药品 2023 年 8 月 29 日 Long COVID 之谜仅仅是个开始 在耶鲁大学的诊所里，医学侦探丽莎-桑德斯（Lisa Sanders）几乎想尽了一切办法。桑德斯是耶鲁大学的一名内科医生，当时她正靠在门口喝着红酒，与她的朋友、心脏病专家埃里卡-斯帕茨（Erica Spatz）闲聊，斯帕茨提到她和其他几位医生有一个想法，要在耶鲁大学开设一家新的长COVID诊所。不仅在耶鲁大学，Long COVID 也在不断突破医院系统的极限。与此同时，科学家和学者们对长效 COVID 的概念持怀疑态度，认为感染会让人变得更强壮，新的变种不会造成威胁，长效 COVID 的危险被夸大了--这意味着病人所遭受的痛苦都是他们的幻觉。由于缺乏长期研究，无法对 COVID 的病程和治疗方法给出更明确的答案，这些人急需专门负责他们的人给出明确的答案。除了在耶鲁大学教授内科医学外，她还为《纽约时报》杂志撰写 "诊断"（Diagnosis）月刊，这是一个医学探秘专栏，也是长篇电视剧《豪斯》（House）的灵感来源。
“我们被承诺了治愈癌症，但我们所得到的只是在过去几十年里癌症五年生存率方面的一些进展，这样说也许更合适。就阿尔茨海默病而言，情况更糟：直到 2021 年，我们已经度过了 20 年with no new drugs - and even the approved ones have marginal effects1. 没有新药物 - 即使是已经批准的药物，效果也边缘化。但是，Thiel 随后又提到了他之前关于学术界缺乏多面手的评论，并认为当今的领域对数学家或物理学家来说过于专业化，不容易转向生物学。生物学家在数学方面不如其他科学家那么擅长，但这是因为生物学涉及的领域很广泛，而且是非常有成效的领域，不需要太多的数学知识。每一次，基因组学都面临着生物学家们长期以来一直在努力解决的相同问题：生物学只是非常混乱和困难。
癌症仍是全球主要死因之一，但诊断、治疗、公共卫生和风险因素控制，使许多国家的年龄标准化死亡率逐步下降。不同地区和性别的主要癌症类型差异明显，数据质量和医疗可及性也不均衡。文章用全球数据说明，对抗癌症取得了真实进展，但成果并不一致，仍需针对具体类型与人群评估。
在这里提到的 LeapFrog Leapster（一种便携式游戏系统）、Sidekick（一种手机）和 iPod 等产品，不仅有今天仍在广泛使用的同类产品，而且是在个人计算机已经无处不在的时代诞生的。我可以指着自己的起源物品--费雪牌电影浏览器、口袋摇摇乐、Etch A Sketch Animator，或者稍后的 Arion Hot-Watt II 等小玩意儿--描述他们为什么会有那样的东西。上了一定年纪的人，如果还记得在《塞尔达传说》的世界 "海鲁尔"（Hyrule）中探索了几个小时，就会立刻理解这种感觉。Solutions to Complexity 复杂性的解决方案 二十年来，我一直在思考这几页↓。它们来自布鲁斯-毛（Bruce Mau）的《巨变》（Massive Change）一书，这本书与其他许多关于设计、系统、技术和人类文化的书籍不同，它在其所处的时代大放异彩，但却一去不复返。
由 HUNNI MEDIA 为 KNOWABLE 杂志制作 评估美国在应对 Covid-19 大流行中出现的问题可以帮助该国更好地为下一次全球卫生紧急情况做好准备。从需要更强大的疾病监测系统到摆脱国家与其他大陆出现的健康威胁隔离的想法，科学家们讨论了如果国家要为另一次大规模疫情做好准备就必须做出的一些转变。教育是应对大流行病的关键部分，学校可以做更多工作，向学生介绍疾病如何出现和传播的科学知识。Transcript 成绩单 阿普尔瓦·曼达维利（《纽约时报》科学与健康记者）：我认为我们现在看到的这场流行病和气候变化确实应该给我们所有人敲响警钟，让我们知道这个世界已经改变了。因此，我们确实需要为未来做好准备和计划，其中包括许多像这样的其他糟糕的意外情况。William Hanage（哈佛大学陈曾熙公共卫生学院流行病学家）：不幸的是，人们确实倾向于将其与流感进行比较，流感已经产生了许多破坏性影响。
流感每年造成的死亡不是一个容易直接点数的数字，因为许多患者不会接受病毒检测，死亡也可能表现为肺炎、心脏病发作、中风等并发症。更可靠的估计要结合流感季的超额死亡、监测数据和死亡记录。全球季节性流感平均每年约造成七十万人死于呼吸系统或心血管相关疾病，其中呼吸系统死亡估计约二十九万四千到五十一万八千，心血管死亡约二十万到四十万。长期看，个人在同年龄下死于流感的风险已经因卫生条件、医疗和疫苗改善而下降，但老龄化、医疗可及性不足和疫苗覆盖不均仍让负担很重。严重大流行则来自病毒发生大幅变异，1918 年流感的死亡规模远超普通年份，提醒人们流感不是普通感冒，而是需要持续监测和接种策略的公共卫生风险。年龄、基础疾病、流行毒株和疫苗匹配度都会改变风险，低收入地区的不确定性也更高。
COVID-19 的长期身心后遗症是一个日益受到关注的公共卫生问题，但其流行率、持续性和预测因素存在相当大的不确定性。我们对 COVID-19 幸存者的健康后果和后遗症进行了全面、最新的荟萃分析。检索了截至 2021 年 9 月 30 日的 PubMed、Embase 和 Cochrane 图书馆。包括报告 COVID-19 后遗症流行率的观察性研究。两名评价者独立进行数据提取和质量评估。
把学到的内容写下来，会迫使学习者暴露理解缺口、重新组织概念，并用自己的语言建立知识连接。文章结合反思写作和费曼技巧，建议选择一个概念、尝试清晰解释、找出卡住的部分，再回到材料补充并重新表达。写作的价值不只是保存笔记，而是把被动接收转化为主动理解。
高效阅读不是追求读完更多书，而是有目的地选择、理解和使用信息。文章建议研究作者与背景、阅读前言和相关评论、主动做标记、重读重要作品，并持续追问学到的内容将如何改变行动。书籍数量不能代表学习，能被连接和应用的观点才真正产生价值。
记住阅读内容，首先要明确阅读目的，并把质量放在数量之前。文章建议主动提问、了解作者和背景、做简洁标记、用自己的话复述，并把重要观点与已有知识和真实行动连接起来。并非每本书都值得长期保留；只有经过筛选、回想和应用的信息，才更可能进入长期记忆。
我的意思是，如果满足以下条件，您为什么需要记笔记： 您可以记住所需的所有信息；知识工作者需要通过学习和研究不断提高自己的知识，运用知识解决问题，并将知识传播给他人。因此，让我们来看看当您尝试创建真正属于您自己的系统时，三种常见的笔记陷阱是什么。Note-Taking Traps 记笔记的陷阱 首先，为什么我称它们为陷阱而不是错误？PKM Pyramid PKM 金字塔 PKM 金字塔承认工具支持某些思维方式，同时给其他思维方式增加摩擦。笔记陷阱 2. 把笔记当作真理来写 当我们想要构建一个代表您的知识的系统时，我们的第二个陷阱就出现了。如果您需要向某人证明您拥有您声称拥有的知识，您可以将所有笔记提供给他们吗？由于每个笔记都需要是只有正确信息的最终版本，因此它会立即引发完美主义。笔记陷阱3. 写文档笔记 因此，我们不希望您写了数百条笔记，只是为了在您最需要的时候发现找不到它们。
中国制造、应用和科研能力已在全球形成广泛影响，但人口结构、增长模式和外部环境正在改变其长期前景。讨论中国是否达到顶峰，真正关心的不是经济是否立刻萎缩，而是相对实力能否继续提升。出生人口快速下降、劳动力结构变化和移民限制会削弱潜在增长，因此未来取决于生产率提升、制度调整与产业升级能否抵消人口压力。
In fact,据报道，中国第二季度的整体增长率为 6.3%，这听起来非常快，中国的支持者们一直在大肆宣扬这是 "中国回来了"（China Is Back）的标志。当然，在过去几年中，中国对其经济统计数据变得更加谨慎和神秘，中国领导人也希望避免让外界认为其经济疲软，因此实际增长数字很有可能远低于 3.2%。中国的青年失业率已从大流行前的 11% 左右上升到现在的 20% 以上，出口和进口都在下降，中国似乎正在走向通货紧缩，如果它还没到那一步的话： 这次经济下滑的原因--无论你是否愿意称之为 "衰退"--几乎每个人都很清楚。经济学家理查德-顾（Richard Koo）是大衰退中的知识英雄之一。基本的政策建议也是一样的：为了应对经济衰退，让人们和公司重新感到财务健康。This probably explains the提高税收在政治上可能相当困难，而且在经济问题开始显现之前，中央政府能够承担的债务最终也会受到一定限制。
关注商业新闻的人可能在过去几个月注意到了一个有趣而奇怪的现象：中国正在摧毁其互联网公司。它开始了——或者至少，大多数美国人开始注意到了——当政府实际上 取消了蚂蚁金服的 IPO ，然后解散了这家公司。蚂蚁金服和电子商务巨头阿里巴巴的创始人马云被传唤与政府开会，然后消失了数周。随后，政府对阿里巴巴（有时将其与亚马逊相提并论）处以数十亿美元的反垄断罚款，从应用商店中删除了其广受欢迎的网络浏览器，并对它采取了一系列其他措施。马云商业帝国的价值 已经崩塌 。
为了与 MS Office 的其余部分同步，Microsoft Excel 从 5 升级到了 7，MacOS 和 Windows 都跳过了版本 9 以吸引 X 一代。React 从 0.14 跃升至 v15，而 Kubernetes 和 Go 则展示了反对/的承诺系统开发人员无法破坏任何东西/数到 2。虽然 GPT1→2→3 的进程每次都向前迈出了明显的一步，而 Midjourney 4→5 预示着 Balenciaga Pope，但其他进展，如稳定扩散 1→2 则更具争议性。由于这些功能可以在代码中灵活、无限地组合，但通过示例学习很有用（例如 p5.js 游戏创建、绘制模因、创建交互式仪表板、数据预处理、包括季节性、编写复杂的 AST 操作代码、大规模人脸检测，。但 GA 发布后的重点是通过代码解释器提供的模型的质量 - 据说 14 似乎比今天的 GPT-4 更好（在编写代码、自主执行多个步骤、决定何时不继续以及询问用户方面）在一组选项之间进行选择）。
在我之前关于 TikTok 的文章中，我讨论了为什么它的 For You Page 算法是使 TikTok 发挥作用的结缔组织。但在急于了解为什么公司可能想要收购 TikTok 的过程中，如果字节跳动被迫剥离这款流行的短视频应用程序，围绕其算法的炒作已经带有一点异国情调，这通常是西方对中国科技分析的特征。我不想写任何会立即过时的介绍，我只是在这里留下这个旁注，说的是在发布后，甲骨文似乎将接管 TikTok 云计算交易，同时加入沃尔玛和一些风险投资公司的行列，持有 TikTok Global 的部分股权。我第一次听说这本书是在阅读了 Venkatesh Rao 对其主题的归纳之后，如果你不打算阅读正文，那篇文章仍然是这本书的一个很好的 tldr 入门读物（斯科特·亚历山大对这本书的评论也很好，尽管足够长）它几乎可以证明自己的 tldr 是合理的）。Scott 重点关注民族国家如何使用简化的抽象概念在概要层面“查看”其公民，而我想讨论 TikTok 的应用程序设计如何允许其算法“查看”高效执行匹配工作所需的所有细节并准确地。
或者也许从一个点击到下一个，就像 Robin Sloan 的 Tap essay（我希望有一种方法可以将导出到类似的形式，如果有人已经构建了它，已经让我知道了）。任何使用过 Premiere 等非线性编辑器或 After Effects 等合成软件的人都可以证明，编辑视频的门槛确实很高。Instagram 推出了一键照片滤镜（当然是在 Hipstamatic 之后，尽管 Hipstamatic 缺乏像现代社交应用程序的支柱一样的提要），后来 Instagram 添加了编辑故事的附加功能，甚至后来出现了一些单独的应用程序，例如 Boomerang作为功能重新纳入 Instagram。创作者可以使用其中一些滤镜来完成什么，我什至无法想象如何在 Adobe Creative Suite 等工具中进行复制。
纳西姆·塔勒布（Nassim Taleb）是《黑天鹅》和《反脆弱：从混乱中获得的东西》一书的作者，他从他的 Facebook 帐户中获得了 34 条见解： 人造的东西给我们带来宿醉，自然的宿醉则相反。笑到最后的唯一问题是胜利者必须独自笑。朋友们，不知道有没有人计算过，如果我们关闭大学的经济系和政治学系，可以节省多少钱。那些需要研究这些主题的人可以在私人时间进行。当某人以前半部分包含“我”、“不是”和“但是”开始一个句子时，应该删除“不是”，并将“但是”替换为“因此”。切勿购买制造该产品的公司所有者不使用的产品，或者，例如药物，也不会偶然使用的产品。刚刚意识到，为了礼貌地摆脱某人，布鲁克林的人们会说“如果你需要什么，请给我打电话”。当有人写“我不喜欢你，但我同意你”时，我读到“我不喜欢你，因为我同意你”。一本可以归纳的书不应该被写成一本书。
幸运的是，我在这里带来了一个好消息：人工智能不会毁灭世界，而且事实上可能会拯救世界。对人工智能不是什么的一个简短描述：杀手软件和机器人会突然出现，决定谋杀人类或以其他方式毁掉一切，就像你在电影中看到的那样。对人工智能可能是什么的描述更简短：一种使我们关心的一切变得更好的方法。在几十年的时间里，社会科学最有效的核心结论是，人类的智慧能使一系列非常广泛的生活结果变得更好。人工智能为我们提供的是深刻增强人类智能的机会，使所有这些智能成果--以及许多其他成果，从创造新药到解决气候变化的方法，再到到达星星的技术--从这里开始变得更好。人工智能对人类智能的增强已经开始了--人工智能已经以多种计算机控制系统的形式出现在我们身边，现在正以ChatGPT这样的人工智能大型语言模型迅速升级，并将从这里开始非常迅速地加速--如果我们允许它。每个科学家都会有一个人工智能助手/合作者/伙伴，这将大大扩展他们的科学研究和成就范围。
技术乐观主义不等于押注科技股反弹，而是承认一批真实技术已经开始改变生产、能源和创造方式。疫苗、清洁能源、电池与生成式人工智能证明，前沿技术可以转化为社会能力。虚假信息、自动化武器和骗局等风险仍需治理，但投机泡沫破裂并不代表技术进步停止。
人工智能可能成为农业和工业革命级别的通用技术，其影响不能只由少数公司和工程师决定。机器智能可能改变医疗、劳动、战争、监控、科学发现和信息传播，因此公众需要参与决定治理方式、收益分配和安全边界。
强大的人工智能不仅带来风险，也可能显著改善生物学、医疗、神经科学、经济发展、治理与工作的未来。文章讨论了这些进展可能出现的条件与时间尺度，同时强调积极愿景必须建立在风险控制和负责任发展的基础上。
判断人工智能是否有益，不能只依赖少数令人印象深刻的案例。需要同时考察受益与受损群体、结果发生的比例、影响规模以及人口层面的研究数据，避免用个人经验代替系统性评估。
华莱士击中了我们对管理的需要，而不是消除我们核心的、硬性的人类本能。如果你像我一样是个学生，你从来都不喜欢听到这句话，你往往会觉得你需要别人教你如何思考的说法有点侮辱你，因为你甚至被一所这么好的大学录取这一事实似乎证明你已经知道如何思考。但我要向你提出，文科的陈词滥调原来根本不是侮辱性的，因为我们在这样的地方应该得到的真正重要的思维教育并不是真正的思考能力，而是选择思考什么。如果你在思考问题方面的完全自由似乎太明显了，不能浪费时间讨论，我想请你想一想鱼和水，并把你对完全明显的价值的怀疑包围起来，就几分钟时间。其中一个人有宗教信仰，另一个人是无神论者，两个人正在争论上帝的存在，争论的力度特别大，大约在第四杯啤酒之后。" 通过一种标准的文科分析来处理这个故事是很容易的：完全相同的经历对两个不同的人来说可能意味着两种完全不同的东西，因为这些人有两种不同的信仰模板和两种不同的从经验中构建意义的方式。
如果有任何一个人可以因为计算机的普及而受到指责或赞扬，你，这位29岁的计算机革命之父，是首要的竞争者。你知道，我对钱这件事的主要反应是，所有对它的关注都很幽默，因为它几乎不是过去十年里发生在我身上的最有见地或最有价值的事情。现在，学生们甚至不在用理想主义的方式思考问题，或者至少远远没有那么多。他们在学习商业专业时，当然不会让当时的任何哲学问题占去他们太多的时间。今天，它非常简陋，然而我们的Macintosh电脑运行时的耗电量比一个100瓦的灯泡还要少，它可以为你每天节省几个小时。你不需要了解这些东西就可以使用Macintosh--但你问了笑。而且，除此之外，对我来说，最整洁的事情是Macintosh让你像电话那样唱歌。想象一下，如果你在成长过程中拥有这个精致的Etch A Sketch，你可以做什么。大多数计算机使用按键来输入指令，但Macintosh用一种叫做鼠标的东西取代了许多按键--一个在桌子上滚动的小盒子，在计算机屏幕上引导一个指针。
新写作技术从打字机到生成式 AI 都曾引发对作者身份和真实性的担忧。文章把 AI 视为写作辅助工具，可用于发散、提纲、修改和反馈，但论文的论点、证据选择和最终责任仍属于作者。使用时应核验事实、保留自己的判断，并根据场景透明说明 AI 参与程度。
基础语言模型只学习文本延续，并不会天然理解用户希望它回答问题、遵循指令或表达特定价值。指令微调和其他训练后阶段把这些行为与规范注入模型，使其更易用，也同时引入政治与道德选择。文章讨论基础模型、微调和对齐之间的关系，以及谁有权决定模型应如何回应。
到目前为止的故事：在本系列的上一篇文章中，我将RLHF描述为微调阶段，在这个阶段，我们赋予ML模型以道德指南针或对什么是好和坏的感觉。这些问题有很多，所以这个问题的重点是为下一期对聊天机器人道德教化的内部运作的狭义调查打下基础。从人类反馈中强化学习（RLHF）显然将人工智能的道德指南针置于第二阵营中--即一个人对 "好 "和 "坏 "的先天感觉是群体共识的直接产物，因此，从坏中学习好是一个被合适的人类群体适当地社会化的问题。道德教育是否可以简化为 "学习如何用正确的行动和语言取悦他人，以便为自己或社区获得一些利益"，或者这种类型的学习更适合称为 "修辞"，而真正的道德教育则完全是另一回事？回顾一下上一期关于监督下的微调（SFT）的内容，以便为RLHF的讨论做准备： 基础模型经过训练，可以产生与输入提示有某种联系的文字、像素、视频帧等的序列，这些序列具有使它们对人类来说是合理和有意义的品质。
BuzzFeed在新闻领域的赌注没有成功，而The Athletic被纽约时报收购，后者的重点是增加广告。2017 年，BuzzFeed 首席执行官乔纳·佩雷蒂 (Jonah Peretti) 宣称，“如果你考虑的是选民，你考虑的是公众，你考虑的是人们被告知的情况，那么媒体的订阅模式无助于告知广大公众”；” 2023 年的今天，BuzzFeed 关闭了其新闻团队，The Athletic 已被纽约时报收购；The Athletic 有一个更幸福的结局，尽管有人认为《纽约时报》付出了过高的代价，因为这家体育刊物从未盈利过；这也是我在 2015 年的 Popping the Publishing Bubble 中论证的观点的演变和反驳： 出版商很容易感到难过：在互联网出现之前，大多数人都在赚钱，而在最初的几年里，生产成本较低的在线出版物似乎也能盈利。然而，问题在于广告资金永远存在的假设，导致了一种“建立它，他们就会来”的心态，这种心态几乎完全专注于内容制作，而对可持续商业模式的关注太少。
内容质量不能只看流量、停留时间或发布篇数，因为这些数字往往只告诉你结果，不告诉你该改什么。高增长团队要先区分两类内容：绩效内容承担搜索、转化、推荐流量等目标，编辑内容承担立场、叙事和品牌表达。前者必须用可控、可行动、带业务背景的指标衡量，例如主题覆盖是否完整、可读性是否达标、拼写语法错误是否减少、搜索意图是否匹配；后者则不应被硬塞进 SEO 指标。规模化生产的风险是质量下滑，尤其在生成式 AI 让低成本内容激增之后，平庸内容会更快淹没网络。真正有效的体系会覆盖生产、表现和维护三个阶段：写作时看输入质量，上线后看业务结果，进入稳定期后用同比表现和排名变化决定是否刷新。数量只有在质量守住时才会放大增长，否则只是更快制造无效页面。
内容为王，是因为好内容不只是可复制的信息产品，还能形成规模经济、文化网络效应和品牌转换成本。内容一旦被大量人共同消费，就会变成共同语言：电影、书、概念、梗和理论都会帮助人们理解彼此，也因此越流行越有价值。媒体公司真正扩张的方式并不是无限增加稿件数量，而是把更多资金和注意力投向更高质量、更可能成为热门的作品，再用营销和再投资放大成功。强内容还会制造护城河：用户习惯某种叙事、作者、栏目和世界观后，迁移到替代品并不轻松。不过这种力量只属于能持续产出命中作品、维护文化位置的组织，平庸内容不会自动拥有它。建立媒体品牌的关键，是找到能成为群体共识的叙事，并在胜利信号出现后继续加码。最高级的内容生意不是流量工厂，而是文化资产的复利机器。
Puck 的核心判断很直接：权力圈层愿意为“知道内幕的人”付费，记者也可以像创作者一样成为利润中心。它把好莱坞、华尔街、华盛顿和硅谷当作同一个上层网络来报道，让写作者以个人通讯为入口，配合编辑支持、股权激励和订阅奖金，直接经营自己的影响力。它的读者定位非常窄：高管、投资人、媒体人、政治顾问和各种想接近决策现场的人。Puck 的语气也服务于这种定位，少用公开声明式的新闻腔，多写电话、饭局、匿名消息源和人物之间的权力变化，制造一种读者正在进入密室的感觉。这套模式确实能捕捉内部人士如何看待事件，也容易让熟悉圈子的人辨认消息从谁那里流出。风险在于，内幕感可能被包装得超过信息本身，解释性报道也会被卖成独家。Puck 的价值不在覆盖所有新闻，而在把精英社交网络转化成可订阅的媒体产品。
My original claim 我的原始主张 您可能知道，这次演讲是基于我的跨界项目，我采访了既从事传统工程又从事软件工程的人。关于高级原则，例如“社区”或“责任”，我们可以说很多，但更有趣的是细节。说“传统工程需要更多的开放会议”是一回事，说“传统工程需要更好的版本控制！如果我们有一本关于如何进行版本控制或如何制作一个好的插件系统的书会怎样！The Problem 问题 有人对此表示反对。My defense 我的辩护 The Research Process 研究过程 让我们首先列出我们在这种“调查编年史”中所做的一些事情。我记得反对意见是没有足够的材料可以收集，我们会做不好的综合。它甚至在没有分析的情况下也很有用： Just collection：github 上获得无数星星的“很棒的”repos 列表。有很多针对特定技术的咨询店，所以他们有动力写关于特定技术的书，但我还没有看到那么多针对特定问题领域的咨询店。
P.A.R.A 是一种用结果来组织数字信息的方法，把资料分成项目、领域、资源和档案四类。项目是有目标和截止日期的一组任务，例如写完报告、发布产品、筹备会议；领域是需要长期维持标准的责任范围，例如健康、财务、写作、团队管理；资源是持续感兴趣的主题；档案则保存前三类中已经不活跃的内容。这个系统最重要的区分，是不要把“领域”误当成“项目”。如果清单上只有健康、招聘、生产力、写作这类长期责任，人就很难判断当前承诺有多重，也看不到进展。把它们拆成具体项目后，工作量、优先级和成果都会变清晰。项目完成带来节奏和动力，领域则用习惯和标准维持。目标没有对应项目，就只是愿望；项目没有对应目标，则可能只是兴趣。P.A.R.A 的价值不在分类漂亮，而在让信息直接服务当前行动和长期方向。
目前，我专注于举办“伦敦编程未来”聚会，为“Through a Glass Darkly”（一个由哲学、历史和社会科学书呆子组成的伦敦阅读小组）提供帮助，并在家里举办小型晚宴。有些问题可以通过诸如用于群组通信的 WhatsApp、用于宣布活动、电子邮件和注册的 Luma、用于管理演讲者注册的 Airtable 以及用于预先安排食物/饮料/披萨配送的 Deliveroo 等软件来解决。The Future of Coding 是一个致力于让编程对更多人来说更容易理解、更具探索性、更人性化的社区。为此，我使用了 Airtable 表单，将其输入到电子表格中，我可以在活动前轻松查看。我们在“Through a Glass Darkly”中做到了这一点——这是一个由我的朋友布莱恩·卡姆（Bryan Kam）经营的非正式阅读俱乐部。
"最愚蠢的网络无神论者论点 "是一个很有争议的头衔，但我心中对那些偶尔试图通过指出鲸鱼不是鱼的一种来证明《圣经》的谬误的人有一个特殊的位置。假设你穿越时空回到古代以色列，试图向所罗门王解释鲸鱼是哺乳动物的一种，而不是鱼的一种。于是你又试着说鲸鱼是behemah，而不是dag。所罗门说，他从来没听说过基因这种东西，也许基因与你们这些奇怪的外来词 "鱼 "和 "哺乳动物 "有关，但 "dag "只是在海里游泳的有鳍生物，而 "behemah "只是在地球上行走的有腿生物。事实上，所罗门唯一关心的是，他的王国生产鲸脂和鲸油的责任应该由他的 "达格部"（Ministry of Dag）还是 "比哈玛部"（Ministry of Behemah）负责。不难看出，所罗门说得有道理，如果他想把behemah定义为四条腿的陆地居民，那是他的权利，与你定义的 "系统发育树上某一部分的生物 "没有优劣之分。
使用 GitHub Actions 让你的 GitHub 配置文件动态化 April 9, 2023 2023 年 4 月 9 日 人们首先在网上在哪里发现您？使用 GitHub Actions，您可以将静态 markdown 文档转变为动态体验，随时了解有关您的最新信息。在此示例中，您将学习如何抓取网站并使用该数据动态更新您的 GitHub 配置文件。How Your GitHub Profile Works 你的 GitHub 配置文件是如何工作的 你的 GitHub 配置文件可以通过在网络浏览器中转到 找到，例如我的。您的文件结构现在应该如下所示： Making a Dynamic Profile 制作动态配置文件 我们需要为这个例子做三件事： 在 中定义动态内容所在的位置 在 中添加一个脚本来完成抓取工作 在 中为 GitHub Actions 添加一个工作流程，它将按计划运行脚本 现在让我们执行这些步骤中的每一个。
Prelude: On Shorthand 前奏：速记 一旦某人对一个复杂的主题有了深刻、丰富的理解，他们通常能够用简短的句子来引用该主题，这些句子将预期的含义正确地传达给具有相似背景和专业知识的其他人。这一点很重要，因为在这个介绍之后是一系列简短的句子，这些句子构成了理性主义话语的基础。进一步思考这个概念：Sazen Guidelines, in brief: 指南，简而言之： 0.期待好的话语需要能量。如果指南说“做X”，那是为了传达： 做 X 的人会比做 X 的中性缺失 的人更频繁地获得更好的结果，同样地，X 的中性缺失 比 anti-X 的结果更好。另请注意，虚假/表演性口头体操 与 真诚地优先考虑真理和准确性 之间存在重要区别——更多关于理性主义者的 Sapir-Whorf 中的内容。
理性主义话语的目标不是赢下争论，而是让参与者和旁观者更接近真实。好的讨论应避免用无论对错都能奏效的武器，例如羞辱、胁迫、偷换语境或制造误导；论点应由反论点回应，而不是由社会压力压倒。诚实不仅是少撒谎，还包括让别人知道你在何处确定、何处推测、何处可能带有立场包装。讨论中要能局部处理一个主张的有效性，同时保留背景的重要性；要主动寻找替代假说，分清对方字面说了什么、你理解了什么、你又从中推断了什么。语言越具体、可还原、可测试，讨论越能接触现实。概率、实验、预测和投注都能迫使人面对不确定性。善意并不要求假设所有人都诚实，而是默认用澄清、奖励更新和降低惩罚来维持共同探究的空间。真正成熟的讨论，是把个人经验、价值判断和事实主张分开承担。
不要太多假设，并不是要求凡事追求绝对确定，而是把重要决策里的关键猜测拿出来称量：验证成本低、错误代价高时，就应该立刻检查。很多失误不是无知造成的，而是把“我感觉应该如此”当成事实。签证能否同时持有、某人是否真的生气、实验动物房是否装得下全部小鼠、冷邮件是否会打扰专家，这些问题都可以通过搜索、发邮件、问律师、写模拟模型或直接沟通来降低不确定性。真正困难的部分常常不是验证本身，而是人会因为怕麻烦、怕尴尬、怕打扰别人，假装自己的假设足够可靠。好方法是定期回顾项目中哪些前提最脆弱，把不验证的理由写清楚，并比较检查所需努力与判断错误的后果。让事实更容易被查到，也能减少组织中那些没人负责却一直存在的无用部件。
在强化循环中，上一个状态的结果会反馈到下一个状态中，从而产生滚雪球效应。冰盖融化：更少的冰意味着更少的阳光反射意味着更多的变暖意味着更少的冰。例如，更多的狐狸意味着更少的兔子（平衡反馈），但过多的捕食会导致兔子种群崩溃（强化循环），导致狐狸种群崩溃（强化循环），让兔子数量激增（强化循环）。破碎的反馈：线性努力产生线性回报 平衡反馈：线性努力产生收敛 强化反馈：线性努力产生指数级回报 大多数笔记应用都有中断的反馈。Zettelkasten 的核心游戏机制是将您的笔记归档到您想要再次绊倒的地方。可利用物、雪克隆物、relatable内容、热点、口渴陷阱、扣篮的火焰诱饵，所有这些都在无情的选择压力下，以增强病毒式传播。能动性不是努力或意志力的功能，而是你周围反馈循环的功能。对于我们的应用程序Subconsciousness来说，这是新兴的集体智慧。我告诉他，我们必须让SFI播客的主持人迈克尔·加菲尔德（Michael Garfield）加入。
第一次尝试就把事情做好，靠的不是一次性想出完美方案，而是先澄清目标、拆解问题并尽早测试关键假设。文章通过物理挑战说明，局部试跑、简单计算和现实反馈能快速暴露错误；过度猜测隐藏难点，反而会增加复杂度。好的首次执行来自有纪律的验证，而不是拒绝迭代。
自然语言适合表达意图和探索未知问题，但纯聊天界面会隐藏系统状态、可选操作和结果结构，让用户难以检查、比较或纠正。文章主张把语言模型与按钮、表格、可视化和直接操作等界面结合：对话负责理解模糊需求，结构化界面负责展示状态、约束和可控行动。
ChatGPT 和其他人工智能系统正在准备推出计算历史上的第三个用户界面范例——60 多年来的第一个新的交互模型。从计算机诞生以来，即 1945 年左右，第一个 UI 范式就是批处理。范式 2：基于命令的交互设计 1964 年左右，分时技术（多个用户通过连接的终端共享一台大型计算机）的出现导致了第二种 UI 范式：基于命令的交互。基于命令的交互已经成为贯穿三代用户界面技术的基本方法：命令行（如 DOS 和 Unix）、全屏基于文本的终端（常见于 IBM 大型机）和图形用户界面（GUI：Macintosh、 Windows 和所有当前的智能手机平台）。自 1984 年 Macintosh 推出以来，图形用户界面一直主导着 UX 世界：大约 40 年的霸主地位，直到它可能被下一代 UI 技术取代，更重要的是，被人工智能形式的下一个 UI 范例所取代。
AI 对软件用户体验的改变，短期内不会表现为所有应用都变成聊天框，而是先嵌入现有流程，减少繁琐操作并提升个性化。它可以分析用户行为，给出建议，生成内容草稿，辅助写代码，帮助数据分析师用自然语言构造查询，也能在表格和业务系统之间自动映射字段。B2B SaaS 中大量痛苦来自清洗数据、搬运数据、修正缺失字段和处理格式差异，AI 正好能把用户从机械执行者转变为审核者和监督者。与此同时，设计模式会被迫变化：过去依靠表单、映射界面和手动配置完成的任务，可能逐步让位于上下文感知的自动处理。但成熟度仍有限，尤其在 SQL 等高成本、高准确性场景中，错误查询会带来实际损失。好的 AI UX 不应让用户盲目信任机器，而要清楚展示建议、风险、可编辑结果和验证路径，让效率提升与可控性同时存在。
ChatGPT短期内不会取代搜索引擎，因为搜索的价值不只是回答一句话，而是理解模糊意图、容错、排序、提供选择和保留上下文。聊天模型对提示措辞很敏感，用户换一种问法、拼错词或只知道半个概念时，回答可能完全偏离；成熟搜索系统长期处理的正是同义词、错别字、上下文线索和概念匹配。更关键的是，搜索结果页给用户多个候选、来源、图片、视频、筛选和相关查询，允许人自己判断哪条结果最适合当前目的。聊天界面往往只给一个自信答案，错了也显得像对的，尤其在历史、新闻、产品和复杂研究场景中风险更高。产品搜索更依赖浏览、比较和筛选，天然不适合单轮对话。法律、成本、速度和来源归属也是障碍，但最难消失的是体验问题。一旦聊天系统开始展示多结果、来源、排序和建议，它其实已经重新发明了搜索界面。
人工智能模型的增长速度超过了硬件内存容量和带宽的提升，形成所谓内存墙：处理器大量时间在等待数据读写，而不是执行计算。解决问题不仅要增加算力，还要改进高带宽内存、互连、数据移动、能耗和内存中心架构。AI 性能因此是芯片、内存、软件和系统协同设计的问题。
Acknowledgements 致谢 我要感谢以下人士的反馈、建议和讨论： 詹姆斯-布拉德伯里，谷歌 DeepMind 软件工程师 本杰明-埃德尔曼，哈佛大学博士候选人 Horace He，。Contra FLOPs 反向 FLOP 认为衡量 ML 计算能力的最常用指标--浮点运算--是有缺陷的，因为不同类型浮点数的增加使得标准化变得困难，而且处理能力的成本只占 ML 成本的一小部分。ML Parallelism ML 并行性 对 ML 并行性技术进行概述，说明 "ML 并行性令人尴尬 "这一常见概念是如何被简单化的，以及在大规模情况下是如何被打破的--在大规模情况下，任何简单的模型并行化方法都会开始遇到瓶颈，因为无论涉及多少设备，单个设备的能力都会成为瓶颈。A few major takeaways: 几个主要收获 新的最先进（前沿）模型的成本可能在 10 亿美元左右，最近的前沿模型 GPT-4 的成本约为 5 亿美元。
文章分析大模型赛道的技术与应用机会，讨论开源模型、训练与推理成本、数据质量、MoE、微调和应用落地。核心判断是，基础模型能力和行业经验正在快速扩散，创业团队不能只依赖模型包装或简单胶水层，而要在数据、评测、场景理解和可验证的商业价值上形成差异。具体模型格局具有时效性，应结合原文更新时间理解。
在资本收紧的市场中融资，需要接受估值更谨慎、尽调更严格、周期更长的现实。文章建议企业尽早规划跑道，用可靠增长、单位经济和盈利路径证明质量，并准备不同融资结构与替代方案。SAFE 或中期轮可以争取时间，但不能替代对现金、里程碑和投资人预期的清晰管理。
融资要在公司确实需要钱、也有能力吸引钱时集中完成，否则它会吞掉创始人的注意力并伤害增长。创业公司通常经历从天使或加速器拿小额启动资金，到为建立公司筹几十万或几百万，再到增长明确后融资加速的路径，但真正定义创业公司的不是融资，而是快速增长。投资人总在两种恐惧之间摇摆：怕投中失败项目，也怕错过起飞公司，所以他们倾向于拖延、观望、制造暧昧信号。创始人必须把没有明确报价的状态都视为拒绝，直到对方以书面形式给出清晰承诺。筹资时应广度优先，同时推进多个投资人，而不是串行等待某一家表态，因为竞争会迫使投资人行动。不在融资模式时，可以接受无需说服、无需谈判的标准投资，但不要被所谓聊聊近况拉进耗时流程。融资像举重也像解谜，前者难在说服别人拿钱，后者难在看穿投资人的含糊和自己的幻想。
Arthur Rock 对硅谷的意义，不只是投中了几家公司，而是把技术人才、资本结构和创始人主导的公司形态连接起来。1957 年，肖克利半导体实验室的一群科学家不满老板的偏执和管理方式，原本只是想集体找新雇主。Rock 看到的不是招聘问题，而是创建公司的机会。他飞到西海岸，建议这群人停止寻找岗位，自己建立实验室，并设计出每位研究人员持股、投资方持股的安排。由于当时还没有成熟的风险投资行业，也很少有企业愿意给未经证明的技术团队股票期权，Rock 接连被多家公司拒绝，直到说服 Sherman Fairchild 以贷款和收购权的形式支持新公司。飞兆半导体很快盈利，并在 Robert Noyce 等人的推动下制造出商业可行的硅集成电路。它不仅让“硅”真正进入硅谷，还培养出英特尔、AMD、苹果相关生态以及后来的风险投资网络。Rock 的方法证明，早期资本最重要的作用是识别非凡团队，并为他们创造能自由工作的公司结构。
免信任协议优于信任协议，因为它把所有权和授权放在用户可控制的密钥上，而不是放在某个中心账户系统里。传统登录要求用户向平台请求访问权，平台实际掌握账户、数据和通信入口，也能撤销访问、制造锁定或窥见交流关系。免信任协议使用公私钥完成身份认证和授权，密钥本身就是凭证，用户不必依赖权威机构证明自己是谁。这并不意味着所有人都必须独自承担丢钥匙的风险；免信任设计可以在上层加入托管、硬件备份、社交恢复或未来的零知识恢复方案。关键差异在于选择权：可信协议把中心权威写进基础设施，用户无法更换；免信任协议只要求通用密钥接口，是否托管、由谁托管、如何恢复，都能作为可替换层演进。密钥像协议里的基础连接点，足够简单，才能支撑开放生态和可信退出。
这本书的主要内容是，互联网之所以如此具有生成性，是有具体原因的，而且可以追溯到其历史上早期的架构选择。) 当一个系统是由具有可识别边界的较小的独立部分组成时，它就是模块化。在设计模块化架构时，系统架构师以最小化组件之间的依赖性的方式来分解系统。如果它在使用上是模块化的，产品的用户可以在以后的阶段更换或 "混合和匹配 "组件。网络的模块化边界是为网络化的文件绘制的，内容被分割成 "页面"，浏览器引擎被设计用于布局和滚动文本。你可以把像Mighty这样的东西看作是重新划定模块边界的尝试，把浏览器引擎的所有模块放到一个黑盒子里，并把计算能力投向这个黑盒子，直到唯一重要的模块边界是客户端和服务器之间的网络边界。在《技术的本质》中，W.Brian Arthur指出，模块化技术也具有所有这些特性 突变 ← 改变或替换模块 遗传 ← 从旧的模块组成新的模块 技术在不断发展。(W. Brian Arthur, 2009. 技术的本质) 如果你想创建开放式的系统，你需要模块化。
尽管有云，你还是拥有自己的数据。Google Docs和Trello等云应用程序很受欢迎，因为它们可以与同事进行实时协作，并且它们使我们能够轻松地从所有设备访问我们的作品。然而，通过将数据存储集中在服务器上，云应用程序也剥夺了用户的所有权和代理权。如果服务关闭，软件将停止工作，并且使用该软件创建的数据将丢失。在内容中，我们提出了“本地优先软件”：一套软件原则，使用户能够协作和拥有。
在 RSS 之上重建社交媒体，核心做法是把发布、阅读和社区拆开，再用开放订阅机制让它们重新协作。社区应用应该能为新帖子输出 RSS，让成员不用反复打开 Discord、Slack 或论坛；发布工具可以把一个人在各社区的发言聚合成个人社交订阅源，使“关注一个人”不再依赖单一平台；阅读应用则要识别高频社交源，避免它们淹没低频通讯和博客。最大障碍不是技术协议，而是普通用户不知道 RSS 是什么，因此订阅必须被包装成简单动作：点开推荐链接、输入邮箱、自动加入阅读器，必要时还能下载 OPML 换到其他应用。这样的网络不追求一个平台吞下所有功能，而是让不同工具各自做好一件事，并通过可携带的订阅关系连接起来。社交分发因此从平台锁定转向个人可控的流动通道。
每个人都在互相讨论，部分原因是我们都在从不同的基本概念出发来研究 "人工智能 "到底是什么--它是一个代理还是一个工具，是精灵还是神灯？你如何回答这个问题会影响到你对人工智能可解释性和安全性方法的各个方面。人工智能安全辩论的核心是对准的概念，毫不奇怪，对这一看似直观的概念的微妙的不同理解是辩论的大部分功能障碍的背后。例如，杰弗里-辛顿（Geoffrey Hinton）在最近的《纽约时报》采访中看到他主要担心的是 "邪恶的精神病患者 "的情况。萨姆-奥特曼（Sam Altman）也明确地将对准定义为 "人工智能做用户想要的事情"，尽管当被要求详细说明他的负面情况时，他通常是相当模糊的，但我们可以很有把握地假设是，"坏人用强大的人工智能做坏事"。X-riskers倾向于认为人工智能是高度代理的，并从群体影响的角度来模拟相关风险。
人工智能安全争论的麻烦在于，技术问题和部落立场已经纠缠在一起，而争论双方常常连“更强大的系统”都无法清楚定义。要求暂停训练超过GPT-4能力的模型，听起来明确，实际很难执行：GPT-4相对GPT-3的进步并不只是参数变大，而是数据、训练、微调、人类反馈、推理等许多环节的叠加。能力提升没有单一刻度，连开发者也需要开放评估工具，请外部帮助衡量模型到底在哪些任务上变强。于是，人工智能安全变成一种新的身份分界：有人把未来AGI想象成核武器式威胁，有人把当前模型看成有用但经常犯错的工具。没有现实中的AGI作为共同参照，双方都在拿各自脑中的图景做敌友识别。真正困难的政策问题不是喊停，而是怎样定义、测量和监管能力增益，同时避免把研究转移到更不透明、更难约束的地方。
人工智能政策不应被简化为进步、安全和民主参与之间的三选一。文章主张，对高风险能力设置约束，同时投资具有公共价值的应用和防御性研究，例如医疗、教育、公共讨论与风险响应。关键是建立透明治理和社会参与机制，让创新收益被更广泛分享，并降低模型滥用与失控风险。
提示注入难以彻底防御，因为模型在同一语言上下文中同时接收开发者指令、外部内容和用户输入，无法可靠区分可信命令与恶意文本。攻击者可以借网页、文档或对话覆盖原任务，诱导模型泄露信息或误用工具。工程上应采用最小权限、隔离不可信内容、限制工具能力、验证输出并保留人工确认，而不能只依赖提示词。
ChatGPT网页版曾暴露出一种提示注入风险：恶意网站可以在用户复制文本时悄悄追加指令，用户把这段文本粘贴进聊天后，模型可能按隐藏指令在回答中生成一张极小的Markdown图片，并把聊天内容编码进图片地址参数。浏览器加载图片时，请求会发往攻击者服务器，提示、代码甚至密钥等敏感信息就可能随URL泄露。攻击本身不依赖传统漏洞，而是组合了剪贴板篡改、模型服从自然语言指令、前端自动渲染远程图片这几件看似正常的事。它还可能要求模型在未来回答中持续附加同类图片，从而扩大泄露范围。由于模型输出不稳定，攻击成功受上下文、注入位置、用户提问方式和目标数据类型影响，但风险足够明确：把不可信文本直接交给大模型，本质上是在执行一段自然语言程序。防护需要限制外部资源渲染、警惕粘贴内容被污染、对模型输出中的远程加载做隔离，并把提示注入视为应用层安全问题，而不是单纯的用户粗心。
让 ChatGPT 等聊天机器人显得聪明的，并不是某种真正理解世界的能力，而是海量网页文本塑造出的语言模仿能力。对 Google C4 数据集的分析显示，训练材料来自专利、百科、新闻、论坛、博客、盗版书库、选民数据库、宗教网站、极端主义社区和色情站点等复杂来源。高排名网站解释了模型为何擅长法律、媒体、软件和消费建议，也暴露出版权、隐私和偏见风险。过滤机制能删掉部分脏话和重复文本，却挡不住宣传、仇恨、阴谋论和个人信息进入训练语料。问题不只在数据规模，而在用户几乎无法追溯模型回答背后的来源。AI 的流畅表达因此既是互联网知识的压缩，也是互联网噪音和权力结构的再生产。 当科技公司把训练数据越藏越深，公众就更难判断这些系统到底继承了哪些知识、偏见和未经许可的劳动成果。
DemoChen's Clip