与「AI人工智慧」相关的搜索结果

中國仿生機器人已經這麼猛了嗎？看完真的會懷疑未來是不是已經來了！🤖🇨🇳 #中國大陸# #仿生機器人# #AI人工智慧# #科技發展# #未來科技#

黃仁勳日前飛南韓的會見科技大老的真正目的。當多數媒體把焦點放在他見了誰、上了什麼綜藝節目、吃了哪家五花肉時，真正的產業巨變正在檯面下發生。 南韓，可能正是黃仁勳把 AI 帶入現實世界最重要的實驗室。 #黃仁勳# #人工智慧# #實體AI# #科技巨頭# #總體經濟# #供應鏈# #投資洞察# #科技趨勢# #台積電# #美股# #台股# #港股# #邦妮區塊鏈# #永續合約# #美股代幣# #NVIDIA# #TSMC# #台積電# #TSM# #broadcom# #AVGO# #Tesla# #TSLA# #MU# #Micron# #聯發科# #台股大跌# #比特幣# #ai# #btc# #黃仁勳# #投資# #Stock# #2330台積電# #比特幣# #跌停# #漲停#

【謝田時間】1.中共外宣大規模進入全球主流人工智慧聊天系統 2.中共監控所有海外關係中國人 人臉辨識、簽證手機App資訊等 4.北京禁用英偉達、阿里巴巴開發新款AI芯片？

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》

有了Codex之后，一切都变了… belike 桌面文件夹乱了，打开Codex，给我整理一下。 3m后，done。 电脑内存不够了，或者变卡了，直接打开Codex说，给我修理一下。 10m后，done。 想刷个机，打开Codex，把网址丢过去，插上数据线，你给我刷一下。 10m后，done。 想做个个人网站，打开Codex，尽情口喷几十分钟，然后说，交给你了，不要来烦我。 3小时后，done。 想把一大堆表格整合起来，抽取数据，打开Codex说交给你了。 20m后，done。 想用尚雯婕英语学习法学习英语，随便找一个喜欢的英语演讲链接丢过去说，给我把字幕提取出来。 5m后，done。 看到喜欢的英语文章，直接把链接丢过去说，给我做成中英文对照加批注的PDF版本发邮箱。 5m后，done。 变了，一切都变了，再也回不去了。 #codex# #ai# #gpt# #AI人工智能#

員数、高周波、容量、DC特性 まだまだ始まったばかり ゴールドマン・サックスは次世代メモリチップを求めてMLCC（積層セラミックコンデンサ）に注目している。そのサイクルはまだ始まったばかりだ。 AI開発競争はGPU、CPU、メモリといった上位技術にまで広がり、それらすべてが市場ファンドの注目を集めている。投資銀行ゴールドマン・サックスの最近のレポートによると、次に爆発的な成長を遂げるのは積層セラミックコンデンサ（MLCC）であり、現在、生産量と価格が同時に上昇するサイクルの初期段階にあるという。 モルガン・スタンレーがNvidiaの次世代Vera Rubin AIラックを分解した最新の分析によると、最新の部品表においてMLCCの価値が182%増加していることが明らかになり、ゴールドマン・サックスのMLCCに関するレポートと一致した。 ウォール・ストリート・ニュースの報道によると、ゴールドマン・サックスのアナリスト、高山大樹氏は、AIサーバー向けMLCC市場が2025年から2030年にかけて4倍以上に成長し、約2150億円から約9200億円に拡大すると予測しており、年平均成長率は34%となる。ゴールドマン・サックスは、現在のAI主導型MLCCサイクルは史上最大かつ最長のサイクルであり、まだ初期段階にあると述べている。 アナリストのネルソン・アームブラスト氏も、MLCC（積層セラミックコンデンサ）はGPUとメモリに次いで、AIサーバーの部品構成において3番目に大きな部品になったと述べている。MLCC市場全体の規模は約150億ドルで、サーバー市場は約13億ドルを占め、年平均成長率（CAGR）は80%で拡大している一方、自動車や携帯電話などの他の用途分野における需要の伸びは鈍化している。 別のアナリストであるアレン・チャン氏は、MLCC業界の構造的な矛盾を指摘した。生産能力の年間成長率は10%をわずかに上回る程度にとどまっているが、これは設備や材料が社内生産に依存しているためである。拡張の進捗は社内のエンジニアリングリソースによって制限されており、生産量を大幅に拡大することが困難で、AIサーバーの需要に大きく遅れをとっている。 ゴールドマン・サックスは、AIサーバー向けMLCCの需要が2025年から2030年にかけて約4.3倍に増加すると予測している。同時に、自動車の電動化分野における高電圧・大容量MLCCの需要も引き続き堅調で、電気自動車1台あたりのMLCC使用数は増加の一途をたどる。これら2つの主要な需要は、既に限られている新規生産能力を吸収しており、家電業界の顧客は、自社の需要が減少傾向にあるにもかかわらず、将来の供給不足リスクに備えるため、長期供給契約の締結を積極的に模索している。 ゴールドマン・サックスの分析によると、MLCC（積層セラミックコンデンサ）の価格上昇は、DRAM、NANDメモリ、ABF基板、銅箔基板（CCL）といった他の主要なAI（人工知能）コンポーネントの価格上昇よりもかなり遅れて始まった。このことから、ゴールドマン・サックスは、MLCCをABFやCCLと並んで、すべてのAIコンポーネントおよび材料の中で最も長期的な価格上昇の可能性を秘めていると評価している。 ゴールドマン・サックスは、村田製作所を訪問した後、AIを活用した最先端の積層セラミックコンデンサ（MLCC）の需要サイクルを、当初の予測である2028年から2030年頃に延長した。 モルガン・スタンレーは、NVIDIA Vera Rubin AIラックを分解した結果、PCB、MLCC、ABF基板、メモリなどの周辺部品の重要性が急速に高まっており、サプライチェーンの価値が「GPU優位」からシステム全体のアーキテクチャへと徐々に広がっていることを発見した。中でもMLCCの価値は182%増加し、VR200ラックあたりのMLCCの価値は約4,320米ドルで、GB300時代の約1,530米ドルをはるかに上回っている。使用されるボード数の増加に加え、新たに導入されたBlueField DPUとConnectX Orchidモジュールが、ハイエンドMLCCの需要をさらに高めている。

性能提升至3倍！平头哥新一代PPU芯片真武M890正式发布 在5月20日举办的阿里云峰会上，阿里旗下半导体公司平头哥正式发布了全新一代PPU芯片，内部代号PPU1.5，产品定名真武M890。 根据发布信息，真武M890配备144GB HBM内存，提供800 GB/s的片间互联带宽，并原生支持FP32、FP8、FP4多种计算精度，整体性能达到上一代真武810E的 3 倍。 同时发布的还有面向阿里128超节点设计的Scale-Up互联芯片ICN Switch 1.0。该芯片交换延时低于150ns，单机柜最高可部署16颗，整柜互联带宽可达Pb/s级别。借助这颗芯片，阿里128超节点实现了对128颗真武M890的高效互联。 有些人在我之前的帖子下面对于PPU路线有种种质疑，平头哥在PPU1.5这代已经有了非常明确且显著的进步作为回应。这也让人更加想知道：接下来的PPU2，又将带来怎样的新东西？ Pictures credit to 公众号：AI人工智能行业动态

说起被AI干死的公司，不得不提一嘴作业帮和猿辅导，大家还记得前些年这两家铺天盖地的广告主打拍照搜题“黑科技”吗？不会的作业，只需要拍个照上传到APP，就可以很快得到答案，随着AI的发展这两家公司已经被淹没在时代的洪流里了，但是你应该也好奇过，在那些年没有AI人工智能的时代到底是怎么实现拍照搜题的呢？结论就是大力出奇迹，没有智能，全靠人工。 在2018年作业帮创始人侯建彬骄傲的说依托背后百度的资源和超过2万名兼职老师，收录并解答了上亿规模的题目，这些题库是公司最大的护城河。 而猿辅导从2013年开始就通过招聘大学生，并搜集海量的试卷和教材，每答1题就可以得到5块钱的奖金。 根据相关报道，几年前K12赛道爆火的时候，作业帮和猿辅导累计融资数十亿美金中，有将近一半都拿来投入到题库建设中，也就是给大学生和老师发钱答题。 那时候这两家公司都跟军备竞赛一样疯狂搜集题目发钱找人来答，毕竟深信不疑这就是自己最强的护城河。 直到有一天，AI来了....

我越来越发现三个水枪手做的节目挺有意思，有的分析也挺有深度，这期通过对比中国、日本、美国的高校借阅榜和图书畅销榜，深入剖析了各国的阅读习惯，并得出了相对悲观的社会学结论。 一、 各国大学生及社会畅销书榜单对比 1. 中国：停滞在20年前的老书与网络爽文 山东农业大学（代表普通高校）：文学类前十名全是经典老书，如《杀死一只知更鸟》《嫌疑人X的献身》《活着》《我与地坛》《围城》。社科类前十名则充斥着“心理鸡汤”（《被讨厌的勇气》《蛤蟆先生去看心理医生》）以及《毛泽东选集》和多本《明朝那些事儿》。 清华大学（代表顶尖高校）：年度借阅榜单依然是《毛泽东选集》《红楼梦》《明朝那些事儿》《三体》《哈利波特》《平凡的世界》《乡土中国》《天龙八部》等老书。 社会总榜（当当网、微信读书）：无论怎么看，中国人买得最多的依然是这几本“老三样”（《活着》《三体》等），以及大量的教辅书、考公考证资料和儿童绘本。 网络文学榜：主播特别提到，中国大众真正阅读量极高的是晋江、起点等平台的“网络爽文”（如霸道总裁、修仙逆袭、耽美等），这些书名夸张，内容通常不需要深度思考。 2. 日本：更新极快，兼顾轻娱乐与深度哲学 东京大学：前十名借阅榜中包含大量的哲学、语言学和社科类科普书。例如《思考的整理学》（教导逻辑思维）、《闲暇与无聊的伦理学》（斯宾诺莎哲学普及）、《中动态的世界》（语言学概念），以及探讨犹太人历史的书籍。 社会总榜：日本是一大出版强国，畅销榜上的书几乎全是当年出版的新书。日本人的阅读面极广，既有海量的轻小说、推理小说、连载漫画等休闲读物，但同时，获得“本屋大赏”等严肃文学奖项的作品也能迅速在全社会大卖。 3. 美国：紧跟当下社会现实与人物传记 由于缺乏大学图书馆数据，主播主要参考了纽约时报和Goodreads的畅销榜。 非虚构类（Non-fiction）：美国人极度偏爱最新的人物传记和回忆录。榜单上充斥着格莱美得主、播客主持人、参议员的回忆录，以及关于苹果公司50年历史、AI（人工智能）前沿探索、神经科学等紧贴时代脉搏的书籍。 虚构类（Fiction）：绝大多数也是最新出版的当代小说、科幻小说（如《挽救计划》）和悬疑小说。 二、 各国人民读书习惯分析 1.美国人：通过阅读了解“现在” 美国社会的阅读习惯将其作为了解当下世界运行规律的重要窗口。读者渴望知道现在社会发生了什么，前沿科技到了什么地步，成功人士是如何思考的。因此，新出版的传记、科技科普和当代小说占据了绝对的主流。 2.日本人：将阅读作为公共生活习惯 日本人的阅读习惯是深入骨髓的。虽然在地铁上很多人看的是漫画或轻小说，但庞大的读者基数支撑起了一个健康的出版金字塔。即使是极其深度的社会学和哲学书籍，在日本也有稳定的受众。他们能够做到“娱乐阅读”与“严肃探讨”的并行。 终生阅读量极低：主播认为，绝大多数中国人可能一辈子就读了5-10本最著名的经典（如《活着》），一旦完成这些“打卡式”阅读，就不再接触新书，转而投入短视频的怀抱。中国缺乏一个持续为新书买单的成熟读者群。 功利与逃避：读书主要为了考试（教辅）或缓解心理压力（心理鸡汤）。 对真实世界的集体回避：中国读者极少阅读探讨当代社会现实深层次问题的新书或当代人物真实传记。底层大众更是沉迷于无需动脑的网络文学中寻找虚拟的情绪价值。 三、 原因 主播们在视频最后得出了一个非常悲观的结论：中国社会的整体深度阅读习惯正在走向崩溃。他们将这一现象归结为以下几个根本原因： 1.出版审查制度的负面影响：严苛的审查制度使得中国极难出版真实的当代人物传记或具有深度的非虚构社科著作（容易碰触历史定论和现实红线）。出版社为了规避风险，只能一遍遍地再版四书五经、四大名著等“安全”的老书。 2.缺乏专业权威的引导：中国缺乏像日本那样具有公信力的民间文学奖项来引导大众阅读严肃文学，导致图书市场“泥沙俱下”。 3.思辨能力的退化：在短视频的冲击和网文的包围下，年轻一代越来越排斥需要较高门槛、会带来阅读困难和认知挑战的深度严肃书籍。真正的“读书”（即通过阅读去质疑权威、探求历史真相）在中国具有一定的痛苦感甚至危险性，因此大多数人选择了回避。 PS: 1, 发达国家跟发展中国家其中一个最大的差异，还真的是民众的读书习惯和数量！多年前的一张图片，展示发达国家的人民在地铁里只看书不玩手机，后来被调侃为是因为外国的地铁手机信号差。其实信号差不差，发达国家的人民在地铁里读书的场景确实比发展中国家要常见的多。 2，发达国家的另外一个特点，就是各个群体的兴趣点非常的多样和庞杂，有喜欢看短视频的，也有喜欢看书的，相互之间基本影响不到，并且各个群体都非常的大，发展中国家就更趋于单一化，从众化。 3，我个人看书比较集中的时期只有一个就是高中阶段，为了找作文的金句和素材看通俗经典。后来大学时期以及出国后，开始看更多外国经典，但数量有限。