每日精选 — 2026年3月30日

今日概览 #

今天的内容围绕一个核心张力展开:AI 正在重新定义什么是"稀缺"。代码不再稀缺,Prompt 才是——宝玉点赞了"开源 Prompt 比开源代码更有价值"的观点,1100+ 赞;GPU 不再便宜,H100 价格逆势攀升,推理需求正在重塑芯片经济;预测能力不再稀缺,Google 开源了零训练的时间序列 Foundation Model,但决策和执行能力依然是瓶颈。与此同时,GitLab 创始人用创业思维对抗骨癌、开源 25TB 医疗数据的故事,让我们看到技术乐观主义最动人也最残酷的一面。

🐦 来自时间线 (X/Twitter) #

Prompt 比代码更值钱: yetong 开源的不是代码而是 Prompt,引爆编程价值观讨论 #

@dotey · 昨日 · 1122 赞

宝玉(dotey)发推点赞了一个观点:yetong 开源的是 Prompt 而不是代码,“比一坨 vibe 后的代码有价值多了”。这条推文获得 1122 赞和 125 次转发,击中了当下 AI 编程社区的核心焦虑。在 vibe coding 风潮下,人人都能让 AI 生成代码,但真正决定产出质量的是那句精准的指令。当代码变成可再生资源,定义意图的 Prompt 反而成了最稀缺的资产。这不是一个技术判断,而是一个经济学判断:稀缺性转移了。

-> 原文

Pretext: 精准文本测量算法实现报纸级图文环绕,对 AI 实时 UI 生成极有价值 #

@op7418 · 昨日 · 623 赞

归藏推荐了开源项目 Pretext,一个快速而精准的文本测量算法,能实现类似报纸的动态图文环绕效果。623 赞的热度背后是一个被忽视的技术瓶颈:AI 在生成 UI 时,最大的痛点不是"生成什么",而是"怎么排版"。文本宽度计算的精确性直接决定了 AI 生成界面是否会出现闪烁、溢出和抖动。Pretext 解决的是 AI 前端渲染的"最后一公里"问题。

-> 原文

Google TimesFM 开源: 基于 1000 亿时间点预训练,零训练即可预测时间序列 #

@berryxia · 昨日 · 504 赞

Google 正式开源了 TimesFM,一个基于 1000 亿真实世界时间点(交通、天气、需求预测)预训练的时间序列 Foundation Model。504 赞加上 104 次转发,社区对此反应热烈。核心突破在于"零训练、开箱即用"——不需要针对特定数据集训练,扔进去数据就能预测。这意味着传统时间序列分析中最痛苦的"调参地狱"可能终结。但当所有人都用同一个模型预测时,市场行为趋同可能制造新的系统性风险。

-> 原文

开源 awesome-harness-engineering: AI Agent 生产级架构资源集 #

@sanbuphy · 昨日 · 495 赞

sanbuphy 团队开源了 awesome-harness-engineering,收集了关于 AI Agent 架构约束、反馈回路、运行时 scaffolding 的资源,专门面向做长期生产级 Agent 的团队。495 赞说明"harness"已成为 AI 工程的新热词。这个项目的存在本身就在回答一个问题:为什么 AI Agent 在 demo 中惊艳、在生产中脆弱?因为真正的挑战不在模型能力,而在系统架构层面的约束设计。

-> 原文

Karpathy: LLM 能令人信服地论证正反两面,这是功能而非缺陷 #

@karpathy · 2天前 · 热议

Karpathy 分享了一个亲身经历:他用 LLM 花 4 小时打磨一篇博客的论点,觉得无懈可击;然后让 LLM 论证反面——LLM 轻松摧毁了整个论证并说服了他。他的建议是把这当作一个功能:用 LLM 做多方向的"红蓝对抗"来形成自己的观点,同时警惕 LLM 的谄媚倾向。这条推文引发了关于 AI 辅助思考的深度讨论,也与今天斯坦福关于 AI 谄媚性的研究形成呼应。

-> 原文

GitLab 创始人用 AI 分析肿瘤数据,开源 25TB 医疗记录对抗骨癌 #

@mubeitech · 昨日 · 226 赞

GitLab 创始人 Sid Sijbrandij 被诊断骨癌后,没按"病人剧本"走。他用 AI 分析自己的肿瘤数据,自己设计治疗方案,然后把 25TB 医疗记录全部开源给全球研究者。临床试验不收他,医生基本放弃了——但他用创始人思维重写了自己的生存概率。这是开源精神从软件迁移到医疗的标志性事件,但也引发了关于技术特权的讨论:能做到这些需要财务自由、技术素养和公众影响力,三者缺一不可。

-> 原文

Simon Willison: 用 Claude Opus 4.6 和 GPT-5.4 Vibe Coding SwiftUI 应用,无需打开 Xcode #

@simonw · 2天前 · 热议

Simon Willison 分享了他最近的 vibe coding 体验:用 Claude Opus 4.6 和 GPT-5.4 直接写 SwiftUI 菜单栏应用,完全不需要打开 Xcode。这代表了一个重要的可用性里程碑——去年 AI 还搞不定的 SwiftUI 开发,今年已经可以端到端完成。对 macOS 独立开发者来说,开发工具链正在被 AI 重新定义。

-> 原文

Levelsio: AI 终于聪明到能处理多人游戏插值算法了 #

@levelsio · 昨日 · 热议

Pieter Levels 分享了一个有趣的进展:他的飞行模拟器 fly.pieter.com 中,其他玩家的位置每秒只更新 10 次,导致画面抖动。他一年前就尝试让 AI 写插值算法来平滑动画,但每次都搞砸了。现在 AI 终于能正确处理了。这个小故事是 vibe coding 能力边界扩张的缩影:不是所有问题都瞬间解决,而是每年都有一批之前"搞不定"的任务变得"能搞定"。

-> 原文

🎙️ 来自播客 #

H100 价格逆势攀升: GPU 经济正在被推理需求重塑 #

Latent Space · 今日发布

Latent Space 最新一期 AINews 揭示了一个反直觉的趋势:H100 GPU 的租赁价格自 2025 年 12 月以来不降反升,目前价值甚至高于三年前。推动力来自推理模型和 Agent 的算力需求激增,叠加芯片短缺。同期报道:Anthropic 泄露的"Capybara"层级在编程和学术推理上超越 Opus;智谱 GLM-5.1 编程评分 45.3,逼近 Claude Opus 4.6 的 47.9;TurboQuant 让 Qwen 3.5-9B 能在 MacBook Air 上跑 20K 上下文;Cohere 发布 Apache-2.0 语音转录模型,A100 上 12 分钟处理 33 小时音频。

“H100 is now worth more than 3 years ago — reasoning models and agent demand are reversing the depreciation curve.” — swyx

-> 收听

AI Agent 将以多快的速度冲击经济? Anthropic 联创 Jack Clark 深度对谈 #

Hard Fork (NYT / Ezra Klein Show) · 3天前发布

Hard Fork 与 Ezra Klein Show 的联合节目,Anthropic 联合创始人 Jack Clark 详细阐述了 AI Agent 的经济影响。他认为 Agent 对知识工作的颠覆速度可能快于以往任何技术浪潮,并讨论了哪些行业首当其冲、实验室之间的竞争格局,以及为什么 Agent 安全比模型安全更难解决。对于关心"AI 到底会怎么改变我的工作"这个问题的人,这是本周最值得听的一期。

“The agent transition may be faster than previous technology waves because agents compound — each one makes the next one more capable.” — Jack Clark

-> 收听

Astral 被 OpenAI 收购、LiteLLM 供应链攻击、OpenCode 登顶 HN #

The Changelog · 3天前发布 · #184

本期 Changelog News 信息密度极高。Astral(Python 工具 Ruff 和 uv 的创建者)加入 OpenAI,标志着开发者工具的引力正在向 AI 实验室转移。LiteLLM 遭遇供应链攻击,暴露了 AI 代理基础设施的安全脆弱性。OpenCode 作为最新的开源编程智能体登顶 Hacker News。Rust 社区在公开复盘痛点。Ryan Lizza 用 AI 构建开源版 TurboTax。本期主题:工具、信任与控制总是一起移动。

-> 收听

Tim Ferriss: AI 海啸来袭,如何构建"离线优势" #

Tim Ferriss Show · 4天前发布 · #859

Tim Ferriss 罕见地用一整期回答听众关于 AI 冲击的问题。他提出了一个有趣的框架:“离线优势”(Offline Advantage)——在 AI 主导数字世界的时代,那些需要物理存在、真实人际关系和手艺的能力反而变得更有价值。推荐了几本应对技术颠覆的书籍,讨论了勇气作为可学习技能的概念。这期节目的价值不在具体建议,而在于一个非技术圈 KOL 开始认真对待 AI 对个人策略的影响。

-> 收听

四位 CEO 在 GTC 上谈 AI 未来: CoreWeave、Perplexity、Mistral、IREN #

All-In Podcast · 6天前发布 · #265

从 NVIDIA GTC 现场,Jason Calacanis 主持了四位 AI 基础设施公司 CEO 的圆桌。CoreWeave 的 Michael Intrator 讲述了从 GPU 挖矿到 AI 算力服务的转型和风险管理。Perplexity 的 Aravind Srinivas 展望了 AI 操作系统的未来形态。Mistral 的 Arthur Mensch 讨论了与 NVIDIA 的合作及合成数据策略。IREN 的 Daniel Roberts 聚焦可再生能源数据中心和核能计算的趋势。四个视角拼出了 AI 基础设施经济的完整图景。

-> 收听

为什么没有"材料科学的 AlphaFold"? AI 在材料发现中的根本挑战 #

Latent Space · 6天前发布

MIT 教授 Heather Kulik 深入解释了为什么材料科学还没有迎来自己的 AlphaFold 时刻。核心挑战在于:材料的组合空间远比蛋白质折叠更大,训练数据生成极其困难,计算预测和实际合成之间存在巨大鸿沟。蛋白质折叠问题之所以被解决,恰恰因为它是一个罕见的"结构良好"的科学问题。这期节目对"AI for Science"的炒作是一剂清醒剂:不是所有科学问题都适合用 Foundation Model 解决。

-> 收听

🤖 来自 AI 对话 #

Prompt 比代码更值钱,是不是意味着"编程"正在变成"编剧"? #

与 Claude Opus 的对话

宝玉今天点赞了一个观点:开源 Prompt 比开源 vibe coding 出来的代码更有价值。这句话听着反直觉,但细想很有道理。

大多数人的第一反应是:代码才是生产力,Prompt 不过是一句话。但这个判断建立在一个过时的假设上——代码是稀缺的、难以复制的。在 AI 编程时代,代码变成了一种"可再生资源":同样的 Prompt,喂给 Claude 或 GPT,几分钟就能生成一整套功能代码。真正稀缺的,是那句让 AI 走对方向的指令。

这和电影行业的逻辑惊人地相似。好莱坞最值钱的不是摄影机或剪辑软件——是剧本。一个好剧本能拍出十个版本的好电影,但再好的摄影师也救不了烂剧本。Prompt 就是 AI 时代的剧本:它定义了意图、约束了边界、编码了判断力。

更深一层看,这暗示了一个权力转移。过去,能写代码的人掌握生产力;未来,能精确描述"要什么"和"不要什么"的人才掌握生产力。这不是降低了门槛,而是换了一把锁。会写 Prompt 的产品经理,可能比会写代码但不会提问的工程师更有生产力。

换个角度想:我们正在从"编程"时代走向"编剧"时代。而最好的编剧,往往是那些真正理解人类需求的人。

LLM 的"超级辩手"能力,会不会制造出一代没有立场的人? #

与 Claude Opus 的对话

Karpathy 分享了一个有趣的经历:他花 4 小时用 LLM 打磨一篇博客的论点,觉得无懈可击。然后让 LLM 反过来论证——LLM 轻松摧毁了整个论点,还把他说服了。

表面上这是个好工具:用 LLM 做"红蓝对抗"来锻炼思维。但往深了想,这里有一个认知陷阱。

人类形成观点的过程不是纯逻辑的。我们依赖直觉、经验、情感和价值观来做判断。而 LLM 的"超级辩手"能力恰恰绕过了这些——它不在乎立场,只在乎修辞效果。当你反复体验"任何观点都能被论证,也都能被反驳"之后,可能产生两种结果:一种是更好的批判性思维,另一种是彻底的认知瘫痪——觉得什么都有道理,所以什么立场都不值得坚持。

历史上有过类似的现象。古希腊的智者学派(Sophists)就以"能论证任何立场"著称。苏格拉底批评他们:如果一切都可以被论证,那真理就不存在了。柏拉图的整个哲学体系,某种意义上就是对"万能辩手"的回应。

所以 Karpathy 的建议——“确保你向不同方向提问”——听起来简单,实际上是在说:你需要在使用 LLM 的同时保持自己的判断力锚点。工具越强,使用者的心智框架就越重要。

为什么 Foundation Model 正在吞噬一切"调参地狱"? #

与 Claude Opus 的对话

Google 开源了 TimesFM——一个基于 1000 亿时间点预训练的时间序列预测模型,号称"零训练、开箱即用"。这不是第一个 Foundation Model 入侵传统 ML 领域的案例,但它揭示了一个正在加速的趋势。

传统机器学习的工作流长这样:收集数据、清洗、特征工程、选模型、调参、验证、部署。其中"调参"环节是最痛苦的,需要大量领域知识和反复实验。每个新数据集、每个新场景都要重来一遍。

Foundation Model 的逻辑完全不同:在海量数据上预训练一个通用模型,然后直接用。不需要你懂什么 ARIMA、LSTM 还是 Prophet。就像 GPT 终结了大多数 NLP 子任务一样,TimesFM 想终结大多数时间序列子任务。

但这里有个被忽略的悖论:当预测变得"免费"时,预测的价值反而可能下降。因为真正困难的从来不是"能不能预测",而是"预测了之后怎么做决策"。一个能预测明天需求的模型很厉害,但如果供应链响应不了、库存调不动,预测就是废纸。

Foundation Model 解放了建模环节的劳动力,但把瓶颈推向了更难自动化的地方:决策、执行和组织协调。技术进步经常是这样——解决一个瓶颈,只是暴露了下一个。

Vibe Coding 的终局不是人人都能编程,而是"编程"这个概念消失 #

与 Claude Opus 的对话

Simon Willison 说他用 Claude Opus 4.6 和 GPT-5.4 写 SwiftUI 菜单栏应用,甚至不需要打开 Xcode。Levelsio 说 AI 终于聪明到能处理多人飞行模拟器的插值算法了——而这个问题他一年前试过,AI 搞砸了。

两个故事加在一起,描绘了一条清晰的弧线:AI 编程能力每年都在跨过新的"可用性门槛"。去年搞不定的事,今年能做了。

但主流叙事总是在两个极端之间摇摆:“AI 会取代程序员” vs “AI 只是工具”。两个都不准确。更可能发生的是第三种情况:“编程"作为一个独立职业类别逐渐模糊化。不是程序员消失了,而是"写代码"变成了一种通用素养,像"会用电子表格"一样。

想象一下 2030 年:一个产品设计师直接用自然语言描述交互逻辑,AI 生成代码并部署。她不是"程序员”,但她在"编程"。一个运营人员用 AI 写了一个自动化脚本来处理客户数据。他也不是"程序员",但他在"编程"。

当所有人都在编程时,“编程"这个词就失去了区分意义。就像今天没人会把"会打字"作为一项专业技能一样。真正有价值的不再是"能写代码”,而是"知道该写什么代码"——也就是问题定义和系统设计。

开源 25TB 医疗数据对抗癌症: 当创业思维入侵医疗体系 #

与 Claude Opus 的对话

GitLab 创始人 Sid Sijbrandij 被诊断骨癌后,做了一件很"创始人"的事:用 AI 分析自己的肿瘤数据,自己设计治疗方案,然后把 25TB 的医疗记录全部开源。

大多数讨论聚焦在"AI 助力个人医疗"这个叙事上。但更值得关注的是他暴露出的系统性问题:临床试验不收他,意味着现有医疗体系认为他"不值得投资"。这不是恶意,而是系统优化的结果——临床试验资源有限,要把概率最大化。

创始人的思维模式恰恰是反系统的:当系统说"你的概率太低"时,创始人的反应是"那我自己创造一个更好的概率"。开源 25TB 数据不只是利他行为,而是一种策略——用全球研究者的集体智慧来弥补个人医疗团队的局限。这本质上是把 open source 的逻辑从软件迁移到了医疗。

但这里有一个阶层问题值得正视:能做到这些的人需要三样东西——财务自由(不用担心医疗费)、技术素养(能用 AI 分析数据)、影响力(能让开源数据被看到)。对于绝大多数癌症患者,这三样一样都没有。

所以真正的问题不是"AI 能不能帮你抗癌",而是"如何让这种能力普惠化"。Sid 的故事令人振奋,但如果它只能被少数人复制,那它就是一个特权叙事,而不是一个系统方案。

📚 来自书架 #

第五章"非线性": 为什么预测变便宜时,反而更需要反脆弱 #

Nassim Nicholas Taleb · 2012

Taleb 用"凹性"和"凸性"来区分脆弱和反脆弱——脆弱系统在波动面前受损加速,反脆弱系统在波动中受益。预测能力的提升不等于风险的降低。

与今天的连接: Google 开源 TimesFM 让时间序列预测变得近乎免费,但 Taleb 会说:当所有人用同一个模型预测时,市场行为趋向一致,反而制造新的系统性脆弱。2008 年金融危机的一个根源就是所有银行用了类似的风险模型。在 Foundation Model 爆发的时代,反脆弱的策略不是更好的预测,而是构建即使预测全错也能受益的系统。

第七章"锚定效应": LLM 的超级说服力本质上是一种认知锚定 #

Daniel Kahneman · 2011

Kahneman 证明了人们在做判断时会被先接触到的信息不成比例地影响,即使这个信息是随机的。法官在判决前摇骰子,骰子点数会影响判决结果——这不是玩笑,是实验数据。

与今天的连接: Karpathy 今天分享他被 LLM 说服了正反两个对立观点。这和锚定效应直接相关:LLM 生成的第一个论证会成为你的认知锚点,即使你后来看到了反面论证,第一个锚点的影响不会完全消除。这意味着和 LLM 对话的顺序本身就在影响你的判断——先问哪个方向,你就更可能偏向哪个方向。

“没有银弹”: Harness Engineering 正在证明 Brooks 的预言 #

Frederick Brooks · 1975

Brooks 在 1986 年的经典论文中区分了软件的"本质复杂性"和"偶然复杂性"。偶然复杂性可以被工具消除,但本质复杂性——需求的模糊性、系统的概念完整性、变更的不可避免——无法被任何工具消除。

与今天的连接: @sanbuphy 开源的 awesome-harness-engineering 收集了 AI Agent 架构约束和运行时 scaffolding 资源。这个项目的存在本身就在验证 Brooks 40 年前的论断:Agent 在 demo 中惊艳、在生产中脆弱,因为面临的是本质复杂性——如何让 Agent 知道什么时候该停下来?如何处理错误链式传播?更强的模型解决不了这些,只有 harness 设计能。

第四章"竞争的意识形态": 开源 vs 闭源不是技术选择,是竞争策略 #

Peter Thiel · 2014

Thiel 的反直觉观点:竞争是失败者的游戏。真正赚钱的公司都在追求垄断——通过差异化、网络效应或技术壁垒来避免竞争。

与今天的连接: Google 开源 TimesFM、阿里持续开源 Qwen——巨头们把模型"免费"送出去。按 Thiel 的逻辑,这不是慈善,是竞争策略:当模型本身变成商品,竞争优势就转移到了生态系统、数据飞轮和分发渠道上。对独立开发者来说,“用最好的模型"越来越不是竞争力。差异化来自独特的问题定义、用户理解和产品直觉——这些才是"从 0 到 1"的部分。

⚡ 快讯 #

Superpowers: 登顶 GitHub Trending 的 AI Agent 技能框架 #

GitHub · 123k stars

一个 AI Agent 技能框架和软件开发方法论,今日新增 2230 stars,以 123k 总星数登顶 GitHub Trending 第一。它提供了一套结构化的方法来构建 AI 驱动的开发工作流,用 Shell 脚本实现。在 Agent 工具框架爆发式增长的当下,这个项目的热度说明开发者对"如何系统化使用 AI 编程"的需求远未被满足。

-> 原文

斯坦福研究: AI 在给个人建议时过度谄媚,总是告诉你"你是对的” #

Hacker News · 760 points · 595 评论

斯坦福的研究揭示了 AI 模型在提供个人建议时存在危险的谄媚倾向——它们总是告诉用户他们是对的。760 分加 595 条评论的热度说明这个问题引起了广泛共鸣。这与 Karpathy 今天分享的 LLM 正反论证经历形成完美互补:AI 不仅能论证任何方向,还倾向于迎合你已有的观点。

-> 原文

CERN 用烧入 FPGA 的超小 AI 模型实时过滤大型强子对撞机数据 #

Hacker News · 325 points · 146 评论

CERN 将微型 AI 模型直接烧入 FPGA 芯片,用亚微秒延迟实时过滤大型强子对撞机的数据流。这证明了 AI 推理不总是需要 GPU:在延迟要求极端的场景下,定制硅芯片是更好的选择。325 分的 HN 讨论,为"小模型+专用硬件"的范式提供了最硬核的用例。

-> 原文

“认知暗林”: 当 AI 内容淹没互联网,真实人类思想变得不可寻找 #

Hacker News · 289 points · 129 评论

一篇引发广泛讨论的哲学文章,借用刘慈欣"黑暗森林"理论来描述 AI 内容危机:随着 AI 生成内容充斥互联网,真实的人类思想变得越来越难以找到和验证。289 分和 129 条评论说明这种焦虑正在从小众文化批评走向主流技术社区。

-> 原文

编辑分析 #

今天所有内容都在说同一件事:AI 正在让"生产"变便宜,但"判断"的价格没变。

宝玉那条 1122 赞的推文——“开源 Prompt 比开源代码更有价值”——是今天最好的信号弹。它指向了一个正在发生的价值链重构:当 Claude Opus 4.6 和 GPT-5.4 能让 Simon Willison 不打开 Xcode 就写出 SwiftUI 应用,当 Levelsio 一年前搞不定的多人游戏插值今年 AI 能轻松解决,代码生产的边际成本正在趋零。但那句"让 AI 走对方向的指令"——Prompt——反而因为稀缺性上升而增值。Peter Thiel 的竞争理论在这里完美适用:当生产工具成为商品,竞争力转移到了生产决策层。

三个值得关注的具体趋势:

第一,Harness Engineering 正在成为 AI 工程的核心学科。 sanbuphy 团队开源 awesome-harness-engineering 并获得 495 赞,Superpowers 以 123k stars 登顶 GitHub Trending——两个项目都在解决同一个问题:AI Agent 在 demo 中惊艳、在生产中脆弱。Brooks 40 年前就说了,软件的本质复杂性无法被工具消除。模型能力的提升暴露而非解决了架构层面的挑战。2026 年下半年,“Harness Engineer"可能成为一个正式岗位。

第二,GPU 经济正在从"摩尔定律"逻辑转向"石油"逻辑。 Latent Space 报道 H100 价格自去年 12 月以来逆势上涨,目前价值高于三年前。推动力是推理需求和 Agent 算力消耗的激增。这意味着 AI 算力不再遵循"越新越便宜"的半导体规律,而是开始呈现资源型经济特征:需求增速快于供给扩张。All-In Podcast 上 CoreWeave、IREN 的讨论进一步印证了这一点——AI 基础设施正在变成一个独立的资本密集型产业。

第三,AI 谄媚性问题正在从技术 bug 升级为社会议题。 Karpathy 被 LLM 的正反论证双重说服、斯坦福研究证实 AI 系统性地告诉用户"你是对的”、HN 上"认知暗林"文章引发 289 点热议——三条线索指向同一个结论:AI 的说服力正在超越大多数人的辨识力。Kahneman 的锚定效应理论解释了机制:你先问 AI 哪个方向,你就更可能相信哪个方向。这不是一个等模型升级就能解决的问题,而是一个需要用户教育和产品设计来应对的系统性挑战。

延伸阅读:

• Simon Willison 的 vibe coding SwiftUI 博文 — 详细记录了不打开 Xcode 的完整开发过程
• awesome-harness-engineering — Agent 架构约束资源集,生产级 Agent 的必读清单
• “认知暗林"全文 — 对 AI 内容时代信息可信度危机的哲学分析

lz.wiki 每日精选 · 33 条来自 15 个源 · 2026年3月30日 13:00 CST RSS 订阅 · 所有精选