半年来，我一直反复介绍的四个原则： 原则1，AI时代的第一性原理：LLM一定会越来越聪明，benchmark越来越高，context window越来越大，reasoning越来越长，价格越来越便宜，inference速度越来越快， 这是scaling law今天依然持续的具体方向，不用你质疑，这是你唯一的信仰和行业最大共识。 原则2， 管理学设计红利：从我提出“自动编程机”、行业提出vibe coding、SWE-Agent以来，从cursor到manus到metaGPT到claude code， 人们逐渐把LLM Agent抽象成人，把软件管理、工程管理、管理学等等所有方法论直接套在multi agent workflow上面，严格按照人类管理学的方式去拆分、review、执行、反馈、循环， 这一波很快红利也吃完了，因为 a. LLM Agent毕竟不是人，存在着memory有限、执行力有限、function calling工具有限等等局限；b. 人类用于管理学的各种方法，直接套在LLM Agent上有利有弊，红利迅速挖掘完，剩下的弊端大量存在，比如过度交流、七手八脚、随时停工等等。 原则3，LLM Agent的职位和定位：绝大多数人，把claude code当做一个工具，最终的产品是用工具来完成的，最终的代码也是人与SWE Agent一步一步interactively迭代产生、迭代review、迭代部署的， 而我反复告诉过所有人，也是我又一条首次提出的原创观点，multi agent未来越来越会变成本身的一个runtime，这个runtime就运行在production里面，产品和面向的对象消费的，不只是软件或者SaaS本身，而是这个runtime实时产生的内容， 所以claude code/opencode/codex/openclaw这些agent，本身将会越来越多地被嵌入到产品本身，在产品关键逻辑和决策中发挥作用， 而绝对不仅仅停留在开发层面，把产品仅仅局限在SWE Agent单向产出和部署的代码和服务上。 原则4，也是我一直强调的，就是当人们试用了SWE Agent这种强大工具之后，人们还有哪些low hanging fruits可以寻找？SWE Agent目前最适合解决哪类问题？ 我反复讲过的一点是，对于一个设计复杂、环境复杂、场景复杂、用户复杂、体量复杂、范式复杂、一切开放、一切无解的超级复杂系统，这并不是SWE Agent最擅长的领域，相反这些场景需要人去和环境、客户、场景、性能一点点迭代才能打磨好的产品， 比如微信的100种功能，Facebook的一大堆功能模块和十几年来迭代出来的极其复杂的infra，支付宝后面成千上万的基金和风控，这些都不是AI Agent能一次性解决的问题，相反这些场景和问题不仅高度开放，更高度依赖人的观察、人的设计、人的反馈、人的定义。 AI Agent最适合的场景，甚至是我原创提出goal driven（ a. 定义简单、干净、封闭（一道数学系、一个确定性最小系统、一个编译器、一种算法、一个lean证明、一个电路或者信号模拟、蛋白质模拟和预测、CAD设计与仿真、游戏关卡测试、行为经济学仿真，都是well-defined problems，都有非常明确且封闭的边界） b. 解决问题的搜索空间巨大（可能有100~10万种天马行空的解决方案，并且绝大多数都是错的） c. 容易验证，容易verify，验证的成本是设计成本的千分之一（比如编译器，设计可能需要几万行甚至几十万行，验证只需要2000个test case全面覆盖，或者一道数学题，解决需要100步，验证答案只需要带入或者lean编译这一步） 当然，写一段简单的代码，定义一个封闭、完整、定义完全的编程问题，符合上面这些定义， 但是设计一套巨大、复杂、开放、与现实世界深度绑定、高度耦合的系统，让这个系统复杂迭代、添加功能、沟通、review、工程管理、产品管理，这些问题都远远超出这个范畴，很明显是不符合这个要求的。 人们未来探索这些multi agent产品和场景的最关键出路，在于继续挖掘这一类问题，而不是盲目把agent比作一个人，乱套各种管理学方法。 原则5，这一点我先保密，之后我再讲。

OpenAI、Anthropic、Mistral 和 Google DeepMind 向陌生人支付报酬以训练他们的 AI。每小时 15 至 300 美元，每周通过 PayPal 或转账支付。 100% 远程。大多数人不知道这些平台的存在。 这些是在 2026 年招募的 17 个平台： Outlier：Scale AI旗下平台，主要负责评估和修正AI模型的回答。 Mercor：高端精英平台，适合专家和工程师，一场20分钟AI面试即可申请所有岗位。 DataAnnotation：适合新手入门的平台，普通项目和代码/STEM任务都有。 Surge AI：为OpenAI、Google、Meta、Anthropic等公司训练模型，支持20多种语言。 RemoExperts：写作、评估和创意类任务，连入职培训都付费。 Alignerr：Labelbox支持的平台，全球开放，平均时薪较高。 Mindrift：专注各类专业任务（Toloka已并入），健康和法律领域薪资更高。CrowdGen：Appen旗下平台，覆盖200多个国家，适合其他平台不开放的地区。Handshake AI：连接学生、毕业生和专家与各大AI实验室的平台。 Braintrust：唯一公开标价且无平台抽成的平台，透明度高。 AfterQuery：Y Combinator支持的AI实验室，工作以项目波次形式进行。 Micro1：通过AI招聘官“Zara”面试认证，可自主设定报价。 Aligned：入门薪资最高的平台之一，适合博士或资深从业者。 Pareto AI：专注RLHF、模型评估和提示词工程，筛选较严格。 Terac：结合付费市场调研和AI数据标注工作，有推荐奖金。 Innodata：纳斯达克上市公司，35年以上LLM数据经验，提供兼职专家岗位。 Fanvue：唯一非按小时计费的平台，创建AI虚拟角色，粉丝订阅付费，你拿80%收入。

LLM 之所以被稱為 generative model 就是在於它只會做「加法」無限量生成內容將用戶淹死在文字海裏 👈 這時唯有靠人類發揮足夠的智慧與意志力去把關叫它做「減法」才是增加成功機率~ ( #agentflow# 就是在幫你做這件事 🙌

AI领域热门内容，以加速运算，训练更聪明的LLM为主为荣，他们做的东西，都是面向非一般消费者，受众群体小，上不了台面 Crypto领域热门内容，以通过创造无意义物品，创建角度，炒作为主，这些事情，都是面向一般消费者的，受众群体大，应当受上赏 因此Crypto对AI，此为一胜，不落下风，遥遥领先。 又因为Crypto对AI为一胜，因此为二胜，卧龙出山。 再因为Crypto对AI为二胜，因此为三胜，蛟龙出海。 还因为。。。

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。

$vvv 作为“币圈的英伟达 ”在最近轻松突破了新高，来到了 1.5B MC 大家都在寻找下一个 $vvv 的下一个beta $vvv 现在最出名的产品就是无审查的LLM。如果之前留意了我的这篇分析，会发现 $POD 就是 $vvv 最好的 beta @dphnAI 是 @AskVenice 上无审查大模型的训练方和推理提供商

大多数人浪费大量时间寻找优质AI资源。 这个GitHub仓库悄悄放出13本免费AI书籍。全是干货，无废话。 🔗 这里面有啥 👇 LLM基础 → 分词到安全 → 训练简单解释 → 对新手友好的深入研究 强化学习 → 基于价值的方法 → 策略梯度方法 → 实践实施小贴士 深度学习面试 → 400+精选问答 → 从CNN到Transformer → 临时复习perfect 机器学习数学 → 线性代数要点 → 微积分与概率 → 包含实际案例 OpenAI Agent指南 → 验证过的设计模式 → Agent编排技巧 → 真实世界的防护 纸笔机器学习 → 理论优先问题 → 逐步解决方案 → 不需要键盘 微调大语言模型 → 从基础到突破 → 最佳实践解析 → 应用研究挑战 多Agent强化学习 → 博弈论×学习 → 基础概念 → 前沿研究 ML系统工程 → 哈佛最新指南 → 分布式训练 → AGI规模系统 保存备用 📌

AI 下半场的核心逻辑：算力结构重构与 AMD 的重塑契机 当前 AI 周期真实且不可逆，远非泡沫，但产业风向正在悄然切换： 从 LLM 转向 Agentic AI & 具身智能： 行业焦点正从单纯的聊天机器人，全面跨越至能自主执行复杂任务的代理式 AI 与机器人。这类系统极度依赖上下文记忆与逻辑调度，将直接驱动数据中心对 CPU 的需求爆棚（算力配比有望从 1:12 挤压至 1:2 甚至 1:1），而这一算力缺口尚未被市场定价。 杰文斯悖论将触发爆发式普及： 目前约 90% 的办公、工厂与物流场景仍未普及 AI，主因在于成本。随着推理与调度成本降至 ROI 临界点之下，效率提升反而会推爆总体需求。同时，数据中心已具备真实盈利能力，并非“无回报烧钱”。 数据中心 CPU 的重估机会： 在 CPU 产业链回调背景下，AMD 展现出极高性价比：数据中心 CPU 基本面强劲，当前仅约 17 倍 PS（处于近年低位）；高营收增长、经营利润显著提升且财务稳健；配合整机架解决方案的推进，有望直接分食 NVIDIA 的市场份额。 AI 进化从单纯模型训练转向 Agentic AI 和具身智能，需要庞大的上下文记忆与逻辑调度，数据中心对 CPU 的需求正呈爆发式增长。AMD 作为服务器 CPU 龙头基本面极其稳健且估值处于低位，在整机架解决方案与性价比优势驱动下，性价比和长线弹性已超越极具高基数的 NVDA。NFA DYOR

GPT-6 喊出 AGI，李飞飞和马斯克为什么不服？ 看到一个观点，真正通用人工智能（AGI），必须拼齐三个板块： 大脑（GPT-6）：主攻 Computer Use 与高阶推理，代劳操控 complex 软件，ARC-AGI-3 跑出近乎满分的战绩。但离物理现实依然脱节。 数据与自习室（World Labs）：李飞飞 Atlas 打造 3D 空间生成，用“世界模型”补齐 LLM 文本耗尽的短板，为具身智能虚拟造数据。 手脚与具身（Cybercab）：无方向盘无人车奥斯汀上路，极简双座+模块化生产，将每英里成本打到 0.7 美元，成为物理世界执行器。 “大脑、自习室、手脚”的比喻极为精准，既戳中了纯大模型触不可及的物理瓶颈，又直击世界模型破“数据墙”与自动驾驶“极速降本”的商业本质。硬伤在于忽略了大脑指令到手脚执行之间毫秒级延迟的巨大鸿沟——拼在一起不等于自动融合。光有大模型只是单机大脑，只有把这三者彻底打通，AGI 时代才算真正落地！