LLM 背后的数学
阅读清单：Dwarkesh 对 Reiner Pope 的访谈，聊大语言模型背后的数学——适合塞进一个安静的晚上。
如何拿到前沿 LLM Lab 的 offer
Vlad Feinberg 2026 年 5 月 10 日的文章，谈进前沿实验室到底需要什么。是诚实版的回答，不是 HR 视角的回答。
Meta 的 AI Native 重组
据报道，就在即将解雇约 8,000 名员工的几天前，Meta 还把 7,000 名员工调到专注于人工智能的新部门。根据内部文件，这些新部门将采用「以人工智能为核心」的架构来运作，同时减少管理层级。与此同时，Meta 正在缩减其在元宇宙领域的部分投入，鼓励员工把人工智能更深入地融入日常工作。在与 OpenAI、Google、Anthropic 竞争的背景下，Mark Zuckerberg 越来越把 AI 视为公司的首要任务。
类人机器人：四个相互关联的系统
一个好用的框架——类人机器人之所以能拥有「类似人类的感知能力、智能水平和运动能力」，靠的是四个系统协同工作：
- 传感器（感知系统）。摄像头、激光雷达、麦克风、触觉传感器，为机器人提供关于环境的实时数据，就像人类的感知系统。
- 控制单元与软件（大脑）。处理传感器数据、执行各种复杂功能的智能层。
- 动力系统（代谢系统）。持续为各个部件提供能量、并对其进行管理的电池。
- 执行器（肌肉系统）。把能量转化为旋转或直线运动的机械装置——关节、握力机制、运动机构。
类人机器人会最快落地的 7 个领域
- 居家协助。满足行动需求、处理家务事务、提醒按时服药。
- 制造领域。协助完成组装工作，搬运工具和零部件，检查成品质量。
- 安全与监控。设施内巡逻、处理各种警报，并在紧急情况下提供协助。
- 客户服务与接待。迎接来访者、解答疑问、处理入住或预订事宜。
- 设施维护。定期检查、小型维修、清洁和消毒。
- 医疗保健。协助护士工作、运送物资或食物、监测患者状况。
- 仓储与物流。挑选与包装、装卸作业、仓库内库存搬运。
AI Native 公司里，管理这件事会变成什么
一段值得停下来想的观察：
管理类职位会变得愈发重要，而不是更不重要。必须有人来为 AI 制定方向、审查它的成果、确保各项工作之间的协调性，并管理与 AI 一起工作的员工。
所以对齐机制成为了企业采用 AI 的关键要素，也可以说是其最重要的价值所在。毕竟，人类越来越难逐字验证 AI 输出的准确性，但可以确保整体工作方向是对的。
当边际成本归零，价值去哪了
一个让我反复想的读者提问：「当所有事物的边际成本都趋近于零时，那会如何影响它们的价值呢？」
Spotify 是一个现成的例子。音乐分发的边际成本被压到接近零，但价值并没有消失，而是迁移了。迁移到了发现、策划、订阅打包这些层面。David Bowie 2002 年那句预言也成真了：「音乐将像水一样便宜，所以艺人要疯狂巡演」——价值跑到了演唱会、IP、品牌这些没法被 MC → 0 的东西上。
所以正确的问法不是「value → 0」，而是 value migrates → where?
一个推论：当做一件事的成本变得很低时，谁来做反而成了关键变量。前提是这个人做出来的东西质量要够高。
把决策外包出去
一段值得留下来的引用：
「地球上最富有的人士一直都是这样行事。他们拥有由助手、研究人员、公关专家、设计师、文案撰写人和教练组成的团队。这些人负责筛选他们需要阅读的内容、撰写电子邮件、准备公开声明，以及安排航班行程。我毫不怀疑，这些人并不认为自己因此而失去了自由。相反，把各种琐碎的决策外包出去之后，他们就能把精力集中在那些真正重要的事情上。」
这是一个有用的参照——它描述的就是「和 AI 助手一起工作」本来应该有的感觉。