Often debates about education are framed as non-tech versus AI approaches, but too often, AI ed tech just magnifies the same failures of traditional school.
Vibe coding is the creation of large quantities of highly complex AI-generated code, often with the intention that the code will not be read by humans. It has cast quite a spell on the tech industry. Executives push lay-offs claiming AI can handle the work. Managers pressure employees to meet quotas of how much of their code must be AI-generated or risk poor performance reviews. Software developers worry that everyone around them is a “10x developer” and that they’ve fallen behind. College stude
“氛围编程”（Vibe Coding）——大规模生成复杂AI代码，且往往不打算由人类阅读——正对科技行业施下魔咒。高管推动裁员，声称AI可以胜任工作；经理施压员工达到AI代码占比指标；开发者焦虑自己落后；学生怀疑是否还值得学习计算机科学。然而，AI公司从业者发现，氛围编程的结果远非早期爱好者所承诺的那样。知名开发者Armin Ronacher将沉迷于Claude编码的经历称为“代理精神错乱”（agent psychosis）：他连续两个月疯狂提示，构建了大量工具，却几乎未实际使用，或它们并未如预期般工作。这种成瘾性可能与赌博类似，是正常“心流”（flow）状态下的阴暗面。心理学家米哈里·契克森米哈伊定义的心流强调技能与挑战的匹配，而氛围编程创造了一种虚假的挑战感：AI瞬间生成代码，用户持续获得“能力超强”的错觉，但代码往往充满隐藏错误、难以维护。本文深入剖析氛围编程的诱惑与危害，并探讨如何避免陷入这种“精神错乱”的陷阱。
Close reading is a technique for careful analysis of a piece of writing, paying close attention to the exact language, structure, and content of the text. As Eric Ries described it ,“ close reading is one of our civilization’s oldest and most powerful technologies for trying to communicate the gestalt of a thing, the overall holistic understanding of it more than just what can be communicated in language because language is so limited. ” It was (and in some cases still is) practiced by many anci
## 当大模型遇上古老精读：一场认知升级的实验 精读（Close Reading）是人类最古老的深度阅读技术之一。它要求读者对文本的语言、结构和内容进行细致分析，不仅要“读进去”，更要“读出来”——与更广阔的背景知识建立联系。正如《精益创业》作者Eric Ries所言，精读是“文明最古老、最强大的技术之一，用于传达事物的整体理解”。 如今，这项古老技艺正被大语言模型（LLM）赋予全新可能。在最近一期fast.ai课程《How to Solve It With Code》中，Jeremy Howard和Johno Whitaker演示了如何借助LLM实现“读一段、问一段”的互动式精读。 ### 两个典型实验：书籍与论文 **实验一：Eric Ries新书《Incorruptible》的精读** Jeremy在阅读Ries未出版书稿时，将LLM作为“私人阅读助手”。当读到3M前CEO转任波音后推行成本削减政策、间接导致737 MAX危机的章节时，他立即向LLM追问：“这位CEO为何能同时获得‘年度CEO’称号却酿成安全灾难？”LLM不仅提供了详细背景，还关联了波音公司文化变迁的深层脉络。 **实验二：Yann LeCun前沿论文LeJEPA的解析** Johno Whitaker则展示了处理高密度学术论文的方法。他利用LLM逐段解释数学公式、关联代码实现，甚至生成了可视化交互界面，帮助理解论文中的核心概念。 ### 精读+LLM的三大核心优势 1. **个性化追问**：读者可以随时打断阅读，提出“这个术语什么意思”“与前文如何关联”等问题，LLM能提供即时、准确的解答。 2. **知识延伸**：当读者对某个细节产生兴趣时，LLM能快速展开相关背景，形成“阅读—提问—探索”的正向循环。 3. **降低门槛**：对于艰深的学术内容，LLM可充当“翻译器”，将抽象概念转化为直观理解。 ### 对AI行业的启示 这项实验揭示了一个重要趋势：**LLM的价值不仅在于生成内容，更在于作为认知增强工具**。传统精读依赖读者自身的知识储备和联想能力，而LLM可以实时补充外部知识、连接多元信息，使深度阅读的效率大幅提升。 当然，这种阅读方式也面临挑战：如何确保LLM解释的准确性？如何避免过度依赖而削弱独立思考？这些都需要在实践中不断平衡。 ### 小结 精读与LLM的结合，不是用机器替代人类思考，而是为深度阅读提供一种“脚手架”。当读者既能沉浸于文本本身，又能随时借助AI拓展认知边界时，古老的精读艺术或许将在数字时代焕发新的生机。
Chronic boredom is harmful to adults, causing stress, disengagement, and poor well-being. Academic researchers have shown that boredom in the workplace can be just as damaging as burnout. But search for information about childhood boredom and you’ll find the opposite message: articles describing boredom for kids as “fantastic”, “important”, and full of benefits.
## 当“无聊”被美化，我们忽略了什么？ 一直以来，社交媒体、育儿文章甚至政策提案中，都不乏对“孩子无聊是好事”的赞美。人们认为无聊能激发创造力，让孩子学会自处。然而，这种观点是否站得住脚？当我们把“无聊”与“无结构的自由玩耍”混为一谈时，可能正在忽视儿童的自主权与真实需求。 ### 无结构玩耍 ≠ 无聊 玩耍是童年的基石。孩子需要无结构的自由时间来探索兴趣：用纸巾盒给玩偶搭房子、手绘迷宫、发明小游戏……这些活动充满主动性和乐趣，**绝非无聊**。真正的无聊，是缺乏兴趣、重复乏味带来的厌倦感，它不会催生创造力，反而会扼杀好奇心。 ### 警惕“学校式无聊”的破坏力 以作者女儿的经历为例：她在家时创意无限，但进入学校后却变得被动、失去好奇心，甚至对原本热爱的钢琴和象棋也产生抵触——因为学校的环境让她习惯了“不费力就能答对”，而无法容忍练习中的错误。**这种慢性无聊改变了她的认知模式**。直到回归 homeschooling，她的好奇心、创造力和韧性才迅速恢复。 ### “倦怠”与“忙碌”并非对立 职场研究早已证实：**慢性无聊（boreout）与过劳（burnout）同样有害**。前者源于长期缺乏刺激和挑战，导致压力、脱离感甚至离职倾向。孩子亦然——被迫听太简单或太难懂的课、完成重复作业、读乏味的书，这些都不是“有益的磨炼”，而是精神消耗。 ### 尊重孩子的自主性 我们不应将“无聊”浪漫化。**真正的成长来自有意义的挑战和自主探索**，而非忍受枯燥。与其告诉孩子“无聊是好事”，不如为他们提供丰富的环境、适度的自由，并倾听他们的真实感受。毕竟，我们不会对成年人说“职场无聊有益健康”，那为何要这样对待孩子？
An overview of the features of the Solveit platform, which is designed to make exploration and iterative development easier and faster.
A text and code version of Karpathy’s famous tokenizer video.
An email sent to all fast.ai forum users.
## 从“雪地里的狼”到可逆数据管道的诞生 如果你训练过机器学习模型，一定有过这样的体验：模型表现不佳，你想看看它到底“看”到了什么，却不得不手动编写逆变换函数，才能把归一化、裁剪、增强后的数据还原成肉眼可读的图片。这种痛苦让许多开发者干脆跳过数据可视化，仅凭抽象的数字调试模型。 fastai 团队早已意识到了这个问题。在 fastai 的 vision 模块中，`show_batch()` 和 `show_results()` 只需一行代码就能展示经过变换后的训练数据或预测结果。例如，加载一个“哈士奇 vs 狼”的分类数据集，经过 `RandomResizedCrop` 和 `Normalize` 变换后，直接调用 `show_batch()` 就能看到模型实际“看到”的图像。更关键的是，通过 `Interpretation.from_learner` 和 `plot_top_losses`，开发者可以快速定位模型最失败的样本。 **一个经典的案例是：模型并非在识别“狼”，而是在识别“雪”。** 训练数据中，狼的图片几乎都带有雪地背景，而哈士奇则多在森林中。模型学会了根据背景判断类别。如果没有轻松的可视化能力，这种严重的偏差可能被忽略。 ## fasttransform：让变换既可逆又可扩展 这一能力的核心正是 `fastcore` 库中隐藏已久的 **Transform** 类。它通过**多重分派（multiple dispatch）**机制，让数据变换操作既支持正向应用，也支持反向还原，并且可以轻松组合和扩展。 今天，fastai 团队正式将其独立为一个新库 **fasttransform**。这意味着它的应用范围不再局限于机器学习：任何需要数据管道的场景——图像处理、文本清洗、时间序列预处理——都可以从中受益。 **核心设计理念**： - **可逆性**：每个变换都自带 `inverse` 方法，无需手动编写逆函数。 - **组合性**：多个变换可以串联成管道，管道本身也是可逆的。 - **扩展性**：通过多重分派，用户可以轻松为自定义数据类型添加变换。 ## 为什么“可逆”如此重要？ 在机器学习实践中，数据变换是不可或缺的环节。但传统做法中，变换通常是单向的，一旦应用就难以还原。这导致： - 调试困难：无法直观检查模型输入。 - 可解释性差：难以展示模型“看到”的原始数据。 - 重复工作：每个项目都要重新编写逆函数。 fasttransform 的出现，有望改变这一现状。它不仅让可视化变得简单，还为更高级的可解释性工具（如 LIME、Grad-CAM）提供了基础——这些工具同样需要将模型关注的区域映射回原始图像空间。 ## 展望：超越机器学习的通用工具 虽然 fasttransform 源于 fastai，但其设计足够通用。团队期待它能在以下领域发挥作用： - **数据工程**：ETL 管道的可逆验证。 - **图像处理**：无损编辑与撤销。 - **科研实验**：记录并回放数据变换流程。 fasttransform 的发布，意味着“数据可视化”和“调试体验”将不再是机器学习项目的附属品，而成为核心基础设施。对于任何希望深入理解模型行为的开发者来说，这无疑是一个值得关注的新工具。
The post A conversation with Kevin Scott: What’s next in AI appeared first on The AI Blog .
The post From Hot Wheels to handling content: How brands are using Microsoft AI to be more productive and imaginative appeared first on The AI Blog .
The post Microsoft open sources its ‘farm of the future’ toolkit appeared first on The AI Blog .
The post How data and AI will transform contact centres for financial services appeared first on The AI Blog .
The post AI-equipped drones study dolphins on the edge of extinction appeared first on The AI Blog .
The post Online math tutoring service uses AI to help boost students’ skills and confidence appeared first on The AI Blog .
The post AI-Mimi is building inclusive TV experiences for Deaf and Hard of Hearing user in Japan appeared first on The AI Blog .
The post Microsoft’s framework for building AI systems responsibly appeared first on The AI Blog .