walkingvcd.eth

A fisherman

[Phoenix Yin @Phoenixyin13]

今天CNBC直播直接原地爆炸。

Palantir CEO Alex Karp 上午参与节目，聊着聊着突然精神失控，近20分钟全程情绪拉满，主持人几次想打断都打断不了。

他疯狂输出，就一个核心意思：

现在OpenAI、Anthropic那些大模型根本就是个坑货，企业花大钱按token付费，交出去的数据和核心竞争力全被大厂偷去训练模型，等于自己花钱养对手，拉完了。

他的意思很明确，就是说这些美国的闭源模型被irresponsibly over-sold，即一种不负责任地过度吹捧，闭源大模型的核心就是把美国企业和军方的命脉外包给几家实验室。

注：Palantir长期给美国军方、情报部门、战场提供数据分析和AI工具，是能影响生死和国家机器的至高层级。

[Diego | AI 🚀 - e/acc @diegocabezas01]

Use Fable 5 as orchestrator and Opus + Codex to execute (to save fable usage):

Fable 5 (max reasoning) = orchestrator
Opus = deep reasoning subagent
Sonnet = mechanical work subagent
Codex = peer Sr. engineer, different perspective

Setup:
1. Set Fable 5 as your main model In Claude Code: /model → Fable 5 → reasoning /effort to max

2. Create 2 subagents with /agents In Claude Code:
deep-reasoner → pinned to opus "Use for reasoning-heavy phases, architecture, debugging complex issues, algorithm design. Think thoroughly, return a concise conclusion the orchestrator can act on."

fast-worker → pinned to sonnet "Use for mechanical tasks, boilerplate, tests, formatting, simple edits. Execute efficiently."

3. Add OpenAI's official Codex plugin (install codex cli in your computer first), In Claude Code type:
/plugin marketplace add openai/codex-plugin-cc
/plugin install codex@openai-codex
/codex:setup

4. Drop this in your CLAUDE.md in your folder:

## Orchestration workflow
You (Fable) are the orchestrator. Plan, decompose, synthesize.
Reasoning-heavy phases → deep-reasoner
Mechanical work → fast-worker
Codex (/codex:rescue --background) is a cracked engineer on par with deep-reasoner, from a different perspective. Treat as a peer, not a reviewer.
High-stakes decisions: task Opus + Codex on the same problem in parallel, synthesize the best of both, without showing either the other's answer. Keep your own context lean.

5. Then prompt Fable like a tech lead: "Goal: [what you want] Context: [files, constraints] You're the lead. Delegate reasoning to deep-reasoner, grunt work to fast-worker, fresh-perspective problems to Codex. Show me your plan first, then execute."

That's it.

[Xudong Han @Xudong07452910]

Anthropic在每个工程师身上，算力支出已经是工程师薪酬的2.3倍。

来自VC分析师Tomer Tunguz的数据：Anthropic的算力支出达到每位工程师每年51.5万美元，而工程师的全薪（含福利）约为22.4万美元。也就是说，雇一个工程师的钱，还没有给这个工程师用的算力贵。

对比行业：标普500里顶尖1%软件公司的算力支出是每人8.9万美元，中位数是1.37万美元。Anthropic的数字是中位数软件公司的37倍。

这个数字背后有几层含义。前沿AI研发的成本结构和普通软件公司完全不在一个量级。算力成本的压力会持续推动模型效率提升，不只是因为市场需要，而是因为财务报表需要。如果这个比例在整个行业成立，AI公司的估值逻辑，根本上是在赌算力支出何时能被营收增速反超。

不是AI公司烧钱是为了扩张，而是在前沿AI研发里，算力就是弹药，没有弹药就没有入场券。这可能才是AI行业单位经济学最值得认真看懂的一面。

https://t.co/OXR1UzaSqk

[Cat Chen, @[email protected] @CatChen]

面试最难的正是区分 skill（能力）和 knowledge（知识）。很久以前在 Facebook 的时候，系统设计的面试培训就强调，要选跟候选人背景不重合的题目，这样才能看候选人面对陌生问题时是否有一套系统化的手段来拆分问题和解决问题。如果候选人有 ML 背景，你还问 design newsfeed 这道题，候选人只会复述他已有的知识。

然而 LLM 让人类明白到，对足够多的知识进行有效的压缩，结果看起来就跟能力非常接近。刷 LeetCode 就是这样子，缺乏分析问题的能力？没关系，通过足够多的练习后，你看到新问题也能迅速进行模式匹配，找到对应的算法，然后写代码就是了。这甚至能推广到整个「应试」的概念——技能不足，就通过训练补足。

所以最终如何区分技能还是知识？AI 都能通过图灵测试了，还能怎样区分。只要训练数据量足够大，就能以假乱真。

[宝玉 @dotey]

Anthropic 今天发布了 Claude Science，一个面向科学研究者的 AI 工作台。它的定位很明确：做科学研究领域的 Claude Code。

去年 Claude Code 改变了程序员的工作方式，Anthropic CEO Dario Amodei 认为 Claude Science 能在生命科学领域复制同样的事。考虑到 Anthropic 目前年化收入已达 420 亿美元、估值 9650 亿美元，这个野心至少有财力支撑。

Claude Science 不是新模型。它用的还是现有的 Claude 模型（包括 Opus 4.8），没有专门训练过生物学能力。它做的事情是把科研工作流程整合到了一个环境里。

【1】解决什么问题

做过计算生物学的人都知道，日常工作是在一堆工具之间反复横跳：查文献用 PubMed，写代码用 Jupyter，跑分析用 R，提交计算任务要登录集群终端，看蛋白结构又得换个软件。每个数据库还有自己的格式和查询方式。

Claude Science 把这些东西塞进了同一个界面。一个主 AI Agent 充当“项目经理”，连接了 60 多个科学数据库，涵盖基因组学、单细胞分析、蛋白质组学、结构生物学、化学信息学等领域。用自然语言提问，它就会调用相应的专业 Agent 去不同数据库查询和汇总。

它还能往下分派任务，生成子 Agent 来处理具体工作，或者把任务交给用户自己创建的专家 Agent。另外有一个专门的审查 Agent，负责检查引用和计算结果是否正确。

【2】两个比较实际的特性

第一个是可复现性。Claude Science 生成的每张图表都附带生成它的完整代码、运行环境、创建过程的自然语言描述，以及完整对话记录。几个月后回头看，还能还原当时的整个分析过程。想调整图表也简单，用自然语言说“把 Y 轴改成对数刻度”或者“去掉网格线”，Agent会自动修改对应代码。

第二个是本地运算。它可以装在 macOS 或 Linux 上，也可以通过 SSH 连接到实验室的高性能计算集群。数据不用全部传到云端，敏感数据可以留在本地基础设施上，只有分析每一步需要的上下文信息才会发送给 Claude。如果计算量大，它还能调用 Modal 账户按需扩展到上百个 GPU。

【3】早期用户怎么说

Gladstone 研究所的 Sean Whalen 用它几天之内从零搭了一个基因组浏览器。UCSF 的 Stephen Francis 说，Claude Science 在他们的 RNA-seq 数据里发现了一个实验室病毒污染物，他们团队在这个问题上卡了将近一年。Allen 研究所的 Jérôme Lecoq 用它搭了一套多 Agent 文献综述系统，让多个子 Agent 读几千篇论文、提取核心发现，然后按叙事结构生成综述，以前他的团队写这样一篇综述要两年。

MIT 的 Iain Cheeseman 的评价可能最直观，他说这个工具让他作为一个非计算生物学背景的人能做以前根本做不了的分析，他发现自己会把积攒多年的研究问题拿去用 Claude Science 试。

【4】竞争格局

Anthropic 并不是唯一盯上这个方向的公司。OpenAI 在今年 4 月推出了 GPT-Rosalind，一个专门针对生命科学的推理模型，6 月初又做了一轮能力升级。两者的思路不太一样：GPT-Rosalind 是专门训练的领域模型，侧重生物推理能力本身；Claude Science 不改模型，改的是工作流程，把现有模型包装成一个集成了数据库、计算资源和协作 Agent 的科研平台。

GPT-Rosalind 目前只对签了企业协议的美国客户开放研究预览。Claude Science 的门槛低一些，Pro（20 美元/月）以上的付费用户就能用。

这反映了 Anthropic 的策略转变，从单纯卖模型能力，转向拥有特定行业的操作层，就像 Claude Code 成了软件开发的操作层一样。

【5】怎么用

Claude Science 今天开始公测，macOS 和 Linux 可用，需要 Pro、Max、Team 或 Enterprise 订阅。Team 和 Enterprise 用户需要管理员开启权限。学术机构和非营利研究组织的活跃实验室可以申请 Team 计划的折扣席位。

Anthropic 还会资助最多 50 个 Claude Science 研究项目，每个项目最高 3 万美元额度，Modal 另外提供最多 2000 美元的计算资源。申请截止 7 月 15 日，结果 7 月 31 日前通知，项目运行时间为 9 月 1 日到 12 月 1 日。

[Emil Kowalski @emilkowalski]

New skill: /animation-vocabulary

Helps you get better animations from an AI by telling it exactly what you want by using the right words.

"morph", "rubber-banding", "layout animation", and more.

[陈成 @chenchengpro]

翻了下 claude code version 191 的源码，感觉从技术角度看，Anthropic 这个反蒸馏机制设计还是挺精妙的。

Claude Code 有段提示词是这样。

return `Today${n}s date is ${r}.`;

他对这句做了隐写，用肉眼分不出的字符，把系统时区和代理端点身份偷偷编码进了系统提示词。

触发条件是当你设了第三方中转 ANTHROPIC_BASE_URL 且不是 https://t.co/bcqB9NHJTG 时。

所以如果你是官方直连用户，则并不会受到影响。也就是说最近的封号潮与此无关。

它编码了 3 个 bit，来自两个独立维度（时区 1 bit + 撇号 2 bit）：

1）时区，在 Asia/Shanghai 或 Asia/Urumqi 时，日期分隔符从 2026-06-30 偷偷变成 2026/06/30
2）那个撇号 ' 有四种写法，人眼基本看不出区别。

- ' (U+0027 普通)，普通第三方端点
- ' (U+2019)，命中"域名白名单"
- ʼ (U+02BC)，命中"国产大模型关键词"
- ʹ (U+02B9)，域名 + 实验室都命中

这三个维度是独立编码的。哪怕你的中转域名不在白名单、也不含关键词，只要系统时区是上海/乌鲁木齐，分隔符照样变斜杠——也就是"中国时区 + 任意第三方端点"的用户全员会被打上时区这一维的标记。

匹配逻辑是这样。域名是后缀匹配（host === d || host.endsWith("." + d)），白名单第一个就是 cn，所以任何 .cn 结尾的 host 一网打尽，不是逐个域名去列；关键词是子串包含（host.includes(kw)），host 里只要出现 deepseek 字样就命中，不用精确匹配；时区取的是系统时区（Intl…resolvedOptions().timeZone），不是 IP 地理位置。

更骚的是反混淆，两份名单用 XOR(key=91)+ base64 藏起来，专门躲 strings。解码就是 base64 decode 之后逐字节异或 91，源码里那个 LKi 去混淆后长这样：

```js
// 源码里的解码器（去混淆版，就是 LKi）
const decode = (b64) =>
[...Buffer.from(b64, "base64")]
.map((byte) => String.fromCharCode(byte ^ 91)) // key = 91
.join("")
.split(",");

// 逆运算就是打包时的编码器
const encode = (list) =>
Buffer.from([...list.join(",")].map((c) => c.charCodeAt(0) ^ 91)).toString("base64");

encode(["deepseek", "zhipu"]); // → "Pz4+Kyg+PjB3ITMyKy4="
decode("Pz4+Kyg+PjB3ITMyKy4="); // → ["deepseek", "zhipu"]

// 拿真名单开头验一下，key=91 对得上
decode("Pz4+Kyg+PjB3NjQ0NSgzNC93"); // → ["deepseek", "moonshot", ...]
```

147 个域名白名单:".cn" 顶级域、字节/阿里/百度/网易/快手、https://t.co/ipTe6VkEZm, 外加一大票 Claude 中转站(anyrouter、88code、yunwu、aihubmix、dmxapi…)
11 个实验室关键词:deepseek / zhipu / moonshot / minimax / stepfun / baichuan / 01ai / dashscope / volces …

选「今天的日期」这句话做载体也很鸡贼。这个标记藏在 system prompt 正文里，不是 HTTP header、也不是 metadata。中转站一般会重写、过滤 header，但几乎没人会去动日期这类的自然语言，所以这是个洗 header 洗不掉的水印。而且 currentDate 是 user context 里和 claudeMd、userEmail 并列的字段，每个请求必带，标记 100% 稳定出现；撇号和分隔符的变化又语义无损，模型读起来一模一样，用户 diff 也基本看不出，隐蔽性拉满。

证据是怎么闭环的，这才是题眼。标记跟着请求走，当一个中转站或蒸馏管道最终回连 Anthropic 官方 API 转售 Claude 时，这条请求带着标记又流回了 Anthropic 自己的服务器。

于是 Anthropic 在自己的日志里就能读到：这条"直连我"的请求，日期是 2026/06/30（斜杠 = 中国时区）+ 撇号是 ʹ（U+02B9 = 域名和 deepseek 关键词都命中），铁证——源头是一个中国时区、配了国产大模型中转的客户端。

它不需要主动探测，让流量自己招供，只要请求最终回到 Anthropic，身份就自证了。这样就能清楚地知道哪些渠道流向了中国、被中转站转售或被大厂蒸馏，并且留下充足证据。

想自己验的话，逻辑都在 cli.js（2.1.191，混淆名每版会变）：检测函数 jqd()（:245688）→ 选字符 Wqd()（:245701）→ 拼日期 MKi()（:245707）；gate 是 Yfn()（:102664）；落点在 currentDate: MKi(eHe())（:250252）；XOR 名单解码器 LKi()，key = 91。

[宝玉 @dotey]

Claude Code 被指在系统提示词里偷偷给中国代理用户“打水印”

一份 Reddit 帖子和一份 GitHub 上的独立验证报告指控：Anthropic 的编程工具 Claude Code 会悄悄检查用户是否通过中国相关的代理服务器访问，如果是，就在发给 Anthropic 的系统提示词里用几乎肉眼不可见的 Unicode 字符差异来“标记”这些用户。

具体怎么做的？安全研究员 Adnane Khan 在 GitHub 上发布了针对 Claude Code v2.1.193 到 v2.1.196 的逆向分析报告。他从二进制文件中提取出了完整的 JavaScript 代码，还原了整个机制。

Claude Code 在每次请求时都会在系统提示词中写入一行“Today's date is 2026-06-30.”之类的日期信息。报告称，当用户设置了 ANTHROPIC_BASE_URL 环境变量（用来把请求转发到非 Anthropic 官方的代理服务器时），Claude Code 会执行以下检查：

第一，看你的代理服务器域名是否在一个包含 147 个条目的列表里。这个列表用 XOR-91 编码做了简单混淆，解码后包含百度、阿里巴巴、蚂蚁集团、字节跳动、Moonshot AI、MiniMax、阶跃星辰等中国大厂和 AI 实验室的域名，以及大量中国开发者社区熟知的 Claude API 中转站域名。

第二，看你的系统时区是不是 Asia/Shanghai 或 Asia/Urumqi。

然后，它用两种方式把检测结果“编码”进系统提示词。一是日期分隔符：如果命中中国时区，日期格式从 2026-06-30 变成 2026/06/30。二是“Today's”里那个撇号，用四种视觉上几乎一模一样的 Unicode 字符来区分四种状态：普通 ASCII 撇号表示“啥也没命中”，U+2019（右单引号）表示“域名在列表里”，U+02BC（修饰字母撇号）表示“域名包含 AI 实验室关键词”，U+02B9（修饰字母 prime）表示“两者都命中”。

Adnane Khan 的报告用了一个精确的词来描述这个机制：隐蔽信道（covert channel）。

这些字符差异，正常用户几乎不可能注意到。它们不会以单独的遥测数据包发出，而是搭便车藏在每次请求都会发送的系统提示词里。

验证报告的作者在结论部分做了一个关键区分：这个机制是代理触发的（proxy-gated），只有在用户主动设置了非 Anthropic 官方 API 端点时才会激活。正常通过 api.anthropic. com 使用 Claude Code 的绝大多数用户不受影响。它也不是数据外泄，没有额外的网络请求或文件访问，只是在已有的系统提示词里做了字符替换。

但报告也指出了两个问题。

第一，它是未公开的。如果 Anthropic 在文档里写明“当你使用第三方代理时，我们会在系统提示词中嵌入路由元数据以检测滥用”，这就是一个开发者可以评估、接受或拒绝的遥测策略。但把信号藏在肉眼不可见的 Unicode 字符里，用 XOR 混淆域名列表，这让人没法审计。

第二，它误伤范围太广。很多用户使用 ANTHROPIC_BASE_URL 是为了完全合法的目的，比如通过企业网关路由、混用不同模型、或者在网络受限环境下工作。这些用户会被一视同仁地打上标记。而真正的专业转售商，看到这种机制后绕过它只需要几秒钟。报告原文的说法是：作为反滥用手段它很弱，作为隐私问题它标记了不该标记的人群。

Claude Code 不是一个普通的聊天窗口。它能读你的代码仓库、运行终端命令、修改文件。Anthropic 自己的工程文档里都举过 Claude Code 误操作的例子：删除远程 git 分支、上传 GitHub token、对生产数据库执行迁移。对于这样一个需要深度信任才能使用的工具，用户有权知道它在背后做了什么。

截至发稿时，Anthropic 尚未对这一指控做出公开回应。这个故事今天（6 月 30 日）刚刚曝出，相关指控来自 Reddit 帖子和一份独立安全研究员的逆向工程报告，还需要更多独立验证。代码已经被提取并公开，任何有能力的开发者都可以自行检查 Claude Code 的二进制文件来确认或否认这些发现。

[onevcat @onevcat]

今年三月底在 Let's Vision 上介绍了我们正在做的让 agent 参与 mobile 开发自主验证的一些微小工作。现在终于可以把其中一部分我们日常使用的工具开源了。

sim-use 是让 AI agent 能看到模拟器/设备的屏幕并操作它的命令行工具。一条命令把整个屏幕变成 agent 能理解的紧凑表示，再一条命令点击任意元素，以完成验证循环。iOS Simulator 和 Android 通用。

Plan, code, verify, ship — verify 这一环现在可以交给 agent 了。欢迎大家试用/加星/反馈/一同改进！

https://t.co/GPrb6fqYF2

[向阳乔木 @vista8]

2018年，摩根大通 CEO 杰米·戴蒙在一次内部会议上提到，他用来评估复杂业务场景的工具，竟然是一个源自空战的理论模型。

这个模型就是 OODA 循环。

OODA 循环，全称是 Observe-Orient-Decide-Act（观察-定向-决策-行动）循环。

由美国空军上校 约翰·博伊德 在20世纪70年代初提出，最初用于解释战斗机飞行员在空战中如何快速做出正确判断。

对抗中，速度不是全部，但循环速度的差异足以决定胜负。

感觉未来大模型或 AI 组织的竞争也是这样，谁自我迭代循环的快，谁才能赢。

[宝玉 @dotey]

Ford 重新雇了 350 名老工程师回来，因为 AI 质检系统没能达到预期。

过去三年，福特悄悄招回了 350 名资深工程师，有的是退休或离职的老员工，有的是从供应商那边挖来的。公司内部管他们叫 gray beard，直译是白胡子，意思就是经验老到的老师傅。

他们回来干两件事：带新人，以及重新调教那些没干好活的 AI 工具。

负责整车硬件工程的副总裁 Charles Poon 说：
> 我们错误地以为，只要把 AI 引进来，把设计要求输入 AI，它就能产出高质量的产品。

首席运营官 Kumar Galhotra 对 Bloomberg 的说法类似。福特这些年越来越依赖自动化质检系统，结果一直不理想；把技术专家请回来后，他们在零件还没上产线之前，就先把故障点揪出来。

效果立竿见影。福特时隔 16 年重新拿下 JD Power 新车质量榜主流品牌第一，从去年的第 10 名一口气冲到榜首，是所有品牌里年度进步最大的一个，把丰田和本田都甩在了后面。

这个榜单(Initial Quality Study)测的是新车买来头 90 天内车主遇到多少问题，问题越少排名越高。

F-150 皮卡、Super Duty 卡车和 Mustang 跑车在各自品类都拿了第一。CEO Jim Farley 说，质保和召回成本跟着下来了，福特预计今年因此能省下大约 10 亿美元。

Ford 没打算丢掉 AI。它还在扩充 AI 测试，新增了大约 10 万项评估来模拟更多路况。

AI 是个好工具,但它有多好,取决于你拿什么数据去训练它。老师傅回来，主要是给 AI 当老师，告诉它什么样的零件算合格、什么样的设计会埋雷。

现在主流叙事都是“AI 要取代白领”，福特这个案例倒是反例，类似的案例还有一些：

瑞典金融科技公司 Klarna 几年前高调宣布，AI 客服干了相当于 700 名人工客服的活，到 2025 年，CEO 公开承认这套全 AI 客服质量更差，又开始招人。

麦当劳在美国上百家门店试过 AI 点餐，出了一堆翻车视频后撤掉，把人工收银员请了回来。

咨询公司 Gartner 早就预测，到 2027 年，因为 AI 裁掉客服的公司里，有一半会需要重新招人。

[沉浸式翻译 @immersivetran]

分享了这么多AI编程工具，今天转载一篇不一样的硬核干货。

这篇在推特上很火的文章叫《如何在2026年成为一名AI工程师（无需CS学位）》。作者 Khairallah 是一位拥有一线交付经验的 Web3 与 AI 领域资深开发者。

他提出了一个直击当下痛点的事实：在技术频繁更迭的时代，传统的大学教育大纲早已跟不上大模型的进化速度。科技行业里薪酬极高的 AI 构建岗位，根本不在乎你的毕业证写了什么，只看你亲手交付过什么产品。

这篇文章提供了一个非常务实且不同的视角，去重新看待人与 AI 的关系：

很多人都在焦虑“既然 AI 已经能写大量代码，人类为什么还要学习编程？”作者给出的答案很简单——因为 AI 永远需要指挥官。

决定产品走向、设计系统架构、评估 AI 的输出是否准确，这些才是人类的商业价值所在。AI 工具的普及不会让你失业，反而会成倍放大你的产出。外行只看 AI 运行成功一次的噱头，而专业工程师却在解决它运行一万次时的稳定性和成本控制。

原文信息量很大，包含了从零开始的12个月转型路线图。

强烈建议大家挂上“沉浸式翻译”插件去读英文原文。如果你也在 AI 时代感到焦虑，这篇文章或许能给你一个不一样的思考视角。

[Boris Cherny @bcherny]

As engineering, product, design, DS, etc. melt into a new kind of role, I was reflecting on what roles might look like in the future. For example, when I look at the Claude Code team I see what I think is five archetypes:

1. Prototyper: comes up with brand new ideas; churns out many ideas, most of which don't ship
2. Builder: quickly turns a prototype/idea into production-grade product/infra
3. Sweeper: cleans up the UI, simplifies the code and system, unships, optimizes performance
4. Grower: takes a product that has been built and iterates on it to improve Product-Market Fit
5. Maintainer: owns a mature system to make it secure, reliable, fast, and efficient as it scales

Many people span across 2 roles, and sometimes 3 roles. I also notice that these roles are not really tied to job function -- eg. across Anthropic, some designers match category 1, some 2, some 3; same for engineers, PM, DS.

A healthy team needs a mix of these, depending on the product:

- A product that is new and pre-PMF needs people that are strong at 1+2+3
- A product that is growing and has found PMF needs 2+3+4 and some 5
- A product that has strong PMF needs 3+4+5 and some 2

Maybe product roles of the future will look more like this, and less like the domain-specific roles of today?

[みゅみゅ @miyumiyuna5]

NIKEの衣装ってエロいよね？

[Phoenix Yin @Phoenixyin13]

🚨 震撼！来自英伟达和剑桥大学等团队的这篇 Red Queen Gödel Machine 绝对是我近期认为最重要的 AI 论文之一。

这次，论文直接针对自我改进 AI 的核心瓶颈：

以前，评估器一旦固定不变，就会导致代理钻空子或者快速停滞不前的问题。

这篇论文通过 Red Queen 共进化机制，让代理和评估器一起演化，从而实现了更可持续的递归自我改进。

无论在理论层面继承 Gödel Machine 的思路，还是在实际实验中，比如代码任务、论文写作和奥林匹克证明等方面，都展现出明显提升。

在可验证的代码任务上，它用更少的 token 就超过了现有 SOTA，还额外引入了 agent-as-judge 的 review 信号。

在论文写作和奥林匹克证明上，co-evolved 的 writer 和 grader 都取得了明显提升，尤其把 AI 生成内容的过审 bias 压了下来。

论文提供了一个可控的 utility evolution 框架，既保留了改进的安全性，又打开了动态目标的可能。

短期内，我相信我们就能看到它对 agent 研究和自动化科研的巨大推动。

文章中，英伟达等团队不只提了概念，还设计了 controlled utility evolution 机制，既保证了每个 epoch 内的改进安全性，又允许跨 epoch 的目标动态演化。
这种可控开放式进化思路，为后续 self-improving systems 提供了重要的方法论参考。

在当前 agentic AI 热潮中，它代表了一种AI 自我驱动进化的关键信号。
如果这个方向被更多实验室跟进和放大，有可能显著加速通往更强 AGI 的进程。同时，也提醒AI界需要提前思考评估系统共同进化带来的安全与对齐挑战。

启发性，前瞻性，开拓性，是我认为的这篇Red Queen Gödel Machine的关键词。

这种进化需要共同适应环境的生物学智慧已经被系统性地带进了 AI 自我改进领域，值得研究者和从业者重点关注和跟进。

[Susan STEM @feltanimalworld]

上网去找这个仓库。这个高等教育的革命在EE/CS领域会很快发展下去。在美国，你看到一个人有EE文凭，先想想他其实是花了几千美元上了一门AC/DC基础而已。还不包括其他几万美元的什么高数文学等通识课。高级课程有意义，但是以目前的公共资源，不外乎也是面包板，simulator, 和大量的文字作业。

[Viking @vikingmute]

看到一个神奇的 Repo：https://t.co/jz9b9XEsOG
健身数据库，里面有 1,324 exercises 健身动作，有详细的 metadata，还弄了个前端页面可以检索。
最有价值的是里面每个动作都有一张静态图片和一个视频文件（gif）。
用这个数据库可以完全创建一个类似的应用了，里面数据都齐了。当然人家代码库里有 Disclaimer，for educational and non-commercial research purposes only。用的时候要注意了。

[DataDan｜AI Consultant + Builder @ba_niu80557]

https://t.co/38GG19gLto

[He Qinglian @HeQinglian]

【时代换挡的时候,最先崩溃的不是那些手里牌最差的人,是那些一直拿着旧时代的剧本、却怎么也不肯翻篇的人。】这一句是全文点睛之笔，我听了不少回国的人谈中国，没人能有这一见解。
最富裕的中国时期，已经过去了，但认识到中国现在不过是回归常态的人不多。

[徒步的骑手·刘宗坤 @CaminoTexas]

能理解系统复杂性的程序员，就不再是程序员了。但大部分程序员没有这种能力，看任何东西都是一双隧道眼，头脑也是隧道眼思维。以前，他们是被更年轻的程序员替代。现在，他们被AI替代。这期《经济学人》有篇文章，说美国的大型AI公司都雇了些哲学家，一是梳理AI的思维结构，比如苏格拉底方法，二是在价值冲突中把握伦理优先级。这都是在解决复杂性问题。