Logo
返回创作者榜
rick awsb ($people, $people)

rick awsb ($people, …

@rickawsb最近同步 2026/9/6 10:14:55
对标蒸馏在 X 查看

瞎读书，乱解释，买啥亏啥，宏观小学生，政经评论外卖员，正在ai中慢慢迷失自我，crypto holder, defi farmer, not financial advice 非投资建议

no where

7日排名
#84
总粉丝
15万
7日涨粉
-17
7日发帖
15
7日曝光
8.3万
帖均曝光
5.5K

上榜记录

当日上榜实时更新；历史记录保留每日增粉、发帖、曝光榜前 5 名。点击可查看对应海报。

暂无进入每日前 5 名的上榜记录

粉丝趋势

近30日每日已结算数据

7日30天

内容表现趋势

曝光/互动与发帖量均按自然日结算

发帖趋势

近30日每日发帖量

7日30天

帖均曝光趋势

每日总曝光 ÷ 每日发帖量

7日30天

参与的话题

共参与 4 个话题

查看话题榜
1哈吉米、猫季与Bonke延续Meme轮动Web3

中文加密圈新一轮讨论继续围绕 Meme 币短线轮动展开，哈吉米、猫季和 $Bonke 成为零散但同向的社交信号。CryptoDanta 称朋友建议其 all in 哈吉米后错过或踏空，表达强烈懊悔；梭教授说则用“这个季叫猫季”概括猫系 Meme 的强势情绪；旧金山不是巴黎提到 $Bonke 这类标的此前通常至少能到约 200 万市值，并直接给出合约地址。该组推文与此前 UNI、mars、fomocat 等山寨和猫系 Meme 轮动脉络相连，核心仍是社交喊单、链上合约传播和短线 FOMO。

参与帖子: 让一个币涨到10亿，需要多少资金？ 现在的龙一告诉我们，只需要不到900万 而如果现在某个玩家想套现100万，那么市值就会瞬间变成8亿， 很多榜一大哥，一个人的持仓，按目前的币价，就能把盘子砸归零 为什么说加密是赌场？因为最后能从牌桌上拿钱离开的，往往只有极少数 https://t.co/wJddG4U4jP
参与 2 帖贡献曝光 4.6万话题热度 5.5K
#哈吉米#猫季#Bonke
2GPT-6 Astra开发体验与Token节省技巧AI

GPT-6 Astra 在中文开发者圈的新讨论集中到 Codex 长任务、模型档位选择和 Token 额度消耗。G哥建议在配置文件中打开 context management experimental_mode，以明显减少长任务消耗；海拉鲁编程客称 Astra 在后端开发场景中整体体验超过 Fable 5.1，尤其是限制更少、medium 档更耐用；小互转述 OpenAI 员工关于重新分配人与 AI 工作的经验。Morris 进一步给出 Astra、Sol、Terra 的额度消耗和适用场景分层，显示讨论已从“模型强不强”转向真实工程成本和工作流管理。

参与帖子: astra强到什么程度呢？ 我有一个半自动客服的复杂工作流程，gpt 5.6 sol high跑的时候人工参与至少需要每个项目半小时 astra将这个时间缩短到了5分钟 同时任务成功率大幅提升（还没来得及统计，但目测至少翻倍） 但不得不说，token是烧的真快啊
参与 3 帖贡献曝光 2.2万话题热度 1.9K
#GPT-6 Astra#Codex#Token消耗
3GPT-6体验回落与AI工作助手预期AI

GPT-6 相关讨论继续从能力惊艳转向真实交付、额度消耗和下一代 AI 工作助手预期。Max For AI 称一次任务运行 20 分钟并消耗 20x 额度的 10% 后，交付结果明显低于预期，建议近期谨慎使用 GPT-6。Inty News 转述奥特曼观点，称 AI 工作助手可能只需再迭代一代模型就会变得“非常有用”。宝玉则补充 Andrew Curran 关于 Anthropic 或已解决纳维-斯托克斯方程存在性与光滑性问题的“预测”，强调该说法尚非正式报道。几条推文共同反映中文 X 对前沿模型的期待与怀疑并存：一边关注工作流可用性，一边关注基础科学突破传闻。

参与帖子: 最近openai等前沿模型公司开始大量采购或使用 Mac mini，这意味着模型公司正越来越快地从卖 Token 过渡到卖可交付的工作结果，这是从 AI-as-a-Service 到 Work-as-a-Service 的转变。 （是的，WaaS将更快干掉SaaS） 过去用户购买 AI，本质上是在购买“智能能力”：输入 Prompt，模型生成 Token，至于这些 Token 如何转化成工作成果，仍主要由用户自己完成。 随着 Agent 和 Computer Use 能力成熟，这个模式正在变化。未来用户越来越可能不再购买“多少 Token”，而是直接购买“完成多少工作”。 因此 AI 商业模式可能经历三步： 卖 Token → 卖 Model + Compute Environment → 卖 Outcome。 Token 会逐渐退到后台，成为模型公司的内部成本指标。真正面向用户的计量单位，可能变成 Agent-hour、Completed Task、Resolved Ticket，甚至 Human-equivalent Work Hour。 模型公司的核心效率指标，也会从“每美元生成多少 Token”，转向“每美元完成多少有效工作”。 这也是为什么前沿模型公司会开始采购大量 Mac mini。 一个能够真正完成工作的 Agent，仅有模型这个“大脑”是不够的。它还需要 CPU、内存、SSD、浏览器、文件系统、操作系统、网络、软件和权限。这些资源共同构成 AI 的“执行环境”。 因此，未来 AI 基础设施可能从两层变成三层： Training Compute → Inference / Reasoning Compute → Environment / Action Compute。 GPU 负责“想”，CPU、Mac、Windows、Linux VM 等环境负责“做”。 Mac mini 的意义就在于，它是一台完整、廉价、可规模部署的真实电脑环境。模型可以在其中打开软件、点击、输入、编辑文件、运行代码、观察结果并继续行动。 对强化学习来说，一台电脑本身就可以成为一个 RL Environment。 如果这种模式有效，模型公司就有动力继续向下整合。它们不仅采购 GPU，也可能大量采购 CPU、服务器、Mac 和其他执行资源，把模型和执行环境一起卖给客户。企业不再需要自己准备电脑、搭 Workflow，只需要提出目标。 这意味着模型公司会从“提供数字员工的大脑”，逐渐变成“直接提供完整数字员工”。 而这又会改变用户使用 AI 的方式。 去年，人设计 Prompt；今年初，人类设计 Skill；再后来搭 Workflow。下一步，用户给 AI 的指令会继续向更高抽象层上移： Prompt → Skill → Workflow → Goal → Outcome。 未来用户可能只需要定义四件事：目标、约束、资源预算和验收标准。 这意味着 Workflow 会从用户预先设计的流程，变成 AI 在运行时动态生成的执行计划。 AI 会自己规划、执行、发现错误、重新规划、重新分配资源。 用户的角色也会从 Workflow Designer 上移成 Objective Designer，从流水线经理变成公司部门经理甚至是ceo。、 未来真正重要的能力是 Objective Engineering：能不能提出有价值的目标，定义合理约束，并规定什么样的结果算完成得好。 这其实是软件抽象层不断上移的延续。最终可能变成： 人负责定义可交付结果，AI 负责分配 Intelligence、Compute 和 Action。 而一旦做到这一点，AI 使用量将出现新的数量级增长。 今天 AI 消费仍受到一个重要限制：人类管理 AI 的带宽。 一个人能设置监督多少 Workflow、管理多少 Agent，还仍是有限的。 但如果未来人只负责提出目标，AI 自己拆任务、管理 Agent 和调度资源，那么一个人可以同时让几十甚至上百个mac mini上的agent同时工作。 这可能是成千上万个agent。 这时个人计算能力的衡量方式，也可能从“我的电脑有多快”，变成： 我能够同时运行多少 Autonomous Work Streams。 于是 AI 算力需求会从单纯的 Token Scaling，进一步变成 Digital Labor Scaling。 长期来看，电脑本身也可能因此发生变化：如果主要使用者变成 Agent，未来机器未必需要屏幕和键盘，而会更强调大内存、高速 SSD、网络、虚拟化、远程管理、Snapshot、权限隔离和 24 小时运行。 Mac mini 某种程度上已经接近一种早期的 AI Worker Box。 软件行业尤其是SaaS也会被改变。Computer Use 让 AI 可以立即操作 Salesforce、SAP、Excel 等现有 GUI，这是一个重要兼容层，但这会让SaaS从前后端全包的软件开始加速变成后台；还能活下来的SaaS 的客户也会从 Human Seat 变成 Human + Agent，收费模式可能进一步从 Seat 转向 Agent、Transaction 和 Outcome。 同时，当 Agent 可以长期操作邮件、代码、CRM、云服务和金融账户时，也会产生新的 Agent Identity、Permission、Audit、Spending Limit 和 Security 基础设施。 最终，这条产业演化链可能是： Token Economy → Agent Economy → Digital Labor Economy → Outcome Economy。 数据中心也可能从今天的 Token Factory，逐渐演变成 Digital Labor Factory： 输入电力、GPU、CPU、软件和数据，输出的是写好的程序、完成的研究和处理完的订单。
参与 1 帖贡献曝光 1.4万话题热度 1.0万
#GPT-6#AI工作助手#Anthropic
4PONS回购销毁与BSC Meme行情分化Web3

中文加密圈继续围绕 PONS、哈基米、BSC Meme 和交易平台收入叙事讨论短线行情分化。憨厚的麦总把 PONS、Hyperliquid 与 cards、pump 对比，认为真正具备回购和销毁机制的币价表现更有启示意义，并质疑部分项目收入和买盘可能存在左手倒右手。风无向延续哈基米上币安合约后的胜利叙事，称自己在质疑筹码问题后仍选择相信判断；Nancy 则贴出 BSC 合约地址，称十倍已达成但暂不退出。Colin Wu 从 gmgn 收入恢复、长期主义和 meme 仍存活切入，认为市场除主流币外主要剩股票币、Meme 币和交易平台币。

参与帖子: 不得不说，hood这次为了让链上美股尽可能多的触达币圈玩家，也是拼了🤣 冲土狗的不愿意买链上美股？那rh就发一个meme，然后拉盘，顺便给每个冲土狗的玩家都送点股票
参与 1 帖贡献曝光 0话题热度 160
#PONS#哈基米#BSC Meme

近7日爆款推文

按近 7 日曝光排序，展示前 10 条。

2
rick awsb ($people, $people)@rickawsb
14.9万 粉丝
曝光1.4万
ai能提出相对论吗？ 能成为爱因斯坦吗？ Claude 在 11 天内完成了费马大定理的端到端计算机形式化验证，意味着，AI 可能正在从“在已有科学表示中计算”，向“参与发明新的科学表示”更近一步。 ai可能距离下一次密度泛函理论（DFT）或者场方程所代表的那类突破，更近了一步。 科学史上很多重大突破，本质上都不是“算得更快”，而是找到新的变量、新的表示。牛顿提出力和加速度，热力学引入熵，量子力学引入波函数，DFT 则把电子密度提升为核心描述对象。 所以科学最重要的能力之一，其实是找到“世界应该如何被表示”。 Claude 这次形式化费马大定理代表了模型已经具备了很强的层级抽象和结构压缩能力。 它也意味着，AI 可能更接近提出DFT、“场方程”这类统一理论。提出 DFT，更像找到更好的表示空间；提出场方程，则更像从大量局部关系中发现统一的全局结构。真正重要的能力包括发现 symmetry、invariance、守恒关系，并用尽可能少的数学结构解释尽可能多的现象。 这样���能用更少的计算完成更多的真实世界的模拟。 类似于科学对于人类，就是用简单定理解释复杂世界，从而让有限的脑容量能更多的理解世界。 不过，真正的突破还差一步： AI 不只是重组已有知识，而是自己发现新的变量、新的表示，甚至新的物理概念。 这里，模型规模可能会成为重要因素。 更大的模型拥有更大的表示容量，更可能捕捉复杂的高阶关联和跨尺度关系。它内部可以容纳更大的“候选概念空间”。 当然，参数越多，并不自动等于会产生新理论。 真正关键的是另一种能力： 从高维关联中压缩出稳定、可解释、可验证的低维结构。 也就是说，未来 AI 科学能力的核心，不只是“能处理多少维”，而是： 能不能把一个高维世界，压缩成少数真正有意义的新变量。 如果一个模型能够从数千个自由度中发现一个新的 latent variable，并证明它在不同实验、不同尺度下都保持预测力，那么它就不只是发现相关性，而是在创造新的科学抽象。 这时，应该没人会再质疑，ai能不能提出相对论，ai能不能成为爱因斯坦了。 再往前，就是 Scientific RSI：AI 做研究、产生新工具、新变量和新理论，再用这些成果提升下一轮科研效率。 这将成为RSI的终局！
评论 9转帖 7
3
rick awsb ($people, $people)@rickawsb
14.9万 粉丝
曝光1.4万
最近openai等前沿模型公司开始大量采购或使用 Mac mini，这意味着模型公司正越来越快地从卖 Token 过渡到卖可交付的工作结果，这是从 AI-as-a-Service 到 Work-as-a-Service 的转变。 （是的，WaaS将更快干掉SaaS） 过去用户购买 AI，本质上是在购买“智能能力”：输入 Prompt，模型生成 Token，至于这些 Token 如何转化成工作成果，仍主要由用户自己完成。 随着 Agent 和 Computer Use 能力成熟，这个模式正在变化。未来用户越来越可能不再购买“多少 Token”，而是直接购买“完成多少工作”。 因此 AI 商业模式可能经历三步： 卖 Token → 卖 Model + Compute Environment → 卖 Outcome。 Token 会逐渐退到后台，成为模型公司的内部成本指标。真正面向用户的计量单位，可能变成 Agent-hour、Completed Task、Resolved Ticket，甚至 Human-equivalent Work Hour。 模型公司的核心效率指标，也会从“每美元生成多少 Token”，转向“每美元完成多少有效工作”。 这也是为什么前沿模型公司会开始采购大量 Mac mini。 一个能够真正完成工作的 Agent，仅有模型这个“大脑”是不够的。它还需要 CPU、内存、SSD、浏览器、文件系统、操作系统、网络、软件和权限。这些资源共同构成 AI 的“执行环境”。 因此，未来 AI 基础设施可能从两层变成三层： Training Compute → Inference / Reasoning Compute → Environment / Action Compute。 GPU 负责“想”，CPU、Mac、Windows、Linux VM 等环境负责“做”。 Mac mini 的意义就在于，它是一台完整、廉价、可规模部署的真实电脑环境。模型可以在其中打开软件、点击、输入、编辑文件、运行代码、观察结果并继续行动。 对强化学习来说，一台电脑本身就可以成为一个 RL Environment。 如果这种模式有效，模型公司就有动力继续向下整合。它们不仅采购 GPU，也可能大量采购 CPU、服务器、Mac 和其他执行资源，把模型和执行环境一起卖给客户。企业不再需要自己准备电脑、搭 Workflow，只需要提出目标。 这意味着模型公司会从“提供数字员工的大脑”，逐渐变成“直接提供完整数字员工”。 而这又会改变用户使用 AI 的方式。 去年，人设计 Prompt；今年初，人类设计 Skill；再后来搭 Workflow。下一步，用户给 AI 的指令会继续向更高抽象层上移： Prompt → Skill → Workflow → Goal → Outcome。 未来用户可能只需要定义四件事：目标、约束、资源预算和验收标准。 这意味着 Workflow 会从用户预先设计的流程，变成 AI 在运行时动态生成的执行计划。 AI 会自己规划、执行、发现错误、重新规划、重新分配资源。 用户的角色也会从 Workflow Designer 上移成 Objective Designer，从流水线经理变成公司部门经理甚至是ceo。、 未来真正重要的能力是 Objective Engineering：能不能提出有价值的目标，定义合理约束，并规定什么样的结果算完成得好。 这其实是软件抽象层不断上移的延续。最终可能变成： 人负责定义可交付结果，AI 负责分配 Intelligence、Compute 和 Action。 而一旦做到这一点，AI 使用量将出现新的数量级增长。 今天 AI 消费仍受到一个重要限制：人类管理 AI 的带宽。 一个人能设置监督多少 Workflow、管理多少 Agent，还仍是有限的。 但如果未来人只负责提出目标，AI 自己拆任务、管理 Agent 和调度资源，那么一个人可以同时让几十甚至上百个mac mini上的agent同时工作。 这可能是成千上万个agent。 这时个人计算能力的衡量方式，也可能从“我的电脑有多快”，变成： 我能够同时运行多少 Autonomous Work Streams。 于是 AI 算力需求会从单纯的 Token Scaling，进一步变成 Digital Labor Scaling。 长期来看，电脑本身也可能因此发生变化：如果主要使用者变成 Agent，未来机器未必需要屏幕和键盘，而会更强调大内存、高速 SSD、网络、虚拟化、远程管理、Snapshot、权限隔离和 24 小时运行。 Mac mini 某种程度上已经接近一种早期的 AI Worker Box。 软件行业尤其是SaaS也会被改变。Computer Use 让 AI 可以立即操作 Salesforce、SAP、Excel 等现有 GUI，这是一个重要兼容层，但这会让SaaS从前后端全包的软件开始加速变成后台；还能活下来的SaaS 的客户也会从 Human Seat 变成 Human + Agent，收费模式可能进一步从 Seat 转向 Agent、Transaction 和 Outcome。 同时，当 Agent 可以长期操作邮件、代码、CRM、云服务和金融账户时，也会产生新的 Agent Identity、Permission、Audit、Spending Limit 和 Security 基础设施。 最终，这条产业演化链可能是： Token Economy → Agent Economy → Digital Labor Economy → Outcome Economy。 数据中心也可能从今天的 Token Factory，逐渐演变成 Digital Labor Factory： 输入电力、GPU、CPU、软件和数据，输出的是写好的程序、完成的研究和处理完的订单。
评论 44转帖 6
6
rick awsb ($people, $people)@rickawsb
14.9万 粉丝
曝光1.2万
从费马大定理验证到vibe science：ai的新能力如何重塑科研 Anthropic 昨天宣布使用 Claude 智能体在 11 天内完成了费马大定理（Fermat’s Last Theorem）的端到端计算机形式化验证，全部代码均在 Lean 证明助手 中通过编译。 这项突破的实质在于攻破了超长链条、高难度现代数理工程的自动化形式化壁垒，标志着科学研究正加速从传统的“假说与叙事科学”迈向“可计算、可自动验证的确定性科学”。 将人类自然语言写就的复杂数学成果转化为严谨的机器证明语言，曾被视作需要顶尖学者耗时数年的手工作坊式工程。 而Claude 在 11 天内生成了约 1300 万行 Lean 代码，完成了包含 29,500 个中间定理 的复杂推导。所有逻辑仅基于 Lean 的三条标准数学公理，并已在 GitHub 完全开源。 针对多智能体协作初期出现的上下文丢失与废弃代码问题，团队接入了哥伦比亚大学等开发的 Prove2Me 架构。通过动态维护定理依赖拓扑图（DAG）、解耦定理声明与推导细节、建立自然语言语义索引，数十个 AI 智能体得以在大规模并行中避免任务漂移。 随后进行的小型实验表明，仅需 3 个个人订阅账号，智能体便在 3 天内完成了维诺格拉多夫三素数定理的形式化。高难度形式化验证正从极少数头部算力实验室外溢为普通学者触手可及的基础工具。 这将为基础科学研究带来巨大的推动! 大语言模型在前沿科学探索中长期面临致命瓶颈：缺乏客观环境反馈，极易产生逻辑自洽却根本错误的“幻觉”。自动形式化的成熟为此补齐了最关键的逻辑闭环。 构建理论科学的“零容错评判器”：形式化证明系统充当了数理逻辑的物理引擎。大模型得以在严格公理体系下进行无幻觉的“自我博弈”（Self-play）与强化学习，自主推演新定理、检索反例并试错进化。 打破学科割裂，重组知识拓扑：分散在数以千万计论文中的非结构化知识，正被重构为全球可检索、跨学科互通的定理拓扑网络。计算机能够敏锐识别代数拓扑、量子场论与信息论之间的底层同构，加速催生跨界突破。 这种机器约束下的确定性搜索能力，正在重塑前沿科学理论与工业研发的核心链条，并加速从科研到应用的落地速度。 基础物理与数学的自洽性推演：量子场论、超弦理论与高维引力涉及庞大的张量运算与反常抵消。自动形式化工具能将物理假设转化为公理，快速排查复杂统一理论的隐蔽逻辑漏洞。 芯片 EDA 的全栈形式化等价验证：传统半导体验证占据 60% 以上研发周期且仍无法穷尽隐蔽死锁。大规模自动形式化使 2 纳米及以下微架构、乱序执行核与缓存一致性协议在流片前实现“数学级全状态等价证明”。 生物医药的物理动力学严密约束：在蛋白质设计与药物分子生成中，将热力学定律与反应动力学方程转化为形式化前置规范，能在生成初期用机器证明直接剔除违背物理实际的候选分子。 当自动形式化将繁琐的引理推导、边界检验与繁重验证完全托付给机器，科研人员的角色正迎来本质重构，science正在向coding一样，迎来vibe sicience时刻！
rick awsb ($people, $people) 的图片 1
评论 12转帖 4
10
rick awsb ($people, $people)@rickawsb
14.9万 粉丝
曝光7.6K
我其实并不太认同新模型的边际收益在收窄 模型完成工作的能力、科研能力正在大幅提升 只是对大量的只用模型做vibe coding的用户来说，可能感受没那么明显 正如去年底，只用模型做问答，不用模型来写code的用户，也基本感受不到模型能力的迅速提升 去年底今年初，是普通用户成为码农的黄金时间 现在开始，是码农成为科学家、ceo的黄金时间
评论 12转帖 0