Vincent

AI

[Vincent @Vincent_AINotes]

GitHub🔗https://t.co/dNZsIC0ViJ

[Vincent @Vincent_AINotes]

这省 Token 的路子，真的有点野：

把代码和长上下文渲染成图片，再让 Fable 5 自己“看图识字”。

开源项目 pxpipe 就是这么干的。

它作为本地代理，自动把系统提示、工具文档、旧对话和大段日志渲染成 PNG，只把最近的关键对话保留为文本。

为什么能省？

图片 Token 主要按像素尺寸计算，不管图里塞了多少代码。项目演示中，约 4.8 万字符原本要 2.5 万文本 Token，转成图片后只要约 2700 个视觉 Token。

官方实测的最终账单降幅约为 59%-70%，但具体能省多少还是看你的工作负载。

启动也很简单：

npx pxpipe-proxy

不过这不是无损压缩，而是拿 OCR 准确率换成本。

普通代码、日志、工具输出问题不大；但 ID、哈希、密钥和精确数字可能被模型看错，而且最麻烦的是——它可能错得很自信。

所以我的建议是：

大段上下文可以转图片，必须逐字准确的内容继续留文本。

目前 Fable 5 的读取效果最好，其他模型差异不小。它本质上是在利用当前文本与图片 Token 的计费差，规则以后会不会调整，也不好说。

但在那之前，Claude Code 重度用户确实可以研究一下。

[Vincent @Vincent_AINotes]

https://t.co/Z3y7q4Ko78

[Vincent @Vincent_AINotes]

最后把坑一次说完：

别碰共享号。
别买低价 API key。
别找人代过学生认证。
别批量注册试用。
别为了羊毛把主账号搞封。

正规省钱，拼的是信息差。
不是灰产。

一句话总结：

先免费，再学生，再 credits，最后才订阅。

大部分人真正省下来的，
不是一点点月费，
而是本来根本不该开的那几个会员。

[Vincent @Vincent_AINotes]

很多人不是不会用 AI。

是不会买 AI。

ChatGPT 开一个，Claude 开一个，Gemini 开一个，Perplexity 再开一个。

一个月看着没多少，叠起来就开始肉疼了。

其实 AI 最该先走的，不是付费页。
而是这 3 条线：

学生计划
免费额度
官方 credits / 试用

这条把“合法省钱”一次讲清。👇

[Vincent @Vincent_AINotes]

免费额度怎么用，才是真的省：

日常写作、翻译、改简历、查资料，
先用 ChatGPT Free / Claude Free / Gemini 免费版 打样。

只有当你开始频繁碰到：

上下文不够
附件不够
速度不够
高级功能不够

再考虑升级。

免费版的意义不是“白嫖到底”。
而是先验证：这个工具到底值不值得你长期付费。

[Vincent @Vincent_AINotes]

理解 HBM，记住一个比喻就够了：

GPU 是工厂，算力是工人数量，显存容量是仓库大小，显存带宽则是传送带速度。

仓库大，决定能放下多大的模型；传送带宽，决定数据能多快送到计算单元。

AI 芯片真正怕的不只是“装不下”，还有“喂不饱”。

所以看高端 AI GPU，别只盯着显存有多少 GB，也要看它每秒能搬多少 TB 的数据。

原视频地址👇

[Vincent @Vincent_AINotes]

GPU 算得再快，数据喂不上来，也只能“饿着”。

这个动画把 HBM 为什么成为 AI 芯片刚需讲透了：

多层 DRAM 像盖楼一样垂直堆叠，再用 TSV 从硅片内部贯穿连接，配合超宽接口，一次搬运更多数据。

高带宽、高容量、更好的能效，代价则是更复杂的制造和先进封装。

HBM 不是近期内存涨价的唯一原因，但 AI 对它的爆发式需求，确实在重新分配 DRAM 产能和封装资源。

这是我目前看过最直观的一版 HBM 动画科普，建议收藏。

[Vincent @Vincent_AINotes]

看 AI 算力产业链，别只盯着 GPU。

如果把一台 AI 服务器拆开看，核心其实是 11 个环节一起工作：

算力芯片：GPU、CPU
存储：HBM、DRAM、NAND
光通信：光芯片、光模块、CPO
硬件底座：PCB、CCL
封装：SiP

一条链串起来就是：

大脑算 → 记忆存 → 神经传 → 板上焊 → 封装拼

通常越往上游，越稀缺，也越容易卡住整条链。👇

[Vincent @Vincent_AINotes]

@ajs6888 AI 越能执行，越不能什么都放权。

[Vincent @Vincent_AINotes]

OpenAI 总裁 Greg Brockman 这段 44 分钟访谈，我听下来最重要的不是“模型还会变得多强”，而是 AI 的角色正在改变：

过去是你问，AI 答。
下一步是你给目标，AI 去办。

它会连接邮箱、浏览器、Slack、Codex 和公司系统，在授权与监督下完成真实任务。

聊天框只是入口，AI 正在变成连接所有软件的“执行层”。

模型决定能力上限，能否真正进入工作流，才决定它有没有价值。

你愿意把多少控制权交给这样的 AI？

[Vincent @Vincent_AINotes]

判断自己的岗位风险，可以问 4 个问题：

工作能否被写成固定 SOP？
产出是否容易被自动验收？
遇到例外时，是否需要业务判断？
结果出错后，谁来承担责任？

前两项越多，越容易被 AI 压缩；后两项越重，人越难被替代。

与其焦虑职位名称，不如主动拿走那些更靠近需求、系统和结果的工作。

[Vincent @Vincent_AINotes]

别再找“不会被 AI 替代的职业清单”了。

这段视频盘点了 12 个可能更值钱的岗位，以及 3 个高风险技术岗。看完会发现，真正的分界线根本不是会不会写代码：

重复执行、输入输出固定，价值会被快速压缩；
理解业务、设计系统、处理例外、对结果负责，反而更值钱。
危险的不是前端、测试或数据分析本身，而是只会页面还原、手动点测和基础报表。

真正该升级的不是职位名称，而是从“完成任务”，走向“定义问题，并借助 AI 交付结果”。

你的工作更靠近哪一边？

[Vincent @Vincent_AINotes]

这也是为什么，我现在看一个 Agent 产品，不会先问“模型有多强”，而是先看三件事：

能接入哪些真实工具？
权限和审批边界是否清楚？
出错后能否暂停、回滚、追踪？

没有连接器，AI 只能给建议；没有监督机制，企业就不敢让它真正干活。

能把这两件事同时做好，才有机会成为下一代工作流入口。

[Vincent @Vincent_AINotes]

GitHub🔗https://t.co/aWVeYr33Uo

[Vincent @Vincent_AINotes]

多数 Agent 模拟器只能围观，GOD 直接把“上帝控制台”交给你。

暂停/回放、向单个或全体 Agent 提问、临时注入指令改变下一步，还能重置世界、切换地图和实验包。

本地优先，适合研究多智能体在干预下会怎么演化。

如果让你接管一座 AI 小镇，你最想测试什么？

[Vincent @Vincent_AINotes]

所以看 AI 算力链，不只是看“谁在算”，还要看：

谁在喂数据
谁在传数据
谁在承载连接
谁在解决集成和功耗问题

真正的产业链，不是一颗芯片的故事，
而是一整套“算、存、传、板、封”的协同。

你更看好哪一段的长期价值？

[Vincent @Vincent_AINotes]

看 AI 算力产业链，别只盯着 GPU。

如果把一台 AI 服务器拆开看，核心其实是 11 个环节一起工作：

算力芯片：GPU、CPU
存储：HBM、DRAM、NAND
光通信：光芯片、光模块、CPO
硬件底座：PCB、CCL
封装：SiP

一条链串起来就是：

大脑算 → 记忆存 → 神经传 → 板上焊 → 封装拼

通常越往上游，越稀缺，也越容易卡住整条链。👇

[Vincent @Vincent_AINotes]

最后是“封”。

SiP 是系统级封装，把多种芯片和器件打包进一个壳里，对外像一颗芯片。
它的意义不是“把东西装进去”这么简单，而是提升集成度、缩小体积、优化性能和功耗。

当芯片、存储、光器件越来越复杂，封装本身就不再只是制造环节，而是性能的一部分。