Eson Wong (@eson000) profile picture

🤖 企业 AI Builder | 🔩 硬件 Maker | 📱 Indie Developer | ✍️ Writer | 📖 Big Reader | 🌱 Lifelong Learner

Joined February 2019
Photo by Eson Wong (@eson000)Photo by Eson Wong (@eson000)Photo by Eson Wong (@eson000)Photo by Eson Wong (@eson000)Photo by Eson Wong (@eson000)Photo by Eson Wong (@eson000)Photo by Eson Wong (@eson000)Photo by Eson Wong (@eson000)Photo by Eson Wong (@eson000)Photo by Eson Wong (@eson000)
用个 FSD V13 都这么费力,外面已经 V15 了。 让人想起高中时代,大陆还不让用 WiFi ,为了给 PSP 联网,满城找 WiFi 的日子。
FSD v15 now starting to roll out – upgrading every part of the end-to-end driving network Safety 25x better handling of safety critical cases Tesla Reality View  Adds a live visualization of the drive that lets you see & control what FSD is planning to do Navigation for start & end of the trip now learns end-to-end from fleet route preferences. Later v15 releases will expand this to the entire route. You also should notice better detection of signs, animals, debris, potholes and standing water, plus more natural speed handling in school zones and inclement weather. Lastly, FSD can now slow for speed cameras & Bike Rack Mode lets you enable FSD w/ bike racks or similar hitch accessories
2
214
许多真正重要的机会,最初都不会以清晰需求的形式出现,而是以误用、绕路、反常行为、极端用户案例的形式出现。 — 《智能》曾鸣
1
2
219
相比老黄被卷入的政治和资本博弈,我更感兴趣的是他和60位高管是如果沟通的。 毕竟我的格局还太小。
1
239
Nice
dongdongpark.com 动动乐园支持双人玩模式,终于可以跟女儿同时入镜了~
201
opus 5.5 都没有过这种失误
346
无法同情和怜悯阴险之人 latepost.com/news/dj_detail?…
293
快捷指令支持使用 AI 创建了
1
1
241
几乎所有人在设计多智能体系统(Multi-Agent)时,都会下意识地掉进同一个思维,必须选出一个中央 agent,或者预先写死一条固定的执行流水线。 在传统认知里,没有领导的团队就是一盘散沙。但只要你在生产环境里跑过多智能体系统,就会发现这种中央集权式架构其实是很脆弱的。 中央调度器一旦理解偏差、Token 超限或网络超时,整个 Agent 集群就会失败。并且另一个就是每个 Agent 的技能在后训练中不断进化,但上面的调度逻辑却始终是静态写死的,根本无法根据成员能力的实时变化动态调整分工。 哈佛大学与 MIT 的团队包括知名学者 Yilun Du 等最近发表了一项极具启发性的突破Learning Self-Orchestration in Decentralized Agent Swarms 他们提出了 MPT(Market-Based Post-Training),彻底去掉中央协调器,让群体智能在纯粹去中心化的自组织拍卖中自发涌现。 MPT 的架构哲学极其反常识,系统中没有任何一个 Agent 是 Leader,所有协作通过内部模拟的竞价市场自发撮合。 每个 Agent 在后训练阶段同时学习两个策略网络: 第一个是动作策略,动作策略决定在给定任务环境下该执行什么具体动作、调用什么工具或编写什么代码; 第二个是竞价策略,输出一个标量数值,代表该 Agent 针对当前子任务的执行意愿与胜任自信度。 在运行时的每个决策节点,所有 Agent 进行去中心化公开竞价,出价最高者赢得该步骤的执行权。 另外还有一个局部信用分配机制(Bid-Driven Credit Assignment)将严格按照各 Agent 历史步骤的出价权重反向分发。 如果一个 Agent 盲目报高价却搞砸了任务,它将承担最负向梯度惩罚,只有在真正有把握的擅长领域出高价并做对,才能获得丰厚正反馈。 在强化学习的驱使下,每个 Agent 自然演化出了自我认知,擅长的任务主动争抢,不擅长的领域自愿让贤。 研究团队在具身创造、多机器人协同导航、以及深度长程网络调研三大完全不同的严苛场景中进行了验证。 实验表明随着训练轮次推进,集群的参与模式自发重构,擅长写代码的 Agent 会在编程步骤报高价,擅长跨源检索的 Agent 会在搜索节点主动接管,无需任何人工规则介入。 另外本研究在多 agent 集群中的弹性极高。基于 MPT 训练的集群,即使训练时只有 3 个 Agent,在推理部署时直接动态扩展到 6 个、8 个甚至 12 个节点,系统不仅不会崩溃,任务通过率反而随群体规模增加而持续走高。 面对推理过程中高达 90% 的节点意外宕机,传统流水线早已彻底中断,而 MPT 集群仅凭剩余存活节点通过竞价自发补位,几乎无损维持了核心任务的完成。 最后在面对未曾见过的全新下游任务时,具备自我编排能力的 MPT 蜂群,其微调适应速度大幅超越那些受制于固定流水线的传统 Agent。 我们长期以来试图通过堆叠复杂的系统提示词、状态机或全知全能的超级协调器来驾驭多智能体,本质上是在用工业时代的流水线思维套复杂的智能协同。 当智能体数量从几个走向成百上千时,中心化编排的边际收益递减直至崩溃。 这篇研究最强的点就在于它的思路,竞价的思路和强化学习让 Agent 保持高强度的认知。 推荐在探索多智能体编排架构、自主任务规划与鲁棒系统设计的朋友精读这篇杰作。 arxiv:arxiv.org/abs/2610.22322
35
89
16
645
59,252
Eson Wong retweeted
「我的创业公司要关了,要去上班了」 Cali Baby 上线才两个月,就要因为收购和大家说再见了 我创办的 @zolplay ,也要收尾关停了 接下来我会加入 Momcozy 负责平台与产品 可能稍微 有点突然 其实我做这个 app 的初衷很简单,家里有了二宝,喂奶、睡觉这些事情又要重新记起来。试了一圈现有的工具,总有些地方用着不顺手,所以就干脆自己做了一个 先是做了一个快速实验的 PWA,后来做成了正统 iOS app,再移植到了 Android。自己做设计、自己写代码、自己深度用,产品经理、设计师、工程师和用户,这几个角色算是凑齐了 从原型到上线,前后打磨了好几个月。后来有其他家庭开始用,有人付费支持,也有人不断提出新的需求。一个从自家日常里长出来的小工具,就这样慢慢进入了其他家庭的生活 结果上线才两个月,我就来写关停公告了。这个更新速度,多少有点超出了我的想象 还有是佐玩的收尾 这些年,我和团队一起为客户做产品,也做自己的产品。从品牌、设计到开发,很多项目都是这样一点点做出来的。谢谢一起做过事的伙伴,也谢谢把项目交给我们的客户。这段经历里的每个项目,都是我们的心血 现在我要从自己带着团队做产品,变成加入一个新的团队,负责平台与产品 母婴这个赛道 熟悉又陌生 熟悉是因为我一直在解决老婆和孩子的痛点 陌生是因为我自己不是妈妈,能帮的有限,只能通过我最擅长的产品和开发这块来竭尽所能去帮助 作为两个孩子的爸爸,我先是因为家里的实际需要做了 Cali Baby,接下来,也将通过 Momcozy 来帮助更多家庭 谢谢用过 Cali Baby、提过建议、付费支持过的每一位朋友 也谢谢这些年关注佐玩、和我们一起做过事情的人 佐玩和 Cali Baby 的这一段故事就先告一段落了 现在想想一晃就已经创业五年了,变化最大的就是 AI 在生活中无处不在,而一尘不变的还是我那颗抱着对好产品的热情和执念 现如今从当老板转成准备上班,也是因为希望加入志同道合的团队一起做着有意义的事情 希望未来会更好~❤️
174
11
15
478
100,535
Eson Wong retweeted
最近收到的一条视频评论,看完很感动。 做实测、查资料、想办法把内容讲清楚,这些花了心思的地方,原来有观众看在眼里。 自己的用心被感受到,真好。
12
1
71
3,160
开始看曾鸣的书《智能》,探讨 AI 时代的商业组织形态。 blog.esonwong.com/note-20260…
276
Eson Wong retweeted
曾鸣教授有个极度颠覆的预判:“未来的公司会消失,取而代之的是一个个具体的‘任务’。” 听张小珺和曾鸣教授最新播客,这个洞察彻底打通了我最近的困惑。 1. “公司”本来就不是天经地义的。 工业革命前根本没有现代公司。公司、打卡和岗位,只是工业时代为了搞流水线规模化生产发明出来的“临时配套制度”。 AI 时代的生产力变革远超工业革命,这套老旧的“公司壳子”自然顶不住了。 2.以后不再招聘“岗位”,只发布“任务”。 传统逻辑:先造个萝卜坑(岗位说明),再招个萝卜(员工),画个汇报线,按月发薪。 AI 原生逻辑:以解决具体问题为核心。一个复杂任务出来,直接拆解,碳基(人)与硅基(AI Agent)围绕任务实时协同,活干完、利益分完。 3.汇报线消失,全员都是“合伙人”。 传统层级存在是因为方便管理控制人,需要领导说了算; AI 原生组织靠全量上下文透明与数据反馈。大家更像是一个球队的不同球员,有前锋、后卫,大家各自发挥自己独特优势组队,共同交付。 4.没有“打工人”,只有“六边形战士”。 单打独斗的“一人公司”搞不定复杂系统任务,但个人借 AI 成为能力全面的“六边形战士”,凭借自驱力,在不同的任务网络里自由认领任务、组队并共享收益。 5. 工业时代的黄昏,也是超级个体创造力爆发的拂晓。 与其焦虑被裁员,不如就现在,把自己活成一个随时接入未来的开放接口。 the great me 加油啊朋友们,对自己,对未来,充满信心~
43
27
12
157
20,152
用于机器人的大模型? 我现在有点担心原生的具身智能模型了的发展了。
昨天出的 typesafe.ai Jev 模型 适合高频决策,那岂不又是适合打游戏? 之前用 GPT-6 Astra 代打杀戮尖塔2 能力强但速度慢。 我刚实测用 Jev 打,行动思考只需 0.7秒, 画面我都没看清它就操作完了。 这超人类游戏速度, 着实又让我震惊瘫坐了😅 语言很难描述这感觉,看视频⬇️
1
554