与「AI人外大集合5th」相关的搜索结果

【5Kフォロワー&企画開催】 #AI人外大集合5th# おはようございます 遂に5Kフォロワー達成、1万への折り返し地点ですね 皆様のおかげです、本当にありがとうございます そしてこれからも、どうぞよろしくお願いします 引き続き企画のお知らせです ルール #AI人外大集合5th# 　のタグをつけてください ・人外設定なら何でもあり ・外見の人外度合い、性別一切不問 ・オリジナル主体の企画ですが、今回は二次創作もありでいきます 期間:今から5月6日(水曜日)まで (7日朝までロスタイム) 皆様の投稿お待ちしております 補足 ・当アカウントのキャラクター再現もOK ・吸血鬼等の人間と見た目が大差なくてもOK ・いつものウチの子に動物耳とかでもOK ・モンスター系もOK ・1-2枚/日ぐらいで ・センシティブな投稿はいいねのみでお願いします ・基本いいね＋リポスト ・リプライは出来るだけ頑張る ・人数によっては規制回避でゆっくり反応します #AIイラスト# ……最近の流れからして、踊り子衣装じゃないのかって？ いや作ったけど、お祝いポストが検索除外食らったら洒落にならないので正気に戻りました

Seedance 2.0 这几天是真的火，X 上到处都是它生成的视频，又一次让海外 AI 圈羡慕国内 AI 圈。 影视飓风的 Tim 昨晚发了测试视频，对技术本身评价很高：分镜设计、运镜、音画匹配都是质的飞跃。 那条视频我也看了，其中他提到一个问题：上传自己照片做参考图时，生成视频的声音和他本人很像，而他从未提供过任何声音样本。 这倒不奇怪，影视飓风在全网有大量高清视频，肯定已经被用作训练数据。 之前谷歌 Veo 3 推出时，人们发现生成的视频也很像一些知名创作者的作品；OpenAI 最早推出 Sora 时，外媒也测试到它能高度模仿经典电影片段。用公开数据训练是国内外大模型的共同做法，Tim 作为明星级公众人物，素材进入公开数据集并不意外。 这种担忧挺合理的，但这趋势我们挡不住，现在已经没有人能阻挡 AI 的加速了。 最早音色克隆技术出来的时候，大厂掌握了技术但不敢放开，反倒是小团队先做出来发布了，慢慢大家也就跟进接受了。 这几天大火的 ClawdBot/OpenClaw 也是同样的路径，各种隐私安全问题被讨论，但因为是个人小团队项目，大家宽容度明显更高，等大厂后续下场反而更容易被接受。 这种事大厂反而能让人放心一点，大厂有能力也有动力去做合规限制，小作坊下料才是真的猛。 事实上即梦已经限制了真人人脸生成视频，大厂在技术狂奔时还是会守住一些底线。 结果倒是很多人在那哀叹，限制了真人人脸生成视频，少了一些可以测试的例子，很多视频都成了绝版。 与其焦虑不如多想想怎么在技术创新与数据合规之间找到平衡。 像 Sora 2 的分身（Chapter）功能就是一个不错的尝试方向，让你既能享受技术带来的乐趣，又减少一些隐私上的担忧。比如我给孩子制作了分身，我只会给家人分享，不会让别人用。 好消息是，人们对 AI 生成的音频视频正在建立起更多辨别力和免疫力，这本身也是一种自然的适应过程。我也经常跟家人朋友科普让他们小心 AI 视频。 我自己有个小技巧是先看视频时长是不是 10 秒 15 秒这种整数，不过这招已经快像看 AI 图片人物有没有六根手指一样不灵了。 你们都用什么技巧分辨 AI 生成的图片或者视频呢？

极客公园做了一次相当完整的测试，把主流大模型全都牵了出来去做高考全科试卷，用的还是新课标I卷，这比简单写篇命题作文的参考性要高得多。   先说结果吧，大模型做文科题几乎就是在打表演赛。这应该不意外，「政史地」的拿分点主要在于信息储备，正是AI比较擅长的地方。   以河南省的本科录取线为标准，总共有4个大模型冲进了文科1本线。一句话，靠记忆驱动的科目，大模型战无不胜。这方面，国产大模型几乎达到GPT水准。   但转头去看「理化生」，就成了车祸现场。没有一家能够摸到511的1本线，一半以上的大模型连400分都考不到，不知道该不该安排明年回去复读。不过在理科测试的集体摆烂里，还是能看到一些好消息的。   从竞争角度看，以前外界普遍认为GPT不可战胜。原因无非是从先发优势、算力、芯片角度展开，现在来看，GPT没有出现断层式的领先，第一梯队的国产大模型都是有一战之力的，以后的追赶速度应该不会太慢。   而且，中、外大模型的「长板」很接近，「短板」也大差不差。很多科目里，国产大模型的表现超过了GPT-4o。其中还有起步相对较晚的字节豆包，语文分数比GPT-4o还高，历史和化学两科更是拿到「全校」第一。可见硬件之外，高质量的微调和监督学习或许也是一种行之有效的加速度。   一次小试牛刀当然不值得沾沾自喜了，但还是让我们看到了弯道超车的可能性。   我更希望这场测试可以把大模型造神运动拉回正轨。与其去指望大模型全知全能，不如让它成为一项实打实的新质生产力。让祖冲之这样的天才，不需要去消耗大量心血人肉计算「圆周率」，而把才华投向更有价值的议题。毕竟人类强大的推理能力放着不用，完全是一种资源浪费。   很有意思的是，因为很多题目涉及到读图，而各家大模型的识图准确度又参差不齐，所以经常会在没搞明白问题的情况下「连蒙带猜」，这反而对大模型的逻辑推理能力有了额外的考验。   前段时间看李飞飞说AI的技术瓶颈还是在于缺少感知力，比如饥饿是一种怎样的感受，失去生命又如何会让人恐惧，为什么不能直视刺眼的阳光，等等，AI或许可以解释，但它实际上并不理解。   把大模型们当成做题家赶进考场，场面固然稍微细想就很喜感，它们也不可能身临其境的复刻考生们真实背负的那些紧张或兴奋，但这一步的跨越已经足够惊人，甚至可以说是栩栩如生，让机器来考进1本、2本线，这在以前是根本想不到的事情。   我也很建议极客公园立下一年之约，明年今日再来考一次，看看到时候会不会有大模型可以考进清北，如果有，又会是哪一家或者哪几家？   你们也可以预测一下，明年我来翻牌子。

我发现我的粉丝群体大多都比我牛逼 05年白手起家交易员皕五，资产三千万了吧 01年万单联盟创始人桔梗，也是A8了目前 05年大学生嗯哼，这个不用介绍了太火了哈哈哈 组一个年轻创业者圈子越发重要了 跟这群人在一起能量会超级足 一周前在深圳线下会议遇到的年轻创业者 营收百万的大有人在了，全部清一色的00后 03年04年05年的都有，甚至09年的都有 （当然09年是高考完来学习做事的，并没有创业） 还是举几个例子吧，免得说我在吹牛逼 直接说他们在做啥有什么结果，方便快捷 当然他们大多没有做推特，所以粉丝很少 05年白手起家A8交易员皕五@chen_xiao95600，资产上次问是三千五百万？现在应该又增长了，ok活动起家的 01年本地生活外卖CPS从业者桔梗@jiegengup 万单联盟负责人 擅长外卖行业到1孵化，目前也是A8 00年跨境电商业务年入百万的大浪@Bigwave521，AI 自媒体年商业变现 50w+，刚在推特起号 05在校大学生，销售界的天才小欣@xiaoxin050127，跨境减重赛道百万营收，目前在出海创业 05在校大学生，全推特最会玩营销打广告打的最好的嗯哼@EnHeng456，营销学嗯哼绝对没问题，吾辈楷模 04年创业者殷公子@A8gongzi在 Web3 赚到第一个 100 万，目前在探索AI。持续分享价值投资、AI 商业化和创业实战 01年三建理论创始人方外@yijiangren美股交易和web3赛道顶流博主，三建理论认准方外哥！ 05年AI创业顶流博主温总@gkxspace，目前在AI创业，线下也是非常好的朋友，温总的实力超级强 00年出海创业者小伟@_HIT_SZ_目前长期分享AI工具、硬件落地、海外公司搭建与成本优化等实操经验 04年AI创业者牛肉粉老师@beefnoode，主要在AI中转，企业AI转型业务发力，且做出结果了，同时跟我线下关系真的特别好，我们经常一起交流 03年AI创业者天策@Leobai825卖Token和创业社群及GPT代充月营收破百万，创业半年，持续创业中ing 当然这些只是00后年轻创业者，更多更有实力的大哥还没来得及介绍，有机会了给大家介绍认识一下！ 欢迎各位年轻创业者来推特做内容起号 如果你也是年轻创业者，欢迎来链接我帮你起号 把更多更有意义的事情带到推特中文社区！

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：

AI 预测世界杯，最容易骗人的不是 AI，是人自己想要一个答案。 这几天刷到好几个 AI 预测世界杯的平台。球队实力、历史战绩、阵容身价、伤病、赔率、近期状态，全都喂进去。模型跑一遍给你一个胜率，再顺手猜个比分，看起来很像那么回事。 但越看越觉得，这东西真正暴露的，不是 AI 有多会预测，而是人对“预测”的误解有多深。 很多人嘴上说想看分析，其实心里要的是结论。最好平台直接告诉你：今晚谁赢、几比几、会不会爆冷。 问题是，足球不是数学题，它是一堆变量在90分钟里互相打架。联赛还好，样本够长，强队踢差几场后面还有时间修正。世界杯不一样。三场小组赛就能改命。一张红牌、一个点球、一次门将脱手、一个定位球漏人，前面所有分析可能直接重写。 所以 AI 预测世界杯，最尴尬的地方不是它会错，而是它经常错得像个意外。 赛前资料它能整理得很漂亮，双方历史、战术风格、阵容变化、赔率走势也都能摊出来。这些东西当然有价值。但比赛里真正杀人的，往往不是最显眼的变量。 强队纸面再强，首战也可能只想稳，不想冒险；弱队牌面再差，也能把比赛拖慢、拖碎，拖进泥地里；有些球队控球率 70%，看着很压制，其实全在禁区外倒脚，像拿着刀在门口比划，就是不进去；有些比赛模型赛前给出的胜率看起来合理，开场十几分钟你就发现节奏不对、腿也不对，场面和赛前报告完全不是一回事。 这就是世界杯最麻烦的地方。很多变量不是不存在，而是赛前很难被压成一个干净的数字。 AI 当然有用，但它有用的地方，不是替你下结论，而是把信息找齐、把变量摆出来、把几种可能的比赛剧本先摊开。这比大多数人手动查资料快，也更完整。 如果一个平台只给你胜率、比分和推荐方向，却不告诉你这个判断最怕什么，那其实没太大意义。这不是预测，这是把不确定性包装成确定性。 以前是章鱼选盒子，现在是模型吐概率。外壳高级了，人想偷懒的心却没怎么变。 所以我现在不太想看它命中了几场。命中率太好包装了，样本一短怎么讲都能讲圆。我更想看它错在哪里。 错在红牌、点球、门将脱手，这种可以接受，足球本来就有这种飞来横刀。但如果它错在一开始就没看见关键变量，比如高估强队进攻效率、低估弱队拖节奏的能力，或者完全没意识到这场比赛一方只想拿 1 分，那才是真问题。 看一个预测平台有没有东西，不是看它对的时候多神，而是看它错的时候，能不能把伤口剖开。它为什么看好这边？核心变量是哪几个？哪个变量一变，整个判断就废了？赛后被打脸，是被意外打脸，还是被自己的盲区打脸？ 这些东西，比晒命中率有用多了。 预测错不可怕。世界杯本来就是专门打脸各种确定性的地方。真正可怕的是，错完以后还不知道自己错在哪里。 所以后面再看 AI 世界杯预测，我不会太关心它喊谁赢。我会先看它有没有讲清楚风险点。只给结论的，适合看热闹。能把变量、推理和失效条件摊开的，才值得多看两眼。 预测不是神谕，它是一个带保质期的假设。AI 能把变量摆上桌，但90分钟一开踢，比赛随时可能把桌子掀了。 #世界杯2026# #AI预测# #WorldCup2026#

想和大伙聊聊，在 AI 时代我是如何深入学习一个技术领域的。 之前没有 AI 之前更多是看书、翻这个领域有名的国内外人的所有博客，然后摘抄记录到笔记本，这种速度挺慢，但是很有学习的乐趣，比如当时学习 WebGL 就是这种感觉，可能学懂一个东西差不多要半年空闲时间，慢但快乐。 现在有了 AI 之后，其实我很讨厌网上那种3分钟教你看完百年孤独，也讨厌一切短剧和倍速看电视剧的方式，更多还是挑好的看，吃好一点。 不过最近写你不知道的 Claude Code 和 Agent 系列，除了自己懂的部分外，其实还有大量不太清楚的领域，好在之前收藏了不少文章，刚好借助这一块清库存，全部搞懂输出出去，一直认为，很多时候，不在于看了多少东西，听了多少东西，输入了多少东西，其实用处不大，更加看重你输出了多少东西，这个才是你自己的。 然后我上上周启动了一个深坑挑战自己，研究大模型的训练流程，确保非专业的人也听得懂，探索了2周，刚好这个经验可以分享给大伙，当然成文也差不多好了，最近会发出。 我会把这个学习过程当做写代码一样的组织，第一步收集高质量的资料，比如与之相关的近几年的精品论文，各大模型厂商发布的关键模型的博客，X上模型负责人发表的一些文章，以及斯坦福等高校的近两年关于这一块的课程学习，还有经典的手搓一个大模型的代码仓库等等，这些都是我的一个资料来源过程，我会借助工具自动化全部下载、转md、清洗，梳理，弄好结构化分门别类到我这次研究的仓库。 然后对于自己看得懂的内容就全部看一遍，把不好的删掉，好的留下，对于看不懂的内容，直接借助 Claude 帮我的理解，更复杂一点的直接翻译成中文去阅读，对于代码本地可以跑的就跑起来，不能跑的那种就去看结构，总之会有一个大概的认识和知晓技术原理，这个阶段可以去掉原有一半可能没有用的内容。 到了这个阶段，其实你对这个领域有一个大概的认知了，就可以给这篇文章开始写一个大纲，以及大纲应该结合的来源内容，这里均可以用markdown很多表达，你要讲什么，或者说你想讲什么更想让读者知道，一定一定，文章是写给你给给看的人看的，需要知晓对方的认知水平，和汇报其实差不多。 然后接下来就是苦力活加之前内容的复习过程，和大学时候考试前复习很像，把每一章的内容填充完整，这样下来，你会得到一篇非常长而且有点啰嗦的文章。 这个时候AI就可以帮太忙，你可以让他帮你不改变你原有的内容意思你的语气的情况下，帮我去掉无用的啰嗦内容，以及连贯不到位的内容，或者是这一块缺少的内容，还需要补充什么知识的地方，借助AI继续去完善补充，这里又可以学到很多原来遗漏的东西。 最后整理好以后，可以继续自己读一遍，而非让AI读一遍，这里AI只是工具，千万不要把你的脑袋被AI代替了，这就没有啥意思来，自己读的过程中可以对文章继续修改调优，这里和写代码又非常像了，自测那种感觉，修复问题修问题，最后读了2遍以后，基本感觉完美了，然后就可以发出来给大伙看看。 有小伙伴肯定是担心自己写的东西没有人看，就不太喜欢发出来，或者说就不写了，其实只要你的内容有意义，自然就有读者，而非是你偷懒的理由。 花10min写完这个碎碎念，结束，欢迎交流你是如何学习一个新领域的，下面视频就是我后面要发的那篇你不知道的大模型训练文章的学习仓库，挺有意思，就录了一个视频给大伙看看我的工业化学习方式。

3个在校大学生，给大企业当“外包AI部门”，一个客户每月付1.5万美元。 James Larson、Brenden Parker、Carter Wirig：先免费给人做AI评估，找到能省工时的环节再谈收费。 几个月内拿下一个年营收3000万美元的建筑公司客户；官网自称已服务27个以上客户、识别出50万美元以上价值、每月省300多个小时。 持续合作1万美元/月起，客户是年营收1000万美元以上的中小企业。 但要说一句：1.5万美元是单个客户的月费，不是公司总月收入，总收入没公开。 先帮人免费找到一个能省钱的点，再谈收费，比先报价好谈得多。 你认识的中小企业主，有没有天天被重复活拖着的？

初代礦工 - 神魚，是我最敬佩的幣圈前輩之一。 不管是挖礦還是 DEFI 都顯示出他超前的認知。 這集 18 分鐘演講他分享了他使用 AI 的認知，我仔細看完後又用 AI 拉逐字稿分析，總結出以下核心認知，分享給大家： 1 同一份資訊，看到多少 insight ，取決於你有多少算力，用得對不對。 人腦算力和時間有限，只能抽出很少的 insight； 藉助 AI 能夠瞬間調用大量算力，同一份資訊就能看出更多東西。 了解這個底層邏輯，你就可以在各個領域超前創造額外價值。 2 三個世界稀缺的東西不一樣。 實體世界缺位置（房地產）， 網路世界缺注意力（流量）， AI 世界缺的可能是品味和判斷力（AI 無法取代的能力）。 3 花 Token 是在買時間。 讓 AI 把每本書壓成一頁簡報、把一個學科做成知識圖譜；讀不懂的書讓 AI 照他的背景和經歷改寫。 4 讀書要雙軌並行。 知識進得快但沒有真的進腦子。所以一邊讓 AI 抽結構，一邊自己反覆精讀。 他拿健身房來類比：體力勞動被機器取代後大家上健身房，腦力也需要類似的鍛鍊。 5 讓 AI 當鏡子認識自己。 他從玩龍蝦就開始讓 AI 寫人格設定檔，回頭整理自己的經歷給 AI 讀。 AI 回他一封信，他看完哭了很久。 之後每天花 10 到 20 分鐘讓 AI 找他前一天的工作盲區。 AI 讀完他的交易紀錄還問他：你是在做交易，還是在滿足心理需求。他想了兩天大徹大悟，承認是後者，決策品質從此好了很多。 6 人和 AI 協作像層層回路。 人負責講清楚要什麼、給足背景； AI 團隊去試、回饋、沉澱成方法。 兩個關鍵旋鈕： 每一步交給 AI 多大的任務（太大它會變笨，太小就像一直開會不做事）、多久回饋一次。 系統越自動，人越關鍵：目標偏一點，下面全部白費。 7 他自己的變化。 體感生產力增加約十倍，最關鍵的是性格變了，從不擅長抽象思考變成偏向抽象思考。 8 很強的個人放進傳統組織反而變差。 團隊產出被組織裡最窄的瓶頸卡住，個人再強也沒用，所以要變成以 AI 為本的公司，組織的做法得改。 9 他們公司怎麼做。 每個員工配一個 AI 同事，大量協作由 AI 之間溝通，不用開會拉齊。 他拋出靈魂拷問：如果 AI 之間都能即時協商，公司的邊界還存在嗎？ 10 人生只有三件事。 吃飯、睡覺，剩下就是用好算力。 對外看懂世界、對內看懂自己。 11 AI 給他的十年建議。 守住自己的資料和私鑰； 趁父母還在、孩子還願意牽你的手，去遠行； 每半年檢查一次自己的預測邏輯，自負是很貴的漏洞； 吃真正的食物、把可被攻擊的破口縮到最小。 每天問自己：用好 AI 之後，你的一天有沒有變得更充實更有生產力。

2026 年 9 月 29 日，OpenAI 在旧金山 Fort Mason 办了今年的开发者大会 DevDay。主讲是 CEO Sam Altman。其他几位上台的人都在做这些产品。产品团队的 Holly 演示了新产品 Dots。后训练（模型预训练之后做对齐和能力调优的阶段）研究负责人 Tejal 讲了模型怎么反过来帮 OpenAI 做研究。Codex 的演示由 Romain Huet 来做，他在 OpenAI 负责开发者体验，去年 DevDay 主题演讲里的 Codex 演示也是他做的。整场演讲分三块：面向用户的常驻智能体 Dots 和协作空间 ChatGPT Space，给开发者的新模型和新工具，以及帮开发者做分发、赚钱的渠道。 1. Dots：一直在线、会主动干活的智能体 Sam 把 Dots 比作电影里那种一直在身边帮忙的 AI 助手。他认为订餐厅、买机票这类代办虽然有用，但和这项技术能做的事比起来太小了。他想要的 AI 知道正在发生什么，也知道你在意什么，不用你事事交代。 Dots 是常驻在线的智能体（Agent），有自己的云端电脑和浏览器，能写代码、跑测试。它的权限跟着用户走，能直接用用户已经在 ChatGPT 里连好的插件，覆盖 4000 多个应用。除了在 ChatGPT 里对话，之后还可以给它发短信、打电话。目前每人先有一个 Dot，以后可以配一整组。Dots 跑在 本月早些时候发布的 GPT-6 Astra 上，Sam 称它是 OpenAI 对齐做得最好的模型。用户可以限定 Dot 能用哪些应用、能不能操作电脑，也能给它的各类操作写自定义指令，愿意交出多少责任就放多少权。 Sam 说，他自己的 Dot 每天早上会把夜里进来的消息过一遍，挑出紧急的提醒他。他说这让他拿回了一部分注意力，没那么离不开手机了。他还举了一个更重的例子：把应用从一个即将停用的旧 API 上迁走。这个 API 可能散落在代码库各处，改了哪里会连带弄坏什么，事先看不出来。Dot 可以追踪依赖关系，找出所有要改的地方，写代码、跑测试，最后把 PR（代码合并请求）交给团队审。他让听众想想，过去做这件事要几个人、花多久。 开场视频里，用户把自己的 Dot 改名叫 Alfred。Alfred 和另一个 Dot 帮用户上线网站，改董事会材料，在婚礼蛋糕商家取消后找好备选。它们还发现财务会和女儿的演出撞了期，提出改时间。每件事都是 Dot 推进到需要人确认的地方，再由人拍板。 2. ChatGPT Space：人和智能体一起用的工作区 Sam 认为，现有的生产力软件几乎都没考虑过人和 AI 一起干活。ChatGPT Space 以页面为单位，可以在里面写计划、做调研、生成图片和数据。页面和文件像网盘一样放在同一个空间里。Dot 能直接在页面上工作，在评论里 @ 它，它就会接活。页面本身也能带指令，比如“每天去看 API 平台的 Slack 频道，把发现更新到这里”。之后 Space 里还会加入演示文稿，格式做成智能体方便读写的样子，团队成员可以和各自的 Dot 一起改。 在 Holly 的演示里，页面用斜杠命令就能插入交互图表、表格和可运行的原型。她 @ 自己的 Dot（名叫 Dotty），让它把一组数据改成柱状图。图表可以按反馈类型筛选，Dotty 每小时刷新一次。她还让 Dotty 把“某位工程师在我 Slack 私信里提过的新手引导数据”补进 FAQ。Dotty 能看到她的上下文，所以这种模糊的指代也找得到。 3. OpenAI 内部怎么用 Dots Holly 用一个虚构的歌单应用 Blossom Music，模拟发布前一天的状况。早上 Dotty 已经做了几件事：发现发布评审会提前，改好了日历；看完前一晚测试用户的反馈；注意到设计团队临时改了首页，把新设计发给她。她让 Dotty 直接把这个设计做出来。Dotty 调用她笔记本上的 Codex 构建应用，在 iPhone 模拟器里跑起来，再提交 PR。现场的语音演示卡住了，Dotty 一直回复“还在查”。Codex 线程也报过一次错，她重试后才继续下去。 她说，Dots 真正改变 OpenAI 工作方式的地方在 Slack。Dots 在公司 Slack 里有自己的身份，员工就开始把它们当作代理人。被同事 @ 到的零碎请求，直接转给自己的 Dot 处理。建群时，大家从一开始就把各自的 Dot 拉进来，Dot 带回结果时所有人都能看到。 工程师走得更远。有人在反馈频道贴出会话 ID 和一个用户 bug，某位工程师的 Dot 就会接手排查，提 PR 修复。她说这是真实情况：工程师们的 Dots 每天这样修掉几十个 bug，Dots 这个产品本身有很多部分就是 Dots 写的。 4. 上线范围和企业用的 Specialist Dots Dots 和 Space 当天向 ChatGPT Pro、Business Premium 和 Enterprise 用户开放。Dot 包含在套餐里，和它的对话不占用额度。 企业客户还可以预览 Specialist Dots。这是由公司统一设置、供整个团队使用的虚拟同事，负责会计、市场、法务这类工作量大的事。公司给它目标和背景，审核它的产出，给它反馈，反馈在全公司共享。OpenAI 也在和微软合作，把 Specialist Dots 接入 Agent 365（微软用来管理企业智能体的工具），企业可以用已经在用的微软工具来管理它们。 5. 新模型：更便宜的 GPT-6.1 Sol，更快的 UltraFast Astra 发布这几周，用户的要求集中在两点：更便宜，更快。GPT-6.1 Sol（转录稿误作 Soul）的能力接近 Astra，价格是它的五分之一。缓存输入（重复发送、已被缓存的上下文）比标准输入便宜 95%。智能体需要反复读同一批上下文、长时间迭代，这对它们尤其省钱。Sam 说 Sol 在某些方面比 Astra 还聪明，定位是开发者的日常主力模型。 UltraFast 是新的速度档，API、ChatGPT 和 Codex 里都能用。原有的 Fast 档是两倍速度、两倍价格；UltraFast 是八倍速度、六倍价格，每秒 300 个 Token。它现在可以配合 Astra 用，之后也会支持 Sol。现场让两个模型用同一个提示词，做一个 DevDay 配色的火箭。UltraFast 的火箭已经升空时，标准速度的还没做完。 订阅也跟着调整。新推出的 500 美元档 Pro 订阅叫 Pro 500，额度最高，是 Plus 的 25 倍。它可以在 ChatGPT 和 Codex 里用 UltraFast，还能通过“用 ChatGPT 登录”在合作方的应用里使用。Pro 200 重新开放，继续提供所有前沿模型。 另外预览了 Decisions API。它给 Luna 模型一组预先定义好的选项，让模型从中选一个，比如给请求分流、给图片分类、决定智能体下一步做什么。任务收窄成选择题之后，响应时间可以压到一秒以内，同时保留图像理解、多语言和安全防护。Romain 后来补充说，做机器人的朋友看中的是它能处理视觉输入：机器人可以根据看到的东西，近乎实时地快速行动。 6. 模型开始帮 OpenAI 做研究 Sam 提到，去年这个时候，他和 Jakob 在一次直播里预测，一年内会出现第一个“AI 研究实习生”，当时几乎没人相信。几周前 OpenAI 宣布达成了这个目标：有了一个能接手定义清晰的研究任务的系统，这类任务原本要熟练的研究员花大量时间和精力。 Tejal 的方向是电脑操作（computer use，让模型像人一样操作桌面和浏览器）。她举了两个例子。 第一个是让模型优化电脑操作的运行框架（harness，包在模型外面、负责调用工具和管理步骤的代码）。模型在循环里持续寻找能同时降低延迟、提升效果的改动，团队把找到的改进合进生产环境的框架，并用于后训练。结果是延迟改善了两倍以上，已经上线。 第二个是模型帮忙改进了监控和拒绝训练，让 Astra 在不安全的场景里更会拒绝。Astra 在电脑操作压力测试上因此达到业内领先，操作时出错更少，也更贴合用户的本意。 她给出了几项内部数据。今年夏天之后，研究工作消耗的 Token 量急剧上升。1 月时，模型能做好 15 分钟以内的短任务，需要一天以上的任务大多会失败；到 7 月，超过三分之一的一天量级研究任务，模型能在无人干预下完成。她还提到，Astra 这类模型已经帮忙解决了 100 多个悬而未决几十年的数学问题，也在参与针对耐药感染的新抗生素、古代语言研究、可再生能源和工业机器人等方向的工作。 7. 给开发者的底层工具 Sam 说，OpenAI 想让开发者用上自己内部用的东西。 第一件是 Codex 的运行框架。它同时支撑着 Codex、ChatGPT Work 和 Dots，目标是用最少的 Token、最快拿到准确结果，现在已经开源。第二件是 Codex 完全上云：在手机上开始的任务，可以在浏览器或桌面端接着做，合上笔记本任务也不会中断。 云端能力带来了 Codex Security Cloud。它在云端环境里持续寻找漏洞，并准备好验证过的修复方案供人审核，这次新增了自动去重、定时扫描和新界面。Sam 说这是为了给防守方更好的工具，因为“我们看得到接下来会发生什么”。 新的 Agents API 进入公开测试。它包含运行框架、托管、记忆、多智能体控制等功能，是 Codex 和 Dots 用的同一套技术，也加入了电脑操作能力。现场的例子是一个网站测试智能体，会自己打开浏览器、点击页面、测试流程。基础设施方面，OpenAI 和 AWS 合作推出由 OpenAI 驱动的 Bedrock（AWS 的托管 AI 服务）托管智能体，AWS 客户可以直接使用 OpenAI 的前沿模型、Codex 和 ChatGPT Work。 隐私方面预览了 OpenAI Private Intelligence。其中的零数据留存（ZDR）配合私有安全处理，可以在不把用户内容存到 OpenAI 服务器的情况下做安全检测；私有推理则把隐私保护延伸到推理阶段。Sam 说这套方案是和最大的一批客户一起设计的，目的是让他们能把模型用在最敏感的工作上。 性能方面，Responses API 一年里增长了 100 倍，可靠性保持在 99% 以上。首个 Token 的等待时间缩短了 45%，工具调用和工作流提速 30% 以上。 8. Romain 的 Codex 演示 演示从手机上的 Codex 开始。Romain 人还在会场外，让 Codex 替他跟观众打招呼、讲一个会场的冷知识。接着他用几张会场照片生成的 3D 场景演示 UltraFast，一边说一边改：把小人放到座位上，把直播画面投到场景里的大屏幕上。现场语音没连上，他改成了打字。 Codex 命令行工具（CLI）这次全面翻新。他让 UltraFast 写一个应用，从观众里随机抽三个人送明年的门票，几秒就写完；改成抽六个人，也几乎是瞬间完成。命令行现在支持由 GPT Live 驱动的双向实时语音，不只是语音转文字，但现场没能演示出来。 后面几段演示了多模态和电脑操作。游戏 Astra Adventures 从一张纸上的草图开始，几轮之后画面还很粗糙，借助图像模型，才变成有质感、能用在正式游戏里的美术。然后他让 Astra 通过浏览器自己学着玩这个游戏，屏幕左边显示模型的决策，右边显示它按下的按键。 他又用“应用快照”（app shot）把自己记录飞行课程的应用作为上下文交给 Codex，让它在各种屏幕尺寸下审查这个应用并截图。Codex 自己在模拟器里点开了各项功能。云端 Codex 现在和本地版用同样的工具，包括插件和电脑操作。他顺手把一个“用 Rust 重写整个后端”的任务丢到云端，打算稍后在手机上查看。 最后一个演示用的是 Hugging Face 借来的可编程小机器人 Micro Duck，它名叫 Lavender。Romain 前一晚让 Codex 把它接好：视觉用 Astra，图像生成用 GPT Image 2.5，语音交互用 GPT Live 1。机器人现场看着观众画了一幅画。他说，OpenAI 做 Dots 和 Codex 用的，就是 API 里开放给开发者的同一批工具。 9. 分发和变现：让开发者在 ChatGPT 上做生意 ChatGPT 每周大约有 12 亿人使用。Sam 承认，此前类似的尝试效果参差不齐。他说这次有信心，是因为开发者拿到的是 OpenAI 自己做 ChatGPT 用的工具。 第一项是“用 ChatGPT 登录”（Sign in with ChatGPT）。用户登录第三方应用时，可以直接用自己 ChatGPT 套餐里包含的 Token，开发者不必替新用户垫付模型费用。首批有 16 家合作方。 第二项是插件扩展（plugin extensions）。开发者可以把编辑器、仪表盘乃至整个工作区，做成原生嵌在 ChatGPT 和 Codex 里的应用。现场展示了三个例子。一个是会议应用：在 ChatGPT 里看日历上的会议，点“记笔记”后，页面变成团队和 Dots 一起跟进待办的 Space。一个是 Figma：打开设计稿、看团队评论、让 ChatGPT 改稿。还有一个是 Adobe：在 ChatGPT 里使用 Photoshop 的功能。ChatGPT sites（在 ChatGPT 里生成的网站，几个月里已有数百万个）现在也能接入插件和数据。访客用自己的账号登录、带上自己的智能体，看到的内容因人而异。 用户发现插件的渠道也扩大了。除了在插件库里搜索，ChatGPT 还会在对话中识别出能帮上忙的插件，用户当场就能连接。插件审核流程也简化了：开发者可以跟踪审核进度，看到需要修改的地方，申请人工复审，更新工具时也不用从头提交。 第三项是 OpenAI Marketplace，首批有 30 多家合作方，包括 CodeRabbit、Notion、Vercel。企业客户可以用已经和 OpenAI 签下的采购承诺额度来买这些产品，有承诺额度的开发者也能在这里花。通过和模型推理托管公司 Baseten（转录稿写作 Base10）合作，市场里还能用到开源模型。 10. 收尾：一次额度重置，和“文艺复兴”的说法 当天的后续安排里，Peter 会讲 OpenAI 对开源社区的投入，包括新的 OpenClaw Enterprise Harness（OpenClaw 是一个开源 AI 智能体项目）。还有一个 Codex 游戏工作室环节，观众可以用 Codex 做复古游戏，每人能领一台 DevDay 限定的 chromatic computer，用来玩自己做的游戏。最后是 Sam、Tibo (Thibault) 和 Tejal 的现场问答。 Sam 和 Tibo 还在台上按下按钮，给全世界的用户重置了一次用量额度。Sam 说 OpenAI 已经做过太多次重置，Tibo 一直想把公司改名叫“重置公司”。 最后 Sam 说，他不喜欢把 AI 比作新一轮工业革命，那意味着人变成巨大机器里的齿轮，转得越来越快；生活里有些部分不能也不该被自动化。他希望，如果做对了，AI 带来的会更像一场新的文艺复兴：让人对自己的生活有更多掌控，有更多工具去创造、学习和探索。