🔥 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.
哈哈哈，自用的视频生成 Skill 终于做好了。 以后生产视频方便多了，只需要一句话！ 公开技术方案： 1. Listenhub API实现声音克隆，合成，字幕时间轴控制 2. Seedream 4.5 生成背景封面 3. Manim库实现文本动画 4. FFmpeg合成视频。 同时支持16:9 和9:16 视频，抖音、小红书我来了！
Introducing slide-deck skill 🎨 Turn any article or content into professional slide decks with AI-generated images. 15 styles to choose from: • blueprint - technical diagrams • sketch-notes - hand-drawn feel • corporate - investor-ready • pixel-art - retro gaming vibes • watercolor - artistic warmth ...and 10 more Just run /baoyu-slide-deck https://t.co/Mr6DFuOZiM or pdf and get: ✓ Auto-generated outline ✓ Individual slide images ✓ Merged PPTX ready to share Install: npx add-skill jimliu/baoyu-skills https://t.co/pRDqxdiSrH
DeepSeek 最近发的三篇论文，全部都是带梁文锋署名的，论文讲的内容也很有意思。 尤其是那篇讲 Engram 的，DeepSeek 相当于给模型带了一本“字典”进考场，把死记硬背的脑容量腾出来，专门用来做难题。 但他们发现，如果模型全是记忆（Engram），那就是个死记硬背的书呆子，完全没法思考。 但如果全是推理（MOE），又要浪费大量算力去推导像“中国首都是哪”这种固定知识。 那要带多少记忆去考试呢？ DeepSeek 研究出了一个模型“记忆”和“思考”的黄金比例。 最后测出来的最佳配比是：75% 给思考，25% 给记忆。 这个结论可能不仅适合于模型，也值得人类深思。 当一个人记住所有细节，就约等于没有空间思考。 逻辑思维，适当抽象，是人类进步的源泉。 当一个人完全没有知识，只会浪费脑力去思考最基本的东西，脑力空转。 DeepSeek 实测，加了字典减少思考后，模型多出了相当于 7 层网络的思考深度。 没想到，知识的广度以这种方式增加了思考的深度。 很有启发。
gitlab这个玩意现在用的还多么？ 我记得我当年大一的时候，班里有人为了方便写项目有人弄了个gitlab。 刚看了一眼，这么多年了，PE还是负数，PS是6.23，57亿的市值，真的还有人在用这个东西么，github被微软收购之后，gitlab感觉已经逐渐淡出视野了，刚看主页也是拥抱AI了
很多人和我探讨过，为什么某某账号看似不错，怎么突然就断更了 我始终坚持：这属于哲学上的不可知论，我们需要承认我们无法知晓答案 就算原作者告诉你他断更的原因，这也不是真相 因为作者自己也不知道真正的原因 他可能会说「太忙了」「没灵感了」「生活变故」，但这些都只是他能意识到的表层理由，是他的理性系统事后给出的「合理化解释」 真实的原因可能是：童年某个被忽视的经历导致的完美主义焦虑、多巴胺奖励机制的阈值变化、某个他自己都没察觉到的人际关系张力、荷尔蒙水平的微妙波动、大脑神经连接模式在某个时刻的重组，以及其他成千上万个相互作用的因素 更深层的问题是：当你问「为什么断更」时，你预设了存在一个单一的、可被言说的「原因」。但人的行为不是这样运作的。断更不是一个「决定」，而是无数微小的、无意识的倾向累积到某个临界点后的涌现现象
徐冲浪
AI这一轮的本质是——有能力开发大模型的互联网科技公司，通过购买NVDA的显卡获得算力，同时向外卖大模型token的一个生意。 基于这个逻辑，我们可以给出以下几点判断： 1、得益于NVDA显卡算力的进步，所以token的成本可以降低，但是定价权是掌握在这些大模型厂商手中的，所以只要有开发人员，互联网人员，金融人员，这些顶级白领需要AI去帮他们提升效率，那么token的消耗就不可能终止，而且会越来越多，同时市场上还有不少API套壳狗，去做token的二道贩子，或者包一层大模型的各种微创新产品，这是软件层面的消耗，会带来硬件层面的需求，你们看到的各种券商软件（老虎富途长桥）、各种SaaS软件（飞书多维表格）、各种视频平台（一键生成封面），都在搞AI辅助的事情。 2、美国的数据中心没那么好建设，涉及土地审批、电力铺设、机架购买&安装、制冷等等环节，美国开个奶茶店装修下来要几个月不说，还会牵扯工会的问题，因为来装修的人受雇于工会，所以美国的算力短缺是非常正常的，矿企因为本身有土地+电力问题都解决了，只要改造下就行，所以这几个月矿企号称转算力中心，不少股价都飞涨 3、房子的问题是政府在通过人为制造稀缺性，骗傻子接盘，但是当市场真正买不动了，那么这个问题就无法解决，会进入倒灌时期，所以城投是人工造盘子，类似加密货币发山寨币，不住的房子被当成控盘的筹码，提高溢价能力，骗傻子高位接盘，然后市场兜不住的时候，城投自己出货给市场，浇给那些高位接盘的人 4、AI的问题是token本身在随着技术迭代而变得更加便宜，所以大模型公司也在通过技术手段，去尽可能榨干当前算力最强的显卡，以降低成本，你不降价有的是公司降，token的普适性在扩充，使用人数和使用频次在增加，但是使用成本在降低，这个就很互联网早期阶段了，跟科技的发展进程是一样的，唯一的稀缺性握在拥有大模型的科技公司手里，就是我的模型比你更屌，你必须用我的写代码才行。 5、数据中心其实是个苦差事，看ORCL的变化就知道了，所以大模型公司们除了自建，也在往外发订单，搞外包化。这个过程中，扩容也是要花钱的，扩容的钱也会流到市场里，建筑工人，显卡提供商，卡车司机，电力设备提供商等等，所有环节也都会收到甲方的打款，钱的流动规律很正常。 6、综合以上种种，我觉得AI就是互联网初期的状态，AI的token不断降价，但是用户基于token享受到了好用的地方，类似互联网的普及化，大模型提供商们最后会变成类似电信运营商一样，卖的是大模型token的溢价，然后普通用户会付费给那些使用AI功能开发出来的应用，建议大力购买AAPL和GOOG。 7、同时我也给一个预言，中国的AI，未来也有多个走向： a、可能会像外网一样，需要你有一定手段才能访问，这说明gov不想让普通人拥有AI的智能 b、可能会像办理手机号/宽带一样，需要你身份证开户才能访问，这说明gov认为，只要把中国的AI大模型管起来，能剔除掉不干净的东西，那普通人就可以拥有AI的智能
Est. 900 views for your reply