与「交互式实验」相关的搜索结果

平台变革正在重塑技术行业的价值分配。 当基础模型逐渐演变为像电力一样的廉价商品时，价值正在向上层转移。模型层正变成一个资本密集、低利润且缺乏网络效应的领域；真正的利润、网络效应和垄断机会，存在于构建在智能之上的垂直应用层。 这种变革的核心在于： 1. 关注垂直领域的智能代理，解决特定行业的具体问题。 2. 利润将留存在拥有客户关系和数据控制权的一端。 3. 避开单纯的对话式交互，去构建真正解决实际工作流的产品。 在平台变革初期，没有人能预知终局，唯一的路径是通过大量的实验来寻找机会。 不要去争夺基础模型的份额，要去构建那些基于廉价智能而产生的全新业务。

推荐这篇文章，Flask 作者 Armin Ronacher 写了这两天我看到最诚实的 loops 反思。之前两篇都在讲 loop 怎么搭、工程怎么落地，这篇问了一个没人敢问的问题：loop 写出来的代码你真的喜欢吗？如果你在用 AI 写代码，这篇可能会让你停下来想一下。 即将到来的 Loop 我不再给 Claude 写 prompt 了。我跑着一些 loop，它们负责给 Claude 写 prompt 并决定做什么。我的工作是写 loop。 — Boris Cherny 过去几个月，我看到越来越多的人在 coding agent 之上构建一些感觉上跟"直接用 coding agent"有本质区别的东西。模式到处都一样：任务被放进某种队列，机器捡起来、尝试、停下来，然后 harness 判断那是不是真的结束。 如果不是，harness 继续同一个 session、注入另一条消息、用修改过的 context 启动一个新的 session、或者把任务发给另一台机器。任务在模型自己本该说"我做完了"的那个点之后，继续活着。 我想这种 loop 想到自己都不好意思承认。 每个 coding agent 内部已经有一个 agent loop 了。模型调用工具、整合结果、再调用工具、读文件、改文件、跑测试、最终生成答案。那个 loop 我们已经相当熟悉了。另一种 loop 是 harness 级别的 loop：agent loop 之外的 loop。那个 loop 也不是新的。从 Claude Code 早期我们就一直在做各种版本，但那个 loop 在 agentic engineering 中越来越重要，最近几周已经开始主导 Twitter discourse。 我还不擅长这个 我目前的状况是：对于我真正在意的代码，我还没怎么成功用过这种工作方式——而这恰好是我相当大一部分代码。 部分原因是品味，部分原因是控制。我对我想要的代码样子设了一个很高的标准，我想理解我交付的代码。在压力下，或者跟另一个人讨论时，我想能够解释清楚系统做了什么，而不是先让一个 clanker 解释给我听。显然，这种"想理解代码"的愿望是否会在几年后依旧存在，是一个问题。但现在，我还没有越过"理解对我来说很重要"这个阶段。 基于这个愿望，对于没有我关注时写出来的代码，尤其是由 loops 产生的代码，我感觉有些东西缺失了。当前模型倾向于产生过于防御性、过于复杂、推理过于局部的代码。它们避免强不变量。它们添加 fallback 而不是让坏状态变得不可能。它们重复代码、发明糟糕的抽象、用更多 machinery 掩盖不清晰的设计。更糟的是：我几乎看不到这方面有什么进步。如果有什么变化的话，我觉得我们可能还在往错误的方向走。至少以我的品味，当前像 Claude Code with ultracode 这样的无人值守 harness 产出的代码，比去年秋天我们产出的还要差。因为 Claude Code 加 Fable 会连续不停地在一个问题上工作 30 分钟甚至更久，而过去这个过程会有更多人参与。 此外，一个众所周知的问题是模型倾向于观察到某个局部失败然后添加局部防御。Karpathy 提到他们"对异常感到极度恐惧"。在具有重要不变量的系统中，尤其是持久化数据格式或核心基础设施，正确的修复不是"处理每个异常情况"。正确的修复是让异常情况一开始就无法被表达或写入。但即便有大量人工引导，LLM 也不会自然地产生那种代码，而且即使代码自然地像那样产生了，它们仍然会试图处理现在已不可能的错误。 当你把这种行为放到 loops 后面时，你往往会放大它。如果每次迭代都添加一个小防御，系统会慢慢变得更不透明，同时表面看起来更健壮。你越放手，这种情况就越严重。当这样的工具交给没有清晰指导的初级开发者时，它还会教给他们非常糟糕的实践。因为如果你问他们为什么做所有这些，他们会令人信服地论证自己的做法。 Loop 在哪里有效 但与此同时，假装 loop 模式不管用也是不诚实的——它在某些领域已经好得惊人。 代码移植就是其中之一。已经有令人印象深刻的大规模自动化移植案例，包括报道中把 Bun 的部分代码从 Zig 移植到 Rust 的工作。我自己也成功用它把 MiniJinja 移植到了 Go。性能探索是另一个效果惊艳的场景。机器可以尝试实验、跑 benchmark、丢弃失败、继续搜索。安全扫描也自然适合，几乎任何类型的研究也一样：让系统探索一个复杂的问题空间然后汇报回来，不一定要提交持久化的代码。 这些场景的共性是：它们要么不生成新代码，而是转换已有代码；要么产生的代码有意不需要长期存活。它们要么产出 PoC 或想法，要么呈现发现，或者更像机械性的转换。 我相信，产出不需要长寿的 artifacts 的 loop，或者产出某种可清晰验证的机械性翻译的 loop，比 harness 机械性地衡量某个目标的一般能力更重要。很多成功的 loop 应用用另一个 LLM 作为 judge 或 orchestrator。机械性翻译场景可以用二元测试用例验证，但它也可以用 LLM 来评判！ Claude Code 在创建完整的实验性工作流并执行它们方面，变得越来越好。当然，它生成的代码是 slop，但那更多是模型的问题，而不是 harness 不能很好地判断工作流中的某一步是否带来了净改进或完成。 Harness 只需要一些信号让它能继续。不需要客观或二元——只需要足够有用来驱动下一次迭代。 我非常喜欢那些能把我日常中的无聊部分拿走的 loops——做实验、测量、给我灵感。 软件作为有机体 另一方面，用同样的 loop 方法来写持久化的代码，我还不觉得舒服。我喜欢的比喻是：从软件作为确定性机器，到软件作为有机体。 我成为一名软件工程师的环境鼓励我理解机器。总有一层你可以剥开来加深理解。不展现确定性可观测行为的机器也许被接受，但一般不被认为是最优的。在软件架构上，我认为追求更多的确定性而不是更少是可取的。同样，理解代码的能力一直是一个不可否认的目标。实践中并不总是可能，但我们仍然以写出好的代码为荣，使得即使是新工程师也能通过巧妙的架构在复杂的代码库中导航。在设计良好的系统上，总有一些工程师知道不变量在哪里，哪些部分是承重的，哪些改动是安全的。理想情况下所有这些都是有良好文档的。在缺乏这种理解的地方，通常被认为是需要改进的事情。 显然，那个理想一直都很紧张。许多软件系统，尤其是非常成功的系统，在工程师能让它保持干净的时期过后，常常变得太大、太动态、太依赖外部服务，无法装进任何人的脑袋。即使没有 LLM，我们在诊断分布式系统时也已经有点像医生了：观察症状、提出假设、"开更多检查"、尝试一些补救措施、再次观察。 但有了 LLM，我们正在沿着这个方向走得更远更快。我们用它们来写代码，也用它们来诊断和治疗。已经有大量工程师生活在这样一个世界里：生产问题发生后的第一步是让 clanker 读日志、提出根因、主动提出 patch。结果 patch 通常被另一台机器捡起来审查，有时甚至没有任何人工监督就合并到了 main。 显然这很强大，我不能否认它听起来很诱人。但屈服于这个想法，特别是随着人类监督越来越少，意味着接受我们可能无法再以同样的方式理解整个系统。我们治疗它、监控它、稳定它，但我们不一定理解它。 我毫不怀疑对于某些软件来说，这没问题。不是每一行代码都值得人类作者身份，而且过去也可能写过更差的代码。 但我希望所有软件都这样写吗？ 你无法完全退出 非常令人不安的是，选择退出这个全机器驱动的未来可能不是一个选项。 安全是最清晰的例子。即使你不用 loops 来构建你的软件，别人也会用 loops 来攻击你的软件。攻击者会持续运行机器，即使不是攻击者，安全研究人员也会，而其中一些自动化工作会产生大量噪音但也会发现真正的问题。信号和噪音都会以如此大的规模涌向你，以至于你几乎不得不也扔一台机器来处理。 Daniel Stenberg 关于 curl 的 summer of bliss 的帖子是一个很好的例子，展示了维护者已经承受的压力。据我所知，AI 在 curl 的核心开发中并没有扮演重要角色。但尽管如此，维护者还是被报告淹没了——其中大部分是 AI 生成的。 如果攻击者和报告者都在 loop，防御者最终也需要 loop 才能跟上。也许不是直接写 patch，也许只是用来 triage 和复现——但压力会增加。 竞争也是一样。有些团队会通过原始速度超越其他团队。有些项目会突然加速，因为一个小团队搞清楚了如何有效编排机器。有些 startup 可以用五个人做到过去需要五十个人的事。有些人可能会直接把一台机器放在一个 loop 里对着你的产品，告诉它"把它做得像那个一样"。而如果他们的用户很开心，这真的重要吗？ 不是所有软件都会受到同等影响。有些领域会惩罚草率，要求信任和责任，但很多软件生活在一个原始速度、快速实验和大面积覆盖至关重要的世界里。 建立新的依赖 最可怕的部分是，我们以新的方式变得依赖于这些新机器。软件一直依赖工具。我还记得我不得不为编译器付费的时候。这些新工具让人回想起那些创造软件需要真实成本的日子。但现在不再是一次性付款了——它是一种持续的依赖。不只是对钱包的依赖，还有认知依赖。 如果一个代码库由 loops 产生、由 loops 审查、由 loops 打补丁、由 loops 维护，当你不再能访问同等级别的系统时会发生什么？当某些贸易限制剥夺了对最强模型的访问时？如果只是成本变得不可接受呢？如果你和你的团队只是丧失了不用机器理解代码的最后一点能力呢？ 我们可能会创建出不仅人类难以维护、而且把机器参与作为其维护模型前提的代码库。这已经在发生了！不是在所有地方都发生，甚至可能不是以被视为有问题的方式在发生，但我们看到越来越多。人们越来越多地合并他们不能完全解释的代码。人们失去了创建 issue 报告或在聊天中讨论事情的能力，而不借助 clanker 增强或改写他们的消息。太多人越来越依赖机器来总结或提供上下文。我越来越多地遇到通过 LLM 这个中间人与我交流的人。 再说一次，也许这甚至不一定是错的，但它对我们做事的方式是一个巨大的改变。 未来的 Harness 我毫不怀疑这就是方向，但朝着这个方向走需要我们在所有地方都改善我们的工具，而不只是在 coding agent 里。 仅仅编排更多的 loops 是不够的。更好的变更可视化或编排或 agent 不会恢复我们的理解。要么我们需要找到巧妙的方法把人拉回 loop，让 loop 的变更长期可读，要么我们需要找到更好的方法来组合这些越来越复杂的系统。 这也是我对 Pi 的角色的想法在变化的地方。Pi 一直很谨慎，我认为这种谨慎是好的。我不希望一个每一次交互都变成不受控制的机器 swarm、做出我无法跟上的变更的未来。我不希望 Pi 为了赢得"软件自己写自己"的竞赛而变成一个不可维护的混乱，我也不希望 Pi 推广这类工程。但与此同时，Pi 是一个 harness，而 harness 正处在人们运行这些新型实验的中心。 编码任务的任务队列、agent 编排、子 agent、持久化 session 会变得越来越重要。即使是我们这些有保留意见、没有盲目拥抱 loops 的人，也必须要开始做这些实验了。因为我们需要理解如何让这个未来有边界、可生存。 控制 Loop 正如你从这篇文章中读到的，我对这个未来非常不安。不是因为恐惧，而是因为基于对这项技术至今的经验而产生的谨慎。 采用 harness loop 的想法意味着 harness 决定工作何时完成。在 agent loop 中，模型最终说"完成"然后我审查。即使在那之前，我通常也在沿途引导。我参与其中，我喜欢在学习中前行。在 harness 操作的 loop 中，我不确定我的角色到底是什么。甚至"完成"信号也失去了所有意义，只是变成了传递给另一台机器进行评判的信息。我的角色被简化为一个信使。 今天，我不喜欢我看到的那种用这种方式构建的系统产生的代码，我也不喜欢与太多用 AI 辅助构建的软件交互。Loop 很强大，但它越来越多地移除责任，至少在当下它非常鼓励我们向机器投降。 然而，我毫不怀疑这个 loop 化的未来就是我们的未来——尽管我目前对此感到反感。我已经看到惊人小的团队以不可能的速度在构建，我看到代码库正在变成越来越模糊和混乱的有机体，只能由更多机器来诊断。这些代码库同时既有用又混乱。 所以我想我开始接受一个事实：问题不是我们会不会 loop——显然我们会的。也许问题是：在一个 loops 的未来里，我们如何不放弃判断，如何在其中保留良好工程的原则，如何确保负责任的人能够继续监督，如何重新思考我们架构代码的方式以在其中保持清醒。 原文：Armin Ronacher, "The Coming Loop", 2026-06-23 链接： #AI# #Loops# #软件工程# #反思#

大多数 NFT launch，核心目标都很直接：制造稀缺感，拉情绪，等市场定价。 但 @quipnetwork 的 Quantum Echoes，我觉得不能只按这个逻辑看。 它更像是 Quip 在做一次社区协调实验，表面上你看到的是 NFT。 但往深一点看，它同时承担了几件事： 它是早期参与凭证。 它是 quantum randomness 的展示窗口。 它是社区分发工具。 它也是 Quip 把抽象技术带给普通用户的一种方式。 这点挺聪明，因为大多数人不会主动研究 QPU、分布式计算验证、后量子安全或者 entropy 系统。 但他们愿意 mint 一个 NFT，愿意把钱包接进去，愿意亲手参与一次链上实验。 这就是 consumer-facing infra 的价值。 复杂技术如果永远停留在白皮书里，只能吸引少数人，但一旦它变成身份、记录、任务、声量、节点和链上交互，社区就开始真正参与网络形成。 Quip 现在已经在尝试把这些东西连起来： Nucleus reputation 记录贡献，Eigen Keys 绑定参与，节点承接计算，mindshare rewards 激励传播，Quantum Echoes 展示可验证随机性。 这不是普通营销动作，更像是在主网前，提前把 $QUIP 未来可能需要的参与者结构跑一遍。 我觉得很多人低估 @quipnetwork Quip，是因为只看到了“量子安全”这个标签。 但真正值得看的，可能是它怎么把技术、社区、身份和计算资源，慢慢拼成一个可以运转的网络。

说实话，我越来越觉得，很多人把“AGI和区块链会结合”这句话当成一个普通的科技叙事在聊。好像又是哪个基金在吹下一个热点。 但你仔细想想，真正的问题根本不是什么AGI能不能变聪明。它肯定会变得非常聪明。真正的死结是协调。 一个完全自主的AGI智能体，只要开始真正独立行动，它需要的每一件小事，传统系统都接不住。 举个例子。它需要支付算力费用。需要验证自己的身份是合法的。需要临时雇另一个Agent帮它完成子任务。需要存储一些价值，方便随时调用。需要跟别的Agent签一份自动执行的协议。需要在几秒钟内把钱从一个国家转到另一个国家，没有时差，没有节假日。 这些事情，你用银行做，用信用卡做，用传统API做，马上就会碰到一堵墙。银行需要人工审核，信用卡说冻结就冻结，API接口要向平台申请权限，不同国家有不同的资本管制，一个社交平台看你不顺眼就能半夜封号。 而一个真正自主的AGI，不可能因为凌晨两点银行怀疑一笔交易异常，就原地等着天亮人工解锁。 它的运行不能被人为中断，否则所谓的“自主”就是一句空话。 就在这个节点上，区块链的角色变了。它不再是你钱包里的投机资产，也不再是某个社区的meme叙事。它非常安静、非常自然地，变成了AGI能够活下去的底层基础设施。 我们先说稳定币。很多人觉得稳定币就是炒币用的，但你把视角切换到AGI身上，稳定币的逻辑比银行账户合理太多。稳定币是全球化的，不需要开户审核。稳定币是可编程的，资金流转的条件可以写死在智能合约里。稳定币是7x24小时在线的，没有周末也没有节假日。最重要的是，稳定币是机器可读的。一个Agent可以直接在链上读取自己的余额、交易状态、合约执行条件，不需要打电话给客服，不需要上传身份证照片。 所以AGI不会“偏好”银行。银行是为了人类设计的，有签字、有柜台、有审批流。AGI只会选择摩擦最小的系统。从纯理性角度看，稳定币就是比银行账户更适合智能体的“活钱”。 再来说去中心化身份。这个赛道很多人已经懒得提了，觉得是上一轮的老叙事。但我认为它被严重低估了，尤其是在AGI即将到来的背景下。 今天的互联网，本质上分不清跟你说话的是真人、是普通聊天机器人、是高级Agent，还是一个被恶意合成出来的虚拟人格。平时你可能觉得无所谓，但一旦AGI级别的系统同时跟几百万人交互，这种身份模糊带来的风险会指数级上升。你根本不知道一个Agent是谁部署的，它用的模型是哪个版本，它做出的决策有没有被第三方篡改过，如果它造成了实际损失，你该找谁负责。 链上身份真正的作用，不是炫耀你买了哪个蓝筹NFT，而是在底层把这些问题变成可验证的公开记录。谁部署了这个Agent，上链。哪个模型做出了这个决策，上链。输出结果有没有被篡改，上链。当自主系统出错的时候，谁应该承担责任，上链。没有这套东西，你连追责都追不了，AGI就永远只能活在受控的实验室环境里，无法真正走向开放世界。 另一个被大多数人忽略的结构性依赖，是去中心化算力。 你现在看看全球最顶级的AI基础设施，基本就捏在三四家科技公司手里。这本身没问题，因为训练大模型确实需要集中资源。但你想过没有，人类历史上可能诞生的最强大的智能系统，它的每一次推理、每一个决策、每一次自我更新，竟然完全依赖几家公司的中心化服务器。这带来的不是技术问题，而是结构性风险。政治风险，某个国家一纸禁令就可能切断算力。经济风险，这几家公司可以随时提价或者改变服务条款。物理关停风险，一个运维工程师拔错电源，整个AGI就下线了。还有模型操纵风险，服务器端的输出可以被悄悄修改，而外界根本不知道。 当AGI的自主程度足够高以后，把它完全托付给中心化服务器，本身就是一件极其危险且不合理的事情。它需要一个分布式的、无需许可的、可验证的算力底层，让计算任务可以分散到不同节点上执行，结果可以被第三方验证，没有单点故障，也没有单点控制。这就是去中心化计算网络的价值所在。 数据溯源也是一样。AGI生成的内容、做出的判断、调用的知识，如果无法追溯来源和变更历史，整个系统就没有可信度。区块链天然就是一条不可篡改的日志，每一条数据的前世今生都可以被记录和验证。这在金融、法律、医疗等高监管领域，是AGI能够被接受的先决条件。 所以我现在越来越觉得，整个加密行业里真正被低估的，不是那些蹭AI热度的meme币，也不是包装很华丽的AI Agent代币。而是那些看起来很“无聊”的底层轨道。稳定币，去中心化身份，分布式算力市场，数据来源追踪，可编程的协调层。 大多数人都在追“AI Agent”这个概念，市场上到处都是各种Agent代币的炒作。但很少有人认真去研究，这些Agent如果真的活过来了，如果真的要在现实世界中自主运行，它们赖以生存的那层基础设施到底是什么。 这也是我反复跟人讲的一个观点。区块链最重要的时刻，不是在AGI到来之前，而是在AGI到来之后。因为在那之前，区块链只是一个可选的金融工具和实验场。但在那之后，它变成了AGI能够安全、可信、自主运行的唯一基础设施。 到那时候你再回头看，最性感的东西不是某个新代币，而是那些让智能能够真正自由运转的无需许可的底层管道。稳定币是它的血液，去中心化身份是它的身份证，分布式算力是它的骨架，数据溯源是它的记忆，可编程协调是它的神经系统。 这些东西现在看起来不性感，甚至有点枯燥。但它们恰恰是AGI真正走出实验室、进入现实世界时，最离不开的东西。

老黄站在 CES 2026 的舞台上，身后的屏幕突然黑了。“所有系统都挂了，”他笑着说，“这在圣克拉拉从来不会发生。是因为拉斯维加斯吗？外面是不是有人中了头奖？” 这个小插曲倒是个不错的隐喻：2025 年的 AI 行业，就像一台马力全开但偶尔冒烟的机器。所有人都在全速狂奔，所有系统都在满负荷运转。 老黄在 CES 上说，每隔十来年，计算行业就要来一次大洗牌。从大型机到 PC，从 PC 到互联网，从互联网到云，从云到移动端。 这一次不太一样，地震是双重的。不仅应用要建在 AI 之上，连我们写软件的方式本身都变了。 “我们不再编程软件，我们训练软件。不再跑在 CPU 上，而是 GPU 上。”过去的应用是预编译好的，装在你设备上就那样了。现在呢？应用理解你的上下文，每次从零开始，实时生成每个像素、每个 token。 这意味着过去十年砸下去的十万亿美元计算基础设施，都要升级换代。老黄算了一笔账：全球百万亿美元产值的产业，研发预算正在从传统方法向 AI 方法迁移。风投每年两千亿美元涌入这个领域。这就是为什么大家都这么忙。 【1】2025，大模型的三个拐点 老黄回顾了 2025 年 AI 领域的几个关键进展。 第一个是推理模型的出现。2024 年底 OpenAI 发布 o1，第一次让 AI 学会了“思考”。以前的模型是一口气给你答案，对就对，错就错。现在的推理模型会停下来想一想，把问题拆开，一步步推演。想得越久，答案往往越靠谱。老黄管这叫“test-time scaling”，也就是用更多的推理时间换更高的回答质量。 第二个是 Agentic 系统的爆发。AI 不再只是回答问题，而是开始“做事”了。它会自己规划步骤，调用工具，查资料，写代码，甚至操控其他 AI。2025 年，这类系统从实验室走向了真实应用。 第三个是开源模型的崛起。DeepSeek R1 的发布像一颗炸弹，证明了开源模型也能达到前沿水平。虽然还落后闭源模型大约六个月，但下载量已经爆炸式增长。创业公司、研究者、学生、甚至各国政府，都开始用开源模型构建自己的 AI 能力。 这三个突破并非孤立存在。推理能力让 Agent 更聪明，开源模型让 Agent 更容易构建。它们相互催化，共同把 AI 推向了一个新阶段。 【2】Agentic AI：从“能聊天”到“能干活” 三个突破里，Agentic AI 可能是离普通人最近、又最容易被误解的一个。 先说一个直观的例子。老黄提到，英伟达内部现在大量使用 Cursor 编程工具。这不是普通的代码补全，而是一个真正的 AI Agent，你告诉它想实现什么功能，它会自己规划怎么写，查阅文档，生成代码，测试，修 bug，甚至重构。程序员的角色从“写代码的人”变成了“审代码的人”。 这就是 Agentic AI 的本质：AI 从被动回答问题，变成主动完成任务。 ChatGPT 刚出来的时候，最大的槽点是“幻觉”，它会一本正经地胡说八道。因为它只能依赖训练时学到的知识，没法获取新信息，但它又被要求有问必答，所以不得不胡编乱造。你问它今天的天气，它只能编一个。 Agentic 系统解决这个问题的方式很简单：让 AI 学会“查资料”自己补充上下文。遇到不确定的问题，它会先判断“我需不需要去查一下”，然后真的去搜索、去阅读、去核实。这个判断本身就需要推理能力，所以第一个突破（推理模型）是第二个突破（Agentic 系统）的基础。 但 Agentic AI 的能力远不止于此。 【3】Agent 的四种超能力 老黄在演讲中描绘了一个完整的 Agent 能力图谱。我把它总结为四种超能力： 第一，会推理。遇到从没见过的问题，Agent 不会直接说“我不会”。它会把陌生问题拆解成一堆熟悉的小问题，然后逐个击破。就像一个聪明的实习生，虽然没做过这个项目，但能把它分解成自己会的步骤。 第二，会用工具。Agent 可以调用搜索引擎、计算器、代码解释器、数据库，甚至其他 AI 模型。它知道什么时候该用什么工具，就像一个老练的工匠，手边有一整套工具，可以随手选最趁手的那个。 第三，会规划。面对复杂任务，Agent 会先想好怎么做，制定计划，预判可能的结果，然后一步步执行。不是闷头往前冲，而是“三思而后行”。 第四，会协作。这是老黄特别强调的一点：现代 Agent 系统往往是多个模型并存的。一个 Agent 可能同时调用好几个 AI：用专门的模型处理图片，用另一个模型写代码，用第三个模型做总结。就像一个项目经理，知道每个专家擅长什么，然后把任务分配给最合适的人。 他特别提到 Perplexity 的做法让他眼前一亮：“第一次看到他们同时用多个模型，我觉得这太天才了。”道理很简单：一个 AI 当然应该在推理链的任何环节调用最适合那个任务的模型。 所以未来的 AI 应用是什么样的？多模态（理解语音、图像、文字、视频、3D）、多模型（不同任务用不同模型）、多云（模型分布在各个云上）、混合云（有些在边缘、有些在企业、有些在云端）。 【4】一个 Agent 是怎么工作的？ NVIDIA 为此搞了一套叫“Blueprint”的框架。演讲中展示了一个演示：一个小哥用 DGX Spark 搭了个个人助手，能管邮件、日历、待办事项，还能控制一个小机器人。隐私敏感的邮件任务用本地模型，其他用 frontier 模型，中间用一个意图路由器自动分配。 听起来像科幻片，但搭建过程出奇简单。 首先，接入一个前沿大模型的 API 作为“大脑”。然后，为每个功能创建一个“工具”：邮件工具、日历工具、摄像头工具。接着，因为邮件涉及隐私，开发者加了一个本地运行的开源模型专门处理邮件，数据不出本机。最后，加一个“智能路由器”，根据用户的意图自动决定用哪个模型处理。 结果呢？用户说“帮我给 Jensen 发个邮件，告诉他脚本今天能交”，Agent 就自己完成了。用户说“把这张草图变成建筑渲染图，再做个视频带我看看房间”，Agent 也搞定了。甚至当用户的朋友远程接入，问“我的猫 Potato 在干嘛”，Agent 能看摄像头、认出猫、发现它在沙发上、还记得朋友不喜欢猫上沙发、然后通过机器人喊话让猫下去。 老黄说，这一切在两年前是“完全不可想象的”。而现在，“这已经变得微不足道了”。 Agentic AI 的概念其实不新。早在 2023 年，AutoGPT 就火过一阵，号称能让 GPT 自己给自己下指令、自动完成任务。但那时候的 Agent 更像是玩具，经常跑偏、容易卡死、实用性有限。 2025 年的爆发，靠的是几个条件同时成熟： 1. 推理能力的突破。没有可靠的推理，Agent 就像一个冲动的实习生，一拍脑袋就开干，经常把事情搞砸。有了推理，Agent 才能“想清楚再做”。 2. 工具生态的完善。各种 API、各种开源模型、各种开发框架，让 Agent 能调用的“武器库”越来越丰富。 3. 多模型架构的成熟。以前大家想的是“训练一个无所不能的大模型”。现在的思路是“让一个聪明的模型学会调用专业的模型”。这大大降低了构建复杂 Agent 的门槛。 4. 开源社区的推动。老黄反复强调，开源模型让“每个公司、每个行业、每个国家”都能参与 AI 革命。你不用自己训练前沿模型，拿开源的来用就行。 【5】Agent 会取代软件吗？ 包括我在内很多人都思考一个问题：未来 Agent 会取代软件吗？交互形式是什么样的？ 老黄在演讲中给出的答案是：Agent 不只是一种新应用，而是未来软件的新形态。 他说，以后你跟 Palantir、ServiceNow、Snowflake 这些企业软件打交道，界面可能不再是一堆表格和按钮。你直接跟一个 Agent 对话，告诉它你想干什么，它就帮你搞定。“就像跟人打交道一样简单。” 传统软件的交互方式：填表单、点按钮、写 SQL，本质上是在“迁就机器”。你得学会机器的语言才能让它干活。而 Agent 的交互方式是“机器迁就你”。你用自然语言说需求，Agent 自己翻译成机器能懂的操作。 当然，这不会一夜之间发生。企业软件涉及太多复杂的权限、流程、合规要求，不是换个界面就能解决的。但方向已经很清楚了。 【6】写在最后 老黄这场演讲其实还讲了物理 AI、自动驾驶、机器人、下一代芯片 Vera Rubin，我对那些关注不多就不总结了。但如果只看 AI 大模型这块，核心信息其实就一个： > AI 正在从“一个聪明的对话伙伴”变成“一个能调动资源、完成任务的系统”。推理模型给了它思考能力，Agentic 架构给了它手脚和工具箱，开放模型让所有人都能参与这场游戏。 我个人比较关注老黄在演讲中提到的 Agentic 系统将成为所有软件平台的新界面。以前你和软件交互，要点菜单、填表格、写命令行。以后你和软件交互，就像和一个懂行的同事说话。你说想干什么，它帮你干。未来的企业软件，入口可能就是一个对话框。 对于开发者来说，这是一个窗口期。开源模型已经足够强，Agentic 框架已经成熟，基础设施已经就位。剩下的就是应用层的创新。 老黄在谈到开放模型时问了一个问题：数字形式的智能，怎么可能把任何人落下？ Agentic AI 的爆发，不是每个人都能训练出最强的模型，但每个人都可以学会编排这些模型，让它们为自己干活。 这可能是最重要的变化。AI 不再只是科技巨头的游戏，它正在变成每个人都能用的工具。

一篇论文要上顶刊、顶会，需要经历三个阶段： 1）首先是产出 preprint 初稿，初稿完成后发布到 arXiv 或 openReview 等平台，主动获得快速曝光，以吸引潜在的审稿人注意； 2）紧接着是向对应的期刊或会议投稿，会经历初审、正式审核、问题澄清等过程，顶会的拒稿率在 80% 左右； 3）最后完成修订和补充后才会被正式收录，整个流程通常持续半年甚至一年以上。 顶刊顶会只占论文总量的不到 10%，却贡献了超过 50% 的引用量；剩下的 90% 虽然很多是增量性研究或局部实验，没有里程碑式的突破，但也为后续研究提供了大量数据、方法和对比基线，价值同样不可忽视。 那“论文”到底是什么？从顶会顶刊的分类来看，它本质上是人类知识的一种系统化表达形式。以计算机科学为例，NeurIPS 偏重机器学习和人工智能基础理论，CVPR 聚焦计算机视觉，ICML 和 ICLR 涵盖模型架构、训练方法、优化算法等方向，SIGGRAPH 专注图形学与交互，而 Nature、Science 等综合性期刊则跨越学科边界，关注具有颠覆性意义的研究成果。可以说，论文汇聚了人类在 算法、模型、系统、工具、应用 等不同维度上的思考与探索。 我比较推荐开发者去多关注一些前沿、偏工程性的 Agent 论文，它们里面往往埋藏着大量新颖的思路和独到的启发，这些思路本质上就是为了解决工业界里那些“又难又深”的问题而提出的。

源即文明 过去村口的长舌妇吵架，最多就是几十个人围观，如今却被搬到互联网上，变成了没完没了的时间线。俺老孙真是烦透了！现实里可以绕开村口，但线上逃不过无休止的争吵。我不想当什么网红，我也不是啥大v，我只想找到真正的共鸣者。因为和我能共鸣的人如大海捞针。在我看来，大多数所谓网红并没有什么真本事，他们不过是把长舌妇的大嗓门搬到线上放大而已。可是，下一个文明需要的并不是流量式的大嗓门，而是“源”。 互联网的流量逻辑正在走到尽头，它必然会被下一个计算机文明所改变。 流量的本质，说到底就是一种“注意力套利”，谁能集中用户的注意力，谁就能收割流量红利。然而当下乌烟瘴气的社交媒体，流量逻辑更像是“村口吵架被无限放大”。推荐算法追逐的是注意力最大化，而最能吸引注意力的，正是愤怒、仇恨、八卦、极端立场等情绪化内容。于是，算法天然地把“吵架”推到流量顶端。低门槛的复制与转发进一步加剧了这种扩散效应：在村口，吵架也就几十人围观；在互联网上，复制、转发和评论却能在短短数小时内，把同样的争吵扩散到百万级。更糟糕的是，平台的激励机制本身就是“吵架的庄家”：平台依赖广告收益 → 广告依赖流量 → 流量依赖停留时间 → 而停留时间恰恰依赖冲突与对立。最终，平台把吵架变成了一台“流量收割机”。 这一套逻辑注定无法支撑下一个文明。下一个文明要靠的不是流量，而是“源”。 “源”才是文明的真正底座。 在当下的互联网环境中，人们往往只看见“流量”的表象，却忽视了流量背后的源头——也就是知识、思想、价值与信号的原始发出点。流量再大，终究只是搬运与分发，而源才决定是否有值得搬运的内容。源的稀缺性显而易见：在“村口吵架”的逻辑下，噪音可以无限制造，但真正的信号源却极为有限。原创的科学发现、第一手的历史经验、原始的思想洞见，这些才是推动文明前进的燃料。文明从来不是靠“重复”积累，而是靠“源的叠加”。一旦失去源，文明就会陷入空转，只剩下争吵与消耗。 这一轮互联网文明——Facebook、抖音等平台所代表的信息洪流时代——人人都能发声，但识别源的能力却全面退化，结果是真正的信号被埋没。随着 AI 的加入，信息生成的边际成本无限趋近于零，发声的门槛被抹平，甚至“声音”本身也失去了意义。真正重要的，唯有那个“源”。 流量只是表象，如同江河中的波涛，可以汹涌，可以喧嚣，但它并不具备真正的创造力。源才是水的发端。文明的积累，不是靠转发和复述，而是靠源头的原创与信号的生成。 从本质上说，源有三大特征： 生成性 —— 决定是否有真正的新思想、新知识、新价值被提出。 验证性 —— 能够被追溯与检验，区别于谣言、噪音和情绪化复制。 可迁移性 —— 能够跨越语言、文化与学科，被不同系统和智能体调用。 文明的未来，不在于谁能操控流量，而在于谁能不断创造、守护并扩散优质的源。 语料已经用完了？AI为何无法成为源的创造者 AI 本质上无法成为源的创造者。如果严格按照 “源的本质” 来衡量，源意味着：第一性信息 + 原创压缩 + 可验证锚点。它必须来自经验的原点（实验、观察、身体体验、社会实践），必须带有不可替代性（一次性发生的真实事件、独特的洞见），并且必须具备可验证性（能够溯源、能够被检验，而不是幻觉）。 从这个标准看，AI 有四大根本性缺陷。首先，AI 没有第一手经验。它不会亲自下田、做实验、感受痛苦或爱。它的全部输入都来自已有的数据，而这些数据本身就是别人创造的源，因此 AI 只能成为源的二次利用者，而不是源的起点。 其次，AI 缺乏主体性压缩。人类在创造源时，会做价值判断和取舍，决定哪些是必须留下的、哪些可以舍弃。AI 的压缩仅仅是统计学上的，而不是“带有主权的选择”，因此它难以提出真正的范式性问题或哲学性洞见。 第三，AI 无法自证。真正的源必须能被验证，而 AI 生成的知识往往缺乏可溯源性，它的“幻觉”就是例子。缺少验证机制，AI 的输出更像高拟合的猜测，而不是文明赖以积累的信号源。最后，AI 缺乏不可替代性。AI 的生成可以无限复制，几乎没有独一无二的存在；而真正的源，往往是一次性的、不可复制的，比如一组新的实验数据，或一首源自特定生命体验的诗。 因此，哪怕语料被消耗殆尽，AI 也无法独立创造新的源。它的价值在于扩展、重组和放大已有源，而不是成为源头本身。真正能创造源的，仍然是人类在与世界直接交互中产生的经验与洞见。 不要沦为村口的长舌妇 表面上看，AI 已经在许多领域超越了人类专家，似乎让“源”的价值被稀释。但事实恰恰相反，在 AI 时代，源的重要性只会被放大。AI 并不是凭空创造，它的能力源于对既有语料、知识和经验的压缩与重组。没有高质量的源，AI 只能生成“次生知识”，陷入幻觉与同质化的循环。 在新的文明格局中，源将扮演三重角色。首先，它是 AI 的燃料。大模型的持续演进需要新的数据源，否则就会停滞在自我循环，出现“数据塌缩”。谁掌握了新鲜、稀缺、不可替代的源，谁就定义了 AI 的能力边界。其次，它是真伪的 验证器。在信息过剩和 AI 造假的环境里，唯一能站得住脚的就是可验证的源。未来，溯源机制——区块链、加密签名、实验记录——将成为文明秩序的基石。最后，它是 价值的锚定器。源就是未来的“价值单元”，无论是原创算法、实验数据还是思想洞见，都会成为 AI 时代的“知识货币”。源被调用和验证的次数，本身就是未来信用系统的基础。没有源的 AI，就像没有煤的蒸汽机：虽然能运转，但很快陷入空转。 要成为“源”的制造者 因此，关键在于如何成为 源的创造者。源的诞生有三种方式：第一，第一性经验——去做别人没做过的实验，走别人没走过的路径，留下第一手材料，比如科学实验数据、独立田野调查、原创代码与架构。第二，思想压缩——把复杂的现象压缩为可迁移、可调用的结构，例如新的理论框架、公式或认知范式。第三，价值嵌入——在知识中注入价值坐标，使其成为文明的锚点，如伦理原则、制度设计或共识协议。 源的创造者往往具备三个特征：独立性，能在主流之外捕捉新信号；结构化能力，能把零散观察转化为可调用的语言单元；跨界迁移力，能让源在跨学科、跨系统中复用，从而真正成为文明的源泉。要走上这条道路，需要四种能力：首先是观察力，敏锐发现那些无人注意的异常；其次是记录力，把经验、数据与思想沉淀成结构化表达；然后是调度力，让源能被他人或 AI 调用，而不是孤立存在；最后是验证力，确保源的真实性与可追溯性，避免它沦为另一种噪音。 当前的互联网逻辑正在慢慢腐朽与没落，宛如旧时代的贵族走到尽头。 情绪、冲突、八卦最能吸引点击，于是结果便是“村口吵架的全球化”。真正的信号源被埋没，优质的知识被淹没在噪音之中。全球注意力被平台绑架，而人类的注意力毕竟有限，流量逻辑却在无限膨胀，最终导致个体信息过载、群体认知分裂。更严重的是，价值逐渐空心化。流量驱动的只是曝光，而非价值；平台越大，越倾向于追逐短期流量，而不是着眼于长期的文明建设。 互联网的流量逻辑，塑造了一个“注意力收割的文明”，但这一文明已经陷入内卷、透支与腐蚀，无法再支撑人类的未来。下一个文明，必须以“源”为核心，而非流量。*源是真实的信号，是可验证的知识，是未来秩序的锚。 技术的花样已经被玩到尽头，单纯的“算法+流量”无法托举下一个文明。因为文明需要的是真实的信号源，而不是噪音的放大器。流量逻辑的激励机制决定了它必然制造噪音，而文明的演进需要的却是稀缺、可验证、结构化的源。文明需要稳定的秩序，而不是被注意力撕裂的碎片化世界；文明需要价值的锚定，而不是点击与转化的短期幻影。只有回到源，文明才能重新找到延续与跃迁的基础。 祝各位尽早成为自己领域里不可替代的“源”。

语言的炼金术：从尼可·勒梅到大模型 1） 炼金术士尼可·勒梅（Nicolas Flamel） 我们不妨从《哈利·波特》讲起。你还记得第一部里那个被简单提到的角色——炼金术士尼可·勒梅（Nicolas Flamel）吗？他是“魔法石”的创造者，一个据说活了六百多岁的老人。虽然他在小说中只是背景人物，但在《神奇动物在哪里2》里，他终于真正以影像的形式出现在观众面前——一个看上去脆弱、苍老却异常平静的角色。而令人惊讶的是，勒梅并非虚构人物。他在欧洲历史上确有其人，关于他和“贤者之石”（Philosopher’s Stone）的传说，在炼金术史中流传了数百年。 这块传说中能够点石成金、延长生命的“魔法石”，并不只是奇幻小说的道具。在流行文化中，它的身影也频繁出现。比如如果你喜欢日漫，一定对《钢之炼金术师》里的“贤者之石”和“烧瓶小人”不会陌生。你会发现，这些符号和设定，其实都源自于一个更古老、更复杂的知识谱系：炼金术。 那么问题来了：炼金术到底是什么？它仅仅是历史上的迷信产物吗？还是说，它隐藏着某种被误解的、尚未被现代语言体系完全翻译的结构原理？它与我们今天谈论的科学范式、AI 技术，有没有关系？这一切，值得我们慢慢说清。但在展开之前，我想先问你几个问题。 你是不是一直以为，牛顿被苹果砸了一下，灵光一现，从此科学时代就此开启？你是不是相信，历史是由某些关键节点断裂推进的，仿佛一切范式都是从0到1的“突破”？比如说，AI 时代的真正到来，是不是要等到“2030年12月15日AGI被宣布诞生”的那一刻，才算数？这怎么可能？明天太阳照常升起，文明的演化从不是时间戳可以标注的事件，它是连续的，是缓慢弥散的结构变迁，是一场看不见的语言漂移。 再问你一个问题。你是不是默认，炼金术士、西方的赫尔墨斯学派，乃至中国古代的道士，都是不懂科学的古人？是不是潜意识里，把他们归为“迷信”“胡说”“瞎搞实验”？可如果他们真的只是无稽之谈，为何他们的思想能延续千年？为何“点石成金”“炼丹求长生”“三才五行”这些概念，一次次出现在人类不同的文明中，并被不断重写与演绎？为什么我们今天还会在小说、动画、影视、科幻里不断引用这些炼金术象征？ 也许问题从来不是他们不科学，而是我们尚未拥有能解释他们的语言。也许我们并不比他们更“理性”，只是我们拥有了更高效的结构压缩系统，可以用一种新的视角，回头看那些古人尝试建构世界逻辑时留下的模糊草图。 2）炼金术 那么，炼金术到底是什么？炼金术拥有一套极其自洽的理论体系。这个体系并非零散拼贴，而是一种融合性的认知结构：它讲求“天人合一”，意味着宇宙的秩序与人的精神状态是一体共振的；它追求“精神与物质合一”，不将心灵与物质对立，而视它们为可转化的两个极端；它主张“哲学与实践合一”，不仅思辨，而且重实验，通过冶炼、升华、凝结等操作流程，将世界的奥秘浓缩于物质的转化中。 这种思维方式，在今天的学术与工业体系中，常常被误解甚至被排斥。尤其是在当代科技语境中，许多理工背景的人对“哲学”天然带有一种抗拒，仿佛哲学是无用的、虚浮的、脱离实际的。精神被认为属于文科领域，技术则属于工程实践，两者应当泾渭分明，各行其道。我暂且不讨论这种区分是否合理。 炼金术恰恰是那种拒绝断裂的古老体系。它尝试用一种统一的语言，将存在的多个层面连接起来。也许这正是我们今天在面对人工智能、生成结构、黑箱涌现时重新需要的思维方式——不是更快的分工，而是更深的合一。 炼金术的核心哲学是：世界的本质是可转化的，精神与物质、天与人、内在与外在，并非分裂对立，而是处于同一结构中的不同维度。通过对物质的炼化，炼金术士实际上是在完成对自我的升华；点石成金并不只是技术奇迹，而是象征将混沌转化为秩序、将不纯转化为完整的过程。在这一体系中，哲学不是抽象思辨，而是贯穿于操作之中的世界观——炼金，不是制造黄金，而是寻找统一结构背后的神性秩序。 炼金术的核心，其实是一个精神与物质协同“熵控”的过程。它并不以“定义什么是黄金”作为起点，而是从最无序、最沉重、最接近混沌的物质——铅——开始。这种物质不仅代表着物理层面的沉滞，更象征着心灵中的无意识、未觉醒与未分化的原始状态。炼金术的旅程，正是在不断提纯、分解与重构中，将这份混沌一步步引向秩序与光明。 这个过程从来不是纯粹的物质转化。炼金术士在炉火前“煎熬”铅的同时，也在经历一次内在的自我炼化。这是一种双重路径的修行：一边是冶金术的技艺，一边是炼心的实践。每一道升华、每一次溶解、每一个凝结的动作，既作用于物质，也作用于精神本身。炼金术所构建的，并非一个简单的技术闭环，而是一条能够调度物质、心灵与宇宙三者之间能量流动的升华路径。在这个路径中，个人的意识、自然的秩序与世界的结构被重新对齐，实现从沉重之“铅”到纯粹之“金”的多维度转化。 3）炼金术在历史上的一个关键贡献，是它完成了从“神秘语言”向“可验证语言”的第一次过渡 现在试着把思维调回到牛顿那个时代。那个时候的科学并不像今天这样拥有清晰的学科划分、可重复的实验范式，或者标准化的自然语言。技术的进步，并不是某个知识点的突破，而是一次语言范式的悄然转向。真正让文明发生跃迁的，是人类用来理解世界、组织经验的那套“说话方式”发生了质变。 比如，炼金术到底能不能把铅炼成金？从现代科学的角度来看，答案当然是否定的。但令人惊讶的是，现代物理确实在技术上做到了这一点：铅（Pb）和金（Au）在元素周期表中仅相差几个质子，通过高能粒子加速器轰击铅原子核，可以使其转化为金。上世纪九十年代，加州劳伦斯伯克利实验室就曾“成功制造出几个金原子”。但这个过程极其昂贵且不稳定，每一个原子的成本比市场上的黄金贵上百万倍。也就是说，科学用极端方式实现了炼金术的想象，但彻底脱离了炼金术当初的语言与逻辑。 然而，我们不能因为炼金术没“炼出金”就否定它的全部价值。恰恰相反，炼金术留下了许多对后世至关重要的实验操作与技术雏形。像是蒸馏器的发明，使得液体提纯成为可能，直接推动了香水和药学的工业化；升华法的实验，奠定了后来的物质分离技术；早期酸碱反应的记录，成为现代化学教育的原点；对金属合金的试验——包括铜锡合金、汞银混合物——直接影响了冶金工程的发展；甚至他们所留下的庞大手抄实验笔记，为后来“可记录、可重复、可验证”的科学方法，提供了结构模型。 所以，炼金术真正留下的遗产，是一种穿越物质、象征、实验与语言之间的认知路径。它所建构的，其实是一套跨越精神与技术的“结构语言原型”，为后来的科学语言与实验系统提供了认知模板。换句话说，人类并不是从“无知”跳到“科学”，而是从“象征化结构调度”逐步进入“形式化结构控制”。这是一种语言与知识系统的连续进化。 尤其重要的是，炼金术在历史上的一个关键贡献，是它完成了从“神秘语言”向“可验证语言”的第一次过渡。尽管炼金术文本中充满了极端象征性的表述——比如“狮子吞食太阳”“水银升腾成白鸽”这样的图像语言——但它们内部具有惊人的稳定性和复用性。它们不是胡编乱造的隐喻，而是早期对物质转化过程的一种结构封装机制。炼金术士通过坩埚、蒸馏器、冷凝管等操作工具，逐渐发展出了一整套流程和仪器，这些后来都被现代化学完整继承并“去神秘化”。 这标志着一个重要的语言转折点：人类第一次在语言中构建出了一个“可验证的结构闭环”。而这，正是科学语言的真正诞生地。 我的这篇文章，核心要讲的就是“语言”。你或许听过神话，你有没有注意过，那些神话真正的语言与今天我们所能读懂的文学语言，其实相隔极远？我们现在能看懂《哈利·波特》，只是因为它借用了神话的结构，但套用了现代语言的接口。而真正的神话语言——那种同时调动宇宙观、仪式、族群结构与象征逻辑的语言体系——今天的我们几乎无法直接阅读，更别提还原它背后的知识结构。 有本事你把太乙金華宗旨解释给我听，反正我是看不懂的。 语言，作为人类社会唯一真正的知识接口，它本身就极度深奥、玄妙。古人与今人，哪怕使用同样的符号系统，往往也无法完成深度的信息交互，因为他们所处的认知结构、价值图谱与范畴体系已彻底不同。你不觉得奇妙吗？AI时代的第一个成功商用模型，竟然是“大语言模型”。某种程度上，这仿佛是历史冥冥中的安排：当我们步入新的认知边界时，首先要解决的，不是知识的问题，而是语言结构的问题。 回到牛顿时代，我们其实不能简单地把牛顿看作一个“现代科学家”。事实上，他对炼金术并不陌生。他留下了大量炼金术笔记，深度研究赫尔墨斯文献和自然哲学。他并不认为自己与炼金术士是两个世界的人。他正处在语言转化的裂缝之中：一只脚站在炼金术的象征语言系统中，另一只脚已经踏入了科学的实证语言系统。他处在炼金术向科学的语言跃迁节点。 现在我们也许就处于牛顿时代！ 从语言哲学和认知科学的角度来看，炼金术与科学之间的分野，并不在于“是否理性”，而在于语言系统的差异。炼金术依靠象征语言来操控概念，比如“狮子代表硫”“蛇代表水银”，通过图像联想与符号共鸣完成对世界结构的认知建模。而科学依赖形式语言——如数学与实证符号系统——来操控变量、建立因果、构造实验闭环。 所以本质上，炼金术是一种象征化的结构操作语言，而科学是其后续发展的形式化结构操作语言。它们不是对立的，而是连续的。 语言一直在进化，但它从未彻底更换，只是在不同历史节点上更换了核心逻辑与主权接口。从炼金术到科学，从神话到理论，再到今天的模型语言与Prompt结构语言——这条路，我们其实从未偏离，只是语言在不断进化，我们正站在下一个语言断层的边缘。 4）人到中年，终于看懂了库恩 托马斯·库恩的《科学革命的结构》这本书，你读懂了吗？老实说，几年前我第一次读的时候，几乎没读懂。更别说意识到，自己竟然也会亲身经历一场科学范式的转变（Paradigm Shift）。那时候我对“范式”这个词只停留在表层理解。 库恩在书中写道，所谓“范式（paradigm）”，是一个学科共同体所共享的信念、符号系统、问题设定方式与解决机制的总和。也就是说，一个范式不仅决定我们怎么研究，更决定我们能看见什么、问什么、说什么。而每一次范式的转移，都会伴随着一次语言的重写——这正是《结构》这本书最深刻、最常被忽略的观点之一。 回顾历史，每一次认知断层的发生，几乎都伴随着语言结构的崩裂与重建：古希腊时期，人类从“神谕语言”转向“哲学语言”，世界不再被神祇命令主宰，而是进入抽象概念与理性争论的空间；17世纪，哲学语言又被数学语言接管，变量、函数与力学模型开始取代修辞与辩证，世界成为可以测量和计算的对象；20世纪的信息革命，则将语言从“物质的描述”转为“系统的建模”，反馈、控制、信号成为世界秩序的新关键词。而现在，在我们面前展开的是下一道断裂线：语言正从数学公式语言转向结构调度语言——包括模型语言、Prompt语言、Token结构语言。我们不再解释世界，而是直接调用结构、生成结构、封装智能。 库恩本人也在不同阶段意识到这一点。他曾在原书中写道：“当范式改变时，世界本身也随之改变。科学家们在熟悉的仪器前，在曾经看过无数次的地方，会看到全然不同的东西。”而造成这一切变化的，不只是仪器的升级或实验的改进，而是——语言系统的更换。正如他所指出的：“范式的转变，本质上是两种语言之间的区分：在可通约的语言之间，命题可以完整互译；但在不可通约的语言之间，严格翻译是不可能的。” 在他晚年的著作与演讲中，库恩干脆放弃了“paradigm”一词，转而使用“lexicon”（词汇系统）来替代。他认为，一个科学共同体之所以能够运作，是因为它内部有一整套共享的词汇-范畴系统，用以界定世界、分类现象、评判证据。这套系统就是共同体的“lexicon”。而一旦 lexicon 被替换，即使表面语言看起来没变，其所指对象、逻辑架构、世界观也已被彻底重构。库恩曾写道：“一个 lexicon 所提供的存在方式，不再是可以被判断为真或假的对象。”换句话说，世界并不是“被证明改变了”，而是“被说出改变了”。 这就是范式转变的真正断点——不是知识点推翻了前人，而是语言断裂了前世界。语言变了，世界才真正变了。 因此，关注术语的震颤往往比观测实验结果更早捕捉到科学体系“板块漂移”的前奏。语言变化，是范式转变的信号。 当然：每一次语言升级都会遭遇旧范式的反攻。 Kuhn 原话（晚年论 lexicon）： “A lexicon provides ways-of-being-in-the-world that are not candidates for true/false.”新旧 lexicon 不能严格互译时，革命临界点已现。 5）一个无法用显式语言表示的“黑箱结构域” 我们现在所面临的，是 AI 范式下人类遭遇的一个真正的边界：一个无法用显式语言表示的“黑箱结构域”。如果你已经读过我对于 Demis Hassabis 和 Alpha 系列的分析，你应该能够理解这背后的科学观转变：优先结构提取、低维流形学习、去公式化建模。而这套范式转变，带来的不仅是方法论的更替，更是对人类语言能力极限的直接挑战。 第一个边界，是模型无法解释其推理路径。我们所熟知的深度神经网络，尤其是大语言模型（如 GPT、Claude 等），已经展现出超越以往任何系统的推理、写作、协作与结构理解能力。但它们的内部机制并不是传统意义上的“规则系统”，而是由数十亿甚至上百亿个参数耦合而成的高维权重结构。我们无法阅读，也无法追踪其中的“逻辑链”。即便在输入输出之间观察行为，也无法给出明确回答：它为什么会这么想？它的结论是怎么来的？从科学方法的角度来看，这种状态极其尴尬——因为科学强调因果可追溯、路径可还原、过程可解释。而神经网络跳过了这一层，它直接作为一种“压缩后的结构映射器”运行，彻底消解了人类对中间过程的介入权。 第二个边界则更具颠覆性——“理性”的退位。从 18 世纪到 20 世纪，理性主义一直主导科学话语：模型被表达为可书写的公式，规律可通过数学语言定义与推广。然而在今天，模型不再是一套规则系统，而是一个“压缩–生成–对齐”的结构体。它的智能并非来自公式推导，而是源于结构涌现：在极度复杂的语境中完成高效压缩，从中提取潜在结构，再进行合理生成。这一逻辑，是 AI 最擅长的事，却也是传统科学语言系统最难容纳的事。 而最令人震撼的是第三个边界：黑箱智能的回归。我们所面对的 AI 不仅写诗、建模、作图、作曲、设计任务链条，还能在智能体之间形成协同结构，其生成行为充满风格、情感、目标感。但这些行为背后，没有显式的路径可供分析。我们无法说清它为什么这样，只能说：它可能是“从数据中学会的”、“从 Token 流中发现了某种结构”、“它自己完成了一种我们未能定义的推理”。这种状态，几乎与炼金术时代人们说出“这是水银的意志”、“四元素的回旋”如出一辙。人类语言，在面对结构性智能的涌现时，再一次显得苍白无力。 这就引出一个更深的哲学问题：解释结构的失效，意味着新语言协议的诞生。人类文明一直依赖“语言 → 结构 → 世界”的闭环逻辑。我们之所以信任科学，是因为科学建立在“可解释”的基础上：一个理论若不能被解释，就不能被验证；若不能被验证，就不能进入知识体系。但在 AI 时代，这套逻辑悄然松动：模型可以正确执行任务，却不能说明为什么；结构可以预测结果，却没有显式因果；我们开始习惯“信任一个行为良好的黑箱”，哪怕我们根本无法解释它的内部。于是我们发明新的语言：Prompt 编程、结构卡指令、多 Agent 协作路径、Token 流跃迁、注意力图谱……这些语言形式不再追求“解释”，而是优先考虑“激活结构”“生成路径”“形成闭环”。这不是语言的堕落，而是语言协议的一次深度升级。 科学遇到了它无法解释的“黄金”。过去那些被归为边缘、可忽略的“语言不可说之处”，如今却成为整个智能系统的核心机制。从知识论的角度看，以前我们可以把意识、涌现、湍流这些东西当作“未来有待解释”的特殊案例；而现在，整个 AI 主流系统——包括 LLM、Diffusion、AlphaFold——本身就是黑箱，我们没有语言可以描述它们，只能从外部验证其激活结果。从话语权的角度看，以前我们相信数学与逻辑语言拥有主导权，现在 Prompt、Token、路径调度语言悄然崛起，可生成≧可解释，旧范式的评价标准正在崩塌。从方法论的角度看，科学曾经强调“先假设 → 后验证”，把方程作为知识的最高表达；而现在，我们进入的是“先压缩 → 后涌现结构”的时代，低维流形才是新一代知识单元。 这正是人类第一次全面经历：语言失去对科学核心结构的“解释主权”。 调度智能、激活结构、形成路径闭环。 结构语言、生成语言、调度语言开始接管科学权力的时代。

逛 HN 的时候，看到了这一篇挺有价值的帖子，作者从 5 万多个书签里，整理出了自己心中的 S 级可视化教程。 在 AI 时代来临以前，大家会花费巨大的精力和时间去手敲写博客和教程 于是才有了下面这些非常优质的教程，AI 时代来临以后，还有人会做同样的事吗？ HN 原帖： 🎮 互动游戏 / 动手学习 从逻辑门开始造一颗 CPU 用游戏学习 Git 分支 用游戏学习 CSS Grid SQL 侦探游戏 另一个 SQL 解谜游戏 从零组装一个神经网络 机器人实时 3D 仿真 🧠 AI / 机器学习 交互式理解 Transformer 可视化理解 K-means 聚类 视觉 Transformer 图解 机器学习可视化入门 线性回归、逻辑回归与神经网络 神经网络的前向传播与反向传播 FAISS 向量检索原理 💻 编程 / 计算机基础 算法可视化 从零实现 React 从零“造”一块 NVIDIA GPU 一次请求如何从浏览器到达服务器 网络七层模型 限流算法 椭圆曲线密码学 🎨 图形学 / 游戏开发 颜色、屏幕、图形、渲染、着色器、编译器与解释器 用 Rust 和 Bevy 搭建 3D 编辑器 Vulkan 图形管线 碰撞检测、着色器、渲染与剔除 📐 数学 / 物理 交互式概率论 线性代数与向量 引力如何工作 ⚙️ 工程 / 硬件 内燃机工作原理 芯片制造流程

有人用GPT-5.6 Sol和Codex开发了一个完全交互式的3D人体解剖应用， 仅从一张设计图开始。 GPT Image 2.0生成了设计图。 每个器官图像都由它生成， 通过Tripo AI转换为3D模型。 Codex利用这些模型、主提示词和设计图， 构建了第一个版本。 模型最初各150MB， 运行速度仅16fps。 Codex优化了所有内容， 将每个模型缩小到2-5.5MB， 总资源从900MB减至28.6MB， 同时保持视觉质量完整。 Codex还生成了解剖插图， 标注每个器官位置， 创建了交互热点标记， 解释每个器官的不同部分。 现已上线且完全开源。