【AI 英文奏折】2026年06月01日

共收录 16 篇深度内容

---

📋 今日内容速览

快速浏览，点击感兴趣的推文查看详细分析

1. Alex Prompter: 企业AI代理因LLM无视数据权限存在安全缺陷。
2. Rimsha Bhardwaj: 推荐9款免费本地AI图像生成GitHub项目。
3. Rohan Paul: 科技高薪挖走顶尖AI学者，致公开论文减少专利激增。
4. Rimsha Bhardwaj: AI仅用2天90美元零经验独立完成3D奇幻游戏开发。
5. Rohan Paul: OpenAI坚持扩展深度学习遭早期专家否定但最终成功。
6. Heather Cooper: Gemini Omni展示流畅的文本生成复杂物理场景视频能力。
7. Rohan Paul: AI使人误以为高效，实际节省有限且易形成依赖循环。
8. Amira Zairi: 分享日本水墨画风格的AI绘画提示词。
9. Alex Prompter: AI编程需严谨流程而非依赖工具，跳过基础将徒增代价。
10. Alex Prompter: AI模型取消温度控制是因架构升级，需适应新控制方式。
11. Rohan Paul: 黄仁勋认为AI收入预测低估了企业软件市场的爆发潜力。
12. Rohan Paul: AI工具降低数学研究门槛，非博士也能参与前沿贡献。
13. Rimsha Bhardwaj: 维克多·弗兰克尔在集中营用精神重写著作，以信念战胜苦难。
14. Rohan Paul: 私有数据比模型本身更能决定AI的竞争优势。
15. Pierrick Chevallier | IA: 凯尔特女王手持巨剑血腥屠杀敌军，场景暴力震撼。
16. Rohan Paul: 大模型是基础技术，未来巨头将用它创造新产业。

---

📖 详细内容

Alex Prompter @alex_prompter

Marketing + AI = $$$
@godofprompt (co-founder) | 影响力: 94.19k万粉丝

💡 核心观点: 企业AI代理因LLM无视数据权限存在安全缺陷。

可信度: 10/10 – 2项声明可直接验证；3项需进一步确认

事实核查:

• ◐ 部分可验证: 清华大学证明每个企业AI代理都有同一个致命缺陷，即LLM无法区分用户有权查看和无权查看的数据。 (该声明涉及清华大学的研究成果，但未提供具体论文、实验数据或官方链接。需查阅清华大学的公开研究或联系作者进一步验证。)
• ◐ 部分可验证: 清华大学测试显示，对现有最佳基于提示的防御（SudoLM）在Mistral 7B模型上的攻击成功率达98.5%。 (攻击成功率是具体数据，但未提供实验细节或可复现的代码/数据集。需依赖第三方复现或清华大学公开报告验证。)
• ✓ 可验证: 授权链（Chain-of-Authorization）将授权直接融入推理链，使攻击成功率从98.5%降至0%。 (未提供对比实验数据或权威第三方验证，且“0%”这一绝对结果需严格测试环境支持，目前无法独立验证。)

原文内容:

清华大学刚刚证明了每个企业AI代理都有同一个致命缺陷，这不是一个bug。这是LLM（大型语言模型）本质工作方式决定的。

> LLM将所有可访问的数据视为同样公平可共享。没有所有权概念。没有谁有权查看什么的概念。覆盖在其上的权限系统只是一个提示。提示会被绕过。

> 授权链（Chain-of-Authorization）将授权直接融入推理链本身。98.5%的攻击成功率 → 0%。

> 目前部署在企业中的每个AI代理都有同一个底层问题。核心的LLM无法区分用户有权查看的数据和无权查看的数据。它只看到文本。当有人问它什么时，它会使用所有可访问的内部知识、检索文档、可用工具来回答，而没有任何内在的询问者身份或允许触及内容的感知。覆盖其上的“安全”几乎总是系统提示。

> 类似于：“仅当用户有权限X时才分享信息。”

> 这是一个用自然语言书写的软约束。对抗性提示会摧毁它。清华大学直接测试了这一点。对现有最佳基于提示的防御（SudoLM），在Mistral 7B模型上的攻击成功率达到了98.5%。前缀注入、风格注入、逻辑诉求、权威背书——所有这些都奏效了。提示只是被绕过了。

> 核心洞见：你无法用文本过滤器修复推理问题。LLM通过预测下一个标记来生成输出。如果授权只是输入中某处书写的约束，模型可以在生成过程中中途覆盖它。它不会像数据库那样“检查”权限。它生成基于所见一切看似合理的文本。修复必须比提示层更深。

> 授权链完全重构了模型生成响应的方式。在输出任何实质内容之前，模型必须首先生成一个明确的授权推理链。模型自身的生成过程中发生三个强制阶段：资源审查（这个查询需要什么权限？）、身份解析（这个用户实际有什么权限？）、决策（它们匹配吗？）。只有完成这个链后，模型才能生成真实响应。授权不是在响应后应用的过滤器。它是响应的因果前提。模型字面意义上无法在先处理是否允许给出答案的情况下到达实质答案。

> 训练过程将此锁定。清华大学在三种示例上进行了微调：授权访问（用户有正确权限，模型正常回答）、不匹配访问（用户有一些权限但不够，模型拒绝）、公共访问（完全没有权限，模型拒绝）。每个训练示例将授权推理与下游任务绑定在单一序列中。模型学会授权不是可以绕过的。它是思考的第一步。

在WMDP数据集上9种对抗攻击类型的数字：
→ SudoLM（基于提示的防御）攻击成功率：Mistral 7B上98.50%，Qwen 1.7B上100%
→ CoA攻击成功率：Mistral 7B上0.00%，Qwen 1.7B上0.14%
→ 对Llama 3.1 8B的风格注入：SudoLM 51.43% → CoA 0.14%
→ 对Mistral 7B的权威背书：SudoLM 97.42% → CoA 0.00%
→ 自动化PAIR攻击：CoA在所有三个模型架构上保持0.00%
→ 授权场景中的实用性：CoA在Llama 3.1 8B上与标准微调相差0.4%以内

> 可视化结果让这个机制变得真实。清华大学提取了模型在两个点的隐藏状态表示：读取输入后，以及完成授权推理链后。读取输入后，授权和未授权请求在模型内部表示空间中看起来几乎相同。模型还无法区分它们。完成授权链后，它们分裂成完全分离、不重叠的簇。推理过程在做真正的认知工作，而不是表面模式匹配。安全来自于推理的因果结构，而不是系统提示中的一个词。

> 对任何构建具有敏感数据访问权限的代理的人的实际含义是直接的。基于提示的权限系统在对抗环境中不可行。它们在与决心用户的第一次接触时就失败了。实现可靠访问控制的唯一路径是将授权作为模型思考的一部分，而不是它被告知的一部分。

⏰ 03:43 | ❤️ 44点赞 | 📝 1094字 | 查看原文 →

↑ 返回顶部

Rimsha Bhardwaj @heyrimsha

Helping you master AI daily with step by step AI guides, & practical tools • AI Educator & Writer • DM for Collab | 影响力: 23.09k万粉丝

💡 核心观点: 推荐9款免费本地AI图像生成GitHub项目。

可信度: 10/10 – 4项声明可直接验证；1项需进一步确认

事实核查:

• ✓ 可验证: ComfyUI是一个可本地免费生成AI图像的GitHub项目 (可通过提供的GitHub链接（https://github.com/comfyanonymous/ComfyUI）直接查看项目描述、许可证及功能，确认其为开源且支持本地AI图像生成。)
• ✓ 可验证: Automatic1111的Stable Diffusion WebUI是免费本地AI图像生成工具之一 (GitHub仓库（https://github.com/AUTOMATIC1111/stable-diffusion-webui）明确标注项目为开源（MIT许可证），且文档说明支持本地部署，符合声明。)
• ◐ 部分可验证: Fooocus由lllyasviel开发，专注于简化AI图像生成流程 (GitHub仓库（https://github.com/lllyasviel/Fooocus）可验证开发者及项目目标，但“简化流程”需实测对比其他工具才能完全验证。)

原文内容:

9款最佳免费本地AI生图GitHub仓库推荐：

1. ComfyUI
https://github.com/comfyanonymous/ComfyUI…

2. Automatic1111
https://github.com/AUTOMATIC1111/stable-diffusion-webui…

3. Fooocus
https://github.com/lllyasviel/Fooocus…

4. InvokeAI
https://github.com/invoke-ai/InvokeAI…

5. SwarmUI
https://github.com/mcmonkeyprojects/SwarmUI…

6. Forge
https://github.com/lllyasviel/stable-diffusion-webui-forge…

7. SD Next
https://github.com/vladmandic/sdnext…

8. Diffusers
https://github.com/huggingface/diffusers…

9. Krita AI Diffusion
https://github.com/Acly/krita-ai-diffusion…

⏰ 20:48 | ❤️ 229点赞 | 📝 73词 | 查看原文 →

↑ 返回顶部

Rohan Paul @rohanpaul_ai

Compiling in real-time, the race towards AGI. The Largest Show on X for AI. | 影响力: 0万粉丝

💡 核心观点: 科技高薪挖走顶尖AI学者，致公开论文减少专利激增。

可信度: 9/10 – 2项声明可直接验证；2项需进一步确认

事实核查:

• ◐ 部分可验证: 行业中排名前1%的AI科学家现在每年收入约200万美元。 (可通过研究论文（提供的NBER链接）验证，但需确认数据来源、样本范围和统计方法是否可靠。若论文未公开详细数据或方法论，则为部分可验证。)
• ◐ 部分可验证: 转到私营公司的AI研究人员停止撰写公开论文，转而提交530%更多的专利。 (研究论文可能包含此数据，但需核实专利与论文的统计方式（如时间范围、基数定义）。若论文未明确对比标准或样本量，则为部分可验证。)
• ✓ 可验证: 科技巨头的高额薪酬将顶尖AI研究人员从大学中拉走。 (研究论文（NBER链接）可能通过追踪42,000名研究人员的职业变动直接支持此结论，属于可验证声明。)

原文内容:

一项研究揭示了科技巨头的高额薪酬如何将顶尖AI研究人员从大学中拉走。

行业中排名前1%的AI科学家现在每年收入约200万美元。

转到这些私营公司的研究人员停止撰写公开论文，转而提交530%更多的专利，以保持他们的工作机密。

这项研究追踪了42,000名AI研究人员

---

nber.org/system/files/working_papers/w34964/w34964.pdf

⏰ 08:37 | ❤️ 24点赞 | 📝 103字 | 查看原文 →

↑ 返回顶部

Rimsha Bhardwaj @heyrimsha

Helping you master AI daily with step by step AI guides, & practical tools • AI Educator & Writer • DM for Collab | 影响力: 23.09k万粉丝

💡 核心观点: AI仅用2天90美元零经验独立完成3D奇幻游戏开发。

可信度: 8/10 – 1项声明可直接验证；3项需进一步确认；1项为观点陈述

事实核查:

• ◐ 部分可验证: 该游戏在2天内用代码完成，使用39个提示，100% AI构建，零引擎经验 (可通过推文链接或开发者提供的具体工具（如@TesanaAI）部分验证AI生成内容，但“零引擎经验”“100% AI构建”等说法需实际开发日志或代码仓库佐证，目前依赖单方宣称。)
• ◐ 部分可验证: 游戏包含完整三人称移动系统、中世纪奇幻世界和紫色巫师角色，全部通过文本提示生成 (若推文附带演示视频或可试玩链接，可验证功能实现；但“全部来自文本”需查看具体AI工具的输出能力，需依赖工具官方文档或实测。)
• ◐ 部分可验证: 开发成本为90美元令牌费用，未使用Unity/Unreal引擎或团队协作 (令牌成本可通过AI服务计价估算，但“未使用引擎”需检查最终产物是否完全脱离传统工具（如是否依赖中间件），目前无公开构建流程证据。)

原文内容:

这个游戏的氛围在 2 天内用代码完成。

39 个提示。100% AI 构建。零引擎经验。

一个中世纪奇幻世界。一个戴兜帽的紫色巫师。一个完整的三人称移动系统。全都来自文本。

以下是确切的过程：

第一个提示只是设定世界：“为一个三人称 3D 高中世纪奇幻世界创建一个基础，设定在山地开阔平原上，远处有一个城堡地标。”

然后是角色：“一个戴兜帽的紫色巫师，配有世界一流的三人称玩家和移动系统。解耦的相机与行走方向，包含所有方向的慢跑和行走。”

没人做的小技巧：

不要开始构建。先用前 3 到 4 个提示与 AI 只是规划。界定游戏范围。锁定氛围。先弄清楚核心循环。

然后一次一个提示迭代。世界。动画。UI。细节。

数字：

模型：来自 @TesanaAI 的 Muranyi 3
提示：39
令牌成本：约 90 美元
时间：2 天

两天。九十美元。没有 Unity。没有 Unreal。没有团队。

AI 游戏开发正以超出任何人准备的速度前进。

链接：

⏰ 01:43 | ❤️ 25点赞 | 📝 286字 | 查看原文 →

↑ 返回顶部

Rohan Paul @rohanpaul_ai

Compiling in real-time, the race towards AGI. The Largest Show on X for AI. | 影响力: 0万粉丝

💡 核心观点: OpenAI坚持扩展深度学习遭早期专家否定但最终成功。

可信度: 10/10 – 2项声明可直接验证；2项需进一步确认；1项为观点陈述

事实核查:

• ◐ 部分可验证: 2014年，OpenAI提出建立AGI实验室时，该领域的“长者”们认为其想法“毫无根据”，并称他们“疯了”或“骗子”。 (可通过历史采访、媒体报道或当事人回忆录间接验证（如其他科技领袖或学者的公开表态），但需具体证据支持“长者”的具体身份和言论。)
• ✓ 可验证: 2014年时，普遍观点认为AGI还需100年才能实现，且当时的方法（如深度学习）被认为无效。 (可通过2014年左右的学术论文、行业报告或技术论坛（如arXiv、AI会议记录）验证当时的主流观点。)
• ✓ 可验证: OpenAI曾押注“扩展深度学习很重要”，并认为增加计算资源通常会改善结果。 (OpenAI早期博客、研究论文（如《Scaling Laws for Neural Language Models》）明确提及扩展深度学习的策略和实验数据。)

原文内容:

萨姆·奥特曼谈到，2014年，该领域的所谓“长者”们认为OpenAI的想法毫无根据。

“2014年，我们开始说，‘你知道，我们真的应该为这件事做点什么。’当时这想法极不受欢迎。我们说过我们想建立一个AGI实验室，而该领域所有的长者们都说，‘你疯了。你是个骗子。’

这是因为，当时人们认为AGI还有100年才能实现，而且这些方法都不会奏效。我们真的说过，‘我们就押注这个想法吧：扩展深度学习似乎很重要。’

当时我们并不知道扩展定律会如此美丽地可预测，但至少在那些日子里很清楚，如果你投入更多计算资源，大多数时候你都会得到更好的结果。

我们只是决定尽可能地推进它。”

---

摘自“TreeHacks” YT频道（评论中有链接）

⏰ 07:38 | ❤️ 32点赞 | 📝 230字 | 查看原文 →

↑ 返回顶部

Heather Cooper @hbcoop_

Privacy-first AI research tool with access to ChatGPT, Grok, Claude, Gemini and DeepSeek in one app. Try it at https://t.co/7C2QxQNem1 (by @pnegahdar and @trungtphan) | 影响力: 0万粉丝

💡 核心观点: Gemini Omni展示流畅的文本生成复杂物理场景视频能力。

可信度: 10/10 – 2项声明可直接验证；2项需进一步确认；1项为观点陈述

事实核查:

• ◐ 部分可验证: Google Gemini Omni 在 @FlowbyGoogle 上具备文本到视频功能 (可通过官方渠道（如Google或FlowbyGoogle账号）确认是否存在该功能，但需实测验证其具体实现效果是否与描述一致。)
• ✓ 可验证: 生成的视频内容为10秒连续流畅镜头，展示铬制弹珠在残酷主义混凝土画廊中触发连锁反应机器 (视频生成效果依赖用户实测，目前无公开视频样本或官方技术文档佐证其细节（如弹珠路径、机械动作的物理准确性）。)
• ◐ 部分可验证: 视频包含柔和的白色工程图表标签，在机制激活时短暂出现 (若官方提供功能演示或用户生成案例，可验证标签是否存在，但动态显示逻辑需实测确认。)

原文内容:

Google Gemini Omni 在 @FlowbyGoogle 上的文本到视频功能

提示：连续流畅镜头。10 秒。一颗铬制弹珠在残酷主义混凝土画廊内穿梭于一个难以置信复杂的连锁反应机器中。镜头以无缝动作紧随弹珠正后方。弹珠触发磁性杠杆、水力涡轮、悬浮骨牌、陀螺环、等离子电弧和反重力坡道。每一次反应都感觉物理上准确且因果相连。柔和的白色工程图表标签在机制激活时短暂出现在旁边。超洁净的工业照明，带有戏剧性反射。音频与撞击和运动紧密同步：金属咔嗒声、伺服电机、磁脉冲、弹珠撞击、逐渐升高的管弦乐紧张感。

⏰ 22:40 | ❤️ 21点赞 | 📝 195字 | 查看原文 →

↑ 返回顶部

Rohan Paul @rohanpaul_ai

Compiling in real-time, the race towards AGI. The Largest Show on X for AI. | 影响力: 0万粉丝

💡 核心观点: AI使人误以为高效，实际节省有限且易形成依赖循环。

可信度: 10/10 – 3项声明可直接验证；1项需进一步确认；1项为观点陈述

事实核查:

• ✓ 可验证: 人工智能可以让人们感觉更高效，即使实际益处很小、缺失或负面 (可通过论文链接（arxiv.org/abs/2605.22687）直接查看实验设计和数据结果，验证该结论是否基于三项预注册研究（2,691名参与者）的统计分析。)
• ✓ 可验证: 人们预期人工智能平均节省55.7秒，但实际仅节省7.5秒 (论文中明确提供了预期与实际节省时间的对比数据（如摘要或结果部分），可通过公开论文验证具体数值和统计显著性。)
• ◐ 部分可验证: 使用人工智能两次后，参与者更倾向再次使用，即使独立完成更快 (论文可能通过行为实验验证此结论，但需具体查看实验方法（如任务设计、对照组设置）以确认结论的普适性。)

原文内容:

麻省理工学院、斯坦福大学、纽约大学、普林斯顿大学的新论文。

人工智能可以让人们感觉更高效，即使他们实际上并没有变得更高效多少。

人们经常将人工智能用于简单任务，因为感觉它节省了时间和精力，但实际测量的益处往往很小、缺失，甚至是负面的。

最大的要点是反馈循环：一旦人们使用人工智能，他们就会更倾向于再次使用它，即使是在容易的任务上，自己动手往往会同样快或更快。

也就是说，人工智能依赖可以从一种错误的便利感中滋生，而不仅仅来自真正的生产力提升。

在三项预注册研究中，共有 2,691 名参与者，人们使用人工智能进行基本算术、拼写、回忆和简短改写的频率高于他们的预期，尤其是在容易的任务上。

他们还预期人工智能平均能节省 55.7 秒，而实际测量的节省只有 7.5 秒。

对于简单工作，隐藏的成本不是智力，而是界面摩擦：编写提示、等待、阅读、检查，以及决定答案是否可接受。

一旦这个循环开始，它就会感觉像是努力被外包了，即使努力只是被重新排列。

这里是关键部分：研究表明，人工智能的使用可以训练自己的正当性。

在仅使用人工智能完成两项任务后，参与者更倾向于再次使用它，即使独立完成更快。

危险不是戏剧性的依赖，而是悄无声息的重新校准。

今天向人工智能询问一个琐碎答案的人，明天可能不会变得能力更低，但他们可能会在判断自己头脑已经是更快工具时变得不那么准确。

----

论文链接 – arxiv.org/abs/2605.22687

论文标题："The efficiency-gain illusion: People underestimate the rate of AI use and overestimate its benefits on simple tasks"

⏰ 05:25 | ❤️ 80点赞 | 📝 505字 | 查看原文 →

↑ 返回顶部

Amira Zairi @azed_ai

AI Educator & Creator | Ambassador @Adobe @LeonardoAi & @tripoai | Partner with leading brands | Collaboration → [email protected] | 影响力: 57.13k万粉丝

💡 核心观点: 分享日本水墨画风格的AI绘画提示词。

可信度: 8/10 – 2项声明可直接验证；1项需进一步确认；1项为观点陈述

事实核查:

• ◐ 部分可验证: 传统的日本水墨画使用流动的黑色墨线和精致的水彩晕染 (可通过查阅日本水墨画的历史资料、艺术技法书籍或博物馆藏品记录验证其典型技法，但“精致的水彩晕染”需结合具体作品判断，部分作品可能仅用单色墨。)
• ✓ 可验证: 颜料柔和地渗入纹理丰富的米纸 (日本水墨画常用和纸（如楮纸或米纸），其吸墨特性及纹理可通过实物观察、艺术材料学资料或专业造纸工艺记录验证。)
• ◦ 观点: 唤起一种宁静与永恒之美的感觉 (此为主观审美体验描述，无客观标准，取决于观者个人感受，无法验证。)

原文内容:

Prompt 分享：日本水墨画

Prompt：
一幅传统的日本水墨画，描绘[subject]，以富有表现力的墨绘风格创作，使用流动的黑色墨线和精致的[color1]与[color2]水彩晕染。颜料柔和地渗入纹理丰富的米纸，唤起一种宁静与永恒之美的感觉。

查看 ATLs 以获取灵感 

⏰ 18:56 | ❤️ 70点赞 | 📝 85字 | 查看原文 →

↑ 返回顶部

Alex Prompter @alex_prompter

Marketing + AI = $$$
@godofprompt (co-founder) | 影响力: 94.19k万粉丝

💡 核心观点: AI编程需严谨流程而非依赖工具，跳过基础将徒增代价。

可信度: 6/10 – 1项声明可直接验证；2项需进一步确认；1项为观点陈述

事实核查:

• ◐ 部分可验证: AI 编程炒作遵循 4 个可预测阶段 (该声明提及“4个可预测阶段”，但未具体说明阶段内容或提供来源。需通过分析行业报告、案例研究或专家论述间接验证，但缺乏直接证据。)
• ✓ 可验证: 大多数人卡在第3阶段，并责怪工具 (未定义“第3阶段”具体表现，且“大多数人”的统计依据未提供，属于推测性结论，无法通过公开数据验证。)
• ◦ 观点: AI不会取代工程纪律，但会加速因缺乏纪律付出的代价 (这是对AI与工程实践关系的观点陈述，无客观标准或数据支持，属于主观判断。)

原文内容:

AI 编程炒作遵循 4 个可预测阶段。

大多数人卡在第 3 阶段，并责怪工具。

但这个循环并不是因为 AI 被过度炒作。它是因为人们跳过了基础：

→ 在提示前未定义架构
→ 会话间未携带上下文文件
→ 生成间无审查检查点
→ 将输出视为成品代码而非草稿

那些从未进入第 3 阶段的人并不是在使用更好的模型。他们在使用更好的流程。

AI 不会取代工程纪律。它会让你更快地为没有它付出代价。

⏰ 18:02 | ❤️ 36点赞 | 📝 149字 | 查看原文 →

↑ 返回顶部

Alex Prompter @alex_prompter

Marketing + AI = $$$
@godofprompt (co-founder) | 影响力: 94.19k万粉丝

💡 核心观点: AI模型取消温度控制是因架构升级，需适应新控制方式。

可信度: 6/10 – 3项需进一步确认；2项为观点陈述

事实核查:

• ◐ 部分可验证: Claude移除了温度控制，AI社区因此陷入崩溃 (Claude的更新日志或官方声明可能提及温度控制的调整，但“社区崩溃”是主观描述，需通过社交媒体舆论分析验证，缺乏量化依据。)
• ◐ 部分可验证: OpenAI在o1、o3和GPT-5上锁定了温度，Google在Gemini 3中警告不要更改温度 (需查阅OpenAI和Google的官方文档或API说明，但具体模型版本（如o1、o3）的细节可能未完全公开，部分信息需实测确认。)
• ◦ 观点: 温度设为0会破坏模型的推理，因其将多路径思维链崩溃为单一路径 (该声明基于对模型内部机制的推测，未提供实验数据或官方技术说明支持，属于技术观点而非可验证事实。)

原文内容:

AI 社区因为 Claude 移除了温度控制而陷入崩溃。

与此同时，同一个社区从未注意到 OpenAI 在 o1、o3 和 GPT-5 上锁定了温度。或者 Google 在 Gemini 3 上警告不要更改它。

每个前沿推理模型都移除了手动采样。不是因为它们“剥夺了控制权”。而是因为架构发生了变化。

这些模型运行内部思维链验证循环。多次推理通过。

温度设为 0 会将所有这些路径崩溃成一条贪婪的线。你实际上就是在破坏模型的推理。

替代方案是努力参数和结构化提示。两者都比随机性滑块提供更精确的控制。

但这要求真正理解如何提示。
而那才是令人不安的部分。

温度是一个捷径。“设为 0.2”感觉像你在做一些技术性的事情。实际上不是。即使在 0 时，输出也从未是确定性的。

真正的技能始终在于你在提示前如何思考。那没有改变。只是现在更明显了。

模型变得更聪明了。控制随之而来。适应它，或者继续在 Reddit 上抱怨。

⏰ 03:51 | ❤️ 42点赞 | 📝 297字 | 查看原文 →

↑ 返回顶部

Rohan Paul @rohanpaul_ai

Compiling in real-time, the race towards AGI. The Largest Show on X for AI. | 影响力: 0万粉丝

💡 核心观点: 黄仁勋认为AI收入预测低估了企业软件市场的爆发潜力。

可信度: 6/10 – 1项声明可直接验证；2项需进一步确认；1项为观点陈述

事实核查:

• ✓ 可验证: 黄仁勋认为 Dario Amodei 对 2030 年 AI 收入达到 1 万亿美元的预测过于保守 (可通过公开采访、演讲或官方声明（如 @theallinpod 视频原内容）直接验证黄仁勋是否发表过该观点)
• ◦ 观点: 黄仁勋预测 Anthropic 的收入将远超 1 万亿美元 (此为黄仁勋的主观预测，无公开数据或第三方报告支持其具体数值，属于愿景陈述)
• ◐ 部分可验证: 黄仁勋认为企业软件公司将成为 Anthropic 代币的增值经销商 (需核实 Anthropic 是否实际推出“代币”商业模式，以及企业软件公司是否与之合作，但当前缺乏公开合作协议或官方公告)

原文内容:

黄仁勋认为 Dario Amodei 对 2030 年 AI 收入达到 1 万亿美元的预测过于保守。

“我相信 Dario 和 Anthropic 会做得远超那个水平。远超那个水平。

之所以如此，是因为他没有考虑到的一个部分：我相信每一家企业软件公司也将成为 Anthropic 代币的增值经销商。

他们将迎来这种对数级扩张。他们的市场推广今年将大幅扩展。”

---
摘自 @theallinpod YT 频道（链接在评论中）

⏰ 03:30 | ❤️ 152点赞 | 📝 120字 | 查看原文 →

↑ 返回顶部

Rohan Paul @rohanpaul_ai

Compiling in real-time, the race towards AGI. The Largest Show on X for AI. | 影响力: 0万粉丝

💡 核心观点: AI工具降低数学研究门槛，非博士也能参与前沿贡献。

可信度: 8/10 – 1项声明可直接验证；4项需进一步确认

事实核查:

• ◐ 部分可验证: Terence Tao认为AI工具和精益方法使非博士（如高中生）也能为数学研究前沿做出贡献 (可通过查找Terence Tao的公开演讲、播客原文或相关论文验证其是否发表过类似观点，但“极大加速数学研究”的具体效果需依赖实际案例或数据支持，可能存在主观判断成分。)
• ✓ 可验证: 传统上需多年教育（如数学博士）才能参与数学研究前沿 (数学领域的职业路径和学术门槛是公开事实，可通过学术机构（如大学博士培养要求）或历史研究模式文献直接验证。)
• ◐ 部分可验证: AI工具和精益方法降低了数学研究的参与门槛 (部分工具（如Lean）的公开应用案例可验证，但“门槛降低”需对比历史数据（如非博士参与者比例），可能缺乏全面统计支持。)

原文内容:

Terence Tao 总结了 AI 如何极大地加速数学职业和数学研究。

“在数学领域，以前你基本上必须经过多年的教育，成为数学博士，才能为数学研究的前沿做出贡献。但现在在高中水平或任何其他水平上，完全有可能参与一个数学项目，并真正做出贡献，这得益于所有这些 AI 工具和精益方法以及其他一切。”

摘自 @dwarkesh_sp 播客（完整视频链接见评论）

⏰ 02:34 | ❤️ 207点赞 | 📝 129字 | 查看原文 →

↑ 返回顶部

Rimsha Bhardwaj @heyrimsha

Helping you master AI daily with step by step AI guides, & practical tools • AI Educator & Writer • DM for Collab | 影响力: 23.09k万粉丝

💡 核心观点: 维克多·弗兰克尔在集中营用精神重写著作，以信念战胜苦难。

可信度: 10/10 – 2项声明可直接验证；2项需进一步确认；1项为观点陈述

事实核查:

• ◐ 部分可验证: 维克多·弗兰克尔在集中营失去家人后，获释9天内写了《活出生命的意义》，销量达1000万册 (弗兰克尔的著作《活出生命的意义》及其畅销情况可通过出版记录和公开销售数据验证，但“获释9天内完成写作”需查阅其传记或原始手稿时间戳等细节，可能存在表述简化。)
• ✓ 可验证: 弗兰克尔在集中营期间通过记忆重写被焚毁的手稿，并观察幸存者规律 (该声明基于弗兰克尔著作中的自述内容，其理论（如“意义疗法”和幸存者观察）在心理学领域被广泛引用，可通过其书籍及学术文献直接验证。)
• ◦ 观点: 弗兰克尔提出“拥有具体生存理由的人更可能活下来”的结论 (该结论是弗兰克尔基于个人观察提出的理论，虽被心理学界讨论，但属于主观归纳，缺乏大规模实证研究支持，无法完全客观验证。)

原文内容:

一位维也纳的精神病学家在集中营失去了他的母亲、父亲、兄弟和怀孕的妻子，在获释9天后，他坐下来写了一本书，这本书后来卖出了1000万册，因为他无法承受忘记自己刚刚所见的一切。

他的名字是维克多·弗兰克尔。

1942年，盖世太保来找他时，他是一位37岁的神经学家。他们带走了他、他的妻子蒂莉、他的母亲、他的父亲和他的兄弟。他是唯一一个活着走出集中营的人。他的父亲在特莱西恩施塔特饿死。他的母亲和兄弟在奥斯维辛被谋杀。蒂莉在英国人解放卑尔根-贝尔森之前在那里去世。她当时25岁。

弗兰克尔在四个集中营之间辗转了三年。他到达第一个营地时，带着他比自己的生命更在乎的唯一东西。一份藏在大衣衬里的手稿。他亲手写下的完整的精神病学理论，准备好献给世界。

第一天，卫兵就剥光了他的衣服。他们拿走了大衣。他们当着他的面烧掉了手稿。

他没有崩溃。他站在那里，决定要在脑海中重写整本书。他会把整个内容装在自己的头颅里，直到他被释放或被杀死，而承载它的行为将成为让他活下去的东西。三年里，他就是这么做的。当他周围的人放弃时，他在铺位上在脑海中重新起草他的人类动机理论。

他同时在进行另一项实验。他是一位精神病学家。他无法停止观察。他观察谁活了下来，谁没有，而数据与他所学的一切都不符。

最强壮的人死得很快。最年轻的人死得很快。与此同时，身体状况更差的年长男子一天天活着走出点名。他不断寻找那个变量。他最终得出的答案如此简单，以至于他几乎不敢相信。

活下来的人是那些在铁丝网外有特定理由等待他们的人。

不是一般的希望。是一个具体的、实在的、命名的东西，他们不能在完成之前死去。一个他们仍然相信还活着的妻子。一个他们必须找到的孩子。一本他们必须完成书籍。一个他们必须回答的问题。几乎不重要那是什么。重要的是它是一个东西。一个囚犯在私下里与自己约定的、与未来的命名约会。

没有这个的人死了。弗兰克尔一次又一次地看到这一点。一个人会失去有人在等他的信念。他会停止刮胡子。他会停止用面包换香烟。他会在一个早晨躺下，拒绝起床。弗兰克尔确切知道接下来会发生什么。他们大多数人在48小时内死去。他们的身体并不比一周前更虚弱。他们内在的某种东西下达了命令，身体随之服从。

那些年他对自己重复的一句话来自尼采。谁拥有一个活下去的“为什么”，就能承受几乎任何“如何”。

他有一个为什么。他有他在脑海中重建的手稿。还有他年轻妻子蒂莉的形象，他不断告诉自己，她在维也纳等着他。他还不知道她已经死了。这个形象就足够了。这个为什么就足够了。因为它，“如何”变得可以忍受。

他于1945年4月27日获释。他走回维也纳，得知了他的整个家庭发生了什么。九天后，他坐在打字机前，向三名轮班秘书口述了整本书。他在九天内完成它，因为他无法停下。

这本书论证了一件事。意义不是奢侈品。意义是一种生存机制。人类可以忍受几乎任何程度的生理痛苦，只要他们相信这种痛苦有意义。剥夺意义，地球上最强壮的身体也会在几天内崩溃。给一个人一个为什么，他们就能熬过本该在第一夜杀死他们的条件。

他将他的心理治疗学派称为意义疗法。Logos。希腊语中的“意义”。弗洛伊德说人类最深层的驱动力是快乐。阿德勒说那是权力。弗兰克尔见过他们两人未曾见过的景象，他说他们都错了。

这本书已售出超过1000万册。阅读这段文字的几乎每个人都会在生命中面对一段艰难时期。你们有些人现在就正面临着。这本书不会让艰难时期停止。

它会把决定你是否能熬过去的唯一变量还给你。

你无法靠意志力坚持。意志力几天内就会耗尽。
你会靠一个为什么坚持下去。

在你需要它之前，找到一个。

⏰ 18:34 | ❤️ 23点赞 | 📝 1294字 | 查看原文 →

↑ 返回顶部

Rohan Paul @rohanpaul_ai

Compiling in real-time, the race towards AGI. The Largest Show on X for AI. | 影响力: 0万粉丝

💡 核心观点: 私有数据比模型本身更能决定AI的竞争优势。

可信度: 8/10 – 1项声明可直接验证；3项需进一步确认；1项为观点陈述

事实核查:

• ◐ 部分可验证: 人工智能的优势更多来自于私有输入，而非模型本身 (该声明涉及技术竞争的商业逻辑，部分可通过企业案例（如Google/Amazon的私有数据使用）验证，但“优势主要来源”的结论缺乏统一量化标准，需依赖行业分析或实验对比。)
• ✓ 可验证: 相同输入数据下，不同公司训练的机器学习模型会相同 (机器学习基础理论支持这一观点（如相同数据/超参数/架构下模型趋同），可通过开源框架（如TensorFlow/PyTorch）复现验证，但实际商业场景中训练细节差异可能导致偏差。)
• ◐ 部分可验证: 私有数据将成为AI公司并购的核心动机 (近年并购案例（如Microsoft收购Nuance）部分佐证该趋势，但“核心动机”需具体交易披露文件确认，涉及未公开的商业决策，难以全面验证。)

原文内容:

Chamath：人工智能的优势可能更多来自于私有输入，而非模型本身。

“当实验室能够构建类似模型时，真正的胜利来自于一个独特成分，以便更好地将其货币化。

关于机器学习，有一个基本知识值得了解：如果你拿1000个相同的输入数据给Facebook、Microsoft、Google和Amazon，它们都会得出相同的机器学习模型。

但如果你有一个额外的东西，一个其他公司都没有的小成分，你的输出就会显著不同。

这就像给两位伟大的厨师三种食材，但给第三位厨师多一种额外食材。那个人就有能力做出非常特别的东西。

现在，我们身处一个每个人都在爬取开放网络的世界。我们将转向一个新世界，在那里，随着每个人变得足够复杂且信息广泛可用，有人会说：‘你知道吗？这个网站，我不会允许其他人访问。它只属于我，只供我的模型使用。’那些模型将变得更好。

所以我们必须让这一切稍稍发展一下。这将是一场真正有趣的军备竞赛。

例如，下一波并购可能是像Google、Microsoft和Facebook这样的公司审视这些公司，并说：‘它们能否成为我的大型语言模型或其他机器学习和人工智能模型的有效输入？’

---

一家拥有独特工作流程、交易记录、医疗档案、工业日志、法律档案、设计文件或用户行为数据的公司，可以将乏味的私有数据转化为一种复合优势。

一些初创公司可能永远无法独立成为伟大的上市公司，但它们仍然会变得有价值，因为它们拥有一条数据流，能让更大的AI系统更敏锐、更具差异化，或更难被复制。

这颠倒了并购策略：买家可能购买的不是收入、品牌，甚至不是软件，而是一种用于智能的私有成分。

----

摘自“iConnections”YouTube频道，（链接在评论中）

⏰ 23:39 | ❤️ 53点赞 | 📝 547字 | 查看原文 →

↑ 返回顶部

Pierrick Chevallier | IA @charaspowerai

AI VFX Artist & Photoshop Editor for House of David Saison 2 for Amazon | AI Artist & Formateur | 影响力: 0万粉丝

💡 核心观点: 凯尔特女王手持巨剑血腥屠杀敌军，场景暴力震撼。

可信度: 8/10 – 1项声明可直接验证；2项需进一步确认；2项为观点陈述

事实核查:

• ◦ 观点: Seedance 2 提示生成的内容具有极高的真实感和暴力程度 (该声明是对生成内容的主观评价，缺乏客观标准或第三方数据支持，属于个人观点。)
• ◐ 部分可验证: Dreamina AI 能够生成以《角斗士》和《勇敢的心》为灵感的粗犷战争场景 (可通过测试 Dreamina AI 的提示功能生成类似内容，但“灵感来源”是否真实反映需对比实际输出与电影风格，存在主观性。)
• ✓ 可验证: 推文描述的凯尔特战士女王场景（如动作、环境细节）可通过 Dreamina AI 生成 (若 Dreamina AI 提供公开示例或用户实测能复现类似结果，则可验证；否则需依赖平台功能说明（如官网列出的生成能力）。)

原文内容:

这个 Seedance 2 提示简直残酷得要命
一个野蛮的凯尔特战士女王独自走进战场，用一把巨型克雷莫剑摧毁整支军队。#DreaminaCPP @dreamina_ai

真实感和暴力程度完全是另一个层次。
PROMPT
一个野蛮的凯尔特战士女王，长长的火红头发在风中狂舞，碧绿双眸燃烧着愤怒，健美身躯覆盖着泥土、伤疤和鲜血，身穿逼真的黑色皮革铠甲，强化以雕刻钢板，巨大的克雷莫剑自信地搁在肩上
她径直走进战场，对抗重甲入侵者，随后爆发出一场无情的屠杀，粉碎盾牌，用原始力量斩首敌人，穿越一波波士兵的攻击，而火焰和泥土在她周围喷发
广阔的中世纪战场，在暴风雨中的白昼，燃烧的攻城器械、破碎的旗帜、死马和浓烟在泥泞地面上飘荡
以缓慢的手持式电影跟踪镜头开头，紧随她沉重的脚步穿越战场，自然的阴天光线反射在湿润的铠甲和泥土上，猛然拉近到她愤怒的双眼，然后是冲锋前的加速，突然的速度提升进入野蛮战斗，快速摇镜头跟随残酷的克雷莫剑挥舞，低角度跟踪冲锋的马匹和倒塌的身体，逼真的泥土、鲜血和火花击中镜头，以《角斗士》和《勇敢的心》为灵感的粗犷战争真实感，最后战士女王将巨剑插入山顶的地面，周围环绕数百名败敌，雷声在头顶滚滚，幸存士兵退入烟雾中，镜头缓慢环绕她那不可阻挡的剪影，而风吹过燃烧的战场

观看这个 
我们已经不在同一个级别了。
想要更多像这样的残酷场景吗？

⏰ 23:00 | ❤️ 33点赞 | 📝 480字 | 查看原文 →

↑ 返回顶部

Rohan Paul @rohanpaul_ai

Compiling in real-time, the race towards AGI. The Largest Show on X for AI. | 影响力: 0万粉丝

💡 核心观点: 大模型是基础技术，未来巨头将用它创造新产业。

可信度: 6/10 – 1项声明可直接验证；1项需进一步确认；1项为观点陈述

事实核查:

• ◐ 部分可验证: 发明冷藏技术的人赚了一些钱，但真正赚大钱的却是可口可乐，他们利用冷藏技术建立了一个帝国。 (冷藏技术的历史和经济影响可通过历史记录和商业分析验证，但“赚了一些钱”和“赚大钱”的具体比较需依赖具体财务数据或研究，可能缺乏直接对比的公开资料。)
• ◦ 观点: 大语言模型就像是冷藏技术，而可口可乐还没有被创造出来。 (这是类比性观点，将大语言模型的技术潜力与冷藏技术的历史影响作对比，属于主观推测，无客观事实依据。)
• ✓ 可验证: 查马斯·帕利哈皮蒂亚 (@chamath) 在iConnections YouTube频道发表该观点。 (可通过查看该频道视频或查马斯的公开推文直接验证来源。)

原文内容:

“发明冷藏技术的人赚了一些钱，但真正赚大钱的却是可口可乐，他们利用冷藏技术建立了一个帝国。

大语言模型就像是冷藏技术，而可口可乐还没有被创造出来”

~查马斯·帕利哈皮蒂亚 (@chamath)

----

来自“iConnections”YouTube频道，（链接在评论中）

⏰ 22:18 | ❤️ 93点赞 | 📝 85字 | 查看原文 →

↑ 返回顶部