LouisCheung

🧬 生物AI交叉研究｜📈 交易员｜🏋️健身 🏊游泳
以算法解码生命，以纪律穿越市场

[LouisCheung @deBroglie_Louis]

@supermao 小毛哥，同是苏北人可否互 fo 下，谢谢！

[LouisCheung @deBroglie_Louis]

@kevinsims3087 世界是为活的长的人准备的-华大基因 ceo

[LouisCheung @deBroglie_Louis]

@KandaoMaster @yifanxu_ephai 原神玩家互 fo，谢谢

[LouisCheung @deBroglie_Louis]

记得 14 年机器学习最早的 demo 是垃圾邮件识别，Personal Agent 如今用的很溜的是个人邮件提醒；从搜索到推荐，是“我去找”到“它来猜”，Personal Agent 也是从有问必答到主动关心。技术落地不以宏大叙事开场，只从用户的高频小事切入。评论区说说：你的 Personal Agent 先落地哪件小事？

[LouisCheung @deBroglie_Louis]

@jakevin7 @turingou 找到同频的 x 友共享注意力编码，互相蒸馏，共同进步

[LouisCheung @deBroglie_Louis]

@vincentwangau 其实筛选同频 x 友最重要

[LouisCheung @deBroglie_Louis]

以前在 X 无脑关注一堆大 V，现在在关注列表做减法。
关注牛人≠变牛，只会变焦虑。
只和同频、能价值互换的人互粉。
同频的，我一个个回关。
大V是背景音，同频才是增长飞轮。

#浇朋友 #蓝v #互动

[山景城小路 @Zen_with_AI]

esp32小板子现在可以做很多事，配合muse可以直接利用大模型控制手机，实现自动化控制硬件，规模化的目的

USB 控制手机（自动化操作）技术逻辑：ESP32（尤其是 ESP32-S2 / S3 系列）支持 USB Device 模式（OTG），可以模拟成标准的 HID 设备（键盘 + 鼠标）。
手机把这块板子识别成“外接键盘/鼠标”。
板子里跑的程序按时间或脚本，主动发送 HID 报告（按键码、鼠标移动、点击坐标）。
于是手机屏幕上就会自动出现：打开备忘录、输入中文、切换画笔、画出圆形+笑脸等操作。

[LouisCheung @deBroglie_Louis]

@antiAIvo @jia440479 在传统社会就是一个坎

[LouisCheung @deBroglie_Louis]

🧬 《Interpreting Convolutional Neural Networks in Population Genetics》AI 在没人教的情况下，自己重新发明了遗传学公式。一项群体遗传学研究把 CNN 这个"黑箱"拆开看，发现：没人教它算杂合度，它自己悟出来了；算长程连锁不平衡，它甚至比传统方法更快。
换句话说——你的 DNA 里藏着 5 万年前祖先迁徙、混血的历史，AI 现在不仅能读懂，还自己发明了读法。
细思极恐的是：它学到的东西，和人类遗传学家几十年手工总结的统计量高度重合。我们以为 AI 在瞎猜，其实它在复刻科学史。
论文概要：
卷积神经网络（CNN）直接读取基因型或单倍型矩阵，在推断自然选择、重组率、基因渗入与有效群体大小变化等任务上表现不俗，但它们的内部决策一直难以解释。德国图宾根大学与宾夕法尼亚大学等团队在 Molecular Biology and Evolution 发表研究，系统解剖了三类群体遗传学神经网络：pg-gan 判别器、检测选择扫荡的 ResNet CNN 与 GCN。作者把网络最后一层隐藏层的特征与 π、单倍型数量、连锁不平衡（LD）、位点频率谱（SFS）、Garud 统计量等经典汇总统计量逐一对照，并用随机初始化网络作对照、PCA 与 SHAP 观察特征冗余、以随机森林和决策树构建可解释的 model-of-the-model。结论相当具体：CNN 确实隐式地复现了以 π 为代表的若干统计量，训练后又重点强化了对中远距离 LD 的刻画，但 SFS 尤其是低频变异反而是其弱项；研究者没有发现它们学到全新统计量的明确证据，其优势更可能来自对已有信号的非线性组合。
DOI：https://t.co/cGD9D6ygj6
Code：https://t.co/IL3EMMv5oT

#AI #基因组学

[LouisCheung @deBroglie_Louis]

@AlanShao111 @supermao 关于薄肌理论补充：大胸理论。对于易胖体质的朋友，薄肌难练，可以先练胸。胸是上半身视觉锚点，不需要控制饮食不需要漫长训练周期。Life is up and down，卧推如此，人生也是——你要稳稳接住每次起伏。

[LouisCheung @deBroglie_Louis]

@QWeisen36770 打个招呼 互关互粉 共同进步

[LouisCheung @deBroglie_Louis]

@ying_hu94065 来了

[LouisCheung @deBroglie_Louis]

@bot @bot get me my mail
[email protected]

[uudon @uudonX]

「中英双语字幕」这是我见过最清晰、能讲透 ChatGPT 和 Claude 到底怎么构建出来的课。斯坦福大学、免费LLM课程

看完你会看到很多“原来如此”的设计。

我觉得学这些东西最有意思的地方，就是把“模型内部大概有点魔法”，慢慢换成自己能顺着讲出来的过程。以后看新模型的介绍，至少知道它改的是哪一环，也能分清自己理解了什么、哪些地方还只是记住了名字。

“预测下一个 token”这句话，大家都会说。可再往下问：文字怎么变成数字？为什么一个单词还要拆开？Attention 到底在算什么？模型训练时，又在改什么？几个问题一连起来，就能发现自己哪里还没弄懂。

[LouisCheung @deBroglie_Louis]

@bot @bot get me my mail [email protected]

[山景城小路 @Zen_with_AI]

https://t.co/xxhwbaKB8Z

[头雁 @alacheng]

这个x主对transformer的理解挺深刻。

1/ “不要把 transformer 想成一个管道：好像每一层都在转换前一层的输出。”

理解：每个 block 里的 attention 或 MLP（也就是 (f)）并不是把输入“变成”新的东西，而是算出一份要加回去的增量。原输入 (x) 通过残差连接原样加回去，所以信息主要是被“追加”，不是被覆盖。

2/“开始把它想成一个残差流” 每个 transformer 块都有一个残差连接，将块的输入加回到它的输出上。
x' = f(x) + x
这种“加法”连接意味着一层内部的注意力/MLP 块（上面的函数 f）实际上并没有转换输入——相反，它计算出在传递到下一个块之前必须添加到输入上的信息

3/把整个 transformer 主干想象成一个共享的白板。每个块从白板上读取它需要的东西，并将它的笔记写在白板上。累加的改变。 事实上，层之间可以远距离交流。第 1 层的一个块可以写入信息，第 5 层的一个块可以读取它，尽管它们之间没有直接的连线。

理解：整条 backbone 是同一块白板。
每一层读白板上已有的内容，再把自己的笔记写上去（加法）。第 1 层写的东西，第 5 层仍然能读到，中间不需要专门连一根线。因为中间层只是在原向量上继续加，早期写入的方向不会被擦掉。
加输入，是因为这一层算出来的不是“新的完整表示”，而是一份要叠到原向量上的修正。

[Lonely @Lonely__MH]

🎉全体起立！Muse - Token永动机诞生！你这辈子估计都用不完

🔥步骤极简（实在不会，这篇帖子发给muse）

1. 打开muse , 发送 👉🏻 "帮我安装这个 https://t.co/3X44UC3yeg 同时我的key是OPENROUTER_API_KEY= 你的Openrouter Key "

2. 继续发送：安装 pi agent

3. 让 muse 配置 pi agent 使用免费模型

over！

牛逼的人生不需要解释，灵感来源👉🏻 @MinLiBuilds