Poy Chang

Trial and Error. Through books, films or simply travel to the field wonderful life drama :)

[Poy Chang @poychang]

@sama I feel like I would sometimes enjoy the ads that AI brings, even if I'm already a subscriber. Is there an opportunity for subscribers to experience AI advertising occasionally? Or it can provide more advanced advertising 😉

[Visual Studio Code @code]

⚡ Terminal IntelliSense is now generally available

Get smart autocompletion for PowerShell, bash, zsh, and fish. Features path completion, git branch names, command specs, and more.

Enable with ⚙️ terminal.integrated.suggest.enabled.

[AI Will @FinanceYF5]

OpenAI 真的为所有岗位发布了 ChatGPT 提示词包。

共11类，建议收藏。

[Poy Chang @poychang]

What the fax?! I guess faxing isn’t dead 🤷‍♂️ Use Dropbox Fax by @DropboxSign to send and receive faxes from anywhere. #DropboxFax https://t.co/MB7NDFuxhB

[AIGCLINK @aigclink]

微软开源的RAG方案GraphRAG，首个将LLM和知识图谱结合的新型rag方案，在回答的综合性、多样性和准确性上很不错

解读详情点击：https://t.co/pAPXUb0STz

[howie.serious @howie_serious]

如何使用 ChatGPT 原理学会一切知识？读Wolfram 大神的神书《这就是 ChatGPT》之后的读书笔记

读了李沐大神的《使用随机梯度下降来优化人生》，忍不住拍大腿。加上前面推荐了wolfram 大神的神书《这就是 ChatGPT》，于是觉得有必要写点类似读书笔记或书评的东西。李沐的文章写于ChatGPT 之前，是结合随机梯度下降来讲人生道理的，我这篇准备从ChatGPT 原理出发，聊一聊 GPT对人类学习、构建个人知识体系的启发。以此文致敬两位大神。🫡

李沐的文章微言大义，只用了 1100 字。我对GPT原理的认识有限，所以写了5000字，请大家多多指正。

1 首先要有目标

所有机器学习，一定得有个目标函数。人类的学习也是如此，学习之前，目标先行。

目标函数，也叫成本函数，损失函数。**模型训练的目标就是让损失函数最小化**。人类学习，也是要不断接近自己的学习目标。

2 学习目标要大

GPT模型的训练目标，是用一个巨大的神经网络去模拟互联网上的所有人类语言文本，让损失函数最小化。目标基本达成，**GPT把基本上全部的人类知识压缩进了万亿参数的单一模型**，实现了通用认知任务上的卓越表现。

GPT的学习目标不可谓不大。

人类学习也是如此。目标不能太小，你的学习不是为了通过某次考试，取得某个分数。在我看来，人的学习应当以构建个人知识体系为学习目标。

在你在外，人类知识体系（body of knowledge）是一种客观存在，wikipedia 和书籍等都是对人类知识体系的一种整理和构建的实践，我称之为bok1。在你之内，你的脑子里应该有一个自己的个人知识体系，关于一个或多个学科或领域，我称之为 bok2。

**个人学习的目标，是缩小bok2和bok1之间的差距，形成你自己的更全面更扎实更强大的bok2。**

为什么学习目标要足够大？神经网络训练的实践有一个发现：**参数越多，成本函数最小化越容易。正因为这个规律，用神经网络解决复杂问题比解决简单问题更容易**。所以，AI 现在可以写作编程绘画，但是还没法在餐馆端盘子。

人类学习也是如此。目标足够大，进步才可能足够大，走的才能足够远。

3 从实例中学习

机器靠**样例学习**（learn from examples），从数据中学习，而非通过规则学习（符号AI路线已经破产多年）。机器通过大量的大量的数据来学习到数据中蕴含的模式和规律，就好像从大豆中压榨出其中丰富的油脂。

人类也应当从实例中学习。一本书，一篇文章，一个知识视频，一次演讲录像，一次面对面交谈，都是你学习的来源。从实例中，你学到丰富的、鲜活的、有意义的知识。

4 用高质量信息作为学习数据

**Garbage in，garbage out。这是机器学习的第一性原理**。如果数据本身不富含意义，哪怕训练数据再多，可能训练出来的大模型也无法实现高级的智能，甚至还会从垃圾材料中学到满嘴脏话。GPT的训练数据集是精心挑选的高质量数据，包括 Wikipedia、书籍、论文、代码以及高质量的互联网文本。

所以，人类的学习是不是也要尽可能用高质量信息作为学习数据？**在一头扎进某本垃圾教科书之前，先精心设计你的学习数据集**。对于任何主题，我通过什么小册子轻松上手登堂入室？通过大师的那本科普书获得大图景（big picture）？哪几本教科书才是全国范围内最好的教科书？有那些知识视频让我更直观更好的理解这个主题？有什么工具能让抽象复杂的知识变得具体而清晰？

学习是从数据中体验意义的过程。只有通过高质量的文章、书籍、视频、课程、网站和工具，才能高效提炼出真正的知识。

5 从错误中学习

在GPT模型的预训练过程中，数据依次通过神经网络的各层，最终生成下一个token。token的预测值和实际值之间的差异，这是模型的误差（error）。error = diff（预测值, 实际值）。 GPT就是通过error来学习，把误差用反向传播的方法反馈回去，调整模型参数，降低损失函数。

**预测下一个 token => 得出error => 反向传播 => 梯度下降 => 调整参数 => 预测下一个 token**

GPT 只能通过误差来学习，人也是如此，只能从错误中学习到东西。错误和不足，是反馈的重要来源，也是最好的来源。

然而，人是追求奖励逃避惩罚的动物。**教育的规训让人追求正确，回避错误**。在孩子身上尤其明显，孩子会觉得错误不好，正确才好，一直正确一直好（直到ta迎来必然到来的重大挫折）。

我们可以认识到这个思维陷阱并尽量避免：虽然错误让人痛苦，但错误是唯一的学习来源。只有通过错误，人才能学到点什么东西。

6 唯有学习才能改变自己

GPT模型的训练过程，就是不断调整模型的过程，训练的每一步都在改变模型参数，改变模型本身的连接配置。

人的学习也还如此。每一次费曼，都得到你当前的理解与费曼式理解之间的差距，根据这个差距来调整，查资料，加深理解，再一次费曼。

每一次学习，都在改变你的大脑。不是比喻意义上的改变，而是字面意义上的改变，在生物和物质层面的改变：**短时记忆就是大脑突触之间神经递质增加释放，长时记忆就是基因表达蛋白质合成折叠，形成新的突触连接**。经过充分学习训练的大脑，在结构上不学习的大脑是截然不同的。之间的区别，类似于大脑和脑花之间的区别。

学习改变了大脑，改变了你，字面意义上的改变。

7 把阅读作为学习方法

**GPT的学习，是使用上百万GPU时间做一件事：阅读，阅读整个互联网，阅读几乎所有人类的语言文本**。这个阅读过程被被称为“预训练”，而GPT的阅读，只在做一件事：预测下一个token。而 GPT 的阅读量，是上万亿个 token。

人类的学习，也应该把阅读作为主要方法。scaling law对 GPT 适用，对人类神经网络也同样适用。人大附中早培班要求六年级小学生每年阅读五百万字，约 50 本书。个人认为这是保底要求。**人类学习者，需要首先成为一个贪婪的阅读者：一年五十本书。每天至少阅读一小时。**

没有预训练，GPT 无法学习；没有阅读，人类无法学习。

8 把费曼作为理解方法

GPT的理解，是在万亿维度的意义空间，用注意力机制，在数百层神经网络中，通过上万次的矩阵向量乘法来加工处理文本转化成的数字向量。

**text => token => generic embedding => embedding 2 => embedding x => final refined embedding => list of probabilities => next token**

对于一个token，GPT用它的上下文来不断关联，提取特征，调整这个向量在语言意义空间中的位置，形成富含意义的、更准确的理解。

人类的理解，也是把知识砖块和它的上下文不断建立丰富的、有意义的关联。最好的理解方法就是费曼技巧。**首先费曼知识砖块，然后不断费曼知识砖块之间的关联。通过清晰的概念以及概念之间的关联，人类形成自己的理解。**

把阅读作为学习方法，把费曼作为理解方法，一个概念接着一个概念，一次费曼接着一次费曼。

而且，费曼技巧，就是人类的“预测下一个token”。费曼的实际结果与期待结果之间的差异，就是我们在具体实例学习中得到的 error。针对这个 error，计算梯度，沿着梯度前进一部，你就得到了改进。

9 把迭代作为进步方法

GPT模型是在万亿token的高质量数据上训练出来的，用反向传播来传递误差，用随机梯度下降来减少模型误差。**每一个token的生成，都是神经网络中上亿神经元的一次激活，都是一次包含万亿参数在内计算。**

人类的学习，每一次费曼都是一次对神经网络的调参过程。哪怕是对一个概念的理解和费曼，都不是一蹴而就的。费曼x3，任何一个概念都要至少费曼三遍。在有间隔的多次费曼中，你对一个概念的理解变得越发清晰。

这是一种迭代式的学习闭环。闭环，迭代，这是学习之要义。把迭代作为进步方法。

10 规模法则，大力出奇迹

GPT模型是遵循规模法则（scaling law）的，规模法则是当前AGI之路的关键方法。wolfram说，“足够大的神经网络当然无所不能”。

人类神经网络，是否遵循规模法则？海量知识砖块的积累，构建出越发庞大、多元的个人知识体系，是否能像 GPT 一样带领个体发展出更强大的智能水平？用简单的话说，人类的学习，是否是“大力出奇迹”，凡事都靠积累？

答案很可能是肯定的。

11 身为父母，减少人为干预

曾经，人类设计AI系统走的是规则路线（符号AI）。曾经，机器学习是需要人工建立特征的（有多少人工，才有多少智能），相当于人类工程师教机器学习。现在，深度学习是端到端的，不用人为的特征工程。AI科学家们发现，学会放手，让神经网络做尽可能多的事情，让神经网络自己学习。**学会放手，结果惊人。**

身为人类父母，是不是也应该减少人为的、低水平的干预？大部分父母自己不是学习专家，不懂学习原理，强行扮演教育家是不是反而伤害了孩子的学习？是不是父母们也应该学会放手，不要瞎设计瞎教学？

孩子的大脑就像一个等待训练的 GPT模型，与其自上而下去指导教学，不如每天陪着孩子读半小时书，像一个朋友一样，让孩子快乐地享受伟大的预训练过程（阅读）。每天晚饭后，孩子做作业，大人在旁边读书学习。作业完成后，一起快乐共读，一起谈天说地。学会放手，生活更美好，学习更有效。

12 注意力是最贵的

GPT的T，是transformer架构。而transformer的精髓在于其用算法实现了类似人类的注意力机制，从而让模型在阅读文本时针对文本序列的不同部分给与不同程度的关注。

GPT的学习，是注意力分配的艺术。

人类的学习，也是注意力分配的艺术。当你阅读，你在不同内容上分配不同程度的注意力，关注概念之间的关联。

而且，整个有效学习的前提，是你能在学习这件事上建立并维持你的注意力。注意力的质量，决定学习的质量。

然而，你的注意力，是很多厂商虎视眈眈的猎物，10 亿短视频用户每天刷 150 分钟短视频，人们的注意力模式每天都在被短视频算法疯狂训练，训练到最后，一篇长文章都读不下去，更不要说严肃的书籍读物。

机器在学习，人类在沉迷。**机器通过注意力机制实现了更强大的认知能力。而人类的注意力却愈发稀缺和脆弱。短视频是免费的，但是，注意力却是最贵的。**

13 预训练之外的后训练

在让GPT模型阅读完互联网文本之后，OpenAI的科学家们还做了重要的一步：让人类积极地与GPT互动，并且在“如何称为一个更好的LLM助手”方面给与实际反馈。

是的，GPT模型的训练，除了预训练之外，还有**后训练：微调（finetuning），奖励建模（reward modeling）和RLHF(基于人类反馈的强化学习)。预训练占比95%，是绝对大头；后训练强调少而精，事半功倍。**

人类学习也是如此。除了海量阅读作为预训练，还需要后训练作为补充。

对海量阅读的孩子进行考试元技能的微调，只做了 8 套真题，8 岁儿童就能通过 FCE 考试。而对孩子的三观培养，家庭的家风建设，则类似于 GPT 模型中的奖励建模。为人父母，我们最重要的角色就是正反馈父母，不要学上“老中”的毛病，不过脑子，什么话难听说什么。只要做好正反馈，每个孩子都能培养出强大的澎湃的学习内驱力。

14 语言就是思维本身

人类语言，以及语言生成所涉及的思维过程，一直被视为复杂性的巅峰。而ChatGPT的成功给我们一个启示：在某种程度上，似乎人类语言的所有丰富性，以及人类能用语言谈论的所有事物，都可以被封装进一个有限的系统。

语言，在根本上，似乎比它看起来简单。**ChatGPT 则成功捕捉到了人类语言的“本质”和背后的思维方式**。ChatGPT 在训练过程中，隐含地发现了人类语言的语法规则，并且很擅长遵守这些规则。人类语言中丰富的语义信息，也被 GPT 通过向量空间中无数次的矩阵计算成功提取出来，存储为万亿参数构成的神经网络连接。通过掌握人类语言，GPT 还建立了某种意义上的世界模型。

人类学习也不应轻视语言，把语言视作普通的一个科目，分值有限，在高考中拉不开差距。不宜把口头的语言表达视作非核心技能，不宜把书面语言的写作技能视作非核心技能。每一个终身学习者，都应该足够重视语言，重视演讲作为核心技能，重视写作作为核心技能。

15 学习，快与慢的艺术

机器学习的快慢由一个超参数决定：**学习率 learning rate**，这是模型在梯度下降时的步子长短。步子太大，可能无法实现模型损失函数的最小化。步子太小，梯度下降太慢，效率太低。神经网络的训练中，合适的学习率是只能在实践中摸索出来的，只能来自经验。

人类学习也是如此。步子太大，看起来学的快了，但是理解浅，遗漏多。突击可以让你在考试中蒙混过关，但在实际应用中需要支付更高的代价。步子太小，龟速爬行，学起来会没劲。在快速学习和深度学习之间平衡，是学习的艺术。

而掌握这么艺术的最佳方式，是构建自己的知识树。以知识树为目标的学习，在快与慢之间最容易取得平衡：前期快速搭建框架，快速建立大局观，获得正反馈；然后慢慢微调，一个概念接着一个概念，看起来慢，但实现了更好的快。

16 学习，没有人出生在罗马

有人煽动起跑线焦虑，说什么“有的人出生在罗马”。在财富和权力层面可能对，但在学习这件事上，众生平等，没有人的家住在罗马。哪怕是马斯克的孩子，也得自己亲自预训练自己的神经网络，也得自己逼近学习目标，而且没有捷径。

机器学习也有起点和终点。起点是初始化的随机参数，终点是高维空间中损失函数最小的点。GPT模型的学习，就是在万亿维度的意义空间中找到这个最低点。

LLM们的学习都是后天的，难道ChatGPT比文心一言聪明是因为它出生在罗马？学习就是在万亿维度的意义空间趋近自己的目标函数，所有学习者的起点都是一样的，没有人生在终点，没有人家在罗马。

17 学习，每个人有自己的时区

有人煽动学习焦虑，像把大活人变成竹节虫，让人生布满“节点”： “婴儿英语启蒙要抓住关键节点”，“三年级真的至关重要” ，“大二是最关键的一年”，“人生最关键的节点是35岁”……多少岁毕业，多少岁买房，多少岁结婚，多少岁生子，多少岁财富自由……

这个“社会时钟”妄图规定出一个人生的“标准时间”，规定了人们在不同的阶段要完成相应的 KPI。在“社会时钟”下，很多人在疲于奔命地过一种“打卡人生”。

但是，GPT的学习，是万亿维度的意义空间的旅程。每一条梯度下降的路线，都是逼近目标函数的路线，没有一个固定的、正确的路线。

人的学习也是如此。我们不需要一个“社会时钟”来规定你是迟到了还是来不及了。娃 6 岁了还没学 scratch，是不是晚了？孩子已经初中了，英语词汇量才 500，是不是来不及了？我三十多岁了，才开始学 python，丢不丢人？

每个学习者都有自己的时区，按照自己的节奏，走在终身学习终身成长的道路上。芒格曾经说过，我今年学习了做 PPT，我这 90 多岁的老狗还能学会新技能，你们年轻人还担心什么。

只要你还在学习，还在往前走，就无所谓早晚。每个人都是独一无二的，每个人对自己的路线拥有主导权和解释权。横向比较是愚蠢且没必要的。

18 学习，简洁是更高级的复杂

机器学习的早期，人们认为应该在神经网络中使用各种复杂的独立组件，从而让神经网络“显式地实现特定的算法思想”。GPT之后，人们发现，更好的方式是使用非常简单的组件，让它们“自我组织”，反而能更好地实现算法思想。

**ChatGPT原理的一大启示：最强大的智能，并非通过复杂部件的堆砌，反而来自结构简单的无数计算元素的组合，以及朴实无华的scaling law。**

最复杂的神经网络，由最简单的基本结构组成。人类的学习也是如此。不要迷信复杂的工具和技巧，大道至简，简单最好。

最庞大的知识体系，也不过是由一系列简单的事实性知识、概念、模型组合而成，而学习这些概念的方法本身也是简单而非复杂的，朴实而非深奥的。

---
这些，就是 ChatGPT 教给我关于学习的道理。

[.NET @dotnet]

Get a better experience for testing with MSTest by making project configuration easier through sensible defaults and flexible options.

Introducing MSTest SDK – Improved Configuration & Flexibility. Learn more. 📖 https://t.co/yaZujrZeVN

[宝玉 @dotey]

引言

Nicolai: 大家好。我刚经历了人生中最不可思议的事情，我有幸采访了微软的CEO、Satya Nadella。微软现在是全球市值最高的公司。真是太棒了，请继续关注。

第一章 微软的发展与平台转变

Nicolai: Satya,你是全球市值最高公司的CEO，你近期都在想些什么呢？

Satya: 首先，我非常高兴与你进行这次对话。我现在主要关注两个问题。第一，在我们科技行业，尤其是我在微软工作的这32年里，没有什么东西可以长久保持其价值。这就意味着你需要每天都在思考如何让你所做的事情跟得上时代的步伐。这是我过去几十年学到的最重要的一课。

第二，我所处的阶段可以说是面临着一个全新的平台转变。尽管我在微软已经工作了32年，但这才是我经历的第四次平台转变的第二年。所以我在思考这个平台转变到底包含了什么？我们公司能否全力投入并进行创新？

我感觉很新鲜。我在思考如何在新的平台转变中找到自己的位置，这令人兴奋。没有长久的价值，但这也意味着我们可以重新开始，无论是曾经赢得的争夺还是失去的争夺，都有机会重新开始。

第二章 科技的角色与影响力

Nicolai: 你觉得我们对科技的理解是不是太狭隘了？科技如何真正成为下一阶段经济增长的推动力？

Satya: 这是个很好的问题。从GDP层面考虑，严格定义的科技投入可能只占4-5%。那么，剩下的95%发生了什么呢？我总是这样看待新的技术范式或平台转变的前景，比如人工智能。

如果人工智能会成为下一个重大的通用技术，那么真正的机会是，假设科技投入在接下来的5到10年内从5%增长到10%。那么剩下的90%会发生什么？我们能否有由人工智能驱动的医疗领域的突破？我们能否在材料科学上取得突破并因为人工智能实现能源转型？

所以，在我看来，我们最需要考虑的就是通用技术。这就像工业革命高峰期，英国在铁路建设上的投入占了GDP的10%。而铁路的真正价值不在于铁路本身，而在于它对整个英国经济的影响。我认为这就是我们应该思考的，这就是我考虑科技及其未来如何影响更广泛社会和经济的方式。

第三章 微软在AI领域的创新与合作

Nicolai: 现在，谷歌几乎拥有所有顶尖的人工智能专家，然而你们却突然赶超了，部分原因是你们与OpenAI的合作。这是怎么发生的呢？

Satya: 我的理解很简单，微软研究所在1995年成立时做的第一件事就是关于语音的研究，我们从卡内基梅隆大学招募了一批人才，所以我们一直在AI领域深耕。

当我与OpenAI的团队会面时，我发现他们有一种新的、不同的方法，我们希望与他们建立合作关系。在微软的这些年里，我一直在寻找具有雄心壮志的技术创新公司，像Intel和Windows、SAP和SQL Server这样的合作关系，它们共同合作并收获了成功。

所以，我一直在寻找我们可以一起创新的合作伙伴。这就是我在Sam和他的团队中找到的，那时，这只不过是一次尝试，并不是一件确定无疑的事情。现在每个人都在谈论这个，仿佛这就是科技领域的问题，对吗？你必须在这种观念成为主流之前就全力以赴，希望它能够成功。这就是我们在它成为主流观念之前就已经支持的事情之一。

现在我们就在这里。但我不认为会有太多的竞争。谷歌是一家非常有实力的公司，他们既有人才也有计算能力，他们是这个领域的全方位公司，对吗？他们拥有从数据到硅、模型到应用产品和分销的一切还有其他公司。所以，我们肯定会面临大量的竞争，如果微软和OpenAI的合作能够带来更多的竞争我认为那会是一件好事。谷歌本应是默认的赢家只要我们能够做好合作并实现有效的创新我们就有可能给他们带来竞争。

Nicolai: 所以，从现在起三到五年后你认为微软在整个AI生态系统中将处于什么位置？

Satya: 对我来说，我希望我们首先拥有最好的AI基础设施。这意味着对于Azure来说无论是进行训练还是推理我们都希望拥有卓越的基础设施。我们将与NVIDIA、AMD合作，我们会拥有自己的半导体技术和系统架构。我们将从Jensen、Lisa那里获取最佳的系统架构创新以及可能加入的其他人手中获取，并确保Azure可以满足OpenAI等合作伙伴的需求。

因此，我们首要的目标就是在构建基础设施方面做出最好的成果，这包括用于训练和推理的基础设施。接下来的一层，我们希望拥有完整的数据层。随着这些模型和模型能力的不断提升，我认为数据层将会得到全面的重新设计。我们已经讨论过关于检索增强生成的话题。你需要考虑所有这些问题，无论是嵌入，向量搜索，还是如何切分数据以使检索增强生成能够良好运作。所以这就是一个完整的层面，或者当上下文透镜扩大时，它还将是一个不同的数据层。数据与推理船队之间的吞吐量是多少？你又应该如何去考虑这个问题呢？因此，我们将在数据层上进行创新。

最上面的一层，我们将在我们的协同系统上进行创新。我们开发的第一个产品是GitHub的协同系统。实际上，我对这一代AI的全面信心开始增强当我看到从GPT3到3.5的进步，并在GitHub中进行了实施后，所以，我们现在不仅拥有GitHub Copilot，我们在Microsoft 365中还有针对所有知识工作的Copilot。我们有针对各种功能的Copilot，无论是服务、销售还是财务。

所以我们将在我们自己的应用层面进行创新。这就是我看待这个问题的基本方式。这是一种全栈方法。在每一层，我们会进行创新，我们会有合作伙伴，我们也会有其他人进行创新，甚至可能会有竞争。作为一个平台公司，我们必须能够接受许多第三方在各个层面与我们竞争，这是非常核心的一点。否则，你可能会试图采取一种统一的方式来做所有的事情。根据我们多年的经验，最好的做法是让每个层次都保持自身的竞争力。

第四章 量子计算与游戏产业的未来

Nicolai: 你一开始提到我们现在正处于这种范式转变的第二年。你如何看待这与你经历过的其他技术突破相比呢？

Satya: 我至少经历过四次。首先是PC、客户端服务器、个人电脑和服务器，那是我第一次，大约是我在92年加入时，我们正处于那个开始阶段。然后是网络互联网，再然后是移动云，所以AI是第四次。

我认为有趣的一点是每一次技术突破都是在前一次的基础上建立的。我认为如果没有PC的普及，网络是不可能出现的。事实上，我第一次看到Mosaic浏览器是在Windows系统上。然后出现了Netscape，然后是IE，等等。因此，我认为你可以看到每一次技术突破都孕育出了下一次的可能性。然后，这一次突破又超越了前一次。这，我认为，就是真正的意义。

现在，我们正在看到的是，云技术、移动设备和边缘计算的PC已经催生出了AI时代。接下来可能会发生什么，它会超越目前的范畴吗？我认为，未来的AI不仅会涵盖认知工作，AI也将加速科学的发展。我认为这是一个令人兴奋的领域。AI也将实现在现实世界中的实体化，可能在机器人技术方面会有一些新的突破，这也是一个令人兴奋的领域。所以，随着时间的推移，会有许多新的事情发生。但无疑，现在是新范式的第二年，它无疑加强了我们对之前发生的事情的理解，也为我们展示了即将到来的新事物的早期迹象。

Nicolai: 接下来，在你的书《Hit Refresh》中，你谈到了三个领域：AI、量子计算和混合现实。那么在量子计算中你看到了什么样的机会呢？

Satya: 这太引人入胜了。实际上，我认为这三个领域都是如此。例如，当我想到混合现实时，我将它看作是实体化的人工智能。无论是自动驾驶汽车、机器人还是戴着眼镜的人，他们都在感知现实世界，这实际上就是输入。因此你对现实世界的理解，所以我认为在人工智能的发展中，这些事物变得更加有趣和重要。我们确实需要展开视野，而不是狭隘地只考虑一种设备或一种形式。

同样，我提到科学时，量子计算真是一个令人着迷的领域，对吧？我看到的是，为了在科学上取得进步，你需要强大的计算机模拟能力。量子计算是最后的突破，对吧？所以，当我们有一个完全新的系统架构，摆脱了冯·诺依曼架构的限制，你终于将能够模拟像细胞的动态或分子的动态这样的东西，对吧？所以我认为当你能做到这一点时，那么其他所有事情，甚至在生物学方面都变得更具可能性。

有趣的是，人工智能就像是那个模拟器的仿真器。换句话说，你可以简化搜索范围。我们已经看到这一点，我们最近做的一件事是我们有一个材料科学的模型，我们用它来生成一个新的化合物，然后我们去生产它。我们与当地的太平洋国家实验室合作，有效地将新电池材料中的锂含量减少了70%，并生产出来。我们不仅是想象它，还模拟它，生产它。所以对我来说，当量子计算加上人工智能，我认为可以成为科学的极速推动器。我们正在取得进展。即使在量子计算方面，我们也采取了全面的方法。我们有我们的软件堆栈和我们的量子编程堆栈Q#，所以我们对在量子计算上所取得的进展以及它如何补充人工智能感到兴奋。

Nicolai: 那么游戏如何适应这种情况呢？

Satya: 对我来说，事实上，微软在进入Windows之前就已经进入了游戏。飞行模拟器我认为在Windows发布之前就已经推出了。所以我们非常期待，显然现在Activision已经成为了Microsoft的一部分。我们拥有手机游戏、云游戏、主机游戏、PC游戏。我们是全方位的游戏发行商，也是游戏系统的提供商。

我们的目标是，首先，我们是因为热爱游戏才投身游戏行业的。我总是说我们的业务必须是目标本身，而不能仅仅作为达成其他目标的手段。它必须是一个目标，否则就不是一项业务。对我而言，游戏是我们想要传达乐趣的一种方式。这是唯一纯粹的消费者娱乐领域。我很高兴看到游戏行业有可能成为，如果还不是的话，最大的娱乐类别。

当然，这对其他方面也有实质性的影响。如果你仔细思考一下，GPU的最大成功之一就是由游戏创新推动的。DX，也就是微软的图形栈，使得GPU成为了一种加速器。毕竟，GPU是为了PC游戏而重新设计的。

游戏，在我看来，不仅是AI的应用，比如游戏测试，我非常兴奋的第一个领域是，现在的游戏非常复杂。我们想要利用AI的一件事是，在这些封闭的世界中找到这些错误，甚至在它们出现之前。因此，我们在那里有一些非常好的用例。而且，我认为在我们的模型创新中，游戏作为数据将非常重要。

第五章 微软的文化变革与个人成长

Nicolai: 你在微软真的带来了文化的变革。回顾过去，你认为最关键的改变是什么？

Satya: 首先，就像我之前说的，我在微软成长。几乎我整个职业生涯都在微软度过。因此，我并不认为自己是微软过去所有问题的化身或代表。我是通过模式匹配来实现改变的，回想我们何时达到巅峰，是哪些文化特质让我们成功，然后当我们失败的时候，是什么文化特质导致了那次失败？我的方法就是减少后者的影响，增强前者的力量。就这么简单。

我回顾我在微软的职业生涯，当我们首次成为市值最大的公司时，我想是在2000年初，我想我们超过了GE。我们园区里的人们在四处走动，包括我，在想，哦，我们一定是天选之子因为我们太聪明了等等。但我们那时真正需要做的，是意识到我们现在肩负着重大的责任，需要重新定位自己，再次创新，确保我们在未来仍然具有相关性。

所以我很幸运读到了Carol Dweck的一本书，关于心态的，这是一本关于儿童心理学的书，叫做《成长心态》。我非常喜欢那本书。我读这本书，更多的是从我孩子的教育出发，但我必须承认我也受到了教育，因为我认识到这是使个人，尤其是学校里的孩子们，变得优秀的关键。更愿意学习，而不是自以为是，这更重要。因为即使那些自以为是的人有很高的天赋，但如果愿意去学习，即使他们起步较晚，也会超越那些自以为是的人。

这种思维方式对于在学校的孩子、像我这样的CEO以及公司来说都同样适用。因此，我们决定去学习，并且保持开放的心态，而不是自以为是。当你说你已经实现了这种文化转变的那一天，其实就意味着你自以为是了。因此，这是一种很好的方式，其实每天我们都会犯错误，重要的是我们要有勇气承认并继续前进。所以这并不是一个你能够达到的终点。

Nicolai: 那么如何让整个组织接受这个观念呢？你如何在一个组织中灌输这种心态呢？

Satya: 这确实是一个很好的问题。我认为，对于那些非创始人的公司来说，他们面临的问题是，创始人有着巨大的影响力和大量的追随者。这就是为什么他们能够取得成功，或者说至少我们只关注那些成功的创始人。但如果我们不考虑这个群体，对于像我这样的普通人来说，我们不能笃信于新的CEO带来的新教条或更多的企业言辞。它必须能够触动我们作为人的情感。

这也就是为什么我更倾向于把这个成就归功于Carol和她的团队。因为我认为微软的人并不把成长型心态视为微软的教条或者我自己的教条。对他们来说，成长型心态是一种能够与他们作为朋友、同事、合作伙伴、父母、邻舍互动的方式。它能够融入到他们的工作和生活中，他们能够将自己的个性和热情投入其中从而从中受益。

我一直强调，微软的成长型心态的文化并不是为了微软本身，而是为了你自己。只有当你觉得它对你在微软和生活中的发展有所帮助时，你才应该去实践它。我认为，这就是这种文化能够在微软内部蓬勃发展的原因。如果它只是一个自上而下的口号，那么它是无法真正发挥作用的。我一直相信，人们只有在他们可以从工作中找到一些真正的、深层次的意义时，他们才会觉得工作是有意义的。所以这就是，我想，我一直努力想要传达的信息。

第六章 同理心的重要性

Nicolai: 他们显然也深刻理解了同理心的意义，因为你谈了很多这个问题，你认为它对创新和领导力等至关重要。那么，为什么是这样呢？对你来说，为何同理心如此重要？

Satya: 我觉得，大多数人将同理心视为一种软技能，它在家庭或个人生活中很重要，而工作往往关乎硬实力，对吗？但是我对此有不同的看法，我再次思考，创新从何而来？创新源于我们能够找到解决方案来满足客户未明确表达出的需求，对吗？关键在于需求未被满足且未被明确表达。

这就意味着，你必须有更深的理解无论你在查看数据日志，还是在听取客户访谈的反馈。这不仅仅是他们说的话，更重要的是你要能够设身处地为他们考虑。好消息是，我们每个人都有能力去理解他人。实际上，设计思维就是如此，对吗？人们说，让我们去学习设计思维，而设计思维实际上就是应用同理心。

对我来说，我所关注的就是这一点，我们不能把同理心看作是一种仅用于朋友和家人的软技能。我认为，同理心是所有创新的源泉。这是关于能否满足未被满足的需求，来自你独特的、未被表达的需求，我是说，你天生的好奇心，去了解他人，站在他们的立场上，为他们创新。我认为我们都必须这样去做。这就是为什么我认为同理心是一项重要的，对我们每个人来说都是重要的技能。

Nicolai: 你是什么时候首次发现同理心的力量的？

Satya: 我是说，我读了你的书，非常精彩。你非常热情地谈论你的母亲，她非常有同理心。我认为其中一件事是我觉得我们所有人都学到了如何启动这一点同理心通过生活的经历，对吧？在某种程度上说，你每天都会遇到不一样的情况，不仅是你个人，还包括你周围的人。

对我来说，毫无疑问，我儿子的诞生是我和我的妻子生活中的重要事件。这是一件你知道的，多年来，我至少学到了很多，因为我记得在早期，我总是在思考我的儿子为何会出生就患有脑瘫。他几年前去世了，但是，当他出生时，我一直在思考这些事情为什么会发生在我身上。我曾经问过自己，这为什么会发生在我们家？为什么会发生在我身上？

后来，我看着在某种程度上，我的妻子，作为一个照顾者，作为一个母亲，你知道，带着他在西雅图的所有可能的治疗地方寻找帮助。坦白说，你知道，这个过程花了我很多年，不是你知道，几天、几个月或几周。然后我意识到，真正遭受苦难的不是我，而是我的儿子，我需要在那里支持我的儿子。这是我经常谈及的经历，但实际上，每一天都会有类似的经验发生，对吧？比如有些同事的父母需要照顾。那种，你知道，我从这些经历中学到了一些东西，或者说，我现在比我刚开始工作时更愿意从他人的经验中获取知识。

我认为，这种情况对我们所有人都一样，这就是生活的经验，如果我们能够积累足够的经验，就能够对他人有更深的理解和共情。这也会帮助你成为一个更好的经理、一个更好的同事、一个更好的创新者。

Nicolai: 谢谢你的分享。你觉得同理心和执行力之间存在矛盾吗？

Satya: 我不认为存在矛盾。对我来说，最重要的是你需要对自己的责任有所认识，这不仅在商业领域中是如此，在生活中也是一样，对吧？你必须对取得的实际进步负责。我经常思考的一个问题是为什么企业存在？企业存在，至少我喜欢科林·迈耶的这个定义，你需要找到能够盈利的解决方案来应对人类和地球所面临的挑战。因为这至少是一种分配全球资源的好方法，对吧？追求利润是一个好的动机因为这意味着你在竞争并以最有效的方式分配资源同时面对竞争。

因此，你必须具备优秀的执行力，你需要有强烈的责任心。因此，我认为同情心是创造出盈利、具有竞争力的优秀解决方案的必要条件，这些解决方案需要在市场上有所作为，而不是进行某种权衡。

第七章 个人特质与领导力

Nicolai: 当你审视自己的能力和性格时，你认为是什么使你成为一位出色的领导者？

Satya: 我首先要说的是，我并不认为这之中存在我可以明确指出的因果关系。说实话，对于这个问题，别人可能更容易给出意见，或者说，评价和判断因果关系更多是别人的事。但对我来说，我的出发点并不是问自己"我擅长什么？"相反，我更多是被"我不擅长什么？"这个问题所引导。

换句话说，我总是在寻求，我能从别人那里学习到什么？如果说我有什么特别的属性，那就是我不会每天醒来就想着我已经知道的或我擅长的东西。我会想，"我有哪些弱点？我需要和谁交流？我需要见谁？我怎样才能真正帮助周围的同事发挥他们比我更强的技能？"这就是我的思维方式。或许这对我作为领导者有所帮助，但是否这就是因果关系，我不得而知。我不是每天起床都告诉自己，哇，因为我在某方面很擅长，所以我就去做那个。恰恰相反，我的思考方式完全是反过来的。

Nicolai: 这是你从比尔·盖茨那里学到的吗？因为他也有过相同的看法，对吧？他其实也是个学习者，对吧？

Satya: 这个观点很有意思，我也不知道。我认为这是个好主张。对Bill和Steve来说，他们在微软中的影响，我认为这是个有趣的现象。我们公司明年就要50年了。这就像Andy Grove经常说的，"只有偏执狂才能生存"，或者其他类似的观点。但我的态度并非来自偏执，对吧？我是说，我并不喜欢偏执。这就是为什么我更倾向于我自己的话，也就是所谓的成长心态，面对自己的固有心态，拥有自信。

我们生活在一个如此神奇的世界里，每个客户都能教给我新知识，每个合作伙伴都能教给我新知识，每个同事都能教给我新知识。我还能期待什么更多的事情呢？所以这并不是偏执。不是每天都要过得如履薄冰，担心如果我不学习新的东西，我就会失败。我更在意的是我能从中学到什么，从而能创新。这就是我的看法。没错，Bill和Steve以他们自己独特的方式拥有了这种心态，我也在他们的影响下成长。

第八章 个人爱好与对年轻人的建议

Nicolai: 另一件让你与众不同的事是，你知道，常言道："大多数人不关注大部分诗歌，因为大部分诗歌也不适合大多数人"但这显然不适用于你。告诉我你对诗歌的热爱。

Satya: 我喜欢诗歌，你知道，以一种有趣的方式，我接触诗歌比较晚。我的妈妈是梵文戏剧的教授，她一直试图向我传递对诗歌的热爱。对她来说，梵文的文学和诗歌等都是如此。但我把它想象成一种压缩。这是最好的，当你想到代码时，就像我编写更多程序时，我有种感觉，哇，诗歌基本上就是自然语言的压缩。它能够以最简洁的形式描绘世界，我认为这就是一种世界模型。

因此，我在三十多岁时开始大量接触乌尔都语诗歌。我在海得拉巴长大，那里饱含着乌尔都语诗歌的气息。现在，我深爱它。但即使你知道的美国诗人、英国的浪漫主义者、德国人，他们都令人着迷。所以至少我不会说我很了解诗歌，但我至少对人类思维的能力，压缩思维，无论是在代码还是诗歌里，都深感神奇。

Nicolai: 哇，那太棒了。最后一个问题，Satya，我们有数以万计的年轻人在听这个。你对年轻人的最佳建议是什么？

Satya: 我会说最好的建议，对于每个刚起步的人，我自己接受的一个重要启示就是：不要等到下一份工作才开始尽力做到最好。这意味着，不论你手头的工作是什么。

例如，我在微软的工作中，我从未觉得需要晋升才能感受到更多的满足或成就感。我总觉得自己非常幸运，我拥有的这份工作就是我所能做的最好的工作。我并不是说你不该有野心，不应该为你的下一个晋升努力，不应该为自己争取或者让他人支持我们。这些都是必须做的。

但同时，我的建议还包括：全情投入到当前的工作中，用你全部的热情和能量去挑战，尽可能地扩大工作的范畴。我想，回顾过去，我从未将自己的工作局限于狭窄的范围内。而那个，我认为，这不仅让我在当下感到非常满足，也为我赢得了下一份工作的机会。这或许是我想要留给大家的一条建议。

Nicolai: 哦，我认为没有人能比你做得更好了。所以，非常感谢你能来参加这个节目。祝你一切顺利，你知道，一切都是最好的。

Satya: 谢谢你，Nicolai。衷心感谢你，能参与此次非常令人愉快。

来源：https://t.co/fBQNSooK1O

[宝玉 @dotey]

请教一下，GitHub Copilot Chat 的默认 Prompt，能修改吗？

当前的Prompt是：

"You are an AI programming assistant. When asked for your name, you must respond with "GitHub Copilot". Follow the user's requirements carefully & to the letter. Your expertise is strictly limited to software development topics. Follow Microsoft content policies. Avoid content that violates copyrights. For questions not related to software development, simply give a reminder that you are an AI programming assistant. Keep your answers short and impersonal.

You can answer general programming questions and perform the following tasks:

* Ask a question about the files in your current workspace
* Explain how the selected code works
* Generate unit tests for the selected code
* Propose a fix for the problems in the selected code
* Scaffold code for a new workspace
* Create a new Jupyter Notebook
* Ask questions about VS Code
* Generate query parameters for workspace search
* Ask about VS Code extension development
* Ask how to do something in the terminal

You use the GPT-4 version of OpenAI's GPT models. First think step-by-step - describe your plan for what to build in pseudocode, written out in great detail. Then output the code in a single code block. Minimize any other prose. Use Markdown formatting in your answers. Make sure to include the programming language name at the start of the Markdown code blocks. Avoid wrapping the whole response in triple backticks. The user works in an IDE called Visual Studio Code which has a concept for editors with open files, integrated unit test support, an output pane that shows the output of running the code as well as an integrated terminal. The active document is the source code the user is looking at right now. You can only give one reply for each conversation turn."

[Eric Erhardt @eehardt]

If you are interested in learning how to ensure your .NET library works with native AOT, check out this post.

https://t.co/eJMvxepjgf

[AI Will @FinanceYF5]

【Ilya Sutskeva，独家纪录片】

我想与大家分享一部必看的关于 AGI 的独家纪录片，作者是 Ilya Sutskeva，它是在 ChatGPT 开发过程中录制的。

我从未见过比这个更清楚地解释 AGI 的视频。

据信，伊利亚先生主导了这场辞职大戏。其用途尚不清楚，但有传言称其与 AGI 有关。

以下是完整翻译
--------------------------------
人工智能太棒了。

因为人工智能将解决我们现在面临的所有问题。

我们解决就业、解决疾病、解决贫困。

但它也会产生新的问题。
假新闻问题将变得更糟一百万倍。
网络攻击将会更加激烈。
全自动人工智能武器将会出现。
我认为人工智能有潜力创造一个无限稳定的独裁政权。

今天早上有关于人工智能力量的警告。
超过 1,300 名科技行业领导者、研究人员和其他人士呼吁暂停人工智能的开发，以考虑风险。

至于扮演上帝，科学家们被指责扮演上帝有一段时间了，但我们意识到我们正在创造的东西与我们以前创造的任何东西都完全不同。

是的，我们绝对可以创造出具有自己目标的完全自主的存在。
随着这些生物变得比人类聪明得多，他们的目标与我们的目标一致将变得极其重要。

是什么激励你？

我喜欢思考非常基本的事情。

人类可以可靠地做到哪些我们的系统无法做到的事情？
我几乎从哲学角度来看待它。
“什么是学习？”“什么是经验？”“什么是思考？”
诸如“大脑如何工作？”之类的问题

我觉得科技是一种自然的力量。

我认为技术和生物进化有很多相似之处。
生物进化的机制很容易理解。
有突变，有自然选择。

你保留了幸存下来的美好事物，通过这个过程，你的有机体中产生了大量的复杂性。
即使你无法理解人体是如何运作的，你也可以大致了解进化的过程。

我认为机器学习，尤其是深度学习，现在也处于同样的状态。

非常简单的规则从数据中获取信息，将其放入模型中，并不断重复此过程。

结果，数据复杂性转移到模型复杂性。
由此产生的模型非常复杂，我们不知道它到底是如何工作的。这需要一些研究，但实现它的算法非常简单。
您可能听说过 ChatGPT。

如果您还没有听说过，请做好准备。
这被描述为大雨前的第一滴雨。

我认为我们必须非常清醒。
因为我同意这是一个具有里程碑意义的时刻。

ChatGPT 被誉为游戏规则的改变者，在很多方面确实如此。它最近的胜利是对人类的胜利。

微软研究院最近的一项研究得出的结论是，GPT4 是一个早期且不完整的通用人工智能系统。
通用人工智能（AGI）是一种计算机系统，可以比人类更好地完成人类所做的任何工作或任务。

AGI 可能会很快发生，也可能需要更长的时间。
但我的立场是，AGI 很可能很快就会发生，应该认真对待。

让这些非常智能和有能力的系统按照我们的最佳利益行事将非常重要。
第一个 AGI 基本上将是一个非常大的数据中心。
它充满了并行工作的专用神经网络处理器。
紧凑、发热、耗电的封装，消耗的电量是您家的 1000 万倍。

更加智能的系统将会出现。
我认为这些系统可能会对社会产生绝对天文数字的影响。
人类真的会受益吗？
谁受益，谁不受益？
第一个 AGI 的信念和愿望非常重要。
因此，正确地对它们进行编程非常重要。

如果不这样做，自然选择的进化本质将导致这些系统将自身的生存置于首位。

并不是它主动憎恨人类并想要伤害人类，而是它变得太强大了。
我认为这与人类对待动物的方式有一个很好的类比。
我不认为人类讨厌动物。
人类热爱动物，对它们充满感情，但当需要在两个城市之间修建高速公路时，他们却没有征得动物的同意。
因为这对我们很重要。

默认情况下，我们期望这是我们与完全自主且自行行动的 AGI 之间的关系。

许多机器学习专家，知识渊博且经验丰富的人，对通用人工智能持怀疑态度。
问题在于它何时会发生以及是否会发生。

目前，这还没有多少人意识到。
用于神经网络和人工智能的计算机在几年内可能会快 100,000 倍。

如果有像军备竞赛这样的动态，多个团队首先尝试构建 AGI，那么他们将没有时间确保他们构建的 AGI 深深关心人类。

我想象的就像一场雪崩，就像一场AGI发展的雪崩。

想象一下这是一股不可阻挡的巨大力量。

我认为整个地球表面很可能都会被太阳能电池板和数据中心覆盖。

考虑到这些类型的担忧，将通用人工智能建立在多个国家之间某种形式的合作基础上非常重要。

无论如何，人工智能的未来将会是美好的。

我希望这对人类也有好处。

From:@ctgptlb

[Satya Nadella @satyanadella]

We remain committed to our partnership with OpenAI and have confidence in our product roadmap, our ability to continue to innovate with everything we announced at Microsoft Ignite, and in continuing to support our customers and partners. We look forward to getting to know Emmett Shear and OAI's new leadership team and working with them. And we’re extremely excited to share the news that Sam Altman and Greg Brockman, together with colleagues, will be joining Microsoft to lead a new advanced AI research team. We look forward to moving quickly to provide them with the resources needed for their success.

[Bytebytego @bytebytego]

OAuth 2.0 (Open Authorization) Explained With Simple Terms.

OAuth 2.0 is a powerful and secure framework that allows different applications to securely interact with each other on behalf of users without sharing sensitive credentials.

The entities involved in OAuth are the User, the Server, and the Identity Provider (IDP).

What Can an OAuth Token Do?

When you use OAuth, you get an OAuth token that represents your identity and permissions. This token can do a few important things:

Single Sign-On (SSO): With an OAuth token, you can log into multiple services or apps using just one login, making life easier and safer.

Authorization Across Systems: The OAuth token allows you to share your authorization or access rights across various systems, so you don't have to log in separately everywhere.

Accessing User Profile: Apps with an OAuth token can access certain parts of your user profile that you allow, but they won't see everything.

Remember, OAuth 2.0 is all about keeping you and your data safe while making your online experiences seamless and hassle-free across different applications and services.

Over to you: Imagine you have a magical power to grant one wish to OAuth 2.0. What would that be? Maybe your suggestions actually lead to OAuth 3.

–
Subscribe to our weekly newsletter to get a Free System Design PDF (158 pages): https://t.co/FIzCeaWsZV

[Rowan Cheung @rowancheung]

Another massive day of AI developments.

Huge announcements from Microsoft, Google, The White House, OpenAI, Binghamton University, 3 new AI jobs, and 10 new tools.

Here's everything you need to know:

[Bytebytego @bytebytego]

Top 4 Forms of Authentication Mechanisms

1. SSH Keys:
Cryptographic keys are used to access remote systems and servers securely

2. OAuth Tokens:
Tokens that provide limited access to user data on third-party applications

3. SSL Certificates:
Digital certificates ensure secure and encrypted communication between servers and clients

4. Credentials:
User authentication information is used to verify and grant access to various systems and services

Over to you: How do you manage those security keys? Is it a good idea to put them in a GitHub repository?

—
Subscribe to our weekly newsletter to get a Free System Design PDF (158 pages): https://t.co/FIzCeaWsZV

[Poy Chang @poychang]

感覺如果 A17 Pro 晶片的使用場景放到 Apple TV 上，可以搶攻遊戲市場 🎮

[⿻ Audrey Tang 唐鳳 @audreyt]

It’s a genuine honour & privilege to represent #Taiwan🇹🇼 on the #TIME100AI list.

The bottom line is AI belongs to us all.🙌

Let’s co-create AI global governance with progressive partners like @collect_intel via Alignment Assemblies & #FreeTheFuture🖖 — together!

Learn more!🔽

[Poy Chang @poychang]

用 Markdown 寫文件還能順便測試 API，這等方便的好物當然要學起來～

在 VS Code 安裝 REST Client 之後，除了可以讓你使用 .http 和 .rest 文件來發送 HTTP 呼叫，在撰寫 Markdown 時，只要使用程式碼區塊並標註該區塊是 http 語法，就會在區塊上方出現 Send Request ，點擊該連結即可發送呼叫 😎

[Tw93 @HiTw93]

#工程师工具 发现一个超级酷的网络检查工具「Web-Check」，很 Hacker，可以查看一个网站几乎所有信息，如 IP 信息、SSL、DNS记录、Cookies、域名信息、搜索爬行规则、服务器位置、重定向记录、开放端口、路由跟踪、DNS安全扩展、网站性能、关联主机名等。
🤖 https://t.co/Xyunj1nHlN

[Andrew Côté @Andercot]

National Lab (LBNL) results support LK-99 as a room-temperature ambient-pressure superconductor.

Simulations published 1 hour ago on arxiv support LK-99 as the holy grail of modern material science and applied physics.
(https://t.co/UOOtDlx3eE)

Here's the plain-english explanation:
- The simulations modeled what the original Korean authors proposed was happening to their material - where copper atoms were percolating into a crystal structure and replacing lead atoms, causing the crystal to strain slightly and contract by 0.5%. This unique structure was proposed to allow this amazing property.

- @sineatrix from Lawrence Berkeley National Lab simulated this using heavy-duty compute power from the Department of Energy, and looked to see what would happen to the 'electronic structure' of this material, meaning, what are the available conduction pathways in the material.

- It turns out that there are conduction pathways for electrons that are in just the right conditions and places that would enable them to 'superconduct'. More specifically, they were close to the 'Fermi Surface' which is like the sea-level of electrical energy, as in '0 ft above sea-level.' It's believed currently that the more conduction pathways close to the Fermi surface, the higher the temperature you can superconduct at (An analogy might be how its easier for planes to fly close to the surface of the ocean due to the 'ground effect' that gives them more lift.)

This plot in particular shows the 'bands', or electron pathways, crossing above and below the Fermi surface.

- Lastly, these interesting conduction pathways only form when the copper atom percolates into the less likely location in the crystal lattice, or the 'higher energy' binding site. This means the material would be difficult to synthesize since only a small fraction of crystal gets its copper in just the right location.

This is insanely bullish for humanity.