即刻App年轻人的同好社区
下载
自从用了一段时间Fable 5之后，就发现其实不必高射炮打蚊子，并且有时候打得还不好。AI 的下一阶段，可能不是继续讨论“哪个模型最聪明”，而是开始讨论：到底什么事情，值得用这么聪明的模型？
很多企业场景也没那么复杂，一旦模型能力跨过某条智能线，继续增加推理和 token，未必让事情做得更好，只是在增加成本。
这篇文章提供了一个有意思的指标：不要看一家企业用了多少 AI，而要看它“每做成一件事所消耗的智能”，能不能越来越少。
从这个角度看，最聪明的企业，可能恰恰在“降智”。
很多企业场景也没那么复杂，一旦模型能力跨过某条智能线，继续增加推理和 token，未必让事情做得更好，只是在增加成本。
这篇文章提供了一个有意思的指标：不要看一家企业用了多少 AI，而要看它“每做成一件事所消耗的智能”，能不能越来越少。
从这个角度看，最聪明的企业，可能恰恰在“降智”。
聪明的企业在“降智”
6 23
推荐《硅谷101》最新一期全英文节目，这次我们在旧金山，醒哥用一个多小时，把中国 AI 最近发生的很多变化，放进全球 AI 竞争的坐标里重新聊了一遍。
从 Kimi、DeepSeek 和中国这一代年轻 AI 研究者，到开源模型正在如何改变 Token 经济，以及为什么模型竞争开始从“谁最聪明”转向成本、速度、效率和 Model Routing。里面还有一个很有意思的判断：下一代 AI Lab，可能会从 Cursor 这样的应用公司里长出来，先拥有用户和独特数据，再反过来训练自己的模型。后面也聊到 AI for Science。
难得有一期面向海外听众的全英文节目，比较完整地讨论中国模型正在发生什么，以及这些变化对全球 AI 产业意味着什么。
感谢 Silicon Valley 101 和 yiwen 的主持☕️
油管传送门“How Chinese Open-Source Models Are Rewriting AI Economics｜5Y Capital’s Meng Xing”：www.youtube.com
从 Kimi、DeepSeek 和中国这一代年轻 AI 研究者，到开源模型正在如何改变 Token 经济，以及为什么模型竞争开始从“谁最聪明”转向成本、速度、效率和 Model Routing。里面还有一个很有意思的判断：下一代 AI Lab，可能会从 Cursor 这样的应用公司里长出来，先拥有用户和独特数据，再反过来训练自己的模型。后面也聊到 AI for Science。
难得有一期面向海外听众的全英文节目，比较完整地讨论中国模型正在发生什么，以及这些变化对全球 AI 产业意味着什么。
感谢 Silicon Valley 101 和 yiwen 的主持☕️
油管传送门“How Chinese Open-Source Models Are Rewriting AI Economics｜5Y Capital’s Meng Xing”：www.youtube.com
12 25
一个扎心的数字：企业花八位数买AI，10%的员工烧掉了90%的token，70%的人几乎不碰。模型能力飞涨，组织生产力却纹丝不动。
作者的判断更激进：大多数人永远不会成为AI Native，这不是培训能解决的问题。真正的出路也许不是教几千个人学AI，而是让AI退到后台，“无感使用”AI。
作者的判断更激进：大多数人永远不会成为AI Native，这不是培训能解决的问题。真正的出路也许不是教几千个人学AI，而是让AI退到后台，“无感使用”AI。
AI 普及是个“神话”
8 50
刘老师对醒哥的访谈终于新鲜出炉，从投行、创业、投资，到自动驾驶，再回到投资，如果只看履历，好像一直在换轨道。但看完这篇，反而觉得背后那条线一直挺清楚：对“不同”的执念，以及对体验的渴望。
"有些人适合做钻井，我更像地震仪——发现新的地层。"
挺喜欢这句话，这期访谈，也聊出了醒哥一些平时不太容易看到的侧面。
"有些人适合做钻井，我更像地震仪——发现新的地层。"
挺喜欢这句话，这期访谈，也聊出了醒哥一些平时不太容易看到的侧面。
elsewhere播客更新了，这期对话孟醒
8 00
OpenAI 依然很强，人才密度和研究储备都还在第一档，有可能年底就重回王座；Gemini All in Coding，TPU、数据、分发全在自己手里，虽有离职但感觉股价没啥问题；Anthropic 因为 K3冲击，老股价格已略微回调，但在芯片设计（CUDA 要崩了）、AI4S、drug、 金融法律各个方向全线出击，当然还有 RSI；xAI 不用跟 musk 每周开会了；Thinking Machines Lab 不及大多数人预期，陷入动荡，但可能也能重新聚焦放手一搏，毕竟之前融了那么多；英伟达下场做模型，在开源上也挺认真的，已经是美国开源头部，但醉翁之意不在模型本身，开源是为了让所有人买更多卡…股价该回调回调，该买还是得买
16 00
今天听了 Jeff Dean 和 Dawn Song 的炉边谈话。Jeff 刚结束在 Google 27 年的职业生涯，创办了 Discovery Loop；Dawn 则刚从 Berkeley 和创业，进入 Meta Superintelligence Labs。一个正在离开超级大 AI 平台，一个正在加入超级大 AI 平台，构成了整场最有意思的对照。
几个印象很深的点：
【怎么判断一个技术是不是"真正重要的"？】
Jeff 的很多工作有一个共同特点：真正大规模流行的时候，往往距离他最初开始做已经过去了很多年。分布式系统、MoE、TensorFlow、Gemini 背后的 idea，全都如此。
他的做法是在脑子里持续维护一张非常宽的"技术地图"。与其只深入看极少量论文，不如尽量扩大对整个 research community 的覆盖——哪怕只是快速扫过 100 篇 abstract。目的不是记住每一篇，而是在脑子里形成足够多的"点"：A 方向似乎开始可行，B 技术出现了早期结果，C 问题有人在尝试，D 硬件能力正在出现，E 算法效率开始跨过临界点。当这些点足够密，你才能看见：哪些原本分散的 idea，其实已经可以被连接起来。
【5+2 问题选择框架】
他最喜欢的问题形态：一个长期问题需要解决 7 个核心子问题，其中大约 5 个隐约看到路径但尚不成熟，另外 2 个真正不知道怎么办。7 个全不会做，可能要等 20 年；7 个全会做，只是一个两年的工程项目。5+2 的状态最值得投入大约五年，不是显然不可能，也不是显然会发生，真正需要创造新技术，一旦成功又能彻底改变做事方式。
这大概是我听过的对 research risk 最清晰的一个量化直觉。
【Cloud Computing 改变了创业的边界条件】
有人问：AI 看起来天然属于大公司的游戏，巨量数据、大规模算力、极高资本开支。为什么现实中这么多 frontier innovation 反而从 startup 出现？
Jeff 认为是云计算的成熟。过去 startup 想要超大规模 compute，得自建数据中心、自建分布式基础设施、自己拥有大量硬件，只有大公司有条件。今天云平台替你完成了这些 heavy lifting，小团队只要有好 idea 和一笔资本，就可以直接获取 massive compute。"小团队做大事"的边界被大幅推开了。
【相比大厂，AI创业公司的优势是什么？/为什么离开Google？】
Jeff 说，离开不是因为觉得 Google 做不好 AI。吸引他的是另一种工作方式：一个非常小、非常 focused 的 team，所有人每天只围绕同一个 mission 工作。Discovery Loop 可能只有 10 个人，在 Palo Alto 找一间办公室，然后每个人的全部精力都投入同一件事。大公司不可避免有更多 coordination、更多 parallel priority、更多 slight distraction；而 startup 可以让公司使命等于每一个人的唯一工作。
到谈话结束时，Jeff 说自己在这家新公司已经"工作了大约十二个半小时"。因为午夜刚从 Google 正式离职，中间大概有一秒钟处于"失业状态"，然后就正式成了创业者。
几个印象很深的点：
【怎么判断一个技术是不是"真正重要的"？】
Jeff 的很多工作有一个共同特点：真正大规模流行的时候，往往距离他最初开始做已经过去了很多年。分布式系统、MoE、TensorFlow、Gemini 背后的 idea，全都如此。
他的做法是在脑子里持续维护一张非常宽的"技术地图"。与其只深入看极少量论文，不如尽量扩大对整个 research community 的覆盖——哪怕只是快速扫过 100 篇 abstract。目的不是记住每一篇，而是在脑子里形成足够多的"点"：A 方向似乎开始可行，B 技术出现了早期结果，C 问题有人在尝试，D 硬件能力正在出现，E 算法效率开始跨过临界点。当这些点足够密，你才能看见：哪些原本分散的 idea，其实已经可以被连接起来。
【5+2 问题选择框架】
他最喜欢的问题形态：一个长期问题需要解决 7 个核心子问题，其中大约 5 个隐约看到路径但尚不成熟，另外 2 个真正不知道怎么办。7 个全不会做，可能要等 20 年；7 个全会做，只是一个两年的工程项目。5+2 的状态最值得投入大约五年，不是显然不可能，也不是显然会发生，真正需要创造新技术，一旦成功又能彻底改变做事方式。
这大概是我听过的对 research risk 最清晰的一个量化直觉。
【Cloud Computing 改变了创业的边界条件】
有人问：AI 看起来天然属于大公司的游戏，巨量数据、大规模算力、极高资本开支。为什么现实中这么多 frontier innovation 反而从 startup 出现？
Jeff 认为是云计算的成熟。过去 startup 想要超大规模 compute，得自建数据中心、自建分布式基础设施、自己拥有大量硬件，只有大公司有条件。今天云平台替你完成了这些 heavy lifting，小团队只要有好 idea 和一笔资本，就可以直接获取 massive compute。"小团队做大事"的边界被大幅推开了。
【相比大厂，AI创业公司的优势是什么？/为什么离开Google？】
Jeff 说，离开不是因为觉得 Google 做不好 AI。吸引他的是另一种工作方式：一个非常小、非常 focused 的 team，所有人每天只围绕同一个 mission 工作。Discovery Loop 可能只有 10 个人，在 Palo Alto 找一间办公室，然后每个人的全部精力都投入同一件事。大公司不可避免有更多 coordination、更多 parallel priority、更多 slight distraction；而 startup 可以让公司使命等于每一个人的唯一工作。
到谈话结束时，Jeff 说自己在这家新公司已经"工作了大约十二个半小时"。因为午夜刚从 Google 正式离职，中间大概有一秒钟处于"失业状态"，然后就正式成了创业者。
25 03
2 20