KeyFrame內部研究專用

Gadi Evron - Opening Words - “Research conferences aren’t effective.” | [un]prompted 2026

unprompted·3月26日週四·11 min英文

三句話摘要

一場 AI 安全會議的開幕演講,探討如何在快速變化的技術時代保持競爭力,強調人工智能工具的實際應用與社區連結的重要性。 在 AI 快速演進的時代,成功不需深度專業知識,只需願意嘗試使用現有工具並建立真實人脈連結。 技術民主化無需深度專業——安全專業人士、財務人員、HR 都應立即開始使用 AI 工具。不是精通數學或編程,只需嘗試便能從「當前技術水平」躍升至「接近最前沿」,就像從 Google 升級到 ChatGPT。

重點整理

重點
  • 1

    技術民主化無需深度專業——安全專業人士、財務人員、HR 都應立即開始使用 AI 工具。不是精通數學或編程,只需嘗試便能從「當前技術水平」躍升至「接近最前沿」,就像從 Google 升級到 ChatGPT。

  • 2

    會議設計重視社群交互而非單向演講——破棄傳統大型研討會的隔離感,強制參與者相互打招呼,透過 Slack 線程討論講者內容,提倡非正式知識共享與人脈建立。

  • 3

    網路建立需從結構設計著手——傳統會議難以進行有意義的交流(名牌難讀、社交場景嘈雜、無法配對志同道合者),故設計「棒球卡」風格的個人檔案頁面,展示專業領域與可提供幫助。

  • 4

    創業時代需重新審視既有知識——傳統創業法則(專注、快速迭代)在當下失效,講者坦言不知如何應對,但堅持「嘗試」是唯一解答。

實用技巧與重點

乾貨
  • 演講提案數:500 份
  • 預計容納:70-120 人
  • 實際參與:800-850 人(線上線下合計)
  • 演講時限:20 分鐘
  • 提問時限:30 秒
  • 推薦工具:Claude Code、Cursor、ChatGPT
  • 互動機制:Slack 線程、非正式工作坊投票(使用貼紙貼紙)
  • 聯絡方式:contact@unpromptedcon.org

結論

結論

在 AI 快速演進的時代,成功不需深度專業知識,只需願意嘗試使用現有工具並建立真實人脈連結。

完整解析

詳細

這場開幕演講於 UNPROMPTED 會議現場進行,講者為會議組織者兼現任 CEO。會議原定容納 120-200 人,卻收到近 500 份演講提案,最終不得不擴大場地並開設線上會議,容納 800-850 名參與者。講者坦言這對審核委員會造成巨大壓力,尤其是最後兩三天倉促提交的提案。

講者隨後分享了四個核心哲學思想。首先是安全領域的重大轉變——從「確定性配置」走向「非確定性配置」。第二個觀點聚焦創業者的困境:傳統創業知識(快速迭代、專注、三個月找到產品市場契合度)在當下都失效了,但講者相信「嘗試」仍是唯一出路。第三點針對整個團隊面臨的過時感,無論是博士級數學家、安全專業人士、財務人員還是 HR,每個人都感覺跟不上技術進展。然而講者認為人們並未真正過時,只需掌握英文、願意嘗試使用 Claude、ChatGPT、Agent 等工具即可。他強調即使不是技術專家,只要去嘗試、玩耍這些工具,就能從「當前技術水平」跳升到接近「最前沿」。講者甚至認為,若各國不再投資那麼多基礎模型實驗室,轉而教人們正確使用現有工具,網路安全防禦將更加強大。

會議在設計上也特別重視社群連結。講者借用前年 ACOD 會議中講者 Joe Stewart 的觀點:傳統大型安全會議對內向者不友善,難以進行一對一交流,名牌難以辨識,社交時間通常在嘈雜酒吧進行。因此會議設計了「棒球卡」式個人檔案頁面,展示專業領域、LinkedIn 與個人能提供的幫助,讓志同道合的人能更容易配對。會議鼓勵參與者在 Slack 上積極討論,每場演講後分享投影片,並透過非正式工作坊投票機制(使用貼紙貼紙)決定隔日加開演講。講者甚至強制參與者相互問好,打破陌生感,讓後續的人脈交流更自然。

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。