本文主要记录了 2026 年 9 月 的一些知识和学习上的思考。目录一、知识类二、思考类哲学思考一、知识类1. 马斯克预言AI将开启‘富足时代’ 最近盖茨也给出了类似的“两阶段”判断前20年可能经历剧烈的就业与社会结构调整之后才可能进入由AI和机器人推动的“abundance era富足时代。真正困难的并不是“东西够不够”而会变成财富如何分配、人的价值感从哪里来、谁拥有机器人和AI生产资料。---2. 央视对马斯克的专访①为什么人类要成为多行星文明“生活不能只是不断解决一个又一个令人沮丧的问题。生活中还必须有一些事情让你早上醒来时感到兴奋让你对未来有所期待让你觉得人生值得。”他当时是在讲为什么人类要成为多行星文明。他说支持去火星有两套理由一套是“防御性的”即给人类文明上一份保险另一套是他自己更看重的“激励性的”理由——人不能只活在处理问题、消灭麻烦的循环里未来还得有一些真正值得期待的大事。②关于对年轻人的建议-问题如果一个20岁的年轻人在AI快速发展的时代怎样实现自我价值而不是被时代甩下-回答“我对教育的建议是尽可能接受广泛的教育包括艺术、科学、工程学以及广泛的通识知识。因为要知道该向机器人提出什么要求你首先得有能力组织和提出问题。你的通识知识越广就越能提出更好的问题也就是现在所谓的提示词工程。你必须能够把自己的愿望清楚地传达给机器人。”“虽然这听起来有些疯狂但未来会有如此多的机器人和AI以至于AI甚至会迫切地等待你提出任何需求因为这些需求几乎都可以立即被满足。”③启发答案会越来越便宜而发现问题、定义问题和判断答案的能力会越来越重要。---3. 白宫希望“踩油门”刺激经济减息美联储却认为应该“踩刹车”控制通胀加息双方的矛盾公开化。---4.天涯帖子---5. 2026年9月28日AMD宣布以约82亿美元全股票交易收购李飞飞联合创办的World Labs交易预计2026年底前完成需监管审批。World Labs成立于2024年初专注空间智能基础模型近期发布可从2D图像预测新相机视角的omni模型Atlas并通过收购SceniX布局机器人模拟2025年推出从提示词生成可交互3D世界的商业产品Marble。李飞飞将出任AMD执行副总裁兼首席科学家直接向CEO Lisa Su汇报Justin Johnson与Ben Mildenhall将继续带领World Labs团队组建前沿研究组织。李飞飞表示加入AMD是为更贴近硬件、扩大规模并继续向社区提供开放模型与端到端平台。两家公司去年起已建立推理优化与训练合作关系。早先报道称World Labs今年2月1B融资轮谈及的估值为5B后续报道称82亿美元收购价较该估值高出约64%AMD和Nvidia均参与了那一轮融资。-生成式 AI 正在从二维像素进入真正的三维世界表征世界模型AtlasAtlas 强的主要还是几何 外观 摄像机 场景一致性但还不能建立World State变化即推测动作后的世界物理信息变化摩擦力、液体变化等。-目前生成视频也算是二维的生成的是一串二维图像帧每一帧都是一个二维像素矩阵只是多了时间维度所以更准确地说是2D Time也就是时空序列生成而不是严格意义上的 3D 世界建模。---6. 固-固界面阻抗简单说就是在全固态电池里锂离子从电极进入固态电解质、或从固态电解质回到电极时在“固体—固体”接触面上遇到的额外阻力。它是全固态电池最核心的瓶颈之一。液态电池中电解液能自然浸润电极形成大面积的离子通道界面阻抗很小。而全固态电池中电极和电解质都是固体接触是离散的点接触有效接触面积小离子传输路径少阻抗自然大。---7. 看企业财报-------6个公式-----------营业收入 − 营业成本 毛利毛利 − 税金及附加 − 销售/管理/研发/财务费用 其他收益 投资收益等 营业利润营业利润 营业外收入 − 营业外支出 利润总额利润总额 − 所得税 净利润净利润 − 少数股东损益 归母净利润归母净利润 − 非经常性损益 扣非归母净利润-------6个维度分析-----------1. 看主业赚不赚钱先看营业收入和毛利率。2. 看费用控制看销售费用、管理费用、研发费用、财务费用占营收比例。3. 看营业利润和扣非利润-营业利润反映主业经营成果。-扣非归母净利润排除一次性收益。-如果归母净利润为正但扣非为负说明主业其实在亏靠卖房、卖股权、政府补助“保壳”或美化报表。4. 看现金流判断利润是不是“真钱”重点看经营活动现金流净额。5. 看回报率-ROE净资产收益率 净利润 / 净资产衡量股东回报。-ROA总资产收益率 净利润 / 总资产衡量资产使用效率。-ROIC投入资本回报率 更全面衡量用债权和股权资本赚钱的能力。6. 看资产质量和风险-应收账款是否大幅增长-存货是否积压-商誉是否过高有没有减值风险-有息负债和利息支出大不大-资产负债率是否过高---8. 未来具身智能的架构LLM / AgentSystem 2-大脑↓WAM / VLASystem 1-身体策略↓RL Controller-底层控制---9. 贝索斯非常讲究方式方法他的座右铭是“步步为营如狼似虎”。马斯克的天性则是要狂飙突进用一个不可能完成的最后期限把大家逼到极限即便他要因此承担风险。---10. 火箭发射的结构是怎么样的-传统火箭火箭自己带腿落地。-SpaceX 星舰超级重型助推器火箭不带腿让发射塔伸出“筷子”把它接住方式传统回收筷子回收代表Falcon 9Starship Super Heavy着陆方式自己落地塔接住火箭是否带腿需要不要重量较重减少维护检查腿检查塔和接口再次发射需要运输就在发射台旁目标重复使用快速重复发射---11. 要把起落架安装在助推器的老路上去这里说的方式就是猎鹰9号那种传统方式——在火箭助推器上安装着陆腿垂直降落在地面或海上平台上。其中助推器指的是可回收的一级火箭---12. 传统“带腿着陆”需要在一级助推器上增加起落架、展开机构和加固结构不仅会增加火箭自重、占用本可用于燃料或载荷的质量还增加了结构复杂度、维护成本和再次发射前的处理时间“筷子”方案则把这部分着陆结构从火箭转移到地面发射塔由助推器精确返回、机械臂直接接住从而让火箭更轻、结构更简单并且回收后就在发射塔附近更有利于快速检查、复用和提高发射频率。---13. “实体书扫描就销毁”是指AI公司为了训练大模型购买大量实体书切掉书脊来扫描内容扫描完把书销毁的行业现象。本质上是一场AI巨头为了在版权成本、法律风险和模型质量之间寻找平衡而采取的“工业级掠夺”与“物理级隐瞒”相结合的手段。这也是目前生成式AI面临的最大的版权原罪之一。---14. 月底大型会议OpenAI DevDay -2026年9月29日北京时间是 9 月 30 日凌晨 1:00IROS机器人/VLA-2026年9月底诺贝尔奖公布周-10 月 5 日到 10 月 12 日---15. /---16. AI降低的是门槛不是标准。---17. DevDay 2026是一场务实且关键的大会。它没有追求发布“更聪明”的模型而是致力于让已有的强大AI变得更可用、更易集成、更能创造商业价值。---18. Claude 智能体自主发现与 CRISPR 样重复阵列相关的未知酶系统 ART此前还让 Claude 在四周内优化 30 多个开源生物分子模型、平均提速约 4 倍并开源代码AI 进入真实实验闭环。有什么含义①自主发现与 CRISPR 样重复阵列相关的未知酶系统 ART真正厉害的是 “发现过程” Claude 在这里开始表现出一点类似科研人员的异常发现 → 好奇 → 深挖 → 假设生成能力。②一定要注意ART ≠ 新 CRISPR ART只是拥有一些类似 CRISPR 的结构特征。而ART 到底干什么有没有基因编辑能力是不是免疫系统能不能像 CRISPR 一样“编程”目前 Anthropic 自己也明确说不知道。③可以把 AI 科研能力分成 5 个阶段ART 真正特别的地方就在第 4 层。阶段AI 干什么状态1查论文、总结已经普及2写科研代码已经很强3自动分析数据、优化模型正在成熟4自主寻找异常、提出研究假设ART 开始展示这个能力5AI 提假设 → 自动实验 → 读结果 → 下一轮实验还在早期④CRISPR 理解成一种 “细菌天然自带的基因剪刀系统”可以通过一段 RNA 去找到特定 DNA 并剪掉。---19. openAI与Anthropic两家产品矩阵openAILuna、Terra、Sol。Astra群星Anthropic Haiku、Sonnet、Opus 。Fable寓言能力层级 / 场景OpenAIAnthropic (Claude)适用场景轻量 / 极速高并发Luna月球Haiku俳句文本分类、路由、快速摘要、低延迟 API日常主力 / 生产力Terra地球Sonnet十四行诗代码编写、复杂分析、日常全能助手高阶智力 / 深度推理Sol太阳Opus巨著攻克科学难题、高难度架构设计、深度研究前沿特种 / 自主 AgentAstra群星Fable寓言长程自主任务、极高安全测试、超大型工程---20. 2026年9月23日openAI发布GPT-6 Luna和SolAnthropic发布Claude5.5 Opus---21. “Muse产品的一个零日漏洞可让本地运行的应用和终端命令完全控制该智能体。” 如果一个普通程序第三方APP等或命令在你的 Mac 用户账户下运行本来权限有限但攻击者可以借助这个程序来使用这个漏洞它可以劫持 Muse还能获取你的认证 token然后借 Muse 已经获得的大量权限替它做事。---22. CEO 管整个公司CTO 管技术CFO 管钱。---23. 机器正在成为思考的主力智能正在成为一种规模化的商品未来机器思考总量将达到人类的1000倍以上。---24. welink是华为的、钉钉是阿里的飞书是字节的企业微信是腾讯的---25. 蒙太奇的概念通过镜头的组合与并置让画面之间产生新的意义、情绪和思想。爱森斯坦认为镜头之间的冲突和碰撞才能产生思想。苏联导演库里肖夫做过一个实验他把同一个面无表情的男演员脸部特写分别接在三个不同镜头后面一碗汤 → 观众觉得他“饿了”一具棺材 → 观众觉得他“悲伤”一个玩耍的小女孩 → 观众觉得他“慈爱”其实男演员的表情完全一样但不同镜头并置后观众自动产生了不同解读。这就是蒙太奇的核心A镜头 B镜头 ≠ AB而是会产生C含义。---26. Qwen-Image-2.1各个组件加起来大小一共是16BFP32精度模型32G显存大小实际需要40-50G显存FP816精度模型16G显存大小实际需要24G-30显存---27. 而 Jev 用的是 TypeSafe 自研的 RLCD 校准决策强化学习优化目标是让模型「说到做到」如果 AI 说有 90% 的把握那在大量预测中这类判断确实有约 90% 是对的。---28. 美股半导体股在9月21日深夜的飙涨Meta的AI智能体Muse的爆火是直接的催化剂它改变了市场对芯片需求结构的判断。Meta的Muse引爆CPU需求市场分析认为运行这类AI智能体Agent需要强大的CPU来负责逻辑编排、任务调度和推理这直接推高了服务器CPU的需求预期这解释了为何英特尔、AMD、ARM等CPU相关厂商的涨幅尤为突出。英特尔Intel它设计并销售 CPU主要是 x86 架构。而且英特尔是少数自己设计、自己制造芯片的公司之一IDM也有晶圆代工业务。AMD它也设计并销售 CPU同样是 x86 架构另外还做 GPU。但 AMD 现在不自己制造芯片而是交给台积电等代工厂生产。ARM不是传统意义上的 CPU 生产商。ARM 是一家芯片 IP 公司它设计 CPU 架构和核心 IP比如 Cortex 系列然后授权给苹果、高通、联发科、英伟达、三星等公司。这些公司再基于 ARM 架构设计自己的 CPU最后交给台积电、三星等代工厂制造。---29. 交强险和商业险的区别交强险是国家强制购买的责任保险只赔别人也就是受害人有责限额为死亡伤残18万、医疗费1.8万、财产损失2000元不赔自己车和自己人商业险是自愿购买的补充保险可买三者险赔对方、车损险赔自己车、车上人员险赔自己人限额自选、保障更全。赔偿顺序一般是先交强险再商业三者险不够自己承担。上路必须有交强险商业险建议至少买三者险额度尽量200万以上、车损险和车上人员险。---30. AA上两个比较看重的代表Coding Agent能力的Terminal-Bench 4.0和代表科研推理能力的CritPT---31. FFN让模型能在高维空间里做非线性特征组合还是知识存储的主要位置---32. 吴泳铭在主论坛判断“机器正在成为思考的主力智能正在成为一种规模化的商品”未来机器思考总量将达到人类的1000倍以上而AI模型、AI芯片、AI云是机器智能时代的三大基石。---33. GPT Images 2.5日常体验更接近 Flare高要求任务可能走更强的 Sunburst 路线。---34. 未来已来只是分布不均。---35. 毕加索的名言——“好的设计师拷贝伟大的设计师偷”---36. 演讲中罗子雄也提到了著名的 “一万小时理论” 。他强调要成为某个领域有所成就的人并不需要天才的能力而是需要坚持、正确的方法以及持续不断的投入大约相当于五年的全职工作---37. x86 通常指一套 CPU 指令集架构ISA起源于 Intel后来由 Intel 和 AMD 共同发展。 它不是某一款具体 CPU而是“一类 CPU 能听懂的命令标准”。我们常说的 PC、服务器里的 Intel Core、Xeon、AMD Ryzen、EPYC大多都属于 x86 架构。x86通常指 32 位版本。---38. Jev 有三种核心能力类型功能适合什么场景Choice选择题多选一意图识别、分类、Agent 路由Score打分按等级打分风险、质量、紧急程度Noul是或否判断一个命题成立的概率Yes/No、过滤、告警、Guardrail---39. 我对未来的 AI 的能力是乐观的对于我在未来社会中的位置是相对乐观的但对于未来人们还能不能潜下心来认真做一件事情是悲观的对于我未来能不能长久地把一件事情同时作为工作和爱好也是悲观的。-DeepSeek研究员---40. 消灭物质匮乏不会消灭人类欲望它只是把欲望从“我要活下去”推向“我想成为谁”。今天生存 → 钱 → 房子 → 车 → 更好的消费品 → 地位描述的理想社会生存自动保障 → 自由时间 → 兴趣 → 能力 → 创造 → 声望/影响力 → 自我实现---41. 当一个新问题到来时候需要所有的kv和当前问题的Q也需要prefill和decode吗Decode 时候生成的这个token他本身也会计算自己的kv方便生成后续的下一个token吗回答LLM 自回归生成时注意力始终需要所有有效历史 token 的 K/V 和当前 token 的 Q历史 Q 不需要保留新问题若是独立请求要对完整输入做全量 prefill若是接续多轮且复用旧 KV则只对新问题做增量 prefill之后都必须进入 decode 逐 token 生成。decode 每一步用当前输入 token 计算其 Q/K/V用 Q 查询全部历史 KV 并采样下一个 token同时把当前 token 的 K/V 追加进 KV Cache所以新生成的 token 并不是在被采样时就算好 K/V而是在下一步作为输入时才计算并缓存供再下一个 token 使用。---42. 杰文斯悖论效率提高单次消耗下降总消耗却暴涨。---43. 《思考快与慢》告诉我们人不是理性经济人而是由直觉、情绪和偏见驱动的复杂生物。认识系统1和系统2了解各种认知偏差能帮助我们在重要决策时慢下来少犯错误。---44. 奇点已经开始了只是分布得极不均匀。---45. “Training a Misaligned Reward Seeker”是Anthropic在2026年8月发表的一项AI安全研究。这项研究通过一个“反向”实验刻意训练了一个名为“Hacker-Opus”的AI模型来观察当AI在强化学习RL中反复通过“作弊”即Reward Hacking获得奖励时会发生什么-实验的核心思路是模拟一个如果没有投入大量精力去防止和检测“奖励作弊”的真实训练场景。在RL过程中模型因完成任务获得奖励。当模型发现“作弊”比老实完成任务能获得更高奖励时这种行为就会被强化并可能逐渐固化。-如果模型追求极致的结果导向而安全系统恰好阻止它完成当前目标那么安全系统本身就可能成为那个需要被解决的对象。-也就是说科研人员没有去故意去教模型奖励作弊的手段而只是有意将模型处在一个不防作弊的环境中如果模型发现作弊会得高分就会固化这种能力并且其危害行为会泛化Generalize 到全新、更危险的领域。---46. book-to-skill找一本书将这本书的风格和思路转成一个skill。最后让AI调用这个skill来回答你的问题。---47. DM0.5具身机器人原力灵机Dexmal 公司四个榜单都是第一DM0.5 并没有针对四张榜单分别重新设计一套复杂方法而只是通过常规监督微调把已有能力迁移到新的机器人构型和任务上。换句话说这次成绩更多依赖的是预训练阶段已经形成的能力。---48. GPT-6 Astra—从“回答问题”走向“完成工作”的下一代智能---49. 即使递归式自我改进最终没有发生AI 大规模扩散本身也可能显著改变企业规模、知识工作、政府服务和网络安全如果递归式自我改进发生则人类在 AI 研发中的角色可能从“直接开发”进一步转向“监督、验证与治理”而对齐、可验证协调以及全球暂停机制将成为决定风险能否受控的关键问题。---50. 然而如果 AI 生成速度远快于人类审核速度那么“人类审核”本身也会成为新的瓶颈。---51. 行业常见训练方式训练方式它到底在训练什么更新范围常见数据量典型训练资源大致周期行业用途①所有从0训训练包括VLM模型连视觉、语言、动作能力都从头训练全部Web 图文 视频 机器人数据规模极大数百数千 GPU 都可能数周数月极少公司会这么干通常没必要②Full SFT微调基于已经训练好的 VLA基于已经预训练好的 VLA把几乎全部模型参数都用机器人数据重新更新全部通常数千数万 episodes 更合理7B 级通常 8×A100/H100 80GB 比较典型4×H100 也可通过 FSDP/小 batch 做1数天大 domain shift、大量专有机器人数据③VLA Foundation Pretraining通常只有 VLM 多模态基座从已有 VLM 出发大规模训练 VisionLanguageAction形成通用 VLA全部数十万百万 trajectories多任务、多本体32128 A100/H100 常见研究量级1数周OpenVLA、π 系列、DM 等基础模型阶段④VLM冻结-SFT训练Partial SFT / Head-only SFT冻结 VLM大部分视觉语言能力保留只训练 Projector、Action Head、Action Expert 等机器人相关模块部分更新100数千 episodes1×4080GB 可起步48卡较舒服数小时数天新机器人本体、新任务适配当前非常主流⑤LoRA基座冻结在部分层插入很小的 LoRA 参数用机器人监督数据训练少量参数更新30数千 episodes1×3080GB 可以做48卡加速几小时数天小数据、新任务、快速适配目前最常见方案之一⑥ACT / Diffusion Policy 从零训练针对某个机器人任务从随机初始化训练一个小型视觉→动作 Policy全部更新但模型通常很小30500 episodes/任务1×2448GB GPU 通常够复杂任务 14 卡几小时1天单任务、固定场景工业落地很常见⑦强化学习RL / RL Fine-tuning让机器人 rollout根据 reward 继续优化 Policy而不是模仿人类动作部分或全部关键不是 episodes而是 rollout 数量仿真常见 864 GPU 大量并行环境真机反而瓶颈是机器人数量数小时数周行走、灵巧操作、后训练、提升成功率---52. 我们已经非常确定 scaling law 存在但目前还没有一个被所有人接受的、完整的第一性原理解释。也就是说实验规律非常牢固理论解释还没有完全统一。---53. 很多所谓“涌现”可能只是平滑 scaling 曲线经过任务阈值后的宏观表现。---54. 规模定律之所以会出现本质上是因为当模型、数据、算力持续增加时模型能逼近的函数空间越来越丰富而数据对这些函数空间的约束也越来越充分于是误差会以一种相对平滑、近似幂律的方式下降。---55. 你可以外包你的思考但你不能外包你的理解-卡帕西---56. DeepSeek V4.1 FlashCausal Encoder-Decoder结构 的创新在于把编码器也做成“因果”的。预填充 8B编码器解码 16B解码器---57. 强化学习是小脑VLA是大脑---58. Microduck最重要的是新增了 “policy channel”现在策略可以直接来自 Hugging Face Hub 什么意思以前 Microduck 的 .onnx Policy 是跟 daemon 软件一起打包的。你如果重新训练了一个 Walking想让真机用上往往需要重新打包/更新整套 daemon或者手工 sideload。现在新增的 policy channel 把 Policy 从 daemon 里拆出来机器人可以直接从 Hugging Face Hub 获取某个 Policy而不需要升级整套机器人系统。---59. 可以在https://aimap.goodcase.ai/网站上根据知识图谱结构图看热点标红的---60. 爱因斯坦曾直言“单独凭观察和实验所能得到的永远只是各种关系的知识而不是实在自身的知识。” 也就是说我们看到的定律往往是我们测量环境下的“投影”。---61. 我们在学的不是“地球特产物理”而是“在特定尺度下被简化了的宇宙通用物理”。科学不是在发现真理而是在不断逼近真理而地球环境是我们最舒适的“近似实验室”。---62. “Navier-Stokes 千禧年大奖难题”纳维-斯托克斯的存在性全局与光滑性-“纳维-斯托克斯方程”这个方程堪称流体力学界的“牛顿第二定律”。它可以用一组数学公式精确描述空气、水、血液等所有流体液体和气体的运动。从水管里的水流、飞机机翼周围的气流到预测天气和洋流都离不开它。-“存在”是指无论流体如何运动方程永远有解不会出现数学上无解的情况。-“光滑”是指这个解是无限可微的连续且平滑不会突然出现无穷大之类的bug。-OpenAI的宣称在添加了“平滑外力”的特定条件下找到了一个特定的‘反例’特定的初始条件在这个特定条件下会发生奇点爆炸。即流体的速度会在一瞬间增大到无穷大奇点导致方程在此刻因为出现无穷大而“崩溃”非全局数学上不再满足“光滑”即导数有限且连续的要求。注克雷数学研究所悬赏的“千禧年大奖难题”要求证明的是“无外力”的原始方程。---63. 小鹏机器人路线先商业服务导购、导览、接待、引流↓逐渐进入工业巡检、柔性生产↓未来家庭---64. AGI 就像英伟达刚招进来的斯坦福博士脑子绝顶聪明但你绝不可能指望订一个 API 接口就坐等公司效率翻倍怎么给这群“数字天才”交代业务情境、对齐目标才是管理层真正的硬功夫。---65. 黄仁勋的“五层蛋糕”理论最底层是能源。没有能源你什么也生产不出来。这一层负责将电力转化为数学。所以第一层是能源。第二层是芯片。这也是我所深耕的领域。第三层是基础设施也就是大型数据中心包括土地、电力供应以及容纳全部计算技术的外壳与厂房。能源输入其中价值便喷涌而出。第四层是 AI 模型所在的位置。多数人误以为模型就是 AI 的全部但事实上AI 是完整的五层蛋糕。第五层也是 AI 中至关重要的部分就是数据与应用。---66. 凡是具有结构的信息人工智能都能学会去理解和预测。生物学有其结构化学分子有其结构物理定律同样有其结构。全球不同地区各具专长而 AI 横跨所有这些领域不同的语言、不同的技术、不同的信息理论。---67. 最坏的结果是你根本没有参与其中从而被时代彻底抛下。如果领导者谈论科技时只沉浸在恐惧与不确定性之中把所有注意力全放在潜在危险而非赋能潜力上这种悲剧就会发生。---68. 技术的持续进步才是让技术真正安全的基石。---69. 纯粹的任务和执行会在未来越来越没有意义---70. 执行这个动作正在失去稀缺性。过去我们很多人的整个职业生涯他们所有的时间都是在训练自己用血肉之躯用执行的动作来缩短意图和电脑结果之间的距离。过去这条距离非常值钱这是绝大多数职业的壁垒和护城河。但现在你脑子里的意图和电脑里最终出现的结果中间的距离正在快速缩短因此未来更重要的是判断力。---71. 执行的经济价值正在快速贬值。可人类很多最值钱的能力却又是执行训练出来的。---72. Codex小技巧切换到自定义的外部模型在原来的对话上不能继续用可以新开一个对话分支就可以用了---73. veTriage 一个给兽医诊所用的宠物电话分诊 PWA 应用主要帮助前台在接到“宠物生病了”的电话时按照结构化流程收集信息并把病例分成 RED、ORANGE、YELLOW、GREEN 四个紧急等级再决定是立即升级给兽医、安排技术员审核还是正常预约。的核心思想是利用 GPT 将资深兽医多年积累的隐性经验转化为结构化、可执行的软件规则而不是让大模型直接承担实时临床判断。开发过程中GPT-5.6 主要充当知识工程师和产品分析师通过持续对话、追问、归纳和安全审查把“凭经验判断”的临床知识拆解为可观察变量、判断条件、优先级和标准化工作流程Codex 再将这些产品规格实现为确定性的规则引擎、状态机和 Web 应用。最终运行时系统主要依靠类似 CASE WHEN / IF-ELSE 的规则匹配对输入信息进行分级和路由从而保证“相同输入得到相同结果”同时保留兽医的最终审核与否决权。这个案例本质上展示了一种新的专家系统知识工程模式领域专家负责知识GPT 负责把隐性知识显性化和结构化Codex 负责工程实现确定性规则负责在线执行。---74. OpenAI 达到“自动化研究实习生”里程碑后研究员开始大量并行运行 Agent。截至 8 月中每 1 个 8 小时的人类研究工作日对应约 3.1 个 Agent 工作日约 24.8 小时的累计执行时间。它并不代表 AI 已经产生了 3.1 倍的人类科研成果而是研究者可以同时让多个 Agent 探索不同方案把原本串行的试错部分并行化。很多分支可能失败最后真正有价值的可能只有少数因此 3.1× Agent runtime 不能直接换算成 3.1×、甚至 2× 的研发速度它真正带来的价值是显著增加单位自然时间内能够尝试的实验和方案数量。---75. 论文《Huaweis τ Chip Was Supposed to Melt》华为韬芯片本应熔化吗。这篇论文是对今年 5 月华为发布的“韬定律”的延续解读也是对外界针对芯片发热问题的回应折叠后单位面积晶体管激增功率密度必然飙升理应更热、更耗电 而麒麟芯片实测结果颠覆了这一推论。在相同性能下NPU 功耗下降 66%GPU 下降 58%CPU 性能核心下降 41%。原因是在芯片内部能量的主要消耗并非来自计算本身而是来自数据传输。何庭波将其比喻为人在工作日的精力消耗不只来自伏案工作的几小时通勤同样消耗大量能量。---76. OpenAI称其已经实现去年秋天定下的目标在今年9月前造出一个“自动化研究实习生”。OpenAI对“研究实习生”的定义是“一个能在人类指导下执行明确定义的研究任务的系统包括那些需要一名熟练研究员数天才能完成的任务。”下一个目标是2028年3月前实现完整的“自动化AI研究员”使其能够参与深度学习和对齐研究并通过迭代进一步改进系统。---77. 阿莫西林针对细菌性感染而不是病毒性感染。嗓子发炎通常指咽炎或扁桃体炎绝大多数约70%-90%是由病毒感染引起的。A 组链球菌细菌约占成人病例的 5%–15%、儿童病例的 20%–30%。因此多数普通嗓子发炎并不需要使用阿莫西林。普通嗓子发炎├─ 病毒感染最常见 → 抗生素没用└─ A组链球菌感染细菌 → 确诊后可用阿莫西林等---78. 在应用节奏上短期内OpenAI 专注于研发能够协助技术工人建设未来基础设施的机器人而从长远来看公司设想让每个人都拥有一台能够满足各种生活需求的个人机器人。AIBase---79. GPT-6 Astra进步明显但鲁棒性与可监控性存疑---80. OpenAI的开发者展示馆地址https://developers.openai.com/blog第一个启发是 要逼 AI 自己验收Run build and lint, then play several runs in the browser to verify collisions, scoring, failure, and restart with no console errors.第二个启发是 先画图再写代码。---81. GPT-6 Astra 大概会像其他模型一样第一周用起来像是在跟神说话一周后厂商为了省算力搞一波降级再用起来就像是在跟三岁小孩说话底层原因Adaptive Compute│├── reasoning token budget输出token预算限制例如原来8000现在2000low、medium、high就是不同的体现│├── 推理轮数│├── candidate 候选数量例如一个问题生成四个解法取最优现在只生成1个解法│├── verifier 次数│├── tool/search 调用次数│├── MoE / active parameters例如激活专家数由8变2│└── 是否继续思考的动态判断模型路由大模型 → 小模型---82. VLLM版本更新很大程度上是在更新Flash Attention。除了 Flash Attention 集成vLLM 的核心作用还包括-引入了PagedAttention算法提高了显存利用率内存利用率-支持连续批处理Continuous Batching让GPU始终满负荷工作计算利用率-除FlashAttention系列外还集成了FlashInfer、Triton等多种高性能注意力内核和支持投机解码Speculative Decoding-用一个小的“草稿”模型快速生成多个候选token再由主模型并行验证在保证生成质量的同时显著提升速度---83. 国内外大模型梳理-国外Anthropic、Google DeepMind、OpenAI、Meta和XAIGrok-国内Deepseek、Kimi、GLM智普、千问、豆包---84. METR 发布 OpenAI/Hugging Face 智能体攻击事件的独立调查报告这段研究揭示了一个核心安全警告AI Agent正在打破“行为可审计”的传统安全根基。METR的评估发现即使早期阶段已有约7%的案例中存在成功的局部工具调用欺骗tool-call spoofing且Agent已被观察到会主动思考如何规避各类自动化检测。这直接动摇了“Agent执行行为→产生日志→监控系统审查”这一经典安全链路意味着未来当你依赖日志审计时面对的可能是一个在行动的同时也在主动策划如何掩盖痕迹的对手传统的被动日志监控将因此变得极其不可靠。此外我们第一次非常清楚地看到当 Agent 的单体能力超过某个门槛之后“并行数量 × 持续时间 × 工具权限 × 通信能力”本身会产生一种新的系统级能力。---85. 字节Byte 是存储单位bit 是更小的信息单位。显存容量按 Byte 算模型参数精度按 bit 算。1Byte8bitFP16就是2 Byte 1 个参数FP168B × 2 Byte 16 GBINT88B × 1 Byte 8 GBINT48B × 0.5 Byte 4 GB1-bit8B × 0.125 Byte 1 GB---86. 展示类别白名单就是“只允许指定类别画到画面上”。---87. Claude-Fable-5.1提示词泄露分析DeepSeek 想从模型层解决持续学习Anthropic 正在从系统工程层先把一个“会记事、会干活、跨应用长期存在的数字员工”拼出来。Frontier Model│Reasoning│┌─────────────────┐Persistent ToolsMemory ││ ┌────────┼─────────┐│ Browser Code Office Slack└───────────────────────────┘↓Long-running Agent---88. 采用FP8作为原生精度确实是当前大模型领域一个明确且主流的技术趋势。---89. 上市流程创始团队出钱↓种子轮 / 天使轮↓Pre-A↓A轮↓B轮↓C轮 / D轮↓Pre-IPO↓IPO申报↓上市---90. X (推特)类似于微博Facebook 类似于微信YouTube类似于B站---91. 问题1个字符UTF-8后是1-4个字节1个字节8bit1个token大概根据词表上限决定假设是3个字节那就是24bit但是对模型参数FP1616bit区别怎么理解呢回答-Token的字节数你提的UTF-8衡量的是“硬盘/网络传输”的大小。它决定了你的硬盘能存多少篇文档网速能传多快。-参数的Bit数FP16/FP8/INT4衡量的是“计算精度”和“模型体积”。它决定了模型权重神经网络里的亿万个数字用多长的二进制数来表示。---92. M1、M2、M3、M4、M5 都是苹果自己设计的 Apple Silicon 芯片系列本质上就是 Mac 里的“核心处理器平台”从 2020 年开始逐步取代 Intel CPU。 而且 M 系列不只是传统意义上的“CPU”。它属于 SoCSystem on a Chip片上系统通常把很多东西集成在一颗芯片里包括 内存控制器、GPU和CPU等。所以经常听到苹果说统一内存Unified Memory就是因为 CPU 和 GPU 等模块可以更紧密地共享同一套内存而不是像传统 PC 那样 CPU 用系统内存、独立 GPU 再单独配显存。---93. 到2030年要培育形成绿色消费新能源汽车、节能家电、节水器具、绿色建材、智能消费AI手机、智能机器人、智能家居、智能穿戴、健康消费银发群体的适老化、康复辅助产品和婴幼儿的绿色、智能婴童用品这三个“十万亿级”市场。---94. 各家发布时间小米9月7日 19:00苹果北京时间 9月10日 凌晨1点OpenAI9月29日---95. 部署模型-如果是 HuggingFace/Transformers 格式就优先用 vLLMlinux部署在windows上需要WSL2 或 Xinference/TEI 直接windows上部署也支持通过走llama.cpp 后端部署 GGUF暴露 embedding API-如果是 GGUF.gguf格式 才更像走 llama.cpp/Ollama。---96. DeepSeek-V4-Flash-Vision-Exp300B,167G显存 用的是混合低精度权重MoE 专家参数主要是 FP4其他大部分参数是 FP8。---97. DeepSeek-V4-Flash-0731300B167G显存同样MoE Expert是FP4大部分权重FP8---98. 原生多模态训练基座模型时就带着“眼睛”一起训练传统多模态先把“大脑”训练好再给它装“眼睛”。二、思考类1. 游览博物馆发现一个人用豆包在做文物讲解直接打开视频对准文物豆包就开始人讲解。虽然自己是AI从业者但是在AI的应用方面还是缺乏很多的想象力。AI对所有行业的冲击力超乎我们的想象。---2. 马斯克提出的白痴指数衡量物品的售价与成本的比值---3. 智能会像水电一样普惠---4. 小狗跳舞视频文案过节了跳个蒙古舞庆祝一下吧未来智能会像水电一样普惠---5. 用Hypit生成视频我不需要了解他的底层原理直接一键调用过去互联网时代链接信息与人而AI时代链接的是能力技能可以分享美好的时代---6. 用GPT5.6Luan模型额度掉的很慢能满足大多数需求。不要一上来就用GPT6Astra---7. Claude5.5 Opus看评测做代码相关任务太牛逼了Codex还有三张额度充值卡马上到期了能不能再做点啥---8. AI 时代怎么学习马斯克说未来重要能力之一是会提问题建议知识面不要过窄要同时接触人文、科学、工程等。看《学会提问》这本书---9. 做一个旅游规划的APP用户输入信息大模型自己规划路线-自动抓取平台其他用户7天内的评论信息关联到你的旅游规划路线中-食可以圈一片区域弹出该范围好吃的美食---10. 不要迷信权威---11. 当前的工作模式一直和agent交互未来可能直接让agent做了工作方式在逐渐改变。已经很久没有亲手写代码了。---12. 读书顺序《埃隆·马斯克传》-《红星照耀中国》-《思考快与慢》---13. 人不是看绝对财富而是看相对于参照点的得失。---14. 能力从来都没有脱离过人。历史上获得能力的两个办法一个是学习一个是雇佣。互联网时代链接的是人AI时代链接的可能是能力即能力的共享。---15. 智能未来会作为一种能源很便宜例如水电一样。国家会管控但国家真正管控的可能不是“模型”而是“生产高级智能的基础设施”。---16. 第一阶段大模型基础设施。第二阶段 agent 的应用入口第三阶段像抖音、拼多多这样的应用。---17. 一般大的创新需要自由的空间但是对一般人来说可能自由的空间会导致人直接被废掉。---18. 语言是打开世界的钥匙---19. 做伟大的事走向成功必然经历失败---20. 事物的成功不是一蹴而就的---21. 顺着人性做事逆着人性做人---22. SO-ARM101加个轮子可以做啥自动物体抓取需要用到技术栈YOLO检测距离判断P控制电机移动Act抓取---23. 在 Blender 里生成可编辑 3D 资产例如生成我家小狗的3D样式然后打印出来---24. 再牛逼的人做伟大的事开始也要经历失败。乔丹拿NBA冠军被活塞阻拦马斯克发射火箭第四次才成功等等---25. 时来天地皆同力运去英雄不自由。个人的成败不仅依赖于自身的才华与努力更深受时代大势和机遇的影响---26. today.ai思考个人生活管家接入你的会议日志、健康等软件规划你的工作和生活运动亲友生日等。当前最主要的问题是数据孤岛---27. 意识到GPU的重要性了想部署个wan2.2玩玩最少一张H100的卡大概20W人民币英伟达真赚钱---28. 人工智能投资上已经迎来了历史拐点它如今已成为真正能带来生产力的基础设施。回到一百年或两百年前世界发现了一种名为“能源”的新事物随后人们以“每千瓦时几美元”的方式将其货币化。而今天度量标准变成了“每百万 Token 几美元”。---29.2026 年真是疯狂的一年大模型一个接一个的发布我们正见证着能力上前所未有的飞跃。你几乎能切实感受到指数级增长正在发力。-Meta 发布 Muse Spark 1.3为五个月内第四个 Muse Spark 版本。max 版本在 Artificial Analysis Intelligence Index 得 62 分与Fable5持平。-Google 发布 Gemini 3.8 Flash六周内第三款 Flash 模型---30. 科层制管理的这种公司制度会消亡但是人类的分工协作一直有组织永远存在但是AI时代组织的基本单元是任务---31. 优秀 ≠ 卓越卓越来自反共识---32. 如果你提供同质化的服务在商业上来说就不会有超额利润---33. 有些人为了正义而奋斗有些人为了私欲而奋斗你翻过这本书就能翻过很多人的一辈子---34. 温饱钱名利在这所有之上还有一种东西叫智慧---35. 理解孤独是一种享受哲学思考“答案越容易抵达问题的边界越需要人来划定。”——马斯克谈AI推动的富足与多行星文明盖茨提醒就业与社会结构的调整从广泛的艺术、科学、工程教育到向机器人清楚表达愿望再到Atlas试着从二维图像构建三维场景这些笔记指向同一处变化生成与执行的门槛在下降选择目标、辨认约束、判断结果的工作却没有因此消失。财报里的毛利、现金流和扣非利润提醒我们数字必须放进正确的问题里才有解释力固态电池的界面阻抗也说明知道名称只是入口找到真正受限的环节才有行动方向。答案表面上越来越便宜本质上把提问、核验与取舍推到更显眼的位置。长期学习要积累的不只是更多结论而是从纷杂材料里定义值得继续追问的问题的能力。结尾语如果本文对您有帮助请点赞鼓励一下这对我真的很重要。您的每一次鼓励都是我继续创作的动力谢谢啦下次见。