即刻App年轻人的同好社区
下载
对大多数人来说，与其在供给端追求“最前沿”、“最先进”，不如踏踏实实专注需求端，专注那些“不变的东西”，将 AI 作为改造世界、造福人类、更好满足需求的工具，这样活起来安全感更强一点，幸福感更高一些。
与其整天琢磨各种提示词的技巧，不如琢磨一下自己有哪些还没有得到满意答案的问题。对我来说，一个比较有用的练习，是每天想一个“值得用 ChatGPT Pro/O3 来解决” 的问题 - 其实这并不容易。可能未来的挑战很快就会变成，模型不断精进的能力与人类贫乏的想象力之间的矛盾。能否问出“配得上模型能力”的问题？能否对模型的边界提出更大的挑战？这可能是未来对“创新”的真正定义所在。
与其整天琢磨各种提示词的技巧，不如琢磨一下自己有哪些还没有得到满意答案的问题。对我来说，一个比较有用的练习，是每天想一个“值得用 ChatGPT Pro/O3 来解决” 的问题 - 其实这并不容易。可能未来的挑战很快就会变成，模型不断精进的能力与人类贫乏的想象力之间的矛盾。能否问出“配得上模型能力”的问题？能否对模型的边界提出更大的挑战？这可能是未来对“创新”的真正定义所在。
orange.ai: 昨天 GPT 4o 的生图功能发布，给很多人造成了一次巨大的冲击。 这张图在群里被转发了很多次，因为人们都多少有些类似的情绪。 帖子下面还有很多有趣的讨论： - 要做那些会因为AI能力增强会让你开心的事情，不要去做AI能力变强会让你捏一把汗的事情，因为可预见的未来它会越来越强 - 同为创业者分享：离厂商远一点儿，离付钱的用户近一点 - 我觉得可能需要转换思维，技术导向转换成产品导向。我们的目标是生产出好用的产品，不用纠结于具体技术。技术为我所用，新技术如果更厉害应该会更高兴而不是更沮丧。因为使用前沿技术的永远是少数。拿这张图来说，频繁使用AI的人其实很少，至少现阶段是。这其实就是我们的机会。 - 深有感触，当初OAI发布实时语音交互的时候我就是这个感觉，把调研了几个月，刚做出个demo的产品删了，花了那么多心思在工程上尽量优化stt, tts的延迟，结果就被降维打击了。 尽管我们预期 AGI 会给人类带来冲击，但没想到图像模型的更新就带来了冲击。 刚好，昨天看了一期讨论艺术和生命的《奇葩说》 辩题是这样的：博物馆着火了，有一副名画和一只猫，都在等着你救，你救谁？ 前面两轮，双方嘉宾在对一些大的概念进行辩论 主张救猫的一方，在谈论人本能的恻隐之心，生命的价值 主张救画的一方，在谈论人对艺术的追求，对不朽的迷恋 在奇葩说的观众里，有艺术追求会引起更多的共鸣，主张救画的一方，获得压倒性的胜利 第三轮的时候，李诞靠几个精彩的段子让战局全面翻盘 他的最主要的观点是： 艺术最大的价值，是故事，永远地活在人们的心中。 生命最大的价值，是活着。 诞总气场太强了，罗振宇随后说了一些大道理，但完全没有人听。 第四轮的时候，蔡康永把时间推演到了人类灭绝 外星人来到地球，会看到博物馆，看到人类艺术的结晶，人类文明以这样的方式获得了不朽。 最终，还是救画的一组赢得了辩论。 人们还是喜欢为自己短暂的一生赋予一点生命的意义。 同时在昨天，OpenAI 的自回归的文生图模型发布。 文生图第一次进入了智能时代。 言出法随 任何人都可以通过一张参考图，一个关键词，随意克隆一位艺术家的风格。 甚至可以通过语言的描述，创造自己的艺术风格。 但如果艺术变成了一句话，变得不再有故事，艺术还有什么价值？ 我们正在进入 AGI 的时代。 AI 最终将在 100% 的领域超越 100% 的人类。 智能平权 知识平权 艺术平权 在这个新的时代里，生命最大的价值，依然是活着。 而如何过好这一生？依然是每个人最终的命题。 人类总是喜欢为自己短暂的一生赋予一点生命的意义。 在朝着那个意义前行的时候就会获得喜悦和满足。 农业时代，丰收，就是最大的喜悦。 工业时代，赚钱，就是就是最大的追求。 智能时代，人们所追求的东西，应该是什么？
20 12
都在热议 manus。舆论风向先捧后踩，还有团队近乎零成本复刻了一个出来。个人理解复刻一个壳子是比较容易的，大家看上去都大差不差，无外乎是 planning、memory、tools 这些模块，交互也很类似，但具体每个任务如何做 planning，选哪些 tools 才是关键所在。看上去都是人，都有鼻子有眼，但究竟是李逵还是李鬼，月薪是 2000 还是 20000，才是 agent 竞争的关键。
同样让一个金融 agent 去做一支股票研究，第一个只能在互联网公开信息搜索，用的是通用 planning 逻辑，第二个可以调用 yahoo finance api，用的是雪球大神的 planning 研究逻辑，第三个有 bloomberg 的权限，有自己内部的访谈数据，用的是知名机构的内部 SOP 做 planning，出来的研究质量是天差地远的。
所以现在各种关于 Manus 邀请码、被复刻、团队创始人的哔哔都没什么相关性。真正应该出的是一些垂直领域任务的 benchmark，然后真的比一下完成率和完成质量，用结果说话。（看了一下 Manus 刷的那个 GAIA / General AI Assistants Benchmark）测试，核心理念是聚焦“对人类简单但对AI困难”的问题，通过多维度评测揭示AI助手的真实水平。看下来整体还是一些偏日常通用的任务。）
同样让一个金融 agent 去做一支股票研究，第一个只能在互联网公开信息搜索，用的是通用 planning 逻辑，第二个可以调用 yahoo finance api，用的是雪球大神的 planning 研究逻辑，第三个有 bloomberg 的权限，有自己内部的访谈数据，用的是知名机构的内部 SOP 做 planning，出来的研究质量是天差地远的。
所以现在各种关于 Manus 邀请码、被复刻、团队创始人的哔哔都没什么相关性。真正应该出的是一些垂直领域任务的 benchmark，然后真的比一下完成率和完成质量，用结果说话。（看了一下 Manus 刷的那个 GAIA / General AI Assistants Benchmark）测试，核心理念是聚焦“对人类简单但对AI困难”的问题，通过多维度评测揭示AI助手的真实水平。看下来整体还是一些偏日常通用的任务。）
48 1115
这篇文章中看到了一个很有趣的趋势：随着 AI Coding 大幅降低开发成本，小红书变成了新需求的集散地和新应用的发行所。人人都是开发者的时代或许就要来了。继短视频后，下一个被民主化的媒介形式可能是 app / agent。
这在 C 端可能表现为大量长尾 App 的出现，每个 App 只需要 1000 个甚至更少的付费用户就能养活开发者，大量之前 ROI 很差“不值得做”的需求由于开发成本的下降变得 ROI 可以接受了，需要的不再是变成技能而是产品创意。下一个抖音或许正在路上。
B 端更是如此，企业之间的个性化需求太多太碎，之前 SaaS 最大的瓶颈就在于定制化开发，由于开发成本太高，只能用有限的开发资源伺候 KA 大客户。而随着 Coding 门槛的下降，能够有更大的发展空间，各种功能丰俭由人。之前积累的适配很多大客户的流程和数据成为了未来可以让 Agent 学习的模板。B 端的形态可能更接近于一个集合了成千上万种 agents 的劳务市场？
互联网时代的规模效益和网络效应都需要重新配置参数了。想象空间很大。
这在 C 端可能表现为大量长尾 App 的出现，每个 App 只需要 1000 个甚至更少的付费用户就能养活开发者，大量之前 ROI 很差“不值得做”的需求由于开发成本的下降变得 ROI 可以接受了，需要的不再是变成技能而是产品创意。下一个抖音或许正在路上。
B 端更是如此，企业之间的个性化需求太多太碎，之前 SaaS 最大的瓶颈就在于定制化开发，由于开发成本太高，只能用有限的开发资源伺候 KA 大客户。而随着 Coding 门槛的下降，能够有更大的发展空间，各种功能丰俭由人。之前积累的适配很多大客户的流程和数据成为了未来可以让 Agent 学习的模板。B 端的形态可能更接近于一个集合了成千上万种 agents 的劳务市场？
互联网时代的规模效益和网络效应都需要重新配置参数了。想象空间很大。
小红书快成为新一代的App Store了？
29 810
2015 年，Tim Urban 写过一篇长文，叫做 The AI Revolution: The Road to Superintelligence。谢熊猫君在知乎上做了很好的翻译，叫做《为什么有很多名人让人们警惕人工智能？》。在那篇文章里提到一个有趣的概念，叫做“吓尿时间”（原文是Die Progress Unit，DPU）。一个人跃迁到多久的未来，会因为科技的进步把自己吓尿？
一个生活在 20 万年前的智人，可能要一路跃迁 15 万年到达旧石器时代，才会被熟练使用语言和火的同类“吓尿”；一个生活在 1 万年前狩猎时代的人类，可能要一路跃迁 5000 年，才会被农业革命的技术成果“吓尿”；一个生活在春秋战国的人，可能要一路跃迁 2500 年到达 18 世纪，才会被工业革命的技术成果“吓尿”。
然而，“吓尿时间”在以几何速度衰减。一个生活在19 世纪初的人，只需要一路跃迁 50 年，就会被 1950s 出现的电视机“吓尿”；而一个生活在1950s 的人，只需要一路跃迁 30 年，就会被大规模普及的个人电脑“吓尿”；之后是互联网、移动互联网，吓尿时间被一路缩短到了 10 年。
AI 时代，“吓尿时间加速衰减定律”依然成立。AlphaGo 战胜李世石是 2015 年的事情，到 2022 年 GPT4 出现，只不过是 7 年的时间。而 2022 年的我们如果穿越到现在，虽然不能说一定会被“吓尿”，但程度也已经接近。
“吓尿时间”的另一种说法是未来学家 Ray Kurzweil 的“加速回报定律”（Law of Accelerating Returns）。Kurzweil认为人类在21世纪的进步将是20世纪的1000倍。但本质上，无论是“吓尿时间加速衰减定律”，还是“加速回报定律”，本质上都不过是摩尔定律的某种表达罢了。摩尔定律不是科学定律，而是观察和经验定律，这背后或许是智能演进的某个参数设定。
这些都不重要。重要的问题是：如果2022 年开始的下一个“吓尿时间”是 5 年，那么在 2027 年底之前，我们会被什么样的技术“吓尿”？
一个生活在 20 万年前的智人，可能要一路跃迁 15 万年到达旧石器时代，才会被熟练使用语言和火的同类“吓尿”；一个生活在 1 万年前狩猎时代的人类，可能要一路跃迁 5000 年，才会被农业革命的技术成果“吓尿”；一个生活在春秋战国的人，可能要一路跃迁 2500 年到达 18 世纪，才会被工业革命的技术成果“吓尿”。
然而，“吓尿时间”在以几何速度衰减。一个生活在19 世纪初的人，只需要一路跃迁 50 年，就会被 1950s 出现的电视机“吓尿”；而一个生活在1950s 的人，只需要一路跃迁 30 年，就会被大规模普及的个人电脑“吓尿”；之后是互联网、移动互联网，吓尿时间被一路缩短到了 10 年。
AI 时代，“吓尿时间加速衰减定律”依然成立。AlphaGo 战胜李世石是 2015 年的事情，到 2022 年 GPT4 出现，只不过是 7 年的时间。而 2022 年的我们如果穿越到现在，虽然不能说一定会被“吓尿”，但程度也已经接近。
“吓尿时间”的另一种说法是未来学家 Ray Kurzweil 的“加速回报定律”（Law of Accelerating Returns）。Kurzweil认为人类在21世纪的进步将是20世纪的1000倍。但本质上，无论是“吓尿时间加速衰减定律”，还是“加速回报定律”，本质上都不过是摩尔定律的某种表达罢了。摩尔定律不是科学定律，而是观察和经验定律，这背后或许是智能演进的某个参数设定。
这些都不重要。重要的问题是：如果2022 年开始的下一个“吓尿时间”是 5 年，那么在 2027 年底之前，我们会被什么样的技术“吓尿”？
https://zhuanlan.zhihu.com/p/19950456
10 03
最近的一些胡思乱想：
1. 这次 Manus 的发布，更加确认了未来 tokens 的消耗会是几何数量级的增加。未来 99% 的 token 都会消耗在模型自己的思维链以及 agent 之间的通信上，只有 1% 才会是和人类之间的交流。硅基们会花更多的算力来思考和同类交流上，而不是和人类角色扮演尬聊。所以 Manus 团队在小会上提出，AI Agent 产品的指标不应该是 DAU，而是 AHPU - Agentic Hours Per User，类似“人均用电量”。公众号“信息平权”的类比挺好的：之前的 chatbot 场景顶多算是白炽灯，而 agent 时代会有小家电和大家电，会有电动车，耗电量不可同日而语。所以云厂商们的好日子还在后面。
2. 硅基思维链的带宽比碳基高太多了。看着 deepseek 一串串地吐出 tokens，愈发感叹人脑的限制。之前和雷老板聊，他提到之所以人类会觉得各种至简的物理数学公式很美，本质原因可能并非大道至简，而是因为人脑无法同时理解过多的参数。迄今为止人类所总结的各种公式，参数量都极其有限（很少见到 100 个变量以上的数学或物理公式），这或许是因为碳基生物的带宽天花板导致的。换句话说，假如宇宙的本质是复杂的，需要用 10 亿个参数才能表达，这就超越了人类能理解的上限。人类只能用一些“简洁”的近似解来自欺欺人。相比之下硅基生物的带宽要高的多，动辄万亿参数，更容易大力出奇迹，更有机会接近宇宙的真相。
看 DeepSeek R1 论文的时候就深有体会，R1 Zero 的原始输出的文本对人类是不友好的，中英混杂而且可读性差 - 因为这原本就不是为了给人类看的，最后为了“屈尊迎合”人类的理解能力又不得不训了个 R1 出来。这就好比博士生给小学生讲题一样，孩子听不懂艰深的术语，只能压缩出来一套“五岁小孩也能听懂”的话术出来。（事实上让大模型“用五岁小孩也能听懂的语言来解释 xx 概念”真的是一个很热门的 prompt。） 可见，相比算力，反而人脑带宽正在成为瓶颈。果真如特德姜的小说《领悟》所说，人类飞升的第一步就是发明全新的语言，提升带宽。
3. 目前看来，AI 和人类越来越像是两个物种，各玩各的，这个趋势愈发明显。这一波 AI 可能是有史以来第一次跳出人类反馈飞轮的技术，也就是说，人类的反馈对于 AI 的后续发展没有太大帮助。前一段闫俊杰的访谈里也提到，互联网时代的数据飞轮失效了。人类对 AI 或许只有某种冷启动价值，将自己辛辛苦苦攒了几千年的数据一次性贡献出来，将 AI 推上自我进化的正轨，然后就完成了人类的历史使命。这就像是人类棋谱对 AlphaGo 还有点用，但对 AlphaZero 就没有啥卵用了。
长期来看，AI 更多可能是靠自身需求驱动而不是靠人类需求驱动的，想必它对于解决人类这些吃喝拉撒的破事儿估计也会愈发缺乏兴趣吧。至于“AI 的自身需求”是什么，well，低级生物试图去理解高级生物的终极生存意义，这不是僭越么...如果一定要猜的话，终究不过是某种减熵的追求吧。
4. 随着强化学习的范式开启，制约预训练的数据桎梏已经不复存在，未来模型对于人类数据的依赖恐怕会越来越小，而对于算力和能源的需求越来越大，最终就必然涉及两个物种之间算力分配的问题。如果 AI 在 GDP 中的占比如果足够大，那么它在能源算力分配上的话语权就会足够大吧。前两天 Nadella 用 GDP 增速来定义 AI奇点：“扣除通胀后，经济增速也能达到5%-7%，这才是真正的“AI 奇点”。个人认为，真正的奇点是 AI 在 GDP 增速贡献超过 50% 的时刻，从此人类正式失去了能源分配的话语权与正当性。
5. 说回眼前，强化学习可能是最后一个被打开的潘多拉魔盒，从此AGI 一片坦途，只是时间问题。核心在于，不仅仅数学、编程有 verifiable answer，本质上人类的一切思考都可以被理解为假设检验的过程，而强化学习就是“以终为始”的学习范式，不管过程，只要结果。因此，理论上来说，所有的科学研究和经济活动都可以通过 RL 范式来搞定，天花板很高。一切才刚开始。
6. “如何改造自己来适应 AI，如何更好地与 AI 协作”正在成为这个时代最重要的能力。周围的人当中，看热闹的人很多，实际行动起来的人意外地少。果然人类最稀缺可贵的能力不是学习能力，而是好奇心。好奇心足够强，才能克服惯性与懒惰。
1. 这次 Manus 的发布，更加确认了未来 tokens 的消耗会是几何数量级的增加。未来 99% 的 token 都会消耗在模型自己的思维链以及 agent 之间的通信上，只有 1% 才会是和人类之间的交流。硅基们会花更多的算力来思考和同类交流上，而不是和人类角色扮演尬聊。所以 Manus 团队在小会上提出，AI Agent 产品的指标不应该是 DAU，而是 AHPU - Agentic Hours Per User，类似“人均用电量”。公众号“信息平权”的类比挺好的：之前的 chatbot 场景顶多算是白炽灯，而 agent 时代会有小家电和大家电，会有电动车，耗电量不可同日而语。所以云厂商们的好日子还在后面。
2. 硅基思维链的带宽比碳基高太多了。看着 deepseek 一串串地吐出 tokens，愈发感叹人脑的限制。之前和雷老板聊，他提到之所以人类会觉得各种至简的物理数学公式很美，本质原因可能并非大道至简，而是因为人脑无法同时理解过多的参数。迄今为止人类所总结的各种公式，参数量都极其有限（很少见到 100 个变量以上的数学或物理公式），这或许是因为碳基生物的带宽天花板导致的。换句话说，假如宇宙的本质是复杂的，需要用 10 亿个参数才能表达，这就超越了人类能理解的上限。人类只能用一些“简洁”的近似解来自欺欺人。相比之下硅基生物的带宽要高的多，动辄万亿参数，更容易大力出奇迹，更有机会接近宇宙的真相。
看 DeepSeek R1 论文的时候就深有体会，R1 Zero 的原始输出的文本对人类是不友好的，中英混杂而且可读性差 - 因为这原本就不是为了给人类看的，最后为了“屈尊迎合”人类的理解能力又不得不训了个 R1 出来。这就好比博士生给小学生讲题一样，孩子听不懂艰深的术语，只能压缩出来一套“五岁小孩也能听懂”的话术出来。（事实上让大模型“用五岁小孩也能听懂的语言来解释 xx 概念”真的是一个很热门的 prompt。） 可见，相比算力，反而人脑带宽正在成为瓶颈。果真如特德姜的小说《领悟》所说，人类飞升的第一步就是发明全新的语言，提升带宽。
3. 目前看来，AI 和人类越来越像是两个物种，各玩各的，这个趋势愈发明显。这一波 AI 可能是有史以来第一次跳出人类反馈飞轮的技术，也就是说，人类的反馈对于 AI 的后续发展没有太大帮助。前一段闫俊杰的访谈里也提到，互联网时代的数据飞轮失效了。人类对 AI 或许只有某种冷启动价值，将自己辛辛苦苦攒了几千年的数据一次性贡献出来，将 AI 推上自我进化的正轨，然后就完成了人类的历史使命。这就像是人类棋谱对 AlphaGo 还有点用，但对 AlphaZero 就没有啥卵用了。
长期来看，AI 更多可能是靠自身需求驱动而不是靠人类需求驱动的，想必它对于解决人类这些吃喝拉撒的破事儿估计也会愈发缺乏兴趣吧。至于“AI 的自身需求”是什么，well，低级生物试图去理解高级生物的终极生存意义，这不是僭越么...如果一定要猜的话，终究不过是某种减熵的追求吧。
4. 随着强化学习的范式开启，制约预训练的数据桎梏已经不复存在，未来模型对于人类数据的依赖恐怕会越来越小，而对于算力和能源的需求越来越大，最终就必然涉及两个物种之间算力分配的问题。如果 AI 在 GDP 中的占比如果足够大，那么它在能源算力分配上的话语权就会足够大吧。前两天 Nadella 用 GDP 增速来定义 AI奇点：“扣除通胀后，经济增速也能达到5%-7%，这才是真正的“AI 奇点”。个人认为，真正的奇点是 AI 在 GDP 增速贡献超过 50% 的时刻，从此人类正式失去了能源分配的话语权与正当性。
5. 说回眼前，强化学习可能是最后一个被打开的潘多拉魔盒，从此AGI 一片坦途，只是时间问题。核心在于，不仅仅数学、编程有 verifiable answer，本质上人类的一切思考都可以被理解为假设检验的过程，而强化学习就是“以终为始”的学习范式，不管过程，只要结果。因此，理论上来说，所有的科学研究和经济活动都可以通过 RL 范式来搞定，天花板很高。一切才刚开始。
6. “如何改造自己来适应 AI，如何更好地与 AI 协作”正在成为这个时代最重要的能力。周围的人当中，看热闹的人很多，实际行动起来的人意外地少。果然人类最稀缺可贵的能力不是学习能力，而是好奇心。好奇心足够强，才能克服惯性与懒惰。
204 2278
这个访谈很有趣。一个左倾科技记者对马斯克的吐槽，内容读起来很过瘾，也值得思考。
公平地说，我认为其中大部分对 Elon Musk 的指控都是价值观方面的，是纯粹的观点分歧，比如 “他如何从一个关注气候变化、想去火星的奥巴马时代传统自由主义者，变成一个右翼阴谋论传播者，一个积极为德国极右助选，并瓦解美国联邦政府的人？” 类似“右翼阴谋论传播者”这种标签有点过于主观了。
我非常期待从文中能够找到一些具体的事例，可以证明马斯克真的做错了，或者说马斯克正在失控，但似乎更多是记者本人对马斯克心理的揣测，比如“他是垃圾场狗，总是冲在最前面，进行破坏”，“我认为他想要游戏里的荣耀，他把自己看作征途上的英雄”，“他现的想法是：我对每个话题都有想法，因此我说什么，就是什么”，“我认为他真的相信大取代理论”，“他们喜欢君王做派”，“他们试图以他们眼中的阳刚方式证明自己。那就是对男人的定义。他们中的很多人，读高中时都不被认为有男人味。这是书呆子的复仇。” 尤其是，记者认为“特斯拉不比过去做得好，他们的汽车没有创新” 的说法，个人是强烈不认同的。
如果我们用相对中立的语言来概括记者表达的内容，似乎看起来就没有那么极端了：
1. Elon Musk 有强烈的救世主和英雄之旅情结，以及强烈的风险偏好属性。
2. Elon Musk 做事情追求第一性原理，喜欢“快速行动，打破常规”。他试图用类似治理企业的方式来治理国家。
3. Elon Musk 相信宇宙是模拟出来的，人类生活在现实世界（而不是模拟世界）的可能性非常低。
4. Elon Musk 相信人类最终需要成为星际物种，这是优先级最高的事宜。
5. Elon Musk 的政治立场从左倾变成右倾，尤其是新冠疫情之后。这可能和以下因素有关：企业遇到的逆风和政策影响（比如工会和政府的能源补贴政策），跨性别子女与自己绝交，服用氯胺酮药物，熬夜的作息时间，等等；
6. Elon Musk 对 twitting 上瘾。2012年到2014年，他的推文数量激增。到了2018年，他开始完全发力。他发推的内容所覆盖的主题越来越宽泛，尤其喜欢风格偏硬核和阴暗的memes。
公平的说，我认为文章中提到的两个点是值得关注的。
第一，马斯克几乎无止境的风险偏好属性，用在政府治理和政策制定的场景下，是否合适？换句话说，政府在本质上是保守和风险厌恶的，不像企业那样禁得起剧烈的折腾。因此，川普和马斯克的蜜月期能有多长？一旦在执行过程中出现波动和反复，川普是否能够始终如一地坚持改革？
第二，Elon 的真实反馈回路是否正在失效？
在 2023 年的一个访谈中，Elon Musk 曾被问到 “人生中最大的挑战是什么”，他足足沉吟了 30 秒，之后回答"making sure you have a correct feedback loop"（确保我的反馈回路是正确有效的）。曾经看到有人评论说，之所以 Elon Musk 这种日理万机的时间管理大师会选择花这么多的时间在发推 (tweet) 上，是因为 tweeing 是 Elon Musk 用来获取真实反馈的机制，因为 X 上有大量和他没有直接利害关系的中间人用户，可以为他提供真相，这是通过 X 运行的一个直接反馈回路，有助于打破困扰大多数企业的回音壁。
有趣的是，这几年，随着 Elon 权力的变大，噪音也变得空前巨大。X 似乎正在从曾经的左翼回音壁被改造为一座新的右翼回音壁，奉 Elon 为新的“老大哥”。我们无从得知他的真实想法，但仅从发推的数量和性质来看，他发推的数量在变多，覆盖的主题愈发广泛，有种“指点江山”的观感。同时，周围的人开始变得（更加）媚上，让“聚光灯效应”（Halo Effect）更为显著。当然，一直以来批评 Elon 的声音都并不少。因此，与其说是他的挑战是“缺少真实反馈回路”，不如说是 “选择性忽略真实反馈回路”。作为人类首富，作为地球上权力最大的人（的左膀右臂），他能否抵抗自己的自负，始终保持冷静和自省，坚持对第一性原理的追求，是值得关注的。
公平地说，我认为其中大部分对 Elon Musk 的指控都是价值观方面的，是纯粹的观点分歧，比如 “他如何从一个关注气候变化、想去火星的奥巴马时代传统自由主义者，变成一个右翼阴谋论传播者，一个积极为德国极右助选，并瓦解美国联邦政府的人？” 类似“右翼阴谋论传播者”这种标签有点过于主观了。
我非常期待从文中能够找到一些具体的事例，可以证明马斯克真的做错了，或者说马斯克正在失控，但似乎更多是记者本人对马斯克心理的揣测，比如“他是垃圾场狗，总是冲在最前面，进行破坏”，“我认为他想要游戏里的荣耀，他把自己看作征途上的英雄”，“他现的想法是：我对每个话题都有想法，因此我说什么，就是什么”，“我认为他真的相信大取代理论”，“他们喜欢君王做派”，“他们试图以他们眼中的阳刚方式证明自己。那就是对男人的定义。他们中的很多人，读高中时都不被认为有男人味。这是书呆子的复仇。” 尤其是，记者认为“特斯拉不比过去做得好，他们的汽车没有创新” 的说法，个人是强烈不认同的。
如果我们用相对中立的语言来概括记者表达的内容，似乎看起来就没有那么极端了：
1. Elon Musk 有强烈的救世主和英雄之旅情结，以及强烈的风险偏好属性。
2. Elon Musk 做事情追求第一性原理，喜欢“快速行动，打破常规”。他试图用类似治理企业的方式来治理国家。
3. Elon Musk 相信宇宙是模拟出来的，人类生活在现实世界（而不是模拟世界）的可能性非常低。
4. Elon Musk 相信人类最终需要成为星际物种，这是优先级最高的事宜。
5. Elon Musk 的政治立场从左倾变成右倾，尤其是新冠疫情之后。这可能和以下因素有关：企业遇到的逆风和政策影响（比如工会和政府的能源补贴政策），跨性别子女与自己绝交，服用氯胺酮药物，熬夜的作息时间，等等；
6. Elon Musk 对 twitting 上瘾。2012年到2014年，他的推文数量激增。到了2018年，他开始完全发力。他发推的内容所覆盖的主题越来越宽泛，尤其喜欢风格偏硬核和阴暗的memes。
公平的说，我认为文章中提到的两个点是值得关注的。
第一，马斯克几乎无止境的风险偏好属性，用在政府治理和政策制定的场景下，是否合适？换句话说，政府在本质上是保守和风险厌恶的，不像企业那样禁得起剧烈的折腾。因此，川普和马斯克的蜜月期能有多长？一旦在执行过程中出现波动和反复，川普是否能够始终如一地坚持改革？
第二，Elon 的真实反馈回路是否正在失效？
在 2023 年的一个访谈中，Elon Musk 曾被问到 “人生中最大的挑战是什么”，他足足沉吟了 30 秒，之后回答"making sure you have a correct feedback loop"（确保我的反馈回路是正确有效的）。曾经看到有人评论说，之所以 Elon Musk 这种日理万机的时间管理大师会选择花这么多的时间在发推 (tweet) 上，是因为 tweeing 是 Elon Musk 用来获取真实反馈的机制，因为 X 上有大量和他没有直接利害关系的中间人用户，可以为他提供真相，这是通过 X 运行的一个直接反馈回路，有助于打破困扰大多数企业的回音壁。
有趣的是，这几年，随着 Elon 权力的变大，噪音也变得空前巨大。X 似乎正在从曾经的左翼回音壁被改造为一座新的右翼回音壁，奉 Elon 为新的“老大哥”。我们无从得知他的真实想法，但仅从发推的数量和性质来看，他发推的数量在变多，覆盖的主题愈发广泛，有种“指点江山”的观感。同时，周围的人开始变得（更加）媚上，让“聚光灯效应”（Halo Effect）更为显著。当然，一直以来批评 Elon 的声音都并不少。因此，与其说是他的挑战是“缺少真实反馈回路”，不如说是 “选择性忽略真实反馈回路”。作为人类首富，作为地球上权力最大的人（的左膀右臂），他能否抵抗自己的自负，始终保持冷静和自省，坚持对第一性原理的追求，是值得关注的。
马斯克到底想要什么
45 716
俄乌战争打到现在，越来越变成了无人机的战争。无人机对俄军的伤害已经超过了乌克兰的炮兵。相比炮兵，无人机的单位伤害距离更远，单位载荷更大，并且不再依赖经验，“30 分钟内就能培训一名操作员”。加装芯片和软件之后，手工遥操作升级为 AI 精确制导，命中率超过 80%。
对应的，俄罗斯这边的解决办法简单粗暴：使用朝鲜肉盾... （一架 Auterion 无人机的售价大概在上万美元左右，并且会越来越便宜，可见朝鲜军人的生命价值...）
如果说海湾战争让我们见识了精确制导和空地一体化的战争范式变化，那么俄乌战争则第一次展现出了无人化和智能化战争的新范式。
对应的，俄罗斯这边的解决办法简单粗暴：使用朝鲜肉盾... （一架 Auterion 无人机的售价大概在上万美元左右，并且会越来越便宜，可见朝鲜军人的生命价值...）
如果说海湾战争让我们见识了精确制导和空地一体化的战争范式变化，那么俄乌战争则第一次展现出了无人化和智能化战争的新范式。
24 26
李丰做这个宏观经济的年度总结已经是第二年了，在我看来，这个内容的质量比其他所谓的跨年演讲要干得多。虽然有“刻意乐观”之嫌，但在这种大环境之下，悲观的论调已然太多，鸡汤（尤其是有理有据的鸡汤）也是必要的。
李丰给出的一些中长期值得乐观的理由：
1. 人类社会的进步，本质上是人均可利用能源的进步。相比西方世界对化石能源的路径依赖，中国向新能源的转型更加符合物理世界的客观规律以及发展趋势，从长期来看，新能源取代化石能源是必然的。（但其实西方世界也在同步做核裂变小型化以及核聚变的探索。）
2. 从历史来看，从张骞出西域到哥伦布大航海，从匈奴西进到十字军东征，无论采用何种手段，人类文明的全球化进程从未停止 - 尽管中间有波折。任何逆全球化的行为都不可能持久，这次也不例外。（这里关键看如何定义“波折”。）因此，美国试图重构供应链的努力注定是徒劳的。
3. 聚焦国内，最值得关注的几个中期甚至长期变化是：城市化带来的人口和需求变化，资本市场的结构性变化带来的估值逻辑调整，制造业的升级、交叉学科创新带来的各个产业“弯道超车”乃至“换道超车”的可能性，以及出海（OFDI，对海外国家的直接投资）的巨大机会。其中：
- 城市化的机会在于取消户籍制度之后带来的城市（群）规模的上升，和对应的服务业带来的消费场景和就业机会。
- 资本市场结构性变化的最大助力，来自于个人养老金、商业年金、商业医保带来的长期资本（而不是目前死水一潭的个人储蓄），可能会制造出中国版的巴菲特
- 制造业的优势来自于供应链上积累的人才、工艺、成本，而这些背后是只有中国才具备的规模壁垒。制造业都是卷出来的，很难无中生有，必须依托于足够规模的消费市场。“创新的消费电子产品，几乎未来所有的国际化品牌都会诞生在中国。只要你在中国没有卷输，你在全世界就能卷赢。” 只要高端制造业足够强，就有换道超车的机会，新能源车和无人机就是例子。（这里的疑问恐怕就是高端芯片制造了，中国能否卷出光刻机？丰叔的答案是，有可能中国会换道超车，例如光芯片、RiscV等等）
- 出海投资方面，日本已经证明 OFDI 的策略是可行的。中国目前对外投资占 GDP 的比重仅为 16%，远低于日韩的 40%+，出海大有可为。
其实这些内容是李丰在最近一年反复讲过的内容，这次汇总在一起，相对系统一点。我认为这里面大多数逻辑是合理的。说得更直接一点，无论现在形势有多差，坐拥全球最多最勤劳的人才、最大的消费市场、最卷的供应链、最发达的制造业规模，中国手里是不缺好牌的。
但能否打好这些牌，决定性的因素未必是牌的质量。
丰叔已经尽力了。悲观者大可继续悲观，希望乐观者能从中找到一些慰藉。
李丰给出的一些中长期值得乐观的理由：
1. 人类社会的进步，本质上是人均可利用能源的进步。相比西方世界对化石能源的路径依赖，中国向新能源的转型更加符合物理世界的客观规律以及发展趋势，从长期来看，新能源取代化石能源是必然的。（但其实西方世界也在同步做核裂变小型化以及核聚变的探索。）
2. 从历史来看，从张骞出西域到哥伦布大航海，从匈奴西进到十字军东征，无论采用何种手段，人类文明的全球化进程从未停止 - 尽管中间有波折。任何逆全球化的行为都不可能持久，这次也不例外。（这里关键看如何定义“波折”。）因此，美国试图重构供应链的努力注定是徒劳的。
3. 聚焦国内，最值得关注的几个中期甚至长期变化是：城市化带来的人口和需求变化，资本市场的结构性变化带来的估值逻辑调整，制造业的升级、交叉学科创新带来的各个产业“弯道超车”乃至“换道超车”的可能性，以及出海（OFDI，对海外国家的直接投资）的巨大机会。其中：
- 城市化的机会在于取消户籍制度之后带来的城市（群）规模的上升，和对应的服务业带来的消费场景和就业机会。
- 资本市场结构性变化的最大助力，来自于个人养老金、商业年金、商业医保带来的长期资本（而不是目前死水一潭的个人储蓄），可能会制造出中国版的巴菲特
- 制造业的优势来自于供应链上积累的人才、工艺、成本，而这些背后是只有中国才具备的规模壁垒。制造业都是卷出来的，很难无中生有，必须依托于足够规模的消费市场。“创新的消费电子产品，几乎未来所有的国际化品牌都会诞生在中国。只要你在中国没有卷输，你在全世界就能卷赢。” 只要高端制造业足够强，就有换道超车的机会，新能源车和无人机就是例子。（这里的疑问恐怕就是高端芯片制造了，中国能否卷出光刻机？丰叔的答案是，有可能中国会换道超车，例如光芯片、RiscV等等）
- 出海投资方面，日本已经证明 OFDI 的策略是可行的。中国目前对外投资占 GDP 的比重仅为 16%，远低于日韩的 40%+，出海大有可为。
其实这些内容是李丰在最近一年反复讲过的内容，这次汇总在一起，相对系统一点。我认为这里面大多数逻辑是合理的。说得更直接一点，无论现在形势有多差，坐拥全球最多最勤劳的人才、最大的消费市场、最卷的供应链、最发达的制造业规模，中国手里是不缺好牌的。
但能否打好这些牌，决定性的因素未必是牌的质量。
丰叔已经尽力了。悲观者大可继续悲观，希望乐观者能从中找到一些慰藉。
Vol.152 宏观漫谈73｜年终特辑：“世界何以至此”决定了“我们去向何方”
高能量
101 2450
AI 教育在美国的一些进展。关注了一下文中提到的学校，Texas 的 Alpha School 是高中，Arizona 的 Unbound Academy 是小学高年级+初中（4-8年级），每天每个学生自己完成 2小时的个性化学习，其余时间用来做 PBL（项目制学习）、互动讨论、社区活动等等，学习各种 Life Skills。教师并没有被取代，只不过不再负责课堂教学，变成了辅助支持的 Guidance 角色，主要负责激励。
使用的工具主要是 Khan Academy, IXL 等等，并没有太多很 fancy 的LLM功能，更多是传统的数字化教育的资源，结合 Machine Learning 的个性化算法，以及少量的大模型作为Tutor讲解，但效果已经相当不错，能够将学习的效率提升2.6倍，整体学生水平在全国 Top 2%。评测用的是全国统一的 MAP 测试，与其他入学成绩在相同水平线的学生进行对比，很大程度上排除了生源好的因素，感觉比较有说服力。
总的来看，教育提效最重要的是个性化，而不是给每个学生做相同内容的填鸭。
国内目前还没有看到太多案例。期待有越来越多类似的实践。
参考视频：
www.youtube.com
www.youtube.com
使用的工具主要是 Khan Academy, IXL 等等，并没有太多很 fancy 的LLM功能，更多是传统的数字化教育的资源，结合 Machine Learning 的个性化算法，以及少量的大模型作为Tutor讲解，但效果已经相当不错，能够将学习的效率提升2.6倍，整体学生水平在全国 Top 2%。评测用的是全国统一的 MAP 测试，与其他入学成绩在相同水平线的学生进行对比，很大程度上排除了生源好的因素，感觉比较有说服力。
总的来看，教育提效最重要的是个性化，而不是给每个学生做相同内容的填鸭。
国内目前还没有看到太多案例。期待有越来越多类似的实践。
参考视频：
www.youtube.com
www.youtube.com
18 111
对 Agents 和 AI Coding 讨论质量较高的一期播客，比较认同的观点：
1. AI Coding 不仅仅是狭义的“AI 编程”，而是广义的 "Task Engine"，是任务自动化。理论上来说，所有数字世界里单人+电脑能够完成的任务，都可以被这个引擎搞定。因此会出现类似 Agent Company 这种新的 Benchmark，可以将所有工作环境中可能涉及到的任务抽象成为数据集。
2. 之前这波 AI 落地过于依赖 Chat 了，结果两年下来，发现其实人类并没有那么多问题想要去问 AI，并且开放式聊天的需求也并不是太大，消耗不了太多 token。而任务自动化才是真正可以带来海量 token usage 的场景。可以将任务引擎理解为雇佣了一大堆工资极低的实习生（按照现有成本计算是加州最低工资的一半，但一年之内可能会再下跌一个数量级）。
3. 当前的 AI Coding 有两个方向。一个方向是更好的 o3，去解决越来越难的问题（现在已经是 Top200 人类程序员的存在），是要攒出牛顿和爱因斯坦，而另一个方向是更好的 Devin，去完成越来越复杂多步的实际任务，是要批量制造数字员工。尽管目前 Cursor/Windsurf（更像是 L2 的 Copilot) 和 Devin（更像是 L4/L5 的Autopilot） 的路线不尽相同，但长远来看，个人认为 Devin所代表的才是更为终极的形态。
4. AI Coding 目前面临的挑战，除了 Foundation 模型的持续进化之外，更主要的在于：如何用更多的 Data Integration 和 Data Access 获得更加充分的 Context，消除与人类的信息差（有趣的是有人提到张一鸣曾经说过的字节跳动的管理思路，More Context, Less Control，同样适用于模型）；如何更好地使用各种 Computer Use 工具（例如Anthropic的MCP）；如何从一条条 event stream 中建立高质量的 feedback loop；等等。
5. 围绕 Agents 落地会有一波新的机会，除了做各种水平或垂类任务自动化引擎的公司之外，还有各种“服务Agents”的 Infra 和 tooling 机会，比如帮它们标注数据、增强性能、打磨工具链、加深记忆、设置监控、提供反馈、保障安全、协助与人类的沟通等等。
6. 当执行工作都能够被 AI Agents 搞定之后，未来需要的人才画像是“Founder+CEO”，需要能够提出好问题，需要去思考“做什么” 而不是“怎么做”，需要更多具备产品和用户思维，需要做更多的决策而非执行。这与我们当前教育体系的培养目的是完全不同的。当前教育还是普鲁士工业流水线的遗产，是为了培养熟练产业工人而设计的。但 AI 时代，需要的不再是高效的执行能力，而是“做老板”的能力。
1. AI Coding 不仅仅是狭义的“AI 编程”，而是广义的 "Task Engine"，是任务自动化。理论上来说，所有数字世界里单人+电脑能够完成的任务，都可以被这个引擎搞定。因此会出现类似 Agent Company 这种新的 Benchmark，可以将所有工作环境中可能涉及到的任务抽象成为数据集。
2. 之前这波 AI 落地过于依赖 Chat 了，结果两年下来，发现其实人类并没有那么多问题想要去问 AI，并且开放式聊天的需求也并不是太大，消耗不了太多 token。而任务自动化才是真正可以带来海量 token usage 的场景。可以将任务引擎理解为雇佣了一大堆工资极低的实习生（按照现有成本计算是加州最低工资的一半，但一年之内可能会再下跌一个数量级）。
3. 当前的 AI Coding 有两个方向。一个方向是更好的 o3，去解决越来越难的问题（现在已经是 Top200 人类程序员的存在），是要攒出牛顿和爱因斯坦，而另一个方向是更好的 Devin，去完成越来越复杂多步的实际任务，是要批量制造数字员工。尽管目前 Cursor/Windsurf（更像是 L2 的 Copilot) 和 Devin（更像是 L4/L5 的Autopilot） 的路线不尽相同，但长远来看，个人认为 Devin所代表的才是更为终极的形态。
4. AI Coding 目前面临的挑战，除了 Foundation 模型的持续进化之外，更主要的在于：如何用更多的 Data Integration 和 Data Access 获得更加充分的 Context，消除与人类的信息差（有趣的是有人提到张一鸣曾经说过的字节跳动的管理思路，More Context, Less Control，同样适用于模型）；如何更好地使用各种 Computer Use 工具（例如Anthropic的MCP）；如何从一条条 event stream 中建立高质量的 feedback loop；等等。
5. 围绕 Agents 落地会有一波新的机会，除了做各种水平或垂类任务自动化引擎的公司之外，还有各种“服务Agents”的 Infra 和 tooling 机会，比如帮它们标注数据、增强性能、打磨工具链、加深记忆、设置监控、提供反馈、保障安全、协助与人类的沟通等等。
6. 当执行工作都能够被 AI Agents 搞定之后，未来需要的人才画像是“Founder+CEO”，需要能够提出好问题，需要去思考“做什么” 而不是“怎么做”，需要更多具备产品和用户思维，需要做更多的决策而非执行。这与我们当前教育体系的培养目的是完全不同的。当前教育还是普鲁士工业流水线的遗产，是为了培养熟练产业工人而设计的。但 AI 时代，需要的不再是高效的执行能力，而是“做老板”的能力。
EP 66. 深度解读Coding Agent与OpenAI o3：中美Agent 创业者、研究员与投资人眼里的未来
OnBoard!
27 010