与「公式研究員　」相关的搜索结果

21:00〜 #SHOWROOM# 配信します🍎 #みらいファーム・ラボ　さんのりんご# 「#ひろさきふじ」# まるかじりします！ ↓みてまっててね #NGT48# #奈良未遥# #公式研究員#

「晚点招聘丨招 AI 作者、驻硅谷科技作者」 晚点是谁？ 一家还在努力通过一手采访，报道重要问题的公司。成立于 2019 年，生日是 4 月 1 号。过去 7 年，我们记录了中国最重要的公司、人物与商业事件，但我们知道，这仅仅是开始。 晚点想成为什么？ 中国最好的商业媒体，也是关于这一轮技术革命最值得读的中文媒体之一。 不仅关注科技与 AI，也是充满善意的，关心人类与社会演进的媒体。我们想给用户提供怎样的内容？那种让读者在关掉无数窗口后，依然愿意停下来，想一想 “哦，事情原来是这样的” 的内容。 我们希望可以提供可靠的信息、知识与判断，帮助人们理解世界的复杂与变化；努力提出一些真问题，也让一些被忽视的声音被更多人听到。 以及，让当代中国和硅谷最好的科技人物访谈都发生在这儿。 晚点的价值主张是什么？ 专业；相信文字依然能承载人类的好奇心和理性。 我们想招募怎样的同事？ 这里没有公式化的报道，有新闻工作经验很好，但不是必需。我们希望招募对商业、科技、社会变迁有深刻理解的写作者；擅长讲述故事、擅长访谈，或是对数字和数据敏感，能拆解复杂的系统。 1. AI 报道作者 工作地点： 北京/上海/深圳 我们最看重的是： 你是不是真的对 AI 这件事有持续的好奇心，而不仅是把它当作一个热门赛道 Critical Thinking，可以分清事实和观点，能在 hype 与真实进展之间保持冷静 谦逊好学，能平等对待所有被访者——从研究员、创业者到一线工程师 加分项：理解大模型、Agent、芯片、Infra 中至少一个领域的技术脉络；有自己长期跟踪的人和公司。 2. 驻硅谷科技作者 工作地点： 旧金山湾区（常驻） 这是一个新的、也是我们认为越来越重要的位置。这一轮 AI 革命的核心节点很多在湾区——从 OpenAI、Anthropic、Google、Meta 到一批新生代 AI 公司，从 Sand Hill Road 到南湾的实验室。我们希望有一个人在那儿，真正进入那个圈子。 我们最看重的是： - 你足够了解 AI 和大模型圈子——知道谁在做什么、谁的判断值得听、谁在讲故事；不是把这一波只当成新闻热点来追，而是能看懂里面的人和事 - 英文能够进行深度访谈和写作，能在咖啡馆和研究员聊一小时还能挖出东西，也能读懂技术论文与财报 - 愿意长期在湾区工作和生活，已经在那边更好，但不强求 - Critical Thinking，对硅谷叙事保持距离感，不被 founder narrative 牵着走 - 能在中美两套语境之间自如切换，知道中文读者真正关心什么 我们不要求你已经做过作者，也不要求你有发表过的报道作品。我们更看重你对这个圈子的理解和判断力——你可以来自 VC、产品、工程、研究、产业分析等任何背景，只要你有足够的好奇心和讲述能力。 我们能提供的： - 一个相对独立的工作位置，不用做日更快讯，目标是月度的深度报道和重磅访谈 - 国内编辑部的协作支持，包括选题讨论、资料调研、产业链中国侧的信息补全 匹配湾区生活的薪资水平 关于工作方式： - 我们不太会说 “挺好的，就这样吧”。但我们也不会逼你一周写五篇稿子。相反，我们的要求是一个月一篇长报道——你有足够的时间去调查、去思考、去修改。编辑部的出发点是帮助每一个人把报道写得尽可能好。 我们可以提供什么： - 行业最有竞争力的薪资 - 绝佳的访谈资源，帮你一起约到这个时代最优秀、最有潜力或是最有争议的商业人物 - 一群可爱的风格各异的同事 “新闻是历史的草稿”。但我们还认为，记录不仅是为了防止遗忘，更是为了观察思维的演化过程。 世界不缺信息、不缺新闻，缺晚一点、好一点。 欢迎联系 latepost@latepost.com 并加入我们。

华尔街对冲基金给量化研究员开的工资是真的大方。 顶级机构随便一个量化岗，年薪基本20万到65万美元起步。 最近Jane Street有位交易员在YouTube发了条快50分钟的硬核长视频。 直接把完整的量化学习路线掰开揉碎讲清楚，还顺带聊了实操技巧，连Polymarket预测市场的概率逻辑都讲到了。 网上一堆博主天天吹万能公式、稳赚模型，对比下来，这种一线大佬的经验分享靠谱太多。 交易想赚钱，真没什么玄学。 拼的就是概率建模、风控、执行力，还有长期稳定的统计优势。 都是实打实的底层能力。 与其天天刷各种碎片化干货，不如静下心看完这条视频。 真正拉开交易水平的，从来不是内幕消息，而是系统化的学习思维。 #polymarket#

对于量化研究员来说，华尔街对冲基金开出的年薪十分诱人，通常在20万至65万美元之间。 近期，Jane Street的一名量化交易员，在YouTube上分享了一条50分钟的视频，完整梳理了量化学习的全流程路线图，还隐含了Polymarket等实操场景的相关技巧。 建议你收藏好，今天就抽时间看完，相较于X上那些夸大其词的“神奇公式”文章，这条视频更具参考意义，也更值得你花时间去钻研。

OpenAI公布十项数学与理论计算机科学新结果，全部由AI主导完成 OpenAI内部一个代号Astra的未发布模型，在球体堆积、编码理论、群论、算子代数、量子复杂度、格密码学和极值组合数学等领域，解决了十个悬而未决数十年的公开问题。每个结果都配有一份用Lean 4形式化的证明，证明代码公开在Github上（ 这些数学论证本身是由模型生成的，人类只负责把论证整理成手稿、并完成Lean形式化。跟现在程序员用AI写代码的过程类似：AI写代码，人类程序员只负责review，甚至有的都不review，直接accept后做功能测试。 想想未来数学家、科学家像程序员一样，主要职责就是验证和Accept，未免有点太刺激。 OpenAI原文： 10道题目简介： 1. 高维球体堆积：多少个球能塞进一个盒子 想象在很高维度的空间里堆橙子，怎么堆最省地方、能塞下最多球，是一个跟晶体结构、通信编码都有关的经典问题。1978年提出的Kabatiansky–Levenshtein上界四十多年没人从根本上突破。AI生成的公式算出的指数约为每维度−0.604，比历史最佳的−0.599更紧。 2. 二元码与球面码：怎样让传错的信息还能被纠回来 给数字信号加冗余，让接收端即使传输出错也能纠正，是编码理论的核心问题——纠错能力越强（码字间距离越大），能塞进的合法码字就越少，这是一个此消彼长的权衡。这次的结果把已知的码字数量上界在指数意义上大幅收紧，缩小了理论允许的最好码和已知构造出的码之间的差距。 3. 非苏菲克群：所有“群”都能用有限的东西去逼近吗 群是数学里描述“对称性”的基本结构。一个自然的问题是：任意一个群，是否总能用足够大的有限置换群去足够精确地逼近（这类群叫“苏菲克群”）？这个问题多年没有定论。这次的结果构造出一个明确、有限表现的群，并证明它天生无法被这样逼近，即它是非苏菲克的。 4. Connes刚性猜想：换了一张“脸”，身份还是原来那个吗 每个群都能生成一种叫von Neumann代数的运算结构，有点像给群拍了一张“运算指纹”。Connes猜想认为，对某一类群来说，这张指纹应该能唯一认出原来的群，不会有两个不同的群共享同一张指纹。这次的结果构造出一个反例：两个结构不同的群，却生成了本质相同的von Neumann代数，说明这张“指纹”并不总是唯一的。 5. Permanent的计算下界：为什么有些矩阵运算天生就很难加速 矩阵有个大家熟悉的量叫行列式，靠消元法就能快速算出来。它有个“难兄弟”叫permanent，长得像行列式但去掉了正负号，恰恰就是这个符号差异，让permanent在已知算法里始终摆脱不了指数级的计算量。这次的结果证明，只用加法和乘法搭出的电路（不允许用除法这类“捷径”）去计算permanent，电路规模必须达到某个新的、更高的下界，从数学上解释了为什么这类计算“绕不开”。 6. 量子平行重复：把同一个博弈重复玩，输赢概率会怎样变 在双人合作博弈里，如果重复玩k次要求全部获胜，直觉上获胜概率应该随k指数级下降。这件事在经典（非量子）情形下早已证明，但如果博弈双方可以用量子纠缠来配合，之前的证明工具只能给出很弱的下降速度（大约是根号级）。这次的结果把这个结论真正推广到了一般的量子博弈情形，证明获胜概率同样会指数级下降。 7. 最近向量问题CVP：格密码学为什么“抗量子” 把很多点按固定的方向和间隔整齐排列在高维空间里，就构成了一个“格”。给定格外一个随意的点，找出离它最近的格点，这就是最近向量问题CVP。这次的结果证明，哪怕只要求“大致找到”一个足够近的格点（而不是精确最近），这个问题依然是NP困难的，也就是说没有已知的快速算法能保证解决它。这正是后量子密码学敢于依赖格结构的理论基石。 8. Ehrhart体积猜想：一个凸体最多能“胖”到什么程度 设想一个凸的几何体，它唯一包含的内部整数点就是它自己的重心，那么这个凸体的体积最多能有多大？这次的结果给出了每个维度下精确的答案，是(n+1)n/n!(n+1)^n/n! (n+1)n/n!。 9. 多色拉姆齐数：想在一堆点里完全避开“三角形”，要多少种颜色 拉姆齐理论说的是：只要一个系统足够大，规律和结构必然会自发出现。把这句话落到最经典的问题上：给一张完全图的每条边染上k种颜色中的一种，要让图里避免出现同色三角形，图至少要多大？这就是Erdős第183号公开问题。这次的结果证明，这个最小规模会随k呈“超指数”增长，也就是比任何形如 c^k 的指数增长都快，彻底解决了这道悬了很久的题目。 10. 极值图论中的两个反例：稠密程度能推出图有多“退化”吗 极值图论研究的是：给定一些限制条件（比如不能出现某种子图），一张图最多能有多少条边。这次的结果针对两个具体的公开猜想（Erdős第146和180号问题）构造出了反例，说明原猜想设想的“边数够多就必然导致某种退化结构”的推理并不总是成立。

前女友看到我天天不去面试、反而窝在家里写 Python 脚本时，甚至笑出了声。 “你居然在算天气概率？” 我确实在算。因为整个 Polymarket 的每一个盘口，底层都在跑着同一个著名的数学公式： $$C(q) = b \cdot \ln \sum e^{\frac{q_i}{b}}$$ 这就是 LMSR（对数市场评分规则）。这种数学逻辑，和 GPT 用来预测下一个词的底层原理如出一辙。Polymarket 只是用它来给群体的“信念”定个价。 市场上 93% 的交易员甚至不知道这个公式的存在。散户看到 40 美分觉得“便宜”，而我看到 40 美分，通过公式算出它的理论真实价格其实是 60 美分。 每股 20 美分的绝对套利优势。 在一场盘口里，市场价只有 0.35，但我的模型算出了 0.55。果断买入，盘口交割，4,200 刀轻松到手。 但真正的终极密码并不是公式本身，而是算完之后的资金策略。 凯利公式告诉你这时候该下注 20% 的本金，但我研究过的所有顶级链上猎手，无一例外都克制地只下注 5%。 用基础概率去对标大众直觉，用贝叶斯定理去迭代推特小道消息。93% 的 Polymarket 钱包都在亏钱，因为他们靠情绪交易，而真正能赢的数学公式就明明白白躺在维基百科上。 我用这套框架直接写了一个自动跟单机器人： LMSR 定价模型捕捉空间 期望值（EV）精准计算 严格执行 5% 的凯利仓位控制 贝叶斯概率高频更新 机器人 24 小时无间断扫描盘口，在价差被抹平前光速执行，没有情绪，没有 FOMO，纯粹是数学对感性的降维打击。 想要做到这一点，你需要的全部工具仅仅是 Claude、一个能跑代码的设备，以及每天抽出的一个小时。

好策略不一定要更强，但一定要不一样 有些趋势跟踪策略的基金夏普比率（Sharpe Ratio）只有 0.3-0.5，也有很多资金认购，主要是因为策略配置时，除了收益以外，策略间的低相关性也很重要，怎么说 Sharpe 0.3 也是盈利策略。 组合策略的 Sharpe 有收益线性叠加，波动按 √N 叠加的特点。N 个零相关、Sharpe 各为 S 的策略等权组合，组合 Sharpe = √N × S： - 4 个 Sharpe 1 的独立策略 → 组合 Sharpe 2 - 9 个 Sharpe 1 的独立策略 → 组合 Sharpe 3 - 16 个 Sharpe 1 的独立策略 → 组合 Sharpe 4 独立交易员 Scott Phillips 在 Flirting With Models 的节目公开过他的加密组合策略，包括： - 趋势跟踪（CTA 风格， 以 50% 年化波动率作为仓位控制的约束）：过去 4 年 Sharpe 1.7，收益分布正偏（大部分小亏，小部分大赚） - 横截面动量（所有币按波动率标准化后，按过去 N 天收益排名，前几名开多，空后几名开空）：Sharpe 略高于 1.7，收益分布不如趋势偏向单边大赚 - 横截面套息（所有币按资金费率排名，最高的开多，最低的开空）：Sharpe 1.7（与趋势跟踪相近），收益分布是负偏（大部分小赚，小部分大亏），而且这个策略与前两个策略的相关性明显低。 Scott 最后总结：“这三个一起运行，很容易达到 Sharpe 2 ，执行上不需要太精细。” 按之前的公式倒推：N = 3，Sharpe 各 1.7，组合 Sharpe 取决于两两相关度 ρ： - ρ = 0.5 → 组合 Sharpe 2.08 - ρ = 0.3 → 组合 Sharpe 2.33 - ρ = 0 →组合 Sharpe 2.94 可见相关度越低的策略在一起，对组合 Sharpe 提升越大（相关性在极端行情会失效，不过这是另一个话题，这里不展开）。 上面这几个策略都是价格方向上的相对排名，机制上有不少同源。要再降低相关性，就需要换一个完全不同的维度。 波动率策略做的是隐含波动率和实际波动率之差（波动率风险溢价），与价格方向的相关性显著变低。AQR 在波动率策略的研究里提过，波动率风险溢价策略与动量、套息、趋势的相关性都很低，所以将这类策略纳入组合，能显著降低波动性，从而提升组合 Sharpe。 可以试算一下，我们假设当前组合的相关性为 0.5，夏普为 2.08，此时加入一个 Sharpe 1.2 且和其他策略相关性只有 0.1 的新策略，那么新组合 Sharpe 将提升为 2.29。即使新增策略的 Sharpe 略低，依然使得整个组合的 Sharpe 提升了 10%。这是配置层面的杠杆：加入不同源的新策略，等于打开了一个新世界。

Andrej Karpathy 是 OpenAI 联合创始人、前特斯拉 AI 总监，也是全球最有影响力的 AI 研究者之一。他刚刚发布了一篇 2025 年 LLM 年度回顾。 第一个大变化：训练方法的范式升级 2025 年之前，训练一个好用的大模型基本是三步走：预训练、监督微调、人类反馈强化学习。这个配方从 2020 年用到现在，稳定可靠。 2025 年多了关键的第四步：RLVR，全称是 Reinforcement Learning from Verifiable Rewards，翻译过来就是「可验证奖励的强化学习」。 什么意思？简单说，就是让模型在「有标准答案」的环境里反复练习。比如数学题，答案对就是对，错就是错，不需要人来打分。代码也一样，能跑通就是能跑通。 这和之前的训练有什么本质区别？之前的监督微调和人类反馈，本质上是「照葫芦画瓢」，人给什么样本，模型学什么样本。但 RLVR 不一样，它让模型自己摸索出解题策略。就像学游泳，之前是看教学视频模仿动作，现在是直接扔水里，只要你能游到对岸，怎么划水我不管。 结果呢？模型自己「悟」出了看起来像推理的东西。它学会了把大问题拆成小步骤，学会了走错路时回头重来。这些策略如果靠人类标注示范，根本标不出来，因为人自己也说不清「正确的思考过程」长什么样。 这个变化带来一个连锁反应：算力的分配方式变了。以前大部分算力砸在预训练阶段，现在越来越多算力用于 RL 阶段。模型的参数规模没怎么涨，但推理能力飙升。OpenAI 的 o1 是这条路的起点，o3 是真正让人「感觉到不一样」的拐点。 还有个新玩法：推理时也能花更多算力。让模型「想久一点」，生成更长的推理链条，效果就更好。这相当于多了一个调节能力的旋钮。 第二个大变化：我们终于搞懂了 AI 是什么「形状」的聪明 Karpathy 用了一个很妙的比喻：我们不是在「养动物」，而是在「召唤幽灵」。 人类的智能是进化出来的，优化目标是「在丛林里让部落活下去」。大模型的智能是训练出来的，优化目标是「模仿人类文本、在数学题里拿分、在评测榜单上刷分」。 优化目标完全不同，出来的东西当然也完全不同。 所以 AI 的智能是「参差不齐」的，英文叫 jagged intelligence。它可以在某些领域表现得像全知全能的学者，同时在另一些领域犯小学生都不会犯的错。上一秒帮你推导复杂公式，下一秒被一个简单的越狱提示骗走你的数据。 为什么会这样？因为哪个领域有「可验证的奖励」，模型在那个领域就会长出「尖刺」。数学有标准答案，代码能跑测试，所以这些领域进步飞快。但常识、社交、创意这些领域，什么是「对」很难定义，模型就没法高效学习。 这也让 Karpathy 对基准测试失去了信任。道理很简单：测试题本身就是「可验证环境」，模型完全可以针对测试环境做优化。刷榜变成了一门艺术。所有基准都刷满了，但离真正的通用智能还差得远，这是完全可能发生的事。 第三个大变化：LLM 应用层浮出水面 Cursor 今年火得一塌糊涂，但 Karpathy 认为它最大的意义不是产品本身，而是证明了「LLM 应用」这个新物种的存在。 大家开始讨论「X 领域的 Cursor」，这说明一种新的软件范式成立了。这类应用做什么？ 第一，做上下文工程。把相关信息整理好，喂给模型。 第二，编排多个模型调用。后台可能串了一堆 API 调用，平衡效果和成本。 第三，提供专业场景的界面。让人类能在关键节点介入。 第四，给用户一个「自主程度滑杆」。你可以让它多干点，也可以让它少干点。 有个问题被讨论了一整年：这个应用层有多「厚」？模型厂商会不会把所有应用都吃掉？ Karpathy 的判断是：模型厂商培养的是「有通用能力的大学毕业生」，但 LLM 应用负责把这些毕业生组织起来、培训上岗，变成能在具体行业干活的专业团队。数据、传感器、执行器、反馈循环，这些都是应用层的活。 第四个大变化：AI 搬进了你的电脑 Claude Code 是今年最让 Karpathy 印象深刻的产品之一。它展示了「AI 智能体」应该长什么样：能调用工具、能做推理、能循环执行、能解决复杂问题。 但更关键的是，它跑在你的电脑上。用你的环境、你的数据、你的上下文。 Karpathy 认为 OpenAI 在这里判断失误了。他们把 Codex 和智能体的重心放在云端容器里，从 ChatGPT 去调度。这像是在瞄准「AGI 终局」，但我们还没到那一步。 现实是，AI 的能力还是参差不齐的，还需要人类在旁边看着、配合着干活。把智能体放在本地，和开发者并肩工作，才是当下更合理的选择。 Claude Code 用一个极简的命令行界面做到了这一点。AI 不再只是你访问的一个网站，而是「住在」你电脑里的一个小精灵。这是一种全新的人机交互范式。 第五个大变化：Vibe Coding 起飞了 2025 年，AI 的能力跨过了一个门槛：你可以纯用英语描述需求，让它帮你写程序，完全不用管代码长什么样。Karpathy 随手发了条推特，给这种编程方式起了个名字叫 vibe coding，结果这个词火遍全网。 这意味着什么？编程不再是专业程序员的专利，普通人也能做。这和过去所有技术的扩散模式都不一样。以前新技术总是先被大公司、政府、专业人士掌握，然后才慢慢下沉。但大模型反过来，普通人从中受益的比例远超专业人士。 不只是「让不会编程的人能编程」。对会编程的人来说，很多以前「不值得写」的小程序现在都值得写了。Karpathy 自己就用 vibe coding 做了一堆项目：用 Rust 写了个定制的分词器、做了好几个工具类 App、甚至写了一次性的程序只为找一个 bug。 代码突然变得廉价、即用即弃、像草稿纸一样随便写。这会彻底改变软件的形态和程序员的工作内容。 第六个大变化：大模型的「图形界面时代」要来了 Google 的 Gemini Nano Banana 是今年最被低估的产品之一。它能根据对话内容实时生成图片、信息图、动画，把回复「画」出来而不是「写」出来。 Karpathy 把这件事放到更大的历史脉络里看：大模型是下一个重大计算范式，就像 70 年代、80 年代的计算机一样。所以我们会看到类似的演进路径。 现在和大模型「聊天」，有点像 80 年代在终端敲命令。文字是机器喜欢的格式，但不是人喜欢的格式。人其实不爱读文字，读文字又慢又累。人喜欢看图、看视频、看空间布局。这就是传统计算机为什么要发明图形界面。 大模型也需要自己的「GUI」。它应该用我们喜欢的方式跟我们说话：图片、幻灯片、白板、动画、小应用。现在的 Emoji 和 Markdown 只是初级形态，帮文字「化个妆」。真正的 LLM GUI 会是什么样？Nano Banana 是一个早期暗示。 最有意思的是，这不只是图像生成的事。它需要把文本生成、图像生成、世界知识全部绞在一起，在模型权重里融为一体。 Karpathy 的总结是这样的：2025 年的大模型，比他预期的聪明，也比他预期的蠢。两者同时成立。 但有一点很确定：即使以现在的能力，我们连 10% 的潜力都没挖掘出来。还有太多想法可以试，整个领域感觉是敞开的。 他在 Dwarkesh 的播客里说过一句看似矛盾的话： > 他相信进步会继续飞速推进， > 同时也相信还有大量的工作要做。 两件事并不矛盾。2026 年系好安全带继续加速吧。

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》

最近发现一个很适合系统补机器学习基础的网站： Richard Xu 把自己过去十多年积累在 GitHub 上的几十份讲义，重新整理成了一套交互式学习教程。 内容从回归、贝叶斯、决策树和神经网络，一直延伸到 EM、MCMC、变分推断、NTK、PAC-Bayes、Transformer 和扩散模型，基础课程与研究级内容都有覆盖。 相比直接面对一堆公式密集的 PDF，网页形式更适合按主题慢慢学习，也更容易把原本零散的知识串起来。 现在很多教程都在追最新模型，这套资源更愿意把概率、优化、推断和学习理论讲清楚。模型会不断换名字，真正帮助我们理解它们的基础却没有那么容易过时。 交互式网站： 原始讲义：