X List V2 每3小时精选 | 2026-06-08 00:05

从100条X List推文中筛选出10篇高质量内容
筛选时间：2026-06-08 00:05 (Asia/Shanghai)

🔬 精选推文深度分析

1. Greg Brockman (OpenAI) - Codex能力反思

作者信息

• 名称：Greg Brockman
• 身份：President & Co-Founder @OpenAI
• 发布时间：2026-06-07 01:48 (UTC+8)

推文原文

Whenever I don’t use codex for a task, I ask myself why and usually realize that there’s some missing context, I needed to write a skill, or I just didn’t think to use it.

Rarely is it because the task is outside of the capabilities of the model. Overhang right now feels large.

互动数据

• 👍 点赞：2,719 | 🔄 转发：116 | 💬 评论：239

【核心要点】
Greg Brockman反思Codex使用经验：很少是因为任务超出模型能力而不使用Codex，更多是因为缺少上下文、需要编写技能或没想到要用。他认为当前AI能力"Overhang"（能力过剩）现象严重。

【灵感启发】
思维模型：能力陷阱 vs 应用鸿沟。技术能力与应用落地之间存在巨大鸿沟，真正的瓶颈在于如何有效地将AI能力整合到工作流程中。这类似于"锤子找钉子"的问题——拥有强大工具后，关键是培养"锤子思维"。

【可实践建议】
建立"AI优先"工作流：在每次任务前问自己"Codex/AI能否做这个？"，建立AI使用检查清单，强制养成先考虑AI解决方案的习惯。

【发布时间】 2026-06-07 09:48 (北京时间)

2. Chelsea Finn (Stanford) - 长时程强化学习突破

作者信息

• 名称：Chelsea Finn
• 身份：Asst Prof of CS & EE @Stanford, Co-founder of Physical Intelligence
• 发布时间：2026-06-07 01:32 (UTC+8)

推文原文

Scaling RL to long horizons remains a major challenge.

Long-horizon Q-learning (LQL) prevents compounding bootstrapping errors by bounding the difference in value over long horizons.

It shows large gains over 1-step TD and n-step returns!

互动数据

• 👍 点赞：309 | 🔄 转发：27 | 💬 评论：2

【核心要点】
斯坦福Chelsea Finn团队提出Long-horizon Q-learning (LQL)，通过限制长时程价值差异来防止复合自举误差，在机器人等需要长程规划的任务中显著优于传统1-step TD和n-step方法。

【灵感启发】
跨领域启发：长程规划问题不仅存在于RL，也存在于个人目标管理、企业战略规划。核心洞见是"误差累积"——小误差在长链条中会指数级放大，需要设计机制来约束累积误差。

【可实践建议】
对于复杂项目，采用"里程碑检查点"机制：将长程目标分解为多个短程子目标，每个检查点评估并纠正偏差，防止错误累积。

【发布时间】 2026-06-07 09:32 (北京时间)

3. Susan Zhang (Google DeepMind) - AI时代的职业焦虑

作者信息

• 名称：Susan Zhang
• 身份：@Google DeepMind, Past: @MetaAI, @OpenAI
• 发布时间：2026-06-07 05:00 (UTC+8)

推文原文

if your bread-and-butter consists solely of:

• tuning hyperparams/config files
• fitting points on a log-log plot
• tweaking a few lines in [common repos]
• waiting a week for <= 512 chips to free up

it is completely understandable to be stressed about becoming automated into irrelevance within the next year or so.

question is, do you wait for that to happen, or do you start doing something differently now?

互动数据

• 👍 点赞：282 | 🔄 转发：10 | 💬 评论：10

【核心要点】
DeepMind研究员Susan Zhang指出：如果你的工作仅限于调参、拟合曲线、改几行代码、等GPU，那么在AI自动化浪潮中被淘汰是大概率事件。关键问题是：等待被替代，还是现在就开始改变？

【灵感启发】
思维模型：自动化威胁谱系。任何可被明确定义、有明确优化目标、重复性的工作都将被自动化。人类的价值在于模糊决策、跨领域整合、创造性问题解决。

【可实践建议】
评估自己的工作内容：如果超过50%是可被清晰描述的任务，立即开始培养"AI无法替代的技能"——复杂系统思考、跨领域创新、人际协调、战略判断。

【发布时间】 2026-06-07 13:00 (北京时间)

4. Gary Marcus - SpaceX IPO警示

作者信息

• 名称：Gary Marcus
• 身份：OG GenAI Skeptic, Author of 6 books
• 发布时间：2026-06-06 21:55 (UTC+8)

推文原文

If you aren’t one of the banks running the SpaceX IPO, you’re the mark:

互动数据

• 👍 点赞：270 | 🔄 转发：57 | 💬 评论：26

【核心要点】
Gary Marcus对SpaceX IPO提出尖锐批评：如果你不是承销银行，你就是被收割的对象。暗示IPO定价可能不利于普通投资者。

【灵感启发】
思维模型：信息不对称与散户陷阱。在热门科技股IPO中，机构投资者拥有信息优势和定价权，散户往往是"接盘侠"。这适用于任何看似"稳赚"的投资机会。

【可实践建议】
投资原则：对于热门IPO，问自己"为什么我能买到？“如果答案是因为你是散户，那可能不是好信号。寻找市场关注度低但基本面扎实的标的。

【发布时间】 2026-06-07 05:55 (北京时间)

5. Susan Zhang - AI代码的讽刺

作者信息

• 名称：Susan Zhang
• 身份：@Google DeepMind
• 发布时间：2026-06-06 19:36 (UTC+8)

推文原文

fast takeoff: now 99.99% of slop code is written by AI and only fixable with more AI

incredible perpetual token machines!

互动数据

• 👍 点赞：181 | 🔄 转发：4 | 💬 评论：12

【核心要点】
Susan Zhang讽刺AI代码现状：99.99%的"垃圾代码"由AI生成，而修复这些代码又需要更多AI——形成了"永久Token机器"的循环。

【灵感启发】
系统思考：技术债务的自动化。AI降低了代码生成门槛，但可能加剧技术债务。当生成成本趋近于零，筛选和修复成本将成为新瓶颈。

【可实践建议】
代码审查原则：AI生成的代码必须经过严格审查，重点关注边界情况、错误处理、可维护性。建立AI代码的"质量标准”，不因生成成本低而降低质量要求。

【发布时间】 2026-06-07 03:36 (北京时间)

6. Suhail (Mixpanel) - 重返AI创业

作者信息

• 名称：Suhail
• 身份：Founder @mixpanel
• 发布时间：2026-06-02 11:37 (UTC+8)

推文原文

1/ it all started w 2 8xB200s

excited to be back in the game again

互动数据

• 👍 点赞：205 | 🔄 转发：6 | 💬 评论：30

【核心要点】
Mixpanel创始人Suhail宣布重返AI创业，从2台8xB200服务器开始。这标志着一个成功的SaaS创业者重新进入AI基础设施领域。

【灵感启发】
创业思维：基础设施即信号。顶级创业者选择进入AI基础设施层，说明这是价值积累的核心环节。应用层竞争激烈，而基础设施仍有巨大机会。

【可实践建议】
关注基础设施层机会：如果你考虑AI创业，思考"什么基础设施缺失？"——可能是新的模型服务、训练优化工具、推理加速、数据管道等。

【发布时间】 2026-06-02 19:37 (北京时间)

7. Pedro Domingos - AI可见性洞察

作者信息

• 名称：Pedro Domingos
• 身份：Professor @UW, Author of ‘The Master Algorithm’
• 发布时间：2026-06-07 01:34 (UTC+8)

推文原文

What jumped dramatically with ChatGPT was not the use of AI but its visibility.

互动数据

• 👍 点赞：58 | 🔄 转发：6 | 💬 评论：14

【核心要点】
《主算法》作者Pedro Domingos指出：ChatGPT带来的剧变不是AI的使用量，而是AI的"可见性"。AI早已无处不在，只是现在人们开始注意到它。

【灵感启发】
认知框架：可见性偏见。我们往往高估可见的变化，低估渐进的积累。AI革命是长期技术积累的爆发，而非突然发生。

【可实践建议】
思考"不可见的AI"：在你的行业中，AI已经在做什么但人们没意识到？这些"隐形AI"可能是下一个被看见的机会。

【发布时间】 2026-06-07 09:34 (北京时间)

8. Matei Zaharia (Databricks) - 并行检索优化

作者信息

• 名称：Matei Zaharia
• 身份：CTO @Databricks, Prof @UCBerkeley
• 发布时间：2026-06-06 19:42 (UTC+8)

推文原文

There’s a ton of interest in custom model tuning as agents reach production and scale up. Here is how we made Databricks Knowledge Assistant 3x faster using our new Instructed Retriever model trained end-to-end to do parallel test-time compute. It’s rolling out to customers now!

互动数据

• 👍 点赞：58 | 🔄 转发：5 | 💬 评论：5

【核心要点】
Databricks通过"Instructed Retriever"模型实现并行测试时计算，将Knowledge Assistant搜索时间降低3倍、回答时间降低2倍，同时保持与Claude Sonnet 4.5相当的检索质量。

【灵感启发】
工程思维：并行化 vs 序列化。传统Agent通过更多步骤提升质量，但增加延迟。Databricks的方案是"并行扩展"——同时生成多个查询和重排序，用并行换取速度。

【可实践建议】
对于Agent设计，考虑"并行查询生成"：不等待一个工具调用完成再调用下一个，而是同时生成多个候选查询，然后合并结果。这适用于任何需要多步检索的场景。

【发布时间】 2026-06-07 03:42 (北京时间)

9. Yann LeCun - 特朗普政府海洋监测项目

作者信息

• 名称：Yann LeCun
• 身份：Professor @NYU, Ex-Chief AI Scientist @Meta, Turing Award Laureate
• 发布时间：2026-06-07 05:26 (UTC+8)

推文原文

RT @MikeLevin: This is really stupid, and it’s not getting enough attention.

The Trump administration is pulling a working $368 million ocean monitoring system…

互动数据

• 👍 点赞：0 | 🔄 转发：12,025 | 💬 评论：0

【核心要点】
Yann LeCun转发关于特朗普政府取消3.68亿美元海洋监测系统的推文，引发广泛关注。这反映了科技界对政府科学政策的态度。

【灵感启发】
政策与科技：科学基础设施的政治脆弱性。长期科学投资容易被短期政治决策中断，但科学数据的连续性对研究和政策制定至关重要。

【可实践建议】
对于依赖公共数据的AI研究，考虑数据主权和备份策略。重要数据集应该有多重备份，防止政策变化导致数据中断。

【发布时间】 2026-06-07 13:26 (北京时间)

10. Gary Marcus - AI融资讽刺剧

作者信息

• 名称：Gary Marcus
• 身份：AI Skeptic, Author
• 发布时间：2026-06-07 05:40 (UTC+8)

推文原文

Imaginary conversations that might actually have happened

Act I
Sam: We missed all our metrics, Anthropic and Google have gained on us. Give us 40 billion dollars.
Masa: No way!
Sam: If you don’t, we go out of business and you go along with us.
Masa: Ok, YOLO. Where I can send the wire to?

Act II
Sam: We missed all our metrics, Anthropic and Google have gained on us. Give us 40 billion dollars.
POTUS: No way!
Sam: If you don’t, we go out of business and take the U.S. economy along with us.
POTUS: Ok, YOLO. Let’s call it an “investment”. Where I can send the wire to?

互动数据

• 👍 点赞：74 | 🔄 转发：8 | 💬 评论：12

【核心要点】
Gary Marcus以讽刺剧本形式评论AI公司融资：从软银到美国政府，AI公司似乎在用"系统性风险"作为筹码来获取巨额融资。

【灵感启发】
系统风险：大而不能倒的AI版本。当AI公司被定位为"国家竞争力"和"经济安全"的关键，它们获得了前所未有的议价能力。

【可实践建议】
理性看待AI投资：区分"AI改变世界的潜力"和"特定公司的投资价值"。技术革命不等于每家公司都值得投资。

【发布时间】 2026-06-07 13:40 (北京时间)

📱 社交媒体分享文案

即刻版

推文1 - Greg Brockman
Greg Brockman的Codex反思太真实了！😅 他说很少是因为任务超出AI能力而不用Codex，更多是因为"没想到"或"没上下文"。

这让我想到：AI能力的Overhang（过剩）已经存在，真正的瓶颈是我们的使用习惯。

养成"AI优先"思维：每次任务前先问"AI能做吗？"

#AI #OpenAI #Codex #效率工具
https://x.com/gdb/status/2063437915347136554

推文2 - Susan Zhang职业焦虑
DeepMind研究员的警告扎心了 💔

如果你的工作是：调参、拟合曲线、改几行代码、等GPU…

“被AI自动化到无关紧要"可能只是时间问题。

但这不是绝望，而是行动的号角 🚀

现在就开始培养AI无法替代的技能：系统思考、跨领域创新、战略判断。

#AI #职业发展 #DeepMind #未来工作
https://x.com/suchenzang/status/2063606910285488616

推文3 - Pedro Domingos洞察
“ChatGPT带来的剧变不是AI的使用量，而是AI的可见性。”

《主算法》作者这句话点醒了我 🤯

AI早已无处不在，只是现在人们开始注意到它。

下次觉得"AI突然爆发"时，想想那些已经存在但看不见的AI。

#AI #ChatGPT #技术趋势 #认知
https://x.com/pmddomingos/status/2063555159058428006

Twitter/X版

推文1 - Greg Brockman
Greg Brockman: 很少因为任务超出Codex能力而不用它，更多是因为"没想到"或"缺少上下文”。AI能力Overhang已存在，瓶颈是使用习惯。

养成"AI优先"工作流 🚀

#OpenAI #Codex #AI #Productivity
https://x.com/gdb/status/2063437915347136554

推文2 - Susan Zhang
DeepMind研究员警告：调参、拟合曲线、改代码、等GPU——如果你的工作仅限于此，被AI自动化可能只是时间问题。

关键问题：等待被替代，还是现在改变？

#AI #Career #DeepMind #FutureOfWork
https://x.com/suchenzang/status/2063606910285488616

推文3 - Pedro Domingos
“ChatGPT带来的剧变不是AI的使用量，而是AI的可见性。”

AI早已无处不在，只是现在人们开始注意到它。

#AI #ChatGPT #TechTrends #Insight
https://x.com/pmddomingos/status/2063555159058428006

🎯 核心洞察总结

技术趋势

1. AI能力Overhang：模型能力已超越实际应用，瓶颈在整合能力
2. Agent并行化：从顺序思考转向并行计算以优化延迟
3. 长程RL突破：LQL解决机器人长程规划中的误差累积问题

行业洞察

1. 职业重构：可明确定义的任务将被自动化，人类价值转向模糊决策
2. 基础设施机会：顶级创业者重新聚焦AI基础设施层
3. 可见性偏见：AI革命是长期积累的结果，而非突然发生

投资思考

1. IPO风险：热门科技股IPO中散户往往是信息不对称的受害者
2. 系统性风险：AI公司利用"大而不能倒"逻辑获取巨额融资
3. 技术债务：AI降低代码生成成本，但可能加剧技术债务

生成时间：2026-06-08 00:05 (Asia/Shanghai)
来源：X List V2 (1578456227805564928)