要真正实现10倍改变，还需要一个常被忽视的关键要素 - Context(上下文)。
广密曾在播客中介绍，当下99%的从业者都在关注模型的生成能力和代码能力，却忽视了一个更本质的问题：没有充分的Context，AI应用的任务成功率会大幅下降。
这就像一位再资深的主任医师，如果没有病人的体检报告、既往病历等Context支撑，仅凭简单问诊也很难做出准确诊断。同理，即便是最强大的AI模型，如果缺乏必要的上下文信息，也难以发挥其真正实力。
在AI时代，Context的重要性堪比移动互联网时代的支付系统。正如红杉中国当年投资电商时的洞察，电商的两翼是物流和支付，这是最基础的商业基础设施。如今的AI应用也需要完善的Context体系作为基础支撑。
因此，想要在智能爆发点上实现突破，企业必须建立自动化、持续的数据采集和同步机制，确保Context能够规模化积累。
标杆案例方面，C端有24年最好的 Personal AI 产品的 Dot，正在成为比用户本人更懂他们的“长期AI伴侣”；B端有千亿市值的顶尖AI政企服务巨头Palantir，可以在几小时内构建全公司业务的数字分身。
5、边缘市场，更有机会涌现颠覆性创新
很多人认为，只有在主流赛道上才能实现前文说的"10倍改变"。但历史一次次证明：真正的颠覆性创新，往往始于不起眼的边缘市场。
就像Google最初只是想帮雅虎更好地覆盖长尾网页内容，却最终重新定义了互联网入口。重要的不是市场的初始规模，而是创业者对这个领域的独特理解。
DeepSeek R1-Zero已经证明，只要有独特的评价数据，就能通过强化学习让模型达到惊人的效果。这意味着，关键不在于传统的功能开发(Coding)，而在于定义什么是"好"(Defining "Good")。
这听起来反直觉，但看两个案例就明白了：
- Midjourney之所以在艺术品质上遥遥领先，是因为他们一开始就没有盲目追求数据量，而是精选了最具美感的图片作为训练样本；
- DeepSeek R1在文风上如此出众，据说背后是北大中文系学生专业的语言评价标注。
正是这种专业的"评价标准"，才是释放AI潜力的关键。
徐文浩老师分享说，而在不久的将来，基于独家评价数据训练大模型，也会非常简单:
- 选择一个优秀的开源基础模型(已经很容易获取)
- 在最熟悉的领域积累独特的评价数据(1万条不嫌少)
- 用云平台提供的工具进行训练(可能只需要几百行代码)
而这种"评价工程"(Evaluation Engineering)，可以让深耕某个领域的普通小团队，也能在该领域实现突破，甚至引领变革。因为评价标准的设定，更多是对问题本质的理解，而非资源的堆积。
广密曾在播客中介绍，当下99%的从业者都在关注模型的生成能力和代码能力，却忽视了一个更本质的问题：没有充分的Context，AI应用的任务成功率会大幅下降。
这就像一位再资深的主任医师，如果没有病人的体检报告、既往病历等Context支撑，仅凭简单问诊也很难做出准确诊断。同理，即便是最强大的AI模型，如果缺乏必要的上下文信息，也难以发挥其真正实力。
在AI时代，Context的重要性堪比移动互联网时代的支付系统。正如红杉中国当年投资电商时的洞察，电商的两翼是物流和支付，这是最基础的商业基础设施。如今的AI应用也需要完善的Context体系作为基础支撑。
因此，想要在智能爆发点上实现突破，企业必须建立自动化、持续的数据采集和同步机制，确保Context能够规模化积累。
标杆案例方面，C端有24年最好的 Personal AI 产品的 Dot，正在成为比用户本人更懂他们的“长期AI伴侣”；B端有千亿市值的顶尖AI政企服务巨头Palantir，可以在几小时内构建全公司业务的数字分身。
5、边缘市场，更有机会涌现颠覆性创新
很多人认为，只有在主流赛道上才能实现前文说的"10倍改变"。但历史一次次证明：真正的颠覆性创新，往往始于不起眼的边缘市场。
就像Google最初只是想帮雅虎更好地覆盖长尾网页内容，却最终重新定义了互联网入口。重要的不是市场的初始规模，而是创业者对这个领域的独特理解。
DeepSeek R1-Zero已经证明，只要有独特的评价数据，就能通过强化学习让模型达到惊人的效果。这意味着，关键不在于传统的功能开发(Coding)，而在于定义什么是"好"(Defining "Good")。
这听起来反直觉，但看两个案例就明白了：
- Midjourney之所以在艺术品质上遥遥领先，是因为他们一开始就没有盲目追求数据量，而是精选了最具美感的图片作为训练样本；
- DeepSeek R1在文风上如此出众，据说背后是北大中文系学生专业的语言评价标注。
正是这种专业的"评价标准"，才是释放AI潜力的关键。
徐文浩老师分享说，而在不久的将来，基于独家评价数据训练大模型，也会非常简单:
- 选择一个优秀的开源基础模型(已经很容易获取)
- 在最熟悉的领域积累独特的评价数据(1万条不嫌少)
- 用云平台提供的工具进行训练(可能只需要几百行代码)
而这种"评价工程"(Evaluation Engineering)，可以让深耕某个领域的普通小团队，也能在该领域实现突破，甚至引领变革。因为评价标准的设定，更多是对问题本质的理解，而非资源的堆积。
