即刻App年轻人的同好社区
下载
此刻，阿里千问发布会正在进行中，截止到当前的演讲，感觉离真实场景还是有些距离：
1）发布会演示的内容，全部是一句话包含比较完整的任务信息内容，这在实际中几乎很少，通常的任务都是在无意的交谈中提到，且均不是一句话包含全部信息，而是在多次或多轮的对话中包含
2）千问这次是打通了它内部几个平台，从而实现购物、出行，这里带来几个问题：
- 给出内容的质量，或者说信任谁来保障
- 阿里生态的服务是否就无法触达和提供
不过能逐步集成，也是个进步，等待AI应用持续发展
1）发布会演示的内容，全部是一句话包含比较完整的任务信息内容，这在实际中几乎很少，通常的任务都是在无意的交谈中提到，且均不是一句话包含全部信息，而是在多次或多轮的对话中包含
2）千问这次是打通了它内部几个平台，从而实现购物、出行，这里带来几个问题：
- 给出内容的质量，或者说信任谁来保障
- 阿里生态的服务是否就无法触达和提供
不过能逐步集成，也是个进步，等待AI应用持续发展
1 02
DeepSeek昨天发了一篇新研究论文叫“Engram”，地址： github.com，
上午仔细看了下，记录几个对印象比较深的点。
这篇论文真正想解决的问题：
现在的大模型，把「记忆」和「推理」全都塞进 Transformer 的前向计算里了。
结果：
1）查一个固定事实，也要一层一层算
2）早期层一边学结构，一边被迫背知识
3）算力被大量消耗在“本不需要推理的事情”上
核心假设：
不是所有信息都值得用推理去获得，有些东西只需要“被想起来”。
于是提出了：Conditional Memory（条件记忆）。
---
Engram 的核心思想
1）用 N-gram 当“记忆地址”
2）用 Multi-Head Hashing做 O(1) 查表
查到的是 专门的 memory embedding（经过训练获得，不是 token embedding）
3）再通过 上下文门控（gate），决定要不要用这段记忆
本质上就是：把“离散、稳定、可复用的知识”，从连续推理计算中剥离出来。
---
论文提到：“传统架构迫使 Transformer 早期层承担了本不属于它的记忆负担”
通过对早期层logit的观察，它们更适合如下任务：
- 词法
- 结构
- 组合关系
但因为没有独立记忆机制，它们被迫用连续参数去“硬背事实”
这就是架构分工出了问题。有了 Engram 之后，早期层更“干净”，中高层反而推理能力更强
---
那这对实际工程有什么意义？
针对Engram 本身，短期内几乎不可能直接用上。原因是Engram是LLM内一部分，重新训练大模型，成本和时间都不现实。
但这篇论文也给了一个新的判断标准，在做Context Engineering时，哪些信息值得让 LLM 推理；哪些信息应该被“查表式”处理，或许能够重新审视现有方案；
#DeepSeek #Engram # ContextEngineering
上午仔细看了下，记录几个对印象比较深的点。
这篇论文真正想解决的问题：
现在的大模型，把「记忆」和「推理」全都塞进 Transformer 的前向计算里了。
结果：
1）查一个固定事实，也要一层一层算
2）早期层一边学结构，一边被迫背知识
3）算力被大量消耗在“本不需要推理的事情”上
核心假设：
不是所有信息都值得用推理去获得，有些东西只需要“被想起来”。
于是提出了：Conditional Memory（条件记忆）。
---
Engram 的核心思想
1）用 N-gram 当“记忆地址”
2）用 Multi-Head Hashing做 O(1) 查表
查到的是 专门的 memory embedding（经过训练获得，不是 token embedding）
3）再通过 上下文门控（gate），决定要不要用这段记忆
本质上就是：把“离散、稳定、可复用的知识”，从连续推理计算中剥离出来。
---
论文提到：“传统架构迫使 Transformer 早期层承担了本不属于它的记忆负担”
通过对早期层logit的观察，它们更适合如下任务：
- 词法
- 结构
- 组合关系
但因为没有独立记忆机制，它们被迫用连续参数去“硬背事实”
这就是架构分工出了问题。有了 Engram 之后，早期层更“干净”，中高层反而推理能力更强
---
那这对实际工程有什么意义？
针对Engram 本身，短期内几乎不可能直接用上。原因是Engram是LLM内一部分，重新训练大模型，成本和时间都不现实。
但这篇论文也给了一个新的判断标准，在做Context Engineering时，哪些信息值得让 LLM 推理；哪些信息应该被“查表式”处理，或许能够重新审视现有方案；
#DeepSeek #Engram # ContextEngineering
2 03
Manus以数十亿美金被Meta收购的消息瞬间在海内外引起轰动，有人褒奖、有人发酸，有人感叹最好的时代，很多人觉得是个“草根逆袭”的叙事，其实不然，肖弘开始做manus的时候已经经历过数次成功突破，梳理了一下：
一、时间线梳理
2011-2014年（校园期）
关键产品：微信墙（72小时4万互动）、志愿填报助手（一周10万粉丝）
特点：精准捕捉校园需求，零成本获客，展现早期产品天赋
2015-2016年（首次创业）
公司：夜莺科技
失败产品：匿名社交、校园二手集市
转折点：2016年黑客马拉松开发「壹伴助手」夺冠，获真格基金100万天使投资
2016-2021年（微信生态深耕）
核心产品：
壹伴助手（Chrome插件，1年100万用户）
微伴助手（企业微信CRM工具）
里程碑：累计服务200万B端用户，触达数亿C端消费者
退出：2021年出售给独角兽公司
2022-2025年（AI时代）
公司：蝴蝶效应
产品演进：
Monica（2023年）：AI浏览器插件，集成GPT/Claude等模型
2024年用户破1000万，盈利
拒绝字节跳动3000万美元收购
Manus（2025年3月发布）：通用AI Agent
9个月ARR达1亿美元（创SaaS增速纪录）
GAIA测试超越OpenAI同类产品
2025年12月
收购：Meta以数十亿美元收购（Meta史上第三大收购）
职位：肖弘出任Meta副总裁
二、融资情况
当然这个过程也有资本VC的助力：
2016年 天使轮 真格基金100万人民币
2023年2月， 种子轮，1400万美元，未披露
2023年8月， 天使轮，5000万美元，腾讯、真格跟投
2024年11月，A轮，8500万美元，顶级美元基金
2025年4月，B轮，近5亿美元，战略投资者
2025年12月，收购，数十亿美元，Meta
三、产品方法论总结
场景洞察：从小编排版痛点（壹伴）到企业微信需求（微伴），再到AI执行层空白（Manus）
产品门槛：使用门槛极低，且场景丰富，有足够大想象力
这个新闻无意是对当下创投圈带来一次刺激，鼓舞人心，但是呢要切忌好高骛远，罗马不是一天建成，既要仰望星辰，也要脚踏实地，去做能够解决“真问题”的产品,而非自嗨。
一、时间线梳理
2011-2014年（校园期）
关键产品：微信墙（72小时4万互动）、志愿填报助手（一周10万粉丝）
特点：精准捕捉校园需求，零成本获客，展现早期产品天赋
2015-2016年（首次创业）
公司：夜莺科技
失败产品：匿名社交、校园二手集市
转折点：2016年黑客马拉松开发「壹伴助手」夺冠，获真格基金100万天使投资
2016-2021年（微信生态深耕）
核心产品：
壹伴助手（Chrome插件，1年100万用户）
微伴助手（企业微信CRM工具）
里程碑：累计服务200万B端用户，触达数亿C端消费者
退出：2021年出售给独角兽公司
2022-2025年（AI时代）
公司：蝴蝶效应
产品演进：
Monica（2023年）：AI浏览器插件，集成GPT/Claude等模型
2024年用户破1000万，盈利
拒绝字节跳动3000万美元收购
Manus（2025年3月发布）：通用AI Agent
9个月ARR达1亿美元（创SaaS增速纪录）
GAIA测试超越OpenAI同类产品
2025年12月
收购：Meta以数十亿美元收购（Meta史上第三大收购）
职位：肖弘出任Meta副总裁
二、融资情况
当然这个过程也有资本VC的助力：
2016年 天使轮 真格基金100万人民币
2023年2月， 种子轮，1400万美元，未披露
2023年8月， 天使轮，5000万美元，腾讯、真格跟投
2024年11月，A轮，8500万美元，顶级美元基金
2025年4月，B轮，近5亿美元，战略投资者
2025年12月，收购，数十亿美元，Meta
三、产品方法论总结
场景洞察：从小编排版痛点（壹伴）到企业微信需求（微伴），再到AI执行层空白（Manus）
产品门槛：使用门槛极低，且场景丰富，有足够大想象力
这个新闻无意是对当下创投圈带来一次刺激，鼓舞人心，但是呢要切忌好高骛远，罗马不是一天建成，既要仰望星辰，也要脚踏实地，去做能够解决“真问题”的产品,而非自嗨。
11 25
