🔥 Search Hot Tweets
Search and analyze hot tweets from KOL accounts list (list: https://x.com/i/lists/1961235697677017443) within 6 hours. Use SoPilot plugin to quickly comment and occupy the comment section.
新成就，GitHub 获得了 100 个 Stars！ 还是挺开心的。 上一个项目被 fork 了 74 次都没人 Star 😂。 https://t.co/4b832Oj0TY
「 LLM, Drivel-ology 」 “一家三代烟草人，传承和守望 。” LLM 能理解其深意么？ Drivel-ology，这是啥？废话-学。 此处的废话跟 bullshit 又不一样，看似胡说八道，但又有某种目的的隐含意义，比如 “因为崇拜切格瓦拉的反思本主义思想，所以我买了他所有的文化周边。” 论文分享： [ Drivel-ology: Challenging LLMs with Interpreting Nonsense with Depth ] 作者提出 Drivel-ology，指语法正常却蕴含悖论、文化隐喻的有深度的胡说八道，并发现 LLM 虽能流畅生成文本，但对语用深层含义的理解不足。 LLM 在明显的有害信息检测上进步明显，但面对低级红高级黑，任重道远。
AI 如同电力，关键不在于谁能造出最亮的灯泡，而在于是否能建成覆盖全社会的“电网”。对普通人来说，包括程序员，真正的指数级机会不是在造模型端，而是在电网端：如何建立一套社会、技术与制度共同组成的网络，让智能像电力一样可靠、普及、隐形地运行。没有电网，AI 只能停留在少数人的炫目演示里；有了电网，它才能成为支撑下一阶段文明的底层基石。 AI as Electricity: Turning High Voltage into Everyday Use https://t.co/6Do2TLkL07
这个月参加了很多大会，见了不少人，跟去年不一样的是都开始谈“all in AI”。 现在一听到“all in AI”这个词我就脑瓜疼。 我对 AI 本身没什么疲惫感，主要现在很多企业喊得太轻巧太空洞了。 组织在用一种“只要喊了就算做了”的方式， 假装在变革。 但其实谁都知道，那些真正该动的地方一个都没动。 从组织角度讲，我看到的大多数所谓 all in，更像是一种花活，写一堆 MCP，挂个 AI 模块，接着开个发布会，发个 pr。 然后自我感动地告诉全公司，我们已经拥抱未来了。 那这个时候我就会很认真去问： - 那你们的数据打通了吗？ - 你们把原来的流程拆了吗？ - 你们给 AI 真的分配了决策权了吗？ 回应基本就是沉默或者支吾。 说说我的看法，我现在特别警惕也特别反感那种技术热词主导的战略决策，它们太容易让人放弃思考、放弃怀疑并且放弃责任了。 一个人， 只要说 all in AI，好像就赢了； 只要说未来都得靠 AI，好像就站在了浪潮前面； 但实际呢？根本没构建任何 AI 能跑得起来的组织环境，也没有准备好用 AI 重新定义自己手里的权力、工作方式和判断逻辑。 仅仅只是站在原地，举着一个闪亮亮的口号，把自己骗得很开心而已。 真正的 all in，永远是疼的。 需要从最熟悉的系统里抽出骨头，打断惯性的思维方式，然后忍受混乱和不确定； 需要愿意承认“我原来那个流程是错的”、“我原来那套认知已经落后了”； 是必须对团队说：“我们从今天起不再靠人盯数据，而是相信模型先跑一轮”； 而不是说“我们接入了某某 AI API，所以从今天起我们变成 AI 公司了”。 我更愿意看到那种不说 all in，但确实把 AI 真正干进系统里的人。 比如医生端的文献检索系统重构，让医学知识能被自然语言查询和落地辅助决策， 比如客服系统不再是死板脚本，而是有记忆、有学习能力的半自动应答流程， 比如原来要三轮审批的工单系统，现在可以直接通过 AI agent 做前置分拣与聚类分析。 这些可不是 showcase，是一个组织真正动了肌肉骨骼，而不是给自己贴了个 AI 贴纸。 所以当我再听到有人说“我们也准备 all in AI 了”的时候， 我会忍不住想回一句：你准备 all in 的到底是什么？ 是未来，还是自我安慰？ 是能力体系的更新，还是一种不能落后的集体焦虑？ 如果只是想借 AI 节省人力，那最后省下的不是成本，可能是整个系统的进化机会。 如果不想改人、不想改流程、不想改决策逻辑，那就别说 all in，真的没那么便宜的。 深夜的一点想法，写得有点重，但是真心的。 AI 是很酷，但别让它变成了又一个“喊完就算做了”的口号。 我们都值得一点更真实的变化。
如何判断一个赛道是否拥挤 你就看同行的定价就知道个差不多 一套试卷，如果答题的都是尖子生，那答案就都大差不差 如果答题的都是差生，答案就千奇百怪 凡是定价整齐划一的，比如国内 20-25w 的新能源汽车市场，那就是高手如云，刀光剑影 凡是定价稀碎的，一人一个样的，比如国内某平台的心理疗愈赛道，那就是菜鸡成群，一顿胡搞 如果你懂定价，你会觉得毫无竞争可言，整个赛道就你一个人
宝玉
转译：有人发现了一个让 AI 智能体（AI Agent）工作更出色的绝妙方法，简单到令人惊讶：只要给它们设定一个人格。 我最近读了一篇关于“心理学增强型 AI 智能体”（Psychologically Enhanced AI Agents）的论文，它揭示了一个引人入注的观点：我们无需进行任何复杂或昂贵的重新训练，就能引导 AI 的行为。 事情的背景是这样的：通常，如果你想让一个 AI 精通某项特定任务（比如，让它擅长创意写作，而不是战略分析），你必须进行成本高昂且耗时的“微调”（fine-tuning）。 问题在于，一个通用的、“一刀切”的 AI 往往不是最佳选择。一个为检索事实而优化的模型，可能很难写出一个富有同理心、感人至深的故事。 这篇论文的关键发现，是一个名为 MBTI-in-Thoughts 的框架。研究人员发现，只要在提示词（prompt）里，简单地要求大语言模型（LLM）扮演一个特定的迈尔斯-布里格斯类型指标（MBTI）人格，它的行为就会发生可预测、且非常有用的改变。 举个例子，在一个策略博弈游戏中： * 被设定为“思考”（T）型人格的智能体，选择背叛的概率接近 90%。 * 而被设定为“情感”（F）型人格的智能体则更倾向于合作，背叛的概率仅为 50% 左右。 这一切仅仅通过一句提示词就实现了，根本不需要任何微调。 这事儿最让人着迷的地方，就在于它出人意料的简单。这种能力其实一直都潜藏在模型内部，而提示词就像一把钥匙，把它解锁了。 为了确保这不是巧合，研究人员还让被“注入”了人格的 AI 去做了官方的 16 型人格测试（16 Personalities test）。结果，AI 的答案与它被指定的人格完全一致。在执行任务时，它真的“变成”了那种人格。 这彻底改变了我对提示词工程（prompt engineering）的看法。它不再仅仅是关于你*问 AI 什么*，更是关于你*让 AI 成为谁*。 实际应用前景可以说是立竿见影： * 需要一个能共情的 AI 客服？把它设定成 ISFJ（“守卫者”）。 * 需要一个能做冷酷市场分析的 AI？试试 ENTJ（“指挥官”）。 你可以根据手头的任务，来匹配智能体的“天赋”。 从更宏观的视角来看，这意味着未来我们可能不再依赖于单一的、庞大的 AI 模型。取而代之的，我们或许可以构建由多个 AI 智能体组成的多元化团队，每个智能体都拥有为其特定角色量身打造的“人格”。 想象一下，一个充满创意的“ENFP”型智能体和一个注重逻辑的“ISTJ”型智能体一起头脑风暴，共同规划一个复杂项目。这就引出了一个全新的问题：要解决某个特定问题，最佳的人格组合是什么？ 归根结底，这项研究为我们指明了一个通往更通用、更强大、也更可控的 AI 的未来。我们正在学习的，不仅是塑造 AI 的输出结果，更是它在处理任务时整个的认知与情感风格。一句简单的提示词，就能解锁一个行为的全新维度。
Est. 1.0K views for your reply