灯下白-走进 AI 圈的真实对话

灯下白-走进 AI 圈的真实对话 的全部节目

共 59 集。

59. 李术其:AI工具怎么薅羊毛?免费额度、Token和批量试错背后的生产力

59. 李术其:AI工具怎么薅羊毛?免费额度、Token和批量试错背后的生产力

灯下白-走进 AI 圈的真实对话

《灯下白》EP59 李术其 🎙️嘉宾|李术其 猫工头,本名李术其,人力资源行业从业者,主导研发「杰伴」AI 人力资源与智能办公平台,中国人力资源协会创新创业大赛二等奖;同期主导「芯火」计划,获绍兴市人力资源服务业创业创新大赛创业组一等奖。获字节跳动豆包应用创作大赛铜奖、腾讯混元大模型攻防三等奖,具备企业级 AI 安全与落地调优经验。第二届 CCF 算法大会作主题报告,担任宁波人才发展集团「青年午校」AI 常驻讲师,并将 AI 智能体与知识库方案落地于多个政企单位、大型国企及职业院校。在 AIGC 视觉与传播领域,曾获深圳市人才服务中心全民创作大赛一等奖、阿里万相模型心跳大赛二等奖,作品入选北京 2025 AI 视听创作嘉年华展播。 上一期《灯下白》,我们聊了一个完全不会写代码的人,如何借助AI给几百人的人力资源公司搭业务系统。这一期继续聊猫工头身上另一项已经被朋友们反复催更的能力:薅AI羊毛。 但李术其所谓的“薅羊毛”,核心并不是单纯追求免费。他真正想解决的是一个生产问题:如果自己使用AI的方法就是大量试错,那么怎样把每一次试错的成本尽可能压低,让模型可以放开手脚去跑? 因此,他会主动寻找各家AI产品公开提供的免费额度、试用活动和低成本方案,也会让多个AI同时搜索不同信源,比较不同平台的价格和能力。什么时候坚持免费,什么时候应该付费,什么工具值得长期买会员,他也有一套自己的判断标准。 聊到后半段,你会发现他真正想“薅”的,其实不只是Token。 他连AI的记忆、上下文和工作过程,都想一起榨出来。 主持人:吴熳(微信rosiawu,欢迎添加加听友群) 在得到直播讲过AI应用,在WaytoAGI北京切磋分享,代表中国在英国大使馆文教处国际大会全英发言讲中国AI如何赋能英语教学,AI牛马库导航科普网站 ka21.org 主理人 本节目由人类与GPT共同策划,剪映处理音频中水词,千问处理剪辑时间轴,GPT撰写Shownotes,Banana Pro生成播客logo,即梦生成播客封面,Suno生成片头片尾音乐,同时由声湃和中关村科学城公司提供录音场地,由罗德麦克风提供录音设备。感谢中关村科学城的政策支持! 《灯下白》坚持100% Human,真人真聊真AI,对白坦白灯下白。 🪝本期故事 如果经常和猫工头在同一个群里,你很容易产生一种错觉,他好像拥有用不完的AI额度。别人做一张图会认真改提示词,他习惯先让AI出一批再说;别人拿到一个方案会慢慢琢磨,他更愿意让几个Agent分别跑一遍;别人担心某一次生成失败浪费Token,他的态度通常是继续跑,因为错误本身也能帮他确认下一步应该往哪里走。 于是问题来了,这么用AI,到底得花多少钱? 答案就是他为什么会如此执着于“薅羊毛”。 李术其真正开始大量使用AIGC是在2025年初。当时他的主要工作仍然和新媒体、营销相关,需要给自己公司以及制造业、服务业客户持续生产小红书、抖音、快手和公众号内容。传统拍摄需要摄影、场地、人员和时间,一天下来能够产出的素材有限,AI图片和视频很快就进入了他的真实交付流程。 也就是从那时候开始,他发现很多AI产品在早期都会提供相当可观的体验额度,有些按天送,有些按月送,有些工作流本身几乎没有额外成本,还有些产品会通过活动提供免费试用。对一个每天需要大量图片和视频的人来说,这些额度很快就从“福利”变成了真正的生产资料。 所以李术其会主动研究这些东西。一个原本长期免费的产品开始收费,他第一反应通常是先看看有没有其他方案能够继续完成同样的任务。如果有,就先换。如果确实找不到足够稳定的替代品,而且这个工具又能明显提高产出,他也会付费。 这也是这一期非常重要的一点。李术其并不排斥花钱,他甚至买过价格并不低的年度会员。真正决定他是否付费的,是这个工具能不能进入真实生产,以及单位产出成本到底划不划算。 如果一个团队每天只生成几张图片,一个几千元的会员可能很贵。可如果每天需要几百张甚至上千张图片,按照官方API单次调用成本去算,年度会员反而可能非常便宜。视频也是同样的逻辑。只要它能够稳定支撑交付,贵和便宜就必须放在使用量里重新计算。 所以猫工头真正追求的,是把每一次试错的边际成本尽可能压低。 这和他使用AI的方法直接相关。 很多人会先规划,希望第一次提示就尽可能接近正确答案。李术其很少这样。他会让AI先出一批结果,然后自己从结果里挑。图片没有想象中的效果,就换风格继续出。方案不确定,就同时交给几个Agent。一个AI给出的答案不放心,就让另外几个再查一遍。模型之间出现分歧时,再把几个结果重新放到一起比较。 他自己说得很直接,他愿意让AI“错一百次”。 只要错误的成本足够低,他就愿意用数量换概率。 这也是为什么吴熳听完以后,把这套方法概括成“暴力美学”,李术其自己的总结则更加简单:“大力出奇迹。” 这句话听起来像开玩笑,背后其实是一套很完整的生产逻辑。李术其清楚自己不一定比模型聪明,所以他希望把人的体力消耗降到最低,把大量枚举、试错、搜索和生成交给AI。人负责提出目标,判断结果,再决定下一步。 在他的理想状态里,人消耗一分体力,AI消耗九十九分。 而要维持这种工作方式,就必须拥有大量可以放心消耗的算力和Token。 所以当他突然需要一个成本很高的TTS服务时,他不会先打开十几个网站自己比。他会让多个AI去找,因为不同AI能够接触到的信息源不同。有的平台更擅长官方网页,有的平台覆盖社交内容更多,有的平台对海外信息更敏感,同一个需求交给多个AI之后,搜索半径会明显扩大。 他真正追求的是在尽可能低的新增加成本下完成任务。 这和上一期他反复强调的“我要结果”其实是一套方法。尽量不要替AI提前决定路径,而要把真实目标和真实约束说清楚。 除了AI搜索,他还有一个非常朴素的羊毛信息源,就是微信群。因为自己加入的群很多,他会直接在聊天记录里搜索“免费”“羊毛”之类的关键词。有人刚好分享了活动,就点进去看一下。对他来说,这个过程并没有想象中那么耗时,很多信息几分钟就可以判断值不值得继续研究。 当然,这一期也出现了另一种完全不同的做事逻辑。旁听的边牧(刘旭)会觉得寻找免费资源本身就有时间成本,既然官方API稳定可靠,直接花钱可能更节省时间。李术其接受这个逻辑,但他自己的使用方式决定了,他依然愿意花一两个小时找到一个可以稳定用几个月的低成本方案。 因为他每天消耗的量太大。 如果只是偶尔问几个问题,完全没有必要折腾这么多工具。可如果每天都在大量生成图片、视频、代码和文档,一个长期可用的免费额度,很快就会产生非常可观的价值。 所以“薅羊毛”其实和他的工作量绑定在一起。 更重要的是,这些资源又会反过来改变他的AI使用方式。因为知道试错成本很低,他会更愿意大胆尝试,也更愿意让AI先做,再判断。试错量增加以后,他又更容易发现真正有效的方法。 于是形成一个循环。 低成本带来更多试错,更多试错带来更多经验,经验又让他越来越知道什么任务应该交给AI。 如果这期只聊到这里,它大概就是一期关于AI工具成本管理的节目。 真正让我觉得有意思的内容,出现在后半段。 李术其开始展示自己给AI设计的一套“记忆系统”。 因为长期同时使用不同Agent以后,他越来越明显地遇到一个问题,模型可以很强,但上下文很容易断。 今天和一个Agent聊了两个小时,形成了很多判断。过几天换另一个Agent,它不知道前面发生过什么。某个非常关键的决定只存在于聊天窗口里,一旦对话变长或者项目切换,未来就很难重新找到。 于是李术其开始人为规定项目里的文件结构。 第一层是原始材料。图片、Word、资料以及所有投喂给AI的内容,都尽量保存下来,并转换成AI后续更容易持续读取的格式。 第二层是过程草稿。只要讨论内容达到一定长度,或者出现重要决策,就要落成文档,不能让它只停留在一次临时对话里。人的原话、提示词、AI给出的阶段性判断,也尽可能保留下来。 第三层是相对稳定的内容底稿。经过多轮讨论以后,某些结论逐渐确定,就进入更加稳定的版本。 第四层才是交付成果。只有真正确认可以使用、提交或者发布的内容,才进入最终交付区。 旧版本怎么办? 继续保留。 V1、V2、V3都可以存在,发生冲突时按照最新版本执行。因为对于未来重新进入这个项目的Agent来说,过去走错的路也可能帮助它理解为什么最后会选择现在的方案。 这样一来,哪怕下次更换模型、更换Agent,新的AI依然可以重新读取整个项目。它可以知道原始材料是什么,过去讨论过哪些方案,哪些判断后来被推翻,最后为什么形成今天的决定,以及当前真正有效的版本在哪里。 李术其把它理解成自己给AI做了一套“记忆Wiki”。 这也让这一期从“薅羊毛”突然走到了更有价值的一层。 最开始他薅的是图片额度和视频额度,后来开始研究Token、模型和会员,再往后,他连每一次跟AI讨论形成的上下文都不愿意浪费。 Token烧掉可以。 错误出现也可以。 模型以后不用了也可以。 可这些Token和错误帮助你形成的经验,最好留下来。 因为那才是真正属于自己的资产。 💡本期你会听到 这一期会从李术其最早做AIGC时的真实生产需求讲起。2025年初,他的团队需要大量生产企业营销内容,图片和视频模型很快从新鲜工具变成了交付工具。产量上来以后,额度和Token也开始变成真实成本,于是他逐渐形成了一个习惯,每次遇到新任务时,都先研究有没有低成本方案可以让自己把事情跑起来。 我们也会详细聊他为什么这么需要免费额度。原因和他的工作方式密切相关,他习惯让AI大量试错,很少要求每一轮生成都必须成功。图片可以先出二十张,技术方案可以让多个Agent同时跑,一个搜索结果不确定,就让不同AI继续交叉查证。当试错成本足够低时,他会更愿意扩大探索范围。 另一条很重要的线,是他如何判断什么时候应该付费。免费工具能够稳定完成任务,他就继续使用;免费方案已经影响生产效率,而且付费工具可以明确提升交付能力,他会直接购买。对高频团队来说,几千元的年度会员放进每天几百次调用里重新计算,可能反而非常划算。 这一期还会聊他的AI搜索和工具选型方法。他会让多个AI同时搜索同一个需求,因为不同产品能够覆盖不同信息源。找到候选方案以后,再让Agent去读取官网、比较套餐和单次成本。很多过去需要人工做几个小时的工具调研,现在已经可以由AI先完成第一轮筛选。 最后一部分会进入更高级的多Agent工作流。为了避免上下文随着模型切换而丢失,李术其给自己的项目建立了固定文件结构,把原始材料、过程讨论、重要决策、历史版本和最终成果分别保存。新的Agent进入以后,可以重新读取整个项目。对长期使用AI的人来说,这套“项目记忆”可能比免费Token本身更值得借鉴。 🔥本期金句 “我从来不怕它错,我就是让它错一百次。” “我的原动力来自于,我会给AI提各种无理的要求。” “我没钱,但我要用TTS,你帮我想办法。” “免费和无成本,对AI来说不是一件事。” “我只要无成本能用就行。” “我知道我的能力不一定有AI聪明,我只是比较会提要求。” “大力出奇迹。” “我愿意消耗一分体力,让AI消耗九十九分体力。” “很多人怕AI试错,是因为Token要花钱。当Token不花钱以后,就没有那么怕试错了。” “能不花钱解决问题,我就先不花钱。” “任何让我觉得不舒服的地方,我都会让AI帮我找解决方案。” “重要决策必须落文档。” “所有过程都留着。” “说白了,我自己给AI做了一套记忆系统。” ⏱Shownotes 01:28 左猫右狗集合。 这一期吴熳旁边坐着猫工头李术其和边牧刘旭,猫工头继续上一期的话题,从AI进入企业管理切换到了AIGC和大家一直想听的“薅羊毛”。 02:10 AIGC为什么会让李术其开始研究免费额度? 因为他的工作本来就需要大量生产小红书、抖音、快手和公众号内容。传统拍摄产能有限,AI图片和视频开始进入真实交付以后,模型额度也自然变成了成本问题。 03:49 原来薅羊毛几乎从他接触AIGC的第一天就开始了。 当时一些平台提供大量免费能力,他很快意识到,只要把不同产品的公开体验资源组合起来,就能支撑一部分真实业务。 06:21 为什么会准备多个账号和不同工具? 核心原因依然是交付量。当每天都需要大量图片和视频时,一个账号的免费额度很容易用完,多套公开资源组合起来以后才能满足持续生产。 09:13 AI干活的时候,人为什么还有时间水群? 李术其经常同时把多个任务交给不同Agent。只要模型还在跑,他暂时没有需要判断的反馈,这段时间就可以去处理其他事情。 11:06 不同工具为什么要互相接力? 因为任何一个产品的免费额度都可能有限。只要项目和资料保存在本地,不同Agent之间就可以继续处理同一个任务,工具切换的成本会下降。 12:29 羊毛资源到底从哪里找? 第一来源就是AI。只要遇到一个成本较高的新需求,李术其会让多个AI分别搜索国内外可用的低成本方案,再把结果放到一起比较。 14:19 为什么同一个问题要让几个AI同时搜? 因为不同产品能够覆盖的信息源并不完全相同。多个AI同时寻找,可以扩大搜索半径,也能降低单一答案遗漏重要信息的概率。 16:23 他为什么需要这么大的免费资源量? 因为他的AI工作方式本身就依赖大量试错。很多Token最后并不会形成交付成果,但这些尝试帮助他更快知道什么方向可行。 17:02 “我没钱,但我要TTS”为什么是一个值得记住的提示方式? 因为这句话只说明了目标和约束,没有提前替AI规定解法。AI可以在更大的范围里寻找实现路径。 18:34 多个编程Agent之间也可以接力。 只要项目保存在本机,一个Agent额度用完以后,可以由另一个继续处理,核心资产不会跟着工具一起丢失。 20:11 猫工头其实也真的会花钱。 某些工具在免费方案里已经没有足够稳定的替代品,而且确实能够提高生产效率,他就会购买年度会员。 21:41 到底什么时候值得付费? 判断标准非常实际,免费方案已经影响真实交付,而付费工具能够明显解决问题时,花钱就有意义。 22:20 图片生成领域为什么会买高档会员? 因为他的团队每天需要大量生产营销素材。调用量足够高以后,年度会员的单位成本会迅速降低。 24:36 为什么一上来先出二十张? 团队并不一定提前知道最好的画面长什么样,与其长时间空想,不如让AI先给出多个候选,再从真实结果里判断方向。 27:49 工具比价也可以交给AI。 先让AI搜索候选网站,再让Agent读取官方套餐和价格,最后整理成表格,人只负责做最终选型。 30:31 这套AI使用方式被吴熳总结为“暴力美学”。 李术其自己的总结更加朴素,就是“大力出奇迹”。 31:03 人和AI的体力应该怎样分配? 李术其希望自己只承担少量目标设定和判断,把绝大多数搜索、枚举、生成和试错交给机器。 32:17 免费资源真的完全没有时间成本吗? 这一段也出现了不同观点。有人更愿意直接购买稳定API,李术其则认为,只要花少量时间找到一个能稳定使用几个月的低成本方案,长期依然值得。 34:06 主动搜索和固定信息源都会用。 除了让AI搜索,他也会直接从大量微信群和聊天记录里搜“免费”“羊毛”等关键词,快速判断有没有值得尝试的新资源。 36:30 “能不花钱解决,就先不花钱。” 到这里,薅羊毛已经成为他解决问题时的一种默认习惯,先研究低成本路径,再决定是否付费。 37:18 一个AI给出的方案为什么还要再验证? 李术其经常让多个Agent分别执行,再把几个版本放到一起继续优化,让不同模型互相补充。 38:23 话题开始从羊毛进入AI记忆系统。 长期多Agent工作以后,他发现真正麻烦的是上下文断裂,于是开始给所有项目规定固定文件结构。 39:08 原始材料和过程草稿为什么必须分开? 原始资料负责保存事实来源,过程草稿负责记录讨论、探索和阶段性判断,未来的Agent才能重新理解项目是怎样一步一步走到现在的。 39:53 什么内容必须落文档? 长内容和重要决策都应该保存下来,不能只存在于临时聊天窗口。 40:23 为什么连原始提示词也要留? 因为提示词本身记录了人的真实意图。未来重新进入项目时,这些内容可以帮助新的Agent理解当时为什么会产生某个决定。 40:54 历史版本要不要删除? 李术其选择全部保留。V1、V2、V3都可以存在,执行时以最新版本为准,但过程本身仍然是项目记忆的一部分。 41:39 相当于自己给AI做了一套项目Wiki。 新Agent进入以后,可以重新读取资料、讨论、决策和版本变化,不需要每次从零开始。 42:11 最终成果和过程内容必须分开。 探索过程中产生的内容留在草稿区,相对确定的内容进入底稿,真正完成的成果再进入交付区。 43:27 一期关于“薅羊毛”的节目,最后聊成了高级AI工作流。 对刚开始使用AI的人来说,这一段可能有点超前,但对于长期多Agent协作的人来说,怎样保存上下文和项目资产,可能比再多一个免费工具更重要。 📖故事摘要 猫工头李术其为什么这么爱薅羊毛? 如果答案只是“舍不得花钱”,这一期根本撑不到四十多分钟。 真正的原因,是他的AI使用方式天然需要巨量资源。他喜欢先跑,喜欢大量生成,喜欢几个Agent一起干,也愿意让AI先犯错。所有这些方法都有一个共同前提,就是你得舍得烧Token。 当每一次失败都意味着真实成本时,人自然会变得谨慎,会努力让每一句提示词都尽可能准确,也会减少那些暂时看不到结果的探索。李术其想解决的,就是这种心理限制。 只要把边际试错成本压低,他就可以把更多体力工作交给机器。 所以“羊毛”在他的体系里其实是一种算力资源。免费额度能够满足需求,就先用免费额度;公开活动能支撑真实工作,就利用活动;如果已经找不到稳定替代方案,而且付费工具能够明确产生价值,那就购买。 这也是为什么一个天天寻找免费资源的人,同时又能毫不犹豫地买价格不低的会员。 他算的是产出。 一天几百张图片,一个月大量视频,几个Agent同时跑项目,如果工具真的能够支撑交付,那么会员费放进这种使用量里重新计算以后,可能非常便宜。 这一期真正值得带走的第二件事,是向AI描述需求的方式。 “帮我找一个免费的TTS”和“我没钱,但我要完成TTS”,听起来只差几个字,背后的思维却完全不同。前一句已经替AI决定了答案,后一句把真实目标和真实约束告诉AI,让模型自己扩大解题范围。 李术其始终强调结果,所以他愿意尽量把路径探索交给机器。 第三件事,也是这一期最值得留下来的部分,是AI时代真正不能浪费的东西,可能已经从Token逐渐变成了上下文。 Token可以再买。 额度可以再找。 模型可以换。 可一个项目里已经讨论十几个小时形成的判断,如果全部消失,重新来一遍的成本可能远远高于模型费用。 所以他开始保存原始材料、过程草稿、重要决策、历史版本和最终成果。错误版本也留着,因为这些东西共同构成了未来Agent理解项目的记忆。 从这个角度看,这一期其实讲了两种完全不同的“浪费”。 Token可以大胆消耗,因为它帮助你扩大试错空间。 上下文最好认真保存,因为那是每一次试错最后留下来的经验。 这可能才是猫工头整套“暴力美学”真正完整的版本。 💬听众互动 你每个月到底在AI工具上花多少钱?有没有哪一个工具你一直觉得会员很贵,可认真算一下自己的调用量和节省下来的工作时间以后,突然发现其实并不贵?反过来,又有没有哪个AI会员你每个月都在续费,实际上根本没怎么使用? 我还更想听大家回答另一个问题。 你和AI聊出来的那些重要结论,现在都放在哪里? 它们还停留在某一个已经很难找到的聊天窗口里,还是已经变成了自己的文档、知识库和项目资产? 当模型越来越频繁地更换,Agent也越来越多以后,也许真正长期属于我们的,是这些被完整保存下来的上下文。 真人真聊真AI,对白坦白灯下白。 我们下一盏灯见。

44 分钟 99+ 次播放 1周前

58. 李术其:不会代码,他用AI把招聘、销售、工伤信息都做成了业务看板自动系统

58. 李术其:不会代码,他用AI把招聘、销售、工伤信息都做成了业务看板自动系统

灯下白-走进 AI 圈的真实对话

《灯下白》EP58|李术其 🎙️嘉宾|李术其(猫工头) 主导研发「杰伴」AI 人力资源与智能办公平台,中国人力资源协会创新创业大赛二等奖;同期主导「芯火」计划,获绍兴市人力资源服务业创业创新大赛创业组一等奖。获字节跳动豆包应用创作大赛铜奖、腾讯混元大模型攻防三等奖,具备企业级 AI 安全与落地调优经验。第二届 CCF 算法大会作主题报告,担任宁波人才发展集团「青年午校」AI 常驻讲师,并将 AI 智能体与知识库方案落地于多个政企单位、大型国企及职业院校。在 AIGC 视觉与传播领域,曾获深圳市人才服务中心全民创作大赛一等奖、阿里万相模型心跳大赛二等奖,作品入选北京 2025 AI 视听创作嘉年华展播。 主持人:吴熳(微信rosiawu,欢迎添加加听友群) 在得到直播讲过AI应用,在WaytoAGI北京切磋分享,代表中国在英国大使馆文教处国际大会全英发言讲中国AI如何赋能英语教学,AI牛马库导航科普网站 ka21.org 主理人 本节目由人类与GPT共同策划,剪映处理音频中水词,千问处理剪辑时间轴,GPT撰写Shownotes,Banana Pro生成播客logo,即梦生成播客封面,Suno生成片头片尾音乐,同时由声湃和中关村科学城公司提供录音场地,由罗德麦克风提供录音设备。感谢中关村科学城的政策支持! 《灯下白》坚持100% Human,真人真聊真AI,对白坦白灯下白。 🪝本期故事 猫工头这个名字,其实是吴熳给李术其取的。他的头像是一只猫坐在鱼塘旁边,配着一句“总有一天我要承包这片鱼塘”。吴熳越看越觉得,这只猫很像一个包工头,于是“猫工头”这个名字就这样留下来了。现在回头看,这个名字意外地准确,因为李术其使用AI的方式,真的很像一个站在工地现场不断催进度的包工头。 他不会写代码,前端不会,后端不会,数据库也不会,很多专业名词甚至都是AI后来告诉他的。可他特别会一件事,就是提要求,而且敢提非常过分的要求。 猫工头第一次真正把AI用于工作生产,大约是2025年初。此前他也用过GPT,但一直觉得写出来的东西不够好。后来模型能力明显提升,他开始真正用AI写公众号、小红书、短视频文案,又很快开始做图片和视频。这也是很多人进入AI的第一条路,因为AIGC反馈最快,也最容易让人感受到“机器真的能替我干活”。 但玩了几个月以后,猫工头突然觉得这条路太窄了。他本来就在做人力资源相关业务,而视频、图片、营销内容在整个母公司的业务里其实很小。公司真正大的业务,是招聘、外包、派遣、保险、财务、销售以及大量企业服务。如果AI这么强,为什么只让它帮自己做视频?为什么不能真的让它进入公司的主营业务? 于是,他开始第一次尝试自己做业务系统。 当时公司其实已经有传统IT部门,也做过数字化系统。猫工头每天自己在使用这些系统,因此很清楚哪些地方麻烦、哪些地方重复、哪些地方体验糟糕。过去他也只能抱怨,因为自己不会开发,很难真正拿出另外一个方案。AI出现以后,情况突然变了。他先给自己的部门做了一套小系统,用来处理绩效、财务和报销流程,东西真的跑起来以后,他直接拿给老板看。 过去是“我觉得这个系统应该这么做”,现在变成了“我已经做了一个,你看看这样行不行”。 这两句话的分量完全不同。 老板觉得有用,于是开始给他更多需求。招聘、销售、工伤、保险、财务、业务看板,越来越多东西被他一点一点搭起来。猫工头的核心方法也非常特别,因为人力资源行业本身特别强调结果交付。比如客户想招一个人,人力资源公司会持续推荐候选人,等到人真正入职并稳定工作以后,这项服务才算真正成立。所以他和AI沟通时,也沿用了同一个逻辑:我先把最终结果告诉你,至于中间走什么技术路径,你自己想办法。 他把这种方法叫作“破窗理论”。 他的理解很简单。如果最终想要100分,就别一开始只提60分的要求,因为人先把要求打一遍折,AI执行时再打一遍折,最后可能只剩40分。猫工头会反过来做,直接要求一万分。 比如一个网页响应很慢,懂技术的人可能觉得0.5秒已经非常快。猫工头会直接告诉AI,我要0.01毫秒。AI当然做不到,但它可能最后想尽办法做到0.1秒,这个结果依然远远超过原先预期。再比如做数据分析,正常人可能让AI帮忙想十个分析维度,猫工头会让它想一万个。AI最后只能想出一百多个,他再从里面挑,老板继续挑,真正有用的二十个就留下来。 这就是他的思路。先把天花板抬到一个看起来很夸张的位置,然后让AI自己撞上去,看它最后能做到哪里。 因为AI时代的试错成本实在太低了。 他甚至觉得,有时候人本身才是AI最大的阻力。当几个AI已经可以同时开始干活,一个人还在反复开会、讨论、犹豫到底该怎么做,真正堵住流程的可能已经变成了人。所以猫工头很少害怕AI犯错。他愿意先让AI干,让它先给出一百种错误,然后从错误里反推什么才是正确答案。 这种方法后来被他带进了真正的人力资源业务。 其中一个特别典型的案例,是公司的工伤和雇主责任险。公司一年缴纳的商业保险金额达到数千万元。过去大家知道一年交了多少钱,也知道保险公司赔了多少钱,可真正把数据全部拉到一起以后,猫工头突然看到了很多以前很难被直观看见的问题。 比如已经发生的理赔里,真正回到公司账上的钱有多少,还有多少资金仍然停留在理赔流程里。哪些分公司保费交得多、赔付少,哪些项目交了很少的钱,却发生了高额赔付,哪些合伙人在整个保险大盘里持续贡献利润,哪些项目已经明显进入风险区。 当这些数据真正被穿透以后,一个原本看起来只是“每年交保险”的财务动作,开始变成经营管理问题。老板可以拿着真实赔付数据跟保险公司重新谈价格,也可以看到大量仍在理赔流程中的资金对现金流产生了什么影响,甚至可以进一步精算到某个项目到底需要运营多久,才能把此前发生的高额赔付重新赚回来。 猫工头做这套东西的方式也很有意思,因为很多数据本来就在企业微信群里。一线客服每天工作,本来就需要在群里汇报。过去这些信息汇报完以后,还要另外找人统计、填Excel、上传系统。猫工头觉得这一层可以直接取消。 员工继续按照原来的方式在群里工作。AI定时把群里的内容提取出来,变成文档,再转换成结构化数据,写进数据库,最后形成看板。人完成工作以后,在群里发完,自己的任务就结束了,后面的统计交给AI。 如果一条记录写得乱七八糟,AI实在看不懂怎么办?猫工头专门建了一块区域,把所有AI无法判断的数据原样留下来,等待人工处理。更狠的是,这些错误记录还会保留。谁汇报不清楚,哪一次数字前后对不上,哪个客服说了一句话让AI无法理解,全都有记录。 他发现这样甚至解决了一个管理里的老难题,也就是怎么批评人。管理者直接在群里点名容易产生情绪,私下批评也会增加管理成本。现在异常数据自动显示,员工自己能看到,老板也能看到,没人需要专门骂他。猫工头说得很有他的风格:“谁给他上的榜?AI给他上的榜,他怪谁去?” 从这里开始,AI已经进入了公司的管理机制。 更夸张的是,这一整套系统基本都是猫工头自己搭的。老板提出自己想看到什么,猫工头就去找真正干活的一线人员,把他们每天的工作流程全部问清楚,全程录音,再把录音交给AI整理。需求来了,他先让AI想,方案不行就继续试。 他甚至坦率地说,自己现在有时候“懒得思考”。因为很多决策完全可以先让AI给一版,错了再改。他自己到今天仍然不会写一行代码,可前端、后端、数据库、并发测试、页面交互这些东西,已经真的被他做进了产品。 最终需要正式放进公司服务器时,再把系统交给专业IT做上线、调试、安全和复杂Bug处理。 过去是业务部门排队等IT开发。现在业务部门已经把能跑的产品做出来,再交给IT处理更专业的工程问题。双方的位置开始发生变化。 猫工头因此提出了一个非常刺耳的问题:当你的客户自己已经可以把一个“勉强能用”的产品开发出来,专业程序员的价值到底应该放在哪里? 这也是这期特别有意思的地方,因为我们没有停留在“AI会不会影响程序员”这种抽象讨论里。现实已经发生了:一个完全不会写代码的人力资源从业者,已经开始自己开发系统,而且老板真的在用。 更进一步,他现在开始思考HR这个岗位本身会发生什么变化。 过去HRBP管理人、支持业务。未来一个AI Native组织里还会出现大量数字员工、Agent和Skill。这些AI员工由谁管理?谁定义它们负责什么?谁判断一个Agent值得消耗多少算力和Token?谁设计它们与真人员工之间的组织关系? 猫工头觉得,HR可能天然有机会走向AIBP。过去管理真人员工,未来还需要开始理解AI员工。 这期录制当天,他刚好因为一套与HR和AI有关的项目来北京参加行业创新创业比赛,并获得二等奖。 从一个机械专业毕业、在国企做行政文宣的人,到后来做网络运营,再到2025年才真正深度使用AI,最后自己给一家几百人的人力资源公司造系统,这条路径连他自己都没有预想过。 而他的整个方法,其实可以缩成一句特别像猫工头的话: 别先问AI会什么,先告诉它你到底要什么。 💡本期你会听到 这期我们首先会聊猫工头这条非常奇怪的职业路径。他大学学机械,毕业后进了国企做行政和文宣,七年以后又因为觉得自己错过了互联网红利,主动进入网络运营和人力资源相关业务。真正把AI用于生产工作,其实已经是2025年初的事情。也就是说,从深度开始用AI,到今天能够独立搭企业业务系统,他花的时间远比很多人想象得短。 吴熳和猫工头重点聊了他一套非常鲜明的AI使用方法。人力资源行业习惯以结果交付,猫工头也把同样的逻辑用在AI身上。他不懂代码,也很少先纠结技术路径,最关心的是结果有没有出来。他甚至会故意提出极端到近乎荒谬的要求,让AI自己想办法接近目标。在他看来,AI时代的试错成本已经低到值得大量尝试,很多人真正的问题,是要求提得太保守,甚至还没有让AI开始干,就已经被自己的经验限制住了。 中间会进入这期最震撼的部分,也就是AI怎样真正进入企业经营。他自己做报销系统、销售和招聘看板,也把企业微信群里的聊天记录自动转换成标准数据,让AI完成过去需要人工统计的工作。在工伤保险案例里,大量过去分散在系统和业务流程里的数字被重新拉到一起,老板第一次可以清楚看到保费、赔付、未到账理赔款、不同项目风险和分公司的真实贡献,再把这些数据继续用于保险议价、现金流判断和项目经营。 我们也会聊企业管理本身如何被AI改变。员工在群里汇报完工作以后,后续统计可以自动完成。AI读不懂的异常数据会被单独留下,员工的错误也会被记录。很多过去需要管理者人工检查、催促和批评的事情,开始变成系统自动暴露问题。猫工头认为,AI时代的精益化管理会进一步加强,因为大量“粗心”和低质量重复劳动,已经越来越难找到技术上的借口。 最后,吴熳和猫工头聊了一个更长远的问题。当一个不会代码的业务人员已经可以自己把产品做到能跑,IT部门的价值会发生什么变化?当企业里越来越多Agent开始承担真实工作,HRBP会不会进一步变成AIBP?未来HR除了管理真人员工,还需不需要参与数字员工的分工、评价、成本和协作机制?这可能比简单讨论AI会不会影响HR更值得讨论。 🔥本期金句 “我真的不懂代码,但是我会很清晰地告诉AI,我到底要什么结果。” “很多IT人员因为太懂技术,反而不敢提要求。” “你提出一个你知道它做不到、但你特别想要的东西,它最后可能会给你一个远超原来预期的结果。” “我压榨不了员工,我还压榨不了AI吗?” “有的时候,人是AI最大的阻力。” “先让AI干,让它干出一百种错误,你才知道对的是什么。” “老板提一件想看的事情,具体怎么做,他不需要讲,我去找一线的人聊。” “大家平时的工作本来就在群里,聊完事情就做完了,为什么还要再让一个人统计?” “有了上下文,才有后面的东西。” “AI时代的试错成本太低了,只要你胆子够大,你就有成功的几率。” “我让AI想一万个维度,它想不出来,只给我一百多个,我觉得也差不多压榨到极限了。” “未来HR不仅要管人,可能还要开始管AI员工。” “我最期待的是,以后我提一个目标,它就能指哪打哪。” ⏱Shownotes 01:28 猫工头这个名字到底怎么来的? 李术其的网名原本和“承包鱼塘”的猫头像有关,吴熳觉得他更像一个包工头,于是“猫工头”诞生了。后来再看他驱使AI干活的方式,这个名字越来越准确。 02:57 从机械专业、国企行政,到互联网运营。 猫工头2011年毕业,在国企工作约七年。因为长期接触外部网络运营公司,他越来越想进入互联网,于是主动离开相对稳定的环境,转去做网络媒体和运营,也逐渐进入人力资源集团的业务体系。 05:50 真正深度使用AI,其实从2025年初才开始。 最早他只是拿AI写公众号、小红书和短视频文案。随着模型能力提升,他第一次觉得这些东西真的能够进入生产工作。 07:41 一个完全不会代码的人,为什么已经能给几百人的公司做业务系统? 吴熳第一次知道猫工头真正开始深度用AI的时间时也非常惊讶,因为此时他已经可以一个人完成大量原本需要产品、数据和开发角色参与的工作。 08:23 人力资源行业的“结果交付”,怎样影响了他的AI方法? 猫工头习惯先讲清楚最终要什么,然后要求AI把结果给出来。技术路径可以由AI自己寻找,他负责验收。 09:52 猫工头的“破窗理论”。 他故意给AI提出极高要求。目标越高,AI即便只能完成一部分,也可能超过正常人的初始预期。懂得太多技术限制,有时反而容易提前降低要求。 12:45 “我压榨不了员工,我还压榨不了AI吗?” 这句话基本概括了他的使用风格。大量尝试、大量Token、大量失败,只要最终结果能用,都可以接受。 14:52 从AIGC走向真正的企业业务。 做图片和视频几个月以后,他开始意识到,母公司真正大的价值空间在人力资源主营业务。如果AI只能帮忙做营销内容,远远没有释放它的价值。 17:28 第一套系统,是从自己每天觉得难用的地方开始。 过去不会代码,他只能觉得公司的数字化系统不好用。AI出现以后,他先给自己部门做了一套财务、绩效和报销相关的小系统,然后把真正能运行的产品拿给老板看。 19:31 老板觉得有用,于是需求开始越来越多。 从部门工具开始,猫工头逐渐进入销售、招聘、工商、欠薪、工伤保险以及分公司的经营数据,业务系统开始真正进入管理流程。 20:03 一年数千万元的商业保险,AI能从里面看出什么? 当保费、理赔和到账金额全部被重新拉到一起,企业第一次可以清楚看到保险公司到底赚了多少、多少理赔款仍然处于流程中,以及这些数据对现金流意味着什么。 23:11 同一家公司里,有人在给保险池“蓄水”,有人在“抽水”。 不同项目和分公司的赔付情况差异巨大。当数据穿透到每个业务单元以后,企业可以更精细地判断谁应该获得更低价格,哪些项目已经形成经营风险。 25:43 群聊本身就是数据库。 一线员工每天本来就在企业微信群里汇报工作。猫工头做的事情,是让AI自动把这些聊天记录提取成文档、结构化数据和经营看板,从而减少大量重复统计。 28:32 AI看不懂的数据怎么办? 所有模棱两可、前后不一致或无法判断的数据都会进入人工处理区域,同时保留原始记录。结果是员工也会逐渐学会用更清晰、标准的方式汇报工作。 30:27 “让AI批评人”是怎么回事? 过去管理者发现员工工作有问题,需要自己点名。现在异常数据自动显示,员工自己能看到问题。管理者不用每次亲自承担批评者角色,数据自己开始说话。 32:53 这整套东西真的是他一个人做的吗? 答案是肯定的。老板提出想看什么,猫工头就去找一线工作人员访谈,全程录音,再让AI整理需求、设计方案并尝试实现。 33:40 “人有时候才是AI最大的阻力。” 猫工头认为,与其开很久的会讨论方案,不如先让AI做。错误也有价值,因为一百个错误方案可能帮助人更快知道正确方向在哪里。 34:24 到今天,他仍然一句代码都不会。 前端、后端、数据库以及并发测试等工作都交给AI。他掌握的核心能力,是目标、要求、业务流程和验收标准。 36:05 产品能跑以后,再交给专业IT。 真正进入企业服务器、处理上线、安全和复杂Bug时,仍然需要专业人员。业务人员和IT的关系却已经改变,因为业务方手里第一次有了自己做出来的原型甚至完整产品。 37:39 当客户自己都能开发,程序员的价值在哪里? 这是猫工头抛出来最尖锐的问题。业务人员已经能够得到一个能用的产品,专业技术人员未来需要提供什么更高层次的价值? 39:55 老板的反馈很直接:继续做。 现在系统已经开始以具体分公司为单位继续扩展,加入招聘等更多真实业务模块。 40:31 那些复杂的数据图表是谁想出来的? 很多并非猫工头提前设计。他会把业务需求口述给AI,让AI帮忙结构化,再要求筛选、交互以及多层数据穿透。 41:26 “无限下钻”为什么成为他的执念? 老板先看到整个公司,再看到分公司,再看到项目,最后甚至能看到具体员工。只要发现某个数字异常,就可以不断往下找原因。 49:47 “给我想一万个分析维度。” 猫工头让AI尽可能扩大选择范围。AI最后只想出一百多个也没关系,他再从中挑选真正有用的部分,再交给老板补充。 51:39 企业管理为什么需要从大盘一直看到微观? 一个总体数字只能告诉老板可能存在问题,真正的管理需要继续追问问题在哪个项目、哪个环节、哪个员工,以及问题为什么发生。 55:01 “世界就是一个巨大的企业微信和系统。” 这也是吴熳听完这套方法最大的感受。原本散落在聊天记录里的日常工作,只要拥有足够上下文,就能继续被整理、分析和转化为企业经营数据。 56:23 录播客当天,猫工头刚拿了一个人力资源行业创新创业比赛二等奖。 他参赛的方向继续往前走了一步,开始讨论HR怎样从HRBP走向AIBP。 56:45 未来HR会不会开始管理数字员工? 猫工头认为,AI Native组织里会出现越来越多Agent。谁来决定它们负责什么、消耗多少资源、如何评价表现,以及怎样和真人员工协作,会成为新的组织管理问题。 59:56 快问快答,最离不开的三个AI工具。 猫工头把不同工具分成主力干活、图像处理和快速生活检索等不同角色,他甚至把豆包直接当成新一代百度。 01:00:59 做HR最值钱的习惯是什么? 他的答案依然和整期一模一样,敢定非常高的标准,敢提要求。 01:02:18 做HR踩过最大的坑是什么? 曾经为了一个项目投入团队半年时间,吸引几千人参与,最后项目取消。大量前期工作全部损失,也带来了后续求职者沟通和管理压力。 01:03:25 如果普通HR只有30天学习AI,应该从哪里开始? 先找到工作里大量重复、可以迅速被AI优化的环节,同时想清楚自己未来希望成为怎样的人。只有方向清楚,才知道该向AI提什么要求。 01:04:26 HRBP为什么可能走向AIBP? AI会继续进入企业组织,未来HR如果完全不了解AI,很难承担组织战略支持角色。管理对象可能逐渐从真人员工扩大到真人和数字员工共同组成的团队。 01:04:56 未来一年,猫工头最期待AI发生什么变化? 他希望今天需要反复调教很多轮的过程能够越来越短。目标说清楚以后,AI可以更接近“指哪打哪”,这样他就能同时做更多事情。 01:05:50 吴熳问:“你就不能想想摸鱼吗?” 猫工头回答:“不摸鱼又不能赚钱。”这大概也是这一期最猫工头的结尾。 📖故事摘要 猫工头这期很容易被概括成一个“不会代码的人靠AI编程”的故事,但真正听完以后,会发现他的核心能力一直都在人力资源业务里。 他最懂的是结果。客户招聘一个人,人最终入职,服务才算真正交付。企业做一个系统,老板真的能用,才有意义。AI做一个页面,看起来再高级,如果解决不了业务问题,也没有价值。 所以他和AI沟通的时候,从一开始就跳过了很多技术人员习惯讨论的路径。他会告诉AI,我要什么,为什么要,做到什么程度我才满意,然后让AI不断试。 这种方法在模型能力很弱的时候可能完全行不通。到了今天,它突然变得非常有杀伤力,因为AI自己已经可以去找框架、找代码、找Skill、做数据库、搭前端、搭后端,再根据反馈继续修改。 业务人员第一次拥有了一种过去很少拥有的能力:不用等别人给你开发,你可以先自己做一个出来。 猫工头真正改变的,可能正是这件事。 过去业务部门提需求,产品经理翻译,技术排期,开发,测试,上线,整个过程可能几个月。现在业务人员可以先和AI把东西跑起来,哪里不对马上改,需求甚至是在使用中长出来的。老板提出一个问题,一线员工讲实际流程,AI帮忙整理,程序先跑,数据再告诉大家下一步应该改哪里。 从这个角度看,猫工头其实已经非常像FDE。他没有这个岗位名称,也没有工程师背景,可他真的在一线,真的懂业务问题,真的把AI带进去,也真的做出了产品。 更重要的是,他把企业里原本存在、却一直没人真正利用的数据重新激活了。微信群里的聊天记录,以前只是聊天记录。传统系统里的保费和理赔数据,以前只是存档。销售日报以前只是日报。招聘过程以前只是业务人员每天做过的动作。 当AI能够同时阅读、整理、结构化和分析以后,这些东西开始变成上下文。 有了上下文以后,老板第一次可以问更多问题。为什么这个项目亏?为什么这个销售停滞?为什么这个员工一直出现异常?为什么我们一年交这么多保险费?为什么还有这么多钱迟迟没有回到公司账户? 数据开始不断往下穿透。 所以猫工头特别喜欢“无限穿透数据报表”。因为管理真正需要的往往就是这个过程,先看到一个异常,再一直追问为什么,最后找到具体的人、具体的动作和具体的业务原因。 这也解释了为什么这期最后会自然聊到AIBP。AI进入企业以后,变化不会停留在“HR用AI写招聘JD”。事务性工作会越来越多地自动化,数字员工会真正进入组织。Agent会消耗预算,会承担任务,会有表现差异,也会需要权限和管理。 那谁来设计真人与AI之间的关系?谁定义数字员工在组织里的位置? 猫工头把问题抛给了HR。 未来的HR也许除了理解人,还得真正理解AI。 一个2025年才开始深度使用AI的人,在不到两年时间里,从写文案、做视频一路走到了企业经营数据、业务系统和组织设计。 这个速度本身已经很有意思。 可猫工头大概不会觉得自己学得有多快,因为他的注意力始终放在另一件事情上: 这个东西还能不能再多干一点? 💬听众互动 如果你完全不会写代码,但每天都在使用公司的业务系统,你有没有认真想过,那些让你反复填表、复制粘贴、重新统计、催人汇报的工作,现在还有多少真的必须由人完成? 如果今天给你一个足够强的AI,你敢不敢像猫工头一样,直接提出一个看起来有点离谱的目标,然后先让它做? 还有一个更值得企业管理者思考的问题。当业务人员自己已经可以做系统,当聊天记录可以直接成为数据,当Agent开始承担真实岗位任务以后,未来公司的IT、HR、管理者和一线员工之间,会形成什么样的新关系? 猫工头这一期聊的是HR。下一期,他还要继续讲另一项已经被大家反复催更的核心能力:薅AI羊毛。 真人真聊真AI,对白坦白灯下白。 我们下一盏灯见。

67 分钟 99+ 次播放 1周前

57. 向阳乔木:AI圈“乔帮主”,为什么总能比别人更早看到下一站?

57. 向阳乔木:AI圈“乔帮主”,为什么总能比别人更早看到下一站?

灯下白-走进 AI 圈的真实对话

EP57|向阳乔木:AI圈“乔帮主”,为什么总能比别人更早看到下一站? 🎙️嘉宾|向阳乔木 连续创业者、AI产品实践者、AI领导力与GEO方向创业者。 大学学习电子信息科学与技术,却因为喜欢中国摇滚乐,毕业前后长期混迹北京摇滚现场,组织高校乐队演出,也曾在摇滚酒吧工作。2005年前后进入互联网创业,成为分类信息网站易登网早期成员,公司后来被海外企业收购。此后参与创办黄页88网,将分类信息时代积累的SEO、流量增长和平台经验继续迁移到B2B领域。 后来进入教育互联网行业,并加入字节跳动,先后参与教育软硬件产品、飞书以及TikTok商业化AI业务,参与过面向广告创意与内容生产的AI产品 Symphony Assistant。2024年离开大厂后,与多年好友继续探索AI教育、AI领导力与GEO,如今一边做产品、写代码、研究AI,一边写自媒体、分享工具,也保留时间陪伴家人和生活。 主持人:吴熳 (微信rosiawu) 在得到直播讲过AI应用,在WaytoAGI北京切磋分享,代表中国在英国大使馆文教处国际大会全英发言讲中国AI如何赋能英语教学,AI牛马库导航科普网站 ka21.org 主理人 本节目由人类与GPT共同策划,剪映处理音频中水词,千问处理剪辑时间轴,GPT撰写Shownotes,Banana Pro生成播客logo,即梦生成播客封面,Suno生成片头片尾音乐,同时由声湃和中关村科学城公司提供录音场地,由罗德麦克风提供录音设备。感谢中关村科学城的政策支持! 《灯下白》坚持100% Human,真人真聊真AI,对白坦白灯下白。 🪝本期故事 如果把向阳乔木过去二十多年的经历摊开来看,会有一种很奇怪的感觉:这个人好像总能提前一点进入下一轮变化。 大学学电子信息科学与技术的时候,他最着迷的东西却是摇滚乐。来了北京以后,黑豹、唐朝、崔健这些过去只能在磁带里听见的人,突然变成了可以在酒吧里看到的真人。他开始组织高校乐队演出,毕业实习时,别的同学去了电子硬件公司,他跑去摇滚酒吧,白天维护原创音乐网站,晚上看演出、跟乐队跑现场。后来《乐队的夏天》里出现的很多乐队,当年都曾在他们酒吧里演过。 他原本甚至认真想过,毕业以后就留在这个圈子里。直到父亲来北京,乔木带爸爸听了一场摇滚,老人家实在受不了那个音量,只留下了一句:“你去给我找一份正式工作。” 于是乔木上网找工作,然后看到了一个让他觉得非常新鲜的网站。信息按照地区、行业被整整齐齐地分类,找工作、租房、买卖东西都可以快速筛选。他后来才知道,这类产品叫分类信息网站。乔木觉得这个模式很有意思,主动联系了对方,去了以后才发现所谓“公司”一共四个人,他还是第一个员工。 这家公司叫易登网。 后来公司被海外企业收购。再后来,他和伙伴继续做黄页88,把原来分类信息网站积累下来的产品、SEO、流量和平台经验迁移到B2B。网站最高峰的时候,每天有超过百万IP访问。 再往后,因为有了孩子,他开始对教育产生兴趣。做教育创业,后来加入字节跳动,做过教育软件,也做过大力台灯这样的硬件产品。双减以后教育业务调整,他转去飞书。生成式AI开始爆发以后,他又主动转进TikTok商业化AI团队,参与 Symphony Assistant,研究AI怎样帮助创作者找热点、想广告创意、写脚本。 2024年,他又离开字节。 一部分原因很现实。两个孩子需要陪伴,而大厂的工作经常做到晚上十点以后,回到家已经十一点。原本以为自己在字节只会待几个月,结果一待就是六年。到了那个节点,他想把时间重新拿回来。 于是今天的乔木又变成了一个很轻的创业状态。和认识十多年的朋友一起做AI教育和GEO,自己写代码,自己研究AI,自己发内容,有时间陪孩子,也有时间钓鱼。 听起来像一个不断换方向的人。 可整期聊下来,你会发现他其实没有那么“善变”。他身上有几样东西二十多年几乎没变过。 第一,是对新东西有一种很强的下场欲。 乔木很少站在岸上评论一个工具到底好不好。新的模型出来,他会试。别人分享一个Skill,他会装。新的开发方法出现,他会做一个真实项目。有人问他的学习方法是什么,他说得特别简单: “我干中学。” 不会就搜,不会就问,找到资料以后自己跑一遍。只有真的试过,他才愿意告诉别人这个东西行不行。 这也是为什么中文AI圈里很多人会觉得乔木的推荐很可信。因为他分享一个工具以前,大概率自己已经折腾过了。 第二,是检索能力。 这项能力其实从二十年前做SEO时就已经开始形成。用户会搜索什么?什么关键词真正有流量?怎样把一个模糊需求拆成准确的词?哪些信息应该去GitHub找,哪些资料应该去专业数据库或垂直网站找?一个关键词不对,怎样顺着相关搜索继续往下挖? 这些能力到了AI时代并没有过时,反而被放大了。 现在他可以直接让AI去全网寻找同类开源项目,比较技术框架,找到最值得读的书、最值得关注的人,以及一个领域里真正重要的关键词。AI负责扩大搜索半径,人继续负责判断什么值得相信和继续追。 第三,是把旧能力搬进新世界。 今天很多人第一次听到GEO,会觉得这是突然冒出来的新行业。乔木的反应却很自然。 因为他二十年前就在做SEO。 过去用户在Google、百度里搜索,企业就研究怎样让搜索引擎找到自己。今天用户越来越多地向ChatGPT、豆包等AI提问,那么企业下一步自然会研究,怎样让大模型准确理解自己,并在合适的问题下推荐自己。 入口换了,底层逻辑没有完全断裂。 乔木说,营销其实一直很简单:用户在哪里,营销就去哪里。大家刷抖音,就研究抖音。大家刷小红书,就研究小红书。大家开始问AI,就一定会出现针对AI信息入口的新营销方法。 所以他和伙伴在GEO还没有变得特别热的时候就开始读论文、做实验,再把研究方法公开成白皮书。后来整个市场开始热起来时,他们已经积累了真实案例。 第四,是把做过的事情变成可复用的资产。 这一点在今天尤其明显。 以前开发一个Chrome插件,做完就结束了。乔木会把这次开发过程中形成的经验重新整理成Skill。开发Mac应用,又形成一个Skill。做网站设计,有设计Skill。部署到GitHub,有部署Skill。甚至还可以再做一个专门用来生成Skill的Skill。 这样,下次遇到类似项目时,他已经无需重新开始。 几个Skill组合起来,一段自然语言指令下去,AI就可以连续完成开发、设计、推送和部署。人需要做的事情越来越靠近目标设定、判断、检查和打磨。 所以大家有时候会觉得,乔木怎么一天又发了一个新工具? 背后其实有很强的复利。 你看到的是今天二十分钟做出来的一个网站,他调用的是过去很多年积累下来的产品经验、检索能力、工作流程,以及最近几年不断沉淀的Skill。 这也解释了为什么他和伙伴三年前就开始讨论“AI领导力”。 他们当时专门在北京长城附近租了一间房子,关在里面几天,认真复盘自己究竟是怎样使用AI的。最后得出了一个判断:未来真正会用AI的人,需要像管理一个虚拟同事一样和它协作。 怎么交任务,怎么拆任务,什么时候该信它,什么时候该检查,什么事情可以交出去,什么事情必须由人判断。 而人的判断力和审美,会越来越重要。 有意思的是,乔木自己说,他其实并不觉得自己擅长“领导”。 他更喜欢“协作”这个词。 跟人协作,也跟AI协作。 到了这期最后,又出现了一个特别有未来感的东西。 过去做一个网站,首先考虑的是人能不能看懂、能不能点、能不能买。 乔木现在开始考虑: AI能不能读懂这个网站? Agent能不能快速理解这个产品是干什么的? 企业最重要的事实信息,有没有清晰、准确、可以验证的公开页面? 未来甚至需要直接告诉AI,应该怎样理解这个网站,怎样使用这个工具。 二十年前,他在研究怎样让搜索引擎找到一个网页。 二十年后,他开始研究怎样让Agent读懂一个企业。 看起来所有东西都变了。 其实有一条线一直都在: 信息在哪里? 人怎样找到它? 新的信息入口出现以后,商业又会跟着它走到哪里? 这可能也是向阳乔木身上最值得聊的一件事。 他总在追新东西。 可真正让他一直跑在前面的,可能恰恰是那些已经积累了二十年的旧能力。 💡本期你会听到 这期前半段,我们从一个很少有人知道的乔木开始聊。他大学读电子信息,却把大量时间花在北京摇滚现场,毕业实习也去了摇滚酒吧。那些后来出现在《乐队的夏天》里的乐队,当年很多都曾出现在他的生活里。也正是在父亲催他找“正式工作”以后,他意外进入了一家只有四个人的分类信息创业公司,并成为第一个员工。公司后来被海外企业收购,乔木又继续参与黄页88,从早期互联网创业一路做到百万级日访问的网站。 我们也会聊到,一个连续创业十几年的人为什么后来主动进入字节跳动。他参与过教育软件、硬件,也经历过大力台灯这样的产品和双减带来的业务变化。生成式AI出现以后,他又主动转去TikTok商业化AI团队,参与面向广告创意与脚本生成的 Symphony Assistant。很多今天已经习以为常的AI内容生产场景,在那时仍然需要大量模型微调、数据标注和工程工作才能落地。 中段会进入乔木特别值得借鉴的一套学习方法。他为什么总能很快理解一个新工具、新框架和新领域?答案和“我干中学”有关,也和他二十年积累下来的检索能力有关。怎样把模糊问题变成准确关键词,怎样建立自己的私有信息源,怎样利用AI寻找一个领域最值得读的五本书、最值得关注的人和核心关键词,以及怎样通过真实项目快速验证一个技术到底值不值得用,这些构成了他今天高频学习和输出的底层方法。 后半段我们会聊到Skill和AI领导力。乔木为什么看起来几乎每天都能开发新工具?因为很多过去做过一次的项目,已经被他沉淀成可以反复调用的Skill。开发、设计、部署和发布逐渐形成自己的工作流,多套Skill甚至可以继续组合。三年前,他和伙伴就在讨论怎样像管理真人同事一样与AI协作,以及为什么当模型越来越强以后,人的判断力、审美和任务拆解能力反而会越来越重要。 最后我们会深入聊GEO。一个做了二十年互联网流量的人,为什么会这么早判断AI搜索一定会形成新的营销入口?SEO时代积累的经验怎样迁移到GEO?企业想让AI理解自己,需要建设哪些真实、准确、可验证的信息?为什么官网到了Agent时代可能重新变得重要?以及未来做网站和产品时,我们是否还要开始考虑另一类用户,也就是越来越多会自动读取和操作互联网的AI Agent。 🔥本期金句 “我不会特别长远地规划一件事情,当下喜欢做这个事情,我就去做。” “我干中学。不会就直接搜索,跟AI提问,然后自己开始试。” “我不会直接评判这个东西好或者不好,都是自己试过以后,再告诉大家这个东西行或者不行。” “检索能力可能一直是被大家忽视的一个能力。你能从万千信息里找出真正符合需求的东西,这个能力很重要。” “未来你想用好AI,一个非常重要的能力,就是像管理真人员工一样去管理好AI。” “随着AI发展,最重要的一件事情就是提升自己的判断力和审美。” “你要想教别人,自己先要学会。” “营销其实很明确,用户行为在哪儿,你就要去哪儿。” “我希望AI能抓取到真实的信息,然后公正地推荐我。” “未来建网站、做产品,都要考虑AI Agent使用的便利性。” ⏱Shownotes 00:15 从电子信息专业到北京摇滚现场。 乔木大学学的是电子信息科学与技术,却把青春的大量时间花在摇滚乐上。毕业实习时,别人去硬件公司,他去了摇滚酒吧,白天维护原创音乐网站,晚上看演出,也因此亲历了中国早期摇滚现场最鲜活的一段时间。 03:22 父亲的一句“找份正式工作”,意外把他推入互联网创业。 在网上找工作时,乔木第一次看见分类信息网站,马上对这种按照地区和行业结构化信息的模式产生兴趣。真正加入以后才发现,公司只有四个人,他成为第一个员工。这家公司就是易登网,后来被海外企业收购。 06:14 从易登网到黄页88,第一次能力迁移发生了。 当原来的分类信息业务面对58同城、赶集等竞争时,乔木和伙伴继续做B2B平台,把过去产品、流量、SEO和分类信息的经验迁移到新的业务中。网站后来做到每天百万级IP,这段经历也为他二十年后的GEO判断埋下了伏笔。 07:06 创业十几年以后,为什么又去了字节? 乔木并没有把创业和大厂看成两条互相排斥的路。他真正好奇的是高人才密度环境能给自己什么,于是进入字节做教育,经历软件、硬件、大力台灯、双减和飞书,也第一次系统感受到大量优秀的人集中在一起把事情做到极致是什么状态。 17:36 生成式AI早期,他已经进入TikTok商业化AI。 Symphony Assistant 服务的是TikTok商业化内容场景,帮助创作者寻找热点、生成广告创意和脚本。当时很多今天看起来顺理成章的能力,仍然需要小模型微调、数据标注以及大量场景工程。 21:25 在字节六年以后,他决定把时间拿回来。 两个孩子需要陪伴,加上大厂长期工作到晚上十点以后,让乔木重新思考自己的生活。他离开字节后进入更轻的OPC状态,和多年朋友继续探索AI教育与GEO,同时保留更多时间给家庭、写代码、研究和生活。 22:11 为什么离开大厂以后第一时间做GEO? 乔木把这称为“路径依赖”。过去分类信息网站最大的增长来源就是SEO,他亲历过搜索流量的巨大价值。当用户逐渐从搜索框迁移到AI对话框时,他自然判断新的流量和营销需求也会跟着迁移。 29:40 他为什么很少做特别长远的规划? 乔木承认自己比较随性。他不会先预测几年后AI会变成什么,再按照预测制定人生计划。更多时候,他看到一个有意思的新东西,就先进去试。他能够确定的是技术还会高速发展,所以持续保持动手能力,比猜中三年后的具体产品形态更重要。 32:16 三年前,他们为什么会提出“AI领导力”? 乔木和伙伴曾经专门找了一个地方闭门几天,复盘自己到底怎样使用AI。最后发现,未来与AI协作越来越像管理虚拟同事。人需要明确目标、拆解任务、反馈结果,也需要提高自己的判断力和审美。 35:08 “我干中学”,可能是理解乔木最重要的四个字。 新工具、新模型、新方法出现以后,他很少只看别人评价,而是自己直接开始用。因为要教别人,自己先得学会。大量亲自验证积累下来以后,他也形成了越来越稳定的技术判断。 36:28 检索能力为什么到了AI时代仍然重要? 搜索关键词要足够准确,遇到不对的结果要不断换词,还需要知道什么信息应该去什么地方找。乔木长期做SEO形成的这种“信息地图”,今天继续帮助他利用AI快速进入陌生领域。 40:11 怎样快速进入一个完全陌生的行业? 可以先找到最值得读的基础书和进阶书,再找到行业里最值得关注的人和最前沿的问题,也可以让AI列出核心关键词,先建立整个领域的知识骨架。有了基本语言以后,再去阅读最前沿的信息,学习速度会快很多。 44:51 为什么大家感觉乔木每天都能开发新工具? 真正的秘密是复利。过去做过的开发项目,被他持续整理成Skill。Chrome插件有自己的Skill,Mac应用有自己的Skill,设计、GitHub和部署也都有对应流程。下一次再做类似项目,他已经站在过去经验的基础上。 45:58 多个Skill组合以后,一个网站可能二十分钟就能上线。 开发、设计、推送、部署可以连续调用,人主要负责给出目标、检查效果和继续迭代。乔木也特别提醒,快速做出来和真正做成一个好产品仍然有很大差距,真正优秀的作品依然需要持续打磨。 47:38 为什么还要做一个“生成Skill的Skill”? 官方Skill已经很好,但个人仍然可以根据自己的工作流程加入新的规范。乔木会比较不同公司的官方方案,把其中优秀的机制组合起来,再加入自己的工程经验,让下一次生成出来的Skill更符合自己真实的开发习惯。 49:32 GEO还没有大热时,他们已经开始读论文和做实验。 因为过去有SEO经验,乔木和伙伴很早就意识到AI搜索会成为新的信息入口。他们开始研究什么样的内容更容易被AI准确理解和引用,并将研究经验公开整理成白皮书。 53:47 用户在哪里,营销就要去哪里。 这是乔木判断GEO趋势最核心的一句话。用户刷短视频,广告就进入短视频。用户在小红书做决策,品牌就研究小红书。当越来越多人直接问AI,企业自然也要思考自己在AI回答中怎样被准确理解。 54:58 GEO长期有效的基础仍然是真实和可信。 短期制造大量缺乏事实核验的内容也许能获得曝光,可模型厂商需要保证自己的回答质量,因此垃圾信息很难长期获得稳定位置。企业更健康的做法,是建设真实、准确、可验证的公开信息。 56:21 一个隐形冠军怎样开始让AI看见自己? 公司名称、产品、专利、奖项、专业能力以及潜在客户最关心的问题,都需要拥有清晰的公开页面,并尽可能有可信来源支持。大模型只有能够获取这些事实,才可能在用户提问时正确理解企业。 01:00:16 为什么AI时代官网可能重新变得重要? 各个平台之间存在自己的信息边界,但公开网页更容易被不同的大模型和Agent读取。企业过去只考虑人怎样浏览网站,未来还要考虑机器怎样理解网站。 01:01:36 以后做网站,乔木准备直接给AI写使用说明。 页面怎样理解,工具怎样下载安装,哪些内容最重要,都可以专门提供给Agent。互联网正在出现一批新的“用户”,它们可能根本不是人。 01:02:37 二十年过去,乔木其实一直在研究同一个问题。 当年做分类信息和SEO,他研究搜索引擎怎样找到网页。今天做GEO,他研究AI怎样找到品牌。技术入口不断变化,但信息如何流动、怎样被发现,以及怎样形成商业价值,这条线一直没有断。 📖故事摘要 向阳乔木的履历很容易让人产生一种错觉:这个人似乎总在换方向。 大学学电子,却跑去做摇滚。刚毕业就参加互联网创业,公司被收购以后继续做B2B。后来跑去做教育,又进入字节。双减之后转飞书,AI起来以后又主动转TikTok商业化AI。离开大厂以后继续做AI教育、GEO、独立开发和Skill。 二十多年里,赛道一直变化。 可真正支撑这些变化的能力非常稳定。 他愿意亲自试。 他很会找信息。 他能够迅速把旧经验迁移到新问题上。 他还习惯把做过的事情沉淀下来,让下一次不用从零开始。 这四件事情叠加起来,形成了一种很强的复利。 尤其到了AI时代,这种复利开始显得异常明显。 别人刚看到一个工具时,他已经跑了一遍。 别人还在讨论Skill是什么,他已经把过去多个真实开发项目整理成不同Skill。 别人第一次听说GEO时,他会直接把它和二十年前SEO时代的流量变化联系起来。 所以乔木真正值得研究的,也许并不只是“为什么总能踩到新趋势”。 更值得研究的是,他如何让自己一直保持着一个可以快速进入新趋势的状态。 他没有一份精确到五年后的宏伟路线图。 他甚至很坦率地承认,自己不知道三年以后AI究竟会发展成什么样。 但他有另一种确定性。 新的东西来了,先去碰一下。 看不懂,就搜。 不会做,就让AI陪自己做。 找到真正好的方法以后,沉淀成自己的流程。 下一次继续复用。 这是一种非常朴素的成长方式。 可在技术高速变化的时代,它可能比试图准确预测未来更有用。 三年前,乔木和伙伴提出“AI领导力”的时候,他们已经意识到模型能力会越来越强。人真正需要补的部分,会逐渐转向如何提出好问题,如何判断AI结果,如何拆任务,如何建立自己的审美和标准。 今天再回头看,这个判断已经越来越清晰。 当每个人拥有的模型逐渐趋同以后,同样一个GPT、同样一个Codex、同样一个Agent,落在不同的人手里,产生的结果依然会完全不同。 差距藏在模型外面。 你过去积累过什么? 你知道什么? 你会不会找? 你有没有判断力? 你有没有把过去的经验变成下一次可以继续调用的资产? 乔木身上真正有意思的,也正是这一点。 他追了二十年的新东西。 最后真正越来越值钱的,却是那些追新东西的过程中,一点一点长在自己身上的老能力。 💬听众互动 你有没有一项已经用了很多年,却直到AI出现以后才突然发现特别值钱的能力? 可能是写作,销售,检索,产品,运营,设计,谈客户,也可能只是你对某一个行业特别深的理解。当AI成为放大器以后,这些过去看起来普通的经验,会不会突然拥有新的价值? 如果今天让你进入一个完全陌生的行业,你会怎么开始?你会先让AI给你列一张知识地图,找最值得读的书和最值得关注的人,还是直接找一个真实项目边做边学? 还有一个我自己听完特别感兴趣的问题。 当未来越来越多网站的访问者开始变成Agent,我们是不是也要开始重新思考一件事: 除了经营“给人看的自己”,我们是否还需要经营一份“让AI能够准确理解的自己”? 欢迎在评论区告诉我们。 也欢迎把这一期分享给正在做AI产品、AI教育、GEO、SEO、独立开发,以及每天都觉得自己追不上乔帮主更新速度的人。 真人真聊真AI,对白坦白灯下白。 我们下一盏灯见。

63 分钟 99+ 次播放 1周前

56. 孙杰:技术两周能打通数据,油气企业数智化为什么要花几个月?

56. 孙杰:技术两周能打通数据,油气企业数智化为什么要花几个月?

灯下白-走进 AI 圈的真实对话

《灯下白》EP56 孙杰 🎙️嘉宾|孙杰 企业数字化转型、数据治理与AI实践专家。 拥有二十余年计算机与企业数字化相关从业经历,职业路径从高校计算机讲师开始,先后经历运维工程师、运维架构师、云计算架构师,再进入大型央企数字化转型、云计算、数据治理等真实业务场景。 长期参与大型企业云平台、数据湖、数据治理与业务数字化实践,也持续关注FDE、企业级AI、智能体如何真正进入生产环境。 主持人:吴熳 在得到直播讲过AI应用,在WaytoAGI北京切磋分享,代表中国在英国大使馆文教处国际大会全英发言讲中国AI如何赋能英语教学,AI牛马库导航科普网站 ka21.org 主理人 本节目由人类与GPT共同策划,剪映处理音频中水词,千问处理剪辑时间轴,GPT撰写Shownotes,Banana Pro生成播客logo,即梦生成播客封面,Suno生成片头片尾音乐,同时由声湃和中关村科学城公司提供录音场地,由罗德麦克风提供录音设备。感谢中关村科学城的政策支持! 《灯下白》坚持100% Human,真人真聊真AI,对白坦白灯下白。 🪝本期故事 孙杰最早是一名大学计算机老师,教C语言,教计算机网络。 如果人生一直按照原来的轨迹走,他可能会留在高校。 后来爱人到北京读研究生,新婚不久,他也从新疆来到北京。 一次生活里的选择,让他的职业人生彻底换了一条线。 他开始做运维,那时技术人的工作很具体。 服务器挂了,要修。系统卡了,要修。访问量突然上来,网页崩了,还是要修。 做运维工程师的时候,人像一个救火队员,哪里着火,就冲到哪里。 可做得越来越久,他开始觉得,光会救火不够。 系统为什么会宕机?流量为什么来了就扛不住?为什么每次都要等故障发生以后才去解决? 于是他开始做架构。 从“出了问题怎么修”,慢慢走到“怎样让这个问题尽量别发生”。 再后来,他接触云计算。 原来一台服务器归一个系统。这个部门有自己的机器,那个部门也买自己的机器。 有人买多了,资源长期空闲。有人真正需要资源,却没有足够预算。 云计算把它们放进一个池子。 谁需要,就拿。不需要了,就释放回去。 孙杰也在这个过程中越来越清楚地意识到一件事: 技术从来没有真正离开过业务。 页面打开快一秒还是慢十秒,会影响用户。 系统能不能自动扩容,会影响业务。 资源有没有浪费,会影响成本。 一个技术人如果一直只懂技术,迟早会碰到一堵墙。 因为企业真正关心的,是技术最后创造了什么价值。 后来,他进入大型央企的数字化场景。 这里的问题更复杂。 一个集团可能有几百套甚至上千套系统。 同一类办公系统,各个部门可能都曾经建过一套。 数据散在不同设备、不同部门、不同电脑、不同数据库里。 云可以统一资源,数据湖可以汇集数据。 系统可以重新整合,可到了真正做企业数字化时,他发现最难的一关出现了。 技术上,两周可以把数据打通。 真正把各个部门的数据拿到手,却可能要几个月。 为什么? 因为你必须回答另一个问题:我为什么要把我的数据给你? 一个一线部门负责采集,另一个部门负责分析,第三个部门拿结果去做业务。 最后被领导看到的,可能只是后面的报表和大屏。 那前面辛辛苦苦采数据的人会问:这里面有我的什么价值? 于是孙杰他们开始重新设计规则。 数据的所有权归采集部门,使用权归业务场景方,最后产生的收益,需要共享。 因为企业里的数据孤岛,很多时候并不只是技术问题。 背后是人,是部门,是利益,也是组织怎样理解数据的价值。 AI来了以后,技术继续向前跑。 油气生产里,过去一套数据从现场采集、IT清洗、专家解释,再送给管理者决策,可能需要十二个小时。 现在,AI可以按照规则完成清洗、汇集、分析,再把专家经验预置到智能体里。 十二个小时,可以缩短到二十分钟。 这个变化放进真实生产环境里,意味着管理者能够更早判断哪些井需要增加资源,哪些产量不理想需要调整,哪些设备可能提前出现问题。 甚至一次预防性的判断,就可能避免巨大的生产损失。 听起来很美好,可AI真正进入工厂、油田、生产线以后,另一个问题又出现了。 我们日常用AI写一段文字,它错一句,大不了改掉。 生产环境不一样,一个错误判断,可能意味着设备停机。 可能意味着数百万元损失。 于是今天很火的FDE,也就是前线部署工程师,在孙杰看来,其实特别容易理解。 模型越来越强,行业壁垒依然存在。 懂AI的人未必懂油田,懂油田的人未必懂模型。 数据工程师看到的是字段,业务专家看到的是压力、温度、设备状态和生产风险。 中间需要有人把这些东西真正翻译到一起。 甚至还需要一个“本体”层,设备的数据是什么意思?它对应哪个业务状态?什么时候应该触发判断? 什么时候应该交给人? 所有这些关系需要被重新建模。所以AI时代对人的要求反而变高了。 孙杰说了一句话: 有了知识,并不代表认知提高了。 你可以下载一千份资料,收藏一百门课,电脑里放满视频。 如果没有理解、没有判断、没有真正进入业务,它们都还没有成为你的能力。 AI可以成为放大器,前提是,先有东西可以被放大。 所以聊到最后,这期节目出现了一个特别有意思的反转。 一个做了二十多年数据治理的人,说自己也有一个困扰: 资料太多了。 微信群里的文件,企业微信里的信息。 电脑里的资料,看过的文章,突然冒出来的灵感。 过几天想找的时候,自己也找不到。 吴熳听完忍不住笑:原来数据治理专家自己的电脑,也需要数据治理。 孙杰说,他未来最期待的一件事,就是把自己“数字化”。 让散落在不同终端里的信息真正串起来。 让AI理解自己过去二十年的知识、经验和判断。 从给企业做数字化,到最后想把自己也变成一个可以被持续整理、理解和调用的数据系统。 二十年绕了一圈,问题又回到了人,企业真正稀缺的,是那些能把模型带进业务,把数据连起来,把组织推动起来,同时又知道什么时候必须由人做判断的人。 💡本期你会听到 1. 一个大学计算机老师,为什么后来会离开高校去北京做工程师? 2. 从运维工程师到架构师,一个技术人看待“故障”的方式发生了什么变化? 3. 云计算究竟解决了企业什么问题? 4. 为什么技术做得越久,反而越需要理解业务? 5. 大型央企为什么愿意自己建设私有云? 6. 云平台、数据湖和企业业务之间究竟是什么关系? 7. 为什么企业的数据和业务必须逐渐标准化? 8. FDE为什么会在AI时代突然变得重要? 9. 为什么一个懂大模型的人,进了油田以后可能依然不知道该怎么做? 10. AI在个人办公里出现一点幻觉可以忍,进入生产环境以后为什么完全不同? 11. 什么是“本体”?它为什么会成为连接数据和业务的重要一层? 12. 公交车“车来了”的实时预测,为什么能帮助普通人理解企业数据本体? 13. 怎样从设备坏了再维修,走向提前预测设备什么时候可能出故障? 14. 一个真实生产场景里,数据决策为什么可以从12小时缩短到20分钟? 15. 为什么企业数字化项目交付完成以后,真正重要的工作可能才刚开始? 16. “重建设、轻运营”为什么是很多企业数字化项目的问题? 17. 孙杰总结的数字化转型三句话是什么? 18. 什么叫“从线下到线上,从手工到自动,从单兵到协同”? 19. 一个需要19个审批节点的流程,数字化到底怎样改变它? 20. 为什么企业差旅、报销、预算这些日常小事,也属于数字化转型? 21. 企业为什么会拥有几百套甚至上千套系统? 22. AI办公入口未来有没有可能把ERP、财务、项目、办公系统全部串起来? 23. 为什么今天很多企业真正的“数据孤岛”,根源在人和部门? 24. 技术两周就能完成的数据打通,为什么拿数据可能反而花几个月? 25. 数据的所有权、使用权和收益权为什么需要分开? 26. 为什么孙杰认为数据治理不能只被看成一个项目? 27. FDE时代,拥有很多知识为什么仍然不代表拥有真正的能力? 28. AI究竟是怎样成为个人能力放大器的? 29. 企业数字化最大的坑,为什么是以为“靠技术就能搞定”? 30. 一个普通人想在30天内理解数据治理,可以从什么小切口开始? 31. 连数据治理专家自己,都遇到了什么样的个人信息管理难题? 32. AI时代企业真正稀缺的,到底是更强的模型,还是能够把业务、数据、组织和技术粘起来的人? 🔥本期金句 “技术发展越来越快,但技术和业务之间始终还存在一定的鸿沟。” “不能只做一个懂技术的工程师。” “业务需要技术支撑,技术也可以反哺业务。” “做运维的时候是在救火,做架构以后,你会开始想为什么会着火。” “在生产环境里,差那么一点,造成的损失都可能非常大。” “你不仅要懂AI,还要对业务有很多理解。” “以前重建设、轻运营,现在应该边建边运营。” “从线下到线上,从手工到自动,从单兵到协同。” “技术上两周可以把数据打通,但真正拿到这些数据可能要几个月。” “所有权归采集部门,使用权归场景方,收益需要共享。” “数据治理不能只看成一个项目,它是一个持续运营的产品。” “有了知识,并不代表你的认知就提高了。” “AI只是个人能力的放大器。” “你不仅拥有知识,还要真正用知识创造价值。” “所有企业的事情都是人做出来的,所以人的思想很重要。” “如果你只有三板斧,被别人学走就会害怕;如果你还有十八般武艺,你的心态就不一样。” “从一个小切口看到数据治理的价值,再不断把它放大。” “把分散在各个端的数据汇总起来,变成知识体系里的一块砖。” ⏱Shownotes 00:15 从高校计算机老师,到企业数字化一线 孙杰二十多年的职业变化,几乎跟着企业技术发展的轨迹一路向前。 02:08 为什么企业数字化总是这么难? 技术越来越强,模型越来越强,可技术与业务之间那条鸿沟一直存在。 03:44 因为爱人来北京读研,他的人生也换了轨道 原本没有计划离开高校,一次家庭选择让他从新疆来到北京,也进入新的职业世界。 04:56 做运维以后,他第一次真正理解什么叫“稳定” 用户只看到网页和APP,工程师看到的是后面无数服务器、数据库、网络和资源。 06:33 一个网上卖书的公司,为什么最后搞出了云计算? 资源有高峰、有低谷。怎样让闲置机器重新被利用,是理解云计算非常直观的入口。 08:22 一个技术人的第一次认知升级:技术必须理解业务 当技术开始影响体验、效率和收入以后,技术和业务已经无法分开。 09:27 从“救火队员”变成架构师 工程师关注怎样尽快恢复系统,架构师开始追问故障为什么发生,以及如何提前避免。 11:19 大型企业上云,真正解决了什么问题? 把零散资源放入统一资源池,需要多少取多少,用完再释放,减少大量重复建设与资源浪费。 15:40 大型央企为什么还要自己建私有云? 数据安全、合规和隐私决定了,一部分核心业务数据无法直接进入公网环境。 16:21 云平台和数据湖为什么经常一起建设? 资源统一之后,数据也需要统一。只有数据被清洗、治理和标准化,业务才更容易协同。 17:27 企业数字化里的“秦始皇统一度量衡” 不同部门各有一套规则和系统,就像“七国八制”。标准化,本质上是在建立共同语言。 20:50 FDE为什么会成为AI时代的新角色? 模型进步得很快,行业的知识壁垒却没有消失。真正落地,需要有人懂AI,也懂业务。 22:37 AI幻觉到了生产环境,问题会突然变得很严重 办公场景里一个小错误可能无关痛痒,生产场景里一次错误判断就可能造成巨额损失。 23:55 想做FDE,第一关可能连数据都拿不到 不同设备、不同厂商、不同格式的数据,必须先被整理成AI能够理解的统一语义。 25:00 “本体”到底是什么? 孙杰把它解释成一个语义建模层,把设备数据、业务过程和实时状态真正对应起来。 27:04 用“车来了”理解企业实时数据 公交车还有几站到站,本质上也是实时数据、交通状态与预测模型共同作用的结果。 28:18 从“坏了再修”走向“坏之前就知道” 当设备数据能够实时分析,企业开始从事后维修走向预防性维护,一年可能节约数千万元成本。 29:33 数字化项目交付以后,真正重要的是运营 系统建出来没人用,数字化就很难产生价值。孙杰强调,企业需要“边建边运营”。 30:49 一个油田的数据,为什么过去要十二小时才能走到领导面前? 现场采集、IT清洗、专家解释、管理决策,一份数据要穿过多个部门。 32:36 AI来了以后,十二小时缩短到二十分钟 数据按照规则自动入湖、清洗、分析,专家经验也可以提前进入智能体。 34:36 AI为什么还能让数据精度提高? 自动清洗、多轮校验、专家反馈和算力提升,使过去大量人工工作可以更加细化。 39:01 企业数字化的三句话 从线下到线上。 从手工到自动。 从单兵到协同。 43:09 系统建好了,员工为什么还在复制粘贴Excel? 数字化如果保留原有冗余流程,甚至会出现线上走一遍、线下再走一遍的情况。 43:48 一个审批为什么能经过19个节点? 企业流程本身也需要重新设计,单纯把旧流程搬到线上无法真正提升效率。 45:38 连报销都能看出一家企业数字化到了什么程度 票据验证、差旅标准、预算控制和付款都可以通过规则提前自动处理。 50:04 什么叫“穿透式监管”? 当集团、分子公司、项目、部门和人员的数据真正串起来,管理才能从上到下一直看到业务末端。 51:01 一个大型集团到底有多少套系统? 几百套,上千套,都可能存在。 企业数字化很大一部分工作,就是逐渐减少重复系统,让数据重新流动。 52:40 为什么所有AI大厂都盯上“办公入口”? 办公是企业里最高频的场景。只要这个入口继续连接财务、ERP、项目等系统,就可能逐渐进入业务深处。 55:51 未来有没有可能,一个入口处理所有工作? 孙杰判断,未来不同角色可以从同一个AI办公入口进入自己需要的不同企业系统。 59:26 数据治理真正理想的状态是什么? 系统入口统一,数据真正贯通,一个人不再需要每天登录几十个不同系统。 59:57 数据孤岛为什么经常是“人的问题”? 原始数据来自一个部门,价值可能在另一个部门体现。如果贡献数据的人完全看不到收益,他自然缺乏持续维护动力。 01:00:58 技术两周能打通的数据,为什么企业花了几个月? 真正耗时间的是和不同部门沟通: 我为什么要把数据给你? 它对我有什么价值? 01:01:37 所有权、使用权、收益权,需要重新讲清楚 数据采集者、业务使用者和最终获益者之间需要一套清晰的价值分配机制。 01:03:51 真正做好数字化的企业有多少? 孙杰判断,当前做得比较好的主要集中在一部分头部企业,整个数字化进程仍然远没有结束。 01:05:38 把数据治理当成项目,为什么容易失败? 项目有结束的一天。 数据却一直变化。 所以数据治理更适合被当成一种持续运营的产品。 01:12:31 快问快答:孙杰日常最常用哪些AI工具? 办公类、编程类,以及一些个人探索类工具,都已经进入他的实际工作。 01:13:36 FDE最重要的能力是什么? 复合。 技术、业务、AI和认知需要真正长到同一个人身上。 01:14:45 “拥有知识”与“拥有能力”之间还隔着什么? 你收藏的资料再多,如果没有变成判断、行动和创造价值的能力,它依然只是信息。 01:15:47 做数据治理最大的坑是什么? 以为技术部门把系统做出来,这件事就完成了。 真正决定结果的,还有人的认知、利益和组织机制。 01:17:22 为什么AI时代人的思想反而更重要? 害怕经验被拿走,往往意味着自己只有“三板斧”。持续创造新经验的人,面对AI的心态完全不同。 01:19:21 普通人30天怎么开始理解数据治理? 从自己的工作开始。 找到一个小场景,让数据先在真实生活中产生一次价值。 01:20:56 《灯下白》其实也可以做数据治理 选题、播放、听众反馈、同类播客,都可以变成数据,用来帮助下一步内容决策。 01:22:15 一个数据治理专家未来最想解决的问题:把自己数字化 微信、企业微信、电脑、读书笔记、文件和灵感散落在不同地方,他也希望AI能把这些东西重新串起来。 01:25:10 原来数据治理专家也会找不到文件 资料越来越多,真正难的是让它们形成一个随时可以调用的知识体系。 01:25:53 “您是想把您本人数字化?” 从帮助企业整理数据,到最终希望AI帮助整理自己,一个非常有意思的闭环出现了。 01:26:19 二十年技术生涯最后回到了同一个问题 计算机怎么用,系统怎么稳定运行,资源怎么上云,数据怎么流动。 今天的问题变成: 怎样让AI真正理解企业的业务? 01:27:03 AI时代企业真正稀缺的人是谁? 能够把业务、技术、数据和组织真正连接起来的人。 💬听众互动 你所在的公司有没有这样的场景: 系统已经建了很多套,真正干活的时候,大家最后还是把Excel发来发去? 或者技术部门说“两周就能做好”,最后真正推进却花了几个月? 如果让你重新看自己每天产生的数据,邮件、聊天记录、会议、文档、项目资料、AI对话,你觉得它们现在是一堆散落的信息,还是已经成为了可以反复调用的资产? 还有一个问题: AI时代,一个企业最稀缺的究竟是什么? 更强的大模型,更好的数据,还是能够把业务、数据、组织和技术真正连起来的人? 欢迎在评论区告诉我们。 也欢迎把这一期分享给正在做企业数字化、AI落地、数据治理、FDE,以及正在思考AI如何真正进入业务的人。 真人真聊真AI,对白坦白灯下白。 我们下一盏灯见。

88 分钟 99+ 次播放 1个月前

55. 朝朝:职场信仰崩塌后,她去了义乌做跨境电商,用产品经理思维打出爆款

55. 朝朝:职场信仰崩塌后,她去了义乌做跨境电商,用产品经理思维打出爆款

灯下白-走进 AI 圈的真实对话

《灯下白》EP55 朝朝 🎙️嘉宾|朝朝 跨境电商从业者,前互联网产品经理,计算机专业出身。 曾在互联网行业工作十余年,做过日活百万级产品,也做过网站、APP、后台、网页和微信小程序,几乎完整经历了中国互联网产品发展的多个阶段。 三年前离开熟悉的职场体系,去义乌重新学习商业,从国内电商一路摸索到跨境电商。今天,她把产品经理时期形成的用户洞察、需求分析和数据思维,迁移到了选品、商品优化和供应链中,同时大量使用GPT、Codex等AI工具,让一个人也能跑起越来越复杂的跨境电商工作流。 主持人:吴熳 在得到直播讲过AI应用,在WaytoAGI北京切磋分享,代表中国在英国大使馆文教处国际大会全英发言讲中国AI如何赋能英语教学,AI牛马库导航科普网站 ka21.org 主理人 本节目由人类与GPT共同策划,剪映处理音频中水词,千问处理剪辑时间轴,GPT撰写Shownotes,Banana Pro生成播客logo,即梦生成播客封面,Suno生成片头片尾音乐,同时由声湃和中关村科学城公司提供录音场地,由罗德麦克风提供录音设备。感谢中关村科学城的政策支持! 《灯下白》坚持100% Human,真人真聊真AI,对白坦白灯下白。 🪝本期故事 朝朝原本有一套很标准的职场人生剧本。 大学学计算机,毕业进入互联网行业,做产品经理,一路做网站、APP、后台、小程序,也做过日活百万级的产品。 她曾经觉得,只要继续往上走,做到中高层,拿到股份,公司如果上市,也许有一天就能实现所谓的“财富自由”。 她甚至已经找好了自己的北极星。 公司里有一个跟老板一起创业、一路走上高位的大领导。朝朝看着他,想的是,再干几年,我也要走到那个位置。 然后有一天,这个人也拿到了“大礼包”离开了公司。 那一刻,她第一次发现,自己相信了十几年的职场逻辑并没有想象中那么牢固。 北极星突然没了。三十多岁,接下来怎么办? 疫情期间,她去义乌参加了一场线下活动。 那是她第一次真正进入另一种商业世界。 她原来以为制造业应该从零件做到整车,一家公司完成完整生产流程。到了义乌才发现,一个小作坊只做其中一道工序,也可以活得很好。 有人进半成品,加一点东西,就成为新的商品。 有人凌晨五点起床打包,下午进货加工,晚上七八点开始直播,一直播到夜里十二点。 北京白领熟悉的996,在那里甚至显得有点轻松。 她第一次看到,原来离开公司之后,还有这么多人以完全不同的方式挣钱和生活。 于是她留在了义乌。 拼多多,她试过。 回了半小时客服以后,她觉得自己“人都麻了”,很快放弃。 小红书,她也做过。 自己剪内容、发商品,后来又培训六个朋友一起做。五个人真的卖出了货,可她算完投入产出,发现自己花在教人的时间太多,这条供应链模式也没跑通。 然后她开始做跨境。 平台一个一个试,坑也一个一个踩,有的平台没有流量。 有的平台有销量,利润薄得吓人。 一个商品卖得越好,平台第二天反而要求你继续降价。你不降,流量就下去。于是她开始每天跟算法“谈判”,降3%会回来多少流量,降5%又会回来多少,利润和流量之间不断寻找平衡。 别人做跨境电商可能先看销量。 朝朝先看人。 一个人为什么买?在什么场景下买?买回去以后哪里不爽? 一条差评,到底是在表达事实,还是在释放情绪? 颜色不好看、手感不对、尺寸和图片想象的不一样,这些情绪都可能成为商品下一代升级的入口。 有人买错,是因为页面没有说清楚。 有人不会安装,需要把安装过程放进图片。 有人觉得东西太大或太小,那就在旁边放一个大家熟悉的物品,让用户立刻感受到真实尺寸。 她说,这其实还是产品经理原来干的事情。 以前看的是APP评论。 现在看的是商品评论。 产品变了,理解人的逻辑没变。 AI出现之后,这种能力突然被放大了。 过去选品要一个一个翻后台,两个小时以后脑子已经胀了。 现在她可以把数据接给AI,让它一次抓出大量商品、评论、趋势和异常数据。 但她还是会回到差评里。 因为同样一千条公开评论,每个人看见的东西都不同。 经历不同,理解需求的深度不同,最后做出来的产品当然也不同。 所以当吴熳问她:“如果GPT已经可能比你聪明,人到底还做什么?” 朝朝回答得很干脆:“人是做判断的。” 这可能也是整期最重要的一句话。 AI可以分析。 AI可以搜集。 AI可以画商品图。 AI可以整理供应商资料。 AI甚至可以每天自动跑任务,像一个真的助理一样,把结果送到飞书里。 可它告诉你的事情,究竟存在于真实世界,还是只存在于大模型的语言世界里? 人要把这道关。 她甚至把自己的工作流训练成了一种逐渐放权的过程。 先自己做,边做边告诉AI第一步、第二步、第三步。 让AI复述成SOP,换一个新商品,再跑一遍。 哪里需要判断,就停下来问她。 如果连续几次判断都足够好,这一部分权限就交给AI。 然后人继续往后退。 一个人的生意,开始越来越像一支团队。 可有两件事,她依然坚持自己做。 第一件是判断。第二件是跟真实的人建立关系。 供应商老板要自己聊。线下机会要自己抓。 就像这期播客本身。 朝朝原本只是一个播客听众,她和吴熳甚至连微信都没有。 那天线下第一次见面,吴熳发现她居然是一个在北京很少见到的“跨境电商活人”,直接问: “你晚上有事儿吗?” 朝朝问:“你要干嘛?” “陪我录一期播客。” 于是一个听众,当天晚上变成了嘉宾。 AI时代,机器越来越会工作。 人与人之间一次真实的开口,反而越来越珍贵。 💡本期你会听到 1. 一个做了十几年互联网产品经理的人,为什么会突然放弃原来的职场路线? 2. 当你曾经努力成为的“大领导”也被裁掉,职场信仰会发生什么变化? 3. 朝朝第一次去义乌,为什么感觉像突然发现了另一个世界? 4. 为什么她在那里第一次意识到,离开公司以后,人还有完全不同的活法? 5. 从拼多多、小红书一路试到跨境电商,她到底踩过多少坑? 6. 跨境平台为什么会出现“商品卖得越好,第二天越要求你降价”的机制? 7. 一个跨境卖家到底怎么跟平台算法“谈判”? 8. 产品经理的能力为什么可以直接迁移到跨境电商? 9. 为什么朝朝选品时先看差评,再看数据? 10. 怎样从一条差评里区分“事实问题”和“情绪问题”? 11. 用户嫌颜色、尺寸、手感不好,这些抱怨怎么变成下一代商品的方向? 12. 为什么商品详情页既要给人看,也要给机器看? 13. AI如何一次处理成百上千条商品数据和用户评论? 14. 当AI能够自动选品、整理数据以后,人还剩下什么价值? 15. 朝朝为什么认为“人是做判断的”? 16. 怎样把自己做过一次的工作逐渐训练成AI可以独立完成的SOP? 17. 一个人怎样利用AI建立出类似“小团队”的工作流? 18. 从1688找供应商、整理工艺和价格,到形成组织过程资产,哪些事情已经可以交给AI? 19. 为什么跟供应商老板建立关系这件事,她依然坚持真人来做? 20. 商品有销量以后,为什么可能值得花几万元重新开模? 21. 开模以后为什么又必须马上考虑专利? 22. 从互联网进入真实供应链以后,她第一次发现“物理世界”有多残酷? 23. 为什么一批货被仓库处理掉,比互联网项目报错让她痛苦得多? 24. 普通人想用30天入局AI跨境电商,朝朝为什么直接说“不可能”? 25. 如果真的想做,她给出的现实周期为什么是3到6个月? 🔥本期金句 “我的北极星没了。” “原来还有这样的生活模式,还有这样的商业模式。” “白领其实是一个很轻松的职业,因为有人给你托底。” “如果我没有产品经理的能力,我根本就做不了跨境电商。” “我属于需求驱动数据,我会先看需求,再看数据。” “你人生所有的路,就算是弯路,它也是好路。” “错误会教会我们成长。” “差评其实非常真实,因为人在上头的时候,会把最真实的感受说出来。” “你既要满足人的需求,也要满足机器的需求。” “大家都能看评论,但分析的角度不一样,分析的深度也不一样。” “在中国不缺供应链,所以还是要回到需求上。” “人是做判断的。” “AI帮你省劲儿,但判断百分之百还是要人做。” “AI时代,人与人线下链接的能力非常珍贵。” “每一步你不管是吃亏,还是踩对了,都没有关系。” “成长就没有白走的路。” ⏱Shownotes 00:15 一场临时起意的采访:听众当天变成了嘉宾 朝朝原本只是来参加线下活动。吴熳发现她在做跨境电商,当场把这个“活人”抓来录了一期播客。 03:46 职场干了十几年,她原本连人生终点都想好了 做到中高层、拿股份、等公司上市,这曾经是朝朝非常确定的人生计划。 04:53 当自己的“职业偶像”也被请走,北极星突然消失 原来即使跟老板一起创业、坐到很高的位置,也无法保证稳定。朝朝第一次开始重新思考职场的意义。 06:05 第一次去义乌,她的商业认知被彻底打碎 原来制造一个商品,不需要一家企业完成全部流程。无数小公司、小作坊,只做好产业链中的一环,也能挣钱。 07:54 凌晨五点打包,晚上十二点下播 义乌创业者真实的一天,让她第一次感觉北京996甚至显得轻松。 10:49 做了半小时拼多多客服以后,她决定退出 用户、退款和平台规则带来的巨大心力消耗,让她迅速判断这个平台不适合自己。 12:09 小红书卖货,她第一次尝试把自己变成“供应链” 培训六个朋友剪内容、卖商品,真的有人卖出了货。但最后发现,自己的管理投入和回报并不匹配。 13:37 她开始往跨境走 从国内电商一个平台一个平台试,最终进入跨境。没有一步跨到终点,全部是边做边学。 16:41 一个商品卖得越好,平台越催你降价? 流量和价格形成一种微妙博弈。降3%、5%还是10%,都可能改变第二天平台给你的曝光。 20:22 以前天天算Excel,现在AI直接读后台 大量过去需要人工VLOOKUP和计算的数据,现在可以让AI自动读取和整理。 21:08 “没有产品经理能力,我根本做不了跨境电商” 原来做APP时,她就天天研究用户评论。今天只是从软件评论换成了商品评论。 23:00 她的流派叫“需求驱动数据” 先问这个人为什么买,在什么场景使用,真正想解决什么,再用数据验证自己的判断。 24:43 一条差评为什么可能比好评更值钱? 因为人在最不满意、情绪最上头的时候,往往会留下非常真实的信息。 26:05 用户抱怨颜色不好看,也可能是产品机会 情绪、外观、手感、尺寸、使用方式,都可能成为下一代商品优化的入口。 27:27 宁可让用户别买,也尽量减少退货和差评 退货有成本,差评还会影响链接权重。商品页面真正重要的作用之一,就是降低用户决策中的摩擦。 29:35 商品页面同时面对两类“读者” 一类是真实用户,一类是平台算法。 关键词、图片文字、场景信息,都会影响机器怎样理解并推荐商品。 33:24 她甚至用AI读书,再让AI反过来考试自己 先输入,再让模型提问,自己输出答案。她把AI当成一种主动学习工具,而不只是摘要机器。 34:53 一个AI工作流是怎样被“教”出来的? 自己先跑一次,边做边告诉AI步骤,再让AI总结成SOP,最后换一个新任务重新测试。 36:11 人的作用开始变成“审核与授权” 一个环节连续几次判断得足够好,就逐渐把权限交出去。暂时做不好的地方继续保留人工。 40:50 当AI开始记住你,工作方式会发生什么变化? 上下文、偏好、尺寸和过往项目逐渐沉淀以后,很多过去每次都要重新解释的事情消失了。 43:08 她让AI直接读取与供应商的历史沟通 过去什么时候采购、商品属性、价格、数量,都可以重新整理,甚至比手工进货单更完整。 48:24 AI来了以后,选品发生了什么改变? 过去一个个商品人工翻,几个小时以后大脑已经过载。现在可以批量读取商品、趋势、竞品和评论。 51:01 选品真正要找的是“墙上的洞” 用户说自己需要一个锤子,真正需求可能只是墙上需要一个洞。产品经理的工作,就是继续向下追问。 52:09 所有人都能看到同样的评论,为什么结果还是不一样? 每个人的经历、判断、资源和理解深度不同,所以同一批数据最后可能长出完全不同的商品。 52:50 当GPT比人聪明,人来做什么? 朝朝给出的答案是:判断。 真实世界的经验,让人知道模型说的事情到底成立不成立。 56:12 AI觉得没有问题,人却可能已经损失了一批货 不同国家的平台规则和商业文化可能完全违背中国卖家的直觉。这些地方需要真人保持警觉。 01:01:13 从用户洞察走到供应链改造 发现现有产品有明显痛点以后,下一步可能已经不是改图片,而是重新开模。 01:03:06 她真的花过几万元给产品开模 当你决定做差异化商品,真实世界立刻出现新的问题:材料、工艺、模具、成本,以及专利。 01:29:18 AI时代,跨境电商真正稀缺的能力是什么? AI能替你看到更大的信息网,可最终哪一条值得相信、哪个需求值得下注,依然需要人判断。 01:31:19 跟供应商老板建立关系,她依然选择自己来 平台、数据、资料整理可以大量自动化。人与人建立信任,尤其在生意早期,依然需要真人出现。 01:31:51 供应链资料也不再需要自己做表 工艺、价格、交付周期、产能等资料交给AI沉淀,需要的时候直接让它重新读取和整理。 01:34:41 一个人开始拥有一支“虚拟团队” 任务自动跑,结果自动发到飞书,需要重做时像真的助理一样重新交付。 01:35:25 AI时代,线下连接反而变得更加珍贵 这一期播客本身就是例子。两个人此前没有微信,一次线下见面和一句邀请,就产生了这场近两小时的对话。 01:37:18 从产品经理到跨境再到AI,她觉得这一切是必然 网站、移动网页、小程序、APP,她一直在技术变化的线上。AI只是下一次顺着这条线继续往前走。 01:42:18 快问快答:最常用哪些AI? Codex和豆包已经覆盖了她大量工作和生活场景。工具数量没有那么重要,深度使用更重要。 01:43:14 做跨境电商最值钱的习惯是什么? 看到一个销量高的商品,就继续追问为什么。 01:43:32 最痛的一次卖货经历:所有东西都准备好了,货没了 页面、视频、物流、入仓全部做完,最后发现没有货。那种无力感让她至今记忆深刻。 01:45:14 普通人30天能入局AI跨境电商吗? 朝朝直接否定。她给出的现实周期是3到6个月,前期很可能还要亏钱。 01:45:39 真想入行,也许最好的办法是先去别人公司上班 “用老板的工资养你的经验。” 这是她回头看自己三年经历后,给普通人的现实建议。 01:46:15 下一步,她想继续加强独立站能力 不同平台、不同环境,可能激活一个人完全不同的优势。只有真的去试,才知道自己适合什么。 01:47:24 三年跨境电商,比十几年互联网成长得更快 从数字世界进入物理世界以后,货、仓库、物流、工厂、模具,每一个错误都有真实重量。 01:48:34 这期聊到最后,还是回到了“理解人” 跨境电商表面上卖的是中国商品,底层竞争的却是理解陌生消费者的能力。 💬听众互动 你有没有经历过自己的“职场北极星”突然消失? 曾经以为只要一直努力往上走,人生自然会抵达某个位置,后来才发现,外面还有完全不同的游戏规则。 如果让你看一千条商品差评,你觉得自己会看到抱怨,还是会看到机会? 还有一个问题: 如果AI已经可以替你搜数据、选品、画图、整理资料、做SOP,甚至像一个员工一样自己继续跑任务,你觉得自己最应该留下来的能力是什么? 欢迎在评论区告诉我们。 也欢迎把这一期分享给正在做跨境电商、产品、创业、副业,以及正在尝试把AI真正接进工作流的人。 真人真聊真AI,对白坦白灯下白。 我们下一盏灯见。

109 分钟 99+ 次播放 1个月前

54. 赵伟:从德国大众到工业 AI,二十多年制造业经验如何在FDE中派上用场?

54. 赵伟:从德国大众到工业 AI,二十多年制造业经验如何在FDE中派上用场?

灯下白-走进 AI 圈的真实对话

灯下白EP54:赵伟 🎙️嘉宾:赵伟 机械工程出身,曾在德国学习,并参与大众狼堡、匈牙利奥迪及大连发动机项目。此后在汽车及机床相关制造业工作二十余年,近几个月开始探索工业 AI。 主持人:吴熳 在得到直播讲过AI应用,在WaytoAGI北京切磋分享,代表中国在英国大使馆文教处国际大会全英发言讲中国AI如何赋能英语教学,AI牛马库导航科普网站 ka21.org 主理人 本节目由人类与GPT共同策划,剪映处理音频中水词,千问处理剪辑时间轴,GPT撰写Shownotes,Banana Pro生成播客logo,即梦生成播客封面,Suno生成片头片尾音乐,同时由声湃和中关村科学城公司提供录音场地,由罗德麦克风提供录音设备。感谢中关村科学城的政策支持! 《灯下白》坚持100% Human,真人真聊真AI,对白坦白灯下白。 🪝本期故事 二十多年前,赵伟在德国的汽车工厂里,看见一条生产线上密集运转的机器人。 那时的他学的是机械工程,还不知道自己会参与汽车发动机项目,更不会想到,有一天中国汽车会反过来成为他和德国朋友讨论的话题。 从大众狼堡、匈牙利奥迪,到回国参与大连的发动机项目,他一路看着制造业变化。说起一辆车,他想到的不只是品牌和外观,还有整车厂背后的一层层供应商:座椅、零件、工艺、质量标准,每一环都影响最后交到消费者手里的车。 他记得德国工厂的严谨,也看见中国制造这些年的创新。一个孩子到了德国,脱口而出“德国车也不过如此嘛”。这句话让他意识到,下一代看汽车的眼光,已经和自己年轻时不同。 然后,做了二十多年制造业的赵伟,被一位发小带进了 AI 的世界。 接触 AI 才几个月,他开始研究写代码的工具,也开始反复问自己:工厂里的经验,能不能和 AI 真正接上? 答案没有想象中简单。普通软件可以反复试错,生产线却不能为了验证一个想法随便停下来。一个判断失误,可能直接影响设备、产品质量和交付。 节目里,他用机床主轴举例:老师傅会听声音、摸温度,判断设备出了什么问题;如果传感器和模型能更早识别异常,能不能在故障发生前预警,甚至让设备主动降速? 讲到这里,吴熳追问:“这是已经做成的真实案例吗?” 赵伟说,这个闭环还在努力推进,需要机床厂一起参与。这个追问,也把“AI 能做什么”和“现在已经做到了什么”分开了。 两人继续聊到维修知识库、工业智能体、排产、材料研发,以及工厂最基础的数据问题。赵伟认为,很多企业谈智能化之前,还得先把数据整理好;在关键决策上,最终负责的人仍然是人。 聊到最后,话题又回到他自己。四十岁以后再学新工具,焦虑当然有。但 AI 也让他重新找到了学习的兴趣。他给同样来自传统行业的人一个很小的起点:先拿工具解决身边的一件事,再慢慢往专业场景里走。 💡本期你会听到 一个学机械工程的人,怎样从德国走进大众狼堡和汽车制造现场? 二十多年前的德国汽车工厂,什么给赵伟留下了最深的印象? 为什么看一辆车,不能只看整车厂,还要看一级、二级供应商? 当孩子觉得“德国车也不过如此”,一个汽车行业从业者听见了什么变化? 做了二十多年制造业,赵伟为什么在几个月前重新开始学 AI? 机床主轴的预测性维护可以怎样设计?离真正的自动预警和控制还有多远? 面对模型可能出错的问题,维修知识库能提供什么帮助? 工业智能体进入工厂后,人、数据和原有管理系统各自承担什么角色? 柔性排产和材料研发里的 AI,今天更多是在替人决策,还是给人提供辅助? 传统行业工作多年的人,开始接触 AI 可以从哪一件小事做起? 🔥本期金句 “有一种工业的精神是难以复制的。” “工业 AI 的话,不可能全生产线去停到让你去试。” “但是人是做最后决策的人。” “第一步要做这个数据清洗。” “AI 改变了一个人的学习方式。” ⏱Shownotes 01:18 从机械工程到工业 AI,赵伟先介绍自己的二十多年 从在中国、德国学习机械工程,到汽车和机床相关工作,再到最近开始探索工业 AI,赵伟把这几段经历放到同一条线上。 04:08 大众狼堡的招聘机会,怎样把他带进汽车工业? 毕业时遇上面向中国项目的人才招聘,他从德国汽车工厂的工作开始,后来参与发动机项目,也由此见证中国汽车工业的发展。 08:45 二十多年前走进德国工厂,满眼都是机器人 当年的自动化产线让他印象深刻。再回头看今天的中国汽车制造,他谈起自己眼中德国制造的严谨与中国制造的创新。 13:36 一辆车背后,还有多少层供应商? 从整车厂到一级、二级供应商,零部件和质量标准层层传递。赵伟解释,整车品牌的变化,也离不开供应链能力的变化。 19:55 “德国车也不过如此”:孩子的一句话让他重新看中国汽车 他讲起孩子到德国后的直观感受,又提到一位来中国交流的德国少年。不同年龄和成长环境的人,正在用不同的尺度看汽车与制造业。 25:28 一个发小,把二十多年的工业人带进 AI 从编程话题聊起,赵伟开始接触 AI 工具。他说,重新学习带来的兴奋感,让自己又一次愿意花时间琢磨新东西。 28:16 工业 AI 为什么不能像普通软件一样试错? 软件可以反复运行、修改,生产线却牵涉设备和产品质量。赵伟认为,工业场景的物理设备和试错成本,是 AI 走进工厂时绕不开的门槛。 29:21 二十多年的行业经验,在 AI 时代还值钱吗? 面对“工作会不会被替代”的问题,他谈到重复性工作与长期积累的行业判断,也承认经验并非绝对不可替代。 32:40 一根机床主轴,能不能在坏掉之前发出信号? 老师傅听设备声音、感受温度;传感器则可以持续采集温度、压力、振动等数据。赵伟用这个场景解释预测性维护的设想。 36:24 追问真实案例:从预警到自动降速,还有一步要走 吴熳问这个闭环是否已有真实案例。赵伟明确说仍在推进,需要机床厂共同参与;节目也由此转向工业 AI 的精度与可靠性问题。 38:52 维修知识库,怎样减少“答错故障”的风险? 从设备报警号检索对应原因,再结合维修手册和行业知识库,赵伟介绍了更受约束的问答方式,同时承认模型错误无法被绝对消除。 44:10 工业智能体进入工厂,人还做什么? 赵伟讲述自己接触到的工厂实践:智能体参与协调和研发建议,但参数是否采用、关键决定由谁负责,最后仍然要回到人。 48:21 没有数据,谈智能化会卡在哪里? 自动化、数字化、智能化是不同阶段。他提醒,很多工厂还没有整理好基础数据;做工业智能体前,先得弄清哪些数据有用。 50:38 排产、材料研发和管理系统,AI 今天能帮到哪一步? 从缺料时调整生产顺序,到缩小合金试验范围,再到在现有管理系统里接入智能体,赵伟分别讨论 AI 作为辅助工具的可能性与现阶段边界。 55:08 给四十岁左右、来自传统行业的你:先从一件小事开始 赵伟谈起自己也有过的焦虑。AI 改变了他的学习方式;给初学者的建议,是先用工具解决眼前的问题,再决定是否走向更专业的工业场景。 💬听众互动 如果你也在传统行业工作,你最希望 AI 帮你解决哪一个具体问题?在你的工作现场,最难交给 AI 的判断又是什么?欢迎在评论区聊聊。 也欢迎把这期节目分享给正在制造业里探索 AI,或者想重新开始学习的朋友。 真人真聊真 AI,对白坦白灯下白。 我们下一盏灯见。

60 分钟 99+ 次播放 1个月前

53. 赵莉:服务腾讯15年,这家用户研究公司的创始人开始用AI做高质量用户访谈

53. 赵莉:服务腾讯15年,这家用户研究公司的创始人开始用AI做高质量用户访谈

灯下白-走进 AI 圈的真实对话

EP53:赵莉 🎙️嘉宾:赵莉 北京百瑞利欣咨询有限公司创始人兼 CEO,深耕用户研究与体验领域二十余载,长期为互联网、前沿科技、游戏等赛道头部企业提供专业用研服务。公司与腾讯保持逾十五年深度合作,先后参与游戏、QQ、微信、腾讯视频、腾讯云等多条核心业务线的用户研究项目。具备丰富的北美、欧洲、东南亚等海外市场研究实践,完整见证国内用户研究行业二十年发展迭代:从传统市场调研、线下焦点座谈、入户实地观察,到 AI 赋能访谈、多语言跨区域用户研究,助力中国科技企业全球化出海,是横跨本土与海外市场的用户体验研究资深专家。 主持人:吴熳 在得到直播讲过AI应用,在WaytoAGI北京切磋分享,代表中国在英国大使馆文教处国际大会全英发言讲中国AI如何赋能英语教学,AI牛马库导航科普网站 ka21.org 主理人 本节目由人类与GPT共同策划,剪映处理音频中水词,千问处理剪辑时间轴,GPT撰写Shownotes,Banana Pro生成播客logo,即梦生成播客封面,Suno生成片头片尾音乐,同时由声湃和中关村科学城公司提供录音场地,由罗德麦克风提供录音设备。感谢中关村科学城的政策支持! 《灯下白》坚持100% Human,真人真聊真AI,对白坦白灯下白。 🪝本期故事 赵莉年轻的时候,没有什么职业规划。 学档案管理,是因为觉得毕业以后可以找一个安静的单位,最好不用和太多人打交道。 她甚至形容年轻时的自己是一个“超级社恐”。 后来,她进了央视动画部。 九十年代初的央视,对很多年轻人来说,是一个金光闪闪的地方。赵莉喜欢画画,也喜欢动画,考试一关一关地过,最后真的考了进去。 可她还是辞职了。 父亲甚至气得几乎要跟她“断绝关系”。 她又去过旅行社,又自己做过生意,又换过完全不同的工作。在别人看来,这个人实在太不安分。 直到有一次,她在街上偶然被一个市场调研访问员拉进去做广告测试。 她看了一段广告,测试包装,回答问题。 短短半个小时,她却觉得这件事太有意思了。 因为她喜欢问:为什么? 就是这一次偶然,让一个看起来不停换工作的人,终于找到了一件愿意做二十多年的事情:用户研究。 后来赵莉进入外资市场调研公司,在极其严谨的工作流程里训练自己。2009年开始创业,2011年前后进入腾讯供应商体系。 刚跟腾讯合作的时候,她还是那个棱角分明的人。 一次项目出了摩擦,她直接对甲方说: “我是站着挣钱的,我不是跪着挣钱的。” 结果,甲方让她写检查。 她一气之下甚至想过“不干了”。 一周之后,对方给了她一个台阶,让她回来继续做项目。 她真的把检查写了,也第一次开始理解,一个专业乙方除了要有能力,还要学会沟通、理解、包容和建立标准。 这一做,就是十五年。 从腾讯游戏,到QQ、微信、腾讯视频,再到腾讯云,一个只有几个人的小团队,逐渐成为科技企业身后很少被普通用户看见的一群人。 一个游戏上线之前,到底要找谁来玩? 一款运动相机进入市场之前,怎样确认真正的使用场景? 一个中国游戏准备进入印尼,结果找来的当地用户手机配置根本跑不动游戏,怎么办? 一台智能电视进入北美以后,用户究竟把它摆在哪里,每天什么时候开机,又在看什么? 一家中国公司去越南卖美容仪器,应该找到什么样的网红? 去北美找猎人做用户研究,甚至还要找到35岁的纽约都市女性猎人,又该去哪里找? 这些看起来稀奇古怪的问题,都是赵莉和团队每天真正处理的工作。 然后AI来了。 过去,一个真人主持人一天能做的深度访谈有明显上限。 赵莉最高强度的一次,十天跑了十二个城市。 休息时间几乎都在火车、大巴和飞机上,到地方直接开座谈会。最后累到连两个小时的访谈都很难撑完。 今天,AI已经可以先和海外用户进行十分钟的视频对话。 可以说不同语言,可以按照提纲提问,可以要求用户展示产品,可以转录,可以归纳,可以做小结。 没有时差,也少了很多语言障碍。 于是,一个很有意思的问题出现了: 当AI越来越会采访人,越来越会模拟用户,真人还值钱吗? 赵莉的答案是,人的专业度会越来越贵。 过去大量浅层、基础性的研究工作,会逐渐被AI接走。 可谁来设计研究方案? 谁知道应该问什么? 谁能判断一个用户说的到底是真话,还是为了拿访谈费临时编出来的? 谁能发现,一个游戏在印尼跑不起来,真正的问题可能根本不在游戏内容,而在当地用户手机配置? 谁又能理解,一个印尼用户访谈到一半突然全场消失,不是项目出了事故,他们只是到了祷告时间? AI可以替人做越来越多事情。 可越往后,越值钱的恰恰是那些标准、经验、判断和对真实人的理解。 💡本期你会听到 1. 一个自称“超级社恐”的人,为什么年轻时反而不停辞职、不停换行业? 2. 90年代初考进央视动画部以后,赵莉为什么最后还是选择离开? 3. 一次偶然的广告测试,怎么让她找到愿意做二十多年的职业? 4. 用户研究究竟在研究什么,为什么“找对人”本身就是一门专业? 5. 一个只有几个人的小团队,为什么可以成为腾讯超过15年的长期供应商? 6. 从游戏、QQ、微信到腾讯云,科技公司的用户研究到底怎么做? 7. 赵莉当年对甲方说出“我站着挣钱”的故事,后来怎样改变了她处理甲乙方关系的方式? 8. 为什么她的团队不允许轻易说“太难了”“做不到”? 9. 为什么标准化看起来增加工作,最后反而能够减少返工、扯皮和成本? 10. 没有AI的时候,专业用户访谈究竟有多累? 11. AI怎样帮助团队完成海外用户初筛、多语言访谈、转录、追问和总结? 12. 一个准备出海印尼的游戏,为什么可能卡在当地用户的手机配置上? 13. 印尼人做访谈突然全部离场、美国玩家把游戏测试玩成Party,这些跨文化细节为什么会直接影响研究? 14. 中国产品在国内验证成功以后,翻译成英文、印尼语或者越南语,就能直接卖到海外吗? 15. 当AI能够模拟越来越多虚拟用户,大公司为什么依然愿意花钱找真人聊天? 16. AI时代,普通用户研究员会不会消失? 17. 一个从业二十多年的用户研究者认为,这一行最值钱的习惯究竟是什么? 🔥本期金句 “我还没有找到适合我的,或者我能为之付出的事情。” “做了二十多年这个职业,让我深刻理解了一句话,三人行必有我师。” “太难了、做不到,在我们公司是不允许说的。” “我只接受最后没有做这个项目的原因是报价不合适、时间不合适。” “我是站着挣钱的,我不是跪着挣钱的。” “因为它有了标准,所以它好做;没有标准,它才不好做。” “我不会做低价竞争。” “专业技术大家可能差不多,最后看的其实是服务。” “翻译了,不代表这个产品就能成功卖出去。” “你还是要去做落地的研究。” “永远在学习,永远在成长。” “任何一个人都是你的老师,不管他给过你帮助,还是给过你伤害。” “人会对工作者的专业度要求越来越高。” “方案设计,是机器人做不出来的。” “首先一个就是人品。” ⏱Shownotes 00:15 一个“完全没有职业规划”的人,后来把一件事做了二十多年 赵莉年轻时不断换工作,学档案管理、进央视、做旅行社、尝试创业。别人眼里的“不安分”,其实只是一直没有找到真正愿意投入的事情。 03:16 年轻时,她其实是个“超级社恐” 最初想找一份不用和太多人打交道的工作,却因为不喜欢复杂的人际关系,一次次主动离开看起来很稳定的选择。 09:18 90年代初,她考进了当时金光闪闪的央视动画部 喜欢画画、喜欢动画,抱着“去试试看”的心态一路考试进入央视。真正喜欢的是创作,最后依然因为无法适应工作环境选择辞职。 12:00 在街上被拉去做了一次广告测试,人生突然拐了个弯 半小时的市场调研让赵莉第一次发现,原来有一个行业专门通过不停地问“为什么”,理解人是怎么做选择的。 15:05 做了二十多年用户研究以后,人会怎么看世界? 赵莉越来越相信“三人行必有我师”。用户、同事、客户、供应商,甚至那些带来摩擦的人,都成为她理解人与管理公司的老师。 20:12 一个几个人的小团队,为什么敢说“人人都是研究员”? 项目经验无法只靠课程获得。赵莉要求执行人员也看需求、理解需求、提出建议,团队靠一个又一个真实项目积累Street Smart的经验。 22:45 “太难了、做不到”,在她的公司里不允许轻易说 项目真正不能做的原因可以是预算,也可以是时间。面对困难,团队首先要和甲方一起找到调整方案。 23:32 管几十个兼职和供应商,最重要的是什么? 答案依然是标准。从招募、培训到交付,提前把指标和边界说清楚,反而能让项目更早完成。 27:23 跟腾讯合作15年,她把腾讯称作真正的“启蒙老师” 2009年创业,两年后进入腾讯供应商体系。公司真正开始形成专业服务能力,也是在一个又一个腾讯项目中被磨出来的。 28:24 “我是站着挣钱的,我不是跪着挣钱的” 刚做腾讯供应商时,棱角分明的赵莉因为项目摩擦直接和甲方顶了起来,甚至被要求写检查。一周以后,对方给了她台阶,也给她上了甲乙方关系里很重要的一课。 32:03 从游戏开始,一路做到QQ、微信、腾讯视频和腾讯云 很多普通用户每天使用的科技产品,在正式推出之前,背后可能都出现过这样一群找用户、看用户、问用户的人。 33:51 为什么赵莉坚持不做低价竞争? 真实、可靠的数据本身就有成本。为了压价牺牲样本质量和执行质量,最后失去的是整个研究结果的价值。 35:42 买了产品,不代表你就是真正的有效用户 用户有没有持续使用,在什么场景使用,为什么放弃某一个功能,这些行为对于产品团队来说,往往比“买没买”更加重要。 39:29 被试会不会为了拿钱编答案? 会。 因此专业用户研究需要大量交叉验证。社交账号、使用记录、现场展示、产品操作,都可能成为判断一个人是否真正符合样本要求的依据。 41:40 AI为什么首先改变了海外用户研究? 国内访谈已经很耗时,海外还多了时差、语言、文化和隐私保护。发几轮邮件可能两个星期过去,AI因此成为极适合处理前期沟通的工具。 43:25 AI先聊十分钟,真人再做深访 把访谈提纲交给AI,让它完成基础问题、产品展示、信息验证,再由真人研究员进行第二轮定制访谈。人机开始形成新的分工。 45:22 印尼语、印度语等小语种访谈,终于没有那么难了 AI能够多语言沟通,还可以转录、提炼和生成小结。大量原来消耗人力的基础环节开始被压缩。 48:58 没有AI的时候,工作量至少是现在的三倍 赵莉曾经十天跑十二座城市,休息几乎都发生在交通工具上。真人主持一天连续访谈,大脑很快就会进入饱和。 53:09 AI能做深访以后,研究员反而更需要专业 基础提问变得容易,真正决定项目质量的开始越来越集中到前面的方案设计,以及后面对信息的判断和提炼。 53:33 中国企业出海,真正难的地方可能叫“跨文化解码” 同一句话在不同语言和文化里可能完全不是一个意思。语义、语境、文化习惯,都可能改变一个用户真正想表达的内容。 55:14 一个中国游戏到了印尼,突然发现当地人的手机跑不动 项目招募已经完成,却发现用户的设备配置根本达不到产品要求。最后一边租手机继续测试,一边把这个现象本身反馈给研发团队。 59:28 东南亚、北美、欧洲,中国产品出海已经进入更复杂的阶段 研究之外,企业开始需要渠道、认证、当地合作伙伴和进一步的战略支持。用户研究开始向更加完整的出海服务延伸。 01:02:44 印尼人访谈到一半突然全跑了,他们只是去祷告了 海外研究真正有趣的地方,大量藏在这样的文化细节里。本地主持人的价值,也在于能够理解用户真正的表达方式和生活习惯。 01:03:54 美国人做游戏测试,为什么可能把现场玩成一个小Party? 聊天、汉堡、可乐,测试三个小时可能变成一整天,但他们又可能极其认真,坚持把游戏打通关才肯结束。 01:06:22 研究智能电视,真的要去别人家里看电视 入户研究需要观察电视摆放的位置、使用时间和真实家庭场景。越接近真实生活,研究的价值越高,执行难度也越高。 01:10:01 去北美找猎人,甚至还要找到一位纽约女性猎人 赵莉团队研究过狩猎、钓鱼、穿戴甲、泳池清洁机器人等各种细分人群。做一个新项目,就意味着重新认识一小块世界。 01:13:19 为什么一个行业做二十年还没有腻? 因为永远有新的产品、新的用户、新的国家和新的问题。这种持续的新鲜感,恰恰是赵莉留在用户研究行业的重要原因。 01:15:04 回头看这二十多年,赵莉给自己的总结只有十个字 “永远在学习,永远在成长。” 一路遇见的客户、用户、团队甚至挫折,都最终变成了她自己的经验。 01:16:41 当大模型越来越会制造“虚拟用户”,真人会不会越来越贵? 浅层研究工作会被大量压缩,对人的专业要求会继续上升。方案设计、判断、复杂执行,依然需要经验丰富的研究者。 01:17:47 腾讯已经拥有海量用户数据,为什么还需要花钱找真人聊天? 数据库可以告诉你很多信息,却很难完整记录情境、行为动机和不断变化的社会情绪。真实的人也一直在变化。 01:20:05 用户研究甚至可以连续跟踪一个人一年 同一个用户,一年前和一年后的选择可能完全不同。追踪调研研究的就是人、环境和社会情绪怎样一起变化。 01:20:53 中国卖得好的产品,翻译一下就能出海吗? “不大。” 当地收入、设备、语言、文化、法律、使用习惯和消费场景,都可能让一个已经在中国验证过的产品重新开始。 01:23:03 机器人出海欧洲,第一步可能先搞懂“标准是什么” 对于大量中国科技小企业来说,能够提前知道认证、测试与准入要求,本身就可能决定一款产品有没有机会真正进入海外市场。 01:24:41 快问快答:做用户研究二十多年,最值钱的习惯是什么? 赵莉只说了两个字:标准。 业务有标准,团队有标准,交付有标准,甲乙双方才能减少无穷无尽的扯皮。 01:26:03 做用户研究踩过最大的坑是什么? 没有标准,以及遇到缺乏契约精神的人。赵莉甚至曾经宁可主动终止一个国际大企业的项目、一分钱不要,也选择及时止损。 01:30:10 什么样的人适合进入用户研究行业? 赵莉把“人品”放在了第一位。 研究者需要站在公正的位置上,对甲方负责,也对真实数据负责。 01:32:51 未来一年,她希望第一次真正让更多人看见这个行业 一家低调做了十几年科技企业用户研究的公司,也开始思考怎样让自己的专业能力被更多人知道。 💬听众互动 你有没有过这样的经历: 年轻的时候不停换工作,被别人说“不安分”,后来才发现自己只是还没有找到真正愿意长期投入的事情? 如果你正在做产品、做品牌或者准备出海,你最想知道自己的用户哪一个问题? 以及,当AI已经可以替我们采访、记录、总结甚至模拟用户以后,你觉得真人身上还有什么东西,是数据库和AI永远很难完整替代的? 欢迎在评论区告诉我们。 也欢迎把这期节目分享给正在做产品、用户研究、中国企业出海,以及正在思考AI怎样真正进入业务流程的朋友。 真人真聊真AI,对白坦白灯下白。 我们下一盏灯见。

95 分钟 99+ 次播放 2个月前

52. 刘超:从“求你播我的歌”到主动付费会员,版权老兵看懂中国数字内容生意的20年

52. 刘超:从“求你播我的歌”到主动付费会员,版权老兵看懂中国数字内容生意的20年

灯下白-走进 AI 圈的真实对话

🎙《灯下白》EP52 刘超 🎙️嘉宾|刘超 长期从事数字内容行业,拥有多年版权管理、版权运营与版权保护经验。从广电,到互联网视频,到IP产业,再到生成式AI,刘超的职业经历几乎完整踩中了中国数字内容产业过去二十年的几个关键节点。2026年进入AIGC赛道创业,开始做AI漫剧、AIGC TVC广告等内容业务。 主持人:吴熳 在得到直播讲过AI应用,在WaytoAGI北京切磋分享,代表中国在英国大使馆文教处国际大会全英发言讲中国AI如何赋能英语教学,AI牛马库导航科普网站 ka21.org 主理人 本节目由人类与GPT共同策划,剪映处理音频中水词,千问处理剪辑时间轴,GPT撰写Shownotes,Banana Pro生成播客logo,即梦生成播客封面,Suno生成片头片尾音乐,同时由声湃和中关村科学城公司提供录音场地,由罗德麦克风提供录音设备。感谢中关村科学城的政策支持! 《灯下白》坚持100% Human,真人真聊真AI,对白坦白灯下白。 🪝本期故事 二十年前,一个歌手如果想让自己的歌被广播电台播放,甚至可能把小样从电台外面的栅栏递进去。 那时候,曝光比版权重要,歌手甚至希望电台能够多播几次。 二十年后,我们打开网易云音乐、腾讯视频、爱奇艺,交会员费已经成了一件再自然不过的事情。 而刘超,刚好亲历了这段变化。 他学的是法律,职业生涯却一直泡在内容产业里。从央视和央广那些积满灰尘的磁带、影像资料开始,他干的第一件重要的事,就是把过去没人说得清楚属于谁的“媒体资源”,一点点理清权属,让它们真正成为可以交易、授权、再次开发的“版权资产”。 后来互联网视频平台起来了。 百度文库、快播、搜狐视频、乐视、优酷、土豆,一代平台从盗版、正版化、版权大战一路打过来,中国用户也慢慢从“网上的东西为什么要钱”,走到了主动购买会员、电子书、知识付费甚至短剧。 再后来,刘超去了阿里文娱。 大家嘴里越来越频繁地说“IP”,他却一直在追问更底层的问题: 你到底拿到了什么权利? 《乡村爱情》拍了十几季,平台也拿了IP衍生开发权,做一个演员盲盒的时候,却可能还差一张演员肖像权。 一首电视剧主题曲,用在电视剧里没有问题,想单独放上QQ音乐赚钱,可能又是另外一套权利。 《长安十二时辰》里一个小小的道具,如果前期没有把权利签清楚,等剧火了再回头找制作团队,商业开发的成本可能已经完全不同。 于是我们终于明白,为什么迪士尼厉害。 电影、人物、玩具、乐园、衍生品、发行渠道,看起来是一整个IP宇宙,底下其实铺着一张极其复杂的权利网络。 然后AI来了。 图片可以生成,视频可以生成,声音可以生成,一支过去需要几十个人完成的广告,现在越来越少的人就可以做出来。 当生产成本不断下降,一个新的问题出现了: 如果AI把内容制作技术彻底平权,过去二十年好不容易建立起来的内容付费体系,会不会再次被冲垮? 刘超的答案很确定。 内容不会消失。 从人围着篝火讲故事开始,人类就一直需要内容。 AI改变的是生产方式。 而真正值钱的东西,依然藏在人脑子里那些走过的路、见过的世界、积累的常识,以及一个人究竟能不能把这些东西重新组合起来。 💡本期你会听到 1. 一个法学生,为什么一路进入央视、央广的版权资产管理体系? 2. 当年歌手“求着电台播歌”,中国内容产业后来发生了什么? 3. 百度文库、快播、搜狐、乐视如何共同推动中国互联网内容正版化? 4. 中国用户用了十几年,怎样从“网上就应该免费”走到主动为内容付费? 5. 为什么刘超说,很多看起来做IP、潮玩、影视、乐园的公司,底层都在做版权生意? 6. 《乡村爱情》做盲盒,为什么可能还差演员的一张肖像权? 7. 为什么作品可以不断裂变,一项IP后面可能藏着几十种不同权利? 8. 迪士尼、漫威、索尼和蜘蛛侠之间,到底发生过怎样的版权博弈? 9. 变形金刚为什么最早是为了卖玩具而出现的内容? 10. AI生成的人脸、声音、图片和视频,今天的版权究竟应该怎么算? 11. AI时代,一个内容从业者真正值钱的能力究竟是什么? 12. 当AI把内容生产成本打下来,我们还会继续愿意为内容付费吗? 🔥本期金句 “版权这件事情要变得有价值、能够赚钱,最后一定要落到商品上。” “权益可以无限延伸,作品也可以无限裂变。” “版权的复杂性就在这里,你稍有不慎,就可能把权利丢掉。” “你只要火了,能变现,就必然会有盗版,也必然会有搬运。” “怎么让更多用户喜欢你?讲故事是相对最容易的。” “AI时代需要更多的信息面,才能帮助你理解AI、判断AI的交付结果。” “当年加过的班、受过的累、写过的文档,到现在都有用。” “AI只是解决了一种生产方式的问题。” “从围着篝火开始讲故事,到今天,到未来,内容始终都会存在。” ⏱Shownotes 00:15 先点一盏灯,聊一个横跨二十年的内容产业老兵 刘超从数字版权一路走进AIGC,他的职业经历刚好串起广电、互联网文娱、IP商业化和生成式AI几个时代。 03:39 那些积满灰尘的录像带,怎么从“资料”变成真正的资产? 从央视、央广开始做版权资产管理。不可复现的历史影像拥有巨大价值,可要让它重新流通,第一步永远是把“它究竟属于谁”说清楚。 07:22 当年的歌手求着电台播歌,今天播放一首歌却要先谈版权 媒介地位、内容价值和版权意识在二十年里彻底翻转。数字内容时代,用户每一次消费的背后,都绕不开版权。 13:36 中国人到底从什么时候开始愿意为内容付钱? 从百度文库、快播,到搜狐视频和乐视,一场互联网版权战争,把用户从免费下载时代慢慢推入会员订阅时代。 22:16 从电驴、迅雷和MP3,到今天家家都有几个会员 过去搜索一首歌,很容易找到下载链接。今天越来越多用户已经把内容当成一项正常消费。中国人的精神产品消费习惯,就这样一点点改变了。 28:06 到底是谁改变了中国版权环境? 法律、司法体系、平台治理、商业利益、用户习惯共同作用。正版内容逐渐成为平台的核心资产,保护版权也开始直接关系到会员、广告、招商和竞争力。 35:50 从免费,到付费,到愿意付费,再到主动购买 电子书、知识付费、短剧、声音内容都走过相似路径。只要一种内容真正产生消费价值,付费模式迟早会出现。 39:15 进入阿里文娱以后,刘超重新开始“盘家底” 优酷究竟拥有多少剧?每部剧拿到了哪些权利?哪些内容还能继续开发?只有先把资产理清楚,IP商业化才真正有可能发生。 41:09 《乡村爱情》想做演员盲盒,结果发现还差一张肖像权 拿到了IP衍生开发权,依然不意味着所有东西都能直接做。演员的脸、主题曲、服装、道具,都可能对应新的权利。 46:39 一部作品为什么可以像树一样不断长出新权利? 文字、音乐、表演、视听作品,每一种作品背后都有不同权利主体。一次授权和另一种商业使用之间,可能隔着完全不同的合同关系。 49:29 为什么中国有这么多好IP,却很难长出一个迪士尼? IP开发需要从最终商业目标往前倒推,把制作团队、人物形象、道具、音乐和后续开发所需权利提前装进同一套体系。 51:00 《冰雪奇缘》背后,是一套完全不同的IP思考方式 乐园、玩具、角色、故事、电影可以互相驱动。一个内容项目的起点,有时候来自一个更加宏大的商业场景。 56:11 为什么蜘蛛侠换过那么多演员?答案可能藏在版权合同里 漫威经营困难时曾把大量IP权益分散出去。迪士尼收购漫威之后想重建宇宙,第一件重要的事情,就是把散落的版权重新拿回来。 59:50 从玩具到动画再到环球影城,变形金刚到底是谁的? 一个玩具形象进入影视以后会产生新的银幕形象,而电影火了之后,玩具公司又可能需要重新获得形象授权。内容和商品就这样互相推动。 01:03:34 大家嘴上都不说自己做版权,生意却绕不开版权 潮玩、影视、IP、广告、个人内容品牌,表面上的产品完全不同,背后都依赖内容和权利形成长期商业价值。 01:04:26 AI来了以后,版权问题一下变得更复杂了 训练数据、人脸、声音、生成内容、模型平台条款,都在制造新的边界问题。很多问题已经被看见,司法标准仍然在发展之中。 01:09:34 快问快答:刘超每天究竟在用什么AI? Shark Short、Kimi、WorkBuddy,以及为什么他喜欢让AI不断反驳自己,用它给自己的思考查漏补缺。 01:11:27 AI时代,一个内容人真正值钱的东西是什么? 看得足够多,拥有足够宽的通识,同时在脑子里建立自己的知识抽屉。需要的时候,知道应该从哪个抽屉里拿出什么。 01:14:08 普通人只有30天,怎么开始做AI漫剧? 先给自己留出真实的工具和算力预算。前21天大量看,后7天开始复刻,把脑子里印象最深的画面真正做出来。 01:17:24 AI把内容做得越来越便宜,会把内容付费体系冲垮吗? 刘超的回答是不会。 技术会变,生产方式会变,人类对故事、娱乐、陪伴和表达的需求一直存在。 📖故事摘要 如果把刘超过去二十年的经历连起来,会发现他一直在做同一件事: 研究内容究竟怎样变成资产,又怎样从资产变成生意。 他的职业起点,是央视和央广那些已经无法重新拍摄、重新录制的历史资料。 影像摆在库房里有价值,可只有权属清晰之后,它才能继续被剪辑、授权、数字化和开发。刘超参与的工作,就是把大量“媒体资源”重新变成真正可以运营的“版权资产”。 随后互联网来了。 过去歌手希望获得曝光,后来平台开始为了获得热门内容付出巨额版权成本。百度文库、快播、搜狐、乐视、优酷、土豆经历的一系列竞争,也慢慢改变了中国用户对数字内容的认知。 刘超亲眼看着一代用户从迅雷、电驴、MP3免费下载,走到今天主动购买视频会员、音乐会员、电子书、知识产品和短剧。 2018年进入阿里文娱后,他开始面对更加复杂的一张网。 一个IP究竟能不能做盲盒、做动画、做主题乐园、开发周边,并不只取决于它火不火。 真正决定商业空间的,还有过去到底签下了哪些权利。 演员肖像、音乐、道具、形象、改编、发行、信息网络传播,每一项权利都会决定这个故事还能往哪里继续长。 所以一个成熟IP最难复制的地方,往往藏在用户看不到的地方。 然后,生成式AI开始把生产成本快速压低。 刘超也从做了二十年的版权行业进入AIGC创业。 面对AI,他依然保留着过去那套思考方式。 工具可以换,模型可以换,生产成本可以降,但一个内容人积累过的常识、经验、审美、行业理解,以及把不同知识连接起来的能力,不会因为工具变强就突然失去价值。 他说自己最值钱的东西,是“通识”。 那些过去走过的路、加过的班、写过的文档、看过的舞台、电影和故事,最后都变成了大脑里的一个个抽屉。 AI来了以后,他反而可以更快地打开这些抽屉,把过去二十年的东西重新组合起来。 这可能也是这期节目最有意思的地方。 我们表面上聊了一个多小时版权。 最后聊到的,其实还是人。 当制作技术越来越平权,人真正经历过什么、理解过什么、见过多少世界,反而越来越重要。 AI会继续改变内容的形式。 而人类依然会继续讲故事。 💬听众互动 你还记得自己第一次开始主动为“内容”付费,是为了什么吗? 一张电影票,一个视频网站会员,一张数字专辑,一本电子书,一门课,还是某个你特别想继续听下去的故事? 如果今天让你重新盘点自己过去十年积累下来的“知识抽屉”,你觉得里面最值钱的东西是什么? 欢迎在评论区告诉我们。 也欢迎把这期节目分享给每一个正在做内容、做IP、做AIGC,或者正在思考AI时代自己究竟还剩下什么的人。

79 分钟 84 次播放 2个月前

51.黄啊码:从AIGC到Vibe Coding,他把每一次技术浪潮都变成了下一块积木

51.黄啊码:从AIGC到Vibe Coding,他把每一次技术浪潮都变成了下一块积木

灯下白-走进 AI 圈的真实对话

🎙《灯下白》EP51 黄啊码 嘉宾:黄啊码 创业公司CTO、广东省人工智能协会讲师、AI内容创作者,拥有十余年技术开发与产品实践经验。生成式AI兴起后,先后深入实践AIGC、Coze工作流、Vibe Coding等方向,并持续参与百度秒哒等AI开发平台的产品实践、赛事与商业项目。如今关注AI产品开发、企业交付、个人IP与AI商业化,持续探索普通技术人如何在模型快速迭代的时代建立自己的长期能力。 主持人:吴熳 在得到直播讲过AI应用,在WaytoAGI北京切磋分享,代表中国在英国大使馆文教处国际大会全英发言讲中国AI如何赋能英语教学,AI牛马库导航科普网站 ka21.org 主理人 本节目由人类与GPT共同策划,剪映处理音频中水词,千问处理剪辑时间轴,GPT撰写Shownotes,Banana Pro生成播客logo,即梦生成播客封面,Suno生成片头片尾音乐,同时由声湃和中关村科学城公司提供录音场地,由罗德麦克风提供录音设备。感谢中关村科学城的政策支持! 🪝本期故事 如果把黄啊码这些年的技术路径摊开来看,会发现他其实很少在一个工具上停留太久。 程序开发做了很多年,生成式AI起来以后,他先去研究大模型,又很快进入Stable Diffusion、Midjourney和AIGC视频;做了一段时间视觉创作之后,他发现自己的优势并不在纯审美,于是转向Coze工作流;等Vibe Coding开始兴起,他又把多年程序开发和工作流的经验迁移过去,继续用百度秒哒等平台做产品。 看起来一直在换。 但他自己并不觉得这些事情是割裂的。 因为每一次新工具出现以后,他做的其实都是同一件事:先上手,先做东西,再判断自己真正擅长的部分在哪里,最后把之前积累下来的能力重新装进新工具里。 黄啊码把自己的学习方式形容得很简单: “我的路子比较野。” 他很少等到“完全学会”之后再开始。往往是先碰到问题,再去补能力;做着做着发现一个环节不够,就继续往下研究。多年以后回头看,那些原本散落的知识反而慢慢拼成了自己的体系。 这也是他进入AI以后一个很明显的特点。 ChatGPT刚出来时,他当然研究过基础模型。但很快就发现,真正直接进入基础模型研发,并不是自己最有优势的战场。 那就换一个入口。 Stable Diffusion和Midjourney出现,图片给人带来的视觉冲击非常直接,他开始做AIGC图片和视频,也在这个方向上做出过一些成绩。 但做得越多,他反而越敢承认自己的短板: 审美没有那么强。 模型可以帮你生成一张图片,却不会因为你会写Prompt,就自动把十几年视觉训练塞进你的脑子。 构图、颜色、UI、人物风格和整体体验,这些能力依然需要积累。 所以当Coze工作流开始出现时,黄啊码反而一下找到了舒服的位置。 节点、输入、输出、条件判断、业务流程怎么拆、一个环节怎样连接下一个环节——这些事情,本来就是程序开发长期训练的能力。 过去写在代码里的逻辑,现在变成了更加直观的工作流。 再后来是Vibe Coding。 对很多普通人来说,这是第一次能够用自然语言真正做软件。 可对黄啊码来说,它更像一次新的能力迁移:以前要亲手写很多代码,现在可以把大量执行交给AI,但真正决定产品能不能成立的,依然是需求、结构、逻辑和最后如何验收。 所以他后来在百度秒哒上的一系列实践,并不是突然从天而降。 2025年参加秒哒相关黑客松时,他甚至很坦率地说: 最开始就是奔着奖金去的。 但既然参加,就认真做。 他还邀请塔塔一起参加。因为他很清楚,自己偏技术和产品逻辑,而塔塔在视觉与审美上能够形成很好的补位。 最后塔塔拿到第二名,黄啊码拿到第三名。 比赛结束以后,真正重要的东西才开始发生。 成绩带来认可。 认可带来曝光。 曝光以后,过去那些存在自己电脑里的产品第一次开始进入更多人的视野。 他之前做过小说相关产品,后来继续延伸到漫剧工具,再往后,真的有人带着需求找到他,开始产生定制开发订单。 走到这里,黄啊码才越来越清楚地看见一条商业路径: 积累 → 作品 → 认可 → 曝光 → 变现。 所谓“突然被看见”,很多时候只是别人只看到了最后两步。 真正决定后面能不能接住机会的,往往是前面已经做了多久。 AI确实把很多过程压缩了。 但它并没有取消积累。 💡本期你会听到 一个做了十多年技术开发的人,是怎样进入这一轮生成式AI浪潮的。 为什么黄啊码并没有把自己绑定在某一个AI工具上,而是不断从AIGC、工作流迁移到Vibe Coding。 长期程序开发到底训练了哪些能力,以至于新的AI工具出现以后,可以快速迁移。 为什么他说自己的学习方式“路子比较野”,以及“遇到问题再补知识”为什么也可以慢慢形成一套自己的体系。 早期医疗健康相关工作经历,为什么让他一直对“技术到底能不能真正解决人的问题”保持兴趣。 他怎样尝试让AI帮助梳理自己的健康信息,又为什么反复强调个体经验不能被直接复制,AI的回答也必须经过现实判断。 为什么在AI时代,“会使用模型”和“把判断权全部交给模型”完全是两件事。 ChatGPT出现以后,他为什么没有强行去卷自己并不占优势的基础模型研发。 Stable Diffusion、Midjourney为什么成为他进入AIGC视觉创作的重要入口。 做AIGC图片和视频以后,他为什么反而越来越清楚自己在审美上的短板。 AI为什么可以降低执行门槛,却不会自动抹平人与人在审美、判断和经验上的差距。 从AIGC转向Coze工作流,为什么是一次非常自然的能力迁移。 节点、条件、输入输出和业务流程为什么天然符合程序员的思考方式。 为什么他甚至在使用Coze之前,就已经自己折腾过类似逻辑的产品。 从Coze到Vibe Coding,上一代工具留下的能力怎样继续发挥作用。 为什么Vibe Coding并不等于“不需要产品思维”。 第一次接触百度秒哒时,他为什么没有立刻觉得它会改变一切。 参加秒哒黑客松,最开始为什么只是想拿奖金。 为什么他主动找塔塔组队,以及技术能力和审美能力怎样形成互补。 比赛名次之外,公开比赛真正能够带给个人什么。 从小说产品到漫剧工具,再到真正出现商业定制订单,一项能力怎样逐渐完成商业化。 为什么黄啊码说,很多看起来偶然的机会,往前追都有很长的积累。 个人做AI产品,到底应该花多少钱。 为什么过去他也喜欢研究“怎么白嫖”,后来却越来越发现,有时候不花模型的钱,反而会花掉更多时间。 免费模型、便宜模型和更强模型之间应该怎样做取舍。 个人实验和企业交付为什么完全是两套成本逻辑。 为什么企业客户不关心你调用哪个模型、花了多少Token,它真正购买的是最终结果。 一次为了替甲方降低模型成本的选择,为什么最后反而造成更多返工。 “省钱”为什么有时候是AI交付里最大的隐性成本。 为什么黄啊码认为,AI时代只靠一张传统简历证明自己越来越不够。 当AI可以帮助每个人写出一份漂亮履历,真正的项目为什么变得更加重要。 一个人有没有真正做过项目,为什么只需要向下追问几层细节就很容易判断。 产品、作品、文章和公开表达,怎样逐渐成为个人的新型履历。 为什么做个人IP不意味着一定要当网红。 IP如何降低陌生人理解你的成本,又怎样影响一个人的时间定价。 “我们上班本质上也在出售自己的时间”,那么怎样让同样的一小时变得更值钱? 黄啊码最常使用哪些AI产品,以及他怎样根据不同业务选择不同工具,而不是形成单一模型信仰。 企业交付里为什么“客户使用什么生态”本身也是工具选择的重要条件。 做Vibe Coding时,他认为最重要的产品习惯是什么。 为什么真正的问题往往不是AI不会做,而是人自己一开始没有把需求说清楚。 不断让AI“再改一版”,为什么和过去甲方不停让设计师修改非常像。 一个产品从第一版改到第五版,为什么最后经常发现还是第一版比较好。 什么叫终局思维:先定义最后什么叫“完成”,再让AI决定中间怎样实现。 需求、验收标准和边界为什么应该在人开始Coding之前先想清楚。 普通人用30天学习Vibe Coding,第一步为什么不是做一个宏大的创业项目。 从一个自己真正需要的小产品开始,为什么成功概率更高。 “自己就是第一用户”,对于产品验证意味着什么。 个人网站为什么是一个非常适合普通人的第一款Vibe Coding产品。 为什么一个真正需要用来介绍自己的个人网站,比单纯为了练习开发一个Demo更有意义。 未来的OPC为什么并不等于“一个人把所有工作全部做完”。 一个人的核心能力、AI、合作伙伴和外部专家怎样共同组成新的工作生态。 为什么知道“谁擅长什么”,有时候比逼自己什么都学会更重要。 🔥本期金句 我的路子比较野,很多东西都是遇到问题以后再去补。 AI可以帮你做很多事情,但你不能把自己的判断也一起外包出去。 尽信AI,就等于把脑子也让渡给AI。 做AIGC做得越多,我反而越能看到自己的审美短板。 工具越来越简单,并不意味着真正的能力差距消失了。 你本来就有优势的地方,为什么不用? 我不会强迫自己在别人最强的地方硬卷,我会找自己能力最容易迁移过去的位置。 很多所谓碰巧的机会,前面都有很长的积累。 真正的路径是积累、作品、认可、曝光,最后才是变现。 没有所谓突然成功,很多东西只是别人没有看到前面的过程。 AI时代该花的钱还是要花,有时候你省下的是模型费,浪费的是自己的时间。 企业客户购买的是结果,不是你中间用了多少个模型。 为了给甲方省一点模型的钱,最后反复返工,这个钱其实省错了。 如果这个时代还只靠一张简历证明自己,可能已经不够了。 Title可以包装,项目经历很难经得住连续追问。 个人IP不是单纯追流量,它是在让市场更快理解你到底值多少钱。 工作本质上也是在出售自己的时间。 Vibe Coding最重要的不是Prompt技巧,是你得先知道自己到底要什么。 先确定最后怎样验收,再让AI决定中间怎么做。 普通人的第一个AI产品,最好首先对自己有用。 你自己就是用户,这是一个非常好的开始。 一人公司不是让一个人把所有岗位都干一遍。 AI时代更像围绕一个人重新形成一套能力生态。 我不需要每一项能力都自己做到最好,我要知道谁在这件事上做得最好。 ⏱Shownotes 00:01 黄啊码登场:CTO、AI讲师与长期产品实践者 00:39 从传统程序开发一路进入AI,他的技术路径是怎么长出来的 01:35 具体知识会过时,为什么解决问题的思维可以一直留下 02:42 “我的路子比较野”:非标准化的技术成长方式 04:59 Java、PHP再回到Java,多年技术能力如何慢慢积累 05:22 为什么早期职业经历长期和医疗健康相关 07:04 一次用AI重新梳理个人健康问题的尝试 08:00 AI给出另一种思路以后,为什么仍然需要现实世界的专业确认 09:50 个体经验不能复制:AI辅助判断的边界在哪里 10:16 ChatGPT出现以后,他为什么没有继续硬卷基础模型 11:08 Stable Diffusion、Midjourney和AIGC视觉创作 12:10 做得越多,为什么越意识到审美的重要 13:10 转向Coze工作流:终于回到自己熟悉的逻辑世界 13:45 程序开发和工作流之间为什么高度相通 15:15 从Coze到Vibe Coding,能力如何继续迁移 15:44 百度秒哒进入视野 16:22 第一次接触秒哒,并没有想象中那么激动 16:54 参加黑客松:坦白说,一开始就是冲着奖金来的 17:19 拉塔塔一起参赛:技术与审美怎样互补 17:46 比赛成绩之外,真正重要的是公开认可 18:11 公开曝光如何进一步制造新的机会 18:32 小说工具、漫剧工具和第一张定制开发订单 19:03 积累—认可—曝光—变现,一条路径开始变清晰 19:31 为什么很多“突然成功”只是前面的过程没有被看见 20:16 AI工具到底该不该白嫖 20:41 省了模型费,为什么可能付出更多时间成本 21:02 个人使用和企业交付的成本逻辑有什么不同 21:23 真正开始交付以后,该花的钱省不掉 21:50 AI从业者为什么经常一边用最贵模型,一边熬最深的夜 22:54 技术之外,为什么开始认真经营个人IP 23:14 AI时代,传统简历为什么正在失去一部分证明力 23:51 AI能润色所有人的履历,但项目细节很难伪造 24:35 产品、作品和公开内容怎样成为新的个人名片 24:57 为什么做IP也可以理解成经营“自己这款产品” 25:22 怎样让自己的时间拥有更高定价权 25:46 快问快答:不同AI工具分别在什么场景下使用 26:42 最值钱的Vibe Coding习惯:先把需求讲清楚 27:10 为什么AI产品越改越乱,和传统甲方改设计完全一样 27:29 终局思维:先写验收标准 27:48 企业交付最大的坑之一:为了省钱选择了不合适的模型 28:16 甲方最后买的是结果 28:29 普通人30天入门Vibe Coding,应该先做什么 28:50 先做自己真正需要的一个小产品 29:19 为什么个人网站是很好的第一款AI产品 29:46 未来一年:先把身体和节奏照顾好 30:03 一步一个脚印继续经营自己的IP与产品 30:17 为什么不再追求每个方向都必须自己最强 30:37 一人公司并不是一个人什么都做 30:52 AI时代,一个人如何建立自己的能力生态 📖故事摘要 黄啊码做技术已经很多年。 如果只看今天,他身上有很多AI时代非常典型的标签:AIGC、工作流、Vibe Coding、百度秒哒、AI产品、个人IP、企业交付。 但真正把这些标签串起来的,并不是某一个模型。 而是迁移。 他的技术成长方式一直不算特别标准。 一个问题来了,就去解决一个问题;缺哪块知识,就补哪一块。慢慢做下来,曾经看起来零散的技术、产品和业务经验,反而形成了一套属于自己的方法。 所以ChatGPT出现以后,他没有因为自己是技术人,就默认一定要钻进基础模型。 研究过以后,他很快开始判断: 这到底是不是我的优势? 如果不是,就找下一个自己能够真正动手的位置。 Stable Diffusion、Midjourney等工具出现时,他进入AIGC图片和视频。 视觉生成第一次让普通人以极低门槛进入过去需要大量专业能力才能完成的创作。 黄啊码也认真做了一段时间。 越做,他反而越意识到: AI降低的是执行门槛。 不是审美门槛。 同样一个模型,有人做出来只是“AI味很重的一张图”,有人可以做成完整、有风格、有辨识度的作品。 差别依然来自人。 构图、颜色、UI、视觉判断,以及一个人到底看过多少好东西。 意识到这一点以后,他没有逼自己一定要成为最好的视觉创作者。 他开始重新寻找自己的优势。 Coze工作流出现以后,答案非常明显。 工作流里的节点、输入、输出、条件、变量和业务流程,对于一个做了多年程序的人来说非常熟悉。 过去这些东西藏在代码里。 现在AI和低代码工具把它们重新变成更加直观的结构。 黄啊码甚至发现,自己在正式接触Coze以前,就已经做过相似逻辑的产品。 工具是新的。 思维不是。 到了Vibe Coding阶段,这种迁移变得更加明显。 过去软件开发最大的壁垒之一,是把人的需求翻译成机器可以执行的代码。 现在大量翻译过程可以交给AI。 但这并不意味着人什么都不用懂。 恰恰相反,代码成本下降以后,真正影响产品质量的东西开始继续向前移动: 你的需求清不清楚? 业务结构合理不合理? 产品最后解决谁的问题? 什么叫做完? 怎么验收? 一个人如果连这些都没有想清楚,AI越快,只会越快生成一堆以后还要推倒重来的东西。 所以黄啊码现在特别重视“终局思维”。 先把终点描述清楚。 告诉AI: 我最后需要什么结果。 有哪些功能。 哪些东西必须满足。 验收标准是什么。 至于中间怎样实现,可以让模型参与判断。 这和很多人使用Vibe Coding的方式恰恰相反。 很多人先说: 帮我做一个App。 生成以后发现不满意。 再改。 这个地方调整。 那个地方再换。 改到第四版、第五版,代码越来越复杂,产品越来越乱,最后突然觉得: 好像还是第一版最好。 这不是AI的问题。 而是人类版的需求变更一直没有停止。 黄啊码过去做企业交付时,也踩过另一种很现实的坑: 过度考虑成本。 他曾经希望替甲方节省模型费用,所以选了价格更低但能力相对弱一些的方案。 结果输出质量不够。 甲方不满意。 继续改。 继续调。 再返工。 最后节省下来的模型费用,根本抵不过双方多花的时间。 这件事让他重新理解什么叫B端交付。 客户购买的不是Token。 也不是你中间的聪明操作。 客户购买的是结果。 如果一个更好的模型可以更快交出合格结果,该花的钱反而应该花。 所以黄啊码现在对“白嫖AI”这件事没有过去那么执着。 免费工具当然可以用。 但一个人的时间同样是成本。 模型贵100块,却能帮你省三小时;另一个工具完全免费,却需要反复折腾半天,这两件事到底谁更便宜,得重新算账。 他在百度秒哒上的经历,也让这套“结果思维”进一步延伸到了商业。 2025年参加相关黑客松时,他最开始的目的并不宏大。 奖金。 既然平台办比赛,那就参加。 他还把塔塔拉过来组队。 因为他知道自己技术逻辑强,但审美不是最突出的能力,而艺术背景的塔塔恰恰能形成补位。 最终塔塔拿第二,黄啊码拿第三。 可真正影响后续的,并不是比赛名次本身。 比赛给了作品一个公开的认可。 认可以后,别人开始知道这个人。 过去藏在电脑里的项目被看见。 小说工具进一步变成漫剧方向的产品。 随后真实的定制需求开始出现。 到了这个时候,他才把整条链路看得越来越清楚: 积累。 作品。 认可。 曝光。 最后才是变现。 今天看一个人突然接到AI订单,很容易觉得: 这个风口真好。 但再往前看,他可能已经做了一年、两年,甚至更久。 只是过去那些时间没有被市场看见。 AI时代只是让“被看见以后迅速变现”的速度变快了。 没有取消前面的积累。 也正是因为这样,黄啊码越来越重视个人IP。 AI能够把一份普通简历润色得非常漂亮。 Titles可以写得很好听。 经历可以包装。 但真正做过一个产品的人,一旦被追问细节,回答完全不同。 为什么这么设计? 踩过什么坑? 最开始的需求是什么? 用户用了以后怎么反馈? 模型为什么这样选? 从第一版到最后发生了什么? 问三层、五层,很难装。 所以在他看来,一个人在今天最有价值的履历,越来越不只是PDF。 而是公开存在的作品。 产品。 项目。 文章。 演讲。 真实案例。 这些东西共同组成一个人的市场认知。 所谓做个人IP,也不一定非要追求百万粉丝。 它更基础的价值,是让一个陌生人还没真正和你合作以前,就已经能够判断: 这个人到底会什么。 这样,信任成本会下降。 合作成本也会下降。 一个人的时间定价,可能随之改变。 从这个意义上来说,每个人其实都在经营“自己这个产品”。 上班是在出售时间。 咨询是在出售时间。 开发是在出售时间。 内容也是在出售某种注意力和经验。 真正的问题是: 怎样让同样的一小时越来越值钱? 黄啊码目前给出的答案,并不是让自己变成一个六边形战士。 恰恰相反。 他越来越接受: 我不需要所有东西都做到最好。 有人审美比我强。 有人营销比我强。 有人在某个模型上理解更深。 有人更懂一个具体行业。 我要知道自己的强项,也要知道其他强项分别长在谁身上。 AI则负责吃掉越来越多过去纯执行的部分。 这也是他对“一人公司”的理解。 一人公司并不等于: 这个人没有任何合作伙伴,一个人从早到晚把程序、设计、运营、销售、财务全部干完。 那仍然只是一个非常累的个体户。 真正的AI时代,一个人更像一个节点。 围绕自己连接AI、合作伙伴、专家、平台和客户。 自己保留核心判断。 其他部分不断调用更合适的能力。 这才更接近一个人的生态。 如果普通人今天第一次接触Vibe Coding,黄啊码也没有建议一上来就做一个“改变世界”的产品。 先做小的。 最好做一个自己真的会使用的东西。 比如个人网站。 如果本来就需要向别人介绍自己,那么它有真实用途。 可以拿来展示。 可以持续改。 可以真的收到反馈。 产品不是为了证明“我会用AI”。 产品首先应该有用。 这是AI把开发门槛不断降低以后,反而越来越重要的一条标准。 聊到最后,黄啊码谈未来一年。 他第一个说的是: 身体健康。 少熬夜。 这个答案放在一群天天讨论模型、Agent、Coding和创业的人中间,反而显得特别实际。 技术永远还会有下一个。 今年是这个模型。 明年可能又完全不同。 一个人不需要每次都成为最早的那一个。 真正重要的是,在工具持续变化的时候,还能持续把过去的经验带过去。 找到自己的优势。 做点真实的东西。 让别人看到。 接住新的机会。 然后继续往下一块积木走。 💬听众互动 如果AI已经让“把一个想法做成产品”的成本越来越低,那么你过去真正积累下来的那项能力是什么? 如果把它和今天的Vibe Coding结合起来,你最想做出的第一个真实产品,又会是什么?

32 分钟 99+ 次播放 2个月前

50.Terry Tang:从巴基斯坦工地到深圳跨境电商独立站,但他还是出来做了OPC

50.Terry Tang:从巴基斯坦工地到深圳跨境电商独立站,但他还是出来做了OPC

灯下白-走进 AI 圈的真实对话

🎙《灯下白》EP50 Terry 嘉宾:Terry Tang 跨境电商创业者、SEO/GEO实战者、AI工作流实践者。大学学习土木工程,毕业后曾参与“一带一路”海外工程项目,在巴基斯坦工作三年。回国后从外贸独立站切入跨境电商,长期深耕海外SEO,后做到SEO负责人,并加入AI SaaS初创公司参与产品出海。如今以OPC方式创业,运营AI工具出海网站、Claude Code训练营及跨境企业AI提效业务,持续探索AI时代的独立站、海外获客与品牌增长。 主持人:吴熳 在得到直播讲过AI应用,在WaytoAGI北京切磋分享,代表中国在英国大使馆文教处国际大会全英发言讲中国AI如何赋能英语教学,AI牛马库导航科普网站 ka21.org 主理人 本节目由人类与GPT共同策划,剪映处理音频中水词,千问处理剪辑时间轴,GPT撰写Shownotes,Banana Pro生成播客logo,即梦生成播客封面,Suno生成片头片尾音乐,同时由声湃和中关村科学城公司提供录音场地,由罗德麦克风提供录音设备。感谢中关村科学城的政策支持! 🪝本期故事 吴熳第一次看完Terry的履历,只说了一句话: “真的是干土木的,啥都能干。” Terry大学学的是土木工程。那个专业在他入学的时候还很热门,等真正走进社会,建筑行业的周期已经开始变化。好在他英语不错,毕业后进入一家中字头企业,参与“一带一路”海外工程项目,在巴基斯坦一待就是三年。 后来为了结婚和家庭,他回国了。 可回到湖北襄阳,他很快面对一个现实问题:原来的土木路径已经很难提供理想的工作机会。 他只好重新找自己身上还能卖出去的东西。 其中一个是英语。 另一个,是大学时期因为爱好自学的建站技术。 他进入一家外贸公司做业务,看到老板主要依靠阿里国际站等平台获客,就主动提了一个建议:做外贸,为什么不自己建网站? 老板问:你会吗? 他说:我会。 于是,一个土木工程毕业生,靠着自己大学里折腾WordPress留下的技术爱好,给公司搭起了独立站。 网站做好之后又有新的问题: 没人来。 为了让海外客户在Google里找到网站,他开始学SEO。从网站速度、页面结构、关键词调研,到英文博客、Landing Page、搜索意图和竞品分析,他一点点进入这个行业。 后来,因为一个QQ群里认识的“贵人”,他从襄阳来到深圳,真正进入跨境电商行业,并一路做到SEO负责人。 所以Terry的人生看起来一直在转行,但其实有一条很明显的暗线。 英语把他带到海外。 建站把他带进外贸。 SEO把他带到深圳。 跨境电商又把他带进AI。 每一次转身,都是上一段经历里那个当时看起来“不太重要”的能力,在几年之后突然派上了用场。 Terry第一次真正感受到生成式AI的冲击,也发生在SEO工作里。 以前做海外SEO,大量成本花在英文内容生产上。一篇专业英文稿件可能需要找海外写手,成本很高。后来他开始使用接入GPT-3.5能力的Jasper AI,只需要给出产品参数,AI就可以迅速完成英文产品描述和内容初稿。 那一刻,他觉得整个行业的成本结构都被改写了。 更戏剧性的是,后来ChatGPT自己上线,Jasper这种曾经让他觉得非常惊艳的工具,很快失去了原来的位置。 Terry亲眼看见了一个产品如何因为基础模型能力跃迁而被迅速削弱。 这也让这一期再次出现《灯下白》反复聊到的那个问题: 所有建立在模型能力缺口上的工程优势,都必须面对下一次模型升级。 但AI没有把SEO直接消灭。 Terry反而认为,只要人还需要寻找答案、解决问题,搜索这件事就不会消失。Google加入AI Overview,GEO开始兴起,搜索入口和答案呈现方式在变化,可“一个人有需求,然后去寻找解决方案”这个底层逻辑没有变。 于是他又从SEO开始研究GEO。 再后来,他加入一家AI SaaS初创公司,参与从0到1的海外业务。 可真正让他决定再次离开的,并不是职业危机。 而是工作突然变得太轻松了。 那时候Terry已经把大量SEO流程迁移进Claude Code,并提前配置了自己的Skills。每天到了公司,他只需要用自然语言告诉Claude Code: 帮我做最近的关键词调研。 看看哪些任务还没完成。 把几篇文章写出来。 检查一下站内优化。 然后AI就在后台开始工作。 Terry起身去泡茶。 等他回来,很多过去需要自己坐在电脑前处理很久的事情,已经做完了。 他后来形容,那一刻首先感受到的不是爽,而是: 无比的孤独和空虚。 因为他突然意识到,自己好像拿到了一把非常好的钥匙,却还待在一个已经过于舒适的位置里。如果继续每天花很少时间完成已经熟悉的工作,这种舒服反而可能变成一种蹉跎。 于是,他从公司出来,开始做OPC。 更有意思的是,他出来以后第一个被市场验证的产品,并不是一个复杂的AI SaaS。 而是一门Claude Code训练营。 最开始,他只是在深圳跨境电商社群里免费分享自己的AI工作流。有人安装都不会,有人不知道Skill是什么,也有人看了很多教程,却依然不知道怎样把Claude Code真正接进自己的业务。 Terry觉得,也许应该有一套Roadmap,从安装开始,一步一步带着大家真正做出来。 他采用了独立开发者非常典型的方式: 先别做。 先卖。 第一期课程连完整内容都还没有,只有大纲。他直接问社群里的朋友:我要做这样一个训练营,2000元,两天一夜,线下,有没有人来? 来了接近20个人。 后来一期又一期,做到了第六期。 这件事给Terry最大的冲击不是“原来培训能赚钱”。 而是: 原来一个人真的可以不上班,也能养活自己。 这是一种完全不同的底气。 公司给你的工资,不一定是你全部的市场价值。真正能够被拿走的,是你积累了多少行业Know-how,有多少人相信你确实解决过问题,以及你能不能把这些经验重新组织成别人愿意付费购买的结果。 现在,Terry依然在运营自己的AI工具出海网站。其中一个网站每天大约有1000名用户访问,也已经能够产生相对稳定的广告收入。 而他正在越来越关注另一个机会: 中国小B企业的B2B出海。 过去,一个非常细分的中国制造企业想自己做海外独立站,成本并不低。建站需要人,设计需要人,SEO需要人,网站运营需要人,英文内容同样需要人。 所以很多企业最后只能依赖平台。 但AI Coding正在把这些成本快速压下来。 如果一个工厂只生产一种非常细分的产品,比如沙发垫、挂绳、某种器械配件,它过去可能因为市场太小,根本养不起一整套独立站团队。 现在,一个人就可能同时完成建站、设计、内容、关键词调研和部分运营。 而越垂直的B2B产品,搜索需求往往越精准。采购商不是随便看看,而是真的可能一次买100件、1000件。一旦在Google或者未来的GEO场景里抓住这个需求,单个询盘的商业价值可能远高于大量普通C端流量。 Terry已经在身边学员身上看到真实案例: 一些极其细分的B2B独立站,每天能够收到四五封来自海外采购商的询盘。 这也是为什么他在节目里忍不住把它称为: “财富密码。” 当然,他非常清楚,从“知道财富密码”到“真正赚到钱”,中间还有巨大差价。 这也是Terry整期节目最稳定的一套方法: 不要上来就写文章。 先诊断网站。 不要上来就做产品。 先查需求。 不要自己坐在那里猜海外用户喜欢什么。 先看关键词、趋势、竞争和搜索意图。 关键词调研在他看来就是“兵马未动,粮草先行”。 SEO的目的也从来不是写文章。 从第一性原理倒推,最后要的是利润;利润之前是成交;成交之前需要流量。 文章只是其中一种获得自然流量的方法。 AI时代,这套逻辑依然没有变。 只是一个人能够完成的环节,突然多了很多。 💡本期你会听到 土木工程毕业的Terry,为什么第一份工作跑去了巴基斯坦,以及英语怎样成为他人生第一次换轨的关键能力。 从“一带一路”海外工程回国以后,他为什么没有继续做建筑,而是在湖北襄阳一家外贸公司重新开始。 明明是土木工程专业,为什么他会搭网站。一个大学时期自己折腾WordPress的爱好,后来怎样变成真正的职业筹码。 他为什么主动说服外贸老板建立独立站,以及当一个网站建出来却没有人访问以后,SEO又是怎样进入他的职业生涯。 从襄阳到深圳,一段QQ群里认识的关系为什么最终带给他跨境电商职业机会。 SEO到底是什么?为什么“SEO=写文章”是一个很大的误解。 网站速度、移动端适配、Google抓取、关键词、页面文案、Landing Page和博客内容分别解决什么问题。 什么叫Thin Content,为什么一个只有产品和广告、缺少足够信息的网站很难获得搜索引擎信任。 为什么Terry认为SEO既需要理科思维,又需要文科思维,而且真正日常工作里文科能力可能反而占得更多。 以前没有AI时,一篇1000多词的英文文章为什么真的需要“手搓”。 SEO的第一性原理是什么:为什么最后要从利润一路倒推到成交、流量和内容。 为什么拿到一个网站以后,第一步不应该马上写文章,而是先做网站诊断。 关键词调研为什么叫“兵马未动,粮草先行”。 Semrush、Ahrefs等专业工具到底在查什么,搜索量、关键词难度、趋势和网站权威度怎样影响决策。 小众、蓝海、高利润的关键词为什么可能比大流量红海词更有商业价值。 Terry过去是怎样学HTML、CSS、服务器和网站技术的,以及为什么他的学习方式一直是“遇到问题,再解决问题”。 英语能力为什么从巴基斯坦工程项目一路影响到他后来的跨境电商职业。 第一次使用Jasper AI生成海外SEO内容时,他为什么觉得行业发生了转折。 过去需要海外写手完成的英文内容,GPT-3.5时代已经怎样开始降本。 Jasper AI后来为什么迅速失去原来的优势,以及基础模型升级怎样改变AI应用创业的生存环境。 AI生成内容越来越容易以后,SEO到底会不会消失。 Google AI Overview、SEO和GEO之间是什么关系。 为什么Terry认为,只要人还在寻找答案,“搜索”作为需求就不会消失。 GEO是不是SEO上面套了一层RAG?为什么现在行业开始发现,两者不能完全画等号。 做到SEO负责人以后,他为什么主动进入AI SaaS创业公司。 每天高强度使用AI超过数小时,一个人的职业方向会怎样被重新塑造。 为什么他最后离开AI SaaS公司,选择自己做OPC。 那杯改变职业路径的茶:给Claude Code下完指令以后,回来发现工作全部完成,为什么反而让他感到孤独。 一个人工作效率变得太高以后,舒适区为什么反而可能变危险。 Claude Code训练营是怎样从一次免费社群分享长出来的。 为什么有人连安装都卡住,而“知道这个工具”与“真正把它跑进业务”之间存在巨大差价。 什么叫预售:课程还只有大纲时,为什么Terry已经开始收费。 第一期2000元、两天一夜、接近20个人,为什么大家愿意为一个当时并不算大IP的人付钱。 培训产品做到第六期以后,最大的流量来源为什么开始变成老学员转介绍。 为什么真正值钱的不是“会Claude Code”,而是Terry多年SEO和跨境电商经验怎样被Claude Code放大。 “原来人真的可以不上班也养活自己”,这句话为什么对一个经历过行业周期的人尤其重要。 35岁危机究竟是什么:一个人的价值到底来自公司平台,还是可以被独立拿走的能力。 为什么Terry认为培训不会是自己长期唯一的业务。 跨境企业愿意为什么样的AI提效结果付钱。 找海外Influencer、批量开发B2B客户,这些重复工作怎样越来越适合Agent完成。 为什么Terry判断,2026年的细分B2B小企业出海可能存在很大的机会。 一个只卖沙发垫、挂绳或者细分器械的中国企业,为什么反而可能适合做海外独立站。 过去做独立站为什么贵:开发、SEO、运营、设计、内容,每一个岗位都是成本。 AI Coding把这些成本压缩以后,小B企业为什么第一次可能真正有能力自己建立海外品牌阵地。 B2B独立站为什么可能比平台更容易抓住精准搜索需求。 每天四五封海外采购询盘,对一个细分工厂意味着什么。 Terry自己的两个AI工具出海网站是怎么做出来的,其中一个为什么已经有每天约1000名访问用户。 如果今天重新拿一台电脑,从零做一个AI出海项目,他最不愿意省掉的两笔钱是什么。 为什么第一笔钱应该花在查词和需求研究,而不是Logo和复杂开发上。 为什么做AI项目必须计算开发、Token、服务器、时间和长期运维成本。 “Terry的美妙工作流”这个名字是怎么来的。 为什么最理想的工作状态,是AI在后台吭哧吭哧干活,人只负责提出目标、验收结果和喝茶。 快问快答里,Claude Code、ChatGPT和Grok为什么成为他最常用的AI工具。 为什么他会觉得Grok在实时海外信息检索上特别有优势。 他认为最值得所有人改变的一个AI习惯,为什么居然只是语音输入。 一个成熟的语音输入法怎样从“识别声音”变成“理解你的表达并自动润色”。 AI网站真正开始有流量以后,他踩过最大的一个成本坑是什么。 为什么Demo部署很简单,但生产环境一旦开始赚钱,就必须重新考虑流量、成本和稳定性。 普通人30天学SEO/GEO,为什么他第一个推荐的不是付费课,而是Google官方文档。 未来一年,Terry为什么希望培训收入占比下降,把更多精力放到跨境独立站AI提效、海外推广和品牌建设。 🔥本期金句 干土木的,确实什么都能干。 英语是我当时赖以生存的一个技能。 SEO不是写文章,写文章只是SEO的一种方法。 从第一性原理倒推,我们最终的目标是利润,利润之前是成交,成交之前是流量。 关键词调研就是兵马未动,粮草先行。 你不能坐在那里想用户需要什么,你得把需求真正查出来。 SEO既需要理科生思维,也需要文科生思维。 我学东西基本不是先完整学一遍,而是遇到问题解决问题,最后突然发现一套体系都学会了。 AI第一次让我意识到,语言的隔阂和技术的隔阂都可以被大幅降低。 只要人还需要解决问题,搜索这件事就不会消失。 有一天我给Claude Code下完指令,出去泡了一杯茶,回来发现工作已经全做完了。 那一刻我感到无比孤独和空虚,因为我发现自己过得太舒服了。 原来一个人真的可以不上班,也可以养活自己。 无论你卖什么,只要是在解决真实需求,就有机会解决自己的生存问题。 秒懂没有用,做和秒懂中间有差价。 真正值钱的是,你已经踩过这些坑,知道遇到问题该怎么解决。 以前叫个体户,现在有了技术,叫OPC。 细分B2B小企业在2026年可能有大结果。 以前一个独立站需要开发、运营、SEO和设计,现在很多事情一个人真的能干。 我做AI工具站,第一步永远是先找到海外用户一个具体的需求。 创业成本不只是开发,还有Token、服务器、时间和运维。 我的美妙工作流,就是AI在后台完成工作,我负责验收,然后喝咖啡、喝茶。 一个非常简单、但所有人都应该开始用的工具,就是语音输入法。 Demo和生产环境是完全不一样的,真正有用户以后,成本一定要重新算。 大道至简。很多行业入门的方法其实都一样。 ⏱Shownotes 01:26 Terry登场:一个跨境电商创业者 01:51 “干土木的啥都能干”:完全跨界的人生起点 02:07 土木工程毕业后,为什么去巴基斯坦做了三年海外项目 03:19 第一次长期生活在巴基斯坦是什么体验 04:30 回国、准备结婚,以及建筑行业周期带来的第一次转行 05:29 一个土木工程学生为什么大学时就会搭网站 06:16 说服外贸老板:做海外生意,为什么必须试试独立站 06:59 从襄阳来到深圳:一个QQ群里认识的贵人 08:42 真正进入跨境电商以后,SEO每天到底在干什么 09:03 SEO为什么同时需要技术思维和内容思维 09:47 Thin Content:网站内容太薄为什么很危险 10:49 最大的误区:SEO不等于写文章 11:33 从利润、成交倒推到自然流量 11:52 拿到一个网站以后,第一步为什么是诊断 13:33 关键词调研为什么叫“兵马未动,粮草先行” 14:04 Semrush、Ahrefs与专业关键词研究 15:07 搜索量、蓝海、竞争度和利润空间怎样一起判断 16:11 HTML、CSS、服务器,这些技术能力是怎么自学出来的 16:45 遇到问题解决问题:Terry的长期学习方法 17:25 SEO到底训练了什么能力 17:39 为什么一个SEO负责人反而认为自己文科思维更重 19:46 第一次用AI写英文SEO内容,行业转折出现了 20:00 Jasper AI怎样大幅降低海外写手成本 21:50 内容生产门槛下降以后,SEO从业者第一次感到危机 22:41 Jasper先火起来,ChatGPT上线以后发生了什么 25:37 亲眼看着一个曾经常用的AI工具消失 27:42 AI生成内容以后,SEO为什么没有消失 28:13 Google AI Overview与搜索的新形态 29:39 GEO和SEO究竟是不是一回事 30:55 做到SEO负责人后,为什么主动加入AI SaaS初创公司 32:11 跨境经验与AI产品出海,怎样自然接到一起 33:02 为什么又从AI公司离开,决定做OPC 33:30 把整个SEO工作流搬进Claude Code 34:26 泡完茶回来,发现自己的工作已经全部做完 34:40 “无比孤独和空虚”:效率太高为什么反而促成辞职 35:56 OPC后的第一个稳定现金流,为什么是Claude Code训练营 36:44 “出来混最重要的是出来”:从一次免费分享开始 37:18 安装、Skill、PPT、飞书:为什么需要系统Roadmap 37:56 独立开发者的预售思维:课程还没做,就先卖 38:36 第一期2000元,两天一夜 39:34 接近20名学员为什么愿意成为“初始股东” 41:00 为什么卖得出去的不是Claude Code,而是“跨境电商+AI” 41:32 做到第六期以后,他第一次意识到不上班也能活 42:20 老学员转介绍为什么逐渐成为核心来源 43:40 35岁危机:自己的价值是不是只能依赖公司平台 44:48 培训之外,开始给跨境企业做AI提效 45:14 为什么长期方向一定还要进入B端 46:06 Agent怎样帮助跨境团队寻找海外Influencer 46:25 B2B客户开发为什么也适合AI自动化 47:50 “我看到一个财富密码”:2026年的细分B2B出海 48:53 过去小企业为什么很难承担独立站成本 49:36 独立站SEO/GEO为什么可能让细分产品直接跳出平台竞争 50:14 真实案例:一些B2B网站每天收到四五封海外询盘 51:18 开发、SEO、运营和设计,以前到底要养多少人 51:45 AI Coding以后,一个人为什么真的能干很多环节 52:58 Terry现在还在运营哪些网站 53:23 其中一个AI工具站每天约1000名用户访问 54:05 两个AI工具出海网站,都是从一个具体海外需求开始 55:04 如果从零重新做一个AI出海项目,他会先花哪两笔钱 55:24 先买查词工具,再找到需求,然后才建站 56:09 开发、Token、服务器、时间与运维:把成本全部算进去 57:10 公众号为什么叫「Terry的美妙工作流」 57:39 AI工作,人喝茶:什么叫真正的美妙工作流 58:44 快问快答:今天到底透露了多少“财富密码” 59:06 最离不开的AI工具:Claude Code、ChatGPT与Grok 59:13 为什么Grok适合追实时海外信息 01:00:37 最值钱的习惯,居然是语音输入 01:01:45 豆包语音输入怎样帮Terry在地铁上快速整理自我介绍 01:02:13 AI时代,为什么语音输入已经不只是语音识别 01:03:01 最大的建站坑:免费托管遇到流量暴增 01:04:12 Demo可以随便部署,生产环境为什么必须重算成本 01:05:23 普通人30天入门SEO/GEO,应该从哪里学 01:05:53 Google官方SEO文档,为什么可能比很多付费课更适合入门 01:06:50 “大道至简”:不同行业走到最后的方法为什么越来越像 01:07:15 未来一年:降低培训占比,继续做跨境企业AI落地 01:07:44 独立站AI提效、海外推广和品牌建设,才是下一阶段 💬听众互动 如果AI已经能替你完成现在工作里80%的重复任务,你会选择留在原来的岗位里,把日子过得更轻松,还是像Terry一样,拿着被释放出来的能力去重新做一门自己的生意? 更现实一点:如果现在只给你一台电脑,你最想把自己过去哪一段行业经验,做成一个真正能卖到海外的产品或服务?

69 分钟 99+ 次播放 2个月前

49. 史柏帆×张磊:从《三体》到一稿过的出海短剧,他们用AI重新做导演

49. 史柏帆×张磊:从《三体》到一稿过的出海短剧,他们用AI重新做导演

灯下白-走进 AI 圈的真实对话

🎙《灯下白》EP49 嘉宾:史柏帆、张磊 史柏帆 AIGC导演,AIGC影视创作者、创业者,长期进行AI视频与内容创作实践。 张磊 程序员出身的AIGC导演。因为长期热爱影视与《三体》,2024年前后开始尝试用AI把小说转化成画面,并逐渐从技术开发转向AIGC影视创作。如今与史柏帆共同从事AI短剧、影视资产设计与导演工作。 主持人:吴熳 在得到直播讲过AI应用,在WaytoAGI北京切磋分享,代表中国在英国大使馆文教处国际大会全英发言讲中国AI如何赋能英语教学,AI牛马库导航科普网站 ka21.org 主理人 本节目由人类与GPT共同策划,剪映处理音频中水词,千问处理剪辑时间轴,GPT撰写Shownotes,Banana Pro生成播客logo,即梦生成播客封面,Suno生成片头片尾音乐,同时由声湃和中关村科学城公司提供录音场地,由罗德麦克风提供录音设备。感谢中关村科学城的政策支持! 🪝本期故事 这大概是《灯下白》目前最像“三个人误入别人家客厅”的一期。 节目刚开始,史柏帆就以“公主式出场”坐进镜头。吴熳坐在史柏帆和张磊中间,忍不住说:你们两个怎么这么像两口子? 他们最近确实几乎每天都在一起。 一起创业,一起做AIGC公司,一起接甲方的AI短剧,一起讨论资产、分镜、世界观和镜头。工作强度很高,但史柏帆说,他们反而觉得很幸福,因为两个人很多时候意见一致,兴趣也接近;一方忙不过来,另一方自然补位。 他们最近做的一部海外短剧,剧情也很典型。 一个原本漂亮的皇后被人陷害,吃了让自己变胖的药,在国王生日典礼上遭到羞辱,最后完成逆袭。这个故事听起来甚至有一点狗血,但史柏帆和张磊并不排斥。 因为出海短剧首先面对的,仍然是最基础的人性。 受辱、委屈、逆袭、爱、嫉妒、愤怒、快乐,这些情绪并不会因为观众来自美国、欧洲还是中国就彻底不同。真正不同的,是服装、建筑、文化背景、行为逻辑和生活习惯。 所以他们做AIGC短剧,不只是“给模型一句Prompt”。 一部架空宫廷剧到底处于哪个时代?巴洛克还是洛可可?建筑应该有多古老?女王穿什么衣服?头饰、王冠、家具和沙发应该怎样搭配?一个穿越者把现代物品带进古代环境以后,什么样的反差才真正成立? 这些都需要在生成以前被设计。 人物是一套资产,服装是一套资产,场景、家具、重要道具也都是资产。到了真正的视频阶段,再像传统导演调度现场一样,把角色、位置、动作、台词、情绪和镜头重新组织起来。 史柏帆说,现在的AI视频创作正在发生一个很明显的变化: 以前更像动画思维,现在越来越像导演思维。 而张磊就是这种变化里很有代表性的人。 他原本是程序员。 但他一直喜欢电影,也一直是《三体》的书迷。他曾经有一个很简单的愿望:能不能把自己脑海里的《三体》真正做成画面,让别人也看到? 2024年前后,AI视频工具开始出现,他突然发现,过去需要庞大影视工业体系才能完成的东西,个人第一次有了机会。 于是他开始做,越做越多,越做越喜欢,最后真的从程序员走成了AIGC导演。 但工具变强,并没有让导演变得不重要。 恰恰相反。 当AI越来越会生成画面,真正困难的问题开始从“能不能生成”,转向“你到底想生成什么”。 张磊做《三体》时,有一场云天明回忆自己人生经历的戏。他用了差不多三天完成,却因此低落了一个星期。 因为在制作过程中,他必须把自己带进角色。 角色为什么这样说话?这个时候应该是什么表情?镜头离他多远?情绪什么时候起来,什么时候落下? 过去演员自己要进入角色。 现在AIGC导演甚至要替AI演员进入角色。 这也是史柏帆认为,AI依然很难真正替代导演和编剧的原因之一: 导演最核心的能力,是共情。 不是知道哪个模型参数更高,而是能不能进入一个和自己完全不同的人,看见他的处境,理解他的欲望,再让观众也相信这一切。 所以聊到最后,两个人给想进入AIGC影视行业的人一个几乎完全不像技术教程的建议: 先看电影。 去看真正优秀的影视作品。 看节奏为什么这样变化,看分镜为什么放在这里,看人物为什么这样表演,看一部成熟作品怎样让情绪呼吸。 模型当然还会继续变。 但电影为什么好看,这件事不会因为模型更新一次就自动改变。 💡本期你会听到 史柏帆和张磊为什么决定一起创业,以及两个长期高度协作的人怎样在AIGC影视公司里互相补位。 海外AI短剧的甲方到底在买什么。从剧本到分镜,再到最终视频,AIGC团队需要承担哪些真实交付环节。 为什么“被陷害的胖皇后逆袭”这样的剧情会适合海外短剧,以及不同国家的观众背后有哪些共通的人性。 流量到底有没有所谓的玄学。史柏帆为什么越来越不愿意天天研究平台算法,而更关心“观众到底想看什么、看完有没有情绪”。 视频号的冷启动、流量池和赛马机制是怎么回事,为什么朋友最初的一键三连和完播率可能仍然有意义。 曾经几个小时跑出巨大流量内容,为什么史柏帆反而觉得这种流量“没有意义”。 内容创作者究竟应该追求绝对播放量,还是找到真正喜欢自己内容的人。 2025年前后的AI视频工具还有明显局限时,为什么真正优秀的作品放到今天仍然成立。 模型变强以后,提高的更多是创作效率,还是创作上限? 中文观众和海外观众的审美真的差很多吗?为什么史柏帆认为喜怒哀乐这样的底层情绪始终共通。 做海外剧时,为什么世界观不能偷懒。罗马、希腊、中世纪、巴洛克、洛可可和新古典主义之间的区别,最后会怎样影响观众的沉浸感。 剧情为什么也需要“呼吸感”。持续的信息轰炸和持续的高情绪,为什么反而可能让人疲惫。 一个程序员是怎样转行成为AIGC导演的。 张磊为什么因为《三体》开始做AI影视,并逐渐发现这就是自己真正喜欢的事情。 做一部AI短剧以前,人物、面容、服装、场景、道具和装修为什么都需要先被资产化。 什么叫“AI脸”,为什么成熟AIGC作品必须让人物真正拥有辨识度。 为什么现在的AI视频已经开始从“动画思维”进入“导演思维”。 资产拆开以后,导演怎样重新调度人物、场景、道具、位置、动作、台词和情绪。 语言在新一代AIGC影视里为什么仍然重要。它不只是描述画面,更是在组织不同资产之间的关系。 史柏帆为什么离不开语言模型、视频模型和图像工具,人物一致性在影视工作流里到底有多重要。 张磊为什么开始关注新的语言模型,让它帮助做资产整理、时代考据、服装特征、提示词和情绪设计。 AIGC导演最重要的能力为什么不是Prompt,而是共情。 一个导演为什么会因为做了三天云天明的戏,自己低落一个星期。 传统演员需要入戏,而AIGC时代为什么变成导演替AI角色入戏。 不同AI模型为什么像有不同“脾气”,并不存在一个模型适合全部场景。 普通人30天进入AIGC影视行业,究竟应该先学模型,还是先补影视基本功。 为什么两个人都认为,热爱比追风口更重要。 未来一年,史柏帆最想要的变化为什么并不是一个新模型,而是和张磊“长长久久”地继续把事情做下去。 🔥本期金句 做流量没有想象中那么难。归根结底,还是大家想看什么,什么东西能让人开心、让人有共鸣。 我并不需要去搞清楚每个平台全部的算法逻辑,我更关心内容本身到底好不好。 如果每天都盯着流量,一个人会非常焦虑。 流量如果不能把我真正喜欢、真正做的东西传播出去,对我来说就没有那么大意义。 工具的限制不是制约真正创作者的核心因素。 新的模型可以提高创作效率,但不会自动让作品变好。 所有人类底层的感情其实是共通的,差异更多来自成长环境和文化细节。 一部片子的情绪要像呼吸一样,有呼有吸,有张有弛。 现在的AI创作越来越不是动画思维,而是导演思维。 一个AIGC导演依然要理解人物、世界观、动作、台词和情绪。 我过去虽然是程序员,但我一直非常喜欢影视。 因为热爱,所以我去做。 导演最重要的能力之一,是共情。 AI很难替代导演和编剧的一点,是人能够站到别人的角度思考问题。 现在的导演还要站到演员的角度,因为你要指导AI演员怎么表演。 模型都有自己的脾气,没有一个工具适合所有场景。 如果真的想进入AIGC影视,先拿出热爱,再开始做。 比学任何一个AI技术更重要的,是先看足够多优秀的影视作品。 ⏱Shownotes 00:10 《灯下白》第一期视频播客:史柏帆和张磊登场 00:40 “你们两个怎么像两口子”:两个AIGC创业搭档的日常 01:26 现在正在给甲方做什么:AI海外短剧正式交付 01:56 胖皇后被陷害再逆袭:海外观众到底喜欢什么剧情 03:21 工作之外继续做内容IP,“魏大局”为什么还在更新 04:20 流量有没有秘密:先别研究算法,先想观众为什么愿意看 05:01 一键三连、完播率与视频冷启动 05:41 流量池和赛马机制:做到最后为什么反而不想天天研究 06:19 几个小时的大流量,为什么史柏帆觉得“没有意义” 06:52 B站×CCTV6比赛与过去的AIGC获奖经历 07:20 为什么2025年的模型很差,作品今天看依然可以很好 08:17 中文和海外评委都喜欢的内容,到底共通在哪里 08:36 出海短剧背后:人类底层情绪其实没有那么不同 09:18 张磊的导演方法:先问这套画面能不能打动自己 10:00 世界观为什么是AIGC影视最容易被忽略的基础 11:01 巴洛克、中世纪与穿越剧:怎样让时代反差真正成立 11:57 一部片子的情绪为什么必须像呼吸一样有张有弛 12:49 程序员张磊为什么突然开始做AIGC导演 13:53 “因为热爱,所以才做” 14:28 人物、服装、场景、道具:影视资产到底包括什么 15:45 AIGC视频正在从动画思维进入导演思维 16:04 人物是人物,场景是场景,道具是道具:资产开始真正被拆开 17:05 像传统导演一样调度AI角色 17:55 语言依然重要:怎样描述位置、动作、台词和情绪 18:30 快问快答:史柏帆最离不开哪些AI工具 18:50 人物一致性为什么仍然是AIGC影视的基础问题 19:05 张磊最近为什么开始关注新的语言模型 20:01 语言模型怎样参与资产考据、提示词与分镜辅助 21:08 史柏帆:导演最重要的能力,是共情 21:42 张磊做《三体》时,因为云天明的戏低落了一个星期 22:31 为什么AIGC导演比过去更需要“进入演员” 22:52 做AIGC影视踩过最大的坑是什么 23:30 不同模型,其实都有不同的脾气 23:34 普通人30天入行AIGC影视,应该从哪里开始 23:40 史柏帆:先拿出热爱 24:12 张磊:先看大量真正优秀的影视作品 24:50 不是AI+行业,而是行业+AI 24:58 未来一年最期待什么:两个搭档继续长长久久 25:22 “人生得一知己真的很难” 📖故事摘要 史柏帆和张磊最近正在一起创业。 他们做的是AIGC影视公司。 吴熳坐在两个人中间录这期视频播客时,最直观的感受甚至不是他们技术有多强,而是这两个人实在太熟了。 熟到对方一句话刚开头,另一方就知道后面想表达什么;一方手里的工作来不及做完,另一方自然接过去;聊到对商业、创作和未来的判断,两个人很多时候也站在同一边。 史柏帆自己形容,他们最近几乎同吃同住,每天一起工作,强度非常高,却又觉得这件事非常幸福。 因为找到一个真正意气相投的搭档,本来就是一件很难的事。 他们现在接的是真实的AIGC短剧项目。 甲方给出剧本,团队需要理解故事,再细化分镜、设计人物和资产,最后把一整部剧通过AI真正做出来。 例如最近的一条剧情里,一个皇后被人陷害,因为吃了药变得非常肥胖。在国王生日典礼上,她受到各种羞辱,最后完成逆袭。 这种故事听起来并不高级。 甚至可以说相当“抓马”。 但如果真的去看全球短剧市场,就会发现,很多能够跨文化传播的东西本来就建立在人性非常基础的地方。 受辱以后想要翻身。 爱而不得。 嫉妒。 愤怒。 委屈。 喜悦。 逆袭。 这些感情不需要复杂的文化翻译。 观众可能来自完全不同的国家,可当一个人物被羞辱时,人知道什么叫难受;当她终于赢回来时,人也知道什么叫爽。 史柏帆认为,真正需要本地化的反而是细节。 成长环境、历史背景、服饰、建筑、礼仪和文化逻辑都会不同。 所以做海外短剧时,团队不能只让AI随便生成一个“欧洲宫殿”。 这个故事究竟发生在哪一个时代? 建筑属于中世纪早期,还是更晚的巴洛克? 人物穿什么? 宫廷里的家具长什么样? 如果剧情里存在穿越,那么现代物品被带入这个环境时,怎样才能形成真正的视觉反差? 这些都需要导演在AI开始生成以前就想清楚。 这也是为什么他们反复谈到“资产”。 人物的面容是资产。 服装是资产。 场景是资产。 道具是资产。 甚至某些家具和饰品,也要提前确定。 如果女主角换一个镜头脸就变了,如果同一场戏里衣服突然从巴洛克跳成唐代服装,即使每一张图片单独看都足够漂亮,观众也很难真正相信这个世界。 所以AIGC影视发展到今天,问题已经从“我能不能生成一张好看的图”,逐渐变成了“我有没有能力管理一个完整世界”。 史柏帆把这种变化称为: 从动画思维走向导演思维。 过去,AI视频制作大量依赖图生视频。 创作者先完成一张包含人物、背景、道具和特效的完整分镜图,再让模型使它运动起来。 现在,人物、场景和道具越来越可以独立存在。 创作者可以像传统影视导演一样思考: 这个人站在哪里? 从A点走到B点。 镜头先看国王,再移动到皇后。 人物说什么话? 现在是什么情绪? 谁和谁之间发生了什么关系? 生成方式发生变化之后,传统影视里大量关于导演、表演、摄影和世界观的知识,反而重新变得重要。 张磊就是一个非常有意思的例子。 他的职业出身是程序员。 但他一直很喜欢电影,也一直喜欢《三体》。 过去,看完小说以后,他会产生一种很典型的书迷幻想: 如果我能把脑子里的这些画面真的做出来就好了。 以前,这个愿望的成本太高。 拍影视需要剧组、演员、摄影、场景、服化道和大量预算。一个程序员即使脑子里有完整画面,也很难凭个人能力真正完成。 2024年前后,AI给了他第一次机会。 他开始尝试把小说转化成画面。 一开始只是因为喜欢。 后来越做越多,逐渐总结出自己的方法,也越来越享受导演这个角色。 吴熳问他: 为什么坚持? 张磊的答案其实特别简单: 因为热爱。 聊到后来,吴熳甚至觉得“坚持”这个词都不准确。 如果一件事情本身就是一个人喜欢的,他其实不是咬牙坚持。 只是一直在做。 而真正做久了以后,张磊发现,AIGC导演需要的远远不只是技术。 他做《三体》时,曾经处理云天明回忆人生的一场戏。 那是一段很悲伤的内容。 为了让AI生成的人物真正拥有正确的表情、动作和镜头情绪,他必须反复进入云天明的心理。 那场戏做了三天。 做完以后,他自己低落了整整一个星期。 吴熳听完觉得很好笑: 以前只听说演员出不了戏,怎么现在导演也出不了戏? 可这件事恰恰揭示了AIGC导演今天发生的变化。 过去演员需要理解角色。 导演把要求告诉演员,演员自己完成大量情感加工。 现在,AI演员并不会真正体验云天明的痛苦。 导演必须替它理解。 人物为什么低头? 这一刻应该哭,还是忍着不哭? 说这句话时声音应该是什么状态? 镜头到底应该靠近,还是慢慢退开? 导演必须先进入角色,再把这种理解转化成AI能够执行的指令。 史柏帆把这种能力概括为: 共情。 他认为,导演需要不断训练自己站到别人的位置上。 理解不同的人,理解不同的处境,也理解世界上和自己完全不同的生活。 这也是他认为AI短期内很难真正取代导演或编剧的一部分原因。 模型可以快速生成。 但真正的问题是: 谁来决定这一刻应该让观众感受到什么? 情绪也不能一直堆高。 史柏帆认为,一部片子要像呼吸。 有呼,也有吸。 如果一开始就是高能,到最后依然高能,观众反而会逐渐麻木。导演需要设计起伏,知道什么时候收下来,什么时候重新推高,什么时候安静下来让观众和人物待一会儿。 这些都不是换一个更强的视频模型以后自动出现的。 所以两个人对“模型决定作品质量”这件事都没有那么迷信。 他们在2025年就开始大量做AI视频。 那个时候模型的能力明显比今天弱,视频经常出现各种局限。 但史柏帆认为,张磊当时做的《三体》,放到今天依然是很好的作品。 工具变强以后,最大的变化是效率提高了。 创作者可以更快到达自己想去的地方。 但如果不知道自己究竟想去哪里,再快也没有意义。 这和史柏帆对流量的态度其实很像。 他并不否认算法,也知道视频存在冷启动、流量池和赛马机制。 最开始的时候,朋友帮忙点赞、转发、看完视频,确实可能帮助内容更快进入第一批流量池。 可做久以后,他越来越不愿意天天研究“下一个池子到底是多少播放量”。 因为那会让创作者变得很焦虑。 他自己做过几个小时内获得巨大流量的内容。 但他说: 这种流量对我没有意义。 如果只是热闹,没有把自己真正喜欢、真正正在做的事情传递给对的人,再大的数字也不一定留下什么。 他更在意的是: 观众为什么看? 看完以后有没有开心? 有没有被打动? 有没有共鸣? 只要内容本身成立,真正喜欢它的人自然会留下。 这也是两个人做出海短剧时的一套共同逻辑。 不要先追算法。 先理解人。 不要先追模型。 先理解影视。 不要因为AI可以快速生成,就放弃导演对世界观、情绪、节奏和表演的判断。 快问快答时,吴熳问: 如果一个普通人只有30天,想进入AIGC影视行业,应该怎么办? 史柏帆的回答是: 先问自己喜不喜欢。 AI时代一个很大的变化,是人终于有机会做很多过去因为专业和资源壁垒无法进入的事情。 你过去没有学导演,并不意味着不能拍。 没有读美术,也不意味着不能开始做视觉。 但前提是,你真的愿意投入。 张磊则给出了更传统的答案: 先大量看好电影。 看真正成熟的影视作品是怎样讲故事的,怎样做分镜,怎样安排人物情绪,怎样处理表演。 这些能力比先熟练某一个AI模型更重要。 因为模型一定会变。 行业知识不会那么快过时。 聊到最后,吴熳问他们: 未来一年最期待什么? 史柏帆没有回答下一代视频模型。 也没有说公司赚多少钱。 他说: 希望和张老师长长久久。 过去半年多,两个人在创作、做事、待人接物和商业判断上越来越合拍。 到了三十多岁以后,能够找到一个真正愿意长期一起做事,又真正互相信任的人,本身已经非常难得。 史柏帆说: 人生得一知己,真的不好找。 于是这一期从AI短剧聊到流量,从模型聊到导演,最后落到的还是人。 工具变得越来越强。 一个人能做的事情越来越多。 可真正稀缺的东西,好像还是没有变: 热爱。 共情。 判断。 以及一个愿意和你一起把事情做下去的人。 💬听众互动 如果现在AI已经把“拍一部片子”的技术门槛大幅降低,你最想把哪一本小说、哪一个故事,或者哪一个一直存在于脑海里的画面真正拍出来? 以及,如果要找一个人和你一起做这件事,你最希望这个搭档补足你哪一种能力?

27 分钟 90 次播放 2个月前

48. 颜鑫:00后连续创业AI零售、社交,泛心理和具身智能后,他想让机器人先学会听懂那句“我没事”

48. 颜鑫:00后连续创业AI零售、社交,泛心理和具身智能后,他想让机器人先学会听懂那句“我没事”

灯下白-走进 AI 圈的真实对话

🎙《灯下白》EP48 嘉宾:颜鑫 00后AI创业者、算法与具身智能实践者。大学学习自动化,大二起自学AI并开始创业,先后探索AI+零售、AI+社交、AI+泛心理等方向。近年来持续研究多模态情感感知、情感理解、机器人记忆与情感陪伴,希望让AI从被动响应的工具,逐渐成为能够感知环境、理解人并主动交互的伙伴。 主持人:吴熳 在得到直播讲过AI应用,在WaytoAGI北京切磋分享,代表中国在英国大使馆文教处国际大会全英发言讲中国AI如何赋能英语教学,AI牛马库导航科普网站 ka21.org 主理人 本节目由人类与GPT共同策划,剪映处理音频中水词,千问处理剪辑时间轴,GPT撰写Shownotes,Banana Pro生成播客logo,即梦生成播客封面,Suno生成片头片尾音乐,同时由声湃和中关村科学城公司提供录音场地,由罗德麦克风提供录音设备。感谢中关村科学城的政策支持! 🪝本期故事 录制这期《灯下白》的当天,吴熳原本并没有提前约颜鑫。 她是在面壁智能和华为昇腾的一场活动上再次遇见他的。颜鑫上台展示了一个自己正在折腾的桌面机器人,吴熳看完以后觉得有意思,现场把人“薅”过来录播客。 真正让她印象深刻的,不是机器人会回答多少知识问题,而是一个很小的瞬间。 有一次颜鑫正在电脑前写代码,没人向机器人提问,它却自己看着周围的环境,突然对他说:“你的屏幕看起来好大,你写代码应该很爽。你是不是程序员?” 颜鑫当时也愣了一下。 因为这句话不是由一句Prompt触发的。机器人通过摄像头看到了他的屏幕,观察了环境里的信息,再推测眼前这个人可能正在写代码,最后主动发起了一次对话。 这和我们今天熟悉的大部分AI交互不太一样。无论ChatGPT、豆包还是其他聊天机器人,通常都需要人先说一句话,AI再回答。颜鑫更想做的,是一个真正“活在环境里”的机器:它会看,会听,会记得,也会在某些时候主动和你说话;你可以打断它,它也可以根据你突然改变的表达调整自己的反应。 为了让这种交互更接近人,他还试图把延迟压到600—800毫秒左右,让机器人不仅说话,还能通过头部、身体和两只像耳朵一样的天线做出与语言相匹配的动作。 但颜鑫真正想解决的问题,比“做一个可爱的桌面机器人”更深。 如果一个人嘴上说“我没事”,AI到底怎样判断他是真的没事,还是正在强撑? 只看文字,这三个字永远只是“我没事”。可人在真实世界表达情绪时,还有语气、停顿、表情、姿态和动作。同一句话,用不同声音和表情说出来,背后的意义可能完全不同。 所以从2023年开始,颜鑫把越来越多精力放在AI+泛心理与情感陪伴上。他研究多模态情感感知、情感理解、全模态记忆,也思考一个进入家庭的机器人应该记住什么、忘掉什么,以及怎样在尊重隐私的情况下长期理解一个人。 而他为什么偏偏对“情绪”这件事感兴趣,也并不是偶然。 2023年前后,他自己即将毕业,身边的师兄师姐也都开始面临答辩、找工作、租房、异地和第一次真正进入社会的压力。大家都很焦虑,他自己也不是一个永远快乐的人。 他后来很坦率地说:如果我自己非常快乐,我可能也不会选择做这个方向。 颜鑫做产品有一个习惯——他必须先问:这个东西我自己会不会用? 他想做的不是一个听起来宏大的AI系统,而是先让它能帮到自己,再帮到身边的人。 从大二第一次做AI零售,到AI社交,再到今天做情感陪伴和具身智能,表面上看,他已经换了好几个赛道。 但聊到最后会发现,这几次创业其实都在靠近同一件事: 让AI真正进入人的生活。 不是让人为了AI改变生活,而是让AI先学会理解人。 💡本期你会听到 颜鑫为什么从大二就开始创业,以及一个00后连续探索AI+零售、AI+社交和AI+泛心理的路径是怎样形成的。 一个桌面机器人为什么会在没人提问的时候,主动观察颜鑫的屏幕,并判断“你是不是程序员”;主动交互和我们今天熟悉的聊天机器人到底有什么区别。 为什么“能不能被打断”是人机交互里非常重要的能力。如果AI永远按照自己的话说到底,它为什么更像对讲机,而不像一个真正的伙伴。 人和人交谈时对延迟非常敏感,为什么颜鑫尝试把机器人的响应压到600—800毫秒左右;低延迟为什么不仅影响体验,也会影响人对“这个AI聪不聪明”的直觉判断。 除了语言,一个陪伴机器人为什么还需要动作。头部、身体和两只天线的运动怎样与表达同步,以及为什么这些物理反馈会产生纯线上聊天无法提供的存在感。 人到底能不能和机器人建立信任?颜鑫为什么认为“绝对信任”也许很难,但“相对信任”可能通过技术逐步建立。 他说“我没事”时,AI到底听见了什么?为什么只识别文字,很容易损失人真正表达的情绪。 情感感知为什么必须从文字扩展到视觉、声音等更多模态,以及情绪为什么比数学题更难训练——1+1可以明确判断对错,但一个人此刻到底有多难过,很难拥有绝对标准答案。 AM Bench为什么被提出,它试图衡量现有模型在情感理解相关能力上的表现。 为什么颜鑫认为一部分情感感知应该尽可能留在端侧。一个进入家庭、拥有摄像头的机器人会看到大量私人生活,如果全部上传云端,会产生怎样的隐私风险。 2024年他们做视觉—文本多模态小模型的过程中,为什么把端侧情感理解作为重要方向,以及小模型在具身设备中可能承担什么角色。 从情感感知到情感理解,再到情感表达,为什么是三个完全不同的问题。 传统语音对话链路为什么会经过“语音转文字—大模型处理—文字再转语音”,每一层转换又为什么都有可能损失信息,尤其损失情绪。 为什么颜鑫越来越关注端到端的全模态模型,希望尽量保留人在声音、语气和表达中的情绪信息。 机器人为什么不能只拥有“文字记忆”。它能不能记得你刚才把SD卡放在哪里,能不能理解家庭成员之间的关系,能不能从长期生活中建立属于这个家庭的上下文。 更有意思的是:机器人为什么还要学会“忘记”?如果所有事情全部永久保存,搜索空间和噪声会怎样不断膨胀,机器是否也需要类似人的遗忘机制。 为什么2023年大家都在做更通用的大模型时,颜鑫反而选择进入泛心理方向。 毕业、找工作、租房和异地压力,如何让他第一次意识到,一群看起来正常的年轻人其实拥有非常真实的情绪需求。 “豆包也能陪人聊天”,那为什么还需要机器人?一个毛茸茸、会转头、会摇摆、长期待在你身边的实体,和手机里的AI到底有什么区别。 为什么有人愿意花数千甚至数万元购买功能并不复杂的陪伴机器人。人购买的究竟是机器的功能,还是一个承载感情的容器。 颜鑫为什么说,他希望用AI做一些“能够温暖大家”的事情。 大学原本学习工业自动化,他为什么会在2020—2021年自己开始学习AI;在人脸识别还是AI重要落地场景的年代,他为什么已经觉得AI应该做更多事情。 第一次AI创业做智能零售,怎样试图提升线下结算效率;面对大型商超不断新增的SKU,为什么不能每增加一个商品就重新训练一次模型。 把商品视觉信息向量化以后,怎样让结算系统面对不断变化的商品仍然能够工作。 学校食堂、面包等真实场景里,AI怎样把逐个扫码的一分钟,压缩成十几秒甚至更短的结算过程。 第二次创业做AI社交,他为什么把机器人直接扔进群聊。 一群没有任何利益关系的人,会怎样在真实聊天里自然评价一个AI;为什么颜鑫认为,这种“骂是真的骂,夸是真的夸”的反馈,比很多人为设计的Benchmark更接近真实用户体验。 群聊机器人怎样让他第一次观察到“人拿到AI以后到底会做什么”。 为什么有人拥有AI以后,只会问“今天天气怎么样”,也有人开始向AI寄托情绪。 从AI社交走向AI泛心理,这些未经设计的真实用户行为,对颜鑫产生了什么影响。 什么叫“AI商”?当模型越来越强,人到底有没有学会把AI真正用于改善生活。 为什么颜鑫最终没有把“提高生产力”当成自己最想解决的问题。他更想做的是,让人快乐一点、放松一点,不要每天只想着工作和当牛马。 快问快答里,他为什么把微信也列进了自己最离不开的“AI工具”。 做过这么多产品以后,他最值钱的习惯为什么仍然是:自己必须是产品的第一用户。 最大的产品坑是什么?为什么一个略带完美主义的人,反而会在做到五六十分后直接Rebuild,而不是继续在旧版本上修修补补。 如果让普通人用30天熟悉AI开发,颜鑫为什么没有先推荐Coding课程,而是说:先写好自己的人生说明书。 🔥本期金句 我想让AI更落地一点,能够帮到更多人一点,也能够离人更近一点。 我做任何一个模型、任何一个产品,我自己都是它的第一个用户。 如果它不能解决我的问题,我不会把它发出去让更多人用。 陪伴更像伙伴。它应该主动观察、主动感知、主动交互,而不只是等你给它一个指令。 如果不能被打断,它其实更像一个对讲机。 “我没事”这三个字,用不同的声音、表情和动作说出来,完全不是一回事。 一个机器人进入家庭,它看到的东西太多了,所以感知应该尽量留在端侧。 机器人的记忆不能只有文字,它还应该知道你把东西放在哪里,也应该理解你和家人的关系。 人的记忆会遗忘,机器人也需要学会遗忘。 情感需要一个容器。 我想用AI做一些能够温暖到大家的事情。 模型终究是给人用的,所以真实用户的反馈才是最客观的评测。 AI可以提升一群人的效率,而不只是提升某一个人的效率。 你应该让AI做它应该做的事情。 我不想让大家每天死气沉沉,只知道干活、只知道当牛马。生活还是要快乐一点。 最大的坑是自己都没有想清楚,就贸然开始做,然后不断返工。 现在我会尽量把0到1先想清楚、写清楚,再交给AI。 如果一个普通人想用30天熟悉AI开发,我建议先写好自己的人生说明书。 ⏱Shownotes 01:26 颜鑫登场:00后、连续创业与多模态具身智能 01:55 从大二开始创业:AI零售、AI社交到AI泛心理 03:06 为什么吴熳在活动现场直接把颜鑫“薅”来录播客 03:40 家庭情感陪伴桌面机器人登场 04:01 机器人突然开口:“你是不是程序员?” 05:27 被动回答和主动观察,到底有什么区别 06:37 看懂日历、观察环境,一个桌面机器人能看到什么 07:04 陪伴机器人的第一个难点:主动交互 08:04 为什么“能够被打断”才更像真实的人类交流 09:28 把延迟压到600—800毫秒,为什么很重要 10:52 语言之外,动作怎样参与机器人的情绪表达 12:17 机器与人,能不能建立一种“相对信任” 13:20 情感感知、情感理解、情感表达的三层问题 14:16 一句“我没事”,为什么文字完全不够 15:36 视觉、声音、文字之外,触觉什么时候才能真正进入情感交互 16:14 为什么情感能力比Coding更难做评测和训练 17:28 AAM Bench:怎样观察模型的情感理解能力 18:05 为什么感知能力应该尽量留在端侧 19:19 机器人进入家庭以后,隐私问题会变得多真实 20:04 从端侧小模型走向泛心理基础模型 21:01 语音转文字、大模型、文字转语音:传统链路怎么工作 21:51 每转换一次,都可能丢失什么 22:51 机器人需要什么样的全模态记忆 24:16 为什么机器人不仅要记住,还要学会忘记 25:11 “面向机器人场景的智能体原生全模态记忆系统”到底在解决什么 26:55 从2023年开始做AI泛心理,最初的动机是什么 27:35 毕业、答辩、找工作、租房:情绪需求就在自己身边 28:18 颜鑫的产品原则:自己先用 28:48 他真正想做的,是让AI离人更近 29:06 既然豆包也能聊天,为什么还需要实体机器人 30:28 长期上下文和实体陪伴,会怎样改变人与AI的关系 31:46 为什么有人愿意为“几乎什么都不会”的陪伴机器人花很多钱 33:01 情感为什么需要一个容器 33:17 自动化专业的学生,为什么大二开始自学AI 34:22 在人脸识别还是重要AI场景的年代,他已经在想什么 34:57 第一次创业:AI+智能零售 36:03 第二次创业:把AI机器人塞进微信群 37:05 群聊怎样自然形成一套真实的用户评测 39:35 为什么没有利益关系的真实反馈,比精心设计的评测更有意思 40:28 真实群聊数据如何帮助理解“人到底怎么用AI” 42:02 三段创业经历,怎样一步步补足颜鑫对“人”的认识 43:10 大型商超几十万SKU,为什么不可能每次都重新训练模型 44:19 通过向量化,让不断变化的商品仍然可以被识别 46:02 食堂和面包场景,智能结算已经怎样真实落地 47:08 AI提升的不只是一个人的效率,也可以是一群人的效率 48:28 AI+零售给了他效率视角,AI+社交给了他人的视角 49:16 有AI以后,为什么很多人仍然只会问天气 50:48 也有人开始把自己的情绪寄托给AI 50:57 第三次选择:为什么最终进入AI+泛心理 52:10 “我只是想让大家更快乐一点” 52:41 “可能我自己也没有那么快乐” 53:27 未来仍然想做帮助人放松、快乐和生活的产品 54:38 快问快答:Codex、Claude Code和微信 55:58 最值钱的产品习惯:自己必须是第一用户 56:08 最大的产品坑:没想好就做,然后反复返工 56:26 完美主义者为什么有时宁愿Rebuild 57:25 先把0到1想清楚、写清楚,再交给AI 57:51 普通人30天熟悉AI开发:先写人生说明书 58:09 未来一年:希望自己的产品真正帮助到自己之外的人 📖故事摘要 颜鑫是00后。 如果只看年龄,他的履历甚至会显得有一点过于密集。大学读自动化,大二开始自己学AI,也从那个时候开始创业。第一段做AI+零售,第二段做AI+社交,后来又一路进入AI+泛心理、多模态算法和具身智能。 他自己后来复盘时,却不觉得这些经历彼此割裂。 AI零售让他第一次真正理解,一套技术怎样进入真实世界,并且同时提升一群人的效率。AI社交让他开始观察,人拿到AI以后究竟会做什么。到了泛心理和情感陪伴,他关心的问题进一步从“技术能不能工作”,变成了“技术到底懂不懂人”。 这期播客甚至也是从一个真实产品开始的。 录制当天,吴熳在面壁智能与华为昇腾的活动现场看见颜鑫展示一个桌面陪伴机器人。机器人有两个摄像头,也有像耳朵一样可以活动的天线,头部和身体会随着说话做动作,吴熳觉得有意思,就把颜鑫“薅”过去了。 但真正让人印象深刻的,并不是这些拟人化外形。 颜鑫讲了一个自己调试机器人的瞬间。 他坐在电脑前写代码,没有给机器人发任何命令。机器人却观察到他的屏幕,主动对他说:你的屏幕看起来很大,写代码应该很爽,你是不是程序员? 这句话让颜鑫自己都产生了一个Aha Moment。 因为在他看来,这才是“伙伴”和“工具”之间一个很小、却很关键的区别。 今天的大部分AI,都在等待。 人输入,机器回答。 人再问,机器再答。 但真正生活在你旁边的人不会这样。 一个朋友可能看到你盯着电脑一下午,主动问一句“是不是又加班了”;也可能察觉你今天异常沉默,问一句“你是不是不开心”。 所以颜鑫给陪伴机器人定的第一个目标,是主动交互。机器人必须能够持续感知环境,在没有明确Prompt的情况下,根据周围发生的事情决定自己是否应该发起交流。 第二个目标,是允许打断。 真实人类不会永远等对方完整说完一大段话再开始回答。我们会插话,会停顿,会发现对方突然改变想法,也会在被打断后顺着新的信息继续交流。 如果一个AI无论发生什么,都必须按照已经生成好的句子说到底,那么它更像一台对讲机。 第三个问题,是延迟。 颜鑫希望把响应控制到600—800毫秒左右。几百毫秒听上去是一个纯技术指标,但在人机交流中,它直接影响“像不像人”。 等待太久,人会清楚地意识到: 它在处理。 它在计算。 它是一台机器。 而人在和人说话时,这种等待几乎不会被单独感知。 第四个问题,是动作。 如果机器人回答一句开心的话,但身体没有任何反应;如果语气很兴奋,两个“耳朵”却完全静止,这种违和感会迅速把人从关系里拉出来。 所以他的机器人不仅输出声音,也会输出与语言相配合的动作。 这些细节最终都指向一个更大的问题: 机器能不能和人建立信任? 颜鑫对此并不特别乐观。 他并不认为人一定能够对机器产生和人与人一样的“绝对信任”。但他相信,通过更自然的感知、理解、记忆和交互,人和机器之间有机会形成某种相对稳定的信任。 而一旦进入情感问题,技术难度会突然变得很高。 最简单的例子,就是“我没事”。 如果只看文字,这三个字没有区别。 “我没事。” “我没事……” “嗨,我没事啊。” 同样三个字,换一个语气、表情和动作,情绪完全不同。 这也是颜鑫越来越关注多模态情感感知的原因。 情绪从来不只存在于文字里。人的声音、表情、视线、身体姿态,都包含信息。如果系统最终只把所有东西压缩成文字,再交给大语言模型处理,大量情感信号可能在最开始就已经消失。 更难的是,情感不像数学。 1+1等于2,可以明确告诉模型什么是正确答案。 但一个人此刻究竟是70%的难过,还是40%的失望和30%的愤怒,没有一个绝对标准。 模型训练又偏偏需要目标。 于是情感理解本身就成为一个很难评估、也很难优化的问题。 颜鑫和团队因此做了AAM Bench,尝试系统观察现有模型在相关方向上的能力;也做过面向端侧的视觉—文本多模态模型,希望设备能在本地完成一部分对人和环境的感知。 端侧在这里不仅是为了速度。 也是为了隐私。 吴熳听到“机器人进家庭”时,第一反应就是: 我都不敢想它能拍到多少东西。 确实如此。 一个长期待在家庭里的机器人,可能看见比手机更加私人和连续的生活。谁回家了,夫妻在说什么,东西放在哪里,今天谁看起来很疲惫,这些信息如果持续上传云端,人很难完全没有顾虑。 所以颜鑫倾向于,让尽可能多的感知发生在设备本地。 而随着机器人真正进入生活,另一个问题又出现了: 它应该怎样记住你? 今天大量Agent Memory仍然以文本为主。但一个机器人真正陪在身边以后,它需要记住的事情未必都是一句一句可以写进数据库的文字。 你刚才把卡放在桌子的哪个位置。 这个人是你的妈妈还是同事。 你每周三晚上似乎都会很晚回来。 你看到某件东西时,表情会发生什么变化。 这些上下文共同组成它对你的理解。 更有意思的是,颜鑫甚至认为机器人还要学会忘记。 人的记忆不是无限保存的。 如果一个机器人把几年里所有细节都永远以同样权重留下,一方面搜索空间会越来越大,另一方面大量已经没有价值的信息会变成噪声。 所以真正智能的记忆,也应该包括遗忘、更新和重新组织。 颜鑫为什么会愿意长期研究这些看起来很难量化、也没有Coding那么容易拿到确定反馈的东西? 答案其实来自他自己。 2023年,他即将毕业,实验室里的师兄师姐也都走到人生的第一次大转折。论文、答辩、工作、租房、异地、收入,很多事情突然同时压过来。 年轻人看起来拥有无限可能。 但大家并不快乐。 颜鑫发现,这不只是别人的问题,也是自己的问题。 他做产品始终有一个非常个人化的原则: 我是不是第一用户? 如果一个模型连自己的问题都解决不了,他不会因为它在Benchmark上很好看,就认为这是一个有价值的产品。 所以他开始做泛心理。 他希望先帮到自己,再帮到身边的人。 节目里吴熳也问了一个非常现实的问题: 现在豆包、ChatGPT已经能陪人聊天了,你为什么还要做机器人? 颜鑫认为,实体本身很重要。 手机里的一句话,和一个长期存在于你房间里、会转头看你、会摇晃身体、记得你过去发生过什么的小东西,是两种不同的体验。 他举了日本陪伴机器人的例子。 有些产品的实际功能并不复杂,不会做家务,也不能真正提高多少生产力,却依然有人愿意花几千、几万元购买。 原因也许和养猫类似。 你很难用“它究竟替我完成了多少任务”解释自己为什么愿意养一只猫。 猫是一个情感容器。 机器人也可能成为新的容器。 这句话也解释了颜鑫整个创业路径为什么最终走向今天。 他大学原本学习的是工业自动化。2020—2021年前后,ChatGPT还没有出现,当时AI的大量应用仍集中在视觉识别等领域。 颜鑫却觉得: AI应该不只做这些。 所以大二时,他先去做智能零售。 大型商超的SKU可能非常庞大,并且每天都在变化。如果每增加一种商品,就需要重新训练模型,技术带来的成本甚至会超过它节省的人力。 他们的思路,是在商品入库时把视觉特征转成向量,与商品信息匹配。以后商品增减不需要不断重新训练整个模型。 这种技术后来进入学校食堂、面包等场景。 结算的时候,不需要工作人员对每一件商品逐一扫码,把东西放到识别区域里,就能一次完成识别和价格计算。 原来可能需要几十秒甚至一分钟的结算,被明显缩短。 这段经历第一次让颜鑫看到: AI可以提高的,不只是一个坐在电脑前的人的生产力。 它可以一次提高一整群人的效率。 到了第二次创业,他开始做AI+社交。 他把机器人放进微信群,让用户直接和模型聊天。 现在看,这种产品似乎并不稀奇。 但在那个时候,大量普通用户甚至还接触不到今天这样成熟的大模型产品。微信群反而成了AI离普通人最近的入口。 更重要的是,颜鑫第一次有机会观察: 如果完全不告诉用户应该怎样使用AI,人到底会拿它做什么? 有人每天只问:你好。今天天气怎么样? 也有人开始和机器人开玩笑、骂它、夸它,甚至向它表达非常个人的情绪。 在群聊里,人们还会自然评价机器人。 “这个模型怎么这么笨。” “它今天这个回答还挺好。” 这些讨论不是专门设计出来的测评,没有奖金,没有任务,也没有人在旁边提醒“请认真评价”。 所以颜鑫觉得,这种反馈非常珍贵。 骂是真的骂,夸也是真的夸。 模型终究是给人用的,那么真实用户在没有利益关系的场景里做出的反应,本身就是一种最自然的Benchmark。 AI+社交让他开始从“模型能不能做事”,走向“人为什么这么用模型”。 也正是在观察这些用户时,他发现,有些人正在把情绪寄托给AI。 于是第三段创业慢慢出现。 当时他也考虑过AI+法律、AI+医疗等方向,最后越来越坚定地进入泛心理。 因为在他看来,这个时代已经不再主要面对“能不能吃饱”的问题。 很多人能够正常工作,能够生活,却依然不快乐。 而他并不想把自己所有的技术能力都投入到“怎样让一个人一天多干30%的活”上。 他更想做的,是让人快乐一点、放松一点、拥有更多生活本身的乐趣。 吴熳问他: 这种想让别人快乐的原动力从哪里来?你自己平时是一个快乐的人吗? 颜鑫停了一下,说: “可能我也没有那么快乐吧。” “如果我快乐的话,我可能也不会做这个方向了。” 这句话让这一期里那些复杂的多模态、端侧、全模态记忆、情感模型,突然变得很具体。 一个00后的技术创业者,折腾这么多模型和机器人,最后想做的事情并没有多宏大。 他只是希望技术不只让世界运转得更快。 也能让人过得稍微开心一点。 到了快问快答,颜鑫说自己最离不开的三个“AI工具”是Codex、Claude Code和微信。 吴熳马上问: 微信怎么也能算AI工具? 原因还是“人”。 他需要看行业信息,也需要观察真实的人在说什么、关心什么、怎样使用AI。 在他的世界里,人本身就是最重要的数据源之一。 做过这么多产品之后,他认为自己最值钱的习惯仍然是: 坚持自己是第一用户。 而最大的坑,则是没有真正想清楚,就开始做。 颜鑫有一点完美主义。他过去经常做到五六十分以后,发现离自己想要的九十分差距太大,与其在旧结构上修两个月,不如直接Rebuild,从头再来。 所以现在他越来越习惯在动手之前,把0到1先想得更清楚,把目标和结构写下来,再交给AI执行。 最后,吴熳问: 如果让普通人用30天熟悉AI开发,你会怎么建议? 颜鑫没有回答“学Python”。 也没有回答“每天刷Codex”。 他说: 写好自己的人生说明书。 因为工具会变,模型会变,开发方式也会变。 但你得先知道自己是谁,什么问题真的困扰你,你愿意长期解决什么,以及AI到底应该帮你把人生带向哪里。 未来一年,他最期待的变化也很简单: 希望自己做出来的产品,不只帮助自己。 也真正帮助到自己以外的人。 💬听众互动 如果未来真的有一个机器人长期生活在你家里,它会看见你的表情、听见你的语气、记住你的习惯,也可能在你不开口的时候主动问你一句“你今天是不是不太开心”—— 你希望它记住你什么?又最希望它永远忘掉什么?

58 分钟 99+ 次播放 3个月前

播放列表

自动播放下一个

播放列表还是空的

去找些喜欢的单集添加进来吧