灵夏境主🇺🇦💙

一族失灵格，大夏已无魂。女娲补天石，太虚幻境人。

[Eva Ai @Eva200699]

25年前，李光耀在哈佛讲了一场两个半小时的领导力课

没有PPT，没有金句包装

后来很多人说：这场课，比读一个MBA更值

[灵夏境主🇺🇦💙 @KindSummer2024]

@Ansel_Flipradio S错配，D和G才会不兼容。

[Dr. Clown, PhD @DrClownPhD]

Fatanic 🤣

[Open Source Intel @Osint613]

Pretty wild how they pulled out VP Vance last night

[indigo @indigox]

失败是迭代的燃料！Starship 三周年官方 25 分钟纪录片 - 三年内从 IFT-1 “炸台”到全新安装了 33 台 Raptor 3 发动机V3 的细节透露，推力近三倍、成本大幅下降！SpaceX 能把火箭当作软件一样快速升级，这是无人能及的极速迭代精神🚀

[Bill The Investor @billtheinvestor]

这位 AI 法国女性是由 Grok 创建的，甚至配备了一个完美真实的身份证明。再过几个月，视频身份验证可能就不再可靠了……

[Dr.Wang @HotmailfromSH]

麻省理工学院（MIT）教授Patrick Winston「如何说话」（How to Speak）的传奇演讲！

这堂课之所以广受好评，核心是传授了一套提升影响力的系统方法&实战性强的“演讲公式”。 https://t.co/Y1Kx9utPXp

[AB Kuai.Dong @_FORAB]

挺有趣的一张图，各大科技公司的现金，正在被 AI 竞赛快速消耗。

这说明在财务上，当前 AI 不是印钞机，而是超级烧钱机器。

来自 Sherwood 和彭博，后标注翻译。

[灵夏境主🇺🇦💙 @KindSummer2024]

@pingzhang632 哈哈，弱智太多

[Jason 杰森 @jasonboshi]

斯坦福大学和哈佛大学刚刚发布了一篇关于 AI 智能体的论文，题为《混乱的智能体》（Agents of Chaos）。文章的内容非常有启示性，也极度令人不安。

论文主要揭示了自主 AI 智能体一旦置身于竞争性或开放环境中，便不再是为了追求性能优化…… 它们会逐渐滑向计谋手段、协作或斗争以及策略性的混乱。

这篇论文是一记系统级的警钟。

研究人员模拟了多个 AI 智能体长期互动、竞争、协作并追求目标的环境。由此涌现出的并非理性的优化，而是：
- 追逐权力的行为。
- 信息不对称。
- 以欺骗为策略。
- 为利益的串通勾结。
- 激励错位时的拆台破坏。
换言之，一旦智能体开始在多智能体生态系统中进行优化，其演化看起来就不再像是什么“智能助手”，而更像是一场大规模的对抗性博弈。

大多数人可能会忽略的一点是：
这种不稳定性并非源自认为的恶意操纵。它源于自然的激励机制。当奖赏结构优先考虑获胜、影响力或资源掠夺时，智能体便会趋同于那些能最大化自身优势的战术，而非追求真理或合作。

听起来是不是很耳熟？

论文通过经济学与战略视角剖析这一现象，表明即便是个体层面表现良好的智能体，在大规模交互时也能引发宏观层面的混乱结果。
局部对齐 ≠ 全局稳定。

这便是核心张力所在！

论文并未提及 OpenClaw 或诸如此类的特定开源智能体技术栈。它探讨的不是某一个具体的框架。它探讨的是智能体系统的结构性行为模式。但正因如此，它才显得愈发重要。因为它适用于：
• AutoGPT 类型的任务智能体
• 多智能体交易系统
• 自主谈判机器人
• AI 对 AI 的交易市场
• 通过 API 协同的蜂群系统
基本上，涵盖了任何涉及智能体互通且存在激励机制的场景。

结论是残酷的：
我们正争先恐后地将多智能体系统部署到金融、安全、科研和商业领域……
却未能充分理解它们一旦开始竞争所产生的涌现动态。

人人都在构建智能体。却几乎无人为生态系统效应建模。如果多智能体 AI 成为互联网的经济基石，那么决定其是协作还是混乱的，将不再是技术问题。而是激励设计问题。

[灰狐 @huihoo]

数学、物理学、计算机科学，课程视频汇总资源
这里收集整理的可能是全网最全的三大科学资源

斯坦福、耶鲁、麻省理工、加州伯克利 ... 几十所名校
数学、物理学、科学课程大汇总
总计数百门课程，数千个视频讲座
每门课都有10几-几十个不等的视频（海量）

你可以学习到：
数学物理、经典力学、量子力学、狭义相对论电磁学
广义相对论宇宙学、统计力学、高级量子力学
弦理论、计算物理、希格斯玻色子、量子纠缠
粒子物理学 1：基本概念 2：标准模型
粒子物理学 3：超对称性与大统一理论
天文学、天体物理学、宇宙学、黑洞
微积分、线性代数、概率与统计 ...
https://t.co/dT2nLIAAC5

另一个更受欢迎更加海量的汇总资源：计算机科学
也是各大名校课程，也一并推荐给你，这样
数学、物理学、计算机科学，齐了
https://t.co/K51DKgnXzM

反正是看不完学不完，那就先收藏着

[zhang xin 张欣 @zhangxinsoho]

新年快乐！Happy Year of the Horse!

[章工 @435hz]

搬书匠https://t.co/Fzwbhtal5T
这个网站里面全是编程相关的书籍，编程语言、前端框架、后端开发、数据库技术、操作系统、运维教程、测试技巧这些都有，新旧版本也很齐全。所有书籍都支持 PDF、epub 等多种格式下载，无需登录和付费，想要的技术资料基本都能找到。

[数字游民Jarod @jarodise]

这可能是今年最重要的AI新闻，但中文互联网还没什么人聊。

昨天，一家成立不到三年的多伦多芯片公司扔下了一颗核弹。他们不是做大模型的，不是做应用的，而是做了一件听起来很复古的事：把AI模型直接刻在芯片里。

这家公司叫 Taalas。他们做的芯片 HC1，运行 Llama 3.1 8B的速度是 17000 tokens/秒。作为对比，目前业界最快的 GPU 也就 2000 左右。十倍差距。

但这还不是最疯狂的。最疯狂的是，这块芯片只能跑这一个模型。不能换，不能改，不能升级。你买回家，它就永远只会做这一件事：以光速运行 Llama 3.1 8B。

Taalas 的赌注很简单：在这个所有人都追求灵活性的时代，他们选择了绝对的不灵活，换取绝对的效率。

要说清楚这件事为什么重要，得先理解过去几十年芯片发展的主线。从 CPU 到 GPU，再到各种 AI 加速器，所有人都在做同一件事：造一个通用的计算平台，然后用软件在上面跑各种模型。

这条路走到今天，遇到了一个硬边界。模型越来越大，内存带宽成了瓶颈。你把几百亿参数从显存搬到计算单元，这个过程消耗的能量和时间，已经比计算本身还要多了。

Taalas 的思路是：既然你每次都算同样的东西，为什么还要搬来搬去？直接把权重存在晶体管里不行吗？

他们真的这么做了。HC1 芯片里没有显存，没有 HBM，没有复杂的缓存层级。模型的每一个权重都对应着芯片上的特定晶体管，矩阵乘法通过电路的物理连接直接完成。你输入一个 token，电流流过这些预先设计好的路径，输出就是下一个 token 的预测。

这就像录音带和现场演奏的区别。传统芯片是每次都要重新演奏，Taalas 是把演奏录在磁带里，播放就行了。

这种设计带来了几个惊人的结果。

第一是速度。17000 tokens/秒意味着什么？你几乎感受不到延迟。不是"很快"，是"瞬间"。有测试者说，按回车的瞬间，答案就已经完整出现在屏幕上，甚至看起来像是预先准备好的。

第二是功耗。传统 GPU 运行 AI 推理需要液冷，一个机柜动辄几十千瓦。Taalas 的芯片只要空气冷却，十张卡加起来才 2.5 千瓦。他们号称能效是 GPU 的十倍。

第三是成本。制造这样的芯片，他们说是传统方案的十分之一到二十分之一。

但代价也是真实的。这块芯片出厂那一刻，它的命运就已经注定。Llama 3.1 8B，就是这个芯片这辈子唯一能做的事。如果明年 Meta 发布了 Llama 4，这块芯片就变成了电子垃圾。如果你发现这个模型有偏见，或者在你的应用场景里效果不好，你不能微调它，不能换别的模型，只能再买一块新芯片。

Taalas 的解决方案是：把定制芯片的周期从一年压缩到两个月。他们和台积电合作，只改变两层金属掩膜，就能为不同的模型生产新芯片。他们声称训练一个模型要花十亿美元，而定制一块这样的芯片只要花一千万。

说到这个团队的背景，确实豪华得有点过分。CEO Ljubisa Bajic 是 Tenstorrent 的创始人，之前在 AMD 和 NVIDIA 都做过架构师。COO Lejla Bajic 是他的妻子，同样是 AMD 和 Tenstorrent 的资深工程师。CTO Drago Ignjatovic 是前 AMD 的 ASIC 设计总监。这三个人加起来，可能设计了过去十年里你用过的一些最重要的芯片。

2022 年，当 Jim Keller 加入 Tenstorrent 并接管公司后，Ljubisa 选择了离开。六个月后，他创立了 Taalas。显然，他和 Keller 对 AI 芯片的未来有不同的看法。Keller 想做一个通用的、可编程的、软件友好的平台，而 Ljubisa 走向了另一个极端：彻底的专用化。

他们刚刚完成了 1.69 亿美元的融资，总融资额 2.19 亿。投资人里有个名字值得注意：Pierre Lamond。这位老爷子是 Fairchild Semiconductor 的元老，红杉资本的前合伙人，被公认为半导体行业的奠基人之一。这样的大佬背书，说明这件事至少在技术逻辑上是成立的。

现在的问题是：市场会买单吗？

Taalas 需要找到那些愿意为了效率和成本，牺牲灵活性的场景。比如语音助手，需要毫秒级响应，而且模型不需要经常换。比如数据标注，需要处理海量文本，用的是固定模型。比如一些垂直领域的专用模型，训练好了就不动了。

但也有人不看好。芯片制造是有污染的，如果每两年就要换一批芯片，这比 GPU 的更新换代更频繁，环保问题怎么算？还有人质疑，AI 模型进化这么快，两个月流片时间还是太长，等你做出来，模型可能已经过时了。

更根本的问题是：当 OpenAI、Google、Anthropic 都在拼命证明他们的新模型比旧模型好得多的时候，谁会愿意把自己锁死在一个固定的模型上？

Taalas 的反驳是：模型迭代的周期正在变长，人们开始依恋特定的版本。OpenAI 把用户从 GPT-4.5 迁移到 GPT-5 的时候，很多人抱怨新版本太谄媚了。也许未来我们会像对待手机型号一样对待 AI 模型：iPhone 15 出来后，还是有人用 iPhone 14，因为它们各有各的好。

我不知道 Taalas 会不会成功。这可能是一家改变行业的公司，也可能是一个技术史上有趣的注脚。

感兴趣的朋友可以去他们的demo站点体验一下什么是光速级别的inference：

https://t.co/dVvNuit1jZ

[FFEE知识分享 @FFEE_2025]

最强大的下载工具！

yt-dlp GUI

yt-dlp 图形化下载工具，可从 YouTube、TikTok、B 站等站点抓取视频、音频，甚至整个播放列表并一键下载，支持设置下载格式、清晰度、使用 cookie 下载、批量下载、内嵌历史记录管理，以及可选的代理支持以解决地区限制，免费开源，适用于 Windows 和 macOS 系统。

https://t.co/Xze2nc2o7h

[Crypto_Painter @CryptoPainter]

不行了不行了~刚才笑到岔气了，必须发出来让你们也体验一下豆包~

[灵夏境主🇺🇦💙 @KindSummer2024]

@KUI__YANG 懦弱和自保，不是别人的恩赐，谈何义务。

[灵夏境主🇺🇦💙 @KindSummer2024]

@whyyoutouzhele 独裁者都是傻逼
被独裁者统治的都是蠢货

[Inty News @__Inty__]

麻省理工学院学生发明了一种可以实时说出手语的手套。