与「有趣」相关的搜索结果

Anthropic 首席执行官 Dario Amodei 刚刚解释了整个 AI 行业面临的最大问题之一。 根据 Dario 的说法，计算资源是 Anthropic 目前面临的最大商业困境，而这归结为一个简单的问题：当你几乎完全不知道公司两年后将产生多少收入时，你如何规划数十亿美元的基础设施支出？Anthropic 的收入在 2024 年增长了大约 10 倍，在 2025 年又增长了 10 倍。这是惊人的增长，但即使是 Dario 也承认，他们对下一年会是什么样子几乎没有可见度。 与此同时，公司必须在实际需要它们的一到两年之前就锁定 GPU、数据中心容量、电力和网络基础设施。而且这些并不是小承诺。我们谈论的是可能高达数百亿美元的支出，这些支出必须基于需求预测来承诺，而这些预测可能完全错误。这就是事情变得有趣的地方。如果 Anthropic 购买了太多计算资源，而收入没有如预期增长，公司就会面临财务过度扩张的风险。但如果购买得太少，后果可能更糟。 它不仅会难以服务现有客户，还可能在开发下一代 AI 模型方面落后。而这可以说是一个更大的风险，因为今天正在训练的模型将决定公司未来六到十二个月的竞争地位和收入潜力。换句话说，Anthropic 不能简单地等到需求显现后再投资基础设施。到需求变得明显时，可能已经太晚，无法获得竞争所需的计算资源。这就是 AI 基础设施建设与其他大多数传统行业如此不同的原因。公司们被迫在今天做出巨大的资本配置决策，这些决策基于技术进步和未来收入，而这些都极难预测。 @龙虾量化

提供主动服务的 Agent，需要进行大量自主决策。在信息不足、环境动态变化的情况下，难免产生错误决策，甚至引发大量无效的行动和尝试。 想要提高决策质量，降低无效决策和行动的成本，我认为需要做好几件事情： 1）让 AI 在问题早期，甚至预防阶段就开始决策和产出，持续维护决策依据和结果。当问题暴露时，能够结合新增信息，快速补充和修正已有决策。 2）系统具备所见即所得的能力，能够沿着不同决策路径进行分支推演，直观呈现结果，评估不同路径的收益、成本和风险，减少实际执行中的无效尝试。 3）动态调整和更新目标，让 AI 根据目标和环境的变化，持续更新决策条件和逻辑，及时调整或终止偏离目标的行动。 4）针对决策和执行，构建自验证的环境能力，持续对比实际结果与预期目标，发现偏差并修正决策。必要时，通过简洁的交互反馈机制，让人低成本地参与关键决策。 更多的思考、推演和尝试，未必带来更好的结果。Agent 还需要学会判断何时继续探索、何时执行、何时停止，以及何时需要人介入。 为系统构建 RSI 的能力，接下来会是一个火热得命题，也会是一件非常有趣且有挑战的事情，😄

提供主动服务的 Agent，需要进行大量自主决策。在信息不足、环境动态变化的情况下，难免产生错误决策，甚至引发大量无效的行动和尝试。 想要提高决策质量，降低无效决策和行动的成本，我认为需要做好几件事情： 1）让 AI 在问题早期，甚至预防阶段就开始决策和产出，持续维护决策依据和结果。当问题暴露时，能够结合新增信息，快速补充和修正已有决策。 2）系统具备所见即所得的能力，能够沿着不同决策路径进行分支推演，直观呈现结果，评估不同路径的收益、成本和风险，减少实际执行中的无效尝试。 3）动态调整和更新目标，让 AI 根据目标和环境的变化，持续更新决策条件和逻辑，及时调整或终止偏离目标的行动。 4）针对决策和执行，构建自验证的环境能力，持续对比实际结果与预期目标，发现偏差并修正决策。必要时，通过简洁的交互反馈机制，让人低成本地参与关键决策。 更多的思考、推演和尝试，未必带来更好的结果。Agent 还需要学会判断何时继续探索、何时执行、何时停止，以及何时需要人介入。 为系统构建 RSI 的能力，接下来会是一个火热得命题，也会是一件非常有趣且有挑战的事情，😄

没想到李开元的《秦迷》被拍成电视剧了 不过一看演员名单，我估计都没兴趣看一集 国产电视剧太烂了，根本不值得看 不过李开元的这本书也是很有趣，关于秦朝的记录并不多，而且乱，他硬扣出了一本完全不一样视角的书

这批 Fable 5.2 作品里，有折叠手机概念、科技公司的“势力地图”，还有一款让玩家负责吓人的反向《史酷比》游戏，还有一个网页菜单，也能让人停下来多看两眼。 挑了 5 个，从有趣的点子到细致的设计，挨个看看👇

最近一直在研究 AI 对营销行业带来的影响，发现一个挺吓人的现象： 未来人们被广告吸引走的注意力会越来越少 这其实细细一思考挺吓人的 我觉得人类正在对广告形成一种特殊的条件反射 不知道大家有没有这种体验。小时候我虽然也会反感广告，但至少会记住广告讲了什么，甚至有时候会被它吸引，愿意花时间去了解 也就是说我的注意力是被广告消费的 但是现在我的状态完全不一样了 无论是在刷推特还是抖音，只要识别出这是一条广告，我的大脑就会自动跳过它 我甚至不需要理解它的内容，只需要判断出这是广告，就会立刻忽略或者忘记它 我的注意力已经不会再轻易被广告消费了。 而且这不仅仅是我的个人体验 最近有一项调查发现，81% 的美国消费者表示会忽略广告，52% 的受访者表示采取过主动屏蔽广告的措施，包括使用广告拦截器、购买无广告服务等 我觉得原因很简单：广告越来越多，人类也越来越擅长忽略广告 更有意思的是，AI 可能会进一步加剧这个趋势 因为 AI 正在让广告素材的生产成本急剧下降，未来同质化内容很可能进一步泛滥 以前制作一条广告可能需要一个团队，现在随便找个人跟豆包聊两句，就能生成一条视频广告，再通过自动化工具投放出去。 这就形成了一个很有趣的怪圈： 消费者在广告上停留的注意力越来越少，广告商为了争夺注意力，就需要生产更多广告。 而更多广告的出现，又进一步强化了消费者忽略广告的条件反射。 广告生产得越快、越多，消费者反而越不愿意把注意力花在广告上。 而且这里还有一个悖论： 广告越容易生产，单条广告的注意力价值可能就越低 以前一条制作精良的广告可以形成非常明显的竞争优势 比如脑白金那种极其洗脑的广告口号，能让消费者记住很多年 但是现在，当任何人都能低成本生产大量精美的广告素材时，精美本身就逐渐失去了稀缺性 广告制作能力的普及，反而可能让广告本身越来越难吸引消费者 这也会进一步加重前面提到的那个怪圈。 但是我还在思考另一个问题 我觉得人的注意力本质上是一个相对固定的总量 我不把注意力花在这件事情上，就一定会把它花在另一件事情上 广告行业过去几十年一直在研究如何夺走人的注意力，而现在，人类可能正在变得越来越擅长保护自己的注意力 我倾向于认为，由于人的认知习惯和社会环境的共同变化，我们在广告上停留的注意力会长期呈现下降趋势 但问题是： 原本被广告消费的那部分注意力，最终会流向哪里？ 我觉得还是一个需要探索的一个话题

如何利用AI自学一切？？ 我是写美股的，日常要读财报、盯宏观，碰上完全陌生的新行业也得从头摸。以前这些最费工夫，翻资料、找人问，一轮下来大半天就没了。 这一年多用上 AI Agent，最先变的是我学东西的方式。 1、兴趣和动力是一切的基础 这是不是普遍适用，我不能确定，但起码对我来说，自发的好奇和自驱力能让我坚持更久。或者说我不能用"坚持"这个词，因为我是自然而然地享受这个过程，不需要任何意志力，只是单纯地想学。 如果是外界推着我学，比如考试、比如工作，DDL 一结束我就会迅速放弃，甚至在过程中也只能勉强做到平均线，抱着得过且过的心态。 当然，有兴趣和自驱力不代表万事大吉，也不会一开始就如有神助。学不会的东西本来就学得很慢，但慢慢来，反而会比较快。 2、建立一个正反馈的环境机制 正反馈能让你保持兴趣和动力，不断的小 reward 会给你情绪价值。这时候就该让 AI 来帮忙了，因为 AI 的反馈非常非常快。 比如我想探索一个知识，它可能和 tech 有关，也可能和商业有关，这些都是我完全没在学校受过训练的领域。但是 AI 受过呀。 我可以一遍一遍地说：这个太难了，我不理解，我要举例子，要图解，要通俗易懂，从最最简单的讲起。AI 非常适合干这个。 在现实生活中，其实很难让一个人一遍一遍地给你重复讲同一个东西，但对 AI，我们完全不会有这种顾虑。遇到不懂的，如果没有 AI，就只能等懂行的人给我讲，或者自己慢慢搜。这种极致快速的正反馈，只有 AI 才能给。 而当我让它出题，用自己的话再讲一遍的时候，我就能清楚地知道哪里我没理解、哪些我理解得很好。这时候 AI 也会充分地鼓励我，给我非常多的正反馈。学习的循环就这么建立起来了。 3、所以具体到底怎么利用AI呢？下面我按从简单到进阶，拆解一下具体的方法。 简单版：一个聊天窗口就够了 免费的聊天机器人已经足够强大，只要稍微改改自己的 prompt，就能得到很好的结果。 假设我对某个领域、某个概念完全不了解，比如"什么是 Agent？Agent 有什么用？为什么别人都在用？我能拿它做什么？"，这些就是我第一次接触一个新概念时，脑子里会自然冒出来的问题。 第一，我一般会按"why - what - how"的结构去拆。 第二，一次只问一个问题，不要一下子丢好几个。拿这个例子来说，可以先从"为什么 Agent 这么火"开始。这个问题的答案很简单易懂，你会看到一些有趣的现象，然后再引出 what，也就是它到底是什么。 第三，告诉 AI 你的个人背景。免费的聊天机器人完全不知道你对这个领域了解多少，你让它讲解时，它的回答不会是个性化的，也不会考虑你的背景。所以你要在 prompt 里讲明：我完全不了解，希望讲得通俗易懂，等等。 第四，你同样可以让 AI 用费曼学习法给你出题：根据刚刚讲过的内容出几道题，让你用自己的话再讲一遍。 进阶版：先要一张地图，再把资料喂给 AI 过了简单的关卡，如果我想学得深入一点、系统一点，开始之前我会先让 AI 给我画一张这个领域的"知识树"：主干是什么，分支有哪些，我现在要学的东西长在哪一枝上。 如果这个领域陌生到连树都搭不起来，我就让它从历史讲起。一个东西刚诞生的时候总是简单的，顺着它一步步变复杂的过程往下看，现在的样子也就好懂了。 有了地图，我会让AI去找高质量的书或者视频来探索。在学的过程中，我还会把这些资料喂给它，让它有充分的 context，这样我随时提问，就能随时得到答案。 深度版：搭一个自己的学习系统 我会高强度地把 Agent 工具和 Obsidian（一个个人笔记软件）连在一起用。我有一份写自己个人背景的 markdown 文件，还有一份 Tutor SOP 文件，里面写明我喜欢的教学方式。 每次我要求它讲解某些内容，AI 都会自己去读这些文件、补充上下文，用我最喜欢的方式来教我。 这份 SOP 里的规则，都是一次次"学不下去"之后加进去的。挑几条：第一条就是：keep me motivated, keep me going, increase the curiosity. 一节课最多两个概念。第三个留到下一节，在好奇心还在往上涨的时候结束。还有比较基础的，例如多用例子和图解等等。 当我感兴趣、想深入了解时，我也会让它读取费曼学习法的 Skill 来给我出题。 我还会用 Matt Pocock 写的 teach skill，让它通过写 HTML 代码的方式做网页课。我会 customize 更多的交互、课后习题、课后阅读等等。 它会把一个主题拆成几节课，组成一个小小的 set，比如 4–5 节，学完一整套也非常有成就感。 我曾经有遇到一篇讲AI的论文，可以说我自己几乎看不懂，但神奇的是AI一直鼓励我说我可以，我刚好看见有一段讲到是如何把 Out-of-Distribution（分布外）的东西拆解变成 In-Distribution（分布内）的东西。我心想这不就是现在，我让AI把这一篇完全在我知识分布外的东西通过一步步拆解，变成我可以理解的分布内的东西。 拆了十几轮吧，说实话那篇论文到底讲了什么，我已经要忘记了，但这种去拆解那些我不会的知识，然后一步一步把它们内化的方法论我却一直记得。 总结一下：其实核心很简单，你要喜欢、要有兴趣，利用AI工具，不会就问，不断接受正反馈。自然而然，我们就可以学习任何事情了！ 一段可以直接复制的 prompt： 我是[你的背景，比如：完全没学过编程]，想了解[概念]。请按下面的顺序讲，每次只讲一步，讲完停下来等我回复： 1、为什么：它为什么最近这么火，解决了什么问题 2、是什么：用一个生活里的例子讲，不要术语和公式 3、怎么用：像我这样的人能拿它做什么 如果我说「没懂」，请换一个例子，不要只换个说法。 三步讲完后，出 2 道题让我用自己的话回答，并指出我哪里理解错了。

Claude Fable 5.2 做的英语启蒙视频太棒了！ 最近我儿子在上英语课，老师给了几个视频让他在家看，但是我觉得太一般了，而且不够有趣，娃也不爱看 于是我就想，这种视频 Claude 应该很擅长才对啊，立马安排，做了一集给 3-6 岁孩子看的英语启蒙动画 句型、选画风，教哪些词、笑点放哪全部都是 Claude 定的，角色图我是让 Claude 用 Codex 生成，效果会好一点 配音用第三方TTS，画面都是用代码逐帧渲染的，伴奏和音效也是代码合成 成品出来的时候，有点惊讶，一点都不比市面上那些英语 App 的视频差啊，甚至更好，而且几乎无成本！ 这个视频只花了我20%的5小时额度（Pro订阅），所以理论上你一天可以做10个这种视频，拿去给娃磨耳朵或者做垂直账号都非常合适！ 在打磨打磨做一个 skill 出来，后面只需要一句话就可以出这种视频了