註冊並分享邀請連結,可獲得影片播放與邀請獎勵。

檢索結果 无限时长(售后靠谱,博主自用强推)
无限时长(售后靠谱,博主自用强推) 貼吧
一個關鍵字就是一個貼吧,路徑全站唯一。
建立貼吧
用戶
未找到
包含 无限时长(售后靠谱,博主自用强推) 的搜尋結果
♾️ 牛了,Stable Video Infinity 让 AI 视频一段接一段往下生成也不崩,论文标题直接叫无限时长视频生成。 Stable Video Infinity 在 GitHub 2500+ star,出自 EPFL 的 VITA 实验室,论文拿了 ICLR 2026 Oral。 用过开源视频模型的都知道,想把视频续长,误差会一段一段往后累积,越往后越没法看。SVI 的思路很巧:训练时故意把模型自己犯过的错回收回来当监督信号,让它学会在误差里把画面拉回来,所以能一段接一段稳定往下接。 落地成本也不高:只微调 LoRA,训练数据要得很少,主分支用 Wan 2.1,另有分支支持 Wan 2.2,还放出了 ComfyUI 工作流。模型家族里有 SVI-Talk(图像加音频生成说话视频)和 SVI-Dance(图像加骨架生成跳舞视频),去年 12 月又发了 2.0 Pro。 AI 视频的长度上限,被往后推了一大截。 GitHub:
顯示更多
0
5
64
11
轉發到社區
🚀 一张照片 + 一段音频,照片直接“开口说话”还能动全身,惊掉下巴了!😱🔥 一直苦恼于如何让静态照片变成会说话、表情自然、动作协调的视频?😭 开源神器 InfiniteTalk 直接实现:上传照片/视频 + 音频,就能生成无限时长的说话视频,嘴型同步超准,头部、身体姿态、微表情全协调,效果自然惊艳,简直了!😱 📌 无限时长生成:不像很多工具限时长,想做多长做多长(取决于显卡) 📌 全身协调驱动:不止动嘴,还同步头部转动、身体姿态、表情变化,减少手部/身体扭曲 📌 双模式支持:Image-to-Video(照片变视频) + Video-to-Video(已有视频重配音) 📌 多人对话也行:支持多段音频,多人同时说话不乱 📌 开源易用:提供 Gradio 界面 + ComfyUI 支持,本地运行,模型权重已开源 用这玩意真正让照片“活”过来,特别适合做短视频、Vlog、数字人、教学视频、内容创作的朋友们!❤️ 🔗 GitHub地址: (6.9k+ Stars) #开源工具# #工具分享# #AI工具# #InfiniteTalk# #说话视频# #数字人# #视频生成# #AI视频# --
顯示更多
0
19
77
34
轉發到社區
【穿山甲VPN】,刷视频流畅 下载立即【赠送免费时长】 支持Windows/Android/IOS/mac 无限速,无广告,无限流量 10年稳定运营有保障,专业线路满足各种需求
顯示更多
0
9
4.6K
318
轉發到社區
【穿山甲VPN】,刷视频流畅 下载立即【赠送免费时长】 支持Windows/Android/IOS/mac 无限速,无广告,无限流量 10年稳定运营有保障,专业线路满足各种需求
顯示更多
0
50
552
27
轉發到社區
免费、自己爽、无限效率,红果如何改造中国影视业 -过去七个月,红果收紧了对中小短剧制作方的保底补贴,又宣布将在年底前取消观众 “看剧赚金币” 的奖励。曾经帮助它吸引创作者、获取用户的两大激励机制陆续退场,但红果的领先优势进一步扩大。 -QuestMobile 数据显示,2026 年 9 月,红果日活跃用户突破 2 亿,超过腾讯视频、爱奇艺、芒果 TV 和优酷四家平台的总和;人均单日使用时长达到 166 分钟,超过抖音的 125 分钟、抖音极速版的 118 分钟和抖音火山版的约 113 分钟。 -今日头条、抖音、番茄小说已经数次证明,进入一个新的内容行业时,字节跳动会摧毁以往的游戏规则,改造每个环节,用数据、算法构建新的创作、分发和商业化生态,把它变得极度高效。一切都在短剧行业重演,因为新势力的效率,也因为旧势力的无力。 -每月,超过 1000 部新剧上线红果,是长剧一年产量的 4 倍。一部短剧通常对应六万字的剧本,一个半小时影像内容,和一部电影差不多,但短剧能拍满 80 集。电影动辄打磨数月、数年,短剧以 “天”“周” 为单位。确定剧本到开拍,筹备不过一周,5-7 天拍完,剪辑、后期也只需一两周。 -一部短剧制作成本大致是 30-80 万元,不及长剧一集,但加在一起,每月要押进百万乃至上千万元资金。如果依赖于有资本投入的制作公司生产内容,平台就会陷入电影、长剧市场的循环——头部公司主导,格局僵化,产量有限。问世之初,红果就为中小承制公司推出 “保底费” 机制,每部 20-35 万元。制作公司负责拍摄,平台掌握剧本和版权。剧集上线后,制作公司拿走一定比例收益。 -“爽” 是短剧的灵魂。不空文化 CEO 铜雀总结,爽等于碾压。碾压有三种表现形式:阶级(金钱、权力、暴力)、能力、信息。权力、暴力不好表达,所以短剧里全是多金的总裁;主角必须拥有一项碾压反派的能力,少不了 “金手指”;信息在关键时刻能致胜,所以主角总是比反派知道的多。 -铜雀认为,很多人选电影,有证明自己品味的意图,因此电影有一定公共性。而短剧像是 “人们躲在被窝里自己偷偷看的东西”,人们可以放心选一部让自己爽的剧,不用在意他人眼光。也因此,短剧实际上被人最本能的情绪筛选,反映人最真实的内心。 -社会情绪期待什么,短剧就做什么。依据用户行为统计的红果热度值、榜单、完播率等数据无限接近于观众的真实想法,也为接下来该生产什么内容提供指引。疫情刚结束,人们准备大展拳脚,逆袭成为热门;2023 年下半年,现状令人清醒,很多人觉得,是别人夺取了自己奋斗成功的机会,复仇成为主题;到 2025 年,生活、工作的成就感更为稀缺,连复仇的爽感都变得可疑,家庭温情成为热门——如果东亚家庭真有这些,可能也不需要短剧了。 -红果的增长手段对字节来说确实都没什么特别之处。它的团队已经通过番茄小说把免费内容变现的商业模式完整跑过一遍。今日头条、番茄小说的总负责人张超是这门生意的灵魂人物。他曾在百度任职,在 2014 年加入字节,是字节当时少见的清华产品经理。这是一个务实的团队。一位前番茄员工评价,“长视频平台,或搞艺术的人,会认为自己是牛 x 的,而不认为观众是牛 x 的。张超绝对不会。他在这方面一点都不自我。” -2019 年 11 月,番茄小说上线,起初日活、收入一般,但团队很小,ROI 一直为正 —— 这也是它能在对规模要求极高、耐心有限的 “app 工厂” 字节跳动活下来的重要原因。多位员工、前员工说,番茄内部一直保持创业氛围。如今,包括红果在内,番茄团队一共只有六七百人,孵化出番茄小说、红果短剧、番茄畅听、番茄音乐共 4 款产品,前两款日活过亿,后两款日活在千万级别。据 QuestMobile,这四款 app 一共占据平均每天 278 分钟的用户时间。 -打开红果短剧 app,能看到多个榜单,推荐、热播、演员……每日更新,最重要的是 “热度值”,排名靠前的都有几千万,最高可以上亿。把人的行为量化、加权,根据数据做排名、分发,这是字节擅长的事。和抖音一样,红果的 “热度值” 也是黑盒。与我们交谈的 20 多位从业者,没一个说得清计算方法。但他们也不在意,只是相信数字反映用户喜好,追求做更热的剧,获得更大回报。 -在红果,没人追求像经营《哈利波特》一样长久经营一个 IP。流量来得快,走得也快;钱赚得快,赚钱的窗口消失得也快。红果的透明和高效率给了更多人拍片的机会,也拿走了整个生态的控制权——剧本被分级、演员热度被排行,制作方为数据竞争到底,只有平台是不变的赢家。 -今年 2 月,红果取消保底费用后,剧组数量骤减。AI 冲击短剧行业的每个环节。使用现成的 AIGC 工具,制作成本能压到一分钟 500 元,是真人短剧的 1/10。大部分公司开始探索 AI 漫剧。焦虑如此真实而迫切。连行业外的人也在社交媒体感慨,“短剧行业要变天了”。 -曾依靠胜过长剧和电影的低成本、高效率在真人短剧赚到钱的人们,又以同样的原因,怀抱同样的希望,涌向 AI 漫剧的世界。不变的规则是,他们争夺的,都是人的时间,而人正越来越诚实地追逐自己的欲望。
顯示更多
AWS 资深专家解决方案架构师 Daniel Abib 在官方博客里算了一笔账:同步调用时,Lambda 的计费时长几乎等于 agent 思考的时长,等待本身在按全量计算计费。 《在无服务器流水线中异步调用 Amazon Bedrock AgentCore agent 的模式》 在无服务器流水线里异步调用 Amazon Bedrock AgentCore agent,可以消除你的 AI agent 处理请求期间的空转计算成本。一个常见的例子是文档校验:在房地产融资的后台办公室里,agent 可以读取房产记录或贷款合同,推理信息是否完整、一致,然后返回一个下游步骤据此行动的结论。Amazon Bedrock AgentCore 提供了一个平台,让你能用任意框架或模型大规模地构建、连接和优化 agent。 这类 agent 带来一个传统流水线步骤没有的特性:它们在回答之前要思考一会儿。思考多久取决于提示词、模型和文档,但很少是即时的,而这个延迟改变了你调用它的方式。最常见的首版实现是用一个计算服务(比如 AWS Lambda 函数)调用 agent 并等待响应。函数等待期间什么都不做,但它仍在运行,每一秒都在计费。 值得看清成本到底落在哪里,因为调用的两侧计费方式不同。Amazon Bedrock AgentCore runtime(Amazon Bedrock AgentCore 的一项能力)采用基于消耗的计费模型,agent 空闲时不收 CPU 费用。例如,在等待大语言模型生成响应、或等待工具或 Model Context Protocol(MCP)调用返回的这段时间里,你只按内存计费,不按 CPU 计费。调用 agent 的那个计算服务没有这种特性。发出同步调用的 Lambda 函数、容器或 Amazon EC2 实例会一直阻塞,在 agent 响应之前始终持有(并支付)完整的计算配额。所以浪费不在 agent 一侧,而在调用方——它挂在一个打开的连接上空转。 这就让调用方的成本跟着 agent 的运行时间走。阻塞在 agent 上的函数,计费时长几乎等于整个处理时间;而启动 agent 后立即返回的函数,只按短暂的派发计费。解法是在等待期间释放调用方的计算资源,等 agent 出了结果再恢复流水线。本文展示三种做到这一点的模式(task-token 回调、直接服务集成、durable function),并与阻塞式反模式对比。 示例流水线 为了让各模式在同等条件下比较,我们把每个模式都跑在同一条流水线上,只更换调用 agent 的那一步。这条流水线是一个刻意简单、虚构的场景(房地产融资文档校验),选它只是为了把编排讲清楚。它不是本文的重点,它代表任何先调用 agent(或其他慢服务)、再对结果采取行动的流程,你可以把自家用例代入。 流水线有五个阶段: 1. Extract:一个 Lambda 函数对文档做 OCR 和文本提取。(提取是模拟的,所以场景不需要真实文档。) 2. Identify:一个 Lambda 函数对文档分类并设置路由标志(shouldOrganize、shouldValidate)。 3. Route:一个 Choice 状态根据这些标志决定流程走向。 4. Organize and Validate:一个 Parallel 状态在组织文档的同时,让 Amazon Bedrock AgentCore agent 在另一个分支里做校验。这个 Validate 分支是各模式之间唯一变化的部分。 5. Result:一个 Lambda 函数处理 agent 的结论,决定下一步动作(批准,或退回修改)。 图示如下:水平流程依次是 Start、Extract、Identify、Route(Choice)、并行的 Organize-and-Validate 阶段、Result、End,Validate 分支被标为可更换,图例列出了它的四种实现方式:阻塞反模式、模式 1(task token)、模式 2(直接集成)、模式 3(durable function)。流水线本身在每种情况下保持不变,只有 Validate 分支被换掉来演示各自的调用模式。 同一个 Amazon Bedrock AgentCore agent 服务全部四种情况。agent 检查每次调用并选择如何响应:如果收到 AWS Step Functions 的 task token,就在完成时唤醒那个执行;如果收到 durable function 的 callback ID,就唤醒那个 durable function;两者都没收到,就直接在响应里返回结论。这意味着你可以更换编排模式,而不必修改或重新部署 agent。 agent 如何不阻塞调用方就把控制权交回来 机制是 agent 的 action group 里的一个"归还控制权"动作。agent 推理结束后,调用一个 Lambda,把结果和 task token 发回 Step Functions。(后面的模式 2 会让 Step Functions 直接与 AgentCore 集成,完全省掉这个 Lambda。) 下面这段代码是这个 Lambda 的核心: The tool the agent calls once it reaches a verdict @tool def conclude_validation(approved: bool, issues: list, summary: str) -> str: verdict = {"approved": approved, "issues": issues, "summary": summary, "source": "agentcore"} # A Step Functions task token was passed: resume that execution if task_token: sfn.send_task_success(taskToken=task_token, output=json.dumps(verdict)) return "Step Functions resumed." # A durable-function callback ID was passed: resume the durable function if callback_id: lambda_client.send_durable_execution_callback_success( CallbackId=callback_id, Result=json.dumps(verdict).encode("utf-8")) return "Durable function resumed." # Neither was passed: this is a synchronous call, return the verdict inline return "Verdict recorded." 入口函数根据同样的信号决定在后台跑还是同步跑: @app.async_task async def validate_document_async(prompt, document, extracted_text): # Background work; conclude_validation fires the right callback when done agent = build_agent() await agent.invoke_async(message(prompt, document, extracted_text)) @app.entrypoint async def handler(event): task_token = event.get("taskToken") # passed by the task-token pattern callback_id = event.get("callbackId") # passed by the durable-function pattern # Asynchronous: start the work and return "accepted" right away if task_token or callback_id: asyncio.create_task(validate_document_async(...)) return {"status": "accepted"} # Synchronous: run now and return the verdict in the response agent = build_agent() await agent.invoke_async(message(...)) return verdict agent 就位之后,本文剩下的部分聚焦于调用它的四种方式。代码和基础设施定义都是示例中的摘录,用来演示每种模式。 调用 agent:四种方式 先讲阻塞式反模式以确立基准成本,再展示避开它的三个模式。 阻塞式反模式 最直接的实现:在同一个 Lambda 函数里调用 agent 并等待答案。它能用,而且实现简单——这正是它如此常见的原因——但函数在 agent 思考的整个期间一直活着。 // The Lambda function blocks here until the agent responds const response = await agentcore.send( new InvokeAgentRuntimeCommand({ agentRuntimeArn: AGENT_RUNTIME_ARN, payload: new TextEncoder().encode(JSON.stringify(payload)), runtimeSessionId: sessionId, }) ); // The function stays alive and billed for the entire time the agent is thinking. 函数的计费时长最终大约等于 agent 的处理时间。后面三个模式消除这段空闲成本,各自做出不同的取舍。特别是模式 2 使用 Step Functions 对 AgentCore Harness (InvokeHarness) 的优化集成,完全去掉 Lambda。 模式 1:task-token 回调 + 派发函数 这个模式在路径里保留一个 Lambda 做自定义逻辑,但去掉空闲成本。Step Functions 用 waitForTaskToken 集成调用这个函数——传入一个 task token 后暂停执行。函数用这个 token 启动 agent,然后在几秒内返回。执行保持暂停,不产生任何计算计费,直到 agent 用这个 token 调用 SendTaskSuccess 恢复它。 // Start the agent, pass the task token, and return without waiting const response = await agentcore.send( new InvokeAgentRuntimeCommand({ agentRuntimeArn: AGENT_RUNTIME_ARN, payload: new TextEncoder().encode(JSON.stringify({ ...payload, taskToken })), runtimeSessionId: sessionId, }) ); // Returning here does not complete the step. Step Functions stays paused until // the agent calls SendTaskSuccess with this task token. return { dispatched: true }; 对应的状态从上下文取出 token,并设置超时和心跳作为安全网——这样沉默的 agent 会让执行干净地失败,而不是无限期停在那里: "ValidateDispatch": { "Type": "Task", "Resource": "arn:aws:states:::lambda:invoke.waitForTaskToken", "Parameters": { "FunctionName": "${ValidateDispatcherFunctionArn}", "Payload": { "taskToken.$": "$$.Task.Token", "document.$": "$.document", "extractedText.$": "$.extract.extractedText", "executionId.$": "$$.Execution.Id" } }, "TimeoutSeconds": 120, "HeartbeatSeconds": 60, "Next": "AgentCoreValidation" } 成本。 Lambda 函数仍然会跑,但只跑到启动 agent 并返回为止:几秒钟,无论 agent 之后要跑多久。你只为这次短暂派发付费,不为等待付费——因为函数在 agent 干活时已经关掉了。等待由暂停的 Step Functions 执行承担,它不为空闲计算计费。这是与阻塞版本的关键区别:阻塞版本里函数的计费时间跟着 agent 的处理时间走。 模式 2:直接服务集成 当你不需要围绕 agent 调用写自定义代码时,可以去掉派发函数,让 Lambda 完全离开路径。Step Functions 可以通过 AWS SDK 服务集成直接调用 Amazon Bedrock AgentCore,所以 agent 的响应直接流入下一个状态。Validate 分支于是变成单个 Task 状态: "ValidateDirect": { "Type": "Task", "Resource": "arn:aws:states:::aws-sdk:bedrockagentcore:invokeAgentRuntime", "Parameters": { "AgentRuntimeArn": "${AgentRuntimeArn}", "RuntimeSessionId.$": "States.Hash($$.Execution.Id, 'SHA-256')", "Payload.$": "States.JsonToString($.prep.agentInput)" }, "ResultSelector": { "raw.$": "$.Response" }, "TimeoutSeconds": 120, "Next": "ParseVerdict" } 成本。 路径里没有 Lambda,所以没有空闲的 Lambda 计算可付。Step Functions 承担等待,Standard 工作流按状态转换计费而不是按等待时长计费——处理期间的实质成本只有 agent 本身。 模式 3:Lambda durable function 如果你更愿意用代码而不是状态机来表达编排,Lambda durable function 给你同样的成本行为。用 @aws/durable-execution-sdk-js SDK,流水线阶段变成 context.step 调用,并行工作变成 context.parallel,等待 agent 变成 context.waitForCallback。等待期间函数挂起,不计计算费。agent 用 SendDurableExecutionCallbackSuccess 恢复它。 // Suspend the function until the agent calls back const result = await ctx.waitForCallback( "validate-agentcore", async (callbackId) => dispatchAgentCore(callbackId, document, extractedText, executionId), { timeout: { seconds: 120 } } ); 成本。 一个函数承载整条流水线,但挂起等待 agent 期间不按计算计费。你只为挂起之间短暂爆发的那几次执行付费——与 task-token 模式相同的经济性——而不是为等待付费。 测量差异 重点不是某个具体数字。agent 的运行时间随提示词、模型和文档变化。重要的是 task-token 模式里两个值之间的关系:Validate 状态活跃了多久,对比派发函数实际被计费了多久。我们测试中的单次运行让这个关系可见: Step Functions, ValidateDispatch state Returned (TaskSubmitted): 14:08:19 <- the function returned and shut down Resumed (TaskSucceeded): 14:08:34 <- the agent woke the execution State active ........ 19.6s Lambda, dispatcher function (CloudWatch REPORT) Billed duration ..... 4.8s Result: the state was active for 19.6s, but the function was billed for 4.8s. The ~14.8s in between is wait time with no Lambda function running. 在 Step Functions 的事件历史里也能看到同样的事:task-token 模式下,TaskSubmitted 事件(函数返回)与 TaskSucceeded(agent 恢复流程)之间隔着 agent 的处理时间。同步调用没有这样的间隔。 下表总结了每种模式下 Validate 分支(前面图示中高亮的部分)的实现方式: • 编排器:阻塞=Step Functions;模式 1=Step Functions;模式 2=Step Functions;模式 3=Lambda(代码) • 路径中的 Lambda:阻塞=有,存活且计费;模式 1=有,但提前返回;模式 2=无;模式 3=durable function 本身(挂起) • 等待期间的空闲 Lambda 计算:阻塞=为整个等待付费;模式 1=无;模式 2=无;模式 3=无 • agent 调用周围的自定义代码:阻塞=有;模式 1=有;模式 2=有限(状态转换);模式 3=有 • 调用方与 agent 解耦:阻塞=否;模式 1=是;模式 2=否;模式 3=是 • 相对复杂度:阻塞=最低;模式 1=较高(token 和回调的 IAM);模式 2=最低;模式 3=中等(检查点/重放) 读这张表时有一个提醒:总流水线时长不是有用的比较指标,因为它被 agent 自己的推理时间主导——每次运行都不同,而且在所有场景里基本相同。有意义的差异是等待期间你为多少计算付了钱,这由上表和计费时长读数体现。agent 运行时间增长时,派发函数的计费时间保持平稳。上面的数字来自单次运行,把它们当作这个关系的示意而非基准,请测量你自己的负载。 如何选择模式 下表总结了取舍,帮你选择模式: • 调用方成本:阻塞=整个 agent 处理时间;模式 1=几秒(仅派发);模式 2=零(无 Lambda);模式 3=几秒(仅派发) • 集成工作量:阻塞=低;模式 1=中高(IAM、心跳、超时);模式 2=低(单个 Task 状态);模式 3=中等(检查点-重放模型) • 业务逻辑位置:阻塞=在 Lambda(前 + 后);模式 1=在 Lambda(前 + 后);模式 2=只在 Amazon States Language(ASL)(内置函数);模式 3=在 Lambda(顺序代码) • 最适合:阻塞=原型、短 agent;模式 1=自定义前后处理逻辑;模式 2=纯编排、无自定义代码;模式 3=单个函数里的复杂异步工作流 最佳实践 防 agent 永不回答。 给每个 waitForTaskToken 状态设置 TimeoutSeconds,让执行以 States.Timeout 失败,而不是无限期挂起。如果你的 agent 发送心跳,也设置 HeartbeatSeconds 以更快发现死掉的 agent。捕获错误并路由到失败或人工审核路径。 重试时使用稳定的会话 ID。 把 sessionId 设为从执行上下文派生的值(比如 Step Functions 执行名),这样重试会恢复同一个 agent 会话,而不是重新开始。task-token 模式里在派发函数中设置;直接集成模式里在 Task 状态参数中设置。 打开 AWS X-Ray。 在 Step Functions 和 Lambda 配置中启用 Tracing: Active。X-Ray 会精确显示 agent 思考了多久、调用方等待了多久,确认你的模式确实在间隔期间释放了计算。 按速度而不是按 agent 的负载来配派发函数。 派发函数只序列化请求并调用端点。256 MB 内存和 30 秒超时通常就够。重活都在 agent 那边。 成本 这些模式会产生 Lambda 计算、Step Functions 状态转换、durable function 执行存储的费用,以及所有方案共有的 Amazon Bedrock AgentCore runtime 和 Amazon Bedrock 模型推理费用。agent 和模型成本在四种情况下相同。架构只改变编排开销,以及阻塞反模式中浪费的空闲 Lambda 计算。当前价格请查看各服务的定价页。 结论 把 AI agent 放进流水线是简单的部分。让它被经济地调用,才是区分原型与生产设计的地方。阻塞在 agent 上的 Lambda 函数实现简单,却在悄悄烧钱——计费时间里的大部分都在等待。本文展示了三种规避方式:需要在路径里保留 Lambda 时用 task-token 回调;最简单的情况用直接服务集成;偏好用代码表达编排时用 durable function。三者由同一个 Amazon Bedrock AgentCore agent 驱动,它会根据被调用方式调整自己的响应。 完整示例(完整的 agent、状态机定义和 durable function)在 GitHub 的 sample-bedrock-agentcore-async-stepfunctions 仓库。想深入的话,可以看 Amazon Bedrock AgentCore 关于异步任务处理的文档。生产部署请使用 Amazon Bedrock Guardrails,对 agent 的输入输出实施负责任 AI 控制。 原文: #Bedrock# #Serverless# #StepFunctions#
顯示更多
🚨SpaceX第三代星舰完成第二次试飞的关键点: 1. 成功释放20颗星链V3实测卫星。V3比v2强太多了。 2.创下最长时长太空真空二次点火纪录。为去月球做准备,去月球要多点火。 3.印度洋实现史上最柔和溅落。从试飞靠炸到完整再入、完好落水、全程可控,星舰已无限接近正式商用复用
顯示更多
0
12
76
3
轉發到社區
接上条,我仍然想谈一谈AI浪潮。 现在的硅谷和顶尖 AI 圈子,正在上演一种极度脱节的技术神权政治。一帮站在金字塔尖的技术精英、风投家和科技巨头,一手握着无限的资本与算力,另一手拿AGI的技术降临论圣经。 他们对普通人输出的,只有两种东西:FOMO与Nihilism。 很多科技巨头和科学家在媒体上轻飘飘抛出的豪言壮语,不仅不是人文关怀,反而是对现实社会复杂性极度无知的傲慢。 许多人假想了一个“只要技术够强,财富就会自动平铺给每个人”的纯真世界,却完全无视了现有的生产关系、分配机制、政治博弈与社会安全网。 很多人大谈特谈碳基生命的终结与硅基文明的崛起时,他们并没有为那个被替代的普通程序员、客服、卡车司机或文员提供哪怕一天具体的过渡保障。我上条说了,他们只是在用时代趋势这个词,行社会达尔文主义之实,跟不上的,就是被淘汰的代价。 这种技术压迫感让亿万普通人陷入了存在主义焦虑。人们感觉自己不是在迎接一项改善生活的工具,而是在亲手建造自己的绞刑架,还要被逼着为绞刑架的建造进度喝彩。 如果一项技术的落地,最终只是让企业裁员 30%、让剩下的 70% 人用 Agent 一个人干三个人的活,而社会整体的焦虑、工作时长和生存压力不减反增,那这种效率提升对现有的人类文明毫无意义,只有痛苦。 为什么很多人认为AI是泡沫的点? 因为文明的度量衡是人,而不是算力,更不是token,也不是所谓的AI大模型。 科技的本质应该让绝大部分人不再焦虑自己的存在,实现幸福的最大化。 人类文明的进步,从来不是看你建造了多庞大的算力中心,也不是看你的AI神明有多智能。文明的度量衡是这项技术是否让个体获得了更多的自由、更多的尊严、以及对生活的掌控感。 如果你的技术没有做到,也没有大众好的期待在未来做到,这就是文明的退行。
顯示更多
0
40
125
20
轉發到社區
开发者每月付 3 美元跑 AI,其他人却 300 美元买只工作 8 小时的软件。Mac Mini 600 美元配 iPad Pro 做监控,外加电池包就能变移动服务器,彻底摆脱订阅费与电源依赖。 这招让个人算力成本暴跌至企业级的零头:第一,硬件一次性投入替代无限月;第二,7x24 小时离线运行不欠费停机;第三,数据私有化避免云端泄露风险。旧软件商靠卖时长赚钱的逻辑正在失效,谁先自建本地节点谁就掌握定价权。
顯示更多
讲个故事,你是一个剪辑师。 在公司每天的任务是渲染制作视频, 你对一台电脑一开始的要求是gpu要够好,内存要够大,才能渲染得动你制作的视频。 随着你的业务精进, 你能接单时长更长难度更高的电影, 但你渲染制作视频的电脑已经不能满足你的工作要求了,你需要换更先进的gpu,换更大的内存。 等你成长成一个专业的剪辑师,gpu和内存虽然对你的工作有很大提升,但更需要很大的固态硬盘,来存储你工作这么多年日积月累下来的素材视频。 但我不敢说现在继续梭哈闪迪, 但是捏住 $DRAM 绝对没毛病 以后需求的强度肯定慢慢会从hbm往hbf和ssd转,但需要时间可能得一俩年后。 未来是智能体的天下,它跟单个人对电脑的需求很像,所以cpu用量被提升,以后hbf和ssd需要也会上升。 未来AI的需求变化会很像一个程序员或者设计师工作几年的需求变化。因为AI会演变成上亿上百亿千亿的智能体集合,数量无限暴增,台积电的生产速度就是agent生殖繁育速度。
顯示更多
0
24
128
19
轉發到社區