关于AIGC人工智能、思维方式、知识拓展，能力提升等。投稿/合作： @inside1024_bot
AIGC 领域的最新工具、开源项目以及行业大事件
AIGC 领域的最新工具、开源项目以及行业大事件
🔯 官网： KX.VIP🔯 客服：@kxtop🔯 频道：@kxvipcom🔯 招商：@KX999
转发 @歸藏: 昨天还跟橘子聊了公众号长文推送这个话题。
可以理解，但很可惜，国内本来就少的长图文发布渠道就要彻底没了，发了粉丝都看不到。
可以理解你想要做短图文，但能不能除了信息流把公众号主页也改改，根本没办法分类和查找，做点东西全是四不像、半成品
最近对各种摘要型 prompt，都默默删除了，发现缺失了用户自己的视角，很难真提取到有效信息，特别是对高质量的原始内容来说。
比如最近罗永浩采访宋方金这期，聊的很杂，信息量很多。有意思的是，听完后，我发现我感兴趣的，和另一个好朋友感兴趣的点，完全不一样。
Summary prompt 是一种快速产生“五分钟看完一部电影 ”的消费方式。然而在抖音上，“五分钟看完很多电影”后，依旧对原始电影模糊得不行。Summary 适合娱乐，并不适合学习。
Karpathy 的最新播客，也有同感。我刚看完原始视频，对比去看 Twitter 上的各种总结，绝大多数只是一种暴力压缩，是在把一部精华电影剪辑成五分钟速读文字。价值只有一个点：这期播客值得听，赶紧去看。可叹的是，绝大部分情况下起到的作用是：看了总结，以为已经得到了精华，就再也不去看原始内容了。
文学研究里，最基础的讨论前提是 back to text（回到原始文本）。学习领域，可能也如此。原始文本/音频/视频是一个巨大的 prompt，是酵母菌，是催化剂，用户本身才是那个面团。酵母菌 + 面团需要时间去发酵，然后面团才能蓬松起来，变成好吃的面点。
AI 的天花板，依旧在人。
这个世界越来越有意思。
比如最近罗永浩采访宋方金这期，聊的很杂，信息量很多。有意思的是，听完后，我发现我感兴趣的，和另一个好朋友感兴趣的点，完全不一样。
Summary prompt 是一种快速产生“五分钟看完一部电影 ”的消费方式。然而在抖音上，“五分钟看完很多电影”后，依旧对原始电影模糊得不行。Summary 适合娱乐，并不适合学习。
Karpathy 的最新播客，也有同感。我刚看完原始视频，对比去看 Twitter 上的各种总结，绝大多数只是一种暴力压缩，是在把一部精华电影剪辑成五分钟速读文字。价值只有一个点：这期播客值得听，赶紧去看。可叹的是，绝大部分情况下起到的作用是：看了总结，以为已经得到了精华，就再也不去看原始内容了。
文学研究里，最基础的讨论前提是 back to text（回到原始文本）。学习领域，可能也如此。原始文本/音频/视频是一个巨大的 prompt，是酵母菌，是催化剂，用户本身才是那个面团。酵母菌 + 面团需要时间去发酵，然后面团才能蓬松起来，变成好吃的面点。
AI 的天花板，依旧在人。
这个世界越来越有意思。
这里AK还有个精妙的类比：模型的预训练权重就像"一年前读过某本书的模糊回忆"，而上下文窗口信息则像"工作记忆"——直接可访问。这解释了为什么in-context learning感觉更"智能"：在预训练过程中，像 Llama 3 这样的模型将 1.5 万亿个标记压缩到它的权重中，每个标记仅存储约 0.07 比特的信息。相比之下，上下文学习的信息吸收速度要高 3500 万倍。
当你记不住细节时，大脑被迫提取general patterns（通用模式），看到"森林"而不只是"树木"。
而LLM被海量训练数据的完美记忆"分散注意力"，反而阻碍了真正的抽象理解。
我们仔细会议人类的学习过程。读过的书大部分细节都忘了，但核心思想和方法论却越来越清晰。
原来这不是记忆力差，这是智能啊。
更震撼的类比：儿童 vs 成人 vs LLM
儿童：记忆最差，创造力最强（还没"过拟合"到社会规范）
成人：记忆中等，创造力中等（已经"坍塌"了部分）
LLM：记忆完美，创造力最低（被训练数据"过拟合"）
AK提到Erik Hoel的研究：梦境可能就是大脑的anti-overfitting机制。连睡觉都是为了避免过拟合，引入随机性防止思维僵化。
这解释了为什么当前AI在"合成数据训练"上会失败。你让GPT对同一本书思考10次，会发现回答几乎一样。这就是"静默坍塌"。
模型的输出分布极其狭窄，AK开玩笑说"它实际上只有3个笑话"。在这种低熵数据上训练只会强化模型的偏见，让它变得更糟。
而且人类其实也经历类似的"坍塌"过程，儿童富有创造力是因为还没"过拟合"到社会规范，会说出令人震惊的话。但成年后我们也"坍塌"了，重复相同的思想，学习率下降，创造力递减。
梦境也可能是大脑的anti-overfitting机制，通过引入随机性防止思维僵化。
所以他提出了一个激进想法：我们需要认知核心。剥离记忆，保留算法。
让AI像"有方法论但没有百科全书的哲学家"，强制它查找而非回忆，专注于思考的meta-skills。
他预测未来20年内，高效的认知核心可能只需要10亿参数，而不是现在动辄千亿参数的模型。
大部分参数都在处理互联网上的"垃圾和胡扯"，如果优化训练数据质量，分离认知组件，就能实现极大压缩。
当前foundation model的路径是否根本错了？
也许我们需要的不是更大的模型，而是更会遗忘的模型？
重新理解AI的发展路径
早期深度强化学习专注游戏（如Atari）其实是走错了方向。真正目标应该是创造能在现实世界执行知识工作的智能体，不是游戏高手。
他回忆自己在OpenAI的早期项目，用键盘鼠标操作网页的智能体，目标是执行知识工作。但项目"太早了"，智能体缺乏必要的"表示能力"，会因稀疏奖励卡住。缺失的关键是强大的预训练模型。今天类似的计算机使用智能体之所以成功，正是因为建立在LLM之上，你需要先有LLM获得强大表示，再构建有效智能体。
他的另一个深刻观察：AI不是独立技术类别，而是自动化连续体的一部分。从编译器、代码编辑器到搜索引擎，再到现在的LLM，我们一直在"抽象阶梯"上向上攀登，让机器处理更多底层细节。
这解释了为什么AI经济影响主要集中在编程领域，代码本身就是文本，有成熟基础设施（IDE、版本控制），LLM可以无缝接入。相比之下，制作幻灯片这种视觉任务就困难得多，因为没有infrastructure让AI显示"diff"或跟踪变化。
但AK也泼了冷水：当前AI编程模型还没准备好真正自动化编程。他亲身体验发现，对于独特的智力密集项目，模型会失败——它们有认知缺陷，误解自定义代码，因为总是默认使用在线常见模式。他感慨"行业跳跃太大，试图假装这很神奇，但其实是垃圾"。
"九进军"的苦涩现实
从Tesla自动驾驶5年经验，AK深知从90%工作的demo到99.9%可靠产品的"九进军"有多艰难。每提升一个九，都需要massive effort。他提到自动驾驶演示从1986年就存在，2014年他在Waymo车上体验了完美驾驶，以为技术很接近完成。但现实是demo到产品的巨大鸿沟，在高风险领域尤其如此。
在Tesla的五年里，他们可能只推进了两三个"九"，还有更多要走。这种现实主义让他对AGI时间线保持谨慎：这是"智能体的十年"，不是"智能体之年"。
当前模型就像"有完美记忆的小孩"或"学者儿童"——能通过博士级测试，却认知上还有严重缺陷：缺乏持续学习、多模态能力、有效使用计算机的能力，以及大脑中海马体、杏仁核等关键组件的类似物。
未来的工作模式：自主滑块
AK预测不会出现"瞬间工作替代"，而是"自主滑块"模式：AI处理80%常规任务，人类监督AI团队并管理最复杂的20%。有趣的是，当AI自动化99%工作时，处理最后1%的人类反而会变得极其有价值，成为整个系统的瓶颈，他们的薪资也会提高。
教育的范式转换
AK对教育未来的洞察：Pre-AGI时代教育是功利性的（为了工作），Post-AGI时代教育将像健身房一样，为了乐趣和个人充实。
他还分享了一个教学技巧：先展示痛点，再给解决方案。通过展示简单方法的局限性来激发学习动机，这样学习者会深刻理解为什么需要复杂解决方案。
最后，要真正掌握知识，就要试着向别人解释。解释的过程会迫使你面对理解中的空白，这又回到了他的核心观点：
限制和困难往往是学习的催化剂。
这 recall 了之前的观点，真正的技术突破往往需要重新思考基础假设。
也许AGI的关键不是让机器记住更多，而是学会智能地遗忘。
当你记不住细节时，大脑被迫提取general patterns（通用模式），看到"森林"而不只是"树木"。
而LLM被海量训练数据的完美记忆"分散注意力"，反而阻碍了真正的抽象理解。
我们仔细会议人类的学习过程。读过的书大部分细节都忘了，但核心思想和方法论却越来越清晰。
原来这不是记忆力差，这是智能啊。
更震撼的类比：儿童 vs 成人 vs LLM
儿童：记忆最差，创造力最强（还没"过拟合"到社会规范）
成人：记忆中等，创造力中等（已经"坍塌"了部分）
LLM：记忆完美，创造力最低（被训练数据"过拟合"）
AK提到Erik Hoel的研究：梦境可能就是大脑的anti-overfitting机制。连睡觉都是为了避免过拟合，引入随机性防止思维僵化。
这解释了为什么当前AI在"合成数据训练"上会失败。你让GPT对同一本书思考10次，会发现回答几乎一样。这就是"静默坍塌"。
模型的输出分布极其狭窄，AK开玩笑说"它实际上只有3个笑话"。在这种低熵数据上训练只会强化模型的偏见，让它变得更糟。
而且人类其实也经历类似的"坍塌"过程，儿童富有创造力是因为还没"过拟合"到社会规范，会说出令人震惊的话。但成年后我们也"坍塌"了，重复相同的思想，学习率下降，创造力递减。
梦境也可能是大脑的anti-overfitting机制，通过引入随机性防止思维僵化。
所以他提出了一个激进想法：我们需要认知核心。剥离记忆，保留算法。
让AI像"有方法论但没有百科全书的哲学家"，强制它查找而非回忆，专注于思考的meta-skills。
他预测未来20年内，高效的认知核心可能只需要10亿参数，而不是现在动辄千亿参数的模型。
大部分参数都在处理互联网上的"垃圾和胡扯"，如果优化训练数据质量，分离认知组件，就能实现极大压缩。
当前foundation model的路径是否根本错了？
也许我们需要的不是更大的模型，而是更会遗忘的模型？
重新理解AI的发展路径
早期深度强化学习专注游戏（如Atari）其实是走错了方向。真正目标应该是创造能在现实世界执行知识工作的智能体，不是游戏高手。
他回忆自己在OpenAI的早期项目，用键盘鼠标操作网页的智能体，目标是执行知识工作。但项目"太早了"，智能体缺乏必要的"表示能力"，会因稀疏奖励卡住。缺失的关键是强大的预训练模型。今天类似的计算机使用智能体之所以成功，正是因为建立在LLM之上，你需要先有LLM获得强大表示，再构建有效智能体。
他的另一个深刻观察：AI不是独立技术类别，而是自动化连续体的一部分。从编译器、代码编辑器到搜索引擎，再到现在的LLM，我们一直在"抽象阶梯"上向上攀登，让机器处理更多底层细节。
这解释了为什么AI经济影响主要集中在编程领域，代码本身就是文本，有成熟基础设施（IDE、版本控制），LLM可以无缝接入。相比之下，制作幻灯片这种视觉任务就困难得多，因为没有infrastructure让AI显示"diff"或跟踪变化。
但AK也泼了冷水：当前AI编程模型还没准备好真正自动化编程。他亲身体验发现，对于独特的智力密集项目，模型会失败——它们有认知缺陷，误解自定义代码，因为总是默认使用在线常见模式。他感慨"行业跳跃太大，试图假装这很神奇，但其实是垃圾"。
"九进军"的苦涩现实
从Tesla自动驾驶5年经验，AK深知从90%工作的demo到99.9%可靠产品的"九进军"有多艰难。每提升一个九，都需要massive effort。他提到自动驾驶演示从1986年就存在，2014年他在Waymo车上体验了完美驾驶，以为技术很接近完成。但现实是demo到产品的巨大鸿沟，在高风险领域尤其如此。
在Tesla的五年里，他们可能只推进了两三个"九"，还有更多要走。这种现实主义让他对AGI时间线保持谨慎：这是"智能体的十年"，不是"智能体之年"。
当前模型就像"有完美记忆的小孩"或"学者儿童"——能通过博士级测试，却认知上还有严重缺陷：缺乏持续学习、多模态能力、有效使用计算机的能力，以及大脑中海马体、杏仁核等关键组件的类似物。
未来的工作模式：自主滑块
AK预测不会出现"瞬间工作替代"，而是"自主滑块"模式：AI处理80%常规任务，人类监督AI团队并管理最复杂的20%。有趣的是，当AI自动化99%工作时，处理最后1%的人类反而会变得极其有价值，成为整个系统的瓶颈，他们的薪资也会提高。
教育的范式转换
AK对教育未来的洞察：Pre-AGI时代教育是功利性的（为了工作），Post-AGI时代教育将像健身房一样，为了乐趣和个人充实。
他还分享了一个教学技巧：先展示痛点，再给解决方案。通过展示简单方法的局限性来激发学习动机，这样学习者会深刻理解为什么需要复杂解决方案。
最后，要真正掌握知识，就要试着向别人解释。解释的过程会迫使你面对理解中的空白，这又回到了他的核心观点：
限制和困难往往是学习的催化剂。
这 recall 了之前的观点，真正的技术突破往往需要重新思考基础假设。
也许AGI的关键不是让机器记住更多，而是学会智能地遗忘。
- 今年不是"智能体元年"，我们身处"智能体的十年"
- 现在的强化学习就像"通过吸管吸取监督"
- LLM悖论：完美记忆 + 泛化能力差
- 人类糟糕的记忆是特性，不是bug
- 当你记不住细节时，大脑被迫进入抽象模式，看到"森林"而不只是"树木"。
- 儿童：记忆最差，创造力最强（还没"过拟合"到社会规范）
- 我们需要的AI只需要认知核心。剥离记忆，保留算法。
也许我们需要的不是更大的模型，而是更会遗忘的模型？
- AI 不会立即取代人类，而会逐步提高工作占比，最终完成 99% 的工作，剩下1%无法取代。
- 以前的教育是为了找到工作，Post-AGI时代教育将像健身房一样，为了乐趣和个人充实。
播客开头，AK先重新校准了我们对 AI 的期望。
今年不是"智能体元年"，我们身处"智能体的十年"，区别在于，一切没那么快，虽然也没那么慢。
他说，现在强化学习就像"通过吸管吸取监督" ，模型尝试几百种方法，最后只得到一个"对错"信号，然后把这个信号广播给成功路径的每一步，包括那些纯属运气的错误步骤。
你瞎猜猜中了答案，然后把猜的过程也当成"正确方法"强化，这能学好吗？
AK还提到一个更荒诞的例子：有个数学模型突然开始得满分，看起来"解决了数学"。但仔细检查发现，模型输出的是"da da da da da"这样的完全胡言乱语，却骗过了LLM评判者。这就是用LLM做评判的问题——它们会被对抗样本攻击，因为这些乱码是它们从没在训练中见过的"样本外"内容。
更深层的问题是：人类读书时在做什么？
AK说："我们读的书其实是prompts，让我做合成数据生成用的。"
我们读书时不是被动接收信息，而是在内心进行复杂的对话。新只是与已知知识调和，产生新理解，形成个人化的认知图谱。
但LLM呢？只是在预测下一个token，缺乏这种"内心对话"机制。
人类还有个神奇的"睡眠阶段"。白天我们建立起事件的上下文窗口，睡觉时发生蒸馏过程，将信息整合到大脑权重中。
LLM缺乏这种等效机制，每次启动都是零上下文的白纸。
AK发现了一个根本悖论：
LLM悖论：完美记忆 + 泛化能力差
人类悖论：糟糕记忆 + 强学习能力
为什么？因为遗忘强迫我们抽象。
双料第一，太强了。
经过我的测试，同一个账号，同样的内容
早晨8点多，用公众号，发布后2小时总共带来349阅读
早晨10点多，用小绿书，发布后15分钟不到就387阅读
甚至公众号的互动数据都明显比小绿书好
但是系统完全不给流量
绝了
这三点总结起来就是：要么你有流量，要么你有资源，要么你有朋友。
Magi的界面和ChatGPT很像，但核心差异在左上角那个模型选择器，你可以随时切换不同的AI模型。
比如用Claude开始一段对话，觉得回答不够好，立刻切换到GPT-4继续聊，两个模型的回答会出现在同一个对话框里。
除了文本模型，Magi还整合了图像和视频生成模型，包括Dall-E、Flux、Ideogram等。你可以在同一个对话里既生成文字又生成图片，不用在不同工具间跳转。
技术架构上，前端用Bubble搭建，支付用Stripe，邮件营销用ConvertKit，AI模型接入主要靠Open Router和Fal.ai这两个中间平台。
Open Router把各家大语言模型的API统一成一个格式，Fal.ai则整合了图像和视频模型。对于OpenAI，Dustin还申请了最高级别的API权限，保证响应速度。
这套架构的妙处在于灵活——新模型出来了，接入成本很低；某个模型服务不稳定了，可以快速切换备选方案。
Magi没有免费版，只有付费订阅。单人版20美元一个月，团队版40美元支持5个用户，每增加一个用户加收20美元。
Magi瞄准的是重度用户和企业客户，这些人愿意为效率付费，而且对价格不那么敏感。
这也解释了为什么Dustin不做免费版——免费用户会稀释服务质量，而且很难转化为付费用户。与其服务一堆免费用户，不如专注服务好愿意付费的那群人。
这个故事最有价值的地方不是成功本身，而是它展示了一种可能性：即使你不会编程、没有资金、经历过失败，只要抓住一个真实的需求，用最简单的方式解决它，依然有机会做出一个赚钱的产品。
不是所有创业都需要从颠覆行业开始，有时候，把一个小问题解决得足够好，就已经是一门不错的生意了。
2025年的今天，AI工具还在以惊人速度更新迭代，每一次迭代都会产生新的使用场景，也会产生新的痛点。如果你也在观望要不要做点什么，Dustin的建议很简单：别想太多，先做出来再说。
8周时间，足够验证一个想法是不是伪需求了。
Magi的界面和ChatGPT很像，但核心差异在左上角那个模型选择器，你可以随时切换不同的AI模型。
比如用Claude开始一段对话，觉得回答不够好，立刻切换到GPT-4继续聊，两个模型的回答会出现在同一个对话框里。
除了文本模型，Magi还整合了图像和视频生成模型，包括Dall-E、Flux、Ideogram等。你可以在同一个对话里既生成文字又生成图片，不用在不同工具间跳转。
技术架构上，前端用Bubble搭建，支付用Stripe，邮件营销用ConvertKit，AI模型接入主要靠Open Router和Fal.ai这两个中间平台。
Open Router把各家大语言模型的API统一成一个格式，Fal.ai则整合了图像和视频模型。对于OpenAI，Dustin还申请了最高级别的API权限，保证响应速度。
这套架构的妙处在于灵活——新模型出来了，接入成本很低；某个模型服务不稳定了，可以快速切换备选方案。
Magi没有免费版，只有付费订阅。单人版20美元一个月，团队版40美元支持5个用户，每增加一个用户加收20美元。
Magi瞄准的是重度用户和企业客户，这些人愿意为效率付费，而且对价格不那么敏感。
这也解释了为什么Dustin不做免费版——免费用户会稀释服务质量，而且很难转化为付费用户。与其服务一堆免费用户，不如专注服务好愿意付费的那群人。
这个故事最有价值的地方不是成功本身，而是它展示了一种可能性：即使你不会编程、没有资金、经历过失败，只要抓住一个真实的需求，用最简单的方式解决它，依然有机会做出一个赚钱的产品。
不是所有创业都需要从颠覆行业开始，有时候，把一个小问题解决得足够好，就已经是一门不错的生意了。
2025年的今天，AI工具还在以惊人速度更新迭代，每一次迭代都会产生新的使用场景，也会产生新的痛点。如果你也在观望要不要做点什么，Dustin的建议很简单：别想太多，先做出来再说。
8周时间，足够验证一个想法是不是伪需求了。
2023年初，一个叫Dustin的小镇青年，手里既没钱也不会编程。但8周后，他做出了一个AI产品，第一个月就赚了3000美元。
两年半之后，这个叫Magi的产品月收入接近10万美元，折合人民币约60多万。
Dustin的职业经历带给了他两个重要认知：
第一，他是个完美主义者，服务客户的模式让他筋疲力尽；
第二，做数字产品可以同时服务成千上万人，而不是一次只能帮一个客户。
2014年，他和合伙人做了个WordPress插件公司，生意不错。但合伙人后来散了，他又连续做了几个产品，全都失败了。
那段时间他几乎要放弃，直到ChatGPT出现。
当所有人都在惊叹ChatGPT有多厉害时，Dustin却在记录它的不方便之处。
不能搜索聊天记录，不能建文件夹，没有各种小功能优化。
这些看起来都是小问题，但对于重度用户来说，每天都要遇到好几次。
更关键的是，他发现了另一个趋势：AI公司越来越多，每家都要收订阅费。
想要用最好的AI工具你可能需要订阅五六个不同的服务，这个问题才是真正的痛点。
于是Magi的核心想法就出来了：把所有顶级AI模型放在一个平台上，只收一份订阅费，顺便把那些烦人的问题都解决掉。
一个不会编程、没有钱的人，怎么做出一个AI产品？
Dustin的方法是找了个在线课程，自学无代码开发工具。8周时间搭出了第一版产品。
Magi的核心其实是个聚合平台，通过API接口调用其他公司的AI模型。
技术门槛确实不高，但这不妨碍它解决真问题。
Dustin说他发布产品时完全没信心，觉得不会有人买。结果第一个月就赚了3000美元，第二个月4000，第三个月直接跳到10000。一年后，月收入到了3万美元。
很多人好奇Dustin是怎么推广产品的，但答案可能会让你失望——他几乎没做什么传统意义上的推广。
他的第一个杠杆是10年积累的个人品牌。
他有个博客，10年下来积累了10万邮件订阅用户。
产品一发布，这些人就是第一批种子用户。
第二个杠杆是联盟计划。
大部分联盟计划只给一次性佣金，但Magi的推荐人可以获得持续收入——用户付12次费，推荐人就拿12次佣金。这种设计让推荐人的利益和产品长期发展绑定，自然更愿意用心推广。
第三个杠杆是人脉。
Dustin说自己是外向型人格，喜欢社交，这些年在行业里结识了不少营销高手。产品出来后，这些朋友帮了大忙。
限制公司规模的不再是管理复杂度，而是使命本身的边界。
在AI时代，我们该如何衡量AI Agent创造的价值呢？传统的GDP统计体系显然不够用了，当AI可以代替人类完成大量工作，用钱来衡量增长还有意义吗？
KK给出了一个可以深思的方向：也许我们需要新的度量标准，关于效率的，关于人类幸福的，甚至关于完成工作量的。
未来15年人口会越来越少，我们不可能靠增长人口来实现经济增长。更关键的是，AI现在做的很多事情压根没法用传统方式计量。
但这恰恰是引入AI经济的另一个理由，经济不一定非要增长，AI可以生产，但它不需要消费。
比如你让AI帮你写了一封邮件，节省了半小时，这算不算GDP？AI陪你聊天治好了焦虑，这又算不算？
也许我们需要衡量的不是效率，而是人类的幸福感和完成的工作量。
当AI把我们不想做的事情都做了，剩下的时间我们去做真正想做的事，这是不是一种新的价值创造方式？
所有人都在谈论AI提升效率，但没人说清楚效率提升之后，我们到底要什么。
领导力，在AI时代会变得更加重要。
在复杂系统中，人类领导者的作用依然是提供方向，做出选择。AI可以处理海量信息，但它不会替你决定向北还是向南。
很多人焦虑AI会取代管理层，但其实越是变量多、不确定性高的场景，领导者的价值就越大。需要人来提供高层次的治理，用几个简单的指令协调整个系统。
底层可以自动化，但顶层的方向制定、价值判断、资源协调，仍然需要人。
领导力的核心不是信息处理能力，而是在不确定性中做出判断的勇气。
关于AI投资泡沫。KK说，现在几千亿美元砸进AI产业，早期投资者大概率会亏钱。
但后面才是重点：投资者亏钱，不代表社会亏了。
拿25年前的互联网泡沫来做类比，那时候无数人疯狂投资光纤、服务器、门户网站，最后泡沫破灭，大批公司倒闭，投资人血本无归。
但那些光纤没有消失，那些技术积累没有消失，它们变成了今天互联网的基础设施。
AI也会是一样的路径，现在建的算力中心、训练的模型、开发的应用，即使有一半最后失败了，另一半也会成为未来的基石。
社会整体还是赚的，只是具体到某个投资人头上，可能就没那么幸运。
这是技术进步的代价，也是市场经济的规律。
那么，AI会不会让底层人失业呢？
KK回答：现在的研究显示，用了AI的员工生产力提高了25%左右，但并没有大规模裁员的迹象。那些大家以为会被AI取代的职业，程序员、客服、翻译，目前反而需求更旺盛了。
原因很简单，AI现阶段是助手，不是替代品。它会让你干活更快，但还没到完全取代你的程度。而且，它最先取代的是那些我们本来就不想干的重复性工作。
更关键的是，AI会创造新工作。
就像25年前没人知道什么叫网页设计师、SEO专家、UP主，这些职业都是互联网催生的，AI时代也会有一大堆现在想都想不到的新职业冒出来。
KK特别强调了一点：技术创新可能很快，但社会吸收很慢，文化、组织结构、法律政策，都需要时间适应。即使AI技术已经成熟了，真正融入社会可能还需要十年。
这反而是个好消息，因为我们有足够的时间调整、学习、转型。
现在进入AI领域，是不是太晚了？
KK的回答是：20年后当我们回看2025年，会发现那时的AI其实根本不算什么，就像2000年的互联网，当时觉得已经很发达了，但跟今天比简直是石器时代。
用他的话说，现在是Day One，是真正的起点。
大家都在同一条起跑线上，就没有早晚之分，关键是要看你愿不愿意跑。
最后问KK为什么总能保持乐观时，他说：乐观不是天生的性格，而是一种选择。今年比去年更乐观，明年会比今年更乐观，因为每一天都在给他更多理由选择乐观。
这个房间里的所有好东西，这座城市里的所有建筑，都是过去乐观主义者创造的。他们相信某个东西应该存在，即使大多数人都不相信，他们还是把它做出来了。
今天的世界由过去的乐观主义者塑造，明天的世界将由今天的乐观主义者塑造。
KK说他想成为那种人之一。
因为，悲观者正确，乐观者前行。
想要更乐观，就把时间轴拉长。你看的时间越长，就越容易乐观。
因为所有的短期波动、所有的危机，在时间的复利面前都不算什么。
KK不会告诉你下一个风口在哪，但他会不断提醒你，把时间拉长，把视野放宽，别急着要结果。
长期主义的精髓是，不是每件事都要在自己手里完成，而是要开启一个可以延续的进程。
在AI时代，我们该如何衡量AI Agent创造的价值呢？传统的GDP统计体系显然不够用了，当AI可以代替人类完成大量工作，用钱来衡量增长还有意义吗？
KK给出了一个可以深思的方向：也许我们需要新的度量标准，关于效率的，关于人类幸福的，甚至关于完成工作量的。
未来15年人口会越来越少，我们不可能靠增长人口来实现经济增长。更关键的是，AI现在做的很多事情压根没法用传统方式计量。
但这恰恰是引入AI经济的另一个理由，经济不一定非要增长，AI可以生产，但它不需要消费。
比如你让AI帮你写了一封邮件，节省了半小时，这算不算GDP？AI陪你聊天治好了焦虑，这又算不算？
也许我们需要衡量的不是效率，而是人类的幸福感和完成的工作量。
当AI把我们不想做的事情都做了，剩下的时间我们去做真正想做的事，这是不是一种新的价值创造方式？
所有人都在谈论AI提升效率，但没人说清楚效率提升之后，我们到底要什么。
领导力，在AI时代会变得更加重要。
在复杂系统中，人类领导者的作用依然是提供方向，做出选择。AI可以处理海量信息，但它不会替你决定向北还是向南。
很多人焦虑AI会取代管理层，但其实越是变量多、不确定性高的场景，领导者的价值就越大。需要人来提供高层次的治理，用几个简单的指令协调整个系统。
底层可以自动化，但顶层的方向制定、价值判断、资源协调，仍然需要人。
领导力的核心不是信息处理能力，而是在不确定性中做出判断的勇气。
关于AI投资泡沫。KK说，现在几千亿美元砸进AI产业，早期投资者大概率会亏钱。
但后面才是重点：投资者亏钱，不代表社会亏了。
拿25年前的互联网泡沫来做类比，那时候无数人疯狂投资光纤、服务器、门户网站，最后泡沫破灭，大批公司倒闭，投资人血本无归。
但那些光纤没有消失，那些技术积累没有消失，它们变成了今天互联网的基础设施。
AI也会是一样的路径，现在建的算力中心、训练的模型、开发的应用，即使有一半最后失败了，另一半也会成为未来的基石。
社会整体还是赚的，只是具体到某个投资人头上，可能就没那么幸运。
这是技术进步的代价，也是市场经济的规律。
那么，AI会不会让底层人失业呢？
KK回答：现在的研究显示，用了AI的员工生产力提高了25%左右，但并没有大规模裁员的迹象。那些大家以为会被AI取代的职业，程序员、客服、翻译，目前反而需求更旺盛了。
原因很简单，AI现阶段是助手，不是替代品。它会让你干活更快，但还没到完全取代你的程度。而且，它最先取代的是那些我们本来就不想干的重复性工作。
更关键的是，AI会创造新工作。
就像25年前没人知道什么叫网页设计师、SEO专家、UP主，这些职业都是互联网催生的，AI时代也会有一大堆现在想都想不到的新职业冒出来。
KK特别强调了一点：技术创新可能很快，但社会吸收很慢，文化、组织结构、法律政策，都需要时间适应。即使AI技术已经成熟了，真正融入社会可能还需要十年。
这反而是个好消息，因为我们有足够的时间调整、学习、转型。
现在进入AI领域，是不是太晚了？
KK的回答是：20年后当我们回看2025年，会发现那时的AI其实根本不算什么，就像2000年的互联网，当时觉得已经很发达了，但跟今天比简直是石器时代。
用他的话说，现在是Day One，是真正的起点。
大家都在同一条起跑线上，就没有早晚之分，关键是要看你愿不愿意跑。
最后问KK为什么总能保持乐观时，他说：乐观不是天生的性格，而是一种选择。今年比去年更乐观，明年会比今年更乐观，因为每一天都在给他更多理由选择乐观。
这个房间里的所有好东西，这座城市里的所有建筑，都是过去乐观主义者创造的。他们相信某个东西应该存在，即使大多数人都不相信，他们还是把它做出来了。
今天的世界由过去的乐观主义者塑造，明天的世界将由今天的乐观主义者塑造。
KK说他想成为那种人之一。
因为，悲观者正确，乐观者前行。
想要更乐观，就把时间轴拉长。你看的时间越长，就越容易乐观。
因为所有的短期波动、所有的危机，在时间的复利面前都不算什么。
KK不会告诉你下一个风口在哪，但他会不断提醒你，把时间拉长，把视野放宽，别急着要结果。
长期主义的精髓是，不是每件事都要在自己手里完成，而是要开启一个可以延续的进程。
