Bugjay retweeted
AI Agents: Beginner to Advanced Guide
Download here: drive.google.com/file/d/1j2R…
A practical guide to AI agents, automation, tools, and building intelligent systems.
目的可以是非理性的，但选择手段的过程是理性的。
一个人饿了，这是本能。但他吃路边摊、点外卖还是去餐厅，取决于钱、时间、口味、卫生风险等因素的比较。哪怕是激情犯罪，选择时间、地点、工具的过程，也包含对代价和成功率的盘算。
在阅读米塞斯《人的行为》（Human Action），里面提到人类行动的先决条件，很有意思。具体包括以下三点：
1. 不安（uneasiness）：对当前状态有某种不满意。这个词米塞斯借自洛克。它的含义比"痛苦"宽得多：饿了、无聊、觉得还可以更好，都算不安。
2. 一个更满意状态的想象：人能在心里设想一个"更好的样子"。只有模糊的不舒服还不够，得有一个方向。
3. 预期行动有效：相信有目的的行为能消除或减轻这种不安。
前两点非常好理解，让人有落差去促使行动，而第三点容易忽视。第三点却常被忽视，而它决定了人会不会真的迈出那一步。
很多人不行动，不是不想要，而是不相信自己做了会有用。
回到产品营销的场景，其实就是想办法让对方意识使用产品能带来改变。
不安给人动机，想象给人方向，相信给人行动。
科学本身并没有给我们绝对和最终的确定性。它只在我们心智能力的范围内以及科学思想的普遍状态下给我们保证。
读完这句话很有感触，在人类认知范围内，有些知识是可靠的，值得依赖和行动；同时保持开放，承认它可能被修正。
Bugjay retweeted
How to transform your self-image in 1 day:
Close your eyes.
Become aware of the sensations in your body. Focus on how it feels to breathe slower. Do this as you slowly relax every muscle in your body. .
Within five minutes you'll notice a light heaviness in your muscles while you relax.
Once that sensation arrives, you will be able to visually go within yourself to create permanent changes in the subconscious: transforming who you believe yourself to be.
Now for the next few minutes, allow yourself to mentally recall a time where you won. The first time you felt truly loved. A risk you took that paid off. The first time you realized you were capable of more than you thought.
Experience the scene fully.
You might notice warm feelings in your chest as you replay these memories.
This is the good part.
Fly to the future and imagine the greatest version of you. Notice how ASSERTIVE they stand. Notice how they appear. Sense their confidence.
They've overcome the things that keep you up at night. They've built what you've only imagined. They live life knowing exactly who they are.
Allow the image to become bigger, brighter...
Time will slow as your subconscious examines every detail.
Now imagine how it would feel if this was you right now. Picture yourself in their shoes.
Can you feel it?
Linger there for five minutes.
Find yourself softly smiling knowing this is the happiest and most relaxed you have felt in a long time.
Lie there for a while.
Enjoy this moment. Know that you can return here whenever you wish, exactly to this place, where you feel exactly as you do now.
All you have to do is close your eyes and imagine yourself back here. You feel rejuvenated by that thought.
Open your eyes and interact with the world from this state.
Believe it or not this is what you are eventually supposed to feel every single day.
You will begin to notice that all the things you want to be are already within.
Few take the time to practice this.
Do this daily and you begin to rewire your mind. Change your beliefs. Think, act, and become the person you've seen glimpses of throughout your life.
—Cogito Ergo Sum
推荐 Airbnb 联合创始人兼 CEO Brian Chesky 的深度专访，主题围绕 “在 AI 时代，懂得创造什么的人将脱颖而出”（People Who Know What to Build With AI Will Pull Ahead） 展开。
AI 是一种放大器（Amplifier），个体的产出与认知差距被进一步拉大，核心竞争力正从能不能写代码制造转变为知道该造什么、为什么造与审美理解。
youtu.be/iJlyNupMOzA?si=YrVA…
利用现在的 Bot 工具机器人，可以记录大量的想法，方便自己的创作
鲍林法则（Linus Pauling）：“拥有好想法的最佳方式，是拥有大量的想法。” 创意如同健身，依赖高频的重复练习与前期不设批评的发散阶段（借鉴 IDEO 便签法
Bugjay retweeted
LLM能不能最终推进AGI, 谷歌的 Tom Zahavy写了一篇优美的论文 这是我最近读到最喜欢的论文。
只有7页半，从爱因斯坦，广义相对论，到推理三分法， 到LLM和AGI用非常简明有逻辑的语言把他的观点讲明白了。
小路精读了这篇论文，想带着您一步一步跟随Tom的思维演绎给您。这篇文章没有利用任何AI，也希望您跟着读下来。
爱因斯坦在给终身好友Solovine的信中，提纲挈领的总结了科学发现的流程，从感官经验（E）出发，通过一次直觉的"跳跃"（Jump, J）得到公理系统（A），再从公理演绎出定理（S），最后用实验检验。 也就是 E->J->A->S->E （感官经验->跳跃->公理->演绎出定理->实验）
Tom认为，LLM可以做到归纳，也就是统计模式匹配。正在攻克演绎 也就是上文的S. 也可以帮助科学家实现从 S->E。 但是从 E->J->A这个环节，跳跃还是无法实现。
然后 Tom 举了爱因斯坦广义相对论诞生的例子：
1. 经验。 十九世纪末，迈克尔逊-莫雷实验让以太假说失效。牛顿引力则极其精确，惯性质量与引力质量之比验证到 10⁻⁹ 的精度。唯一的异常是水星近日点进动，当时的主流解释是还有一颗未发现的行星"祝融星"。牛顿理论并没有出现危机。
2. 跳跃。 1907 年起，爱因斯坦想象一个自由下落的人：他感受不到引力，可以认为自己静止。这就是"最快乐的想法"，即加速与引力等效。这一步不是从数据里归纳出来的，而是靠模拟观察者的身体感受得到的，论文称之为"操作性溯因"。
3. 公理。 1912–1913 年，他与 Grossmann 合作，把物理要求整理成七条原则，包括等效原理、测地线原理、"引力也有引力"和牛顿极限。
4. 演绎。 此后是漫长的数学搜索。他们找到了黎曼曲率张量，却因误以为它不满足牛顿极限而放弃，这个错误出在对静态场的假设上，而不是几何本身。1915 年 11 月，爱因斯坦终于得到场方程，并用它算出了水星进动。
5. 检验。 星光偏折由 Eddington 在数年后测得，GPS 修正更晚。验证证据全部出现在理论之后。
Tom的观点是，演绎只是整个循环的下游环节。如果把爱因斯坦 1915 年的假设交给 LLM，它有可能推出广义相对论，包括水星进动，也可能系统地剔除那个错误的约束。AlphaProof 在 IMO 上的表现，以及 Lean 等证明助手的成熟，都支持这种判断。
但是演绎的局限性是，
1.它只能展开公理的后果。 它既不能生成公理，也不能提供外部验证。
2. 它缺少意图. 换句话说，AI 擅长的是"别人出好题，它来解"。但科学发现更像是自己决定出什么题，还要在没人告诉你对不对的情况下往前走。这是论文说的"意图"：不只是会推理，还要知道想要什么。
这个听起来简单，但是实际上，我们和AI合作的过程中也有体会。
问正确的问题，给准确的目标，其实是LLM本身最欠缺的。尤其是在前沿研究领域。没有其他文献可以查询，如何实现这个跳跃？
另外，LLM可以在既有符号空间内更高效地重组概念。甚至可以进行视觉和世界模型预测。但是基于模型的模拟，不等于真是交互模拟。真正的跳跃也往往收到虚拟模型的限制。
简单总结一下就是，Tom认为AI Scientist 是在重组既有符号概念，AlphaEvolve 依赖梯度，在固定框架内优化。关键瓶颈是 E→A 的直觉跳跃，应走向能感知物理世界、运行反事实模拟的世界模型。
tomzahavy.com/projects/llms-…
