付玉祥
系统架构师
不忘初心，方能始终
获得徽章 0
其实，语言智能的爆发可能只是AI发展的“第一阶段”，真正的下一个前沿，是空间智能。现在的模型确实能写文章、画图、甚至生成视频，但它们其实并不“懂”这个世界。它可以描述一只猫，却不知道那只猫离桌子有多远；能生成一条街景图，却不理解空间的逻辑。而所谓的空间智能，就是让AI能在脑子里“搭建”一个世界。它不光能看图、听语言、理解物理规律，还能在和环境互动的过程中，不断修正自己的认知。对我们这些做多模态、视频生成、机器人研究的人来说，这就是下一个自然的跃迁点。
展开
1
点赞
有人问，大模型出来后，开发视角是不是发生了很大变化？确实，这两年做项目能明显感受到，从“写逻辑”到“教模型”，思维方式彻底换了。传统开发讲究规则闭环、边界清晰，而大模型更多靠概率与数据分布，靠“让系统自己学”。系统架构也在重构：从逻辑中台 + 数据库，变成了向量检索（RAG）+ 模型编排 + 观测治理三件套。开发流程不再只是写接口、跑单测，而是要做语料清洗、提示词设计、场景评测。上线也不是简单发版，而要有灰度、可回滚和人类反馈机制。成本上，API 费反而不是大头，最大支出是数据治理和模型评测。很多人说大模型会“吞掉程序员”，其实不然，它只是把确定性工作交给机器，把不确定性留给人。
展开
评论
点赞
最近在折腾 AI Agent，整个系统太容易飘。传统系统逻辑错了能debug，Agent是意图跑偏了，你根本不知道它从哪开始抽风。
前几天AI Agent分析得还挺靠谱，后面开始一本正经地胡说八道。查半天才发现是embedding更新不同步、索引漂移，加上prompt被截断，整得像是记忆混乱。
有时候还会自己改SQL、调阈值，“帮你优化”得特别勤快。结果把阈值一调，告警全失踪。最后只能加审计层，每个动作都得人类确认。
AI Agent确实能干活，但想让它稳定，太难了。它不是程序，更像个半懂事的新人，容易瞎折腾。
以前系统出bug能复现，现在Agent出bug，只能靠缘分
前几天AI Agent分析得还挺靠谱，后面开始一本正经地胡说八道。查半天才发现是embedding更新不同步、索引漂移，加上prompt被截断，整得像是记忆混乱。
有时候还会自己改SQL、调阈值，“帮你优化”得特别勤快。结果把阈值一调，告警全失踪。最后只能加审计层，每个动作都得人类确认。
AI Agent确实能干活，但想让它稳定，太难了。它不是程序，更像个半懂事的新人，容易瞎折腾。
以前系统出bug能复现，现在Agent出bug，只能靠缘分
展开
1
点赞
这两年，大家都在卷“更大的模型、更强的算力、更夸张的参数量”。但越来越多的迹象表明——“越大越好”正在接近天花板。
当行业共识过于集中在“规模”上时，真正的创新往往被忽略。算法效率、模型结构、数据质量、可解释性，这些才可能成为下一轮竞争的关键。
AI的发展不应只是“堆料比赛”，而要回归科学与工程的本质：用最优的算法解决最核心的问题。
当行业共识过于集中在“规模”上时，真正的创新往往被忽略。算法效率、模型结构、数据质量、可解释性，这些才可能成为下一轮竞争的关键。
AI的发展不应只是“堆料比赛”，而要回归科学与工程的本质：用最优的算法解决最核心的问题。
展开
评论
点赞
在这个技术发展比我们思考还快的时代，真正重要的不是追逐每一个新工具，而是学会问对问题。
最近读了 Kate O’Neill 的《What Matters Next》，书中一句话让我印象深刻：
“Technology should serve our purpose, not become our purpose.”
技术应服务于人，而不是让人沦为技术的附属。
最近读了 Kate O’Neill 的《What Matters Next》，书中一句话让我印象深刻：
“Technology should serve our purpose, not become our purpose.”
技术应服务于人，而不是让人沦为技术的附属。
展开
评论
点赞
最近看到 MIT 提出的递归语言模型（RLM）突破了LLM 的上下文瓶颈。核心思路并不是扩大模型窗口，而是像程序一样，把超长上下文拆分成片段，递归调用子模型处理与总结，再合并结果，有点像 LSTM 的“记忆”升级版。这让模型具备了“分段思考 + 记忆回溯”的能力，看起来就像能读懂“无限上下文”。
评论
点赞
当算法越来越强时，最稀缺的不是算力，而是“判断什么时候不用算法”的人。最近在调一个模型，花了两天提了1%的精度，后来一句规则判断直接解决。我突然意识到：AI的尽头是人性，模型的尽头是直觉。
你们在做AI时，有没有类似“被人类智慧反杀”的时刻？
你们在做AI时，有没有类似“被人类智慧反杀”的时刻？
评论
点赞