cyliu7

[cyliu7 @cyliu7]

"随着越来越多思考被交给 AI，真正需要保留的，是对事物的基本理解、独立判断和形成观点的能力"

问题在于人对事物的理解和判断是在一次次的实践和思考中逐步形成的。当AI在很多事物上代替人类完成后，人注定已经缺失这部分判断力。

AI的知识可以复制/继承，人类不行。

[小盖 @xiaogaifun]

好久没听到 Sam Altman 的播客了，今天这一期真的是信息量真挺大。

我知道很多人对 Sam Altman 有一些不好的印象，但无论如何，我觉得他都是目前世界上最好的 AI 公司的一把手，他的一些思考和观点应该能够给我们启发。

这期播客，他从 OpenAI 为什么收缩业务、为什么疯狂囤算力，一直聊到 Kimi、开源模型、机器人和人在 AI 时代的价值。很多问题都讲得很具体。我总结下自己的收获。

1、OpenAI 过去一年最大的问题是不聚焦。2025 年初，他们还不确定 AI 收入能不能支撑已经签下的巨量算力，所以一度考虑过做更多的 ToC 产品，甚至后来还成立了单独的应用事业部，核心思路就是希望在模型需求增长不及预期时，也能找到其他方式消化 GPU。

但后来模型收入快速增长，AI 的经济回报逐渐明确，OpenAI 才决定砍掉一部分探索，把资源重新集中到模型、算力和核心产品上。

2、Sam 说现在 OpenAI 的定位已经很清楚了，他们的核心业务，是生产足够好、足够便宜的智能，再让其他公司基于这些智能开发新的产品。

为此，OpenAI 需要同时处理模型、芯片、服务器机架、土地、电力、数据中心，未来甚至还需要用机器人降低整个供应链的成本。

他们没有兴趣，也没有能力亲自做完所有垂直应用，更希望 OpenAI 成为智能时代的底层平台。

3、OpenAI 之所以敢提前锁定巨量算力，核心判断是 AI 的需求几乎没有上限。

这一点和梁文锋的判断很像。电脑刚出现的时候，人们认为全世界只需要几台电脑，但每次计算成本下降，人类都会创造出新的需求。

模型越强、价格越低，人们就越愿意让 AI 承担更多工作。OpenAI 做的事情，本质上是把电力转化成有用的智能。

4、真正让 OpenAI 对这条路线建立信心的模型，是 GPT-4，不是 GPT-3.5。

GPT-4 让他们第一次确认，模型已经聪明到足以继续解决推理问题。一旦推理能力成熟，模型就能从回答问题，走向执行任务，也就是后来大家所说的 Agent。

Sam 当时已经相信，这些 Agent 可以承担大量真实的经济工作。

5、去年推动大规模算力采购时，几乎没有多少人相信这件事。很多云厂商、芯片工厂和能源公司都觉得，AI 需求不可能长期高速增长，OpenAI 提出的采购规模也太激进。

Sam 说他当时的心态很像早期创业融资，大多数人拒绝并不重要，关键是逐个去谈，先找到一两个愿意下注的人。这一点挺有意思，我觉得这种思维方式就挺好的。

6、提升 AI 算力，不只有继续买 GPU 这一条路，短期内更大的机会可能来自软件优化。

毕竟买 GPU 增加的是原始算力，而通过软件优化，则可以把已有算力用得更充分。哈哈哈，这不就是国内公司重点在做的事情嘛。

通过改进算法和计算方式，减少无效计算和资源闲置，同样数量的芯片、同样多的电力，可以生成更多 Token，完成更多任务。

简单来说，过去需要十张卡完成的工作，经过优化后，未来可能只需要更少的卡。对缺少顶级芯片的公司来说，软件效率本身就是一种算力。

7、面对 Kimi 和越来越多便宜且智能水准不错的开源模型，Sam 的观点是，世界上一定会出现很多优秀、便宜的模型，也一定会有人因为私有部署、修改权重和数据安全选择开源。

而 OpenAI 的目标是覆盖从高智能到低价格的整条曲线，在不同速度、价格和能力要求下，都提供有竞争力的模型。

8、其他公司可以蒸馏前沿模型，再用更低的价格提供服务，但 Sam 并不认为这会动摇 OpenAI 的商业模式。

因为训练模型和调用模型，是两笔不同的账。训练下一代前沿模型，需要一次性投入巨额资金。

模型发布之后，每一次 API 调用和 Agent 执行任务，都会持续带来推理收入。

Sam 判断，未来人们会把大量工作交给 AI，整个推理市场可能大到难以想象。

即使每次调用赚得不多，只要调用量足够大，累计利润依然可以覆盖下一代模型的训练成本。

OpenAI 真正押注的不是高价和高毛利，而是智能使用量会持续爆发。

9、今天的模型已经非常接近 AGI，但还缺少几项关键能力。第一，面对一个极其复杂的任务，比如治愈某种癌症，它还不能自己拆解问题、设计实验、推进研究，最后交付结果。

第二，它还很难进入物理世界，独立控制机器人完成复杂操作。第三，它缺少持续学习能力，完成任务之后获得的经验，并不会立刻沉淀成新的能力。

简单来说，现在的模型已经很会思考和解决局部问题，但还不能长期自主行动，也不能一边工作一边成长。

完整 AGI，应该能够理解目标、持续行动、从结果中学习，最终独立完成一整件复杂的事情。

10、AI 发展的瓶颈一直在变化。早期真正稀缺的是研究思路，团队还不知道怎样训练出更聪明的模型，给再多算力也没有用。

技术路线逐渐明确后，有了大量值得验证的想法，算力开始成为决定性因素。

后来公开数据接近用完，数据又成了新的限制。现在数据问题已经通过合成数据、强化学习等方法得到缓解，最近半年新的研究思路也明显增多，于是瓶颈再次回到算力。

因为每一个新想法都需要大量实验验证，算力越多，团队试错越快，下一代模型也越早出现......

11、Sam 已经修正了自己对 AI 失业的判断。2019 年的他如果提前看到今天的模型，大概会认为大量工作已经消失，全球经济也会发生剧烈变化。但现实远没有这么快。

原因是模型的能力非常不均匀，它可以在写代码、分析资料等任务上超过大多数人，却可能在常识判断、长期执行和处理复杂现实环境时频繁出错。

一个岗位通常包含很多不同任务，AI 即使能做好其中一部分，也很难直接接管整份工作。

更常见的情况是，人把适合 AI 的环节交给模型，自己继续负责判断、协调、承担责任和处理意外。

AI 对工作的影响会先表现为任务被重新分配，再逐渐推动岗位发生变化，很少会在一夜之间让整个职业消失。

就像去年很多人说程序员这职业完了。结果现在看，程序员没消失，只是工作方式发生了巨变：不再是传统意义上的手写代码，而是更像 orchestrator + 产品/系统设计师。

12、Sam 从 ChatGPT 的诞生中得到的产品经验，是观察用户在一个并不好用的工具里，仍然坚持做什么。

如果一件事情操作很麻烦，用户还愿意反复尝试，通常说明背后存在非常强的需求。ChatGPT 最初只是一次研究预览，团队并没有预料到它会成为一个现象级产品。

13、Codex 能领先，主要还是因为模型和产品本身做得更好，ChatGPT 带来的分发优势其实很小。

智能本身最终会越来越像一种可以自由购买和替换的标准化商品。

真正能够长期积累的优势，来自 1）大规模、低成本的算力，2）算力、模型和产品之间的协同效率，3）复杂工作流、团队协作、集成生态，4）品牌偏好和长期信任。

简单来说，模型领先很重要，但很难永久领先。真正的护城河，是一家公司能否用更低的成本持续获得智能，再把这些智能嵌入用户很难迁走的产品和工作流程里。

14、现有电脑并不适合真正的 AI Agent。键盘、鼠标和显示器这套形态已经延续了大约五十年，它适合人主动操作软件，但真正的 Agent 却需要长期理解用户的处境，知道用户正在和谁交流、看过什么资料、讨论过什么问题，在合适的时机主动提供帮助。

OpenAI 折腾新硬件的主要动机之一，就是为 AI 设计一套原生载体，让它能够持续感知环境、理解上下文并主动工作。

15、即使超级智能突然出现，世界也未必会在第二个月立刻发生巨变。

模型能力可以快速突破，但企业流程、基础设施、法律制度和人的习惯仍然需要时间调整。

技术发展是一条持续加速的曲线，每个十年都比前一个十年变化更大，但生活在其中的人会很快适应。

16、其实现在，随着 AI 的成熟，最可怕的问题是 AI 会不会让人的认知能力逐渐退化。AI 可以帮我们查资料、写代码、分析问题，甚至直接给出结论。

效率确实提高了，但人也可能因此不断跳过理解、推理和验证的过程。

时间久了，我们也许还能完成工作，却越来越说不清结果为什么成立，系统出了问题也不知道该从哪里判断。

这一点我也深有感受。其实就像计算机出现之后，我是觉得人类的记忆力是有衰退的。举个例子，比如导航的存在会让很多人不认路了。

随着越来越多思考被交给 AI，真正需要保留的，是对事物的基本理解、独立判断和形成观点的能力。

否则，人类外包出去的不只是工作量，还可能包括自己的判断力、品味和世界观。

但这部分也是一个社会问题。因为人毕竟会本能地选择更省力的方式。一旦 AI 可以更快、更便宜地给出答案，大多数人很难长期坚持自己查资料、推理和验证。只靠个人自律，恐怕解决不了认知退化的问题。

播客链接见评论区。

[cyliu7 @cyliu7]

虚晃一枪

[Max For AI @MaxForAI]

两天前因为“健康原因”从 @thinkymachines 宣布离职的联合创始人翁荔被爆即将加入 @OpenAI 🤯？？？！

据 @theinformation 和@BusinessInsider 报道， 知名AI研究员、前 OpenAI 研究与安全副总裁，以及Thinking Machines 联合创始人@lilianweng 即将加入OpenAI，并带领一个团队，利用现有AI模型加速OpenAI内部研究，让模型参与训练和改进下一代模型。

但Lilian前两天刚宣布，因为过去七个月频繁生病，无法继续承受创业公司的工作强度，因此选择离开了Thinking Machines。

她当时说，自己更适合一个范围明确、节奏可预测、无需承担联合创始人责任的职位。

结果这个职位就是回OpenAI研究递归自我改进？？？

而且这显然不是临时安排。

7月4日，Lilian刚刚发布了一篇长文《Harness Engineering for Self-Improvement》。

她在里面把现代递归自我改进定义进行了解释。

递归自我改进不一定是模型直接修改自己的权重，也可以是模型改进数据、训练流程、评测、部署系统，最终帮助人类训练出更强的后继模型。

在翁荔离开后，Thinking Machines这边则基本被拆得只剩骨架。

六名最初联合创始人中，目前只剩Mira Murati和John Schulman还在。

Barret Zoph、Luke Metz和Lilian Weng都回到了OpenAI，Andrew Tulloch去了Meta。

看起来OpenAI真的攻克了AI医疗啊，否则难以解释为什么这么快就康复了🤣

[cyliu7 @cyliu7]

贵，AI基础设施已经贵到了只能用不能建的地步。有了水电煤气的特质 。

[PANews丨APP全面升级 @PANewsCN]

🤔本地部署运行 Kimi K3 到底需要多少钱？——成本远比你想象的高！

Kimi K3模型本身压缩后约594GB，但真正要跑起来，光缓存这部分内容就要再占约256GB，一台顶配8卡服务器（总显存640GB）跑起来几乎不剩余量

1⃣如果是自己买硬件（一次性投入）

Moonshot官方建议的生产级配置是64块加速卡（相当于8台8卡服务器组成的集群）。按H100单卡目前2-3万美元的市场价估算：

仅GPU采购：64块 × 约2.5万美元 ≈ 160万美元（约1150万人民币）

加上服务器机箱、高速网络互联（NVLink/InfiniBand）等配套设施，一般会再增加50%-100%的成本

合计一次性硬件投入大致在250万-350万美元之间

2⃣如果只求"能跑起来、不追求生产级速度"

用单台8卡H200服务器+量化压缩勉强跑，成本会低很多：8块H200 × 约3-3.5万美元 ≈ 24万-28万美元

加上配套设施，整机大致40万-50万美元，但代价是响应变慢、上下文窗口要缩短

3⃣如果是租云服务器（按小时算）

64块H100按云厂商价格（约2-3美元/卡/小时）计算：一小时约130-190美元，一个月（按720小时算）大概是9万-14万美元

单台8卡H200的最低配置，一个月大概是2万-3万美元

😐简单说：想在自己家里或公司买硬件长期自建，起步就要大几千万人民币；哪怕退而求其次租云服务器跑最简配置，一个月也要小几十万人民币。

这也是为什么大多数团队现在都直接用官方API，按token付费反而是最划算的选择。

即便如此，还是有人选择硬扛下载完整权重。

开发者Thomas Unise今天在推特发布下载过程截图——权重总量1454GB，他感慨"一个中国实验室，让一个美国人把价值数千万美元训练成本的前沿智能，直接下载到自己的本地硬盘里"；开发者Jeffrey Emanuel则调侃，这个模型（1.56TB）几乎能装进一块90美元的硬盘。

截至目前，Hugging Face显示该模型页面已有2850次下载。

注：以上为按当前硬件市场价的粗略测算，仅供参考

[Orange AI @oran_ge]

3月，他们开发了自己的 JIRA，完全抛弃了买来的项目 SaaS 软件，又好用，功能又多！开发者甚至只是个 QA 主管。
7月，他们已经重新回到 Linear，因为内部工具的维护成本占用了实际工作的精力。
一个东西很好开发，并不代表它就值得被开发出来。
Vibe Coding 的特点就是，开发第一版非常容易，维护起来非常难。

[cyliu7 @cyliu7]

时也命也

[曹山石 @caolei1]

2021年，碧桂园20亿拿下9.01亿股长鑫，这个仓位今天可以卖到400亿，而碧桂园市值目前不足百亿。

但地产寒冬，碧桂园在持仓三年后，在资金压力下壮士断腕，将长鑫股份原价转给了合肥国资，这时长鑫上市已经肉眼可见了。

[cyliu7 @cyliu7]

https://t.co/GysUNOU2vg

[cyliu7 @cyliu7]

支付宝有体验嘛？就应该搞成老年机那样，打开大大的两个块“付款/收款“，其它都关掉。自从有了碰一碰，方便太多了。

[空谷 Arvin Xu @arvin17x]

听闻支付宝体验技术部解散了，有点唏嘘，可以说是一个时代的落幕

[Gitana @Gitana1369877]

Subway

[cyliu7 @cyliu7]

无聊~消磨时间

[cyliu7 @cyliu7]

今天旁边一个小同事问你们做这东西有啥用？不禁哑然，是啊，有啥用！

[cyliu7 @cyliu7]

主打一个不管不顾

[空空道人 @Kongkongda5882]

经过大量研究发现：什么样的家庭最易培养出成功人士？
1.农村父母朴实寡言，甚至目不识字，在他们眼中孩子处处都好，从不苛求孩子，只是尽力让孩子吃上可口的饭菜。
2.父母爱玩成性，比如热衷于打麻将、跳舞，连孩子上几年级都记不清，孩子常常得自己照顾自己。
3.父母是小摊贩，整日早出晚归，经常见不到孩子，但只要见到孩子，就满脸笑意。
4.学者父母醉心于自己的专业领域，从不过度管教孩子，孩子想做什么就做什么。若孩子对某个领域兴趣浓厚，父母能提供专业资源。这类家庭容易培养出顶级科研人才！

[cyliu7 @cyliu7]

what happened?

[财经数据库 @caijingshujuku]

伊朗最高联合军事司令部称，伊朗武装部队将对美国的袭击做出“毁灭性回应”。

[cyliu7 @cyliu7]

小山羊怎么跑到天上去了

[cyliu7 @cyliu7]

乡野

[cyliu7 @cyliu7]

如果能降低一个数量级，那对GPU的需求，连带的机房和基础设施的建设都会降低。
同样的信息反反复复的被计算，这本身就不是合理的。

[Max For AI @MaxForAI]

我同意Andrew的观点，内存效率方面即将迎来重大突破，这个事情其实是Infra这边努力了很久的方向。

并且已经有了很大的成果，比如说：缓存命中。

DeepSeek早在硬盘KV Cache落地后，就把缓存命中的输入价格砍到未命中价格的1/10到1/50，本质上就是靠KV Cache方向的持续优化才敢这么定价，这在当时已经是行业内公开的先例。

如果Andrew说的这个从OpenAI分拆出来的团队真的做出了新的内存效率突破，大概率也是在这条路上走得更远——毕竟便宜和好用，最后都得靠底层架构买单。

同时我也看到了The Information的报道，一位知情人士透露，本月早些时候，OpenAI工程师向部分同事表示，依托几项全新研发的优化技术，他们找到了一套方案，能将模型推理成本削减一半以上。

工程师将这套新技术应用于没有免费或付费账户的访客使用 ChatGPT的场景后，一度把所需英伟达图形处理器(GPU)数量压至仅数百个。

[cyliu7 @cyliu7]

可怜的京东，花了200个，毛都没得。

[AB Kuai.Dong @_FORAB]

美团 CFO 算了一波账，外卖大战烧了 2000 亿，把原本一天 8000 万单的餐饮外卖生意，硬生生推到了最高峰时的 2 亿单以上。

结果是行业 1600 万骑手过剩，开水团迎来了著名的 630 裁员，最终大家都没赢。

[cyliu7 @cyliu7]

都是生产线上的打工人

[黄小木 @ai_xiaomu]

说个暴论：

你在大厂打工多年认识的那些996牛马，

压根就不叫人脉，等你们出来就知道了。

[cyliu7 @cyliu7]

CAO, 忘记取消minimax的openclaw订阅，损失一百大洋。

[cyliu7 @cyliu7]

万恶的资本家🫎

[哈哈哥 @crypto_daha]

我女儿在家洗碗一次要五块钱，已经洗了半年了。儿子今天说他也想洗，而且只要三块钱。让我把姐姐辞退。

我告诉姐姐：
你升职了，当监工，虽然降薪了，但是轻松，每次两块钱，什么都不用干，监督弟弟洗碗。碗洗好了两个人都有钱，洗不干净都没钱。

[cyliu7 @cyliu7]

Tencent agent mail挺好用的。不需要再配置主邮箱了。