Klapper meg selv på skulderen for å forutse at RFK skulle tilbakekalle COVID-vaksinetilgang for barn (duh). Registrerte babyen min som hadde en alvorlig (nesten dødelig) respiratorisk fødselskomplikasjon i en klinisk studie for COVID-vaksiner av denne grunn. Ja, du kan fortsatt be legen din om det, men jeg vedder på at det vil være mye mer vanskelig å få.

Så jeg ba pjokken min om å skynde seg mens vi skulle handle, og de så på meg og sa, veldig alvorlig: «Vi går til Costco? Eller Dollar Store?» Gjør jeg denne asiatiske foreldregreia riktig? PS Costco er som også et av de få ordene de kjenner igjen i tillegg til sitt eget navn

Rask tanke for å utvide senere. De fleste mennesker (som 99 %) er sterkt prososiale, noe som betyr at vi føler en dragning til å hjelpe, passe inn og beholde harmoni. Den tiltrekningen kan fungere som en skjevhet, så vi mennesker behager selv når det koster oss. Når det gjelder barn, må du bekymre deg mindre for å gjøre dem mer prososiale, og mer for motstandskraft mot avvisning, klare grenser og motet til å skille seg ut.

Som mange av dere vet, er jeg ganske besatt av hvordan AI kan endre utdanning. Og i går så jeg en overskrift som hørtes alarmerende ut: «Veiledning skulle redde amerikanske barn etter pandemien. Resultatene? Nøktern.» Til å begynne med føltes det nedslående. Så leser jeg selve forskningen, og historien er mer nyansert. Veiledning fungerer når elevene får nok av det. Før pandemien viste nesten 100 strenge studier at veiledning med høy dosering (3 eller flere økter i uken, vanligvis 1 til 1 eller 2 til 1, med strukturerte leksjoner) ga noen av de største gevinstene som noen gang er målt. I noen tilfeller fikk studentene tilsvarende et ekstra år med læring. Det var dyrt, noen ganger over $4,000 per student, men det fungerte. Det som endret seg etter pandemien var skala. Administrasjonen oppfordret distriktene til å bruke gjenopprettingsmidler, og innen 2024 rapporterte omtrent 46 % av offentlige skoler å tilby veiledning. Men i praksis var det vanskelig å levere. I 2023–24 studerte forskere mer enn 20 000 studenter over hele USA. Rundt 9 000 ble tilfeldig tildelt veiledning og 11 000 ble ikke. Resultatene var bare en til to måneder med ekstra læring i matematikk eller lesing, sammenlignet med helårsgevinstene sett før. Forskerne understreket at minutt for minutt-veiledning var like effektivt, men elevene fikk rett og slett ikke nok av det. Hvorfor? Logistikk i stor skala er vanskelig, kvaliteten var ujevn, og til og med elever i «kontroll»-gruppen fikk mer ekstra hjelp enn før, for eksempel matematikk- og leselaboratorier eller databaserte programmer. Så min takeaway er ikke at veiledning ikke fungerer. Det er at vi ikke har funnet ut hvordan vi skal levere det i stor skala. Det er akkurat der jeg tror AI-veiledning kan hjelpe. AI kan være tilgjengelig når en elev er klar til å lære, tilpasse seg hull i sanntid og holde frekvensen høy nok til å nå dosen som forskning viser faktisk flytter prestasjoner. Jeg sier ikke at AI erstatter gode lærere. Jeg sier at AI endelig kan gjøre konsistent, høyfrekvent praksis av høy kvalitet mulig for langt flere studenter. Jeg snakket med @MathosAI i går, som jobber med matteveiledning, og det gjorde meg optimistisk med tanke på hva som kommer videre. Jeg vil gjerne høre fra andre: hvilke AI-veiledere, verktøy eller selskaper ser du som føler at de flytter nålen?

Noen mer kraftgreier. Jeg prøver ikke å ta over nisjen som folk som @pretentiouswhat eller @laurimyllyvirta dekker så godt, men bare dele noe overraskende jeg lærte. Så etter tweeten min (og den Fortune-artikkelen), sendte en venn som følger energi meg en melding og sa: Visst Kina genererer mye strøm, men hvordan de tar betalt for det er også veldig annerledes - du vil bli sjokkert over hvor billig boligstrøm er der fordi de subsidierer husholdningene ganske mye. Først tenkte jeg: det er interessant, jeg hadde egentlig aldri vurdert hvordan bolig- vs. industripriser er strukturert. Så gravde jeg i tallene og ... jøss. Dette er fra 2019-tall, men: - I OECD betaler husholdningene i gjennomsnitt 1,53 × mer for elektrisitet enn industrien. - I USA er det omtrent 1,5 ×. - I Kina er det motsatt: husholdningene betaler bare 0,85 × av industriprisene, det nest laveste forholdet blant 36 land. 🤯 Så ja, Kina genererer og overfører mye kraft, men det tar også et bevisst politisk valg for å holde husholdningenes priser billige, mens industrien betaler relativt mer. Selv om det er "relativt mer", er det faktisk fortsatt billigere enn USA. Fortsatt 2019-tall: USA: Bolig: 1.046 RMB/kWh Industriell: 0,703 RMB/kWh Kina: Bolig: 0,542 RMB/kWh (40 % av OECDs gjennomsnitt) Industri: 0,635 RMB/kWh (70 % av OECDs gjennomsnitt) Dette stemmer virkelig overens med min egen amerikanske erfaring, der boligprisene fortsetter å stige og jeg føler meg klemt til tross for at jeg har installert en haug med solenergi, og det viste virkelig hvor forskjellige de politiske prioriteringene er.

For et par uker siden gikk jeg litt viralt for å si at i Kina er kraft for AI nær et «løst problem». Ikke bare når det gjelder produksjon, men også overføring. Det er en kontrast til Silicon Valley, hvor samtalen handler om hvorvidt vi har nok strøm. Jeg mener, @elonmusk er enig, han tvitret for to dager siden at «selskaper i Kina vil være de tøffeste konkurrentene, fordi de har så mye mer elektrisitet enn Amerika» og har i utgangspunktet vært veldig konsekvent med å kalle elektrisitet en hard begrenser for AI. Men (!) å ha mye kraftproduksjon og sterke høyspentledninger betyr ikke at hele problemet med "AI-infrastruktur" er løst. Jeg ble faktisk stilt noen tøffe oppfølgingsspørsmål til tweeten min, noe som fikk meg til å grave dypere og komme over en Huawei-hvitbok om AI-datasentre. Det er teknisk og tett, men faktisk ganske klart, og jeg tenkte det var verdt å dele et sammendrag, hvorav det meste vil virke intuitivt hvis du bare satt der og tenkte litt på det. Og å ja, hvis det er eksperter som er uenige, vennligst hopp inn -- jeg er på ingen måte en ekspert her. Så her er det som betyr noe for AI DC-er (AI-datasentre) utover å "ha strøm": 1/ Størrelse og tetthet: Moderne AI-klynger er ikke bare sultne, de er tette. I stedet for at stativer trekker 20–50 kW som før, beveger vi oss mot 100 kW+ per stativ. Hele anlegg begynner å trenge 200–500 MW jevn forsyning. Utfordringen er ikke bare å lage elektrisitet, men å levere så mye strøm til ett enkelt anlegg på en sikker og pålitelig måte. 2/ Kjøling: All den kraften blir varme. Tradisjonell luftkjøling vil ikke kutte det; Væskekjøling og mer effektiv design er i ferd med å bli standard. Målet er å holde energieffektiviteten (målt som PUE) ekstremt stram – 1,15 eller lavere – ellers øker kostnadene og stabiliteten raskt. 3/ Nettverk: Å kjøpe flere GPUer garanterer ikke raskere AI. Hvis nettverksinfrastrukturen som kobler dem sammen, ikke kan holde tritt, lar du ytelsen ligge på bordet. Datasentre går fra 200G-nettverk til 400G og 800G, med smartere planlegging for å få mest mulig ut av store klynger. 4/ Operasjoner: Å kjøre disse nettstedene er ikke "sett det og glem det." Skalaen er så stor at påliteligheten avhenger av rask, automatisert overvåking og selvreparasjon – å fikse vanlige feil på minutter, ikke timer. 5/ Ytelse i den virkelige verden: Trening får mye oppmerksomhet, men inferens (faktisk å kjøre AI for applikasjoner) har sine egne krav: latens, nøyaktighet, samtidighet og effektivitet. Et datasenter designet for 30 ms anbefalinger er ikke det samme som et designet for 200 ms taleapplikasjoner. Kinas styrke innen kraftproduksjon og overføring er reell, men mange utfordringer gjenstår: hvordan levere kraft med ekstremt høy tetthet, hvordan kjøle den ned, hvordan koble den sammen og hvordan kjøre den pålitelig. Det er de praktiske utfordringene som vil avgjøre hvem som bygger den beste AI-infrastrukturen, ikke bare hvem som har mest strøm, selv om det å ha massevis av strøm åpenbart er en forutsetning for å komme i gang med resten av disse tekniske problemene!

Tilfeldig tanke: Jeg har nettopp solgt en 2015-bil gjennom CarMax. Tilbudet deres var høyere enn både innbyttetilbudene jeg fikk andre steder og Blue Book-verdien, og hele prosessen var superenkel (tok omtrent en time). Tror du plattformer som dette faktisk presser opp prisene på brukte biler på grunn av bekvemmelighetsfaktoren? Jeg ble ærlig talt overrasket over hvor glatt det var.

🇮🇳🤝🇨🇳 18. august publiserte kinesiske statlige medier (Observer) en artikkel med tittelen «Indiske magnater tiltrukket av kinesisk teknologi, stille fremme samarbeid». Noen detaljer, som Bloombergs rapportering om Adani-BYD-samtaler, har siden blitt benektet, men den bredere fortellingen er slående: (Kina tror) Indias toppkonglomerater beveger seg nærmere kinesisk teknologi etter hvert som relasjonene tiner. Stykket fremhever: - Gautam Adanis rapporterte besøk til Kina for å møte CATL - Sajjan Jindals JSW Group er enig med Chery om EV-teknologi og komponenter; og - Mukesh Ambanis Reliance veier stille eierandeler i kinesiske batteriselskaper Analytikere legger til at indiske grupper mangler EV/batterikunnskap og forblir avhengige av Kina (Ajay Srivastava), forsyningskjedesikkerhet er nå et konkurransefortrinn (Kumar Rakesh, BNP Paribas), og selvfølgelig er Kina selv begeistret for evnen til å lede overgangen til ren energi (Wang Huiyao). Denne dekningen kommer når India gjenopptar utstedelse av turistvisum til kinesere, Kina lemper på ureaeksporten, direkteflyvninger kan starte på nytt etter 5 år, FM Wang Yi besøker India, og det ryktes at Modi skal delta på SCO-toppmøtet i Tianjin. Selv med omstridte detaljer er retningen klar: India og Kina tar små skritt mot å jobbe sammen innen teknologi. Til @TechBuzzChina fortsetter vi å se denne økende indiske interessen og bemerker at kinesiske selskaper i økende grad er åpne for å engasjere seg. Spennende greier.

Som jeg nevnte, er SV fiksert på elektrisitetsproduksjon når det kommer til AI. Det er ikke en dårlig ting siden vi virkelig trenger det, og forhåpentligvis fører all denne bekymringen til reell fremgang.

Jeg var spent på å prøve Baidus AI-fotoprodukt for et familieprosjekt, da jeg trodde det automatisk ville retusjere gamle bilder. Det viser seg at det faktisk er for å photoshoppe ansiktet og kroppen din, inkludert å gjøre deg høyere.