@Q_Neo

一个不务正业的大学教授，跳槽创业做零功耗微型传感器产品同时折腾一些AI项目。这里记录一些小公司用AI做硬科技开发/行政/人事管理，和高校科研面对AI冲击时真正遇到的问题，偶尔跑题聊聊个人兴趣和观点。

 Boston, MA
zepsor.com/company
Joined April 2009
  • Tweets8.4K
  • Following492
  • Followers470
590Media
1/3 审博士论文初稿时，拼接感也很容易被AI挑出来。 非常常见的情况就是，排版统一不代表论证已经连成一体：章节的承诺和实际内容经常对不上、几章各自重新铺一遍类似的背景、原来paper里的旧表述没改干净，这些都会让读者看出这是几篇文章摞在一起。
1
16
2/3 比较SOTA时重点看的是口径是否统一。 实测值和预测值、不同的测量区间、不同的噪音处理方法、不同的封装和功耗条件要是混在同一张表里，排出来的名次可能就没有意义。
1
11
3/3 对于我拿来测试的这篇学位论文，AI最后的总体判断和我的观点也是出奇一致。 其实很多博士论文都是这样，工作质量和实验内容已经足够强，却不自觉把完整性和部署成熟度说得过满，反而削弱了论文。 把科研成果的局限写清楚，则可信度更高。
11
1/3 我最近开始让AI帮审博士生交来的thesis初稿。 提示只有几句话，要它重点查三件事，有没有大的逻辑跳跃，行文是否自然，claim有没有夸大。
1
70
2/3 博士论文通常是把好几篇已发表的paper拼起来，再补上大量实验细节和背景，变成一份大体能独立成篇、覆盖整个PhD工作的文档。 好的thesis应该读不出拼接的痕迹，和state of the art的比较要公平，还要把博士期间这些工作的价值突出出来。
1
33
3/3 GPT Astra挑的几处意见，能看出AI处理长文本时准确地把语言、内容、技术细节分开审阅。 逻辑跳跃和over claim这两点在捕捉和举例上都很到位。 在语义推测和论点指代上AI分析得很细致。 学生论文的通病是让读者分不清哪些是测到的、哪些是算出来或推出来的，文字的强度就超过了证据，作者却不自知。
39
1/2 最近在YouTube Music上听到一首女声版的《青花瓷》，吐词清晰，没有起伏和换气，让人不禁怀疑是AI唱的。 后来搜到YouTube Music对这类疑似AI生成的歌没有限制和强制标记，而这个FM Station最近才开始盛产翻唱歌曲，没有提供任何真实歌手的背景信息。AI作品基本落实了。
YouTube Music 播放页截图：封面是一位手持油纸伞、身穿青花图案衣服的女子，写着「青花瓷」和 FM STATION，歌名 White Porcelain，艺人 FM Station。

ALT YouTube Music 播放页截图：封面是一位手持油纸伞、身穿青花图案衣服的女子，写着「青花瓷」和 FM STATION，歌名 White Porcelain，艺人 FM Station。

1
81
2/2 所以如果一个人本来想听原唱的《青花瓷》，听到的却是这个版本，这一次播放到底让谁受益了？这种AI翻唱版要是大量上架，会冲淡原版的播放量，也会让不知道原唱是谁的人把来源弄混。 我想把FM Station整个block掉，可在app里都没找到这个选项，最后只好给这首歌点了dislike，又report了一下。
28
1/3 第二个难点是来源上限：每个Notebook能包含的文件数也有上限，公司账户目前的限制是50个来源文件，满了的话新文件就加不进去。当初建Notebook时，很多信息源提取后就远超100个文件。
1
68
2/3 这里的trick是在不影响RAG回答质量的前提下尽量合并同类型文件，比如邮件和会议纪要就可以按月份合并。为此我也有脚本专门处理邮件提取和合并，维持文件个数低于50。（另外还有一个限制是单个文件不能超过50万字，目前对我们来说还算宽裕。）
1
41
3/3 公司共享的RAG见效后我开始在本地搭个人的档案库，有意思的是当时第一个排除的选项就是NotebookLM。一来是隐私考虑，二来规避来源上限也越来越难了，哪怕用个人的AI Pro订阅，提高后的上限也远远不够用。（后来我选的实现方式是部署开源的AI大脑GBrain，暂且留作一个未来的话题吧。）
32
1/2 不过NotebookLM当初创建时遇到了两个难点，一个是确保内容及时更新，一个是谷歌设定的来源上限。定时更新交给了公司的AI助手ZACH，它每周把新的合作方邮件和会议纪要同步进对应的Notebook，每周还有几次登录令牌的自动更新防止登录过期。
1
64
2/2 即便如此，企业邮箱的登录有时还是会被强制失效。所以后来我把邮件/附件提取成干净文本这一步和同步分开，不受公司账户登录的影响，登录恢复后会自动补漏。另外就是加了一份从信息源生成的清单，每次同步后都会做核对。
30
1/2 NotebookLM搭好以后，大家主要用它总结过去某段时间的信息，或找以前漏掉的邮件和会议细节，合同和账务细节也都能准确答出来。有一次要找一年多前合作方告诉我们的一个工艺参数，拿不准当时怎么描述的，自己翻邮箱一封封确认要10到30分钟。问了NotebookLM，几秒钟就找到了，还附上了原邮件出处。
1
67
2/2 这种快问快答在开会讨论时特别有用。会上要补一个信息，如果得找很久，不可能停下来等这个检索和确认的过程，所以相关议题一般就放到下次再讨论了。几秒钟就有答案的话，信息当场就能补上，讨论可以接着往下走，甚至当场根据新信息做决定。
20
1/2 公司的内部资料库目前是用NotebookLM搭的，一家重要合作方的邮件往来、会议纪要、行政文件和财务资料分别放在几个单独的Notebook里，现在整个团队都在用，各人的访问权限按职务有所区分。
1
1
67
2/2 NotebookLM是我们订的Google Workspace自带的功能，等于一个已经搭好的RAG服务（让AI先从一批自己的文件里检索，再据此回答），本身不需要维护，AI社区里对它的评价也很好。我选它主要是为了和团队共享，同时减少我自己的维护负担。
34
1/4 批假任务悄悄空跑、邮件却被标成已读，这种低级bug真的很难让人接受，但是vibe coding中如果过于信任AI，不严格做测试就进入生产环境，就很容易发生。按道理来说批假没成功和邮件被标记为已读，只能发生一件。
1
78
more replies
3/4 后来这套工作流改成确认批假成功之前，邮件会一直保留未读。批假任务一旦被触发，成也好败也好都必须报告结果。当然它也不再靠「未读」去找请假申请，而是改成对照人事系统记录里的待办列表，如果被触发却什么活都没找到，也会汇报。改完以后这套流程再没出过问题。
1
25
4/4 这件事让我重新审视了我最爱的“没事别烦我”的规矩，常常意外的失败/静音会被看作一切正常，重要任务的都应该设置为fail loudly，甚至另设watchdog作为兜底。
11
Load more