与「天馬ゆい」相关的搜索结果

いよいよ明日！ チケット残り極僅か！ イベント詳細、チケット購入はこちらから！ 出演女優様は 千石もなかさん @sengoku_monaka 天馬ゆいさん @tenma_yui2 由良かなさん @yura_kana_ 藤井レイラさん @fujii_reira2 深月めいさん @mei_m_0717 皆様のご来場心よりお待ちしております！ #GIGA# #千石もなか# #天馬ゆい# #由良かな# #藤井レイラ# #深月めい# #特撮ヒロイン# #スーパーヒロイン#

随着SpaceX即将上市创下2万亿美金市值，最大的受益人是陪伴马斯克整整24年，一直站在他背后的女人Gwynne Shotwell，也就是现在SpaceX的COO首席大管家。如果说马斯克负责提出载人航天殖民火星的梦想，而她则负责从把火箭造出来到卖出去实现梦想，马斯克多次公开坦言如果不是Gwynne的话SpaceX早都破产了，在当初马斯克收购推特时遭到外界不务正业的质疑时，他直言“SpaceX完全不用担心，有Gwynne在那盯着呢”，那Gwynne这位女性到底是谁？为什么能够撑起SpaceX的半边天？ @Gwynne_Shotwell 出生于1963年的一个美国中部普通家庭，没有航天世家的背景，也更没有传奇神童的经历，只能说成长轨迹中规中矩，在西北大学的机械工程专业毕业后，进入了一家汽车公司做工程师，随后觉得很无聊，于是加入了美国航空航天公司，这是一家非盈利性质公司，为美国政府在航天相关领域提供独立客观的监督服务，从而避免浪费纳税人的钱。 但这个过程也让她深刻感受到传统航天工业的缓慢、官僚和低效，越干越无趣。 直到2002年命运的转折到来，那一年刚卖掉PayPal的亿万富豪马斯克@elonmusk提出了疯狂的想法：制造私人火箭去火星殖民！ 整个航天业都觉得这人刚赚了点臭钱就疯了，而Gwynne作为一家需要负责对美国航天领域进行监督的第三方评估机构，职责所在她也必须得去和马斯克这个“疯子”聊一聊。 在严丝合缝按部就班的传统航天领域浸泡多年的Gwynne，对马斯克的第一句评价是“我觉得这家伙要么是个天才，要么就是真的疯了”，按理说她应该直接转身离开给个差评，但她做了一个改变人生轨迹甚至整个人类航天史的决定：加入！ 她成为了前10号员工，但真正进入SpaceX后，她很快就发现这里根本谈不上是一家公司，而是一个持续在崩溃边缘徘徊的实验室，在一个破旧仓库里挣扎，连着3次发射失败，钱已经快烧光了，火箭却毫无进展，投资人开始撤退，更别提客户从哪来，越来越多的人失望的从公司离开，但是Gwynne没有，因为过去工作的经历，使得她对于整个航天体系都非常熟悉，于是开启了刷脸模式，她像推销员一样满世界跑，NASA、五角大楼、卫星公司等等一切人脉关系全部约出来聊一遍，帮助马斯克贩卖梦想。 在2008年SpaceX进入了生死时刻，第4次猎鹰发射，如果失败，公司必将直接破产，但这一次命运选择站在了SpaceX这边，发射成功入轨，NASA选择签下了16亿美金的合同。 早期NASA很多人其实不喜欢马斯克，觉得他完全是个什么都不懂的外行，相反具有同样话语体系的Gwynne却很对他们胃口，NASA的官员说“我们当初是因为 Gwynne，才敢相信 SpaceX。” 除了对外做推销员，Gwynne的价值更体现在对内做翻译官，马斯克是一个典型的极限施压型领导，经常抛出一些看起来不可能的任务，也就是现在很多人吐槽领导的“我不看过程只要结果”，但Gwynne则负责将这些任务拆解到可以具体实施落地的，让工程师团队能听懂理解往下干，而不至于一头雾水的直接崩溃。 很多SpaceX的员工评价：马斯克像暴风雨，而Gwynne则是压舱石。 从2002年到2026年，整整24年她一直都陪伴在马斯克旁边，SpaceX的整个运营体系、员工体系、销售体系、工程体系等等全部都由她一手搭建，而作为回报，其持有的股票已经价值30亿美金，并入选美国国家工程院院士，Time100最具影响力人物，福布斯全球最有权力女性。 Gwynne的故事，没有那么多波澜曲折的苦难，也没有草根逆袭的神话，但是却好像每一家成功的公司，都会有这样的组合，一个负责天马行空，一个负责脚踏实地，马云遇上了蔡崇信，马斯克遇上了Gwynne。

不知大家是否有这样的一个问题，我们在努力追赶AI的脚步，却始终跟不上它的进化速度。 这不是玩笑。今年AI迭代有多快，看看前段时间还火爆的龙虾现在几乎没人提了，就知道答案了。我们好不容易搭好一个Agent，转眼就被更强的新版本取代。你是不是又要去换一个？不换的话你的效率产出不如人家，换的话又浪费大量的时间以及金钱，左右为男。 我自己也在研究AI新手该怎么入门。网上教程五花八门，每个都试一遍成本不低。作为小白，也不想跑太多复杂任务，花那么多也不太值得，而且也不知道花了钱以后能不能达到自己想要的结果。更让人焦虑的是，模型更新太快，你这边还没搞明白，新模型又出来了，感觉白忙一场。 这俩天看到一个文章，有一句话特别好：不是模型越能干，用户就越轻松；反倒是因为模型越强，AI 能做的事情更多，高级用法也就越复杂了。 现在我就是这样想的，现在AI的使用门槛其实越来越高。大多数人还停留在用豆包做题、问简单问题的阶段，没能把AI当成真正的生产力。就是因为门槛太高了，把绝大多数人都挡在了门外，我感觉后面这种差距会越来越大，因为AI可以当几个人、几十个人来使用，会用善用AI的人以一当百了，你还在一个人战斗...想想就可怕。 所以我最近一直在找一个真正好用易上手的AI工具，还真发现了一个不错的产品，就是意图龙头 @dappOS_com 新推出的一个AI产品 xBubble ，它完美的解决了我前面所说的上手难的问题，它用AI学习AI，然后再用AI使用AI。听起来是不是很抽象？那就对了，只有天马行空的产品才是好产品。 @xBubble_ai ，一款低提示率的 AI 代理，可将简短的请求转化为最终成果。用人话说就是我们要生成一个比较复杂的图或问题，只需要一个简单的提示词，它就能根据这个提示词，给你生成一个质量不错、能直接拿来用的结果，比绝大多数的AI都简单实用。 很多人这时候就会问了，为什么能达到这种效果？其实挺简单，它就靠两个协同工作的系统，Bubble Pilot 和 Bubble Engine 。 Bubble Engine 就是AI学习AI，它就是不停地让AI自己写 AI、自己测AI、自己挑最好的AI方案，然后选出一个最优的方案固化成一个能重复利用的标准操作流程（SOP）,相当于你玩游戏获得的大招技能一样，可以一直用，这么说应该懂了吧？然后技能不是只能获得一个，它能获得多个大招，专门针对不同的场景。 Bubble Pilot 就是AI替用户使用AI。比如说你提出一个问题，它会跟据这个问题去找大招，也就是SOP，给你这个问题的最优方案。如果没有匹配的大招，它就会用通用 Agent 给你解决方案，然后记录下来这个问题，让 Bubble Engine 抓紧研究大招~ 总体下来就是 Engine 负责后台建设，Pilot 负责前台执行，分工明确干活不累！随着Engine构建的 SOP越来越多，Pilot就能将更多请求都转到更快更好的路径，性能也就更好，形成了一个能无限检索的正循环，你就说这强不强吧! 使用也超级简单，有两种模式：分别是Bubble Computer 和 Bubble Personal。 - Bubble Computer 是 xBubble 的端到端项目工作空间，Bubble Pilot 检测到多步骤的任务就会路由到这，沙箱环境自动启动，自动选择合适的模型和技能，一次性完成交付从研究到交付的完整流程。云端大工厂，一条龙交付！ - Bubble Personal 是一个本地环境模式，这个相当于现在市场上的AI助手吧，可以帮你完成一些自动化任务，安全隔离还是做的挺不错的，本地计算机上不安装任何软件、不修改系统环境，安全级别很高。 这才是我最想要的AI工具，让我这种小白也能使用的AI工具才是大众最想要的，而不是那种入门难，有各种门槛需要各种专业化技能才能使用的AI，未来的大方向不应该是把工具做得越来越复杂才对，应该是让AI学习AI，然后再用AI使用AI！

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。

AI 能够很大程度替代知识工作者后，再去回看前些年流行的大厂 35 岁门槛，就更能理解原因了。 Coding 可以说是劳动密集型的知识生产活动，对熟练工的依赖性比较强，一般程序员到 30 岁基本都达到了熟练工程度，后续竞争力便开始下降。 社会对人的隐形评估函数是，经验 × 成本 ÷ 可替代性，经验不增长，成本提升，可替代性也提升，35 就很容易接近极点了。 而这一波 AI 的影响，大厂对两类人的需求量会增加，一类是工程和架构能力强的专家，能定义复杂问题，也能解决复杂问题，年龄反而没那么重要；另外一类是创新意识和动手能力强的年轻人，没有先入为主的观念，喜欢天马行空，想了啥就直接干。 最近的体感很强烈，未来挺长一段时间都要去适应不确定的环境，企业和个体都比较艰难。

浜浦彩乃 1st ライブツアー IRODORI～One Color Moment～ 初日終了しました！！！ たくさんの方が雨の中来てくださり、 とても嬉しかったです😌✨ バンドメンバーの天馬さんとわだりくさんに支えられて、ツアー初日を迎えることが出来ました！ この3人で名古屋・大阪も回ります！ #IRODORI#

在写感谢 Pichai 的推文时，我写了一段话，大意是： > 真正的“魔法时刻”，发生在你将 Nano Banana Pro 的可视化能力、世界知识，与 Gemini 的实时联网能力融为一体之时。Nano Banana Pro 不仅能将你天马行空的创意变为现实，让我们每一个人能自由的去创造。 然后这位网友问了我一个问题： > 在整个工作流中，你觉得最难的部分是什么？ 这里面最难的部分不是提示词，甚至不是创意，而是你得知道AI的能力的边界，模型擅长什么不擅长什么，再在模型的能力范围以内和你的想法之间找到一个最佳的结合点。 比如说这个城市天气预报的例子，我在 GPT-4o Image 的时候就写过类似的，那时候它就能生成很不错的效果，但是它不能自己去获取日期和天气再去生成图形，所以我得要写一个获取天气的API，把它做成GPTs，这就限制了它的可玩性。 所以当Gemini 集成了 nano banana pro 之后，我马上就重新测试了这个想法，发现Gemini模型现在能获取当前日期和天气然后生成图像，那么这个想法就可以很容易实现。 另外一个难点就是你的作品不应该只是单个的场景，不是只有作者自己为了展示自己的提示词多牛，而是应该让读者能参与其中，是一个提示词模板而不是提示词，每一个人都可以结合自己的场景、兴趣去尝试，去修改，这也是很有挑战的事情。比如说像这套城市天气的提示词，每个人都可以测试自己的城市，不同的日期，甚至可以衍生出很多好玩的版本，比如穿越回过去，把地方放到火星、虚拟的游戏地址。

以前我在国内也好，后来到了美国也好， 只要看到那种“认知课”“沟通课”“写作课”，我第一反应都是翻白眼。 心想：这不就是割韭菜吗？扯淡课、讲废话、哄人开心的那种。 我那时候的信条是：Show me the code! Talk is cheap! 编程才是真本事，别整那些虚头巴脑的。 现在回想起来，真想穿越回去抽自己两巴掌。 因为我那时候完全没意识到一件事： 如果一个人搞不清楚自己的内心结构、思考逻辑，再聪明都只是工具人。 以前我靠着点小聪明，再加上那种“美国人不想干的，我来干”的冲劲儿，混口饭吃问题不大。 从2024年末开始，我突然顿悟 自然语言编程一定会到来，这点我现在笃定得很。 你看，我都懒得和别人争论了。 而且我的“自然语言”，和别人那种唠嗑式的不一样。 你去看我网站就知道，我写的语言其实挺“伪代码”的， 句子之间是有逻辑拓扑的，粒度是可调的，参数是能递归和复用的。 不是写作文，而是在练结构、练调度力。 我们就从那个听起来最“心灵鸡汤”的东西说起：元认知（Meta-cognition）。 为啥要认真对待这个看似玄学的玩意？ 其实这个想法，是我2024年底，圣诞节前后突然开窍的。 那时候我开始慢慢变“文青”了。推文风格都变了。 不是装，而是我突然意识到：写作这事太重要了。 我开始练习怎么写清楚自己的想法，怎么把脑子里的乱线条梳理干净。 有个Substack博主一句话点醒了我： “The core of LLMs lies in the thinker himself.”大语言模型的核心，不是模型本身，而是使用它的人。 那一刻我不再追论文，不再刷模型 benchmark， 我开始追——我自己。 我所有天马行空的脑洞，我到底想干嘛：澄清我自己的意图 这些脑洞你想了又不去做决策，等于白想：做决策 决策得有点道理吧，那我想当美国总统是不是明天就能实现？ Action Plan 反思，你今天干了什么，做的这个事情有没有意义：Reflection 你做的事情，从上帝视觉看，系统性的，对不对啊？：Feedback Loop 也许我这辈子所有学习的终点，就是学会跟自己的语言系统对话。 不是跟别人辩论，也不是跟机器竞争， 而是和自己的思维系统达成一种共识与调度。 那种感觉真的很奇妙。 你突然能“看见”自己的思维在动， 就像看见代码在跑，看见神经网络在亮。 我的这5个Claude skills 装上了之后，就是不停的去做需要循环。就是我日常的语言循环，现在分享出来。 那一刻你意识到： 你不再只是一个“用工具的人”， 而是一个“能调度结构的人”。 从那以后，我再看到那些被我嫌弃过的“心灵鸡汤”， 反而开始认真看。 写作，不只是表达；语言，不只是描述；思考，不只是独白。它们，全都是系统的入口。 Lesson 3 Closing a Meta-Cognition Loop: intention, decision, action, reflection and feedback

3/19発売 ソロメジャーデビューシングル #HGL# 発売記念ミニライブ&特典会inタワーレコード新宿店！ ありがとうございました！ 明日はデビュー日✨ 3/19（水）18:30～ ＠東急歌舞伎町タワーステージ 今日は、ライブでお世話になってるバンドメンバーの天馬さんが来てくれました！ 優しい〜😭

还有一些你日常想不到的脑洞，比如这个....真的，中国人在天马行空这方面，尤其是从专利资料，绝对不亚于甚至比英文资料还厉害。我现在非常喜欢没事就来看各行各业的专利申请，尤其是地址那一栏是很明显个人住宅而不是某个科研机构的。