🔥 Search Hot Tweets

搞出海，免不了使用邮件这种痛苦沟通方式。 我之前用 Gmail有两个问题 1. 阅读海外newsletter 效率很慢 2. 回海外客户的信息，老是书写错误 看到推友推荐一款filomail客户端，我用了一个月 现说说这个软件的优点，最后吐槽一个比较大的问题 https://t.co/CvcqA5K8IV

Nano banana 帮你预测随手拍的照片荒废 100 年的样子 变成视频之后表现力更强，更加直观，感觉可以做个小应用随手拍预览环境发展 提示词：This photo shows what the place looks like 100 years later, abandoned and unmaintained. https://t.co/OAnYXDzNzk

稳定性和高收入在副业阶段是天然对立的 又不能投入时间，又要高收入，还要现金流稳定 是不是把赚钱想得太简单了 安全感来自「随时能赚钱的能力」，而不是「稳定的收入」 说穿了，副业是个伪命题 副业的核心是「副」，而不是「业」 因为不接受业务天然伴生的不稳定性，所以实际上并不尊重这个「业」 又因为不敢抛弃主业，所以核心变成了「副」，副业的附属地位才是这个词存在的原因

我挺认可这位爸爸带孩子的方式：探索新奇 夫妻二人在孩子教育上观念不合就特别别扭 结婚前，请与你的伴侣深度讨论这40个问题👇 https://t.co/juvYNF2KbC

1/一群顶尖的分子生物学家刚刚发现了一件令人惊讶的结果。 小胖威利综合征一类的综合征型神经发育障碍患者中，自闭症的发生一直以来非常常见。 其中超过 20%的小胖威利综合征患者表现出与自闭症相关的表型。 然而没有人了解这背后的原因： A team of top molecular biologists has just made a surprising discovery. ~Autism is very common in patients with syndromic neurodevelopmental disorders, such as Prader-Willi syndrome. ~Over 20% of Prader-Willi patients show autism-related traits. Yet, until now, the reasons behind this have remained unclear.

网友申请 OpenAI CEO 一职，被拒❌ 收到的拒信太好笑了～ https://t.co/SAIGAws0cp

Nano Banana 这数据是真滴猛，什么产品不产品，AI 领域还是新模型才有新机会 https://t.co/iqeNSMxQiy

去年一起做 AI 搜索的几波人 1. 秘塔在探索 AI 学习，主打的 toc AI 搜索，体验很久没升级了 2. 博查借势 deepseek，已经是国内 tob 搜索 top3 的量级了 3. genspark 转型去做通用智能体了，功能更新很快，号称几千万美金 arr 了 4. felo 也在发力 agent，主要用户在日本 5. devv 转型去做 vibe coding 了 6. miku 转型去做 vibe writing 了 是不是可以下结论：toc AI 搜索已死？ 我该如何盘活 ThinkAny ？

Nano Banana 的核心研发人员在播客里说 他们未来想让模型直接输出好看的 PPT，这是每个 PM 的梦想 但 PPT 也是现在各种通用 Agent 的最强 PMF 你仔细品... https://t.co/PLLRsbctVg

不要被“AI 时代只需要通才”这样的话误导而停止对专业的精进，AI 提升的是能力的下限，AI + 通才还是通才，不会让你变成某个领域的专家，通才通常意味着啥都不精，做啥都不行。 在没有 AI 的时代，确实有很多成功的通才，他们擅长跨领域的整合，但他们在专业领域会依赖于人类在某些领域的专家辅助，所以取得了成功。 在 AI 时代，AI 只能提升下限，让你可以更容易的在某个专业领域学习和做一些基础的工作，但要深入的话，AI 是远远不够的。 举例来说，你是个产品经理，不懂编程，借助 AI 确实可以 Vibe Coding 做出来一个原型产品，但是当你更深入，需要做大做强，那么 AI 并不能帮你解决产品的安全问题、性能问题，后期的维护单纯依赖 AI 也很难，因为这些更专业的知识，单纯依赖 AI 是解决不了的，仍然需要人类的专家辅助。 对于普通人来说，通常只有在一个领域深入学习成为真正的专家，去做成一些事情去踩一些坑，才能从中总结出来一些通用经验教训，把这些成功经验复制到其他领域上，如果在每个领域都只是浅尝则止，那又怎么能有成功的经验去复制。 成为一个领域的专家并没有想象的那么难，尤其是 AI 让领域的学习难度平滑了很多，当你在一个领域成为专家，再想成为其他领域的专家，时间就会大幅缩短。永远不要被“AI 时代只需要通才”这样的话误导而停止对专业的精进，精通一项技能本身就是很快乐的事情。

你愿意花3-5年去学习交易吗？ https://t.co/x4HjlKr1ZV

我发现自从我开始做自媒体以后，慢慢形成了一个特别差的习惯。 人为制造信息差 我以前非常喜欢把原始的链接、数据直接发给别人。比如我师妹问我一个事情，我会把英文的网址直接发给她让她学 结果就是丢给她一整天，她还在问东问西。最后到晚上还来找我，让我教她。 我现在会直接让她把序列发过来，我帮她5分钟搞完。然后让她给我发红包请我喝咖啡。 感觉效率高多了，真爽。

我不同意。 当一个人从朋友圈消失，说明他找到了他的志业。

推荐阅读：《AI 会取代人类思考吗？我们为什么仍要亲手写作和编程》 作者：Simon Späti 重新学习思考，警惕对 AI 的依赖。 每天关于 AI 的（吹捧的或无聊的）文章层出不穷。用它没问题，大家也都在用，但我们仍然需要打磨自己的手艺，并努力去思考。 就像 DHH（David Heinemeier Hansson，Ruby on Rails 框架创始人）所说： 精通某项技能比一直等着 AI 完成任务要有趣得多。 在我看来，AI 让我们不快乐的概率非常高。用，当然可以，但不能事事都用。我们可以用它来探索新知、梳理历史脉络，或者制作图表（比如用 Canva、Figma），但绝对不能用它来写作（或编程）。世界总需要有人贡献新的知识和见解，而 AI 无法自我训练。因此，文章、书籍和文字仍将被创作，当人人都依赖 AI，导致其发展停滞时，作家的价值反而会更加凸显。 从长远来看，这是一种损失——人们将停止思考和学习。时间会证明一切。我的浅见是，如果你在某个领域已是资深专家，你会比 AI 更懂。 Bsky 何时使用 AI 的指南 我从 ThePrimeagen 的一个视频中听到一个观点：这取决于你决策的影响有多长远。短期内，用 AI 自动补全代码没问题，但让它做架构设计这样重大的决策，绝对不行。 Image 这张图的横轴是时间，纵轴是错误数量。它表明，我们让 AI 参与的决策越是影响深远（比如系统架构），它产生的错误就可能越多。 如果我们用它来快速补全代码，或者写一个定义清晰的算法函数，那么出错的概率就小。在初始阶段，你可能会提升 20% 的效率；但到了后期，你失去的会更多。 这就像现实生活中，我等待决策的时间越长，掌握的信息就越多，做出的决定就越好。这正是 Shape Up 工作法所倡导的，决策周期最长为 6 周，不制定更长远的路线图和积压任务。使用 AI 也是同理，因为它的所有输出都是基于概率预测的。 Forrest Brazeal 的另一张图也很有启发性： Image 同时，也要牢记什么对你的应用场景最重要，正如 Thomas Ptacek 在《我的那些 AI 怀疑论朋友都疯了》一文中所展示的： Image 毫无灵魂 没人想读毫无灵魂的文字，即使它写得还不错，你又能从中得到什么呢？我认为这是一个巨大的陷阱，人们只有在时间流逝后才会意识到。当然，AI 能提供帮助，每个人在“某些”任务上都需要它们，但不应是写作本身。 归根结底，大语言模型 (LLM) 和 AI 需要引导，它们只是概率的产物。另见 亲手写作。 分心 我认为我们将比以往任何时候都更容易分心。我们甚至没有两秒钟的思考时间，Grammarly、Copilot 或 Cursor 就会跳出建议。于是，我们不再独立思考，只是随波逐流，渐渐失去了主导权。 这让我想起最近写的一篇文章《寻找心流》。更多关于“不要事事依赖 AI，否则你会停止思考和学习”的讨论，请见 AI 的使用 和 写作之难。 别误会 别误会，我自己也每天都用 AI，但用得更审慎。我关掉了 Grammarly 和 Copilot（很久以前就关了），这样我才有空间去思考和学习。偶尔用一两次没问题，但如果处处都用，你不仅会失去学习新技能的机会，也会失去其中的乐趣。 关于“人机协作智能”（LLM Collaborative Intelligence, LCI）的讨论很有趣。当然，它会带来很多好处，但我不确定这些 AI 产生的“洞见”能否与人类历经艰辛后感受、感知或体验到的洞见相提并论。所以，是的，我对此没有太多期望，也不希望它来创造新的见解。因为那是我工作中真正有趣的部分 :) 锻炼一项技能 事情永远不是“全有”或“全无”，而是在于度的把握。学习的问题在于，如果你频繁使用 AI，我认为你其实学不到太多东西。写作时只是复制粘贴，编程时只是不停地按 Tab 键。学习的过程消失了。如果这种情况持续下去，我们的大脑就不再习惯于学习，更严重的是，不再习惯于思考。就像记忆一样，我们现在还能记住几个手机号码？很少了。但在早期用电话的时代，我能记住很多，因为我每天都在训练这个能力。 这完全是一个熟能生巧的问题。我为自己总结出——虽然不一定适用于每个人——我发现自己不再学习或思考了。坦白说，也失去了乐趣。这主要是在我熟悉的领域。 在其他领域，比如创作一张图片（就像我为这篇文章做的那张 😆），或者用 HTML/CSS 更新我网站的首页，这些事因为不常做，AI 帮我省了很多时间。但我得说，除了学会了如何给 Claude Code 写提示词，我并没学到任何新东西。这始终是一种权衡，不是吗？:)

哎？这个观点还真的很戳中我。 AI 的跨界性：大模型的出现，本质上是“弱专业壁垒 + 强通用性”。很多专业积累瞬间被稀释或工具化。 结果就是专家往往会高估自己专业的“不可替代性”，低估外部工具的威力 → 这正是 Dunning-Kruger 的另一种形态。 我今年以来对此有越来越强的直觉。

硅基计算可能是我们人脑的生物计算的低维实现 造物主在我们无法想象的高维空间 而我们如同在揉成一团的纸面上爬行的蚂蚁🐜 https://t.co/RdMkngxmG6

完全没有想到，完全由 AI 生成的视频如此有活人感 唤起了温暖和喜悦的情绪共鸣 https://t.co/U5deaKAnKh

📢 小报童，再见 👋🏻 MkSaaS模板支持文章的付费阅读啦！ 只需在文章的mdx文件中设置premium:true，并将需要付费才能看到的内容用PremiumContent标签包起来，搞定，这就是付费文章了！ 赶紧把你的宝藏经验，封装成知识库，让大家付费阅读！ MkSaaS模板已经完全准备就绪，大家抓紧上站吧！ https://t.co/c4AN87CkvO

Nano Banana 不是一个简单的生图模型 它是一个自带原生图像理解和多图像输出的多模态语言模型 现在大部分的工具和Agent都无法发挥 Nano Banana 的全部实力 特别是连续的图片理解和图片生成 最原生的纳米香蕉体验还是在 Google AI Studio https://t.co/Aegpg5LHjS

AI 时代 上等人画像： 深度思考，实操项目，优质分享，长期主义 AI 时代 下等人画像： 灰产，白嫖，搬运，搞钱（根本搞不到）

X上的post，有很多金玉良言和深度思考和讨论，极具价值，而且免费。 我常常记录下很多推友的post，我觉得这是上等人的黄金钻石。 同时，也有很多插科打诨的笑话，比如我的这条，随口胡诌的，却被四万follower的简中大V连标点符号都不带改地抄走。 在我眼中，抄袭的人，是下等人。 争做上等人，mute下等人。

这本书我今天翻了下，还是学到不少。 最深的感慨是，中国眼下的处境，比当年日本复杂得多，是一种多重叠加的压力。 日本当年的问题，主要是大学生就业受阻——入口断层。但他们保住了中年群体：大企业正式员工稳定，房贷还能扛，家庭层面有团块世代的资产红利作为缓冲。这样，即便“冰河期一代”受挫，社会总体还能靠三十年的时间慢慢消化债务。 而中国现在更危险：不仅大学生“进不来”，中年人也“保不住”。所谓35岁现象，叠加技能老化，再遇上即将到来的AI技术范式海啸，形成“双断层+技术冲击”。我听到的版本就是中年失业以后，尤其是一些原来中产密集的职位，管理，市场，财务，产品等等，找到同等待遇职位的可能性越来越小。 同时，外部环境也远比当时复杂。当年的日本，大企业在全球产业链里依然能持续输出竞争力；而今天的中国，面对的是美国、欧洲等发达经济体自身的需求侧收缩，外部市场并不能提供缓冲。

真实，用AI就像领导下属干活。不过当领导么，下属的功劳就是自己的功劳，但下属的锅也是自己的锅，到时候没做好别甩锅给AI就好

感觉如果不是前端项目，我可能 vibe 起来没那么欢快。

语言临界区：年轻人要去从事和探索术语都还没有形成的领域 这几天深入研究 IR 与运行时契约，我算是真切地体验了一把什么叫“语言临界区”。虽然推友自由金牛@jinniudashu和君子兄@Chinese_XU早就互粉，我也隐约知道他们各自的项目方向，但真到交流时才发现，我们常常像鸡和鸭一样各说各话。尤其是我，领悟得最晚，也最弱。其实他们两位的语言能力都极强，本质上我们指向的方向也一致。只是关键的那记“警铃”一直没有在我心里敲响，没有真正共振到。前几天另一个推友说过，年轻人要去从事那些术语尚未定义的行业。我现在才深刻体会到这句话的意思——明明我们要解决的是同样的问题，方向也一致，但因为语义未统一，往往会发生激烈争执。 这与 AI 近几年的发展何其相似。在新兴事物刚刚出现时，往往是“事实先于语言”。大家直觉上都在朝同一个方向努力，但缺乏一套约定俗成的说法，只能借助模糊、比喻或者各自惯用的词汇来表达。这种语言真空一方面让创造和探索保持开放，不至于过早被固化的定义所束缚；另一方面，每个人所用的标签不同，交流时便容易出现“鸡同鸭讲”，形成表面上的分歧。 而当方向一致、用词不一时，争论往往并非源于真正的分歧，而是语义对齐的失败： 一方觉得“你没懂我的意思”； 另一方却以为“你在否定我”。 事实上，大家谈论的往往还是同一个问题，只是语义尚未沉淀出一个公共的框架。 语义未统一并不仅仅是“词汇不同”，背后有一整套技术性的分层原因。 首先，每个人进入问题的入口各异：工程师关注实现细节，如接口、代码与算法；商业人士着眼于商业模式、成本与市场；而哲学或战略视角则关心长期演化与概念架构。这就像几个人同时看一座大楼，有人盯着地基，有人研究电梯，有人只在意顶层的观景台——描述的对象虽相同，却天然不一致。 其次，问题往往分布在不同抽象层：物理层涉及硬件、材料与能耗；逻辑层对应算法、规则与协议；认知层包含模型、叙事与使用方式；制度层则牵涉法律、治理与共识机制。如果一方在逻辑层谈“运行时契约”，而另一方在制度层谈“治理结构”，两者语义难以直接对接，往往被误解为不同问题，甚至发生冲突。 再者，方法论差异进一步放大这种错位：有人偏向归纳，从案例总结规律；有人偏向演绎，从原则推导应用；有人依赖实验，快速试错；有人依赖协议，强调语言先行统一再执行。不同的处理方式，使得即便目标一致，也会演化出迥异的话语体系。其本质在于语言协议的缺失：缺乏跨角度的映射表、缺乏层次化的结构对齐、缺乏统一的执行协议。于是就出现了这种现象：大家都在做同一件事，却仿佛来自不同维度，听得见彼此的声音，却难以形成真正的共识。 我们思考的问题，绝对不是全球独一份。然而找到其他的共鸣者极困难。 语义错层 × 多语言噪音 × 文化制度差异，共同叠加成了全球协作的语义熵爆点。 其结果是：一个术语刚在 A 社区里稳定下来，到了 B 社区就彻底跑偏；一个新兴领域在 C 语言里没有现成词汇，只能借用模糊的说法，造成后续混乱；一个治理协议跨国落地时，因为语义差异，甚至可能让合约条款在执行层面产生歧义。多语言叠加带来的噪音尤为突出——直译歧义、语感差异与语言混用已成常态。全球开发者的日常交流中，中英文夹杂、英语术语直接音译、乃至同一会议里不同人使用不同语言，进一步放大了对齐难度。而教育背景、工程传统以及制度价值的差异，更让同一概念在不同社群中演化出完全不同的解读。 传播，对齐，共识，比争对错更重要。 在这种语境下，真正稀缺的能力不是“谁的观点更正确”，而是谁能搭建起跨越差异的桥梁：将不同切入点压缩为统一的目标表达，把不同层级对应起来形成结构对齐，并将不同方法论统一到可迁移的协议之中。最终，谁能在全球语境下率先构建一个多语言可对齐的“语义协议”，谁就有可能成为行业标准的制定者。

菊花的季节又要到啦，兴奋～

有人说，Comfy UI 的工作流，在 NanoBanana 出来之后，全废了，你怎么看？ 附：24 年 9 月的笔记 https://t.co/5upjpE38JA