主播 未知 出品 Rosia吴熳 2,017 订阅 57 集 3天前更新
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 77 次播放 3天前
《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
《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
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
还没有人评价。听过的话，留个分数和一句短评吧。
您确定要删除评价吗？
外观
播放列表还是空的
去找些喜欢的节目添加进来吧
