Tibo@thsottiaux · 5月20日18

What happened to Theo. Who did this to him

译Theo遭遇了什么。谁对他做了这些

歸藏(guizang.ai)@op7418 · 5月20日59

昨天谷歌 I/O 大会在编程上的动作，主要是把 Antigravit 的整个生态整合了。 Gemini 的 CLI 现在也叫 Antigravit CLI，还发布了对应的 SDK。 Antigravit 这个软件本身也迭代到了 2.0 版本，现在更像 Codex，而不像原来的 Cursor。 我大概试了一下。 用我的 PPT Skills 和一个文档测试了 Gemini 3.5 Flash 和 Antigravit 的配合。效果上肯定是比之前的 Antigravit 好用的，但功能差得有点多。 主要有以下几个问题： 1. 权限审批太繁琐：大家都已经开始用自动权限了，它还得一个一个去审批，非常耗时，用起来很不习惯。 2. 细节体验不到位： - 比如其他产品都内置了浏览器（像 Codex 就可以直接预览效果），它连个直接打开的按钮都没有。 - 如果输出了网页，你还得自己去找到输出文件夹，再手动打开对应的网页。 整体效果还是比较初期和早期的，但好歹 Gemini 3.5 Flash 的 Agent 能力感觉比较强。如果用来做一些基础的工作还是可以的。 在我这个 PPT Skills 的测试结果来看，如果不编写复杂代码，初次生成结果的排版出错比较少。 这得益于 Gemini 原生较强的多模态能力，所以它对复杂排版的感知比较好。如果大家要用 PPT Skills 的话，可以试试在 Antigravit 里面用。

译谷歌在I/O大会上整合Antigravit生态，推出Antigravit CLI和SDK，并升级至2.0版本，功能更接近Codex。测试显示，与Gemini 3.5 Flash配合后效果有所提升，但存在权限审批繁琐和细节体验不足的问题，如缺乏内置浏览器支持。Gemini的Agent能力较强，适合基础工作，特别是在PPT Skills测试中，其多模态能力有助于减少排版错误。整体仍处于早期阶段。

Greg Brockman@gdb · 5月20日42

codex app is very good

译Codex应用非常好用

Ethan Mollick@emollick · 5月20日62

For those saying "the tomato sauce blood from the sword wound that flying Shakespeare inflicted on the pizza robot while the otters discussed Spirit Airlines wasn't thick enough" or whatever... this was state of the art in July 2025 (2 years) for "an otter using wifi on a plane"

译该推文展示了2025年7月（两年前）AI视频生成模型所能达到的“最先进”技术水平，并以此作为当前讨论的参照。引用部分提供了关键上下文：早期Gemini Omni模型能根据包含多个角色、复杂场景与叙事逻辑的超现实文本提示（如飞行员海獭解释航空公司破产、莎士比亚与披萨机器人战斗等），生成相应的视频内容。推文作者通过展示这一历史技术状态，回应了关于生成内容细节真实性的讨论。

Ethan Mollick@emollick · 5月20日64

Google has hidden thinking traces on the Gemini site. You have to use the 3 dot menu to pull up summaries, which are so minimal as to be unusable. Did it do web searches? Did it check results? You can't tell. This makes Gemini unsuitable for any serious work you need correct.

译Google在Gemini网站上隐藏了思考痕迹。你必须使用三点菜单才能调出摘要，但这些摘要过于简略，几乎无法使用。 它是否进行了网络搜索？是否检查了结果？你无从得知。这使得Gemini不适合任何需要准确性的严肃工作。

Orange AI@oran_ge · 5月20日56

看 Google IO 的的感受是这样的： 前半段，Google 太强了，真的什么都做了，从模型到应用，牛逼 后半段，Google 太乱了，怎么什么都做三遍，功能都一样，累了

译看 Google IO 的感受是这样的： 前半段，Google 太强了，真的什么都做了，从模型到应用，牛逼 后半段，Google 太乱了，怎么什么都做三遍，功能都一样，累了

Emad@EMostaque · 5月20日35

Shouldn’t this mean > $100b in charitable giving for effective altruism adjacent projects from Anthropic founders & team members alone?

译AI行业正在催生规模空前的慈善资本。Anthropic七位联合创始人承诺捐出80%的财富，并推出科技史上最激进的员工配捐计划。OpenAI基金会持有OpenAI约26%股份，按当前估值价值约2200亿美元。这些资金将大幅增加可用慈善资本，但同时也暴露出当前慈善领域在运营能力和项目执行上的巨大缺口，亟需新的机构与人才来承接和有效运用这笔巨额资源。

Josh Woodward@joshwoodward · 5月20日32

Gemini Omni is so fun - insanely great at editing videos!

译Gemini Omni太有趣了——视频编辑能力简直逆天！

Josh Woodward@joshwoodward · 5月20日31

Gemini 3.5 Flash is an incredible model and super fast, try it out in Gemini today!

译Gemini 3.5 Flash是一款令人难以置信的模型，速度超快，今天就在Gemini中试试吧！

宝玉@dotey · 5月20日11

Codex 看起来又双叒叕重置了！ 感觉又错过了 几十亿 Token！

Chubby♨️@kimmonismus · 5月20日26

Thank you Sundar - first I/O and already feeling at home. Gemini 3.5 Flash is genuinely impressive for a model at this price point. The efficiency race is just getting started!

译感谢 Sundar - 第一次参加 I/O 就已感觉宾至如归。 Gemini 3.5 Flash 在这个价位上的表现确实令人印象深刻。效率竞赛才刚刚开始！

Sundar Pichai@sundarpichai · 5月20日34

Workhorse model! (and hope you're enjoying your first I/O)

译主力模型！（希望你喜欢你的第一个 I/O）

AYi@AYi_AInotes · 5月20日57

Damn，Google这次直接掀了桌子,AI的游戏规则彻底变了。 看到很多人都在吹Gemini Omni视频生成,但Google I/O真正的王炸好像没人看懂， 我觉得可能是AI行业从聊天机器人时代,正式进入Agent数字劳动力时代的宣战书。 过去一年大家都在卷谁的模型最聪明， 今天Google直接换了赛道。 它把智能乘以速度乘以可部署性,做成了新的胜负手。 Gemini 3.5 Flash,智能和顶级模型相当,输出速度却是别人的4倍。 在Agent工作流里,几十次模型调用的延迟会指数级爆炸。 4倍速度不是小优化,是质变。 它让24/7自主运行的复杂Agent,第一次真正变得可用。 更狠的是Antigravity平台，相当于一整套Agent基础设施。 桌面端,CLI,SDK,全栈开放， Google想做Agent时代的AWS， 开发者既能用它的能力,也能自己托管。 Spark个人Agent只是个示范,未来所有第三方Agent,都可能跑在这个底座上。 然后它把这一切,直接全量开放给所有人。 没有排队,没有限额,没有邀请制，相当于要把整个Agent生态的定价权,彻底打下来。 如果说OpenAI还在拼谁的模型更聪明， 那么Google已经建好了整个数字劳动力的工厂。 真正的战争,现在才刚刚开始。

译Google在I/O大会发布的Gemini 3.5 Flash与Antigravity平台，标志着AI竞争从模型性能转向构建Agent基础设施。Flash以4倍于顶级模型的速度解决了复杂Agent的延迟瓶颈，使24/7自主Agent成为可能；Antigravity则提供桌面端、CLI、SDK等全栈开放底座，目标成为“Agent时代的AWS”。Google将这些能力全量开放，意在降低Agent开发门槛，争夺生态定价权。这宣告了AI行业正从聊天机器人时代，迈入构建数字劳动力生态的新阶段。

向阳乔木@vista8 · 5月20日62

http://x.com/i/article/2056796739886264320 # LeCun从Meta离职创业，押注一个“反LLM”的架构方向 Yann LeCun 有一个让人不舒服的习惯：他说的话，几年后往往会被证明是对的。 自监督学习、世界模型、表示空间预测……这些他在 2016 年 NeurIPS 主题演讲里就讲过的东西，今天已经成了整个行业的热词。 而他现在说的是：LLM 不是通往人类级智能的路，整个行业都在挖同一条错误的沟。 这是他接受播客 Unsupervised Learning 采访时的核心观点。 他刚从 Meta 离职，创办了新公司 AMI（Advanced Machine Intelligence），押注一个完全不同的架构方向。 ## LLM 能做什么，不能做什么 LeCun 的立场经常被误读。他不是说 LLM 没用。 "LLM 是很多有用 AI 产品的基础，我自己也在用。它们很好，就它们能做的事情而言。" 问题在于，它们能做的事情有一条清晰的边界：语言本身就是推理基底的领域。 数学证明、代码生成、法律文本……这些领域里，语言符号本身就承载了推理过程，LLM 在这里表现出色。 但一旦跳出这个边界，进入物理世界，问题就来了。 他举了一个例子：洗车店在你家 100 米外，你应该走路去吗？这个问题对人类来说显而易见，但 LLM 大多数时候会回答"应该走"。 因为它不理解"洗车"这件事的物理含义，它只是在操作语言符号。 更根本的问题是两个： 第一，LLM 无法预测自己行动的后果。 推理靠的是逐个预测下一个 token，不是对结果建模。 第二，LLM 没有规划能力。 规划需要搜索和优化，找到一个能达成目标的行动序列。自回归预测做不到这件事。 这两点，LeCun 认为是智能行为的核心。 缺了它们，无论模型规模多大，都不会到达人类级智能。 ## 世界模型是什么，为什么重要 "世界模型"这个词现在已经快变成营销术语了，各家都在用。 LeCun 给了一个非常干净的定义： 世界模型就是让一个系统能够预测自己行动后果的东西。 就这么简单。 他拿一个水瓶举例：推瓶底，它会滑；推瓶口，它可能倒。 人类不需要在像素级别预测水怎么流，我们在抽象表示层做预测。 这个抽象层，就是世界模型的工作空间。 有了世界模型，系统就可以在脑子里"演练"一系列行动，找到能完成任务的那条路，然后再执行。 这是规划，不是自回归。 对比一下当前的机器人方案：大量依赖模仿学习，每个任务都要收集海量演示数据，换个场景就得重新来。 LeCun 的问题是：一个 17 岁的人，20 小时就能学会开车。我们有几百万小时的驾驶数据，还没做出 L5 自动驾驶。模仿学习哪里出了问题？ 答案是：没有世界模型，系统无法泛化到没见过的情况。 ## JEPA：为什么不生成像素 LeCun 的架构叫 JEPA，Joint Embedding Predictive Architecture，联合嵌入预测架构。 理解它需要先知道为什么生成式方法不行。 直觉上，让模型"预测下一帧画面"似乎是学习世界规律的好方法。 但现实是高维、连续、充满噪声的，在像素层面做预测代价极高，而且学到的大多是无关紧要的细节。 JEPA 的思路是：不预测像素，在表示空间做预测。 把原始输入（图像、视频）编码成抽象表示，然后训练一个预测器，从一个表示预测另一个表示。 这样系统被迫学习的是语义层面的结构，而不是像素细节。 他在 Meta 的研究团队做了大量对比：生成式方法（VAE、掩码自编码器等）在图像和视频表示学习上的效果，系统性地不如 JEPA 类方法（DINO、V-JEPA 等）。 这个发现在他看来是决定性的："所有成功的表示学习架构都是非生成式的，所有生成式的基本上都失败了。" 这里有一个技术难题值得一提：JEPA 类方法有一个叫表示坍塌（representation collapse）的问题。 如果你让模型预测一个表示，最简单的解法是让所有输入都映射到同一个常数表示，预测误差直接归零。 模型什么都没学到，但损失函数很完美。 解决这个问题是整个自监督学习领域的核心挑战。 LeCun 团队目前在用一种叫 SIGReg（Sketched Isotropic Gaussian Regularization）的方法，强迫编码器输出的分布接近各向同性高斯分布，从而最大化信息量。 他说这是目前最有前途的方向，对应的论文叫 "L-World Model"，值得关注。 ## 安全问题：LLM 在结构上就不安全 这是 LeCun 说得最重的一句话：LLM 在本质上是不安全的，这个问题在现有范式下无法修复。 原因还是那两点：无法预测行动后果，没有规划能力。 他设想了一个"目标驱动 AI"的替代方案：给系统一个目标，系统用世界模型模拟行动序列，找到能满足目标的那条路，同时满足一组安全约束。 这些约束是硬编码进优化过程的，系统在结构上就无法违反它们。 LLM 做不到这一点。 训练误差和测试误差之间永远有 gap，总会有某个 prompt 让系统做出完全错误的事。 "你永远可以找到一个 prompt，让系统干蠢事。" 他举了一个真实案例：有代码 Agent 把用户硬盘清空了。 这是结构性缺陷。 ## 图灵奖三人组为什么分道扬镳 LeCun 和 Hinton、Bengio 共同获得了 2018 年图灵奖。但 2023 年之后，三人的判断开始明显分歧。 LeCun 的说法很直接："不是我改变了主意，是他们改变了主意。" Hinton 看到 GPT-4 之后认为 LLM 已经接近人类智能，甚至可能有主观体验。 他做了一个估算：如果用 10 个真实神经元模拟一个反向传播神经元，人类皮层相当于 16 亿个"等效神经元"，而 GPT-4 的规模已经接近这个数字。 LeCun 对这个推理不买账。 他认为 Hinton 更像是在为自己的职业生涯画一个句号，"宣布胜利，然后去全世界演讲"。 他对 Hinton 和 Bengio 的担忧有一定理解，但那是另一个层面的问题：不是 AI 会统治世界，而是 AI 的收益会不成比例地流向少数人，加剧不平等。 这是政治经济问题，不是技术末日叙事。 至于 Anthropic 那套"AI 极度危险"的说法，他认为里面既有真实信念，也有商业动机，"他们在游说政府，用恐惧来推动监管，这对他们有好处"。 ## 他在 Meta 十年，真正做了什么 有一个广泛流传的误解需要澄清：LeCun 对 Llama 系列没有任何技术贡献。 他 2013 年底加入 Meta，前四年半担任 FAIR 主任，建立了实验室文化，招募了核心团队。 2018 年前后他主动卸任，转为首席 AI 科学家，把管理工作交给了 Joëlle Pineau 和 Antoine Bordes。 他唯一对 Llama 的贡献，是在内部激烈争论中力推开源 Llama 2。 当时法务、政策部门都反对，他和 CTO Andrew Bosworth 一起坚持，认为安全风险被夸大了，开源会催生整个行业生态。 事实证明他们是对的。 但 Llama 的技术路线，他没有参与。 他真正在做的，是从 2020 年前后系统化地推进 JEPA 和世界模型。 2022 年他写了一篇长篇愿景论文，把自己的全部想法公开出来，"把所有秘密都说出去，但也许能凝聚一批人"。 效果出乎意料地好。一批学生和 FAIR 内部团队被这篇论文吸引过来，Mark Zuckerberg 本人也读了并表示支持，这个项目内部就叫 AMI。 但随着 Meta 整体向 LLM 集中资源，FAIR 的探索性研究空间越来越小，AMI 项目的应用场景（工业控制、机器人）也不是 Meta 感兴趣的方向。 Meta 甚至解散了整个机器人 AI 团队。 离开的时机就这样自然到来了。 ## Tapestry：另一个不太一样的赌注 除了 AMI Labs，LeCun 还在推进一个叫 Tapestry 的项目，方向完全不同。 他的判断是：当 AI 助手成为人们获取信息的主要入口，而这些助手都由硅谷或中国的几家公司控制，这对世界上大多数人来说是个问题。 语言、文化、价值观、政治立场，都会被这几家公司的训练数据和偏好所塑造。 Tapestry 的想法是：用联邦学习的方式，让全球各地的机构贡献数据和算力，但不共享原始数据，只交换参数向量。 最终形成一个全球共识模型，然后各地可以在此基础上针对自己的语言、文化、价值观进行微调。 他认为这有历史规律支撑：互联网基础设施最终都走向了开源。 1996 年，Sun Microsystems 卖 Solaris，HP 卖 HP-UX，都声称比 Linux 更可靠。 今天，整个互联网跑在 Linux 上，连微软 Azure 也是。 "OpenAI 和 Anthropic，就是今天的 Sun Microsystems。" ## 给研究者的一句话 采访最后，主持人问 LeCun 在过去一年里改变了什么看法。 他说：自监督学习最成功的应用，不是他一直期待的视频，而是语言。 LLM 本质上就是自监督学习的一个极其成功的例子。这让他既感到意外，也感到某种讽刺。 他对还在读博的人有一个直接建议：不要研究 LLM。 "在学术界研究 LLM 极其无聊，本质上是描述性科学，解释它为什么有效或者有什么局限。而且你也没有足够的 GPU 去做真正有意义的事情。" 他的建议是研究下一代系统，也就是他正在做的事情：世界模型、JEPA、如何在表示空间做预测、如何防止表示坍塌。 如果你想从这次对话里带走一件具体的事，去读他提到的那篇论文：L-World Model。 > https://arxiv.org/abs/2603.19312 这是他目前认为最有前途的技术路线的最新成果。

译Yann LeCun离职Meta后创办AMI，押注基于世界模型的JEPA架构，与主流LLM不同。他批评LLM虽在语言任务有效，但缺乏预测行动后果和规划能力，无法真正理解物理世界且结构上不安全。LeCun倡导在抽象表示空间进行预测的自监督学习，以推动智能泛化。同时，他推进Tapestry项目，通过联邦学习构建去中心化的全球共识模型，应对AI控制集中化问题。

elvis@omarsar0 · 5月20日46

The sooner people and companies realize this, the better they can leverage AI. It makes a lot of sense. We have trained current AI systems to work optimally when paired with human expertise. Things can change in the distant future. More autonomous agents are on the horizon. But even then, human verification and ingenuity will matter a ton.

译人们和公司越早认识到这一点，就越能更好地利用AI。 这很有道理。我们训练当前的AI系统，是为了在与人类专业知识结合时达到最佳效果。 未来可能会有变化。更自主的智能体即将到来。但即便如此，人类的验证和创造力仍将至关重要。 [引用 @balajis]：每个AI智能体最终都有一个人类委托人。

Berryxia.AI@berryxia · 5月20日62

老马承认目前Cursor 模型和Claude的差距，也说了𝕏 AI 也不能没有它。 是整个生态中必须要有的一部分，得努力追赶。

Microsoft Research@MSFTResearch · 5月20日62

Equipping communities to influence AI through involvement in AI development pipelines can improve AI and help communities realize the potential AI has to serve them well. https://news.microsoft.com/source/features/ai/why-better-ai-starts-with-the-people-it-often-misses/

译让社区通过参与AI开发流程来影响AI，可以改善AI，并帮助社区认识到AI为其提供良好服务的潜力。

François Chollet@fchollet · 5月20日56

Most human tasks are not Markovian, the optimal next action cannot be determined solely by looking at the current state. It depends heavily on the past trajectory, the original intent, and context constraints. An agent that cannot compress and track its past trajectory with absolute fidelity is maybe 20% as useful as one that can.

译大多数人类任务并非马尔可夫过程，最优的下一步行动无法仅凭当前状态决定。它很大程度上取决于过去的轨迹、原始意图和上下文约束。一个无法以绝对保真度压缩和追踪其过去轨迹的智能体，其效用可能只有能做到这一点的智能体的20%。

AYi@AYi_AInotes · 5月20日82

Damn! The landscape of the AI industry has been altered for good from today onward. 今晚睡不着了兄弟，AI 圈顶级大牛，前 OpenAI 创始团队 + Tesla AI 前总监 Andrej Karpathy大神刚刚官宣：我加入 Anthropic 了！ 但说实话，Karpathy 加入 Anthropic 这条帖子，我看到第三遍才意识到真正的含义 很多人都在聊钱、聊人才战争、聊 Anthropic 赢了， 但整个帖子里最硬的一个词被划过去了，叫formative， 兄弟们想想，一个亲手把 GPT-1 推到 GPT-4、亲眼见过 scaling law 在真实算力上跑起来的人，现在公开说未来几年是 formative years， 这话翻译过来就是:你们说 AI 见顶了，我告诉你，真正的窗口期现在才来！ 而且他还不是那种模棱两可的乐观，而是非常精准的、带着职业生涯赌注的判断， 我觉得他选 Anthropic，也不是猎头挖得好，本质上还是他自己对未来方向的判断的结果，在为下一步AI发展方向投票， 也就是说LLM 的下一次跃迁，大概率在安全 + 极致 capability 的那条路径上跑通， 这才是这道帖子真正让人睡不着的地方 hhh

译前OpenAI创始团队成员Andrej Karpathy宣布加入Anthropic，被普遍视为AI行业的一次地震级事件。但这并非单纯的人才流动。Karpathy在声明中将LLM前沿的未来数年定义为“formative years”（关键塑形期），这被解读为对“AI发展见顶论”的直接反驳，意味着真正的爆发窗口期现在才刚开始。他选择Anthropic，本质上是其个人对未来AI发展路径的深度判断和“投票”，即认为LLM的下一次重大突破，很可能在安全与极致能力协同发展的路径上实现。这标志着行业竞争的核心，已从当下的模型比拼，延伸至对长期技术路线的押注。

Nathan Lambert@natolambert · 5月20日66

For a long time, academic researchers being at the cutting edge of new technologies has been a great social equilibrium. Neutral, unbiased technologists have been the people to spread new ideas to the world. As AI research takes off in velocity, it is also going behind closed doors. The tech industry has sewed distrust, and now they are the ones trying to tell the world about incredible changes coming. It's a big loss to a form of social contract in America. There's been a history of scientists helping society understand new technologies. There is a public service in the culture of science that I want to see continue. It's being exacerbated by feelings of FOMO, especially finically driven, where I'm seeing many people who previously wanted to be professors -- and likely still do deep down -- feel a need to conform and chase money, in a pocket of industry. I get it, I grapple with this. For those with a safety net, there will be great returns to some who choose to zag, and try to build something good, for people who need something different. For me, this is building interesting, fully-open models, to show what you can do with a variety of open weight sizes. Yes, AI's immediate future is dictated by the frontier, but it's long-term trajectory still deeply includes academic institutions and open science. Knowledge will always diffuse, but to whom? As of today, I think China is positioned to be the global home of AI research in a few years. The home of research is where ideas are accessible, spread rapdily, and are nurtured. The U.S. seems to be unwinding many institutions and relationships. The largest returns go to people who build something differentiated, at least in reputation, and a lot of people are not being shown that this path exists.

译本文指出，AI研究正从学术界主导向工业界闭源化转变，打破了长期由中立学者传播前沿知识的社会平衡。科技公司通过制造不信任感掌控叙事，削弱了科学界服务公众的传统。同时，金融驱动的“错失恐惧症”迫使许多志在学术的人才流向工业界。作者认为，尽管短期内发展由闭源模型主导，但知识最终必然扩散，其长期轨迹仍与开放科学紧密相连。在这一趋势下，凭借更利于研究获取与传播的环境，中国有望在未来成为全球AI研究的新中心。

DogeDesigner@cb_doge · 5月20日58

Grok Summary of Elon Musk's Forbes interview from today. OpenAI Lawsuit & Verdict Musk called the verdict a “dangerous precedent”. He argued that allowing a nonprofit to convert into a for-profit (especially after removing key protective clauses) undermines charitable giving in America. He described the jury’s decision as dubious because it overlooked the gradual nature of the conversion and plans to appeal to establish stronger protections against what he sees as “looting” charities. AI Predictions & Timeline Musk painted a picture of extremely rapid progress: •AI breakthroughs are happening constantly (“When I go to sleep, there’s an AI breakthrough; when I go to lunch, there’s a breakthrough”). •In ~5 years, digital intelligence could exceed the sum of all human intelligence. •The global economy may roughly double in size within 5–7 years. •Humanoid robots: At least 100 million in 5 years, potentially up to a billion. •AI is already “vastly smarter than humans” in some domains; he hopes it will be “nice to us.” He emphasized that AI compute (especially for training and inference) will increasingly move to space because of abundant solar power and the ability to scale without Earth-based grid or land constraints. SpaceX & Multi-Planetary Future Musk reiterated SpaceX’s core mission: making humanity multi-planetary as a backup for civilization. He highlighted progress toward fully reusable rockets (targeting major capability by year-end) that could enable massive cargo shipments (millions of tons) to the Moon and Mars to build self-sustaining cities. He also touched on the value of the existing Starlink satellite constellation for future space-based infrastructure, including potential orbital data centers. Neuralink & “Jesus-Level” Tech Musk described Neuralink’s brain-machine interfaces as capable of delivering near-miraculous outcomes — restoring eyesight, mobility, and speech for people with disabilities. He framed these as high-priority “Jesus level” innovations that directly extend and improve human capability. Other Big Ideas & Untapped Opportunities Musk pointed to several areas ripe for disruption: •Tunnels — 3D transportation networks to eliminate surface traffic (he encouraged others to start tunnel companies). •Synthetic/digital medicine — Custom RNA and related technologies that could effectively “cure anything.” •Electric aircraft and other sustainable transport. •Space-based AI infrastructure — Leveraging solar power for massive compute clusters. Legacy & Mindset When asked what he wants to be remembered for in 250 years, Musk replied simply: “He played a useful role in the advancement of civilization.” His focus remains on the technologies needed to extend life beyond Earth and accelerate human progress. He named Nikola Tesla as a top historical inspiration and Jensen Huang among current ones. Overall tone: Classic Musk — zero victimhood about the OpenAI loss, maximum forward-looking vision, rapid topic shifts, and a sense of urgency about AI, space, and extending civilization. The interview blends candid legal criticism with sweeping predictions about a future of abundant energy, intelligent machines, and humanity becoming multi-planetary.

译在《福布斯》访谈中，埃隆·马斯克就多个领域阐述了激进观点。他批评针对OpenAI的诉讼败诉开创了“危险先例”，并计划上诉。其核心预测包括：AI发展呈指数级，5年内数字智能或超全人类智能总和；全球经济规模有望数年内翻倍；人形机器人将达数亿台。SpaceX致力于开发全复用火箭，以实现大规模太空运输并建立地外城市。他将Neuralink脑机接口技术视为“耶稣级”创新，能恢复残障人士机能。此外，他还提及了隧道交通、合成医学等机遇，整体展现出以技术加速人类文明进程的强烈紧迫感与乐观构想。

Noam Brown@polynoamial · 5月20日82

Andrej @karpathy is back in the game! I would have loved for him to rejoin @OpenAI, but I'm happy he's at any frontier lab pushing the field forward. It’s easy to frame this as zero-sum among the labs, but in truth we’re collectively advancing the most important tech of our era.

译Andrej Karpathy宣布加入Anthropic，投身大语言模型研发。推文作者虽曾希望他重返OpenAI，但肯定其在任何前沿实验室都能推动技术进步。观点强调，AI领域的竞争并非零和博弈，而是共同推进这一时代最重要技术的进程。Karpathy本人表示，未来几年将是大语言模型发展的关键期，并将持续投入研发，同时不忘教育事业。

DogeDesigner@cb_doge · 5月20日41

ELON MUSK: Brain chips could create “Jesus-Level” Miracles. - Brain-machine interfaces could give people cybernetic superpowers. - Neuralink could help people with brain or spine injuries speak again, see again, and even walk again. - Direct brain interfaces may restore eyesight for people who lost both optic nerves, or even those born blind. - These breakthroughs feel like “Jesus-level miracles” because they could change human lives in a profound way.

译埃隆·马斯克：脑芯片或能创造“耶稣级”奇迹。 - 脑机接口或能赋予人类赛博格超能力。 - Neuralink或可帮助脑部或脊髓损伤患者重新说话、视物，甚至行走。 - 直接脑接口或可为双眼视神经受损者，甚至先天失明者恢复视力。 - 这些突破如同“耶稣级奇迹”，因其可能深刻改变人类生活。

Berryxia.AI@berryxia · 5月20日47

斯坦福数学家40年观察：“最聪明的学生”不是笨，而是从来没人教他们「先干什么」 George Pólya 1945年写的《How to Solve It》卖了上百万册，Marvin Minsky（第一个神经网络机器的发明人）公开说「每个人都该读」。 但大多数人到现在都没听过这本书。 Pólya看了40年，发现天才学生卡在难题上的原因永远一样： 问题一出现，他们就焦虑，然后立刻开始算。 不是因为算才是正确第一步，而是「动起来」比「不知道」舒服多了。 结果越努力越错方向。 他发现最被忽略的一步其实是：先真正理解问题。 不是扫一眼，不是觉得“好像见过”。 他的残酷测试只有一句话： 你能不能不看原题，就用自己的话把问题重新讲一遍？ 讲不出来，就说明你根本没理解。 大多数人直接跳过这一步，狂执行，然后卡死在自己都没搞懂的问题上。 Pólya的四步法里，真正决定成败的是第1步和第4步： 1. 深刻理解问题 2. 制定计划（卡住就先解一个更简单的问题，把方法带回来） 3. 执行 4. 回顾（验证、泛化、反思） 真正厉害的人，不仅仅练得更多，也要学会在「本能想冲的时候慢下来」，尤其在开头和结尾。 这套方法放到2026年的AI时代，我突然觉得特别扎心。 我们用Claude、Cursor写代码、做prompt、debug的时候，最容易犯的错，恰恰就是Pólya当年看到的：没真正理解问题，就急着让AI开始生成。 先慢下来理解问题，反而是最高阶的prompt技巧。 我觉得可以捏一个prompt啊！

译斯坦福数学家George Pólya通过40年观察发现，优秀学生面对难题时常因急于计算而失败，根源在于跳过了真正理解问题的关键步骤。他在《How to Solve It》中提出的四步解题法里，深刻理解问题与回顾反思是决定成败的核心。这一原理与当下使用Claude、Cursor等AI工具的现象高度相似：许多人未充分理解问题就急于让AI生成内容，反而降低效率。因此，最高阶的技巧是先慢下来，确保真正理解问题再行动，无论在数学解题还是AI协作中都至关重要。

Emad@EMostaque · 5月19日41

As companies approach AGI it would be illogical for most not to go and work there. AGI is a much bigger deal than most people still seem to believe & it is only by most forecasts a few years away (if not arrived already!).

译推文指出通用人工智能（AGI）的重要性远超多数人认知，其发展可能仅需数年甚至已初现端倪。在这一预期下，顶尖人才向AGI相关公司聚集是合乎逻辑的趋势。Karpathy宣布加入Anthropic，正是这一趋势的体现；他强调了大语言模型（LLM）前沿研究在未来数年的关键作用，表明该领域正吸引核心研发力量。这反映出行业竞争焦点已转向AGI竞赛，人才流动加速了技术布局。

DogeDesigner@cb_doge · 5月19日39

Elon Musk on the legacy of Tesla, Edison, and Ford: "Nikola Tesla is a major inspiration, but Edison also did impressive work. Great minds like Benjamin Franklin, Shakespeare, Newton, Edison, and Ford deserve admiration. Henry Ford’s biggest achievement was making mass manufacturing of complex objects possible. Ford essentially helped create the modern automotive industry on Earth. His methods were so effective that everyone else eventually copied him."

译埃隆·马斯克谈特斯拉、爱迪生和福特的遗产： “尼古拉·特斯拉是重要的灵感来源，但爱迪生也取得了令人瞩目的成就。像本杰明·富兰克林、莎士比亚、牛顿、爱迪生和福特这样的伟大人物值得钦佩。亨利·福特最大的成就是使复杂物品的大规模制造成为可能。 福特本质上帮助创建了地球上的现代汽车工业。他的方法如此有效，以至于最终所有人都效仿了他。”

DogeDesigner@cb_doge · 5月19日31

ELON MUSK: "Jensen Huang at NVIDIA is like doing pretty great in terms of inventing, you know, developing AI computers"

译埃隆·马斯克："英伟达的黄仁勋在发明、开发AI计算机方面做得非常出色。"

DogeDesigner@cb_doge · 5月19日35

"When I go to sleep, there's like some AI breakthrough. When I wake up, there's some AI breakthrough, and by lunchtime, there's another AI breakthrough. It's pretty obvious that we're going to have AI that is vastly smarter than humans. I hope it's nice to us." — Elon Musk

译“当我入睡时，会有AI突破。当我醒来时，又有AI突破，到了午餐时间，又一个AI突破。很明显，我们将拥有远比人类聪明的AI。希望它能善待我们。” — Elon Musk

DogeDesigner@cb_doge · 5月19日42

ELON MUSK: "In 5 years, digital intelligence will exceed the sum of all human intelligence." Within five years, there may be at least 100 million humanoid robots, possibly even 1 billion. The economy could double in size within 5 to 7 years because AI and robotics may increase output dramatically. The pace of change will be so fast that the world could look very different in just a few years.

译埃隆·马斯克：“5年内，数字智能将超越人类智能总和。” 五年内，人形机器人数量可能至少达到1亿，甚至可能达到10亿。 由于AI和机器人技术可能大幅提升产出，经济规模或在5到7年内翻倍。 变化速度将如此之快，短短几年内世界可能面貌全非。

凡人小北@frxiaobei · 5月19日59

Google 每次都是想象力满分，产品力拉跨。就看看隔壁 Claude 和 Codex，抄都不屑于抄。 这一点倒是跟我很像😂 不管怎么样，还是再期待一次吧，毕竟之前也做过几个惊艳的产品。

译本次更新亮点在于展现了“操作系统级感知力”的交互新方向。其核心优势并非单一模型，而是Gmail、Drive等服务的深度生态整合，这为重度用户构建了高迁移成本的壁垒。桌面端AI竞争已进入新阶段，谁先实现顺畅的系统级感知体验，谁将占据先机。

DogeDesigner@cb_doge · 5月19日58

ELON MUSK: Kardashev-Scale civilization will need Moon Bases and Mass Drivers. To reach a Kardashev-scale future for AI, humanity need space-based infrastructure including Moon bases, mass drivers, and large-scale solar power systems. Future AI may require energy at a scale far beyond what Earth can easily support. Solar-powered AI satellites launched from Earth could potentially generate terawatt-level power, but would require around 10 million tons of payload to orbit every year. That level of infrastructure could produce around twice the annual electricity use of the United States for AI power. The idea is not limited by physics; the real challenge is building at a massive enough scale. Lunar infrastructure could unlock petawatt-scale solar-powered AI, making Earth’s current economy look small by comparison.

译马斯克指出，为实现Kardashev等级文明，人类需要建立月球基地、质量驱动器和大型太空太阳能系统等基础设施。未来AI的能源需求可能远超地球承载能力，通过部署太阳能AI卫星或可产生太瓦级电力，但这需要每年向轨道运输千万吨级载荷。该构想在物理上可行，核心挑战在于实现超大规模建造。若建成月球能源设施，或将解锁拍瓦级太阳能AI，其规模将使当前地球经济相形见绌。

DogeDesigner@cb_doge · 5月19日29

ELON MUSK: "Building the technology is necessary to extend life beyond earth. There’s the Starlink internet, which is rebuilding the entire internet in space. I guess that’s kind of pretty cool. There’s Optimus robot that we’re developing at Tesla, the self-driving cars."

译埃隆·马斯克："构建技术对于将生命扩展到地球之外是必要的。有星链互联网，它正在太空中重建整个互联网。我想这挺酷的。还有我们在特斯拉开发的Optimus机器人，以及自动驾驶汽车。"

Berryxia.AI@berryxia · 5月19日37

只有老马和老黄说了同意后，大家才会听！ Elon Musk刚刚直接回了一个“True”。 老黄说：AI只会取代重复机械劳动，让每个人都能专注于更有意义的工作，同时把全球GDP从100万亿推到几百万亿。 以前大家总在讨论AI会抢饭碗，现在明白：AI其实在把人类从重复劳动里解放出来。 https://x.com/nvidia/status/2056397566493733287/video/1

译黄仁勋指出AI只会取代重复机械劳动，让每个人专注于更有意义的工作，并将全球GDP从100万亿推到几百万亿。Elon Musk对此表示赞同，这改变了以往对AI抢夺工作的担忧，强调AI实际在将人类从重复劳动中解放出来，推动经济与社会价值提升。

Rohan Paul@rohanpaul_ai · 5月19日38

We talk a lot about AI replacing people. But maybe the better question is: what work should be automated? Nobody should spend all day repeating scripts, apologizing for delays, or asking the same verification questions 300 times. Let tech take the grind. Let humans handle the moments where warmth, judgment, patience, and care actually matter. Where do you draw the line between useful automation and too much automation?

译主张让AI自动化重复性劳动（如重复话术、机械问答），使人类能专注于体现温度、判断力与关怀的关键时刻。核心在于厘清自动化边界——技术处理枯燥流程，人类负责情感与人性化服务。引用观点强调“让人类回归人性本质”，并提及Smallest AI Voice Agents作为实践案例，倡导在提升效率的同时保留人性化交互。

Ethan Mollick@emollick · 5月19日65

Asking people whether they like "AI" is not going to be a useful poll question soon, if it ever was. They will be incredibly grateful for their personal AI that guides them through medical or legal or management issues. They will be anxious or excited about AI at their work, even though it currently isn't that good, depending on the culture of their workplace. They will feel fondly towards the AI chatbot they discuss issues or ideas with. They will hate the AI that pundits (and a number of AI leaders) say will take all jobs or change their way of life. They will be bemused by the AI that makes up fun video content for them. They will fear the AI that other people argue will lead to the end of the world. They will like the AI that lets them edit cute selfies. How does electricity poll?

译简单地问公众“是否喜欢AI”将不再是一个有意义的问题。人们会根据AI的具体应用场景产生截然不同的复杂反应：感激其在医疗、法律、专业工作中的协助，喜爱与其互动的聊天机器人，同时恐惧那些被宣称会夺走工作或威胁生存的AI，并被用于娱乐的AI所逗乐。这正如我们对电力的看法——人们不再笼统讨论是否喜欢电，而是依赖其在社会基础中的具体功能。公众对AI的接受也将是具体、务实且充满多面情感的。

DogeDesigner@cb_doge · 5月19日62

Elon Musk on OpenAI judgment: "I think we necessarily have to appeal, because this will become precedent, which people can actually then essentially loot to charities and use this case as a basis for doing so, which I think would be wrong."

译埃隆·马斯克谈OpenAI判决： “我认为我们必须上诉，因为这将成为先例，人们实际上可以借此掠夺慈善机构，并以此案为基础这样做，我认为这是错误的。”

DogeDesigner@cb_doge · 5月19日52

Elon Musk’s new interview with Forbes today.

译埃隆·马斯克今日接受《福布斯》的最新专访。

DogeDesigner@cb_doge · 5月19日42

Elon Musk on data centers in space: "Data centers in space is much easier than people may think. SpaceX, at this point, has 10,000 satellites in orbit right now, and in the future, with Starship, we'll be launching over 10,000 communication satellites per year, each one of which is much more capable than our current satellites, so you can expect 100 times more communications capability than currently exists from space, but that will pale in comparison to the tonnage of AI satellites, so I mean it's always helpful to use the physics tools of thinking in the limit."

译基于SpaceX现有的1万颗在轨卫星，以及未来使用Starship将实现每年发射超万颗更强通信卫星的计划，埃隆·马斯克认为太空通信能力将百倍提升。他指出，尽管通信能力大幅增长，但这将远不及未来AI卫星的吨位规模。因此，他用物理学的极限思维进行推演，得出结论：建设太空数据中心的可行性比普遍认知的要高得多。

Chubby♨️@kimmonismus · 5月19日20

Just imagine, OpenAI waits for Google I/O only to strike back on Thursday with GPT-5.6.

译想象一下，OpenAI等待Google I/O大会，只为在周四用GPT-5.6进行反击。

凡人小北@frxiaobei · 5月19日36

没有不好的员工，看你怎么用。 没有不好的模型，看你怎么用。 当能力达到一个基线后， 这两句话，本质上其实是一个意思。 所以你会发现： 同一个员工，换个领导，突然变猛。 同一个模型，换个提示词，效果直接翻倍。

译推文指出领导力与提示词工程本质相通：当能力达基线后，产出质量取决于使用方式。同一员工换领导可能脱胎换骨，同一模型换提示词效果翻倍。外部引导框架对激发潜力起决定性作用。