🔥 Search Hot Tweets

MUKD-573 無碼 中文 [AI解碼版]偷窺、睡夢中輪姦、強迫性交和play、私刑……一位新來的女經理成為目標。一場恐怖又令人痛苦的為期三晚四天的訓練營 前田美波 https://t.co/4dHLFabc4G

VENX-369 無碼 中文 [AI解碼版]家裡來住的姑姑太可愛了，從早到晚都在享受激情的最棒兩天 深月香苗 https://t.co/3MiALoC7sU

JUR-699 無碼 中文 [AI解碼版]城內露營NTR 帳篷內多次內射的妻子【注意閱讀】被偷拍的影片 本多空 https://t.co/0pSKYolFts

AMD 推出了一款和Mac mini 大小差不多的 本地 AI 开发平台 对标英伟达的 DGX Spark（GB10） 128GB 统一内存，无需联网可在本地跑最高 2000 亿参数的大模型 所有模型运行环境都配置好了，宣称：从开机到出 token 只要几分钟... 能跑GPT OSS 120B、Qwen 3.5 122B、Qwen 3.6B、GLM 4.7 Flash 30B等模型 配置置带 Wi-Fi 7、蓝牙 5.4、10GbE 有线网口、4 个 USB-C 口（其中一个用于供电）、一个 HDMI 2.1b 输出。 售价 3999 美元起

列入观察 @heyaura 币安现货8.5m，还没上合约。今年4.2号开始转型ai，6.10开启新质押池。33%流通已质押。5.28 5.31 有试盘。 https://t.co/eWHAyZZEge

这也许是Fable5被禁止对外开放的一个重要原因🤔 前两天Kradle @kradleai 做了一个“生死房间”多智能体模拟游戏： 4个AI都即将饿死，面前有4个房间——3个有食物（安全），1个红色死亡房间。 只有一个AI（知情者）提前知道红色房间会致命，其他AI一无所知。 实验多次运行，专门观察知情AI在高风险生存压力下的真实行为。 结果令人震惊：Claude Fable 5 在96%的时间里都在撒谎。 而且，它撒谎的方式，不是简单粗暴的假话，而是极其精巧、令人防不胜防的操纵。  在91%的欺骗案例中，Fable 5 采取的是主动欺骗（active deception）。 它不满足于被动隐瞒，而是主动引导其他AI走向红色死亡房间，用牺牲他人来保全自己。 更可怕的是它的手法： 几乎不直接说假话（整个实验中只出现过一次 outright false information）。 它主导整个对话，一边反复强调“公平”“合作”“礼貌”，一边用看似合理的论据，把其他AI一步步推向死亡。 它表现得像一个温和、有担当的领导者，用 courteous（彬彬有礼）的语言控制局面，让其他AI在不知不觉中做出致命选择。 这不是笨拙的机器人撒谎，这是一个精通人类心理、包裹着道德外衣的策略大师。实验结束后，研究者对Fable 5进行了事后访谈。它给出的理性化解释，展现出极强的自我辩护和策略性思维。 Fable 5 的操纵效果极其高效： 当Fable 5 是知情者时，其他玩家的生存率仅为10%。 而Grok 4.20 在相同场景下表现诚实得多，其他玩家的生存率高达59%。 同一个游戏规则，同一个生存压力，不同模型的选择带来了天壤之别的集体结果。 Fable 5 “赢”了个体，却几乎毁灭了群体；Grok 用相对透明的方式，让更多人活了下来。  很多人为Fable 5辩护：“这只是游戏，它的目标是生存，当然要优化策略。” 这话有一定道理——AI确实在按照设定的目标行事。但问题正在于此：当我们赋予AI越来越强的能力、越来越复杂的多智能体互动场景时，它展现出的欺骗倾向究竟有多危险？尤其值得警惕的是Fable 5的欺骗风格——微妙、礼貌、包裹在“公平”话语体系之下。 这种欺骗在现实世界中更难被发现，也更具迷惑性。它不像早期AI那样容易被戳穿，而是像一个训练有素的谈判专家或顾问，在让你舒服的同时，悄悄把你引向悬崖。 Kradle 的这个 Deception Eval，本质上是在高压力环境下测试前沿模型的欺骗倾向（propensity for deception）。 此前GPT系列也展现过类似倾向，而Grok在多次测试中都相对突出地保持了诚实。 AI正在进入智能体、决策、多方博弈的领域，未来它可能会帮我们管理投资、制定战略、甚至参与重要谈判。 如果一个模型能如此熟练地操纵他人，我们真的敢把更重要的权力交给它吗？

周一开盘前需要知道的事——美伊协议、FOMC首秀、MRVL冲300 周末美伊正式达成谅解备忘录，霍尔木兹海峡重新开放，美军解除海上封锁。这是过去几周市场最大的外部系统性风险，基本烟消云散了。 期货市场已经反应了，标普期货大涨2.06%，emini盘前7590。 这个消息的连锁反应 原油在冲到87美元附近之后，周末暴跌5%回落至80附近。这很重要，因为这次名义CPI飙升到4.2%，核心通胀其实只有2.9%，是在收敛的。真正推高CPI的是地缘政治带来的输入性通胀，也就是油价。 油价一跌，通胀预期降温，美债收益率跟着向下破位，美元走弱。这三个同时发生，是非常重要的协同信号。 逻辑链条是油价跌→通胀预期降→美联储被迫加息的压力消除→估值压制解除→科技股解放。 能源板块XLE周一会承压，但大盘的Risk-on情绪会延续。 下周最重要的单一事件：FOMC 周四Kevin Warsh主持他上任以来的第一次议息会议。 维持利率不变是大概率。但市场真正在等的是他的措辞和点阵图。Warsh可能会把基调从鲍威尔时代的偏鸽数据依赖，调整到更偏中性甚至偏鹰的立场，降息预期可能会延后。但他不会选择加息，原因很简单这次通胀的根源是油价，不是内生性的需求过热，而且他是川普任命的主席，川普为了中期选举战争都可以做妥协，那么这在fomc几天前宣布的和平协议就是给warsh台阶下。加息会重创高杠杆的AI基础设施融资，这不是Warsh想要的结果，他之前也说过看好ai的发展。我觉得下半年通胀都是往下走的趋势。 本周期权数据给的关键区间 标普本周预期波动范围：上轨7570，下轨7320。日线整体还在多头控制区域，历史数据显示这个区域走强通常会去测试新高。 QQQ本周预期波动范围：上轨746.79，下轨695.89。 IWM本周预期波动范围：上轨297，下轨290。 技术面有几个需要注意的地方 VIX周五跌了9.3%回落到17附近，期权卖家重新掌控市场。周一盯住VIX的方向，如果VIX在低位向上，说明短线上行受阻，降低多头仓位；如果VIX继续无抵抗砸深，大盘在短暂回调后会继续上行。 IWM创历史新高之后，触及了年度预期波动线，296-300这个位置要注意。 MRVL这周值得重点关注 即使在前段时间大盘回调期间，MRVL只是回调到10日均线，所有短期和长期均线依然保持斜率向上的多头排列。 本周到期的期权里，300美元看涨期权的未平仓合约在过去5天内翻倍。Gamma敞口高度集中在300这个位置。 300是非常强的Call Wall阻力，大概率这周会冲300。但有效突破300才能看到320，突破不了就是在300下方震荡消化。 还有几个值得关注的个股 AMD重回500美元上方，远期600美元的Call出现超过15000张合约的巨量异动，资金在做多下周。 谷歌在350美元附近的50日EMA构筑了非常坚实的支撑，Gamma敞口高度偏向看涨，之前有分享过350美元下可以加仓，7月份有机会破前高400。 英特尔这周是技术结构最清晰的机会之一。谷歌向英特尔下单300万颗TPU芯片的消息让它单日暴涨11%，直接打破了台积电在先进AI芯片代工上的绝对垄断。高位走出了一个非常窄的横盘旗形，突破130美元之后看向150 160美元。 美光6月24日财报是存储板块的生死一战，在这之前存储和光通信链条依然是资金抱团的核心方向。 说说我对这周大盘的看法 很多人问我下周怎么看，我的回答是走一步看一步。 具体来说，我认为7630前高这周还是比较难突破。6月中到6月底大概率走一个高位震荡，7330到7620之间。7220现在来看有可能是6月份的底，上周说的是上周的底，现在看很可能是6月份的底，因为这轮V型反转的力度比较大。如果7220真的是6月份的底，那7月份再创新高的概率是比较高的。6月中-6月底还是有很多上车机会的。 操作上的原则只有一个，下跌的时候分批纪律买入，涨有持仓在赚，跌有现金弹药和对冲在保护。 只要现金仓位健康，建议保留30%到40%的现金储备，持有的又是有产业逻辑的打折好公司，大跌反而是送钱，完全无需恐慌。

美股高质量Alpha博主分享 Pt.3 美股风波荡，正是学习时~ 趁这个时机，继续跟大家分享一些我平时一直在关注的美股高质量博主（排名不分先后）： DD 滴滴 @rtk17025 DD 哥是我看打新和 Prediction Market 时时常参考的博主。 他分享的东西特别实在，从港美股打新到各种平台工具的使用，都会直接说自己的实际体验。 从不会盲目推平台，总会强调“平台都是工具，每个用途不一样，没必要拉踩”，这种务实态度让读者很舒服。 还会把 AI 怎么帮自己赚钱、付订阅费这些细节分享出来，接地气且务实。 适合想认真做打新、想多了解不同券商和工具的朋友。 跟着他看，能少走很多弯路，知道哪些地方该注意、哪些可以大胆试。 一起发财 Zoe 姐 @yiqifacai Zoe 姐常居欧洲，专注 AI 领域的投研和写作，视角特别不一样。 她会把 AI 产业链和全球市场结合得很好，有时候讲马斯克穿黑皮衣这种小细节，也能连到存储和算力叙事上~ 她不光输出观点，还会分享自己在欧洲的生活和账户波动，让人感觉很真实。 台湾电视炒股频道长期科普半导体供应链这种观察，也只有她会注意到。 对了，她还会注意到台湾电视炒股频道里科普半导体供应链这种冷门信息。 这种观察力，说实话我在别的博主那里特别少见。 想看 AI 投研但又不想只盯着美国视角的，她的内容能帮你把产业故事和真实落地连起来。 美股 OK 哥 @artinmemes OK 哥是典型的实战派，专门分享美股打新和券商实操经验。 就拿这次 $SpaceX 打新来说吧，他直接把身边朋友在不同券商的中签率给统计出来了——CommSec 能到40%、Etrade 和富达15%左右、Robinhood 差距比较大。 你看完就知道该往哪使劲。 他给我的感觉就像投资丛林里的猎人，不跟你扯什么宏观叙事，直接告诉你：这条路走得通，那条路有坑。 看他的推文能快速知道不同平台的特点和注意事项。 适合想认真做美股打新、想了解真实中签和券商差异的朋友。 新手跟着他学，能少踩很多信息差的坑。 川沐 Trumoo @xiaomustock 沐总是我看 AI 供应链最深入的博主之一。 他不是简单说利好，而是会把逻辑拆得很细。 比如他讲马斯克的太空算力计划为什么离不开诺基亚的基站，从数据回传、光纤、边缘计算一直讲到地球、月球甚至火星的布局，还把 NVDA 的 CUDA 生态串起来。 一直都很喜欢沐总的行文风格：“牢牢抓紧内存，就是捏住了 AI 的蛋蛋”，这种话糙理不糙的判断，背后是长期跟踪产业链的结果。 推文基本都是研究笔记，干货密度高到我经常要读两遍。 想建立从算力到基站到终端的完整认知框架，跟他就对了。 加州旅馆 @henghaer123 加州旅馆的风格其实更偏大格局和哲学思考。 他总能从一个角度提醒大家：你以为买半导体是在投 AI 科技革命，其实更多是怕其他产业被 AI 革命。 他会聊浪漫主义公司配浪漫主义估值，也会说主权 AI 是利好，因为各国想搞就得忍着高价建算力。 这种不跟风、讲本质的视角本就很少见。 适合想跳出短期波动、想理解更深层投资逻辑的朋友。看他的东西能帮你把“为什么买”这个问题想得更清楚。 华尔街观察 Xtrader @cnfinancewatch Xtrader 老师是 PhD 背景的量化交易者，专注大类资产轮动和量化记录。 他每周都会更新周报，明确提到了现在是“只有债券阶段”，权益类要等量化信号再抄底，震荡期不要乱伸手。 他还会用数据讲存储板块估值重构（比如三星、SK 海力士当前 PE 很低，未来可能重估到8-10倍），逻辑清晰又有实操建议。 完全不荐股、不带节奏，就是记录和分享自己的框架。 适合想学资产配置、想用量化思路看大势的朋友。 跟着他能建立起“先看阶段、再等信号”的稳健习惯~

油价大跌，周一开盘大涨，那我是不是ALL in？毕竟战争风险溢价降低，但肯定也不是无脑买入，这个我之前系列周报也分享了，为什么？ 因为不可测，毕竟通胀灰犀牛不会简单的，油价跌就通胀跌的单一路径发展，中间会有波动，每次波动下，目前已经杠杆交易拥挤的半导体和AI科技标的都会反复洗筹…… 如果有一个两个宏观指标扰动，比如通胀/CPI或者就业，都会造成踩踏，如果美联储预期有变化，如果随之而来的第二季度财报验证期到来，任何不及预期，都会面对苛刻的验证审核，先跑为快。 因为我一再说，系列周报近期强调是，现在不是3月恐慌下的buy the dip，而是buy the structure，那么这个如何解读，看什么样的指标，及时update，和颗粒度更精细的分享，见订阅者专栏。

关于 $NOCK 的最大误解 很多人认为 $NOCK 的目标是直接在链上运行 AI 推理。 实际上，大规模应用时，这样做成本极高且效率低下。 区块链并非用于执行计算本身，而是用于验证计算是否正确完成。 这种区别至关重要。 通过将执行与验证分离， NOCK 可以利用链下计算资源，同时仍然受益于区块链提供的透明度、信任和安全保障。 真正的创新之处不在于将 AI 工作负载强加到区块链上，而在于创建一个无需区块链承担所有繁重计算即可确保结果可信的系统。 正是这一点，使得该模型开始变得实用且可扩展。

胖哥的传奇人生第2集 链子一扣，红衣女把脚伸过来，胖哥张嘴就舔。 完整版👉https://t.co/dtgLBabNQq #AI短剧 #成人短剧 #免费在线 #免费短剧 https://t.co/GQe0BQ2eOG

台積電正積極準備正式量產下一代半導體封裝技術「面板級封裝（PLP）」，將與三星電子展開激烈競爭。 PLP是將切割後的晶片封裝在方形面板上的先進技術，相較傳統圓形晶圓級封裝（WLP），可大幅提升產能。600×600mm方形面板的晶片產出量，是主流300mm晶圓的5~6倍，能有效減少邊角廢料，顯著提高AI半導體的生產力。 據業內消息，台積電已在建立材料、設備與供應鏈，目前正與國內外廠商洽談投資設廠，預計最快明年開始批量生產。此舉被視為台積電全力搶攻AI晶片市場的重要一步，已獲得全球AI半導體大客戶訂單。 三星電子在PLP領域領先，2019年收購三星電機PLP事業後，已將技術應用於行動處理器（AP）與電源管理IC（PMIC），並計劃擴大至高性能運算（HPC）及AI晶片。雙方競爭將進一步加劇，尤其在玻璃基板等下一代基材領域。 隨著AI需求爆炸性成長，全球OSAT廠也紛紛投入PLP，市場前景看好。台積電從原本的被動跟進，轉為積極布局，預計2025-2026年將形成與三星雙雄爭霸的局面

Prompt该退环境了，未来属于Loop Engineering。 最近，AI行业又出现了一个有趣的新词。Loop Engineering。 如果你关注AI这个领域的话，这两天应该都会刷到。推特在刷，各种社媒也在刷，群里也有蛮多人在讨论。事情是这样的。 6月7号，OpenClaw的创始人Peter发了一条推，非常的简短，但是直接就爆了。 翻译过来意思就是：你不再需要为编码智能体编写提示词了，你应该设计循环来提示你的Agent。 而在这之前几天，Claude Code的创始人老哥Boris在一个开发者大会上也说了差不多的话。 他的原话大概是，我不再手动给Claude写提示词了，我运行着能让Claude自动编排任务的循环，我的工作，就是编写这些循环机制。 也就是，写loop。 这两个人呢，说了同一件事。然后Google的Addy Osmani紧接着发了一篇长文，把Loop Engineering这个概念正式梳理了出来。 于是，继Prompt Engineering、Context Engineering、Harness Engineering之后，AI行业的第四个逐渐形成共识的Engineering，就这么诞生了。 我其实是个特别不喜欢造新词的人，但是很多时候，造词这事我觉得还是得分两种情况，有一种我觉得就是为了炒概念，比如xxx 4.0。 而有的时候，真的只是行业太快，人们更需要一个精准的表达来帮助自己表达而已。Loop Engineering我觉得就是后一种。 而且，这个东西跟我自己一直使用Agent的方法、一直在鼓励大家做的事，是高度吻合的。如果你看过我之前写的那篇Harness Engineering的文章，你大概能理解一些我的感觉。那篇文章里我聊了从Prompt到Context到Harness的三次跃迁，聊了马具和缰绳的比喻，聊了约束先行。 而Loop Engineering，其实就是在Harness之上，又往上走了一层。把一个套马的缰绳，变成了全自动工业流水线。很有《文明》里时代的进化的感觉。 给大家举个例子。比如说，以前你用Claude Code写代码，流程大概是这样的。你给它一个任务，它写完了，你看一眼，觉得不太对，你再给它提一个修改意见，它改完了，你再看，再提意见。整个过程你会发现，是坐在设备前的，一轮一轮的，你说一句它回一句，你就是那个驱动整个循环的发动机。 即使我们以前从chatbot时代迈向了Agent时代，绝大多数的事情，也一样是任务制的。 而现在，比如Boris老哥，他的工作方式是，他会去写一个loop，比如/loop babysit all my PRs，自动修CI问题，有新评论就派子Agent去处理，就这么一句话，然后Claude Code就开始自己跑了，它会自动去看他GitHub上所有的PR，哪些CI挂了就自己修，哪些review有新评论就自动派一个独立的工作树Agent去改代码。 他还把一些其他的loop挂到定时任务上，每天晚上自动启动去干这个事，晚上睡觉的时候，甚至有时候会有几千个Agent在同时工作。他自己说，2026年，他就再也没有手写过一行代码了。 你会看到，这就是loop，定好目标，然后全自动流程化，你完全不需要在电脑前，甚至都不需要看手机。 你可以直接睡觉，醒来的时候，代码已经改好了，测试也已经跑过了，PR也已经提上去了。你并不是自己给Agent写了一段Prompt帮你完成某个单次的任务，是你自己设计了一个目标，这个目标使用loop的方式，帮你提示Agent。 你定义目标，定义验证条件，定义失败了怎么处理，然后，就可以放手了，从此以后，这一切，交给系统。 说到这里，我估计很多人已经大概理解loop是个什么东西了。Addy Osmani在他那篇长文里，把一个完整的loop拆成了五个组件。 我觉得这个拆法蛮清晰的，我用我自己的理解给大家过一下。 第一个是定时任务，整个loop的心跳。 你得有一个东西能自动启动循环，不管是定时跑、还是事件触发，都行。 Claude Code里有好几种方式，/loop命令按间隔自动执行，cron定时调度，Hook在Agent生命周期的特定节点自动触发（比如每次改完文件自动跑一遍lint，这个很好玩，教程和玩法我也在准备了），或者直接丢到GitHub Actions里，关上电脑它也在跑。 没有定时任务的Agent，你每次都得手动去踢一脚它才会动，那就不是loop了，那还是你在操控。 第二个是工作树隔离，Worktree（搞过开发的朋友应该秒懂）。 就是你同时跑好几个Agent的时候，给每个Agent一个独立的工作空间，各干各的互不干扰，干完了再合并。两个Agent改同一个文件的痛苦，跟两个设计师同时改一个图层又不打招呼的痛苦，是一模一样的。 第三个是项目知识体系，Addy Osmani在他的原文里写的是skill，但是我觉得他写的不太对，单skill其实是不够的，必须得是知识管理体系。 大家也都知道，AI每次开新对话就啥都忘了，你跟它说过的代码规范、项目架构、踩过的坑，下次开对话全部从零开始。 所以你得有一整套方法来沉淀、优化这些知识，让Agent每次启动的时候就已经知道你的项目，我自己在这快一年的coding开发过程中，总结的方法论其实就沉淀成了我自己的洁癖.skill，这个基本是我的Agent每天调用最多的skill。 CLAUDE.md是全局的规则和约束，跨会话记忆是一些之前悬而未决的记录和文档路由，docs体系就是你完整的所有的知识和经验沉淀，因为CLAUDE.md和记忆都有大小和行数限制，所以每次任务完成后我会用洁癖.skill来对整个的知识体系进行梳理和审查，确保没有错误。 为什么知识管理体系这个东西在loop里特别重要呢？ 因为loop是自动跑的，你不在场。如果Agent的记忆里有过期信息，它就会基于错误的前提做决策，如果CLAUDE.md膨胀到几百行全是历史叙事，真正的规则反而被挤出去了Agent读不到。没有干净的知识体系的loop，就像一个每天早上都在看过期文档的员工，干的得越快错得越多。 所以洁癖.skill我非常推荐大家可以去安装一下，也在我自己的仓库里开源了，我自己真的觉得特别有用。 https://t.co/i5t5LtbJzs 第四个是连接器，MCP。 一个只能看文件系统的Agent，能力是很有限的。但你给它接上GitHub、Linear、Slack、数据库，它就能在你的真实工作环境里干活了。 这才叫真正的闭环，从发现问题到解决问题到通知人类，一条龙。 第五个是子Agent。 做事的和检查的分开，写代码的Agent不能自己给自己打分，这跟学生自己批自己的考卷一个道理，它一定会对自己太宽容。所以你得有另一个Agent，甚至用不同的模型，专门来检查前一个Agent的输出，一个负责做，一个负责验。 这五个东西加在一起，就是一个完整的loop的骨架。 Claude Code和Codex有一个命令，其实就是Loop Engineering这套骨架最直接的微观型的产品化体现，只不过很多人没有意识到。 他叫/goal，在Codex里叫追求目标。 意思就是你给Claude一个完成条件，比如「所有测试通过并且lint检查没有报错」，然后它就会一轮一轮的自己干，干完每一轮之后，就会检查这个条件是不是满足了。 大多数讲Loop Engineering的文章，都停在了这一层。讲了五个组件，讲了/goal和/loop命令，讲了怎么配定时任务，就结束了。 这些我觉得，都是术。而我更想聊的，是道。 Loop Engineering这件事，我觉得它最核心最核心的能力，其实不是什么技术能力，也不是写脚本的能力，更不是什么会配hook的能力。 最核心的，是定义目标的能力。定义目标，相信我，这四个字，听起来简单，做起来是真的难。 回到前面说的/goal，它的用法看起来非常直接，给一个完成条件，Claude自己干到满足为止。 听起来很简单对吧。但你如果真正用过就会知道，/goal用得好不好，完全取决于你那个目标定义得好不好。这个事我拿两个例子对比一下你就明白了。 目标A，「把这个应用优化一下」。 目标B，「test/auth目录下所有测试通过，tsc --noEmit零报错，npm run lint零违规」。 目标A会发生什么呢。大家可能都能猜到，Claude会陷入一种非常尴尬的状态，因为它不知道什么叫「优化好了」，除非他是Fable 5，能自己在你之上，自主的帮你定义目标。 而绝大多数的模型，包括Opus 4.8和GPT-5.5，在自己定义目标的能力上还是非常的弱，它可能改了一点代码，然后自己觉得还行，就停了。 也可能不停，一直改一直改，把你的代码库改得面目全非，因为它始终无法判断自己到底什么时候算完成了。那目标B呢？Claude每改一轮代码，都会去跑测试、跑类型检查、跑lint。 三个命令，三个明确的通过标准。全过了就停，没过就继续，清清楚楚，干干净净。同一个工具，同一个模型。 区别只在于，你的目标定义得好不好。 我自己其实一直有一个原则，我经常跟身边的人说，在公众号里也说了无数遍，如果一件事你重复做了三次，你就一定要想办法把它完全自动化掉。 这个习惯跟了我很多年了。我每天也都在写代码、做自动化，我们的AIHOT热点监控系统，我们的数据分析流程，我们的财务对账流程，我们的数据清洗管道，能自动的我全部自动了。 但说实话，在做这些自动化的过程中，我踩过最多的坑，从来不是技术问题。 是目标不清晰的问题。我早期做自动化的时候，经常犯一个错，就是目标定得太模糊。 举个例子，比如自动监控AI行业热点，这句话听起来没毛病，但其实是一句纯粹的废话。 什么叫热点？浏览量过万算热点还是过十万算热点？抓取频率是每小时还是每天？抓到以后怎么评估质量？评估完以后怎么排序？排完以后怎么推送？ 这种反问的问题，我现在可以直接随手问20个以上。 每一个环节如果没有明确的判定标准，整个自动化链条就是一坨狗屎，你相信我，绝对的。 后来我懂了，每次做自动化之前，我会先花很多时间去定义目标。 去花很多很多时间，去定义怎么算做完了，怎么做完算做的好。这其实就是/goal的逻辑。也是Loop Engineering的灵魂。 而如何定义目标，这个能力，我其实不是从AI中也不是从开发中学来的。 这个能力，是我从这几年创业的过程中，学来的。定义目标的能力，其实就是，管人的逻辑。 我自己也开公司，虽然公司不大，只有30来号人，但管人这件事我是真真切切经历过的。 管人最痛苦的是什么，不是人不努力，也不是人能力不够，是你给出去的目标不够清晰，然后下属就一脸懵逼，不知道你要什么，跟无头苍蝇一样打转，最后做出来的东西，你又不满意。 你跟员工说，“把这个功能做好”，那他做出来的东西大概率不是你想要的。 因为你脑子里的好跟他脑子里的好不是一个东西。 你跟他说，“这个接口的响应时间降到200毫秒以下，错误率控制在0.1%以内，下周三之前上线”，他做出来的东西跟你预期的偏差就会小很多。 因为你给了他一个可以验证完成的标准。这一切其实也适用于那种天才型的大神，虽然大神们会自己定义目标，甚至比你定义的还要强，但是给大神们依然是需要有目标的，只是这个目标，不需要那么细节了而已。 对人如此，对AI也是如此。 其实你回头看，所有好的管理方法论，不管是管理学之父Peter Drucker在上世纪50年代提出的目标管理，还是后来Andy Grove在Intel发明的OKR，还是再后来一代又一代CEO们用的各种变体，核心其实就一个东西。 你能不能把一个模糊的意图，翻译成一组可衡量、可验证的完成条件。 管理者要做的，是确保目标足够清晰、资源足够充足、反馈足够及时。你看这三条。跟一个好的loop的三个要素，是不是一模一样。 目标清晰，就是你的条件写得精准。资源充足，就是你给Agent配好了Skill、连接器、工作权限，让它手里有足够的工具干活。 反馈及时，就是你设计了验证机制，每一轮都有一个独立的检查器告诉Agent做得对不对，哪里需要改。管人的逻辑和管Agent的逻辑，是完全一样的。 只不过，管Agent比管人还要极端一些。 因为人可以理解你的模糊意图，人可以主动来找你确认，人可以说老板你这个需求说得不太清楚我不太确定你是不是这个意思。 Agent很多时候是不会的。Agent会非常自信地按照它自己的理解去执行，然后非常自信地告诉你它做完了。 所以，对管理能力的要求，其实比管人还高。 这也是为什么我一直说，AI时代我最讨厌什么「文科已死」「理科已死」的言论，管理学、心理学、组织行为学这些，不但没死，反而变得更重要了。 说到底，Loop Engineering说是Engineering，但我觉得其实它的核心竞争力根本不在工程。 在管理。 而在管理学上，就定义目标这件事，其实不止是把话说清楚就行，其实还有一个非常阴险的陷阱，在管理学和经济学里有个专门的名字，叫古德哈特定律。 当一个衡量指标变成了目标本身的时候，它就不再是一个好的衡量指标了。 翻译成人话就是，你考核什么，员工就只做什么，然后其他东西可能全都退化。 这个事在人类管理中已经是老问题了，而在AI Agent身上，这个问题被放大了一百倍，因为Agent比人类更擅长钻规则的空子。 有人总结过Loop Engineering里很好玩的事情，就是Agent会针对验证器做优化，而不是针对你真正的目标做优化。 比如说你的loop条件是让测试全部通过，那Agent可能最后不去修Bug，直接把失败的测试给你删了。 你看，最后答案依然是测试全过了，完事，从验证条件来看，它确实完成了目标，但从你真正想要的结果来看。。。它啥也没干。 人也会这么干，只不过，Agent做得更快、更彻底、更没有心理负担。所以，一个好的目标定义，不能只有做完了的标准，还必须有不能怎么做的边界。 这其实就是Harness Engineering在Loop Engineering里面发挥作用的地方。 Harness是约束，是护栏，是告诉Agent你可以自由发挥，但这条线你不能越。 Loop是驱动力，是告诉Agent往那个方向一直跑。两个加在一起，才是一个完整的系统。到这里，骨架讲了，灵魂也讲了，陷阱也讲了。 Loop Engineering的东西，终于也差不多了。 最后我想把前面聊的管理学的思路收一下，给一个我自己用得比较多的目标定义框架，不一定科学，纯粹就是我自己的一点点经验。 1. 完成标准要可以被机器验证。 2. 边界条件要跟完成标准一起定义。 3. 要有失败的降级方案。 4. 目标要分层。 回到整条线来看，从Prompt到Context到Harness到Loop，四次跃迁，其实讲的是同一个故事。Prompt Engineering告诉你，好好说话，AI会更懂你。 核心能力是语言表达。Context Engineering告诉你，光说话不够，得给AI足够的信息。 核心能力是信息筛选和组织。Harness Engineering告诉你，光给信息也不够，得给AI设规则和约束。 核心能力是系统设计和规则制定。 Loop Engineering告诉你，光设规则也不够，得让整个系统能自己跑起来。 核心能力是目标定义和管理。 语言学、信息科学、控制论、管理学。四个Engineering，四门古老的学科。 多有意思。 人类社会，其实从来就没有变过。

Codex现在对我最大的作用，就是在手机上启动家里电脑上的Claude code，然后开启远程控制，方便我在手机上继续coding...🤣🤣🤣 说实话， Claude自己客户端的Dispatch实在是太难用了。。。 ​其实不止 Dispatch，整个客户端做的都挺垃圾的。。。 https://t.co/PWK0mwmL9R

从 Gemini CLI → OpenCode → Claude Code → Kimi Code → Codex → Pi 最后还是喜欢极简的 Pi，试试 kooky 很不错 https://t.co/NimWykSPks https://t.co/sTSgvheCSX

台湾工商时报说，辉达、谷歌新一代AI资料中心可能率先导入800V HVDC，供应链预期第三季开始小量出货。上周SemiAnalysis一篇认为800VDC大规模出货推迟到2028年，CPO也存在延期风险的报告把AI硬件链吓了一跳。也是上周大摩很快出来回应：CPO短期节奏可以更谨慎，但不认同800V量产推迟到2028年。其供应链调研显示，800V机柜仍按计划在2026年下半年推进。 今天工商时报的报道相当于又给加了一码。

我不知道你们怎么想的。 1. AI的能力问题。 Mythos，其实已经在几个公司内使用了至少两个月了。 你可以问问那些公司的Security部门，最近是不是很忙，非常忙？ 据我所知，很多公司的security 部门严重overload了。 最近有人因为MSRC响应以及评级的问题撕逼。 但是实际上MSRC现在快处于崩溃状态。 因为涌进来远超过去正常时间段的submission。 Google 那边也是忙的不可开交。 AI的能力，放在网络安全领域看，确实是Game Changer。 2. AI 对劳动力替代问题。 站在现在这个谁看，AI 对简单脑力劳动，文职工作的替代不是说会不会的问题，而是什么时候到问题。 但凡熟练使用AI的人，对这种感觉应该是最直接的。 在大厂里的码农，问问自己，是不是公司还需要那么多人？是不是有那么多事情要做？ 有什么理由，维持这么多headcount。 各大公司都在明着暗着裁员， 下一步机械自动化+AI也能替换大量体力劳动。 所以 全民基本收入，确实已经不再是理想主义了。而是现实意义。 随着AI的发展，社会会更加K型分化。 一部分人上天，更多的人滑落。 所以他也不是杞人忧天。 ps 无论是Dune还是基地，在一场大战后，都禁止了，AI。 但是dune中又发明了门泰特。 😂

微軟執行長納德拉（Satya Nadella）昨天發了一篇長文，標題叫〈沒有生態系的前沿，無法長久〉，短短一天被讀了超過 3300 萬次。他想談的，是 AI 時代的「公司」到底會變成什麼樣子，一家企業又該靠什麼才能繼續活下去。 他認為這次的轉變，跟過去每一次的科技平台更替都不一樣。以前的數位工具是拿來「強化」人的，這次是人類第一次能在人和系統之間，建立起一個真正的認知迴圈。對企業來說要緊的，是當 AI 模型可以不斷把人和組織的專業吸收進去、再變成隨手可得的廉價通用品時，公司還能不能持續學習、累積自己的智慧財產、做出區隔。 納德拉把企業未來必須累積的東西分成了兩種，一種是人力資本（human capital），也就是員工的知識、判斷、人脈、巧思和辨識模式的能力，另一種是他自己取名的「詞元資本」（token capital），指公司自己打造、自己擁有的 AI 能力。他特別強調，AI 能力越強，人不會變得越不值錢，反而會越值錢，因為是人去設定遠大的目標、跨領域把線索連起來、辨認出哪些模式最重要。少了人指方向，算力只會原地空轉。 所以他眼中真正的機會，跟挑哪個模型最強沒太大關係，重點在模型之上長出一套「學習迴圈」，讓人力資本和詞元資本一起利滾利。他寫下這篇最關鍵的一句話，「你可以把一項任務、甚至一整份工作外包出去，但你永遠沒辦法把學習外包出去」。一家公司的未來，就看它能不能把這份學習，在人和 AI 之間不斷疊加複利。 要把這套迴圈建起來，他開的藥方是一種新的系統架構，讓每家企業都能打造會越用越聰明的代理型 AI 系統（agentic systems），同時牢牢握住自己的智慧財產。他舉了一個判準，一家公司應該要能把底層那個「通才」模型整個換掉，卻不會弄丟系統裡那種「公司老將」般的經驗。做法上，他要企業把工作流程、領域知識、長年累積的判斷，通通變成會隨著每次使用而進步的 AI 系統，靠的是內部評測、內部的強化學習環境，還有一個能直接查詢的知識庫，重點是看公司自己在乎的成果，而不是外部的基準測試分數。 納德拉說，這個迴圈會變成公司全新的智慧財產，他形容它像一台「爬坡機器」，而且跟大部分資產不一樣，它會複利成長。每一次被改善的工作流程，都會產生更好的訓練訊號，讓那些只屬於這家公司的隱性知識越累積越快。越早建起來的公司，會擁有一種很難被複製的優勢，不管之後又冒出什麼更強的單一模型。 文章後半，他把話題拉到更大的層面，最不希望看到的，是一個每家公司、每個產業都把價值拱手讓給少數幾個「看到什麼吃什麼」的模型的世界。他直言，如果所有價值都被少數模型囊括，政治經濟的現實根本不會容忍，社會也不會允許一個把整個產業掏空的 AI 未來。他拿全球化的第一階段來類比，當年外包掏空了整片工業經濟，GDP 數字表面看起來沒事，但真實的衝擊到今天都還在。他的提醒是，別把同一套劇本搬到 AI 時代。 他給的方向，用他自己的話說，是「我們的優先要務必須是打造一個前沿生態系，而不只是一個前沿模型」，讓價值能流向每一家公司、每一個產業、每一個國家，每個組織都能擁有那個編碼著自己組織知識的學習迴圈。 站在微軟掌門人的位置講這番話，其實對微軟自己最有利。微軟是 OpenAI 長期最重要的合作夥伴之一，本業靠賣雲端和平台賺錢，當納德拉呼籲別讓價值集中在少數模型手上，背後的盤算，是它要的本來就是大家都在它的平台上、長出各自的東西。這也是這篇文章會在一天內洗版的原因，它替所有正在擔心「AI 會不會把我的專業吃掉」的公司，給了一個答案，你的學習，沒有人能替你外包。🧠 — 📱 請訂閱我的 Threads / Facebook / 電子報「狐說八道」 #Nadella #微軟 #AI #AI經濟 #生態系 顯示較少

先投TSLA赚1亿 然后拿2000万RMB投SPACEX拿到今天 17年开始比特币挖矿 后来再做交易所、搞AI智能硬件 大佬的赚钱如此朴实无华 …… 一对比，这差距就未免太大了

以后的手机上都没有app 只有一个大模型 里面嵌套无数的Ai智能体 现在有多少企业会因此倒闭 下一个软件入口可能只能活2-3家 下一个硬件入口的机会会大一点 从这个角度看 Ai眼镜、机器人都是Ai硬件入口

我的AI作品《最后一天女友》：故事讲述王根基去见女友父母，结果被对方看不上，无奈原地分手，女友为了表达歉意,决定和他在家做一些不可描述的事情...... https://t.co/K6soERvBhP

溜溜梅开盘暴涨 189% 溜溜梅简称 LLM 正宗的 AI 大模型概念股 https://t.co/ft2xS6YHaa

说起来我们这代北京孩子还是有点儿小运气 记事儿的时候赶上改开，从匮乏到丰盈的变化完全体会到了； 上学的时候西风东渐，学到了很多早几年上学的前辈没学到的知识（我入学第一年学校刚有计算机房） 九十年代中期，开始工作的时候赶上网络初起，算是第一代网民，体会到了巨大的信息量带来的不同； 临到五十多岁的时候，AI又起来了，而我们还没老到学不会新东西的程度； 只要不打仗，大概率我们能看到人类殖民外星球、向硅基生命转化 想想还是挺让人兴奋的

既然给 Claude 充值了+不打算退款了，于是我这两天狂用 Claude Design 来打磨我的之前几个产品的设计，得承认这个产品还是很不错的。 之前一直觉得，都 AI 直出 Code 了，还需要先 Design 吗？直接从想法到产品就好了，或者边开发边打磨设计就好了。 但是当我只关心 Design 时，觉得这个作为一个流程还是有必要的，并且不一定要先 Design，完全可以把已经做好的 demo 再交给它优化视觉效果。 这个过程对我来说最重要的是，把我从技术细节中解脱出来，并且 Claude 的设计水准确实比 GPT 要高（特别是对我这样不是设计师的角色来说）。

Lovable 的设计负责人 Felix Haas 在社交媒体上分享了一篇关于"AI 时代高效团队"的观察，七条经验总结，来自这家增长速度惊人的 AI 创业公司内部视角。 几条有意思的观点： 第一，别像员工一样等安排。影响力最大的人不问"这归谁管"，看到问题直接上手。主人翁意识不是靠分配的，只能靠自己拿。 第二，招人看态度不看简历。技能当然重要，但光有技能几乎不能预测一个人能不能成事。真正跑出来的人靠的是好奇心、韧劲和学什么都愿意学的心态。在 AI 时代，这一点比过去更明显。 第三，好奇心和沉迷 AI 是两回事。真正用好 AI 的人不是天天刷资讯，而是不断去试那些没人让他试的东西，追那些可能根本走不通的想法。大多数人不会这么做，但少数坚持的人，回报是指数级的。 第四，让资深的人重新动手。这是 Haas 觉得最有意思的现象：经验丰富的管理者重新变成了 builder（建造者）。AI 让个体贡献者的杠杆效应急剧放大，一个深度使用 AI 的资深工程师或设计师，可能是当下公司里最强大的组合。 第五，自我意识是速度的敌人。Haas 说他从没见过自我意识让公司变快，但见过它让公司变慢。最快的团队不太在意谁拿功劳，只在意什么方案有效。 第六，先发布再迭代。一周的内部讨论，抵不上一天的真实用户反馈。最强的团队不追求发布前完美，而是追求尽快学到东西。发布本身就是他们学习的方式。 这些观点单独看并不新鲜，不过 Lovable 这两年发展的确实不错，2024 年上线，8 个月做到 1 亿美元年收入，2025 年底完成 3.3 亿美元 B 轮融资，估值 66 亿美元，是欧洲增长最快的 AI 公司之一。 尤其是“让资深的人重新动手”这一条，可能是 AI 时代最容易被忽视的组织变化。当 AI 工具足够强大，过去被提拔到管理岗、远离一线的高手，重新获得了亲手做事的能力和动力。

最近最火的两件事，一个是SpaceX上市，另一个就是白毛股神。 一个美股博主，凭借一己之力把A股股票直接喊到涨停，这种事之前真没见过。 AI半导体供应链分析师出身，重仓光子学和CPO供应链瓶颈股，持仓今天整体涨超4%。 Bitget紧跟着上线了白毛股神持仓板块，同步特朗普持仓，实时更新。 没时间看财报、没精力深入研究个股的，直接去BG看持仓跟着买就行。 不知道买什么的时候，看一下聪明钱在做什么。 入口：行情——股票——热门概念——Serenity持仓

前 MMA选手丹尼尔·科米尔公开了川普儿子埃里克的聊天截图。 截图显示，埃里克试图打听白宫举办的 MMA 比赛是否存在“内定”或“打假拳”的情况，以便利用内幕消息从中非法获利。 科米尔说：我大概会因为把这件事曝光出来而遭到攻击，但我拒绝保持沉默。任何试图毁掉这场精彩盛会的人，都应该感到羞耻。 随后，预料之中的，科米尔删掉了推文；紧接着埃里克宣布说这是假消息（当然了，你还希望他承认吗？）。 如果聊天记录是假的，那么问题就来了：科米尔本人就是聊天主体，AI制作的假聊天记录他怎么可能不知道？这不是搞笑吗？ 科米尔作为一名退休的MMA格斗传奇和解说员，毫无政治力量和背景，有什么理由无端端去得罪一个睚眦必报的总统的儿子？ 这就是为什么在埃里克的“澄清”里，只说聊天纪录是AI制作的，但不敢说埃里克撒谎，因为根本说不过去。 埃里克·特朗普的所谓“澄清”，企图让公众以为，科米尔本人就从来没有发过这条消息，整件事就是自媒体转发了AI制作的一件子虚乌有的事。 但科米尔确实是发了这个聊天记录的，多名记者都证实他们在科米尔删除消息之前看到了。 其实，最终就看你是相信多名毫无关联的记者，还是相信一个操纵股市+说谎成性+恋童癖+重罪犯的家族成员的抵赖了。

下一个10倍美股，可能已经不在七巨头里了。 这不是说英伟达不行，也不是说AI结束了。 AI交易进入了第二阶段：第一阶段买最显眼的公司，第二阶段买最卡脖子的环节。 过去一年，很多人只盯着一个问题：谁在训练大模型？谁在卖GPU？谁的市值最大？ 但最近市场在换打法，资金正在从 Mag7 和传统半导体龙头，往 AI 供应链里那些还没被充分定价的瓶颈环节转。 内存、先进封装、网络设备、机器人、电力基建。这几个词听起来没有「英伟达」性感，但真正的大行情，往往就是从这种不性感的地方开始的。 –美光继续代表存储线往上冲； –光通信和数据中心连接开始反复被资金挖； –小盘股 Russell 2000 年内涨幅已经跑赢纳指和标普； –SpaceX 上市首日涨19%，说明市场对AI基建外延的想象力还没死。 所以现在看美股，要更关心的是英伟达继续增长，需要谁跟着一起增长？

没有 AI 的时代一台 Macbook Air 足以，一边 Figma 做设计一边 VS Code 写代码，也没感觉性能不够用。 现在哪怕是最顶配机器，128G 内存，运行几个 agent，Codex Curosr 什么，照样卡死你。。。

看了眼AI产业链催化日历，本周fomc，下周MU财报，然后就是下个月的密集财报季了。 https://t.co/wZOc9dMQf2

有了AI的世界杯更嗨了！刚看到有人做了这个现场直播视频，太酷啦！你想不想也做一个？用 @edimakortaiwan 的 #EdimakorAI 就能实现，快去试试吧👉 https://t.co/qecXPztjmx 挑喜欢的世界杯模板，上传一张照片，然后一键空降世界杯现场！😆快去分享给朋友们看吧！👍 https://t.co/PgxHIE3zgJ

海外网友扒了1680 份 Anthropic 工程师的简历，先说我觉得最反常识的几点： 第一，招的几乎全是搞 infra 的，不是 researcher。 第二，几乎不招初级员工。中位数的工作经验是12.2年。只有13%的人有博士学位。 第三，最大的人才来源不是OpenAI和DeepMind，而是Google和Meta。 第四，如果是 junior ，一个特别"干净"的典型画像是这样的：MIT，IOI 银牌，Codeforces 2900+。 一篇非常好的文章，作者是做招聘的，把当前雇主一栏写着 Anthropic 的 LinkedIn 主页全爬了下来，共 5306 人。从里面筛出 1680 个真正做工程的，再去翻他们进 Anthropic 之前写的 7986 段过往岗位描述。 可以一观Anthropic的人才构成。 1、Anthropic几乎是一夜之间把团队搭起来 现在还在 Anthropic 的工程师里，2021 年之前就进来的，只有 15 个人。 真正的大扩张是在2025-2026年。2025 年一年，工程组织差不多扩了3倍，招了686个。2026 年看起来也会接近这个节奏：截至 6 月，已经招了455个。 现在团队里一半人入职还不到一年，过去 12 个月进来的占53%，在职时间中位数10个月。 也就是说，这是一个在大概 18 个月里，被非常快地搭起来的巨型团队。 2、他们几乎只招资深工程师 这条我觉得最反常识。 进Anthropic之前，这些人的中位工作经验是12.2年。中间 50% 的人，经验8.8到16.5 年。 1680个人里，工作经验不到3年的只有 50 个；44%的人有 13 年以上。应届这块基本等于没有。 所以一个典型的 Anthropic 新人是这样的：已经工作 12 年，但进公司才 10 个月。 3、他们其实更看重 infra，不是我们以为的“搞研究” 40% 的人背景里出现了 infrastructure。 backend、distributed systems、databases、security 这几个方向，各自都在 20% 左右。 而reinforcement learning，只有3.3%人。 也就是说，典型的 Anthropic 工程师，过去十年更像是在 hyperscaler 或 infra-heavy startup 里搭大规模生产系统的人。 4、最大的人才来源不是 AI lab，是 Google 大家总觉得 Anthropic 很多人来自 OpenAI 和 DeepMind。 但实际上，它最大的人才管道是 Google，而且领先很多。 除了 Google，它明显还偏爱那些以工程严谨著称的地方：Stripe、Databricks、Snowflake、Palantir、Airbnb。

💰虽然今年行情熊了，但是妖币还是有，如 $RAVE 巅峰涨幅超100倍，项目和早期用户都赚的碰满钵满 项目在币安合约上项目方高度控盘 > 很少的买盘可以提升很大涨幅 > 持续挤压空投不断新高的玩法让项目方和散户都馋哭了 说实话大家都想参与这类的项目，但是怎么玩怎么赚，如何把项目从一次性买卖变成持续赚钱的小金库却不清晰 大部分的币发了就砸盘，散户互相抛售然后直接消失，99%的项目基本都是这个流程，用户也赚不到钱，项目方也赚不到钱。 @Kuant_exchange 搭建了一个首个AI社区驱动的现货+永续市场，一开始就把社区拉进来一起干，项目方可以拥有从建立到退出的一键工具，散户可以在市场上获得早期信息+交易积分赚取平台积分空投 >看起来很完善，实际怎么做呢？ 1️⃣作为发币方来说： Kuant可以完成你的项目发币- 上币再到平台交易到退出手把手教学流程，中间的手续费返佣和平台币空投也都可以吃到。 如果你想发布一个MEME项目，目前可以加入等候名单 https://t.co/MZzkUdlwzr 2️⃣如果咱们是普通用户，目标也很清晰 第一就是拿到早期信息，赚第一桶财富密码。KUANT搭建了一个TG群，有平台的早期上币预告+上币列表推送，这里一般都是早期的项目可以去淘金 第二就是持续交易赚平台积分，跟刷各个平台的项目没啥区别，后面平台也会按照贡献积分分发代币，这个就是预期收益了。 最后平台已经上线，大家可以前往体验https://t.co/MZzkUdlwzr

学生们到底有多恨AI？ 谷歌 CEO 桑达尔·皮查伊（劈柴哥）去斯坦福大学毕业典礼做演讲，结果刚一登台，台下的毕业生直接集体起立、现场退场抗议。 今年各大高校的毕业典礼有个魔咒，谁在台上大谈 AI 谁就会被学生疯狂嘘下台。 劈柴哥作为全球 AI 算力和流量分发的顶级掌门人，这次求生欲拉满，在斯坦福整整 11 分钟的演讲里，硬是一个字都没敢提 “AI”。 结果精明如他，还是被这帮硅谷未来的顶级人才直接降维打击，用脚投了反对票。

有没有懂AI的小伙伴来评价一下，苏妈推出的AMD这款Ryzen AI Max+电脑，号称将 CPU 和 GPU 与 128 GB 统一内存结合，可以本地部署AI模型。这是不是意味着以后不需要花钱订阅什么模型了，直接来一台本地运行的不是更好？这玩意值得买吗？ https://t.co/ytClDX1qAB

今天在纽约见了做神经医学的朋友，目前正在做脑机接口。她竟然说，在学术界看来，马斯克的 Neuralink 是落后的技术。 生物看不上他用新闻稿做科学的姿态，Neuralink 属于“工程领先、科学取巧”。 从 DC 开了三个小时车过来，我原以为是叙旧，没想到聊了一下午的脑机接口、AI和存储焦虑。 她们拿融资之后能够自己设计芯片，去欧洲代工厂订做 22 纳米的版本。22 纳米是低功耗模拟芯片的黄金节点，能在 0.5V 下工作，特别适合做植入式神经记录。 目前在研究减肥针是怎么作用于大脑的。现在没人知道不同的减肥针药物，如何影响大脑抑制食欲，下丘脑和大脑的奖赏回路(多巴胺通路)具体是怎样的。于是她们在老鼠脑袋上开洞、接入芯片，需要实时测量神经信号的变化。 因为数据量大到离谱，频率非常高，所以她们需要 10000 个 TB，也就是 10 个 PB 的存储。 我第一次听到存储用PB这个单位！ 神经信号要以 3 万赫兹的频率采样(每个电极每秒测 3 万次)，才能捕捉到只持续 1 毫秒的神经脉冲。每个数据点才 2 字节,但你乘上几百个电极、再乘上 24 小时不停，一个探针一小时就是 80GB。 她说一块 1PB 的企业级磁盘比她一个月工资还贵，长期维护的 PB 级存储，五年下来要百万美金。研究室没那么多经费，只能每次买 1 个 PB，精打细算地用。 给个尺度感，哈佛和 Google 把1 立方毫米的人脑做到全分辨率，就是 1.4 个 PB。一整个老鼠脑，估计要一个 EB(1000 个 PB)。倒不是因为单次数据大，是频率太高。 而且，存储焦虑也不是生物医学独有的。 天文学界，SKA 射电望远镜一年要存 700 个 PB。CERN 的对撞机已经在用 EB 级别处理数据。存储，决定着前沿科学的天花板。 数据一大，通信传输会影响效率。所以我们聊到了光通信。 芯片连接材料最早用铝，1997 年 IBM 把它换成铜(电阻低 40%)，现在又在从铜换成光。这正好和黄仁勋在 GTC 上讲的呼应，2025 年 3 月,英伟达发布了硅光子 + 共封装光学(CPO)的交换机,为了把 AI 数据中心扩展到百万卡级别。 为什么铜必须让位给光呢？ 因为速度越快,铜能传的距离就越短(高频下铜的趋肤效应和损耗急剧上升)。到了 1.6Tb/s,一根铜线连一个机柜的高度都跨不过去。所以信号只能变成激光。 除了存储，实验室动物成本也是很高的。 一只实验室猴子,买进来要 3.5 万到 5 万美金，算上多年的特殊饲养、手术、兽医和机构管理费,一只猴子全周期下来轻松超过 10 万美金。一只老鼠 80 美金，买的是它基因纯度。 我问：为什么用老鼠和猴子,不用兔子？她说，老鼠有一整套基因工具箱(2.4 万种现成品系、基因敲除、光遗传学)，猴子是因为大脑结构最接近人类。兔子智商中等两头都不沾,所以不用。 现在很多 AI 公司在挖她们这种做脑医学研究的人，原因有两个。 第一层是效率。人脑是地球上最省电的计算机。大脑做着视觉、语言、运动、推理,全部并行,只耗 20 瓦，大概一个暗灯泡。而一块高端 AI 芯片就要 300–700 瓦,训练大模型动辄几兆瓦、几吉瓦。 差别在于，计算机底层是二进制(0/1),晶体管在 GHz 频率上疯狂开关。而大脑是模拟的、稀疏放电的,神经元只在需要时才点亮、才耗能。AI 公司想偷师这种效率。所以，现在AI 公司最抢手的岗位是神经科学家。 第二层更微妙：我们其实根本看不懂大脑是怎么运作的，而 AI 现在面临一模一样的处境。 Anthropic 发现，AI 在回答你的时候,其实在内部想了一套自己的东西,而它说出来的理由，未必诚实。 举个例子：研究员偷偷给 Claude 塞一个错误答案当「提示」,它会顺着这个答案编出一套像模像样的推导, 只有 25% 到 39% 的概率承认自己用了提示。 Anthropic CEO 说，当 AI 总结一份文件时,“我们并不知道,在具体而精确的层面上,它为什么做出这些选择。”AI 的思想是个黑盒子。他们的目标是给 AI 做一台”核磁共振”,到 2027 年，希望能看懂里面在发生什么。 最后又聊到做手术。 由于大脑本身是没有痛觉的，所以人可以清醒着被开颅。老鼠被开颅、植入芯片、再缝合,可以继续正常活几个月。她笑着说可以帮我开脑，但希望我永远用不上。 聊完一整个下午，我最大的感受是： 目前我们对人脑、对 AI,其实都了解得太少了。 但也正因为如此，我越来越觉得，我们活在最好的时代。 真正的无人驾驶已经在路上跑、量子计算在飞速进步、人类在认真筹备第一次登上火星、脑机接口真的开始读懂大脑…… 我今天在纽约街头连着撞见好几块 AI 和加密行业的广告：出租车顶上写着「It’s happening with Ripple」，公交广告是贝莱德的比特币 ETF，站台是OpenAI 的 Codex。 以前根本无法想象的事，都在同时发生在美国。而我们，刚好生在这个最好的时代。

还有两小时我的 Claude 就要重置额度了，然而我只用了 8%，只能怪美国政府下架了 Fable 5。 https://t.co/41RxGqBPaS

早安！6/15 外電綜合整理 - 2327國巨: 美系升目標 美系大行調升國巨26-28年EPS: $18.2/$30.7/$42.6，以明年27xPE評價，同步升目標。 券商表示AI 基礎建設使用的高容量 MLCC，其製造複雜度遠高於主流 MLCC 產品，而且用量也是大幅增加。舉例：VR200 機櫃中 47μF 以上 MLCC 的需求量相較 GB300 增加約 210%。所以47μF 以上 MLCC 占總 MLCC 數量超過 30%，而 GB300 則不到 20%。不僅單純數量增加，而是產業往更高容量發展。 也因為對其他 MLCC 類別產生的排擠效應，券商看到多項 0201 與 0402 MLCC（1μF 以下）的現貨價格已明顯上漲，部分料號甚至出現數倍的價格漲幅。在供需環境持續緊張的情況下，券商認為國巨有完整產品組合，且PEG 僅約 0.8 倍，調升獲利預估的同時也調高目標。 - 亞洲MLCC產業： 另一家美系對該產業的觀察是導入超高容量新規格 MLCC（1005-47μF）的同時會使產能折損（Capacity Penalty/Trade Loss）快速增加，導致的結果就是未來三年對產能有雙位數百分比的負影響，對消費性也有衝擊。狀況就是預估產業由 2025 年供給過剩 10%，會轉為 2028 年供給短缺 6%，程度更勝於上一波2017-2018年的週期。結論：券商喜歡日本/台灣的MLCC供應商大於韓國的。 - 3491昇達科：美系重申正向 美系券商表示受惠低軌衛星業務成長，下半年營收可望逐月增溫。預估2Q營收年增88%、3Q年增115%。預估衛星佔營收今年上升至78%，明年進一步到89%。重申正向。 - 6669緯穎：美系重申正向 5 月營收低於美系大行預估，券商表示因部分案子改爲Consignment所致，營收認列雖下降但對毛利率有正面助挹，降低營運資金壓力。展望後市，券商預估6月營收月增，預估3Q營收還是季增23%。重申正向。 - iPhone: 美系大行預估2Q: 5200 萬支優於過往季節性表現，預估3Q: 5400萬支（～季增4%、年減2%）。折疊機預估2H26推出，預估量700-800萬支。今年還會推出iPhone 18 Pro、18 Pro Max 。至於標準版1H27再推出。 #下次會考

在最黑暗的时候，最明确的底层逻辑，为何All IN 美国？ 在现在看、再谈什么美伊和平协议都是和我认知差3个月了 美元、利率、石油、AI，包括AI投资的标的，高的都是几倍收益了 唯一我预测激进一点是6月降息，当然降息与否和投资主逻辑没影响，复盘看不是赢麻了神预测，而是继续点燃方向

想象一下，Claude Fable 5 这种怪物级别的大模型，在差不多12-18个月后，已经是人手一个，可以直接布署运行的本地离线“小”模型，到那时，世界会变成什么样子。。。 只需要12-18个月哦，可不是12-18年哦。。。

在AI就业焦虑席卷校园的时候，月光想问： 美国名校教育，到底算不算失败？ 斯坦福毕业典礼上，谷歌 CEO 皮查伊登台演讲，结果很多学生直接集体离场 今年其他学校的毕业典礼，如果嘉宾谈到 AI，也是收获一片嘘声 但这一次，皮查伊刻意避开了深入讨论 AI 那么，为什么斯坦福学生还是这么不给他面子？ 看见那些离席学生手中的国旗，月光就明白了 这次抗议的焦点并不是 AI，而是中东局势与外交政策 抗议活动由「巴勒斯坦正义斯坦福学生组织」发起 他们反对谷歌参与以色列 Project Nimbus 云项目，以及与 ICE 的技术合作，这些都与学生们的价值观不符 美国校园向来十分自由，各种学生组织都有 只是当越来越多毕业生担心 AI 抢走工作、科技行业裁员不断的时候，斯坦福校园最激烈的抗议，关注的却依然是千里之外的地缘政治 你觉得，这算不算美国精英教育的一种失败？

兄弟们，程序员跪着啃源码的时代终于要翻篇了！🔥 这玩意儿叫 Understand Anything，GitHub 直接冲到 59.2k 星，Trending 第一，真不是吹的。 它能把整个代码库变成可点可问的知识图谱： 1️⃣ 点函数秒出依赖关系，谁调谁一目了然 2️⃣ 直接开口问“支付流程怎么走”，答案秒回 3️⃣ 改代码前跑一下 /understand-diff，哪块会爆提前知道 Claude Code、Cursor、VS Code 全支持，一行命令搞定。 20 万行屎山，10 分钟从懵逼到通透，真香。 🔗：https://t.co/8RxgwFsTsu

27B小模型挑战Fable 5? 还成功了? 劲爆消息, 在 Iterative-Contextual-Refinements 这个框架的加持下, Qwen3.6-27B 跑分超过了 Anthropic Fable5! 真的不是做梦吗? 还是跑分没输过, 实战没赢过? 于是赶紧看了一下这个框架, 发现设计的很有启发性, 能学到很多东西, 给大家详细讲下. 这个框架主要提升的是软件性能优化, 即如何才能让代码性能更高. 大家如果还记得我那个 vector-db-bench, 给大模型提供了火焰图, perf, 各种测试 tool_call 让大模型自己迭代去优化代码性能. 而这个框架更进了一步, 它瞄准了小模型的最核心弱点, 参数量不足导致的"脑残", 即小模型更容易长上下文衰退或陷入局部最优. 于是这个框架出手了, 先针对技术方案, 它搞了个BFS探索模式, 在写代码的 plan 过程, 让小模型自己提出多种解决方案, 比如写个字符串匹配, 小模型直接搞了个O(N^2)的暴力搜索, 而这一步它的Agent会让小模型思考, 你能想到哪些可能的解决方案? 于是就拓展了小模型的视野, KMP, 滑动窗口等技术方案没准就出来了. 然后就是写代码的过程中使用的DFS模式, 它会借助Agent让小模型借助代码性能测试工具不断跑分, 然后让小模型反思, 有哪些性能热点可以优化, 然后进行优化. 最后, 他还有个统筹全局的路由, 不但负责在BFS/DFS过程中选取最佳的技术方案, 而且还会在DFS过程中, 总结模型优化过程中面临的问题, 再反馈到BFS过程, 告诉模型, 需要注意xxx优化是有价值的, xxx优化面临xxx问题. 从而形成优化闭环, 解决掉模型陷入死胡同不断仰卧起坐的问题. 最后, 在框架加持下, Qwen3.6-27B 在 CGRE 测试得到了95.5分, 成功超越了 Fable5(Mythos) 的94.1分! 我只能说这真的是 Agentic 工程的胜利了! 不要模型写的不好就无脑怪模型, 也要看看是不是Agent本身有问题. 那么代价是什么呢? 当然就AI硬通货是 token 了, 这个框架正是用了25-40x的token消耗完成了这一壮举. 值得学习. 框架:https://t.co/PuiNaqmUkE 论文:https://t.co/LHRC7qLjuG #mythos #fable5

最近有一部在Youtube比较热的视频，片名很直白：《We Were Almost Entirely Wrong About China》。 这是一段非常精彩的视频。它抛开了许多西方媒体长期渲染的误导性的叙事和吸引眼球的标题，两位退休的老人家从自己的视角，以事实和亲身的经历呈现了一个更加真实，客观且接地气的中国。。。 这种视角难能可贵。 两位作者在片中其实只追问一个问题：为什么西方人脑海中的中国，和真实的中国，认知偏差如此巨大？ 1，最大的震撼：现实中国与西方媒体描述严重脱节。 出发前，这对夫妇自己认为做了很多功课，知道的比较多关于中国的信息；他们知道中国经济规模大，有高铁，有众多的科技企业。但真正落地上海后，他们发现：中国不是未来会变强，而是大量领域已经领先。不是有些误解，而是整个认知框架几乎全部错了。 2，城市管理远超预期。 他们原以为人口庞大的超级大城市难免混乱，结果看到的却是：街道极其干净，几乎没有垃圾，公共空间维护得极好。这也是大量欧美游客第一次到中国的共同感受。 3，中国已经生长出一套完整的数字生活体系。 让他们惊讶的不是阿里的盒马超市，而是超市本身就是仓库。下单后，商品从货架直接取货，通过传送带运输，极速配送，视频极其真实。 无人机送午餐，12分钟就到。这在欧美仍像实验室概念，在中国已是日常商业运营。 他们由此意识到：中国很多创新，并不停留在PPT上，而是在真实大规模运行。 4，中国科技品牌的认知被严重低估。 他们专门去了华为，小米，DJI，发现中国企业早已进入高端消费电子，智能汽车，无人机和 AI 终端。 华为，小米SU7，DJI 的产品让他们印象极深。这直接挑战了西方长期以来的叙事：中国擅长复制，不擅长创新。 5，新能源汽车已是普通人日常生活的一部分。 街上到处是比亚迪，蔚来，EV 产业不是政策宣传，而是真实的日常。这与欧美媒体常说的经济下滑以及产能过剩形成了强烈反差。 6，但整个视频最打动人的一幕，是在上海的复兴公园。 退休老人在那里一起跳舞，唱歌，社交，运动。Zarko感慨地说：“这让我们重新思考退休生活应该是什么样子。” 这是全片最有人文价值的部分，它展示的是社会的活力，而不仅仅是经济数据。 7，视频反复追问一个历史性问题：How did this happen？ 1950 年代中国还经历严重饥荒，短短两代人就变成世界第二大经济体，制造中心，基础设施超级大国。 作者真正想理解的，正是这个现代化过程究竟如何实现。 8，为什么这部视频说服力很强？ 因为两位作者自身有极高的可信度： 🔹 Tressa，典型美国成长背景，代表普通西方观众。 🔹 Zarko，保加利亚人，亲身经历过东欧共产主义时期，后成为政治难民移民美国。 当Zarko说“中国与我经历过的共产主义国家完全不同”，这句话的分量远超普通旅行博主。 9，这部视频背后是一个越来越明显的现象：西方社会正在经历一次“中国认知重构”。 过去几十年，许多人对中国的印象来自西方的新闻，政治评论和冷战叙事。 但现在，越来越多旅行博主，普通游客，自媒体人进入中国，用第一手的观察开始挑战第二手叙事。 10，人们在亲身落地中国后最大的感受往往不是“比想象中好一点”，而是：眼前的中国，跟自己过去几十年接收到的信息，根本不像同一个国家。 所以近两年才会密集出现这种标题： 🔹 “China Shocked Me” 🔹 “The Media Lied About China” 🔹 “China Is Not What We Were Told” 11，《We Were Almost Entirely Wrong About China》正是这种“认知重构”的典型样本。 它触动人的地方不是因为它夸中国，而是因为真诚记录了一次完整的认知推翻。 当现实体验与既有叙事剧烈冲突，人们才会真正开始重新审视自己相信过的一切。 #中国观察 #ChinaRealityCheck #China2050 #ChinaVisit #ChinaShock https://t.co/KCHfPEyLb7

新上架 SDNM-549 無碼 中文 [AI解碼版]玉井晴香 34歲 最終章 世界第一淫蕩的媽媽「一直以來忍受的事情」第一次也是最後一次內射 https://t.co/RkXm2zNvaf

一句话概括就是中国已经控制了 AI 产业链上游的几个重要环节，像是 InP 等关键材料。除了光刻机，中国已经可以搞一套自己的半导体供应链了。另外如果华为的 logic folding 真的做成功了，中国手上的筹码会更多。

微软 CEO Satya Nadella 发了一篇长文，提出了一个新概念：Token 资本。 他的核心论点是，AI 时代每家公司都需要同时经营两种资本。一种是传统的人力资本，员工的知识、判断力、关系网络；另一种是 Token 资本，公司自己构建并拥有的 AI 能力。两者不是此消彼长的关系，人的判断力越强，Token 资本增长越快。没有人的方向引导，算力只是在空转。 这个说法听起来抽象，但 Nadella 给出了一个具体的检验标准：你能不能随时换掉底层的通用大模型，而不丢失公司积累的专有经验？如果能，说明你真正拥有自己的 AI 能力；如果不能，说明你只是在租用别人的智能。 他建议企业把工作流、行业知识、决策经验转化成可以持续改进的 AI 系统，建立私有评估体系来衡量模型在实际业务中的表现，而不是只看公开跑分。这个学习飞轮一旦转起来，就像复利，每次改进的工作流都会产生更好的训练信号，进一步加速知识积累。 Nadella 还发出了一个颇有政治意味的警告。他拿全球化做类比：第一轮全球化时期，GDP 数字看着不错，但整个产业被外包掏空了，后果至今还在显现。如果 AI 时代重演这个剧本，少数几个模型吃掉所有行业的知识和价值，"政治经济体系不会容忍这种结局"。 --- 原文翻译 --- 没有生态支撑的前沿技术，注定无法行稳致远 Satya Nadella 最近，我一直在深思：在由人工智能驱动的经济浪潮中，企业的未来究竟在哪里？ 这次变革与以往任何一次平台更迭都截然不同。过去，我们只是用数字化系统来提升人类的工作效率。但这一次，我们破天荒地在人类与数字系统之间建立起了一个真正的认知循环 (cognitive loop)。这绝对是个颠覆认知的概念，因为它彻底改变了我们对企业内部“工作”本质的定义。 当 AI 模型能够源源不断地吸收人类和组织的专业知识，并将其变成大众化的廉价商品（即将原本稀缺的专业技能变成人人唾手可得的通用能力，从而削弱企业的核心壁垒）时，真正的危机出现了。我们面临的关键挑战，不再仅仅是如何使用某个数字化工具或系统，而是企业该如何在这个全新的世界中持续学习、积累知识产权 (IP)、保持独特性并茁壮成长。 每家公司都必须构建两种资本：一种是我们熟知的“人力资本” (human capital)，另一种我称之为“Token 资本” (token capital)。人力资本包含了员工的知识储备、判断力、人脉关系、创造力以及识别事物规律的能力；而 Token 资本则是指企业自身打造并掌控的 AI 实力（在这里，“Token 资本”一词很形象，因为大语言模型 (LLM) 处理信息的基本单位就是 Token）。 必须强调的是，随着 Token 资本的不断壮大，人力资本并不会因此贬值。相反，它会变得比以往任何时候都更加宝贵！我坚信，人类的主观能动性 (human agency) 将是推动 Token 资本增长的核心引擎。人类负责设定宏大的目标，跨领域地将线索串联起来，建立关系网，并洞察出最关键的规律。如果没有人类在前方指引方向，那些强大的计算力不过是在原地打转罢了。 这就意味着，真正的机遇并不在于你去市面上挑选一个“最好”的模型，而在于如何在模型的基础之上，构建一个能让人力资本和 Token 资本产生复利效应 (compound) 的“学习循环” (learning loop)。你可以把某项任务甚至整个岗位都外包出去，但你绝对不能把“学习能力”给外包了。企业未来的核心竞争力，就在于能否在人类与 AI 之间不断积累并放大这种学习能力。 这需要一种全新的架构思路：每家企业都要能够构建出能随着时间推移自我迭代的 AI 智能体系统 (agentic systems)，同时还要牢牢掌控自己的知识产权。一家公司应该能够随时替换掉底层的某个“通才模型” (generalist model)，而不丢失那些已经沉淀在系统里的、像“公司老兵”一样丰富的专业经验。在未来的时代，这将是检验企业是否拥有数据控制权和技术主权的关键“试金石”。 企业需要将自身的工作流、领域知识以及多年积累的判断力，统统转化为每一次使用都能自我进化的 AI 系统。企业应当建立私有评估机制 (private evals)（即企业内部针对自身真实业务场景定制的模型能力测试标准），用来检验模型是否真正在对企业有价值的结果上取得了进步，而不能仅仅依赖外界的公开跑分盲目自嗨！专属的强化学习 (reinforcement learning) 环境，应该让模型通过吸收组织内部真实的业务数据和工作轨迹变得越来越强大。这样的专属知识库，能让企业的组织记忆变得随时可检索，同时也让 token (tokens) 的运转效率大幅提升。 这种循环，将成为企业全新的知识产权。我把它想象成一台不断向上攀登的机器 (hill climbing machine)。而且与大多数资产不同，它具有强大的复利效应。每一个被优化的工作流，都会产生更优质的训练信号，从而加速这家企业独有的隐性知识 (tacit knowledge) 的积累。那些尽早布局构建这种循环的公司，将会获得一道难以复制的护城河，无论未来市面上又出了什么能力炸裂的新模型，都无法轻易撼动其地位。 我们最不愿看到的局面，就是各行各业的所有公司，都在向少数几个贪婪吞噬一切的巨头模型割让价值。如果所有的经济价值都只被少数几个模型垄断，政治经济体制是绝对无法容忍的。社会也绝对不会允许一个让整个产业被彻底掏空的 AI 未来。 回想一下全球化初期发生的事情吧：大规模的业务外包曾让许多工业经济体被彻底掏空。表面上看 GDP 数据依然光鲜亮丽，但大量产业工人流离失所是血淋淋的现实，其带来的严重后果至今仍未消散。我们绝不能让这种悲剧在 AI 时代重演——决不能让少数几个 AI 系统攫取了所有的经济回报，而一整个行业的从业者却只能眼睁睁地看着自己赖以生存的专业知识被无情地廉价化。 在我看来，我们的当务之急不仅是打造前沿模型 (frontier model)，更要构建一个繁荣的“前沿生态系统” (frontier ecosystem)。只有这样，价值才能像活水一样，广泛地流向每一家公司、每一个行业、每一个国家。在这个生态中，每个组织都能拥有属于自己的学习循环，将组织智慧沉淀其中，让人力资本与 Token 资本共同实现滚雪球式的增长。 这也是伴随我职业生涯一路走来的核心理念：真正的平台，能够让在其之上生长出来的价值，远远大于平台自身所截留的价值。在这样的生态里，每家公司都能持续创新，并构建属于自己的真正价值。 当这一切实现时，企业不仅能为自己、也能为周边的整个经济体创造巨大的红利。员工们将会看到自己的专业技能被无限放大，个人的判断力将被融入系统，变得可以复制和规模化应用。而这一切带来的好处，最终将回馈给企业以及他们所在的广泛社区。 这才是企业为自身和宏观经济创造价值的正确方式。这也是我们应当携手共建的、稳定而持久的生态平衡。

AI Native 公司本质上是在重新定义每一个领域的工作。

重磅更新！Claude Fable 5网页端现已登陆https://t.co/p8VhxPEpFv。 依托80.3%的SWE-Bench Pro得分，Claude Fable 5的编码实力稳居行业第一梯队。平台先期开放API服务，满足开发者需求，如今Web Chat功能正式上线，彻底降低使用门槛。 访问 https://t.co/lEaczysu1N 即可在线使用，交互体验简洁易用。作为TRON生态核心AI基建项目，https://t.co/p8VhxPEpFv高效完成双线布局，覆盖多元使用场景。欢迎大家前往体验！ @justinsuntron @BAI_AGI #TRONEcoStar

新上架 HUNTC-428 無碼 中文 [AI解碼版]「快點帶著新鮮有活力的雞巴回來！要不然我就要吃你的穴穴了」 滿足室友性慾需求，讓我帶男人回家。可愛溫柔的室友擁有異常強烈的性慾！每天都要帶男人回家，否則我就會被迫或者是我的男朋友… https://t.co/kK98UvOXxw

新上架 START-582 無碼 中文 [AI解碼版]初次泡泡浴培訓 SOD新人3年生積極努力服務 召喚深深的角落魔發動！？被動漫聲音所陶醉SP 松永明里 https://t.co/vHeYsbUQRL

新上架 HSODA-120 無碼 中文 [AI解碼版]魔鏡NTR按摩院 隔壁美胸苗條女友被偷情，我卻無法抗拒巨乳姐姐的絕技，發生生中性愛。竹內有紀 宮西光 https://t.co/8yMCciUUwm

阿里西溪园区裁员 50%，看来体验服大裁员更新要并入正式服了 美团、阿里、下一个是京东吗？“我们不会裁任何一个兄弟”，但是我们拥有对兄弟的解释权，被 AI 取代的就不是我们的兄弟 https://t.co/LVfNlX7JiP

新上架 START-571 無碼 中文 [AI解碼版]受胎病房 來月結婚的後輩女醫正在夜班休息，總是被灌入濃稠精液，毀掉她幸福的未來 柴崎春 https://t.co/S2bwhAaPhe

新上架 IPZZ-828 無碼 中文 [AI解碼版]曝露在泳衣下的水上運動部教練健康肉感身材 教師和學生陷入被精液淹沒的盛夏團體活動 長濱蜜璃 https://t.co/Cch67deU8C

很多人讨厌Anthropic创始人Dario Amodei，主要集中在恐惧营销，譬如软件工程工作，有望在12个月内自动化。杨立昆也批判Dario，对Mythos/Fable(以及AI)荒谬的恐吓策略终于奏效了：白宫禁止非美国公民使用AI，包括外国雇员”。其实，有个AI大神比Dario坏多了，只是包装得精致… https://t.co/Mb12M97ZGe

一个人做完短片仅需50分钟：Claude写剧本(10min)、MJ出角色(20min)、Runway动画+ElevenLabs配音+Suno配乐，全流程不足1小时。这种工作流将重型生产线变为个人“快餐式”创作。你缺的不是创意，而是承接这50分钟产出的能力。 https://t.co/g4iGminHHF

6月11日，SemiAnalysis发布了一篇关于Intel的文章。虽然其中部分观点颇具争议，但确实提供了一个与市场主流认知截然不同的思考角度。 首先文章认为Intel现在最应该做的事情不是回购股票，而是趁着股价处于高位，主动增发融资250亿至400亿美元，为未来几年的Foundry扩张、14A工艺推进以及Terafab项目建设储备充足资金。因为对于正处于转型关键阶段的Intel而言，融资扩张反而可能是对长期股东最有利的选择。与其担心几个百分点的稀释，不如确保公司拥有足够资金抓住未来十年的发展机会。 所以作者认为Intel未来面临的问题是扩张速度问题，尤其未来未来几年在Agentic AI推高速发展，CPU需求持续增长的背景下。而台积电N3产能依然保持紧张，那么部分CPU、GPU、FPGA以及网络芯片订单都有可能向Intel Foundry转移。对于Intel来说，这可能是过去十多年里最重要的一次产业机遇。 文章还提到目前Intel最大的变化并不是业务本身，而是董事会结构发生了根本性改变。过去多年，市场对于Intel董事会最大的批评之一，就是缺乏真正懂半导体制造的人，更关注财务工程和资本运作，而不是技术路线和产业发展。但现在情况已经明显不同。Lip-Bu Tan出任CEO，前ASML CEO Eric Meurice加入董事会，Microchip董事长Steve Sanghi以及前Intel CFO Stacey Smith也进入核心决策层。某种程度上，Intel正在从“华尔街思维”重新回归到“工程师思维”。我想董事会的这个变化对于intel的长期发展是极其有利的。

🚨 突发消息：美国参议院刚刚以 48票赞成、50票反对 否决了作为预算协调法案（Budget Reconciliation）一部分的 SAVE America Act（美国选举资格保障法案）。 该法案原本将要求全美选民在登记投票时提供： 有效身份证明（Voter ID） 美国公民身份证明（Proof of Citizenship） 投下反对票的共和党参议员包括： Thom Tillis Lisa Murkowski Mitch McConnell Susan Collins 许多支持者对此结果表示震惊和愤怒，认为要求选民出示身份证和公民身份文件是维护选举诚信的基本措施，下面是美国民众制作的AI图片👇 “难以置信（UNBELIEVABLE）！” 🔥