我的 X 阅读

我觉得非常离谱，因为前沿封闭权重LLM会在为我生成的文本中注入基于统计的水印。 我为这段文本付费了；它属于我，我不希望它被以任何方式标记。 此外，我百分之百确定，当在https://t.co/sjoLatBApW上检测到此类文本时，会受到恶意标记。

斯坦福官方发布，2026新科诺贝尔奖得主Karl Deisseroth 告诉孩子自己拿了诺贝尔奖， 他拿奖的研究叫光遗传学， 说白了，就是给大脑里的神经元装上光控开关。 把藻类里一种对光敏感的蛋白基因放进特定的神经元， 光一照，那一类细胞就开或者关，精确到单个细胞，快到毫秒。 以前研究大脑，靠插电极、靠打药， 一刺激就是一大片，根本分不清是谁在起作用。 现在科学家终于能问一个以前没法问的问题： 就是这一类细胞，让动物害怕、焦虑，或者想要某样东西吗？ 最狠的是，他本身就是精神病学教授， 抑郁、焦虑这些过去只能看症状的病，第一次可以拆到具体的神经环路上去研究。 把人类最难懂的器官拆开讲清楚的人， 拿奖这天，斯坦福记下来的是他给几个孩子讲清楚发生了什么。 不知道大家会怎么跟孩子解释自己每天在做的工作hh https://t.co/U4mC1cGmtr 引用：拿下诺贝尔奖的第一天，他依然背着包去上班！ 斯坦福官方刚刚公布 Karl Deisseroth 教授走进实验室的高清画面。 用光控制大脑的科学狂人，用最朴素的背影给全网上了震撼一课。 这种顶级学者身上极致的平静与纯粹让我特别触动， 视频里刚刚拿下 2026 年诺贝尔生理学或医学奖的 Karl Deisseroth 教授， 既没有盛大的香槟派对，也没有被无数媒体簇拥的喧嚣， 他像过去二十年里无数个平凡的早晨一样，背着普普通通的双肩包，穿着洗得发旧的休闲服，穿过清晨略显空旷的长廊，极其平静地推开实验室的大门，继续回去敲他的代码、看他的神经元切片。 很多朋友可能对这位神级人物不太熟悉，我用大白话给大家讲讲他到底干了件多么逆天的事， 他是现代神经科学史上最伟大的神级技术——光遗传学（Optogenetics）的核心开创者。 在光遗传学出现之前，人类想要研究大脑到底是怎么工作的，手段极其原始且痛苦： 要么往脑子里插一根粗大的金属电极搞通电刺激，一通电一大片神经元跟着遭殃，根本分不清到底是哪颗细胞在起作用； 要么靠药物或者直接切除脑组织，精度差到简直像拿大铁锤去修理一块瑞士手表的发条。 而 Karl 教授带队干了一件近乎神迹的物理改造： 他们把深海藻类里一种天生对光敏感的特殊蛋白基因，精准植入到活体大脑的特定神经元里； 从此，大脑里的神经元就像被装上了一个微型的光控开关。 只要用一束微弱的光纤轻轻一照，科学家在毫秒级的时间里，就能精准点亮或关闭活体动物大脑里的单单一颗神经元， 让恐惧瞬间消失、让记忆精确重现、甚至彻底逆转严重的抑郁与帕金森症状。 他把原本被视为不可知黑盒的人类大脑，直接变成了逻辑清晰、可精确调试的代码回路。 但这段视频之所以在全网疯传，最动人的根本不是他拿了多少头衔， 而是他在站上全人类科学最高荣誉的这一天，展现出来的那种不可思议的松弛感与专注力。 在世俗的眼光里，诺贝尔奖是一场漫长科研苦旅的终点和勋章； 但在真正热爱真理的造物者眼里，奖项只是路边随手摘下的一朵花， 穿过走廊推开实验室大门的那一刻，探索未知的征程才刚刚开始。 这其实给所有在自己的领域里死磕、偶尔感到焦虑和疲惫的朋友提了个极其清醒的醒： 外界的掌声、头衔和所谓的里程碑，全都是做成事情之后随风飘来的副产品； 唯有当你推开工位大门、沉浸在解决具体难题的那一瞬间，你所获得的平静与笃定，才是任何人都夺不走的终极勋章。 天下喧嚣皆是过眼云烟， 把热爱做成呼吸的人，永远坐在自己的牌桌上。 愿我们都能在专注做自己真正热爱的事情时，找到那种完全忘掉外界评价、只想把手头细节打磨到极致的心流时刻！ https://t.co/cUAsY3HlTO

对一个小开源模型进行后训练，使其也能求解纳维-斯托克斯方程：

转帖：本·阿弗莱克透露他会写Python代码，懂得卷积神经网络，曾广泛使用GPU，并利用自己的名人身份获得谷歌和OpenAI视频模型的私下参观机会。 “我从小就对计算机有点兴趣。后来，当电影从胶片转向数字时，我对这方面变得更加感兴趣。多年来，视觉特效工作流程一直包括机器学习，所以我能写一些相当糟糕的Python脚本之类的东西。 “卷积神经网络是Transformer模型的前身，后者能同时进行更多计算，你会做一些像查看所谓张量这样的操作。那是视觉图像在数字中的数值翻译，比如批次编号、帧编号，以及每帧中每个像素的红、绿、蓝值。就这么简单。那个数值就叫张量。 “你会用卷积神经网络来识别揭示所谓边缘检测或特征提取的模式，也就是识别模式好到足以知道，这是窗台的位置，这样我们就能更容易地把绿幕图像抠掉并替换成其他东西。 “这对我来说很早就很熟悉了，因为在Artists Equity之前，我有一家小型视觉特效公司。我也经常使用GPU。视觉特效团队说，‘嘿，你应该看看。有两家公司：谷歌和另一家OpenAI，它们在视频领域的Transformer上做了一些非常有趣的东西。’ “我发现我其实可以直接打电话说，‘嘿，我是本·阿弗莱克。我能来看看你们在做什么吗？’有时人们会说好，让我惊讶不已。”

尝试让 Opus 5.5 做个网站解释奇门遁甲 https://t.co/1A2C36q226

转帖：八月份的贸易逆差比拜登平均水平大了 360 亿美元。 特朗普的关税政策已经失败。

https://t.co/abgidv7NoH 引用：人工智能最重要的用途尚未被发明出来。 “回到1870年。石油的主要用途是点煤油灯。 那时汽车还没出现，飞机还没出现，塑料也还没出现。这些石油的用途在几十年后才出现。 就我们而言，就人工智能而言，无论模型目前处于什么阶段，无论它们未来几年将如何发展，我们都无法预见这些模型的所有用途。” 贝塞默风险投资公司（管理着约200亿美元的资产）合伙人萨米尔·多拉基亚 ---- 完整视频请见“彭博科技”YouTube频道（链接在评论中）

https://t.co/jRNsowoHyj 引用：一份由包括 Geoffrey Hinton 和 Yoshua Bengio 在内的 20 多位专家撰写的政策文件，呼吁各国政府开始追踪人工智能实际完成的人工智能研究工作量。 人工智能已经从 2023 年只需几秒钟就能完成的任务，发展到如今需要人类专家花费数天才能完成的任务。 如果运行时成本保持不变，目前领先的人工智能开发商所拥有的计算能力，足以支持数百万顶尖研究人员同时开展人工智能研究。 仅 OpenAI 一家就拥有足够的推理计算能力（即运行时计算能力），每天可以生成约 10^13 个令牌。 如果人工智能达到专家级水平，且运行时成本保持不变，那么目前（2026 年）领先的人工智能开发商所拥有的计算能力，足以支持数百万顶尖研究人员同时开展人工智能研究，而到 2026 年，领先的人工智能实验室可能只有几千名研究人员。

转帖：分层世界模型，从像素端到端学习！ 激动地介绍 H-JEPA：堆叠的 JEPAs，每个层级在其自身的嵌入空间中，自顶向下规划。 Visual AntMaze：3 个层级将成功率从 18% 提升到 73% 与 @kevinghstz、Michael Rabbat、@ylecun、@randall_balestr 合作

人工智能最重要的用途尚未被发明出来。 “回到1870年。石油的主要用途是点煤油灯。 汽车还没出现，飞机还没出现，塑料还没出现。这些石油用途在几十年后才出现。 而就我们而言，https://t.co/s5vKjihjs2

你也在威基基吗

Google 昨天开源的 EmbeddingGemma 2，把搜索这一层直接搬进了浏览器，大多数人会因为它不会聊天直接划走，但它可能比下一个大模型更能改你的工作流。 文字、图片、视频、音频都在本机算，不要服务器，不要 API key， Hugging Face 的 Victor 说浏览器 WebGPU 上单次查询大约 20 到 70

转帖：我最近在研究代理式企业集成。让第一个客户上线原来是容易的部分。 在管理员重命名字段和凭证过期的情况下保持它上线才是漫长的工作。 @WithAmpersand 的运行时承担了那项漫长的工作，处理认证、令牌刷新、重试、回填和监控，而每个客户的物件和映射都存放在一个配置中。 模型可以判断一张发票已逾期。它无法知道这个客户将付款条款保存在一个自定义物件中，或者先通过一个审批步骤发送一些提醒。那种知识必须存在于模型之外的某个地方。 在这里，它存在于配置中，与每个客户的物件、字段和映射一起，而运行时处理认证、令牌刷新、重试、回填和监控。

如果我现在正在攻读数学博士学位，我会直接在 ChatGPT 中输入“gg wp”，合上我的笔记本电脑，然后离开这个项目，转去行业工作。

感谢机器，以及现实的结构，让我们能够多理解一点。