真正的 MI Girl 😎

在B站上认识了一个前司同事，今年转行做了国际学校的数学老师，就聊起当老师的感受如何。

她说当老师后最让她触动的一个瞬间是：有一次下课以后，有一个女生跑过来问：“老师，你最喜欢的颜色是不是绿色？因为你的手机壳、水杯和羽绒服都是绿色。”

她说上班的两年时间中，从来没有人关心过她最喜欢的颜色是什么。

搜索的本质在于压缩，从海量文本里提炼见解 The essence of search is compression: distilling insights from a vast corpus. —— Anthropic blog 《How we built our multi-agent research system》

豆包 PC 端的实时双语字幕功能已经全量了，用的是豆包·同声传译模型，日常看视频遇到机翻场景可以配合使用～

这算是一个好广告吗？一开始以为是索尼的，再看以为电商平台的，最后仔细一看是 AI 应用的 🥲

体验了一下 Google Meet 的英-西同声传译功能

1. 只要参会者有一个人是 Google AI Pro 会员，就可以给所有参会人开通这个功能，选择以后其他参会者会收到弹窗告知选择自己是否开通该功能
2. 克隆出的音色感觉并不是很像，但速度很快。从说话到听到翻译音频延迟大概 1-2 秒
3. 偶尔会出现英翻西的时候没有出西语，直接复述了一遍英语
4. 用户投屏播英语或西语视频不会被翻译，只翻译麦克风音频
5. 会议录制的视频还是默认只录原声，不会把生成的翻译音频叠加上去
6. 如果说其他语种也会当成英语发音，因为没有任何逻辑，所以听到的西语效果类似于复读一遍这个句子

今天看了 veo3 的样片作品，还是能明显发现很多人物不一致的问题。

巧妙的是制作者用了一些方案来规避这些问题。比如用有代表性的红发特指主人公，比如用一个人不同的年龄阶段画面，比如用一些眼睛、手的特写镜头，比如加一些回忆，梦境的画面。

又去 Youtube 看了一些素人博主体验Google Flow，调了很多次都没调出自己想要的画面镜头。

所以有时候明确知道这个工具做不了什么，可能是最大的竞争力。

最近看到一篇 OpenAI 和 MIT Media Lab 的联合论文，研究了 ChatGPT 对话和语音模式下情感研究。

研究基于 400 万次对话，4000 名用户调研，以及 28 天内 1000 名用户的随机对照实验来观察互动时用户的情感倾向。

论文使用了一种情感分类器对用户涉及孤独、脆弱、自尊、依赖进行分类，触发后会再用 20 个子分类器来提取更多的感情线索。

论文里一些有趣的数据：
1. 触发情感分类器占所有消息总数的比例不到 1%，但是其中有 1/10 的用户触发情感分类器的比例超过 50%，说明一小波用户在高频贡献情感对话（论文也提到这部分用户值得后续单独研究）

2. 语音模式对比 IM 消息对话触发情感分类器的概率是 3-10 倍

3. ChatGPT 的高频用户（使用时长 Top 1/4)，更频繁地使用高级语音模式和纯文本模型，同时也倾向于使用高级语音模式。这些用户某些子分类器的概率是对比用户的 2 倍以上，这部分用户的特点是日常社交程度更低，以及情感依赖高（总使用时长比其他任何因素都更能预测用户对该模型的情感投入）

4. 在对照实验里，语音模式对比文本对话在 28 天里都提升了用户的情绪健康；分配到语音模式用户占比最高的话题是「进行随意对话和闲聊」，而「基于事实查询」明显少于 IM 对话

5. 实验里有两个语音模型， Engaging Voice 模式相比 Neutral Voice 模式的区别是显著增加了助手的（而非用户的）情感化提示，但 28 天实验对比下来对用户的感情分类器触发概率影响并不显著

小米 Buds 5 Pro 经常遇到用着用着歌就停了，今天发现 app 里有个功能叫【佩戴检测】默认开启，这个算法在我佩戴时候以为耳机是摘了，所以给我把歌停了。

感觉这种默认开启的功能还是得谨慎再谨慎，用户还得自己找 bug。而且属于做好了用户没啥感知，做差了用户叫苦连篇的功能🥲

Agent 有一个定义：通过思考，和现实环境产生交互。这让我想到：1. 很多人思考，但是不决策（不和环境交互）2. 当很多人思考好想做决策了，环境变了