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
我们10月做的小玩具，完全免费的 AI 音乐生成器
Next Music 正式发布了🎉
- Suno v5 级别的音乐生成，音质拉满
- 支持垫歌翻唱，让经典老歌重现
- 支持 MV 导出，可添加任意 GIF 图，一键制作动感 MV
更重要的是，以上这些，完全免费，没有任何套路。
祝大家玩得开心。
也欢迎模型厂商来赞助我们的开销哈。
https://music.nextaibar.com/
Next Music 正式发布了🎉
- Suno v5 级别的音乐生成，音质拉满
- 支持垫歌翻唱，让经典老歌重现
- 支持 MV 导出，可添加任意 GIF 图，一键制作动感 MV
更重要的是，以上这些，完全免费，没有任何套路。
祝大家玩得开心。
也欢迎模型厂商来赞助我们的开销哈。
https://music.nextaibar.com/
我们要参加 2025 NVIDIA 创业企业展示啦，求大家帮忙投个票，打开文章划到最后，找到“火星回响”就行，拜托大家了 🙏
我能不能见老黄，就靠大家了...
https://mp.weixin.qq.com/s/P_RLBo47hhwCvquZNWMEbQ
我能不能见老黄，就靠大家了...
https://mp.weixin.qq.com/s/P_RLBo47hhwCvquZNWMEbQ
我之前还坚信 AI 会大幅减少专家与普通人的差距，但看完这个视频我开始怀疑我自己这个观点了... AI 似乎更该视作是一个能力增幅器，初始能力越强（aka 专家），那 AI 加持以后的能力增幅也就越大... 而且这个增幅都不是线性的，是指数级增加的... 这让普通人可咋活...
黄仁勋：我每天都在用 AI，但 90% 的人用错 AI 他们把AI当拐杖... “我不是让它替我思考，而是让它教我不知道的东西，或帮我解决原本无法合理解决的问题。” “不要把AI当成拐杖，而要把它当成放大你思考的工具。” 大多数人都“用错了AI”，因为他们： 把AI当作偷懒的工具；
3. 避免研究和产品对立 没有规则时，双方无休止扯皮。有了3个月法则，季度初就说清楚什么能做、什么做不了，该等还是该绕路。
三、20个小团队的自治实验
光有3个月法则还不够。ElevenLabs真正激进的是：20个完全自治的小团队。
每个团队5-10人，拥有完整产品决策权。没有副总裁审批，没有跨部门协调会，团队自己决定做什么、怎么做、何时发布。
大部分公司不敢这么干：资源浪费、方向分裂、质量失控。
Mati的答案是：ownership带来的收益远超成本。
"当团队知道这件事完全取决于自己，他们会拼尽全力。如果每件事都要等审批、等资源协调，速度慢10倍。"
但ElevenLabs也不是放任自流，有三个关键机制：
1. 6个月验证期
新团队有6个月证明自己。无法展示价值（用户增长、收入贡献或技术突破），团队解散，成员重新分配。残酷但高效的自然选择。
2. Lead层的跨团队协调
虽然没有副总裁，但有Lead层负责研究、创意工具、AI代理、销售、运营等大方向。Lead不做决策，但在团队间建立连接。
"如果我看到团队A的东西可能帮到团队B，我会建议他们聊聊。"Mati说，"Lead需要极强的上下文切换能力，同时理解20个团队在干什么。"
3. 强制减少透明度
最反直觉的一条。
大部分公司追求透明——所有团队进一个大Slack群，信息完全共享。ElevenLabs反其道而行之：主动限制信息流动。
"如果把人加进所有频道，他会忍不住读所有消息，然后分心。我们发现，减少透明度反而让团队更专注。"
每个团队只知道自己的目标和相关依赖，不需要关心其他19个团队在做什么。专注比透明更重要。
四、呼叫中心里的AI研究员
这套架构能运转，还有个前提：找到真正热爱的人。
Mati在GitHub扫描开源语音项目时，发现一个质量极高的模型。代码漂亮，架构清晰，明显是高手。
联系作者才发现：这人白天在呼叫中心接电话，晚上回家研究AI。
没有名校学历，没有大厂背景，LinkedIn空白。他只是热爱语音技术，所以业余时间做了开源项目。
Mati毫不犹豫招了他。现在，这人是ElevenLabs最顶尖的研究员之一，负责所有数据处理。
"我们不看简历，只看代码。"Mati说，"有真实产出，背景不重要。"
在欧洲，Mati发现了一群被低估的人才。
"在美国，社交时都聊工作。但在欧洲，工作和生活分开，没人愿意晚餐谈工作。"Mati说，"但欧洲也有一群人，非常渴望找到能拼命做事的公司。他们不是不想干，是没地方干。"
ElevenLabs的欧洲团队，成了公司里最拼命的一群人。
五、为什么去中心化反而更快？
为什么20个小团队，比一个大团队更快？
传统AI公司是集中式研究：
所有研究员在一个大Lab，聚焦几个核心模型
产品等研究突破后再开始做
资源集中，但速度慢——任何环节卡住，整个流程停滞
ElevenLabs恰恰相反：
20个小团队并行探索，每个独立试错
研究和产品双轨并行，研究做不出来的，产品绕过
单个团队可能失败，但总有团队会成功
这是分布式试错的逻辑。
就像生物进化：不是一个物种慢慢进化到完美，而是无数物种同时试错，适应环境的存活下来。
ElevenLabs的20个团队，就是20个"物种"。6个月内能验证价值的继续，验证不了的淘汰。
前提是：接受一定的混乱和浪费。有些团队确实在做重复的事，有些方向确实不对。但这些"浪费"的成本，远低于"等待一个大团队慢慢试错"的成本。
六、什么样的公司适合这套玩法？
Mati承认，这套模式有明确的适用边界：
1. 你需要极强的Lead 去中心化不是放任自流。Lead需要极强的跨团队协调能力、上下文切换能力。这样的人很难找。
2. 你的产品要足够模块化 如果产品高度耦合（如操作系统、数据库），20个团队各干各的会导致灾难。ElevenLabs能做到，是因为产品足够模块化：TTS、STT、音乐生成、AI代理相对独立，可以并行开发。
3. 你的团队要足够成熟 小团队完全自治，意味着每个人都要有独立决策、快速执行的能力。如果大部分是新手，他们会迷失在自由里。
七、AI时代的组织哲学
ElevenLabs的故事给了一个关键启发：
在AI时代，组织架构本身就是产品。
传统公司优化"如何让大团队高效协作"——所以有层级、流程、KPI。
但在AI时代，速度和试错能力比效率更重要。你需要的不是一个完美的大模型，而是20个快速迭代的小模型。
3个月法则、20个小团队、无职级制度，这些看似混乱的设计，本质是一种反脆弱性的组织。
单个团队失败不要紧，还有19个在继续；研究3个月做不出来不要紧，产品可以先上。
系统的韧性，来自局部的冗余和混乱。
Mati说："如果你想做一个慢慢打磨的大模型，那就集中所有资源，建一个顶级Lab。但如果你想快速迭代、快速试错，那就把团队拆成20个，让他们自己探索。"
这是两种完全不同的哲学。OpenAI、Google DeepMind选择了前者——集中资源，打磨GPT、Gemini。ElevenLabs选择了后者——分布式探索，每个团队都是独立的增长引擎。
没有对错，只有选择。
但至少，ElevenLabs用3年证明：小团队，也能打败巨头。
三个问题给你：
你的研究和产品，是等待关系，还是并行关系？
你的组织架构，是为了"协调效率"，还是"试错速度"？
你愿意接受20%的混乱，来换取80%的自主权吗？
在AI时代，组织本身，就是你的竞争力。
from a16z
ElevenLabs CEO: Why Voice is the Next AI Interface
更多深度AI访谈精华：aihuangshu.com
三、20个小团队的自治实验
光有3个月法则还不够。ElevenLabs真正激进的是：20个完全自治的小团队。
每个团队5-10人，拥有完整产品决策权。没有副总裁审批，没有跨部门协调会，团队自己决定做什么、怎么做、何时发布。
大部分公司不敢这么干：资源浪费、方向分裂、质量失控。
Mati的答案是：ownership带来的收益远超成本。
"当团队知道这件事完全取决于自己，他们会拼尽全力。如果每件事都要等审批、等资源协调，速度慢10倍。"
但ElevenLabs也不是放任自流，有三个关键机制：
1. 6个月验证期
新团队有6个月证明自己。无法展示价值（用户增长、收入贡献或技术突破），团队解散，成员重新分配。残酷但高效的自然选择。
2. Lead层的跨团队协调
虽然没有副总裁，但有Lead层负责研究、创意工具、AI代理、销售、运营等大方向。Lead不做决策，但在团队间建立连接。
"如果我看到团队A的东西可能帮到团队B，我会建议他们聊聊。"Mati说，"Lead需要极强的上下文切换能力，同时理解20个团队在干什么。"
3. 强制减少透明度
最反直觉的一条。
大部分公司追求透明——所有团队进一个大Slack群，信息完全共享。ElevenLabs反其道而行之：主动限制信息流动。
"如果把人加进所有频道，他会忍不住读所有消息，然后分心。我们发现，减少透明度反而让团队更专注。"
每个团队只知道自己的目标和相关依赖，不需要关心其他19个团队在做什么。专注比透明更重要。
四、呼叫中心里的AI研究员
这套架构能运转，还有个前提：找到真正热爱的人。
Mati在GitHub扫描开源语音项目时，发现一个质量极高的模型。代码漂亮，架构清晰，明显是高手。
联系作者才发现：这人白天在呼叫中心接电话，晚上回家研究AI。
没有名校学历，没有大厂背景，LinkedIn空白。他只是热爱语音技术，所以业余时间做了开源项目。
Mati毫不犹豫招了他。现在，这人是ElevenLabs最顶尖的研究员之一，负责所有数据处理。
"我们不看简历，只看代码。"Mati说，"有真实产出，背景不重要。"
在欧洲，Mati发现了一群被低估的人才。
"在美国，社交时都聊工作。但在欧洲，工作和生活分开，没人愿意晚餐谈工作。"Mati说，"但欧洲也有一群人，非常渴望找到能拼命做事的公司。他们不是不想干，是没地方干。"
ElevenLabs的欧洲团队，成了公司里最拼命的一群人。
五、为什么去中心化反而更快？
为什么20个小团队，比一个大团队更快？
传统AI公司是集中式研究：
所有研究员在一个大Lab，聚焦几个核心模型
产品等研究突破后再开始做
资源集中，但速度慢——任何环节卡住，整个流程停滞
ElevenLabs恰恰相反：
20个小团队并行探索，每个独立试错
研究和产品双轨并行，研究做不出来的，产品绕过
单个团队可能失败，但总有团队会成功
这是分布式试错的逻辑。
就像生物进化：不是一个物种慢慢进化到完美，而是无数物种同时试错，适应环境的存活下来。
ElevenLabs的20个团队，就是20个"物种"。6个月内能验证价值的继续，验证不了的淘汰。
前提是：接受一定的混乱和浪费。有些团队确实在做重复的事，有些方向确实不对。但这些"浪费"的成本，远低于"等待一个大团队慢慢试错"的成本。
六、什么样的公司适合这套玩法？
Mati承认，这套模式有明确的适用边界：
1. 你需要极强的Lead 去中心化不是放任自流。Lead需要极强的跨团队协调能力、上下文切换能力。这样的人很难找。
2. 你的产品要足够模块化 如果产品高度耦合（如操作系统、数据库），20个团队各干各的会导致灾难。ElevenLabs能做到，是因为产品足够模块化：TTS、STT、音乐生成、AI代理相对独立，可以并行开发。
3. 你的团队要足够成熟 小团队完全自治，意味着每个人都要有独立决策、快速执行的能力。如果大部分是新手，他们会迷失在自由里。
七、AI时代的组织哲学
ElevenLabs的故事给了一个关键启发：
在AI时代，组织架构本身就是产品。
传统公司优化"如何让大团队高效协作"——所以有层级、流程、KPI。
但在AI时代，速度和试错能力比效率更重要。你需要的不是一个完美的大模型，而是20个快速迭代的小模型。
3个月法则、20个小团队、无职级制度，这些看似混乱的设计，本质是一种反脆弱性的组织。
单个团队失败不要紧，还有19个在继续；研究3个月做不出来不要紧，产品可以先上。
系统的韧性，来自局部的冗余和混乱。
Mati说："如果你想做一个慢慢打磨的大模型，那就集中所有资源，建一个顶级Lab。但如果你想快速迭代、快速试错，那就把团队拆成20个，让他们自己探索。"
这是两种完全不同的哲学。OpenAI、Google DeepMind选择了前者——集中资源，打磨GPT、Gemini。ElevenLabs选择了后者——分布式探索，每个团队都是独立的增长引擎。
没有对错，只有选择。
但至少，ElevenLabs用3年证明：小团队，也能打败巨头。
三个问题给你：
你的研究和产品，是等待关系，还是并行关系？
你的组织架构，是为了"协调效率"，还是"试错速度"？
你愿意接受20%的混乱，来换取80%的自主权吗？
在AI时代，组织本身，就是你的竞争力。
from a16z
ElevenLabs CEO: Why Voice is the Next AI Interface
更多深度AI访谈精华：aihuangshu.com
一家AI语音公司，没有副总裁、没有层级，20个5-10人的小团队完全自治。
听起来像组织管理的灾难——重复造轮子、方向不一致、资源浪费。
但ElevenLabs用3年时间证明，这套看似混乱的体系，反而成了对抗谷歌、亚马逊的秘密武器。基础设施团队从3人扩展到11人，产品线从单一语音合成扩展到音乐生成、AI对话代理，建立了10,000个声音的市场，向创作者支付了1000万美元。
CEO Mati透露的核心武器，是一条简单到极致的规则：如果研究团队3个月内搞不定，产品团队可以用任何方法先上。
一、9个月的拉锯战
2022年，ElevenLabs最高频的用户需求是：能不能加个滑块，调节语速？
这在传统音频软件里是标配。但Mati和研究团队的态度是：绝不。
"我们不想变成上一代音频编辑工具——100个滑块，需要专业培训才会用。"Mati说，"AI应该自动理解，什么场景用什么语速，不需要人工调节。"
研究团队开始攻关：让模型根据上下文自动判断语速。新闻播报，语速稳定；对话场景，语速自然。
1个月过去，没搞定。3个月、6个月，依然没进展。
产品团队急了："这需求10行代码就能完成，为什么要等？" 研究团队委屈："相信我们，再给点时间。"
这是所有AI公司的两难：等研究突破，产品错过窗口期；用临时方案，研究努力被浪费。
9个月后，研究还是没突破。产品团队加了滑块，用户满意度立刻飙升。
这场拉锯让Mati意识到：公司需要一个明确规则，平衡研究理想主义和产品现实主义。
二、3个月法则：AI时代的组织协议
解决方案简单到意外：
如果研究预计超过3个月，产品可以用任何方法先上——调用其他模型、写传统代码、甚至手工处理。
为什么是3个月？
"我们要求研究团队规划每季度能交付什么，哪些是长期项目。"Mati解释，"3个月是一个季度，这是我们能接受的等待上限。超过这个时间，市场不等人。"
这条规则背后的三层逻辑：
1. 给研究足够尊重 太短（1个月）研究没时间创新；太长（6个月）产品被拖死。3个月是双方的平衡点。
2. 承认AI研究的不确定性 传统软件可以精确排期，AI不行——你不知道模型优化需要1周还是1年。超过3个月的，默认高风险，产品不必等待。
Gemini计划布局预测市场，已申请衍生品交易牌照
【Gemini计划布局预测市场，已申请衍生品交易牌照】11月5日消息，加密交易平台Gemini正计划进军预测市场领域，成为继Coinbase等平台之后又一家探索该赛道的主流交易所。
消息人士透露，Gemini已向美国商品期货交易委员会（CFTC）递交衍生品交易平台运营牌照申请。公司高管此前曾讨论，若获批将利用该牌照拓展事件合约及预测类产品业务，以扩大衍生品生态布局并丰富交易品类。
【Gemini计划布局预测市场，已申请衍生品交易牌照】11月5日消息，加密交易平台Gemini正计划进军预测市场领域，成为继Coinbase等平台之后又一家探索该赛道的主流交易所。
消息人士透露，Gemini已向美国商品期货交易委员会（CFTC）递交衍生品交易平台运营牌照申请。公司高管此前曾讨论，若获批将利用该牌照拓展事件合约及预测类产品业务，以扩大衍生品生态布局并丰富交易品类。
AI长任务能力以每6个月翻一倍。一二十年内可能看到工业革命级别的经济变革。
计算机科学家Boaz Barak基于 METR 最新数据推演 AI 对于经济学的影响。
METR研究了一个关键指标：让AI以50%成功率完成的软件工程任务，人类需要多长时间。 结果很震撼：这个时间长度每6-7个月翻一番。
整理了几个关键认知：
如果趋势持续，从"AI开始有实质影响"到"AI成为主导性力量"，可能只需要10年左右。
最大的不确定性在于扩散速度。AI可能在技术上能做很多事，但组织惯性、监管、基础设施、成本等因素都会影响实际应用速度。
即使AI在大部分任务上超级强，只要有一小部分任务无法自动化，整体生产力提升就受限。所以关键不是AI有多强，而是它的能力边界在哪里，以及这个边界缩小得有多快。
一旦AI能够显著加速AI研发本身，所有的线性和指数模型可能都失效了。这个阶段可能比想象中来得快——软件工程本身就是AI研发的核心部分。
如果AI主要通过加速研发来提升生产力，那么在AI时代，资助人类科学家的回报率反而更高了。这是个有意思的悖论。
作者特意强调他关注的是"斜率"而不是"截距"，不是预测什么时候到达某个里程碑，而是一旦开始，会以多快的速度演进。从5%影响到100%影响，需要几年？
详情：windowsontheory.org/2025/11/04/thoughts-by-a-non-economist-on-ai-and-economics/ #ai创造营#
巨星传奇与周杰伦关联紧密，其创始人团队包含周杰伦母亲叶惠美、经纪人杨峻荣等重要股东，首席文化官则由周杰伦御用作词人方文山担任，核心IP“周同学”更是周杰伦官方二次元形象，承载着超2.5亿粉丝的情感联结。
此次订单背后，是巨星传奇与宇树科技的深度协同。根据双方此前达成的战略合作，宇树科技负责机器人硬件研发、生产及程序开发，依托其全球领先的运动控制与传感技术保障产品性能；巨星传奇则主导IP赋能，为机器人植入“周同学”专属语音包、动作库等交互内容，并规划演艺场景应用。
这批机器人将主攻消费与演艺两大场景：家庭端可作为“情感陪伴伙伴”实现AI互动，打破传统IP衍生品静态消费局限；演艺端计划植入周杰伦演唱会等场景，复刻《本草纲目》舞步等标志性内容，打造“科技演艺”新模式。
此举既是巨星传奇拓展IP价值边界的关键布局，也契合行业趋势。数据显示，“AI+情感陪伴”市场规模预计将实现超200%的年复合增长，而全球娱乐机器人市场2033年将达181.4亿美元，巨星传奇的跨界尝试正瞄准这一蓝海市场。
