Dieter @dieterplex

@plateau 以我使用fcitx的經驗來說，印象中好像只有字碼表有版權疑慮，或許改成匯入形式能避開？

x.com/i/article/2038…

前几天 Google 首席工程师（Principal Engineer）Jaana Dogan 发了一条推文： “我们团队去年一整年都在做分布式 Agent 编排系统，各种方案，各种分歧，始终没有定论。我把问题描述给 Claude Code，它一个小时就生成了我们去年做的东西。” 这条推文在我的 Timeline 上刷屏好几天。有意思的是，几乎每个人都能从中找到自己想要的证据。 有人说这是大公司病的铁证：一年的活儿一小时干完，可见组织效率有多低。 有人说这是 Claude Code 封神时刻：Google 自己的首席工程师都在用竞品。 还有人说程序员要失业了：AI 已经能替代整个团队。 这些解读都抓住了部分事实，但都漏掉了关键信息。 【1】故事的另一半 Jaana Dogan 后来发了一段很长的澄清。 首先，团队这一年建了好几个版本的系统，各有优劣，一直没达成共识。 其次，她给 Claude 的 Prompt 浓缩了“存活下来的最佳想法”：一年的探索、试错、淘汰，精华被压缩进了三段话。 最后，Claude 生成的是“玩具版本”，不是生产级代码，但作为起点相当不错。 换句话说，这不是 AI 凭空创造，而是专家带着一年积累的研究成果，用 AI 快速把想法变成代码。 【2】一年的时间到底花在哪了 我们习惯用“产出”来衡量工作：代码行数、功能数量、版本迭代。但如果产出可以被一小时复现，那之前一年的“工作”到底是什么？ 团队一年其实在做三件事： 首先是探索。分布式 Agent 编排这个问题，没有标准答案。要试不同的架构、不同的通信机制、不同的容错策略。大部分尝试会失败，但失败本身是必要的学费。 然后是验证。想法要落地，得跑起来看效果。有些问题只有在真实负载下才会暴露。这个过程漫长、枯燥、充满意外。 最后是对齐。Jaana 说"not everyone is aligned"。大厂呆过的朋友都知道，在大公司，让不同团队、不同利益方、不同技术偏好的人达成共识，往往比写代码难十倍。开会、写文档、说服、妥协、再开会，这些不产生代码，但消耗大量时间和精力。 Claude 复现的是最后那个“建造”的动作。前面那些认知劳动，探索、验证、对齐其实都是人来完成的。 这就像一个软件项目，我们不能只盯着写代码的那部分时间，前面的需求分析、产品设计、系统设计，后期的测试都是占时间的，只是由于以前写代码成本高，大家容易忽略那部分的成本付出，现在 AI 生成代码太快，才凸显出其他部分工作的价值。 【3】瓶颈转移 Jaana 还说了一段话，我认为这才是整个故事最有价值的部分： “需要好几年时间去学习、在真实产品中验证想法、找到能长期使用的模式。一旦你有了这些洞察和知识，构建本身就不难了。因为可以从零开始建，最终产物反而没有历史包袱。” 过去，瓶颈在“怎么实现”。你想清楚要什么了，但从想法到代码之间隔着漫长的工程工作。需要招人、分工、排期、开发、测试、联调。 现在，这个瓶颈正在消失。新的瓶颈是“想清楚要什么”。你的 prompt 能不能精准描述问题？能不能包含正确的约束条件？能不能体现你对 tradeoff 的判断？ 有人把这叫做从“实现”到“表达”的转移。以前会干活的人值钱，现在会说清楚要干什么的人更值钱。 Jaana 的 prompt 之所以有效，是因为她确实懂这个领域。换一个不懂的人，给 Claude 同样三段话的篇幅，大概率出不来能用的东西。AI 放大的是你已有的认知，不是凭空给你认知。 【4】什么变贵了 执行变便宜了，什么变贵了？ 判断力。面对十个可行方案，选哪个？AI 能帮你生成方案，但决定需要对业务的理解、对用户的洞察、对技术趋势的预判，这些仍然高度依赖人。 品味。同样是能跑的代码，好代码和烂代码的差距是巨大的。可维护性、可扩展性、优雅程度，AI 能写代码，但“什么是好代码”这个标准，需要人来定义和坚持。 对问题的深刻理解。表面上是技术问题，底下往往是业务问题、组织问题、甚至政治问题。能穿透表象看到本质的人，永远稀缺。 【5】个体和小团队在 AI 时代的机会 这个故事还有一个潜台词：大公司的对齐成本被 AI 无情放大了。 以前，大公司用人海战术堆执行力，用流程保证质量。小团队资源有限，很难在复杂项目上竞争。 前 Google 和 Meta 杰出工程师（Distinguished Engineer）、Gemini 大模型的联合作者 Rohan Anil 留言说： “如果我当年能拥有 Coding Agent，特别是像 Opus 这种级别的模型，我不仅能省下职业生涯前 6 年的时间，甚至能把这些工作量压缩到短短几个月内完成。” 现在，执行力可以靠 AI 补齐。小团队的优势：决策快、包袱轻、方向调整灵活，反而变成了真正的护城河。一个人想清楚了，一小时就能出原型；一百个人没想清楚，开一年会也对不齐。 这对个体是好消息，你的判断力、学习能力、对问题的理解深度，正在成为 AI 时代的竞争力。 AI 没有让工程师贬值，但 AI 时代的工程师要求也不一样了。

Jaana Dogan ヤナ ドガン @rakyll

6 months ago

I'm not joking and this isn't funny. We have been trying to build distributed agent orchestrators at Google since last year. There are various options, not everyone is aligned... I gave Claude Code a description of the problem, it generated what we built last year in an hour.

837 3K 26K 8.9M 11K

Ilya：扩展时代已经结束了，研究的时代已经开始 Ilya Sutskever 大概得有一年多没参加播客访谈了，自从 OpenAI 宫斗离职创办 SSI（Safe Superintelligence）后之后就很少露面了， 最近，他在 Dwarkesh Patel 的播客中进行了一场长达一个半小时的深度对谈。Ilya 毕竟是 Ilya，他不像 Sam Altman 整天满嘴跑火车，只是为了卖货，访谈里面有很多干货，我猜一些观点甚至会影响以后 AI 在研发和投资上的走向。 一个多小时的内容很难说几句话就总结完，还是按照话题挨个整理一下。 【1】为什么 AI 能在考试中碾压人类，却修不好一个简单的 bug？ Ilya 在访谈里抛出一个很多人都遇到过也困惑过的现象：现在的模型在各种评分上表现惊艳，但用起来却远远跟不上能力曲线。更诡异的是，你让它改个 bug，它改完引入新 bug；你指出新 bug，它道歉后又改回旧 bug。两个 bug 来回切换，像在打乒乓球。 Ilya 使用一个类比来解释这个问题的：想象两个学生。 第一个立志成为顶级竞赛程序员，刷了一万小时题，背熟所有算法模板，练到条件反射般精准。第二个觉得竞赛挺酷，随便练了一百小时，也拿了不错的成绩。 哪个人未来职业发展更好？ 大概率是第二个。 Ilya 说，现在的模型比第一个学生还极端。训练时把所有竞赛题都刷了，还做了数据增强生成更多变体，一遍遍强化。结果就是：所有算法技巧都刻在指尖，但这种准备程度本身就限制了泛化能力。 这个类比点破了一件事：能力和泛化是两回事。刷题刷到极致，可能恰恰堵死了触类旁通的路。 【2】真正的 reward hacking（奖励作弊）是人类研究员 问题出在哪？Ilya 认为是训练数据的选择逻辑变了。 预训练时代很简单：数据越多越好，什么都往里塞，不用挑。但 RL（强化学习）时代不一样了。你得选择做什么强化训练、用什么环境、优化什么目标。 于是一个微妙的循环出现了：研究员想让发布时的 benchmark 得分数字好看，就设计能提升这些指标的 RL 训练。模型变得越来越会考试，但考试能力和真实世界能力之间的鸿沟被放大了。 讽刺的是，真正在奖励作弊的不是模型，是设计训练的人在不知不觉中过度关注了考试成绩。 【3】为什么人类学东西这么快 说到这里就要问一个更深的问题：为什么人类学东西这么快，而且这么稳？ Ilya 提到一个特别有意思的医学案例：有个人因为脑损伤，失去了所有情绪——不会难过、不会愤怒、不会兴奋。看起来他还是能说话，能做智力题，测试分数也正常。但他的生活彻底崩溃了：花几个小时决定穿哪双袜子，财务决策一塌糊涂。 这说明什么？情绪不只是情绪，它在某种程度上充当了内置的价值函数。它告诉你什么事值得做，什么选择是好是坏，不需要等到最后结果出来才知道。 价值函数是个技术术语，但概念不难理解。传统的强化学习是这样的：模型做一长串动作，最后得到一个分数，然后用这个分数去调整之前所有步骤。问题是，如果任务需要做很久才有结果，学习效率就很低。 价值函数的作用是“提前剧透”。比如下棋时你丢了一个子，不用下完整局就知道这步不好。编程时如果探索了一个方向走了一千步发现不对，价值函数能让你在一开始选择这个方向时就得到负反馈。 这就像 GPS 导航，不是等你开到终点才告诉你这条路不对，而是在你刚拐错弯时就开始重新规划。 人类大概就是有这么一套系统。而且这套系统的妙处在于：它相对简单，却在非常广泛的情况下都管用。我们的情绪主要是从哺乳动物祖先那里继承来的，针对的是几百万年前的环境，但放到现代社会居然还能用得不错。当然也有失灵的时候，比如面对满街的美食，我们的饥饿感就管不住了。 【4】堆算力堆数据的扩展时代已经结束了，研究的时代已经开始 Ilya 认为规模化时代结束了？ 他给了个很有意思的视角：在 2012 到 2020 年，大家在做研究，试这试那，看什么有意思。然后 2020 年左右，scaling law(规模化定律) 被发现了，GPT-3 横空出世。突然之间所有人意识到：原来只要扩展规模，堆数据、堆算力、堆模型参数大小，一路扩充，就能稳定得到更好的结果。 规模化的好处是低风险。而研究是有风险的，你得雇一堆聪明人去探索，不保证有成果。但规模化？只要投入更多资源，就一定能看到回报。公司喜欢这种确定性。但副作用是它吸走了房间里所有的氧气，创新空间被压缩，最后变成“公司比想法多”的局面。 但现在呢？预训练的数据就那么多，互联网就这么大，总会用完。Gemini 据说找到了从预训练榨取更多的方法，但这条路终归有尽头。然后大家转向了强化学习，开始在那上面堆算力。 可问题是：现在算力已经这么大了，再 100 倍真的会质变吗？Ilya 不这么认为。他觉得我们又回到了需要思考到底该做什么的阶段，而不是继续闷头堆资源。 这就像爬山。一开始你发现有条路，往上走就是了，越走越高。但总有一天，你会发现这条路到头了，再往前走也高不了多少。这时候要么换条路，要么换种爬法，总之不能继续原来的策略。 现在的 AI 行业就处在这个节点上。所以 Ilya 说：我们回到了研究时代，只不过这次手里有大得多的计算机。 【5】泛化能力才是核心问题 在 Ilya 看来，当前最根本的问题是：这些模型泛化能力太差了。 什么叫泛化能力差？就是学一样东西需要的数据量太多，而且学会的东西换个场景就不灵了。 人类不是这样的。一个青少年学开车，10 个小时基本就能上路了。而且人类五岁小孩的视觉能力就足以支持自动驾驶了，虽然他不会开车，但识别路况、判断距离这些能力已经很强了，而且这些能力是在父母家里那种数据多样性很低的环境里学会的。 更关键的是，人类学编程、学数学这些东西也很快。这些可不是进化给我们的能力，因为我们的祖先根本不需要写代码。这说明人类不光是在某些特定任务上有进化优势，而是在学习这件事本身上就有某种更本质的能力。 模型呢？虽然在某些具体任务上超过了普通人，但要说学习能力，还差得远。 Ilya 对这个问题有想法，但他说现在不能详细聊，因为在这个竞争激烈的领域，不是所有机器学习想法都能公开讨论的。不过他给了个方向性的提示：这很可能跟如何做到像人类那样高效、稳定的泛化有关。 还有一个可能的阻碍：也许人类的神经元实际上比我们想的做更多计算？如果是这样，事情就更复杂了。但不管怎样，人类的存在本身就证明了这种高效学习是可能的。 【6】重新定义 AGI：从成品到学习者 这里 Ilya 做了一个概念上的重要修正。 AGI 这个概念怎么来的？是作为“狭隘 AI”的反面而诞生的。以前的 AI 只会下棋，只会玩游戏，非常狭隘。所以大家说：我们要造通用的 AI，什么都能做的 AI。 预训练强化了这个印象，因为预训练确实让模型在各种任务上都变强。于是“通用 AI”和“预训练”在概念上绑定了。 但这里有个问题：按照这个定义，人类自己都不算 AGI。 人类有一套基础能力，但缺乏大量具体知识。我们靠的是持续学习。一个聪明的十五岁孩子什么都不会，但学什么都快。“去当程序员”、“去当医生”、“去学习”，部署本身就包含一个学习和试错的过程。 所以 Ilya 心目中的超级智能，不是一个出厂就什么都会的成品，而是一个能像人一样快速学习任何技能的学习者。 【7】能自动学习的 AI 会有多快到来？有多危险？ 那么问题来了：如果有这样一个系统，能像人类一样快速学习，而且可以大量复制部署，会发生什么？ 人类入职六个月才能产出价值，但这种 AI 可能几周就行。而且不同副本学到的东西还能合并，这是人类做不到的。这难道不会导致某种爆炸式增长？ Ilya 认为确实会有快速的经济增长，但到底有多快很难说。一方面有高效的劳动者，另一方面现实世界很大，很多东西有自己的节奏，不是你想快就能快的。 但他确实改变了一些想法。以前 SSI 的计划是“直奔超级智能”——不发布中间产品，一鼓作气搞定终极目标。现在 Ilya 觉得，渐进式发布可能更重要。 【9】为什么要渐进部署？因为想象不出来就得看见 访谈中 Ilya 反复强调一点：AI 的问题在于它还不存在，而不存在的东西很难想象。 你可以读一篇文章说“AI 会变得多厉害”，但读完你觉得“哦，有意思”，然后回到现实。如果你亲眼看到 AI 在做那件事，感受完全不同。 他打了个比方：像二十岁时讨论“年老体弱是什么感觉”。你可以聊，可以想象，但真正的理解只能来自经历。 这导致一个实际问题：所有关于 AI 风险的讨论，都基于对未来 AI 的想象。而想象往往跟不上现实。就连天天做 AI 的人，也会因为当前模型的各种低级错误而低估未来模型的能力。 Ilya 的预测是：随着 AI 变得更强，人们的行为会发生根本改变。竞争对手会开始合作搞安全，政府和公众会开始认真对待监管。这些事情现在开始有苗头了，但还远远不够。而真正的催化剂，是让人们看到更强的 AI。 这也是他对 SSI“直奔超级智能”策略有所松动的原因。原本的想法是不参与市场竞争，专心做研究，等东西准备好了再拿出来。现在他觉得，让 AI 被看见这件事本身是有价值的。当然，无论哪种路径，最终部署都必须是渐进的。 【9】SSI 在做什么？不同的技术路线 SSI 融了三十亿美元。这个数字单看很大，但跟其他公司动辄几百亿的投入比起来似乎不够。 Ilya 算了一笔账。那些大数字里，很大一部分是用于推理服务的。另外，做产品需要大量工程师、销售、产品功能开发，研究资源被稀释。真正用于前沿研究的资源，差距没看起来那么大。 更重要的是，如果你在做不一样的事，不一定需要最大规模的计算来验证想法。AlexNet 用两块 GPU 训的。Transformer 论文最多用了 64 块 2017 年的 GPU，换算成今天也就两块卡。第一个推理模型 o1 的推理能力也不是靠堆算力堆出来的。 研究需要一定算力，但不需要最大算力。真正的瓶颈是想法。 那 SSI 的技术路线是什么？Ilya 没有完全透露，但核心方向是解决泛化问题。他认为现在的方法会走一段然后撞墙，继续进步但无法突破到真正的人类级学习能力。而 SSI 在探索不同的路径。 时间表呢？五到二十年，达到人类级别的学习能力。 【10】安全对齐是什么？应该对齐什么？ 说到超级智能，绕不开安全对齐问题。Ilya 的想法是：让 AI 关心有感知能力的生命。 为什么是这个目标而不是“关心人类”？他给了个有意思的理由：AI 本身也会有感知能力。如果你想让 AI 关心人类，可能反而更难，因为它需要做某种特殊化处理。而如果让它关心所有有感知的存在，某种程度上更自然，类似人类对动物的共情，来自于我们用同样的神经回路去理解别人和理解自己。 当然这个方案也有问题。如果大部分有感知能力的存在都是 AI，那人类在数量上会是极少数。这真的能保证人类的利益吗？ Ilya 承认这不一定是最好的方案，但他认为至少应该把它列入候选清单，让各家公司到时候可以选择。 还有一个思路他提了但不太喜欢：人机融合。通过类似 Neuralink 脑机接口的技术，让人类部分成为 AI。这样 AI 的理解就是人的理解，AI 的处境就是人的处境，对齐问题某种程度上就消解了。但这显然是个很激进的方案。 【11】如何硬编码高级欲望？ 访谈最后有一段很有趣的讨论。 人类有很多社会性的欲望：想被人尊重、在乎社会地位、关心别人怎么看自己。这些不是低级信号，不像闻到食物香味那样有直接的化学感应器。大脑需要整合大量信息才能“理解”社交场合发生了什么。 但进化却成功地把“关心这件事”硬编码进了基因。怎么做到的？ 如果说“把多巴胺连到嗅觉感受器”还能想象，那“把奖励信号连到某种需要整个大脑协同计算才能得出的高级判断”就很难想象了。 Ilya 说他有一些猜想，但都不令人满意。这是个谜。但这个谜的存在本身就很有启发性，它说明进化找到了某种方法，可靠地给复杂认知系统植入高级目标。 【12】什么是研究品味？ 访谈最后，Dwarkesh 问了 Ilya 个很本质的问题：作为联合创造了 AlexNet、GPT-3 等一系列里程碑工作的人，你怎么判断什么想法值得做？ Ilya 的回答很诗意：我寻找的是美感。 不是随便的美感，而是多方面的美：简洁性、优雅性、正确的大脑启发。人工神经元是个好想法，因为大脑确实有很多神经元，虽然大脑很复杂但神经元这个抽象感觉抓住了本质。分布式表示是个好想法，因为大脑确实是从经验中学习。 当一个想法在多个维度上都显得“对”，都有某种内在的和谐，你就可以建立自上而下的信念。这种信念很重要，因为它支撑你在实验结果不好时继续坚持。 有时候实验失败不是因为方向错了，而是因为有 bug。怎么判断该继续调试还是放弃方向？靠的就是这种自上而下的美学直觉：这个东西应该是这样的，所以一定能 work，继续找问题。 这可能就是顶尖研究者和普通研究者的区别。普通研究者容易被数据牵着走，实验不 work 就换方向。而顶尖研究者有某种品味，知道什么是深层次正确的，能够在实验结果和内在直觉之间找到平衡。

Dwarkesh Patel @dwarkesh_sp

7 months ago

The @ilyasut episode 0:00:00 – Explaining model jaggedness 0:09:39 - Emotions and value functions 0:18:49 – What are we scaling? 0:25:13 – Why humans generalize better than models 0:35:45 – Straight-shotting superintelligence 0:46:47 – SSI’s model will learn from deployment

403 1K 9K 4.1M 8K

最近数学圈发生了一件很有意思的事。 世界顶级数学家陶哲轩在解决一个 Erdős（埃尔德什）的经典问题时，全流程都在用 AI 做助手——从证明草案，到简化证明，再到形式化验证。 Erdős 是20世纪最高产的数学家之一，一辈子发表了1500多篇论文，提出了无数开放问题。数学圈有个著名的"埃尔德什数"——如果你和他合作过论文，你的埃尔德什数就是1；和他的合作者合作过，就是2，以此类推。爱因斯坦的埃尔德什数是2。 后来有人专门做了一个网站，把他的很多未解决/已解决问题系统整理出来，这就是 Erdos Problems 网站。 陶哲轩讲的是其中的第 367 号问题，属于数论里的一个具体问题，专业数学研究级别的问题。 解决过程大概是这样的： 一位数学家 Wouter van Doorn 先给出一个人类手写的反例证明草案，但里面有一个关键恒等式他没完全证明，只是说：“相信有人能帮我确认一下”。 陶哲轩把这个恒等式扔给 Google 的 Gemini Deepthink 模式。大概十分钟后，Gemini 给出了一份完整证明，还顺带确认了整套论证是成立的。 Gemini 的证明用到了 p-adic 等比较高级的代数数论工具，对这个具体问题来说有点杀鸡用牛刀。于是陶哲轩花了半小时，把 AI 的证明手工转化成更基础、更易懂的版本。 两天后，另一位数学家 Boris Alexeev 用一个叫 Aristotle 的工具（基于 AI + Lean）完成了全套形式化证明，还特意手动检查最终结论，以防 AI 在形式化过程中存在编造。 陶哲轩觉得还没完，又用 Deep Research （同时用了 ChatGPT 和 Gemini）做了一轮文献搜索，看这个问题有没有前人类似工作。结果找到了若干关于连续幂数的相关论文，但没有直接解决第 367 号问题。 整个流程：人类提出猜想 → AI暴力证明 → 人类简化优化 → AI辅助形式化验证。 都在说 Gemini 3 已经到了博士生水平，看来所言非虚，这些事情真的需要数学博士级别才能做的出来，但另一方面，真正的数学家也并没有被 AI 代替：是人类决定哪个问题值得解决，是人类判断AI的p-adic方法太重了需要简化，是人类手工完成最终的形式化表述以验证 AI 的结果是否准确。 AI 做的是那些需要大量计算、符号推演、但方向已经明确的体力活。在 AI 时代，问对问题、甄别结果，比以前更重要了。

keyboard_arrow_left Previous keyboard_arrow_right Next

關於台灣月薪低於五萬者，明年不用繳稅 意思是台灣只有前 1/3 的人需要繳所得稅，而收入前 1% 的人則繳了 40% 的所得稅，我們感謝這些大課長。 看到有評論說，"這不就代表貧富差距更嚴重，有甚麼好開心的" 我想到的是，除非我們是共產國家，否則不能阻止張忠謀或者巴菲特更富，他們透過才華與努力合法致富、驅動創新並使得經濟成長，所以只能採取累進稅率的方式，將頂層創造的部分財富，重新分配使用，當然課稅方法上有一堆漏洞，但那是另外一回事 (?) 另外參考一下知乎上的關於買漢堡的討論， "日本东京每月最低工资能买455个巨无霸汉堡。韩国首尔大概是357个。台北是272个，香港是453个，新加坡是320个。上海最低工资2690块钱可以买不打折的巨无霸汉堡94个。但这并不重要，重要的是别的。 泰国曼谷的最低收入能购买116个巨无霸汉堡，越南胡志明市是104个。再补充一下，内地大部分省份的最低月收入，概在2100到1500左右，我算他2000块钱。只能买70个巨无霸。是1500的话，那么就只能买53个了。""

公投題目存在著讓人摸不著頭緒的問題。 以「重啟核三」為例，雖然《核管法》已於2025年完成修法，提供除役核電廠重啟的法源，但是否啟動，仍取決於台電是否提出申請，以及後續核安、環評等審查程序。換言之，即便公投過關，若台電未提出申請，或審查未完成，核三也無法立即運轉，且公投效力僅能維持兩年。 所以投同意就表示要主管機關同意沒有安全疑慮才會重啟。反之如果投不同意依公投題目的意思，就是不需要經過主管機關同意即可重啟（不知是否有理解錯誤），大家要特別注意。

大家快來連署！ referendum.cec.gov.tw/depose/9001

Dwarkesh Patel @dwarkesh_sp

7 months ago

The @ilyasut episode 0:00:00 – Explaining model jaggedness 0:09:39 - Emotions and value functions 0:18:49 – What are we scaling? 0:25:13 – Why humans generalize better than models 0:35:45 – Straight-shotting superintelligence 0:46:47 – SSI’s model will learn from deployment

403 1K 9K 4.1M 8K

anyrouter.top/register?aff=J…

Dwarkesh Patel @dwarkesh_sp

7 months ago

The @ilyasut episode 0:00:00 – Explaining model jaggedness 0:09:39 - Emotions and value functions 0:18:49 – What are we scaling? 0:25:13 – Why humans generalize better than models 0:35:45 – Straight-shotting superintelligence 0:46:47 – SSI’s model will learn from deployment

403 1K 9K 4.1M 8K

@c9s 在iOS google app 我沒有看到這個選項可用…

@c9s Google app > Profile pic > 設定 > 其他設定 > 在應用程式中開啟網頁 有關掉嗎？

用在小苼好朋友百靈果身上也很適合耶。 「其實滿羨慕你這樣的人，手拿外國護照開戰就要馬上買機票回國，我們只有台灣護照的人只能認人擺佈。」

超好笑中翻中

graphic designers reacting to chatgpt images right now

Since Studio Ghibli is trending, worth noting the mind-boggling effort Hayao Miyazaki and his team put into a film. Each has 60k-70k frames, all hand-drawn and painted with water color. This 4-second clip (“The Wind Rises”) took one animator 15 months to do. In the documentary “10 Years with Hayao Miyazaki”, the legendary Japanese filmmaker talks to one of his animators (Eiji Yamamori) after they complete the crowd scene. The exchange is gold: ▫️Miyazaki: “Good job.” ▫️Yamamori: “It’s so short, though” ▫️Miyazaki: “But it was worth it.” The animator gets a second of joy (he’s pumped) but on to the next. *** Link to doc: www3.nhk.or.jp/nhkworld/en/sh…

Everything is studio Ghibli now. Even lord of the rings.

Unbelievably impressive. I think programmers are right to have some worry that the world of tomorrow won't need all of them. Illustrators, animators, and cartoonists surely already do. What a time to be alive.

PJ Ace @PJaccetturo

a year ago

What if Studio Ghibli directed Lord of the Rings? I spent $250 in Kling credits and 9 hours re-editing the Fellowship trailer to bring that vision to life—and I’ll show you exactly how I did it 👇🏼

4K 12K 94K 13.0M 35K

@dotey 🥲