Doomscrolling 就是“明知道会让自己更焦虑、还是停不下来地刷坏消息/刺激内容” 。无结构化时间，就是没有被任务、日程、外部目标占满的时间，通常会留给发呆、走神、整理情绪、联想和自发思考；它不是“没价值”，而是大脑做后台处理的空间.

## 关于下一代
下一代会因为 AI 和短视频就可能不 会totally fucked，但风险是真实的：如果工具一直替你想、替你选、替你筛，独立思考和批判性判断会更容易变弱，尤其当孩子还没有形成自控和元认知时 。更准确地说，问题不是“用 AI 本身”，而是“把 AI 当拐杖、把短视频当默认认知环境” 。

## 浪费时间怎么衡量
4 个标准看：
- 是否恢复能量。
- 是否积累认知、技能、关系或健康。
- 是否帮助你更接近长期目标。
- 是否只是为了逃避不舒服。

按这个标准，刷短视频两小时通常比发呆两小时更容易“隐形耗损”，因为短视频常常同时消耗注意力、情绪和时间，还让你更难恢复专注 。但发呆如果是高质量的走神、散步、洗澡、等车时的空白，它可能反而在帮你整合信息。

## Mental quiet 的作用
mental quiet 不一定自动导向 strategy。**安静**只是原材料，不会自己变成战略；它更像给潜意识提供一个“可用的后台”，但还需要你有意识地设定问题、收集输入、做复盘，战略才会出现。也就是说，真正关键的是“安静 + 意图 + 复盘”，不是单纯放空。

## 更实用的判断法
- 这件事是在补能量，还是在吸能量。
- 这件事会不会让我的下一步更清楚。
- 这件事之后，我是更能行动，还是更想继续逃避。

一个很实用的例子：
- 刷短视频 2 小时，通常是高刺激、低整合。
- 发呆 2 小时，如果期间在散步、洗澡、躺着想问题，可能是低刺激、高整合。
两者“看起来都没产出”，但对长期大脑状态的影响完全不同

听台湾男同事说他会随身带着卫生巾 为女朋友准备的 特别惊讶 好像没有其他认识的男性会这么considerate

学到了 解压玩具的英文叫fidget toy

这篇帖子来自用户@zero_goliath，写于2026年6月13日，是对Anthropic刚发布的Fable模型（也就是Claude Fable 5）的一篇深入分析。作者核心想说的是：AI现在已经在软件工程和很多白领工作上表现出惊人能力，但要真正让AI管理真实公司、做出复杂商业决策，并最终实现自我递归改进（越来越强、越来越赚钱），目前的数据训练方式还存在根本瓶颈。不过这个瓶颈不是完全无解的，作者给出了一个基于现实世界反馈的可能突破路径，而且认为Anthropic有足够的钱和动力去尝试，变化可能会来得比大多数人想象的快。
帖子开头直接点题。Anthropic周一发布了Fable，在软件工程和其他白领任务上能力大幅提升。作者问：这种趋势会持续下去，到2030年是不是就能“召唤出机器神”（超级智能）了？
他建议用scaling laws（规模定律）来想问题。简单说，AI性能会随着训练用的计算量和高质量数据量，按比较可预测的方式增长。现在关键看两个资源：算力和数据。
算力这边比较乐观。全球AI芯片产能正在快速扩张。Anthropic自己的年化收入从2025年底的约90亿美元，暴涨到2026年5月的470亿美元，大部分钱都花在买算力、建数据中心上。作者估计，到2030年全球算力可能增长好几倍（中间2028-2029年可能遇到芯片厂瓶颈）。因为当前模型已经相当强了，所以未来几年算力增长很可能就够让模型强大到彻底改变经济，让我们现在的很多预测都失效。真正的瓶颈不在算力，而在数据训练方式上。
数据这边才是重点，也更复杂。以前训练大模型主要靠人类写的文本数据——互联网内容、开源代码、人工标注的答案。这些数据贵、量有限，大家一度担心“数据要吃光了”。
但从OpenAI o1模型开始，思路变了。对于很多任务，不需要人类直接写“正确答案”，而是设计一个能自动检查模型答案对不对的系统。比如给模型一个难的编程问题，让它自己生成上千种尝试方案，跑测试用例验证，哪种通过了就把那些数据拿来强化训练。一个设计精良的任务，能产生远超人工写一个答案的训练信号。现在AI实验室不是在“买人类答案”，而是在“买能自动打分的虚拟环境和测试程序”。
这让今天的模型在“能客观、确定性打分”的任务上特别强，尤其是软件工程（写代码、调试、写文档、和同事沟通等）。很多这类工作已经被高度自动化。
但这套方法暴露了两个硬伤。
第一个硬伤是：测试环境的创建成本，会随着任务复杂度快速上升。人类需要设计出模型真正会犯错、同时又能公平客观打分的场景。越是复杂、超出人类水平的任务，设计这种测试就越贵、越需要大团队参与。
第二个硬伤是：那些很难用确定性方式打分的领域，AI进步就很慢。比如“好写作”怎么评分？模型现在写的文章往往结构清晰、语言流畅，但总感觉“机器味”重、缺乏真实深度或个性。因为“优秀”很难量化，训练时用的奖励模型容易偏好安全、中庸、可预测的内容。类似地，CEO级的商业决策也很难建一个完美的隔离测试环境——现实世界太乱了，客户情绪、竞争对手反应、供应链小波动、监管变化……这些都很难在模拟里完整复现。
作者举了个例子：有个叫Vending-Bench的测试，专门看AI能不能经营一家自动售货机公司。Fable在普通编程和agent benchmark上几乎无敌，但在Vending-Bench上表现一般。这说明当前模型在“可严格打分”的任务上很强，但在需要真实世界直觉和开放式决策的任务上还有明显短板。
这就引出了核心困境。我们现在训练AI的方式，本质上是让它在人类设计的“工作模拟环境”里练习，然后希望技能能自然转移到真实工作中。但当任务变得非常复杂、涉及真实外部世界互动时，这种转移就会失效，而且人类很难提前预判所有失败模式并手动设计测试去纠正。一旦到了这个极限，继续用老方法进步就会变慢甚至停滞。
作者提出的突破思路是：直接把现实世界当训练场，用真实商业结果（赚不赚钱、增长快不快）作为反馈信号。
具体怎么落地呢？当前AI还不够强，直接扔给它真实公司它大概率全军覆没，拿不到有用信号。
所以需要一个“自举”（bootstrap）阶段：先让小团队的人类，带着大量AI代理去实际运营公司，或者帮现有公司自动化整个部门。人类负责最终把关和记录决策依据（我当时基于什么信息做了这个决定）。然后用这些真实记录生成大量合成训练数据，让AI代理学习“如果我是那个经理，在类似情况下该怎么想、怎么做”。
更进一步的做法是：这些混合团队可以去开微型公司（microcompanies），或者用更高效的方式运营传统行业的小生意，把效率低的竞争对手挤掉。或者Anthropic干脆不把最强模型直接卖API，而是自己用最强模型组建AI员工公司来赚钱。
一旦有一定比例的AI-run公司真正开始盈利（比如只有1%成功，但规模够大），Anthropic就能用真实商业指标来做强化学习——营销子代理看广告实际带来的收入和留存打分，工程师子代理看真实用户遇到的技术问题打分。这些评分函数甚至可以让另一个AI动态生成和调整。
这其实就是把现在已经跑通的“软件工程自动化”那一套，放大到整个公司运营层面，用真实世界的稀疏但高价值反馈，代替人工设计的密集测试。
作者算了笔经济账。要收集足够信号，可能每季度需要运营5000到10000家微公司，每家投入2.5万到10万美元（算力+运营成本）。一年总成本可能几亿到几十亿美元。对Anthropic来说，以它当前的收入增长速度，这笔钱完全负担得起。他们之前就讨论过花10亿美元在RL环境上，现在规模再大一点也合理。
如果这个循环真正跑起来，就会形成强大正反馈：AI公司赚钱 → 买更多算力、训练更强模型 → 研究更好芯片和数据中心设计 → 规模进一步扩大。同时AI还能加速机器人和真实世界基础设施建设。
当然作者也保持清醒。即使这样，LLM本身可能还有根本限制——样本效率低（学新东西还是需要较多例子）、创造力是否能真正超越人类等。但如果算力足够多，这些限制可能通过“超长上下文模拟大量经验”或者让AI自己设计新训练方法来绕过去。或者即使暂时到不了超级智能，AI先把几乎所有白领工作自动化、机器人跟进，经济也会爆炸式增长，进而产生更多资源去突破瓶颈。无论哪条路径，最终都可能走向超级智能。
帖子最后总结：最关键的假设是，既然AI已经能当超级软件工程师，那它应该也能被训练成靠谱的AI高管、规模化赚钱。这个假设以前听起来很激进，但现在看，管理层决策也只是另一个“可以被纳入训练分布”的领域。Anthropic有钱、有动力、有清晰路径把这个领域攻下来。
作者不判断这个未来是好是坏（转型中的痛苦、存在风险等问题他都说不知道），但他认为“前沿AI公司正在变得非常擅长训练模型做复杂工作，而且经济激励巨大”这个判断，已经越来越难反驳。收入数据是真的，计算和数据管道正在成型。世界很快就会变得很不一样，而大多数人还没准备好这种速度。
整体读下来，这篇帖子不是单纯乐观吹风，而是从技术可行性和经济逻辑出发，给出了一条从“AI写代码”到“AI自己开公司养更强AI”的相对清晰路径。它提醒我们：AI进步可能不是匀速的，而是某个临界点后突然加速，而那个临界点很可能就是数据训练方式从“人工模拟测试”转向“真实世界反馈闭环”。

在法国组织AI大会 演讲人数学家Timonthy爵士今天上twitter热搜😹
今天出镜接受采访解说OpenAI的重大数学证明
我在游轮上和Timonthy Gower爵士聊了AGI 他觉得他是相信会到来的[哭惹R]
再看看我们Olares AI OS项目人头攒动的展位!快来给我们做开源贡献吧！
#GOSIM[话题]# #GOSIM2026[话题]#

5.27-5.30 号称亚洲CES的澳门 Beyond Expo Olares获得创新大奖。100张票免费送哦先到先得
同时欢迎这几天大家约coffee chat
Olares OS is an open-source personal cloud operating system designed to empower you to own and manage your digital assets locally. Instead of relying on public cloud services, you can deploy powerful open-source alternatives locally on Olares, such as Ollama for hosting LLMs, ComfyUI for image generation, and Vane (formerly Perplexica) for private, AI-driven search and reasoning. Imagine the power of the cloud, but with you in complete command.
Github: github.com
如果哪位同学用了可以和我说一声噢～

Andrew NG：人工智能不会带来“就业末日”。所谓人工智能会导致大规模失业的说法是在煽动不必要的恐慌。人工智能——就像任何其他技术一样——确实会影响就业，但夸大其词地渲染大规模失业是不负责任且有害的。我们应该制止这种说法。我曾在之前的文章中表达过对“就业末日”的质疑。我很高兴看到大众媒体现在开始反驳这种说法。下图展示了一些近期的新闻标题。软件工程是受人工智能工具影响最大的行业，因为智能编码系统正在飞速发展。然而，软件工程师的招聘需求依然强劲！因此，尽管存在人工智能导致失业的例子，但趋势强烈表明，新增就业岗位远大于失业岗位——就像之前的几波技术浪潮一样。此外，尽管人工智能取得了令人振奋的进展，美国的失业率仍然保持在健康的4.3%。为什么“人工智能会导致就业末日”的说法如此盛行？原因之一是，前沿人工智能实验室有强烈的动机去讲述那些让人工智能技术听起来更强大的故事。在最极端的情况下，他们会鼓吹人工智能“接管”人类并导致人类灭绝的科幻场景。如果一项技术能够取代许多员工，那么这项技术肯定价值连城！此外，许多SaaS软件公司每年每位用户收费在100到1000美元之间。但如果一家人工智能公司能够取代一位年薪10万美元的员工——或者让他们的工作效率提高50%——那么即使收费1万美元也显得合理了。人工智能公司不以典型的SaaS价格为基准，而是以员工薪资为基准，因此可以收取更高的费用。此外，企业有强烈的动机将裁员说成是人工智能造成的。毕竟，谈论他们如何利用人工智能以更少的员工实现更高的生产力，会让他们显得很聪明。这比承认他们在疫情期间由于低利率和政府大规模财政刺激而资金充裕时过度招聘要好得多。需要明确的是，我承认人工智能正在改变很多人的工作。这很艰难，也很令人焦虑。 （对某些人来说，这甚至可能很有趣。）我同情所有受影响的人。但与此同时，这与预测就业市场崩溃截然不同。社会往往会编造一些缺乏现实依据的故事，并持续多年，最终导致全社会决策失误。例如，对核电站安全的担忧导致核电投资不足；20世纪60年代对“人口爆炸”的恐惧促使各国实施严厉的人口控制政策；而对膳食脂肪的担忧则导致各国政府数十年来推广不健康的高糖饮食。如今，主流媒体公开对“就业末日”持怀疑态度，我希望这些说法能逐渐失去说服力（就像人们对人工智能导致人类灭绝的恐惧一样）。与人工智能导致就业末日的预测相反，我预测：人工智能就业市场将会一片繁荣！人工智能将催生更多优质的人工智能工程工作岗位，我对整体就业市场的未来也持乐观态度。人工智能工程师的工作内容将与传统软件工程师截然不同，而且许多此类工作岗位并非来自传统的大型开发人员雇主。即使在非人工智能领域，所需的技能也会因人工智能而改变。因此，现在正是鼓励更多人精通人工智能，确保他们为未来丰富多样的工作机会做好准备的好时机！[原文刊登于《The Batch》新闻简报。]

北京 这周末可以去看 想看🥰 许愿

巴黎见🇫🇷 留到会议最后有大奖哦[玫瑰]