Tocmai a fost observată o ajustare esențială a mecanismului de distribuție a algoritmului X: se rupe "segregarea limbajului" pe linia temporală. X începe să traducă automat conținutul în limbi străine în limba pe care ai setat-o și să-l trimită direct în timeline. În trecut, nu doar că trebuia să dai click manual pe "traduce", iar algoritmul de recomandare de obicei nu îți introduce activ acest tip de conținut "de neînțeles". Nu sunt sigur de cât timp este această funcție online, dar este prima dată când o simt clar. Aceasta înseamnă că conținutul de calitate nu va mai fi limitat de limbă, iar autorii trebuie doar să creeze în limba lor maternă, iar acesta va fi tradus automat în limba maternă a cititorului pentru distribuție. X Această etapă scade pragul pentru comunicarea între limbi, iar acest lucru poate fi realizat în principal prin modele lingvistice mari (Grok).

Pentru revizuirea anuală din acest an, i-am cerut agentului AI să facă un inventar detaliat bazat pe date despre mine. Acest proces este împărtășit deoarece îți permite să finalizezi cu ușurință extragerea de date de nivel profesional fără experiență în programare. Este chiar mai simplu decât Vibe Coding, necesitând: date complete + Agent de Programare. Pentru a valida limita superioară a acestui proces, am selectat în mod deliberat cel mai mare și mai complex profil de sănătate pe 10 ani al datelor personale pentru testarea de stres. 1️⃣ Scala datelor și pragul de procesare Ceea ce a fost exportat în cele din urmă din aplicația Apple Health a fost o copie a datelor brute legate de sănătate de pe un Apple Watch de până la 3,5 GB în dimensiune. Acest document conține sute de mii de înregistrări ale ritmului cardiac, precum și diverși indicatori fiziologici cu o granularitate foarte fină. Înainte ca AI să intervină, ar trebui să petrec cel puțin câteva zile cercetând biblioteci Python și analizând structuri complexe de date XML pentru a gestiona date la această scară. Acesta este adesea cel mai mare obstacol pentru mulți oameni atunci când se confruntă cu "cuantificarea". 2️⃣ Fluxuri de lucru activate de agent Când am introdus agenți de codare precum OpenAI Codex sau Claude Code, întregul proces a fost complet transformat. Nu mai trebuie să te concentrezi pe implementări specifice de cod, ci doar să definești "scopul analizei". Agentul execută automat o buclă recursivă: cercetarea autonomă a structurilor de date → scrierea de scripturi Python → a întâlni excepții → a cerceta și corecta din nou codul. Poate finaliza întregul proces, de la curățare la analiză, independent, ajutându-mă să finalizez multe dintre ideile mele anterioare care au fost puse pe pauză din cauza costurilor tehnice ridicate. Dacă nu știi cum să începi, poți mai întâi să-i spui fundalul sarcinii și fișierele corespunzătoare, astfel încât să poată explora singur, cum ar fi: > Acesta este un export complet brut Apple Health, vă rugăm să verificați ce tipuri de date de sănătate sunt incluse. Care este intervalul de timp? > m-a ajutat să găsesc 10 informații bazate pe aceste date de sănătate. > Pe baza diferitelor categorii de date de sănătate, vă rog să mă ajutați să aflu dacă există o corelație între diferite categorii de date. > Confirmați că cercetarea dumneavoastră este corectă, vă rog să o verificați și să-mi dați mai multe date intermediare, voi confirma. Toate acestea pot fi ușor de realizat și poți chiar să faci cercetări mai complexe și specifice. ⚠️ Notă: Deoarece datele brute ale datelor de sănătate sunt relativ mari, nu pot fi introduse direct în aplicații precum ChatGPT, așa că tot trebuie să folosești versiunea CLI a Agent de Codare pentru cercetare (IDE-uri precum Cursor pot funcționa de asemenea). Mai exact, poți întreba AI: > Cum să instalezi Codex CLI / Claude Code CLI. 3️⃣ Prezentare generală a exemplului Această analiză acoperă întreaga perioadă din 18 mai 2015 până în 25 decembrie 2025, pentru un total de 3875 de zile. În această perioadă, am purtat 5 Apple Watch-uri cu 3503 zile de uzură efectivă, cu o rată de uzură de peste 90%. Cel mai lung record de purtare continuă este de 399 de zile, iar cea mai lungă întrerupere este de 33 de zile. 4️⃣ Perspective cheie: Studii de corelație privind ritmul cardiac în repaus Pe baza setului de date valid curățat, agentul a descoperit câteva tipare interesante care nu fuseseră descoperite anterior. Următoarele concluzii sunt calculate de Codex (Notă: În prezent doar corelate, nu cauzale): 🔊 Presiunea imediată a zgomotului ambiental (dimensiunea eșantionului: 1802 zile): Zgomotul ambiental mai ridicat → crescut probabilitatea unui ritm cardiac ridicat în repaus în timpul zilei cu aproximativ 5,2 ori. 🪑 Efectul de întârziere al sedentarității (dimensiunea eșantionului: 2546 zile): Mai puțin timp stând în picioare → probabilitatea de a avea un ritm cardiac ridicat în repaus a doua zi crește de aproximativ 1,75 ori. 🪜 Beneficii pe termen lung ale cățărării (dimensiunea eșantionului: 1909 zile): Urcatul scărilor la o înălțime mai mică → probabilitatea de a avea un ritm cardiac ridicat în repaus a doua zi crește de aproximativ 1,91 ori. Așa că, cel puțin pentru mine, un mediu mai liniștit, să mă ridic mai des la serviciu și să urc mai des scările pot avea beneficii pe termen lung pentru sănătate. 5️⃣ Sugestii de practică și acțiune Analiza actuală se concentrează doar pe dimensiunea ritmului cardiac în repaus, iar detaliile algoritmului și analiza încrucișată a mai multor dimensiuni vor fi compilate într-un articol detaliat și lung dacă va apărea o oportunitate în viitor. Dacă plănuiești să folosești AI și pentru acest tip de analiză, fii conștient că este important să stabilești un mecanism de validare. Agentul poate avea "halucinații" când lucrează cu logică complexă, iar se recomandă să se ceară să producă statistici intermediare sau să efectueze verificări manuale de eșantionare pe eșantioane mici pentru a asigura acuratețea concluziei finale. Sau verifică cu mai mulți agenți. 6️⃣ Rezumat Aceasta este doar o examinare digitală a propriului meu corp, iar concluzia poate să nu fie riguroasă și să fie doar pentru referință. Împărtășirea acestui proces are scopul de a arăta cum Coding Agent face legătura între prăpastia tehnologică: extragerea activelor de date nu mai necesită scrierea codului, ci doar să pui întrebări. Acum că pragul tehnic a dispărut, mai bine scoți datele prăfuite și vezi ce detalii neașteptate te poate ajuta AI-ul să scoată la iveală.

Tocmai am atins o bornă, iar impresiile lunare din această lună au depășit în sfârșit 10 milioane. Care este conceptul acestui număr? Este mai mult decât dublul impresiilor mele din ultimele 12 luni la un loc. (Desigur, asta înseamnă că datele mele au fost foarte slabe.) ） Dacă cineva încă se îndoiește de autenticitatea acestui număr, schimbă-l cu alte date de Bookmark. A fost marcat la favorite de aproape 10.000 de ori în această lună, ceea ce este aproape echivalent cu ultimele 24 de luni la un loc. Recent, câțiva dintre noi am dobândit o nouă înțelegere a algoritmului de recomandare al lui X, unele fiind metafizice, iar altele conținând și factori aleatori. Dar, practic, ceea ce se poate confirma este: > AI + Codificare Vibe + Experiență personală autentică + Structură de articol potrivită pentru citirea pe rețelele sociale sunt factorii pe care acest nou algoritm îi va prioritiza. Desigur, traficul este doar un aspect. Mai mult, subiectul AI și Vibe Coding este deosebit de maleabil, iar aproape orice aspect al produsului poate fi explorat. În ultimele două luni, am lansat și multe produse/site-uri, iar totalul DAU-urilor a depășit 1000, dar încă este foarte puțin. Nu am găsit încă un model de profit, așa că poate va trebui să încerc câteva altele ca să am o șansă. Dar cred că aceste produse anterioare au generat o valoare reală utilizatorilor, altfel nu ar fi deschis o pagină web în fiecare zi. Poate că aceasta este frumusețea Vibe Coding: nu mai scrii cod doar de dragul de a scrie, ci pentru a captura acea idee trecătoare și a o transforma într-un produs la îndemâna tuturor. În ceea ce privește cum să monetizezi, mai bine lași această întrebare pentru următoarea iterație.