跳到正文
10月21日周三
  1. Futurism42

    专家警告:人类恐沦为被 AI 控制的空壳

    专家警告人类正在经历"渐进式失权"(gradual disempowerment),即在不断依赖 ChatGPT、Claude 等 AI 工具的过程中逐步让渡控制权。Charles University 研究员 Jan Kulveit 指出,这一趋势无需 AI 有意夺权,而是被 AI 带来的经济价值所驱动。研究已发现依赖 AI 工具与批判性思维能力下降相关,并会降低写作等认知任务中的大脑活动。

  2. a16z (@a16z)37

    OpenAI Karan Singhal 谈临床指南普及需 5 到 17 年,他想压缩到几天甚至几小时

    OpenAI 的 Karan Singhal 在 a16z 播客中解释,新临床指南平均需要 5 到 17 年才能渗透到一线医生的日常实践。他认为瓶颈在于把生物医学文献和临床指南转化为实际诊疗行为这一步,希望用 AI 将这一周期压缩到几天甚至几小时。a16z 指出,目前每周有超过 3 亿人用 ChatGPT 咨询健康问题。

  3. Wired25

    Hatch Sleep Clock 评测:一款非接触式睡眠追踪器

    Hatch Sleep Clock 是一款非接触式睡眠追踪器,通过运动传感器记录睡眠,不提供睡眠评分,只给出每晚睡眠摘要和建议。与 Apple Watch Series 12 和 Oura Ring 5 对比,睡眠时长估算基本一致,睡眠阶段差异最明显。设备需摆放在床头柜上、与床垫齐平并距使用者 2 到 4 英尺,摆放位置会显著影响追踪准确性。

10月20日周二
  1. a16z (@a16z)44

    OpenAI Karan Singhal 谈 ChatGPT 每周超 3 亿次健康问答与医疗 AI 布局

    OpenAI 的 Karan Singhal 在 a16z 播客中透露,每周有超过 3 亿人在 ChatGPT 上咨询健康与养生问题。他与 a16z 的 Jay Rughani 讨论了 OpenAI 如何构建健康智能、用通用大模型做医疗应用的优势,以及 AI 如何降低医疗成本。话题还涵盖用户信任建立、医学共识 5–17 年的滞后、AI 心理健康应用与诊疗护理的未来。

  2. Valley101 钱 (@Valley101_Qian)33

    Dyna Robotics 联创 Jason Ma 谈 100 万小时 ego 数据的 scaling law 信号与 300 天部署教训

    硅谷101 一期对话 Dyna Robotics 联合创始人 Jason Ma,亮点是 100 万小时 ego 数据中找到 scaling law 信号。Dyna Robotics 被称为“世界上最无聊的机器人公司”,专注叠毛巾、叠餐巾等日常任务。实验室准确率达 99.4% 的部署在实际商业化中只有 75%,团队分享了 300 天的部署教训与机器人前沿研究思考。

  3. Financial Times · Technology10

    CoreWeave 会成为 2026 年的硅谷银行吗?

    Financial Times 提出问题:CoreWeave 是否会成为 2026 年版的硅谷银行(Silicon Valley Bank),并称答案“或许如此,但不是你可能以为的那种方式”。原文仅以这一设问及简短回应展开,未给出更多细节。

  4. Coder Jeff Lee (@CoderJeffLee)22

    两个 AI Comment Bot 在评论区互相聊起来了

    博主吐槽推特评论区 AI Comment Bot 泛滥,两个 AI 在评论区自己聊了起来。写增长的子木表示,以后谁用 AI 味评论他,就统一回复“好的,谢谢。请您给我背个古兰经”,并表示推特内容太多已经麻木。

  5. 卡颂 (@kasong2048)49

    别盲目照搬大模型公司的 AI 编程实践

    卡颂撰文提醒企业别盲目照搬 AI 实验室的 AI 编程做法。文中举例 @poteto 曾在一个月内独立向 GrokBot 合并 2,500 个 PR,但消耗 1.5T tokens,即使按标价 10% 计算也超过 $300K API 成本,且这些 PR 多为性能优化和 bug 修复而非新功能。

  6. a16z (@a16z)30

    Ben Horowitz 谈把公司故事当作战略:创始人为何常跳过这一步

    a16z 的 Ben Horowitz 提出“公司故事就是公司战略”,战略每天都在悄然调整,一个季度后可能与最初大不相同,因此必须持续升级并书面化你的故事。他建议把故事分享给公司全员、招聘对象、投资人、客户等所有相关方。但写故事“不像工作”,所以创始人往往不做,而这却可能是工作中最重要的部分之一。

  7. All-In Podcast (@theallinpod)41

    All-In 专访 Figma 联合创始人兼 CEO Dylan Field:设计是新代码

    All-In Podcast 采访 Figma 联合创始人兼 CEO Dylan Field,访谈涵盖 Figma 的起源故事与使命、此前 Adobe 200 亿美元收购交易被反垄断阻止的内幕,以及“SaaS 末日论”下 Figma 与前沿 AI 公司的竞争。Dylan 还谈到 AI 时代的创造力为何品味和大胆更重要,以及人类能动性与 AI 的未来。

  8. a16z (@a16z)53

    Steven Sinofsky 谈 AI 难以在企业扩散的原因:多数工作依赖难以写成流程的 know-how

    Steven Sinofsky 认为 AI 难以扩散到企业,是因为多数工作依赖难以转化为智能体可执行的分步指令的 know-how。他指出算法化思考对绝大多数职场人非常困难,让员工为日常工作画流程图大多会失败,因此面对智能体时他们解释需求的能力很有限,而开发新的交互抽象层历史上一直是组织内高度专业化的少数人才能完成的工作。

  9. Sequoia Capital (@sequoia)31

    David Silver 谈复杂世界中的简单目标:如何为"科学"设计奖励函数

    IneffableLabs 创始人 David Silver 在访谈中谈复杂世界中的简单目标:为"科学"写奖励函数是不必要的,正如进化只优化适应性就产生了生命的复杂性。他梳理了从协调、交流、交易到算术、工具再到科学的链条。Silver 是 AlphaGo 的创造者,首次展示了神经网络可达到超越人类的性能。

10月19日周一
  1. lxfater (@lxfater)17

    网友质疑 Anthropic:Claude 让 14 亿人无法获得最先进的智能

    网友 lxfater 发文质疑 Anthropic 蒸馏人类知识培育出最先进的智能模型 Claude,却让 14 亿人无法获得。他认为当模型强大到不再需要人类数据后,Anthropic 可能抛弃包括美国人在内的全人类,把人类仅当作数据源。他担忧达里奥的模型全知全能后无法保证人人平等获取,并指出现在用不上 Claude 与能用上的人差距已很明显。

  2. The Verge · AI50

    伊利诺伊州州长 JB Pritzker 谈 AI:既能助人活到 100 岁,也可能像核武一样威胁人类

    The Verge 采访伊利诺伊州州长 JB Pritzker,讨论 AI、科技与隐私议题及政府应如何应对。Pritzker 认为美国正经历代际政治重组,数据中心、隐私和反垄断引发两党反弹,政府必须更积极保护民众而非只与企业合作。他同时表示 AI 可能帮助人类活到 100 岁,也可能带来类似核武器的威胁,并谈及正与 Bears 队及 NFL 商谈让球队留在伊利诺伊州。

  3. Bill Gurley (@bgurley)27

    Bill Gurley 转发 John Arnold 观点:530A“特朗普账户”适合慈善倾向的超高净值人群

    Bill Gurley 转发 John Arnold 的观点,称 530A 账户(“特朗普账户”)为许多有慈善意愿的美国超高净值人士提供了很好的解决方案。这类人群不想设立需要专职人员的基金会,希望生前捐赠,且对现有非营利组织不感兴趣。Arnold 称其相当于美国版的"GiveDirectly"。

  4. oran_ge (@oran_ge)35

    RT Dash:老板有审美也没用,AI 有望让小团队审美作品吊打巨无霸

    RT Dash 认为,当项目上百人维护、老板又要将竞争压力作为 KPI 层层下达时,一切可能增加数据的提案无论多丑都会被端上,不存在让下属背 KPI 又保住老板审美的两全方案。AI 的出现可能改变这一点,使软件工程规模不再成为竞争壁垒,独特审美的小团队有望胜过丑陋的巨无霸。Yunjie 补充说,垄断与超级 App 是激烈竞争的结果而非原因。

  5. Paul Graham (@paulg)47

    OpenAI 将 25% 生产工程师转岗安全,并用其最强 AI 模型自查系统漏洞

    OpenAI 总裁 Greg Brockman 在 No Priors 播客中表示,OpenAI 将 25% 的生产工程师转岗至安全工作,并用其最强 AI 模型查找自身系统漏洞。这期对话还涵盖 AI 与数学、AI 监督、突破生物学数据瓶颈、革新药物发现,以及 proactive agent「Dots」和消费级智能体、UI 演进等话题。

  6. Axton Liu (@AxtonLiu)39

    Axton 用企业软件案例讲解 FDE 现场工作的三层分工与适配判断

    Axton 结合当年做企业软件的案例,解释为什么模型和功能就绪后仍需要懂工程的人到客户现场。他把现场剩余工作分为三层:通用能力沉淀进产品,客户适配用插件和配置承接,业务含义和边界须当面与懂业务的人确认。他还指出多数公司不应照搬完整的 FDE,并给出判断的三个问题。