铃阅
❌

普通视图

卡帕西嫌YouTube推荐太烦,让AI重做了一个

2026年11月13日 17:30

快刀青衣 2026-11-13 17:30 北京

最近,AI大神卡帕西因为嫌YouTube推荐太烦,干脆让AI给自己做了一个视频网站。

起因很简单。他想看点技术视频,打开YouTube,满屏却是震惊脸、大箭头、红圈圈。

当然,他也知道这些封面是算法倒逼出来的,封面如果不夸张就没流量,创作者也没办法。但知道归知道,他还是觉得很烦。

我们遇到这种事,大概吐槽两句就划走了。但他直接打开了Claude,让AI给他重做了一个,叫HackerTube。

大概两个小时,AI把网站做出来了。第一张图就是它的样子,你看,是不是感觉一下子就进入了学习环境?

你看,整件事的起点不是什么宏大的愿景,就是一个疲惫的人在周五深夜觉得“烦了”。

但他做了一件事,把这个“烦了”翻译成了一组非常清晰的取舍:要什么,不要什么,从哪里拿,怎么处理。这个翻译的过程,我觉得才是重点。

他给Claude的要求很具体:

▲ 从Hacker News这个技术社区二十年的历史讨论里,找出被不同的人反复推荐的视频。

▲ 封面不用那些夸张的自定义图片,直接从视频正片里截一帧。

▲不需要登录,打开就能看。

我看完也受到了启发。既然这个社区的历史讨论里,藏着那么多被反复推荐的视频,那应该也能找到值得读的书吧?

于是,我让AI从同一份12G的Hacker News技术社区数据集里,找了20本适合产品经理和程序员读的书。后面四张图就是这次整理的书单。

这里面有《程序员修炼之道》《设计心理学》,也有《三体》《思考,快与慢》。有些我压根没读过,有些看过也忘了。我准备借这个机会,把这些书好好看一遍。

你看,同一份数据,卡帕西用来找视频,我用来找书。

看起来好像全是AI在干活,但里面关键的判断,还是人做的:我需要什么,从哪里找,按什么标准选。这些想清楚了,AI才有明确的方向。

过去,我们有很多想法会卡在“我不会写代码”“找人开发贵”。而现在,你完全可以把需求告诉AI,动手试一试了。做出来的东西哪怕只解决你一个人的问题,也有价值。

如果你也有一些想法,想让AI给你做出来,却不知道如何开始,得到AI学习圈最近上线的《零基础AI编程实战课》可以带你迈出这一步。

这门课由南京大学软件学院刘嘉教授团队打造,一共12讲,从一个简单的打卡记录助手开始,带你用WorkBuddy做出网页、轻量应用和微信小程序,接入AI能力,让产品稳定运行。一步步实操,把想法变成现实。

这门课AI学习圈会员可以直接免费学,也支持单独订阅,限时早鸟价129元。点击下方链接即可了解详情。

跳转微信打开

给微信小程序大赛当了一天评委:AI让哪些「小需求」变成了产品?

2026年11月13日 13:20

原创 快刀青衣 2026-11-13 13:20 北京

你自己的小需求,就是产品的起点。

11月8号,也就是上周日,我从上午十点到下午五六点,整整在电脑前开着摄像头坐了一天。主要在干什么呢?当了一天的线上评委。

微信搞了一个小程序开发者大赛,我负责南部和海外赛区的决赛,一天下来,看了30多个小程序项目的路演。

整个流程还是挺简单清楚的,每个选手有8分钟来介绍自己的项目,然后留两分钟给我们三个评委提问。

今天我就想跟你聊聊,从这30多个小程序项目里,我看到的一些好玩的地方。

首先,光是「收藏」这个品类,就扎堆冒出来好几个。

有人专门做了一个小程序,拍下咖啡杯和奶茶杯,把杯身上的标签抠出来,做成电子贴纸收藏册。有人专门收藏奶茶品牌的纸袋,拍一张照片,AI帮你匹配款式、自动归档。

还有人收藏空瓶,用完一瓶护肤品,拍个照,AI识别品牌,给你生成一张带仪式感的空瓶卡片。

以前这些就是个人的小癖好,对吧?你跟朋友说,我在收藏奶茶袋子,人家可能觉得你有点奇怪。

我第一次看到这类产品的时候也很好奇,心里嘀咕:真的有人会收集这个吗?然后我去小红书搜了搜,打开了新世界。

而现在,这些特别小众的爱好,都有人专门做成了产品,而且真的有不少人在用。

不过,现场更让我在意的一件事是,这30多个小程序项目的开发者里面,只有一两个是之前做过程序员,或者本身会写代码。

其他人都是在AI的帮助下,完成了一个完整产品的搭建和上线,而且完成度相当高。

这事儿放在一年前,你想想看,一个从来没写过代码的人,能做出一个带AI识别、带数据库、带用户系统的小程序吗?

很难。但现在就是发生了,而且这件事不只发生了一次,是在30多个项目里批量发生。

所以,AI的迭代速度真的很快,千万别因为今天用AI做某个任务失败了,就马上给AI判死刑,说AI不行。有可能你睡一觉,第二天它就可以了呢。

而且说句扎心的话,除了一些特别高精尖的场景,最好别轻易说「AI不行」。因为很有可能是「我的AI不行」,换个人、换个方法,事情就做成了。

说回当天路演的项目,我先和你聊聊给我留下深刻印象的两个收藏类小程序。

第一个叫「DayDayCup」,做的是咖啡杯、奶茶杯贴收藏。你拍一张咖啡杯的照片,它通过抠图和OCR,把杯身上的标签识别出来,生成一张电子贴纸,放进你的收藏册。

上线宣传那一周,这个产品访问量接近两万,新增用户一万多,服务器费用直接爆掉。后来上线了会员,月费3.9元,上线11天总收入大概一万块。

不过,我倒觉得收入不是最重要的。因为有不少人在小红书上分享,而且有一句话出现的频率特别高:「没想到真的有这么多人跟我的爱好一样。」

第二个叫「袋袋集」,专门收藏奶茶纸袋的,这个跟第一个有异曲同工之妙。

开发者今年6月刚毕业。搬宿舍的时候,她发现自己攒了厚厚一沓奶茶袋,想带走,但东西太多,只能一只只拍下来。

后来她又发现,照片比纸袋更难管理,散落在几万张手机相册照片里,根本找不到。她就想,谷子、手办、卡牌都有专门的收藏工具,纸袋为什么没有?

于是她自己动手了。这个产品上线两周,将近2000个用户,一万三千多条收藏记录,人均收藏6.7只袋子。

你看,这两个产品解决的需求,放在以前,大概没有哪家公司或者产品经理会立项去做,因为市场太小了。但当一个人自己就能把产品搭出来的时候,市场大不大,反而没那么重要了。

你自己就是第一个用户,你自己的需求就是产品的起点。

再和你说一个真实的事情。十几年前,有一天,一个比我高几级的大领导把我留下来,说你是做产品的,我有个需求,你看看能不能帮我做一个产品出来。

他说自己特别喜欢喝酒,特别是白酒,但是市面上的白酒信息特别混乱,有没有可能做一个他们酒友的点评网站?

当时我调了十几个研发团队的人,还找了几十个兼职,帮我收集超市里各种还没有数字化的信息,才把这个现在听起来很简单的产品做出来。

想想看,如果这件事发生在今天,领导自己就能把这个产品做出来。当然了,前提是他自己愿意动手。

收藏类产品确实挺好玩,不过当天值得聊的还有另一个方向特别细分的产品。

有个小程序叫「泵速计算助手」,做的事情特别窄,就一件事:把医嘱上的给药剂量,换算成输液泵上要设定的毫升每小时。

ICU、急诊、麻醉、手术室的护士和医生,每天都要做这个换算,以前全靠手算,步骤多、单位杂,算完了还没法复核。

当时我听到这个项目介绍的时候,特别好奇,因为这个场景太精准了,普通人很难发现。我就在两分钟的提问时间里,问了开发者的背景。

开发者叫周轩旭,并不是我想象中的医护人员出身,他是做技术开发的。但是他身边有医生朋友,聊天的时候,朋友提到了这个痛点。一开始,应该也就是当作吐槽来说的。

但周轩旭把这件事记在了心里。后来,他通过微信搜一搜的后台数据,发现这个需求的搜索量还不小,就把小程序做了出来。

这个产品9月上线,已经累计1.14万名用户,其中2647人直接添加到了常用小程序,接近四分之一,全程没花一分钱推广。

要知道,这一万多人基本上全是医护人员,普通人根本用不到这个产品。

他路演的时候说了一句话,我觉得特别值得记下来:把AI放在研发侧,把确定性留在运行侧。

什么意思呢?就是他用AI帮自己写需求文档、做界面原型、跑系统测试,研发阶段AI深度参与。但是产品真正运行的时候,计算引擎完全不使用生成式AI。

原因很简单,在ICU里,同一个输入必须给出同一个输出,整个计算链路必须可审计。手术室的网络还不一定稳定,所以这个工具必须像计算器或者手电筒一样,一键就能用。

说实话,我觉得这个判断,比很多公司的AI产品负责人都清醒得多,没有为了蹭AI的热度,盲目往产品里塞各种AI功能。

说到这里,你会发现前面几个项目,AI的角色都是帮你做事,比如帮你识别、帮你归档、帮你算数。但当天还有一个项目,AI的用法完全不一样。

这个小程序的名字就叫「她写过」,是一个关于中国古代女性写作者的数据库。

提到中国古代女诗人,大部分人第一反应可能只能想到李清照,但这个小程序里收录了1000多位。

开发者路演的时候说了一句话。她说,大模型出现以来,所有东西都太容易生成了,很难分辨真假。她的选择是,用AI去寻找那些历史上真实存在过的女性写作者。

她从开源诗词库和哈佛的人物传记资料库里交叉匹配出第一批数据,然后花了好几个月持续修订。

收到线索,就回溯古籍原文,先让AI跑一遍,再自己核对。她说,数据发布前会经过19道闸门,每增加一道,都是她自己踩过的一个坑。

需要注意的是,这个小程序不会让AI生成一句诗或者一首词。AI在这里的角色,是帮人从海量古籍里,把那些真实存在过的女性写作者一个个捞出来,让她们重新被我们这些现代人看见。

这个小程序上线不到两个月,已经有4000多个用户,接近1000人添加到了常用小程序。还有高中生用户给她发私信,说自己看到这个项目之后,觉得受到了鼓励。

最后,我再和你分享一个我们几个评委打出的分赛区最高分项目,叫「回家计划」,是一个帮猫狗寻找新家的领养送养小程序。

宠物领养这件事,以前大部分平台只管发布。信息挂出来,留个联系方式,就结束了。审核没有,协议没有,回访也没有,领养完成之后,送养人和领养人之间就断了。

「回家计划」这个产品,把整条链路都接了起来。

送养人建档的时候,要逐项填写宠物的性格、健康状况、生活习惯,以及对领养家庭的要求。领养人申请之前,要先通过领养知识测验,分三个等级,等级越高,申请间隔越短。

等到双方确认后,系统自动生成协议,权利义务、违约责任都写在里面。纸质签字页带有二维码,可以扫码验证真伪,协议还会留档三年。

在宠物被领养之后,平台还会在交接次日、第7天、第30天提醒领养人上传照片,进行回访。

这一整套东西,是一个人做出来的。AI帮他做档案预审、内容审核,用户端还有一个AI助手叫包包,可以边聊边帮你整理送养表的草稿。

这个小程序上线一个月,注册用户3500人,日新增接近80,宠物曝光超过10万次,收到120多份领养申请。

我当时看完他的路演,第一个反应是:这不是一个简单的小程序,背后是一套思考得非常清楚的制度。而这套制度,是一个人加AI搭建出来的。

好,关于参赛项目我就先分享到这里。

一天看下来,30多个项目,说实话,我给分的时候挺纠结的。因为很多项目的用户量确实还不大,几十到几千不等,商业化也几乎都没有启动。

但我越想越觉得,这些人为什么愿意去做一个自己的产品,比最后谁的分数最高更值得聊。

收藏奶茶袋的那个女生,是因为毕业搬宿舍时,发现一沓纸袋扔不下手。做泵速计算的那个人,是因为身边有医生朋友,每天手算容易出错。

做古代女诗人数据库的那个人,是因为觉得这1000多个人不应该被忘掉。做宠物领养的那个人,是因为觉得领养完成之后就断联,这件事不对。

你发现没有?其实,每个人的起点都特别小,小到可能只是一个让自己觉得不舒服的瞬间。

但在AI时代,这样一个小小的瞬间,真的有机会长成一个不错的产品,然后找到跟你一样在意这件事的人。

所以,如果你心里也有这么一件事,一直觉得「要是有人做一个这样的东西就好了」,现在可以换个想法了:先做一个自己会用的东西。

哪怕只有你一个人用,也比一直放在脑子里想想要强。

课程推荐

如果你还不知道怎么动手,得到AI学习圈最近上线的《零基础AI编程实战课》,就是想帮你迈出这一步。

这门课由南京大学软件学院刘嘉教授领衔,联合邵栋、刘钦、赵凤山三位老师一起带练。一共12讲,从一个简单的健康记录助手开始,带你用WorkBuddy一步步做出网页、手机轻量应用和微信小程序,再逐步接入AI能力,让产品稳定运行。

你不需要一开始就有多么宏大的想法,也不需要有编程基础:先从自己生活、工作中的一个小需求出发,跟着老师动手,把想法变成现实。

这门课AI学习圈会员同学可以直接免费学习,也支持单独订阅,限时早鸟价129元。感兴趣的同学,欢迎点击下方的链接,了解课程详情。

阅读原文

跳转微信打开

Anthropic招股书划重点:分享关于AI生意和组织的10件事

2026年10月28日 07:00

原创 快刀青衣 2026-10-28 07:00 北京

看一家AI公司的产品、组织和价值取舍。

Anthropic这两天公布了自己的招股书,正文一共335页。

我刚打开的时候,也做了很久的心理建设。毕竟,300多页的全英文文档,想想就头大。我原本预料,里面会充斥着各种震撼但枯燥的数字。

但翻开之后,我还是愣了一下。

因为招股书最前面几页不是数据表,也不是收入增长曲线,而是一组配图:培养皿、生物结构图、星图,还有手绘的科学图解,有一种旧科学期刊的质感。

图片展示了Anthropic招股书开篇的配图,包含培养皿、生物结构图与星图。培养皿中红色菌落呈圆形分布,生物结构图呈现细胞结构,星图以深色背景点缀白色星点。图片下方文字认为AI是人类历史上最具影响力的科技之一,若管理得当,可加速科学创新、提高经济增长率、带来重大疾病治愈等。这些配图与文档中对Anthropic招股书开篇配图的描述相契合,体现了其旧科学期刊质感和暖橙色调。

正文图片

你很难第一时间反应过来,这是一份当红AI公司的上市招股书。它看起来更像某个自然研究机构的年度报告。

要知道,这家公司有可能创造美股史上最大科技IPO的纪录。

可它在开篇放的,却是培养皿和星图。这几页其实是七位创始人联名写的一封信。信的内容我放到最后说,因为它是这335页里非常值得琢磨的部分。

今天不聊股票,不聊估值,也不聊谁能在这场IPO里赚多少钱。

就从这份招股书里挑10件事,聊聊这家公司的产品、组织和一些关键判断。最后,我也会说说自己的看法。

第一件事,模型越便宜,总账单越大。

Anthropic在过去一年多里不断给模型降价。2025年11月发布的Opus 4.5,能力更强,价格更低。今年9月,Opus 5.5把单任务成本又降了约40%,Fable 5.1降了约25%,复杂编码任务的成本最多降了45%。

按常理,东西卖便宜了,总收入应该跟着缩。但Anthropic的收入曲线完全反了过来。

2023年全年收入4100万美元,2024年达到3.86亿美元,2025年达到45.85亿美元,2026年光上半年就已经达到162.86亿美元。

季度环比增速也从2025Q4的48%跳到2026Q1的132%,再到2026Q2的144%。

单价打下去了,总量反而炸了出来,而且使用量的增长远远超过了价格的下降。

这说明AI的使用量可能还远没到天花板。之前很多企业用得少,价格贵是一个重要原因。价格一降,需求就像被捅开了一个窟窿,往外冒个不停。

这在经济学里有个专有名词,叫杰文斯悖论。最经典的例子就是,蒸汽机变得更省煤之后,煤的总用量反而上去了。

第二件事,模型的保鲜期只有6个月。

招股书里有一个很容易被忽略的数据:2026年Q3收入的大约80%,来自过去6个月内发布的新模型版本。

也就是说,半年前的模型,贡献已经只剩两成了。

这对Anthropic来说,既是好消息,也是坏消息。好消息是,每次推出新模型,客户就跟着升级,迁移速度很快。坏消息是,你不能停。发布节奏哪怕慢一个季度,收入都可能立刻感受到压力。

前9个月上线了250个新模型版本、平台功能和应用,平均一天一个。最开始,我觉得大模型就是一台印钞机,不断收钱。

但现在看来,它不是一项一劳永逸的资产,更像一季一收的庄稼。这季种了才有粮,上一季的余粮很快就吃完了。

而且,这还只是Anthropic一家的模型发布。如果再加上OpenAI、谷歌、Grok和DeepSeek这几家,对咱们用户来说,选择确实会变成一件非常耗费精力的事。

第三件事,程序员放假,收入就掉。

招股书里提到,2026年元旦前两周,很多公司进入代码冻结期,Claude的客户总支出比再往前两周少了大约20%。

你看,一个数字,就把最核心的使用场景暴露出来了:Claude目前最大的收入驱动力是编程。

另一组数据也指向同一个方向。同样是Claude企业版用户,不用Claude Code的人,月均花费不到75美元;而使用Claude Code的前5%用户,花费大约是前者的20倍。

很多人用Claude,可能是写作、画图、做PPT或者聊天。这些场景都有,但真正形成大规模付费的,目前还是程序员。周一到周五上班,用Claude写代码、调bug、做code review;一到周末和假期,就放下了。

程序员对效率的需求最刚性,也愿意为省下来的时间直接付钱。这是目前AI赚到真金白银最清晰的一条路。

当然,Claude也关注到了这个问题。比如前两个月,他们就集中做了手机远程控制功能。相当于周末你也可以打开手机,让公司的电脑继续写代码。

不得不说,这实在是太卷了。

第四件事,老客户一年花9倍的钱。

招股书提到,剔除Claude Pro和Max订阅客户后,Anthropic的净收入留存率约为900%。

这个数字值得敲黑板。简单来说,这个净收入留存率意味着,同一批老客户,在这个季度花的钱,相当于一年前同季度的9倍。

要知道,传统SaaS行业做到120%已经算不错,150%就是顶级水平,也就是说,已经签约的用户,第二年还能再多贡献点收入。

而Anthropic这个数字居然是9倍。我看了好几遍,有点不相信自己的眼睛,因为这几乎是另一个物种。

为什么会这样?因为企业应用场景正在扩散。比如医药公司礼来就是一个典型案例。2025年7月,礼来向大约1万名研究人员开放了Claude Enterprise,也就是企业版。

不到一年,到2026年4月,使用范围就扩展到了全体5万多名员工,覆盖法务、财务、技术、肿瘤学等多个部门。

一个企业客户一开始可能只在一个部门试点,用着用着,就往其他部门铺开了。模型也在变强,半年前做不了的事现在能做了,能做的事就变成了新的预算。

所以,老客户会绑定得越来越紧密。

第五件事,超五成Fortune 500都是客户,但花的钱还不到预算的零头。

招股书里写着,Fortune 10全部、Fortune 500过半已经是Anthropic的客户。

这里和你解释一下,Fortune 500,是美国《财富》杂志每年按照营收规模排出的美国最大500家公司的榜单。换句话说,一大批最有实力的公司都已经成为它的客户了。

按行业看,最大的10家银行全部在列,药企前十占9家,芯片前十占9家。

听起来很厉害,对吧?但紧接着还有一个数字:这些Fortune 500客户花在Claude上的钱,平均不到自身总支出的0.1%。使用最深的前10家,也不到1%。

千分之一,这还是试水的状态。那从这个数字能看出什么?就是大企业已经买票进场了,但它们的大部分预算还趴着没动。

一旦AI从试点变成标配,哪怕支出占比从千分之一升到百分之一,对Anthropic来说,也意味着十倍的增长空间。

第六件事,自己90%的代码由Claude写。

接下来,和你说点从招股书里看到的组织变化。招股书里有一句话,很容易被当成营销话术一带而过:

截至2026年9月,Anthropic内部代码库九成以上的代码提交由Claude完成。工程师人均每天贡献的代码量,是2024年的45倍以上。

约5300名员工,他们最大的「同事」,就是自己做出来的模型。

对外卖代码能力,对内也把代码交给自己的模型来写。一家公司到底信不信自己的产品,看这一条就够了。

九成以上的代码提交由Claude完成,这个数字我完全相信。因为我们产研团队现在的代码工作也是这样做的。

并且不是像以前那样,具体指定哪几行代码怎么写,而是在飞书群里直接唤醒智能体,让它去写代码、做实验。人主要负责最后审核结果。

至少最近两个月,我们内部产研团队的工作方式也被彻底刷新了。

第七件事,AI干的活,在账面上已经比人贵了。

2026年1月至9月,Anthropic内部使用Claude的量,按公开标价折算价值,增长超过250倍。而在2026年4月,Claude当月使用量的折算价值首次超过了公司当月不含股权激励部分的人力成本。

这个数字算的是:如果Claude干的这些活拿到市场上去卖,值多少钱。

换个方式理解就是,5300个员工每个月领工资,Claude每个月也在干活。从4月开始,Claude干的活折算成市场价,比所有员工的工资加起来还高了。

这是一个组织形态上的里程碑:一家公司内部最「贵」的劳动力,已经不只是人了。

另一个变化发生在更长的时间段:从2024年底到2026年9月底,这家公司的员工从约940人涨到了现在的约5300人,但季度收入涨了86倍。

我们再看另一个数字,截止到2026年9月底的过去12个月人均营收超过660万美元,而一年前这个数字只有140万美元。

你看,人在增加,AI增长得更快,两者之间的剪刀差越来越大。

咱们AI时代经常出现的一个词叫「降本增效」。不过,从Anthropic的例子可以看到,企业更应该全力增效,而不是拿着降本的幌子变相裁员。

第八件事,故意不做图片生成,也不做视频。

招股书里有两处专门提到了Anthropic选择不做的事。OpenAI在卷图片,Google在卷视频,Meta在卷多模态。Anthropic在这些赛道上,一个都没卷。

招股书给了三个理由:第一,优先发展经济影响最大的方向。第二,编程和智能体场景本身就是安全研究的试验场,安全问题会在这些场景里真实暴露出来。

第三,也是我觉得最有意思的一条:代码的输出可以验证。代码能跑测试,对错比较清楚,模型训练就有明确的反馈信号。图片好不好看、视频对不对,很难用同样的方式判断。

不做这些事情省下来的算力,全部投给了编程、智能体能力和安全研究。

对我来说,这可能是10个洞察里最有意思的一个。一家公司选择做什么,大致能看出它的能力;选择不做什么,才能看出它的判断。

第九件事,封掉了贡献5%到7%收入的违规客户。

这条跟上一条其实是同一套逻辑。Anthropic在招股书里披露,2026年前9个月,大约5%到7%的收入来自事后发现违反使用政策或商业条款的客户。

这个比例其实不小。而且招股书把这件事的运作方式说得很直白:钱是先照收的,查到违规之后才限制或封号。由于查得慢,收入里一直有这么一部分。

8月和9月,公司专门加强了检测和打击,预计这部分收入后面会下降,还可能拖慢整体增速。

更有意思的是,招股书也承认,被封的账户会换新号重新注册。封了之后,这笔钱还可能回来。顺便一提,业内都知道,新加坡是Claude流量最大的市场之一。懂的都懂。

从这点上说,恐怕很多国内用户对这家公司的态度都很复杂:从价值观和企业文化的角度,大家极其厌恶这家公司的某些做法;但从模型能力和完成任务的水平来说,又让人欲罢不能。

所以,这不是一刀切封完就干净了,而是一场未来还会持续的拉锯游戏。

第十件事,七位创始人在招股书开头写了一封劝退信。

回到最开始说的那封信。

绝大多数公司的招股书开头,都是CEO给投资者写一封信。套路基本差不多:我们很棒,我们还会更棒,欢迎加入我们的旅程。

Anthropic的七位创始人联名写了一封完全反过来的信。

他们说,AI的发展速度可能远超所有人的预期,包括他们自己。他们说,这项技术带来的风险是真实的,他们也没有完全想明白该怎么应对。

他们甚至说,投资这家公司有巨大的不确定性。如果你不能承受这种不确定性,请谨慎考虑。

一家正在冲刺美股史上最大科技IPO的公司,在招股书开头对投资者说:请谨慎考虑。

这封信里,创始人自己用了一个词:anti-sell。也就是「劝退信」,先把公司的取舍说明白,让愿意接受这些取舍的人留下。

还有一点值得注意,Anthropic的公司全名叫Anthropic PBC。PBC是什么意思呢?指的是公共利益公司。它在公司结构上有两层锁。

第一层,七位创始人通过F类股持有50.1%的投票权,确保资本进来之后,不会把公司的方向投没了。投资人哪怕有钱,也不能轻易改变他们的方向。

第二层,一个叫长期利益信托的机构控制着董事会多数席位,督促公司兼顾公共利益。信托设有五个受托人席位,不过披露时有一席空缺。

受托人不能直接购买或持有公司的证券,他们领取固定现金报酬,报酬也不与公司利润挂钩。

两层加在一起,目的就是让公司的使命不被股东大会推翻,也不被创始人自己的短期利益绑架。

回头再看开头那几页培养皿和星图,你大概就理解了。

时间长了,肯定有很多人会说他们矫情。比如,他们反复强调安全和价值观;比如,他们对国内用户采取最严格的封杀措施;再比如,他们因为拒绝美军使用,自己也被挂上了黑名单。

最开始,我作为实用主义者,总觉得他们有很多表演的成分。但最近两年,我去硅谷,几乎都会找几位Anthropic的员工深入聊聊。因为我好奇,这些华人怎么能在一家如此「反华」的公司里生存。

聊下来之后,我发现这几位同学极其相似,也都非常相信自己企业的叙事。包括今年8月去的时候,朋友送给我两本Anthropic的内部宪法小册子。

我断断续续翻完之后,最大的感受就是,他们在这件事上,内外部还是比较一致的,至少不像一些企业那样说一套做一套。

正文图片

从我工位上的小册子,到这份刚出炉的招股书,这家公司一直在强调一件事:我们在做一件很重要、也很危险的事,而我们自己也不确定结局。

好,这就是我从这份招股书里看到的一些有意思的细节。

当然,一家全世界都异常关注的公司,三百多页的招股书,里面肯定还有很多我没挖掘出来的有意思的东西。

感兴趣的朋友完全可以自己去读一下。读不懂也不要紧,不是还有AI嘛?

Anthropic招股书原文:

https://www.sec.gov/Archives/edgar/data/2130357/000162828026067168/anthropicpbc-sx1.htm

双11大促

这篇文章是我在得到AI学习圈的日更内容。

除了每天更新的AI专栏,AI学习圈还提供不同行业的AI落地案例和实操教程,最近更新了Codex办公、Claude Code实战、WorkBuddy数据分析、LibTV短片创作等主题教程,带你一步步上手,用好AI。

目前,AI学习圈正在进行双十一大促,原价399元/年,活动期间立减60元。优惠截止至2026年11月13日,点击下方链接即可入手。

阅读原文

跳转微信打开

DeepSeek四天三连击:模型升级、开放搜索,还开源了自己的「印钞机」

2026年10月22日 07:30

原创 快刀青衣 2026-10-22 07:30 北京

为善与众行之,为巧与众能之。

我之前说过,底层大模型的更新现在非常快,而且每个都挺强的,各有特点。作为普通用户来说,其实没有必要追得那么紧,所以我会挑自己觉得重要的进展讲给你听。

今天就来跟你聊聊最近备受关注的DeepSeek,因为在四天里,它接连干了三件事。

10月17号,DeepSeek发布了V4.1 Flash的新版本1017。同一天,开放了自研搜索API。10月20号,又把内部推理框架DeepInfer全面开源。

这三件事挤在一起,单看哪一件,都可能觉得只是一次常规更新。但连起来看,就值得多琢磨一下了。今天我就把这三件事拆开,一件一件聊。

先说1017版本到底有多能打。DeepSeek官方对这次更新的定义是「minor update」,什么意思呢?就是小版本迭代。模型结构没变,分词器没变,提示词格式也没变,只改了权重。

你看,只改权重,能有多大变化呢?所以一开始,我也没太重视这种级别的迭代。

结果出来的成绩,却把不少人吓了一跳。在DeepSWE这个软件工程能力测试榜单上,1017拿到了77.0分。这个分数是什么概念?Claude Opus 5是74.0,GPT-5.6 Sol是73.0。

一个开源模型的小版本更新,编程能力就跑赢了两家闭源模型。当然,我必须得再解释一句,拿来对比的这两个模型,并不是两家对手最旗舰的模型。

不过,在大模型竞技场的编程领域,也就是Code Arena的WebDev网页开发赛道上,1017拿到了1670分,是排名最高的开源模型,距离OpenAI家的GPT-6 Sol只差十来分。

有网友看完后,直接开玩笑说,这么强悍的能力提升,都不配叫V4.2吗?确实,光看成绩单,叫「小版本迭代」多少有点凡尔赛了。

另外,能力提升了,做同样的事还更便宜了,这一点也值得看看。

有实测者做了个对比,让1017生成一个「鹈鹕骑自行车」的动画,用时172秒,花了0.17元。两个月前的旗舰V4-Pro要240秒,花0.31元。Claude Opus 5.5要519秒,花大约8.5元。

做同样一件事,1017花的时间只有Claude的三分之一左右,花的钱则只有五十分之一左右。

社交媒体上另一个案例传播得更广。有人把一段「特斯拉飞起来」的发布会视频交给1017,让它生成一个完整的动态3D网页。

最后交付的效果没什么明显的bug,还抓住了原视频里从地面加速、爬坡、倒挂飞射到离地悬停这几个关键环节。一共花了4块钱。

网友们的评论很一致:很难相信,一个比闭源模型便宜90%的模型,能做出和GPT-6.1 Sol Ultra模式一样好的效果。

DeepSeek官方说,这次训练的核心变化,是采用了「基于自反馈的强化学习」。这是什么意思呢?其实就是让模型自己出题、自己打分,再根据分数不断改进。

以前的强化学习主要靠人来反馈,现在可以让AI自己提供反馈,这样就能24小时不停地出题、训练和迭代了。

另外,这次还增强了从零开始构建完整项目的能力。

他们管这叫「许愿式编程」:你说一句话,它就帮你把整个项目搭出来。官方演示案例里有故宫3D建模、网页赛车游戏。

有实测者让它在Claude Code里搭建故宫太和殿的3D模型,23分钟就交付了,花了大约1.4元。

能力提升了,算力消耗少了,API定价还不变,等于所有在用DeepSeek API的人,都免费享受了一次升级。

好,说完1017版本,我想请你注意第二件事。就在发布1017版本的同一天,DeepSeek还开放了自研搜索API。

这件事没有1017版本那么抢眼,很多人可能会直接略过。不过,公告里有句话,我想特别跟你说一下。

官方在介绍这个搜索API时,写道:「针对SEO作弊、GEO操纵和低质AIGC,我们通过严格的识别机制对其进行过滤,确保向用户与LLM呈现权威可信的信息。」

这句话在产品介绍里很不起眼,但分量不轻。相信很多同学对SEO(搜索引擎优化)应该不陌生,百度当年的崛起,很大程度上也和这门生意有关。

以前,互联网上有一大批人专门研究怎么做SEO,想办法让自己的网页在百度、谷歌的搜索结果里排得更靠前。

他们堆关键词、搞垃圾外链、做站群,把搜索结果搞得乌烟瘴气。你搜一个问题,前几条结果可能全是广告和垃圾内容。

现在AI时代来了,又出现了一个新词,叫GEO,全称是Generative Engine Optimization,也就是生成式引擎优化。它做的事情,底层逻辑和SEO差不多,但目标变了。

以前是想办法骗搜索引擎,让人看到垃圾;现在是是想办法骗AI,让AI在回答里推荐垃圾。当然,我知道肯定会有很多朋友说,GEO本身是中立的,技术没问题,但咱们没办法防止别有用心的那些人。

具体怎么操作呢?有人专门批量生产给AI看的内容,压根没打算让人读。这些内容经过精心设计,目的就是让大模型在回答用户问题时,把他们的产品、链接和推荐信息塞进去。

还出现了海量的藏在水面之下的网站,主要就是给AI看,而不是给人看的。你问AI一个问题,AI给你的回答看起来很专业,但里面夹带的推荐,可能就是这帮人提前塞进去的。

要知道,今年央视「3·15」晚会还专门曝光过这类「AI投毒」行为。

而且你想想,这件事比以前的SEO还要麻烦。以前SEO再怎么污染,污染的也是搜索结果页面。你打开百度,前三条是广告,心里多少有数,往下翻就是了,你至少还有辨别的机会。

但GEO污染的是AI的回答本身。你问AI一个问题,AI用流畅又自信的语气给你一段回答,你根本分不清这里面哪句话是模型自己推理出来的,哪句话是因为被喂进去了外部内容。

信息污染从「摆在你面前让你挑」,变成了「直接混进你的答案里」。

我举个例子,比如你要买个数码产品,想问问应该买哪款。AI给你推荐了五款,第一款、第二款可能都是大家公认的好品牌、好产品。

这时候你就放松了警惕,但第三款可能就是个不知名的二三流品牌,你还以为这是AI根据你的需求专门挑出来的。如果把这个场景换到食品、健康这些领域,问题可能就更严重了。

信息污染的方式,就这么变了。

DeepSeek在公告里明确把SEO作弊、GEO操纵和低质AIGC列为过滤对象,说明它已经开始从搜索这一层着手处理这个问题。至少在使用DeepSeek搜索的场景下,这些垃圾内容会被针对性地识别和过滤掉。

现在还说不上这个会带来多大变化,但时间长了,我觉得一定能在使用习惯上,对那些还在搞竞价排名的搜索引擎形成致命打击。

好,接下来咱们再说第三件事。10月20号,DeepSeek宣布把内部推理框架DeepInfer全面开源。

先解释一下什么是推理框架。大模型的工作分两步:训练和推理。训练是教模型学东西,推理是让模型干活。你每次跟DeepSeek对话,背后都离不开推理过程。

但模型要完成推理,还需要一套系统配合。你想想,每天全球有几十亿次请求涌进来,谁来调度这些请求?谁来决定哪张显卡处理哪个任务?怎么让几千张卡协同工作,还不浪费算力?

这就是推理框架干的事。

打个比方,模型是厨师的手艺,推理框架就是厨房的设计。同一个厨师,在一个设计合理的厨房里,一小时能出50道菜。

换一个乱七八糟的厨房,可能只能出10道。厨师的手艺没变,出菜速度却差了5倍,差别全在厨房上。

这次开源的DeepInfer,就是DeepSeek自己厨房的全套动线图。

这套系统实际跑起来怎么样?DeepSeek在技术报告里公开了一组数据:基于DeepInfer这套系统,单一集群每天处理155万亿个Token,折算下来每卡每小时收入38美元。这个数字啥概念呢?

必须要说,非常震撼,这是衡量算力变现能力的一个非常关键的指标,而很多云上出租算力的机构,这个指标做得好的,估计也就10美元左右。

有人说,这相当于DeepSeek把自己的「印钞机图纸」开源了。这个说法非常形象,也很贴切。不过,你可能更想知道,把这张图纸公开,其他人能拿它做什么。

在这之前,DeepSeek的模型权重已经开源了,可以下载,也可以自己部署。可自己部署之后,怎么调优,成本都很难降到官方API那么低。

这让很多云厂商不太愿意卖DeepSeek的模型,因为很难在价格上竞争过DeepSeek自己的API渠道。模型给你了,但怎么让模型高效运行的那套东西,还没给你。

现在,推理框架也开源了。想自建DeepSeek服务的团队,不用再从零开始摸索工程细节了。

菜谱给你了,怎么设计厨房、怎么安排工位、怎么让出菜速度最快的那套经验,也摊开给你看。

当然,这里也得说清楚,DeepSeek开源的是一个可以自己拿去独立部署的版本。DeepSeek自己在线上运行的那套与集群深度绑定的调度系统,比如存储管理和负载均衡,并没有包含在内。

如果你想靠照搬开源版复现每卡每小时38美元的成绩,是做不到的。从「能部署」到「部署得划算」,中间还有很多工程问题要解决。

但是,有了这些思路和路径,其他公司和团队要摸索的路也能短一大截,不用再从头开始了。

还有一个细节值得说,这个仓库采用的是Apache 2.0协议。这协议是什么意思呢?就是任何人都可以拿来商用。

DeepSeek在开源公告里引用了一句古文:「为善与众行之,为巧与众能之。」这句话出自《尹文子》,意思是好事要和大家一起做,技巧要让大家都会。

有网友看完评价说,这才是真正的OpenAI。

最后,还必须说一句,我们已经把得到大脑里的小步AI助手全部切换到了DeepSeek最新的1017版本。

最大的感受就是回答问题更快了,而且面对复杂问题,解决得也更好了。你也可以下载最新版本的得到大脑试试看。

DeepSeek相关公告:

DeepSeek 开源推理框架:走向真正普惠的未来

双11大促

这篇文章是我在得到AI学习圈的日更内容。

除了每天更新的AI专栏,AI学习圈还提供不同行业的AI落地案例和实操教程,最近更新了Codex办公、Claude Code实战、WorkBuddy数据分析、LibTV短片创作等主题教程,带你一步步上手,用好AI。

目前,AI学习圈正在进行双十一大促,原价399元/年,活动期间立减60元。优惠截止至2026年11月13日,点击下方链接即可入手。

阅读原文

跳转微信打开

得到大脑发布AI录音台和4.0版本:聊聊发布会背后我的思考

2026年10月21日 07:00

原创 快刀青衣 2026-10-21 07:00 北京

AI真正的瓶颈,是个人上下文。

昨天晚上,我们开了一场得到的秋季知识产品发布会。

可能有些朋友错过了直播,今天我就跟你说说,这场发布会我们到底发布了什么,也跟你分享一下这背后我的一些思考。

东西不少,但我今天想重点聊两件事。一个是我们继得到AI录音卡之后的又一个硬件新品,叫得到AI录音台。另一个是得到大脑4.0的升级。

这两个产品,其实要解决的是同一个问题。

我是做产品经理的,每天都要跟AI、跟同事讨论问题。AI用得越多,我越有一个感受:AI要真帮得上忙,光靠聪明的大模型是不够的。

它得知道我最近在做什么项目,用户提过什么要求,上一次为什么那么决定。这些具体情况,就是AI需要的上下文。而且它们大多不在规范的文档里,就在我们每天零零碎碎的交谈里。

这次发布的得到AI录音台,做的事就是把这些发生在我们工位边的话留下来。而得到大脑4.0干的事,就是根据这些记录,接着帮你把事情办下去。

我先简单和你聊聊这个硬件。得到AI录音台,大概有一本书的大小,上面是一块7寸的低功耗墨水屏,立在一个底座上。

它一直插着电,所以就在我的工位上,可以长期待机,不用担心没电,也不用担心信号问题,因为它连着WiFi,随时在线。

我要录的时候,轻轻按一下底座上的按钮就开始了,聊完再按一下结束。整个过程里,屏幕上会展示实时转写的内容,实时整理的要点。

你可以看看下方的产品图片,比我说的更直观,一看就懂了。

image.png

image.png

为什么要做这个产品呢?我跟你聊一下背后的想法。

其实,得到从早年间开始做课程、电子书的时候,就已经在思考这个问题了。

应该是在2017年,「得到大脑」这个名字第一次出现在公司,当时还是一个项目的名字。那时的想法还比较幼稚,就是通过知识图谱的方式给用户推荐内容。

但这个过程里,我们遇到的最大问题,并不是内容供给不足,而是我们没办法真正知道用户需要什么。

用现在一句更流行的技术语言来说,就是上下文不足。而到了现在,AI的能力越来越强。如果想让AI真正在学习场景里发挥作用,首先就得了解用户。

这就像一个特级数学老师,哪怕水平再高,如果要去给别人当家教,他首先要做的,也一定是了解面前这个学生的真实水平,再量身定制合适的学习方法和内容。

这也是我为什么今年做得到录音卡和得到录音台的根本原因。

有同学问,得到是不是要变成一家硬件公司?其实不是。软件和硬件,只是产品形态的区别而已,得到还是一家知识产品公司。

至于为什么要做这两个硬件,就八个字:先记下来,再用起来。

啥意思呢?就是我们现在用AI,先把大量的信息记录下来。然后,随着AI能力不断增强,就会有更多、更好的应用场景出来。

那为什么要做得到AI录音台呢?这要先从我日常的一个工作场景说起。

我在下方放了我们三个合伙人的工位照片。我、罗老师、脱不花,三张桌子刚好形成一个三角形。平时商量事儿,经常是谁一抬头就聊起来了。

没有会议议程,五分钟、十分钟,一个产品需求或者一个活动想法可能就定了。

但问题是,罗老师给我提过很多需求。等过一段时间,我拿着做好的方案去找他,他经常已经完全不记得自己提过这件事了。

也有一些时候,聊的时候我非常兴奋,但过一两天,当我腾出手来想再深入思考一下的时候,突然就不记得当时到底是怎么说的了,只记得自己当时特别兴奋。

我相信,这种事在所有团队里都发生过。带团队的朋友,肯定经常遇到这样的情况:有同事端着杯子过来说,有个事跟你商量一下。

这种沟通没有议程,也不进会议室,五分钟就聊完了。但聊完,可能一个重要的创新问题就被提出来了,或者一个商业判断第一次被说出口。

很多高价值的决定,就在你的办公桌旁边定了,压根没有进会议室。

在团队里,这样的交谈最容易漏记。因为正式开会有人做纪要,工位边上聊完,人就散了。过一星期再问,当时为什么这么定的,可能已经没人说得清了。

所以现在我们三个人一讨论事情,我就顺手按一下得到AI录音台。一按就开始记录,聊完再按一下结束。

动作很小,顺手就干了,也不会打断聊天。而且因为墨水屏上实时显示着转写字幕,大家也都看得见。

这还只是工位上的场景,再说会议室。会议室里有一件更让人头疼的事:传话走样。

当然,我说的这个会议室是广义上的会议室。因为我发现很多企业,特别是组织架构比较复杂的企业,很多大家一起决策的事情,不同部门回去转述完,感觉大家开的完全不是一场会。

我也一直觉得,如果一个企业里出现一种说法,就是「某某某是某某某领导的人」,那就已经说明这家企业有点「军阀割据」了。

相信很多管理者都有感觉,你跟几个主管开了会,一件事讲得清清楚楚,大家都点头了。结果每个主管回去再跟自己的团队讲一遍,到了第三层,事情就变了。

可能你说的是「这个方向先小范围试一试」,传到一线就成了「老板说要全面推广」;你说的是「这个流程要改的话慎重一点儿」,传下去就成了「老板说绝对不能改」。

在我看来,信息每过一道手,就被中间商赚了一道差价。

当然,这个中间商不是指具体的谁,跟谁的人品好坏也没关系,而是每一次转述本身,就会带来信息差。

所以现在我的解决方式是,在公司每个会议室的桌上都放了一台录音台。会议结束前,大家一起看一遍屏幕上整理出来的纪要:今天定了什么,还有什么没定,谁负责做什么。

有出入,当场说清楚。核对好了,每个人拿手机碰一下录音台的右上角,就能把同一份纪要带走了。

image.png

其实,这就是让大家在同一份干净的信息基础上做事情。特别是在AI时代,对一个组织最大的冲击,可能就是要变得更加透明。

之前那些冰面下的职场潜规则,那些职场厚黑学,AI无法理解,也不应该耗费算力去理解。

当然,这个录音台在我看来,并不适合所有人,首批数量也有限。

我觉得,最适合的应该就是创业者和团队管理者,其次是一人公司。但不管是录音卡还是录音台,留下的记录,都会进入同一个得到大脑。

好,录音台的事先说到这儿,这个产品解决的是「留住」的问题。接下来,和你聊聊得到大脑4.0,也就是「激活」的部分。

得到大脑4.0这次重点升级了两个新功能:「待办」和「日记」。另外,「发芽」也有了一个重要的变化。咱们一个一个来。

先说待办。咱们同学肯定用过各种各样的待办清单工具,从纸质便签到滴答清单,再到飞书任务,各种工具都不缺。

但我自己用了这么多年,发现待办类工具有个很大的麻烦:你已经意识到的事,你会提醒自己写进清单;真正让你翻车的,往往是你压根没想到要做的事。

我来举个例子吧。你团队来了个新人,下周一入职。你在待办里写的可能是「安排工位」「准备电脑」「第一天一对一聊30分钟」,这些都是你平时工作流程中能想到的事。

但得到大脑4.0做的事是,去翻你过去几周的会议记录和笔记,发现你三周前开会时提过一句:「下次来新人,一定要先拉到用户群里泡两天。」

这句话你说完可能就忘了,根本没写进任何待办工具里。但小步AI助手会帮你想起来。

注意,这不是一个提醒功能。提醒是你定了闹钟,到点响。这个功能不一样:你压根没想到要做这件事,也没定闹钟,AI却能从你自己说过的话里,替你把该干的事捞出来。

img_v3_0216l_1f14794e-7690-4c9b-af29-8d13320912eg.jpg

我一直有个判断:AI应该帮我们把世界扩大,而不只是把手上的活干得快。

干得快只是省时间,把世界扩大,是帮你看到原本看不到的东西。待办这个功能,就是在做这件事。

当然,如果你是得到深度用户,小步还会把你学过的一些课程或书籍内容,跟你刚刚开过的会、记过的东西结合起来,拓展出一些你之前可能想不到的灵感。

说完待办,咱们说说日记这个功能。其实之前,很多同学试过得到大脑里的柳比歇夫记日记。不过当时的版本还比较粗糙,更多的是一些简单的事件罗列。

但是现在,得到大脑4.0会在每天结束的时候,根据你今天的录音、笔记和学习记录,帮你整理出一份「今天干了什么」的事实底稿。

比如几点开了什么会,跟谁聊了什么,读了哪本书的哪几章,这些发生过的事,它都会帮你记。

img_v3_0216l_d0751649-6309-4651-9173-8027fe405b9g.jpg

这里还有一个设计上的选择,我觉得值得单独拿出来和你分享下。

如果只记事实,比如日记里可能写的是「上午开会讨论方案,晚上决定修改这个方案」。事情记全了,但这件事里真正值得记的是什么?

是「我为什么从不服气变成愿意听他的」。这个转变过程,只有你自己知道。

所以在得到大脑4.0里,小步AI助手会在整理好事实底稿之后,跟你聊几句。它陪着你,问你今天最想记住哪件事。

你回答了,它可能再追问一句为什么。你自己说出来的那些判断和感受,才是这篇日记真正值钱的部分。

我越来越觉得,个人数据是未来最重要的资产之一。

你每天那些想法、判断和情绪的变化,攒上几个月,AI给你出主意的时候,才真能考虑到你的具体情况。日记这个功能,就是在帮你一点一点攒下这些记录。

除了这两个功能,我还想再和你聊聊「发芽」。发芽这个功能之前就在得到大脑里,这次4.0做了一个很重要的升级。

之前的版本是这样的:你在得到上听了一本书、学了一门课,发芽功能会从你的学习记录里提取出一些种子,也就是那些可能跟你正在做的事有关联的想法碎片。你觉得有意思的就留下来,不感兴趣的就划掉。

4.0升级之后,发芽从单向推送变成了一次对话。你收到一颗种子之后,小步会接着跟你聊,顺着你的反应往下问一层,推你多想一步。

多问这一句,往往最管用。学东西最怕什么?其实最怕的就是,看完觉得「挺有道理的」,然后就没有然后了。

发芽现在做的事,就是在你觉得「挺有道理」的那个瞬间,趁热打铁,问你打算怎么用,跟你手头的什么事能接上。

这三个功能加在一起,都是想要在你需要的时候,把过去留下的记录用起来。

很多人觉得AI帮不上忙,第一反应是模型不够聪明。所以一直在追最新、最强的模型,GPT出新版了赶紧试,DeepSeek更新了赶紧换。

我理解这个心态,我自己也追。但追了两年之后,我有一个感受越来越强烈:模型的聪明程度,已经不是瓶颈了。

真正的瓶颈是你的「个人上下文」。你想想看,现在主流的大模型,智商都够用了。但为什么很多人用了一段时间之后,觉得帮助没有想象中那么大?

因为它不知道你在忙什么。它不知道你上周跟客户聊了什么,不知道你团队最近在推什么项目,更不知道你心里一直悬着哪几个没解决的问题。

你每次找它,都得从头说起。这就好像你每天跟一个新同事搭档,这个同事能力很强,但你得花大量时间给他交代背景。

我经常打一个比方:现在电脑和Word都够快了,你写不出好文章,怪不到工具头上。AI也一样,模型够聪明了,它帮不上忙,也怪不到模型头上。

个人智能体也是这个道理。它能不能帮上忙,就看它知不知道你在忙什么、关心什么、说过什么。

所以录音台和得到大脑4.0,这两个产品得放在一起看。录音台把你每天说过的话留下来,大脑4.0根据这些记录替你干活。

没有前面那一步,后面的AI再聪明,也不知道该帮你做什么。

所以,如果你对AI有兴趣,一直想让它真正帮上忙,却总觉得差点意思,我的建议特别简单:先把你每天说的那些话,全部留下来。

最后,还有个更新和你提一下。最新的得到大脑版本里,小步AI助手已经接入了10月17号发布的DeepSeek新模型。这个模型本身就有很多东西值得说,我也会在下一篇文章跟你仔细聊聊。

如果你想回看这场秋季知识产品发布会,可以在得到App内搜索「发布会」,观看完整直播演示。如果你对AI录音台感兴趣,也可以点击下方链接了解更多。

阅读原文

跳转微信打开

卡帕西用航空规范教AI「说人话」:我把这套方法做成了技能

2026年10月14日 07:00

原创 快刀广播站 2026-10-14 07:00 北京

关键不只在提问,还在约束输出。

10月2号,咱们很熟悉的大神安德烈·卡帕西在X上发了一条帖子,发出来没几天,浏览量就超过了770万。

可能有些朋友还不认识卡帕西,先和你介绍一下。他之前在特斯拉负责AI,也在OpenAI工作过,是AI圈里顶级的技术人物。

另外,他还创造了不少新概念,后来成了全世界都在用的词。比如我们现在经常说的vibe coding,也就是氛围编程,就是他提出来的。

那他这条帖子说的是什么呢?内容非常干货,是一个方法论,讲了一个很多人没意识到的问题。

我们平时觉得AI不好用,第一反应是什么?改提问方式。换个说法再问一遍,加个角色设定,或者让它「用更简单的话再解释一次」。

但卡帕西给的诊断却是,你的输入可能没问题,问题出在AI的输出格式上。

随着AI越来越强,我们以后可能会花越来越多的时间去理解AI的输出。难处在于看懂它交回来的东西,而让AI干活本身并没有变难。

从这个角度想想,我们经常说AI写出来的文章有AI味,一个重要原因也是AI的输出不符合我们的预期。

当然,卡帕西并不只是吐槽这种现象,他给了四种方法,让AI的输出变得更好懂。这四种方法是一路递进的。

我先和你介绍一下这四种方法。然后在今天的最后,我也把他的方法提炼了一下,做成了一个技能分享给你。

你可以下载后,顺手扔给自己常用的、支持安装技能的AI工具,比如Codex、Claude Code、WorkBuddy等等。

他给的第一种办法,是约束文字本身。你不用加任何花活儿,就是让AI在回答的时候遵守一套写作规范,少用长句,少用那种一词多义的词,一句话只说一件事。

他推荐的这套规范叫ASD-STE100,一会儿我细说。这个东西特别有意思,也是他的帖子里给我的最大收获。

第二种,是加图。让AI在文字旁边配上示意图、流程图,很多时候一张图比三段话管用。

第三种,是生成一个可交互的网页。卡帕西自己演示了一个例子,让AI把一个技术概念做成带动画的小网页,你可以拖拽、点击,自己探索。

第四种,这个就有点上难度了,是生成视频。也就是直接让AI把解释或者看不懂的专业词汇做成一段视频,配画面、配语音,你躺着看就行。

从文字到图、网页、视频,信息越来越丰富,对工具和技术底子的要求也越来越高。

但这里有个很现实的问题。后面三种,图、网页、视频,确实越来越酷,可它们要么依赖特定工具,要么需要你自己有一定的审美和品味才能玩得转。

对咱们大多数人来说,日常跟AI打交道,最高频的场景还是文字。你问它一个问题,它给你一大段回答,你肯定想搞懂到底是什么意思。

所以第一种方法,约束AI的文字回复,反而是覆盖面最广、门槛最低、今天就能用上的小技巧。

刚才咱们提到,卡帕西推荐的这套ASD-STE100,听起来很技术,其实来历还挺曲折的。它在全球航空业已经用了将近40年,并不是AI公司的发明。

先说一个真实的空难。1977年3月27号傍晚,浓雾笼罩着特内里费岛机场。荷兰皇家航空KLM的机长范·赞滕焦躁地等待起飞,他的飞行经验超过12000小时。

副驾驶向塔台报告准备起飞。塔台给出了航路许可,并回复请等待起飞指令。但就在同一时刻,另一架泛美航空的飞机也在同一个频段发话,提醒他们自己还在跑道上。

问题来了,荷兰皇家航空的机组把塔台的回复误认为起飞许可,后面关键的「等待起飞指令」相关内容被无线电干扰声淹没了。

然后,机长范·赞滕开始全力加速。等他看见前方跑道上泛美航空的波音747时,已经停不下来了。

结果,583人遇难。这是航空史上单次事故死亡人数最多的空难。事故调查指出,沟通失误是其中的关键因素。

非标准用语、语义含糊,一个词被听成了另一个意思,再加上无线电干扰,让机组对起飞许可产生了错误理解,最终酿成了灾难。

这件事推动了航空通信的进一步标准化。而几乎在同一时期,欧洲航空业还面临另一个问题:维修文档的语言歧义。

全球大量航空维修人员的母语不是英语,同一本英文维修手册,要给几十个国家的技师看。一个词读出两种意思,在航空维修场景下,就可能埋下下一次事故的隐患。

所以,航空业的选择,是给自己领域使用的英语上枷锁,而不是强迫全世界的技师都把英语学好。

1986年,这套标准的前身发布了第一版。它的规则简单到有点粗暴:一个词只能有一个意思,一个东西从头到尾只叫一个名字,不许为了显得文采丰富而轮换同义词。另外,还要求用短句、用主动语态,一句话只说一件事。

这套标准后来更新到了第9版,包含53条写作规则、大约900个批准使用的基础词,还有大约1200个建议避免的词,每个都给出了替代写法。

你想想,航空业的这套规则,正好跟大模型平时的写作习惯反着来。

模型爱堆长句、爱换着花样用同义词、爱打比方,而航空业的这套ASD-STE100标准,故意让语言变得「无聊」,换来的是尽可能减少歧义。

说到这里,你再仔细想想我们平时怎么评价AI的回答。第一反应往往是看读起来顺不顺,有没有条理。

但航空业将近40年的经验告诉我们,读起来顺的文字恰恰可能更危险。因为「顺」有时候靠的是同义词替换、比喻、长句包裹,而这些都可能带来歧义。

把话说得漂亮和把话说得准确,在很多时候是矛盾的。

而卡帕西的方法论,就是把这套东西搬到AI场景里。他的用法很简单,让AI用ASD-STE100的标准来解释一个概念就行。

如果觉得完全执行太僵硬,他建议退到80%的程度,留两成弹性。因为完整规范毕竟是给航空维修手册这类专业文档设计的,日常问答全执行,会硬得没法看。

说回到我自己。当时看完卡帕西这条帖子,我就在想,他给的这个提示词确实好用,但一句提示词背后是53条规则、900个批准用词、1200个限制词,这套完整体系咱们不可能靠一句话就吃透。

而且对大多数人来说,你也不可能每次跟AI说话,都记得加这么一句。

所以我做了一个技能。用起来很简单,你把它下载下来,扔进你的AI助手里,和它说「帮我安装这个技能」。安装好之后就能用,不需要每次都手动加提示词。

以后你遇到一个新东西想搞明白,跟AI说一句「帮我看懂什么什么」,技能就会被触发,AI会自动用更清楚、更精确的方式给你解释。

workbuddy-skill-upload-guide.png

WorkBuddy 上传技能包的三个步骤

下方是我让WorkBuddy学会这个技能之后,帮我看懂「个人智能体」的输出效果,具体内容你可以看看。

workbuddy-personal-agent.png

WorkBuddy 用「帮我看懂」技能解释个人智能体

它适用的工具范围挺广的,你之前装的龙虾OpenCLaw、Claude Code、Codex、WorkBuddy这些主流AI助手都能用。

而且你也可以按自己的品味去调整它,觉得太严格了就放松一点,觉得某些场景需要更精确,就收紧一点。

拿我这个技能当个起点就好,不必当成标准答案。

像论文之类的内容,也可以试着让这个技能去处理。我设定的触发词就是「帮我看懂」,这可以是一个概念、一个名词、一家公司,或者是一篇论文PDF。

不过我提前声明一下,这个技能能帮你的是让AI说人话,让输出变得清楚、简洁,但它没法帮你判断内容本身对不对。

这一层,还是得靠你自己。

最后,技能包的下载链接我放在下方了,拿走就能用。如果你用了之后,调出了很好的效果,也欢迎回来告诉我。

阅读原文

跳转微信打开

日更1000天,我发现真正发生变化的不只是AI

2026年10月12日 07:00

原创 快刀青衣 2026-10-12 07:00 北京

这1000天里,你因为AI发生了什么变化?

今天是2026年10月12日,是我的得到专栏《快刀广播站》日更的第1000天。

我也是在几天前,才意识到这个时间节点的。最开始的时候,我还在担心自己能不能坚持三个月,当时满脑袋想的都是,要是坚持不了一年,怎么给大家退款的技术问题。

没想到,转眼已经1000天了。

回看第一期的结尾,那时的我套用了《权力的游戏》守夜人誓词里的那句话:「AI变革将至,我将从今开始广播,今日如此,日日更新。」

说得挺热血中二,心里其实没底。

到现在,我看了一下数据,有58万人听过这个广播站。每期十几分钟,累计听了380多万个小时,还有80多万条同学的笔记。大家跟我一起盯着AI的变化,分享自己的成长。

在一次线下活动上,还有一位同学跑来跟我说:「刀哥,我又续了10年。」

我脑海里的第一反应真的是悲喜交加。喜的是同学的认可,悲的是我又要再写3650期了。换成字是多少字?

有同事问我,下一个1000天,立一个什么flag。

这其实没什么flag好立,大家觉得有价值,我就继续写。等到哪一天大家觉得AI的进度已经不需要我来发表意见了,那我就默默停下来。

在这个节点,我回头翻这1000期,也许平时沉浸在每天的变化之中,还没有太深的感觉。这就跟我国庆节期间去爬山一样,爬的时候,就觉得每一步都很艰难,满脑子都是前后左右的这些台阶。

但是当走到山腰的一个平台上,我回望出发的山脚,这才惊讶地发现,原来已经爬这么高了。

放到我们广播站这1000天关注的方向上也是一样,大家关注的问题,和我自己看AI的方式,也早已经物是人非、沧海桑田了。

咱们先回到快刀广播站的起点,说起来有点不好意思。大概是2023年年底还是2024年年初的样子,我的一位EMBA同学发来一份IT招标书。

他在一家大企业做副总,负责一个智能体部署项目的招标。整个标书320万,其中智能体部分报价80到90万。他让我帮忙看看,这个智能体技术服务到底怎么样。

我看完之后就说了一句话:两顿麦当劳,不能更多了。当然,这话我是开玩笑,但我同样也震惊于AI应用领域巨大的信息差。

因为从方案描述上来看,对方就是用GitHub上开源的智能体系统,调几遍提示词,做一个企业内部资料查询助手,居然就敢开价将近100万。

我把这个事情当作趣闻,在办公室里讲给脱不花和罗老师听。他们听完反而说:你每天都在研究AI,为什么不能出一个日更的栏目,每天跟大家讲讲AI时代都在发生什么?

说实话,从2014年一起跟脱不花、罗老师合伙,从罗辑思维到跨年演讲,再到得到App,我的身份一直是幕后的产研负责人。每一次在镜头前出现或者上台,都要做很久的心理建设。

而这个日更专栏,需要我从幕后走到台前。适应这个身份,其实比写作本身压力还大。

所以,当时起「快刀广播站」这个名字,原因很简单。

跟我同龄的人肯定听过校园广播站,或者村头的大喇叭,里面都是点歌或者发通知,跟自己的关系都很近。每天到课间休息了,广播总能准时响起。这就是我的想法了。

不过,还是发生了一个乌龙。我以为罗老师他俩说的「日更」,就是星期一到星期天,一天都不能停。

等写了快100期,他们才疑惑地问我,是不是有充足的灵感,自己特别想写?行业里的「日更」一般指工作日更新就行。

你看,这就是没有主动沟通的典型案例。我认为的「日更」和工作日更新,是两个完全不同的数据标准。而罗老师、脱不花以为我是初生牛犊不怕虎,自己非要写,别人拦不住。

反正,到现在,快刀广播站应该是得到里唯一一个7天不休息,或者说一年365天都不停的专栏。也幸亏AI领域有足够多的新事情发生,才没有让我断炊。

第一期是2024年1月18日上线的。那天我从硅谷回来不久,七天跑了英伟达、谷歌、Adobe三家大厂,聊了十个初创公司创始人,还拜访了斯坦福和伯克利。第一期讲的就是那次硅谷之行的三条观察。

那时候我对自己的定位是:「你可以当我是红警里的虫族小狗,或者帝国时代里的开局农民,或者王者荣耀里的探路辅助,就是为你在模糊迷雾中,往前探探路。」

而在头几百期,我最常讲的是:「AI到底是什么?」

那时候真是「一日三惊」。每天一个新东西出来,先把我自己震一下,再琢磨怎么讲明白。大家翻翻那时候的内容,满屏都是「硅谷又出了一个神器,全世界全跪了」。

当时国内正在经历「百模大战」,各种自研的、套壳的大模型齐刷刷往上涌,新闻通稿满天飞。现在想想,这好像已经是100年前的事了。

那时候我还用《哈利·波特》里的飞天扫帚打了个比方:别看着这些新闻焦虑,别光站在地上挑毛病,先骑上去飞一次,哪怕歪歪斜斜,先飞一次。

这个比方也是我自己的状态。任何一个新产品,赶紧去看,赶紧去试。最想让大家感受到的是,原来这件事已经可以做了,我们也能上手了。

那段时间的留言区,也跟着这个节奏走。有人用智谱AI读PDF,几十页资料几分钟出要点。有人拿Kimi Chat处理员工报销的电子发票,自动生成表格。

还有人把一个月的日记交给GPT,让它扮演职场教练给出建议。大家都有点刘姥姥进大观园的感觉。

但写着写着,话题开始变了。到了2025年,每个人都绕不开一个问题:「AI会不会取代我?」

2024年AI还在做的是花活,2025年就真正进入了企业的工作流。一个功能演示,在做产品的人眼里可能很兴奋。但到另一个人那里,就变成了担心:我做了这么多年的工作,以后怎么办?

我去看AI怎么进课堂,感受尤其明显。很多老师、家长,甚至校长,都知道AI很厉害。但知道以后呢?明天这堂课怎么上,孩子怎么教,自己的经验还怎么用?

知道一个东西厉害,和知道拿它怎么办,中间隔着一条很宽的河。

我也在调整广播站的选题方向。之前我更多是跟大家说,有一个新工具、有一个新能力、有一篇新论文。

但后来我会更往下想一层:它落到一个具体的人身上,或者一个具体的企业身上,到底意味着什么?这个人原来怎么工作的,现在要调整什么,能从哪一步开始?

在2025年的时候我就发现,你光把技术讲清楚、讲参数,已经毫无意义了。而到了2026年,问题更直接了:「怎么把AI用到我手头的事上?」

广播站里也开始出现越来越具体的任务和结果,各行各业的都有。

比如有一位贵州的医生,在血液透析中心管着近300个患者。每月数据分析,两个人干一星期。他用AI编程,把分析工作压到几秒钟,原来每月做一次,现在每周都能做。

有一位做种猪育种的企业家,以前测种猪背膘,三四个人按住猪,15分钟测一头,一年才测一次。她们团队用AI加3D视觉加机械臂做了套系统,猪走进去,20秒出结果,准确率98%,现在每天测。

有一位90后会计,在一家67年历史的老牌曲轴厂工作。他做了30多个智能工作流,覆盖成本、质量、薪酬、设备,还给车间工人做了支持四川方言的AI助手。上半年月月超支,系统跑起来后,下半年再没超支。

还有一家货运物流平台,服务近400万货车司机。物流行业的老问题是,规则都有,但落到一线就走样。

他们用AI打通了「最后一公里」:AI客服识别方言,替司机答疑;AI调度自动派单,堵住寻租;装卸货用AI拍照识别,判断操作是否达标。货物破损率从20%降到1.7%。

这样的案例还有很多,当然,我们得到内部的案例也分享过不少。比如最近和你分享过的两位财务分析师,秦雅君和张君怡,不懂代码,用AI搭了套财务系统叫「知衡」。

系统从头到尾是她们在AI的配合下做的。作为公司的产研负责人,居然有一个这么复杂的系统,我是在上线后才知道的。

你看,这些人不是程序员,不是AI专家。他们是医生、企业家、会计、物流人、财务分析师。但他们都清楚自己卡在哪里,知道AI做成什么样才有用。

不是AI替他们做决定,是他们告诉AI该做什么。

这也回应了2025年一些同学的担心:过去积累的业务经验,在AI时代依然有价值。你越熟悉自己的工作,就越知道该让AI解决什么问题。

但也不是所有「用起来」的故事都这么顺。有用户在评论区写了很长一段话,我印象很深。他们公司董事长提出来要大力推进AI,所有人都被告知,每天要用AI工具节省时间。

但那个唯一能用的内部AI工具非常难用,比之前手动做Excel、做Word还难。每天晚上还要交一份「AI提效日报」,证明你今天用AI了,提效了多长时间。

这位同学说,他原来下午最多加班到7点,现在8点才能走。多出来的一个小时,全用来编「我用AI提效了多长时间」。然后看着自己老板在行业论坛上,说自己已经是AI企业了,觉得非常荒诞和魔幻。

你看,现在AI能力已经很强了,真正的考验反而是我们要用AI解决什么问题。

对于企业落地来说,重要的不是用什么模型,而是企业组织文化上,有没有为AI时代做好准备。这话可能有点儿抽象,我再打个比方。

如果员工A的肉身今天只在公司坐了两个小时,但是在云端,他有200个智能体在帮他干活儿,看起来他只是偶尔拿起手机发几条语音指令。

而员工B老老实实地早上八点就坐到工位上,晚上等领导走了自己才敢走。那如何衡量A和B的价值?

其实可能都还没到对比的阶段。因为在很多企业里,也许压根不允许员工A的情况出现。这就是对组织文化的最小挑战了。

说到这里,这1000天里,让我最有压力的反馈,也来自用户。

前阵子在硅谷,我去邀请一位非常顶尖的AI研究员,托朋友拉群,本来我还忐忑,不知道怎么开口。

但没想到,加完微信之后,他直接发了个截图过来,是他什么时候加入AI学习圈的记录。然后很诚恳地告诉我,他的职业选择受到了广播站的影响。

他说他已经记不清具体是哪一期,但广播站的讨论让他有一个感觉:浪潮马上就要来了,自己不能在原地待着。

他原来在一家全球顶尖的互联网大厂工作了十几年,带团队,福利待遇特别好,工作特别稳定。然后就毅然跳槽,那时身边的不少人都劝他。但是现在,他已经是当红AI大模型公司里非常核心的研究员了。

在线下,这样的例子还有很多,也不仅仅是AI技术人员。

也是今年八月,我在美国圣何塞的街头,本来一个人背着电脑包正在等Waymo,就是那个自动驾驶的网约车。突然一个女孩走到我旁边,眼神有点不确定地问:「你是刀哥吗?」

那瞬间,把我也吓了一跳。她说她是AI学习圈的用户,之前在洛杉矶工作,是一家广告公司的设计师。

此前听了我经常提起的那句话:「当火箭要飞的时候,别管舱位,先上去再说。」然后来到了硅谷,去找AI公司的工作,现在已经是一家估值挺高的AI公司的市场负责人了。

所以,广播站一期十几分钟,有时候一句话、一个判断,对面可能就是一个人的职业选择,甚至家庭选择、城市选择。说得轻飘飘,落下去是很重的责任。

正因为背后有大家这样的同学,尽管我的这1000期内容水平有高有低,但是有一点可以保证,里面没有一篇是别人或者别的公司拿钱买的宣传。

包括我出去参加一些AI领域的黑客马拉松之类的活动,从机票到酒店甚至打车,我都不需要主办方承担。

这可不是因为我多高尚,而是我不想欠任何人情债。如果这个活动对广播站的同学有意义,我就会写;没有意义,我就不写。这点儿主要是让自己问心无愧。

咱AI圈的同学,也是我这1000天里非常巨大的收获。因为很多用户在评论区或者线下,找到了同城的、同行业的学习伙伴。

比如在深圳、上海等地方,都有同学们自己组织的线下小聚会。有人跟我说,在原来的公司里,没有人跟他讨论豆包怎么用、Codex怎么用,但在这里能找到。

说了这么多,今天是第1000期,其实我还想听听你的故事:从2024年到现在,AI变化很大,但我更想知道的是,这1000天,你发生了什么变化?

你有没有因为AI,做成一件过去根本不敢想的事?有没有因为广播站里的一句话,或者AI学习圈里认识的一个人,改变过自己的某个决定?

可能是换了一份工作,做出了一个产品,开始了一门生意。也可能是原来特别害怕被AI取代,现在找到了自己的方向。

甚至是你折腾了一圈,走了不少弯路,最后才想明白AI到底能帮你干什么。

我想知道的,不是你学会了多少个AI工具,而是1000天前的你,和今天的你,到底有什么不一样了。

所以今天,我想认真邀请你,在评论区留下自己的故事。

不用写得多漂亮,也不用非得是一个宏大故事,就讲一件真实发生在你身上的事:原来是什么样,后来发生了什么,你又是怎么走到今天的。

特别是那些因为AI、因为AI学习圈,改变了自己工作、生活,甚至人生方向的故事,我特别想听。

如果你愿意,我也想从中挑一些故事,征得你的同意之后,在接下来的快刀广播站里,认真讲给更多同学听。

因为1000天前,我开始写这个广播站,是想带大家看看AI正在发生什么。1000天后,我更想看看的是,AI到底让我们发生了什么变化。

这1000天,都是我在讲。今天,换你来讲讲。

阅读原文

跳转微信打开

新模型密集发布,该怎么选?分享我的实测感受

2026年10月9日 17:00

原创 快刀青衣 2026-10-09 17:00 北京

选错模型,有时比不用更麻烦。

国庆节前,有用户在群里问我:「刀哥,最近我看国外新模型怎么发布这么多,你能聊聊这个吗?」

确实,整个9月就是新模型的密集发布期。说实话,我也跟得气喘吁吁。每款新模型出来,我都要拿一些自己常用的问题去试试看。

结果最后我发现,最苦恼的是,靠我自己的能力已经分辨不出哪个模型的答案最厉害了,感觉各有千秋。

我先跟你掰着指头数一数,光传统上的AI御三家都发布了哪些新模型:

9月3日,OpenAI发布新一代旗舰GPT-6 Astra,综合能力目前最强。

19天后,9月22日,OpenAI又发了两个:GPT-6 Sol和Luna,一个中端,一个轻量。同一天,Anthropic发布Claude Opus 5.5。

再过7天,9月29日,OpenAI在开发者大会上推出GPT-6.1 Sol,编程能力直追Astra,价格却只要自家旗舰模型的五分之一。

第二天,9月30日,Google发布Gemini 4 Argon。

一个月,五次发布,三家公司。上一个模型还没搞明白,下一个就来了。

我感觉这三家在玩「斗地主」:每个人都在出牌,但每个人手里都还捏着一个炸弹。你不出我就不出,你一出,我马上就跟上。

这期我就从几个实际问题来聊:这些模型各自强在哪,贵不贵,普通人用得上吗?

把它们放在一起看,也能看出几个正在影响我们怎么选、怎么用AI的趋势。

咱们先从最近非常活跃的OpenAI说起。

GPT-6 Astra是OpenAI的新一代旗舰,也是目前最强的通用模型之一,比上一代GPT-5在复杂推理和长上下文处理上都有明显提升。

但它也是最贵的,API价格是每百万token输入10美元、输出50美元。普通开发者用它做一次深度对话或者研究报告,花费就相当可观,很容易打爆账单。

它适合处理那些你没法自己验证结果、出错代价又很高的任务,比如复杂的代码架构设计、一份几十页合同的风险分析、多步骤的研究推演。

如果你的日常工作不需要这种精度,其实有更合适的选择。

并且这个模型,我自己用下来会发现,有时候你问一些简单的问题,它很容易把问题想复杂。这有点像我们上学时班里那种惹人讨厌的学霸:

拿到一张简单的卷子,或者发现最后一道大题很简单,他不会开心,而是紧皱着眉头说:「老师应该不会布置这么简单的题吧?我是不是想简单了?」

大模型有时就是这样。我可能只是想问问一加一等于几,它以为我在跟它讨论终极的哲学问题。

就在旗舰模型Astra发布19天后,OpenAI同一天推出Sol和Luna两个型号。

Sol是中端定位,大多数日常任务的表现接近Astra,但价格只有它的五分之一。Luna的价格就低得多了,输入0.1美元、输出0.5美元,比Astra便宜了整整100倍。

Luna适合那些需要大批量调用、对质量要求没那么高的场景,比如客服、摘要、分类这类重复性工作。

毕竟100倍的价差,适合做的事情当然不同。

不过,同样花Luna这个价位的钱,今天能买到的能力,一年前我觉得连全世界最好的模型都达不到这个水平。

同样是9月22日,Anthropic发布了Claude Opus 5.5。如果只看文字对话能力,Opus 5.5和上一版Opus 5的差距不算特别大。

Anthropic自己也说得很直白:Opus 5.5在多数工作上达到了自家Fable 5.1的水平,同时典型任务的运行成本比Opus 5低了大约40%。

不过,这个模型刚出来的时候,大家没有太关注。因为除了Opus 5之外,Anthropic旗下还有Fable这样之前断档领先的选择。

让Opus 5.5在社交媒体上刷屏的,是另一种玩法:用纯代码直接生成视频和3D内容。

Opus 5.5自己写代码,代码运行出来就是视频和3D场景,过程中不需要调用视频生成模型。这样一来,语言模型也能做视觉创作了。

过去,「写代码」和「做视频」是两个完全不同的工种,现在同一个模型能把这两件事接起来做。

我看到不少博主就用这个模型来做广告片,质量非常高。而且这些人里,很多之前都不是传统的AI视频工作者。

其实这对很多人来说,是一次非常大的能力横向拓展。我觉得,这种底层能力的变化,可能比跑分的提升更值得关注。

紧接着,9月29日,OpenAI在开发者大会DevDay上发布了GPT-6.1 Sol。

要知道,距离Astra发布,只过了26天。GPT-6.1 Sol在编程能力上已经打平Astra,API价格是输入2美元、输出10美元,恰好是Astra的五分之一。

只过了26天,价格降到五分之一,编程能力就接近旗舰了。这两个数字放到一起,很能说明这一轮更新有多快,简直就是「我狠起来连自己都打」的真实写照。

9月30日,Google发布了Gemini 4 Argon,多项基准测试超过了Astra,输出上限更是提升到了100万token,理论上可以一次性输出一本书。

不过,Gemini 4 Argon目前只向少量合作伙伴开放,咱们普通用户暂时体验不到。

我觉得,Google是着急了,先把实力展示出来。免得就像很多经典的管理学案例一样:一个市场上,老大和老二打架,然后发现老三死了。

如果Google再不发布点新东西,它的模型相比OpenAI或者Anthropic,确实会让人感觉已经不是一个时代了。

不少同学可能还会好奇,那国内的情况怎么样?

同样在提速。Kimi K3、GLM-5.3、DeepSeek V4.1,最近几个月密集更新。在节前的云栖大会上,千问的一批模型也都全线更新,基本上都是更强、更便宜。

除了发布得更勤,哪些模型用得最多,也值得看看。

根据OpenRouter平台最新数据,全球周Token消耗量前四名,有三个都是咱们国内的轻量Flash类模型。

排第一的模型是个厂商匿名未公开的模型;DeepSeek V4.1 Flash排第二,一周消耗25.6万亿token;GLM 5.3 Flash排第三,9.63万亿;MiMo-V2.6-Flash排第四,9.63万亿。

前十名里,中国公司出的模型也占了大半。

当然,虽然很多都是国内模型,但不代表使用它们的都是国内用户。因为现在有非常多欧美初创企业,在日常业务场景中,直接使用咱们的轻量级开源模型。

用量跑在最前面的,反而是便宜的模型,旗舰模型排在了后面。就这,DeepSeek还推出了闲时半价策略,把本来就不高的价格再砍一半。

说到这里,9月这一轮密集发布,如果把前面这些模型放在一起看,至少能看出三个变化。

最直观、最显而易见的一条,是过去很贵的AI能力正在迅速降价。

要知道,2021年,GPT-3刚开放API的时候,每百万token收费60美元。到2026年,同等能力水平的模型,价格降到了0.06美元。五年,降了1000倍。

整个行业的价格都在往下走,这不能用某一家公司的促销来解释。a16z的研究算过,大模型推理成本正在以每年10倍的速度下降,比摩尔定律还快。

这些账,如果我们只以月为单位来看,可能还没那么震撼。但如果回头看一年前、两年前的AI能力和价格,你就会对这个迭代速度非常惊讶。

李开复在《AI未来已来》里也算过一笔账,能帮我们理解这个降价速度:在相同智能水平下,AI推理成本两年降了99.4%。如果一辆特斯拉Model Y也经历同样幅度的降价,25万的车现在只要1428块钱。

回头看9月的发布就能理解了。Astra刚出来26天,GPT-6.1 Sol就用五分之一的价格追平了它的编程能力。Luna更夸张,价格只有Astra的百分之一。

第二个变化是,新模型的研发过程里,已经有旧模型在帮忙了,而且起到的作用越来越大。

这也是我和罗老师8月份去硅谷的时候,好几个AI公司的科学家都在说的趋势。

OpenAI在技术博客中提到,GPT-6的训练流程中使用了AI辅助的数据生成和评估。Anthropic的研究报告也显示,Claude参与了自身下一代模型的安全测试和红队演练。

在硅谷调研时,我们采访了一位Anthropic做预训练的专家。那天坐下来,他就跟我和罗老师说:「按照现在AI的迭代速度,我觉得一年半之后,我可能就要退休了。」

他这么说,就是因为看到了AI在训练AI的过程中,发挥的作用越来越大。

不过,「AI参与研发」,现在离「AI自己造出下一代」还差得很远。

目前AI做的更多还是辅助性工作:生成训练数据、做初步评估、加速测试流程。核心的架构设计、训练策略制定,仍然是人类研究员的工作。

但就是这些非常耗时间的辅助工作,已经足够让研发速度快起来很多。

我看到日经中文网的一个统计数字,2023年初到2026年3月,中美头部AI企业发布高性能模型的平均间隔是125天;而2026年4月到9月,这个数字已经缩短到了44天,只有原来的三分之一。

还有一个变化是,这些模型并不是刚研发完就立刻发布的。

我的感觉是,这几家公司内部往往储备了多个已经训练好的模型,选择什么时候发布,本身也是一个商业决策。

最典型的例子是OpenAI。GPT-6 Astra、Sol、Luna、GPT-6.1 Sol,四个模型在一个月内发布。

它们不太可能是在这一个月里先后完成的,更合理的解释是:公司已经备好了这些模型,再根据市场竞争的情况决定什么时候发布。

再看Anthropic在9月22日发布Opus 5.5,OpenAI一周内就跟上了GPT-6.1 Sol。能这么快跟上,说明模型很可能早就准备好了,就等着对手出牌的时候扔出来。

哪怕不能抢走市场,至少也能抢走媒体和大众的注意力。

不过,手里有几个没发布的模型,不等于领先了几代。有些模型是平行分支,测试不同方向,有的适合视频,有的适合代码;有些效果不够好,可能永远不会发布。

这三个变化,让我们能用上的AI能力越来越多。直觉上,模型越来越便宜,对普通人来说应该是纯粹的好消息,咱们选个最便宜的用就行了,反正都挺聪明的。

可便宜的模型和贵的模型,擅长的事不一样。

特别是,选错了模型,有时候比不用模型更麻烦。因为你会拿到一个看起来像回事、但经不起推敲的结果,而且你可能根本意识不到它错了。

写一封邮件,Luna够了。分析一份复杂合同的风险,可能得用Astra。帮你整理会议纪要,Flash模型绰绰有余。

但如果你要让AI帮你做一个关键决策的推演,就值得选最好的模型,也得知道怎么用它。

怎么选,要看出错的代价。

一封邮件措辞不够精准,影响有限;一份合同的关键条款被漏掉,后果可能不可逆。越是你没法自己验证结果的任务,越需要用好模型。

反正现在我建议大家多去尝试不同的模型,不要太专一了。我拿自己节前做的一个特别小的需求来举例。

不少朋友都知道,我们跨年演讲已经做了11年。过去每年的活动都会有至少几千张高清照片,都散落在一些云相册的链接里。

现在想找一些历史素材,翻起来不仅花时间,很多时候也压根记不清楚了。

所以我就用OpenAI的便宜模型Luna,帮我批量按年份下载照片、整理文件夹;用GPT-6.1 Sol对每张照片进行重命名和打标签。

然后,用Anthropic的Opus 5.5做了一个查询历年素材照片的本地网页。之所以用Opus,是因为他们家做网页的审美一直在线。

在这个需求里,我还使用了马斯克的Grok bot。你肯定好奇,既然已经用了前面两家的模型,为什么还要用这个?我再把具体场景描述一下,你就理解了。

虽然AI下载了很多照片,但我希望命名和标签能精准到这种程度:这是罗老师在台上鞠躬致意,这是脱不花在彩排时巡场。

但是,当我扔给OpenAI和Anthropic的模型几张罗老师的照片,让它们帮我找出这个人的所有照片时,这两家的模型都拒绝了我。

给出的理由也差不多,说这涉及用户肖像和人脸识别,不能拿一张照片去判断其他照片里是不是同一个人。

这时,我就想到了马斯克的Grok bot。因为他家的模型一向以肆意妄为而著称。

果然,我把需求跟它一说,它压根没跟我扯这些,直接开始从几万张图片里干活。我把我和Grok bot的对话截张图,你可以看一下。

与 Grok bot 整理跨年演讲照片的对话截图

你看,就这么一个小需求,我调用了三家公司的AI来处理。

不过,因为现在还都是我自己在创建阶段,接下来如果真给跨年项目组用,我肯定会把背后的模型换成DeepSeek或者智谱的GLM,因为省钱、速度也快。

但我想说的是,目前AI还没法替咱们做这种判断,也不会主动告诉你「这个问题,你应该去问一个更贵的模型」。

它更新得再快,能做的事情再多,这三秒钟的判断,还得咱们自己做。

阅读原文

跳转微信打开

AMD拟82亿美元收购李飞飞的公司:世界模型到底值钱在哪?

2026年10月1日 07:30

原创 快刀青衣 2026-10-01 07:30 新加坡

一场关于AI下一站的下注。

这两天AI圈最大的一条新闻,莫过于一场收购。

著名芯片巨头AMD宣布签署协议,拟收购李飞飞创办的World Labs,全股票交易,交易金额约82亿美元。交割完成后,李飞飞将出任AMD执行副总裁兼首席科学家,直接向CEO苏姿丰汇报。

对于李飞飞教授和她的世界模型,不少朋友都不陌生了。但咱们今天这篇重点不是收购新闻。

82亿美元虽然非常多,但毕竟和咱们没什么关系。剩下的,例如全股票、尚待监管批准,这些信息随便搜一下就有了。

我想聊的,是李飞飞在同一天发出的那封公开信里,藏着的一个判断。

这个判断的核心,就是最近一年很火的一个方向——「世界模型」。我觉得世界模型就跟自迭代模型一样,是现在全球AI圈关注的焦点。

李飞飞在公开信里写了一句话:

❝

创办这家公司时,我们有一个最基本的信念:仅靠语言,并不足以支撑模型的发展。宇宙并不是由文字组成的,而是由真实存在的事物组成的。

    啥叫世界模型?我尽量用大白话跟你说一下。你站在自己家客厅里,面前是沙发和茶几。你闭上眼睛,能不能想象出客厅后面是什么?

    大概率是厨房或者餐厅。往左走可能是卧室,往右走可能是卫生间。你甚至能想象出,如果你现在把茶几上那个杯子推到边缘,它会掉下去,砸到地上,碎了。

    你从来没有专门学过这些。没有人给你上过一门课,教你杯子从桌子边缘掉下去会碎。你也没有读过一段文字,才理解客厅后面大概率是厨房。

    你是从小到大,用眼睛看、用手摸、用身体在空间里走来走去,慢慢建立起了对物理世界的理解。

    这种理解,就是世界模型要做的事。

    我们过去熟悉的大语言模型,核心能力主要是在海量语言和数字内容上训练出来的。即便现在很多模型已经能看图、听声音,它们依然缺少三维世界里的空间经验。

    你问它杯子从桌上掉下来会怎样,它能答得很好,但这主要来自它训练时接触过的大量材料,而不是像人一样,靠在真实世界里反复观察和行动建立起来的。

    世界模型要做的,是让AI不仅「读到」这个世界,更是真正理解这个世界,理解三维空间里的结构,理解物理世界的因果关系:

    一个球被踢了之后会往哪个方向滚,一栋建筑从哪个角度看结构不稳定,一个机器人进入一个从没去过的房间该怎么走。

    这些能力,光靠读文字是学不全的,你还得让模型大量去看、去体验三维世界。

    在这个场景下,我觉得「见见世面」这个词一下子具象化了,就连AI都需要见见世面。

    World Labs最近发布了一个叫Atlas的模型,李飞飞在公开信里专门提到了它。这个模型做的事情很有意思:你给它几张2D照片,它能预测出你从另一个角度看过去会看到什么。

    李飞飞用了一个类比,我觉得这是她整封信里最精准的一句。她说,就像大语言模型能从一段文字预测下一个词一样,Atlas能从一组图像预测下一个视角。

    你看,一个活在文字里,一个活在空间里。

    这听起来有点儿抽象,可能有些同学无法理解它能干嘛用。我再和你分享一下我做测试时用的案例,我一共做了两个。

    第一个案例,是给了这个模型一段咱们非常熟悉的文言文,也就是《桃花源记》里的「林尽水源,便得一山,山有小口,仿佛若有光。便舍船,从口入。初极狭,才通人。复行数十步,豁然开朗。」

    世界模型给我生成了一个交互式页面,我可以用键盘控制视角,从山洞里进去,直到看到刺眼的阳光,看到一片桃源。这就是模型理解了文字里面表达的意象,然后呈现出一个想象中的世界。

    我做的第二个案例,是拿一张我当年上大学时最熟悉的游戏《反恐精英》的「沙漠2」地图截图扔进去,然后它直接给我生成了一个可以互动的游戏世界。

    从这两个场景就可以看出来,世界模型不管是在教育还是娱乐上,其实都有非常多的使用场景。

    而且Atlas不只是能生成好看的3D画面。在公开信里,李飞飞提到,它实际上解决了计算机视觉里一个长期存在的难题,叫稀疏重建。

    啥意思呢?就是能从很少的几张照片里,还原出完整的三维结构。这件事在工程设计、建筑施工、科学研究、机器人导航里都有直接用途。

    值得注意的是,World Labs自己虽然是家创业公司,但还收购了一家叫SceniX的公司,他们是做机器人仿真的,也就是让AI在虚拟的三维环境里学习怎么在真实世界里行动。

    说到这个,我就忍不住想再聊几句李飞飞这个人。

    我之前在我的快刀广播站里推荐过她的自传《我看见的世界》。当时读完,我甚至拿出书里的一些片段念给我女儿听。

    因为李飞飞写到自己在美国,15岁刚接触物理时的手足无措,而我女儿当时也正处在为物理发愁的阶段,所以我拿李飞飞的故事激励我女儿。

    如果你把李飞飞的经历拉成一条线,你会发现,她做的事情始终围绕一个方向:教机器看见世界,然后理解世界。

    她的成名之举,就是2009年正式发表的ImageNet。

    这个项目前后花了约两年半时间,动用了来自167个国家的近5万人参与标注,从近10亿张候选图片里筛选整理出1500万张图片,建成了ImageNet数据集。

    这相当于给AI出了一套超大题库,让算法来看看能不能认出图里面什么是猫、什么是狗。

    后来我们熟悉的AI教父辛顿,他的团队就是在ImageNet挑战赛里脱颖而出,成为现在这波AI爆发的重要推动力之一。

    李飞飞当年搞ImageNet,是让机器学会看一张图里有什么。现在做World Labs,是往前走了一步,让机器从一张图里走进去,理解图里面的三维空间结构。

    而选择现在加入AMD,按她公开信里的说法,是因为World Labs下一步要扩大投入、拓展影响,而且必须更靠近硬件。说白了,就是要在更大规模的计算基础设施上推动空间智能。

    好,现在回到标题的问题:AMD花82亿美元买的,到底是什么?

    先看一个背景。World Labs上一轮融资的估值约54亿美元,AMD出价82亿,溢价非常多。而且说实话,李飞飞这家公司就成立两年多,模型产品也只出了第一版,不少效果能跑,但还很粗糙。

    那为什么值这么多钱?

    你要先理解AMD现在的处境。AMD做芯片,在AI芯片市场上跟英伟达追了好几年,MI系列一代一代在进步,但在软件生态上一直差一口气。

    英伟达的CUDA生态已经是行业默认标准,开发者习惯了,要迁移过来成本很高。光靠硬件参数往上堆,很难真正改变格局。

    所以我的判断是,苏姿丰想要的,不是在英伟达的赛道上继续追,而是找到一条新赛道,让AMD的芯片变得不可替代。

    其实苏姿丰和李飞飞的合作不是突然发生的。李飞飞在公开信里说,苏姿丰是World Labs的早期投资人,从一开始就相信她们的方向。

    2025年两个团队就开始了深度的技术合作,在AMD的GPU上做模型训练和推理优化。合作到后来,双方都觉得把AI的软件生态和硬件生态合在一起,是一件顺理成章的事。

    这就要回到世界模型和大语言模型的区别了。大语言模型处理的是文字序列,一个词接一个词,本质上是一维的。

    这类任务,英伟达的GPU已经优化得非常成熟了。但世界模型要处理的是三维空间和物理模拟。

    你要让AI理解一个房间的空间结构、预测一个物体运动的轨迹、实时生成可以走进去的3D场景,这对芯片提出的要求跟处理文字工作显然不一样。

    李飞飞在公开信里有一句话说得特别直接,她说,没有专注的硬件支持,AI在效率和规模上都是受限的,而且,会被困在数字世界里。

    「被困在数字世界里」,这句话敲一下黑板。

    现在的AI能写文章、能画图、能写代码,但它的输出基本全停留在屏幕上。世界模型的目标,是让AI走出屏幕,真正进入物理世界,去驱动机器人、去辅助工程设计、去做科学实验。

    要实现这个,模型和硬件必须深度绑定,这不是买几块GPU显卡就能解决的。三维空间的计算涉及大量几何运算、物理仿真、实时渲染。这些任务对内存带宽、并行计算架构,以及芯片和软件栈的协同优化,都有不同的要求。

    如果AMD能围绕世界模型去定义它的芯片架构和软件生态,这就不是在英伟达已经统治的赛道上追赶,而是在一个新的赛道上率先建立标准。

    李飞飞在宣布收购时也提到了这一点。她说,推进下一代人工智能技术,需要模型研究、系统架构与计算基础设施之间的紧密协同。加入AMD,将为团队提供更强大的资源支持和工程化能力。

    简单粗暴点儿说,就是世界模型做到这个阶段,需要的已经不只是几个聪明的科学家,而是巨大的算力、硬件和工程资源。创业公司自己要不断去找算力、找硬件资源,倒不如直接被芯片公司收购了,那资源肯定管够。

    所以,在我看来,AMD花82亿美元买的,也不是一家公司的营收或者用户数。它买的是世界模型这条路线上的先发位置,以及李飞飞和她的顶级创业团队。

    1.李飞飞《To Seek a Newer World》

    https://drfeifei.substack.com/p/worldlabs-joining-amd

    2.AMD官网公告

    https://newsroom.amd.com/news/amd-acquire-world-labs/

    阅读原文

    跳转微信打开

    Muse火了,但个人AI助手真正要过的不是技术关

    2026年9月30日 17:00

    原创 快刀青衣 2026-09-30 17:00 新加坡

    更关键的,是平台和用户两道门槛。

    如果大家最近看社交媒体,特别是关注AI类内容,就会发现有一个新出的AI产品被频繁提起,就是Meta出的Muse。

    这个产品的名字,中文可以翻译成「缪斯」,我们经常在文学作品里看到的缪斯女神,就是这个词。

    不过,我猜扎克伯格他们选这个词当产品名字,可能也是因为这个词有「灵感来源」的含义。他们估计想表达的是,这个助手可以了解你想做什么,主动出主意,再帮你把事情办成。

    Meta这个产品的爆火,我觉得完全是场景的胜利,因为他们瞄准了一个其他AI公司都没怎么关注的场景。我跟你说一下。

    你有没有过这种经历?某天翻信用卡账单,突然发现一笔每月自动扣费,9.9美元,已经扣了大半年。

    你完全想不起来这是什么东西,点进去一看,噢,是去年试用过一次、后来就再也没打开过的某个APP。你当时想的是「回头再取消」,然后就没有然后了。

    如果你像我一样,经常要尝试非常多的AI新产品,这个痛点就更明显了。因为很多AI工具的订阅,基本上首月都是9.9美金,但第二个月就到了二三十美金。

    但这个时候,可能我早已经忘记自己给这个软件付过费了,几个月下来也不少钱。哪怕真的想取消,我都经常忘记那个产品到底叫什么名字。

    反正这两年,这种事太常见了。我一开始以为是自己太懒了,后来问了不少人,发现大家都跟我差不多。

    不是因为懒,是它实在太琐碎了,琐碎到你不会专门腾出时间去处理。

    但这时候如果有一个AI,它能自己去翻你的邮箱,找到所有订阅确认邮件,识别出哪些订阅你可能早就忘了,然后问你一句:这三个要不要帮你取消?

    你说取消,它就自己去点退订、填表单、走完整个流程。我试了一下,反正它比较顺滑地帮我取消了七八个我早已经忘记的AI工具订阅。

    虽然瞄准的切口很小,但因为有「省钱」这个概念,Muse一下子火了。

    上线不到三周,Muse的下载量已经超过340万次,直接登上了美国App Store免费榜第一,而且已经超8万条用户评分,获评4.9分,这个速度在AI应用里算非常快的了。

    但我今天想聊的,不是它的下载量有多炸裂。我想聊的是,它到底做对了什么,以及同样的事情或者功能,到了咱们国内,可能完全是另一个故事。

    先说Muse到底是个啥。你可以把它理解成一个帮你跑腿的AI。注意,不是帮你聊天的,不是帮你写文章的,是帮你干活的。

    你跟它说,帮我看看下个月有没有什么重要的截止日期。它就去翻你的邮箱、日历,把该交的费、该报的名,全给你整理出来。

    你跟它说,我想买条短裤。它会问你什么尺码、什么风格、预算多少,然后去逛一圈网站,把候选的几条发给你看。你点头了,它甚至可以帮你下单付款。

    是的,就是付款。Muse已经跟全球在线支付工具Stripe合作了,接入了Stripe旗下的Link支付。当你把自己的Link账户连上Muse后,它可以在部分支持的商家直接替你完成结账。

    这就是为什么我说,它跟我们过去熟悉的聊天型AI很不一样。那些产品,再聪明也是你问一句,它答一句。

    Muse不是,它是你交代一件事,它能在后台一直盯着,哪怕关闭APP后也继续干,等事情有了新进展,再主动来找你。你甚至可以给它起个名字,设定它说话的语气。

    Muse的设计负责人分享过一个自己的经历:她把学校的邮箱接进了Muse,结果Muse自己从邮件里发现她儿子的体育选拔报名快截止了,主动提醒她赶紧处理。

    到这里,你大概能理解它为什么火了。原因其实没那么复杂,它抓住的是生活里那些琐碎、反复、你一直拖着没做的小事。比如,退个订阅,追个截止日期,比比哪家便宜。

    这些事有几个共同点:相比那些AI编程类任务,一点儿也不难,但很烦,而且结果一目了然。省了多少钱、有没有赶上报名,都比「模型更聪明了」的效果呈现具体得多。

    再加上免费就能用,门槛低到几乎不存在。你不用配置服务器,不用写提示词,打开APP,说句话,它就开始干了。

    但听到这里,我估计不少同学心里已经在想:这东西我能用吗?

    答案是,如果你在美国,现在就能用。但如果你在国内,你了解一下这个产品所代表的趋势就可以了。因为在国内做同样的事情,难度完全不一样。

    而且这个难度差异,跟AI模型聪不聪明没有太大关系。

    我来从产品经理的角度解释一下。Muse之所以能在美国跑通,有一个很容易被忽略的前提,就是美国人的数字生活,很大一部分建立在邮箱和网页服务上。

    你的银行账单是邮件通知的,你的订阅是网页端注册的,你的日历和待办是Google或者Outlook管的,你的机票、酒店等等信息,也都会给你发一封邮件。

    这些东西有一个共同特点:它们对外部程序相对开放,也有比较标准的接口。就算没有接口,很多流程也发生在网页里,AI可以尝试通过浏览器操作。

    所以,对个人Agent来说,只要拿到授权,它至少有一条相对统一的路可以走。

    但大家想想咱们的生活数据在哪?在微信群聊里,在各种小程序里,在淘宝、美团、抖音这些APP的围墙花园里。

    每一个APP都是一个独立王国,它们之间的数据几乎不互通,外部的AI更是进不去。

    我再举个特别具体的例子。假设你是一个家长,孩子学校要报名参加一个活动。在美国,学校发封邮件,Muse从邮件里发现了截止日期,主动提醒你。你说好,它就帮你去网站上填表提交了。

    但咱们呢?学校可能会把报名通知发在家长微信群里,附了一个小程序接龙链接。你得用微信打开小程序,用微信支付交费,交完之后再把截图发回群里。

    这整个流程里,AI能帮你做哪一步?它读不了你的微信群聊,它打不开小程序,它用不了你的微信支付,它也没法替你在群里发消息。

    这才是个人AI助手面临的真正难题。不是模型能力不行,是底层的数字基础设施完全不同。

    其实不光是咱们国内用户面临这个问题,就算在美国,Muse也会碰到围墙。

    比如亚马逊就直接把Muse给封了,不让它在自己的平台上替用户购物。原因很简单,亚马逊不愿意让一个外部AI跳过自己的界面,直接替用户做购买决策。

    这不是技术问题,这是商业利益的冲突。毕竟谁控制交易入口,谁就控制了用户关系。

    包括去年很火的AI原生手机。我当时也尝试了豆包AI手机,理念上很认可,但现实情况是,其他大厂不会把自己的订单数据告诉另外一个大厂的AI手机。

    还是那句话,这不是AI能力的问题,而是商业利益的重新洗牌。

    当然,亚马逊封禁Muse,说的是平台愿不愿意配合。但就算平台愿意配合了,还有第二个问题:用户自己信不信任这个AI。

    《Inc》杂志特约编辑杰森·阿滕试用Muse的时候,特意没有授权Muse读取自己的私人消息。但后来他发现,Muse其实已经同步了他本地的Messages数据库,同步状态到达了第187,462行。

    注意,这不是说它偷看了十八万条消息,187,462是数据库的行号。

    这件事的冲击力在于,用户以为自己说了「不」,但AI系统理解的「不」和人理解的「不」,可能压根不是一回事。你以为你拒绝了,其实它已经走进去了。

    Meta后来也回应了这件事。Meta的人解释说,Muse读取Messages,本身需要用户开启相关权限;Muse当时跟阿滕说自己只是看到了通知栏,这个解释是错的,属于AI对自己工作机制产生了幻觉。

    但真正麻烦的问题其实还留着:阿滕坚持说自己明确拒绝了Messages权限,而Meta说这个功能必须由用户主动开启。这个权限最后到底是怎么打开的,公开信息里还没有一个完全说得通的答案。

    我觉得这事背后没那么复杂,可能并不是什么恶意行为。因为大部分人的18万条普通文本消息,对AI企业来说意味着巨大的算力消耗。

    但这件事真正暴露的问题,是用户以为自己授权了什么,和系统实际上获得了什么权限,中间可能存在巨大的认知差。

    说了这么多,相信你也能明确感知到,个人AI助手要真正进入一个人的生活,光有模型能力是远远不够的。它得过两道门槛:

    第一道,是平台愿不愿意把门打开。你的数据在微信、在淘宝、在美团,这些平台愿不愿意让一个外部AI进来替用户办事?亚马逊已经用行动回答了这个问题。

    第二道,是用户敢不敢把钥匙交出去。就算平台开了门,你真的放心让一个AI翻你的聊天记录、替你付款、替你做决定吗?这需要很强的品牌信任度才行。

    美国现在的情况是,第一道门槛过了大半,邮箱、日历、网页这些基础设施天然开放。当然,咱们国内也不是没人在做。

    阿里的千问已经在接淘宝、支付宝、飞猪、高德这些服务了。但它之所以能接,恰恰是因为这些服务本身就是阿里自己的。

    可出了阿里的围墙呢?比如微信里的数据、美团里的订单、抖音里的行为数据,一个阿里的AI想要稳定调用,就必须得到对方平台的配合。

    说到这里,我自己其实一直在想这个问题。办公AI和个人AI,在我看来是两条完全不同的路。

    办公场景相对好办,企业有IT部门,可以统一授权、统一接入,两道门槛都有人帮你处理。

    但个人场景不一样,你的生活散落在几十个APP里,没有一个中央管理员,每一道门槛都得你自己去面对。

    这也是为什么我觉得,个人AI助手这个方向,虽然难,但特别值得做:因为它解决的不是「工作效率」的问题,而是「生活里那些你一直拖着没处理的琐事」的问题。

    这两件事听起来差不多,其实差别很大。

    当然,作为得到和得到大脑的产品经理,我自己也在想,怎么在这条路上往前走一步。10月中旬我会有一些新的东西来跟大家聊,到时候再细说。

    阅读原文

    跳转微信打开

    ❌