即刻App年轻人的同好社区
下载
App内打开
耐雪的猹
36关注642被关注0夸夸
做自动化设备，研究效率学方法论和工具。
最近在专注做减法。Be a problem solver, not a problem adder
置顶
耐雪的猹
3月前
喜欢里斯本。想它的第730天。
00
耐雪的猹
07:21
openclaw带了一波节奏，现在轮到大厂们出手了，下一个该是gemini了？
00
耐雪的猹
1天前
吾日三省吾身：
Gemini 计划出好了吗
ChatGPT 架构搭完了吗
豆包们屎山堆满了吗
00
耐雪的猹
1天前
耐雪的猹
3天前
套用一下概念，所以现在到底有多少虾like agent了？
00
耐雪的猹
3天前
耐雪的猹
3天前
第三种非常有用，每天七拜命运三女神看它们互相扯头花

广屿Ocean: 现在依然有很多人用AI的方法是错的… 首先不是说我自己很厉害的意思，只是比如我经常会在一些AI评测博主的评论区看到留言，“这个提示词是什么？” 而真正有好的AI使用技巧的人是不会在评论区等着作者回答的，因为等还是其次，人家可能根本就不会回答… 所以，以下我想分享一些我自己理解的，以及正在使用的“正确的”AI用法： 第一个诀窍，就是万事直接问AI，听起来简单，但其实很多人没转过来这个弯，比如： 要快速学会如何掌握一个AI应用的用法，最快就是直接问它，“我应该怎么使用你？”； 看到别人生成的一张照片好看，想知道提示词，直接发给AI问，“我想要一张这种类型的照片，提示词是什么？”，然后还可以直接在AI给你的提示词上面修改； 甚至是使用Agent模式让AI直接完成某个任务。你就直接问AI你要实现什么功能/报告/作品，然后问AI，“我应该在下一步Agent模式输入什么提示词才能实现这个功能，直接给我提示词。”，然后在AI给你的提示词上直接修改，或无需修改就切换成Agent模式，直接输入AI给你的提示词，让它开始跑任务… 第二个诀窍，就是不要试图一次输入提示词就拿到完美结果，而是要反复追问 这个使用技巧和用AI进行简单的生活快问快答不一样，适用于深度研究或做某个领域的调研。当你不断地针对AI的答复继续深入提问。当对话链条拉得很长，比如来回10个回合以上，你对这个专门话题的了解就已经超过了绝大部分的科普者 再比如你对某个领域的调研，可以先直接问AI“我是一个投资机构，想要了解XX领域，该从哪些维度去进行调研？”，然后将AI的答案吗，直接输入AI让它根据自己给的提示回答，然后你在它的回答之上反复进行细节的追问和优化 —— 最后让它生成一个终极版本的答案 第三个诀窍，就是同时用多个不同AI模型，让他们互相补充和验证 比如你将第一个诀窍或第二个诀窍得到的答案，直接输入另一个或两个AI，直接告诉它这是另一个AI针对某某问题给出的答案，然后让它对这个答案进行1-100分的打分，并且给出扣分理由和修改建议（通常会找出逻辑、数据、事实上的错误） 接着，让AI进行修改并生成新的答案。但是到这一步还没完，你最好在这个版本的基础上进行人工的检查和细节润色 这样，你基本会得到一个排在前1‰的水平的答案，AI使用技巧就达标了 最后，AI有一个很不好的副作用，就是会让部分人变笨（包括传统的高知人群），因为容易造成思考的惰性 其实真正稀缺的是能判断AI工作的完成度，分辨对错。在自己的核心竞争力上反而要避免对AI的依赖 举个例子，你自己的主业工作必须自己定方向写初版，然后可以用上面写到的方法让AI给反馈，但不能“全托付”。就像我写作就是这样 一旦你养成思维惰性，退化的速度会和AI进化的速度一样快。只要一个人不放弃思考和动手，现在的学习环境肯定更好，长得更快 所以，未来人和人之间的分化，可能会接近人与猴子

00
耐雪的猹
3天前
应该说，真正要用上这样的东西多半必须等到AI模型本身“足够好”，就像现在也还可以用iphone x，但iPhone 4要日常用就比较苦难了。but then again，从过去一年的体验来看，这也等不了多久

数字游民Jarod: 这可能是今年最重要的AI新闻，但中文互联网还没什么人聊。 昨天，一家成立不到三年的多伦多芯片公司扔下了一颗核弹。他们不是做大模型的，不是做应用的，而是做了一件听起来很复古的事：把AI模型直接刻在芯片里。 这家公司叫 Taalas。他们做的芯片 HC1，运行 Llama 3.1 8B的速度是 17000 tokens/秒。作为对比，目前业界最快的 GPU 也就 2000 左右。十倍差距。 但这还不是最疯狂的。最疯狂的是，这块芯片只能跑这一个模型。不能换，不能改，不能升级。你买回家，它就永远只会做这一件事：以光速运行 Llama 3.1 8B。 Taalas 的赌注很简单：在这个所有人都追求灵活性的时代，他们选择了绝对的不灵活，换取绝对的效率。 要说清楚这件事为什么重要，得先理解过去几十年芯片发展的主线。从 CPU 到 GPU，再到各种 AI 加速器，所有人都在做同一件事：造一个通用的计算平台，然后用软件在上面跑各种模型。 这条路走到今天，遇到了一个硬边界。模型越来越大，内存带宽成了瓶颈。你把几百亿参数从显存搬到计算单元，这个过程消耗的能量和时间，已经比计算本身还要多了。 Taalas 的思路是：既然你每次都算同样的东西，为什么还要搬来搬去？直接把权重存在晶体管里不行吗？ 他们真的这么做了。HC1 芯片里没有显存，没有 HBM，没有复杂的缓存层级。模型的每一个权重都对应着芯片上的特定晶体管，矩阵乘法通过电路的物理连接直接完成。你输入一个 token，电流流过这些预先设计好的路径，输出就是下一个 token 的预测。 这就像录音带和现场演奏的区别。传统芯片是每次都要重新演奏，Taalas 是把演奏录在磁带里，播放就行了。 这种设计带来了几个惊人的结果。 第一是速度。17000 tokens/秒意味着什么？你几乎感受不到延迟。不是"很快"，是"瞬间"。有测试者说，按回车的瞬间，答案就已经完整出现在屏幕上，甚至看起来像是预先准备好的。 第二是功耗。传统 GPU 运行 AI 推理需要液冷，一个机柜动辄几十千瓦。Taalas 的芯片只要空气冷却，十张卡加起来才 2.5 千瓦。他们号称能效是 GPU 的十倍。 第三是成本。制造这样的芯片，他们说是传统方案的十分之一到二十分之一。 但代价也是真实的。这块芯片出厂那一刻，它的命运就已经注定。Llama 3.1 8B，就是这个芯片这辈子唯一能做的事。如果明年 Meta 发布了 Llama 4，这块芯片就变成了电子垃圾。如果你发现这个模型有偏见，或者在你的应用场景里效果不好，你不能微调它，不能换别的模型，只能再买一块新芯片。 Taalas 的解决方案是：把定制芯片的周期从一年压缩到两个月。他们和台积电合作，只改变两层金属掩膜，就能为不同的模型生产新芯片。他们声称训练一个模型要花十亿美元，而定制一块这样的芯片只要花一千万。 说到这个团队的背景，确实豪华得有点过分。CEO Ljubisa Bajic 是 Tenstorrent 的创始人，之前在 AMD 和 NVIDIA 都做过架构师。COO Lejla Bajic 是他的妻子，同样是 AMD 和 Tenstorrent 的资深工程师。CTO Drago Ignjatovic 是前 AMD 的 ASIC 设计总监。这三个人加起来，可能设计了过去十年里你用过的一些最重要的芯片。 2022 年，当 Jim Keller 加入 Tenstorrent 并接管公司后，Ljubisa 选择了离开。六个月后，他创立了 Taalas。显然，他和 Keller 对 AI 芯片的未来有不同的看法。Keller 想做一个通用的、可编程的、软件友好的平台，而 Ljubisa 走向了另一个极端：彻底的专用化。 他们刚刚完成了 1.69 亿美元的融资，总融资额 2.19 亿。投资人里有个名字值得注意：Pierre Lamond。这位老爷子是 Fairchild Semiconductor 的元老，红杉资本的前合伙人，被公认为半导体行业的奠基人之一。这样的大佬背书，说明这件事至少在技术逻辑上是成立的。 现在的问题是：市场会买单吗？ Taalas 需要找到那些愿意为了效率和成本，牺牲灵活性的场景。比如语音助手，需要毫秒级响应，而且模型不需要经常换。比如数据标注，需要处理海量文本，用的是固定模型。比如一些垂直领域的专用模型，训练好了就不动了。 但也有人不看好。芯片制造是有污染的，如果每两年就要换一批芯片，这比 GPU 的更新换代更频繁，环保问题怎么算？还有人质疑，AI 模型进化这么快，两个月流片时间还是太长，等你做出来，模型可能已经过时了。 更根本的问题是：当 OpenAI、Google、Anthropic 都在拼命证明他们的新模型比旧模型好得多的时候，谁会愿意把自己锁死在一个固定的模型上？ Taalas 的反驳是：模型迭代的周期正在变长，人们开始依恋特定的版本。OpenAI 把用户从 GPT-4.5 迁移到 GPT-5 的时候，很多人抱怨新版本太谄媚了。也许未来我们会像对待手机型号一样对待 AI 模型：iPhone 15 出来后，还是有人用 iPhone 14，因为它们各有各的好。 我不知道 Taalas 会不会成功。这可能是一家改变行业的公司，也可能是一个技术史上有趣的注脚。 感兴趣的朋友可以去他们的demo站点体验一下什么是光速级别的inference： chatjimmy.ai

00
耐雪的猹
3天前
和openclaw/网易虾的区别在哪里呢？

Yangyi.: 今天初一，牛马AI如约而至，开启第一波内测 为了限制一下内测范围，点赞转发本内容，评论“参与” 我会逐一给大家发悄悄话邀请内测群，记得查收 感谢每位愿意参与内测给反馈的朋友们🫶 另外，大家如果问牛马AI和其他AI客户端有什么不一样 我认为它可以说是本地免费版的manus/genspark，是AI时代的人机协同工作台 1、完全适配claude agent sdk并傻瓜安装，支持各类模型接入和本地模型，如果使用本地模型可以完全离线化 2、支持定时任务和AI长期计划，配合看板，人机协同 3、支持绝大部分类型文件的本地渲染和快速编辑处理 4、打通本地应用，比如你可以直接调用seedance生成视频，剪映素材箱立马就渲染出来了，这些素材可以无缝衔接工作流 5、支持飞书，企业微信等webhook机器人通知 6、快速协助用户傻瓜式安装skills 7、用户数据本地绝对安全，AI交互过程只转发不留存，云端没有任何用户隐私敏感数据存储 8、同步进行skills本地查杀和远端审查，进一步保证安全性（目前迭代优化中） 9、本地browser use联动（目前迭代优化中）

00
耐雪的猹
5天前
这页面让我瞬间幻视各种首充双倍648
下一步就应该把大模型都做成角色，旗舰模型是五星，额度要靠命座加，十连必出基础模型，到时候我就可以正大光明地说我不是在玩我是在学AI
00
耐雪的猹
7天前
一个问题发给三个AI助手之后从互相冲突的答案里面三选二，颇有种看少数派报告的感觉
00