Ryan WANG

All in AI | AI前沿 | Agent哲学 | 前币圈韭菜

[Ryan WANG @RyanHare_Crypto]

一个公式告诉你为什么SaaS的时代结束了：
成本=算力+能源
现在制约成本的算力和电力均受到物理世界的约束，十分稀缺。但是长远来看它们都是商品，且无法像软件那样无限复制。
这也就意味着未来软件行业的利润可以这样理解：
Gross Margin = (结果溢价 + 信任&责任溢价 + 用户迁移成本) - (算力成本 + 能源成本)

结果溢价：谁的Agent能输出更好的结果谁就有更高的定价权。在公开数据被充分利用后。那些深耕专业领域，拥有高质量私有数据的企业，拥有更宽的护城河。

信任&责任溢价：谁能保护你的隐私？承担风险？确保合规？那些大企业在这里有天然的优势。

用户迁移成本：在算力是商品的时代，虚拟世界的迁移成本会变得极低，更像是一种"上下文粘性"。

[Ryan WANG @RyanHare_Crypto]

语言不过是人类对于世界理解的映射，而不应该是 AI 的归宿。

最近读了 Meta 的新论文https://t.co/l6xeOrT5Cz ，他们提出了 Coconut (Chain of Continuous Thought)。 简单说：模型不再依赖于文本形式的思维链，而是直接不可解释的包含复杂性息的多维向量作为下一步的输入。

这意味着：
Agent拥有了“神���语言”： 彻底抛弃“预测下一个 Token”，转向“预测下一个思维”，只有在需要输出时将它的“思维”坍缩成文本。

不可解释的黑盒： 思维不再是可读的文字，而是高维向量。我们再也无法通过Agent的思考过程来纠正AI 的错误。

算力和HBM将会持续稀缺：相比传统文本模型，该框架对算力和内存有着更高的要求。

人类用大脑这个神经网络思考，而也应该AI用向量思考。

#AI #Coconut #LLM #Research

[Ryan WANG @RyanHare_Crypto]

最近在研究 AI 的“自我进化”路径，特别是 RLAIF (Reinforcement Learning from AI Feedback)。

我们常说数据是瓶���，其实“人类老师”才是最大的瓶颈。传统的 RLHF 太依赖人类标注，不仅贵，而且价值观很难统一。

现在的趋势（如 Anthropic 的 Constitutional AI）正在改变规则：

人类不再手把手教 AI 做题，而是制定一部“宪法” (Constitution)——也就是一套核心原则（如无害、有用）。

AI 基于这套宪法以及庞大的人类知识库，自己生成答案、自我批判 (Critique)、自我修正 (Revise)。

最后用 AI 生成的高质量数据来提升自己。

未来，当最强的人类研究员都无法评估AI的思想时，Agent的自我迭代似乎是唯一解。而我们只能希望我们规定的“内化的宪法”能让它保持对齐。🤔

AI 的终极形态，或许就是一场无限的自我博弈。

#AI #AGI #MachineLearning

[ChinaChic NFT 🀄️ @ChinaChic_NFT]

🎉AzukiArt ✘ ChinaChic NFT FREE MINT GIVEAWAY🎉

🀄️🀄️5 whitelist spots!🀄️🀄️

To Enter:

1.Follow @ChinaChic_NFT & @Azuki_Art & @Supers6061
2. Like + RT tag 3 friends

48hrs