黄豆原创《大奉打更人》第5集精彩片段 临安公主直接在马车里强上许七安， 一边颠一边把玉体往车窗外露， 全京城的人都能看见公主那副浪荡模样…… 点击置顶链接下载app观看更多精彩 #成人短剧# #AI成人# #大奉打更人# #黄豆魔改短剧# #AI迟早出片#

我还是建议大家少坐飞机，甚至高铁这些高速的，出了点事就要完蛋的。现在人类写的代码，安全性在AI眼里基本是0，迟早AI把飞机搞几架下来，这是100%会发生的，就看谁倒霉。

AI token价格近期明显回落，但没人在认真讨论这件事意味着什么。 彭博和瑞银出了一张图，值得认真看一眼。橙色线是一篮子AI超大规模云厂商的股价（UBS Hyperscaler Index），黑色线是AI token定价走势（Silicon Data LLM Token Expenditure Index）。两条线从5月开始同步冲高，然后6月一起回落——token价格跌得更猛。 过去两年市场盯着算力需求、GPU短缺、数据中心扩建和资本开支公告，没有人在认真看收入端。这张图在看的就是收入端。 Token价格下跌对用户是好事，AI变便宜了，采用率会加速。但对英伟达、美光、博通，以及云厂商自己来说，这件事开始对整个AI生态的定价权形成压力。 现在的问题是：token价格持续下跌，到底是效率提升的体现，还是最终会变成基础设施供应商的逆风？ 如果是前者，降本增效推动需求爆发，产业链继续受益。如果是后者，终端变现压力迟早会传导到上游，过去一年撑起市场的那批股票会面临真正的考验。 现在还是早期信号，但这条线值得盯着。AI交易的下半场，收入端的逻辑会越来越重要。

我觉得做自媒体一定要严谨，不然迟早就被 AI 的幻觉骗地团团转。 这个故事有 N 个 Bug，居然还在传播。 我阅读了 Knuth 老爷子的原文，主要问题如下： 首先，这特么就不是一个困扰学界 N 年的顶级难题，更不是什么哥德巴赫猜想。 它就是老爷子写的教材《计算机程序设计艺术》里的一道练习题，让读者解决有向哈密顿环。 而且老爷子给了 m=3 的情况，让读者自己算算其他情况。 老爷子确实提到了“我算了几个礼拜”。 但是！你要知道，他今年 88 高龄了，他几个礼拜算出一个答案已经很不错了。 试想，你 88 岁的时候还能高强度算数学么？连牛顿都不行，牛顿晚年就不搞物理了，在研究炼金和神学了。😂 而且报道里说 86 岁，也是不负责任，他出生于 1938 年，今年 88，虚岁 89。 而且，接下来，报道给出了最迷惑性的内容： 它仿佛在暗示，好像 AI 自己一下秒杀了这个题目。 实际上，在原文里，奇数是 Filip Stappers、偶数是 Ho Boon Suan 两位数学背景的人士分别解决的，他们确实分别使用了 Claude 和 GPT。 但是这是两位数学背景的人士好么？ 这两位已经有了一些想法，让 AI 来助力而已。普通人拿 AI 是不可能破解的。 ----分割线---- 而且，我对这两位的工作也有些顾虑（只是轻微的）。 其一，老爷子原文提到：“Filip 还告诉我，在奇数情况解决后，他让 AI 继续研究偶数情况。但在那之后，过了一会儿它似乎卡住了。最后，它甚至无法正确编写和运行探索程序”。 这才是我们熟悉的 AI 好么？😂——上下文超了。 根据我的经验，上下文快塞满之后，那 AI 的记忆和智商都不剩啥了。 其二，老爷子原文提到：“（AI 生成的 14 页论文） Ho 说这完全是机器完成的；他不需要以任何方式编辑论文。” 这是最恐怖的😨。 我在工作中最怕的就是，有人突然甩过来一个十几页的 AI 写的长篇论文。 你们扪心自问，AI 一下子生成出这种完美论文的概率有多大？ 对于这种 AI 长文，我并没有时间仔细去看这些证明，相信你也不会有时间的，恐怕老爷子也同样未必有时间。 AI 它是一个大语言模型，擅长处理语言，它最特别的就是它会圆谎，让你以为这是正确的。 所以对此我存有一定的轻微疑问。 不过，如果说这几位研究人员和学者确实真的，通过 AI 解决了这么一道题目，我也乐于道歉。 我凭借自己经验，感觉这个故事，幻觉含量略高，我内心希望这事更加严谨一点。 ----分割线---- 当然了，即便他们真的解决了这个问题。这也只是一道教材上的、面向读者的开放题目而已，并没有报道中渲染的那么困难。 如果这就得出学术界就是缺算力的结论，恐怕有些武断。

如果未来一定是 AI 和真人长期共存的世界，那“如何在不出卖隐私的前提下证明你是人”，就是一个迟早绕不开的终极问题，而 Billions 押注的就是这个。 在【数字身份 + ZKP 隐私保护】这个赛道里，被 Coinbase Ventures 投过的项目其实只有两个：Worldcoin 和 Billions @billions_ntwk。 WLD已经发币了， $BILL 这个代币，12 月应该是要来的，关键数据是总供应量 100 亿枚，永久固定不通胀，TGE 初始流通大概 23%，社区部分有 32%，那空投份额大概率也不会低。 Billions 目前累计融资已经超过 3000 万美金，官方自己也说，代币的价值循环是靠「真实使用 + 链上销毁」在推动的。 按照官方的说法核心技术已经赋能了超过 9000 个零知识证明和身份类项目，包括 Sentient、TikTok、HSBC 以及印度政府这些真正的大体量应用，通过信任验证协议等机制形成真实需求飞轮，想要靠强网络效应跑出一个长期的价值正循环，这一点我觉得确实不容小觑。 再往大一点看，未来 AI 生成内容只会越来越多，机器人、女巫、代理人全面入侵，传统身份系统正在系统性失效，在这种背景下，“数字身份 + ZKP 隐私保护”已经不再是可选项，而是真正的刚需。Billions 一直反复强调这个，其实就是认为这个是这个时代的大趋势。 相比 Worldcoin 想做“全球唯一身份证”这种偏垄断式的身份入口，Billions 选择的是做开放身份生态的“连接隐私层”，它并不是身份的唯一发行者，而是连接节点、用户、机构和开发者的中间隐私层，更像是 Worldcoin 的“升级版本”，其背后的 Privado 这种开放身份基建路线，确实才是长期正确的方向。 实际使用过的大概知道它不绑定硬件，手机就能验证，隐私优先，用 ZKP 保护数据，本身又是开放身份体系，还能和 Privado 这些开放身份层协同生长。 如果是多号选手，说实话现在也挺难的了，基本都要走 KYC，想靠批量刷号、刷流水那一套，空间已经被压得非常小了，这对真正的真人参与者反而是利好。

meme币玩家转战AI股遭遇巨亏，心态却出奇地好？😂 彭博社报道，两年前，加密交易员Rahul Patel整夜倒腾市值动辄十亿美元的meme币，生怕隔夜不抛就错失风口。 如今，他的持仓已换成英伟达、SK海力士等AI芯片股。 本月AI板块整体重挫，他持有的 Sivers Semiconductors已从高点跌去近70%，但他丝毫不慌—— “这体验好太多了！晚上能睡得着觉，做meme币那会儿，根本不可能安心持仓过夜 ” 😂😂 Patel是因为关注了“白毛股神”Serenity ，而买入Sivers，他形容这类账号在特定股票上营造出的“光环与信仰感”，与当年meme币教父Murad的手法几乎一模一样！ Citrini Research分析师直言，由网红带动散户跟风堆起的股价，“不是基于基本面，迟早会迅速崩塌”。 但Patel面对这轮暴跌非常淡定，因为他压根没打算短线操作——这些AI股仓位，他准备持有1到2年。 这在meme币的世界里，这几乎算得上是“永恒”的时间尺度，短期涨跌对他而言，根本不值一提。 来自加密玩家的超绝心态！🤣🤣🤣

昨天跟朋友聊天，谈到 AI 应用的分类： 第一类是效率类。非常多。多如牛毛。然而大概率没创业者什么事。迟早是模型厂商或传统大厂的囊中物。 第二类是效果类。非常少。少得都不怎么能想出实际案例。这类很有机会。但绝大部分创业者不知道怎么做。极度缺少真实的业务领域实践。 第三类是习惯类。帮用户改掉旧习惯。培养某些新习惯。这类的生命力会很强。 第四类是情感类。这块我和朋友都不太懂。默默觉得这里有大机会。但不知道怎么做。 第五类是基建类。给以上四类提供中间件。这类的难点是。大多还是属于效率类。一旦有精力自研。就会被替换。很多应用本身就不厚。 第六类。等你补充。 你也可以否定以上所有。回复你的全新分类和趋势判断。期待。

巴菲特最新采访： AI巨头都在赌博。 1、伯克希尔对 Alphabet的持仓已超310亿美元，最终拍板人是阿贝尔而非巴菲特本人 2、伯克希尔衡量"持仓大小“不只看上市股票，全资公司同样纳入比较 3、"不投技术"的标签早已不成立 4、好生意的唯一标准：长期跑赢无风险回报的资本回报率 5、AI 巨头的资本支出，本质是放弃确定回报去赌一个不确定的未来 6、技术是否前沿不重要，钱能不能收回来才是核心问题 7、市场态度大反转：轻资产时不受待见，重资产扩张后反而被股东嫌弃 8、芒格的原则：好生意必须真正能产生并调动现金 9、洛克菲勒式复利的启示：规模越大，越难维持速度 10、IBM的教训：客户不傻，拒绝进化的企业迟早被淘汰 11、Data Documents公司的教训：真正赚钱的好生意必然招致竞争攻击 12、持有 Alphabet并非因为最爱，而是伯克希尔一贯的投资逻辑使然 13、为什么是 Alphabet而不是别家：科技巨头们都被迫卷入一场退不出的赌局。

字节对大厂 AI Coding 的反思，好真实。 字节技术副总裁洪定坤的分享，我来回看了好几遍，很有启发。 字节在 AI Coding 方面的实践还是很有代表性的，推荐所有做研发的同学都可以看看。应该会感同身受。 我看完记了一整页笔记，分享给大家。 我甚至觉得可以把这个分享理解为字节在 AI Coding 上的一些真实反思。 根据自己的理解，我把这个分享里对我有启发的几个判断展开来聊一聊。 其中会夹杂很多我自己的感触，想看原文的可以直接去找演讲全文。 反思一：AI 代码贡献率不该是 KPI AI Coding 基本上都已经逐步进入了各个公司的生产流程。 很多人都在说自己的业务有 90% 的代码是 AI 生成的，乍一听，感觉很恐怖。 但其实，AI 对研发的提效没有外界想象的那么高。 洪定坤举了 TRAE 团队的例子。TRAE 本身就是做 AI 工具的，所以这个团队对 AI Coding 的采用非常积极。 过去半年里，他们有 94% 的代码都是 AI 贡献的。但人均需求吞吐率只提升了 60%，也就是之前的 1.6 倍。 这就有疑惑了，AI 写代码的速度至少是人的 10 倍以上，如果 90% 以上的代码都是 AI 产出的，效率至少应该提升 5 倍或者 10 倍吧？为什么只提高了 1.6 倍？ 字节得出来的结论是，单一的指标，比如 AI 代码占比，根本没有办法代表真实的生产力。 如果把 AI 代码贡献率当成 KPI，结果就是大家都去优化 AI 的生成量，而不是优化交付能力。 看起来 AI 用了很多，但系统的效率并没有真正变好。 那为什么 90% 的代码都是 AI 写的，人效才提了 1.6 倍？一个很重要的原因是，写代码只是整个研发流程的一个环节。 写之前要理解需求、写 Spec，写完之后要验证功能、提交发布，这些环节如果还是传统方式，光把写代码加速了，整体效率提不上去。 洪定坤把字节在这方面的尝试叫做系统化的 AI Development，核心意思就是 AI 不能只管写代码，得让它进入更多的研发环节，整条链路都跑通，效率才能真正上来。 前两天出去的时候还跟别人争论这件事。现在还有不少公司在追踪员工到底用了多少 Token，说白了，这是在追踪过程。 更应该关注的是，用了这个工具之后，从结果层面去看，交付到底有没有变得更快、更可靠。 一个团队天天说自己 AI 工具用得贼溜，消耗了多少 Token，但没有什么有效的产出，那这到底是好事还是坏事。我觉得这是一个值得每个管理者思考的新问题。 反思二：功能正确≠工程可用 Vibe Coding 的理想状态是就像聊天一样，用自然语言表达自己的需求，最后做出来想要的产品。 如果哪里不对，再用自然语言和 AI 沟通，让它修改。这是过去一年 Vibe Coding 风靡的思路。 对于不太复杂的应用，这种方式完全没问题。我自己做的一些项目基本上就是这个流程跑下来的。 但只要是做生产级的软件，无论公司大小，流程肯定不是这样。 因为公司里必然有老代码，有一套约束。怎么复用已有的组件，安全和权限怎么处理，性能怎么保证，还有兼容性、可维护性。 正经写过工程代码的人都清楚，Vibe Coding 描述的那个状态是比较理想化的，更适合做小项目和验证想法。 真正的程序员虽然也在 Vibe Coding，但流程跟理想状态不一样。 字节内部做了一个实验来验证这个判断：三个模型，三个 Agent 框架，两两组合成 9 种方案，针对同一个需求，每组跑 100 次，总共 900 次。 结果发现，AI 在功能正确率上表现还不错，所有组合都超过了 80%，也就是说，AI 把功能写对的能力已经过了及格线。 但无论哪个组合，生成代码的工程质量都不太好。比如 UI 不对，没有复用组件，性能有问题，结构不符合规范。 这些问题大家在用 AI 写代码的时候应该都碰到过。 现在所有上了牌桌的 Coding 模型，都已经过了 Opus 4.6 这个级别的临界点，模型可以自主写代码了。 这个时候影响 AI Coding 成败的绝对不是裸模型，而是裸模型加上 Harness 的能力。 这个判断本身不算新鲜。 但我最受触动的是字节对 Harness 的理解。 他们的反思是，整个行业好像还是把 Harness 等同于 Agent 框架，诸如用 single agent 还是 multi agent，包含哪些角色，角色之间怎么配合。 这些当然重要，但字节在实践中发现，真正决定 AI Coding 能不能落地的，反而是更基础、更工程化的东西。 洪定坤把它叫做基建。 比如上下文工程有没有做好，架构的约束够不够清晰，团队的知识能不能有效沉淀下来，过去的技术债有没有梳理清楚。 这些看起来不那么性感的工作，反而直接影响 AI Coding 的效果。 实验数据也验证了这一点。同样的模型和框架组合，把这些基建结合进去之后，功能正确率直接从 80% 提升到了接近 90%，工程质量得分，也从之前 40 到 60 分的不及格水平，普遍提升到了 80 分左右。 基建做不好的话，可能的后果是，Vibe Coding 感觉快了，但实际整体可能更慢。工程的债，迟早得还。 反思三：代码门槛下降之后，团队怎么协同 洪定坤分享里有一个例子让我印象很深刻。 产品经理有个需求，发现还得等研发排期，就说那我自己来吧，用 AI 三下五除二就把功能给实现了。 确实这个功能不复杂。做完之后产品经理把代码给到研发，说我已经把代码写完了，现在你只需要帮忙把功能上线就行。 研发一看，不行。你这代码能跑，但不符合上线的规范，有权限问题、安全问题。 产品经理就很委屈，你们没时间做这个需求，现在我都做完了又不让上线。可研发看到的其实是代码质量的问题。 所以这里面就有一个需要所有人正视的事情，虽然代码的生成门槛虽然下降了，这并不代表系统的复杂度也下降了。 真实的业务系统里，代码要放到已有的架构里，要跟已有的模块配合，还要考虑各种各样的问题。 绝对不是谁写出来就能直接上线的。不然肯定会出问题。 怎么让不同角色的人用同一套工具和规范做出符合要求的代码，这是接下来大家需要去解决的。 字节的思路是在内部尝试工具化。比如把内部实践直接产品化，沉淀到 TRAE 里面，开放给所有人。 其实说白了就是工具化。 我看朋友圈有好多大佬也都在转这篇文章，应该还是有挺多共鸣的。 我感觉这一次分享多少也是一些拨乱反正吧。因为过去一段时间确实有很多听起来很离谱的言论，有些人会疯狂地炫耀自己使用了多少 Token，会认为这就代表着 AI Native...... 强烈推荐大家看看原文。字节跳动的公众号就有。