重构数字新皮层:从神经科学到 AGI 路径选择
文章续接《Speech Living Beings》,从认知科学视角剖析 AGI 的五条路径。作者将新皮层的六层结构映射到 AI 架构,指出 LLM 对应 L4(语义误差),Representation Bet 对应 L2/3(表征),而 L6b(价值调制层)在当前 AI 中完全缺失。文章引入鲍德里亚的符号学理论,论证 LLM 的语言工业化导致具身价值断裂,并指出当前的 Memory 工程问题本质上是 L6b 层价值选择机制的缺失。
文章续接《Speech Living Beings》,从认知科学视角剖析 AGI 的五条路径。作者将新皮层的六层结构映射到 AI 架构,指出 LLM 对应 L4(语义误差),Representation Bet 对应 L2/3(表征),而 L6b(价值调制层)在当前 AI 中完全缺失。文章引入鲍德里亚的符号学理论,论证 LLM 的语言工业化导致具身价值断裂,并指出当前的 Memory 工程问题本质上是 L6b 层价值选择机制的缺失。
文章极具洞察力地将神经科学(新皮层六层结构)、哲学(鲍德里亚符号学)与前沿LLM工程(TASTE.md)进行深度交叉论证,提出了L6b作为价值调制缺失层的新颖观点;但内容偏向宏观理论与框架构建,缺乏直接落地的技术细节与代码指南。
本文系统性地介绍了 Claude Code 的工程化实战知识库,涵盖了从基础配置到高级架构设计的方方面面。内容解读了创建者的定制技巧,深入解析了 Command、Agent、Skills 的核心架构与 Memory 作用域,并针对 Monorepo 场景提供了上下文管理策略。文章还总结了上下文管理、Agent 设计、调试方法及权限安全的实践经验,并分享了如何利用高级 API 特性(如程序化工具调用、动态过滤)来显著降低 Token 消耗并提升准确率。
本期早报围绕智能体系统建设展开:一是 Anthropic 负责人解释 Claude 交付架构,将会话记录、运行框架与沙箱执行环境分离,使失败恢复不影响工作连续性;二是 LangChain 分享设计智能体的实践,将设计师的审美判断沉淀为技能与知识库,中位费用从 8 美元降至 0.50 美元;三是 Ai2 研究检验 LLM 判断研究想法新颖性的可靠性,发现提示词变化可导致准确率剧烈波动。此外还涵盖 Google A2UI 推理格式、Optiver 模型接入平台、小红书 AllSpark 数据管线及 K2 Lab 垂直 AI 产品等内容。
Anthropic公开IPO申请,计划募集约1000亿美元,估值或达1.5万亿~2万亿美元,或成人类史上最大IPO。文章总结了招股书中11个有趣的细节:股票代码ANT与6年前蚂蚁集团IPO的巧合;收入五个季度暴涨30倍、算力投入产出比转正;账面巨亏807亿美元实为可转换票据公允价值变动;向小说家Bartz支付15亿美元版权和解金;5%-7%收入来自违规客户;与马斯克从骂战到签署1205亿算力合同;签署超5000亿美元照付不议的算力合同;7位创始人花7美元掌握50.1%投票权;设立公益基金及Windfall条款;Dario履历未提百度经历等。
文章指出当前编码 Agent 在简单决策(如选择加载哪些笔记、任务路由、工具失败处理、测试优先级)上滥用昂贵的前沿大模型,造成成本浪费。作者提出三层架构:Opus 5.5 负责规划、写代码、调试等开放性推理;Jev(TypeSafe 出品,毫秒级响应、输入 $0.042/百万 token、输出免费)负责从固定选项中做小决策并返回概率;Harness 层构建选项、校验概率阈值并在低置信度时回退到 Opus。文章给出四个具体决策点及代码实现:按标题分块并用 Jev 并行评分筛选相关笔记(将 30k token 降至 6k)、任务路由、工具失败处理、测试优先级选择。实测一个功能开发会话成本从 $6.42 降至 $2.00,降低 69%,且架构可作为函数调用插入现有 Agent 循环,无需重写。
文章介绍如何在OpenAI发布Dots常驻Agent和GPT-6 Astra(百万token记忆)后,搭建一个24/7自主运行的AI工作流。核心难题是常驻Agent会高频产生大量简单决策,用前沿模型成本高昂。解决方案是TypeSafe推出的System One模型Jev:它只能输出结构化决策(是/否、选择、评分)并附带置信度,单价仅$0.042/百万token,使百万次决策成本约$42。文章展示了将Jev作为低层决策器、Astra作为高阶思考引擎的组合架构,让独立开发者从写代码转变为定义任务、设限并审核产出的监督者角色。
文章作者以其公司 microagi 计划部署十亿台机器人为引,探讨机器人普及将带来物质极大丰裕的"富足世界",从根本上消除经济学赖以成立的资源稀缺假设。但同时指出,通用机器人将取代大量体力劳动岗位,若经济制度不变,数百万人将失去收入、地位与人生意义。作者认为机器人界回避了这一困境:若不解决分配问题,公众与政府将联合阻止机器人部署,富足将无法实现。文章回顾机器人技术的快速进展(Figure AI、Generalist、Gemini Robotics 等),并指出当前可验证任务最易被自动化,最后以欧洲为焦点讨论三种未来路径。
作者分享了自己搭建的 Grok Bot 舰队体系,解决单兵使用 AI 时多设备割裂、记忆难沉淀、多模型协调成本高三大痛点。架构分为四层技术底座:核心层以总控「乐乐大王」调度四端执行节点;同步层用 Obsidian + GitHub 私库实现统一知识底座;额度层通过分流机制将重负载任务派给独立计费的工程师 Bot;运维层借助开机自检与 Wake on Done 实现自动化。业务上采用 1 个总控 + 6 个分组共 29 个 Bot 的精细化分工,覆盖研发、情报、自媒体、内容创作与生活辅助,形成完整的任务执行与知识沉淀闭环。
文章将一篇灵长类大脑神经科学的预印本、七世纪玄奘译出的《解深密经》与当今 Agent 架构并置对照,提出一个猜想:意识可能不仅关乎'位置'和'规模',还关乎'时间上的选择'。研究发现面孔区以约每秒15次的节奏在'被意识到'和'被抑制'的表征间交替。作者类比唯识八识体系,指出今天的 AI 只有前五识和第六意识(推理),缺少第七末那识(恒常自我追踪)和第八阿赖耶识(恒转如瀑流的种子池)。文末给出一个玩具级'常驻之河' Agent 设计,包含种子池、节拍调度器、竞争选择、末那日志和熏习写回五个部件,探讨如何构建一个持续流动而非'每次调用从零开始'的系统。
作者使用 AI 科研工作台 Open-Science(Codex 订阅驱动),在约 7 小时内从原始数据完整复现了 2024 年发表于《Science》的海马尖波涟漪(SWR)记忆选择研究。工作流采用'先出计划'模式,在查看数据前先冻结分析方法,并通过输入审查发现了作者自己代码与配置间的多处不一致。复现结果分四类报告:基线流形解码、回放候选筛选、CEBRA 编码大多精确复现,仅个别指标未复现;HSE 投射方向与原结果一致。最终交付包含报告、对照表、复现脚本的完整产出包。作者认为 AI Agent 大幅降低了科研复现门槛,未来人人都有机会参与科研。