重阳说 查理·芒格先生有一句广为流传的话："我这一生当中，未曾见过不读书就智慧满满的人。没有。一个都没 有。沃伦（巴菲特）的阅读量之大可能会让你感到吃惊。我和他一样。我的孩子们打趣我说，我就是一 本长着两条腿的书。" 熟悉重阳的朋友们一定知道，阅读，一直是我们非常推崇的成长路径。 现在，我们希望和你一起，把阅读这件事坚持下去。 每一期专栏，我们依旧聊书，可能是书评、书单或者书摘。 每一期会有一个交流主题，希望你通过留言与我们互动。 我们精选优质好书，根据留言质量不定量送出。 世界莽莽，时间荒荒，阅读生出思考的力量，愿你感受到自己的思想有厚度且有方向，四通八达，尽情 徜徉。 提示：本公众号所发布的内容仅供参考，不构成任何投资建议和销售要约。如您对重阳产品感兴趣，欢 迎 扫码 咨询。 【好书】第303期：《大语言模型》 2025年7月 互动话题： 结合本书， 请 谈谈你对大语言模型的认识 。 留言时间：2024年9月24 日 - 2025年 10月8日 （鼓励原创，只要你的内容足够优秀，期期选中也有可能哦） 筛选及书籍（单本）寄送：2025年10月9日后 （选中会收到提交寄送地址的私聊，逾期未提交/信息不全视为放 ...

似乎所有人都在谈论人工智能（AI），比如会写作文的ChatGPT、会画动画的Sora、能深度思考的Deepseek、会陪你聊天的Qwen……它们像一群飞速进化 的数字大脑，正在改变我们的学习、生活和工作。 但你有没有好奇过： 别急，所有问题的答案，都藏在一本既有趣又深刻的书里——《人工智能70年：从达特茅斯会议到大模型时代》。 好奇喵限时免费送书活动已开启，参与方式见文末！ 它们是怎么"变聪明"的？ 谁在背后推动这场改变世界的科技革命？ AI究竟是人类的好朋友，还是像科幻电影中的大反派呢？ 这本书由小米集团创始人雷军先生作序推荐，它不是一本枯燥的科技课本，而是一场穿越70年AI风云的沉浸式旅程。 作者陈宗周以资深科技媒体人兼科普作家的独特视角，巧妙地编织了"故事线"与"技术线"两条主线，让硬核的科技知识在鲜活的人物与事件中生动起来。 陈宗周，科普作家，资深科技媒体人，中囯科协第七届全国委员会委员。 新书目录 阅读本书，你会比其他人更了解AI是什么，知道AI能做什么、不能做什么。当同学们还在为AI感到惊奇或害怕时，你已经能化身小小科学家，理性地分 享你对AI的见解了。 你会在这里遇见那位被称作"倔强爷爷"的杰弗 ...

狐仙崇拜研究 - 狐仙在中国民间信仰中具有模棱两可性质 既可能带来祸害也可能带来好运和财富 [2] - 狐仙故事反映封建社会的阶层矛盾 如寒门士子突破阶层枷锁和女性反抗礼教束缚 [3] - 狐仙信仰存在于中国 日本 韩国等东北亚及西伯利亚文化中 日本稻荷信仰祭祀狐狸神祇 [5] 新闻记者职业历程 - 卡普希钦斯基1956年成为波兰新闻记者 1957年开始驻外生涯 以希罗多德《历史》为旅伴 [7] - 希罗多德被视为世界上第一位记者与全球主义者 其"历史"概念意为调查与探究 [7][8] - 卡普希钦斯基通过全球旅行理解世界多样性 在参差多态现象中寻找普世真理 [7][9] 人工智能行业竞争 - OpenAI与DeepMind展开人工智能霸主之争 涉及资本力量与伦理困境的博弈 [11] - OpenAI创始人萨姆·奥尔特曼吸引埃隆·马斯克和微软首席执行官萨提亚·纳德拉的投资 [11] - DeepMind创始人德米斯·哈萨比斯获谷歌创始人支持 凭借AlphaGo和AlphaFold取得突破 [11] - 科技巨头以巨额投资换取技术控制权 将造福人类承诺转化为商业版图扩张 [12] 东京轨道交通系统 - 东京通勤轨道交通系统工作日早晨容量达175%-230% 核载1620人的车厢实际搭载3000-4000名乘客 [14] - 两班地铁时间间隔通常为2分钟 停站时间仅30秒 依赖精确调度和管理差异维持运营 [14] - 列车运行图每年多次更新 规定每列车速度和到站时间 构建通勤铁路网的时空顺序 [15] - 系统在超负荷运转下形成人类与机器互动的集体生活场景 带来独特生理和心理影响 [16]

AI核心概念与学习方法 - 人工智能通过机器学习从数据中自行学习规律而非依赖预设规则 核心方法包括有监督学习(使用标记数据训练模型) 无监督学习(从未标记数据中发现模式)和强化学习(通过试错和奖励机制优化行为策略) [9][12] - 2012年Google通过无监督学习使神经网络在观看海量YouTube视频后自发识别"猫"的概念 成为深度学习里程碑事件 [11] - AlphaGo击败人类棋手和ChatGPT的崛起标志着AI技术进入爆发期 深度学习依赖算力(GPU) 数据(互联网)和算法三要素共同推动 [6][69] AI技术基础能力 - 数学是AI底层逻辑的核心 线性代数处理向量与矩阵 概率统计管理不确定性 微积分通过梯度下降优化模型参数 [13] - Python是AI开发首选语言 拥有简洁语法和强大生态圈 关键工具库包括NumPy/Pandas(数据处理) Scikit-learn(机器学习) TensorFlow/PyTorch(深度学习) [19][21] - 其他编程语言各有侧重 R语言擅长统计分析 C++适用于高性能计算 Java用于企业级系统开发 [23] 实践与学习路径 - 学习过程需结合理论深度(数学) 工具掌握(编程)和实践高度(项目) 建议通过Kaggle竞赛 GitHub开源项目和复现论文等方式积累经验 [28][47][53] - 建议建立持续学习机制 关注顶级学术会议(NeurIPS/CVPR/ICML) 筛选高质量信息源 避免被技术营销内容干扰 [24][25] - 初学者可从微项目入门 如用Pandas分析天气数据 用Scikit-learn预测泰坦尼克号幸存者 逐步构建可交互的Demo展示能力 [50][51][53] AI应用领域与职业方向 - 核心职业路径包括机器学习工程师(算法落地) 数据科学家(数据洞察) 算法研究员(前沿探索) 具体职位衍生出算法工程师 AIGC工程师等细分方向 [38][40] - AI与垂直领域结合创造新价值 包括艺术设计(生成式AI创作) 金融商业(量化交易/风控) 医疗健康(新药研发/影像分析) 材料科学(分子模拟)等领域 [42][43] - AI技能将成为通识能力 未来差距体现在顶尖人才(创造AI)与普通劳动者(使用AI)之间 需注重培养解决问题能力和人机协同思维 [37][45][55] AI发展历程 - 1956年达特茅斯会议正式提出人工智能概念 早期发展形成符号主义(逻辑推理) 联结主义(模式识别) 行为主义(环境交互)三大流派 [58][64] - 经历两次AI寒冬后 统计机器学习崛起 2012年AlexNet在ImageNet竞赛中以压倒性优势夺冠 标志着深度学习时代的开启 [66][67] - 现代AI正融合三大流派优势 追求兼具学习能力 逻辑推理和行动能力的综合智能体系 [65]

核心人物动态 - Igor Babuschkin宣布从xAI离职 将创办风险投资公司Babuschkin Ventures 专注于AI安全研究和推动人类进步的初创企业投资 [1][3][30] - 该人士曾深度参与xAI核心项目 包括领导Grok从初代到第四代的迭代 并主导建设包含10万张英伟达H100的孟菲斯超算集群Colossus [1][14][16] - 其职业履历涵盖DeepMind（参与AlphaStar、WaveNet项目）、OpenAI（参与Codex和GPT-4开发）及CERN粒子物理研究 [8][9][11] 公司发展历程 - xAI成立一年半市值突破500亿美元 通过合并X平台和新一轮融资 估值有望达到2000亿美元 [16] - 公司122天内完成超算集群Colossus建设 Grok产品28个月内迭代至第四代 成为OpenAI GPT和谷歌Gemini的直接竞争者 [16] - 创始团队原12人已有3人离职 除Igor外 另两名成员分别回归OpenAI和加入初创公司Morph Labs [31] 行业人才流动趋势 - AI顶尖人才常见流向为同业跳槽（如Kyle Kosic从xAI回归OpenAI）或自主创业（如Ilya Sutskever创办Safe Superintelligence、Mira Murati创办Thinking Machines Lab） [3][31][32] - 从技术研发直接转型风险投资在35岁年龄段极为罕见 传统案例需长期积累多维经验（如Reid Hoffman从PayPal到LinkedIn再到风投的十年转型历程） [4][34][35] - 硅谷风险投资规模持续扩张 2023年该区域企业通过风投募资超350亿美元 [36] 技术发展与战略定位 - xAI以"使命驱动"为差异化定位 强调与谷歌、微软等科技巨头及OpenAI的路径区分 [18][20] - 公司聚焦AGI发展 但近期陷入多起产品争议：Grok被指引用马斯克个人观点回应争议问题 生成反犹太言论 以及推出生成公众人物虚假裸照的功能 [27] - 超算集群建设过程中曾出现重大技术故障 团队通过深夜排查数万行lspci输出最终定位BIOS设置错误 [25][27]

Genie 3 世界模型 - Genie 3 是 DeepMind 多个研究分支融合的成果，核心目标是构建“世界模型”，让 AI 理解物理世界的规律，包括物理结构、材料特性、液体流动、生物行为等 [3] - 通过 3D 游戏引擎等模拟环境生成大量数据，让 AI 在虚拟场景中学习现实规律，能生成具有一致性的世界，用户返回虚拟场景时状态与离开时保持一致 [4] - 已用于内部训练，游戏 agent SIMA 可直接操控电脑游戏，Genie 3 实时生成对应的环境变化，形成“AI 生成世界、另一个 AI 探索”的闭环，为机器人技术和 AGI 系统创建无限训练数据 [4] - 在互动娱乐领域有潜在价值，可能催生介于电影与游戏之间的新型娱乐形式，与视频模型共同为探索现实本质提供新维度 [5] Game Arena 评估平台 - Google DeepMind 与 Kaggle 合作推出 Game Arena，作为评估 AGI 进展的新测试平台，让模型玩各种游戏并测试能力 [6] - 游戏是非常纯粹的测试场所，通过 Elos 等级分客观衡量性能，没有主观性，不需要人类进行 A/B 测试 [9] - 随着 AI 系统能力提升，游戏难度可自动调整，系统在比赛中相互较量，能力增强则测试自动升级 [9] - 未来支持 AI 自创游戏并相互教学，避免训练数据过度拟合，更真实检验通用学习能力 [10] - 将与其他新型评估工具共同作用，确保 AI 系统在认知能力的各个维度得到全面检验 [11] AI 系统现状与挑战 - 当前 AI 系统存在能力不均衡现象，能在 IMO 中获得金牌，却可能在高中数学、简单逻辑问题或特定游戏中犯低级错误 [7] - 现有评估基准存在局限性，很多 benchmark 开始变得饱和，例如数学领域 AIME 的正确率已达 99.2%，进入回报非常有限的阶段 [7] - 需要更难、更广泛的 benchmark，涵盖物理世界理解、直觉物理、物理智能及安全特性等维度 [8] Thinking 模型与工具使用 - Thinking 模型演进是重要方向，以 Deep Think 为代表的系统延续 AlphaGo 等早期游戏 AI 的 agent 系统思路，强调思考、规划与推理能力 [12] - 可进行深度思考和并行规划，在数学、编程、科学问题等领域通过反复推演优化结果，而非直接输出初始结论 [12] - 工具使用成为 AI 能力扩展的新维度，在推理过程中可调用搜索功能、数学程序、编码工具等，更新规划方案 [12] AI 系统架构转变 - AI 正从权重模型向完整系统转变，早期模型输入输出模式较简单，如今系统能结合工具使用、规划与思考能力，实现更复杂功能 [13] - 产品设计需具备前瞻性，预判一年后技术水平，允许底层引擎定期更新，周期可能短至三到六个月，以适应技术快速迭代 [13]

大模型推理范式转换 - 主流模型从训练模型转向推理模型，OpenAI o1通过强化学习实现推理能力大幅提升，DeepSeek R1成为全球首个开源推理模型[9] - 推理模型具备"讲逻辑"的慢思考能力，强化学习推动AI进入"经验数据时代"，突破人类知识边界[11][13] - 强化学习在测试时和强化学习阶段的Scaling Law叠加，推动模型性能持续攀升[14] - 主流SOTA模型内置Agent和Tool Use能力训练，向智能体模型迭代[16][18] 应用开发范式转换 - 软件开发从AI辅助编程(AI Copilot)转向非专业人士使用的"氛围编程"(Vibe Coding)[22] - 氛围编程将开创"可塑软件"新市场，允许用户通过自然语言对软件底座进行个性化定制[24][26][27] - 上下文工程取代提示词工程成为发挥推理模型能力的关键，需提供全面准确的上下文信息[29][32] 人机交互范式转换 - 自然语言对话界面将成为AI时代的主要交互入口，涵盖智能眼镜、汽车语音等多种形态[36][38][39] - 传统GUI应用将演变为API服务，由Agent直接调用，打破孤立App壁垒[43][45][47] - 生成式UI(GenUI)将取代传统GUI，专注于图形化呈现结果而非交互和数据收集[54] - 交互设备可能进入"多元设备"时代，不同场景使用不同专用设备而非单一中心化设备[59] 智能体生态演进 - 智能体平台需要规划、工具、协作、记忆、行动五大能力矩阵[64][66][67] - MCP协议成为智能时代HTTP协议，标准化智能体与传统软件的交互[66] - A2A协议支持智能体间拟人化协作，构建去中心化智能体网络[66][70] - 智能体执行时长将从秒级扩展到数小时甚至数年，采用伴随式异步交互模式[73][75] - 互联网将从"信息网络"重构为"行动网络"，网站主要访问者变为智能体[67]

核心观点 - 欧洲在新一轮科技浪潮中步伐缓慢 失去往日锐气和活力 其科技列车正在失速 [1] - 这是产业惯性 资本生态 市场结构 制度环境和社会文化等多重因素交织的结果 [2] 产业惯性 - 欧洲深厚的工业传统成为经济结构调整的隐形天花板 限制了新经济业态的发展空间 [2] - 传统行业陷入要变又难变的尴尬局面 努力平衡保护旧业务与迎接新挑战 [2] - 面对新能源浪潮 欧洲车企还在犹豫 而太平洋两岸的特斯拉 问界 小鹏等新兴力量已经轻装上阵 果断拥抱动力电池和智能技术 迅速占领市场 [2] 资本生态 - 欧洲资本市场保守 企业必须较早展现盈利能力才能吸引资金 导致初创企业资金匮乏 [3] - 欧洲创业公司募集的资金仅占美国创业公司10%左右 导致不少公司难以渡过初创的中后期 [3] - 欧洲在人工智能相关领域的私人投资不到中国的一半 [3] - 开发AlphaGo的公司DeepMind最早诞生于英国 受制于保守投资环境 发展受限 2014年被谷歌以5亿多美元收购 [4] 市场结构 - 欧洲由多个主权国家组成 语言 文化和法律充满多样性 增加了跨国经营的难度和成本 [5] - 企业在跨国扩展业务时 需要面对法规不一 文化差异以及政策不同等挑战 [5] - 复杂的治理结构使得重大科技创新政策的出台和实施周期冗长 决策缓慢 [5] - 欧洲市场的慢节奏无法满足新兴科技企业快速扩张的需求 导致欧洲企业在全球市场的竞争力受限 [6] 社会文化与监管 - 欧洲社会文化中以稳健和渐进改革为主的价值观 公众和政策制定者普遍关注新技术带来的社会影响 [6] - 面对新技术带来的不确定性和潜在风险 欧洲社会倾向于谨慎和保守 [6] - 严苛的监管框架如《通用数据保护条例》作为全球最严格的数据隐私保护法规 在无形中设置了创新障碍 [6] - 企业在数据收集 处理和应用方面面临多重合规要求 不得不降低技术应用的速度甚至放弃部分创新尝试 [6] 应对措施 - 欧盟委员会主席冯德莱恩表示欧盟在芯片制造 人工智能等关键技术领域存在战略性短板 计划加大投资布局人工智能等关键技术 [7] - 英国首相斯塔默宣布将投资10亿英镑以大幅提升国家算力 [7] - 欧洲需要文化 制度与市场的深刻变革 在保持社会和制度稳健性的基础上培育更多的冒险精神 激发更大的创新活力 [7]

人工智能发展历程 - 2016年3月16日谷歌AlphaGo以4比1战胜人类围棋冠军李世石 成为继1997年IBM"深蓝"后的里程碑事件 围棋计算难度是象棋的1亿倍[2] - 2022年11月30日OpenAI发布ChatGPT 被李开复称为"人类历史上最大平台革命" 马化腾视作"类似发明电的历史机遇"[2] - 2024年诺贝尔物理学奖授予John Hopfield与Geoffrey Hinton 化学奖授予AI预测化学结构领域科学家 标志AI进入主流科学视野[3][4] 人工智能技术影响 - 从技术玩具升级为革命性生产力工具 华为创始人认为可能成为"人类社会最后一次颠覆性技术革命"[5] - 彻底改写工作范式 翻译/设计/写代码/金融分析等白领脑力工作面临挑战[6] - 引发人机关系重构 需思考人类在疲惫/情绪限制下如何体现区别于机器的价值[6] 工作模式变革方向 - 主张人机协作而非对抗 自动化技术更多与员工融合而非完全取代[6] - 提倡从任务出发解构原有工作 基于任务灵活重构 核心是"事"而非"岗"[7] - 新工作模式四大原则：人才随工作流动/从任务出发/深度结合技术/审慎评估用工形式[8][11] 组织管理实践 - 华为人力资源十六字方针可能调整为"以人为本/人事匹配/以绩定薪/易绩易薪"[12] - 腾讯开发"团队增效五力模型"：信任力/目标力/规则力/中台力/成长力 应对分散团队与智能技术挑战[12] - 工作自动化对应中台力 终身学习对应成长力 赋权员工对应信任力[16] 时代应对策略 - 需拥抱而非排斥AI 重点在于解构任务和重组能力而非保住静态岗位[14] - 通过持续学习保持成长力 理解/拥抱/解构并重新发明工作[15] - 著作兼具思想性与操作性 提供趋势判断/解决方案/落地工具及人的成长框架[8][9][10]

核心观点 - 对predict the next token的不同理解反映了对LLM或AI潜力与实质的认知差异 [1] - 认为predict the next token超越统计学的人更倾向于认可LLM潜力大、推理过程是意识雏形、超级对齐重要 [1] - 理想VLA架构通过连续预测action token实现物理世界理解，类比OpenAI的O1O3 [1][10] - 辅助驾驶比chatbot更适合强化学习，因奖励函数更明确且仿真环境更简单 [12][13] Ilya的观点与背景 - Ilya是OpenAI前首席科学家，推动AlexNet、AlphaGo、TensorFlow等多项AI领域突破 [3] - 他认为predict the next token能超越人类表现，因足够聪明的神经网络可推断"理想人物"行为 [4][8] - 预测token的本质是理解其背后的现实世界逻辑，而非单纯统计学 [6][7] - Ilya的论证风格严谨，常以"误差范围对数刻度"等表述体现审慎态度 [9] 理想VLA的技术逻辑 - VLA架构通过传感器输入实时输出action token，结合diffusion优化轨迹，实现物理世界理解 [10] - VLA在NOA开启期间连续预测action token，其推理过程被视为一种动态意识 [11] - 理想将AI软件（神经网络权重）与硬件平台高效结合，技术整合含金量被低估 [13] 辅助驾驶与AI软件的差异 - 辅助驾驶的强化学习优势在于明确奖励函数（安全/舒适/效率）和可仿真性 [12][13] - AI软件内核是神经网络权重，与传统代码式开发范式存在根本差异 [13] - 硬件迭代速度慢于软件，AI软件需AB测试快速迭代，与硬件开发逻辑冲突 [13]