T1meless AGI Studio

中科大 计算机
国内一线模型训练&AI应用
头部互联网 AI research
投资经验/成长分享

[T1meless AGI Studio @t1meLess_agi]

#胡说八道
我觉得PCB和CPO会是AI板块反弹的开始

不懂的可以去搜scale up cpo

当然做出判断的原因是多样的，不只是未来技术路线带来的新预期

基本面的考量和长期pe的估算都证明PCB和cpo依旧有性价比。

具体就不放在这了，刚兴趣的可以点个关注

[T1meless AGI Studio @t1meLess_agi]

@geminitfwang ai进步的比人想象的还要快

[T1meless AGI Studio @t1meLess_agi]

大家都在说，AI 时代，人的 taste 会越来越值钱。但这里面有个容易被忽略的问题：模型的 taste 也在参与，甚至在塑造你的 taste。

让 AI 写文章，它会决定什么值得强调、什么可以略过；让它做产品，它会默认某种布局和交互；让它分析一个想法，它会选择用哪些标准判断好坏。

这些看似是执行，里面其实已经包含了大量取舍。

你让模型给三个方案，最后自己选一个，感觉决定权还在手上。但你看到的是哪三个方案、每个方案如何被描述，模型已经替你筛过一轮了。

更微妙的是，用久了，我们可能会逐渐习惯它的表达、结构和偏好，把“模型经常这样做”，当成“这样做就是好”。

所以，最终的作品里，到底有多少是你的 taste，又有多少是模型的默认偏好？这件事可能比“谁按下了确认键”更值得想一想。

我依然觉得 taste 很重要。但如果把它当成人类天然拥有、AI 永远学不会的护城河，未免太乐观。

以后判断一个人有没有 taste，也许要看：面对一个已经足够顺眼、足够完整的 AI 答案，他能不能指出哪里不对，提出选项之外的方向，并说清楚自己为什么坚持。

[T1meless AGI Studio @t1meLess_agi]

@whb0821 精辟

[T1meless AGI Studio @t1meLess_agi]

很多人有出色的vibe coding能力，但这并不等同于创业成功

因为最大的阻碍不是 你能不能做出这个产品
而是别人为什么要买你的产品？
为什么不外包另一个团队去复刻这个产品（反正都是vibe coding）

你的IP、个人品牌才是别人为你的产品掏钱的理由

[王长富 @wangchangfu88]

AI 时代，普通人如何最低成本创业？

一个 Codex 会员账号

再买台 MacBook ，可以去搞个二手

重点来了！！怎么赚钱？？

首先，发现市场上的潜在需求

然后通过 AI 制作出产品和服务

卖给有相应需求的人，收钱！

[T1meless AGI Studio @t1meLess_agi]

@JessicaJes9790 多交流多沟通，摩擦产生认知

[T1meless AGI Studio @t1meLess_agi]

@GGB122882 互必回

[T1meless AGI Studio @t1meLess_agi]

有些朋友看完了私信我，说token对于这也Anthropic和openai才多少钱

其实有价值的是这些数据，auto research的数据，数学专家在loop中的高质量数据

很多朋友不知道，现在一条高质量的auto research的轨迹 价值数十万。

数据的价值超乎大部分人的想象

[T1meless AGI Studio @t1meLess_agi]

孙哥又在做多ai了，作为claude的投资者

解出了问题证明了ai无敌了
没解出问题把大家的token烧完了

[T1meless AGI Studio @t1meLess_agi]

@JessicaJes9790 头部的进不去，靠产业链优势的公司去了你也没有好待遇

[T1meless AGI Studio @t1meLess_agi]

作为ai行业从事者，我一直毫不犹豫的看多ai硬件

互联网就业萎靡不代表ai泡沫即将破裂，而是印证了ai强大的能力

毫无疑问的是，当下A股的科技依然具备性价比，向下空间有限（5-10），向上空间预计在50%。

寻找有预期差，有潜在增长的股票，我预测反弹顺序将从PCB传到带cpo

[T1meless AGI Studio @t1meLess_agi]

开始吊胃口了，不过使用半个月以来，Astra确实是新的里程碑，这给了物理ai和ai硬件更多的幻想空间

[Sam Altman @sama]

the main thing i was excited about launching this week will be next week instead, but imo worth the wait!

[T1meless AGI Studio @t1meLess_agi]

@HarriesSteele vibe coding在无限放大人的决策力，交互能力。

程序员需要更加敏锐而不是继续focus八股基础

[T1meless AGI Studio @t1meLess_agi]

@95endless_rain 关必回！

[T1meless AGI Studio @t1meLess_agi]

@gypis07 尽快交起来

[T1meless AGI Studio @t1meLess_agi]

@AvelyraX7 互互互，一起进步

[T1meless AGI Studio @t1meLess_agi]

@ChuckBass14291 确实，今天上面的老板也在关注这个

[T1meless AGI Studio @t1meLess_agi]

语音 AI 最劝退的瞬间：你已经改口了，它还在认真回答上一句。

Gemini 3.8 Live 这次让我觉得，实时交互可能真在接近自己的 ChatGPT 时刻。尤其是 Extended Thinking，按谷歌介绍，它能在后台推理、调用工具，同时继续和你对话。复杂任务不必都变成一段尴尬的沉默。

我们团队也在做类似的实时交互 App。我更关心的是，这会不会改变大家做语音产品时的默认选择。

级联方案把「语音识别→文本模型→语音合成」串起来，每一段都能优化，但延迟会叠加，语气也容易在转写时丢掉。原生音频直接听、直接说，如果推理和工具调用也足够可靠，开发者就有理由少拼一层，直接从端到端方案起步。

我的判断是，开放式对话 App 会越来越多优先选这条路线。需要精确话术、逐字审核的场景，级联仍然有用。端到端也早就有了，这一轮真正要看的，是它能不能把自然对话和复杂任务同时做好。

应用团队的功课也会变：用户说「等等，换个方案」，旧任务怎么停，新指令怎么接？声音停了，后台还按旧指令跑，体验照样翻车。这些不会因为换了模型就自动解决。

谷歌这次还找了 Salesforce、Genspark、Lumeris 合作。接下来我更想看到，用户能不能一边聊、一边把完整的事办完。哪天下意识先开口，不用先组织一段提示词，实时交互的 ChatGPT 时刻才算真到了。

[Google DeepMind @GoogleDeepMind]

We’re introducing Gemini 3.8 Live and 3.8 Live Extended Thinking – our best conversational AI.

The models talk, think, and handle tasks in the background without breaking your flow. 🧵

[T1meless AGI Studio @t1meLess_agi]

孙哥又在做多ai了，作为claude的投资者

解出了问题证明了ai无敌了
没解出问题把大家的token烧完了

[孙宇晨（去过太空版）🧑‍🚀 @sunyuchentron]

孙宇晨奖
首期66个获奖数学问题正式公布
面向全球数学研究者
奖励重要数学问题上的突破性成果
66 Problems. One Frontier.
向未知发起挑战

[T1meless AGI Studio @t1meLess_agi]

公司文档里那几个“最终版”，可能要把 AI 也绕晕了。

昨天飞书发布 8.0，可以像拉同事一样把 Agent 拉进群，在文档评论里 @ 它改内容。工具越来越顺手，接下来有个更麻烦的问题：它拿到的，到底是哪一版事实？

方案 A 写了十页，周五开会却决定做 B；客户临时改了要求，只留在某个群里；报价单很完整，但已经过期。AI 把这些资料都找齐了，照样可能一本正经地把活干错。

企业接入 Agent 后，得有人把“为什么改、以哪个为准、谁确认的”留下来。读取权限和搜索能力是基础，接下来要让 AI 分清讨论、承诺和已经生效的决定。

谁能把这一步做好，团队才不用每次都从头交代前情。否则买了最聪明的模型，大家还是轮流给它补课：“这事后来又改了，你先听我说。”

[T1meless AGI Studio @t1meLess_agi]

卡买到了，电还没接上，算力就还没到账。

今天看到谷歌、英伟达等公司参与推动 AI 能源管理联盟。它们想争取的，是让数据中心在电网吃紧时，主动调整用电。

这事已经有落地案例。英伟达昨天披露，Emerald AI 在它的机房里接收电网信号，把能等的任务放慢，高优先级推理继续跑。给任务排个先后，用电也就有了腾挪空间。

这里容易混淆两个问题：一年需要多少电，和最紧张的那几个小时能不能供得上。调度解决不了全部缺电问题，但如果机房肯在高峰让一点，就有机会更早接入电网，把原本等着的卡用起来。

所以看 AI 硬件，我会把“什么时候通电”放到更靠前的位置。扩产计划写得再漂亮，最后也要变成能交付的算力。供配电、散热、调度，谁能让机房更早开工、同样的电多跑点任务，客户就有理由给谁掏钱。这笔账比贴一个 AI 标签实在得多。

[T1meless AGI Studio @t1meLess_agi]

RSI届的meta–learning ，不知道这次的效果如何

[Max For AI @MaxForAI]

卧槽，Google 和 Google DeepMind 最新放出了一篇很有意思的论文：Dream-RSI。

全称就是 Recursive Self-Improvement through Evolving Worlds，讲的是RSI（递归自我改进）。

但它做 RSI 的方式，和我们过去想象的不太一样。模型没有自己训练模型，也没有修改自己的权重，而是开始修改自己的「探索策略」。

简单来说，Agent 每次执行任务，都会留下完整的探索历史：试过哪些方案、哪些失败了、哪个分支效果最好、花了多少计算。

Dream-RSI 会把这些历史直接做成一个 Replay Simulator，然后让 Agent 在里面不断「做梦」：如果当时先走另一个分支呢？如果多开几个并行任务呢？如果这个方向早点停掉呢？

关键是，历史里的结果都已经算过了，所以这些实验根本不用重新调用 Coding Agent 和 Evaluator。

一次昂贵的真实探索，可以拿来做成千上万次几乎零执行成本的策略实验。

找到更好的策略之后，再把它部署回真实世界，于是就形成了一个完整循环：

探索 → 积累历史 → 做梦 → 改进 Policy → 再探索 → 再做梦。

一个 RSI Loop 就这么闭上了。

效果也很好啊，在 GPU Kernel 任务里，VGG16 和 LayerNorm 达到类似性能，分别少用了 2.43× 和 1.79× generations；
ConvDiv 和 ConvMax 在相近预算下，性能分别提高了 2.09× 和 1.44×。

还有一个实验我觉得特别有意思。

他们也试过更传统的办法：把过去探索得到的经验总结出来，直接塞回 Prompt 里指导下一轮，结果反而更差。

因为这些总结出来的「经验」很容易变成偏见，让 Agent 过早集中在某几个看起来正确的方向上，反而损失了探索的多样性。

所以这篇论文真正值得关注的地方，是它展示了另一条 RSI 路线：

模型不一定要先学会修改自己的权重，Agent 可以先学会修改自己的 Harness。

怎么搜索、开多少分支、什么时候继续、什么时候放弃、计算资源怎么分配，这些过去由人类工程师设计的东西，现在也开始进入 Agent 自己的优化循环。

底层还是同一个模型，但它开始自己研究：到底怎么用自己，才能变得更强。