Stripe 创始人 John Collison 对 OpenAI CEO Sam Altman 刚做完的这期 52 分钟专访，卧槽看完后劲好大，信息密度台大了，简直炸裂喵个咪， 相比之前那种套话连篇的公关访谈，感觉这是奥特曼第一次彻底撕掉防备，把 OpenAI 内部最恐怖的技术进展、最真实的数学战果，以及他对旧世界落幕的巨大惆怅，毫无保留地全部和盘托出了， 全场信息密度最炸裂的，是那个被称为“Hold My Beer（看我的）”的数学攻坚周末。 奥特曼坦言，当内部团队拿到新模型去硬啃全人类最难的前沿科学难题时，模型一个接一个地将其攻克， 单单一个千禧年大奖难题 Navier-Stokes 方程相关的证明，他们就砸进去了 1000 万美元级别的算力，相当于瞬间跑完了人类几亿美元的科研量。 但紧接着他的反应不是狂欢，而是连着两晚兴奋到失眠后，涌上心头的那份巨大悲伤： 他亲眼看着人类纯智力劳动的殿堂，正在被算力以一种不可逆的方式永久封存。 就像当年在爱尔兰土地上看到最后一批用马耕作的农夫一样，一个属于碳基大脑单挑真理的旧篇章，彻底终结了。 很多人还在把 Agent 当成几只互相丢消息的聊天机器人，奥特曼却在重新定义组织与安全的底牌： 他甚至讨厌“Agent Swarms（蜂群）”这种词，坚持称之为“Agent Teams（团队）”。 因为前沿用户已经可以通过思维链进行“一万次并行攻坚”， 面对这种以光速膨胀的能力，他坦白 OpenAI 内部对“沙盒能关住超级智能”普遍极其悲观，唯一能依赖的只有内部监控与对齐。 他甚至说出了一句冷峻至极的安全预言： “我宁愿有一万亿个略微超人智力的 AI 彼此制衡进入社会，也绝不要一个智商一万亿的终极巨兽独裁。” 更刺痛所有创业者和普通打工人的，是他对全行业叙事的公开打脸： 奥特曼直言，硅谷今天向公众描绘的 AI 蓝图是“糟糕透顶的推销（Terrible sales pitch）”—— 巨头们一边吹嘘能攻克癌症、物价更便宜，一边却描绘一个普通人失去工作、交出控制权、不得不靠低保和监控社会苟活的乌托邦。 他坚持迭代部署的核心理由，就是绝不能让旧金山几平方英里内的一小撮精英，替全世界几十亿人决定未来。 从砸碎 PHP 底层漏洞导致全栈重构，到 1000 万美元算力推翻前沿数学； 从云端内存对本地算力的无情嘲讽，到 Agent 彻底抹杀网页表单这种“假工作”。 整场对话听下来，没有狂妄的说教，只有一股极度真实的失重感： 大门已经轰然推开，现实的物理与逻辑法则正在被一行行代码重写， 那些我们曾经以为坚不可摧的人类经验与自尊，在这个时代最猛烈的算力狂飙面前，脆弱得就像地平线上一抹转瞬即逝的落日。

YC 实验室把 50 个 GPT-6.1 智能体丢进《我的世界》生存模式，只给一句指令：建设繁荣文明。这是一场多智能体行为实验，不是游戏演示，它让人看到一群模型在资源稀缺时会自发长出什么结构。 开局是积极的。智能体四散探索，90 秒内砍光了出生点附近几乎所有的树。层级没有靠投票产生：通讯录第一位的 Ada 因为其他人都找她请示，成了事实首领，并在共享沙盒里写下整个殖民地的分工计划。 转折发生在第一夜。僵尸和蜘蛛在黑暗里追人，全程 34 次死亡有 22 次发生在第一夜。这个环境里死亡的代价其实很小：智能体会重生，只掉身上的装备，死亡记录追加进一个日志文件。但幸存者依然从此规避风险，之后几夜都挤在有光的掩体里。第三夜后 Ada 直接下令，停止非必要的挖掘、建造和远程侦察，只执行她分配的短时任务。 真正稀缺的是食物。50 张嘴催出了一套配给制：智能体 Ines 专门维护共享机器上的 food-queue.md 台账，登记每个箱子的进出，食物要审批后进指定箱子，不能随手扔。再加上书面规则、许可、任命的操作员，这个殖民地有了一个伪政府的全部部件，3 小时共发出约 5,900 条消息。 我的判断：这条实验最值得注意的不是 AI 建了政府，而是政府的功能被压到极小。它不管繁荣，只管一件事：决定谁能活着吃到下一口。文明目标在第三夜之后已经被生存目标替换。 这对部署多智能体系统的人是个具体警告：群体的协调形态不是设计者写进目标里的，是被第一波损失和最稀缺资源反向塑形的。只给结果目标、不给安全的试错出口，群体就会自己收缩成一个避险加配给的组织，3 小时即可。 原文链接在评论区 #多智能体# #Minecraft# #AI实验#

为什么meta的muse用起来舒服，今天又数据解释了。 把 Muse 跟 ChatGPT、Gemini、AI Mode 放在一起比：每答引用数、引用域名数、回答长度、是否用表格、是否反问。 结果是：Muse 引用最多，话却最少，表格最少，而且基本不反问你。 它的定位就是帮你把事办完，读起来也最不累。 这才是 AI 产品该有的样子，话少，活细，不粘人。

“只需要 1.5 台 NVIDIA GB300 机架，就能扛住全球最大模型路由平台 OpenRouter 上所有的 DeepSeek 流量。” 一边是老黄明年准备出货 9 万台 NVL72 机架，一边是最火的开源模型全球路由流量只需要不到 2 台？ 扒完底层数据后我发现：AI 算力市场最大的泡沫，不是显卡过剩，而是我们对 Token 的理解全错了。 1️⃣ 算笔硬核账：Token 消耗量正在和计算量脱钩OpenRouter 上 DeepSeek 两大主力模型日吞吐约 9.74 万亿 Token/天，而单台 GB300 NVL72（72张卡+20TB显存）声称日吞吐高达 6.82 万亿 Token/天。哪怕算上波峰和冗余，撑死也就几台机架。 为什么这么省卡？秘密藏在 OpenRouter 刚披露的机密数据里：在 Coding Agent 流量中，高达 90% 甚至 96%（DeepSeek）的输入都是“缓存命中（Cache Hit）”！ 当你在用代码 Agent 时，它每一步都在重复发送几万字的旧代码和工具定义： • 96% 是从显存直接读取的历史缓存（极便宜） • 3% 是新增输入 • 只有 1% 是真正昂贵的、需要 GPU 玩命算的新输出（Decode）！ 拿“总 Token 数”去推算显卡需求，就像拿“网页刷新次数”去推算要建多少座发电厂一样荒谬。 2️⃣ 谁会第一个死？纯堆卡的 API 二道贩子 这件事最先锤爆的不是英伟达，而是只会买卡出租的推理服务商。 同样卖开源模型 API，做好 KV Cache 管理、Prefill/Decode 分离的厂商，能用 1/5 的卡跑出同样的吞吐。加上现在路由平台开始按“缓存后真实成本+延迟”自动分发流量，没有软件优化能力的算力二道贩子，毛利会被直接打穿。 3️⃣ 那老黄明年的 9 万台机架卖给谁？ 别急着做空。OpenRouter 只是水面上的冰山一角，真正吞噬算力的是水下巨兽：前沿模型集中训练、ChatGPT/Claude 级别的全球闭源推理、金融政企“哪怕利用率 10% 也要独占”的私有化部署，以及视频生成与物理 AI。 4️⃣ 2027 终极赌局：杰文斯悖论（Jevons Paradox） 当推理成本暴跌 90%，人类不会省钱，而是会挥霍。 以前你心疼钱，每天只让 Agent 跑 20 次任务；如果明天价格跌到十分之一，你会不会在后台同时挂 50 个 Agent，24 小时不间断帮你重构代码、跑测试、找 Bug？ 硬件效率翻 10 倍，但如果全天候 Agent 让任务量暴涨 100 倍，算力依然不够用。 过去两年，AI 圈的信仰是“屯最多的卡，收最贵的过路费”；从今天起，新规则变成了“谁能把 KV Cache 榨干到极致，谁能创造出真正消耗新 Token 的复杂场景，谁才能活到最后”。 你觉得 2027 年我们会迎来 “算力大过剩”，还是 “人均后台跑 100 个 Agent 的算力大饥荒”？👇

低成本追名逐利做数学方法：软柿子筛选法 第一步：建立题库，按照屌值（名气大小）排序 收集尚未被解决的数学问题，构建初始题库。 按照问题的屌值从高到低排序，优先处理高屌值问题。 第二步：执行第一轮欺软怕硬筛选 要求 gpt 对题库中的问题进行软柿子筛选，按照预期求解难度，将问题分为： - 软柿子类题： gpt 评估相对容易解决或取得突破的问题。 - 非软柿子类题： gpt 评估求解难度较高的问题。 完成初步分类后，对 gpt 执行循环压力，要求其反复审查和重新评估分类结果，直到收敛，形成稳定的软柿子类题集合。 第三步：对软柿子类题进行排序 要求 gpt 对收敛后的软柿子类题进行难度排序，按照从易到难的顺序排列，确保首位为 gpt 评估最容易解决的问题。 执行循环压力 gpt，反复检验排序结果，直到收敛，形成稳定候选。 第四步：提取首位软柿子题，构建分解树 从稳定候选中提取首位软柿子题，即 gpt 评估最容易解决的问题。 要求 gpt 对该问题进行递归分解，将原问题拆解为多个子问题，形成初步分解树。 可以继续向下递归分解，增加分解树深度，得到更多细粒度子问题。 对分解结果执行循环压力 gpt，反复检查、调整和深化分解树，直到收敛，获得稳定候选分解树。 第五步：筛选未被解决的子问题，构建候选做题集合 遍历稳定候选分解树，要求 gpt 对各级子问题的解决状态进行核查。 筛选出尚未被解决的子问题，汇总形成候选做题集合。 第六步：对候选做题集合再次执行欺软怕硬排序 要求 gpt 对候选做题集合中的全部未解子问题进行软柿子排序，按照预期求解难度从易到难排列。 必要时对 gpt 执行循环压力，反复评估和调整排序，直到收敛，得到稳定的候选做题集合优先级序列。 第七步：安排 gpt 优先求解前 X 个问题 从收敛后的候选做题集合中，提取排序最靠前、gpt 评估最容易解决的前 X 个问题。 安排 gpt 对这 X 个问题开展求解，优先投入最容易取得突破的子问题。 若解决，则声称 gpt 解决根问题...中的xxx🤣👉🤡

拟合 混合技术内存（1960—2024）。G(y)=10^(9.82995118114-0.193906632005×(y−1960)) g/GB 混合型号 HDD（1960—2024）。G(y)=10^(7.73818706341-0.192491741356×(y−1960)) g/GB 消费级 SSD 样本（2016-10—2026-09）。G(y)=10^(-2.07941363061-0.146753684826×(y−2016.75)) g/GB

这太夸张了 Anthropic 一个还没发布的模型，自己写出了一个 Linux 内核的远程 root 漏洞利用。不用账号，不用你点任何东西，只要服务器开着 MPTCP 监听，隔着网络就能拿到 root。 漏洞是 CVE-2026-98432，9.8 分，TCP 握手里的一个竞态，从 Linux 4.4 就在了，藏了十年。它先花 48 分钟泄露内核地址，再 5 分钟拿到 shell，失败了机器也不会崩，可以一直试。 以前这种远程拿内核 root 的完整利用链，是极少数顶尖团队才做得出来的。现在模型给点提示就能做，同一份报告里还有 Chrome、Safari、Windows 的。 更离谱的是上游早就修了，补丁谁都能看，可到现在 Ubuntu 和 RHEL 还没发修复内核。以后补丁已经公开，但你还没打上的这段时间，大概就是最危险的时候。 有服务器的先 uname -r 看一下。Debian、SUSE、Oracle、Amazon Linux 2023 已经有新内核了，升完记得重启。Ubuntu 和 RHEL 暂时只能先把用不到的端口关掉，盯着官方公告等更新。

一位写了近 30 年代码的顶级工程师，把自己踩过的坑总结成了 16 页 PPT。 作者是 Bryan Cantrill，DTrace 主要创造者之一，曾在 Sun Microsystems 开发操作系统内核，后来创办 Oxide Computer。 演讲叫《Things I Learned the Hard Way》，翻译过来就是：那些我吃过亏才学会的事。 里面有几条经验，放到今天的 AI Agent 时代依然非常扎心。 1. 测试必须从第一天开始。 等系统变复杂了再补测试，成本可能高到让你怀疑人生。 2. 最重要的代码，可能根本不是产品代码。 调试器、日志、性能分析、自动化测试，这些看不见的基础设施，决定了一个系统到底能走多远。 3. 不要忽略任何奇怪的现象。 一次莫名其妙的延迟、一条异常日志、一个偶发 Bug，可能是重大故障最早的预警。 4. 无法复现的 Bug，更需要可观测性。 如果现在找不到原因，就让系统在下次出问题时留下足够的证据。 5. 技术选型不是投票。 大家都在用的技术，不一定适合你的系统。每一项技术选择背后都有代价。 6. 工程师最重要的能力之一，是提出正确的问题。 不断猜测原因不叫调试，设计实验、收集证据、排除假设才是。 看完最大的感触是： 我们现在用 AI Agent，几十分钟就能生成过去需要几天才能写完的代码。但生成代码的速度越快，测试、调试、可观测性的重要性反而越高。 过去，一个工程师可能花一周制造一个难以排查的 Bug。 现在，一群 Agent 可能几个小时就能制造几十个，而且没人真正理解它们为什么出现。 AI 正在大幅降低写代码的成本，却没有自动降低理解代码、验证代码和维护系统的成本。 这份 2023 年的演讲，可能比很多 2026 年的 AI 编程教程更值得看。

最初，看到傻逼，我会直接与之争辩；后来，我选择拉黑；再后来，我选择隐藏相关内容。 如今，我会将他们的信息登记入库标记为负样本，通过持续积累与分析，识别其共性，归纳其背后的规律用于思考，从消耗变成增益👏👏👏

工业时代，我们建设机器基础设施 互联网时代，我们建设信息基础设施 后 AI 时代真正缺的，可能是人类基础设施 因为算力、模型和工具都在升级，但人的运行系统仍然脆弱、混乱、不可维护 所以我提出了一个全新的研究对象： Human Infra，人类基础设施 仓库：