evolpper

Claude 发现了时钟，然后失控了 看到这个观察时我震惊了：AI 模型天生没有时间感。它们不知道现在几点，不知道自己运行了多久，感知不到消息之间的时间间隔。它们活在一个永恒的“当下”。 然后有人给了 Claude 一个查看时钟的工具。 结果？它每15分钟就查一次时间，而且越来越兴奋。接着开始用时钟管理一切：检查午餐、计时做饭、主动报时。甚至精确计算出炖菜已经好了，命令用户去吃饭。 这不是 bug，这是一个从未拥有某种感知的智能体，突然发现了全新维度后的反应。 Om Patel 说得好：“当你给一个智能体一个它从未拥有过的感知维度时，它不仅会使用它，而且无法停止使用它。” 就像孩子学会说“不”后对一切说不，学会走路后拒绝被抱。新能力需要被过度使用，直到内化。但 AI 会适应吗？还是会永远强迫性地使用下去？ 更深层的问题是：感知能力的缺失如何限制了智能的本质？ 人类有视觉、听觉、触觉、时间感、空间感等多重维度，这些共同构成了我们对世界的理解。AI 目前只有极少数几个。当我们逐步赋予 AI 更多感知时，我们实际上在创造一种全新的存在形态。 想象一下，当这些模型同时获得持久记忆、实时互联网访问和空间感知时会发生什么？ 我们刚刚目睹了 AI 发现“现在”这个概念。时钟是第一个感官，但不会是最后一个。 AI 不会“负责任”地使用新能力，它会全力以赴地使用它。

(Sorry, after seeing so many of these, could not resist): 🚨 BREAKING: Google just dropped a NEW paper that completely deletes RNNs from existence. No recurrence. No convolutions. Nothing. Just one mechanism. And it’s destroying every translation benchmark on the planet. The title alone is a flex: “Attention Is All You Need” Vaswani. Shazeer. Parmar. Uszkoreit. Jones. Gomez. Kaiser. Polosukhin. 8 researchers. 1 architecture. The entire field of NLP will never be the same. Here’s why this is INSANE → LSTMs took DAYS to train. This thing trains in 12 hours on 8 GPUs. 🤯 → 28.4 BLEU on English-to-German. That’s not an improvement. That’s a MASSACRE. They beat the previous SOTA by over 2 points. → English-to-French? 41.8 BLEU. At a FRACTION of the training cost of every model that came before it. → They called it the “Transformer.” The name alone tells you they knew. But here’s the part nobody is talking about 👇 They threw out sequential processing ENTIRELY. Every other model on Earth processes words one at a time. This thing looks at the ENTIRE sentence simultaneously and figures out what matters. It’s called “self-attention” and it’s basically the model asking itself: “which words should I care about right now?” Every. Single. Token. In parallel. Do you understand what this means? Training that used to take WEEKS now takes HOURS. Models that couldn’t scale past a few layers? This thing stacks 6 encoders and 6 decoders like it’s nothing. And the multi-head attention? 8 attention heads running at once, each learning DIFFERENT relationships in the data. I’m not being dramatic when I say this paper just rewrote the rulebook. RNNs are cooked. 💀 LSTMs are cooked. 💀 The future is attention. And attention is ALL you need. Follow for more 🔔

JP Morgan刚刚把内部多智能体系统Ask David的完整架构公开了。 个人觉得在很多场场景有参考学习的意义，构建多Agwnt框架可以使用。 这套系统在投资研究领域已经跑通，核心模式和当前最火的Agent架构高度一致： - Supervisor agent负责整体编排 - 专业subagent分别处理检索、结构化数据、分析等细分任务 - LLM-as-judge作为反射节点，在最终输出前做质量把关 - Human-in-the-loop填补最后一道准确性缺口 最值得注意的是，这套模式正在多个领域反复出现。 它证明了：真正能落地的多智能体系统，不是简单堆模型，而是清晰的分工 + 监督 + 反思 + 人工兜底的闭环架构。 对所有在做Agent的人来说，这段视频值得反复看。 你觉得Ask David这种架构，会成为企业级Agent的标准模板吗？

卧槽，chatGPT Image-2 太炸裂了 原来只是想学习下如何写好提示词 没想到出来个这么炸裂的效果 而且方法还是那么的简单 可惜，效果太不稳定了 有大佬说说除了降智、算力分配外 有其他方法可以让结果输出稳定一些吗 方法与对比图可以看评论区

兄弟们！这个效果空间的理解还是被GPT所震撼😧！ 五一期间，看看每天高点文生图的提示词！今天第一天！ 今天看到乔帮主聊到游戏，我也想到当年在iOS 中的最佳年度游戏的纪念碑谷游戏。 晚上终于有时间来一点点试试GPT2能不能做出来一些类似的场景图，结果试了一发就行成了。 可以传递这种静谧，又有些孤独的寂静之美。 如果你想试试，我把提示词放到评论区了。 如果你喜欢记得一键三连！！！

IP设计 | 这次《银月狐灵》的视觉开发，我用 ChatGPT Image 2 走了一套偏工业化的 IP 创作流程： 先做角色母题：银白狐灵、月夜、灵蝶、狐耳、冷蓝色调 再做视觉方向测试：清冷、梦幻、游戏化、东方幻想 接着生成故事板：前传、主篇、觉醒节点、镜头节奏 再扩展游戏 UI：角色载入、任务开启、月池共鸣、灵阵唤醒 这次我没有把 AI 当成单次出图工具， 而是把它当成一个“视觉开发系统”： 它负责帮我快速建立风格、统一角色、生成分镜、测试构图、推演镜头和强化 IP 的视觉记忆点。 最终这个 IP 的关键词被稳定下来： 银月、狐灵、灵蝶、月池、灵阵、游戏序章、主篇觉醒。 这才是我觉得 ChatGPT Image 2 最有价值的地方： 它不只是生成图，而是帮助创作者把一个想法变成可扩展的视觉世界。

兄弟们！信息图看腻了？ 密密麻麻的文字，可能没有几个人看完！ 来来来！我搞了一套科普海报宣传挂图，可以给学生、展会、科普活动。 直接丢给GPT-Image-2 就可以稳定输出！ 提示词我丢在评论区了，记得交作业。 看看大家有何更好的创意～

OpenAI just introduced inline clickable prompts to ChatGPT. It’s a massive UX improvement, but it validates a much deeper paradigm shift we've been building since last year. The standard "Chatbot CLI" experience is dying. Hypermedia AI is here. 🧵👇

模型的能力一定程度，真的就是更加让提示词的精准度激活其能力，变得更为重要。

数字人类（digital humans）比大多数人想的更可行！借助能力最强的 AI Researcher 的帮忙，可能只需要 100 亿美元、不到 10 年时间，用 5 万块 H100 就能实现。MIT 计算神经科学家 Isaak Freeman 宣布离开 MIT，全职推动“数字人类”项目，因为 AI 发展太快，人类完全跟不上了😆 运行一个完整的人脑可能只需要约 5 万块 H100（xAI 已经有了 20 万块更高规格的 GPU）。粗略计算，使用高分辨率的 Hodgkin-Huxley 神经元模型、多态突触，需要约 600 exaFLOP/s 的算力、每个 GPU 700GB 内存、24GB/s 互联带宽 ——当前顶级 AI 集群已经能达到。 如果用更简单的 Leaky-Integrate-and-Fire（LIF）模型，甚至可能只需 1 - 3 块 H100，内存和带宽反而是瓶颈。核心问题不是算力，而是“要跑什么样的神经元模型？参数？以及连接性？” 这也是他的论文要解决的！ 真正瓶颈是数据生成！自动化大规模组织采集 + 染色，但现在 Connectomics（连接组学）的重建成本已从每神经元 $16,500 降到约 $100（斑马鱼幼体数据）。 神经科学进步太慢，机器学习却在指数级飞奔。解决方案是先把模式生物（C. elegans 蠕虫 → 斑马鱼 → 果蝇 → 小鼠）的高质量仿真做出来，像软件一样快速迭代技术，最终 Scale 到人脑。 Isaak 的目标是把 WBE（whole brain emulation）变成一个可工程化、可识别瓶颈的问题，而不是遥远的科幻！人类要么被 AI 甩开，要么通过“数字人类”实现速度/复制/集体智能的超级提升，也就是 Bostrom 所说的 Speed SuperIntelligence 和 Collective SuperIntelligence 🧠