谢尔·卡藩(Shel Kaphan)是亚马逊首席执行官杰夫·贝索斯(Jeff Bezos)招募的首位员工,于1994年加盟亚马逊。
卡藩当时主要负责打造早期亚马逊时代的技术基础架构,并在帮助亚马逊从电子商务网站向数十亿美元的业务发展过程中发挥了非常关键的作用。
但是,尽管卡藩早期为亚马逊作出了巨大贡献,但他仍无法在该公司长期工作。
在加盟亚马逊的五年之后,卡藩宣告辞职,当时正值贝索斯又招聘了两位新技术经理并极大地减少了卡藩在亚马逊公司的作用。如今,卡藩从亚马逊辞职之后,就一直没与贝索斯联系过。
上周,卡藩在接受The Macro的克莱格·坎诺(Craig Cannon)采访时分享了他在亚马逊时的经验,并提出了一条非常重要的忠告,这条忠告可能会让任何初创企业的员工受益。这条忠告就是——任何初创企业的员工应当一直认为企业会越来越大,远远超过比他们的想像,同时还要为此变化做好准备,找到他们自己适应新环境的方式。
卡藩表示,“亚马逊的体验教会我的一件事就是,试想一下,如果一个项目或一家公司会比你可能想到的样子更成功,那么这个项目或这家公司会是什么样子。尽管这非常难以想象,但还是有可能想象一下。你们必须思考:如果那种情况发生的话,情况又会是什么样子,以及参与其中的人们又会如何改变。
当初我加盟贝索斯的团队一起组建亚马逊时,我甚至不想去那儿。我已经在诸多初创企业工作过,因此,初看上去,过多地思考可能发生的事就感觉像是一个不祥之兆,即使它真的会取得巨大成功。这就是我的想法。我希望,这能够起到作用并取得一些成功,甚至能够帮助我们赚到足够的现金,以此让我们在某一时刻隐退。
你们不需要思考你们能够想像之外的情况是否会取得巨大成功。当然,如果取得的成功超越了你们的想像,那么你们就需要开始思考——团队在取得这些成功的过程中,我到底起到了什么作用?那是我真正想要做的事吗?”
正如布拉德·斯通(Brad Stone)在《一网打尽:贝索斯与亚马逊时代(The Everything Store)》一书中所写的那样,当贝索斯停止卡藩在亚马逊公司的日常运营工作之后,卡藩极为震惊和难过,感到一切被毁。尽管亚马逊后来给了卡藩一个“首席技术官”的头衔,而且之后还称他为“亚马逊史上最重要的人物”,但是,贝索斯最终还是将卡藩撤出了一线,最终导致卡藩从亚马逊辞职。
卡藩将贝索斯的决定描述为“背叛了神圣的信任”和“我整个生涯中感到最为失望的事件之一”。
当然,卡藩对他在亚马逊的时光记忆犹新。他向The Macro表示,在亚马逊的最初两年时光,让他迎来了职业生涯中“高点”,而且也是“他人生中的辉煌时光”。
或许,如果卡藩对亚马逊公司发生的一切变化更加深思熟虑,那么他可能会因此而迎来不同的结局。
好文章,需要你的鼓励
这项研究提出了R1-Searcher++框架,通过两阶段训练策略使大语言模型能像人类一样灵活利用内部知识和外部信息。该方法创新性地采用强化学习激励模型优先使用内部知识,并引入记忆机制将检索到的信息转化为内部知识,实现动态知识获取。实验表明,R1-Searcher++不仅在多步问答任务上表现优异,还大幅减少了检索次数,显著提高了推理效率。
这项研究提出了AutoRefine,一种革新性的强化学习框架,为大语言模型引入了"边思考边搜索和完善"的全新范式。与传统方法不同,AutoRefine在连续搜索调用之间添加知识完善步骤,让模型能够有效过滤和组织信息。通过结合答案正确性和检索质量双重奖励,该方法在七项问答基准测试中平均提升6.9%的准确率,特别在复杂多跳推理场景中表现突出,解决了现有检索增强推理的核心局限性。
这项研究揭示了一种新型网络安全威胁:利用普通网络广告攻击AI网页代理。中科院研究团队开发的AdInject攻击无需特殊权限,仅通过精心设计的广告内容就能误导AI代理点击恶意链接,成功率高达90%以上。研究使用严格的黑盒模型,更符合现实场景,暴露了当前AI代理面临的实际安全漏洞。实验还表明,即使添加专门的防御提示,这类攻击仍能成功率超过50%,凸显了设计更强大防御机制的紧迫性。
东北大学与快手科技联合研发的UNITE系统为多模态信息检索带来突破性进展。这项发表于2025年5月的研究首次系统分析了模态特定数据如何影响检索性能,并提出创新的模态感知掩码对比学习技术,有效解决不同模态间的竞争关系。UNITE能同时处理文本、图像、视频及其组合,在40多项测试中超越现有方法,即使与参数规模更大的模型相比也表现出色。研究发现视频-文本对在通用检索中表现优异,而文本-文本和文本-图像对对指令遵循任务至关重要,为未来多模态系统研究提供了宝贵指南。