即刻App年轻人的同好社区
下载
Lily 把业余公司招募通告当《野鱼志》写了！
今 敏：「并不存在一种预先准备好、对所有人来说都很有趣的事情；如果不自己去发现其中的兴趣和乐趣，眼前的工作是不会朝你微笑的。」
欢迎报名 9 月业余公司，一个帮助彼此完成各自项目的计划！
今 敏：「并不存在一种预先准备好、对所有人来说都很有趣的事情；如果不自己去发现其中的兴趣和乐趣，眼前的工作是不会朝你微笑的。」
欢迎报名 9 月业余公司，一个帮助彼此完成各自项目的计划！
未完成的都将成为养料：报名九月业余公司
5 01
这一轮的 Vibe Coding 和之前说的「转码」的区别是啥？
上一轮转码，本质上还是职业替换：你得放下原来的职业积累，重新训练成一个写代码的人，进入技术体系里一个相对固定的位置。
但这一次不太一样。一个 designer 还是 designer，一个 content maker 还是 content maker，一个 artist 还是 artist，只是同时获得了 engineering 的能力，可以自己把想法做出来、验证出来，也可以和专业工程师更平等地协作。
过去的积累不需要清零，反而可能因此变得更值钱。
上一轮转码，本质上还是职业替换：你得放下原来的职业积累，重新训练成一个写代码的人，进入技术体系里一个相对固定的位置。
但这一次不太一样。一个 designer 还是 designer，一个 content maker 还是 content maker，一个 artist 还是 artist，只是同时获得了 engineering 的能力，可以自己把想法做出来、验证出来，也可以和专业工程师更平等地协作。
过去的积累不需要清零，反而可能因此变得更值钱。
傅丰元: 最近一直在思考，Engineer 到底是啥。 它的词源很有意思。最早并不是今天理解的「工程师」，甚至也不是「发动机」。它来自拉丁语 ingenium——创造力、巧思、天赋；后来才演变成设计各种 engine（机械装置、攻城器械）的人。 今天看到吴恩达新成立的 AI 教育公司 LearnVector 招聘，很有意思：几乎所有核心岗位，都带着 Engineer 这个词。 AI Engineer 搭建能够理解学习者、规划学习路径，并陪着人一步步掌握技能的 Agent 系统；全栈 Software Engineer 负责把整套学习体验端到端做出来；Learning Engineer 则把教育学原理、教学经验和 AI 工具结合起来，变成真正有效、好用的学习产品。旁边还有 Learning Scientist，用实验和测量确认：人到底有没有真正学会。 当 AI 让我们有机会跨过原本的专业边界，Engineer 或许也正在从一个技术工种，重新变成一种理解系统、设计系统，并对结果负责的工作方式。
4 00
还是得靠 AI： 如驴得莫比乌斯环环相扣人心弦外之音讯全无所事事了拂衣去
傅丰元: 今天听到一个词，一直挥之不去：如驴得磨。 本来是李诞调侃爱上班的呼兰去了深圳，简直是「如驴得磨」。 但放在获得 AI 提效之后的上班人身上，也意外地贴切。 琢磨了一天，还没想好怎么从这盘磨里下来。哪怕先造一个词啥的，先从语言里解脱一下。
2 00
今天听到一个词，一直挥之不去：如驴得磨。
本来是李诞调侃爱上班的呼兰去了深圳，简直是「如驴得磨」。
但放在获得 AI 提效之后的上班人身上，也意外地贴切。
琢磨了一天，还没想好怎么从这盘磨里下来。哪怕先造一个词啥的，先从语言里解脱一下。
本来是李诞调侃爱上班的呼兰去了深圳，简直是「如驴得磨」。
但放在获得 AI 提效之后的上班人身上，也意外地贴切。
琢磨了一天，还没想好怎么从这盘磨里下来。哪怕先造一个词啥的，先从语言里解脱一下。
15 63
最近一直在思考，Engineer 到底是啥。
它的词源很有意思。最早并不是今天理解的「工程师」，甚至也不是「发动机」。它来自拉丁语 ingenium——创造力、巧思、天赋；后来才演变成设计各种 engine（机械装置、攻城器械）的人。
今天看到吴恩达新成立的 AI 教育公司 LearnVector 招聘，很有意思：几乎所有核心岗位，都带着 Engineer 这个词。
AI Engineer 搭建能够理解学习者、规划学习路径，并陪着人一步步掌握技能的 Agent 系统；全栈 Software Engineer 负责把整套学习体验端到端做出来；Learning Engineer 则把教育学原理、教学经验和 AI 工具结合起来，变成真正有效、好用的学习产品。旁边还有 Learning Scientist，用实验和测量确认：人到底有没有真正学会。
当 AI 让我们有机会跨过原本的专业边界，Engineer 或许也正在从一个技术工种，重新变成一种理解系统、设计系统，并对结果负责的工作方式。
它的词源很有意思。最早并不是今天理解的「工程师」，甚至也不是「发动机」。它来自拉丁语 ingenium——创造力、巧思、天赋；后来才演变成设计各种 engine（机械装置、攻城器械）的人。
今天看到吴恩达新成立的 AI 教育公司 LearnVector 招聘，很有意思：几乎所有核心岗位，都带着 Engineer 这个词。
AI Engineer 搭建能够理解学习者、规划学习路径，并陪着人一步步掌握技能的 Agent 系统；全栈 Software Engineer 负责把整套学习体验端到端做出来；Learning Engineer 则把教育学原理、教学经验和 AI 工具结合起来，变成真正有效、好用的学习产品。旁边还有 Learning Scientist，用实验和测量确认：人到底有没有真正学会。
当 AI 让我们有机会跨过原本的专业边界，Engineer 或许也正在从一个技术工种，重新变成一种理解系统、设计系统，并对结果负责的工作方式。
10 36
推荐吃吃一直在做的一个剪辑应用 anypiece，最开始是在 Web 端做 Chrome 的拓展，可以剪辑任何的形状的东西并且收集起来。现在她把这个功能也搬到了手机上。非常有意思。保留了大量印刷媒介的细节、手帐爱好者的巧思在里面。
吃吃ctc: anypiece ios app预告视频❤️
4 00
读 Thinking Machines Lab 的最新技术路线博客时，发现他们把汉娜·阿伦特的《人的境况》、迈克尔·波兰尼的「隐性知识」，以及哈耶克关于「分散知识」的讨论，都放进了引用文献里。
Thinking Machines Lab 是 OpenAI 前 CTO Mira Murati 离职后创办的 AI 公司。它在成立几个月后便完成了约 20 亿美元融资，投后估值达到 120 亿美元。
最近，他们发布了一篇博客 《The Future Worth Building Is Human》，介绍自己的技术方向：不只追求更强的通用模型，也希望个人和组织能够继续训练、定制自己的模型，让人的经验、知识和判断参与 AI 的工作过程。
很有意思的是，这样一家站在前沿的 AI 模型公司，在解释技术路线时，引用了不少哲学、经济学和社会思想。
1966 年，迈克尔·波兰尼《隐性维度》
波兰尼提出了「隐性知识」：我们知道的，往往比能够明确说出来的更多。
厨师对火候的判断、工程师排查问题时的直觉、一个团队长期形成的工作默契，都很难完整写进文档或数据库。Thinking Machines 用它来解释，真正有价值的知识常常产生于具体实践，也会随着实践不断变化。
1945 年，哈耶克《知识在社会中的运用》
哈耶克讨论的是「分散知识」：社会中的知识并不集中在某一个地方，而是散落在无数个人、组织和具体场景里。
一家餐厅如何调整菜单，一间商店如何摆放商品，不同组织如何完成同一件事，都依赖身处其中的人掌握的局部知识。Thinking Machines 借此讨论，单一的中央模型很难吸收所有持续变化的经验。
1955 年，约翰·冯·诺依曼《我们能在技术中生存下来吗？》
冯·诺依曼认为，技术中有益和有害的部分总是靠得很近，很难把「狮子」和「羔羊」彻底分开。
Thinking Machines 用这段话讨论模型的开放、所有权和安全：让人拥有更深度修改模型的能力，也意味着这种能力可能被用于不同的目的。
1958 年，汉娜·阿伦特《人的境况》
文章最后引用了阿伦特关于「手段与目的」的讨论。
当一切都只按照效用来衡量时，人也可能变成实现某个目标的工具。只有当人本身被视为目的，所谓的效率、工具和技术，才重新获得意义。
原文：
thinkingmachines.ai
Thinking Machines Lab 是 OpenAI 前 CTO Mira Murati 离职后创办的 AI 公司。它在成立几个月后便完成了约 20 亿美元融资，投后估值达到 120 亿美元。
最近，他们发布了一篇博客 《The Future Worth Building Is Human》，介绍自己的技术方向：不只追求更强的通用模型，也希望个人和组织能够继续训练、定制自己的模型，让人的经验、知识和判断参与 AI 的工作过程。
很有意思的是，这样一家站在前沿的 AI 模型公司，在解释技术路线时，引用了不少哲学、经济学和社会思想。
1966 年，迈克尔·波兰尼《隐性维度》
波兰尼提出了「隐性知识」：我们知道的，往往比能够明确说出来的更多。
厨师对火候的判断、工程师排查问题时的直觉、一个团队长期形成的工作默契，都很难完整写进文档或数据库。Thinking Machines 用它来解释，真正有价值的知识常常产生于具体实践，也会随着实践不断变化。
1945 年，哈耶克《知识在社会中的运用》
哈耶克讨论的是「分散知识」：社会中的知识并不集中在某一个地方，而是散落在无数个人、组织和具体场景里。
一家餐厅如何调整菜单，一间商店如何摆放商品，不同组织如何完成同一件事，都依赖身处其中的人掌握的局部知识。Thinking Machines 借此讨论，单一的中央模型很难吸收所有持续变化的经验。
1955 年，约翰·冯·诺依曼《我们能在技术中生存下来吗？》
冯·诺依曼认为，技术中有益和有害的部分总是靠得很近，很难把「狮子」和「羔羊」彻底分开。
Thinking Machines 用这段话讨论模型的开放、所有权和安全：让人拥有更深度修改模型的能力，也意味着这种能力可能被用于不同的目的。
1958 年，汉娜·阿伦特《人的境况》
文章最后引用了阿伦特关于「手段与目的」的讨论。
当一切都只按照效用来衡量时，人也可能变成实现某个目标的工具。只有当人本身被视为目的，所谓的效率、工具和技术，才重新获得意义。
原文：
thinkingmachines.ai
The Future Worth Building Is Human
26 219