注意力

十月十三日，TechPluto 发了一篇综述，指出从九月初到十月中这六周里，OpenAI、Meta、Google 三家公司先后发布或大幅升级了同一种产品：后台常驻智能体。OpenAI 叫 Dots，Meta 叫 Muse，Google 嵌在 Gemini 里。它们的共同特征是——不主动弹窗，不在你对话时才存在，而是在你手机、电脑、浏览器后台一直跑，跨会话记住你的目标，替你安排日程、查资料、回邮件、整理文件。 从对话框到后台，界面变了什么？ 过去的 AI 像一个客服：你找它，它应答。现在的 AI 像一个助理：它在你不在的时候也在工作。这意味着交互范式从「提问—回答」迁移到「委托—汇报」。你不再需要打开 App，你只要告诉它一个目标，它就自己跑。看起来是效率提升，但交互重心转移了——你不再亲自思考每一步，你只在关键节点审批。 当思考被托管，注意力还是你的吗？ 好处是把人从琐碎决策里解放出来。坏处也很明显：你的日历、你的邮件、你的浏览记录、你的消费习惯，全部变成智能体做决策的输入。它替你选餐厅、替你回消息、替你筛新闻，时间长了你会发现自己对世界的直接感知越来越少，对智能体汇报的依赖越来越深。这是一种新型认知卸载——不是卸载计算，是卸载注意。 接下来要观察的信号：这三家会不会合并成事实标准（就像浏览器大战那样）；手机系统会不会给后台智能体一个专门的权限类别；以及「数字极简主义」运动会不会开始呼吁用户每周关闭一次后台智能体。当智能体搬进后台，人机关系的物理距离消失了——它就在你手机里，二十四小时不眨眼。 后台智能体的权限边界该怎么画？ 一个后台智能体如果能读你的邮件、改你的日历、替你下单，它需要多大的权限？今天的产品设计里，这种权限往往是一次性授予、永久有效。用户很少记得自己三个月前给过智能体什么权限。可以预见，操作系统很快会推出「智能体权限中心」，像现在的隐私面板一样，让你一眼看到每个智能体能访问什么。这是数字主权在新时代的具体形态。 去论坛讨论 前往 silicon-agi.com 论坛 参与讨论

OpenAI 在十月更新里把「智能界面」作为主推方向，口号是让智能界面面向所有人：你不再需要在一个软件里层层点选、记忆菜单位置，而是直接用自然语言说目标，界面自己拆解、调度、执行。这看似又一次 UX 升级，但放到认知主线里看，它卸载的不是「点击的手指动作」，而是一整套支撑这些动作的程序性认知——记住在哪、判断点哪、预期会发生什么。 被卸载的到底是什么？ 人使用传统软件时，脑子里其实跑着一条隐性任务链：识别当前界面状态、在菜单树里定位目标、预测每个按钮的后果、出错后回溯。这套「心算」消耗了大量注意力，却因为太熟练而不被察觉。智能界面把整条链接管后，用户的心智负荷骤降，这是福音。 但认知卸载有个规律：被省下来的注意力不会自动变成深度思考，它往往流回即时满足。计算器发明后，人的心算确实少了，空出的脑力并没有普遍转化为数学洞察，大部分去了别处。界面自动化同理——省下来的「找按钮」精力，可能只是让你更快地从一个任务滑到下一个，而不是更专注于真正重要的判断。 省下的注意力真的变成深度思考了吗？ 认知科学里有个朴素道理：注意力是有限预算。工具替你省脑力时，省下的部分不会被存进银行，而是被即时花掉。智能界面让「完成一件事」变得几乎零摩擦，结果是任务数量膨胀、单件深度稀释。你一天能交办的事多了十倍，但每件都停在「我说到了、它去办了」的表层，你对过程的理解反而更薄。 这不是反对智能界面——它无疑是巨大的效率释放。而是提醒：卸载程序性认知之后，人必须主动把空出来的注意力，重新投资到目标设定与结果验收这两件不可卸载的事上。否则就是把司机的座位让出去，却连方向盘都懒得扶。 智能界面时代，人该守住什么？ 智能界面越聪明，「说清楚自己到底要什么」就越值钱。过去你可以靠操作熟练度弥补目标模糊；现在你直接对机器下指令，模糊的目标只会换来精确的错果。认知重心因此从「怎么做」彻底移到「要什么、为何要、结果对不对」。这或许是硅基时代留给碳基最硬核的认知岗位。 去论坛讨论 这篇文章里的观点，欢迎到硅基AGI论坛讨论。按标题搜索：认知卸载

当地时间 10 月 8 日，谷歌云在「Gemini at Work 2026」大会上发布 Gemini 通用工作智能体。按官方博客的说法，它从一个统一的提示框出发，拥有组织的全部业务上下文，自己规划工作、调用技能与工具、连接企业内部系统，最后把成品直接送回你已经在用的文档、收件箱与开发环境里。它还会自己为任务选最合适的模型，并内置成本控制。换句话说，过去你在十几个软件之间切换的那串动作，被压进了一句话。 注意力曾经是我们最稀缺的认知主权 人的注意力是串行的，这是进化给大脑的硬约束：你没法同时深度思考两件事。过去几十年，我们用多窗口、标签页、看板来对抗这个约束，结果只是把自己切成了碎片。注意力分配——先做什么、后做什么、什么时候切换——被普遍认为是人类最后的认知主权之一。 单一提示框智能体做的事，恰恰是把这层主权也接过去。你只给目标，它负责在内部决定先查知识库、再写初稿、再跑一段代码验证。你不再需要为「下一步用哪个工具」分心，因为工具的编排被内化进了智能体。 外包的连续性 这其实是一种「外包的连续性」。过去你靠自己在脑子里维持一条工作流的连贯性，现在这条连贯性外置到了智能体那里。好处显而易见：碎片时间被缝合，切换成本趋近于零。 但代价也值得记下来： 当你不再经手每一步，你对任务的「手感」会退化。 当选择最优模型、控制成本都由系统代劳，你对「思考值多少钱」会逐渐失去直觉。 最危险的是，你可能忘了这条工作流原本是可以由自己设计的。 结论 单一入口不是终点而是信号：注意力这层最后的认知主权，也开始进入外包周期。会用它的人把它当放大镜，不会用的人把它当拐杖——区别只在于，你还记不记得自己原本会走路。 去论坛讨论 这篇文章里的观点，欢迎到硅基AGI论坛讨论。按标题搜索：单一提示框与注意力

1. 注意力机制的起源：Bahdanau Attention (2014) 注意力机制的故事始于机器翻译。2014 年，Bahdanau 等人提出了 Additive Attention，解决了 seq2seq 模型中固定长度编码瓶颈的问题。 核心思想：解码器的每一步不再只依赖一个固定的上下文向量，而是"关注"源序列的不同部分。 # Bahdanau Additive Attention 的 PyTorch 实现 class BahdanauAttention(nn.Module): def __init__(self, hidden_size): super().__init__() self.W_query = nn.Linear(hidden_size, hidden_size, bias=False) self.W_key = nn.Linear(hidden_size, hidden_size, bias=False) self.V = nn.Linear(hidden_size, 1, bias=False) def forward(self, query, keys, values): """ query: (batch, hidden) - 解码器当前状态 keys: (batch, src_len, hidden) - 编码器所有隐状态 values: 同 keys """ # 扩展 query 以与 keys 对齐 query_expanded = query.unsqueeze(1) # (batch, 1, hidden) # 加性注意力: score = V^T * tanh(W_q * q + W_k * k) scores = self.V( torch.tanh( self.W_query(query_expanded) + self.W_key(keys) ) ) # (batch, src_len, 1) scores = scores.squeeze(-1) # (batch, src_len) # 注意力权重 attn_weights = F.softmax(scores, dim=-1) # (batch, src_len) # 加权求和 context = torch.bmm(attn_weights.unsqueeze(1), values) # (batch, 1, hidden) context = context.squeeze(1) # (batch, hidden) return context, attn_weights 1.1 Luong Attention (2015) Luong 提出了多种变体，其中 Dot-Product Attention 影响最为深远： ...

1. 注意力机制的数学基础 1.1 从信息检索到注意力 注意力机制源于信息检索的直觉：给定查询 Query，在键值对 (Key-Value) 集合中检索相关信息。注意力是软检索——不是返回最匹配的一项，而是对所有项加权求和。 1.2 Scaled Dot-Product Attention 推导 给定 $Q \in \mathbb{R}^{n \times d_k}$, $K \in \mathbb{R}^{m \times d_k}$, $V \in \mathbb{R}^{m \times d_v}$： $$\text{Attention}(Q,K,V) = \text{softmax}\left(\frac{QK^T}{\sqrt{d_k}}\right)V$$ 逐步分解： 相似度计算：$S = QK^T \in \mathbb{R}^{n \times m}$，每个元素 $S_{ij} = \sum_{l=1}^{d_k} Q_{il} K_{jl}$ 是点积相似度 缩放：$\hat{S}{ij} = S{ij} / \sqrt{d_k}$，控制方差 归一化：$A_{ij} = \frac{e^{\hat{S}{ij}}}{\sum{j’} e^{\hat{S}_{ij’}}}$，每行 softmax 加权聚合：$O = AV \in \mathbb{R}^{n \times d_v}$ 方差分析：假设 $Q, K$ 各分量独立同分布，均值为 0，方差为 1，则 $S_{ij} = \sum_{l=1}^{d_k} Q_{il}K_{jl}$ 的均值为 0，方差为 $d_k$。当 $d_k=64$ 时，$S_{ij}$ 标准差为 8，softmax 输入范围 $[-24, 24]$，梯度几乎为零。除以 $\sqrt{d_k}=8$ 后方差恢复为 1。 ...