精通，不懂程序的产品经理将会很少，就像现在做测试都要会写自动化测试一样。这部分需求还是会很大。 一端是技术专家，精通编程、技术架构，需要很长的培养周期，负责为应用搭建适合 AI 开发的架构，负责解决 AI 解决不了的技术问题，这部分人不会太多，但是会很值钱。