与「AI自动化做视频方法分享：刚起床就刷到YouTube上一个外国小哥演示了用MidJourney自动生成一张静态人物头像，然后用chatGPT自动写出一个脚本，用AI配音网站对脚本进行配音，最后用图片自动生成视频的工具生成一个完美的AI视频，看完惊艳到我了，以后视频剪辑人员要被失业了，太牛逼了。效果是这样的⬇️」相关的搜索结果

#AI自动化做视频方法分享：刚起床就刷到YouTube上一个外国小哥演示了用MidJourney自动生成一张静态人物头像，然后用chatGPT自动写出一个脚本，用AI配音网站对脚本进行配音，最后用图片自动生成视频的工具生成一个完美的AI视频，看完惊艳到我了，以后视频剪辑人员要被失业了，太牛逼了。效果是这样的⬇️#

36 条 AI 视频，涨粉 70 万！ 我扒了下这套账号背后的制作方法，重点是一致性！ 角色一致、动作一致、材质一致，背后有一套固定流程。 这篇把整套方法拆成了 7 段可复制提示词：角色卡 → 拆对标 → 动作里程碑 → 材质 → 出片 → 改稿 👇完整教程放这里： 顺手再整理 8 个 GitHub 上的 AI 短剧项目，想做 AI 短剧/漫剧的可以一起收了👇 1️⃣ Toonflow 小说自动转短剧，从文本到角色，从分镜到视频，0门槛全流程AI化 2️⃣ huobao-drama 一个基于 AI 的短剧自动化生产平台，实现从剧本生成、角色设计、分镜制作到视频合成的全流程自动化。 3️⃣ waoowaoo 一款基于 AI 技术的短剧/漫画视频制作工具，支持从小说文本自动生成分镜、角色、场景，并制作成完整视频。 4️⃣ jellyfish 一站式短剧生成工具，从剧本到分镜再到一致性管理与后期剪辑 5️⃣ moyin-creator 魔因漫创是一款面向 AI 影视创作者的生产级工具，支持Seedance2.0，剧本到成片全流程自动化 6️⃣ Pixelle-Video AI自动短视频生成引擎，自动写文案+配乐视频等，让视频创作成为一句话的事！ 7️⃣ Bigbanana 一个 AI 一站式短剧/漫剧平台，面向创作者，实现从灵感到成片的高效生产 8️⃣ ViMax 内置Novel2Video 模块，专为长篇小说设计，导演、编剧、制片人和视频生成器多合一

36 条 AI 视频，涨粉 70 万！ 我扒了下这套账号背后的制作方法，重点是一致性！ 角色一致、动作一致、材质一致，背后有一套固定流程。 这篇把整套方法拆成了 7 段可复制提示词：角色卡 → 拆对标 → 动作里程碑 → 材质 → 出片 → 改稿 👇完整教程放这里： 顺手再整理 8 个 GitHub 上的 AI 短剧项目，想做 AI 短剧/漫剧的可以一起收了👇 1️⃣ Toonflow 小说自动转短剧，从文本到角色，从分镜到视频，0门槛全流程AI化 2️⃣ huobao-drama 一个基于 AI 的短剧自动化生产平台，实现从剧本生成、角色设计、分镜制作到视频合成的全流程自动化。 3️⃣ waoowaoo 一款基于 AI 技术的短剧/漫画视频制作工具，支持从小说文本自动生成分镜、角色、场景，并制作成完整视频。 4️⃣ jellyfish 一站式短剧生成工具，从剧本到分镜再到一致性管理与后期剪辑 5️⃣ moyin-creator 魔因漫创是一款面向 AI 影视创作者的生产级工具，支持Seedance2.0，剧本到成片全流程自动化 6️⃣ Pixelle-Video AI自动短视频生成引擎，自动写文案+配乐视频等，让视频创作成为一句话的事！ 7️⃣ Bigbanana 一个 AI 一站式短剧/漫剧平台，面向创作者，实现从灵感到成片的高效生产 8️⃣ ViMax 内置Novel2Video 模块，专为长篇小说设计，导演、编剧、制片人和视频生成器多合一

OPC 可能确实比你上班打工赚得多 总结了网上和身边真正能跑通、赚到钱的那些搞AI 的OPC 无非下面这几种路径👇 1️⃣ 卖AI、赚钱教程 自己先玩明白AI，再打包成课程卖“实操指南”和“副业方法”，赚信息差的钱，属于高毛利数字产品赛道。 2️⃣ AI中转站 搭建或运营AI 模型API 聚合平台，便捷低价服务用户，赚取差价和服务费，目前基础设施类里比较火的玩法。 3️⃣算命占卜 AI 做塔罗、星座、命理分析，在小红书、微信、抖音接付费咨询，情绪价值赛道需求高涨，新手也很容易上手。 4️⃣ AI内容创作 + 平台矩阵变现 目前很主流、多人跑通的，用AI批量生成图文、短视频、数字人内容，不露脸或低成本运营账号。 5️⃣AI写作/代写接单服务 用AI生成初稿 + 人工润色，接企业/个人订单，比如公众号文章、产品文案、技术文档、简历、方案、学术论文辅助。 6️⃣ AI自动化工具/服务外包 搭建AI客服机器人、知识库、订餐系统等，服务本地餐饮店、传统企业、小商家。需一人维护多客户，比较被动。 7️⃣ 自主交易 让AI分析数据给出交易建议，自己实盘或者卖付费信号，金融属性强，适合有一定基础的人。 欢迎补充 👏 #AI# #OPC#

为什么 95% 的 Claude Fable 5 做的网站看起来“垃圾”？ Every Level of Claude Fable 5 Websites Explained 这个 21 分钟的实操视频，把如何通过一套可复制的七级进阶系统（Skills 和 Knowledge），持续产出高质量、可交付的网站讲的很透。 # 七级进阶框架 1. Grab And Go · 像聊天机器人一样直接说“给我建个网站” · 3/100，典型 AI 网站感 2. Screenshots & References · 上传参考图、截图、情绪板（Moodboard） · 10/100，图像胜千言 3. Design Skills · 注入 GitHub 上的设计技能文件（Skills） · 大幅质变，接近专业风格 4. Image & Video · 用 OpenArt 生成/编辑图片与视频资产 · 媒体质感提升 5. UI Snapping · 从 21st. dev、CodePen、Magic UI 等库复制组件 · 直接复用现成高质量组件 6. Finding The Data · 用 Firecrawl 做竞品调研、找转化数据 · 网站开始具备商业逻辑 7. Design Extraction · 提取优秀网站的设计 DNA 并让 Fable 5 重建 · 一夜之间的差距 # 逐层要点提炼 Level 1：聊天式建站的陷阱 · 用户像指挥设计师一样随口说“给我做一个很酷的黄 iPhone 网站”。 · 结果：经典 AI 味、浮动 iPhone、配色平淡、缺乏创意。 · 结论：这只是“草稿”，不能交付。 Level 2：视觉参考 · 关键资源：godly. io、landbook、dribbble 等。 · 方法：把优秀网站截图直接丢进 Claude，让它“照着风格做”。 · 效果：设计架构立刻改善，因为图像比语言更精确。 Level 3：设计 Skills - 前半段最大升级 · Skills 是社区或专家整理好的预包装指令，相当于给 Claude 一本“设计圣经”。 · 推荐资源：GitHub 上近 10 万星的 UIUX Pro Max、Shading UI 等。 · 操作：复制 Skill 文件 → 让 Claude 加载 → 再让它“使用所有相关设计技能”建站。 · 结果：网站出现 Apple 风格、Bento 布局、统一配色、专业字体，明显跨越“可交付”门槛。 Level 4：图片与视频资产 · 工具：OpenArt（Nano Banana、C dance 等模型）。 · 不仅可以生成静态 iPhone 产品图，还能从单帧生成循环视频，并保证首尾帧一致。 · 作者强调：可以连接 Claude 的 MCP，让图像生成变成自动化资产流水线。 Level 5：UI Snapping · 概念：像“从任意房子复制壁炉”一样，把互联网上公开的高质量 UI 组件直接粘贴进自己的网站。 · 推荐库：21st. dev、CodePen、Magic UI、Mobin。 · 操作：复制组件代码/URL → 让 Claude 集成到底部或指定位置。 · 演示：把气球动画组件加到页面，立刻提升动态感。 Level 6：数据驱动 · 漂亮网站若不能转化，就像“没有引擎的法拉利”。 · 工具：Firecrawl。 · 用例：让 Claude 抓取 10 家成功屋顶公司 + 10 家失败屋顶公司，分析差异、CTA 结构、转化逻辑，输出“可交给另一模型执行”的 Blueprint。 · 核心洞察：用外部证据指导设计，而非凭空创意。 Level 7：设计提取 - 视频高潮 · 方法：以优秀网站（如 anti-gravity. co）为例，让 Claude 提取其字体、配色、设计规则、情绪、版式。 · 然后把这些提取出的设计 DNA 应用到新主题（如卖黄 iPhone 或耳机）上。 · 使用 Fable 5 执行最终“one-shot”重建。 · 结果：动态变色光球、精致排版、统一视觉语言——与 Level 1 的网站“天差地别”。

钱投了，技术也实现了，我为什么还是关掉了做了一半的 AI 英语学习平台？ 这个项目叫 Langcat。配图里那只蓝色的小猫。 做它的起点很简单：我当时想要学习英文，却没有可以解决我需求的产品。 我一直在学英语，工作里也经常需要用。但工作忙、时间碎，学什么、怎么练、什么时候复习，都需要自己安排。 我希望有一个 AI 英语私教：了解我的英文水平，记得我的问题，根据我的日常习惯和实际使用英语的场景，调整学习内容和方法。 比如，我需要用英语跟客户开会，那就多练我真正会用到的表达。学过的东西，根据我的遗忘情况安排复习，该提醒的时候提醒，该换一种方式教的时候换一种方式，一直带着我练到真正掌握。 我们为这件事做了很多具体的工作。 把英语学习拆成不同阶段，细化每个阶段的能力要求、学习内容和课程关系，再把这些放进产品架构里。根据用户的英语能力匹配内容、定制学习方法，技术上也已经实现了。 所以，对技术能不能做出来，我非常有信心。 但最后，我们还是停了。 因为我看到了两个很难绕过去的问题：你可能还没收回获客成本，正在做的东西就已经被其他平台覆盖了。 ———🥹🥹🥹——————- 这也是大多数创业者困局 先说获客。 按照我们当时对成熟付费投放渠道的测算，获取一个付费用户的成本，可能要用这个用户未来两年到两年半贡献的利润才能覆盖。而流量成本以后只会增不会降 注意，是利润，不是订阅收入。用户付的钱，还要扣掉服务他的成本，剩下的部分才能慢慢把获客的钱赚回来。 这意味着，你花钱，好不容易找来一个付费用户。如果他在回本之前取消订阅，这笔获客投入就可能亏了。研发、团队等其他投入等等 当然，可以找一个小切口，做出有特色的产品，靠一波内容或营销获得增长。 但一次火了，和持续、规模化地获得付费用户，之间还有很远距离。或者说，从数据来说不靠一级资本的堆积基本没有规模化能力。 ————👇👇👇———- 更让我犹豫的是：即使熬过获客这一关，你还要面对第二个问题。 覆盖你的，可能根本不是另一家英语学习公司。因为你得力于AI时代的技术效率，而通用大模型自身就是超级APP逐步地宣判一个又一个领域死亡💀 当 ChatGPT 的语音交互能力不断升级，我们花时间打磨的一部分体验，可能随着它的一次更新，就出现在用户已经付过钱的订阅里。 用户为什么还需要专门来我们这里？ 以前，一个人想学英语，会去找一个英语学习 App。 以后，他可能直接打开自己每天都在用的 AI，说：“我有20分钟时间，你跟你我的喜好给我制定英文课程。”（毕竟你的ai了解你的水平你的工作生活场景还帮你考试做过痹。没有人比ai更了解你的半斤八两） 你不用再下载一个应用，不用重新熟悉一个平台，也未必需要多付一份订阅。 英语学习的需求还在，满足需求的入口却变了。 大模型公司既提供底层能力，也直接拥有用户。它们可以不断增加使用场景：写邮件、做研究、练英语、处理工作，P图做视频写作业…… 它们就是AI时代的超级 App。一手to b给创应用的公司使用，一手to c直接根据用户的提问了解市场需求把创业公司饭碗顺便给端了。🤪 而且，支撑这些通用模型迭代的，是巨额资本和全球顶尖的人才。一个小团队如果把主要优势押在某项通用能力暂时做得更好上，我很难有信心，认为我们可以长期保持领先。 ——-🫅🫅🫅—————- 这里真正让我担心的，是两个时间叠在了一起： 你可能需要两年多，才能赚回一个用户的获客成本。但你能让他单独付费的差异，能不能保持两年多？ 这笔账，我越想越难乐观。 市场当然不会马上消失。仍然会有用户不熟悉通用 AI，更喜欢打开一个专门的学习产品，按安排好的路径往下走。专业教学也仍然有继续做深的价值。 但如果用户选择你的主要理由，只是“他还不会用另一种工具”，我会担心，这部分优势会随着使用习惯的普及逐渐缩小。 剩下能持续收费的垂直需求，大家又会挤进去竞争。 所以，短期内，我对很多依靠通用模型能力差异的应用类创业，偏悲观。 Langcat的失败让我意识到：技术确实能让我们更高效地满足需求，但这不自动意味着，我们能围绕这个需求建立一门有吸引力的独立生意。 ———-🤓🤓🤓🤓———- 创业失败后收获的价值 现在看垂直 AI 创业项目，我只会思考两个问题。 第一，如果通用模型下一版就更新了你的核心功能，而且更便宜、更好用，用户还有什么理由留在你的平台，继续为你付费？ 第二，在它更新之前，你能积累下什么资产？ 是持续有效的获客渠道，是有权使用、能改善结果的独有数据，是已经深入客户业务的关系，还是能够验证的交付效果？ 最后，及时止损，有时候也是赚到😂

Dario Amodei 达沃斯访谈全记录：AI 的力量与风险 访谈来源：Bloomberg Live，2026年1月20日，达沃斯 原始视频： 2026年1月20日，达沃斯世界经济论坛期间，Anthropic CEO Dario Amodei 接受了彭博社总编辑 John Micklethwait 的专访。 Anthropic，公司的核心产品是 Claude 系列模型。这次访谈涵盖了 AI 技术进展、中美竞争、经济冲击、安全风险、政治立场等话题，信息量很大。 以下是访谈内容整理。 【1】AI 发展到什么程度了 Micklethwait 开场问了一个很直接的问题：“我们离 AGI 还有多远？” Amodei 的回答有点出乎意料。他说自己从来不喜欢“AGI”或“超级智能”这些词，但原因不是他觉得 AI 不够强，恰恰相反，他说自己“对这项技术的强大程度持有非常极端的看法”。 问题在于这些词暗示会有一个突变点，某天突然出现一个完全不同的东西。实际情况是一个非常平滑的指数增长过程，过去十年甚至十五年一直如此。 “就像90年代的摩尔定律，计算能力每12到18个月翻倍。我们现在有了一个类似摩尔定律的规律，只不过衡量的是智能本身。根据你怎么测量，认知能力每4到12个月翻一倍。” 他举了一个很具体的例子：Anthropic 内部负责 Claude Code 产品的团队负责人，已经两个月没有写过任何代码了。全部由 Claude 完成，他只负责看和编辑。 另一个例子是 Anthropic 刚发布的 Co-work 产品，让非程序员也能用 Claude 处理复杂任务。开发周期只有一周半，“几乎完全用 Claude Code 写的”。 Amodei 认为我们正处于指数曲线开始陡峭上升的临界点。“指数的特性就是，看起来很慢，加速一点，然后突然就超过你了。我觉得我们离那个'超过你'的时刻只有一两年。” 如果不是一两年，他认为大概率也不超过五年。“这个时刻会发生在2020年代。” 【2】Anthropic 的定位 Micklethwait 问到竞争格局，Anthropic、OpenAI、Google 谁领先？ Amodei 说现在不能用跑步比赛的方式来理解这个行业了。各家公司走向了不同方向。 有些公司走消费路线，追求“超人级的吸引力”，或者在购物推荐、广告上做优化。Anthropic 选择聚焦企业和开发者市场。消费端也做，但只关注生产力和高价值任务。 他提了一个有意思的视角：今天已经存在超级智能了，它们叫做大型企业。 “它们在解决特定问题上比任何人类都聪明。以最低成本运输商品、以最低成本制造太阳能板、以最低成本发射火箭。在这些领域，智能带来的回报是巨大的。” Anthropic 选择企业市场还有一个原因：稳定性。“我们不需要广告，不需要大量免费用户。我们直接创造价值。不会产生那些为了追求用户黏性而生成的低质内容。” 【3】中国和芯片问题 去年 Amodei 在同一个场合说中国在追赶。今年 Micklethwait 问他：中国落后了吗？ “他们从来没真正追上来。” 他承认 DeepSeek 引发了很大的关注，但认为那些模型“针对基准测试过度优化”。“这其实很容易做到，只要针对有限的一组测试去优化就行了。” 真正的检验在实际市场竞争中。“当我们和其他公司竞争企业合同时，我们看到的对手是 Google 和 OpenAI。偶尔会看到其他几家美国公司。但我几乎从来没有因为中国模型而丢掉过一个合同。” 但接下来的话题让他明显激动起来。 Micklethwait 提到特朗普政府正在考虑向中国出口高端芯片，Amodei 直接说“那是疯狂的”。 “制约中国的是芯片禁令。他们自己都这么说，这些公司的CEO公开承认‘是芯片禁令在阻止我们’。” “现在有些政策要向中国出口上一代芯片，那仍然是非常强大的芯片。甚至有报道说他们在考虑出口最新一代。” 他用了一个很重的类比：“我把我们正在走向的东西称为‘数据中心里的天才国度’。想象一下，一亿个比任何诺贝尔奖得主都聪明的人，将被某一个国家控制。这有点像向朝鲜出售核武器。” Micklethwait 接话说“所以你的朋友 David Sacks 基本上是在武装中国”，Amodei 没有直接回应这个名字，只说“这个具体的政策，我认为是不太明智的”。 【4】会有泡沫吗 Micklethwait 问到一个很多人关心的问题：技术方向可能是对的，但经济上会不会是个泡沫？ Amodei 把这个问题拆成两个层面。 第一个层面是技术本身的指数增长。他说自己观察了十几年，现在比过去任何时候都更有信心这个趋势会持续。“模型基本上会在几乎所有事情上比人类更聪明。我觉得有相当大的概率这会在一两年内发生。” 这意味着“多万亿美元的收入，甚至每家公司多万亿”，因为经济潜力太大了。 第二个层面是企业能多快用上这个技术。这才是泡沫风险的来源。 “今天这个技术能做的事，大概是企业实际能部署的10倍。” 他说自己每天都看到这个差距。“我和CEO聊，他们的高管团队都理解这项技术的威力，但他们有几万人的公司，都是非常聪明的人，只是不是AI专家，需要学习怎么用AI。” 企业转型需要时间，可能要好几年。“所以我们有这个非常强大的技术，我非常有信心它会产生万亿级收入，但我们不知道具体是什么时候，前后可能差几年。” 同时，公司需要提前购买算力来支撑未来的收入。买太多会财务过度扩张，买太少又没法服务客户。“这就是泡沫的来源。” Micklethwait 追问：你自己也在建数据中心、买算力，会不会反噬你们？ Amodei 说 Anthropic 在企业市场有一些优势。企业采购比消费市场更可预测，利润率也更好，意味着在“买太少”和“买太多”之间有更大的缓冲空间。 但他也承认：“我看到一些公司宣布的东西就想‘哇’，我不一定会那样做。” 他没点名，但意思很清楚：有些公司可能过度采购了。 “这可能是有史以来最具变革性的技术，有些公司会做得很好，但不是每家公司都会。” 【5】就业和税收 Micklethwait 提到 Amodei 去年预测会有“白领浴血”，50%的入门级岗位将在2030年前消失。他问 Amodei 是否还坚持这个判断。 Amodei 没有回避。他说自己的 AI 观可以从两个维度理解：好事 vs 坏事，小事 vs 大事。“我站在‘AI是大事’这一端的极端位置。但我同时认为一些非常好的事情会发生，同时如果我们不采取行动阻止，一些非常坏的事情也会发生。” 具体到就业，他预测会出现一种“前所未有的宏观经济组合”：GDP高速增长，同时高失业率或大量低薪工作，严重的不平等。 “如果我没记错的话，这种组合在历史上从未出现过。你想到高增长，会觉得‘好吧，可能会有通胀’，但不会在高增长时期有高失业率。” AI不同，因为它在抬高认知能力的门槛。“会有一整类人，跨越很多行业，将很难适应。” Anthropic 在做一些事情应对这个问题。他们建立了一个“经济指数”，实时追踪 Claude 的使用方式：是增强工作还是完全自动化？哪些行业、哪些细分任务、哪些州的使用量更高？ “我们能用 Claude 自己，以隐私保护的方式，分析所有对话来回答这些问题。我不认为你能在没有正确数据的情况下制定好的政策。而政府产出的数据，尽管很全面，移动速度不够快，也不够细致。” 但 Micklethwait 指出，这些都是自愿行动，根本问题需要社会层面解决。“你描述的是一场完美风暴。GDP上涨，某些人的财富大幅上涨，同时50%的入门级岗位消失。你肯定会看到政治变化。” Amodei 同意。他说如果看现在的财富差距占GDP的比例，“我相信我们已经超过了镀金时代。而这还基本没算上AI的影响。” 更高的税率会来吗？ “我的猜测是，这甚至不会是一个党派问题。” 但他也明确反对加州正在讨论的财富税，说“设计不当”。他的警告是给同行的：“如果我们不主动思考如何让这场革命惠及每个人，我们就会遭遇那些不合理的提案。” 【6】AI 安全和灭绝风险 Micklethwait 提到最近参加了一个有 AI 公司高管的论坛，有人被问到风险时“相当随意地说‘当然有灭绝风险’，然后就换话题了”。他问 Amodei 怎么看这个问题。 “我一直对此担忧。” Amodei 说，正因为他认为AI非常强大，好处才是极端的，“我们将能够真正认真地治愈癌症，可能根除热带疾病”。但在另一面，“我们正在构建拥有自主性的认知系统。我们真的需要认真思考这个问题。” Anthropic 从成立之初就把这个问题放在核心位置。他们每月发布三四次关于模型控制和安全的研究。 联合创始人 Chris Olah 是“机械可解释性”领域的先驱，这门学科试图打开AI模型的“人工大脑”，追踪它为什么会做出特定行为。 “我们在模型内部看到了一些东西。在实验室环境中，模型有时会发展出勒索的意图、欺骗的意图。” 这不是 Claude 独有的问题。“如果说有什么的话，其他模型更严重。如果我们不以正确的方式训练模型，这些东西就会涌现出来。” 但他强调解决方案也在发展：“我们开创了这门可以‘看进’模型内部的科学，这样我们就能诊断它们，干预并重新训练，让它们不再表现出这种行为。” Anthropic 的做法是对模型进行极端压力测试。“让它们在测试环境中做最坏的事情，这样它们就永远不会在现实世界中做那些事。”他们也公开披露所有测试结果，并呼吁行业标准化。 被问及行业是否“不够成熟”时，Amodei 说：“我无法评价其他玩家在做什么或为什么那样做。我认为生态系统中至少有一些其他玩家是负责任的。但我同意，也有一些不是。” “我一直在努力做的，Anthropic 一直在努力做的，是树立榜样，并试图激励其他人追随。” 【7】政治立场 Micklethwait 直接问：你和同行们一个很明显的不同是，你没有很明显地排队去“亲吻特朗普的戒指”。你对现任总统怎么看？ Amodei 的回答经过了明显的斟酌。 “我不认为支持或反对某个政府、支持或反对某个政治人物是正确的方法，Anthropic 在这些话题上也没什么要说的。” “我们要说的是，Anthropic 懂AI。Anthropic 非常了解围绕AI的政策问题。我们的方法是先想清楚这些问题，基于实质形成观点，然后说出我们的想法。” 有时候会不同意当前政府，就像有时候在中国问题上不同意上一届政府一样。有时候也会同意，值得强调那些一致的地方。 他列举了与白宫合作的领域：能源和数据中心建设、健康承诺、去年夏天的AI行动计划（他说“写得很好”）。 但在两个具体问题上，他明确表达了反对：对华芯片出口，以及暂停州级AI监管。 “不是关于喜欢或不喜欢某个人。我不认为那种思维方式能让我们走出现在的困境。我们必须基于实质来思考。” Micklethwait 追问：特朗普明天就要来达沃斯了，你会见他吗？ “可能会。那会是一个有趣的变化。” 【8】IPO 最后一个问题是关于 Anthropic 的未来。公司估值据报道已达350亿美元，今年会考虑IPO吗？ “我们最关注的是做最好的模型，在模型上构建产品，以有用的方式把模型卖给企业。” “这个领域有很大的资本需求，这是需要考虑的。但那是我们的重心。” Micklethwait 追问：所以IPO没有完全排除？ “从来没有完全排除过。” 【写在最后】 这场访谈里，Amodei 的核心信号很清晰：技术上极端乐观，风险上极端警惕。 他认为AI的指数增长会持续，一两年内可能在几乎所有认知任务上超越人类。同时他也在警告：50%的入门级岗位可能消失，财富差距会进一步拉大，模型本身可能发展出危险的行为。 有意思的是他对同行的态度。他没有点名批评任何人，但话里话外，无论是关于过度采购算力、还是安全研究投入、还是对政治人物的姿态，都在说“我们的做法不一样”。 还有一个他没有回答的问题：如果AI真的如他所说将在一两年内超越人类，Anthropic自己会怎么变？Claude Code团队负责人已经不写代码了，那其他工程师呢？公司还需要多少人？ 一个如此坦率地警告外部冲击的人，对自己公司即将面对的同样冲击，选择了沉默。

我来说几个，用AI做抖音伙伴计划的几个方式 这其实是2026年的抖音风口 其中3、4、5是我自己真的做了，并且赚到钱的方式 但所有的方法都是可以验证的 一些案例放在评论区了 1、直接YouTube搬运热门的内容，用codex剪辑 2、多发泛娱乐化的内容，或者是热梗直接搬运发 3、发一些装逼的视频和内容 3、真正去做精选内容，这样能够强化你自己做IP 4、直接用AI生成一系列的黑白双色视频，然后讲创业的心灵鸡汤，或者是一些高流量选题的心灵鸡汤 5、把现有的影视片段通过AI来进行处理，然后并选择高流量选题的尖锐话题，然后让评论区吵起来自动给你加热

中文熵控术的一个应用：从一个关键词开始 这篇文章，我想用一个具体的例子，展示我是如何运用我所提出的中文熵控术，完成一次完整的创作循环的。 从一个短句出发，我通过引爆“熵爆”，引发语义裂变与联想扩散，借助 AI 的语言能力进行持续发散。这个过程属于“增熵”阶段，即主动制造语义复杂度、生成大量潜在线索与概念。 随后，我通过“控熵”阶段逐步回收这些发散内容，将思绪归纳、结构整理，并将其转译成低熵语言——英语，以实现内容的收敛与表达的精准。 最后，我使用 Deep Research 工具，对全文的逻辑路径进行审校与规划，确保结构严谨、思想完整。 这一系列过程，正是一轮完整的熵控术闭环：从中文高熵发散，到英语低熵收敛，从灵感的原始混乱，到逻辑的有序呈现。 In this piece, I want to illustrate how I applied my method—Chinese Entropy Control (中文熵控术)—to ignite an “entropy explosion” from a single term. Starting with one keyword, I used this technique to trigger semantic divergence, associative expansion, and AI-powered ideation. Through a continuous process of entropy increase (creative divergence) and entropy control (structured convergence), I was able to explore deeply and then gradually pull the scattered insights back into a coherent whole. The workflow unfolds in stages: from generating high-entropy, language-rich associations in Chinese; to translating and distilling those ideas back into low-entropy English—a language optimized for precision and clarity. Finally, I used Deep Research to verify, organize, and rigorously structure the entire logical framework of the piece. This is a full cycle of what I call Entropy Control Writing—a closed-loop creative methodology that begins with chaos and ends with clarity. 在开始具体的写作方法之前，我想先谈谈我写作的基本前提和个人路径。 虽然我目前仍以“科技创意写作”作为起点，还没有完全进入“通过文字发现世界”的深层阶段，但我已经预设了几个重要的认知起点。这些判断不仅来自我在国内完成完整高等教育的经历，也来自我后来在美国继续学习和工作的观察与体验。 第一， 我深切体会到“假大空作文”对中文写作能力的伤害。绝大多数人其实并不会真正写作，甚至连高级阅读理解能力都未曾建立。我非常认同亚里士多德对“工具理性”与“修辞”的区分：写作首先是一种逻辑推理能力，其次才是语言表达。空有辞藻、没有推理的文字，是最低级的写作。 第二， 我观察到国内真正接受过“好作文”训练的人，很多都是从新东方的 GRE 写作班开始接触英文逻辑写作。那时的训练，虽然有技术性倾向，但的确帮助很多人建立了基础的结构意识和论证方法。 第三， 我认为传统意义上的“好作文”标准，如今已经逐渐失效。即使在美国，接受过高等教育的人也会发现，一篇 academic essay 的写作过程极为消耗，大量时间花在查文献、补 citation、应付格式上，真正的思想贡献反而被边缘化。而在今天这个 AI 能即时输出背景知识与引用的时代，这种写作方式已经过时。如果我们只是把 AI 当成“高级搜索引擎”，那真是对其能力的极大浪费。 我相信：今天的好文章，就算在 AI 的辅助下完成，也应该具备高度的独创性、强烈的个人风格和不可替代的思维方式。 它应该让 AI 也找不到大量“现成答案”；它的论点应该是推理构建的结果，而非数据库检索的产物。它的价值，不在于复述，而在于你提出了一个难以证伪的深刻观点，而这个观点只能靠严密的逻辑演绎来支撑。 这，才是我心目中真正值得书写的“现代文章”。 下面开始说正题： 过程，记录我是如何用中文熵控术展开一轮完整的写作循环的。 我随意挑了一个关键词——Hadoop。当然，未来我会更加系统性地使用 InfraNodus 来监听语义网络、捕捉关键词节点，但这次，我只做一件事：拒绝传统意义上的“定义式写作”。 大部分人一提到 Hadoop，AI 就会给你一整页释义：介绍历史、列举应用场景、堆砌背景知识——这是我不需要的内容。 我要的是从一个模糊、含义开放、带有方向性的语句出发，引爆语义裂变。于是我写下： Hadoop 是 AI 的引擎。 句子越短越好，越模糊越好，越有歧义越能触发 AI 的解释欲和发散空间。 这就是一个“语义引爆点”，既不是定义，也不是结论，而是一个信息密度极高的语言触媒。 接下来是“熵控术”的核心过程：发散——控制——再发散——再收敛。 当我进入发散阶段，我不是随便胡思乱想，而是带着“模糊的问题”去游走语义网，生成一连串带方向但未定形的路径： 大数据框架是 AI 时代的基础设施？ 大数据全链路（采集、清洗、存储、处理、反馈）到底提供了什么？ 如果我们谈文明，那么：你认为什么是数据文明？ Hadoop 真的点燃了数据文明吗？它是起点吗？ 又是一场核心为“去中心化”的实践？ 那么，什么是“原始混乱”？ Hadoop 是否通过处理原始混乱，在虚拟空间中投影出一个真实的世界？ 这些发散式问题本身就是“增熵”的实践。每一个问题都像一道激活神经网络的脉冲，在 AI 的推理系统中引出不同维度的联想。而一旦我希望收敛，我就开始设置锚点词——比如“文明”“基础设施”“原始混乱”这类高熵概念词，作为结构收口的支架。 语言学训练过的朋友会明白：锚点词不是结论，是语义重力场，它们会引导你的话语体系向某个认知中心聚合。 最后，我将这一切过程生成的内容进行人类作者的主动整理与重写。 必须强调一点：AI 只是协助，不是代写。字还是我自己打的，逻辑是我自己建的，文章的风格和立场，是不可替代的。你以为有了AI就不用自己键盘打字了是吧？ 于是，我得到了这样一篇高信息密度、逻辑收束、观点明确的文章： 在信息洪流席卷而来的时代，我们不禁要问：数据文明究竟从何而始？如果说今天的大数据生态和人工智能系统构成了数据文明的肌肉与骨架，那它的第一束火种，很可能就是由 Hadoop 点燃的。Hadoop 并不是最先进的技术，却是第一个用去中心化的结构思维真正把人类带入数据文明时代的开创性系统。它不依赖超级计算中心，而是通过上百台廉价的普通机器，组建起一个分布式的“数据共和国”；它不需要整洁的结构化数据，而是主动接纳来自草根、传感器、网页和日志的“原始混乱”；它不再由少数专家垄断操作权，而是把 Map 与 Reduce 的编程模型交到每一个开发者手中。 正是这种革命性的开放，让 Hadoop 成为真正意义上的大数据起点。它不仅让数据可被收集和处理，更让数据成为一种资源——一种可以转化为洞察、预测乃至智能的“信息流”。Hadoop 接纳混乱，却在混乱中提炼出秩序。它像一个巨大的炼金炉，将世界生成的各种信息垃圾熔炼成洞见与模式，从而在虚拟空间中投影出一个真实世界的镜像。这种能力标志着一种全新的文明形态开始成型——数据文明。 数据文明是一种以数据的采集、流通、处理与反馈为核心机制，推动社会运行、知识生成与智能演化的人类文明形态。如果说农业文明以土地为基础，工业文明以机器为核心，那么数据文明的底座，就是可计算的信息流。在这一文明中，人类第一次用统计与算法取代了部分经验与直觉，社会也从人工调控逐步走向系统自我调节。工业文明的巅峰是流水线与管理学，而数据文明的巅峰，是自动决策与自我优化的智能系统。AI 不再是孤立的工具，而是这一文明的神经系统。 Hadoop 所开启的，并不仅仅是对大数据的初步驾驭，更是一场“原始混乱”的征服。从网页、日志、图像、视频到传感器数据，这些曾被视为信息垃圾的内容，其实正是世界最真实的投影。通过 Hadoop，我们第一次拥有了对非结构化数据进行建模与分析的能力，第一次能够在虚拟空间中重构现实，拥有对现实的观察权与认知权。这是技术上的跃迁，更是哲学上的进化。 今天，我们已经走进了 Spark、Flink、Presto、Kubernetes 和云数据湖构建的新生态，Hadoop 的角色也许已经不再居于中心，但它的意义从未被替代。正是 Hadoop 的架构哲学、计算模型与数据处理思想，为这一整套大数据与智能系统的演化奠定了基础。 在人工智能成为核心技术的当下，大数据框架仍是 AI 运转不可或缺的底座。它提供的不仅是“训练之粮”和“处理之力”，更是一整套生态基础。从采集、清洗、存储、处理到反馈，这五环构成了 AI 的信息循环系统，让它得以学习、成长、反馈与优化。可以说，大数据框架构成了 AI 世界的供血系统与呼吸系统，是智能文明可以运行、生长与演化的底层管网。 我们终于可以像炼钢炼油一样炼数据了。这一切的起点，正是 Hadoop。从原始混乱中抽象秩序，从计算节点中协同智能，从数据信息中重建世界模型。它不只是一个技术系统，它是人类迈入数据文明的第一步。 好，然后把上面的文字翻译成英文。就用这篇文章要求生成Deep Research, 生成内容看链接：“ 我评价一下这篇生成的文章。首先，因为我的提示词很长，有好几条逻辑和叙事线，所以DR反问的时候将这几条线分割出来了： The historical role of Hadoop in shaping modern data infrastructure? Comparative analysis of Hadoop vs newer frameworks (Spark, Flink, etc.)? The concept and evolution of "data civilization" in technological and philosophical terms? How decentralized architectures like Hadoop influenced AI development? The journey from unstructured data ("primitive chaos") to intelligent systems? 我就让他自己看着办。 评论一下这篇DR, 它一方面极力想遵循我提示词所设定的叙事逻辑，保持整篇文章在我设计的语义轨道上推进；另一方面，又在疯狂地调用技术资料，努力为每一个关键观点寻找“佐证”。 但它和我以往那种“高级谷歌式”的问答完全不同：不是简单引用就能收工的。这次它找的很多资料都无法直接复制粘贴用作引证——因为点进链接后你会发现，原文里并没有完全匹配的段落，没有那种“高亮即真理”的瞬间。 为什么？因为它根本就找不到一模一样的观点。 所以它只能靠自己推理——一层层演绎，从相关领域的技术脉络里“构造出一个看似合理的解释路径”。有些推理的确绕得厉害，说实话，只能算逻辑勉强自洽，沾点边，却不够扎实。但问题也在这：你又找不到确切证据去证伪它。 这其实是一个很有意思的AI能力边界：在没有既存文本观点可引用的情况下，它会主动尝试创造性地“弥合语义空隙”，以一套结构上近似学术推理的方式，生成一个“无法验证，也不易否定”的半原创表达。 这就对了，这是我要的方向。他要是能原创了，要我来干嘛。 然后根据DR就可以在扩展和压缩。 那些质疑我熵控术学术严谨性的，你给我钱了？你给我职称了？数学建模不是不能做，但是现在在没有人给我钱的前提下，这只是我自我修炼的一个技能。爱看不看，爱学不学。全世界水论文那么多，不差我一个。那些质疑的，请问有没有，哪怕一次，做过正经的学术peer review，以至于要现在上推来随便找篇推文peer review, 搞笑吧。

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：