AI探索指南
- 阿里这预算充足呀
- 一家公司将AI摄像头，绑在2000多名工人身上，记录他们在产线上的一举一动，形成10000多小时的视频，用于训练AI系统。画面上的每一个小方块都是工人工作的视频。AI通过这种方式学习人类的工作方式，未来AI机器人可以替代线上工人。AI模型已开始进入销售、客服、风控、自动化办公、工业优化等全流程。
- 一分钟，教你成为AI领域专家
1. 停止学习AI
2. 想一个平时最困扰你的事务性工作
3. 问AI：如何利用AI自动化完成工作摆脱困扰
4. 选任意agent或vibe coding实现
5. 哪卡住就在哪问AI，直到跑通一个产品
6.获得满满的成就感
不用多久，
你将成为一个资深AI产品经理兼AI专家 - 为啥很多人靠卖提示词赚钱？
- 供给侧
提示词简单，纯文字，copypaste
容易交付，一个文档完事
大量素材散落，也就容易大而全的分类聚合
信息差巨大
- 需求侧
提示词简单，我做不出来不是我不懂AI，是我没找到好的提示词
用好AI=使用好的提示词，这就是心智定位
买一堆提示词=我会用AI了，这是对抗焦虑的有效手段
于是，这个傻瓜化的市场生意就形成了
很多时候要足够简单，聪明人做的产品一定要足够傻，不然就选择高客单价服务聪明人
他们这个 UI 设计的非常好，比 Gemini 和 GPT 那种只有个进度条的清晰非常多，你可以清楚的看到他会规划大纲之后进行多次搜索和总结，而且每次搜索都是有目的的为结果服务的。
尤其是最后甚至开始搜索其他 UP 主的类似事件，来辅助提供论据。
深度研究的结果展示页面也是专门设计过的，不像一些产品随便弄一个 Markdown 展示的项目就不管了，字号、换行逻辑、行高之类的都不处理，千问这个看起来非常舒服，常用按钮也都很直观。
结果上直接给了一个 8000 字的报告，可以说非常详细了，从开头的概览到事件细节梳理，再到最后的，反思以及各方影响和观点都照顾到了。
除了上面这些之外，最近也有非常多的图像和视频玩法，这个会给产品带很多量，尤其是某个玩法在社交媒体火了之后。
千问也支持图像生成和图像的编辑，比如常见的图像编辑需求，让他帮你给照片调色或者 P 掉景区照上的无关人物都是可以的，甚至支持连续编辑，多次处理同一张照片。
最后再介绍一个我觉得非常强大的功能，甚至是我最近用过最强的类似功能「实时记录」也可以在输入框上方胶囊按钮找到。
它可以实时转录你现在的环境声音，转录的时候区分发言人。
更强的是他还支持实时的英文翻译，你可以当他是个文本的同声传译了，生成和翻译的速度相当快，而且准确性很高。
对于学生党以及频繁开会的用户相当有用。
而且在保存后他也会问你这是会议还是课堂笔记，会根据场景总结分析你的录音，比如如果你选的这个录音是课堂记录的话他就会给你总结对应的知识点，还可以生成思维导图。
好了这就是藏师傅的千问体验了。
我只是挑选了一些我觉得非常好的功能，其实千问还有专门的分一能力、AI PPT 生成、AI 视频通话、智能写作等一堆好用的能力，基本上你想到的他都有。
#阿里巴巴正式宣布千问项目##ai创造营#
- 我们特别善于造词的 Karpathy 老师又写了一篇文章，提出了一个有意思的分类。
他说此前的计算机技术（他称为Software 1.0）能完成的任务的特点是 specifiable，也就是说，你能用清晰的语言描述步骤。
而有了强化学习之后的计算机技术（他称为Software 2.0）能完成的任务的特点是 verifiable，也就是说，如果一项任务做的好不好是可验证的，那么它就可以被强化学习进行优化。
这一点当然也不是全新的洞见。Jason Wei 今年夏天写过一篇文章（他称为 verifier's law），讨论验证不对称性在 AI 领域的关键作用。生活里大量的任务都处在这个「解决起来不容易但验证是否解决很容易」的不对称空间里（不妨把这理解为 P/NP 不对称性的一个推广），比如证明一个定理比阅读并检查一个证明是否正确困难，画一幅有特定形状的杯子的画比检查一副画里是否有这样一个杯子困难。强化学习意味着训练人工智能解决某个任务的难易程度与该任务的可验证性成正比。可验证性越高，就越容易在新范式下实现自动化。如果任务不可验证，则只能寄希望于神经网络的泛化能力，或者通过模仿等较弱的手段来实现。
在我看来，这个思考框架简单且诱人，问题是它在实践中常常有些模糊。比如写（日常意义上的）文章算不算 verifiable task？理论上说，它不像编程，是一种更不客观更软性的创造性工作。但实际上，因为对除了纯文学创作以外的大多数文章类别，训练人工智能分辨文章好坏都没那么困难，所以实际上AI 在写日常文章这件事也算是基本取代人类了。
一件事情 verifiable 通常是因为它可以沙盒化，也就是在一个可控可还原的环境里反复试验。如果你想在这一波 AI 浪潮里找到价值，这是个很好的出发点：去寻找那些可以沙盒化但还没有沙盒化的事情，这通常意味着它还处在被 AI 取代的早期，有巨大的套利空间。
反过来，如果你想找到短期内不会被 AI 取代的工作，这也是个很好的出发点：去寻找那些不容易 verify 的事。它们通常有这样几个特点：
- 只能在现实世界里操作，从而很难加速。比如商业/管理决策，是否成立总要执行了才知道，而执行是很慢的事情。
- 因果链条很长很难归因。比如和人建立有互信的伙伴关系，或者在用户心中建立品牌形象，这类任务需要下水磨工夫，要做对很多环节，且做完了也不太确定到底哪一步是真的管用。
- 验证过程对现实本身有不可逆的影响，比如说服某个特定的人，治疗某个特定的复杂病患。就像杀死薛定谔的猫，是死是活一锤子买卖。
当前范式的 AI 对这类工作几乎无能为力。（不幸的是，这类工作对大多数人也都更困难，毕竟很难训练 AI 通常就意味着也很难培训人类自己。）
但上面所有这些讨论有个根本的前提：这一轮人工智能始终把强化学习作为基础范式，而这一点本身是存疑的。不少领域里有迹象表明强化学习只是一个过渡性的技术。如果人们找到了绕过强化学习的窍门，那可验证性长远来看就没那么重要。
（当然那样也就意味着人类的栖身之所又变得更小了。 - 这时候你就需要 ListenHub 的 API 了 hhh
