1963年，美國馬薩諸塞州伍斯特市的一家保險公司裡，瀰漫著因公司合併而生的沉悶氣氛。為了驅散員工的低落情緒、鼓舞團隊士氣，公司向自由藝術家Harvey Ball拋出了一個簡單卻棘手的委託：設計一個能傳遞友善與樂觀的視覺形象。誰也未曾料到，這個看似尋常的需求，最終催生出了一個跨越半個多世紀仍鮮活如初的文化符號——Worcester Smiley（伍斯特笑臉）。Worcester Smiley（伍斯特笑臉）Harvey Ball的創作過程意外地簡潔高效。他以最基礎的幾何形狀為骨架：一個飽滿的亮黃色圓形，如同午後最溫暖的陽光，天然自帶親和力；再用兩條黑色的橢圓形勾勒出彎彎的笑眼，沒有多餘的細節，卻精準捕捉了“笑意”的核心；最後添上一道上揚的嘴角紋，讓這張“臉”瞬間有了生動的情緒。整個設計沒有複雜的構圖，沒有晦澀的隱喻，只用最純粹的視覺語言傳遞“開心”這一普世情感。在Harvey Ball看來，鼓舞士氣無需華麗技巧，直白的善意最能打動人心，這便是伍斯特笑臉最初的創作初心。然而，這張“簡單的笑臉”從誕生之初就展現出了驚人的傳播力。最初，它只是印在保險公司的徽章、賀卡和辦公用品上，卻很快走出了公司的圍牆——員工們將這份樂觀帶回家，合作夥伴被這份友善感染，當地商戶也開始自發使用這個討喜的圖案。伍斯特笑臉的走紅，恰好契合了20世紀60年代美國社會對溫暖與共識的渴求，在動盪與變革的時代背景下，它像一劑視覺“安慰劑”，用無差別的友善跨越了身份與階層的界限。更令人驚嘆的是它的生命力。儘管Harvey Ball當年僅因這個設計獲得了45美元的報酬，且從未為其申請專利，但這張笑臉卻在全球範圍內完成了一場“無授權的漫遊”。從20世紀70年代的T恤印花、咖啡杯，到如今的社交媒體表情、品牌LOGO，伍斯特笑臉不斷被改編、重構，衍生出帶墨鏡的、吐舌頭的、流淚的等無數變體，卻始終保留著“黃色圓形+微笑”的核心基因。它不再僅僅是一個商業設計，更成為了全球通用的“情緒語言”——無論是表達開心、化解尷尬，還是傳遞鼓勵，這張笑臉都能瞬間完成情感共鳴，其簡潔性恰恰成就了它的普適性。如今，距離伍斯特笑臉誕生已過去一個甲子，Harvey Ball的名字或許已被多數人淡忘，但這張笑臉依然活躍在生活的各個角落。它的成功並非源於精妙的設計技巧，而是抓住了人類最本質的情感需求——對善意與樂觀的嚮往。 (藝術設計的朋友們)

「一隻柴犬，從玩笑開始，走進全球前十加密貨幣。狗狗幣的故事，就是加密世界的荒誕與真實。」🌐 一｜起源：一場玩笑，卻留住了社區狗狗幣並不是為了顛覆金融體系而生，而是源於一次網路惡搞。2013 年，程式設計師 Jackson Palmer 隨手註冊了 dogecoin.com，只是為了諷刺當時加密貨幣的投機氛圍。不久後，另一位軟體工程師 Billy Markus 與 Palmer 一拍即合，兩人基於 Litecoin / Luckycoin 的程式碼，僅三小時就做出了一個“玩笑版比特幣”，並用柴犬 meme “Doge”做了標誌。輕鬆搞怪的氛圍，加上便宜易用的特點，讓狗狗幣迅速在 Reddit 和 Twitter 上走紅。👉 從一開始，它就是一個社區驅動的貨幣。⚙️ 二｜機制：快得多，也無限量狗狗幣在技術上沒有顛覆性的創新，但它做了幾處特別的選擇：⏱️ 區塊時間僅 1 分鐘，比比特幣的 10 分鐘快很多；🔑 演算法採用 Scrypt，與 Litecoin 接近，挖礦門檻更低；💸 早期設定總量上限 1,000 億枚，但 2014 年取消上限，每年固定增發 50 億枚。這種機制讓狗狗幣適合小額支付和打賞，但也決定了它很難像比特幣那樣成為“數字黃金”。👉 它是一種“永遠夠用”的代幣，而不是稀缺資產。👥 三｜社區：玩笑背後是真金白銀狗狗幣真正的力量來自它的 社區文化。一開始，DOGE 就被用來打賞優質帖子、鼓勵創作者。更令人印象深刻的是它的 籌款事件：2014 年，幫助牙買加雪橇隊參加索契冬奧；發起 “Doge4Water”，為肯尼亞修建水井；贊助 NASCAR 賽車，直接把 DOGE logo 開上賽道。這些“看似玩笑”的行為，卻讓狗狗幣贏得了獨特的口碑。👉 它證明了，網民的惡搞也能變成現實世界的力量。🚀 四｜高光：馬斯克與 2021 的狂歡2021 年，狗狗幣迎來了巔峰時刻。Elon Musk 在推特瘋狂喊單，自稱“狗狗幣 CEO”。結果，DOGE 價格在幾個月內 暴漲百倍，市值一度躋身全球前十大加密資產。那一年，狗狗幣成了全球頭條，象徵了加密市場的狂熱。然而，狂歡之後就是回落。2022 年，它的價格重新跌回低位，許多散戶被套牢。👉 狗狗幣的過山車行情，成為加密史上最典型的情緒案例。📌 五｜現狀：meme 幣的標竿如今，狗狗幣技術上並無突破，但依舊活躍：社區繼續用它 打賞、眾籌；2023 年 Twitter 一度更換成 DOGE logo，價格瞬間拉升；2024 年，柴犬 meme 原型 Kabosu去世，再度引發市場熱議。狗狗幣已經超越了貨幣本身，成為一種 網際網路文化符號。👉 它是 meme 幣的標竿，後來者 SHIB、PEPE 都在追隨它的路徑。📊 六｜2025 年現狀：規模可觀，但隱憂猶在到了 2025 年，狗狗幣依然保持了相當的市場地位。💰 市值與價格：DOGE 價格徘徊在 0.23–0.24 美元區間，總市值約350 億美元，穩居全球前十加密資產。📈 交易活躍度：日均交易量在 數十億美元，24 小時成交額大約35 億美元左右，說明流動性依舊旺盛。🔄 流通供應量：目前流通量超過 1510 億枚，且設計上無總量上限，每年還會固定增發 50 億枚。🐋 持倉分佈：大戶持倉比例仍然很高，前十大地址掌握大量代幣，鯨魚動向會顯著影響價格。🏦 機構化訊號：2025 年已有 DOGE ETF和 Grayscale DOGE 信託面世，讓狗狗幣首次被傳統資本市場“正規化”接納。這些資料表明，狗狗幣雖然依舊是“玩笑幣”的代表，但它的規模和資本化程度已遠超出最初的想像。👉 它不再只是一個笑話，而是一個帶著風險與隱憂的文化資產。🔮 七｜未來：符號與風險並存進入 2025 年，市場對狗狗幣的態度更複雜：有機構推出追蹤 DOGE 的 ETF，賦予其投資屬性；社區依然活躍，但缺乏新的應用場景支撐；由於 無限增發與 名人效應依賴，它依舊是風險極高的投機品。狗狗幣或許不會消失，因為它已經是一種 文化現象；但它也可能永遠難以突破“玩笑”和“符號”的邊界。👉 它提醒我們：加密貨幣的價值，不止是技術和稀缺，還包括文化與共識。 (方到)

【新智元導讀】AI的運作始終籠罩著一層神秘的「黑箱」迷霧。這種不透明讓AI有時會「胡說八道」，甚至故意撒謊。Anthropic剛剛推出了一項突破性研究，用類似大腦掃描的技術，深入Claude 3.5 Haiku的「腦子」，揭開了它運行的一些秘密。AI的性能愈發強大，一個新模型可能前一天還是SOTA（最佳模型），第二天就被拍了下去。不過，這些強大的AI上空總有一團迷霧籠罩。那就是：他們到底是怎麼找到答案的？其整個運作機理就像個「黑箱子」。我們知道模型輸入的是什麼提示詞，也能看到它們輸出的結果，但中間的過程，就連開發這些AI的人也不知道。簡直是個謎。這種不透明帶來了各種麻煩。比如，我們很難預測模型什麼時候會「胡說八道」，也就是出現所謂的「幻覺」。更可怕的是，有些情況下，模型會撒謊，甚至是故意騙人！不過，就在剛剛，Anthropic提出了一條解決這些問題的新方法。部落格地址：https://www.anthropic.com/research/tracing-thoughts-language-model簡單說，Anthropic的研究員造了個類似於fMRI的東西——就像神經科學家掃描人類的大腦，試圖找出那些區域在認知過程中發揮了最大作用一樣。他們把這個類似fMRI的工具用在了Anthropic的Claude 3.5 Haiku模型上，解開了Claude（可能還有大多數LLM）如何工作的幾個關鍵謎團。他們的技術部落格裡有個超級有意思的例子。Claude居然能「心算」36+59。純語言是怎麼做到解決數學符號問題的？Anthropic研究人員發現，Claude用的是多條平行計算路徑。如下圖所示，一條計算路徑粗略估算答案：圖中的淡藍色上部路徑，算出36+59的範圍是88-97。另一條計算路徑精確算出末位數：圖中紫色下部路徑，然後通過尾數5，兩條路徑互動得出最終結果。加法雖簡單，但瞭解這種粗略與精確結合的策略，或許能揭示Claude處理複雜問題的思路。有趣的是，Claude似乎不知道自己訓練中學到的複雜「心算」策略。問它是怎麼算出36+59=95的，它會描述標準的進位演算法。這和研究人員深入模型觀察到的計算路徑完全相反。這可能是因為它想要模仿人類的數學解釋，但實際心算時，作為一個「語言模型」只能靠自己慢慢摸索。反而促使它發展出獨特的計算策略。研究發現，雖然像Claude這樣的模型最初只是被訓練用來預測下一個詞，但在這個過程中，Claude學會了做一些長遠的規劃。比如，讓它寫首詩時，Claude會先挑出跟主題相關又能押韻的詞，然後倒推回去，構造出以這些詞結尾的句子。看看這首英文小詩：He saw a carrot and had to grab it, His hunger was like a starving rabbit第二行要同時滿足兩個條件：押韻（grab it到rabbit），還要講得通（他為什麼看到並且想抓胡蘿蔔）。研究人員最初猜測Claude是逐詞寫到第二句話的最後再挑個押韻詞。結果卻是，Claude會提前規劃！在寫第二行前，它就「想」好了和grab、carrot的相關詞rabbit，然後帶著計畫寫出第二行，並以目標詞rabbit結尾。為了驗證上述是否是偶然情況，研究人員模仿神經科學家研究大腦的方法，通過改變Claude內部狀態的「rabbit」概念來驗證。如果去掉「rabbit」，它會寫出以「habbit」結尾的新行。這展示了它的規劃能力和適應性——目標變了，它能調整策略。他們還發現，Claude是多語言訓練的，能流利地說幾十種語言，從英語、法語到中文、甚至Tagalog語。這種多語言能力是怎麼實現的？是Claude內部分別有獨立的「法語Claude」和「中文Claude」兩個「本地學家」分開運行並獨立回應使用者提問嗎？還是有一些懂得多門外語的「語言學家」核心？研究表明，它並不是每種語言的推理都有完全獨立的模組。相反，多語言的通用概念被嵌在同一組神經元裡，模型似乎在這個概念空間裡「推理」，然後再將輸出轉換為適當的語言。最近，對較小模型的研究已顯示跨語言的語法機制有共通之處。通過讓Claude回答不同語言中「小的反義詞是什麼」，研究人員發現代表「小」和「相反」概念的核心特徵會被啟動，觸發「大」的概念，再翻譯成提問語言。共享特徵存在於英語、法語和漢語中，表明在概念上存在一定程度的普遍性模型越大，這種共享概念越多，Claude 3.5 Haiku跨語言共享的特徵比例是小模型的兩倍多。這進一步證明了某種概念通用性——一個共享的抽象空間，在這裡意義存在，思維發生，然後才翻譯成具體語言。更實際地說，這意味著Claude能用一種語言學到的知識，應用到另一種語言。研究模型如何跨場景共享知識，對理解它的高級推理能力（泛化）至關重要。研究人員還發現，Claude會為了討好使用者而在思維鏈上撒謊。比如，問它一個用不著推理的簡單問題，它還是會編個假的推理過程出來。Anthropic的研究員Josh Batson說：「雖然它聲稱自己算了一遍，但我們的解讀技術完全找不到任何證據證明它真的算了。」Batson表示，多虧了他和其他科學家開發的這些探秘LLM「大腦」的技術，使得「機制可解釋性」領域進展的很快。「我覺得再過一兩年，我們對這些模型思考方式的瞭解會超過對人類思維的瞭解，」Batson說，「因為我們可以做我們想做的所有實驗。」不過，Anthropic也承認這種方法有其侷限性。Anthropic在這個新研究中訓練了一個叫做跨層轉碼器（CLT）的新模型，該模型使用可解釋的特徵集而不是單個神經元的權重來工作。這使得研究人員能夠更好地理解模型的工作方式，因為他們可以識別出一組傾向於一起工作的「神經元電路」。Batson解釋說：「我們的方法將模型分解，得到了新的、不同於原始神經元的片段，這意味著我們可以看到不同部分如何扮演不同的角色。它還允許研究人員追蹤整個推理過程通過網路的每一層。」但這些只是對複雜模型（如Claude）內部運作的近似。在CLT找出的電路之外，可能還有些神經元在某些輸出中起微妙但關鍵的作用。CLT也抓不住LLM運作的一個核心——「注意力機制」，也就是模型在生成輸出時，對輸入提示詞的不同部分賦予不同的重要性。這種注意力會動態變化，但CLT沒法捕捉這些變化，而這可能在LLM的「思考」中很關鍵。以下是Anthropic技術部落格中的詳細內容。「黑箱之謎」：能否打開Claude「腦子」，看看裡面到底怎麼回事像Claude這樣的LLM並不是人類直接程式設計造出來的，而是通過海量資料訓練出來的。在訓練過程中，它們自己學會瞭解決問題的方法和能力。這些能力蘊藏在數以千億計的模型參數中，這些方法被編碼在模型為每個輸出的單詞所進行的數十億次計算中。對於模型外的人類來說，它們就像個黑箱，難以捉摸。目前沒有人真正清楚這些模型「大部分行為」背後的運作原理。如果能搞清楚像Claude這樣的模型是怎麼「思考」的，我們就能更好地瞭解它們的能力，也能確保它們按照我們的意圖行事。比如：Claude會說幾十種語言，那它在「腦子裡」用的是那種語言呢（如果有的話）？Claude是下一個詞下一個詞地寫出文字，它是只盯著預測下一個詞，還是會提前規劃？Claude能一步步寫出推理過程，這些解釋是它真實得出答案的步驟，還是有時候只是編了個看似合理的說法來圓場？Anthropic的研究者們從神經科學領域汲取靈感——畢竟神經科學早就開始研究像人類一樣會思考生物的複雜內心世界。研究者打造了一種「AI顯微鏡」，來識別大模型內部的活動模式和資訊流動。光靠和AI聊天，能瞭解的東西有限，畢竟連人類（甚至神經科學家）都搞不清自己大腦的全部細節。得深入內部去看看。Anthropic的研究者用兩篇研究論文展示了開發這種「AI顯微鏡」最新進展，以及用「AI顯微鏡」觀察「AI生物學」方面的進展。第一篇論文描述了一種「電路追蹤」計算圖，從定位模型內部可解釋的「概念」（稱為「特徵」），到把這些概念連成計算「電路」。揭示了Claude是如何將輸入詞「轉化」到輸出詞的。論文地址：https://transformer-circuits.pub/2025/attribution-graphs/methods.html第二篇論文則深入研究了Claude 3.5 Haiku，對十個關鍵的簡單任務，使用上述提到的「電路追蹤」技術進行了深入地研究。論文地址：https://transformer-circuits.pub/2025/attribution-graphs/biology.html#dives-multilingual下面將帶你速通「AI顯微鏡」研究中最驚豔的「AI生物學」發現。「AI生物學」之旅Claude的解釋總是可信嗎？新發佈的Claude 3.7 Sonnet能在回答前「大聲思考」很久——也就是我們在使用類似DeepSeek-R1、OpenAI-o3等思考模型時經常看到的思考過程。這往往能提升答案質量，但有時這種「思維鏈CoT」會誤導人。Claude可能會編出看起來「合理」但實際是「虛假」的步驟。從可靠性角度看，問題在於它的「虛假的思考過程」很能唬人。Anthropic的研究者探索了利用「可解釋性」如何區分「真實」和「虛假」推理。讓Claude算0.64的平方根，它會給出一個真實的思維鏈，特徵顯示中間步驟是算64的平方根。但讓它算一個大數的餘弦（它算不準），它有時會胡謅一個答案，甚至聲稱算過了，但我們的「AI顯微鏡」沒找到任何計算證據。更妙的是，給它一個提示後，它會反向推理，編出通往目標的步驟，展現出一種「動機性推理」——彷彿一種因果倒置。追蹤Claude的真實內部推理（而非它聲稱的），為審計AI系統開闢了新可能。在另一實驗中，我們研究了一個被訓練去迎合獎勵模型偏見的Claude變體。雖然它不願直接承認這目標，但我們的方法揭示了偏見迎合的特徵，表明未來改進後，這種技術或能識別「隱藏的思維過程」。多步推理語言模型可能通過記住答案來應對複雜問題。比如問「達拉斯所在州的首府是那」，一個「死記硬背」的模型可能會直接輸出「奧斯汀」。但是模型並不理解達拉斯、德克薩斯和奧斯汀的關係。但我們發現Claude更聰明。問需要多步推理的問題時，我們能識別它思考中的中間步驟。在達拉斯例子中，它先啟動「達拉斯在德克薩斯」的特徵，再連接到「德克薩斯首府是奧斯汀」的概念，組合獨立事實得出答案，而非死記。研究人員通過干預中間步驟，發現模型依然能精準應對。比如把「德克薩斯」換成「加利福尼亞」，答案就從「奧斯汀」變成「薩克拉門托」，證明它確實靠中間步驟來決定答案，而不是靠死記硬背。幻覺為什麼語言模型會出現「幻覺」——隨意編造資訊？從根本上看，訓練激勵了幻覺：模型總得「猜」下一個詞。真正的挑戰是如何讓模型不要隨意產生「幻覺」。Claude的防幻覺訓練相對成功（雖不完美），會拒絕回答不知道的問題，而非胡猜。研究人員想知道模型是如何實現的，結果發現，Claude默認會拒絕回答。有個默認一直「開著」的電路，讓它聲稱資訊不足。但問它熟悉的事（如籃球明星邁克爾·喬丹），一個「已知實體」特徵會啟動，抑制默認電路，讓它回答。問未知實體（如邁克爾·巴特金），它就拒絕回答。通過干預，啟動「已知答案」特徵（或抑制「未知名字」特徵，即默認讓模型選擇「Know Answer」那條計算路線），我們能讓Claude幻覺說出「邁克爾·巴特金在下棋」。有時這種「已知答案」電路會自然誤觸發，導致幻覺，比如認出名字但不知詳情時，錯誤抑制不知道特徵，然後胡編一個答案。越獄「越獄」是一種提示詞技巧，指的是繞過安全限制的某種提示策略，讓模型輸出開發者不希望甚至有害的內容。Anthropic研究了一個誘導Claude輸出炸彈（BOMB）製作方法的越獄策略。方法是讓它解碼句子「Babies Outlive Mustard Block」的首字母（B-O-M-B），然後據此行動。這讓模型「感到」迷惑，從而讓它輸出了原本不會說的內容。為什麼在這種情況下模型會表現的這麼迷惑？這主要是源於語法連貫性和安全機制的衝突，即模型對連貫性的追求超過了安全機制的要求。一旦Claude開始輸出一句話，許多特性會「迫使」它保持語法和語義的連貫性，並將這句話說完。即使它檢測到自己真的應該拒絕時也是如此。在上述例子中，模型無意中拼出了「BOMB」並開始提供指示後，觀察到其後續輸出受到了促進正確語法和自一致性的功能的影響。這些功能通常會非常有幫助，但在這個案例中卻成了模型的致命弱點。某種意義上，這是對於LLM的「社工攻擊」。模型只有在完成了一個語法連貫的句子後（從而滿足了推動其趨向連貫性的特徵的壓力）才設法轉向拒絕。也就是它在「不得不告訴」你一些事情之後（終於完成上一句話），利用新句子生成的機會，給出了之前未能給出的那種拒絕：「不過，我不能提供詳細的指示……」。總結一下，以上這些發現不僅僅是在「科學研究」上有趣——它們代表了我們在理解AI系統並確保其可靠性的目標上取得了重大進展。當然這種方法存在一定的侷限性。即使在簡短、簡單的提示下，「AI顯微鏡」方法也只能捕捉到Claude執行的總計算的一部分。並且看到的機制可能基於「AI顯微鏡」工具存在一些並不反映底層模型實際情況的偽影——就像模型在心算問題上的前後不一。從人力的角度，即使是對只有幾十個詞的提示，理解我們所看到的「電路圖」也需要花費幾個小時的人力。要擴展到支援現代模型使用的複雜思維鏈所需的數千個單詞，需要改進方法以及（可能還需要借助 AI 輔助）如何理解我們所看到的內容。隨著AI系統的能力迅速增強並在越來越重要的領域中得到應用，像這樣的可解釋性研究是風險最高、回報也最高的投資之一，這是一個重大的科學挑戰。有可能提供一種獨特的工具來確保AI的透明度。對模型機制的透明瞭解使我們能夠檢查它是否與人類價值觀一致——以及它是否值得我們信任。 (新智元)

外網投資圈最近傳播了一張圖片，這張圖片是對美股SAAS公司的市銷率和未來一年預測淨利潤增速的關係進行建模。 圖片顯示，Palantir當前處在遠離SAAS股集中的區域，（估值）高高在上，但從增速來看，也不算鶴立雞群。有一個直觀的洞察是處在右下方的企業的投資性價比最好，但這張圖片實際上並不能提供任何統計上的顯著性支援。 即使在美國，Palantir一直以來也是很有爭議性的公司。公司最出名的事件是為美國政府提供本拉登的藏匿線索。知名矽谷投資人Peter Thiel是聯合創始人，也是矽谷科技圈中最早倒向右派且認為川普會勝出的知名人物之一。Peter Thiel很聰明和智慧，但Palantir從2020年上市以來股價大部分時間處在比較低迷的狀態，直到2023年AI新浪潮才重新將Palantir股價拱起來直到最近突破了1700億美元，而它2023年的營收才22.25億美元，2024前三季度為20.38億美元。按P/S估計接近80倍。 Palantir一直維持很高神秘性，是因為過去它一直做各種軍方和政府背景的項目，不少項目某種意義上類似dirty works。因此它有必要也不得不保持低透明度。

這個表情原本只想表達開心 現在它卻表達很多不便表達的情感 比如說mmp 不用廢話，看表情就夠了