与「推理」相关的搜索结果

用Claude Code不触限额的最优解： Fable 5做编排者，Opus负责重推理阶段。 Fable太强了，不是每一步都需要它的智力——让它指挥Opus和Sonnet干活，算力省一半，效果不打折。 聪明的用法是分层，不是无脑堆最强模型。🧠

黄仁勋说AI会创造更多的工作岗位。 看了Sequoia对黄仁勋的完整访谈，41分钟，远比那些切片有分量。 他先把AI的进化路径捋了一遍：从生成文本到能思考、推理的系统，计算范式也从检索转成实时生成，每个像素、每段声音都是现造的。 接着用发电机比喻AI工厂，电进去，智能令牌出来。 最后给了五层投资框架，说今年基建投1万亿，未来生态年产值可能到20万亿。 上面这句话半导体投资者应该划重点 最后他举了放射科医生的例子。 AI没消灭岗位，反而因为效率提升让需求增加了，和多数人直觉相反。 整条视频适合想理解AI产业底层逻辑的人，从技术演变到商业格局都覆盖了，不是那种只教快捷键的教程。 不确定老黄提到的数字能不能兑现，但他说法本身值得琢磨。 #黄仁勋# #AI投资# #英伟达# #科技趋势#

看到这个工具，我突然觉得我应该给我的一些工具加上一些好听的BGM了 Google Magenta 开源的 Magenta RealTime 2，是一个实时音乐生成模型，带 open-weights 模型、Python 推理库、C++ 推理引擎，也能做 DAW 插件和 macOS 应用。 如果你做音乐工具、AI 创作软件、实时音频插件，可以看下这个项目。它的方向是让 AI 融入创作过程 Star：1.5k+ GitHub：

美团 LongCat 团队刚发布了 LongCat-Video-Avatar 1.5，一个开源的音频驱动虚拟人生成框架。 输入一张照片和一个音频文件，就能生成对口型的说话视频。 解决了现有 AI 头像工具的几个常见问题： - 面孔变形 - 口型不同步 - 身份漂移 - 长视频生成不稳定 支持新闻播报、教育、娱乐、电商等场景，中英文都可以，有写实和动画两种风格。 MIT 许可证，可以商用。 1.5 版本升级了 Whisper-Large 模型，口型同步更准确，推理速度也更快。 之前做这种视频需要摄制组、工作室和后期剪辑，现在一个开源工具就能搞定。 对于那些收费几千美元的工具来说，这相当于来了个免费竞争对手。 GitHub 仓库链接在评论区。

【#山崎怜奈# 出演情報】 6月8日(月)19:30〜 NHK Eテレ「偉人の年収How much?」 本日の #偉人の年収# は推理作家アガサ・クリスティーの登場！ 数々の傑作を生み出し、“ミステリーの女王”アガサ・クリスティーの年収は如何に！？ お楽しみに！ @ymzkofficial #谷原章介# さん

这篇论文让我感觉，我们对「AI 会取代程序员」这件事的讨论方向可能全错了。 核心观点：AI Agent 的出现不是让软件工程师工作效率更高，而是让「把决策逻辑永久编码进软件」这件事本身变得越来越不必要。 作者说的是一个更根本的范式变化：传统软件工程的本质是，人类把判断逻辑「固化」成代码——if-else、状态机、算法，这些都是把人类决策「提前写死」的方式。但在以 LLM 为核心推理引擎的 Agent 系统里，代码变成了「临时生成、用完即扔的工具」，每次任务，Agent 动态生成需要的代码，执行完就不需要了。决策不再被预先编码，而是在运行时由 LLM 推理循环动态产生。这不是增量改进，而是软件生产范式的结构性替换。 我觉得这个观点里最值得注意的细节是：这不只是生产力工具的升级，而是「软件」这个概念本身的角色在变。以前代码是「系统的中心」，Agent 框架是外壳。现在 LLM 推理循环是中心，代码变成了外壳里的临时辅助。如果这个趋势持续，软件工程的核心能力可能不再是「写出好代码」，而是「设计出可靠的推理约束边界」。 以前我们关注写出可维护的代码，以后可能更要关注设计出可靠的推理边界。

在透明的区块链世界里，数据是黄金，隐私却是奢侈品 这也是一个关键的矛盾：AI模型需要大量高质量数据，而这些数据往往包含敏感信息、商业机密或受监管的金融数据 // 为什么加密计算不可或缺 首先 AI 商业化的核心矛盾在于：AI 模型需要访问大量高质量数据，但数据包含敏感的信息、商业机密或受监管的金融数据 传统的解决方案是：数据脱敏、联邦学习、差分隐私，这些其实都存在不同程度的精度损失或安全漏洞 @Arcium 的机密计算是：数据在整个计算生命周期内保持加密状态，即使是执行计算的节点运营者也无法看到原始数据 Arcium这里提到了一个词叫 并行化的机密计算网络 咋一看好像很不好理解的样子，说人话就是： 机密计算（保障绝对隐私）/ 并行化（实现极速高效）/ 网络（分布式协同） 这个其实是一种既能保护数据在处理过程中不被泄露，又能通过多节点同时工作来处理海量数据的基础设施 说了这么多有赛道模板参考吗？你看 1.25B 的 VVV 行吗？ VVV：隐私优先的AI应用端，承诺不上传或存储用户数据，通过本地浏览器存储和端到端加密实现零泄露，这也证明了用户对私密AI的强烈需求。 Arcium：隐私AI的底层加密执行网络，可以在数据全程加密状态下执行任意计算。通过多方计算技术让多方在加密状态下协同计算，共同处理敏感数据而不泄露原始信息 从更长远的视角看，VVV 与 Arcium 不仅是互补关系，更存在直接的技术协作可能性。当 VVV 的用户需要执行涉及多方数据的 AI 推理任务时，理论上，VVV 应用可以将此类计算任务委托给 Arcium 网络执行：用户数据在 Arcium 的 MXE 环境中与医疗数据库进行加密联合计算，结果返回给用户，全程无任何参与方能够看到用户的原始数据或数据库的原始内容 这一协作模式代表了 Privacy AI 技术栈的完整闭环：VVV 解决用户端数据主权，Arcium 解决计算端数据隐私。 市场需求：机密计算的真实商业价值 随着企业对AI应用的重视提升，很多数据都表明了高价值数据的隐私计算需求正在蓄势，医疗啊金融啊政府数据中心等等都需要机密计算，这些可都是切实的合规压力和商业利益啊！ 目前来看其实并没有成熟的区块链原生解决方案，随着AI逐渐成为未来十年的核心生产力，如果能安全地处理高价值数据，那么像Arcium这样的机密计算基础设施，就将成为AI生态不可或缺的一环，这正是 @Arcium 的潜在机会？

これサバイバーよりハンターの方がコスト高いのあんまり深く考えてなかったけど ハンターはこのような見た目になる経緯があるから、推理するのに手がかりがより必要ってことなのかもしれない

Arcium 做的不是隐私，是让加密数据还能被用起来 最近有人问我怎么看 Arcium，我想了一下，发现最难的地方是怎么解释它不是一个 privacy 项目。 看 Arcium 的时候，我最不想把它写成一个 privacy 项目。 Privacy 这个词在 crypto 里已经用烂了。一听到隐私，大家脑子里第一反应是匿名转账、藏资产、监管风险。但 Arcium 切的根本不是这条线，它更像是在做一层 encrypted execution layer。隐私只是表层结果，更关键的是：数据不公开，计算依然能发生。 这个能力放到现在会变得很重要。 AI 应用层很热闹，Agent、聊天机器人、自动化工具，每天都有新东西冒出来，但应用做的人太多，护城河也不深。真正难进入的场景在另一边：银行风控数据、医院病历、企业财务、基金策略、用户身份信息。这些才是 AI 真正想去的地方，但这些数据不可能随便交给外部模型，也不可能直接跑在公开链上。 问题就在这里。数据要能被使用，但不能被看见。多方要协作，但不能互相暴露底牌。计算结果要能验证，但过程不能泄露。 Arcium @Arcium 做的就是这件事，不是再做一个 AI 应用，而是让应用可以在加密数据上完成计算、协作和结算。 过去很多隐私项目的问题是，隐私和可用性很难同时成立。数据藏起来了，但应用跑不起来。AI 时代真正需要的不是单纯隐藏，而是可用的机密执行环境。 sealed-bid auction 这个场景挺能说明问题。链上融资如果所有出价都提前公开，很容易被跟单、抢跑、操纵。密封投标需要出价过程保密，但最终结果可以公开结算。这不是为了藏，而是让市场机制能正常运转。 Inpher 的加入也值得单独说。这个团队在隐私计算这条路上做了很多年，拿过 JPMorgan、Amazon Alexa Fund、Swisscom Ventures 的钱，融资超过 2500 万美元。重点不是这些名字有多好看，而是机密计算这条路本身极吃工程能力，MPC、FHE、ZK、私密推理、加密执行，不是靠 PPT 能堆出来的。Arcium 把 Inpher 的核心技术和团队收进来，补的是这个赛道最难啃的部分。 ARX TGE 会让市场重新注意到 Arcium，但我更在意的不是 TGE 当天的热度，而是后面有没有真实使用量，有没有更多应用接进来，有没有持续增长的计算流。 如果 AI 真的要进入金融、医疗、企业这些场景，机密执行会变成门票，不是加分项。 以前大家觉得 AI 的竞争是谁的模型更强，谁的应用更多。下一阶段可能会变成：谁能安全处理那些不能公开的数据。 最主要的是Arcium @Arcium 做的不是隐私，而是推进到基础设施层，是让加密数据还能被用起来，持续关注项目的更多发展。