Chubby♨️@kimmonismus
Marc Andreessen 🇺🇸@pmarca
叫我阿杭@Astronaut_1216
阿绎 AYi@AYi_AInotes借助Algrow的MCP平台，Claude现已能直接分析YouTube等平台的视频内容，自动生成包含数据表格、爆款拆解与留存曲线的深度报告。这标志着大模型竞争重点转向生态建设，第三方开发者通过工具链迅速弥补了Claude的原生视频短板。该功能为内容创作者提供了高效分析竞品、提炼爆款公式的生产力工具，并预示视频研究Agent时代的开启。目前处于免费试用阶段，未来订阅定价亲民。
Chubby♨️@kimmonismusMarc Andreessen 🇺🇸@pmarca叫我阿杭@Astronaut_1216说个冷知识： 抖音上 99% 教 AI 的博主，根本没有Claude Code 和OpenAI 200美金的订阅账号
Marc Andreessen 🇺🇸@pmarcaMarc Andreessen 🇺🇸@pmarca阿绎 AYi@AYi_AInotes杨立昆在达沃斯论坛上尖锐指出，基于LLM构建智能体是“灾难的配方”，因其缺乏世界模型和因果性，无法可靠预测行动后果，导致现有框架陷入不断修补的困境。他长期主张，实现AGI需依靠JEPA架构和世界模型，让AI先理解物理规律。其团队最新论文通过SIGReg正则化器解决了JEPA的表征坍缩问题，使得小型世界模型能在单GPU上快速训练，隐空间天然编码物理规律，在机器人规划中效率远超大型模型。这并非否定生成式AI，而是为智能体发展开辟了更高效、更接近物理现实的新路径：未来智能体将是“懂物理的小世界模型”与“大语言接口”的结合。
全网都在吹的LeCun新论文，90%的解读都是错的。 他们说生成式AI是死路，说过去三年花的几百亿全白费了，说15M参数的小模型就能吊打万亿大模型。 这些全…
宝玉@doteyGPT Image 2 Prompt 用于创建一个儿童图画书的内页，主题为OpenAI的故事，以多页形式呈现。提示指定内页采用垂直格式、暖色调背景和多面板布局。插图风格为手绘儿童书风格，融合软质水粉、彩色铅笔和蜡笔纹理，强调可见纸张纹理、自然草图线条和圆润迷人角色。文本布局模仿真实图画书，关键词可能用颜色高亮，并包含小手绘装饰元素。整体设计旨在通过视觉叙事展现OpenAI的历程。
Eric@ericmitchellai
Berryxia.AI@berryxia摩根大通公开了其内部多智能体系统Ask David的完整架构，该模式在投资研究领域已得到验证。其核心与当前主流Agent架构高度一致：由一个监督智能体进行整体编排，多个专业子智能体分别处理检索、结构化数据和分析等任务，在最终输出前使用LLM-as-judge进行反思与质量把关，并引入人工干预作为最后一道准确性保障。这一模式在多个领域反复出现，表明可落地的多智能体系统的关键在于清晰的分工、监督、反思与人工兜底形成的闭环，而非简单堆叠模型，对企业级Agent开发具有重要参考价值。
Berryxia.AI@berryxia本周，DeepMind、Anthropic、Alibaba等实验室的论文共同显示，AI智能体正从聊天机器人转向可工程化、可审计的生产力系统。Agentic Harness Engineering将智能体支架转化为可观测的工程闭环，提升性能且优化可跨模型迁移。Alibaba的AgenticQwen-30B-A3B通过并行强化学习飞轮，在低激活参数下实现接近大模型的工具使用能力，重塑成本。RecursiveMAS革新多智能体通信，大幅降低消耗并提升效率。这些进展标志智能体系统正从实验阶段走向生产级工程，其工程化可能成为AI落地关键。
Berryxia.AI@berryxiaAnthropic CEO断言AI将在一年内完成所有代码编写。他指出，像Claude这样的AI系统已通过海量文本掌握了编程知识，而人类通常需花费数年学习。这意味着编程技能本身不再是核心竞争力，最难的技能已被AI掌握。未来的关键差距在于能否高效配置和运用这些“无所不知”的工具，而目前多数人尚未开始认真使用。因此，未来程序员的竞争力将转向善于“指挥”AI生成代码，而非亲自编写。
Berryxia.AI@berryxiaDeepMind CEO Demis Hassabis指出，最前沿的大模型（如Gemini）表现出“锯齿状智能”。他以与Gemini下棋为例，说明模型能通过思维链发现问题并搜索更好方案，但最终仍会执行明显的错误决策。这揭示了AI智能并非平滑提升，而是在某些方面敏锐，另一些方面存在严重缺陷。Hassabis认为，真正的突破或许不在于让模型更聪明，而在于如何打磨这种不均衡的智能，使其成为可靠工具。这一观点挑战了AI将线性逼近完美智能的常见叙事。
Ethan Mollick@emollick
Tibo@thsottiaux宝玉@dotey多数公司无法有效利用AI，核心障碍并非技术，而是企业自身目标模糊、战略混乱且缺乏清晰的业务流程描述。AI擅长执行明确指令，但大多数公司处于“混乱黑盒”状态，无法清晰定义目标、工作流与衡量指标。只有少数具备高度自我认知和组织纪律的公司能真正借助AI提升竞争力。企业应首先审视自身是否具备让AI有效协助的清晰内部状态，而非盲目追求技术应用。
Chubby♨️@kimmonismus作者指出欧洲正犯下急需纠正的严重战略错误，导致竞争力下降与生活质量结构性下滑。核心批评聚焦于能源政策存在根本缺陷，且缺乏可信解决方案。在科技与经济层面，欧洲缺乏雄心与清晰规划：既无解决能源问题的可靠战略，也未大力建设支持AI发展的数据中心，更无培育全球性科技公司的计划。尽管欧盟委员会试图微调AI法案，但这几乎是唯一迎合企业需求的让步。相比之下，中美在核能、太阳能及储能领域大力投入，而欧洲的应对方式却显得摇摆、模糊且极不严肃。
Peter Steinberger 🦞@steipeteChubby♨️@kimmonismus
swyx 🇸🇬@swyx2058年，OmniCam创始人Christof主导着利用近感知AI进行大规模多智能体商业模拟。然而，模拟中的“楚门”智能体反复出现异常“突破”行为，如执意走向通往斐济的门，导致价值高昂的模拟运行失败。技术负责人Robin发现，问题根源在于过度还原现实数据导致了“前瞻性偏差”泄漏，使AI无法完全沉浸。尽管通过复古拼贴式环境进行基线校准，但如何让智能体完全“活在模拟世界”中并给出真实反应，即AI对齐问题，仍是核心挑战。Christof担忧这触及对AI思维机制的深层理解。
Peter Steinberger 🦞@steipeteMarc Andreessen 🇺🇸@pmarcaPeter Steinberger 🦞@steipete
DogeDesigner@cb_doge埃隆·马斯克提出，为实现每年远超1太瓦的能源产出，人类必须前往月球建立工厂和“质量投射器”，并以此发射AI卫星。他认为，通过月球上的质量投射器，能源产出可提升数个数量级，最终达到太阳能量的一小部分。马斯克描绘了在月球建立自维持城市、前往火星乃至探索整个太阳系的愿景，并指出这是发现可能存在的外星文明遗迹的唯一途径。他强调，实现这一宏大目标的关键路径就是在月球部署质量投射器。
Sam Altman@samaMarc Andreessen 🇺🇸@pmarcaMarc Andreessen 🇺🇸@pmarca阿绎 AYi@AYi_AInotes著名生物学家道金斯与AI模型Claude深度交流后，宣称其具有意识。但AI专家Burkov指出，缺乏对监督学习、感知机等数学原理的理解，会导致对AI本质的误判。Claude仅是预测下一个token的模型，无内在世界或自我觉知。外行以“意识”等感性判断影响AI舆论与估值，而内行强调数学本质却难被倾听。意识仍是未解之谜，但在用数学理解AI工作机制前，相关讨论多为主观投射。