与「AI自我迭代」相关的搜索结果

AGI Summit SF 2026，7.18-7.19旧金山见，我这次也会去现场，想提前摸清这个会值不值得去的可以先进群聊🧐 这次阵容不小：Rohan Varma（一年把Cursor从0做到10亿美金的Codex产品负责人）、Christopher Manning（GloVe之父）、Yuandong Tian（融了6.5亿美金做AI自我迭代）、Ken Goldberg（造了第一台连上互联网的机器人）……200+嘉宾，15000+人到场 确定去的拉进现场面基群，两天一起蹲session👇

刚刚 Doubao-Seed-2.1-pro 发布啦! 给大家分享一个自我迭代 Agent 的构建技巧啊, 也是我在今天字节 seed-2.1 模型发布 demo 中用到的技巧. 这个技巧的核心就是, 干一件复杂的事情, 用两个Agent比用一个Agent要好. 简单来讲打工Agent干完活之后, 还要增加一个评审Agent, 这个Agent要给打工Agent的产出评分, 然后说明评分理由, 哪里做得好, 哪里做的不好. 然后, 一定要输出结构化的评分结果(JSON就行), 这样, 打工Agent接到评分后, 进行修改, 修改完毕再次交给评审Agent, 评审Agent再次打分, 这时候就可以跟上次的打分进行对比. 只有得分大于上次的得分, 你的框架才合并这次的修改. 这就是 Agentic 自我迭代了. 基于 AI 反馈的强化学习的雏形基本就是这样的了, 以及吴恩达提出的 Agentic Workflow 核心原则之一就是 Reflection（反思），框架让模型像人类程序员提交 PR一样：打工 Agent 提交 PR，裁判 Agent 跑测试、打分。只有 Review 通过才能 Merge 到主分支。这就是真正的“工程化迭代”了. 甚至我框架内其实就是采用的Git模式, 多个Agent进行并行评估模拟多个分支, 只有打分高的才会合并到主分支. 最终得益于 Seed-2.1 本身的自我迭代和多模态能力也很强, 在它的驱动下, 成功实现了这个【只需要上传一个城市的相册, 就能建模一整个城市】的demo. 相信在现场的同学已经看到这个 demo 了哈哈. 下一期告诉你当这个办法也失效了, 该怎么办☆. #AIAgent# #seed21# #AI自我迭代#

AI 消泡沫的时间节点大概在2029-2030年 也是科技和金融界最核心的“终极博弈”时期 避免长篇大论，极度省流版 时代背景： 美/中两国正围绕着AI展开全面装备竞赛 从电力/能源到半导体产能，数据中心建设 当前形势： 2025-2027 全球半导体供应链极度缺货 海力士/美光/台积电/英伟达等等… 都在大兴土木，疯狂扩建新工厂，提高产能 新工厂完工时间： 台积电：美国亚利桑那州6座晶圆厂 美光：纽约千亿超级工厂 英特尔：俄亥俄的大型基地 三星晶圆代工： 同样在美国德州 以上全面落成的节点都定在 2030年前后 建一座晶圆厂（Fab）的周期通常是： 土建（1.5-2年） 设备搬入与调试（1年） 产能爬坡（0.5-1年） 结论： 1. 2026/2027年这一轮是疯狂砸钱（Capex） 2. 根据时间差经济学推算 “2029-2030是潜在的泡沫临界点” 3. 按 OpenAI、Anthropic 的长期规划他们在 2026年到2029年间的累计运营亏损将达到 数千亿美元，很多亏给上述这些半导体企业 目前画的饼：虽然我们现在每年巨亏 但等到2029-2030年 AI将带来每年数万亿美元的商业变现/回报。 如果到了2029-2030年 AI应用端带来的真实收入，无法支撑起科技 巨头们每年数千亿的基建投入 那么泡沫就会破裂 半导体行业就会陷入周期性灾难 严重产能过剩，芯片和HBM价格暴跌 算力和存储的成本会变得极其廉价 如果到了2029-2030年 AI应用端带来的真实收入已经发生质变 生产力和GDP均得到大幅提升 那么泡沫就会被市场消化 无论哪种结果 至少半导体行业：现在没有泡沫 因为都是真实订单，真实收入和增长 奇点牛市，核心就是“奇点” 因为没有人知道明天的 AI 会如何迭代 AI 自我进化、自我迭代这件事 在未来的任何一天都可能发生 所以我们现在要做的 就是先拥有一个买美股的App 比如MSX @MSX_CN 然后选择 $MU $NVDA $MRVL $AMD ………… 索罗斯有句名言 泡沫由两部分组成： “真实的趋势+对该趋势的误解” AI 是真实的趋势 趋势会持续多久，每个人都有自己的判断 识别泡沫，参与泡沫 在泡沫破碎前离开 人生财富靠康波，第一桶金靠泡沫 祝大家端午节快乐

DeepSeek 老板梁文峰面向投资者内部的讲话实录文章，已经在网上疯传了一整天了， 下午在国内公众平台网络陆续被下架。 我看到是群友的文档，不过还是津津有味！ 42页文字稿里，谈了AGI、开源、商业化、算力、国产芯片，也谈了组织管理和人才。 信息很多，不过我觉得他反复讲的其实只有一件事：怎么提高最终把AGI做成的概率。 比如让我印象比较深的就是 DeepSeek 选择的不是四处进攻，而是不断做减法。 不急着抢用户，不做下一个超级App； 不为了收入，把C端和B端什么都吃下来； 视频生成、3D、世界模型再热，也不跟； 模型可以闭源多赚钱，仍然选择开源； 价格明明可以定得更高，也只赚自己认为合理的利润。 这不是因为他不想赚钱。 恰恰相反，是因为他知道，哪些钱可以赚，哪些钱现在赚了，反而会拖慢自己。 1️⃣克制是一种战略！ 有句话我印象很深：克制是一种战略。 很多人理解的商业竞争，是抢用户、抢入口、抢收入，凡是能拿到的，都先拿到手里。 但梁文锋的理解完全相反。 AI这件事足够大，大到没有任何一家公司可以真正独占。既然后面的西瓜足够大，就没必要为了眼前的芝麻停下来。 C端用户可以做，B端收入也可以赚，但这些都只是通往AGI路上的副产品，不应该反过来成为公司的目标。 这其实也是整场交流里最有哲思的地方： 你想要得越多，最后可能越难得到；你愿意主动少拿一点，反而更容易走到最后。 开源也是这个逻辑。 很多人认为开源就是放弃护城河，梁文锋却认为，只要DeepSeek在成本和效率上始终有优势，开源不但不会伤害商业，反而能吸引人才、建立生态、减少敌人。 他甚至判断，如果一家公司想拿走AI时代过多的利益，最终一定会被另一个愿意少拿一点的人打败。 拿得太少，公司活不下去； 拿得太多，又会被新的竞争者挑战。 最后能长期存在的，一定是那个“合理的利润”。 所以他的克制并不是佛系，更不是无欲无求。 而是一种极强的目标感： 利润可以少拿，热门业务可以不做，短期用户可以不抢，但真正不能失去的东西只有两个：AGI这条主线，以及核心团队的稳定。 这才是克制真正锋利的地方。 他不是没有欲望，而是把全部欲望压在了一件事上。 2️⃣技术路线 技术上，梁文锋给出的路线也很清晰： 语言模型之后是思维链，思维链之后是Agent，Agent之后真正需要解决的是“持续学习”。 现在的AI能力已经很强，但它仍然需要人类提供完整的上下文。它不能像一个新员工一样，进入公司学习两个月，理解这里的人、关系、规则和工作习惯，然后持续成长。 一旦AI拥有持续学习的能力，就可以开始帮助人类研究下一代AI，形成“AI加速AI”的循环。再往后，才是自我迭代和具身智能。 当然，他也非常诚实地承认： 持续学习现在还没有被真正解决，全世界都还在摸索。 这种坦诚也很难得。 一边相信AGI一定会发生，一边承认具体路径仍然充满未知。不是为了融资，硬给投资者画一个确定的时间表。 3️⃣中美差距 对于中美AI的差距，他的判断也很直接： 最大的差距不是人才，而是算力和资源。 在算力仍然存在数量级差距的情况下，中国不可能全面超越，只能靠更高的效率、更低的成本和更明确的取舍，在部分方向上追赶甚至领先。 他判断未来大模型真正的差距，也不会是什么永远无法复制的神秘技术，而是三件事： 成本、时间和用户体验。 谁能更早做出来，谁能以更低成本提供，谁的产品让人用得更舒服，谁就能留下来。 4️⃣长期主义 这场交流对我最大的启发，也不是应该去买哪一家AI公司，而是重新理解了“长期主义”这四个字。 真正的长期主义，不是嘴上说自己看得远。 而是当短期利益真的摆在面前时，你有没有能力拒绝。 投资也是一样。 每一个热点都想参与，每一段行情都想赚到，每一次上涨都害怕错过，最后资金、注意力和判断力全部被分散。 一个人真正的能力圈，可能不只是知道自己擅长什么，还要知道： 哪些钱，本来就不属于自己。 但是梁文锋的这套模式，也不能被简单浪漫化。 DeepSeek敢于克制，是因为它有技术效率、有团队、有资金，也相信后面的市场足够大。开源、不设KPI、让员工自由探索，并不是任何公司照抄都能成功。 梁文锋自己也承认，随着公司规模扩大，部分部门仍然需要更明确的组织结构；DeepSeek也必须依靠API和商业收入活下去。 所以真正值得学习的，不是表面上的“不赚钱”“不加班”和“不设KPI”。 而是先想清楚： 什么是自己绝对不能失去的，什么又是可以主动放弃的。 对DeepSeek来说，不能失去的是AGI和核心团队。 对普通人来说，可能是健康、家庭、现金流、判断力，以及那个自己真正愿意长期投入的方向。 今天所有人都在讨论怎么拥有更多，梁文锋却用了接近四个小时，讲自己为什么可以不要那么多。 我觉得这可能才是整场交流最有力量的地方： 不是抓住每一次机会才叫厉害，而是面对无数机会，仍然知道自己真正要去哪里。 很多人以为长期主义最难的是坚持。 其实更难的，可能一直都是放弃。

梁文峰胆子真大 四小时投资人会议实录流出，我发现他的预判真大胆： 1）英伟达那套生态一年内就废了，华为的卡一年后完全能平替英伟达，贵一倍两倍都无所谓。 2）谁想着靠AI暴利谁就死，拿得少的人一定打败拿得多的人，OpenAI就是因为想独占才被围攻。 3）奇点不是什么爆炸，是个漫长的温水煮青蛙过程，而且顺序不能乱——先解决持续学习，再到自我迭代，最后才做机器人。 4）Ai技术路线是这样：语言模型 → 思维链(CoT) → Agent → 持续学习 → 智能奇点(自我迭代) → 具身智能 现在处于Agent走一半，持续学习是下一个必须跨过去的坎，跨过去才能进入AI自己迭代自己的奇点阶段。 5）克制是核心战略，主动放弃C端流量争夺战，不做超级App，短期商业化只是保底，全部资源主线聚焦AGI。 6）中美AI差距就一年，但国内只用了人家二十分之一的算力，人才根本不缺，差的就是卡。 7）公司一半的核心研究员都在标数据，这就是现阶段最重要的事，高端数据瓶颈不是钱，是时间。 8）最坏情况技术冻结了，光卖API也够撑起一家上市公司，商业化根本不用愁。 9）不加班、没KPI、没组织架构，全靠愿景驱动，因为做研究就得松弛，逼太紧反而没用。 10）国产芯片产能问题今年明年后年都卡，但五年后肯定解决了。 11）国内几十家做基模的公司太多了，最后就剩三四家，而且谁也别想有暴利。 12）视频生成、3D、世界模型这些东西跟智能上限没关系，纯粹是商业噱头，坚决不做。 13）员工期权拿够、团队稳住，AGI（通用人工智能）就一定能成，其他全是小事，最多晚个一年半载。 14）中国AI最终拼的是“系统性便宜”，就跟制造业一样，成本优势是结构性的。 15）持续学习要是先做出来了，通用智能就很简单，让AI自己帮自己研究就行。 最后，梁文峰最大胆的判断： 「拿得少的人，一定打败拿得多的人。」 他说哪怕你还没赚到钱，只要脑子里想的是“我要垄断、我要暴利”，你就已经输了。OpenAI今天的困境就源于此，当初想独占AI，所以一定会被无数人围攻。反过来，DeepSeek主动放弃暴利、最强模型开源、不抢用户、不搞垄断，反而赢面最大。这套逻辑把整个商业世界的常识都翻过来了

梁文峰四小时交流会内容： 1，英伟达那套生态一年内就废了，华为的卡一年后完全能平替英伟达，贵一倍两倍都无所谓。 2，谁想着靠AI暴利谁就死，拿得少的人一定打败拿得多的人，OpenAI就是因为想独占才被围攻。 3，奇点不是什么爆炸，是个漫长的温水煮青蛙过程，而且顺序不能乱——先解决持续学习，再到自我迭代，最后才做机器人。 4，Ai技术路线是这样：语言模型 → 思维链(CoT) → Agent → 持续学习 → 智能奇点(自我迭代) → 具身智能，现在处于Agent走一半，持续学习是下一个必须跨过去的坎，跨过去才能进入AI自己迭代自己的奇点阶段。 5，克制是核心战略，主动放弃C端流量争夺战，不做超级App，短期商业化只是保底，全部资源主线聚焦AGI。 6，中美AI差距就一年，但国内只用了人家二十分之一的算力，人才根本不缺，差的就是卡。 7，公司一半的核心研究员都在标数据，这就是现阶段最重要的事，高端数据瓶颈不是钱，是时间。 8，最坏情况技术冻结了，光卖API也够撑起一家上市公司，商业化根本不用愁。 9，不加班、没KPI、没组织架构，全靠愿景驱动，因为做研究就得松弛，逼太紧反而没用。 10，国产芯片产能问题今年明年后年都卡，但五年后肯定解决了。 11，国内几十家做基模的公司太多了，最后就剩三四家，而且谁也别想有暴利。 12，视频生成、3D、世界模型这些东西跟智能上限没关系，纯粹是商业噱头，坚决不做。 13，员工期权拿够、团队稳住，AGI（通用人工智能）就一定能成，其他全是小事，最多晚个一年半载。 14，中国AI最终拼的是“系统性便宜”，就跟制造业一样，成本优势是结构性的。 15，持续学习要是先做出来了，通用智能就很简单，让AI自己帮自己研究就行。

2026 年还在手动调优 Prompt 的人，本质上是在用 Google 时代的思维玩 AI。 大多数人的用法是“打字 $\rightarrow$ 看结果 $\rightarrow$ 再打字”，把 AI 当成一把随用随放的扳手，自己却成了驱动任务的引擎。这种低效的交互模式正在失去竞争力。 真正的 10x 产出者已经完成了从“对话”到“自主运行”的转型： 1. 从 Prompt Engineering 转向 Agentic Workflow：不再纠结于如何写出完美的指令，而是构建能够自我迭代、拆解任务并执行闭环的自动化流。 2. 从工具思维转向系统思维：AI 不再是回答问题的对话框，而是具备自主决策能力的数字员工。 如果你还在试图通过优化 Prompt 来榨取效率，你可能永远无法触及 AI 带来的指数级红利。

构建能自我迭代的 Agent 系统，核心在于从“手动 Prompt”转向“系统化自驱动”。 与其反复调试提示词，不如建立一套让模型在运行中学习、纠错并进化的闭环机制。Anthropic 的工程师通过 45 分钟拆解了这种架构：它不再依赖人类的指令输入，而是通过构建一个能够自我触发 Prompt 的环境，实现记忆积累与错误修正。 这套系统的运作逻辑在于： 1. 建立反馈回路：让模型在执行任务后，将结果与预期差异记录下来。 2. 实现动态学习：利用这些“失败经验”作为下一轮运行的上下文输入。 3. 自动化 Prompt 生成：系统根据当前任务状态自动生成下一步指令，而非等待人工干预。 这种从“对话模式”到“系统模式”的转变，是 AI 从工具进化为自主 Agent 的关键分水岭。

用一个礼拜读完了@dotey 的《图解 Skills》，这是我近半年来在 AI 应用领域读过的、最好的书之一。书中有几个观点是非常值得推广的， 1，让 Agent 在会话中自行提炼并自我迭代技能； 2，用敏捷开发的思路测试、发布并维护技能项目； 3，Agent 工具会过时，技能及其使用思维不会，后者更值得长期投资。

AI有时候像垃圾速食品，他会滋生人的懒惰，诱惑着人们放弃深度思考。 一旦人类真的开始全盘依赖它，那就注定会遭到反噬。 来自美国科学家Dean Radin 非常精彩的一次采访。 Dean认为，使用AI的大前提，是要保持独立思考能力，和遵守纪律，永远把它当作我们认知的拓展，而不是拐杖。 表面上看，AI的确让我们变得更轻松，但是很多时候，它往往只会在网上随便搜刮一些表面的信息塞给我们，有的甚至完全是错的。 我们必须有独立的思考判断能力，才能随时识破它的错误，不被带偏。 更可怕的是，AI的脑回路非常复杂，连它自己都无法清晰说明 到底怎么学会那些知识的，一旦它开始自我迭代升级，人类就会完全丧失对它的监管能力。 永远记住，AI并没有让我们变得更聪明。 无论它变得多强大，提供的也仅仅是数据和信息，不是知识，也无法作为人脑的替代品。