与「科研」相关的搜索结果

要是你也早就受不了 GPT 那股假惺惺的味儿，那这两个专治防御性写作的 skill 你可一定得试试👇 1️⃣anti-defensive-writing-Skill（6k🌟） 凡是写论文、搞科研的朋友，没用过这个 skill 那是真吃亏，反正我朋友试完以后，导师看了 AI 直接吐出来的报告都说挑不出毛病。整体更偏向 research，目的性也更强。 🔗 2️⃣anti-defensive-writing（1.9k🌟） 针对学术论文和专业文本，既不会凭空捏造事实和数据，又能更成体系地清掉防御性写作里的那些废话，再也不用担心文章写完还拖着一堆免责声明了。 🔗

世界上前20的Skill必装榜！ 1、superpowers（by obra），当时星标 30.2 万 它把开发拆成四步：头脑风暴、写计划、测试驱动、代码审查，串成一套开发流程。做中大型功能之前装上，AI 不会一上来就乱写代码。 2、skills（by mattpocock），当时星标 29.8 万 需求说不清的时候，它会反过来追问你，再帮你理清架构。排查 bug、重构老项目，用它最顺手。 3、andrej-karpathy-skills（by multica-ai），当时星标 22.1 万 一份项目规则：AI 先想清楚再动手，只改该改的地方。放进项目根目录，写代码时就生效。 4、skills（by anthropics），当时星标 18.2 万 官方技能库，Word、PPT、表格和 PDF 都能直接做。想自己写 Skill，照着它的模板改就行。 5、ponytail（by DietrichGebert），当时星标 16.8 万 让 AI 像最懒的资深工程师一样思考：能不加的抽象就不加。代码写完让它过一遍，把过度设计和技术债挑出来。 6、ui-ux-pro-max-skill（by nextlevelbuilder），当时星标 13.8 万 整套配色、字体搭配和交互规范都在里面。做落地页、后台和 APP 界面之前装上，页面更像设计师做的。 7、graphify（by Graphify-Labs），当时星标 12.9 万 把代码、文档和数据库结构转成一张知识图谱。接手陌生项目时先建图，再问"这个函数被谁调用"，一查就清楚。 8、caveman（by JuliusBrussee），当时星标 11.4 万 让 AI 用最少的字回答，啰嗦的铺垫全删掉。长时间跑 agent 的时候装上，能省下一大截 token。 9、agent-skills（by addyosmani），当时星标 10.9 万 谷歌工程师整理的工程规范，覆盖接口设计、上下文管理和质量检查。团队一起写项目，用它统一写法。 10、taste-skill（by LeonxLnx），当时星标 9.9 万 给 AI 补上审美：排版、参考图和动效都有讲究。做官网首页和作品集的时候用，页面不再像套模板。 11、Understand-Anything（by Egonex-AI），当时星标 8.7 万 把代码变成能点开的交互图谱，还会讲清楚业务流程。新人上手项目、读开源代码，最省时间。 12、impeccable（by pbakaus），当时星标 8.3 万 专门提升 AI 的设计能力，会检查间距、层级和细节。页面做完先让它审一遍，再按建议打磨。 13、awesome-claude-skills（by ComposioHQ），当时星标 7.7 万 一份技能合集，按场景收录了八百多个 Skill。不知道该装什么，先来这里挑。 14、last30days-skill（by mvanhorn），当时星标 6.5 万 它会去 Reddit、X 和 YouTube，汇总最近 30 天的讨论。 做选题、追热点、调研同类产品的时候用。 15、humanizer（by blader），当时星标 5.9 万 专门去掉文字里的 AI 痕迹，比如套话和固定句式。公众号、口播稿和邮件写完，都可以让它过一遍。 16、diagram-design（by cathrynlavery），当时星标 5.8 万 支持四十多种图表，直接输出成网页文件。写技术文档、做方案汇报，用它画架构图和流程图。 17、i-have-adhd（by ayghri），当时星标 5.8 万 让 AI 先说结论和下一步，再给细节，不把答案埋在长段落里。问技术问题、想马上拿到结果，就装它。 18、marketingskills（by coreyhaines31），当时星标 5.6 万 覆盖文案、SEO 和数据分析这些营销技能。写推广文案、提升网站搜索排名的时候用。 19、academic-research-skills（by Imbad0202），当时星标 5.3 万 从查文献、写论文到模拟审稿，一条流程串起来。写毕业论文、投期刊之前都能用。 20、scientific-agent-skills（by K-Dense-AI），当时星标 5.3 万 让 AI 变成科研助手，接入生物、化学这些领域的数据库和工具。做实验分析、查专业资料的时候用。

最近看到一件事情， 2026 年 2 月，Bill Ackman 26 歲的女兒 Lucy 突然發生嚴重腦出血。 她最後活了下來，但腦傷非常嚴重，一度無法走路、說話，視力也受到重創。 對 Bill Ackman來說，這時候已經不是投資問題。 他開始動用自己能找到的所有資源，去問世界上最頂尖的醫生、科學家和科技創業者： 還有什麼技術可能把女兒失去的能力帶回來？ 其中一個他去諮詢的人，就是 Elon Musk。 原因很直接： Musk 手上有 Neuralink。 而 Lucy 最棘手的問題之一，就是視覺。 Bill Ackman 後來回憶，他問 Musk，像 Lucy 這樣的情況，未來有沒有可能透過腦機介面重新獲得視覺？ Musk 給了他一個非常 Elon Musk 的答案。 大概五年。 Musk 告訴他，未來可能出現某種 bionic vision——仿生視覺。 概念不是把原本受損的視覺系統完全修好。 而是想辦法讓科技直接與大腦連接。 這其實正是 Neuralink 已經公開提出的方向之一。 Neuralink 有一個計畫叫 Blindsight：希望透過植入大腦的裝置，最終讓失明者產生視覺感知。 對一般人來說，這可能只是一個很遙遠的科技新聞。 但對 Bill Ackman完全不是。 因為坐在他面前的，是一個正在失去視力的 26 歲女兒。 突然之間， 「五年後腦機介面能做到什麼？」 不再是一個 Silicon Valley 的未來學問題。 而是一個父親真的願意花幾億美元等待答案的問題。 後來 Bill Ackman 做了一件非常 Ackman 的事情： 他沒有只投一家 BCI 公司。 他和妻子 Neri Oxman 決定直接建立一整個研究機構。 Ackman Oxman Institute。 目前承諾投入約 4 億美元，而且還計畫繼續投入一筆相近甚至更大的資金。 研究範圍直接涵蓋神經科學、AI、復健醫學與 brain-computer interface。 Bill Ackman 後來也公開點名 Neuralink、Synchron、Precision Neuroscience 等公司。 接著事情又往前走了一步。 2026 年 9 月，Bill Ackman 旗下 Pershing Square 與 Ackman Oxman Institute 共同領投 BCI 公司 Precision Neuroscience 的 2.5 億美元 Series D。 所以把整件事情連起來看，非常有意思： 女兒突然腦出血 ↓ Ackman 開始尋找所有可能的治療方式 ↓ 直接去問 Elon Musk ↓ Musk 告訴他，BCI 未來可能帶來 bionic vision ↓ Bill Ackman 投入約 4 億美元建立自己的腦科學研究機構 ↓ 再領投 2.5 億美元進入 BCI 公司 這也是為什麼我覺得，腦機介面的發展速度可能會比很多人預期得快。 因為現在推動它的已經不只是 Elon Musk 的科幻願景。 另一批非常有錢、非常有能力調動醫療與科研資源的人，開始有了極其私人的理由，希望這項科技快一點成熟。

总把AI巨头叫作“实验室”，这其实是个危险的误导。 这个称呼会让我们更容易放下戒心，错误的认为这些公司是在提供中立的科学判断。 马斯克认为，这些AI公司已经有了庞大的销售团队，靠卖产品和服务获得数十亿美元收入，应该把它们看作营利企业，而不是科研机构。 仔细想确实如此。 同样一句“AI很快会取代你的工作”，听起来像研究结论，但卖AI的公司说这句话，也可能是在催你买产品。 如果总叫它们实验室，人们就容易忘了这层利益瓜葛。 到了制定监管规则时，这种误解更危险，因为它们提出的建议也可能保护自己的生意，给竞争对手增加门槛。 如果只看到它们懂技术，就把制定规则的话语权交给它们，商业利益就可能被当成公共利益。 我们以为自己得到了保护，实际上却失去了更多选择。

过去50年最伟大的两篇科研论文是 Bitcoin: A Peer-to-Peer Electronic Cash System 和 Attention is All You Need。都不是来自学术圈。现在所谓的学术圈几乎都是骗政府经费的混子，和学术发现基本没有关系。

AI for Math 的新思路 如果一个人根本不懂数学，只是靠AI碰巧解出一道难题，有价值吗？这有点像猴子拿到了AK47：武器很强，但它不知道为什么能打中，也不知道下一次该往哪里开枪。 数学研究的价值，不只是得到一个答案。更重要的是，有没有人能理解证明为什么成立，从中提炼出新的方法，再把这些方法推广到其他问题上。这也是陶哲轩一直强调的方向：AI可以参与数学研究，但人类必须始终参与到研究过程里。 最近，超衍智能 Apex Intelligence @apexin_ai 推出了一套名为“Apex Math”的自动化 AI 系统来做数学研究。不同于 OpenAI 的1万个Agent暴力并行求解，Apex Intelligence的路线是：先由专业数学家提出有价值、值得推进的研究课题，再让 AI 系统去尝试独立完成证明，最后交回给数学家做严谨的审核。有点类似Vibe Coding中Agent与程序员的合作模式。 这套数学家与AI的合作模式，人类始终在整个过程中，对于项目有充分的掌控和理解，很契合前几天陶哲轩等菲尔兹得主联名倡导的方向。 目前，Apex Intelligence的这套系统已经推进了 5 项前沿数学研究： · 其中 2 项已经通过了专家的严格核验。 1）MVI优化算法，人类数学家使用这套系统接力跟进，持续提升最优算法 第一版论文： 清华后续优化： 北大后续优化： 谷歌后续优化： 2）Mockenhaupt三项Hardy-Littlewood极大化猜想 AI 系统给出了一个通用的解析证明，彻底证明了这个猜想在所有参数下都成立。 · 另外 3 份候选论证（包括悬而未决 29 年的 Nivat 猜想），已直接公在了 Apex 数学平台 上，并且设立了 10 万元奖金池，公开邀请全球的研究者来挑错、复核或者补齐推导。 参与方式 ： 他们还分享了一些与AI的对话记录： Apex Math现在提供的方法，权衡了AI和数学家的职能，是比较实际能落地的方案，但还不一定是AI做数学研究的最终形态。不久的未来，随着AI能力的显著提升，数学家、科研工作者如何与AI协作，可能还会有大的变革。

如何解决 AI 写文章的 AI 味儿？ 现在的 AI 写数学题或写代码很厉害，但在写学术论文、小说或百科文章时，经常产出空话连篇、表面流畅但缺乏真正深度的文字，这种低质文本常被称为“AI 废话”（AI slop）。 出现这个问题的原因在于，常用的 AI 评分系统很难辨别真正优秀的文字。研究人员发现，如果让目前的先进模型给文章打分，或者让它们自由制定打分标准，模型给出的分数往往偏向 AI 生成的内容，甚至给 AI 文本的分数远高于人类专家的原著。打分裁判本身偏好废话，训练出来的写作模型自然就会写出更多废话。 为了解决这个弊端，META 提出了一套名为 RL-XAR 的新训练方案，核心思路分为三步： 1）准备参照标杆：收集高水平的人类写作范例，比如真实的科研论文、名家小说和维基百科精选词条，截取前半部分作为上下文，分别让人类专家和 AI 模型顺着往下写。 2）训练评分规则：让 AI 裁判反复调整打分标准，直到这些标准能准确把人类高手的文本评为高分，把 AI 生成的文本评为低分，真正拉开两者的差距。 3）针对性强化训练：用这套校准后的高难度评分规则去重新训练写作模型，不断循环这个过程，逼迫模型改掉毛病。 META 在三个领域测试了这种方法： · 学术论文写作：模型需要补写论文中被拿掉的摘要、引言或结论。经过新方法训练的模型，不再像以前那样把整篇论文翻来覆去复述一遍，而是学会了精简和突出重点。原作者进行盲测评估时，新模型的胜率达到了 89%。 · 文学小说续写：续写普利策奖和诺贝尔奖得主的作品。模型改掉了乱用陈词滥调的比喻这一常见毛病，盲测胜率达到了 95%。 · 维基百科编写：根据标题直接写出正文内容。这项任务难度最高，模型虽然也有进步，但因为现有的 AI 裁判能力有限，提升幅度不如前两项明显。 所以，想让 AI 写出更像人类高手的深刻文字，关键在于先训练出眼光挑剔的评分标准，避免让模型用平庸的标准自我满足。 原文：

20岁，我成了A10 大佬唯一弟子，入职不到两月分成10W+，自己也谈过几单下来10W+的律所培训合作。 虽然看似小有成就，但这是我踩了无数坑、拼了命抓住每一次机会汇聚成的结果。 大一的时候，我还是一个很传统的八爪鱼法学生，竞赛科研绩点一起抓，用一年半时间拿了3个国奖、15个省奖。 后来，学校保研政策突然变了🥲，我才觉醒之前玩的都是过家家游戏，逐渐把重心转移到真实社会。 AI、法律实务、自媒体、创业……我都做，而且我发现，来到新的游戏规则，我还是挺会玩！ 之前的一次跨国研学，本是再普通不过的纯旅游活动，但晚上的慈善晚宴，我跑去和各行业大佬social，硬生生碰出了意想不到的机会——有幸参与到联合国环境规划署在新加坡的项目。 后来去深圳某红圈所实习，发现自己是纯牛马😅😅😅前途没有希望，于是用 ChatGPT搜索在深圳本地举办的法律界商务活动。 有个活动相当牛逼，参会的老板都交了6万会员费，但我又肯定没有那个实力🥺。。。 所以我想了个歪招🤪，去找到了活动主理人的社媒，私信问能不能去兼职帮忙办活动。 就是在那里，我遇到了现在的老板。他应该是觉得这活动太无聊，就和我聊了起来。 刚好聊到 AI 这块，他非常感兴趣，又知道我过去的法律背景，最后就直接邀请我去上海跟着他干。 更疯狂的是，当天凌晨他发出的邀请，我第二天毫不犹豫，就直接跟我老板从深圳飞去了上海。 我当时的想法很简单：这个机会可能会把我带到一个更大的世界，那我就去，莽就完了！👊🏼 这一次，我赌对了，我成了他目前唯一正式带的徒弟。 很多朋友说我很会向上社交，我以前也这么觉得，后来发现不完全是。 诚然，我确实慕强，但不太怯。碰到比我厉害很多的人，我不会急着证明其实我也很厉害，毕竟我是真草台。 我更想知道：你为什么这么厉害？你是怎么做到的？这里面有什么是我可以学走的？ 社交只是入口，从里面收获，擅于从里面收获，才是核心能力。 我现在20岁，X上比我会赚钱、会AI、会做产品、会创业的佬太多了。我现在做出的这些东西，放进更大的世界里，都还很渺小。 但这不妨碍我对自己有一种近乎固执的自信：我会迅速地成长。也能在较短时间找到自己在X里的生态位。 接下来我也会在X上持续分享AI、自媒体、金融、投资、法律等领域的实战知识👇 1、在处理社交类问题颇有心得，比如结交贵人（年长/同龄/年下）、家庭关系处理等。 2、我目前深耕于伪投资、伪金融领域，如各位有被诓骗/要开脱的需求，欢迎咨询（限国内和新加坡），我的案例经验绝对是少见的丰富。 3、我是个大E人，所以在销售方面也比较有经验，之前在法律AI领域也成交过好几个大项目，接下来也会继续培养此技能。 欢迎大家来和我交朋友～