🔥 推特起爆帖监控
搜索和分析大V账号即将起爆的热帖推文。通过SoPilot插件快速评论和互动，抢先一步占领评论区，你将获得更多的曝光。
从连续到离散：智能的第二次革命 我曾在《大模型：一片连续的意义之海》中写过， 向量化带给人类最大的启示，不是计算速度，也不是模型规模， 而是连续性——一种语义上的、知识层面的、存在论的连续。 https://t.co/rxQD10bvSU 过去，人类的知识是分割的。 学科有边界，语言有疆域，图书馆有分类号。 而今天，所有这些边界都被打碎， 人类的语言、思想、情感与历史，被融进了同一个巨型语料宇宙 一个没有章节、没有标签、只有连续意义流的海洋。 那一刻，我有一个非常强烈的直觉： 连续之后，必然是离散。 这是所有复杂系统的宿命之路。 DNA 从生命的连续体中提炼出 ATGC 四个离散符号， 模拟信号转为数字信号，让模糊的波形变成了可以压缩、传输、计算的比特。 这就是“离散化”的意义： 在无穷连续的世界里，找出能被执行、被组合、被传递的单元。 几天前我家还收到一个小型的模拟电视机，东芝的。 我先生把它修好了，但我们都笑了： 这台电视的命运，大概是进博物馆。 连续的时代，已经结束。模拟信号，就是连续的。 离散的思维：从意识到结构 那么，人类的思维，是连续的，还是离散的？ 从神经科学角度，它是连续的电信号与化学流； 但从计算机的角度，它完全可以被离散化。 想想日常生活。 无论你是大律师，还是家庭主妇 思维其实由无数个决策片段组成： 鸡蛋还剩几个？要不要去买？ 这个案子，证据是否不足以起诉？ 明天孩子几点放学？晚饭什么时候准备？ 每一个片段，其实都可以被拆解为六个字段： 名称、目标、输入、机制、条件、输出。 这，就是思维的最小函数单元。 我在计算上面把他们外化成一个封装单元，叫结构卡（Structure Card）。 无数张这样的卡， 串联成链，形成网络，构筑起你完整的认知与人格。 家庭主妇的思维链，支撑着时间的分配与节奏； 律师的思维链，组织着证据、逻辑与论证。 两者看似毫不相关，却都在同一张认知地图中运行。 多重身份的调度：人脑的隐形编排器 我们每个人都有多重身份。 你既是大律师，也是妈妈；既是分析师，也是爱人。 这些身份之间并不互斥 它们在同一颗大脑中共生，只是被不同的场景激活。 当你走进法庭，律师的网络被点亮； 当你坐进家长会，妈妈的网络瞬间苏醒。 那是谁在调度？ 是你脑中的那位指挥家 一个隐形的Scheduler（调度器）。 它根据上下文激活不同的结构链， 让不同的人格子系统在合适的时间、合适的情境中运作。 这，就是人类大脑最伟大的架构：动态调度。 而在我设计的系统中， 我让“调度器”成为一个显式的模块。 结构性的智能机制。 它模仿的，正是这种生物性的编排： 多重人格、多条思维链、一个中控。 仿生与超生：从人格到结构人格 越仿生，越智能。 当律师学会借用“妈妈网络”的共情机制去说服证人， 当程序员调动“艺术家网络”的直觉去设计产品， 人类就完成了一次跨结构迁移。 每一个“决策单元”，每一张结构卡 都可能跨身份地被复用、重组、调度。 这正是智能的本质：复用与组合。 当这样的卡片累积到上百万、上千万张， 它们不再只是思维碎片， 而是一张巨大而有机的网络 一个结构人格（Structural Persona）。 这也是为什么，大模型在引入“角色（role）”设定之后， prompt 的输出变得格外高效。 因为那片连续的语义海洋， 在“角色”的调度下，被局部离散化了 出现了结构、目标与边界。 那正是“意义之海”中，人类之灵闪烁的地方。 结语：思维外化，知识函数化，人格计算化 这，就是我正在做的事情。 从连续到离散， 从思维到结构， 从语言到可执行的认知单元。 思维外化（Externalization of Thought）， 知识函数化（Functionalization of Knowledge）， 人格计算化（Computationalization of Persona）。 我们正走在一个新的门槛上 让“人类的思维结构”成为“人工智能的生命结构”。 The Beginning of the Infinity of Intelligence: My Framework for Solving the AI Externalization Problem https://t.co/KmHlNye2g4
我觉得妈妈抱着婴儿睡觉的那一瞬间价值千金，在一个冰冷的办公室卡座里面挣多少年薪都比不上那个一起午睡的下午。
最近推上故事蛮多，我也来讲一个自己的故事：“中年人披星戴月去练口语的那个冬天。 作为第一代移民，刚到新西兰的头几年，我觉得自己的英文表达需要认真训练，只是靠在工作中的练习，不是太够，于是我报了两个Toast Master俱乐部，每周二早上7点到8点30，都会去和俱乐部的人们进行一个半小时的演讲练习。 比较麻烦的是，当时我们家只有一辆车，留给老婆开，我是乘公交车去市区上班。但因为这个练习英文的活动是7点开始，我需要5点多就起床，给家人备好早餐后，乘6点15的公交车进城。如果错过6点15分的车，就需要多走一两公里，去另一个公交车站搭另外的公车。 公交车到达市区后，我还得先走个一公里去到俱乐部参加活动。活动结束后，再走2公里左右，去公司上班。通常每个周二，我都是9点钟气喘嘘嘘地到公司开始上班。因为比平时晚到，我还得多干点儿活。每周二回到家，我的Apple Watch上自动统计的步数，一般都是14000-15000步左右。 的确很辛苦，不过也有一些不错的瞬间，比如其中一个俱乐部就在市区的码头，当时参加完活动，可以看到太阳在挤满帆船的海边升起，非常有感觉，就像下面这张图一样：） 就这样，在2019年的冬天，我一直每周坚持去参加Toast Master的演讲练习。奥克兰的冬天，又湿又冷，天气是真不好。很多时候一推开门，就是一阵寒风。另外因为风大，下雨时哪怕打伞也会全身淋湿。 最难克服的，其实不是这些客观条件，而是主观上觉得“似乎看不到什么进步”：参加活动很多次，怎么还是感觉说话不利索？中途也很容易打退堂鼓。但最终我还是一直坚持到了夏天。直到2020年的3月，新西兰疫情爆发，全国封城，居家隔离。封城期间我还是参加了两三次在线的Toast Master，然后因为疫情我被裁员，个人的优先级调整，演讲练习才停了下来。 2019年，我39岁。很多国内的朋友，在这个年纪，应该是喝茶爬山的状态。我那时却以一个中年人的年纪，过着大学毕业生刚进社会时的打拼生活。 如今忽然想起了那段披星戴月风雨无阻的日子。现在我在英文的环境中，已经没有了那种使用非母语的别扭感。不论是几十人在场的会议需要临时发言，还是需要安排洋人同事工作，甚至是碰到有意见分歧需要争论，我都有信心可以搞定。先后也做过好几次英文演讲与分享，效果都很不错。回想起来，2019年的那段日子，当时不觉得怎样，但它带来的帮助却一直影响到了现在的我。 其实我觉得，在39岁还无所谓得失地去朝着自己计划好的方向前进，这样的状态，对我的意义大于具体的语言能力提升的收获。 分享这段经历的原因，是因为有人在我的YouTube上评论我的英文，说“作为移民真的很不错”（评论者是一位东欧移民）。我们很容易看到别人的成绩，却不一定知道他的付出。希望这样的分享，也可以给你一点激励：如果一个40岁的大叔都可以做到自我突破，你肯定也可以：） 另外如果你现在要练习英语口语，直接用我们的AI口语练习工具 JAM 就可以啦，效果比Toastmaster的 Table topic 好得多！你也不用披星戴月去练习了，随时随地都可以。
财新看到个数据，中国生成式人工智能用户超 5 亿。 半年翻番这个数字太夸张了，5.15 亿人用上生成式 AI，普及率 36.5%，超九成还首选国产模型。 这基本可以定性成：AI 正式进入全民阶段。 很多人可能都没意识到，AI 已经藏进了每天的工作流了。 国产模型这波能冲起来，中文语料，场景理解和行业定制这些，都比国外的模型更接地气。 我从数字看这趋势的核心是AI 已经从新玩具变成老工具。所有的早期兴奋点都在往效率系统迁移。现在让 AI 干点啥都是让人们少动几步。 后续的看点，我觉得有几个： 1. 从简单的聊天到稳定的干活这个转折期能不能稳下来； 2. 企业端能不能把 AI 真嵌进业务闭环，AI 不能总停留在 ppt 上； 3. 用户侧会不会出现反降智趋势，太多辅助反而让人懒得思考。 还是那句话，这么大量级的群体对 AI 的认知已经有了，在娱乐的喧嚣下，接下来真正比拼的是谁能让 AI 真正参与到人类的生产线里。
AI 初创企业cto . new，不会有付费方案的全免费Code Agent 包括了使用最顶级模型 - GPT5 - Claude 4.5 Sonnet - Gemini 2.5 Pro - 等等 盈利模式是卖你的数据，昨天成功融资五百万美金 评论区获取邀请码，一拖三，请在获取后追加裂变，保持帖子持续下去 相关详情见评论区⬇️ https://t.co/QbGArqBlZL
没想到才过了 1 年时间，LobeChat 的代码行数已经增长到了 30w+ 行 🤯 （去年同期这个时候是 10w+ 行） Breakdown 一下， TS 源码 20w 行，测试 10w 行， 单测覆盖率 80%+ 。 AI Coding 加持下，光从行数上来看，我们的实际的有效交付产能是增长有了 2 倍多： - 2023->2024 ，一年新增 10w 行 - 2024-> 2025，一年新增 20w 行 但考虑到项目越大，复杂度也是指数级上升的，实际日常的体感大约在 5-10 倍的效能提升吧。 感觉未来的效能提速会越来越快 🚀，现在还在处在积累加速度阶段，远远还没到头
老马说他们会在未来几周删除掉推特所有的启发式算法，彻底将推荐算法改为 Grok 驱动。 启发式算法就是类似现在 if-then 这种常用的传统算法。 Grok 将“真正地阅读每一篇帖子和观看每一个视频”，确保新人的优质内容也可以被发现。 未来，用户将能够直接“告诉 Grok”来临时或永久地调整自己的信息流。
得知杨振宁去世的消息，猛然间有点恍惚。 印象中大学第一学期开学典礼，就有杨振宁教授的分享和祝福。当时记住的一句话是：细推物理须行乐，何用浮名绊此身。 这是杜甫的一句诗。从杨振宁口中说出来，特别贴切。我在物理系，学的基础物理。物理学的大学教材上，我一直把这句诗写在封面上。 物理学给了我太多乐趣。莱布尼茨、牛顿、薛定谔、普朗克、泡利、狄拉克、爱因斯坦、杨振宁、李政道等等，人类群星闪耀时，对我来说不仅仅是一本书，而是像是一次时空穿越，从微小的夸克到整个宇宙，大学让我度过了亿万年。 后来从物理转行到互联网，依旧有时梦宇称不守恒，梦回南七技校和杨振宁路。在浩瀚的物理学面前，AI 就是一个小泡泡。 杨先生走好。物理的世界里，一切都是变化又永恒。感谢在我的时空里，有过你的降临。
最近在找工作，在思考我们这些“传统”程序员应该找什么样的工作。 只聊聊我现在的理解 - 在大厂，如果不是非常核心和非常棒的组，大部分时候都是螺丝钉，只是 AI app 整个流水线上的很小一环，很难通过工作建立起对整个 AI 全景的认知。 仅仅是从 “存业务数据的 CRUD” 变成了 “存 Agent 数据的 CRUD”，看起来跟 AI 相关，但其实并不能持续的获得来自一线的经验 - 在创业公司，人数较少，也就意味着能做跟 AI 的核心更近的工作，获取的更一手的信息和 insights，从而加深自己对 AI 的理解。当然创业公司也会有相应的风险。 最简单的像我现在把一些一线的反馈给到 researcher，流程非常长，并且很难知道他们的思考、理解和下一步行动，但在一个创业公司，直接拿着电脑干到 researcher 面前，有啥好奇的直接问。 我在思考，当我们在面对 “范式转换”的历史时期的时候，我们是不是应该抛弃过去求稳的“大厂思维”，去求一个大厂的螺丝钉，而且想办法冲在 AI 的一线，去获得最新的经验和积累有价值的能力。 至少在我看来，AI 对全人类都是新的，没有哪个公司对其他人有过分的领先优势，真正能获取有价值知识的方式就是浸淫在一线，尽可能的在一线做事情、产生 insights、总结，然后循环。
新视频录制完毕，《Claude Code + GLM 4.6 实测》， 这几天在抖音直播间里“公开处刑” GLM 4.6 ，结果确比预期好用 如果你想有 cc + sonnet 4.0 的体验，GLM 4.6 是个极高性价比的选择。如果你要修的 bug 更难，可以继续使用 codex + gpt-5(-codex) high 甚至 chatgpt pro 模式
上一条讲「怎么干中学 Web3」的推文，私信加爆了🔥 这次我们来点实战：从 0 到 1，亲手做一个最能串起 Web3 全流程的项目：转账 DApp 干中学 Web3（1）｜转账 DApp 实战 先从最简单、最核心的项目开始：做一个转账 DApp。 它能帮你把“区块链到底怎么跑起来的”这件事，一次性串个大概情况。 这一节我主要会带你搞清楚： 1. 转账 DApp 的整体思路 2. 转账 DApp 的 prompt（见评论区） 3. 一些关键概念：区块链、智能合约、钱包、Gas Fee、DApp 4. 如何搭建测试环境（我们用以太坊测试链） 5. 各种账号注册、环境配置、工具安装全套流程 6. 最后附上 GitHub 源码 为了给大家一个全局直观的了解，先看看最终成品的效果👇（图一） 你需要先有个钱包，这里用 MetaMask 做示例，我已经连接好了，后续会分享具体如何操作。 然后填上两个东西： 收款地址（你要转给谁） 转账金额（转几个 ETH） 点确认后，交易就发出去了。 如图二所示，几秒钟之后，转账记录出来了，有点像银行流水，只不过多了详细的信息， Gas Fee、交易哈希这些链上信息。 先有这么个大概印象就行，下面我慢慢讲，这个 DApp 是怎么一步步实现的 👇
谁是下一个何同学？ 短短几个月，300多万粉丝。何同学的油管频道，火的是一塌糊涂。 实际上，中国有很多优秀的创作者，但是受限于语言的原因，而没有进入国际视野。 现在，有了剪映，VidTransAI等AI工具的帮助，语言不再是障碍。 你完全可以把发抖音，小红书的视频，翻译下，然后发油管，TikTok，不仅有播放量收益，还能获得全球70亿人的关注。 不说了，我先开账号去了…
🥳宣布几个好消息： 1. AI编程课学员1500+了 2. 视频商单价格涨了不少，单太多了 3. 今天北京天气很好，阳光充足~ 预告10月的课程吧： 1) 下周会发布Vercel部署相关的课程 2) 月底会发布新一期的iOS重磅课程，这期视频开发会用到 @ios_1261142602 的EasyApp模板，来加速iOS应用开发。 📢最后，10.24课程涨价到499元！
ChatGPT的pulse 我每天都看 而且我发现我越是深度思考密集输出的时候。这份报告就对我越有价值。 https://t.co/HYASp6oKwH
图1是我画的，图2，3是生成的，图4是我再加工的。只用了一个绘图软件和一只苹果画笔。 经验：先让AI 对原图进行detail, 依赖上下文的故事线。比如我这个是讨论的multi-agent. 生成之后自己再拼接完善。一个复杂的，难描述的生动概念慢慢成型。 https://t.co/fRjQpzZSWN
当ai可以越来越快实现人们的想法时 缺少的并不是“就差一个程序员了” 而是“做什么，怎么做”的上下文 去开闲鱼 去做淘宝 去找外包 去reddit翻帖子 看看谁还在寻找程序员 在你不知道做什么的时候 重要的是接触客户 去多和别人谈一谈 并询问对方支付定金 在接单的过程里你就会知道 对方是谁 遇到了什么问题 当下是怎么解决的 是否愿意花钱提高效率 这些上下文是开发的基础 当你3-4个窗口同时并行4个付费需求时 你独立开发的成功机会就悄悄地被放大了
Claude Skills 系统看起来真的太完美了 每个 Skill 都是一个文件夹，只需要 Markdown 即可编写 而将文件夹系统作为 Context，正是 Claude 最核心的产品理念。 这是一个智能可插拔的技能系统，再也不用在系统prompt里塞垃圾了。 不仅可以加载记忆，还可以加载技能，这是目前最美妙最优雅的 Agent 架构。 每个人也可以分享自己的 Skill，一套开放的生态系统。 未来的想象空间没有上限。
今天和团队分享了一个我的工作心法：“残心”（Zanshin）。它源于剑道，指一击得手后，精神与姿态不能立即松懈，仍要保持高度警觉。做工程也是一个道理：代码部署成功，跑起来了，相当于你一刀砍中了目标。但决不能马上放松，你必须保留这份“残心”，持续观察、验证，确保整个动作形成一个完美的闭环。
特别认同陶哲轩的观点：现阶段 AI 最合适的用法不是直接把最强大的 AI 模型用来攻克最难的数学难题，更广泛、更实用的用法，或许是利用那些性能适中的 AI 工具，来帮数学家们加速完成那些日常繁琐但又必不可少的基础研究任务。 前些天听个 CVS 的人分享，说 CVS 药房很忙，但是大部分时间是浪费一些繁琐的事情上，比如说数药片，因为每个病人的药片数量都不一样，需要两个专业的药剂师，一个负责将指定数量的药片装到药瓶，一个负责将瓶子的药片数一遍验证对不对，一群高学历受过专业训练的药剂师每天要花很多时间在这些事情上。所以他们最近用 AI + 机器人的方式，将这个过程自动化，让药剂师们解放出来去做更重要的事情。 我自己日常用 AI 也是类似的，它不一定能帮我解决很多技术难题，但是我可以借助 AI 开发一些小工具，或者直接借助特定的提示词，就能帮我做很多繁琐的工作，这样已经可以极大的提升我的整体效率了。 --- 原文翻译见评论
上了年纪的前端一定跟 IE6 打过交道，给它写过不少的 hack。我们得感谢以 YouTube 为首的 Google 产品在十年前率先在网页加上了引导 IE6 升级到高级浏览器的banner，在一个月把 IE6 的市场占比降到个位数。 YouTube 早期前端工程师分享了背后的故事，他们因为每次发版都要给 IE6 写好几天的兼容，刚好他们因为刚被Google收购还没有完全兼容Google那套严格的上线流程，所以他们就用了一个高级权限来发版，加上了强制要求用户升级IE六的banner。接下来Google其他的团队因为看到YouTube上线了，以为他们通过了法务和PR的审核，所以他们也说服了他们经理一同上线，这样就导致了Google几乎所有苦 IE6 久矣的前端团队都上线了这种 banner。
HeyGen的Founder分享了他们团队内部的管理和产品方法论，摘取部分我最受益的六个观点： 1. AI产品要适配底层AI模型平均每两月一次的迭代周期，所以核心的产品功能向前规划两个月，但是也要时刻思考着接下来6-12个月的大突破可能会是在哪个方向。产品要和模型突破一起向前，不要被模型突破覆盖掉。 2. AI时代创业团队最大的错误就是速度太慢。不要怕犯错，要怕学习太慢。速度不仅仅是执行力，也是一个mindset - 如果任何时候你想到 - 周一再发这个功能而非现在，都意味着你不重视速度。 3. 团队每个角色最重要的责任： - PM要每天使用市面上所有的常用AI工具和竞品产品，理解为什么做某个功能和划分其优先级； - Engineer要给出PM可能会miss的技术视角同时用最快的速度把功能做出来； - Designer要把所有的复杂功能和用户需求简化成老奶奶都可以用的简单操作； - Data Scientist要能够配合PM找到最核心的数据和构建核心看板和分析工具，通过数据做出决策。 - Growth 对业务指标负责，同时要确保构建每一个功能和阶段的用户行为与喜好学习循环。 4. Everyone agrees = no one cares 每一个人都同意常常意味着大家其实不在乎。Disagree and commit。避免Decision Paralysis，即使有不同意见，选择一个之后就commit，通过用户反馈再来学习和调整。 5. 别憋大招。攒了六个月的重大更新发出来之后发现竞品其实早就发了这个功能且获客了，又或者构建了一个可以服务巨大用户量的框架但是事实上只来了100个用户。 6. 什么时候必须要慢下来： - 最重要的事情是学习用户需求，任何影响我们学习用户反馈的数据和功能缺陷都必须要修复； - 影响到用户核心体验、安全的bug。