与「科学家建议别与AI语音聊天」相关的搜索结果

【 #科学家建议别与AI语音聊天# #，# #AI时代声音或是最大隐私威胁# #】你能从一个人的话语里听出来什么？教育水平？情绪状态？财务状态？现在，芬兰阿尔托大学的科学家警告，与AI语音聊天时，AI能从你声音里听到的远比你想象得多。# 随着语音处理和识别技术的发展，AI能从一个人的语音、语调、选词等特点判断出他的政治立场、健康状况、财务、职业等各种信息，成为个人最大隐私威胁。利用这些大量隐私信息，AI可对每个人的特点进行画像，被用于个性化商品或信息推荐、哄抬物价、性骚扰、跟踪、勒索等，且这些恶意行为是在人不知不觉中进行的。当今，我们的声音无处不在，尤其是与AI聊天机器人、AI客服聊天时，你说的每一句话可能都会被AI恶意利用，尤其是当客服告知你的通话可能会被录音时，更要警惕。 如何保护我们的声音？科学家称，首先要清楚自己想说的内容，这是毫无疑问的，其次是将相关语音转换为文本，让其无法被录音，无法知道语气、声调等，从而降低风险。#冷知识百科# #上涨知识# #

Demis Hassabis 达沃斯访谈：比工业革命大 100 倍的变革 视频地址： 2026 年 1 月，达沃斯世界经济论坛期间，Bloomberg 主持人 Emily Chang 采访了 Google DeepMind CEO Demis Hassabis。这位诺贝尔奖得主用“每周 100 小时、每年 50 周”描述自己过去几年的工作状态，并给出了一个惊人的判断：AI 带来的变革将是工业革命的 10 倍规模、10 倍速度。 这场访谈覆盖了 AI 领域几乎所有热门议题：AGI 时间线、中国竞争、机器人突破、就业冲击、是否应该暂停，以及后稀缺世界的哲学困境。以下是访谈的完整整理。 --- 【1】Google 的势头回归 Emily Chang 开门见山：Gemini 3 发布了，据说 OpenAI 内部宣布了“code red”——Google 是不是找回了状态？ 【编者注】Gemini 3 Pro 于 2025 年 11 月 18 日发布，是 Google 迄今最强的 AI 模型，在推理、多模态理解和编程能力上均有显著提升。12 月 17 日，Google 又推出了更快更便宜的 Gemini 3 Flash，直接替换 Gemini app 的默认模型。这一系列发布引发了 OpenAI 内部的紧张反应——三年前 ChatGPT 发布时，Google 内部也曾宣布过类似的“code red”。 Hassabis 回应说，过去一年确实是“非常艰苦的一年”，团队付出了巨大努力让模型重新回到最前沿。他特别提到 Gemini 3 和图像生成模型 Imagen 的表现让他们“非常满意”。 “我们也适应了这个新世界——快速发布，把创业公司的能量带到我们所做的事情中。” 当被问到外界是否低估了 Google 时，Hassabis 说他不确定，但 Google 一直具备所有必要的条件。“过去十年，Google 和 DeepMind 加在一起，发明了现代 AI 行业所依赖的大约 90% 的突破性技术。”他列举了 Transformer、AlphaGo、深度强化学习等例子。 “我们有这些不可思议的产品触达数十亿用户——从搜索到邮箱到 Chrome——它们天然适合 AI。只是需要把这一切组织到一起。我们在过去几年做到了，虽然还有很多工作要做，但已经开始看到成果了。” --- 【2】全栈优势能维持多久？ Emily Chang 追问：如果你认为自己有优势，这个优势有多大？能维持多久？ Hassabis 的回答很直接：一切从研究开始。模型的前沿水平是最重要的，这是 Google 和 DeepMind 合并后首先聚焦的方向。 “我认为我们是唯一拥有完整技术栈的组织——从 TPU 和硬件、数据中心、云业务、前沿实验室，到所有这些天然适合 AI 的产品。从第一性原理来看，我们理应做得非常好。而且我认为未来还有很大的提升空间。” --- 【3】AI CEO 的日常：凌晨 1 点到 4 点的深度思考 Emily Chang 说她读到 Hassabis 大部分深度思考都发生在凌晨 1 点到 4 点之间。他确认了这一点。 “你有没有感到舒服过？”她问。 “从来没有。”Hassabis 说，“过去三四年一直是难以置信的高强度。每周 100 小时，每年 50 周，这就是常态。” 他认为这是处于“科技史上可能最激烈的竞争”前沿所必需的。“商业上、科学上，再加上所有关于 AGI 的兴奋……用 AI 加速科学发现一直是我的热情所在。这是我毕生的梦想，我为此工作了一辈子。很难入睡，因为有太多工作要做，同时又有太多激动人心的事情要探索和推进。” --- 【4】机器人：突破时刻还需要 18-24 个月 Emily Chang 提到 Gemini 已经被集成到人形机器人中，问物理世界的“AlphaFold 时刻”是否已经到来。 【编者注】2026 年 1 月 5 日，在 CES 展会上，Boston Dynamics、Google DeepMind 和 Hyundai 宣布了一项重大合作。Boston Dynamics 将把 DeepMind 的 Gemini Robotics 基础模型整合到其 Atlas 人形机器人中，首先应用于 Hyundai 的汽车制造工厂。这是 Google 2013 年收购又于 2017 年出售 Boston Dynamics 之后，双方的首次重要合作。 Hassabis 说他过去一年花了大量时间仔细研究机器人领域。“我确实认为我们正处于物理智能突破的临界点。但我仍然认为还需要大约 18 个月到 2 年的时间，需要做更多研究。” 他解释说，Gemini 从一开始就被设计成多模态的，能够理解物理世界，原因之一是可以构建一个存在于眼镜或手机上的通用助手，理解你周围的世界；另一个用途就是机器人。 “那么物理世界的突破时刻会是什么样子？我认为是机器人能够可靠地在现实世界中完成有用的任务。” 他列举了几个阻碍因素。首先是算法还不够稳健，需要比 LLM 更少的数据就能工作。其次，也是让 Hassabis 感触最深的，是硬件问题——特别是机械手。 “当你仔细研究机器人时，你会对人类的手产生一种全新的敬畏。进化设计得太精妙了。要匹配人手的可靠性、力量和灵巧性是非常困难的。” 他提到了与 Boston Dynamics 和 Hyundai 的合作，将在汽车制造领域进行原型测试。“一两年后，我们可能会有一些真正令人印象深刻的展示，然后可以规模化部署。” --- 【5】中国与 DeepSeek：西方反应过度了 Emily Chang 说，一年前 DeepSeek 的出现对西方来说似乎是灾难性的，但现在中国似乎安静了下来。Hassabis 对中国竞争的看法有变化吗？ Hassabis 的回答很坦率：“没有。我一开始就不认为那是灾难性的。我认为西方的反应是大规模过度反应（massive overreaction）。” 他承认 DeepSeek 展示了中国公司的能力，但认为一些说法被夸大了。“关于他们使用的计算量非常少之类的说法被过度夸大了，因为他们依赖了一些西方模型，也在一些领先西方模型的输出上做了微调。所以这不是从零开始的。” 他认为字节跳动可能是中国最有能力的 AI 公司，“可能只落后 6 个月，而不是一两年。” 但 Hassabis 提出了一个关键问题：“到目前为止，中国公司能否超越前沿进行创新，这还有待观察。他们非常擅长追赶前沿，越来越有能力，但我认为他们还没有展示出能够超越前沿进行创新的能力。” --- 【6】AGI 时间线：2030 年 50% 概率，但标准比别人高 Emily Chang 说 Hassabis 帮助定义了 AGI，并且曾表示 2030 年之前有 50% 的概率实现。这个时间线还成立吗？ “是的。”他说。 “AGI 对你来说还是一个有用的目标吗？” Hassabis 说是的，虽然他的时间线比一些同行更长，但那是因为他的标准更高。“我说的是一个系统能够展现人类拥有的所有认知能力。我认为我们距离那还很远。” 他举了科学创造力的例子：“不只是解决一个猜想或科学问题，而是能够首先提出假设或问题。任何科学家都知道，找到正确的问题往往比找到答案困难得多。” 他明确表示当前系统“肯定还不具备这种能力”，未来会有，但不清楚还需要什么。 他还提到了“持续学习”（continual learning）——系统需要能够在线学习，超越它们被训练的内容，在现实世界中即时学习。“在我看来，还有相当多的关键能力是缺失的。” --- 【7】AI 对就业的影响：比 Dario Amodei 乐观，但承认冲击终将到来 Emily Chang 提到 Anthropic CEO Dario Amodei 当天早些时候在达沃斯说 AI 可能在 5 年内消灭 50% 的入门级白领工作。Hassabis 同意吗？ 【编者注】Dario Amodei 在 2025 年 5 月接受 Axios 采访时首次提出这一预测，随后在 60 Minutes 等多个场合重申。他表示 AI 可能导致失业率飙升至 10-20%，并呼吁政府和 AI 公司停止“粉饰”这一风险。 Hassabis 的回答明显更保守：“我的时间线会长得多。” 他承认今年可能会开始看到一些迹象，比如入门级工作或实习的变化，但要实现真正的任务 Agent，需要解决当前 AI 的不一致性问题。 “我称之为‘参差不齐的智能’（jagged intelligence）。当前系统在某些事情上非常好，在其他事情上非常差。如果你想把整个任务委托给一个 agent，而不是像今天这样只是辅助程序，你需要全面的一致性。” 他给出了一个精辟的比喻：“如果它只在 95% 的任务上表现好是不够的。你需要它在整个任务上都表现好，才能真正做到‘发射后不管’。” 但他也承认，这种颠覆终将到来。“在极限情况下，有了 AGI，我认为那会改变整个经济，远远超出就业问题。” 他描绘了一个后稀缺世界的愿景：如果我们正确地构建它，我们将处于一个解决了一些世界根本问题的世界——比如能源。“如果我们用 AI 的帮助解决了聚变之类的问题，新材料……我认为在 AGI 之后 5 到 10 年，我们将处于一个极度富足的世界。那时经济和社会会是什么样子？” --- 【8】转型期的焦虑：10 倍规模、10 倍速度 Emily Chang 说，在到达后稀缺世界之前——如果能到达的话——人们对中间发生的事情有很多焦虑。她提到自己是一位母亲，知道 Hassabis 也有孩子。“你最担心他们什么？你和他们谈些什么？” Hassabis 承认这将是一个颠覆的时代，“就像工业革命一样。也许是 10 倍于工业革命，而且快 10 倍。” Emily Chang 迅速接话：“100 倍。” “是的，100 倍。”Hassabis 说，“但我也是人类创造力的坚定信仰者。我们极其适应性强，因为我们的心智是如此通用。你看看我们周围的现代世界——我们狩猎采集者的心智成功建造了现代文明。” 他认为人类会再次适应，但这次的独特之处在于速度。“通常这样的转变需要一到两代人，但这次的速度和变革的规模都是前所未有的。” 对于年轻人，他的建议是：“我会鼓励他们精通这些新工具，成为这些工具的原生用户。这几乎相当于给他们超能力。” 他以创意艺术为例：“你可能能够做到过去需要 10 个人才能完成的工作。如果你有创业精神，在游戏设计、电影、项目方面有创意，你可能比过去更容易进入这些行业。” --- 【9】是否应该暂停？理想与现实 Emily Chang 问：一些人主张暂停，给监管时间赶上，给社会时间适应。在一个完美的世界里，如果所有公司和国家都暂停，Hassabis 会支持吗？ “我想是的。”他说。 他提到这一直是他的梦想。“当我 15 年前创立 DeepMind、25 年前开始从事 AI 工作时，我的路线图是：当我们接近 AGI 这个门槛时刻时，我们可能会以科学的方式合作。” 他描述了一个“AI 版 CERN”的愿景：世界上最优秀的人才聚集在一起，以非常严谨的科学方式完成最后的步骤。“不只是技术专家，还包括哲学家、社会科学家、经济学家，共同思考我们想从这项技术中得到什么，如何以造福全人类的方式利用它。” 【编者注】CERN（欧洲核子研究中心）是全球最大的粒子物理学实验室，由 23 个成员国共同运营，是国际科学合作的典范。 但他话锋一转：“不幸的是，这需要国际合作。即使一家公司、一个国家，甚至整个西方决定这样做，除非全世界至少在一些最低标准上达成一致，否则没有用。而现在国际合作有点棘手。” Emily Chang 追问：如果 AGI 在 2030 年到来，而监管还没有到位，我们是否注定会遇到困难？ Hassabis 说他仍然乐观，希望足够多的领先参与者能够沟通并合作，至少在安全和安保协议上。“我们已经与 Anthropic 等公司在这些方面进行了相当密切的合作。” 当被问到是否愿意与 Sam Altman 合作时，Hassabis 说：“可能吧。我和几乎所有领先实验室的领导者关系都相当好。如果风险足够高——我认为每个人在未来 2 到 3 年会更清楚地认识到风险和代价。” --- 【10】Transformer 是死胡同吗？Hassabis 不同意 Emily Chang 提到 Yann LeCun 说他不认为 Transformer 和 LLM 单独能让我们达到 AGI。 【编者注】Yann LeCun 是图灵奖得主、Meta 前首席 AI 科学家。他在 2025 年 11 月离开 Meta，创立了一家专注于“世界模型”的新公司。他多次公开称 LLM 是通向人类级智能的“死胡同”，认为它们缺乏对物理世界的理解、缺乏常识和因果关系。 Hassabis 明确表示不同意：“我不同意它们是死胡同，我认为那显然是错的——它们已经如此有用了。” 但他也承认这是一个经验性问题。“我认为有 50% 的概率，仅仅扩展现有方法加上一些调整就足够了。可能足够。” 他认为无论如何都值得这样做，因为即使需要其他东西，“这些 LLM 也将是最终 AGI 系统的一个极其重要的组件。唯一的问题是：它是唯一的组件吗？” 他估计可能还需要一到五个突破，“可能是世界模型——这是 Yann 谈到的，我们也在研究这个，事实上我们拥有目前最好的世界模型 Genie，我直接参与了那个项目，我认为它非常重要。” 【编者注】Genie 是 DeepMind 开发的“世界模型”系列。2025 年 8 月发布的 Genie 3 可以根据文本提示生成可交互的 3D 环境，被 DeepMind 视为通向 AGI 的重要阶梯，并被 TIME 杂志评为 2025 年最佳发明之一。 他还提到了持续学习、系统一致性、更好的推理和长期规划等仍然缺失的能力。“从 Google DeepMind 的角度来看，我们在两个方向上都在全力推进——既发明新事物，也扩展现有事物。” --- 【11】“我们从未离开研究时代” Emily Chang 提到 Ilya Sutskever 说“通过扩展和做更大模型来获得改进的时代几乎结束了”。 【编者注】Ilya Sutskever 是 OpenAI 联合创始人，于 2024 年离开后创立了 Safe Superintelligence Inc. (SSI)。2025 年 11 月在 Dwarkesh Patel 的播客中，他表示 2012-2020 年是“研究时代”，2020-2025 年是“扩展时代”，现在“又回到了研究时代”。 Hassabis 的回应很有意思：“不，我不同意。他的原话是‘我们又回到了研究时代’。我爱 Ilya，我们是很好的朋友，在很多事情上看法一致，但我的观点是——我们从未离开研究时代。” 他强调 DeepMind 一直在投资研究，拥有“最深厚、最广泛的研究储备”。“如果你看过去十年，Google 和 DeepMind 加在一起发明了大约 90% 的突破性技术——当然最著名的是 Transformer，还有深度强化学习、AlphaGo 等。如果未来需要新的突破，我会押注我们，就像过去一样，会是做出那些突破的人。” --- 【12】奇点来了吗？“太早了” Emily Chang 最后一个“同意还是不同意”的问题：Elon Musk 说我们已经进入了奇点。 【编者注】2025 年底至 2026 年初，Elon Musk 在 X 平台上多次发帖称“我们已经进入了奇点”和“2026 年是奇点之年”，引发广泛讨论。他回应的是 Midjourney 创始人 David Holz 关于 AI 工具让他在圣诞假期完成了比过去十年更多编程项目的帖子。 “不，我不同意。我认为那非常过早。”Hassabis 说，“奇点是完全 AGI 到来的另一种说法，我之前解释了为什么我认为我们离那还很远。” 他承认即使 5 年也不算长，但“我认为在我们拥有任何看起来像奇点的东西之前，还有很多工作要做。” --- 【13】Google 的文化与创始人的参与 Emily Chang 问到 Google 内部现在的文化，以及 Larry Page 和 Sergey Brin 的参与程度。 Hassabis 说两位创始人都非常投入。“Larry 更多在战略层面，你会在董事会议上见到他。Sergey 更亲力亲为，参与 Gemini 团队的编码，更多涉及算法细节。” 他说这是一个“对计算机科学来说绝对不可思议的时刻”，科学上、人类历史上都是如此。“当然每个人都想亲身参与其中。” 他描述了自己试图结合多种优势：创业公司快速发布和冒险的能量，大公司的资源，以及长期和探索性研究的空间。“我认为过去一年进展顺利，我们还能做得更好，今年会做得更好。我认为我们的进步轨迹是业内最陡峭的。” --- 【14】为什么应该信任 Google？ Emily Chang 说所有这些公司都在要求我们信任他们，特别是如果监管跟不上技术的话。她直接问：为什么我们应该信任你们？为什么 Google 是最值得信任的地方？ Hassabis 说需要通过行动来判断这些公司，也要看领导者的动机。 “我选择 Google 作为 DeepMind 的归宿有几个原因。主要原因是 Google 的创始人和他们建立 Google 的方式——作为一家科学公司。很多人忘了 Google 本身是 Larry 和 Sergey 的 PhD 项目。所以我对他们感到一种直接的亲近感。” 他还提到了 Google 董事会的构成。“主席 John Hennessy 是图灵奖得主，Frances Arnold 是另一位诺贝尔奖得主。这些在企业董事会中是非常罕见的人物。” 【编者注】John Hennessy 是斯坦福大学前校长，因 RISC 架构获得 2017 年图灵奖。Frances Arnold 因定向进化研究获得 2018 年诺贝尔化学奖。 他说这种科学和研究主导的文化意味着“在最高水平做科学意味着真正严谨、深思熟虑，并在任何可能的地方应用科学方法。不只是对技术，也是对你作为一个组织的运营方式。” 最后他提到 Google 的使命。“‘组织世界的信息’——我认为这是一个非常崇高的目标。它与 DeepMind 的使命‘解决智能，然后用它解决一切其他问题’非常契合。这两个使命天然配合——AI 和组织世界的信息天然相关。” --- 【15】后稀缺世界：比经济更担心的是“意义” Emily Chang 问：后稀缺世界，人们不再有工作。Hassabis 在实现所有技术目标后打算做什么？ “我想用它来探索物理学的极限。这是我在学校时最喜欢的科目——那些大问题。现实的本质是什么？意识的本质是什么？费米悖论的答案？时间是什么？引力是什么？” 他说了一句令人印象深刻的话：“我惊讶于更多人不去思考这些巨大的问题。我们只是日复一日地生活，而这些深刻的谜题几乎在向我尖叫——答案是什么？” 他希望用 AI 探索所有这些问题，“也许还有星际旅行，借助新能源和 AI 解锁的材料。” Emily Chang 问：如果我们没有工作，我们还会有意义和目的吗？ Hassabis 回答道：“老实说，这是我比经济问题更担心的事情。我认为经济几乎是一个政治问题——当我们获得所有这些额外的收益和生产力时，我们能否确保它为每个人的利益而分享？我相信这是可以做到的。” “但比这更大的问题是：我们很多人从工作和科学事业中获得的目的和意义，在新世界中我们将如何找到？” 他说我们需要“一些新的伟大哲学家”来帮助思考这个问题。“也许我们会在艺术和探索上变得更加精致，还有极限运动之类的。今天我们做很多不只是为了经济利益的事情，也许未来我们会有这些事情的非常高深的版本。” --- 【16】给年轻人和企业家的建议 Emily Chang 最后问：房间里的每个人都在想他们应该做什么。10 年后，人们关于 AI 最大的错误会是什么？ Hassabis 给出了两条建议。 第一条是给年轻一代的：“我们唯一确定的是会有大量的变化。所以在学习技能方面，要准备好‘学会学习’——这是最重要的事情。你能多快适应新情况，用我们拥有的工具吸收新信息。” 第二条是给商业领袖的：“现在有很多领先模型和服务提供商，还会有更多。选择那些你认为正在以正确方式行事的合作伙伴。与那些正在推动变革、以你希望看到的方式对待这项技术的人合作。” 他总结说：“我认为我们可以一起构建那个未来——随着 AI 的到来，一个我们都想要的未来。” --- 【写在最后】 这场访谈中，Hassabis 展现了一种独特的气质：既是最前沿竞争的参与者，又试图保持长线思考的清醒。 他与几位同行的分歧值得注意：比 Dario Amodei 更保守地估计就业冲击，比 Elon Musk 更审慎地看待奇点，比 Ilya Sutskever 更相信 scaling 仍有价值，比 Yann LeCun 更认可 Transformer 的未来。 但他们有一个共识：无论 AGI 是 2030 年还是更早到来，我们可能都没有准备好。Hassabis 想要的“AI 版 CERN”需要国际合作，而他自己也承认“现在国际合作有点棘手”。 最后一个细节让我印象深刻。当被问到后稀缺世界的愿景时，这位每周工作 100 小时的 CEO 说他最想做的事情是思考“时间是什么？引力是什么？”——那些“几乎在向我尖叫”的宇宙深层谜题。 也许这就是为什么他能在“科技史上最激烈的竞争”中保持某种平静：对他来说，AGI 不是终点，而是探索更大问题的起点。

一个人穷的时候最应该做什么事？ 背叛底层人。 隔绝一切垃圾信息，拒绝输入，专心搞钱，与底层彻底决裂。 最近两年开始，几乎所有的新闻，我都不关注了。比如前几年的南方小土豆、哪吒电影票房、中美各种加息政策…… 因为我慢慢发现，绝大多数新闻跟普通人的真实生活没有多大关系，但特别擅长调动人的情绪。 今天把一个人捧上神坛，明天又把他踩进泥里；今天全民感动，明天剧情反转。你跟着愤怒，跟着感动，跟着争论半天，最后除了贡献几个小时的注意力，什么都没得到。 所以，我干脆不关注了。 当我看见一个宣传 DeepSeek 有多牛逼的视频，弹幕全是“赢了”“赢麻了”，我有时候会觉得很好笑。屏幕前大声欢呼的大学生，可能几个月后毕业连工作都找不到，但此刻却可以为了一个跟自己现实生活几乎没有关系的话题涕泗横流、义愤填膺。 媒体人只需要几个字，就能让你哭，让你笑，让你愤怒，让你站队。身体是你的，但情绪的遥控器在别人手里。 更讽刺的是，你的每一次愤怒、点赞和评论，最后都变成了别人的流量。自媒体靠你的注意力接广告、接商单，赚得盆满钵满，而你刷完两个小时手机，关掉屏幕，明天照样上班。 这个世界上 99.99% 的消息，其实你根本没必要知道。它不会增加你的收入，不会改善你的生活，不会提高你的能力，甚至连三个月以后你都不会记得。但它特别擅长制造情绪波动。 你打开短视频，第一个视频是一个伟大的科学家，为国家做了巨大贡献，坐了几十年冷板凳，生活极其节俭。配上激情澎湃的音乐，你看得眼眶发红，肃然起敬。手指往下一划，下一条是搞笑视频，你马上笑得前仰后合。再往下刷，可能又是一条社会新闻，你瞬间开始愤怒。 不到 5 分钟，悲伤、感动、快乐、愤怒全部经历了一遍。 仔细想想，这其实挺可怕的。你的情绪被算法拿捏得极其精准，让你哭就哭，让你笑就笑，让你愤怒就愤怒。我们以为自己在主动获取信息，很多时候其实只是被动接受别人安排好的情绪刺激。 短视频和垃圾讯息，某种程度上就是打工人的牢笼。 996 下班回到家，体力和精力已经被榨得差不多了，这时候人最容易沉迷于完全不需要动脑的内容。因为你已经没有精力读书、学习、思考，更别说规划未来。刷短视频是最廉价的快乐：不需要付钱，不需要努力，只需要手指不停往下滑。 问题是，一个人长期处于这种状态，会逐渐失去创造力，也失去深度思考的能力。他没有精力关注三年、五年之后的事情，更没有力气跳出现在的生活，去寻找其他可能性。 更可怕的是消费主义。 好不容易攒下来一点钱，今天告诉你最新款 iPhone 必须换，明天告诉你什么包、什么鞋、什么车才能代表生活品质。你以为自己是在奖励辛苦工作的自己，最后却把本来可以用于提升自己、投资自己、积累本金的钱重新送回市场。 互联网从来没有真正免费的东西。 所谓免费内容，很多时候只是换了一种收费方式：不收你的钱，收你的时间；不直接卖东西给你，就卖你的注意力。 而生命最重要的东西，本来就是时间。 如果你的时间不值钱，你当然可以自己慢慢练级；如果你的时间开始值钱，你就会发现很多事情花钱解决反而更便宜。能花 100 块钱解决的问题，就没必要耗三个小时；能通过专业人士半小时解决的问题，也没必要自己摸索一个星期。 所以想快速成长，无非两件事：花对钱，跟对人。 有时候，一个真正比你高几个层级的人，几句话就能指出你几年都没意识到的问题。他经历过你正在经历的阶段，踩过你准备踩的坑，所以一句话可能真的能让你少走很多弯路。 但很多人还有一种学生思维：希望所有东西都是免费的。 免费的知识，免费的资源，免费的建议，最好大佬还愿意花两个小时给自己分析人生。 问题是，一个人的时间越值钱，他越不会免费把时间分给陌生人。你想获得别人的时间，就要提供价值。这个价值可能是钱，可能是资源，可能是能力，也可能是你能帮别人解决的问题。 没有所谓凭空出现的贵人。 所谓贵人，本质上也是价值交换。 如果现在什么都没有怎么办？那就更简单：减少垃圾输入，把时间拿回来，提升自己，先赚钱。 普通人最应该关心的事情，从来不是今天网上又发生了什么，而是自己的收入有没有提高，能力有没有增长，身体有没有变好，家人的生活有没有改善，账户里的本金有没有增加。 很多人自己的生活一地鸡毛，却每天操心国际局势；工资几千块，却在网上讨论几千亿美元的博弈；现实里连老板都不敢反驳一句，到了评论区却开始指点世界。 宏大叙事最容易给普通人提供一种廉价的参与感。 因为改变自己的生活很难，评论世界很容易。 赚钱很难，骂人很容易。 学习很难，刷视频很容易。 健身很难，讨论别人为什么失败很容易。 所以真正想往上走的人，迟早要经历一个非常痛苦的过程：你必须主动背叛过去那个自己熟悉的环境。 这里说的“背叛”，不是让你看不起穷人，也不是让你抛弃家人朋友，而是背叛过去那套让你一直停留在原地的生活方式。 以前大家一起刷视频，你开始学习；以前大家发工资就消费，你开始存钱；以前大家讨论八卦，你开始研究怎么提高收入；以前大家觉得下班就应该彻底躺平，你开始把晚上的两个小时拿出来做自己的事情。 这个过程一定会不舒服。 因为原来大家都是毛毛虫。 突然有一只毛毛虫开始结蛹，旁边的人第一反应往往不是祝福，而是奇怪：你折腾什么？大家不都这样活吗？ 等你真的开始发生变化，关系也会跟着变化。以前聊得来的东西，你慢慢不感兴趣了；以前觉得很重要的事情，你开始觉得无所谓；以前每天混在一起的人，也可能逐渐没有共同语言。 向上的路有时候确实很孤独。 但一个人真正的成长，本来就意味着不断离开旧的自己。 背叛那些浪费你时间的信息，背叛那些掏空你钱包的消费习惯，背叛那些让你获得廉价满足感的东西，也背叛那个明明对现状不满意，却什么都不愿意改变的自己。 很多人以为贫穷变富最难的是赚到第一桶金。 其实第一道坎往往更早。 你得先允许自己和过去的生活彻底决裂。

华为半导体首席科学家廖恒专访，近5个小时，满满的干货与细节，朴实里蕴含着中国AI硬件十足的底气。 如果说梁文锋代表中国AI发展软的一面，华为半导体就代表着中国AI发展硬的一面。 原来朴实点的华为也可以不让人讨厌的，希望菊花厂以后改改作风。大众对战狼已经审美疲劳了！ 原片在B站，我强烈建议朋友们去B站开收听模式，完整听一遍。

AI很强，但是计算机新人还是要多积累知识的，这样才能解决复杂问题 重新发一下我过去推荐的计算机基础书籍吧 我自己的读书习惯，特别是学习计算机，喜欢读哪些写的通俗易懂的书，学到代码后面为什么这么做的原因，只有学习到之其所以然才能在以后用到的时候融会贯通。 推荐书单 Python: Python 核心编程 系统学习 Python，这一本书足矣，把 Python 的每个细节都讲的很透，每个例子都非常实用。 我学习完这一本书以后，再看任何 Python 库的时候都是翻翻 API 手册， Google 一下就可以快速学会任何 Python 库的用法，并融入到自己的项目中。 C++: C++完全参考手册 我高三看的一本书，2000 多页，大部头，全英文，但是写的非常好。 这也是我唯一看过的一本 C++的书，只要会这些语法，找个 C++项目， 比如 Qt/C++写一个项目，几乎就知道 C++怎么玩了。 其实 C++还是非常方便的，虽然没有 Python 简洁，但是表现力和库生态都太强大， 不用担心性能问题，大多数讨厌 C++的人， 其实是恐惧自己学不好 C++, 放下恐惧，C++其实很容易学习。 Java: Java 编程思想 这本书是在书店读完的，写的很不错，但是当时还在读高二，所以已经记不清当初的读后感了， 模糊印象就是一本写的非常通俗易懂的书，讲的非常细节。 Haskell 1 : Real World Haskell 十年前，haskell IRC 频道，大多数 Haskeller(科学家，数学家）还在迷恋 Haskell 的数学之美的时候， GHC 黑客 Dons Stewart 写的这本 Real World Haskell 系统型的讲解了 Haskell 应用的各个领域， 从基本语法、函数式编程、科学计算到图形编程等，讲的一针见血， 而且非常薄，学习玩了就可以流畅写程序了。 当然进阶的知识还是要去 haskell IRC 频道请教数学家们，哈哈哈。 Haskell 2: Learn You a Haskell for Great Good! 好朋友写的 Haskell 入门书籍，大爱这种又会计算机又会画漫画的艺术家了， 把一个严谨的数学基因的编程语言讲的诙谐幽默 Elisp: GNU Emacs Lisp Reference Manual 十多年前，我用 Emacs, 对 Elisp 半毛钱不懂，天天就在 EmacsWiki 抄各种配置， 就像一个拾荒者，每天早上起来逛 EmacsWiki, 偶尔碰到高级 Elisp 技巧就把我折腾死了， 然后对着 Emacs 破口大骂。 为了不瞎折腾，我花了一个月的时间读完这本大部头，遇到不懂的 API, 就打开 ielm 临时写一个 demo 函数验证一下，当我读完以后， 我发现 99%的 Emacs 的问题都可以自己调试和解决。 如果你花时间读完这本 Emacs 内置的宝典， 你也可以像我这样写这么多扩展： [Andy Stewart]( Ruby: The Ruby Programming Language 学习 Ruby 的时候，已经会了几十门编程语言了，手册从头看一遍，不用写练习基本就可以学会。 因为当你编程语言学得足够多的时候，不同语言的语法都是相同的， 只用学习不同语言之间的微小区别就可以了。 以前一直对 Ruby 的 end 语法抱有偏见，但是自从我在 Emacs 配置了 ruby-end 插件以后，世界都清净了。 Vala: [Vala Tutorial]( Vala 有 C 的速度，Python 的简洁，语法类似 C Sharp, 基本看完这本手册以后，拿着 API 就可以直接开始写了。 Vala 写 Gtk+是非常爽的。 Rust: [Rust 语言圣经]( 这本书应该是中文范围内将 Rust 最好的一本书， 所有权讲的很清晰， 基本概念的章节都通俗易懂， 进阶章节可以先看一遍， 以后遇到了当工具书来查看。 作者后面讲线程和异步模型时， 理解还是很到位的， 证明作者基本功很扎实， 强烈推荐想学习 Rust 的同学读这本书， 一本就够了。 正则表达式： 精通正则表达式 这是我唯一看过一本带有　“精通”　名字的书，确实写的非常好， Yahoo 工程师把他平常用到的经验都朴实无华的写出来， 基本学会这本书讲的怎么构建正则表达式的思路，不管是标准的正则表达式， 还是 Perl, Elisp 等其他语言的变种正则，都是触类旁通的。 代码质量：重构 改善既有代码设计 这本书代码是 java 写的，但并不掩盖它作为重构第一书的地位。 讲解了很多重构小技巧，教你只要养成十来个重构小细节的好习惯， 不论写什么编程语言，局部代码和整体逻辑都干净的像艺术品一般。 这本书的技巧我这十几年都在践行，难得的好书。 X11: Xlib - C Language X Interface 这本书是读过最枯燥的书籍，但是要从头做一个 Linux 桌面环境，这本书的 API 是必读的。 因为你除了 github 外，根本找不到更多资料来讲解 X11 这个古老的技术了。 Gtk+: [Gtk+ Programming Tutorials]( 写的最通俗易懂的 Gtk+书籍，学完这本书，直接看 Gtk+ Developer Manual 就可以直接写程序了 Qt: [PyQt5 Totorial]( 写的最好的 Qt 入门教程，加上 Python 的方便性，非常容易系统学习， 加上学习 Qt 之前已经有 Gtk+五年编程经验，两天看完就直接用 Qt 写程序了。 JQuery: 锋利的 JQuery 国人写的书，写的非常通俗易懂，每个 API 的参数都是渐进式讲的， 举的例子也很实用简单，基本不用动手就会了。 Rails: Rails Tutorial 系统的讲解了怎么用 Rails 搭建一个网站，虽然很多架构设计和整体逻辑我是靠 Google 摸索出来的， 但是这本书确是入门不可或缺的，难度适中，学习完了，你对构建网站有一个基本的认识了。 SVG: SVG 入门教程 虽然是翻译老外的技术博客, 却是深入学习 SVG 不可多得的教材, 讲的通俗易懂. 可以学到很多 SVG 高级技巧. CSS: CSS 世界 很多 CSS 网站或书籍都告诉你一个效果要怎么实现，或者直接丢出一段可以直接使用的 CSS 代码。 但是我们在真实的开发场景中遇到的往往是，为什么这段 CSS 代码不能工作？为什么抄的几段 CSS 合在一起不能工作？ 这本书的作者研究了很多年的 CSS，他可以告诉你很多关于浏览器的实现细节以及为什么 CSS 不能工作的原因。 懂了为什么不能工作，剩下的很多事情就能举一反三啦。 但这本书不适合初学 CSS 的朋友读，建议在几个项目中熟练了基本 CSS 技巧以后再来读这本书会更有收获。 编译器: Flex & Bison 系统的讲解了什么是词法分析器、语法分析器 以及怎么写编译器的基本流程 这本书特别讲究循序渐进, 细心的讲解每个 API 看完这本书就不会觉得这两个技术有啥高级了, 哈哈哈哈 加解密： 图解密码技术 这本书系统地让你学会对称加密、公钥密码、单向散列函数、消息认证码、数字签名、伪随机数生成器等加解密技术背后的原理和细节， 以及这些技术组合而成的安全大厦的框架和应用。 其实加解密不光是学习破解和干坏事， 知道背后的数学原理和实现细节可以更好的让我们理解安全技术， 并以此来构建更加健壮安全的软件和系统。 强烈推荐作者 “结城浩” 的其他书籍， 已经看了他写的两本书了， 全书都是图文并茂的讲解复杂技术， 很少有数学公式。 人的精力是有限的， 学习最重要的是先要了解其原理再深入学习， 避免投入无谓的精力在不感兴趣的领域。 而作者在深厚的知识背景下， 能通过浅显易懂的文字传授知识， 真是厉害。 Git： Pro Git 这本书除了讲解 Git 的所有日常用法外， 还系统的讲解 Git 的一些高级用法。 同时最后一章还详细的讲解了 Git 背后这种基于文件系统技术的实现原理。 当你理解 Git 基本用法、 高级用法以及背后简单的原理后， 你就可以知其所以然的变成 Git 专家。 Emacs 教会我自学 这么多年的自学经历，我最应该感谢的是 Emacs, 是这个世界上最难折腾的软件，虐我虐到我待她如初恋，给我莫大的耐心，我再学习其他技术的时候才会觉得得心应手。 感谢 Emacs 让我接触到强大而又无私的顶尖黑客们和黑客精神，每天看着一群天才比我自己还努力的时候，自己就更萌生发奋学习的动力。 自学的技巧 耐心、耐心、耐心

强烈推荐大家关注以下13个AI 帐号。 这13个人主要是身份是工程师、科学家。 他们几乎影响了历史发展进程。 @karpathy - Andrej Karpathy（约248万粉丝） Bio：我喜欢训练大型深度神经网络。曾任Tesla AI总监、OpenAI创始团队成员、斯坦福博士。 AI社区最受欢迎的“网红导师”，讲解极度清晰，常分享模型训练实战心得和前沿趋势，适合所有水平的学习者。 @fchollet - François Chollet（约66.5万粉丝） Bio：Keras & ARC-AGI 创建者。 Keras框架之父 + ARC通用智能基准提出者，技术深度与哲学思考结合极强，能看到最前沿的AGI思考。 @ylecun - Yann LeCun（约116万粉丝） Bio：图灵奖得主，前Meta首席AI科学家。 深度学习三巨头之一，观点犀利直接，常对行业热点发表一针见血的评论，信息含金量极高。 @AndrewYNg - Andrew Ng（约153万粉丝） Bio：Coursera联合创始人，前百度/Google Brain负责人。 AI教育界第一人，课程推荐、职业建议和落地经验极其实用，非常适合想系统学习或转行的从业者。 @rasbt - Sebastian Raschka（约44.6万粉丝） Bio：《Build a Large Language Model From Scratch》作者。 从零实现LLM的顶级实践者，代码教程和论文解读质量极高，是工程师最爱的技术干货账号。 @lilianweng - Lilian Weng（约22万粉丝） Bio：前OpenAI AI安全与机器人VP，Lil'Log博主。 AI安全、强化学习和机器人领域的深度思考者，长文综述质量顶尖，适合想深入某个细分方向的人。 @jeremyphoward - Jeremy Howard（约29.4万粉丝） Bio： 联合创始人，前Kaggle总裁。 实用深度学习倡导者，教学方法和开源工具非常接地气，风格亲切且强调“能上手”的实战派。 @simonw - Simon Willison（约18万粉丝） Bio：Datasette & Django联合创建者。 AI工程实践和LLM工具链专家，产品感和实用性极强，常分享好用的开源AI工具和工程技巧。 @ID_AA_Carmack - John Carmack（约163万粉丝） Bio：游戏传奇程序员（Doom引擎之父），现专注AGI。 极客之神，直率的技术哲学思考和跨领域洞见（游戏+火箭+AI），深度极高，启发性爆棚。 @gwern - Gwern（约7.5万粉丝） Bio：互联网研究者，挑剔的深度分析者。 粉丝虽少，但硬核程度顶级，常发布高质量AI实验、长文分析和独特观点，是“硬核爱好者”必备账号。 @goodside - Riley Goodside（约20.3万粉丝） Bio：提示工程专家，前Google DeepMind/Scale员工。 LLM提示技巧和模型行为研究最强账号之一，分享大量实用技巧+有趣截图，幽默且直接能用。 @drfeifei - Fei-Fei Li（约66.9万粉丝） Bio：ImageNet之母，Stanford HAI联合主任。 计算机视觉先驱，兼顾学术深度与AI人文/伦理视角，视野开阔且充满人文关怀。 @demishassabis - Demis Hassabis（约93万粉丝） Bio：DeepMind CEO、诺贝尔奖得主。 AlphaGo/AlphaFold之父，直接来自AGI最前沿的第一手信息和愿景，含金量最高。

想建立高质量的AI信息流，从这15个账号开始！ 这 15 个账号基本覆盖了： 研究 工程 教育 开源 产品 AGI 思考 AI 真实能力评测 @karpathy 他的推文经常提前定义 LLM 叙事。很多你两个月后在 LinkedIn 上看到的 AI 话题，可能他早就讲过了。 @fchollet Keras 作者，ARC-AGI 提出者。经常分享关于智能、本质能力、Benchmark 和 AI 局限性的深度思考。 @ylecun 深度学习先驱，Meta 首席 AI 科学家。观点很宏观，也经常有对 AI 研究路线的批判和讨论。 @AndrewYNg AI 教育领域的传奇人物。内容非常实用，覆盖机器学习建议、课程、产品落地和真实世界应用。 @rasbt Sebastian Raschka，经常分享实用 ML / LLM 实现、“从零构建”教程，以及相关书籍内容。 @dair_ai 高频更新 ML / AI 论文线程，用通俗方式拆解前沿研究，适合快速跟进 AI 进展。 @lilianweng 前 OpenAI 成员。她的 Lil’Log 风格内容非常值得看，擅长深入拆解 LLM 研究和技术细节。 @jeremyphoward 经常分享 AI / Crypto 相关观点，也长期推动实用深度学习的普及和大众教育。 @simonw Django 联合创始人。聚焦实用 LLM 工具、实验、提示词、Agent 和工程实践拆解。 @_akhaliq 持续整理最新 arXiv 论文、模型发布、开源 AI 项目和研究动态，信息流非常快。 @ID_AA_Carmack 关注 AGI 和底层优化问题，很多观点能让你重新思考“智能”和“工程”的本质。 @gwern 高质量长文作者，擅长 AI 研究笔记、深度 essays 和长期主义视角的技术观察。 @goodside 专注 LLM 评测、提示词研究和真实能力测试，经常能看到非常细的模型行为观察。 @drfeifei 计算机视觉先驱，关注以人为中心的 AI、空间智能和未来 AI 研究方向。 @demishassabis Google DeepMind CEO。长期关注通用 AI 的未来方向，也是理解 DeepMind 路线的重要窗口。 大家还有要补的吗？评论区👇👇👇👇

National Science Board（NSB）成立于1950年《国家科学基金法》，是负责监督 National Science Foundation（NSF）的核心治理机构，由约22名来自高校、科研机构和工业界的顶级科学家组成，实行6年错峰任期，旨在保持跨政府周期的独立性。该机构不仅制定美国基础科研的长期战略方向，还对每年约90亿美元的科研经费配置拥有关键审批权，并直接向总统和国会提供科学政策建议，在推动互联网、医学成像、人工智能等基础研究方面发挥过重要作用。2026年，Donald Trump政府一次性解雇全部成员，引发广泛争议。媒体分析认为，此举可能与其削减科研预算、加强对科学体系的政治控制有关，也反映出更大范围内对独立科研机构的重塑趋势。虽然总统对联邦机构成员具有一定任命和调整权，但NSB的任期设计本意是防止被单届政府整体替换，因此此次“集体解雇”在法律上处于灰色地带，是否符合美国对独立机构保护的原则仍存在较大争议，甚至可能引发司法层面的进一步裁决。 National Science Board在历史上的核心作用，并不在于直接做科研，而在于作为美国基础科研体系的“顶层设计者”，长期决定科研资金投向、优先发展领域以及整体战略方向。它通过监督 National Science Foundation 的预算与重大项目，保障互联网、人工智能、医学成像等关键基础技术在早期能够获得持续投入；同时通过发布国家级科学与工程报告，为总统和国会提供科技竞争力判断与政策依据；在不同时期不断调整重点，从单纯基础研究延伸到人才培养与成果转化。总体来看，它的历史意义在于维持美国科研体系的长期主义与独立性，确保科技发展不被短期政治或商业利益所主导。 再次重申我的观点，学术自由也是美国立国之本，跟言论自由一样重要！全球人才来到美国，一方面是待遇机遇更好，更重要的原因是有他们想要的学术自由。

我把原文贴给一样喜欢读文字的推友： 这个视频只有两万播放，但是他帮我链接到了四百多位年入五十至两百万的客户，成交了我单价最高的案子。我的客户用了我的方法之后，五百赞的视频也帮他成交了一千万的单子。 那我是如何通过一条低播放量的视频就实现如此高质量的获客的？今天也做了大纲，完整拆解给大家听。特别是有很多客户找到我之后都跟我说，感觉你的视频明明是在介绍自己的服务，但是看下来完全没有营销感，就想让人直接找你，这是为什么？ 我今天拆解总共分为五步。 第一步：短视频是工具不是目的 发现有很多老板来找到我，跟我描述了同一件困惑的事，就是感觉好像什么都可以说，但是又好像什么都说了也没有客户来。我发现是这样子的，很多老板没有一个意识，我们出来做短视频不是为了发内容，而是为了获客。短视频是工具不是目的，你把内容发出去，观众看了点了赞，这不是终点，这是工具发挥作用的过程。但如果你不清楚这个工具到底是拿来做什么的，你就会陷入一个状态：为了更新而更新，只要是相关赛道的内容全都会拍，感觉每条都在输出价值，但是就是来不了客户。 拿我的客户中一个最典型的例子来分析一下：他做了三年的账号，视频号单条播放最高到了十五万，公众号也积累了两万粉丝，但这个账号三年期间一个客户都没有带来。就是因为他最有价值的服务明明是筛选顶尖院校背景的师资，帮高端家庭对接国际留学资源和英国顶级学校的校长建立联系直接合作，但他在账号里讲的却是教英语拼读，讲英语俗语，分析英语考试怎么备考。这也充分说明了人不会为百家讲坛付费，讲知识分享干货本身是不挣钱的。观众觉得有收获会给你点赞，但掏钱是另一件事儿，他掏钱是因为他觉得需要你帮他做一件他自己做不到的事。 所以今天这条视频我把想清楚“短视频这个工具到底是拿来做什么的”作为第一步来讲，就是因为我不想让大家在为了更新而更新，发了三年内容一个客户都没来。高客单的获客账号不是拼内容量，也不是拼干货密度，是你要先想明白两件事：你的客户到底在为什么价值掏钱，以及这个工具怎么用才能让那个价值被对的人看到。 只有想清楚这两件事才能真正开始做一个挣钱的账号。 第二步：想清楚怎么用 那如果说第一步是想清楚账号这个工具是拿来做什么的，第二步就是想清楚怎么用。 很多老板找买点的方式是错的，他们问自己，我的产品能解决什么问题？这还是卖点思维，只是换了一层包装。真正的买点从来不是从自己出发推断的，是从买家的生活场景里发现的。营销学里面有个经典的理论叫 Jobs to be Done，翻译过来就是人们买的不是产品本身，而是雇佣这个产品去完成一件事儿。买钻头的人他要的不是钻头，要的是墙上那个洞；买减肥药的人要的不是那个药，是穿上那件裙子时候的感觉。 把这个思路用到找买点上，你要问的问题就变了，不是我的产品有什么功能，而是我的买家会在什么情景下雇佣我，他雇佣我是为了完成什么事儿，那件事儿在他的生活里意味着什么？ 举几个例子： 蛋白棒的卖点是蛋白质含量高，而真正的买点是减脂期抗饿、健身期增肌、精致女生的抗老零食。 一套房的卖点是面积大、南北通透，而真正的买点是家五口袋宠物住得开，阳台采光好，可以每天晒着太阳喝下午茶。 一位健身教练的卖点是国际认证资质，训练方案科学，而真正的买点是三个月后穿上那条裙子，在同学会上让人刮目相看。 一份保险的卖点是保额高，理赔快，而真正的买点是万一出事儿，家里人的生活不会被打乱，自己也能睡个好觉。 你会发现买点全都是生活场景，全部都有情绪，全部都指向一个具体的结果，而卖点只是参数。这里也很重要，就是找买点这件事必须建立在真正了解买家的前提上，而不是靠拍脑袋猜。你猜出来的买点讲出去，买家是能感受到的。那种感受就像看起来说的是我，但总差那么一口气儿，就是不想给你掏钱。我更建议的是从每一次真实的服务里面积累买家认知，把客户服务好，从他们的反馈和语言里去发现真正触发购买的理由是什么，这个是信任资产，也是内容资产。 就像我也好，我的客户也好，产品都不是只有一个，而是有低中高不同价位的矩阵。如果买点找准了，买家买了低价产品体验很好，他自然会问你你最贵的是什么。这句话问出来是买点找对之后的必然结果。所以第二步的核心只有一件事：用买家的语言思考，而不是用你自己的语言思考。 你账号里说的每一句话都应该是买家内心的独白，而不是你对自己产品的解说。 第三步：做镜子而不是做自己 第三步是非常乏味、非常枯燥，甚至很打消人积极性的一步。但我接触了大量的客户之后，可以跟大家说一个很残酷的现实：当我去问一个账号没有转化的老板，你的内容在传递什么的时候，他往往能滔滔不绝：“我在讲我的行业认知，我在分享我的方法论，我在告诉大家我做了多少年，我有多专业。” 但当我问他那观众最需要你的是什么的时候，他就说不上来了。 而当我看那些真正实现高质量获客的账号，我发现他们在做的事只有一件：把自己变成一面镜子，照出观众的欲望，而不是输出自己的观点。 赚钱的老板在做观众，而不赚钱的老板在做自己。 为什么很多人做不到这一点？因为他们压根没有测试过观众的欲望，发什么内容是按照自己认知和喜好决定的，不是按照观众的真实反应来的。那应该要怎么测试呢？只能用真实的内容去碰，就像我最开始摸索的时候，我不知道我的目标客户对应哪类内容的反应最真实，最有行动力，所以我只能发布各种不同方向的内容，然后观察哪一类内容带来的评论是那种看完就有感触想要深聊的，哪一类内容带来的私信是那种进来就直接说我有这个问题想找你的。等你测试的足够多之后才会知道，在观众的所有欲望当中，哪一种是最急切的，最痛的，把那个欲望死磕，反复讲透，账号才真正开始有获客能力。 那些看完视频就能直接来找你的人，就是我经常讲的天使客户，付钱爽快，好服务，因为你说的恰好就是他最想解决的事儿。这个测试的过程是每一个想靠账号真正获客的老板都绕不开的，它很熬人，前期要不断试错，时间精力都是消耗，但不断测试才是做账号的真实路径。没有一劳永逸的爆款模板，也没有傻瓜式的写号公式。相信这些的也不是我们真正想服务的客户。 所以在这里我也要说清楚，如果你今天想找一个人把账号的事全部交出去，自己完全不参与，坐等结果，那我们不适配。一个 IP 如果缺了创始人自己的深度参与，是一定做不起来的。 第四步：做选择 当你对观众的欲望有了充分的了解之后呢，就要做第四步做选择。 很多人一开始做账号是什么客户都想要，什么钱都想接。这没有错，测试阶段本来就需要大量的样本，但在后期样本足够之后，必须要做切割，不能什么客户都服务，不然你永远卡在最基础最消耗的那一层出不来。你一直在教小学语文，那你什么时候能达到大学教授的收入呢？你能服务的客户层次就直接决定了你自己能走到哪里。 所以那些层次很基础的客户应该随着你自身能力的提升一点一点释放掉。每个老师都有最适合自己的学生，也没有人能同时服务好所有人。很多时候看起来很忙，客户很多的状态，本质上也是一种错觉。当你翻开账单的时候，收入是平的，没有再涨。我就可以直接告诉你为什么，因为你真正想要的那批客户认为你不够专业。 就像我现在的客户，大多是有成熟业务的老板。如果我今天开始在账号里教大家账号的基础操作，怎么快速的发第一条作品，我的客户就不会觉得我专业，只会觉得我和其他做内容培训的没有区别。那他们为什么要选我？就包括我之前说那句话，没有傻瓜式起号法，IP能不能做起来，靠的是创始人自己的深度参与。当我说出这句话的时候，那些想找人全权代劳，不想自己投入的客户，就自动和我不在一个频道了。他们可能觉得我在设门槛，觉得我太麻烦，但没关系，我们本来就不是彼此的受众。 所谓做选择，本质上就是你在公开平台发的所有的内容只服务于找到精准客户这一件事，不跟任何不是你客户的人对话。当你做到这一点，能看完你的视频，听进去的，并且主动来找你的，就都是你真正想要的人。 第五步：完整呈现逻辑 做完前四步就来到了第五步，也就是我在开头说的，到底要如何做一条高转化率的视频。 答案就是你足够了解你的产品，也足够了解你的客户，然后在视频里完整的讲你的逻辑，包括你的服务是什么，你为什么做这件事，你在为谁服务，你能帮他做到什么。 就像今天大家看了我这套视频，是不是就更加清楚我的服务是什么，我的客户是谁，以及如果你是我的客户，我会为你做什么： 比如我在第一步讲到账号是工具不是目的，那如果你还不清楚自己的账号到底能服务什么价值，你就会知道这件事可以来找我。 再比如如果你找到了买点，但不知道怎么把它转化成短视频语言，那也可以来找我。 再包括如果你测试了很久，始终找不到那个最急切的欲望点，不知道该往哪里死磕，那你是不是也会来找我？ 因为这些我全部走过，也带大量的客户走过，我是通过对自己服务逻辑的完整呈现，来让你看清楚我在做什么，我服务谁，以及我能做到什么。 那为什么你听到这里会觉得明明我是在介绍服务，却没有很强的营销感？因为你在这条视频里拿到了真实可用的东西。长视频是天赋型卖货场，它够长，所以我在讲产品的同时，也把真正有价值的方法给了你。当你看到这里，你可能会想，我是不是可以直接把这些方法用在自己的账号上？所以你不会觉得这条视频只是在让你听广告，你会觉得自己也有所收获，顺带也搞清楚了我能为你做什么。 我刚刚说的这五个步骤，就是我在真正给客户做账号咨询诊断的时候走的步骤，这是我收费最低的产品，两千块钱，档期目前一直排不过来。这么多人认可，是因为我带来了真实的价值。所以你并不会觉得你看完我这条视频完全是浪费时间，完全是听我在给自己打广告，你会觉得你也可以直接偷师学艺。而这就达成了我的目标，既有人在公开平台为我鼓掌，又有人私下找我直接付费，不管是前端的流量还是后端的转化，我都顾及到了。

转译：西方忘了怎么造东西，现在也快忘了怎么写代码 作者：Denis Stetskov 2023 年，在巴黎航展上，雷神公司的总裁站在台上，讲起他们为了重启“毒刺”导弹（Stinger）生产线，到底费了多大劲。 他们把一批 70 多岁的老工程师请了回来，让这些老人教年轻员工怎么造一枚导弹。图纸还是卡特总统时代画在纸上的老图纸。测试设备已经在仓库里躺了很多年。导弹的鼻锥还得靠手工安装，方法和 40 年前一模一样。 五角大楼已经 20 年没买过新的“毒刺”了。然后，俄罗斯入侵乌克兰，局势一下变了：所有人突然都需要这种导弹。 可生产线早就关了。电子元件已经过时。导引头组件也停产了。2022 年 5 月下的订单，要到 2026 年才能交付。 整整 4 年。 不是因为没钱，而是因为真正知道怎么造它的人，十年前就退休了，而且没人接上。 我在乌克兰带工程团队。我的团队见到的是这个问题的另一面。不是工厂车间，而是战场上接收武器的那一端。 当雷神还在努力根据 40 年前的蓝图重启生产时，美国已经在向乌克兰运送成千上万枚“毒刺”。RTX 首席执行官 Greg Hayes 说，10 个月的战争，消耗掉了相当于 13 年产量的“毒刺”。 这种模式，我太熟悉了。它现在正在我的行业里重演。 一百万发炮弹，没人造得出来 2023 年 3 月，欧盟承诺在 12 个月内向乌克兰提供 100 万发炮弹。 当时，欧洲一整年的炮弹产能只有 23 万发。而乌克兰每天就要消耗 5000 到 7000 发。 任何人拿个计算器算一下，都知道这事根本不可能。 到了最后期限，欧洲只交付了大约一半。马克龙后来称，最初那个承诺太鲁莽。由 9 个国家、11 家媒体联合发起的一项调查发现，欧洲真实的生产能力大概只有欧盟官方说法的三分之一。 那 100 万发炮弹的目标，直到 2024 年 12 月才真正完成，比原计划晚了 9 个月。 问题不是某一个环节卡住了。是每一个环节都卡住了。 法国在 2007 年就停止了国内发射药生产，整整 17 年没有继续做。欧洲唯一一家主要 TNT 生产商在波兰。德国自己的弹药储备只够用两天。丹麦一家 Nammo 工厂在 2020 年关闭，后来不得不从零开始重启。 整个欧洲国防工业，长期以来都被优化成一种模式：生产少量、昂贵、定制化的产品。没人为大规模生产做准备。也没人为危机做准备。 美国也好不到哪里去。 155 毫米炮弹壳主要靠宾夕法尼亚州斯克兰顿的一家工厂；爆炸物填装则依赖爱荷华州的一处设施；美国从 1986 年起就没有本土 TNT 生产了。 后来砸进去几十亿美元，产量依然没达到目标的一半。 要么合并，要么死 这不是偶然。 1993 年，五角大楼告诉国防企业的 CEO 们：要么合并，要么死。 于是，51 家主要国防承包商最终缩成了 5 家。战术导弹供应商从 13 家变成 3 家。造船厂从 8 家变成 2 家。国防工业劳动力从 320 万人降到 110 万人，砍掉了 65%。 弹药供应链到处都是单点故障（single point of failure，指一个环节出问题就会拖垮整个系统）。 155 毫米炮弹壳只有一家制造商，位于加州科切拉，而那里就在圣安德烈亚斯断层上。发射药装药也只有加拿大的一处设施能做。 整个系统被优化到成本最低，却几乎没有任何应急余量。 纸面上看，很高效。 现实里，只差一个坏日子，就会崩。 知识一旦死去，就很难复活 再看 Fogbank。 Fogbank 是一种用于核弹头的机密材料。它在 1975 年到 1989 年间生产，后来生产设施被关闭。 多年后，美国政府为了一个核弹头寿命延长项目，需要重新制造 Fogbank。结果他们发现，自己已经不会做了。 美国政府问责局（GAO）的一份报告指出，几乎所有掌握生产经验的人，要么退休了，要么去世了，要么离开了相关机构。留下来的记录也很少。 经历了 6900 万美元的成本超支，以及数年的失败尝试后，他们终于做出了可用的 Fogbank。 然后，又发现新批次太“纯”了。 原来的生产工艺里，曾经有一种无意中产生的杂质，而这种杂质对材料功能至关重要。可没人知道这件事。 负责复现的工程师不知道。几十年前做出原始材料的工人也不知道。 洛斯阿拉莫斯把它称为原始工艺中的“无意识依赖”（unknowing dependency）：这个环节很关键，但当年没人意识到它关键。 一个核武器项目，竟然失去了制造自己发明出来的材料的能力。 更可怕的是，知识并不只是随着人离开而流失。它从一开始就没有被任何人真正完整理解过。 (更正：原文最初版本曾写道，当年制造 Fogbank 的工人知道这种杂质的存在。事实并非如此。他们也不知道。这个依赖关系是无意形成的，这反而让“知识流失”的论点更强，而不是更弱。感谢评论区的 John F. 指出这一点。) 同一套剧本 我读到 Fogbank 的故事时，立刻认出了这个模式。 我说的不是核材料本身，而是那个熟悉的剧本： 花几十年建立起一种能力。 找到一个更便宜的替代方案。 让人才梯队慢慢萎缩。 享受节省下来的成本。 然后，当危机突然要求你拿回那种能力时，看着一切崩塌。 在国防工业里，那个替代方案叫“和平红利”（peace dividend，指冷战结束后减少军费、把资源转向民用经济的收益）。 在软件行业里，它叫 AI。 我之前写过“人才管道崩塌”的问题。招聘数据、初级工程师到资深工程师之间的断层，都已经有很多证据。还有“理解力危机”：人们会让 AI 写代码，却越来越不理解代码本身。 但我之前一直没有找到一个足够贴切的历史类比。 现在我找到了。 而这个类比告诉我们的东西，是招聘数据看不出来的：重建一种能力，到底需要多久。 重建能力永远需要很多年 国防工业里，每一次大规模恢复产能，哪怕是相对简单的系统，也要 3 到 5 年。复杂系统则要 5 到 10 年。 “毒刺”：从下单到交付，至少 30 个月。 “标枪”（Javelin）：花了 4 年半，产量还没翻倍。 155 毫米炮弹：投入 50 亿美元，4 年过去仍没达到目标。 法国直到 2024 年才重启发射药生产，而距离它关闭国内生产线，已经过去了 17 年。 钱从来不是最大的限制。 知识才是。 兰德公司（RAND）发现，潜艇设计中有 10% 的技术技能，需要 10 年在岗经验才能培养出来，有时还得建立在博士学位之后。国防工业里的技术工种，学徒期通常要 2 到 4 年；要达到能当主管的水平，则需要 5 到 8 年。 现在，把这套时间线放到软件行业里。 一个初级开发者，需要 3 到 5 年，才能成长为合格的中级工程师。 需要 5 到 8 年，才能成为资深工程师。 需要 10 年甚至更久，才能成为首席工程师或架构师。 这条时间线，不能靠砸钱压缩。 也不能靠 AI 压缩。 METR 做过一项随机对照试验（randomized controlled trial，医学和社会科学中常用的一种严谨实验方法）：经验丰富的开发者使用 AI 编程工具后，在真实开源任务上反而慢了 19%。 开始前，他们预测 AI 会让自己快 24%。结果现实和预期之间，相差了 43 个百分点。 研究人员后来想做后续实验时，相当一部分开发者拒绝参加——如果实验要求他们在没有 AI 的情况下工作，他们就不愿意。他们已经无法想象回到不用 AI 的状态。 账单总会来的 软件行业现在正进入同一种“优化”的第三年。 Salesforce 说，2025 年不会再招聘更多软件工程师。LeadDev 的一项调查发现，54% 的工程负责人认为，从长期看，AI 编程助手会减少初级工程师招聘。计算研究协会（CRA）对大学计算机院系的调查显示，62% 的院系报告今年入学人数下降。 我在代码审查里已经看到了这个问题。 现在，审查才是瓶颈。 AI 生成代码很快。 人类审查代码很慢。 于是行业的答案也很可预测：让 AI 去审查 AI 写的代码。 我不会这么做。 我改造了我们的拉取请求模板（pull request template，开发者提交代码变更时填写的说明模板）。现在，每个 PR 都必须说明：改了什么，为什么改，这属于哪类变更，以及修改前后的截图。 也就是说，我们要给审查者提供结构化上下文，不能让审查者靠猜。 我还在每个项目里安排专门的审查人员。更多双眼睛，就有更多机会发现模型漏掉的问题。 但这些仍然解决不了更深层的麻烦。 现在真正需要的能力已经变了。 光有技术能力不够。你还需要能主动负责、能清楚沟通取舍、能反驳机器给出的糟糕建议——哪怕那台机器说话听起来无比自信。 这些其实是领导力。 我们上一轮招聘就能说明这种人有多稀缺：2253 名候选人，2069 人被淘汰，最终录用 4 人。转化率只有 0.18%。 既有技术能力，又有判断力、能看出 AI 什么时候错了的人，在市场上几乎已经不存在了。 我们会记录一切。 Site Books、SDD、RVS 报告、带完整测试覆盖的样板模块……这些今天都有用，因为读这些文档的人，本身具备足够的工程能力，知道该怎么行动。 可如果以后读文档的人不具备这种能力，会怎样？ 坦白说，我不知道。 也许 5 年后的 AI 足够强，这些问题就不重要了。也许问题仍然可控。我没法预测 2031 年模型会强到什么程度。 但危机不会提前给你发日历邀请。 没人预料到 2022 年欧洲会爆发全面陆地战争。国防工业有 30 年时间做准备，但它没有。 就连 Fogbank 当年也有记录。只是记录不够。更糟的是，原来的工人甚至没有完全理解自己的工艺。 5 到 10 年后，我们会需要资深工程师。 我们会需要那种真正理解系统全貌的人；需要能在凌晨两点调试分布式故障的人；需要携带着那些代码库里根本不存在的组织知识的人。 可这些工程师现在还不存在，因为我们没有在培养他们。 本该现在学习成长的初级工程师，要么根本没有被雇用，要么正在形成一项由美国国防部资助的劳动力研究称为“AI 中介能力”（AI-mediated competence）的东西。 他们会提示 AI。 但他们说不出 AI 错在哪里。 这就是代码行业的 Fogbank。 当初级工程师跳过调试，跳过那些塑造能力的犯错过程，他们就无法建立隐性知识（tacit expertise，指难以写成文档、只能通过实践积累的经验性能力）。 等我这一代工程师退休时，这些知识不会转移给 AI。 它只会消失。 西方已经犯过一次这样的错误。账单在乌克兰到期了。 我知道这听起来像什么。我也知道，我之前已经写过人才管道的问题。 但国防工业这个例子，不是为了重复同一个论点。它是为了展示：如果行业现在对 AI 的期待落空，会发生什么。 “毒刺”、“标枪”、Fogbank、那一百万发没人造得出来的炮弹——这就是把赌注押在“优化”上，结果赌错之后要付出的代价。 而我们现在，正在软件工程上押下同样的赌注。 也许 AI 会变得足够强，这场赌局最后会赢。 也许不会。 当年的国防工业，也以为和平会永远持续下去。 来源：