开启时会模糊预览图，关闭后正常显示
RT @hylarucoder: @UNothing15795 第一，我不同意「没有足够知识前就不要在公共领域输出暴论」 1. 定义一下什么叫做足够？ 2. 谁定义的足够呢？ 3. 如果无法定义，新手就不该讲话？ 第二，我给每一个找我修电脑 windower 的都安装 36…
🖥️ Indie Maker 🛠️ 星球「海哥和他的小伙伴们」 📌 油管「海拉鲁编程客」 🌸 沦为程序员的段子手/猫咪
近日，创投圈传来一则令人唏嘘的消息：曾被视为AI医疗领域明星企业的Forward Health突然宣布停止运营，关闭所有诊所并取消预约，其移动应用也将停止服务。 这家成立于2016年、巅峰时期估值达10亿美元的独角兽，最终以倒闭收场，成为又一个在资本寒冬中陨落的案例。 Forward的故事始于创始人Adrian Aoun的一次亲身经历。2008年，他创立的自然语言处理公司被谷歌收购，之后他在谷歌参与创建AI部门。 2013年，因照顾患有心脏病的兄弟频繁往返医院，他目睹了传统医疗系统的低效，萌生了用技术重构医疗的想法。2016年，他带着谷歌研究员、Uber工程师等硅谷精英创立Forward，目标是打造"从头开始的医疗系统"。 公司初期推出149美元/月的订阅服务，提供AI辅助的初级医疗诊断，在纽约、旧金山等城市建立了19个诊所，一度吸引软银等顶级机构投资，2021年D轮融资后估值突破10亿美元。 然而，理想与现实的差距在持续扩大。 Forward的核心产品CarePod——一款售价超百万美元的自助医疗终端，本被视为公司的救命稻草，却成了压垮它的最后一根稻草。 尽管Aoun将其比作"医疗领域的Apple Store"，但实际运营中，设备故障频发、服务体验差、成本高昂等问题凸显。 前员工透露，Forward在2022年已裁员5%，2023年停止开设新诊所，甚至拒绝支付基因检测等服务费用。最终，烧光E轮1亿美元后，公司资金链断裂，200名员工失业，宣告倒闭。 Forward的陨落并非孤例。 2024年，全球掀起"独角兽倒闭潮"：估值33亿美元的德国eVTOL公司Lilium、市值80亿美元的美国造车公司Fisker相继破产；国内柔宇科技、花加等明星独角兽也因融资断裂、产品落地困难等问题倒下。研究机构数据显示，自2021年以来，全球已有400多家独角兽未能完成新一轮融资，2023年融资额仅为2021年高峰时的25%。 这些案例揭示了一个朴素却关键的商业逻辑：当市场狂热褪去，高估值若缺乏真实的现金流支撑，终将回归理性。正如"独角兽概念发明人"Aileen Lee所言："过早成为独角兽可能是诅咒"，93%的独角兽目前只是"纸面财富"，一级市场的估值泡沫在二级市场无法兑现时，便会破灭。对于创业者而言，技术创新固然重要，但能否构建可持续的商业模式、保持健康的现金流，才是穿越周期的根本。Forward的教训警示着整个科技行业：唯有脚踏实地，方能行稳致远。
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
想起魔兽世界的“隐藏兔子代码”
脚踏实地做梦/独立开发/降临派/新手奶爸👨🍼
For instance, you don't need RL on something you have verifiably true data for that doesn't use any trajectory to get to the outcome for. aka single turn, no reasoning math problems for instance
Cofounder and Head of Post Training @NousResearch, prev @StabilityAI Github: https://t.co/LZwHTUFwPq HuggingFace: https://t.co/sN2FFU8PVE
A brain is a machine for dealing with combinatorial explosions.
Professor of computer science at UW and author of '2040' and 'The Master Algorithm'. Into machine learning, AI, and anything that makes me curious.
I kind of want to write a blog post on some of the constraints, limitations, and things of that nature on RL with LLMs
For instance, you don't need RL on something you have verifiably true data for that doesn't use any trajectory to get to the outcome for. aka single turn, no reasoning math problems for instance