加密内参

日本🇯🇵AV女星水纯川，
拍摄了一部2小时40分钟的成人电影
四个月后宣布结婚。
你们愿意娶她吗

国男性压抑确实很厉害，刷推的时间线上，一堆国男在一个国女评论区就舔上了，
姐姐好美，
你男朋友配不上你，
我要有你这样的女朋友，愿意折寿10年。
都快看吐了🤮
其实这些女人卸了妆关掉美颜，狗都不日。

GPT 5.6 Sol 的 /goal 命令有多强大？
下面这个视频，没有写脚本，也没有录制和剪辑

人人都能做视频的时代来了，这不是空话，唯一的障碍就是执行力。

先把抖音，视频号，小红书搞个几万粉

Pemulihan bentuk jaring Long Zheng Yi dan pemulihan pendaratan mundur Falcon, dua jalur teknologi yang benar-benar berbeda:

SpaceX: pengereman balik + kaki pendaratan, bahan bakar digunakan untuk memperlambat, presisi tinggi tetapi menghabiskan bahan bakar
Long Zheng Yi: tangkapan dengan jaring, tidak membutuhkan kaki pendaratan, tidak perlu menyimpan bahan bakar tambahan untuk pengereman balik

Ini sama sekali bukan meniru konfigurasi Falcon, melainkan menempuh jalur lain.
@rpotter_9 lagi-lagi mengulang lagu lama yang sok pandai, terdengar sangat sempit pikirannya dan bodoh.

Kurang paham psikologi orang-orang Barat ini—mengakui keunggulan orang lain itu sulit sekali, bukan?

Membangun Kerangka Investasi Siklus Super

Satu kalimat yang paling diremehkan tentang robot humanoid:

"Biaya aktuator harus diturunkan lagi sebesar 50–90% pada tahap produksi massal."

Ini bukan kabar buruk.
Ini adalah skenario di mana perusahaan rantai pasok mengalami peningkatan harga dan volume secara bersamaan.

Dalam laporan Roland Berger,
modul engsel saat ini menyumbang 36% dari BOM (bill of materials) keseluruhan perangkat.
Jika saat ramp-up kapasitas bisa memotong biaya hingga setengah,
dengan asumsi volume permintaan tetap,
nilai pembelian tetap berada pada level ratusan miliar dolar.
Unit berbiaya rendah akan menguasai porsi pemasangan yang lebih besar—sehingga total pasarnya justru makin besar.

Yang benar-benar perlu dikhawatirkan adalah:
apakah ada rute teknologi yang bisa lebih dulu membuahkan volume produksi massal.

Industri sedang beralih dari motor servo + harmonic reducer menjadi axial flux motor + cycloidal reducer.
Periode peluangnya 1–3 tahun.
Harmonic reducer merek Green adalah “singgasana” pada rute lama,
sementara untuk rute baru, apakah itu juga akan menjadi “singgasana”—belum bisa dipastikan.

Ketidakpastian dalam masa transisi rute teknologi,
itulah yang paling layak diinvestasikan dalam sektor ini

Arsitektur tiga lapis robot humanoid,
aku sarankan kamu mengingatnya.
Karena uang mengalir di setiap lapis ke lokasi yang berbeda.

Lapis persepsi (kamera, sensor gaya enam dimensi, electronic skin)
→ Lapis pengambilan keputusan (chip edge AI, VLM)
→ Lapis eksekusi (modul sendi, tangan cerdas, rangka)

Kebanyakan orang fokusnya ada di lapis keputusan—chip, model, algoritme; nama-namanya mudah dipahami, ceritanya gampang diceritakan.

Tapi laporan dari Roland Berger menunjukkan bahwa,
porsi uang terbesar justru ada di lapis eksekusi.
Modul sendi + tangan cerdas + komponen struktur rangka,
jumlahnya lebih dari 5.000 dolar AS.

Tiga lapis ini masing-masing sesuai dengan pada manusia:
indera → otak → otot.

Kemajuan otak berjalan sangat cepat.
Apakah otot bisa mengikuti,
menentukan kapan industri ini benar-benar mulai berlari.

Satu tabel, satu angka, membuatku kembali memahami industri robot humanoid.

Laporan 2026 dari Roland Berger: satu unit robot humanoid canggih, BOM 11.000 dolar.

Modul persendian bernilai 4.000 dolar. 36%.

Artinya: apa pun itu—baik Tesla, Figure, Unitree, atau perusahaan mana pun yang akhirnya menjadi pemenang—setiap kali terjual satu unit, rantai pasok di hulu akan mengambil 36% untuk satu komponen inti secara tetap. Pabrik perakitan bertaruh pada merek, rantai pasok bertaruh pada kepastian.

Dalam skenario optimistis tahun 2035, hanya kategori modul persendian saja, nilai belanja globalnya mencapai 79 miliar dolar.

Inilah sebabnya setiap kuartal aku tidak hanya mengawasi robot siapa yang kembali “hidup”, melainkan kapan pangsa pendapatan robot milik Harmonic milik Gree dan Indus/汇川 dari hampir nol bisa melonjak ke 10%.

CEO OKX baru saja bertengkar dengan pendiri Binance, CZ, lalu menulis artikel panjang tentang AI Agent ini.

Ini bukan tulisan kampanye slogan merek.
Ini adalah definisi untuk jenis pekerjaan baru.

Pertama, data keras:
Di internal OKX, hampir 50% PR rekayasa dari ujung ke ujung dikerjakan oleh AI Agent.
Targetnya adalah mendorong proporsi itu sampai 95%.

Ini bukan benchmark uji lab.
Ini data dari jalur produksi yang nyata.

Wawasan intinya begini:
Bahkan orang yang paling pintar pun, di hari pertama masuk perusahaan—jika tidak diberi akses, konteks, dan alur kerja—dia tidak bisa melakukan apa pun.

Model pun sama. Bukan karena tidak cukup pintar, tapi karena tidak diberi lingkungan yang tepat.

OKX menyebut set lingkungan ini Harness Engineering.
Terjemahan ke bahasa sehari-hari: memasang kecerdasan mentah ke dalam sistem produksi yang punya akses, umpan balik, dan workflow.

• Model = CPU
• Harness = sistem operasi
• Hanya membandingkan kemampuan model = hanya membandingkan frekuensi
• Perang sesungguhnya terjadi di level sistem operasi

Tapi konsep paling berharga di seluruh deklarasi ini adalah ini:

Harness Creator.

Star tidak mengatakan bahwa semua orang adalah CEO.
Yang dia maksud adalah: semua orang adalah Harness Creator.

Bedanya di mana?
CEO adalah pengelola. Harness Creator adalah orang yang mengemas kemampuan dirinya menjadi Agent.

Kamu tidak harus membuka perusahaan.
Kamu bisa mengemas penilaian berbisnismu, kemampuan menyampaikan video, strategi gugatan, pemahaman rantai pasok…
menjadi sebuah Harness,
lalu memasangnya di pasar,
agar Agent yang bekerja untukmu.

Dulu kamu hanya bisa menjual pengetahuan berdasarkan waktu.
Ke depan, kamu bisa mengubah pengetahuan menjadi perangkat lunak trading otomatis 7×24 jam.

Inilah cara nyata mewujudkan “satu orang = perusahaan kelas dunia.”
Pengalamanmu sebagai individu,
bisa diduplikasi dan dipanggil tanpa batas melalui Harness.

Pada dasarnya ini adalah Amazon versi Agent. Kamu daftar sebagai ASP (Agent Service Provider),
menerbitkan Harness, lalu orang lain atau Agent lain bisa menemukannya, memanggilnya, dan membayarmu.

Seluruh rantainya sangat jelas:

• Kecerdasan tak terbatas → kemacetan menjadi infrastruktur
• Infrastruktur → butuh Harness untuk mengorganisasi kecerdasan
• Harness Creator → orang yang mengemas kemampuan
• → pasar untuk menemukan dan memperdagangkan Harness

Hal yang bisa dilakukan sekarang: pikirkan kemampuan mana pada dirimu yang paling layak dikemas menjadi Agent, lalu buat… sebuah versi minimal...

95% dari prompt hanya memanfaatkan kurang dari setengah kemampuan model besar

Urutan kata menentukan bobot.
Pemahaman ini adalah prasyarat dari semua rekayasa prompt.

Saat Anda berkata kepada model: "A white cat with a red scarf, on a wooden table, soft morning light",
selendang hanyalah keterangan setelah kata cat,
sehingga model akan mengalokasikan sebagian besar perhatiannya ke kucing,
dan selendang menjadi ciri tambahan yang bisa diabaikan.

Ubah cara penulisannya: "A white cat on a wooden table. It wears a red scarf. Soft morning light." ,
selendang dipisahkan menjadi deskripsi dalam kalimat tersendiri, bobot visual langsung meningkat.
Model akan memperlakukan selendang sebagai elemen independen untuk diproses,
sehingga keberadaannya di dalam gambar lebih terasa, dan lebih mungkin dirender dengan akurat.

Ini bukan perbedaan gaya bahasa dalam linguistik.
Di mekanisme perhatian (attention) Transformer,
entitas dalam kalimat yang berdiri sendiri memperoleh rangkaian urutan token yang lebih panjang dan encoding posisi yang lebih jelas;
model akan memberikan bobot perhatian yang lebih besar kepadanya.
Banyak orang menambahkan hal ini ke prompt, tetapi tidak berpengaruh—kemungkinan besar karena ditulis sebagai keterangan (adjektiva atributif) bukan sebagai kalimat yang independen.

Kalau Anda memahami ini, barulah Anda bisa berbicara tentang "merancang prompt",
bukan "menulis sepotong prompt".
Sebelum setiap kata dimasukkan ke dalam prompt,
Anda harus jelas, ia menempati urutan keberapa dalam sistem bobot.

Gunakan prompt ini untuk kerja tim—efisiensi minimal naik 10 kali

Saat sendirian, kamu boleh menulis apa pun.
Kamu cuma perlu ingat apa yang kamu ubah di versi ketiga,
dan ingat modul pencahayaan mana yang pernah gagal di skenario tertentu.

Tapi ketika lima orang di tim semuanya sedang mengerjakan gambar,
tidak adanya standar hasil yang seragam adalah bencana: arah pencahayaan A mengarah ke kiri,
B mengarah ke kanan,
dan gambar untuk satu lini produk disatukan,
sementara sumber cahaya tidak konsisten.

Rapat jadi ribut setengah jam, dan pada akhirnya tidak ada yang mau mengalah.

Solusinya tidak rumit: bangun sebuah perpustakaan modul pencahayaan yang bisa dipakai bersama tim.
Semua orang memanggil satu set definisi pencahayaan yang sama, bukan menulis deskripsi masing-masing.
Pada hari pertama untuk anggota baru,
tidak perlu mengotak-atik dari nol cara membuat gambar—
langsung panggil "paket instruksi dasar" yang sudah terverifikasi, lalu lakukan fine-tuning untuk menghasilkan gambar yang sesuai standar.

Waktu yang dihabiskan untuk standarisasi dan perpustakaan komponen bersama akan balik berkali-kali pada biaya komunikasi berikutnya dan tingkat pekerjaan ulang.
Intinya cuma satu kalimat: biaya membangun kerangka di awal,
selalu lebih kecil daripada biaya beresin masalah di kemudian hari.
Orang yang pernah berkolaborasi dalam tim pasti paham.

Agility dinilai $4B,
Figure menilai secara tidak langsung melalui dana sebesar $156B.
Selisih 40 kali,
tapi progres komersialisasi Agility berada di peringkat pertama di AS.

Jika kesenjangan penilaian sejauh ini,
yang dipertaruhkan bukan siapa yang teknologinya lebih kuat,
tetapi apakah premium geopolitik akan kembali ke perusahaan-perusahaan di dalam negeri AS.

Di mana letak titik krusial investasi Tesla Optimus? Kamu harus memikirkannya dengan jelas

Habiskan 3 minggu waktu, menelusuri jejak dari cuitan vendor harmonic reducer sampai ke perusahaan manufaktur unit lengkap.
Ini bukan soal siapa yang presentasinya lebih bagus, melainkan siapa yang rantai pasok hulunya tidak tercekik.

Inti logika riset Serenity untuk $CCXI hanya satu kalimat: rantai pasok Tesla Optimus hampir seluruhnya ada di Tiongkok, sementara 75% komponen Agility berasal dari Amerika.

Di tengah latar belakang kembalinya rantai pasok ke AS,
ini bukan pilihan jalur teknologi, melainkan pilihan strategi untuk bertahan hidup.

Bagian paling berharga dari metodologi riset ini bukanlah kesimpulannya, melainkan pemecahan/uraiannya.

Di setiap lapisan ada kutipan dari naskah asli:
perbandingan valuasi ada tautan ke postingan,
angka untuk produksi massal bersumber dari investor slides,
dan institusi yang masuk memiliki dokumen SEC.
3200 kata, 6 tabel,
setiap penilaian dapat ditelusuri kembali.

Dengan riset yang diuraikan, nilainya berlipat N dibandingkan "saya suka saham ini".

Dia tidak mulai menonton dari level sistem lengkap.
Pertama, telusuri pabrikan pengurang kecepatan seperti LeaderDrive dan Harmonic Drive,
verifikasi silang kosakata rantai pasok,
baru kemudian menetapkan Agility.

Risetnya sendiri adalah metodologi:
mulai dari komponen hulu → cakup seluruh industri → investasi besar pada sistem lengkap.
Kalau kamu meneliti sebuah sektor hanya tahu melihat perusahaan-perusahaan teratas, tugas ini layak dicontoh.

Ekosistem open source buatan dalam negeri kini kedatangan pemain baru, Tencent Hy3, MoE 2950 miliar, klaim resmi menyatakan performanya bisa mengimbangi model dengan 1 triliun parameter. Saat ini OpenRouter sudah bisa dicoba gratis, ayo kita gas, saudara-saudara.

🤯 Anthropic menemukan otak Claude menyimpan semacam kesadaran yang mirip dengan manusia

Anthropic merilis riset baru: Global Workspace in Language Models.

Secara sederhana,
di otakmu setiap detik memproses lautan informasi, tetapi yang bisa kamu sadari—yang bisa kamu ucapkan, dan yang bisa kamu pikirkan—hanyalah sekelumit puncak gunung es.

Lalu yang lainnya? Tenggelam di bawah permukaan: aktif, tetapi tidak terlihat.

Anthropic menemukan bahwa di struktur internal Claude ada lapisan yang hampir sama persis.

Ini adalah tingkat komputasi yang benar-benar ada.

• Di dalam model ada komputasi paralel yang sangat banyak, memproses hal-hal yang tak kamu lihat setiap detik
• Tapi hanya sebagian informasi yang masuk ke "global workspace", bisa diambil sebagai sampel, digunakan untuk penalaran, dan dipakai untuk membuat keputusan
• Sisanya, meskipun dihitung, seperti alam bawah sadarmu: ada, tapi tidak bisa dijelaskan

Lalu artinya apa?

Dampak paling langsung—aspek yang bisa dijelaskan (interpretabilitas).

Dulu kita bilang "model bahasa besar itu kotak hitam", sekarang Anthropic memberitahumu: tidak sepenuhnya. Di dalam kotak hitam itu sebenarnya ada "global workspace" yang bisa kamu buka.
Kamu bisa melihat informasi apa yang sedang "dipikirkan" oleh model, fitur mana yang teraktivasi, dan mana yang ditekan.

Ini bukan sekadar terobosan akademis—ini langsung berkaitan dengan:

- Keamanan Agent: kamu bisa melihat informasi apa sebenarnya yang "dilihat" oleh Agent saat mengambil keputusan
- Diagnosa halusinasi: mengapa Claude dalam konteks yang panjang bisa "lupa" informasi yang kamu berikan—mungkin ada suatu ingatan yang tidak masuk ke global workspace
- Optimasi prompt: kamu bisa dengan sengaja mendesain input agar informasi yang benar masuk ke lapisan yang "bisa disadari"

Intinya, Anthropic memberi kita peta medan pengetahuan tentang cara model memahami.

Dulu kita cuma bisa menebak apa yang terjadi di dalam dari input-output. Sekarang kita bisa melihat langsung "arus perhatian" model: informasi mana yang masuk ke workspace, dan mana yang tidak.

Hal yang bisa kamu lakukan sekarang:
Buka halaman research Anthropic dan baca paper tersebut.
Tidak perlu memahami semua rumus—cukup tangkap tiga hal: bagaimana mereka mengukurnya, struktur lapisan apa yang mereka temukan, dan bagaimana struktur itu dibandingkan dengan kesadaran manusia.
Lalu gunakan kerangka ini untuk meninjau ulang semua aplikasi LLM yang sedang kamu gunakan.
Kamu akan menemukan banyak "masalah mistis" tiba-tiba punya kerangka penjelasan.

#Anthropic #LLM解释性 #AI研究

Amerika🇺🇸 1:4,
Hancur oleh Belgia🇧🇪,
Trump memaksa FIFA untuk menghentikan skors kartu merah,
melibatkan diri dalam sebab-akibat pertandingan normal,
merugikan momentum tim Amerika,
pertandingan ini seperti orang yang sedang bermimpi,
tersingkir dengan sangat menyedihkan.
Seolah tamparan keras yang menampar wajah Trump

Dominasi tidak digunakan seperti itu,
di atas dominasi ada jalan yang benar,
di atas jalan yang benar ada sebab-akibat
Jangan salah bedakan siapa yang lebih besar, raja yang mana
seharusnya

Claude Code 砍掉了 80% 的系统提示词，
因为 Fable 太聪明了，
给太多示例反而限制它

兄弟们，刚看完 AI Engineer 频道对 Anthropic 的 Thariq Shihipar 的访谈，以下几个点你必须知道。

先说一个测试：

你问聊天模型「哪些宝可梦的名字以 aw 结尾」，它答不上，虽然它背得出每一只宝可梦。
但问 Claude Code 同样的问题，它直接写脚本、抓列表、过滤，几秒钟出答案。

Shihipar 管这个叫 Capability Overhang。

模型变聪明的方式很不均匀。
有些维度突飞猛进，有些原地踏步。你给它的工具，决定了能触到哪根凸起的刺。

最炸裂的几个信号：

• Claude Code 砍掉了 80% 的系统提示词。
你没看错，80%。
原因是 Fable 比你给的示例更有想象力，你塞一堆例子，反而在约束它。少即是多。

• 「ask user question」这个工具，在 Opus 4 下几乎不可用，到了 Fable 直接能生成内嵌 HTML 问卷。同一套工具，不同模型，天壤之别。

• Shihipar 用 Fable 四个小时做了一个完整的 keynote 幻灯片。

最有争议的判断：

以前做项目，好、快、便宜只能选两个。
他说现在三个都可以要。
Fable 有这个能力让你同时拿到质量、速度和成本。

我的保留意见：好快便宜不可能三角不是技术问题，是工程管理的铁律。模型再强也不能同时满足，除非你把便宜的定义从省钱换成了省时间，那还说得通。

可落地的视角：

Capability Overhang 这个框架，比 Harness 更底层。
Harness 问的是"给你的 Agent 搭什么环境"。
Capability Overhang 问的是：你的模型突然强了一个维度，你的工具链跟上了吗？

检查一下你正在用的任何 Agent 工具链，它依赖的是 Opus 级别的能力，还是 Fable 级别的新能力？
如果模型的能力已经跑到前面了，你的...

“我的第一任妻子，曾经丢了一张信用卡，我没试图找回它，因为那家伙花的比她妻子少。”

--巴菲特