与「科学家」相关的搜索结果

斯坦福一位神经科学家的说法流传很广： “你的大脑是未闭合决策的仓库。睡前用一个习惯把它清空，生活就会变。” 具体是一套 9 分钟的方法：

建议大家都去油管学 AI Agent，真的能打破信息差！ ① Jeff Su
节奏快、实用导向，适合普通人入门。他有大量把 Prompt、AI Agent、工具落地讲清楚的短视频（例如约 10 分钟的 AI Agents, Clearly Explained 播放量很高）。 内容直给，新手跟着做能上手。频道约 190 万订阅，风格轻松实用。 ② Andrej Karpathy
AI 领域真正的大神（前 Tesla AI、OpenAI 等）。他的 LLM 入门/深度讲解视频（1 小时版和更长的 Deep Dive）在圈内刷屏，原理、训练、应用讲得通俗，非技术背景也能跟上。干货密度极高。 ③ Tina Huang
前 Meta 数据工程师/科学家。录有《Building AI Agents In 44 Minutes》《AI Agents Fundamentals In 21 Minutes》等视频，擅长把复杂资料提炼成清晰框架和实操路径，非常适合作为入门第一课。频道约 140 万订阅。 ④ Dave Ebbelaar（Datalumina）
Datalumina 创始人，内容聚焦可落地的 AI 系统工程（生产级 Agent、架构、部署）和 AI 自由职业/创业建议。 实战导向，经验分享多，适合想真正做出系统的人。 ⑤ IBM Technology
IBM 官方频道，覆盖 AI、自动化、DevOps、量子等，常有领域专家讲解。内容广度好，解释相对严谨可靠，像一个小型 AI 知识库。适合建立系统性认知。 ⑥ Google Cloud Tech
Google Cloud 官方频道，更垂直深入（Vertex AI、Agent 相关、NotebookLM、实用工具等）。 如果说 IBM 更“广”，这个更“深”，尤其适合想用 Google 生态落地的人。 ⑦ Cole Medin
强烈推荐做 Agent 实操。重点讲生产级 AI Agent、n8n / LangGraph 全流程构建、本地部署、架构设计。 内容实战、有完整项目和仓库，适合从“会用”进阶到“能做出稳定系统”。在很多“学 Agent 必看”列表里常出现。 ⑧ Liam Ottley
偏商业落地和变现角度。有超长完整指南（如《How to Build & Sell AI Agents》），覆盖无代码/低代码构建、自动化业务、接单卖服务。 适合想把 AI Agent 技能直接变成收入的人。 ⑨ Andrew Ng / DeepLearningAI
Andrew Ng 是 AI 教育与实践的标杆人物。DeepLearningAI 频道有关于 Agentic AI、设计模式（reflection、tool use、planning、multi-agent）的短课程和讲解，质量高、结构清晰。 适合想建立扎实基础并理解“为什么这样设计”的人。 ⑩ Nate Herk
以 n8n + AI Agent 实操闻名，有完整的无代码/低代码 Agent 教程和长视频课程。 非常适合不想先写大量代码、又想快速做出能用的自动化 Agent 的人。 和 Cole Medin、Liam Ottley 互补。 学习建议（快速上手路径） 1.完全新手：Jeff Su + Tina Huang 先建立概念 → 再看 Karpathy 补原理。 2.想动手做：Tina Huang / Cole Medin / Nate Herk 跟做项目。 3.想做生意/自由职业：Liam Ottley + Dave Ebbelaar。 3.想系统扎实：Karpathy + Andrew Ng + IBM / Google Cloud 官方内容。 这些频道大多免费、更新相对及时，能有效打破信息差。 建议先看 1-2 个入门视频确认风格是否适合自己，再深入。 如果有具体方向（比如纯无代码、Python 工程、商业变现），可以再细化推荐。

刚看到国内两家大厂AI方面的新闻，感觉国内AI领域正在发生一场大模型行业最魔幻、也最残酷的权力与技术大迁徙。 一边是知名大厂从硅谷重金挖来的后训练负责人，入职不到一年就传出被彻底边缘化、手下只剩几个人，甚至面临黯然离职，
另一边是北京某电商巨头直接砸出八位数的千万级天价年薪，满世界疯抢能够掌管万卡集群、跑过万亿参数的底层 AI Infra 一号位。 这两条看似毫不相干的人事异动在同一天撞在一起，
把过去两年国内大厂在 AI 军备竞赛里交的几百亿学费，以及接下来真正的战场转移，彻底扒得一丝不挂。 为什么后训练的大科学家在内部节节败退，而底层的 Infra 架构师反而被捧成了千万年薪的座上宾？ 在很多外行人的理解里，总觉得搞大模型最值钱的是那些在顶层研究算法微调、做对齐策略的天才研究员；
但真正下过工厂车间的人都知道，大模型竞争早就脱离了写论文的作坊阶段，演变成了一场极其野蛮的重工业消耗战。 后训练调算法，就像在赛车出厂前去微调悬挂和尾翼，
而 AI Infra 搞的是万卡集群的发动机制造、千亿参数的通信拓扑和成千上万张显卡在连续跑几个月时不宕机的电力底座。 如果你的地基根本稳不住，显卡跑三天崩两次、通信堵塞把算力白白烧在等待上，
那么空降再多硅谷神仙，在没有算力吞吐支持的环境里，也只能沦为巧妇难为无米之炊的摆设。
大厂的耐心是以月为单位计算的，
当算法大牛受制于底层算力和业务壁垒拿不出惊艳跑分时，组织的冷酷机器就会迅速将他架空。 而电商大厂开出千万年薪狂抢 Infra 一号位，说明巨头们终于在被现实毒打之后彻底清醒了：
在这个时代，真正能决定一家公司生死存亡的稀缺资产，
不是那些满天飞的算法公式，而是全行业屈指可数、真正肉身踩过万卡规模调度大坑、能把每天几百万电费稳稳转化成有效算力的工程老兵。 算力即权力，工程即命脉。
大模型上半场的个人英雄主义神话正式宣告破产，
下半场属于那些坐在服务器机房深处、用万卡集群和分布式通信筑起工业长城的硬核做事人。 未来两到三年，大模型领域最不可替代的核心人才，是懂前沿算法的科学家，还是懂万卡调度的 Infra 架构师呢

诺贝尔奖获得者卡尔·戴瑟罗斯5日得知自己获奖几个小时后，在斯坦福大学得到了人们的拥抱、欢呼和掌声。戴瑟罗斯与德国科学家 彼得·黑格曼、格奥尔格·纳格尔分享2026 年诺贝尔生理学或医学奖，以表彰其开发光遗传学技术。这一突破改变了科学家探索从严重抑郁症到阿尔茨海默等疾病相关的脑细胞的能力。

伟大的一天。 感谢卓越的科学家 @green_lobby ，经过数天密集讨论和艰苦工作，最终在 Claude Opus 5.5 的帮助下，我们顺利修改了 stellarium ，实现了华夏历元、公元前117835年2月25日日落时刻冬至交节、日月合朔。 这是一款超级强大的天文软件，可以精准计算距今前后15万年的天象。 华夏文明万万岁！

贝塔朗菲的名字和他的《一般系统论》，注定是大众认知里的绝对盲区。 概念的高阶同构性，超越了大众的感知上限 贝塔朗菲建立一般系统论的终极野心，是寻找一种适用于一切系统的根本模式、原则和规律。他证明了无论是流体动力学、细胞的代谢、流动的平衡、神经元的网络，还是人类社会的经济结构，在数学拓扑上都存在同构性。 普通人的大脑只能感知特异性。 他们只能看到这是一只猫、那是一台电脑、这是一个假期，他们已经习惯在完全不同的具象事物之间筑起高墙。 而贝塔朗菲要求感知普遍结构。 他要求主体剥离所有肉眼可见的物质表象，直接看到跨越物理、生物、社会维度的共同方程与反馈极性。这种将世界彻底符号化、网络化、抽象化的视角，对于依靠具象体验活着的普通人来说，无异于一种无法解码的高频噪声。
 很多人哪怕不学科学，他们的价值观也是被机械还原论深度洗脑的。还原论告诉普通人把东西拆碎了就能理解整体，你只要努力做工局部，就能获得幸福的整体，只要把坏人清除，社会就会变好。 想想贝塔朗菲的名言吧：整体大于部分之和（The whole is more than the sum of its parts）。他早已无情指出，系统的核心功能不在于要素本身，而在于要素之间的结构和互动关系。 如果人们接受了贝塔朗菲，他们就不得不承认自己每天为了买房、度假、结婚、在行业内卷而透支的生命局部要素，在脱离了高阶的系统秩序后是毫无涌现价值的低熵碎片。 大众为了保护自己的生活意义不至于幻灭，会本能地排斥这种解构。 也正因为贝塔朗菲的思想太超前，他催生了系统生物学、控制论、信息论，甚至直接成为了后代心理学中家庭系统治疗的 conceptual root。 或者说，他被化整为零了。 现代的量化行业在用他的系统开放性，AI行业在用他的网络涌现性，神经科学家在用他的层次结构。这些行业拿走了他的工具去变现、去制造经济刺激，但为了维持自己的精英神话和局部利益，它们绝口不提这位将一切一统的奥地利生物学家的名字。

当年游戏神级程序员 John Carmack 想转行搞 AGI，跑去问 OpenAI 首席科学家 Ilya Sutskever 怎么入门。 Ilya 没让他去刷几千道 LeetCode，也没推销什么网课，而是直接甩给他一份清单： “把这 30 篇论文彻底搞懂，你就掌握了当今深度学习 90% 的核心。” 很多同行以为这只是一份书单，结果最近 GitHub 上真有狠人，把这 30 篇论文全部用 Python 从零手写实现了（从 AlexNet、Transformer 到 GPipe、Scaling Laws），每个都做成了可直接跑的 Notebook。

AMD 宣布用约 82 亿美元收购李飞飞创办的 World Labs，这期是彭博科技节目主持人 Ed Ludlow 对两位当事人的联合采访。一位是 AMD CEO 苏姿丰，AMD 做 CPU 和 GPU，OpenAI、Anthropic、Meta 都是它的大客户。另一位是 World Labs 创始人兼 CEO 李飞飞，她主持建立的 ImageNet 图像数据集是这一轮深度学习浪潮的起点之一。两人聊了为什么要做这笔交易、李飞飞在 AMD 的新角色、开放生态，以及 AI 安全该由谁负责。 交易本身 这是一笔全股票交易，也就是 AMD 用自己的股票而不是现金来付款，对 World Labs 的估值约 82 亿美元，预计年底前完成，还需要监管审批。交易完成后，李飞飞出任 AMD 执行副总裁兼首席科学家，直接向苏姿丰汇报，World Labs 团队将成为 AMD AI 模型团队的核心。 两家公司的关系早就开始了。AMD 是 World Labs 的早期投资方，也给它供芯片。苏姿丰说她从 World Labs 只有几个研究员的时候就在看着这个团队成长。两人也都提到彼此认识多年，私下是朋友。 芯片公司为什么要买模型公司 苏姿丰的理由是，AI 现在还在很早期的阶段，而且越来越明显的是，硬件、软件、系统和模型这几层互相影响，对整条链路理解得越透，造出来的系统就越好。收购 World Labs，一方面是拿到李飞飞聚起来的一批顶尖研究人员，另一方面是让 AMD 对模型未来的发展方向有第一手的判断，反过来指导下一代硬件怎么设计。 李飞飞从模型公司的角度讲了同一件事。World Labs 越做越大，对算力的需求也越来越大；和 AMD 合在一起，模型可以用最前沿的硬件加速训练和推理，硬件团队也能提前看到模型未来的工作方式和需求。她把这叫作 AI 软件和 AI 硬件的“共同进化”。 主持人追问 AMD 是不是要开始卖模型、卖软件。苏姿丰说不会改变商业模式，AMD 仍然是一家平台和解决方案公司，软件是用来支撑硬件的。收购的最终目的是让 AMD 更好地服务那些最大的算力客户，也就是各家模型公司。 World Labs 做到了哪一步 World Labs 成立于 2024 年，到现在两年多，专攻空间智能和物理智能，也就是让 AI 理解和生成三维世界、懂得物理规律，这类模型通常叫“世界模型”。李飞飞说，他们想做的是语言模型之外的方向，因为创作者、设计师、教育、医疗都有这方面的需求，机器人技术也快要迎来爆发。 公司目前已经发布了两代模型，先是 Marble，然后是最新的 Atlas。李飞飞介绍 Atlas 是一个多模态的“全能模型”，能生成高质量的画面，同时保持三维和四维（三维空间加上时间）上的一致性，摄像机和智能体可以在它生成的世界里移动和交互。 团队也在扩张。World Labs 最近收购了 SceniX，这家公司做出了一套机器人仿真工作流程，以及训练机器人控制策略的模型，由此给 World Labs 补上了机器人方向的人才。 李飞飞为什么选择加入 AMD 苏姿丰说她给李飞飞的说法是“加入全世界最令人兴奋的 AI 公司”。李飞飞的作用也不只限于 World Labs 团队。苏姿丰说 AI 没有一种方案能通吃，除了大家熟悉的云端 CPU、GPU，物理 AI、机器人、从云端到边缘设备再到个人电脑的端到端 AI，都是 AMD 未来三到十年要重点增长的方向，而这些正好是 World Labs 擅长的领域。 World Labs 今年早些时候刚融过一大笔钱，发展势头也不错，主持人问李飞飞是否考虑过别的出路。她说公司从一开始就以使命为导向，这件事的关键在于双方的愿景是否一致，和有哪些选择关系不大。在她看来，这次合并会是“一加一大于二”，接着她笑着补了一句，AMD 显然比 World Labs 大得多。 至于加入后会不会只做空间智能，李飞飞说两人还没来得及细谈所有计划，World Labs 正在做的工作会继续，但她预计研究方向会扩大、节奏会加快。 开放生态与可选择性 苏姿丰说，AI 未来会同时有开源模型和闭源模型、大模型和小模型，它们跑在不同的硬件上，这一直是 AMD 规划高性能计算和 AI 产品线的前提。她和企业的 CEO、CIO 聊下来，没有人愿意被锁死在某一家的硬件或软件生态里，大家都想在不同时候挑最合适的。所以 AMD 会继续押注开放生态，她和李飞飞也讨论过怎样用 World Labs 已有的成果推动开源生态。 李飞飞补充说，现代 AI 的发展离不开开放。从科学界公开分享神经网络算法，到她自己做的 ImageNet，这个首批开放的大规模数据集就是现代 AI 革命的推动力之一。开放生态能让不同的发现、创新和创业机会互相促进。 AI 安全该由谁负责 主持人提到当前的一个争论：模型能力的进步速度超过了安全和对齐研究的进步速度。苏姿丰说这件事上“没有可选项”，技术必须好，也必须安全。她拿芯片行业做例子：最高性能的处理器在设计时就要把安全和数据保密作为优先事项来考虑，AI 行业也需要把安全放到同样的位置。她说自己是 AI 乐观派，相信行业能建立起合适的流程和防护措施，而且各家应该像硬件行业现在分享安全方面的经验那样，互相分享做法。 主持人进一步问，提供算力的公司对训练是否安全、推理时模型是否按预期行事，要负什么责任。苏姿丰说生态里每一方都要为自己的行为负责。对 AMD 来说，要保证硬件本身安全、按设计运行，模型在上面跑时数据是安全的，还要和模型公司一起处理好软硬件之间的交互。她认为这件事应该由行业主导，但因为 AI 是新东西，各方学习的速度不一样，所以她欢迎更多的行业协作，也欢迎一定程度的第三方评估。 李飞飞说，主持人上周问她监管、第三方评估、前沿实验室自我负责这几种方式该选哪个，她的回答是全都要。她认为 AI 是一项“文明级”的技术，和历史上所有这类技术一样，初衷是让人的生活和工作变得更好，但每项技术都是双刃剑，必须负责任地开发和部署。无论在斯坦福、World Labs 还是现在的 AMD，她都想推动个人、公司、行业和社会四个层面共同承担这份责任。 AMD 的下一步 主持人提到 AMD 市值已经到了 1 万亿美元，苏姿丰近来也多次和美国总统一同公开露面。苏姿丰说 AMD 过去做过好几笔对公司影响很大的收购，World Labs 是下一笔，而且是战略意义很重要的一笔。在她看来，技术如今和经济、国家安全都紧密相关，AMD 有机会真正影响计算的未来走向。 最后主持人请李飞飞预测 AI 下一个重大突破。她没有给具体的技术判断，只说接下来 AMD 和 World Labs 会一起打造未来，而这个未来必须对人类社会和人们的生活有益。苏姿丰在一旁说：“我会让她忙起来的。”

一个人穷的时候最应该做什么事？ 背叛底层人。 隔绝一切垃圾信息，拒绝输入，专心搞钱，与底层彻底决裂。 最近两年开始，几乎所有的新闻，我都不关注了。比如前几年的南方小土豆、哪吒电影票房、中美各种加息政策…… 因为我慢慢发现，绝大多数新闻跟普通人的真实生活没有多大关系，但特别擅长调动人的情绪。 今天把一个人捧上神坛，明天又把他踩进泥里；今天全民感动，明天剧情反转。你跟着愤怒，跟着感动，跟着争论半天，最后除了贡献几个小时的注意力，什么都没得到。 所以，我干脆不关注了。 当我看见一个宣传 DeepSeek 有多牛逼的视频，弹幕全是“赢了”“赢麻了”，我有时候会觉得很好笑。屏幕前大声欢呼的大学生，可能几个月后毕业连工作都找不到，但此刻却可以为了一个跟自己现实生活几乎没有关系的话题涕泗横流、义愤填膺。 媒体人只需要几个字，就能让你哭，让你笑，让你愤怒，让你站队。身体是你的，但情绪的遥控器在别人手里。 更讽刺的是，你的每一次愤怒、点赞和评论，最后都变成了别人的流量。自媒体靠你的注意力接广告、接商单，赚得盆满钵满，而你刷完两个小时手机，关掉屏幕，明天照样上班。 这个世界上 99.99% 的消息，其实你根本没必要知道。它不会增加你的收入，不会改善你的生活，不会提高你的能力，甚至连三个月以后你都不会记得。但它特别擅长制造情绪波动。 你打开短视频，第一个视频是一个伟大的科学家，为国家做了巨大贡献，坐了几十年冷板凳，生活极其节俭。配上激情澎湃的音乐，你看得眼眶发红，肃然起敬。手指往下一划，下一条是搞笑视频，你马上笑得前仰后合。再往下刷，可能又是一条社会新闻，你瞬间开始愤怒。 不到 5 分钟，悲伤、感动、快乐、愤怒全部经历了一遍。 仔细想想，这其实挺可怕的。你的情绪被算法拿捏得极其精准，让你哭就哭，让你笑就笑，让你愤怒就愤怒。我们以为自己在主动获取信息，很多时候其实只是被动接受别人安排好的情绪刺激。 短视频和垃圾讯息，某种程度上就是打工人的牢笼。 996 下班回到家，体力和精力已经被榨得差不多了，这时候人最容易沉迷于完全不需要动脑的内容。因为你已经没有精力读书、学习、思考，更别说规划未来。刷短视频是最廉价的快乐：不需要付钱，不需要努力，只需要手指不停往下滑。 问题是，一个人长期处于这种状态，会逐渐失去创造力，也失去深度思考的能力。他没有精力关注三年、五年之后的事情，更没有力气跳出现在的生活，去寻找其他可能性。 更可怕的是消费主义。 好不容易攒下来一点钱，今天告诉你最新款 iPhone 必须换，明天告诉你什么包、什么鞋、什么车才能代表生活品质。你以为自己是在奖励辛苦工作的自己，最后却把本来可以用于提升自己、投资自己、积累本金的钱重新送回市场。 互联网从来没有真正免费的东西。 所谓免费内容，很多时候只是换了一种收费方式：不收你的钱，收你的时间；不直接卖东西给你，就卖你的注意力。 而生命最重要的东西，本来就是时间。 如果你的时间不值钱，你当然可以自己慢慢练级；如果你的时间开始值钱，你就会发现很多事情花钱解决反而更便宜。能花 100 块钱解决的问题，就没必要耗三个小时；能通过专业人士半小时解决的问题，也没必要自己摸索一个星期。 所以想快速成长，无非两件事：花对钱，跟对人。 有时候，一个真正比你高几个层级的人，几句话就能指出你几年都没意识到的问题。他经历过你正在经历的阶段，踩过你准备踩的坑，所以一句话可能真的能让你少走很多弯路。 但很多人还有一种学生思维：希望所有东西都是免费的。 免费的知识，免费的资源，免费的建议，最好大佬还愿意花两个小时给自己分析人生。 问题是，一个人的时间越值钱，他越不会免费把时间分给陌生人。你想获得别人的时间，就要提供价值。这个价值可能是钱，可能是资源，可能是能力，也可能是你能帮别人解决的问题。 没有所谓凭空出现的贵人。 所谓贵人，本质上也是价值交换。 如果现在什么都没有怎么办？那就更简单：减少垃圾输入，把时间拿回来，提升自己，先赚钱。 普通人最应该关心的事情，从来不是今天网上又发生了什么，而是自己的收入有没有提高，能力有没有增长，身体有没有变好，家人的生活有没有改善，账户里的本金有没有增加。 很多人自己的生活一地鸡毛，却每天操心国际局势；工资几千块，却在网上讨论几千亿美元的博弈；现实里连老板都不敢反驳一句，到了评论区却开始指点世界。 宏大叙事最容易给普通人提供一种廉价的参与感。 因为改变自己的生活很难，评论世界很容易。 赚钱很难，骂人很容易。 学习很难，刷视频很容易。 健身很难，讨论别人为什么失败很容易。 所以真正想往上走的人，迟早要经历一个非常痛苦的过程：你必须主动背叛过去那个自己熟悉的环境。 这里说的“背叛”，不是让你看不起穷人，也不是让你抛弃家人朋友，而是背叛过去那套让你一直停留在原地的生活方式。 以前大家一起刷视频，你开始学习；以前大家发工资就消费，你开始存钱；以前大家讨论八卦，你开始研究怎么提高收入；以前大家觉得下班就应该彻底躺平，你开始把晚上的两个小时拿出来做自己的事情。 这个过程一定会不舒服。 因为原来大家都是毛毛虫。 突然有一只毛毛虫开始结蛹，旁边的人第一反应往往不是祝福，而是奇怪：你折腾什么？大家不都这样活吗？ 等你真的开始发生变化，关系也会跟着变化。以前聊得来的东西，你慢慢不感兴趣了；以前觉得很重要的事情，你开始觉得无所谓；以前每天混在一起的人，也可能逐渐没有共同语言。 向上的路有时候确实很孤独。 但一个人真正的成长，本来就意味着不断离开旧的自己。 背叛那些浪费你时间的信息，背叛那些掏空你钱包的消费习惯，背叛那些让你获得廉价满足感的东西，也背叛那个明明对现状不满意，却什么都不愿意改变的自己。 很多人以为贫穷变富最难的是赚到第一桶金。 其实第一道坎往往更早。 你得先允许自己和过去的生活彻底决裂。