Home
Language
English
Türkçe
Bahasa Indonesia
About
Privacy Policy
Terms of Service
Pricing
Sign In
Download All
Share
NextPluse
@Sprites06
Keeping you at the heart of AI. We share top news, insightful analysis, and expert opinions on everything AI.
#ArtificialIntelligence
#DeepLearning
#Innovation
Joined April 2024
306
Following
1.1K
Followers
293
Posts
NextPluse
@Sprites06
5 days ago
@AYi_AInotes
核心是游戏到底好不好玩 和成本高低没有半毛钱关系
NextPluse
@Sprites06
14 days ago
@Crypto_146827
截个图张口就来,说十个亿都行
NextPluse
@Sprites06
5 months ago
怎么一个挺厉害的AI博主也难逃出二极管的思维
关木
@ZeroZ_JQ
5 months ago
远离采购 workbuddy 的公司 切记
NextPluse
@Sprites06
5 months ago
什么人一打眼,就知道工作能力很强?
NextPluse
@Sprites06
5 months ago
卸载codex!受不了重置了
NextPluse
@Sprites06
5 months ago
最近特别的忙,也做了很多事情,能够感受到自己的成长。但是整个过程,其实少不了的是身边各个领导的一路帮助和支持,也会想到毕业后大大小小的难关,都由不少前辈的帮助才能走出来。 以前我觉得和上一辈聊天其实也没有啥,坐着听就行了,叫我喝就爽快喝嘛,也听故事,也挺有意思的,我本来也爱看人物传记,也觉得每个大佬能成为大佬,肯定是在关键的时间点做对了某些事情才能成为大佬。 听懂他的观点,记住他说过的话。 后来我逐渐发现,这些当然重要,但还不够。而真正能触动他的,可能不是我说了什么,赞同了什么观点,而是他在我们身上看见了什么。 比如在选择时,看见某种韧劲和毅力;在把一个想法落到现实里时,看见那些曾经支撑他��过漫长岁月的东西,正在另一个人的生命中重新发生。 所以我理解,给前辈做的最好的工作汇报,不是只是表达认同,赞美他说“你真厉害”,不只是记住某个故事的结果,而是在脑海里将她曾经经历过的重新经历一遍,理解曾经为何做这样的选择,理解当时面对的限制、情境和代价,理解做判断的方法,并在新的现实中,实践它。要实践的东西肯定不是某句话或者某个结论,而是某种看待世界的方式,某种面对困境的态度,某种在混乱中抽丝剥茧的决心和策略。 语言上的认同,太轻了,真正的认同,一定会改变一个人做事的方式。当然,这不意味着我要成为某个人的复制品。复制一个人的观点,并不能延续他的思想。一个真正有思想的人,大概也不希望身边站着一群只会点头的人。真正的传承,允许修正,允许分歧,也允许后来者走得更远。 所以说,最好的工作反馈不是一句“我记住了”。 而是在工作的实践本身。 怎样选择,怎样工作,怎样对待利益,怎样面对失败,怎样在没有掌声的时候仍然坚持那些你认为正确的事情。 当前辈从这些具体行动中认出自己的精神,他得到的就不只是一份情绪价值,而是一种更深的确认: 他曾经吃过的苦减少了后来者的弯路;自己想明白的道理,正在成为另外一个人继续前进的起点。生命虽然有限,但其中一部分已经进入另一个人的生命,继续向前。 或许,这才是人与人之间最珍贵的,不是我只是仅仅记得。 而是有一天,你在我身上,看见了年轻时的自己;同时也看见,你未能走完的那段路,正在被一个与你不同的人继续走下去。
See More
NextPluse
@Sprites06
6 months ago
@JeffreyMol76702
@grok
来源
NextPluse
@Sprites06
6 months ago
@yangyi
销售
NextPluse
@Sprites06
6 months ago
H200京东自营开售了
NextPluse
@Sprites06
9 months ago
一堆号吹Clawdbot(openclaw),没人说费用,怀疑��们是不是真的在用。 正常重度(1亿 Tokens/月):~7500元/月 极限重度(2亿Tokens/月):~1.5万/月 失控/全测:2.6万+/月 其它小钱不算。 .... 我为什么不雇两个女大
NextPluse
@Sprites06
10 months ago
今天我想输出个观点:大部分所谓的“垂类大模型”,最终都会被通用大模型无情地替代掉。 大家都在���一个词:“垂类大模型”。什么电力大模型,医疗大模型,法律大模型。 好像达成了一个共识:通用大模型是巨头的游戏,我们普通创业者、中小厂,只要守住这点行业数据,做个垂直领域的模型,就能挖出一条护城河。 前几个月的时候,我也是这么想的。 但这段时间,随着Claude Sonnet 4.5,Gemini 3,ChatGPT 5.2这些强力模型的爆发,加上我自己的实战经历,我越来越觉得这事儿不对劲。 我问Gemini请您帮我写一个XX集团的科技项目立项可研方案。 非常让我震惊的是,大模型不仅知道具体这个集团的可研方案模板结构目录框架,更可怕的是,他还知道科技项目、信息化项目、技改项目等不同类型项目的适用条件。 这说明我在问这个问题之前,有关这个内容的背景,已经有人将这部分的知识教过��大模型了,并且已经成为训练集的一部分。 其实我们看看大家眼里的“护城河”,是怎么构建的: 无非就是清洗行业数据、构建数据集、做SFT(监督微调),还有就是搞专业知识库RAG(检索增强)。 大家觉得,这数据是我的,我不给OpenAI,不给DeepSeek,它们就永远学不会。 你仔细推演一下这个过程。 只要你的应用是面向公众的,这个数据壁垒就不存在。 第一,数据是藏不住的。 我们哼哧哼哧构建的高质量数据集,只要变成产品形态上线,被爬取、被蒸馏只是时间问题。对于那些拥有恐怖算力的通用大模型公司来说,互联网上就没有“孤岛”。今天你引以为傲的私有知识,明天可能就是通用模型预训练语料的一部分。 第二,这个过程更发生在Prompt里。 这是我最近感触最深的一点。对于善于用大模型的Prompt老手来说,其实���看不上一些小参数、本地、国产模型。因为输出的内容质量真的差太多了。 现在的通用大模型是怎么变强的?不仅仅是喂书本知识,更是靠用户的真实使用数据喂出来的。 你想想看,一个资深的律师在用ChatGPT写法律文书,一个老医生在用Gemini辅助诊断,一个熟练的程序员在让AI写复杂的业务代码。 我们在输入Prompt的时候,其实就是在把我们脑子里最值钱的“业务逻辑”、“判断标准”和“思维链”,毫无保留地教给了大模型。 而且还有一个很严重的“赢者通吃”现象,模型能力越牛,就会有越厉害的人用,越厉害的人就越懂得写更加专业的Prompt。 各行各业最顶尖的人,都在免费给通用大模型做数据标注。 当通用模型看过了一万个律师的Prompt,它自己就是最牛的垂类律师模型;看过一万个医生的诊断思路,它就是最牛的垂类医疗模型。例如Gemini,Claude,还有ChatGPT,他们还能收集到全球全语种的Prompt数据。 这时候,你那个只喂了几千条数据的“垂类模型”,拿什么跟集结了全人类智慧的“通用模型”打? 所谓的“专业技能”,在海量数据和强力算法的暴力美学面前,真的没有那么高的门槛。 所以在很多垂直领域的表现,其实已经吊打很多专门微调出来的小模型了。 而且垂直领域的模型,也缺乏具备公信力的评测数据集,一般都是自己出题,自己考,没有太多的说服力。 所以,我认为垂类模型只是一个过渡态,小厂的活路,还是要深耕场景闭环,这个还没梳理好整体的想法,下次专门再写~
See More
NextPluse
@Sprites06
10 months ago
@PMbackttfuture
codex都拼错。。。
NextPluse
@Sprites06
10 months ago
@dontbesilent
三观契合的定义是什么
NextPluse
@Sprites06
10 months ago
又和以前的同学有一些交流。同学是在某大型外企A开头的光刻机公司的技术人员,负责机器现场的技术支持工作。 聊到主要的工作,千言万语汇成一句话就是:“这颗螺丝只要1美元,但是知道拧哪里值99999美元”。 这个“知道拧哪里才能解决问题”,就是核心技术,就能收客户一天过万元的Customer Services fee. 其实目前的AI大模型技术也是如此。在 AI 时代,How-to 变得越来越廉价,而 Know-how 变得前所未有的昂贵。 什么是 How-to? 是“如何用 Python 写一个爬虫”,是“如何用 LangChain 连一个数据库”。 以前这些东西是门槛,你会写代码你就能拿高薪。 但现在呢?你把需求丢给 Claude或者Gemini,它写的代码比你快,甚至比你规范。 我会用这个工具,我会用这个框架,我会部署环境,我会写这个逻辑,这些技能固然还很重要,但是很可能随着模型的能力增强,市场对这种能力的估值会不断降低。 那什么是 Know-how? 是行业内功,是业务逻辑,是一种判断力,认为这个思路Work or not。 大家如果经常使用大模型,你会发现大模型是最容易被“鞭策”的。如果我们认为写一个东西思路,编一个逻辑确定就是要这么编,他不会反驳你,他就会按照你的意思,有模有样的输出。 AI 可以告诉你“怎么做”,但它很难告诉你“该不该做”,或者“为什么这么做会死”。 聊天的时候还有另外一位同学,主要在某国企银行干信息化项目的项目经理的,他说其实现在很多的功能也就是无非增删查改,写代码花不了多少时间,真正耗时间的是要和业务去确定,某个业务到底到用到些什么数据才能解决实际问题。主要的时间其实是开会讨论的时间,比如风控规则,那从软件功能上就是提取数据IF-ELSE的问题,但是到底要梳理计算什么规则,又要到什么样的阈值才触发风控,这个就是需要反反复复去琢磨的东西。 项目经理的价值在于,他不是执行者,但是他要确��项目运行的方向和业主的需求保持一致,一旦走错,就会让功能需要重新做,前端、后端、测试、实施工程师,每个人的工时都是成本啊。 所以Know-how 是什么? 是你踩过的坑,是你赔过的钱,是你熬过的夜。 是你知道在这个具体的业务场景里,哪条路是死路,哪条路是烂泥塘。 这种“路感”,AI 还没有,刚入行的小白更没有。 一个项目,失败的道路有无限条,成功的就那么一两条。 在这个时代,创业和做项目的容错率极低。 AI 给了我们超级生产力,可以像超跑一样跑得飞快。 但如果你没有一个idea或者思路,那只能是在加速冲向悬崖。
See More
NextPluse
@Sprites06
10 months ago
最近网上关于本体论的讨论很多,主要就是Palantir 本体论概念比较火,不少国央企业领导也在提这个概念。 今天我试图用简单易懂的���念,告诉大家这个本体论是什么。 举个例子,当我们和豆包问: “这是我今年大概做的事情,请你帮我完成一份年度总结报告” “你现在是一个能源电力信息化行业的高级解决方案顾问,这是我今年大概做的事情,请你帮我完成一份年度总结报告” 我想大家或多或少会有一个体验,就是当你在用AI工具的时候,前面加了一个角色扮演的提示词的时候,输出的结果就变得专业准确了很多。 我们可能迷迷糊糊通过实践能够总结出这个经验,但是实际上就是我们对数据应用本体论治理的成果。 为什么? 当你加入一句角色扮演“你现在是一个能源高级解决方案专家”的时候,其实这不是一句话,而是一个语境。这个语境包含很多词语,包含“智能操作、智能巡视、智能监测、智能分析、主配微协同、消纳、智慧两票”,而每个词语又包含了很多的衍生词汇。 当��加入一句角色扮演“你现在是一个AI应用专家”的时候,这时候这个语境包含了“提示词、上下文、MCP、Agentic RAG、人在回路、智能体”,对吧。 当你加入一句角色扮演“你是一个大厂产品总监”的时候,这时候这个语境包含很多词语,包含“赋能、用户心智、打通、对齐颗粒度、赋能、闭环、抓手”,哈哈哈哈。 所以,“角色扮演”的本质不是赋予一个身份,而是加载一套特定的语言体系和思维框架。 而是围绕这个“角色”,这个“本体”,所对应的一套特定的数据输入(Data Sources),相关语境下的决策逻辑(Logic Resources),和行动方式(Systems of Action)。 图片 例如当我的角色是员工,我的数据输入是“老板叫我干什么跟进什么项目”,决策逻辑是“我拿下项目的经验知识”,行动方式是“各个项目节点我该干什么事?是写可研?写标书?写合同?” 那么我们将这套思想来面对新的数据治理的方式也是如此: 过去我们是怎么进行数据库构建的? 过去我们每个业务建立一个表,然后把所有的业务属性全部写进去。 然后业务与业务之间的关系,就用代码写死具体的逻辑,加减乘除,增删查改。 然后到下面一个项目过来想进行二��开发的时候,完了,光猜这个业务逻辑就让你束手无策。 那么palantir的本体论的数据治理构建的思想是,当我们构建这个数据表的时候,不仅写清楚这个字段的注释,而且描述清楚这个数据的业务中的作用,和其他的表的字段的关联关系,在什么具体场景下应用这个数据,用于什么分析,分析的结果又可以串联什么其他的应用工具,进行下一步的工作。 这个概念和知识图谱有些类似,但是对关联关系的细节描述又要比知识图谱更加详细。知识图谱关联了很多“实体”,但是对实体与实体之间的“思维链”,没有描述清楚。 通过这样的治理以后,当我们用智能体调用这个业务数据的时候,这个“怎么用这串数据”的描述,就可以类似技能(Skill)装载进大模型的上下文中,引导大模型进行进一步的决策分析。 就是这段“这个数据怎么用的描述”,决定了系统能看见什么,不能看见什么,把系统中所有的数据,都关联了起来。 但是,这个愿景其实很好很理想,但是实际落地,还是有很多的困难的。因为这个关联关系描述的过程,需要我们数据处理的工程师除了对数据处理的技能,还要求对业务有相当程度的了解。 大家现在还在探索阶段,我理解我们如果未来要打通业务数据和业务数据的关联关系,解决这个工作量的问题,应该要有个这样的产品:是数据治理人员和业务人员协同的平台,业务人员负责解释业务的作用,数据人员清洗数据,然后又用大模型来优化业务人员写的数据业务逻辑的描述(解决业务人员描述不精准的问题),然后确认,最后形成固化描述的工具。 以上是我对最近很火的Palantir的本体论以及对未来企业数据治理方向的理解。
See More
NextPluse
@Sprites06
10 months ago
@frxiaobei
从这篇文章的行文风格来看,这篇文章的输出可能不是Claude Code,而是Gemini
NextPluse
@Sprites06
11 months ago
@lidangzzz
这标题?
NextPluse
@Sprites06
11 months ago
为啥现在的购物软件,你不登陆,连逛都不给你逛? 你不登陆,都不知道咋给你定价
NextPluse
@Sprites06
12 months ago
A7M5真强啊,手上的A7C2不香了
NextPluse
@Sprites06
12 months ago
最近在重新琢磨信号处理,突然被傅里叶变换的一个性质击中了: 在时域上,一个无穷窄、能量无穷大的“冲激函数”(Dirac Delta),对应到频域上,却是“全频带”的。 这不仅仅是数学,这是最高级的哲学,甚至是生命的真相。 1. 极致的“当下”,需要无限的“支撑” 我们总挂在嘴边说要“活在当下”。 在数学里,这个“当下”就是一个时域上的点。 但你知道要维持这个完美的“点”有多难吗?在频域里,它需要从负无穷到正无穷的所有频率,以完美的相位叠加,才能在这一点上爆发,而在其他地方相互抵消为零。 这让我突然读懂了《华严经》里的“一即一切”。 当下的这“一念”,看似微小短暂(时域),其实它不是孤立的。它是你过去所有的认知、经历、能量(频域的无穷),在这一瞬间的全息投影。 少一份阅历,缺一种频率,当下的这个“点”就会展宽,就不纯粹,就没有力量。 所以,不要焦虑当下的这一刻为什么这么难熬,因为它背后承载的是你整个生命的“全频带”。 2. 缘起性空,其实就是波的干涉 为什么说“万法皆空,因果不虚”? 你看频域里那些无穷无尽的波,平时看不见摸不着(空),但当它们因缘具足、相位对齐时,就在时域里显化成了一个实实在在的“信号”(色)。 把这些波拆散,信号就消失了。 生活也是一样。我们眼前的“现实”,不过是无数看不见的因缘(频率)在这一刻的干涉(Interference)结果。 这就解释了为什么有的人站在那里,什么都不说,就有一种巨大的“势能”。 因为他的���频域”极宽,��高度自洽(相位对齐)。他的每一个“当下”,都是万古长空在这一朝风月里的聚焦。 3. 芥子纳须弥:维度的切换 以前我不懂“芥子纳须弥”,小小的种子怎么装得下巨大的须弥山? 现在懂了。 如果你只盯着时域看,它只是一个无穷小的点(芥子)。 但如果你切换视角(傅里叶变换),切换到频域看,它就是无穷大的全频带(须弥山/十方佛土)。 这给我的生命启示是: 不要被眼前的琐碎(时域的生灭)困住。 当你能极度专注、极度真诚地对待“当下”的每一个瞬间,当你把心念收摄到极致时,你其实连接上了那个无限的整体。 窄到极致,便是宽到极致。 活成一个“冲激函数”,在极短的瞬间,释放极大的能量。
See More
Last Seen Users on Sotwe
BastianGate
Seen from
Netherlands
Honey Rose🍭🔥
Seen from
Singapore
Berbie Girl
Seen from
Indonesia
Mark Flytt, 🏴🇪🇸.
Seen from
United Kingdom
GothSnowbunny
Seen from
United Kingdom
AsTraa Noir 🌙
simpanan Tante Binor dan Stw
Seen from
Indonesia
karışık sexx porno
Seen from
Turkey
Hasta
04._shy_
Seen from
United States
Trends for you
1
Steelers
Under 10K tweets
2
Panthers
Under 10K tweets
3
Tom Jackson
Under 10K tweets
4
Rodgers
Under 10K tweets
5
DJ Moore
Under 10K tweets
6
#DEATHBATTLE
Under 10K tweets
7
Wester
Under 10K tweets
8
Will Lee
Under 10K tweets
9
Saints
Under 10K tweets
10
Colston Loveland
Under 10K tweets
Most Popular Users
1
Elon Musk
@elonmusk
240.3M followers
2
Barack Obama
@barackobama
118.6M followers
3
Cristiano Ronaldo
@cristiano
114.4M followers
4
Donald J. Trump
@realdonaldtrump
111.8M followers
5
Narendra Modi
@narendramodi
106.9M followers
6
Rihanna
@rihanna
98.7M followers
7
NASA
@nasa
92.2M followers
8
Justin Bieber
@justinbieber
91.7M followers
9
KATY PERRY
@katyperry
89.9M followers
10
Taylor Swift
@taylorswift13
83.9M followers
11
Lady Gaga
@ladygaga
75.4M followers
12
Virat Kohli
@imvkohli
73.3M followers
13
Kim Kardashian
@kimkardashian
70.8M followers
14
YouTube
@youtube
68.6M followers
15
Neymar Jr
@neymarjr
66.3M followers
16
Bill Gates
@billgates
65.2M followers
17
Selena Gomez
@selenagomez
63M followers
18
The Ellen Show
@theellenshow
62.1M followers
19
CNN
@cnn
61.7M followers
20
X
@x
60.6M followers
Olivia
Online
✨
⭐
💫