现代科技与人工智能：改变一切的时代
文章探讨了人工智能如何重塑智能手机、自动驾驶、医疗、机器人、智慧城市和太空探索等关键领域，并提出了关于隐私、责任、伦理和人类独特性等深刻问题。作者认为AI是反映我们数据、价值观和梦想的镜子，其发展取决于我们自身。
相关文档
美国机器人公司物理地图和市场地图
作者整理了一份美国机器人公司的物理地图和市场地图，按业务类别系统梳理了约40家机器人公司的进展，包括人形/通用机器人与基础模型类（Figure、1X、Physical Intelligence、Skild AI等）、自动驾驶/移动机器人类（Tesla、Waymo、Zoox、Skydio等）、工业/物流/仓储机器人类（NVIDIA、Dexterity、Nimble等）、农业/建筑/专业场景类以及平台/软件/硬件类。每家公司附带融资规模、估值、CEO及官方X账号等信息，方便跟踪研究美国机器人行业的发展动态。
Making a Billion Intelligent Machines
文章介绍了Applied Intuition公司如何通过提供仿真、数据和操作系统工具，从自动驾驶领域的非主流选择发展为物理AI应用平台，并成功拓展到国防、建筑等多个行业。
关于复杂性与涌现的数学思考
本文探讨了复杂性与涌现的数学本质，强调不连续性在系统跃迁中的关键作用。作者提出“堆叠流形”概念，解释神经网络如何通过无属性激活和满秩变换处理高阶非线性，指出涌现是数学上可预期的结果。
什么是控制论？控制论是AI的上辈子吗？
文章深入探讨了控制论的起源、发展及其与人工智能的深厚渊源。作者指出，AI中的梯度下降和强化学习本质上是控制论中“负反馈”与“修正差距”思想的延续。从Wiener在二战期间对防空火炮的研究，到Macy会议的跨学科讨论，控制论曾试图用统一数学解释机器、生物和社会。随着符号AI的兴起，控制论作为独立学科逐渐消失，但其核心思想已融入现代AI的底层逻辑之中。
2026年你必须理解的20个AI核心概念
文章通俗易懂地解释了现代AI的基础原理，涵盖神经网络、Token化、Embeddings、注意力机制及Transformers架构。深入探讨了LLM的工作原理，如上下文窗口、温度控制和幻觉问题，并讲解了提示词工程技巧。
未来两年物理AI股票alpha抓取深度研究
本文旨在探讨未来两年内“物理 AI”（机器人和自动化技术）领域的投资 Alpha 机会。作者明确指出，最确定的需求不在于“人形机器人”的故事，而在于已经开始产生现金流的物理 AI 基础层，如车载感知、边缘计算和仓储自动化。文章重点分析了 Ambarella、Mobileye、Symbotic、Intuitive Surgical 等公司，认为利润将流向高附加值、高切换成本的环节，并给出了具体的买入排序和交易策略。
终极指南：Attention 机制、QKV 与 KV Cache
本文深入剖析了 AI 领域核心的注意力机制。文章回顾了 Attention 从早期神经机器翻译到 Transformer 架构的演变历史，详细解析了其解决固定长度向量瓶颈的原理。同时，通过图文并茂的方式，逐步拆解了从 Embedding 到上下文表示的过程，重点阐述了 Queries、Keys、Values (QKV) 机制的运作逻辑及其在现代大模型中的关键作用。
Abundance 2029：机器人时代的富足与失业困境
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。
生化环材科研范式变天：Claude 全自动蛋白质设计与谱图解析
文章介绍 Anthropic 最新报告显示 Claude 已能作为“超级博后”全自动完成科研任务。仅凭一段 Prompt，Claude 可自主读文献、串联蛋白质开源模型，24-48 小时内完成 de novo 蛋白质设计；湿实验验证中 15 个靶点成功 14 个，单靶点命中率高达 35.1%，攻克了 TNFα 等地狱级靶点并实现跨物种结合。此外 Claude Opus 5 仅用 19 分钟即逆向解析 NMR 与质谱原始数据，纯度计算结果与人类专业实验室几乎一致。作者认为 AI 正从工具人进化为自主科研决策者，未来科研竞争将转向提出有价值的科学问题。
我做过的那些工作（Paul Graham: What I Worked On 中文版）
本文是 Paul Graham《What I Worked On》的中文编译，作者回顾了自己早年写作与编程的经历：从中学接触 IBM 1401 与 Fortran，到拥有 TRS-80 后真正开始编程；大学从哲学转向人工智能，自学 Lisp 并重实现 SHRDLU；研究生时期看清早期符号主义 AI 的局限，转而专注 Lisp 并写作《On Lisp》。毕业后赴佛罗伦萨美术学院学画，经历艺术院校的失望，后在美国靠编程与自由职业维生，在 Interleaf 工作并总结出“低端吞掉高端”等重要经验。文章展现了作者在写作、编程与绘画之间追寻能长久留存之事的探索历程。
Claude 眼中的我：它到底记录、上报了哪些信息？
作者使用 REA 工具对 Claude Desktop 进行逆向分析，逐字段核查其遥测与数据收集行为。文章梳理了账号 ID、安装 ID、会话 ID 与设备信息（CPU、内存、窗口状态等）的关联方式，列出了通知、故障、目录变更等具体产品事件及其字段，分析了事件批量上报机制（队列阈值 50 条、间隔 60 秒可调）。还澄清了系统时区会进入诊断上下文和模型提示词、但不随网络出口自动改变；自建网关地址可能进入遥测。最后指出更细致的工作画像（项目路径、启动记录等）保存在本地文件中。作者强调区分模型上下文、上报数据和本地存储三个范围，并多次通过追问与多轮验证纠正初版结论。
Build a second brain your AI can read
文章介绍了一种将 AI 记忆自主可控的方法：把 ChatGPT 等应用中关于你的记忆导出为五个 Markdown 文本文件（ABOUT、how-i-work、projects、voice、decisions），存放在一个可随身携带的文件夹中，供 Claude、Gemini、Grok 等任意 AI 在每次对话时读取。文章提供了导出记忆的提示词、生成五文件的模板、如何区分用户真实 stated 和 AI 推断 inferred 的信息，以及如何在各 AI 平台（Projects、Gem、Grok Bot）中配置读取，还有持续维护和五个常见错误（如泄露隐私）的规避方法，全程无需编程。
