即刻App年轻人的同好社区
下载
在科技圈的发展过程中，各方都在思考和寻找最优解。
过去很长一段时间，谷歌“模型+云+芯片”模式让科技圈不约而同地看到了全栈的价值。。随着1月29日平头哥“真武”芯片的悄然亮相，那层笼罩在阿里巴巴硬科技版图上的薄纱被揭开。大家发现，答案其实早就锁定在了阿里巴巴身上。
这并不是一次简单的产品发布，而是阿里AI黄金三角——“通云哥”（通义+阿里云+平头哥）的正式合体。
放眼全球，真正能把这盘棋下成全栈闭环的，似乎只有谷歌和阿里。
你可能会奇怪：云计算的霸主微软和亚马逊AWS呢？
这正是问题的关键所在。在定义AI先进性的新标准下，微软和亚马逊都存在着微妙的结构性缺憾。
微软依旧延续在类似Win-tel的结盟模式，他的的AI优势建立在与OpenAI的深度合作之上。Azure提供云服务，OpenAI提供大模型技术。但在底层算力上，微软依然高度依赖英伟达的GPU。当核心模型来自合作伙伴，核心芯片依赖外部供应商时，很难真正做到从底层芯片到上层模型的极致系统级优化。
AWS目前更多扮演的是“模型超市”的角色，通过Bedrock平台接入多家第三方模型。但在决定胜负的基础大模型领域，亚马逊自研的Titan系列尚未进入全球第一梯队。尽管AWS拥有强大的云基础设施和自研芯片能力，但缺乏一个处于绝对领先地位的自研大模型，这使得他在构建AI原生生态时缺乏最核心的吸引力。
只有谷歌（TPU+Gemini+GCP）和阿里（真武+千问大模型+阿里云），在三个领域都拥有顶级且自研的硬通货。
这种三位一体的含金量，不在于单项第一，而在于系统级的掌控力。
跨越物理极限
如果只盯着参数看，不管是芯片的算力还是模型的参数量，都很容易陷入“比大小”的误区。
在AI竞争的上半场，大家拼的是手里有几张好牌；但在下半场，是否拥有全栈垂直整合能力已成为定义科技公司先进性的唯一标准。
因为摩尔定律在减速，单项技术的堆叠已经撞上了物理墙。
这时候，阿里的“通云哥”架构展示了一种超越物理极限的协同哲学。这绝不是简单的业务相加，而是实现了“1+1+1>3”的系统级质变。
这就要提到那个反直觉的数据：在阿里云上，千问大模型的训练加速比提升了3倍以上。
这不是靠堆卡堆出来的，而是靠软硬深度协同磨出来的。当你的模型跑在自己的云上，底层又由自己的芯片驱动时，这种“云芯模”的一体化才能突破算力与效率的物理极限。
这是那些只做模型、或者只做云、甚至是依靠外部联盟的非全栈厂商，望尘莫及的效率护城河。
你无法极致优化一个你不拥有的东西，这就是全栈的意义。
平头哥走向前台
平头哥一直是阿里版图里最神秘的变量。
此次“真武”PPU的亮相，意味着平头哥正式从幕后走向台前。有一说一，这款芯片的性能足以让市场提神。
据业内透露，“真武”PPU在关键性能上不仅媲美英伟达H20，它的升级版甚至在部分指标上看齐A100。更关键的是，它实现了从架构到软件栈的全自研。
这步棋走得很重，但也走得极稳。
对于阿里而言，这不仅是一次打破硬件依赖的防御战，更是一次进攻。这不仅打破了硬件依赖，更为上层的大模型训练提供了极致优化的算力底座。
殊途同归的开源变局
虽然在架构上对标谷歌，但在战略路径上，阿里却给出了一个完全不同的解法。
谷歌选择了Gemini的封闭路线，试图复刻苹果式的围墙花园；而阿里则走出了独特的全球开源路径。
数据不会撒谎。Qwen系列模型目前的下载量已经超越了Meta的Llama，成为当下全球开源模型的第一。
这是一幅很有意思的图景：从斯坦福的实验室到新加坡的国家AI计划，全球开发者都在基于Qwen构建应用。甚至连曾经的开源霸主Meta，其新项目竟然也开始蒸馏千问的模型。
这在几年前是不可想象的，中国模型正在成为全球AI开发者的“水电煤”。
这种开源策略看似是“交个朋友”，实则是最高明的商业闭环。开源生态带来的巨大算力需求，最终回流到了阿里云和平头哥的底层设施上。
全球开发者用得越多，对阿里底层算力的粘性就越强。这是一个典型的飞轮效应：模型越强，生态越广；生态越广，底座越稳。
被误读的巨头
长期以来，市场习惯用电商GMV来衡量阿里的价值。
这种估值逻辑在移动互联网时代或许有效，但在AI时代，已经不合时宜。
当一家公司手握全球领先的云设施、自研高端AI芯片、以及霸榜全球的开源大模型时，市场应跳出电商GMV的传统视角，用评估硬科技巨头的逻辑重新审视阿里。
这就好比你不会用卖书的逻辑去评估现在的亚马逊，也不会用卖显卡的逻辑去评估现在的英伟达。
如今，市场终将意识到：电商只是阿里的表象，硬科技才是它穿越周期的底色。
当“通云哥”构建起这道深不见底的全栈护城河，阿里的价值逻辑已被彻底重写。与其寻找谷歌的平替，不如见证一个拥有独立技术人格的科技巨头的诞生。
过去很长一段时间，谷歌“模型+云+芯片”模式让科技圈不约而同地看到了全栈的价值。。随着1月29日平头哥“真武”芯片的悄然亮相，那层笼罩在阿里巴巴硬科技版图上的薄纱被揭开。大家发现，答案其实早就锁定在了阿里巴巴身上。
这并不是一次简单的产品发布，而是阿里AI黄金三角——“通云哥”（通义+阿里云+平头哥）的正式合体。
放眼全球，真正能把这盘棋下成全栈闭环的，似乎只有谷歌和阿里。
你可能会奇怪：云计算的霸主微软和亚马逊AWS呢？
这正是问题的关键所在。在定义AI先进性的新标准下，微软和亚马逊都存在着微妙的结构性缺憾。
微软依旧延续在类似Win-tel的结盟模式，他的的AI优势建立在与OpenAI的深度合作之上。Azure提供云服务，OpenAI提供大模型技术。但在底层算力上，微软依然高度依赖英伟达的GPU。当核心模型来自合作伙伴，核心芯片依赖外部供应商时，很难真正做到从底层芯片到上层模型的极致系统级优化。
AWS目前更多扮演的是“模型超市”的角色，通过Bedrock平台接入多家第三方模型。但在决定胜负的基础大模型领域，亚马逊自研的Titan系列尚未进入全球第一梯队。尽管AWS拥有强大的云基础设施和自研芯片能力，但缺乏一个处于绝对领先地位的自研大模型，这使得他在构建AI原生生态时缺乏最核心的吸引力。
只有谷歌（TPU+Gemini+GCP）和阿里（真武+千问大模型+阿里云），在三个领域都拥有顶级且自研的硬通货。
这种三位一体的含金量，不在于单项第一，而在于系统级的掌控力。
跨越物理极限
如果只盯着参数看，不管是芯片的算力还是模型的参数量，都很容易陷入“比大小”的误区。
在AI竞争的上半场，大家拼的是手里有几张好牌；但在下半场，是否拥有全栈垂直整合能力已成为定义科技公司先进性的唯一标准。
因为摩尔定律在减速，单项技术的堆叠已经撞上了物理墙。
这时候，阿里的“通云哥”架构展示了一种超越物理极限的协同哲学。这绝不是简单的业务相加，而是实现了“1+1+1>3”的系统级质变。
这就要提到那个反直觉的数据：在阿里云上，千问大模型的训练加速比提升了3倍以上。
这不是靠堆卡堆出来的，而是靠软硬深度协同磨出来的。当你的模型跑在自己的云上，底层又由自己的芯片驱动时，这种“云芯模”的一体化才能突破算力与效率的物理极限。
这是那些只做模型、或者只做云、甚至是依靠外部联盟的非全栈厂商，望尘莫及的效率护城河。
你无法极致优化一个你不拥有的东西，这就是全栈的意义。
平头哥走向前台
平头哥一直是阿里版图里最神秘的变量。
此次“真武”PPU的亮相，意味着平头哥正式从幕后走向台前。有一说一，这款芯片的性能足以让市场提神。
据业内透露，“真武”PPU在关键性能上不仅媲美英伟达H20，它的升级版甚至在部分指标上看齐A100。更关键的是，它实现了从架构到软件栈的全自研。
这步棋走得很重，但也走得极稳。
对于阿里而言，这不仅是一次打破硬件依赖的防御战，更是一次进攻。这不仅打破了硬件依赖，更为上层的大模型训练提供了极致优化的算力底座。
殊途同归的开源变局
虽然在架构上对标谷歌，但在战略路径上，阿里却给出了一个完全不同的解法。
谷歌选择了Gemini的封闭路线，试图复刻苹果式的围墙花园；而阿里则走出了独特的全球开源路径。
数据不会撒谎。Qwen系列模型目前的下载量已经超越了Meta的Llama，成为当下全球开源模型的第一。
这是一幅很有意思的图景：从斯坦福的实验室到新加坡的国家AI计划，全球开发者都在基于Qwen构建应用。甚至连曾经的开源霸主Meta，其新项目竟然也开始蒸馏千问的模型。
这在几年前是不可想象的，中国模型正在成为全球AI开发者的“水电煤”。
这种开源策略看似是“交个朋友”，实则是最高明的商业闭环。开源生态带来的巨大算力需求，最终回流到了阿里云和平头哥的底层设施上。
全球开发者用得越多，对阿里底层算力的粘性就越强。这是一个典型的飞轮效应：模型越强，生态越广；生态越广，底座越稳。
被误读的巨头
长期以来，市场习惯用电商GMV来衡量阿里的价值。
这种估值逻辑在移动互联网时代或许有效，但在AI时代，已经不合时宜。
当一家公司手握全球领先的云设施、自研高端AI芯片、以及霸榜全球的开源大模型时，市场应跳出电商GMV的传统视角，用评估硬科技巨头的逻辑重新审视阿里。
这就好比你不会用卖书的逻辑去评估现在的亚马逊，也不会用卖显卡的逻辑去评估现在的英伟达。
如今，市场终将意识到：电商只是阿里的表象，硬科技才是它穿越周期的底色。
当“通云哥”构建起这道深不见底的全栈护城河，阿里的价值逻辑已被彻底重写。与其寻找谷歌的平替，不如见证一个拥有独立技术人格的科技巨头的诞生。
1 00
这个科普视频接近10%的互动转化率，AI在其中真的是功不可没：
1. 脚本来自于一条英文tweet，放倒deep research里补充参考资料，直接写出口播稿；
2. 封面使用Gemini和即梦，模拟出视频里点阵渲染的效果，并且生成抓眼球的标题；
3. 视频中有一个科普高斯溅射的白板信息图，是用Gemini 根据AI生成的文本归纳的；
4. 使用polycam这个app扫描办公室，生动地展示高斯溅射应用场景；
5. 我根据记忆想找到李飞飞在一次演讲中的视频片段，先在Gemini里定位到那场TED，然后在Dia浏览器里根据提示词找到对应的段落，并且定位到对应的时间轴。
整个视频从选题到发布用时2.5小时，中间还和研发开了一次需求会。
视频地址：xhslink.com
1. 脚本来自于一条英文tweet，放倒deep research里补充参考资料，直接写出口播稿；
2. 封面使用Gemini和即梦，模拟出视频里点阵渲染的效果，并且生成抓眼球的标题；
3. 视频中有一个科普高斯溅射的白板信息图，是用Gemini 根据AI生成的文本归纳的；
4. 使用polycam这个app扫描办公室，生动地展示高斯溅射应用场景；
5. 我根据记忆想找到李飞飞在一次演讲中的视频片段，先在Gemini里定位到那场TED，然后在Dia浏览器里根据提示词找到对应的段落，并且定位到对应的时间轴。
整个视频从选题到发布用时2.5小时，中间还和研发开了一次需求会。
视频地址：xhslink.com
3 00
6 01
马斯克这招绝了，你们不是喜欢NSFW么，那干脆做深入一点。这个数字人聊起来真的毫无底线，把我都带坏了。
不是，这姐俩怎么聊到一起的？ - 小红书
4 00
一个特别“出片”的提示词，图片使用Midjourney 7.0 生成。提示词来自小红书账号“虾画展”。放到Gemini告诉它要画什么，提示词就改好了。
原始提示词：
Blueprint sketch of a modern deep sea diving suit, dramatic wide-angle perspective. The main subject is a 3D-rendered advanced diving suit set against a pure white background, featuring sleek composite armor plating, reinforced joints, pressure gauges, and a luminous helmet visor. Architectural concept sketch style, with sharp ink outlines and subtle grayscale watercolor shading. Surrounding the central suit are exploded views of the helmet, air supply module, articulated gloves, weighted boots, and communication system, each component accompanied by detailed technical annotations and precise measurement lines in English and Chinese. Dynamic calligraphic notes and engineering arrows weave through the layout, referencing modern industrial design manuals and deep sea exploration schematics. The composition is tightly organized, multi-layered, and poetic, with all key parts clearly labeled and scaled. The overall visual is technical. --ar 3:4 --raw
原始提示词：
Blueprint sketch of a modern deep sea diving suit, dramatic wide-angle perspective. The main subject is a 3D-rendered advanced diving suit set against a pure white background, featuring sleek composite armor plating, reinforced joints, pressure gauges, and a luminous helmet visor. Architectural concept sketch style, with sharp ink outlines and subtle grayscale watercolor shading. Surrounding the central suit are exploded views of the helmet, air supply module, articulated gloves, weighted boots, and communication system, each component accompanied by detailed technical annotations and precise measurement lines in English and Chinese. Dynamic calligraphic notes and engineering arrows weave through the layout, referencing modern industrial design manuals and deep sea exploration schematics. The composition is tightly organized, multi-layered, and poetic, with all key parts clearly labeled and scaled. The overall visual is technical. --ar 3:4 --raw
21 57
小米AI眼镜，持续用了一周，主要是拍视频。遇到三个很致命的问题。
一是和meta相比特别容易因过热导致无法使用。
二是传输视频到手机的时候偶尔把视频搞坏，不知道是传输环节还是app处理环节的问题，而且这个视频就救不回来了。
三是眼镜明明还有 80% 以上电量，但开机后提示无法使用，要充一下电才可以，这个出现频次不低，很耽误事。
AI方面我用得不多，但感觉小爱同学在多模态输入方面不太行，而这恰恰是AI眼镜的重要场景。
#又添新设备了
一是和meta相比特别容易因过热导致无法使用。
二是传输视频到手机的时候偶尔把视频搞坏，不知道是传输环节还是app处理环节的问题，而且这个视频就救不回来了。
三是眼镜明明还有 80% 以上电量，但开机后提示无法使用，要充一下电才可以，这个出现频次不低，很耽误事。
AI方面我用得不多，但感觉小爱同学在多模态输入方面不太行，而这恰恰是AI眼镜的重要场景。
#又添新设备了
00:19
8 22
每年六月，高考放榜的紧张，迅速被志愿填报所取代。对于千万家庭而言，这将是一场更加艰难的考验。面对数千所高校、上千个专业，信息不对称、决策成本高、对未来就业的迷茫……我现在想想还心有余悸。
AI时代，有没有一种方式，能让顶尖的志愿填报服务不再是少数人的特权？
夸克的高考志愿大模型，正是为了回答这个问题而生。它并非一个简单的信息检索工具，而是一个融合了海量权威数据、前沿AI技术与数百名资深专家智慧的“决策辅助大脑”。
夸克做的第一件事，就是构建一个堪称“活字典”的知识库。
与依赖网络公开爬取的工具不同，高考志愿大模型背后，是一个专门为“报考场景”打造的、国内目前规模最大的高考知识库。
它系统性地整合了全国2900多所高校、近1600个本科专业的招生章程、课程设置，以及上千所高校的毕业生去向，以及产业趋势。这些信息源自各省考试院发布的官方资料，并通过多重技术手段确保准确。
而一个人类专家之所以专业，不在于他能背下所有学校的分数线，而在于他能根据一个学生的具体情况——成绩、兴趣、性格、家庭背景——构建一条清晰的决策逻辑链。
高考志愿大模型要做的，就是让AI“拜师学艺”，学习顶尖专家的这种思考模式。为此，夸克邀请了数百名拥有超过十年经验的资深高考志愿规划师，记录并分析了他们与考生的上万次真实对话。
专家们如何引导一个内向的考生在不同职业间抉择？如何权衡家庭的期望与个人的理想？这些真实的“推理链”被转化为高质量的训练数据，让AI去深度学习。
通过这种方式，AI不仅学会了专家的套路，更重要的是，它学会了专家的思路——在复杂、模糊、甚至矛盾的条件下进行分析、推理和判断的完整思维过程。
为了让AI的能力不断精进，夸克还引入了一套“模拟考场”和“专家评审团”机制。
AI会基于一个虚拟的考生档案，生成一份完整的志愿报告。这份报告会被多位人类专家“盲审”，从多个维度进行打分和点评，每一次“挑刺”，都会变成一个明确的信号反馈给AI，进行学习。
通过数千份志愿报告的“人类挑刺 + 模型修正”闭环，AI的能力得以持续进化。它学会了“反思”，能力进一步泛化，能处理各种千奇百怪的个性化需求，严谨性和全面性也因此大幅提升。
高考志愿大模型的背后，是夸克多年来在数据、技术上的积累，更是数百位志愿专家将宝贵的经验与智慧，毫无保留地传授给AI的结果。他们将帮助每一位站在人生十字路口的考生，做出更明智、更无悔的选择。
AI时代，有没有一种方式，能让顶尖的志愿填报服务不再是少数人的特权？
夸克的高考志愿大模型，正是为了回答这个问题而生。它并非一个简单的信息检索工具，而是一个融合了海量权威数据、前沿AI技术与数百名资深专家智慧的“决策辅助大脑”。
夸克做的第一件事，就是构建一个堪称“活字典”的知识库。
与依赖网络公开爬取的工具不同，高考志愿大模型背后，是一个专门为“报考场景”打造的、国内目前规模最大的高考知识库。
它系统性地整合了全国2900多所高校、近1600个本科专业的招生章程、课程设置，以及上千所高校的毕业生去向，以及产业趋势。这些信息源自各省考试院发布的官方资料，并通过多重技术手段确保准确。
而一个人类专家之所以专业，不在于他能背下所有学校的分数线，而在于他能根据一个学生的具体情况——成绩、兴趣、性格、家庭背景——构建一条清晰的决策逻辑链。
高考志愿大模型要做的，就是让AI“拜师学艺”，学习顶尖专家的这种思考模式。为此，夸克邀请了数百名拥有超过十年经验的资深高考志愿规划师，记录并分析了他们与考生的上万次真实对话。
专家们如何引导一个内向的考生在不同职业间抉择？如何权衡家庭的期望与个人的理想？这些真实的“推理链”被转化为高质量的训练数据，让AI去深度学习。
通过这种方式，AI不仅学会了专家的套路，更重要的是，它学会了专家的思路——在复杂、模糊、甚至矛盾的条件下进行分析、推理和判断的完整思维过程。
为了让AI的能力不断精进，夸克还引入了一套“模拟考场”和“专家评审团”机制。
AI会基于一个虚拟的考生档案，生成一份完整的志愿报告。这份报告会被多位人类专家“盲审”，从多个维度进行打分和点评，每一次“挑刺”，都会变成一个明确的信号反馈给AI，进行学习。
通过数千份志愿报告的“人类挑刺 + 模型修正”闭环，AI的能力得以持续进化。它学会了“反思”，能力进一步泛化，能处理各种千奇百怪的个性化需求，严谨性和全面性也因此大幅提升。
高考志愿大模型的背后，是夸克多年来在数据、技术上的积累，更是数百位志愿专家将宝贵的经验与智慧，毫无保留地传授给AI的结果。他们将帮助每一位站在人生十字路口的考生，做出更明智、更无悔的选择。
1 03
飞猪的AI问一问，可能是最近toC垂直领域最深入的Agent探索了。解决相对收敛的垂直问题，深度绑定行业工具，又能基于用户数据给出合理的引导。
其中把一个个tools定位为“航班管家”、“旅行计划管家”还挺妙的，把子任务外显出来，让用户看到AI思考和生成的过程，可以平复C端用户对速度的焦虑。
其中把一个个tools定位为“航班管家”、“旅行计划管家”还挺妙的，把子任务外显出来，让用户看到AI思考和生成的过程，可以平复C端用户对速度的焦虑。
更新总在放假前？飞猪AI问一问新功能实测 - 小红书
2 01