这是一份关于生成式 AI 的信息汇总，包括其发展现状、常见误解、信息来源及相关人士等方面：

• 更新时间与现状：生成式 AI 是作者有生之年发展最快的技术，但也被严重误解，已有大型公司和政府推出功能失调甚至危险的 AI 产品，部分人因对其应用理解错误导致负面后果。
• 常见误解：常见错误是低估（认为只是炒作）或高估（认为无需程序员），根源是对技术及其发展缺乏深入理解。

• 信息来源：

  • 一般指南：靠近源头，远离噪音，默认报道有误，除非来自主要来源或推荐人士；关注值得信赖的评论者。

  • 起始点：

    • Simon Willison 的博客：技术人员的最佳起点，涵盖 AI 能力前沿、应用案例、安全伦理等，如《The Lethal Trifecta》《LLMs in 2024》。
    • Andrej Karpathy：特斯拉 AI 主管，OpenAI 创始成员，能概述模型工作原理，视频对非技术人员也易理解，如《Deep Dive into LLMs like ChatGPT》《How I Use LLMs》。
    • Every’s Chain of Thought：Dan Shipper 撰写，可了解 AI 模型日常应用，如《Vibe Check: Codex》《Vibe Check: o3》。
  • 官方公告等：各 AI 实验室的公告、博客、论文等有价值信息，如 OpenAI、Google DeepMind 等，同时要警惕烹饪书可能并非最佳实践，可关注较小玩家如 Nous Research 等。

  • 高信号人士：

    • Hamel Husain：机器学习工程师，提供关于 AI 系统评估和改进的优秀文章，如《Your AI Product Needs Evals》《LLM Eval FAQ》。
    • Shreya Shankar：UC Berkeley 研究员，撰写关于 AI 工程的文章，如《Data Flywheels for LLM Applications》《Short Musings on AI Engineering and “Failed AI Projects”》。
    • Jason Liu：独立顾问，ML 工程师，创建 Instructor，有关于 RAG、评估等的详细文章，如《The RAG Playbook》《Common RAG Mistakes》。
    • Eugene Yan：亚马逊 Principal Applied Scientist，深入探讨 LLM 基础和数学，如《Task-Specific LLM Evals that Do & Don’t Work》《AlignEval》《Intuition on Attention》。
    • What We’ve Learned From A Year of Building with LLMs：多位从业者总结的关于使用 LLM 构建的经验。
    • Chip Huyen：ML 工程师，著有关于 ML 系统和 AI 工程的书籍，提供关于构建 AI 系统的评论和建议，如《Common pitfalls when building generative AI applications》《Agents》。
    • Omar Khattab：Databricks 研究科学家，创建 DSPy，有关于更好抽象的文章，如《A Guide to Large Language Model Abstractions》。
    • Kwindla Hultman Kramer：Daily 首席执行官，创建 Pipecat 框架，关注实时语音/视频 AI 能力前沿，如《Voice AI and Voice Agents: An Illustrated Primer》《Advice on Building Voice AI in June 2025》。
    • Han Chung Lee：机器学习工程师，有关于 ML 技术和 AI 应用的文章，如《MCP is not REST API》《Poking around Claude Code》《MLOps Lessons from ChatGPT’s ‘Sycophantic’ Rollback》。
    • Jo Kristian Bergum：vespa.ai 创始人，关注 RAG 中的“R”，如《Search is the natural abstraction for augmenting AI with moving context》。
    • David Crawshaw：Tailscale 联合创始人，有关于软件工程和使用 AI 编程的文章，如《How I program with LLMs》《How I program with Agents》。
    • Alexander Doria / Pierre Carl-Langlais：在 Pleias 训练 LLM，有关于训练过程等的文章，如《The Model is the Product》《A Realistic AI Timeline》。
    • Nathan Lambert’s “Interconnects”：ML 研究员，有关于 AI 训练等方面的长文分析，如《What comes next with Reinforcement Learning》《Reinforcement learning with random rewards actually works with Qwen 2.5》。
    • Ethan Mollick：研究 AI 对工作等的影响，有关于 AI 工具日常使用等的指南，如《Using AI Right Now: A Quick Guide》《Making AI Work: Leadership, Lab, and Crowd》。
    • Arvind Narayanan 和 Sayash Kapoor’s “AI Snake Oil”：普林斯顿 CS 教授，分析 AI 影响，如《AGI is not a milestone》《Evaluating LLMs is a minefield》。

  • 新闻和媒体：

    • Twitter / X：关于 AI 发展的大型社交平台，虽可能有毒但可善用，如 swyx 的 Latent Space newsletter 和 AI news by smol.ai 网站。
    • Dwarkesh Patel 的播客：问题研究深入，无废话。

  • 神秘领域：

    • LessWrong / AI Alignment Forum：有关于 AI 对齐、治理和安全的深入讨论，如《Claude plays Pokémon breakdown》《The Waluigi Effect》。
    • Gwern：百科全书式写作，关于 AI 内容丰富且深度链接，如《The Scaling Hypothesis》《Proposal: “You could have invented transformers” tutorial》。
    • Prompt Whisperers 和 Latent space explorers：独立匿名研究人员群体，通过特殊提示探索 LLM 行为，如《Anomalous tokens reveal the original identities of Instruct models》《the void》。
• 总结：跟上所有信息看似工作量大，但实际并非如此，可像看报纸一样浏览 Twitter 等，作者认为这是有趣的“探索”，希望这份列表能让读者兴奋起来。同时提供了包含上述推荐的 Twitter 列表链接，即将推出 RSS 友好列表。