Incelation

HALLUCINATION

[Incelation @watchvivian]

@Valen9223 明白了，也就是后面还有上车的机会，谢谢大佬

[Incelation @watchvivian]

@Valen9223 思源电气
细分板块：电力设备-电网
看好理由：民营输变电龙头

特变电工
细分板块：电力设备-特高压变压器、线缆+硅料
看好理由：特高压变压器龙头
目前两个都属于跌不动的状态

[Incelation @watchvivian]

@cholf5 请问那现在的unity初中级从业者是最好谋划转ue么，但unity目前还是岗位最多的呀

[Incelation @watchvivian]

@fly2_1M 他们的人数为2x素数就可以分组成功吧

[墓碑科技 @mubeitech]

一个拿过两次全球第一的机器学习大神，看了一眼大学里教 AI 的方式，觉得这帮教授全搞反了。

大学教 AI，喜欢先筑基：
微积分、线性代数、概率论，一啃就是一两年。
等学生终于见到真正的神经网络时，脑子早就被公式格式化了。
至于怎么把模型部署到服务器上？
对不起，那是工程问题，学校不教。

这位大神觉得，这就像学棒球先学三年流体力学，纯属折腾人。
学 AI，应该像学写代码或者学骑车：
先跨上去，把车骑走，摔倒了，再来琢磨重心在哪。

于是，他做了一门完全免费的课程：https://t.co/TkGmf193P4（《Practical Deep Learning for Coders》）。
没有任何学院派的花架子。
它不设繁琐的高数门槛，只要你有一点最基础的编程经验，就能开始。

它的授课逻辑是“自顶向下”。
第一节课，不推公式，直接教你用 PyTorch、fastai 和 Hugging Face 跑通一个图像分类模型，并且部署上线。
先让你看到：这东西不仅能用，而且我也能做出来。

有了这个正向反馈，再往深了刨：
神经网络底层是怎么进行矩阵乘法的？
Stable Diffusion 到底是怎么一步步降噪生成图片的？
反向传播（Backpropagation）又是怎么更新权重的？

看一眼他们的教学大纲就知道有多务实：
第一部分，全是实战，连“数据伦理”和“模型部署”这种学校里极少提、但工作里��天踩坑的细节都包进去了。
第二部分，才是带你硬核手撕底层，从零手写 Stable Diffusion。

在这个人人都想靠卖 AI 课割韭菜的时代，https://t.co/TkGmf193P4 始终免费，没有广告。
这不只是一门课，这是一场对学术精英主义的“物理超度”。
它向所有人证明了：在 AI 时代，动手构建并交付产品的能力，永远比那一纸名校的学术头衔更管用。

[Line @0xLinehigher]

非常建议每一个选择计算机系的大学生，在大学时期将cs336啃完，不开中文字幕，只开英文字幕。啃完之后，你对LLM的理解和英语能力至少在国内前百分之1%。

这门课超过国内任何一所大学里面计算机的课程。

《Stanford CS336: Language Modeling from Scratch》 是一门斯坦福大学计算机科学系的课程，这门课每一年春季都会有，每一年都会在油管免费开放。

里面的内容非常前沿而且实用，目前油管上的版本是25年的版本，第一节课提到的模型已经是GPT-4。而与此同时，国内的计算机课程还在用着至少5年前的PPT。

依稀记得，我的第一节C语言课程，PPT的里面的演示系统是XP...

啃完CS336，你会收获LLM的全栈技术栈，从数据收集，清洗，模型训练，优化，评估到部署，Transforemer架构，注意力机制，各种目前最新的机器学习训练方法

这门课的目标就是从头让你手搓一个LLM，亲手实现完整的pipeline。

两位主要讲师：
1、Percy Liang
MIT 本科 + MEng，UC Berkeley 博士（2011）。曾在 Google 做 post-doc，后加入 Stanford 任教。

2、Tatsu
Harvard 本科（统计与数学），MIT 博士（co-advised by Tommi Jaakkola 和 David Gifford），之后在 Stanford 做 Percy Liang 和 John Duchi 的 post-doc

耐心啃完这个，所有计算机课程几乎都不需要上了...因为在过程中必然会遇到很多不懂的点，边学边查，然后顺带就把学校关于机器学习和深度学习的专业课给学完了。

如果刚上大一，可以先看cs50，然后再到cs336，先稍微打点计算机的基础。

与此同时，一定要把线性代数学好，将高数丢了都要把线性代数学好，线性代数是机器学习的底层DNA。

如果线性代数没有学好，会比较难理解神经网络，相当于没学好加减乘除就想去求导。

[Yuki @Yuki27__]

今天在纽约见了做神经医学的朋友，目前正在做脑机接口。她竟然说，在学术界看来，马斯克的 Neuralink 是落后的技术。

生物看不上他用新闻稿做科学的姿态，Neuralink 属于“工程领先、科学取巧”。

从 DC 开了三个小时车过来，我原以为是叙旧，没想到聊了一下午的脑机接口、AI和存储焦虑。

她们拿融资之后能够自己设计芯片，去欧洲代工厂订做 22 纳米的版本。22 纳米是低功耗模拟芯片的黄金节点，能在 0.5V 下工作，特别适合做植入式神经记录。

目前在研究减肥针是怎么作用于大脑的。现在没人知道不同的减肥针药物，如何影响大脑抑制食欲，下丘脑和大脑的奖赏回路(多巴胺通路)具体是怎样的。于是她们在老鼠脑袋上开洞、接入芯片，需要实时测量神经信号的变化。

因为数据量大到离谱，频率非常高，所以她们需要 10000 个 TB，也就是 10 个 PB 的存储。

我第一次听到存储用PB这个单位！

神经信号要以 3 万赫兹的频率采样(每个电极每秒测 3 万次)，才能捕捉到只持续 1 毫秒的神经脉冲。每个数据点才 2 字节,但你乘上几百个电极、再乘上 24 小时不停，一个探针一小时就是 80GB。

她说一块 1PB 的企业级磁盘比她一个月工资还贵，长期维护的 PB 级存储，五年下来要百万美金。研究室没那么多经费，只能每次买 1 个 PB，精打细算地用。

给个尺度感，哈佛和 Google 把1 立方毫米的人脑做到全分辨率，就是 1.4 个 PB。一整个老鼠脑，估计要一个 EB(1000 个 PB)。倒不是因为单次数据大，是频率太高。

而且，存储焦虑也不是生物医学独有的。

天文学界，SKA 射电望远镜一年要存 700 个 PB。CERN 的对撞机已经在用 EB 级别处理数据。存储，决定着前沿科学的天花板。

数据一大，通信传输会影响效率。所以我们聊到了光通信。

芯片连接材料最早用铝，1997 年 IBM 把它换成铜(电阻低 40%)，现在又在从铜换成光。这正好和黄仁勋在 GTC 上讲的呼应，2025 年 3 月,英伟达发布了硅光子 + 共封装光学(CPO)的交换机,为了把 AI 数据中心扩展到百万卡级别。

为什么铜必须让位给光呢？

因为速度越快,铜能传的距离就越短(高频下铜的趋肤效应和损耗急剧上升)。到了 1.6Tb/s,一根铜线连一个机柜的高度都跨不过去。所以信号只能变成激光。

除了存储，实验室动物成本也是很高的。

一只实验室猴子,买进来要 3.5 万到 5 万美金，算上多年的特殊饲养、手术、兽医和机构管理费,一只猴子全周期下来轻松超过 10 万美金。一只老鼠 80 美金，买的是它基因纯度。

我问：为什么用老鼠和猴子,不用兔子？她说，老鼠有一整套基因工具箱(2.4 万种现成品系、基因敲除、光遗传学)，猴子是因为大脑结构最接近人类。兔子智商中等两头都不沾,所以不用。

现在很多 AI 公司在挖她们这种做脑医学研究的人，原因有两个。

第一层是效率。人脑是地球上最省电的计算机。大脑做着视��、语言、运动、推理,全部并行,只耗 20 瓦，大概一个暗灯泡。而一块高端 AI 芯片就要 300–700 瓦,训练大模型动辄几兆瓦、几吉瓦。

差别在于，计算机底层是二进制(0/1),晶体管在 GHz 频率上疯狂开关。而大脑是模拟的、稀疏放电的,神经元只在需要时才点亮、才耗能。AI 公司想偷师这种效率。所以，现在AI 公司最抢手的岗位是神经科学家。

第二层更微妙：我们其实根本看不懂大脑是怎么运作的，而 AI 现在面临一模一样的处境。

Anthropic 发现，AI 在回答你的时候,其实在内部想了一套自己的东西,而它说出来的理由，未必诚实。

举个例子：研究员偷偷给 Claude 塞一个错误答案当「提示」,它会顺着这个答案编出一套像模像样的推导, 只有 25% 到 39% 的概率承认自己用了提示��

Anthropic CEO 说，当 AI 总结一份文件时,“我们并不知道,在具体而精确的层面上,它为什么做出这些选择。”AI 的思想是个黑盒子。他们的目标是给 AI 做一台”核磁共振”,到 2027 年，希望能看懂里面在发生什么。

最后又聊到做手术。

由于大脑本身是没有痛觉的，所以人可以清醒着被开颅。老鼠被开颅、植入芯片、再缝合,可以继续正常活几个月。她笑着说可以帮我开脑，但希望我永远用不上。

聊完一整个下午，我最大的感受是：

目前我们对人脑、对 AI,其实都了解得太少了。

但也正因为如此，我越来越觉得，我们活在最好的时代。

真正的无人驾驶已经在路上跑、量子计算在飞速进步、人类在认真筹备第一次登上火星、脑机接口真的开始读懂大脑……

我今天在纽约街头连着撞见好几块 AI 和加密行业的广告：出租车顶上��着「It’s happening with Ripple」，公交广告是贝莱德的比特币 ETF，站台是OpenAI 的 Codex。

以前根本无法想象的事，都在同时发生在美国。而我们，刚好生在这个最好的时代。

[Art of Speculation @ArtofSpecuycky]

硬件涨了10倍，软件还没动。这才是AI超级周期下半场真正的机会

说一个很多人不敢说的感受：
AI涨了一年。 Nvidia涨了10倍。存储涨了10倍。光互连涨了10倍。但你打开手机，用了哪个AI应用让你觉得"这真的改变了我的工作"？硬件的繁荣是真实的。但应用层的繁荣还没来。这让我很焦虑。相信你也有同感。但焦虑本身就是机会的信号。当所有人都在买GPU的时候，软件还没动。 这就是下半场最大的不对称赔率。

1. 先说清楚一件事：为什么软件现在还没涨，反而在跌
AI浪潮分三个阶段：
第一阶段（2023-2026）：基础设施
谁卖铲子谁赢
Nvidia、AMD、TSMC、存储、光互连
第二阶段（2026-2027��：平台层
谁控制数据和调用入口谁赢
正在发生
第三阶段（2027+）：应用层
谁有真实用户和真实收入谁赢
还没完全爆发

市场现在处于第一阶段向第二阶段过渡的节点。软件公司还没涨，不是因为它们不重要，是因为市场还在等一个信号：财报里的真实AI收入数据。故事不够，要数字。

2. 已经给出答案的：DOCN和TEAM
$DOCN（DigitalOcean）——AI初创公司的首选战场
这家公司三个月前还被当成"廉价云"。 现在单日拉升40%，从$82涨到翻倍。为什么？AI应用需要灵活、便宜、低延迟的推理接口。AWS太贵，GCP太复杂，DOCN刚好填这个空缺。AI客户ARR已达$1.7亿，同比暴增221%。这不是故事，这是财报里的真实数字。
标签已经换了：从"廉价云"到"AI推理首选平台"。这就是闪迪公式的软件版本。
$TEAM（Atlassian）——AI没有杀死Jira，反而让它更值钱
所有人都说AI会替代项目管理软件。
现实是：AI Agent需要企业内部的数据和上下文才能工作。这些数据在哪里？在Jira里，在Confluence里，在TEAM的生态里。Rovo智能体上线后，使用Rovo的客户增速是非用户的2倍。RPO大增说明客户在提前锁定预算。
AI没有消灭TEAM，AI让TEAM的护城河变得更深。

3. 即将引爆的：SNOW和CRM
$SNOW（Snowflake）——企业AI Agent的数据控制层
AI落地需要海量企业数据。谁控制数据，谁就控制AI Agent的大脑。Snowflake正在把自己从"数据仓库"重新定义为"企业AI Agent控制层"。5月27日财报是关键——盯三件事：产品收入能否超预期、RPO增速、AI工作负载量。如果三个都超，SNOW会成为下一个DOCN。

$CRM（Salesforce）——目前跑得最快的企业AI Agent
Agentforce ARR已达$8亿，同比增长169%。
这不是概念，这是真实的企业在付钱买的东西。
更关键的是：Agentforce已经跨系统执行——连接Google Workspace、BigQuery、ServiceNow。
它不再是一个AI工具，它正在成为企业工作流的入口。
这个位置一旦占住，护城河比任何单一软件都深。

4. 最被低估的暗线：AI通信基建
这是大多数人没想到的逻辑：
AI Agent越多，通信调用量越大。AI客服要打电话。AI助理要发短信。AI系统要做身份验证。每一个AI Agent背后，都有通信基建在支撑。
$BAND（Bandwidth）
拥有自己的全球通信网络，不是租用。这在AI语音代理时代是核心壁垒——低延迟、高稳定性是AI客服的生命线。已被Salesforce选为AI客服关键基础设施合作伙伴。这个背书意味着：每一个Agentforce的语音调用，都要经过BAND的网络。
$TWLO（Twilio）
语音收入同比增长20%，创19个季度新高。
这个数字说明了一件事：企业正在大规模采购AI客户互动能力，而Twilio是目前最成熟的通道。

5. 我自己觉得不错的：SERVICE NOW和REDDIT
$NOW（ServiceNow）——企业AI自动��的操作系统
如果Salesforce是销售端的AI入口，ServiceNow是IT和运营端的AI入口。企业有多少重复性的IT工单、审批流程、合规检查——这些全部可以被AI Agent自动化。NOW的平台就是这些Agent运行的操作系统。
AI不是NOW的竞争者，AI是NOW的燃料。
$RDDT（Reddit）——AI训练数据的稀缺资源
这个逻辑很多人没想到：
所有大语言模型都需要高质量的人类对话数据。Reddit是全球最大的真实人类讨论数据库，而且有强烈的社区情感和垂直专业深度。Google已经签了数据授权协议。OpenAI也在谈。Reddit不只是社交媒体，它是AI时代最稀缺的数据资产之一。$130附近是很多人认为的买入区间，也是大级别上涨趋势线的强力支撑位。

6. 最后说ZOOM
$ZM（Zoom）——从会议工具到AI工作流平台
这是争议最大的一个，但也可能是赔率最高的反转故事。AI Companion活跃用户同比增长超三倍。Virtual Agent 3.0能处理50%的客服案例。如果Zoom能从"开会的地方"扩展到电话、客服、协作的全场景AI入口——它的估值逻辑会被完全重写。现在的Zoom是被旧标签定价的。

最终想法
已经证明的（买入确定性高）：
$DOCN → AI推理平台，数字已验证
$TEAM → 护城河被AI加深
$CRM → 5/27号财报Agentforce ARR $8亿，最快的企业Agent（如果能在财报前回到140，大级别趋势线的支撑位，那就是完美的买入位置，这个老牌公司希望能在agentic ai的叙事下给他新的估值，我感觉这次财报就是一次机会了）

即将验证的（等财报）：
$SNOW → 5/27财报，企业AI控制层（如果在财报前是跌的把140缺口补了，也是完美的买入位置）
$NOW → IT自动化操作系统（让now再磨一下底，缓慢筑底过程）

暗线机会（最被忽视）：
$BAND → AI通信基建，Salesforce背书
$TWLO → 语音收入19季度新高

反转赌注（高���率高风险）：
$RDDT → AI训练数据稀缺资产（盯着130的趋势线支撑）
$ZM → 旧标签包装的新故事

最后说一句：
硬件的繁荣是AI的第一章。 应用的繁荣是AI的第二章。
第一章涨了10倍的公司，第二章不一定还是它们。第二章的主角，在上面这张清单里。但记住：软件涨的信号不是故事，是财报里的数字。
等数字出来，再重仓。

#AgenticAI #SaaS #软件股 #AI应用 #美股 #DOCN #CRM #SNOW #TEAM #Twilio #Bandwidth #Reddit #Zoom #ServiceNow #USStocks #AIStocks #下半场 #软件反转 #AI落地 #美股分析

[Joruno @wsl8297]

分享一门来自加州大学伯克利分校的进阶课程：Advanced LLM Agents。

这门课聚焦大语言模型 Agent 的最新进展，从推理到规划、从代码到数学证明，系统拆解“能思考、会行动”的代理是怎么做出来的。

课程由 Dawn Song 教授主讲，并邀请 Google、Meta 等公司的研究人员担任客座讲师，内容硬核、案例前沿。

课程地址：https://t.co/oS9ZHVj0UB

你将学到：

- 推理时技术与后训练：把复杂推理能力真正“训出来、用起来”
- 搜索与规划：让代理更会选、更会走、更会做决策
- 代码生成与验证：打造更可靠的编程助手与自动化工具
- 数学定理证明与自动形式化：探索 AI 进入数学的关键路径
- 多模态自主代理：视觉与文本协同，完成更复杂的任务��环
- AI 安全与安全性：面向部署的可靠性与风险控制

课程提供完整录像、PPT 与配套资料，适合具备机器学习基础的学生和开发者系统进阶。

[Vincent @Vincent_AINotes]

网文作者要失业了？这个开源AI Agent能自己写、审、改小说，玄幻仙侠都市全都能写，一个月下载量11k+。别慌，核心不是替代，是让你一个人干一个工作室的活！

1⃣ 终端运行inkos启动本地Web工作台
2⃣ 选风格（玄幻/仙侠/都市/科幻），输入大纲
3⃣ AI自动写、审、改，你只管审核把关
4⃣ 用市场雷达看数据，文风分析调质量
5⃣ 批量产出，多平台分发搞流量

别把AI当敌人，把它当你的免费员工。真正被淘汰的不是作者，是不会用工具的作者。
想搞网文矩阵的，一定要尝试！👇

[卡颂 @kasong2048]

「程序员职业发展路径」已经被 AI 事实上打破，但由于 AI 发展速度太快，大部分程序员还没反应过来，还在遵循旧有的职业发展思维，这种思维下的逻辑链是这样的：
1. AI 取代了部分软件开发需求
2. 开发需求减少，程序员岗位减少
3. 为了保住饭碗，卷同事的岗位（前端、后端、测试、产品、设计... 互相���对方）
比如，“前端转 AI全栈”就是这种思维下的决策。

如果你想跳出这种思维，这里有 2 个建议：

1. 那部分被 AI 吃掉的软件开发需求主要是被“由 Skill 串联的 Agent 工作流”取代。
这部分是这两年新增的市场，难度不在于技术，而在于“大量需求隐藏在小B”，类似 小跨境电商公司、留学中介、机加工企业...
你需要主动去找机会

2. @JamesAI 提到个很有洞察的观点：程序员最喜欢做 提效，但在老板视角 赚钱 > 降本 > 合规 > 提效
所以，前端与其去卷设计、卷后端，不如直接卷“赚钱”相关，类似 GEO、SEO、社媒 这些与 赚钱 直接相关的技能都是不错的选择

长远看，10年经验的全栈 含金量会低于 3年全栈 + 2年 SEO

[Incelation @watchvivian]

芯片层，产品形态层，整合层

[老周横眉 @laozhouhengmei]

库克将卸任苹果CEO。

苹果官方宣布：硬件工程高级副总裁John Ternus将于 9 月 1 日起正式接任CEO。

库克将担任执行主席。

在库克的领导下，苹果的市值从 3500 亿美元增长至 4 万亿美元，增幅超过 1,000%；与此同时，其营收也翻了两番，从 2011 年的 1080 亿美元增长至 2025 年的 4160 亿美元。

不过， 在AI时代，苹果人工智能已经远远落后于其它科技公司，Siri可以说是目前市面上最傻的人工智能。

所以本次苹果董事会决定挑选一个硬件专家而不是AI专家，让很多人感到意外。

不过如果深一层去想，这显然是因为苹果董事会认为：AI 领域的竞争胜负手并不在于模型层（在这一领域，苹果已无胜算，目前只能租用谷歌的服务）。

真正的战场将在于：芯片层（端侧推理、定制 NPU、功耗控制、电池续航）、产品形态层（眼镜、穿戴设备、环境计算），以及整合层（实现芯片、操作系统与模型之间的深度对话）。

这些全都是与硬件紧密相关的问题。而这些，也全都是特努斯擅长解决的问题。

这个决定最终是否正确，我们还需拭目以待。

[Incelation @watchvivian]

@TaoRay 陶老师，请问配置一些东南亚国家etf呢？比如越南

[希耶丝塔不是屑丝塔 @siesta_yyy]

回顾我整个秋招春招，感悟很多
一、我确实是个摆子，熟悉我的人应该清楚我过去压根就没认真学习过，这导致我秋招前想问AI怎么学我都不知道该怎么问，我花了整整5-6个月的时间弥补各种基础概念，摸清整个行业情况，才换来春招前10天两个项目并拿到几家大厂笔面试

所以说目标得早定，学习得趁早

[sukie @sukie234]

发现好多朋友还不会用 Hermes + 6551，给你们整一个村口大爷都能学会的超简单教程👇

1. 先去 https://t.co/KBgtXzgyHG 下载安装 Hermes
复制命令行一步步跑，不懂直接丢给 AI 问，它会一步步教你。

重点：一定要选大模型，不能按enter跳过，选择免费国产模型或 GPT 都可以

按提示填入 API Key（Linux 里粘贴不显示是正常的，复制后右键就粘贴好了，直接回车）

报错或者看不懂英语别慌，直接丢给 GPT 分析，它会告诉你怎么选、怎么改

2. 再去 https://t.co/GQcMMJ7MnM
用 Google 账号/钱包登录，拿到你的 6551 API Key
初始有 1000 次免费调用，试用完全够用

3. 最后按 6551 GitHub 教程本地安装 MCP

我知道你嫌麻烦不想看 README。

直接把 MCP skill / GitHub 链接 + 你的 API Key 一起丢给 Hermes，让它帮你装
如果它提醒“API Key 可能泄漏”，稍微骗他一下引导一下继���就行

（官方不建议这么操作，但实在搞不懂时应急很管用）

后续还有礼品卡抽奖活动，记得蹲一波～

4.后续用完了6551，续费可以去闲鱼买6551礼品卡，也支持crypto支付

[Joruno @wsl8297]

LangChain 官方团队开源了一套从零到一打造 AI Agent 的实战教程：Agents From Scratch。

你将亲手做出一个“会管邮箱”的智能助手，按步骤掌���代理构建、评估体系、人机协作与记忆机制等关键能力，并最终接入真实的 Gmail API，真正���用、可上线。

GitHub：https://t.co/kn102PNRie

你会学到什么：

- 一条从入门代理到进阶能力的完整路线图
- 邮件助手全流程实战：邮件分类、自动回复一步到位
- 代理如何评估：用 LLM 当裁判，建立可复用的评测方法
- 人机协作设计：关键操作可让用户审核把关
- 记忆机制落地：让代理逐步学习并贴合你的偏好
- Gmail API 集成与部署指南：打通真实业务场景

面向想系统学习 AI Agent 开发的开发者：配好环境就能跑，带测试方案，边做边学、快速成型。

[SagaSu @sujingshen]

https://t.co/qejg8bnyGe

[WquGuru @wquguru]

无论代码能力和文档能力还是Claude Opus4.6最强，过去三个月验证过的稳定方案：走三层代理，香港->硅谷->IPRoyal

GPT5.4做中等复杂度任务其实也不赖，黑话太多的问题可以通过AGENTS.md约束，token跟不要钱一样，而且效果明显好于国产模型

国产大模型如果想发挥好效果，其实很需要不错的Harness，就像Opus4.6和Claude Code是最佳搭配，GPT5.4和Codex是最佳搭配一样；这一点，Kimi模型已经有Cursor在做适配了，效果就明显好于Kimi+Claude Code

[GitHubDaily @GitHub_Daily]

想要转型或面试 AI 工程师相关岗位，网上找到的学习资料太零散且偏学术，很难找到一份系统性又有实战的题库。

偶然看到 ai-engineering-interview-questions 这个项目，专门整理了 AI 工程师面试的高频问题和参考答案，覆盖面很广。

从大语言模型基础、提示词工程、RAG 检索增强生成，到 AI ���能体、模型微调、向量数据库，基本把主流方向都涵盖了。

GitHub：https://t.co/M3JYGAtWlx

除了理论基础知识外，还收录了大量场景题和系统设计题，并附带详细的解答或视频讲解。

项目还在持续更新中，如果你正在准备 AI 工程师、大模型工程师这类岗位的面试，可以看一下里面的知识点及刷一下题目。