https://www.andrewng.org/

https://www.youtube.com/watch?v=1XF-NG_35NE ==> https://gemini.google.com/u/0/app/969d731e099abefe?ref=glasp

Harrison Chase

1. 个人简介

2. 个人经历

Ambient agents listen to an event stream and act on it accordingly, potentially acting on multiple events at a time 环境代理会监听事件流，并据此采取相应的行动，且有可能同时对多个事件进行处理。

林元庆作为Aibee创始人及AI领域资深专家，近年来在多场合阐述了对生成式AI及物理世界智能化的深刻见解，其观点可概括为以下核心脉络：

一、生成式AI的定位：物理世界大模型的基石

1. 从感知到理解的技术跃迁
   林元庆认为，生成式AI不应局限于文本或图像的表面创作，而需与物理世界的深度理解结合。他提出“物理世界AI大模型”概念，强调其核心是像素级的3D语义理解能力，能够通过海量视频数据自学习物理规律（如行人过马路时的行为预判），而非依赖人工标注的监督学习。这一过程需要生成式AI具备动态场景重建与多模态推理能力。

2. 数据闭环驱动的自进化框架
   在Aibee的实践中，生成式AI的突破依赖于环境静态摄像头（Environmental Camera View）与3D扫描数据的融合。通过“一辈子只盯着一个角落看”的算法设计，生成式模型能利用线下场景积累的80亿帧/天视频数据实现“热启动”，解决第一视角（Egocentric View）数据稀缺的冷启动难题。这种数据闭环机制被视作通向通用人工智能（AGI）的关键路径。

二、生成式AI的落地逻辑：行业驱动的多模态融合

1. 垂直场景的深度赋能
   林元庆反对单点技术输出的创业模式，主张生成式AI需以行业痛点为锚点，整合视觉、语音、语义等多模态技术。例如在教育领域，生成式AI需通过学生行为分析（视觉）、课堂互动（语音）与知识点关联（语义）构建“因材施教”的个性化模型。他提出“AI to Industry”策略，强调技术必须与行业运营效率、用户体验提升直接挂钩。

2. 物理AI分身（Physical AI Agent）的终极形态
   生成式AI的终极目标被定位为具身智能的实体化，即通过物理世界大模型赋予AI数字分身与真实环境交互的能力。例如在零售场景中，AI不仅能生成营销方案，还能通过空间智能预测客流动态、优化货架布局，实现“决策-执行-反馈”闭环。这种能力将重构人机协作范式，成为“AI赋能人类的高级状态”。

三、未来展望：生成式AI的产业革命与挑战

1. 技术趋势：从信息整理到物理交互
   林元庆指出，ChatGPT仅是生成式AI的序章，未来30-40年将聚焦于物理世界数字化与认知构建。他预测生成式AI将突破现有语言模型的局限，在自动驾驶、智慧城市等领域形成可动态更新的“世界模拟器”，成为实体经济的核心基础设施。

2. 商业化路径：飞轮效应的启动关键
   他认为生成式AI企业需在行业渗透率与通用技术壁垒间找到平衡：初期通过垂直场景（如商业地产、交通枢纽）积累专属数据，中期沉淀跨行业通用能力（如时空轨迹预测算法），最终形成自我强化的技术-数据闭环。Aibee已验证该路径——通过赋能430家4A/5A景区实现技术迭代，再将算法复用于城市级空间智能。

3. 伦理与效率的协同进化
   林元庆特别强调生成式AI的隐私保护设计。例如Aibee的3D时空追踪技术已通过欧盟GDPR认证，通过去生物特征化（如不采集人脸）实现合规性。这种“技术民主化”理念要求生成式AI在提升效率的同时，建立可信赖的伦理框架。

四、对行业生态的深刻洞见

• 竞争格局判断：生成式AI的窗口期正在收窄，企业需在1-3年内完成关键场景卡位，否则可能错失行业标准化主导权。
• 资源分配策略：反对“人海战术”，主张以精干团队（如Aibee硅谷-北京双研发中心）专注核心算法突破，通过合作伙伴生态扩展应用边界。
• 技术评估标准：生成式AI的价值不应仅以准确率衡量，而要看其对行业价值链的重塑程度（如Aibee帮助购物中心将3D重建成本从500万降至10万以下）。

总结

林元庆将生成式AI视为物理世界智能化的操作系统，其发展需经历“行业场景落地→多模态数据沉淀→通用模型进化”的三阶段跃迁。在他看来，这场变革的本质是通过AI大模型将人类对物理世界的经验认知转化为可计算、可预测的系统性规律，最终实现机器与现实的深度协同。这一过程中，兼具技术理想主义与商业实用主义的平衡能力，将成为生成式AI企业的核心竞争壁垒。

当前大模型的春秋战国时代

当前scaling law的情况

当前scaling law的进展

当前scaling law的进展

LeCun 的成就

Yann LeCun是人工智能领域的杰出学者，被誉为“卷积神经网络之父”，与Geoffrey Hinton和Yoshua Bengio并称为“深度学习三巨头”，共同获得了2018年图灵奖。他在学术上取得了诸多重大成就，具体如下：

• 开创卷积神经网络（CNN）：1988年，Yann LeCun在贝尔实验室期间开发了卷积神经网络（CNN），这是一种模仿人类视觉系统的神经网络结构，具有自动提取特征的能力，使得计算机可以从图像中识别出有用的信息。该技术成为计算机视觉和深度学习领域的基石，被广泛应用于手写字符识别、物体识别、医疗影像、自动驾驶、面部识别等多个领域。贝尔实验室曾使用其CNN技术创建了美国邮政系统中的手写数字识别系统，大幅提高了邮件分拣效率。
• 提出神经网络反向传播学习算法：在1987年的博士论文中，他提出了一种早期形式的神经网络反向传播（Back - Propagation）学习算法。这种算法可以让神经网络根据数据自动调整参数，从而提高性能，为神经网络的训练提供了重要的方法支撑，推动了神经网络技术的发展。
• 开发DjVu图像压缩技术：1996年，Yann LeCun加入AT&T实验室图像处理研究部门，负责DjVu图像压缩技术的研究。该技术以其高压缩比和图像质量而闻名，被许多网站，尤其是互联网档案馆（Internet Archive），用来分发扫描的文档。
• 推动自监督学习发展：Yann LeCun是自监督学习的重要倡导者之一。他认为自监督学习将成为未来AI的重要方向，主张让机器通过“观察和预测”来学习世界的结构，而不仅仅依赖于标注数据的训练，为AI的发展提供了新的思路和研究方向。
• 倡导“世界模型”理念：他提出未来AI的发展需要依赖“世界模型”，即AI需要具备像人类一样理解物理世界的能力，能够预测和规划自己的行为。他指出当前的大型语言模型缺乏真正的理解和推理能力，无法实现通用人工智能，强调AI系统需要“理解”世界，对AI的发展目标和方向产生了深远影响。
• 培养众多优秀人才：2003年Yann LeCun加入纽约大学担任教授，在此期间培养了大量优秀的研究生，为深度学习领域输送了众多专业人才。他还通过线上课程、讲座和公开演讲等方式，积极推广深度学习和机器学习技术，推动了AI知识的普及。

姚顺雨最新动态

姚顺雨（Shunyu Yao），27岁，清华大学姚班（计算机科学精英班）毕业生、普林斯顿大学计算机科学博士，曾是OpenAI智能体产品（如Operator和Deep Research）的核心贡献者。他于2024年8月加入OpenAI，主要研究语言智能体、强化学习（RL）和代理（Agent）技术。

安全相关

Anthropic的RedTeam有一个新的博客，涵盖了他们在网络、生物、自主性、国家安全等领域的内部研究。

BMAD-METHOD 和 Claude Skills 的结合

BMAD-METHOD（Breakthrough Method for Agile AI-Driven Development）是一种革命性的 AI 驱动敏捷开发框架，旨在通过模拟敏捷团队角色（如分析师、产品经理、架构师、开发者和测试者）来结构化软件开发过程。它使用 Markdown 文件定义 AI 代理，每个代理有特定的角色、个性（persona）和命令，支持从需求分析到代码实现的完整工作流。BMAD 强调迭代式开发、任务分解和跨代理协作，通常与大型语言模型（如 Claude）集成，以实现高效的“敏捷 AI 驱动开发”。

Claude Skills 是 Anthropic 的 Claude AI 的一项功能，它允许用户创建包含指令、脚本和资源的文件夹，这些资源可以动态加载以提升 Claude 在特定任务上的表现。例如，Skills 可以用于处理 Excel、遵循品牌指南或执行代码任务。Skills 是可组合的（可以堆叠使用）、可移植的（跨 Claude 应用、Claude Code 和 API 使用），并且高效（仅加载必要内容）。Claude 会根据任务自动扫描和激活相关 Skills。

为什么结合它们？

BMAD-METHOD 的核心是代理协作和结构化工作流，而 Claude Skills 提供了完美的实现机制：Skills 可以封装 BMAD 的每个代理角色（如 BMAD Master、Business Analyst、Developer），使其成为可重用、可扩展的模块。这种结合可以将 Claude Code 转变为一个完整的 BMAD 驱动开发环境，支持自动检测、内存集成和斜杠命令（slash commands），从而减少令牌消耗（token usage）70-85%，并适应从简单 bug 修复到企业级系统的项目复杂度。 这比单纯的“氛围编码”（Vibe Coding）更高效，避免了资源浪费，并将人类专业知识转化为 AI 可访问的格式。

如何结合使用（基于实际实现示例）

一个典型结合方式是通过 GitHub 仓库如 aj-geddes/claude-code-bmad-skills 来实现 BMAD Method v6 与 Claude Skills 的集成。 以下是步骤指南：