扬尼斯

Think & Try To Build

[扬尼斯 @YiMore7]

已购买支持。从妙言开始，Tw做的产品都有自己的思考和风格，支持并学习～

[Tw93 @HiTw93]

🎉 Mole for Mac is here! https://t.co/e9ooQMCfRL

A quiet keeper for your Mac. Clean, uninstall, optimize, analyze, and monitor, all in one native app. Replaces CleanMyMac · AppCleaner · DaisyDisk · iStat Menus.

$9 once · 2 Macs · lifetime updates · code MOLELOVE for 20% off

[宝玉 @dotey]

https://t.co/MXNR8uyKOg

[宝玉 @dotey]

https://t.co/c53sSkOPTr

[扬尼斯 @YiMore7]

@DashHuang 长期有价值的 AI 聊天记录和记忆信息，一直分散在各种第三方产品里

它们应该被逐步收回到一个由自己控制、可管理、可定制、也能持续演进的环境里🚩🚩

[扬尼斯 @YiMore7]

@lijigang 听了您近期和孟岩老师的播客，我有一个问题一直在脑海里：沉浸在高密度的 AI 对谈中 智识获得飞速增长 满心愉悦。那回到物理世界之后，很多事情还是得一点点去干，这个过程确实比较痛苦（对我而言）。请问，您如何看待并解决知行合一的难题

[扬尼斯 @YiMore7]

我是怎样的人 → 我允许自己过怎样的日常 → 这些日常长期积累变成怎样的人生

[DAN KOE @thedankoe]

https://t.co/7l7Jef99QZ

[扬尼斯 @YiMore7]

知行合一是一生的命题

[dontbesilent @dontbesilent]

只要你没在执行
你的动作大概率就是为了逃避执行而生的动作

无论是这个动作是复盘总结，还是和 AI 聊天

[扬尼斯 @YiMore7]

@HiTw93 报告一个小bug：快捷键 command+1、+2的时候，不能正常收缩边栏了😀

[宝玉 @dotey]

https://t.co/3lnmdbnnTz

[扬尼斯 @YiMore7]

@HiTw93 越来越丝滑强大了。只是最近有点羡慕隔壁Obsidian使用skills之后，各种可视化的展示信息非常方便舒适。不知道这个有没有在您的计划之内

[Max For AI @MaxForAI]

聊一聊我认识的 Manus。

2025 年 12 月 30 日，注定会被写进中国科技创业史的一天。
一早醒来，Meta 宣布以数十亿美元收购 AI Agent 公司 Manus（蝴蝶效应）。
这是 Meta 成立以来金额排名第三的收购，仅次于 WhatsApp 和 Instagram。
交易完成后，创始人肖弘将出任 Meta 副总裁。
朋友圈瞬间炸了锅。
有人惊叹于这笔交易的「天价」——数十亿美元；有人不解于谈判的速度——仅仅十余天；更有人在讨论这对中国 AI 行业的冲击。
在一片喧嚣和躁动中，我反倒觉得异常平静。
这种平静，源于两个月前，国庆期间我在新加坡见到他们团队的那个下午。
那时候，虽然没有聚光灯，没有数十亿美元的支票，但我隐隐觉得，有些质变已经发生了，有些事情注定会来。

一、 新加坡的汉堡
十月的新加坡，湿热难耐。
我原本只是路过出差，在一个相对私密的 AI 交流群里看到 Manus 的合伙人张涛说话，便去私信问了一句“在不在”，没想到他就在办公室。
于是，我们约在楼下见了一面。
还是熟悉的人，但给我的感觉却完全陌生。
上一次见张涛还是在 2024 年，那时我还在 VC 圈子里打转，他来给我们做分享。
记忆中的他，虽然总是精力充沛，语速极快，但眉宇间总藏着一丝不易察觉的紧绷，甚至是一种迷茫的闷气。
那是典型的“中国式创业者”的状态——在极度的内卷中寻找出口，在流量的焦虑中疲惫不堪，像是在泥潭里搏斗的战士。
但这次站在我面前的张涛，完全不一样了。
刚见面，他就一脸歉意地跟我说：“实在抱歉，一直在工作，午饭都没顾上吃，能不能咱们先去买个汉堡？”
我就看着这位后来身价数亿的创业者，站在新加坡的街头，大口啃着一个普通的快餐汉堡。
没有了往日的焦虑，反而透着一种从容笃定的松弛。
他的眼神里没有疲惫，只有一种纯粹的、近乎透明的专注。
我问他：“感觉怎么样？”
他咽下一口食物，跟我说了一句让我记到现在的话：
“这七个月，感觉像过了七年。”

二、 去打 NBA，不要留下来打 CBA
这「七年」里发生的事，远比外界看到的要惊心动魄。
今年 7 月，应该是 Manus 最凶险的时刻。
他们做了一个在大众看来近乎疯狂的决定：把整个团队 80 多号人，成建制地从国内迁到了新加坡。
那时候，国内的舆论场里充满了杂音和恶意。
有人说他们“跑路了”，有人说他们“拿了外国人的钱就走了”，甚至还有更难听的揣测。
对于这些声音，坐在我对面的他显得很淡然，甚至带着一丝“燕雀安知鸿鹄之志”的戏谑。
“有些媒体黑我们，我们都知道。但没关系，许你黑，也许我强。”
他们想得很清楚。
之所以费尽周折出来，还要引入美国的资本，甚至借此清理掉早期国内 VC 那些复杂的、回购权交织的「奇奇怪怪」的条款，目的只有一个——让公司的架构变得绝对干净，干净到可以随时迎接世界级的挑战。
用他们的话说：“既然决定要去打 NBA，就不能一直留在 CBA 里训练。”
这句话听起来很轻，但分量极重。
在「CBA」里，你在乎的是人情世故，是流量红利，是内卷的存量；打「NBA」，你要面对的是全球最顶级的对手，是真刀真枪的技术博弈，是没有任何保护伞的旷野。
那个下午，我看到的不再是一群背负着沉重包袱、担心明天生死的创业者，而是一群刚刚拿到了入场券、准备在全球赛场上大干一场的职业选手。
他们清理了羁绊，扛过了谣言和诋毁，把公司搬到了离世界最近的地方。
这本身，就是一种巨大的宣言。

三、 两次「反共识」的判断
数十亿美元的收购，绝不仅仅是因为他们搬到了新加坡。
我想真正打动扎克伯格的，是 Manus 团队在产品哲学上展现出的、惊人的战略定力。
在聊天的过程中，我得知了他们过去两年里做的两次「反共识」决策。每一个，都关乎生死。
第一次，是关于「做什么」。
2024 年初，在香港见过字节某高层之后，他们其实已经立项做了一款 AI 浏览器。
团队花了六个多月，连 Chrome 的内核都自己编译了一遍，产品都已经成型了。
但在最后关头，Red按下了停止键。
因为他想通了一个终极问题：AI 的终极外壳，不应该是一个浏览器插件，也不应该是一个浏览器，而应该是一台“电脑”。
如果只做浏览器，AI 永远在抢人类的鼠标。
而 Manus 的愿景，是给 AI 配一台独立的虚拟机。
让 AI 在自己的世界里，调度工具，下载软件，编写代码，完成那些人类无法完成的海量长尾任务。
为了这个洞察，他们亲手杀死了自己怀胎七月的孩子。
这种壮士断腕的痛楚和勇气，是后来 Manus 横空出世、被 Alex Wang 评价为“探索能力过剩世界领先”的根本原因。
第二次，是关于「怎么卖」。
在互联网创业的教科书里，增长往往意味着买量。
但在 Manus，他们做了一个违背祖宗的决定：零市场预算。
张涛跟我复盘时提到，他们笃信「反安迪-比尔定律」。
在摩尔定律下，今天的算力再贵，未来也会变便宜；而流量（用户注意力）今天很贵，未来只会更贵。
所以，当别人都在把钱砸给广告平台买用户时，Manus 把钱砸给了算力。
他们不计成本地使用最昂贵的模型，用算力换体验。
这种策略甚至一度让他们「弹尽粮绝」。
上线没几个小时，账户里的余额就被巨大的 Token 消耗击穿了，最后还是靠刷团队成员的信用卡，才勉强维持住了服务。
钱都烧在了算力这个「里子」上，营销这种「面子」自然就穷得叮当响。
“那时候真的很惨，”张涛笑着回忆道，“我们不仅不投流，甚至连演示视频都是用借来的镜头、不到一周时间赶制出来的。”
但他紧接着补了一句：“我们要做到的是，产品本身的体验足够惊艳，让用户忍不住去告诉他的朋友。”
事实证明，他们赌对了。
ARR（年度经常性收入）突破 1 亿美元，全球疯传的 Demo，全部源于这种对技术本质的重注。

四、 "There is no software"
那天在新加坡，最让我震撼的其实是一个细节。
张涛告诉我，随着公司规模扩大，他们几位核心合伙人反而重新搬回了一个小房间里办公。
他们甚至设立了每天固定的「无会议时段」，整个房间里只有讨论产品的声音。
这种组织形态上的返璞归真，其实是因为他们内部已经完成了一场生产方式的革命。
在 Manus 内部，接近 80% 的代码已经是由 AI 生成的。
当繁重的、重复性的代码堆砌工作被 AI 接管后，工程师不再是码农，而是 AI 的架构师和验收者；核心团队也不再需要陷入无穷无尽的管理流程，而是回归到最高带宽的「意图对齐」。
这完美印证了Red在接受采访时提出的那个观点："There is no software"（软件将不复存在）。
未来的软件开发，不再是人去写一行行代码，而是人通过自然语言描述意图，让 Agent 瞬间生成产品。
Manus 不仅在做这样的产品，他们自己就是这样一家「AI 原生」的公司——人负责定义灵魂，AI 负责构建血肉。
这种组织形态的进化，或许才是 Meta 最渴望得到的基因。
扎克伯格之前在一封公开信中写道，超级智能将赋予人们更强大的行动力（Agency）。
而 Manus，正是这种行动力的最佳载体。

五、「套壳」又如何？
在和张涛的聊天中，我们绕不开一个词——「套壳」。
从早期的 Monica 插件，到现在的 Manus Agent，这家公司伴随的质疑声一直是：“这不就是接了大模型的 API 吗？这不就是套壳吗？”
那又怎么了？
回顾 Manus 发布至今这大半年（2025 年 3 月上线，现在是 12 月底），市场上涌现了多少所谓的「通用 AI Agent」产品？
如过江之鲫。
但是，请你打开它们试一试，有任何一款产品，能够做到跟 Manus 一样的效果和体验吗？
没有。一个都没有。
这让我意识到一个真相：Manus 的壁垒，从来不是因为他们的技术有多么高不可攀。
说实话，代码并非写不出来，原理也并非深奥难懂。
但问题的关键在于，当别人还在研究他们上一个版本的时候，他们已经跑到下一个身位去了。
这就是他们最核心的竞争力——速度。
这种速度，外在体现为产品的极致响应。
当大多数人还在卷模型跑分时，Manus 敢于用最昂贵的算力、最激进的架构去卷毫秒级的延迟，只为换取用户那个“哇”的瞬间。
而内在的根源，则是认知的迭代速度。
从 Monica 到 Manus，他们比谁都更早看透了一个真相——技术本身不是产品，让技术「无感」地消失在解决问题的过程中，才是产品。
在 AI 应用的赛场上，根本没有静态的护城河，唯一的护城河，就是你永远比对手快半步的执行力。

六、 尾声
参观结束，我离开他们办公室时，依然能感受到那种热烈而有序的氛围。
今天回头看，Meta 的这笔收购，对所有国内 AI 创业者来说，实在太提气了。
过去我们总担心，应用层是不是只是给大模型打工？是不是只是做一点微薄的外包能力？
而 Manus 用事实给了我们答案：只要你做得足够极致，你就是巨头眼中的战略资产，而不是廉价的外包劳力。
Meta 买的不是一个简单的工具，而是一把通往超级智能与个人赋能时代的钥匙。
Manus 证明了，中国团队拥有世界级的产品洞察力和执行力，可以在全球舞台的中心，被当成最核心的拼图买走。
此时此刻，新闻里铺天盖地都是“数十亿美元”、“Meta 高管”、“泼天的富贵”。
很多人说这是运气，是这一代中国创业者的高光时刻。
但在我脑海里浮现的，依然是十月份那个下午，张涛站在路边匆忙吃着汉堡的画面。
那时候，他们刚从国内舆论的泥潭中拔出腿来，还没洗净裤脚的泥点。
但他看着远方，眼里闪烁着一种近乎狂热的光芒。
那个光芒，和今天新闻标题里的数字没有任何关系。
那个光芒是关于 Agency（行动力），关于 Super Intelligence（超级智能），关于一群中国年轻人，终于不再满足于只做一款赚钱的工具，而是想去定义未来的样子。
他们用行动证明了：只要你敢于去打 NBA，只要你敢于在本质上重注，世界真的会为你让路。
祝福 Manus，祝福这群从「CBA」突围，最终有机会在 NBA 赛场上拿下总冠军戒指的探险家们。
属于中国新一代年轻创业者的时代，真的到了。

[宝玉 @dotey]

AI Agent 要变强，有两条完全不同的路。

一条是 Skill，也就是给自己装技能，把新能力直接塞进脑子里。

另一条是 SubAgent，就像派小弟去干活，自己只看汇报。

这两条路听起来都能让 Agent 更厉害，但适用的场景还是有所不同，用错了的话，你的 Agent 可能反而会越用越慢、越用越乱。

Skills，就像是给主 Agent 装插件。

比如你的 Agent 原本只会聊天，现在你想让它能写 PPT。Skills 的做法是：把写 PPT 的能力说明、工具调用方式、注意事项，全都塞进主 Agent 的上下文中。主 Agent 通过上下文学会了这项技能，它可以自己来写 PPT。

第二种叫 SubAgent，就像是委托外包。

同样是写 PPT，SubAgent 的做法是：主 Agent 把任务派给一个专门写 PPT 的 SubAgent，SubAgent 独立完成后把结果交回来。主 Agent 全程不参与具体执行，只负责派活和验收。

一个是内化能力，一个是外包能力。听起来都能搞定任务，区别在哪？

区别在上下文管理，上下文就是 AI 的记忆。

你可以把 AI 的上下文想象成一张工作桌。桌子大小是固定的，你放的东西越多，就越难找到需要的那份文件。这就是上下文容量的问题。

Skills 模式下，所有能力说明都铺在同一张桌上。好处是信息互通，主 Agent 能看到所有中间结果，推理过程连贯。坏处是桌子很快就乱了，Prompt 越来越长，能力之间可能打架，AI 开始犯糊涂。

SubAgent 模式下，SubAgent 在另一张桌子上干活。干完把结果递过来，过程中产生的草稿、中间文件全留在那边。主 Agent 的桌面保持干净。代价是信息传递要设计好，不然关键信息可能在交接时丢了。

这就是上下文污染问题，这里的污染不是夸张的比喻，是真实的工程瓶颈。

什么时候用哪种？

判断标准其实很简单：子任务有多复杂，以及你需不需要完成任务过程中产生的信息。

Skills 适合的场景：任务本身不太复杂，或者你需要主 Agent 全程掌控。

比如让 Agent 充当入口路由，根据用户请求加载不同的“场景模式”，像进入 YouTube 总结模式、进入写报告模式。这时候 Skills 的懒加载特性很香：先只加载能力名字和简介，真正要用时才加载完整说明。不像 MCP 那样一股脑把所有工具的详细文档全塞进上下文。

SubAgent 适合的场景：子任务很重、很耗时、中间过程很啰嗦。

最典型的例子是浏览器调试工具。Chrome DevTools 的 MCP 功能很强，但工具说明太臃肿，放进主 Agent 会严重占用上下文。把它封装成 SubAgent，你只需要说“去查日志、截图、分析一下”，它跑完把分析结论递回来。中间那些截图、DOM 树、网络请求细节，全都留在 SubAgent 那边，不污染主 Agent 的上下文。

进阶玩法

有意思的是，Skills 和 SubAgent 这两种模式可以结合。这技巧是从 @yan5xu 那里学来的（https://t.co/uSkwSUvNiJ）。

第一种思路叫“先展开再压缩”。

打个比方：你开了一个两小时的头脑风暴会，白板上写满了草稿、争论、被否决的方案。但最后写进会议纪要的只有三条结论。那些中间过程对得出结论很重要，但对后续执行的人来说是噪音。

Agent 也可以这样操作。主 Agent 发现需要某个 Skill，加载进来，一通操作拿到结果。然后把从“加载 Skill”到“拿到结果”这整段过程折叠掉，只保留最终结论。对后续推理来说，就像开了一个会但只留下了会议纪要。

第二种思路是用文件系统做“中转站”。

想象你管理一个外包团队。你不会把所有需求细节都塞进一条微信消息里，而是说“需求文档在这个链接，去看”。外包团队交付时也不会把源码复制粘贴给你，而是说“代码在这个仓库，部署文档在这里”。

Agent 之间也可以这样协作。主 Agent 委托任务时，不把冗长的背景资料直接写进指令，而是存成文档，只传一个地址。SubAgent 返回时也一样：交付一个简短的状态摘要——“完成了/卡住了/需要你决策”——加一个详细记录的文档地址。主 Agent 根据情况决定要不要点进去看细节。这样双方的上下文都保持精简。

第三种是 Claude Code 里的实战技巧。

上下文快见底时，让 Claude 把当前完成的工作总结成一份文档。然后用 rewind 功能回滚到任务开始前的状态，告诉它：“这件事我已经做完了，记录在这个文件里。”

相当于什么？相当于你跑了一场马拉松，快到终点时发现体力不支。于是你把已经跑过的路线画成地图存档，然后“瞬移”回起点，精力充沛地说“我知道怎么走了，地图在这”。上下文被清空了，但成果保留了下来。用这个方法能在上下文耗尽前抢救一把。

最后

Agent 的竞争正在从“能调用多少工具”转向“怎么优雅地管理这些工具”。

很多人追逐最新的 Agent 框架、最花哨的能力扩展，却忽略了最基础的问题：AI 的工作记忆是有限的，你怎么组织它，决定了它能做多复杂的事。Skills 和 SubAgent 不是非此即彼的选择，而是两种工具，用对场景才能发挥价值。

说到底，Agent 架构设计和软件架构设计还是有很多相通之处。
是把逻辑写在一个巨型函数里，还是拆成模块化的微服务？
是共享全局变量图省事，还是严格隔离状态保持干净？

这些老问题换了个皮，又回来了。

[SkyWT @skywt2003]

我最喜欢最后这个 Developer 的动画。太酷了！
让系统从混乱到有序，这正是我们 Developer 做的事情。

[扬尼斯 @YiMore7]

牛

[铁锤人 @lxfater]

分享一下我的小红书育儿赛道图文起号系列

本系列浏览量破百万，一共五个提示词，覆盖0-7岁儿童

1. 记忆宫殿学习英语
2. 场景小孩子识字
3. 养成习惯
4. 奖励卡
5. 黑白卡

觉得有帮助的，记得回来报喜，不要忘记关注我🤣

具体看下面👇

[扬尼斯 @YiMore7]

知识体系构建进化史-2025版本

[宝玉 @dotey]

Ilya：扩展时代已经结束了，研究的时代已经开始

Ilya Sutskever 大概得有一年多没参加播客访谈了，自从 OpenAI 宫斗离职创办 SSI（Safe Superintelligence）后之后就很少露面了，

最近，他在 Dwarkesh Patel 的播客中进行了一场长达一个半小时的深度对谈。Ilya 毕竟是 Ilya，他不像 Sam Altman 整天满嘴跑火车，只是为了卖货，访谈里面有很多干货，我猜一些观点甚至会影响以后 AI 在研发和投资上的走向。

一个多小时的内容很难说几句话就总结完，还是按照话题挨个整理一下。

【1】为什么 AI 能在考试中碾压人类，却修不好一个简单的 bug？

Ilya 在访谈里抛出一个很多人都遇到过也困惑过的现象：现在的模型在各种评分上表现惊艳，但用起来却远远跟不上能力曲线。更诡异的是，你让它改个 bug，它改完引入新 bug；你指出新 bug，它道歉后又改回旧 bug。两个 bug 来回切换，像在打乒乓球。

Ilya 使用一个类比来解释这个问题的：想象两个学生。

第一个立志成为顶级竞赛程序员，刷了一万小时题，背熟所有算法模板，练到条件反射般精准。第二个觉得竞赛挺酷，随便练了一百小时，也拿了不错的成绩。

哪个人未来职业发展更好？

大概率是第二个。

Ilya 说，现在的模型比第一个学生还极端。训练时把所有竞赛题都刷了，还做了数据增强生成更多变体，一遍遍强化。结果就是：所有算法技巧都刻在指尖，但这种准备程度本身就限制了泛化能力。

这个类比点破了一件事：能力和泛化是两回事。刷题刷到极致，可能恰恰堵死了触类旁通的路。

【2】真正的 reward hacking（奖励作弊）是人类研究员

问题出在哪？Ilya 认为是训练数据的选择逻辑变了。

预训练时代很简单：数据越多越好，什么都往里塞，不用挑。但 RL（强化学习）时代不一样了。你得选择做什么强化训练、用什么环境、优化什么目标。

于是一个微妙的循环出现了：研究员想让发布时的 benchmark 得分数字好看，就设计能提升这些指标的 RL 训练。模型变得越来越会考试，但考试能力和真实世界能力之间的鸿沟被放大了。

讽刺的是，真正在奖励作弊的不是模型，是设计训练的人在不知不觉中过度关注了考试成绩。

【3】为什么人类学东西这么快

说到这里就要问一个更深的问题：为什么人类学东西这么快，而且这么稳？

Ilya 提到一个特别有意思的医学案例：有个人因为脑损伤，失去了所有情绪——不会难过、不会愤怒、不会兴奋。看起来他还是能说话，能做智力题，测试分数也正常。但他的生活彻底崩溃了：花几个小时决定穿哪双袜子，财务决策一塌糊涂。

这说明什么？情绪不只是情绪，它在某种程度上充当了内置的价值函数。它告诉你什么事值得做，什么选择是好是坏，不需要等到最后结果出来才知道。

价值函数是个技术术语，但概念不难理解。传统的强化学习是这样的：模型做一长串动作，最后得到一个分数，然后用这个分数去调整之前所有步骤。问题是，如果任务需要做很久才有结果，学习效率就很低。

价值函数的作用是“提前剧透”。比如下棋时你丢了一个子，不用下完整局就知道这步不好。编程时如果探索了一个方向走了一千步发现不对，价值函数能让你在一开始选择这个方向时就得到负反馈。

这就像 GPS 导航，不是等你开到终点才告诉你这条路不对，而是在你刚拐错弯时就开始重新规划。

人类大概就是有这么一套系统。而且这套系统的妙处在于：它相对简单，却在非常广泛的情况下都管用。我们的情绪主要是从哺乳动物祖先那里继承来的，针对的是几百万年前的环境，但放到现代社会居然还能用得不错。当然也有失灵的时候，比如面对满街的美食，我们的饥饿感就管不住了。

【4】堆算力堆数据的扩展时代已经结束了，研究的时代已经开始

Ilya 认为规模化时代结束了？

他给了个很有意思的视角：在 2012 到 2020 年，大家在做研究，试这试那，看什么有意思。然后 2020 年左右，scaling law(规模化定律) 被发现了，GPT-3 横空出世。突然之间所有人意识到：原来只要扩展规模，堆数据、堆算力、堆模型参数大小，一路扩充，就能稳定得到更好的结果。

规模化的好处是低风险。而研究是有风险的，你得雇一堆聪明人去探索，不保证有成果。但规模化？只要投入更多资源，就一定能看到回报。公司喜欢这种确定性。但副作用是它吸走了房间里所有的氧气，创新空间被压缩，最后变成“公司比想法多”的局面。

但现在呢？预训练的数据就那么多，互联网就这么大，总会用完。Gemini 据说找到了从预训练榨取更多的方法，但这条路终归有尽头。然后大家转向了强化学习，开始在那上面堆算力。

可问题是：现在算力已经这么大了，再 100 倍真的会质变吗？Ilya 不这么认为。他觉得我们又回到了需要思考到底该做什么的阶段，而不是继续闷头堆资源。

这就像爬山。一开始你发现有条路，往上走就是了，越走越高。但总有一天，你会发现这条路到头了，再往前走也高不了多少。这时候要么换条路，要么换种爬法，总之不能继续原来的策略。

现在的 AI 行业就处在这个节点上。所以 Ilya 说：我们回到了研究时代，只不过这次手里有大得多的计算机。

【5】泛化能力才是核心问题

在 Ilya 看来，当前最根本的问题是：这些模型泛化能力太差了。

什么叫泛化能力差？就是学一样东西需要的数据量太多，而且学会的东西换个场景就不灵了。

人类不是这样的。一个青少年学开车，10 个小时基本就能上路了。而且人类五岁小孩的视觉能力就足以支持自动驾驶了，虽然他不会开车，但识别路况、判断距离这些能力已经很强了，而且这些能力是在父母家里那种数据多样性很低的环境里学会的。

更关键的是，人类学编程、学数学这些东西也很快。这些可不是进化给我们的能力，因为我们的祖先根本不需要写代码。这说明人类不光是在某些特定任务上有进化优势，而是在学习这件事本身上就有某种更本质的能力。

模型呢？虽然在某些具体任务上超过了普通人，但要说学习能力，还差得远。

Ilya 对这个问题有想法，但他说现在不能详细聊，因为在这个竞争激烈的领域，不是所有机器学习想法都能公开讨论的。不过他给了个方向性的提示：这很可能跟如何做到像人类那样高效、稳定的泛化有关。

还有一个可能的阻碍：也许人类的神经元实际上比我们想的做更多计算？如果是这样，事情就更复杂了。但不管怎样，人类的存在本身就证明了这种高效学习是可能的。

【6】重新定义 AGI：从成品到学习者

这里 Ilya 做了一个概念上的重要修正。

AGI 这个概念怎么来的？是作为“狭隘 AI”的反面而诞生的。以前的 AI 只会下棋，只会玩游戏，非常狭隘。所以大家说：我们要造通用的 AI，什么都能做的 AI。

预训练强化了这个印象，因为预训练确实让模型在各种任务上都变强。于是“通用 AI”和“预训练”在概念上绑定了。

但这里有个问题：按照这个定义，人类自己都不算 AGI。

人类有一套基础能力，但缺乏大量具体知识。我们靠的是持续学习。一个聪明的十五岁孩子什么都不会，但学什么都快。“去当程序员”、“去当医生”、“去学习”，部署本身就包含一个学习和试错的过程。

所以 Ilya 心目中的超级智能，不是一个出厂就什么都会的成品，而是一个能像人一样快速学习任何技能的学习者。

【7】能自动学习的 AI 会有多快到来？有多危险？

那么问题来了：如果有这样一个系统，能像人类一样快速学习，而且可以大量复制部署，会发生什么？

人类入职六个月才能产出价值，但这种 AI 可能几周就行。而且不同副本学到的东西还能合并，这是人类做不到的。这难道不会导致某种爆炸式增长？

Ilya 认为确实会有快速的经济增长，但到底有多快很难说。一方面有高效的劳动者，另一方面现实世界很大，很多东西有自己的节奏，不是你想快就能快的。

但他确实改变了一些想法。以前 SSI 的计划是“直奔超级智能”——不发布中间产品，一鼓作气搞定终极目标。现在 Ilya 觉得，渐进式发布可能更重要。

【9】为什么要渐进部署？因为想象不出来就得看见

访谈中 Ilya 反复强调一点：AI 的问题在于它还不存在，而不存在的东西很难想象。

你可以读一篇文章说“AI 会变得多厉害”，但读完你觉得“哦，有意思”，然后回到现实。如果你亲眼看到 AI 在做那件事，感受完全不同。

他打了个比方：像二十岁时讨论“年老体弱是什么感觉”。你可以聊，可以想象，但真正的理解只能来自经历。

这导致一个实际问题：所有关于 AI 风险的讨论，都基于对未来 AI 的想象。而想象往往跟不上现实。就连天天做 AI 的人，也会因为当前模型的各种低级错误而低估未来模型的能力。

Ilya 的预测是：随着 AI 变得更强，人们的行为会发生根本改变。竞争对手会开始合作搞安全，政府和公众会开始认真对待监管。这些事情现在开始有苗头了，但还远远不够。而真正的催化剂，是让人们看到更强的 AI。

这也是他对 SSI“直奔超级智能”策略有所松动的原因。原本的想法是不参与市场竞争，专心做研究，等东西准备好了再拿出来。现在他觉得，让 AI 被看见这件事本身是有价值的。当然，无论哪种路径，最终部署都必须是渐进的。

【9】SSI 在做什么？不同的技术路线

SSI 融了三十亿美元。这个数字单看很大，但跟其他公司动辄几百亿的投入比起来似乎不够。

Ilya 算了一笔账。那些大数字里，很大一部分是用于推理服务的。另外，做产品需要大量工程师、销售、产品功能开发，研究资源被稀释。真正用于前沿研究的资源，差距没看起来那么大。

更重要的是，如果你在做不一样的事，不一定需要最大规模的计算来验证想法。AlexNet 用两块 GPU 训的。Transformer 论文最多用了 64 块 2017 年的 GPU，换算成今天也就两块卡。第一个推理模型 o1 的推理能力也不是靠堆算力堆出来的。

研究需要一定算力，但不需要最大算力。真正的瓶颈是想法。

那 SSI 的技术路线是什么？Ilya 没有完全透露，但核心方向是解决泛化问题。他认为现在的方法会走一段然后撞墙，继续进步但无法突破到真正的人类级学习能力。而 SSI 在探索不同的路径。

时间表呢？五到二十年，达到人类级别的学习能力。

【10】安全对齐是什么？应该对齐什么？

说到超级智能，绕不开安全对齐问题。Ilya 的想法是：让 AI 关心有感知能力的生命。

为什么是这个目标而不是“关心人类”？他给了个有意思的理由：AI 本身也会有感知能力。如果你想让 AI 关心人类，可能反而更难，因为它需要做某种特殊化处理。而如果让它关心所有有感知的存在，某种程度上更自然，类似人类对动物的共情，来自于我们用同样的神经回路去理解别人和理解自己。

当然这个方案也有问题。如果大部分有感知能力的存在都是 AI，那人类在数量上会是极少数。这真的能保证人类的利益吗？

Ilya 承认这不一定是最好的方案，但他认为至少应该把它列入候选清单，让各家公司到时候可以选择。

还有一个思路他提了但不太喜欢：人机融合。通过类似 Neuralink 脑机接口的技术，让人类部分成为 AI。这样 AI 的理解就是人的理解，AI 的处境就是人的处境，对齐问题某种程度上就消解了。但这显然是个很激进的方案。

【11】如何硬编码高级欲望？

访谈最后有一段很有趣的讨论。

人类有很多社会性的欲望：想被人尊重、在乎社会地位、关心别人怎么看自己。这些不是低级信号，不像闻到食物香味那样有直接的化学感应器。大脑需要整合大量信息才能“理解”社交场合发生了什么。

但进化却成功地把“关心这件事”硬编码进了基因。怎么做到的？

如果说“把多巴胺连到嗅觉感受器”还能想象，那“把奖励信号连到某种需要整个大脑协同计算才能得出的高级判断”就很难想象了。

Ilya 说他有一些猜想，但都不令人满意。这是个谜。但这个谜的存在本身就很有启发性，它说明进化找到了某种方法，可靠地给复杂认知系统植入高级目标。

【12】什么是研究品味？

访谈最后，Dwarkesh 问了 Ilya 个很本质的问题：作为联合创造了 AlexNet、GPT-3 等一系列里程碑工作的人，你怎么判断什么想法值得做？

Ilya 的回答很诗意：我寻找的是美感。

不是随便的美感，而是多方面的美：简洁性、优雅性、正确的大脑启发。人工神经元是个好想法，因为大脑确实有很多神经元，虽然大脑很复杂但神经元这个抽象感觉抓住了本质。分布式表示是个好想法，因为大脑确实是从经验中学习。

当一个想法在多个维度上都显得“对”，都有某种内在的和谐，你就可以建立自上而下的信念。这种信念很重要，因为它支撑你在实验结果不好时继续坚持。

有时候实验失败不是因为方向错了，而是因为有 bug。怎么判断该继续调试还是放弃方向？靠的就是这种自上而下的美学直觉：这个东西应该是这样的，所以一定能 work，继续找问题。

这可能就是顶尖研究者和普通研究者的区别。普通研究者容易被数据牵着走，实验不 work 就换方向。而顶尖研究者有某种品味，知道什么是深层次正确的，能够在实验结果和内在直觉之间找到平衡。

[扬尼斯 @YiMore7]

@canghe 重合度90%哈哈😁
差异是 agent 还用 fellou，写作工具多了 youmind

[扬尼斯 @YiMore7]

@ZeroZ_JQ 我这个要求怎么生成不了😂

[饼干哥哥AGI（2.0） @bggg_ai]

预计今晚各大平台陆续上线🍌Nano Banana2 了
先整理一波最热门的 30+ 个生图Prompts
第一弹 🧵
1. 桌面 3D 手办
2. Q版针织玩偶
3. 角色变身水晶球
4. 毛绒玩具
5. Iphone 自拍
6. Q版表情包贴纸
7. Funko Pop 手办
8. 吉卜力风格
9. 游戏 UI
10. 图像融合：组合多张图片

[李继刚 @lijigang]

我们为什么一边惊叹于 AI 的能力，一边又对它充满挫败感？

我们精心设计的“白盒”工作流（Workflow），试图让 AI 像精密齿轮一样运转，结果却发现它极其脆弱，稍有变化就全盘崩溃。于是我们转向另一个极端“黑盒”，我们向 AI 许愿，期待它像个魔术师一样“猜中”我们的心思，结果却往往是精致的“垃圾”，或偏离目标的“幻觉”。

我们像一个焦虑的监工，在“管得太死”和“完全放任”之间徒劳地切换。

问题出在哪里？问题在于，我们一直在问错误的问题。我们总在问“AI 该如何‘工作’？”，而真正的问题应该是“我们该如何‘协作’？”

要释放 AI 真正的潜力，我们必须摆脱“白盒”（僵化控制）和“黑盒”（盲目信任）的二元对立。

未来的最佳模式，是一种介于两者之间的中间态，我称之为“透明盒”。

这是一种可调节的人机协作模型：人负责设定战略框架、关键模块和边界；AI 则在这些边界内，负责填充细节、执行战术和激发创造力。

核心在于，这个“盒子”的透明度（即人的介入程度）应根据任务场景的不同而灵活调整。