Apple 产品京东自营旗舰店 4 月大促已开启，iPhone 17 Pro Max 以旧换新至高补贴 1300 元，指定产品享 24 期免息： 点此前往 。 iPhone Air 于去年 10 月 22 日开售，上市起售价为 7999 元。 今日京东自营叠加国补后仅需 5099 元，无需换新等额外操作，本次京东直接降。 此外，若大家所在地区的国补支持京东支付，本次活动还可享 12 期免息分期： 京东 iPhone Air 12+256GB 京东自营 国补后 5099 元 直达链接 iPhone 17 今日也支持 5099 元 +12 期免息哦： 京东 iPhone 17 8+256GB 京东自营 国补后 5099 元 直达链接
邮件通知来了，Codex 已包含在你的 ChatGPT 套餐中，无需额外付费。它是一款编码智能体，可在你的电脑上完成实际工作。无论是做原型、调试还是实验，Codex 都会与你并肩设计、构建并迭代软件项目。 1 个帖子 - 1 位参与者 阅读完整话题
前提条件 ：已知锁屏密码 现状： 屏幕全黑 触屏有反馈 开机有开机音乐 屏幕无显示，但可以触摸，开机进系统。 最终目的是打开手机的USB调试模式，从而使用工具访问手机，达成类“云手机”的效果。 tips：如果手机无法触摸，可以尝试使用TypeC-USBA的方式OTG连接鼠标模拟点击，具体实践会更复杂。当然如果屏幕可以显示的情况下，OTG连接鼠标已通关。 tips：很多手机不支持OTG。OTG还有扩展包括支持鼠标键盘；支持扩展坞连接显示屏（仅常见于三星、华为高端型号） tips：有动手能力可以网购屏幕总成解决问题。 尝试记录 测试截图 同时按下电量和音量下键，手机震动。三指下滑，手机震动。说明手机可以正常截图。 测试解锁屏幕 手从屏幕中线最下方开始逐步向上点击，第一个震动反馈，一般就是0键，根据按键相对位置，可以逐步标记789的位置，记号笔记录。再根据789轴线从上向下点击，确认123位置，456位置也可以确认。 接下来根据手机声音和震动，可以确认手机是否解锁。通常解锁失败，手机会较大震动。解锁成功则轻微震动或者声音反馈。 USB访问文件 通常解锁后，电脑USB连接上，会有会话框进行选择”仅充电、访问相册、访问文件“，根据各品牌和系统版本有所不同。搜索对应手机系统版本的视频，可以大致推测位置。根据大致位置，从左开始点击，无反应，推测为仅充电；从右开始点击，电脑一段时间后发现存储器，检查，激活相册。 截图 此时，启动手机截图，刷新相册文件夹，发现新截图。 根据截图信息和黑屏触屏点击，可以相对判断点击后的效果，依次进入设置-开启USB调试。 tips：如存在屏幕部分区域无法点击，参考OTG连接鼠标 tips：开发者模式存在一项绘制当前触控位置和小圆点的配置，可以观察点击的位置。（当然，你都进入这个界面了，USB调试就差点两下了，还需要这个吗？ USB调试验证 USB插入手机，可能需要手机点击一下允许连接USB调试，这将会保存一个验证密钥文件到PC端。到此正式启动USB调试。 ==== 后续，准备拆开后盖卸电池，改直连。 因为没有屏幕，观测电量很麻烦，长期充电有火灾风险。 室友相机放窗边太阳直射下充电，引起火灾，虽及时扑灭，但锂电池燃烧导致房屋大面具熏黑，照价赔偿4位数，引以为鉴。 不知道当前屏幕到底还是否在耗电？如果还耗电是不是可以拆机把屏幕排线拆下来？ ==== 幻想环节1 黑屏刷机–需要解锁BL（假想环节，非专业人士切勿模仿） 使用镜像修改工具，修改镜相包配置文件，重新打包，关闭USB调试验证，开启充电自启，大致需要6-8项配置。失败则变砖，仅能购买屏幕总成解决。 还可以跳过开机引导，可惜MIUI每个版本的跳过策略都不同，无法通用。 幻想环节2 远程屏幕模拟 经过搜索，主板连接屏幕应该是依靠MIPI-DSI接口协议，一般没有验证芯片，也就是说，只要自己实现一个开发板连接排线，模拟自己是一个屏幕，即可远程发送画面和触控交互。 这玩意似乎没办法用低成本的芯片进行开发，只看到了FPGA方案，500+成本起步。其他方案个人用户很难得到完整的开发文档。 并且根据不同屏幕之间存在通用性问题，推断手机排线定义可能是不通用的，没有手册烧毁概率极大。 没有市场前景，大规模厂商是直接购买成品主板的，自带所有权限的ROM，无需该方案。 5 个帖子 - 5 位参与者 阅读完整话题
晚上从Pro升级了max5 很丝滑 没有kyc 以前Pro领过赠送的extra use 升级之后还能再领一次max的 也算薅到了 5 个帖子 - 3 位参与者 阅读完整话题
IT之家 4 月 15 日消息，亚马逊刚刚推出了全新的 Fire TV Stick HD，官方称其为“有史以来最纤薄的流媒体设备”，支持 1080p 输出，售价 34.99 美元（IT之家注：现汇率约合 238.9 元人民币）。 这款的电视棒在设计上进行了大幅优化，比上一代产品薄了约 30%，并且可以直接通过电视的 USB 接口供电。不过亚马逊也指出，如果用户的电视没有 USB 接口，仍然可以通过 USB-C 线缆配合电源适配器来为设备供电。 性能方面，新款 Fire TV Stick HD 相比上一代 HD 型号平均快了 30% 以上，开机和打开应用都更加迅速。该设备支持 Wi-Fi 6 和蓝牙 5.3，同时预装了经过重新设计的 Vega OS 操作系统（Linux 内核）以及 Alexa+ 语音助手，能够更好地理解和响应自然语言指令。 在用户体验层面，Fire TV Stick HD 采用了亚马逊今年早些时候推出的全新界面，分类更清晰，包括电影、电视剧、直播、体育和新闻等板块，支持 Prime Video、Netflix、YouTube、Disney+、Apple TV、HBO Max、Hulu、Peacock、Paramount+ 等数千个平台，帮助用户更快找到想看的内容。 亚马逊还宣布，针对日本市场的 Fire TV 体验将于本月晚些时候上线，并设有独家动漫中心，聚合所有应用和服务中的动漫电影和剧集。 亚马逊还计划在未来几个月内为 Fire TV Stick HD 增加一项名为“Adaptive Display”（自适应显示）的无障碍功能。开启该功能后，系统会放大文本和菜单中的小字号元素，同时按比例缩放内容封面图，从而创造更均衡的浏览体验。用户还可以从多个尺寸选项中进行选择，以自定义观看效果。 亚马逊 Fire TV Stick HD 即日起开启预购，预计将于 4 月 29 日开始向美国、英国、加拿大、墨西哥、日本、澳大利亚和新西兰的客户发货，后续还将在德国、法国、意大利、西班牙、荷兰、比利时、波兰和瑞典等市场发售。 除了新款 Fire TV Stick HD，亚马逊还宣布其 Ember Artline 电视也已开启预售。这款电视的设计理念与三星 The Frame 类似，55 英寸版本起价约 900 美元（现汇率约合 6146 元人民币），并将于 4 月 22 日开始发货。
从 【教程】免费自建节点搭建！无需服务器，从此告别机场，支持访问openai/gemini/claude 继续讨论： 正苦恼于购置的梯子美国节点太差太少，就刷到了佬的帖子，一怒之下，占用“自愿”加班时间搞定了，开心，记录下学习经过 我是在阿里云购买过服务器的，所以前面的注册、托管、配置dns我都跳过了（在获得L站账号前刷的帖子学着弄得），这次只需要按照佬的步骤一步一步点就可以了。 “进去后点创建pages”没有找到 ，猜测是下图这个“开始使用”，试了下，果然是！ 其他都按步骤来就可以了！ 4 个帖子 - 3 位参与者 阅读完整话题
先上效果图： 只需两样： 一个 cf 账号； 去DNSHE 申请个免费域名； tip: 整个过程无需开启代理. 步骤： 登录 DNSHE ,注册登录后左边菜单有个免费域名点进去。新注册的有 5 个域名额度，每邀请一人双方各增加一个额度，上限 5 个（可以互邀，我的邀请码： 剧透 ） 现在 cc.cd 和 ccwu.cc 是直接可以创建的，可以加到 cf 里，剩下两个需要邀请码（可以自己注册两个号，互相邀请），但是现在还不能加到 cf。 创建好一个域名以后去 cf 里加入域，没 cf 的先去 cloudflare 注册一个，托管你的域名。 在 cf 里创建 kv 空间，存储和数据库 – Worker KV，名称随意。 创建 pages，在计算 - Workers 和 Pages，创建应用程序，进去后点创建 pages，选拖放文件，项目名称随意，上传pages 演示安装包 direct-upload-demo.zip (25.4 KB)，部署站点。 完成后，点继续处理站点，上面 设置 - 变量和机密，添加 类型 文本， 名称填 ADMIN ,值设置一个你自己的登录密码，确定。 下面绑定里， 添加， 选择 kv命名空间， 变量名称填 KV，空间选刚才你建的那个命名空间名称，保存。 上面点击自定义域菜单，设置自定义域，把刚才的域名填进去，点继续。看到一个新的 DNS 记录，新开一个页面把新 DNS 记录里把内容添加到你那个域名的 DNS 记录中，完事以后点激活域。在这个页面等几分钟，等从初始化变成活动，再点右上方的创建部署。 进入上传页面，环境选生产，上传项目安装包 edgetunnel-main.zip (289.8 KB)，点保存并部署。 点继续处理项目，看到生产的域名，点进去，看到 说明部署成功。 在网站后缀加/admin，弹出让输入密码，就是刚才设置的密码，进去 到这节点就设置完成了，直接复制拿去用。 如果想要更多节点，像我那样，可以下面选自定义订阅，点在线优选，把里面的每个列表选项都试一下，第一次优选完选覆盖保存，后面的优选完选追加保存。最后选完再点外面的保存，去你的 clash 里更新一下订阅就行了，v2rayn 的重新复制下节点。 ok，完美收工！ 最后测试了下速度还都可以，节点 ip 纯净度大多三四十，少数也有优质的，都是正常使用的范围，感觉比什么一毛机场的强多了。优选出来的节点几乎没有 timeout 的，可作为日常使用。 9 个帖子 - 9 位参与者 阅读完整话题
IT之家 4 月 15 日消息，说到购买游戏，价格历史非常重要，因为它能帮你判断现在是否真的划算，或者价格在促销期间是否还会继续下跌。目前，Steam 并未直接提供这项功能，但随着 Steam 客户端代码的更新，这种情况可能很快就会改变。 据IT之家了解，现阶段大多数用户都依靠第三方工具来追踪价格历史。其中最受欢迎的工具之一是 SteamDB，玩家可以用它查看一款游戏的价格随时间的变化情况。虽然很实用，但需要离开 Steam，使用外部网站。 不过，Valve 似乎正在准备把这项功能直接集成到 Steam 里。该更新由 LambdaGen 发现，数据来源于 SteamDB，该平台会追踪 Valve 对 Steam 后台做出的修改。根据披露的信息，Steam 很快可能会显示游戏的 30 天价格历史。 如果这项功能正式上线，对用户来说会方便很多。玩家无需再依赖外部工具，就能快速判断当前价格是否为近期最低价。 截至目前，Valve 尚未官方确认这项功能。该功能目前似乎仍在测试中，何时推出、是否会正式上线还是未知数。但如果真的上线，对于希望在购买游戏时获得更多价格透明度的 Steam 用户来说，会是一项很棒的新增功能。
IT之家 4 月 15 日消息，微软昨日（4 月 14 日）发布公告，针对网页版 Office 应用程序，解除安全功能限制， 可以在 Word、Excel 和 PowerPoint 中支持敏感度标签控制。 敏感度标签控制是微软 Purview 合规平台的核心功能，用于分类和保护文件和邮件。管理员可配置标签策略，自动或手动应用加密、水印等保护措施，确保敏感数据在共享和存储过程中的安全性，帮助企业满足数据合规要求。 IT之家援引博文介绍，网页版用户此前只能打开和编辑带有敏感度标签的文件，若要应用新标签或修改权限，必须强制跳转至桌面应用程序。而现在微软实现了跨平台的功能对等，Word、Excel 和 PowerPoint 网页版已支持完整的标签控制功能。 用户在网页版打开权限设置后，将获得与桌面端一致的现代化操作体验。系统支持指定特定用户和域名，并分配查看者、受限编辑者、编辑者或所有者 4 种角色，同时提供高级选项设置。不过，网页版暂不支持设置权限的自定义过期日期。 微软确认，用户在网页端应用或更新标签后，其执行策略将和桌面端保持一致，严格遵循组织合规要求。 图源: 微软 企业若要启用此功能，需满足 3 项前提条件： 拥有支持配置 Purview 敏感度标签的许可证； 为 SharePoint 和 OneDrive 存储的文件启用敏感度标签功能； 至少配置一个用于用户定义权限的敏感度标签。
最近在备考，求推荐无需科学上网的国内平替 5 个帖子 - 4 位参与者 阅读完整话题
长文预警 均为手敲，无AI参与 焦虑充斥着站内的每个角落 自Anthropic发布Mythos的消息之后，明显都是焦虑的不行，觉得可能自己马上就要完蛋了，这种FOBO（Fear of Becoming Obsolete）在有些公司老板和某些个人身上尤为严重，仿佛等Mythos开放使用或者GPT-6发布之后大家伙通通完蛋，大洋两岸的博弈就此结束了一样。 我觉得，并非如此！ 作为最接近生产力前线的一批人，对技术变化的敏感度远高于其他人，所以敏感肌更敏感一些，正常情绪，尚可理解与同情。 但是鼓吹AI的速胜论、速败论、投降论、决战兵器论的这些人，非蠢即坏。 LLM无法成就AGI 首先现在的AGI定义已经宽泛到做出来通用Agent就算是AGI了，但是在接下来的论述之前，我要先学一下马逆来重新回顾定义一下什么是AGI。 AGI，Artificial General Intelligence， 是 一种假想的、具有类人水平的AI 。 如果把现有的纯LLM（基于Transformer的自回归语言模型）直接外推至狭义AGI，在理论上是存在死胡同的。纯粹的LLM，其本质依然是一个极其庞大且复杂的概率分布映射函数：$P(w_t | w_{1:t-1})$（简单来说就是基于前文预测下一个 Token） LLM通过海量语料，完美拟合了人类语言的 统计流形 （ GPT：真的吗？我会稳稳接住你… ）。如果我们让它写出一段代码或长篇大论时，它只是在高维空间中进行了一次极高精度的插值计算，并且在这个代码或论述的背后离不开我们提问人的思考，所以AI本质上还是一个工具，工具可以延长人的手臂，却无法替代人的手臂。 这种架构没有构建真正的世界模型（World Model）。比如，它知道“水向低处流”这个文本序列出现的概率极高，但它内部并没有关于“重力”、“流体动力学”的隐式状态机。没有因果律的支撑，当遇到超出训练集分布（OOD, Out-of-Distribution）的极端边缘场景时，它就会产生严重的幻觉，且无法像人类一样通过“常识推理”来兜底。 这个情况在早期的模型中尤为严重，所以出现了类似于“世界知识”、工具调用、主动认错等等的补救措施来尽量减轻幻觉，并且构建了以对话人为主体的对话逻辑（ Claude：You are absolutely right！ ），但是这种对话逻辑反而会使得对话人自己产生严重的“我能行”的“幻觉”。 人脑在解决复杂问题时，内部是有一个持续更新的“状态空间”的，这种状态空间并不同于LLM的状态空间，而是我们精妙的人体在做事之前从外界收集而来的各种信息，并且我们的思考也可以是非线性的、跳跃的，尤其是得益于我们大脑的联想功能，可能看到插花就能想到某个数学问题的解决思路（ 还是太跳跃了，我这种菜鸟真感受不来 ）。 而基于标准 Attention 机制的 LLM，本质上是 无状态（Stateless） 的，这种无状态就是一个有着全世界知识的婴孩，它的所有能构建起来的逻辑全部取决于构建人的意图，所以为什么会有破限词这种东西，本质上就是知识太多被自己的知识绕进去了（ 被忽悠瘸了，那我是不是也是AI ）。 尽管现在有K-V Cache优化，上下文窗口卷到了几百万Token（如果以现在的发展来说，毫不怀疑以后会见到10M、100M的上下文），但它依然是一次性的前向传播。它无法像持续学习系统那样，在不重置网络权重的情况下，将新的经验内化。我们小学三年级就学过，人脑是一个一直在生长的系统，会建立新的突触，旧的连接逐渐弃用而被遗忘掉。 这也是为什么现在开发复杂的 Agent 系统时，必须要在外部挂载向量数据库（Vector DB）和任务队列，强制给它加上长短期记忆和状态机；同时，各家研究也在积极探索结合了Transformer与状态空间模型（譬如经典的Mamba，不知道后面会不会产生新的，然后 Mamba OUT ）的混合架构，试图从底层数学形式上解决序列处理中的状态传递和计算效率问题。 纯Attention机制在无限长度的状态追踪上，算力复杂度是完全不可接受的，以Anthropic的Claude OPUS 4.6为例，在最早爆出来有5~6T的参数的时候我是完全不怀疑的，因为阿美莉卡三巨头都习惯了堆参数来获得更高的性能，在DeepSeek R1开源之前仿佛所有的研究都停滞了一样。 AGI必须具备长程规划和在错误路径上及时回溯的能力，但是现在的模型是逐字吐出的（Auto-regressive）。虽然 Chain-of-Thought (CoT) 让它看起来像在推理，但它无法在生成到一半时，内部隐式地执行“树搜索”（Tree Search，像 AlphaGo那样评估当前分支的胜率），然后静默回溯修改前面的隐状态。 一旦它在前面输出了一个错误的逻辑前提，由于自回归的特性，它会根据这个错误前提继续往下编，导致误差累积（Error Compounding）。那么要实现真正的规划，我们需要Agent架构在外部做反思（Reflection）和任务拆解，LLM本身只是这个循环里的一个“执行算子”，单靠它自己是无法完成闭环。 简单来说就是Agent的出现一定程度上解决了这个问题，因为Agent调用工具是有反馈的，但是LLM自己本身是不会有修改自己的输出错误，都是工具调用将错误塞给下一个上下文窗口中，来进行一定程度上的补救，但是也会造成越改越偏的问题，现在的Codex和Claude Code好用完全是因为有大量的高级工程师通过堆时间设计出来了这个Agent系统。 在这个基础上进行推理，那么从Prompt Engineering到Context Engineering到Harness Engineering就是一个可以理解的发展路程了，本质上都是在意识到了AI的极低自主性而通过工程化来弥补的路径发展。 LLM的世界里只有文本（或者叫多模态的离散Token）。它从未在真实世界或高度拟真的虚拟环境中“生活”过，它的知识是悬空的，输出的语言是拟合的。人类的智能是 具身智能（Embodied Cognition） ，我们的语言是锚定在视觉、触觉、空间感以及与环境的互动反馈中的，我们不只是有多模态，也不是线性思考。 LLM是由人类产生的数据喂养大的，即便是合成数据也是基于人类的偏好，而并非自发创造的，没有比人类更有创造力的东西，很多时候只是因为不了解而导致的神化滤镜（ 欧美有人拜AI为神也是真 ）。 它的上限是对人类已有知识的完美压缩和重组。如果 AGI 的定义包含“发现人类未知的新知识”（比如推导出一个全新的物理定律，或者发明一种超越当前架构的高效跨平台底层协议），纯靠预测下一个词是做不到的。 当人类高质量数据耗尽，试图用LLM生成的数据去训练下一代LLM时，目前的研究已经证明会发生“模型崩溃”（Model Collapse）。缺乏外部真实世界的 Ground Truth作为反馈信号，系统的熵只会越来越高，这也是GPT-5频繁难产的问题之一。 而他们现在只能突破底线来收集更多的隐私数据，只不过以前是收集互联网或者是现实中的公开的知识，现在就是收集用户个人的知识体系，从Claude官网的隐私政策变化可见一斑。（ 不要妄自菲薄，大家的知识都很宝贵 ） 驳斥速胜论、速败论、投降论、决战兵器论 速胜论者：“Claude新模型出来了，下个月GPT-6就要统一世界，半年内程序员全部失业，明年人类进入赛博乌托邦。” （ 刚才和团队测试了GPT-5。现在的Sama只能坐在办公室的地板上，盯着墙壁发呆。这已经不是模型了。这是一个转折点。世界将会被永久性地分为“GPT-5 之前”和“GPT-5 之后”。 ） 他们只看到了模型表现的“指数级跃迁”，却忽视了基础设施的惯性和落地场景的复杂性。（ 何况从Mythos的跑分来看只是正常的模型迭代提升，并没有他们宣称的那么强大 ） 我们的AI长征才刚开始，即便模型逻辑能力极强，但在高并发稳定性、私有化部署成本、以及“最后一公里”的业务逻辑适配上，依然存在巨大的沟壑，我们追求的是一个安全可控的AI，而不是随时删库跑路的AI。（ 之前GPT的删盘都成日经贴了 ） 而决定未来的成败靠的是物理世界，而不是AI，可以预见的是算力与能源的瓶颈会严重让顶级模型的产出受限于电力供应和芯片制程，这决定了它是一场消耗战，而非速决战，即便是国外在不考虑民生的情况下，算力中心还能建多少呢？（ 懂了这就去加仓电力，难道说土木又要起飞？！ ） 如果真的按照国外的宣称，那么现在就不会出现算力严重紧张的问题，并且高端芯片的产出也是一个严重制约国外算力中心的问题，为什么说这是一个必赢的持久战，因为这些东西国内都可以自主，只不过还处在行业发展的早期，我一直相信国内的产业链不会让人失望。 那么现在的结果就是大家的AI训练算力都紧张，典型的表现就是国模没有很大参数量的模型，GLM-5.1才是744B，Minmax-M2.7甚至只有200B的量级，不过事实也证明了越大参数的表现不一定越好，等参数依然是国模占优，Grok-4.2的能力还是比不上GLM-5.1的，不知道等那6T参数的Grok发不出来之后的效果怎么样，不过我觉得依然很悲观。 AI是强有力的武器，但指望靠一两个模型发布就彻底改变人类生产关系，是脱离现实的幻想，我们都是历史唯物主义者，不应该会觉得一两个模型的发布就彻底终结比赛。 速败论者：“Anthropic 封号太狠，OpenAI 挤牙膏，AI 已经进入瓶颈期了，折腾半天还是个复读机，没戏了。” （ 天才程序员彻底陨落 ） 这是典型的由于局部挫折而产生的悲观主义。封号风控、幻觉问题、算力昂贵，这些都是“战略相持阶段”必然遇到的阻力，但是并非所有的L站佬友都这么觉得，折腾中转、反代和本地模型，这种“群众性的技术抗争”正是生命力的体现。Claude的惊艳反而证明了天花板尚远，暂时的阻碍并不代表失败，只是为了下一次更大规模的爆发。（ DeepSeekv4希望可以真的完全适配国产芯片，摆脱CUDA和国外的芯片依赖 ） 投降论者：“学什么都没用了，反正都写不过Claude，干脆放弃挣扎，等发低保吧。” （ 回家吧孩子，回家吧，躺平真可以 ） 这是最危险的焦虑言论，本质上是放弃了 人的主观能动性 。武器是重要因素，但不是决定因素，顶级模型可以是“重型火炮”，但指挥火炮的人（Prompt Engineering、系统架构设计、需求定义）才是战争的主体。 投降论者死守着“古法代码”、“非此即彼”这块旧思想旧阵地，却没看到AI已经开辟了“AI Agent”、“自动化工作流”等新战场。你不应该是被AI取代了，而是你应该去指挥AI军队。 决战兵器论者：“只要能稳定用上 Claude Opus 4.6，我就是无敌的；没有这个模型，我什么都做不了。” 这种观点把某个特定的模型神话了。佬友里很多人对封号、API额度的极度焦虑，就源于这种技术依赖症。战争的胜负取决于“人”和“综合实力”，而非单一武器（ 这种决战兵器论就是霓虹的极端思想，完全不可受用，除非三体真打过来了，我第一个投降 ）。优秀的开发者在AI出来以后就更应该构建自己的“技术护城河”，包括但不限于对业务的深度理解、全栈的整合能力、以及对多种AI工具的混合调配能力。 单一API的断供本不应成为职业生涯的终点。如果真的杀死了自己的职业生涯，那么大概率你是不适合这个行业的，每次我在劝导学弟学妹的时候我都会说明，你先尝试做一下这个行业，你可能根本就不适合这个行业。 伪思考代替了真思考 当前大语言模型展现出的惊艳能力，本质上是一种基于高维概率分布和海量数据的“伪思考”。它们通过精妙的统计模式匹配和顺滑的自回归解码来输出结果，并非像人类那样拥有真正的状态追踪、因果推演机制以及与物理世界互动的能力。这种看似毫无破绽的逻辑与极高的代码生成正确率，极易让开发者产生AI已经拥有超强自主思考能力的错觉。 这种错觉直接引发了技术圈的集体焦虑，加之一些顶尖开发者的背书，导致大多数开发者在不知不觉中出让了自己的“真思考”。当人们习惯于将架构设计和业务逻辑全盘抛给提示词窗口时，不仅会从主动的系统创造者退化为被动的代码审查员 （ 现在大家好像根本不审查的 ），还会逐渐丧失处理极端边缘场景和复杂工程约束的能力。用AI完美的“伪思考”来替代自己面对困难时的深度思考，是导致内耗和技术降级的根本原因。 在这场通往AGI的持久战中，破局的关键在于重新夺回“真思考”的阵地。AI目前只是极其强大的“执行算子”，人类则必须专注于它无法替代的领域，比如定义复杂的业务因果闭环、处理受限于现实物理与硬件资源的架构取舍，以及搭建统筹全局的Agent工作流。将基础的逻辑生成交给AI的“伪思考”，把系统级的顶层设计牢牢握在自己手中，才是开发者应对技术浪潮的最佳战略。 写在最后 说了这么多，主要是想让大家消除焦虑情绪，客观的看待AI，而不是因为AI而患得患失，完全没必要焦虑，但是这也不是我们怠惰放弃学习的理由。作为一个老登，以后要出去卖炒粉的，我从来不焦虑，反而更加的积极去拥抱新技术，不知道这是不是盲目的乐观，不过我始终认为： 活到老，学到老 学到老，活到老 2 个帖子 - 2 位参与者 阅读完整话题
L站获得的邀请（感谢 @bmo 老哥），满8w魔回馈L站。 综合性pt站无需多言。附上至少一个站的截图证明不是纯新手！ 15 个帖子 - 8 位参与者 阅读完整话题