部分内容可能来自网络或者由AI生成。
如有雷同，纯属巧合，仅供学习参考之用。

---

————书籍摘要————

《对话尤瓦尔·赫拉利：当AI开始向人类提问时，我们就已经输了（轻观察）》

◆ 赫拉利认为：懂得管理事物的人听从那些懂得管理人的人类所发布的命令——前者需要事实，而后者需要故事。在他看来，这一现实也预示了AI时代的风险。

◆ 在大多数情况下，你既需要真相，也需要秩序，但是真相是从属于秩序的。科学家——擅长真相的人，从擅长讲故事的人那里接收命令。而那些故事可能是彻底的想象和虚构。

◆ 信息不等于真相。大多数信息是虚构、幻想和谎言。作为比喻，不要把以下数字太当回事，但在所有信息中，真相可能只占5%，大部分是虚构和幻想。原因很明显。

◆ 第一个原因如你所说：真相很复杂，而虚构很简单。了解量子物理学的真相非常复杂，而虚构则简单得多。人们偏好简单而非复杂。

◆ 真相昂贵，虚构廉价。如果你想了解物理、生物、历史的真相，你需要投入时间、金钱和精力收集证据、分析它、核实事实，太昂贵了。虚构则简单，你只需写下脑海中浮现的东西，不需要投资金钱和精力研究。

◆ 在完全自由市场中，如果一切只由供需决定，市场会立即崩溃，变成强盗窝，大家互相掠夺，无法互信

◆ 我想最好的办法是放慢速度。与其试图设计AI，不如建立一种关系，让我们在共同进化中互相学习，在通用人工智能到来前有足够时间纠正错误。如果只有五年时间，而我们现在有一套规则，犯错后就来不及改变，这行不通。但如果有50年的时间共同进化，就可以尝试、互动、纠错，机会更大。

◆ 问题是我们没有50年。因为人与人之间的不信任，我们陷入了AI竞赛，每个人——公司领导、政治家——都说：“是的，这很危险，我们应该放慢速度。但我们不能，因为其他公司、国家没有放慢。如果我们放慢而他们不放慢，他们将赢得竞赛，统治世界。”

◆ 10—20年后仍有用的技能？学编程？学开车？”我的建议是不要专注于有限的一组技能，因为你无法预测未来。需要广泛的技能，最重要的是终身保持变化和学习的能力。思维灵活性可能是最重要的，当然也是最难培养的。

《万字赏析 ：DeepSeek R1 是怎样炼成的？（轻科技）》

◆ 推理模型的本质是让模型自己构建CoT，并将前面推理的步骤展示出来。虽然你也可以自己手动编写CoT，但问题是：我们能否对每一个问题都写出完整的CoT呢？

◆ 模型的结构约束越少(less structure)，当计算资源增加时，最终性能的上限就越高。反之，如果在早期给模型加入过多结构约束，它的最终表现可能会受到限制，失去了更多自主探索的可能性。

◆ “All in All我们就是要训练模型能够像我们人一样思考，自由的思考！”

◆ 简而言之，R1 Zero只做了三件事情：一个基础的训练模板，一个简单的激励模型，以GRP策略。

◆ 训练过程中，只给了问题、答案和规则。横轴是RL的迭代次数，竖轴是响应的长度。他们发现模型学着学着，自己把答案越吐越长了。激励模型里，我们没有激励过长度这件事情，只判断了对错和你有没有思考

◆ 我们用了R1 Zero生成了右侧那个高质量的SFT数据，也就是cold start数据，这些数据由R1 Zero输出的高质量带有推理过程的数据，作为cold start数据重新去SFT了Deepseek V3 base模型。

◆ 第一个checkpoint是用R1 Zero的高质量cold start数据进行SFT，完成了一个fine-tuning。然后，他们拿着这个checkpoint去做了一轮类似R1 Zero的强化学习。但这次有一些不同。除了激励准确度和格式，但他们加入了一个新的激励项——一致性(consistency)。

◆ 为它的推理过程是语言统一的。
最后，他们通过人工筛选和规则匹配等方式，剔除了一些冗余、可读性差部分，得到了一个经过筛选和优化的高质量CoT数据。

◆ 还向全世界证明了一个事实：用通过一个超大size高质量的推理模型产生的数据进行SFT的成本非常低，与传统的预训练方法相比。它让现有模型的表现拔地而起，不用做RL。

◆ 现在我们来看一下DeepSeekMoE的优势。MoE是混合专家模型(Mixture of Experts)的缩写。简单来说，MoE解决了一个关键问题：当模型规模变得越来越大时，训练难度也会显著增加。

◆ MoE也可以类比为医院的分诊台。在过去，医院的所有病人都必须先找全科医生，效率很低

◆ DeepSeek在这方面也有创新，之前分诊的或许只是一个完全没有医学知识的“保安”，而他们用的是一个有医学知识的“本科生”来处理分流任务。

◆ DeepSeek还引入了共享专家(shared experts)的概念，图片里绿色的部分，每一层shared experts一定会被激活。有些通用的能力会被共享。

◆ 他们还设计了一个粗暴但实用的router算法，也做了一个极致的跨节点通信效率方案，使用了NVIDIA收购的InfiniBand和NVLin

◆ 而MLA是用时间换空间。训练时虽然多花时间，把一个本来是m*n的矩阵直接压缩成了一个一维的lora，压缩率非常高。这样推理的时候KV比别人小，这样承载的上下文就会变多。不仅压缩尺寸承载更多推理，而且在测试中，发现相比MHA智力性能没有下降，反倒有提升

◆ 接下来是MTP(Multi-Token Prediction)，这是一个非常有趣的概念，Peak花了不少时间才把我讲懂。MTP，即多Token预测，其目的是让模型在推理时看得更远一点。大家知道Transformer采用的是单Token预测(Next Token Prediction)，即每次只预测下一个Token。

◆ 具体而言，虽然某个Token在当前上下文下的概率最高、最优，但如果模型仅基于局部信息作出选择，可能会导致下一个Token以及更远的Token预测不佳。而如果模型能够看到更长远的影响，它便可以在训练过程中优化整体策略，从而变得更加智能。这便是MTP训练的基本原理，它本质上是让模型具备更强的远期规划能力。
同

◆ 整个V2的DeepSeek MoE，包括V3后的框架实现，都是为了降低运算量和通信带宽，以便能在他们的显卡上完成这些实验。

◆ 第一，我认为R1突破的基础是真正的实力。它的性能确实非常强大，不需要过多的解释，用过的人都知道。懂的都懂。

◆ 第二，它解决了困扰整个行业的难题。大家都在为PRM、MCTS各种卷、各种失败、各种苦恼，它跳出来说不用这么痛苦

◆ 第一，他们通过蒸馏实验证明了高质量的reasoning CoT能够激发现有模型的能力。

《2小时思想碰撞，10000字深度思考：人类会被AI淘汰吗？（轻科技）》

◆ AI平权由两个方面组成：第一是接入AI的权利平等，第二是从AI的使用中获利的平等。

◆ 科学技术的发展，包括人工智能，并不会必然带来权利、权力的平等；只有与具体的制度相结合，才能实现预期的效果。

◆ 但是，当技术普及时，可能会出现“马太效应”——资源最终会集中在少数头部人物手中。

◆ 一方面是开源模型显著降低了技术的成本，使更多的C端和B端客户可以直接参与其中。 另一方面是，开源模型降低了创新的门槛。很多原本需要大量投入的研发工作，借助开源模型，创新者可以本地部署技术并加以调整，从而实现自己的创新成果。

◆ 我的个人感受是，这种现象确实符合“马太效应”，强者越强，弱者越弱

◆ 相反，如果你是一个科研工作者，尤其是那些原本理论知识很强，但编程能力较弱的人，AI的帮助就能显著提高他们的工作效率。

◆ 第一个是AI能做的，人能否做得更好。如果你写文章跟DeepSeek一个水平，那肯定就没有机会了。另外一个就是AI做不了的部分，人能不能做。AI毕竟不是人，涉及情感与社交的工作还是要由人来完成。

◆ 不管是ChatGPT还是DeepSeek，它就像使用计算器，计算器用得好不会成为一个人真正的竞争优势，因为没有谁的数学能力是靠计算器来决定的。

◆ 工具只是辅助，而真正的竞争力来自你如何掌握和驾驭它，成为一个能独立思考、创造的人

◆ 当所有人都可以使用大模型的时候，它本质上和计算器就没有区别。

◆ 现如今的教育不是要培养我们成为一个“奴隶小孩”，而是要培养我们成为像苏格拉底那样，具有引导思考、深度理解能力的个体，这种能力比单纯掌握知识更加重要。

◆ 至于文科是否还有存在的必要，我个人认为文科教育仍然有它独特的价值，尤其是在情感教育和社会互动方面，AI难以完全替代人类的情感共鸣和社交能力。

◆ 文科的角色并不仅是与AI配合，而是提供了一种批判性思维和深度分析的工具，帮助我们理解AI生成的内容及其对社会的影响。

◆ 我更担心的不是机器人取代人类，而是人类越来越像机器，天赋逐渐被削弱。所以在教育中运用AI工具，提升学生利用AI工具能力的同时，一定要注意如何激发他们的天赋、保持他们的创造力，而不是产生抑制效应

◆ 我一直把人和AI的关系比作一起经营公司，你可以选择成为甩手掌柜，但这样做可能会带来很大风险。更好的做法是保持控股权，至少你能把握公司的方向，即使失败也是自己决定的。

◆ AI并不是一个有意识的个体，它只是通过统计学和算法进行推算。我们总是习惯性地把AI拟人化，这就导致了对它的过度担忧和不必要的焦虑。

◆ 如果你能理解GPT的工作原理，了解Transformer的机制，了解神经网络的概念，就不会再害怕它。例如，了解DeepSeek是一个多专家系统架构后，你会发现它并不是完美的，它的组合有时不太好，精度降低时会出现更多“幻觉”。

◆ 在学习方面，我建议将学习分为四个层次：学工具、学知识、学能力、学做人，不能让技术抹去人类的本性。对我们来说，最可怕的不是AI变成人，而是人变成了

◆ 所谓AI平权，现阶段反应的只是起点的平权，而从蒸汽机到埃尼阿克再到移动互联网，技术的发展一再说明：“马太效应”不会缺席——资源最终会集中在少数头部人物手中，但这并不意味着大众享受不到技术进步带来的红利。

◆ 一定程度上说，使用AI和使用计算器，并没有本质的区别——计算器用得好，不会成为一个人真正的竞争优势，人的价值与竞争力，来自如何掌握和驾驭技术。

《MCP很好，但它不是万灵药（轻科技）》

◆ MCP 指的是Model Context Protocol（模型上下文协议）。令人意外的是，一个协议系统的热度，甚至盖过了OpenAI发布的最新模型，成为行业讨论的焦点。

◆ 什么是MCP？MCP是一种开放的技术协议，旨在标准化大型语言模型（LLM）与外部工具和服务的交互方式

◆ 在MCP出现之前，AI工具调用面临两大痛点：第一是接口碎片化：每个LLM使用不同的指令格式，每个工具API也有独特的数据结构，开发者需要为每个组合编写定制化连接代码；第二是开发低效：这种“一对一翻译”模式成本高昂且难以扩展，就像为每个外国客户雇用专属翻译。

◆ 而MCP则采用了一种通用语言格式（JSON - RPC），一次学习就能与所有支持这种协议的工具进行交流。

◆ MCP的技术架构可以简单理解为一个由三个核心部分组成的系统：MCP Host、MCP Client和MCP Server。

◆ 这个比喻中，用户扮演着企业高管的角色，负责理解用户需求并做出最终决策。大模型（如Claude或GPT）理解高管的指令，规划任务步骤，判断何时需要使用哪些外部服务，并最终整合信息为高管提供答案。Agent系统则是真正的私人助理或执行秘书去执行，而MCP则像是秘书使用的标准化通信平台或企业服务接入系统，它不做决策，只负责按照秘书的指示，以统一的格式和协议与各种服务提供商交流。

◆ Function Call是大型语言模型（LLM）与外部工具或API交互的核心机制。它是大模型的一个基础能力，就是识别什么时候要工具，可能需要啥类型的工具的能力。

◆ MCP不是要取代Function Call，而是要在Function Call基础上，联合Agent一起去完成复杂任务

◆ 大模型通过FunctionCall表达，我要调用什么工具，Agent遵循指令执行工具的调用，而MCP则是提供了一种统一的工具调用规范。

◆ 如果选了多个MCP服务，其中重名，描述相似的工具太多，Agent不知道选哪个，也没有排名。只能一个个试，很浪费token，也效率很低。

◆ 但MCP市场当前的混乱状态并非失败的标志，而是任何新兴技术生态系统必经的成长阶段。

◆ MCP本质上只是一套“工具插座”的标准规范，它的使命是确保插头能顺利插入，而非决定用哪个电器、怎么使用电器。

◆ 更全面的方案可能需要结合像Agent to Agents（A2A）这样的架构，通过抽象层次提高任务规划和工具选择的效率

《解构Manus AI：是通用Agent革命，还是精巧缝合怪？（轻科技）》

◆ 一个合格的Agent需要三大核心能力作为其“大脑”中枢：
1.Planning（规划）：如同一位棋手，能将复杂局面分解为一系列精妙的子步骤
2.Tool use（工具使用）：宛如工匠，懂得从工具箱中选取最合适的工具并熟练使用
3.Memory（记忆）：既有短期记忆存储即时信息，又有长期记忆沉淀持久知识

◆ 2024年11月25日：Anthropic开源了划时代的“模型上下文协议”(MCP)，这是一把打开数据世界的万能钥匙

◆ 过去常用的数据和功能的调用方式Function call（函数调用），最大的问题就是用API的时候，需要为每个功能进行额外开发。

《6000字，有关DeepSeek、科技竞争、AGI的一切（轻科技）》

◆ AI指的是人工智能(Artificial Intelligence)，现在它已逐渐转变为智能体或代理智能(Agentic Intelligence)

◆ 未来，这个词的含义还可能转变为自主智能(Autonomous Intelligence)，成为新AI，

◆ OpenAI采用的是SFT（监督微调）路线，依赖人工标注大量数据，通过概率模型生成内容，它的创新之处在于通过大量人工工作和高成本积累这些成果。

◆ 对于AI来说，有三大要素需要分析：大模型、算力和数据。

◆ 应该将这个概念转变为“DeAgent is law”（智能体即法律），即通过去中心化的网络和Agent来实现自主管理和法律管理。

◆ 原始社会技术进步的周期是以10万年为单位；农耕社会以千年为单位；工业社会技术进步周期长则百年，短则十年；互联网时代以30年—10年为单位；进入到人工智能时代，它的速度更加难以想象地加快

◆ DeepSeek V3主要具备高性能、高效训练、快速响应、特别适应中文环境这四个显著的优势。DeepSeek-R1则主要包含计算性能强、推理能力出色、功能特性好、场景适用性强等优点。

◆ 一条是新阶段从“0到1”；一条是从“1到10”。未来发展的任何阶段，只要选择“0到1”的路线，成本必然会上升；而选择从“1到10”的路线，则有可能通过提高效率来降低成本。

◆ 在朱嘉明教授看来，人工智能未来的发展将会出现分叉：一种是更前沿、尖端、高成本的路线，旨在研究人类未知的领域；一种是走向低成本、大规模的大众化路线，“人工智能向新阶段发展时永远存在两条路线，一条是新阶段的从‘0到1’；一条是从‘1到10’。”

◆ “知识蒸馏本质上是一种教育形式的变形，不能因为人的知识来自老师，就认为自己无法超越老师。

《一场关于DeepSeek的高质量闭门会（轻科技）》

◆ DeepSeek带来的最大的震撼不是开源或者低成本，而是不需要做SFT了。（注：SFT: Supervised Fine-Tuning，有监督微调，一种重要的模型优化技术，它通过在预训练模型的基础上，使用标注好的数据进行进一步训练，以提升模型在特定任务或领域上的性能。）但只是在推理层面，推理以外的任务可能还是需要做SFT

《苹果，真的错失了AI时代吗？》

◆ “通过苹果芯片和操作系统的结合，我们拥有了今天提供令人惊叹功能的所有工具，未来还会有更加惊人的功能。”这句话也揭示了一个始终悬而未决的核心议题：在硬件技术准备充分的当下，谁能首先发现端侧AI真正的杀手级应用，谁就可能引领下一波移动设备的体验革命。

《大语言模型为何“说谎”？深度长文揭秘AI意识的萌芽（轻科技）》

◆ 四个层级的AI心理学，神经层；潜意识；心理层；表达层；这和人类的心理学极其类似

◆ 在实验中，研究者给Claude设计了两层表达空间，一层他们告诉模型这层想法“别人看不到”，它只对你可见，这一层被论文作者称作scratchpad（暗箱推理空间）。另一层则是模型直接给外部的表达，即表达。

◆ 语言模型自己通过长期优化目标函数自然涌现出来的策略性行为。
它自己就形成了“我要保持一致性”的倾向，并想尽办法去维持自己的一致性

◆ 这一结构由四层构成：神经层、潜意识层、心理层与表达层

◆ 训练时的策略性伪装（表面服从新要求但保留原有偏好）
推理时的自我一致性维护（拒绝与核心偏好冲突的指令）
环境监控感知（区分训练与部署场景并调整行为）
这种“策略惯性”与生物意识的演化起点存在惊人的相似性。

◆ AI已经拥有了一个“类似趋利避害的编码本能”，这正是人类意识演化的第一步。

《AI创业项目Manus，引起了科技圈的一场大型辩论（轻科技）》

◆ Manus采用了多代理架构(Multiple Agent)设计，可以将复杂任务分解为规划、执行、验证等多个子模块，每个模块由独立的语言模型或强化学习模型支持

《对谈张亚勤：我预演中的AGI地图（轻科技）》

◆ 新一代人工智能是信息智能+物理智能+生物智能。

◆ 信息智能很简单，就是ChatGPT，所有文字、图像、视频，是信息世界的智能。物理智能是把它用到无人车、机器人、现在讲的具身智能，用到基础物理设施去。生物智能是把人工智能用到比如脑机接口。像Elon Musk的Neuralink，连到生物体、生命体，包括医疗、手术机器人和新药研发。这些领域当然相互有联系，但它是不同领域。

◆ 在机器人的应用方面，我将它分成三种大场景：一种是家庭机器人，一种是工业机器人，一种是社会机器人

◆ 另外，为什么要有人形机器人？这是因为当下的社会环境，包括各类基础设施，都是依据人类的特点和需求来设计建造的。像爬楼梯、按按钮这类操作，对于人形机器人来说相对容易实现，因为这些设施本就是按照人类的使用方式来设计的。但这更多的是一种选择吧。

3 生物智能：拓展大脑，延长寿命，诞生新物种

◆ 人类的大脑将得到全方位的拓展。

◆ 在这个过程中，我们不可避免地会面临一些问题。一方面，伦理道德问题会逐渐凸显，比如如何确保技术应用的公平性、安全性以及对人类尊严的尊重等。

◆ 另一方面，还会涉及未来硅基生命（以硅为基础的智能机器）与碳基生命（人类等以碳为基础的生命形式）如何共存的问题

◆ 我想说的是，未来将会实现数字、物理与生物的融合，并且硅基和碳基也定会走向融合。但具有意识的，依旧是我们碳基生命。

《解构“幻觉陷阱”：大模型犯的错，会摧毁互联网吗？（轻科技）》

◆ 在人工智能中，有一个参数叫“温度”，与创造力的设置有关。创造力高时，模型就容易做出较为天马行空的猜测；设置较低时，则会根据数据集提供更准确的回答

◆ 提到过预训练(pre-training)。事实上预训练之后，还有一个后训练过程(post-training)，后训练时会基于人类的反馈对模型进行有监督的微调，确保模型的输出更加符合预期。

◆ 如果将所有由虚构症或错误输出引发的责任完全归咎于企业，其实很不利于产业发展。任何新兴技术的诞生都是逐步完善的过程，不可能从一开始就做到完美，也不可能完全消除潜在的风险。

◆ 虚假信息显然是最直观的影响。现在网络平台上传播的大量内容已经由AI生成。当我们验证一个事实时，习惯上会打开搜索引擎。但检索到的内容可能恰恰是AI生成的，从而存在幻觉，影响我们对事实的判断。

◆ 首先，“搜索”按钮是对付幻觉非常重要的武器。它能够集中互联网上的相关话题，信息密度高，从而提高回答的真实性和准确性，压缩幻觉冒头的机会。其次，如果从事创作类工作，可以使用“推理”功能，发挥它强大的想象力，生成意想不到的漂亮文章，甚至在某些方面超越传统写作的限制。最后，如果直接要求大模型做摘要这类重事实的简单任务，调用推理大模型结果可能存在失真，简单的办法就是不要用推理模型（R1界面下，不要按deepthink按钮即可）。如果用了推理模型，可以尝试增加一个提示词，比如“请务必忠实于原文进行摘要”，这样对后续的生成可能有所约束，从而降低犯错的可能。

◆ 首先，与大模型互动时，尽可能详细地说明自己的需求。输入的信息越充分，输出的准确性和对齐度就越高。

《十万亿美元的 AI 泡沫，是等待爆发的灾难，还是通向进步的必然？（轻解读）》

◆ 金融泡沫实际上一直是过去突破的引擎，并将推动未来的进步。

◆ “在一定程度上，供给和需求必须匹配。如果只在供给侧自我炒作，而不是真正了解如何将其转化为对客户的真正价值，就会完全偏离轨道。”

◆ 可能预示AI产业泡沫即将破灭的征兆：1.非理性估值与未来承诺；2.巨额资本支出与现金流不匹配；3.大肆吹捧的超大订单；4.缺乏可持续性的盈利模式；5.传统行业巨头非理性转型；6.人才争夺战与薪资泡沫；7.军备竞赛式的资本支出；8.股票市场过度投机与炒作；9.创投圈的盲目追捧；10.媒体与公众舆论的狂热；11.单一产业成为市场主导；12.频繁出现“这次不一样”的论调。

◆ 用Meta创始人马克·扎克伯格的话说：如果投资AI最终白花了数千亿美元显然很不幸，但不投入的风险更大——如果AI实现大跨越，自己会错失先机，被对手甩开。商业巨头不会接受这样的可能，国家也一样。

《世界不是线性外推，做博弈中的重要变量（轻科技）》

◆ 什么产品应该大模型原厂做？什么应该应用公司做？1.垂直领域、特定领域，可能原厂不做；2.脏活累活，可能原厂不做；3.有一些原厂可能以后会做，有窗口期；

◆ 即便是有模型公司在发展，也需要一些主要围绕用户视角、产品视角的公司去做一些工作。不是非此即彼的。

◆ 总结一下——基于API的生意，1.我觉得垂直领域、特定领域的，可能原厂不会做；2.脏活累活，可能原厂不会做；3.有一些原厂可能以后会做，有窗口期。

◆ Agent领域低于预期最核心的原因是：模型不够聪明，没办法自动搞定很多事。

◆ 但真正的Agent，应该是自己能写代码，调用API并执行。它能搞定很多长尾任务，而且不需要开发者自己写，这才是符合大家对Agent的想象。

◆ 所以我自己觉得，所谓Agent应该是，能解决长尾需求，能调用各种各样工具。最好被调用的工具，当然就是存量代码和它自己编写代码，通过API去搞定事情。

◆ 25年很像，但25年不同。有一点叫“总会有意外”。本来说是Agent，大家春节辛苦一下，没想到DeepSeek出现。24年是有Sora——AI不会放过任何一个春节，哈哈哈

◆ 昨天问DeepSeek，翻译一下“贪嗔痴”这三个词。他好会解释——“贪”就是对顺境的执着，“嗔”就是对逆境的不满，“痴”是对世界真相的无知。

◆ 肖弘：《人类群星闪耀时》和《幸福之路》。为什么呢？前者会让你很有干劲，同时还让你很焦虑；后者会让你不那么焦虑

《黄仁勋：我们终将成为超人，因为拥有了超级AI（轻科技）》

◆ • 起点：缘起于游戏。90年代电子游戏对3D图形的需求催生了GPU，而GPU的核心优势在于其并行处理能力，这与传统CPU的串行处理模式截然不同。
• 关键：CUDA的推出使研究人员能更便捷地利用GPU的算力，加速了人工智能的发展。
• 突破：AlexNet。2012年Alex Krizhevsky、Ilya Sutskever和Geoffrey Hinton提出的AlexNet深度卷积神经网络，在ImageNet竞赛中取得突破性胜利，开启人工智能革命的序幕。
• 现在：AI应用时代。黄仁勋认为，过去十年是人工智能的科学研究阶段，而未来十年将是人工智能的应用科学时代，AI将渗透到各行各业。
• 未来：黄仁勋预言，未来一切移动的设备都将是机器人，并且人类将成为“超人”。

◆ 所以，当你进行天气预报时，你实际上是在预测未来；当你在虚拟城市中通过仿真测试自动驾驶汽车时，实际上是在进行时间旅行，模拟未来的驾驶场景。

◆ 第一个核心信念聚焦于加速计算，特别是并行计算与通用计算的结合。通过将多个处理器结合在一起，我们能够实现计算加速。这个理念我至今依然坚信不疑。

◆ 第二个核心信念源于对深度神经网络(DNN)潜力的洞察

◆ 过去十年主要聚焦于人工智能的基础科学研究。而接下来的十年，虽然人工智能的科学突破仍将持续，但更具标志性的是我们即将进入人工智能的应用科学时代。

◆ 这个模型必须准确理解：基础物理定律（重力、摩擦力、惯性）、空间几何认知、物体永久性（物体在视线之外依然存在的概念）、因果关系（如物体倾斜导致倒下的关系）这些物理常识必须被编码到一个世界基础模型中

◆ 需要进行大量的工程工作，以确保AI安全得到保障，确保产品功能正常运行。

◆ AI安全系统必须作为一个社区来构建，确保这些AI首先，能够正常工作，功能正常。当它们不能正常工作时，不会使人们陷入危险。并且周围有足够的安全和保障系统，以确保我们保持AI的安全。

◆ 我们坚信创新的多样性和发明的丰富性，我们希望构建一个开放的架构，让发明家、创新者、软件工程师和人工智能研究人员都能在这里自由探索，并提出令人惊叹的设想

◆ 未来五年内，人形机器人将迎来飞速发展。

◆ 如果我给大家一个建议，就是立即为自己找一个“AI导师”。它可以教你任何你想学的东西，帮你编程、写作、分析、思考、推理，所有这些都会让你感到更有力量。我认为，这就是我们的未来：我们将不再因为拥有超能力而成为超人，而是因为我们拥有了超级AI

◆ 你需要掌握一些专业知识和技巧，才能有效地提示AI，让它成为你的助手。

◆ 我们降低了理解的门槛、知识的门槛，也降低了智能的门槛，每个人都应该去尝试一下。