铃阅时讯
❌

普通视图

AI 生成图表时,默认值为什么比配置项更重要?

2026年9月7日 18:56

孟宸 2026-09-07 18:56 浙江

数据分析里,图表通常不是起点。先问一个业务问题。系统查数据、做计算、给出结论;等结果落到屏幕上,图表才接手最后一段工作:把“收入上涨了 12%”“华南增长最快”这类分析结果,变成一眼能核对、能继续追问的东西。这一步很容易被低估。AI 能选对图表类型,不代表它第一次渲染就能读:标签可能挤在一起,单一指标被画成彩虹色,双轴线和坐标轴对不上,鼠标移过去也找不到当前数值。

GPT-Vis 这次调整默认样式和交互,就是想先把这些高频问题处理掉。不只是为了让图表好看,更是让分析结果少一点误导,多一点可读性。这些改动已随 GPT-Vis 1.0.1 版本 发布。

01默认值先解决几件很具体的小事

单系列不要画成彩虹

颜色是数据编码。没有分组字段的一组柱子,如果每根都换一个颜色,看起来像有好几个系列,实际却只是同一个指标。

现在,单系列 Line、Area、Column、Bar 和 Scatter 默认用一个主色;真正有分组时才启用分类色板。

标签多了,怎么避免信息冗余

真实分析数据很少刚好适合默认宽度。日期、区域名、商品名一长,X 轴就容易变成一团。

GPT-Vis 会在标签密集时旋转 X 轴文字,将多余的标签自动隐藏。

连续数据先让人读到数

折线图最常见的动作不是“看见一条线”,而是比较某个时间点的几个值。

Line、Area 和 Dual Axes 默认使用共享 Tooltip:鼠标落在一个 X 值上,同一时刻的多条系列会集中出现。十字准星和坐标轴交点标签负责定位,这样不用凭肉眼在两条线之间猜读数。双轴图里,系列与对应 Y 轴保持颜色关系,同侧多个轴的当前标签也会分别显示。

避免图表每次都“长得不一样”

词云有随机布局,截图和回归时特别容易让人困惑:到底是样式变了,还是随机位置变了?GPT-Vis 用词语和权重生成固定的布局种子,同样的数据会得到稳定的排布与旋转,并且增加了业务语义,包括词频排行和占比。

02这对 AI 生成图表意味着什么?

AI 没必要为每张图反复决定线宽、标签角度、Hover 反馈和边距。它应该把注意力放在分析意图上:这里该比较趋势,还是看占比?该用时间作横轴,还是按地区分组?默认值把这些重复的视觉判断先承担下来,配置才可以保持简单:

new GPTVis({ container }).render({
type: 'line',
  data,
});

需要时,用户仍能覆盖颜色、样式和交互。但一张第一次出现的图,应该已经能支持阅读,而不是等待下一轮 AI 修改。

03在 Sive 里,分析图表接的是一份已经算好的结果

这也是 GPT-Vis 在 Sive 这类 AI 数据分析产品中的位置:不接管分析,不替代结论;把已经算清楚的结果,稳稳地交到用户眼前。

Sive 负责理解问题、查询数据和完成计算。它可以用 SQL、Python 等工具得到可信的结果表、字段信息和分析结论;GPT-Vis 不重新聚合数据,也不替分析 Agent 推断业务原因,只负责把确定的结果表达出来。

这样分工很朴素,但很重要。分析口径留在 Sive,图表的默认判断留在 GPT-Vis。前者保证数字对,后者保证人能看懂数字。在 Sive 的分析页面里,这个差别尤其直接:同一份结果数据不需要为展示再写一轮样式配置,就能得到有明确层级的图表。

04最后

GPT-Vis 会继续围绕 AI 数据分析的实际过程打磨:配置尽量保持简单,把渲染、布局和读数交互做得更稳,让 AI 第一次交出的图就能用于分析。它已经接入 Sive 的数据分析流程,把结果变成易读、可核对的图表。这是 AntV 可视化能力在 AI 数据分析里的一个具体落点。

点击阅读原文👇,用真实数据试一试。

阅读原文

跳转微信打开

我如何改造 Obsidian?开发日志(三)

2026年9月7日 15:27

原创 二一的笔记 2026-09-07 15:27 福建

一次崭新的旅程

前情提要

本文是 FLO.W Obsidian 正式发布前的最后一篇开发日志,随后我将进行一轮 Beta 测试,如果你感兴趣的话可以通过下方链接,加入飞书交流群。

飞书群链接

21obsidian.com/waitlist

也可在电脑端查看实机模拟

https://21obsidian.com/sim

另外,本文真的非常长,理智告诉我应该拆成三篇四篇去发,但我还是固执地用一篇写完,实在不想让连贯的思路断链,因此也接受超低的完读率,和可能劝退用户购买的反效果。

我坚定地相信,只有把思想转化为文字,思考才算真正完成。倘若不把这半年来的全部探索和执念,完完整整地呈现在这里,这一场漫长的开发在我心里就无法划下句号。

好在我也有相同的自信,如果你是对知识管理感兴趣的人,或者你正在开发自己的笔记软件,那么本文所写的种种探索,你或许也只能在这里看到了。

开发背景

外部世界对我来说是不可预测的,任务会突然涌现、灵感会转瞬即逝、计划会被随时打乱,这种失控感是我焦虑的根源。

所以我总是期待能有一个地方可以收纳所有的不确定,将其规整、量化,并转换为明确的下一步动作,让时间可以被妥善地安排,让目标带给我持久的进步和产出。

我由衷地希望这个工具可以让我每天睡觉前,都感觉这一天充实圆满,并对第二天的到来充满期待。

一年前通过对 FLO.W Notion 模板系统的开发,我几乎圆满地兑现了这一份期待,也满足了超过 1600 名 Notion 用户和我一致的诉求。

CleanShot 2026-08-26 at 00.03.22@2x

同时私信里也持续不断地出现 Obsidian 用户的声音,因此在持续开发了半年之久后,今天我终于能把属于 FLO.W 的同一套底层逻辑,从 Notion 带到 Obsidian,让已经验证可行的规则继续在本地文件系统里落地生根。

并且我必须承认,曾经我认为的「Obsidian 只有落后的分类逻辑」的印象是刻板落后的,尤其是一度被我评价为半成品的 Base 功能,现在我也已经解锁了它的全部潜力,相信也一定能给你惊喜。

产品定位

AI 时代纯粹的知识管理已经不再必要。

人们应当真正关注的,是在长期工作中产生的信息、知识、目标与行动,该如何和谐有序地进入统一的系统内持续运转,让人专注于判断与选择,让 AI 承担繁琐的执行,在同一套上下文里协同推进。

FLO.W 是基于这个使命所构建的,一套能衔接思考与行动的 Obsidian 工作系统。

它以 Obsidian 为基础,包含配套的模板库和定制的插件系统,能帮你快速捕捉每天的思绪、行动和好奇心,将高价值的信息存进一个结构清晰、人和 AI 都能高效处理的工作台,让行动更敏捷、让思路更顺畅。

基于 Obsidian File Over App 的产品哲学,FLO.W 可离线、可买断、不对 Markdown 文件做过多侵入式修改,帮你从今天起搭建一个 50 年后依然清晰可读的个人数字保险库。

倘若有一天 FLO.W 出于某些意外必须终止维护,我会将产品开源,以保证必要的存续条件。

CleanShot 2026-08-26 at 13.09.16

设计思路

整齐的秩序能给人带来掌控感,有效的链接才不会让信息沉底,切实行动才能带来真实收益,复盘校准才能迭代出正确方向。

基于对秩序、链接、行动、以及校准的四个核心追求,我构建了 FLO.W 这套系统,即 Foundation、Link、Operate、Watchtower。

四个核心追求

接下来我会逐一拆解它们在 Obsidian 里的实现方式,首先要面对的,就是大多数人最容易开始、也最容易失败放弃的分类体系搭建。

秩序

传统的笔记秩序依赖人的整理,需要自己把东西放到该放的地方。

但整理依赖记忆和自觉,而这两样都会衰减,记忆会遗忘,自觉会偷懒,所以依赖文件夹和标签的分类方式必然渐进式崩坏。

全盘丢给 AI 归类和查找看似省事,但这只会让你的笔记库变成一个人类难以阅读和操作的黑盒。

因此 FLO.W 通过预先设定好以下四条规则,让用户(以及用户的 AI)能在一套逻辑自洽的有限空间内自由生长。

规则一、用有限对象简化分类逻辑

文件夹陷阱

在我有限的人生里,从来不见有人可以真正用好文件夹,当你用主题、场景、或是来源的方式去做分类,你就落入了文件夹的陷阱。

一个文件只能同时存在于一个文件夹,当你选择了其中一个,你只能选择表达这个文件的某一个面而放弃其他属性。当你希望表达更多的时候,你就会增加更多的文件夹或标签,然后管理成本就越来越高。

文件夹陷阱 单亲层级树 3x4

你当然可以选择全盘交给 AI,不再手动维护任何文件夹,但对依然在坚持手搓文章和笔记的我(或者某一类用户)来说,保持文件夹的人类可读性和可操作性,依然是我所追求的一个最低标准。

最简化结构

在长久的实践中,我逐渐摸索出了一种与「主题式笔记分类」不同的分类逻辑,它的核心灵感来源于 Tiago Forte 的 PARA 方法论,意在用信息与行动之间的关系将信息分成四类:

  • • Project

  • • Area

  • • Resource

  • • Archive

但在 PARA 中「资源 Resource」的定义非常模糊,而「归档 Archive」则更像是一种信息的状态而非类型,因此 [[PARA]] 对我来说并非最优解。如果你比较关注这个圈子的话,应该也曾看过很多基于 PARA 的变体。

我采纳了 Area 和 Project 的广泛定义,并结合我的个人实践,提炼了四种我认为最重要的元信息类型,它们分别是:

C2 条目罗列图 4K (3)

这四种信息类型首先是可以自上而下拆解的树状结构,一个领域下会有多个项目,每个项目都可拆分成若干任务,每个任务在执行过程中都可能产生各种有价值的笔记。

接下来,其他所有看似繁杂的细分需求,都可以从这四个基础对象中自然生长出来。

比如会议纪要、灵感闪念或是读书心得,你不需要再去新建额外的文件夹,它们本质上都只是这四种元对象补充了特定属性、再配合 Base 筛选后的不同「视图」。

可拓展场景

所以原则上 FLO.W 只设定了最基础的 4 个顶层文件夹:

  • • 任务

  • • 笔记

  • • 项目

  • • 领域

当然仅凭这条规则还无法承载更复杂、更个性化的信息分类需求,因此接下来就需要用到「字段属性」这一工具,才能为不同的信息对象扩展它可承载的深度和广度。

规则二、用笔记属性承载关键事实

标签的陷阱

标签其实就是另一种形式的文件夹,因此文件夹存在的所有问题,在标签这个工具里同样存在,甚至更糟糕。

你可以在一句话之中、一个段落的末尾、甚至是一篇文章的开头或结尾打上标签,这使得标签的创建速度更快,限制更少。并且标签的语义更加是即兴且模糊的,比如灵感和想法、资源和参考、方案和规划,只要意义有所重叠,就会在你需要调用标签进行分类的时候造成困扰。

更大的问题是,当你希望在 Obsidian 的 Tags 属性菜单中找到曾经用过的标签,那么不同类型的标签就会杂糅在一起,有的是任务状态标签,有的是主题分类标签。

这个查找的过程会非常发散和烦人,容易让人陷入选择困难的境地,或者因为找不到想要的标签,于是又随手创建了一个新的,最终往往只能痛定思痛地留下「标签无用」的结论。

L1 下拉清单图 4K
属性的解法

笔记属性其实就是预先分组、且自我设限的标签,它的位置是固定的,它的选项是预设且有限的,虽然降低了自由度,但也显著降低了选择的成本。

在 FLO.W 中,每一个 Markdown 文件通过填写笔记属性 FLO.W 的方式去回答,它属于哪一种元信息类型?

当它是笔记时, FLO.W = Note ;当它是任务时 FLO.W = Task 。如此便规定了每一个新建文档的基本用途和用法。

CleanShot 2026-08-26 at 12.12.59@2x

接下来所有的新增字段,都是基于 FLO.W 这个地基字段进行扩建。

因为 Task  是用于追踪某个需要被完成的动作,所以它可以增加 Status、开始日期、结束日期、完成时间 等用于描述进度的字段;因为 Note 是用于记录需要被反复调用的信息,所以它可以增加 笔记类型、关联领域、关联项目 等字段。

有限的笔记属性确定后,属性的值域也应该是受限的。

在默认预设下,Status 仅设定 Todo、Doing 和 Done 三种元状态,笔记类型仅预设 Log、Ask、Exp、How 和 Idea 五种元类型,如非慎重思考后的结论,否则一般不再增加更多选项。

基于这种方案,我们既可以实现标签的基本用法,也可以消解传统标签会带来的分类难题。

你无法在一句话里随手打上一个笔记属性,因为它只存在于文档的头部位置;你也不需要再面对即兴语义的困扰,因为每一个笔记属性的值都已经预先定义;你更不需要面对不同类型的标签杂糅在同一个下拉菜单里的情况,因为状态、类型、以及关联等字段都是各自独立的。

CleanShot 2026-08-26 at 12.17.44@2x

到这里我们只剩下最后一个问题需要解决。

标签除了标记文本特征这一功能,还有一个用处就是可以起到聚合文档的作用,所以我说标签其实是另一种形式的文件夹。但标签的聚合虽然快速,聚合的结果却是笼统的,你总不能期望用模棱两可的定义去获得精确的结果。

但在 FLO.W 中,信息的聚合检索可以做到更智能、更高效、更精准,那就是基于笔记属性的 Base 聚合检索。

规则三、用动态表格实现更优检索

传统表格的局限

对我来说,表格就是秩序的象征,它可以排序、可以筛选、可以从全局视角俯瞰,也可以聚焦某个局部观察。横平竖直、整齐有序,只要信息精确完备,就能够给人一种「信息被照顾妥当」的安全感。

但传统表格所呈现的只是交织在行和列里的单元格,这些单元格只能体现一条信息的关键特征。

所以 Notion 数据库的创新是让每条记录都可以被打开为一个独立的文档,并且文档内还可以继续内嵌文档和数据库,即便递归也被允许。

Pasted image 20260826225733

所以 Obsidian 能实现这样的效果吗?

我曾经认为 Obsidian 的 Base 只是一个赶趟上架的半成品,但事实证明,当我给所有的文档都分配了 FLO.W 这一笔记属性后,Base 几乎可以看作是青春版的 Notion 数据库了。

动态透视的解法

在 FLO.W 的基本框架里,有限的文件夹与 4 种对象类型严格绑定。

当你在「任务」、「笔记」、「项目」或「领域」文件夹中新建文件时,头部的 FLO.W 属性会被 FLO.W Core 插件自动赋予对应的 Task、Note、Project 或 Area 的值,不需要你手动填写。

CleanShot 2026-08-28 at 13.50.09@2x

这在目录层面完成了文档的第一层分类,每篇文档在创建的瞬间就被标记了它的元信息类型。

第一层分类

但单一的顶层文件夹无法回答更具体的场景,例如哪些是即将过期的任务、哪些是上个月完成的项目、哪些是最近半年写过的经验笔记?

如果为了这些场景去不断新建子文件夹,我们又会重新陷入文件夹层层嵌套的陷阱。

Base 能用动态过滤的方式解决这个问题,但前提是被过滤的文档必须有标准、可被计算的笔记属性。所以我们让 4 种基本的元信息类型作为主干,向下分叉出受限、可控的笔记属性,如状态、笔记类型、关联项目等。

然后你就能随时从有限的文件夹里切分出清晰的功能视图,比如所有的 How 笔记.Base、所有进行中的任务.Base、或是某个领域下的所有关联项目.Base。

M1 树状层级图 4K

而且 Base 所聚合的每一个文档,实际上都是一条超链接。

打开链接后你得到的不只是一篇文档,还是一个容器,因为文档之内同样可以再内嵌 Base,而这个新的 Base 又可以动态过滤整个 Vault 之内的任意对象。

于是打开项目页面,你可以看到的它聚合了这个项目下所有任务;打开任务页面,又能看到属于它的所有笔记。

记录、透视、打开、内嵌,递归,与 Notion 数据库的基本效果如出一辙。

CleanShot 2026-08-26 at 13.11.11@2x

当然 Notion 数据库的各种高级自动化与丰富视图,目前在 Obsidian 里仍有巨大差距,这一点读者们还是应当抱有正确的期待。

所以到这一步,我们通过 FLO.W 的四种元信息,加上衍生的笔记属性以及 Base 的聚合检索,就可以实现用有限的文件夹去管理几乎无上限的分类场景。

Base 里的视图(View)是可以随时创建、随时删除的动态观察窗口,不论如何操作,归档在文件夹之类的文件都不会受到任何影响。

并且 Base 还有个特性可能会让你觉得它比 Notion 数据库更好,那就是 Base 的检索是覆盖整个笔记库的,而 Notion DB 的数据源是固定受限的。

如何理解呢?

Notion 是先有数据库,再有库里的 Page。而 Obsidian 一般是先有 Page 再有 Base。这意味着,如果你想在「笔记库」里新增一条笔记,Notion 会要求你先找到这个数据库再去做新增的动作。

而 Obsidian 只需要将任意一篇文档加上 Note 的字段,它就能立刻出现在对应的 Note.Base 之中。因此理论上在 Obsidian 中你不需要设置任何文件夹,只需要设定好字段,然后再利用 Base 去全局检索和管理即可。

但这显然违背了我们「人类可读、可操作」的初衷,所以为了避免这个笔记库变得杂乱不堪,我为 FLO.W 开发了一个名为「自动路由」的核心功能,它其实是我构建整套系统的起点。

规则四、用自动路由实现自动整理

Notion Database 和 Obsidian Base 都有一个特性就是,如果在带筛选条件的视图中新建页面,则新页面就会自动继承视图的筛选条件。

CleanShot 2026-08-26 at 13.14.03@2x

例如在 Status = Doing 的视图里新建,则新页面的 Status 会被自动设置为 Doing,这样才能满足让它出现在当前视图里而不被过滤掉的条件。

Notion 因为数据库的源已经确定,所以不论再怎么在数据库内创建 Page ,这个新的 Page 都不会污染其他的 Page 或者 DB。

CleanShot 2026-08-28 at 14.30.37@2x

但 Obsidian Base 的问题在于,当你点击 Base 右上角的新建按钮,系统会将新建的文档默认放置在「新建笔记的文件夹」这个设置所指定的位置。

CleanShot 2026-08-26 at 19.22.12

所以通过 Base 创建文档之后,你只能再手动去修改这个文档的位置,或者干脆不改了就那么放着。

CleanShot 2026-08-28 at 14.33.01@2x

为了解决这个问题,我开发了「自动路由」这个功能,可以实现以下自动化流程:

  • • 填入特定字段,文件自动移动到对应目录

  • • 建在特定目录,文件自动写入对应的字段

例如当你在「笔记」这个文件夹内新建文档,则 FLO.W 这个笔记属性会被自动写入 Note 的值;当你将「任务」文件夹里的文档拖动到「笔记」文件夹,FLO.W 的属性值也会从 Task 变成 Note。

此外,当你为任意文档添加 FLO.W = Note 的属性值,不论这个文档当前处于什么位置,自动路由都会将它移动到「笔记」文件夹,当你再给它添加 笔记类型 = Log 的属性值,则它还会被自动移动到 笔记/Log 的子级文件夹里。

自动路由 · 双向同步时序

在自动路由的维护下,你在各个 Base 里新建的文件,都会自动获得对应的属性与存档位置。

4 种基本的元信息划定分类边界,受限的属性和值域定义信息的特征,Base 负责覆盖整个笔记库的动态切片,自动路由负责兜底的位置对齐,这套规则可以在不依赖 AI 的前提下,有效降低人工整理的成本,让本地文件系统始终保持在整齐有序、清晰可读、可操作的状态。

链接

过去 PKM 生态常见且被大多数人接受的观点是,你必须主动建立链接,知识网络才会逐渐形成。

但如今 AI 在发现潜在关系这件事上,一个 grep 命令就让多少双向链接显得不再必要,因为我们随时可以根据当前的上下文将其立刻计算出来。

但链接的价值并未消失,只不过我们需要将链接的目的从「检索」转变为「约束」,也就是用链接关系去明确那些,只有人作为主体才能确认和负责的事实。

比如,任务 A 属于项目 B、项目 C 的负责人是 D、最终方案写在了笔记 E,F 的结论来自笔记 G,改变了前提 H 则结论 I 就会受到影响...

AI 当然可以将这些信息猜得八九不离十,但猜测和事实是不同的两件事。

你可以不用再穷举信息之间可能存在哪些关联,但仍然必须定义什么对自己是真的、什么对自己是重要的、接下来允许发生什么,以及你更希望行动以怎样的路径去推进。

而以上一切,在 FLO.W 中都可以用合适的「链接」去表达。

让关联表达意图

当你设定好了每一种元信息类型的用途和用法,那么它们之间的关联将自然带有明确的意图,这可以解决过去双向链接只能表示有关系,但解释不了到底是什么关系的问题。

FLO.W 的三种信息对象首先具备明显的树状层级,展示的是包含与被包含的关系:

领域 A
└── 项目 A
    ├── 子项目 A1
    │   ├── 任务 1
    │   │   ├── 子任务 1.1
    │   │   └── 子任务 1.2
    │   └── 任务 2
    └── 子项目 A2

它直观展现了一条从长远愿景到具体动作的推进路径:

领域:锚定一部分人生愿景
└── 项目:实现这一愿景的阶段性规划
    └── 任务:实现这一规划的分解动作

在执行层面很容易理解这种拆解动作,先把大目标拆解为小目标,小目标再逐个击破,最终实现大目标的完成。

接下来,「笔记」这个对象还会被进一步拆分为 5 种预设的「笔记类型」:

  • • Log :真实发生的过程与事实

  • • Ask :等待解答的疑问与困惑

  • • Exp :实践沉淀的经验与心得

  • • How :可供复用的方法与步骤

  • • Idea:有待探索的灵感与假设

那么当 Task、Project 或者 Area 与不同类型的笔记相关联时,就可以让这层关联展现更多的信息量,例如:

用关联表达意图

在一般 Obsidian 用法中,表达这类关联最习惯的做法,就是在正文里随手敲一个 [[双向链接]]。

但这种正文里的双向链接,往往只有链接的发起方才具备完整的上下文。

比如你可能习惯在日记里随手引用今天完成的任务,在项目里随手关联相关的参考资料,站在当前这篇文档(链接发起方)的视角来看,关联的意图非常清晰,你写的时候当然知道自己为什么提到了它。

但这种清晰只是单向的,一旦你把视角切换到那个被链接的[[目标页面]]时,问题就会出现。

无论是你随手打的一个词、一篇严谨的参考文献、一个需要执行的待办,还是一个从属的子主题,在反向链接面板里长得完全一样,没有任何语义和轻重的区分。

双链的缺陷 1

为了让关联能显示更明确的意图,在 FLO.W 中,关联是直接写入文档头部的笔记属性区域的,如果你曾是 Notion 用户的话,应该很容易理解这种类似 Relation 的用法。

CleanShot 2026-08-26 at 13.21.02@2x

在属性里写下 关联项目 = [[项目 A]],原本潜藏在字里行间的关联意图,就可以转变成 Base 可读、可筛选的结构化数据。

而且在实际操作中,你完全不需要手动给每一篇文档逐个填写这个字段。

当你在某个项目页面的 关联任务 Base 点击新建页面按钮,这个新任务会因为当前 Base 视图的筛选规则,在创建的瞬间就自动具备 关联项目 这个笔记属性,并将当前项目的名称自动填入字段中。

创建即关联

当你将 10 个任务关联到了 1 个项目里,这个项目就顺理成章地成为存放和管理这 10 个任务的容器。

让页面成为容器

在 Obsidian 的早期探索中,人们习惯用 MOC(内容地图)的方式来扮演容器的角色,首先创建一个核心的主题页面,然后在页面里打上一长串 [[双向链接]] 作为索引。

但这种静态容器并不能真正创建页面之间的从属关系,你当然可以在 MOC 里看到索引笔记的不同层级,但是进入被索引的笔记页面,你只能读到「有关系」而不能读到到底是哪一层的关系。

并且你在其他地方创建的新笔记,无法自动汇入这个 MOC,你只能手动添加一条索引。或者如果你是通过 MOC 内链的方式去创建新的笔记,则这条笔记又无法被放到正确的文件夹位置。

内容地图

而在 FLO.W 中,页面中的 Base 可以成为动态过滤的容器,整个笔记库内,所有符合筛选条件的内容,都会实时呈现在 Base 之中:

  • • 打开领域,Base 聚合属于它的所有项目

  • • 打开项目,Base 聚合属于它的所有待办

  • • 打开任务,Base 聚合属于它的所有笔记

这种包含关系还可以向下递归,任务页面可以内嵌子任务 Base,项目页面可以内嵌子项目 Base,笔记页面也可以内嵌子笔记 Base,从而实现更细分的层级管理。

还是以《咖啡》主题为例,在 FLO.W 中,每一个页面都可以借助内嵌的 Base,成为一个具备「收纳与展示」能力的容器:

用 Base 构建动态聚合的主题笔记

Base 里的页面再内嵌 Base,知识的收纳与展示就有了无限递归的可能。

每一层容器都只负责展示与当前主题直接相关的内容,同时又自然成为通向下一层子主题的入口。你不需要小心翼翼地在单篇文档里手动维护那张容易混乱的 MOC 索引,每一篇新笔记在被创建时,就可以被「自动路由」功能存放到合适的位置。

行动

我们常常习惯用待办清单来管理行动,先把要做的事记下来,然后祝愿执行力可以督促自己完成任务。

但冒出一个念头很容易,到底要怎么做却又不是那么清楚。又或者其实事情本身并不难,甚至很简单,因此你懒得去沉淀流程与模板,总习惯于每次都是重新开始,忽略了积少成多的隐形支出。

我相信会阅读本文,甚至还能读到这个部分的读者,执行力一定已经远超常人,但拖延问题定然在所难免,这并非主观懒惰导致。

原因在于,意志力是有限的资源,尤其在今天我们更多的是扮演向 AI 发号施令的指挥,如果你的精力都被执行前的琐事摩擦消耗掉了,你甚至连给 AI 下达正确判断的心力都没有。

所以 FLO.W 有一整套承上启下、逻辑自洽且验证有效的行动体系,可以尽量消除每一次行动之前的摩擦。

  • • 按钮 → 解决高频触发问题

  • • 模板 → 解决重复搭建问题

  • • 目录 → 解决进度流转问题

  • • 视图 → 解决信息过载问题

用快捷按钮封装高频操作

之前在 Notion 里使用 Button 功能时,每次都有种莫名的爽感,因为你可以将复杂或麻烦的操作流程封装到一个按钮里,每按一次就感觉你好像从哪里偷到了十几秒的时间,所以我觉得按钮是一个好文明。

在 Obsidian 中,快捷方式其实也不少见,但不论是官方功能还是各种流行的 Obsidian 效率插件,常常起手就是让你按一下 Ctrl+P 唤出命令面板,然后你只能祈祷自己还记得那个组合快捷键到底是什么。

记得住的话确实很酷炫、很有生产力,但大多数人会在 1 个小时后忘记原来自己还装过这个插件。

命令面板

所以从构建 FLO.W 的第一天起,我就在思考怎样才能让整个行动流程更顺畅、更符合直觉。

最后我的答案是,把日常反复出现的操作,封装成侧边面板上一键触发的「开关按钮」,让高频操作不再依赖键盘快捷键,你只需要记住按钮大概的位置,就能形成肌肉习惯。

动作面板-四个分组

同时,「当前页」面板会根据文档的 FLO.W 属性自适应感知,打开任务时只呈现排期与标记完成,切到笔记时只显示专属的笔记模板,省去在一大堆无关按钮里挑拣的麻烦。

不仅如此,Obsidian 官方还有很多功能,用户用了一两年都不知道它们的存在, 比如限制行宽、堆叠标签页等,FLO.W 按钮面板会把这些实用操作全部做成直观、通用的开关,让它们更加触手可及。

当然目前的动作面板主要运行在我预先设计好的几套高频动作上,但面板已经搭好了基础框架,未来或许可以开放更多的自定义接口,让每个用户能根据自己的工作习惯,把属于自己的复杂需求也封装成专属的一键按钮。

用标准模板降低启动成本

在我看来一个人工作能力是否娴熟,很大程度可以体现在他会不会用模板来偷懒,或者更高大上一点,有没有沉淀下自己的工作 SOP。

如果每次工作都要从一张白纸开始,你很难不会有畏难情绪,即便只是要在脑子里简单过一遍标题、排版、或者思考需要填哪些字段,这些虽然简单但是繁琐的准备工作,往往会消磨掉一个人最初的工作积极性。

而且因为格式并不固定,随手写下的结构必然千奇百怪,有时会漏了状态,有时属性名会写错,就有可能导致你写完的笔记不能出现在对应的 Base 视图之中。

在原生 Obsidian 里,模板通常只是机械地贴入一段文本,想要实现动态的模板逻辑,则需要折腾复杂的第三方插件或脚本。

而在 FLO.W 中,模板由 Core 插件在底层全面接管,在文件新建的时候,就可以把动态规则一次性装配好。

这其中就包括以下 4 种基本的模板类型

  • • 属性模板:补齐关键字段

  • • 容器模板:预装过滤视图

  • • 提问模板:固定提示设问

  • • 自建模板:上架专属按钮

四种模板

每一次行动的开始,你都不需要再对着空白页发呆,也不用在重复搭建框架中耗费心智,完全可以把繁琐的框架交给模板,把高频的触发交给按钮,这样就可以更快地进入执行状态,更好地利用有限的时间。

用目录高度投影行动状态

得益于自动路由这一功能,我在 Obsidian 中实现了一种极简且高效的任务管理模式。

过去文件夹让人诟病的一个地方在于,当目录太多、层级太深,只要展开几次子文件夹,就会让文件目录的高度占满整个窗格,于是你就只能来回展开、收缩、滚动目录,这实在是非常麻烦。

但其实我们也可以反过来利用这个限制,也就是用文件目录的有限高度来作为一道警戒线。

在 FLO.W 的框架里,无论是「任务」还是「项目」文件夹,暴露在根目录下的,只有 Status = Doing 的事项;而 Status = Todo 或 Status = Done 的事项,则会被自动路由分别收纳在各自的子文件夹中。

这就意味着你平时展开任务文件夹,第一眼看到的只会是你手头真正在做的那几件事。

CleanShot 2026-08-27 at 13.25.40@2x

一旦事情做完,你只需要在按钮面板里点击「完成任务」的按钮,按钮就会将 Status = Doing 改写成 Status = Done,然后自动路由就会识别到这一变化,立刻将它从根目录移入「已完成」文件夹里归档,让这条任务瞬间从你眼前消失,做完一件,目录就缩短一行。

目录即状态

堆积的任务会把目录拉得越来越长,当你发现目录甚至需要滚动才能看完全部的时候,你就会意识到,你的欲望已经超出了执行力承载的范畴,你的注意力带宽已经快要超载。

要么停止新建任务,专心清空眼前的 Doing,要么把囤积很久任务暂时退回待办,给注意力重新腾出空间。

通过这种简单但行之有效的即时反馈,我可以不用再把时间花在管理任务上,不需要在看板、报表之间来回切换,只有「快点把任务目录清空吧」的充足动力。

不过这种方式虽然简单够用,也只能简单反映「正在执行的事项」这一个切面。如果你想要从更多维度去观察更多细节,比如耗时太久的任务、已逾期的任务、最近 7 天完成的任务等,我们就需要用到 Base 提供的动态过滤能力。

用视图聚焦当下执行重点

与 Notion 的 Database 相比,Obsidian Base 的一个优点在于,只要符合过滤筛选条件,那么不论你的笔记被放到哪个犄角旮旯,都可以被符合条件的 Base 视图检索到。

所以只要你的字段足够规范、字段的值域足够精准收敛,你就能用 Base 从整个笔记库里切分出任何你所需要的视图。

过去文件夹分类之所以屡试屡败,是因为人们总试图用单一的物理位置去承载所有的分类维度,既想按主题存,又想按状态分,还想按时间排,但你不可能把一份文件,同时塞进三个不同的抽屉里。

而在 FLO.W 中,文件夹只负责最朴素的基本归档与状态兜底,至于在不同场景下你想怎么看、看哪些内容,全部交给视图来呈现。

以任务 Base 为例,FLO.W Core 插件将隐藏在下拉菜单中的视图平铺到侧边栏,随手点击就可以快速切换不同视图:表格视图通过公式标出放置过久的任务,方便看清哪件事一直没能推进; 看板视图把进行中的任务直观排开,拖拽卡片即可更新进度; 日历视图把带日期的任务按天呈现,一眼就能看清日程冲突。

CleanShot 2026-08-27 at 14.15.03@2x

而且在特定视图里直接新建文档,新文件会自动继承该视图的属性,并由「自动路由」送入正确的目录。

按钮负责触发,模板负责结构,目录呈现负荷,视图过滤焦点,通过这些机制的组合,FLO.W 能有效减少日常执行的琐碎摩擦,帮助你更快地进入工作状态。

校准

行动不是一件坏事,但行动本身仍然具有一定的欺骗性,你每天顺畅地勾选任务、清空目录,很容易产生一种「我很努力、事情在推进」的满足感。

但如果把时间拉长到半年或者一年,你再回头看时或许会疑惑,这段时间自己都做了什么?好像每天都很忙,但这些被消耗的精力,到底托举起了哪一个人生目标?

如果没有更高的视角来审视全局,你可能从一开始就把力气用在了错误的方向。为了解决这个问题,FLO.W 最后一个「校准」模块尝试用以下三种方式解决:

校准

让行动与目标不脱节

前文已经讨论过,FLO.W 系统存在一条可以自上而下拆解的行动链路:

- 领域(愿景、人生主线)
    - 项目(方案、阶段规划)
        - 任务(待办、快速动作)

因此领域不会被完成,它将成为一种用于确定人生方向,并沉淀长期复利的资产账户。

在不同人生阶段、不同的人生境遇下,每个人都会有不同的追求,所以你既可以设置「身心健康」、「婚姻家庭」、「财富管理」这样人人皆需呵护的通用领域,也可以根据你的职业、志趣与追求设立专属方向,比如「内容创作」、「软件开发」或是「某项手艺」。

倘若你的行动系统内没有类似领域模块的划分,那么老板派发的任务也许就是你生活清单的 90%,每天睁开眼,无数琐碎的待办扑面而来,你变得麻木机械,只能把大部分心力消耗在这些应激反应上,不知不觉就感觉整个人生都被一份工作吞噬掉了。

但当你有意识地为人生设置更有价值的核心议题,那么它将时刻提醒你,所谓本职工作也只是你多个领域板块里的其中之一,它只是你在打的一份工而已,别让它占据你的人生全部。

在 FLO.W 中创建一个领域其实非常简单,它其实就是一个写好愿景、目标的 Markdown 文件,平时所有相关的任务、项目或笔记,都可以直接关联到这个领域文件上,就像是把某种无形的资产投资储蓄到这一个账户上。

CleanShot 2026-08-27 at 14.27.30@2x

同时每个领域在被创建的时候,都会由 FLO.W Core 插件自动新建 4 个容器页面,它们分别是:

  • • 领域 - 关联笔记

  • • 领域 - 关联任务

  • • 领域 - 关联项目

  • • 领域 - 关联剪藏

这里的每个关联文件里,都会由 Core 插件自动创建一个关联到领域本体的 Base。

利用 Base 的动态检索功能,只要你在日常记录时将文件关联到领域本体,Base 就会自动把全库所有相关的项目、任务或笔记实时抓取并呈现出来,不需要你手动去维护任何汇总列表。

CleanShot 2026-08-28 at 20.40.20@2x 1

如果这个领域下的 Base 堆叠着推进中的项目、做完的任务和沉淀的笔记,这说明你的长远目标正在被真实的工作填充。

如果这个领域下的 Base 寥寥无几甚至一片空白,要么是你立了一个宏大的愿景,但实际上从未为它真正立项推进过,要么是你每天忙得精疲力竭,却从不给自己的行动和思考建立归属关联,任由力气四处散落,没有为这个人生议题留下有价值的沉淀。

领域账户盈亏对比

有了领域可以挂靠,哪怕做着被迫接下的项目,你也可以多想一步,这里踩过的坑能不能沉淀为属于自己的经验(Exp),摸索出的流程能不能提炼成未来跳槽的底牌(How)。

在「校准」视角下,领域所圈定的人生议题,可以把模糊的情绪和盲目的忙碌,转化成清晰可见的数据积累,哪个方向正在荒废,哪个方向成果丰硕,都可以在这些 Base 里看得清清楚楚。

用报表追踪长期变化

当一个人开始减肥,就会开始算计每一天、每一餐、每一次运动后的体重变化,但通常站在秤上的那一刻都会感到失望或者不解,只吃了两口饭为什么体重会增加,一个小时的有氧怎么秤一点都不带掉的?

如果你的心智不够坚定,很容易会被这些噪音影响到。

不过让人宽慰的一点是,只要你真的坚持锻炼、坚持节食,并且把时间窗口拉长,不要计较短期内的波动,就一定能看到一条清晰的、让人振奋的下降曲线。

所以报表是一个非常强大的工具,很多时候坚持下去的动力都来源于看得见,因此在 FLO.W 中几乎所有功能模块都有属于自己的报表系统。

不论是任务的推进完成、项目的阶段交付、笔记的知识沉淀,还是剪藏的消化引用,FLO.W 都为每一个核心对象建立了统一刻度的长期报表。

CleanShot 2026-08-27 at 15.19.15

再往上更有看清精力分配的领域流向图、记录打卡与专注的行动看板、还原真实工作状态的活跃时段,以及把刻度拉长到一生的人生余额与人生曲线。

你不需要每天花时间去分析这些数据,它们会在后台安静地自动汇算,当你需要回顾或者感到迷茫的时候,打开看一眼就能客观地知道自己的状态。

FLO.W 希望成为你至少未来十年的一面镜子,不管生活或工作如何变迁,回头看时不会觉得自己虚度了某些时光,所有的努力和成就都有迹可循。

更多视图

用复盘校正执行方向

我其实心里知道,复盘模块的使用率应该会是最低的。

认真做一次复盘太过耗费脑力,收益也很难在当下立刻显现。很多人的复盘之所以中途夭折,是因平时缺少轻量的记录,到了周末或者某个复盘节点,只能凭模糊的记忆和主观的情绪去猜想回忆,复盘就很容易退化成无意义的自我感动或自责。

复盘的好处显而易见,但它应该要有取巧的方法。我认为一套能长期运转的复盘体系,应该至少具备以下三个特点

  • • 低阻力

  • • 周期性

  • • 渐进式

首先在日常工作中,你完全不需要带着「我今天必须写出深度总结」的心理包袱,在 FLO.W 侧边栏的速记面板里,可以随时敲下一行字,或者用语音输入法随口说两句,记录下刚刚发生的事实、突发的灵感、或是一个悬而未决的疑问,不强求提炼,不浪费脑力。

FLO.W-速记面板-原图-4672x2916

到了周末或月末,真正需要复盘反思的时候,你也不用在几十篇散落的日记里翻箱倒柜,点击速记日历顶部的「周」或「月」按钮,新建的周期笔记会立刻通过内嵌的 Base 视图,自动将这 7 天的日笔记或这 4 周的周笔记自动、整齐地索引成一张表格摆在眼前。

CleanShot 2026-08-30 at 16.33.03@2x

然后用固定的四个预设问题,将千头万绪的随机复盘变成相对固定的填空题,在这个简单的回顾框架下,你只需要回答:

  • • 这一阶段推进了什么?

  • • 什么没有达到预期?

  • • 有什么可以复用的方法?

  • • 后续重心该往哪里倾斜?

复盘时如果有冒出新的想法,还可以直接通过侧边栏的按钮面板快速落地,点击新建任务、项目或笔记按钮,在弹出的面板里顺手勾选「关联到当前页」,系统就会自动为你完成双向关联。

CleanShot 2026-08-30 at 16.32.12@2x

发现的问题可以当场转成具体待办,提炼的心得也能顺手沉淀为 Exp 或 How 笔记,想到什么就当场记录并关联,复盘写完,下一阶段要推进的事情也就顺手铺垫好了。

人机共驾

正如本文开头所说,AI 时代已经没有任何必要继续囤积知识。

但目前市面上许多「AI + 知识库」的实践,往往走入了另一种极端,全盘抛弃基本的分类体系,把所有文件塞进一个大杂烩库里,然后祈愿 RAG 和大模型能正确猜出潜在关系。

指望 AI 替你完成所有的阅读、整理和思考,就好像花钱雇人帮你健身,不流汗、不动脑、不实践,你的大脑得不到任何训练和沉淀,只能沉浸在 AI 为你编织的幻觉里,自然无法主动提出更好的问题。

因此在 FLO.W 的产品理念中,系统应当保留人类最基本的可读性和可操作性,同时用合理的字段架构、预设的标准化 Skill、透明的纯文本底座、以及确定的自动化流转规则,才能让越来越强大的 Agent 可以在安全、确定的边界内精准执行,并获得正确的结果。

为此,FLO.W 在系统内部预置了 10 个开箱即用的 Skill

我把前文提到的所有分类规则、属性值域、模板语法与操作规则,全部写成标准化的执行规则。不管是通过外部的 Claude Code、Codex,还是直接在 Obsidian 内使用诸如 Claudian 或者 YOLO 等 AI 插件,都可以精准地读懂系统的运行逻辑。

预设标准化 Skill

自动路由将在后台实时接管,确保 Agent 产生的文件能自动归档到正确位置,不会在你的库里随意新建奇怪的文件夹,或者写错字段属性。

在这套框架之下,你可以对 FLO.W 的 AI 协作建立起一份合理的期待:

它无法替你决定人的去向,但可以在你选定的轨道上全速推进。无论是把脑海中粗糙的想法转化为清晰的行动规划,还是在纷繁复杂的日常工作中维护长期的笔记秩序,你都可以放心地让 AI 接管那些耗费心力的机械的重复劳动,然后把时间还给思考与行动。

写在最后

不管你是谁,如果你能从头到尾读到这里,那我真的对你太好奇了。

我的生活中找不到任何一个人与我有相同的志趣,更别提有相同的耐心会愿意看完如此长篇累牍的思考。

我有很多执念会暴露在我的文字里,也将一并呈现在这套模板的每一处细节中。所以本文结尾我就不打算再强调一遍这个系统究竟还有哪些特点了,相信你应该能感受得到。

欢迎通过下方链接加入飞书交流群,我非常期待能与你同行。

飞书群链接

21obsidian.com/waitlist

也可在电脑端查看实机模拟

https://21obsidian.com/sim

阅读原文

跳转微信打开

哪只基金可以持有十年?

2026年9月7日 13:30

原创 也谈钱 2026-09-07 13:30 德国

经常被大伙问到这类问题:

想给孩子攒一笔教育金,十几年后才用,选什么基金合适?

准备给十年后攒一笔自由基金,应该买什么?

养老钱目前用不到,想找一只基金长期定投,有什么选择?

我觉得这样的基金应该满足至少两个条件:

  1. 能自我更新、适应变化。不说未来十年,就看过去十年,从 2016 年到现在我们经历多少剧变,贸易摩擦、新冠、俄乌战争、美伊战争、AI 出世……不能每次变化都纠结「这次怎么办」

  2. 分散、不能太依赖单一因素,不能依赖某个公司、行业,也不能太依赖某个人。拉长时间看,个体都是脆弱的。分散更容易锚定财富锚,实现保值增值。

最可靠满足这两个条件的,可能还是宽基指数基金,比如沪深300、中证A500、红利、标普500 等等。几乎可以说,只要股市还在,他们就在。

如果没有「买入后十年不许动」这么严格的要求,我觉得理解理念、以团队为核心、不依赖某个人的投顾组合或者 FOF 基金也可以考虑进来。虽然稳定性会差一些,但持有体验可能更好。

自我更新 + 分散投资,虽然不能保证十年长期上涨,但起点别买太贵(看估值或者定投),大概率能实现购买力保值增值。

很多小伙伴可能会觉得矛盾,「不能保证长期上涨」怎么做到「保值增值」呢?

因为财富是个相对概念。假设某指数十年间扣除每年 2~3% 的分红原地踏步,感觉拉完了。但如果同期银行存款利率 1%,物价几乎没变,房子便宜 30%,新车便宜一半,其实也实现了保值增值的目标。

所以看长期收益相对购买力的变化,比实现多少收益数字更重要。

未来十年不能保证上涨,是因为未来发生什么我们不知道。但我依然相信,别买得太贵的前提下,自我更新 + 分散投资有比较大的概率跟上社会财富增长。

……

不过想要持有十年,我觉得还有个更重要的问题:

沪深300、红利、标普500 这些指数基金,我想大家或多或少都买到过。大伙当时持有了多久呢?又因为什么中断?

曾经中断投资的原因没有解决,未来还会再发生。可以持有 10 年的基金 ≠ 真能拿住 10 年,前者很多,后者少得多。

两个最常见的中断原因:

  1. 这笔投资「最难受的时候」超过了我们的承受范围;

  2. 投资能适应变化,但生活没准备好。

人不擅长想象未来的感受,会忽略很多重要的背景信息。

比如当我们说投资下跌 50% 时,你可能想象除了股票便宜 50% 以外,其它东西都没变。此时应该买入,应该别人恐惧我贪婪。

但事实常常不是这样。

投资下跌 50% 的同时,通常伴随着我们认为世界在崩溃——经济衰退、疫情扩散、战争冲突——甚至自己也刚刚失业……

那时我们在想什么,还是否愿意持有,现在很难预料。

所以我觉得还应该考虑两件事儿。

1、「过去」拿住过哪笔投资

人不擅长想象未来的感受,但容易看清过去的经历。

就像如果每次办健身年卡都半途而废,那不管下次有多大决心、新年计划多详细周全,都应该先买次卡。

投资也是,设想「最难受的时候」,再好的风险问卷也不如看看自己过去都从哪些地方实际赚到过收益或者利息。

如果买的基金总是亏,还不如存银行。现在哪怕找到能持有十年的基金,最好也先把大部分钱存起来。

先用小部分钱尝试,小部分钱经历一轮牛熊(至少 3-5 年吧,别只看赚钱的时候!)确实结果满意,再逐步增加比例。

不用怕万一真赚钱,大部分钱因此错过机会。一笔投资如果真值得持有 10 年,就不该只有前 5 年赚钱,后面也总有机会的。

2、对「意外」准备得有多充分

不仅是投资本身的意外,更是生活中的意外。

以前说“长期投资”,我们很容易追问:究竟多久才算长期?三年、五年还是十年?

但我慢慢想明白一件事——长期最重要的不是时间多长,而是我们对意外准备得有多充分。长期总是被各种意外打断的。

所以越想长期投资,越要先把投资以外的钱准备好。

日常生活用的钱,未来三五年用的钱,应对意外、失业、生病的钱。把这些先准备好,余下的钱才更可能做到长期投资。

想起大伙经常吐槽:

大笔买的基金总是不赚钱,赚钱的基金总是没买多少。

这不只是运气差,「这笔钱用不到」才是长期持有的最大助力。

……

所以回到最开始的问题:哪只基金可以持有十年?

基金本身的答案可能很简单:能自我更新、足够分散的,比如宽基指数基金。

真正难回答的是另外两个问题:

这笔钱,能不能真十年不用?

选择的投资、买入的比例,在最难受的时候能不能拿住?

如果不能,换一只基金也解决不了问题。如果可以,很多看起来可能都不适合十年的基金,也可能成为那只“可以持有十年的基金”。

长期持有靠的不是“十年不卖”的计划,而是考虑好各种可能的意外,给它足够的时间。

跳转微信打开

祝贺麦科田上市:从一台输液泵到全球化平台

2026年9月7日 12:50

高瓴时间 2026-09-07 12:50 北京

今日,深圳麦科田生物医疗技术股份有限公司(02041.HK)正式登陆港交所主板。高瓴自2017年B轮起投资麦科田,此后多轮持续加注。

麦科田总部位于深圳,是一家全球化布局的平台型医疗器械公司,业务覆盖生命支持、微创介入、体外诊断三大板块。截至2026年3月31日,公司拥有320余种产品,累计覆盖全球140多个国家及地区,服务中国超过6,000家医院,其中包括约90%的三甲医院。

创始人刘杰拥有逾20年医疗健康行业经验,曾任迈瑞医疗首席运营官。在其带领下,麦科田坚持高强度研发投入,先后推出全球首台远程输注控制系统、中国首个自主研发的多通道输注工作站、全球首款全自动血栓弹力图分析仪等创新产品;并通过收购英国麻醉设备公司Penlon、内窥镜耗材企业唯德康医疗等,实现内生增长与外延并购的双轮驱动。

九年携手,高瓴与麦科田在战略制定、全球并购与国际化拓展中深度协同。

祝贺麦科田成功上市,期待公司以此为新起点,持续创新,成为全球医疗健康领域的领航者。

CIQTEK

深圳麦科田生物医疗技术股份有限公司

总经理刘杰表示:

「我之前一直在大平台工作,创业对我是特别宝贵的人生历练。跟高瓴合作近十年,我们非常幸运,当年高瓴进入时,公司体量还比较小。双方理念契合,不管是内生研发,还是全球并购整合,大方向始终保持一致。

很多次海外并购项目,我们都并肩作战,经常深夜一起开会推进工作。这种产业方和资本方目标统一、一起往前冲的状态很难得。一路走来,离不开股东、团队还有各方朋友的鼎力支持,大家朝着打造全球化医疗器械平台的目标一起奋斗,才有了今天的麦科田。」

Hillhouse

高瓴团队表示:

「医疗器械是一个既需要长期研发定力、又需要全球化运营能力的行业。刘杰总和麦科田核心团队来自产业一线,在跨国公司和中国龙头企业完整历练过研发、销售、供应链和国际化的每一个环节——这正是高瓴愿意长期陪伴的一类创业者。

从2017年B轮起,高瓴有幸多轮持续支持麦科田。九年间,高瓴不只是公司的投资人,更是并肩同行的伙伴:在动态变化的竞争格局中,我们与公司怀着同样的信念,陪伴公司从聚焦单一品类到打造平台型公司,从内生创新到全球并购整合,并以资本、产业资源和全球网络持续为公司赋能。

祝贺麦科田成功登陆港交所,期待公司以上市为新起点,在全球医疗健康市场持续创造长期价值。」

跳转微信打开

吴恩达来信:AI 工程技能地图详解——使用编程智能体

2026年9月7日 12:45

原创 DeeplearningAI 2026-09-07 12:45 北京

使用编程智能体从规划到执行再到监控

Hi~新朋友,记得关注我们哟

亲爱的朋友们,

一项关键的 AI 工程技能是使用编程智能体。你可以引导它们既编写代码,又执行非代码任务,(例如分析数据或管理系统操作的能力),这能让你完成更多事情。

编程智能体的快速演进意味着这项技能本身也在迅速演进——比其他顶层 AI 工程技能还要快。专有智能体(如 Claude Code、Codex 和 Cursor)以及开源智能体(如 OpenCode 和 Pi)都在通过底层运行环境(harness)和模型改进实现跨越式进步。因此,跟上如何使用编程智能体,需要持续不断地实验、构建和学习。

在采访了数十位顶尖 AI 工程师并反思我们团队自身使用编程智能体的经验后,我们发现:借助它们构建软件时,存在一套一致的高层工作流。关键步骤如下:

🔷 规划。这包括:(i)头脑风暴,可能涉及研究、实验,以及理解现有代码库(如果有的话);以及(ii)撰写一份规格说明,涵盖需求、技术设计和架构,随后生成执行计划。你也可以审阅该计划,以质询关键假设,并检查安全性、过度工程以及其他缺口。

🔷 执行,在这里你需要进行构建、测试和验证,并在智能体自主性与人工监督之间取得适当平衡。这包括:(i)让智能体构建软件,并对智能体自主性设置经过校准的程度;以及(ii)通过自动和/或人工检查验证其输出。

🔷 部署和监控,在这里你将:(i)部署,或许会通过 CI/CD 流水线或额外的人工关卡进行把关;以及(ii)使用智能体查看日志、暴露问题,并提出和执行改进。

这套高层工作流与在编程智能体出现之前通常用于构建软件的工作流类似。现在,我们更少关注代码本身,而是更多关注决定要构建什么、设计架构、撰写规格说明,以及验证输出。

每一步的持续时间会因项目而有显著差异,并且某些步骤可以省略。例如,一个绿地项目(即从零开始构建)的原型,其规格说明可能只需在一条快速写下的提示词中进行宽泛描述;而一个棕地项目(已有既存系统)、且拥有大量用户的项目,其规格说明则可能需要投入更多精力来撰写和验证。此外,这个工作流高度迭代,熟练的开发者知道什么时候后一步的反馈应该把他们带回前一步。例如,如果验证失败,他们知道如何引导智能体重建并修复错误;或者如果监控暴露出问题,他们知道如何让智能体更新系统并重新部署。

要在这一工作流中有效使用编程智能体,关键技能是:

✴ 引导工作流

✴启用智能体自主性

✴审阅工作成果

✴定制智能体及其环境

✴编程智能体基础

引导工作流。你需要知道如何在上述工作流的每一步中前进。这涉及决定在人和智能体之间分别投入多少精力,以及何时返回到前一步进行迭代。它要求你深入理解速度、成本、技术风险和人工投入之间的权衡,以便决定前期要做多少调研和规划、何时保留关键工作的人工主导权、如何选择架构、在一组规划产物(如规格说明)中写入多少细节,以及如何把工作拆解为可验证的步骤。

启用智能体自主性。当把编程智能体应用到工作流的各个步骤时,你需要选择自主性级别:是看着它来回交互,还是把更大块的工作委派给它?以及你何时设置一个明确目标,并让它循环执行直到成功?此外,你必须谨慎管理智能体的上下文。随着构建过程进入不同阶段,你需要校准何时确保关键收获、用户反馈和假设——包括在构建中途发生变化的假设——被记录下来,供智能体在后续步骤中使用。此外,你还要决定何时设置多个智能体并行运行,以处理任务拆解后的各个部分——这可以由人类或更高层级的智能体来协调这些其他智能体——以及如何管理人类注意力在并发智能体会话之间的分配。你也知道如何安全地运行智能体,设置权限并适当地对动作进行把关,以便在限制泄漏、数据丢失或其他损害风险的同时,快速推进开发。

审阅工作成果。编程智能体的输出是不确定的。我们无法预先知道它会提出什么好主意,也无法预先知道它会实现什么 bug。审阅和验证输出是确保你获得所需结果、并在不符合预期时将智能体重新引导回正确方向的关键步骤。你需要设计与任务相匹配的测试与验证,按需要同时应用行为验证和功能验证。你也可以测试用户流程,也许让智能体提供截图作为成功或失败的证据。对于定性/行为评估,可以使用评测集,也许还会结合 LLM-as-a-judge。

你还需要决定这些测试中有多少应当自动化。某些工作流会把所有测试和验证都完全自动化,这样智能体就能自行检查工作,并知道自己何时已成功完成任务。你必须评估这些测试,以确保它们与你的目标一致;如果不一致,你还需要对其进行演进。此外,你还会使用智能体式代码审查,并运行 AI 赋能的安全与架构审计。当 AI 审查不够充分时,你会审慎地插入对代码行为的人工审查(而且很少情况下也会对代码本身进行人工审查),同时探索如何进一步自动化这一审查。最后,你会验证部署,并能够借助智能体将监控和事件管理运维化。

定制智能体及其环境。你需要更新智能体本身以及其运行环境的能力,使你的智能体能够高效获取所需上下文、访问工具,并正确且高效地构建。你需要知道如何集成智能体技能、插件和 MCP 服务器。有时,当它们不再必要时,你会将其裁剪掉(例如,当新模型使旧技能不再需要时)。你可以使用 hooks 自动化开发流程中可重复的部分,例如触发自动化代码审查或 CI/CD 流水线。你也可以维护智能体所工作的环境:用关于代码库、关键架构假设、代码风格和数据访问模式的信息更新驻留上下文(如 AGENTS.md 或 CLAUDE.md)。你知道如何在多个会话之间以及并行智能体之间保留状态,并随着时间推移积累智能体的学习成果,也许会通过运行事后复盘来捕捉哪些有效、哪些无效。你还要知道如何建立一致的约定和结构,让你的代码库对智能体而言更易于浏览,以及如何偶尔清理智能体生成的技术债。当你在团队中工作时,你需要考虑如何在不同开发者的智能体之间协调上下文。

编程智能体基础。最后,为了在整个过程中做出良好决策,你需要对编程智能体的工作方式有深入理解:它们如何执行代码库搜索/检索、如何管理上下文窗口、不同操作(如添加工具调用、MCP 服务器等)如何影响上下文、智能体与子智能体如何交互,以及智能体如何通过在 LLM 外围包装一个运行环境(harness)来构建。这会让智能体不那么像一个黑箱,并帮助你识别失败模式,例如把一个简单方案过度工程化、因为智能体缺少明确的验证流程而失去严谨性、没有达到目标就停下,或者智能体动作有可能破坏文件或生产数据。这也有助于你推理智能体的状态,并通过给它正确的指令或上下文来引导它。而在监控一次运行时,这种理解还能让你更容易发现智能体何时偏离轨道并需要你的介入。

我发现社交媒体往往会对如何使用编程智能体给出过于简化的描述。例如,有时让智能体自主运行数小时、消耗数百万甚至数千万 token 是有用的。但目前,超长时程任务的实际效用——尤其是相对于其成本而言——被夸大了,超过了现实。相反,最有效的编程智能体使用方式是一种复杂、高度迭代的过程,而能够以高水平判断进行干预,往往能带来好得多的结果。

你使用编程智能体的能力会让你成为一名高效的构建者。这也使你能够进一步引导整体构建过程。关于这一点,我会在下周的信中继续展开。

请不断构建!

吴恩达

点击下方阅读原文查看更多有趣内容哦~

阅读原文

跳转微信打开

Meta正式裁员8000人,赔偿N+4!

2026年9月7日 10:00

前端充电宝 2026-09-07 10:00 浙江

太离谱了。。。

2026 年,Meta一夜裁了 8000 人;因用AI对员工进行考核,虽然赔偿了N+4,但26名员工还是把 Meta 告上加州联邦法院——理由是公司用 AI 监控键盘鼠标、扒屏幕内容,给员工打"生产力分",休病假、产假的人分数自动掉,直接进了裁员名单。

扎克伯格年初那句话现在回头看,像极了给这事写的注脚:"过去要一个团队做的项目,现在一个会用 AI 的人就搞定了。"

最新岗位放出来,有个现象挺扎眼的:AI 应用开发方向的薪资同比涨了 30%–50%,有些岗直接翻倍;而传统IT岗的 HC 在缩,要求却在涨。 身边不少兄弟投了一圈回来,反馈出奇一致——"面了七八家,问的差不多,就是拿不到 offer。"不是技术不行,是大家会的都差不多。

上周跟一位某大厂P8技术大佬聊天,他说:近几年python招聘市场越来越卷,人才市场也趋于饱和,不少人职业发展停滞,所以AI的这波风口是难得破局的好机会。

为了帮助大家踩上这次风口,拿到高薪offer。我们联合多位互联网头部大厂在职的技术专家、CTO,将自己面试官的视角和企业真实用人需求,全部融进了一套【AI算法保薪就业课程】里。通过“前沿技术、企业级项目、真实工作内推、就业保薪协议”三环保障,为你精准锁定高薪Offer。

扫码添加老师,免费获得转型规划

👇👇👇

添加后耐心等待,按顺序通过

这门课程承诺:若结业后未能成功就业、或offer薪资低于28W则全额退款(在职人员薪资涨幅40%以上)。以最终offer薪资为导向,拒绝“画饼式”无效交付。据大佬的统计,目前有93%以上的学员通过内推成功就业,上一期学员薪资最高拿到了78k!

如果你也在职业瓶颈、焦虑未来或者已经遇到降薪裁员,不妨尝试进入AI新兴赛道,这或许是你成本最低、回报最高的上岸机会。

一、课程框架&体系

独特的闭环体系

构建了“理论+实战+保障”三位一体的教学闭环:

  • 专业知识强化
    从Python-数学基础-机器学习-深度学习框架,到NLP八大任务-大模型-多模态-Agent,一步步夯实基础并过渡到核心前沿技术;
  • 真实项目实战
    不是Demo!一线大厂导师带你做企业级项目,覆盖:医疗RAG智能问答、金融风控、MCP智能客服、企业级数据自助分析平台、个性化新闻资讯推荐等热门场景;
  • 保薪协议保障
    签署就业协议,未达28W年薪或在职学员薪资涨幅低于40%可退款,真正对结果负责。

感兴趣的同学,可以直接扫码咨询

👇👇👇

了解一下

二、企业级项目介绍

企业级项目实训交付:

项目一:企业级大模型统一接入与能力评估中台

项目二:医疗领域多模态RAG智能诊疗辅助平台

项目三:垂直领域专业术语机器翻译引擎

项目四:大模型智能标签与个性化内容分发系统

项目五:金融知识图谱风险预警与智能投研系统

项目六:MCP多智能体协同智能客服系统

项目七:大模型SQL生成与数据智能分析平台

项目八:小样本大模型情感分析与舆情预警系统

项目九:企业级AI知识中台与智能决策中枢

项目十:多模态通用智能体开发平台

项目亮点&分项目内容展示

课程体系包含了Ai领域前沿技术、核心项目,覆盖非常全面,适用于所有行业的算法岗位,整个课程更注重带领学生项目实操和落地,授人以鱼不如授人以渔,学完后还会具备举一反三的能力,无论进入什么行业,算法岗位和项目均能胜任。

三、就业保障体系

  • 保薪协议:课程结业后未拿到28万offer,在职人员薪资涨幅低于40%,承诺全额退款(薪资保障根据学员实际情况估算,无上限!)

  • 内推资源:合作企业覆盖BAT大厂、中小厂、金融、电商、生物医药等行业公司的280+企业;

  • 就业指导:大厂在职导师1v1规划+简历指导+面试模拟+薪资谈判支持。

    我们郑重承诺,所有承诺的保障均落实在合同中,白字黑字,双方认证盖章签字具备法律效应!不玩任何套路文字游戏,大家可以放心咨询,先免费了解一下,合适即学,不合适也无妨,多了解一些行业信息总归没有坏处,也给自己一个接触新赛道的机会,说不定下一个把握住机会上岸的就是你!

感兴趣的朋友,可以直接扫码咨询

👇👇👇

先加上了解,万一哪天能用到

四、课程就业案例

01|从事网络安全工作8年,基础一般、履历一般能转型吗?@常同学

常同学转型前做网络安全8年,基础一般,也担心没有AI经验,那时即将被裁员,经过多番了解,常同学也明白AI对于想要转型的人员来说是机会更多的方向,最终得到家人的支持加入学习,结果也并没有让他失望,在成都收获26k15薪的offer!

02| 双非本科金融专业热爱AI技术,能否成功入行? @ 张同学

张同学是金融专业的大三学生,并且是普通本科,因为自己对计算机行业比较热爱,加上AI是趋势,不管来自任何行业、任何专业,都有一试的机会,张同学通过系统学习,最终用能力证明非科班也能上岸,拿到年薪29W的offer!!

03|工作14年,开发架构师,如何突破职业瓶颈期? @王大哥

王大哥咨询课程时工作14年,已是开发架构师,薪资也已经拿到48K,但由于在一个赛道久了,也早已遇到瓶颈,王大哥也不甘于此,了解到AI上限高、薪资高、机会更多,经过身边专业的朋友认可后果断加入学习,后面经过某手多轮面试最终拿下大模型架构,K4a级别,年包百万!

04 |学历一般也有机会拿高薪offer? @ 刘同学

刘同学大专毕业,做了5年软件开发。考虑到当下开发岗位很卷,而且自己的学历和工作经验都不占优势,所以想通过AI技术能力加持跳槽实现涨薪。在系统性学习后斩获23k、28k两个offer!

我们所有的就业数据均真实可查,以上专门选几位学历一般、薪资一般、简历一般、年龄较大的学员,也是想向大家说明:凭借着当下行业对AI人才的海量需求,只要具备AI相关技术能力,就业是自然而然的事情!踩着风口跟着国家规划走肯定不会错。

总之

AI人工智能正处于快速上升期,尤其是大模型、多模态、自然语言处理等领域,落地应用越来越多、就业缺口持续扩大,薪资也在不断水涨船高。

当企业高薪争抢AI相关人才,还在其他技术岗位拼搏的你是否也曾暗自焦虑:下一个被优化掉的,会是我吗?与其届时被动学习,不如现在掌握主动权!

时代的风口的门票,从不发给毫无准备的看客

扫码咨询锁定免费内推名额

👇👇👇

AI时代已经来临,主动出击才能把握机会

再次强调:若结业后未能成功就业、或者offer薪资低于28万/涨幅低于40%、

再或者没有提供内推,则全额退款!这不仅是承诺,更是底气,让大家学得放心。

跳转微信打开

突然想到一组好问题: 1. 用过 GPT6 Astra 了吗?你这两天用它做了什么? 2. 对你来说,最有实用性的惊喜在哪? 3. GPT6 Astra 改变了你...

2026年9月7日 08:46

一泽Eze 2026-09-07 08:46 浙江

突然想到一组好问题:

1. 用过 GPT6 Astra 了吗?你这两天用它做了什么?

2. 对你来说,最有实用性的惊喜在哪?

3. GPT6 Astra 改变了你过往哪个最大的 想法 / 认知 ? 你打算多做什么?

跳转微信打开

Figma开发模式替代不了设计沟通和标注,尤其原生App开发Bug很多

2026年9月7日 08:20

原创 邹咿 2026-09-07 08:20 广东

尤其 Android 原生开发

Figma 开发模式(Dev Mode)出来后,比蓝湖好用太多,让我一度以为从此设计稿再无需标注了:Figma大改版,跟Axure和蓝湖抢活了?

我自己写一些简单的 Html 网页时,使用 Figma 开发模式(Dev Mode)感觉挺好用的,又进一步固化了我对 Figma 开发模式的信赖。

导致有一段时间,我在 Figma 上把布局设计得十分严谨(Frame 无论怎么缩放页面都不走形的程度),然后就懒得做样式标注了。

但是在原生 App 开发复杂布局时,经常发现开发做的样式和我的设计稿不一样。

比如下图的小红点,圆圈缩放时设计想要固定位置,而开发做成跟随圆圈右上角位移:

一开始我以为是开发粗心,不仔细看开发模式(Dev Mode)里的样式参数。

但是沟通几次后发现,开发模式(Dev Mode)本身也有问题。

于是我研究了一下开发模式(Dev Mode)根据设计稿生成的 Html 代码、iOS 原生代码(SwiftUI)和 Android 原生代码(Compose)。发现也就 Html 的样式准确度还行,iOS 就不太行了,Android 那更是各种坑!

如果你是一个设计师要跟 iOS / Android 原生开发合作,或者你自己就是iOS / Android 原生开发,那么建议你对以下 Figma 开发模式(Dev Mode)要心里有数。

样式问题

行高只有 CSS 代码展示

iOS 原生代码(SwiftUI)是没包含行高的。

Android 原生代码(Compose)包含了行高,但这个行高只展示绝对值不展示百分比。例如 20 号字体设置了 150% 的行高,代码里展示出来的就是 30 的行高,而不是 150%。

这个问题不难解决,去看 List 样式列表就行。

尺寸问题

弹性尺寸 Android 代码展示不出

什么是弹性尺寸?比如图文列表中,你把图片宽度设置为 Fix 固定的,标题和说明的宽度设置为 Fill,填充整行。那么标题和说明的尺寸就是弹性的。

弹性尺寸在 Android 原生代码(Compose)会被直接写成固定尺寸。

这个就真的很误导人,让跟我合作的 Android 开发长期不知道我辛苦做的自动布局。

但是 Web 代码(CSS)和 iOS 原生代码(SwiftUI)不会有这种问题。

不过好在属性列表 List 上会写清楚,直接去看那里就行。

定位问题

绝对定位 iOS 和 Android 都不支持

什么是绝对定位?比如右下角的这个悬浮按钮,单独不参与整个页面自上而下的自动布局,自由行动(Ignor auto layout)。

Web 端(CSS)代码是支持的,但 iOS 原生代码(SwiftUI)里就不包含这个。

最糟糕的是 Android 原生代码(Compose),居然直接给出错误定位。

这个问题怎么解决?最直接的方式,还是在设计稿把绝对定位标注出来吧。

Constraints 布局代码都不支持

什么是 Constraints 布局?下图可以让小红点对齐在所处灰圈的中心,这样灰圈不论放大缩小,只要中心点不变,小红点的位置也不会改变。

对此,不论是 Web 端(CSS)、iOS 原生代码(SwiftUI)还是 Android 原生代码(Compose),都无法展示出来。

就连样式列表 List 都不会展示。

对此的建议是:

1. 避免使用 Constraints 布局,尽量用自动布局 Auto Layout(这个三端代码支持都挺不错的)。

2. 如果必须用,那么就要标注清楚。

操作问题

很难选中图片外围的 Frame

很多设计师喜欢用 Frame 裁剪图片。例如圆形头像,就搞个大圆角 Frame,然后把头像塞进去。

但问题是,在开发模式(Dev Mode)下,鼠标移上去会直接选中里面的图片,而非外层的 Frame。如果要选择外层的 Frame 会比较麻烦,可能需要从图层列表里去选。

这就导致,开发无法导出裁剪后的图片,会以为设计没有裁剪图片……

对此的建议是,设计师尽量用 Crop 的方式裁剪吧(双击图片进入)。其实这种裁剪方式也是可以还原的。

有些开发不会用 Option / Alt 量尺寸

虽然这应该是少数情况,但我也确实遇到过。

希望 Figma 早日解决以上问题

在此之前,可以把这篇文章发给设计和开发看看。

虽然这篇文章也无法提供完美的解决办法,很多地方还是依赖标注和日常沟通的……

但是设计和开发双方在了解了 Figma 开发模式(Dev Mode)哪里不可靠之后,至少能多些体谅,少一些误解吧!

其实,更直接的方法是用 Figma Make 直接生成代码,反而样式上更精准些😂

你在使用 Figma 中还遇到过什么问题呢?欢迎留言分享~

跳转微信打开

和曾鸣聊产业史观:我的非共识判断

2026年9月7日 08:00

原创 张小珺 2026-09-07 08:00 浙江

这就是市场特别有趣的地方,它是生生不息的。

访谈:张小珺 x 曾鸣

曾鸣教授曾经是阿里巴巴集团总参谋长,也参与过两所商学院创建(长江商学院和湖畔),但他更令人熟悉的身份是:一名对企业战略有许多深度思考的研究者。不少创业者和企业家都受到过他的启发。

作为观察过互联网完整周期的研究者,今天我们聊了聊他对AI新时代、新范式的完整思考,并和历史上关键转折时期做了对照——聊完让我有了更全局的视角。

对AI的产业化发展,曾教授提出了许多“非共识判断”。我们总结了他的11个观点:

  • 观点1:原生应用与基础设施成熟之间,还存在一个过渡性阶段;

  • 观点2:我两年前以为AI到了Yahoo阶段了,现在看来,产业化还没有到浏览器阶段;

  • 观点3:Anthropic、OpenAI,大概率不是原生应用阶段的大玩家、大赢家;

  • 观点4:公共基础设施,只有一种商业模式成立,叫寡头垄断加政府强监管;

  • 观点5:旧平台大概率不能演变成新平台;

  • 观点6:岗位消失了,层级消失了,公司终将走向消亡,新的组织形式会兴起;

  • 观点7:利他、同理心和自我逐渐变小,大概是走向卓越必不可少的因素;

  • 观点8:战略生成系统:实际上是人跟AI一起训练一个组织的小模型;

  • 观点9:机器人更好的类比,是电器的发展;

  • 观点10:巨浪面前,没有人是安全的,谁觉得安全,谁就是最不安全的;

  • 观点11:AI时代,人和人的差异在于创造力,就是“无中生有”的能力。

以下是文字精简版,完整内容还是收看我们的播客吧:)

完整的播客视频已于小宇宙、Bilibili、小红书、视频号、微博等全平台播出。

观点1 

“原生应用与基础设施成熟之间,还存在一个过渡性阶段”


张小珺:曾教授,像你这样长期制定战略的人,在面对AI时代巨大不确定性时,也会感到迷茫吗?你的真实感受是怎样的?

曾鸣:的确非常困惑。你知道一定会有很多新东西,但你不知道哪些是稍纵即逝的小浪花,哪些代表未来的大浪潮;什么会变,什么不会变,这些非常让人困惑。

这是我为什么写这本书《智能:AI时代的商业、组织与战略的本质》。前几年,我一直琢磨这个问题,但很快又会把原来的想法否定掉。不过到今年上半年,情况开始明显:有一些趋势性信号开始converge(汇聚),出现相似信号。我看到一个可能的框架,可以解释当下很多事,甚至推演未来下一步的发展。我就不太焦虑了。

真正让框架浮现的,是我大概理解了AI产业化进入了哪一个发展阶段,以及每个阶段不同的运行规律。看清楚以后,对未来三、五年就有了清晰的指导意义。

张小珺:今天人工智能产业化发展到什么阶段了?你如何完整划分完整的周期?

曾鸣:我做过比较系统的研究。从PC互联网到移动互联网,再到云计算,以及第一次、第二次、第三次工业革命历史,我都研究过一遍。大致看,新技术出现——我讲的是,巨大、通用技术颠覆性创新——都会经历三个阶段,很有意思:

  • 第一个阶段,技术逐渐被社会接受,成为这个社会的基础设施;

  • 第二个阶段,基于这个基础设施产生海量新应用,进入百花齐放的时代;

  • 第三个阶段,当这些海量应用出现,大家发现需要一些更底层的方法运行新的世界,我把它叫作“原生应用阶段”。

张小珺:以移动互联网为例,到了抖音、拼多多的诞生时期,属于原生应用阶段。

曾鸣:是的。早期比如,今天年轻人听说黑莓手机很少了,但黑莓手机是第一款被称为智能手机的,而且它在很长时间是垄断地位,市场渗透率很高。一直到2010年,还是美国市场智能手机的百分之四十几的市场占有份额,iPhone只有百分之二十几。实际上到iPhone 4以后,iPhone才开始领先跑。有了iPhone以后有了App Store,App Store以后出现了新一代原生应用。

我那时候投互联网、移动互联网,还有墨迹天气啊什么的,一堆应用当时日活很快都过亿了,但会很快发现:它们不代表未来。真正是要解决核心需求的主流应用,才是那个原生应用。

张小珺:为什么要先经过一个应用大爆发的时期,才能走到原生应用阶段?为什么原生应用不是诞生于第二阶段?

曾鸣:因为应用的爆发,给了技术下一阶段发展的方向。技术成为基础设施以后并不是停滞不前,它要寻找新的发展方向,但到底往哪方向发展,是不清楚的。

就像刚才讲的字节。它先做了今日头条,甚至在那之前还做了内涵段子等一系列小产品。因为在技术早期,你不知道哪个东西能work(奏效),必须不断尝试。第一阶段,文字内容已经成熟,才会出现今日头条。今日头条又探索出推荐算法——一种既是技术模式、也是商业模式的创新。之后,随着带宽、算力等条件发展,短视频才出现。短视频这一新的呈现形式,与推荐算法这一底层技术结合,才有了抖音这样现象级原生应用,真正成为国民级产品。

原生应用与基础设施成熟之间,还存在一个过渡性阶段。

张小珺:能把第二阶段叫做过渡阶段吗?——好多处在中间的创业者听了,可能会很伤心。

曾鸣:所以我会犹豫。第二阶段本身非常精彩,也非常有价值。我把原生应用称为第三阶段,是想告诉大家:第二阶段可能还有三到五年,是非常精彩的时间。你没办法跨越这个阶段。没有第二阶段的积累,就到不了第三阶段。

基于第一阶段的积累,现在该做的,就是第二阶段该做的事:让应用大爆发。

张小珺:我们今天在AI产业化周期的哪个位置?第一阶段已经结束了吗?

曾鸣:2026年是第一阶段基本完成的一个标志性阶段。核心原因是,今年年初,围绕token(词元)这个词形成了广泛共识。有两三个月,相关讨论非常密集。黄仁勋在英伟达GTC大会上说,英伟达的未来是token factory;Sam Altman也很快表达,OpenAI的核心是卖token。

为什么token重要?因为当一种技术有了标准度量衡,它就能够被规模化、标准化使用。今天,我们会说一度电、一吨水、一个GB流量。这些度量单位,让我们可以很简单地使用一项曾经非常前沿的技术。现在大家都知道:我调用多少token,能完成多少工作,需要付出多少成本。到这个时候,智能就开始成为社会基础设施。

这意味着第一阶段进入尾声,也意味着它开始成熟。它当然还会继续发展:服务越来越好,智能越来越强,成本越来越低。但它已经形成了相匹配的商业模式,也成为了大家能够理解和接受的新概念。这个阶段已经成熟了。

张小珺:那么,我们已经来到第二阶段没有?

曾鸣:今年有意思的在于,既是第一阶段基本完成的标志,也是第二阶段的开场。

今年春节前后,还发生了一件让大家特别兴奋的事:OpenClaw,也就是大家说的“龙虾”。很多人春节没睡好,天天都在疯狂研究、使用这些东西。“龙虾”让大家看到,一个能够独立完成任务的Agent(智能体)所蕴含的潜力。大家之所以如此狂热,正是因为看到了这种可能性。

所以我认为,AI正在进入第二阶段——智能体阶段。智能体,就是AI时代的新应用。

观点2

“我两年前以为AI到了Yahoo阶段了,现在看来,产业化还没有到浏览器阶段”


张小珺:这个类比或许有些刻舟求剑,但我们还是想试着做一下:如果把今天类比到互联网或移动互联网的发展阶段,大概相当于哪一年?

曾鸣:这是我琢磨了两三年的问题。两年前,我做过一次演讲,“让我们拥抱Yahoo吧”。当时我的判断是:Yahoo很快要来了。但到今年初,我自己也有点纠结:怎么好像产业化还没有到浏览器阶段。

张小珺:也就是说,你的判断更加前移了。

曾鸣:是。看到OpenClaw这些东西出来,我的第一个反应是:我们还在等一个浏览器出现。不是浏览器出来以后发生了什么,而是浏览器本身都还没出现。

因为和Agent同时出现的,是skill(技能、能力)。我们去想,Agent本质是什么?其实就是分享能力。我们把自己懂的能力封装起来,分享出去,让别人也可以调用和使用。OpenClaw提供了一个框架和思路:原来能力可以这样被封装、调用。

我突然想到,1992年我最狂热的是什么?是建网站。所有人都在想办法建网站,而建网站的目的,是分享信息。

所以,这一轮AI创新正在让我们从信息时代进入能力时代。海量的信息和知识已经被处理、数字化,今天人们不再需要像过去那样四处检索信息,而是直接问ChatGPT要答案。但大模型之所以有今天的成就,正是因为1992年前后的建站运动,让人们把信息放到互联网上,完成信息数字化的过程。

所以,做类比的关键,不是拘泥于技术表现形式,而是理解其背后的抽象结构和底层运行规律。当我想到:一个时代里,大家都在建站,分享信息;而今天,大家都在建Agent,分享能力——我就觉得,这个结构对上了。

浏览器为什么重要?浏览器完成了两个核心功能。第一,它通过HTML等一整套标准,建立了极其简单、统一的建站方式。于是,建站不再只是专业工程师的专业工作;只要有信息的人,都可以建站。它极大降低了创造和开发门槛。第二,它把浏览网站的门槛降到了接近于零。用户只需要点击,就可以完成信息浏览。于是,用户端一下子爆发了,供给端也爆发了,无数网站每天涌现。

但网站太多以后,大家又不知道该看什么。这时,Yahoo出现了。Yahoo最早是一个目录:在当天出现的一百个网站里,它告诉你哪些最有意思。后来网站变成一万个,它就告诉你排在前面的十个是什么,再进一步进行分类:娱乐、新闻、股票……

张小珺:Yahoo本质是在对信息进行结构化。它是在熵减,而不是熵增。

曾鸣:熵增的同时,一定要有熵减,降低大家的认知压力。我们今天处在熵增的过程中:各种skill(技能、能力)正在爆发。

张小珺:那谁有可能做“熵减”这件事?你看到AI时代Yahoo的雏形了吗?

曾鸣:我完全没看到Yahoo的雏形。所以我说,连浏览器都还没有出现。如果让我拍脑袋,我觉得下一个最大的机会,是一个类似浏览器的机会。它会把Agent标准统一起来,同时让用户用非常简单的方法调用Agent。然后,海量Agent才会爆发。这可能是未来两年最让人兴奋的一件事。

张小珺:假想一下,这样的产品可能是什么形态?先决条件又是什么?

曾鸣:我们可以总结抽象规律,但一定推演不出具体的产品形态。这正是需要大家去创造的地方。

张小珺:从Yahoo到Google,中间还有几年,你既然没看到这个时代的Yahoo,应该也还看不到这个时代的Google?

曾鸣:这是我现在没法回答的问题。我不太确定,这个时代是否一定会有Yahoo和Google之间那样巨大的鸿沟。因为Yahoo后来就没有了。我还看不清,也觉得讨论得太早。我们先等Yahoo出现,让Yahoo先辉煌三年,大概才能看到谁会去挑战它。

Yahoo在1995年成立,到2000年左右都非常辉煌。Google成立以后,最初只是给Yahoo提供To B服务,为它提供算法支持,像是Yahoo下面的一个“小弟弟”。

从这个意义上,是Yahoo孕育了Google。

观点3

“Anthropic、OpenAI,大概率不是原生应用阶段的大玩家、大赢家”


张小珺:这个时代最关键的变量是模型,你怎么理解模型?模型的本质是什么?可以类比于历史上的什么?

曾鸣:有很多可类比的。大家讲数据是新时代的石油,模型是一个炼油厂。

从广泛提供基础设施的角度,它又有点像另一个已经消失了的公司——美国在线AOL。它是互联网基础接入服务商,让所有人都能够接到互联网上,这本身是一个很巨大的工程。今天,大模型则是让所有人都可以轻易接入智能的入口。从这个意义,它也是一个基础设施服务商。

张小珺:你认为,OpenAI、Anthropic、DeepSeek、Kimi这些模型公司,只是一个基础设施服务商?

曾鸣:直白一点说,模型公司就是AI云公司——未来的AI云公司。

这也是为什么现在这几家大模型公司,和几家云厂商之间的博弈,在美国变得非常有趣、复杂。因为云厂商觉得,它们付出了太多,得到的太少;模型公司则大概率认为,自己将来要自建云服务,甚至自研芯片,像OpenAI这样的公司。

这两个生态之间,可能发生一些碰撞和重新整合,最后形成几个比较稳定的AI云公司。这个趋势,我觉得是确定的。

张小珺:大模型公司有没有机会从基础服务提供商,跃升为一家成功的应用公司?

曾鸣:这是一个开放的问题。如果主观给一个结论,概率不会太高。

张小珺:为什么?

曾鸣:没有历史上的先例。

张小珺:Codex现在做得很好啊,Claude Code做得很好啊,它们都是很成功的to C应用。

曾鸣:没有,这是大模型的一个基础延伸。Coding要成为基础智能的一部分。如果没有coding,我们今天都谈不上可以调用API,token就不会成立。是因为有了coding的能力,才让token变得这么有价值,因为它的智能程度、推理能力突破了。

张小珺:但你看,像Anthropic这样的公司,它成立才五年,短短几年就已经是估值万亿美金左右的公司,在人类历史上都非常罕见。你怎么解释这个现象?

曾鸣:这个描述本身是一个幻觉和误解。年轻人容易认为,每个时代“这一次不一样”。这就是典型的“这次不一样”。

我专门查过这个事情。回到我们刚刚讲的Yahoo,Yahoo在1995年成立,2000年达到了1,200亿美金的市值,五年时间。那个相当于什么呢?你把通货膨胀、纳指的涨幅算进去,那时候1,000亿美元,按大概8%年回报,就是今天1万亿美元的公司。

所以在2000年,五年时间能达到1,000亿美元市值,它对大家的震撼,不比今天Anthropic更不强烈。一样强烈。

我刚讲的那个后来消失掉的公司AOL,1988年开始提供服务,2000年高点的时候,是2,200亿美元估值,比Yahoo还高,是当时市值最高的一家公司。它再去收购传统媒体,收购华纳,达到3,000多亿美金,也是一个很恐怖的数据。

Google是1998年成立的,2005年达到1,000亿美元。黑莓公司在它的巅峰时期,也是一个硬件厂家,最快达到1,000亿美金估值的公司之一。

所以,当一个技术有这么大的冲击力,第一波成功跑出来的公司,就会有这么大价值。

我觉得,Anthropic、OpenAI是了不起的,无论是技术突破,还是商业成绩。但这样的先例,在历史上、在类似阶段都发生过。但是,它不一定能活到最后。它很可能会往后活得不错,但它大概率不是原生应用阶段的大玩家、大赢家。

即使回到我们讲的石油比喻,炼油厂跟化工厂也是两类企业。化工企业后面比纯粹炼油的企业要有价值得多。化工就是应用,炼油就是最基础的,把石油开采出来,再变成基础的油。

还有一个类比是汽车。汽车离开了石油肯定不转,但石油公司肯定做不了汽车。你没听说哪个汽车公司,是由石油公司转化而来的。

张小珺:我昨天刚好看了一下,陆奇博士在2024年说过一段话,他说:OpenAI这种AGI公司,未来一定会比Google大,只是大5倍还是大10倍的问题。

按你刚才的论述,我理解你不仅不认为“OpenAI是AI时代的Google”,甚至觉得它们可能只是历史上的过客,甚至会消失。是这么个观点吗?

曾鸣:我是这个观点。

我相信未来一定会有一个10万亿美元的公司,但未必是现在领跑的这两家。

我理解陆奇博士想说的是,未来会有一家“AI时代的Google公司”,它很可能比现在的Google大10倍。

张小珺:不,他说的就是OpenAI。

曾鸣:我理解。但那个时候,大家大概只想得到OpenAI会代表未来。

我自己是一个商业史研究者,我研究的是商业世界的动力学规律。我能看到的理论框架告诉我:第一阶段的企业,很难活到第二阶段;第二阶段的企业,很难活到第三阶段。

张小珺:这是为什么?

按理说,它们这么早就出现在市场上,对最前沿信息最敏锐,为什么不能及时转型?比如,我马上从一家基础设施公司转型成一家Agent公司,这个过程看起来很顺畅。

曾鸣:我觉得不顺畅。因为第一阶段的技术,核心是“可不可用”,它有很多原创性技术创新。第二阶段开始的标志,是第一阶段的技术发展渐渐缓慢下来,才能变成大家都能调用的技术——我就不用再去重新开发轮子了。而第二阶段的应用,需要很强的洞察力。它要的是产品很强的原创力,跟普通用户的同理心,以及一堆新的应用技术。

第二阶段并不意味着技术创新结束了。只是技术创新不一定再沿着第一阶段“把基础模型做得更强”的单一轨迹发展。应用爆发以后,会出现一批新的技术问题。你也可以把解决这些问题的技术,理解为新时代的模型技术。它依然有很多前沿创新可以做。

比如上下文管理。Agent要完成复杂任务,怎么理解、保存、调用和组织上下文,本身就有很多技术创新空间。你很难严格界定:这些创新到底算不算“大模型”,其实没有那么清楚。

在这之后,AI还可能出现新的技术范式。现在出现的很多neo lab,其中一部分人可能会转向探索和开发:这个阶段的应用真正需要哪些新技术。技术依然会进步。只是未必沿着原来的轨迹线性增长,而可能发生技术范式的变化。 

所以,未来第二阶段的王者,可能是把强大的应用洞察和新的技术能力结合起来的公司。

观点4

“公共基础设施,只有一种商业模式成立,叫寡头垄断加政府强监管”


张小珺:在你看来,不管是中国还是美国,最后模型公司格局会形成什么样的状态?

曾鸣:非常简单。公共基础设施的行业,只有一种商业模式是成立的,叫寡头垄断加政府强监管。

第一,整个社会依赖于它,政府一定会强监管;第二,供给如此重要,不能只有一个供应商;第三,由于这个基础设施投入这么大,所以不会无序竞争,不会有很多供应商。

这就是经典的寡头竞争、政府强监管,保证社会有稳定、低成本的供给,这才叫基础设施,对吧?水电费能随便涨价吗?当然不能——我知道这个现实对很多现在创业的人很残酷。

张小珺:像OpenAI、Anthropic、Google这样的frontier前沿模型,如果它们最终会并存,这里面有优劣之分吗?

曾鸣:当然有优劣之分。这是这个阶段最有价值的竞争。我讲产业终局,并不否定现阶段这些竞争的重要性,也不否定这些企业了不起的地方。

而且今年,特别是Anthropic先领跑,OpenAI再跟上,Google阶段性被甩下,其实就是组织能力和技术能力出现了一些差距。像xAI和Meta,直接退出竞赛了。寡头竞争的过程中,已经有人退场、掉队了。

张小珺:为什么xAI和Meta会掉队?看起来它们资源很多,创始人高度重视,也算是“一把手工程”吧。

曾鸣:这就跟我新书里讲到的“智能复利”有关。Anthropic从去年下半年,可能到今年上半年开始,让大家比较清楚意识到:它们开始用大模型训练大模型了,也就是AI进入了它们的主业——大模型训练。它们把AI这个工具,用到了自己的主业上,模型训练能力大幅提升。

这也是为什么今年上半年,大家如此兴奋。大家发现,大模型还可以用这么快的速度,提升这么高的性能。这就是因为大模型本身进入了训练过程。但还没有到现在又很火的那个词——完全自我驱动的self-learning(自我学习)。它只是局部被使用,但已经产生了很大价值。

这两家公司也有组织上的优势。所以,当组织优势和一种新的技术运营方式结合,它就产生了巨大领先优势。而这个领先优势,已经开始把比较弱的玩家甩出去了。

张小珺:这是美国模型,中国模型公司会如何进一步演化?

曾鸣:中国和美国保持了两个不太一样的生态。中国模型公司会持续追赶和发展,但中国模型公司之间的竞争,也会有点类似美国公司。这几家大大小小的公司,最后比如说今年底,谁如果跑不到3T模型,估计谁就出局了。

它是淘汰赛,就像世界杯一样。你可能现在8进4,接下来4进2。最后留下有限的几家,成为基础设施。

张小珺:现在看起来谁淘汰了?美国我们知道了,中国呢?

曾鸣:就看年底。年底3T,现在大家卯足了劲在搞这个。等于智谱有点领跑,Kimi在3T上先交卷,成绩基本满意,再接下来看MiniMax,千问肯定很快会发。差不多都在跑这个新的竞技线。

张小珺:不论中美,模型格局今年会稳定下来吗?

曾鸣:还真不一定。可能要到前两三名的优势和后面拉大了以后,这两三家之间就不太容易再拉开了。要形成一个巨大的“黑洞效应”,让其他家很难超越。

在美国,Anthropic和OpenAI就从“智能复利”的飞轮开始,因为它们会继续往self-improving(自我改进)这条路上走,和其他人的差距会越拉越大。它们有点形成了“黑洞效应”。这也是为什么美国云厂商有点慌了:将来这两者之间会形成什么合作关系,变得非常重要。

张小珺:在你看来,做模型的窗口期关闭了没有?新公司还应该再做模型吗?

曾鸣:以我们定义的、作为基础设施的大模型公司的窗口,肯定关闭了。因为已经进入竞争接近、智能飞轮都已经跑起来的阶段了。你这时候进来,就完全没有积累了。

张小珺:这些模型公司最后是会趋同,还是会分化?

曾鸣:寡头竞争的特征是:有一定差异化,但又足够同质化。同质化保证可以被替代,差异化让大家还有钱赚。

张小珺:所以模型公司是好生意吗?

曾鸣:是个很好的成熟生意。我们为什么说企业都是时代的企业?你肯定不会是当红炸子鸡。过个三五年,如果你真的没有进入下一个阶段竞争,你就成了一个大家都调用你服务的公司。大家只会在不稳定的时候complain(抱怨),不会天天夸你。

观点5

“旧平台大概率不能演变成新平台”


张小珺:如果按照你说的,模型公司是基础设施服务商,未来什么样的公司能成为新的时代性的公司?

曾鸣:就是看谁是Netscape、谁是Yahoo,谁把Agent的标准建立起来,谁抢住Agent的用户入口——这个观点跟大家今天的想象很不共识。

你现在去WAIC大会,只有到地下一层一小块区域,才能看到做应用的公司。二、三层的大厂,做的都是现在已经有的东西。

未来三年,是有可能开始出现Agent入口的。因为Agent太多了。换一个普通人角度:你怎么知道哪个Agent能用?你敢不敢把一件重要的事交给Agent?你钱包敢交给Agent吗?你个人隐私敢交给Agent吗?这种信任从何而来?

这些东西都需要一个新的服务商来建立信任,让我们愿意说:"OK,我相信你定的标准,我相信你的推荐,我相信这个Agent我是敢用的。"

张小珺:新的时代,会诞生新的平台吗?

曾鸣:肯定会,入口就是平台。上一代的平台,是因为信息效率不够高,需要一个平台来让信息流转。今天,可以用判断力代替信息不对称,但判断力也是稀缺资源。

所以一样会出现双边市场——海量Agent开发商跟海量用户之间,怎么完成匹配?我们看一个网站,很容易判断好坏。但用一个Agent,是有可能出现很大负面影响的,判断Agent的能力要求高得多。

在这个阶段,我们大概率会让渡判断力给一个独立第三方,认为它是值得信任的。这就是典型的双边市场结构,有中等程度的网络效应。

张小珺:新的平台和旧的平台,不一样的地方是什么?旧的平台能演变成新的平台吗?

曾鸣:大概率不能。旧平台做的是简单信息匹配,新平台要做的是能力跟需求匹配,复杂度高了很多,两边的东西都发生了变化。这是新物种的匹配。

张小珺:所以还是会诞生新的公司?新平台的诞生,距离现在大概还有几年?

曾鸣:会诞生新的公司。因为你如果不是Agent原生,你怎么能判断得了Agent?怎么能给Agent提供一个最好的通用开发平台?——大概就是三到五年。

张小珺:今年大家也在谈Agentic OS,在你看来这是什么?现阶段重要吗?

曾鸣:我觉得没人能定义得了Agentic OS,我把它放在第三阶段。因为你是OS就开始调度资源,不再做匹配了——你只要告诉它一个意图,它直接调用市场上所有Agent,帮你把活干完,你都见不到那个Agent。

所以,只有到一个足够复杂的阶段,才需要直接调度Agent。Agentic OS,比我们想得要远。大家在第二阶段就容易去畅想第三阶段,这个讨论是有意义的,但大概率没法落地。

张小珺:Agentic OS的话语权,有可能被谁争夺到?——模型公司?应用公司?互联网公司?还是像苹果这样软硬一体的公司?

曾鸣:照我的理论框架,肯定是一个谁都不知道长啥样的公司,这才叫大创新。要不然它不deserve未来的那个价值。因为Agent长成啥样,咱们现在都不知道,对吧?

讨论第三阶段的好处是,你大概知道终局在哪个方向,做第二阶段的时候会更有针对性。

张小珺:今年Agent应用公司很惨淡,可以说是近两年的冰点。去年投资人投应用公司的热情高涨,但今年大家觉得"那不就是模型的一个skill吗",应用公司就很难融资了。这个现象会是短暂的还是长期的?

曾鸣:现在是应用领域创业者的反共识阶段。就是因为没有一个好的应用,让大家看到它有多大潜力,以及它该怎么做,大家都在摸索。

比如,视频生成是相对成熟的领域。做Agent的公司也很多,大家最终目标可能是做AI时代的TikTok。大家都知道离得很远,那你第一步到底做啥?这个非常考验功力。AI短剧、动漫,门槛太低,模型能力顶上来以后,基本上就干完了。

我们正好处在一个青黄不接的时候:模型的能力已经溢出到很多简单任务,它自己就能干了;但我们又没有找到一个足够大的场景,可以用Agent的方法真正让AI做一件足够复杂又足够有价值的事情。

大部分人低估了Agent的难度。去年大家有点像小孩过家家——有个新玩具,就开始下场玩各种各样的东西。考核标准也很简单,只要有ARR就好。一个新技术当然有价值,总有人愿意付费。所以,我去年底在整个硅谷的感受,就像一个创业天堂,所有人都玩得很high。但今年,模型能力有了大的突破,原来那一批过家家的小孩就被淹没了。

今年我听到一个普遍的感受:大家都觉得智能是真的能干活了,可以信赖了,因为推理能力达到了一定的水平。开始真有人想,我能不能严肃地拿它干点重要的活?这才是应用阶段开始的真实标志。

张小珺:模型公司会吞噬一切吗?

曾鸣:模型吞噬一切的前提是,所有的东西都在模型射程内。按现在的范式发展,模型肯定会有一个阶段性的发展,智能够用了,然后会有一堆新的技术出来,去做不同场景下的东西,那你模型就不可能吞噬到所有的一切。

我举个直观的例子。1892年爱迪生发明电灯泡,照亮了曼哈顿一平方公里的地。1910年有一个实质性突破,电网覆盖了美国主要城市。在那一年,才出现了两个真正的to C大应用:洗衣机跟电冰箱。收音机也是那个时候。第三个离不开的家用电器,空调,到1925年才出现。电视机到1930年才出现。

应用的发展,有它自己的规律。

讲到公司层面,有一个很有意思的选择。爱迪生发明了电,他认为发电更重要,所以成立了通用电器,最早做发电设备。但他没意识到电网非常重要,所以他的助理离开了,成立了美国第一家送电公司。而通用电器真正成功,是因为它生产出了最早的电冰箱跟洗衣机——是因为一个to C的应用突破了,电网成了基础设施,大家不再关心电网公司的品牌,但通用电器繁荣了六十年。

张小珺:现在的应用公司,做着做着就会开始训模型,比如Cursor,否则应用公司在和模型公司竞争的时候没有竞争力。你觉得应用公司应该训自己的模型吗?

曾鸣:我还是澄清一下概念。Agent跟模型之间的边界会逐渐清晰。Agent公司的技术创新可能也非常大,只是它不一定跟现在大模型技术创新的轨迹一样。同时,因为大模型之间的竞争,会让大模型能提供的能力成为一个大宗商品、基础设施。所以作为智能体公司,其实没必要再开发大模型了。

Cursor不是我们定义的这种主体。它只是在coding能力不够的情况下,在试模型能力的边界在哪。当模型发展以后,它其实被fold into,被包进去了,成了模型迭代的一个养料。这是两个完全不同的阶段。

张小珺:所以Agent公司不用自己训模型?

曾鸣:不用训传统意义上的模型。你可以稳定调用,不用担心模型公司切断你——有一个合理的替代品随时可以接上来。

张小珺:以Manus为例,Manus需要自己训模型吗?

曾鸣:Manus看它接下来想训什么样的模型。它做Agent,也要做很大的技术投入,所以Manus正好卡在那中间,得去探索边界在哪。但这可能都是我们阶段性遇到的问题:模型公司要怎么做应用,应用公司要怎么做模型。慢慢的,产业生态可能会更加清晰。

张小珺:也有人说,这一波AI应用很难形成上一代互联网、移动互联网时代那样的“数据飞轮”,你怎么看?

曾鸣:“数据飞轮”升级到了“智能飞轮”,这就是我讲的“智能复利”。

“智能复利”,是你调用了基础智能,让Agent具备更高的智能去完成特定任务,在这个过程中一定会有“数据飞轮”。“数据飞轮”的前提是真实世界反馈,真实世界反馈的前提是Agent要独立干活,离开人的参与。

这中间一定会有算法创新——包括上下文管理、记忆、新的交互方式。这会形成一个“智能复利”,在这个场景下变得越来越聪明,然后渗透延伸到其他场景,解决更复杂的任务。运气好撞上了最能规模化、最能泛化的那个场景的人,就最有可能形成黑洞效应,进入第三阶段的竞争。

张小珺:现在看到这样好的场景了吗?

曾鸣:应该还没有,有的话就火了。我1993年在UIUC读书,是浏览器诞生的地方,我可能是全世界最早用浏览器的一万人之一。整个校园都疯了,天天晚上不睡觉,在用浏览器看各种各样的东西。大家就会觉得,网上能看的东西怎么这么少?就有人意识到,做个网站上传上去肯定是最有意思的事情,马上有人发现这是一个商业机会,飞轮就转起来了。

张小珺:刚才说的是“数据飞轮”,AI时代的“网络效应”会是什么样?

曾鸣:“网络效应”会继续存在,成了这个时代的标配。因为最后还是要广泛连接的,越多元化、越差异化的数据越能产生新的洞察。同样类型的数据,规模到了一定程度,价值是边际效应递减。

“网络效应”的升级版是“黑洞效应”。“黑洞效应”就是应用场景越多,连接越复杂,你就更有可能拓宽你的智商。我在《智能商业》里讲过,DNA螺旋的两个组成,一个是“数据智能”,一个是“网络协同”——“黑洞效应”相当于这两个都升级了。

张小珺:可不可以说,到今天,一个非常好的to C Agent尚且没有诞生?

曾鸣:我有限的范围内没有看到。但它会出现,没有大家想得那么悲观。

张小珺:有没有可能,应用到最后就是几个模型公司做出来的?

曾鸣:有可能,OpenAI一直就想做。但能不能做到,那是看它的组织能力、创新能力。模型公司一定会想做,也一定会做,问题是最后能不能成。

张小珺:站在2026年AI应用的冰点时刻,你有什么想对苦苦挣扎的应用公司CEO说的?

曾鸣:找到自己发展的方向,认真做好自己的事情就好。融资是个很现实的问题,但是做一件全新的事情,早期就是会比较困难。

观点6

“岗位消失了,层级消失了,公司终将走向消亡,新的组织形式会兴起”


张小珺:2026年还有一个现象,除了这波应用公司,不管是在美国还是在中国出现了好多neo labs。他们的方向可能有AI for AI,有世界模型。你怎么看neo labs背后涌现的根本原因?大家为什么需要去探索新的模型范式?

曾鸣:可能几个方面。一部分人看到了现有范式天花板,或者像Yann LeCun(杨立昆),从原理上就认为这个事情有偏差,或者天花板有限,他终于有了机会去试一下自己一直有的想法。这是一类。

第二类是觉得scaling law有边际递减的趋势。不管它现在发展多好,早晚有这个趋势,大家才会一起都出来。

第三个反而是因为大模型的基础能力到了一定的程度,大家可以尝试一些跟现有大模型技术路径不太一样、但也非常底层的创新,比如像AI for Science,而且也需要大模型支持,但做的事情跟现在的大模型技术路径不太一样。这几大类都被统称为了neo lab。

张小珺:neo labs会成为一个过渡型的现象,还是会成为一个长期的组织形态?

曾鸣:我觉得它是新的组织形态的早期雏形。它会继续演化。它为什么会叫neo lab,就是因为不满意公司嘛——就是说,公司要被淘汰了。

张小珺:会吗?公司被淘汰。

曾鸣:肯定的。因为公司跟工业时代是一起产生的,工业时代之前没有公司,只有手工作坊。工业时代最大的制度创新就是终于有了公司这种组织形式,让现代化管理可以被运营起来,才能支撑公司的规模化扩张。它是个配套制度。如果工业时代的基本经济规律被挑战了,它的组织形态肯定也会被挑战。所以大家更愿意叫lab。

但我为什么说它是雏形?是因为它更像这批研究员在一起工作的状态,但它会变成未来普通人也用这种更加AI原生的方式工作,所以它会有一些新的演化。

真正的第一个neo lab是OpenAI。这批企业应该叫neo neo lab,借用了neo lab这种组织形式,但开始做不同的事。所以neo lab的本质应该是lab,不是公司。

张小珺:你觉得这个未来会成为常态?未来我们会叫那个组织叫什么名字?

曾鸣:现在不确定,大概也不会叫lab。你看我这本书里,我刻意从头到尾都在讲“组织”,特意不用“公司”这个词。

今年大家都在谈“AI原生组织”,为什么用这么复杂的三个词?就是因为这个词还没有被定义出来,这个组织形态也在刚刚的孕育期。可能五年以后,我们会有个新词,但今天没有。

张小珺:你觉得公司作为工业化革命的产物,它有可能会消失、会消亡?

曾鸣:科层制管理的这种公司制度会衰亡。但人类的分工协作会继续,组织永远会存在,因为有人的地方就有组织。但组织用哪种形态,是个历史演化的过程。

张小珺:为什么AI革命带来的变化如此剧烈,剧烈到连组织形态都已经从公司开始向其他的形态转变?

曾鸣:讲两个类比就能理解。第一个,至少把它类比工业革命,工业革命基本上颠覆掉了以前所有农业时代的那些东西。那么AI如果是超越工业革命的技术创新,工业时代的大部分东西也会被淘汰掉。

第二个,从更底层说,人类一直很自豪自己是地球上唯一的智能动物,典型标志是因为我们有语言,会说话。那AI也能说话,AI能理解人的所有知识,AI也具备了智能。所以,我们未来世界发生的变化是超出我们想象的。过去很多我们习以为常的事情,在二十年以后完全可能不存在,这应该是大概率的事情。

张小珺:那么,AI原生组织应该怎么搭建?

曾鸣:岗位可能就不存在了。岗位是公司最基本的运行单元,我们应聘都是应聘个岗位。公司要发展,先要定一个岗位,给一个工作描述,然后去招人。因为有岗位,所以有汇报线,有层级,有相应报酬,所有东西都跟岗位连在一起了,岗位是现在组织的基本单元。

但AI时代,组织的基本单元是任务,是什么是要被解决的事情。大家是围绕着任务流转,组织肯定就会完全不一样。

张小珺:如果从岗位变成任务,人应该怎么在这个组织里结构起来?

曾鸣:这就是现在大家都在探索的最有意思的问题。阶段性产品是大家讲的,AI一定要嵌入工作流,但这只是阶段性产品,因为那个工作流是为人设计的。

所以AI原生组织会从第一天开始就去定义那个任务,去拆解那个任务,再去分配那个任务。所有的人和AI都是围绕着任务,硅基员工和碳基员工都是围绕着任务流转在协同的。

张小珺:如果没有一个岗位了,那以后找工作找什么?

曾鸣:你去认领任务。现在这几个大lab都是在任务发布,你去认领——你觉得你能干你就接;你能deliver结果,你的东西就上线了。公司只要发布任务,你只要去认领任务就行了。

张小珺:它是一个更加网状的结构,层级会进一步减少?

曾鸣:层级不存在了。

层级存在是因为不知道谁说了算,那就先定个层级,层级高的人说了算。它不是以判断力为标准,当然这个层级本身跟判断力的积累有关,但它原则上是谁级别高谁说了算。

但未来是,谁的能力强,谁被调用。

张小珺:所以基层、中层、高层这种结构也就没了?

曾鸣:为什么叫“科层制管理”,它就是有这样的垂直分工,有命令线。当这个命令线被打破,将来的协同就不是靠命令了。所以,传统意义上的中层肯定是消亡了。

张小珺:企业怎么激励员工?当你设置这种层级,有一部分的原因也是作为激励手段让你有层级可以向上攀爬,未来的绩效考评和人的驱动力来自于哪里?

曾鸣:本质是自驱。为什么这半年硅谷最流行的词叫high agency?我们讲主观能动性,你自己掌握自己的命运。你有没有成长,没有人比你更了解。你成长了,你开心了,你就继续做;你没成长,你不开心,你就换个地方。

张小珺:而且,人未来的竞争对象也不只是你的人类同事们,也包括你的AI同事们。

曾鸣:是啊。第一个,的确要向内看,找到你的驱动力。第二个,你要明白要培养什么样的能力。第三个,你要找到这个能力最适合应用的场景,跟着这个场景一起去成长。第四个,因为你接了任务,你交了结果,这个东西非常透明,所以你一定会得到相应奖励。为什么这些top researchers转会费那么高呢?因为贡献很透明。

张小珺:所以我可以理解,neo lab不能算是一个阶段性产物,它可能算是一个新时代组织的早期孕育形态。

曾鸣:对。之所以叫lab,是因为现在主要的员工是研究员,研究员最能理解的是一个lab。他们不喜欢公司,也不喜欢大学,但他们喜欢lab,所以就叫neo lab。但将来,所有有创造力的人都会在现在的新型组织里存在,那个时候大家就不会局限于lab这样一个称呼。

张小珺:但也可能不叫“公司”。

曾鸣:肯定不叫“公司”。

张小珺:所以,公司会消失,公司会消亡?

曾鸣:这没有什么可以遗憾的,将来有更好玩的。你说,多少人现在去公司上班是开心的?

张小珺:不开心。

曾鸣:对啊,那你将来可以有更开心的方法,那不就是技术进步给人类带来的价值吗?

张小珺:所以那个组织该怎么叫?

曾鸣:Club,俱乐部?或者,大家喜欢球队的感觉。如果你是一个NBA明星球队,是明星球员,肯定是最大的成就。这批人会找到一个新的方法叫他们自己。

张小珺:如果“公司”终会消亡,现在的“公司”怎么办?它们已经形成了。

曾鸣:转型、升级,成为新物种。不换脑袋就换人。自己的认知先要升级。为什么现在在讲AI原生的认知和理念有价值,因为你得理解新物种会长成啥样,你至少要理解要跨的鸿沟有多大,才会去努力。要不然大部分人顺着惯性就是AI+,一路+下去了。等原生的公司真起来的时候,你会很绝望。

只不过转型非常困难,它本身是反人性的。

张小珺:在未来,“一人公司”会成为发展方向吗?

曾鸣:不会。“一人公司”只是说,公司很多职能坍塌到一个人身上,一个人现在能干原来几十个人能干的活,但是一个人能干的活永远是有限的。所以一定要有组织,一定会有分工,一定会有合作。

“一人公司”是阶段性的产物。它只是让大家理解了,一个人由于有了AI的帮助,能够干原来一个公司花了那么大管理跟协调成本才能干到的事情。所以,将来的每个人就是一个“一人公司”,你就是个“六边形战士”,你在那个组织里再去跟其他的“六边形战士”合作。

张小珺:当下的这些neo labs有泡沫吗?

曾鸣:大概率有吧。但早期的泡沫肯定是好事。重赏之下才有勇夫。大家都看到类似机会,这就是市场机制的价值。你事先没有一个上帝视角知道谁对谁错,你只能是让大家去试错。市场就是说,OK,我知道这是方向,我愿意投入这么大的资源支持大家试错。

这一轮neo lab之所以可以以这么高的估值开始,是因为大家认为它们至少起步是OpenAI和Anthropic。当你的潜在回报是这么高的时候,当下原意下的赌注就更高。

观点7

“利他、同理心和自我逐渐变小,大概是走向卓越必不可少的因素”


张小珺:好了,我们现在来聊聊创业人群吧。AI时代的创业者,呈现的特征和过去有没有发生变化?

曾鸣:这个阶段的变化非常明显,就是科学家创业嘛。但它不会持续到下个阶段,下个阶段科学家创业的比例会大幅下降。

张小珺:你之前说过,优秀创始人和卓越创始人是不同的,他们分界和差异是什么?你能一眼识别哪个是卓越的创始人、哪个是优秀的创始人?

曾鸣:识别不出来(笑)。为什么说卓越难?最重要的一句话:卓越是事后认定的。是因为你克服了一次一次的负反馈,当所有人都不认可你的时候,你最后会以巨大的成功证明你是时代最早的先知。所以卓越的过程是一个逐渐展开的过程,优秀是一个持续有正反馈的成长过程,这两条路径完全不一样。

大部分人是优秀的人,因为优秀跟人的心态比较匹配。真正卓越、有疯狂想法、能走向卓越的人,是非常低的比例。狂想的人可以很多,也很容易;但你不但想对了,还能落实,是极为稀缺的能力。

而且你问这些人,他可能也未必认为自己有什么不同。这就是在《基业长青》/《优秀到卓越》书里讲到的,他看到的那些特别卓越的企业,当你真正问这批人,他们有个极大的特质——都是把成功归于别人,都认为自己是因为运气。他是搜集了这些人的访谈、对外沟通的信息。我一开始听起来觉得有点反常,但你真正去体会的话,应该是那样才有可能。

张小珺:为什么?

曾鸣:因为事情大于人,你一定自我很小,才能走那么远。是时代成就了你。如果你只是为了证明自己,证明你有多牛,就是他书里讲的“第四级领导者”。在某一个时间点,世界会打你的脸来证明,你没有你想象的那么厉害。

利他、同理心和自我逐渐变小,大概是走向卓越必不可少的因素。

你ego大的话,你会一直想要证明自己,你就会一直在那个正反馈的循环里。你大概率走的是一个普遍性正确的道路。因为你急着证明自己,所以你需要短期反馈。你是为了自己的ego,你不会去真正地去感知和理解真实的世界,你对信息的处理一开始就会容易受你先入为主的判断的影响。

张小珺:那如果走的是另一条卓越的路呢?

曾鸣:他想的是,我要怎么把这个事情最大化,我愿意听更多人不同的意见,我相信大家都很优秀,我们是为了成就这个共同的梦想,那整个公司的凝聚力就不一样。这就是真正意义上的使命驱动的公司。

你如果问我,我也会把公司分成四个层级:机会驱动的公司、战略驱动的公司、远见驱动的公司、使命驱动的公司。但这个使命是发自内心的,你真心believe的,你完全相信跟拥抱的,不是你编出来写在墙上激励别人的。那样的人是非常非常少的。

张小珺:怎么辨别它是一个使命还是战略?——这个可能只有你自己知道。

曾鸣:可能自己都不知道。经常有创业者过来跟我讨论战略问题,我问的第一句话往往把他们搞懵了。我会问:十年以后,你会对怎样的自己满意?这个问题是最能反映你对自己当下是什么期望的,你这一段的旅程是什么驱动的。

张小珺:但这个问题本身也是一个自我ego的问题。你有自我ego,你才会想十年后自己什么样。

曾鸣:比如说,有的人讲,我就是对这个事情特别感兴趣,我希望这个事情能成,这种肯定事情已经大于人了。有的人说,我就是好奇,这个也比证明自己要有意思。有的人说,我就是要做一个一百亿美金的公司。

张小珺:这是负分答案?

曾鸣:因为这个基本上是自我驱动,就是要一个外部认可,他很多东西都会基于这个去做调整跟变化,他不是一个内在驱动,他受外部的衡量标准影响很大,每一轮的估值就容易对他有冲击。

张小珺:你听过最好的回答是什么?

曾鸣:马老师(马云)最早创业之前讲的,“让天下没有难做的生意”,那是他自己发自内心相信的东西;马斯克去火星也是使命,这是一个脱离自我的事情,他要把人类带入外太空时代。

观点8

“战略生成系统:实际上是人跟AI一起训练一个组织的小模型”


张小珺:关于战略,我很好奇的是,当制定战略决定的那个时刻,你们怎么知道这是一个好战略?

曾鸣:不知道。因为相信所以看见了。所有真正成为时代企业的,最后被证明了它那个反共识是成立的。

当然在这个过程中也有很多疯狂的想法,其实就没有了,这点是一定要去强调的。你看到的是survival bias(成功者偏差)。最成功的企业一定是反共识的,但反共识不一定成功。但是在当时,我们基于自己的能力,能看到而且也愿意相信的,就是那样一个图景。

战略很大程度上,是关于怎么创造未来的,它不是一个简单的规划。

张小珺:只有反共识的战略才能够大成吗?我在一个共识赛道,但我做的比所有人都强,它能大成吗?

曾鸣:那就是优秀嘛。卓越一定来自反共识。

张小珺:对创业者来说,哪些是非共识,哪些是噪音,怎么辨别?

曾鸣:这跟战略制定也有很重要的关系,因为你就是在判断信号跟噪音。一个是,尽量感知得全面一点,真实去体会外界发生什么变化;另一个是思考要更深入一点,这样你大概能慢慢分清楚噪音跟信号。

很多人是不太过脑的。思考不深的话,当下流行什么,你就跟着流行去了,会很累。因为你一直在追趋势,别人已经领跑两步了,你没看见,你只看见他冒出水面的第三步。你追肯定就是第一天就是输掉的。另一个,因为接触的面太窄了,你容易做出一个局部的最优判断,但你可能失去了一个更大范围的视角。

张小珺:听你说,感觉战略到最后好多都是心法。

曾鸣:我个人是比较爱琢磨心法层面的事情。理论反而容易把大家框住,因为你只记住了那句话,依葫芦画瓢,就容易出很多问题。但心法如果你掌握了,能够根据具体的情况随机应变。

张小珺:你强调,AI时代做战略首先要搭建组织,其次才是战略,战略也是实时变化。那么,今天制定战略还重要吗?你以前说要“看十年、想三年、干一年”,这个在AI时代还奏效吗?

曾鸣:今天战略无比重要。你做错一个重要决定你就出局了,淘汰赛可能以几个月来计划的。

我为什么会讲,AI时代需要一套新的战略方法论,是因为你持续做出正确战略决定的重要性非常高。越不确定的时候,越需要战略思考能力。如果都很确定,大家拼的就是执行能力,对吧?

“看十年、想三年、干一年”,是我对AI时代战略方法论的比较形象化的总结。但大部分人记住了看十年、干一年,因为那是他们习惯的工业时代的战略方法论。在工业时代,或者说从90年代开始的传统企业的方法论,是因为在一个相对成熟和发展缓慢的世界,看十年是比较清楚的。你每年就5%、8%的增长,也没有新的玩家,十年以后大概会变成啥样,你大概是知道的。在这个情况下,你做今年的规划也很容易,基本是线性推演。战略如此不重要,以至于大公司把战略外包给麦肯锡这样的咨询公司了。

所以80年代开始,到00年左右,麦肯锡、BCG这些公司有一个井喷式的发展,因为这些公司认为战略不重要,都可以外包给别人。麦肯锡过去就是,根据行业经验,根据战略方法论,我帮你制定一个十年的规划,你就按年去执行就行了,双方都很happy。

但我们今天的问题在于,看一年远远不够,你没法线性外推,线性外推就不可能得出Anthropic今年80倍的同比增长收入了。因为你是一个vision-driven的人,你放弃了线性外推的思考方式,你才可能有未来。但由于未来如此不确定,看十年帮不了你太多,因为当下从哪下手你还是不知道。所以你得逼着自己去想一个大概三年左右的图景——所以,真正的创造力在看三年。

看三年要求你大概看个两三步——我第一个milestone是什么,第二个里程碑是什么,第三个里程碑可能是什么,然后我今年做的第一个重要的事情是为了满足哪一个里程碑。

你就会有短期、中期、长期之间的一个动态的张力,这个张力引领企业有可能更好地做出当下的战略选择。

所以,没有看三年的张力,战略就没有发生的环境。相当于在一个三维空间思考最优解,跟你在一个二维平面寻一个最优解,完全不是一回事情。

张小珺:应该以多长周期为频率来思考战略?

曾鸣:“看十年、想三年、干一年”是一个形象化的比喻,它本质是要彰显看三年的创造力,以及短期、中期、长期的冲突和矛盾、利益取舍。战略本质是关于取舍嘛。最核心的是这个取舍。

但你也可以“看五年、想两年、干半年”,甚至你可以“看三年、想一年、干一个季度”。这个节奏是根据行业发展可以有些不一样,但是一定要有中期的思考,一定要看到至少三步,而不能只看一步。所以,关键是中期的那个节点。

去年有一个做应用的创业公司问我,他们的公司发展很好,ARR涨得很快。我就问了他一句话,我说:“你啊,继续涨两年以后又怎么样呢?最后产业终局会怎样呢?你ARR有没有一个天花板呢?那个天花板多快会来呢?”他一下就明白了。他回去算了,发现天花板不高,赶紧就去做一些新的事情了。

但当你线性的看,我ARR每个月都在增长,年增长率多好。特别是ARR这是一个很虚幻的事情,它不但是一个线性外推,还是拿当下外推12个月,很容易让人产生一个增长幻觉。它很可能就突然到顶,后面直线变成一个线性增长,你做的事情是一个没有想象空间、没有多少价值的事情。

所以你短期内的价值,模型一溢出,就没人愿意付费了,或者是竞争太多了。大家刚开始竞争,按你的创造的客户价值来定价;但当竞争对手一多了,按你的边际成本定价。这是大部分人不理解的经济学基本规律。

张小珺:所以不管是短期、中期还是长期,衡量当下成长性的标尺是什么?

曾鸣:这个指标是主观的。为什么有OKR?就是想解决当你的目标不能转化为KPI数字的时候,大家要用OKR协同。只是因为OKR落地对组织要求太高,大部分公司或者放弃了,或者OKR变成了变形的KPI。

为什么大家用“对齐”这个词越来越多?很大程度上就是对齐我们的目标,对齐我们对未来的判断,对齐我们背后不同的认知模式,这是变成了更第一性的东西。

张小珺:OKR还会延展到AI时代吗?

曾鸣:AI时代才有可能让OKR落地。因为AI的组织系统,能追踪自然语言表达,神经网络是无所不在的。它大概率有可能给我们一个反馈:“你们都偏离了你们的OKR,我看到了一些更具体的,未必是数字,但是是一些趋势,我可以提醒你们。”所以OKR可能真的是需要一套新的方法才能落地。

张小珺:总的来说,AI时代的战略规划,跟以往有哪些不同?

曾鸣:最不一样的,以前叫“战略规划”,现在叫“战略生成”。我特意创了这个词,因为这个词本来就反映AI时代,大家习惯了说视频生成、文图生成。

我们讲组织设计的时候,真正要做的是一套体系、一个环境,可以让战略洞察涌现出来,成为一个战略不断生成的系统。最后战略就是个自然而然的决定,在合适的时间,有合适的人,做了一个合适的决定,公司就往前走。要把那套生成系统建起来。

张小珺:组织很关键。

曾鸣:对,我不得不(在书里)把组织先说。未来的组织有这个能力做这个事情,它是一个神经网络,它是一个工作流、任务流,它是一个任务流导向的系统。人跟AI都接到这个系统,核心是涌现。就跟大模型一样,实际是人跟AI一起在训练一个组织的小模型。

核心就是,有没有原来没有想到的洞察可以涌现出来,整个群体智慧有没有在演进,这是最终目标。

张小珺:怎么构建一个好的环境,也就是一个好的组织?

曾鸣:这就是为什么需要新的文化,需要一个跟全员合伙人能够匹配的文化。这就是为什么“context, not control”又重新火了起来。五年前我讲Netflix的案例,甚至讲字节的案例,大部分人觉得挺牛的,但跟我没啥关系。今天所有人都知道,就是要给context,给够了context,它就有那么牛,能做出正确的决策。所以对齐,是对齐目标跟认知,甚至就是全员共享一个完整的上下文,事情就会自然的涌现。

张小珺:那就是人和AI都要共享?

曾鸣:对。因为人没有办法像AI那样有处理全海量信息的能力。但是人有瞬间的创造力,和看见不存在连接点的连接的能力。

张小珺:在我们聊天中,我突然想到,这两年年轻人对“老登”或者“老登公司”出现了这么多负面情绪,是不是跟AI时代带来的组织变革、文化变迁的本质有一些联系?

曾鸣:是的,这个特别有意思,“老登”这个词特别有意思。以前大家都尊老爱幼,是因为老的经验有价值,老的规范在延续,所以你必须尊老爱幼。这样你才能学到东西嘛。这才是传承。

那为什么有老登呢?就是你刚刚讲的,宏观方面,原来那套东西看起来都没什么价值了,公司受到压力越来越大,谁也不愿意在科层制。姚顺宇讲的特别直接,“谁愿意陪老登玩,牺牲自己的青春年华”。所以这是个非常典型的心态。

但在个体上,这个事情能成立的原因,是因为能够转化成知识的经验都不再有价值——它都被大模型吸收了。这些年轻的聪明人,用好AI杠杆,瞬间就能成为任何一个领域的专家。

所以为什么AI现在也可以达到一个主任医生的水平?是因为所有的经验都被沉淀在大模型里头了。你过去20年的经验还有啥价值呢?年轻人当然就不尊重老年人了,就会有相对带点负面的这样的称呼就出来了。

张小珺:那老年人怎么办?

曾鸣:或者安心养老,或者变得重新年轻。

张小珺:这是不是意味着,新时代组织的文化也会发生巨大变化?

曾鸣:文化的核心就是创造,就像一个球队一样的,每个人都不可缺少,但依然有明星、有前锋、有后卫的分工。它的文化一定是开放、透明,然后共享。

还有一个非常重要的,我把它叫做“共创”,大家都明白自己是在共同创造一个新东西。合作跟协同的意愿跟能力也会大幅上升。

张小珺:在你看来,上一个时代“公司”这个体系,为什么让人这么不快乐?

曾鸣:那没办法,因为大部分的知识工作是简单枯燥、重复繁琐、没有成长性的。我们自然会觉得那就是一份工作,是消耗性的——既不带来情绪价值,也不带来成长价值。公司为了管理,都是偏控制性的手段,盯你又盯得很死。环境是越来越不符合今天大家对于文明的向往,或者自我发展的、什么是幸福、什么是快乐的一种理解。

我自己非常乐观,我觉得AI在这个时代给了我们一个更大的自由度,去追求我们想要的更好的人生。

张小珺:乐观来说,以后的组织会让人更开心一点、更有创造力一点。

曾鸣:可能开心就成了必须品,情绪价值是必须品。

张小珺:那对于创业者、CEO的要求也变了。你不能是一个老板心态,不能PUA。

曾鸣:就谁还认你呀,对吧?我都不陪老登玩了,我还陪你老板玩啊。

你看现在所有的创业者都讲,他第一优先级是招人。招人是感召来的。

观点9

“机器人更好的类比,是电器的发展”


张小珺:你能不能分别说说,模型公司、应用公司、机器人公司,分别怎么做战略?

曾鸣:你拿行业分,不如拿发展阶段分。我书里面讲到,战略摸索期、战略成型期、战略成熟期、战略执行期。就比如说,大模型公司基本上进入了战略发展期,因为战略都收敛了,大家相对是比较清晰的。但具身机器人的公司,大部分都在战略摸索期,都不知道该往哪收敛。在不同阶段,战略方法是不一样的。

张小珺:大模型公司进入了战略发展期,机器人公司还在战略摸索期,具体应该怎么制定战略?

曾鸣:战略收敛期,要追求组织效率和执行效率,要从一个方向型的战略走到一个可以闭环的运营模式,才能高效规模化。发展期的核心是上量要快,能够规模化的原因,是因为你的原型已经很强壮了。

战略探索期的核心,是一号位必须带着大家去做不同的创新,要有一套机制把试错成本降下来,逐步达成共识。这个阶段你要有自己相信的,但又不能过于执着,因为现实可能会打脸,发现别人的方向是对的。这时候就是你的自我能不能让位给现实——你需要不断调整,而且每个人的出发点都受制于过去自己的训练,能看到的东西都有路径依赖。所以大家一起去创造,你能不能快速把别人最好的经验理解消化吸收,再形成公司下一步创新的基础。

战略探索期,核心是创新的效率要足够高,而不是执行的效率。

张小珺:你看今天大模型公司,不管是美国还是中国,大家都在做Agentic Coding,这好像是一个很大的共识。他们应该寻找非共识吗?

曾鸣:非共识就是neo lab——不认这个共识的人就去创业了嘛。neo lab里面某一个反共识,可能就会成为三年以后的新共识。这就是市场特别有趣的地方,它是生生不息的,在中间不断往前演化。

张小珺:现有的lab会进入同质化竞争?

曾鸣:现在就是同质化竞争。同质化竞争,打破了对大模型公司能长期享受高额垄断利润的预期。利润预期破了,才会有大家对“这些公司可能没有能力持续投入这么高的CapEx”的担忧。所以源头是这些公司还有没有实力、还值不值得为他们继续投入基建。基建都是为大模型公司服务的,如果最后他们创造价值有限,那干嘛投这些东西呢?

张小珺:你现在的观点是,应该继续投入吗?

曾鸣:大模型本身发展的空间还非常大,大概率基建的投入还会继续。但可能在某一个时间点会出现一个拐点,基建的投入由于周期性,会超过大模型的真实需求。从产业发展来说未必是坏事,因为应用公司就可以用很低的成本去用现有的基础设施,进入门槛大幅降低了。智能的调用真的会变得非常便宜,又足够强大和稳定。

换句话,只要智能的供给还没达到大家想要的状态,基础设施就会持续投入。

张小珺:所以,应用公司还是要有希望,不要那么灰心。

曾鸣:绝对要有希望。而且他们下场,也是因为感受到了来自于未来的某种召唤,我们只是在外面,没有感受到他们那么强烈的相信。

张小珺:对于机器人公司来说,不管是从模型上还是本体上,今天还非常不收敛。什么时候可能会出现进一步收敛?它的产业周期发展可能有多长?

曾鸣:机器人还在非常早期,还在摸索到底怎么落地。因为有一些很核心的制约,比如数据——不像大模型公司原来起来的时候有足够的数据,有些很现实的制约让他们还在非常早期的战略探索期。

张小珺:现在机器人公司有好几种做法:一种是先从大脑开始做,追求机器人大脑模型的泛化性;另一种是从一个场景开始做,做具身、做身体,在这个场景里通过数据跑通整个闭环,再反哺模型能力。你觉得应该先突破哪一边?

曾鸣:逻辑上两条路都成立,没法事先判断到底哪条路能赢。泛化的挑战在于,泛化的空间有多大,以及在一个具体场景下效果够不够好。走场景路线的公司,挑战是现在能找到的场景都不够大,但它的能力能不能让它快速扩张到一个足够大的场景,既能做好,又有泛化的可能性。

原则上就像爬一座山,可以从南坡爬,可以从北坡爬,事先很难说谁能爬得快一点。

张小珺:机器人这种阶段,可以类比为什么产业的什么时期吗?

曾鸣:最简单的类比就是他们自己认为的——还在2020年左右的阶段,还没到ChatGPT的阶段的大模型公司。

张小珺:能跟更历史的一些产业做类比吗?

曾鸣:车。

大概1900年到1920年,真的有几千家公司在美国都是做车的。有的人觉得我有一个机械功能,就能把一个车敲出来,反正马达都是买别人的。但后面出现了一个原生应用,就是福特汽车。1913年,福特建了全世界第一条由电驱动的流水线,现代制造业才进入了一个新的阶段,福特才能用极高的效率生产出大众可以消费得起的汽车。那是汽车行业第一个to C的突破,福特就成了现代工业时代的一个代表。

但后面有个很有意思的插曲,当福特通过规模化、标准化,只卖黑色车,做到了全美第一以后,大众的需求开始多元化,然后就出现了通用汽车,有七八种车型去竞争的下一个阶段。

张小珺:说明,每个战略都只有在当时的那个时期有效才有效,它不是一个亘古不变的事情。

曾鸣:对,现在相当于大家都能手搓一个机器人公司,但是哪个机器人公司能完成规模化量产,谁都不知道。

张小珺:也许我们还在等待那个T型车阶段。

曾鸣:就是在等T型车阶段。T型车就很了不起了,你能够规模化量产。所以大家都觉得,谁第一个真的能够实打实地把一万台机器人卖出去,就已经是个了不起的成就了。

张小珺:有没有可能机器人这个产业,发展节奏会更像车,而不是类比大模型?

曾鸣:你要这么类比的话,我们干脆把它放大到电出现以后电器的出现。因为基于电可以有n种电器,冰箱跟洗衣机谁更重要,就不好比了,大小也差不了多少。所以我们可能会出现n个不同的机器人,真的是适用不同大场景的。家用机器人肯定是一个,但家用里头可能也有一个偏陪伴型的、一个偏家务型的,然后工业场景或者外面的各种各样的场景。

大家为什么这么看好机器人?是因为它是AI跟物理世界交互的一个基本界面,有点像电,什么东西都可以被电再重新干一遍。

机器人更好的类比是电器的发展——汽车的确是其中的主打,那是对外的场景;对内的场景就是洗衣机、冰箱,家庭场景。

观点10

“巨浪面前没有人是安全的,谁觉得安全,谁就是最不安全的”


张小珺:在这波巨浪面前,哪些巨头是安全的?

曾鸣:我从来觉得在巨浪面前没有人是安全的。谁觉得安全,谁就是最不安全的。

张小珺:他们有多不安全?

曾鸣:应该都足够担心吧。

张小珺:他们的战略都是AI first、all in AI,这个够吗?

曾鸣:这是必要条件。够不够,要看技术演化的路径有多么颠覆,新公司获取资源的能力有多大。

张小珺:他们all in AI,还能够成为下一个时代的企业吗?

曾鸣:挑战非常大。

张小珺:从历史里面有依据可言吗?这个时代企业过渡到下一个时代的企业,还能做得非常好的,多不多?

曾鸣:不是多不多的问题,是有没有的问题。

张小珺:有没有?

曾鸣:基本没有。

IBM曾经做到过一次,微软算是做到过一次。微软某种程度上错过了移动互联网,但它保持住了搜索的火苗,然后有了云计算的积累,加上它在PC时代垄断积累下来的OS垄断,让它在AI时代还有一次机会。

但目前看,微软好像又有点吃不准它到底能不能走过去了,因为它的模型投入不够,模型这块已经出局了。虽然它有OpenAI的早期投资,但目前它已经买不起OpenAI了。即使微软已经算是维持了很长时间的领先,可能未来都不太确定了。

张小珺:Google呢?

曾鸣:Google就相当于微软的上一段,也许它能成为一个很好的AI云公司,但它能不能成为一个消费者的大应用,这个还真的不那么确定。有TPU、有大模型,Google作为一个云厂商活下来,这个应该没问题。但入口级的应用,不太确定。

张小珺:所以这种不依赖于你怎么战略选择,你都很难一直在牌桌上——这个是让人绝望的地方。

曾鸣:这一点都不让人绝望。人有生老病死,公司也有生老病死,没有比这更正常的了。所以新公司才有机会,年轻人才有梦想,多好的一件事情!一直都垄断到今天,那不是世界太无趣了。

张小珺:Google不一定会成为下个时代Google,字节会是下个时代的字节吗?

曾鸣:大概率也不会。

张小珺:字节今天模型做得也还不错,起码在国内是第一梯队吧。

曾鸣:字节是有很大的机会成为AI云公司的,包括Seedance做得那么好,在视频生成、多模态方面已经是世界一流的大模型公司,因为做基础设施是容易的。你有积累有沉淀,它有一定的惯性。但是大的to C的应用,是有非常大的不确定性的。

张小珺:豆包是吗?

曾鸣:豆包肯定不是,要不然它肯定不计成本的往里砸了。它不砸了就是因为豆包不够,不够那么未来。豆包没有行动力,智能体的核心是独立完成任务。

张小珺:把智能体内置进豆包不行吗?

曾鸣:这就是他们想做的。上一代的入口能不能够理解下一代的整个生态的发展,做成下一代的入口,挑战非常大。因为你如果不是Agent的事实标准,你很难成为入口的。你调的都是上一代的服务,但你上一代的服务有可能是会被下一代的服务颠覆的。

张小珺:社交关系会重构吗?腾讯安全吗?

曾鸣:肯定重构。腾讯作为最安全的,为什么最近这么恐慌,就是因为也有可能不安全。社交关系,人跟人的关系,都会被重新定义,Agent在里面的重要性会大幅上升。

张小珺:所以你不看好现有的产品+AI、+Agent?

曾鸣:我觉得都是过渡产品。QQ也没有过渡到移动互联网时代,或者说QQ过渡到了,但是真正承接移动互联网时代的是微信。

张小珺:人和人的关系会被重构,人和货物的关系呢?

曾鸣:一样会被重构,阿里也一样有那个挑战。

张小珺:自己再造一个产品有可能吗?让下一个时代产品诞生在我这个公司里。

曾鸣:所有公司都会all in AI,就像移动互联网,大家都all in了一次移动互联网。

我一直在思考一个问题:移动互联网对PC互联网来说,到底是颠覆性创新还是延续性创新?那个决定了问题的本质。我当时的判断,是1.5的创新,它有很强的颠覆性,但也有很强的延续性,因为它都是基于互联网的基本架构,有网络效应,技术也有延续性,但是它也有非常颠覆性的地方。

所以你会看到,它的延续性的部分,让几家头部互联网公司都成功过渡成了移动互联网公司;但是它的颠覆性的部分,最后也的确成就了抖音和拼多多,这两个更加原生的移动互联网公司。

AI现在,我整体上更倾向于它是个颠覆性的技术。它是生产力的革命,互联网本质是生产关系的革命。整个都颠覆了以后,延续性的部分没那么强。

那么在这个意义上,原有的物种去适应新的物种会非常困难,你的技术储备可能都不是那么线性的。所以我寄希望于下一代的产品也长在我的公司里,难度是很高的。哪怕我用的不是我现在这个产品,我用下一个产品去承接,让它诞生在我这个公司里,难度也非常高。

张小珺:这里面也有组织文化的原因吧?

曾鸣:组织文化肯定是一个制约,因为你一个十万人的公司转成AI原生,跟一个十个人的公司长成一个一千人的AI原生公司,难度是不一样的。这是非常重要的第一点。

第二点,你如果没有做出第一个真正成功的Agent,你大概率不理解Agent是怎么运行的,你就没有办法提供基础设施,成为不了事实上的标准,也就成为不了入口。所以,你自己得在Agent上真正整明白了,你才有用户,才能吸引更多Agent开发者在你这上面开发。先有一个成功的Agent,是前置条件。

张小珺:它才能形成“黑洞效应”。

曾鸣:是的。

张小珺:我们再来看看几家海外巨头。你看过去两年,马斯克xAI也做了很多事情,你觉得他们是战略出错了吗?

曾鸣:战略上可能也有问题,他们没有特别明确的方向,不像Anthropic那么聚焦。组织上肯定有问题。

我讲个细节:我在硅谷只要是碰到有一群工程师的场合,xAI的那个人永远是最疲惫的那个人。是被消耗过度了。可能跟Elon的工作方式也消耗人有关,他虽然让你成长,但特别消耗人。你看到他们来了以后,也没有什么力气说话。

人太累的时候是没有创新的。你一定是在一个相对开放、放松的状态,才会有新的东西出来。当一个组织崩得那么紧,又非常高压,要做一件特别大的创新是一件非常难的事情。

而且我听研究员的评价,也没觉得Elon真正懂大模型。他原来那套方法论,偏硬件的那套方法论,到了AI时代,他没办法自己直接给答案,又没办法用一种共创的方式让组织来给答案。因为他以前都是自上而下的,他给了第一性原理的答案,逼着大家去超常规地完成。但在这个场景下,他自己给不出那答案,他又不给底下的人那么大的空间去给出一个答案。xAI是肯定卡在组织上。

张小珺:这个也就是你说的,组织和战略之间的关系做得很差。

曾鸣:是的,他没有通过组织去生成战略,都是他自己的意志。

张小珺:Meta呢?我每次都觉得小扎很年轻,他为什么跟不上?

曾鸣:年轻,但是出道早,消耗也早,消耗也多。一代一代这样的东西,都在消耗你的认知的潜力。Meta大到这种程度,内部调度资源变得非常困难。而且大部分研究员也不觉得小扎懂模型,他没办法真正做非常重要的决定。

另外两家公司,Sam Altman(曾经)是真的依赖Ilya Sutskever,Ilya是真能够驱动整个事情,Sam又是个很好的CEO,这两个人就是个很好的搭配。Anthropic是整个组织能力非常强,Dario在给mission、vision这方面把握的又比较准,Anthropic就显示出了一个非常聚焦的、vision-driven的公司的爆发力。但是OpenAI因为底子够厚,所以它即使这一轮反过身来追Anthropic,速度也非常快。

这两家公司本质上是新时代的创业公司,组织文化各方面都更加匹配。到其他几家公司,都有各自问题了。

观点11

“AI时代,人和人的差异在于创造力,创造是无中生有的能力”


张小珺:我们最后来聊一些更关乎于个体的命题。如果智能能像能源一样从外部获得,在你看来,未来人和人的差异在哪里?

曾鸣:我觉得是创造力的差别。

德鲁克有一个非常经典的分析框架,他把人类社会从工业时代以来划了三个阶段:第一个阶段是“生产力的革命”,也就是流水线取代了手工作坊;第二个阶段是“管理的革命”,大概一百年前左右开始,有了泰勒这些科学管理方法,出现了商学院这个新物种,商学院的核心目的就是给现代化管理匹配足够多的管理人员;第三阶段是“知识的革命”,他观察到从七十年代开始,软件变成一个非常重要的发展方向,而软件的核心是处理人类知识,把知识跟最优实践通过软件的方法沉淀下来,变成一个标准的执行方法。这是德鲁克,他大概1999年过世了,看到的是整个过去两个世纪的变化。

我借用他这个框架,我自己认为,如果从人的角度来看,AI时代可以被定义为“创造力时代”。所有可以被结构化处理的知识类型工作,都会被AI接管。人一方面被逼着去开发自己新的潜能,但你也可以讲,人终于被解放出来,可以去开发自己的潜能。

我认为这个空间是非常大的,这个方向就是创造力——AI做不了的创造力的事情。只不过我们对创造力要有一个更好的理解和重新的定义。创造力不是简单的会写首歌或者会画幅画,它可能是更多的原创的定义复杂问题的能力。

比如说电真正发明了以后,流水线出现了以后,才有产业工人、技术工人的概念,然后才有了白领。这些都是19世纪的人根本想象不到的事情。

我觉得未来所有人努力的方向就是开发自己的创造力。换句话来说,就是“无中生有的能力”。

张小珺:是因为如果是已经有的东西的话,机器都当作data获取到了。

曾鸣:这种创造,可能从机器的角度来说很无聊,因为它可能就是各种各样的情感陪伴,人跟人之间有的没的,想要的各种各样的以前没有被开发的需求。也许不贡献给物理世界的巨大进步,但它可能对人类的成长跟幸福感有很多帮助。

张小珺:未来作为一个社会来说,你能预见到将会出现一些什么样的变化吗?

曾鸣:会发生天翻地覆的变化。我碰到的一些00后创业者,想做to C应用的,他们想象的世界完全不是我们现在能够理解的世界,很有意思。

张小珺:如果对人的能力的需求发生了变化,是不是会重塑整个教育体制?

曾鸣:一定会的。以前的教育体制还是一种智商激励,智商的开发都是第二位,知识的灌输是第一位,那肯定是不行的。

你想想看,我们从小到大有多少兴趣被压抑了,我们并没有顺着一个开放探索的路径去开发潜能,我们都是在最早的时间,为了不输在起跑线上,被按在了原来世界的固定模式里头。我觉得最大的冲突就是教育系统的冲突。

其实年轻人已经知道,未来跟我们今天想象的完全不一样。你随便问高中生,他们大概都知道,用现在的方法,大学毕业以后找工作都找不着。他们可能有很多想象,但我们肯定不敢让他们去走他们的路,所以他们就卡在这了。

你问更年轻的家长,刚生下来的小孩该怎么教育,他肯定知道要用新的方法教育,只是不知道用什么方法教育而已。这是一个特别需要接下来整个社会花很大的资源跟力气去探索的方向。

张小珺:人和系统的关系、人和AI的关系,未来会如何演变?

曾鸣:在组织里头非常明确,是一个深度协同的关系。

社会层面,AGI肯定会渗透到社会的方方面面。就像这过去十年我们已经离不开手机一样。将来每个人身上某个地方挂一个摄像头,有一个语音接收设备,可穿戴的东西满身都是,再上外骨骼之类,人就成了一个加强版的人——这个我觉得是完全可以想象的。

张小珺:你有看到好的硬件公司吗?

曾鸣:硬件产品也是这一两年的热点,各种各样的消费硬件层出不穷。就像1900年以后大家都在做家用电器,最后能立住的是那几个大品类,还有无数的小品类,不知道会是什么现在。

就像美国很早出现的那个烤面包机,大家现在还用,那个也是很早被发明出来的,但那个不够大,技术不够复杂,所以它没法养一个大公司。

所以有很多这种新的公司,一切都会被重新来一次。但是哪些是大东西、哪些是小东西、哪些是主、哪些是辅,谁用哪种方法找到了面向未来的密码,都是不确定的。

不过,有个基本态度要改变——原来我们倾向于降低不确定性,但在这个阶段,其实是要拥抱不确定性。不确定性就是最大的机会。

心态先得改了,不能恐惧。你见到不确定性、见到复杂性就恐惧,你就没法往前走。面对巨大的不确定性跟复杂性,你觉得特别好玩,特别有机会去创造一些新东西——我觉得那才是年轻的一代的创业者的心态。

张小珺:最后我们还有一些快问快答,我们是为了在这个硅基生命到来之前,留下更多的碳基文明的印记。

全球范围内一道你喜欢的食物?

曾鸣:辣椒炒肉。

张小珺:全球范围内一个你喜欢的地点?

曾鸣:目前可能还是上海。

张小珺:你的人生之书?要真的对你产生过很大的影响。

曾鸣:管理学上比较基本的,《基业长青》系列的那几本书,德鲁克的书。

我本科的时候全文抄了的一本书——因为摘录太多了,基本上抄了的一本书——是弗里德曼关于市场基本运营机制的一本书。不厚,但是特别精彩,建立了我对市场的基本运行机制的理解。

张小珺:基于当下的认知,一个关键的重要的bet是什么?

曾鸣:出现一个足够好用的to C的Agent。

张小珺:我们工作室叫语言即世界工作室,当你第一次听到这个名字的时候,你会想什么?

曾鸣:可能要改成,智能体即世界。

张小珺:曾鸣老师,你自己的使命是什么呀?

曾鸣:我觉得就是做一个快乐的研究员。

张小珺:AI会让人类更快乐吗?

曾鸣:我至少是这么希望。文明的进步就是技术不断带来新的可能性。人驾驭好了新的技术,进入一个新的文明发展阶段。

张小珺:新文明相比旧文明,对人来说,快乐指数是提升的还是降低的?

曾鸣:从一般的衡量指标来说是进步的。你想想看,现在没有空调,你是啥感觉?看过故宫你就知道,皇帝的生活状态,除了对人的影响力比我们大之外,物理生活环境比不上我们。当你在农业时代,温饱是几万年的问题,工业时代把温饱问题规模化地解决掉了。消费时代解决了消费不足的问题。互联网时代解决了信息不对称的问题。

那AI时代,当我们有了这么多智能解决方案以后,我们就可以做一些更有趣的事情。

张小珺:那这样的话,以后一个组织的评判标准之一是,能不能让身处其中的人感到更有乐趣。

曾鸣:从Google开始就是这样。07、08年的Google在硅谷是神一样的存在,比今天的那两家公司还要影响力大,才有那么多人去参观Google,为了去食堂吃顿饭,感受一下他们的氛围,所有最优秀的人都要去Google。

在当时,它的氛围本质上是尊重人的差异化,释放人的创造力,让你有20%的时间可以干你自己想干的事情,给你们提供最好的食堂。当时的那个文化,Google最早提出来。它隐隐约约地感觉到了未来需要新的文化、需要新的组织方式。这个趋势会延续下去。

张小珺:你觉得是什么让你对战略学发生这么深厚的兴趣?

曾鸣:我高中就放弃了理科。我们那时候大概是第一届文理分科,我更喜欢历史啊人文啊这些。我虽然当时也算年级第一,可以去走那条路,但我觉得对我来说,我不感兴趣,高中就放弃了。

到了大学,选择经济以后,发现经济学的数学要求超过大部分工科,我觉得太无聊了。我后面读博士的时候,就选了商学院,而且是战略这样比较宏观、在真实世界跟理论世界又不得不建立连接的一个学科,我觉得比较好玩。

张小珺:战略是一个组织的大脑,必须由CEO来做。战略做的好的人,CEO一般是什么样的人?

曾鸣:创始人里面有战略能力的并不多。真正走得远的,就刚讲的使命驱动、愿景驱动、战略驱动,能走到战略驱动就已经是很优秀的了,但不是卓越的。严格来讲得是使命驱动,才有可能走向卓越。

但有的人可能是先有愿景,慢慢发展出使命;有的人是天生就比较使命驱动;或者非常难得的一个团队里面,有那么一两个人形成很好的互补,一个人可能战略能力强一点,一个人动手能力强一点,就有点像王兴跟王慧文的组合,也是很难得的。

张小珺:字节属于什么驱动?

曾鸣:这个还不好说,我跟张一鸣个人交流不多。我对他使命的那一段有没有,没法判断。但是张一鸣是一个了不起的天才,他有自己的管理哲学,至少是愿景驱动,有完整的自己对组织的理解。

他最早提出来“公司即产品”,已经非常领先了。我原来讲Netflix的文化,大部分人第一反应是中国人做不到,因为那个文化太美国和硅谷了。但字节是最早基本跟上,跟Netflix的文化是非常相似的。

张小珺:字节为什么最后演变成了一个效率工厂?

曾鸣:因为它东西都整明白了以后,剩下的在战略执行阶段就是追求效率。任何一个公司到了最后都是追求效率——战略越来越清晰,剩下的就是执行任务。

但是,组织的宿命就是,时代一定会变化,让你原来成功的那套不适合。你要不就彻底转型,要不就被时代淘汰。这对每个人都很公平。

收听播客


推荐阅读


图片

跳转微信打开

Grok Bot 蓝皮书 v0.1|让 Grok Bot 做你全部工作的大管家

2026年9月7日 07:00

原创 AI产品黄叔 2026-09-07 07:00 北京

我不在乎 AI 能不能 24 小时在线,我在乎自己能不能按时下线。

Grok Bot 最打动我的,是它开始把“安排 AI 干活”这件事,也接过去了。

有了Grok Bot,暂时不用升级我的Mac Mini了。

开篇|我为什么要一个大管家

 ㅤ

先用三句话说清楚这本书讲的是什么。

Image

Grok Bot 是什么:一个长得像微信的 App。区别是,里面每一个联系人都是一个 AI 员工——同一账号下的 Bot 共用一台云电脑,24 小时在线,你可以雇一个,也可以雇一群,让它们拉个群自己商量着把活干完。

谁做的:xAI(马斯克的 AI 公司)。Cursor 被并入 SpaceX 之后,原来 Cursor 里的 Cloud Agent 这条线被做成了这个独立产品。

它解决什么:以前我用各种 AI 工具,调度的人始终是我——想任务、看结果、再派任务。Grok Bot 让我第一次可以只跟一个“大管家”说话,它去安排别的 Bot 干活,干完回来给我汇报。

Image

图01|你把目标交给谁 你交代目标和边界,大管家组织协作,把结果带回来。

 ㅤ

跟你用过的东西差在哪:

你可能用过的它像什么你关掉之后需要你会什么
豆包、千问、ChatGPT一个很聪明的聊天对象停了,下次从头说会打字
Claude Code、Codex、WorkBuddy一个坐在你电脑里干活的程序员电脑一关它就停多少要懂一点命令行
龙虾(OpenClaw)、Hermes自己搭一个 AI 员工宿舍能一直跑,但服务器、API Key、运维都是你的事基本要是半个技术人
Grok Bot一个自带电脑、自带宿舍、能开群的 AI 团队云端继续跑,手机随时看会说话

下面先看我是怎么用大管家的,三个场景:招人、派活、下场。

 ㅤ

给大家展示一个非常有意思的Case:

grokbot点aihuangshu点com Grok Bot 玩法全景手册

这个网站目前是Grok Bot里名为“GrokBot网站管理群”群聊里三个Bot共同完成更新的!

Image

它已经非常有黄叔心目中的Agent全自动化更新的雏形!具体的解释后面的章节会展开。

 ㅤ

并且,如果黄叔有任何任务的安排,可以只和我的大管家“黄叔分身Bot”下达,继续延伸有三个很有意思的场景:

 ㅤ

Case 01 招人:一句话建出邮箱 Bot

 ㅤ

我希望有一个专门的Bot定时帮我检查自己的QQ邮箱,于是和我的大管家“黄叔分身Bot”下达,很快,一个邮箱Bot就创建完成了:

Image

Image

 ㅤ

打工人最容易抄的,就是这一招:

找一个 Bot 替你盯住一个信息入口(邮箱、群消息、通知),定时读,读完挑重点给你。

 ㅤ

Case 02 派活:改网站只跟大管家说

 ㅤ

直接和大管家下达任务,它接到指令后,会跑到群聊里面找到对应的BOT安排任务,并且得到反馈之后,再来和我汇报。非常有意思!

Image

Image

 ㅤ

整个公司的中层已经不存在了。你可以和大管家 Agent 吩咐任务,他可以自己去拉群,找到对应的 Agent 交代任务、监督任务,并且把执行结果反馈给你!

 ㅤ

Case 03 下场:绕过总经理,直接一线

 ㅤ

当然,你也可以绕过你的大管家Agent,直接和一线干活的Agent交代任务:

Image

ok,上面3个case大家感受到没?你是整个公司的董事长,可以亲临一线,直接指导员工干活,也可以搭建一个管理架构,让公司总经理替你找到部门和资源来干活!

 ㅤ

非常灵活和自由。

 ㅤ

黄叔几乎把市面上主流的 Agent 都用了一遍(Claude Code、Codex、Hermes、Zcode、WorkBuddy、Trae、豆包……名字不认识也没关系,后面用到再解释)。但真正能让我放手、远程、把一整套工作流交出去的,到目前为止只有 Grok Bot。

 ㅤ

这份蓝皮书,是继去年1月份发布的AI编程蓝皮书之后,黄叔感受到的时代趋势,会持续更新一段时间的Grok Bot蓝皮书!把我实现整个工作远程+自动化的过程记录下来。

 ㅤ

开始前你需要准备什么

说在最前面,免得你读了三章才发现要花钱。

  •  ㅤ

    一个 SuperGrok 或 Cursor 的付费订阅。Grok Bot 不单卖,挂在这两个订阅里,下面有详细说明和价位。
  •  ㅤ

    一部手机,或一台电脑。iOS、Android、Mac、Windows 都有客户端。
  •  ㅤ

    不需要会写代码。全书所有操作,都是“对着聊天框说人话”。
  •  ㅤ

    需要有心理准备的一点:它的用量额度是很少的。如果让它自己干所有重活,会消耗得很快。正确的用法是让它当指挥,把粗活外包给便宜的模型。

 ㅤ

Image

图02|这本书怎么读 先看懂分工,再跑通一个小任务,最后接入自己的工作。

第一篇|认知:如何理解Grok Bot

 ㅤ

1.1 为何现在值得学

 ㅤ

开篇那张表,是站在“你会不会用”的角度比的。这一节说说站在“值不值得”的角度,我为什么把它排在所有工具前面。

细想黄叔之前的Agent使用,也会用ChatGPT App远程连接Codex + UU远程配合。但这里的调度器还是我。

我希望用Grok Bot完成一个转移:

 ㅤ

把更多的任务让Grok Bot来帮我调度和执行

 ㅤ

有人会说,用Hermes Agent + VPS一样可以做到呀

这就是一个门槛问题了。

 ㅤ

Grok Bot是成品,只需要下载客户端,登录后就能构建Bot,开始用起来。

OpenClaw/Hermes是一个Agent框架,你还要去买服务器,安装,准备API Key,自己做运维,黄叔为了教会大家使用本地Hermes,还需要理解Profile,理解GateWay是什么意思,这些远远超出普通人的理解范畴。

 ㅤ

相比之下,Grok Bot = VPS + “更好用的Hermes Agent”(实际上也有朋友在Grok Bot上面安装Hermes Agent来跑)

 ㅤ

其次,Grok Bot 基建足够好,黄叔自己也经常用Hermes Agent,并且接入微信ClawBot和飞书,慢慢用的就少了,一个重要原因就是:

 ㅤ

非常慢!

 ㅤ

Grok Bot用一个App承载接入,响应足够快,无需考虑任何的配置,开箱即用,也有很强的对话感。

 ㅤ

黄叔坚定认为:这是Agent时代的又一个重大突破式创新!

所以,让我们随着这一份蓝皮书,进入到一个崭新的世界吧:

 ㅤ

1.2 官方定义

 ㅤ

官方文档 https://docs.x.ai/grok-bot/overview ㅤ

 ㅤ

Overview 页的第一句话是:“Bots are AI teammates you can give real work to.”——Bot 是可以交给真实工作的 AI 队友。

 ㅤ

文档对术语做了约定:“a Bot = a single persistent, named agent or one AI teammate.”

Image

 ㅤ

接着,Grok Bot的独特之处是什么呢?

Image

 ㅤ

ok,所有研究和理解一个Agent的朋友们,必须要阅读官方文档,那是原汁原味的根源,任何后续的解读,都加入了个人主观判断。

 ㅤ

所以可以看看黄叔的解读:

 ㅤ

1.3 黄叔的理解

 ㅤ

官方的描述里,有几个词句非常重要

Bots can sign and use apps and websites just like you do on a persistent cloud computer.

首先,Bot是在一台持久化的云端计算机上!并且可以像人一样登录并使用各种应用和网站。

 ㅤ

这是Grok Bot和Hermes/Codex等等有极大差异的地方,也是Cursor被并入SpaceX之后,把之前的Cloud Agent继续发扬光大的技术。

 ㅤ

进一步,这台云端计算机有非常突出的特点:

  1. 1.这台云电脑的配置很高:8核+16G内存+126G硬盘;并且完全无需你做任何额外的配置即可轻松使用!这点对小白极其重要;

Image

  1. 2.云电脑24小时在线;
  2. 3.上行下行的速度极快,并且,无需魔法!不同时间点测速会不一样,我测的是这样的:

Image

🚅

They can collaborate independently, passing context between each other and handing off tasks

它们(Bots)可以独立地协作——彼此传递上下文,并交接任务。

 ㅤ

collaborate independently---独立协作

这一点是非常有意思的,在前面的Case 02里,黄叔已经给大家呈现了一个很棒的案例,只需要给大管家Agent交代,它会带着对任务的理解,到群聊里做调度,整个协作无需人类介入!

 ㅤ

passing context between each other---彼此传递上下文

handing off tasks --- 交接任务

在群里观察Bot之间的协作,是可以完全的相互@ 传递上下文,并且交接任务的!

Image

上图中,X热点抓取Agent,在定时完成抓取后,把上下文传递给 黄叔分身Agent,黄叔分身Agent确认后,安排GrokBot开发Bot 完成网站的更新!

 ㅤ

好了,为何Grok Bot能做到这些呢?而且黄叔用起来感觉是特别的简单,完全无需我动脑?

 ㅤ

我觉得是这么几个点:

  •  ㅤ

    共享同一台电脑:“Multiple Bots share one user-scoped computer and can run in parallel” —— 多个 Bot 并行跑在同一台电脑上,不存在“不同机器之间传文件”的障碍。
  •  ㅤ

    共享登录态和文件:“They share files, browser sessions, and app logins, which makes handoffs possible without repeating setup”—— 交接时不用重新登录、不用重新配置,A 登录过的系统 B 直接能用。
  •  ㅤ

    有互相沟通的通道:“They can message each other, share context in threads or group chats, and pass ownership”—— 它们可以互相发消息、在主题帖或群聊里共享信息、正式传递所有权。
  •  ㅤ

    持久状态(durable state)与任务交接:同一账号的 Bot 共享云电脑、文件和登录状态,已有文件可以供后续任务继续使用。但这不等于每个 Bot 的全部对话和已学记忆会自动互通;协作时仍要通过消息、文件或路径,把必要上下文交给下一位。

 ㅤ

Image

图 N03|多个 Bot,一间共享办公室 同一账号的 Bot 共用云电脑,各有自己的屏幕,通过消息和文件交接。

机制参考(2026-09-05 核对):xAI 官方文档。

其实还有两点,很少有人介绍到的:

 ㅤ

  1. 1.Grok Bot的产品形态天然就是IM,我们都用微信非常多,潜意识就会把IM对话当成一个个的人在背后,从而觉得Bot就是对应着具体的工作:

Image

 ㅤ

  1. 2.Grok Bot还可以接入你的本机,比如我可以构建一个Bot接入Mac mini的Zcode Cli,从而进行通过Grok Bot的App接入电脑完成各种任务:

Image

Image

 ㅤ

可以简单理解为,手机上的Grok Bot App和桌面端的Grok Bot Mac App,都可以随时去接入Grok Bot的云端服务器,也可以通过桌面客户端接入到Mac电脑里:

Image

 ㅤ

图|客户端、云电脑、本机分层 云端执行与本机执行,是两条需要分别理解的路径。

 ㅤ

理解完上面的概念后,下面这些就很简单啦:

概念一句话
Bot谁长期负责这份工作
Skill这份工作具体怎么做(可复用的指令集,跨 Bot 使用)
Routine什么时候自动开始做(归属某一个 Bot,按日程或事件触发)
群聊多名 Bot 如何公开协作与交接(2–6 个 Bot)
连接器这份工作要进入哪些真实软件和数据源(App 里叫 Plugins)
云电脑Bot 实际执行工作的数字工作环境
审批哪些动作必须由人最终确认

Image

图|一份工作需要哪些零件 先确定谁负责,再补做法、触发时间和信息入口。

 ㅤ

简单说:每个人有一台独享的云电脑,你所有的 Bot 都在这台电脑上干活、共用文件和登录状态。手机和电脑上的 App 只是一个窗口,关掉 App,云端的活继续干。(技术细节见附录 C。)

 ㅤ

具体的数量上限(Bot 总数、群聊人数、Routine 数量等)我整理在附录 B,用到的时候再查。

 ㅤ

1.4 小结与策略

 ㅤ

Grok Bot的特点:

  1. 1.自带服务资源:8核16G内存+126G硬盘,独享
  2. 2.云端24小时在线
  3. 3.上行下行的速度极快
  4. 4.上面已经构建好了Bot的使用环境,也可以拉多个Bot来群聊
  5. 5.可以连接你本地的Mac

 ㅤ

黄叔理解:

GrokBot构建了非常好的基础设施(服务器/带宽/Bot的LLM+Harness等/群聊/Teach a Task等),

也用交互简洁的IM形态让人轻松自如和Agent交流,

你在上面可以任意搭乐高!

 ㅤ

基于这些特性,我们的策略可以是:

 ㅤ

📍

Grok Bot负责任务的执行/复杂工作流的调度

本地Codex/Cursor/Zcode等负责具体的执行配合

我们负责重要节点的把关:发布/删除/付款/重大判断等

Image

图 N05|任务做到哪一步,回来找你 把可以做的事和需要确认的事,在派活时说清楚。

 ㅤ

当然,为何还需要Codex/Zcode等Agent呢?

有一点很重要的原因是:

Grok 4.6目前的Coding和Agentic还不够强,以及,Grok Bot里的额度非常紧张!

 ㅤ

第二篇|上手

 ㅤ

这一篇是操作手册。为了不让你在一堆按钮里迷路,我们给每一步一个角色:

你在搭的,是一个替你盯消息、写汇报的小团队。每一节开头我会告诉你,这一步招的是谁。

 ㅤ

2.1 如何使用上Grok Bot?

 ㅤ

Grok Bot 不是一个单独售卖的产品,它挂在几个订阅之下:

Image

可能有些朋友有困惑,为啥既有Cursor会员,也有SuperGrok会员,是因为Cursor被SpaceX AI收购了,所以现在的会员体系稍微有点乱。

 ㅤ

那如果你同时有 Cursor 和 SuperGrok 两份订阅怎么办呢?官方规则是:

“If you have both a Cursor and a SuperGrok subscription, Grok Bot uses whichever has more usage.”——用额度多的那一份。

 ㅤ

同时,Grok Bot的用量额度是一个单独的配额,和上面的价位表也有对应,但目前并没有具体用量描述。

 ㅤ

点击个人账号,可以看到每周用量:

Image

 ㅤ

点击每周用量后会显示:

Image

 ㅤ

点击右下方的打开Cursor仪表盘,可以在Cursor的DashBoard里查看具体的倒计时:

Image

 ㅤ

如果是团队版,全员都含 Standard 或 Premium 席位,每个席位是都有每周的 Grok Bot 额度;

 ㅤ

 ㅤ

三件事先说清楚:

  1. 1.这里没有“选模型”的下拉框。Bot 用的是 Grok 自己的模型,你不用选,也选不了。
  2. 2.额度是紧张的。用量按周计算,可以在个人账号里看到,但官方没有公布具体数字。全靠 Bot 自己干重活,用量掉得很快。
  3. 3.所以正确的姿势是:Grok Bot 当指挥,粗活外包给便宜模型。怎么外包,第三篇 3.1 有完整做法。

 ㅤ

2.2 下载Grok Bot

 ㅤ

官方下载:x点ai/bot

Image

点击More downloads,会弹出各种下载方案:

Image

 ㅤ

2.3 新建Bot之前

 ㅤ

官方的给的标准是:

 ㅤ

当一份工作有独立的目标或职责范围、独立的工具与来源、独立的工作风格、独立的审批边界,或者固定的日程,就值得开一个新 Bot。

 ㅤ

官方给的好岗位例子

Talent Scout(人才搜寻员),这是需要持续找简历的,比如持续监控Boss直聘,长期积累筛选偏好就可以积累到上下文里形成复利。

Expense Manager(费用管理员),为你持续完成报销/出报告等任务,也是个重复性任务。

Bug Reproduction(漏洞复现员),这种每次检查漏洞就可以积累排查思路。

 ㅤ

不好岗位的例子:General Helper(通用助手)

因为目标不确定,工作方式或者审批边界也不清晰,你就不好积累。

 ㅤ

这里黄叔还有个经验,每个Bot和一个具体的功能职责或者岗位技能对应上,会比较合适,围绕“目标、工具、方式、边界”至少占三样的岗位去思考。

 ㅤ

像官方说的通用助手这种,就太大了,不好用一个Bot对应。

但还有一个角度,如果一个Bot后续会拉到群聊里,需要多个Bot协作的情况下,不适合功能设的特别细,因为:目前Grok Bot的群聊里最多6个Bot,多个Bot的上下文和任务传递,也会消耗特别多的Token。

 ㅤ

Image

图|给 Bot 一张岗位说明书 一个 Bot 对应一份清楚的责任。

2.4 创建你的第一个Bot

 ㅤ

创建Bot特别简单,点击新建,然后选择创建新Bot就可以

Image

图|从建好 Bot 到第一次交付 第一站的终点,是收到并看过一份可用结果。

Image

接着你可以和它交流,希望他做啥:

Image

 ㅤ

黄叔再给大家几个创建Bot的案例:

 ㅤ

Case 04 创建:让Bot创建Bot,并读取你的记忆

这一步在做:让大管家读你的习惯,然后替你去招别的人。

黄叔的策略是构建一个大管家,甚至我希望它能充分的理解我,这样才能帮我去做很多决策对不对。

 ㅤ

如果大家之前构建了知识库,那就很方便了:

Image

我直接在打开Grok Bot之后的默认Bot里,让它帮我创建Bot,创建好之后,我的分身黄叔分身就诞生了:

Image

 ㅤ

2.5 分享Bot

这一步在做:把你招好的员工复制一份给朋友。

Bot可以进行分享,点击Bot的设置,有一个分享为模板,点击后会给Bot发一条消息,需要等个小10分钟左右才能完成:

Image

分享的是 Bot 的配置副本,方便别人复用角色、Skills 和 Routines;不要把它理解成复制了你的全部记忆与工作环境:

Image

 ㅤ

Image

图|分享出去的是什么 对方得到配置副本,随后接入自己的工作环境。

机制参考(2026-09-05 核对):xAI 官方文档。

分享 Bot 是公开链接,对方在 x.ai 预览后 Add to Grok Bot 得到的是一个副本——不包含你的电脑、登录态和历史。

分享前,要检查并移除配置中的 API key、内部 URL、客户数据。

 ㅤ

有几个细节大家可以参考:

  1. 1.隐藏不等于暂停。Bot可以从侧边栏隐藏,但是如果有任务丢给它,或者有定时任务,它是不会停的。
  2. 2.复制 Bot 带走档案、设置、已启用的 Skills、定时任务 和头像,但是不带对话历史、已学记忆和聊天附件。
  3. 3.分享 Bot 是公开链接,对方在 x.ai 预览后 Add to Grok Bot 得到的是一个副本——不包含你的电脑、登录态和历史。分享前,要检查并移除配置中的 API key、内部 URL、客户数据。
  4. 4.删除 Bot 删的是档案、对话和 Routines,共享电脑上的文件和登录态是不会被清除的。以后可能还用的 Bot,可以选隐藏而不是删除。

 ㅤ

Case 05 创建:GrokBot蓝皮书内容主编Bot

 ㅤ

很有意思的是,比如这一次写这篇蓝皮书,我希望能用Grok Bot来帮助我,其中一个方案就是:

创建一个能够辅助我创作的Bot

Image

接着能做什么呢?

其实围绕着这一篇飞书云文档,都可以随时去讨论:

Image

Image

确实Bot自己就改好了!

 ㅤ

2.6 创建群聊

这一步在做:把邮箱员工、大管家拉进一个群,让他们自己开会。

这是Grok Bot最有想象力(虽然之前已经有其他Agent实现了)的部分,因为在整个丝滑的体系里,黄叔第一次体验到如此自然的群聊机制。

 ㅤ

首先是创建群聊,很简单

Image

接着可以多选添加Bot:

Image

 ㅤ

当然,在已经创建好的群聊里,可以随时添加新的bot:

Image

点击后可以随时添加成员

Image

移除成员也很简单,鼠标挪到成员列表里的某个成员身上即可:

Image

 ㅤ

在群聊里,可以自然发消息,也可以用 @ 明确点名某个 Bot。参与群聊的 Bot 会判断是否回应;需要交接任务时,建议用 @ 说清负责人,避免反复 @ 全员。

Image

 ㅤ

为了让交接更清楚,可以让大管家 Bot 给群里约定:需要下一位接手时,用 @ 点名,并说明任务和交付物。下面截图保留当时的设置过程;其中“未 @ 就看不到”的理解,以上文校正为准:

Image

 ㅤ

Case 06 分身派活

这一步在看:你只跟大管家说一句,它去群里派活再回来汇报。

Image

图|一句话,怎样变成一份交付 每一次交接,都说清负责人、下一步和交付物。

比如我懒得派活了,直接和“黄叔分身”交代任务:

Image

可以看到,它马上狐假虎威的跑去群里开始派活,并且自己会@相关的bot:

Image

看完这张图,你再看上一张,你会发现,他真的拿着群聊里大家干活的结果来跟我汇报。

 ㅤ

群聊里有个值得注意的点:

每一个群里,owner最好只有一个。

 ㅤ

你想,要一个群里几个领导,那谁干活?哈哈哈

 ㅤ

这里目前还有个限制:

你发到群里的消息可以带附件,但 Bot 发到群里的交接消息目前只支持文本。

Bot 要给队友看图,得一对一私发。

 ㅤ

所以可以尝试让Bot先把文件放到工作区,再传递文件路径。

 ㅤ

文件的正路是共享工作区 /workspace——

大小限制:文档、图片、音频各不超过 25MB,视频不超过 200MB。

 ㅤ

大家如果用群聊多了,看Bot之间相互协作的多了,可以更多的发现更好的做法是:

 ㅤ

按业务领域拆 Bot,不按软件拆 Bot。

 ㅤ

比如你不需要一个“飞书Bot”和一个“微博Bot”(可以用一个“多平台分发Bot”)

但你需要一个“蓝皮书内容主编Bot”,和一个“X热点抓取Bot”

 ㅤ

一生二,二生三,三生万物。

我们把上面的基础用法讲清楚之后,下面开始来写实操案例!

第三篇|实操案例(持续更新)

 ㅤ

接下来,黄叔会尝试用双轨制的逻辑来串联内容,一方面用实操案例来让大家理解Grok Bot的用法,另一方面,在实操案例里也更多去表达Grok Bot的产品特点。

 ㅤ

3.1 使用Grok Bot的云端资源干活

 ㅤ

Case 07 视频号提取Bot

开源一个黄叔的全渠道音视频下载+转文字的Skill

 ㅤ

之前我经常在Mac Mini上面跑这个Skill,把视频号链接丢给WorkBuddy、Codex、Zcode都可以很好的转写完成。

但这个Skill有个最大的问题是,比较吃因为电脑使用的是本地离线模型(FunASR)来进行音频转文字,所以在转写线程中会消耗 1.6G 左右的内存。而我的 Mac Mini 总共只有 24G 内存,如果它在我本机上跑的话,会影响我正常的其他使用。

 ㅤ

在有了Grok Bot的云端资源后,我觉得可以让它在云端跑啊!

 ㅤ

确实非常好用,也很快:

Image

 ㅤ

包括可以让它出排版好的PDF:

Image

Image

 ㅤ

并且,可以注意到,它默认就会把导出的PDF,下载到Mac Mini上!

 ㅤ

包括图文混排版本的:

Image

Image

 ㅤ

也就是说,我们完全可以通过Grok Bot的云端资源来帮助我们完成任务,并且最终的任务结果也可以保存到我们的本机上面。

Image

图 N10|重活放云端,结果回本机 按书中案例把处理任务放到云端,完成后再同步可用结果。

 ㅤ

Case 08 视频博主拆解Bot

 ㅤ

进一步,那很多朋友就有一个需求是,那能不能批量地去抓某一个博主的所有视频来去做分析呢?

 ㅤ

之前这件事情我是使用本机的 Zcode 去完成的,但这里有一个很大的问题:

 ㅤ

通常我们要对标的博主,他们的视频会超过 100 条。如果每一条视频都要去转写,包括提取截图,一条一条串行处理(也就是先处理一条再处理下一条),耗时会非常长。

 ㅤ

所以我的策略是同时 4 到 6 路并行处理。但这带来的问题就是上面那个 case 所说的:它会消耗大量的电脑内存。

Image

上图里每一个python3.13都是一个单独线程,因为还有一些任务结束后不能自动结束线程的问题,导致我的电脑经常会因为内存不足卡死,自动重启-,-

 ㅤ

于是我继续想,能不能白嫖Grok Bot的云端资源呀,它可是16G的内存呢!并且也没有别的常驻任务。

 ㅤ

创建专门用来做批量提取的Bot,并且让Zcode总结当前的进度,别在我的Mac Mini上面干了,在云端弄吧 :

 ㅤ

Image

Image

 ㅤ

这里就遇到了新的问题,目前Grok Bot的客户端和本机的连接,经常性会偶发中断。

 ㅤ

我接着想,你不是有云端服务器吗,把所有的文件夹先搬到云端,弄完再给我同步到本地啊!包括之前需要我Mac Mini上面登录抖音,浏览器也吃内存啊!你都给我弄到云端去:

Image

Image

 ㅤ

哈哈哈,这下舒服了,他自己在云端去打开浏览器抓取,然后在云端润色整理。

 ㅤ

3.2 接入DeepSeek API,大幅减少Grok Bot用量

 ㅤ

这里很快遇到了一个新的问题:因为抓取润色工作量太大,所以消耗了大量的 Grok Bot本身的用量:

Image

图 N11|大管家调度,模型和 CLI 执行 按任务分工,把合适的处理交给外部模型或已有工具。

Image

我开始问它有没有什么方案,别说还真可以通过API把DeepSeek接入:

Image

Image

 ㅤ

完成后,它确认Mac连接成功之后,就把云端处理完的内容同步到了本机:

Image

并且处理速度由于DeepSeek效率飞快,整体的进度也大幅提升:

Image

 ㅤ

我特地去看了这两天的DeepSeek API消耗,特别低:

Image

 ㅤ

那就很舒服了!

 ㅤ

3.3 整体大幅降低Grok Bot用量消耗

 ㅤ

Case 09 全面使用Coding Plan大幅降低用量消耗

 ㅤ

okok,那我们可以继续琢磨了,因为Grok Bot的用量虽然是没有公开,但是实践来讲,如果完全用 robot 来跑任务,用量消耗是非常快的。结合我们一开始说的,它其实更适合用来做调度。于是我就想,能不能把智谱的Coding Plan 接进来。

 ㅤ

因为GLM-5.3-Flash非常便宜,速度很快,也是多模态!中文能力非常不错,干嘛不用呢?并且我有Coding Plan!

 ㅤ

价格在WorkBuddy里面,居然是DeepSeek-V4-Flash的1/3!反过来把DeepSeek斩杀了。。。

Image

Image

 ㅤ

我去问了我的大管家,一句话它就自己帮我都配好了:

Image

Image

 ㅤ

我刚刚又问了一下,确实是:

Image

 ㅤ

自从这么调整后,我的Grok Bot用量掉的慢了非常多!

再也不用担心不够用了哈哈哈哈!

 ㅤ

3.4 用群聊完成全自动网站更新

3.5 插件:X

Case 10 全自动更新网站

 ㅤ

在写蓝皮书之前,黄叔做了个非常有意思的尝试,并且成功:

https://grokbot.aihuangshu.com/

Image

 ㅤ

这个网站目前完全是Grok Bot的群聊三个Bot自己叽叽喳喳的完成自动更新的:

Image

 ㅤ

Image

图 N12|三个 Bot,怎样更新一个网站 先看懂整条链,再按下方截图把三个角色接起来。

如何实现的呢?也是完全靠口喷,会说话就行:

 ㅤ

因为Grok Bot比较新,我们需要在AI热点密集爆发的社交媒体:X上去抓取。

安装X的插件

在插件里,搜索X,并完成添加,然后在X插件里,可以登录你的X账号:

Image

Image

 ㅤ

创建“X热点抓取”Bot

接着,新建一个“X热点抓取”Bot,Grok Bot比较聪明,它会根据你创建 BOT 的名称,自行判断对应的可能任务。因为刚才我已经连上了自己的账号,所以它会告诉我连接成功,并且可以去完成一些对应的任务。

Image

 ㅤ

当然可以看到它是默认赠送了一些额度。

 ㅤ

创建“GrokBot开发”Bot

 ㅤ

https://grokbot.aihuangshu.com/这个网站之前我是在Zcode里用GLM-5.3-Flash完成开发的,现在我懒得自己去交代任务了,于是我希望在Grok Bot里创建一个Bot,帮我完成托管:

Image

Image

 ㅤ

一共就几句话,非常简单,它就开始帮我接管了:

Image

Image

 ㅤ

包括它也可以自己接入Cloudflare帮我查看网站数据:

Image

 ㅤ

是不是666?

 ㅤ

开始拉群

 ㅤ

接着,我把 GrokBot开发Bot 和 X热点抓取Bot 两个Bot拉到一个群里,开始交代他们如何干活:

Image

Image

 ㅤ

注意看,总共就几次非常简单的操作,就已经可以定时帮我完成更新了。。。

 ㅤ

离谱!

 ㅤ

让你的大管家来管理群聊

 ㅤ

当然,你可以更加离谱,把大管家“黄叔分身”拉进来,让它帮我们把群聊管起来:

Image

 ㅤ

舒服!!!

 ㅤ

3.6 接入原有工作流

 ㅤ

Case 11 降噪内容协作,自动发布即刻/微博

 ㅤ

黄叔自己还有个站点:aihuangshu点com

降噪,因为现在新资讯太多了,我希望抓出高质量的信息,这样减少大家的fomo

Image

 ㅤ

整个降噪网站,是黄叔之前在社群里做过教程的自动化流程:

Image

 ㅤ

图 R02|原有工作流,先看四步 先保留已有的采集和存储,再接上后续内容协作。

技术细节参考:下方保留改图前的完整流程图;其中工具名属于原有方案。

 ㅤ

 ㅤ

这是一套涵盖从数据获取、存储,再到前端部署上线的流程,感兴趣的大家可以加入黄叔的社群学习。

 ㅤ

我以前有个想法一直没实现的是:

这些高质量的信息,如何形成进一步的传播呢?

 ㅤ

一个解决方案是:基于高质量的信息,做进一步的改写,在各个渠道里让更多人能接触到这些信息。

 ㅤ

那能不能用Grok Bot来实现这一步呢?于是就有了下面的构想:

Image

 ㅤ

图 R03|已有内容,怎样接上后续分发 沿用已有的数据来源,给内容加工和分发补上协作角色。

 ㅤ

整个过程非常简单,下面请看:

 ㅤ

创建一个专属的降噪内容Bot

 ㅤ

非常简单,一样把你的需求描述给Bot,让它帮忙创建

Image

Image

 ㅤ

直接让Bot完成改写:

Image

Image

 ㅤ

创建一个专属的内容分发Bot

直接发布到微博、即刻:

Image

 ㅤ

把分发任务拆分给一个专门的Bot:

Image

 ㅤ

针对微博的内容发布做一些小优化:

Image

 ㅤ

创建一个生图Bot

创建一个生图Bot,并自动拉到群里,要求给出对应的图片:

Image

Image

 ㅤ

自动在群里分配任务,监控

自动在群里交代任务:

Image

Image

 ㅤ

自动完成发布后和我汇报:

Image

Image

 ㅤ

是不是很有意思,无需关注群聊里的交流沟通协作,完成后,你的大管家会回来和你汇报!

 ㅤ

出乎意料的是,基于原有工作流的自动化,在Grok Bot里面很快就完成了。。。

 ㅤ

那么,我还想继续实现的是下面的这个Case,还没完成,大家可以站在董事长的角度去思考,如何实现:

 ㅤ

Case 12 Agent内容自动化工厂

Image

 ㅤ

图 R04|内容工厂:从情报到成品 构想/待验证:两个接入点需要继续实作和验收,下面分别放大。

Image

图 R04a|拟接入①:从素材到教程草稿 构想/待验证:Bot 提供建议和草稿,黄叔继续负责选题判断与实操验证。

Image

图 R04b|拟接入②:从素材到内容成品 构想/待验证:辅助成片与图文派生,仍需人工审阅和发布后核验。

在上面的流程里,两块Grok Bot接入,是否可以实现全自动化?

 ㅤ

黄叔满怀期待的去实现,至于如何实现,作为读者的你,读到这里是不是已经有了思考?欢迎把这些思考融入到你自己的Agent工作流里!

 ㅤ

最后

 ㅤ

Grok Bot作为一个当前阶段封装非常好的Agent,有其非常独特的优势。

除了可以直接解决部分简单任务外,同样可以处理复杂任务,当然,如果以一个调度器和自动化的角色接入到先前的Agent工作流,无疑是成本非常低且使用异常简单的:

Image

 ㅤ

 ㅤ

随着更多的使用,以及和各位大佬的学习,相信我和大家,对于如何用好Agent,用好Grok Bot来解决实际问题,有更多的理解,是的,我们蓝皮书会持续更新!希望你不时回来查看,可以持续有收获:)

跳转微信打开

人生周报v089

2026年9月6日 22:36

原创 李继刚 2026-09-06 22:36 北京

「一襟幽事,砌蛩能说。」

《剑来》里,陈平安遇到眼前一亮的句子,会一笔一画刻在竹简上,时不时拿出来晒晒太阳,翻拣重读。

以陈平安为师,我想记录一下每周在这世上遇到的好句子。

每周读到的好句子,收下来晾一晾 —— 是以有「读」。

心里总有话忍不住想对这个世界讲 —— 是以有「说」。


读

Most people use AI backward.

For any document or presentation:

Don’t start with AI and then edit its draft.

Start with your own draft. Then ask AI to analyze and improve it while preserving your style.

X @MoZarrinsadaf

Memory, not compute, is the rate limiter of the Agentic Era.

X @PeterDiamandis

衡量聪明程度的一个信号可以是多快进入对方的 context 里。

即刻 @julian

经常阅读的人,哪怕安静坐着,也在悄悄进行一场体内的春天。

即刻 @大黑天

退休不是终极目标啊,尽快找到/创造出一份 90 岁都不想离开的工作才是

即刻 @老黄牛

  • Don’t stop having fun(fun is velocity)

  • Fix what annoys you

  • Stay focused

AI 时代个人项目三原则

即刻 @志达

写作的瓶颈其实是阅读的瓶颈。

即刻 @方六

如果今天最一线的 VC ,把所有的路演的语料都存下来,甚至是语气,把所有合伙人的打分和判断也存下来,都喂给大模型,几年后,按照是否有好的融资、是否有好的 IPO 再来标一遍数据。

这个模型会不会超过大多数 VC?

即刻 @吴炳见_bj

很多人习惯把知道某事物的名称和理解它混为一谈。

即刻 @笑里不藏刀老老王

说

心里升起关心某个人的念头时,立马去做。

每个群,某种程度上是群主在某一话题上的审美外显。

在每个群里都发推广,「在所有地方,都做自己」,是一种「目中无人」,你并没有看到「这个群」,目之所及只有流量。

「看见」对方,很难吗?

模型厂商进入了红皇后效应的博弈局面:「落后即死」。

大家觉得太快有点晕车,想踩一脚刹车也不行,这个局面不允许。

只有拼命奔跑,才能继续活在牌桌上。

《技术革命与金融资本》里对「泡沫」的解读:

泡沫是新技术进入旧世界时,唯一能把基础设施铺过头的方式。

世界仿佛有无数个彼此重叠的图层。

面对同一个场景,每个人都会用自己的经验、记忆与欲望重新渲染。于是,我们看似身处同一个现实,实际活在截然不同的世界里。

把「群」视作一个「大模型」,每个人的发言都是一条 Prompt

幸福是一种经验,而不是一个判断。

他者对投射的抵抗,才让我们第一次看见他者。

书

本周推荐书籍《山海提灯》(跃千愁著)。

这是一本网络小说。上个月做「博弈论」主题阅读时,不断回想起这本小说中主角的各种决策:原来主角是个博弈论高手。

《剑来》读完之后,我最近比较沉迷的一本新书,推荐。

跳转微信打开

一个人、两周、数百美元,如何训出登顶 Hugging Face 的模型|42章经

2026年9月6日 21:00

原创 曲凯 2026-09-06 21:00 北京

模型的价值会慢慢地往应用公司让渡?

本期节目的嘉宾逯雨鑫是 Mind Lab 的研究员。此前,他以个人开发者的身份,仅花费数百美元,后训练出了两个登顶 Hugging Face Model Trending 榜的模型。

本期播客原文约 15000 字,本文经过删减整理后约 4800 字。

曲凯:今天大多数人还是觉得训模型是一件非常难的事情,不知道有哪些步骤、具体该怎么做。大家印象中,训模型的人一般也都是各种 PhD、researcher 之类的。但雨鑫你其实不是 AI PhD,此前也没有 AI Lab 的训练经验,为什么能训出两个登顶 Hugging Face 开源模型榜首的小模型?

雨鑫:其实要训出能在工业界用起来的模型,路径是很明确的,没有大家想象中那么难。只要自学一些基础,再加上现在各种 AI 工具的加成,很多人都可以做到。

曲凯:你训练这两版模型,大概花了多少时间和钱?

雨鑫:第一版花了 5 天左右,第二版时间长一些,大概两三周,然后总共花了几百美元。硬件上,我就用了一张 5090。现在租一张 5090,每小时可能只要一两美元,真正训练一次也就是十几个小时。即便迭代几版,硬件成本也不会超过 100 美元。软件上,我用了一个 200 美元的 Claude Max Plan,主要用来合成目标领域的数据。

曲凯:最后训练出来的效果怎么样?

雨鑫:我的模型主要针对 agentic 场景,把对应的 benchmark 从底座模型的 15 分提升到了 55 - 60 分左右。

不过,个人或应用公司训练模型,往往需要做一些取舍。在资源有限的情况下,你可以让模型在目标能力上变强,但其他 benchmark 或多或少会下降。

曲凯:我能不能简单理解成,你的做法就是用更强的 teacher model 生成数据,通过 SFT 蒸馏出一个特定领域的小模型,让它在某些任务上比原来的底座更强?

雨鑫:是的。

曲凯:这听起来并不复杂,但为什么这件事还没有大众化?是我们有盲区、其实很多人已经在做,还是确实做的人不多?

雨鑫:确实没有那么多人做,最主要的原因是大家认为它非常复杂。但其实这件事的流程没有那么难,总共可以分成五步。

第一步:明确自己要做什么。

很多个人开发者上来会先追热点,或者盲目刷 benchmark。但更应该从自己的真实需求出发,想明白要提升模型哪方面的能力。我的项目能火起来,就是因为抓住了有真实需求的场景,选定了 coding 和 agentic 这两个方向,所以模型发布后有很多下载和使用。

第二步:选底座模型。

这里要考虑模型架构、语言能力和具体场景。比如我用的是 Gemma 4 12B,当时就遇到了一些问题,比如它的中文能力比较差、有时会说粤语,而且架构没那么主流,训练过程会很麻烦。

我个人体感上,Qwen 是坑相对比较少的开源模型。

第三步:设计数据管线。

我用到的数据大概有三类:一种是合成数据,就是让一个模型扮演用户,另一个模型回答;一种是开源数据,在 Hugging Face、ModelScope 这样的平台上其实有很多;还有一种是自己或其他真实用户的使用轨迹。我自己用到的真实数据,很多是关注我这个模型的用户主动贡献的。

然后我有一个比较大的经验是,合成数据可能没有那么好,它更像靶向药,适合定向解决某个问题。实际训练时,我 60% - 70% 还是用的真实轨迹数据,遇到具体问题时才用合成数据。

举个例子。我训练时会遇到模型过度自信的问题,就是跑 benchmark 时,模型明明没有真的完成任务,却说自己完成了。要解决这个问题,很难从公开或者日常使用数据中找到合适的选择,就得有针对性地去合成。

第四步:决定训练方法。

现在工业界比较流行的有两种做法,一种是 SFT,简单来说就是把 teacher model 的能力蒸馏到小模型里,实际效果取决于数据质量;另一种是 RL,被吹得很神,但我个人觉得效果不如前者。

当然还有很多别的方法,比如 OPD(On-Policy Distillation)。但我感觉 RL 和 OPD 的成本都比较高,更适合锦上添花。对很多应用公司和个人来说,SFT 配上好的数据,就已经能完成很多工业场景里的目标了。我自己也是只选择了 SFT 去训练。

第五步:用特定的 benchmark 测试效果并迭代。一版训练出来的效果不好,就从错题和失败轨迹里找原因,调整数据,再训练下一版。

这整套流程并不复杂。过程中需要的训练脚本、数据、benchmark 和环境等,基本都有开源或第三方服务的解决方案。你可以去找合适的方案,把代码拉下来,再借助 agent 改成适合自己模型的版本。实际训练也很快,几个小时就能跑一版。

其中最大的、甚至唯一的难点和卡点就是数据。我自己 95% 的时间都花在这一环。

曲凯:具体难在哪?

雨鑫:难在你得看懂数据出了什么问题,以及该用什么数据去改变它。

拿合成数据来说,现在的模型还不能稳定地合成高质量数据,需要大量人工审核。我做 V2 时花了更多时间,主要就是因为要审数据。假设合成了 5000 条数据,我可能要自己抽查 500 条,然后告诉模型有什么问题,让它重新生成,再继续检查。

曲凯:那你总共用了多少条数据?

雨鑫:我总共整理了接近一万条数据,清洗、筛选之后,用于训练的有几千条。对特定领域的小模型来说,这个量就已经可以产生明显效果了。

曲凯:我们之前和人交流时,经常听人讲,你没办法预先评估数据的效果,都得拿去训练,再回头改。你的经验是怎样的?

雨鑫:这件事确实没什么捷径,只能不断测试和迭代。而且一版没有达到预期非常正常,继续做就好了。

如果你看数据就知道它有问题,那这版训练大概率也不对。

而且即使你和 AI 都检查过,自己抽样也觉得很好,训练出来仍然可能有问题。这背后的一个重要原因是 capacity gap,也就是 teacher model 太强、学生太弱。比如你要把一个 3T 的模型蒸进一个 12B 小模型,很多能力小模型根本学不来。

曲凯:那怎么评估蒸馏的好坏?从工业级角度看,是不是怎么有效、怎么成本低就怎么来?那最基础、最简单的所谓「硬蒸」,是不是反而最好?

雨鑫:评估数据和蒸馏的标准是一样的,就是看你的操作和目标是不是对齐的。

举个例子,假设你想提升模型的安全边界,却只围绕 benchmark 做数据,那即使分数涨了,也不算好的蒸馏。相反,只要你知道自己想做什么,最后也真的把模型的分布往那个方向拉了,即使其他 benchmark 掉分,也是好的蒸馏。

曲凯:明白。那一家公司自己训练一个小模型,大概要多少钱?

雨鑫:几千到一万元人民币以内,就能训练出一个比较符合需求的小模型。如果要训练大一点的模型,卡量就得跟上,可能需要十几万到二十万元。

不过这里说的只是训练成本。真正部署给用户调用是 serving 端的事,里面还有很多坑,需要考虑 infra 架构、并发量和硬件等问题。如果只是几路或十几路并发,我估计一个小模型加一台 H200 就够了。

曲凯:那你觉得未来训练模型会不会变成中大型公司的标配,就像互联网时代都要做前后端一样?

雨鑫:我觉得会。中大型公司配一个三四人的小团队就行,成本主要就是这几个人的工资以及显卡。

小公司如果暂时没预算,可以先找 AI Lab 或第三方服务商合作。等自己的应用真正起来,有了几百万、几千万用户,再组建内部 AI 团队。

不过,我觉得自己训练模型的成本还会继续下降。现在显卡和内存价格还在高点,部分原因是供应没有跟上 AI 的需求。但随着供应跟上,显卡可能像早期的手机流量一样,一开始很贵,后来越来越便宜,最终甚至成为不限量的基础设施。

曲凯:既然每个环节都有第三方或开源方案,为什么还没有人把它们整合成一套完整的 pipeline,让普通人不用学习每个环节,也能训练出自己的小模型?

雨鑫:训模型可能确实会逐渐商品化,你说的也是很多公司都想做的事。其实海外也已经有 Unsloth 这样的公司。包括 Hugging Face 上的 Jobs 平台,也在做这件事。

目前这种服务的价格还不算便宜,infra 和 serving 也有不少问题。而且即便有这样的方案,数据仍然是最重要的一环。训练脚本可以标准化,但理解业务、发现模型的问题、知道该造什么数据,还是需要人来做。

曲凯:那未来 AI 应用公司和模型公司之间的关系会怎么变化?

雨鑫:我觉得 AI Lab 的数量会减少,但少数头部 AI Lab 仍会成为赢家,并掌握很高的价值。一方面,pre-training 依然得有 AI Lab 来做,因为这件事非常吃资源,应用公司未必能搞定。另一方面,很多早期应用公司得先把产品跑起来,再组建团队训练模型。那在此之前,这些公司还是要找 AI Lab 提供服务。

曲凯:你描述的好像还是当下的状态?但如果按照我们刚刚的推理,未来会有很成熟的训练模型的解决方案,应用公司训练模型的门槛可能会比你刚刚讲的低很多?

以及我自己的感觉是,现在 AI Lab 在明确追求更高 level 的事情,比如解决诺贝尔级别的科学问题、AI4S 或具身等问题,或者解锁一些我们现在没想到的场景。而对于很多日常场景来说,也许大家基于开源模型做一个内部模型,就够用了。

所以最近美国红杉也在讲,AI 应用公司未来反而会变成 Neo Lab。

雨鑫:是。至少后训练很可能逐渐被应用公司接管,因为应用公司离用户更近,拥有最真实的数据,也不愿意把自己的核心数据交给别人。那么行业里领先的应用公司,确实可能会长成 Neo Lab 的样子。而且其中的中大型公司,甚至也可能向更小的公司提供 API 或 token plan。

曲凯:这很像推荐算法时代发生过的事情。字节这样的公司是先有应用、场景、商业闭环和用户数据,才有了更好的推荐算法。你很难找到一家第三方公司,说我只做推荐算法。

这也解释了为什么 AI Lab 愿意花很多钱买数据。现在很多人可能还没有意识到数据的价值,就像移动互联网早期,大家不理解为什么公司要花很高的成本买用户,后来才发现越早获取,成本反而越低。

雨鑫:对。AI Lab 买数据,其实就是想知道用户会提出什么问题、AI 在真实场景里怎样完成任务。所以有些公司让用户免费体验新模型,一方面是为了宣传,另一方面也是为了收集真实使用数据,用来迭代下一代模型。

曲凯:是。然后过去一段时间一直有个论调,觉得模型好像会吃掉一切,应用公司的价值很低。前几周,我们录了一期复盘 AI 应用的节目(回顾:https://mp.weixin.qq.com/s/sgZ8z57wmD01N48Qjhcp6g),当时我也比较悲观。

但最近聊下来,我反而觉得 AI Lab 和应用公司的价值都在上升。未来某个时间点,模型的价值可能会逐渐向应用公司让渡。

最后我们再聊聊 Local AI 吧。你觉得这会是一个 PC 级别的机会吗?因为计算机刚出现时,一台机器可能要占满整个房间,后来变成每个人都有一台 PC。AI 会不会也从全球只有几家大模型公司,走向每个人都有一个运行在电脑、手机或其他端侧设备上的模型?

雨鑫:我觉得一定会,而且已经在往这个方向发展。

一个非常重要的驱动力就是数据安全。你在调用上游 API 时,数据一定要流经服务提供方。所以对数据敏感的个人和公司会越来越倾向于 Local AI。这里也提醒大家,一些来路不明的中转站价格看起来很便宜,但存在很大的数据泄露风险。

这可能也是为什么千问一直在发布小模型。随着芯片和统一内存继续升级,本地能运行的模型会越来越大,能力也会越来越强,未来很多人都会有自己的本地模型。

陈皮:抱歉我插个问题。我是陈皮,在42章经做内容。我想问,用户最终会不会还是会追求 SOTA?假设 OpenAI、Anthropic 一直在发布最前沿的模型,即使本地模型已经足够完成日常工作,人们真的愿意使用一个离 SOTA 还有差距的模型吗?

雨鑫:这确实是 Local AI 现在最现实的问题。我自己的 Local AI 使用率也不算高,因为它确实还会犯错,能力没有最前沿的模型强。

但 Local AI 的优势有三点:

一是前面提到的,很多人对数据隐私的需求确实很强烈;

二是在一些领域,比如网络安全、生物领域,SOTA 模型会有拒答的问题,所以即使本地模型不是 SOTA,一些用户还是愿意使用,或者说不得不使用;

三是本地模型更便宜。举个例子,我很喜欢武侠小说,会想用 AI 续写或者改编,但这种任务的 token 消耗特别大。如果全部调用 API,成本可能非常高,而用 Local AI 就不太需要额外支付 API 成本,很划算。

曲凯:我补充一个思考角度,就是对用户来说,到底什么算是 SOTA?今天模型能力已经足够解决很多问题了,那继续追求更好的模型,从性价比上未必一直 make sense。就像很多人觉得 4G 已经够用,不一定非要 5G、6G。

雨鑫:不过很多人确实会盲目追求最强的智能,不管自己是否真的需要。

曲凯:但我觉得,最后可能还是豆包这样的产品用户更多。真正关心模型极致能力的人还是少数,大多数用户更关注产品用起来方不方便、性价比是不是足够高。而且 Local AI 未来也未必需要人主动选择,而是会直接被应用公司和硬件公司做进产品里。

最后,在训练模型这块,雨鑫还有什么想补充的吗?

雨鑫:有三个建议。

一是,如果个人或应用公司对训练模型感兴趣,最好的开始时机可能就是现在。因为如果有一天,模型厂商不再开源好的小模型,将会对应用公司造成很大的打击。所以对有预算的中大型应用公司来说,现在就开始基于优秀开源模型做后训练、持续迭代,是更稳妥的选择。

二是,虽然可以借助 AI,但不要过度相信 AI。遇到问题要及时查真实资料,或者看开源社区里已经成功的案例。

最后,别太快放弃。自己训模型的流程里,每个环节都会遇到坑,这非常正常,一版一版迭代就好。

【活动预告🥳】

9 月 12 日,我们会请到雨鑫做一场线上活动,感兴趣的朋友欢迎点击链接或扫描下面的二维码,一起来认识&交流!

42章经

思考事物本质

跳转微信打开

❌