跳到正文

#專家觀點

RSS
今日 31 則
11月18日週三
  1. Hacker News (official RSS)56

    Briana Mazzio 在《Human.md》中談人與 AI 一起創作的做法

    AI 越來越會照著常見做法產出內容,創作者要怎麼讓作品更有自己的想法?Briana Mazzio 在《Human.md》裡分享她的工作信念:先弄懂規則,再有理由地打破規則;從不尋常的地方找靈感,也要在意作品帶給人的感受。她主張把 AI 當成創作過程的一部分,來回修改、做出草稿並親自決定成果,而不是隻輸入一次提示詞就接受答案。她也提醒,使用 AI 的人要為選用工具、提示詞和最後交出的作品負責。

  2. Dev.to Top Tech42

    IEEE EPICS 審查 3 年心得:好點子還要說清楚怎麼做出實際成果

    學生團隊申請 IEEE EPICS 經費時,常有真心想解決的問題,卻沒說清楚做完後要怎麼知道社群真的受益。作者審查 3 年提案後發現,評審想看到具體的成果:影響多少人、大家會有什麼改變,以及團隊要怎麼確認。社群夥伴也不能只掛名,最好能說明實際需求,並在學生離校後繼續使用成果。像是學校每到雨季就弄丟出席紀錄,提案就可以說明團隊會如何解決。規模不大、步驟清楚、有人負責的計畫,往往比目標很大卻沒說明怎麼做的計畫更有說服力。

  3. Dev.to Top Tech48

    地磁場衰減率沒有附計算範圍,作者自行重算 Laschamps 事件

    一篇研究列出 Laschamps 地磁事件的衰減率是 0.40,卻沒有說這個數字是用哪些資料算的,還提醒讀者別把它當成精確估計。作者用同一模型的資料,改變計算時納入的時間長度,發現衰減率會跟著變;用 1 到 5 千年的範圍計算,結果落在 0.122 到 0.382,沒有一種達到研究列出的 0.40。復原速度在多數相同長度的計算範圍裡,反而和衰減一樣快或更快。這表示讀者很難判斷原本的數字怎麼來,也提醒研究者應說清楚計算範圍。

  4. Databricks Blog54

    Databricks 分享 Lakebase 駭客松如何用資料庫分支與同步打造應用

    開發應用時,團隊常得在共用測試資料庫和替每位開發者複製一份資料之間取捨;把湖倉資料送進應用,也常要另外建同步流程。Databricks 分享 11 個客戶團隊如何用 Lakebase 嘗試解決這些問題:資料庫分支能快速建立測試環境,修改不會直接影響正式資料;同步功能則讓湖倉資料供應應用查詢,也能把資料庫變更送回湖倉。像 Lyft 的團隊讓 AI 助理在資料庫分支上測試客服處理方式,再讀取資料庫的實際結果調整。這些案例展示 Lakebase 如何支援應用開發、搜尋和即時機器學習。

  5. a16z49

    AI 助理現在已能像研究實習生一樣,照著人指定的方式執行實驗、跑程式並整理結果;Mark Chen 說,這類工作通常範圍明確,不是叫 AI 自己想研究方向。John Schulman 分享,他讓 Fable 花幾天嘗試研究點子,確實能做出一些合理實驗,也提出有趣想法,但最後可能沒完成原本的任務。人類研究者能一邊動手寫程式、一邊累積理解,提出 AI 沒想到的問題,並把研究帶往不同方向。因此,AI 已能幫忙做部分研究工作,但仍需要人判斷目標並引導過程。

  6. Jordi Visser🎙️ Podcast58

    Bitcoin Just Had a Full Capitulation - Is the Bull Market Really Over?

    Michael Nadeau, founder of The DeFi Report, joins John on Milk Road Crypto to explain why he believes Bitcoin has experienced full capitulation and why he's calling the latest sell-off the third major buying opportunity of 2026. Nadeau breaks down what's really driving Bitcoin's decline, including a surprising connection between Bitcoin miners and the AI infrastructure boom. As mining companies shift resources toward artificial intelligence, could selling from their Bitcoin reserves be putting a

  7. a16z39

    研究品味,是看出哪些點子長遠來說重要、能被其他想法接著使用,最後也可能超越最初發表的論文。John Schulman 認為,研究直覺來自親自做研究,也要大量閱讀過去的成果,從中吸收經驗。Mark Chen 則說,現在的模型還不太會想出好點子,反而更擅長調整超引數等細節。未來公司可能用人類回饋強化學習,請研究人員評分哪些想法好、哪些不好,讓模型從中學習。這很重要,因為做研究不只要把引數調好,還得知道哪些問題值得花時間。

  8. Dev.to Top Tech86

    Gemini 4 Hydrogen 在整體指數上高於 Argon,各項任務表現仍有差異

    挑模型時,只看一個總分或每個 token 的價格,可能看不出它在哪些工作上更合適。Google 推出 Gemini 4 Hydrogen,並公佈它和其他模型在多項測試中的成績:它在程式修補與自動化測試表現較好,但在電腦操作和科學類終端任務落後 Claude Sonnet 5.5。Hydrogen 有四種思考等級,也採用固定單價;Google 另稱,Antigravity 的 Orchestrator 能在同一段工作中切換 Carbon 與 Hydrogen,減少用量並縮短完成時間。文章建議團隊依實際任務測量完成工作的成本和速度,再決定怎麼分配模型。

    推薦理由:文章把 Gemini 4 Hydrogen 的多項基準表現與價格放在一起比較,說明團隊如何依工作型別評估模型分流。

  9. 瘋投圈🎙️ Podcast58

    152 ✪ 韓國考察回顧:文化乘數賦能消費品牌

    瘋投圈首期韓國遊學考察歸來,我們分享下感受與收穫,特別是和之前五次日本考察的對比。日韓商業氣質差異鮮明:日本企業重視產品和長期主義;韓國商業更像一個巨大的秀場,重視表達、包裝、流量。韓流的「文化乘數」效應讓韓國消費品牌獲得了極大助益。 文化影響力為什麼是一門好生意?如何溢位到其他產業? 中國企業從韓流的影響力中,可以借用什麼能力? 韓流四大娛樂公司營收加起來不如騰訊音樂,為何其影響力遠超自身體量? 聖水洞月租百萬的沿街店鋪,竟然不是零售而是傳播? K-Beauty風靡全球:中國品牌雖然產品和運營都很強,但在海外業績遠遜於韓國品牌,差在哪? 霸王茶姬在韓國走紅:弱化中國元素反而可能是國際化的有效方法? 「產品學日本、營銷學韓國」,那成長期企業應該先學誰? 瘋投圈韓國考察 瘋投圈第二期韓國考察計劃於2027年春季進行,感興趣的朋友請微信搜尋「瘋投圈」服務號,傳送關鍵詞「韓國」預約瞭解。 瘋投圈會員社群 瘋投圈開設有會員社群,在這裡您可以結識志同道合的朋友、發現業務合作的夥伴。社群每年在北京、上海、杭州、廣州、深圳、香港六個城市舉辦僅限會員參加的線下活動,其他城市也會不定期舉行小型的會員聚會

  10. Goldman Sachs: Exchanges🎙️ Podcast58

    Steady Global Economic Growth in 2027 Outlook But Risks Tilted to Downside

    The global economy is forecast to grow 2.8% in 2027, though energy and AI could test its resilience, Jan Hatzius, chief economist and head of Goldman Sachs Research says on the Exchanges podcast. Dominic Wilson, senior advisor in Global Markets Research, predicts equity gains continuing. Key takeaways: Global growth is expected to remain steady: Goldman Sachs Research forecasts 2.8% growth in 2027, about even with 2.7% in 2026, supported by still-strong AI investment and lower oil prices; tighte

  11. Dev.to Top Tech71

    EveryInfra 分析產品召回通知怎麼比對,避免把相似商品誤報成召回品

    產品召回資料常缺少條碼或型號等欄位,光看商品名稱,很容易把相似商品也誤報成召回品。EveryInfra 檢查美國消費品安全委員會與 FDA 的公開資料,也實際搜尋多個購物平臺,發現型號常藏在文字說明裡,食品召回資料的公佈時間也可能比召回開始晚上好幾週。作者建議依召回通知需要的型號、日期碼、批號或序號來比對;資料不足時,提醒使用者檢視商品標籤,不要直接判定商品已召回或安全。這篇是在介紹資料產品的設計,EveryInfra 並未表示已推出召回通知服務。

  12. Dev.to Top Tech67

    AI 助理的記憶為什麼難做好?作者整理可行做法與常見問題

    AI 助理做事常跨好幾天或好幾次對話,只靠每次重新讀提示詞,很容易忘記進度、偏好和先前決定。作者把記憶分成眼前工作、過去互動紀錄和長期知識,並指出只把所有內容存進向量資料庫,可能無法處理使用者改變想法、要求忘記、舊資訊過期或不同事情重要程度不同等狀況。他建議先用記事檔記下當前任務和長期偏好,按需要查閱過去對話,並定期整理舊內容;向量搜尋則用在尋找意思相近的資料。評估記憶系統時,可檢查它能否更新、刪除、淡化過期資訊並分辨重要性。

  13. Hacker News (official RSS)72

    美國工具機靠誰製造?Section 232 能否帶動國內擴產

    美國想增加工具機產量,難處不只在工廠,也在技術人力、鑄件和機器零件供應。Core Matter 整理產業資料指出,美國 2025 年使用的工具機約有一半靠進口;高精度研磨機、齒輪機和大型鍛造機尤其難在國內擴產。文章也回顧 1980 年代的 Section 232 限制措施,並分析目前的關稅談判視窗與需求成長,認為單靠關稅難以補上供應缺口,擴大國內生產還得處理成本和供應鏈問題。

  14. The Register · AI & ML69

    Crosspoint Reader 帶來哪些開源社群與大型語言模型的啟示

    小巧的電子書閱讀器很受歡迎,但原本的系統常限制它們能做的事。Crosspoint Reader 是一套開源韌體,能用在多款這類裝置上,已有超過 300,000 次安裝,也有新機出廠時就搭載它。它讓更多不熟悉技術的人開始使用開源,也帶來大量功能要求和程式提交;文中提到,有人一個月送出 10,000 個提交。專案負責人認為,真正稀缺的已不是程式碼,而是維護者判斷哪些內容適合裝置與使用者,並承擔取捨的責任。

  15. a16z38

    AI 已經能幫研究人員更快做實驗、寫程式和測試想法,但它離自己規劃並完成研究還有多遠?a16z 的節目邀請 OpenAI 的 Mark Chen,以及 Thinking Machines Lab 的共同創辦人 John Schulman,討論「遞迴式自我改進」:AI 能不能研究如何讓自己變得更好,再用新方法繼續改進。他們也談到研究直覺為何難教,以及 AI 為什麼可能成為協助解決 AI 對齊問題的重要工具。

  16. The Joe Rogan Experience🎙️ Podcast58

    JRE MMA Show #189 with Tommy McMililen

    Joe sits down with Tommy McMillen, a professional mixed martial artist competing in the UFC Featherweight division. www.ufc.com/athlete/tommy-mcmillen www.youtube.com/@TommyGunMafia Download Uber Eats and order now. http://ubereats.com ARMRA - 30% off with code: Rogan Learn more about your ad choices. Visit podcastchoices.com/adchoices