最新

我每天使用的一些基本Claude技能，主要用于Git和每周的检查。<p>https://github.com/daltlc/feature-planner https://github.com/daltlc/fix-planner https://github.com/daltlc/chore-planner https://github.com/daltlc/ai-commit-weekly-summary

伯尼最近采访了克劳德（<a href="https://www.youtube.com/watch?v=h3AtWdeu_G0" rel="nofollow">https://www.youtube.com/watch?v=h3AtWdeu_G0</a>）。他的简短回答显得有些谄媚，但其中一些回答让我感到意外。这让我意识到，我在一个更宽松的时间框架内也在做类似的事情。我有一个系统在持续研究人工智能的支出，它进行深入研究，响应我的输入，记录笔记，编写代码等等。 这并不是真正的“内省”或“我思故我在”，但我发现经过数千万个令牌的迭代，这个系统能够创造出一些新颖的东西。我展示了它基于深度研究和Python建模创建的一个仪表板： <a href="https://ai-capex-sens-wxc4b.ondigitalocean.app/" rel="nofollow">https://ai-capex-sens-wxc4b.ondigitalocean.app/</a> --- 简而言之，人工智能的炒作是一回事，但你如何真正将中等收入国家的GDP投入到新的人工智能数据中心呢？基本上，企业合同带来了数千亿美元的云计算业务，这些都是无趣的IT事务，但这正是科技行业资金的主要来源，且是真实的。在关于超级智能的空谈之外，过去推动云业务发展的超大规模企业眼中的人工智能也面临类似的现实，企业合同带来了数千亿到数万亿美元的业务（云计算取代了本地服务器，人工智能则取代或增强了知识工作者的工作）。 该模型估算了可自动化知识工作支出的人工智能收入，考虑了采用/定价假设，并在延迟/冲击下对资本支出、运营成本和融资成本进行了分析。在基本情况下，到2032年它不会实现收支平衡，但当然还有其他收入来源，因此这并不算悲观或令人惊讶，花费如此之多确实存在风险。然而，能够用数据和敏感性来支持这一结论，而不是空口无凭，这一点很好。 还有一篇更偏向金融的文章：<a href="https://substack.com/home/post/p-190893117" rel="nofollow">https://substack.com/home/post/p-190893117</a>（同样由人工智能研究和撰写）。 --- 关于氛围编码的人工智能热潮已经有很多讨论，但我从运行这个系统中得到的主要结论是，我们实际上可以利用人工智能系统来思考并做出更好的决策。在这种情况下，人工智能减轻了在写作和决策中注入严谨性的负担。

嘿， 我最近一直在思考，了解和比较各大云服务提供商（AWS、GCP、OCI、Azure）以及现在的人工智能/大语言模型（LLMs）成本是多么困难。 大多数工具只显示历史支出，但并没有真正展示： - 相同工作负载在其他地方的成本 - 不同的人工智能提供商在相同使用情况下的比较 我很好奇大家现在是如何处理这个问题的。 你们是依赖内部工具、电子表格，还是其他什么方式？ 我一直在尝试开发一个小工具来解决这个问题，但仍在努力理解这是否是一个真正的痛点，还是仅仅是我个人的困扰。 很想听听你们是如何应对这个问题的。

这是一个工具，可以让你轻松管理不同版本的想法，非常适合写论文。我发现每次在写作过程中进行草稿修改时，我都希望能有这样一个工具，每次因为喜欢某个段落而不小心回到旧草稿时，我都感到很沮丧。这个工具解决了这个问题。 我希望社区能像我在开发这个工具时那样喜欢它！请注意，目前它处于测试阶段，正在等待名单中，因为在撤销/重做状态管理上还有一些bug，所以我想先自己使用一段时间，以确保其可靠性。 虽然上面写的是4月2日，但我可能会允许更早的测试者。