即刻App年轻人的同好社区
下载
置顶👋🏻 Hey my friends！我是Atta ☺️
尝试用@飞书 搭建个人知识库中…
大框架已定，里面的内容陆续完善 🍵
地址：sjej6am2vg.feishu.cn
作为供职企业中台多年的品牌人/企划人，日常视角关注互联网、企业经营、品牌价值塑造、产业趋势等信息。
页面索引主要分为四大类：人物「Portraits」、创新公司「Zero to One」、领域「Area」，以及我每周的个人邮件组。
感兴趣的小伙伴可随意逛逛，电脑端阅读体验更佳 🤣
欢迎吐槽与指正！~
🍎 免费订阅我的每周邮件组 😝
🚀 高手方法论
41: 如何聪明地做笔记
attappletree.zhubai.love
49: Steve Pavlina 聪明人的个人成长原则
attappletree.zhubai.love
15: 学习如何学习 学霸们的10条高效用脑 tips
attappletree.zhubai.love
11: 高手的阅读与读书笔记法
attappletree.zhubai.love
18: 思考如何思考 「批判性思维」学习的6条 takeaways
attappletree.zhubai.love
🤹🏼 商业、互联网与实体零售
50: 《李想·千亿爆款产品实战》reading notes
attappletree.zhubai.love
33: 好的产品经理 糟糕的产品经理 | Netscape网景PM培训
attappletree.zhubai.love
30: chatGPT是一本圣经 创业场景可以是圣经的一个章节 | Podcast takeaway
attappletree.zhubai.love
58: 商业计划书（BP）撰写 Notes
attappletree.zhubai.love
43: 清华营销课笔记：4大经典营销工具
attappletree.zhubai.love
14: 哈佛经典 | 迈克尔·波特《什么是战略》 reading notes
attappletree.zhubai.love
59: 实体零售生意笔记 社区零售、日系便利店
attappletree.zhubai.love
🌊 大公司与大人物
64: 《Acquired》对谈英伟达 CEO 黄仁勋
attappletree.zhubai.love
26:「星际梦想家」马斯克
attappletree.zhubai.love
23: 「造钟人」乔布斯
attappletree.zhubai.love
24: 「创意机器」皮克斯
attappletree.zhubai.love
12: 读新加坡国父李光耀 强政府的“硬道理”
attappletree.zhubai.love
尝试用@飞书 搭建个人知识库中…
大框架已定，里面的内容陆续完善 🍵
地址：sjej6am2vg.feishu.cn
作为供职企业中台多年的品牌人/企划人，日常视角关注互联网、企业经营、品牌价值塑造、产业趋势等信息。
页面索引主要分为四大类：人物「Portraits」、创新公司「Zero to One」、领域「Area」，以及我每周的个人邮件组。
感兴趣的小伙伴可随意逛逛，电脑端阅读体验更佳 🤣
欢迎吐槽与指正！~
🍎 免费订阅我的每周邮件组 😝
🚀 高手方法论
41: 如何聪明地做笔记
attappletree.zhubai.love
49: Steve Pavlina 聪明人的个人成长原则
attappletree.zhubai.love
15: 学习如何学习 学霸们的10条高效用脑 tips
attappletree.zhubai.love
11: 高手的阅读与读书笔记法
attappletree.zhubai.love
18: 思考如何思考 「批判性思维」学习的6条 takeaways
attappletree.zhubai.love
🤹🏼 商业、互联网与实体零售
50: 《李想·千亿爆款产品实战》reading notes
attappletree.zhubai.love
33: 好的产品经理 糟糕的产品经理 | Netscape网景PM培训
attappletree.zhubai.love
30: chatGPT是一本圣经 创业场景可以是圣经的一个章节 | Podcast takeaway
attappletree.zhubai.love
58: 商业计划书（BP）撰写 Notes
attappletree.zhubai.love
43: 清华营销课笔记：4大经典营销工具
attappletree.zhubai.love
14: 哈佛经典 | 迈克尔·波特《什么是战略》 reading notes
attappletree.zhubai.love
59: 实体零售生意笔记 社区零售、日系便利店
attappletree.zhubai.love
🌊 大公司与大人物
64: 《Acquired》对谈英伟达 CEO 黄仁勋
attappletree.zhubai.love
26:「星际梦想家」马斯克
attappletree.zhubai.love
23: 「造钟人」乔布斯
attappletree.zhubai.love
24: 「创意机器」皮克斯
attappletree.zhubai.love
12: 读新加坡国父李光耀 强政府的“硬道理”
attappletree.zhubai.love
101 1030
如何更快地收获10倍成长？
《10X is Easier than 2X》里有一小节，标题是：「The Gap and The Gain」 差距思维和收获心态
（原谅我这个蹩脚的翻译😅）
🧑🏻🦯
Gap（差距思维）是你用一个理想的标准去衡量你现在的处境，这种思维方式非常普遍，以至于它已经成为了大多数人的常态。就像小孩子看到今晚的饭菜不是他们想吃的时候会闹脾气一样。
当你在这种差距状态中，你的过去都是问题，因为你没有达到你*应该*达到的位置，在这种时候，追求 10 倍增长将会是一种创伤，你的目标不会激励你，反而会让你筋疲力尽。
当然，很多有差距思维的企业家会为这种心态辩护，正是因为他们“永不满足”，他们才能成功；但作者说，如果为了追求理想付出过高的代价，往往会错过此时此刻。
🎁
你应该为自己培养一种 Gain（收获）的心态。
去回顾起点到*现在*位置收获的成长，而不是去衡量你现在到*想要*位置的差距。
这种回顾性的评价才能让你认可并欣赏自己的成长，这种自信和前进的动力对于实现 10 倍增长至关重要，它能帮你正确看待自己的位置和现在的情况。
🚀
你取得的进展远比你感觉的要多，定期反思、欣赏并衡量这些进展，能帮你减轻追求高倍目标的压力，并在你糟糕的日子里也能激励你。
定期回顾自己的进步能帮你真正享受自己的人生旅程，这些积极情绪能显著提高你的创新思维、决策质量、工作表现和自主能力。
极具希望和动力的人会不断从未达成的目标中汲取反馈以调整他们的行进路径，他们能把每一次经历都当成学习、提升和改进的契机。
🔮
你可以用最简单的方式培养收获心态（Gain）：
在每天结束时，记录下当天的三个胜利✌🏻
这些胜利可以是你从某段经历中学到的教训（即使是不顺利的经历）；可以是某个目标实现中的微小进展；也可以是一些愉快的生活体验……
通过聚焦生活中每一个小成就，你会逐渐感受到自己总是在赢，然后开始从每一段经历中看到并创造出更多的成就，进而创造更多的收获。
📈
你也可以针对不同时间段来评估成长和进步，以下是一些帮助梳理和反思的问题：
·在过去三年中，你个人有哪些成长？
·过去12个月里，你学到了哪些重要的东西？
·在过去的一年里，你实现了哪10项重要成就？
·在最近的90天内，你有过哪些特别有意义的经历？
·与90天前相比，你对自己的目标和愿景的认识有多少提升？
·过去30天里，你的生活在哪些方面发生了变化，变得更好了呢？
·在最近一周内，你取得了哪些显著的进步？
·在过去的一天里，你有哪些进展？
在追求10倍增长的路上，你的进步可能比你自己意识到的还要多，定期回顾能帮你清晰感受到这些进步，并转化为更多的成长、也能避免重复无谓的错误。
🎢
最后，“你未来的潜力取决于你如何评估自己过去的成就。只有在你充分认识到自己已经取得了多大进步，并正确评价了这些成就后，才能继续前进和成长。”
《10X is Easier than 2X》里有一小节，标题是：「The Gap and The Gain」 差距思维和收获心态
（原谅我这个蹩脚的翻译😅）
🧑🏻🦯
Gap（差距思维）是你用一个理想的标准去衡量你现在的处境，这种思维方式非常普遍，以至于它已经成为了大多数人的常态。就像小孩子看到今晚的饭菜不是他们想吃的时候会闹脾气一样。
当你在这种差距状态中，你的过去都是问题，因为你没有达到你*应该*达到的位置，在这种时候，追求 10 倍增长将会是一种创伤，你的目标不会激励你，反而会让你筋疲力尽。
当然，很多有差距思维的企业家会为这种心态辩护，正是因为他们“永不满足”，他们才能成功；但作者说，如果为了追求理想付出过高的代价，往往会错过此时此刻。
🎁
你应该为自己培养一种 Gain（收获）的心态。
去回顾起点到*现在*位置收获的成长，而不是去衡量你现在到*想要*位置的差距。
这种回顾性的评价才能让你认可并欣赏自己的成长，这种自信和前进的动力对于实现 10 倍增长至关重要，它能帮你正确看待自己的位置和现在的情况。
🚀
你取得的进展远比你感觉的要多，定期反思、欣赏并衡量这些进展，能帮你减轻追求高倍目标的压力，并在你糟糕的日子里也能激励你。
定期回顾自己的进步能帮你真正享受自己的人生旅程，这些积极情绪能显著提高你的创新思维、决策质量、工作表现和自主能力。
极具希望和动力的人会不断从未达成的目标中汲取反馈以调整他们的行进路径，他们能把每一次经历都当成学习、提升和改进的契机。
🔮
你可以用最简单的方式培养收获心态（Gain）：
在每天结束时，记录下当天的三个胜利✌🏻
这些胜利可以是你从某段经历中学到的教训（即使是不顺利的经历）；可以是某个目标实现中的微小进展；也可以是一些愉快的生活体验……
通过聚焦生活中每一个小成就，你会逐渐感受到自己总是在赢，然后开始从每一段经历中看到并创造出更多的成就，进而创造更多的收获。
📈
你也可以针对不同时间段来评估成长和进步，以下是一些帮助梳理和反思的问题：
·在过去三年中，你个人有哪些成长？
·过去12个月里，你学到了哪些重要的东西？
·在过去的一年里，你实现了哪10项重要成就？
·在最近的90天内，你有过哪些特别有意义的经历？
·与90天前相比，你对自己的目标和愿景的认识有多少提升？
·过去30天里，你的生活在哪些方面发生了变化，变得更好了呢？
·在最近一周内，你取得了哪些显著的进步？
·在过去的一天里，你有哪些进展？
在追求10倍增长的路上，你的进步可能比你自己意识到的还要多，定期回顾能帮你清晰感受到这些进步，并转化为更多的成长、也能避免重复无谓的错误。
🎢
最后，“你未来的潜力取决于你如何评估自己过去的成就。只有在你充分认识到自己已经取得了多大进步，并正确评价了这些成就后，才能继续前进和成长。”
13 07
我以前总是觉得在职场中能力是最重要的，也很认同 π 型人才、T 型人才那一套理论；
现在发现其实不是，需求才是最重要的，企业要满足市场需求、人就得满足企业需求。
那些位置得有人，一个萝卜一个坑，你解决不了那个坑的问题，就得找个能解决的人填上，至于能力如何，先满足企业基准线以上的生存再说。
更何况不同企业对人才有不一样的评估标准、薪酬体系，未必你觉得强的，企业就能用得上；未必你觉得不行的，就填不了那个坑。
** 当然说这些也不是说能力不重要，只是更前置需要考虑的还是需求本身。
前置条件是一切的顶层设计。
现在发现其实不是，需求才是最重要的，企业要满足市场需求、人就得满足企业需求。
那些位置得有人，一个萝卜一个坑，你解决不了那个坑的问题，就得找个能解决的人填上，至于能力如何，先满足企业基准线以上的生存再说。
更何况不同企业对人才有不一样的评估标准、薪酬体系，未必你觉得强的，企业就能用得上；未必你觉得不行的，就填不了那个坑。
** 当然说这些也不是说能力不重要，只是更前置需要考虑的还是需求本身。
前置条件是一切的顶层设计。
8 01
向多邻国学习的一篇 🤭❤️🔥
sjej6am2vg.feishu.cn
sjej6am2vg.feishu.cn
8 06
People love brands when they understand why those brands exist, not what they are. （Sean Feeney）
“人们对品牌的喜爱源于他们理解这个品牌的存在意义，而非仅仅知道这个品牌是什么。”
“人们对品牌的喜爱源于他们理解这个品牌的存在意义，而非仅仅知道这个品牌是什么。”
4 00
多邻国对AI的使用和产品优化，听着怎么这么像最近更新的 CallAnnie 😅😅
🎧播客中投资人Thaiha的 Free talk👇🏻
来自这期：podcasts.apple.com
“多邻国早在 AI 热潮前就一直在使用 AI，用户每天在多邻国上完成超过10亿次练习，团队能够利用这些数据开发 AI 模型，使用户更加投入并且把他们教授得更好。
他们开发了一个 Birdbrain 的 AI 模型，用于预测学习者对特定练习题的正确答题概率。
多邻国用 Birdbrain 的预测来灵活设计课程，根据每位学习者的具体水平进行个性化调整，确保每个练习都恰到好处地符合学习者的难度水平。
他们认为，练习题的正确答题率达到 80% 是较为理想的，这样能够提升用户的参与度，因为过于简单或困难的练习只会让用户感到枯燥或挫败。
多邻国最近与 OpenAI 合作，推出了一个新的订阅等级——Duo Max，引入了生成式人工智能（generative AI）的新功能。
其中一个我觉得特别有趣的功能是角色扮演，用户可以与由生成式AI支持的多邻国进行实时对话。
这样，用户可以根据不同的情节发展，体验各种真实的生活场景，比如在巴黎街头问路或者点咖啡，从而提高他们的会话能力。如果他们在对话中遇到难题，系统会推荐适当的词汇和短语帮助他们继续对话。
在每次对话结束时，会根据用户使用的词汇多样性或者他们未来可以改进的方面给出评分。
多邻国希望通过匹配对话难度和用户的熟练程度，以及减少 AI 响应的延迟时间来进一步优化这项服务。”
🎧播客中投资人Thaiha的 Free talk👇🏻
来自这期：podcasts.apple.com
“多邻国早在 AI 热潮前就一直在使用 AI，用户每天在多邻国上完成超过10亿次练习，团队能够利用这些数据开发 AI 模型，使用户更加投入并且把他们教授得更好。
他们开发了一个 Birdbrain 的 AI 模型，用于预测学习者对特定练习题的正确答题概率。
多邻国用 Birdbrain 的预测来灵活设计课程，根据每位学习者的具体水平进行个性化调整，确保每个练习都恰到好处地符合学习者的难度水平。
他们认为，练习题的正确答题率达到 80% 是较为理想的，这样能够提升用户的参与度，因为过于简单或困难的练习只会让用户感到枯燥或挫败。
多邻国最近与 OpenAI 合作，推出了一个新的订阅等级——Duo Max，引入了生成式人工智能（generative AI）的新功能。
其中一个我觉得特别有趣的功能是角色扮演，用户可以与由生成式AI支持的多邻国进行实时对话。
这样，用户可以根据不同的情节发展，体验各种真实的生活场景，比如在巴黎街头问路或者点咖啡，从而提高他们的会话能力。如果他们在对话中遇到难题，系统会推荐适当的词汇和短语帮助他们继续对话。
在每次对话结束时，会根据用户使用的词汇多样性或者他们未来可以改进的方面给出评分。
多邻国希望通过匹配对话难度和用户的熟练程度，以及减少 AI 响应的延迟时间来进一步优化这项服务。”
4 01
重新看了一遍Tim Ferriss《改变我人生的17个问题》，还是很有收获，完整版本整理到知识库了，需要可阅☺️：sjej6am2vg.feishu.cn
216 14136
「AI的下一个重大突破将源自于能够理解视觉世界及其变化的系统，因此我们启动了“通用世界模型”（general world models）的新长期研究。」
research.runwayml.com
🎬 在Runway官网的一条3分钟视频中看到对「通用世界模型」的形象解释，脚本如下：
假设未来AI革命的新前沿，真正能够开启创新时代的模型，是那些更像我家狗狗Reuben那样思考的AI模型。
大语言模型（LLMs）现今已无处不在。它们可以创作诗歌、文章乃至电影。这些模型还能帮助我们头脑风暴，寻找新想法或新素材。
它们的工作原理是预测文本序列中的下一个标记（Token），比如预测句子中的下一个词。
显然，模型掌握的语句越多，其生成新语句的能力就越强。随着预测能力的增强，它们对世界及其模式的理解也越来越深入。
这些大型模型为人工智能领域带来了全新的范式：大模型加大数据，带来了对世界更深的认知。
但LLMs只能理解语言。如果我们把这种大数据和大模型的方法应用到视频生成上会怎样呢？这就是我们所称的通用世界模型（GWMs）。
我们认为，它们是下一个重大的突破。与LLMs相似，通用世界模型处理的是大量数据，不仅限于文本，还包括视频、图像和音频——这些都是理解世界如何运作所必需的。
有了这些信息，模型就会为自己构建一个心智地图。这时候就轮到我的狗狗Reuben出场了。
Reuben根据他所了解的事物，也形成了一个世界的内部模型。例如，他知道如果沿这条路走，我们去公园的可能性就会更大；如果走另一条路，就会遇到一只总是怪怪地看他的狗。他还知道在某个地点通常会有鸡肉碎屑，以及哪些被称作宠物店的地方会有他喜欢的零食。一旦到了公园，就会发生许多狗狗间的嗅探行为😊。
凭借这些数据——视觉、声音和事物之间的关系——Reuben能够像通用世界模型一样，预测某些结果并调整他的行为。
最令人惊叹的是，这些模型能够将其对世界的理解推广到新的、未见过的数据上。它们知道如何根据对世界的了解来预测未来，就像Reuben知道避开那些看他不顺眼的狗，并且知道怎样带我们进入他从未去过的宠物店一样。
我们相信，通过训练这些模型预测序列中的下一个画面或标记，这些模型将学到关于世界的更多细节，包括“为何”和“如何”等问题。
这意味着不久的将来，通用世界模型将使我们能够模拟出更贴近现实或像Reuben在他小小的脑海中构建的那些世界。
因此，是的，AI的下一波前沿将更加类似于我们现在所讨论的这种形式。
research.runwayml.com
🎬 在Runway官网的一条3分钟视频中看到对「通用世界模型」的形象解释，脚本如下：
假设未来AI革命的新前沿，真正能够开启创新时代的模型，是那些更像我家狗狗Reuben那样思考的AI模型。
大语言模型（LLMs）现今已无处不在。它们可以创作诗歌、文章乃至电影。这些模型还能帮助我们头脑风暴，寻找新想法或新素材。
它们的工作原理是预测文本序列中的下一个标记（Token），比如预测句子中的下一个词。
显然，模型掌握的语句越多，其生成新语句的能力就越强。随着预测能力的增强，它们对世界及其模式的理解也越来越深入。
这些大型模型为人工智能领域带来了全新的范式：大模型加大数据，带来了对世界更深的认知。
但LLMs只能理解语言。如果我们把这种大数据和大模型的方法应用到视频生成上会怎样呢？这就是我们所称的通用世界模型（GWMs）。
我们认为，它们是下一个重大的突破。与LLMs相似，通用世界模型处理的是大量数据，不仅限于文本，还包括视频、图像和音频——这些都是理解世界如何运作所必需的。
有了这些信息，模型就会为自己构建一个心智地图。这时候就轮到我的狗狗Reuben出场了。
Reuben根据他所了解的事物，也形成了一个世界的内部模型。例如，他知道如果沿这条路走，我们去公园的可能性就会更大；如果走另一条路，就会遇到一只总是怪怪地看他的狗。他还知道在某个地点通常会有鸡肉碎屑，以及哪些被称作宠物店的地方会有他喜欢的零食。一旦到了公园，就会发生许多狗狗间的嗅探行为😊。
凭借这些数据——视觉、声音和事物之间的关系——Reuben能够像通用世界模型一样，预测某些结果并调整他的行为。
最令人惊叹的是，这些模型能够将其对世界的理解推广到新的、未见过的数据上。它们知道如何根据对世界的了解来预测未来，就像Reuben知道避开那些看他不顺眼的狗，并且知道怎样带我们进入他从未去过的宠物店一样。
我们相信，通过训练这些模型预测序列中的下一个画面或标记，这些模型将学到关于世界的更多细节，包括“为何”和“如何”等问题。
这意味着不久的将来，通用世界模型将使我们能够模拟出更贴近现实或像Reuben在他小小的脑海中构建的那些世界。
因此，是的，AI的下一波前沿将更加类似于我们现在所讨论的这种形式。
03:37
5 00