即刻App年轻人的同好社区
下载
群聊时随手写了一篇《翻身指南》：
经常有人说，做 XXX（比如炒币）感觉不会再有翻身的机会了
这里的重点其实不是 XXX 能否翻身，而是怎么定义翻身
很多人会说：买到一个 10x 或 100x 的币就能翻身
这样的单次相对值其实没有意义，比如：
1. 运气好整体资产翻了百倍，是否满足（绝对值是否足够） ？如果不满足，大概率继续碰运气然后亏回去（大数定律），没有翻身
2. 运气好一笔交易翻了百倍，但买的不够多，整体资产没有显著变化（没有翻身），继续投入更多资金做同类交易，大概率不但没再次翻百倍反而亏掉大部分可用本金（散户牛市亏钱的常见模式）
3. 运气好整体资产翻了百倍，很满足，但之后现金流支出大幅提高（「赚钱就是为了享受」），资产下降很快，现金流很快就不可持续了（没有翻身）
要真正定义「翻身」，需要明确几个绝对值和几个可重复的相对值：
1. 先搞清楚，每年需要多少绝对值的消费支出，才能让自己满足。为了让现金流能长期可持续的负担这个支出水平，每年需要达到相同绝对值的收入水平
2. 这个收入要求里，有多少能来自资产收益（投资收益 / 被动收入）之外的、长期可持续的收入来源。比如：愿意一直给大厂打工拿高薪，愿意做远程工作，愿意做自由职业（外包），愿意跑外卖开网约车，等等
3. 剩余的收入缺口（如果完全不想工作，缺口可能是 100%），全部要靠每年的投资收益来填补。在「一年」这个尺度下能做到低波动的投资组合（波动高了意味着你不能随时取出收益支撑现金流），年化收益可以是 3%、4%、6%、8%、10%、12%。计算出这些收益率分别需要多少本金才能每年都产出足以填补缺口的投资收益
4. 这些年化收益水平，对应的风险偏好、资产组合中不同资产类别的比例都不一样， 看哪个适合自己（自己有能力实现哪种收益水平）
5. 根据自己选择的收益率，确定本金需求，得到自己现有本金跟这个本金目标的差额
6. 明确自己希望多久「翻身」？10 年？5 年？3 年？1 年？
7. 想清楚，在这段时间里，自己的消费支出能尽可能压缩、控制到什么最小程度，自己的工作收入能尽可能优化、维持在什么最大程度
8. 由此得出在这段「翻身时长」内，总共的工作收入盈余。从之前算出的本金差额里，减掉这笔盈余
9. 现在有了真正的本金差额，又有了翻身时长，就能算出在这段时长内，计入复利，每年需要多少的投资收益率，才能补齐这个差额，让你的本金达到目标水平
10. 想办法实现这个「翻身前收益率」要求，如果实现不了，可以改变前面提到的其他变量/参数：
- 翻身时长
- 翻身前的消费水平
- 翻身前的工作收入水平
- 翻身后填补收入缺口需要的收益率
- 翻身后的其他收入水平
- 翻身后的支出水平
这一整套下来，才能真正搞清楚怎样才算「翻身」、自己如何「翻身」
有人说，我希望明天就能翻身
没问题，总共就这么几个参数，你把翻身时长设这么短，就要大幅优化其他参数才能实现，比如把翻身后的支出水平定的非常非常低（最近在油管看了一个纪录片讲独自住在西伯利亚森林木屋里的老人，每天大部分时间砍柴取暖，很少进村购物，现金需求极少），比如找人包养，大幅增加翻身后的其他收入，从而减少对翻身后本金和收益率的要求。能做到这些，相信你明天一定能翻身
让 ChatGPT 和 Gemini 给这个翻身指南画了三张示意图
经常有人说，做 XXX（比如炒币）感觉不会再有翻身的机会了
这里的重点其实不是 XXX 能否翻身，而是怎么定义翻身
很多人会说：买到一个 10x 或 100x 的币就能翻身
这样的单次相对值其实没有意义，比如：
1. 运气好整体资产翻了百倍，是否满足（绝对值是否足够） ？如果不满足，大概率继续碰运气然后亏回去（大数定律），没有翻身
2. 运气好一笔交易翻了百倍，但买的不够多，整体资产没有显著变化（没有翻身），继续投入更多资金做同类交易，大概率不但没再次翻百倍反而亏掉大部分可用本金（散户牛市亏钱的常见模式）
3. 运气好整体资产翻了百倍，很满足，但之后现金流支出大幅提高（「赚钱就是为了享受」），资产下降很快，现金流很快就不可持续了（没有翻身）
要真正定义「翻身」，需要明确几个绝对值和几个可重复的相对值：
1. 先搞清楚，每年需要多少绝对值的消费支出，才能让自己满足。为了让现金流能长期可持续的负担这个支出水平，每年需要达到相同绝对值的收入水平
2. 这个收入要求里，有多少能来自资产收益（投资收益 / 被动收入）之外的、长期可持续的收入来源。比如：愿意一直给大厂打工拿高薪，愿意做远程工作，愿意做自由职业（外包），愿意跑外卖开网约车，等等
3. 剩余的收入缺口（如果完全不想工作，缺口可能是 100%），全部要靠每年的投资收益来填补。在「一年」这个尺度下能做到低波动的投资组合（波动高了意味着你不能随时取出收益支撑现金流），年化收益可以是 3%、4%、6%、8%、10%、12%。计算出这些收益率分别需要多少本金才能每年都产出足以填补缺口的投资收益
4. 这些年化收益水平，对应的风险偏好、资产组合中不同资产类别的比例都不一样， 看哪个适合自己（自己有能力实现哪种收益水平）
5. 根据自己选择的收益率，确定本金需求，得到自己现有本金跟这个本金目标的差额
6. 明确自己希望多久「翻身」？10 年？5 年？3 年？1 年？
7. 想清楚，在这段时间里，自己的消费支出能尽可能压缩、控制到什么最小程度，自己的工作收入能尽可能优化、维持在什么最大程度
8. 由此得出在这段「翻身时长」内，总共的工作收入盈余。从之前算出的本金差额里，减掉这笔盈余
9. 现在有了真正的本金差额，又有了翻身时长，就能算出在这段时长内，计入复利，每年需要多少的投资收益率，才能补齐这个差额，让你的本金达到目标水平
10. 想办法实现这个「翻身前收益率」要求，如果实现不了，可以改变前面提到的其他变量/参数：
- 翻身时长
- 翻身前的消费水平
- 翻身前的工作收入水平
- 翻身后填补收入缺口需要的收益率
- 翻身后的其他收入水平
- 翻身后的支出水平
这一整套下来，才能真正搞清楚怎样才算「翻身」、自己如何「翻身」
有人说，我希望明天就能翻身
没问题，总共就这么几个参数，你把翻身时长设这么短，就要大幅优化其他参数才能实现，比如把翻身后的支出水平定的非常非常低（最近在油管看了一个纪录片讲独自住在西伯利亚森林木屋里的老人，每天大部分时间砍柴取暖，很少进村购物，现金需求极少），比如找人包养，大幅增加翻身后的其他收入，从而减少对翻身后本金和收益率的要求。能做到这些，相信你明天一定能翻身
让 ChatGPT 和 Gemini 给这个翻身指南画了三张示意图
0 00
MAGA式政治动员的核心套路：不是解决愤怒，而是再生产愤怒，把复杂世界简化成敌人清单，愤怒就是宗教信仰，愤怒就是传统美德，把愤怒变成身份、归属、安慰剂、成瘾消费品和权力硬通货
真正的基督信仰：无法直接表述，需要用经文故事、建筑和像本片这样的电影来传达（可能这正是不在国内上映的原因）
真正的基督信仰：无法直接表述，需要用经文故事、建筑和像本片这样的电影来传达（可能这正是不在国内上映的原因）
1 00
本帖提到的游戏分析Agent：steam-review.dexmage.com
补充下这个案例的背景，这个应用虽然是一个垂直领域 agent（专门分析 Steam 游戏），但背后是在实践一个通用的理念——每一种 AI Agent 会话，其实都是一款应用
在这个应用中，每次对一款游戏的分析，都相当于一个 AI Agent 任务会话，用户只需要输入游戏名称，Agent 自动做大量数据获取和分析工作，最后输出结构化、可视化的分析报告，包括多个分析模块（比如构建出虚拟的玩家人设撰写虚拟游戏评论）
跟普通 agent 会话的区别在于，不需要每次会话中都由 agent 临时「凭感觉」自主设计规划数据来源、抓取方式、分析项目和呈现方式，得到「随缘」的结果，并消耗大量不必要的 token，而是在 app 开发过程中由最高级的 agent 预先精心设计打磨好业务逻辑（这个应用也是完全用 coding agent 开发的），尽可能用固定的代码来实现，变成确定性的、可重复和复现的计算，只有最后剩下的、无法避免的、只能靠 AI 模型推理才能实现的细粒度功能（比如撰写虚拟游戏评论）才调用 AI 模型做「不确定的计算」（用 GPU 生成 token）
补充下这个案例的背景，这个应用虽然是一个垂直领域 agent（专门分析 Steam 游戏），但背后是在实践一个通用的理念——每一种 AI Agent 会话，其实都是一款应用
在这个应用中，每次对一款游戏的分析，都相当于一个 AI Agent 任务会话，用户只需要输入游戏名称，Agent 自动做大量数据获取和分析工作，最后输出结构化、可视化的分析报告，包括多个分析模块（比如构建出虚拟的玩家人设撰写虚拟游戏评论）
跟普通 agent 会话的区别在于，不需要每次会话中都由 agent 临时「凭感觉」自主设计规划数据来源、抓取方式、分析项目和呈现方式，得到「随缘」的结果，并消耗大量不必要的 token，而是在 app 开发过程中由最高级的 agent 预先精心设计打磨好业务逻辑（这个应用也是完全用 coding agent 开发的），尽可能用固定的代码来实现，变成确定性的、可重复和复现的计算，只有最后剩下的、无法避免的、只能靠 AI 模型推理才能实现的细粒度功能（比如撰写虚拟游戏评论）才调用 AI 模型做「不确定的计算」（用 GPU 生成 token）
dexteryy: 对CPU的看法空翻多了，开始建仓CPU资产。最近做这个游戏分析agent的时候感触颇深，虽然分析每个游戏要几十个LLM请求和几万到几十万token，但很多配套逻辑作为确定性的CPU计算固化到了代码里，而且还没涉及工具使用、沙盒和多agent等指数级增加CPU计算的实现 总结下CPU需求来源和半导体需求规模排序： 数据中心里增量CPU需求的主要来源（数据中心里的存量CPU服务器需求则预计大部分会被GPU服务器取代） 1. Agent 的自主触发+永续运行 2. Agent 的 Tool Use 2.1 比人更快、更熟练灵活、更多样广泛的使用软件工具 2.2 每个云端 Agent 都至少需要一套专用客户端环境来使用软件工具，由此新增的客户端计算需求远超来自真人的客户端消费需求天花板 3. 像 subagent、swarm 这样用多个 agent 并发、分工、协作完成一个任务 4. 为了让 Agent 像 Serverless 里的 FaaS 一样按需使用，需要预留的冗余资源 5. Agent 的多模态交互带来的多模态数据输入前的预处理和输出后的后处理 可以理解为：AI 会指数级的增加世界上的「劳动力人口」，而且还不是普通人口，而是可以神速使用海量软件、把这些软件玩出花的超级人口（相当于 power user、pro user），这些人口都需要自己专用的客户端（虚拟化、沙盒化的），在其中24/7疯狂使用各种软件工具，在消耗大量 token 用爆 GPU 的同时，也用爆 CPU Intel 最新的财报已经有所体现（图4）。最近人们因为 Clawdbot 突然都要买 mac mini ，有的人还买了几十台，也是这种「客户端」需求的体现 Clawdbot 创造出的增量「客户端」需求里，很大部分本质上是对「自主触发+永续运行」和「全功能客户端软件工具环境」的需求，并不是真的要靠本地客户端设备来满足 本地客户端需求有自己独特的两类来源： 第一类来自与现实世界结合的多模态交互需求、本地软件环境和现实环境中实时隐私数据的访问需求、人和 AI 共用一套客户端环境紧密协作操作软件的需求。 涉及PC/手机/可穿戴XR等由人类配备、增强人类自身能力的设备 第二类来自非软件 Tool Use 需求（比如现实世界中有物理实体的Tool）、对现实世界施加影响的需求、访问现实世界中实时多模态隐私数据的需求。 涉及各种具身不具身的机器人式 Agent，包括那些只能通过 IoT 传感器网络获取输入、没有「手脚」无法对现实世界输出（无法使用物理工具）的广义机器人（Clawdbot 很适合的领域） 这两类 AI 驱动的本地客户端需求中，第二类（广义机器人）比第一类（增强人类的设备）的规模会高至少一个数量级，因为第二类可以独立自主运行，第一类需要附加在真人身上被真人使用、受限于人类的生育率（有生物和文化层面的天花板），两者的 scaling 能力不一样 但即便是第二类本地客户端需求，跟云端 AI 的 token 算力和 agent 算力（含 CPU 算力）需求相比，规模又会至少低一个量级，因为前者就像北京限制购车一样，scaling 有更多物理层面的约束（物理空间、物理材料等），后者则更多是软件的 scaling 模式，只有最少量的物理约束（长期来说只有能源约束，短期还有内存产能等制造约束） 整体的排序： 云端 GPU/ASIC 需求（token 生产） > 云端 DRAM 存储需求（SIMD 或其他并行算力模式） > 云端 NAND 存储需求（比如海量权重、checkpoint、LoRA，海量多模态数据） > 云端 CPU 需求（Tool Use、虚拟客户端、Agent 逻辑） > 本地机器人/IoT中的 Agent 硬件需求（前面介绍过的第二类本地客户端需求，广义机器人） > 本地纯软件 Agent 的硬件需求（前面介绍过的第二类本地客户端需求，PC/手机/可穿戴XR） P.S. 本帖提到的游戏分析Agent：https://steam-review.dexmage.com
1 00
对CPU的看法空翻多了，开始建仓CPU资产。最近做这个游戏分析agent的时候感触颇深，虽然分析每个游戏要几十个LLM请求和几万到几十万token，但很多配套逻辑作为确定性的CPU计算固化到了代码里，而且还没涉及工具使用、沙盒和多agent等指数级增加CPU计算的实现
总结下CPU需求来源和半导体需求规模排序：
数据中心里增量CPU需求的主要来源（数据中心里的存量CPU服务器需求则预计大部分会被GPU服务器取代）
1. Agent 的自主触发+永续运行
2. Agent 的 Tool Use
2.1 比人更快、更熟练灵活、更多样广泛的使用软件工具
2.2 每个云端 Agent 都至少需要一套专用客户端环境来使用软件工具，由此新增的客户端计算需求远超来自真人的客户端消费需求天花板
3. 像 subagent、swarm 这样用多个 agent 并发、分工、协作完成一个任务
4. 为了让 Agent 像 Serverless 里的 FaaS 一样按需使用，需要预留的冗余资源
5. Agent 的多模态交互带来的多模态数据输入前的预处理和输出后的后处理
可以理解为：AI 会指数级的增加世界上的「劳动力人口」，而且还不是普通人口，而是可以神速使用海量软件、把这些软件玩出花的超级人口（相当于 power user、pro user），这些人口都需要自己专用的客户端（虚拟化、沙盒化的），在其中24/7疯狂使用各种软件工具，在消耗大量 token 用爆 GPU 的同时，也用爆 CPU
Intel 最新的财报已经有所体现（图4）。最近人们因为 Clawdbot 突然都要买 mac mini ，有的人还买了几十台，也是这种「客户端」需求的体现
Clawdbot 创造出的增量「客户端」需求里，很大部分本质上是对「自主触发+永续运行」和「全功能客户端软件工具环境」的需求，并不是真的要靠本地客户端设备来满足
本地客户端需求有自己独特的两类来源：
第一类来自与现实世界结合的多模态交互需求、本地软件环境和现实环境中实时隐私数据的访问需求、人和 AI 共用一套客户端环境紧密协作操作软件的需求。
涉及PC/手机/可穿戴XR等由人类配备、增强人类自身能力的设备
第二类来自非软件 Tool Use 需求（比如现实世界中有物理实体的Tool）、对现实世界施加影响的需求、访问现实世界中实时多模态隐私数据的需求。
涉及各种具身不具身的机器人式 Agent，包括那些只能通过 IoT 传感器网络获取输入、没有「手脚」无法对现实世界输出（无法使用物理工具）的广义机器人（Clawdbot 很适合的领域）
这两类 AI 驱动的本地客户端需求中，第二类（广义机器人）比第一类（增强人类的设备）的规模会高至少一个数量级，因为第二类可以独立自主运行，第一类需要附加在真人身上被真人使用、受限于人类的生育率（有生物和文化层面的天花板），两者的 scaling 能力不一样
但即便是第二类本地客户端需求，跟云端 AI 的 token 算力和 agent 算力（含 CPU 算力）需求相比，规模又会至少低一个量级，因为前者就像北京限制购车一样，scaling 有更多物理层面的约束（物理空间、物理材料等），后者则更多是软件的 scaling 模式，只有最少量的物理约束（长期来说只有能源约束，短期还有内存产能等制造约束）
整体的排序：
云端 GPU/ASIC 需求（token 生产）
>
云端 DRAM 存储需求（SIMD 或其他并行算力模式）
>
云端 NAND 存储需求（比如海量权重、checkpoint、LoRA，海量多模态数据）
>
云端 CPU 需求（Tool Use、虚拟客户端、Agent 逻辑）
>
本地机器人/IoT中的 Agent 硬件需求（前面介绍过的第二类本地客户端需求，广义机器人）
>
本地纯软件 Agent 的硬件需求（前面介绍过的第二类本地客户端需求，PC/手机/可穿戴XR）
P.S. 本帖提到的游戏分析Agent：steam-review.dexmage.com
总结下CPU需求来源和半导体需求规模排序：
数据中心里增量CPU需求的主要来源（数据中心里的存量CPU服务器需求则预计大部分会被GPU服务器取代）
1. Agent 的自主触发+永续运行
2. Agent 的 Tool Use
2.1 比人更快、更熟练灵活、更多样广泛的使用软件工具
2.2 每个云端 Agent 都至少需要一套专用客户端环境来使用软件工具，由此新增的客户端计算需求远超来自真人的客户端消费需求天花板
3. 像 subagent、swarm 这样用多个 agent 并发、分工、协作完成一个任务
4. 为了让 Agent 像 Serverless 里的 FaaS 一样按需使用，需要预留的冗余资源
5. Agent 的多模态交互带来的多模态数据输入前的预处理和输出后的后处理
可以理解为：AI 会指数级的增加世界上的「劳动力人口」，而且还不是普通人口，而是可以神速使用海量软件、把这些软件玩出花的超级人口（相当于 power user、pro user），这些人口都需要自己专用的客户端（虚拟化、沙盒化的），在其中24/7疯狂使用各种软件工具，在消耗大量 token 用爆 GPU 的同时，也用爆 CPU
Intel 最新的财报已经有所体现（图4）。最近人们因为 Clawdbot 突然都要买 mac mini ，有的人还买了几十台，也是这种「客户端」需求的体现
Clawdbot 创造出的增量「客户端」需求里，很大部分本质上是对「自主触发+永续运行」和「全功能客户端软件工具环境」的需求，并不是真的要靠本地客户端设备来满足
本地客户端需求有自己独特的两类来源：
第一类来自与现实世界结合的多模态交互需求、本地软件环境和现实环境中实时隐私数据的访问需求、人和 AI 共用一套客户端环境紧密协作操作软件的需求。
涉及PC/手机/可穿戴XR等由人类配备、增强人类自身能力的设备
第二类来自非软件 Tool Use 需求（比如现实世界中有物理实体的Tool）、对现实世界施加影响的需求、访问现实世界中实时多模态隐私数据的需求。
涉及各种具身不具身的机器人式 Agent，包括那些只能通过 IoT 传感器网络获取输入、没有「手脚」无法对现实世界输出（无法使用物理工具）的广义机器人（Clawdbot 很适合的领域）
这两类 AI 驱动的本地客户端需求中，第二类（广义机器人）比第一类（增强人类的设备）的规模会高至少一个数量级，因为第二类可以独立自主运行，第一类需要附加在真人身上被真人使用、受限于人类的生育率（有生物和文化层面的天花板），两者的 scaling 能力不一样
但即便是第二类本地客户端需求，跟云端 AI 的 token 算力和 agent 算力（含 CPU 算力）需求相比，规模又会至少低一个量级，因为前者就像北京限制购车一样，scaling 有更多物理层面的约束（物理空间、物理材料等），后者则更多是软件的 scaling 模式，只有最少量的物理约束（长期来说只有能源约束，短期还有内存产能等制造约束）
整体的排序：
云端 GPU/ASIC 需求（token 生产）
>
云端 DRAM 存储需求（SIMD 或其他并行算力模式）
>
云端 NAND 存储需求（比如海量权重、checkpoint、LoRA，海量多模态数据）
>
云端 CPU 需求（Tool Use、虚拟客户端、Agent 逻辑）
>
本地机器人/IoT中的 Agent 硬件需求（前面介绍过的第二类本地客户端需求，广义机器人）
>
本地纯软件 Agent 的硬件需求（前面介绍过的第二类本地客户端需求，PC/手机/可穿戴XR）
P.S. 本帖提到的游戏分析Agent：steam-review.dexmage.com
6 14
夸克AI眼镜（m.okjike.com）跟 Rokid Glasses（同类AI眼镜，也是绿色衍射光。其实镜腿更小，但感觉夹头，近视镜片是附加的，重心感觉靠前）、XREAL Air（反射光，既非 AI 眼镜也非 AR 眼镜，其实就是一个外接「安卓电视机顶盒」或手机的便携屏幕）、小米拍照眼镜（Google 的偏振分光棱镜方案，也是反射光）对比
1 10
拿到阿里的夸克AI眼镜了，是我买过的第一款感觉可以全天穿戴的AI/AR眼镜
之前那些眼镜的近视镜片都是附加的，波导光机不管反射还是衍射都在镜框上，电池在整个镜腿上，除了视野里有多层边框不舒服，整个重心也是靠前的，前侧有重量感（感觉往下垮/滑）
阿里这个是双眼单色（绿）的衍射光波导，光机在 镜腿上，电池集中在腿脚，可替换，近视屈光度是一体化内置在基底镜片（树脂）上，不可替换。镜片和镜框部分没重量感，视野中也没有额外的边框和反光，跟普通眼镜一样，夹头感也不明显，整体50g的重心是靠后的（耳朵周围感觉也不明显）
缺点就是没法挂闲鱼
功能除了跟Meta AI眼镜一样的拍照摄像，跟AI耳机一样的音乐和播客，其他「AI+GUI」的功能有：千问的控制、问答和实时翻译，高德导航（还不支持公交和打车，适合步行/骑行）、录音
纯GUI功能有提词器（可以用来偷偷阅读）、备忘、日程、手机通知
AR功能目前只有支付宝二维码支付，还没有其他多模态AI功能（AR+AI）
之前那些眼镜的近视镜片都是附加的，波导光机不管反射还是衍射都在镜框上，电池在整个镜腿上，除了视野里有多层边框不舒服，整个重心也是靠前的，前侧有重量感（感觉往下垮/滑）
阿里这个是双眼单色（绿）的衍射光波导，光机在 镜腿上，电池集中在腿脚，可替换，近视屈光度是一体化内置在基底镜片（树脂）上，不可替换。镜片和镜框部分没重量感，视野中也没有额外的边框和反光，跟普通眼镜一样，夹头感也不明显，整体50g的重心是靠后的（耳朵周围感觉也不明显）
缺点就是没法挂闲鱼
功能除了跟Meta AI眼镜一样的拍照摄像，跟AI耳机一样的音乐和播客，其他「AI+GUI」的功能有：千问的控制、问答和实时翻译，高德导航（还不支持公交和打车，适合步行/骑行）、录音
纯GUI功能有提词器（可以用来偷偷阅读）、备忘、日程、手机通知
AR功能目前只有支付宝二维码支付，还没有其他多模态AI功能（AR+AI）
00:08
7 05
赛博朋克和辐射的TTRPG都要出中文版了，其中Cyberpunk RED是Cyberpunk 2077原作的新版，19-20年出的，设定在前两版（88-90 年出的，当时还有一个孪生兄弟Shadowrun，都受到80年代科幻比如银翼杀手、神经漫游者、阿基拉的影响）的2020年和PC游戏的2077年之间。后4张图是今天参加的游戏展会的战锤区和兵击区
3 00
诶，Pickle眼镜里这些好像都是Web App😍
Pickle OS实现了基于本地+全网记忆（图3）的很多AI/AR功能（图2），隐私架构如下：
- 主密钥只保存在眼镜里的「浏览器扩展」中
- 隐私数据加密后传到服务器端持久化
- LLM需要使用加密数据时，会在AWS Nitro Enclaves（隔离的虚拟机）里用主密钥（需要通过验证，浏览器扩展才会用Enclave的公钥加密传输这个主密钥）临时解密，解密后的数据只会临时出现在这个云端虚拟机的内存里，用来构造prompt，发给LLM API（跟这些LLM供应商签了零数据保存协议）
- 眼镜里的Web App只接受LLM的结果渲染UI，所以不开源
- 其他实现开源接受审查：github.com
图4是架构图
Pickle眼镜官网：pickle.com
Pickle OS实现了基于本地+全网记忆（图3）的很多AI/AR功能（图2），隐私架构如下：
- 主密钥只保存在眼镜里的「浏览器扩展」中
- 隐私数据加密后传到服务器端持久化
- LLM需要使用加密数据时，会在AWS Nitro Enclaves（隔离的虚拟机）里用主密钥（需要通过验证，浏览器扩展才会用Enclave的公钥加密传输这个主密钥）临时解密，解密后的数据只会临时出现在这个云端虚拟机的内存里，用来构造prompt，发给LLM API（跟这些LLM供应商签了零数据保存协议）
- 眼镜里的Web App只接受LLM的结果渲染UI，所以不开源
- 其他实现开源接受审查：github.com
图4是架构图
Pickle眼镜官网：pickle.com
4 12
不喜欢VR但追求极致的Apple在做MR的过程中可能无意中积累了一堆关键的VR技术
比如也许有天可以干脆全部用点云而不是网格来构建游戏里的场景和人物（高斯溅射的场景+类似AVP persona的avatar），既方便AI动态按需生成游戏内容，还能在游戏过程中由AI按需做各种动态调整（比如衣服被环境中的树枝勾住），不用预先做动画和绑定
另外这个技术（图5）即使把「交互输出」部分（avatar）去掉，只留下「交互输入」部分也很有用，相当于把面向agent的多模态输入又推进了一步，通过来自传感器的视觉信息，进一步从用户所处环境中推断出更丰富信息（而不止是让用户能「透视」现实环境）
在AI快速演进的时代，Apple仍然专注在这些交互输入输出的细节上，但这其实就是Apple正经该干的事情，Apple的企业基因就是GUI和人机交互，就算做AI也应该发挥自己的优势（比如前面说的多模态交互输入）。无论XR行业还是AI行业，都需要Apple在这些方面的引领（特别是需要在GUI/交互的设计模式上形成行业共识的时候，Apple的影响力难以取代）
比如也许有天可以干脆全部用点云而不是网格来构建游戏里的场景和人物（高斯溅射的场景+类似AVP persona的avatar），既方便AI动态按需生成游戏内容，还能在游戏过程中由AI按需做各种动态调整（比如衣服被环境中的树枝勾住），不用预先做动画和绑定
另外这个技术（图5）即使把「交互输出」部分（avatar）去掉，只留下「交互输入」部分也很有用，相当于把面向agent的多模态输入又推进了一步，通过来自传感器的视觉信息，进一步从用户所处环境中推断出更丰富信息（而不止是让用户能「透视」现实环境）
在AI快速演进的时代，Apple仍然专注在这些交互输入输出的细节上，但这其实就是Apple正经该干的事情，Apple的企业基因就是GUI和人机交互，就算做AI也应该发挥自己的优势（比如前面说的多模态交互输入）。无论XR行业还是AI行业，都需要Apple在这些方面的引领（特别是需要在GUI/交互的设计模式上形成行业共识的时候，Apple的影响力难以取代）
2 00
1 00