ziheng wang

Son， Husband, Dad， Perfusionist of fuwai hospital Beijing China， Former surgeon of Cardiovascular

[ziheng wang @wzh0517]

@mranti 另一方面说，他被判 30 年，难道不是给他一个永久绿卡的逻辑一样吗？完美保护了起来

[Joseph Coselli, MD @JCoselli_MD]

Extremely honored to participate in the 16th Fuwai International Aortic Symposium here in Beijing at the renowned Fuwai Hospital, a global leader in cardiovascular care.
#aortaEd #AorticSymposium

[ziheng wang @wzh0517]

@vista8 @grok 首先告诉我这是个什么，如何评价这句话：Optimus外科手术能力超过地球上最好的人类医生

[ziheng wang @wzh0517]

@RayDalio @grok please translate this thread into Chinese

[ziheng wang @wzh0517]

@NEJM @HeartOTXHeartMD @grok 总结文章结论

[ziheng wang @wzh0517]

@blockphd7 @newsNZcn 多少税呢？税后多少钱

[Science News @SciencNews]

Academia isn't a calling—it's a job. Stop glorifying burnout. Clock in, do great work, clock out. Your worth isn't measured in unpaid overtime

[ziheng wang @wzh0517]

@BestLidamao @nake13 而您的问题在于，开始使用这种血糖仪，还是从雅培开始！雅培准确率高，需要去医院或者用指头血糖仪矫正的几率低！

[ziheng wang @wzh0517]

@mranti @BestLidamao @nake13 类似于大量荔枝和龙眼，大量果糖触发胰腺被欺骗！释放大量胰岛素，负反馈造成低血糖！糖尿病前期的人更容易出现。

[ziheng wang @wzh0517]

@Wisdom_HQ 36

[ziheng wang @wzh0517]

@SyrianPolymath @grok what means of this

[ziheng wang @wzh0517]

@thehealthb0t @grok is it true?

[ziheng wang @wzh0517]

@elonmusk Why？Mr.musk（I DON'T KNOW WHAT HAPPEN WITH US）

[ziheng wang @wzh0517]

@laurenlee @grok 解释一下

[ziheng wang @wzh0517]

@godofprompt Mega

[ziheng wang @wzh0517]

@hasantoxr Grok

[宝玉 @dotey]

原文：《Paper: Ironies of Automation》
作者：Fred Hebert

竟然之前一直没有记录这篇经典又重要的论文：《自动化的反讽》。作者 Lisanne Bainbridge 在论文发表近 40 年后，还专门写了一篇自己对原文的修订，值得一读。这篇文章引用超过 1800 次，还有自己的维基百科页面，在自动化相关领域的文献中简直是绕不开的存在。

这篇论文的核心观点是：
任何自动化系统最终都会变成“人与机器共同协作的系统”。哪怕你不断提高自动化的水平，“人的因素”始终至关重要。

论文以工业控制和飞机驾驶自动化为例，指出了一系列具有讽刺意味的问题，并给出了应对的方法。尽管时代久远，但这些内容今天依然适用。

自动化系统本质上有两个基本需求：
1. 有人必须监控自动化系统是否正常运作。
2. 一旦自动化出错，必须有人迅速接管。
然而，这两个需求又与自动化的初衷相悖，引发一系列矛盾。

一、技能退化的反讽
人类的技能（包括认知能力和动手能力）如果长时间不用，就会逐渐退化。高水平的专业技能是通过频繁、持续的练习获得的。当自动化接管了大部分工作时，操作员往往只需监控，一旦真的出现紧急状况需要人工介入时，却发现自己因长期缺乏实践而退化严重。

换句话说，自动化水平越高，需要人工处理的突发状况就越少见、越复杂。这意味着，自动化越好，反而对人工操作员的要求越高，因为他们需要处理更难、更罕见的异常事件。

这不仅适用于动手能力，同样适用于认知能力。人类的认知技能需要快速、频繁的反馈来保持敏锐。当系统刚刚实现自动化时，操作员的技能很强（因为此前一直手动练习），但下一代操作员却没有这种优势。他们没有经历过频繁的手动操作，技能的提取会更慢、更费劲。

二、警觉性和警报设计的反讽
因为操作员只监控罕见的异常情况，他们很难长期保持警觉。人类只关注经常用到的信息，因此需要自动报警提醒异常状况。但是，这又产生新问题：系统越复杂，所需的警报就越多；警报越多，紧急状况发生时的混乱程度就越高。

三、“人类监督自动化”的反讽
人们之所以使用自动化，是因为相信机器比人类表现更好。然而，当机器出错时，又得由人类负责发现并修正：

> 如果一个决策完全由机器负责，那说明机器能够比人类更快地做出决策，考虑更多因素，运用更精确的标准。因此，人类根本无法实时判断机器的决策是否正确，人类只能在更高的“元层次”上判断机器的决定是否“可以接受”。但如果机器本身就是因为人类判断力不足才被使用，那人类又凭什么判断机器决策的好坏呢？这根本就是不可能完成的任务。

同样，自动化系统在纠错和自我调整过程中，可能会掩盖潜在的问题。一旦自动化达到极限，被掩盖的问题突然暴露时，往往已经为时已晚，难以挽回。

因此，如果你希望用人类作为自动化系统的后备手段，就必须让自动化的节奏尽量与人类能处理的节奏相符：

> 如果必须让人类操作员实时监控机器的决策过程，那么机器决策的方法、标准和速度，都必须在人类能够理解和跟踪的范围内，即使这种方式在技术上并非最有效率的。如果做不到这一点，当操作员怀疑机器决策时，就很难追溯到机器决策的具体步骤，难以判断问题出在哪一步。

四、故障处理与人工干预的反讽
Bainbridge 建议，当自动化系统出现问题时，最好的方式是：

停机→观察→理解→修正→重新启动

然而，并非所有系统都能随时停下来处理（比如核电厂或飞行中的飞机）。面对缓慢发生的故障，操作员可以用训练过的快速反应动作争取时间；但对发生速度极快、超出人类反应速度的故障，必须由自动化系统本身做出可靠响应。如果无法确保这一点，或者故障后果过于严重，她建议直接不要开发这种系统。

五、保持人类技能的训练反讽
为了防止操作员技能退化，作者建议：

• 定期让操作员亲自操作一些步骤；
• 或者用高仿真模拟器来训练。
但又产生了新的问题：

未知的故障无法在模拟器中复现；即使能够预测一些故障，但如果实际没遇到过，也无法确定系统的真实反应。人类无法学习未知事件的处理方法，只能练习在已知范围内解决问题的技能。纯粹依靠操作手册处理异常情况是行不通的，因为手册不可能涵盖所有情况。可笑的是，你一边训练操作员严格按照说明书执行操作，一边却希望他们具备处理未知问题的“智慧”。

所以，一个反讽出现了：自动化程度越高、覆盖场景越多的系统，反而越需要大量投资培训操作员。

六、自动化与人为责任的反讽
当系统需要考虑效率以外的因素（比如公众不接受完全自动化的高风险系统）时，人类的参与就成为了必然。因此，作者认为人类和机器最好以“团队合作”的方式运作。

但合作也存在隐患。例如，如果计算机能为操作员列出建议的行动步骤，而你又完全相信计算机给出的建议，那么实际上应该让计算机直接自动执行这些步骤，而非再让人类去机械地完成这些步骤。

七、纠正“人为错误”的反讽
作者认为，纠正人为错误时，最好关注行动的结果而非具体的行动本身，这样可以给操作员更多空间选择不同的策略，提升灵活性。作者还提到电子显示器与传统物理仪表盘的优缺点，以及如何根据不同的场景（技能型、规则型、知识型）选择不同的操作模式。

总结

作者强调，这些问题本质上关乎“团队合作”，而生产压力也会带来很大的风险：

> 人类必须清楚机器具体负责哪些任务、如何完成任务，否则会出现职责不明的混乱局面。
>
> [...]
>
> 没有时间压力时，人类擅长解决复杂问题。但讽刺的是，在有时间压力时，人类表现会明显下降。因此，自动化并不总是能解决问题；相反，想要妥善解决自动化带来的新问题，可能需要比传统自动化更多、更复杂的技术智慧。

[宝玉 @dotey]

模型即产品（The Model is the Product）
作者：Alexander Doria

过去几年，人们一直在讨论下一个AI发展周期可能是什么：智能体（Agents）？推理系统（Reasoners）？还是彻底的多模态？

现在是时候下结论了：下一个周期，就是“模型本身即产品”。

目前，无论是科研界还是产业界的变化，都在推动这种转型：
• 通用模型扩展遇到了瓶颈。OpenAI发布GPT-4.5时透露了一个重要信息：模型能力呈现线性增长，但算力成本却指数级飙升。尽管过去两年训练效率不断提高，但成本太高，以至于OpenAI无法以合理的价格广泛部署最新的大模型。
• 特定任务的强化训练效果远超预期。结合强化学习与推理能力训练，模型开始真正地“学习任务”，出现了一种新东西：既非传统机器学习，也不是基础模型，而是一种神秘的第三种类型。小模型突然展现出极强的数学能力；代码模型不仅会写代码，甚至能自己管理整个代码库；Claude甚至能在信息极少的情况下玩宝可梦游戏，并且做得很好。
• 推理成本大幅下降。以DeepSeek为例，新的优化技术已经让全球所有现有GPU的总算力，足以每天给地球上的每个人提供1万个顶级模型生成的token。这意味着，单纯卖token（模型调用次数）的经济模式已经难以持续，模型提供商不得不去做更高附加值的事情。

这种趋势让许多人感到不舒服。投资者们原本押注在应用层，但下一个阶段，最可能被AI取代的恰恰就是应用层。

下一代模型的形态

过去几周，我们看到了新一代“模型即产品”的典型案例，比如OpenAI的DeepResearch和Anthropic的Claude Sonnet 3.7。

许多人误解了DeepResearch，尤其市面上出现了大量山寨版本，让情况更加混乱。事实上，OpenAI并不是简单地在GPT基础上增加了外部搜索功能。他们训练了一个全新的模型，能够完全在内部完成搜索任务：

模型学习了基础的浏览能力（搜索、点击、滚动、文件解析），以及如何通过强化学习来整合大量网页信息，生成结构清晰、来源可靠的研究报告。

因此，DeepResearch并不是普通的聊天模型，而是一种专门设计用于搜索和研究的新型语言模型。相比之下，谷歌的Gemini和Perplexity的类似功能，只是在普通模型基础上的表面优化：

Gemini和Perplexity也提供了所谓“深度研究”功能，但他们并未公开任何优化模型方法或实质性评估，这表明他们并未进行深入训练。

Anthropic也在明确他们的发展方向。他们在去年底给出了智能体（Agent）明确的定义：真正的智能体必须能够自主决定任务的具体实现过程和工具使用，而非被人为设计好的工作流程所限制。

目前市面上许多号称“智能体”的公司，实际上只是在设计自动化工作流程（workflows），即人为定义好的代码路径串联模型和工具。虽然这种工作流程也有一定价值，但未来真正有效的智能体一定会通过重新训练模型本身来实现。

举个具体例子：最近发布的Claude 3.7模型，专门针对复杂的代码开发任务进行强化训练，这让所有与代码相关的应用都出现了性能显著提升。

我所在的Pleias团队也做了类似尝试：我们设计了两个专门的模型，一个用于数据准备，一个专门用于搜索和报告生成，通过设计全新的合成数据和奖励机制进行训练，让部署阶段更简单，最终使得复杂性在训练阶段就被解决。

具体表现为将这种复杂结构：图1

转变为如下更简洁的模式：图2

要么自己训练，要么被别人训练。

可以明确的是，各大实验室都在向这个方向前进：他们会逐步停止开放API，转向自己训练并直接提供完整模型服务。著名AI公司Databricks的投资人Naveen Rao很清晰地指出：
在未来2-3年内，所有闭源AI提供商将停止提供API服务，只有开源模型才会继续提供API。闭源公司会建立更加独特、非商品化的能力。

近期的迹象也佐证了这个趋势：

• OpenAI发布的DeepSearch只用于高级订阅用户，根本没有提供API服务。
• Claude Code的模型训练针对代码应用场景优化后，反而导致Cursor这样的第三方工具使用效果不佳。
• 一些曾经的“套壳公司”（wrapper公司，比如Cursor、WindSurf、Perplexity）也开始秘密训练自己的小型模型，以增强自己的竞争力。

小公司可能不会马上感受到这种冲击，但他们会越来越依赖独立的推理服务提供商。现在的竞争格局就像免费为大公司做市场调研和数据生成，最终结果可能是被训练公司吞并。

强化学习的价值被严重低估。

目前所有AI投资都存在同质化现象，投资机构普遍认为：
• 真正的价值只存在于与模型无关的应用层；
• 所有形式的训练，包括强化学习，都没有投资价值。

但现实情况是，强化学习（RL）的进步已经彻底改变了这种情况。现在的市场情况更像是风险投资出现了集体错误定价，忽视了强化学习最新的技术突破带来的巨大价值。
实际上，真正的新机会反而是那些专注于模型训练的公司，但他们却很难拿到融资。Prime Intellect公司虽然训练出了第一个去中心化的大模型，但融资规模甚至不如一般的应用层公司。

OpenAI最近也开始表达对这一现象的不满，希望硅谷创业公司多关注“垂直领域强化学习”，未来YC孵化器可能会做出调整：模型实验室不再只是向客户开放API，而是会和参与模型早期训练阶段的公司形成深度合作。

技术的爆炸，而非应用的爆炸。

相较之下，中国 DeepSeek 创始人梁文峰则更加直接地指出了这一点：
当前的AI发展，是一场技术创新的爆炸，而非应用创新的爆炸……如果上下游生态体系还不完整，直接去押注应用并没有意义。

很多西方公司甚至还没有意识到这场技术战争已经结束了，他们还在用上一次战争的思维去打下一次战争，已经远远落后。

以上，就是目前AI发展的大势所趋：
模型本身已经成为产品本身，谁掌握模型训练，谁就掌握未来。

[ziheng wang @wzh0517]

@manusai please give me a code that I can do anything myself,Thanks a lot

[katon @hellokaton]

X 友们推荐一个最想分享的 Chrome 插件给我，看看有哪些宝藏没用过😳