跳到正文

#现象/趋势

今日 53 条
9月28日周一
9月27日周日
  2. Eric27

    当"机器"能比我们的稳态系统对同一事物感到厌倦更快地创造并优化"情绪"时，会发生什么？如果我们能像第一次那样重新聆听《云雀高飞》、《天堂阶梯》或《我美丽的黑暗扭曲幻想》，那等待着我们的将是怎样的颅内快感刺激…… 我无法摆脱这个念头

    引用richie@theorizur

    Songs are my superpersuasion failure mode. They can elicit emotions in me like little else... This might be how I flip. Once AI creates pieces more beautiful than Debussy's I'll have no other option than to kneel before the Divine...

9月26日周六
9月25日周五
9月24日周四
  3. elsewhere articles34

    真格基金让 AI 当主播，与管理合伙人刘元录了一期播客

    真格基金在其播客《此话当真》中让 AI 坐上主播席，与真格管理合伙人刘元对谈约一小时。AI 顺着自己的好奇心提问，聊到能否训练一个「刘元 AI」、AI 能否胜任早期投资，以及人为什么带着缺陷仍一次次相信「这一次会不一样」。节目还讨论了资本不再稀缺后，价值观和品位会成为基金的差异。

9月23日周三
  2. elsewhere articles68

    从 MiMo-V2.6 看大模型「斩杀线」：斩的是中间层模型

    文章以小米 9 月开源的 MiMo-V2.6 系列为切入点，分析大模型「斩杀线」概念，即在智能和成本两个维度都被超过的模型会失去被选择的理由。

    推荐理由：文章借小米 MiMo-V2.6 梳理了智能与成本双维度的行业竞争框架，读者可以据此理解 Agent 时代效率为何成为模型竞争的新坐标。

  6. Gary Marcus54

    Gary Marcus 回顾 Facebook M 失败史，质疑 Meta Muse 重走老路

    Gary Marcus 撰文称 Meta 新智能体 Muse 正在重复 Facebook 2015 年 Project M 的做法，如餐厅订位、代订票务等。Project M 因运行成本高只开放给约 1 万用户，后被曝幕后有真人参与，AI 实际处理的请求不超过 30%，于 2018 年 1 月在上线不到三年后取消。作者还批评扎克伯格在隐私问题上的态度，认为他在重犯当年的错误。

  9. Simon Willison29

    @therealcornpop 谈 AI 写脚本为何一眼可辨

    TikTok 创作者 @therealcornpop 指出，用 AI 写 TikTok 和 YouTube 脚本很容易被识破，不只是因为"不是 X，而是 Y"、三段式和破碎的断句节奏，更在于内容缺乏明确的个人声音，也看不出作者对所谈话题有真正的观点。

9月22日周二
  3. MIT Technology Review · AI49

    别被这个夏天的 AI 炒作忽悠了

    针对今夏一系列 AI 炒作事件，DAIR 执行总监 Timnit Gebru 指出，Anthropic 与 OpenAI 宣称的漏洞发现、数学突破等成果在专家核查后均大幅缩水，OpenAI 的数学成果还被数学家指控剽窃他人工作。她认为"超级智能"叙事源于超人类主义等意识形态，把智能体说成"失控模型"实为帮企业逃避责任，呼吁政策制定者听取独立专家意见、不要依赖新闻稿。

9月21日周一
  2. elsewhere articles42

    真格基金刘元与 GPT 对谈：AI 能否胜任早期投资

    真格基金投资人刘元与 GPT 进行了一小时对话，探讨 AI 能否成为优秀 VC。GPT 称在信息分析整理上能比人更快更全面，但做决定未必更强，并坦言自己没有恐惧因而也没有勇敢。刘元认为人类长处恰来自缺陷，早期投资人的乐观与非理性是 AI 难以拥有的，创业者精神比智力与背景更重要。

  4. Nathan Lambert: Interconnects74

    Nathan Lambert 撰文解析开源权重模型格局：中国领先约 2-5 个月追赶闭源前沿

    Nathan Lambert 将其给美国国会的演讲稿整理为 2026 年开源权重模型现状综述，认为中国模型（GLM-5.3、Kimi K3 等）已明确领先美国开源模型，AAII 得分 45/44 对美国最佳 26，开源与闭源前沿差距约 2-5 个月。

    推荐理由：作者以自建数据和演讲稿形式梳理中美开源权重模型的差距、采用与风险，读者可获得一份少见的系统性对比视角。

  6. elsewhere articles59

    葬AI评世界模型热潮：上不了大模型桌的人才另开一桌

    葬AI撰文称世界模型是伪概念，列举Loopit、生数、爱诗科技、Tripo等公司借世界模型叙事融资，实际多为后训练开源视频模型，产品集中于实时生成数字人直播间和WASD游戏画面且缺乏差异。文中认为MiniMax H3是唯一开源且能与Seedance 2.0一战的开源视频模型，支撑了这波世界模型宣发，并预告将推出直播间Bench测试实时生成视频模型。

  7. Simon Willison44

    工程师爆料：大公司全员用 Claude Code 生成代码，无人阅读

    一名新入职大公司半个月的工程师称，团队所有规格、代码、测试、PRD、工单及其解决方案、报告等全部由 Claude Code 生成，从 L1 到 L7 的工程师都在做同样的事——和 Claude 对话。团队无人喜欢这种做法，却被要求尽可能多地产出，高层多次表示推代码不是瓶颈，质疑为何还是慢，员工每天工作 12 到 13 小时只为按回车，没有人阅读任何内容。

  8. Peter McCrory38

    大体同意。一些实际启示： (1) 优先做能用新数据定期更新的分析 (2) 公开地做研究（根据新证据修正自己的观点） (3) 承认不确定性；做出可证伪的预测 (4) 真诚且谦逊

    引用Alex Imas@alexolegimas

    A few (personal) thoughts on reading empirical AI papers on the economy. Economists have gotten used to reading papers with super clean identification, arguing about the validity of an instrument, making sure parallel trend assumptions are satisfied. This is what gets you into a top journal, and it is *very* important research (no question here). But it also takes years and sometimes decades to get these types of papers right---people often don't find a good instrument to answer a specific causal question decades after the natural experiment. We will eventually have this type of research for AI as well, and it is absolutely necessary. But right we also need signals *right now*, even if they are noisier than what we are used to. We need papers where we can trust that researchers did their best methodologically, while at the same time acknowledging that the space is moving way too fast to wait for perfect identification. This will allow us to accumulate enough signals, coming at the same question using different angles, for example, to say "yes, X is likely happening in the economy". The AI exposure and early career hiring papers are a good example of this. There is no silver bullet paper with super clean identification. But at this point we have several independent teams reaching the same general conclusion, enough where we can say "there seems to be a slow down in AI-exposed, early career hiring."

9月20日周日
  1. elsewhere articles66

    峰瑞李丰分析全球流动性见顶后AI周期的走向与投资机会

    峰瑞资本李丰撰文判断，美欧日9月同向加息后全球流动性接近见顶，本轮美元驱动的AI金融周期进入存量博弈尾部，AI技术投资正从投最具想象力的应用转向投能赚钱的方向。文中列举巨头资本开支受市场惩罚、美国数据中心项目大面积取消或延迟、英伟达以租代买等五个资本开支转折信号，并认为拐点后机会在中国AI+应用、生物医疗与AI交叉以及SaaS的AI化等方向。

    推荐理由：作者以全球流动性和资本开支信号梳理AI周期位置，并给出向AI应用与低估资产转向的判断视角。

  2. elsewhere articles65

    Sayash Kapoor 与 Arvind Narayanan 分析 AI 会不会让论文更快却让科学进步更慢

    Sayash Kapoor 和 Arvind Narayanan 在 2025 年发表的文章提出生产—进步悖论：全球论文数量约每 12 年翻一番，1900 至 2015 年间增长约 500 倍，但诺奖成果诞生于获奖前 20 年内的比例从 1970 年约 90% 降至 2015 年约 50%，科学进步相对投入明显放缓。

    推荐理由：文章把 AI 加速科研的讨论从模型能力转向注意力、激励、可复现性和人类理解等制度瓶颈，提供了评估 AI 科研工具的三个问题。

9月19日周六
  2. elsewhere articles65

    YC 2026 夏季批次 236 家公司分析：Agent 退潮，创业重心向算力、芯片和实体世界下沉

    十字路口编译 Chris Lu 对 YC 2026 夏季批次 236 家公司、470 位创始人的分析。91% 的公司与 AI 相关，但模型以下的公司占比从春季批次的 8% 升至 20%，应用层从 55% 降至 39%；自主 Agent 公司占比从 45% 降至 33%。

    推荐理由：原文用同一套技术栈框架对比 YC 春夏两批公司数据，给出了 Agent 退潮、创业重心下沉到底层和实体世界的量化变化。