STARTUP
3种 AI 收入流,你选择哪个?
没有放之四海而皆准的"最佳"选择——但几乎可以肯定,在你目前所处的阶段,一定有一个"错误"的选择。
STARTUP
没有放之四海而皆准的"最佳"选择——但几乎可以肯定,在你目前所处的阶段,一定有一个"错误"的选择。
SIDE HUSTLE
没有摄像头。没有编辑。没有团队。我之前做过内容,所以知道基础知识,但我从未运营过无脸频道。我想测试AI是否能承担重活。
APPLICATION
过去几个月里,我一直在尝试许多不同的AI编程工具和技术,目标是简化自己作为一人团队构建个人项目的工作流程。本文介绍我用来以10倍速度构建更高质量产品的工具和技巧。
INDUSTRY
AI系统即将开始构建自己。这意味着什么?
LIBRARY
基于OpenTelemetry原生追踪的LLM调用、检索、工具和Agent决策追踪,支持Python、TypeScript、Java和C#,span数据可以流向Jaeger、Tempo、Datadog或Future AGI Observe
STARTUP
如果你正在考虑创办一家AI公司,过去两年的数据已经非常清楚地表明了什么有效、什么无效。
APPLICATION
我将详细拆解对冲基金如何使用神经网络在交易发生前就提取优势,并分享你今天就能构建的精确实现框架。
JOB MARKET
但真相是:这些裁员即使不是 AI 直接替换你,即使某种程度上是 AI 洗白,它们仍然是因为 AI。
JOB MARKET
以下是我为几家领先 AI 实验室面试做准备时整理的个人笔记,同时也重新复习了高效大规模模型训练的核心思想。
Transformer MLP层标准的norm()预处理步骤对激活函数行为有着深远的影响,我觉得这个现象足够有趣,值得记录下来。我经常看到人们在讨论激活函数时使用直线数轴f(x)的方式,这给出的直觉与激活函数接受单位球面作为输入时截然不同——而后者正是我们对输入进行归一化时发生的情况。 下面展示了单个神经元在输入经过均方根归一化后的Relu MLP中的行为。为简单起见,我将缩放因子除以root(d_model),使得输入位于单位球面上。 输入由蓝色点表示。这些输入首先被归一化为相同的长度。如果输入被初始化为正态分布,那么这些点均匀地分布在d_model维球面上(顺便说一下,这引发了一个问题:为什么在使用K和Q归一化的模型中,K和Q向量使用均匀初始化而不是正态初始化——似乎这会导致不均匀的初始化)。红色箭头代表神经元输入权重的方向。高对齐度(0,1)的蓝色点有高激活值,正交的蓝色点(1,0)激活值为零。黑线代表Relu(x) = 0的阈值。 神经元的行为是:对于阈值线以上的所有点,计算它们的距离。将蓝色点沿蓝色箭头方向移动this_distance*scalar的距离。在权重更新期
JOB MARKET
我也许应该把这篇文章叫作"2026年如何真正通过构建AI Agent找到工作",因为本文会偏向生产系统。
APPLICATION
我最近与Stephanie Zhan在Sequoia Ascent 2026上进行了一次炉边对话,与创始人讨论AI Agent的最新变化、这对软件意味着什么,以及我如何思考下一波AI原生公司。