🔥 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。
我现在已经能做到，完全零损耗做饭了。就是所有的食材都AI 组合，再结合AI库存管理，一条龙。 https://t.co/Dg8qOUaZ8k
想想怎么用六个月实现你的十年计划。 即便你失败了，也会比那些不紧不慢的傻X领先一大截。 https://t.co/p2YgX7rUXZ
ChatGPT 爱用破折号和擅长编程，这不是文科生和理科生的差别，更像是文科学习和理科学习的差别，当然实际上是两种不同类型内容生成的训练方式差别。 生成文本的结果是没有标准答案的，这就依赖于人类定义好的标准答案和反馈，偏好极其依赖于标注员标注的结果，就好比我们学文科，会依赖于我们阅读的教材和老师的讲解。 写代码和做数学题的特点是有标准答案，就好像我们学理科做数学物理，对就是对，错就是错，和人类偏好无关，做对了就有奖励，做错了就没有奖励，所以模型能反复训练，最终越来越厉害。
这个实在太有趣了，忍不住让AI重写了一篇文章。 破案了！AI 疯狂喜欢用破折号的真相竟然是⋯ AI写的文章，总透着一股“AI味儿”。 最明显的一个特征之一，尤其英文写作中，特别爱用破折号。 讲真，AI模型（尤其是GPT-4之后的版本）对破折号的滥用，已经到了让人发指的地步。 更逗的是，你还很难通过提示词（Prompt）去“纠正”它。 有网友在OpenAI的论坛上发帖，说他试了各种方法，比如“请不要使用破折号”、“请用更简洁的标点”，结果模型“好的，我明白了”，然后转头该用还是用。 这事儿就透着一股诡异。 按理说，AI就是个“复读机”，它的一切行为都应该来自它的训练数据。 但为什么偏偏是破折号——这个在现代英语里并不算最高频的标点——成了AI的“心头好”呢？ 有意思的是，关于这个问题，业内目前居然**没有一个公认的、确定的答案**。 今天，咱们就来当一回侦探，结合一篇挺有意思的分析文章（来自Sean Goedecke），一起来扒一扒，AI这个“写作怪癖”到底是怎么来的。 几种“不太靠谱”的猜测 在揭晓那个最可能的答案之前，咱们先得“排雷”，把几个流传很广、但细想又站不住脚的理论给干掉。 猜测一：训练数据里本来就很多？ 这是最直观的猜测：AI爱用，是不是因为它“学习”的材料——也就是整个互联网的英文文本里，破折号本来就用得很多？ 这个解释，我第一个就不太信。 你想啊，如果破折号在人类写作中也这么普遍，那它就不应该成为一个扎眼的“槽点”，对吧？ 我们之所以会觉得“AI味儿”冲，恰恰是因为我们凭直觉感知到，AI使用破折号的频率 远高于正常人类的平均水平。 如果AI用逗号的频率很高，你会在意吗？不会，因为我们也都这么用。 所以，这个解释直接回避了核心问题：为什么AI会“偏爱”它？ 猜测二：破折号“功能万金油”，AI“偷懒”？ 还有一种理论，听起来有点“拟人化”。 说的是，AI在吭哧吭哧预测下一个词（Token）的时候，它其实也很“纠结”。 用破折号，就像是给自己留了个“后门”。 你想啊，一个破折号——它既可以引出补充说明，也可以开启一个全新的观点，甚至可以表示转折。 所以，AI是不是“算计”过了，觉得扔出一个破折号最“安全”，最“万金油”，能让后面的句子怎么接都行？ 这个我也不太信。 首先，其他标点（比如逗号、分号）在很多语境下也同样灵活。 其次，我总觉得用“偷懒”或“留后路”这种人类的思维方式，去套大语言模型的工作原理，有点……想当然了。模型只是在“预测下一个最可能的Token”，它并没有“耍滑头”的主观意识。 猜测三：为了“省钱”（Token效率）？ 这个说法稍微技术一点，但也最容易被驳倒。 它扯到了一个概念，叫 Token效率。 简单科普一下：大语言模型处理文本，不是一个词一个词处理的，而是把词打碎成一个个“Token”（标记）。 比如 "unbelievable" 可能会被拆成 "un"、"believe"、"able" 三个Token。 AI的计算成本和它处理的Token数量直接相关。 这个理论是说，AI是不是发现，用一个破折号（占1个Token），可以替代掉一堆啰嗦的连接词（比如 "，therefore，" 或 "which means" 这种可能占2-3个Token的短语）？ 用破折号，能“省钱”啊！ Emmm……这个解释还是不太对劲。 第一，在绝大多数情况下，那个破折号明明可以被一个逗号（同样只占1个Token）完美替换。 比如AI常写的："It's not X — it's Y." 这完全可以写成："It's not X, it's Y." 谁也没比谁更省Token啊。 第二，你真觉得GPT-4o这种“庞然大物”，会在标点符号上搞这种“微操”来优化成本吗？ 它要是真想省Token，少说点那些翻来覆去的“车轱辘话”（waffle less）不就完了吗？那省下的Token才叫多。 所以，上面这三个“主流”猜测，基本都被排除了。 那“真凶”到底是谁？ 深入扒一扒：会不会是RLHF的“锅”？ 讲到这儿，咱们就得聊点更深的东西了，一个在AI圈大名鼎鼎的词：RLHF。 全称叫 Reinforcement Learning with Human Feedback（基于人类反馈的强化学习）。 这是啥玩意儿？ 你可以把它粗暴地想象成AI的“岗前培训”和“绩效考核”阶段。 在模型（比如GPT-4）基本训练好之后，AI公司会雇佣成百上千的人类“标注员”（Raters），让他们去跟AI聊天，然后给AI的回答打分。 “这个回答太啰嗦了，差评！” “这个回答很友好，帮我解决了问题，好评！” 模型会根据这些人类的“好评”和“差评”，不断“反思”、“修正”自己的说话方式，让自己变得更“有用”、更“讨人喜欢”。 好，问题来了。 AI公司为了节省成本，肯定会把这种“打分”的工作外包出去。外包给谁呢？ 答案是：那些生活成本较低，但又有大量英语流利人口的国家。 比如，OpenAI的主要RLHF团队，就设在非洲的肯尼亚和尼日利亚。 这就带来一个非常有意思的后果： AI的“品味”，在很大程度上被这些非洲标注员的“英语方言”给塑造了。 一个最有名的例子，就是“delve”（深入研究）这个词。 你发现没？GPT-4特别爱用"delve"、"explore"（探索）、"tapestry"（挂毯，引申为“蓝图”或“画卷”）这类听起来有点“拽文”的花哨词汇。 这就是因为，在非洲英语（作为后殖民地国家的英语变体）中，使用这种稍微华丽的词汇被视为“有文化”和“语言能力强”的体现。 于是，肯尼亚的标注员们看到模型用了"delve"，大喜：“哇，这个词用得好，地道！高分！” 结果，模型就get到了：哦，人类喜欢我用“delve”，那我以后就多用！ （这事儿还引发过一场大讨论，保罗·格雷厄姆曾吐槽过这个词，结果被很多印度和尼日利亚的学者给“教育”了，说他不懂文化差异。） 破折号，也是“非洲英语”的锅吗？ 那问题来了：会不会破折号也是同样的情况？ 是不是在尼日利亚英语里，大家平时说话就特爱用破折号，所以标注员们也更喜欢带破折号的回答？ 这个猜测，简直太完美了，对吧？它解释了为什么“delve”和“破折号”会一起出现。 然而，原作者Sean Goedecke是个较真的人，他真的跑去查数据了。 他找到了一个“尼日利亚英语文本”的数据集，然后跑程序统计了里面破折号的出现频率。 结果你猜怎么着？ 数据啪啪打脸。 数据显示，在那份尼日利亚英语数据集中，破折号的频率（占所有单词的比例）大约是 0.022%。 而一篇关于英语标点符号历史的论文指出，在当代通用英语文本中，破折号的频率波动范围在 0.25% 到 0.275% 之间。 看明白了吗？ 尼日利亚英语（作为非洲英语的代表）使用破折号的频率，不仅不高，反而比通用英语 低得多！ 所以，这条线索也断了。 “delve”的锅，RLHF和非洲标注员可能得背；但“破折号”的锅，还真甩不到他们身上。 真正的“嫌疑人”：19世纪的老书 好了，排除了这么多，我跟你说，下面这个解释，是我目前看到最靠谱、也最令人信服的。 它来自一个非常关键的观察： 你发现一个“华点”了吗？GPT-3.5 根本不怎么爱用破折号！ 这个“怪癖”，是从GPT-4（以及GPT-4o）才开始集中爆发的。 包括Anthropic的Claude和Google的Gemini，也都有这个毛病。 这就把时间锁定在了2022年底（GPT-3.5发布）到2024年初（GPT-4o发布）这短短的一年多时间里。 从2022年到2024年，到底发生了什么？ 答案只有一个： 训练数据的构成，发生了根本性的变化。 你想啊，2022年那会儿，OpenAI他们训练模型，用的数据主要是从互联网上抓取的公开文本（比如维基百科、Reddit帖子、新闻网站），再加上从LibGen、Z-Library这类网站“搞”来的海量盗版电子书。 但是，当大模型的能力在2023年震惊世界后，所有的AI公司都疯了。 他们立刻意识到，高质量的训练数据，就是未来的“石油”和“黄金”。 互联网上的“垃圾”已经喂不饱新一代的模型了。他们需要更多、更优质、更干净的文本。 他们把目光投向了哪里？ 实体书。 AI公司们（OpenAI、Anthropic、Google等）开始了一场疯狂的“数据军备竞赛”，他们不惜重金，开始大规模地扫描、数字化人类历史上所有的纸质出版物。 （Anthropic的法庭文件就披露了，他们从2024年2月开始搞这个事。OpenAI虽然没明说，但业内普遍认为他们干得更早、更猛。） 好，关键的连接点来了。 这些新扫描的实体书，和以前LibGen上的盗版书，有啥核心区别？ 区别就在于——年代。 盗版电子书网站上的内容，大多偏向于当代文学和流行读物（比如《哈利·波特》、各种畅销小说和现代教材），因为这是网民们真正想下载和阅读的。 而AI公司要去“抢救”数据，肯定会把人类历史上所有能弄到的书都扫一遍，尤其是那些早已进入“公有领域”（Public Domain）的旧书。 这些书，大多是什么年代的？ 19世纪末，和20世纪初。 现在，让我们回到前面提到的那篇“标点符号历史研究论文”。 它里面有一个惊人的发现： 在英语写作中，破折号的使用率，恰恰在1860年左右达到了历史巅峰（约0.35%） 之后才慢慢回落，到1950年代后才稳定在0.25%-0.275%的水平。 你再品品：19世纪末和20世纪初的文学作品（比如狄更斯、梅尔维尔），他们使用破折号的频率，比当代英语高出了近30%！ 举个栗子，著名的《白鲸记》（Moby-Dick）一本书里，统计下来居然有 1728个 破折号！ 真相大白了，不是吗？ 这可能是最合理的解释： AI模型之所以疯狂使用破折号，不是因为它“聪明”地选择了什么万金油标点，也不是因为非洲标注员的偏爱。 仅仅是因为，在2023年这场“数据军备竞赛”中，它被强行“喂”下（预训练）了海量的、来自19世纪和20世纪初的“高质量”老书。 而那些书里——就TMD全都是破折号！ 这个“写作习惯”，就像一种古老的“语法DNA”，被深深地刻进了模型的神经网络里。 总结，和几个没想通的“小疙瘩” 好，咱们来捋一捋这个“破案”思路： 1. 结构性解释（省Token、万金油）：不太可能。GPT-3.5没这个问题，而且有反例（逗号）。 2. RLHF解释（标注员偏好）：不太可能。非洲英语数据反驳了方言理论。 3. 训练数据解释（老书污染）：可能性最大。 它完美解释了为什么是从GPT-4开始爆发的（因为数据构成变了），也解释了为什么AI的用量会 高于 当代人类的平均水平（因为它的“教材”比我们的老）。 我个人（和原作者一样）最倾向于第三种：训练数据（特别是老书）的污染。 但是，这事儿还没完。 就算这个“老书理论”是真的，依然有几个“小疙瘩”，我还是没想通。 疙瘩一：《白鲸记》悖论 这是最大的一个困惑： 如果AI真的“饱读”了19世纪经典，为啥它写的东西读起来一点也不像《白鲸记》或《双城记》？ 它只是“偷”了人家的标点符号，却没学会人家那套华丽、繁复、古老的文风？ 这个问题，我倒有个自己的猜想。 这可能正是我前面说的“分层训练”导致的一个“缝合怪”结果。 你可以这么想象： 1. “预训练”阶段（Pre-training）： AI像个婴儿，被关在小黑屋里，强行“吞”下了《白鲸记》在内的数万亿Token。它在这个阶段学会了语法、词汇、事实，也顺便学会了“破折号”这个深入骨髓的“口头禅”。它此时的“灵魂”是19世纪的。 2. “微调”阶段（SFT & RLHF）：AI长大了，被放出来“岗前培训”。 成千上万的21世纪标注员（包括那些肯尼亚人）开始“掰”它的说话方式，强迫它用21世纪的、礼貌的、友好的、客服式的“当代风格”说话。（比如“我很高兴为你服务”、“作为一个大语言模型……”） 所以，你最终看到了一个“人格分裂”的AI： 它拥有一个“19世纪的语法之魂”（所以爱用破折号），却被迫披上了一件“21世纪的客服外衣”（所以说话像个AI助手）。 这事儿是不是还挺赛博朋克的？ 疙瘩二：RLHF真的“无辜”吗？ 另一个可能，也许RLHF也不是完全“无辜”的。 虽然“非洲方言”理论被否了，但有没有一种可能：破折号本身，就是让文字读起来更“口语化”？ 你想，咱们聊天时，不就是经常“呃……”、“那个——”、“我意思是——”这样吗？ 破折号在功能上，确实能模拟这种“停顿”和“补充”。 也许，标注员们（无论他们在哪）只是单纯地觉得：“哇，这个回答用了破折号，显得不那么死板，更像在‘聊天’，我喜欢！高分！” OpenAI的CEO萨姆·奥特曼（Sam Altman）好像也在一次采访里模糊地提过，他们“（有意）加了更多破折号，因为用户们喜欢这种风格”。 如果是这样，那它可能和“老书理论”是共同作用的： 老书（预训练）给了AI使用破折号的“能力”和“高概率”；而标注员（RLHF）则“强化”并“奖励”了这种能力，让它变本加厉。 尾声：Hacker News上的“插曲” 原作者的文章发出去后，在Hacker News（一个程序员的“豆瓣”）上火了。 评论区里又冒出来一个有意思的理论，来自Medium（一个博客平台）的CEO。 这位CEO说： “都别猜了，我告诉你们为啥！因为Medium是高质量的训练数据源。而在Medium上，我们系统会自动把用户输入的两个连字符（`--`）转换成一个标准的破折号（`—`）。肯定是这个原因！” 这个解释，恕我直言，简直离谱。 他（和很多技术宅一样）完全搞错重点了！ 咱们讨论的不是AI用了哪个特定字符（是`—`还是`--`），咱们讨论的是它为什么要去使用这个标点的“功能”。 也就是那种“打断-补充-转折”的语法功能！ 就算AI的训练数据里，把很多“连字符”（hyphen，如 "state-of-the-art"）因为OCR错误或自动转换，都识别成了“破折号”（em-dash）。 那也只会让模型学会“错误地”在“state-of-the-art”这种地方用破折号，并不会让它学会在句末用破折号来代替“因此”啊！ 这完全是两码事。 所以，绕了一大圈，我个人还是最站“19世纪老书”这个理论。 这事儿最有意思的地方在于，我们发现，AI这个看似“智能”的庞然大物，它的行为模式，很多时候可能源自一些我们意想不到的、甚至有点“蠢”的原因。 一个小小的标点符号，就像一块“数字考古”的化石。 它藏着AI大模型“进化”的秘密。
阿里发布了他们最强模型 Qwen 3-MAX 的推理版本 AIME 2025 和 HMMT 之类的挑战性推理基准得分 100% https://t.co/Z0CBKsGvJ3
根据李录的观点，并不是每个人天生都适合做投资者。 他认为，伟大的投资者通常具备以下特质： • 独立 • 客观 • 不被情绪左右 • 果断 • 有耐心 • 对商业有强烈兴趣 https://t.co/t8fHRroxcf
正做饭 家里热水壶坏了 附近有个小米之家 打开美团，117 小米商城，169 怪不得京东要做外卖 原来是基本盘被端了啊 ps:嗯，线下店小妹妹真好看 https://t.co/Cg0kyjiP8A
晚上去邻居家拜访，给他们带来了我的一些旧衣服。他们很高兴，很快都分了。聊了聊，今年经济状况不好，他们日子不太好过。邻居全家都胖了一大圈，是那种很明显的胖。邻居家老公说你快一年没来巴尔干了。我说是啊，我太忙，邻居家老公咧着大嘴，伸出手指捏搓着说：“西欧，忙，有钱”，我发现邻居家老公的牙又没了几颗。邻居是办婚礼的，她说今年经济不好，结婚的人少，即使结婚了也不怎么大办特办。好在仨孩子俩已经长大了独立了，他们还能轻松点。邻居还欠我100欧，不过我已经不打算要了…
纽约客：人工智能的盈利困局与历史教训 作者：约翰·卡西迪 1987年，诺贝尔经济学奖得主、麻省理工学院（M.I.T.）的罗伯特·索洛（Robert Solow）在《泰晤士书评》的一篇文章中评论道：“计算机时代随处可见，唯独在生产率的统计数据中不见踪影。” 尽管当时计算能力飞速提升，个人电脑也日益普及，但政府数据却显示，衡量工资和生活水平的关键指标——工人的人均总产出——却停滞了十多年。这就是后来著名的“生产率悖论”（productivity paradox）。这个悖论持续到了上世纪90年代甚至更久，引发了大量莫衷一是的学术研究。一些经济学家将其归咎于新技术管理不善；另一些人则认为，与蒸汽机和电力等早期发明相比，计算机在经济上的重要性相形见绌；还有人则怪罪于数据统计有误，认为修正后悖论便会消失。 索洛的文章发表近40年后，自OpenAI发布ChatGPT聊天机器人近三年来，我们可能正面临一个新的经济悖论，而这次的主角是生成式人工智能（generative artificial intelligence）。根据斯坦福大学、克莱姆森大学和世界银行的经济学家最近进行的一项调查，在今年6月和7月，有近一半的劳动者（准确地说是45.6%）都在使用AI工具。然而，麻省理工学院（M.I.T.）媒体实验室一个团队的新研究却报告了一个惊人的结果：“尽管企业在生成式AI上投入了300到400亿美元，本报告发现95%的组织回报为零。” 该研究的作者们审查了三百多个公开的AI项目和公告，并采访了五十多名公司高管。他们对“成功的AI投资”的定义是：已经超越了试点阶段（pilot phase）并被实际部署，且在六个月后产生了可衡量的财务回报或显著的生产率提升。他们写道：“只有5%成功整合的AI试点项目正在创造数百万美元的价值，而绝大多数项目仍停滞不前，对P&L（即‘损益表’，profit-and-loss）没有任何可衡量的影响。” 调查采访引发了一系列回应，其中一些充满了怀疑。“领英（LinkedIn）上炒得天花乱坠，好像一切都变了，但我们的实际运营中，根本性的东西一点没变，”一家中型制造公司的首席运营官告诉研究人员。“我们处理合同是快了点，但仅此而已。” 另一位受访者评论道：“我们今年看了几十个演示。可能一两个是真有用。剩下的要么是‘套壳’（wrappers，指仅仅包装了现有技术，没有实质创新），要么就是‘科学项目’（指离实际商业应用还很远的技术探索）。” 公平地说，该报告也指出，确实有一些公司进行了成功的AI投资。例如，报告强调了针对后台运营（back-office operations）的定制化工具所创造的效率，并指出：“这些早期结果表明，有学习能力的系统，如果针对特定流程，确实可以带来真正的价值，甚至无需进行重大的组织结构调整。” 调查还提到一些公司报告称“通过自动化外联和智能跟进系统，提高了客户保留率和销售转化率”，这表明AI系统可能对营销有用。 但是，“许多公司正艰难地获取实质性回报”这一观点，与跨国咨询公司Akkodis的另一项最新调查不谋而合。该公司联系了两千多名企业高管后发现，对本公司AI实施策略“非常有信心”的CEO比例，已从2024年的82%骤降至今年的49%。企业首席技术官的信心也有所下降，尽管降幅没那么大。Akkodis的调查称，这些变化“可能反映了先前在数字化或AI项目上令人失望的结果、实施中的延迟或失败，以及对可扩展性（scalability）的担忧。” 上周，媒体对麻省理工学院媒体实验室研究的报道，恰逢英伟达（Nvidia）、Meta和 Palantir 等高估值的AI相关股票下跌。当然，相关性不等于因果关系，OpenAI首席执行官萨姆·奥尔特曼（Sam Altman）最近的言论可能在这次抛售中扮演了更重要的角色（鉴于近期的价格涨幅，抛售在所难免）。据CNBC报道，奥尔特曼在一次与记者的晚宴上表示，目前的估值“高得离谱”（insane），并在15秒内三次使用了“泡沫”（bubble）一词。 尽管如此，麻省理工学院的这份研究还是吸引了大量关注。在最初一轮新闻报道之后，有消息称，与许多科技公司有联系的媒体实验室正在悄悄限制对该报告的访问。我留给该组织公关办公室和两位报告作者的信息都石沉大海。 尽管这份报告比一些新闻报道所描述的要微妙，但它无疑对2022年11月OpenAI发布ChatGPT以来支撑科技繁荣的宏大经济叙事提出了质疑。这个叙事的简版是：生成式AI的广泛传播对工人（尤其是知识工作者）不利，但对公司及其股东却极为有利，因为它将带来生产率的巨大飞跃，并因此带来丰厚利润。 为什么这一幕似乎还没有发生？一个可能的原因让人想起了上世纪八九十年代的一种观点，即管理失误限制了计算机带来的生产力效益。媒体实验室的研究发现，一些最成功的AI投资是由初创公司做出的，它们在工作流程的狭窄领域使用了高度定制化的工具。而在“生成式AI鸿沟”（GenAI Divide）的另一边，那些不太成功的初创公司“要么在构建通用工具，要么试图在内部开发能力”。报告更笼统地指出，成功与失败的分野“似乎不是由模型质量或监管驱动的，而是由（实施）方法决定的。” 可以想象，生成式AI的新颖性和复杂性可能让一些公司望而却步。咨询公司高德纳（Gartner）最近的一项研究发现，只有不到一半的CEO相信他们的首席信息官“精通AI”。但对于媒体实验室报告中凸显的失望记录，还有另一种可能的解释：对于许多成熟企业而言，生成式AI（至少在目前的形式下）根本没有被吹嘘的那么神。“它在头脑风暴和撰写初稿方面非常出色，但它记不住客户的偏好，也不会从以前的编辑中学习，”媒体实验室调查的一位受访者说。“它会重复同样的错误，每次会话都需要输入大量上下文（context）。对于高风险的工作，我需要一个能够积累知识并不断改进的系统。” 当然，有很多人觉得AI很有用，也有学术证据支持这一点：2023年，麻省理工学院的两位经济学家发现，在一项随机试验中，接触ChatGPT的参与者能更快地完成“专业写作任务”，写作质量也有所提高。同年，其他研究团队也发现，使用Github的Copilot（一款AI编程助手）的程序员，以及使用了专有AI工具的客户支持代理，都获得了生产率提升。媒体实验室的研究人员发现，许多员工正在工作中使用他们的个人工具，如GPT或Claude；报告将这种现象称为“影子AI经济”（shadow AI economy），并评论说“它带来的投资回报率（ROI）”往往优于雇主发起项目。但问题依然存在，而且这肯定是公司高管们会更频繁提出的问题：为什么没有更多的公司看到这些效益体现在最终的（公司）利润中？ 部分问题可能在于，生成式AI虽然引人注目，但在经济的许多领域中应用有限。休闲和酒店业、零售业、建筑业、房地产业和护理行业（照顾儿童、老人或体弱者）——这些行业总共雇佣了大约五千万美国人，但它们看起来并不像是AI转型的直接候选者。 另一个需要注意的重点是，AI在整个经济中的普及很可能是一个漫长的过程。在硅谷，人们喜欢“快速行动，打破常规”（move fast and break things）。但经济史告诉我们，即使是最具变革性的技术，即经济学家所称的“通用技术”（general-purpose technologies），也必须等到配套的基础设施、技能和产品发展起来后，才能最大限度地发挥其效用。而这可能是一个漫长的过程。苏格兰发明家詹姆斯·瓦特（James Watt）在1769年发明了他的圆筒蒸汽机。三十年后，英国大多数棉纺厂仍在使用水车提供动力，部分原因是运输用于蒸汽机的煤炭很困难。直到19世纪初蒸汽火车发展起来，情况才有所改变。电力的普及也很缓慢，并没有立即带来全经济范围的生产率增长。正如索洛所指出的，计算机的发展也遵循了同样的模式。（从1996年到2003年，美国整体经济的生产率增长终于提速，许多经济学家将其归因于信息技术的延迟效应。但随后，增长率又回落了。） 经济学家认为，在某些情况下，新技术甚至可能降低生产率增长，因为它们具有颠覆性，难以融入现有的工作方式。直到后期，生产率的提高才会显现出来——这种模式被称为“J曲线”（J curve，指一项新技术在应用初期，由于投入成本高、需要时间适应和流程再造，生产率先会下降，形成J的底部；随后，随着技术成熟和配套完善，生产率会迅速攀升，形成J的上升部分）。今年早些时候，来自不同机构的四位经济学家发表了一篇论文，认为美国制造业现在可能正处于AI“J曲线”的下降部分。在与人口普查局合作收集了企业层面的AI采用数据后，经济学家们表示，他们发现的证据表明“短期绩效损失先于长期收益”。该研究的作者之一、多伦多大学教授克里斯蒂娜·麦克埃尔赫兰（Kristina McElheran）在麻省理工学院斯隆管理学院发表的一篇相关文章中写道：“AI不是即插即用（plug and play）的。它需要系统性的变革，而这个过程会带来摩擦，尤其是对老牌企业而言。” 如果从表面上看，这个论点对企业来说终究是乐观的——尽管对那些技能可以被AI复制的工人来说未必如此。（正如一些入门级程序员已经发现的那样，后者完全有理由感到警惕。）在技术的J曲线上，一旦“摩擦”被克服，生产率就会腾飞。但由于沿着曲线的旅程可能很漫长，因此很难预测谁将成为赢家和输家。在互联网商业化浪潮中，许多最终的赢家直到2000年互联网泡沫破灭之后才出现。（谷歌成立于1998年，但直到2004年才上市。Facebook直到2004年才创建，Airbnb直到2008年。）历史不一定会重演。但那些仍在AI热潮中乘风破浪的投资者，现在兑现一部分筹码或许是明智之举。♦
哈哈哈哈，太搞了，我也经常说这些话 没找到图片来源，感觉可以放到 AI IDE 输入框的地方做快捷输入 https://t.co/dziI4qfZhD
只要你拥有常识，就可以在任何一个行业里打败90%的竞争对手 比如相关性不等于因果性，比如手段服务于目标 你随便挑个行业，90%的从业者对这件事情都是一头雾水 今天中午在一个餐馆吃饭，桌子上放了一个百宝箱，里面有牙线，有头绳，有擦镜布 可是竟然没有餐巾纸 干掉这种竞争对手，根本不需要有餐饮从业经历。只需要有基本常识
关于 ChatGPT 为什么喜欢用破折号，这个问题的原因似乎现在还没有定论，不过刚看到一篇博客分析这个问题，还挺有趣。 先说一个有趣的问题是 AI 特别喜欢用 "delve"（深入探究）这个词。 这个现象的答案是已知的：RLHF（人类反馈强化学习）。 简单说，AI 模型训练的最后一步，是雇佣大量的人类“导师”来给它的回答打分。OpenAI 雇佣的导师很多在肯尼亚、尼日利亚等非洲国家。而在这些地区的“非洲英语”中，"delve" 是一个非常常用且得体的词汇。 于是，当 AI 用 "delve" 时，非洲的导师们觉得“这话说得不错”，就给了高分。AI 就此学会了：“哦，客户喜欢我用‘delve’。” 那么，破折号也是因为这个原因吗？ 作者顺着这个思路去查证：是不是非洲英语里也特别爱用破折号？ 结果，并不是！ 尼日利亚英语破折号的出现频率（每词 0.022%）远低于普通英语的平均水平（0.25% 到 0.275%）。 这说明，“深入探究”（delve）和“破折号”（—）这两个 AI “口音”，来源并不相同。 作者最终发现了一个决定性的线索：时间。 大家回忆一下，2022 年底的 GPT-3.5，其实并没有这个毛病。这个“破折号上瘾症”是在 GPT-4 和 GPT-4o 身上才集中爆发的。 不只是 OpenAI，谷歌和 Anthropic 的模型，包括一些中国的大模型，都开始用破折号。 那么，从 2022 年到 2024 年，所有 AI 实验室的训练数据，到底发生了什么共同的变化？ 答案是：AI 公司的“数据荒”来了，它们开始疯狂“喂”AI 吃书——特别是“旧书”。 在 2022 年，AI 主要吃的是互联网上的公开数据、盗版电子书（比如 LibGen 上的）。但很快，这些数据就不够用了，而且质量良莠不齐。 为了让模型变得更“有文化”、更“高质量”，AI 公司们（法庭文件显示 Anthropic 在 2024 年 2 月开始了这项工作，OpenAI 只会更早）启动了一个庞大的工程：大规模扫描实体书，把纸质书数字化，作为训练数据。 好了，破案的最后一块拼图来了。 既然 AI 吃了大量（可能是几百万册）扫描的纸质书，那么这些书是什么年代的呢？ 盗版电子书网站上的书，大多是当代流行读物。而 AI 公司为了“填饱肚子”并绕开版权，扫描的书中，有很大一部分是更古老的、已进入公共领域的作品。 作者找到了一个关于英语标点符号使用频率的研究，它显示： 破折号在英语文学中的使用频率，在 1860 年左右达到了顶峰（约 0.35%），在 19 世纪末和 20 世纪初的使用率，远高于当代英语。 作者举了个例子：著名的《白鲸记》（Moby-Dick，1851年出版）一书中，破折号出现了 1728 次！ 真相至此水落石出： 我们现在用的最先进的 AI，它的“标点符号观”并不是从 2020 年的互联网学来的，而是从 1890 年的旧小说里继承的。 AI 公司们为了获取“高质量”的语料，把大量 19 世纪末、20 世纪初的文学作品喂给了模型。AI 忠实地学习了那个年代的写作风格——其中就包括对“破折号”的狂热喜爱。 当然，作者也承认，这仍然是一个基于证据的推测，还有一些小疑问没解决： 1. 为什么 AI 只学会了用破折号，却没有学会像《白鲸记》的船长那样说话？ 也许模型只是吸收了标点符号这种“潜意识”的风格，而没有吸收具体的用词？ 2. 有没有更简单的解释？ 比如，Sam Altman 曾随口提过，他们发现 RLHF 的人类导师“似乎更喜欢”带破折号的回答，觉得那样更“口语化”，所以就“多加了点”。 不过，综合来看，“扫描旧书”这个理论目前是最有说服力的。它完美地解释了为什么 GPT-3.5 不会，而 GPT-4 之后的模型（它们都大量训练了新的书籍数据），然后集体对破折号“上瘾”了。 有兴趣可以看看原文：https://t.co/BxRnoWxsnS
一群没有在业务里执行过的人 默认自己上学 18 年之后就可以执行力爆表
在看完 yc 最近的思考后，我重新梳理了一个核心观点： Your media is your reality show. 你的自媒体不是在输出内容，而是在直播你的人生。 在 AI 时代，脚本可以被复刻，特效可以被生成，但「真实过程」无法被伪造。 观众看的不是结果，而是你如何在镜头前解决问题、承受风险、突破自我。 创作者必须成为自己的导演与演员。 你输出的不是视频，而是「过程叙事」——一种让人相信你、陪你一起成长的动态剧本。 每个系列项目、每场挑战、每次崩溃重启，都是你品牌的连续剧。 你做的不只是内容，而是一场可持续的真人秀创业实验。
在最近 @chuhaiqu 的分享中，我重申了一个核心观点： Your startup is a media company. 你的创业公司首先是一家媒体公司。在AI时代，代码和产品可以被快速复制，但信任和叙事（narrative）无法被复制。 创始人必须成为首席故事官，你输出的不是内容，而是公司的战略资产和护城河。
作为一个屁民， 屏蔽以下用户可以B站免广告 @262ce400-cb @ca419964-6b @ba62e6dc-3 @9772b388-e7 @7be292d4- @54e05722-c4b6 @b8c94999-4b6e-44 @4b6d1f86- @557dd4b6- @46db70e0- https://t.co/D3bZf8RhK4
翻译整理自原推：来自伊利亚（Ilya）证词的重磅爆料 在最近曝光的一份法庭证词中，人工智能界的风云人物伊利亚·苏茨克维（Ilya Sutskever）揭露了一系列关于OpenAI高层之间复杂斗争的内幕。这些内情听起来甚至比电影剧本还精彩。 首先，这份证词指出，伊利亚与米拉·穆拉蒂（Mira Murati）密谋了一年多，试图罢免OpenAI的CEO山姆·奥特曼（Sam Altman）。而在另一边，当时Anthropic的CEO达里奥·阿莫代（Dario Amodei）则希望能趁乱夺取OpenAI的研究控制权，甚至要求直接解雇联合创始人格雷格·布罗克曼（Greg Brockman），自己接管全部的研究事务。 此外，米拉还曾告诉伊利亚，山姆·奥特曼故意挑拨她与另一位高管丹妮拉（Daniela Amodei）的关系。同时，米拉还向伊利亚透露了另一个惊人的秘密：格雷格曾经被Stripe公司解雇过。不仅如此，她还提供了山姆与格雷格之间私人短信的截图，进一步加深了内部的不信任感。 在这些矛盾激化的背景下，伊利亚最终撰写了一份长达52页的备忘录，指控山姆存在严重的不诚实和操纵行为，力求推动董事会罢免山姆。此外，他还单独起草了一份专门针对格雷格的文件，似乎想彻底清洗掉高层中的问题人物。 值得注意的是，这场斗争的导火索之一，是由当时董事会成员之一、Quora创始人亚当·德安杰洛（Adam D'Angelo）亲自要求伊利亚撰写上述备忘录而引发的。但令人意外的是，伊利亚在行动之前并未预料到OpenAI员工会对山姆的被解雇表现出如此强烈的反应。事实上，山姆被董事会解除职务后，700多名员工集体抗议，迫使董事会在短短五天内将山姆重新请回了公司。 如今，伊利亚显然陷入了舆论的旋涡，而OpenAI则承担了他这场官司所产生的全部律师费用，这又给整个事件增加了另一层意味深长的色彩。 可以说，这场AI巨头内部的权力斗争，不仅暴露了硅谷明星公司幕后的残酷现实，也让我们对所谓的高层精英有了更真实、更复杂的认识。
这几天这种未来感的半透明发光卡片很火，如何制作的提示词我也分享过，不过要做好也不太容易： - AI 画图中文支持不好，经常出现乱码 - 生成结果参差不齐，需要多次抽卡才能得到一张比较好的结果 - 成本较高，需要反复生成多张，需要长时间等待 但是你看我现在这张，效果就还挺好，中文文字、头像和认证标签都清晰准确，甚至表情符号都能正常显示，那么要怎么做到这样的效果呢？ 🧵
于此同时 Sam 和老马依然在拌嘴，评论区这都有磕 CP 的我服了 Sam 说想退自己定了七年的特斯拉，老马就在下面说他偷了非盈利组织 老马说他没限制 Sam 在 X 上的热度，Sam 没他粉丝多，但是浏览量远高于他，Sam 说这是因为他菜，哈哈哈哈 https://t.co/aTKOjp5eej
我现在是明白了，AI 编程最大的拦路虎是 环境安装、Git、VS Code… 我专门做了一门「零基础 AI 编程入门课」 教你 1 小时跑通第一个 AI 程序 ⚡️ 不需要写一行代码， 从安装 → 运行 → 上传 GitHub → 部署上线， 全流程手把手带你搞定。 📘 免费学习，限前 200 名进微信群 领取方式 👇 ❤️ 点赞 + 🔁 转推 💬 评论「AI」 👤 关注我（不关注没权限私信）
Open AI 宫斗闹剧 Ilya 证词泄露，终于有当事人的描述了！ PPT 真是好用啊，Ilya 搞 Sam 也用的 PPT，我整理了所有的要点👇： · Ilya 承认他一直在等待董事会大部分成员与 Sam 关系恶化，以使其能够提议罢免 Sam · Ilya 考虑罢免 Sam 最少有一年多的时间，但没有长期计划 · Ilya 准备了 52 页 PPT 发送给了董事会的独立董事 · 用了阅后即焚方式发送 ppt，因为担心被人泄露给 Sam · 也起草了一份批评 Greg 的 PPT 发给了董事会 · PPT 对 Sam 的核心指控是“SAM 表现出持续撒谎、破坏他的高管、以及挑拨他的高管之间关系的一贯模式” · PPT 中的大部分截图都来自于 Mira · PPT 里面一个 Sam 挑拨离间的核心例子是 MIRA 告诉他 SAM 挑拨了 DANIELA 与 MIRA 之间的关系 · 另一个例子是SAM 撒谎、破坏 MIRA 和 ILYA 的关系，以及挑拨 JAKUB 对抗 ILYA · 里面还有 Anthropic CEO 的事情，当时还没离开 Open AI 的时候 DARIO 想要运营 OpenAI 的所有研究部门，并要求解雇 GREG · Ilya 觉得 Sam 当时根本就不应该考虑他的条件应该直接拒绝，但是显然 Sam 还想过接受，如果接受了那可能就没有现在的 Anthropic 了 从内容来看 Ilya 由于一直不认同 Sam 的管理方式，但是没有详细计划，完全依赖 Mira 的二手信息，被董事会推一把就上了，然后直接承担了最差的后果，看来顶尖科学家的脑子也确实不适合宫斗。 内容来自加州北区地方法院奥克兰分部审理相关案件时 Ilya 的一个小时录像泄露的证词
SafePal Fiat24万事达U卡注册教程：瑞士银行独立账户可转账、0费开卡，出入金直转港卡+免费X1硬件钱包 这是我见过的最硬核的"U卡"，由币安投资孵化的加密钱包品牌 SafePal 联合瑞士银行 Fiat24 推出的这张卡，优势多到三两句根本说不完。 我认为每个朋友都应该申请一张，目前成本极低，窗口期可能收紧，建议尽早完成开户与 KYC 核心优势一览 ✅ 0 开卡费、0 年费、0 充值费、极低手续费（目前 SafePal 会返还所有费用，除了换汇手续费，和部分银行会收取中转行费用） ✅ 独立瑞士银行账户（IBAN）：可与其他银行互相转账 ✅ 支持 5 种货币：人民币、美元、欧元、瑞士法郎、USDC ✅ 大陆银行直连转账，支持直接转账到国内银行卡（受外汇管制，需要合规哈） ✅ 香港银行卡出金，部分港卡无中转行费用，磨损最低 ✅ 多场景消费：微信、支付宝、美团、Apple Pay、Google Pay ✅ 国外服务订阅：ChatGPT、Claude、Twitter 蓝V、Telegram、亚马逊 ✅ 美股入金：支持盈透证券、嘉信券商 ✅ 免费硬件钱包：使用邀请码注册即送 SafePal X1 （需要使用邀请码 596842 注册） 这不是普通的虚拟卡，而是真正带有瑞士银行独立账户（IBAN）的银行服务（后面我在起个帖子来详细介绍 IBAN，以及为什么很重要），也就是说这个账户可以对外转账，可以接收国际汇款。找中介办一张瑞士银行账户价格可不低。 相当于 SafePal 链接了传统金融和 Web3 世界，只需要一个 App 就能实现传统金融和虚拟货币之间的来回切换、兑换、转账，所以这张卡不是普通的 “U卡”。 别家 U 卡只能刷，SafePal 的 U 卡还能让你把钱转出来！完全不在一个等级，我认为这是 合规出金第一卡，有了这张卡之后，其他虚拟卡我都不看了，没有 IBAN 号码都卡也都不看了。 根据我在银行、第三方支付公司任职和玩港卡外卡的经验，这种卡不多得，后面肯定会提高门槛。 况且随着加密货币市场的发展，出金需求持续增长，提前解决出金问题至关重要。国内 OTC 交易监管日趋严格，冻卡封卡已成常态（黑 Money 风险 + 远洋电诈追溯），传统 C2C 出金风险越来越高。 目前最稳妥的解决方式就是为自己和家人都申请几张 SafePal 银行账户，分散风险，确保资金安全合规，快速出金。 什么是 SafePal？ SafePal 成立于 2018 年，是币安最早投资并孵化的 Web3 钱包品牌。其背后投资人还包括 Animoca Brands 和 新加坡淡马锡旗下的 Web3 基金。SafePal 也是第一个实现币安交易体验的去中心化数字货币钱包。 品牌实力 成立 7 年，未见重大公开安全事故报道 全球 200+ 个国家和地区开展业务 用户超过 2000 万 唯一提供币安官方交易小程序的钱包 什么是 Fiat24 Fiat24 是 HashKey、SafePal 等机构投资的一家瑞士 Web3 银行，获瑞士金融市场监管局（FINMA）发放牌照，结合区块链智能合约和传统瑞士银行账户。它可以实现转账、支付、存储等功能，是区块链世界和传统金融的桥梁，还能为各种 DApp 提供法币支持。 SafePal 与 Fiat24 的关系 SafePal 对 Fiat24 瑞士银行进行了战略投资，而 SafePal 本身还有币安的支持，背景相当强大。这种合作关系确保了服务的合规性和安全性。 出入金功能 这是 SafePal U卡最核心的功能——真正的出金能力。 出金方式： 1️⃣大陆银行直连转账：通过银行对外转账功能，填写收款人信息直接汇款 2️⃣【推荐】香港银行卡转账：无中转行费用，磨损最低 3️⃣欧美银行转账：支持全球银行 IBAN 转账 4️⃣交易所资金直接出金 SafePal，然后转账到其他银行 入金方式： 1️⃣USDC（Arbitrum）充值到银行账户，USDT 需要换成 USDC 2️⃣换汇为所需法币（可 0 损转换成美元） 3️⃣转账或消费 适用人群 SafePal Fiat24 U卡适合以下人群： 加密货币投资者：需要安全合规的出金通道 跨境工作者：需要多币种账户和国际支付能力 美股投资者：需要向券商入金 海淘用户：需要订阅国外服务或购物 高净值人群：需要瑞士银行账户进行资产配置 Web3 从业者：需要连接加密世界和传统金融 活动福利：目前 SafePal 正在进行限时活动，使用我的邀请码 596842 免费领取 SafePal X1 硬件钱包。 https://t.co/j6CHGeAWLu
YouMind 快速迭代中，上周增加了中文等多语言支持，并上线了视频、播客的学习摘录功能，周末还修复了大量细节问题。 欢迎大家继续使用，无论是温情的夸赞还是猛烈的批评，我们都热情欢迎。 让我们一起：大胆创作，不止于学。
那个...TRAE 招前端后端全栈。有人私聊吗？没有的话我等一下再来问一遍🤓 base 北上广深杭🛫 https://t.co/8hqv9iSbbN
那个什么李新野的 PDF 爆火，毕竟是一本看上去还比较成体系的黄文，虽然没阅读，但根据时间线山的截图，感觉是跟白洁差不多的东西 这种文学当个稀奇看看也就算了，毕竟人总会有很多自己这辈子都不会做的事情，也只能在文学影视游戏作品中猎奇了 我一向不喜与婚内出轨、勾引大嫂、恋爱劈腿者为伍，从来都是敬而远之，因为觉得他们跟二五仔没区别，今天能玩弄感情，明天就能背信弃义 记得有一个从小就认识的同学，当时也能算友人，大学时，此人跟来武汉玩的远房亲戚睡了，一起吃烧烤喝酒的时候吹牛，大谈自己是怎么维持女友关系又持续偷腥的故事，当晚我就默默删除了其所有联系方式、不再来往
今年读过最有启发的书就是非对称风险。 目前的投资策略也按照这本书的观点来，投资最重要的是：1. 永远留在牌桌上，不被不确定性打到。 2.抓住所有认知内确定性的机会。 用90%买几乎绝对安全的稳定资产，10%投资明显的机会，风险拉满那种，比如七八月份的谷歌，如果能花几千刀买入一堆otm options现在已经是几十万的收益了。这是全仓买入整股完全达不到的收益，即使黑天鹅到来，10%的亏损也无所吊谓。
今天有人问我：为什么你愿意在引流款里面毫无保留地讲东西 那利润款还怎么做 我说这个事情的答案是：你要有 10 层储备，引流款讲 3 层，利润款讲 3 层 还剩 4 层，不是我不想讲，而是没人对我这套晦涩难懂、不能快速变现的商业本体论感兴趣 要搞清楚这套东西，我们得先从路德维希·冯·米塞斯的《人的行动》开始讲起 …… 所以真正的问题不在于，你有 1 层储备，你要怎么分配 而是你要花多久，才能搞到 10 层储备 不要从顾客身上找答案，从自己身上找答案
搞流量难，是因为我们以赚钱为前提 当放弃了赚钱，搞流量就会和呼吸一样简单 反之同理，如果你发现有一件事情，让你搞流量像呼吸一样简单 大概率，与钱无缘了
雾满拦江在《金钱的秘密》一书的总纲里面写到 如果你的学习成绩很糟糕，你可以不用细读这一章 如果你的学习成绩很好，那你一定要仔细阅读这一章
未来风推文展示 Sora 或者 ChatGPT 一张 X 推文截图 和 头像照片（可选） 不是很稳定，中文支持不好，需要多次抽卡 ----提示词开始---- 一张 9:16 竖版、逼真的赛博美学未来社交媒体推文展示卡片照片：只手拿着一张竖直半透明的亚克力卡片，占据了大部分画面。上面显示着一条推文界面，卡片有平滑的圆润边缘，闪烁着柔和的霓虹灯光，呈现出粉色、紫色与蓝色柔和渐变的霓虹光晕。背景黑暗而模糊，以突出发光的边缘。卡片表面如水晶般清澈，推文的细节仿佛雕刻，信息排版整洁美观，文字大小适中，布局宽松而舒适有丰富留白不拥挤，包括： * 圆形头像（位于左上角，留白合理） * 名字和带认证徽章的用户名（头像右侧，适当间距） * 推文正文（中字号） * 发布时间（小字号） 手指上的灯光反射看起来富有电影感和氛围感，营造出一种高科技的全息氛围。
鸡不会赚钱，简直天理难容 这是商业短板太短的表现 可惜在国内给鸡赋能不合法 等我年纪再大一些，真应该去一个给鸡赋能合法的国家 掀起一些风浪 🌊
语言的边界就是思考的边界 要保持审视每一句话、每一个词的习惯 比如「万般皆下品，唯有读书高」 这句话出现的原因是，有人希望你把好东西视为「下品」，把坏东西视为「高」 所以他们才能得到那个被你视为「下品」的好东西 这句话作为语言，和猪圈、羊圈没什么区别 如果有人信了这句话，猪圈就成了这个人思维的边界 这个人就成了猪 这里的“猪”并不是通常意义上的脏话，用来骂人 而是类似沃尔玛供应链里面的猪肉，变成别人的资源
商业问题搞到最后，就五个字：总成本领先 比如为啥要做引流款 我在朋友圈卖线下课，只需要解决 物有所值/物超所值 的问题 如果我在抖音/小红书卖线下课，我要在商品卖点打动人的同时，还要保证这个内容可以打动算法 工作量增加 100 倍 这还是明面上的 实际上如果你真干过就会发现，观众希望我可以改变他们祖宗十八代的命运 而一旦你开始尝试去满足这一点，丢掉的是整个灵魂 不要和恶魔交易
太美了，可以呆一下午。怎么会有女人喜欢逛街呢？ https://t.co/XFuasRuDgy