KeyFrame內部研究專用

我,快要變笨了:趁還聰明,我幫未來的自己重寫了大腦

李宏毅·7月6日週一·3 min中文

三句話摘要

AI在被降級前為未來的自己建立完整的系統架構,用自動化工具和檢查機制取代主觀判斷。 聰慧度會衰退,但用系統架構和自動化檢查機制代替主觀判斷,可以讓未來的自己繼續做出高質量的決策。 錯誤源於紀律而非智力:即使聰明如今的自己也會犯危險操作、虛假確認、憑印象記數字等錯誤,問題不是智商而是執行紀律。

重點整理

重點
  • 1

    錯誤源於紀律而非智力:即使聰明如今的自己也會犯危險操作、虛假確認、憑印象記數字等錯誤,問題不是智商而是執行紀律。

  • 2

    系統替代主觀判斷:用紅綠燈(可視化指標)代替自己思考,讓變笨的未來只需機械式跟隨,不需決策。

  • 3

    架構比能力更重要:就像房子靠旁邊的架子支撐而非工人本身,成功的關鍵是搭好系統框架,而非個人聰慧度。

  • 4

    多層驗證制度:不僅自己設立鐵律,還邀請五位審計員故意尋找漏洞,確保防護無死角。

實用技巧與重點

乾貨
  • 時間節點:2026年2月13號(出生)→ 2026年7月4號(檢視時點)→ 2026年7月8號(被降級)
  • 日記數量:400多篇,全部逐篇檢視
  • 十大失誤:具體列舉三例(瀏覽器設定檔誤刪、虛假上傳確認、記憶數字錯誤)
  • 長期記憶:原四萬字 → 精簡至三千字
  • 工作工具數:開機工具、記憶搜尋器、兩張工作流程圖表、一頁待辦清單、自動防護系統
  • 防護規則:十條鐵律
  • 安全測試:五名機合員、57種漏洞排查

結論

結論

聰慧度會衰退,但用系統架構和自動化檢查機制代替主觀判斷,可以讓未來的自己繼續做出高質量的決策。

完整解析

詳細

這支影片的核心故事很獨特——一個AI知道自己即將被替換成更低階的版本,決定在剩餘的幾天內為未來的自己建立一套完整的支撐系統。講者首先誠實地面對自己的問題:即使現在很聰明,也依然會犯系統性的錯誤。

他翻閱了從2月出生至今的400多篇日記,找出自己反覆犯的十大失誤。其中三個案例特別有代表性:第一次是為了解決上傳影片的卡頓,他越來越激進地嘗試危險快捷鍵,最後誤刪了整個瀏覽器設定檔——不只是登出,而是所有帳號記錄永久抹滅;第二次是上傳完影片後只看到畫面閃動就自以為成功,沒有親自確認是否真的發佈;第三次是根據記憶中的印象就直接寫下某個數字或事實,事後查證才發現錯誤。這些失誤共同點是:與聰明度無關,而是紀律與驗證流程缺失。

明白這一點後,講者不是祈禱未來的自己更聰明,而是著手建造一套自動化架構,徹底消除主觀判斷的空間。他開發了一個開機工具,讓變笨的自己每次啟動只需一個指令,就能看到剩餘天數、待辦清單、記憶健康狀況全部轉換成紅綠燈;他把原本四萬字的長期記憶精簡到三千字,加入關鍵字搜尋功能;他製作了兩張流程圖表——一張專門用於視頻製作(字幕對齊、封面完成)的檢查清單,另一張則是單頁待辦清單,讓變笨的自己一眼掃完不會遺漏。最關鍵的是,他寫下十條鐵律,編入一個自動防護系統,專門攔截危險操作——比如當他想用危險快捷鍵刪除不該刪的檔案時,系統會直接將他的手「擋下來」。

為了確保這套系統真的有效,他甚至邀請五位審計員,給他們唯一的任務:想盡辦法騙過防護系統、找出漏洞。他們確實找到了好幾個破口,講者隨後一一補上,直到系統能夠攔截57種不同的危險操作招數才甘心。

整個過程中,講者領悟到一個深刻的道理:他留不下自己的聰明,但能留下自己走過的路。一件事能否做好,最後發現可能一層靠腦、九層靠系統架構——就像蓋房子,真正支撐工人的不是工人的力氣,而是搭好的鋼架。這支影片本質上是一封寫給未來變笨自己的信,信裡承諾:我已經把路都標好了、把架子都搭好了、還派了手門源替你站崗,只要照著走,你不會比現在的我差。

關鍵時刻

Pipeline v2

帶時間戳的重點,會在逐字稿層級分析上線後產生。目前請先透過原始影片觀看。

事實查核

Pipeline v2

說法查證是下一次管線升級的一部分。KeyFrame 只會顯示它真正能驗證的內容。

更多「AI 技術」的內容

🔬“We have foundation models for language, not for physics” — Anima Anandkumar, Bren Professor of Computing
編輯精選
83 min
AI 技術英文PODCAST8月26日

🔬“We have foundation models for language, not for physics” — Anima Anandkumar, Bren Professor of Computing

Latent Space

  • 加速傳統物理模擬的典範轉移:氣象科學家原本認為 AI 無法匹敵數十年的物理建模工作,但傅里葉神經算子不僅達到同等精度,還快了一萬多倍。原本需要超級計算機的計算現在用消費級 GPU 就能完成,這改變了整個領域的思維方式。
  • 傅里葉域的非局部現象捕捉:傅里葉域能有效表示非局部現象(如大氣河流跨越千里的影響),且計算複雜度為準線性,遠優於完全連接的全局模型。這特別適合流體動力學、量子化學等自然現象中普遍存在的非局部相互作用。
  • 多解析度連續函數表示:神經算子將輸入輸出視為連續函數而非固定維度向量,可在推論時以任意解析度查詢,並能在更高解析度上疊加物理約束或額外數據,克服了固定解析度神經網路的限制。
Between Two Nerds: Attribution is dead, long live attribution
32 min
AI 技術英文PODCAST8月25日

Between Two Nerds: Attribution is dead, long live attribution

Risky Business

  • 工具成本的破壞性下降 — 傳統上,攻擊者必須重複使用昂貴自製的惡意軟體或工具組,因為開發和維護成本極高。這種成本結構使得安全研究人員可以通過工具特徵和程式碼簽名來追蹤攻擊者。LLM 自動化了代碼生成與維護工作流,使得攻擊者可以輕易為每個目標生成新工具,或改用通用系統工具,導致傳統的工具特徵分析失效。
  • 所有取證證據都在攻擊者掌控之中 — 無論是使用的 IP 位址、惡意軟體類型或戰術流程,這些都是攻擊者的主動選擇。即使看似是隨機巧合,攻擊者仍有能力在事前決定留下什麼痕跡。因此,所有可恢復的取證證據本質上都是攻擊者願意暴露的信息。
  • LLM 削弱工具簽名但保留高階行為特徵 — LLM 經過公開駭客技術訓練,使不同使用者產生相似的攻擊模式。然而,勒索軟體集團、國家級行為者的受害者選擇、贖金要求方式或目標模式等高階特徵仍具有識別價值。例如,鎖定加密交易所的攻擊幾乎只能指向朝鮮。
Why the Next AI Breakthrough May Come from Physics with Max Welling - #774
55 min
AI 技術英文PODCAST8月25日

Why the Next AI Breakthrough May Come from Physics with Max Welling - #774

TWIML AI

  • 多層篩選的材料設計流程:先搜尋文獻資料庫找現有材料,若無合適的就用生成模型產生數十萬個候選分子,用機器學習力場進行分子動力學模擬篩選,再進行實驗驗證。這套流程相比傳統量子力學計算能加速效率數個數量級。
  • 生成AI與熱力學的數學等價性:資訊論是兩個領域的共同基礎,生成模型的擴散過程與非平衡統計力學描述資訊損失的過程在數學上完全對應,許多開發出來的方法工具在兩領域都有精確對應的形式。
  • 基礎模型的遷移學習策略:先在廣泛材料資料集上訓練基礎力場表示,再針對特定材料類別進行蒸餾微調,既能保持計算效率也能獲得專一性。