Posts for: #AI

碎片

这两天的几场聊天,记一些讨论到的信息。

  1. “每一次大的收敛,都会带来大的机会。比如手机,把照相机、MP3、打字机、书、手电筒、闹钟、手表、信用卡、DVD、电影院、游戏厅、秘书……都收敛到一起,就是很大的机会。AI 眼看也带来了巨大的收敛。”

  2. “能不能让同事们迭代更生猛、讨论更兴奋,不是为了完成任务,而是寻找突破口,努力找到光。”

  3. “开会的时候,产品、研发和运营坐在一起讨论产品。我们这次是——面向大模型开发,产研直接数据丢给大模型,大模型根据 prompt 处理成 json 返回,UI 呈现完事。这时改需求,反而是运营急了——需要改写、测试很多 Prompt。我意识到,现在的开发模式变了。”

  4. “大模型把世界压缩进了模型。我们需要学习的是怎么调用它,怎么问合适的问题,让它们把合适的答案无损地解压,交还给我们。”

  5. “现有的成熟的知识都不该做了,应该做那些 AI 得不到、学不会的东西。AI 压缩世界的过程中,是能腾出更大空间的。比如:是不是大家不用卷,都有钱谈恋爱了,就有很多爱情——这个 AI 应该还学不会”。

  6. “现在芯片厂商挣了最多的钱,然后是云计算厂商,然后 Apps 最少。这个结构应该要倒过来,才是健康的,就像云计算那样。Apps 挣最多——解决了真实世界的问题,然后是云计算厂商,然后才是芯片厂商。”

  7. “如果你担心模型进化会把你做的东西吞掉,那你大概率做错了。如果你对模型的进化极其兴奋,模型越聪明,你能实现得越好,那你有可能做对了。”

  8. “Chatbot 可能不是对的交互模式。想想 Dos 时代的 C:\ 然后一闪一闪的光标——其实就是个对话。然后更自然的是图形界面、鼠标。AI 时代的图形界面会是什么?”

  9. “知识星球里,最重要的是人味。我们当然要借助 AI 的力量,但是要能增强互动。都是 AI 之后,真人社区更加珍贵。知识星球必须是真人社区——我们可能要用 AI 帮我们干掉 AI 生产的内容。”

  10. “在知识星球里,AI 可以促进内容消费——做更好的推荐。也可以提升星主效率——比如帮助分析转化率最高的星球,分析为什么他们的星球转化率高,帮星主们挣更多钱。”

提问改变一切:我与 ChatGPT Pro 的对话实验

这个标题是 ChatGPT o3-mini-high 取的,不知道会不会增加阅读量。

买了 ChatGPT Pro 之后,我有好些天,每天至少问它一个问题。昨天还顺手搭了一个网站:askai.wulujia.com 记录一些可以公开的问答。

我想记录一段时间,我问过 AI 的问题,发生的追问,AI 给过的答案。有记录,才会有观察和改进。懂得提问,才找得到答案。

这些天下来,我感受到,要用 AI 解决问题,我有几个能力需要提升。

  1. 会提问。跟做产品一样,得先发现需要解决的问题。然后尽可能有效地提问、追问。

  2. 会阅读。很多时候,我问完了问题,看 AI 生成了答案,就满足了。但是不是读了,读懂了,看了信息源了,结合自己的想法思考了?

  3. 会挖掘。思考之后,就可能有新想法,就可能开始追问,或者抛开 AI 去搜索,去实验,去访谈。

  4. 会决策。提问的目的不是提问,是解决问题。如果最后不做决定,那,不问也罢。

网站放在 GitHub:github.com/wulujia/askai

如果你有什么好问题想问 ChatGPT Pro,可以在 GitHub 提 Issue,当然也可以直接在公众号留言。

买了 ChatGPT Pro

我买了 ChatGPT Pro 之后,才用没几天,有几个触动:

第一:仅仅从问问题后,它接任务时的表现看,它已经比很多工作者“聪明”了。

可以参见我的截图:

在接到任务后,有系统思考能力地快速分析,然后提出疑问要求确认重点,得到回应之后,复述要做的工作,确保目标一致——这就已经打败可能超过 90% 的人了(我都做不好)。


第二:DeepResearch 暂时还无法取代人,深入挖掘的能力有待提升。

举一个例子:我请它帮我做某个方向的调研,它给出的参考链接里,其实有许多在我原有认知之外的,比如有某机构 2021 年的业务报表,有相关政府部门 2022 年的数据。但是——它没办法意识到,我看到这些信息时眼睛一亮,然后沿着这些线索,挖掘更多信息和数据去了。

第三:付费刺激使用和思考(可惜这种刺激往往不持久)。

不菲的价格,会让我觉得,每天不问回 100 元票价都很亏。于是激发了我更多思考和提问。目前还不知道能持续多久,希望不止类似买相机、买手机那样的三分钟新鲜感。

第四:结合 AI 的阅读、学习很愉悦。

目前的大模型公司普遍是,人类给 AI 一堆资料,然后不需要人类阅读,人只需要问 AI,让 AI 吐出你想要的信息。在我看来,这种方式,存在很大问题。

阅读过程中的思考,然后提出问题,让你的脑子和你学习的资料、和 AI 互动,在这个互动过程中激发出更多灵感和创造力,得到属于人的 aha moment,这才有意思。

YC 的 AI 创业创意

刚刚在 Twitter 看到 YC 发布了 2025 年春季的 # Requests for Startups——邀请创业者在这些领域尝试突破。链接是:

我将内容快速整理分享。

安全的 AI 应用市场

我们想要一个全新的 AI 应用商店和操作系统层,它可以运行在你的电脑或手机上,并且具备以下特性:

  1. 保护用户数据:用户完全掌控每个应用可以访问的信息,例如日历、文件或浏览记录,只有在用户授权的情况下,应用才能获取这些数据。

  2. 提供统一的共享记忆:所有个人信息(如偏好设置、过往操作、上下文)都存储在这一层,而不会分散在多个应用中,让体验更加连贯。

  3. 帮助用户找到最好的 AI 应用:这个应用商店会对每个 AI 工具进行审核和评估,确保用户能够安全地发现并安装优质应用。

  4. 帮助开发者构建应用:开发者可以获得基础设施支持,避免重复造轮子,API 简单易用,例如计算资源管理、本地 LLaMA 版本控制、应用级权限管理等。

  5. 处理支付:让用户能够轻松购买付费应用或服务,降低支付流程的复杂性。

想象一下,一个旅行 AI 能够帮你找到合适的航班,并且知道你通常带着九岁的孩子一起旅行,而他最喜欢坐在窗边。又或者,一个 AI 助手可以在你阅读文章或书籍时,推荐某个想法最初出现的原始文本。基于这个 AI 应用商店构建的应用,只能访问你允许的少量数据,既能提供强大功能,又能保护隐私。

有人可能会说,大型科技公司最终会打造这样的系统。但现在正是一个独特的机会,你也许可以成为推动这一变革的人。

如果做得好,这将为初创公司和开发者创造更多机会:他们的应用可以利用共享记忆变得更智能,同时,这个平台还能解决应用的分发和变现问题,成为新的市场。

如果你正在开发这样的系统,请申请加入,我们希望帮助你把它做对。

数据中心

我们需要更多数据中心,并且要能够更快建成、成本更低,以支撑 AI 发展的基础设施。目前的超大规模数据中心项目通常需要数年才能完成,而在当前的市场需求和资金支持下,我们需要新的公司和更具创新性的解决方案,以加速这一进程——无论是在电力基础设施、冷却系统、材料采购,还是项目管理方面。

我们可以想象未来的数据中心将是什么样子:软件将负责规划和建设数据中心或仓库的每个环节,从选址、施工到部署和运营管理,全部由自动化系统完成。这些数据中心将实现无人值守,由机器人 24/7 全天候自主运作,无需人工干预。

合规与审计

在美国和欧洲,大约有 400 万人(约占总劳动力的 1%)从事合规与审计工作,而合规成本正不断上升。从 GDPR 到 Dodd-Frank,从金融行业的反洗钱(AML)/ 知识你的客户(KYC)要求到 ESG 报告,监管环境正在持续扩大。

传统的合规工作需要阅读大量复杂的法规,对照内部政策和流程文件,手动抽样检查一线工作,并撰写重复性报告。审计人员通常需要筛选大量非结构化数据来发现问题。这些手工、耗时的工作迫切需要自动化。

LLMs(大语言模型)在这方面表现出色。它们可以解析法规文件、企业政策或财务报表,并标记潜在问题,从而减少人工审核的工作量。这些工具可以自动化许多当前由审计员手动执行的测试,例如发现数据异常、识别不完整记录或指出矛盾的政策。

[阅读全文]

最近在试的学习工作方法

学习方面,主要是做某个方向学习(比如 AI)时,找到论文、书籍,可以存到知识库里,无论是自己学习,或者是与人共读,都是不错的选择。比如,我想看基本 Critical Tinking、逻辑相关的书,会:

  1. 导入书籍,在 ima 里阅读。

  2. 看到不懂的内容,直接向 AI 提问。

  3. 回答有用,一键存为笔记。

工作方面,有价值的主要是共享知识库。比如我会尝试请同事帮我测试:

  1. 创建一个共享知识库,将我们的官方文档导入。

  2. 向知识库提问——如果结果稳定,我们或许可以将知识库对外发布,成为客服工具。

除了客服之外,似乎可以用它:

  • 管理我的个人健康记录

  • 协助写自己的年度总结

  • 导入所有同事 2024 年度的总结,慢慢看和分析

  • 人力资源同事是否可以导入公司的组织文化规则和制度,员工有疑问直接问 AI

  • 运营同事的历史文档导入后提问

整体感觉还是挺有用的。比起我更常用的 NotebookLM,有了中文支持,而且直接国内可用,还不花钱。

看到 NotebookLM 之后

AI 已经深度融进了我的工作、学习和生活。但这两年来,我一直隐隐觉得各种工具层出不穷,但在深度上似乎又缺点什么,直到看到 Google NotebookLM。

我自己有些想解决的问题,例如:

  • 团队在共同做一个项目的时候,会采集大量的文档、数据。但往往数据散落在不同人的设备上。

  • 不同人在针对这些数据做分析、思考的时候,有不同的方法,但是这些方法无法被学习和复用(所以 Chat History 应该可以由作者加星标后共享)。

  • 阅读这些文档和数据的时候,还是使用传统的 pdf 阅读器、excel 等工具,不能一边阅读,一边与 AI 对话。同时对话的记录还能与文件的上下文对应(所以应该具备阅读器的能力)。

  • 有更理想的中文支持。

去年底,一度很想自己动手做个 NotebookLM for group 来解决这些问题。也认真想过,该从哪里入手。因为这个工具会涉及网页、文件、对话、内容,我觉得有几个不同的切入点,比如:

  • 浏览器:浏览器入口被争抢得最凶,大厂都做进了 AI 对话能力,更有不少小公司试图从这里颠覆。

  • 网盘:微软、Google、Apple 都有网盘,而 Dropbox、Box 也都虎视眈眈。虽然网盘里有大量数据,但要从这里切走一块蛋糕,相当不容易。

  • 笔记:这是个看起来比较轻量,容易入手的切入点。虽然看起来 Notion 有着天然的优势,但也面临最大的竞争压力。

  • Chatbot:除了 ChatGPT、Claude 之外,所有的 IM 比如微信、WhatsApp、Telegram,或者甚至 Slack,看起来都离数据和用户更近。

还有些其他切入点比如内容社区--但企业应用内容社区往往对团队有更多要求,以及决策流程更长。想得越多越无解,每个入口都有根基牢固的产品,然后很快又看到 NotebookLM 支持了企业,ChatGPT/Claude 支持了 Project,感觉切入点太难找,就先放下了。

[阅读全文]