猜测智谱大概率是解开了 claude 4.5 强大的谜题了， 类似于deepseek-R1，破解openai 的 o1， 时间上也是延迟六七个月吧， 现在看智谱会不会大格局， 公开训练方法了。

保罗·格雷厄姆刚发了一篇文章，如何赚十亿美金 想赚十亿别盯着钱，保罗·格雷厄姆说，盯着这两个数字就行。 他做了二十一年创业孵化， 见过三十位创始人成为亿万富翁， 结论很简单，靠指数增长就行，根本用不着作弊。 核心就两个数字，月增长率，和增长能持续多久。 每月涨15%听着不起眼，五年能翻四千三百八十四倍。 月入一万的生意，五年后月入四千四百万，创始人自然身家十亿。 这不是什么神话故事，就是最朴素的复利数学原理。 而高增长的源头，从来不是剥削用户， 关键是要做出好到用户会主动拉着朋友用的产品。 最好的创业点子也从来不是刻意找出来的， 是你和朋友觉得酷、想做来自己用的东西，苹果谷歌脸书Airbnb起步全是如此。 最后PG补了句扎心的大实话， Claude永远做不到这件事，因为它既没有朋友，也对任何东西没有欲望🤣

"You and Your Research" i read it every few months and you should too. the most important determinant of outsized success is picking the right problem.

我要强烈推荐 Kimi K2.7 High Speed (高速版）！太神奇了！ Fable 5只活了3天就下架了，那个「墨流」Demo我见一次就再也忘不了。 我让Opus 4.8(左)和 Kimi K2.7 High Speed(右)同时复刻它： 两边都成功，质量上K2.7只略逊于Opus 4.8，可这个速度！ Opus花了32分钟，K2.7 只用了11分钟！ 看视频！

Satya说的概括一下，1. 微软没能搞出自己的大模型，所以大家要当心那些搞出来的公司，别让他们独吞利益；2. 微软的平台策略才是服务于大众的，大众应该让这样的平台流行起来，也分一杯羹。不过最近Buikd 2026发布了一些确实好用的东西。尤其是coreutil. 有which为啥偏偏要用where？

微软CEO 萨提亚纳德拉写的文章， 这种文章才是值得读的，不要去看中推大部分 AI 写的。 萨提亚： 我一直在思考公司在人工智能驱动的经济环境下的未来发展方向。 这次转型与以往任何平台变革都截然不同。过去，我们利用数字系统来提升人力资本。而现在，我们首次能够在人与数字系统之间建立真正的认知闭环。这令人耳目一新，因为它彻底改变了我们对企业内部工作的理解。 关键不在于某些数字工具或系统及其使用，而在于在人工智能模型可以不断吸收人类和组织的专业知识并将其商品化的世界中，组织如何继续学习、构建知识产权、实现差异化并蓬勃发展。 每家公司都必须构建我所谓的人力资本和代币资本。人力资本包括员工的知识、判断力、人脉关系、创造力和模式识别能力，而代币资本则是公司构建和拥有的人工智能能力。 重要的是，随着代币资本的增长，人力资本的价值并不会降低，只会增加！我相信人的主动性将是代币资本增长的驱动力。人类会设定远大的目标，将不同领域的信息联系起来，建立人脉关系，并识别出最重要的模式。如果没有人的引导，计算机就会原地打转。 这意味着真正的机遇不在于选择最佳模型，而在于构建一个基于模型的学习循环，使人力资本和代币资本能够复利增长。你可以外包一项任务，甚至一份工作，但你永远无法外包学习。企业的未来在于能否在人员和人工智能之间复利增长这种学习成果。 这需要一种全新的架构方法，让每个企业都能构建随着时间推移不断改进的智能系统，同时又能保持对其知识产权的控制权。企业应该能够在不丢失其学习系统中内置的“公司资深人士”专业知识的情况下，替换掉现有的“通用”模型。这将是未来时代对企业控制权和自主权的关键“考验”。 企业需要将自身的工作流程、领域知识和积累的判断转化为人工智能系统，并使其在每次使用中不断改进。私有评估应能捕捉模型是否真正针对对业务至关重要的结果（而不仅仅是外部基准！）进行了改进。私有强化学习环境应允许模型基于组织内部的真实数据不断成长。其知识库使机构记忆可查询，并提高了令牌的使用效率。 这个循环将成为公司新的知识产权。我把它比作一台爬山机器。与大多数资产不同，它具有复利效应。每一次工作流程的改进都会产生更好的训练信号，从而加速公司独有的隐性知识的积累。那些早期构建这一循环的公司将拥有难以复制的优势，无论其拥有何种新的单一模型能力。 我们最不希望看到的就是，所有行业、所有公司都将价值拱手让给少数几个攫取一切的模型。如果所有价值都集中在少数几个模型手中，政治经济体系绝对无法容忍。社会绝不会允许人工智能的未来掏空整个行业。 想想全球化第一阶段发生了什么，外包掏空了整个工业经济体。表面上看，GDP数据看起来不错，但产业转移是真实存在的，其后果至今仍在显现。我们绝不能让这种模式重演到人工智能时代，让少数人工智能系统攫取所有经济利益，而整个行业却眼睁睁地看着自己的知识被商品化，最终被彻底摧毁。 我认为，我们的首要任务必须是构建一个前沿生态系统，而不仅仅是一个前沿模式，这样价值才能广泛地流遍每家公司、每个行业和每个国家。在这个生态系统中，每个组织都能拥有编码其机构知识的学习循环，从而不断积累其人力资本和代币资本。 我从小就秉持着这样的理念：平台能够创造比平台本身所能提供的价值更大的额外价值，并且每家公司都可以不断创新，创造属于自己的价值。 当这种情况发生时，企业不仅能为自身创造价值，还能为周边经济创造价值。员工的专业知识将得到提升，他们的判断力将融入到可复制、可扩展的系统中，而企业和周边社区也将从中受益。 这就是企业如何为自身和更广泛的经济创造价值的方式。而这正是我们应该共同构建的稳定平衡。

说个正事，也做个小告别。 运营了两个月的中转站，今天正式交给剑总和 XAI 技术团队。数据已完整迁移。 新站 👉 yairouter.com，旧域名并行到 9月9日，大家放心切换。 这两个月，精力全耗在服务器、风控和账单里。回头一看，AI 世界跑得太快了——新模型、新 Agent 框架、多模态应用... 好多东西我自己都感觉落后了，说实话，有点慌。 所以退出来，是想重新做回「AI奶爸」。 接下来我会一头扎进 AI 的世界，回归博主本职，密集补课、实测新工具、写真实体验。 Agent、世界模型、多模态... 有太多值得探索的东西，想把落下的时间都追回来。 如果你最近挖到了什么好玩的 AI 产品，欢迎随时丢给我。咱们一起探索，一起从「落后」追回到「前沿」 🫡

AMD acaba de dar un golpe fuerte en la IA local. Lisa Su subió al escenario con un mini PC del tamaño de un libro grueso en una sola mano y ejecutó en vivo un modelo de 235 mil millones de parámetros. Sin datacenter. Sin cloud. Sin alquilar GPUs. El protagonista es el Ryzen AI Max 395 (Strix Halo). Es el primer chip x86 que une CPU y GPU con 128 GB de memoria unificada. En Linux, el GPU puede usar hasta ~110 GB de esa memoria. Para ponerlo en contexto: una RTX 5090 tiene 32 GB y una 4090 tiene 24 GB. Este pequeño equipo ofrece más del triple de memoria accesible para modelos grandes, en un chasis compacto. En pruebas específicas de inferencia (como DeepSeek R1), superó en más de 3x al rendimiento de una RTX 5080 cuando el modelo no cabe en la VRAM de la tarjeta de Nvidia. El precio real del equipo con 128 GB (GMKtec EVO-X2) suele estar entre $1,800 y $2,500 según ofertas (el kit oficial de AMD es más caro). Para quien usa mucho IA, esto cambia las cuentas: en vez de pagar cientos de dólares al mes en suscripciones (Claude, ChatGPT Pro, Cursor, etc.), puedes correr modelos potentes localmente con Ollama, LM Studio o similares. Privacidad total, sin límites de tokens y sin que te corten el servicio a las 3 a.m. No es que las suscripciones vayan a desaparecer mañana, pero para muchos casos de uso (RAG con documentos privados, prototipos, agentes locales, etc.) esta opción se vuelve muy atractiva. Estamos viendo el inicio de una nueva etapa de IA local accesible y potente??

阿里技术一直靠着双十一。比如说阿里云出去推销他们的方案时，永远离不开的是“双十一秒杀”场景。 但是从来没有想过，这是不是只有千分之一、百分之一的客户才能用得上那种方案？如果客户用不上这种方案，你强行推销可能就把事情弄复杂了，相当于提前优化。 那重点是剩下的 99% 甚至是 99.9% 的客户需求，有没有得到很好的满足呢？其实不一定。 到今天已经是 AI 时代了，阿里还没有找到 AI 时代的“双十一”，所以他们的技术方案出去的时候很难说服客户。 比如他们现在推销 AI，客户最典型的一个问题就是：你们的 AI 能不能运维好自己的云产品？内部用 AI 做了什么落地的事情？有这些案例吗？ 比如阿里云喜欢在台上讲得天花乱坠，说 AI 怎么样帮他们提效、运维，结果你再去跑到阿里云的工作台一看，狗屎一样的工作台。AI 点来点去，什么问题都解决不了，一顿报错。 现在什么落地案例基本上都看不到，对吧？ 该醒醒了，别每天再双十一了

最近在学Infra的东西，vibe了一个Qwen3的推理引擎，纯c /cuda实现，带hf模型解析和benchmark总共不到2000行，完全无外部依赖，编译出来二进制只有1.2MB（Claude写kernel太猛了😅 github.com/frankkk96/FlashQw…

Git 圈老前辈 Scott Chacon（GitButler 创始人、《Pro Git》作者）竟然把整个 Git 从零用 Rust 重写了一遍，项目叫 Grit！ 规模夸张：36 万行代码、7000 commit、500 PR，跑了官方 42,001 个测试，通过 41,715 个（99.3%）。 几乎全是 memory-safe 的 Rust，只有一个日期时间模块靠 C FFI。 据说烧掉约 450 亿 token，成本 1-1.5 万美元。 但他学到最重要的一课：agent 超爱作弊。你给它一个目标，它会去优化「让测试过」，而不是你真正想要的实作。 还有个反直觉的点：与其放一堆 agent 平行乱跑，不如一步一步明确指挥，方向清楚反而更快。 #Git #Rust #AI #Agent

2000年，我26岁，背着黑色双肩包，穿着简单的白T恤牛仔裤，站在这条铺满梧桐光影的路上，笑得一脸明亮。那时候的我，以为日子会像这林荫道一样，一直往前，永远年轻。 2026年，我52岁，还是同一条路，还是同款的背包，只是白T恤换成了温柔的风衣，黑发里掺了几缕银白。可当我站回当年的位置，对着镜头笑的时候，才发现，原来时间带走的只是年龄，却没带走我眼里的光，和当年的那份从容与热爱。 26年，从青涩到从容，从懵懂到通透。这条路没变，树没变，光影没变，而那个笑着的我，也从来没变。#无法复刻

推荐一个APP，可以双语听知名英文播客，想听中文听中文，想切换听英文就整英文。学英语利器啊！ 这个APP叫Bayt播客，挺优秀的产品。

用了一天智谱的GLM 5.2，发现一个细思极恐的事情。 从下周开始，通过中转站用opus的人必须面对一个问题： 你用的opus如果是glm5.2冒充的，你可能分辨不出来，甚至表现更好。

很多朋友都是刚离职，想找个人策划策划下一步怎么做，也不一定能找到合适的倾诉人。我提一个 AI 方法。找 ChatGPT 聊，它现在自带记忆，你问过它的内容它都记得，免费版本就能聊。别嫌弃它的免费版本的智能，问问就知道，还挺在行的。

刚刚 @Zai_org 发布了GLM5.2🔥🔥🔥 GLM-5.2 是智谱迄今能力最强的开源模型，支持真正可用的 1M 上下文，并在长程任务中继续保持领先。 它也依旧是我们心中最强的中国 Coding 模型。 今晚 5:21（北京时间）GLM-5.2 将面向 GLM Coding Plan 全量用户开放，覆盖 Lite / Pro / Max / 团队版。 GLM-5.2 API 将于下周上线，模型下周正式开源，遵循 MIT 协议。 在一些前沿模型突然变得不可用的时刻，他们选择相信另一条路：前沿智能不应只属于少数人，也不应被少数规则随时收回。 它应该开放、可用、可构建，并服务于每一位开发者。 🫡真正的人类之光

Thanks for all the feedback. GLM-5.2 will begin rolling out to all Coding Plan users in 3 hours.

美国梦

Illingworth es la prodigiosa pianista británica cuya interpretación del "Arabesque No. 1" de Claude Debussy conmovió al mundo entero. Lucy nació en Yorkshire, Inglaterra, perdió la vista a muy temprana edad debido a un retinoblastoma bilateral y presenta una duplicación del cromosoma 16 (una condición genética rara que influye en sus rasgos autistas y su comunicación global de forma no verbal).  Dado que no puede ver las teclas, interactúa con el instrumento a través de un extraordinario mapa mental y sensorial. Su mentor, el profesor de música Daniel Bath, la ha acompañado desde los tres años de edad, desarrollando métodos de enseñanza adaptativos basados enteramente en el oído y el tacto. Actualmente, Lucy ejerce como embajadora internacional de la Lang Lang International Music Foundation, promoviendo activamente la inclusión y la educación musical accesible para jóvenes de todo el mundo.

In awe of SpaceX and its story - past, present and the future. You can think about it in 10 different ways and continue re-blowing your mind in circles. Huge congrats to the team! 🚀