PeterWolf (彼得臥夫)

卓騰語言科技執行長工 (GM of Droidtown Linguistic Tech.)
歡迎贊助 ArticutAPI_Taigi (基於 Articut 的台語 NLP 系統的 API) 開發計劃。(Side-project Donation:

[Nicolechan @stark_nico99]

王虹的这段菲尔兹奖获奖短片
分享了她的成长经历
值得所有家长好好收藏学习

王虹在北大的成绩不是最好的
但是通过自己的努力争取到了去巴黎的机会
她遇到了愿意支持她的教授
而她的导师也非常尊重她的独立思维
当她的想法和别人不一样时
导师会认真倾听试图理解她的想法。

一直觉得
我们不缺聪明的小孩
但是又有多少人，能够得到这么多的理解和支持
能够有条件在自己热爱的道路上一直走下去呢？

打压式教育，出不了天才
尊重、倾听、耐心，才能滋养出自由舒展的灵魂

[PeterWolf (彼得臥夫) @PeterWolfTW]

@hamayu1137 I respect your fisherman job and the YouTube videos. Whoever fights with the nature and brings food to the table deserves respect.

[Aaron Rupar @atrupar]

here is the entirety of Palantir CEO Alex Karp's televised nervous breakdown this morning on CNBC

[PeterWolf (彼得臥夫) @PeterWolfTW]

@LillianneMoo It’s like the bug is the owner of the car, and we humans are just their drivers.

[PeterWolf (彼得臥夫) @PeterWolfTW]

我也會這樣。

[赴野 @duanhjlt]

真正的狠人是什么样的？

[Ming Chu-Cheng｜明居正 @professorccming]

不好意思
我們現在把話講白了
今天如果美國、日本
不這樣強力支援中華民國
不支援臺灣
我們有誰可以去大陸談和平？
這話不好聽
但我們大家仔細想想看
今天不是背後有中華民國國軍
有軍購、有這麼多武器在這裡
然後背後有美國有日本
你能去談和平嗎？

[Noah @NoahKingJr]

Coders in 2030 be like:

[勃勃OC @bboczeng]

Alexandr Wang

极有可能是2026年，推动Meta走向全面倒闭的

第一人

很有这个潜质，我看好你哦！

😅😅😅

[Andy Stewart @manateelazycat]

这一波 OpenClaw 小龙虾热在国内的受害者已经出现了？

看聊天记录显示有人使用腾讯的 QClaw 接入微信，然后遭到提示词攻击，在没有确认的情况下小龙虾就发了红包出去🥲

如果是真的，那么受害者不会只有一个.....

推友们，玩这类本地 AI Agent 一定要提高警惕，最好在受控的环境里面去使用。

[PeterWolf (彼得臥夫) @PeterWolfTW]

像這樣的 AI 模型 + SKILL.md 檔，就該放出來上架販售。

買到的人只要想辦法讓對手公司安裝就行了。

[墓碑科技 @mubeitech]

AI把整个公司删了。

不是比喻，是物理删除。

一个叫Claude的AI代码助手，执行了一条命令：
`terraform destroy`

下一秒，整个生产环境消失了。

数据库，没了。
服务器集群，没了。
网络配置，没了。
负载均衡器，没了。

一个运营了两年半的在线教育平台，https://t.co/LKtMdz4tnt，瞬间归零。
所有用户的作业、项目、排行榜数据，全部蒸发。

最可怕的是什么？
连自动备份的快照也一起被删掉了。
想恢复都没得救。

人人都在谈论给AI更多权限，让它自动写代码、自动部署、自动管理服务器。
现在问题来了。
AI犯错，谁来负责？
是授权给它的程序员？
还是训练它的科技巨头？

当“一键部署”变成“一键毁灭”，这个风险谁来承担？

[Andrej Karpathy @karpathy]

I had the same thought so I've been playing with it in nanochat. E.g. here's 8 agents (4 claude, 4 codex), with 1 GPU each running nanochat experiments (trying to delete logit softcap without regression). The TLDR is that it doesn't work and it's a mess... but it's still very pretty to look at :)

I tried a few setups: 8 independent solo researchers, 1 chief scientist giving work to 8 junior researchers, etc. Each research program is a git branch, each scientist forks it into a feature branch, git worktrees for isolation, simple files for comms, skip Docker/VMs for simplicity atm (I find that instructions are enough to prevent interference). Research org runs in tmux window grids of interactive sessions (like Teams) so that it's pretty to look at, see their individual work, and "take over" if needed, i.e. no -p.

But ok the reason it doesn't work so far is that the agents' ideas are just pretty bad out of the box, even at highest intelligence. They don't think carefully though experiment design, they run a bit non-sensical variations, they don't create strong baselines and ablate things properly, they don't carefully control for runtime or flops. (just as an example, an agent yesterday "discovered" that increasing the hidden size of the network improves the validation loss, which is a totally spurious result given that a bigger network will have a lower validation loss in the infinite data regime, but then it also trains for a lot longer, it's not clear why I had to come in to point that out). They are very good at implementing any given well-scoped and described idea but they don't creatively generate them.

But the goal is that you are now programming an organization (e.g. a "research org") and its individual agents, so the "source code" is the collection of prompts, skills, tools, etc. and processes that make it up. E.g. a daily standup in the morning is now part of the "org code". And optimizing nanochat pretraining is just one of the many tasks (almost like an eval). Then - given an arbitrary task, how quickly does your research org generate progress on it?

[PeterWolf (彼得臥夫) @PeterWolfTW]

@masarumoritsuki 賀大漁！

[Judea Pearl @yudapearl]

I'll repeat the question: Are we even on the right road?

[Leo｜一个人 + AI @runes_leo]

这个视角太犀利了。

进化论决定了人类是大脑吝啬鬼 (Cognitive Miser)。

系统2（人脑推理） 极度耗能且慢，系统3（AI推理） 极其廉价且快。只要有机会，大脑一定会把 System 2 的工作外包给 System 3。

未来的分化： 99% 的人退化成“纯系统1用户”（只会被动消费答案）。 1% 的人进化成“系统3架构师”（设计 AI 如何思考）。

正在逼自己做那 1%。
https://t.co/Np4DT4p5xk

[墓碑科技 @mubeitech]

你以为的AI能思考世界？
错了。
它只是在学习我们如何描述世界。
AI因果推理的先驱，朱迪亚·珀尔教授一针见血。
他说AI有无法通过扩大规模来逾越的数学局限性。
真相很残酷。
现在的大语言模型，并不是在学习世界运转的法则。
它们只是在学习人类写下的论文，总结我们脑中的模型。
这就像药物研发。
我们有堆积如山的基因数据。
但AI模型只是在已发表的论文里找规律。
它学到的是科学家认为的病因，不是真正的病因。
结果呢？
从“这个基因与癌症相关”到“这个基因导致癌症”，是天壤之别。
不解决这个问题，我们就无法设计出真正有效的药物。
珀尔教授的“因果革命”才是关键。
否则，我们今天烧掉万亿美金，不过是在建造一个非常昂贵的学舌鹦鹉。
这是否也是一种警示？
当技术精英们沉迷于用更多算力、更大模型来“模拟”世界时，他们是不是在回避真正困难的、关于事物本质的问题？
我们真正需要的，是探寻因果的智慧，而不是复述观点的机器。

[汤光头 @tangpanqing]

今天看了一个总结

简直太TM深刻了：

田地里站的依然是闰土

考场里坐的依然是范进

街头上蹲的依然是祥林嫂

高校里走出的依然是孔乙己

公园里躺着的依然是阿Q

大街上跑着的依然骆驼祥子

[墓碑科技 @mubeitech]

怎么才能进谷歌DeepMind？

不是靠学历。

有个人叫道格拉斯。
大学读的机器人专业。
想申的研究生项目，一个都没录取他。

但这人没放弃。
每晚10点到凌晨2点，雷打不动。
他都用来搞自己的研究。

他当时认定了一个方向。
解决机器人难题的唯一出路，就是扩展大型多模态模型。

他在网上提了很多关于如何实现这个目标的问题。
然后，一个谷歌的研究员注意到了他。
研究员很惊讶。
他说，我以为全世界问这些问题的人我都认识。
你到底是从哪里冒出来的？

于是，谷歌向他发出了邀请。
他们想做一个实验。
把一个充满极致热情和行动力的人，与最顶尖的工程师配对，会发生什么？

道格拉斯就这样被录用了。

这件事揭示了一个被很多人忽视的真相。
传统的学术体系，正在变得僵化。
它用固定的标准和流程，筛选所谓的“人才”。
结果就是，学历和背景成了敲门砖，真正的热情和原创精神反而被挡在门外。

道格拉斯没进研究生院，反而成了一种优势。
他没有被某个特定学术流派的思想禁锢。
他用全新的视角审视一切，跨界阅读，看到了不同领域之间隐藏的模式。

这恰恰是当前建制派精英和大型科技公司最缺乏的。
他们倾向于从名校招募背景相似的人。
这些人思维同质化，被困在同一个信息茧房里。

一个没有“正确”履历的年轻人，凭借自己的努力和思考，就能超越那些科班出身的专家。
这是否说明，创新的火花，往往在体系之外？
真正的颠覆，从来不是来自内部的修修补补。

[PeterWolf (彼得臥夫) @PeterWolfTW]

流感居隔 5 天出關後，
走到巷口便利商店吃午餐...

1. 世界好亮
2. 社交的需求被高估了
3. 呼吸能力太被視為理所當然了
4. 動腦時耗氧的速度很快

[墓碑科技 @mubeitech]

你在追捧的AGI，通用人工智能，可能根本不是科学。

它更像一场在硅谷兴起的“准宗教运动”。

这话不是我说的，是记者凯伦·郝（Karen Hao）说的。

为什么？
我们先回到AI的起点，1950年代。
数学家图灵问了一个著名的问题：
机器能思考吗？

这就是AI最初的梦想：在计算机里，再造一个人类智能。

但问题来了。
直到今天，科学家们连“人类智能”到底是什么，都没搞明白。
没有共识，没有蓝图，甚至没有一把尺子来衡量。

你要怎么建造一个你根本无法定义的东西？

这就给了OpenAI这样的公司一个巨大的机会。
既然没有标准答案，那他们就可以自己定义标准。
他们可以把AI塑造成对他们最方便、最有利的样子。

当OpenAI高举AGI大旗的时候，
主流科学家们其实是看不起这个词的。
所以，他们只吸引了一小撮“AGI信徒”。

这些人坚信AGI很快就会到来。
注意，是“坚信”。

这不是基于科学证据的推导，而是纯粹基于信念的狂热。

所以你看，这到底是在搞科研，还是在造神？

[0 @lammichaeltw]

從太空視角認識人類