与「人工智慧」相关的搜索结果

我一生干了两件事，一是把 NVIDIA从一家做显示卡的小公司，带到了人工智慧的世界中心。三十三年，把 GPU 从游戏机里搬出来，搬进了超级电脑，搬进了数据中心。对这件事持异议的人不多，只有那么几个人，在我耳边叽叽喳喳，无非是嫌我们的显卡太贵，还要排队买罢了。 另一件事你们都知道，就是发动了这场AI大革命。这件事拥护的人不多，反对的人也不少。这两件事还没有完，这笔遗产得交给下一代。怎么交？和平交不成，就在算力竞争中交；搞不好就技术封锁、晶片禁运了。你们怎么办？只有天知道。

# 合并前先让 AI 挡一刀：一次审查 0.08 美元，假金钥加命令注入全被拦下 先说结论：让人工智慧审查程式码，贵的不是模型，是你以为要搭一整套系统才做得到。作者在 2026 年 11 月 13 日当天、在苹果电脑上、用 2.1.322 版实测，整个审查闸门的核心只有两样东西：一次非互动模式的呼叫，和一个退出码。审查结果是通过还是挡下，最后变成一个数字，零代表通过、一代表挡下，持续整合系统只认这个数字。 底线先说清楚：第一轮实测，作者故意埋了四个问题的分支被挡下，两高危加两中危，退出码一，约十秒、约 0.18 美元；修掉问题重跑，只剩两条低度备注，判定通过、退出码零，约 0.08 美元，一次审查只花一毛钱不到。两轮的差异只有二十五行，都跑了三轮对话。还要诚实说一句，搬上持续整合的那一段，作者没有真的在云端上跑过，因为那需要一个正式储存库和一把金钥，那一段是照官方文件写的，档案格式检查通过、没有实跑。 怎么做？先备一个很小的演示仓库，主分支放一支正常的计价函式和一支测试，功能分支加折扣、平均价和报表三个功能，同时故意埋四个问题：写死的假金钥、命令注入、折扣可以把总价算成负数、空清单求平均会崩溃。再写审查脚本，先把分支差异存成差异档案，再以非互动模式加结构化输出跑审查，审查者只有唯读权限，最多六轮、预算上限 0.5 美元，最后把判定结果转成退出码，通过是零、挡下是一。先在本机跑通挡下和通过两轮，两个退出码都亲眼看过，再搬上持续整合。 小心三件事。第一，审查只需要读档案，给它执行命令的权限，等于请一个没人看着的助手在你的机器上跑任意命令，只准读取，其他一律不给。第二，轮数、预算、逾时三个上限都要设好，轮数上限六轮、预算上限 0.5 美元、流程逾时十分钟，没设上限的任务卡住了会一直跑，烧掉的是持续整合的分钟数和模型的费用。第三，金钥要放进储存库的机密设定里，写进流程档案等于公开；分叉合并请求拿不到金钥，审查只对同一个储存库里的分支生效，外部来的合并请求这道闸门跑不起来。 顺序只有一个：本机脚本先通，再上持续整合，先挡下、再通过，两个退出码都亲眼看过才算通。还有一句要先想清楚，审查是判断、不是单元测试，同样的程式码跑两次，回来的备注可能不一样，判定结果可以当闸门，但不能当作程式码没问题的证明。闸门挡的是明显的问题，低度备注和写法差异还是要人工审查者看，两个角色是互补的，不是互相取代的。一句话：合并前多一道关卡，而这道关卡每次只花一毛钱不到。 S1哥观点：别再问人工智慧审查程式码是不是太贵、太麻烦了，贵的从来不是每次 0.08 美元，麻烦的也不是要搭一整套系统，是你还没亲手跑过一次。作者这篇最值钱的不是那支脚本，是两轮实测的对照：第一轮四个问题、退出码一，第二轮两个低度备注、退出码零，两个数字都亲眼看过，闸门才算真的立起来。更值得问的是，你上次合并请求出问题，是没有人审查，还是审查的人没看出来？如果是后者，一道只要一毛钱的闸门就能先挡下写死的金钥和命令注入这类最危险的问题，剩下的再交给人工审查者慢慢看。你第一个想让它挡下的问题是什么？评论区说说。 收藏用清单（照着做）： 1. 备一个演示仓库，故意埋四个问题，改动集中在一个档案，审查者读的就是这份差异。 2. 写审查脚本，先存差异档案、再以非互动模式加结构化输出跑审查，最后把判定结果转成退出码。 3. 本机先跑通两轮，挡下的退出码一、通过的退出码零都亲眼看过，再搬上持续整合。 4. 金钥放机密设定、权限设最小化、审查者只有唯读权限，轮数、预算、逾时三个上限都设好。 转给合并请求出事才救火的朋友，一次审查只要八分钱，他今晚就能先跑一次演示。

黃仁勳日前飛南韓的會見科技大老的真正目的。當多數媒體把焦點放在他見了誰、上了什麼綜藝節目、吃了哪家五花肉時，真正的產業巨變正在檯面下發生。 南韓，可能正是黃仁勳把 AI 帶入現實世界最重要的實驗室。 #黃仁勳# #人工智慧# #實體AI# #科技巨頭# #總體經濟# #供應鏈# #投資洞察# #科技趨勢# #台積電# #美股# #台股# #港股# #邦妮區塊鏈# #永續合約# #美股代幣# #NVIDIA# #TSMC# #台積電# #TSM# #broadcom# #AVGO# #Tesla# #TSLA# #MU# #Micron# #聯發科# #台股大跌# #比特幣# #ai# #btc# #黃仁勳# #投資# #Stock# #2330台積電# #比特幣# #跌停# #漲停#

中國仿生機器人已經這麼猛了嗎？看完真的會懷疑未來是不是已經來了！🤖🇨🇳 #中國大陸# #仿生機器人# #AI人工智慧# #科技發展# #未來科技#

【謝田時間】1.中共外宣大規模進入全球主流人工智慧聊天系統 2.中共監控所有海外關係中國人 人臉辨識、簽證手機App資訊等 4.北京禁用英偉達、阿里巴巴開發新款AI芯片？

外界对日本的认知始终存在割裂：游客眼中的日本，干净有序、精致礼貌，服务与生活体验无可挑剔，依旧是成熟发达的社会；但从时代发展维度看，日本早已褪去引领未来的光环。日本的衰退并非秩序崩塌式的溃败，而是一场安静的时代转向：它彻底告别了创造硬未来的能力，退守为维护旧秩序和打造软体验。这一变化的背后，是中日两种文明最核心的差异：日本文明的底色是坚守连续性、守护现有秩序，而中国文明的底色是突破桎梏、重建全新未来。 日本并非没有创造未来的能力，其近代两次崛起均印证了这一点。明治维新在西方工业文明的冲击下，完成封建岛国到近代强国的蜕变；二战后依托全球贸易体系与产业重构，以精密制造、家电汽车产业领跑全球，一度成为亚洲现代化的标杆。但日本的未来创造力存在致命短板：其革新永远依赖外部危机冲击。唯有旧秩序被彻底击碎时，它才会调动极致的执行力与学习力完成迭代；一旦外部压力消退、旧秩序尚可维系，便会回归保守的默认模式，专注于修补、维稳、延续现状，丧失主动破局、重构体系的魄力。 同时，日本社会并非没有创新的内生力量，江户时代的商业文化、锁国时期的兰学研究、明治前夜的革新志士，都是内部蒸腾的突破力量。但日本成熟的旧秩序拥有极强的“免疫规训机制”，所有异质创新、突破尝试，都会被快速吸收、驯化、约束。社会默认“不破坏氛围、不制造冲突、不给他人添麻烦”的准则，允许有限的个性化，却绝不允许颠覆现有结构的变革。反观中国，疆域辽阔、发展不均衡、社会结构复杂，一处的固化不会阻断全域的生机，旧秩序的缝隙永远能孕育新的突破力量。简言之，日本需要外部撞醒，中国自带内生蒸腾的生命力。 这种差异根植于两国的文明底层逻辑。日本作为狭小多灾的岛国，有限的生存空间让维系共同体稳定成为第一准则，久而久之形成以“连续性”为核心的文明特质。这套文明塑造了日本社会的优点：克制守礼、细节极致、秩序井然、敬畏规则，但也埋下致命隐患：社会问题被体面掩盖，矛盾难以爆发，年轻人不敢突破，组织优先维护氛围而非直面现实，老化的系统始终被体面维系，衰退在静默中持续蔓延。 中国文明的核心则是乱世重构、迭代新生。广袤复杂的大陆疆域、频发的自然灾荒、周期性的王朝更迭，让中国文明从未追求永恒的静态秩序，而是练就了“破旧立新、重建秩序”的底层能力。中国人根深蒂固地认为，没有一成不变的既定格局，旧体系腐朽便可推翻重构，困境之中总能开荒拓新、重启开局。这也是中国人执着于逆袭、升级、突破、再造的根源，不是天性躁动，而是数千年文明历练出的生存智慧。 日本的文明底色，具象化为三大社会特征，也是其衰退的核心表征。首先是守护小世界的文化内核。日本文艺作品始终围绕“守护日常、守护温柔、守护有限美好”展开，无论是动漫、影视还是生活美学，核心都是守住眼前的小共同体、小美好，而非改造大世界、创造新未来。其审美偏爱克制、消逝、细腻的日常，追求在有限秩序内留存温度。而中国文化始终向往突破、开荒、统一、跃升，追求从废墟到新生、从弱小到强盛的跨越式成长。这一差异在科幻创作中尤为明显：中国式末日是改造世界、对抗绝境，《流浪地球》以工程化、体系化的方式拯救文明；日本式末日则是守护尊严、留存记忆，在既定命运中守住最后的温柔。 其次是社会翻盘感极度缺失。日本社会极度重视资历、秩序、连续性，容错率极低，一旦年轻人失业、掉队、偏离主流轨道，便很难重新回归核心圈层。冒险的收益极低，失败的代价却足以桎梏一生，这直接催生了年轻人的低欲望、躺平心态。日本婚恋生育的低迷也源于此：年轻人不愿承担现实生活的不确定性，转而沉溺于低成本、无压力的虚拟情感与娱乐，用符号化的欲望替代真实的生活担当，本质是对未来丧失信心，不愿为固化的社会下注新生。 最后是静默式的集体苦难。日本社会的体面秩序，是以个体的隐忍为代价的。阶层固化、薪资停滞、青年无望、地方衰败等诸多问题真实存在，却被礼貌、忍耐、不添麻烦的社会规训层层包裹。痛苦不对外爆发、矛盾不公开化解、衰退不直面正视，所有社会困境都被转化为个体的私人内耗。游客所见的整洁与温柔，背后是普通人无声的挣扎，这种“不乱的衰退”，比动荡的衰退更难逆转。 为维系体面的旧秩序，日本形成了封闭的信息茧房，优先筛选维护民族优越感、贴合旧秩序认知的信息，刻意回避自身产业衰落、技术被赶超、发展滞后的现实。长期的自我麻醉，让日本形成了“维稳拖延、极限赌国运”的危险思维：平日拒绝迭代革新，任由体系老化，当危机累积到极致，便以豪赌的方式试图翻盘，近代太平洋战争便是典型。这种模式并非创造未来，而是旧秩序不愿落幕的被动挣扎。 客观来看，日本并未彻底失去未来，只是完成了硬未来退场、软未来延续的转型。在人工智能、新能源、全球供应链、新型工业范式等硬核生产力领域，日本已丧失主导权，无法再定义时代发展方向。但其在生活美学、情感体验、文化创意、服务设计等软领域，依旧保持顶尖水准，同时在材料科学、精密零部件、机床设备等细分技术领域，拥有深厚的技术积淀。但单点的技术深耕、极致的体验打磨，无法替代系统性的产业革新、范式级的技术突破，日本也从引领时代的“未来样板”，沦为供人怀旧体验的“过去样本”。 日本的静默衰退，为中国提供了极具价值的警示。当下中国已然出现老龄化、低生育、青年求稳、内卷焦虑等类日本现象，但中国不会重蹈日本覆辙。核心原因在于中国发展的不均衡性与未完成性，城乡、区域、产业的落差，让社会始终保有蒸腾的生机与破局的机会，永远有人渴望重启开局、突破桎梏、再造未来。 但中国同样存在自身困境：内生的创新冲动，极易沦为盲目折腾、无效内耗。很多人将无谓的冒险、跟风的内卷、不甘平庸的躁动包装成奋斗，脱离实事求是，最终陷入资源错配、自我消耗。同时，存量利益固化、形式主义、创新阻力等问题，也在持续压制社会活力。 中日文明没有绝对的优劣，只是面对时代的默认姿态截然不同：日本致力于优化旧世界，中国致力于创造新世界；日本恐惧秩序崩塌，中国害怕未来停滞。日本的教训警示我们：极致的秩序会沦为发展的牢笼，单纯的坚守终将被时代淘汰；其深耕细节、长期主义、打磨品质的优势，也值得我们借鉴学习。 中国最珍贵的禀赋，是从未停止相信未来、从未放弃破旧立新。我们无需效仿日本的保守维稳，也需摒弃盲目躁动的内耗。唯有立足现实、实事求是，将社会的蒸腾活力转化为产业升级、技术突破、体系迭代的有效力量，才能跳出“守成衰退”与“盲目折腾”的两极困境，持续创造属于自己的全新未来。

今天看了篇文章，叫：《AI 与自动化的讽刺》，内容跟当前 AI 的发展很应景。 1983年，一位认知心理学家 Lisanne Bainbridge 写了篇论文，题目叫《自动化的讽刺》。四十多年后的今天，这篇论文上预言的问题，正一字一句地在 AI Agent 身上应验。 当年她研究的是工厂自动化：机器干活，人类监督。 今天我们面对的是AI Agent自动化：AI干活，人类监督。场景变了，但底层逻辑一模一样。而她当时在论文中指出的那些问题，又重新来了一遍。 论文中都提到了哪些问题呢？ 1. 技能退化困境：不用就会忘，专家变监工后技能会萎缩 用进废退，这四个字我们都懂。但放到AI时代，它有个更残酷的版本。 以前你是某个领域的专家，天天做这件事，手到擒来。现在公司说，让AI Agent来做吧，你负责盯着它，出了问题再介入。 听起来很美好对不对？从打工升级成监工，岂不是更轻松？ 问题来了：你不做这件事了，但你的技能不止不会进步，甚至还会退化。 像我这样天天用 AI 写代码的，我能感觉得到这两年是没啥进步，而且对 AI 有依赖，很多以前信手拈来随手就可以写出来的代码，现在没有 AI 就啥都不想干了。 真的是有点用进废退了。 无论是 OpenAI 还是 Anthropic 都在吹他们的 Coding Agent 多厉害，他们的员工只要验证 AI 写的结果就好了，但是他们故意没提的是，这些人都是万里挑一的高手，他们有足够的经验判断AI对不对。但如果他们接下来几年都只是验证 AI 做的对不对，那么他们的技能会慢慢倒退。 像我们这一代老程序员还好，更要命的是下一代。 今天的老程序员们好歹是从实战中成长起来的。明天的程序员呢？他们从入行第一天就在盯AI，没怎么亲手做过。他们既没有技能，也没有机会学。那他们怎么判断AI对不对？ 论文原话是： > 当前这代自动化系统，正在吃老一代操作员的技能老本。下一代操作员不可能有这些技能。 这个问题今天看不出来，三五年后可能就会凸显出来了。 2. 记忆提取困境：不常用的知识，调取速度也会变慢 还有个问题就是相关技能的记忆也会退化。 想想我们高中时哪些滚瓜烂熟的公式，现在还能想起来几个了。放到 AI 监督的场景，随着 AI 能力越来越强，大部分时候都是对的，这意味着大多数时候不需要用到你的知识，随着你的知识越用越少，相关的记忆就会退化。 3. 实践悖论：理论培训没用，必须实战才能学会，但AI在干活人没机会练 这时候你可能会想：那培训是不是有用？ 但是《自动化的讽刺》论文中的结论是：培训并没有太大用。 因为专业技能不是听课听出来的，是在真实场景里靠实战锻炼出来的。课堂上学的理论，如果没有配套的实战练习，你很可能听不懂，因为没有相应的经验框架。就算当时懂了，很快也会忘，因为没有和真实任务绑定的记忆提取路径。 要保持监督AI的能力，你得定期亲自干活。但如果公司追求的是让 AI 自动化运转以提升效率，那人就没多少机会练手。 这是个死循环。 就像论文里面说的： > 我们训练操作员按指令行事，然后把他们放进系统，指望他们提供智慧。 你不能指望平时不需要怎么思考和练习的人类，在关键时刻能想出什么好办法。 4. 监控疲劳：人类无法长时间对"很少出错"的系统保持警觉 心理学研究早就发现，人类无法对一个很少出问题的目标保持长时间警觉，半小时是极限。这不是意志力的问题，这是生理结构决定的。 从进化角度看，这其实是个生存优势：如果你盯着一个地方什么都没发生，大脑会自动降低警觉，把注意力资源省下来应对真正的威胁。但放到监控场景里，这就成了问题。 AI Agent大部分时候是对的，偶尔会犯错。这恰好是最难监控的模式。如果它经常出错，你会保持警惕。如果它从不出错，你不用监控。但它很少出错这种情况，正好落在人类注意力的盲区里。 更糟的是，AI Agent犯错的方式特别隐蔽。它不会说"我不确定"，它会用一种极其自信的语气告诉你它的计划，洋洋洒洒几十上百行。错误可能藏在第87行的一个小前提里，比如"因为2大于3，所以我们应该……"。被那么多看起来正确的内容包裹着，被那种自信满满的语气麻痹着，你很难注意到。 那加个自动报警系统呢？ 论文说：谁来监控报警系统？如果报警系统本身出了问题，操作员不会注意到，因为报警系统已经正常运转了很久。 那让人做记录呢？ 论文说：人可以机械地抄数字而完全没注意数字是什么。 所有试图对抗监控疲劳的手段，都会撞上同一堵墙：人类的注意力就是无法长时间锁定在一个很少出事的目标上。这是硬件限制，不是软件问题。 5. 地位问题：从专家降级为监工，心理冲击和社会地位下降 你曾经是专家，公司里有什么难题找你，同事尊重你，你自己也有职业认同感。现在你是AI的看门人。 技能层面的损失是一回事，心理层面的冲击是另一回事。从专家降级为监工，从创造者变成审核员，从被需要变成备胎。这种转变对很多人来说是很难接受的。 论文里说，被这样降级的人会出现各种复杂的应对反应，有些看起来甚至是自相矛盾的。这部分内容展开讲太长，有兴趣的可以去读原论文。 6. 糟糕的UI：当前AI Agent界面是最差的监控设计 工业自动化领域花了几十年时间优化控制室设计：显示屏怎么布局能让操作员最快发现异常，急停按钮为什么是红色的、为什么那么大、为什么放在那个位置。每一个细节都是用事故和教训换来的。 现在看看AI Agent的界面？ 一堆自信满满的长文本，一个接一个的多步骤计划，几十上百行洋洋洒洒的解释。你要在这些文字里找出那个藏着的错误。 这大概是人类设计过的最糟糕的异常检测界面。 7. 训练悖论：越成功的自动化系统，越需要投资培训人类 论文中谈到自动化带来的训练问题： > 如果不能让操作员定期接管工作亲自干，就得用模拟器训练。但模拟器有个根本问题：你只能模拟你能预见的故障。未知的故障模拟不出来，已知但没经历过的故障也很难准确模拟。 那怎么办？ > 只能培训通用策略而不是具体应对方法。但这又带来新问题：你不能指望操作员光靠查操作手册来应对异常，因为手册不可能涵盖所有情况。 > 越是成功的自动化系统，越少需要人工干预，反而越需要在人员培训上投入巨资。 因为干预越少，人的技能退化越快，应对罕见异常的能力越弱，每次培训的成本就越高。 决策者想用AI省钱，但省下的人力成本可能得加倍投入到培训成本里。 8. 领导力困境：监督AI不只是被动看，还要主动"领导"它们 监督AI Agent不只是被动地盯着看，还得主动地指挥它们。告诉它们做什么、不做什么、分几步做、怎么调整方向。 这其实是一种领导技能。 为什么LinkedIn上夸AI Agent最起劲的往往是管理者？因为他们本来就习惯间接工作：设定目标、分配任务、给反馈、调方向，但不亲自动手。对他们来说，指挥AI Agent和指挥下属没有本质区别。 但对于一直亲自干活的执行者来说，这是一个巨大的角色转换。你得从一个做事的人，变成一个让别人做事的人。这不是改几条 prompt就能解决的，这是一整套技能体系的重建。 公司会给新晋经理做领导力培训。但有谁见过公司给AI监督者做领导力培训？ 四十年前那篇论文的结尾是这样的： > 没有时间压力时，人类可以是令人印象深刻的问题解决者。困难在于，一旦有时间压力，效率就会大打折扣。我希望这篇论文说清楚了两件事：第一，自动化不一定会消除困难，这是讽刺所在；第二，解决这些问题需要的技术创造力，可能比自动化本身还要大。 四十年后，我们换了个场景，但面对的是同一组问题。 AI Agent的能力在进步，但人类的认知结构没变。监控疲劳还是半小时，技能退化还是用进废退，注意力盲区还在那里。这些是硬件限制，不是软件更新能解决的。 推荐阅读原文： 《Ironies of Automation》： 《AI and the ironies of automation - Part 1》 《AI and the ironies of automation - Part 2》

模型越来越强， 为什么大多数公司的成本没降、利润没涨？ 11 月 12 日百度世界 2026， 李彦宏给了一个新判断： 人工智能的下一幕，是"智能组织"。 十年前他说的是： AI is the new electricity。 我作为独立开发者的体感是： 电早就通了， 但很多团队还是在用 AI 点灯泡—— 写个文案、改段代码、出张图。 真正省钱的， 不是"每个人多一个 AI 助手"， 而是把流程本身拆掉重排： 哪些环节根本不需要人， 哪些决策可以交给 agent 先跑一遍。 工具是电， 组织是电路图。 你们公司用 AI 之后， 是真省了钱，还是只是多了一个订阅？

别只让 Agent 写代码，也给它安排独立审查、测试和人工签字。LoopForge 做的就是这层交付编排。 它把 Codex、Claude Code 等编码工具接进可复用工作流：角色分工、Docker 沙箱、脚本测试，人工关卡可批准或退回指定步骤，失败节点能重试，日志和产物可追溯。 值得关注的不是又多一个 Agent，而是把单次生成变成有检查、有验收的交付流程。支持自托管，但默认面向可信团队，不适合直接当多租户隔离环境。