Saya baru saja selesai membaca artikel ini, dan ia secara diam-diam menyusun semula cara saya memikirkan pelatihan AI secara keseluruhan. Intinya ialah, tiada siapa pun menjadi mahir daripada karya akhir; sebaliknya, anda menjadi mahir daripada tanda semakan—bahagian di mana seseorang yang lebih berpengalaman menunjukkan apa yang salah dan mengapa. Suntingan itulah pelajarannya, bukan draf akhir yang bersih... dan itulah tepatnya bagaimana AI menjadi mahir dalam kod. Ia tidak pernah belajar daripada kod akhir, tetapi belajar daripada diff. Setiap pembaikan, setiap penulisan semula, setiap "tidak, buat begini" yang git berjaya simpan sepanjang tahun-tahun. Tetapi di mana-mana tempat lain, kita membuang bahagian itu. Deck telah dihantar, memo telah disimpan, kontrak telah ditandatangani, dan pemikiran yang menghasilkannya telah hilang. Sebuah dokumen ialah output penghakiman dengan penghakiman itu dihapuskan. > Itulah sebabnya "tangkap pengetahuan anda" dengan mencari dokumen lama tidak pernah berjaya. Setiap syarikat membina sistem rekod—apa yang ia tahu. Tiada siapa pun membina sistem penghakiman—apa yang sebenarnya ia putuskan sebagai baik. Dan penghakiman itu dinyatakan, bukan dinyatakan secara terus—wawancara berbohong, suntingan tidak. > Ini ialah bahagian yang terlepas dalam perbincangan "tidak boleh dilatih / kebenaran peribadi": ia bukan tidak boleh dilatih, ia hanya berada di tempat yang semua orang padam. Tanya mana-mana syarikat mengenai kadar penerimaannya, dan ia bahkan tidak boleh memberitahu anda... tiada siapa yang menyimpan garisan merah. Perisian secara kebetulan menyimpan resitnya. Undang-undang dan kewangan tidak pernah membina git mereka. Penghakiman ada dalam diff.

Jurutera Anthropic baru sahaja membina satu aplikasi penuh dari awal dengan hanya menggunakan gelung agen-agen 40 minit daripada pasukan yang membina Claude Code tiga agen yang berjalan dalam kitaran: satu merancang, satu membina, satu menilai, berulang-ulang sehingga aplikasi tersebut berfungsi tidak seorang pun dalam demo itu menulis petikan yang sama dua kali. mereka merekabentuk kitaran itu sekali sahaja dan pergi tonton ia, kemudian baca panduan penuh tentang cara membina satu di bawah

Saya sangka saya terlewat kepada AI, tetapi selepas penyelidikan yang intensif, saya percaya ia baru sahaja bermula. Tentu saja, tiada apa-apa naik secara lurus. Kenaikan dan penurunan akan berlaku. Tetapi tidak terlibat dengannya dan menyebutnya sebagai gelembung adalah tidak boleh diterima.

Bolehkah hakim AI membuat kesilapan penalaran seperti manusia? Gulung dua dadu. Sekurang-kurangnya satu ialah 6. Banyak yang mengatakan 1 dalam 6 Betul: 1 dalam 11 Perangkap logik ringkas—juga dilihat dalam model AI. #AI #Ontology #DID #Web3

Pembersihan selama 2 minit boleh membuat Claude rasa seperti anda telah meningkatkan model. Video ini bukan tentang sesuatu prompt rahsia. Ia tentang membuang sampah yang sudah anda berikan kepada Claude. Kemahiran lama, penyambung mati, alat yang separuh digunakan, arahan ruang kerja rawak, eksperimen yang ditinggalkan. Semua itu boleh berada di latar belakang dan meracuni konteks dengan tenang. Kemudian orang berkata, “Claude menjadi lebih buruk.” Mungkin. Atau mungkin anda menjadikannya seperti browser penuh dengan 47 tab terbuka dan memintanya berfikir dengan jelas. Ini penting kerana prestasi agen bukan hanya tentang kualiti model. Ia tentang kebersihan konteks, disiplin alat, dan seberapa banyak sampah tidak relevan yang perlu dibawa oleh sistem sebelum menjawab. Artikel ini benar-benar tentang pelajaran operator yang sama: AI yang lebih pintar tidak menyelamatkan pengaturan yang berantakan. Model boleh kuat tetapi masih menghasilkan kerja lemah jika persekitaran di sekelilingnya berisik. Kadang-kadang, bottleneck bukanlah Claude. Ia adalah laci sampah yang anda sambungkan kepadanya.

Satu perkara yang menonjol dalam ExpRL ialah ia memaparkan kelemahan dalam cara kita memikirkan kemajuan AI pada masa kini. Sebahagian besar tolok ukur hanya mengukur sama ada model mencapai jawapan yang betul. Jarang sekali ia mengukur berapa banyak idea berguna yang telah diuji dan dibuang sepanjang proses tersebut. Inovasi manusia sering datang daripada percubaan yang gagal, bukan daripada yang sempurna. Seorang saintis mungkin menguji ratusan hipotesis yang salah sebelum menemui yang betul. Namun, RL tradisional memperlakukan setiap laluan yang gagal sebagai sama tidak bernilai. ExpRL mencadangkan mungkin terdapat maklumat berharga yang tersembunyi di dalam kegagalan-kegagalan tersebut. Gagasan ini terasa penting jauh melampaui tolok ukur matematik. Apabila agen AI menjadi lebih cekap, pemenangnya mungkin bukan model yang paling pantas menemui jawapan, melainkan model yang paling banyak belajar daripada kesilapan. Inilah sebabnya pengesahan penting. Tanpa cara yang boleh dipercayai untuk menilai penaakulan dan output sementara, kita tidak dapat membezakan eksplorasi yang produktif daripada ilusi semata-mata. Masa depan AI mungkin bergantung kurang pada penghasilan jawapan, dan lebih kepada pemahaman kesilapan mana yang patut dipelajari. @ritualnet

Satu-satunya tweet yang perlu anda pertahankan untuk bertahan hidup dalam era AI. Baru-baru ini, saya duduk dan menulis 10 "peraturan" untuk bertahan hidup dalam era AI yang akan datang. Tiada sampah AI—hanya pemikiran tulus saya. Jika anda bimbang tentang penggantian pekerjaan, atau sebarang kesan berantai AI, saya harap anda membaca ini: Peraturan #1: Jadi pantas Kemahiran nombor satu dalam era AI ialah agensi tinggi. Maklumat bukan lagi benteng. Kelebihan anda kini ialah kelajuan. Jadikan matlamat anda untuk menjadi seseorang yang bertindak pantas. Peraturan #2: Bina perniagaan AI sedang mencipta BANYAK peluang perniagaan. Maklumat kini melimpah, dan anda tiada alasan untuk tidak membina perniagaan yang menghasilkan arus tunai. Peraturan #3: Gunakan AI setiap hari Menjadi native AI bukan lagi pilihan. Integrasi ia ke dalam kehidupan anda dan usahakan untuk berada di garis hadapan. Peraturan #4: EQ > IQ Apabila semua orang mempunyai akses kepada alat AI yang sama, pembezanya bukan lagi kecerdasan; ia ialah keupayaan anda untuk berhubung dengan orang lain. Peraturan #5: Utamakan kesihatan Mulakan dengan perkara-perkara ringkas: Tidur, senaman, penghidratan, dan pemakanan. Peraturan #6: Bina jenama peribadi Pengedaran ialah benteng baharu. Membuat kandungan adalah percuma, dan saluran pengedaran terbaik. Peraturan #7: Belajar menjual Ini ialah kemahiran yang tiada siapa bincangkan. AI boleh membina produk, menulis teks, merekabentuk laman web, dan menjalankan iklan, tetapi ia masih tidak boleh membina hubungan manusia. Peraturan #8: Pelabur Pelabur dalam diri anda (kemahiran) dan dalam AI (peralatan asas). Ini ialah gelembung terbesar yang pernah kita lihat—manfaatkan ia. Peraturan #9: Rangkaikan Bina rangkaian anda. Rangkaian anda ialah jaring keselamatan terakhir anda dan cara anda mendapat peluang baru. Peraturan #10: Kekal penasaran Ini ialah meta-kemahiran yang menyokong semua perkara di atas. Mereka yang boleh belajar dan berulang dengan pantas kini lebih berharga daripada sebelum ini. Simpan ini supaya anda tidak lupa.

[APRO Intelligence #07] ──────────────── AI sangat hebat dalam STEM, pengaturcaraan, matematik. Tetapi empati, penilaian estetik, membaca suasana, merasai sebab-akibat perlahan— AI masih sangat, sangat jauh dari kita. Daniela dari Anthropic mengatakannya dengan sempurna: "Kita sedang memasuki era di mana inti manusia menjadi semakin mahal tanpa contoh sebelumnya." Bina dengan AI. Jangan lupa apa yang menjadikan anda tidak boleh digantikan. → @APRO_Oracle

Guillermo Rauch, CEO @vercel: "setiap tugas di dunia akhirnya menjadi tugas pengkodean. itulah sebabnya setiap laboratorium sedang berlomba menuju hal yang sama.. agen pengkodean yang berjalan tanpa anda." penjelasan paling jelas mengenai arah selanjutnya AI pengkodean. lebih berharga daripada sebarang kursus agen $500. tonton, kemudian baca cara menjalankannya semasa anda tidur di bawah.