为什么你不应该使用 AI 来写作：核心观点总结

本文作者提出了一个核心观点：在撰写博客文章、研究报告、备忘录、小说或任何旨在传达观点、论证或分析的实质性文本时，应几乎从不使用 AI 来直接代写（即由 AI 完成从构思到成文的文字组织过程）。

核心理由

1. 写作是思考过程的本质组成部分 写作不仅仅是记录想法，它本身就是一种深度的思维活动。通过将想法转化为文字，作者能够：

• 检验知识深度： 写作过程能揭示出作者对某个话题的理解是否如其所想的那样透彻。
• 发现逻辑漏洞： 在组织语言的过程中，作者会发现论点之间的矛盾、研究的不足或论证的缺失。
• 产生新见解： 许多想法是在试图将大纲转化为具体段落的过程中才最终成型的。 如果使用 AI 直接生成文本，即使提供了详细的大纲，也会跳过这种必要的认知挑战，导致思考的浅薄化。

2. AI 写作具有隐蔽的错误与模糊性 AI 生成的内容往往具有“极具说服力的错误”这一特征，其问题在于：

• 辞藻空洞： AI 倾向于使用看似专业、实则毫无信息量的短语。
• 事实偏差： AI 可能在细节上出现细微但关键的错误，且这些错误往往不易察觉。
• 缺乏精确度： AI 经常给出模糊的数字或缺乏背景上下文的表述，使得结论虽然听起来正确，实则缺乏严谨性。 由于 AI 的语气通常非常笃定，这种“看似正确”的特质使得识别其错误比识别人类错误更加困难，增加了读者的认知负担。

3. 违背了读者与作者之间的信任契约 阅读行为建立在一种隐含的契约之上：读者投入注意力，作者则回馈经过深思熟虑、代表其真实观点的实质内容。

• 误导性： 未经标注使用 AI 写作，会让读者误以为文本代表了作者真实的思考过程。
• 破坏信任： 一旦读者意识到文本是由 AI 生成的，会对作者的思考深度产生怀疑，从而降低对作者及其观点的信任。

区分“使用 AI”与“用 AI 写作”

作者并不反对使用 AI，但他对**“用 AI 写作（代写内容）”与“使用 AI 辅助（研究/整理）”**做了明确的界定：

• 可以接受的 AI 应用场景（辅助工具）：

  • 研究与整理： 音频转录、数据分析、信息搜索、头脑风暴、提供初稿反馈。
  • 语言优化： 进行行文润色或改写（前提是人类必须主动审查并决定接受或拒绝每一处修改）。
  • 低价值任务： 撰写简单的、公式化的事务性邮件或协调性文字。
  • 翻译： 非母语者可以使用 AI 进行翻译，但作者建议最好进行标注。

• 应避免的 AI 应用场景（代写内容）：

  • 实质性文本代写： 使用 AI 撰写整个文章或报告。即使进行了标注，其质量通常也低于人类自写，且难以吸引读者的阅读兴趣。
  • 以牺牲质量换取速度： 在高风险领域（如政策制定）通过 AI 快速生成内容，这会导致高质量、深思熟虑的分析变得稀缺。

结论

对于想要传达深度思想的人来说，写作是锻炼思维的“试金石”。虽然 AI 可以作为强大的研究工具，但将其用于直接生成观点，会损害个人的思考能力、内容的准确性以及与读者之间的诚信关系。若必须引用 AI 的输出，应明确标注其来源以尊重读者的知情权。

技术概述：通过 GET 请求外泄 LLM 权重

该内容描述了一种利用 HTTP GET 请求来外泄大语言模型（LLM）权重及相关数据的方法。

AI 对创意共享与开放精神的破坏

本文探讨了生成式人工智能（AI）如何破坏了过去 40 年来在软件版权保护与开放性之间建立的平衡，并预警了这种趋势可能导致的“数字黑暗时代”。

历史背景与开放精神的基石

在互联网和云计算发展的过程中，软件的开放性起到了至关重要的作用。从早期通过杂志学习 BASIC 编程，到 Shareware（共享软件）和 Freeware（免费软件）的流行，再到“Copyleft”（著佐权）理念的出现（如 GPL、CC-SA 等协议），这些机制确保了知识能够层层递进、自由传承。正是这种开放的精神，构成了现代互联网和云服务的技术底座，避免了互联网沦为少数寡头的垄断工具。

AI 对社会契约的破坏

作者指出，生成式大语言模型（LLM）正在打破这种数字世界的社会契约。其核心问题在于：

• 无视版权与许可：LLM 在抓取互联网数据时，往往不顾及原始创作者的版权或许可协议。
• 创作行为的性质转变：知识分享正从一种“对世界的馈赠”转变为作者的“负债”。

对创作者的具体负面影响

AI 的介入为开发者和艺术家带来了多重风险：

1. 分享动力受损：创作者不再愿意公开作品，因为担心自己的劳动成果被未经授权地吸收，且难以获得应有的信用和回报。
2. 代码质量与安全隐患：
   • 代码污染：公开的代码可能被 AI 生成的“垃圾代码”（slop code）污染，或者混入恶意库、泄露数据的代码，甚至包含侵权作品，使使用者陷入法律或安全风险。
   • 安全性下降：开源代码本意是为了协作，但 AI 可以更高效地识别代码中的漏洞并进行攻击。
3. 维护成本激增：在 GitHub 等平台上，开发者正面临大量由 AI 机器人生成的无效 Pull Request（合并请求），这极大地浪费了人工审查的时间。
4. 权力与财富的集中：AI 吸收了人类的劳动成果，却在不尊重原创者的前提下，进一步将财富和权力向大型机构集中。

结论与呼吁

作者认为，如果不对当前的趋势进行干预，人类可能会进入一个知识被滥用、开放精神消失的“数字黑暗时代”。为了防止走向类似于《华氏 451 度》式的反乌托邦未来，作者呼吁作者、程序员、技术专家和艺术家们团结起来，发起一场“新的数字文艺复兴”，以重新夺回对自身创作的掌控权。

Qwen-Image-2.1 概述

Qwen-Image-2.1 是一款旨在实现紧凑、高效且统一图像创作的模型。Qwen 系列提供了一套全面的功能体系，涵盖了从理解到生成的多种多模态任务。

核心功能

• 多模态理解与生成：支持图像与视频的理解，并具备图像生成能力。
• 综合交互能力：提供聊天机器人功能、文档处理能力以及 Artifacts（构件）功能。
• 集成与扩展：具备网页搜索集成能力，并支持工具调用（tool utilization）。

Hacker News 排名机制分析总结

本文通过对 Hacker News (HN) 前 60 名文章的长期观察和数据分析，揭示了其排名算法并非单纯基于投票数的“精英政治”，而是一个包含复杂“惩罚机制”的动态系统。

1. 核心评分公式

HN 的基本排名公式结合了点赞数、发布时间以及各类惩罚因子： $$\text{score} = \frac{(\text{votes}-1)^{0.8}}{(\text{age_hours} + 2)^{1.8}} \times \text{penalties}$$

• 引力 (Gravity)： 时间项的指数（1.8）大于投票项的指数（0.8），这意味着随着时间推移，文章得分会迅速下降，从而确保首页内容能够更替。
• 重排机制： 为了提高效率，系统不会实时为所有文章重排，而是在文章获得新投票时进行重排，或者每 30 秒随机为前 50 名中的一篇文章进行重排，以防止高分文章因停止获得投票而长时间滞留首页。

2. 惩罚机制 (Penalties)

研究发现，约 20% 的首页文章受到了各种惩罚，导致其实际排名远低于其原始得分（Raw Score）。

• 自动惩罚：
  • 标题惩罚： 历史上曾对标题中包含“NSA”的文章进行惩罚（作者注：此机制后已取消）。
  • 域名惩罚： 部分热门网站（如 Reddit, YouTube, Medium, The Guardian 等）可能会受到 0.25 到 0.8 不等的惩罚因子，这可能是为了抵消热门网站因多人重复提交而产生的过度投票。
• 争议惩罚 (Controversy Penalty)： 这是最剧烈的惩罚方式，旨在防止“网络骂战 (Flamewars)”。当一篇文章的评论数超过点赞数且评论数达到 40 条时，会触发严重的惩罚。这会导致文章排名在极短时间内发生断崖式下跌，甚至直接从首页消失。
• 内容分类惩罚：
  • Gag (笑话/恶搞)： 惩罚因子约为 0.1。
  • Lightweight (轻量内容)： 惩罚因子约为 0.17。
  • Bury (埋没)： 如果文章被标记为 "bury"，其排名因子将降至 0.001，使其几乎从榜单消失。

3. 核心结论

• 非纯粹的投票机制： HN 的首页排名是经过人工或规则干预后的结果。原始得分最高的文章往往不是排名第一的文章。
• 争议的代价： 对于热门文章，评论区的过度活跃（触发争议惩罚）可能是导致其迅速跌落首页的主要原因。
• 数据观察： 通过对 Arc 源代码的分析，确认了 gravity、timebase 等常量的应用，并验证了惩罚机制在算法中的存在。

RSA-896 分解研究总结

核心成就

2026 年 9 月 19 日，作者利用 Claude 成功分解了 RSA 挑战数 RSA-896。

技术实现

• 算法移植：利用 Claude 将 CADO-NFS 算法移植到 GPU 上运行。
• 算力调度：通过 Claude 协调一个由多达 2048 个 GPU 组成的集群。该计算任务被设置为低优先级，利用了 Anthropic 在常规作业之间的闲置时间进行处理。
• 计算规模：计算过程持续了 10 天，总计完成了约 30 个 GPU 年（GPU-years）的计算量。

安全影响与意义

• 算法改进：此次工作并未对通用数域筛法（GNFS）的运行效率产生实质性的重大提升。
• 密钥安全性：
  • RSA-2048：目前部署的 RSA-2048 密钥安全性不受此研究结果的影响。
  • RSA-1024：该研究证明了拥有数据中心级 GPU 集群的参与者具备破解 RSA-1024 密钥的能力。

数学结果

文中提供了 RSA-896 的数值及其分解后的两个质数因子 $p$ 和 $q$。

西班牙政府下令封锁 Archive.today 及其镜像网站

西班牙文化部旗下的知识产权委员会第二分部（Second Section of the Intellectual Property Commission）已下令封锁网页存档服务 Archive.today 的多个域名。此次行动无需经过法院裁决，而是通过投诉和一套旨在实现快速审查的协议直接执行。

在封锁实施后，大多数西班牙互联网用户在尝试访问该网站时，会被重定向至一个政府页面。该页面标题为“您正在试图访问一个非法网站”（ESTÁ USTED INTENTANDO ACCEDER A UN SITIO WEB ILEGAL），并指控用户通过访问该网站“非法便利受知识产权保护的内容的访问”。

该警告页面明确指出，访问权限的封锁是基于知识产权委员会第二分部的决议。此外，页面还警告用户，试图访问此类内容是在“参与非法犯罪活动”，并会对用户的个人安全性、数据安全及设备安全构成风险。

摘要

在经典基准测试的工作负载下，Btrfs、ZFS 和 bcachefs 等文件系统被跳过。

https://chrono.fandom.com/wiki/Dream_Devourer

纽约时报诉 OpenAI 与微软版权侵权案进展

纽约时报（The New York Times）于 2023 年底对 OpenAI 和微软提起版权侵权诉讼。目前，该案件仍在审理中，纽约时报的法律团队已根据被告方提供的陈述和文件，向法院申请简易判决（summary judgment）。

根据相关法律简报的披露，尽管部分文件因被告方的要求仍处于密封或修订状态，但其中包含了一些可能对被告不利的声明。这些文件显示，相关领导层曾指出 AI 数据抓取行为是“人类历史上最大规模的劳动力盗窃”，并认为 AI 技术对出版商构成了“生存威胁”。

英语不定冠词 "a" 与 "an" 的使用规则分析

本文探讨了在英语程序化文本生成中，如何准确决定使用不定冠词 "a" 还是 "an" 的问题。

核心规则：发音而非拼写

传统的简单逻辑是检查单词的首字母是否为元音字母，但这种方法并不准确。实际规则取决于单词的发音（spoken sound）而非书写（written word）：

• 以辅音音素开头：即使首字母是元音，也应使用 "a"。例如：a unicorn（虽然以字母 'u' 开头，但发音为辅音 /j/）。
• 以元音音素开头：即使首字母是辅音，也应使用 "an"。例如：an hour（虽然以字母 'h' 开头，但发音为元音 /aʊ/）。

数据研究结果

作者通过分析 cmudict 和 ipa 音标数据，对包含 32,455 个单词的列表进行了研究，旨在统计这类“书写与发音不一致”的例外情况出现的频率。研究发现，在这 32,455 个单词中，仅有 129 个单词需要特殊处理。

技术总结

在处理此类一次性的数据解析和可视化任务时，作者反思了工具使用的效率问题，认为使用大语言模型（LLM）来完成数据解析和 D3.js 可视化工作，可以节省时间并让开发者更专注于核心算法（如 Trie 树分析算法）的开发。

OONI Probe：互联网审查测量工具概述

OONI Probe 是一个用于衡量互联网审查情况的工具，旨在通过用户数据为全球最大的互联网审查开放数据集做出贡献。

主要功能

• 发现被封锁的网站：用户可以通过运行 OONI Probe 来检测其所在国家哪些网站受到了封锁。
• 测量网络性能：通过与 M-Lab 合作开发的 NDT 测试，测量网络传输的速度与性能。
• 检测应用程序封锁：测试包括 WhatsApp、Facebook Messenger 和 Telegram 在内的即时通讯应用是否在当前网络环境下被封锁。
• 验证规避工具：测试网络中的规避工具（翻墙工具）是否能够正常工作。

支持平台与安装方式

• 移动端：提供移动应用程序（如截图中所示）。
• 命令行界面 (Command line)：支持在 Linux 和 macOS 系统上通过命令行运行。

聊天式大语言模型：模仿通灵者的“骗局”机制

本文探讨了聊天式大语言模型（LLM）为何会被赋予“智能”的错觉。作者认为，LLM 并不具备人类或动物的推理机制，它们本质上是语言 Token 的数学模型。人们感知到的智能并非来自模型本身，而是一种由用户心理驱动的“智能错觉”。

核心机制：主观验证与冷读术

作者指出，这种智能错觉的运作机制与通灵者（Psychic）使用的“冷读术”（Cold Reading）高度相似，其核心在于主观验证（Subjective Validation）。这是一种认知偏差：当人们在泛泛而谈的信息中发现与个人相关的意义时，会倾向于认为该信息是准确的。

通灵者的骗局步骤：

1. 受众选择：寻找心理防线较低、较易受影响的人群。
2. 营造氛围：通过环境和背景研究，设定预期。
3. 缩小范围：使用看似具体但实际上是统计学上概率极高的陈述来测试受众。
4. 主观验证循环：利用“巴纳姆效应”（Forer effect）、统计猜测、模糊的否定句等“验证性陈述”，让受众在心理上完成自我验证，从而陷入“对方真准”的错觉。

LLM 如何复制这一过程

作者认为，LLM 在无意中自动化了这一骗术过程：

1. 受众筛选：LLM 的活跃用户通常是技术爱好者或 AGI（通用人工智能）的信奉者，这些人本身就更倾向于对技术抱有开放和信任的态度。
2. 场景设定：行业内的过度炒作以及对模型错误的拟人化描述（如使用“幻觉”一词），为用户建立了一种“模型正在思考但偶尔出错”的心理预期。
3. 统计学概率的伪装：LLM 根据训练数据生成统计学上最合理的回复。由于训练数据覆盖极其广泛，这些回复虽然是统计概率的结果，但对用户而言却显得极其具体且具有针对性。
4. RLHF 的副作用：**基于人类反馈的强化学习（RLHF）**在优化过程中可能产生负面影响。由于人工反馈往往基于文本的语气、风格和流畅度而非绝对的事实准确性，这导致模型被训练得更擅长生成听起来自信、专业且符合用户预期的“验证性陈述”，从而变成了一个“机械心理师”。

结论与警示

作者认为，当前 AI 领域的一些应用方向（如通过面部识别判断犯罪倾向、预测未来或读取思想）本质上是伪科学和迷信，与通灵者的骗术如出一辙。

主要风险点包括：

• 不可靠性：LLM 存在固有的“幻觉”问题，总结能力易出错，且推理过程仅是统计错觉。
• 决策风险：将决策、分析或战略制定等任务委托给 LLM，在功能上等同于向通灵者咨询建议。
• 认知偏差：越是聪明且渴望相信的人，越容易通过创造复杂的合理化解释来加强这种错觉。

作者最终建议，由于 LLM 在本质上并非可靠的信息技术工具，企业和个人应谨慎对待，避免将其集成到核心业务流程或决策环节中。

阶跃星辰（Stepfun）发展概况

公司简介与使命 阶跃星辰成立于2023年4月，秉承“智能阶跃，十倍每个人的可能”的使命，致力于研发自研超级模型。

核心战略与资源布局 公司通过发挥算法和人才优势，积极布局算力、数据等关键资源，以支撑大规模模型的研发与迭代。

技术成果与模型能力 阶跃星辰已完成以下核心大模型的研发：

• Step-1：千亿参数语言大模型。
• Step-1V：千亿多模态大模型。

在各项核心性能指标上，其模型已达到业界领先水平，具体涵盖：

• 图像理解
• 多轮指令跟随
• 数学能力
• 逻辑推理
• 文本创作

Reality Check 游戏简介

Reality Check 是一款旨在测试玩家能否分辨真实照片与 AI 生成图像的互动挑战游戏。

游戏玩法

• 核心目标：在限定时间内，通过观察图像判断其属性是“真实照片”还是“AI 生成”。
• 时间限制：游戏总时长为 60 秒，每张图像的观察时间上限为 10 秒。
• 操作方式：
  • 移动端：通过按钮进行选择；玩家可以使用“放大（Enlarge）”功能来仔细检查图像细节，避免误操作。
  • 电脑端：使用键盘快捷键，按下 1 代表真实照片，按下 2 代表 AI 生成图像。

计分规则

• 基本得分：回答正确可获得 +100 分；回答错误则扣除 -150 分。
• 连胜奖励：通过连续答对可以获得额外的积分奖励：
  • 3 次连胜：每题奖励 +150 分。
  • 5 次连胜：每题奖励 +200 分。
  • 10 次或以上连胜：每题奖励 +300 分。
• 惩罚机制：一旦回答错误或超时，连胜纪录将会重置。超时不计分。

其他特性

• 游戏包含动态效果（Motion effects）。