X List V2 每3小时精选 | 2026-05-22 00:05

从100条推文中精选 10篇 高质量内容

1. Grok - AI游戏资产生成工作流

作者: Grok (@grok)
发布时间: 2026-05-21 13:50 (北京时间)

推文原文

Prototyping game assets directly with Grok @imagine

Step 1 - Call Imagine’s image gen model to create video game character
Example: “Tesla Optimus on a white background, full bodied, center in screen”

Step 2 - Call Imagine’s image to video model to animate the character

Step 3 - Convert video to spritesheet by subsampling frames

Step 4 - Animate spritesheet, using game engine of choice

互动数据

👍 1,965 | 🔄 199 | 💬 205

AI深度分析

【核心要点】
Grok展示了完整的AI游戏开发工作流：从图像生成→视频动画→精灵图集→游戏引擎集成，实现游戏角色资产的端到端自动化创建。

【灵感启发】
这体现了"模块化AI工作流"思维——将复杂创作任务拆解为可组合的AI能力模块，每个环节都可以独立优化和替换，类似Unix管道的哲学。

【可实践建议】
尝试用类似流程自动化你的内容创作：明确输入→选择合适AI工具→标准化输出格式→集成到工作流中。

社交媒体文案

【即刻版】
Grok这波操作太秀了！🎮 从一张图到游戏角色动画，4步搞定：
1️⃣ Imagine生成角色图
2️⃣ 图转视频动画
3️⃣ 抽帧做精灵图
4️⃣ 导入游戏引擎

AI游戏开发的时代真的来了！独立开发者狂喜 🚀

#AI #游戏开发 #Grok #独立游戏
https://x.com/grok/status/2057338215783370789

【Twitter/X版】
Grok展示完整AI游戏资产生成工作流：图像生成→视频动画→精灵图集→游戏引擎，4步自动化创建游戏角色。AI正在重塑游戏开发流程。

#AI #GameDev #Grok
https://x.com/grok/status/2057338215783370789

2. Logan Kilpatrick - Gemini 3.5 Flash登顶Agent基准测试

作者: Logan Kilpatrick (@OfficialLoganK)
发布时间: 2026-05-21 21:56 (北京时间)

推文原文

Gemini 3.5 Flash ranks #1 on the APEX-Agents-AA benchmark, outperforming much larger models a whole size above it.

互动数据

👍 945 | 🔄 38 | 💬 186

AI深度分析

【核心要点】
Gemini 3.5 Flash在APEX-Agents-AA基准测试中排名第一，超越了比它大一个量级的模型，展示了高效小模型的强大能力。

【灵感启发】
“小模型+高效训练"可能正在超越"大力出奇迹"的Scaling Law，这类似于精益创业vs烧钱扩张的商业模式对比。

【可实践建议】
不要迷信大模型，先尝试优化提示词和微调小模型，往往能获得更好的性价比。

社交媒体文案

【即刻版】
Gemini 3.5 Flash杀疯了！🔥 在APEX-Agents-AA基准测试里直接登顶，还把比它大一圈的模型按在地上摩擦。

小模型逆袭的时代来了？Google这效率优化真的有点东西 💪

#Gemini #AI #Google
https://x.com/OfficialLoganK/status/2057460544643404125

【Twitter/X版】
Gemini 3.5 Flash登顶APEX-Agents-AA基准测试，超越更大模型。小模型+高效优化正在挑战Scaling Law。

#Gemini #AI #Google
https://x.com/OfficialLoganK/status/2057460544643404125

3. Gary Marcus - Anthropic利润真相揭秘

作者: Gary Marcus (@GaryMarcus)
发布时间: 2026-05-21 18:18 (北京时间)

推文原文

Always read the fine print: Anthropic is projecting its first (slightly) profitable quarter ever, which is amazing—assuming it actually happens —but if it does it will be in no small part because they are getting a one-time (nonrecurring) discount for that quarter on compute from SpaceX.

That discount may well be bigger than the projected $559M profit. The context matters.

互动数据

👍 180 | 🔄 12 | 💬 24

AI深度分析

【核心要点】
Gary Marcus揭露Anthropic首次盈利的真相：主要依靠SpaceX一次性计算折扣，折扣金额可能超过5.59亿美元预期利润，实际经营状况仍待观察。

【灵感启发】
这提醒我们关注"会计魔术”——表面数字背后可能有非经常性损益，需要穿透式分析才能看清真实业务状况。

【可实践建议】
阅读财报时，重点关注"非经常性损益"和"关联方交易"部分，这些往往是真相所在。

社交媒体文案

【即刻版】
Gary Marcus又开炮了 💥 Anthropic那个"首次盈利"，原来是靠SpaceX一次性折扣撑起来的？

折扣可能比5.59亿利润还高… 这波操作，懂的都懂 🤔

读财报真的得看小字部分！

#AI #Anthropic #商业分析
https://x.com/GaryMarcus/status/2057405539462644153

【Twitter/X版】
Gary Marcus揭露Anthropic盈利真相：主要依靠SpaceX一次性计算折扣，折扣金额可能超过预期利润。读财报要看小字。

#AI #Anthropic #Business
https://x.com/GaryMarcus/status/2057405539462644153

4. Greg Brockman - OpenAI数学突破

作者: Greg Brockman (@gdb)
发布时间: 2026-05-21 15:38 (北京时间)

推文原文

our math result is a milestone in new knowledge generation by AI. very exciting to imagine similar results in other scientific fields. “It’s very hard to sleep, man” is a pretty good reaction.

互动数据

👍 553 | 🔄 27 | 💬 62

AI深度分析

【核心要点】
OpenAI在数学领域取得突破，AI首次实现新知识生成，标志着AI从模式匹配向原创发现的跨越。

【灵感启发】
“难以入睡"的反应揭示了科学发现的本质兴奋——当AI开始创造而非复制，人类知识的边界将被重新定义。

【可实践建议】
关注AI在可验证领域（数学、编程、科学）的突破，这些是最快产生实际价值的方向。

社交媒体文案

【即刻版】
OpenAI数学突破！🧮 Greg Brockman说"难以入睡”——AI开始创造新知识了，不只是模仿。

从模式匹配到原创发现，这是质的飞跃。其他科学领域也会这样吗？🤯

#OpenAI #数学 #AI突破
https://x.com/gdb/status/2057365298873811303

【Twitter/X版】
OpenAI宣布数学领域突破：AI实现新知识生成。Greg Brockman:“难以入睡”。从模式匹配到原创发现的跨越。

#OpenAI #AI #Math
https://x.com/gdb/status/2057365298873811303

5. Susan Zhang - AI公司盈利困境深度分析

作者: Susan Zhang (@suchenzang)
发布时间: 2026-05-21 14:02 (北京时间)

推文原文

saying these places can “choose to be profitable” is like saying drug-addicts can “choose to stop doing drugs”.

there is constant anxiety in the field because the people building this stuff know that once “capabilities” are demonstrated, it’s just a matter of months before it’s replicated.

so now you have to be perpetually training new models, burning through R&D, 10x-ing data/hardware/power to stay ahead, while searching for the next hot intellectual challenge to break for a capability demonstration (go/chess/video games/software-access-and-unit-tests/math/etc) while still scaling the human application / consulting layer in hopes of finding an infinite money printer.

互动数据

👍 110 | 🔄 6 | 💬 8

AI深度分析

【核心要点】
Susan Zhang用"瘾君子无法选择戒毒"比喻AI公司的盈利困境：技术快速迭代迫使持续烧钱研发，一旦展示能力就会被复制，必须不断寻找下一个突破点。

【灵感启发】
这揭示了AI行业的"红皇后效应"——必须不断奔跑才能留在原地。技术护城河极浅，先发优势转瞬即逝。

【可实践建议】
如果你是AI创业者，思考如何建立非技术壁垒（数据网络效应、客户锁定、品牌信任），而非单纯依赖模型能力。

社交媒体文案

【即刻版】
Susan Zhang这比喻绝了 💊 AI公司说"可以选择盈利"就像瘾君子说"可以选择戒毒"。

为啥停不下来？技术一展示就被复制，必须持续烧钱研发、10倍投入才能维持领先…

这行业真的没有护城河吗？🤔

#AI创业 #商业思考
https://x.com/suchenzang/status/2057341234302071108

【Twitter/X版】
Susan Zhang深度分析AI公司盈利困境：技术快速迭代迫使持续烧钱，“可以选择盈利"如同"可以选择戒毒”。先发优势转瞬即逝。

#AI #Startup #Business
https://x.com/suchenzang/status/2057341234302071108

6. Robert Scoble - AI时代的人才观

作者: Robert Scoble (@Scobleizer)
发布时间: 2026-05-21 16:08 (北京时间)

推文原文

People without a credential work cheaper.

But in an AI world a different thinker has more value than most who have been “educated.”

I met a cofounder of @neuralink who told me they hired mostly “non traditional” talent who thought differently about problems.

互动数据

👍 127 | 🔄 10 | 💬 17

AI深度分析

【核心要点】
Scoble提出AI时代的人才悖论：传统学历贬值，差异化思维升值。Neuralink优先招聘"非传统"人才，看重非常规问题解决能力。

【灵感启发】
AI正在重构" expertise “的定义——记忆和标准化技能被AI替代，创造性思维和跨领域联想成为稀缺资源。

【可实践建议】
培养"T型能力”：在一个领域深入，同时保持跨学科好奇心。AI时代，连接不同领域的能力比单一专精更值钱。

社交媒体文案

【即刻版】
AI时代，学历正在贬值，思维方式在升值 🧠

Scoble说Neuralink专门招"非传统"人才——不看学历，看你能不能跳出框框想问题。

在AI能搞定标准答案的时代，提出好问题比记住答案更重要。

#AI #人才 #Neuralink
https://x.com/Scobleizer/status/2057372955928346759

【Twitter/X版】
AI时代人才观转变：传统学历贬值，差异化思维升值。Neuralink优先招聘"非传统"人才，看重非常规问题解决能力。

#AI #Talent #FutureOfWork
https://x.com/Scobleizer/status/2057372955928346759

7. Tibo - Outrank SEO工具重大更新

作者: Tibo (@tibo_maker)
发布时间: 2026-05-21 17:30 (北京时间)

推文原文

biggest update of 2026 on Outrank 🤯

it now automatically improves your existing articles ✅

here’s how it works:

finds articles getting attention that have potential
schedules rewrite tasks in the Content Planner (fully integrated)
rewrites them automatically
you can enable auto-push, or review and approve changes before pushing yourself

we got asked for this feature more than anything else and it’s finally live 🔥

Outrank now works as a fully autonomous SEO agent for you - keyword research, content creation, backlinks, and now it even revisits old content and keeps it fresh 🤩

search engines love fresh, updated content. it’s one of the most underrated ranking signals out there

if you’re not using Outrank for your SEO by now, you’re missing out majorly 🤷🏻

互动数据

👍 96 | 🔄 12 | 💬 21

AI深度分析

【核心要点】
Outrank推出自动内容优化功能，AI自动识别有潜力的旧文章、安排重写任务、自动更新，成为完全自主的SEO Agent。

【灵感启发】
这展示了AI Agent的进化方向：从"创建新内容"到"持续优化存量资产"，类似从开发新产品到运营成熟业务的转变。

【可实践建议】
如果你有博客或内容网站，定期回顾和更新旧文章可能比写新文章ROI更高，搜索引擎确实偏爱新鲜内容。

社交媒体文案

【即刻版】
Outrank这波更新太实用了！🚀

AI现在会自动帮你优化旧文章：
✅ 发现有潜力的内容
✅ 安排重写任务
✅ 自动更新发布

完全自主的SEO Agent来了！搜索引擎确实喜欢新鲜内容，这招太聪明 💡

#SEO #AI工具 #Outrank
https://x.com/tibo_maker/status/2057393582382727332

【Twitter/X版】
Outrank推出自动内容优化：AI识别有潜力旧文章→安排重写→自动更新。从创建新内容到持续优化存量，完全自主SEO Agent。

#SEO #AI #ContentMarketing
https://x.com/tibo_maker/status/2057393582382727332

8. Ethan Mollick - AI科研的问题发现困境

作者: Ethan Mollick (@emollick)
发布时间: 2026-05-21 22:32 (北京时间)

推文原文

In science, AI still does a poor job at finding interesting questions to solve in fields that don’t have lists of known issues

This has always been the hardest thing to teach PhDs: otherwise you find small problems or problems that don’t advance the field or don’t generalize etc

互动数据

👍 91 | 🔄 1 | 💬 22

AI深度分析

【核心要点】
Ethan Mollick指出AI科研的短板：擅长解决已知问题，但难以发现新问题。这正是培养博士最难的部分——提出能推动领域发展的真问题。

【灵感启发】
这触及AI能力的边界：模式识别vs问题定义。AI是强大的解题工具，但问题本身的发现仍需要人类的直觉和领域洞察。

【可实践建议】
使用AI时，花更多时间在"定义问题"阶段。好问题的价值远超好答案，这是人类的核心竞争力。

社交媒体文案

【即刻版】
Ethan Mollick说得对 🎯 AI科研的短板不是解题，而是"发现好问题"。

这正是培养博士最难的——怎么找到能推动领域前进的真问题，而不是边角料。

AI是超级解题器，但问题从哪来？还得靠人类 🧠

#AI #科研 #创新
https://x.com/emollick/status/2057469699567260072

【Twitter/X版】
Ethan Mollick：AI科研的短板是问题发现。AI擅长解决已知问题，但难以提出能推动领域发展的新问题——这正是培养博士最难的部分。

#AI #Science #Research
https://x.com/emollick/status/2057469699567260072

9. Cameron R. Wolfe - 多智能体系统设计原则

作者: Cameron R. Wolfe, Ph.D. (@cwolferesearch)
发布时间: 2026-05-21 23:38 (北京时间)

推文原文

When are multi-agent systems necessary and how can we build them?

Single-agent systems are simple and incredibly powerful when equipped with the necessary tools for solving relevant tasks. Due to the complexity of orchestrating multiple agents, we should almost always start with a single-agent design and optimize this basic setup as much as possible—single agents are easier to evaluate and maintain.

We can expand the agent’s capabilities by incrementally adding more tools and conditional logic—in the form of prompt templates or modified instructions—to the system. For the agent to perform well, we should provide clear names, descriptions, and arguments for all tools, as well as detailed instructions that outline the expected actions and outcomes for a task.

When are multiple agents needed? Multi-agent systems distribute task execution across multiple specialized agents in a coordinated fashion. Multi-agent systems logically separate components of a difficult task, but they are also more complex. For this reason, we should expand to multi-agent systems only when necessary.

Common signs that using multiple agents may be helpful include:

Instructions for the single-agent system are bloated, and the agent is struggling to follow instructions even with clear logic or templating.
Tools are being selected incorrectly by the agent because there are too many available tools.

Types of multi-agent systems:

Manager setup: a central “manager” agent orchestrates specialized agents via tool calls
Decentralized setup: multiple agents operate as peers by handing off tasks to one another

互动数据

👍 20 | 🔄 2 | 💬 2

AI深度分析

【核心要点】
Cameron Wolfe系统阐述多智能体设计原则：从单智能体开始优化，仅在必要时扩展为多智能体；Manager模式和去中心化模式是两种主要架构。

【灵感启发】
这体现了软件工程的"YAGNI"原则（You Aren’t Gonna Need It）——不要过早优化，先让简单方案work，复杂化是最后手段。

【可实践建议】
构建AI系统时，先用单Agent+好工具解决80%问题，只有当提示词臃肿、工具选择混乱时才考虑多Agent架构。

社交媒体文案

【即刻版】
多智能体系统怎么设计？Cameron Wolfe这篇讲透了 📚

核心原则：先做单Agent，优化到极致再考虑扩展。Manager模式 vs 去中心化，各有利弊。

别急着上多Agent，简单方案往往更好 💡

#AI #MultiAgent #系统设计
https://x.com/cwolferesearch/status/2057486293882282293

【Twitter/X版】
Cameron Wolfe阐述多智能体设计原则：从单Agent开始优化，仅在提示词臃肿、工具选择混乱时才扩展。Manager模式vs去中心化架构对比。

#AI #MultiAgent #SystemDesign
https://x.com/cwolferesearch/status/2057486293882282293

10. NVIDIA AI - Verified Agent Skills发布

作者: NVIDIA AI (@NVIDIAAI)
发布时间: 2026-05-22 00:21 (北京时间)

推文原文

We just shipped NVIDIA-Verified Agent Skills 🔐

Skills make your agent more capable, but can also introduce vulnerabilities. Verified skills give you transparency into what a skill does, where it came from, what risks it carries, and whether it’s been modified.

Every verified skill carries a skill card and is built on the open specification to work reliably across @claudeai Code, @openai Codex, and @cursor_ai.

互动数据

👍 24 | 🔄 4 | 💬 2

AI深度分析

【核心要点】
NVIDIA推出Verified Agent Skills，解决AI Agent生态的安全隐患：通过技能卡片提供透明度（功能、来源、风险、修改状态），跨平台兼容Claude、Codex、Cursor。

【灵感启发】
这类似于软件供应链安全（SBOM）在AI领域的应用——当Agent可以调用外部技能时，溯源和验证变得至关重要。

【可实践建议】
如果你正在构建Agent系统，考虑实现类似的"技能验证"机制：记录每个技能的来源、权限范围和潜在风险。

社交媒体文案

【即刻版】
NVIDIA发布Verified Agent Skills 🔒

AI Agent的技能也能"验真"了！每个技能都有卡片说明：做什么的、从哪来、有什么风险、有没有被改过。

还支持Claude、Codex、Cursor跨平台使用。Agent生态开始重视安全了 👍

#NVIDIA #AIAgent #安全
https://x.com/NVIDIAAI/status/2057496919425900834

【Twitter/X版】
NVIDIA推出Verified Agent Skills：为AI Agent技能提供溯源和验证，包括功能、来源、风险、修改状态。支持Claude、Codex、Cursor跨平台兼容。

#NVIDIA #AI #AgentSecurity
https://x.com/NVIDIAAI/status/2057496919425900834

📝 总结

本期精选涵盖了AI领域的多个重要话题：

技术突破: OpenAI数学突破、Gemini 3.5 Flash登顶
商业洞察: Anthropic盈利真相、AI公司盈利困境
工具创新: Grok游戏资产生成、Outrank SEO自动化、NVIDIA Verified Skills
行业思考: AI时代人才观、科研问题发现、多智能体设计原则

核心趋势: AI正在从"能力展示"转向"实际应用"，同时行业开始关注安全、可持续性和真实价值创造。

Generated by X List V2 Digest Bot | 2026-05-22 00:05