即刻App年轻人的同好社区
下载
App内打开
__555w__
631关注394被关注0夸夸
AI 产品经理,探索电商领域的 AI 可能💪
__555w__
18天前

yusen: The Year of Return: Part II 去年 11 月份我和@张小珺 录 Year of R part 1的时候,对 AI 投入回报的核心担心是「ChatGPT 做出大 DAU 产品从而 subscription、广告、电商上收入可以快速增长」的逻辑不成立。现在这个正在逐渐被证实。 今年 3 月我在硅谷交流了一圈,去年 12 月 Claude 4.5 发布后,Coding 体感出现质变, OpenClaw 的火爆,Meta 等公司开始大规模使用等,带来 Anthropic 收入的爆发增长。目前 Anthropic 是 30B 左右的 ARR,单月ARR上涨 5B以上,按照这个趋势,很多买方直接线性外推到年底可以实现 80B 到 100 B 的 ARR。因此带动了北美数据中心市场重新短缺,GPU spot price 上涨,对 Capex 的重新乐观,以及上游最紧缺环节光&存的大涨。 Anthropic 的老股份额也是一股难求,从年初的 350B,上涨到了 现在 800B 左右的估值。 先不讨论 OpenAI,Gemini 等竞争对手的竞争,以及中国高性价比开源模型带来的冲击。我认为到了今年下半年,越来越多的人会开始思考:我买 Token 的钱赚回来了吗?上游 Capex 的利润,Anthropic 的收入,本身并不是 AI 产生的最终价值,而是给终端用户提供的生产资料成本,Anthropic 的收入不能回答 AI 基建回报的问题。最后这个循环要转起来,需要这些花了钱买了 Anthropic token的客户物有所值,得到增量利润。 得到利润有两种办法:1)增加收入;2)降低成本。 首先来看看增加收入这个方向。我们可以思考一个问题:一家公司突然多了 10 倍的工程师,收入就会爆涨了吗?Coding Agent 对于本身缺开发能力的个人开发者、小公司确实有很明显的帮助,但是公司越大,越不只是提高开发效率就够了,核心还是要有新的需求、新的产品被做出来,要能收到新的收入。这是一个渐进的、缓慢的过程。 至于 Openclaw 或是普通人学vibe coding这样的 token 消耗,如果仔细观察就会发现,热潮过后,Token 消耗很多时候是在重复造轮子,提供了很多情绪价值,对大多数人来说并没有真正产生生产力。这也是符合当前agent技术还处在 early adopter 阶段的特点。对绝大部分主流市场用户来说,还需要有更完善的技术和更简单的产品形态来提供实实在在的价值,并且所在的组织与环境以及生活方式也需要有很多的变化。 然后看看降低成本这个方向。这个体现在大家都在讨论和担心的硅谷大裁员。首先我认为肯定会来的,但是1)裁员能够减低的Recurring成本是一次性的;2)即使是软件工程师的工作,很多也不是 100% 都是只靠 coding agent 就能闭环解决的,还有大量的需要沟通、管理、对齐的部分。如同特斯拉的 AutoPilot 很早就可以解决 98% 的驾驶场景,但无法把驾驶员彻底替代;3)如果 AI 能够从软件工程师进一步渗透到知识工作者白领的大裁员,也会引发更大规模的衰退,毕竟大部分公司的收入最后还是来自于社会整体的收入提高而不是失业率上升。 说到底,这个问题的本质是 模型公司收入带动Capex 的快速上涨预期 + 新需求的逐渐兑现实际 会有巨大的久期错配。之前美国 Sequoia 合伙人 David 提出的 200B 问题和 600B 问题是关注同一个「AI 投入何时有相称回报」问题,所不同的是,Hyperscaler 对 Capex 投入的回报可以有耐心,但 Anthropic 这样的模型的客户是需要看到更及时回报的,否则没有理由空烧 token。 我毫不怀疑 AI 在长期会创造巨大的新需求,产生巨大的价值,但这是需要时间,需要人和组织的变化的。快速实现 AGI,短期投入的巨大成本很快看到回报的奇点叙事在短期落空的可能性非常大。 为什么今年尤其关键?在过去的几年,AI 投入还在大公司自己 balance sheet 和 cash flow能够承受的范围内。但现在 Capex 投入已经非常大,就连 Mega7 也需要举债去募资才能支撑了,简单计算下来,仅存储一个环节公司的利润已经超过几大 hyperscaler 的利润,在这条产业链上利润的分配已经严重失衡。同样,anthropic 等模型公司的收入今年也到了冲击千亿美金的规模,也是需要下游用户有很显著的收益增量才能持续的了。 所以我的预测是:现在还是越来越多的人来吃螃蟹的过程,Anthropic 为代表的 coding model 收入在 FOMO 驱动下会暴涨一段时间,然后增长会放缓,并且这里很多token收入最后并不会是 recurring 的,这将使得线性外推的预期落空,沿着供应链传递到 capex 端,这个事情大概率会在12个月内发生,尤其是下半年大家开始拍明年预算的时候带来的影响就更大了。 AI 是人类历史上最大的技术革命,它同时几乎必然也伴随着最大的金融泡沫。短期技术正在巨变很确定,长期的前景也很确定,但中期节奏的处理对创业者和投资人会是很大的挑战。 与此同时,AI 技术发展带来的真正价值创造,我坚信将由大量具有全新产品形态和组织形态的创业公司来实现。这是一个需要不断创新、经营、成长的过程,需要时间,不是一蹴而就,所以会带来久期的错配。但这也是为什么我们在这个时候如此看好创业公司机会的原因。越新的技术需要越新的组织。现在很多从业者也意识到了这一点,这将使创业公司的机会变得更大。

00
__555w__
2月前
最近在玩逆转裁判,虽然有点电子褪黑素,但是不禁感叹,好的作品真是能穿越周期的,音乐、文字、游戏,都是一样
00
__555w__
3月前

是松月呀: 爸妈对豆包开发程度达99%……不服不行。 我平时主力用 Gemini 3.0,自以为走在前沿。这两天回家仔细观察了爸妈的AI习惯,他们只用豆包,但开发程度让我自愧不如。 对他们来说,豆包不是生产力工具,是一个随叫随到的生活搭子。 我妈设了吃药提醒,早晚各一次,准时响铃,"比你爸好使,它不会忘。"她还会截图记账,买完菜把账单丢给豆包,月底出总结。拍了花花草草,四张图依次传进去,语音说"弄亮一点",比美图秀秀还利索。晚上闲了,让豆包陪她唱《军港之夜》,还嫌它声音太大盖过自己。 我爸更猛。抽油烟机坏了,他开豆包视频通话,摄像头怼上去,跟着一步步指导居然修好了,关掉手机面无表情洗了个手,但我看得出来,他很得意。大年初一,俩人去博物馆也不蹭导游了,摄像头对准文物,豆包讲得比真人还细。这些已经够让我震惊了。但真正让我绷不住的,是那天晚上。 路过我爸房间,门虚掩着,传出一个熟悉又遥远的声音。我停住,鸡皮疙瘩掉了一地,是我奶奶的声音。原来,我爸把以前录的语音导进豆包,生成了她的音色,一个人坐在床边,安安静静地听"我奶奶"和他说话。 我爸是个直男,从来不会说想谁,但他会在一个谁也看不见的夜晚,打开豆包,和他的妈妈一直聊天,聊天……直到困意袭来。 我站在门外,百感交集,哎,很想哭啊! 这个春节很大的一个感受:我们用 AI 搞效率,爸妈用 AI 过日子。他们不懂大模型,不懂 Prompt,但他们比谁都懂:技术最终是拿来服务人的,每个人都能在 AI 的帮助下,活得更好。

00
__555w__
3月前
平等的想打死每一个在公共场所抽烟的人
00
__555w__
3月前
去年春节 DeepSeek 估值十亿
今年春节 元宝千问瓜分十亿
大家都有美好的未来👍
00
__555w__
5月前
很割裂的体感:各种模型越来越强、外部强烈的 AI 即将替代很多岗位的 FOMO 感,和大厂内各个业务在套壳 AI 实际解决不了太多问题的虚无感
21
__555w__
10月前
租的房子房东装修完通风了小半年,前任租客又住了一年零三个月,今天用老爸测评的甲醛检测仪测了下,还是轻微超标了,咋整🥲

测量环境:所有柜门打开,密闭 15 个小时,温度 31.4 摄氏度、湿度 63.9%

测量结果:0.091mg/m²,标准值是≤0.08mg/m²
00
__555w__
11月前
跨城搬家的第一个教训是赔了一笔押金和中介费,原本提前定好的房子在实际验房后发现了很多之前没注意的问题,例如房子前任房东住了五年很爱抽烟、导致家电都被熏黄且打开空调就能闻到味道,例如实际床的尺寸是不常见的 1.35m,当然还有一个主要原因是原本是想在两个人上班的中间点居住,但实际体验后发现通勤实在让人难受,于是最终决定放弃这个房子分开租房(实际仅在租期开始后入住 5 天)

原本考虑转租房子,但挂了两天发现个人渠道还是有限,于是想挂中介,计算后发现就算转租成功,新租客有可能最快也要月底甚至下个月初才能入住,那么期间一个月的房租都要我们负担,并且也耽误我们找新房子、并且如果要在这住一个月还要部分解决上面发现的问题、并且还要再承担一笔中介费,于是发现转租方案实在不划算后决定直接毁约

发起毁约后,房东不同意只扣押金,希望我们再付一个月房租,在争执后达成押金+半个月房租(包含我们已入住的 5 天时间,剩余 10 天算是空置费,勉强可接受),最终权衡后发现这个损失还是比我们等转租且让中介转租的情况下划算(等转租姑且也要算一个月房租+再付一笔中介费,并且面临较大不确定性,毕竟我们入住发现的问题其他人或许也会发现),所以最终达成一致并在今天火速解决(从昨晚决定毁约到今天谈妥退钱,速度确实超预期了,越快损失越低)

虽然这个事情闹得我们很糟心,并且还承担了经济损失,但是综合考虑,及时割肉退场才是明智之举,一来是最近还有时间可以处理这些问题、二来我们还没有正式把行李搬进来、三来没有为这个房子付出更多成本,并且最终换到了更满意且更便宜的房子,且在今天内全部解决,总的来说算是满意的结果

最后几个心得:
1. 看房时得看更多细节,摸清楚自己真正在意的点,例如这个房子装修尚可,但气味我们之前没注意
2. 不要冲动做决定,还是要货比三家,当时因为还在跨城,为了快速定下来,先在 app 上锁定了符合条件的小区,所以并没有看很多套集中对比,有点冲动
3. 关注核心条款,大中介也很不靠谱,这次我们找链家签约的,但是链家在这个过程中基本就是和稀泥,并且链家的合同条款非常多,多到很多文字游戏难以被发现,所以关于转租、退租事宜、关于钱方面的约定一定要非常明确,这次房东能要求我们多付钱也是合同有漏洞
4. 中介费配不上中介的服务,对于链家这种大平台来说,不缺客源,收费不低,但是实际服务不配位,前期很多条款没有说清楚,也没有做风险提示,这种租了两天就毁约的情况,本质算是交易不成,中介费理论上也是要赔偿双方的,但是实际后面房东让他们转租可能还要再付一笔中介费,有点坑
5. 中介不要找新人,这个行业还是有点沟通技巧的,这次带看帮我们签约的是个新人,刚毕业,沟通能力、对流程和合同的熟练度都不够,合同甚至都是让他同事帮忙打的,毁约问题也无法帮我们和房东沟通,最后是我们自己沟通的
6. 验房时不满意就及时沟通,不要交了租金再掰扯,钱都给房东了,相当于被拿捏了,但是如果一开始只付了押金,谈判难度会低很多
7. 及时割肉退场好过苟延残喘,一开始我们打算转租就是不想损失押金,最后算了一笔账发现,在我们还没有完全入住的情况下,转租才是不划算的选项,因为越拖沉没成本越高,如果已经入住半年多转租成本一定是更低的
32
__555w__
1年前

Gavin_C.: 给产品经理朋友们推荐 3 个学习大模型的音视频,它们都在近一周内发布,加在一起总时长 8.2 小时,所以现在学习的话一点都不晚 相信我,认真学习完 8.2 小时你会彻底对大模型上瘾的 首先是 Andrej Karpathy 的《Deep Dive into LLMs like ChatGPT》,Andrej 是 OpenAI 的创始成员,领导了 GPT-4 的开发,同时也是 Tesla 的前 AI 总监,它从 0 到 1 拆解了 ChatGPT 的实现原理,深入浅出但又非常全面 对我最有帮助的一是系统了解了分词的原理,比如去年 o1 刚发布的时候,网友问它 “Strawberry” 这个单词中有多少个 “r”,而 GPT-o1 这个当时地表最强模型却回答说 “2 个”。很多人误以为这还是大模型的 “幻觉”,对 o1 的智力产生了质疑,背后的原因其实是没理解分词的逻辑,人类解构 Strawberry 可以细化到单个字母,而大模型的分词其实拆分为了 st, raw, berry 3 个 token,它不是像我们人类有眼睛来看 二是更底层理解了大模型的预训练,模型的响应是基于对互联网文档的回忆,频繁出现的数据更有可能被准确回忆。这段时间 DeepSeek 爆火的时候,海外有人测试问它是谁,而 DeepSeek 回答说自己是 ChatGPT,间接让很多人认为 DeepSeek 是蒸馏的 OpenAI 。了解了预训练的原理我才恍然大悟,这很有可能是因为预训练数据里 OpenAI 这个知名实体频繁出现在多个训练窗口中,导致模型回忆时候 OpenAI 以更高的概率出现了而已 Andrej Karpathy 的这个音频可以在这里听:https://crunchpod.app/details/andrej_karpathy/5c2dfd8be5df11efbfc900163e0094cd?from=expert 其次是小珺邀请潘家怡逐句讲解 DeepSeek-R1、Kimi K1.5、OpenAI o1 的论文,家怡是加州大学伯克利分校人工智能实验室在读博士生,我听的时候是电脑上同步也打开了这几篇论文,真的是酣畅淋漓,本来是计划陪家人看 《哪吒 2》的 市面上大多数技术分析更多是对于 R1 的纵向分析,而这个播客之所以推荐的原因是,它有非常全面深入的横向对比,所以也就更能清楚知道 R1 为什么好,为什么在这个节点爆了 值得注意的是,市面很少有人解读同期发布的 Kimi K1.5,我这次也是第一次读 Kimi 的论文,没想到很多地方居然跟 R1 是异曲同工的,但 Kimi 没出圈是别的原因 中间我有个比较大的启发是,Kimi-K1.5 论文里提到它们有意控制模型输出的长度,为此设置了 length penalty 这样的奖励惩罚机制,因此模型在所有的回复里都会是尽可能短的,甚至将长思维链变成了短思维链,团队的目的是认为这样的用户体验更好,输出少、思维链短能快速给 answer 而如果从产品角度来看的话,模型在 “给答案” 这件事情上和滴滴的 “派单” 有相似之处,早期司机和车型不多,加之用户主要是打出租车迁移过来的刚需人群,快是核心诉求,后期用户类型增多跨越鸿沟进入早期大众 (Early Majority),在满足核心需求的情况下,快成了第二优先级 但看 DeepSeek 的爆发,恰恰是因为它的 “慢”,我在朋友圈做过一项调研:在用 Chatbot 类产品的时候,你大多数情况下是用慢思考的 o 系列,还是快思考的 4 系列?绝大多数人都选了前者,这个其实是因为大模型拉高了用户的阈值,对输出的质量和长度要求越来越高,“快” 并不是唯一核心诉求。所以还是老祖宗的那句话:技术永远要让位于需求,产品时时要回归场景 站在产品经理的视角来看 Kimi K1.5 的优化,我是觉得多少有些多此一举想多了,但这只是一个点,不能因为这而否定 Kimi 团队的优秀,小珺的播客可以在这里听:https://crunchpod.app/details/deepseek/ed462d42-61eb-45c3-b2c6-950097354959?from=company 最后是昨天张涛以产品经理身份做的关于 Deepseek-R1 的赏析,起手就是关于 DeepSeek 在过去 1 年的发布节奏,原来大家津津乐道的很多创新其实早在半年前甚至更长时间前就发布了。更印证了 《为什么伟大不能被计划》这本书里的观点:那些真正拿到宝的人,都是通过一步步的 “搜集踏脚石”来试错,一路踩到惊喜,而不是上来就说 AGI 张涛的分享见这里:https://m.bilibili.com/video/BV1bnNDeFELK?buvid=ZA49EEA93D2E8D134E8C9C203D9BD12CE3F9&is_story_h5=false&mid=tYnTNKGq9xlln4JjimVqSQ%3D%3D&p=1&plat_id=116&share_from=ugc&share_medium=iphone&share_plat=ios&share_session_id=3F9369BF-D03C-4086-B9CC-627852907508&share_source=COPY&share_tag=s_i&spmid=united.player-video-detail.0.0&timestamp=1739146752&unique_k=bPINFzv&up_id=53268348 以上音视频建议都在电脑上听,因为可以边听边记笔记 ,最后,附上 DeepSeek 的发展时间线,让我们感谢这个时代的每一个贡献者 ❤️ 2023年6月,DeepSeek 成立 2024年2月,发表 DeepSeek-Math,提出 GRPO 2024年5月,推出 V2,提出 MLA 和 DeepSeek-MoE 2024年11月,推出 V3,提出了 MTP 和一整套软硬一体优化方案等 2025年1月,推出 R1,提出 R1-Zero

00