wjiames

NEU

[章工 @435hz]

金观涛的《控制论与科学方法论》
https://t.co/9oS6Vg1rMY
什么学科都值得读读，能从根本上重塑想法，提升个人工作、学习上限。

[Mr Panda @PandaTalk8]

几年前， 遇到一个文科生的神人。 他问我面向对象是什么， 我说是一种抽象，给他讲了一大堆， 类， 继承，多态之类的概念。
最后他若有所思， 原来你说的就是分类啊。
他这个回复把震惊了，原来一直都没有搞懂真相的是我， 事实上还真的就是分类的方法。

这几年我才看到有一门问叫 Category Theory ， 原来这玩意儿可以搞的这么高深。

https://t.co/X7e1RkFCpE

[墓碑科技 @mubeitech]

MIT 历史上一门被疯传的经典公开课，居然跟 AI、算法、物理一点关系都没有。

这门课叫《How to Speak》。
主讲人 Patrick Winston 教授，在 MIT 每年一月雷打不动地讲这门课，讲了整整 40 年，直到 2019 年去世。
几代 MIT 的天才学生，在做任何项目、搞任何创业之前，都会被前辈叮嘱：先去把这门课看了。

这位教授一开场，就丢出了一个甚至有点刺耳、极其粗暴的暴论：
“你这辈子的成功，很大程度上取决于这三件事：你的表达能力，你的写作能力，最后，才是你想法的质量。”

在最硬核的科技殿堂 MIT，表达，被排在了想法前面。

这个结论对很多“技术思维”的人来说，简直是当头一棒。
我们总觉得，只要我的技术够硬、想法够天才，别人就应该买单。
但现实极其残酷。
你空有一脑子改变世界的想法，如果讲不明白，在别人眼里，你和没有想法没有任何区别。

到底怎么把想法讲到别人愿意听、听得懂、还忘不掉？
这门课的核心逻辑，其实可以被提炼成几个极度实用的表达规则：

第一，永远不要以笑话开场。
很多人觉得讲 PPT 前先讲个段子很暖场。
教授说：错。
听众刚坐下，脑子还没进入你的频道，这时候讲笑话，他们大概率反应不过来，现场只会剩下尴尬。
开场的黄金时间，应该用来抛出“承诺”，告诉他们听完这 60 分钟到底能带走什么。

第二，控制信息密度。
别把你的 PPT 塞满密密麻麻的字，这等于逼着人家在现场做阅读理解。
人类的大脑，一次只能处理一个核心焦点。
页面上的字越多，听众的注意力离你越远。

第三，在听众脑子里“画画”。
如果你在讲一个复杂的概念，不要直接上公式或黑话。
试着用最具体的、能让人瞬间产生画面感的类比，把听众带入情境。

这位教授用 40 年总结出的这套沟通机制，直到今天依然是很多精英的秘密武器。
甚至现在，有人直接把这套规则调教成 AI 提示词，在每一次面试、路演、汇报前，让 AI 用 Winston 教授的严苛标准来当自己的教练。

在这个信息垃圾成灾的时代，最稀缺的早就不是“想法”，而是“注意力”。
学会表达，不用去迎合谁，它能给你脑子里那颗珍贵的种子，穿上一件在现实世界里落地的防弹衣。

[Jaya Gupta @JayaGup10]

https://t.co/5vDrndcmFn

[Xudong Han @Xudong07452910]

推荐一本免费的 AI 书：《Agentic AI 漫游指南》。

我刚开始读，感觉它和很多「AI 入门指南」不太一样。

虽然也有基础知识，但作者明显没有把主要篇幅放在那些已经被反复讲过的概念上，而是一路讲到强化学习 RL、推理 Reasoning、评测 Evaluation，最后才进入 Agentic AI。

所以它更像一本帮你理解 AI 工作机制的书，而不是一本教你「怎么用 AI 工具」的操作手册。

如果你已经不满足于只会用 ChatGPT、Claude、Cursor，想进一步理解 AI 为什么能推理、怎么被训练、如何被评测，以及 Agent 到底是怎么跑起来的，这本书挺值得收藏。

https://t.co/I7JnjKZbcR

[墓碑科技 @mubeitech]

别再用网上的碎片化八股去补你的数学底层了。
MIT 官方一直公开着一本 920 页的硬核教材。
名字很直白，就叫《Mathematics for Computer Science》。
完全免费，PDF 格式直接下载。

现在无论是自学编程、做算法还是研究 AI，很多人都有一种“虚胖感”。
看似调包很溜，各种新框架用得很熟。
但只要一碰到复杂的算法推导或者系统底层逻辑，脑子立刻宕机。
说白了，就是你的计算机数学底子是漏风的。

这本 920 页的书，就是来给你重新搭骨架的。
它不跟你玩虚头巴脑的套路。
书里把计算机科学最核心的四大板块一次性打包：
逻辑证明、离散结构、图论、以及概率与计数。
每一个字，都是以后写高效代码、理解复杂系统时的绝对支撑。

很多人宁可花大价钱去买所谓的“零基础速成班”，去背那些随时过期的面试八股。
却不愿意静下心来，把这种真正世界一流的免费地基给打牢。
顶尖大学最厉害的地方，是他们把最硬核、最系统的底层常识，就这么坦坦荡荡地端在桌上，不藏着任何武功秘籍。
路一直都在，现在就看你有没有啃下这 920 页 PDF 的狠劲了。

[Easycompany @Easycompany333]

https://t.co/Gfd0mzGZmp

[Nora X @NoraX2026]

学东西果然还得听专业的人来讲

终于搞懂什么是LOOP了

[snowboat @snowboat84]

这两年最被低估的一件大事：AI正在从"读科学"变成"做科学"。过去十多年，AI在科学里干的基本是读数据、找规律、做预测，比如Deepmind的AlphaFold是其巅峰之作。2024年以后，整个局势变了，一批AI的Agent开始自己提假设、自己设计并动手做实验、写论文、失败了再迭代。已经有AI设计出来的分子，在真实实验室里被合成出来、验证有效。

我写了篇长文，把科研中AI的版图诚实地画一遍。先厘清到底什么才算"科研Agent"，怎么区分真能自己做研究的系统和只会聊天的助手：自主性分成工具、分析者、科学家三级，很多惊艳的demo其实只到第二级，却被包装成了第三级。

我再顺着科学家干活的六个环节走一遍，看AI各啃到哪一步：读文献已经最成熟，能给出带出处的综述；提假设很敢抛新点子，却常常华而不实、做不出来；做实验已经有"自驾实验室"，让机器人按AI的决策自己合成材料；连端到端的"AI科学家"都出现了，只是还是太弱了。最后扫一遍五个学科钱和热度往哪扎堆：生命科学最多，因为成果能变成药；气候、能源、聚变对物理背景的人格外对口；材料和化学的底层其实是凝聚态物理。

这是我百日百篇长文原创系列的第61篇。

[诺鸭船长3 @noahduck283]

很顶级的一篇文章

不论是自己看一遍，或者是喂给 AI

AI记忆问题都将大幅度改善

[Magiccat（💜,💛） @MagiccatMila]

X推特上那些搬运博主的内容源终于知道从哪来的了！

就这个AgentKey，一个工具通吃小红书、抖音、快手、B站、微博、知乎、Youtube和各种你意想不到的平台，公开的内容、评论、点赞、转发都能扒下来。

最骚的是一句命令就能把它安装在Codex/龙虾或者Claude Code，直接建立自动化工作流跑流程，省下90%调研搬运时间。

数据源还很稳定和安全，不用自己配置。

🔗https://t.co/35Zyr2s7JZ

对于新手，调研门槛降下来很多

[AYi @AYi_AInotes]

说个反常识的判断，
80% 的 Agent 生产崩溃，跟模型智商没半毛钱关系，
基本都死在上下文溢出、工具调错、子代理失控上，
2026 年真正的分水岭在 Harness 和 Loop，不是模型啊，

兄弟@wizardly_ai 这篇工程笔记写得很肝，但把这件事拆透了。
Harness 是什么，
是给 Agent 配的办公室制度、安保系统和质检流程，
让它不至于一激动就把公司搞砸。

独立验证节点是命脉，分层记忆不是全塞进 prompt，
延迟绑定工具只给目录、用的时候再拉完整 schema。

Loop 是什么？
是让它自己发现该干什么、分派任务、验证结果、记录状态，你不再是坐在电脑前一遍遍打 prompt 的人，你变成设计循环的人。

以前我们学怎么写 Prompt，
后来学怎么编排 Agent，
现在学怎么给 Agent 加运行时，
下一步是学怎么让运行时自己跑。

Google 的 Addy Osmani 和 Anthropic Claude Code 的 Boris Cherny，
现在写的是循环，不是 prompt。

最朴素的那个叫 Ralph Loops 的 bash 循环反复被验证有效，
好模型配差循环出昂贵垃圾，普通模型配好循环加验证反而能稳定出货。

模型是可替换的引擎，
Harness 是让你不翻车的底盘和安全系统，
Loop 是让你不用 24 小时盯着方向盘的自动驾驶。
这三样加起来，才是能积累、能传承的 Agent 工程能力。
这才是 2026 年真正该卷的东西吧 hhh

[梭哈.AI @SUOHA_AI]

如果你想加入世界顶级的AI公司，这篇笔记能帮你少走很多弯路

Alisa Liu 是华盛顿大学（UW）的 NLP PhD 学生，她最近拿到了 OpenAI Research Scientist 的 offer，并分享了一篇非常实用的求职笔记

她是怎么备战的？

先建立广度：把 Stanford CS336《Language Modeling from Scratch》全部 lectures 看完，这门课帮她把散落的知识点串成一个清晰的整体框架

再深度突破：一个概念一个概念深挖 —— 读 blog + paper + 大量和 ChatGPT/Claude 对话 + 从零实现代码

最关键的是：Transformer 的实现与调试要练到 muscle memory，并且完全关闭 AI 辅助练习 coding（因为真实面试时你必须自己写）

持续做结构化笔记（她有公开的 LLM Notes 可参考）

每个面试前做针对性突击复习，面试当天必须睡够觉（她第一次技术面试只睡 2 小时，结果发挥失常）

学习路径总结：广度先行（CS336）→ 逐个概念深度 + 动手实现 → 针对性面试前 cramming

OpenAI面试主要考什么？

ML Coding（出现频率最高）：用 PyTorch 实现架构、decoding 策略、Transformer 等

General Coding：LeetCode 风格题目

Technical Discussion：实验设计讨论 + 快速概念问答（positional encoding 的不同方式、parallelism、PPO vs GRPO 等）

Research Discussion：讲自己的项目、insight 和未来方向

Behavioral：提前把 PhD 经历整理成故事（她第一场 behavioral 直接翻车，因为没准备）

Math + Job Talk（聚焦自己最核心的方向）

如果你想准备 OpenAI / 类似 lab 的面试，必须精通这些资源

以下是她实际使用的学习资源：

1. 斯坦福大学的“从零开始的语言建模”课
https://t.co/IQrm8EuuoS

2. The Illustrated GPT-2（Jalammar） https://t.co/pZq2BCEhta
用可视化方式快速理解 GPT-2 的内部机制，适合建立直觉

3. Self-Attention & Transformers（CS224n PDF） https://t.co/s7lgCF6j4p
深入理解自注意力机制的核心原理

4. Backpropagation（CS231n） https://t.co/jmEcCRSgtf
手写 backward pass 的基础

5. Introduction to Policy Gradient for LMs https://t.co/hgAIO1cXeC 理解语言模型的策略梯度方法

6. Lightweight Guide to understanding GRPO and RL principles
https://t.co/OGDv7tZBsB
快速掌握 GRPO（近期 RLHF 相关的重要概念）

7. How to Scale Your Model（JAX scaling book） https://t.co/nm1ExirsrF
理解模型 scaling 的工程与理论要点

额外高频练习：
LeetCode（常规 + ML 相关题）

反复从零实现 Transformer（无 AI 辅助）

她的 LLM Notes（学习方法参考）：https://t.co/hsLkZv3NtF

[Phoenix Yin @Phoenixyin13]

Loop Engineering是2026 真正的范式跃迁

Addy Osmani、Peter Steinberger、Boris Cherny 在 2026 年 6 月同一周同时点燃这个概念。现在，它已经超越实验，成为了真正的生产力核武器。

当Coding Agents 足够可靠，能独立完成非平凡任务，Scheduling 原语成熟，且单次运行成本低到可以反复跑而不心疼后，我们可以设计一个会自己 Prompt 自己的系统。

我总结，此为四栈五行。

四层栈，越往上，人类离现场越远。
1. Prompt Eng.：写一句好 prompt
2. Context Eng.：管好窗口里的信息
3. Harness Eng.：武装单次运行
4. Loop Eng.：让它自己反复跑

Loop 的五个动作，缺一不可。
1.Discovery：自己找活干，读 CI、Issues、Commits
2.Handoff：把任务切干净，用 worktree 隔离
3.Verification：最重要的环节，独立 Evaluator 说No，Generator 永远给自己打高分
4.Persistence：把状态写到磁盘，Markdown、Linear、State File，反对只靠上下文的情况
5.Scheduling：定时或事件触发，本地、Cloud Routines 、GitHub Actions。

Loop 是最忠实的放大器。
你带理解，它就放大理解。
你带懒惰，它就放大懒惰。

同一个 Loop，两个人建出来，有可能半年后一个更强，一个成了自己机器的看门人。

Stay the Engineer, not just the one who presses go.

[老金 @freeman1266]

Google 工程师放出的这篇 Loop Engineering

核心循环是 Act→Observe→Learn→Repeat：LLM 提出代码变换方案，编译器跑完反馈结果，再迭代。

关键在于把编译器当 reward signal——不需要人类标注，不需要 RLHF，编译通过+性能提升就是自动奖励。

agent 做底层优化的路径比写业务代码清晰太多。

Pdf 链接在评论区获取👇

https://t.co/ykcajHL43Q

[老马投资研究 @LMDFinance]

https://t.co/RNBSwERfEt

[Art of Speculation @ArtofSpecuycky]

我把AI未来3年的核心瓶颈排了个序，大概是这样：

1. 存储（HBM + DRAM + eSSD，已经涨价、签长单、利润兑现）
2. 光互连（800G / 1.6T + Scale-Up + Scale-Across，连接接棒算力）
3. 先进封装（CoWoS + CoPoS + HBM封装，HBM和GPU放量的前提）
4. ASIC + Networking（自研芯片、交换芯片、SerDes、DSP，MRVL/AVGO核心位置）
5. 电力 / AI Factory（变压器、电网、UPS、800V DC、BBU，并网容量是真瓶颈）
6. 液冷（DLC、CDU、冷板，高功率机柜必选项）
7. 核能 / 发电（长期空间巨大，但兑现节奏慢于电力设备）
8. PCB / ABF / CCL（AI服务器和先进封装配套材料，真实受益但控制力弱于前面）
9. MLCC / 被动元件（高频高压高功率带来用量提升，属于配套瓶颈）
10. 半导体设备（检测、量测、测试、先进封装设备，卖水给淘金者）
11. Physical AI（机器人、自动驾驶、工业AI，空间大但2026仍偏预期）
12. Agent / 数据层（方向确定，但赢家和利润分配还不清晰）
13. 稳定币 / AI金融（AI Agent支付层，空间大但商业化还早）

未来三年市场会越来越关注：谁是真瓶颈，谁能把瓶颈兑现成利润，谁控制下一代架构。
我目前最看好的，还是存储第一，光互连第二，先进封装第三。因为AI发展到最后，拼的是谁真正卡住了整个产业链的命脉。

[Researchable @Researchable_SA]

🧾 ورقة علمية مفيدة جدًا للمبتدئين في مجال البحث العلمي!

تشرح بشكل مبسط ومنظم الخطوات الأساسية لكتابة ورقة علمية من الفكرة وحتى النشر، بما يشمل كتابة أقسام البحث المختلفة، اختيار المجلة المناسبة، والتعامل مع عملية المراجعة العلمية.

ننصح بقراءتها لكل من يرغب في تطوير مهاراته البحثية أو يستعد لكتابة بحثه الأول 📚✨

🔗 رابط المقال:
https://t.co/7fa7Twf78i

[Emrullah @emrullahai]

DOKTORA VE YÜKSEK LİSANS ÖĞRENCİLERİNİ DEPRESYONA SÜRÜKLEYEN MAKALELER ARTIK SADECE 20 DAKİKA SÜRÜYOR.

Eskiden konu seçimi, literatür taraması, veri temizleme, sağlamlık testleri ve tablo çizme derken iki üç ayınız uçup gidiyordu. Üstüne hakem kaprisleri ve dergilerin yapay zeka karşıtlığı eklenince süreç tam bir eziyetti.

Şimdi copaper ai bu sistemi tamamen açık kaynak yaptı. İçerisinde 23 binden fazla profesyonel ajan becerisi var. Ekonomi, siyaset, psikoloji gibi 8 büyük sosyal bilim alanında en iyi araştırmacıların yöntemlerini doğrudan çağırılabilir yeteneklere dönüştürmüşler. Konu seçiminden yayına kadar her şey tek bir akışta tam otomatik.

Rekabetin bu kadar acımasız olduğu bir çağda eldeki araçları kullanmayanlar kaybedecekler.

[Para Mühendisi @paramuhendisim]

🚨 SpaceX alarak zengin olmayacaksın.

2 trilyon doların üzerindeki bir şirketin 100x yapması neredeyse imkansız.

Asıl büyük fırsat SpaceX'te değil.

SpaceX ekosisteminin büyümesinden en fazla fayda sağlayabilecek 20 küçük şirket:
(KAYDET)