🔥 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.
我们实验室以前有一个本科生 非常认真，非常聪明，非常努力 大一就来实验室做实验 基本上每天都会在实验室忙一会 有的时候两三个小时 有的时候七八个小时 一直和我们组博士做实验做到了大四 最后本科毕业，论文都还没发出来， 一直到她自己博士入学一两年 她和博士的两篇文章才被接收 所以，每次看到生物学的本科生本科发了什么顶刊。我都有点情绪复杂。然后感叹有个好爹妈真好
如果有人敢在抖音讲 claude skills，大体分为三种情况 1. 为了让小白听懂，大量使用修辞手法，以至于信息压缩极其严重，根本无法把整个事情完全讲清楚 2. 讲的很专业，但是播放量极差 3. 既有深度，又有流量，这是真高手
作为老板，最心痛的事情莫过于 给员工提供了 Claude Code、Codex、Cursor 各种工具 但员工却不用 了吧...
关于印度裔美国人和华裔美国人差异的有趣的观点（下面的内容是 Junde Wu 原推文内容摘要）： 65年移民和国籍法开始，印度大批受过良好教育的医生、工程师、学者进入美国，成了印度裔社区的第一代基础，而他们的高学历背景，也直接塑造了整个族群的教育水平与收入结构。 而华人移民的节奏完全不同。 因为中国经历了文化大革命，高学历、高技能的大陆移民真正的大规模涌入，其实要等到 80 年代末、90 年代 才开始，直到 2000 年代才达到峰值。 我们今天看到的差异，不是因为文化，也不是因为某个族群“更聪明”，而是因为不同族群来到美国的时间点不同、路径不同、筛选机制不同。
今年，我读了很多 alignment 和 AI safety 的论文。 开始一天比一天好奇，Ilya Sutskever 的 Safe Superintelligence Inc 到底在做什么神秘的研究和产品？
M: 来这里的意义是什么？ D：因为门票免费？ M：那只是现实层….因为黑鸟是冷战侦察机工程巅峰，飞行速度超过马赫2.5全身热膨胀，把缝隙填满。形成内真空状态。波音707的原型，当时在华盛顿航展，毫无征兆的做了空中翻滚。开启喷气式时代。 D：哦，你儿子看上个80刀的纪念品，你去把钱付了？ M：算了吧，不如买汉堡。 D：欢迎回到现实层。
谁能认出来？我能。 https://t.co/qa4X3Slw4k
靠，正像Elon曾经说过的，尤根发明了当前AI的everything！ 当前AI的所有理论都可以从尤根一个人写过的论文中找到线索。 https://t.co/AMd8ZB4IW8
在讨论 AI-Native 软件范式（AI-Native Systems） 时，我们必须先承认一个现实：用户从来没有被教育过如何使用“语言作为系统界面”。过去三十年他们接受的是另一套训练： 无数个 App 容器，每个 App 代表一个单独的世界，有自己的按钮、菜单、图标、工作流。用户的心智是被图形界面塑形的。 而当你突然把一个纯语言界面放到他们面前——光的、秃的，没有工具条，没有按钮，没有模式切换——大多数用户是会本能不适的。 因为这不是他们被社会化学习过的操作方式。 这正是 AI-Native 的悖论： 语言本来是人类最自然的界面，但在软件里，它反而变成“最陌生的界面”。 换句话说： 用户需要被重新训练，让语言重新成为界面。 但“语言即界面”其实只是表层。真正的底层结构是： 语言 → 结构 → 调度 语言不是聊天，语言是可执行结构； 结构不是代码，结构是可调度的认知单元； 调度不是操作系统，调度是系统的生命机制。 要让消费者理解一个“没有 App、没有按钮、没有菜单”的世界，他们需要一个适应期。因为这是一种范式迁移： 从“点按钮”到“发起意图”； 从“在 App 之间切换”到“让结构在后台自动调度”； 从“模仿电脑的操作方式”到“让电脑模仿人的思考方式”。 这就是 AI-Native 时代真正的冲击点： 不是技术本身，而是用户心智的迁移速度。
老了，胖了。 问AI，我YouTube咋办？ 他居然建议我去贴假睫毛…. https://t.co/mHl071AGy7
歸藏(guizang.ai)
Sam 推荐的文章 AI完成长任务的能力正在以每6个月翻倍的速度增长。 计算机科学家Boaz Barak基于METR最新数据推演： 如果这个趋势持续，1-2十年内可能看到工业革命级别的经济变革。 ## METR发现了什么？ METR研究了一个关键指标：让AI以50%成功率完成的软件工程任务，人类需要多长时间。 结果很震撼：这个时间长度每6-7个月翻一番。也就是说，AI能处理的任务复杂度每年增长4倍。 更重要的是，这是指数增长。就像国际象棋的ELO等级，AI每过6个月，技能等级就提升一倍。 ## 什么会影响这个趋势？ 作者把因素分成两类：影响当前水平的和影响增长速度的。 当前水平主要受可靠性要求影响。同样的GPT5，50%成功率时能做2小时任务，要求80%成功率时只能做26分钟任务。差距巨大。 现实世界的"杂乱税"也很重。实验室基准和真实任务差距大，需求更模糊、上下文更复杂、标准更难界定。但这更多影响绝对水平，不太会改变增长速度。 增长速度的关键支撑是计算资源的指数增长。训练计算量本身也在每6个月翻倍。但这种增长逻辑上不可能永远持续。 物理世界可能是瓶颈。目前数据主要来自软件工程，机器人技术能否保持同样增长曲线还不清楚。 最大的未知数是递归自我改进。如果AI能自动化AI研发本身，这相当于研发投入的巨大增加。但会导致奇点、加速、还是只是维持现有增长？没人知道。 ## 对经济增长意味着什么？ 作者用了一个精妙的模型：经济学家Benjamin Jones的调和平均数模型。 核心洞察是：即使AI在某些任务上无限强，如果还有10%的任务无法自动化，整体生产力最多提升10倍。因为任务之间不能相互替代。 要实现"变革性AI"（10倍生产力，相当于工业革命级别），需要两个条件同时满足： - 未自动化任务比例大幅缩小 - AI在已自动化任务上的生产力优势大幅增长 按照激进假设：未自动化任务每年缩小4倍、AI生产力每年增长10倍，一年内就能达到变革性AI边界。 但这太激进了。即使采用保守假设——每年自动化9%的剩余任务、AI生产力每年增长10倍——也能在10-15年内实现变革性增长。 对比一下历史数据：过去150年美国人均GDP一直以2%增长，35年翻倍一次。电气化、计算机、互联网都没改变这个趋势。 如果AI真的带来每年5-7%的增长，这是十年翻倍的速度。 经济学家Acemoglu预测AI每年带来0.1% GDP增长，高盛预测1.5%。但作者的推演是5-7%——比高盛估计高3倍以上，比Acemoglu估计高50倍。 就算只增加1.2%的GDP增长，就足以让美国经济保持财政可持续。而2%的提升对美国来说是前所未有的。 ## 与历史自动化有何不同？ 这里有个关键点：过去80年的自动化是线性的——被自动化任务的比例缓慢稳步增长，增速往往还在下降。 如果AI导致未自动化任务比例呈指数级衰减，这将是与历史趋势的彻底断裂。 作者做了个假设：任务难度是"重尾分布"，需要人类花T时间的任务比例与1/T成正比。在这种假设下，能处理的任务时长翻倍，等同于未自动化任务比例减半。 按照6个月翻倍的速度，从AI自动化某行业50%任务到自动化97%任务，只需要2年。 但这极其激进，因为它只关注能力，完全忽略了扩散速度。理论能力和实际应用之间可能有巨大鸿沟。
Est. 1.3K views for your reply