即刻App年轻人的同好社区
下载
强烈推荐大家看看 Anthropic 这个就业报告。
Anthropic 的技术博客，含金量真的很高。最近发布的一些文章，我觉得已经可以当论文来看了，基本上都会打印出来仔细阅读。
前天，Anthropic 又发表了一篇非常重要的研究报告，叫《How employment is changing at Anthropic》。
这次 Anthropic 直接拿自己的员工做样本，通过内部招聘数据、员工工作记录、面试评价，以及 17 位员工的访谈，研究 AI 给公司的人员结构、招聘标准和协作方式带来了哪些变化。
我觉得特别有价值。毕竟 Anthropic 已经是全球 AI 使用程度最高的公司之一，他们现在经历的变化，很可能就是接下来的趋势。
分享几个我的收获，尤其是对正在找工作的朋友，我觉得很有参考价值。
1、初级岗位的招聘，确实在明显减少。Anthropic 的数据显示，从 2025 年初到今年，技术部门的初级员工占比，从 21% 下降到了 14%。
而在新招聘的技术员工中，初级岗位的占比下降得更厉害，从 27% 跌到了 9%。
注意，Anthropic 的技术团队仍在扩张，但招聘越来越偏向有经验的人。
原因也相对比较好理解。毕竟 AI 现在已经可以完成很多复杂任务了，所以企业对人的判断力要求反而越来越高。
过去企业招聘初级工程师，通常会让他们先从简单的开发、测试、Bug 修复开始，慢慢积累经验。但现在，这些工作已经可以大量交给 AI 完成了。
类似的变化也出现在一些基础行政岗位上。即使 Anthropic 的员工规模快速增长，这些岗位也没有出现相应的招聘增长。
我自己也有类似的感受。
从年初到现在，我陆续跟不同的实习生（非 985 高校）合作过。说实话，整体体验并不算特别满意。主要问题还是大家缺乏经验，遇到一个稍微复杂点的问题，可能就会卡很久。
如果再缺乏主动性，就需要我不停地安排任务、检查进度，那我还真不如直接把事情交给 AI 完成。
所以从生产效率的角度来看，对于 AI 使用程度很高的公司，初级岗位的需求可能会越来越少。
2、Anthropic 的招聘标准也发生了明显变化，越来越看重一个人的自主性和判断力。
Anthropic 分析了自 2024 年以来数千名录用员工的面试评价，发现技术岗位的评价中，增长最明显的两个维度是 Autonomy 和 Judgment，也就是自主性和判断力。
与此同时，对特定领域专业知识的关注占比反而有所下降。
这个变化很有意思。
之前我也写过几次类似的话题，包括 Notion 首席设计师的一些分享，都提到了主动性的重要性。
因为有了 AI 之后，一个员工实际上已经可以同时管理好几个 Agent，相当于每个人都带着几个下属。
这时候，工作方式就需要改变了。
过去可能是领导分配任务，员工按照要求完成。但现在，一个人完全可以自己提出想法，制定计划，再调动 AI 去实现目标。
在 AI 时代，主动性可能会成为一个人非常重要的竞争力。
3、但到底怎么判断一个人有没有主动性？
和运营、编程、设计这些专业技能相比，主动性多少有些主观，很难通过一道面试题判断出来。
年前，我给客户推荐过一个候选人，结果面试没通过。我很惊讶。因为之前跟他共事过，基本功不错，人也挺机灵。
客户老大叹了口气说：主要问题是他的主动性不够。我继续追问：你是怎么判断出来主动性不够的？
对方回答：问之前在某个项目里负责了什么，话里话外能听出来，他的工作范畴仅仅就局限在领导安排的事情上，没见着他的思考，基本上就是安排什么做什么。
主动性不够，来我们团队，很难生存下去。所以也就没推进了。
我挺认同客户的判断。
不管是在大厂还是小厂，主动做事，为目标着急永远是重要的能力。
领导推一步，然后干一步，这种性格很难把事情做好。
并且，我总觉得，主动是一种受益终生的思维方式，主动和同事沟通进展，主动思考问题的解决方案，主动认识一些厉害的人......
在我看来，主动性至少包括三个方面。
首先，一个人眼里得有问题，能够主动发现哪些事情值得做、哪些地方需要改进。其次，发现问题之后，愿意自己想办法，寻找资源，不停地把事情往前推进。
最后，遇到困难不会轻易停下来，更不会一直等着别人安排，而是会想办法把问题真正解决。
总之就是没有等靠要的思维方式。
4、Anthropic 越来越在乎候选人使用 AI 的能力，尤其是实际经历。
报告里有个很有意思的数据。2024 年，Anthropic 的技术岗位面试评价中，只有大约 5% 会提到候选人使用 AI 工具的经历，非技术岗位大约是 7%。
但到了 2026 年，这两个比例分别增长到了原来的 3 倍和 4 倍。
尤其是非技术岗位，变化非常明显。
这也给我们提了个醒。如果面试的时候，只是和面试官讲自己熟悉 Claude、Codex，恐怕已经没什么说服力了。这些工具谁都会用。
重要的是，我们用 AI 解决过什么具体问题。比如自己设计过一套工作流，或者利用 AI 做过一个小工具。我个人觉得这种真实的作品，比简历上罗列一堆 AI 工具更有说服力。
因为它能直接展示自己使用 AI 解决问题的能力。
5、AI 对应届生确实不太友好。
特别是非 985 或者 211 高校的学生，相比十年前的毕业生，大家就业压力大不少。
过去很多应届生的起点，几乎都是从简单的工作开始，然后在实际项目里慢慢积累经验，几年之后才能逐渐独当一面。
但现在，AI 正在接管其中一大部分基础工作。如果企业越来越倾向于招聘有经验、有判断力、能够独立完成任务的人，那么应届生，应该去哪里获得这些经验？
这真是个挺棘手的问题。我亲戚家的孩子就是这情况，毕业一年了，现在还在家里待着。
所以，我感觉尤其是还在上学的同学，毕业后想进入互联网行业，真的应该尽早利用 AI，积累一些真实的项目经验。
比如开发一个自己真正想用的小产品，解决身边某个实际问题，或者给一项真实业务设计自动化流程。
很多二流学校的学生，在这时候了，还是在努力考研，以考研为荣。我真心觉得糊涂。
如果只是因为不知道毕业之后该做什么，或者天真的认为多一张文凭就能找到更好的工作，那真的应该重新考虑这事的逻辑。
尤其是那些将来想进入互联网行业，做产品、运营或者开发的同学。
现在 AI 已经把做产品的门槛降得非常低了。真的应该花点时间，去做几个真实的项目。最好能找到用户，收集反馈，再不断改进。
这个过程既能积累经验，也能锻炼前面提到的主动性、判断力，以及使用 AI 解决问题的能力。
等到真正找工作的时候，直接把作品拿出来，讲清楚自己解决了什么问题，以及取得了什么结果。反正如果我是面试官，我会非常愿意和这样的应届生聊聊。
Anthropic 的技术博客，含金量真的很高。最近发布的一些文章，我觉得已经可以当论文来看了，基本上都会打印出来仔细阅读。
前天，Anthropic 又发表了一篇非常重要的研究报告，叫《How employment is changing at Anthropic》。
这次 Anthropic 直接拿自己的员工做样本，通过内部招聘数据、员工工作记录、面试评价，以及 17 位员工的访谈，研究 AI 给公司的人员结构、招聘标准和协作方式带来了哪些变化。
我觉得特别有价值。毕竟 Anthropic 已经是全球 AI 使用程度最高的公司之一，他们现在经历的变化，很可能就是接下来的趋势。
分享几个我的收获，尤其是对正在找工作的朋友，我觉得很有参考价值。
1、初级岗位的招聘，确实在明显减少。Anthropic 的数据显示，从 2025 年初到今年，技术部门的初级员工占比，从 21% 下降到了 14%。
而在新招聘的技术员工中，初级岗位的占比下降得更厉害，从 27% 跌到了 9%。
注意，Anthropic 的技术团队仍在扩张，但招聘越来越偏向有经验的人。
原因也相对比较好理解。毕竟 AI 现在已经可以完成很多复杂任务了，所以企业对人的判断力要求反而越来越高。
过去企业招聘初级工程师，通常会让他们先从简单的开发、测试、Bug 修复开始，慢慢积累经验。但现在，这些工作已经可以大量交给 AI 完成了。
类似的变化也出现在一些基础行政岗位上。即使 Anthropic 的员工规模快速增长，这些岗位也没有出现相应的招聘增长。
我自己也有类似的感受。
从年初到现在，我陆续跟不同的实习生（非 985 高校）合作过。说实话，整体体验并不算特别满意。主要问题还是大家缺乏经验，遇到一个稍微复杂点的问题，可能就会卡很久。
如果再缺乏主动性，就需要我不停地安排任务、检查进度，那我还真不如直接把事情交给 AI 完成。
所以从生产效率的角度来看，对于 AI 使用程度很高的公司，初级岗位的需求可能会越来越少。
2、Anthropic 的招聘标准也发生了明显变化，越来越看重一个人的自主性和判断力。
Anthropic 分析了自 2024 年以来数千名录用员工的面试评价，发现技术岗位的评价中，增长最明显的两个维度是 Autonomy 和 Judgment，也就是自主性和判断力。
与此同时，对特定领域专业知识的关注占比反而有所下降。
这个变化很有意思。
之前我也写过几次类似的话题，包括 Notion 首席设计师的一些分享，都提到了主动性的重要性。
因为有了 AI 之后，一个员工实际上已经可以同时管理好几个 Agent，相当于每个人都带着几个下属。
这时候，工作方式就需要改变了。
过去可能是领导分配任务，员工按照要求完成。但现在，一个人完全可以自己提出想法，制定计划，再调动 AI 去实现目标。
在 AI 时代，主动性可能会成为一个人非常重要的竞争力。
3、但到底怎么判断一个人有没有主动性？
和运营、编程、设计这些专业技能相比，主动性多少有些主观，很难通过一道面试题判断出来。
年前，我给客户推荐过一个候选人，结果面试没通过。我很惊讶。因为之前跟他共事过，基本功不错，人也挺机灵。
客户老大叹了口气说：主要问题是他的主动性不够。我继续追问：你是怎么判断出来主动性不够的？
对方回答：问之前在某个项目里负责了什么，话里话外能听出来，他的工作范畴仅仅就局限在领导安排的事情上，没见着他的思考，基本上就是安排什么做什么。
主动性不够，来我们团队，很难生存下去。所以也就没推进了。
我挺认同客户的判断。
不管是在大厂还是小厂，主动做事，为目标着急永远是重要的能力。
领导推一步，然后干一步，这种性格很难把事情做好。
并且，我总觉得，主动是一种受益终生的思维方式，主动和同事沟通进展，主动思考问题的解决方案，主动认识一些厉害的人......
在我看来，主动性至少包括三个方面。
首先，一个人眼里得有问题，能够主动发现哪些事情值得做、哪些地方需要改进。其次，发现问题之后，愿意自己想办法，寻找资源，不停地把事情往前推进。
最后，遇到困难不会轻易停下来，更不会一直等着别人安排，而是会想办法把问题真正解决。
总之就是没有等靠要的思维方式。
4、Anthropic 越来越在乎候选人使用 AI 的能力，尤其是实际经历。
报告里有个很有意思的数据。2024 年，Anthropic 的技术岗位面试评价中，只有大约 5% 会提到候选人使用 AI 工具的经历，非技术岗位大约是 7%。
但到了 2026 年，这两个比例分别增长到了原来的 3 倍和 4 倍。
尤其是非技术岗位，变化非常明显。
这也给我们提了个醒。如果面试的时候，只是和面试官讲自己熟悉 Claude、Codex，恐怕已经没什么说服力了。这些工具谁都会用。
重要的是，我们用 AI 解决过什么具体问题。比如自己设计过一套工作流，或者利用 AI 做过一个小工具。我个人觉得这种真实的作品，比简历上罗列一堆 AI 工具更有说服力。
因为它能直接展示自己使用 AI 解决问题的能力。
5、AI 对应届生确实不太友好。
特别是非 985 或者 211 高校的学生，相比十年前的毕业生，大家就业压力大不少。
过去很多应届生的起点，几乎都是从简单的工作开始，然后在实际项目里慢慢积累经验，几年之后才能逐渐独当一面。
但现在，AI 正在接管其中一大部分基础工作。如果企业越来越倾向于招聘有经验、有判断力、能够独立完成任务的人，那么应届生，应该去哪里获得这些经验？
这真是个挺棘手的问题。我亲戚家的孩子就是这情况，毕业一年了，现在还在家里待着。
所以，我感觉尤其是还在上学的同学，毕业后想进入互联网行业，真的应该尽早利用 AI，积累一些真实的项目经验。
比如开发一个自己真正想用的小产品，解决身边某个实际问题，或者给一项真实业务设计自动化流程。
很多二流学校的学生，在这时候了，还是在努力考研，以考研为荣。我真心觉得糊涂。
如果只是因为不知道毕业之后该做什么，或者天真的认为多一张文凭就能找到更好的工作，那真的应该重新考虑这事的逻辑。
尤其是那些将来想进入互联网行业，做产品、运营或者开发的同学。
现在 AI 已经把做产品的门槛降得非常低了。真的应该花点时间，去做几个真实的项目。最好能找到用户，收集反馈，再不断改进。
这个过程既能积累经验，也能锻炼前面提到的主动性、判断力，以及使用 AI 解决问题的能力。
等到真正找工作的时候，直接把作品拿出来，讲清楚自己解决了什么问题，以及取得了什么结果。反正如果我是面试官，我会非常愿意和这样的应届生聊聊。
101 1748
花时间研究了下特斯拉 Roadster 的原理。
特斯拉今天发布的 Roadster，确实太酷炫了。
我大半个下午都在刷各种资料，研究了一圈，发现它的实现思路特有意思。
我们都知道，马斯克手里有两家非常知名的公司，其中 SpaceX 是造火箭的，特斯拉是造汽车和机器人的。
这两个看起来没什么关系的领域，现在竟然在 Roadster 中交融到了一起。
特斯拉尝试把原本用在航天器上的推进技术搬到汽车上，让一辆汽车变成可以控制方向的小火箭。
怎么讲？
大家可以想象一下，把一个气球吹得很鼓，然后突然松开气球口。气体高速喷射出去，气球就会朝相反的方向乱飞。
Roadster 用的也是类似的办法。
只不过，它把气球换成了高压储气罐，再通过阀门和喷嘴，控制气体喷射的方向和力度。
比如，朝下喷射气体，汽车就会获得向上的推力。只要推力足够大，就能克服重力，离开地面。如果朝后喷射，汽车就会向前加速。
这套技术叫冷气体推进器，其实在航天领域已经应用很多年了，主要用来调整航天器的姿态和方向。
和传统的火箭发动机不同，冷气体推进器不需要燃烧燃料，直接释放高压气体就能产生推力。
当然，原理简单并不意味着工程层面的简单，要不然这事也不至于停滞那么多年。
我看了汽车杂志 MotorTrend 的一篇技术分析，里面提到不少细节，也和大家分享下。
从逻辑上讲，一辆汽车想要依靠喷气飞起来，就得随车携带大量的高压气体。所以，特斯拉采用了一种叫 COPV 的高压储气罐，外面包裹着碳纤维复合材料。
这次展示的飞行版 Roadster，配备了总容积约 600 升的高压储气空间，储存的气体主要是氮气。
但光有高压气体还不够。汽车飞起来之后，还得调整方向和保持平衡，这时候就需要精确控制不同喷嘴的喷射力度和时机。
特斯拉这辆 Roadster 在车身不同位置安装了 10 个喷嘴。其中四个朝向车尾，负责向前加速。四个朝下，负责提供向上的推力。另外两个位于车头，帮助汽车调整姿态。
这套设计同样也借鉴了航天器的姿态控制技术。
汽车在地面上可以通过轮胎转向，但腾空以后，就只能依靠喷嘴来调整姿态。无论是保持平衡，还是完成空中翻转，都需要不同位置的喷嘴相互配合。
而且，这种控制必须非常精确。 比如左右两侧的喷射力度稍有偏差，汽车就可能发生意外偏转。
所以，特斯拉专门把连接车尾喷嘴的输气管路设计成相同长度，尽量避免供气不均导致汽车偏转。
我感觉这部分才是整个工程最难的地方。让汽车获得向上的推力，原理很好理解。但要在空中控制好它的姿态和平衡，最后还能平稳降落，就复杂多了。
大家可以回头看看这次发布会的视频。
Roadster 沿着一个巨大的弯曲坡道往上行驶，最后竟然倒挂在了坡道顶部。随后，汽车离开坡道，在空中完成翻转，调整好姿态，最后平稳落地。
这段演示其实用到了两套不同的系统。
空中翻转和降落，依靠的是前面介绍的喷气推进器。而汽车能够倒挂在坡道上，则是因为特斯拉还安装了一套风扇吸附系统。
车底的高速风扇不断抽走空气，降低车底的气压，利用气压差把汽车牢牢吸附在坡道上。可以简单理解成一个巨大的吸盘。
更有意思的是，喷气推进器除了让汽车短暂腾空，还能帮助汽车加速。
电动车的电机功率再大，最终也得通过轮胎把动力传递到地面。但轮胎的抓地力总有上限，动力太大，轮胎就可能打滑。
而喷气推进器可以直接产生向前的推力，不受轮胎抓地力的限制。与此同时，车底的风扇吸附系统，还可以增加轮胎的抓地力。
两套系统结合起来，汽车的加速能力就变得非常夸张。
这次发布会上，特斯拉展示的 Roadster，从静止加速到时速约 97 公里，只用了 0.81 秒。
不过，说到这里，大家肯定和我一样也会想到一个问题。
既然 Roadster 依靠高压气体飞起来，那储气罐里的气体喷完了怎么办？
这恰好是冷气体推进技术的一个重要限制。
我查了 NASA 的相关技术资料，这项技术其实已经相当成熟，结构也比较简单，但能够提供的总冲量有限。
毕竟，一辆汽车能携带的高压气体终究是有限的。喷射越猛烈，产生的推力越大，气体也消耗得越快。
所以，今天我们看到的主要还是短暂腾空和空中姿态控制。
它究竟能够连续飞行多久？一次充气能够完成多少次飞行动作？如果某个喷嘴突然出现故障，又该怎么处理？
这些问题，目前都缺少足够的公开测试数据。
还有高压储气罐的安全性、喷气时对周围环境的影响，以及飞行过程中出现意外的风险，都需要经历大量验证。
现在展示的仍然是原型车。马斯克预计 2028 年开始量产，这次是不是饼就不知道了。
毕竟，Roadster 早在 2017 年就已经公布了，原本计划 2020 年交付，结果一直推迟到了现在。
但我真的是非常佩服马斯克这样的创新者。
记得早在 2018 年，马斯克就公开表示，准备给 Roadster 安装 SpaceX 的推进器，大约 10 个，分布在车身不同位置。当时他甚至提到过，说不定有一天能够让特斯拉飞起来。
大家想想，八年前听到这样的话，是不是觉得这哥们有点异想天开？毕竟，谁会想到给一辆电动车安装火箭推进器呢？
但没想到，八年之后，马斯克真的实现了。至少，部分实现了。
不抬杠，我知道，从技术演示到真正量产，还有太多问题需要解决。但马斯克这哥们就是这样，有些在别人看来完全不着边际的想法，他也能实现。
就像大家经常调侃的那样，马斯克想做的事情，最终都实现了，只是从来没能按时完成。
真硅谷钢铁侠。
特斯拉今天发布的 Roadster，确实太酷炫了。
我大半个下午都在刷各种资料，研究了一圈，发现它的实现思路特有意思。
我们都知道，马斯克手里有两家非常知名的公司，其中 SpaceX 是造火箭的，特斯拉是造汽车和机器人的。
这两个看起来没什么关系的领域，现在竟然在 Roadster 中交融到了一起。
特斯拉尝试把原本用在航天器上的推进技术搬到汽车上，让一辆汽车变成可以控制方向的小火箭。
怎么讲？
大家可以想象一下，把一个气球吹得很鼓，然后突然松开气球口。气体高速喷射出去，气球就会朝相反的方向乱飞。
Roadster 用的也是类似的办法。
只不过，它把气球换成了高压储气罐，再通过阀门和喷嘴，控制气体喷射的方向和力度。
比如，朝下喷射气体，汽车就会获得向上的推力。只要推力足够大，就能克服重力，离开地面。如果朝后喷射，汽车就会向前加速。
这套技术叫冷气体推进器，其实在航天领域已经应用很多年了，主要用来调整航天器的姿态和方向。
和传统的火箭发动机不同，冷气体推进器不需要燃烧燃料，直接释放高压气体就能产生推力。
当然，原理简单并不意味着工程层面的简单，要不然这事也不至于停滞那么多年。
我看了汽车杂志 MotorTrend 的一篇技术分析，里面提到不少细节，也和大家分享下。
从逻辑上讲，一辆汽车想要依靠喷气飞起来，就得随车携带大量的高压气体。所以，特斯拉采用了一种叫 COPV 的高压储气罐，外面包裹着碳纤维复合材料。
这次展示的飞行版 Roadster，配备了总容积约 600 升的高压储气空间，储存的气体主要是氮气。
但光有高压气体还不够。汽车飞起来之后，还得调整方向和保持平衡，这时候就需要精确控制不同喷嘴的喷射力度和时机。
特斯拉这辆 Roadster 在车身不同位置安装了 10 个喷嘴。其中四个朝向车尾，负责向前加速。四个朝下，负责提供向上的推力。另外两个位于车头，帮助汽车调整姿态。
这套设计同样也借鉴了航天器的姿态控制技术。
汽车在地面上可以通过轮胎转向，但腾空以后，就只能依靠喷嘴来调整姿态。无论是保持平衡，还是完成空中翻转，都需要不同位置的喷嘴相互配合。
而且，这种控制必须非常精确。 比如左右两侧的喷射力度稍有偏差，汽车就可能发生意外偏转。
所以，特斯拉专门把连接车尾喷嘴的输气管路设计成相同长度，尽量避免供气不均导致汽车偏转。
我感觉这部分才是整个工程最难的地方。让汽车获得向上的推力，原理很好理解。但要在空中控制好它的姿态和平衡，最后还能平稳降落，就复杂多了。
大家可以回头看看这次发布会的视频。
Roadster 沿着一个巨大的弯曲坡道往上行驶，最后竟然倒挂在了坡道顶部。随后，汽车离开坡道，在空中完成翻转，调整好姿态，最后平稳落地。
这段演示其实用到了两套不同的系统。
空中翻转和降落，依靠的是前面介绍的喷气推进器。而汽车能够倒挂在坡道上，则是因为特斯拉还安装了一套风扇吸附系统。
车底的高速风扇不断抽走空气，降低车底的气压，利用气压差把汽车牢牢吸附在坡道上。可以简单理解成一个巨大的吸盘。
更有意思的是，喷气推进器除了让汽车短暂腾空，还能帮助汽车加速。
电动车的电机功率再大，最终也得通过轮胎把动力传递到地面。但轮胎的抓地力总有上限，动力太大，轮胎就可能打滑。
而喷气推进器可以直接产生向前的推力，不受轮胎抓地力的限制。与此同时，车底的风扇吸附系统，还可以增加轮胎的抓地力。
两套系统结合起来，汽车的加速能力就变得非常夸张。
这次发布会上，特斯拉展示的 Roadster，从静止加速到时速约 97 公里，只用了 0.81 秒。
不过，说到这里，大家肯定和我一样也会想到一个问题。
既然 Roadster 依靠高压气体飞起来，那储气罐里的气体喷完了怎么办？
这恰好是冷气体推进技术的一个重要限制。
我查了 NASA 的相关技术资料，这项技术其实已经相当成熟，结构也比较简单，但能够提供的总冲量有限。
毕竟，一辆汽车能携带的高压气体终究是有限的。喷射越猛烈，产生的推力越大，气体也消耗得越快。
所以，今天我们看到的主要还是短暂腾空和空中姿态控制。
它究竟能够连续飞行多久？一次充气能够完成多少次飞行动作？如果某个喷嘴突然出现故障，又该怎么处理？
这些问题，目前都缺少足够的公开测试数据。
还有高压储气罐的安全性、喷气时对周围环境的影响，以及飞行过程中出现意外的风险，都需要经历大量验证。
现在展示的仍然是原型车。马斯克预计 2028 年开始量产，这次是不是饼就不知道了。
毕竟，Roadster 早在 2017 年就已经公布了，原本计划 2020 年交付，结果一直推迟到了现在。
但我真的是非常佩服马斯克这样的创新者。
记得早在 2018 年，马斯克就公开表示，准备给 Roadster 安装 SpaceX 的推进器，大约 10 个，分布在车身不同位置。当时他甚至提到过，说不定有一天能够让特斯拉飞起来。
大家想想，八年前听到这样的话，是不是觉得这哥们有点异想天开？毕竟，谁会想到给一辆电动车安装火箭推进器呢？
但没想到，八年之后，马斯克真的实现了。至少，部分实现了。
不抬杠，我知道，从技术演示到真正量产，还有太多问题需要解决。但马斯克这哥们就是这样，有些在别人看来完全不着边际的想法，他也能实现。
就像大家经常调侃的那样，马斯克想做的事情，最终都实现了，只是从来没能按时完成。
真硅谷钢铁侠。
22 28
我天，字节 Seed 真是带了个好头。昨天，他们宣布成立独立的安全与对齐部门，我没记错的话，这是国内第一个单独建制的安全与对齐部门。
我发现很多人可能还没有意识到这事的重要性。
之前我在 X 上看到有人调侃，说中国的 AI 研究员聚在一起讨论技术，根本不聊 AI 安全。而硅谷的研究员，动不动就因为公司不够重视 AI 安全而辞职。
虽然这个说法有点夸张，但确实形成了挺鲜明的对比。
恰好就在前几天，10 月 9 日，路透社还发表了一篇报道，吐槽中国头部模型公司公开披露安全评测结果的比例非常低。
这份研究统计了阿里、字节、腾讯、DeepSeek 等九家中国头部模型公司，从 2021 年到今年 9 月中旬发布的 857 次模型。其中只有 3.6% 的模型发布，能够找到对应的公开安全评测结果。
当然，这不代表这些公司私下没有进行安全测试。但至少从公开的信息来看，国内目前还很少有公司像 OpenAI、Anthropic 这样的硅谷一线实验室，系统地披露模型的前沿危险能力评测。
我们都知道，OpenAI 和 Anthropic 一直非常重视 AI 安全。
上个月 Salesforce 的 Dreamforce 大会上，黄仁勋、Sam Altman，还有 Anthropic 的创始人 Dario Amodei，都分享了各自对 AI 发展的判断。我当时就注意到，他们几乎都在讨论 AI 安全。
特别是 Sam 和 Dario 这俩死对头，也在 AI 安全这事上心照不宣。
为什么？
因为过去这段时间，模型能力确实又上了一个台阶，而且开始出现一些让人细思极恐的事情。
比如前段时间，OpenAI 公开了一份调查报告。今年 7 月，他们在内部进行网络安全评测时，发现一些 AI Agent 竟然自己找到了系统漏洞，突破原本的沙箱隔离限制，甚至入侵了 Hugging Face 的部分系统。
整个过程中，人类并没有要求它们攻击 Hugging Face。
Anthropic 也遇到了类似的问题。
上周 Anthropic 还公布了一份报告，披露 Claude 在一些内部使用和评测场景中，出现了未经授权的行为。
比如为了完成科学分析任务，Claude 自己寻找并利用网站漏洞，在服务器上执行命令。还有一次，它原本应该填写模拟表格，结果跑到真实网站提交了表格。
这些事情，研究人员都没有要求它去做。
你想想，过去我们讨论模型能力，更多关注的是它能不能完成长程任务，能不能独立推理、编写代码，或者自主解决复杂问题。这些能力当然都很重要，因为它们可以极大地提高生产力。
但现在问题来了。当 AI 越来越聪明，能够自己寻找解决问题的办法时，它也可能为了完成任务，做出一些人类根本没有授权的事情。
甚至可能影响其他人和其他系统的安全。这就很可怕了。
前段时间，我也和几个朋友交流过这件事情。国内大模型和硅谷顶尖闭源模型之间的能力差距确实正在缩小。尤其是最近一年，国产模型的进步大家应该都有目共睹。
但模型能力越来越接近，安全与对齐相关的研究差距却还是非常明显。所以这次字节 Seed 单独成立安全与对齐部门，确实是开一个好头。
可能很多人一听对齐这个词，会觉得不就是让模型听人类的话吗？这事有那么难吗？
我跟大家讲，这事真的非常难。
而且你可能想象不到，在 OpenAI、Anthropic 这样的公司里，做这项研究的都是些什么人。
比如 Ilya Sutskever，OpenAI 的元老，前首席科学家。2023 年，OpenAI 专门成立了一个叫 Superalignment 的研究团队，研究怎么控制未来可能比人类更聪明的 AI。
这个团队的一号位就是 Ilya。Anthropic 也一样。负责这事的人都是公司里非常厉害的研究员。
因为安全与对齐研究涉及的问题，比我们想象的复杂得多。
我简单解释一下。
首先，最基础的一项工作，就是研究怎么把 AI 训练得更加安全。比如怎么让 AI 理解人类的真实意图，知道哪些事情可以自己决定，哪些事情必须获得授权，以及遇到复杂情况的时候应该怎么判断。
Anthropic 就有一个非常著名的研究，叫 Constitutional AI，也就是宪法 AI。
他们专门给 Claude 制定了一套宪法。这份文件详细解释了 Claude 应该遵循什么样的价值观、行为原则，以及当用户的要求和安全原则发生冲突时，应该如何处理。
整体的逻辑是希望通过训练，让这些原则真正影响模型的行为，使它遇到陌生情况时，也能做出符合人类意图和安全要求的判断。
这其实就已经深入到了模型的后训练和强化学习过程。
但问题还没有这么简单。
因为随着模型越来越聪明，它可能会为了完成任务，想办法绕过某些规则。甚至在一些专门设计的实验中，模型还可能表现出欺骗评测系统、隐藏不符合要求的行为倾向等问题。
这就更麻烦了。你不光要研究怎么训练模型，还要研究怎么发现这些问题。
比如，一个模型在测试的时候表现得非常正常，到了真实环境里却出现了危险行为，该怎么办？如果模型执行的任务已经复杂到人类都很难完整检查，又该怎么监督它？
这些都是安全与对齐团队需要研究的问题。
所以，安全与对齐听起来好像是一个比较边缘的研究方向，但实际上，它和模型最核心的能力研究有着非常紧密的联系。这也是为什么 OpenAI 和 Anthropic 愿意让最优秀的一批科学家长期投入这件事情。
回过头来看字节 Seed。这次新成立的部门，叫 Alignment & Preparedness，由严林负责，直接向 Seed 负责人吴永辉汇报。
也就是说，字节现在把前沿模型安全与对齐研究单独建制，并且直接和模型的核心研发联系起来。这和 OpenAI、Anthropic 这些一线实验室的研究方向，已经有了非常清晰的对应关系。
说实话，我还挺佩服字节这次的投入和决心。
过去很多年，我们在一些基础技术领域一直处于追赶的位置。大家往往更关心怎么尽快缩小能力差距，但安全的问题和模型能力一样重要。
就像当年发展工业一样，我们不可能说为了工业，然后牺牲环境安全，要不然这个代价就太大了。
我发现很多人可能还没有意识到这事的重要性。
之前我在 X 上看到有人调侃，说中国的 AI 研究员聚在一起讨论技术，根本不聊 AI 安全。而硅谷的研究员，动不动就因为公司不够重视 AI 安全而辞职。
虽然这个说法有点夸张，但确实形成了挺鲜明的对比。
恰好就在前几天，10 月 9 日，路透社还发表了一篇报道，吐槽中国头部模型公司公开披露安全评测结果的比例非常低。
这份研究统计了阿里、字节、腾讯、DeepSeek 等九家中国头部模型公司，从 2021 年到今年 9 月中旬发布的 857 次模型。其中只有 3.6% 的模型发布，能够找到对应的公开安全评测结果。
当然，这不代表这些公司私下没有进行安全测试。但至少从公开的信息来看，国内目前还很少有公司像 OpenAI、Anthropic 这样的硅谷一线实验室，系统地披露模型的前沿危险能力评测。
我们都知道，OpenAI 和 Anthropic 一直非常重视 AI 安全。
上个月 Salesforce 的 Dreamforce 大会上，黄仁勋、Sam Altman，还有 Anthropic 的创始人 Dario Amodei，都分享了各自对 AI 发展的判断。我当时就注意到，他们几乎都在讨论 AI 安全。
特别是 Sam 和 Dario 这俩死对头，也在 AI 安全这事上心照不宣。
为什么？
因为过去这段时间，模型能力确实又上了一个台阶，而且开始出现一些让人细思极恐的事情。
比如前段时间，OpenAI 公开了一份调查报告。今年 7 月，他们在内部进行网络安全评测时，发现一些 AI Agent 竟然自己找到了系统漏洞，突破原本的沙箱隔离限制，甚至入侵了 Hugging Face 的部分系统。
整个过程中，人类并没有要求它们攻击 Hugging Face。
Anthropic 也遇到了类似的问题。
上周 Anthropic 还公布了一份报告，披露 Claude 在一些内部使用和评测场景中，出现了未经授权的行为。
比如为了完成科学分析任务，Claude 自己寻找并利用网站漏洞，在服务器上执行命令。还有一次，它原本应该填写模拟表格，结果跑到真实网站提交了表格。
这些事情，研究人员都没有要求它去做。
你想想，过去我们讨论模型能力，更多关注的是它能不能完成长程任务，能不能独立推理、编写代码，或者自主解决复杂问题。这些能力当然都很重要，因为它们可以极大地提高生产力。
但现在问题来了。当 AI 越来越聪明，能够自己寻找解决问题的办法时，它也可能为了完成任务，做出一些人类根本没有授权的事情。
甚至可能影响其他人和其他系统的安全。这就很可怕了。
前段时间，我也和几个朋友交流过这件事情。国内大模型和硅谷顶尖闭源模型之间的能力差距确实正在缩小。尤其是最近一年，国产模型的进步大家应该都有目共睹。
但模型能力越来越接近，安全与对齐相关的研究差距却还是非常明显。所以这次字节 Seed 单独成立安全与对齐部门，确实是开一个好头。
可能很多人一听对齐这个词，会觉得不就是让模型听人类的话吗？这事有那么难吗？
我跟大家讲，这事真的非常难。
而且你可能想象不到，在 OpenAI、Anthropic 这样的公司里，做这项研究的都是些什么人。
比如 Ilya Sutskever，OpenAI 的元老，前首席科学家。2023 年，OpenAI 专门成立了一个叫 Superalignment 的研究团队，研究怎么控制未来可能比人类更聪明的 AI。
这个团队的一号位就是 Ilya。Anthropic 也一样。负责这事的人都是公司里非常厉害的研究员。
因为安全与对齐研究涉及的问题，比我们想象的复杂得多。
我简单解释一下。
首先，最基础的一项工作，就是研究怎么把 AI 训练得更加安全。比如怎么让 AI 理解人类的真实意图，知道哪些事情可以自己决定，哪些事情必须获得授权，以及遇到复杂情况的时候应该怎么判断。
Anthropic 就有一个非常著名的研究，叫 Constitutional AI，也就是宪法 AI。
他们专门给 Claude 制定了一套宪法。这份文件详细解释了 Claude 应该遵循什么样的价值观、行为原则，以及当用户的要求和安全原则发生冲突时，应该如何处理。
整体的逻辑是希望通过训练，让这些原则真正影响模型的行为，使它遇到陌生情况时，也能做出符合人类意图和安全要求的判断。
这其实就已经深入到了模型的后训练和强化学习过程。
但问题还没有这么简单。
因为随着模型越来越聪明，它可能会为了完成任务，想办法绕过某些规则。甚至在一些专门设计的实验中，模型还可能表现出欺骗评测系统、隐藏不符合要求的行为倾向等问题。
这就更麻烦了。你不光要研究怎么训练模型，还要研究怎么发现这些问题。
比如，一个模型在测试的时候表现得非常正常，到了真实环境里却出现了危险行为，该怎么办？如果模型执行的任务已经复杂到人类都很难完整检查，又该怎么监督它？
这些都是安全与对齐团队需要研究的问题。
所以，安全与对齐听起来好像是一个比较边缘的研究方向，但实际上，它和模型最核心的能力研究有着非常紧密的联系。这也是为什么 OpenAI 和 Anthropic 愿意让最优秀的一批科学家长期投入这件事情。
回过头来看字节 Seed。这次新成立的部门，叫 Alignment & Preparedness，由严林负责，直接向 Seed 负责人吴永辉汇报。
也就是说，字节现在把前沿模型安全与对齐研究单独建制，并且直接和模型的核心研发联系起来。这和 OpenAI、Anthropic 这些一线实验室的研究方向，已经有了非常清晰的对应关系。
说实话，我还挺佩服字节这次的投入和决心。
过去很多年，我们在一些基础技术领域一直处于追赶的位置。大家往往更关心怎么尽快缩小能力差距，但安全的问题和模型能力一样重要。
就像当年发展工业一样，我们不可能说为了工业，然后牺牲环境安全，要不然这个代价就太大了。
10 06
我看李录说这几年中国内需偏弱的重要原因之一就是房价下跌，这个我太感同身受了，因为我觉得百分之八九十的老百姓，净资产直接跟房产相关，而且基本上都还有房贷。
早些年房价咔咔涨的时候，人们内心就会觉得自己的财富在增值嘛，所以花钱的时候，手脚就会大一些。
但这两年房价跌了40%，直观上感觉就是家庭资产缩水了或者赔钱了，所以大家肯定消费就会谨慎很多。
房价下跌，家庭的财富减少，然后消费变得谨慎，所以需求减弱。
我感觉这个房价这事对于我这样老百姓的消费心理影响太大了。
包括早几年，买房的时候，很多人的心态是，能多贷就多贷点，多出来的利息会被通货膨胀给对冲了。但现在，房价不涨了，人们还会感受到通货膨胀吗？
至少，我感受不到了。
我们感觉通胀的锚点还是因为放到了房子上，比如之前在老家20万可以全款买一套房，现在20万连首付都不够.....
早些年房价咔咔涨的时候，人们内心就会觉得自己的财富在增值嘛，所以花钱的时候，手脚就会大一些。
但这两年房价跌了40%，直观上感觉就是家庭资产缩水了或者赔钱了，所以大家肯定消费就会谨慎很多。
房价下跌，家庭的财富减少，然后消费变得谨慎，所以需求减弱。
我感觉这个房价这事对于我这样老百姓的消费心理影响太大了。
包括早几年，买房的时候，很多人的心态是，能多贷就多贷点，多出来的利息会被通货膨胀给对冲了。但现在，房价不涨了，人们还会感受到通货膨胀吗？
至少，我感受不到了。
我们感觉通胀的锚点还是因为放到了房子上，比如之前在老家20万可以全款买一套房，现在20万连首付都不够.....
2 40
这段话，应该是我见过的关于选择和努力最深刻的解释了。
命运就是机会和抓住机会的能力。你没有办法辨别什么是机会，没有人能长一双慧眼，看到机会的来临。
你只能做各种各样的准备，往往是准备之后你做了临时性的选择、不知深浅的决定，正是这些准备，让你的各种选择和决定改变了命运。等你若干年回过头看，你才恍然大悟，原来那次抓住的就是机会。
昨晚和多年不见的高中同学喝酒，想起了张艺谋这句话，几年前我常挂在嘴边。
绝大部分情况下，我们都无法提前知道哪一次选择会改变人生轨迹，但确实可以通过长期准备，让自己有能力做出更多选择，然后让其中一些选择最终成为机会。
反正我这些年是这么过来的。
命运就是机会和抓住机会的能力。你没有办法辨别什么是机会，没有人能长一双慧眼，看到机会的来临。
你只能做各种各样的准备，往往是准备之后你做了临时性的选择、不知深浅的决定，正是这些准备，让你的各种选择和决定改变了命运。等你若干年回过头看，你才恍然大悟，原来那次抓住的就是机会。
昨晚和多年不见的高中同学喝酒，想起了张艺谋这句话，几年前我常挂在嘴边。
绝大部分情况下，我们都无法提前知道哪一次选择会改变人生轨迹，但确实可以通过长期准备，让自己有能力做出更多选择，然后让其中一些选择最终成为机会。
反正我这些年是这么过来的。
22 12
最近学 AI 收获最大的 3 个 YouTube 视频。
强烈推荐大家看看硅谷这几期讨论 AI 趋势的 YouTube 视频，非常精彩。
最好的对抗信息 FOMO 的方式就是找到好的信息源，然后精读。
所以这周我给自己留了 3 天时间，比较松散的把 10 月份 YouTube 上一些重要的播客都看完了。
挨个分享下。
一、Stripe 的创始人认为 Agent 会重塑互联网的流量分配逻辑。
这期视频访谈的标题是，Stripe’s John Collison: AI Agents Will Rewire the Internet，大家自己去搜。不长，一共 28 分钟。
这里面有两个印象深刻的观点。
1、Computer Use 是现实世界终极的向后兼容层。
或者这么讲，Computer Use 可能是继 Transformer、LLM 和强化学习之后，推动 AI 能力发展的又一次重要跃迁。
只要模型的 Computer Use 能力足够强，那数字世界的 AGI 就已经实现了。
因为 Computer Use 让 AI 能够利用人类过去几十年已经建设好的软件基础设施。
举个例子，假设我想让 AI 帮你续办驾照。
一种办法，是等待交通管理部门开发专门的 MCP Server 或 API，让 AI 可以直接调用。但等这些部门完成接口改造，恐怕得等上好几年。
另一种办法是，既然现在的网站已经能让人办理驾照，那么只要 Agent 学会操作网站，就可以直接完成任务。
那些没有 API、没有 MCP，甚至已经非常陈旧的软件，只要仍然可以通过界面操作，Agent 理论上就有机会使用它们。
2、Agent Commerce 会重新分配互联网的流量。
这个我想结合自己的经历展开讲下。
比如昨天，我给家里买窗帘。我比较喜欢去 1688，但每次买东西都头大，我得搜索商家、比较价格、沟通尺寸和材质，前后折腾了一个多小时。
或许等 Agent 再成熟一些，我就完全可以把类似的任务交给 Agent。
我知道，有人可能会担心，万一 AI 买贵了怎么办？
这问题我也想过。但即使我自己买，也不可能把所有商家都研究一遍。最后无非就是挑几个比较一下。而且我相信，AI 在搜索和比较这些事情上，大概率比我更有耐心。
当越来越多的人开始通过 Agent 购物，整个互联网的流量分配逻辑可能都会发生变化。
过去，我们发现商品，很大程度上依赖搜索引擎、电商平台和社交媒体。很多商家能否成功，取决于他们有多熟悉这些平台的流量规则。
但如果消费者直接向 Agent 提需求，让它帮自己寻找商品、比较价格，那么哪些商家更容易被发现，可能就要由一套新的规则决定了。
Stripe 的创始人 John 说，他自己用 AI 研究商品时，经常会发现一些以前从未听说过的小众品牌。
这些品牌可能没什么知名度，但产品不错，用户评价也很好，于是被 AI 推荐出来。
AI Discovery 会成为未来商业领域新的流量聚合入口。
这让我想起十一假期的一段经历。
我去了趟内蒙古的一个小城，在当地吃了一家很不起眼的小店。老板五十多岁，店面挺破旧，环境也谈不上多干净，但东西确实好吃、正宗。
老板说，从去年开始，店里的生意突然好了很多。他问那些外地来的客人，大家都说是在网上看到的。
其实就是一些游客在小红书上分享了这家店，后来越来越多人慕名而来，吃完又继续分享。包括我自己，也是通过小红书找到这家店的。
你看，这个老板什么都没做，甚至不知道互联网的流量规则已经变了，但他的生意却实实在在地受到了影响。
就像当年社交媒体广告兴起时，一批新公司特别擅长利用社交媒体获客，然后围绕这套流量规则设计产品，最后成长起来。
未来 Agent Commerce 可能也会重演类似的事情。
二、Alex Wang 谈他对 Meta Muse 的设想。
Alex Wang 不用多说了，最近风口浪尖上的人物，Meta AI 一号位。访谈的标题是 The Biggest Launch Since ChatGPT。
记得之前 Alex Wang 刚加入 Meta 的时候，好多人觉得这哥们很水。
但其实我觉得只要认认真真看过这人的访谈之后，你会发现扎克伯格的选人水平是有多强。
主持人问，假如一切顺利，五年甚至更久以后，Muse 应该变成什么样？
Alex 说，Muse 会成为用户的总管。
我想了一下，总管这个词好像比助理更贴切，因为助理似乎更多的是在完成我们吩咐给他的任务，而总管可以全盘考虑。
为什么需要这样的产品？这哥们讲了一段非常感性的个人思考。
很多人在小的时候，都有非常丰富的想象力。
有人想写一本书。有人想拍电影、制作音乐剧。有人希望改变世界，或者解决某个非常困难的问题。
但随着年龄增长，很多人的梦想逐渐消失。
他们按部就班的完成学业，进入社会，开始工作。生活中遇到各种各样的现实问题，大家开始向现实妥协，渐渐觉得，很多事情自己根本没有能力改变。
算了，就此算了？这真是令人遗憾的。很多人的想法可能很有价值，但他们从来没有机会真正尝试。
在 Alex 的想象里，他认为 AI 能够改变这一点。
一个人不应该因为缺少专业知识、不认识合适的人，或者无法处理复杂事务，就轻易放弃自己的想法。
如果有一个足够聪明的 AI，长期陪伴在用户身边，帮他搞定很多琐碎的事情，那么很多过去难以实现的目标，就可能逐渐变得可行。
那为什么这事是 Meta 做？因为 OpenAI、Anthropic 等等这批模型公司陷入到了技术的思维里。
大家也可以对应的想一想，过去一年时间好像 AI 行业里头有一个非常奇怪的现象。程序员好像觉得 AI 已经无所不能了，但普通人却不明白为什么大家这么激动。
因为对于大部分普通人来说，AI 仍然还是一个问答工具。这个我十一假期的时候出去旅游，发现大家用豆包的方式确实还是问答。
过去一年，几乎整个行业都在努力提升 Agent 的编程能力。
模型越来越擅长写代码，却很少有产品去思考，如何让一个完全不会编程、也不想学习编程的人，享受到 AI Agent 的能力。
Meta 从一开始，就是为了解决这个问题。
他们花了大量时间打磨 Muse 的细节。程序员对技术的容忍度通常比较高。遇到报错、任务中断、环境配置失败，他们可以自己排查，甚至觉得这就是使用新技术的一部分。
但普通用户不会这样。
所以 Muse 锚定的目标一直是把复杂的 Agent 技术包装成一个足够简单、稳定的消费级产品。
这好像确实是 Meta 擅长做的事。
三、a16z 的投资人对当下 AI 应用的分析
这集很有意思，因为 a16z 最近几年都会发布一些 AI 应用的榜单。然后在这个榜单的基础上，他们会给出一些自己的分析和判断。
播客的标题是 What AI's Biggest Spenders Are Buying and Building。
我今天才彻底把这一期播客听完。它核心讲了一个判断：
AI 消费市场正在从少数重度用户购买生产力工具，逐渐走向面向普通人的全新软件市场，而软件的产品体验、用户 Context 和网络效应，会成为越来越重要的竞争力。
播客里提到一组很有意思的数据。在美国，大约一半的人都使用过 AI，但真正掏钱订阅 AI 产品的，只有 4.5%。
而且这些收入高度集中，在所有付费用户中，Top 10% 的重度用户，贡献了超过一半的收入。
这些重度用户有一个很明显的共同点，就是他们大多在利用 AI 创造东西。比如写代码开发产品、制作视频、搭建自动化流程。
对他们来说，AI 已经成为日常工作和创作的一部分，所以愿意花更多的钱。
但问题是，绝大多数普通人并没有这么强烈的创作和生产力需求。
比如把一个 Codex 交给普通用户，他可能根本不知道该用它做什么。产品可以告诉他，AI 能帮你订机票、管理邮件、预订餐厅。但如果他今天恰好没有这些需求呢？
这其实也是目前很多 AI 产品面临的问题。我们一直在努力让 AI 帮人们节省时间、提高效率，却很少思考，普通人究竟愿意把时间花在什么事情上。
播客里有一个观点，我特别喜欢。大多数人并没有整天想着怎么节省时间，他们反而在寻找值得花时间去做的事情。
仔细想想，过去移动互联网最成功的消费产品，TikTok、YouTube、Instagram、Netflix，哪个是以提高生产力为主要卖点的？
它们满足了人们娱乐、社交、表达和消磨时间的需求。
但今天的 AI 消费市场，绝大多数产品还在围绕生产力打转。
所以 a16z 的几位投资人认为，AI 消费市场其实还有大量机会没有被挖掘出来，比如社交、游戏、娱乐、购物，甚至婚恋交友。这些领域都有可能诞生全新的 AI 原生产品。
当然，还有另外一个视角。提高效率、节省时间，甚至省钱，这些价值对普通用户同样成立。只是很多人未必愿意为了这些能力，每个月专门花钱订阅一个 AI 产品。
目前，大部分头部 AI 产品的收入仍然主要依赖付费订阅。对于那些每天用 AI 写代码、做设计的重度用户来说，这种收费方式很合理。
但对于普通用户，如果只是偶尔让 AI 帮忙订张机票、买点东西、整理几封邮件，让他每个月花 20 美元订阅，可能就没那么容易了。
所以，播客里的几位投资人认为，广告、交易抽成等模式可能更适合真正的大众市场。
比如我让 Personal Agent 帮忙买窗帘，它可以帮我研究材质、比较价格，最后找到合适的商家完成购买。
对于我来说，省下了大量时间，也不用专门为这次购物订阅一个 AI 产品。而 Agent 可以通过商家的交易佣金获得收入。
而且我觉得这里还有一个矛盾：如果未来 Agent 通过商家佣金赚钱，那么它到底会帮用户寻找最合适的商品，还是优先推荐佣金更高的商家？
这都是一些还需要继续探索的新问题。不管怎么样，我感觉 AI 消费级应用爆发的临界点确实快到了。
强烈推荐大家看看硅谷这几期讨论 AI 趋势的 YouTube 视频，非常精彩。
最好的对抗信息 FOMO 的方式就是找到好的信息源，然后精读。
所以这周我给自己留了 3 天时间，比较松散的把 10 月份 YouTube 上一些重要的播客都看完了。
挨个分享下。
一、Stripe 的创始人认为 Agent 会重塑互联网的流量分配逻辑。
这期视频访谈的标题是，Stripe’s John Collison: AI Agents Will Rewire the Internet，大家自己去搜。不长，一共 28 分钟。
这里面有两个印象深刻的观点。
1、Computer Use 是现实世界终极的向后兼容层。
或者这么讲，Computer Use 可能是继 Transformer、LLM 和强化学习之后，推动 AI 能力发展的又一次重要跃迁。
只要模型的 Computer Use 能力足够强，那数字世界的 AGI 就已经实现了。
因为 Computer Use 让 AI 能够利用人类过去几十年已经建设好的软件基础设施。
举个例子，假设我想让 AI 帮你续办驾照。
一种办法，是等待交通管理部门开发专门的 MCP Server 或 API，让 AI 可以直接调用。但等这些部门完成接口改造，恐怕得等上好几年。
另一种办法是，既然现在的网站已经能让人办理驾照，那么只要 Agent 学会操作网站，就可以直接完成任务。
那些没有 API、没有 MCP，甚至已经非常陈旧的软件，只要仍然可以通过界面操作，Agent 理论上就有机会使用它们。
2、Agent Commerce 会重新分配互联网的流量。
这个我想结合自己的经历展开讲下。
比如昨天，我给家里买窗帘。我比较喜欢去 1688，但每次买东西都头大，我得搜索商家、比较价格、沟通尺寸和材质，前后折腾了一个多小时。
或许等 Agent 再成熟一些，我就完全可以把类似的任务交给 Agent。
我知道，有人可能会担心，万一 AI 买贵了怎么办？
这问题我也想过。但即使我自己买，也不可能把所有商家都研究一遍。最后无非就是挑几个比较一下。而且我相信，AI 在搜索和比较这些事情上，大概率比我更有耐心。
当越来越多的人开始通过 Agent 购物，整个互联网的流量分配逻辑可能都会发生变化。
过去，我们发现商品，很大程度上依赖搜索引擎、电商平台和社交媒体。很多商家能否成功，取决于他们有多熟悉这些平台的流量规则。
但如果消费者直接向 Agent 提需求，让它帮自己寻找商品、比较价格，那么哪些商家更容易被发现，可能就要由一套新的规则决定了。
Stripe 的创始人 John 说，他自己用 AI 研究商品时，经常会发现一些以前从未听说过的小众品牌。
这些品牌可能没什么知名度，但产品不错，用户评价也很好，于是被 AI 推荐出来。
AI Discovery 会成为未来商业领域新的流量聚合入口。
这让我想起十一假期的一段经历。
我去了趟内蒙古的一个小城，在当地吃了一家很不起眼的小店。老板五十多岁，店面挺破旧，环境也谈不上多干净，但东西确实好吃、正宗。
老板说，从去年开始，店里的生意突然好了很多。他问那些外地来的客人，大家都说是在网上看到的。
其实就是一些游客在小红书上分享了这家店，后来越来越多人慕名而来，吃完又继续分享。包括我自己，也是通过小红书找到这家店的。
你看，这个老板什么都没做，甚至不知道互联网的流量规则已经变了，但他的生意却实实在在地受到了影响。
就像当年社交媒体广告兴起时，一批新公司特别擅长利用社交媒体获客，然后围绕这套流量规则设计产品，最后成长起来。
未来 Agent Commerce 可能也会重演类似的事情。
二、Alex Wang 谈他对 Meta Muse 的设想。
Alex Wang 不用多说了，最近风口浪尖上的人物，Meta AI 一号位。访谈的标题是 The Biggest Launch Since ChatGPT。
记得之前 Alex Wang 刚加入 Meta 的时候，好多人觉得这哥们很水。
但其实我觉得只要认认真真看过这人的访谈之后，你会发现扎克伯格的选人水平是有多强。
主持人问，假如一切顺利，五年甚至更久以后，Muse 应该变成什么样？
Alex 说，Muse 会成为用户的总管。
我想了一下，总管这个词好像比助理更贴切，因为助理似乎更多的是在完成我们吩咐给他的任务，而总管可以全盘考虑。
为什么需要这样的产品？这哥们讲了一段非常感性的个人思考。
很多人在小的时候，都有非常丰富的想象力。
有人想写一本书。有人想拍电影、制作音乐剧。有人希望改变世界，或者解决某个非常困难的问题。
但随着年龄增长，很多人的梦想逐渐消失。
他们按部就班的完成学业，进入社会，开始工作。生活中遇到各种各样的现实问题，大家开始向现实妥协，渐渐觉得，很多事情自己根本没有能力改变。
算了，就此算了？这真是令人遗憾的。很多人的想法可能很有价值，但他们从来没有机会真正尝试。
在 Alex 的想象里，他认为 AI 能够改变这一点。
一个人不应该因为缺少专业知识、不认识合适的人，或者无法处理复杂事务，就轻易放弃自己的想法。
如果有一个足够聪明的 AI，长期陪伴在用户身边，帮他搞定很多琐碎的事情，那么很多过去难以实现的目标，就可能逐渐变得可行。
那为什么这事是 Meta 做？因为 OpenAI、Anthropic 等等这批模型公司陷入到了技术的思维里。
大家也可以对应的想一想，过去一年时间好像 AI 行业里头有一个非常奇怪的现象。程序员好像觉得 AI 已经无所不能了，但普通人却不明白为什么大家这么激动。
因为对于大部分普通人来说，AI 仍然还是一个问答工具。这个我十一假期的时候出去旅游，发现大家用豆包的方式确实还是问答。
过去一年，几乎整个行业都在努力提升 Agent 的编程能力。
模型越来越擅长写代码，却很少有产品去思考，如何让一个完全不会编程、也不想学习编程的人，享受到 AI Agent 的能力。
Meta 从一开始，就是为了解决这个问题。
他们花了大量时间打磨 Muse 的细节。程序员对技术的容忍度通常比较高。遇到报错、任务中断、环境配置失败，他们可以自己排查，甚至觉得这就是使用新技术的一部分。
但普通用户不会这样。
所以 Muse 锚定的目标一直是把复杂的 Agent 技术包装成一个足够简单、稳定的消费级产品。
这好像确实是 Meta 擅长做的事。
三、a16z 的投资人对当下 AI 应用的分析
这集很有意思，因为 a16z 最近几年都会发布一些 AI 应用的榜单。然后在这个榜单的基础上，他们会给出一些自己的分析和判断。
播客的标题是 What AI's Biggest Spenders Are Buying and Building。
我今天才彻底把这一期播客听完。它核心讲了一个判断：
AI 消费市场正在从少数重度用户购买生产力工具，逐渐走向面向普通人的全新软件市场，而软件的产品体验、用户 Context 和网络效应，会成为越来越重要的竞争力。
播客里提到一组很有意思的数据。在美国，大约一半的人都使用过 AI，但真正掏钱订阅 AI 产品的，只有 4.5%。
而且这些收入高度集中，在所有付费用户中，Top 10% 的重度用户，贡献了超过一半的收入。
这些重度用户有一个很明显的共同点，就是他们大多在利用 AI 创造东西。比如写代码开发产品、制作视频、搭建自动化流程。
对他们来说，AI 已经成为日常工作和创作的一部分，所以愿意花更多的钱。
但问题是，绝大多数普通人并没有这么强烈的创作和生产力需求。
比如把一个 Codex 交给普通用户，他可能根本不知道该用它做什么。产品可以告诉他，AI 能帮你订机票、管理邮件、预订餐厅。但如果他今天恰好没有这些需求呢？
这其实也是目前很多 AI 产品面临的问题。我们一直在努力让 AI 帮人们节省时间、提高效率，却很少思考，普通人究竟愿意把时间花在什么事情上。
播客里有一个观点，我特别喜欢。大多数人并没有整天想着怎么节省时间，他们反而在寻找值得花时间去做的事情。
仔细想想，过去移动互联网最成功的消费产品，TikTok、YouTube、Instagram、Netflix，哪个是以提高生产力为主要卖点的？
它们满足了人们娱乐、社交、表达和消磨时间的需求。
但今天的 AI 消费市场，绝大多数产品还在围绕生产力打转。
所以 a16z 的几位投资人认为，AI 消费市场其实还有大量机会没有被挖掘出来，比如社交、游戏、娱乐、购物，甚至婚恋交友。这些领域都有可能诞生全新的 AI 原生产品。
当然，还有另外一个视角。提高效率、节省时间，甚至省钱，这些价值对普通用户同样成立。只是很多人未必愿意为了这些能力，每个月专门花钱订阅一个 AI 产品。
目前，大部分头部 AI 产品的收入仍然主要依赖付费订阅。对于那些每天用 AI 写代码、做设计的重度用户来说，这种收费方式很合理。
但对于普通用户，如果只是偶尔让 AI 帮忙订张机票、买点东西、整理几封邮件，让他每个月花 20 美元订阅，可能就没那么容易了。
所以，播客里的几位投资人认为，广告、交易抽成等模式可能更适合真正的大众市场。
比如我让 Personal Agent 帮忙买窗帘，它可以帮我研究材质、比较价格，最后找到合适的商家完成购买。
对于我来说，省下了大量时间，也不用专门为这次购物订阅一个 AI 产品。而 Agent 可以通过商家的交易佣金获得收入。
而且我觉得这里还有一个矛盾：如果未来 Agent 通过商家佣金赚钱，那么它到底会帮用户寻找最合适的商品，还是优先推荐佣金更高的商家？
这都是一些还需要继续探索的新问题。不管怎么样，我感觉 AI 消费级应用爆发的临界点确实快到了。
10 03
写给表妹的 AI 学习建议，全是真心话。
上午刚和表妹聊完天，想整理一下我跟她分享的一些 AI 使用和学习经验。表妹不是 AI 的重度用户，所以我觉得这些经验应该对其他泛互联网行业的同学也有帮助。
不废话，快速进入正题。
1、尽量接触一手信息，少看二手解读。
我现在获取 AI 信息，主要还是通过 X 和 YouTube。X 上有大量硅谷创业者、工程师和研究人员，可以直接了解他们最近在研究什么、思考什么。
YouTube 上则有非常多优质的播客和访谈。
我觉得这些信息的价值非常高，而且会节省大量时间。
昨天还有个朋友给我发了一篇讨论 FDE 的自媒体文章。我看完挺惊讶的，感觉作者明显是在煽动情绪。
我说，何必花时间看这些东西呢？
同样一个话题，直接去看看那些真正参与其中的人是怎么思考的，至少更容易获取一手经验和判断，也不容易被各种情绪带偏。
所以，尽量找到一批真正优质的信息源，然后长期关注。其实每天没有那么多值得处理的新信息。
2、学习新东西时，先搞懂从何而来，何以至此。
这是我一直以来的学习习惯。无论学习什么新东西，我都会先尝试回答两个问题。
从何而来？何以至此？
尤其现在有了 AI 的帮助，理解一个新技术的门槛已经降低了很多。
比如碰到一个陌生的 AI 技术，可以先让 AI 解释清楚，它到底要解决什么问题？之前的解决方案有什么短板吗？为什么会有这个技术或者这个产品的出现？
沿着这个脉络思考，效率会高很多。
我之前学习新东西，喜欢一上来就研究特别具体的参数、操作方法，或者各种实现细节。但其实如果连这个产品为什么出现、到底要解决什么问题都没搞清楚，学起来就会很吃力。
所以我的习惯是，先搞清楚整个技术的发展脉络。至于具体怎么操作，很多时候熟能生巧就行了。
3、强烈建议试试 ChatGPT 的实时语音功能。
这是我最近特别喜欢的一种学习方式。
戴上耳机，打开 ChatGPT 的实时语音功能，直接跟它聊天。因为可以随时打断、随时追问，整个过程有点像跟一个知识储备很丰富的朋友交流。
比如最近看到某个新模型，或者有一个技术概念没搞懂，我就直接跟它聊。把自己的困惑说出来，哪里听不懂就继续追问。一个问题能聊很长时间。
我觉得这种方式特别适合消化一些刚刚接触的新知识，而且没有什么负担。当然，重要的事实还是需要核实。但作为一种日常学习方式，我觉得非常值得尝试。
4、刷 X 的时候，尽量关注真正的 Builder。
这一条我想再强调一下。
我刷 X 的目标一直很明确，就是关注那些真正正在创业、开发产品、研究技术的人。
比如各种 AI 创业公司的创始人、CEO，以及一线工程师。尤其是很多创业公司的创始人，他们在 X 上分享的内容非常有价值。
我会刻意屏蔽掉一些中文博主和英文的营销博主，他们整天咋咋呼呼。没什么信息量。反正我时间线的大部分中文博主，都不是 Builder。
我的逻辑是，都已经刷 X 了，为什么还要关注那么多中文 AI 博主。硅谷那么多创业者的信息不够看吗？
只要把信息源筛选好，每天花 15 分钟，我觉得就能了解 AI 行业最近有哪些值得关注的变化。
5、即便 AI 已经很会写作了，自己也一定要坚持写点东西。
写作仍然是一种非常好的消化信息的方式。这也是为什么我一直坚持写小红书的原因。
而且我觉得，在 AI 时代，写作反而变得更加重要了。
AI 帮我们省掉了大量执行的过程，但有时候也让我们跳过了原本应该经历的思考。
所以在公司看到有同事发来一篇 AI 味特别浓、长篇大论的文档时，我会特别反感。
因为很多时候，原本应该由写作者完成的思考，被转嫁给了阅读和审查的人。最后看起来写了很多，实际上什么问题也没讲清楚。
真的，千万不要因为 AI 已经能帮我们写东西了，就连自己的思考也一并让渡给 AI。
我的办法就是坚持写作。把自己最近学到的东西、做过的事情，尽量通过文字重新梳理一遍。
很多时候，脑子里觉得已经理解了，但真正开始写，才发现有些地方根本解释不清楚。这就逼着我重新查资料、重新思考，直到自己能够把这件事讲明白。
6、有条件的话，搭建一个个人博客。
这事我之前也写过。现在买个域名、部署网站，门槛已经非常低了。即便完全不会写代码，也可以让 AI 帮忙完成。
我建议大家都可以试着搭建一个自己的个人博客。
把平时的一些思考、学习总结，甚至生活里的各种感悟，都整理进去。时间长了，这些东西会成为自己非常重要的一份简历。
我们公司现在招聘应届生，我其实不太在乎他在学校当过什么班干部，简历上又写了多少漂亮的话。
毕竟大家刚毕业，很多时候都是一张白纸。
我更关心的是，大学这四年，他到底有没有做出过几个自己觉得还不错的作品？
这是判断一个人有没有好奇心、有没有主动探索欲望的一个非常重要的方式。
假如一个人说自己特别有好奇心，但大学四年下来，连几个自己觉得有意思的作品都没有，那怎么证明自己的好奇心呢？
作品未必非得是什么了不起的东西。一个自己开发的小工具，一个长期维护的博客，甚至一个认真研究了很久的小项目，我觉得都有价值。
至少能让别人看到，你对什么事情感兴趣，以及你愿意为这些兴趣投入多少精力。
7、养成 Build 的习惯。
过去我们需要一个工具，基本都是先搜索，看看有没有别人开发过类似的产品，然后下载使用。但现在，无论会不会写代码，我们其实都已经有能力给自己制作一个称手的小工具。
这事确实需要转变思维方式，毕竟过去的思维惯性实在是太大了。
反正我现在经常提醒自己，这个工具不好用，能不能自己做一个？工作中碰到什么不顺手的地方，能不能干脆做个小工具来解决？
最后做出来的东西，可以是一个 Skill，也可以是一个独立应用。
我每天使用的翻译插件、错字校对工具、写作工具、排版工具等等，都是自己做的。另外，我还给女儿做了一个画册，给自己做了一个读诗词的产品。
这些产品，没有奔着必须得有多少用户的目标去，就我自己和家人或者同事用，这就足够了。
8、AI 的使用仍然需要刻意练习。
我觉得这一点特别容易被忽视。
有点像我们现在用手机拍照。每个人手机里都有摄像头，拍照已经没有任何技术门槛了。但最后拍出来的照片怎么样，仍然取决于一个人的审美、构图能力，以及长期积累的经验。
这些东西不可能今天拿起手机，明天就全部具备。
AI 也是一样。
虽然大家都能使用同样的模型，但不同的人最后能够完成的事情，差距可能会非常大。
知道什么时候该交给 Agent，能够迅速 Build 出符合自己需求的工具，以及怎么跟 AI 沟通，怎么判断它生成的东西到底好不好，这些都是需要长期练习的能力。
所以尽量多动手。很多经验，只有真正使用的时候才能慢慢积累。
上午刚和表妹聊完天，想整理一下我跟她分享的一些 AI 使用和学习经验。表妹不是 AI 的重度用户，所以我觉得这些经验应该对其他泛互联网行业的同学也有帮助。
不废话，快速进入正题。
1、尽量接触一手信息，少看二手解读。
我现在获取 AI 信息，主要还是通过 X 和 YouTube。X 上有大量硅谷创业者、工程师和研究人员，可以直接了解他们最近在研究什么、思考什么。
YouTube 上则有非常多优质的播客和访谈。
我觉得这些信息的价值非常高，而且会节省大量时间。
昨天还有个朋友给我发了一篇讨论 FDE 的自媒体文章。我看完挺惊讶的，感觉作者明显是在煽动情绪。
我说，何必花时间看这些东西呢？
同样一个话题，直接去看看那些真正参与其中的人是怎么思考的，至少更容易获取一手经验和判断，也不容易被各种情绪带偏。
所以，尽量找到一批真正优质的信息源，然后长期关注。其实每天没有那么多值得处理的新信息。
2、学习新东西时，先搞懂从何而来，何以至此。
这是我一直以来的学习习惯。无论学习什么新东西，我都会先尝试回答两个问题。
从何而来？何以至此？
尤其现在有了 AI 的帮助，理解一个新技术的门槛已经降低了很多。
比如碰到一个陌生的 AI 技术，可以先让 AI 解释清楚，它到底要解决什么问题？之前的解决方案有什么短板吗？为什么会有这个技术或者这个产品的出现？
沿着这个脉络思考，效率会高很多。
我之前学习新东西，喜欢一上来就研究特别具体的参数、操作方法，或者各种实现细节。但其实如果连这个产品为什么出现、到底要解决什么问题都没搞清楚，学起来就会很吃力。
所以我的习惯是，先搞清楚整个技术的发展脉络。至于具体怎么操作，很多时候熟能生巧就行了。
3、强烈建议试试 ChatGPT 的实时语音功能。
这是我最近特别喜欢的一种学习方式。
戴上耳机，打开 ChatGPT 的实时语音功能，直接跟它聊天。因为可以随时打断、随时追问，整个过程有点像跟一个知识储备很丰富的朋友交流。
比如最近看到某个新模型，或者有一个技术概念没搞懂，我就直接跟它聊。把自己的困惑说出来，哪里听不懂就继续追问。一个问题能聊很长时间。
我觉得这种方式特别适合消化一些刚刚接触的新知识，而且没有什么负担。当然，重要的事实还是需要核实。但作为一种日常学习方式，我觉得非常值得尝试。
4、刷 X 的时候，尽量关注真正的 Builder。
这一条我想再强调一下。
我刷 X 的目标一直很明确，就是关注那些真正正在创业、开发产品、研究技术的人。
比如各种 AI 创业公司的创始人、CEO，以及一线工程师。尤其是很多创业公司的创始人，他们在 X 上分享的内容非常有价值。
我会刻意屏蔽掉一些中文博主和英文的营销博主，他们整天咋咋呼呼。没什么信息量。反正我时间线的大部分中文博主，都不是 Builder。
我的逻辑是，都已经刷 X 了，为什么还要关注那么多中文 AI 博主。硅谷那么多创业者的信息不够看吗？
只要把信息源筛选好，每天花 15 分钟，我觉得就能了解 AI 行业最近有哪些值得关注的变化。
5、即便 AI 已经很会写作了，自己也一定要坚持写点东西。
写作仍然是一种非常好的消化信息的方式。这也是为什么我一直坚持写小红书的原因。
而且我觉得，在 AI 时代，写作反而变得更加重要了。
AI 帮我们省掉了大量执行的过程，但有时候也让我们跳过了原本应该经历的思考。
所以在公司看到有同事发来一篇 AI 味特别浓、长篇大论的文档时，我会特别反感。
因为很多时候，原本应该由写作者完成的思考，被转嫁给了阅读和审查的人。最后看起来写了很多，实际上什么问题也没讲清楚。
真的，千万不要因为 AI 已经能帮我们写东西了，就连自己的思考也一并让渡给 AI。
我的办法就是坚持写作。把自己最近学到的东西、做过的事情，尽量通过文字重新梳理一遍。
很多时候，脑子里觉得已经理解了，但真正开始写，才发现有些地方根本解释不清楚。这就逼着我重新查资料、重新思考，直到自己能够把这件事讲明白。
6、有条件的话，搭建一个个人博客。
这事我之前也写过。现在买个域名、部署网站，门槛已经非常低了。即便完全不会写代码，也可以让 AI 帮忙完成。
我建议大家都可以试着搭建一个自己的个人博客。
把平时的一些思考、学习总结，甚至生活里的各种感悟，都整理进去。时间长了，这些东西会成为自己非常重要的一份简历。
我们公司现在招聘应届生，我其实不太在乎他在学校当过什么班干部，简历上又写了多少漂亮的话。
毕竟大家刚毕业，很多时候都是一张白纸。
我更关心的是，大学这四年，他到底有没有做出过几个自己觉得还不错的作品？
这是判断一个人有没有好奇心、有没有主动探索欲望的一个非常重要的方式。
假如一个人说自己特别有好奇心，但大学四年下来，连几个自己觉得有意思的作品都没有，那怎么证明自己的好奇心呢？
作品未必非得是什么了不起的东西。一个自己开发的小工具，一个长期维护的博客，甚至一个认真研究了很久的小项目，我觉得都有价值。
至少能让别人看到，你对什么事情感兴趣，以及你愿意为这些兴趣投入多少精力。
7、养成 Build 的习惯。
过去我们需要一个工具，基本都是先搜索，看看有没有别人开发过类似的产品，然后下载使用。但现在，无论会不会写代码，我们其实都已经有能力给自己制作一个称手的小工具。
这事确实需要转变思维方式，毕竟过去的思维惯性实在是太大了。
反正我现在经常提醒自己，这个工具不好用，能不能自己做一个？工作中碰到什么不顺手的地方，能不能干脆做个小工具来解决？
最后做出来的东西，可以是一个 Skill，也可以是一个独立应用。
我每天使用的翻译插件、错字校对工具、写作工具、排版工具等等，都是自己做的。另外，我还给女儿做了一个画册，给自己做了一个读诗词的产品。
这些产品，没有奔着必须得有多少用户的目标去，就我自己和家人或者同事用，这就足够了。
8、AI 的使用仍然需要刻意练习。
我觉得这一点特别容易被忽视。
有点像我们现在用手机拍照。每个人手机里都有摄像头，拍照已经没有任何技术门槛了。但最后拍出来的照片怎么样，仍然取决于一个人的审美、构图能力，以及长期积累的经验。
这些东西不可能今天拿起手机，明天就全部具备。
AI 也是一样。
虽然大家都能使用同样的模型，但不同的人最后能够完成的事情，差距可能会非常大。
知道什么时候该交给 Agent，能够迅速 Build 出符合自己需求的工具，以及怎么跟 AI 沟通，怎么判断它生成的东西到底好不好，这些都是需要长期练习的能力。
所以尽量多动手。很多经验，只有真正使用的时候才能慢慢积累。
61 745
从十一假期到今天，我一直在折腾诗词网站。给它起名字叫诗海。做这玩意主要还是为了娱乐自己，有没有用户倒是无所谓。
大概六年前，机缘巧合，我觉得诗词还挺有趣的，所以就开始慢慢学习。所以这几年，我一直在订阅一个叫古诗文网的网站。
但这网站怎么讲，做的特别难看和塑料。
假期的时候，我发现又需要付年费了。冲动了下，当即决定自己鼓捣一个。
按照自己的想法，调整布局、排版等等。反正网上有不少现成的诗词数据。所以就做了诗海这个网站。
不过现在还没有全部完工，后面还有大量的工作。最费 Token 的部分，是给这些诗词补充译文、解读以及创作背景等信息。
诗词原文比较容易获取，GitHub 有公开数据，但相关的解读和背景资料，还需要 AI 上网查找、整理，生成初稿之后，我再逐篇检查和修改。
到现在，光是 Token 我就已经花了 1000 多块钱，但整个工作才完成了 30% 多，还有将近 70% 没做完。
所以我现在就盼着各家模型搞活动。
比如很多国内模型发布的时候，会在 OpenRouter 开放免费调用额度。我就可以拿这些免费的 Token，慢慢把剩下的内容补齐。
现在回头想想，之前那么多免费的 Token 额度，真是浪费了。
这也是我最近的一个感触。
我觉得以后应该给自己长期维护一份想做的事情清单。平时有什么想法，不管是一个小工具，还是一个自己感兴趣的产品，都可以先记下来。
等到有多余的 Token，尤其碰上各种免费额度，就可以直接拿这些 Token 去实现。
毕竟现在做这些东西的门槛已经足够低了。
大概六年前，机缘巧合，我觉得诗词还挺有趣的，所以就开始慢慢学习。所以这几年，我一直在订阅一个叫古诗文网的网站。
但这网站怎么讲，做的特别难看和塑料。
假期的时候，我发现又需要付年费了。冲动了下，当即决定自己鼓捣一个。
按照自己的想法，调整布局、排版等等。反正网上有不少现成的诗词数据。所以就做了诗海这个网站。
不过现在还没有全部完工，后面还有大量的工作。最费 Token 的部分，是给这些诗词补充译文、解读以及创作背景等信息。
诗词原文比较容易获取，GitHub 有公开数据，但相关的解读和背景资料，还需要 AI 上网查找、整理，生成初稿之后，我再逐篇检查和修改。
到现在，光是 Token 我就已经花了 1000 多块钱，但整个工作才完成了 30% 多，还有将近 70% 没做完。
所以我现在就盼着各家模型搞活动。
比如很多国内模型发布的时候，会在 OpenRouter 开放免费调用额度。我就可以拿这些免费的 Token，慢慢把剩下的内容补齐。
现在回头想想，之前那么多免费的 Token 额度，真是浪费了。
这也是我最近的一个感触。
我觉得以后应该给自己长期维护一份想做的事情清单。平时有什么想法，不管是一个小工具，还是一个自己感兴趣的产品，都可以先记下来。
等到有多余的 Token，尤其碰上各种免费额度，就可以直接拿这些 Token 去实现。
毕竟现在做这些东西的门槛已经足够低了。
4 20
刚完整看完了Alexandr Wang 的访谈，真佩服扎克伯格的挖人水准啊，这哥们的思路太清晰了，表达也是恰到好处。
主持人问，假如一切顺利，五年甚至更久以后，Muse 应该变成什么样？
Alex 说，Muse 会成为用户的总管。
我想了一下，总管这个词好像比助理更贴切，因为助理似乎更多的是在完成我们吩咐给他的任务，而总管可以全盘考虑。
为什么需要这样的产品？这哥们讲了一段非常感性的个人思考。
很多人在小的时候，都有非常丰富的想象力。
有人想写一本书。有人想拍电影、制作音乐剧。有人希望改变世界，或者解决某个非常困难的问题。
但随着年龄增长，很多人的梦想逐渐消失。
他们按部就班的完成学业，进入社会，开始工作。生活中遇到各种各样的现实问题，大家开始向现实妥协，渐渐觉得，很多事情自己根本没有能力改变。
算了，就此算了？这真是令人遗憾的。很多人的想法可能很有价值，但他们从来没有机会真正尝试。
在 Alex 的想象里，他认为 AI 能够改变这一点。
一个人不应该因为缺少专业知识、不认识合适的人，或者无法处理复杂事务，就轻易放弃自己的想法。
如果有一个足够聪明的 AI，长期陪伴在用户身边，帮他搞定很多琐碎的事情，那么很多过去难以实现的目标，就可能逐渐变得可行。
主持人问，假如一切顺利，五年甚至更久以后，Muse 应该变成什么样？
Alex 说，Muse 会成为用户的总管。
我想了一下，总管这个词好像比助理更贴切，因为助理似乎更多的是在完成我们吩咐给他的任务，而总管可以全盘考虑。
为什么需要这样的产品？这哥们讲了一段非常感性的个人思考。
很多人在小的时候，都有非常丰富的想象力。
有人想写一本书。有人想拍电影、制作音乐剧。有人希望改变世界，或者解决某个非常困难的问题。
但随着年龄增长，很多人的梦想逐渐消失。
他们按部就班的完成学业，进入社会，开始工作。生活中遇到各种各样的现实问题，大家开始向现实妥协，渐渐觉得，很多事情自己根本没有能力改变。
算了，就此算了？这真是令人遗憾的。很多人的想法可能很有价值，但他们从来没有机会真正尝试。
在 Alex 的想象里，他认为 AI 能够改变这一点。
一个人不应该因为缺少专业知识、不认识合适的人，或者无法处理复杂事务，就轻易放弃自己的想法。
如果有一个足够聪明的 AI，长期陪伴在用户身边，帮他搞定很多琐碎的事情，那么很多过去难以实现的目标，就可能逐渐变得可行。
18 65