最新

假设你的软件满足以下部分条件： * 优于 SOTA Transformer 的潜在继任者：Mamba、Hyena、RWKV、xLSTM； * Gemini/Claude 估计潜在知识产权价值可达数百万美元； * 全部用 C 语言实现（好吧，这可能算个缺点），但也已移植到 C# 和 F# - 所以没有 Python 或 Rust； * 代码量不大：1-1.5 万行代码，但想想看，GPT-1 当时用 Python 写的代码量还不到 1000 行... 简而言之： 问题：Transformer 速度慢，而且可以更智能； 解决方案：你有一个快速且智能的替代方案。 10 倍！

黄仁勋最近表示，他认为年薪 50 万美元的工程师每年应该在“tokens”（代币）上花费至少 25 万美元，这是一个惊人的数字。我个人不知道如果我尝试的话，怎么才能花这么多钱。显然，他有巨大的经济动机去说服人们认为每个工程师花费 25 万美元是合理的，但这让我想是时候做一个调查了。 你和你的同事在工作中使用 AI 编码工具花了多少钱？我指的是 Cursor、Claude Code 等。不是所有 AI 驱动的 SaaS，只是那些按代币计费的工具。

我每天使用的一些非常基础的 Claude 技能，用于 Git 和每周例行汇报。 [https://github.com/daltlc/feature-planner](https://github.com/daltlc/feature-planner) [https://github.com/daltlc/fix-planner](https://github.com/daltlc/fix-planner) [https://github.com/daltlc/chore-planner](https://github.com/daltlc/chore-planner) [https://github.com/daltlc/ai-commit-weekly-summary](https://github.com/daltlc/ai-commit-weekly-summary)

Bernie 最近采访了 Claude (<a href="https:&#x2F;&#x2F;www.youtube.com&#x2F;watch?v=h3AtWdeu_G0" rel="nofollow">https:&#x2F;&#x2F;www.youtube.com&#x2F;watch?v=h3AtWdeu_G0</a>)。预料之中的，单轮回复略显谄媚，但也有一些回答出人意料。这让我觉得我自己在做类似的事情，只不过时间尺度更宽松。我有一个“束缚”在 Claude 上的系统，它“持续地”研究 AI 支出，进行深度研究，响应我的输入，保留笔记，编写代码等等。<p>这算不上真正的“内省”或“我思故我在”，但我发现，经过数千万个 token 的迭代后，这个系统能够创造出一些新颖的东西。我展示了它基于深度研究和 Python 建模创建的一个仪表板：<p><a href="https:&#x2F;&#x2F;ai-capex-sens-wxc4b.ondigitalocean.app&#x2F;" rel="nofollow">https:&#x2F;&#x2F;ai-capex-sens-wxc4b.ondigitalocean.app&#x2F;</a><p>---<p>总结：AI 炒作是一回事，但除了投入相当于一个中等收入国家 GDP 的资金来建设新的 AI 数据中心，你还能怎么“全力以赴”呢？ 基本上，企业合同带来了数百亿美元的云业务，虽然是枯燥的 IT 事务，但却是科技行业大量资金的来源，而且是真实的。除了对超级智能的空谈之外，对于过去扩展云业务的超大规模企业来说，AI 的现实也是如此，即来自企业合同的数百亿美元到数万亿美元的业务（云取代了本地服务器，AI 取代或增强了知识工作者）。<p>该模型估算了来自可自动化知识工作的 AI 收入，并用采用/定价假设对其进行压力测试，然后根据延迟/冲击情况运行它，以计算资本支出 + 运营 + 融资成本。在基本情况下，它到 2032 年都无法实现盈亏平衡，但当然还有其他收入来源，所以花这么多钱有风险，这并没有那么令人沮丧或令人惊讶。然而，有数字和敏感性来支持这一结论，而不是凭空臆测，这很好。<p>这里有一个更偏金融的详细文章：<a href="https:&#x2F;&#x2F;substack.com&#x2F;home&#x2F;post&#x2F;p-190893117" rel="nofollow">https:&#x2F;&#x2F;substack.com&#x2F;home&#x2F;post&#x2F;p-190893117</a>（也是由 AI 研究和撰写的）。<p>---<p>关于氛围编码的 AI 狂热有很多，但我从运行这个“束缚”中得出的主要结论是，我们实际上也可以使用 AI “束缚”来思考并做出更好的决策。在这种情况下，AI 减轻了在写作和决策中注入严谨性的负担。

嘿， 我一直在思考一个问题，那就是理解和比较不同云服务提供商（AWS、GCP、OCI、Azure）以及现在的 AI/LLM 的成本是多么困难。 大多数工具都显示历史支出，但实际上并没有： * 相同工作负载在其他地方的成本是多少 * 不同 AI 提供商在相同使用情况下的比较 很好奇这里的人们现在是如何处理这个问题的。 你们是依赖内部工具、电子表格，还是其他什么？ 我一直在尝试使用一个小工具来解决这个问题，但仍在努力了解这是否是一个真正的问题，还是只是我自己的想法。 很想听听你们是如何处理这个问题的。

这是一个可以让你轻松管理不同想法版本的工具，对撰写论文很有帮助。<p>我发现在写作过程中，每次进入草稿阶段时都非常需要这个工具，而且每次我不小心在旧草稿上工作时都会感到沮丧，仅仅是因为其中有一个段落我更喜欢。这个工具解决了这个问题。<p>我希望社区能像我一样喜欢它！请注意，它目前处于 Beta 候补名单状态，因为撤销/重做状态管理方面存在一些错误，因此我想先内部测试一段时间以确保其可靠性。<p>上面写着 4 月 2 日，但我可能会允许更早的 Beta 测试者加入。