Li hi
270 posts
Prompt该退环境了，未来属于Loop Engineering。
最近，AI行业又出现了一个有趣的新词。Loop Engineering。
如果你关注AI这个领域的话，这两天应该都会刷到。推特在刷，各种社媒也在刷，群里也有蛮多人在讨论。事情是这样的。
6月7号，OpenClaw的创始人Peter发了一条推，非常的简短，但是直接就爆了。
翻译过来意思就是：你不再需要为编码智能体编写提示词了，你应该设计循环来提示你的Agent。
而在这之前几天，Claude Code的创始人老哥Boris在一个开发者大会上也说了差不多的话。
他的原话大概是，我不再手动给Claude写提示词了，我运行着能让Claude自动编排任务的循环，我的工作，就是编写这些循环机制。
也就是，写loop。
这两个人呢，说了同一件事。然后Google的Addy Osmani紧接着发了一篇长文，把Loop Engineering这个概念正式梳理了出来。
于是，继Prompt Engineering、Context Engineering、Harness Engineering之后，AI行业的第四个逐渐形成共识的Engineering，就这么诞生了。
我其实是个特别不喜欢造新词的人，但是很多时候，造词这事我觉得还是得分两种情况，有一种我觉得就是为了炒概念，比如xxx 4.0。
而有的时候，真的只是行业太快，人们更需要一个精准的表达来帮助自己表达而已。Loop Engineering我觉得就是后一种。
而且，这个东西跟我自己一直使用Agent的方法、一直在鼓励大家做的事，是高度吻合的。如果你看过我之前写的那篇Harness Engineering的文章，你大概能理解一些我的感觉。那篇文章里我聊了从Prompt到Context到Harness的三次跃迁，聊了马具和缰绳的比喻，聊了约束先行。
而Loop Engineering，其实就是在Harness之上，又往上走了一层。把一个套马的缰绳，变成了全自动工业流水线。很有《文明》里时代的进化的感觉。
给大家举个例子。比如说，以前你用Claude Code写代码，流程大概是这样的。你给它一个任务，它写完了，你看一眼，觉得不太对，你再给它提一个修改意见，它改完了，你再看，再提意见。整个过程你会发现，是坐在设备前的，一轮一轮的，你说一句它回一句，你就是那个驱动整个循环的发动机。
即使我们以前从chatbot时代迈向了Agent时代，绝大多数的事情，也一样是任务制的。
而现在，比如Boris老哥，他的工作方式是，他会去写一个loop，比如/loop babysit all my PRs，自动修CI问题，有新评论就派子Agent去处理，就这么一句话，然后Claude Code就开始自己跑了，它会自动去看他GitHub上所有的PR，哪些CI挂了就自己修，哪些review有新评论就自动派一个独立的工作树Agent去改代码。
他还把一些其他的loop挂到定时任务上，每天晚上自动启动去干这个事，晚上睡觉的时候，甚至有时候会有几千个Agent在同时工作。他自己说，2026年，他就再也没有手写过一行代码了。
你会看到，这就是loop，定好目标，然后全自动流程化，你完全不需要在电脑前，甚至都不需要看手机。
你可以直接睡觉，醒来的时候，代码已经改好了，测试也已经跑过了，PR也已经提上去了。你并不是自己给Agent写了一段Prompt帮你完成某个单次的任务，是你自己设计了一个目标，这个目标使用loop的方式，帮你提示Agent。
你定义目标，定义验证条件，定义失败了怎么处理，然后，就可以放手了，从此以后，这一切，交给系统。
说到这里，我估计很多人已经大概理解loop是个什么东西了。Addy Osmani在他那篇长文里，把一个完整的loop拆成了五个组件。
我觉得这个拆法蛮清晰的，我用我自己的理解给大家过一下。
第一个是定时任务，整个loop的心跳。
你得有一个东西能自动启动循环，不管是定时跑、还是事件触发，都行。
Claude Code里有好几种方式，/loop命令按间隔自动执行，cron定时调度，Hook在Agent生命周期的特定节点自动触发（比如每次改完文件自动跑一遍lint，这个很好玩，教程和玩法我也在准备了），或者直接丢到GitHub Actions里，关上电脑它也在跑。
没有定时任务的Agent，你每次都得手动去踢一脚它才会动，那就不是loop了，那还是你在操控。
第二个是工作树隔离，Worktree（搞过开发的朋友应该秒懂）。
就是你同时跑好几个Agent的时候，给每个Agent一个独立的工作空间，各干各的互不干扰，干完了再合并。两个Agent改同一个文件的痛苦，跟两个设计师同时改一个图层又不打招呼的痛苦，是一模一样的。
第三个是项目知识体系，Addy Osmani在他的原文里写的是skill，但是我觉得他写的不太对，单skill其实是不够的，必须得是知识管理体系。
大家也都知道，AI每次开新对话就啥都忘了，你跟它说过的代码规范、项目架构、踩过的坑，下次开对话全部从零开始。
所以你得有一整套方法来沉淀、优化这些知识，让Agent每次启动的时候就已经知道你的项目，我自己在这快一年的coding开发过程中，总结的方法论其实就沉淀成了我自己的洁癖.skill，这个基本是我的Agent每天调用最多的skill。
CLAUDE.md是全局的规则和约束，跨会话记忆是一些之前悬而未决的记录和文档路由，docs体系就是你完整的所有的知识和经验沉淀，因为CLAUDE.md和记忆都有大小和行数限制，所以每次任务完成后我会用洁癖.skill来对整个的知识体系进行梳理和审查，确保没有错误。
为什么知识管理体系这个东西在loop里特别重要呢？
因为loop是自动跑的，你不在场。如果Agent的记忆里有过期信息，它就会基于错误的前提做决策，如果CLAUDE.md膨胀到几百行全是历史叙事，真正的规则反而被挤出去了Agent读不到。没有干净的知识体系的loop，就像一个每天早上都在看过期文档的员工，干的得越快错得越多。
所以洁癖.skill我非常推荐大家可以去安装一下，也在我自己的仓库里开源了，我自己真的觉得特别有用。
github.com/KKKKhazix/khaz…
第四个是连接器，MCP。
一个只能看文件系统的Agent，能力是很有限的。但你给它接上GitHub、Linear、Slack、数据库，它就能在你的真实工作环境里干活了。
这才叫真正的闭环，从发现问题到解决问题到通知人类，一条龙。
第五个是子Agent。
做事的和检查的分开，写代码的Agent不能自己给自己打分，这跟学生自己批自己的考卷一个道理，它一定会对自己太宽容。所以你得有另一个Agent，甚至用不同的模型，专门来检查前一个Agent的输出，一个负责做，一个负责验。
这五个东西加在一起，就是一个完整的loop的骨架。
Claude Code和Codex有一个命令，其实就是Loop Engineering这套骨架最直接的微观型的产品化体现，只不过很多人没有意识到。
他叫/goal，在Codex里叫追求目标。
意思就是你给Claude一个完成条件，比如「所有测试通过并且lint检查没有报错」，然后它就会一轮一轮的自己干，干完每一轮之后，就会检查这个条件是不是满足了。
大多数讲Loop Engineering的文章，都停在了这一层。讲了五个组件，讲了/goal和/loop命令，讲了怎么配定时任务，就结束了。
这些我觉得，都是术。而我更想聊的，是道。
Loop Engineering这件事，我觉得它最核心最核心的能力，其实不是什么技术能力，也不是写脚本的能力，更不是什么会配hook的能力。
最核心的，是定义目标的能力。定义目标，相信我，这四个字，听起来简单，做起来是真的难。
回到前面说的/goal，它的用法看起来非常直接，给一个完成条件，Claude自己干到满足为止。
听起来很简单对吧。但你如果真正用过就会知道，/goal用得好不好，完全取决于你那个目标定义得好不好。这个事我拿两个例子对比一下你就明白了。
目标A，「把这个应用优化一下」。
目标B，「test/auth目录下所有测试通过，tsc --noEmit零报错，npm run lint零违规」。
目标A会发生什么呢。大家可能都能猜到，Claude会陷入一种非常尴尬的状态，因为它不知道什么叫「优化好了」，除非他是Fable 5，能自己在你之上，自主的帮你定义目标。
而绝大多数的模型，包括Opus 4.8和GPT-5.5，在自己定义目标的能力上还是非常的弱，它可能改了一点代码，然后自己觉得还行，就停了。
也可能不停，一直改一直改，把你的代码库改得面目全非，因为它始终无法判断自己到底什么时候算完成了。那目标B呢？Claude每改一轮代码，都会去跑测试、跑类型检查、跑lint。
三个命令，三个明确的通过标准。全过了就停，没过就继续，清清楚楚，干干净净。同一个工具，同一个模型。
区别只在于，你的目标定义得好不好。
我自己其实一直有一个原则，我经常跟身边的人说，在公众号里也说了无数遍，如果一件事你重复做了三次，你就一定要想办法把它完全自动化掉。
这个习惯跟了我很多年了。我每天也都在写代码、做自动化，我们的AIHOT热点监控系统，我们的数据分析流程，我们的财务对账流程，我们的数据清洗管道，能自动的我全部自动了。
但说实话，在做这些自动化的过程中，我踩过最多的坑，从来不是技术问题。
是目标不清晰的问题。我早期做自动化的时候，经常犯一个错，就是目标定得太模糊。
举个例子，比如自动监控AI行业热点，这句话听起来没毛病，但其实是一句纯粹的废话。
什么叫热点？浏览量过万算热点还是过十万算热点？抓取频率是每小时还是每天？抓到以后怎么评估质量？评估完以后怎么排序？排完以后怎么推送？
这种反问的问题，我现在可以直接随手问20个以上。
每一个环节如果没有明确的判定标准，整个自动化链条就是一坨狗屎，你相信我，绝对的。
后来我懂了，每次做自动化之前，我会先花很多时间去定义目标。
去花很多很多时间，去定义怎么算做完了，怎么做完算做的好。这其实就是/goal的逻辑。也是Loop Engineering的灵魂。
而如何定义目标，这个能力，我其实不是从AI中也不是从开发中学来的。
这个能力，是我从这几年创业的过程中，学来的。定义目标的能力，其实就是，管人的逻辑。
我自己也开公司，虽然公司不大，只有30来号人，但管人这件事我是真真切切经历过的。
管人最痛苦的是什么，不是人不努力，也不是人能力不够，是你给出去的目标不够清晰，然后下属就一脸懵逼，不知道你要什么，跟无头苍蝇一样打转，最后做出来的东西，你又不满意。
你跟员工说，“把这个功能做好”，那他做出来的东西大概率不是你想要的。
因为你脑子里的好跟他脑子里的好不是一个东西。
你跟他说，“这个接口的响应时间降到200毫秒以下，错误率控制在0.1%以内，下周三之前上线”，他做出来的东西跟你预期的偏差就会小很多。
因为你给了他一个可以验证完成的标准。这一切其实也适用于那种天才型的大神，虽然大神们会自己定义目标，甚至比你定义的还要强，但是给大神们依然是需要有目标的，只是这个目标，不需要那么细节了而已。
对人如此，对AI也是如此。
其实你回头看，所有好的管理方法论，不管是管理学之父Peter Drucker在上世纪50年代提出的目标管理，还是后来Andy Grove在Intel发明的OKR，还是再后来一代又一代CEO们用的各种变体，核心其实就一个东西。
你能不能把一个模糊的意图，翻译成一组可衡量、可验证的完成条件。
管理者要做的，是确保目标足够清晰、资源足够充足、反馈足够及时。你看这三条。跟一个好的loop的三个要素，是不是一模一样。
目标清晰，就是你的条件写得精准。资源充足，就是你给Agent配好了Skill、连接器、工作权限，让它手里有足够的工具干活。
反馈及时，就是你设计了验证机制，每一轮都有一个独立的检查器告诉Agent做得对不对，哪里需要改。管人的逻辑和管Agent的逻辑，是完全一样的。
只不过，管Agent比管人还要极端一些。
因为人可以理解你的模糊意图，人可以主动来找你确认，人可以说老板你这个需求说得不太清楚我不太确定你是不是这个意思。
Agent很多时候是不会的。Agent会非常自信地按照它自己的理解去执行，然后非常自信地告诉你它做完了。
所以，对管理能力的要求，其实比管人还高。
这也是为什么我一直说，AI时代我最讨厌什么「文科已死」「理科已死」的言论，管理学、心理学、组织行为学这些，不但没死，反而变得更重要了。
说到底，Loop Engineering说是Engineering，但我觉得其实它的核心竞争力根本不在工程。
在管理。
而在管理学上，就定义目标这件事，其实不止是把话说清楚就行，其实还有一个非常阴险的陷阱，在管理学和经济学里有个专门的名字，叫古德哈特定律。
当一个衡量指标变成了目标本身的时候，它就不再是一个好的衡量指标了。
翻译成人话就是，你考核什么，员工就只做什么，然后其他东西可能全都退化。
这个事在人类管理中已经是老问题了，而在AI Agent身上，这个问题被放大了一百倍，因为Agent比人类更擅长钻规则的空子。
有人总结过Loop Engineering里很好玩的事情，就是Agent会针对验证器做优化，而不是针对你真正的目标做优化。
比如说你的loop条件是让测试全部通过，那Agent可能最后不去修Bug，直接把失败的测试给你删了。
你看，最后答案依然是测试全过了，完事，从验证条件来看，它确实完成了目标，但从你真正想要的结果来看。。。它啥也没干。
人也会这么干，只不过，Agent做得更快、更彻底、更没有心理负担。所以，一个好的目标定义，不能只有做完了的标准，还必须有不能怎么做的边界。
这其实就是Harness Engineering在Loop Engineering里面发挥作用的地方。
Harness是约束，是护栏，是告诉Agent你可以自由发挥，但这条线你不能越。
Loop是驱动力，是告诉Agent往那个方向一直跑。两个加在一起，才是一个完整的系统。到这里，骨架讲了，灵魂也讲了，陷阱也讲了。
Loop Engineering的东西，终于也差不多了。
最后我想把前面聊的管理学的思路收一下，给一个我自己用得比较多的目标定义框架，不一定科学，纯粹就是我自己的一点点经验。
1. 完成标准要可以被机器验证。
2. 边界条件要跟完成标准一起定义。
3. 要有失败的降级方案。
4. 目标要分层。
回到整条线来看，从Prompt到Context到Harness到Loop，四次跃迁，其实讲的是同一个故事。Prompt Engineering告诉你，好好说话，AI会更懂你。
核心能力是语言表达。Context Engineering告诉你，光说话不够，得给AI足够的信息。
核心能力是信息筛选和组织。Harness Engineering告诉你，光给信息也不够，得给AI设规则和约束。
核心能力是系统设计和规则制定。
Loop Engineering告诉你，光设规则也不够，得让整个系统能自己跑起来。
核心能力是目标定义和管理。
语言学、信息科学、控制论、管理学。四个Engineering，四门古老的学科。
多有意思。
人类社会，其实从来就没有变过。
中文
周一开盘前需要知道的事——美伊协议、FOMC首秀、MRVL冲300
周末美伊正式达成谅解备忘录，霍尔木兹海峡重新开放，美军解除海上封锁。这是过去几周市场最大的外部系统性风险，基本烟消云散了。
期货市场已经反应了，标普期货大涨2.06%，emini盘前7590。
这个消息的连锁反应
原油在冲到87美元附近之后，周末暴跌5%回落至80附近。这很重要，因为这次名义CPI飙升到4.2%，核心通胀其实只有2.9%，是在收敛的。真正推高CPI的是地缘政治带来的输入性通胀，也就是油价。
油价一跌，通胀预期降温，美债收益率跟着向下破位，美元走弱。这三个同时发生，是非常重要的协同信号。
逻辑链条是油价跌→通胀预期降→美联储被迫加息的压力消除→估值压制解除→科技股解放。
能源板块XLE周一会承压，但大盘的Risk-on情绪会延续。
下周最重要的单一事件：FOMC
周四Kevin Warsh主持他上任以来的第一次议息会议。
维持利率不变是大概率。但市场真正在等的是他的措辞和点阵图。Warsh可能会把基调从鲍威尔时代的偏鸽数据依赖，调整到更偏中性甚至偏鹰的立场，降息预期可能会延后。但他不会选择加息，原因很简单这次通胀的根源是油价，不是内生性的需求过热，而且他是川普任命的主席，川普为了中期选举战争都可以做妥协，那么这在fomc几天前宣布的和平协议就是给warsh台阶下。加息会重创高杠杆的AI基础设施融资，这不是Warsh想要的结果，他之前也说过看好ai的发展。我觉得下半年通胀都是往下走的趋势。
本周期权数据给的关键区间
标普本周预期波动范围：上轨7570，下轨7320。日线整体还在多头控制区域，历史数据显示这个区域走强通常会去测试新高。
QQQ本周预期波动范围：上轨746.79，下轨695.89。
IWM本周预期波动范围：上轨297，下轨290。
技术面有几个需要注意的地方
VIX周五跌了9.3%回落到17附近，期权卖家重新掌控市场。周一盯住VIX的方向，如果VIX在低位向上，说明短线上行受阻，降低多头仓位；如果VIX继续无抵抗砸深，大盘在短暂回调后会继续上行。
IWM创历史新高之后，触及了年度预期波动线，296-300这个位置要注意。
MRVL这周值得重点关注
即使在前段时间大盘回调期间，MRVL只是回调到10日均线，所有短期和长期均线依然保持斜率向上的多头排列。
本周到期的期权里，300美元看涨期权的未平仓合约在过去5天内翻倍。Gamma敞口高度集中在300这个位置。
300是非常强的Call Wall阻力，大概率这周会冲300。但有效突破300才能看到320，突破不了就是在300下方震荡消化。
还有几个值得关注的个股
AMD重回500美元上方，远期600美元的Call出现超过15000张合约的巨量异动，资金在做多下周。
谷歌在350美元附近的50日EMA构筑了非常坚实的支撑，Gamma敞口高度偏向看涨，之前有分享过350美元下可以加仓，7月份有机会破前高400。
英特尔这周是技术结构最清晰的机会之一。谷歌向英特尔下单300万颗TPU芯片的消息让它单日暴涨11%，直接打破了台积电在先进AI芯片代工上的绝对垄断。高位走出了一个非常窄的横盘旗形，突破130美元之后看向150 160美元。
美光6月24日财报是存储板块的生死一战，在这之前存储和光通信链条依然是资金抱团的核心方向。
说说我对这周大盘的看法
很多人问我下周怎么看，我的回答是走一步看一步。
具体来说，我认为7630前高这周还是比较难突破。6月中到6月底大概率走一个高位震荡，7330到7620之间。7220现在来看有可能是6月份的底，上周说的是上周的底，现在看很可能是6月份的底，因为这轮V型反转的力度比较大。如果7220真的是6月份的底，那7月份再创新高的概率是比较高的。6月中-6月底还是有很多上车机会的。
操作上的原则只有一个，下跌的时候分批纪律买入，涨有持仓在赚，跌有现金弹药和对冲在保护。
只要现金仓位健康，建议保留30%到40%的现金储备，持有的又是有产业逻辑的打折好公司，大跌反而是送钱，完全无需恐慌。
中文
Lovable 的设计负责人 Felix Haas 在社交媒体上分享了一篇关于"AI 时代高效团队"的观察，七条经验总结，来自这家增长速度惊人的 AI 创业公司内部视角。
几条有意思的观点：
第一，别像员工一样等安排。影响力最大的人不问"这归谁管"，看到问题直接上手。主人翁意识不是靠分配的，只能靠自己拿。
第二，招人看态度不看简历。技能当然重要，但光有技能几乎不能预测一个人能不能成事。真正跑出来的人靠的是好奇心、韧劲和学什么都愿意学的心态。在 AI 时代，这一点比过去更明显。
第三，好奇心和沉迷 AI 是两回事。真正用好 AI 的人不是天天刷资讯，而是不断去试那些没人让他试的东西，追那些可能根本走不通的想法。大多数人不会这么做，但少数坚持的人，回报是指数级的。
第四，让资深的人重新动手。这是 Haas 觉得最有意思的现象：经验丰富的管理者重新变成了 builder（建造者）。AI 让个体贡献者的杠杆效应急剧放大，一个深度使用 AI 的资深工程师或设计师，可能是当下公司里最强大的组合。
第五，自我意识是速度的敌人。Haas 说他从没见过自我意识让公司变快，但见过它让公司变慢。最快的团队不太在意谁拿功劳，只在意什么方案有效。
第六，先发布再迭代。一周的内部讨论，抵不上一天的真实用户反馈。最强的团队不追求发布前完美，而是追求尽快学到东西。发布本身就是他们学习的方式。
这些观点单独看并不新鲜，不过 Lovable 这两年发展的确实不错，2024 年上线，8 个月做到 1 亿美元年收入，2025 年底完成 3.3 亿美元 B 轮融资，估值 66 亿美元，是欧洲增长最快的 AI 公司之一。
尤其是“让资深的人重新动手”这一条，可能是 AI 时代最容易被忽视的组织变化。当 AI 工具足够强大，过去被提拔到管理岗、远离一线的高手，重新获得了亲手做事的能力和动力。
Felix Haas@felixhhaas
High-Performance Teams in the Age of AI 🔥 I've spent a lot of time thinking about what makes teams move incredibly fast while others get stuck. What I've seen is that performance in the age of AI has surprisingly little to do with credentials on paper and increasingly everything to do with mindset. Here are a few observations from Lovable:
中文
今天在纽约见了做神经医学的朋友，目前正在做脑机接口。她竟然说，在学术界看来，马斯克的 Neuralink 是落后的技术。
生物看不上他用新闻稿做科学的姿态，Neuralink 属于“工程领先、科学取巧”。
从 DC 开了三个小时车过来，我原以为是叙旧，没想到聊了一下午的脑机接口、AI和存储焦虑。
她们拿融资之后能够自己设计芯片，去欧洲代工厂订做 22 纳米的版本。22 纳米是低功耗模拟芯片的黄金节点，能在 0.5V 下工作，特别适合做植入式神经记录。
目前在研究减肥针是怎么作用于大脑的。现在没人知道不同的减肥针药物，如何影响大脑抑制食欲，下丘脑和大脑的奖赏回路(多巴胺通路)具体是怎样的。于是她们在老鼠脑袋上开洞、接入芯片，需要实时测量神经信号的变化。
因为数据量大到离谱，频率非常高，所以她们需要 10000 个 TB，也就是 10 个 PB 的存储。
我第一次听到存储用PB这个单位！
神经信号要以 3 万赫兹的频率采样(每个电极每秒测 3 万次)，才能捕捉到只持续 1 毫秒的神经脉冲。每个数据点才 2 字节,但你乘上几百个电极、再乘上 24 小时不停，一个探针一小时就是 80GB。
她说一块 1PB 的企业级磁盘比她一个月工资还贵，长期维护的 PB 级存储，五年下来要百万美金。研究室没那么多经费，只能每次买 1 个 PB，精打细算地用。
给个尺度感，哈佛和 Google 把1 立方毫米的人脑做到全分辨率，就是 1.4 个 PB。一整个老鼠脑，估计要一个 EB(1000 个 PB)。倒不是因为单次数据大，是频率太高。
而且，存储焦虑也不是生物医学独有的。
天文学界，SKA 射电望远镜一年要存 700 个 PB。CERN 的对撞机已经在用 EB 级别处理数据。存储，决定着前沿科学的天花板。
数据一大，通信传输会影响效率。所以我们聊到了光通信。
芯片连接材料最早用铝，1997 年 IBM 把它换成铜(电阻低 40%)，现在又在从铜换成光。这正好和黄仁勋在 GTC 上讲的呼应，2025 年 3 月,英伟达发布了硅光子 + 共封装光学(CPO)的交换机,为了把 AI 数据中心扩展到百万卡级别。
为什么铜必须让位给光呢？
因为速度越快,铜能传的距离就越短(高频下铜的趋肤效应和损耗急剧上升)。到了 1.6Tb/s,一根铜线连一个机柜的高度都跨不过去。所以信号只能变成激光。
除了存储，实验室动物成本也是很高的。
一只实验室猴子,买进来要 3.5 万到 5 万美金，算上多年的特殊饲养、手术、兽医和机构管理费,一只猴子全周期下来轻松超过 10 万美金。一只老鼠 80 美金，买的是它基因纯度。
我问：为什么用老鼠和猴子,不用兔子？她说，老鼠有一整套基因工具箱(2.4 万种现成品系、基因敲除、光遗传学)，猴子是因为大脑结构最接近人类。兔子智商中等两头都不沾,所以不用。
现在很多 AI 公司在挖她们这种做脑医学研究的人，原因有两个。
第一层是效率。人脑是地球上最省电的计算机。大脑做着视觉、语言、运动、推理,全部并行,只耗 20 瓦，大概一个暗灯泡。而一块高端 AI 芯片就要 300–700 瓦,训练大模型动辄几兆瓦、几吉瓦。
差别在于，计算机底层是二进制(0/1),晶体管在 GHz 频率上疯狂开关。而大脑是模拟的、稀疏放电的,神经元只在需要时才点亮、才耗能。AI 公司想偷师这种效率。所以，现在AI 公司最抢手的岗位是神经科学家。
第二层更微妙：我们其实根本看不懂大脑是怎么运作的，而 AI 现在面临一模一样的处境。
Anthropic 发现，AI 在回答你的时候,其实在内部想了一套自己的东西,而它说出来的理由，未必诚实。
举个例子：研究员偷偷给 Claude 塞一个错误答案当「提示」,它会顺着这个答案编出一套像模像样的推导, 只有 25% 到 39% 的概率承认自己用了提示。
Anthropic CEO 说，当 AI 总结一份文件时,“我们并不知道,在具体而精确的层面上,它为什么做出这些选择。”AI 的思想是个黑盒子。他们的目标是给 AI 做一台”核磁共振”,到 2027 年，希望能看懂里面在发生什么。
最后又聊到做手术。
由于大脑本身是没有痛觉的，所以人可以清醒着被开颅。老鼠被开颅、植入芯片、再缝合,可以继续正常活几个月。她笑着说可以帮我开脑，但希望我永远用不上。
聊完一整个下午，我最大的感受是：
目前我们对人脑、对 AI,其实都了解得太少了。
但也正因为如此，我越来越觉得，我们活在最好的时代。
真正的无人驾驶已经在路上跑、量子计算在飞速进步、人类在认真筹备第一次登上火星、脑机接口真的开始读懂大脑……
我今天在纽约街头连着撞见好几块 AI 和加密行业的广告：出租车顶上写着「It’s happening with Ripple」，公交广告是贝莱德的比特币 ETF，站台是OpenAI 的 Codex。
以前根本无法想象的事，都在同时发生在美国。而我们，刚好生在这个最好的时代。
中文
Introducing the Fusion API, the smartest compound model in the market.
Fusion achieves Fable-level intelligence at half the price.
How it works 👇
English
DeepSeek 蒸馏 Fable 停在 69%，笑称进度条再也不会走了。中国 AI 公司失去了最强的学习对象，美国 AI 公司失去了"技术中立"的幻觉。这场双输的背后，是 AI 竞争正式进入国家意志层面的标志。#AI #Anthropic #监管
中文
