SemiAnalysis@SemiAnalysis_ · 5月22日62

AI is not the first technology to drop prices by multiple orders of magnitude. When screws were handmade, output was counted in hundreds or thousands. Today output is in the trillions. The revolution is not from making the few screws we used to use cheaper, but from building a modern world that was unimaginable when screws cost 1500x more.

译AI并非首个价格下降多个数量级的技术。当螺丝还是手工制作时，产量以百或千计。如今产量已达万亿。 这场革命并非来自让过去使用的少量螺丝变得更便宜，而是来自构建一个在螺丝价格高出1500倍时无法想象的现代世界。

Chubby♨️@kimmonismus · 5月22日63

OpenAI made $5.7B in Q1. Anthropic made ~$4.7B. But Anthropic's annualized revenue recently hit $45B. OpenAI's sits at $25B. The difference: annualized revenue extrapolates from the most recent month, and Anthropic's monthly revenue appears to have more than doubled between Q1 and now. That means Anthropic's growth rate flipped the entire ranking sometime in Q2 - while also projecting its first operating profit (~$600M). Meanwhile OpenAI is losing $1.22 for every dollar it earns, ChatGPT user growth has stalled below its 1B target, and it just raised $122B in new funding. One company is getting profitable. The other is raising capital faster than it's growing users. The AI race isn't being won by whoever ships models first. It's being won by whoever figured out unit economics.

译Anthropic在2026年Q1营收约47亿美元，虽低于OpenAI的57亿美元，但其年化收入近期已跃升至450亿美元，远超OpenAI的250亿美元。这得益于Anthropic在Q2的月度收入翻倍以上，并预计实现约6亿美元的首次运营利润。相比之下，OpenAI处于亏损状态，ChatGPT用户增长未达预期，同时仍在大规模融资。这表明AI竞争的关键已从模型发布速度转向谁能建立可持续的商业模式。

elvis@omarsar0 · 5月22日59

New VIDEO: From LLM Wikis to LLM Artifacts Shared all my thoughts on why LLM wikis and HTML artifacts are a big deal. Plus, new tools to help you build wikis and artifacts with agents. Just getting started!

译新视频：从LLM维基到LLM工件 分享了我对LLM维基和HTML工件为何重要的全部思考。 此外，还有新工具可帮助你用智能体构建维基和工件。 这只是个开始！

swyx🛬 SFO@swyx · 5月22日51

working on a "take this vibecoded slop app and make it a production-ready, e2e tested, maintainable, parallelizable agent repo" skill. this thing ran for ~16 hours yesterday and made 103 commits all told and i ended up with exactly the same app but instead of fragile mvp it now looks like a codebase i can actually build on for th elong run

译正在开发一项技能，用于将“Vibe编码的粗糙应用”转化为“生产就绪、端到端测试、可维护、可并行化的智能体代码库”。 这个过程昨天运行了约16小时，共产生103次提交，最终得到了完全相同的应用程序——但不再是脆弱的MVP，而是一个可以长期构建的代码库。

Rohan Paul@rohanpaul_ai · 5月22日41

Dario Amodei explains to Oprah how AI safety is tangled with business needs, daily deployment, access control, and policy tradeoffs. Strict child-safety rules e.g. can protect kids but worsen adult use when systems can’t clearly tell cases apart.

译Dario Amodei向Oprah解释AI安全如何与商业需求、日常部署、访问控制和政策权衡交织在一起。严格的儿童安全规则（例如）可以保护儿童，但当系统无法清晰区分情况时，会恶化成人使用体验。

X.PIN@thexpin · 5月22日58

China now accounts for 43.7% of top AI researchers globally. The US is at 31.9%. Tsinghua alone (6.2%) produces more top AI talent than Stanford, MIT, and Carnegie Mellon combined. Most of the policy debate around AI competitiveness focuses on chips and compute. This chart suggests the more structural question might be about people: where they're trained, and where they end up working.

译中国目前占全球顶尖AI研究人员的43.7%。美国为31.9%。仅清华大学（6.2%）培养的顶尖AI人才就超过了斯坦福、麻省理工和卡内基梅隆大学的总和。大多数关于AI竞争力的政策辩论都集中在芯片和算力上。这张图表表明，更结构性的问题可能在于人才：他们在哪里接受培训，以及最终在哪里工作。

swyx🛬 SFO@swyx · 5月22日33

everyone in ai infrastructure* is finally getting filthy rich and it is so nice to see them succeed *not the sexy ai research stuff, just “boring” infra

译所有从事AI基础设施*的人终于都赚得盆满钵满，看到他们成功真是太好了 *不是那些性感的AI研究工作，只是“无聊”的基础设施

Rohan Paul@rohanpaul_ai · 5月22日62

Qwen 3.7 Max is super close to the frontier models for coding and agentic abilities. And and it’s now available on AI/ML API. Agent reliability the center of the story and also on Artificial Analysis it's sitting at 5th, pretty much on par with GPT 5.4 (xhigh) and a notch above the just released Gemini 3.5 Flash. AI/ML API is also giving away free codes for users who want to try it. see the quoted tweet.

译阿里云的 Qwen 3.7 Max 在编码与智能体（Agent）能力上已非常接近前沿模型，并现已在 AI/ML API 平台上线。根据 Artificial Analysis 的评测，其智能体可靠性排名第五，性能与 GPT 5.4 (xhigh) 相当，并略高于新发布的 Gemini 3.5 Flash。AI/ML API 将其定位为面向智能体时代的模型，突出其能支持超过35小时的自主执行，并兼容 Claude Code 等工具。平台还提供了包括 GPQA Diamond（92.4分）在内的基准测试成绩，并为用户提供免费试用码。

François Chollet@fchollet · 5月22日36

We are moving toward a world where the concept of an "app" or a "user interface" disappears. Apps become services and UIs become text boxes.

译我们正走向一个“应用”或“用户界面”概念消失的世界。应用将变为服务，界面将变为文本框。

Sundar Pichai@sundarpichai · 5月22日72

Really enjoyed this conversation with @MatthewBerman at I/O 👇

译谷歌CEO Sundar Pichai在I/O大会上与MatthewBerman进行了深入对话，全面探讨了当前人工智能发展的多个核心方面。Pichai重点关注了AI代理如何可能取代部分互联网功能，并改变用户的信息获取方式，甚至威胁原始互联网的形态。对话还深入讨论了开源AI模型面临的商业模式困境、中美在AI领域的激烈竞争格局，以及网络安全威胁，包括AI可能引发的攻击和谷歌的应对策略。此外，Pichai指出谷歌正面临巨大的AI算力需求，计算资源已成为主要瓶颈，并探讨了发布强大AI模型的阈值判断问题。他强调了谷歌致力于开发低成本、高效率的AI模型的原因，以应对资源挑战。整体而言，这次对话覆盖了AGI竞赛、AI代理、信息饮食等关键议题，深入分析了AI发展的挑战、机遇和未来趋势。

Rohan Paul@rohanpaul_ai · 5月22日63

"Not all tokens are created equal, and there is a way to look at token value. There are two key factors that impact token value. One is the intelligence embedded in the token, and the other is how fast does it arrive." Tokenomics begins with the customer’s tolerance for uncertainty, latency, and cost, not with the model menu. A slow token can be expensive even when compute is cheap, because delay changes the product experience before the invoice arrives. A fast token can also be wasteful if it carries shallow reasoning, redundant context, or output nobody uses. A medical triage assistant, a coding agent, and a shopping chatbot do not need the same kind token, even when they all speak fluent English. --- Shruti Koparkar from our Accelerated Computing of Nvidia

译该推文探讨了评估AI Token价值的新视角，核心在于Token的“智能含量”与“传输速度”。快速的Token若缺乏深度推理可能造成浪费，而缓慢的Token即使算力廉价也会因延迟影响用户体验。不同应用场景如医疗分诊、代码编写和购物客服对Token需求各异。因此，构建有效的“Token经济学”不应从模型菜单出发，而应从客户对不确定性、延迟和成本的容忍度开始，以具体用例为起点进行反向优化。NVIDIA的Shruti Koparkar强调，这关系到AI应用是规模化扩展还是停滞不前。

Chubby♨️@kimmonismus · 5月22日49

1/ I have been spending time with SenseNova U1, a native multimodal model series released by @SenseTime_Al. It is built on an architecture called NEO-unify that processes images and text together in one single system. It is a big change from the usual way of handing tasks off between separate components. Look at this thread 🧵:

译1/ 我最近在体验 SenseNova U1，这是 @SenseTime_Al 发布的原生多模态模型系列。 它基于一种名为 NEO-unify 的架构构建，该架构在一个统一系统中同时处理图像和文本。这与通常在不同组件间传递任务的方式有很大不同。 请看这个帖子 🧵：

Ethan Mollick@emollick · 5月22日69

I don't think anyone has a good intuitive sense about what this means, and that failure of imagination is a generally bad thing for planning, investment, and policy. I also don't have an easy solution (funnily enough, AIs are cliche at imagining the AI future, so no help there)

译我认为没有人能直观地理解这意味着什么，而这种想象力的缺失对规划、投资和政策制定通常都是不利的。 我也没有简单的解决方案（有趣的是，AI在想象AI未来方面已经老套了，所以也帮不上忙）

AYi@AYi_AInotes · 5月22日14

holy shit，确定这不是AI吗？ AI标志在哪？ 如果是真的，Tony老师会不会失业？？

译我的天，这确定不是AI吗？ AI标志在哪里？ 如果是真的，Tony老师会不会失业？？

SemiAnalysis@SemiAnalysis_ · 5月22日5

CRACKED INTERN ALERT: SemiAnalysis has eyes in the sky. #1 Intern Kerem gave TOP datacenter intelligence to Reyk (Dylan Patel's baby nephew) on his flight to the Bahamas

译实习生警报：SemiAnalysis 有眼线在天上。#1 实习生 Kerem 在前往巴哈马的航班上，将顶级数据中心情报交给了 Reyk（Dylan Patel 的小侄子）。

Rohan Paul@rohanpaul_ai · 5月22日74

Greg Brockman talks about when OpenAI first realized that AGI can't be achieved with "Non-Profit" status and the decided to abandon its Non-Profit roots. "In 2017, we started to think very hard about, first of all, how do we really achieve the mission? How do we actually build an AGI? What will that look like? And we started to do the math on compute. You start to realize that it is going to take a big computer. We came across a company called Cerebras, which was building a unique piece of computing hardware. The kind of computer that they were promising, we realized, was going to be far advanced from where our compute calculations looked. As you start to realize, if we could buy a lot of those computers, we could actually probably succeed at building an AGI. If we could get exclusive access to Cerebras, that could give us an overwhelming advantage. If we could buy very large data centers, that could be something unique as well. The thing about nonprofit fundraising is that I think there is essentially a cap to what is possible there. And so Elon, Sam, Ilya, and I all agreed that the only path forward for OpenAI, and the only path to achieve the mission, was to create a for-profit entity associated with OpenAI in some form. And so, we were committed to that direction. That is something that we knew was the only way to achieve the mission." --- From "The Knowledge Project Podcast" YT Channel (link in comment)

译Greg Brockman 回忆 OpenAI 于 2017 年意识到实现 AGI 需要巨大的算力投入，例如 Cerebras 的硬件及大型数据中心。非营利性质的融资能力存在上限，无法满足这一需求。因此，Elon Musk、Sam Altman、Ilya Sutskever 和他一致认为，必须创建营利性实体才能确保获得足够资源，这是实现 AGI 使命的唯一途径。

向阳乔木@vista8 · 5月22日71

感动！有了Codex和Claude Code。 再也不怕配置海外 VPS，连宝塔都不用装，只需提供SSH账号密码，AI 全搞定。 如果域名解析在Cloudflare，给个DNS zone读写权限的API。 连域名都自动配好，还能免费申请https证书，自动续期... 对普通人来说，AI现在就是顶级运维工程师！

译推文展示了AI工具（如Codex和Claude Code）在服务器运维领域的强大能力。仅需提供SSH账号密码，AI即可自动配置海外VPS，无需手动安装宝塔等控制面板。若域名使用Cloudflare，提供DNS API权限后，AI能自动完成域名解析、SSL证书申请及续期等全流程配置。这标志着AI已能承担专业级运维任务，显著降低技术门槛，使普通人也能轻松管理服务器与域名。

Berryxia.AI@berryxia · 5月22日71

C大还是太谦虚了，这个审美和这个丝滑的效果赶紧按头去用啊~~ 没有废话，只有干货👇🏻 地址：https://magicslide.show

译团队受Zara启发开发的Magic Slide项目正式发布，这是一个旨在解决日常幻灯片制作问题的AI工具。其转场和呈现效果被评为非常丝滑。项目联网与部分模型功能通过团队自研的网关PIPELLM实现。该团队目前除C端产品外，主要精力专注于AI Infra方向建设。

Epoch AI@EpochAIResearch · 5月22日65

OpenAI kicked off the AI compute buildout in 2023. But today it uses ~10% of the world's compute, and the top labs together are probably under half. In this week's newsletter, @justjoshinyou13 discusses how much that share may change, and when it could hit a ceiling. 🧵

译OpenAI在2023年开启了AI算力建设浪潮。但如今它仅占全球算力的约10%，顶尖实验室的总和可能也不到一半。 在本周的通讯中，@justjoshinyou13 探讨了这一份额可能如何变化，以及何时会触及天花板。 🧵

Berryxia.AI@berryxia · 5月22日16

果然现在的微信群AI群还是最活跃，做多信息的😄

AYi@AYi_AInotes · 5月22日20

AI裁员时代,打工人最后的核武器诞生了🤖 这个推文之所以这么爆，我理解是因为它说出了所有打工人不敢说的话。 它的真正威力从来不是按下的那一刻，而在于它存在的那一刻， 在于你的老板知道你桌子底下有这么一个按钮的那一刻。 从此所有的裁员谈话,最起码都会多一分尊重。

译AI裁员时代，打工人最后的核武器诞生了🤖 这个推文之所以这么爆，我理解是因为它说出了所有打工人不敢说的话。 它的真正威力从来不是按下的那一刻，而在于它存在的那一刻， 在于你的老板知道你桌子底下有这么一个按钮的那一刻。 从此所有的裁员谈话，最起码都会多一分尊重。

Chubby♨️@kimmonismus · 5月21日42

1/ I finally tried building my own tool with KroWork to see if this "Chat-to-software" thing is as easy as they say. I asked the agent, Kro, for a news dashboard, and updating to the latest version lets you see the full KroWork thought process mapping out the system logic. It uses the Kro Browser Bridge Chrome extension to hook directly into the browser for live automation. The entire app generation was done in like five minutes. No code, just a prompt. Plus, because it actually compiles into real local software, running it repeatedly doesn't consume any tokens.

译作者体验了KroWork平台的“对话生成软件”功能。他通过自然语言提示Kro代理，要求创建一个新闻仪表盘。该工具更新后可展示其系统逻辑的思维映射过程，并借助Kro Browser Bridge扩展程序实现浏览器实时操作。整个应用生成过程仅耗时约五分钟，全程无需编写代码。关键在于，由于生成结果是编译后的真实本地软件，后续运行不会消耗任何token。

Berryxia.AI@berryxia · 5月21日71

兄弟们，Qwen 3.7 Max 发布了，是拉是夯？ 我们来使用「经典AI模型二叉树Prompt 」进行一个测试吧！ 这里分别使用了深度思考和快速模式测试（见视频） 之前的Gemini 3.5 Flash的结果也可以看原贴哈。 你们可以去测试一下不同的模型的表现~ 👇🏻Prompt： 编写一段HTML模拟程序，借助画布绘制递归分形二叉树。从单根主干开始，以递归方式分出左右枝干，枝干长度逐步缩减，角度产生小幅随机偏移。 实现树木从主干逐步生长至枝叶繁茂的动画效果，随后让树木如同随风般轻轻摇曳。

译新发布的Qwen 3.7 Max正被用户通过“递归分形二叉树”生成测试进行评估。该测试要求模型编写HTML代码，模拟树木从生长到摇曳的动画。此前，Gemini 3.5 Flash已用同一测试进行了展示，其生成完整动画耗时77.56秒，效果被评测者认为惊艳。该测试已成为比较不同AI模型代码生成与创意能力的一种常见方式，用户可借此对比各模型的表现。

凡人小北@frxiaobei · 5月21日47

已经彻底放弃 claude cowork 转向 claude code 了。 原因：沙盒内权限控制太死了，稍微做点复杂的，就拿不到系统权限。 还是 claude code 和 codex，给了权限跟一匹脱缰野马一样。

译用户宣布从Claude cowork全面转向Claude Code，核心原因是Claude cowork的沙盒权限控制过于严格，难以支持复杂任务。相比之下，Claude Code与Codex提供了更开放的权限，允许更自由的系统级操作，被形容为“脱缰野马”般灵活。

凡人小北@frxiaobei · 5月21日47

最近团队在非 coding 方向，尝试把自己从杂事中解放出来。 分享几个最近团队内部解放生产力的idea（skill）。 我做的对我有用的两个： 1. 例会全程录音，形成 todo @相关人，我的 openclaw 会使用钉钉 cli 跟进任务，在合适的时间点在群@相关人跟进（cli 支持直接用我的账号），其他会议同理； 2. 自动抓取邮件，不相关的按批次总结下自动归档，相关的提醒我关注或审批（依赖知识库）； 我认为团队同学产出非常有用的两个： 1. 要定会议室直接群里@机器人，小秘书到点自动抢，再也不用 12 点抢会议室了； 2. 跟进媒体/政府/协会最新资讯和通知，给出价值锚点是否跟进； etc.

译团队通过开发和应用一系列自动化技能，旨在将成员从日常琐事中解放出来，专注于核心工作。具体实践包括：利用自动化工具（如openclaw结合钉钉cli）在会议后自动提取待办事项并跟进；基于知识库自动处理邮件，进行摘要、归档和提醒；部署群内机器人自动完成会议室预订；以及自动监控外部资讯并评估其跟进价值。这些方案均有效提升了工作效率，减少了重复性人工操作。

Ethan Mollick@emollick · 5月21日55

In science, AI still does a poor job at finding interesting questions to solve in fields that don't have lists of known issues This has always been the hardest thing to teach PhDs: otherwise you find small problems or problems that don't advance the field or don't generalize etc

译在科学领域，AI在寻找值得解决的有趣问题方面仍然表现不佳，尤其是在那些没有已知问题清单的领域。 这一直是博士培养中最难教授的能力：否则你只能找到小问题，或是那些无法推动领域发展、无法泛化的问题等。

凡人小北@frxiaobei · 5月21日65

这个有点意思，尝试下。 把 codex 指向另一个产品，30 分钟后就拿到了它的架构、数据模型、带有成本估算的提示。378 行的重建计划。 "/goal implement until your output matches theirs exactly"

译用户将Codex工具指向一个现有产品，仅用30分钟就自动分析并输出了该产品的完整技术蓝图，包括架构、数据模型、带有成本估算的提示词，并生成了一份长达378行的重建计划。更令人惊叹的是，现在可以通过一条明确的指令（“/goal implement...”），让Codex尝试一次性重建出与目标产品功能完全一致的成果，展示了其强大的逆向工程与代码生成能力。

Rohan Paul@rohanpaul_ai · 5月21日69

Greg Brockman explains how the public story about AI data center water use is partly wrong. Because the cooling-systems use a closed-loop design that circulates the same stored water instead of constantly pulling fresh water. i.e. it works less like a running tap and more like a sealed pool, where water absorbs heat from servers, moves through cooling equipment, then returns to the same circuit. The argument here is not that AI infrastructure has no resource cost, but that public debate often mixes up different cooling designs and treats every data center as if it burns through water the same way. The important distinction is water withdrawal versus water consumption, because a site can hold a large amount of water inside its pipes while using far less new water day to day. OpenAI's official blog on Stargate project also says the same thing: "Water is one area where details matter. Like many data centers, the Abilene site uses closed-loop cooling rather than traditional evaporative cooling towers. Once the system is filled, water continuously moves through sealed pipes and is recirculated rather than consumed. For Abilene, the one-time initial fill for each building is equal to roughly two Olympic-sized swimming pools. After that, annual water use for the entire cooling system at full buildout is expected to be comparable to a medium-sized office building, or about four average households." --- From 'The Knowledge Project Podcast' YT channel (link in comment)

译Greg Brockman指出，公众对AI数据中心用水量的认知存在偏差，主要源于混淆了“取水量”与“耗水量”。他解释，现代数据中心多采用闭环冷却系统，如同“密封水池”，水在系统内循环吸热，而非像“流水龙头”般持续消耗新鲜水源。因此，系统可容纳大量水，但日常补充的新鲜水很少。OpenAI的Stargate项目博客也证实，其站点采用闭环冷却，全面运行后年耗水量仅相当于一栋办公楼或约四个家庭的用水量。公众辩论常因不了解冷却技术差异而过度简化。

SemiAnalysis@SemiAnalysis_ · 5月21日18

With modern agentic workloads and long context windows, a common bottleneck in serving LLMs at scale is where to store all the KV cache. Luckily, KV cache can be extended beyond HBM into other tiers of memory. Nvidia uses the following naming convention to describe the tiers:  🟠 G1 (HBM): fastest bandwidth but (relatively) small  🟠 G2 (host DRAM): still quite fast (traverses PCIe) and an order of magnitude larger than G1  🟠 G3 (SSD/NVMe): slower, shared across entire node 🟠  G4 (shared network storage): slowest, effectively unlimited in size At GTC 2026, in a historic partnership with SpaceXAnthropicAI, Jensen announced the newest tier, G5: a Starlink-attached HDD array in low earth orbit. Excited to see what G6 will be.

译针对现代AI智能体与长上下文窗口带来的大模型KV缓存存储瓶颈，英伟达提出了分层内存扩展方案。该方案将高速但容量有限的HBM（G1）作为基础，依次扩展至通过PCIe访问的主机DRAM（G2）、节点共享的SSD/NVMe（G3），以及提供近乎无限容量的网络存储（G4）。在GTC 2026上，英伟达更宣布与SpaceX及AnthropicAI合作，提出了通过Starlink连接的近地轨道HDD阵列这一概念性G5层级，旨在将存储边界进一步推向分布式网络架构。

Rohan Paul@rohanpaul_ai · 5月21日66

"I think we'll be hiring more AI people and quite less bankers in certain categories, and they'll make them more productive." Jamie Dimon, CEO of JPMorgan "So when you get up in the morning and you want to interview someone, it'll lay out what I've said in 14 different places, it'll give you questions. Your job will be the same. You'll just be much smarter in how you execute that job" --- From "Bloomberg Podcasts" YT channel

译"我认为我们将在某些类别中雇佣更多AI人才，而减少银行家数量，并让他们更高效。" ——摩根大通CEO杰米·戴蒙 "所以当你早上起床想面试某人时，它会整理出我在14个不同场合说过的话，并提供问题。你的工作职责不变，只是执行工作时会变得更聪明。" ——来自"Bloomberg Podcasts" YouTube频道

Rohan Paul@rohanpaul_ai · 5月21日64

A general-purpose LLM can produce frontier research when given enough test-time compute. Here, just a general-purpose OpenAI model has connected algebraic number theory to plane geometry and used that bridge to beat a decades-old conjecture. Shows how frontier models may already contain useful latent mathematical competence, and the bottleneck is partly how long and how well they are allowed to think.

译OpenAI的通用推理模型近期通过连接代数数论与平面几何，成功解决了保持数十年的平面单位距离猜想（Erdős猜想）。关键突破在于模型并非专用定理证明引擎，其成功依赖于延长和深化测试时计算过程，而非仅增加训练数据。这一进展表明前沿大模型已蕴含潜在的数学研究能力，当前瓶颈部分源于模型被允许“思考”的时间和方式。未来方向不是AI取代人类判断，而是在人类判断开始前拓宽思维的疆域，从而推动科学发现与创新。

Berryxia.AI@berryxia · 5月21日3

今天和小B教练的训练就到这里，今天练的强度我觉得OK。 给教练说了，这个线上教练很nice。 线上监督和管理我的锻炼数据，随时可以跟他聊健身的问题。 现在吃健身餐也吃的有点腻了😂

译用户完成了高强度训练，对线上教练的远程服务表示满意。该教练通过网络监督锻炼数据并随时沟通健身问题，提供了便捷专业的指导。用户同时表达了对长期食用健身餐的厌倦。整体体验体现了线上健身指导的灵活性和实时互动优势。

meng shao@shao__meng · 5月21日27

最近面试中，有不少候选人是年后被裁员的，大厂和金融居多，这些候选人，普遍都呈现出很 down 的状态，特别是问起在上段工作中印象深刻的技术问题、后面自己的职业规划时，大多都比较消极、迷茫。 在面试中我也会有意无意提一点自己的建议和鼓励，告诉他们被裁员不是你的问题，而是行业和公司的主要问题（当然我自己被裁，我觉得大多数原因在我，老板不喜欢我，这是我儿子总结的。。） 如果要把建议说的更明确，我觉得是： 学 AI、做 AI ！ 边学习积累，边实践，做开源，做个人 IP。 不要纠结于自己之前有没有 AI 的经验，就算完全没有，也只是晚了三年而已。

译面试中遇多年后被裁的候选人，多来自大厂和金融业，普遍状态消极迷茫。作者认为裁员主要是行业与公司的问题，而非个人能力。建议明确指向AI领域：学习AI并实践，通过开源和个人IP积累经验。即使此前无AI背景，也不必过度纠结，起步仅晚三年而已。

meng shao@shao__meng · 5月21日20

腾讯新发布这个 Marvis/马维斯 名字也太找梗了。。 Jarvis -> Marvis？ 马维斯，马化腾的马，还是牛马的马？

译腾讯新发布这个 Marvis/马维斯 名字也太找梗了。。 Jarvis -> Marvis？ 马维斯，马化腾的马，还是牛马的马？

Chubby♨️@kimmonismus · 5月21日38

Der Spiegel, arguably Germany's best-known news outlet, has published an article that couldn't be more emblematic of the mood in Germany. Translated, it reads: "The Nobel laureate in Literature admits to using AI for her books. Is that a scandal?" Let that sink in for a second, to let the absurdity of the question sink in. A scandal is a sensational event or behavior that causes widespread public outrage and moral indignation. So the question is whether the use of AI in writing books is *in itself* scandalous, that is, grounds for moral outrage. The question of the purpose of the use, the content, isn't even raised; no criticism is even considered. Instead, the article directly asks about the value of moral condemnation simply because the use of AI is being discussed. Germany in a nutshell. Moral outrage replaces criticism. German Angst in the face of AI.

译德国《明镜周刊》以“诺贝尔文学奖得主使用AI写作是否构成丑闻”为题发表文章，引发讨论。推文作者指出，该标题直接跳过对AI用途与内容的具体探讨，仅聚焦于“使用AI”这一行为本身是否应受道德谴责，反映出德国社会对AI的普遍焦虑与批判性思维的缺失。作者认为，这种将技术应用简单道德化的倾向，体现了德国舆论场中“道德义愤取代实际批评”的典型现象。

Berryxia.AI@berryxia · 5月21日61

发现不少人用skills还有个误区，以为存在的形式只能是CLI终端中。 其实如果写了skills或者用别人的skills，你发现每次不习惯使用终端完全可以自己写个皮用起来就更顺手了。 （小白新手用户非常友好）

译AI技能（skills）的使用不应局限于CLI终端命令行界面。用户可以根据个人习惯开发或配置自定义前端界面，从而提升操作便利性和用户体验。这种方式对新手用户尤为友好，降低了技术使用门槛，使技能的应用更加直观灵活。

Berryxia.AI@berryxia · 5月21日27

刚刚去书店呆了一会，喝了杯咖啡。 Vibe Coding了 一会，发了一会呆。 找了点灵感～ 转头看到这里面很多的大学生或者附近上班or OPC的人，80%的人使用的苹果电脑或者iPad ！ 对一半的人在使用AI工具进行学习或者工作，有几个零零散散的人在使用chatgpt。 而且就是纯chat模式～ 没有看到有人使用大家每天日常使用的Claude or Codex！ 所以AI的发展还很早期…

译作者在书店观察到，苹果设备（Mac/iPad）是用户主流选择。约半数用户在使用AI工具，但绝大多数仅使用ChatGPT基础对话功能。现场未见到人们日常提及的Claude或Codex等工具。这一现象说明，尽管AI已进入大众视野，其应用仍主要停留在初级阶段，专业级工具的普及和深度使用远未到来。

ginobefun@hongming731 · 5月21日27

创作的门槛在降低，吸引注意力的难度在飙升

Berryxia.AI@berryxia · 5月21日49

学生的反感完全能理解。 现在就业形势本来就不好，而站在台上劝他们拥抱AI、说机会无限的，恰恰是推动这场变革、也在用AI砍岗位的那批人。 Gallup上月调查显示，美国人对AI的兴奋和期待正在降温，愤怒在上升。 出社会即牛马，真的是太难了。

译近期美国多所大学毕业典礼上，演讲嘉宾提及AI技术时遭遇学生强烈嘘声，引发关注。前Google CEO Eric Schmidt等高管将AI比作“火箭船票”并鼓励学生拥抱变革，但台下反应冷淡甚至反感。这一现象反映出，在当前就业压力下，年轻群体对科技行业领袖宣扬AI机遇的同时也在利用其削减岗位的矛盾立场感到不满。Gallup最新调查也显示，美国公众对AI的情绪正从期待转向愤怒。

AYi@AYi_AInotes · 5月21日79

holy shit，游戏开发的门槛，刚刚被 Grok 一脚踹飞了🤯 一句提示词出角色图→图片变动画→视频自动拼成 spritesheet→直接丢进 Unity 跑起来， 全程 4 步，几分钟， 以前这活要美术+动画师干好几天， 以后做游戏真的只要张嘴就行了是吧🤣 具体拆一下 Grok 这次演示的管线: 1️⃣ 生成角色图 跟 Grok 说一句提示词，比如"特斯拉 Optimus 机器人，白背景，全身居中"，几秒出高清图。 2️⃣ 图转视频让角色动起来 用 Grok 的图片转视频功能，走路、挥手、跳跃随便选，几秒出动画。 3️⃣ 视频自动拼 spritesheet 后台有个叫 Asset Forge 的插件帮你把视频逐帧拆好拼成一张大图，不用手动抠。 4️⃣ 丢进引擎直接用 spritesheet 导入 Unity 或 Godot，角色立刻就能跑能跳。 视频里那个橙色卡通 Optimus 就是现场聊着天做出来的。 最狠的是迭代速度， 传统做法改个动作:重新渲染、重新导入，动辄几小时。 现在:在聊天框里说"加个跑步动画""改成赛博朋克风"，AI 秒改，实时预览。 反馈循环从"天"变成"秒"。 而且这还不是AI 画个图让你导出用那么简单，它是让AI 直接进入游戏引擎工作流，实时生成可运行的资产。 这意味着以后 solo 开发者一个人真能顶一个团队了， 周末花几个小时搞出一个可玩的游戏原型不再是梦了。 想试试的朋友直接 @Grok，用提示词"特斯拉 Optimus 风格的卡通机器人，全身，白背景"起步就行🤖

译Grok展示了AI深度介入游戏开发的全新工作流。通过“提示词生成角色图→图片转动画视频→自动拼接成Spritesheet→导入引擎”四步流程，将传统需要美术与动画师耗时数天的工作，在几分钟内完成。这标志着AI不再仅生成静态内容，而是能实时生成可直接导入Unity或Godot等游戏引擎的可运行资产。该技术极大压缩了游戏原型的迭代周期，将反馈循环从“天”缩短至“秒”，使得独立开发者也能快速实现创意，显著降低了游戏创作的门槛。