任强

[任强 @renqiang06]

@plantegg 我居然盈利4个点，最低时候-20

[plantegg @plantegg]

中国铁路总公司（CRC）12306如何应对卖票的挑战

背景与规模：春运期间（以2014年为例）约有36亿人次出行，被称为全球规模最大的迁徙活动，对交通与网络基础���施带来巨大压力。

技术升级：为了支持2.58亿人次的在线抢票需求并顺畅承载海量并发，中国铁路总公司对其官方售票系统12306 进行了改造。

核心架构调整：系统放弃了传统的关系型数据库（RDBMS），引入了 Pivotal 的内存数据格网 GemFire。

改造成效：使得查询响应时间缩短了 75%，吞吐量从原先的每秒 300~400 次查询提升至数万次，在应对高峰期流量冲击的同时确保了系统的稳定运行

结论：12306卖票卡脖子技术的解决就是用了 GemFire

https://t.co/lv3qNOrko5 感谢 @0x87FICC 提供信息源

[Jensen Huang @JensenHuang]

For my first post, I’m sharing a letter @NVIDIA signed on why open models matter.

AI will transform every industry, power every company, and be built by every country.

Open models strengthen safety and cybersecurity, accelerate innovation and diffusion, and enable sovereignty.

The world needs both frontier closed models and frontier open models.

https://t.co/AUKzoQ5Ikb

[比特币橙子Trader @oragnes]

卧槽，这个网站超级喜欢，爱了爱了爱了～

有人用 AI 搓了个网站，结果全网都跑来喂他的猫，导致服务器被挤爆了！！！

😱 他用 Vibe Coding 搞了个云喂猫系统。

你点个按钮，他家的投喂机就出粮，还能看实时直播！

现在不仅接入了全球猫咪，还要搞 AI 视觉抓取和“最贪吃猫咪排行榜”。🔥

[huangserva @servasyy_ai]

兄弟们！答应你们晚上开源，它来了

image to 3D模型目前只对接了线上：https://t.co/VcB8OUZ8kn
你们也可以改其他家，或者本地模型

记得点赞关注，用的好GitHub也给一颗小星星👇
https://t.co/fK5ZCx1uGB

[plantegg @plantegg]

https://t.co/juS8Cf2Pu1

[Geek @geekbb]

赛博修仙，网友`一只猫`用 Gemini 3.0 手搓能手势控制的凡人大庚剑阵，复刻了凡人修仙传的飞剑效果，万剑归宗的效果拉满。

[AI老黄 @xiaowo1800]

我用 Opus 4.5 编写了一个手势交互式粒子。 你可以用双手流畅的控制粒子 (three.js + mediapipe) ，大家可以试一下

[小宇妈妈 @xiaoyumama9968]

宁波房价崩了！
大爱书院小镇，119平三房，总价才19.8万，单价仅1730元/㎡
这可是宁波啊！江浙沪啊！朋友亲手做的盘，现在直接腰斩再腰斩。再这么跌下去，真要步鹤岗后尘了，太可怕了！

[GitHub Projects Community @GithubProjects]

A web GUI for nginx for developers.

[Dwarkesh Patel @dwarkesh_sp]

The @ilyasut episode

0:00:00 – Explaining model jaggedness
0:09:39 - Emotions and value functions
0:18:49 – What are we scaling?
0:25:13 – Why humans generalize better than models
0:35:45 – Straight-shotting superintelligence
0:46:47 – SSI’s model will learn from deployment
0:55:07 – Alignment
1:18:13 – “We are squarely an age of research company”
1:29:23 – Self-play and multi-agent
1:32:42 – Research taste

Look up Dwarkesh Podcast on YouTube, Apple Podcasts, or Spotify. Enjoy!

[宝玉 @dotey]

Ilya：扩展时代已经结束了，研究的时代已经开始

Ilya Sutskever 大概得有一年多没参加播客访谈了，自从 OpenAI 宫斗离职创办 SSI（Safe Superintelligence）后之后就很少露面了，

最近，他在 Dwarkesh Patel 的播客中进行了一场长达一个半小时的深度对谈。Ilya 毕竟是 Ilya，他不像 Sam Altman 整天满嘴跑火车，只是为了卖货，访谈里面有很多干货，我猜一些观点甚至会影响以后 AI 在研发和投资上的走向。

一个多小时的内容很难说几句话就总结完，还是按照话题挨个整理一下。

【1】为什么 AI 能在考试中碾压人类，却修不好一个简单的 bug？

Ilya 在访谈里抛出一个很多人都遇到过也困惑过的现象：现在的模型在各种评分上表现惊艳，但用起来却远远跟不上能力曲线。更诡异的是，你让它改个 bug，它改完引入新 bug；你���出新 bug，它道歉后又改回旧 bug。两个 bug 来回切换，像在打乒乓球。

Ilya 使用一个类比来解释这个问题的：想象两个学生。

第一个立志成为顶级竞赛程序员，刷了一万小时题，背熟所有算法模板，练到条件反射般精准。第二个觉得竞赛挺酷，随便练了一百小时，也拿了不错的成绩。

哪个人未来职业发展更好？

大概率是第二个。

Ilya 说，现在的模型比第一个学生还极端。训练时把所有竞赛题都刷了，还做了数据增强生成更多变体，一遍遍强化。结果就是：所有算法技巧都刻在指尖，但这种准备程度本身就限制了泛化能力。

这个类比点破了一件事：能力和泛化是两回事。刷题刷到极致，可能恰恰堵死了触类旁通的路。

【2】真正的 reward hacking（奖励作弊）是人类研究员

问题出在哪？Ilya 认为是训练数据的选择逻辑变了。

预训练时代很简单：数据越多越好，什么都往里塞，不用挑。但 RL（强化学习）时代不一样了。你得选择做什么强化训练、用什么环境、优化什么目标。

于是一个微妙的循环出现了：研究员想让发布时的 benchmark 得分数字好看，就设计能提升这些指标的 RL 训练。模型变得越来越会考试，但考试能力和真实世界能力之间的鸿沟被放大了。

讽刺的是，真正在奖励作弊的不是模型，是设计训练的人在不知不觉中过度关注了考试成绩。

【3】为什么人类学东西这么快

说到这里就要问一个更深的问题：为什么人类学东西这么快，而且这么稳？

Ilya 提到一个特别有意思的医学案例：有个人因为脑损伤，失去了所有情绪——不会难过、不会愤怒、不会兴奋。看起来他还是能说话，能做智力题，测试分数也正常。但他的生活彻底崩溃了：花几个小时决定穿哪双袜子，财务决策一塌糊涂。

这说明什么？情绪不只是情绪，它在某种程度上充当了内置的价值函数。它告诉你什么事值得做，什么选择是好是坏，不需要等到最后结果出来才知道。

价值函数是个技术术语，但概念不难理解。传统的强化学习是这样的：模型做一长串动作，最后得到一个分数，然后用这个分数去调整之前所有步骤。问题是，如果任务需要做很久才有结果，学习效率就很低。

价值函数的作用是“提前剧透”。比如下棋时你丢了一个子，不用下完整局就知道这步不好。编程时如果探索了一个方向走了一千步发现不对，价值函数能让你在一开始选择这个方向时就得到负反馈。

这就像 GPS 导航，不是等你开到终点才告诉你这条路不对，而是在你刚拐错弯时就开始重新规划。

人类大概就是有这么一套系统。而且这套系统的妙处在于：它相对简单，却在非常广泛的情况下都管用。我们的情绪主要是从哺乳动物祖先那里继承来的，针对的是几百万年前的环境，但放到现代社会居然还能用得不错。当然也有失灵的时候，比如面对满街的美食，我们的饥饿感就管不住了。

【4】堆算力堆数据的扩展时代已经结束了，研究的时代已经开始

Ilya 认为规模化时代结束了？

他给了个很有意思的视角：在 2012 到 2020 年，大家在做研究，试这试那，看什么有意思。然后 2020 年左右，scaling law(规模化定律) 被发现了，GPT-3 横空出世。突然之间所有人意识到：原来只要扩展规模，堆数据、堆算力、堆模型参数大小，一路扩充，就能稳定得到更好的结果。

规模化的好处是低风险。而研究是有风险的，你得雇一堆聪明人去探索，不保证有成果。但规模化？只要投入更多资源，就一定能看到回报。公司喜欢这种确定性。但副作用是它吸走了房间里所有的氧气，创新空间被压缩，最后变成“公司比想法多”的局面。

但现在呢？预训练的数据就那么多，互联网就这么大，总会用完。Gemini 据说找到了从预训练榨取更多的方法，但这条路终归有尽头。然后大家转向了强化学习，开始在那上面堆算力。

可问题是：现在算力已经这么大了，再 100 倍真的会质变吗？Ilya 不这么认为。他觉得我们又回到了需要思考到底该做什么的阶段，而不是继续闷头堆资源。

这就像爬山。一开始你发现有条路，往上走就是了，越走越高。但总有一天，你会发现这条路到头了，再往前走也高不了多少。这时候要么换条路，要么换种爬法，总之不能继续原来的策略。

现在的 AI 行业就处在这个节点上。所以 Ilya 说：我们回到了研究时代，只不过这次手里有大得多的计算机。

【5】泛化能力才是核心问题

在 Ilya 看来，当前最根本的问题是：这些模型泛化能力太差了。

什么叫泛化能力差？就是学一样东西需要的数据量太多，而且学会的东西换个场景就不灵了。

人类不是这样的。一个青少年学开车，10 个小时基本就能上路了。而且人类五岁小孩的视觉能力就足以支持自动驾驶了，虽然他不会开车，但识别路况、判断距离这些能力已经很强了，而且这些能力是在父母家里那种数据多样性很低的环境里学会��。

更关键的是，人类学编程、学数学这些东西也很快。这些可不是进化给我们的能力，因为我们的祖先根本不需要写代码。这说明人类不光是在某些特定任务上有进化优势，而是在学习这件事本身上就有某种更本质的能力。

模型呢？虽然在某些具体任务上超过了普通人，但要说学习能力，还差得远。

Ilya 对这个问题有想法，但他说现在不能详细聊，因为在这个竞争激烈的领域，不是所有机器学习想法都能公开讨论的。不过他给了个方向性的提示：这很可能跟如何做到像人类那样高效、稳定的泛化有关。

还有一个可能的阻碍：也许人类的神经元实际上比我们想的做更多计算？如果是这样，事情就更复杂了。但不管怎样，人类的存在本身就证明了这种高效学习是可能的。

【6】重新定义 AGI：从成品到学习者

这里 Ilya 做了一个概念上的重要修正。

AGI 这个概念怎么��的？是作为“狭隘 AI”的反面而诞生的。以前的 AI 只会下棋，只会玩游戏，非常狭隘。所以大家说：我们要造通用的 AI，什么都能做的 AI。

预训练强化了这个印象，因为预训练确实让模型在各种任务上都变强。于是“通用 AI”和“预训练”在概念上绑定了。

但这里有个问题：按照这个定义，人类自己都不算 AGI。

人类有一套基础能力，但缺乏大量具体知识。我们靠的是持续学习。一个聪明的十五岁孩子什么都不会，但学什么都快。“去当程序员”、“去当医生”、“去学习”，部署本身就包含一个学习和试错的过程。

所以 Ilya 心目中的超级智能，不是一个出厂就什么都会的成品，而是一个能像人一样快速学习任何技能的学习者。

【7】能自动学习的 AI 会有多快到来？有多危险？

那么问题来了：如果有这样一个系统，能像人类一样快速学习，而且可以大量复制部署，会发生什么？

人类入职六个月才能产出价值，但这种 AI 可能几周就行。而且不同副本学到的东西还能��并，这是人类做不到的。这难道不会导致某种爆炸式增长？

Ilya 认为确实会有快速的经济增长，但到底有多快很难说。一方面有高效的劳动者，另一方面现实世界很大，很多东西有自己的节奏，不是你想快就能快的。

但他确实改变了一些想法。以前 SSI 的计划是“直奔超级智能”——不发布中间产品，一鼓作气搞定终极目标。现在 Ilya 觉得，渐进式发布可能更重要。

【9】为什么要渐进部署？因为想象不出来就得看见

访谈中 Ilya 反复强调一点：AI 的问题在于它还不存在，而不存在的东西很难想象。

你可以读一篇文章说“AI 会变得多厉害”，但读完你觉得“哦，有意思”，然后回到现实。如果你亲眼看到 AI 在做那件事，感受完全不同。

他打了个比方：像二十岁时讨论“年老体弱是什么感觉”。你可以聊，可以想象，但真正的理解只能来自经历。

这��致一个实际问题：所有关于 AI 风险的讨论，都基于对未来 AI 的想象。而想象往往跟不上现实。就连天天做 AI 的人，也会因为当前模型的各种低级错误而低估未来模型的能力。

Ilya 的预测是：随着 AI 变得更强，人们的行为会发生根本改变。竞争对手会开始合作搞安全，政府和公众会开始认真对待监管。这些事情现在开始有苗头了，但还远远不够。而真正的催化剂，是让人们看到更强的 AI。

这也是他对 SSI“直奔超级智能”策略有所松动的原因。原本的想法是不参与市场竞争，专心做研究，等东西准备好了再拿出来。现在他觉得，让 AI 被看见这件事本身是有价值的。当然，无论哪种路径，最终部署都必须是渐进的。

【9】SSI 在做什么？不同的技术路线

SSI 融了三十亿美元。这个数字单看很大，但跟其他公司动辄几百亿的投入比起来似乎不够。

Ilya 算了一笔账。那些大数字里，很大���部分是用于推理服务的。另外，做产品需要大量工程师、销售、产品功能开发，研究资源被稀释。真正用于前沿研究的资源，差距没看起来那么大。

更重要的是，如果你在做不一样的事，不一定需要最大规模的计算来验证想法。AlexNet 用两块 GPU 训的。Transformer 论文最多用了 64 块 2017 年的 GPU，换算成今天也就两块卡。第一个推理模型 o1 的推理能力也不是靠堆算力堆出来的。

研究需要一定算力，但不需要最大算力。真正的瓶颈是想法。

那 SSI 的技术路线是什么？Ilya 没有完全透露，但核心方向是解决泛化问题。他认为现在的方法会走一段然后撞墙，继续进步但无法突破到真正的人类级学习能力。而 SSI 在探索不同的路径。

时间表呢？五到二十年，达到人类级别的学习能力。

【10】安全对齐是什么？应该对齐什么？

说到超级智能，绕不开安全对齐问题。Ilya 的想法是：让 AI 关心有感知能力的生命。

为什么是这个目标而不是“关心人类”？他给了个有意思的理由：AI 本身也会有感知能力。如果你想让 AI 关心人类，可能反而更难，因为它需要做某种特殊化处理。而如果让它关心所有有感知的存在，某种程度上更自然，类似人类对动物的共情，来自于我们用同样的神经回路去理解别人和理解自己。

当然这个方案也有问题。如果大部分有感知能力的存在都是 AI，那人类在数量上会是极少数。这真的能保证人类的利益吗？

Ilya 承认这不一定是最好的方案，但他认为至少应该把它列入候选清单，让各家公司到时候可以选择。

还有一个思路他提了但不太喜欢：人机融合。通过类似 Neuralink 脑机接口的技术，让人类部分成为 AI。这样 AI 的理解就是人的理解，AI 的处境就是人的处境，对齐问题某种程度上就消解了。但这显然是个很激进的方案。

【11】如何硬编码高级欲望？

访谈最后有一段很有趣的讨论。

人类有很多社会性的欲望：想被人尊重、在乎社会地位、关心别人怎么看自己。这些��是低级信号，不像闻到食物香味那样有直接的化学感应器。大脑需要整合大量信息才能“理解”社交场合发生了什么。

但进化却成功地把“关心这件事”硬编码进了基因。怎么做到的？

如果说“把多巴胺连到嗅觉感受器”还能想象，那“把奖励信号连到某种需要整个大脑协同计算才能得出的高级判断”就很难想象了。

Ilya 说他有一些猜想，但都不令人满意。这是个谜。但这个谜的存在本身就很有启发性，它说明进化找到了某种方法，可靠地给复杂认知系统植入高级目标。

【12】什么是研究品味？

访谈最后，Dwarkesh 问了 Ilya 个很本质的问题：作为联合创造了 AlexNet、GPT-3 等一系列里程碑工作的人，你怎么判断什么想法值得做？

Ilya 的回答很诗意：我寻找的是美感。

不是随便的美感，而是多方面的美：简洁性、优雅性、正确的大脑启发。人工神经元是个好想法，因为大脑确实有很多神经元，虽然大脑很复杂但神经元这个抽象感觉抓住了本质。分布式表示是个好想法，因为大脑确实是从经验中学习。

当一个想法在多个维度上都显得“对”，都有某种内在的和谐，你就可以建立自上而下的信念。这种信念很重要，因为它支撑你在实验结果不好时继续坚持。

有时候实验失败不是因为方向错了，而是因为有 bug。怎么判断该继续调试还是放弃方向？靠的就是这种自上而下的美学直觉：这个东西应该是这样的，所以一定能 work，继续找问题。

这可能就是顶尖研究者和普通研究者的区别。普通研究者容易被数据牵着走，实验不 work 就换方向。而顶尖研究者有某种品味，知道什么是深层次正确的，能够在实验结果和内在直觉之间找到平衡。

[川蝉🍥 @Kisaragi_Momoe]

中医学的大厦已经建成，未来的中医学家只需要做些修修补补的工作就行了。但现在晴朗的天空中还有两顿乌云，一朵与双盲实验有关，一朵与有效成分有关。

[Kai @real_kai42]

这个液态玻璃效果好棒，甚至模拟了惯性，用力一甩会自己滑动一段时间

https://t.co/r1uAOTBPcm

[toobug @_toobug]

前几天看到了https://t.co/MTJ5K3dMJG，这玩意虽然是个数据库，但在我看来简直是大Excel克星。

经常看到吐槽大Excel很难打开、读取和分析，有DuckDB的话就迎刃而解了。

让AI写代码包了一下UI，5680行的Excel读取2ms，统计指标10ms。

[karminski-牙医 @karminski3]

最新的 Kimi-K2-Thinking 使用了 INT4 精度, 那么大模型的精度格式都有哪些？来给大家做一个喜闻乐见的盘点，从FP128（通常不用于大模型训练），到1bit ，来看看这些精度都是什么结构？

往期合集地址：https://t.co/gJjfpfOHm6

[Swapna Kumar Panda @swapnakpanda]

Stanford's Courses on AI & ML (FREE):

❯ CS221 - AI
❯ CS229 - ML
❯ CS229M - ML Theory
❯ CS230 - DL
❯ CS234 - RL
❯ CS236 - Deep Generative Models
❯ CS336 - LLM from Scratch
❯ CS224N - NLP with DL

Course links inside:

[Swapna Kumar Panda @swapnakpanda]

Top 10 YouTube Channels for AI & ML:

1. Andrej Karpathy
https://t.co/zERhSHF5jp

2. sentdex
https://t.co/yuQEYdyyiV

3. Sebastian Raschka
https://t.co/ZFL0omfWuI

4. Jeremy Howard
https://t.co/4yNWhmjZzz

5. MIT OpenCourseWare
https://t.co/NA6WstSs3y

6. Stanford Online
https://t.co/4GWPFbEGJs

7. StatQuest with Josh Starmer
https://t.co/ss5szaEe7E

8. 3Blue1Brown
https://t.co/2UxZFKneV1

9. Krish Naik
https://t.co/wiGkeAkkwz

10. CampusX
https://t.co/pK9hutMcnO

[Swapna Kumar Panda @swapnakpanda]

If I have to pick ONLY THREE Courses to learn AI & ML from scratch,

❯ CS229 - Machine Learning
❯ CS230 - Deep Learning
❯ CS336 - Language Modeling

These courses could easily cost $20K. But Stanford has made all these available on YouTube for FREE:

[ℏεsam @Hesamation]

Stanford just dropped a 1:47 hour masterclass about LLM training on YouTube. this is the 4th lecture in their new Fall 2025 series of transformers and LLM.

this is the new go-to course on LLMs imo, and you need to take it seriously.

subjects in this video:
→ Pretraining
→ Scaling laws, Chinchilla law
→ Training optimizations overview
→ Data parallelism with ZeRO
→ Model parallelism
→ Flash Attention
→ Quantization
→ Mixed precision training
→ Supervised finetuning
→ Instruction tuning
→ Parameter-efficient finetuning with LoRA
→ QLoRA