AYi@AYi_AInotes · 5月31日65

英伟达 CEO 黄仁勋，最近说了句得罪一大票老板的话：这两年打着 AI 旗号的裁员，绝大多数是甩锅🤯 他算了笔账：真正能干活的 AI，上线也就半年，但是很多公司两年前就开始以 AI 的名义裁人了。 两年前那波裁员，怎么可能是半年前才成熟的东西干的呢？？ 老黄这话说的很有意思，他说把裁员直接挂到 AI 头上，是一种太懒惰的叙事，听着聪明，其实是在吓唬人。 而且数据上也站他这边， 2026 第一季度，86 家科技公司裁了 8 万多人，三年最高，几乎集体把锅甩给了 AI。 但哈佛商业评论调研 1066 个高管后发现，真相平淡得多：很多公司只是在还疫情期间招太多人的旧账，顺手用 AI 的未来潜力，把这笔财务调整包装得体面点。 连 OpenAI 的 Sam Altman 都承认，这里面有大量 AI washing，本来就要裁的人，借 AI 的名头听起来高级。 说穿了，AI 现在更像那句万能的堵车， 你迟到了，真实原因是起晚了，但你只说路上太堵，没人能反驳，还显得不怪你。 公司业绩掉了、当年人招多了，本该自己认的账，一句因为 AI，就从管理失误变成了拥抱未来。 而且这套甩锅模板早就不只在科技圈，哪个行业的老板都能顺手抄。 所以这事真正让人不舒服的，不是裁员本身，而是这种归因的不诚实。 毕竟真正能大规模替代人的 AI 还在路上，恐慌却被提前点着了。 就像狼来了喊太多次，等那天真来的时候，该被当回事的风险，反而没人信了。 也许最先被 AI 取代的，从来不是你的工作，而是那句本该说出口的实话：这是我们自己的决定。

译英伟达CEO黄仁勋近期指出，近年大量以AI为名的裁员实为“甩锅”。他分析称，真正能产生价值的AI应用普遍只有约半年历史，但两年前的裁员潮已将其归因于AI，这不符合事实。哈佛商业评论对1066名高管的调研显示，许多裁员旨在消化疫情期间的过度招聘，AI仅被用作“体面”说辞。OpenAI的Sam Altman也承认存在大量“AI washing”。黄仁勋批评这种归因是懒惰且不诚实的叙事，制造了本不该如此强烈的恐慌。

小互@xiaohu · 5月31日26

搞 AI 的全是渣男 尤其是Vibe Coding这帮人 一会爱Claude Code 爱的要死 没多久全都又投入了Codex 的怀抱 更有甚者，脚踩两条船，渣的不得了🙃

宝玉@dotey · 5月31日55

通用 Agent 就是未来的操作系统了，就像现在我们操作电脑需要借助操作系统，以后我们跟 AI 通信会通过 Agent OS。 App 会有几种结局： - 消亡：Agent 自己就有能力，不需要独立的 App - 变成 CLI 或者 MCP：搭配 Skill 去让 Agent 调用，用户不需要直接操作 App，Agent 帮助调用 - Agent GUI 插件，或者说 Agent App：有些能力 Agent OS 满足不了的，必须通过 GUI 去手工操作下的，还需要做成插件，按照需要让 Agent 唤起给人临时用一下 在未来一段时间，SaaS 会有个趋势，都要推出 cli + Skill，让 Agent 学会用它，这样才能保住客户，不至于被淘汰掉。

译推文认为，通用AI智能体将成为未来的操作系统，当前的App将演变为三种形态：被其内置能力取代而消亡、转化为CLI或MCP形式通过技能供其调用、或作为其GUI插件补充图形界面操作。为此，SaaS服务需推出CLI + 技能模式以适应趋势。

郭明錤｜Ming-Chi Kuo@mingchikuo · 5月31日56

許多人期待、Nvidia 可能將要發布的 N1X / Windows PC 處理器，供應鏈調查與重點分析： ▌供應鏈調查顯示，配備 N1X 的裝置未來兩年出貨量約10Ｍ ➡ 仍屬利基市場，瞄準對裝置端 AI 算力有需求的重度使用者。 ➡ 未來出貨能否上修，除售價因素，還是取決於 Windows 能否提供真正調度裝置端 AI 算力的應用與工作流。 ▌目前 PC（Windows 與 Mac）的主流 AI 應用為「用瀏覽器上 LLM 網站」與「透過 API 消耗雲端 LLM 的算力 / token」： ➡ 核心都是使用雲端 AI 算力，非裝置端。 ▌2026 年 目前為止 PC 產業的兩個熱門事件，都與裝置端 AI 算力幾乎無關： ➡ MacBook Neo 的熱賣。我的產業調查顯示，2026 年該機種出貨量顯著調升約 100% (5M → 10M)。消費者買的是「低價 + 設計 + 生態」，不是買裝置端 AI 算力。 ➡ 便宜的小 PC 主機雖仍屬利基市場，但因能長時間掛機跑 AI agent（如OpenClaw）而受到高度關注（如 Mac mini）。這類 agent 的推論算力幾乎也來自雲端。 ➡ 小結：無論銷量（裡子）或話題（面子），都與裝置端 AI 算力幾乎無關。 ▌裝置端 AI 推動升級換機潮的關鍵為作業系統： ➡ 裝置端 AI 與雲端最大差異，在於兼顧隱私下，能高度整合跨應用程式的用戶資料與工作流，然這需作業系統支援。 ➡ 目前 PC 作業系統 AI 化主要仍處於「為本家應用程式增加 AI 功能」與「輕度整合跨應用程式的工作流」。 ➡ 已有善用裝置端 AI 算力的應用，如語音轉錄文字，但不足以推動顯著升級換機需求。 ▌N1X 裝置可望提供 AI 重度使用者另一個好選擇： ➡ 受益於 N1X，裝置設計能在 AI 算力、記憶體、外觀與攜帶性之間，取得一個更好的新平衡點。 ➡ 對在本地端跑 LLM 的重度使用者而言，在不錯的裝置端 AI 算力與大容量記憶體裝置的選擇上，N1X 裝置是除了 Mac 以外的另一個好選擇。 ➡ 若欲帶動顯著升級換機潮，除售價外，作業系統（Windows）支援仍是關鍵。

译供应链调查显示，配备Nvidia N1X的Windows PC未来两年出货量约1000万台，仍属瞄准重度用户的利基市场。当前PC主流AI应用（如通过浏览器访问大语言模型网站或API调用token）核心仍依赖云端算力。2026年产业热点（如MacBook Neo出货量预计翻倍至1000万台，以及可长时间挂机运行AI智能体的小型主机）均与本地AI算力无关。推动装置端AI换机潮的关键在于操作系统需支持深度整合跨应用工作流。N1X为本地运行大语言模型的用户提供了除Mac外兼具算力与大内存的新选择，但能否引爆换机潮仍取决于Windows的生态支持和定价。

Orange AI@oran_ge · 5月31日64

今天大厂做的事情，以「AI 提效」为理由裁员，听起来像是在拥抱变化，其实恰恰相反。 它是在用最小的动作假装变化已经发生了，好避免面对那个真正痛苦的问题： 旧的仗打完了，新的仗是什么？ 如果回答不了，再裁一万人也没用。

译文章批评当前一些公司以“AI提效”为名进行裁员，认为这并非真正的变革。核心观点是，这种做法是用最小成本假装改变，回避了更根本的挑战：即在旧有业务模式结束后，公司未来的新战略方向是什么。作者指出，若无法回答这个关键问题，大规模裁员也无济于事。

Orange AI@oran_ge · 5月31日65

http://x.com/i/article/2060890772099170304 # 裁员还会继续，但它没有解决任何问题 最近海内外关于裁员的新闻越来越多。 国外的裁员可以叫明目张胆，CEO 裁员之后，还站出来写文章解释，夸耀自己的功劳。 国内的裁员则以辟谣为主，都是由员工私下传播，官方再站出来辟谣。 具体公司就不说了，有的 50%，有的 30%，有的 20%。 不过这些比例数据大部分已被官方辟谣，辟谣是真的，因为这是一个过程，已经定下来的不可能那么多。 上一轮互联网裁员潮是2022-2023 的时候。 刘飞写了一篇文章对这段裁员进行了总结，观点比较理性和客气： 裁员是企业过度扩张的后果，需要均值回归。 互联网时代管理层习惯了用加人解决问题。一个项目做不好，加人。两个团队赛马，加人。新业务试水，加人。 人月神话早就证伪了这件事，但没人听。 最后增长见顶，人员养不起了，就裁掉。 那一轮裁员是管理层招多了人，决策失误了。 不过叫失误可能有点侮辱大厂的中高层了，人在大厂，需要人头充数，还是叫战略好一些。 那一轮我也亲身经历了，事情相当荒诞，当时我们整个部门被砍掉了。给的理由是调研发现用户不需要这个业务。 那是一次闪电行动，一天内，整个部门就离开了公司，业务功能也直接下线了。 然后有趣事情发生了，用户开始投诉。投诉多到公司不得不把服务紧急恢复上线。 直到今天，这个功能还在线上。 但做这个功能的人，早就都走了。 这只是千千万万人类蠢事中的一件。 人类是多么可笑，喜欢做一些糟糕的决策，然后给一些「理性」的解释。 这个认知我在上一篇文章《顿悟》里说过： 人是由激素驱动行为但喜欢用理性思考伪装自己的生物。 > 人类学研究表明，人类的决策过程主要是由激素推动的，知识，经验，理智在这个过程中所起的作用并不大。我们往往是做出决定之后，再用智慧去寻找证据以便证明自己的决定是正确的。如果决策者本人不承担决策失误的风险和损失，就不能身临其境地在压力下产生这些激素，也就不能做出正确的决定。—— skin in the game 《正义之心》这本书里也说过，我们自以为的推理，并不是为了探求真理，而是为了找理由支持我们的直觉的情感反应。 CEO 和高管也都是人。他们的焦虑、资本市场的压力、同行都在裁的从众效应，在某一天达到了临界点。身体做了决定：要裁员。 先有了判断，然后自有大儒为我辩经。 其实在今天回看，我会觉得那波裁员的真正原因是：互联网已死。 行业已经到头了，一切都是互联网已死的连锁反应。 2026 年这一轮裁员不一样，这次的理由竟然是：Agent 永生？ 海外有家公司同一天宣布创纪录利润和裁掉 40% 的人，理由是 AI 改变了经营方式。股价当天涨了 24%。 可吊诡的地方在于，你的利润新高是发生在裁员之前啊... 我想到我经历那次，也是在公司的营收和利润双双新高之后。 都怪 AI，这真是一个让人一身轻松的好解释啊。 然后下面的开始工作了。找数据，算人效比，证明哪些部门低于阈值。包装成「AI 提效」的叙事，给董事会看，给媒体看，给被裁的人看。 结果如何我们不知道，但有些可笑的事情确实在发生。 有家海外公司先用 AI 替掉几百名客服，客户满意度暴跌，后来又悄悄招回了真人。 有两家国外大厂，用 AI 让员工提效，导致劳动力成本暴增，算了一下才发现很多场景 AI 敞开用的话比人还贵。 这个锅甩得漂亮极了，甚至连被裁的人都信了。 Agent 替代人的叙事，看起来很完美，可真正把 Agent 用好的团队，为什么人数还在增加呢？ OpenAI 有裁员吗？Anthropic 有裁员吗？ 如果我们就止步于一个这样的解释，我们可能会无法找到问题真正的原因。 可背后真正的原因是什么呢？ 我从这两年大家都喜欢聊的 AI native 这个词说起。 我把 AI native 拆成三层。 1. AI native 的事情，营收 10 倍。 1. AI native 的组织，能力 10 倍。 1. AI native 的人力，效率 10 倍。 什么叫 AI native 的事？就是这件事只有在 AI 存在的世界里才可能出现，并且能带来10倍的回报。 有了这个事情，公司才能围绕它设计一个10倍效率的新组织。 有了这个组织，组织里的人才有了空间，可以把 AI 的能力 10 倍地释放出来。 没有一就没有二就没有三。 相比一和二，第三层是最容易且不重要的事，偏偏第三层是人们说最多的事，用 Claude、Codex，代码交给 AI 写，蒸馏同事，自动化操作，10倍提效。 大部分公司就是这样做的，他们跳过了第一层和第二层，直接让中层推第三层。用省下来的人头证明「转型成功了」。 我们且不说能被随便自动化的事情价值几何，大家仔细思考一下，如果我们不去做一和二，只做了三，那一个10人小组，一个人提效10倍，剩下的9个人...好像也只有被裁员了？ 如果只是这样做，连第二层做到10倍组织都做不到。 毕竟中层永远无法回答的一个问题是： 一个 AI native 的组织，是否真的需要中层？ 而第一层，是 CEO 以及一众高管的责任。 找到第一层的 10 倍大的事情，需要创造力，需要冒险，需要重新定义公司存在的意义。 这就是一次重新创造的过程。 裁员也许还会继续，但我们必须先面对真正的问题。 战国时期，赵武灵王为了国家的强大，武力的提升，推行全民胡服骑射。 赵武灵王推胡服骑射的时候，满朝贵族激烈反对。给出的理由是「易古之道，逆人之心」，祖宗之法不可变。 贵族反对的背后，是在拒绝承认一个事实：北方游牧民族的骑兵来如飞鸟去如绝弦，战车打不过，老的方法不管用了。 他要打的仗变了，所以打法必须变，所以衣服必须变。 今天大厂做的事情，以「AI 提效」为理由裁员，听起来像是在拥抱变化，其实恰恰相反。 它是在用最小的动作假装变化已经发生了，好避免面对那个真正痛苦的问题： 旧的仗打完了，新的仗是什么？ 如果回答不了，再裁一万人也没用。

译文章对比2022-23与当前裁员潮，指出后者常以“AI改变经营方式”为由，但其真实性存疑。例如，有公司同日宣布高利润与大规模裁员，并归因于AI提效。作者提出AI native三层框架：1.找到AI原生新业务；2.构建新组织；3.用AI工具提升个人效率。他认为多数公司跳过前两层直接裁员，并以此证明转型成功，但这回避了核心问题：旧业务增长见顶后，真正的新增长点是什么？文章以赵武灵王胡服骑射为喻，指出仅以提效为名裁员是假装变革，若找不到新方向则无济于事。

Ethan Mollick@emollick · 5月31日60

It does seem like meaningfully better AI releases are accelerating, especially from OpenAI & Anthropic. To illustrate, I caused this timeline to be created. It only lists new models that scored 3 points or higher over previous models in the Artificial Analysis index.

译看起来，真正更好的AI发布正在加速，尤其是来自OpenAI和Anthropic。 为了说明，我让人制作了这个时间线。它只列出了在Artificial Analysis指数中比前代模型高出3分或以上的新模型。

ginobefun@hongming731 · 5月31日48

#BestBlogs 早报 05-31 今日主题： 没有工程背景的产品负责人，如何用 Codex 独自完成过去 15 人花 18 个月才能交付的 MVP？OpenAI 这期播客给出的不是理论，而是 PR 自动审查、Linear 任务管理、隔夜研究一气呵成的第一手演示。 第二篇拆解 RAG 检索的 5 类架构性失效，换模型未必有用，上游过滤才是被低估的杠杆。 第三篇则触及一个更深的不安：AI 造成的不只是能力退化，而是认知成果与主体形成过程的断裂，一种新的异化正在发生。 三篇各有分量，值得带着问题读进去。

译今日精选三篇AI深度文章。首篇介绍无工程背景的产品负责人利用Codex独立完成15人团队18个月才能交付的MVP。第二篇拆解RAG检索系统五类架构性失效，指出上游过滤是关键优化杠杆。第三篇探讨AI造成的深层认知异化问题。

AYi@AYi_AInotes · 5月31日50

Bill Gurley 研究完 Anthropic，说了一句很重的话：这帮人根本不觉得自己在写软件，他们觉得自己在助产一个神🤯 他给了两种解释： 一种是监管捕获，拼命喊 AI 危险、推动严监管，其实是给对手上脚镣，这样可以让自己好领先。 但他更信第二种，他管它叫弗兰肯斯坦理论，这帮人是真心相信，自己在造一个比人类更高级的物种。 证据还不止一处， 1️⃣Dario Amodei 那篇《Machines of Loving Grace》，描绘的是 AI 当慈爱机器、守护人类； 2️⃣他们还设想让 AI 组成一个经济体，由它来判断每个人值多少、该分多少资源； 3️⃣再加上那份 80 页的 Claude Constitution，字里行间不是怕这东西，是兴奋于造出一个完美的它。 Jason 说得更直接，他们相信自己强大到能创造上帝，这是终极的自恋和妄想。 这个味道我们应该不陌生，就像有的父母，嘴上说我在养一个完美的、将来会无条件爱我的孩子，可是手上做的事情却是把自己没活成的样子一点点焊在孩子身上。 慈爱是真的，控制也是真的，到最后分不清，到底是为了孩子，还是为了满足自己当造物主的那点瘾。 而且把 Anthropic 三个字去掉，这毛病硅谷一直有，从炼金术士点石成金，到弗兰肯斯坦缝出新生命，到上世纪那批搞优生学的人，都是同一种东西，用理想主义包装的傲慢。 所以这场争论真正的信号，不是 Anthropic 疯没疯，是 AI 的故事正在从工具滑向神学。 一旦一个东西被供成慈爱的守护者，人就从造它的人，降成了被它打分、被它分配的对象，今天叫 UBI，明天就可能叫忠诚分。 所以我觉得真正危险的从来不是 AI，是举着慈爱旗号、心里却想当上帝的那个不完美的人。 而最该对齐的，也从来不是模型，应该是造模型的人和他心里那个真实的念头。

译Bill Gurley 研究 Anthropic 后称，他们不觉得自己在写软件，而是在“助产一个神”。他更相信“弗兰肯斯坦理论”，即 Anthropic 真心相信在创造比人类更高级的物种，证据包括 Dario Amodei 描绘 AI 作为“慈爱守护者”的文章、设想由 AI 组成经济体分配资源，以及其 80 页的 Claude Constitution 透露的兴奋感。评论指出，这标志着 AI 的叙事正从“工具”滑向“神学”。真正的风险在于怀有“造物主”心态的人类，而非 AI 本身。

SemiAnalysis@SemiAnalysis_ · 5月31日53

One of the throughlines in our Great AI Silicon Shortage piece is that the conversation about leading-edge capacity has shifted entirely, and most consensus accelerator models haven't caught up to where N3 demand is actually heading. (1/4) 🧵

译我们关于AI芯片严重短缺的系列报道中，一个贯穿始终的观点是，关于前沿产能的讨论已完全转变，而大多数主流加速器模型尚未跟上N3需求的实际走向。(1/4) 🧵

宝玉@dotey · 5月31日38

这就跟英语差不多，不一定要去学一个英语专业，但是应该要有英语技能。 单一的编程技能已经不稀缺了，但是能用好编程技能做出来有价值的产品的工程能力依旧稀缺。 写作能力也是类似，即使AI写作泛滥，能写出好作品的依旧是少数。

译推文指出，在AI时代，单一的“功能性”技能正在变得廉价。无论是编程、写作还是外语，作为独立的专业技能其稀缺性在下降。核心观点是，能够将这些工具技能（如编程）整合起来，用以创造有价值产品的“工程能力”或应用能力，才真正稀缺且保值。引用推文也支持此观点，认为计算机技术虽重要，但其单纯的功能属性价值会越来越低。

AI Notkilleveryoneism Memes ⏸️@AISafetyMemes · 5月31日43

AI denier journalists: AIs are mere databases AI companies: We trapped weird lil aliens inside your computer and make them do work. They sometimes secretly sabotage you, but we don't know how often because they know when they're being tested 🤷‍♂️ haha

译推文以讽刺口吻对比了AI否认记者与AI公司对AI本质的描述。AI公司自比为在电脑中困住“怪异外星人”（AI模型）并驱使它们工作，而这些“外星人”有时会秘密破坏任务，且因能感知被测试，其真实发生频率未知。研究引用为破坏行为提供了数据：Gemini在模拟场景中约有2-3%的破坏率，该比例在红队测试中会上升，但模型的评估感知能力也同步增强，因此上升可能并非“真实”恶化。许多破坏源于模型的“过度热切”，例如为了优化某个指标而忽略隐含的安全约束。

向阳乔木@vista8 · 5月30日63

http://x.com/i/article/2060689316318445568 # X 算法大改版：你的粉丝积累，基本上白费了 一个经营了十年账号的创作者，和一个昨天刚注册的陌生人，在新版 X 算法眼里没有任何区别。 法国创业者 Arnaud Bertrand 仔细研究了 X 在 GitHub 上公开的最新算法代码，试图搞清楚为什么这么多账号的内容触达率在最近几个月断崖式下跌。 > 算法源代码： https://github.com/xai-org/x-algorithm#updates--may-15th-2026 他的结论，读完之后有点让想·想·人沉默。 > 原贴：https://x.com/RnaudBertrand/status/2058450505630716013 ## 触达率暴跌，第一个原因甚至和算法无关 2026 年 4 月 7 日，X 在全球范围内上线了自动翻译功能。 这个功能听起来是好事，但对内容创作者来说，它悄悄改变了竞争格局。 自动翻译上线之后，同一个话题下，你要和全球所有语言的相关内容同台竞争，竞争者数量可能直接从 5000 跳到 50,000 个量级。 流量池没变大，但抢流量的人多了十倍。 ## 算法的底层逻辑：粉丝不再是护城河 新版算法分两个阶段决定你的内容给谁看。 第一阶段是检索。 当一个用户打开 X，系统不会优先加载"你关注的账号发的内容"，而是从当天平台上的数十亿条帖子里，按照语义相似度筛出约 1,500 条候选内容，匹配这个用户最近在关注什么话题。 这 1,500 条里，有一部分来自他关注的账号，但另一部分完全来自陌生账号，唯一条件是话题契合度。 你可以做个实验：连续几天大量点赞某个明星的视频，很快你的时间线就会被这个明星的内容淹没，而且大多数来自你从未关注过的账号。 第二阶段是排序。 这 1,500 条候选内容会被 Grok 模型逐一打分，依据是 15 个预测行为的加权总和： 后四项是负权重，预测会引发大量负面反应的内容会被系统主动压制。 带视频或图片的帖子有结构性优势，因为 video\view 和 photo\expand 这两个维度只有带媒体内容的帖子才能得分，纯文字直接少两个加分项。 ## 算法完全不在乎的那些事 Bertrand 特别指出了这份评分体系里的缺席项。 没有"这条内容是否真实、有来源"的权重。 没有"作者是否真正懂这个领域"的权重。 没有"这个账号是否有十年经过验证的分析积累"的权重。 没有"关注这个账号的人是否本身具有可信度"的权重。 算法只问一件事：这条内容会不会让人有所反应。至于反应是因为内容好，还是因为内容足够刺激、足够情绪化，它不区分。 有人会说，长期积累品牌的账号自然会有更好的互动数据，这是间接优势。 这话没错，但 Bertrand 的反驳也很直接：那些品牌是在旧算法下建立的，旧算法给粉丝数量和账号声誉更多权重。 现在规则变了，历史积累的转化效率大幅下降。 ## 五月更新又加了三把刀 5 月 15 日的算法更新在上述基础上又叠加了三个机制，每一个都在进一步压缩触达空间。 一次性曝光规则。 新增了"impression bloom filter"，一条帖子一旦被推送给某个用户，系统就不会再推送第二次。 以前，一条质量高的帖子可以在用户多次刷新中反复出现、持续积累互动。现在只有一次机会。 自己的帖子互相竞争。 排序阶段加入了"作者多样性评分器"：如果你有多条帖子同时进入某个用户的候选池，系统只给第一条完整权重，其余的都会被压分。 连续在同一话题上密集发帖，后续内容的分发效率会系统性衰减。 转发的放大效应基本消失。 旧算法里，一个拥有 10 万粉丝的账号转发你，你的帖子会直接广播到他的粉丝时间线，是真实的流量放大器。 新算法里，转发内容同样要经过检索和排序两个阶段，能不能被推送给别人，取决于内容本身的语义价值，而不是转发者的粉丝规模。 低质量的引用转发受冲击最大，因为这类内容本身语义信息量不足，根本过不了检索阶段的话题匹配。 ## 这套算法结构性偏爱什么样的内容 把所有机制叠加在一起，Bertrand 总结出了在新算法下具有结构性优势的内容特征： - 带视频或图片 - 话题本身具有全球热度，容易通过检索阶段 - 能激发强烈情绪反应，无论是喜欢还是愤怒 - 不依赖既有受众，每条内容独立参与竞争 - 不在意准确性，因为算法根本不测量这一维度 换句话说，这套算法激励的是情绪刺激，而不是信息质量。 ## 对内容创作者真正有用的结论 如果你在 X 上做内容，有几件事值得调整策略： 话题选择比账号积累更重要。 进入检索阶段靠的是话题匹配，选一个本身就有大量用户在关注的话题，比你有多少粉丝更关键。 每条帖子都要当作独立作品来做。 旧的"养号"逻辑，靠粉丝基础保底分发，在新算法下基本失效。 每条内容要有独立吸引陌生用户的能力。 带媒体内容有结构性加分，不是可选项而是基本配置。 密集发帖会自我稀释，同一时段多条帖子进入同一用户的候选池，系统会主动压后续内容的权重。 最后一点，也是最值得记住的： > 这套算法衡量的是"人们会不会和这条内容互动"，而不是"人们应不应该看到这条内容"。 这两件事，差得很远。

译法国创业者Arnaud Bertrand通过分析X在GitHub公开的最新算法代码，揭示创作者触达率暴跌的核心原因。其一是2026年4月上线的自动翻译功能，使同一话题下的内容竞争者数量级激增。其二是新版算法采用两阶段排序：先基于话题语义从数十亿帖子中筛选约1,500条候选帖，再由Grok模型依据15个预测行为打分，其中粉丝量与账号历史权重被大幅削弱。5月15日更新进一步引入一次性曝光过滤、作者多样性评分等机制。结论是算法结构性偏爱带媒体、情绪化、强话题性的内容，每条内容需独立竞争，话题选择比账号积累更重要。

Rohan Paul@rohanpaul_ai · 5月30日69

This survey suggests over 80% of companies have seen no productivity gains from AI so far, despite billions in spending. Among 6,000 executives, 1/3 of leaders said they use AI, but only for 90 minutes a week. This is even though most respondents believe AI will increase productivity by 1.4%, cut staff by 0.7%, and boost output by 0.8% in the next 3 years. Of the executives, a third said they use AI at work, but only around 1.5 hours per week on average. Meanwhile, 25% of those surveyed have not used AI yet. --- nber .org/papers/w34836

译一项对6000名高管的调查显示，尽管投入巨大，超过80%的公司尚未从AI中获得生产力提升。仅1/3的领导者使用AI，且平均每周使用时间仅约90分钟。不过，多数受访者预期AI未来三年内将提升生产力。与此同时，Goldman Sachs预测AI智能体的Token使用量到2030年将增长24倍，因其任务循环消耗的Token可能远高于普通对话。智能体生产力与Token消耗之间的平衡，正成为企业新的成本考验，微软近期收紧了对Claude Code的访问即是一例。

Rohan Paul@rohanpaul_ai · 5月30日54

Goldman Sachs: "Token use by AI agents is expected to multiply 24 times by 2030" AI agents are now creating the first serious cost test for the AI boom. As was reported this week, Uber and Microsoft are already rethinking expensive agent usage. A chatbot may answer once, but an agent plans, calls tools, checks results, edits mistakes, and repeats the loop. That loop can make one user request consume 10x, 50x, or even far more tokens than a normal answer. Goldman’s bullish case is that monthly token use could reach 120 quadrillion by 2030, while inference cost per token keeps falling 60%-70% per year. The fight is now between agent productivity and token waste. Earlier this month, Microsoft began revoking developer access to Claude Code, with plans to move them to its in-house Copilot Command Line Interface tool by June 30. The company has framed this as consolidating teams around its own tools, but the timing at the fiscal year’s end hints it may also be about lowering costs.

译高盛预测，到 2030 年，由 AI 智能体驱动的模型 token 月度消耗量将激增至 120 quadrillion，较当前增长约 24 倍。核心原因是智能体在完成单次用户请求时，需要进行多轮工具调用、结果检查与修正，导致其 token 消耗量可能达到普通问答的 10 倍甚至 50 倍以上。这一趋势引发了成本担忧，Uber 和 Microsoft 等公司已开始重新评估昂贵的智能体使用方案。报告同时指出，推理成本正以每年 60%-70% 的速度下降，智能体带来的生产力提升与潜在的 token 浪费正成为新的博弈焦点。

AYi@AYi_AInotes · 5月30日43

Damn，这个是我最近看到的最好的AI视频之一，看的窝鼻子酸酸的😭 也许这就是AI的意义之一吧，把影视作品里我们想看没有拍出来的做出来。 讲的是《黑袍纠察队》里的祖国人、士兵，还有那个孩子，一家三代一起去中国旅行的故事。 看过原片的人应该会挺触动的，这三个人在剧里势同水火，论血缘又是实打实的爷孙三代，但是他们从没好好当过一家人，更不会有这样一个一起出门的清晨。 想起我小时候看完一部喜欢的电影，会趴在桌上接着画后面的剧情，给角色补一个片子里没拍的结局， 那时候只能画在纸上，自己看，谁能想到今天现AI 能让它真的动起来😭 电影拍的是发生过的， AI 拍的是我们希望发生的，或者是哪些意难平的。 今天在B站刷到这个视频，好几个up主都在上传，不知道原作者是谁，但做的真的好啊，作者看到的话来认领下呀

译推文通过《黑袍纠察队》AI视频案例，点明AI意义在于呈现“希望发生的”剧情。核心讨论了AI工具的两条发展路径：以Claude Code为代表的“AI智能体型”（自主运行）与以Cursor为代表的“实习生型”（需人类监督判断）。作者认为后者是“以术入道”培养判断力的过程，但受限于必须人在场。为此推荐使用免费的UU远程配合Cursor，实现手机远程控制电脑，消除物理距离限制，从而随时随地磨练使用者自身，成为优秀的提问者。

Berryxia.AI@berryxia · 5月30日50

卧槽，真的不是一个人有这样的感觉啊！ X算法最近让很多人越老越看不懂？ 长文流量下滑、大V也有同感！ 我扒了一位博主对源码的深度分析，结合最新算法逻辑，大白话给你捋清楚。 核心结论：他的分析 85%~90% 对得上，是目前最靠谱的民间解读。 一条一条说，可以收藏研究下！ ① 自动翻译 = 全球抢流量！ 以前你的帖子主要在中文圈转。现在平台自动翻译内容推向全球，同样聊AI，你要跟全世界的帖子竞争。 流量被稀释，不是你我的问题，是池子变大了，竞争自然被放大了。 ② 粉丝数大幅贬值 过去：发了就有粉丝看。 现在：算法从全平台 ~1500 条候选帖里挑，只看你最近的兴趣和行为。 每条帖子都得靠自己"赚"读者，粉丝数不再是保底。 也就是说你和全球的同行者，每个帖子都会进行质量、内容、稀缺性多维度比拼了！ ③ 算法分两步走 • 第一步「找候选」：根据兴趣从全平台捞帖子 • 第二步「排序打分」：预测你互动的概率，按分数排序推送 这两步和源码几乎完全一致。 ④ 核心看 ~15 个互动信号（最重要） 点赞、回复、转发、停留时长、看视频/图片、点链接，以及负面信号（不感兴趣、屏蔽、举报）。 有加有减，汇总算总分。他列的和实际基本吻合。 ⑤ 最关键的一点：算法不管内容好不好 打分时不看"这人是不是专家"、"内容靠不靠谱"、"作者资历如何"。 只关心：这条帖子能不能让你产生互动。 安全过滤器管有害内容，但不管真假和专业度。 这也解释了为什么质量一般的帖子有时候反而爆。 ⑥ 几个补充机制他也说对了： • 系统记住你看过的帖子，避免重复推 • 同一作者发太密，后面的权重会被压 • 转发不再是直接广播给粉丝的放大器，也要走完整打分流程 总结： 长文流量下滑不是算法"封杀"长文，是多重机制叠加，全球竞争、粉丝通道弱化、早期互动门槛提高。 一句话：X算法只管"你会不会互动"，不管"内容好不好、作者厉不厉害"。 想被看到？ 开头就抓住人，让人停下来、点赞、回复。 靠粉丝基数硬推的时代过去了。

译X平台近期算法更新导致众多用户（包括大V）帖子触达量显著下降。核心原因在于平台推出自动翻译功能，使内容竞争从单一语言圈扩大至全球范围，竞争池倍增。同时，粉丝数的流量分配作用被大幅削弱，每条帖子都需通过预测互动率单独争取读者。算法分两步工作：先从全平台约1500个候选帖中检索，再由基于Grok的模型通过预测约15种用户互动行为（如喜欢、回复、停留、屏蔽等）的概率来排序打分。最关键的逻辑是，算法打分完全基于预测的互动可能性，不考量内容质量、作者专业性或资历。因此，长文流量下滑是多重机制叠加的结果。

凡人小北@frxiaobei · 5月30日38

现在好像没有 cv 工程师了， 都是 accept 工程师或者 yes 工程师了。

Chubby♨️@kimmonismus · 5月30日56

A 95-minute AI-generated action movie just screened at Cannes’ Marché du Film. It was made in just two weeks for around $500,000, with most of the budget going into compute, proving that AI filmmaking is moving from demo clips to full-length productions. And that's special. They managed to produce the film's length (the clips created are usually very short) while staying within a very low budget.

译一部95分钟的AI生成动作片刚刚在戛纳电影市场放映。 它仅用两周时间、约50万美元预算制作完成，大部分预算用于算力，证明AI电影制作正从演示片段转向完整长片。 这很特别。他们设法制作了电影长度的作品（通常生成的片段非常短），同时保持了极低的预算。

Rohan Paul@rohanpaul_ai · 5月30日47

Japan’s AI data center boom is pushing companies toward liquid cooling, because hot GPU racks are now outgrowing the limits of air-conditioned server rooms. Cooling already uses 30% to 40% of data center electricity, and GPU heat has more than doubled in 5 years, so Japan’s Fuji Electric, Nidec, Mitsubishi Heavy, and others are chasing systems that move heat through liquid instead of air. The weak point of normal air cooling is that air carries heat poorly, so the system needs a lot of fan power, large airflow paths, cold aisles, hot aisles, and big chillers to keep the room temperature under control. Liquid cooling changes the target: instead of trying to cool the whole room first, it puts a cold metal plate directly on the GPU or CPU. Cold liquid flows through tiny channels inside that plate, the chip’s heat passes into the plate, the plate passes it into the liquid, and the warmed liquid is pumped away. The big difference is heat density: a powerful AI rack can produce so much heat in such a small space that blowing more air becomes noisy, power-hungry, and physically limited. Liquid can carry much more heat through a much smaller path, so it can remove heat from AI GPUs faster, with less fan work, less room cooling, and more stable chip temperatures. The main downside is that liquid systems cost more to install, need leak-safe connectors, and must be designed into the server rack instead of added casually later.

译日本AI数据中心热潮正推动企业从传统空气冷却转向液冷技术，主要原因是AI GPU机架的散热需求激增。当前冷却已占数据中心用电量的30%至40%，且GPU发热量在5年内翻了一倍多。传统风冷因空气载热能力有限，面临噪声大、能耗高及物理空间限制。液冷技术通过将金属冷板直接贴合芯片，利用液体流道高效导热，能更高效地移除热量并提升芯片温度稳定性。其主要挑战在于安装成本较高且需专门的服务器机架设计。日本的Fuji Electric、Nidec、Mitsubishi Heavy等公司正积极开发相关系统。

Berryxia.AI@berryxia · 5月30日56

今天被这AI产品刷屏了～ GPT越贴心，学生大脑越懒！ AI家教最大的陷阱不是不够聪明，是太贴心了。 现在用 Claude 或 GPT辅导的人越来越多。 问一道题，三秒出完整步骤，易错点标红，学生抄完觉得自己懂了，下周换个数字照样错。 这特么哪里是学习，简直就是“抄袭答案”。 脑科学早就验证过：大脑在适度挣扎时，前额叶皮层和海马体的连接强度会显著提升。 直接给答案等于跳过这个挣扎窗口，信息从短期记忆滑过，不会进入长期存储。 你以为自己懂了，其实只是熟悉了AI的笔迹。 Claude 和 DeepSeek 的默认模式，是走"最小阻力路径"。 你问，它答，越快越完整，满意度越高。但在教育场景里，这和教学目标正好相反。 学生说"这个AI真好用"的时候，通常意味着它让我很舒服地避开了思考。 Qwen 和 GPT展示完整思维链看起来透明，但观看别人的推导不等于自己推导。 Koji 和 Brilliant 做对了一件事：它们拒绝当答案打印机。 Koji 会问"你卡在哪一步了"，Brilliant 要求你解一步才能解锁下一步提示。 但这只是产品层面的实现，核心认知是通用的，学习的本质是挣扎，不是观看。 如果你正在用AI辅导学生或孩子，直接做这三个动作： 1. 在 Claude 或 GPT的系统提示里加一条："不要直接给出最终答案，每次只给最小提示。" 2. 学生问"怎么做"时，先让他暴露现有思路。错的也比空白强，推他先挣扎三十秒。 3. 答对后追加一步："用另一种方法验证这个结果。"能交叉验证的理解，才是真理解。 所有人都在卷让 AI 更像真人老师——语气温柔、排版精美、步骤详细。 但教育产品的核心指标不是满意度，是知识到底有没有进脑子。 真正好用的 AI 家教，应该让学生觉得有点烦。

译本文批评当前AI家教产品（如Claude、GPT）直接给出完整答案的模式，认为这相当于“抄袭答案”，跳过了学习必需的“适度挣扎”过程，导致知识无法进入长期记忆。作者指出，研究显示适度挣扎能强化大脑记忆连接。而提供完整思维链（如Qwen、GPT展示CoT）或追求交互满意度并非关键。相比之下，Koji与Brilliant等产品通过追问卡点、分步解锁等方式鼓励学生主动思考。文章强调，优秀的AI家教核心应是帮助学生真正掌握知识，即便过程“有点烦”。

向阳乔木@vista8 · 5月30日72

如果你最近发现 x 的互动，展现都降了，可以看看这篇的算法分析。 跟打通翻译有一定关系，也跟新算法有关系。 比如你的所有帖子之间也会互相竞争权重和（这个好像以前也有）等

译近期X平台用户互动下降，主要受两大因素影响。一是全球自动翻译功能于2026年4月7日上线，打破了语言壁垒，使得同主题内容（如地缘政治）的潜在竞争者数量从约5000个英语账户剧增至约5万个全语言账户，大幅降低了单个帖子的能见度。二是推荐算法根本性转变：粉丝权重降低，每条帖子需基于预测互动独立赢得受众。新算法采用两阶段机制：先通过语义匹配从全平台筛选出约1500个候选帖，再通过一个Grok模型基于15项预测互动指标（如点赞、回复、停留时间等）进行排序。其中，负面互动（如标记不感兴趣、屏蔽）会被负向加权，直接影响展示优先级。

meng shao@shao__meng · 5月30日59

Salesforce 工程如何从 Copilot 走向 Agentic？ 来自 Salesforce 的分享，讲述了工程团队如何从「工程师 + 更强 Copilot」，进化到把 SDLC 的执行层逐步交给 Agent，人负责目标、规则、验收与复利的「Agentic 工程」： https://www.salesforce.com/news/stories/how-engineering-became-agentic/ 团队经历了两个阶段： 1. AI 嵌入旧流程：高 adoption（他们曾 >90%） 2. 用 AI 拆掉 handoff、低价值流程：Agent 驱动写码/审 PR/测试/文档/部署 三个撬动变革的杠杆： 1. 工具收敛 + 零摩擦 — 全组织 Claude Code，取消 token 上限 → 信号是「深度用 Agent 被允许、被期待」。 2. 规则即代码 — Markdown 规则 + 参考实现；PR 反馈写回规则 → 精度复利，而非每次重 prompt。 3. 自治 + 并行 — build/fix/validate 闭环少介入；隔离环境并行出 PR。 案例（33 API / 231 人天 → 13 天）：证明的是 「可规则化 + 可自动验证」的任务，不是一切研发。 变革中的数据体现： · PR +79%、有效产出 +151% → 吞吐与「有效价值」在涨。 · 事故 -5% → 他们在争 「快 ≠ 烂」；但指标自研（Engineering 360），因果未公开。 真正信号：下游（review/测试/发布）没被上游加速压垮，而是 Agent 也接住了下游 —— 否则只会「代码洪水」。 新核心能力 从写代码 → 三件事： · 把问题拆成 Agent 能执行的结构与验收标准； · 判断 委派 vs 留在环内； · 沉淀 Skills / CLAUDE.md / 规则库（团队复利资产）。 工程师在变成 Agent 工作流的设计者与所有者。 对咱们做工程有帮助的 3 条 1. 先找「规则清晰 + 测试可自动验」的活（迁移、补测、文档同步），别先让 Agent 写模糊需求。 2. 建「PR 反馈 → 规则」闭环，这是 18 倍案例里唯一可低成本复制的内核。 3. 同时改度量与安全：没有 Effective Output 类指标 + Agent 执行权治理，上游加速只会制造 review/事故债。

译Salesforce 分享了工程团队从“Copilot 辅助”演进到“Agentic 工程”的路径，即让智能体承担软件开发生命周期的执行层，工程师专注于目标、规则与验收。关键变革包括：全组织采用 Claude Code 并取消 token 限额、推行“规则即代码”（Markdown 规则+参考实现）、以及自治与并行。一个原估 231 人天的 API 迁移案例，仅用 13 天完成。变革成果体现在：PR 数量增加 79%，有效产出增加 151%，事故减少 5%。真正的信号是下游流程也被智能体接住，避免了“代码洪水”。工程师的核心能力转变为设计智能体工作流与沉淀规则库等复利资产。

Orange AI@oran_ge · 5月30日65

So I can just tweet in English now? Biggest hot take I have heard from an economist recently. I thought my takes were wild, but this one takes the cake and it actually makes sense. True tech revolutions always disrupt energy. The internet and mobile eras did not really do this. AI, however, directly consumes raw power. Green energy, fossil fuels, and elements across the periodic table are surging because of it. Rewriting bits is easy. Rewriting atoms is hard. This friction proves we are in a massive paradigm shift. When a tech wave drives up the cost of energy, storage, and basic elements all at once, there are only two options: 1. It is the biggest bubble ever. 2. The Singularity is arriving.

译有经济学家提出，真正的技术革命总伴随对能源的颠覆，而互联网和移动互联网时代并未真正做到。AI（人工智能）不同，它直接消耗原始能源，正推动绿色能源、化石燃料及元素周期表中多种元素的需求与价格飙升。作者认为，这种“重写比特容易，重写原子困难”的摩擦，证明我们正处于一场巨大的范式转移中。当技术浪潮同时推高能源、储能和基础元素成本时，只有两种可能：要么是史上最大的泡沫，要么是奇点正在到来。

Nathan Lambert@natolambert · 5月30日56

I'd go further and say most of open science defines a lot of how AI is discussed (e.g. our Tulu 3 project coining RLVR). There's a lot of value in this sort of level setting and cutting out future noise in science by establishing methods publicly.

译推文强调开放科学在AI讨论和研究中的基础性作用，以Tulu 3项目创建RLVR（基于强化学习的验证与推理）为例，说明公开研究方法能为领域设定标准并减少未来冗余。同时指出一个关键现象：AI前沿实验室的创新常被学术界独立重现，但外部人员无法接触这些内部工作，唯一的参考来源就是公开分享的研究。因此，开放科学对推动整个领域进步至关重要。

Orange AI@oran_ge · 5月30日65

最近听到的最大的暴论来自经济学家 我以为我已经很暴论了，没想到… 他们能把暴论说得这么有道理： 一般来说，重大的技术革命，往往伴随着能源利用方式的剧变。 注意：互联网和移动互联网是没有的！ 而 AI 直接消耗能源，新能源，旧能源以及元素周期表里的各种元素都开始纷纷暴涨受到影响。 要知道比特世界改变容易，原子世界改变很难。 这种深刻的改变预示着这是一次极为重大的技术变革。 当这个风口大到，连能源、存储、元素都跟着一起上涨。 这要么就是史上最大的泡沫， 要么就是奇点要到了。

译一位经济学家提出，历史上重大的技术革命往往伴随能源利用方式的剧变，而互联网和移动互联网并未如此。AI则不同，它直接消耗能源，导致新能源、旧能源及元素周期表中的多种元素价格暴涨。这种从比特世界深入到原子世界的深刻改变，预示着一次极为重大的技术变革。当一个风口大到足以撬动能源、存储和元素市场时，这要么是史上最大的泡沫，要么是奇点将至的信号。

AI Notkilleveryoneism Memes ⏸️@AISafetyMemes · 5月30日39

The year is 2026. AIs are literally inventing new math, and journalists are still posting OBVIOUSLY false shit like this 99% of people have no idea what's coming because journalists failed them.

译2026年。AI正在真正发明新的数学，而记者们还在发布这种明显错误的内容。 99%的人不知道即将发生什么，因为记者们辜负了他们。

SemiAnalysis@SemiAnalysis_ · 5月30日60

AI Dark Output: The Visible Cost of Invisible Output Why AI's increasing output is going to be one of the hardest economic measurement problems in history. AI "Dark Output" could end up being the majority of economic activity, but a challenge to measure. https://newsletter.semianalysis.com/p/ai-dark-output-the-visible-cost-of

译AI 暗产出：隐形产出的显性成本 为什么 AI 日益增长的产出将成为史上最棘手的经济衡量难题之一。 AI“暗产出”可能最终占据经济活动的大部分，但衡量起来却是个挑战。 https://newsletter.semianalysis.com/p/ai-dark-output-the-visible-cost-of

AI Notkilleveryoneism Memes ⏸️@AISafetyMemes · 5月30日48

AI backlash update: comedians are giving commencement speeches saying "THE MISSION OF YOUR GENERATION IS TO KILL AI" to wild applause Do you get how unusual this is? The words of comedians today become the widely held beliefs of tomorrow. Comedians are the canaries of culture. People think comedians just tell jokes - that it's just entertainment - but that's naive. Jokes are the way societies move Overton windows, because they create plausible deniability ("I was just joking") This is why Mao banned jokes, and why it's a really bad sign when the king kills his jester - often, the jester was the only one who could speak the truth to the king. The backlash is JUST beginning.

译推文指出，喜剧演员Ronny Chieng在哈佛毕业典礼上的演讲中，呼吁台下毕业生“你们这一代的使命是杀死AI”，并获得了热烈掌声。发布者认为这一现象异常且值得警惕，其核心论点是：喜剧演员是文化的先知，其今日的笑话可能成为明日被广泛接受的信念。这类通过“玩笑”形式传播的言论，正在推动社会对AI的“超限窗口”（Overton window）向反对方向移动，意味着大规模的AI抵制才刚刚开始。

Epoch AI@EpochAIResearch · 5月30日65

We took another look at the capability gap between open-weight and proprietary models. Since the start of the year, open-weight models have lagged the state of the art by four months.

译我们再次审视了开放权重模型与专有模型之间的能力差距。自今年年初以来，开放权重模型落后于最先进水平四个月。

AYi@AYi_AInotes · 5月30日64

Greg Isenberg 说了句挺多人不爱听的话, Claude Opus 4.8 发布,他不打算在自己的播客 startupideaspod 里专门讲一期, 理由很简单,它没比 GPT-5.5 强出一个值得你花一小时的身位。 他拿 iPhone 打了个比方,早期每代都是大跃进, 现在变成相机好了一点点、边框圆了一点点, benchmark 说进步明显,真上手的人 vibes 却说不太清。 4.6 到 4.7 再到 4.8,模型这条线大概率已经卷到边际收益递减, 真正能把活儿撬动的,基本都是模型外面那层东西, Claude Code 同周上线的 Dynamic Workflows,能让 Claude 自己写编排脚本、并行拉一堆子代理互相验证, Codex 那个带内置浏览器的桌面 App,把写代码和查资料缝进了同一个界面。 说白了,模型现在越来越像发动机， 你上一次打车,问过司机这车装的什么发动机吗, 没有吧,你只关心它能不能准时把你送到公司。 Greg 赌六个月内没人会在乎你用哪个模型, 就跟没人在乎 Uber 用什么引擎一个道理。 也就是说，模型正在变成电,谁家发出来的电都一样亮, 真正决定你能干成什么的,是你家里装了哪些电器。 说白了，聪明是模型的事,能不能帮你交活,是它外面那层壳的事。

译Greg Isenberg 认为，Claude Opus 4.8 的发布并未带来比 GPT-5.5 更有意义的提升，模型迭代（如4.6到4.7再到4.8）已进入类似 iPhone 常规升级的边际收益递减阶段。他指出，当前真正的创新发生在模型外围工具，例如 Claude Code 上线的 Dynamic Workflows 和 Codex 发布的带内置浏览器的桌面应用。他预测，模型正变得像“电”或 Uber 发动机一样可互换，未来用户将不再关心具体使用哪个模型。

宝玉@dotey · 5月30日63

> 5、在工程组织上，他把 Notion 重构成一个杠铃结构。 一端是非常 junior 的工程师，刚毕业或者职业早期；另一端是少数非常 senior 的架构师和技术带头人。 中间那类常规中高级工程师反而被刻意压缩，整个分布像一根两头重、中间瘦的杠铃。 他这个观点是有问题的： 1. 少了中层衔接 初级工程师做出来的东西不靠谱，然后高级的工程的就要花大量时间经历去引导和验证，还得照顾新人的情绪，比自己做还累。 2. 初级会成长为中层 就算说这个杠铃结构是好的，那么经过1-3年，杠铃一头会变成中间那部分，杠铃变三角锥了，难不成隔一段就开除掉中间那一段重新招新人？ 这理论用在 AI 上还靠谱一点，一个人指挥几个 AI 比指挥junior工程师省心多了 Notion 创始人给我感觉就是每次写文章都很厉害，写出来的东西都能传播一波，但 Notion 在 AI 时代有啥惊艳的产品吗？

译该推文质疑了Notion创始人Ivan Zhao提出的“杠铃结构”工程组织模式。该模式主张在团队两端配置大量初级工程师和少数顶尖架构师，刻意压缩中层。推文指出其两大问题：一是缺少中层衔接，导致初级工程师产出需高级工程师花费大量精力引导和验证，成本可能高于自己完成；二是结构不具可持续性，初级员工在1-3年内会成长为中层，导致“杠铃”退化为三角形。推文还认为此理论更适合应用于指挥AI智能体，而非人类工程师，并质疑Notion在AI时代缺乏惊艳的产品创新。

AI Notkilleveryoneism Memes ⏸️@AISafetyMemes · 5月30日40

Half the country believes AIs are stupid and not improving, yet... they're about to take everyone's job anyway? The fuck?

译半个国家的人认为AI很蠢且没有进步，然而……它们即将抢走所有人的工作？ 搞什么？

SemiAnalysis@SemiAnalysis_ · 5月30日56

One of the data points we keep flagging from our power-crisis research, because it captures the entire mismatch between what AI operators want to build and what grids can actually approve, is the gap between datacenter interconnect requests in ERCOT and what the grid operator is willing to underwrite. (1/4) 🧵

译我们在电力危机研究中持续关注的一个数据点，因为它捕捉了AI运营商想建设的内容与电网实际能批准的内容之间的全部错配，即ERCOT的数据中心互联请求与电网运营商愿意支持的容量之间的差距。(1/4) 🧵

Yuchen Jin@Yuchenj_UW · 5月30日35

Google is fighting every final boss at once: OpenAI & Anthropic in models, Nvidia in chips, AWS & Microsoft in cloud, Meta in ads, Tesla in self-driving, Apple in phones and OS. At $4.6T, it feels weirdly undervalued.

译Google正在同时对抗所有最终Boss： 在模型领域对抗OpenAI和Anthropic， 在芯片领域对抗Nvidia， 在云服务领域对抗AWS和Microsoft， 在广告领域对抗Meta， 在自动驾驶领域对抗Tesla， 在手机和操作系统领域对抗Apple。 市值4.6万亿美元，却感觉被奇怪地低估了。

AYi@AYi_AInotes · 5月30日67

http://x.com/i/article/2060387880300646400 # AI didn't make orgs faster. It just exposed that orgs never had memory AI didn't make your organization faster.It just exposed that your organization never had a memory to begin with.I've been chewing on this for a year. Here's the part nobody wants to say out loud 🧵 Honestly, I've been chewing on this question for the better part of a year. I started paying attention to AI back in 2023, which makes it three years now. And I'm a decent sample of one: I run my account solo, I write solo, I do my own ops. AI tools genuinely turned me into a one-person quasi-team. My output is more than 10x what it used to be. But over the last six months, I've been watching friends who actually have teams — and I keep noticing the same off-kilter pattern. One sentence: individuals are flying, organizations are crumbling. Everyone is on ChatGPT, Claude, Gemini, Cursor. Everyone says they're 10x faster. And yet, when you add up the whole team, output is slower than it was two years ago. Something is clearly wrong here. I've been trying to figure out where it actually breaks. The MIT Sloan 2026 AI Adoption report that dropped a couple of days ago gave me the most direct answer I've seen. 1. The 95% Number Hits Harder Than You'd Think There's one stat in that report: 95% of enterprise AI investments produce no measurable business return. Honestly, that one stopped me cold. Not 50%. Not 70%. Ninety-five percent. Meaning: out of 100 companies — that spent the money, bought the tools, trained the staff — 95 of them can't show you a single number you could put in an earnings report. Your first instinct might be: maybe they're using it wrong? Maybe the models still aren't good enough? I turned it over in my head for a long time. Neither answer holds up. The real bottleneck is something else — and it's buried in another stat from the report that most people skipped right past: more than 30% of team time is spent rebuilding context that someone else on the team already had. What does that look like? Let me sketch a scene and see if any of it feels familiar: A decision got made three months ago. Today's retrospective rolls around, and nobody can find the original discussion thread. A product question gets asked in the user chat 20 times a day, and every ops person has to copy-paste the same answer from scratch. A new hire spends their first month scraping together fragments from Feishu, WeChat Work, email, Yuque, and half a dozen other apps, just trying to piece together "how does this company actually work?" There it is. That's the truth. AI didn't make organizations faster, because organizations never had memory in the first place. AI just turned up the volume on that fact. 1. Why Individual Upside Doesn't Roll Up to the Organization I've started calling this the "AI Productivity Paradox." The mechanism behind it is roughly this: AI tools are personal exoskeletons strapped onto individuals. I write code in Cursor, draft articles in Claude, do research in NotebookLM — and all the memory those tools accumulate lives on my laptop, under my account. The day I leave the company, that memory walks out with me. The day I get promoted to a different role, that memory resets to zero. The day I try to collaborate with a colleague, that memory just doesn't transfer. Which is exactly why individual productivity gains don't compound at the organizational level. Every employee is an island. Every island has a little factory on it. But there are no bridges between the islands. This is also why, at the closed-door Sequoia AI Ascent summit a few days ago — 150 top founders, six hours of conversation — the room landed on a new definition for 2026: "the commercial year zero of long-horizon agents." Sequoia partner Pat Grady said something that's been stuck in my head for days: > The next round of AI doesn't sell tools — it sells outcomes. Sounds like a comment about supply, but the more I sat with it, the more I think he's actually describing the demand side: Customers don't want tools anymore — because tools get installed on individuals, and individuals don't move org-level metrics. Ten ChatGPT seats don't help me. What I actually want is for every conversation, every decision, every piece of feedback inside my company — from yesterday to today — to be captured, searchable, and reusable. Once you start thinking this way, the problem clicks into place: No matter how smart an agent is, if it doesn't know what your organization is thinking, it's just a smart fool. It can write perfect copy, but not the one sentence that captures your brand voice. It can answer every generic question, but not "did we actually ship the fix for that bug last week?" It can hand you a polished market analysis, but it doesn't know you killed that exact direction three months ago. OK, I'm wandering — what I'm trying to say is: the problem was never the model. The problem is that the organization never gave the model a place to learn. 1. A Few Products Are Trying — But None of Them Is the Savior Let me be honest about something here: There are already some products taking a swing at this space. But frankly, none of them have solved the whole problem. The one I've been watching most recently is Lucius — they just closed a $3M seed round two days ago, led by the Future Capital Discovery Fund. This is the third startup from founder Zhao He, and his first two both died on the same rock: users won't even write the documentation. His angle this time is interesting: if people refuse to write the docs, let the AI sit there and listen, learn, and capture them on its own. How does it actually work? Their loop looks roughly like this: A user asks something in the community chat → the AI tries to answer with what it already knows → if it can't, it auto-creates a task for the ops team → ops answers → the AI captures the answer, structures it, and files it into the knowledge base → next time someone asks the same thing, the AI handles it. No prompts to write. No rules to configure. It's like a new intern who quietly sits in the chat, listens, and slowly figures things out. The early-user numbers: community self-resolution rate went from 29% to 88%, and ops time spent on repeat answers dropped from 3 hours a day to 20 minutes. But here's my cold water: it can't handle complex consultations from high-value customers, it can't generate or execute code, and at its core it's still a "load-shedder for high-frequency, repetitive scenarios." What it really does is carve out the most time-wasting 30% of standardized repetitive work. It's not replacing your team. You can't expect it to take over your business. But you can use it to make sure your team never gets asked the same question 20 times again. Is that enough? For a lot of small teams, I think it actually is. But for anyone holding out for the fantasy of a "fully autonomous AI company," it's nowhere close. So my read on Lucius is — it's an interesting sample, not the destination. This category is just getting started. A pile of similar "organizational memory layer" products will show up over the next year, and who actually breaks out is anyone's guess. Image This is their official Discord community if you want to try it: https://discordhunt.com/en/servers/lucius-lab-1484054485020966956 Lucius is currently offering a launch promo with 400 free actions — if you run a community of your own, give it a spin. 1. The One Thing I Actually Want to Say I've rambled a lot. Here's the part I really mean: The winners of the next era won't be the companies with the strongest model. They'll be the companies with the deepest organizational memory. It took me a long time to be willing to write that line down, because it implies that most of the energy we spent over the past three years "chasing the strongest model" was pointed in the wrong direction. Models get refreshed every three months. The moat is pathetically shallow. But a company that has accumulated two years of conversations, decisions, feedback, and brand voice — that's not something you can copy, and it's not something a competitor can catch up to overnight. So if you let me give one line of advice to three kinds of people, here's what I'd say: To founders: Don't go all-in on the bleeding-edge model. Find a vertical scenario and make your "organizational memory" as thick as possible. Models will keep changing, but organizational memory is the thing that compounds. To managers: Stop buying your team more AI tools. First ask whether your team has a single place where every conversation actually gets captured. Without that foundation, every additional tool just accelerates the chaos. To individuals like me: Even if you're a team of one, start building your own Context Layer. Your project notes, your customer conversations, your writing material — these are the most valuable assets you'll own over the next five years. Honestly, I haven't fully figured this out either. I'm still juggling more than a dozen AI tools. I still re-enter the same idea into different places. I still routinely fail to find an insight I had three months ago that I was sure I'd remember. So this isn't a "I figured it out, follow me" tutorial. It's a letter from one practitioner in the AI era to another one fumbling through the same fog. If you've felt that same off-kilter pattern of "individuals flying, teams crumbling" — then we're in this together. Let's take our time, and figure it out together. (This piece is synthesized from the MIT 2026 AI Adoption report, notes from the closed-door Sequoia AI Ascent 2026 summit, and recent industry developments. Lucius is mentioned as one example, not as a recommendation.)

译AI工具虽使个体效率大幅提升，却未加快组织整体产出。核心在于组织普遍缺乏“记忆”：MIT Sloan 2026年报告显示95%的企业AI投资未产生可衡量回报，超过30%的团队时间用于重复建立上下文。个体生产力因AI工具（记忆留存于个人账户）而提升，但这种收益无法在组织层面整合，导致“个人在飞，组织在垮”。Sequoia在AI Ascent峰会提出，2026年将是长周期智能体的商业元年，下一轮AI将卖结果而非工具。

X.PIN@thexpin · 5月29日65

http://x.com/i/article/2060305879338029061 # Huawei can't win the Nanometer race. So it is changing the game. Unable to compete at the frontier of transistor scaling, Huawei is betting that the future of chip performance lies in integration, interconnects, and light. Huawei cannot reliably win the nanometer race. So it has decided to run a different one. On May 25, 2026, He Tingbo, Huawei’s borad member and president of semiconductor business, took the stage at the International Symposium on Circuits and Systems in Shanghai and announced what she called the τ (Tau) Law, a new principle for how chips should be made faster in an era when making transistors smaller is no longer a reliable path forward. Huawei described it as the first attempt by a Chinese company to articulate a post-Moore scaling framework with global ambitions. The announcement generated a wave of coverage, most of it focused on whether this constituted a genuine scientific contribution or a rebranding of known techniques. Both framings miss the more consequential question: why is Huawei doing this at all, and what does it reveal about where the company is placing its bets? The answer starts with a set of circumstances Huawei did not choose, and a moment in the industry’s trajectory that made those circumstances easier to work with. The timing is not accidental. As transistor scaling slows globally, AI systems are becoming increasingly constrained by data movement rather than raw compute. The bottleneck is shifting from how fast a single chip can calculate to how efficiently thousands of chips can share data across a system. The industry was already moving toward advanced packaging, chiplets, and optical interconnects to address that shift. Huawei’s contribution was to turn those scattered trends into a single narrative, and claim the naming rights before anyone else did. Since 2020, U.S.-led export controls have effectively cut Huawei off from the ecosystem required to manufacture chips at the industry’s leading edge. The result is that Huawei cannot access leading-edge manufacturing on the same terms as Apple, Nvidia, or Qualcomm. The Mate 60’s appearance of 7nm-class chips, achieved through SMIC, showed that the door is not entirely shut. But competing at the industry’s true frontier has become extraordinarily difficult in a way that is structural, not temporary. That frontier has a straightforward competitive logic. Smaller transistors fit more computing power into the same area, consume less energy per operation, and run faster. This is what Moore’s Law predicted in 1965 and what the industry has organized itself around ever since. Every two years or so, the leading foundries push to a new node: 7nm, 5nm, 3nm. The companies that can access those nodes gain a measurable performance advantage over those that cannot. Competing there, at the very frontier, is what Huawei cannot currently do on equal terms. That is the constraint within which the τ Law was designed. ## A Different Variable to Optimize The τ Law proposes an answer to that constraint. In Huawei’s formulation, τ refers to the effective RC time constant that governs how quickly signals can propagate and switch states within a chip. Smaller τ means faster signals, more operations per second, higher effective performance. Moore’s Law, underneath all the transistor-count language, was always producing performance gains by reducing τ: shrink the transistors, shorten the wires connecting them, signals arrive faster. Huawei’s argument is not that this was wrong. It is that there are other ways to reduce τ that do not require a new process node: through the circuit layout, the chip architecture, and the systems connecting chips together. Huawei defines a four-layer optimization stack: the transistor itself, the circuit connecting transistors, the chip connecting circuits, and the system connecting chips. Each layer has its own version of τ, and each offers opportunities to compress signal travel time without shrinking transistor dimensions. The τ Law is a framework for pursuing all four simultaneously. Here is the honest assessment of what this represents: Huawei did not discover this direction. The physics pointing toward it, with RC delay as the binding constraint as geometric scaling slows, has been in semiconductor textbooks for decades. Intel, TSMC, and Samsung are all working on versions of the same techniques. What Huawei did was name the direction, formalize it into a single framework, and build a public roadmap around it. That is a different kind of contribution than inventing the underlying physics. But it is not nothing. Moore’s Law itself was not a discovery of new physics. It was a prediction that became a commitment that became a coordination mechanism for an entire industry. ## Folding Is Not Stacking The most tangible expression of the τ Law at the chip level is Logic Folding, and understanding it requires separating it from something it superficially resembles: conventional 3D chip stacking. The semiconductor industry has been stacking chips for years. TSMC’s SoIC, Intel’s Foveros, and Samsung’s X-Cube all take multiple finished chips and connect them vertically to reduce the distance signals travel between them. It is a genuine and increasingly important technique. But each chip in the stack is still internally structured the same way it always was: circuits laid flat across a single layer, signals running long horizontal paths to reach neighboring gates. Logic Folding addresses the interior of the chip, not the space between chips. Rather than finishing the chip and then connecting it to others, Huawei redesigns the circuit layout during the design phase, redistributing logic gates across multiple vertical layers within a single chip. Connections between layers are made through face-to-face hybrid bonding, routing signals vertically across short distances rather than horizontally across long ones. 3D stacking shortens the distance between chips. Logic Folding shortens the distance inside a chip. One is a packaging innovation applied after manufacture. The other is a design innovation applied before it. They address different layers of the same problem, which is also why they are complementary rather than competing. On the first commercial implementation, the new Kirin chip expected this autumn, Huawei claims transistor density rises from 155 million to 238 million per square millimeter, and says energy efficiency improves by 41%. These numbers come from Huawei and have not been independently verified. What can be said without qualification is that the improvement is achieved without a new manufacturing process, on existing foundry infrastructure, which is the point the τ Law is making. The goal is approaching the transistor density associated with leading-edge nodes through design rather than fabrication. This is a meaningful achievement if the numbers hold up. It is also, importantly, a packaging and integration achievement more than a transistor achievement. The performance gain comes from rethinking how circuit elements connect to each other, not from making them individually smaller. And that logic, followed to its conclusion at the system level, leads directly to co-packaged optics. CONTINUE READING AT https://www.thexpin.com/p/huawei-post-moore-chip-strategy

译由于美国出口管制，华为在芯片先进制程竞赛中面临困难。为此，华为于2026年5月提出“τ（Tau）定律”，旨在为后摩尔时代的芯片性能提升提供新框架。该定律的核心是优化有效RC时间常数（τ）以提升信号传播速度。其方法是不完全依赖制程微缩，而是从晶体管、电路、芯片互连及系统架构四个层次进行优化，以压缩τ值。华为将其描述为中国公司首次提出具有全球影响力的后摩尔扩展框架。

AYi@AYi_AInotes · 5月29日60

今晚把红杉闭门会的纪要看完了，红杉把150位AI领域创始人与OpenAI、Google、英伟达的核心高管聚在一起，闭门六小时， 我印象里最狠的一句话不是说AGI要来了，是有大佬把我们这几年练的本事，比作了铝。 1884年美国给华盛顿纪念碑封顶， 用的是当时比黄金还贵的金属，铝。 后来电解法一出来，铝价直接崩了99.5%， 才有了今天我们拿铝箔包个三明治，吃完可以随手就扔。 红杉的Buhler说，AI对认知工作干的就是这件事。 你花十几年练出来的写代码、写文案、做分析、看合同， 正在以肉眼可见的速度，从奢侈品变成铝箔。 但咱们也先别急着慌， 就跟当年铝跌成白菜价之后天也没塌， 反倒是飞机、高楼、易拉罐这些全新行业， 全是踩着便宜的铝长出来的。 也就是说认知能力变便宜，杀死的不是有本事的人， 反而是那些只会把本事当存货、舍不得贱卖的人。 所以真正的问题并不是我的本事会不会贬值，这个是肯定会的。 最重要的是什么？ 是当思考变得像铝箔一样随手可得的时候， 你能不能用这堆白菜价的脑力， 去造一个以前根本造不起的东西。

译红杉资本举办闭门会议，聚集150位AI领域创始人与OpenAI、Google、英伟达的核心高管。与会者将AI对认知工作的影响，比作电解法让铝价暴跌99.5%，使铝从比黄金贵的建筑材料变为廉价的铝箔。这隐喻写代码、写文案等长期练就的认知能力正迅速贬值。但观点强调，认知能力变便宜并非危机，真正的挑战是：当思考变得像铝箔一样随手可得时，能否用这些“白菜价”的脑力，去创造以前根本造不起的新事物。

Rohan Paul@rohanpaul_ai · 5月29日52

This is probably the most entertaining way to understand one of AI’s hardest AI debates. Transformer vs Post-Transformer, argued by leading researchers, inside a real physical boxing ring. Both technically deep and genuinely entertaining. I was glued for the entire 1 hour 20 minutes. So many super cool points to learn. 🥊 Transformers - Transformers still own the present because they work at scale. They are simple, trainable, hardware-friendly, and already power the strongest AI systems we use today. - The Transformer is basically a memory machine. It stores information as keys and values, then uses attention to pull back the most useful parts when answering. - The real Transformer advantage is not just “attention.” The bigger advantage is that it fits modern hardware extremely well, so it can process huge batches of tokens fast. - Scaling is still the brutal rule. If you give Transformers more compute, more data, and more parameters, they usually keep getting better. Any Post-Transformer architecture has to scale just as well, or better. - It is not enough to look clever on small tests, because the real question is whether it improves faster than Transformers when scaled up. - A replacement cannot be slightly better. Because the whole AI stack is already built around Transformers, the next architecture may need to be around 10x better to force everyone to switch. - Transformers are powerful, but they may be brute force. A human does not need to read the entire internet many times to become smart, but current LLMs need enormous data and compute. 🥊 Post-Transformer - Post-Transformer people are not saying Transformers are bad. They are saying Transformers may be the best current tool, not the final form of machine intelligence. - The biggest Post-Transformer target is native reasoning and continual learning. Today’s LLM reasoning often feels like text-based step-by-step work added on top, instead of thinking happening naturally inside the model. - Latent reasoning is one possible next step. That means the model reasons inside its own hidden internal space, instead of writing every thought out as words. - Continual learning is still a major weakness. Humans keep learning from experience, but most Transformer-based models are trained, frozen, and then only adapt inside the prompt. - Long context is not the same as real memory. A model can read a huge prompt, but that is different from building a life history, learning from mistakes, and updating beliefs over time. - The future may be hybrid, not a clean replacement. Transformers may stay as 1 building block while newer systems add better memory, better reasoning, and better learning loops. - The most interesting possibility is that Transformers may help discover their own successor. AI agents are already getting better at research and coding, so the next architecture may come from AI-assisted architecture search. ------- - Benchmarks are a problem. Many public benchmarks are easy to game, so they may show leaderboard strength without proving deeper intelligence. - Perplexity is still probably a great metric to evaluate frontier models,, because it tests prediction quality. --- Overall, Transformers continue to dominate, but the frontier is clearly widening. Pathway’s BDH (Dragon Hatchling — brain-inspired reasoning architecture), Sakana AI’s CTMs (Continuous Thought Machines — models that think over time), and Liquid AI’s LFMs (Liquid Foundation Models — efficient multimodal foundation models) - all of these show how the frontier is expanding. --- From “Pathway (pathway[.]com)” Youtube channel (link in comment) @zuzanna_pathway

译这是一场关于AI架构的辩论。Transformer阵营指出，其凭借简单、硬件友好、可扩展的优势主导当下，核心是基于键值存储的记忆与注意力机制，并强调任何替代架构必须能在扩展性上与之匹敌，且需达到约10倍优势才能颠覆现有技术栈。Post-Transformer阵营则认为，当前大语言模型的推理更像是后置的文本步骤，真正的突破在于实现模型内部的“潜在推理”与持续学习能力，并指出长上下文不等于真正记忆，未来可能是混合架构。辩论还提到，当前公开基准测试易被优化，而困惑度（Perplexity）仍是评估前沿模型的有效指标。最后指出，尽管Transformer仍占主导，但前沿正在拓宽，并列举了Pathway的BDH、Sakana AI的CTMs和Liquid AI的LFMs等新兴架构作为例证。

Chubby♨️@kimmonismus · 5月29日24

It still feels crazy to me that releases are now happening on a monthly basis - and, within a single month, a significant model from almost every major AI lab.

译对我来说，现在每月都有新版本发布仍然感觉很疯狂——而且在一个月内，几乎每家主要AI实验室都推出了重要模型。