即刻App年轻人的同好社区
下载
Meta的朋友回国了，他说整个硅谷对AI的积极程度大概是国内的10倍。
直到anthorpic 上市之后，才是真正的AI Time到来，并且坚信还有long way to run，目前的基建还差距离去优化，人类对AI的发掘还有很长的路要走，IPO以后整个AI生态都会利好，也对股价的长久看法持健康态度。
Google的生态线第一名还是Ads业务，使用了AI给原本的广告业务带来了新的分发和增长。
Facebook目前没有美国人在用了，但是第三世界的用户还在不断增长中，instagram 、whatsapp同理，尤其是IG，几乎每周都有新功能在迭代
Muse 带领的一波personal agent会让人养成使用agent的习惯，据说 muse code编程能力也不差
美国几乎都在讨论基建，没啥人在研究AI硬件，中国的AI硬件出海策略正在席卷整个世界。
直到anthorpic 上市之后，才是真正的AI Time到来，并且坚信还有long way to run，目前的基建还差距离去优化，人类对AI的发掘还有很长的路要走，IPO以后整个AI生态都会利好，也对股价的长久看法持健康态度。
Google的生态线第一名还是Ads业务，使用了AI给原本的广告业务带来了新的分发和增长。
Facebook目前没有美国人在用了，但是第三世界的用户还在不断增长中，instagram 、whatsapp同理，尤其是IG，几乎每周都有新功能在迭代
Muse 带领的一波personal agent会让人养成使用agent的习惯，据说 muse code编程能力也不差
美国几乎都在讨论基建，没啥人在研究AI硬件，中国的AI硬件出海策略正在席卷整个世界。
5 01
Anthorpic / OpenAI 最大的壁垒，不是人才，是这两家公司的核心信念——除了赢，没有其他选择
不像Google、Meta他们都有生态，不同的业务线，对于 A/O来说只有不断用Frontier Model去证明自己才能保住地位
这反而让他们变得更纯粹，更无退路
不像Google、Meta他们都有生态，不同的业务线，对于 A/O来说只有不断用Frontier Model去证明自己才能保住地位
这反而让他们变得更纯粹，更无退路
4 00
受邀参加WTCC Side Event这场由Wapitee 主办，现场来的大多是AI硬件的创始人
有大部分都在WTCC上有展位，比较老牌的比如Looki，属于AI硬件最早一批获客成功的案例，我和Looki的伙伴说我第一次知道你们还是去年在AI Hacker House的活动上，那时候还没有大规模distrubtion呢
有意思的是，我和他说Looki是「老牌AI硬件」了，他很惊讶，因为公司成立才2年，我说没错，但是在AI硬件这个赛道，你们的brand awareness已经很高
正好旁边是做AI硬件线下零售的负责人，向她学习了这类科技硬件该怎么触达受众，关键还是对客群的理解，和线下提供“场景支持”，比如几乎所有的 AI 硬件 都会选择与大型超市，like 沃尔玛、山姆会员店等等入驻，首先TA的消费水平在，其次是白领消费也愿意接受新事物，一般来讲客单价在800-5000的最好卖，不过消费者大多数是线下体验，线上采购
还有一些有意思的硬件，比如把2D Text转化为3D的Agent，想象一下你正在用pocket拍vlog，一张张照片瞬间变成了360° 3D围绕的全景，记忆瞬间立体了起来
比如玄学硬件，主打一个情感陪伴，还有比如长得很dot / grok的physical personal agent，都在聊personal agent，这波风也是吹到robotics来了（图2）
还有在社交媒体上viral的手机社交配件，情绪价值拉到满，非常符合当下GenZ的社交需求，这类瞄准年轻人孤独心理需求的产品也会越来越多
准备周日的时候再去好好逛逛WTCC淘淘宝
有大部分都在WTCC上有展位，比较老牌的比如Looki，属于AI硬件最早一批获客成功的案例，我和Looki的伙伴说我第一次知道你们还是去年在AI Hacker House的活动上，那时候还没有大规模distrubtion呢
有意思的是，我和他说Looki是「老牌AI硬件」了，他很惊讶，因为公司成立才2年，我说没错，但是在AI硬件这个赛道，你们的brand awareness已经很高
正好旁边是做AI硬件线下零售的负责人，向她学习了这类科技硬件该怎么触达受众，关键还是对客群的理解，和线下提供“场景支持”，比如几乎所有的 AI 硬件 都会选择与大型超市，like 沃尔玛、山姆会员店等等入驻，首先TA的消费水平在，其次是白领消费也愿意接受新事物，一般来讲客单价在800-5000的最好卖，不过消费者大多数是线下体验，线上采购
还有一些有意思的硬件，比如把2D Text转化为3D的Agent，想象一下你正在用pocket拍vlog，一张张照片瞬间变成了360° 3D围绕的全景，记忆瞬间立体了起来
比如玄学硬件，主打一个情感陪伴，还有比如长得很dot / grok的physical personal agent，都在聊personal agent，这波风也是吹到robotics来了（图2）
还有在社交媒体上viral的手机社交配件，情绪价值拉到满，非常符合当下GenZ的社交需求，这类瞄准年轻人孤独心理需求的产品也会越来越多
准备周日的时候再去好好逛逛WTCC淘淘宝
2 00
本着倒是要看看 REA（Reverse Engineer Anything）逆向AI到底有多强的好奇心
让Codex安装了 REA，并且让他逆向复刻 KEEP
结果让我惊艳了！
这个App叫轻练，直接复刻了原有app的framework，从课程搜索、分类筛选，到训练计时、每周计划，再到运动记录、统计和导出，核心流程真的跑起来了
仅用了10分钟就出了网页版，一小时就出了完整版的 App 版本
虽然说对于后端代码的逻辑没办法100%拆解，但是前端界面和交互程度开始已经很可观，后续出一个视频来说说
让Codex安装了 REA，并且让他逆向复刻 KEEP
结果让我惊艳了！
这个App叫轻练，直接复刻了原有app的framework，从课程搜索、分类筛选，到训练计时、每周计划，再到运动记录、统计和导出，核心流程真的跑起来了
仅用了10分钟就出了网页版，一小时就出了完整版的 App 版本
虽然说对于后端代码的逻辑没办法100%拆解，但是前端界面和交互程度开始已经很可观，后续出一个视频来说说
4 01
这篇文章让我今晚读了又读，从6亿年生物进化，看AI的下一次范式革命。
Ilya Sutskever 曾谈到，自己的 Research Taste 来自两个原则：从生物机制中寻找灵感，以及追求简单、优雅的底层规律。
如果把进化看作一场持续数亿年的实验，它反复探索的方向可以概括为两个：
Intelligence：让个体更高效地学习和适应世界。
Alignment：让独立个体形成更大规模、更稳定的合作系统。
这恰好也是今天 Frontier Labs 面临的两大挑战。
Max Bennett 在《智能简史》中，将6亿年的大脑演化概括为五次突破：
Steering（转向）：建立价值判断，知道什么值得接近、什么需要远离。
Reinforcing（强化）：从自己真实采取的行动及结果中学习。
Simulating（模拟）：在脑内预演未来，不必每次都亲自试错。
Mentalizing（心智建模）：理解他人的行为与意图，从别人的经验中学习。
Language（语言）：通过语言继承他人的知识，甚至学习别人想象过的世界。
这五次突破有一条共同主线：智能越来越不需要亲身经历，就能获得经验
有趣的是，AI 走了几乎相反的路线。
人类先通过语言积累文明，再通过预训练把这些知识交给 LLM。随后，模型才逐渐获得推理、强化学习、工具调用和与真实环境交互的能力。生物从一手经验走向二手经验，AI 则从二手知识走向一手经验。
这也是 David Silver 和 Richard Sutton 所说的 The Era of Experience。未来模型能力的增长，可能越来越依赖自主行动、试错和反馈，而不只是扩大预训练数据规模。
Pre-training 让 AI 继承人类文明，Experience 才可能让 AI 开始创造自己的知识。
Continual Learning 的关键挑战，不只是如何持续训练，而是如何让 AI 高效判断什么值得学习。
AGI 的终极挑战，不只是创造更聪明的个体，而是让越来越强大的智能体形成安全、稳定、非零和的合作系统。
Ilya Sutskever 曾谈到，自己的 Research Taste 来自两个原则：从生物机制中寻找灵感，以及追求简单、优雅的底层规律。
如果把进化看作一场持续数亿年的实验，它反复探索的方向可以概括为两个：
Intelligence：让个体更高效地学习和适应世界。
Alignment：让独立个体形成更大规模、更稳定的合作系统。
这恰好也是今天 Frontier Labs 面临的两大挑战。
Max Bennett 在《智能简史》中，将6亿年的大脑演化概括为五次突破：
Steering（转向）：建立价值判断，知道什么值得接近、什么需要远离。
Reinforcing（强化）：从自己真实采取的行动及结果中学习。
Simulating（模拟）：在脑内预演未来，不必每次都亲自试错。
Mentalizing（心智建模）：理解他人的行为与意图，从别人的经验中学习。
Language（语言）：通过语言继承他人的知识，甚至学习别人想象过的世界。
这五次突破有一条共同主线：智能越来越不需要亲身经历，就能获得经验
有趣的是，AI 走了几乎相反的路线。
人类先通过语言积累文明，再通过预训练把这些知识交给 LLM。随后，模型才逐渐获得推理、强化学习、工具调用和与真实环境交互的能力。生物从一手经验走向二手经验，AI 则从二手知识走向一手经验。
这也是 David Silver 和 Richard Sutton 所说的 The Era of Experience。未来模型能力的增长，可能越来越依赖自主行动、试错和反馈，而不只是扩大预训练数据规模。
Pre-training 让 AI 继承人类文明，Experience 才可能让 AI 开始创造自己的知识。
Continual Learning 的关键挑战，不只是如何持续训练，而是如何让 AI 高效判断什么值得学习。
AGI 的终极挑战，不只是创造更聪明的个体，而是让越来越强大的智能体形成安全、稳定、非零和的合作系统。
2 00