这两个帖之间还有一个帖 上午莫名其妙失踪了 中午又出现了 现在又没有了 There is another post between these two posts. He disappeared inexplicably in the morning. Appeared again at noon. Now it's not there. #怪事发生#

中国有两件怪事正在同时发生。 第一件，银行存款利率已经跌破了1%，100万放银行一年下来利息连1万块都拿不到。 第二件，人民币兑美元的汇率一路涨到6.8，创下了近三年来的新高。 按经济学的普遍认知，一个国家的利率越低，意味着他的钱越没有人要。 按理说，汇率应该是往下走才对，可现在打破认知的来了，利率往地板上再砸，汇率却在往天花板上再顶。 不但如此，还有两件事情同时在发生：

去寺庙、神庙这类供奉神像的地方，说话举止一定要谨守分寸，稍有怠慢失敬，很容易招来不顺，这不是危言耸听。 我身边就有真实事例。我们当地山顶有座十分灵验的神庙，我一位同学上山全程肆无忌惮大声说笑，上完厕所不洗手就直接进殿参拜，全程态度轻浮毫无敬畏之心。拜完下山返程，怪事接连找上门：骑自行车直接摔进山沟，好不容易爬出来，车胎当场爆掉；勉强继续赶路，洗手时手腕上的手表不慎遗失。他后来骑摩托车折返寻找，不仅没找到手表，摩托车半路直接故障抛锚，一整天祸事不断。 很多庙宇门口都会标注禁止喧哗，高声嬉闹本就是对神明、佛像的不敬，心性轻浮没有敬畏，自然容易诸事不顺。 还有一件发生在另一个同学奶奶身上。那座山没有缆车，全程只能徒步攀爬，十分耗费体力。她奶奶提着准备供奉神明的酒上山，爬到半山腰随口抱怨太累，萌生了折返不去的念头。话音刚落，她双腿不受控制跪倒在地，手里的酒瓶顺着层层台阶一路滚落。 按常理，装满酒水的玻璃瓶从高处滚落，基本都会碎裂，可这瓶供奉用的酒却完好无损。奶奶瞬间醒悟，是自己随口生出退意、言语怠慢，触了忌讳，之后便踏踏实实爬上山诚心祭拜。 常怀敬畏之心不是束缚，神明不喜严苛责罚，却看重世人的诚心与尊重，身处供奉圣地，收敛浮躁、谨言慎行，才是修身积福。

这种降糖药还能治心衰？🫀 SGLT2抑制剂，江湖人称列净家族（达格列净、恩格列净等），最初是被请来做“清道夫”的——在肾脏里拦住SGLT2蛋白，把多余的血糖从尿里冲走。 它的剧本写得很清楚：降糖。 但临床医生很快发现一件怪事：这药对心脏好得离谱。 心衰病人吃了它，住院率和死亡率双双暴跌，而且起效快得不像话，几天之内就能感受到获益。 更诡异的是，哪怕病人没有糖尿病，这护心效果照样存在。 这就好比一个被雇来扫地的保洁员，突然被发现其实是隐藏的电工大师。 这个药发挥降糖作用的靶点，几乎不在心脏里面存在。那它到底是怎么保护心脏的？ 2026年8月27日，《Science》上宾夕法尼亚大学的研究揭开了谜底。 研究拿人类衰竭的心脏组织做实验，拿临床常用的恩格列净测试，发现药物会直接激活心脏里的PANK1（泛酸激酶1）。 PANK1负责生产辅酶A，辅酶A的原料来自维生素B5，是细胞制造能量的关键物质。 发生心衰之后，心脏里面的辅酶A会不足，相当于心脏的“能量工厂”缺少关键辅料，心肌就没有力气收缩泵血。 恩格列净能够结合PANK1，提升它的活性，带动辅酶A合成。有了充足辅酶A，心脏就可以充分利用葡萄糖、乳酸、各类氨基酸来产能，ATP能量水平升高，心肌收缩能力随之变好。 研究还做了反向验证：一旦阻断辅酶A合成，这款药物对心脏的保护效果就完全消失。这就坐实了，激活PANK1‑辅酶A通路，就是它护心的核心机制。 这也解释了一个临床现象：为什么病人服药短短几天，心衰情况就能看到改善。 科普提醒： SGLT2i属于处方药，以上只是科研机理科普，不代表可以自行用药，所有使用务必遵从医生指导。

强烈推荐大家看看DeepMind CEO Demis的最新判断。 真的，Google DeepMind 的 CEO Demis Hassabis 每一期访谈我觉得值得都花时间看看。这哥们讲东西很实在，而且通俗易懂。 早上边跑步边听完了他和 YC CEO Garry Tan 的最新一期播客。 刚刚把笔记写完，也给大家分享下。 多说一句，好多人问我这种笔记是不是 AI 写的。我说下自己的流程。 我会先完整听完播客，然后用语音输入法把感触尽量充分地讲出来，再让 AI 帮着整理初稿，最后自己逐字修改优化。 如果全部交给 AI 做总结，那等于把思考和理解的能力让渡给了 AI，对自己理解这件事其实没有任何价值。 OK，咱们进正题。 1 Demis 的态度非常明确，现在的大模型范式（大规模预训练 + RLHF + CoT）一定会是 AGI 最终架构的一部分，他不认为这会是条死路。 但要实现 AGI，还有几个关键问题要解决。这几个问题包括：持续学习、长程推理和记忆系统。 先从最容易看到的现象讲起，Context Window。 现在大模型处理长信息，最常用的招就是把 Context Window 一直撑大。一开始 8k，后来 32k，再后来 100 万 Token。听起来很厉害，但本质上是暴力堆砌。 Context Window 其实就相当于人脑里的 Working Memory，工作记忆。人的工作记忆能同时装多少东西？心理学里有个经典数字，7 个左右。背电话号码能记住 7 位上下，再多就溢出了。 大模型呢？已经做到 100 万 Token。 按理说，模型的工作记忆比人大几十万倍，应该比人聪明几十万倍才对。但显然不是。 问题也恰恰就出现在这。把所有东西都塞进 Context Window 里，里面包含了不重要的东西、错的东西、过时的东西。看起来信息很多，其实是一团乱麻。 那人为什么 7 个数字的工作记忆就够用？ 因为人脑背后还有另一套机制在工作。我们记得几年前的事，记得童年的事，记得几小时前发生的事。这些都不塞在工作记忆里，而是另一套系统。 具体来说这套系统是海马体，大脑里负责把新知识整合进已有知识库的那个部分。 研究发现，人睡觉的时候，特别是 REM 睡眠阶段，大脑会重放白天重要的片段，让大脑从中学习。新东西在睡觉的过程里，温柔地融进了旧的知识体系。 这个把新东西融进旧知识库的过程，就是持续学习。 模型现在没有这套机制。每一次对话结束，刚学到的东西就会忘记。下次重新打开，还是上次那个模型，没长进。 2 再聊聊长程推理的问题。英文表达是 Long-term Reasoning。我翻译为了长程。 长程推理这个词太抽象了。Demis 讲了一个特别具体的故事，听完会立刻明白他说的是什么。 他说自己喜欢跟 Gemini 下国际象棋。下棋的过程里能看到模型的 thinking trace，也就是它在那里到底想了什么。 然后他发现一件怪事。 模型考虑一步棋的时候，思考链里清清楚楚写着，这步是个昏招。但接下来，它没找到更好的走法，于是又走回这步昏招。 明明知道是错的，还是把错的那一步走出去了。 这个细节比任何 benchmark 数据都说明问题。因为它暴露的是模型缺少对自己思考过程的某种内省能力。 正常人下棋，意识到一步是昏招之后，脑子里会有一个反应，停一下，再想想。停一下、再想想这个能力，模型现在没有。它能在每一步局部判断对错，但没法基于整盘棋的局势去调整整体策略。 这就是长程推理还没搞定的样子。模型可以一步一步往前走，每一步看起来都合理，但走到后面整盘棋的方向其实是错的。它没有那种退回到当前思考的上一层、重新审视一下的能力。 说到底，模型缺的是一种内省。 3 学习、长程推理、记忆，这是 Demis 在播客里点出来的三个 AGI 鸿沟。 除此之外，他还反复提到了创造力。 2016 年 AlphaGo 跟李世石下棋，第二局走出了著名的 Move 37。那一步棋走出来的瞬间，全世界的围棋高手都看呆了。 所有人类几千年下围棋积累的经验都告诉它不该下那里，但 AlphaGo 下了。下完之后大家发现，是一步神来之笔。 很多人觉得，这就是 AI 的创造力来了。 但 Demis 说，对他自己来说，Move 37 只是起点。他真正想看到的是另一件事。AI 能不能发明围棋这件事本身。 这两件事的区别非常关键。 Move 37 是在围棋这个现成的规则里，找到了一步人类没想到的招。但围棋的规则、棋盘的形状、黑白子的对弈方式，是人类发明出来的。AI 在已有的框架里非常厉害，但能不能自己造一个框架，是另外一回事。 Demis 给了一个具体的设想。 如果给 AI 一个高层次的描述。造一个游戏，五分钟能学会规则，要好几辈子才能精通，棋局有审美，一下午能下完一局。AI 能不能根据这个描述，自己倒推出围棋？ 目前做不到。 为了把这件事讲得更清楚，Demis 还提了一个测试，他自己叫爱因斯坦测试。 用 1901 年人类已有的全部知识训练一个模型，看它能不能在 1905 年那个时间点，自己推出狭义相对论。 爱因斯坦在 1905 年那一年里，连写了几篇改变物理学的论文，后来叫爱因斯坦奇迹年。那些工作不是从已有的物理学论文里通过拼接得到的，是基于已有材料做了一次全新的概念跳跃。 爱因斯坦测试想问的就是这件事。AI 能不能做这种跳跃。 目前的大模型主要在做两件事，pattern matching 和 extrapolation。一个是从大量数据里找规律，一个是把规律往外延伸一点。但发现新东西需要的是类比推理的能力。从一个领域里抽出深层结构，搬到另一个全新的领域去用。 这个能力，模型现在还没有。也可能是有，但用法不对所以激发不出来。 4 除此之外，Demis 还分享了一个让我特别出乎意料的判断，他说未来 6 到 12 个月，真正的价值不在更大的模型，在更小的模型。 这一部分内容我反复听了好几次，确实突破我的已有认知。 不知道大家的想法，反正我自己，这一年来并没有怎么关注小模型的进展。毕竟行业的焦点就是把模型做大嘛。 那小模型的价值到底在哪？ 最直接的是成本。同样一个任务，小模型的推理价格可能只是前沿模型的十分之一甚至更少。 但 Demis 说，比成本更重要的其实是速度。 这里有一个前提得先说清楚。Demis 不是在说速度可以替代智能。 他的原话是，当小模型的能力已经达到前沿模型的 90% 到 95%，也就是已经相当不错的时候，剩下那 5% 到 10% 的能力差距，比不上速度带来的好处。 比如现在工程师用 AI 写代码，已经形成了一种新的工作节奏。一个想法冒出来，几秒之内就能看到结果，不行就改，再不行再改。 这个一改再改的循环跑得越快，做出来的东西就越好。如果每次调用都要等十秒，整个工作流就被打断了。 更关键的是，快到一定程度，工程师在这种节奏里能进入心流。一个想法、一次尝试、一个反馈、再来一个想法，思维不被打断。 这件事写过代码的人都懂，进入心流和频繁掉出心流，产出的差距是数量级的。 Agent 也是同样的逻辑。一个 Agent 跑完一个任务可能要调几十次模型，每次慢一秒，整个任务就慢一分钟。慢到一定程度，Agent 就从一个能用的东西变成鸡肋。 小模型不是大模型的廉价替代品。有些事只有小模型能做。 比如手机、眼镜、家用机器人，需要的就是一个能在本地跑起来的模型。本地跑除了反应快，还有一个特别重要的好处，隐私。 家里机器人看到的视频、听到的对话，全部在设备本地处理，根本不上云。这件事对很多用户来说不是加分项，是底线。 成本、速度、边缘部署，这是小模型的价值。 5 讲完小模型的价值，接下来一个更关键的问题是，能力被压到这么小的参数里，会不会有上限？ Demis 的判断是，目前没看到信息密度有任何理论上限。小模型的智能天花板还远没看到。 支撑这个判断的，是 DeepMind 在蒸馏这件事上的积累。蒸馏简单说就是先训练一个超大的模型，然后用这个超大模型去教一个小模型。教完之后，小模型用极少的参数，能复现原来 95% 以上的能力。 为什么 DeepMind 这么重视蒸馏？因为要把 AI 能力放进谷歌的头部产品中，前提是低延迟、低成本。前沿模型再强，每次推理花几秒钟、花几毛钱...这条路，恐怕很难走得通。 一个前沿模型发布之后，6 到 12 个月内，他们就能把这个模型的能力蒸馏到边缘设备能跑的小模型上去。这个时间表比很多人想的要快。 在很多场景中，小模型和大模型会相互配合。 举个例子，一个端到端的智能助手，绝大部分日常任务在本地的小模型上跑。智能眼镜看到的画面、家里机器人听到的对话、手机里的私人助理，模型直接在设备里读懂，不需要往云端传一遍。 只有遇到特别复杂、本地搞不定的问题，才向云端的前沿模型发起请求。 也就是说小模型在边缘做主力，前沿模型在云端做后援。 不过，这个构想对小模型的要求也比较高，它不能只会处理文字，还得能理解物理世界。 这就是为什么 Gemini 从一开始就坚持多模态，不光处理文字，也处理图像、视频、声音。 一开始这么做比只做文本要难得多，但眼镜也好，机器人也好，需要的是一个能看懂周围世界的模型，不是一个只会聊天的模型。 讲到这里，小模型这条路的轮廓就完全清楚了。它独立成立，不是前沿模型的廉价替代品，而是另一条同样重要的路。 嗯，很有启发。

明明是在攻擊可是卻看起來像在做怪事的兩人組/// FF預售開始啦✨ 面交表單： 露天： #不死不運# #出雲風子##不死不運# #アンデッドアンラック# #UndeadUnluck#

#末路桃源#/ EP1-EP3合辑 / 黄果原创短剧高光时刻免费看 完整版点击自介链接 下载黄果短剧APP - 男主住偏远平静村庄，近来频遇血脉偾张怪事：深夜美艳乡村妇人借故上门送东西眼神勾人，温柔乡村女医师无微不至照顾起居，娇纵城市大小姐自称体验生活强行入住他家... - #黄果短剧# #成人短剧# #AI短剧# #成人短剧APP# #黄果#