Archive

找到热爱的工作不是靠一句“追随激情”，而是把个人动机、真实能力和市场需求反复校准。Bob Moesta 的“待完成工作”框架把求职看成一个具体任务：先弄清楚自己为什么想离开当前状态，是薪酬、成长、关系、意义感还是自主权出了问题；再追踪过去让自己投入的场景，从中提炼稳定的偏好和能力；最后用小规模访谈、试做和真实项目验证假设。换工作最容易犯的错，是只比较职位名称和公司光环，却没有理解日常工作会要求什么样的节奏、协作和取舍。更稳妥的路径，是把职业选择当成连续实验：每次行动都让自己更接近清楚的问题、更匹配的环境，以及愿意长期投入的工作方式。真正的热爱通常不是预先想象出来的，而是在足够具体的尝试里被发现、修正和确认。

这是 Blackwell PTX 技术爱好者的终极游乐场，提供亲身探索 Blackwell 和 PTX 基础设施的机会，同时合作开展开源项目。这些机器人系统将制造更多的机器人系统，随着每个单元的生产，成本将不断下降，质量将提高，只会加强它们的生产飞轮。宇树机器人的崛起就是这种转变的例证：市场上唯一可行的人形机器人宇树 G1 现在已完全脱离了美国零部件。如今，在美国制造一模一样的机械臂（仿照 Universal Robots UR5e 制造）的成本比在中国高出约 2.2 倍。Source: SemiAnalysis 来源：SemiAnalysis 无人机、大疆、GoPro，以及迭代速度如何铺就胜利之路 商用无人机市场体现了中国在其进入的每个战略行业中的规模/供应过剩策略，然而，这是该策略在机器人相关市场中的第一个例子。结果，2016 年，GoPro 的 Karma Drone + Hero5 被大疆的无人机超越。

MCP（模型上下文协议）是一种新的开放协议，旨在标准化应用程序向大型语言模型 (LLMs) 提供上下文的方式。将 MCP 视为适用于 AI 代理的 USB-C 端口：它提供了一种将 AI 系统连接到各种工具和数据源的统一方法。 模型上下文协议 (MCP) 是一种标准化协议，可将 AI 代理连接到各种外部工具和数据源。模型上下文协议 (MCP)是一种将 AI 代理连接到各种外部工具和数据源的标准化协议 正如 USB-C 简化了您将不同设备连接到计算机的方式一样，MCP 简化了 AI 模型与您的数据、工具和服务交互的方式。每个 API 集成都意味着单独的代码、文档、身份验证方法、错误处理和维护。 MCP（模型上下文协议）最初是Anthropic ↗的一个项目，旨在使 AI 模型（如 Claude）更容易与工具和数据源进行交互。

提高大型语言模型的推理能力 (LLMs) 已成为 2025 年最热门的话题之一，这是有充分理由的。与仅共享最终答案的简单问答不同，推理模型要么明确显示其思维过程，要么在内部进行处理，这有助于它们在复杂任务（例如谜题、编码挑战和数学问题）中表现更好。然而，LLMs 通常旨在通过结合大量训练时间计算（大量训练或微调，通常使用强化学习或专门数据）和增加测试时间计算（允许模型“思考更长时间”或在推理期间执行额外计算）来改进推理。在这个问题中，我将重点介绍2025 年 1 月 22 日 DeepSeek R1 发布之后发布的关于扩展推理时间计算扩展的有趣的新研究论文和模型发布。例如，OpenAI 使用强化学习开发了其 o1 模型，然后又利用了推理时间计算扩展。一种方法是提示工程，例如思路链 (CoT) 提示，其中“逐步思考”等短语会引导模型生成中间推理步骤。2022 年大型语言模型中的经典 CoT 提示的一个示例是零样本推理器论文 ( 另一种方法涉及投票和搜索策略，例如多数投票或集束搜索，通过选择最佳输出来改进响应。

在过去几周中，我们已经看到了新一代模型作为产品的两个典型示例：OpenAI 的 DeepResearch 和 Claude Sonnet 3.7。正如 Hanchung Lee所强调的那样，所有其他 DeepSearch（包括 Perplexity 和 Google 变体）都只是普通模型，只是有一些变化： Google 的 Gemini 和 Perplexity 的聊天助手也提供“深度研究”功能，。我们在 Claude 3.7 的发布中对此进行了非常具体的展示，该模型主要针对复杂的代码用例进行训练。简而言之，Claude 的目标是颠覆和取代当前的工作流程，比如 llama index 中的这个基本“代理”系统： With this: 有了这个： 重申一下：大型实验室的推进并非隐藏议程。Databricks 的 Gen AI 副总裁 Naveen Rao对此进行了很好的阐述： 所有封闭式 AI 模型提供商将在未来 2-3 年内停止销售 API。

我自己也过一篇文章：AI对保险的价值｜ 胡说八道 - 特立独行的异类 By DemoChen作为参考。欢迎来到2030年斯科特（Scott）的眼中所见的保险未来。斯科特（Scott）的私人助理绘制了一条潜在的路线，并与他的出行保险公司分享了一条潜在的路线，该保险公司立即以一条替代路线做出回应，该路线的事故和汽车损坏的可能性要低得多，并且对他的每月溢价进行了计算的调整。随着经纪人，消费者，金融中介机构，保险公司和供应商的发展，变革的步伐也将加速，更擅长使用先进的技术来提高决策和生产力，降低成本并优化客户体验。四个核心技术趋势与AI紧密相结合（有时是由），将在未来十年内重塑保险业。例如，可穿戴数据可以直接移植到保险公司，并且可以通过亚马逊，苹果，Google和各种消费者设备制造商提供连接的房屋和自动数据。Distribution 分配 购买保险的经验更快，保险公司和客户的积极参与较少。

根据我在 vault.pash.city 工作的经验，超过 40%的用户查询都是针对文档的。” 这个用例的受欢迎程度促使我开发了一个新的迷你应用：summarize.wtf Summarize.wtf 允许您上传任何文档——无论是 PDF、txt、ePub 还是 Docx——并生成不同长度的短（推文长度）、中（一个段落）或长（详细和全面）。对于足够短的文档，可以适应LLM（大型语言模型）长上下文窗口——范围从 16,000 到 32,000 个标记，或大约 32-64 页——任务是简单的。在基本层面上，Map-Reduce 是一个两步过程： 首先，文档的各个部分被归纳（地图）， 然后，这些小被组合成最终（Reduce）。因此，Map-Reduce 迄今为止是 AI 中最昂贵的方法之一。然后，您可以使用像 K-means 这样的聚类算法来识别这些簇，并从每个簇中提取中心点（或点的集合），以提取代表该主题簇的“平均意义”的代表性块。

更好的模型会更好吗不能只看表面答案，真正重要的是理解问题背后的机制、边界和现实代价。但很多问题并没有更好的答案，只有“正确”的答案，而这些模型无法做到这一点。不过，在这里我们遇到了一个问题，因为有些任务更好的模型会产生更好、更准确的结果，但还有一些任务没有所谓的“更好”的结果，也没有“更准确”的说法，只有对或错。这是相同的提示应用于 Midjourney 版本 3、4、5 和 6.1。今年或这个十年，这种变化如何以及是否会发生，是关于这些模型是否会持续扩展的中心辩论的一部分，实际上也是关于 AGI 的辩论，在这个问题上我们唯一可以肯定的是，我们没有一个理论框架可以告诉我们。如果你在 Claude 上尝试我上面的电梯问题，它会直截了当地告诉你这看起来像是一个特定的信息检索问题，并且它可能会产生幻觉，因此拒绝尝试。问一个LLM是否能够进行非常具体和精确的信息检索，可能就像问一个 Apple II 是否能够与大型机的正常运行时间相匹配，或者问你是否可以在 Netscape 中构建 Photoshop。

现在，这位 "Wait But Why "博主正在与他的顶层挑战者--宪政民主和政治文化--进行斗争。在这次独家专访中，Urban 分享了他如何提炼和呈现复杂的想法，使其丰富并引起他人的共鸣：这是每个初创企业领导者和团队必须反复掌握的行为。从两个人的编辑团队到两个人的编辑团队，《评论》对《Wait But Why》的抽丝剥茧和解释能力深表钦佩。以 Urban 发表的关于 Neuralink 的文章为例，这是 Elon Musk 的脑机接口开发公司。"我深信，Neuralink无论在工程设计的胆识上，还是在使命的宏伟上，都能让特斯拉和 SpaceX 望尘莫及。Urban 说："其他两家公司的目标是重新定义未来人类将做什么，而 Neuralink 则希望重新定义未来人类将成为什么。"Neuralink的使命之艰巨让人匪夷所思，再加上人类大脑的复杂性让人如入迷宫，这是我迄今为止最难完全理解的一组概念，但也是最让我兴奋的，因为当我在两端都花了足够的时间后，一切终于水到渠成了。

理解推理模型，关键是把目标、限制和可执行步骤放在同一个框架里，而不是只追求单点技巧。因此，今天当我们提及推理模型时，我们通常指的是擅长完成更复杂推理任务的 LLMs ，例如解决谜题、谜语和数学证明。其次，某些推理LLMs（例如 OpenAI 的 o1）会进行多次迭代，中间步骤不会显示给用户。研究小组在 R1-Zero 模型 "冷启动 "的基础上，通过增加 SFT 阶段和进一步的 RL 训练，进一步完善了该模型。(3) DeepSeek-R1-Distill\：DeepSeek 团队利用前几步生成的 SFT 数据，对 Qwen 和 Llama 模型进行了微调，以提高它们的推理能力。在本节中，我将概述目前用于增强 LLMs 的推理能力以及构建 DeepSeek-R1、OpenAI 的 o1 和 o3 等专用推理模型的关键技术。2022 Large Language Models are Zero-Shot Reasoners》一文中的一个经典 CoT 提示示例 ( 上述 CoT 方法可视为推理时间扩展，因为它通过生成更多的输出标记来增加推理的成本。

亚利桑那州立大学 Ben Trumble 我正在与 20 张面孔进行 Zoom 通话，这是一个由国际科学家组成的不可能合作组织的双周会议。他们称自己为荷鲁斯/Tsimane 小组，因为他们既研究埃及木乃伊的心脏和大脑，也研究活着的玻利维亚觅食者和被称为 Tsimane 的小农。2022 年，人类学家希拉德-卡普兰（Hillard (Hilly) Kaplan）邀请我参加一次非同寻常的 Zoom 会议，他是 Tsimane 健康和生活史项目的联合主任，也是我多年的朋友。Horus 集团的科学家曾在木乃伊中发现过心脏病，他们将与 Tsimane 项目合作，分析 Tsimane 人的心脏 CT 扫描图，Tsimane 是一个生活在玻利维亚低地丛林中的土著部落，约有 17000 人。此外，对 Tsimane 人的持续研究表明，他们的痴呆症发病率是有史以来最低的，而且随着年龄的增长，他们的认知障碍也很小。

这种想法的部分原因是，国会陷入僵局已到了无可救药的地步，总统已开始通过行政命令进行治理--基本上就是一个民选的国王。20 世纪初的行政命令比近年来更为常见--卡尔文-柯立芝（Calvin Coolidge）每年发布 215 项行政命令，赫伯特-胡佛（Herbert Hoover）每年发布 242 项行政命令，而唐纳德-特朗普（Donald Trump）每年发布 55 项行政命令（到目前为止），乔-拜登（Joe Biden）每年发布 38 项行政命令。至于行政命令的范围是否过大，这绝对是一个令人担忧的问题（尽管一个世纪前也是如此），我稍后会谈到这个问题。唐纳德-特朗普（Donald Trump）的一系列行政命令应从这个角度来看。在此，我将重点介绍以下五个方面： 性别平等办公室和联邦劳动力 特朗普关于出生公民权的行政命令是其最重要的行政命令，因为这是迄今为止对行政权力的最大考验。

你的产品创意听起来太复杂，关键原因不在单一现象，而在于从 "简单 "到 "繁琐 "量表 人们对产品的描述有一个复杂程度表。从最简单到匪夷所思： 简单（最容易理解）：可以用 形容词 + 名词 这两个词来描述产品，如 "电动汽车 "或 "智能手机 "或类似产品。胡：众所周知，很多初创公司都会使用"产品用于类别"这样的描述。对于那些容易细分的产品，比如 "留学生在线约会 "或 "医生语音笔记"，这种方法可以很好地发挥作用。当事情过于小众，或者 "X for Y "的想法没有真正的市场交叉点时，比如猫的社交网络，这种方法就不那么奏效了。UH....内容：上述内容还有一个近亲，即 "针对字面/怪异/离奇行为的一种应用程序或 "针对细分市场的怪异产品创意"。这对那些只想详细描述产品功能却不想说明原因的书呆子来说特别有诱惑力，或者只是因为好玩而制作文字沙拉。

数据驱动的产品决策很难，关键原因不在单一现象，而在于使用数据进行产品决策的核心是一个巨大的悖论。 吉姆-巴克斯代尔 而第二幅网络漫画，说明了数据驱动的产品文化会发生什么。为什么我们掌握了这么多关于人们如何使用我们产品的数据，我们能够推测是什么让产品更有粘性或更有价值，但寻求真相却如此困难？在追求数据驱动的过程中，我们遇到了许多核心问题，这些问题都是基于我们如何收集/分析/决策数据。我想说的最终一点是，有很多问题，正如网络漫画中提到的，这些数据驱动的问题会层出不穷，有太多的仪表盘，也有太多相互矛盾的意见。这种主流文化是一种数据文化、优化文化，是一种采取具体的小步骤来实现大而易懂的指标的文化。可以说，许多大型科技产品的成功--这些产品的核心似乎并没有发生什么变化，只是在不断进步--都是基于这种策略的成功。相反，您可能必须反其道而行之，才能在竞争中立于不败之地： 主要凭直觉，而不是等待数据 超快速决策，而不是渐进决策 当然，我始终主张优化值得优化的东西，比如注册流程和关键通知。

简要说明：如果您想知道购买保险是否值得，请使用凯利保险计算器。人们有时会在网上询问是否应该购买保险，然后其他人会说一些不正确的话，比如11 These are real quotes from just one forum discussion. 1 这些都是一个论坛讨论中的真实引语。从技术上讲，没有一种保险是物有所值的，因为如果物有所值，那么在市场经济中就不会有保险公司存在。与其去买保险，不如把本应支付的保费存起来，获得复利市场回报。从技术上讲，有些保险即使在保险公司盈利的情况下也是物有所值的。22 The typical example is how it takes as long to go from $2,000 to $10,000 as it does from $10,000 to $50,000. 2 典型的例子是，从 2,000 美元到 10,000 美元所需的时间与从 10,000 美元到 50,000 美元所需的时间一样长。

创建 agent，关键是把目标、限制和可执行步骤放在同一个框架里，而不是只追求单点技巧。另一方面，在代理系统中，LLMs可以动态地指导自己的进程和工具使用，并保持对完成任务方式的控制。何时（以及何时不）使用代理 在使用 LLMs 构建应用程序时，我们建议尽可能寻找最简单的解决方案，只有在需要时才增加复杂性。有许多框架使代理系统更容易实施，其中包括 LangGraph 来自 LangChain；以及 Vellum 是另一款用于构建和测试复杂工作流程的图形用户界面工具。虽然有很多方法可以实现这些增强功能，但其中一种方法是通过我们最近发布的《模型上下文协议》（Model Context Protocol），该协议允许开发人员通过简单的客户端实现与不断增长的第三方工具生态系统集成。将简单/常见问题分配给 Claude 3.5 Haiku 等较小的模型，将困难/异常问题分配给 Claude 3.5 Sonnet 等能力较强的模型，以优化成本和速度。

这并不奇怪，因为我们几乎从未真正教过人们如何更有效地使用普通的商务交流工具。人们在创建文档时最常见、也是最严重的问题是，他们没有考虑到他们的对话对象以及他们想要实现的目标。这可能表现在很多方面，但最常见的结果是，最终结果在技术上并没有错（语法和拼写可能是正确的，或者事实和数据可能是准确的），但在实现目标方面却完全无效。在这种情况下，我看到的最常见的失败案例是人们从自己的内心深处出发，要么是因为他们已经完全沉浸在某个项目中，要么是因为他们对自己的恐惧或担忧做出了反应。黑马分析公司的乔伊-切尔达丘克（Joey Cherdarchuk）的这篇经典文章已经流传了整整十年，我仍然每周都会给别人发送一次。Bullet points 是一种超级强大的方法，能让内容更容易被受众略读，还能发挥有用的强制功能，让你把要点编辑得简明扼要、大致一致。正如许多文件一开始就暴露了作者的不安全感一样，很多时候，文件中信息的顺序揭示了创建不同类型内容的相对难度，而不是其实际重要性。

达里奥·阿莫代把 Anthropic 面对的核心问题放在规模化与安全治理之间：更大的模型、更多数据和更长训练曾持续推高能力，反对规模化的理由也多次被新方法绕过，因此未来几年仍可能出现接近博士水平、可大规模部署的系统。真正的风险不只在模型更聪明，而在权力被少数组织集中后可能放大滥用和社会伤害。围绕 Claude 的对齐工作，则落在性格设计、微调、可解释性和欺骗检测上；Chris Olah 的机械可解释性尝试从神经激活反推模型内部机制，Amanda Askell 关注怎样让 Claude 更可靠、更有边界。这组对话把 AGI 讨论从概念拉回工程现实：能力曲线、部署规模、组织责任和安全研究必须同时推进。

1965 年，罗伯特·霍利成功测序了来自酿酒酵母（Saccharomyces cerevisiae）的第一个 tRNA。他利用这种方法成功测序了第一个完整的基因组，即细菌病毒 PhiX174 的基因组。2000 年 – 大规模并行签名测序（MPSS）由 Lynx Therapeutics（美国）公司推出，这是首个 NGS 技术，后来被 Illumina 收购。不过，它对 DNA 的一小部分进行了测序 人类基因组成本随年份变化的图表。然而，还有一个关于同意的另一个问题：让父母决定是否进行基因组测序是否符合伦理？对儿童进行基因组测序还可以帮助确定他们是否会对可能用于治疗的不同药物产生过敏反应。关于是否为他人（如儿童）进行基因组测序的决定问题已经不再存在，因为成年人在这个时候已经足够成熟，可以自行做出同意。基因组测序可以帮助确定他们应该服用哪些药物，以及哪些药物在成年时比在儿童时期更有效。

911 事件是什么不能只看表面答案，真正重要的是理解问题背后的机制、边界和现实代价。我是在早上 2 点或 3 点上床睡觉的，当时正在解决一个我现在已经忘记具体细节的网站问题。当时，他们分享的第一个传说就是关于与大厦发生过奇怪纠缠的飞机和飞艇的事件。我听到新闻时打开了电视，这种获取信息的方法源于我 20 世纪的习惯，但我很快就会彻底放弃它。人们正在动员狗、设备和医疗团队，大家献血的原因显然是希望能找到幸存者。但也有一些小事，比如人们在美丽的初秋天气中推着疲惫的妈妈的婴儿车，或者几乎像是对宗教间和谐的讽刺，不同信仰的人们聚在一起崇拜和共度时光，每个人的打扮都像是儿童故事书中的插图。每个公共场所都贴满了列出“失踪”人员的传单，设计相似，展示了人们最近扫描的亲人照片。在科技行业工作的最奇怪的部分是，当我和我的朋友们在 2001 年 10 月推出第一个大型博客平台时，同月原版 iPod 和 Windows XP 也相继发布，这意味着我们现在所生活的在线世界的最初轮廓在我们仍然感到震惊、悲伤和困惑的时候逐渐显现出来。

Retrieval-Augmented Generation （RAG） 允许模型从外部来源提取实时的利基数据，从而增强其提供准确和详细响应的能力，从而帮助缓解这种情况。生成模型的局限性 生成模型在大型数据集上进行训练，包括（但不限于）社交媒体帖子、书籍、学术文章和抓取的网页，使它们能够获得一般知识。 检索增强生成 （RAG） 是一个框架，它通过向生成式 LLM与从外部数据源检索的手头任务相关的额外数据来增强生成式 代码 id=g1001 LLM 的一般知识。RAG 架构 RAG 管道的基本部分可以分为三个部分：外部数据源、提示模板和生成模型。

物理学家埃德·维滕 （Ed Witten） 获得了菲尔兹奖，这比诺贝尔奖更难获得，因为他为弦论发明了数学。当它被交给理论家时，他们往往是博弈论者，他们的理论对现实世界的结果非常具有预测性——2020 年的 Milgrom/Wilson、2016 年的 Hart/Holmstrom、2014 年的 Tirole 和 2012 年的 Roth/Shapley。即使该奖项被授予宏——一个有效性更难确定的领域——它也被授予那些理论立即应用于当今紧迫问题的经济学家，例如 2022 年的伯南克/戴蒙德/迪布维格和 2018 年的诺德豪斯。换句话说，最近的诺贝尔奖使经济学看起来可能越来越像一门自然科学，其中实际应用和外部有效性是研究价值的最终仲裁者，而不是经济学界的文化影响。无论如何，今年奖项的一个关键点是 Daron Acemoglu 将在某个时候获得诺贝尔经济学奖。Alex Tabarrok 讲述了这个故事： 我认为达伦·阿西莫格鲁 （GS） 是经济学界的威尔特·张伯林 （Wilt Chamberlin），一个绝对的生产力怪物，他以几乎前所未有的速度积累论文和引用。

Discovery 帮助我们决定构建什么或追求什么方向。避免解决方案思维模式的 3 种方法 许多发现都是从探索解决方案开始的。锚定：具有解决方案思维模式的团队通常会通过特定解决方案的视角进行发现研究。发现型思维方式意味着团队对学习持开放态度 他们的假设是错误的，无论这些假设是关于用户的问题、需求还是最佳解决方案。采用发现思维方式有助于团队收集有价值的见解，以确定正确的问题和解决方案。为避免以解决方案的思维方式开始发现，请围绕问题而不是解决方案来构建发现目标。2 突出未知数和假设 帮助我们采用发现思维模式的另一种策略是专注于我们知道和不知道的。3 Icebox 最喜欢的想法 为避免团队锚定于特定解决方案，团队可以在发现开始时构思解决方案，并同意将他们的解决方案想法“搁置”，直到发现研究完成。在团队完成发现研究并开始构思后，他们可以考虑 Icebox 中的解决方案，看看是否有任何合适的解决方案。

癌症是全球主要死亡原因之一，我们在对抗癌症方面是否取得了进展不能只看表面答案，真正重要的是理解问题背后的机制、边界和现实代价。然而，由于诊断、研究、医学进步和公共卫生工作的改进，以及吸烟和一些致癌病原体等风险因素的减少，许多国家/地区的癌症年龄标准化死亡率随着时间的推移而下降。在此页面上，我们探索了有关不同类型癌症的全球数据和研究。肺癌、结直肠癌、胃癌和乳腺癌是全球癌症的主要死亡原因[]( 下图显示了全球死亡率最高的癌症。这些估计值来自健康指标与评估研究所 （IHME），该研究所使用来自重要登记处、癌症登记处、医院记录和口头尸检的数据，并应用统计模型进行全球估计，包括缺乏数据的国家/地区。下面的两张地图显示了男性和女性癌症死亡的主要原因。乳腺癌是许多国家女性癌症死亡的最常见原因，但在其他国家，肺癌、肝癌和胃癌占主导地位。在美国，儿童癌症死亡的主要原因是脑癌和中枢神经系统癌、白血病以及淋巴癌和血癌。

几天前，@t3dotgg 制作的一段视频被发布到他非常受欢迎的 YouTube 频道上，他在其中评论了 Graphite 团队撰写的一篇题为“GitHub 如何取代 SourceForge 成为主导代码托管平台”的文章。作为 GitHub 的联合创始人，我发现 Greg 的文章和 Theo 随后的评论很有趣，但我认为写下我自己对 GitHub 崛起和主导背后的原因的看法可能会很有趣，也许可以纠正一些从外部分析中不太正确的事情。我的 Pro Git 书第一版的第一批开箱，2009 年 以下是内部人士对 GitHub 获胜原因的看法。GitHub 在正确的时间启动 GitHub 的品味不错 所有四位 GitHub 联合创始人在 GitHub 之前和之后都失败了。摘自《开源的全面增长》，2008 年，由 Amit Deshpande 和 Dirk Riehle 出版 从这个角度来看，仅今天 GitHub 上就有超过 2.8 亿个公共仓库。

AI 如何让世界变得更美好 我思考并谈论了很多关于强大 AI 的风险。我担任首席执行官的公司 Anthropic 做了很多事情 关于如何降低这些风险的研究。然而，首先，我想简要解释一下为什么我和 Anthropic 没有过多地谈论 powerful AI 的好处，以及为什么我们可能会继续总体上大量讨论风险。I 还要认为，原则上花太多时间对你的灵魂是有害的 “Talking Your Book”（谈论你的书）。我经常对许多 AI 冒公众人物风险的方式感到反感 （更不用说 AI 公司的领导者）谈论后 AGI 世界，仿佛这是他们的使命是 单枪匹马地实现它，就像先知带领他们的人民走向救赎一样。尽管我认为大多数人都低估了 强大的 AI，确实讨论激进 AI 未来的一小群人经常在 过于“科幻”的基调（例如，以 Uploaded Minds、Space Exploration 或一般赛博朋克为特色） 共鸣）。

制定战略，关键是把目标、限制和可执行步骤放在同一个框架里，而不是只追求单点技巧。他们心中想的是做出重大的、重要的决定——杰夫·贝佐斯 （Jeff Bezos） 称之为“单向门”，因为它们很难逆转。它需要尝试看到未来的多个步骤，以培养对它会奏效的信念。然而，还有一种不同类型的战略工作非常丰富，那就是在推出 Prime 之后。直觉：尽可能多地短路问题并快速得出假设 洞察生成：用于快速验证或否定该假设的工具包 3. Solutioning: understanding enough about execution that you can recommend the right things to try 解决方案：对执行有足够的了解，。Stratechery 的 Ben Thompson 被问及他如何才能对每天发生的科技事件有深刻的见解，通常是在事情发生后几个小时。Synthesis 利用所有数据、轶事和建议，讲述一个有凝聚力和真实的故事。

Stripe，这家让网上支付变得简单的公司，悄然汇聚了硅谷最强大的工程团队之一。这是 Stripe 招聘渠道的效果。如果你利用前十位员工的网络， chances are 你会遇到一些优秀的候选人。应急招聘人员：虽然招聘者的职责是“为你找到合适的人”，但对 Stripe 来说，这一工作却非常不成功。透明度是向候选人展示贵公司是一个理想工作场所的有效方式，尤其是在报价阶段（例如，您是如何计算这些数字和流通股的）。谷歌这样的公司通常拥有现成的基础设施，工程师们不需要知道如何构建这些基础设施就能使用它们。每当 Stripe 对某人的能力做出假设时，结果总是错误的。Stripe 采用一个协作黑客项目，通常会提前准备，以确保它符合某人的兴趣和技能水平。如果候选人不符合团队文化，Stripe 会拒绝那些拥有卓越工程才能的人。

迈克·弗拉克斯曼博士目前是 HEAVY.AI 的产品副总裁，之前曾担任产品经理，并在专业服务部门领导空间数据科学实践。HEAVY.AI 是一个硬件加速的平台，专注于实时和高影响力的数据分析。我的工作经历包括为美洲开发银行等组织提供咨询，以及在全球最大的 GIS 开发公司 ESRI 管理建筑、工程和施工领域的 GIS 技术 我清晰地记得第一次接触现在的 HEAVY.AI，那时我作为顾问，负责佛罗里达海滩栖息地保护计划的情景规划。我和同事们在用 30 米的 Landsat 数据建模海龟栖息地时遇到了困难，一位朋友向我推荐了一些全新且非常相关的 5 厘米 LiDAR 数据。快进几年，我依然认为 HEAVY.AI 所做的非常独特，它在 GPU 分析上的早期投资正是行业未来发展的关键所在。目前，作为 HEAVY.AI 的产品管理副总裁，我积极参与决定我们优先开发哪些产品特性和功能。

打招呼，关键是把目标、限制和可执行步骤放在同一个框架里，而不是只追求单点技巧。我们决定是否喜欢某样东西的时间介于 1/10 秒到 7 秒之间（Janine Willis 和 Alexander Todorov，2006）。研究表明，第一印象可以持续数月（Gunaydin, Selcuk, & Zayas，2017），并且即使在有相反证据的情况下也能影响一个人的观点（例如，Rydell & McConnell，2006），即使你无法回忆起原因（McCarthy & Skowronski，2011；这就是为什么网页需要在一秒钟内加载完成。这就是为什么 Instagram 和 TikTok 如此有效，以及广告牌上的文案如此简短。你的声音并不是从头部开始的，正如我们可能想象的那样，而是从你的腹部和心脏之间开始，依靠横膈膜的拉动。放松你的脸部，保持中性——不是死板——只是不要因为别人不分享的担忧而紧绷。

帕尔默·拉基的生活事实是如此独特而离奇——将幻想、疯狂和改变世界的元素结合在一起——以至于它们可以印在磁性诗歌瓷砖上，由一个流口水的婴儿以无尽的随机组合重新排列，但每次仍然能够传达出某种重要而真实的东西。让我来给你看看：Luckey 是世界上最大的电子游戏收藏的拥有者，他将这些收藏埋藏在一座废弃的美国空军核导弹基地地下 200 英尺的地方——这正是一个人能够负担得起的事情，当他凭借在加利福尼亚州长滩父母的双拼房屋车道上停放的房车中发明 Oculus Rift，。或者：在以 27 亿美元将 Oculus 出售给 Facebook 后，Luckey 因向一个致力于“现实生活中发帖”的亲特朗普恶搞团体捐赠 1 万美元而被马克·扎克伯格解雇，随后他尝试建立一个非营利性私人监狱连锁，只有当前囚犯保持不再入狱时才获得报酬。根据我们录音对话的文字记录，我让 Luckey 的媒体负责人感到震惊，因为我对这个厕所产生了执念，反复告诉他它“太棒了”，“真他妈的棒”，以及“可能是我见过的最酷的东西。

人工智能对世界有益吗不能只看表面答案，真正重要的是理解问题背后的机制、边界和现实代价。其次，他们从三个来源收集更多与汽车相关的故事： 他们自己的经历：再两个便利贴 两个额外的朋友或家人：2 个额外的便签 一个 Twitter 标签——每个学生从我预测的列表中选择一个不同的标签，以拓宽课堂内可用视角的范围。同样，他们在认为会影响很多人的标签旁边贴上轮廓贴纸，而在认为人们可能不会注意或考虑到结果大小的标签旁边贴上蛇形贴纸。每次我们都从自己的轶事开始，然后扩大搜索到其他视角，最后将自己的评估与人口数据和可用研究进行比较。最后，我们做生成文本和图像模型——换句话说，就是通常所称的“人工智能”。他们的比较揭示了一些共同主题： 汽车和互联网在个别案例中都有一些优秀的轶事结果。学生往往高估经历积极结果的人口比例相对于经历消极结果的人口比例（值得注意的是，参与研究生项目的机会往往会选择特定的阶层）。

Jaryd Hermann 分享了他对 Athyna 的投资体验，Athyna 是一家帮助公司通过在非传统的新兴科技市场（如拉丁美洲）寻找优秀人才来扩展全职团队的公司。他强调，随着美国初创公司失败率的上升和人力成本的增加，Athyna 通过降低招聘成本提供了必要的运营资金，使得初创企业能够获得额外的燃油时间。文章详细介绍了 Athyna 在产品、增长、策略和创业建设方面的 8 个新思想。此外，根据 Carta 的数据，初创企业的破产率比 2019 年高出 700%。在这个增长成本高昂的时代，Athyna 帮助初创企业再次实现可负担的增长，提供必要的额外发展空间。这些中小企业及中型市场的决策者会阅读或收听《The Hustle》和《MFM》 通过拥有这些资源，HubSpot 提升了品牌价值，并能够免费接触到它们 奖励：这些公司将持续盈利，以便偿还投资 这样拆开，确实很难不看出这个策略的高明之处。

设计师们拥有专门的出版物、会议和专业协会，旨在提升系统的可用性。像 Fitts 定律这样的原则使我们能够设计出更易用的系统。但一个产品即使采用了“良好”的用户界面设计，仍然可能向用户提供难以理解的选择。想象一下用户即将进行不可逆转或危险的操作：在按下那个按钮之前，他们应该先停下来思考一下。收音机的菜单系统和流程设计得非常糟糕，使用体验令人非常沮丧，因此我将来绝不会考虑购买 Kenwood 的产品。换句话说，虽然交互机制可以进一步优化，但根本问题在于系统的信息架构，至少在这个用户界面中是如此。（例如，苹果品牌的 Apple Watch 小部件被称为“复杂功能”。特别是，你需要掌握他们的心理模型： 用户在讨论这个领域时通常使用哪些术语？再次，用户体验领域为我们提供了很好的方法来解决这些问题。

我们生活在一个科技社会中，科技引发了许多政治问题。政治家和公众希望科学能够为这些问题提供解决方案，因此科学专家们也因此获得报酬并受到鼓励去提供答案。公众更喜欢听那些能够自信回答问题并对人类活动后果做出准确预测的科学家。最优秀的科学家喜欢将实验中的事物安排得尽量不可预测，然后进行实验以观察结果。世界总是需要异端来挑战主流的正统思想。就在他去世前的几周，华盛顿卡内基研究所的一些化学家在一个钻石压砧中进行了一个精彩的实验，Scott et al., 2004。化学家们给汤米·戈德发了一封电子邮件，告知他他们的研究结果，结果收到的回复是他三天前去世了。对于科学家来说，坐在空调的建筑里运行计算机模型，比穿上冬装去测量沼泽和云层中真实情况要容易得多。他们将金钱和注意力从其他更紧迫、更重要的问题中抽走，比如贫困、传染病、公共教育和公共卫生，以及陆地和海洋中生物的保护，更不用说像及时在新奥尔良市周围修建足够的堤坝这样的简单问题。

演员是如何记住台词的不能只看表面答案，真正重要的是理解问题背后的机制、边界和现实代价。” 演员们面临着一项艰巨的任务，需要以极高的准确性来学习台词，但他们很少通过死记硬背来完成。一味重复信息（称为维持性复述）并不是最有效的记忆策略。演员们研究剧本，努力理解自己的角色，并分析他们的台词与角色之间的关系。同样，当心理学家赫尔加和托尼·诺伊斯调查演员如何记住台词时，他们发现演员更倾向于在剧本中寻找意义，而不是仅仅死记硬背。在表演时，这种理解为台词的自然回忆提供了背景，而不是单纯地背诵记忆的文本。这种通过深刻理解来学习和记忆台词的过程，使一位七旬演员能够背诵米尔顿的史诗《失乐园》中的全部 10,565 行。演员在描述他们如何记住台词时，向我们揭示了一个关于记忆的重要真理：深刻的理解能够促进持久的记忆。深刻理解意味着关注事物或事件的深层含义，我们每个人都可以运用这一策略来提高日常记忆力。

什么时候加入初创企业比较好不能只看表面答案，真正重要的是理解问题背后的机制、边界和现实代价。更长期的目标更复杂一些： 当一种风险被消除时，企业的预期价值会显著上升，因此在确认这一点后，率先投资将非常有利可图。然后我们将探讨这一过程在初创企业生命周期中的表现，以及对于考虑加入的人来说，哪些切入点比较合适。随着人工智能的崛起，许多人加入了那些技术风险尚未解决的初创公司，可能甚至没有意识到这一点。加入初创公司的一个理想时机是他们刚刚解决了市场风险（即找到了产品与市场的契合）。如果公司最近在某种风险方面取得了显著进展，比如开拓新的增长渠道或改善单位经济，那么现在加入是一个特别好的时机。这两个中的一个或两个应该是引导到rapidly expanding contribution profit. 在市场风险尚未解决之前，加入初创公司通常是一个不好的时机，尤其是如果你不是创始人。这可能意味着专注于某个阶段（比如帮助公司在实现产品市场契合后进行扩展）或专注于某个行业（例如花费大量时间与市场合作，以至于你了解它们在不同阶段过渡时的情况）。

本·阿德勒记录了将拥堵收费引入纽约的漫长斗争，您可以在我们的网站上阅读第 15 期的内容。在 1980 年代，纽约市交通局举办了一系列公开会议，任何感兴趣的纽约市民都可以参与，讨论如何解决城市的交通拥堵问题。纽约市的拥堵收费概念始于 1952 年，当时由哥伦比亚大学的年轻学者威廉·维克里首次提出，他后来获得了诺贝尔经济学奖。这是一个漫长而曲折的故事，讲述了维克里的拥堵定价愿景在 70 多年后可能即将在纽约市变为现实。可靠的交通连接缺失可能导致居住在外郊的人们接受比他们本可以获得的更差的工作机会tens of billions of dollars in productivity on the table. 桌子上有数十亿美元的生产力潜力。与纽约市政府首次提出拥堵收费和州政府最终授权之间的近 50 年相比，这些实施延迟显得微不足道。纽约在拥堵收费方面的漫长而曲折的历程为全球其他城市提供了宝贵的经验。

不过，幸运的是，在 2020 年，詹姆斯·埃文斯、理查德·弗雷林和维奈·阿亚拉共同创立了 CommandBar，并提出了一个重要的见解：数字化采纳产品常常让人感到沮丧，因为它们会向用户推送信息。CommandBar 在用户需要信息时引导他们，并将用户支持转变为一种愉悦的体验。最简单的理解他们所做的事情的方法是：CommandBar 允许产品团队在他们的软件上嵌入一个智能 AI 代理，帮助最终用户执行操作、获取数据，并与他们共同浏览，展示产品的使用方式。CommandBar 通过其全面的用户支持套件，帮助 B2B 客户处理增长过程中的关键环节：入职、激活、追加销售和客户留存。具有讽刺意味的是，尽管 CommandBar 是一家以销售为主的公司，但他们的业务是帮助以产品为主导的公司实现产品主导增长（PLG）。这就是为什么我认为 CommandBar 会胜出，因为他们正在为那些急于转型为以产品为导向的公司构建 PLG-as-a-Service 层。

Duolingo 如何重新激发用户增长不能只看表面答案，真正重要的是理解问题背后的机制、边界和现实代价。Duolingo 已经成为全球下载量最大的教育应用程序，拥有数亿用户，实现了“提供世界一流教育并使其普遍可及”的使命。稳健的有机用户增长为 Duolingo 推进 2021 年 IPO 目标注入动力。一节三分钟的 Duolingo 课程感觉就像是在玩 Gardenscapes 的匹配 3 级别，两者都使用进度条来直观显示用户完成课程的进度。为了 Duolingo，我们试图通过提供一个免费的超级 Duolingo 月份来激励用户。然而，我们最好和最活跃的用户已经使用超级 Duolingo，因此当他们已经在一个计划中时，我们无法为他们提供免费一个月的服务。Duolingo 一直擅长收集数据，特别是在支持 A/B 测试方面表现出色。从内部了解到 Zynga 和 MyFitnessPal 如何利用数据，我觉得我们可以利用 Duolingo 的数据找到一个关键指标，从而获得我们所需的突破。

Perplexity 如何打造产品不能只看表面答案，真正重要的是理解问题背后的机制、边界和现实代价。成立不到两年的 Perplexity 已经成为我每天多次使用的产品，取代了我许多的谷歌搜索，而且我并不是唯一一个这样做的。他们的年收入超过 2000 万美元，并且正在与 Google 和 OpenAI 等公司在搜索领域的未来之争中展开竞争。英伟达首席执行官黄仁勋表示他使用这款产品“almost every day.” 我与公司联合创始人兼产品负责人 Johnny Ho 坐下来，为您揭示 Perplexity 是如何打造产品的内幕——对我来说，这就像许多公司未来产品开发的样子 AI 优先：他们一直在向 AI 提问有关公司建设过程的每一个步骤，包括“如何推出产品？” 欲了解更多详情，请查看 Perplexity。P.S. 我正在与 Perplexity 合作，深入探讨产品经理如何使用 Perplexity，我们很乐意听取您的意见。

我的妻子一直说她会死于阿尔茨海默病。当我们相遇时，在 00 年代中期，很容易捍卫的观点是 Vanessa 没有患阿尔茨海默病，也不会患上这种疾病。在我们的关系发展了几周后，她告诉我，她 50 多岁的母亲患有阿尔茨海默病，而且稍后又说她也肯定会得这种病。然而，对外界而言，阿尔茨海默病是逐渐显露出来的，每一个细微的迹象在早期都可能被轻易地解释为“无关紧要”。你从未听说过有人勇敢地与痴呆症作斗争，就像对抗其他许多疾病一样，因为你无法与之抗争。Vanessa 在她的巅峰时期领导团队，并为主要国际公司推出营销活动。我不确定我想让他们对此做什么，但我知道这次 MRI 扫描会激发出 Vanessa 所有的恐惧。接下来的 21 个月左右令人不安，她开始在我们的孩子面前崩溃，当时他们分别是 10 岁和 8 岁，不应该目睹这一切，更不用说承受后果，而她却被告知她的大脑没问题。Vanessa 的神经学家向我们解释说，她的脊髓液中缺乏淀粉样蛋白质，这意味着它必须在她的大脑中积聚。

例如，最近我并不完全信任我的两位经理来制定他们团队的发展方向... 因为他们大约一周前加入，几乎还没弄好他们的笔记本电脑。一般来说，如果爱丽丝是鲍勃的经理，而且在优先考虑研究方向方面具有权威性，那么鲍勃可能正在努力构建一个良好的“爱丽丝心智模拟器”，这样他就可以自主进行优先排序，而不必一直进行确认。如果我有一个同事，我不信任他（比如）在做出良好的软件设计决策方面，我将不得不更仔细地审查他们的设计，并要求他们提前制定更彻底的计划。如果我有一个报告，我不完全信任来处理表现不佳的团队成员，我将不得不更加细致地管理他们，深入了解细节，了解发生了什么，并形成我自己的看法，反复检查情况，以确保它朝着正确的方向发展。例如，Anthropic 最近经历了一次紧要关头，其中我们的一个团队承受着巨大压力，迫切需要快速调试一个非常棘手的问题。我们之所以能够更高效地工作，是因为团队成员（包括大多数从其他地方加入调试工作的人）对彼此的能力非常信任；。

成为，关键是把目标、限制和可执行步骤放在同一个框架里，而不是只追求单点技巧。要成为一名高效工程师，只需每周浪费 400 个工程小时。在技术讨论中扣押 10 名工程师，让他们无法离开。浪费了 10 周的工资在云端成本上。为了避免开发人员频繁切换上下文，重新编译应至少需要 20 秒。在您的测试中引入一些微妙的随机性，以便它们可以在没有明显原因的情况下成功或失败。陷阱 10 名工程师在一个无用的小型项目中。死水草虽然不会对您的团队造成实质性伤害，但却占据了那些本可以积极帮助的人的位置。防止 10 名-1x 工程师被解雇。10x 工程师可能是传说中的，但-10x 工程师却是真实存在的。为了规避责任，最好从一开始就将需求模糊化。常见的例子包括演示文稿、图表和票务管理。

解决酒后驾驶的问题，关键是把目标、限制和可执行步骤放在同一个框架里，而不是只追求单点技巧。1980 年，该地区有大约 28,000 起酒驾死亡案例，而 2020 年则有 11,654 起。西方世界各国政府以及许多民间社会组织开展了有力的关于酒后驾驶风险的教育宣传活动，而且他们付诸行动。但是通过利用威慑来制造道德成本，我们可以使犯罪行为变得罕见，并将执法重点放在那些尽管成本高昂仍然犯罪的少数人身上。根据这个模型，我们可以通过提高犯罪成本来阻止犯罪，可以通过提高检测率（即被抓到的可能性）或加大对被抓到者的惩罚。这个模型的一个显著含义是，您可以通过增加犯罪分子的抓捕率来弥补相对较低的捕获率，从而增加犯罪的预期成本。Mirko Draca、Stephen Machin 和 Robert Witt 的第一项研究特别明确地指出，在城市街道上增加警力（间接地增加逮捕概率）与犯罪减少之间存在因果关系。

生物学家还没有找到治愈癌症的方法，关键原因不在单一现象，而在于“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。

考虑到 Perplexity 的雄心壮志以及它从 Jeff Bezos 的家庭基金、Nvidia 和著名投资者 Balaji Srinivasan 等人那里获得的投资，令人惊讶的是，这家人工智能搜索初创公司究竟是什么，目前仍然不太清楚。今年早些时候，Perplexity 的首席执行官 Aravind Srinivas 在接受《WIRED》采访时描述了他的产品——一款聊天机器人，可以用自然语言回答提示，并且据公司称，可以实时访问互联网——称其为“答案引擎”。”最近，当《福布斯》指责 Perplexity 剽窃其内容时，Srinivas 告诉美联社，这只是一个“信息聚合器”。一项 WIRED 分析和开发者 Robb Knight 进行的研究表明，Perplexity 似乎通过部分忽略一个被广泛接受的网页标准，即机器人排除协议，来秘密地抓取网站上运营商不希望机器人访问的区域，尽管声称不会这样做。

也可在 O’Reilly Media 上分为三个部分发布：战术、运营、战略。现在正是利用大型语言模型构建的激动人心时刻（LLMs）。此外，提供者 API 使LLMs更易访问，让每个人，而不仅仅是机器学习工程师和科学家，都能将智能融入其产品中。尽管使用人工智能构建的准入门槛已降低，但要创建有效的产品和系统——超越演示——仍然具有欺骗性的难度。我们打算将这本书打造成一个实用指南，教你如何用LLMs打造成功的产品，我们将从自身经验中汲取灵感，并指出行业中的案例。1 战术：与LLMs合作的基本要领 在这里，我们分享新兴LLM堆栈核心组件的最佳实践：提示技巧以提高质量和可靠性，评估策略以评估输出，检索增强生成的想法以改进基础，如何设计人在回路工作流程等。1.1.1 专注于充分利用基础提示技巧[]( 一些提示技巧一直以来都在改善各种模型和任务的性能方面发挥着一致的作用：n-shot 提示+上下文学习，思维链，以及提供相关资源。

自那时起，Tonya 和我更多地考虑了如果我们中的一人变得无法行动或去世会发生什么。他在 2017 年写下了第一版，当时我们还在运营 Take Control。我对这个话题并不是专家（我们即将更新我们 22 年前的陈旧遗嘱），因此请向律师或资产规划专业人士寻求建议。为了简化这个过程，我建议建立一套数字遗产信息，让他们在遇到问题或困难时随时查阅。这里有一些物品，我建议您收集并确保您的管家在紧急情况下能够取用： 登录密码/密码：您的管家必须能够进入您的 Mac、iPhone 和 iPad 以访问其他信息，因此请确保他们要么知道您的登录密码和密码，要么可以在安全位置查找。不要假设 Face ID 或 Touch ID 就足够了—带有生物识别身份验证功能的设备仍然需要定期输入他们的密码或密码。虽然像 1Password for Families 和 Apple 的 Shared Family Group 这样的密码共享设置在日常使用中效果很好，但共享主密码可以确保您的管家访问可能未共享的帐户。

当价格以0.99结束时，你会花更多的钱，关键原因不在单一现象，而在于这是因为传统经济学预测提高价格会导致销售更少的单位，即使以更高的价格销售更少的单位也意味着收入减少。在审查竞争对手的产品时，我们注意到他们有些产品定价以.99 结尾，而另一些产品则以.00 结尾。.99 结尾的价格如何影响您的消费习惯：3 种方式 .99 结尾的价格会让你花更多的钱 在第一批有关以 9 结尾的价格的研究中，一家全国性邮购公司向三组人群发送了他们的目录。PricesItem9-ending prices价格以 9 结尾$5 less5 美元更少$5 more再加$5Dress 1这件第一件连衣裙 $ 39.00 $ 34.00 $ 44.00Dress 2第二件衣服 $ 49.00 $ 44.00 $ 54.00Dress 3第三件连衣裙 $ 59.00 $ 54.00 $ 64.00Dress 4第四件连衣裙 $ 79.00 $ 74.00 $ 84.00 Units purchased购买的数量Item9-ending prices价格以 9 结尾$5 less5 美元更少$5 more再加$5。