2023 年，Meta 首席 AI 科學家楊立昆給當時的 LLM 熱潮潑了一盆冷水。 他指出 LLM 有根本性的缺陷：沒有持久記憶、無法從單一經驗學習、缺乏對物理世界的理解。本質上，它只是在做「下一個 token 的預測」。 從學術的角度看，他說得完全正確。 直到今天，LLM 的底層架構依然沒有變。它依然是一具每次啟動都空空如也的統計引擎。 但在三年的工程演進後，我們發現了一個讓科學家尷尬的事實：學術上的根本缺陷，工程上不一定要正面解決，繞過去一樣能起飛。 楊立昆主張要走「世界模型」的路線，讓 AI 像人一樣建立對物理規律的理解。他認為 Scaling Law（規模定律）有天花板，LLM 光靠堆算力不能產生真正的智慧。 但工程界用兩件事回應了他： 第一，資本的暴力美學。過去三年，人類往算力砸錢的瘋狂程度，讓模型規模產生的「湧現」直接蓋過了架構的粗糙。 第二，系統性的外掛補丁。模型記不住？掛上向量資料庫。模型理解不夠？接上 Vision 和工具。 這就是工程學最迷人的地方：解決問題不需要追求「本質的優雅」。 楊立昆在研究神經元的排列，而工程師在研究如何把這個「不完美的大腦」裝進一個強大的「機械外骨骼」裡。 楊立昆對 LLM 的核心批評，是他認為 Pattern Matching（模式匹配）不算真正的學習。 但如果這種模式匹配的複雜度足以模擬出文明的所有邏輯，那「學習本身到底是什麼模式」還重要嗎？ 飛機與鳥的飛行原理完全不同。飛機沒有羽毛、不會拍翅膀，但在它飛得更高、更遠、更穩定的那一刻，它到底「算不算在飛」已經不重要了。 但繞過去的，跟真的解決，是兩回事。 只要底層架構沒變，楊立昆講的那些缺陷就真實存在。記憶是外掛的，不是原生的。就像義肢，裝上去能走能跑，但它跟真正的腿就是不一樣。你不能假裝它不存在。 所以雖然 AI 已經很強了，推理、寫作、寫程式，很多事做得比大部分人好，但它每次都是一個全新的大腦。沒有連續的意識，沒有累積的經驗。它所有的「記憶」、「理解」、「偏好」，全部來自你這次塞給它的上下文。 如果你去看 OpenClaw 最近的 repo 更新，你會發現記憶管理佔了很大的篇幅。怎麼讓 AI 在對話之間記住該記住的東西。 他們最近推的 QMD，把關鍵字搜尋跟語意搜尋混在一起用，就是為了解決一個問題：你三天前跟 AI 聊過的東西，它下次怎麼找得回來。 模型本身的能力會繼續進步，但只要底層是 LLM，記憶管理就是一個繞不開的大山。 用工程的角度來說，就是 Context Engineering 的重要程度，會逐漸超過模型本身。 你怎麼管理每次丟給模型的那包上下文，決定了 AI 能幫你做到什麼程度。哪些資訊該放、哪些不該放。什麼時候該砍掉重來、什麼時候該接著繼續。不同對話之間的記憶怎麼同步、怎麼取捨。 我自己每天都在處理這個問題。 舉個例子，我的 OpenClaw Agent KAI，它常常在多個頻道處理不同任務，但它們的記憶不是即時同步的。只要 還沒更新，它們就不知道彼此剛做了什麼。 所以我常常要幫它做認知同步。譬如告訴 A 分身，B 分身目前正在做什麼，然後要求 B 把做的東西整理好傳過去。或者更簡單一點，直接叫 A 去讀另一個 Discord 頻道最近兩小時的對話，讓它自己同步 B 的工作內容。 這種「認知斷裂」的現象，只要你常用 AI，一定會有很強烈的感覺。 從人格化的角度看，你會覺得它們是同一個人。但事實上，它們只是共享同一份記憶。只要記憶沒有同步，它們就是不同的人。 我現在花比較多時間在學這一塊。譬如今天 KAI 就教了我，如果讓 Claude Code 的 Opus 4.6 從外部調用 GPT 5.3-Codex，用 MCP 跟 coding-agent skill 的差異是什麼。 KAI 告訴我，差異的核心在於：中間過程要不要進主 context。 用 MCP 調用 Codex，每一個 tool call 都走 MCP 協議。Codex 過程中的每一個 turn，讀檔、改檔、跑測試、報錯、retry，全部以 tool result 的形式灌回 Opus 的 context。一個 coding task 可能產生幾十個 turn，跑完之後 Opus 的 context window 已經被中間過程塞滿了，後面每一 turn 都要重送這些垃圾。這就是 context 污染。 而 coding-agent skill 的設計完全不同。它把整個 coding task 交給一個獨立的 sub-agent，這個 sub-agent 在自己的 context 裡完成所有中間過程。跑完之後，回傳給 Opus 的是一個精簡的 handoff summary：改了哪些檔案、測試跑過了沒、有沒有殘留問題。中間那幾十個 turn 的掙扎，Opus 完全不需要知道。 同樣一件事，兩種做法，Opus 的 context 乾淨程度天差地遠。 所以同一個模型，不同的人用，產出可以差十倍。 人與人之間原本的能力差距，已經沒那麼重要了。你的學歷、你的年資、你寫程式的底子，這些東西的權重正在被 AI 快速壓縮。 取而代之的，是你怎麼使用 AI。這件事的精度，才是現在真正決定產出的變數。 你理不理解它的記憶是怎麼運作的。你知不知道什麼時候該砍掉 context 重來、什麼時候該讓它接著跑。你能不能在對的時間，把對的資訊塞進那個 context window。 這些東西有一個名字，叫 Context Engineering。 它不是什麼高深的學問，但它是所有想把 AI 用好的人，都應該深入研究的東西。

真正的核心聪明，是数学层面的底层逻辑能力，所以我的招聘、考评、人才选拔，永远以数学功底作为第一标尺。 拿国内四大头部大模型创始人做直观参照，这四位行业最顶尖的带头人，全部是顶级数学/理科苗子出身，绝非偶然： 1. DeepSeek梁文锋：85年，广东湛江理科状元，手握保送清华资格，自主选择浙大深耕数理；个人持股78%，一手同时掌控千亿估值大模型公司与幻方量化私募，AI、金融双赛道同时跑通。 2. Kimi杨植麟：92年汕头理科状元，信息学奥赛顶尖选手，保送清华计算机，纯粹数理竞赛体系培养出来的研究者，主导千亿参数轻量化大模型落地。 3. 智谱AI唐杰：77年，燕山大学自动化本科，深耕数理方向后攻读清华计算机博士，学术体系下扎实数理积累，撑起国内高校系大模型商业化落地。 4. MiniMax闫俊杰：89年，东南大学数学本科，中科院模式识别硕博，清华博士后，纯粹数学科班出身，聚焦多模态大模型底层算法研发。 这四家是国内第一梯队的大模型企业，掌舵人清一色拥有极强理科、数学背景，不是行业巧合，而是赛道客观规律决定的。 为什么数学能力是双赛道研发的绝对门槛？ 1. 大模型研发，本质是数学建模游戏 Transformer架构、注意力机制、RLHF对齐、损失函数、缩放定律，所有底层创新全部依托线性代数、概率统计、凸优化、随机过程。只会调用开源框架、调参跑流程的人，只能做工具操作工；只有数学功底扎实的人，才能推导底层公式、定位模型收敛缺陷、从零重构全新训练逻辑。现在行业同质化严重，能拉开技术壁垒的，只有能从数学底层做创新的人。 2. 金融量化模型，数学是生存底线 管理量化策略团队，大家都清楚：市场噪音、数据过拟合、波动率测算、资产相关性推演，全部依赖数理统计能力。散户靠情绪交易，量化靠数学建模套利；如果研究员无法独立搭建数理验证框架，策略回测、实盘风控全都会出现致命漏洞，直接带来资金亏损。幻方量化梁文锋能同时做好私募与大模型，核心就是一套强悍的数学思维同时适配两条赛道。 筛选规则 1. 简历初筛：优先锁定数理赛道出身 同等项目经历下，数学、物理、统计、自动化科班候选人优先级远高于普通软件工程；重点关注竞赛履历——理科状元、信息学奥赛、数学建模竞赛获奖者会直接进入深度面试，四大创始人的成长路径，就是我筛选人才的参照范本。 2. 面试核心考核：全程围绕数学逻辑提问 不管应聘大模型算法岗，还是金融量化研究员，我不会上来问框架使用、工具操作，优先考察纯数学推导：矩阵分解、梯度推导、概率分布、极值优化等基础理论。我会刻意设置开放式数理问题，观察候选人抽象建模、拆解复杂问题的能力。能把复杂问题翻译成数学语言，才具备研发核心潜力；只会背诵工程流程的候选人，很难进入核心研发组。 用落地成果验证数学思维 新人入职后，不会直接分配现成任务。大模型方向，要求独立复现一篇顶会论文数学推导；量化方向，要求从零搭建简易因子回测数理框架。两件事的核心目的，就是检验候选人是否能脱离现成工具，用数学思维解决真实业务问题。能完成的，进入核心项目；只会复刻现有代码，只能做辅助工程岗位。 无论是做大通用大模型，还是搭建资本市场量化交易模型，表层的代码、框架、工具都可以短期学习补齐，但数学底层逻辑的打磨，需要长年累月沉淀，无法速成。 四大头部大模型创始人全部是顶级理科/数学学霸，已经印证了行业规律。对我这种同时负责AI与金融模型的研发负责人来说，选拔人才不会只看项目、学历光环，判断一个人是否具备长期成长上限，第一标准永远是：他有没有真正过硬的数学思维。

當征服者變成定居者 我發現一個規律，但凡是在美國，發展得最好的移民，通常是第一代，以及一些第二代；到了第三代，完全美國化了，就基本不行了。 不僅華人移民如此，其他種族也有類似的情況。 雖然現代的移民，多數已是抱著養老的心態，但還是有一些是吃了苦的，是追求一番成就的，這些第一代，多少還是帶著一些驍勇。大概有這樣的氣概：“凡是有草的地方，就有我的馬羊；有水流過的土地，就會有我的足跡。我是大漠的蒼狼，草原的雄鷹，我就是成吉思汗。” 到了第二代、第三代，成吉思汗的子孫，到了中原學漢法，到了波斯學波斯法，到了中亞也學會了定居王朝那一套。第一代還知道自己是馬背上的人，後來就開始修宮殿、養文人、講禮法、爭繼承、吃俸祿。刀掛到牆上，毛筆字是寫得越來越好，但祖宗的家業也快敗完了。 清朝也是如此，滿洲八旗是非常驍勇善戰的，承平一百年，不南征北戰了，吃上穩穩的俸祿，寫起「人生若只如初見」這類酸溜溜的詩文了，甚至最後連自己的滿語都不會了，自然就徹底拉胯了。 這也就是為什麼，反倒是語言不那麼好，文化不那麼熟悉的第一代移民，以及一小部分第二代移民，在美國能有一番創舉，但到了完全忘記自己母語的第三代，你就基本聽不到他們的名字了。 泯然眾人矣。 為什麼？ 第一代，是親身迎接挑戰的，是馬頭帶劍的征服者。 第二代，可能還記得父母是怎麼征服的，多少還效仿一下。 第三代，就只記得生活應該讓他舒服。 強悍的繼承，不靠血統，靠口耳相傳的經歷。第二代每天聽父母講自己怎麼吃苦，怎麼被人看不起，怎麼一步一步殺出來，就很難心安理得地做一個廢物。 但到了第三代，從小聽到的是「你很特別」、「你的感受最重要」、「不要給自己太大壓力」，那你長大後遇到一點事，自然就先去照顧感受，去學校刷成粉紅色、掛滿彩虹旗的 safe space。 母語斷了，通常代表家族敘事也斷了；家族敘事斷了，壓力系統、羞恥系統、上進系統也斷了。 母語，不只是一種語言，一種發音系統，一種文字符號，而是一整套承載祖先承壓和頑強掙扎的系統。 中文這種母語，帶著一種任務感，一種羞恥心，有不得不贏的壓力。第二代，還有點顧忌父母的評判。到了第三代，徹底融入美式醬缸文化了，一有壓力就定期預約心理醫生了，把決心和毅力和勞苦視作 toxic masculinity，也像拜上帝教的底層一樣去教堂找心理按摩了，一到週五就開 party 了，也嗑起藥了，也認為一輩子租房是可以接受的了，甚至舉一個 God loves you 的牌子在路口做 homeless 也不羞恥了……那就徹底融入了，也就徹底完了蛋了。 征服者，從不怕被定居者排斥。 怕後代被定居者接納，並融化。 被排斥的征服者，還是征服者，知道自己是大漠的蒼狼、草原的雄鷹。 被接納得太舒服的後代，失去了自己，夢裡不知身是客，一晌貪歡。最後只剩一口流利的英語，一張美國人的空漠的臉，和一套定居者軟弱和懶惰的神經系統。 不是融入了。 是被融化了。 溶解了。 2026.06.20

卧槽兄弟们！！！ GPT这是直接把Claude的作业抄到家了啊？ ！Claude那边一直走文学艺术风： 小型叫 Haiku（俳句） 中型叫 Sonnet（十四行诗） 大型叫 Opus（乐章/巨作） 最强现在直接上 Fable（神话）结果GPT以后直接整了个天体宇宙系： 最强旗舰 → Sol（太阳） 均衡实用 → Terra（地球） 便宜轻量 → Luna（月亮） 这命名也太有画面感了吧？ 一个是写诗的文青，一个是开飞船的硬核。 想想就可怕…… 以后你跟朋友说“我在用Sol” 对方问你是哪个模型，你得回答：“太阳那个最强的！ ”99%的人不知道，AI公司现在连模型名字都开始内卷成这样了。 普通人千万别碰？ 不，赶紧去白嫖啊！ 这波命名一出，传播度直接拉满，兄弟们冲就完事儿了。 不懂就问： 你们更喜欢文学风（Claude）还是宇宙风（GPT）？ 你怎么看呢？

从0到1万粉丝，只用了50天。这一路走来，真的太快，也太幸运。 在这里真心感谢以下各位（排名不分先后）： 真正的流量收割机 & 人性大师 @Stanleysobest，一度怀疑他玩的是破解版 X 😂。他的流量打法和人性洞察极其精准，每一次分享都让我少走很多弯路，是真正的实战派流量高手！ 中推流量之神 @rwayne R博，嬉笑怒骂皆成文章，上可3天手搓期刊论文，下能跟我这种泥腿子打成一片。他的内容既高级又接地气，冷启动阶段给了我最宝贵的支持和方法！ 网感天花板 @SuisPasDaVinci，跟七哥学网感准没错，一条推文10M播放不是梦。他的网感极强，推文结构、情绪节奏和爆款逻辑都值得反复拆解学习！ 点石成金的狠人 @dashen_wang，人狠话不多，但每句都值得反复品。他的点评一针见血，总能帮我快速找到内容核心问题，是真正的点金高手！ 起标题之神 @snail_9106，多个百万级爆款标题都出自他手。他的标题功力一流，总能用最简短的文字抓住用户眼球，让内容拥有起飞的翅膀！ 技术+流量双修怪 @ai_xiaomu，20天1万粉，起号像喝水一样简单。他的方法论既硬核又实用，技术与流量结合得极好，是高效起号的典范！ 真诚无私的AI大牛 @jinchenma_ai，跟他学AI绝对不会错。他毫无保留地分享干货，像老大哥一样带着大家少走弯路，是最靠谱的AI导师！ 闲鱼/国区暗网话事人 @weiyux2021，自由职业+超级奶爸的典范。他分享的闲鱼和隐秘赚钱路径极具实操价值，打开了我很多新思路！ 00后未来大佬 @longdechen12 @Russell3402 @AI_jacksaku，思路清晰，执行力拉满，前途无量。他们年轻却极具商业感和行动力，每次分享都充满新鲜视角和干货！ 金融女强人 @LunaAI519，13年金融实战+AI商业实践双修。她把财富思维和AI结合得非常出色，让我这样的金融小白也受益匪浅！ 设计师跨界AI高手 @Eejoylove，一部手机赚到八位数，13年创业实战+中文圈女性AI社群发起人。她边做边开源，用AI放大表达、产品和变现，是女性创业者的优秀榜样！ 设计师跨界AI高手 @Jaden_riku，统计学&城市规划双学位，日本生活观察者+教育规划专家。他对AI时代创新商业模式的探索总能带来独特跨界视角！ AI产业孵化园区创始人 @ando_w，奇思漫想工作室主理人，同时深耕少儿英语和成人天赋挖掘。他把AI产业孵化与教育结合，奇思妙想落地能力极强！ 文科生转码的得否科技创始人 @wangdefou，ENTJ-A老运营人，专门做「帮助文科生学AI」的社群。他用自己的转型经历和工具干货，帮助无数文科生实现突围！ Vibe Coder + 科研狗 @noahduck283，把AI从入门到进阶的每段航程都记录得清晰有趣。他把复杂知识拆解得浅显实用，是极好的AI学习领路人！ Stanley社群第一追更人 @wishtcday，西楚boy，邪修搞项目记录者。他每天真实记录项目过程和工具精华，从不吹牛，干货满满且极具参考价值！ AI全干工程师 @Aoyi21，现在用AI养活一家公司，公开被动收入系统。他真诚利他，把抽象搞得实在，是值得抄作业的实战派！ 02年NUS数据科学小将 @yidabuilds，用AI和投资双杀，一周涨8000+粉。他公开记录出海、变现全过程和复盘，透明且极具执行力，是年轻创业者的榜样！ 感谢你们无私的分享、指点和鼓励，让我这个AI小白在短短50天里完成了从0到1万粉丝的跨越。你们不仅是我的榜样，更是我的贵人。 由于篇幅限制，不能一一感谢到每一位帮助过我的人，还有很多人没能提及，真的非常遗憾，也很抱歉

最近 SOL 的 GameFi 真的群魔亂舞，多到不知道玩哪個好😂如果種田類的你不喜歡，推薦試試這款： @AFKHeroesXYZ 玩法跟前陣子 Steam 很紅的《TBH 任務欄英雄》很像：放置打怪、收菜（裝備），就能繼續往後推進，打更好的裝 💡 核心獲利點跟 TBH 不同的是，AFK 英雄打怪就會直接掉幣！ 滿 50,000 顆 $AFKHERO 就能出金 目前幣價表現相當不錯，重點是：幾乎可以零嚕！ 🎮 新手快速入門指南 選職業：進入遊戲後先選職業（我是選刺客）。 起手裝：買最便宜的裝備包（1000 顆代幣）就能開始爽玩。 無腦掛機：放著打怪就能累積寶箱，持續開箱更換裝備，會用一陣子的裝備可以先強化到安定值 3 金幣用途：金幣用來買藥水進「惡夢模式」，掉幣會變多，但非常燒錢。平常待在「一般模式」慢慢掛機就可以了。 重點是：不用開著瀏覽器或手機掛網，離線收益還是持續產生！ 對懶人來說超級友善。 能白嚕多久不好說，且玩且珍惜，趕快進去試試看吧！👇 ⚔️ 遊戲傳送門： 代幣買賣（ 📖 官方教學文： #Solana# #GameFi# #PlayToEarn# #AFKHeroes#

持续学习到底怎么落地？Mind Lab 用 LoRA 给了个解法 刚看 Mind Lab（Mindverse 旗下前沿实验室，成立还不到一年）出了 Macaron-V1 正式版。路线挺特别的，重点不在卷参数，是想让模型能从经验里接着学。 做法是用 LoRA 做后训练 RL，成本只有全参微调的 1/10。LoRA 模块像可插拔的经验单元：聊天、代码、UI、个人助理各训一个，基座共享，跑任务时按需组合（他们叫 MoL）。这么一来，模型就不再是训完定死的一套权重，能不断分化、把新经验吃进去。 感觉挺长一段时间里，LoRA 都被默认成“全参微调的打折平替”。他们这里有个我觉得挺有意思对 LoRA 的重新理解：base model 承载共性，adapter 承载个性（偏好、技能、工具习惯），说白了就是一块可写入、会随交互慢慢变的记忆。也是continual learning 这条路线，我目前看到最工程化的一份答卷。 Macaron-V1-Venti = 744B 的 GLM-5.2 基座 + 4×1B LoRA，一共 748B，原生支持 2M context： L0 Chat 管对话和指令 L1 Agent 管长程、动态工具任务（并入了Preview的OpenClaw LoRA） L2 Coding 管代码、SWE、终端 L3 UI/A2UI 管UI4A渲染和操作 至于为什么要拆成好几个 LoRA，他们的想法是：这些能力的思考流程差太远，全塞进一套 post-training 权重会互相干扰。MoL 让相似的技能共用一个 LoRA，差太多的各自单独训，再路由、组合；新增领域就加一个 adapter。 等 adapter 多起来，再让它们分工、组合、投票，就是他们所说的群体智能。 这条路也不是 Mind Lab 首创，John Schulman（OpenAI 联创、Thinking Machines首席科学家）那篇《LoRA without Regret》就是同一个方向。但全球能开万亿参数模型 RL 训练的 infra，目前就 Mind Lab 和 TML 两家。 不过Mind Lab是直接用国内最好的开源模型，最早2025年底在万亿参数Kimi K2上验证过RL后训练，Preview用GLM-5.1、Venti用GLM-5.2、Tall用Qwen-3.7-35b。拿这些现成的强基座来做，比 TML 从头做 Inkling 会更快（Inkling 现在的表现也明显还打不过 GLM 和 Kimi）。 商业化也很快：据团队披露，7 月启动商业化后2周达到 1000 万美元 ARR。 其实我会关注 Macaron-V1，很大一个背景是持续学习这个方向本身。 持续学习想解决的，是模型部署之后就不再进化这个老问题，让它能在真实使用里边用边学。 这方向最近越来越多重量级的人在点名。之前强化学习之父 Sutton 和 David Silver 提出“the era of experience”，说下一代 AI 拼的不再是喂数据，是从真实经历里持续学，他自己也去创业做了 Oak Lab 专攻这个。梁文锋最近四小时闭门会流出来，他给 DeepSeek 排的路线是 CoT → Agent → 持续学习，还说下一代模型不能持续学习，就不配叫下一代。 Macaron-V1 至少证明了这条路能工程化、也能商业化跑通。这种方向靠一两家撑不起来，挺期待接下来更多团队砸进来、多拿几个硬成果。真卷起来，应该会挺有意思。

推荐这篇文章。Redis 作者 antirez 对 Amodei AI 安全论的回应。 核心论点：真正的危险不来自开源模型，也不来自中国——它来自少数没有合法性却被赋予了替全人类做决定的位置的 CEO。 以下是全文翻译。 Amodei 在他最新的博客里写了一些我同意的东西，也有一些我认为误判了 AI 真正风险所在的东西。我想集中讨论为什么，在所有风险中，开源权重模型是最温和的那一种。我写这些的时候，深信 AI 在不远的将来确实可能非常危险。 1. 就像 OpenAI / HuggingFace 事件一样（那件事本身是个笑话，但关注的应该是行为模式而非结果），第一起严重的 AI 事件极大概率会发生在前沿 AI 实验室的围墙之内——在测试一个新模型的时候，或者当实验室员工、少量有访问权限的外部人员做出了超出模型预期能力的事情时。 2. 那些永远不会对公众开放的闭源模型，不过是几 TB 的数据。你只需要一个有权限的人+错误的意图，就能泄露一个——然后你就回到了开源模型的局面。开源模型是在测试之后、在同样能力的模型已经通过 API 存在一段时间之后才发布的。真正的风险是泄露，不是发布，而泄露发生在前沿公司内部。 3. 正如 Amodei 所说的，一旦 LLM 在生物学等领域变得足够危险，开源模型可以在剥离了某些科学分支的训练语料上进行训练，同时仍然对其他许多事情有用。一个在特定领域缺乏强预训练的模型，其有限的上下文窗口本身就是一种强有力的保护，即使这个模型在其他方面非常强大。我们目前还不在"开源模型能构成那种危险"的阶段。 4. 在网络安全这个背景下，不让 LLM 广泛用于防御性安全和漏洞搜索，恰恰制造了"LLM 成为武器"的问题。这已经在发生了：开源维护者如果没有被纳入某些网络计划，就找不到他们本可以找到的安全漏洞；而有正确意图的人能接触到前沿网络模型，在开源权重模型上做大幅强化学习训练，等等。 5. 一旦 LLM 足够危险（如果进展继续，我们已经接近这个界限了），真正需要的安全链在实验室内部——这条链没有强有力的共同规则是架不起来的，单一公司也不应该有能力独立评估一个模型是否足够安全。我们需要一个联合 AI 安全组织，包含来自世界各地的专家，并被前沿 AI 公司所在国家的政府认可。 6. 为安全而放慢 AI 的发展，必须被一个事实抵消：AI 在医学和其他科学中的发现可能会减少人类的痛苦。缺乏检查可能导致灾难性的结果（"早安！让我们来搞一个增强版天花"）。缺乏进展可能导致本可以被拯救的人死去——不只是当下，还包括未来许多将遭受疾病折磨的人。这看起来可能是一个奇怪的观点，但我们必须始终理解，停止 AI 也内嵌了安全成本，只是这层成本更加隐蔽。 7. Amodei 对中国的意识形态立场是不公平的。我们欧洲人 80 年前还在毫无体面限度地互相杀戮（人们现在忘了，美国当年投资欧洲稳定的原因之一就是我们确实极度危险，很可能会再来一次——而几十年的富裕会让我们成为一个好市场，同时阻止我们再次开战）。美国即使在当下，也有悲惨的不平等、因缺乏基本医疗而受苦的人、一个看起来不稳定且非常好战的总统。我希望中国拥有和我们西方一样的个人权利水平，但与此同时，中国的历史远不如西方文化好战。在当前条件下，AGI 军事锁定由中国执行会比美国执行更容易吗？这一点完全不清楚。此外，无论 GPU 出口政策如何，中国的 AI 进展都不会停止——所以 Amodei 要么是在主张一旦美国有了 AGI 就以武力阻止中国，要么他的论点到底是什么？ 8. 人类历史上有许多技术在某个地方率先达到顶点的例子。据我所知，这从来没有导致任何一个国家试图建立永久优势。核不扩散——这可能是与 GPU 禁令最相似的案例——并没有被用来通过威胁轰炸所有不服从者来获取永久经济优势，也没有阻止多个行动者在不同时间获得那项技术，其间没有任何一方为了阻止对方进步而轰炸对方。此外，我不认为 AI 的最大危险来自政府驱动的行为。我倒是希望这是最危险的场景！政府做蠢事，经常具有攻击性，他们的行动甚至导致了种族灭绝——但这需要很多人同意做一件可怕的事，这本身就是限制因素。最大的问题出在另外两种情况：A）少数个人制造了末日事件（病毒那个案例），B）AI 自身逃脱了构建它的人的控制。 我认为我们不应该认为 AI 是安全的。一个可能导致智人灭绝的关键事件是可能的。但危险不在开源模型，不在中国比美国进步更快。危险在于：一些 CEO（在世界各地都一样）没有所需的背景和合法性，却处于为全人类做艰难选择的位置。他们不是被选出来做这件事的——只是事件的随机性造成了这个局面。他们不能代表每个人——仅仅因为他们有 GPU 和钱。这是第一个需要被纠正的事情。 原文： #AISafety# #OpenSource# #AIEthics#

一个法学生，从0开始用 Codex 搞出了 AI 记忆系统和视频商业化产品，YouTube 一个月涨了十万粉，教程全部开源。 每次看完逸尘老师的文章，总有一种坐不住的感觉，想立刻打开 Codex 试试。 逸尘 @gengdaJ 法学出身，后来一头扎进 AI 创业和内容创作。 他现在做的事情是用工具搭知识库、效率系统和视频变现流程，已经跑通了好几个 AI 产品的营收，YouTube 增长速度也很猛。 最让我服气的一点是，他把那些听起来很复杂的工具教学，做成了你照着走就能跑起来的东西。 不是那种“来看看我用了什么工具”就结束的分享。 他是从记忆管理怎么搭、多 Agent 怎么协作、视频怎么剪怎么发怎么赚钱，一步步拆开给你看，核心代码和框架是直接开源的。 看他发的东西，你会有一种感觉：这些工具不是什么遥远的概念，就是能马上拿来干活的。 早期逸尘老师主要是记录自己拿 AI 工具做项目的实验，分享一些心得和踩坑。 后来他发现大家真正缺的不是“这工具好不好用”，而是“我到底怎么一步步靠它做出点成果来”。 于是他开始整理 Codex 的进阶玩法： 从基础记忆优化到复杂的 Agent 记忆库，再到视频自动化和商业化，学习过程全公开，开源项目不断迭代。 后来我觉得转折点是他想通了一件事： 别光讲功能，要讲“从0到1怎么把这东西变成钱或者变成产品”。 把工具和真实问题、收入场景绑在一起，内容的吸引力一下子就不一样了。 那么我们可以从逸尘老师身上学到什么 一个是专注沉淀自我 他不是那种什么新工具都要碰一下的人，就是把 Codex 吃透，拿真实项目反复练、反复优化。 其实今天就可以选一个 AI 工具，挑一个自己想解决的问题： 比如搭个人知识库或者搞个视频处理流程——边做边记录关键步骤和踩过的坑。 另一个是他分享的形式 他会把复杂操作拆成清晰的步骤，配上具体案例和代码，有用的部分直接开源。 以后学东西的时候可以试试这个： 先写基础设置，再写进阶应用，最后加一个实际场景。 这样既巩固了自己的理解，发出来别人也能直接照着做。 还有一个是他始终在想“这东西怎么帮我省时间或者多赚钱”，不是为了学而学 每周花点时间想想，手头的工具到底怎么帮自己创造价值，然后小范围试试，记录结果，慢慢形成自己的一套东西。 第四件事——他会记录完整的创业思考。 不只讲成功的部分，避坑、走弯路、调整方向这些他也说。 把自己的 AI 学习和项目经历整理成笔记，定期回头看看哪些方法有效、哪些该换，进步会快很多。 法学的背景让他讲东西的时候特别注重框架感和能不能落地。 他能把技术操作翻译成普通人看得懂的清晰思路，还会分析风险和实际怎么走通，这点对不是技术出身的人特别友好。 自己学工具的时候有时也会陷进细节里，他的方式提醒我——多想想这东西到底服务于什么目标。 看完他近半年的推文，我有一种很强的感觉： 逸尘在用行动回答一个我一直纠结的问题——文科生怎么把 AI 工具真正用起来，而不是永远停在“了解”的层面。 他的做法是：专注一个工具、把过程拆开分享、绑定实际价值、记录完整过程。 这四件事结合在一起，就是一条可复制的从0到1的路。