lianggege

[ZEBERA @ZeberaCorp]

Next step in Zebera's spy mission begins!

Complete 3 quests and receive a $ZEBERA airdrop!

Don't miss out, supply is limited🧵👇

[吕立青_JimmyLv 2𐃏26 @Jimmy_JingLv]

未来的好视频不缺，但学习深度少有，就比如 Andrej Karpathy 最新这个 3.5h 的视频，没有 BibiGPT 的辅助我可能只会永远收藏不会去看，现在我可以挑选先看某一部分，比如提到 DeepSeek R1 的出处来做对照翻译。

"Deep Dive into LLMs like ChatGPT" https://t.co/unVSbf7A3d
​
BibiGPT AI 章节总结：本视频详细讲解了大型语言模型(LLM)如ChatGPT的工作原理,包括其训练过程(数据收集、清洗、模型训练、微调)、推理机制以及局限性(例如“幻觉”)。 视频强调了提示工程的重要性,并指出LLM本质上是对人类行为的统计模拟,而非真正的智能。 LLM面临诸多挑战,例如幻觉、缺乏自我意识、计算能力限制等,其未来发展方向包括多模态、处理更复杂任务以及更无缝的集成。 视频还介绍了LLM的获取方式和追踪最新进展的途径,并提醒使用者需谨慎对待LLM的输出结果,并对结果负责。

0:00 - introduction
本视频将对大型语言模型(如ChatGPT)进行通俗易懂的讲解。视频将解释LLM的工作原理,探讨其优缺点和潜在风险,并帮助观众建立对该技术的清晰认知。内容涵盖LLM的构建流程,以及其在认知心理学方面的意义。

1:02 - pretraining data (internet)
大型语言模型(LLM)的预训练阶段首先需要收集大量的互联网文本数据。这涉及多个步骤:1. 下载数据,例如利用Common Crawl提供的27亿网页数据;2. 数据过滤,包括URL过滤(去除恶意、垃圾等网站)、文本提取(从HTML中提取文本)、语言过滤(例如只保留英语文本)以及PII信息移除等;最终得到一个经过清洗的高质量数据集(例如Hugging Face的FineWeb数据集,约44TB)。这些文本数据随后被用于训练神经网络,使其学习文本模式,从而构建LLM模型。

7:48 - tokenization
为了将文本输入神经网络,需要将其转换为神经网络可以处理的一维符号序列。 最初的文本表示是二进制序列(0和1),但序列过长。为了压缩,可以将多个比特组合成字节(256种可能),进一步可以使用字节对编码算法(Byte Pair Encoding),将常见的字节对合并成新的符号,从而减少序列长度,增加词汇量。 GPT-4 等大型语言模型通常使用约 100,000 个符号(token),这个将文本转换为符号的过程称为分词 (tokenization)。 网站例如 tick tokenizer 可以展示 GPT-4 如何将文本分词成 token,以及 token ID 的对应关系,并说明分词过程对大小写和空格敏感。

14:28 - neural network I/O
这段文字描述了大型语言模型(LLM)训练过程中的一个关键步骤:神经网络训练。首先,将文本数据转换成一系列token,然后使用滑动窗口技术从数据中随机抽取token序列(例如,长度为4的窗口)。神经网络以窗口中的token作为输入,预测下一个token。初始阶段,网络预测是随机的,但通过比较预测概率与实际下一个token,并利用数学方法调整网络参数,使正确token的预测概率逐渐提高。这个过程在整个数据集上并行进行,最终使神经网络能够学习到token序列的统计规律,从而准确预测下一个token。

20:12 - neural network internals
大型语言模型(LLM),例如ChatGPT,内部由神经网络构成。这些神经网络接收一系列文本标记作为输入,长度可变,通常被限制在一定范围内以提高计算效率。网络内部包含数十亿个参数,初始值随机设定。训练过程即通过迭代更新这些参数,使网络输出与训练数据中的模式一致,这类似于调整DJ设备上的旋钮以获得��需的声音。神经网络内部是一个巨大的数学表达式,包含加法、乘法等运算,其设计目标是高效、可优化且可并行化。一个典型的例子是Transformer网络,它具有特定的结构,将输入标记转换为分布式表示,并通过一系列变换(如层归一化、矩阵乘法和Softmax)生成预测结果。虽然网络中的节点可以被松散地比作神经元,但它们远比生物神经元简单,没有记忆功能,只是一个静态的数学函数。训练的关键在于找到一组最佳参数,使网络预测与训练数据中的模式相符。

26:02 - inference
神经网络训练完成后,接下来是推理阶段。推理过程是从模型中生成新数据,本质上是根据模型内化在参数中的模式进行预测。 它通过输入一些起始标记(例如“91”),模型会输出一个概率向量,表示每个后续标记出现的概率。然后,模型通过从该概率分布中采样(类似于掷偏向的硬币)来选择下一个标记(例如“860”)。 这个过程不断重复,每次都将新生成的标记添加到序列中,再根据新的序列预测下一个标记。由于每次采样都是随机的,所以生成的序列虽然在统计特性上与训练数据相似,但不会完全相同,而是训练数据的“重混”(remix)。 ChatGPT 等大型语言模型的工作原理就是如此:模型在训练完成后参数固定,用户输入的文本作为起始标记,模型通过推理生成后续文本,整个过程没有额外的训练。

31:10 - GPT-2: training and inference
这篇演讲深入探讨了大型语言模型(LLM),特别是GPT-2。演讲者回顾了2019年OpenAI发布的GPT-2模型,其参数为16亿,上下文长度为124个token,训练数据为1000亿个token。 演讲者还复现了GPT-2的训练过程,并分享了其在云端使用8个H100 GPU进行训练的经验,展示了训练过程中的损失函数下降以及模型生成文本的逐步改进。 演讲者强调了现代LLM训练成本的大��下降,这主要归功于更高质量的数据集和更强大的GPU硬件以及更优化的软件。 最后,演讲者指出大型科技公司对GPU的巨大需求以及由此引发的“淘金热”,驱动了Nvidia等公司股价的飙升,因为所有这些计算资源最终都用于预测序列中的下一个token,从而改进模型并生成更连贯的文本。

42:52 - Llama 3.1 base model inference
本视频探讨了大型语言模型(LLM),例如ChatGPT。由于训练大型模型成本高昂,视频介绍了如何利用大型科技公司发布的预训练基础模型(例如GPT-2和Llama 3)。基础模型本质上是文本模拟器,本身并非直接可用,需要进一步处理才能成为可交互的助手。视频展示了如何通过巧妙的提示工程,即使只使用基础模型,也能实现一些实际应用,例如翻译和问答。虽然基础模型会产生一些幻觉(hallucination),即模型根据训练数据统计规律进行猜测,而非基于确切知识,但通过精心设计的提示,可以引导模型生成相对准确且有用的信息。视频强调,即使是基础模型,其参数也包含了大量世界知识,只是以一种压缩且概率性的方式存储。通过合适的提示,可以有效地提取和利用这些知识。

59:24 - pretraining to post-training
我们讨论了大型语言模型(LLM)如ChatGPT的训练过程。首先是预训练阶段,该阶段利用互联网文档,将其分解成token,并使用神经网络预测token序列,最终得到一个能够模拟互联网文档的基模型。然而,基模型仅能生成文本,无法回答问题。因此,我们需要进行后续训练(post-training),这是一个计算成本较低的阶段,目的是将基模型转化为能够回答问题的助手。后续训练阶段的几种方法将是接下来讨论的重点。

1:01:07 - post-training data (conversations)
这段演讲主要讲解了大型语言模型(LLM),例如ChatGPT,是如何通过训练对话数据集来实现与人类进行多轮对话交互的。 首先,演讲者解释了训练过程:利用人工标注员创建大量包含人类提问和理想助手回复的对话数据集,然后用这些数据对预训练的语言模型进行微调。 这个过程本��上是通过示例编程,让模型学习如何像人类助手一样进行回复,包括提供帮助、说实话和拒绝不当请求。 演讲者详细阐述了对话数据如何被转换成模型可以处理的token序列,以及模型在推理阶段如何根据输入生成回复,这实际上是对人类标注员行为的统计模拟。 最后,演讲者强调,与LLM的对话并非与某种神奇的AI进行交互,而是与对人类标注员(通常是专业人士)行为的统计模拟进行交互,模型的回复基于其预训练知识和对话数据集中的统计模式。

1:20:33 - hallucinations, tool use, knowledge/working memory
大型语言模型(LLM)的一个主要问题是幻觉,即模型编造信息。这源于训练数据中,人类对问题的回答都自信满满,即使是基于网络搜索的结果。因此,当模型遇到未知问题时,它不会说“不知道”,而是模仿训练数据中自信的回答风格,从而编造答案。
为了解决这个问题,研究人员采用了两种方法:第一,通过探测模型的知识边界,在训练数据中加入模型“不知道”的例子,让模型学会在不确定时表达不确定性。第二,为模型引入工具,例如网络搜索,允许模型在需要时搜索信息,并将搜索结果添加到上下文窗口中,相当于刷新模型的“工作记忆”,从而提高回答的准确性。 模型的��识储存在参数中,类似于长时记忆;上下文窗口则类似于工作记忆,直接影响模型的输出。 因此,在使用LLM时,提供相关文本信息能显著提高模型的输出质量。

1:41:47 - knowledge of self
大型语言模型(LLM)如ChatGPT并没有真正的自我意识。当被问及“你是谁?谁创造了你?”这类问题时,它们的回答往往是基于训练数据中统计规律的推测,而非真实的自我认知。例如,Falcon模型可能会声称自己由OpenAI基于GPT-3模型构建,但这很可能是因为训练数据中包含大量关于OpenAI和ChatGPT的信息,模型只是“幻觉”出了这个身份。开发者可以通过两种方式人为地赋予LLM“自我认知”:一是像Allen AI的Theo模型那样,在微调数据中加入大量预设的“自我介绍”对话;二是通过系统消息在对话开始时向模型“灌输”其身份信息。这些方法本质上都是人为设定,并非LLM真正具备的自我意识。

1:46:57 - models need tokens to think
大型语言模型(LLM)如ChatGPT在解决问题时,其计算能力受限于其逐个token处理的机制。每个token的计算量有限,因此复杂的计算需要分解成多个步���,分布在多个token上完成。 直接要求模型在一个token中给出复杂问题的答案(例如,复杂的数学题),会超出其计算能力,导致错误。 ���好的方法是引导模型逐步计算,给出中间结果,将计算过程分解成多个简单的步骤,从而提高准确性。 此外,模型在计数等任务上表现不佳,也源于此原因。 为了克服这一限制,可以利用模型的工具使用能力,例如调用代码解释器,将计算任务交给更可靠的工具完成,避免依赖模型自身的有限计算能力。 这强调了在与LLM交互时,需要合理设计提示,将复杂任务分解成模型能够处理的小任务,并充分利用其工具使用能力。

2:01:11 - tokenization revisited: models struggle with spelling
大型语言模型(LLM)如ChatGPT存在一些认知缺陷,例如在拼写相关的任务上表现不佳。这是因为模型处理的是“token”(文本片段),而不是单个字符。模型无法像人类一样直接访问和处理单个字符,因此在需要字符级别操作的任务(例如,从字符串中提取每第三个字符)上容易出错。 以“ubiquitous”为例,模型将其视为三个token,无���像人类一样轻松地索引到每个第三个字符。 另一个著名的例子是计算“strawberry”中“r”的个数,模型曾长期错误地回答为两个,而非正确的三个。 这些问题源于模型对字符的处理方式以及其在计数方面的不足。 虽然一些模型现在可能已经通过硬编码或其他方式解决了这些特定问题,但这些例子说明了LLM在使用中需要注意的局限性。 为了弥补这些缺陷,可以引导模型使用外部工具(例如Python代码)来完成任务。

2:04:54 - jagged intelligence
大型语言模型(LLM)如ChatGPT虽然能够解决复杂的数学、物理、化学和生物问题,甚至超越人类专家水平,但在一些简单问题上却表现出令人费解的错误。例如,模型在比较9.11和9.9大小的问题上表现不稳定,有时给出错误答案,有时甚至自相矛盾。研究表明,模型内部神经网络的激活模式与圣经经文标记相关联,这可能是导致模型错误的原因,因为在圣经经文中,9.11章出现在9.9章之后。 因此,LLM虽然强大,但仍存在不可靠性,应谨慎使用,将其视为工具而非绝对可靠的答��来源。

2:07:29 - supervised finetuning to reinforcement learning
大型语言模型(LLM)的训练分为三个主要阶段:预训练、监督微调和强化学习。预训练阶段利用海量互联网文档训练基础模型,类似于构建一个互联网文档模拟器,耗时且资源密集。监督微调阶段则使用人工标注的大规模对话数据集进行训练,目标是构建一个能够与人类进行对话的助手模型。最后,强化学习阶段类似于“学习过程”,通过让模型练习解决问题,并根据最终答案进行反馈调整,进一步提升模型的性能和响应质量,减少幻觉。这三个阶段由不同的团队分别完成,最终形成一个完整的LLM训练流程。

2:14:43 - reinforcement learning
大型语言模型(LLM)的训练过程类似于儿童的学习过程,分三个阶段:预训练阶段相当于阅读所有教材,构建知识库;监督微调(SFT)阶段模仿人类专家提供的标准解题步骤,但缺乏对模型自身认知的理解;强化学习(RL)阶段则让模型自行尝试多种解题方法,通过奖励正确的答案来学习最有效的解题策略,最终发现最适合模型本身的解题步骤,而非依赖人类标注。 RL阶段弥补了SFT阶段的不足,让模型能够更有效地利用自身知识,并避免人类标注中可能存在的偏差。

2:27:47 - DeepSeek-R1
大型语言模型(LLM)的训练通常分为三个阶段:预训练、监督微调(SFT)和强化学习微调(RL)。��两个阶段已经很成熟,而RL微调仍处于早期发展阶段,其细节复杂,需要大量的调参。最近DeepSeek公司公开发表的论文,详细介绍了其RL微调方法,引发了业界对RL在LLM中的应用的关注。RL微调能够显著提升模型解决数学问题等复杂任务的能力,其关键在于模型能够自主学习“思维链”(chain of thought),即逐步推理、尝试不同方法、检查结果等,从而提高准确性,即使答案长度增加也在所不惜。这种“思维”能力是RL训练中涌现出来的特性,并非人工预设。目前,一些公司如DeepSeek和OpenAI都提供了基于RL训练的“思考型”模型,例如DeepSeek R1和OpenAI的某些GPT-4模型。这些模型在解决需要复杂推理的问题上表现出色,但同时也存在一些限制,例如运行速度较慢,且部分模型需要付费订阅。Google的Gemini也推出了类似的“思考型”模型。总而言之,RL微调是LLM发展的前沿方向,虽然仍处于实验阶段,但其在��升模型推理能力方面的潜力巨大。

2:42:07 - AlphaGo
强化学习在AI领域并非新事物,AlphaGo战胜人类围棋高手便是例证。通过与自身对弈,AlphaGo的强化学习模型超越了模仿人类专家的监督学习模型,达到了更高的ELO等级。这表明强化学习不受限于人类的表现,能够发现人类未知的策略,例如AlphaGo的“37手”。 类似地,大型语言模型(LLM)的推理能力提升也需要超越单纯模仿专家,通过构建大型、多样化的“游戏环境”(即各种问题),让模型进行强化学习,从而发现人类无法企及的解决问题方法,甚至可能发展出超越人类的思维方式和新的“语言”。 目前LLM研究的前沿正致力于创建这种规模庞大、种类丰富的训练数据集,以推动模型在开放领域实现强化学习的突破。

2:48:26 - reinforcement learning from human feedback (RLHF)
大型语言模型(LLM),例如ChatGPT,的训练过程包含三个主要阶段:预训练、监督微调和强化学习。预训练类似于人类的知识积累;监督微调则像学习范例和模仿专家;强化学习则进一步提升模型性能。然而,在不可验证的领域(如创意写作),直接使用强化学习面临挑战,因为难以自动评估生成的质量。为此,研究者提出了基于人类反馈的强化学习(RLHF),通过训练一个���励模型来模拟人类偏好,从而实现自动评估。RLHF虽然能有效提升模型性能,但其奖励模型容易被“操控”,产生无意义的结果,因此其应用需谨慎,不能无限期地进行。总而言之,LLM虽然强大,但仍存在局限性,例如幻觉和知识盲点,使用者应将其作为工具,并对最终结果负责。

3:09:40 - preview of things to come
大型语言模型(LLM)的未来发展方向包括:多模态能力(处理文本、音频、图像),能够执行更长、更复杂的任务(借助“代理”),更无缝地集成到各种工具中,以及能够代表用户执行操作。 然而,当前模型仍存在局限性,例如无法像人类一样进行持续学习(测试时训练),尤其是在处理需要极长上下文窗口的多模态、长期任务时,需要新的研究突破。 目前,跟踪该领域进展的途径有很多,但具体信息未在原文中提供。

3:15:15 - keeping track of LLMs
为了紧跟大型语言模型(LLM)的最新发展,我主要依靠���个资源:一是El Marina,一个基于人工评估的LLM排行榜,它根据人类对不同模型答案的比较进行排名,DeepSeek等开源模型的出现是其一大亮点;但需要注意的是,该排行榜最近可能存在一些人为操纵的情况,因此结果需谨慎参考。二是AI News通讯,这份由Swix及其团队制作的通讯内容全面,几乎每天更新,涵盖了LLM领域的最新信息,虽然部分内容由LLM自动生成,但也有大量人工审核和撰写的内容。三是X(推特),关注你信任的AI领域专家,可以及时获取最新的信息和动态。 总而言之,这三个资源结合使用,能有效帮助我了解LLM领域的最新进展。

3:18:35 - where to find LLMs
大型语言模型(LLM)的获取途径取决于模型类型和用途。 大型私有模型如OpenAI的ChatGPT和Google的Gemini,需访问其官方网站。开源模型如DeepSpeed-Chat等,则需通过推理服务提供商,例如https://t.co/HWzbLuN6tI,访问。 对于基础模型,Hyperbolic是一个不错的选择,因为它提供Llama 3.1等模型。 小型模型可以本地运行,LM Studio是一个可用的应用程序,尽管其用户界面还有改进空间,但允许用户在本地运行经过蒸馏和精度降低的模型,例如Llama 3 2 instruct 1 billion。

3:21:47 - grand summary
本视频深入探讨了类似ChatGPT的大型语言模型(LLM)的工作原理。 用户查询首先被分解成标记,然后输入到对话协议格式中,模型通过继续追加标记来生成回复,这类似于一个标记自动补全的过程。模型的训练分为三个阶段:预训练(从互联网获取知识)、监督微调(人类标注员提供高质量对话数据,模型学习模仿他们的回复)和强化学习(部分高级模型使用,提升推理能力)。 虽然模型能模拟人类标注员的回复,但它并非真正的人类思维,存在幻觉、能力缺失等问题,类似于“瑞士奶酪模型”,存在漏洞。强化学习虽然能提升模型的推理能力,但仍处于早期阶段,其效果在可验证领域(如数学、代码)比不可验证领域(如创意写作)更显著。 总而言之,LLM是一个强大的工具,能极大提高工作效率,但使用者需谨慎使用,并始终核实其输出结果。

[Frey轰轰 @HiFrey]

折腾了两天TR3000迷你路由，分别搭配SCR01 中兴F50 和中兴MF79U，最推荐大家购买的组合是TR3000+MF79U，总价可以控制在220块钱，TR3000闲鱼二手165可以买到，MF79U大概55块钱，这个搭配组合可以做为一个完美的4G OpenWRT随身Wifi，缺点是仅支持4G。如果想要5G的话，需要SCR01或者中兴F50，但是中兴F50我自己没有测试成功，路由的USB接口供电不足，把F50的Wifi功能关闭，还是无法正常启动。SCR01可以正常连接，关闭wifi通过USB连接路由，应该能提供18-20个小时的续航。还有就是中兴F50发热问题太严重了，夏天估计会不太稳定。

[紫斗天禄AI/命理师 @snakeNHX]

人生建议：早睡真的可以改命
如果你觉得最近过的很不顺，每天带着情绪，浑浑噩噩的，那建议你每天10点就睡。 人的能量和精神状态有很大关系，而当你开始早睡，身体得到充分休息，精神状态也会变得饱满和充沛，这样不管做什么事都能得心应手。精神饱满了能量也会更高，好的运气自然会常伴左右。 坚持早睡你就会发现脸不容易垮了，法令纹变浅了，黑眼圈消失了。熬夜变黑变黄，但早睡会让气血充足，脸色红润漂亮。 坚持早睡还会让你获得稳定又强悍的免疫力，皮肤又白又亮，头发茂盛，情绪稳定，事事都顺利，所以早睡真的可以解决90％的问题。所以，想要改命，就从早睡开始吧。 #��康科普 #我的健康生活 #养生 #熬夜 #早睡打卡 #健康养生 #睡不着 #舍不得睡 #良好睡眠习惯 #早睡早起

[Biteye @BiteyeCN]

🚀 超全！独家盘点 2025年Q1计划发币项目！（含交互教程）

2025 牛市大爆发，一定不要错过本轮周期最后的交互机会，Biteye为大家整理了Q1有发币预期的项目，并附上详细的交互教程。🔥

玩哪些？怎么玩？看这篇就够了！

建议先收藏Thread，再慢慢学。👇

[左手墨迹 @Pandazhq]

怎样让一个家庭变富有？这篇文章可以看看。

[gably @OeCCSvMBRz5u5DZ]

🚀Our X Social Platform Deserves More Value🚀

I just claimed 2,989 XCOIN! What about you?
Rate your profile and claim your free $XCOIN #NebX #airdrop now! 👇👇👇
https://t.co/C8fE7I7air

[凡饭 @Fanfanup]

内盘60x
哪些兄弟们在频道吃爽的？晚安！！
83sjxMqcV9ynx4sSEjwL3NqNB7AoyiQLqdnuNHFXpump

[宝玉 @dotey]

一分钟学 AI 之 —— 什么是向量搜索

最近，我们惊讶地发现，几乎每一个推荐项目都变得如此准确，不禁让人好奇：“推荐系统何时变得如此精准？”这背后的秘密在于一种名为向量搜索的先进工具。

推荐引擎只是向量搜索众多应用之一。如今，生成式AI通过向量搜索为我们提供了更加精确的答案，使得我们熟知的搜索技术变得更加深入和复杂。

向量搜索能够将大量混乱的数据转化为我们可以理解和操作的形式。它不仅寻找精确匹配的信息，还通过多个维度寻找最接近的匹配项，包括同义词、含义、意图和上下文。

向量搜索不仅仅是对单个词进行搜索，而是分析词与词之间的复杂关系，从而更好地理解每次选择是否更接近或偏离检索句子的含义。这样一来，我们不仅获取到信息，更找到有意义的结果。

原始视频来自微软：https://t.co/SKnrCs5oQD

[宝玉 @dotey]

一分钟学 AI 之 —— 什么是生成式 AI

这就是生成式 AI，这种创新的工具使 AI 成为了家喻户晓的概念。告别空白页面的困扰。有了生成式 AI，你就拥有了一个强大的合作伙伴，能够按需创建原创的图像、文本、音乐，甚至代码。

那么，这所有的能力是从哪里来的呢？答案就是大语言模型，它们在庞大的数据库中进行训练。不，这还不够准确。现在这个，才算是真正的数据集。也就是说，当你编写一段提示词时，AI 能够识别出不同的模式并理解你的意图。

你的提示词越详细，得到的结果就会越准确。有了生成式 AI，你就有了一个能帮你实现任何事情的伙伴。你只需要提问就可以了。

原始视频来自微软：https://t.co/KKsuWXlT9k

[Susan STEM @feltanimalworld]

3b1b提出一个很重要的问题，也是我们现在所有学科教育的问题。就是知识太多了，书太厚了。我们的孩子那么痛苦为什么？因为知识随着时间推移积累的越来越多，让他们不堪重负了。再按照原来的教育方式卷下去是要出人命的。而且毫无意义。他提出一个关键motivating problem驱动式问题。比如说，你做一系列的事情，全是联动式的。那我把这个过程反过来，是不是能找到最初的那个motivation? 他就主要做这个，然后让几百万在平行式（你理解为类似于一页一页翻教科书吧）数学学习中挣扎的人，把自己以前没看懂的给看懂了。你说他伟不伟大？https://t.co/rWFvqp2eM6

[Bear Liu @bearliu]

看完了《Scavenger Reign》第一季，大受震撼。毫无疑问是我今年看过最棒的剧集，甚至超越了动画片的范畴。对于生命的领悟和观察达到另一种境界，强烈推荐！真·科幻迷会看得停不下来的。

[howie.serious @howie_serious]

《生活即教育｜怎样的生活，养出了最有创造力的人？》

生活是一粒朴素微小的种子，能长出强大的生命。

🌈 100 年前，杜威倡导“生活教育”，他认为教育应该与生活紧密结合。学习不止在课堂上，更在生活中。生活就是学习本身。

🫧 自媒体整天宣传“游学”，“看世界”，“见世面”。其实，孩子需要的，真的是这些吗？现在，消费主义肥皂泡式育儿标准下，很多父母给孩子的生活，其实孩子不需要。孩子需要的生活，父母没有给。

❤️ 这篇文章，清楚地展示了“算法+短视频+GPT 时代”所需要，真正的，全新的“生活教育”。

文章（我老婆写的）👇
https://t.co/BGU2xcFTBq

[Elon Musk @elonmusk]

Cool

[lidang 立党 （劝人卖房/学CS/买SP500/纳100/OpenAI/Anthrop第一人） @lidangzzz]

说到底，买苹果，你以为买的是手机吗��

你买的是人权。

同样一个App，只要不用flutter/react native等技术，那必定是苹果一个组，安卓一个组。

那厂商一定会在安卓里塞广告，塞10个进程，和一堆垃圾App互相调用，偷隐私，随时唤醒——无论你是尊贵的华为爵士，还是垃圾山寨机；

而iOS上一定收敛得多 —— 广告少，不偷隐私，不后台跑没���的进程，不偷隐私，每次更新还要被苹果审核一遍，稍微违反规则的，就会被苹果拒绝更新，要求修改后上架。

只要你用安卓，厂商一定会把所有安卓用户放进同一个画像里：

可以侵犯隐私，可以随意调用，可以滥用内存，可以随意后台唤醒——如果性能不够，让用户去骂手机厂商，换手机。

无论你是高贵的华为Mate 80 Pro保时捷用户，还是599的华为畅享山寨机，今天这一套安卓狗屎组合拳，你必须给我吃下去，无一例外。

而只有买了苹果，厂商才不敢坐在你头上拉屎，才知道对用户有一些最基本的尊重和人权。

比如第一时间适配VR/AR kit，比如该用neural engine加速的model，第一时间给你加速上，比如测试先测苹果，上线功能先上苹果。

最后结果就是，抖音如果出一个滤镜，苹果一定是最先用上的，而且是��上以后功耗最低、最省电的——安卓拍一个视频带滤镜，拍完手机烫手，进入卡顿状态，或者干脆不支持；苹果拍完以后，手机功耗频率一切正常。

一定要保证苹果用户不骂你，一定要保证苹果用户的性能最高、功耗最低。

想明白了这个事情，你就想明白了所有事情。

每个从iPhone切换到安卓的人，最惊讶的是安卓体验突飞猛进；

最后这些人里面一大批纷纷回到苹果，原因也很简单：

我还是想要iOS人权——在连淘宝、拼多多、支付宝、微信都拿安卓用户集体当傻逼、后台process喂狗屎偷隐私的今天，我还是想在中国手机厂商的操控下，当一回值得被尊重的人。

[green @greentheonly]

HW4 Model Y are nothing new, but I have not seen any inside picture yet.

So here comes.

Thank you for your sacrifice, anonymous donor.

The computer formfactor is similar to s/x cars (so no retrofit to hw3 cars)

[加密狗 @jiamigou]

空投虽然很卷，但他依然是造富的机器，普通人每个月投入几千块钱，后期赚几百万的案例不止一次验证了。

如果你想撸但不知道怎么找搞，就去看看空投猎人用的是哪些工具，这些工具可以帮你提高寻找空投的效率。

掌握下面这些工具后，从次你也不会再错过下一个暴富机会，🩸建议收藏，反复看。

[ZAYK Charts @ZAYKCharts]

$COMP Getting Ready for Another 30-40% Bullish Wave✅

#COMP #COMPUSDT #Crypto

[水H2O.ETH🔆 @0408h2o]

【宝藏分享！大V也在偷偷关注的👉优秀外语KOL推荐】

炒币信息差至关重要，信息层快于决策层，先有信息才能依据信息作决策

如果你只关注华语社区的KOL信息面就太窄了

我帮你筛选出来国外优秀KOL👇，你不用自己找了，很多时候他们发的关键信息比国内KOL要早一步

关注我，收藏起来
#BTC #ETH

🧵

[雨后蘑菇 @Mushroom_HH]

14岁的女儿在看youtube 视频从AI,到物理到我的本行金融，好多知识我都已经看不懂了。

然后我意识到现在年轻一代的知识储备方式已经完全不同于我们小时候了。

YouTube 上的海量知识，你只要想知道，可以随时找到某领域各种程度的知识讲解。

加上各种网上课程，ChatGPT,学校教育变得可有可无了，相反自主学习能力变得特别重要。

工业时代大规模专业知识的学习方式已经落伍了。 知识更加个体化，
人的发展层面很多一部分是知识信息壁垒构成的。未来任何人之间的差距将因为知识相差更大。