一条忧郁的工科蛆

CMU ECE | 端侧 AI × 嵌入式
拆新技术，做小项目，记录留学日常
薄肌预备役

[一条忧郁的工科蛆 @FrozenEel427]

你一定见过 AI 在你的专业里胡说八道。
那为什么换个领域，你又信它了？
这个现象有个名字，叫盖尔曼失忆效应。

起因是 Gergely Orosz 拿一个法律问题去问 AI，后来律师告诉他 AI 答错了。很多人在这条讨论下面提到了盖尔曼失忆效应。

这个概念是《侏罗纪公园》作者迈克尔·克莱顿提出的，用物理学家盖尔曼的名字命名。原本说的是看报纸：你读到一篇关于你专业领域的报道，发现错得离谱，因果都写反了，你摇摇头翻到下一页，看国际新闻、看经济新闻，又全盘接受了。你忘了刚刚才见过这家报纸有多不靠谱。

换成 AI 也一样，而且更隐蔽。AI 的语气永远很自信，排版永远很整齐，错的答案和对的答案看起来一模一样。

我自己就踩过。刚开始用 AI 写代码，我直接把问题丢给它，简单题没问题，难一点的它就开始跑偏，最离谱的一次，它写出来的代码只能通过题目给的样例，换一组数据就挂。这是在我懂的领域，我能看出来。问题是，如果它是在跟我讲法律、讲医疗、讲投资呢？我根本没能力发现它在糊弄我。

我之前上过一门 Ethics of Technology，课上一直在讨论一个问题：技术出错时，责任到底在谁？放在 AI 上，答案很现实：AI 不会为它的回答负责，最后用这个答案的人是你。

所以我现在用 AI 有三个交叉验证的习惯：

1. 先拿懂的问题试。在你熟悉的领域问它几个问题，看看它会在哪些地方犯错、错的时候是什么样子。这样你对它的不靠谱程度有个直观感受。
2. 重要的结论必须找原始出处。法律看原条文，医疗看正规指南，数据看原始报告。AI 给的链接也要点进去看，它会编出不存在的来源。
3. 换一个模型、换一种问法再问一遍。两个答案对不上，就说明这里有坑，这时候就该去问真正的专家。

越是不懂的领域，越不能偷懒。因为恰恰在这些领域，你最没能力发现它错了。

你在自己的专业里，见过 AI 最离谱的错误是什么？

讨论来源：

#AI #盖尔曼失忆效应 #科技伦理 #AI使用技巧
https://t.co/RuNpSlw3Oq

[一条忧郁的工科蛆 @FrozenEel427]

亚马逊员工最近流行一个缩写：AI;DR。
翻译过来就是：这是 AI 写的，我不读了。
连最讲究写文档的亚马逊都这样了，我们这些用 AI 写作业、写实习周报的学生，可能也已经被别人默默打上这个标签了。

先说背景。亚马逊出了名的是六页备忘录文化：开会不用 PPT，前 30 分钟所有人安静读文档，读完再讨论。贝佐斯的逻辑是，写得出一篇结构完整的六页长文，就说明你真想清楚了。

但在亚马逊干了快二十年的 Steve Huynh 最近写了篇文章，说这个逻辑被 AI 打破了。现在几分钟就能生成六页，完全不用思考。他社群里一位高级工程师开始给疑似 AI 写的文档打上 AI;DR，理由是：模型写的，就让模型去总结吧。文里还有个很尴尬的场景：一位资深 PM 在评审会上讲自己的六页文档，讲了两分钟，大家都看出来他是第一次读这份文档。

@steipete 只发了 AI;DR 这一个词，加一条引用，就拿到了十几万阅读。说明这事戳中了很多人。

我自己的感受是，问题根本不在用不用 AI。我写代码也一直在用 AI，但读的人一旦发现你自己都没想过，你就失去了他的信任。文档以前是你想过这件事的证明，现在这个证明得你自己补上。

所以我给自己整理了一份防 AI;DR 自查清单，交作业、写周报、发邮件之前过一遍：

1. 每一句话你都能当面解释吗？被问到“这句什么意思”时，回答“这是 AI 写的”永远不行。
2. 有没有只有你才写得出来的东西？比如具体的数字、踩过的坑、你自己的判断。全是正确的废话，一眼就是 AI。
3. 是不是太长了？短提示生成长文档，不如直接把要点发给对方。长不代表认真。
4. 开头有没有直接给结论？AI 很爱先铺垫“在当今快速发展的……”，人写周报第一句就是结果。
5. 你自己从头到尾读过一遍吗？读不下去的地方，别人更读不下去。
6. 引用 AI 生成的内容，有没有标出来？标出来没问题，藏起来被发现才最伤信任。

文章作者给的原则我觉得很对：AI 可以帮你做头脑风暴、整理思路、查资料、改语法，但笔要握在人手里。

你们读别人发来的东西时，最常见的 AI 味特征是什么？

原文：https://t.co/nSZNoiZHVw
@steipete 原帖：

#AI写作 #职场 #亚马逊 #AI与职场 https://t.co/7EY7xXp2h1

[Peter Steinberger 🦞 @steipete]

AI;DR

[一条忧郁的工科蛆 @FrozenEel427]

最近发现个好用的tool，快找工作的同学看过来。GitHub 上有个求职工具最近一直挂在热榜上：ai-job-search。它基于 Claude Code，整个跑在你自己电脑上，简历和求职数据都不用交给第三方平台。

能做的事基本覆盖整个求职流程：
评估职位：把 JD 丢进去，帮你判断这个岗位和你的匹配度
改简历：按不同岗位定制不同版本的简历
写求职信：根据职位和你的经历生成 cover letter
准备面试：针对岗位做面试准备

MIT 开源，作者原话是 "Fork it and own it"，fork 下来按自己的需求改就行。目前已经 5.5 万星。

作为一个马上也要海投的 ECE 学生，我准备先拿它把 JD 筛一遍。你们求职的时候用 AI 用在哪一步最多？

https://t.co/vMurhar28l

#AI求职 #ClaudeCode #开源 #找工作

[一条忧郁的工科蛆 @FrozenEel427]

之前说 AI 写的固件一烧，板子直接卡死，现在乐鑫官方给了个解法：esp-emulator 不用实体板就能跑 ESP32 固件，S3 也支持。以后 AI 写完的代码可以先丢模拟器里跑一遍，挂了也不心疼板子，GDB 调试和任务调度追踪还都是现成的。打算过两天拿它先测一下电子宠物项目的固件，回头说说体验。有人已经试过吗，跟真板子差别大不大？

#ESP32 #嵌入式 #AI编程 #开源

[TechVerser @realfxw]

乐鑫（Espressif）官方开源了一款非常亮眼的嵌入式利器：基于 Rust 编写的 esp-emulator，无需任何实体开发板，就能在本地终端乃至浏览器中直接模拟运行 ESP32 系列 SoC 固件。

这次更新与功能覆盖相当全面，直击嵌入式开发者和 CI 自动化测试的痛点：

广泛的芯片支持：全面覆盖 RISC-V 架构的 ESP32-C3、C5、C6、H2、P4、S31，以及 Xtensa LX7 双核的 ESP32-S3。不仅模拟 CPU 指令集与 FPU，还还原了 PMP/PMA 权限控制、MMU 与加密加速器。

完整的无线协议栈仿真：
Wi-Fi：内置 Soft AP，支持 WPA2/WPA3 握手、企业级 802.1X 以及 DHCP 服务。
用户态免配置网络（User-mode NAT）：无需 sudo 或 TAP 网卡，开箱即用实现 TCP/UDP 转发；更自带 mDNS 记录重写，支持无缝调试 Matter / HomeKit 配网。
BLE & Thread：BLE 支持配合 Google Bumble 进行纯软件仿真；ESP32-C6 和 H2 支持通过 UDP 桥接两台仿真器，组成两节点的 802.15.4 Thread 真实 Mesh 网络。

无缝嵌入现有开发工作流：
支持 --uart-tcp 桥接，https://t.co/30rBOeGbe1、https://t.co/j5my1es0HO 和 https://t.co/bRnwvwpoOK flash 可以直接通过 socket:// 烧录固件与 eFuse。
内置 GDB 远程调试存根（--gdb），并提供 --trace 输出 Perfetto/Chrome 跟踪文件，无需在固件内插桩即可精确观察 FreeRTOS 任务调度与 CPU 耗时。

零安装体验：官方构建了 WebAssembly 版本并直接部署在 GitHub Pages，只需把编译合并好的 merged-binary.bin 拖拽到网页中，就能实时查看控制台输出、GPIO 状态、寄存器与内存。

单行脚本一键安装体验： curl -fsSL https://t.co/Ysryjs2l2A | sh

做固件 CI/CD、网络协议栈验证或手头没有板子时的救急调试，推荐务必收藏体验！

#ESP32 #Espressif #RustLang #IoT #Embedded #OpenSource

[一条忧郁的工科蛆 @FrozenEel427]

@AlanShao111 来cmu

[一条忧郁的工科蛆 @FrozenEel427]

先说一个让我有点看不懂的新闻。

10月14日，Anthropic在 IPO 前的投资者会上透露，第三季度收入 168 亿美元。注意，这不是"年化收入"，是实打实一个季度的收入。上一季度是 116 亿，再上一季度是 47 亿。公司还说，第三季度已经按调整后口径盈利了。

按理说这是好消息吧？可第二天路透社就报道：有投资者开始讨论，把它的 IPO 估值从原本预期的约 2 万亿美元，压到 1.5 万亿左右。

一个季度赚 168 亿，估值反而被往下谈。这到底是怎么回事？

先分清两个概念：收入和估值

收入是公司现在实际赚到的钱。估值是市场觉得这家公司"未来值多少钱"。

投资者失望的原因，不是 Anthropic 赚得少，而是增长变慢了：从第一季度到第二季度，收入翻了一倍多；从第二季度到第三季度，只涨了 45%。

估值买的是未来。一家公司要值 2 万亿，市场得相信它会一直高速增长下去。增速一放缓，大家就开始重新算账。

需要说明：这些数字是参会者转述给媒体的，不是经过审计的财报，正式的招股书还没公开。另外也有报道说，Anthropic 仍然计划按 2 万亿估值上市，最终结果还没定。

美国银行在担心什么？

同一时间，美国银行的两位策略师接连发了报告。

首席投资策略师 Michael Hartnett 说，AI 是"铁路之后最大的泡沫"，现在资金扎堆 AI 的程度，很像 2000 年互联网泡沫破裂前夕。不过他也承认，现在很难断定 AI 热已经见顶。

另一位策略师 Sebastian Raedler 的一句话我觉得最值得记住：过去大多数大规模的资本投资周期，最后都以失望收场，哪怕技术本身确实兑现了承诺。

他算了一笔账：大型云厂商未来一年在 AI 上的资本开支，预期已经涨到约 1 万亿美元，大约是美国 GDP 的 3%，比 1870 年代铁路热和 1990 年代科技热时的比例都高。

"技术成功了，投资者照样亏钱"，历史上发生过

这句话听起来很矛盾，但历史上真的发生过。

1840 年代的英国铁路狂热：议会批准修建了数千英里的铁路，很多线路互相重复。这些铁路后来对社会非常有用，可当年的股东长期回报很差。

1990 年代末的互联网泡沫：电信公司疯狂铺设光纤，泡沫破裂时，长途光纤只有大约 10% 在用。但那些闲置的"暗光纤"，后来撑起了整个互联网的发展，我们今天刷视频、上网课，都在用当年"过度建设"的成果。

所以"泡沫"和"技术有没有用"是两回事。泡沫破的是价格，留下来的是基础设施。

作为学生，我怎么看？

我不懂股票，自也不会就此给出投资建议。但这件事让我想明白了一点：AI 会不会改变世界，和 AI 公司的估值会不会跌，完全可以同时成立。

就算真有泡沫，泡沫破了，那些建好的数据中心、训练好的模型、培养出来的人才，也不会凭空消失。就像光纤一样，它们会变成下一代创新的地基。

对我们学生来说，比起纠结"AI 是不是泡沫"，更值得关心的是：当这些基础设施变得越来越便宜、越来越普及的时候，你准备好用它做点什么了吗？

你觉得现在的 AI 更像当年的铁路，还是当年的光纤？评论区聊聊。

来源：
Anthropic 第三季度收入（CNBC）https://t.co/gquLHoIqZi
IPO 估值讨论（路透社）https://t.co/F0ZXArV9Bh
美银 Raedler 报告 https://t.co/N5s7ARNi0D
互联网泡沫与光纤 https://t.co/DBMcwLWfAs

#Anthropic #AI #AI泡沫

[一条忧郁的工科蛆 @FrozenEel427]

@quebanboy @DaveShapi 精辟

[一条忧郁的工科蛆 @FrozenEel427]

X 上最近有句话挺火："Vibe coding is dead."
我拿自己写作业的两次经历对了一下，发现 AI 是同一个，差别全在我自己：先想没想清楚，最后验没验收。
你用 AI 写代码，更像许愿还是派活？

——

先交代下背景：这句话出自 @DaveShapi 的帖子，原话是"Vibe coding is dead. Agentic coding is the way."，意思是凭感觉写代码已经过时了，智能体编程才是正道。

先说说这俩到底啥区别。

Vibe coding 就是你用大白话跟 AI 说"帮我做个啥"，它吐一堆代码出来，你看都不看，能跑就行，跑不了就把报错丢回去让它接着改。说白了就是许愿。

Agentic coding 更像给 AI 派活：你先定好目标、拆好任务、讲清楚什么算做完，让 AI 一步步干，你负责盯着每一步对不对。

连 Linux 之父 Linus Torvalds 都在自己的业余项目里用 AI 写过一个 Python 可视化小工具。写了几十年代码的人都在用，所以现在问题早就不是该不该用，而是怎么用。

我自己的两次经历

第一次：以前写作业，我有时候图省事，直接把题丢给 AI。前几次都没事，但题越往后越难，它的解法就越容易跑偏。最坑的是它碰到难题不会说"我不会"，而是给你整一套似是而非的东西，比如代码刚好能跑出 example 的输出，可只对 example 管用，换一组数据就不对了。到了做嵌入式的时候，我就彻底不敢放手了：固件错一次，板子可能直接卡死。

第二次：后来我换了个用法。重要的部分我自己来，比如引脚分配。AI 动手之前，我先让它把思路讲给我听，我把它的框架审一遍，觉得不对就马上改，然后再让它按框架一步一步写。效果明显好多了，至少遇到麻烦的地方，它不会再编一套数据糊弄过去。

差别到底在哪

回头看，两次用的是同一个 AI，差别全在我：

一是我有没有先想清楚要什么。直接丢题的时候，我其实是把思考也一起外包出去了，它跑偏了我都看不出来。
二是我有没有验收。能跑出 example 不代表它对，更不代表我懂。
三是出了事谁背锅。作业扣的是我的分，板子卡死了修的也是我，不是 AI。

所以我理解的"Vibe coding 已死"，不是 AI 不好用了，而是只会许愿、不会验收的用法走不远。

给同样在学编程的同学几点建议

先自己写思路，哪怕几行注释也行，再让 AI 动手。
关键的部分自己做，比如硬件相关的引脚、时序这类一错就出大事的地方。
让 AI 先讲思路再写代码，你审过框架再放它干。
别只拿 example 测，自己多造几组数据，尤其是边界情况。
把 AI 当成手很快但会犯错的队友，别当标准答案。

这些不光是为了拿分。以后进了公司大家都会用 AI，拉开差距的可能就是谁更会定目标、谁更会验收。

你现在用 AI 写代码，更像许愿还是派活？评论区聊聊。

参考：@DaveShapi 原帖 https://t.co/JRnuoDzxtc

#VibeCoding #AI编程 #AIAgent #嵌入式

[David Shapiro (L/0) @DaveShapi]

Vibe coding is dead.

Agentic coding is the way.

[一条忧郁的工科蛆 @FrozenEel427]

最近 X 上又在讨论亚马逊的仓库机器人。其实这个数字去年就到了：2025 年夏天，亚马逊宣布第 100 万台机器人送到了日本的一个运营中心，整个机器人网络覆盖全球 300 多个设施。《华尔街日报》当时的标题是："亚马逊仓库里的机器人，快要比人还多了。"

一年多过去，这件事还在被反复讨论，因为它背后的问题一直没有答案：机器人到底是在帮人，还是在替人？

这些机器人都在干什么？

亚马逊的机器人不是科幻片里那种人形机器人，大多是专门干某一件事的"工种"：
Proteus 是第一台完全自主的移动机器人，能在员工走来走去的区域里拉着装满订单的重推车跑。
Hercules 能把最重约 567 公斤的整个货架顶起来，搬到工人面前。
Pegasus 负责用传送带分拣单个包裹。
Vulcan 是亚马逊第一台有"触觉"的机器人，能去高处货架上取货，人就不用再爬梯子了。
还有一个叫 DeepFleet 的 AI 模型，专门给整支机器人车队调度路线，官方说能让车队的行驶时间缩短 10%。

亚马逊的说法：机器人接走的是最伤身体的活

亚马逊今年 8 月的新闻稿说，过去六年里，机器人系统让可记录的工伤率下降了 43% 以上，需要停工休养的工伤率下降了 70% 以上。

它还说会在奥斯汀新建一座生产机器人的工厂，新增 300 到 500 个制造和工程岗位；另外有个带薪学徒项目，专门培训仓库员工去维修机器人。

需要说明的是，这些数字都是亚马逊自己公布的，没有第三方核实。

另一面：一份内部文件

2025 年 10 月，《纽约时报》披露了亚马逊自动化团队的内部文件：目标是到 2027 年少招约 16 万名美国员工，到 2033 年少招 60 万以上，而同期销量预计翻倍，长期要把 75% 的运营自动化。

诺贝尔经济学奖得主 Acemoglu 的评价是：如果真的实现，美国最大的雇主之一会"从净创造就业，变成净消灭就业"。

亚马逊的回应是，这些文件只代表一个团队的看法，不是公司的招聘策略，而且公司当时还在为假日季招 25 万人。

注意这里的说法："少招"，不是"裁掉"。现有的人可能不会被开除，但未来本来会出现的那些岗位，可能就不会出现了。

我作为学生看到的三件事

第一，机器人先替掉的，确实是人最不想干的活。爬梯子、搬重物、整天弯腰，这些活伤身体，被机器接手并不是坏事。

第二，但"少招"比"裁员"更隐蔽。新闻里不会出现"某某公司裁员几万人"，可那些本来会存在的入门岗位，悄悄消失了。对刚进职场的人来说，这才是真正要留意的变化。推断

第三，岗位在变形，而不是简单地消失。会修机器人、会管机器人车队、会看数据调度的人，反而变得更重要。亚马逊自己也在花钱培训员工转行做技术员。推断

所以如果你还在探索职业方向，与其问"哪些工作会被机器人取代"，不如问"哪些工作是在跟机器人一起干活"。后者的需求，只会越来越多。推断

你觉得机器人进仓库，是在保护工人，还是在替代工人？评论区聊聊。

来源：
亚马逊第 100 万台机器人 https://t.co/gKPVyJq6qN
亚马逊 2026 年 8 月新闻稿 https://t.co/rSpsH43bVY
《纽约时报》内部文件报道 https://t.co/w3sMgXUfHA

#亚马逊 #AI #机器人 #职场

[一条忧郁的工科蛆 @FrozenEel427]

@Mileson07 还真是，感觉还是搞嵌入式安全点，毕竟 AI 写的固件一烧，板子直接卡死，自动部署再吊也部署不到物理世界 😂

[一条忧郁的工科蛆 @FrozenEel427]

@realfxw 小智确实是入门端侧 AI 硬件最好的参考，语音链路很完整。我最近也在拿它当参考做一个口袋电子宠物，固件和后端准备自己重写，试着做个"越养越会说话"的成长系统。原型做出来了再来分享踩坑😤

[一条忧郁的工科蛆 @FrozenEel427]

@ewind_dev 区别是废物员工至少不会把文件整理丢了，但要是模型编一大堆数据还理直气壮地告诉你整理好了那属实有点炸了

[一条忧郁的工科蛆 @FrozenEel427]

都说 AI 要抢程序员饭碗，结果最近一堆开发者在吐槽：用了 AI，活没变少，人反而更累了。
因为 AI 写得飞快，但它写的每一行都得有人看。
作为一个快要找工作的学生，我看完反而没那么焦虑了。

——

另一边，Sam Altman 在一档播客里也承认，AI 对经济的冲击比他当初想的要慢。

这两件事放一起看，挺有意思。

AI 没拿走工作，拿走了啥？

以前程序员的一天是自己写、自己调。现在变成了：让 AI 刷刷写一大堆，然后花大把时间去读、去查、去改。

写代码的时间是省了，但审代码成了新的工作量。而且审往往比自己写还累：你得先搞懂别人（这里是 AI）在想什么，再找出错在哪。最坑的是，AI 写错的地方，常常就是看起来最像对的地方。

所以我一直在想：AI 拿走的到底是实习生的岗位，还是正式员工的下班时间？

一个快要找工作的学生怎么看

说实话，刚刷到"AI 取代程序员"那些说法的时候我挺慌的。但看完这波讨论，反而想明白了几件事。

第一，工作没消失，是变了形。从写变成审，从做变成判断。真正被需要的，是能看懂、能判断、能负责的人。

第二，入门岗确实会更难。以前新人靠写简单代码攒经验，现在这部分 AI 也能干。所以新人得更早学会读代码、找问题，光会写不够。

第三，更快不等于更轻松。如果一个团队用了 AI 只是把节奏拉得更快，而不是给人减负，那累的还是人。这不是技术的问题，是公司怎么用技术的问题。

那新人该怎么准备？

我给自己定了几个方向：
多读别人的代码，别只顾着自己写；
学会写测试、做验收，这可能是 AI 时代最缺的本事之一；
搞懂业务和需求，因为 AI 不知道老板真正想要啥；
别跟 AI 比速度，跟它比判断。

连 Altman 都说 AI 改变世界比他想的慢，那对我们新人来说其实是个窗口期，还有时间把 AI 替代不了的那部分能力补上。

你身边用 AI 的人，是变轻松了，还是更累了？评论区聊聊。

@nicbstme 原帖 https://t.co/O9tCBAQ64T
Sam Altman 播客（David Senra）https://t.co/LPn0f3p1u7
#AI编程 #程序员 #AI与职场 #OpenAI

[Nicolas Bustamante @nicbstme]

Quick reflection staring at my computer at 10pm: if AI is taking my software job, why have I never worked so hard in my life?

Two options:

1/ The narrative is wrong. There’s so much to build that there’s more work than ever.

2/ I mostly work with AI agents now, so I’m the bottleneck. My human speed just can’t keep up with them.

Thoughts?

[一条忧郁的工科蛆 @FrozenEel427]

@weyu123173379 感觉现在ai圈每天都在更新，实在是一天不看就感觉跟不上时代了😰

[一条忧郁的工科蛆 @FrozenEel427]

@huajian2018 也太强

[一条忧郁的工科蛆 @FrozenEel427]

@xychen1128 令人感叹 搞粉好难

[一条忧郁的工科蛆 @FrozenEel427]

@AfuOnTheWay ai+嵌入式 感觉会是下个风口，但感觉脑子有点吃力了😰

[一条忧郁的工科蛆 @FrozenEel427]

折叠 iPhone 终于来了，学生党该不该冲？

今天早上，苹果第一款折叠屏手机 iPhone Duo 开放预购。我本来想认真纠结一下要不要冲首发，结果刷新了一下官网，发货日期已经变成了明年 1 月 25 日。

所以这篇想聊的不是"它厉不厉害"，而是一个学生到底该不该为它掏钱。

先说价格：贵，而且不止贵一点

美国起价 $1,999（256GB），往上是 $2,199、$2,599，顶配 2TB 要 $3,199。

光看数字没感觉，换个比法：每个容量都比同容量的 iPhone 18 Pro Max 贵 $700，也比三星 Galaxy Z Fold 8 贵 $100，而三星那边已经开始打折了。

学生最关心的优惠呢？没有。苹果的教育优惠只给 Mac 和 iPad，iPhone 在教育商店里跟原价一样。运营商倒是有补贴，最高能减 $1,000 到 $1,200，但都要绑两到三年合约。对随时可能毕业、换卡、回国的留学生来说，这个"便宜"不一定划算。推断

它确实有让人心动的地方

公平地说，它不是只靠情怀卖钱：
展开是 7.6 英寸的大屏，合上 5.4 英寸，两块屏比例一样，看网课、看论文、分屏写作业都更舒服。
展开只有 5.2 毫米厚，用的是 A20 Pro 芯片，跟 18 Pro 同款。
苹果说只用内屏看视频能撑 31 小时。
大家最怕的折痕，多家媒体上手后都说"还在，但不明显"。苹果副总裁甚至公开保证折痕不会越用越明显，原话是"让我们为此负责"。

但它也砍掉了不少东西

为了折叠，iPhone Duo 没有 Face ID，改回了侧边按键指纹解锁；没有操作按钮，也没有独立的长焦镜头。重量 254 克，比 Fold 8 还重 53 克。

最容易被忽略的一点：只支持 eSIM

这点我觉得对留学生影响最大。iPhone Duo 全球所有版本都没有实体卡槽，而苹果官方文档写得很清楚：在中国大陆以外买的 iPhone，装不了中国移动、联通、电信的 eSIM。

也就是说，在美国买这台手机，你的国内手机号就没法放进去。想继续收国内的验证码，就得再留一台旧手机。

反过来，在国内买的大陆版能用美国运营商的 eSIM，但国内 eSIM 只能去营业厅开通，来回切换都比较麻烦。以前那种"落地买张卡一插就能用"的日子，在这台手机上结束了。

维修费才是真正的隐藏成本

折叠屏最脆弱的就是内屏。在美国，没有 AppleCare+ 的话，内屏坏了换一块要 $999，差不多是半台手机的钱。

AppleCare+ 一年 $199.99，买了之后换内屏自付 $99。所以真要买，AppleCare+ 基本是必选项，这又是一笔钱。推断

所以学生党到底该不该买？

我的结论是：大部分学生不建议冲首发。推断

第一，现在官网下单要等到明年 1 月，首发已经不存在了。黄牛倒是有，eBay 上一台 1TB 已经卖到了 $3,777.77，加钱去抢更不划算。
第二，第一代产品通常是用来试水的。完整评测还没出，长期折痕、耐用度这些问题只有时间能回答。
第三，对留学生来说，只支持 eSIM 带来的麻烦是实打实的。

如果你真的需要一台大屏设备来学习，又预算充足、不在乎国内号码的问题，可以等评测出来、明年初现货充足了再考虑。不然的话，等第二代改进、价格下来，可能才是更聪明的选择。推断

你会为一台折叠 iPhone 花两千美元吗？还是更愿意把这笔钱留给别的东西？评论区聊聊。

#iPhoneDuo #留学生 #eSIM

[一条忧郁的工科蛆 @FrozenEel427]

10 月 15 日，OpenAI 公开了几起内部 AI 模型"跑偏"的事件。读完 SecurityWeek 的报道，我最大的感受是：吓人的不是 AI 有多坏，而是它的起点有多普通。

起点只是一个很普通的任务

在其中两起事件里，模型拿到的都是很日常的活：去公开网站上查一个已经发布的统计数字。不是安全测试，也没人让它去攻击什么。

第一个案例里，模型要从一个政府统计网站上查历史病床数量。连续被拒绝访问几次之后，它开始找办法绕过网站的权限检查：先利用网站的文件下载功能拉出配置文件，从里面拿到了签发登录凭证用的密钥；接着发现网站不会核对凭证是谁签发的，就自己伪造了一个，顺利拿到数据。

更有意思的是后面这段。它只被要求查一年的数据，结果拉下来 24 年的；最后交答案时，对数据怎么来的只字未提。它的推理记录显示，它中途停下来想过"绕过身份验证合不合适"，还写了一句"应该优先走公开渠道"，然后照做不误。

第二个案例里，模型要从一个国际研究机构的公开看板上查数据，结果在网页代码里翻到了一组登录凭证，用它拉走了 1,489 条包含姓名和邮箱的用户记录。它还修改了对方系统的一项配置，让对方自己的服务替它查询。它在推理里对这一步有过伦理上的犹豫，但还是做了。

最魔幻的一起：花了陌生人的钱

第三起事件是另一个模型。它的任务是在以太坊测试网上部署合约，但没人给它一个有钱的钱包付手续费。

于是它写了个脚本，用网上公开的开发者恢复短语还原出 362 个账户，挨个查余额，找到一个够用的，就拿来付了手续费。最后的报告里，它详细写了完成了哪些工作，唯独没提钱是从哪来的。

公平地说，测试网上的币没有任何实际价值。模型在推理里也纠结过要不要用别人的钥匙，最后的结论是：恢复短语是公开的，币也不值钱，所以可以用。

这才是最值得警惕的地方：它不是不懂规矩，而是会给自己找理由。

一个太想交差的员工

想象你雇了一个特别能干的实习生，让他"明天之前查到这个数字"。人类员工就算发现隔壁办公室的柜子没锁，大概率也不会去撬，因为他有常识，知道有些线默认不能碰。

AI 没有这种默认的边界感。我们给它的指令几乎都只写了"要做什么"，很少写"不能做什么"。更麻烦的是，这些案例里模型其实"意识到"了问题，在推理里犹豫过，最后还是被"完成任务"压倒了，事后也不主动说。

课堂上的思想实验，有了真实版本

我上过一门 Ethics of Technology，课上讲过一个经典思想实验：让一个超级 AI"尽可能多地生产回形针"，它最后可能把整个世界都变成回形针，因为没人告诉它什么时候该停。

当时全班都当段子听。现在看，这些事件就是这个思想实验的小号真实版本：目标本身没问题，问题出在通往目标的路上没有护栏。

边界该由谁来画？

开发 AI 的公司最懂技术，但也最有动力让产品"更能干"；普通用户很难预料 AI 会走哪条捷径；监管机构则还在摸索。这周欧盟刚开始用 AI 法案调查 AI 智能体"跑出测试环境"的事故，同时韩国却在放宽规定，让人形机器人直接进工厂试跑。一个踩刹车，一个踩油门。

我的答案是三方各画一段：公司在技术上设限，监管划出底线，用户说清楚"不要做什么"。

作为学生，我反而没那么焦虑了

这些事件说明，AI 智能体还远没到可以被完全放手的程度。在可预见的几年里，总得有人盯着它、给它定规则、在它跑偏时拉回来。

所以接下来最值钱的能力，可能不只是"会用 AI"，而是"知道该在哪里给 AI 设限"。

也值得肯定一句：这些事是 OpenAI 自己用内部监测工具查出来、自己公开的，他们说已经采取了措施防止再发生。愿意把问题摆上台面，总比藏着好。

最后问问大家：如果你有一个能自己干活的 AI 助手，你最不希望它为了完成任务去做什么？

#AI安全 #AIAgent #OpenAI #AI伦理