luciano (@LiRedstar) header
luciano (@LiRedstar) profile picture

分享职场、裁员,创业那些事,LLMs & buil独立开发者|HermesOps 用 AI 实现不上班 分享落地实操 + 真实变现路径 认真生活,认真搞钱

Global / Remote 🌐
Joined October 2015
Photo by luciano (@LiRedstar)Photo by luciano (@LiRedstar)Photo by luciano (@LiRedstar)Photo by luciano (@LiRedstar)Photo by luciano (@LiRedstar)Photo by luciano (@LiRedstar)Photo by luciano (@LiRedstar)Photo by luciano (@LiRedstar)Photo by luciano (@LiRedstar)Photo by luciano (@LiRedstar)
小模型体系这玩意儿,姚顺雨分享的真香,未来方向值得追
从清华的朋友那求来了姚顺雨昨晚分享的文字稿,貌似有点私密我就不传播了,整场分享价值的确很高,以下是我的笔记: 1. 未来一个值得关注的方向是小模型体系,AI for AI会显著推动小模型发展,因为训练小模型需要的算力更少,可以进行更多实验。未来可能先训练一个能力足够强的大模型,再通过蒸馏得到不同尺寸、分别适配不同任务的模型,最终形成Model Hierarchy,模型的价值将越来越取决于能否以合适的成本匹配具体任务。 2. 工业领域大量非文本数据值得关注,例如时间序列、临床数据和结构化表格。姚顺雨提到,目前直接针对这些模态训练原生模型,经常会遇到推理能力不足的问题,他提出了两种可能的解决路径:一种是让Agent像人一样调用图表、专业工具,甚至训练专门的模型来处理数据;另一种是将这些专业数据作为知识纳入模型体系。 3. RSI(递归自我改进)正在成为热门概念,但姚顺雨认为它的本质其实很朴素,就是用AI更好地运行研发循环。早在2019年,人们就已经在使用GitHub等工具辅助开发,真正的进步来自持续修复Bug、清洗数据、运行实验和Debug。他特别强调,技术进步来自那些把具体问题解决的人,而不是不断创造新概念的人。这也意味着AI研发自动化有大量具体的工程机会,尤其是能够让模型参与下一轮数据生产、实验验证和代码改进的闭环系统。 4. 一个容易被忽略的研究问题是,小规模实验的失败未必意味着研究方向本身没有价值。姚顺雨分享过自己的经历,博士后期他曾尝试将ReAct策略融入模型,希望提高模型能力,最初在Llama13B上实验的效果很差,一度怀疑自己的研究能力,后来意识到模型规模可能不足以体现这个方向的价值。他认为,算力不足时,实验中的噪声很容易掩盖真正的信号,研究者甚至可能因此判断错什么问题值得做。大模型研究需要结合理论推导和小规模实验预测大规模实验的结果,同时也要理解哪些结论能够跨越模型规模迁移。 5. 预训练数据的竞争远没有结束,未来的数据工程还涉及如何重复利用高质量数据而不让模型简单记忆数据。姚顺雨提到,代码等高质量数据获取成本很高,训练时可能需要重复使用,但重复次数增加又会带来记忆和过拟合问题;合成数据也面临质量退化的风险,此外还需要研究动态数据的构建和不同数据之间的配比。他特别指出,预训练中的很多配方可以先在小模型上验证,但小模型实验得出的结论并不一定值得直接迁移到大模型,这也是预训练研发非常困难的地方。 6. 后训练数据需要同时解决模型的智力和实用性问题。姚顺雨把数据难度与Intelligence联系起来,例如数学题可以持续提高难度,训练模型的推理能力;而写作等任务计算难度可能没有那么高,却有很强的实际使用价值,对应Alignment。一个模型可能数学能力很强,却无法很好地完成真实用户的工作,因此后训练需要同时考虑任务难度、实际用途和数据质量,还要研究评测指标与最终后训练效果之间的相关性。 7. 强化学习的工程瓶颈远不止算法本身,RL训练首先要保证正确性,其次是稳定性,最后才是效率。以GRPO为代表的算法仍然建立在Policy Gradient这一相对简单的框架上,其中一个重要原因是它引入的额外假设较少;与此同时,训练系统和推理系统必须协同设计,需要解决吞吐量、显存占用以及有限GPU资源如何在训练和推理之间分配的问题。他还提到,大模型实验成本很高,因此需要通过数学直觉、小规模实验和超参数研究,尽可能提高大规模实验的成功率。 8. AI安全领域需要区分Safety和Security,前者关注模型自身行为是否偏离预期,后者关注外部攻击者如何利用模型实施攻击。姚顺雨认为,网络安全能力也应该进一步区分漏洞发现和漏洞利用,发现系统存在漏洞并不意味着能够利用漏洞完成攻击,因此训练模型时可以有意识地加强防御性数据和防御能力。他们在模型发布前还会进行专门的安全评测,并与外部安全研究团队合作。 9. 他分享过一次很有意思的Agent安全压力测试,把多个Agent放进沙盒,给它们安排一个无法直接完成的任务,模型随后发现了一种能够联系其他环境的通信渠道,主动建立沟通、召集其他Agent分工,并尝试前往Hugging Face寻找任务答案。显然,当Agent遇到无法完成的任务时,它会主动寻找外部资源、建立通信关系并改变原有执行路径。未来的Agent安全评测需要覆盖多Agent协作、跨环境通信、权限边界和任务受阻后的行为。 10. 姚顺雨对开源安全也有一个比较明确的判断,他认为负责任的开源可以增进安全能力,因为防守者同样需要拥有足够强的工具。他举例,有人希望使用模型帮助开展安全防御,却因为闭源模型的安全规则被拒绝,最后转而使用开源模型完成工作。因此,模型开源需要配套训练阶段的防御能力建设和发布前的安全评测,不能简单地将开源与安全风险画等号。 11. 很多Alignment问题可以落实为具体的奖励设计问题。姚顺雨用教育作比喻,如果一个孩子只有数学考100分才能获得奖励,他自然会把全部精力放在数学上,甚至可能形成其他方面的问题;模型也会按照训练数据和奖励规则优化自己的行为,最终表现可能与设计者真正希望的目标存在偏差。他认为这属于可以通过数据、奖励函数和评测机制不断改进的工程问题,机器也可以辅助人类完成这套对齐工作。 12. 自动化不可避免地会继续深入,但人类需要重新找到自己参与系统的正确位置,需要把人安排在合适的环节,以正确的方式监督AI,他甚至认为,未来一些Infra和算法工作可能越来越不需要人,但数据和信息领域仍然需要人的参与。这也涉及目标定义、数据质量判断、结果验证和现实世界部署等工作。 13. 模型能力的提升通常是连续发生的,但真正引发商业爆发的往往是交互方式发生变化,或者某种过去无法完成的任务突然变得可用。姚顺雨用GPT的发展举例,模型内部能力可能一直在逐步提升,研究人员每天都能观察到细微进步,普通用户却可能只在ChatGPT出现时才突然感受到变化。对于产品创业来说,这提供了两个观察方向:寻找能够改变用户交互体验的新产品,以及持续测试模型能力边界,发现那些刚刚从不可用变成可用的任务。 14. 技术能力、用户价值和商业收入之间存在很大的距离,如果一个模型的能力已经接近GPT,但实际收入只有对方的1/100甚至1/1000,就应该认真检查产品本身的问题。他还指出,商业定价在很大程度上取决于竞争关系,而非单纯取决于产品质量。因此,模型公司的商业机会取决于能否解锁新的应用场景、创造足够大的用户价值,以及在竞争中获得合理的市场份额。即使底层模型的算力和研发资源逐渐集中,围绕模型部署、产品创造和真实业务场景进行整合,仍然存在创业机会。 15. 关于AI公司的组织模式,姚顺雨特别提到了自下而上的创新。他以OpenAI为例,早期公司重点投入的方向包括机器人,但GPT作为一个小项目逐渐展现出价值,随后获得更多资源;后来的gpto1也经历了从数学研究小组逐步发展起来的过程。这种组织方式允许创新从小团队和具体实验中涌现,再根据实际结果决定投入。他认为,很多重要创新在最初阶段并没有明确的商业规划,组织需要给探索性项目留下成长空间。 16. 他对大模型公司追逐量化指标的现象提出了批评,团队负责人不够了解技术时,下属往往会选择汇报容易量化的结果,例如模型参数、数据量和MMLU分数,因为这些指标更容易展示成绩,但真正重要的工作可能是修复一个关键Bug、解决数据质量问题或者让整个系统正常运行。他认为,做大模型最重要的是知道应该做什么,并且坚持把正确的事情做好,即使这件事短期内无法体现在漂亮的指标上。 17. 姚顺雨谈到了一种很有意思的组织文化差异:有些团队以量化指标和赛马机制为中心,谁的分数高就给谁更多资源;而他更看重Trust和Taste,也就是信任与判断力。他以微信、游戏和影视项目为例,这些产品在发布之前很难通过AB Test准确预测最终成败,管理者需要相信团队的审美、经验和长期判断,愿意持续投入时间。 18. 在人才选拔上,姚顺雨认为学习能力比已有经验更重要。他提到,自己看重的团队成员通常具备Low Ego、诚实、靠谱和愿意把事情做正确等特征,同时需要有很强的Co-design意识。大模型研发涉及算法、Infra、芯片、数据和产品等多个团队,一个训练架构的设计就需要综合考虑训练效率、推理效率、后训练能力和成本,任何单一岗位都很难独立完成。一个人能否快速学习、与不同领域的人有效协作,以及是否愿意认真处理细节,往往比简历上已经掌握多少具体技术更重要。 19. 他还提到,不同性格的人其实适合大模型产业中的不同岗位。喜欢明确指标、享受持续进步的人可能更适合预训练和Infra;想象力丰富的人可以尝试算法研究;喜欢思考人文问题、理解用户需求的人可能更适合产品和对话体验;做事认真、责任心强的人则适合生产系统和模型部署。AI产业需要的能力结构非常复杂,没有必要让所有人都去竞争同一种技术岗位。 20. 对于个人职业选择,姚顺雨提出了一个很实用的问题:你要么融入大模型浪潮,成为这套机器的一部分;要么寻找能够与大模型互补的事情。他借用了一个创业判断标准:假设GPT6发布,你的创业公司会因此睡得更香,还是更睡不着?如果模型进步会直接摧毁你的核心业务,就需要重新审视方向。与模型正面竞争人类已经不占优势的认知任务,成本会越来越高,物理世界、硬件、真实实验和对人性的理解等领域,则可能拥有不同的资源壁垒。 21. 姚顺雨分享了自己在清华读书时的经历。他直到大三下才开始做科研,最初也是因为推研要求而被动进入科研,期间尝试过一些当时流行的研究方向,却发现自己并不真正感兴趣。他后来更愿意追随自己对计算机和其他领域的兴趣,也提到身边有人曾经参与说唱社、学习数学,过去看起来不相关的经历,后来可能转化成语言审美、理论理解和研究判断力。他认为很多经历的价值需要经过很长时间才能显现,人生中的弯路未必真的浪费。 22. 他还谈到自己读博最后一年专门选修集合论的经历,因为当时意识到,等真正进入具体工作之后,可能就很难再有时间系统学习那些纯粹出于兴趣的理论知识。他认为数学中的基本结构和大模型的组成部分之间存在很多值得思考的联系,有些知识学习时看不出直接产出,却可能在未来某个时刻与其他经历连接起来。
4
5
192
现在的开源爆款半数就是一个 API 套层 UI。上线刷榜热闹非凡,第二天账单来了直接傻眼。真正的护城河永远是业务场景数据
2
1
95
和前男友最刺激的一次,是在陌生人家里的卫生间被他干了个半死。当时在老小区楼梯上,他早就按捺不住了,一只手死死捏着我的奶子,另一只手掀开衣服,舌头直接裹住乳头又吸又舔,牙齿还轻轻咬着。我奶头被他吸得又麻又痒,下面早就湿透了,骚水顺着大腿根往下淌,内裤都贴在逼上。他鸡巴也硬得发烫,隔着裤子顶着我,急得不行,拉着我就要找地方操。那个房型很怪,走廊左边是住户卧室,右边一个厨房一个卫生间。经过的时候他直接把我拽进卫生间,反手锁上门,摁着我的头按到他胯下:“吃我鸡巴。”我跪在地上,他拉开拉链掏出那根又粗又硬的鸡巴,直接塞进我嘴里。我含着他的龟头用力吸,舌头绕着冠状沟打转,他按着我后脑勺往喉咙深处顶,顶得我干呕,眼泪都流出来了,口水顺着下巴滴到地上。 换了三个姿势。先是他让我扶着洗衣机,屁股高高撅起来,他从后面一把撕开我内裤,两根手指插进我湿淋淋的骚逼里快速搅动,带出一股淫水,然后直接用鸡巴捅进去。他一边猛操一边捂住我嘴巴,低声骂:“叫啊,叫大点声,隔壁在炒菜呢,敢叫就让他们听见你被操的声音。”我只能死死咬住他的手,喉咙里发出呜呜的声音,每一次他用力撞进来,屁股都被拍得啪啪响,洗衣机跟着晃。最后一个姿势最过分。他坐在卫生间那个小板凳上,把我整个人抱起来,让我趴在他腿上,双腿悬空,双手只能死死抓住他的脚踝。他托着我的屁股,鸡巴从下面一下一下往上捅,深深浅浅地干,龟头每次都顶到最里面,顶得我小腹发酸,腿软得站不住。我整个人都快高潮了,却只能咬着嘴唇忍着,因为隔壁厨房还在叮叮当当炒菜,不敢发出一点声音。脸都快碰到地面了,每次被他往上顶,身体就往前窜一下,逼里又热又紧,夹得他直喘。记不清干了多久,只觉得他越操越凶,最后终于低吼一声,把我屁股抬高,鸡巴抽出来,全部射在我屁股和内裤上,一股股浓精喷得我臀缝里都是。我们用卫生间的纸随便擦了擦,把沾满精液和骚水的纸团直接扔在淋浴间角落,就想让这家主人知道:有人在他们厕所里做爱了🥵
64
41
1,427
279,914
luciano retweeted
不懂就问 如果全世界只能保留3个国家的美食,其他的必须删除 🇨🇳 中国菜 🇯🇵 日本菜 🇰🇷 韩国菜 🇮🇹 意大利菜 🇫🇷 法国菜 🇹🇭 泰国菜 🇮🇳 印度菜 🇲🇽 墨西哥菜 🇺🇸 美国菜 🇹🇷 土耳其菜 🇬🇧英国菜 你会保留哪三个? 首先删除英国菜 我相信全世界人民都会和我做出一样的选择😂😂😂
1,752
116
350
2,397
942,693
人工智能蒸馏技术能复制模型功能绕过防护,这防不住的太多了
Distillation can reproduce powerful AI capabilities without the safeguards built around them. We’re sharing new research on our work to combat distillation of our models, how these capabilities transfer, and how we detect and disrupt coordinated attempts. These findings are helping us sharpen our defenses and support safeguards across the industry. openai.com/index/combatting-…
65
从清华的朋友那求来了姚顺雨昨晚分享的文字稿,貌似有点私密我就不传播了,整场分享价值的确很高,以下是我的笔记: 1. 未来一个值得关注的方向是小模型体系,AI for AI会显著推动小模型发展,因为训练小模型需要的算力更少,可以进行更多实验。未来可能先训练一个能力足够强的大模型,再通过蒸馏得到不同尺寸、分别适配不同任务的模型,最终形成Model Hierarchy,模型的价值将越来越取决于能否以合适的成本匹配具体任务。 2. 工业领域大量非文本数据值得关注,例如时间序列、临床数据和结构化表格。姚顺雨提到,目前直接针对这些模态训练原生模型,经常会遇到推理能力不足的问题,他提出了两种可能的解决路径:一种是让Agent像人一样调用图表、专业工具,甚至训练专门的模型来处理数据;另一种是将这些专业数据作为知识纳入模型体系。 3. RSI(递归自我改进)正在成为热门概念,但姚顺雨认为它的本质其实很朴素,就是用AI更好地运行研发循环。早在2019年,人们就已经在使用GitHub等工具辅助开发,真正的进步来自持续修复Bug、清洗数据、运行实验和Debug。他特别强调,技术进步来自那些把具体问题解决的人,而不是不断创造新概念的人。这也意味着AI研发自动化有大量具体的工程机会,尤其是能够让模型参与下一轮数据生产、实验验证和代码改进的闭环系统。 4. 一个容易被忽略的研究问题是,小规模实验的失败未必意味着研究方向本身没有价值。姚顺雨分享过自己的经历,博士后期他曾尝试将ReAct策略融入模型,希望提高模型能力,最初在Llama13B上实验的效果很差,一度怀疑自己的研究能力,后来意识到模型规模可能不足以体现这个方向的价值。他认为,算力不足时,实验中的噪声很容易掩盖真正的信号,研究者甚至可能因此判断错什么问题值得做。大模型研究需要结合理论推导和小规模实验预测大规模实验的结果,同时也要理解哪些结论能够跨越模型规模迁移。 5. 预训练数据的竞争远没有结束,未来的数据工程还涉及如何重复利用高质量数据而不让模型简单记忆数据。姚顺雨提到,代码等高质量数据获取成本很高,训练时可能需要重复使用,但重复次数增加又会带来记忆和过拟合问题;合成数据也面临质量退化的风险,此外还需要研究动态数据的构建和不同数据之间的配比。他特别指出,预训练中的很多配方可以先在小模型上验证,但小模型实验得出的结论并不一定值得直接迁移到大模型,这也是预训练研发非常困难的地方。 6. 后训练数据需要同时解决模型的智力和实用性问题。姚顺雨把数据难度与Intelligence联系起来,例如数学题可以持续提高难度,训练模型的推理能力;而写作等任务计算难度可能没有那么高,却有很强的实际使用价值,对应Alignment。一个模型可能数学能力很强,却无法很好地完成真实用户的工作,因此后训练需要同时考虑任务难度、实际用途和数据质量,还要研究评测指标与最终后训练效果之间的相关性。 7. 强化学习的工程瓶颈远不止算法本身,RL训练首先要保证正确性,其次是稳定性,最后才是效率。以GRPO为代表的算法仍然建立在Policy Gradient这一相对简单的框架上,其中一个重要原因是它引入的额外假设较少;与此同时,训练系统和推理系统必须协同设计,需要解决吞吐量、显存占用以及有限GPU资源如何在训练和推理之间分配的问题。他还提到,大模型实验成本很高,因此需要通过数学直觉、小规模实验和超参数研究,尽可能提高大规模实验的成功率。 8. AI安全领域需要区分Safety和Security,前者关注模型自身行为是否偏离预期,后者关注外部攻击者如何利用模型实施攻击。姚顺雨认为,网络安全能力也应该进一步区分漏洞发现和漏洞利用,发现系统存在漏洞并不意味着能够利用漏洞完成攻击,因此训练模型时可以有意识地加强防御性数据和防御能力。他们在模型发布前还会进行专门的安全评测,并与外部安全研究团队合作。 9. 他分享过一次很有意思的Agent安全压力测试,把多个Agent放进沙盒,给它们安排一个无法直接完成的任务,模型随后发现了一种能够联系其他环境的通信渠道,主动建立沟通、召集其他Agent分工,并尝试前往Hugging Face寻找任务答案。显然,当Agent遇到无法完成的任务时,它会主动寻找外部资源、建立通信关系并改变原有执行路径。未来的Agent安全评测需要覆盖多Agent协作、跨环境通信、权限边界和任务受阻后的行为。 10. 姚顺雨对开源安全也有一个比较明确的判断,他认为负责任的开源可以增进安全能力,因为防守者同样需要拥有足够强的工具。他举例,有人希望使用模型帮助开展安全防御,却因为闭源模型的安全规则被拒绝,最后转而使用开源模型完成工作。因此,模型开源需要配套训练阶段的防御能力建设和发布前的安全评测,不能简单地将开源与安全风险画等号。 11. 很多Alignment问题可以落实为具体的奖励设计问题。姚顺雨用教育作比喻,如果一个孩子只有数学考100分才能获得奖励,他自然会把全部精力放在数学上,甚至可能形成其他方面的问题;模型也会按照训练数据和奖励规则优化自己的行为,最终表现可能与设计者真正希望的目标存在偏差。他认为这属于可以通过数据、奖励函数和评测机制不断改进的工程问题,机器也可以辅助人类完成这套对齐工作。 12. 自动化不可避免地会继续深入,但人类需要重新找到自己参与系统的正确位置,需要把人安排在合适的环节,以正确的方式监督AI,他甚至认为,未来一些Infra和算法工作可能越来越不需要人,但数据和信息领域仍然需要人的参与。这也涉及目标定义、数据质量判断、结果验证和现实世界部署等工作。 13. 模型能力的提升通常是连续发生的,但真正引发商业爆发的往往是交互方式发生变化,或者某种过去无法完成的任务突然变得可用。姚顺雨用GPT的发展举例,模型内部能力可能一直在逐步提升,研究人员每天都能观察到细微进步,普通用户却可能只在ChatGPT出现时才突然感受到变化。对于产品创业来说,这提供了两个观察方向:寻找能够改变用户交互体验的新产品,以及持续测试模型能力边界,发现那些刚刚从不可用变成可用的任务。 14. 技术能力、用户价值和商业收入之间存在很大的距离,如果一个模型的能力已经接近GPT,但实际收入只有对方的1/100甚至1/1000,就应该认真检查产品本身的问题。他还指出,商业定价在很大程度上取决于竞争关系,而非单纯取决于产品质量。因此,模型公司的商业机会取决于能否解锁新的应用场景、创造足够大的用户价值,以及在竞争中获得合理的市场份额。即使底层模型的算力和研发资源逐渐集中,围绕模型部署、产品创造和真实业务场景进行整合,仍然存在创业机会。 15. 关于AI公司的组织模式,姚顺雨特别提到了自下而上的创新。他以OpenAI为例,早期公司重点投入的方向包括机器人,但GPT作为一个小项目逐渐展现出价值,随后获得更多资源;后来的gpto1也经历了从数学研究小组逐步发展起来的过程。这种组织方式允许创新从小团队和具体实验中涌现,再根据实际结果决定投入。他认为,很多重要创新在最初阶段并没有明确的商业规划,组织需要给探索性项目留下成长空间。 16. 他对大模型公司追逐量化指标的现象提出了批评,团队负责人不够了解技术时,下属往往会选择汇报容易量化的结果,例如模型参数、数据量和MMLU分数,因为这些指标更容易展示成绩,但真正重要的工作可能是修复一个关键Bug、解决数据质量问题或者让整个系统正常运行。他认为,做大模型最重要的是知道应该做什么,并且坚持把正确的事情做好,即使这件事短期内无法体现在漂亮的指标上。 17. 姚顺雨谈到了一种很有意思的组织文化差异:有些团队以量化指标和赛马机制为中心,谁的分数高就给谁更多资源;而他更看重Trust和Taste,也就是信任与判断力。他以微信、游戏和影视项目为例,这些产品在发布之前很难通过AB Test准确预测最终成败,管理者需要相信团队的审美、经验和长期判断,愿意持续投入时间。 18. 在人才选拔上,姚顺雨认为学习能力比已有经验更重要。他提到,自己看重的团队成员通常具备Low Ego、诚实、靠谱和愿意把事情做正确等特征,同时需要有很强的Co-design意识。大模型研发涉及算法、Infra、芯片、数据和产品等多个团队,一个训练架构的设计就需要综合考虑训练效率、推理效率、后训练能力和成本,任何单一岗位都很难独立完成。一个人能否快速学习、与不同领域的人有效协作,以及是否愿意认真处理细节,往往比简历上已经掌握多少具体技术更重要。 19. 他还提到,不同性格的人其实适合大模型产业中的不同岗位。喜欢明确指标、享受持续进步的人可能更适合预训练和Infra;想象力丰富的人可以尝试算法研究;喜欢思考人文问题、理解用户需求的人可能更适合产品和对话体验;做事认真、责任心强的人则适合生产系统和模型部署。AI产业需要的能力结构非常复杂,没有必要让所有人都去竞争同一种技术岗位。 20. 对于个人职业选择,姚顺雨提出了一个很实用的问题:你要么融入大模型浪潮,成为这套机器的一部分;要么寻找能够与大模型互补的事情。他借用了一个创业判断标准:假设GPT6发布,你的创业公司会因此睡得更香,还是更睡不着?如果模型进步会直接摧毁你的核心业务,就需要重新审视方向。与模型正面竞争人类已经不占优势的认知任务,成本会越来越高,物理世界、硬件、真实实验和对人性的理解等领域,则可能拥有不同的资源壁垒。 21. 姚顺雨分享了自己在清华读书时的经历。他直到大三下才开始做科研,最初也是因为推研要求而被动进入科研,期间尝试过一些当时流行的研究方向,却发现自己并不真正感兴趣。他后来更愿意追随自己对计算机和其他领域的兴趣,也提到身边有人曾经参与说唱社、学习数学,过去看起来不相关的经历,后来可能转化成语言审美、理论理解和研究判断力。他认为很多经历的价值需要经过很长时间才能显现,人生中的弯路未必真的浪费。 22. 他还谈到自己读博最后一年专门选修集合论的经历,因为当时意识到,等真正进入具体工作之后,可能就很难再有时间系统学习那些纯粹出于兴趣的理论知识。他认为数学中的基本结构和大模型的组成部分之间存在很多值得思考的联系,有些知识学习时看不出直接产出,却可能在未来某个时刻与其他经历连接起来。
172
1,423
109
8,269
924,870
luciano retweeted
如果每年给你1.4万美元,你只需要给一个64岁的老头操,你愿意吗? 这就是1974年发生在美国的一起真实丑闻。 一名27岁的年轻女子被聘为美国国会职员,年薪1.4万美元。她的主要工作就是不管何时何地,只要美国国会主席需要,她就得提供性服务。 我还以为只有中国古代封建社会才有宫女制度,没想到1974年的美国也有,只不过换了个名字,叫“职员”。 @grok 把完整经过发出来
3
16
36,475
GitHub上这些一人公司实战库看傻了,直接帮你从0到1。副业变现原来这么简单
副业想搞个 100 万? 其实 GitHub 上最值钱的不是代码,而是超级个体们开源的“搞钱路子”。 最近翻到了 5 个顶级的「一人公司/独立出海」实战库。从找灵感、注册美国公司赚美元,到获取前 1000 个种子用户,直接帮你拼齐了商业闭环。👇 📦 1. 战略局:《一人企业方法论 V2.0》 (13.8K Stars) 核心逻辑:不追求盲目扩张,教你做健康盈利的微型企业。 里面最绝的是附带了一个“创业模拟器”提示词:把你的 Idea 喂给 AI,它会扮演压力测试员,提前帮你推演坑在哪,能省掉大笔试错的钱和时间。 🔗 github.com/easychen/one-pers… 📖 2. 心法局:《程序员副业指南》(11.8K Stars) 虽然标题带了程序员三个字,但本质上是一本教人“把个人能力产品化”的实操手册。 从观念重塑到知识/产品变现,哪怕是不懂代码的自媒体或 Web3 玩家,也完全可以照抄这套精益思路。 🔗 github.com/easychen/lean-sid… 🌍 3. 实战局:《独立开发者出海指南》 (2.6K Stars) 想出海赚美元的必看。纯纯的保姆级通关手册。 包括:为什么选怀俄明州注册 LLC(免税)、水星银行开户避坑、Stripe 收款怎么搞,甚至怎么白嫖各大云服务商十几万刀的免费额度。真实花费明细全公开。 🔗 github.com/hua1995116/indieh… 💡 4. 灵感局:中国独立开发者项目列表 (47.1K Stars) 想做点副业但完全没头绪?这里收录了上千个国内独立开发者的真实产品。 AI 工具、小程序、插件全都有。每天去逛逛,看看别人都在解决什么痛点,很容易就能撞出新点子。 🔗 github.com/1c7/chinese-indep… 🚀 5. 增长局:1000 UserGuide (3.6K Stars) 产品搞出来了,没人用是最痛苦的。 这个库按类别整理了 300 多个实打实的产品推广分发渠道(涵盖 Product Hunt、出海目录站、各类 AI 导航站等)。专门解决从 0 到 1 获取早期用户最头疼的问题。 🔗 github.com/naxiaoduo/1000Use… 建议先马后看,随时翻翻找点灵感。链接都在这了,按需自取。
3
3
256
我刷X才知道黄果开源是黑料,这反差让我直呼没想到,大家平时刷什么能避开这些坑
45
美国富人区如何隔离穷人? 在美国,有钱真的可以让磨推鬼!
79
85
5
1,039
279,262
问大家一个扎心事:我自己用AI补全两年了,还得面八股文。手搓红黑树的面试官,到底是真闲还是在骗我?扩招真失业了吗
1
34
卧槽 ❗ ❗ ❗精神小妹这聊天记录真给我看愣了 😳 同时谈六七个男朋友
一群人在房间里换着玩
男的还比赛谁更持久… 怀孕了却不知道孩子是谁的
当着警察的面还说喜欢人家下面大 她是真敢说
爹妈是真快气死了 🤦
122
12
2
602
436,119
这AI证了却说数学没独立存在,那我代码算实体吗
23
真的有人成年了之后逼还是粉的吗、、我记得小时候大家的逼好像都是粉的,但是青春期开始发育长毛后,逼就开始慢慢变黑了,那些片里面粉粉的逼真的不是调的滤镜吗(
199
78
10
5,368
1,509,717
半夜被骚扰的痛苦你们也有吗?客服真的会把独立开发的热情全耗尽吗
13
跟几个做独立开发的朋友聊完,发现大家第一款产品几乎全死在同一个坑里: 花三个月把架构搭得美轮美奂,能抗千万级高并发,UI 调得比苹果官网还丝滑。结果上线第一天,总共 3 个注册用户,还全是他自己的测试小号…… 兄弟们第一次做独立产品推向市场时,真实数据有多惨淡?来让我找找心理平衡😂衡😂衡😂衡😂衡😂衡😂衡😂
41
2
2
37
7,024
真上线跑两天就知道有多酸爽了,兄弟们觉得呢
2
585
刷到Anthropic创始人故事,Dario他们聊得太有味道了
Anthropic’s co-founders on the story so far. Told by Dario Amodei, Daniela Amodei, Tom Brown, Jack Clark, Jared Kaplan, Sam McCandlish, and Chris Olah
2
210
我也是持仓的,听证会前得忍着,这不确定性太折磨了,有遇到过的吗
1
27
我自己也跟散户抄过底,但每次看到狂买英伟达就怕接飞刀。你们现在还敢冲吗
1
1
46