与「监控下的一幕」相关的搜索结果

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》

四川凉山男子为挽婚外情，推妻坠楼后“补刀”，监控录下行凶全过程 2026年6月25日下午，四川凉山州会东县人民法院对柯某兵故意杀人案进行二次开庭审理。此案因手段残忍、动机卑劣引发广泛关注，被害人家属期盼凶手能得到法律的严惩。 为挽情人动杀机，诱骗妻子上楼。 据了解，柯某兵与妻子2012年结婚，2021年发展婚外情。2025年初情人与其分手，柯某兵归咎于妻子不肯离婚，萌生杀妻念头。 2025年2月23日，柯某兵以修缮屋顶漏水为由诱骗妻子登上老家两层小楼楼顶，将其推下。房屋不足十米高，妻子坠落后未死亡，柯某兵下楼掐扼其颈部致其身亡。 事后他对外谎称妻子失足坠楼身亡，被害人家属察觉异常报警。当地森林防火监控完整拍下推人画面，警方出示监控后柯某兵供述全部作案过程。 案件2025年11月10日首次开庭，柯某兵当庭翻供，否认坠楼后继续加害妻子。 2026年6月25日下午该案二次开庭，更换承办法官，被害人家属希望凶手受到法律严惩。

现在的美股交易： 1/ 伙计，我确信AI的下一个瓶颈是这家巴布新几内亚的橡胶公司，台积电的员工使用他们的手套完成生产。 你说你不知道巴布新几内亚是在亚洲还是非洲？这就是问题所在，这家伟大的公司没有上线纳斯达克或任何一家交易所，我们需要给印度尼西亚一家代理公司邮寄支票才能完成购买 2/最伟大的交易员特朗普总统喊单了这只股票，我写了一个脚本监控他的truth账户，在我之前只有大概351个内幕账户和29998个跟单地址买入，但老实说，我现在都不知道这家公司是干什么的 3/ 我完成了一笔疯狂的套利交易，使用了25个账户在超过10家平台，通过券商，永续合约，链上代币化股票之间套利，赚取了整整0.5美元。等等，为什么提现需要0.6美元？

最近我越来越觉得，DeFi 的风向真的变了。 @alturax 以前大家看一个金库，第一眼只盯着 APY：谁高，冲谁；谁热，追谁。但这两年走下来，我反而更在意一个问题：这个收益到底能不能持续？风险有没有被认真管理？ 这也是我最近比较关注 Altura 的原因。它给我的感觉不是那种单纯堆高年化、靠短期情绪吸引流动性的项目，而是在做一件更长期的事：让收益率回归真实，让信任成为新的 alpha。 我看 Altura，主要看这几点： - 收益不是空转叙事 Altura 的 Vault 不是简单喊高 APY，而是通过多策略配置来获取收益，比如非方向性收益、资金费率、做市、RWA 相关机会等。对普通用户来说，体验很简单：存入稳定币，拿到对应的 vault share，收益通过份额价值增长体现出来，不需要每天手动操作。 - 安全感是核心差异化 现在市场不缺收益，缺的是让人敢放钱的收益。Altura 强调多重审计、保险整合、Hypernative 实时监控，以及更严谨的金库框架。说白了，它不是只告诉你“能赚多少”，而是先回答“为什么我可以相信你”。 - 生态组合很有想象力 Altura 已经和 Morpho、Pendle、Merkl、Turtle Club 等生态产生连接。尤其是 Morpho 借贷场景，让 AVLT 不只是一个被动收益凭证，还可以作为抵押品释放流动性；Pendle 相关 LP 激励，也让收益玩法变得更立体。 - 增长活动也很适合真实用户参与 Yield Run 第 4 周期有 100,000 美元分配，推荐奖励、积分、收益结果分享这些机制，其实都是被低估的 alpha。不是单纯拼谁声音大，而是看你有没有真实存款、真实参与、真实贡献。 - RWA 叙事正在加分 官方最新动态里提到，Altura vault 已经把稳定币流动性扩展到 TravessiaCredit，参与巴西谷物流相关的短周期结算收益。这种链上资金和现实商业流的结合，我觉得会是下一阶段 DeFi 很重要的方向。 如果你问我 Altura 最吸引我的地方是什么，我会说：它把“收益、风控、透明度、生态激励”放在同一个框架里做，而不是只讲一个漂亮的 APY。 怎么参与也很直接： 创建账户，存入资金，分享自己的推荐码，晒出收益结果，然后持续参与 Yield Run 和推荐资本奖励。 这个市场最终奖励的，不一定是跑得最快的人，而是能长期活下来、持续复利的人。Altura 让我看到的，就是这种更稳、更透明、更有耐心的 DeFi 方向。 Bottom line. DeFi 的下一轮，不只是收益率回归，更是信任回归；而 Altura @alturax 正站在这个叙事的正中间。

上午眉笔麻吉叕被清算了5000个E，爆完反手叕开了500e多单，爆仓价在$1946.35，下一个目标先看$1946🤣🤣 昨天才用codex回测了下他的交易数据，eth单子胜率76%，但是盈亏比只有1/40，基本都是挣小亏大，扛单之王🤡 数据来自coinank，注册链接在 加入监控

玩了一上午这个 @dappOS_com 的新产品xBubble，产品本身主打的low promt，意思就是不要过多的去调试，AI自己会跟AI学习，试了一下感觉在做视频和图片方面确实还不错。 做的动作以及结果 简单聊天问答：回答问题逻辑比较清晰 简单文字让做个视频：视频质量、流畅度和成品都基本符合要求 有细节的文字让做短剧：跟我在抖音刷到的那种差不多，重要的是消耗积分也不多，当然，我只生成了个15s的视频 让给一个20u做空山寨币的策略：只给了逻辑，没给具体币种，但是直接给了一段监控机器人的核心代码，所有的逻辑及判断条件全部写好了。 把我的山寨币模型发给他让推币：更上面一样，不推币，只给了逻辑 让制定云南旅游计划：计划比较细节，避坑指南都有 让他做个指定类型的网页：现在好像没有单独的vibe coding功能，所以只给了我一串代码让我自己去运行 随便截了张图让生成主图和banner图：作图方面确实没得说，很标准的电商图 总结一下： 基础的处理都很强了，特别是在视频和图片处理方面，越玩越有意思，但是可能因为我没有什么商业场景，其实一些做电商的和需要做ppt这些办公处理的用会感觉更强，我这个臭炒币的第一时间就是去让分析币 看了下官方文档，xBubble的底层逻辑是 Bubble Pilot  =　AI 替用户使用 AI Bubble Engine  = AI 学习 AI 他会自己内部生成一套固定的sop，用户的问题来了，他会自动匹配去用哪一套 dappos在拿到polychain、红杉、yzilabs如此豪华的投资的情况下，不着急忙着tge，而是不断从市场转型中打磨产品，拓展用户，并且在web2有一定用户，还在积极努力的找新方向，也算是熊市builder了 这是我用dappos嘲讽会所的demo，太可爱了。