最近赶上AI模型编码能力的增强，涌现出了一些之前大脑里想过但是没有落地的需求。 在小红书刷到猫咪去世后的记忆留存和电子永生，加上家里养了两只猫崽子，就想做一个桌面宠物陪伴养成的客户端。 但是在开发到一半的时候，刷小红书已经有了挺多类似的产品，就在犹豫还要不要继续做下去。 基于这个过程本人就在想，大家是如何落地自己的想法，且有用户使用的呢？ 1 个帖子 - 1 位参与者 阅读完整话题
https://www.timesofisrael.com/liveblog_entry/in-first-israeli-doctors-deliver-gene-therapy-into-brain-of-8-month-old-baby/ 耶路撒冷希伯来大学表示，以色列医生在医学界首次将基因疗法导入一名患有罕见且危及生命的遗传性癫痫的八个月大婴儿的大脑。 该手术替换了缺失的关键基因，手术在佩塔提克瓦的施耐德儿童医疗中心进行。 该大学医学院劳滕贝格免疫学和癌症研究中心的拉米·阿基兰教授通过对 WWOX 基因的研究奠定了基础。 孩子目前已出院，情况稳定。 “最初是为了了解基因的生物学功能而进行的科学研究，现在已经成为治疗患有最严重癫痫症之一的儿童的潜在方法，”阿基兰说。 The Jerusalem Post | JPost.com World's first WWOX gene therapy performed on infant in Israel | The Jerusalem... The treatment, administered at Schneider Children’s Medical Center of Israel in Petah Tikva, is a major milestone in the development of precision genetic therapies for rare neurological disorders. 1 个帖子 - 1 位参与者 阅读完整话题
https://hms.harvard.edu/news/researchers-publish-first-complete-connectome-fruit-fly-brain-spinal-cord [!quote]+ 由哈佛大学医学院和普林斯顿大学多个实验室领导的一个大型国际团队首次公布了成年果蝇中枢神经系统神经元之间所有连接的完整线路图。 这项工作发表在6月8日的《自然》杂志上，使研究人员能够开始研究大脑和身体是如何相互作用来完成行走和飞行等复杂行为的。它还有助于深入研究神经系统工作的基本原理。 https://www.nature.com/articles/s41586-026-10735-w [!quote]+ 正如基因组彻底改变了分子遗传学一样，连接组（神经元和突触的图谱）正在变革神经科学。迄今为止，拥有完整连接组的生物只有线虫 1-3 、海鞘 4 和栉水母 5 （10 3 -10 4 个突触）。相比之下，果蝇的连接组更为复杂（10 8 个突触连接），其大脑支持学习和空间记忆 6,7 ，并拥有类似于脊椎动物脊髓的复杂腹神经索 8-12 。本文报道了首个高密度重建的成虫果蝇连接组，该连接组连接了大脑和腹神经索，并利用这一资源研究了神经控制的原理。我们发现，效应神经元（运动神经元、内分泌细胞和靶向内脏的传出神经元）主要受同一身体部位的感觉神经元的影响，从而形成局部反馈回路。这些局部环路通过长程回路连接，这些回路包含上行和下行神经元，并组织成以行为为中心的模块。单个上行和下行神经元通常位于能够影响多个身体部位自主运动的位置，并与支持这些运动的内分泌细胞或内脏器官协同作用。参与学习和导航的大脑区域负责监督这些回路。这些结果揭示了一种分布式、并行化和具身化的架构，类似于工程系统中的分布式控制架构 13,14 。 1 个帖子 - 1 位参与者 阅读完整话题
Neuroscience News – 8 Jun 26 Brain Stimulation Offsets Sleep Deprivation Memory Loss - Neuroscience News A new study uses optogenetics to induce localized sleep in awake mice, reversing memory loss from sleep deprivation. Est. reading time: 6 minutes [!summary]+ 一项新研究成功复制了睡眠对清醒小鼠大脑局部目标区域的恢复作用。研究人员利用光遗传刺激诱导有节奏、交替 "开-关 "的神经发射模式，这种模式是非快速眼动睡眠（NREM）的基本标志，每次持续30分钟。 这种干预措施有效地抵消了睡眠剥夺引起的记忆缺陷，并降低了这些特定区域随后对睡眠的生理需求，证明了睡眠的恢复性益处是由特定的节律模式驱动的，而不是简单地减少神经元的整体发射。 https://www.nature.com/articles/s41593-026-02318-9 [!abstract]+ 在哺乳动物中，慢波睡眠的特点是神经元同步活动在开启期和关闭期之间交替进行。慢波活动（SWA）和同步性反映了睡眠需求，与大脑皮层回路中的突触强度相关，并促进突触下行选择和记忆巩固。在这里，我们评估了睡眠的这些核心益处是否可以在清醒时获得。我们利用光遗传学技术在小鼠清醒时局部诱导交替的开/关期。这导致小鼠在随后的睡眠过程中局部同侧的SWA和同步性降低，突触强度的标志物也降低了。此外，在剥夺睡眠期间双侧诱导感觉运动皮层的关闭期，可恢复记忆巩固。因此，在清醒时诱导开/关活动足以减少局部睡眠需求并实现睡眠的核心功能。 8 个帖子 - 7 位参与者 阅读完整话题
Neuroscience News – 8 Jun 26 Female Brain Uses Unique Molecular Tag to Form Fear Memories - Neuroscience News A new study identifies a sex-specific K27 molecular tag in the female brain that drives higher PTSD rates. Est. reading time: 7 minutes https://www.sciencedirect.com/science/article/pii/S0166432826001713?via%3Dihub [!abstract]+ 多聚泛素化是指多个泛素蛋白在靶底物上相互连接的过程，从而标记该底物以启动各种细胞过程，其中最常见的是通过蛋白酶体进行蛋白质降解。最近的证据表明，最常见的蛋白酶体依赖性（K48）和蛋白酶体非依赖性（K63、M1）多聚泛素化形式在杏仁核和海马体中情境恐惧记忆的形成中具有性别特异性作用。然而，多聚泛素链可以在8个不同的连接位点形成，其中大多数尚未在大脑中进行研究。赖氨酸27（K27）多聚泛素化是一种不太常见的非经典标记，研究尚不充分，可能与蛋白质降解过程有关。迄今为止，尚未在任何条件下对大脑中的K27多聚泛素化进行过研究。本研究发现，在雌性大鼠（而非雄性大鼠）进行情境恐惧条件反射训练后，海马中K27多聚泛素化水平选择性升高，而杏仁核中该多聚泛素标记水平在雌雄大鼠中均未见变化。与此一致的是，利用CRISPR-dCas13技术敲低海马中K27多聚泛素化水平后，雌性大鼠（而非雄性大鼠）海马中情境恐惧记忆的保持能力受到选择性损害。蛋白质组学分析显示，在恐惧条件反射训练后，雌性大鼠海马中ACAT1是K27多聚泛素化的靶标，但该标记与靶蛋白的降解无关。综上所述，这些数据表明K27多聚泛素化在海马恐惧记忆的形成过程中具有性别选择性作用。这些发现加深了我们对恐惧记忆形成分子机制的理解，并揭示了性别作为该过程中一个重要的生物学变量。 4 个帖子 - 2 位参与者 阅读完整话题
我是一个不喜欢脑袋困困的人，我喜欢那种大脑清醒，可以高效率处理事情的状态 以前我是不喝咖啡的人，但自从染上以后，就很依赖喝咖啡可以让大脑保持一个不错状态的这个过程 佬友们平时是怎么控制作息，调整状态，看待咖啡的呢？ 21 个帖子 - 20 位参与者 阅读完整话题
IT之家 6 月 7 日消息，华为常务董事、产品投资评审委员会主任、终端 BG 董事长余承东昨日发布视频，介绍了电视屏幕的“频闪现象”，以及伤眼的原因。 余承东先用“栅格动画”举例：一匹特殊绘制的马，放在条纹后面慢慢拉动，就会造成视觉的错觉，让人看起来在奔跑，但其实画本身没有变动。风扇快速运转时，我们看到的不是一片片扇叶，而是连续的残影。在不同的光线条件下，甚至还会看到风扇静止的或者倒转的情况，这就是“频闪现象”。 余承东表示，屏幕快速闪烁，大脑察觉不到，但眼部却在一直承受着高频的刺激， 肌肉会持续紧张，时间一长，眼睛就容易干涩疲劳 。 余承东还提到，现在市场上大多数 Mini LED 电视用的都是 PWM 调光，它通过快速开关光源来调节亮度；而 DC 调光是通过控制电流的大小来调节亮度， 光源一直稳稳地亮着，对人眼更友好 。 其他电视之所以不采用 DC 调光，是因为存在一个普遍的行业技术难题 —— 用户晚上看电视时，会习惯性调低亮度， 这时候电视的 DC 调光就会调低电流，灯珠会出现色温偏差，画面容易偏色 。所以很多厂家干脆放弃了这个方案。 IT之家注意到，余承东最后还分享了几个护眼技巧，包括观看电视的适宜距离、“20-20-20”法则等。
Medical Xpress – 6 Jun 26 Autism may have two distinct subtypes based on brain connectivity patterns Autism spectrum disorder (ASD), commonly referred to as autism, is a neurodevelopmental condition characterized by differences in social interactions, communication, behavior and the processing of sensory stimuli. Notably, the experiences, aptitudes... [!quote]+ 一些神经科学家一直在探索这样一种可能性，即这种有据可查的多样性在一定程度上反映了大脑组织和潜在神经生物学的差异。然而，迄今为止，只有少数研究能够将自闭症行为的差异与特定的神经生物学过程联系起来。 他们的研究结果发表在 《自然-神经科学》（Nature Neuroscience）杂志 上，从而确定了两种不同的自闭症亚型，其特征是不同的连接模式。 "自闭症在临床上表现出极大的异质性，多年来，影像学研究也报告了异质性的、有时明显相互矛盾的研究结果：一些研究发现功能连通性降低，另一些研究发现连通性增加，还有一些研究发现了更复杂的模式。 Gozzi、Di Martino 和他们的同事通过分析，最终确定了在自闭症小鼠模型和人类身上观察到的两种不同的功能连接模式。 第一种模式的特点是脑区之间的交流减少（即低连接性），而另一种模式则是脑区之间的交流增加（即高连接性）。 “相比之下，超连接亚型与免疫相关通路和基因调控的改变有关，这表明神经免疫机制和转录程序失调可能会导致不同形式的电路功能障碍”。 "戈齐说："两个人可能都会被诊断为自闭症，甚至可能表现出重叠的行为特征，但导致他们病情的大脑和分子机制却可能完全不同。 3 个帖子 - 3 位参与者 阅读完整话题
你的“快”被废了（效率没了） 你大脑里的 fast-path，是你自己反复踩坑、反复验证后建立的高质量模式识别。 被迫从“判断模式”切换到“表演模式”——表演一个“AI辅助开发”的过程，给流程看。 你的“慢”也被废了（质量没了） 面对未知问题，真正的慢是有方向的慢：探索、比较、推敲、验证，最后形成判断。这个过程需要空间，需要反复，需要试错。 但领导在未知领域强行“快进”——自己用指令生成、自己质疑、自己推翻、自己纠偏。这条链路上，你被踢出了“思考者”的位置，变成了“执行助手”。你负责搭台、拆台、再搭台，但戏剧的台词、节奏、结局全由一个人定。 旧时代，领导不懂技术，你还能用专业争取话语权。 新时代，领导用 AI 直接生成代码，你的专业不再是他依赖的唯一路径。但他不知道，他的生成里少了什么。 3 个帖子 - 3 位参与者 阅读完整话题
年初开始，我的工作流变成了 Claude + Cursor + Windsurf 三件套。效率起飞，但痛点也来了—— 每个 AI 工具互不相识。 你在 Claude 里分析了半小时架构方案，切到 Cursor 写代码，它完全不知道你刚才聊过什么。你只能在窗口间复制粘贴上下文，像个人肉胶水。 更烦的是，同一个项目的技术决策、踩过的坑、约定好的规范，每次开新会话都得重新交代。时间全花在"教育 AI"上了。 市面上的方案我全试过了： Mem0 / MemGPT：云端存储，公司代码谁敢往上传？ Cursor Rules：只管一个工具，跨不了 Continue.dev：IDE 内还行，出不了圈 最后决定自己造。三个月业余时间，边学 ONNX 边撸代码，搞出了 KeepThinking 。 它是什么 一个跑在本地的 AI 记忆引擎。你的所有 AI 工具共享同一份记忆。 🔍 本地语义搜索：ONNX 跑 paraphrase-multilingual-MiniLM-L12-v2 ，384 维向量，支持 50+ 语言。搜"部署上线"能匹配到"Nginx 配置""CI/CD 流程"——不用关键词，用语义。 🔗 认知图谱：自动把每次关键决策关联成知识网络，按关联度 × 时效性排序。 🐛 Bug 诊断：内置 6 种 Bug 模式（空指针、状态未更新、API 错误、依赖冲突、异步竞态、配置缺失），喂错误日志自动分析。 🌐 MCP 协议：7 个标准化工具，一行配置接入 Claude Desktop 、Cursor 、VS Code 。 🔒 100% 本地：数据存在 ~/.keepthinking/memory/，不采集不上传不联网。PBKDF2 加密保护。 技术栈：Node.js + Express + SQLite + ONNX Runtime 。MIT 协议开源。 安装 curl -sL https://keepthinking.vip/install.sh | bash macOS / Linux 都支持，不需要注册，不需要 Token 。 { "mcpServers": { "keepthinking": { "command": "node", "args": ["~/.keepthinking/mcp/server.js"] } } } 地址 🌐 官网： https://keepthinking.vip 🐙 GitHub： https://github.com/keepthinking-KT/keepthinking 欢迎 Star ⭐ 和 Issue 。独行快，众行远。 💬 微信：Lucky_Good_Man 🎵 抖音：89727366995 （落笔成章）
年初开始，我的工作流变成了 Claude + Cursor + Windsurf 三件套。效率起飞，但痛点也来了—— 每个 AI 工具互不相识。 你在 Claude 里分析了半小时架构方案，切到 Cursor 写代码，它完全不知道你刚才聊过什么。你只能在窗口间复制粘贴上下文，像个人肉胶水。 更烦的是，同一个项目的技术决策、踩过的坑、约定好的规范，每次开新会话都得重新交代。时间全花在"教育 AI"上了。 市面上的方案我全试过了： Mem0 / MemGPT：云端存储，公司代码谁敢往上传？ Cursor Rules：只管一个工具，跨不了 Continue.dev：IDE 内还行，出不了圈 最后决定自己造。三个月业余时间，边学 ONNX 边撸代码，搞出了 KeepThinking 。 它是什么 一个跑在本地的 AI 记忆引擎。你的所有 AI 工具共享同一份记忆。 🔍 本地语义搜索：ONNX 跑 paraphrase-multilingual-MiniLM-L12-v2 ，384 维向量，支持 50+ 语言。搜"部署上线"能匹配到"Nginx 配置""CI/CD 流程"——不用关键词，用语义。 🔗 认知图谱：自动把每次关键决策关联成知识网络，按关联度 × 时效性排序。 🐛 Bug 诊断：内置 6 种 Bug 模式（空指针、状态未更新、API 错误、依赖冲突、异步竞态、配置缺失），喂错误日志自动分析。 🌐 MCP 协议：7 个标准化工具，一行配置接入 Claude Desktop 、Cursor 、VS Code 。 🔒 100% 本地：数据存在 ~/.keepthinking/memory/，不采集不上传不联网。PBKDF2 加密保护。 技术栈：Node.js + Express + SQLite + ONNX Runtime 。MIT 协议开源。 安装 curl -sL https://keepthinking.vip/install.sh | bash macOS / Linux 都支持，不需要注册，不需要 Token 。 { "mcpServers": { "keepthinking": { "command": "node", "args": ["~/.keepthinking/mcp/server.js"] } } } 地址 🌐 官网： https://keepthinking.vip 🐙 GitHub： https://github.com/keepthinking-KT/keepthinking 欢迎 Star ⭐ 和 Issue 。独行快，众行远。 💬 微信：Lucky_Good_Man 🎵 抖音：89727366995 （落笔成章）
年初开始，我的工作流变成了 Claude + Cursor + Windsurf 三件套。效率起飞，但痛点也来了—— 每个 AI 工具互不相识。 你在 Claude 里分析了半小时架构方案，切到 Cursor 写代码，它完全不知道你刚才聊过什么。你只能在窗口间复制粘贴上下文，像个人肉胶水。 更烦的是，同一个项目的技术决策、踩过的坑、约定好的规范，每次开新会话都得重新交代。时间全花在"教育 AI"上了。 市面上的方案我全试过了： Mem0 / MemGPT：云端存储，公司代码谁敢往上传？ Cursor Rules：只管一个工具，跨不了 Continue.dev：IDE 内还行，出不了圈 最后决定自己造。三个月业余时间，边学 ONNX 边撸代码，搞出了 KeepThinking 。 它是什么 一个跑在本地的 AI 记忆引擎。你的所有 AI 工具共享同一份记忆。 🔍 本地语义搜索：ONNX 跑 paraphrase-multilingual-MiniLM-L12-v2 ，384 维向量，支持 50+ 语言。搜"部署上线"能匹配到"Nginx 配置""CI/CD 流程"——不用关键词，用语义。 🔗 认知图谱：自动把每次关键决策关联成知识网络，按关联度 × 时效性排序。 🐛 Bug 诊断：内置 6 种 Bug 模式（空指针、状态未更新、API 错误、依赖冲突、异步竞态、配置缺失），喂错误日志自动分析。 🌐 MCP 协议：7 个标准化工具，一行配置接入 Claude Desktop 、Cursor 、VS Code 。 🔒 100% 本地：数据存在 ~/.keepthinking/memory/，不采集不上传不联网。PBKDF2 加密保护。 技术栈：Node.js + Express + SQLite + ONNX Runtime 。MIT 协议开源。 安装 curl -sL https://keepthinking.vip/install.sh | bash macOS / Linux 都支持，不需要注册，不需要 Token 。 { "mcpServers": { "keepthinking": { "command": "node", "args": ["~/.keepthinking/mcp/server.js"] } } } 地址 🌐 官网： https://keepthinking.vip 🐙 GitHub： https://github.com/keepthinking-KT/keepthinking 欢迎 Star ⭐ 和 Issue 。独行快，众行远。 💬 微信：Lucky_Good_Man 🎵 抖音：89727366995 （落笔成章）
众所周知，一旦非技术出身的领导用上了豆包为首的AI之后就会出现豆包接替大脑，幻觉代替思考的现象。 并且会将这个幻觉直接压到我们打工人身上，所以你说有没有一种可能······ 你滴豆姐提前几个月放出来收费的信息其实是为了我们打工人好？？？ 我们豆姐才不是流口水的！ 你们怎么会懂我们豆姐的苦心孤诣！ 尤其是这个图的作者 @F-droid 豆姐的大公无私你们还得学2w年，宁愿自己挨骂也得坚持收费，避免老板误入歧途，避免折磨我们打工人 5 个帖子 - 3 位参与者 阅读完整话题
英伟达首席执行官黄仁勋宣布：联手宇树打造1.8米参考人形机器人，英伟达提供"大脑"，宇树造"身体"。 1、中央气象台发布强对流、台风预警：6月1日20时至2日20时，吉林、辽宁将有10级以上雷暴大风，最大风力达11级以上；贵州、广东等地有短时强降水。 2、6.6毫秒作决策，杀伤率100%，中国科研团队发布无人机作战"团灭"算法。 3、国家卫健委：儿童用药与成人用药不同，不能擅自掰开成人药片给孩子服用。 4、中方驱逐《纽约时报》一记者出境，外交部：该报严重违反一个中国原则。 5、钠离子电池产业化迎来历史性拐点！宁德时代官宣钠电池将量产。 6、安踏正式成为张雪机车全球战略合作品牌，联名系列将于6月2日全网发售； 7、寻人！广州1006万元福彩双色球大奖无人认领，兑奖截止日期为6月8日，逾期视为弃奖。 8、郑州某小区一男子酒后暴力拔掉家中燃气软管，致燃气大量泄漏，100余名居民被紧急疏散，900户居民临时停气！涉事人员因涉嫌危害公共安全被刑拘。 9、国家卫健委：我国适龄儿童免疫规划疫苗接种率稳定在90%以上；我国儿童健康水平持续提升。 10、豆包6月下旬正式上线付费内容，并加速打通抖音电商；标准版每月68元、加强版200元、专业版500元。 11、水利部：6月1日起我国全面进入汛期，南方地区进入主汛期。 12、外交部：将向刚果（金）等提供帮助应对埃博拉疫情。 13、国际足联：世界杯期间将严查拖延时间和遮嘴挑衅行为。 14、重奖，韩足协主席宣布若球队打进本届世界杯8强将奖励30亿韩元。 15、日本启动第20次核污染水排海，预计排放总量约7800吨。 16、俄罗斯出台临时禁令：6月1日起禁止出口航空煤油。 1 个帖子 - 1 位参与者 阅读完整话题
Get 笔记升级变成了得到大脑，说是有 4 种 Agent 能力，给搞了8 位 AI 写作角色，支持 Skill 接口接入第三方AI工作流。有大佬用过吗，怎么样 2 个帖子 - 2 位参与者 阅读完整话题
IT之家 5 月 28 日消息，腾讯混元宣布正式推出 Hy-Memory。据介绍，这是一个专门为 Openclaw 这类长期协作型 Agent 设计的记忆插件，能真正成为 Agent 的“第二大脑”。 官方称，Hy-Memory 用 6 层记忆框架 × System1/System2 双系统 × 演化链三层底牌，让 Agent 在长期使用中真正 " 记得住、记得对、记得轻、更懂你 "。 在权威公开测试集上，Hy-Memory 效果超过现有主流 memory 框架，可以解决记忆碎片化问题，记忆数量低 70%+，每条记忆信息密度高 45%+。在处理超长上下文方面，Hy-Memory 消耗的 token 量降低 35%，记忆更新速度快 20%。 IT之家附官方详细介绍如下： Agent 任务对长期记忆的要求远超 Chat 使用 Agent 和 Openclaw 深度用户，常常描述过一种常见的“三周轨迹”。 第一周: 蜜月期，把自己当下正在忙的事情，比如一个项目的来龙去脉、最近的决定和取舍、未来想做的方向一股脑都告诉 Openclaw。，能回答问题、能查资料、能帮你规划、能写代码、能起草文档。“这玩意儿真好用”—— 这是大多数人第一周的真实感受。 第二周: 开始不安。人们注意到每天打开 Openclaw 都得先花 3 到 5 分钟提醒它我们在做什么。它好像不太记得几天前讨论过的判断。当你对它说“按之前那个方案”，它会反问“哪个方案”，说“那个我们排除掉的选项”，它却想不起来排除的是什么、为什么排除。不是完全不记得。Openclaw 默认的记忆机制能记住一些最近的对话原文，但跨天、跨 Session、那些更深的判断，它就漂移了。 第三周: 主动降级使用，开始下意识地缩短跟它讨论的深度。不再问“这个方向我该不该走”，因为知道明天它就忘了。变成只问最具体、最即时的小问题: 搜个资料、查个语法、改一段文字。 最常见的结局是，Openclaw 在使用者眼里，慢慢从“能陪你思考的伙伴”，降级成了“一个查询工具”。这不是 Openclaw 的问题 —— 它的内核能力一直很强。问题在于：长期协作类任务对长期记忆的要求，远超过普通 Chat。 Hy-Memory 这个 Openclaw 记忆插件的初衷，就是为了把这三周轨迹的后两周抹掉 —— 让用户第一周怎么用 Openclaw，第三个月还能怎么用，而且越用越懂。 1、长期任务对记忆的挑战比想象中难 长期任务跟普通 Chat 完全是两种工作。不管你拿 Openclaw 调研一个复杂决策、写一本书、规划一次大旅行、跟进一个跨季度的项目，一次对话可能 30 轮 50 轮 100 轮，中间不停地查资料、调工具、读文档、出方案、回退、再改、再走，一个 Session 可能持续几个小时，任务可能跨越数周。 记忆系统至少要扛住 4 件事： 任何一个环节崩了，体验就崩了。 2、一个合格的 Openclaw 记忆插件要满足的 3 条标准 我们在设计 Hy-Memory 的时候围绕“什么样的记忆插件才配得上 Openclaw 这种长期协作场景”，定了 3 条硬标准。 标准一：不能丢历史。 用户跟 Agent 聊过的所有“为什么选这个、为什么否那个”—— 这些判断和因果不能丢。否则下次它推荐方案，可能直接推荐回用户已经否过的那个，白费时间。 标准二：要能演化。 人不是一个静态的存在。技术偏好、生活习惯、长期目标都会随时间变，对某件事的看法也会反复调整，这些都得被记住。不是覆盖式的“只记最新”, 也不是堆积式的“全都留下”，而是要有一个清晰的演化轨迹。 标准三：要在主链路里不仅足够快，还要有认知迭代，进化。 记忆插件不能拖慢用户当下打字、调用工具、等结果的速度。每次搜索要在毫秒级, 召回也不能成为响应瓶颈。同时还要有深层次的语义和事实理解。 接下来，我们把 Hy-Memory 满足这 3 条标准的三层底牌分别讲清楚。 Hy-Memory 的三层核心 第一层：6 层记忆框架 —— 给每种记忆找到正确位置 Hy-Memory 做的第一件事, 是没有把所有记忆塞进同一张表。 想一下 —— 用户跟 Openclaw 聊到最近在准备出国留学, 这段话里其实混着好几种东西： · “我在准备出国留学”—— 这是事实 · “我偏好北欧那种慢节奏的项目”—— 这是画像 · “我做大决策前会先列利弊清单”—— 这是心智模型 · “我下周大概率会问推荐信怎么找教授”—— 这是前瞻意图 这些东西信息形态完全不一样, 但传统记忆系统会把它们全揉成一堆向量，搜索时一锅捞。Hy-Memory 把记忆分成 6 层，每层一种职责。下面用一组多领域混合的例子，让你感受 Agent “记的是什么”： 用户问 Openclaw “我做大决策有什么习惯”, 它应该优先看 L5 心智模型, 而不是把过去 100 轮对话原文一锅塞过来。用户问 " 我现在住在哪 ",L2 一条事实就够了。问什么、走哪层、用什么样的检索权重 —— 分层让这些都变得可能。 整个 prompt 会变干净。模型的注意力不再被无关原文稀释。 第二层：双系统设计，既保障速度又具备认知迭代 Hy-Memory 把来自人脑认知科学的 System1 / System2 机制直接复刻到了 Agent 的记忆加工上 —— 就像给 Openclaw 装了一颗符合认知科学的 " 大脑 "。 Hy-Memory 把记忆加工拆成两套。 System1 (白班)：用户回车那一秒，实时地处理写入的记忆。负责写原始痕迹、抽事实、更新画像、压会话摘要 —— 也就是 L1–L4 System2 (夜班)：秒到分钟级，在后台跑。负责抽心智模型、构建知识网络、预测意图 —— 也就是 L5–L6 为什么要拆？因为深度认知很慢。抽你的“决策心智模型”、构建你的“知识网络”—— 做完一遍 LLM 可能要 5 到 20 秒。如果让你每次调用 Openclaw 都等 20 秒才能收到回复，谁都用不下去。 但你要的也不仅是“快”—— 你要的是 Agent 越用越懂你。Hy-Memory 的拆分把这两件互相打架的事变成两条独立通道： 1、发送消息后 System1 已经把“立即可用的记忆”写好了 —— 下一句对话能立刻用上 2、 System2 在后台慢慢做更深的认知 —— 把你两周的对话沉淀成“你的决策心智” 结果在对话最直接的影响：你每次说完的信息它能立马记住；而它对你的理解还在后台不断变深。 第三层：演化链 —— 记忆能改写但不丢因果 第三层是 Hy-Memory 真正的杀手锏，也是我们觉得用户长期跟 Agent 协作时最容易踩坑、也最值得做对的一件事。 一个典型的长期场景：假设一位用户跟 Openclaw 聊了大半年自己的健身计划。过去半年里他的训练方式发生过 4 次明显的态度转折： · 去年春 — 开始跑步训练有氧，效果不错，体重和精神状态都改善了，对跑步充满信心 · 去年夏 — 跟练 HIIT，强度太大，膝盖出了问题，被迫停训两周 · 去年秋 — 转向纯力量训练，只练大重量、放弃了心肺，结果跑两公里都喘, 挫败 · 上月 — 形成「力量 + 慢跑 + 瑜伽」混合方案，身体状态终于稳定下来 今天他打开 Openclaw 问它：“我下个月想再加一种新的训练方式，你建议什么？” 三种记忆系统会给出三种答案。 答案 1：覆盖派 (只记最新) 很多默认记忆系统是“用新覆盖旧”。库里只剩“用户当前用混合训练效果好”。 Agent 的回答：“你现在的力量 + 慢跑 + 瑜伽组合挺好, 可以再加一个 CrossFit 试试, 效率高。” 不算错，但很浅。它不知道用户为什么走到混合训练 —— 错过了“HIIT 伤过膝盖”、“纯力量丢了心肺”这条完整的踩坑路径。直接推荐 CrossFit 很可能让用户再伤一次膝盖。 答案 2：堆积派 (全部保留) 另一些系统是“什么都留下，搜索时按向量相似度召回”。库里 4 条事实都在, 但搜索“新训练方式”时，最近的、最相似的先被召回 —— 大概率是“跑步起步效果不错”和“混合训练稳定”。 中间的“HIIT 膝盖受伤”、“纯力量丢心肺”在语义空间里距离稍远，可能根本召不回。 Agent 的回答：“你跑步效果不错、混合训练也稳定, 可以加一个 HIIT 试试, 提升心肺效率高。” 踩雷了。它没意识到用户已经在 HIIT 上受过伤 —— 重新推荐 HIIT 等于让用户再走一次老路、再伤一次膝盖。 答案 3：Hy-Memory 演化链 Hy-Memory 在写入第 2 条记忆时，会用 supersedes 指针指向第 1 条；第 3 条指向第 2 条；第 4 条指向第 3 条。4 条记忆通过指针串成一条链。D (混合训练，链头) ↓ supersedes C (纯力量，丢心肺) ↓ supersedes B (HIIT, 膝盖受伤) ↓ supersedes A (跑步起步) 用户问“新训练方式选什么”时，搜索命中链头 D, 整条链自动展开 ——A、B、C、D 一起返回给 Agent。 Agent 拿到的不再是孤立结论而是完整的态度演变： ● 跑步起步 → ● HIIT 伤膝盖 → ● 纯力量丢心肺 → ● 混合方案稳定下来 它的回答会是这样： “你之前在训练方式上走过完整的路: 跑步起步、HIIT 伤过一次膝盖、纯力量又丢了心肺，上月才走到力量 + 慢跑 + 瑜伽这个稳定组合。 所以新方式我会建议你避开高冲击的爆发类训练（比如 CrossFit、HIIT 这类)—— 你的膝盖已经踩过一次坑。如果想再加新内容, 可以考虑游泳或骑行这种低冲击有氧, 或者爬山 / 长距离慢跑 —— 都比再回 HIIT 安全。” 这个回答的质量，不是来自模型本身，是来自记忆结构。 演化链的本质 技术上演化链做的就是两件事： 1、新记忆写入时，通过 supersedes 指针指向旧记忆, 形成一条链 2、搜索命中链上任意一节点，自动展开整条链 最新的判断在最前面（链头），但被否过的、被替代的、被废弃的旧版本不会丢 —— 只是退到链身后面，需要时随时展开。这是我们能想到的、最适合 Agent 长期陪伴用户的“长期记忆”形态。 Hy-Memory：超过同类框架 Hy-Memory 在 LongMemEval 和 PersonaMem 这两个权威的长期记忆评测上跑过。 1、LongMemEval：得分达 85.2，远超其他框架。LongMemEval 是公认很难的长期记忆评测，500 道题覆盖 6 个能力维度。 Hy-Memory 不仅打赢所有同类系统，在 6 个维度中的 4 个维度取得最高分 —— 尤其在最考验 " 演化能力 " 的偏好 (+21.11pp)、时序推理 (+9.63pp)、知识更新 (+21.37pp) 三项上领先同类产品。 2、 PersonaMem：打赢所有同类产品，PersonaMem 是 6000+ 条消息 / 589 道题的真实长期对话评测, 更贴近 " 用户用了好几个月 " 的真实场景。 3、性能：有更高的记忆密度同时，更有 8 倍写入速度 Openclaw 用户能感受到的是： · 写入快：跟 mem0 同档，是 Graphiti 的 8 倍快，不会卡 Openclaw 的对话主链路 · 存得少：记忆条数只有 mem0 的 1/3、Graphiti 的 1/4–1/5，本地嵌入式存储，不需要外部服务，内存占用低 · 密度高：单条记忆是 mem0 的 3–4 倍信息密度，每次召回的记忆更管用，prompt 不被噪声污染 最后这条对长期任务特别重要：当一次 Session 跑到 80 轮对话, 召回的每一条记忆都得是高密度的, 否则 prompt 一下就被噪声塞爆, 模型注意力被稀释。 Hy-Memory 的高密度意味着同样的 Token 预算下 Openclaw 能看到比别的记忆系统多 3-4 倍的有效信息。
Medical Xpress – 24 May 26 How a distinct communication subspace in the brain turns goals into actions Humans continuously adapt their actions and behaviors in response to changes in their surrounding environment. Past neuroscience studies suggest that this adaptation process relies on the brain's ability to translate abstract goals or rules into... [!quote]+ 图宾根大学医学中心和图宾根大学的研究人员最近开展了一项研究，旨在更好地了解大脑前额叶皮层（PFC）中与情境相关的心理表征如何转化为运动计划，并在初级运动皮层（M1）中进行处理。他们的研究结果发表在《自然-神经科学》（Nature Neuroscience）杂志上，该研究发现了一个连接前额叶皮层（PFC）和初级运动皮层（M1）的独特通信子空间，通过这个子空间可以传递为行动规划提供信息的上下文信息。 "适应性行为依赖于将抽象规则和目标转化为适合当前环境的行动的能力，"Neha Binish、Jonas Terlau 和他们的同事在论文中写道。“有人提出，前脑功能区的神经群活动可通过高维动态支持这种灵活的计算，而 M1 的活动则更直接地与动作执行相关。PFC中的情境表征如何在M1中转化为随后的行动计划仍是未知数”。 1 个帖子 - 1 位参与者 阅读完整话题
读完《脑科学讲义》之后，我最大的感受就是震撼。 它表面上是在讲大脑，实际上讲的是人怎么认识世界、怎么理解自己，甚至可以说，它讲的是“人到底是怎么成为今天这个样子的”。一开始我只是把它当成一本脑科学科普书来看，但越往后读越觉得，它其实不只是科普，而是在用一种很科学的方式，重新解释我们平时习以为常的很多东西，比如情绪、记忆、学习、选择，甚至欲望和自由意志。 书一开篇那句话我印象特别深： 大脑是人体最重要的器官，但是这是脑告诉你的。 这句话一下就把我吸引住了，因为它既有点幽默，又一下点出了这本书最有意思的地方：我们用来理解世界的工具，恰恰也是最难被我们真正理解的东西。 我们平时总觉得“我在思考”“我在判断”“我在做决定”，但这本书会让人慢慢意识到，很多你以为自己很清楚的事，背后其实都是大脑在运作，而我们未必真的知道它是怎么运作的。 前三章有点“硬”，但也让我读出了熟悉感 前面三章主要还是偏理论，先讲脑是人类心智的载体，再讲脑的基本单元，然后重点讲作为“计算器”的脑在不同场景下是怎么工作的。 说实话，这几章专业术语挺多，书里也穿插了不少实验。如果只是单纯当消遣来读，确实会有点枯燥。不过我自己是计算机专业出身，所以读这部分的时候反而还挺有感觉的。 很多概念虽然属于脑科学，但理解起来会让我联想到计算机里的输入输出、反馈、建模、强化这些东西，所以不会觉得特别难，反而会觉得很有意思。某种程度上，我甚至会觉得，人脑和很多技术系统虽然不是一回事，但它们在一些底层逻辑上确实有相通的地方。 预期比奖赏本身，更能驱动人 这本书里让我特别有感触的一部分，是关于“预期差”和多巴胺的内容。 以前我也知道多巴胺和奖赏有关，但这本书让我真正明白，多巴胺代表的并不是奖赏本身，而是 对奖赏的预期 。也就是说，它更像是一种“未来会有好事发生”的信号，而不是“好事已经来了”的信号。 这个点对我触动挺大的，因为它一下就解释了为什么很多时候，追求目标的过程反而比真正实现目标更快乐。很多时候我们最兴奋的，不是拿到结果那一刻，而是快要接近结果、又还没有完全得到的时候。人很多动力，其实都来自这种“将来时”的快乐。 我觉得这个解释特别妙，因为它和现实中的很多感受都能对上。比如学习一个新东西、追一个目标、等一个好消息，甚至包括生活里很多期待，本质上可能都不是因为结果本身有多了不起，而是因为这个过程中，大脑一直在被“可能会得到”的预期拉着往前走。 这样再回头想，会觉得人很多时候并不是活在当下，而是活在自己对未来的想象里。希望是这样，焦虑也是这样，动力是这样，很多执念其实也是这样。 真正重要的，可能不是技巧，而是安全感 顺着这个思路，我还挺认同书里能延伸出来的一个结论，就是一个稳定、可靠、有安全感的环境到底有多重要。 以前说到教育，很多人第一反应还是成绩、方法、技巧，但如果从脑科学的角度看，一个孩子最重要的东西，可能首先不是学了多少，而是他的大脑是在什么样的环境里长大的。 一个长期处在稳定、安全、可预期环境中的人，更容易形成对世界的信任感，也更容易建立比较平稳的内在秩序。反过来，如果一个人大脑一直处在紧张、防御、不确定的状态里，那他很多行为其实都不是“想不想努力”的问题，而是系统本身已经被环境塑造成那样了。 所以我现在越来越觉得，所谓“鸡娃”，最重要的可能不是加码，而是先把基础环境打稳。给孩子一个更富足、更可靠、更有安全感的家庭环境，这件事本身可能比很多技巧都重要。 读脑科学时，我一直在想到人工智能 除了这些，这本书让我最有共鸣的，还有它关于学习机制的讨论。 书里讲到，巴甫洛夫式学习和斯金纳式学习，本质上都是在反复同时出现的事件之间建立相关性，再拿这种相关性来指导行为。读到这里时，我一下就联想到了人工智能。 因为这几年 AI 的很多核心争论，本质上也和这个问题有关：到底学习是什么？到底是靠总结规则来理解世界，还是靠对海量数据中的相关性进行建模来逼近世界？ 这两种思路，其实对应的正是两种完全不同的方向： 一条路是形成抽象概念，建立明确规则，然后用规则去理解复杂世界，这有点像专家系统，也更接近理性主义。 另一条路是时刻关注概率，根据大量反馈不断调整输出，这更像深度学习，也更接近经验主义。 现在基于深度学习的模型已经很强了，但关于它的批评也一直很多。大家会说，它其实并不真正理解世界，不理解因果，也不理解物理规律，它只是根据海量数据里的相关性去生成一个最像“正确答案”的输出而已。 所以未来真正的通用人工智能，到底是不是一定需要一套“世界模型”，也就是一种更底层的规则和逻辑系统，我觉得这确实是一个很大的问题。 这本书，也让我重新理解了我最近在用 Agent 的体验 而这部分内容之所以让我印象特别深，是因为它和我最近这一段时间的工作体验几乎可以直接对应上。 我大概是从去年 10 月左右开始系统地用 agent。刚开始的时候，模型能力还没现在这么强，你只要稍微把任务说得开放一点，它就很容易跑偏。所以那时候我经常要给它加很多限定词，把边界写得特别清楚，尽量让它别乱发挥。 后面我们开始用 skill。我现在回头看，skill 某种程度上就很像一种经验沉淀后的明确规则。它像一个简化版说明书，告诉 agent 该怎么做、先看什么、按什么顺序走。一方面它确实能提高稳定性，另一方面也能省 token。 但特别有意思的是，最近模型能力更强以后，我发现自己反而越来越少用 skill 了。不是因为它没价值，而是因为模型推理能力上来之后，规则有时候反而会限制它。 以前是因为它不够强，所以需要扶着走；现在它更强了，限制太多反而容易压住它本来可以做出来的东西。 这个变化给我的感受很深，因为它让我觉得，不管是对人脑还是对 AI 来说，规则和概率、明确框架和自由推理，都不是绝对的谁好谁坏，而是和能力边界、资源条件强相关的： 能力弱的时候，我们更依赖规则。 能力强的时候，过多规则反而会变成束缚。 很多选择，归根到底都是资源问题 所以读完这本书后，我越来越觉得，很多选择归根到底其实都是资源问题。 我们之所以依赖规则、依赖经验、依赖简化模型，并不一定是因为这些东西更接近真相，而是因为我们的资源有限。动物的大脑为什么总是要从复杂世界里抓重点、找规律？未必是因为世界真的那么简单，而是因为它没有能力把所有信息都处理完，所以只能用一种成本更低的方式去活下去。 换句话说，很多所谓的“认知方式”，背后其实都是算力、时间、注意力、安全感这些资源分配的结果。 这也是我读这本书时越来越强烈的一个感受： 人并不是在最优条件下思考，而是在有限条件下做出足够可用的判断。 相关性不等于因果性，但大脑往往只能先抓住相关性 也正因为这样，我对相关性和因果性的关系有了更深一点的理解。 我现在会更倾向于认为： 因果性一定伴随着相关性，但相关性不一定代表因果性。 对于动物来说，真正重要的当然是掌握因果，因为只有理解因果，才更有利于生存和繁衍。但问题是，因果太贵了。获取因果需要更长时间、更高抽象能力、更高试错成本。 于是大脑为了节能，很多时候只能退一步，用相关性去近似地代替因果，然后据此做决策。也就是说，脑直接能学到的，可能更多只是时间序列上的相关模式，而不是我们后来总结出来的那些“本质规律”。 这个观点我觉得非常重要，因为它不仅能解释很多认知偏差，也能解释为什么人很容易对经验上瘾、对模式过度自信、对“我以为我懂了”这件事抱有不必要的确定感。 这本书真正厉害的地方，是它让我对“自己”都没那么想当然了 《脑科学讲义》最厉害的地方就在这儿。它没有让我觉得“原来人脑也不过如此”，反而让我更强烈地感受到，人其实是一个非常复杂、非常微妙的存在。 我们很多时候并没有自己想象得那么理性，那么清醒，那么理解自己。 我们以为自己是在主动选择，可能只是被预期推着走。 我们以为自己掌握了规律，可能只是看到了相关。 我们以为自己看清了世界，其实看到的很多只是大脑加工后的版本。 所以对我来说，这本书最大的价值，不只是让我学到了一些脑科学知识，而是它让我重新理解了人，也顺带让我重新理解了人工智能。 很有意思的是，我一边通过脑科学去看人脑，一边又会通过自己使用 agent 的经验，反过来理解人脑为什么会这样工作。这种感觉挺奇妙的，好像两个原本不同的领域，在“如何学习”“如何决策”“如何在不确定中建立模型”这些问题上，突然照到了一起。 结语 如果用一句比较简单的话来总结这本书给我的感觉，我会说： 它让我意识到，人并不是因为真正掌握了世界的全部真相，才活成今天这样，而是因为大脑在有限资源下，发展出了一套足够高效、足够实用的近似理解世界的方法。 它未必完美，甚至经常出错，但它足够支撑我们活下去、做选择、建立秩序。 而这本书真正有意思的地方，就在于它让人开始认真地想： 我们以为最了解的自己，可能其实只是大脑给自己讲出来的一个版本而已。 1 个帖子 - 1 位参与者 阅读完整话题
2024 年 11 月，AI 生成的网络文章数量正式超过人类。Merriam-Webster 把“slop”选为 2025 年度词汇。当机器开始替人类说话，人类会不会忘记怎么思考？更麻烦的是，当人类停止书写，AI 用来学习的燃料也将一并耗尽。一场关于语言和思维的连环危机，正以多数人未曾警觉的速度展开。 数字营销机构 Graphite 在 2026 年 5 月发布了一项追踪研究，结论很刺眼，互联网上 AI 生成的英文文章数量，从 2024 年 11 月起正式超过了人类写作的文章。 ChatGPT 上线仅 12 个月，AI 文章就占到了全网发布量的 39%。 到 2025 年，这个比例稳定在 50% 以上，至今没有回落的迹象。 Graphite 从 CommonCrawl 数据库中随机抽取了 43000 篇文章，用 AI 检测算法逐篇扫描，误报率约 4.2%，漏报率仅 0.6%。 这还只是“纯 AI 生成”的口径。 那些 AI 起草、人类润色的“半成品”，根本没被计入。Graphite 在报告里坦承，这类内容可能更加普遍。 一个叫 Slop 的词，成了年度词汇 这股浪潮有了一个精准的名字。 Merriam-Webster 把“slop”选为 2025 年度词汇，专指那些 AI 批量生产的低质内容。 《纽约客》把 AI slop 比作 1919 年波士顿的大糖蜜洪水，储罐爆裂，两百多万加仑糖蜜灌满街区。清理花了好几周，地铁站数月后仍然黏脚。 AI slop 的黏性跟糖蜜如出一辙。 YouTube、Reddit、Facebook，到处都是机器生成的填充物。 文学评论家 Matthew Kirschenbaum 警告说，一场“textpocalypse”正在到来，未来人类亲手写下的文字，可能会变成挂在墙上的珍品，像银版照片一样稀有。 有意思的是，机器写作这件事远比想象中古老。 早在 1953 年，数学家 Christopher Strachey 就用曼彻斯特大学的计算机生成了情书，跟 Mad Libs 填词游戏没什么两样。 同一年，Roald Dahl 发表了短篇小说《伟大的自动语法机》，小说里一位工程师造了一台写故事的机器，一年之内就生产了英语世界一半的小说和故事。 Dahl 在结尾写道，“这让你惊讶吗？我怀疑不会。更糟的还在后面。” 七十年后，“更糟的”确实来了。 语言的边界，正在塌陷 AI slop 真正的危险，已经超出了内容质量的范畴。 它正在悄悄改变人类与语言的关系。 维特根斯坦在《逻辑哲学论》里写过一句被引用到烂的话，“我的语言的界限即是我的世界的界限”。 这句话在 AI 时代有了新的读法。 当一个人停止亲手写作，把表达外包给机器，缩小的不仅仅是技能，还有他的思维边界。 写作从来都不只是把想好的东西敲出来那么简单，写作的过程本身就是思考。 一个句子的措辞、一段论证的推进、一个比喻的选择，都在迫使写作者厘清自己到底想说什么。手指停下来的那一刻，这种厘清也就停了。 NYU 数字人文中心主任 Leif Weatherby 在《Language Machines》一书中提出了一个尖锐的观察，机器已经可以在没有理性参与的前提下生成语言，语言和理性被彻底解耦了。 他认为，冷战以来，“人文学科把语言拱手让给了认知科学和计算机科学”。 这段话听起来很学术，但落到每个人身上就是一件非常具体的事，当 ChatGPT 替你写完周报、替你回完邮件、替你编好朋友圈文案的时候，省下来的那些时间里，有没有人真的在“思考”？ 还是说，省下来的只是思考本身？ 意大利作家卡尔维诺 1967 年就期待过一种“真正的文学机器”，一种能自发制造混乱和创造力的机器。 但到今天，大语言模型生成的文字再精巧、再流畅，底色仍然是派生的、均值的、可预测的。用德国哲学家 Max Bense 的话说，这是“没有诗人的诗”。 养料正在枯竭 思维萎缩只是问题的一半。 另一半更隐蔽，也更致命。 大语言模型的能力来自海量人类文本。 互联网上几十年积累下来的文章、论文、小说、论坛帖子、代码注释，构成了训练这些模型的核心养料。 当越来越多的新内容由 AI 而非人类生产，这些养料正在被稀释。 这个问题在学术界已经有了名字，叫“模型坍缩”（model collapse）。 2024 年，《自然》期刊发表了一篇论文，指出当 AI 模型在自身生成的数据上反复训练时，输出的多样性和质量会逐代退化，最终坍缩为无意义的噪声。 https://www.nature.com/articles/s41586-024-07566-y 这跟近亲繁殖导致基因退化的逻辑几乎一模一样。 更要命的是，这两个问题会互相加速，形成一个飞轮。 AI 写得越多，人类写得越少。人类写得越少，AI 能学到的新鲜养料就越少。 养料枯竭让 AI 输出更加同质化，同质化的输出又进一步降低了人类亲自书写的动力。 转起来之后，要停下来就很难了。 Graphite 的数据也佐证了这一点。 虽然 AI 文章的占比自 2024 年 5 月以来基本持平，没有继续飙升，但这恰恰可能说明，容易被 AI 填充的生态位已经被填满了，剩下的缝隙也在被逐渐渗透。 终局 如果把视野拉到更远的地方，AGI 甚至 ASI 的终局会是什么样？ 乐观者会说，超级智能一旦出现，它将拥有自主学习和创造的能力，根本不需要人类文本作为训练素材，上述飞轮会自动瓦解。 悲观者则认为，在那一天到来之前，人类可能已经在思维上严重退化，变成一个高度依赖 AI 输出的物种，到时候即使超级智能愿意交流，这边已经没有足够的理解力去接住它说的话了。 两种推演都可能太极端。 更值得警惕的是一种温水煮青蛙式的中间态，AI 没有强大到取代所有人类思维，但已经强大到让大多数人放弃了主动思考的习惯。 这个世界的语言没有消亡，只是变得越来越同质、越来越平庸、越来越缺乏那些只有在人类挣扎着组织语句时才会迸发出的意外和洞见。 Jill Lepore 引述 Leif Weatherby 的话，“有什么了不起的事情正在发生，我们能和机器对话了。但我们还没有找到描述这一转折的语言。真正的问题是，这个情节本该由人类来书写，但到目前为止，那个情节本身就是 slop。” 维特根斯坦说语言的边界就是世界的边界。 那么，当一种语言的生产者从碳基切换为硅基，这个世界的边界，是在扩展，还是在收缩？ Dahl 在 1953 年说，英语世界一半的小说已经出自机器之手。 “这让你惊讶吗？”他问。 2026 年，这句问话本身已经不带任何修辞色彩了。 查看评论
https://www.nature.com/articles/d41586-026-01644-z [!quote]+ 成像技术表明，为什么在经历求职面试等剧烈压力后，推断能力会下降。 一项研究 [1] 表明，急性压力会使人很难将对过去事件的记忆与新鲜信息联系起来。这些结果有助于 解释为什么人们在压力下 难以表现出洞察力。 今天发表在《科学进展》（Science Advances）上的这项研究结合了大脑成像和心理测试，展示了压力是如何干扰人们利用以往经验记录并进行推理的能力的。 [!attention]+ 只连接 大脑通过一种叫做 "整合 "的认知过程，将新旧信息联系起来进行推断。例如，如果你的记忆中你的朋友穿着一件亮绿色的夹克，而你在公园的长椅上看到了一件亮绿色的夹克，你可能会将你的记忆和视觉输入进行整合，从而推断出你的朋友正在公园里。 患有焦虑症和精神病等精神疾病的人 ，这种能力可能会受到影响。 被称为海马体的大脑区域对于整合信息至关重要。由于它也特别容易受到压力的影响，德国汉堡大学的认知心理学家拉尔斯-施瓦贝和他的同事们决定测试一下急性压力会如何影响大脑整合信息和进行推理的能力。 https://www.science.org/doi/10.1126/sciadv.aea5496 ↩︎ 5 个帖子 - 4 位参与者 阅读完整话题