与「易论AI」相关的搜索结果

聊到 Anthropic，王煜全没有客气。这些公司的逻辑是 AI 能量巨大，坏人拿到做坏事，所以我们好人要握在手里。他说「拿到任何人手里都不能保证做好事，任何个人都是经不起考验的」。他给的参照是人的大脑，大脑不是集权体制，是共和体制，不同系统做不同的事，权重各不一样。没有一个人掌握登月的全部知识，文明聚在一起却做到了。分散式的智能，会超越今天最好的系统 N 倍。 #王煜全# #去中心化# #Anthropic# #群体智能# #易论AI#

问王煜全看到了什么信号就知道这波AI到终局了，他就说了两个字，编程。他讲了一段几乎没人提的历史。福特流水线出来后，美国经济没有井喷，反而先迎来29年大萧条，因为各行各业不知道怎么用。真正学会是二战，通用的高管教会所有工厂规模化，战后从枪炮转成冰箱彩电，美国经济才真正爆发。放到今天，模型已经够强，等的是各行各业掌握编程的精髓。 #王煜全# #AI编程# #流水线# #科技史# #易论AI#

王煜全学生物出身，这段他讲了一个进化论的公案。自然进化的特点是相互制约，狮子不可能比羚羊快十倍。那谁制约了人？没有。人在脱离制约的情况下持续进步，自然界没有这样的物种。达尔文用性选择解释，可性选择选出的全是负面性状，漂亮的雄鸟招天敌，照这么选人该越来越蠢。华莱士更聪明，却把答案推给了上帝，从此被科学界除名。人到底怎么来的，他给的解法在文化和技术的双向选择里，还有一个数字，我们 80 亿人是两三千个人的后代。 #王煜全# #进化论# #达尔文# #文化人类学# #易论AI#

王煜全给移动当过很多年顾问，他坦言当年所有人都看错了一件事，以为移动互联网只是让你随时随地上网。他说手机真正的贡献，是把行为的数字化和集中两件事同时完成了。「人的行为能被记录和聚集，人类历史上从来没发生过。」顺着这个逻辑，海量内容聚出了大模型，海量行为会聚出什么，他在片子里讲完了。还有一个他劝移动去干掉携程的故事，听完你会重新看手里这台手机。 #王煜全# #移动互联网# #大模型# #AI# #易论AI#

两个多小时的访谈，王煜全老师几乎每二十分钟推翻一个共识。 他学生物出身，给移动当过很多年顾问，看了二十几年科技产业。 这一场访谈，我们从工业革命讲到登月，从达尔文讲到刘邦，落点全在一个问题上：这波 AI，机会到底在哪里？ 本期你会听到： - AI 泡沫可能在 29 年破裂 - 美团阿里做下一代应用已经没机会，他们站错地方了 - 最好的公司是 agent 很勤奋，人在边上睡觉 - 大家都在卷 AI 做 PPT，但富人不做 PPT - 快问快答：每个人都是创业者，干嘛还要打工？ #王煜全# #大模型# #AI泡沫# #Agent# #服务平权# #易论AI#

再过半年，想接海外单赚美金的人，都会用这个方式找客户 一个能让你月入 $10,000+ 的路径：不在平台等单，直接用 AI 找到需要你服务的海外公司，精准触达客户 你可能觉得这个很难？以前确实难，现在不难了 先说一个暴论：AI 时代写代码赚不了钱，只有找客户，vibe marketing 才能让你真赚到钱 我研究了一圈海外接单的真实数据： Upwork 平均时薪 $39，平台抽 10-15% Fiverr 固定抽 20%，前几个月基本零曝光 Toptal 时薪 $80-200，但只录取前 3% 的申请者 大部分人卡死在同一个地方——被动等单，你把 profile 挂上去，然后祈祷客户搜到你，这不是在搞笑吗？？？ 和全球几百万接单的大牛卷同一个关键词，等来的单子还得竞价，利润被压到极限 全世界的自由职业者，公司都知道要主动找客户，但从 20 世纪开始，这个事就没有被解决过 以前你想主动找客户，得这么干：去 LinkedIn 搜关键词，出来一堆不相关的，一个个点进去看 profile，判断这人是不是决策者 再去找邮箱，一半找不到 好不容易凑了 20 个人，写邮件又不知道怎么开口，一天下来处理 20 个 leads，回复率 3%，等于白干 现在这个活，AI 直接给你干了。 我最近在用一个 AI 找人工具 Lev8（刚拿了 GL Ventures 600 万美金），跑通了从找人到成交的完整链路 我的身份：做 AI 提效、Agent 搭建、自动化工作流的独立开发者，帮 SaaS 公司搭内部自动化，客单价 $3,000-$8,000 我直接跟它说： “我是做 AI 提效、Agent 搭建、自动化工作流的独立开发者，帮 SaaS 公司搭内部自动化，你来帮我先分析我的客户画像，然后帮我找客户 比如：帮我找小型 SaaS 公司，最近 6 个月有融资或产品发布动态，有招聘全职或者兼职AI提效，agent搭建，ai自动化工作六搭建的岗位的公司，提取创始人/CTO 的名字、邮箱、LinkedIn，按匹配度 1-10 分打分，附一句话理由。” 它聚合 50+ 实时数据源（LinkedIn、X、GitHub、公司官网等），直接出一份精准名单 不是那种买来的过时数据库，是实时的、活的数据。每个人都有 360° 画像：公司背景、最近动态、业务痛点、团队规模、匹配度评分 更狠的是下一步—— 它基于每个人最近的真实动态，自动生成个性化破冰邮件 不是一封模板改名字群发，是每封都不一样 比如对方三天前刚发布了新功能，邮件开头就提到这个功能，自然过渡到“我能帮你们把 XX 流程自动化” 对方上周刚发了条推文吐槽内部工具难用？开头就接这个话题 以前要做到这种程度，你得花 30 分钟研究一个人，一天最多写 10 封。现在批量生成，每封都有 context，每封都像是专门写给他的 然后多渠道一键发送——Email、LinkedIn、WhatsApp、X，选渠道，确认内容，发出去 整个流程从输入 prompt 到发出第一批邮件：5分钟 我又试了另一个场景： “帮我找在 YouTube 上有 10W+ 订阅但发布频率下降的创作者，可能需要外包剪辑。提取联系方式，按匹配度排序。” 同样几分钟出结果。做视频剪辑外包的、做设计的、做跨境电商服务的，换个 prompt 就是换个赚钱场景 算一笔账： 传统路径：Upwork 接单，客单价 $5,000，平台抽 10-15%，到手 $4,250。还得和印度团队卷价格，实际成交价可能被压到 $3,000。被动等单，一个月能接 1-2 单已经不错 主动获客路径：客单价 $5,000，直接触达决策人，0 中间商，到手 $5,000。发 50 封精准邮件，回复率 15-25%（因为每封都有 context，不是盲发），8-12 个回复，成交 1-2 单 月入 $5,000-$10,000，不靠平台，不卷价格 关键差异：你触达的不是随机的人，而是“此刻正好需要你服务”的人 以前做到这一点需要一个 BD 团队。现在一个人 + 一个 AI 队友就能跑通完整链路 窗口期不会太长，等到人人都这么干的时候，回复率又会被打下来。先跑通的人，先吃肉 Lev8：

NVIDIA 发布 Skill2Env：用“集体技能”强化智能体 NVIDIA 研究者们把社区公开的 Agent Skills 编译成可执行 RL 训练环境的数据流水线：3.4k 个 Skills 变成 8k 个带程序化测试和行为量规的终端任务；仅 300 步 RL 训练就让 Qwen3.8-27B 在 Terminal-Bench 2.1 上提升 4.7 个百分点，且模型行为显著向源 Skills 的方法论对齐。 开源项目： 核心洞察：公开 Agent Skills 是一个被忽视的监督来源 Agent Skills 是“教智能体做某件事”的文件夹：一个 SKILL.md 加上可选的脚本、参考资料和资产。论文指出，把公开 Skill 语料当作数据来读，它同时提供三样东西： · 任务分布的采样：人们真正想让智能体处理的任务分布（有人愿意花时间写下工作流，说明这活儿值得自动化）； · 真实世界的锚点：指向真实的仓库、数据集、工具和工件； · 结果测试表达不了的质量标准：领域专长、默认参数、常见坑、“好结果长什么样”。 # 数据流水线：四阶段编译，验证靠构造 1. Plan（分解）：容器化的 Codex 规划器读取完整 Skill 包、联网调研相关公共资产，把 Skill 拆解成若干可验证的 workflow，每个附带元计划（场景、初始世界、预埋缺陷、难点来源、解法草案、验证策略）、资产建议和“任务轴池”（任务原型 × 验证器模式 × 人物画像）。 2. Diversify（多样化）：宿主从轴池采样一组组合，加上复杂度、指令语气、请求者专业水平。关键设计是轴池以 workflow 为条件：研究型 workflow 配“证据可追溯”验证和研究者画像，而不是从全轴乘积空间乱抽，这让多样化保持 sensible。 3. Create（构造）：全新创建者 Codex agent 在 Docker 内工作，尽可能用真实素材（钉在特定 commit 的开源仓库、真实版本化文档、官方 API 规范）；需要联网服务的场景改造成本地替身（stub 服务器、录制回放 fixture、PATH 上的假 CLI、种子数据库），求解时绝不依赖网络。创建顺序被严格固定：先建世界 → 写指令 → 写测试 → 写量规 → 最后才写参考解，测试先于解法冻结，保证解法必须迁就评分契约而非反过来。 4. Verify（验证）：宿主端无模型参与的接收门：静态检查（布局、符号链接、Dockerfile 安全、基础镜像按内容摘要钉死）+ 两个容器内试跑：Oracle（参考解）必须全指标满分，NOP（什么都不做的 agent）必须全指标零分。任一失败即拒绝。 值得注意的一个反直觉选择：不做 teacher 模型预验证（不像部分工作用强模型试解、解不出就丢弃任务）。理由有二：这会把任务难度上限压到验证器能力，且成本翻倍；而 group-based RL 的在线动态过滤（rollout 无优势的 prompt 自动不产生梯度）天然淘汰过难/过易任务。 # 数据画像：广、贵、且忠实于源 规模与成本：7,971 个任务，用 GPT-5.6 Sol（xhigh 推理档）生成，API 花费超 9 万美元。（脚注：出于法律原因，公开发布的数据集改用 Kimi-K3-max 在同一流水线下生成。） 领域分布：13 个领域中，软件工程仅占 22.5%，AI/ML 10.5%，商业/金融/法律/HR 10.5%，营销 9.3%……论文对比了 TMax-15K、Terminal-Bench、DeepSWE 等，Skill2Env 是唯一全覆盖 13 域、且非技术知识工作占大头的语料。 忠实度探针（很聪明的设计）：用任务指令+量规作查询、对 3.4k 个 SKILL.md 做 TF-IDF 检索，73.2% 的任务 top-1 命中真实源 Skill，94.6% 进 top-10（随机 0.03%）。单用量规也有 68.5% top-1，证明量规携带的是 Skill 专属方法论而非泛泛建议。 SFT 数据：用 GLM-5.3 对每个任务 rollout 两次，得到 15,968 条轨迹，平均奖励 0.74，中位轨迹 19 次模型调用 + 23 次工具调用。 S2EBench：考虑到公开基准饱和，从 SkillHub 另外生成、逐条人工审核（指令无歧义、忠实于源 Skill、测试公允）后的 79 任务私有 held-out 基准。 # RL 实验：基础设施 + 极简配方 基础设施（论文明确说“现代 agentic RL 首先是基础设施挑战”）：Molt（PyTorch 原生全异步训练，Ray + vLLM + FSDP2）+ Polar（agent rollout 层：rootless Apptainer 沙箱、代理回传 token ID 和采样时 log-prob、prefix merging 把 harness 的多次补全缝合成训练轨迹）。 配方（刻意走“简单路线”）：GRPO 组归一优势 + DPPO 的 binary-KL 信任域掩码（δ=0.05，超出阈值的 token 直接丢弃，无需参考模型，还能防训练-推理失配）；G=8 rollouts/组，批 64，lr 1e-6 恒定，无 KL 惩罚、无熵奖励、无 SFT 热启动，每任务 65k 上下文。 量规校准奖励：开量规时，额外由 GPT-6 Astra 做 LLM-as-Judge（带“宪法”：惩罚无脑循环、reward hacking、答非所问；hacking 实证 = -5 分），总奖励 r = r_V + λs/5（λ=0.2），即 judge 最多把程序化奖励拉动 ±0.2。量规是校准可执行结果奖励，而非取代它，这是与“Rubrics as Rewards”一系的定位差异。 # 四项发现（论文最有信息量的部分） 发现 1：小规模 RL 即有跨域迁移。 仅 300 步、只用 2,400 任务子集训一个 epoch：S2EBench pass@1 +4.3（均分 +18.5），Terminal-Bench 2.1 +4.7（49.4→54.1）。训练集与 TB 无重叠（13-gram Jaccard < 0.8），且训练集从未针对 TB 调过，论文将其解读为规划、工具使用、收尾能力的通用提升而非任务族记忆。这让 27B 本地模型显著缩小了与云端前沿模型的差距。 发现 2：量规校准 RL 在基准上落后于纯结果 RL，一个诚实的负结果。 量规版在 TB 2.1 只有 50.1（纯结果版 54.1）；训练中量规版的程序化奖励长期停在 0.5–0.6，judge 分项从头到尾无上升趋势，两个奖励在训练分布上互相拉扯。论文不把它当作对量规奖励的终审判决（两者优化不同目标，而基准只考结果那一半），并给出两个疑因：λ=0.2 的加性形式让失败任务仍能拿正奖励、judge 看不到文件系统等设定均未调优；以及更本质的，Skill 写下的方法论可能本来就不是最大化基准通过率的分布。 发现 3：行为确实向 Skill 对齐，量规的价值所在。 200 个任务的成对偏好测试（judge 拿源 SKILL.md 当标准，比较匿名化的 base 与 RL 轨迹）：纯结果 RL 已被偏好 54.5% vs 33.5%；量规版被偏好 73.0% vs 24.0%。这说明量规奖励买到的东西在结果基准上看不见，但对“怎么做事”影响实质，对网页开发、报告综合、开放研究这类难验证任务尤其重要。 发现 4：GLM-5.3 蒸馏 SFT 反而伤害 Qwen。 在 GLM-5.3 轨迹上做 SFT：27B 上 TB 2.1 掉到 45.8；4B 上直接崩塌（TB 18.7→3.4，出现思维/工具调用死循环）。归因：教师的 interleaved-thinking + 工具调用风格与学生自身 post-training 不兼容，模仿覆盖了学生依赖的行为模式却带不来教师的能力。与 TMax 报告的“SFT 混合数据劣化已后训练的 Qwen”互相印证。因此论文所有 RL 结果都从未修改的原始 checkpoint 出发。

景甜， 80后西北北舞北漂很典型的“果儿”。 果儿是北京一带影视行业的黑话，随便找个内行人问一下就知道什么意思。 现在随着打击贪腐、ai冲击市场，金主消失了，因此这种角色也消失了。 00年代初， 内地影视行业蓬勃发展， 扫黑除恶未打响之前， 影视行业成为了洗钱、官商勾结、财色交易的场所。 80后的景甜就属于那个时代。 晨晨和赵长鹏完全不是一种人， 是典型的两极。 无论是年代、家庭背景还是文化氛围， 都有巨大的差异。 我是介于他们俩的文化背景中间的那一档， 所以我深刻理解赵长鹏的三等移民/苏北佬/被迫干灰产的华人帮会， typical的 外表极尽扮演冷静谨慎 温柔善良， 实际就是个心狠手辣的边缘型人格空心人。 也非常了解晨晨的90后第一批网民/郭敬明韩寒时代/东亚文化/创业者， typical的 一个想要拼命向外界证明自己很强大很优秀抓着话筒不放的小孩子， 内心其实敏感脆弱自卑 极度缺爱。 别看他好像整体张牙舞抓的 发一些惊世骇俗的观点 吃不了一点亏的性格。 其实只是一个自卑敏感的小孩强撑着， 表达失望 没有得到爱。 当然那是因为他辜负过别人的真心， 被系统balance了， 他没意识到。 他只知道 他要向这个世界征讨损失。 【关于景甜】 景甜更像赵长鹏。 赵长鹏怎么对嗯哼的， 用完马上像垃圾一样丢掉。 景甜就是怎么对孙宇晨， 蹭完好像沾了💩一样嫌弃。 景甜是一个西北80后女老登， 80后的生存环境和90后是天壤之别的。 景甜这种毫无背景西北北漂北舞生， 在那个年代，还是内地影视有油水可捞的年代。 景甜就被挑选去做“果儿”了， 走陪秃头官老登的艰难岁月。 那个年代，我家人身边很多叔叔的情人都来自北舞/北影， 里面有负责专门牵线搭桥的， 这种女孩子一入学，大一就会被包下来， 根本不会流入市场。 老头子们一边玩着青春靓丽的“果儿”， 一边想着投资自己的“果儿”万一能捧红出个影后歌星，将来能靠情人吃个养老钱。 所以我妈身边的太太团虽然对这几个学校恨之入骨，但也不好说什么。 景甜一陪就是十几年青春没有了， 最终好不容易趴在岸边喘一口气， 开始向往着可以像身边小姐妹女主持人们一样找个“x二代”或者冠军体育生同龄人好好过日子， 结果真心还是被当🐔对待，梦碎当场。 怒沉百宝箱的景十娘， 整个人更加被掏空边缘型人格了。 这种陪过老登的做过小三的， 属于长时间阉割自己的需求， 被社会环境逼的去出卖身体的行为： 当同龄人在读书 在忙着毕业找工作， 她在陪老登； 当同龄人正常和同龄人谈恋爱成家了， 她在当金丝雀。 这种与现实脱轨的情况 会让她逐渐麻木， 变成空心人 会导致她内心只要见到有钱有势的人就会联觉到小姐和嫖客，会应激。 就像赵长鹏见到嗯哼穷酸挣扎顺杆爬拼命证明自己已经变成有钱人的样子，他也很应激。 景甜内心真正追求和喜欢的就是精神小伙， 有生命力 风一样的自由， 再给她来几个科也会飞蛾扑火那种， 不要钱都会给他生。 而对在她眼里就是西北暴发户孙宇晨， 充满嫌弃 怕被孙宇晨蹭到， 怕被以前的金主嘲笑， 更厌恶了， 要借口花一小时剪指甲去给自己时间做上钟前心理准备工作， 不关灯下不去嘴的程度。 因为对她来说这就是在交易， 前半辈子卖青春， 现在销售子宫。 【忠言逆耳】 跟所有男人说一个真实的暴论： 一个女人如果爱你一定会想方设法让你与她阴阳交合， 想要孕育你的孩子。 那是雌激素上头之后，母体无法拒绝的能量； 那是基因表达满意配偶的方式。 一个女的对你很冷静， 没有恋爱脑 没有吃醋占有欲 没有哭没有生气 那恭喜你 她不爱你。 如果她不肯生（年纪小除外）， 那大概率要么身体有隐疾， 要么极其自恋（病理性的也是一种隐疾）， 要么就是打心底里看不上你 为自己留后路。 至于看不上你哪部分，自己琢磨。 可能是不够帅 可能是没钱 也可能是硬件不行时长不行满意度不高。 男人青春也很重要， 早点认清， 鼓起勇气认亏出局下一位。 不爱就滚蛋， 不要和不爱你的人缠斗， 粘桌， 浪费大好时光。

都要配合論點列出。 三個月來我用輸出法配合 AI 學習農曆（輸出法是說學到的知識也要能用自己的見解寫出來），進度已經從上古時期，推進到易經的天象觀了 到今天花了兩個禮拜，攻克了一個超級麻煩，就是甲骨占卜的神學觀和易經的神學觀有何異同。兩者都有大量的天學內涵，而對戰國以後的星占思想形成

AI圈贩卖焦虑已经过于刻意了。 如果说春节长假刚结束那会儿，上门安装龙虾还是一个段子、还是一个停留在用Nano Banana作图博君一笑的阶段，上周末腾讯大厦门口排成长队等待免费安装龙虾，就只能说「至此已成艺术」了。 我很想引述一个笑话，它的原始版本是这样的： 「一个小男孩多大了就不应该进女澡堂了？」 「当他想进女澡堂的时候，他就不应该进了。」 龙虾这事儿的基本道理，本质上也是一样的，如果你需要托人帮你安装龙虾，那么其实你就不太可能需要龙虾⋯⋯ 勇敢的人先享受世界，这话大家都赞同，但要承认自己不在其中、也不配先享受世界，这就很难了。 OpenClaw是很牛逼的创新，没毛病，但它的牛逼并不在于普惠层面，恰恰相反，它是一个用来提高AI使用上限的手段。 是给那些已经把现有AI工具——从ChatBot到Coding——用到了瓶颈的人，一个打破极限的「超频」方案。 而不是给那些时至今日都没亲手写过超出500字的提示词的人，一个弯道超车的万能钥匙。 其实Anthropic的报告写得很清楚，AI在各行各业的理论利用率（蓝色区域）和实际利用率（红色区域）相差甚远（图1）。 考虑到这还是基于Claude的数据——相比ChatGPT和Gemini，Claude是最专注于生产力场景的——就更不用说只把AI当成聊天对象的广大群众了。 还有一个龙虾悖论是，只有你的时间成本足够高，才能接受以Tokens为计价单位的工作外包模式。 为什么AI Coding的货币化超过了其他所有行业？因为程序员是最典型的个体化高薪职业，时间就是生产力。 怂恿普通人用龙虾，就是模型厂商和云计算平台的共谋了，本来赚的就是辛苦钱，还要负担所谓的「数字员工」，省下来的时间再去多刷几部短剧，整个闭环都很尬住。 更离谱的，是从这周开始，各地已经陆续发布「养龙虾」的补贴政策了，一个不存在的网站上的开源项目，和白纸黑字的红头文件绑在一起，实在有些抽象。 我一直说，没错，AI解决了生产的问题，改变了「就差一个程序员」的尴尬，但是，它终究无法创造真实的需求，或者说，FOMO本身就成了需求。 一种形式的充裕，必然带来另一种形式的稀缺，锤子的充裕，对应的就是钉子的稀缺，如果你看不到钉子，那你就是钉子。 在FOMO即需求的设定里，用上龙虾，能用龙虾，比用龙虾干什么，更重要，更值得发朋友圈。 web3的尸体还没凉透，web4就已经横空出世了，这些热情满满的活动充分证明了一条定律：哪里有韭菜，哪里就有币圈。 反而是最喜欢写小作文的A股在此时保持了高度的克制，龙虾概念股出来得相当晚，这说明什么？说明连股民在他们最擅长的自我欺骗这件事情上都犹豫了⋯⋯ 说句不中听的话，你好不容易装上龙虾，环境周全，模型配好，让它每天给你推荐股票，接着AI跑完几百万Tokens，从伊朗局势到芯片革命，事无巨细的交付了一份「麦肯锡级别」的报告，让你无比满意，有种天下了若指掌的力量感。 但从结果来看，它和你抛硬币做的决定，其实没什么区别。 因为赚钱的逻辑不是这样的，从来都不是，世界上更常见的矛盾，是看过了太多的道理，却依然过不好这一生。 就像评价一种资产有没有泡沫的标准是「连大爷大妈都开始买了」，今天看到周鸿祎也表示要搞一键安装的龙虾了，说明这个事儿差不多也快到头了。 不过，在进度上，2026年的AI行业，确实进入了一个「大分化」的版本。 第一个分化，就在于前沿层和大众层，龙虾只是最新的媒介。 更早的春节期间，一份完全由AI生成的2026大失业文件在全网刷屏，这年头，AI胡编乱造不叫胡编乱造，叫非虚构写作了，也是奇景。 AI行业的认知更新以天甚至以小时为单位，普通人却依然麻木不仁的接着奏乐接着舞，这种碰撞引起的失真感，是很有意思的社会化现象。 一边是恨其不争的捉急，一边是与我何干的悠闲，奋斗逼和躺平逼狭路相逢，只好各道一声傻逼。（图3） 我毫不怀疑AI会淘汰掉大多数人，但就此预判大多数人为了不被淘汰所能付出的艰辛，这也是一厢情愿，属于了解AI但不了解人类的错觉。 就像Andrej Karpathy花两个小时给自己写了一个记录心率的仪表盘，然后惊呼应用商店不存在了，未来所有人都会像他一样给自己写App⋯⋯ 这哥们好像活在一个没有TikTok的世界里，或者说根本不知道为了少打几个字，用户是怎么让无限上下划的产品吞噬掉几乎所有时间消费的。 第二个分化，在于大厂和小虎之间的方向背离。 过去一个多月来，国内的互联网大厂烧掉了超过60亿人民币，就为把DAU冲出一个漂亮的数字，把最主流的ChatBot做成入口。 与此同时，硕果仅存的「AI六小虎」里，全都战略性放弃了AI应用的路线，转而选择主在海外市场卖API。 战绩可查的是，Kimi用20天的收入超过了去年全年，智谱最高档的订阅产品一度断货，MiniMax的调用量单周登顶OpenRouter⋯⋯ 于是我们看到「DAU无用论」又被翻出来广为传诵，当然传诵的主要都是些从未做过百万级DAU产品的从业者这点就不要提了，以免尴尬。 可惜AI圈不怎么读书，否则托克维尔的「旧制度与大革命」应该会被更频繁的提及，法国人与过去告别的决绝与浪漫，把处刑台变成了一道道靓丽的风景线，是多么的辉映时代。 只有老登才张口闭口林俊旸，咱们自己人都说junyang。 第三个分化，在于中国和美国的各走各路。 一年前DeepSeek火出圈后，很多啥也不懂但就是喜欢到处掺合的人纷纷建议要把梁文锋保护起来，别让他出国参加交流活动时被万恶的美国给扣了。 姑且不论贷款开团的做法，真实发生的情况是，在这一年来的全球性会议上，整个行业都处于一种「假装中国不存在」的世界线里。 比如最近贡献了Sam Altman和Dario Amodei举手握拳而非牵手这个名场面的AI Impact Summit，有头有脸的AI公司都去了——除了中国的。 这是一个相当吊诡的画面，作为全球AI产业的两极之一，中国的AI公司在各大行业峰会里始终处于缺席状态，存在感和地位的背道而驰，违和感已经无法视而不见了。 这当然是地缘政治的结果之一，双方似乎都是在假设一个不会受到对方任何影响的市场环境，但实际上，中国的程序员们几乎全是Anthropic的付费用户，而美国同行们也把中国的开源模型捧上了天。 至于龙虾热潮的内外两开花，更是把「技术没有国界线」写在了明面上。 「大分化」版本的生存指南，克服焦虑应该放在第一条，如果真要统计，人类每个星期错过的AI风口怕是多达百十个，但风口上已经没有猪了，那里成了一个打卡点。 包括龙虾，我其实是推荐大家都去尝试的，但前提一定是，基于你的好奇和兴趣，而不是因为看着别人都用，心里急得慌。 「哥，你当初不是跟我说AI是用来提效的吗?怎么你搞了AI之后越来越忙了?还一整夜一整夜的不睡觉，抖音也不刷了，番茄也不看了，王者也不打了，张口闭口就是什么Skills、Mcp、OpenClaw，我都有点分不清了，到底是你在用AI，还是AI在用你啊?」