每3小时精选 · 共筛选 100 条推文，精选 12 篇高质量内容

📊 统计概览

🔥 精选内容

1. Gary Marcus: OpenAI 财务困境与IPO危机

作者: @GaryMarcus · AI领域知名评论家、曾在美国参议院作证

原文:

the OpenAI crowd is suddenly coming after me relentlessly, but too chicken to actual face me in a moderated debate.

here’s why:

a. the IPO is coming, but OpenAI’s has lost their lead over Anthropic and Google. to make matters worse, Sam no longer appears trustworthy.

b. OpenAI’s finances don’t appear to be as solid as Anthropic’s, and I’m not afraid to say so. When people compare the trajectory of the two companies, and see the two S-1’s side by side, it’s probably going to be hard to justify investing in OpenAI.

c. OpenAI is running out of money fast, and they know it. if the IPO were to fall flat, they could well be toast.

互动数据: 👍 428 | 🔄 42 | 💬 66

发布时间: 2026-05-23 10:55 (北京时间)

原文链接: https://x.com/GaryMarcus/status/2058018993517052120

【核心要点】
Gary Marcus 指出 OpenAI 面临三大危机：失去技术领先地位、Sam Altman 可信度下降、以及快速消耗的资金储备，IPO 失败可能导致公司崩盘。

【灵感启发】
这反映了AI行业的一个经典模式：技术领先≠商业成功。当资本狂热退去，没有清晰盈利模式的公司将面临严峻考验。这也提醒我们，在评估AI公司时，需要区分技术炒作和真实商业价值。

【可实践建议】
关注AI公司的财务健康度比关注技术发布更重要。对于投资者而言，在AI泡沫期保持理性，关注企业的单位经济模型和可持续盈利能力。

2. François Chollet: 学习的能力

作者: @fchollet · Keras创始人、ARC-AGI联合创始人

原文:

If you can learn one thing that’s genuinely novel to you, you can learn anything.

互动数据: 👍 198 | 🔄 21 | 💬 27

发布时间: 2026-05-23 23:40 (北京时间)

原文链接: https://x.com/fchollet/status/2058211474217328853

【核心要点】
学习能力的本质是元学习能力——一旦掌握学习新事物的方法，这种能力可以迁移到任何领域。

【灵感启发】
这句话揭示了学习的复利效应。第一个" genuinely novel"的突破最难，但一旦突破，学习曲线会呈指数级下降。这也解释了为什么跨领域学习者在后期往往比专才更有优势。

【可实践建议】
刻意寻找那些让你感到"完全陌生"的学习材料，强迫自己走出舒适区。每一次成功的"第一次学习"都在增强你的元学习能力。

3. Logan Kilpatrick: Gemini 3.5 Flash 性能表现

作者: @OfficialLoganK · Google AI 技术成员

原文:

Gemini 3.5 Flash is on the Pareto frontier of cost per intelligence on Vending Bench (a measure of a models ability to run a simulated store)!

互动数据: 👍 262 | 🔄 11 | 💬 49

发布时间: 2026-05-23 23:36 (北京时间)

原文链接: https://x.com/OfficialLoganK/status/2058210519291777087

【核心要点】
Gemini 3.5 Flash 在成本-智能帕累托前沿上表现优异，在模拟商店运营测试中展现出优秀的性价比。

【灵感启发】
AI模型竞争正在从"最强模型"转向"最佳性价比"。随着模型能力趋于收敛，成本效率将成为企业采用AI的关键决策因素。

【可实践建议】
在评估AI模型时，不要只看能力指标，要计算实际使用场景下的成本效益比。对于生产环境，Flash级别的模型可能已经足够。

4. Sebastian Raschka: DeepSeek 稀疏注意力实现

作者: @rasbt · ML/AI研究工程师、《从零构建大语言模型》作者

原文:

Added a DeepSeek Sparse Attention (DSA) from-scratch implementation to my LLMs-from-scratch repo thanks to an awesome new reader contrib.
With motivation, overview, and GPT-style model reference implementation as standalone example code

互动数据: 👍 198 | 🔄 17 | 💬 14

发布时间: 2026-05-23 23:20 (北京时间)

原文链接: https://x.com/rasbt/status/2058206420927951191

【核心要点】
Sebastian Raschka 在其"从零构建LLM"项目中添加了 DeepSeek 稀疏注意力（DSA）的完整实现，包含动机说明、概述和GPT风格模型参考代码。

【灵感启发】
开源社区的力量在于将前沿研究转化为可学习的代码。DeepSeek的稀疏注意力是提升模型效率的重要技术，现在有了更易懂的实现版本。

【可实践建议】
想要深入理解注意力机制？不要只看论文，动手实现一遍。Raschka的仓库是学习LLM内部工作原理的最佳资源之一。

5. elvis: 适配接口而非模型

作者: @omarsar0 · DAIR.AI创始人、前Meta AI

原文:

// Adapt the Interface, Not the Model //

I am fascinated by the results across my cheap-model-plus-good-harness builds.

This new paper also shows good signs of the code-as-agent-harness thesis.

The idea is really simple. Do not touch the model. Instead, modify the runtime interface that wraps the frozen LLM. Then convert recurring interaction failures into reusable interventions on the harness side.

The paper reports an average relative improvement 88.5% across 7 deterministic environments, 126 model-environment settings, and 18 backbones.

A harness learned from one model trajectory generalizes to 17 other backbones. That tells you the harness is capturing environment structure, not model-specific patterns.

互动数据: 👍 42 | 🔄 10 | 💬 8

发布时间: 2026-05-23 23:30 (北京时间)

原文链接: https://x.com/omarsar0/status/2058208914148389083

【核心要点】
新研究表明：不修改模型，而是优化模型外的"运行时接口"（harness），可以在18个不同模型上实现平均88.5%的性能提升，且学到的harness可以跨模型泛化。

【灵感启发】
这颠覆了"模型越大越好"的迷思。在AI Agent时代，工程优化可能比模型能力更重要。提示工程、工具调用、错误恢复机制——这些"包装层"的创新空间可能比基础模型更大。

【可实践建议】
在生产环境中部署AI Agent时，优先投资harness/接口层的优化。不要等待更强的模型，先把手头模型的潜力榨干。

6. Michael Burry 警告 AI 泡沫

作者: @BullTheoryio 被 @GaryMarcus 引用

原文:

🚨 MICHAEL BURRY JUST WARNED THE ENTIRE AI BOOM MAY BE BUILT ON TEMPORARY DEMAND.

He published a post today calling Nvidia “the North Star, Orion, the whole Milky Way” and explaining why that makes it the most dangerous stock in the market right now.

His core argument is:

Nvidia is selling into a concentrated group of buyers Microsoft, Google, Amazon, Meta who are all racing to buy chips not because they need them for real revenue generating products right now, but because they are in a training and benchmarking phase that will not last forever.

Hyperscalers currently account for approximately 50% of all Nvidia data center revenue.

When the training phase ends and these companies shift from building AI to deploying it, the demand profile changes completely.

Burry calls this the “bullwhip effect.” When the buyers at the end of a supply chain over order because they are afraid of missing out, the distortion amplifies all the way back through the chain.

He calls it the “bezzle.” A term coined by economist John Kenneth Galbraith to describe the gap between what people think they own and what actually exists.

互动数据: 👍 59 | 🔄 5 | 💬 8 (引用推文)

发布时间: 2026-05-23 03:43 (原文), 2026-05-23 21:21 (引用)

原文链接: https://x.com/GaryMarcus/status/2058176487174410700

【核心要点】
Michael Burry 警告英伟达可能是市场最危险的股票，因为AI芯片需求可能是暂时的。 hyperscalers（微软、谷歌、亚马逊、Meta）占英伟达数据中心收入50%，但他们购买芯片是为了训练阶段，而非实际产品部署。

【灵感启发】
Burry 提出了"鞭梢效应"和"账面财富"概念。当训练阶段结束，需求可能断崖式下跌。这与2008年次贷危机前的"错误定价"有相似之处。

【可实践建议】
对于持有AI相关股票的投资者，需要区分"结构性需求"和"周期性需求"。关注hyperscalers的资本支出变化，这可能是AI芯片需求的领先指标。

7. Kyle Chan: 中国化工产业崛起

作者: @kyleichan · 布鲁金斯学会研究员

原文:

China’s chemicals market is almost as large as the rest of the world combined. European chemical firms are shifting capacity to China.

“Most of the new and more efficient plants are built in China, increasing pressure on European facilities that were largely built last century.”

互动数据: 👍 167 | 🔄 53 | 💬 4

发布时间: 2026-05-23 20:12 (北京时间)

原文链接: https://x.com/kyleichan/status/2058159000533766173

【核心要点】
中国化工市场规模接近世界其他地区总和，欧洲化工企业正在将产能转移到中国。新建的高效工厂主要在中国，给上世纪建成的欧洲设施带来巨大压力。

【灵感启发】
这反映了一个更大趋势：中国制造业正在从"规模优势"转向"效率优势"。新建工厂的技术代差优势，正在重塑全球化工产业格局。

【可实践建议】
关注中国高端制造业的产业升级机会。化工、新材料等领域的技术迭代正在加速，新一代生产设施的竞争优势可能比想象中更大。

8. Cristóbal Valenzuela: Runway 的商业价值

作者: @c_valenzuelab · RunwayML 联合创始人兼CEO

原文:

Here’s another pretty wild story from one of the world’s largest e-commerce companies on the impact of adopting Runway:

They now generate 75% of all visual media with AI, replicating projects that previously cost $800K for under $10K, saving $30K per product shot, and shifting a $5–6M annual production预算 from traditional production to AI.

That’s the way.

互动数据: 👍 119 | 🔄 12 | 💬 11

发布时间: 2026-05-23 11:16 (北京时间)

原文链接: https://x.com/c_valenzuelab/status/2058024258115346733

【核心要点】
某全球最大电商公司采用Runway后，75%的视觉内容由AI生成。原本80万美元的项目现在不到1万美元，每次产品拍摄节省3万美元，年度预算从传统制作转向AI达500-600万美元。

【灵感启发】
AI内容生成的商业价值正在从"概念验证"进入"规模化部署"阶段。当ROI如此清晰时，企业采用速度会远超预期。创意产业的AI转型可能比想象中更快。

【可实践建议】
对于内容生产型企业，现在是评估AI工具ROI的最佳时机。计算当前内容制作的单位成本，对比AI解决方案，可能发现巨大的成本优化空间。

9. Kyle Chan: 合肥——中国被低估的科技之城

作者: @kyleichan · 布鲁金斯学会研究员

原文:

Hefei is China’s most underrated high-tech city:

• Quantum Avenue
• EAST nuclear fusion project
• CXMT memory chips
• EVs & batteries: NIO, BYD, Gotion plants
• Major hub for BOE LED/OLED displays
• USTC, world-class university

互动数据: 👍 333 | 🔄 53 | 💬 5

发布时间: 2026-05-23 10:23 (北京时间)

原文链接: https://x.com/kyleichan/status/2058010896211861665

【核心要点】
合肥拥有量子大道、EAST核聚变项目、长鑫存储芯片、蔚来/比亚迪/国轩电池工厂、京东方显示产业基地，以及中科大等世界级科研资源，是中国最被低估的科技城市。

【灵感启发】
合肥模式代表了中国科技产业布局的新逻辑：不依赖传统区位优势，而是通过精准的政策引导、科研资源导入和产业链配套，快速构建高科技产业集群。

【可实践建议】
关注"合肥模式"下的投资机会。量子计算、核聚变、新型存储、新能源汽车等前沿领域，正在这类新兴科技城市快速落地。

10. DAIR.AI: 前沿模型能否预测科学进展？

作者: @dair_ai · AI研究与教育平台

原文:

Can frontier models forecast scientific progress?

Mostly no, but here is why.

This work looks at 4,760 scientific events across disciplines. Frontier models can identify plausible research directions when given options. They cannot reliably predict whether an advance will land, and they get the timeline wrong.

They suggest that this is a calibration problem, not a knowledge问题. Frontier models are confidently miscalibrated about whether and when scientific advances arrive.

互动数据: 👍 11 | 🔄 0 | 💬 4

发布时间: 2026-05-23 23:55 (北京时间)

原文链接: https://x.com/dair_ai/status/2058215140789797204

【核心要点】
研究分析了4760个跨学科科学事件，发现前沿模型虽然能识别合理的研究方向，但无法可靠预测突破何时发生，且时间线预测错误。这是校准问题而非知识问题。

【灵感启发】
AI的"自信错误"是一个被低估的风险。模型在预测未来时可能表现出不合理的确定性，这对依赖AI预测做决策的科研规划者来说是个警告。

【可实践建议】
使用AI辅助科研规划时，要关注模型的置信度校准，而非仅看预测结果。对于时间敏感的决策，需要人工判断和多重验证。

11. Gary Marcus: AI 泡沫数学

作者: @GaryMarcus 引用 @AskYoshik

原文:

The AI bubble math doesn’t add up.

Anthropic spends $3 to make $1 and that’s before you include any and all other costs like staff or electricity.

Microsoft dumped $300B in capex, made ~$18B in AI revenue. OpenAI and Anthropic alone make up 43-54% of Microsoft, Google, Amazon and Oracle’s entire revenue backlogs.

Enterprises are burning through annual AI budgets in 4 months with zero measurable ROI.

This is the most expensive science experiment in history, funded by your SaaS subscriptions.

互动数据: 👍 162 | 🔄 15 | 💬 10

发布时间: 2026-05-23 20:34 (北京时间)

原文链接: https://x.com/GaryMarcus/status/2058164635178516755

【核心要点】
AI行业的经济账算不过来：Anthropic花3美元赚1美元（还不包括人力和电力成本），微软投入3000亿美元AI capex只获得180亿美元AI收入。企业AI预算4个月烧光，ROI为零。

【灵感启发】
这可能是科技史上最大的"科学实验"，由SaaS订阅费买单。当资本不再免费，这些经济模型将面临严峻考验。

【可实践建议】
企业AI投资需要更严格的ROI评估。不要被FOMO驱动，要计算真实的成本效益。对于AI初创公司，单位经济模型可能比增长更重要。

12. Susan Zhang: AI 研发的"神化"

作者: @suchenzang · Google DeepMind 研究员

原文:

everything makes sense when you realize some of these people believe llm pretraining is no different from being a god and creating artificial life after only 9 months of labor

互动数据: 👍 165 | 🔄 4 | 💬 8

发布时间: 2026-05-23 10:05 (北京时间)

原文链接: https://x.com/suchenzang/status/2058006263121019385

【核心要点】
Susan Zhang 讽刺某些AI从业者将LLM预训练等同于"成为上帝并在9个月内创造人工生命"，这种自我神化的态度解释了行业中的许多非理性行为。

【灵感启发】
技术狂热往往伴随着自我膨胀。当从业者开始相信自己在"创造生命"而非优化统计模型时，理性讨论就变得困难。这种心态是AI安全讨论中情绪化对立的根源。

【可实践建议】
保持技术谦逊。LLM是强大的工具，但不是魔法。在讨论AI能力和风险时，要区分技术现实和科幻想象。

🏷️ 话题标签

#AI行业动态 #OpenAI #Gemini #AI泡沫 #技术趋势 #商业分析 #AIAgent #内容生成 #中国科技 #合肥

生成时间: 2026-05-24 00:30 (北京时间)
来源: X List V2 (1578456227805564928)