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
自动驾驶的失败成本是物理世界的人身安全，一次失误就可能导致严重事故。
AI Agent的失败成本是什么？是数字世界的业务安全。一个企业级的Agent如果出错，可能会错误地修改数据库、泄露客户隐私、或者给出一个灾难性的商业决策。
“在软件工程中，一个微小的错误就可能导致数百万用户的安全漏洞。这种成本，一点也不比自动驾驶低。” Karpathy强调。
当失败的代价极其高昂时，99%的可靠性是完全不够的。你需要的，是99.999%甚至更高。
挑战二：从90%到99.999%的艰难爬坡
为什么提升一个“9”如此困难？
因为现实世界充满了“长尾问题”（long tail problems）——那些极其罕见但又确实会发生的极端情况。
对自动驾驶来说，可能是突然冲上马路的行人，或是从未见过的交通标识。对于AI Agent，则可能是用户一句带有歧义的指令，或是一个系统从未处理过的异常API返回。
解决前90%的问题，靠的是模型的核心能力。而解决后面9.999%的长尾问题，则需要海量的数据、持续的迭代和近乎偏执的细节打磨。
“每当你觉得解决了一个问题，就会有一千个新的、更奇怪的问题冒出来。”这正是Karpathy在特斯拉的日常。
挑战三：看不见的“人”
很多人以为，Waymo的无人车里真的“无人”。但Karpathy指出，这是一种误解。
在你看不到的地方，有一个庞大的远程操作中心（tele-operation center），随时准备在车辆遇到困难时接管。
“我们并没有完全移除人类，只是把驾驶员从车里，移到了你看不到的办公室里。”
AI Agent同样如此。当一个Agent宣称能“全自动”完成任务时，其背后很可能有一个人类团队在进行监督、审核和处理异常。这种“人机协作”的模式，在未来很长一段时间内都将是常态。
挑战四：经济可行性
最后，也是最现实的问题：成本。
自动驾驶的研发成本是天文数字。Waymo烧掉了数百亿美元，至今未能盈利。AI Agent同样面临高昂的训练和推理成本。
一个AI产品最终能否成功，不仅仅取决于技术，更取决于它的经济模型。它能否在覆盖高昂成本的同时，创造出足够大的、让客户愿意付费的价值？
“你必须让产品在经济上是可行的，否则它就只是一个昂贵的科学实验。”
三、结论：乐观的技术，悲观的时间线
正是基于这四大挑战的深刻洞见，Karpathy才做出了“智能体十年”的判断。
他预测，未来十年，AI Agent不会像很多人想象的那样，以一种颠覆性的姿态瞬间取代人类工作。它会以一种更渐进、更务实的方式渗透到我们的工作流中。
他提出了一个“自主性滑块”（autonomy slider）的概念：AI会先从处理80%的常规任务开始，将剩下20%最棘手的任务交给人类。随着技术的成熟，这个“滑块”会慢慢地、一点一点地向100%自主移动。
“我对技术本身是乐观的，我相信这些问题终将被解决。” Karpathy在访谈的最后说。
“但我对时间线是现实的，甚至有点悲观。我之所以听起来悲观，只是因为当我打开Twitter时，看到太多毫无意义的、为了融资而存在的炒作。”
这或许就是Andrej Karpathy带给我们最重要的启发：在一个被AI浪潮席卷的时代，保持兴奋很容易，但保持清醒和耐心，才是一种更稀缺、也更可贵的能力。
AI Agent的失败成本是什么？是数字世界的业务安全。一个企业级的Agent如果出错，可能会错误地修改数据库、泄露客户隐私、或者给出一个灾难性的商业决策。
“在软件工程中，一个微小的错误就可能导致数百万用户的安全漏洞。这种成本，一点也不比自动驾驶低。” Karpathy强调。
当失败的代价极其高昂时，99%的可靠性是完全不够的。你需要的，是99.999%甚至更高。
挑战二：从90%到99.999%的艰难爬坡
为什么提升一个“9”如此困难？
因为现实世界充满了“长尾问题”（long tail problems）——那些极其罕见但又确实会发生的极端情况。
对自动驾驶来说，可能是突然冲上马路的行人，或是从未见过的交通标识。对于AI Agent，则可能是用户一句带有歧义的指令，或是一个系统从未处理过的异常API返回。
解决前90%的问题，靠的是模型的核心能力。而解决后面9.999%的长尾问题，则需要海量的数据、持续的迭代和近乎偏执的细节打磨。
“每当你觉得解决了一个问题，就会有一千个新的、更奇怪的问题冒出来。”这正是Karpathy在特斯拉的日常。
挑战三：看不见的“人”
很多人以为，Waymo的无人车里真的“无人”。但Karpathy指出，这是一种误解。
在你看不到的地方，有一个庞大的远程操作中心（tele-operation center），随时准备在车辆遇到困难时接管。
“我们并没有完全移除人类，只是把驾驶员从车里，移到了你看不到的办公室里。”
AI Agent同样如此。当一个Agent宣称能“全自动”完成任务时，其背后很可能有一个人类团队在进行监督、审核和处理异常。这种“人机协作”的模式，在未来很长一段时间内都将是常态。
挑战四：经济可行性
最后，也是最现实的问题：成本。
自动驾驶的研发成本是天文数字。Waymo烧掉了数百亿美元，至今未能盈利。AI Agent同样面临高昂的训练和推理成本。
一个AI产品最终能否成功，不仅仅取决于技术，更取决于它的经济模型。它能否在覆盖高昂成本的同时，创造出足够大的、让客户愿意付费的价值？
“你必须让产品在经济上是可行的，否则它就只是一个昂贵的科学实验。”
三、结论：乐观的技术，悲观的时间线
正是基于这四大挑战的深刻洞见，Karpathy才做出了“智能体十年”的判断。
他预测，未来十年，AI Agent不会像很多人想象的那样，以一种颠覆性的姿态瞬间取代人类工作。它会以一种更渐进、更务实的方式渗透到我们的工作流中。
他提出了一个“自主性滑块”（autonomy slider）的概念：AI会先从处理80%的常规任务开始，将剩下20%最棘手的任务交给人类。随着技术的成熟，这个“滑块”会慢慢地、一点一点地向100%自主移动。
“我对技术本身是乐观的，我相信这些问题终将被解决。” Karpathy在访谈的最后说。
“但我对时间线是现实的，甚至有点悲观。我之所以听起来悲观，只是因为当我打开Twitter时，看到太多毫无意义的、为了融资而存在的炒作。”
这或许就是Andrej Karpathy带给我们最重要的启发：在一个被AI浪潮席卷的时代，保持兴奋很容易，但保持清醒和耐心，才是一种更稀缺、也更可贵的能力。
今天读到了一个非常有趣的 idea。
背景是 Dwarkesh Patel 和 Andrej Karpathy 的一个对谈，里面提到了一个智能领域的常见问题：不管是人还是 AI，如果局限于自己的经验，用经验指导自己的行为， 又在这个行为的基础上累计经验，如此循环下去，最终总会崩溃（这里的「崩溃」不是心理意义上的，是智能层面上的）。一个健康的心智需要不断通过从不在自己经验范围内的世界（比如同他人的交谈，和与自己行为模式不符的人合作，etc.）获得外部熵来阻止这种崩溃。小孩还没有对生活过拟合，所以不太容易崩溃，而成年人崩溃的风险则越来越大。
以上是背景。下面是那个有趣的 idea，来自2021年 Cell 的一篇 paper "The overfitted brain: Dreams evolved to assist generalization"。它的主旨是说：人类做梦是防止这种过度拟合和崩溃的一种方式。做梦之所以具有进化适应性，是因为它会让你置身于与你日常现实截然不同的奇特情境中，从而防止这种过度拟合。
这里有个鸡生蛋蛋生鸡的问题：既然过拟合体现为大脑无法学到分布外的规律，大脑是如何构建出这些分布外的梦境的？Hoel 的解释是梦的构建有一个非智能的 noise injection 步骤，这些随机噪声在白天建立的神经连接中渗透，产生奇异的、扭曲的、不连贯的 corrupted sensory inputs，从而把大脑从过拟合的陷阱中拯救出来。
虽然这只是一个假说（而且是一个非常新的理论），但我越想越觉得它非常精妙。按照这种视角，梦的价值不在于它的逼真，而恰恰在于它的不逼真——梦境与清醒时的经历（训练集）如此不同（但又不是纯粹意义上的噪声），所以才能迫使大脑学习到更具泛化性的表征而不是仅仅记忆真实经历本身。
梦通过不可能存在的反事实体验迫使我们更好地理解世界的本质。
背景是 Dwarkesh Patel 和 Andrej Karpathy 的一个对谈，里面提到了一个智能领域的常见问题：不管是人还是 AI，如果局限于自己的经验，用经验指导自己的行为， 又在这个行为的基础上累计经验，如此循环下去，最终总会崩溃（这里的「崩溃」不是心理意义上的，是智能层面上的）。一个健康的心智需要不断通过从不在自己经验范围内的世界（比如同他人的交谈，和与自己行为模式不符的人合作，etc.）获得外部熵来阻止这种崩溃。小孩还没有对生活过拟合，所以不太容易崩溃，而成年人崩溃的风险则越来越大。
以上是背景。下面是那个有趣的 idea，来自2021年 Cell 的一篇 paper "The overfitted brain: Dreams evolved to assist generalization"。它的主旨是说：人类做梦是防止这种过度拟合和崩溃的一种方式。做梦之所以具有进化适应性，是因为它会让你置身于与你日常现实截然不同的奇特情境中，从而防止这种过度拟合。
这里有个鸡生蛋蛋生鸡的问题：既然过拟合体现为大脑无法学到分布外的规律，大脑是如何构建出这些分布外的梦境的？Hoel 的解释是梦的构建有一个非智能的 noise injection 步骤，这些随机噪声在白天建立的神经连接中渗透，产生奇异的、扭曲的、不连贯的 corrupted sensory inputs，从而把大脑从过拟合的陷阱中拯救出来。
虽然这只是一个假说（而且是一个非常新的理论），但我越想越觉得它非常精妙。按照这种视角，梦的价值不在于它的逼真，而恰恰在于它的不逼真——梦境与清醒时的经历（训练集）如此不同（但又不是纯粹意义上的噪声），所以才能迫使大脑学习到更具泛化性的表征而不是仅仅记忆真实经历本身。
梦通过不可能存在的反事实体验迫使我们更好地理解世界的本质。
每个 Skill 都是一个文件夹，只需要 Markdown 即可编写
而将文件夹系统作为 Context，正是 Claude 最核心的产品理念。
这是一个智能可插拔的技能系统，再也不用在系统prompt里塞垃圾了。
不仅可以加载记忆，还可以加载技能，这是目前最美妙最优雅的 Agent 架构。
每个人也可以分享自己的 Skill，一套开放的生态系统。
未来的想象空间没有上限。
长期寻找以下标签年轻人：
1.热爱AI产品工具，并且自己能上手，能分享，能有点子。
2.不觉得学习和上手一个新app 是个“辛苦”的事情。
3.喜欢网上冲浪，不管是国内外平台，每天花大量的时间吸收内容。
4.是某个AI工具的忠粉，每周使用时间在5小时以上。
5.每周都会输出自己使用一些产品的心得。
无论是单次/长期内容共创，或是产品体验和沙龙邀请，以及我们也有合适职位，欢迎大家看到这样的年轻人分享给我🙏
1.热爱AI产品工具，并且自己能上手，能分享，能有点子。
2.不觉得学习和上手一个新app 是个“辛苦”的事情。
3.喜欢网上冲浪，不管是国内外平台，每天花大量的时间吸收内容。
4.是某个AI工具的忠粉，每周使用时间在5小时以上。
5.每周都会输出自己使用一些产品的心得。
无论是单次/长期内容共创，或是产品体验和沙龙邀请，以及我们也有合适职位，欢迎大家看到这样的年轻人分享给我🙏
#182体育封神榜
以小博大直接爆15000倍 点击查看
实力盘总4000一拉直接爆2304000 点击查看
【182体育｜新人专享首存福利】
单笔首存1千 赠送彩金108
单笔首存3千 赠送彩金238
单笔首存5千 赠送彩金358
单笔首存1万 赠送彩金528
单笔首存3万 赠送彩金788
单笔首存5万 赠送彩金1088
单笔首存8万 赠送彩金1488
单笔首存12万 赠送彩金2088
单笔首存20万 赠送彩金3488
单笔首存50万 赠送彩金5288
注册升级领18888， 每周送福利5888
每日存款彩金每日送，每笔存款加赠
🌐 官网注册网址 : 1820036.com
💖专属VIP客服： @vipkf_182ty8
💖吃瓜搞笑：@chiguagaoxiaoxinwen
第一，速度至上。在 AI 时代学习最快的团队获胜，就是这样。几天交付不是几周，有疑问就发布实验，进展的势头比完美更重要，迟缓是唯一不可原谅的罪过。速度不仅仅关乎执行力，更关乎心态。如果你把"正确"放在第一位，那就走得太慢了。不要害怕出错，要怕的是学习得太慢。
第二，拥抱技术浪潮。别再追求技术稳定性，那并不存在。AI 基础每两个月就会变化，要把产品设计成在模型改进时能自动提升，构建预期会变化的抽象层，让产品体验随着 AI 进步而前进。
第三，表达异议并承诺执行。现在是战争时期不是和平时期，每个人都贡献想法和反馈，但决策必须迅速。一旦做出决定就全力以赴，即便曾经不同意。由于缺乏承诺导致的战略缺陷，比能迅速修正的不完美决策更糟。
第四，通过创新实现用户价值。用户喜欢能解决问题的产品而不是漂亮界面。他们在用 AI 改变人们制作视频的方式，打造以前不可能实现的神奇体验。但不解决真实问题的创新毫无价值。AI 产品的能力因用户技能而有巨大差异，他们的责任是教授用例而不仅仅是功能，衡量视频质量而不仅仅是视频创建。
第五，自建还是购买的规则很简单：无论哪种方式能提供最佳用户体验就做哪种。比如头像视频模型内部构建，因为没有外部供应商达到他们的质量标准。语音用外部提供商，因为质量足够且资源受限。没有自我，只要结果。
所有团队遵循相同核心结构：产品经理 + 工程 + 设计 + 数据科学。
产品经理是决策和优先级设定的主要推动者，与领导层直接合作制定战略，负责每个功能背后的"为什么"，在工程、数据科学、设计之间协调。在 AI 时代，产品经理要构建可用原型跳过传统规格书，将 Figma 设计或 UX 原型作为文档，为尚不存在的能力进行规划，非常熟悉市场上所有 AI 工具并每天使用。
工程师以最快速度制定并执行决策，提供产品经理可能忽视的技术见解，为灵活性和快速迭代进行架构设计。要使用 AI 助手编写代码以提升速度，每个人至少比两年前高效 3 倍。构建可演化为生产系统的原型，专注于构建而不是文档。
设计师的使命是定义简单却卓越的体验。作为面向视频的创意工具，设计需要达到世界级水平。设计的首要原则是简洁，让功能在 AI 中可行不难，但在保持高质量的同时让它易于使用极为困难。设计师是"对所有人（包括奶奶）都极其简单"这一原则的主要守护者，如果奶奶都不会用，设计师要标记并修复它。
构建原型遵循"两人规则"：一名产品/设计人员加上一名工程师总共 2 人构建原型。不会为了保护每个人感受而追求共识，目标是加速流程尽快在市场上验证想法。流程是先做原型快速构建测试，然后证明其可行用真实用户验证概念，接着设计打磨将体验优化使其契合产品框架，最后所有升级到生产的功能都必须经过精心设计。
## 核心产品 vs 增长产品
核心产品团队专注基础产品体验，构建定义 HeyGen 是什么以及能做什么的功能，以用户体验质量、功能完整性和长期产品愿景为优化目标。标准很简单：在每一个体验上都要绝对做到最好，低于这个标准就是不够好。怎么做到？速度极快地推进，比竞争对手多迭代 5 倍。他们的目标是零缺陷，作为创意工具可靠性是用户信任和工作流程连续性的基石。
增长团队是实验引擎，以速度、学习和影响力为核心构建。他们不仅仅交付代码，而是交付结果。在 AI 时代代码廉价影响有价值，要优化以快速实现影响。安全的实验不是真正的实验，目标是通过承担明智风险、更大胆假设来更快学习，愿意快速承认错误这样下次才能更快做对。
## 沟通与反模式
沟通原则是首选异步，在分布式办公环境中尽可能利用异步沟通。如果任何团队成员与超过 5 人的群体有超过 3 次同步会议就要提出警示，时间应花在构建上而不是开会。决策通过 Slack 立即沟通，明确单人负责与执行时点，团队之间完全透明。反馈要直截了当，好工作就是好差工作就是差，关注工作而非个人。
要避免的七宗罪包括：花几周为规模做设计的完美架构（实际问题是还没用户真正喜爱）、几个月面试没有交付的研究瘫痪、等待 AI 成熟的稳定基础幻想、人人都同意等于无人关心的共识陷阱、"还没准备好"的质量借口、6 个月秘密开发的大爆发发布、"我们已经投入了这么多"的沉没成本谬误。
第二，拥抱技术浪潮。别再追求技术稳定性，那并不存在。AI 基础每两个月就会变化，要把产品设计成在模型改进时能自动提升，构建预期会变化的抽象层，让产品体验随着 AI 进步而前进。
第三，表达异议并承诺执行。现在是战争时期不是和平时期，每个人都贡献想法和反馈，但决策必须迅速。一旦做出决定就全力以赴，即便曾经不同意。由于缺乏承诺导致的战略缺陷，比能迅速修正的不完美决策更糟。
第四，通过创新实现用户价值。用户喜欢能解决问题的产品而不是漂亮界面。他们在用 AI 改变人们制作视频的方式，打造以前不可能实现的神奇体验。但不解决真实问题的创新毫无价值。AI 产品的能力因用户技能而有巨大差异，他们的责任是教授用例而不仅仅是功能，衡量视频质量而不仅仅是视频创建。
第五，自建还是购买的规则很简单：无论哪种方式能提供最佳用户体验就做哪种。比如头像视频模型内部构建，因为没有外部供应商达到他们的质量标准。语音用外部提供商，因为质量足够且资源受限。没有自我，只要结果。
所有团队遵循相同核心结构：产品经理 + 工程 + 设计 + 数据科学。
产品经理是决策和优先级设定的主要推动者，与领导层直接合作制定战略，负责每个功能背后的"为什么"，在工程、数据科学、设计之间协调。在 AI 时代，产品经理要构建可用原型跳过传统规格书，将 Figma 设计或 UX 原型作为文档，为尚不存在的能力进行规划，非常熟悉市场上所有 AI 工具并每天使用。
工程师以最快速度制定并执行决策，提供产品经理可能忽视的技术见解，为灵活性和快速迭代进行架构设计。要使用 AI 助手编写代码以提升速度，每个人至少比两年前高效 3 倍。构建可演化为生产系统的原型，专注于构建而不是文档。
设计师的使命是定义简单却卓越的体验。作为面向视频的创意工具，设计需要达到世界级水平。设计的首要原则是简洁，让功能在 AI 中可行不难，但在保持高质量的同时让它易于使用极为困难。设计师是"对所有人（包括奶奶）都极其简单"这一原则的主要守护者，如果奶奶都不会用，设计师要标记并修复它。
构建原型遵循"两人规则"：一名产品/设计人员加上一名工程师总共 2 人构建原型。不会为了保护每个人感受而追求共识，目标是加速流程尽快在市场上验证想法。流程是先做原型快速构建测试，然后证明其可行用真实用户验证概念，接着设计打磨将体验优化使其契合产品框架，最后所有升级到生产的功能都必须经过精心设计。
## 核心产品 vs 增长产品
核心产品团队专注基础产品体验，构建定义 HeyGen 是什么以及能做什么的功能，以用户体验质量、功能完整性和长期产品愿景为优化目标。标准很简单：在每一个体验上都要绝对做到最好，低于这个标准就是不够好。怎么做到？速度极快地推进，比竞争对手多迭代 5 倍。他们的目标是零缺陷，作为创意工具可靠性是用户信任和工作流程连续性的基石。
增长团队是实验引擎，以速度、学习和影响力为核心构建。他们不仅仅交付代码，而是交付结果。在 AI 时代代码廉价影响有价值，要优化以快速实现影响。安全的实验不是真正的实验，目标是通过承担明智风险、更大胆假设来更快学习，愿意快速承认错误这样下次才能更快做对。
## 沟通与反模式
沟通原则是首选异步，在分布式办公环境中尽可能利用异步沟通。如果任何团队成员与超过 5 人的群体有超过 3 次同步会议就要提出警示，时间应花在构建上而不是开会。决策通过 Slack 立即沟通，明确单人负责与执行时点，团队之间完全透明。反馈要直截了当，好工作就是好差工作就是差，关注工作而非个人。
要避免的七宗罪包括：花几周为规模做设计的完美架构（实际问题是还没用户真正喜爱）、几个月面试没有交付的研究瘫痪、等待 AI 成熟的稳定基础幻想、人人都同意等于无人关心的共识陷阱、"还没准备好"的质量借口、6 个月秘密开发的大爆发发布、"我们已经投入了这么多"的沉没成本谬误。
他们 CEO 这次不只是分享里程碑数字，更重要的是他们把内部称为"圣经"的一套产品方法论公开出来了。
包含了团队内部无数次讨论、实验和踩坑之后总结出来的经验，总结一下做个笔记👇：
HeyGen 把视频分成了两类：沟通类视频和电影类视频。
沟通类视频包括业务更新、教程、采访、播客、解释性视频，目的是说明、告知或传达信息，最适合基于脚本的编辑。电影类视频是高制作广告、电影、音乐视频、预告片这种，目的是打动、激发或娱乐观众，最适合时间线编辑。
HeyGen 的重点是让沟通类视频对所有人都可用。他们说的"所有人"是真正的所有人，从初学者到专业人士的每一种技能水平。产品足够简单，任何人都能在几分钟内制作出高质量的视频。
整个方法论的核心就一句话：
快速行动，成为绝对最佳。乘着 AI 浪潮，接受研究中的不确定性，押注未来六个月，构建随着模型改进而自我升级的灵活产品，同时不牺牲质量。
传统时代是在稳固基础上构建，为长久性优化，提前规划 12-18 个月，打磨好再发布，按序开发。AI 时代的 HeyGen Way 是乘着科技浪潮，为自动改进而构建，实际规划 2 个月周期（与模型升级周期一致），发布以学习，并行试验。
为什么是两个月？这个周期与模型升级周期一致，既能快速调整策略又能保持专注。
他们的节奏包括：两个月路线图规划，与 AI 进展周期同步，与领导层、技术负责人和产品经理深入回顾并制定策略。6-12 个月战略押注，预测并为下一次重大突破做准备。每两周承诺清单，产品和工程共同决定优先级。每日发布，改进、特性或实验每天上线。
实验流程很快：第 1 天定义假设和成功指标，第 2 天构建真正最小化的 MVP，第 3-5 天向部分用户发布，第 2 周分析学习并决定下一步。
好的实验要快（以天为单位不是周），科学化且数据驱动，提供明确信号（继续、转向或停止），做大动作而不是小修小补。大多数实验会失败，这是预期之内的。带着学习的失败等于胜利，没有学习的失败才是真正的失败。
## 提出五大运营原则
球速大会员再创新高：
✅球速体育
✅u存u提每日提款无上限，随便提、全球不限ip、免实名绑定手机号码、银行，大额出款无忧 （您的最佳选择，欢迎体验）
#亚洲顶级真人视讯博彩盘口！
🔥平台
注册升级领18888， 每周送福利5888
每日存款彩金每日送，每笔存款加赠
👑福利频道：@qsty8999
⚽️体育赛事推单：@QSTY988
💖吃瓜搞笑新闻：@chiguagaoxiaoxinwen
💖vip客服专属热线，添加客服领取活动福利
🌐官网客服： @QSTY567
双向用户点击：@qsty168168_bot
🌐注册网址： qs1736.cc
🔯 官网： KX.VIP🔯 客服：@kxtop🔯 频道：@kxvipcom🔯 招商：@KX999
陷入沉思：麦肯锡的客户们到底是脑子进了什么水，要每月花几十万刀请麦肯锡来画 slides，然后麦肯锡转手每月花两百刀让 GPT 来画。
