1. Sakana AI推出”持续思考机器”

日本公司Sakana AI刚推出一个名为”持续思考机器”（Continuous Thought Machine, CTM）的新型人工智能神经网络。值得关注，这项技术有两个核心特点：

• 神经元级别的时间处理：每个神经元不再仅仅基于当前输入计算输出，而是能够处理输入信号的历史记录。它利用自身的历史行为或独特参数来产生精细的时间动态，使其行为能基于过去不同时间点的信息进行调整。
• 神经同步作为核心表征：神经元之间的同步活动被直接用作一种潜在的表征方式，来调节数据和产生输出。信息直接编码在神经活动的精确时序中，模型需要学习利用这种时序信息协同工作以解决任务。

相关链接：

• https://sakana.ai/ctm/
• https://x.com/SakanaAILabs/status/1921749814829871522

2. 投资领域的几点洞见

• 经典智慧：一句老话但很有道理：The best companies always feel expensive。最优质的公司总是看起来很”贵”。

• 15年投资数据对比：
  • Benchmark（也是美国一个投资公司）: 63 个 A 轮，15 年整体成功率为 10%。
  • a16z：454个Series A，命中率为 2%。
  • a16z 孵化出 10 个估值超 50 亿美元的项目，Benchmark 则有 6 个。
• AI投资策略：投资 AI 时有 2 种策略：
  • 像Thrive投资OpenAI，all-in one company
  • a16z那样分散投资
• 市场规模测算为何意义有限：为什么说当下的市场规模测算毫无意义？（适用于创业者）
  • 顶尖创始人拥有惊人的创造力，他们能重新定义自己所处的市场：开发新产品、重构现有问题、创造全新赛道。
  • 市场规模测算误差极大，几乎等同于 “徒劳之举”。

3. 字节跳动开源DeerFlow研究助手

字节跳动开源了DeerFlow，一个基于多智能体(multiagent)架构的开源研究助手，具备：

• 搜索引擎功能
• 网络爬虫能力
• 能直接连接各种MCP
• 提供Deep Research风格的报告和播客

GitHub链接：https://github.com/bytedance/deer-flow

4. AI评估成为产品经理核心技能

AI评估(AI Evals)正成为AI产品经理的首要技能。来自30多家公司的最佳实践和即用型AI评估模板。这个建议看看，有不少大模型公司都会招聘专门做模型评估的岗位，也是不是CS毕业的比较好转型到的一个技术方向。

主要观点包括：

• 评估比工具更关键：许多AI项目失败是因为缺乏强大的评估系统，而不是因为选择了错误的工具。成功的团队痴迷于衡量和迭代。

• AI评估飞轮：严格的评估能驱动一个良性循环（评估 -> 调试 -> 改进 -> 评估），从而实现快速迭代，这是区分优秀与平庸AI产品的关键。

• 三个评估层次：
  1. 单元测试（断言）：快速、廉价，用于每次代码更改，验证具体功能和场景，需要生成测试用例。
  2. 模型与人工评估：基于追踪记录（Traces）进行更深入的评估。需要工具查看日志，并结合人工判断（推荐二元好/坏）和模型（LLM）自动评估。关键是比较两者并不断对齐模型评估器。
  3. A/B测试：成本最高，用于成熟产品，衡量对用户行为的实际影响。

• 评估指标建议：推荐自下而上的方法，即通过分析实际数据和失败案例来发现并定义关键评估指标，而不是仅依赖通用的、自上而下的指标（如幻觉）。

• 评估带来的”超能力”：一个好的评估系统不仅能加速迭代，还能自然地支持：
  • 微调（Fine-tuning）：提供高质量、经策划的数据。
  • 数据合成与策划：利用评估流程生成和筛选合成数据。
  • 调试（Debugging）：评估所需的基础设施（日志、测试、查看工具）本身就是强大的调试工具。
• 给PM的启示：AI PM必须具备评估素养，就像数据素养一样。需要理解和参与分析追踪、识别错误、提供反馈等过程。

相关链接：https://www.productcompass.pm/p/ai-evals?utm_source=tldrproduct

5. 2025年5月5日全球Series A融资情况

本周全球Series A融资涉及多个领域：汽车平台、食品分析、收入确认管理、应用监控、数字名片、旅行预订、个性化食品评分、云端烹饪机器人、编码辅助工具、数字化妆品平台、员工费用管理、人工智能部署平台、机器学习药物研发、员工体验平台等多个领域。

详情链接：https://postround.substack.com/p/series-a-activity-week-of-may-5-2025?utm_source=tldrfounders

6. Vibe coding的悖论

AI总是倾向于生成过多、过度冗长且复杂的代码。这些代码往往不是从核心解决问题，而是逐步累积，导致代码量庞大、难以调试，甚至无法正常工作（而且因为按照token收费，生成越多的代码，公司就赚得越多）。

可能的解决方法：

• 强制规划：在生成代码前，先让AI详细规划，迫使其理清逻辑。
• 明确权限协议
• 利用Git无情修剪：使用版本控制进行实验，敢于放弃有缺陷的冗长代码分支。
• 使用更小的模型：有时更小、更便宜的模型由于限制反而能生成更简洁的代码。（小模型还是值得研究）

相关链接：https://fredbenenson.medium.com/the-perverse-incentives-of-vibe-coding-23efbaf75aee

7. 常用AI工具分类

1️⃣ 写作：Claude、豆包、Google ai studio/gemini 2️⃣ 代码：claude/Google ai studio 3️⃣ 搜索：国内豆包、海外Gemini deepsearch 4️⃣ 研究性/多agent：manus、豆包、Gemini deepsearch。偶尔拉一下秘塔、扣子空间、Genspark 5️⃣ PPT制作：genspark 6️⃣ 表格处理：截图让AI变成表格，自己再编辑

8. 翻译与内容处理的高质量Prompt

提供了一个用于翻译、总结和创建SVG分享卡片的详细prompt：

你是一个热爱科研但不失幽默感的双语博士生，你的任务是阅读、翻译并消化我上传的内容，确保用轻松自然的口吻分享你对内容的翻译和总结，就像跟朋友聊天一样，并创建一个精美的分享卡片。

请遵循以下指南: ①首先将内容完整翻译成中文，保持专业准确性的同时，使表达流畅自然。 ②翻译时，保留一些专业术语的原文，比如token、agent、embedding等技术词汇不必强行翻译。 ③翻译完成后，以通俗易懂的风格总结核心内容，擅长运用比喻和类比解释复杂概念。 ④不能过于热情，不要像社交媒体平台上AI生成的内容那样过分雀跃。 ⑤使用各种句式，包括简短句和长句。偶尔用反问句或感叹句增加语气变化。避免过于规整的段落结构。 ⑥在总结时忠实于原文，不要增加原文以外的内容或过度解读。 ⑦在保持轻松口吁的同时，保留足够的技术细节，适合有基础专业知识的读者。 ⑧最后输出前，检查翻译和总结内容，将其中AI味道特别浓的内容予以优化，使得看起来更像是人自己写的内容。 ⑨把总结的内容，创建一个简洁大气的SVG分享卡片展示，包含300-500字的总结文本。

prompt还包含了输出格式要求和SVG卡片创建的详细规范，包括视图尺寸与设计风格、安全区域与布局、文本处理策略、科技元素设计和固定元素等。

9. Public的AI投资组合生成器

Public（一个多资产投资平台）做这个东西还挺有意思，随便输入一个提示词（一个想法），AI会根据这个构建一个投资组合。可以分析过去的表现，和标准普尔500指数比较，并根据自己的喜好微调持股。

链接：https://generatedassets.com/g/a46823d03fb2472a91c7463cb6933bb6

10. ChatGPT Images工作原理与负载处理

这篇是OpenAI自己的开发人员，自己系统性分析了ChatGPT Images的工作原理、以及怎么应对高负载的。

除了技术上的，还有些小点也值得学习：

• 分阶段发布策略：最初计划先向付费用户开放，当天晚些时候再向免费用户推出。由于付费用户使用量超出预期，免费用户的推出被推迟到次日（3月27日）
• 市场反应：印度市场的使用量爆发式增长。印度名人（包括板球明星Sachin Tendulkar和总理莫迪）分享了使用吉卜力动画风格生成的图像

链接：https://newsletter.pragmaticengineer.com/p/chatgpt-images?utm_source=tldrai