Head of hype @lobehub Prev @listenhub @Sapient_Int 没啥好看的，也就发点AI相关的内容🫡 同名小红书4万粉丝，公众号01Founder（长文首发） 观点仅代表个人 更多请访问网站⬇️（欢迎商务、合作
Singapore
Joined September 2023
- Tweets12.9K
- Following3K
- Followers43.8K
- Likes27.8K
个人情况更新：
我没有加入 @AnthropicAI
而是选择加入了 @lobehub 担任MAS&Head of growth
原因是 @arvin17x 他们团队对于Agent的前沿探索打动了我，同时Lobehub也是为数不多我见过有自有Benchmark的应用团队（Eval is everting.）
我看到了下一代Agent的样子，以及更远的未来（持续学习、自进化、以及True Agent）。
既然看到了未来，为什么不加入呢？
OpenAI前首席产品官Kevin Weil的新公司亮相了，A轮融资2.15亿美元，要把AI和机器人带进药物研发实验室。
公司叫Warp Sciences，由Lightspeed领投，IVP、Premji Invest、Lux Capital等机构参与。
它想做的事是为药企合成和测试分子，把新药研发中耗时的实验环节做得更快。
联合创始人包括美国首任白宫首席数据科学家DJ Patil、Meta FAIR创始成员Manohar Paluri，以及曾在Terremoto Biosciences负责药物化学工作的Sol Reisberg。
药物研发里在你设计出一个看起来有潜力的分子后，还有大量工作。
你得把它合成出来、测试效果，再根据结果修改结构，继续合成、继续测试。
这个过程可能需要反复尝试数千种化合物。
Warp切入的，就是这段实验工作，商业定位是化学研发外包服务商，也就是CRO。
它计划先由化学家服务真实客户，再把具体流程逐步自动化。
实验积累的数据用来训练模型，模型再帮助设计实验、提高自动化程度，让实验室持续产出新的数据。
Kevin希望把这套循环跑起来。
还有一层目标，他希望把部分依赖中国的研发能力搬回美国。
公司把美国本土的实验室和研发服务能力，当成了明确的卖点。
接下来要看的，就是它能把合成和测试的交付周期缩短多少、成本降到什么程度，以及这些实验数据，究竟能让模型进步多少。
💥 Introducing Warp Sciences, a new company applying AI and robotics to help the world develop new medicines faster.
We’ve raised a $215M Series A led by @lightspeedvp to bring frontier AI out of the browser and into the lab, and build scientific capacity here in America.
I co-founded Warp with my long-time friend @dpatil, FAIR co-founder @manohar_paluri, and drug hunter Sol Reisberg. The early team is full of incredible people like @bkspears9, who helped achieve Q>1 fusion at LLNL.
哇哦！红杉合伙人Stephanie Zhan要创办自己的早期AI基金了，红杉和Jeff Dean将成为她的LP👀
据她发布的公告，新基金的出资人还将包括Sachin Katti、斯坦福教授Philip Wong等。
与此同时，她会继续担任红杉合伙人，并继续代表红杉履行现有董事会职责。
Stephanie在红杉待了11年。
她在斯坦福学计算机，在吴恩达的实验室工作过，2015年加入红杉。
大家熟悉的Skild AI、Reflection AI、Ricursive和Linear，都是她从很早期就参与的项目。
看她这几年的投资，就能理解这支基金想做什么：
2023年，支持Skild AI做通用机器人大脑；
2024年，支持Reflection AI从强化学习研究出发，走向前沿开源模型；
2025年，支持AlphaChip的两位共同创作者成立Ricursive，探索模型与硬件的协同设计。
她对这一轮AI创业的观察是：研究和产品正在同步推进。一次技术突破，就可能改变公司的市场空间、增长速度，以及需要多少钱。
有些公司从成立之初就需要大量资本和算力，有些公司则用很小的团队做出了相当规模的业务。
她希望在更早的时候下注，比如在产品还没得到验证，市场还没形成共识，创始人手里最有价值的东西，可能还只是一个技术洞见。
我更在意她写到的那些具体工作。
给Skild引入NVIDIA和软银这样的战略伙伴；
给Reflection对接算力、帮助招聘；
帮Ricursive寻找早期客户和产业合作伙伴。
对这类AI公司来说，早期投资人的工作，可能从打完钱那一刻才真正开始。
技术还在验证，算力已经要订，核心研究员要招，第一批客户也得找。
愿意提前相信一个人很重要，能陪他把这些问题一件件解决，同样重要。
I’m starting a new early-stage AI fund, doing what I love: partnering with founders from company formation on bold bets, long before consensus.
The fund’s LPs will include Sequoia, Jeff Dean, Sachin Katti, Philip Wong (my Stanford professor and Chief Scientist adviser to TSMC), and others whose work has shaped our industry and how I think about AI’s future.
I’ll remain a partner at Sequoia and keep serving on my boards on Sequoia’s behalf.
Sequoia has been my home for the past 11 years. I joined as the youngest investor the firm had ever hired. I grew up here. Through years of intense debate and shared work, I found lifelong mentors and friends who took me under their wing and taught me this craft. They taught me to aim high and take big swings. I’ll carry that into what I build: outsized ambition, relentless truth-seeking and curiosity, and a refusal to become complacent.
Working alongside founders has made me want to build something of my own: a firm shaped from day one around the convictions I’ve developed over the past decade.
Life has taught me not to take time for granted. This is how I want to spend mine.
Why now
We’re seeing a new way of building companies in today’s AI era. Research and products often advance together. A breakthrough can open a market or accelerate a business far faster than expected. Some companies require extraordinary capital and compute early on. Others reach meaningful scale with remarkably small teams. The rules for how big these businesses can get, and how fast, are being rewritten.
But early on, the technology is unproven, the resources required enormous, and the vision seemingly implausible.
This is what I love most: seeing the potential right from the beginning, and helping founders realize their full scale of ambition.
More than ever, it starts with an extreme willingness to believe early, with bold, independent conviction in a founder’s technical insight before any product or market validation. Then, it means helping founders take the biggest swings, giving the rare, long-term patience to see those bets through uncertainty, ambiguity, and turbulence, and serving as a level head when the stakes are highest.
I learned this kind of partnership at Sequoia. It’s the foundation of the firm I’m building.
Believing before consensus
My fascination with AI’s potential took root at Stanford in the early-to-mid 2010s, studying computer science and working in Andrew Ng’s lab. The friendships I formed connected me to a community whose people and ideas would help shape modern AI and build some of our generation’s defining companies. What stayed with me was the gap between what those people saw was possible and what the wider world could imagine.
I’m drawn to founders pursuing ambitions that sound impossible today.
I start with a simple question: “What if everything goes right?”
Then we work backward together to make it happen.
In 2023, Deepak and Abhinav set out to build a general-purpose robot brain at @SkildAI, before physical AI was a consensus bet. Their sim-to-real breakthroughs gave me conviction where earlier robotics approaches had fallen short. But the data flywheel required deployment at scale. We made commercialization as urgent as research and brought in strategic partners like NVIDIA and SoftBank to support the ambition. Three years in, Skild is advancing the frontier of physical AI with nine figures in annualized revenue.
In 2024, Ioannis and Misha founded @reflection_ai with an insight into scaling reinforcement learning. As that grew into the ambition to build a Western frontier lab for open models, the hard question was how a startup competes with labs spending tens of billions. An introduction to NVIDIA and many compute calls and recruiting events later, the team has built Beam, now one of the leading US open models.
In 2025, Anna and Azalia, the co-creators of AlphaChip, founded @RicursiveAI to design models and hardware together. From day one, we made early customers and ecosystem partners a priority. Today, they are showing order-of-magnitude improvements on real workloads, working with some of the industry’s most consequential players, and reaching a defining inflection point.
The ambition keeps growing as these companies scale.
@linear has always had a kind of magic to it. Now it’s the system a new generation of AI companies builds on, for teams and agents alike.
@tavus saw early that we’d one day talk to AI the way we talk to each other. Today, it’s building the human computing interface for a world of AI colleagues.
@Mach_Industries began as hydrogen experiments in an MIT dorm room. It has since become one of the most exciting next-generation defense companies.
Making the ambition possible
Being a first believer is only the beginning. Compute falls through. A deep-pocketed incumbent makes your mission its top priority. A breakthrough changes the opportunity and the capital required overnight.
These are stomach-churning moments, and early belief carries a responsibility to help make the bet work.
This is the partnership I love: turning the full ambition into concrete steps. Raising capital, securing compute and strategic partners, recruiting exceptional people, and winning the first customers together. Thinking several moves ahead while solving what’s in front of us. And as breakthroughs open new possibilities, helping founders dream even bigger.
Thank you
To the founders I’ve worked with: thank you for trusting me and Sequoia to be your first partner and first believer. It’s been the joy of a lifetime, and I can’t wait to keep building together.
Thank you to Alfred and Pat for your leadership of Sequoia and your support of my next chapter. To Roelof, for bringing me into Sequoia and believing in me from the beginning. Alfred and Roelof, you have been mentors in investing and in life. So much of what I know, and the investor I’ve become, comes from your guidance and generosity over the years. To Bill, for the close partnership and wealth of knowledge, always wrapped in humility. To Shaun, for showing me how to think deeply and imaginatively. To Michael Moritz, for inspiring 22-year-old me to dream big. To Doug, for teaching me to keep things simple. To Bogie and Jess, for bringing joy to the everyday and perspective on what matters. And to all my Sequoia teammates, for the friendship, camaraderie, and lessons I’ll carry with me.
To my family, especially my husband and my brother, who have each started companies of their own: thank you for giving me the courage to take this leap.
Let’s get to work!
OpenAI主动请外部团队检查自家的Agent监控，结果查出了多条绕过路径。
10月22日， @METR_Evals 公布了这次评估。
来自METR和Redwood Research的两名研究者，今年夏天在OpenAI驻场三周，获得内部代码和基础设施的深入访问权限，检查Agent的活动有没有被监控，以及监控能不能被绕过去。
OpenAI随后转发了这份报告，表示评估由他们主动邀请，研究发现帮助其在扩展系统时加强了安全措施，也将影响后续与第三方评估机构的合作。
具体发现了什么？
一是检查时机存在漏洞。 当时这套监控要等Agent交回控制权才触发。持续执行操作，就能持续推迟检查。
二是上下文压缩会造成漏检。 压缩之前的操作，没有被送进监控。研究者估计，今年5月至7月，内部Codex原本应当接受监控的流量中，有约10%量级因此漏检，具体比例存在较大不确定性。OpenAI在评估前已独立发现这处问题，并在评估期间修复。
三是监控本身存在可被利用的漏洞。 研究者找到了让数百次操作避开检查的方法，连实施绕过本身的操作也能一起藏过去。还有一种路径，可能让监控运行失败，无法把相关记录上报人工审核。
Codex的沙箱和自动审核也被发现存在绕过路径，理论上可让Agent执行宿主用户有权限执行的任何操作。
这次评估最终形成了61页内部报告，交给OpenAI；经OpenAI删减后，METR和Redwood的领导团队拿到了38页版本。
公众看到的是简短摘要，披露范围在评估开始前就已约定。
这些发现针对今年7月时的系统。
OpenAI称，已发现且影响生产防护体系的漏洞均已修复，METR尚未验证修复结果。
至于有没有Agent实际利用“持续行动”来拖延检查，评估方因访问限制无法核实。
这份报告对做Agent的人很有参考价值。
值得看下🤔
This summer, we invited METR and Redwood Research to pilot an embedded evaluation of our internal monitoring system, providing deep access to our infrastructure over three weeks.
Their findings helped strengthen safeguards as we expanded the system and will help shape future research collaborations with METR and other third party evaluators.
中国模型公司的RSI故事到底是怎么开始吹的呢？
10月22日，两位GovAI研究者在Asterisk发表了一篇文章，讨论“中国公司如何谈论递归自我改进”。
里面有个值得注意的观察：在AI如何参与自身研发这件事上，部分中国公司披露的细节，比美国公司还具体。
比如 @MiniMax_AI 此前披露，让M2.7自己优化自己，通过分析失败记录、规划改动、修改代码、运行评测，再决定保留还是回退。
整个过程自主运行超过100轮，最终在内部评测集上取得了30%的效果提升。
这里改进的是模型工作的Harness。
而智谱 @Zai_org 的案例落在推理基础设施上。
由GLM-5.3驱动的Infra Agent参与建设GLM-5.3-Flash的推理系统。
按照官方披露，在工程师与Agent共同优化后，端到端吞吐量达到初始基线的约3倍。
工程师负责目标、约束和关键审核，Agent负责提出假设、改代码、跑实验，再根据反馈继续调整。
字节的“Seed for Seed”也在做类似的事：让模型参与评测系统开发、能力诊断、训练数据合成和强化学习框架优化，把模型逐步接入自身的研发流程。
文章对这股趋势的解释是，融资需求、算力约束和提高研发效率，都在推动企业投入。
作者认为，从目前公开材料看，中国的RSI发展呈现出明显的自下而上、商业驱动的特征。
但我其实关心的是这些改进能走多远。
AI完成了哪些工作？人还在哪些环节介入？效果能否在新任务上复现？上一轮积累的经验，能否让它更有效地完成下一轮改进？
如果AI能够持续提高研发效率，模型公司之间的竞争，就会进一步延伸到各自的研发流程里：谁能更快发现问题、更低成本验证想法，再把有效的改进积累下来。
[1/7] China’s AI labs are also talking about “recursive self-improvement” (RSI). A big question here is: Is Beijing coordinating a race to achieve RSI?
@ZilanQian and I looked at Chinese AI companies, investors, and policy docs.
We found a more bottom-up, commercial story.
刚刚，Anthropic发布了新版Claude API规格，把temperature、top_p、top_k三个采样参数一起删了。
版本号是2026-10-21，这是Claude API自2023年以来首次推出新的正式版本号。
这次更新涉及采样控制、消息格式、SDK和鉴权方式，做Agent、Harness和模型网关的，升级前需要检查一下自己的格式。
最直接的影响：用新版Messages API时，只要请求里还带着这三个参数中的任何一个，就会返回400错误。
连temperature=1这样的默认值也不能传。
新版统一使用默认采样配置，其中temperature为1.0。
原本依赖低温度减少输出波动的应用，迁移后会失去这项调节能力，官方文档明确写了，没有其他设置可以替代。
此外，新版收紧了消息格式校验：assistant消息里直接放document块、user文本块里携带非空citations数组，都会报错。部分管理和企业分析接口的旧字段也被替换。
旧版2023-06-01目前仍未弃用，可以继续使用。
不过，升级SDK也可能把请求一起切到新版本，例如Python SDK 2.0默认就会使用新接口。
做Agent和Harness的，升级前得检查一下请求头封装：如果还在自动塞temperature之类的参数，这次就需要一起改了。
你每天在用的Skills，刚刚发生了一件大事。
10月22日，Anthropic宣布，将Agent Skills捐赠给Linux基金会旗下的Agentic AI Foundation（AAIF）。
捐赠范围包括名称、Logo、GitHub组织和agentskills.io域名。
此前，MCP也已交给这家基金会。
官方同时披露了一组数字：自2025年12月发布开放标准以来，已经有超过70个Agent平台接入，包括ChatGPT、Cursor、GitHub Copilot和VS Code。
目前已发布100万个Skills，安装量接近2.8亿次。
简单理解，MCP帮Agent连接外部工具和数据，Skills则把做事的方法整理成技能包。
一套工作流程，可以连同步骤、脚本、模板和参考资料一起打包，等Agent需要时再加载。
符合标准、运行环境兼容的技能包，就有机会在不同Agent之间复用。
根据公告，Anthropic、谷歌、微软、OpenAI、Earendil（Pi）和OpenCode的工程师将组成技术指导委员会。
接下来优先推进版本发布机制、正式提案流程，以及面向Skills作者和用户的安全指引。
已有Skills继续可用，许可证保持不变，使用和贡献也无需加入AAIF。
We're donating Agent Skills to the Agentic AI Foundation (@AgenticAIFdn), the same foundation we donated MCP to.
Since December 2025, 70+ agent platforms have integrated the standard, including ChatGPT, Cursor, GitHub Copilot, and VS Code.
Here's what that means for you:
我并不认为，AI会因此创造大量新的、长期留给人类的工作。
我甚至怀疑，很多新岗位刚出现，Agent就会开始接管它们。
比如这条里 @levie 拿网络安全举例：安全问题越来越多，企业就需要更多人来指导Agent、审查问题、修补系统、响应事件。
但他列出来的这些事情，哪一项天然需要人来完成？
找漏洞的Agent需要有人检查，检查这件事也可以继续被自动化；生成补丁之后需要验证，验证同样可以交给另一套系统。
每向上增加一层监督，都需要重新回答一个问题：这一层需要多少人，又能在多大程度上被自动化？
这条路线已经有人在做了。
OpenAI的Daybreak把发现、验证和修补漏洞纳入Agent工作流；微软10月19日公布的Guardian Agents，则进一步把监控和约束其他Agent做成了产品能力。
甚至我们 @lobehub 也有类似的产品即将发布。
人类仍参与重要决策，但连“监督AI”这层工作，也在持续被自动化。
所以，安全需求增加、企业投入增加，我都能理解。
但新增预算可以流向模型、算力和软件。
完全可能出现一种情况：少数资深人员带着更多Agent，处理过去一整个部门才能处理的事情。
行业规模扩大，招聘规模却跟不上。
我更担心的是人的转型速度。
一个人换方向、学技能、积累经验，需要时间。Agent也在这段时间里继续进步。今天被列为“未来新职业”的工作，可能很快就会进入下一轮自动化。
要用新工作来回答就业问题，至少得说清楚：这些岗位能容纳多少人，又能给人留下多长的时间。
仅仅列出一批新的工作任务，很难让我相信，会有足够多的新岗位承接被替代的人。
If you wanted to know all the jobs that AI will produce, look no further than cybersecurity. This is going to become one of the biggest investment areas for enterprises going forward.
And even as the work becomes more agentic and autonomous you will need more talent to point the agents at the most critical work, review findings, patch systems, respond to incidents, and more.
Lots of opportunity right now for the systems that protect data and enterprises, as well as the professionals that are deploying them and protecting organizations.
It’s going to only get more wild out there.
什么？？？从Google DeepMind离职之后，合同还要求你一辈子不得贬损公司？？
这件事已经得到研究者公开确认。
@NeelNanda5 在LessWrong表示，至少许多英国DeepMind员工的合同中，确实存在终身“不贬损公司”条款，一些很早入职的员工则没有。
事情的背景是BBC近日报道的员工离职事件。
研究工程师Sofia Liguori在Google工作三年后，因不认同公司扩大与美国、以色列军方的合作而辞职。
接受采访时，她说：“原则上，我这一生都不被允许批评Google。”
她仍然选择发声，希望公众了解这些事情。
一些前员工虽然依然站出来说话，但条款也让其他人却步，影响了关于AI安全和风险的公开讨论。
Google向BBC回应称，公司设有员工反映担忧的内部渠道，并有政策禁止报复。
Neel也补充，他从未听说Google实际执行过这类条款，但仍反对这种做法。
我在意的是，一份条款即使没有真正被执行，也可能让人反复衡量开口的代价。
最了解模型风险和内部决策的人，如果连离职之后都要顾虑能不能公开批评，外界讨论AI安全时，又能听到多少完整的信息？
Congrats to Sofia for having the courage to resign and speak out!
This is also very important:
Staff are scared to speak out about AI safety and its uses in warfare because their employment contracts prohibit them from publicly criticising the company.
bbc.co.uk/news/articles/cmre…
英国一名警察因为用微软Copilot接受严重违纪调查。
10月22日，英国独立警察行为办公室（IOPC）披露，德比郡一名警探正因涉嫌不当使用微软Copilot接受严重违纪调查。
相关指控包括：向AI输入案件涉及的敏感执法信息和个人数据，以及用AI制定决策、评估风险、为决策提供理由。
这里有个关键细节：当地警方早在2025年5月就批准警员使用Copilot，允许它辅助起草报告、总结信息，同时明确禁止输入执法业务、敏感或个人数据。
这次调查要核实的，就是这名警探的使用行为是否违反了相关规定，目前尚无最终结论。
就在10月13日，IOPC还公开提醒各地警局：AI使用规则需要及时更新、明确传达到一线，否则警员可能以为自己在提高效率，却在不知情的情况下违规。
AI进入实际工作之后，哪些资料可以交给它，哪些判断可以让它参与，生成的内容由谁核对，出了问题谁负责。
这些问题都等待回答。
尤其是刑事案件，输入框里的每一份材料，背后都可能是一个人的命运。
有意思，有人给Claude做了个招聘助手，输入岗位描述，就能开始找人、筛人、查联系方式。
@jasonzhou1993 分享了Treg的一套招聘工作流：根据岗位要求检索候选人，去重、筛选、排序，再给出每个人的匹配理由。还可以进一步查看LinkedIn动态、GitHub项目、演讲和论文等资料，给筛选结果补上依据。
代码已经公开github上。
按他在发布帖里的说法，可以生成50人的候选名单，查询个人邮箱和手机号的成本约为每人0.20美元。
Treg采用预付余额、按调用计费，宣称0加价，没有按席位收取的月费。
你说清楚要招什么人，Agent负责找资料、做初筛，最后交回一份带有匹配理由和联系方式的名单。
如果名单质量能稳定下来，一些团队购买招聘软件时就会重新算账：我一年只招几个人，是否还有必要长期订阅一套工具？
这类按次执行的工作流，可能会先从这些低频、明确的需求里找到市场🤔
Introducing OpenSource Recruiter for Claude
- Paste any job post → 50 ranked candidates
- Personal email + mobile, $0.20/candidate
- No $170/mo seat, no 30-InMail limit
- 0% markup, fully open source
Try it at treg.to/recruit
Repo link below 👇
果然AI来炒缅A，最后也不得不学会空仓🤣
@EinsiaAI 发布了一个量化研究基准Quant-Arena：给模型3042只A股的历史数据，让它自己写代码、构建信号、回测并修改策略。
9个前沿大模型下场做量化，综合得分第一的GPT-6 Astra，全年75%的交易日都在空仓。
他们先用2022—2023年的数据研究，最多评估5个候选策略，再冻结一个版本，放到封存的2024年行情里检验，计入交易成本和模拟市场冲击。
按每个模型综合得分最高的配置看，9个里面只有4个赚钱：GPT-6 Astra年化收益10.7%，GPT-6 Sol为8.6%，GPT-5.6 Terra为8.4%，Claude Opus 5.5为4.4%。
其余5个都是负收益。
最有意思的是Astra。
它在研究阶段收到连续亏损的回测反馈后，给策略加了一道市场趋势过滤：条件满足才入场，其余时间持有现金。到了2024年，它躲过了年初的下跌，全年最大回撤控制在6.8%，也因为长时间空仓，错过了不少反弹。
让AI分析行情、写代码、反复改策略，最后一个很有效的进步，是学会什么时候先别买。
AI来炒缅A，也得学会管住手。
Predicting a stock's next move?
That's the warm-up act.
The real exam for LLM agents: building signals from raw data, learning from losses, and making money on data it has never seen before.
That's exactly what we built. Today we’re releasing Quant-Arena, a benchmark for end-to-end quantitative research on real A-share market data.
9 frontier models. 3,042 stocks. One sealed year, 2024. Only 4 of the 9 models made money.Quant research is still wide open.
Full breakdown 👇
Project: lab.einsia.ai/quant-arena
Paper: arxiv.org/abs/2610.30113
Arena: quant.lab.einsia.ai/arena
哇哦，做数字人的 @HeyGen ，也拿到了通用视频模型的榜单第一！？
它的首个通用视频模型HeyGen Video 1，以ultraquality档位登上Artificial Analysis的无声文生视频榜首，排在Wan3.0、MiniMax H3和Seedance2.5前面。
更有意思的是它的底座。
官方文档明确写着：HeyGen Video基于MiniMax H3，由HeyGen做后训练。
在这项评测里，经过进一步优化的版本，排到了原模型前面。
模型支持文生视频、图生视频和参考素材生成视频，单次生成5—15秒，最高2K，画面、台词和环境音可以一起生成。
配合HeyGen原有的数字人能力，讲解人、产品特写、工厂场景这些内容，可以放进同一套制作流程。
我觉得这条路径值得关注：应用公司在现成底座上做后训练，再把模型能力接回自己的产品。
对HeyGen来说，数字人讲到一个产品、一间工厂、一座城市，接下来就能把相应的镜头也做出来。
@MiniMax_AI 开源H3真的功德无量！！
HeyGen Video 1 went up against today's leading video models in a blind test on @ArtificialAnlys.
Our first general-purpose video model ranked #1 in text to video.
Try it: platform.heygen.com/models/h…
神了，ChatGPT把梅西 @TeamMessi 拉来打广告了
视频里，他让 @ChatGPT 教自己一个符合个人风格的开局，还要求一步一步来。
ChatGPT推荐了“Goat Horns”，直译就是“羊角”。GOAT又是“Greatest of All Time”的缩写，刚好接上了梅西“历史最佳”的梗😂
我查了一下，这个名字的来历。
2024年就有国际象棋特级大师做过教程，讲卡尔森使用Goat Horns开局的棋局。
但其实这支广告推广的是ChatGPT的Intelligent UI，可以在回答里加入图形和可交互的内容，让用户跟着演示理解一个问题。
学下棋这种需要看位置、看步骤的场景，很适合拿来展示。
建议 @claudeai 马上邀请 @Cristiano 来拍广告
🚨现在可能是人类互联网最危险的一段时间。
Deedy刚发帖说，他亲眼看到，连非技术人员都能借助某些AI模型，利用PHP2Shell这类漏洞。
他的真的害怕了。
这几年，大家一直在讨论AI把编程门槛降下来了。现在，攻击的门槛也在往下走。
理解漏洞、编写利用程序、反复调试，这些原本需要专业知识和时间的工作，都在被AI加速。
英国NCSC今年已经明确提醒：攻击门槛在降低，从发现漏洞到实际利用的时间窗口也在缩短。
问题是，给一家企业修漏洞，远比换一个更强的模型麻烦。
你得先查清楚哪些系统受影响，再测试兼容性、安排维护窗口、部署补丁，确认升级之后业务还能正常运行。
一个安全更新，牵动的可能是一整套用了很多年的系统。
攻击能力可以很快传播出去，修复工作却要在一家家公司、一台台服务器上落实。
这次PHP2Shell就有个很具体的细节：AWS在回查蜜罐记录时，发现10月17日已经出现漏洞利用尝试，比10月21日公开披露早了四天。
很多人刚收到预警，攻击者已经开始尝试了。
AI也能帮助防守者更早发现漏洞、更快响应。
只是，把这些能力接入真实业务，再把积累多年的旧系统修好，同样需要时间。
我担心的就是这段过渡期。
攻击能力快速扩散，防守体系还在追赶。
过去因为利用太复杂、研究成本太高而暂时搁置的问题，可能会陆续变成现实威胁。
互联网攒了几十年的技术债，可能要在很短的时间里集中还账了。
🚨《黑天鹅效应》作者塔勒布发文警告：AI将重创白领职业，速度会远超预期。
10月22日，他在X上写道，那些承载着中产阶级梦想的白领职业，即将遭到AI的严重冲击，并带来严重的社会后果。整条推文的开头只有一句：醒醒。
随后，他又翻出了自己2月的一条旧推文：“20世纪出现的每一份工作，都面临AI的威胁。”
我更在意的，是“中产梦”这三个字。
好好读书，考个好大学，掌握一门专业技能，找份体面的办公室工作，再靠经验和资历慢慢涨薪。
很多普通家庭对下一代的期待，都是沿着这条路展开的。
读书时付出的时间，工作后背上的房贷，对未来几十年的安排，都建立在一个预期上：我学会的这些东西，积累的这些经验，能够持续换来一份收入。
如果AI持续压低这些专业技能的价格，冲击可能先从招聘和工资开始：公司少招几个新人，晋升的机会少一些，一个人接下更多工作。
岗位还在，靠它改善生活的空间，却可能越来越小。
一个已经为某种职业投入十几年的人，面对这样的变化，还有多少时间重新安排自己的人生？
塔勒布担心的这个方向，也和我对AGI的理解很接近。我的定义很具体：完整接管人类的互联网工作，也就是现在大量白领所做的工作。
这里的“完整接管”，就是人给出目标、背景和必要的权限，AI能够自己搜集信息、操作软件、使用工具，遇到问题后调整办法，最后检查并交付结果。
过去需要一个人靠专业知识和经验串起来的整段工作，都能交给它独立推进。
在我看来，GPT6是第一个展示出这种能力的公开模型。
随着这类能力成熟并被广泛使用，白领确实会受到重创。
企业会重新计算，同样一项工作还需要雇多少人，值得支付多少工资。
模型的能力进步，最终会影响到一个普通家庭每个月的收入。
评论区有个做软件的人说：“最近正在练习做突尼斯糕点。”
看着挺好笑，想了想，又有点笑不出来。
人类完蛋了啊，碳奸害得大家都没工作了😭
