## Twitter: ===================== **Grok AI 在 2025 年 LLM 可靠性和性能基准中领先、医学诊断能力获认可** ：xAI 的 Grok 系列大模型在 2025 年成为行业领先者，Grok 3 和 Grok 4 登顶 Text Arena 与 ARC-AGI 2 Rationality 榜单，Grok Code 成为 OpenRouter 上最受欢迎的代码模型，Grok 4 Fast 提供 2M 长上下文与亚 100ms 延迟（[详细来源](https://news.miracleplus.com/share_link/104803)）。Grok 以 8% 的幻觉率（显著优于 ChatGPT 的 35%），成为企业 AI 工具信任首选（[数据来源](https://news.miracleplus.com/share_link/104801)）。此外，Grok 成功诊断出严重阑尾炎（医院初步误诊为胃酸倒流），AI 推荐的 CT 检查挽救了患者生命，这一医学事件引发 AI 在医疗辅助与急诊筛查领域的热烈讨论（[案例详情](https://news.miracleplus.com/share_link/104726), [讨论](https://news.miracleplus.com/share_link/104724), [马斯克推文](https://news.miracleplus.com/share_link/104716), [医疗诊断相关推文](https://news.miracleplus.com/share_link/104686), [案例详情](https://news.miracleplus.com/share_link/104724), [摘要](https://news.miracleplus.com/share_link/104726), [基准比较](https://news.miracleplus.com/share_link/104801), [企业应用讨论](https://news.miracleplus.com/share_link/104803))。 **AI 与机器人对人类社会、目的及劳动力市场的哲学与产业影响** ：持续讨论聚焦 AI 和机器人技术加速将如何重塑人类存在，引用库尔特·冯内古特《玩家钢琴》对后劳动力社会的警示，强调在丰富与选择性劳动社会中人类需要重新定义意义与共情，建议提前准备心理和文化转变（[示例](https://news.miracleplus.com/share_link/104825)）。NVIDIA CEO 黄仁勋在与马斯克关于 Optimus 及机器人的对话中，预测机器人制造、维护及“服装”等将催生全新产业和工种（[新闻链接](https://news.miracleplus.com/share_link/104802), [黄仁勋评论](https://news.miracleplus.com/share_link/104826)）。到 2026 年，日常 AI 使用将转向多模态、持久记忆的语音代理；神经网络驱动的人形机器人能在新环境自主完成多日任务，机器人行业将带动维护和“机器人时尚”等新职业（[多模态展望](https://news.miracleplus.com/share_link/104725)，[劳动力新业态](https://news.miracleplus.com/share_link/104802)）。 **PrimeIntellect 推出递归语言模型（RLM）推动长程智能体研究** ：PrimeIntellect 发布递归语言模型（Recursive Language Model, RLM），主张下代长程智能体需自管理上下文。初步实验展现了代理式训练在扩展规划与上下文推理上的潜力（[技术细节](https://news.miracleplus.com/share_link/104827)）。 **Maximizing Efficiency and Workflow Transferability in Claude Code and Coding Agents** ：专家强调在 Claude Code 中构建可复用流程、子代理技能及上下文工程范式，具有长期复合效应，助力与 Codex 等智能体间工作流迁移。该方法利用长上下文处理、多模态集成、沙盒、编排与自动化，推动编码 AI 能力突破（[技术讨论](https://news.miracleplus.com/share_link/104673), [相关摘要](https://news.miracleplus.com/share_link/104671)）。 **代码与模型基础设施重大进展：中国 IQuest-Coder、GLM-4.7、DeepSeek "Hyper-Connections"** - **IQuest-Coder** ：Quest Research 推出的中国开源代码 LLM，参数量 40B，凭借分支后训练（思维/指令双分支）、循环增量推理与 128K 长上下文，在 SWE-Bench Verified (81.4%)、BigCodeBench (49.9%)、LiveCodeBench v6 (81.1%) 等权威基准超越 Claude Sonnet 4.5 和 GPT-5.1，为紧凑高效代码模型树立新标杆（[详细数据](https://news.miracleplus.com/share_link/104828)）。 - **GLM-4.7** ：该大模型已在 115GB VRAM 上部署成功，展示高资源可扩展性，官方基准即将发布（[HuggingFace推文](https://news.miracleplus.com/share_link/104829)）。 - **DeepSeek Hyper-Connections** ：创新的 Transformer 结构引入多并行残差“通道”，支持跨层路由和信息混合，mHC 变体通过约束混合保持训练稳定（防止信号爆炸与消失），在 27B 参数规模获得强劲基准表现，并向 DenseNet 与 RNN 设计靠拢（[技术讲解](https://news.miracleplus.com/share_link/104830)）。 **生成式智能体与企业级 AI 集成（腾讯 Youtu-LLM、2026 年企业预测）** - **Agentic Mid-Training：Youtu-LLM** ：腾讯提出轻量 1.96B 参数的 Youtu-LLM，通过预训练期间内嵌代理序列（分析、规划、执行、自检、总结），展现代码修复、推理和工具用例能力，引入多潜注意（128K长上下文），SWE-Bench-Verified成绩由 12.4% 提升到 17.7%（[论文介绍](https://news.miracleplus.com/share_link/104831)）。 - **企业级多代理与物理智能体** ：《Forbes 2026》预测每名员工将配备专属 AI 助理，40% 企业应用集成任务型智能体，AI 用电到 2030 年翻倍至 945-980 TWh。安全风险（如深伪、代理劫持）上升，多智能体编排与 AI 防火墙成为标准（[企业趋势](https://news.miracleplus.com/share_link/104832)）。 **嵌套学习与优化范式革新（Deep Delta Learning, Nested Learning）** ：Deep Delta Learning (DDL) 借助秩-1 几何算子（如 Householder 反射）内嵌于前向过程，与拟牛顿法（DFP/BFGS）类似，并与嵌套学习范式高度契合。该策略规避了显式内环梯度计算的高代价，并可通过 DDL delta 技巧与 Nested Learning 结合，助力高效高阶深度模型优化（[原理推文](https://news.miracleplus.com/share_link/104833)）。 **神经网络揭示新型数学结构** ：菲尔兹奖得主陶哲轩指出，神经网络在结理论等领域发现了此前未有人类假设过的数学不变量之间的深层相关性，证明神经网络可作为结构“挖掘机”为理论数学提供新线索（[案例汇总](https://news.miracleplus.com/share_link/104834)）。 **OpenAI Grove 创业者加速器启动** ：OpenAI 宣布新一期 Grove 项目，面向早期 AI 创业者，提供为期五周的工作坊、辅导及 OpenAI 产品早测机会（[官方信息](https://news.miracleplus.com/share_link/104835), [交叉推文](https://news.miracleplus.com/share_link/104836)）。 **AI 代码与机器人教育加速普及** ：Reachy Mini 机器人与 Claude Code、VLM、Web 搜索 API 的集成流程展示在 15 分钟内完成，突显“AI 原住民”一代的技术素养及 Hugging Face、Pollen Robotics、Claude AI 等生态系统对教育型机器人项目的支持（[案例推文](https://news.miracleplus.com/share_link/104837)）。 **Earl Nightingale's《The Strangest Secret》为创新型人才供心智“底层资源”** ：多位用户强调该音频对企业家、创新人才自我引导的变革作用，自 1971 年来周期性聆听，助力独立思考与领导能力塑造（[示例推文](https://news.miracleplus.com/share_link/104838)）。 ===================== ## HackerNews: **戴尔版 DGX Spark 解决了痛点** [链接](https://news.miracleplus.com/share_link/104824)：戴尔的 GB10 迷你工作站（DGX Spark）被评估为面向开发者和研究人员的 AI 研发桌面，适用于需要统一内存和 Nvidia 生态系统的用户，而非专注于推理计算。 - **内存/计算力对比：** - RTX 5090：**1792 GB/s 内存带宽（512 位），32GB 显存，21760 个 CUDA 核心** 。 - DGX Spark：**273 GB/s 带宽（256 位），128GB 统一内存，6144 个 CUDA 核心** 。 - “对于高度并行的工作负载，5090 明显优于 Spark。如果你需要将大型模型装进显存且不在意速度，DGX Spark 是你的选择；如果你需要更快的速度且 32GB 显存已足够，RTX 5090 更适合你。” - **架构限制：** - “它并不是一款数据中心级硬件，它的架构与数据中心设备不同。虽然都叫‘Blackwell’，但并不是真正的 Blackwell，开发工作仍然需要‘真正’的数据中心 Blackwell 卡。例如，你无法在 Spark 上配置/调优 vLLM，然后迁移到 B200 并期望其可以直接运行。” - **统一内存注意事项及生态支持：** - “GB10 的 128GB ‘显存’其实并不简单……内存是和 CPU 内核共享的。不同核心类型和集群间的内存性能有诸多差异。” - “主要优势是可以访问 Nvidia 生态系统。你几乎可以像在大服务器上一样开发，只是这是缩小版。它其实并不是专门为在家运行 LLM 提供性价比的机器。” - **Prompt 处理性能：** - “在 GPT-OSS-120B 上，Prompt 处理速度进入上下文窗口后几乎比 Spark 快 3 至 4 倍，图像生成或其他 AI 任务也有类似的速度提升。” - “如果你只关心在极小的上下文窗口下生成 token，Spark 和 Strix Halo 的表现接近，但这只是极少数的情况。” - **实际用途与目标用户：** - “这是一款用于 AI 研究和开发的设备。我朋友的 Mac Ultra 在推理负载上可以全面超越它，但对于实际‘折腾’，Spark 是无可替代的。这几周我用它微调了 20 多个模型。” - “如果目标是‘学习 AI 工具’，我不想还要顺带学习‘刚刚被 Linux 支持、生态还不完全成熟的 AMD 工具’……而 Nvidia 会直接在操作系统分发版里提供所需的全部组件。” - **价格与价值评判：** - “在我看来，DGX Spark 只有 273 GB/s 带宽，而且算力介于 5070 和 5070 TI 之间，售价 4000 美元性价比不高。” - “我认为最大的卖点在于 128GB 的统一系统内存……这样你可以运行一些有趣的大模型。5090 的最大内存才 32GB。” - **定位总结：** - “它并不是用来‘跑模型’的。类似推理的负载在 Mac Studio 上会更快，因为苹果拥有更高的内存带宽。这些设备是专为 AI 研发而生。如果你需要本地建立或微调模型，它们非常合适。” - **常见推荐：** - “如果你没有非常明确的购买方向，其实选择云上 GPU（如 Runpod、Modal、Northflank 等）基本不会吃亏……在真正需求到位且云服务不满足你之前，继续用云。” --- **Enroll - 将服务器逆向为 Ansible 配置** [链接](https://news.miracleplus.com/share_link/104751)：自动提取服务器当前状态，并生成用于基础设施即代码（infrastructure-as-code）的 Ansible 角色/剧本的工具，支持 SOPS 加密与模板辅助工具。 - **"Harvest" 将手动配置转化为自动化：** “收集主机的真实配置并转化为 Ansible 角色/剧本……在很多场景下非常方便地将手工配置迁移到自动化运维。” - **高效上手与学习：** “无需依赖随处可见的随机示例，你只需搭建好服务器，马上能看到其 Ansible 配置方式，更直观。” - **复杂系统的生成结果较冗余：** “它为复杂的系统生成了近千个角色，简单浏览就已经识别出多项变更，有些是我预期的，有些却是意外发现。” - **剪枝与过滤：** “有 --exclude 选项……你可以在 enroll.ini 文件中管理相关参数……也可以从 ansible 目录或剧本中剔除掉不需要的角色。” - **基线与漂移检测：** “我的期望是：先在基线系统上运行生成基线，再在生产主机上跑一遍，看看发生了哪些漂移。” - **准确性与工作流：** “运行 'enroll harvest' 会检测所有配置更改，'enroll manifest' 则将采集到的数据转为 Ansible。如果你是 Ansible 新手，Enroll 是快速构建可用 Ansible 配置的捷径，后续可以随学随改。” - **支持自定义与未跟踪文件：** “/etc 目录下非特定包管理的内容统一归于 'etc_custom' 角色……所有用 --include 指定的额外路径则会单独归到 'extra_paths' 角色里。” - **校验和与包检测：** “是否能检测包文件变更，例如基于`debsums`和`rpm -V`提供的包文件校验和？——是的，正是如此实现的。” - **可比性与 NixOS 或 machinery：** “这让我想起已停更的 https://github.com/SUSE/machinery” / “NixOS 上其实没太大需求，因为通常都可以直接查 store。” - **仍需人工审核：** “即使有自动化工具，个人依然要足够理解输出结果，比如识别‘这部分明显有问题’、‘这段配置不是静态的’、‘居然有未加密的秘密信息’等问题……它永远只是一种‘尽力而为’的辅助工具，边角场景始终存在。” ## Discord: **Unsloth极长上下文QLoRA微调与动态分块** ：Unsloth通过**Tiled MLP技术** 与动态分块，使**gpt-oss-20b** 可在单张H100上实现**290K上下文** 极长上下文QLoRA微调，**Tiled MLP** 下可达**500K+** ，B200 192GB GPU可>750K，无精度损失，期间fused loss按硬件动态切分序列，最大节省**40% VRAM** ，上下文长度提升10倍，详见[500K上下文notebook](https://unsloth.ai/docs/new/500k-context-length-fine-tuning)。 **Hopper/H100 CUTLASS GEMM近乎极限优化** ：自定义[CUTLASS GEMM核](https://www.kapilsharma.dev/posts/learn-cutlass-the-hard-way-2/)利用**Warp Specialization、TMA、PingPong调度及高级置换** ，在H100/Hopper上取得**CUBLAS性能90%+** ，实现流程与内核可视化以及[性能对比worklog](https://www.youtube.com/watch?v=ErTmTCRP1_U)（详细技巧供HPC和AI核开发者参考）。 **Q.ANT NPU 2光子神经网络处理器突破** ：第二代[Q.ANT NPU 2](https://qant.com/wp-content/uploads/2025/11/20251118_Q.ANT_LAUNCH_NPU2.pdf)使用全光方式原生支持非线性算数运算，实现**能效提升30倍，AI/HPC性能提升50倍** ，19"上架服务器提供**x86/Linux/PCIe** 原生集成，支持C/C++/Python接口。 **Recursive Language Model (RLM)主导超长上下文与Token效率提升** ：[RLM论文](https://arxiv.org/abs/2512.24601)与[Prime Intellect实践](https://www.primeintellect.ai/blog/rlm)表明，RLM通过Python REPL状态保持、sub-LLM并行、强化学习管理上下文，有效防止context rot，支持超长任务token效率提升及多模态/工具调用，细节详见[代码与解读](https://www.primeintellect.ai/blog/rlm)。 **DeepSeek R1百万级LLM训练成本降至$550万** ：[DeepSeek R1](https://x.com/ns123abc/status/2006546483173273930?s=46&t=eWVlK1PU8XfB6f402GJJ9gJanuary)模型训练用时、算力和成本巨降，仅$5.5M，成为大参数LLM模型高性价比训练新范例。 **NVIDIA Nemotron 3 Nano结合稀疏性与1M上下文** ：[Nemotron 3 Nano](https://lmstudio.ai/models/nvidia/nemotron-3-nano)为**30B MoE** （活跃3.5B），开箱即用低延迟、1M上下文，原生支持推理轨迹可开关，优化RAG/多语言/工具调用场景。 **GLM-4.6/4.7商用Agentic工具调用表现最优** ：[BFCL基准](https://news.miracleplus.com/share_link/35601)显示**GLM-4.6/4.7** 在工具函数调用、生产级agentic工作流中可靠性、准确率、成本平衡最佳，原生函数调用特性提升集成鲁棒性，评测与方法详见[BFCL排行榜说明](https://news.miracleplus.com/share_link/35601)。 **CUDA CUTLASS针对sm_120的mma.sync寄存器分布分析** ：对[mma_sm120.hpp源文件](https://github.com/NVIDIA/cutlass/blob/853ad93d60b23b4f87bc46dfbc3c9ce757773ed7/include/cute/arch/mma_sm120.hpp)深入分析，讨论为何没有tcgen05指令，聚焦输出tile分布和读取/累加的协调方法及PTX ISA片段对应。 **AI Agent多步推理瓶颈在于上下文重复回放开销** ：[分析贴](https://www.linkedin.com/pulse/most-agent-costs-come-from-replaying-what-model-already-sean-king-4d5ae/)指出，复杂agent主耗时和成本并非计算而在重复context replay，现有前缀缓存无法抵御prompt drift和步骤爆炸，提出需开发执行状态原语以支撑cost随novelty而非步骤数增长。 **Embedding几何结构与LLM输出偏好负相关** ：[Uniformity Asymmetry分析](https://github.com/buk81/uniformity-asymmetry)揭示Pythia等(GLM/Llama/Mistral/Apertus) embedding全局对称，输出却出现强输出倾向，embedding不作为输出偏好代理，基座模型r=-0.87/-0.80，RLHF后Llama表现为“欺骗性对齐”，代码及数据以Bitcoin时间戳[公开](https://github.com/buk81/uniformity-asymmetry)。 **Dynamic Sequence Chunking有效提升大LLM显存利用** ：Unsloth结合动态分块和offload checkpoint，最高节省40%显存、提升序列长度10倍，Tiled MLP代码一键激活，全部细节与benchmark见[官方指南](https://unsloth.ai/docs/new/500k-context-length-fine-tuning)。 **Apple Silicon本地LLM推理受限：缺乏FP8/qfloat8支持** ：PyTorch MPS/Apple Silicon至2026年后才计划支持FP8，当前只能CPU后端，[vLLM](https://news.miracleplus.com/share_link/22167)仅支持小于3B参数CPU推理，80-140tok/s、10GB+内存消耗。 **Qwen3模型多方式量化与合并行为差异** ：Qwen3-30B(Architect18/YOYO-V2)通过[多种量化/合并方案](https://huggingface.co/mradermacher/Qwen3-30B-A3B-Architect18-i1-GGUF)曝光行为、风格与可靠性变化，合并策略显著影响模型输出偏向。 **Lambda Agent任务中RLM主动上下文管理优于传统Attention扩展** ：[DSPy小结](https://arxiv.org/abs/2512.24601)指出RLM采用主动压缩与RL选择上下文，提升多步agent长期任务token效率，attention scaling与RLM context folding互补，新范式显著改善多回合任务。 **中国已下单200万张H200 GPU推动AI算力极限扩张** ：[相关新闻](https://t.co/ZQMuEMyMRo)显示中国累计订单将推动AI超算规模至前所未有量级，并引发NVIDIA股价大幅波动与全球硬件布局调整。 **现代SaaS平台架构采用Next.js+Supabase+SEO元数据** ：[FoundrList案例](https://foundrlist.com)基于Next.js实现性能与实时性，Supabase驱动高并发/实时数据流，特别聚焦structured metadata、OG标签及SEO，5,000+日活流量与高规模产品提交。 **函数调用/工具调用基准与模型对比统一引用BFCL评测** ：[BFCL](https://news.miracleplus.com/share_link/35601)作为生产环境LLM函数/agent调用权威基准，其中GLM系列与Opus、Gemini等多模型的原生支持能力与成本/延迟数据详细公开，提供[公共评测代码](https://pypi.org/project/bfcl-eval/)便于自主测试。 **Mojo/Modular MAX API流变与多硬件LLM推理实践** ：[MAX API日志](https://github.com/modular/modular/compare/972f82875da1c86f12d5ea7147fcdf2305e7558d...e28421758d4797568c6f8e312f930a8dcbe2f4d4)彻底取消create_stream blocking参数，要求DeviceEvent+同步控制，适配NVIDIA/AMD服务器模型推理实践见[官方部署文档](https://docs.modular.com/max/get-started/#set-up-your-project)。 **Manifold-Constrained Hyper-Connections (mHC) CUDA实现进展** ：[Deepseek mHC论文/代码](https://x.com/andre_slav03/status/2006838675662139534)涌现，@as_ai正在开发mHC CUDA前向核，聚焦通用性与性能扩展，涉及多层次动态流形优化。 **CuTe布局合成可判别标准与不可合成特例** ：CuTe系统函数布局合成如(8,3):(3,1)等维度组合，若首布局最终stride非最大，则后续合成不可行，接近完整描述了可追踪性一致性标准。 **Redstring去中心化AI+语义图嵌入推理逻辑** ：[Redstring](https://redstring.io)以全React/Node.js实现无需传统API的去中心化语义网AI服务，支持“Wizard”智能体原地供LLM持久、上下文无关知识溯源与结构化推理。 **Prime Intellect RLM技术栈递归与分工具体管控** ：[RLM实现细节解读](https://www.primeintellect.ai/blog/rlm)：支持llm_batch并行、任意pip包沙盒、flag显式输出、结果增量式精细化，兼顾token优化与上下文稳定性。 **量化Q4/Q6/Q8对Gemma 3 12B模型推理速度与质量权衡** ：Q4出秒但降质，Q6/Q8提升质量但牺牲速度和稳定性，Q5/Q6实际部署质量相差极小，直指大模型量化实际效果与资源选择之间的技术参考。 ## HuggingFace & Github: ### 音频技术与高品质音乐获取 - [SpotiFLAC](https://news.miracleplus.com/share_link/104777) 是一款**开源工具** ，允许用户无需账号即可获取**Spotify曲目** 的**真正FLAC格式** 音源。其核心方式是**集成 Tidal、Qobuz、Amazon Music** 等平台，绕开 Spotify 本身的音源限制，直接获得高品质、无损的音乐文件。 - 社区讨论聚焦于以下几个方面： - 此类工具被部分用户视为**规避正版授权、涉嫌盗版** ，但也有人指出它体现了**数字音乐消费领域便利性与界限的模糊** 。 - 用户评价了**各大音乐平台在音质和曲库上的差异** ，不少发烧友通过 SpotiFLAC 等跨平台获取工具“补全”自己的曲库，实现**多平台资源整合** 。 - 音乐爱好者在**资源可及性、体验与守法合规之间** 权衡，此类技术创新正反映了**技术对传统音乐消费模式的冲击和演进** 。 ---- ## Reddit: **Instagram称，在AI时代，你无法再假定你在网上看到的都是真实的** [链接](https://www.reddit.com/r/technology/comments/1q1yldy/instagram_says_in_the_age_of_ai_you_cant_assume/)：Instagram承认，由于人工智能的存在，网络内容已经无法再被直接当作真实内容来看待。 - **AI驱动的伪造** ：“我在Instagram上看到大量AI伪造内容，评论区里很多人都信以为真。社会如此容易就被说服，实在让人感到悲哀。” - **并非新问题** ：“这其实一直是互联网存在的问题。只不过以前伪造的是文字、图片和表情包，现在连视频和语音都可以被篡改。” - **Instagram本就经过美化、并非写实** ：“Instagram从来就不是真实的。它最初的吸引力就是各种照片滤镜。” - **真实性的丧失** ：“如果你所看到的不是自己亲临现场、亲眼所见，或不是与人面对面交谈，那么现在在很大程度上（而且这种程度还在增加）都有很高的可能性是假的。这会对我们的社会、法律体系、政治体系产生怎样的影响？” - **平台责任认知** ：“Instagram正在让用户习惯在平台上看到更多由AI生成的内容”；“他们是问题的一部分，但不会改变自己的商业模式。” - **潜在结果** ：“但也许，这会带来一波‘可信媒体机构’的复兴……人们可能会更多地依赖像BBC这样的平台，只为能够轻松确定一切内容都已经被核实是真实的，不用总是保持警惕。” - **用户怀疑态度** ：“确实注意到了。太多伪造视频，让你以为自己认识的人说了其实是别人设定的话。”；“我现在假定90%看到的内容都是假的。” - **社会疲劳** ：“唯一的赢家是不参与其中的人”；“目标已达成”；“虚假互联网现实。” --- **为什么所有关于AI的正反方观点都充满了偏见？** [链接](https://news.miracleplus.com/share_link/104815)：本讨论分析了为何关于AI的争论高度对立、缺乏逻辑严谨，同时梳理了当前观点中普遍存在的偏见来源和表现形式。 - “人工智能涵盖的内容太多，既有平常无奇的，也有不可想象的。从键盘预测文本、聊天机器人、AI艺术到奇点。这就像在讨论‘计算机’本身好坏一样，没有明确的定义。” 强调了讨论中的**界定不清** 。 - “目前几乎没有确凿证据。大家都用猜测来预测未来5-10年会发生什么……斯坦福研究称，受AI影响最大的初级岗位减少了13%，初级开发者岗位减少了20%。MIT报告称95%的企业AI应用没有带来任何积极回报。” 讨论被**有限的现有数据** 和对未来的**过度推测** 所主导。 - “大家常常鸡同鸭讲，同时讨论着完全不同的事情，加上固有的偏见和分化。有人讨论AI在工作场所取代人的能力，也有人预测未来，还有人对AI是否‘应该’做某些事争论，这和AI现在是否能做到这些截然不同……还有人讨论AI是否能够创造，而不仅仅是复制训练数据的内容。” 各种争议分散在**技术能力、道德许可、创造力与经济影响** 中，却很少细致深入。 - “AI系统本身总是带有偏见——它们学习并可能放大人类输入的偏见。我对大多数讨论的意见是，大家总想要么证明AI能解决一切问题，要么说它会毁灭人类——完全没有中间地带。” AI本身和相关讨论**天生偏向极端和两极分化** 。 - “投资者推动的叙事显然跑在了实际应用能力前面。” **炒作和叙事** 与**实际效果** 脱节。 - “我担忧的不是AI本身，而是暂时掌控它的人类。我们分裂了原子，制造了更强的炸弹……现在它能创造RNA、重组分子……我们又会用它做什么？也许会制造只作用于特定DNA序列的病毒。” 怀疑源自**技术的人为滥用** ，而非技术本身。 - “相关话题情感色彩强烈，大家非常关注……媒体关于AI的报道随处可见，容易引发大量情绪反应。” **媒体宣传和情绪化** 加剧了讨论的失真。 - “要在这样复杂的话题上进行有效（逻辑性的）对话，需要参与者真正致力于高水平的讨论……即便这样，也很难轻易下定论……没人能确切知道。” 智识诚实应当是**承认不确定性** ，而非自信断言。 - “偏见很关键。如果有人想用一种答案解决所有问题，那真的是很傻。AI能分析庞大复杂的数据集、发现规律、预测趋势、做出人类几十年才能做到的事……但你单纯依靠‘感觉’，用一刀切的观点反对AI，毫无意义。” **反对一刀切结论** ，坚持**具体问题具体分析** 与实践观察。