再過幾年，每一台電腦、每一台機器人，都可能是一座微型 Data Center。 傳聞 Apple 正在開發的 M7 Ultra，最高可支援 1.5TB 統一記憶體。雖然規格與上市時間尚未確認，但趨勢已經很明顯： 本地端機器只會越來越強，模型則會透過量化、蒸餾與稀疏化，變得越來越小、越來越有效率。 今天需要 Data Center 才能運行的模型，幾年後可能一台 Mac Studio、AI PC，甚至機器人就能跑。 未來大型 Data Center 仍會負責訓練 Frontier Model；但日常的 AI Agent、影像生成、資料分析與機器人決策，會有越來越多直接在本地完成。 尤其當機器人大量普及後，每台機器人都需要強大的晶片處理視覺、語音與動作，但它們不會 24 小時工作。 在充電或待機時，這些閒置算力就可以被釋放出來，處理批次推論、模型評測、影片生成等可拆分的任務，再替主人賺取收入。 當然，一萬台分散式電腦不等於一座萬卡 GPU Cluster，它們不適合共同訓練同一個超大型模型，卻可以同時完成一萬個不同的推論任務。 所以 Data Center 不會消失，但算力也不會永遠只集中在 Data Center。 上一個時代，是每個家庭都能上網。 下一個時代，可能是每個家庭都能提供算力，讓電腦與機器人在閒置時，繼續替你工作、創造被動收入。

在長假結束前把《控制：共振》通關了，遊戲時間大概 30 個小時左右，包括主線和部分支線，從遊戲長度來說份量還是足足的。 因為核心玩法的改變（從射擊到近戰），加上遊戲場景從室內轉移到室外，除了故事、角色和世界觀上的繼承，和前作相比完全是兩個遊戲，對於一款續作來說還挺難得的。 遊戲的關卡設計和藝術風格可以說是長板中的長板。關卡方面隨著遊戲進程的推進，可以說是一關比一關精彩，尤其到最後階段的未知領域，錯綜凌亂但複雜有序的設計相當令人驚艷。搭配上遊戲標誌性的飽和色和高對比視覺藝術風格，在當下行業里絕對是滿分的水平。 戰鬥方面的成長路線我覺得還有一定商榷空間。一方面是主角技能成長在前期的爬坡階段過於緩長，以至於在相當一段時間里不得不一路平 A 過去，玩得有些吃力。另一方面是雜兵戰的設計，總兵搭配小兵的邏輯和套路能理解，但早期主角技能不足尤其是缺乏遠程技能的情況下，常常被使用遠程的雜兵給屈死，令人相當惱火。當然以上兩個情況在進入中後期，待主角成長起來後，就不是問題了，前提是你不會在前期因為熬不住而流失。 遊戲中的各種細節絕對滿足各種強迫症，無論是 NPC 的對話，還是四處散落的筆記日記錄音帶等信息，或是主線與支線里的對話與劇情，都安排得妥妥當當，有一種別樣的精緻感。 總體來說，《控制：共振》和 Remedy 其他幾款遊戲一樣，屬於長板極長，個性極為鮮明，初見可能很難愛上，而一旦進入心流就會愛不釋手的那種類型。我甚至願意稱這幫人為一群奇才，在愈發趨於保守的一眾 3A 遊戲大作里，敢於做出自我突破的遊戲藝術家。 #ControlResonant# #RemedyEntertainment#

影片中可以看到，系統先用普通 CCTV 畫面標出顧客位置，接著切換成 3D 點雲地圖，用彩色粒子顯示人流，再用藍到紅的熱圖標出「大家視線停留最久的貨架位置」。簡單來說，它不只知道你站在哪，還能估計你的頭朝哪邊看，把注意力對應到特定商品。 🌵 這套技術到底怎麼運作？ Auki 的做法是先用手機快速掃描店面，建立「數位孿生」（digital twin），再把現有監視器畫面接到同一個空間地圖裡。系統會做姿態估計（pose estimation）和視線方向判斷，累積成「這個時段、這一天、這個月，哪些貨架被看最多」的熱圖，再和實際銷售數據對上。 官方強調這是匿名、彙總資料，不會建立個人檔案，也不會辨識你是誰，只是看「整體顧客視線落在哪」。他們說這能幫店家優化陳列：把熱門商品放到大家最常看的位置，或把容易被忽略的商品移到視線較少的角落，減少空檔。 目前已有瑞典 COOP、挪威便利商店、新加坡 FairPrice 等零售商在試用，還結合機器人做貨架盤點。 🔒 相關發展：零售業 AI 監控越來越普遍，但爭議也不少 這不是唯一一套「用攝影機分析顧客」的技術。近年零售業為了防盜，開始大量導入 AI 攝影機： • 英國、澳洲的超市測試人臉辨識，比對「已知竊盜者」黑名單。 • 美國部分折扣超市用面部掃描抓小偷，被批評是「全民監視」。 • 有店家結合 AI 偵測「把商品塞進口袋」的行為，直接通知店員。 這些做法引發隱私疑慮，尤其在歐洲 GDPR 規範下，即使沒有記名，推論出的「注意力資料」也可能被視為個人資料。有專家指出，現有監視器只要軟體升級，就能從防盜變成行為分析，甚至未來可能結合動態定價。 Auki 這套比較特別的地方是它主打「陳列優化」而非「抓人」，而且強調用現有設備、不新增硬體。不過隨著這類空間 AI 越來越成熟，公共空間裡「被分析」的範圍確實在擴大。 未來走進超市，貨架擺設可能不再只靠經驗，而是靠「大家真正在看什麼」的數據來決定。這對店家來說是效率提升，對消費者來說則是「逛街體驗被量化」的開始。你覺得這種技術是進步，還是有點讓人毛毛的？ 🤔

有沒有發現，AI 越來越強，長相卻越來越像寵物？👀 Meta 的 Muse 配上一隻毛茸茸、臉頰紅紅的吉祥物。背後是越來越強大的 AI，呈現在你面前的，卻是一個看起來需要被照顧的小傢伙。( 我覺得這個設計方向很值得研究，尤其是正在做 AI 產品的人。 ⚡️ 其實，100 年前電力公司就做過類似的事。 1926 年，美國 Alabama Power 推出 Reddy Kilowatt，把看不見、摸不得的電，畫成一個有笑臉的卡通角色，用更親切的形象鼓勵大家使用電力。( 🧠 心理學裡有個概念叫「嬰兒圖式」。 大眼睛、圓臉、小鼻子這些特徵，容易讓人覺得可愛，產生照顧的意願。這有實驗研究支持，但不能直接推論成「可愛的 AI 就一定更值得信任」。( 放到 AI Agent 身上，我的理解是：可愛的外型，可能讓人更願意靠近、嘗試，甚至把事情交給它處理。 以前用聊天機器人，你問一句，它回答一句。 接下來的 Agent，則可能需要讀你的信件、看你的行程、操作你的電腦。產品要跨過的門檻，也變成了：「你願意讓它參與多少生活？」 🐣 想像同樣一句「讓我幫你處理」，從一個冰冷的系統視窗，換成一隻會眨眼的小寵物，感受就差很多。 所以我認為，接下來 AI 的競爭，除了能力、速度、價格，也會越來越重視個性、外型，以及相處起來的感覺。 只是，可愛能讓人願意開始使用；要讓人長期放心，還是得靠每一次把事情做好，以及知道什麼時候該先問你。

15个值得关注的AI账号： 1. @karpathy 他的推文创造的LLM叙事，你两个月后会在LinkedIn上看到。 2. @fchollet 发布关于智能、基准和AI局限的深思熟虑研究。Keras创始人+ARC-AGI。 3. @ylecun 深度学习先驱、Meta首席AI科学家；大局观研究和评论（还有drama）。 4. @AndrewYNg AI教育传奇；实用ML建议、课程和真实应用。 5. @rasbt 发布实用ML/LLM实现、'从零开始构建'教程和书籍。 6. @dair_ai 每周ML/AI论文线程和易懂的研究解读（高质量信息流）。 7. @lilianweng 前OpenAI员工，Lil'Log风格线程优质。深度LLM研究分解。 8. @jeremyphoward 发布有趣的AI/加密新闻观点，致力于民主化实用深度学习教育。 9. @simonw 实用LLM工具、观点、实验、提示词和工程分解。Django联合创始人。 10. @_akhaliq 精选最新arXiv论文、模型发布和开源AI项目。 11. @ID_AA_Carmack AGI/低级优化观点，让你重新思考问题。 12. @gwern 高质量长篇AI研究笔记和论文。 13. @goodside LLM评估、提示词研究和真实能力测试。 14. @drfeifei 计算机视觉先驱；以人为中心的AI和空间智能研究。 15. @demishassabis 跟踪他的工作9年了。Demis是我对抗谷歌用AI滥用权力的希望。DeepMind CEO。 告诉我遗漏了谁，保存以备未来参考

想建立高质量的AI信息流，从这15个账号开始！ 这 15 个账号基本覆盖了： 研究 工程 教育 开源 产品 AGI 思考 AI 真实能力评测 @karpathy 他的推文经常提前定义 LLM 叙事。很多你两个月后在 LinkedIn 上看到的 AI 话题，可能他早就讲过了。 @fchollet Keras 作者，ARC-AGI 提出者。经常分享关于智能、本质能力、Benchmark 和 AI 局限性的深度思考。 @ylecun 深度学习先驱，Meta 首席 AI 科学家。观点很宏观，也经常有对 AI 研究路线的批判和讨论。 @AndrewYNg AI 教育领域的传奇人物。内容非常实用，覆盖机器学习建议、课程、产品落地和真实世界应用。 @rasbt Sebastian Raschka，经常分享实用 ML / LLM 实现、“从零构建”教程，以及相关书籍内容。 @dair_ai 高频更新 ML / AI 论文线程，用通俗方式拆解前沿研究，适合快速跟进 AI 进展。 @lilianweng 前 OpenAI 成员。她的 Lil’Log 风格内容非常值得看，擅长深入拆解 LLM 研究和技术细节。 @jeremyphoward 经常分享 AI / Crypto 相关观点，也长期推动实用深度学习的普及和大众教育。 @simonw Django 联合创始人。聚焦实用 LLM 工具、实验、提示词、Agent 和工程实践拆解。 @_akhaliq 持续整理最新 arXiv 论文、模型发布、开源 AI 项目和研究动态，信息流非常快。 @ID_AA_Carmack 关注 AGI 和底层优化问题，很多观点能让你重新思考“智能”和“工程”的本质。 @gwern 高质量长文作者，擅长 AI 研究笔记、深度 essays 和长期主义视角的技术观察。 @goodside 专注 LLM 评测、提示词研究和真实能力测试，经常能看到非常细的模型行为观察。 @drfeifei 计算机视觉先驱，关注以人为中心的 AI、空间智能和未来 AI 研究方向。 @demishassabis Google DeepMind CEO。长期关注通用 AI 的未来方向，也是理解 DeepMind 路线的重要窗口。 大家还有要补的吗？评论区👇👇👇👇

Image-2搞了一套书籍总结的图文笔记提示词，效果很稳定 提示词如下⬇️ 生成一张【中等信息密度】书籍总结信息图海报，主题为《{书名}》。 ⸻ 🔶 Step 0（关键前置判断） 在开始生成之前，请先判断这本书更接近哪一类（可多选）： * 认知成长类（思维 / 自我提升） * 商业 / 财富类（赚钱 / 职业 / 投资） * 心理 / 情绪类（关系 / 内在 / 人性） * 小说 / 故事类（叙事 / 人物 / 隐喻） 👉 然后根据类型，调整表达重点与结构侧重（不是改外观，是改内容逻辑）： 类型内容侧重点 认知类模型 / 思维方式 / 误区 商业类杠杆 / 决策 / 方法 心理类情绪机制 / 人性 / 关系 小说类人物 / 冲突 / 隐喻 /主题 ⸻ 🎨【整体风格】 现代极简UI + 轻复古插画风 柔和浅色背景（奶油 / 米色 / 浅灰） 低饱和配色（深绿 / 深蓝 / 棕色） 👉 气质关键词： * 安静 * 有内容 * 可以慢慢读 ⸻ 🧩【核心原则（非常重要）】 ❗不要使用固定模块标题 ❗不要强行凑“结构完整” 请根据书的类型与内容，自然组织信息： 👉 可以： * 合并 / 删除模块 * 调整顺序 * 改写所有小标题 * 强化某一部分（例如小说就弱化“方法论”） 👉 目标： 更像“一个读懂的人在讲”，而不是“整理笔记” ⸻ 🟡【内容模块（按“信息类型”动态组合）】 以下不是模板，而是素材池👇 👉 请按书籍类型自由选择 + 重组 ⸻ ① 开场（一定要有） * 书名（视觉中心） * 作者 * 一句话洞察（必须像人话） 👉 根据类型调整语气： * 认知类 👉 “你以为是A，其实是B” * 商业类 👉 “问题不在努力，而在杠杆” * 心理类 👉 “很多痛苦，其实来自…” * 小说类 👉 “这是一个关于……的故事” 👉 插图要有“隐喻意义” ⸻ ② 把这本书讲清楚（核心理解） 不要写“核心思想”，可以这样表达： * “这本书真正想说的，其实是…” * “如果只讲一件事，那就是…” 内容包含： * 核心观点（Core Thesis） * 它在回应什么现实问题（Problem） 👉 根据类型变化： * 小说 👉 可以写“故事的底层主题” * 心理 👉 强调“为什么人会这样” ⸻ ③ 最值得带走的东西（重点区） 标题风格要自然，例如： * “读完之后，很难不改变的几个点” * “慢慢会影响你的，是这些” 根据类型调整内容👇 ⸻ 👉 认知类（偏模型） * 思维误区 * 认知升级点 * 决策方式 👉 商业类（偏行动） * 杠杆 * 赚钱逻辑 * 策略选择 👉 心理类（偏感受） * 情绪机制 * 关系洞察 * 内在模式 👉 小说类（偏理解） * 人物选择 * 冲突 * 象征意义 ⸻ 每个要点： * 一个短句观点（必须像人说话） * 1–2句解释 * 小图标 ⸻ ④ 一个“关键结构”（视觉核心） 标题自然表达，例如： * “所有内容，其实围绕这个结构” * “理解这本书，可以用这张图” 根据类型自动变化👇 类型推荐结构 认知思维模型 / 决策路径 商业杠杆系统 / 赚钱闭环 心理情绪循环 / 行为模式 小说人物关系 / 冲突结构 / 命运轨迹 ⸻ ⑤ 书里的例子 / 片段（更像讲故事） 标题可以是： * “书里有几个地方，让人印象很深” * “这些片段，其实说明了什么” 根据类型变化👇 * 商业 / 认知 👉 案例 * 心理 👉 场景 / 情绪 * 小说 👉 剧情片段 每条： * 一句话 + 图标 * 要有画面感 ⸻ ⑥ 一些会留下来的句子（金句区） 标题风格： * “有些话会在之后想起” * “值得慢慢读的几句话” 👉 留白感要强（视觉重点） ⸻ ⑦ 可以带走的改变（行动区） 标题： * “如果只做一点改变” * “你可以从这里开始” 根据类型调整👇 类型行动方式 认知思考方式改变 商业具体行动 心理觉察 / 关系改变 小说人生感悟（轻行动） 要求： * 3–5 条 * 必须具体 / 可执行 / 可感知 ⸻ 🎯【设计细节】 * 自适应网格布局（不要死板对称） * 卡片化信息（留白优先） * 图文比例约 6:4 * 插图统一风格（手绘 / 线性） * 层级清晰（重要信息更大） ⸻ ✍️【语言风格（决定质量）】 ✅ 要： * 像人讲书 * 有理解、有筛选 * 有一点“顿悟感” ❌ 不要： * “本书讲了…” * “定义是…” * 空话 / 套话 / 过度总结 ⸻ 📦【输出要求】 * 中文（可少量英文点缀） * 信息密度中等 * 适合社交媒体传播（小红书 / 推特 / 海报） ⸻

一天迁移 5000 万行 Ruby 代码，抵一个团队两个多月。这是 Anthropic 新旗舰 Claude Fable 5 干的。又慢又贵，但能啃硬骨头。它从今天起免费 13 天（6/10–6/22）。下面这些看完再上手，别浪费窗口。 1/ 它是什么：Fable 5 就是 Mythos 5 加了一道更严的安全护栏，底层性能一样。100 万 token 上下文，单次输出 128K，知识截止 2026 年 1 月，模型串 claude-fable-5。现在对所有人开放的最强公开旗舰，不过还是 preview。 2/ 跑分：SWE-Bench Pro 80.3%。Opus 4.8 才 69.2%，GPT 5.5 是 58.6%，Gemini 3.1 Pro 54.2%。三篇实测都印证同一条规律：任务越长越复杂，它领先越多。主场是大活，不是改一行代码。 3/ 真实战绩，是生产不是 demo。Stripe 一天跑完 5000 万行全库迁移。Datasette Agent 做完既定目标，还顺手发现并修掉了底层 LLM 库的 4 个 bug。@Mnilax 揪出 Opus 数月没看见的 bug，某钱包解析器 9 个，另一项目 4 个。都是得把整个文件握在工作记忆里才看得见的那种。 4/ 视觉这块被低估了。它能只凭截图重建一个 Web 应用的源码。能用纯像素 harness 从头通关《宝可梦 火红》，没有地图，也没有状态解析。《杀戮尖塔》记忆实验里比 Opus 4.8 多进步 3 倍。截图转代码、图表转数字，这部分值回票价。 5/ 价格：输入 $10、输出 $50 每百万 token，正好是 Opus 的 2 倍。Simon 实测一天烧了 $110.42，其中 89.9% 砸在一个 Agent 项目上。重活吃掉绝大部分预算，这才是它该干的事。喂它琐事，只会烧光额度还零结果。 6/ 用法变了，这条最重要。旧的「逐个喂小活、全程握方向盘」会把它锚在过时模式上。官方四条建议：直接交超出旧模型边界的大活；effort 默认拉 xhigh 或 high；重写旧 skill 和 CLAUDE.md；从「派任务」转向「给目标」，说清楚完成长什么样、怎么验证。 7/ 核心方法论：别再逐字 prompt，给它两类循环。一句话配方是「给模型一个评估指标，让它爬坡」。一类是自纠错内循环，给 rubric，让它跑、收反馈、自我修正。一类是跨 session 记忆外循环，让它自己管上下文。Claude Code 里对应 /goal，CMA 的 Outcomes 会自动 spawn 一个 grader 子智能体打分。 8/ 一个反直觉的点：别让模型自评自己的输出，效果差。换成独立上下文窗口里的 verifier 子智能体来打分。 9/ 记忆的五步：fail 记录错误，investigate 搞清原因，verify 变成已验证事实，distill 提炼规则，consult 直接查规则而不是重推。三代模型恰好卡在不同台阶。Sonnet 4.6 停在第 1 步。Opus 4.7 停在第 3 步，验证覆盖率中位只有 17% 左右。Fable 5 走完全程，最强一次到 73%。 10/ 最硬的一个数：Parameter Golf 挑战里，Fable 5 对训练 pipeline 的改进大约是 Opus 4.7 的 6 倍。行为差异也值得说。它敢押注结构性大改，扛过一次量化回退，最后冲到最大收益，作者说它像敢走高方差路径的研究者。Opus 4.7 拿到首胜后就只重复低方差的老套路。 11/ 一定要懂的护栏机制，叫静默回退。命中网络安全、生物化学、蒸馏这三类，请求会被悄悄回退给较弱的 Opus 4.8。大约 5% 触发，95% 以上的会话从不碰到。API 新增了「命中护栏」通知，把它当路由信息看就行：被标记的活，其实是 Opus 在答。也要留意误报，某个 benchmark 70% 的提示被 flag，Rust 里的 unsafe {}、公开生物数据都可能误触。 12/ 该用还是别用。该用：跨文件重构、全库迁移、长上下文审计、截图重建源码，以及需要跨 session 记忆复利的连续任务。配置上 effort 拉 xhigh，开持久记忆，给它目标加 rubric 让它自驱。别用：改一行、总结邮件这种短确定性活，Opus 或 Sonnet 更便宜；上面三类被标记的活；还有对延迟和成本敏感的交互场景。 13/ 现在就做一件事：13 天里，把你最值钱、最高 effort、一直不敢交出去的大活先排进来。再送你一条能直接套的审代码 prompt：「以从未见过这套代码的资深工程师视角审查整库，别加功能别为品味重构，只找真正的错误：竞态、吞掉的异常、掩盖失败的类型强转、死配置、只在 happy path 成立的假设。每条给出文件行号、原因、影响范围和最小安全修复。」 你打算拿这 13 天先啃哪块硬活？

肉感女孩不管視覺還是觸覺 都會讓人很享受捏 - 💥#轉推愛心領免費福利# 「8🈷️回饋粉絲活動」免費愛愛 《 約愛表單這裡填》☝️