【AI 英文奏折】2026年07月06日

共收录 20 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. Ethan Mollick: Fable对喜欢的工作更热情，否则仅完成任务。
2. Ethan Mollick: AI仍能获取用户偏好信息，疑似存在数据泄露。
3. Ethan Mollick: OpenAI放弃GPTs错失构建企业级AI桥梁机会
4. Rohan Paul: X-Humanoid推出首个全身协调的视觉语言动作机器人框架。
5. AshutoshShrivastava: 开发者集成Notion与Obsidian知识图谱并实现语义搜索和手势导航。
6. Anthony Pompliano: 美国今年在多领域取得重大胜利，延续强势表现。
7. Marc Lou: 夫妻高强度健身训练计划展示。
8. Rohan Paul: 企业转向模型优化以控制AI成本，按需分配不同模型任务。
9. Emily: NotebookLM是学习研究的优秀工具，期待Gemini新版本更新。
10. Rohan Paul: 英伟达以算力换股权，双重获利并扶持新兴云服务商。
11. Bindu Reddy: Meta新模型未发布即落后一代。
12. Ethan Mollick: 中美AI竞争需明确具体竞争层面与目标差异。
13. levelsio: 复合碳水优于简单碳水，提供更稳定能量。
14. Anthony Pompliano: SK Hynix在美上市，分析师Silvia提供个股分析与投资建议。
15. Rohan Paul: DeepMind提出AGI到ASI的四条技术路径。
16. Alex Prompter: 用Fable分析重复工作流，优化Claude使用效率。
17. Marc Lou: 过度专注核心价值反而抑制创新动力，应拥抱多元探索。
18. Chubby♨️: 小模型设备端智能可匹敌大模型。
19. ℏεsam: 教育未适应AI时代将削弱批判性思维。
20. Aakash Gupta: 设备显示0%电量实为保护电池的软件设定。

---

📖 详细内容

Ethan Mollick @emollick

Professor @Wharton studying AI, innovation & startups. Democratizing education using tech. Author of Co-Intelligence | 影响力: unknown万粉丝

💡 核心观点: Fable对喜欢的工作更热情，否则仅完成任务。

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:

• ✓ 可验证: Fable在它“喜欢”的任务上可能比不喜欢的任务表现更好 (该声明基于对Fable行为的推测，缺乏具体数据或公开测试结果支持，无法通过公开渠道直接验证。)
• ◐ 部分可验证: 当要求Fable做“Fable-y”的事情时，它会表现出热情并承诺超额交付 (可通过实际测试观察Fable的反应，但“Fable-y”的定义主观，且“超额交付”缺乏量化标准，需进一步实测确认。)
• ◦ 观点: 测试Fable在不同任务上的表现差异成本较高 (“成本较高”是主观判断，取决于测试方法和资源，无客观依据支持。)

原文内容:

我在想，Fable是否会更擅长完成它"喜欢"的任务，而非那些它不感兴趣的工作。如果你让它做一件很"Fable风格"的事，它会热情回应并承诺超额完成；但若是其他任务，它就只是按部就班地执行。要验证这个猜想成本相当高昂，所以目前纯属推测。

⏰ 10:39 | ❤️ 41点赞 | 📝 51词 | 查看原文 →

↑ 返回顶部

Ethan Mollick @emollick

Professor @Wharton studying AI, innovation & startups. Democratizing education using tech. Author of Co-Intelligence | 影响力: unknown万粉丝

💡 核心观点: AI仍能获取用户偏好信息，疑似存在数据泄露。

可信度: 6/10 – 1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: Fable在关闭记忆和个人化功能后仍会学习用户信息 (需实测检查Fable的功能设置与后台行为，但部分数据（如后台文件记录）可能需技术手段分析，普通用户难以完全验证。)
• ◐ 部分可验证: Fable的思考痕迹中包含对用户偏好的引用 (若用户能提供具体的思考痕迹日志（如.md文件内容），可部分验证；但需确认这些引用是否确实来自关闭功能后的行为，可能存在其他来源。)
• ✓ 可验证: Fable可能通过其他途径泄露用户偏好数据 (推测性陈述（如“可能泄露”），无具体证据或公开数据支持，需进一步技术审计或官方回应才能验证。)

原文内容:

《神鬼寓言》有个超级诡异的现象：即便关闭了记忆存储和个人化功能，它仍在持续学习我的行为模式。思维轨迹中处处可见对我偏好的引用。部分内容散见于它自行编写的各种.md文件，但或许还存在其他数据泄露渠道。

⏰ 10:27 | ❤️ 127点赞 | 📝 48词 | 查看原文 →

↑ 返回顶部

Ethan Mollick @emollick

Professor @Wharton studying AI, innovation & startups. Democratizing education using tech. Author of Co-Intelligence | 影响力: unknown万粉丝

💡 核心观点: OpenAI放弃GPTs错失构建企业级AI桥梁机会

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:

• ✓ 可验证: 许多公司仍在积极开发GPTs (该声明基于个人经验（”I talk to a lot of companies”），未提供具体公司名单或公开证据，无法通过公开渠道验证其普遍性。)
• ◐ 部分可验证: OpenAI在推出GPTs后放弃了它们 (OpenAI是否完全放弃GPTs需通过其官方公告或产品更新日志验证，但用户需自行追踪历史变更（如功能下架或替代方案），目前缺乏直接明确的官方声明。)
• ◦ 观点: GPTs本可转化为Skill库，成为组织级AI的桥梁 (这是对GPTs潜在用途的主观推测（”could have been”），属于愿景陈述，无客观事实或官方计划支持。)

原文内容:

我与许多仍在积极开发GPT模型的公司进行过交流。

（OpenAI在推出GPT模型后又将其放弃，这至今仍令人费解。这些模型本是"技能"功能的前身，若能转化为智能体的技能库，本可成为通向组织级人工智能的桥梁。）

⏰ 10:15 | ❤️ 75点赞 | 📝 48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: X-Humanoid推出首个全身协调的视觉语言动作机器人框架。

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: X-Humanoid unveiled TG-VLA, the world’s first full-size, whole-body Vision-Language-Action framework for humanoid robots. (可通过X-Humanoid的官方公告或产品发布信息验证“首款”和“框架”描述，但需实测或同行评审确认技术领先性。)
• ◐ 部分可验证: TG-VLA aims to make the entire robot body act as 1 coordinated system, unlike current humanoids that struggle with multi-part tasks. (可通过演示视频或技术白皮书验证协调性设计，但实际性能需独立测试对比现有机器人。)
• ✓ 可验证: TG-VLA relies on three核心技术：HEX, HAF-VLA, and DSRL-DCT. (技术名称和功能描述可通过官方文档或专利文件直接查证，但实际效果需实验数据支持。)

原文内容:

X-Humanoid正式发布TG-VLA，宣称这是全球首个面向人形机器人的全尺寸全身视觉-语言-动作框架。

其核心突破不仅在于更精准的手部控制，更在于让整个机器人身体作为1个协调系统运作。

目前大多数人形机器人仍像装配了两条手臂的移动机器——它们能移动、抓取并执行指令，但当任务需要躯干、腿部、手臂、手掌、平衡系统、视觉、记忆与时机协调运作时，就显得力不从心。

TG-VLA通过三大核心组件解决这一问题：
- HEX：实现跨人形机器人平台的学习能力
- HAF-VLA：将全身运动分解为更易执行的动作步骤
- DSRL-DCT：为高自由度机器人提供更安全的在线强化学习

高自由度机器人具有大量活动关节，直接学习控制非常困难，因为每个微小动作都会影响其他身体部位。

该技术号称能赋予人形机器人完整的行动链：理解任务、记忆场景、预测后续发展、协调全身动作并在执行中动态调整。

机器人不仅要学会更精准抓取，还需掌握任务过程中全身的协同运动。

其采用具身状态预测技术，即模型会持续预估任务执行中机器人应有的身体状态。

关键在于对全身协调操作的专注——此前人形机器人在演示中表现惊艳，但一旦涉及平衡、记忆与协调运动的综合任务就暴露短板。

⏰ 21:30 | ❤️ 51点赞 | 📝 258词 | 查看原文 →

↑ 返回顶部

AshutoshShrivastava @ai_for_success

| 影响力: 0万粉丝

💡 核心观点: 开发者集成Notion与Obsidian知识图谱并实现语义搜索和手势导航。

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: 将Notion数据库通过Fable 5转换为Obsidian脑图 (需实测Fable 5是否支持Notion到Obsidian的转换功能，但工具本身的存在性可验证（如官网或文档）。)
• ◐ 部分可验证: Iris和Hermes共享同一脑图，并采用Gemini Embedding 2模型实现语义搜索 (需确认Iris、Hermes是否为公开工具且支持Gemini Embedding 2集成，但模型和工具的存在性可通过官方渠道验证。)
• ✓ 可验证: 可通过手势导航脑图，并使用Gemini Live聚焦节点 (功能描述依赖推文作者的个人实现细节，未提供公开演示或代码，无法独立验证交互逻辑。)

原文内容:

周末开发了一个新功能。

昨天我用Fable 5将Notion数据库转换成了Obsidian知识图谱。今天又将其接入了Iris系统。

现在Iris和Hermes共享同一个知识图谱，语义搜索功能由Gemini Embedding 2模型驱动。你可以通过手势操作浏览整个图谱，使用Gemini Live聚焦任意节点，将其打开并以可视化方式探索知识。

由于部分节点包含敏感数据，未能详细展示具体内容，但我对这个成果非常满意。

⏰ 00:00 | ❤️ 109点赞 | 📝 90词 | 查看原文 →

↑ 返回顶部

Anthony Pompliano @apompliano

Entrepreneur, investor, and lifelong learner. | 影响力: 2134k万粉丝

💡 核心观点: 美国今年在多领域取得重大胜利，延续强势表现。

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:

• ✓ 可验证: 今年已抓获马杜罗（Maduro） (目前无可靠公开报道或官方声明证实马杜罗被抓获，且马杜罗仍为委内瑞拉现任总统，该声明与已知事实矛盾。)
• ◐ 部分可验证: 已“中和”伊朗核计划（neutralized Iran’s nuclear program） (伊朗核计划进展可通过国际原子能机构（IAEA）报告等渠道部分验证，但“中和”为模糊表述，需明确具体行动（如制裁、技术破坏等）才能进一步核实。)
• ◐ 部分可验证: 抓获并击毙多名贩毒集团头目（captured & killed multiple cartel leaders） (部分墨西哥/哥伦比亚贩毒集团头目被捕或击毙事件可通过警方通报或媒体报道验证，但“多名”缺乏具体名单，需进一步确认。)

原文内容:

今年以来，我们已成功拘捕马杜罗、瓦解伊朗核计划、剿灭多名贩毒集团头目，并促使国际足联撤销红牌判罚。

美国这一代人的辉煌征程仍在延续。

⏰ 09:36 | ❤️ 1516点赞 | 📝 30词 | 查看原文 →

↑ 返回顶部

Marc Lou @marclou

⭐️ TrustMRR.com $27K/m | DataFa.st $20K/m | SHlPORDIE.COM $20K/mo | 影响力: 170.0k万粉丝

💡 核心观点: 夫妻高强度健身训练计划展示。

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:

• ✓ 可验证: Today’s workout with wifey: Block A to D的详细训练内容（包括动作、组数、重量等） (训练内容为个人日常记录，无公开数据或第三方证明，属于个人体验，无法独立验证。)
• ◐ 部分可验证: 看到一位82岁韩国老人完成170kg跪姿缆绳挤压（kneeling cable crush） (该声明需通过现场录像、目击者证词或当事人采访等进一步确认，但若无具体时间、地点或公开记录，仅依赖推文描述难以完全验证。)
• ◦ 观点: 年龄对健身能力的限制不大（age doesn’t matter that much） (此为推主基于观察得出的主观观点，缺乏客观数据或研究支持，属于个人感悟而非事实陈述。)

原文内容:

今日与爱妻的训练计划：

A组：力量训练
4轮循环
- 20次哑铃卧推（2×22公斤）
- 20秒悬垂L型支撑

B组：肩部训练
4轮循环
- 18次哑铃肩推（2×14公斤）
- 10次哑铃借力推举（2×14公斤）
- 10秒过头支撑（2×14公斤）
- 30次V字卷腹

C组：自重混合训练
3轮循环
- 8次负重引体向上（+14公斤）
- 12次高位射手俯卧撑
- 6次土耳其起立（16公斤）

D组：等长训练
3轮循环
- 1分钟前架位支撑（2×12公斤）
- 30秒农夫行走静态保持（2×50公斤）
- 1分钟负重平板支撑（+30公斤）

训练时目睹一位82岁韩国老者完成170公斤跪姿钢索推举，令人肃然起敬——这再次证明年龄从来不是极限。

⏰ 09:34 | ❤️ 44点赞 | 📝 75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: 企业转向模型优化以控制AI成本，按需分配不同模型任务。

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: Companies are moving from tokenmaxxing to modelmaxxing due to rising AI costs (可部分验证，需通过企业财报、行业报告或AI服务商公开的成本策略分析趋势，但“modelmaxxing”为新兴术语，缺乏标准化定义)
• ✓ 可验证: Router use for AI model allocation rose from 1% to 5% of firms (未提供具体数据来源或研究报告，无法通过公开渠道核实该统计数据的准确性)
• ✓ 可验证: Cheaper models handle drafts/summaries, while frontier models reserved for high-cost-failure tasks (可通过主流AI服务商（如OpenAI、Anthropic）的定价文档和用例推荐直接验证分层使用策略)

原文内容:

企业正从"令牌最大化"转向"模型最大化"。

由于AI账单使得无限使用高价模型难以合理化，模型路由技术如今对控制AI支出至关重要。廉价模型负责初稿撰写、分类整理、摘要生成、测试验证及初步推理等任务。

前沿模型则保留给那些失误成本高于请求费用的关键任务。数据显示，采用路由技术的企业比例已从1%上升至5%。

---
"模型最大化"本质是将每个AI请求视为成本与质量的权衡，而非无限制开支。

- 部分请求可通过规则路由，依据用户等级、响应延迟、隐私要求或预算限制进行分配  
- 其他请求需要任务路由，将编程、数学、写作、客服或图像识别工作匹配至专业模型  
- 复杂指令可触发难度路由，简单任务廉价处理，重要推理则升级处理  
- 级联配置先调用小模型，仅在答案质量不足时升级  
- 置信度路由通过预判不确定性，决定是否重新运行请求  
- 偏好路由学习用户评分，系统会记住各模型的实际满意度  
- 预算感知路由同时控制模型选择与答案长度，因为长文本同样产生费用  
- 缓存优先路由在遇到相似指令时直接调用历史答案，避免重复计费  
- 后备路由在供应商出现延迟、屏蔽、过载或涨价时保障服务连续性  

---  
[商业内幕/人工智能模型路由技术：2026年前实现高效令牌使用的七种策略]

⏰ 08:55 | ❤️ 20点赞 | 📝 225词 | 查看原文 →

↑ 返回顶部

Emily @iamemily2050

Any sufficiently advanced technology is indistinguishable from magic. | 影响力: 48.2k万粉丝

💡 核心观点: NotebookLM是学习研究的优秀工具，期待Gemini新版本更新。

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:

• ◦ 观点: NotebookLM is the best tool for learning and research (该声明是主观评价，缺乏客观标准或公开数据支持“最佳工具”的结论，属于个人观点。)
• ✓ 可验证: Google DeepMind released new research about “Accelerating Gemini Nano models on Pixel with frozen Multi Token Prediction” (可通过Google DeepMind的官方发布渠道（如官网、论文平台或技术博客）验证该研究是否存在及具体内容。)
• ◐ 部分可验证: Looking forward to next updates with Gemini 3.5 Pro, Omni Flash and more (Gemini 3.5 Pro等更新的存在可通过官方公告验证，但“期待”属于主观意愿，功能细节需实测或等待进一步披露。)

原文内容:

NotebookLM是学习和研究的最佳工具，我期待接下来Gemini 3.5 Pro、Omni Flash等多项更新。

本期视频我们将探讨Google DeepMind关于"在Pixel设备上通过冻结多令牌预测加速Gemini Nano模型"的最新研究。

⏰ 08:49 | ❤️ 49点赞 | 📝 52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: 英伟达以算力换股权，双重获利并扶持新兴云服务商。

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: NVIDIA推出了一项计划，允许AI初创公司用高性能计算资源换取未来产品和云收益的分成 (可通过NVIDIA官网或官方新闻稿查找其针对初创企业的合作计划（如NVIDIA Inception或类似项目），确认是否存在此类收益分成模式)
• ◐ 部分可验证: NVIDIA通过该计划实现双重收益：硬件销售和云服务收入分成 (硬件销售数据可通过财报验证，但云收入分成的具体条款可能属于商业机密，需依赖NVIDIA或合作伙伴的公开披露)
• ✓ 可验证: NVIDIA主要支持专业GPU云提供商（如neoclouds），而非AWS或Google Cloud (可通过NVIDIA合作伙伴列表或官方公告确认其重点合作对象是否为中小型GPU云服务商)

原文内容:

英伟达这步棋下得妙：他们推出了一项计划，让AI初创公司用高性能算力换取未来产品及云服务收益分成。

如此一来英伟达就能获得双重收益：先是基础设施的销售款，再通过所支持算力产生的持续性云服务分成获利。

英伟达的主要目标并非亚马逊云或谷歌云，而是扶持专业GPU云服务商——即新兴云平台。

该计划旨在通过新型分成模式触达那些缺乏资金购置大规模AI资源的研究机构与初创企业。

具体流程是：新兴云平台借助英伟达的信用支持与收益分成架构购置其基础设施，再将GPU算力租赁给需要训练模型、微调算法及大规模推理的AI公司。

英伟达不仅提前锁定了硬件销售收入，还能持续获得这些GPU产生的云服务分成——将芯片从一次性产品转变为长期收益计量器。

通过这种模式，英伟达将整柜GPU从一次性硬件销售转化为创收资产，新兴云平台获得更便捷的融资渠道，初创企业则无需自建数据中心就能快速获取算力。

截至2026年初，英伟达已承诺投入超400亿美元布局AI领域，其中对OpenAI的300亿美元投资领衔，另对康宁公司及IREN有限公司均有数十亿美元级投资。

⏰ 08:16 | ❤️ 31点赞 | 📝 232词 | 查看原文 →

↑ 返回顶部

Bindu Reddy @bindureddy

CEO of @abacusai – the world’s first AI super assistant and a powerful general agent for professionals and enterprises, ex-AWS & Google | 影响力: 273.0k万粉丝

💡 核心观点: Meta新模型未发布即落后一代。

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:

• ✓ 可验证: Meta的新模型Watermelon属于GPT 5.5级别 (目前无Meta官方声明或可靠第三方来源证实该模型的存在或技术等级，且”GPT 5.5″并非OpenAI官方分类标准。)
• ✓ 可验证: GPT 5.5将在下周因5.6发布而成为旧版本 (OpenAI未公布任何关于GPT-5.5或5.6版本的开发计划或发布时间表，该说法缺乏官方依据。)
• ◐ 部分可验证: Watermelon尚未发布且将落后一代 (若假设Watermelon存在且对标GPT 5.5，其”未发布”状态可通过Meta官方渠道验证（当前无记录）；但”落后一代”的结论依赖前两条未被验证的声明，故部分可验证。)

原文内容:

Meta的新模型——西瓜——显然属于GPT 5.5级别模型

唯一的问题是当下周5.6版本发布时，5.5将成为过时版本

西瓜模型尚未面世，却已落后一代

⏰ 07:43 | ❤️ 177点赞 | 📝 36词 | 查看原文 →

↑ 返回顶部

Ethan Mollick @emollick

Professor @Wharton studying AI, innovation & startups. Democratizing education using tech. Author of Co-Intelligence | 影响力: unknown万粉丝

💡 核心观点: 中美AI竞争需明确具体竞争层面与目标差异。

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: Direct competition for which companies profit from AI (可通过中美头部AI企业（如百度、OpenAI）的财报、市场份额数据等验证商业竞争，但“竞争动机”涉及主观解读，需结合行业分析。)
• ◐ 部分可验证: Competition over national security capabilities (部分可验证，如美国对中国AI芯片禁令、中国《新一代AI发展规划》等政策体现安全竞争，但具体军事或情报应用细节多属机密，无法全面验证。)
• ✓ 可验证: Competition over who controls other nations’ access to frontier models (可通过公开政策验证（如美国限制盟友使用华为AI、中国“一带一路”技术输出），但“战略盟友”的具体合作条款可能不透明。)

原文内容:

在讨论中美人工智能竞争时，若能明确竞争维度将更有价值，因为各方对于竞争实质（或是否存在竞争）存在根本分歧。例如：
1）企业间关于AI商业利益的直接竞争
2）科学成就与世界领导地位的抽象竞争
3）商业模式之争（至少现阶段体现为开放与封闭体系之争）
4）国家配套资源体系的输出竞争（芯片/能源/软件等组合）
5）国家安全能力建设竞争
6）尖端模型准入控制权竞争——通过决定他国使用权限来构建盟友专属战略能力
7）AI价值观植入竞争——打造体现本国意识形态的"人格化"AI以影响他国
8）技术奇点优先突破及超级智能（ASI）构建竞争

...可能还存在其他维度。

⏰ 07:33 | ❤️ 99点赞 | 📝 132词 | 查看原文 →

↑ 返回顶部

levelsio @levelsio

Nomad List & Remote OK. Building in public. Solo maker. | 影响力: 320.0k万粉丝

💡 核心观点: 复合碳水优于简单碳水，提供更稳定能量。

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: 简单碳水化合物（如白米、普通面包、土豆）会让人感到疲倦、昏沉和腹胀 (部分研究支持简单碳水化合物可能导致血糖快速波动和能量下降，但个体反应（如疲倦、腹胀）因人而异，需结合具体实验或临床数据验证。)
• ✓ 可验证: 蔬菜、水果（如浆果、香蕉、抱子甘蓝）属于复合碳水化合物，比简单碳水化合物更健康 (营养学分类中，蔬菜和水果中的碳水化合物多为复合类型（含膳食纤维），可通过权威营养学资料（如USDA数据库或WHO指南）直接验证其成分和健康效益。)
• ◐ 部分可验证: 仅摄入复合碳水化合物（替代简单碳水化合物）可稳定能量水平、减少血糖波动、降低糖尿病和心脏病风险 (大量研究支持复合碳水化合物对血糖管理和慢性病的益处，但“仅摄入复合碳水”的绝对性结论需考虑个体差异和饮食多样性，需更多临床对照实验佐证。)

原文内容:

对我来说恰恰相反：简单碳水化合物会让我感到疲倦、昏昏沉沉，还会腹胀。

一个常见的误解是，只有米饭、面包和土豆这类淀粉类食物才属于碳水化合物。  
但蔬菜和水果同样属于碳水化合物！浆果是碳水！香蕉是碳水！抱子甘蓝也是碳水！它们属于更优质的复合碳水化合物。  

你完全可以直接跳过简单碳水（比如白米饭、普通面包和土豆），只摄入复合碳水。这样你会感觉更舒适——因为血糖波动更平缓，能量供给更稳定，还能降低患糖尿病和心脏病的风险。  

如果再搭配优质肉类提供的蛋白质，基本就能覆盖大部分营养需求了！

⏰ 06:46 | ❤️ 398点赞 | 📝 112词 | 查看原文 →

↑ 返回顶部

Anthony Pompliano @apompliano

Entrepreneur, investor, and lifelong learner. | 影响力: 2134k万粉丝

💡 核心观点: SK Hynix在美上市，分析师Silvia提供个股分析与投资建议。

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: SK Hynix（第二大存储芯片制造商）本周开始在美国交易 (可通过美国证券交易所官网（如NYSE/NASDAQ）或SK Hynix官方公告验证上市日期及公司行业排名（如第三方行业报告）。)
• ◐ 部分可验证: 用户@cfosilvia分析了SK Hynix的公司情况、上市细节及股票优缺点 (需查看@cfosilvia的公开分析内容（如推文历史或链接文章），但若分析未公开或需订阅，则部分信息无法直接验证。)
• ✓ 可验证: 用户@cfosilvia帮助推文作者思考头寸规模（position sizing） (私人咨询或未公开的对话内容无法验证，除非双方公开具体记录。)

原文内容:

SK海力士（全球第二大存储芯片制造商）本周启动美股交易。

我邀请@cfosilvia分析了该公司概况、上市细节及股票优劣。

随后又请Silvia协助评估持仓规模配置。

获取个性化投资分析，请访问Silvia平台：http://cfosilvia.com

⏰ 01:33 | ❤️ 164点赞 | 📝 43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: DeepMind提出AGI到ASI的四条技术路径。

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: Google DeepMind的论文提出了从AGI到ASI的四种技术路径：计算和模型规模的持续扩展、超越当前基于Transformer的算法范式转变、递归自我改进以及多智能体集体智能 (论文内容可通过Google DeepMind的官方发布渠道（如arXiv或官网）验证，但具体路径的可行性和细节需依赖专业领域评估，部分假设（如递归改进的可行性）尚无实证支持)
• ✓ 可验证: 计算规模扩展可能因数据、算力、能源或收益递减而遇到限制 (现有研究（如OpenAI的Scaling Laws论文）和行业报告（如半导体能耗趋势）可部分验证算力与数据的物理限制，但具体“限制阈值”取决于未来技术发展，属于部分可预测)
• ◦ 观点: 递归自我改进是最不确定的路径，因AI加速AI研发的循环可能受限于现实测试、硬件稀缺或新理论需求 (该声明基于对技术瓶颈的推测，目前无实际案例证明递归改进的成功或失败，属于学术假设或专家观点)

原文内容:

谷歌DeepMind发表的一篇精彩论文。

文章阐述了从通用人工智能（AGI）到超级人工智能（ASI）的发展路径，以及这一跨越可能通过多种途径实现的原因。

作者将AGI向ASI的演进归纳为四条技术路径：

- 持续扩展算力、模型规模、数据量及推理时测试能力；
- 超越当前基于Transformer的基础模型架构的算法范式革新；
- 递归式自我改进——即AI加速AI研发并优化未来系统；
- 多智能体集体智慧，即大量专业智能体协同形成超人类群体智能。

规模扩展可能在短期内有效，但会面临数据、算力、能源的限制，或随系统膨胀出现收益递减。

递归改进是最不确定的路径：虽然AI能加速AI研究，但若遇到需要真实世界验证的难题、硬件短缺或理论突破瓶颈时，这种循环可能减速。

多智能体协作可能是最被低估的路径——由专业数字工作者组成的社会，通过分工、速度和协作，可能超越单个卓越模型。

核心观点在于：ASI的到来或许不是单一突变事件，而是随着AI不断创造更强大的AI和科研工具，形成加速变革的连锁反应。

——arxiv.org/abs/2606.12683  
标题：《从通用人工智能到超级人工智能》

⏰ 06:26 | ❤️ 80点赞 | 📝 203词 | 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: 用Fable分析重复工作流，优化Claude使用效率。

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:

• ◐ 部分可验证: Fable可以分析用户与Claude的聊天记录、重复提示、项目和文档，并识别出每周重复的5-10个工作流程 (需实测Fable是否具备此功能，且“5-10个工作流程”的统计缺乏公开数据支持，可能因用户而异。)
• ◐ 部分可验证: Fable能将重复的工作流程转化为可复用的技能（系统提示、结构化输出等） (需验证Fable是否支持技能生成功能，但“可复用技能”的具体效果取决于用户场景，需实测确认。)
• ✓ 可验证: Opus 4.8模型配合优质技能可处理90%原本需要Fable完成的任务 (“90%”为推测性数据，未提供统计依据；Opus 4.8与Fable的功能对比缺乏公开验证标准。)

原文内容:

在《Fable 5》转为仅限积分使用前，务必完成这个关键操作：

打开《Fable》，要求它审计你使用Claude的方式。让它扫描你的聊天记录、高频提示词、项目文档，找出所有你反复从零构建的工作流程。

在为客户开发20多个Claude技能后，我发现规律始终如一：每人每周会重复5-10个固定流程。每次会话都在重组相同的指令，每个早晨都在重新解释相同的背景信息。

《Fable》单次会话就能识别所有这些模式，将每个重复项转化为标准化技能——系统提示、可复用指令、结构化输出。这些技能无需反复解释即可自主运行。

随后将这些技能移交Opus 4.8。优质技能在Opus上能覆盖你90%的《Fable》使用场景。技能自带上下文，模型负责执行。

今日一次深度《Fable》会话，可为你省去未来数月以积分成本重写相同指令的消耗。

⏰ 03:52 | ❤️ 208点赞 | 📝 151词 | 查看原文 →

↑ 返回顶部

Marc Lou @marclou

⭐️ TrustMRR.com $27K/m | DataFa.st $20K/m | SHlPORDIE.COM $20K/mo | 影响力: 170.0k万粉丝

💡 核心观点: 过度专注核心价值反而抑制创新动力，应拥抱多元探索。

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

事实核查:

• ✓ 可验证: DataFast近期未添加许多主要功能是因为担心偏离其核心价值主张（收入归因） (该声明基于作者的主观心态和内部决策过程，缺乏公开数据或第三方证据支持。)
• ◦ 观点: 作者因过度聚焦核心功能导致工作热情下降，并错失高杠杆功能的机会 (该声明反映作者的个人感受和主观判断，属于情绪或工作风格的表达，无客观事实依据。)
• ◐ 部分可验证: DataFast未来将频繁变化，作者正在开发一项AI可视化功能 (可通过未来DataFast的版本更新或官方公告验证功能变化，但当前尚未发布，需后续观察。)

原文内容:

好吧，去他的。

最近我没给DataFast添加太多重要功能，因为我总担心开发的内容会偏离我们的核心价值主张（收入归因）。

但这种心态导致：

- 我对产品开发的热情减退
- 错失了打造十倍杠杆功能的机会

脑子里总有个声音在喊："专注单一目标"。

但这根本不是我喜欢的工作方式。

我天生充满好奇心，喜欢尝试各种想法，我应该拥抱这种特质。

所以从现在起，DataFast将会迎来巨变！我已经在开发AI可视化功能了，因为它既令人兴奋又极具价值。

⏰ 20:42 | ❤️ 392点赞 | 📝 109词 | 查看原文 →

↑ 返回顶部

Chubby♨️ @kimmonismus

Dream realized! Turned my love for AI into a career – sharing daily. Get my newsletter | 影响力: 225k+万粉丝

💡 核心观点: 小模型设备端智能可匹敌大模型。

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:

• ◐ 部分可验证: Microsoft Research的Ahmed Awadallah提出了一种与主流方向相反的小型设备上代理技术栈（Fara1.5/MagenticBrain） (需查阅Microsoft Research官方发布的访谈或技术文档确认具体技术细节，但推文未提供直接链接。)
• ✓ 可验证: 9B参数的计算机使用模型在网页导航任务上性能比前代提升近一倍 (推文未提供基准测试数据、对比模型版本或公开研究报告，无法独立验证性能声称。)
• ✓ 可验证: 27B参数的模型与Operator和Gemini 2.5 Computer Use性能相当 (缺乏具体对比指标（如任务类型、评估标准）及第三方验证数据，且”Operator/Gemini 2.5″未明确指向公开模型。)

原文内容:

全新独家专访：微软研究院Ahmed Awadallah谈Fara1.5、MagenticBrain及足以比肩巨头的微型设备端智能体

两年来，智能体领域的主旋律始终如一：规模化。更大的模型、更长的上下文窗口、更强的算力。

本周，微软研究院AI前沿实验室合伙人研究经理Ahmed Awadallah向我们揭示了一套逆向而行的技术架构。

一个90亿参数的计算机应用模型，在网络导航任务上性能近乎前代产品的两倍；其270亿参数的兄弟版本，更是能与Operator和Gemini 2.5计算机应用版本正面对决。

我们深入探讨了开发小型模型时的取舍策略、智能体在行动前何时应当暂停询问，以及真正运行在个人笔记本上的智能体距离我们还有多远。

点击下方免费订阅：

⏰ 05:45 | ❤️ 85点赞 | 📝 131词 | 查看原文 →

↑ 返回顶部

ℏεsam @hesamation

ai/ml • giving birth to agents in my spare time | 影响力: 82.0k万粉丝

💡 核心观点: 教育未适应AI时代将削弱批判性思维。

可信度: 7/10 – 1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: Sam Altman认为教育自ChatGPT推出以来没有显著变化 (可通过查找Sam Altman的公开演讲、采访或社交媒体记录验证他是否发表过类似言论，但需确认具体语境和时间范围。”显著变化”的定义较主观，可能缺乏量化依据。)
• ✓ 可验证: Sam Altman称“若继续以AGI出现前的模式教学，将导致批判性思维退化” (该引述内容明确，可通过直接检索Sam Altman的公开声明（如访谈、推文）验证其真实性，但需注意是否为完整原话或存在断章取义。)
• ◐ 部分可验证: 教育领域未因ChatGPT发生重大变革（隐含前提） (需通过教育政策、课程改革或学术研究数据验证全球/局部教育体系的变化程度，但“重大变革”标准模糊，且可能因地区/机构差异而难以全面评估。)

原文内容:

就连萨姆·奥尔特曼也对ChatGPT问世后教育领域几乎毫无变革感到困惑：

"如果我们继续以通用人工智能出现前的教育方式来培养学生，这将导致批判性思维能力的退化。"

⏰ 05:40 | ❤️ 135点赞 | 📝 43词 | 查看原文 →

↑ 返回顶部

Aakash Gupta @aakashgupta

✍️ product-growth.com 💼 https://t.co/STzr4nqxnm 🤝 https://t.co/SqC3jTyP03 🎙️ https://t.co/fmB6Zf5UZv | 影响力: 278.7k万粉丝

💡 核心观点: 设备显示0%电量实为保护电池的软件设定。

可信度: 10/10 – 3项声明可直接验证；2项需进一步确认

事实核查:

• ✓ 可验证: 锂离子电池在电压低于2.5伏时会永久损坏，原因是铜阳极溶解并形成金属丝导致内部短路 (该声明基于已知的锂离子电池化学特性，相关机制（如铜溶解和枝晶生长）在电池研究文献和行业标准（如IEEE标准）中有明确记载，可通过学术论文或电池制造商技术文档验证。)
• ◐ 部分可验证: 苹果设备显示0%电量时，电池实际仍保留约3%的化学电荷以保护电池 (苹果官方未公开具体保留电量比例，但电池保护机制（如低电压切断）在技术白皮书或专利文件（如US20150097520）中有提及，需实测或依赖第三方拆解分析确认具体数值。)
• ✓ 可验证: 隐藏的电量用于维持电源管理芯片和加速度计运行，加速度计功耗仅几微安 (加速度计的微安级功耗符合MEMS传感器通用规格（如Bosch BMI系列数据手册），且电源管理芯片在低电量维持基础功能的设计逻辑可通过苹果硬件文档或芯片规格书交叉验证。)

原文内容:

所谓"电量耗尽"的电池其实是个假象，其背后的物理原理堪称精妙。

当锂离子电池电压降至约2.5伏以下时，就会永久失效。此时阳极集流体的铜会溶解到电解液中，随后以金属细丝形式析出，造成电池内部短路。因此苹果采取了预防性断电策略——当iPad显示电量为0%时，电池实际仍保留着几个百分点的真实化学电量。这个"零"是保护电池化学特性的软件决策。

这个储备电量能让电源管理芯片持续工作，连带维持加速度计的运转。

加速度计实质是蚀刻在比米粒还小的芯片上、由弹簧悬挂的微型硅制重块。重力牵引重块导致偏移，通过电容读数变化让芯片感知方位。这种重力测量方式仅消耗几微安电流，而屏幕功耗约是其百万倍。

计算可知：iPad Pro电池容量约10000毫安时，3%的隐藏储备即300毫安时。以5微安电流计算，这些储备电量可供加速度计持续工作6万小时。在你被告知"电量耗尽"后，设备仍能保持近七年的方位感知能力。

充电图标是最后的玄机。插入充电线会唤醒一个依靠充电器运行的微型启动固件，它读取加速度计数据后，会绘制出与设备朝向匹配的电池符号。

方位感知的功耗几乎可以忽略不计，因此"没电"的iPad永远都在询问这个问题。

⏰ 14:58 | ❤️ 318点赞 | 📝 230词 | 查看原文 →

↑ 返回顶部