Keep on to blur preview images; turn off to show them clearly
awarded honorary points to myself for making this part of the noosphere. you're welcome.
RL and distributed training • eXperiments lab
RT @amoljain_: ~40% of Product Engineering at @Replit are ex-founders. Many of the rest are early-career builders who I’m sure will someda…
ceo @replit. civilizationist
冷知识： 帮大家试过了。 闲鱼也一样会遇到推广问题，如果你不花钱分发你的商品，靠自然推荐流，一天也就不到100个小眼睛，支付转化其实也不高，很多时候都不到1%.... 不像自媒体老师说的‘只要做咸鱼，就能赚钱....”
从投资领域转到创业：找工作、找面试题、改简历、模拟面试. 创业（冷启动）｜AI , AIGC ｜ 安全技术｜RAG | 时空智能 | 认知心理学｜智能体 ｜ 生命科学 ｜ 强化学习 I built open source software at https://t.co/b69DXZhcyR
Go ahead, hit “Translate post.” Maybe you’ll get a translation. Maybe the app will time-travel you back to the timeline. Either way, it’s an adventure....
We're sharing/showcasing best of @github projects/repos. Follow to stay in loop. Promoting Open-Source Contributions. UNOFFICIAL, but followed by github
RT @tangjinzhou: 在客户这里发现一个有意思的事情 很多企业会有经费给员工买技术书籍 以前都是买算法，vue，java 等等 现在时代变了，他们买了一堆架构书籍 不过昨晚饭桌上在我一顿安利下，好几个同学购买了 https://t.co/3CdcujWd6x…
Solo Developer ｜ Growth Coach｜Helping creators build their personal brand on X 公众号：PandaTalk8
情境工程 2.0：重新定义人工智能的“记忆”和认知 在人工智能快速发展的领域，“理解”情境的能力不仅仅是一项功能，更是构建能够真正与人类互动的系统的基石。谷歌人工智能研究院 (GAIR) 近期发布的一项研究框架对此进行了深入探讨，提出了“情境工程 2.0”这一系统性方法，旨在帮助人工智能掌握情境信息。情境工程的核心在于熵减过程：将人类意图（对话、选择、需求）中杂乱无章、非结构化的信号转化为结构化的、机器可理解的数据。研究人员认为，这是人工智能发展真正认知能力的关键基础。 让我们来分析一下关键见解： 1. 二十年演进：从基础情境到自适应情境 情境工程领域经历了四个截然不同的发展阶段，反映了人工智能如何从僵化的基于规则的系统发展到更灵活、更像人类的理解： 阶段 1（21 世纪初）：专注于“静态情境”——硬编码预定义的规则（例如，“如果用户说 X，则回复 Y”）。 阶段 2（2010 年代）：转向“动态情境”——整合实时数据（例如，位置、时间或最近的交互）来定制回复。 阶段 3（2020-2022 年）：引入“多轮情境”——跟踪更长、多步骤的对话（例如，跟踪用户在 10 条以上消息中的思路）。 - 第四阶段（2023年至今）：进入“自适应情境”阶段——使人工智能能够推断用户未明确表达的需求，预测用户意图，并在各种开放式任务中保持一致性（例如，个人助理同时处理日程安排、研究和日常聊天）。 这一发展进程反映了人工智能从“被动式”向“主动式”的飞跃，情境信息不再仅仅被存储，而是被主动解读。 2. 熵减框架：为何重要 从理论上讲，情境工程根植于“熵减”的概念，该概念源于热力学，指的是秩序从混沌中涌现。在人工智能领域，这意味着将人类行为中的“噪声”（歧义、矛盾、不完整的信息）提炼成可操作的“信号”（例如，用户偏好、隐藏目标）。例如，如果用户说“我需要找一份礼物”，人工智能必须通过推断来降低熵：什么样的礼物？为谁服务？预算？之前的提示？ 如果没有这些信息，人工智能可能会默认给出通用建议，从而无法切中要点。 该框架提供了一个统一的视角来评估上下文系统：它们过滤无关数据、优先考虑关键信息以及保持一致性的效果如何？例如，Claude 3 的“滑动窗口”上下文和 Gemini 的“检索增强生成”（RAG）都使用了熵减技术，但它们分别优化了不同的权衡——速度与深度。 3. 当前参与者：谁在上下文工程方面做得最好？ 该研究重点介绍了上下文工程的实际应用案例： Claude：擅长“长上下文保留”——它可以处理超过 20 万个词元，使其成为处理复杂的多页文档或长篇对话的理想选择，且不会丢失连贯性。 Gemini：使用“检索增强生成”（RAG）技术，引入外部数据（例如实时新闻、用户历史记录）来构建响应，通过整合最新上下文信息来降低熵值。 Manus（谷歌的AI助手）：展示了“具身上下文”的概念——它将上下文与实际操作联系起来，例如记住用户偏好的左手工具或特定的厨房台面布局。 这些系统仍处于早期阶段，但它们展示了上下文工程如何超越文本，与视觉、语音和物理交互相结合。 4. 未来设计指南：下一步是什么？为了推进情境工程 2.0，研究人员概述了三个关键的设计优先事项： 情境抽象：超越原始数据，走向“抽象情境”——人工智能应学会在细粒度细节（例如，“用户提到下午 3 点”与“用户下午 2 点有个会议”）和更高层次的模式（例如，“用户对时间很敏感”）之间进行代码切换。 情境隐私：随着情境变得更加详细（例如，健康数据、个人历史记录），确保其安全存储和使用，同时不损害用户信任。 情境可迁移性：构建能够跨任务（例如，旅行助手能够记住过去的旅行记录，从而为新的目的地调整推荐）和跨模式（例如，在不丢失情境的情况下从文本聊天切换到语音通话）“携带”情境的系统。 这对您（和您的业务）为何至关重要 无论您是在构建聊天机器人、个人助理还是大型语言模型，上下文工程都决定了您的人工智能的“人性化”程度。它区分了“阅读”文本的系统和“理解”意图的系统。随着人工智能从“执行任务”转向“与用户协作”，掌握上下文熵减将是打造人性化工具的关键。
从投资领域转到创业：找工作、找面试题、改简历、模拟面试. 创业（冷启动）｜AI , AIGC ｜ 安全技术｜RAG | 时空智能 | 认知心理学｜智能体 ｜ 生命科学 ｜ 强化学习 I built open source software at https://t.co/b69DXZhcyR