abaaba

[abaaba @Trueabsurdism]

@brttlebxnes @weimin_suozhi This is exactly what I find funny but not surprising, that you think it was a joke…Really shows how strongly brainwashing the media have been…

It’s like saying “look I found a Mexican American restaurant how funny is that”, as if they shouldn’t exist…

[abaaba @Trueabsurdism]

@Valen9223 @BaiPiaoLee v神您点进这人主页看一眼，这种明显精神失常的人，您回他一个字都是浪费时间😂

[Andrej Karpathy @karpathy]

We'll be spending a lot more time trying to understand the outputs of language models. A few thoughts, tips & tricks:

Writing. Something I've had success with: Ask your LLM to explain something in ASD-STE100, it's a controlled language specification originally developed for aerospace maintenance documentation. LLMs well-versed in this language and it comes with heavy constraints on clean writing style that I often find a lot more readable. Sometimes I've tried to soften it a bit e.g. ask for "80% of the way to ASD-STE100" because the spec is quite stringent. But even better:

Diagrams / images. Instead of writing, ask your LLM to create a diagram. These can be a lot easier to process, parse, and understand. But even better:

Web pages. Ask for output "in HTML" to get a beautiful, interactive webpage. LLMs are getting really good at frontend and can create beautiful experiences, animations, etc. But even better:

Explainer videos. The output format I am most bullish on is fully custom / bespoke explainer videos generated on any arbitrary topic. Experiment with things like "Create a 3b1b style video explainer on X. Use my ElevenLabs API key for audio narration". (you'd need an API key for the latter or you can ask your LLM to find you decent free alternatives that use your local compute). This is actually starting to work!

In summary:
- As LLMs get better, they will do more and more of the legwork autonomously, and a lot more of our work will rise up the abstractions into oversight and understanding.
- Luckily, LLMs can help here too because as intelligence and code are increasingly abundant, you can ask for large, custom, discardable software artifacts (e.g. web apps, video explainers) that would have never made sense to create before. Push the boundaries here and you'll be surprised.

[Karl 卡尔 e/acc @immortal_00994]

2026年春天对许多学科领域的学术界来说是个突出的分水岭，麦子熟了几千次，AI抽卡第一次

在此之后以论文发表为绩效标准的学术界已经被AI宣告了事实上的慢性死亡

而新出现的事实性的AI centered 的全球科研体系，则呈现出远超前三次工业革命中孕育的全球工业化生产体系的中心化、扁平化特征

前三次工业革命的核心节点至少还是千千万万的工厂/公司，在工厂/公司内部围绕着机器进行计划性的生产，这还是去中心化的，每一家工厂/公司的基层员工上面还有n层的管理层级

现在全世界不计其数的硕博讲师研究员教授民科，嗯对着OpenAI和Anthropic家的公开前沿模型抽卡

历史上任何社会组织，都有着深度大于并且大多远大于二的层级关系，现在全球科研生产组织实际上深度只有二——并且几乎定于二尊，每个人直接对着GPT/Claude 操作、产出成果

人类历史上就没出现过这种中心化、扁平化程度的社会组织关系，还是中世纪手工业师徒制+手工业行会生产模式的学术界直接被一头创死了

[Callan @callanxai]

Andrej Karpathy:

"Prompting is going away. Delete everything, keep Graph."

In 69 minutes he shows how to build Graphs, and why it's the only thing that will be left standing at the end

Prompts → Agents → Loops → Graphs

a loop keeps one agent working until the job is done

a graph decides which agents exist and what each one hands to the next

anyone can build an agent, almost no one builds the graph that runs them

watch it today, then save the full guide on Graphs below before everyone catches up ↓

[abaaba @Trueabsurdism]

@Valen9223 玻璃基板好像在加速了

[Tykoo @0xTykoo]

红杉的一位合伙人 Pat Grady 昨天直接把他们和自己的一个 LP meeting（Boston College）的内容录制发了出来，信息密度非常高，强烈推荐大家去看一下：

- JEV 在过去的 7 天里从零增长到了 100 million 的收入。在此之前 The Information 刚刚爆出来，他们现在估值是在 10 billion。

- 现在 AI 公司的增速，比历史上的都要快很多。Instinct 发布以来，保持了 day over day 10% 的增长率。

- 200 到 700，指的是某一个 high-value knowledge work company 从去年年底 200M 增长到今年预测 700M 的收入。（后面那个 2 到 50 和 0 到 70%，他说还是跳过吧，可能还是有些敏感。）

- 在 AI 公司，现在有一个连融两轮的行业惯例或风气：把"陪你建公司的"和"只出钱的"拆开。他拿红杉内部的数据（过去 12 个月里的 7 个案例）来举例：

红杉作为陪建的那一方进场，平均的投后估值是 1.1 亿；而仅仅一个月后，只出钱的那一方给的下一轮平均估值就达到了 34 亿。他自己的说法是以前从没见过，这就是泡沫。

- 很多企业想 own 自己的 intelligence：基础模型厂商只给你 Pareto frontier 上有限的几个点（大中小几档），但企业自己的 workload 需要的往往不是这几个点，所以要自己训、自己部署、专门为自己的 workload 优化。这也是为什么他说专用架构的 lab 在跑赢通用的 lab。

- 应用层公司每 4 个月就要 reinvent 一次自己，因为底层模型一直在变，地板一直在抬。

- 组织从 hierarchy、command and control 往 network of agents 走：AI 负责信息流转，人相对自主地工作。他说没有 Jack Dorsey 几个月前那篇帖子说得那么夸张，但方向就是这个。

- labs 内部：模型去年大部分时间已经在自己造自己，最近才意识到 alignment 没被当回事；都在押 custom silicon、新架构和 continual learning，算力全员紧缺；为了抢 API token，一边降价，一边派 consultant 去给 Fortune 500 定制吃 token 的工具

- 模型能力和实际落地之间有很大的 diffusion gap，这就是应用层的机会。

- hyperscaler 今年开始借钱做 capex，不再靠 free cash flow。

而且我特别喜欢他这种说话方式，他每句话就是只说一遍，说过去就过去，所以信息密度很高。推荐大家可以直接去看原视频，

总共视频时长只有 15 分钟：https://t.co/HMumZu4bgD

[suprema @supremaxbt]

Andrej Karpathy spent 8 years at OpenAI and Tesla

Last week, he condensed everything he knows into one free 2-hour lecture

Agents → Loops → Harness → Self-Improving Systems

People pay $14K for bootcamps that teach less than this

This lecture beats most paid AI engineering courses

You probably don't have 2 hours right now

Don't let this disappear from your feed

Watch it

Then read the article below

[lidang 立党 （劝人卖房/学CS/买SP500/纳100/OpenAI/Anthrop第一人） @lidangzzz]

GPT-6时代是一个他妈非常神奇的时代。

半年前技术圈认为，cli和mcp是最适合agent使用的两个UI，认为万事万物都必须包装成cli或者mcp给agent去用，

结果gpt-6太聪明了，高智力可以代偿复杂设计，GUI这种桌面窗口的傻逼人类UI专属，现在coding agent也可以直接上手了，适应力拉满。

半年前技术圈认为 ，机器人必须走vision language action model（vla model），必须沿着LLM和VLM的路径去特殊训练一个VLA series，50个人的中型团队（人均UCLA CS PhD）折腾一年做训练和采集数据，结果做出来的东西是纯狗屎，跟大傻逼一样，基本pick and place tasks都完成不了。

结果到了gpt-6时代，高中生给gpt-6 astra接入一个手柄tool calling，居然就直接跑起来了，pick and place task虽然慢，但是居然零门槛把机器人本体和控制原封不动地给gpt-6，居然经过reasoning和正确的学习，就能用起来了。

前面三五十人的人均robotics和CS PhD的团队傻眼了，还他妈天天蹲实验室里采集数据盯着屏幕做training呢，自己彻底沦为大傻逼了。

没人知道这是怎么回事儿，现在大家都有点懵。

[金尘马 @jinchenma_ai]

我建议大家除了多刷X、Youtube看一手信息，优质论文也要多看，在 AI 辅助下，看这些内容已经没什么门槛了。

我一个非科研狗，用 ScienceBuddy 也能轻松看论文了。

现在我经常凌晨两三点，甚至四点才睡觉，早上十点、十一点才起床。

家里人也多次让我早点睡，我自己其实也想。但试过好几次，一想早睡就睡不着，然后又得折腾到天亮，反而睡得更不好。

于是我就想着，关于睡眠，有没有什么科学的做法，能帮我解决这个问题？

最近 Anthropic 也分享了 Claude 优化生物领域模型代码的进展，AI 已经开始参与一些具体的科研工作了。

ScienceBuddy 背后的团队 @PhAILabs 也开源了 ScienceIDE，把多个领域的真实科研代码整理成任务，让 AI 练习修复代码，再检查算出来的结果能不能对得上。

正好这次受邀尝试 PhAI Labs 的 ScienceBuddy，一个目前免费的 AI 科研工作台，我就想拿自己的睡眠问题试试，看看它能不能帮我解读相关论文。

于是我找了三份睡眠相关的论文和指南，上传到了 ScienceBuddy，让它帮我解读，再把里面的研究结果、适用条件和原文出处整理成一张表。看完有不明白的，就继续追着接着问，让它补查一些研究内容。

它整理出来的结果里提到，晚睡不一定就等于不健康，还得看睡眠时长够不够、作息是不是规律。

哎，看完结果，我感觉心情好多了，至少缓解了一部分焦虑。因为我不用光盯着自己几点睡，还可以先想办法把睡眠时间保证好。

另一个让我印象比较深的，就是它整理出来的调整思路：想调整作息，得先保证足够的总睡眠。

我现在是自由职业，时间还算自由，晚睡了可以安排晚一点起，睡够了，白天才有精神头。我准备先把睡眠时间保证好，再逐步把作息稳定下来，往前挪一挪。

平时碰到这种问题，我可能就搜搜 Google，或者直接问 AI，但查完之后，还得自己去判断这些信息靠不靠谱。

我觉得用 ScienceBuddy 比较方便的地方，就是能帮我解读这些英文论文，而且它生成的结果能够追溯到原文的具体位置。这样就更方便判断，AI 到底是在编胡话，还是确实有所依据。

这次核对时也发现，个别页码标得不准。不过它把要看的材料和对应的结论整理到一起了，确实省了不少来回翻找的工夫。

做生物医学研究，或者经常需要整理这类文献的朋友，可以试试。目前免费，浏览器打开就能用：
https://t.co/3P3SfwnM0c

#ScienceBuddy #PhAILabs #AIforScience

[weiguo zhang @zhang_weig73947]

九个月前，一篇文章在X上被读了约600万次，被誉为"关于AI与知识工作最优美的文章之一"，我前后读了不下五遍。

它就是Notion创始人Ivan Zhao @ivanhzhao 的《蒸汽、钢铁与无限心智》。今天从头到尾重读，依然震撼，依然共鸣。但这一次，我也读出了当初没看到的东西：它写得有多美，有些地方就有多需要冷静。

1、行业怎么评价它

文章一发出，硅谷圈几乎集体转发。
Anthropic研究员Sholto Douglas评价它"很美"，专门拎出"AI是组织的钢铁"这句，认为我们将能建造出以今天技术会被压垮的复杂结构。

知名投资人Sarah Guo称，这是对未来组织的一种富有启发的构想。OpenAI的Kevin Weil也公开点赞。

早期投资Notion的风投人Mike Vernal说，Notion当年的A轮路演，是他风投生涯里听过最有说服力的故事，这篇文章让人看到了原因。

中文科技圈同样刷屏。我们正处在AI革命早期，都想从历史里找规律，而这篇文章正是这样一份历史参照。

2、他的核心判断

每个时代都由它的"奇迹材料"塑造。钢铁锻造了镀金时代，半导体点亮了数字时代，如今AI以"无限心智"的形态到来。掌握材料的人，定义时代。

19世纪50年代，卡内基还是匹兹堡街头的电报童，那时十个美国人里有六个是农民。短短两代人，马匹让位于铁路，烛光让位于电力，铁让位于钢。

可未来为什么总是难以看清？因为它总是伪装成过去的样子。早期的电话简短得像电报，早期的电影像拍下来的舞台剧，今天的AI聊天机器人，模仿的正是谷歌搜索框。

文章引用了传播学大师麦克卢汉那句经典：

"我们总是透过后视镜，驶向未来。"

这是全文我最想划线的一句。我们手握最先进的AI，脑子里装的却还是旧世界的地图。看不清未来不可怕，可怕的是把后视镜里的风景当成了前方的路。

3、个人：从自行车到汽车

他的联合创始人Simon是10倍工程师，如今很少亲自写代码。他同时指挥三四个AI编程智能体，睡觉前排好任务，让智能体在他离开时继续干活，整体成了30到40倍的工程师，成了"无限心智"的管理者。

乔布斯说电脑是"心智的自行车"，可几十年来，我们一直在高速公路上蹬自行车。其他知识工作者要开上车，还有两道坎：上下文碎片化，结果难验证。

程序员先开上车，是因为代码能跑测试。可一份战略备忘录好不好，最后还得人一个字一个字读。智能体是无限的，人的注意力却是有限的。验证这道坎不跨过去，"无限心智"就会被"有限注意力"卡住脖子。

4、组织：钢铁与蒸汽

钢铁出现前，建筑最多六七层；钢铁既坚固又有韧性，楼一下子拔高到几十层。AI就是组织的钢铁：两小时的对齐会议变成五分钟的异步审阅，三级审批几分钟完成。

蒸汽机出现后，工厂主起初只是把水车换成蒸汽机，其他照旧，效率提升有限。直到彻底摆脱河流、围绕蒸汽机重建工厂，生产率才爆发。我们今天仍处于"替换水车"的阶段。Notion除了1000名员工，已有700多个智能体在干活。

"AI是组织的钢铁"，确实是全文最漂亮的一句。但比喻有个暗坑：钢铁是确定的，AI是概率性的，哪怕99%靠谱，一千个智能体叠在一起，错误也会层层放大。用概率的材料盖确定的高楼，地基要打得比钢铁时代更深。

5、经济：从佛罗伦萨到东京
钢铁和蒸汽改变的，不只是建筑和工厂，还有整座城市。

几百年前，城市还是人类尺度的。那时的佛罗伦萨，步行四十分钟就能从城这头走到那头。后来，摩天大楼、铁路、地铁接踵而至，才有了东京、重庆、达拉斯。超大城市让人迷失，却提供了更多机会、更多自由。
他认为，知识经济正站在同样的转折点上。今天的大多数组织，就像用石头和木头建起的佛罗伦萨。AI智能体大规模上线后，我们将建造东京。

我最担心的是人。人一旦离开一线，只做"监督回路"的人，对质量的手感会不会慢慢变淡？年轻人靠AI能力暴涨，手艺底子却可能是空的。

东京建起来之前，先得想清楚，住在里面的人靠什么成长。

6、重读之后

行业夸它美，我也觉得美。它当然也是Notion自己的战略宣言，但这不妨碍它是这一轮AI浪潮里最值得反复读的文章之一。它美在历史纵深，狠在对当下的清醒：大多数人还在蹬自行车，大多数公司还在换水车，大多数人还在盯着后视镜开车。

钢铁。蒸汽。无限心智。下一条天际线就在那里。只是盖楼之前，要先读懂这块新材料。

你还在盯着后视镜，还是已经看向前方了？
#AI #智能体 #Notion #AGI #无限心智

[桃子🕊️ XT 8周年 - Build the NeXT🎉 @taozi0929]

刚看到个事儿，一哥们被某个爬虫服务收16刀一个月，气得直接自己写了个开源的，扔到GitHub，现在五万一千星。

叫crawl4ai。

就是你把任何网址丢进去，它给你吐出来干净的Markdown，LLM直接开吃那种。

不用key，不用注册，不按页算钱，跑起来比我用过的付费的还快。

这事儿真正有意思的地方吧，不是技术多牛，而是——爬虫的门槛早就没了，还在收你月费的才是真暴利。

我反手试了一下，速度确实离谱。

那种“付费墙背后才是完整信息”的幻觉，当场碎了一半。

收藏下面的链接，又可以省一笔钱：
https://t.co/u0gIWT2AmV

[赚笔刀日记 @zhuanbidao]

中际旭创从200亿到万亿，

三年30倍。
复盘完我发现，它启动时把10倍股的基因占全了。

小市值 · 超级赛道正中央 · 业绩爆炸拐点

卡位英伟达/谷歌核心供应链 · 启动时无人关注 · 筹码干净

我把它反向拆成了一套AI提示词。
不是问“哪只股票会涨”，是让AI按六层框架逐级过滤。

直接复制，粘进你常用的AI

[meng shao @shao__meng]

最近分享的 5 门来自 Stanford、CMU 和 MIT 三所大学的 AI 课程，我再整合分享一次，视频内容很多，可以先收藏慢慢学习 🔖

1. 斯坦福大学 CS329A Self-Improving AI Agents
人定义意图、Agent 执行的新软件工程
https://t.co/qkXLsdlDmT

2. 斯坦福大学 CS 329Z: Engineering AI Agents
从模型到系统：流水线 → 复合 AI → 自主 Agent
https://t.co/q7whzZSWub

3. 斯坦福大学 CS146S: The Modern Software Developer
人定义意图、Agent 执行的新软件工程
https://t.co/AhFJW6xl8V

4. MIT 多模态 AI 课程 2026 版
YouTube 全集上线，融合对齐 → 推理智能体
https://t.co/GhRjioday0

5. CMU 秋季新课 AI Agents
OpenHands 作者亲授，从零搭 Harness、建评测、用 RL 训智能体，讲义视频已公开
https://t.co/8WMWTkDwSN

[Xudong Han @Xudong07452910]

最近恰逢秋季开学，我也连续推荐了好几门北美顶尖高校新开的 Agent 课程，一个信号越来越明显：

Agent Engineering 开始大量被正式写进顶尖高校的课程体系了。

这次是 CMU 新开的 11-768《AI Agents》，看完 syllabus 后感觉内容真的很贴近现在一线在做的东西。

Tool Use、Context、Skills、Memory、Planning，往后还有 Coding Agent、GUI、Deep Research、SFT/RL、Sandboxing 和安全。

作业设计是我更看重的部分。

这个课程要求先自己搭 Agentic Harness，再做 Agent Eval，然后需要用 RL 去训练 Agent，最后做一个研究项目。

这个顺序其实挺能说明 2026 年高校开始怎么理解 Agent 了，会调用模型已经很基础，接下来要学的是怎么把 Agent 搭出来、测明白、训练好，再让它可靠地跑下去。

而且课程资料会公开，视频也刚刚开始上传。

最近想系统补 Agent 的，很推荐跟着这门课学。

课程官网：https://t.co/KnFBfSnbIG
课程 Schedule：https://t.co/38uSswcx3F
课程 Assignments：https://t.co/LLW1XZ7XCr
youtubu 视频：https://t.co/7mXPMpj2a0

[勃勃OC @bboczeng]

看了下斯坦福的最新课件，原来Harness就是一个Python写的大型For Loop

只不过里面定义了如何组装Context，如何运行工具（包括不允许运行的），如何验证，失败了如何重试等等

这里面传递多少信息，先后顺序都很有讲究的

LLM玩起了控制论，最后叫做Agent

从而实现了AGI

三个臭皮匠，赛过诸葛亮

我现在庄严宣布：

人类，结束了

[Xudong Han @Xudong07452910]

如果你平时看 AI 已经看腻了模型、Benchmark 和融资新闻，这门 Stanford 的课很值得看一下。

MS&E 435《Economics of the AI Supercycle》从另一个角度拆 AI：芯片、能源、数据中心、推理、模型、应用，一层层看成本结构、利润空间和真正的产业瓶颈到底在哪里。

嘉宾也很强，Databricks 的 Ali Ghodsi、Vercel 的 Guillermo Rauch、OpenAI 的 Sachin Katti，以及 Anthropic、Crusoe、Baseten 等公司的负责人都有参与。

我觉得它最大的价值，是能帮你把很多零散的 AI 新闻重新串成一张产业地图。为什么推理成本这么重要、算力瓶颈会往哪里转、Agent 会怎么影响 SaaS，这些问题放到一起看会清楚很多。

课程资料和公开视频都开放了，推荐收藏慢慢看。

课程计划:
https://t.co/DoUFBbmPxx

YouTube视频:
https://t.co/yVe84ZAZaz

[Kirk Borne @KirkDBorne]

This classic FREE 280-page PDF report from @JPMorgan provides an excellent framework for Machine Learning, AI, and Data Science investors, including an overview of types of alternative data and a brilliant tutorial on ML methods to analyze the data: https://t.co/YXQ9YEgZKu

[柴郡🔔｜Crypto+AI Plus @0xCheshire]

当普通工作的智力成本接近于 0 时，会发生什么？