与「AI修图神器」相关的搜索结果

这个软件用好久了，感兴趣的收藏，它能使图片放大或修复图片清晰度，修复效果很强很强，关键还是免费，超级好用，图片批量处理也行。 它是一款付费软件，但官网又可以免费下载使用，见图二 直达传送门： #AI修图神器# #upscayl#

一个人，一台电脑，月入400w。 他就是 Pieter Levels @levelsio 作为独立开发者，过去几年，他公开构建了上百个项目。 很多人可能听过他的神话，但大多数人对他的理解，还停留在「勤奋」或者「运气好」这种肤浅的层面。 我跟你说，Pieter 真正恐怖的地方，不是他一年能撸 12 个项目，是他彻底颠覆了工业时代以来，人类对「商业」这两个字的底层认知。 他像一个生活在赛博时代的幽灵，用最原始的工具，构建了一个属于他一个人的数字帝国。 其实吧，现在的创业圈，病得很重。 很多好学生都在玩一种叫「假装创业」的游戏。 我们习惯了用「资源的堆砌」来掩盖「思考的懒惰」。 用最贵的AI产品，租最贵的办公室，招最优秀的员工，拿最头部的风投，然后花半年时间开会、写 PPT、打磨那个可能根本没人要的产品。 这种模式在工业时代行得通，因为那是规模效应的时代。 但在 AI 时代，这种沉重的组织架构，就是自杀。 Pieter 的逻辑完全相反。 他有一句名言：If you're not embarrassed by the first version of your product, you've launched too late. （如果你不为产品的第一个版本感到羞耻，那你上线就太晚了。） 他的 Photo AI，刚上线的时候，后台其实根本没跑什么牛逼的算法。 他只是在 X 上发了一句：AI 替代 85% 摄影工作。 然后迅速撸了个极其简陋的网页，挂了个付费链接。 用户付了钱，上传照片，后台其实是他在手动给 AI 修图。 他用这种「手搓」的方式，在第一周就验证了一个极其残酷的事实： 用户真的愿意为了「AI 摄影」这件事掏钱。 这就是认知的降维打击。 他把产品当成一个生物体在演化，而不是一个工业品在制造。 工业品需要出厂即完美，而生物体只需要在环境中活下来。 大多数人死在追求完美的傲慢里，而 Pieter 活在快速验证的卑微里。 他不在乎产品美不美，他在乎的是，用户的钱袋子到底有没有动。 我有时候觉得，我们不是缺技术，也不是缺钱。 我们缺的是那种「敢于直面市场真实反馈」的勇气。 Pieter 用的技术栈，在程序员眼里简直是「垃圾」：PHP、jQuery、SQLite。 他用这些被主流圈子嫌弃的「老古董」，跑出了吊打无数独角兽的现金流。 因为他明白一个真理：用户买的是解决方案，不是你的代码优雅程度。 在这个 High Tech, Low Life 的时代，一个人就是一支军队。 Pieter 的生活状态极其分裂：在沙发上，穿着内裤，抱着一台破笔记本，写着被大厂鄙视的代码，却赚着大厂 CEO 都羡慕的钱。 这背后就是一种极端的数字主权。 在 AI 抹平了技术门槛的今天，真正稀缺的不再是代码能力，是你对真实世界的感应力。 他不属于任何公司，不依赖任何平台，他只属于他自己。 这种自由，是靠无数次失败换来的。 他那「12 个月做 12 个项目」的挑战，其实是一场关于「概率」的豪赌。 如果你一年试 12 个方向，只要撞对一个，你就成了。 而大多数人，这一辈子连一次真正的尝试都没做过，就在脑子里把自己否定了。 我想到了《赛博朋克 2077》里的那句话，世界正在变得越来越折叠。 一部分人在沉重的体制里慢慢腐烂，另一部分人像 Pieter 这样，在数字缝隙里疯狂生长。 别再憋大招了，朋友们。 去试错，去被拒绝，去用最简陋的工具，去撞那个最真实的需求。 这个时代，不再属于大象，而属于那些跑得足够快的跳蚤。

修图黑科技，#EvotoAI# 是一款专业付费版AI修图软件，具体效果见视频，它可以修脸，换天空，批量修图生产力工具。价格小贵，适合专业人士使用。感兴趣的可以下载一个试试，官网传送门：

#Photoshop# 创成式AI修图给普通小白非常容易上手的机会，如果你看过它的宣传视频，就知道我在说什么了。我知道很多人还在用破解版，穆尼再分享一个低成本购买正版的方法，切换到土耳其区购买，折合人民币只要180元/年。 购买地址： 购买后在Creative Cloud 安装即可。见评论⬇️

🚀 如何在 6 个月内成为全球前 1% 的 Vibe Coding 顶级高手？（附完整保姆级路线图） 说实话，很多人以为 Vibe Coding 就是下载个 AI 工具，输入一句模糊的需求，然后坐等奇迹发生。那不叫意念编程，那叫买彩票。用这种玩法，你只会陷入修 Bug 制造新 Bug 的死循环里。 真正的 Vibe Coding 是一套非常硬核的构建系统，核心就是四个字：先划后干。如果你想把脑子里的想法真正变成能上线的赚钱产品，不要再去看那些永远做不出成品的理论教程了。这份 6 个月的保姆级路线图直接拿走，全都是大白话，照着做就行。 1、第1个月打牢底层基础 新手最爱跳过基础，结果代码一报错就抓瞎。你不用精通编程，但必须懂行话。你要理解Web运行机制，搞懂前后端和API。必须掌握Git，这是你代码崩溃时的唯一救命稻草。最后锁死一套技术栈，推荐Next.js加Supabase加Vercel，别瞎折腾。 2、第2个月选对趁手兵器 零基础做快速原型直接用Lovable。有基础的开发者闭眼选Cursor，熟练掌握多智能体并行。硬核极客用Claude Code，让它接管你整个代码库。记住一个铁律，每个项目根目录必须建一个规则文件，提前给AI立好规矩。 3、第3个月掌握架构与提示词 千万别一上来就让AI写代码。必须先写产品需求文档，明确目标用户和成功标准。学会给AI投喂干净的结构化文档，它能少犯一大半的错。大项目必须用规格驱动开发，让规格文档去指挥AI，而不是靠你的脑洞临场发挥。 4、第4个月打造真实商业项目 别再写烂大街的天气预报App了，去解决垂直行业的真实痛点。建立防错循环：永远让AI先出计划，你批准后再让它写代码，写完丢给另一个大模型做安全审查。并且一定要让AI先写测试用例，这是防止代码崩塌的唯一解药。 5、第5个月进阶MCP与上下文魔法 真正的高手知道怎么给AI喂数据。必须玩转MCP协议，让你的AI直接连通外部世界。比如让AI直接读取Figma设计图写前端，或者直接操作数据库。同时学会控制Token预算，大任务用贵模型，小任务用便宜模型，及时压缩长对话防破产。 6、第6个月专业部署与变现 最后一步是把产品推向市场。前端扔给Vercel，后端接Supabase，挂上监控追踪报错。接下来选定你的搞钱路线：要么当独立黑客开发垂直SaaS卖订阅，要么拿着项目去大厂拿高薪，或者帮传统企业搭建自动化工作流赚咨询费。 最后再唠叨一句，大多数人看完只会点个收藏，但真正能拉开差距的人只做三件事：不看教程直接干，公开分享自己的构建过程，每个月必须硬憋出一个带真实网址的上线产品。行动决定上限，赶紧去挑个痛点开干吧。

财报前瞻：Arista Networks (ANET) 2026年第一季度财报 历史业绩表现与当前市场预期一致性 Arista Networks明天即将发布的2026年第一季度财务报告。 Arista在过去连续多个季度中展现了极强的业绩韧性，其盈利能力和收入增长始终保持在分析师预期的上限。根据历史数据，公司在过去八个季度中每一次都实现了盈利超预期，这种极高的胜率在波动性巨大的科技板块中属于罕见现象。 对于2026年第一季度，市场一致预期已经形成了一个相对较高的基准。目前分析师对每股收益的平均预期约为0.81美元至0.82美元，较2025年同期的0.65美元有显著增长。在收入端，市场普遍预期为26.2亿美元，这与公司管理层此前给出的约26亿美元的业绩指引高度契合。 值得注意的是，在过去90天内，共有24位分析师上调了对ANET的年度盈利预测，而下调者为零。这种单向的业绩修正反映了投资界对于人工智能（AI）基础设施需求持续高涨的集体共识。这种“业绩修正向上”的势头通常是财报超预期的前导指标。 财报核心驱动因素：超大规模云服务商（Cloud Titans）的资本支出 Arista的业务模式高度依赖于“云巨头”的投资节奏，主要包括Meta、微软、谷歌和甲骨文。这些客户在2025年贡献了公司约48%的收入，因此其资本支出（Capex）的任何变动都会直接传导至Arista的业绩中。 微软与Meta的资本狂飙 微软近期公布的信号显示，其2026日历年的资本支出预计将达到1900亿美元，远超此前预测的1520亿美元。微软CFO Amy Hood明确指出，为了满足AI需求，必须在数据中心建设上进行更多投入，且由于GPU和存储容量的限制，这种投入在2026年之前都将维持高压状态。 Meta作为Arista的另一个核心客户，将其2026年资本支出指引从之前的1150亿-1350亿美元上调至1250亿-1450亿美元。Meta的AI广告引擎和Llama系列大模型的持续迭代，要求其底层网络具备更强的并发处理能力和更低的延迟。Meta在财报中提到，其AI支出不仅用于模型训练，更开始转向更大规模的推理（Inference）集群，这为Arista的800G交换机提供了庞大的增量市场。 谷歌Virgo架构的溢出效应 谷歌在2026年第一季度的表现同样亮眼，其云业务收入达到200亿美元，同比猛增63%。谷歌的“Virgo”AI数据中心架构被分析师视为Arista的重要利好因素。Virgo架构强调网络的可扩展性和开放标准，这与Arista一直推崇的以太网（Ethernet）优先策略不谋而合。随着谷歌云订单积压量（Backlog）翻倍至4620亿美元，Arista作为关键网络设备供应商，其订单能见度（Visibility）已经延伸到了2027年。 技术周期迭代：以太网对InfiniBand的替代效应 AI基础设施领域正经历一场从私有协议（如英伟达的InfiniBand）向开放标准以太网转型的结构性变革。这一趋势是Arista股价长期溢价的核心逻辑。 开放以太网联盟（UEC）与ESUN规范 Arista作为超级以太网联盟（UEC）的创始成员，正在推动针对AI优化的以太网规范落地。由于AI集群规模已从数千个GPU扩展到数百万个XPU（通用加速器），传统的InfiniBand在成本、互操作性和可维护性方面面临巨大挑战。Arista的EOS（可扩展操作系统）配合RoCE（聚合以太网上的远程直接内存访问）技术，已经能够在大规模训练负载中提供与InfiniBand相当甚至更优的性能。 公司管理层最近将2026年AI网络收入目标从27.5亿美元上调至32.5亿美元，涨幅高达18%。这种激进的目标上调反映了以太网在超大规模AI后端网络中的渗透速度远超预期。戴尔奥（Dell'Oro）的数据确认，以太网在2025年已经实现了对InfiniBand的反超，占据了AI后端网络市场的主要份额。 800G统治力与1.6T路线图 Arista的7800R4系列平台已成为当前AI数据中心的主力军。到2026年第一季度，Arista已向超过100家累计客户交付了800G产品，其在高端交换机市场的占有率维持在90%以上。 此外，Arista在OFC 2026展会上发布的XPO（超高密度可插拔光学器件）协议，为即将到来的1.6T时代奠定了基础。XPO技术通过液冷设计解决了1.6T模块的散热瓶颈，将交换机机架占用空间减少了75%。这种技术前瞻性不仅确保了公司未来的ASP（平均售价）提升，更进一步加深了与微软等液冷先行者的绑定。 尽管Arista在数据中心交换领域占据先机，但竞争对手的动作不容忽视。 思科的追赶与Silicon One架构 思科（Cisco）近期表现强劲，其在2026财年Q2录得了创纪录的153亿美元收入。思科的AI基础设施订单在单个季度内达到了21亿美元，公司预计2026财年全年的AI订单将突破50亿美元。思科的Silicon One架构提供了高达102.4 Tbps的吞吐量，正试图通过“安全AI工厂”理念抢夺企业级和主权云市场。然而，思科在超大规模客户中的积累仍不及Arista深厚，且其复杂的OS版本管理依然是不少云巨头的痛点。 博通的供应商与竞争者双重身份 博通（Broadcom）在2026年Q1的AI相关收入达到8.4亿美元，同比增长106%。博通的Tomahawk 6交换芯片是Arista等厂商的核心组件，但博通也在通过提供全栈定制ASIC（如谷歌的TPU和Meta的MTIA）来直接锁定客户的网络预算。博通CEO Hock Tan表示，到2027年其AI芯片收入将超过1000亿美元，这种量级的增长意味着博通正成为AI基础设施领域的新重力中心。 英伟达Spectrum-X的捆绑威胁 英伟达（Nvidia）虽然在InfiniBand领域面临挑战，但其迅速推出的Spectrum-X以太网平台正展现出极强的进攻性。通过将GPU与网络设备捆绑销售，英伟达成功锁定了包括Meta在内的多个核心客户的后续订单。Wolfe Research的分析师指出，Arista面临的最大战略风险在于英伟达利用其在计算领域的垄断地位进行垂直整合。 Arista的估值目前处于历史高位，这不仅是对其卓越业绩的认可，也预示着财报后的股价表现将面临极高门槛。 综合利多与利空因素总结 利多因素（Bulls） 强劲的二阶需求导向：英伟达GPU的每一次发货，最终都会转化为对Arista交换机的需求。 现金流充裕：截至2025年底，公司持有107亿美元现金，且没有任何债务压力。 软件定义的防御性：EOS系统的稳定性使其客户粘性极高，即使在硬件价格竞争激烈的环境下，也能维持超过60%的毛利率。 利空因素（Bears） 市场预期过高：如果EPS beat的幅度小于过去平均水平，市场可能解读为增长放缓。 供应链成本风险：内存和光通信组件价格的上涨可能在下半年挤压毛利。 主权AI转向自研：部分主权云客户开始尝试自研网络架构，可能减少对商用交换机的依赖。 综合各项指标，Arista Networks在AI基础设施竞赛中依然处于“蓝海”地位。尽管英伟达在计算领域处于主导，但在连接数百万计算节点的网络层，Arista的软件沉淀和以太网工程能力目前尚无同量级的对手。对于超大规模客户而言，网络的稳定性（Lossless Performance）比单一硬件的原始速度更为重要，而这正是Arista EOS的核心竞争力。 短期内，微软和Meta的资本支出指引已经为Arista Q1的财报超预期打下了坚实的基础。考虑到历史业绩的极高连贯性以及当前分析师普遍的上修态度，财报大幅超预期几乎是大概率事件。然而，考虑到当前市盈率已处于近两年的高点，且部分利好已在过去一个月31.7%的涨幅中得到体现，财报后的涨幅将主要取决于管理层对2026年下半年甚至2027年1.6T产品的交付信心。 免责声明：本人持有文章中提及资产，观点充满偏见，非投资建议，dyor

早上读了Anthropic 在 2026 年 3 月发布的研究笔记 《Labor market impacts of AI: A new measure and early evidence》有点意思。 Anthropic是Claude的母公司，也是头部AI厂商了，手里有Claude的所有数据。这次的报告计算逻辑是通过Claude 流量里出现了足够多的、与工作相关的使用，理论上可行的任务才会被算作“covered”，所以数据应该比较准确。 这个报告重点聚焦在AI 到底有没有开始真正冲击就业这个点上，毕竟”AI焦虑“这个词已经全球范围内持续很久了，但到底落地了多少呢？ 文章提出了一个新的指标暴露度 (Observed Exposure)用来衡量AI在对真实职场的渗透情况，涵盖理论能力 + 真实使用数据 + 是否用于工作场景 + 是增强还是自动化，这对于量化AI对现实生活的冲击更有效，也在一定程度上可以让我们更好的判断AI技术革命走到哪里了。 研究发现在最容易受到 AI 影响的职业 中，从业者更可能是 年龄较大、女性、受教育程度更高、收入更高的群体。 从报告里最直观的图看，目前理论上AI能覆盖（冲击）的范围与实际上形成的范围还是有不小差距的，暴露的蓝色范围内还没有形成系统性失业率上升，只是年轻人进入这些岗位的招聘似乎有一点变慢。 当前最暴露的职业 主要集中在白领、信息处理、软件和分析类岗位。文中列出的前十包括： Computer programmers：74.5% Customer service representatives：70.1% Data entry keyers：67.1% Medical record specialists：66.7% Market research analysts and marketing specialists：64.8% Financial and investment analysts：57.2% 另外还有软件测试、信息安全、用户支持等岗位也排得很前。相反，约 30% 的工人处于“零暴露”组，典型例子包括厨师、摩托车维修工、救生员、酒保、洗碗工等。 这也正常，AI 的能力像洪水，落地像修水渠，在具身机器人举得巨大进展之前，蓝领比白领更不用焦虑。 我们这代人是幸运的，能经历互联网，移动互联网，区块链，AI，机器人等多次技术革命，不过也是不幸的，如果没有能跟上如此高速的进步，未来或许真的也就慢慢成为科幻作品中被“圈养”的那批人了。 Morning，新的努力一天开始了 原文传送门：

老黄站在 CES 2026 的舞台上，身后的屏幕突然黑了。“所有系统都挂了，”他笑着说，“这在圣克拉拉从来不会发生。是因为拉斯维加斯吗？外面是不是有人中了头奖？” 这个小插曲倒是个不错的隐喻：2025 年的 AI 行业，就像一台马力全开但偶尔冒烟的机器。所有人都在全速狂奔，所有系统都在满负荷运转。 老黄在 CES 上说，每隔十来年，计算行业就要来一次大洗牌。从大型机到 PC，从 PC 到互联网，从互联网到云，从云到移动端。 这一次不太一样，地震是双重的。不仅应用要建在 AI 之上，连我们写软件的方式本身都变了。 “我们不再编程软件，我们训练软件。不再跑在 CPU 上，而是 GPU 上。”过去的应用是预编译好的，装在你设备上就那样了。现在呢？应用理解你的上下文，每次从零开始，实时生成每个像素、每个 token。 这意味着过去十年砸下去的十万亿美元计算基础设施，都要升级换代。老黄算了一笔账：全球百万亿美元产值的产业，研发预算正在从传统方法向 AI 方法迁移。风投每年两千亿美元涌入这个领域。这就是为什么大家都这么忙。 【1】2025，大模型的三个拐点 老黄回顾了 2025 年 AI 领域的几个关键进展。 第一个是推理模型的出现。2024 年底 OpenAI 发布 o1，第一次让 AI 学会了“思考”。以前的模型是一口气给你答案，对就对，错就错。现在的推理模型会停下来想一想，把问题拆开，一步步推演。想得越久，答案往往越靠谱。老黄管这叫“test-time scaling”，也就是用更多的推理时间换更高的回答质量。 第二个是 Agentic 系统的爆发。AI 不再只是回答问题，而是开始“做事”了。它会自己规划步骤，调用工具，查资料，写代码，甚至操控其他 AI。2025 年，这类系统从实验室走向了真实应用。 第三个是开源模型的崛起。DeepSeek R1 的发布像一颗炸弹，证明了开源模型也能达到前沿水平。虽然还落后闭源模型大约六个月，但下载量已经爆炸式增长。创业公司、研究者、学生、甚至各国政府，都开始用开源模型构建自己的 AI 能力。 这三个突破并非孤立存在。推理能力让 Agent 更聪明，开源模型让 Agent 更容易构建。它们相互催化，共同把 AI 推向了一个新阶段。 【2】Agentic AI：从“能聊天”到“能干活” 三个突破里，Agentic AI 可能是离普通人最近、又最容易被误解的一个。 先说一个直观的例子。老黄提到，英伟达内部现在大量使用 Cursor 编程工具。这不是普通的代码补全，而是一个真正的 AI Agent，你告诉它想实现什么功能，它会自己规划怎么写，查阅文档，生成代码，测试，修 bug，甚至重构。程序员的角色从“写代码的人”变成了“审代码的人”。 这就是 Agentic AI 的本质：AI 从被动回答问题，变成主动完成任务。 ChatGPT 刚出来的时候，最大的槽点是“幻觉”，它会一本正经地胡说八道。因为它只能依赖训练时学到的知识，没法获取新信息，但它又被要求有问必答，所以不得不胡编乱造。你问它今天的天气，它只能编一个。 Agentic 系统解决这个问题的方式很简单：让 AI 学会“查资料”自己补充上下文。遇到不确定的问题，它会先判断“我需不需要去查一下”，然后真的去搜索、去阅读、去核实。这个判断本身就需要推理能力，所以第一个突破（推理模型）是第二个突破（Agentic 系统）的基础。 但 Agentic AI 的能力远不止于此。 【3】Agent 的四种超能力 老黄在演讲中描绘了一个完整的 Agent 能力图谱。我把它总结为四种超能力： 第一，会推理。遇到从没见过的问题，Agent 不会直接说“我不会”。它会把陌生问题拆解成一堆熟悉的小问题，然后逐个击破。就像一个聪明的实习生，虽然没做过这个项目，但能把它分解成自己会的步骤。 第二，会用工具。Agent 可以调用搜索引擎、计算器、代码解释器、数据库，甚至其他 AI 模型。它知道什么时候该用什么工具，就像一个老练的工匠，手边有一整套工具，可以随手选最趁手的那个。 第三，会规划。面对复杂任务，Agent 会先想好怎么做，制定计划，预判可能的结果，然后一步步执行。不是闷头往前冲，而是“三思而后行”。 第四，会协作。这是老黄特别强调的一点：现代 Agent 系统往往是多个模型并存的。一个 Agent 可能同时调用好几个 AI：用专门的模型处理图片，用另一个模型写代码，用第三个模型做总结。就像一个项目经理，知道每个专家擅长什么，然后把任务分配给最合适的人。 他特别提到 Perplexity 的做法让他眼前一亮：“第一次看到他们同时用多个模型，我觉得这太天才了。”道理很简单：一个 AI 当然应该在推理链的任何环节调用最适合那个任务的模型。 所以未来的 AI 应用是什么样的？多模态（理解语音、图像、文字、视频、3D）、多模型（不同任务用不同模型）、多云（模型分布在各个云上）、混合云（有些在边缘、有些在企业、有些在云端）。 【4】一个 Agent 是怎么工作的？ NVIDIA 为此搞了一套叫“Blueprint”的框架。演讲中展示了一个演示：一个小哥用 DGX Spark 搭了个个人助手，能管邮件、日历、待办事项，还能控制一个小机器人。隐私敏感的邮件任务用本地模型，其他用 frontier 模型，中间用一个意图路由器自动分配。 听起来像科幻片，但搭建过程出奇简单。 首先，接入一个前沿大模型的 API 作为“大脑”。然后，为每个功能创建一个“工具”：邮件工具、日历工具、摄像头工具。接着，因为邮件涉及隐私，开发者加了一个本地运行的开源模型专门处理邮件，数据不出本机。最后，加一个“智能路由器”，根据用户的意图自动决定用哪个模型处理。 结果呢？用户说“帮我给 Jensen 发个邮件，告诉他脚本今天能交”，Agent 就自己完成了。用户说“把这张草图变成建筑渲染图，再做个视频带我看看房间”，Agent 也搞定了。甚至当用户的朋友远程接入，问“我的猫 Potato 在干嘛”，Agent 能看摄像头、认出猫、发现它在沙发上、还记得朋友不喜欢猫上沙发、然后通过机器人喊话让猫下去。 老黄说，这一切在两年前是“完全不可想象的”。而现在，“这已经变得微不足道了”。 Agentic AI 的概念其实不新。早在 2023 年，AutoGPT 就火过一阵，号称能让 GPT 自己给自己下指令、自动完成任务。但那时候的 Agent 更像是玩具，经常跑偏、容易卡死、实用性有限。 2025 年的爆发，靠的是几个条件同时成熟： 1. 推理能力的突破。没有可靠的推理，Agent 就像一个冲动的实习生，一拍脑袋就开干，经常把事情搞砸。有了推理，Agent 才能“想清楚再做”。 2. 工具生态的完善。各种 API、各种开源模型、各种开发框架，让 Agent 能调用的“武器库”越来越丰富。 3. 多模型架构的成熟。以前大家想的是“训练一个无所不能的大模型”。现在的思路是“让一个聪明的模型学会调用专业的模型”。这大大降低了构建复杂 Agent 的门槛。 4. 开源社区的推动。老黄反复强调，开源模型让“每个公司、每个行业、每个国家”都能参与 AI 革命。你不用自己训练前沿模型，拿开源的来用就行。 【5】Agent 会取代软件吗？ 包括我在内很多人都思考一个问题：未来 Agent 会取代软件吗？交互形式是什么样的？ 老黄在演讲中给出的答案是：Agent 不只是一种新应用，而是未来软件的新形态。 他说，以后你跟 Palantir、ServiceNow、Snowflake 这些企业软件打交道，界面可能不再是一堆表格和按钮。你直接跟一个 Agent 对话，告诉它你想干什么，它就帮你搞定。“就像跟人打交道一样简单。” 传统软件的交互方式：填表单、点按钮、写 SQL，本质上是在“迁就机器”。你得学会机器的语言才能让它干活。而 Agent 的交互方式是“机器迁就你”。你用自然语言说需求，Agent 自己翻译成机器能懂的操作。 当然，这不会一夜之间发生。企业软件涉及太多复杂的权限、流程、合规要求，不是换个界面就能解决的。但方向已经很清楚了。 【6】写在最后 老黄这场演讲其实还讲了物理 AI、自动驾驶、机器人、下一代芯片 Vera Rubin，我对那些关注不多就不总结了。但如果只看 AI 大模型这块，核心信息其实就一个： > AI 正在从“一个聪明的对话伙伴”变成“一个能调动资源、完成任务的系统”。推理模型给了它思考能力，Agentic 架构给了它手脚和工具箱，开放模型让所有人都能参与这场游戏。 我个人比较关注老黄在演讲中提到的 Agentic 系统将成为所有软件平台的新界面。以前你和软件交互，要点菜单、填表格、写命令行。以后你和软件交互，就像和一个懂行的同事说话。你说想干什么，它帮你干。未来的企业软件，入口可能就是一个对话框。 对于开发者来说，这是一个窗口期。开源模型已经足够强，Agentic 框架已经成熟，基础设施已经就位。剩下的就是应用层的创新。 老黄在谈到开放模型时问了一个问题：数字形式的智能，怎么可能把任何人落下？ Agentic AI 的爆发，不是每个人都能训练出最强的模型，但每个人都可以学会编排这些模型，让它们为自己干活。 这可能是最重要的变化。AI 不再只是科技巨头的游戏，它正在变成每个人都能用的工具。

撑不住了 本周连涨2天，节前完美收官，再开盘就是10月9日了。港股1日、4日、5日、7日（中秋节）休息，2日、3日、6日、8日照常开市。 今晚闲着没事，把之前几天夜报里的一些读者反馈补充下。 1、你不会蹲，小时候在学校读书怎么上厕所，学校肯定没有马桶。 是，学校确实没有，所以不是实在忍不住尽量就不在学校里上，遇到实在避不开的情况只能用手扶墙的姿势解决，大致就像下面这张图这样。我让ai画的，它画的不是很准确，通常是半转身单手撑住身后的墙，这种姿势很难持久，所以经常蹲到一半要站起来恢复一下体力。 我这种情况叫下蹲不全，或者叫裸背屈受限，在中国人里面是一个小众人群，但是绝对数量并不少。一些警察和军校在招生时会考，有问题的会限制报名。 所以不要想当然的觉得每一个中国人都会深蹲，我从小到大都深受蹲厕之苦，现在年纪大了体力不好，这个苦已经吃不下了。我觉得应该替这个人群发声，希望公厕设计人员至少保留一个马桶坐位，有条件的修无障碍洗手间。 2、我看你ic挣了那么多钱，我也要想玩，风险大吗？ 接近150万一手的东西，跌1%就亏1万4，遇到大盘大跌一天可能就要亏10万，风险肯定大。我最近期指仓位分批在卖，没有买，我最后一次买是4月份上旬。行胜于言，我什么态度不用多说了。 之前五六千点的时候有人问我安不安全我都不敢担保，更别提现在已经7300点，风险自负，我背不起别人的因果。 除非一种情况你们可以考虑一下，就是你本来账户里就已经有150万的股票仓位，这些年做下来一塌糊涂，亏损累累，并且几乎从没跑赢大盘。你可以考虑把股票一咬牙全部清仓，然后买入1手ic滚动持有作为替代，坚持3-5年你会完成自我救赎。 3、如果大盘一直涨，你的ic一直减吗？ 我在逐步调整对大盘行情的预期，从目前的节奏来看a股本轮行情的持续性可能会比之前预想的更好。我最早滚ic的仓位是15手，后来随着家庭资产的增长我给调整到了20手，结果前些年大盘上上下下，我手欠陆陆续续又买了不少，一直到本轮牛市启动前最高买到了31手。 我现在确定的是要趁着这波行情把计划外的11手给抛了，等抛完这11手（大概中证500到7770点），我到时候再重新制定一个计划。 4、你毕业后来北京半年就买房了是怎么判断的？还有为什么能还得起3800的月供？ 2005年北京房价虽然还没有大涨，但看多的氛围已经挺浓了，我身边的朋友只要有经济实力的都会想着买房。我当时认识一姐们连续看了半年的新楼盘最终确定一个满意的，我想的很简单，我要是跟着她一起买我就节约半年时间。 房子不贵，50平米才36万，首付7万，贷款29万，我选了10年贷期，月供3800。之所以选那么短的贷期是因为那个年代的房贷利率非常高，具体多少我忘了，但记得是7-8%年息。当时还没有特别好的理财，所以但凡手里有钱的不用想肯定提前还贷。 我第一份工作的薪水是到手3000，每月付完房租+吃穿大概能存1500，之所以敢接3800的月供是因为我从大学时期就是多个杂志报纸的长期坐着，每个月稿费收入有5000-10000，这是我敢买房的现金流基础。 5、黄金怎么还在涨，该抛了吗？ 摇头，我暂时没有减仓的计划，甚至上周还在链上加了6万美元的仓位。加仓的原因我之前文章里解释过，一些机构发行了rwa黄金币，挂钩库存的实体黄金。这些黄金rwa币已经有lending、dex协议支持，通过defi操作可以获得很好的现金流，这增加了我长线投资的信心。 巴菲特一直看不上黄金的原因是黄金不生息，那如果有让黄金生息的办法他还会拒绝吗。 至于具体怎么弄就不要在公众号里问了，太多环节是不能讲的，但你们现在有ai这么好的工具可以随时请教，已经很便利了。我当年入门的时候没有圈子，没有方向，没有人教，也没有ai工具，就是一个人在英文社区里孤身学习闯荡，尤其是我英语还不好，经常要借助翻译软件，能一路坚持下来就是搞钱的信念驱动着我 今晚就这些吧，大家长期愉快，国庆期间我也每天都在。