Loading video...

Video Failed to Load

Go Home

Vibe Coding 让每个人都有做软件的能力，我见过很多人做了几十个产品，纯特么自嗨，没有一毛钱盈利。 现在 AI 一晚上能做一个产品，代码成本趋近于零，成本低到大家觉得不需要验证，做完了自然有人用。 但事实上大家都在做“玩具”，因为 Vibe Coding 解决的是 how，但 what 和 why 被跳过了。 我最近一个多月一直在用 atypica.AI ，就是在写代码之前，先把想法丢进去跑一轮用户验证。 它会有一套完整的研究链路： 先帮你拆研究计划，然后从百万级真实用户数据构建的 AI 人设库里挑人，组成一个焦点小组（AI Panel），让这些虚拟用户讨论你的产品、互相辩论、给出反对意见。 并且，这个焦点小组可以反复用，每次你有新想法、新定价、新包装、新广告语，都可以拉同一批人再聊一轮。 我刚用它测过的场景： 上周我想做一个给老板用的 AI 助手，它帮我组了 12 个不同行业的老板人设（persona）并沉淀成我可以反复调用的Panel 。 30 分钟跑完，从报告中发现3件我完全没想到的事： 1. 当AI变得太懂老板反而会引发不安全感（尤其是很懂账目和客户关系时，会觉得被盯着）； 2. 最抗拒 AI 的老板也不是完全不用 AI ，只是不想换工作方式（能继续发微信、拍照、说语音，后台自动整理）； 3. 他们愿意为 AI 付钱不是因为功能多，而是因为它能帮自己少亏一次钱（少一次压货、客户流失或管理损耗，比“智能助手”这个概念更能打动人）。 根据这些发现我当场调整了方向，然后用panel里的同一批人再验证了一轮。两轮下来，避开了至少三个致命错误。 Vibe Coding 把做产品的门槛降到了零，但做对产品的门槛一点没变，如果你想要靠产品盈利，最好还是先想清楚： 你在解决真实需求，还是在解决自己幻想的问题。

gkxspace's profile picture

余温

37,924 subscribers

27,280 views • 3 months ago •via X (Twitter)

LIVE

Anya Rossi• Live Now

Private livecam show

0 Comments

No comments available

Comments from the original post will appear here

Related Videos

普通人做产品最大的短板不是技术，不是流量，是你根本不知道你的用户在想什么 大厂有用研团队、有焦点小组、有百万级调研预算 在百度做PM的时候， 每几天都会有一份定制化的《竞品动态日报》《消费者洞察报告》躺在所有员工的邮箱里 字节跳动昨天上线了什么新功能,腾讯哪个部门在招什么岗位,什么赛道的用户在关注什么产品，什么产品的数据又卖爆了 当时我就在想：如果我出来单干，我想获得这些信息，不得难死，这笔钱谁给我出？ 后来真出来了，答案是——根本没人出😂 所以和大部分独立开发者一样，我做产品验证需求的方式是： 发朋友圈问问、在推特宣发一下、看看竞品评论区、然后凭直觉赌一把 连续创业五年，我见过最多的死法不是产品做不出来 是产品做出来了，没人要，花三个月憋 MVP，上线后发现需求是自己臆想的 这个痛，做过产品的人都懂 做出海的朋友更惨 你的目标用户在地球另一边，时差 12 小时，语言不通，文化不同 去年帮一个朋友的品牌做北美市场，最头疼的不是投放，是根本不知道美国消费者怎么想，美国人文化和中国差距太大了 招一个本地调研公司，报价 8 万美金起步，找几个留学生做访谈，样本太小、还有幸存者偏差，有时候还访谈不明白 最后还是靠猜 现在这件事有了一个结构性的解法 Atypica atypica.AI 上线了一个新功能叫 AI Panel，一句话解释：它让你拥有了一个属于自己的焦点小组 不是 ChatGPT 扮演用户那种玩法 是基于 100 万+ 真实用户数据构建的 AI Persona，每个人有完整的背景、性格、认知偏差、消费决策框架 关键是——这个焦点小组是可复用的 你今天问一次，下个月产品迭代了再问一次 同一群人，持续追踪，看他们的态度变化 这在传统调研里叫 longitudinal study，成本极高 现在你一个人就能做 三种方式构建你的 Panel： 1）自动沉淀：用 Atypica 做完一次 Research 后，参与访谈的 AI Persona 自动沉淀成 Panel，下次直接调用 2）手动挑人：从 100 万+ 的 Persona Library 里按关键词搜索，添加组队 3）按需生成：输入需求描述，系统从零帮你构建一个全新的 Panel 组好之后随时打开，输入研究话题 支持一对多深度访谈，也支持多对多 Group Discussion 我试了一个真实场景 我之前做过一个面向内容创作者的 AI 写作工具，想验证订阅制定价 构建了一个Panel：YouTube 创作者、推特创作者、独立播客主 直接问：你平时写作的痛点有哪些？流程有哪些 10 分钟，直接就拿到了需求的分类和反馈 这种颗粒度，以前要花两周招募 + 一周访谈 + 几万块预算 现在 10 分钟，一个人搞定 如果你是以下三种人，这个功能对你来说是刚需： 做出海产品的创业者——你的用户在地球另一边，以前只能看竞品评论区猜需求，现在直接构建目标市场的用户 Panel，随时追问 需要反复迭代验证的产品团队——每次加功能都要做用户测试，Panel 让你不用每次重新招人，同一群用户持续追踪反应变化 需要大规模样本的场景——比如你想了解 2000 个家庭的消费偏好，传统手段几乎不可能，Panel 可以 我觉得我们普通人做产品和大厂的差距，不应该是有没有用户调研团队 而是用什么方式理解用户，大厂用人力堆，我们用 AI 跑 以前这是一句空话，因为 ChatGPT 扮演用户的结果你自己都不信 现在不一样了——100 万+ 真实数据构建的 Persona，有来源、有背景、有决策框架 它不能替代真人调研的最终验证 但它能让你在写第一行代码之前，就知道方向对不对 调研从一个季度一次的项目，变成了随时可调用的能力 这对一个人做产品的人来说，是基础设施级别的变化 我推荐每一个想做生意，产品的人都去试一试，这可能就是你和用户面对面沟通的第一步：
2:26

普通人做产品最大的短板不是技术，不是流量，是你根本不知道你的用户在想什么 大厂有用研团队、有焦点小组、有百万级调研预算 在百度做PM的时候， 每几天都会有一份定制化的《竞品动态日报》《消费者洞察报告》躺在所有员工的邮箱里 字节跳动昨天上线了什么新功能,腾讯哪个部门在招什么岗位,什么赛道的用户在关注什么产品，什么产品的数据又卖爆了 当时我就在想：如果我出来单干，我想获得这些信息，不得难死，这笔钱谁给我出？ 后来真出来了，答案是——根本没人出😂 所以和大部分独立开发者一样，我做产品验证需求的方式是： 发朋友圈问问、在推特宣发一下、看看竞品评论区、然后凭直觉赌一把 连续创业五年，我见过最多的死法不是产品做不出来 是产品做出来了，没人要，花三个月憋 MVP，上线后发现需求是自己臆想的 这个痛，做过产品的人都懂 做出海的朋友更惨 你的目标用户在地球另一边，时差 12 小时，语言不通，文化不同 去年帮一个朋友的品牌做北美市场，最头疼的不是投放，是根本不知道美国消费者怎么想，美国人文化和中国差距太大了 招一个本地调研公司，报价 8 万美金起步，找几个留学生做访谈，样本太小、还有幸存者偏差，有时候还访谈不明白 最后还是靠猜 现在这件事有了一个结构性的解法 Atypica atypica.AI 上线了一个新功能叫 AI Panel，一句话解释：它让你拥有了一个属于自己的焦点小组 不是 ChatGPT 扮演用户那种玩法 是基于 100 万+ 真实用户数据构建的 AI Persona，每个人有完整的背景、性格、认知偏差、消费决策框架 关键是——这个焦点小组是可复用的 你今天问一次，下个月产品迭代了再问一次 同一群人，持续追踪，看他们的态度变化 这在传统调研里叫 longitudinal study，成本极高 现在你一个人就能做 三种方式构建你的 Panel： 1）自动沉淀：用 Atypica 做完一次 Research 后，参与访谈的 AI Persona 自动沉淀成 Panel，下次直接调用 2）手动挑人：从 100 万+ 的 Persona Library 里按关键词搜索，添加组队 3）按需生成：输入需求描述，系统从零帮你构建一个全新的 Panel 组好之后随时打开，输入研究话题 支持一对多深度访谈，也支持多对多 Group Discussion 我试了一个真实场景 我之前做过一个面向内容创作者的 AI 写作工具，想验证订阅制定价 构建了一个Panel：YouTube 创作者、推特创作者、独立播客主 直接问：你平时写作的痛点有哪些？流程有哪些 10 分钟，直接就拿到了需求的分类和反馈 这种颗粒度，以前要花两周招募 + 一周访谈 + 几万块预算 现在 10 分钟，一个人搞定 如果你是以下三种人，这个功能对你来说是刚需： 做出海产品的创业者——你的用户在地球另一边，以前只能看竞品评论区猜需求，现在直接构建目标市场的用户 Panel，随时追问 需要反复迭代验证的产品团队——每次加功能都要做用户测试，Panel 让你不用每次重新招人，同一群用户持续追踪反应变化 需要大规模样本的场景——比如你想了解 2000 个家庭的消费偏好，传统手段几乎不可能，Panel 可以 我觉得我们普通人做产品和大厂的差距，不应该是有没有用户调研团队 而是用什么方式理解用户，大厂用人力堆，我们用 AI 跑 以前这是一句空话，因为 ChatGPT 扮演用户的结果你自己都不信 现在不一样了——100 万+ 真实数据构建的 Persona，有来源、有背景、有决策框架 它不能替代真人调研的最终验证 但它能让你在写第一行代码之前，就知道方向对不对 调研从一个季度一次的项目，变成了随时可调用的能力 这对一个人做产品的人来说，是基础设施级别的变化 我推荐每一个想做生意，产品的人都去试一试，这可能就是你和用户面对面沟通的第一步：

超级个体｜柿子

94,325 views • 2 months ago

Outbid 最近太火了。一个付费竞价排行榜，3 天赚了 20 万美金，现在一堆人在复刻这个网站 其实现在去复刻属于浪费时间，真正该做的不是照抄，而是复用经验 做独立开发难的从来不是做产品，而是动手前想清楚：这需求到底能不能赚钱。 我最近在用一个叫 atypica.AI 的产品，它能帮你调研用户行为，引入了AI Persona，能还原出一群真实用户的想法，你想了解什么，直接问就行。 用下来最实用的是2类场景： 1、帮你低成本地做真实用户调研。 比如验证个新想法、研究不熟悉或者海外的用户群体，现实中招不到人，用它能先拿到一轮反馈。 2、做长期研究 比如做内容，先用它试方向，之后还能接着问：用户喜不喜欢这个方向、商业化怎么走、产品怎么调。它就像个能一直陪你做判断的"用户"。 对独立开发者来说，与其拍脑袋做个产品、再花大量时间维护，最后一分钱不挣，不如提前做需求研究。 atypica 应该是我目前见过验证需求最省钱的路子。做需求之前，可以先跟它聊一聊：
7:18

Outbid 最近太火了。一个付费竞价排行榜，3 天赚了 20 万美金，现在一堆人在复刻这个网站 其实现在去复刻属于浪费时间，真正该做的不是照抄，而是复用经验 做独立开发难的从来不是做产品，而是动手前想清楚：这需求到底能不能赚钱。 我最近在用一个叫 atypica.AI 的产品，它能帮你调研用户行为，引入了AI Persona，能还原出一群真实用户的想法，你想了解什么，直接问就行。 用下来最实用的是2类场景： 1、帮你低成本地做真实用户调研。 比如验证个新想法、研究不熟悉或者海外的用户群体，现实中招不到人，用它能先拿到一轮反馈。 2、做长期研究 比如做内容，先用它试方向，之后还能接着问：用户喜不喜欢这个方向、商业化怎么走、产品怎么调。它就像个能一直陪你做判断的"用户"。 对独立开发者来说，与其拍脑袋做个产品、再花大量时间维护，最后一分钱不挣，不如提前做需求研究。 atypica 应该是我目前见过验证需求最省钱的路子。做需求之前，可以先跟它聊一聊：

阿西_出海

149,865 views • 1 month ago

昨天我花了 30 分钟，做了一件如果放在以前，至少要花几万块的事。 我没写代码，也没发问卷，只想回答一个问题： AI 漫剧这个赛道，现在到底还能不能做？ 真正做过商业研究的人都知道，一场深度访谈、一场焦点小组，再加一份完整的消费者洞察报告，预算动辄几万到几十万元，而且通常要等上几周。 如果研究海外市场，价格还得再翻几倍。 所以，大多数创业者最后得到的答案都是： 感觉还有机会。 但感觉，是创业里最贵的东西。 于是我把这个问题丢给了 Atypica。 它没有像普通 AI 一样直接输出分析，而是先反问我： 你准备做什么类型？ 面向哪些用户？ 希望验证什么？ 最担心什么风险？ 确认完这些问题，它才开始联网查资料、整理竞品、构建研究计划。 真正让我觉得有意思的是后面。 它生成了一组符合目标用户画像的 AI Persona，模拟真实用户做一对一深访，再把这些观点放进焦点小组里继续讨论。 也就是说，我不是在问一个 ChatGPT。 而是在采访几十个模拟目标用户。 这两个东西完全不是一个概念。 Atypica 官网： 注册会送 1M token，足够免费跑一次分析。 atypica.AI
1:59

昨天我花了 30 分钟，做了一件如果放在以前，至少要花几万块的事。 我没写代码，也没发问卷，只想回答一个问题： AI 漫剧这个赛道，现在到底还能不能做？ 真正做过商业研究的人都知道，一场深度访谈、一场焦点小组，再加一份完整的消费者洞察报告，预算动辄几万到几十万元，而且通常要等上几周。 如果研究海外市场，价格还得再翻几倍。 所以，大多数创业者最后得到的答案都是： 感觉还有机会。 但感觉，是创业里最贵的东西。 于是我把这个问题丢给了 Atypica。 它没有像普通 AI 一样直接输出分析，而是先反问我： 你准备做什么类型？ 面向哪些用户？ 希望验证什么？ 最担心什么风险？ 确认完这些问题，它才开始联网查资料、整理竞品、构建研究计划。 真正让我觉得有意思的是后面。 它生成了一组符合目标用户画像的 AI Persona，模拟真实用户做一对一深访，再把这些观点放进焦点小组里继续讨论。 也就是说，我不是在问一个 ChatGPT。 而是在采访几十个模拟目标用户。 这两个东西完全不是一个概念。 Atypica 官网： 注册会送 1M token，足够免费跑一次分析。 atypica.AI

泊舟

111,786 views • 2 months ago

Claude Opus 4.8 出了之后，我的第一反应是：想试。 第二反应是：算了，token 这东西真的不经烧。 结果看到 ZenMux 现在可以体验 Opus 4.8，就拿它试了一个我最近一直想做的小东西。 我自己有个很真实的问题： 脑子里经常冒出各种产品想法。 但每次真要开始做，就会卡住。 用户是谁？ 第一版到底做什么？ 哪些功能应该先砍掉？ 怎么定价？ 第一周从哪一步开始？ 上线后怎么找第一批用户？ 想法很多，执行很散。 所以我让 Claude Opus 4.8 做了一个「一人公司作战室」。 需求我写得也挺直接： 输入一句产品 idea。 自动拆出产品定位、MVP、开发任务、定价方案。 再生成落地页文案、冷启动实验、风险清单和本周计划。 最好不是一个静态页面，而是真的能点、能改、能导出。 然后我就把这段话丢给 Claude Opus 4.8。 出来的效果比我预期好不少。 它真的把“一人公司怎么从想法走到执行”这件事拆开了。 左边输入产品想法。 中间生成产品蓝图、MVP 范围、定价和官网文案。 右边是任务看板和本周计划。 底部还有冷启动实验、风险雷达和 Markdown 导出。 最让我觉得有意思的是，它不是一味堆功能。 比如我输入“给小红书博主做 AI 选题助手”，它会主动判断： 第一版必须做什么。 哪些功能看起来高级，但现在应该先别碰。 怎么找第一批真实用户。 哪些风险可能让这个项目做不下去。 这点就很能体现 Opus 4.8 的能力。 普通模型经常是：你要什么，我全给你加上。 最后页面很热闹，但产品判断是空的。 Opus 4.8 更像是在帮你收敛：先想清楚用户、场景和第一步，再把它变成可以执行的工作台。 我是在 ZenMux 上试的。 它比较方便的一点是，一个 Key 就能切不同模型，新模型上线也很快。 Opus 4.8 拿来做这种带产品判断、交互状态和复杂信息结构的网页，确实挺顺。 想试 Claude Opus 4.8 的，可以从这里进：
0:43

Claude Opus 4.8 出了之后，我的第一反应是：想试。 第二反应是：算了，token 这东西真的不经烧。 结果看到 ZenMux 现在可以体验 Opus 4.8，就拿它试了一个我最近一直想做的小东西。 我自己有个很真实的问题： 脑子里经常冒出各种产品想法。 但每次真要开始做，就会卡住。 用户是谁？ 第一版到底做什么？ 哪些功能应该先砍掉？ 怎么定价？ 第一周从哪一步开始？ 上线后怎么找第一批用户？ 想法很多，执行很散。 所以我让 Claude Opus 4.8 做了一个「一人公司作战室」。 需求我写得也挺直接： 输入一句产品 idea。 自动拆出产品定位、MVP、开发任务、定价方案。 再生成落地页文案、冷启动实验、风险清单和本周计划。 最好不是一个静态页面，而是真的能点、能改、能导出。 然后我就把这段话丢给 Claude Opus 4.8。 出来的效果比我预期好不少。 它真的把“一人公司怎么从想法走到执行”这件事拆开了。 左边输入产品想法。 中间生成产品蓝图、MVP 范围、定价和官网文案。 右边是任务看板和本周计划。 底部还有冷启动实验、风险雷达和 Markdown 导出。 最让我觉得有意思的是，它不是一味堆功能。 比如我输入“给小红书博主做 AI 选题助手”，它会主动判断： 第一版必须做什么。 哪些功能看起来高级，但现在应该先别碰。 怎么找第一批真实用户。 哪些风险可能让这个项目做不下去。 这点就很能体现 Opus 4.8 的能力。 普通模型经常是：你要什么，我全给你加上。 最后页面很热闹，但产品判断是空的。 Opus 4.8 更像是在帮你收敛：先想清楚用户、场景和第一步，再把它变成可以执行的工作台。 我是在 ZenMux 上试的。 它比较方便的一点是，一个 Key 就能切不同模型，新模型上线也很快。 Opus 4.8 拿来做这种带产品判断、交互状态和复杂信息结构的网页，确实挺顺。 想试 Claude Opus 4.8 的，可以从这里进：

Joruno

16,224 views • 3 months ago

今天我们的新产品 FlowSpeech 正式发布 FlowSpeech 是全球第一个书面语转口语的 TTS 可以读网页，可以念小说，可以讲PPT，还能翻译外语。 它是你的 AI 嘴替，随时替你说话。 这听起来非常不炸裂，但它却是基于我们真实的用户的真实痛点所做的有用的小产品。 为什么在行业都在吹概念，追模型，卷 Agent 的时候， 我们选择花一点时间做一个这样的小产品呢？ 作为 AI 应用公司，我们当然希望自己成为天空中的独角兽。 但做产品的本质，是帮助一个个真实的人。 FlowSpeech 的需求来自一位80岁的美国老人，这是他的故事。👇
4:54

今天我们的新产品 FlowSpeech 正式发布 FlowSpeech 是全球第一个书面语转口语的 TTS 可以读网页，可以念小说，可以讲PPT，还能翻译外语。 它是你的 AI 嘴替，随时替你说话。 这听起来非常不炸裂，但它却是基于我们真实的用户的真实痛点所做的有用的小产品。 为什么在行业都在吹概念，追模型，卷 Agent 的时候， 我们选择花一点时间做一个这样的小产品呢？ 作为 AI 应用公司，我们当然希望自己成为天空中的独角兽。 但做产品的本质，是帮助一个个真实的人。 FlowSpeech 的需求来自一位80岁的美国老人，这是他的故事。👇

Orange AI

477,483 views • 1 year ago

最近看到一个很牛逼的 AI research 产品，能帮助我们验证产品可行性，避免陷入自嗨陷阱，它叫atypica。 你丢给它一个商业问题后，它会先澄清你的需求，像研究团队规划研究，再去搜公开信息、找合适的persona、模拟用户做访谈，最后给你一份结构化报告。 能站到目标用户视角，去提前验证一个产品值不值得做。 比如： 1. 你可以用它研究，自己的受众到底更想看教程、案例，还是观点类内容 2. 你也可以用它研究，一个AI产品在真实 persona 眼里，到底哪里有吸引力 他们现在底层有100w+ 基于真实社媒内容分析拟合成的AI personas，也有基于真实深度访谈构建的 10 万+ 高质量 persona。 如果这个方向继续成熟下去，我觉得它最有价值是帮更多创作者、营销人、产品团队，在真正花时间和预算之前，先把明显错误的方向排掉。 接下来我来拆解atypica.AI ，讲一下这个产品为什么有点东西，🔗放评论区：
2:32

最近看到一个很牛逼的 AI research 产品，能帮助我们验证产品可行性，避免陷入自嗨陷阱，它叫atypica。 你丢给它一个商业问题后，它会先澄清你的需求，像研究团队规划研究，再去搜公开信息、找合适的persona、模拟用户做访谈，最后给你一份结构化报告。 能站到目标用户视角，去提前验证一个产品值不值得做。 比如： 1. 你可以用它研究，自己的受众到底更想看教程、案例，还是观点类内容 2. 你也可以用它研究，一个AI产品在真实 persona 眼里，到底哪里有吸引力 他们现在底层有100w+ 基于真实社媒内容分析拟合成的AI personas，也有基于真实深度访谈构建的 10 万+ 高质量 persona。 如果这个方向继续成熟下去，我觉得它最有价值是帮更多创作者、营销人、产品团队，在真正花时间和预算之前，先把明显错误的方向排掉。 接下来我来拆解atypica.AI ，讲一下这个产品为什么有点东西，🔗放评论区：

余温

32,272 views • 5 months ago

昨天帮一个做个护品牌的朋友省了 8 万块，他差点给我跪下，哈哈哈 事情是这样的： 他做了一个头皮护理的新品牌，准备上市前做一轮消费者测试，找了两家调研公司报价 一家 8 万，一家 12 万，周期都要一个多月 8 万块买什么呢？招募 8-10 个真实用户，坐一起聊两个小时，录音整理成报告，完事… 说实话，这个价格在行业里还算便宜的，海外调研公司同样的活直接翻 3 倍！！？ 但他是个小团队，4 个人，天使轮刚拿到，账上的钱要省着花 我说你这不是纯扔钱吗，有这钱你给我，我给你打1折😆 然后我反手打开了 Atypica atypica.AI 的 Solution 页面 它的 Solution 页面是按人群分的——创业者、品牌方、咨询顾问、产品团队，每类人进去看到的东西不一样 他是创业者，我直接帮他点进了创业者那个页面 页面中间的互动区域——一张地图上会随机冒出来一堆 AI Persona 的头像，带绿色光效的那种，你点一个就能直接跟他对话 这些不是 ChatGPT 扮演的角色，是基于 100 万+ 真实社媒内容以及用户访谈语料构建出来的 AI Persona 每个人有完整的背景、性格、消费偏好、决策框架 我随手点了一个欧美地区的目标用户画像 直接问：你买头皮护理产品最看重什么？「敏感肌友好」这个卖点能打动你吗？价格到多少你觉得合理？ 对方的回答让我俩都愣了，竟然能写的这么好？？？ 不是那种 AI 编出来的「我觉得品质很重要」的废话 人家说：我最看重三件事——有效、低摩擦、可信度 「敏感肌友好」会让我停下来了解，但不会让我直接下单 我会看具体成分：成分是否精简、有没有香精和刺激性酒精、是否经过皮肤科测试、真实用户反馈，品牌有没有把使用边界讲清楚等等 尤其是头皮产品，我不想买一个号称温和、结果让我发痒出油的东西 价格方面，普通洗护大概接受 20-35 美元，针对头皮的精华可以接受 50-80 美元，超过 100 美元也不是不可能，但必须有明显的产品差异和持续使用价值 还说了一句让我朋友直接沉默的话：敏感友好只是入场券，不是购买理由，真正让我复购的是没有刺激、没有油腻残留、早上五分钟内能用完，而且连续几周后能看到改善 这种颗粒度的反馈，传统调研要花两周招人 + 一周访谈才能拿到 我们 10 分钟就拿到了 然后我帮他又多聊了几个不同画像的 Persona，交叉验证 20 分钟后，他已经拿到了三个关键洞察： 1、他原来主打的「敏感肌友好」，目标用户根本不买账，人家要的是具体证据——成分表、皮肤科测试、真实用户反馈，光喊口号没用 2、他的定价偏高了，普通洗护线用户心理价位在 20-35 美元，他定了 45，直接劝退 3、真正驱动复购的不是「温和」这个概念，而是「没有油腻残留、五分钟内用完、几周后能看到改善」这些体感层面的东西——他的整个营销方向都在讲成分，没人在意 如果没有这 20 分钟，他大概率会带着错误的卖点、错误的定价、投错误的渠道上市 然后花三个月发现卖不动，再花 8 万块做调研找原因 现在他省了 8 万块调研费，还省了可能浪费的几十万投放费 当然，这不能完全替代真人调研的最终验证，但至少让他在花 8 万之前就知道方向对不对 而且这个页面不是用一次就没了，产品迭代了，再来问一次，同一群 Persona 持续追踪态度变化 你是创业者就进创业者页面，你是品牌方就进品牌方页面，做咨询的进咨询顾问页面，每个入口给你的东西都不一样 这在传统调研里叫 longitudinal study，成本极高，现在一个人就能做 我后来想了想，这件事真正改变的不是调研的效率 是让「理解你的用户」这件事，从一个季度一次的大项目，变成了随时可以做的日常动作 以前只有大厂养得起用研团队，现在一个人的小团队也能在写第一行代码之前就知道方向对不对 我觉得这才是基础设施级别的变化：
0:59

昨天帮一个做个护品牌的朋友省了 8 万块，他差点给我跪下，哈哈哈 事情是这样的： 他做了一个头皮护理的新品牌，准备上市前做一轮消费者测试，找了两家调研公司报价 一家 8 万，一家 12 万，周期都要一个多月 8 万块买什么呢？招募 8-10 个真实用户，坐一起聊两个小时，录音整理成报告，完事… 说实话，这个价格在行业里还算便宜的，海外调研公司同样的活直接翻 3 倍！！？ 但他是个小团队，4 个人，天使轮刚拿到，账上的钱要省着花 我说你这不是纯扔钱吗，有这钱你给我，我给你打1折😆 然后我反手打开了 Atypica atypica.AI 的 Solution 页面 它的 Solution 页面是按人群分的——创业者、品牌方、咨询顾问、产品团队，每类人进去看到的东西不一样 他是创业者，我直接帮他点进了创业者那个页面 页面中间的互动区域——一张地图上会随机冒出来一堆 AI Persona 的头像，带绿色光效的那种，你点一个就能直接跟他对话 这些不是 ChatGPT 扮演的角色，是基于 100 万+ 真实社媒内容以及用户访谈语料构建出来的 AI Persona 每个人有完整的背景、性格、消费偏好、决策框架 我随手点了一个欧美地区的目标用户画像 直接问：你买头皮护理产品最看重什么？「敏感肌友好」这个卖点能打动你吗？价格到多少你觉得合理？ 对方的回答让我俩都愣了，竟然能写的这么好？？？ 不是那种 AI 编出来的「我觉得品质很重要」的废话 人家说：我最看重三件事——有效、低摩擦、可信度 「敏感肌友好」会让我停下来了解，但不会让我直接下单 我会看具体成分：成分是否精简、有没有香精和刺激性酒精、是否经过皮肤科测试、真实用户反馈，品牌有没有把使用边界讲清楚等等 尤其是头皮产品，我不想买一个号称温和、结果让我发痒出油的东西 价格方面，普通洗护大概接受 20-35 美元，针对头皮的精华可以接受 50-80 美元，超过 100 美元也不是不可能，但必须有明显的产品差异和持续使用价值 还说了一句让我朋友直接沉默的话：敏感友好只是入场券，不是购买理由，真正让我复购的是没有刺激、没有油腻残留、早上五分钟内能用完，而且连续几周后能看到改善 这种颗粒度的反馈，传统调研要花两周招人 + 一周访谈才能拿到 我们 10 分钟就拿到了 然后我帮他又多聊了几个不同画像的 Persona，交叉验证 20 分钟后，他已经拿到了三个关键洞察： 1、他原来主打的「敏感肌友好」，目标用户根本不买账，人家要的是具体证据——成分表、皮肤科测试、真实用户反馈，光喊口号没用 2、他的定价偏高了，普通洗护线用户心理价位在 20-35 美元，他定了 45，直接劝退 3、真正驱动复购的不是「温和」这个概念，而是「没有油腻残留、五分钟内用完、几周后能看到改善」这些体感层面的东西——他的整个营销方向都在讲成分，没人在意 如果没有这 20 分钟，他大概率会带着错误的卖点、错误的定价、投错误的渠道上市 然后花三个月发现卖不动，再花 8 万块做调研找原因 现在他省了 8 万块调研费，还省了可能浪费的几十万投放费 当然，这不能完全替代真人调研的最终验证，但至少让他在花 8 万之前就知道方向对不对 而且这个页面不是用一次就没了，产品迭代了，再来问一次，同一群 Persona 持续追踪态度变化 你是创业者就进创业者页面，你是品牌方就进品牌方页面，做咨询的进咨询顾问页面，每个入口给你的东西都不一样 这在传统调研里叫 longitudinal study，成本极高，现在一个人就能做 我后来想了想，这件事真正改变的不是调研的效率 是让「理解你的用户」这件事，从一个季度一次的大项目，变成了随时可以做的日常动作 以前只有大厂养得起用研团队，现在一个人的小团队也能在写第一行代码之前就知道方向对不对 我觉得这才是基础设施级别的变化：

超级个体｜柿子

27,034 views • 24 days ago

这是美国大学毕业季 最诚实的一场演讲 也是AI时代最引人思考的 关于教育的一场讨论💐 Angela Duckworth 一位哈佛毕业的网红教授 专门研究毅力的顶级学者 在宾大的毕业典礼上 一句话炸翻了全场 今天的演讲（稿） 是我和AI一起写的！😂 而且我一点儿也不惭愧 这太魔幻了 一个教孩子要坚毅要刻苦的 居然在带头“偷懒” 但是她接下来说的话 才是我反复该说的部分 就是这篇人机协作的演讲稿 给出了AI时代家长心里最担心的 两个问题的答案 第一个问题 孩子天天用AI，脑子会不会废掉？ 扫了一眼台下的毕业生 问了一个戳心的问题 如果我们一直这么用AI 会变得越来越不会思考 她自己呢带头就举了手 台下呢也几乎是全员举手 Angela接着说 她自己呢也担心过 因为大脑是用尽废退 不用的话神经连接都会萎缩 她讲了一个故事 她被一个很难的 统计学方法卡住了 当时呢身边没有人能够帮她 在客厅里做着 房地产相关的工作 于是她打开了GPT 就把问题呢告诉它 结果AI只用了几句话 就把这个复杂的问题讲清楚了 不但讲清楚了 还提醒她常见的误区 给了清晰的步骤 她对不懂的地方进行追问 让AI示范 短短十分钟之后 她不仅仅是拿到了答案 而且真正的理解了 注意她的关键词啊 不是替我想 而是带我想👊 她又问台下的毕业生们 你们有没有哪怕一次 真切的感受到 因为AI比你之前聪明了一点点？ 这一次又是几乎全员举手🙋‍♀️ 同样的一群人 同样的一双手 可以是害怕AI让我变笨 也可以是因为AI 让我变强🐮 她又用博士生的实验补了一刀 两组年轻人写求职信 一组呢完全自己写 另一组呢 用AI辅助 结果非常反常识 用AI那组不但写的更快 就连写作能力也提升的更多 为什么？ 给出了一个关键解释 因为AI在做一件 人类老师一直想做 但没有精力去做的事 它会不停的给你看更好的版本 这个句子可以更短 那个词可以换 这个结构呢还可以调整 你就一遍一遍的看这些示范 就是在训练自己的眼睛和感觉 所以结论很简单 也很有力量👍🏼 AI会不会废掉孩子 并不取决于AI有多强 而是取决于我们把它当什么 当你把AI当拐杖 你交出的就是大脑 当你把AI当教练 你练出来的就是判断力、表达力、结构感 AI的正确打开方式 不是把脑子托管给它 而是用它不断的看到更好的思考 然后呢逼自己追上去 第二个问题 既然知识和课程网上全有 AI又能给出答案 那我们为什么还需要老师？ 教育为什么还需要人？ 在学期末 说这样一个秘密 这整个学期 我教给你们的所有知识网上全都有 每一篇文章都有电子版 每一道作业都有人做过类似的 换句话说就是 只要你愿意不来上我的课 你照样能学 学生们呢？都愣住了 然后她说 但是你们还是需要我 因为你们需要有人在周二之前 逼你读完一篇并不轻松的文章😂 需要有人在周四之前 提醒你们交出一篇 你们以为自己写不出来的论文🥹 需要有人把你关进一个没有手机的教室 需要有人给你定一个 你以为达不到的标准 然后认真的看着你的眼睛说 我知道你能做到 我会等到你做到！👍🏼 这一段看起来安安静静的话 简直是一下子戳中了 教育的本质 教育从来都不是信息的填充 而是灵魂的唤醒！👍🏼💐 她讲到自己高中那位英语老师 图书馆的知识是免费的 但是你得自带容器 而一个真正的好老师 就会帮你塑造这个容器 我突然想到了我的孩子们 AI可以把全世界的知识 都摆在他们的面前 但是它做不到的是 在他们快要放弃的时候 坚定的看着他们的眼睛说 这很难 ☹️ 但我相信你 对于孩子们来说 爸爸妈妈 才是他们最早遇到的老师 那位Angela老师 在这个算力爆炸的时代 我们到底要教给孩子什么？ 用AI的方法 当然 但比这个更重要的是 带他们去户外徒步 去仰望星空 去面对挫折 去感受心跳 我们要做的是站在孩子的身边 成为赋予他们品格的那个人 如果你有时间 强烈建议你和孩子一起看一下这个演讲 ———————————— 演讲就在下面，快看看啊 有这么想讨论的一起聊聊吧😊
15:35

这是美国大学毕业季 最诚实的一场演讲 也是AI时代最引人思考的 关于教育的一场讨论💐 Angela Duckworth 一位哈佛毕业的网红教授 专门研究毅力的顶级学者 在宾大的毕业典礼上 一句话炸翻了全场 今天的演讲（稿） 是我和AI一起写的！😂 而且我一点儿也不惭愧 这太魔幻了 一个教孩子要坚毅要刻苦的 居然在带头“偷懒” 但是她接下来说的话 才是我反复该说的部分 就是这篇人机协作的演讲稿 给出了AI时代家长心里最担心的 两个问题的答案 第一个问题 孩子天天用AI，脑子会不会废掉？ 扫了一眼台下的毕业生 问了一个戳心的问题 如果我们一直这么用AI 会变得越来越不会思考 她自己呢带头就举了手 台下呢也几乎是全员举手 Angela接着说 她自己呢也担心过 因为大脑是用尽废退 不用的话神经连接都会萎缩 她讲了一个故事 她被一个很难的 统计学方法卡住了 当时呢身边没有人能够帮她 在客厅里做着 房地产相关的工作 于是她打开了GPT 就把问题呢告诉它 结果AI只用了几句话 就把这个复杂的问题讲清楚了 不但讲清楚了 还提醒她常见的误区 给了清晰的步骤 她对不懂的地方进行追问 让AI示范 短短十分钟之后 她不仅仅是拿到了答案 而且真正的理解了 注意她的关键词啊 不是替我想 而是带我想👊 她又问台下的毕业生们 你们有没有哪怕一次 真切的感受到 因为AI比你之前聪明了一点点？ 这一次又是几乎全员举手🙋‍♀️ 同样的一群人 同样的一双手 可以是害怕AI让我变笨 也可以是因为AI 让我变强🐮 她又用博士生的实验补了一刀 两组年轻人写求职信 一组呢完全自己写 另一组呢 用AI辅助 结果非常反常识 用AI那组不但写的更快 就连写作能力也提升的更多 为什么？ 给出了一个关键解释 因为AI在做一件 人类老师一直想做 但没有精力去做的事 它会不停的给你看更好的版本 这个句子可以更短 那个词可以换 这个结构呢还可以调整 你就一遍一遍的看这些示范 就是在训练自己的眼睛和感觉 所以结论很简单 也很有力量👍🏼 AI会不会废掉孩子 并不取决于AI有多强 而是取决于我们把它当什么 当你把AI当拐杖 你交出的就是大脑 当你把AI当教练 你练出来的就是判断力、表达力、结构感 AI的正确打开方式 不是把脑子托管给它 而是用它不断的看到更好的思考 然后呢逼自己追上去 第二个问题 既然知识和课程网上全有 AI又能给出答案 那我们为什么还需要老师？ 教育为什么还需要人？ 在学期末 说这样一个秘密 这整个学期 我教给你们的所有知识网上全都有 每一篇文章都有电子版 每一道作业都有人做过类似的 换句话说就是 只要你愿意不来上我的课 你照样能学 学生们呢？都愣住了 然后她说 但是你们还是需要我 因为你们需要有人在周二之前 逼你读完一篇并不轻松的文章😂 需要有人在周四之前 提醒你们交出一篇 你们以为自己写不出来的论文🥹 需要有人把你关进一个没有手机的教室 需要有人给你定一个 你以为达不到的标准 然后认真的看着你的眼睛说 我知道你能做到 我会等到你做到！👍🏼 这一段看起来安安静静的话 简直是一下子戳中了 教育的本质 教育从来都不是信息的填充 而是灵魂的唤醒！👍🏼💐 她讲到自己高中那位英语老师 图书馆的知识是免费的 但是你得自带容器 而一个真正的好老师 就会帮你塑造这个容器 我突然想到了我的孩子们 AI可以把全世界的知识 都摆在他们的面前 但是它做不到的是 在他们快要放弃的时候 坚定的看着他们的眼睛说 这很难 ☹️ 但我相信你 对于孩子们来说 爸爸妈妈 才是他们最早遇到的老师 那位Angela老师 在这个算力爆炸的时代 我们到底要教给孩子什么？ 用AI的方法 当然 但比这个更重要的是 带他们去户外徒步 去仰望星空 去面对挫折 去感受心跳 我们要做的是站在孩子的身边 成为赋予他们品格的那个人 如果你有时间 强烈建议你和孩子一起看一下这个演讲 ———————————— 演讲就在下面，快看看啊 有这么想讨论的一起聊聊吧😊

华尔街财经 | WS × AI Era

43,968 views • 7 months ago

上周 WAIC，我一个在 4A 做调研的朋友给我发消息 “完了，央视新闻直播间都在报道 AI 调研了，我们这行要完了” 我说你慌啥，先看看人家到底做了啥 央视那段报道的是我之前安利过很多次的atypica （之前安利的时候一堆小黑子在评论区喷我，这下啪啪打脸了） 这次重点讲了他们怎么构建 AI Persona 不是让大模型扮演用户那种玩法 是基于一个叫主观世界模型的架构，四层数据协同训练出来的——社交语料学语言风格、真实深访学行为动机、心理学量表校正偏差、经济学实验标定决策倾向 Atypica atypica.AI 就是基于这个模型构建的 说实话之前用的时候就觉得比 GPT 扮演用户靠谱，但没想过底层差别这么大 看完报道我就想做个测试 正好有个朋友在做出海产品，面向北美市场的轻量级个人效率工具，想搞清楚定价策略——订阅制、买断制、还是混合模式，哪种更容易让目标用户掏钱 我把同一个选题，分别丢给了 Atypica 和 GPT GPT 那边我用的是最标准的做法，给它详细的 prompt，让它做一份完整的定价策略分析——竞品调研、用户分群、定价建议全都要 Atypica 那边我直接输入同样的研究问题，它自动匹配目标用户 Persona，组了一个 Panel 做深度访谈，还跑了一轮受众盲测验证 结果差距大到我截图发给朋友的时候他以为我在开玩笑 （哈哈哈哈笑死我了… GPT 给的回答： 一份很标准的市场分析报告——竞品价格整理得很清楚，Todoist $7/月、TickTick $3.99/月、Things $49.99 买断、Motion $19-34/月，全都列出来了 结论也中规中矩：建议先用 Free + $39.99/年低价订阅切入，配一个限量 Lifetime $79-99 做早期现金流 听起来没毛病对吧？ 但你仔细想，这些结论你自己花半天做竞品调研也能得出来。它给的是行业共识，不是针对你这个产品、你这群用户的定制化洞察 整份报告里没有一个具体的用户声音，没有人告诉你“我为什么愿意付”或“我为什么犹豫” Atypica 给的回答： 6 个 AI Persona 做了深度访谈，每个人有名字、有职业、有完整的决策逻辑 一个资深开发者说：我拒绝为本该在本地运行的工具支付数字租金，这对我来说就是随时可能断供的负债——他要的是 $49 纯买断 一个 UI 设计师说：$4.99/月这个价格不是在交租，是在为我的心理安宁支付订阅费——但她同时说，价格定太低反而让她不信任这个产品 一个初创 SaaS CEO 说：一次性购入基建，按需支付算力，这才是初创公司该有的现金流管理 6 个人里 5 个选了混合模式，0 个人首选纯订阅——但最关键的是，选同一个模式的理由完全不同 知识工作者接受 AI 订阅是因为它代表工具在持续进化，相当于买了一份生命力保险 团队创始人接受混合模式是因为它契合“基建一次性购入+算力弹性伸缩”的成本管理心智 同一个价格，需要对两类用户讲两个完全不同的故事——这个洞察 GPT 的报告里根本没有 最后 Atypica 的报告里还有一个让我意外的发现：受众盲测显示，如果你把买断价定在 $29，用户不会觉得实惠，反而会质疑“这公司有没有能力长期维护这个产品”——价格太低本身就是一个负面信号 它建议的策略是： $49 买断基础功能 + $9.99/月 AI 订阅作为可选增强层，用“永久拥有核心工具+按需付费 AI 算力”的组合降低信任门槛 这个结论我朋友拿去和他在北美的几个真实用户验证了，反馈高度一致——尤其是“价格太低反而不信任”这个点，好几个人都提到了 整个测试我花了不到 20 分钟 GPT 给你的是“你自己也能查到的行业共识”，Atypica 给你的是“你绝对想不到的用户真实决策逻辑” 这两个东西的价值差了十倍不止，甚至都不是同一个物种，我认为不能混为一谈 如果你也在做产品、做出海、做任何需要理解用户的事，去跑一次就知道区别了：
3:15

上周 WAIC，我一个在 4A 做调研的朋友给我发消息 “完了，央视新闻直播间都在报道 AI 调研了，我们这行要完了” 我说你慌啥，先看看人家到底做了啥 央视那段报道的是我之前安利过很多次的atypica （之前安利的时候一堆小黑子在评论区喷我，这下啪啪打脸了） 这次重点讲了他们怎么构建 AI Persona 不是让大模型扮演用户那种玩法 是基于一个叫主观世界模型的架构，四层数据协同训练出来的——社交语料学语言风格、真实深访学行为动机、心理学量表校正偏差、经济学实验标定决策倾向 Atypica atypica.AI 就是基于这个模型构建的 说实话之前用的时候就觉得比 GPT 扮演用户靠谱，但没想过底层差别这么大 看完报道我就想做个测试 正好有个朋友在做出海产品，面向北美市场的轻量级个人效率工具，想搞清楚定价策略——订阅制、买断制、还是混合模式，哪种更容易让目标用户掏钱 我把同一个选题，分别丢给了 Atypica 和 GPT GPT 那边我用的是最标准的做法，给它详细的 prompt，让它做一份完整的定价策略分析——竞品调研、用户分群、定价建议全都要 Atypica 那边我直接输入同样的研究问题，它自动匹配目标用户 Persona，组了一个 Panel 做深度访谈，还跑了一轮受众盲测验证 结果差距大到我截图发给朋友的时候他以为我在开玩笑 （哈哈哈哈笑死我了… GPT 给的回答： 一份很标准的市场分析报告——竞品价格整理得很清楚，Todoist $7/月、TickTick $3.99/月、Things $49.99 买断、Motion $19-34/月，全都列出来了 结论也中规中矩：建议先用 Free + $39.99/年低价订阅切入，配一个限量 Lifetime $79-99 做早期现金流 听起来没毛病对吧？ 但你仔细想，这些结论你自己花半天做竞品调研也能得出来。它给的是行业共识，不是针对你这个产品、你这群用户的定制化洞察 整份报告里没有一个具体的用户声音，没有人告诉你“我为什么愿意付”或“我为什么犹豫” Atypica 给的回答： 6 个 AI Persona 做了深度访谈，每个人有名字、有职业、有完整的决策逻辑 一个资深开发者说：我拒绝为本该在本地运行的工具支付数字租金，这对我来说就是随时可能断供的负债——他要的是 $49 纯买断 一个 UI 设计师说：$4.99/月这个价格不是在交租，是在为我的心理安宁支付订阅费——但她同时说，价格定太低反而让她不信任这个产品 一个初创 SaaS CEO 说：一次性购入基建，按需支付算力，这才是初创公司该有的现金流管理 6 个人里 5 个选了混合模式，0 个人首选纯订阅——但最关键的是，选同一个模式的理由完全不同 知识工作者接受 AI 订阅是因为它代表工具在持续进化，相当于买了一份生命力保险 团队创始人接受混合模式是因为它契合“基建一次性购入+算力弹性伸缩”的成本管理心智 同一个价格，需要对两类用户讲两个完全不同的故事——这个洞察 GPT 的报告里根本没有 最后 Atypica 的报告里还有一个让我意外的发现：受众盲测显示，如果你把买断价定在 $29，用户不会觉得实惠，反而会质疑“这公司有没有能力长期维护这个产品”——价格太低本身就是一个负面信号 它建议的策略是： $49 买断基础功能 + $9.99/月 AI 订阅作为可选增强层，用“永久拥有核心工具+按需付费 AI 算力”的组合降低信任门槛 这个结论我朋友拿去和他在北美的几个真实用户验证了，反馈高度一致——尤其是“价格太低反而不信任”这个点，好几个人都提到了 整个测试我花了不到 20 分钟 GPT 给你的是“你自己也能查到的行业共识”，Atypica 给你的是“你绝对想不到的用户真实决策逻辑” 这两个东西的价值差了十倍不止，甚至都不是同一个物种，我认为不能混为一谈 如果你也在做产品、做出海、做任何需要理解用户的事，去跑一次就知道区别了：

超级个体｜柿子

16,982 views • 2 months ago

最近我是真杀疯了，利用AI干了我很多平时想干又干不了的事情. 昨晚又睡不着，干到凌晨四点，把额度彻底拉爆了才睡觉，然后一个晚上把上次出的意外彻底恢复，解决了！ 我这个小白最近利用AI具体做了哪些事情呢？我来跟大家分享分享： 1. 我利用Codex做出了二次利用展台平台（我自己把它定义为美国会展届的咸鱼网😂），我希望这个将来能成为我的一个副业，这个副业将有助于提升我们自己的接单量，同时也会有助于第一批所有认识我的同行们，大家都可以利用我的这个平台去赚钱，目前还在完善： 2. 我利用AI，设计了一个定期发送的客户邮件开发系统，AI真的是无所不能，很多我之前了解不到的工具现在我都知道了，这就等于什么呢，一个销售加了外挂后，能力翻倍，以后也可以不用担心分身乏术了，相当于多了几个业务员，它可以每天帮你发邮件，帮你通过Linkdin 或者Facebook 以及Instagram 去深度挖人，找到那个你想对接的人（目前我还没做到这么多，还在做群发邮件第一步） 3. 因为张同志总说AI还没办法做到自动报价系统，而这个问题困恼我很久，我必须解决，所以，这几天我不再听他等他了，我让AI帮助我，其实之前我就有这个想法，我喂给了Chatgpt 至少50多个报价案例，但是每次测试出来的结果都是不尽人意，最近我换Claude ,我才喂给它5-6个案例，然后测试居然正确率达到了80%，我就继续喂，昨天很惊喜到了90%，接下来我会继续喂，以后我每对外报价一个案子我就喂给他，当它拥有了很多细节数据后，我相信他能达到95%至少，那就够了. 已经比我自己的大概预估要更准确了. 我还教它帮我去查大会费用，不需要我每次费很大劲去查，会极大的缩短时间提高效率； 4. 像这种利用Netlify做出临时宣传海报网站并上线是分分钟的事情，我就是从完全不知道，就昨天有这个设想，告诉AI后，一个小时就研究出来了. ，这是个样板， 它的好处是什么呢？就是当你想去开发某一个展会客户的时候，你可以为这个展会定制一个海报宣传页，把你历年来做过这个展会的案例，你的优势都列出来，这样针对性的推广比起一个固定的官网应付所有不同行业客户要吸引多了. 5. 接下来，我还会继续搞紧急打印网站，展会人才网站以及公司官网，想做的事情太多了，慢慢来. 我把话放在这里，张同志要是继续这么不思进取，电脑方面迟早也会被我反超，他会丧失更多话语权的，哈哈😂
3:49

最近我是真杀疯了，利用AI干了我很多平时想干又干不了的事情. 昨晚又睡不着，干到凌晨四点，把额度彻底拉爆了才睡觉，然后一个晚上把上次出的意外彻底恢复，解决了！ 我这个小白最近利用AI具体做了哪些事情呢？我来跟大家分享分享： 1. 我利用Codex做出了二次利用展台平台（我自己把它定义为美国会展届的咸鱼网😂），我希望这个将来能成为我的一个副业，这个副业将有助于提升我们自己的接单量，同时也会有助于第一批所有认识我的同行们，大家都可以利用我的这个平台去赚钱，目前还在完善： 2. 我利用AI，设计了一个定期发送的客户邮件开发系统，AI真的是无所不能，很多我之前了解不到的工具现在我都知道了，这就等于什么呢，一个销售加了外挂后，能力翻倍，以后也可以不用担心分身乏术了，相当于多了几个业务员，它可以每天帮你发邮件，帮你通过Linkdin 或者Facebook 以及Instagram 去深度挖人，找到那个你想对接的人（目前我还没做到这么多，还在做群发邮件第一步） 3. 因为张同志总说AI还没办法做到自动报价系统，而这个问题困恼我很久，我必须解决，所以，这几天我不再听他等他了，我让AI帮助我，其实之前我就有这个想法，我喂给了Chatgpt 至少50多个报价案例，但是每次测试出来的结果都是不尽人意，最近我换Claude ,我才喂给它5-6个案例，然后测试居然正确率达到了80%，我就继续喂，昨天很惊喜到了90%，接下来我会继续喂，以后我每对外报价一个案子我就喂给他，当它拥有了很多细节数据后，我相信他能达到95%至少，那就够了. 已经比我自己的大概预估要更准确了. 我还教它帮我去查大会费用，不需要我每次费很大劲去查，会极大的缩短时间提高效率； 4. 像这种利用Netlify做出临时宣传海报网站并上线是分分钟的事情，我就是从完全不知道，就昨天有这个设想，告诉AI后，一个小时就研究出来了. ，这是个样板， 它的好处是什么呢？就是当你想去开发某一个展会客户的时候，你可以为这个展会定制一个海报宣传页，把你历年来做过这个展会的案例，你的优势都列出来，这样针对性的推广比起一个固定的官网应付所有不同行业客户要吸引多了. 5. 接下来，我还会继续搞紧急打印网站，展会人才网站以及公司官网，想做的事情太多了，慢慢来. 我把话放在这里，张同志要是继续这么不思进取，电脑方面迟早也会被我反超，他会丧失更多话语权的，哈哈😂

Daisy

19,799 views • 3 months ago

🔥 AI 任务终于看得见了！Flowtrace 把复杂工作变成可视 Trace：一步步走、每步可查、可追溯、可复用、还能持续进化！ 我每天用 Claude、Cursor 干活：写报告、研究股票、做方案、优化简历…… 用得越多越崩溃： - 今天花几个小时跟 AI 聊出来的东西，明天想再用一次，又得从头重新说一遍 - AI 给的答案看起来很专业，但我根本不知道它哪来的依据，靠不靠谱心里没底 - 好不容易调教出一个好 Prompt，下次就作废了，全是沉没成本 - 改一个想法，整个对话就乱套，得全部重来 - 领导问“你这个结论怎么来的？”我只能尴尬地说……AI 说的 真的太没有安全感了，用完就忘，越用越焦虑。 直到我刷到 Flowtrace 这个开源项目，它直接解决了我这些痛点。 现在我做事情时，AI 不再是扔个 prompt 吐一大堆看不懂的黑箱内容，而是： - 整个过程一步一步清清楚楚，我全程看得见 - 每一步都有单独的文件，想查哪步就点哪步，依据一目了然 - 做完一次以后，下次直接复用，改改输入就能出新结果 - 只想改哪里，就只重新跑哪里，不用全部重来 - 做完之后心里特别踏实，因为每一步都有痕迹、有证据 最打动我的是：AI 终于不再是一次性聊天工具，而是变成了我真正能掌控、能重复使用、越用越强的个人助手。 现在做股票分析、写周报、准备方案，都会用它跑一遍，心里安心多了，不再担心“明天又得重来”。 作为一个普通人，我完全不需要懂技术。 把仓库丢给 AI，说一句“帮我安装并跑 tailored-resume 示例”就能立刻上手。 项目自带 9 个现成例子，普通用户也能马上感受到巨大差别： - 股票投资决策：完整研究报告 + 图表 + 依据，最后生成可引用 PDF - SaaS 尽职调查：多维度分析，每一步证据链完整 - 定制简历生成：一步步优化，轻松复用 - 行业深度报告、Bug 修复循环、周报、广告优化…… - 甚至能把别人的 Skill / Chat Log 直接转成 Trace！ 如果你也和我一样，天天靠 AI 干正事，却总觉得不踏实、怕沉没成本，真的强烈推荐你去试试！
0:47

🔥 AI 任务终于看得见了！Flowtrace 把复杂工作变成可视 Trace：一步步走、每步可查、可追溯、可复用、还能持续进化！ 我每天用 Claude、Cursor 干活：写报告、研究股票、做方案、优化简历…… 用得越多越崩溃： - 今天花几个小时跟 AI 聊出来的东西，明天想再用一次，又得从头重新说一遍 - AI 给的答案看起来很专业，但我根本不知道它哪来的依据，靠不靠谱心里没底 - 好不容易调教出一个好 Prompt，下次就作废了，全是沉没成本 - 改一个想法，整个对话就乱套，得全部重来 - 领导问“你这个结论怎么来的？”我只能尴尬地说……AI 说的 真的太没有安全感了，用完就忘，越用越焦虑。 直到我刷到 Flowtrace 这个开源项目，它直接解决了我这些痛点。 现在我做事情时，AI 不再是扔个 prompt 吐一大堆看不懂的黑箱内容，而是： - 整个过程一步一步清清楚楚，我全程看得见 - 每一步都有单独的文件，想查哪步就点哪步，依据一目了然 - 做完一次以后，下次直接复用，改改输入就能出新结果 - 只想改哪里，就只重新跑哪里，不用全部重来 - 做完之后心里特别踏实，因为每一步都有痕迹、有证据 最打动我的是：AI 终于不再是一次性聊天工具，而是变成了我真正能掌控、能重复使用、越用越强的个人助手。 现在做股票分析、写周报、准备方案，都会用它跑一遍，心里安心多了，不再担心“明天又得重来”。 作为一个普通人，我完全不需要懂技术。 把仓库丢给 AI，说一句“帮我安装并跑 tailored-resume 示例”就能立刻上手。 项目自带 9 个现成例子，普通用户也能马上感受到巨大差别： - 股票投资决策：完整研究报告 + 图表 + 依据，最后生成可引用 PDF - SaaS 尽职调查：多维度分析，每一步证据链完整 - 定制简历生成：一步步优化，轻松复用 - 行业深度报告、Bug 修复循环、周报、广告优化…… - 甚至能把别人的 Skill / Chat Log 直接转成 Trace！ 如果你也和我一样，天天靠 AI 干正事，却总觉得不踏实、怕沉没成本，真的强烈推荐你去试试！

开发者Hailey

13,621 views • 3 months ago

做 AI 产品，最怕的不是没人需要。 而是你花了几个月做出来，才发现：用户的问题是真的，但市场上早就有了更好的答案。 最近我想做一个 AI 视频类产品，看到的抱怨不少： 生成反复烧积分，角色换个镜头就变脸，两个片段单看都不错，拼起来却处处穿帮。 每一条都像机会。但我不敢直接开干。 有人抱怨，不等于还有机会做一个新产品。 所以这次，我用 AIsa 做了两轮调研：先查 Runway、Kling、Veo、Pika、CapCut 的用户反复在抱怨什么， 再追问一个更重要的问题： 这些问题，谁已经在解决了？为什么用户还在抱怨？ 整个过程分两轮。 第一轮，找问题： 反复生成烧积分、角色换个镜头就变脸、素材来回搬、任务卡住后只能重来…… 第二轮，查供给： 有哪些产品在解决？用户觉得好不好用？已经挤满竞争者，还是仍有缺口？ 最后AIsa输出了两份 HTML 报告，并把需求分成三类： ① 已有成熟方案 ② 需求存在，但竞争很强 ③ 仍缺好方案，值得继续验证
2:30

做 AI 产品，最怕的不是没人需要。 而是你花了几个月做出来，才发现：用户的问题是真的，但市场上早就有了更好的答案。 最近我想做一个 AI 视频类产品，看到的抱怨不少： 生成反复烧积分，角色换个镜头就变脸，两个片段单看都不错，拼起来却处处穿帮。 每一条都像机会。但我不敢直接开干。 有人抱怨，不等于还有机会做一个新产品。 所以这次，我用 AIsa 做了两轮调研：先查 Runway、Kling、Veo、Pika、CapCut 的用户反复在抱怨什么， 再追问一个更重要的问题： 这些问题，谁已经在解决了？为什么用户还在抱怨？ 整个过程分两轮。 第一轮，找问题： 反复生成烧积分、角色换个镜头就变脸、素材来回搬、任务卡住后只能重来…… 第二轮，查供给： 有哪些产品在解决？用户觉得好不好用？已经挤满竞争者，还是仍有缺口？ 最后AIsa输出了两份 HTML 报告，并把需求分成三类： ① 已有成熟方案 ② 需求存在，但竞争很强 ③ 仍缺好方案，值得继续验证

我真的没有拼多多

22,790 views • 10 days ago

最近陶哲轩在 2024 年第 65 届国际数学奥林匹克上，陶哲轩做了一次 AI 和数学的演讲，非常精彩，从数学使用计算计算机的历史开始讲起，一直讲到大语言模型，干货相当多，尤其适合对数学有兴趣的同学。 （对数学没那么感兴趣的同学只想看 AI 部分的建议直接跳到 41 分的位置开始观看） 先摘录几个冷知识： 1. 我们使用机器做数学计算已经有数千年，最早的机器辅助计算可能是罗马人，然后是中国的算盘 2. 二战时就有人肉“计算机”，计算弹道和其他任务，多位女孩子，因为男士们在打仗，所以那时候的计算基本单位不是GPU，而是kilogirl-hour——“千名女孩工作一小时的计算量” 3. 现在，数学家们使用一种现代化的证明辅助编程语言，叫做 Lean。在 Lean 中有一个核心的数学库，通过众包的方式开发的，本科数学课程中看到的内容，比如微积分基础、群论基础或者拓扑学等等，这些都已经被形式化了，所以你不用从公理开始。 4. 现在数学领域有一种团队协作证明复杂数学定理的工作流程，那就是先编写一个称为“蓝图”的详细证明计划，将整个证明分解为数百个小步骤。每个步骤可以单独形式化，然后再将它们整合在一起，这样你就可以将一个庞大的论证分解成许多小块。先编写这个蓝图，然后团队中的其他人可以对论据的不同步骤的不同部分进行形式化。 去年，陶哲轩和几位同事一起解决了一个组合数学问题。这是一个组合学的问题。大约20人在短短三周内完成了，使用了蓝图工具，参与的人中有概率论专家，甚至还有一些并非数学家的人，他们是程序员，但在解决这些小型拼图问题上非常擅长。每个人都挑选了一个觉得自己能做的小任务，并完成了它。 在数学领域，通常很难这么多人一起合作，一般最多可能五个人合作。因为在大项目上合作时，你必须相信每个人的数学都是正确的。但是，一旦超过一定规模，这就无法实现了。但现在借助 Lean 编译器，它能自动检查。团队成员无法上传任何编译不通过的内容，会被拒绝。因此，你可以与一些从未见过的人合作。 最后是讲大语言模型，首先陶哲轩就打脸了 GPT-4 的论文（我猜是微软那篇《GPT-4，通用人工智能的火花》），论文中号称 GPT-4 能解决国际数学奥林匹克问题，但实际上，这个问题不是 2022 年国际奥数竞赛的原始问题，而是一个简化版本，并且他们测试了几百道国际奥数竞赛问题，成功率只有1%，论文里的这个是精心挑选的恰巧能做对的。 并且陶哲轩提到了基于大语言模型的一些改进的方案： 比如 CoT（Chain of Thought），也就是 LLM 做简单的算术运算都做不对，但是如果让它一步步解释，可能就对了。还可以教 AI 一些解题技巧，比如尝试简单的例子，反证法，尝试逐步证明等。 比如让模型和编程语言或者工具连接，将大语言的输出结果交给 Wolfram 这样的专业数学工具或者 Python 这样的编程语言验证，并且迭代的进行修正和验证，直到得到正确的结果，这可以提升大语言模型生成的效果。 即使借助这些手段，大语言模型还远远不能解决大多数数学问题，更不用说数学研究问题了！ 当然陶哲轩也没太过打击大家对于 AI 的信心，表示我们在 AI 上还是在不断的取得进展，还提到了他日常是怎么用 AI 的，比如说把 AI 当成灵感之源。 > 我曾遇到过一个问题，我尝试了几种方法，但都无法解决。于是，我尝试询问 GPT，你建议我使用什么其他方法来解决这个问题？GPT 给我提供了 10 种可能的方法，其中有 5 种我已经尝试过，或者明显没有帮助。的确，有几种方法并不实用。但其中有一种我还没尝试过的方法，那就是针对这个问题使用生成函数。当 GPT 建议我使用这种方法时，我意识到这就是我漏掉的正确方法。所以，将 GPT 视为一个交流伙伴，它确实具有一定的用处。 还有使用 GitHub Copilot 帮他写代码，让它自动生成下一步的证明结果，Copilot 的智能提示有 20% 的概率能生成正确的下一步结果。 > 例如我使用的一个叫 GitHub Copilot 的工具，你只需要写下一半的证明，它就会尝试猜测接下来的内容。大概有 20% 的情况下，它能猜到接近正确的答案。然后你就可以说，我接受这个答案。好的，那么在这种情况下，我正在试图证明这个陈述。灰色的部分是 Copilot 给出的建议。结果发现第一行完全没用。不过第二行，尽管你可能看不清楚，却真的解决了这个问题。所以，你不能盲目接受它的输入，因为这些代码未必能顺利编译。但如果你对代码的运作方式已经有所了解，这将大大节省你的时间。这些工具正在变得越来越好。现在如果一个证明只需要一两行，它们就能自动完成。现在已经有了这样的实验，即通过迭代地让 AI 提供证明，然后让编译器进行反馈，如果编译出错，就把错误信息反馈给 AI。通过这种方法，我们开始能够验证四五步长的证明。当然，一个大型的证明可能需要数万行。所以，我们还没有达到能够立即得到一个正式证明的程度。但是，这已经是一个相当有用的工具。 对于大家关心的问题： AI 在数学领域现在到了哪一个阶段？是否未来几年利用 AI 能直接解决数学问题？ 陶哲轩也给出了他的看法： > 我认为我们还远远没有达到这个阶段。如果我们专注于非常特定的问题，你可以定制专门的 AI 来处理一小部分问题。即便如此，它们也不是完全可靠的，但还是有用的。不过至少在接下来的几年里，它们基本上将是非常有用的辅助工具，超越了我们已经熟悉的暴力计算辅助。 他还提到了一些可能的 AI 能在数学领域提供帮助的方向： - AI 能够非常好地生成有价值的猜想 > 比如，我们已经看到了关于结理论的例子，它们已经可以推测出两个不同的统计量之间的关系。因此，我们希望能够创建大量的数据集，输入到 AI 中，它们就会自动找出各种不同的数学对象之间的有趣联系。虽然我们还不知道如何做到这一点，部分原因是我们没有这些庞大的数据集。但我认为这是未来可能实现的一个方向。 - 批量或者说规模化的证明大量数学定理 > 现在，因为证明定理是如此繁琐和艰难的过程，我们一次只能证明一个定理，如果你效率很高，可能一次能证明两三个。但是有了 AI，你可以设想一下未来的情况，我们不是试图解决一个问题，而是处理一类类似的1000个问题，然后告诉AI，尝试用这个方法解决这 1000 个问题，然后报告结果，哦，我能用这种技术解决 35% 的问题。那么另一种技术呢？我能解决这个百分比的问题。或者如果结合这些方法，又能解决多少问题？你可以开始探索问题的空间，而不是一个接一个地解决问题。这是你现在根本无法做到的事情，或者是你需要几十年时间，通过数十篇论文慢慢搞清楚各种技术能做什么，不能做什么。但是有了这些工具，你真的可以开始做规模前所未有的数学研究。所以，未来将会非常令人兴奋。 演讲环节结束前的最后一句话说的特别好： > 我们仍然会以传统方式证明定理。事实上，我们必须这样做，因为如果我们自己都不知道如何做这些事情，就无法引导这些 AI。但是我们将能够做很多现在无法做到的事情。 这恰恰也是我们现在使用 AI 辅助编程的问题：如果我们自己都不知道如何构建软件，就很难引导好 AI 帮助我们生成高质量的代码。 尽管 AI 在数学和编程领域变得越来越有用，但人类的洞察力和创造力仍然是创作价值的关键。 原始 YT 视频：
57:23

最近陶哲轩在 2024 年第 65 届国际数学奥林匹克上，陶哲轩做了一次 AI 和数学的演讲，非常精彩，从数学使用计算计算机的历史开始讲起，一直讲到大语言模型，干货相当多，尤其适合对数学有兴趣的同学。 （对数学没那么感兴趣的同学只想看 AI 部分的建议直接跳到 41 分的位置开始观看） 先摘录几个冷知识： 1. 我们使用机器做数学计算已经有数千年，最早的机器辅助计算可能是罗马人，然后是中国的算盘 2. 二战时就有人肉“计算机”，计算弹道和其他任务，多位女孩子，因为男士们在打仗，所以那时候的计算基本单位不是GPU，而是kilogirl-hour——“千名女孩工作一小时的计算量” 3. 现在，数学家们使用一种现代化的证明辅助编程语言，叫做 Lean。在 Lean 中有一个核心的数学库，通过众包的方式开发的，本科数学课程中看到的内容，比如微积分基础、群论基础或者拓扑学等等，这些都已经被形式化了，所以你不用从公理开始。 4. 现在数学领域有一种团队协作证明复杂数学定理的工作流程，那就是先编写一个称为“蓝图”的详细证明计划，将整个证明分解为数百个小步骤。每个步骤可以单独形式化，然后再将它们整合在一起，这样你就可以将一个庞大的论证分解成许多小块。先编写这个蓝图，然后团队中的其他人可以对论据的不同步骤的不同部分进行形式化。 去年，陶哲轩和几位同事一起解决了一个组合数学问题。这是一个组合学的问题。大约20人在短短三周内完成了，使用了蓝图工具，参与的人中有概率论专家，甚至还有一些并非数学家的人，他们是程序员，但在解决这些小型拼图问题上非常擅长。每个人都挑选了一个觉得自己能做的小任务，并完成了它。 在数学领域，通常很难这么多人一起合作，一般最多可能五个人合作。因为在大项目上合作时，你必须相信每个人的数学都是正确的。但是，一旦超过一定规模，这就无法实现了。但现在借助 Lean 编译器，它能自动检查。团队成员无法上传任何编译不通过的内容，会被拒绝。因此，你可以与一些从未见过的人合作。 最后是讲大语言模型，首先陶哲轩就打脸了 GPT-4 的论文（我猜是微软那篇《GPT-4，通用人工智能的火花》），论文中号称 GPT-4 能解决国际数学奥林匹克问题，但实际上，这个问题不是 2022 年国际奥数竞赛的原始问题，而是一个简化版本，并且他们测试了几百道国际奥数竞赛问题，成功率只有1%，论文里的这个是精心挑选的恰巧能做对的。 并且陶哲轩提到了基于大语言模型的一些改进的方案： 比如 CoT（Chain of Thought），也就是 LLM 做简单的算术运算都做不对，但是如果让它一步步解释，可能就对了。还可以教 AI 一些解题技巧，比如尝试简单的例子，反证法，尝试逐步证明等。 比如让模型和编程语言或者工具连接，将大语言的输出结果交给 Wolfram 这样的专业数学工具或者 Python 这样的编程语言验证，并且迭代的进行修正和验证，直到得到正确的结果，这可以提升大语言模型生成的效果。 即使借助这些手段，大语言模型还远远不能解决大多数数学问题，更不用说数学研究问题了！ 当然陶哲轩也没太过打击大家对于 AI 的信心，表示我们在 AI 上还是在不断的取得进展，还提到了他日常是怎么用 AI 的，比如说把 AI 当成灵感之源。 > 我曾遇到过一个问题，我尝试了几种方法，但都无法解决。于是，我尝试询问 GPT，你建议我使用什么其他方法来解决这个问题？GPT 给我提供了 10 种可能的方法，其中有 5 种我已经尝试过，或者明显没有帮助。的确，有几种方法并不实用。但其中有一种我还没尝试过的方法，那就是针对这个问题使用生成函数。当 GPT 建议我使用这种方法时，我意识到这就是我漏掉的正确方法。所以，将 GPT 视为一个交流伙伴，它确实具有一定的用处。 还有使用 GitHub Copilot 帮他写代码，让它自动生成下一步的证明结果，Copilot 的智能提示有 20% 的概率能生成正确的下一步结果。 > 例如我使用的一个叫 GitHub Copilot 的工具，你只需要写下一半的证明，它就会尝试猜测接下来的内容。大概有 20% 的情况下，它能猜到接近正确的答案。然后你就可以说，我接受这个答案。好的，那么在这种情况下，我正在试图证明这个陈述。灰色的部分是 Copilot 给出的建议。结果发现第一行完全没用。不过第二行，尽管你可能看不清楚，却真的解决了这个问题。所以，你不能盲目接受它的输入，因为这些代码未必能顺利编译。但如果你对代码的运作方式已经有所了解，这将大大节省你的时间。这些工具正在变得越来越好。现在如果一个证明只需要一两行，它们就能自动完成。现在已经有了这样的实验，即通过迭代地让 AI 提供证明，然后让编译器进行反馈，如果编译出错，就把错误信息反馈给 AI。通过这种方法，我们开始能够验证四五步长的证明。当然，一个大型的证明可能需要数万行。所以，我们还没有达到能够立即得到一个正式证明的程度。但是，这已经是一个相当有用的工具。 对于大家关心的问题： AI 在数学领域现在到了哪一个阶段？是否未来几年利用 AI 能直接解决数学问题？ 陶哲轩也给出了他的看法： > 我认为我们还远远没有达到这个阶段。如果我们专注于非常特定的问题，你可以定制专门的 AI 来处理一小部分问题。即便如此，它们也不是完全可靠的，但还是有用的。不过至少在接下来的几年里，它们基本上将是非常有用的辅助工具，超越了我们已经熟悉的暴力计算辅助。 他还提到了一些可能的 AI 能在数学领域提供帮助的方向： - AI 能够非常好地生成有价值的猜想 > 比如，我们已经看到了关于结理论的例子，它们已经可以推测出两个不同的统计量之间的关系。因此，我们希望能够创建大量的数据集，输入到 AI 中，它们就会自动找出各种不同的数学对象之间的有趣联系。虽然我们还不知道如何做到这一点，部分原因是我们没有这些庞大的数据集。但我认为这是未来可能实现的一个方向。 - 批量或者说规模化的证明大量数学定理 > 现在，因为证明定理是如此繁琐和艰难的过程，我们一次只能证明一个定理，如果你效率很高，可能一次能证明两三个。但是有了 AI，你可以设想一下未来的情况，我们不是试图解决一个问题，而是处理一类类似的1000个问题，然后告诉AI，尝试用这个方法解决这 1000 个问题，然后报告结果，哦，我能用这种技术解决 35% 的问题。那么另一种技术呢？我能解决这个百分比的问题。或者如果结合这些方法，又能解决多少问题？你可以开始探索问题的空间，而不是一个接一个地解决问题。这是你现在根本无法做到的事情，或者是你需要几十年时间，通过数十篇论文慢慢搞清楚各种技术能做什么，不能做什么。但是有了这些工具，你真的可以开始做规模前所未有的数学研究。所以，未来将会非常令人兴奋。 演讲环节结束前的最后一句话说的特别好： > 我们仍然会以传统方式证明定理。事实上，我们必须这样做，因为如果我们自己都不知道如何做这些事情，就无法引导这些 AI。但是我们将能够做很多现在无法做到的事情。 这恰恰也是我们现在使用 AI 辅助编程的问题：如果我们自己都不知道如何构建软件，就很难引导好 AI 帮助我们生成高质量的代码。 尽管 AI 在数学和编程领域变得越来越有用，但人类的洞察力和创造力仍然是创作价值的关键。 原始 YT 视频：

宝玉

304,128 views • 2 years ago

如何教我54岁的老爸Vibe Coding，做出20+产品，变现百万？ 翻出了之前4月份采访我老爸的视频。第一次让他尝试用 AI 写代码时，他的反应是：“不可能，真不可能。” 几个月后，他每天早上 5 点开始写，一直写到晚上 11 点，陆续做出了接近 20 个产品。其中有拍照识别食物热量的小程序、健康档案管理工具、电子签章软件，甚至还有卖化肥的产品。有的产品已经有几千名用户，电子签章软件也上架了华为云和阿里云。 他还很兴奋地告诉我：“我现在像一个二十多岁的小伙子，我还能写代码，我完全是一个全栈工程师。” 这次采访，我从他身上看到了普通人使用 AI 最重要的 7 件事： 1. 真正的起点不是学习技术，而是解决一个真实问题 他最初想做一个小程序，找外包询价，对方报价 10 万—20 万。我建议他先用 Cursor 和 Claude Code 自己试试。 他完全不相信，最后是被我拉进视频会议，手把手“逼着”打开电脑。 2. 第一个项目一定要足够小，小到你可以马上开始 他的第一个任务只是：写一个程序，找出 100 以内的质数。 3 分钟后，AI 不仅写出了算法，还做出了一个像样的界面。 这一刻直接打穿了他的认知：原来不会写代码的人，也可以把脑中的想法变成真正能运行的产品。 3. AI 最大的价值，是把反馈周期从几天缩短到几分钟 过去找外包，一个需求要等两三天，甚至一个星期，反馈回来的结果还可能不是自己想要的，只能继续沟通、继续返工。 现在他把修改要求告诉 AI，一到两分钟就能看到结果。不对，就继续解释，再迭代一次。 这种反馈速度，彻底改变了他做产品的方式。 4. 把 AI 当员工，但前提是你必须把需求讲清楚 我以前用 AI 时，经常只会说“这里不对”，甚至对它发脾气，却没有告诉它我真正想要什么。 爸爸反而更会“管理 AI”：目标是什么、想得到什么结果、哪里需要修改，他都会明确表达。 如果自己都没想清楚需求，却要求 AI 猜中答案，它当然很难把事情做好。 5. 产品灵感不在宏大的趋势里，而在身边没有被解决的小问题里 他会观察某个行业有没有痛点，也会听朋友们有哪些一直没能实现的想法。 体检报告几年后找不到，于是做健康档案管理工具；报价文件打印、盖章、扫描太麻烦，于是做电子签章；有人有其他行业需求，他就尝试用 AI 做出来。 不是先掌握所有技术，再寻找可以做的产品；而是先找到具体问题，然后边做边学。 6. 工具和模型的差异，只有真正做项目后才会理解 他的经验是：Claude Code 更擅长架构和复杂功能，Cursor 在界面和日常开发上也很好用，成本相对更低。 但这些认识并不是看书看来的，而是在一次次实际开发、换模型、改提示和调试中积累出来的。 7. 小白学习 AI 最快的方法只有一个：必须动手 一开始，他也说：“我这个年代了，我怎么学？你不要骗我了。” 真正做起来以后，他却觉得自己像重新回到了二十多岁。 我们总在说“我要学 AI”，但真正开始动手的人并不多。AI 不只是让专业人士变得更快，它正在让普通人第一次拥有独立做产品的能力。 54 岁不是太晚，不会写代码也不是门槛。 真正的门槛，是你愿不愿意从一个真实的小问题开始，今天就动手。
7:51

如何教我54岁的老爸Vibe Coding，做出20+产品，变现百万？ 翻出了之前4月份采访我老爸的视频。第一次让他尝试用 AI 写代码时，他的反应是：“不可能，真不可能。” 几个月后，他每天早上 5 点开始写，一直写到晚上 11 点，陆续做出了接近 20 个产品。其中有拍照识别食物热量的小程序、健康档案管理工具、电子签章软件，甚至还有卖化肥的产品。有的产品已经有几千名用户，电子签章软件也上架了华为云和阿里云。 他还很兴奋地告诉我：“我现在像一个二十多岁的小伙子，我还能写代码，我完全是一个全栈工程师。” 这次采访，我从他身上看到了普通人使用 AI 最重要的 7 件事： 1. 真正的起点不是学习技术，而是解决一个真实问题 他最初想做一个小程序，找外包询价，对方报价 10 万—20 万。我建议他先用 Cursor 和 Claude Code 自己试试。 他完全不相信，最后是被我拉进视频会议，手把手“逼着”打开电脑。 2. 第一个项目一定要足够小，小到你可以马上开始 他的第一个任务只是：写一个程序，找出 100 以内的质数。 3 分钟后，AI 不仅写出了算法，还做出了一个像样的界面。 这一刻直接打穿了他的认知：原来不会写代码的人，也可以把脑中的想法变成真正能运行的产品。 3. AI 最大的价值，是把反馈周期从几天缩短到几分钟 过去找外包，一个需求要等两三天，甚至一个星期，反馈回来的结果还可能不是自己想要的，只能继续沟通、继续返工。 现在他把修改要求告诉 AI，一到两分钟就能看到结果。不对，就继续解释，再迭代一次。 这种反馈速度，彻底改变了他做产品的方式。 4. 把 AI 当员工，但前提是你必须把需求讲清楚 我以前用 AI 时，经常只会说“这里不对”，甚至对它发脾气，却没有告诉它我真正想要什么。 爸爸反而更会“管理 AI”：目标是什么、想得到什么结果、哪里需要修改，他都会明确表达。 如果自己都没想清楚需求，却要求 AI 猜中答案，它当然很难把事情做好。 5. 产品灵感不在宏大的趋势里，而在身边没有被解决的小问题里 他会观察某个行业有没有痛点，也会听朋友们有哪些一直没能实现的想法。 体检报告几年后找不到，于是做健康档案管理工具；报价文件打印、盖章、扫描太麻烦，于是做电子签章；有人有其他行业需求，他就尝试用 AI 做出来。 不是先掌握所有技术，再寻找可以做的产品；而是先找到具体问题，然后边做边学。 6. 工具和模型的差异，只有真正做项目后才会理解 他的经验是：Claude Code 更擅长架构和复杂功能，Cursor 在界面和日常开发上也很好用，成本相对更低。 但这些认识并不是看书看来的，而是在一次次实际开发、换模型、改提示和调试中积累出来的。 7. 小白学习 AI 最快的方法只有一个：必须动手 一开始，他也说：“我这个年代了，我怎么学？你不要骗我了。” 真正做起来以后，他却觉得自己像重新回到了二十多岁。 我们总在说“我要学 AI”，但真正开始动手的人并不多。AI 不只是让专业人士变得更快，它正在让普通人第一次拥有独立做产品的能力。 54 岁不是太晚，不会写代码也不是门槛。 真正的门槛，是你愿不愿意从一个真实的小问题开始，今天就动手。

Vivi Xiao

21,861 views • 1 month ago

我花了几十个小时，用 Claude 做出一个能开车、飞行、打架、闯进室内的开放世界游戏。。。 然后差点干了这个项目里最蠢的一件事： 把几十小时的开发、踩坑和工作流，压成一份 29–68 元的游戏，直接卖给玩家。。。 后来，我把同一个项目拆成 4 种完全不同的生意： 1. 直接卖游戏 2. 卖源码、制作工作流和可二开资产 3. 免费 Demo / 部分开源，用来给社群和咨询引流 4. 给品牌做定制小游戏 再丢给 Atypica atypica.AI 里的 14 个 AI 模拟用户，让不同职业、预算和需求的人分别替我“买”一次。 结果第一轮 5 个人里，4 个人首选第 2 种；第二轮又测了 9 个人，源码和工作流依然排在第一。 理由很扎心： 买游戏，他们会直接拿我和成熟商业游戏比较； 买源码和工作流，他们买的是少踩几周坑，拿到一套能运行、能修改、能二开的东西。 同一个项目： 游戏本体，模拟用户愿意讨论的是 29–68 元； 换成源码、工作流和资产包，变成 299–699 元； 如果做 B 端品牌定制，测试报价直接从 5,000 元起。 我以为自己在做游戏，结果这个项目里真正值钱的，可能是造游戏的“铲子”。 我原本打开 Atypica atypica.AI，只想问：“这个游戏应该卖多少钱？” 它最后逼我重新回答的却是： “我真正该卖的，到底是游戏、源码、工作流，还是做出下一款游戏的能力？” 我最推荐 Atypica atypica.AI 的一点，不是它能生成一份报告，而是这些模拟用户不会在调研结束后消失，会沉淀成一支可以反复调用的 Panel。 这次测卖什么，下次还能继续测价格、文案、渠道和海外市场。相当于给每个一人公司配了一支常驻焦点小组。 这不只适用于游戏。App、独立站商品、课程、社群、咨询或任何 AI 产品，都可以在真正投入时间和钱之前，先让一批模拟用户替你“买”一次。 模拟研究不是实际成交，也代替不了真实市场验证。 但它至少能在你埋头干几个月之前先告诉你： 你可能从一开始，就卖错了东西。 免费体验链接，注册即送10000积分👉：
0:48

我花了几十个小时，用 Claude 做出一个能开车、飞行、打架、闯进室内的开放世界游戏。。。 然后差点干了这个项目里最蠢的一件事： 把几十小时的开发、踩坑和工作流，压成一份 29–68 元的游戏，直接卖给玩家。。。 后来，我把同一个项目拆成 4 种完全不同的生意： 1. 直接卖游戏 2. 卖源码、制作工作流和可二开资产 3. 免费 Demo / 部分开源，用来给社群和咨询引流 4. 给品牌做定制小游戏 再丢给 Atypica atypica.AI 里的 14 个 AI 模拟用户，让不同职业、预算和需求的人分别替我“买”一次。 结果第一轮 5 个人里，4 个人首选第 2 种；第二轮又测了 9 个人，源码和工作流依然排在第一。 理由很扎心： 买游戏，他们会直接拿我和成熟商业游戏比较； 买源码和工作流，他们买的是少踩几周坑，拿到一套能运行、能修改、能二开的东西。 同一个项目： 游戏本体，模拟用户愿意讨论的是 29–68 元； 换成源码、工作流和资产包，变成 299–699 元； 如果做 B 端品牌定制，测试报价直接从 5,000 元起。 我以为自己在做游戏，结果这个项目里真正值钱的，可能是造游戏的“铲子”。 我原本打开 Atypica atypica.AI，只想问：“这个游戏应该卖多少钱？” 它最后逼我重新回答的却是： “我真正该卖的，到底是游戏、源码、工作流，还是做出下一款游戏的能力？” 我最推荐 Atypica atypica.AI 的一点，不是它能生成一份报告，而是这些模拟用户不会在调研结束后消失，会沉淀成一支可以反复调用的 Panel。 这次测卖什么，下次还能继续测价格、文案、渠道和海外市场。相当于给每个一人公司配了一支常驻焦点小组。 这不只适用于游戏。App、独立站商品、课程、社群、咨询或任何 AI 产品，都可以在真正投入时间和钱之前，先让一批模拟用户替你“买”一次。 模拟研究不是实际成交，也代替不了真实市场验证。 但它至少能在你埋头干几个月之前先告诉你： 你可能从一开始，就卖错了东西。 免费体验链接，注册即送10000积分👉：

Rion Wu

15,610 views • 2 months ago

Altman 现在想投一种过去会被硅谷嘲笑的人。 这种人以前叫“点子人”。 嘴上说自己有一个绝妙创意。 又不肯讲清楚是什么。 只说需要一个程序员把它做出来。 然后公司就能起飞。 Altman 说，当年大家会笑这种人。 因为他们大多做不成。 他自己也烦这个逻辑。 这就像有人说：我有一首神曲的点子，只差一个会弹吉他的人帮我做出来。 妙吧？ 硅谷最看不起的角色，突然等来了复仇时刻。 Altman 原话里用了一个词：revenge of the idea guys。 点子人的复仇。 过去很长时间，YC 和整个创业圈筛创始团队，最看重的是技术能力。 谁能写代码，谁能搭系统，谁能把想法变成产品。 技术人才依然重要。 但权重变了。 Altman 现在说，那些完全不会写代码，却真正理解用户的人，他想投。 这句话的变化不在“不会代码也行”。 真正的变化在于，创业的第一门槛正在从“你会不会造”，挪向“你知不知道该给谁造”。 以前点子人最大的问题，是把工程师当外包吉他手。 现在能被重新估值的点子人，必须把用户理解到骨头里。 知道痛点在哪里，知道谁愿意付钱，知道产品第一秒该解决什么。 AI 和工具链把一部分技术门槛压低之后，人的优势开始换地方。 会写代码的人仍然值钱。 但只会写代码、却不懂用户的人，反而会越来越像拿着高级乐器却找不到旋律的人。 硅谷这轮转向真正刺痛人的地方在这里。 过去“我有个点子”不值钱。 现在“我知道用户为什么痛”开始值钱。 创业桌上的筹码，正在从代码能力扩展到用户洞察。
1:04

Altman 现在想投一种过去会被硅谷嘲笑的人。 这种人以前叫“点子人”。 嘴上说自己有一个绝妙创意。 又不肯讲清楚是什么。 只说需要一个程序员把它做出来。 然后公司就能起飞。 Altman 说，当年大家会笑这种人。 因为他们大多做不成。 他自己也烦这个逻辑。 这就像有人说：我有一首神曲的点子，只差一个会弹吉他的人帮我做出来。 妙吧？ 硅谷最看不起的角色，突然等来了复仇时刻。 Altman 原话里用了一个词：revenge of the idea guys。 点子人的复仇。 过去很长时间，YC 和整个创业圈筛创始团队，最看重的是技术能力。 谁能写代码，谁能搭系统，谁能把想法变成产品。 技术人才依然重要。 但权重变了。 Altman 现在说，那些完全不会写代码，却真正理解用户的人，他想投。 这句话的变化不在“不会代码也行”。 真正的变化在于，创业的第一门槛正在从“你会不会造”，挪向“你知不知道该给谁造”。 以前点子人最大的问题，是把工程师当外包吉他手。 现在能被重新估值的点子人，必须把用户理解到骨头里。 知道痛点在哪里，知道谁愿意付钱，知道产品第一秒该解决什么。 AI 和工具链把一部分技术门槛压低之后，人的优势开始换地方。 会写代码的人仍然值钱。 但只会写代码、却不懂用户的人，反而会越来越像拿着高级乐器却找不到旋律的人。 硅谷这轮转向真正刺痛人的地方在这里。 过去“我有个点子”不值钱。 现在“我知道用户为什么痛”开始值钱。 创业桌上的筹码，正在从代码能力扩展到用户洞察。

墓碑科技

19,109 views • 4 months ago

分享一个低成本验证创业想法的办法：产品还没做，先用 AI 把宣传片拍出来！！ 我一直想要一副能用来 Vibe Coding 的眼镜，但市面上没找到太合适的产品。 这次试了下 Pexo，没想到还真把我脑子里的画面做出来了！！ Pexo 是一款 AI 视频创作工具，可以直接跟它聊天来做视频。我把想法和想要的画面告诉它，看完哪里不满意，就在画面上圈出来，在批注里说清楚怎么改，再继续调整。 不用会 AE，也不用打开剪映。原本只能靠嘴AI视频制作_压缩讲的创业点子，现在有了一条宣传片，可以直接拿给别人看、听听反馈了。 下面的视频里，我不仅会展示这条虚拟产品宣传片，还会手把手带你看，怎么用 Pexo 从一个想法做到成片👇 如果你也想要这样的眼镜，评论告诉我！！ 这次用的工具：Pexo
2:52

分享一个低成本验证创业想法的办法：产品还没做，先用 AI 把宣传片拍出来！！ 我一直想要一副能用来 Vibe Coding 的眼镜，但市面上没找到太合适的产品。 这次试了下 Pexo，没想到还真把我脑子里的画面做出来了！！ Pexo 是一款 AI 视频创作工具，可以直接跟它聊天来做视频。我把想法和想要的画面告诉它，看完哪里不满意，就在画面上圈出来，在批注里说清楚怎么改，再继续调整。 不用会 AE，也不用打开剪映。原本只能靠嘴AI视频制作_压缩讲的创业点子，现在有了一条宣传片，可以直接拿给别人看、听听反馈了。 下面的视频里，我不仅会展示这条虚拟产品宣传片，还会手把手带你看，怎么用 Pexo 从一个想法做到成片👇 如果你也想要这样的眼镜，评论告诉我！！ 这次用的工具：Pexo

铁锤人

92,865 views • 4 days ago

Dappos DAPPOS 这几天又整了个新sop 社区OPC在xBubble上搞了个实时虚拟人，这方向其实挺有意思的，这个方向有意思的点不在虚拟人多像真人，而在于：直播间要开始被做成 SOP 了。以前想搞一个能聊、能答疑、能控场、还能持续在线的直播间，得拼数字人、语音、脚本、互动、房间控制一堆东西 现在 xBubble 这个思路更像是把这些拆好，再打包成一套能复用的流程 你可以拿它做项目 AMA、社群答疑、产品讲解、课程直播，甚至以后做一个 24 小时在线的社区前台 看视频效果嘛，目前确实还没到“真人替代”的程度，有点假也正常 但我觉得不用急着吹效果，先看方向 AI 数字人真正值钱的地方，可能不是脸有多像人，而是谁能把一整套直播间运营流程做成普通人也能调用的 SOP 如果剧本设计得好，再加上以后虚拟人要是又美又会撩，多少哥们晚上八点打开聊天就下不来了。一天花出去十杯奶茶钱，被崩之后还能安慰自己——至少她懂我 爱上我的虚拟主播的我😎
0:34

Dappos DAPPOS 这几天又整了个新sop 社区OPC在xBubble上搞了个实时虚拟人，这方向其实挺有意思的，这个方向有意思的点不在虚拟人多像真人，而在于：直播间要开始被做成 SOP 了。以前想搞一个能聊、能答疑、能控场、还能持续在线的直播间，得拼数字人、语音、脚本、互动、房间控制一堆东西 现在 xBubble 这个思路更像是把这些拆好，再打包成一套能复用的流程 你可以拿它做项目 AMA、社群答疑、产品讲解、课程直播，甚至以后做一个 24 小时在线的社区前台 看视频效果嘛，目前确实还没到“真人替代”的程度，有点假也正常 但我觉得不用急着吹效果，先看方向 AI 数字人真正值钱的地方，可能不是脸有多像人，而是谁能把一整套直播间运营流程做成普通人也能调用的 SOP 如果剧本设计得好，再加上以后虚拟人要是又美又会撩，多少哥们晚上八点打开聊天就下不来了。一天花出去十杯奶茶钱，被崩之后还能安慰自己——至少她懂我 爱上我的虚拟主播的我😎

lilili💤

14,190 views • 2 months ago

最近发现了一个好东西，做产品和运营的朋友一定要看看~ 是 atypica.AI 做的商业研究智能体，现在把他们的市场调研能力打包成了 Marketing Skills，可以直接在 OpenClaw/Claude 里调用。 说几个戳我的点： 1. 不仅能做常规的市场调研，连产品研发的前测都能做，这很全面了~ 2. 相比一般的 AI 调研工具，它会自己去刷社媒，模拟你的目标消费者，还能做深度访谈挖用户痛点。 3. 最后出来的报告，不仅有客观数据，还有用户洞察、产品需求分析，甚至还有 GTM plan。 链接放评论区了，有市场调研、产品创新、用户洞察需求的朋友们都可以试试~
0:54

最近发现了一个好东西，做产品和运营的朋友一定要看看~ 是 atypica.AI 做的商业研究智能体，现在把他们的市场调研能力打包成了 Marketing Skills，可以直接在 OpenClaw/Claude 里调用。 说几个戳我的点： 1. 不仅能做常规的市场调研，连产品研发的前测都能做，这很全面了~ 2. 相比一般的 AI 调研工具，它会自己去刷社媒，模拟你的目标消费者，还能做深度访谈挖用户痛点。 3. 最后出来的报告，不仅有客观数据，还有用户洞察、产品需求分析，甚至还有 GTM plan。 链接放评论区了，有市场调研、产品创新、用户洞察需求的朋友们都可以试试~

木马人

16,126 views • 6 months ago

今天真的被一个 19 岁的学员震撼到了… 她是一名艺术生，即将去伦敦读大一 此前几乎没有接触过商业，没有学过 AI，更没有任何开发经验。因为家里做美妆生意，她对产品可能有一些模糊的感知，但距离真正做一个创业项目，其实还很远 昨天，她告诉我，自己学的是设计，希望找到一个既符合个人审美，又有可能商业化的方向 考虑到她在伦敦上学，喜欢猫猫狗狗，身边接触到的又大多是愿意为审美和情绪价值买单的中产女性，我们就和她一起碰出了一个想法： 做人与宠物的亲子装 把宠物服饰、个人美学、五行八字等元素结合起来，通过独立站面向海外用户销售 这并不只是卖一件衣服 它满足的是人们为自己和宠物表达身份、建立关系、寻找情绪寄托的需求 一个产品首先要有用，但真正产生溢价的，往往是那些看似「无用」的审美、故事、文化和标签 今天，她根据这几天课程中学到的 AI 使用方法，自己手搓出了一个独立站的前端页面 看到页面的那一刻，我真的有些难以置信 她没有开发基础，却凭借极强的设计审美，再结合智能体、提示词迭代和一些基础的商业逻辑，做出了一个连很多成熟开发者都很难完成的页面 更重要的是，她并没有机械地执行我们的要求 他把我们聊过的五行、风水、八字和个性化测试都融入了产品，让用户可以探索 「我的宠物适合什么颜色」 「它对应什么五行」 「我们适合怎样的亲子穿搭」 这已经不再是一次普通的课堂作业 它有明确的人群，有具体的消费场景，有审美差异，有传播话题，也有真实的商业化可能 供应链、产品打磨和运营都可以在后面逐步补足，但一个项目最难得的东西： 创始人的个人特质与市场机会之间的契合 已经出现了 那一刻我第一次非常强烈地意识到： 我们做的可能不只是一次创业体验，而是真的有机会从这些孩子当中，孵化出值得投入、值得长期陪伴的创业项目 一个 19 岁、还没正式进入大学的年轻人，在短短一两天里，从一个模糊的兴趣出发，完成了从想法、用户、产品定位到网页原型的跨越 这在过去是很难想象的 以前，一个人想把创意变成产品，需要会设计、会开发、懂商业，还要找到合适的团队和资金 但在 AI 时代，一个拥有审美、好奇心和行动力的人，可以先借助 AI 补足自己暂时不具备的能力 她不需要先准备好，才有资格开始 她是在开始之后，不断变得更强 相比之下，我也看到了一些刚刚经历过高考的孩子 她们学习 AI 时，第一反应依然是认真记笔记，等待老师给出标准步骤，然后严格按照要求完成任务 这当然不是他们的问题 传统教育长期训练的是记忆、服从和寻找标准答案 而 AI 时代真正稀缺的，可能是提出问题、调动工具、快速试错，以及把一个模糊想法变成现实的能力 记笔记没有错，按照规则完成任务也没有问题 但我们不能让孩子误以为，学习的终点只是记住老师讲过什么 真正重要的是：你能不能用这些东西，创造一个此前不存在的产品 所以我越来越确信，AI 教育一定要尽可能早 不是为了让孩子更早学习某个软件，也不是为了把「会用 AI」变成新一轮的应试竞争，而是要在他们还没有完全习惯等待标准答案之前，让他们体验一次： 原来我的想法可以被实现 原来我不需要先成为专家，也可以开始创造 原来我不仅能够完成老师布置的任务，还能够发现一个问题、设计一个产品，甚至真正影响一群人的生活，改变这个世界 当一个孩子第一次亲手创造出一个真实的产品，他对自己的认识就会发生改变 而这种「我能够创造」的信念，才是 AI 教育最重要的价值 我们真正要做的，就是让他们在足够年轻的时候，就站到这个时代的前面，看到一个属于自己的可能性
2:16

今天真的被一个 19 岁的学员震撼到了… 她是一名艺术生，即将去伦敦读大一 此前几乎没有接触过商业，没有学过 AI，更没有任何开发经验。因为家里做美妆生意，她对产品可能有一些模糊的感知，但距离真正做一个创业项目，其实还很远 昨天，她告诉我，自己学的是设计，希望找到一个既符合个人审美，又有可能商业化的方向 考虑到她在伦敦上学，喜欢猫猫狗狗，身边接触到的又大多是愿意为审美和情绪价值买单的中产女性，我们就和她一起碰出了一个想法： 做人与宠物的亲子装 把宠物服饰、个人美学、五行八字等元素结合起来，通过独立站面向海外用户销售 这并不只是卖一件衣服 它满足的是人们为自己和宠物表达身份、建立关系、寻找情绪寄托的需求 一个产品首先要有用，但真正产生溢价的，往往是那些看似「无用」的审美、故事、文化和标签 今天，她根据这几天课程中学到的 AI 使用方法，自己手搓出了一个独立站的前端页面 看到页面的那一刻，我真的有些难以置信 她没有开发基础，却凭借极强的设计审美，再结合智能体、提示词迭代和一些基础的商业逻辑，做出了一个连很多成熟开发者都很难完成的页面 更重要的是，她并没有机械地执行我们的要求 他把我们聊过的五行、风水、八字和个性化测试都融入了产品，让用户可以探索 「我的宠物适合什么颜色」 「它对应什么五行」 「我们适合怎样的亲子穿搭」 这已经不再是一次普通的课堂作业 它有明确的人群，有具体的消费场景，有审美差异，有传播话题，也有真实的商业化可能 供应链、产品打磨和运营都可以在后面逐步补足，但一个项目最难得的东西： 创始人的个人特质与市场机会之间的契合 已经出现了 那一刻我第一次非常强烈地意识到： 我们做的可能不只是一次创业体验，而是真的有机会从这些孩子当中，孵化出值得投入、值得长期陪伴的创业项目 一个 19 岁、还没正式进入大学的年轻人，在短短一两天里，从一个模糊的兴趣出发，完成了从想法、用户、产品定位到网页原型的跨越 这在过去是很难想象的 以前，一个人想把创意变成产品，需要会设计、会开发、懂商业，还要找到合适的团队和资金 但在 AI 时代，一个拥有审美、好奇心和行动力的人，可以先借助 AI 补足自己暂时不具备的能力 她不需要先准备好，才有资格开始 她是在开始之后，不断变得更强 相比之下，我也看到了一些刚刚经历过高考的孩子 她们学习 AI 时，第一反应依然是认真记笔记，等待老师给出标准步骤，然后严格按照要求完成任务 这当然不是他们的问题 传统教育长期训练的是记忆、服从和寻找标准答案 而 AI 时代真正稀缺的，可能是提出问题、调动工具、快速试错，以及把一个模糊想法变成现实的能力 记笔记没有错，按照规则完成任务也没有问题 但我们不能让孩子误以为，学习的终点只是记住老师讲过什么 真正重要的是：你能不能用这些东西，创造一个此前不存在的产品 所以我越来越确信，AI 教育一定要尽可能早 不是为了让孩子更早学习某个软件，也不是为了把「会用 AI」变成新一轮的应试竞争，而是要在他们还没有完全习惯等待标准答案之前，让他们体验一次： 原来我的想法可以被实现 原来我不需要先成为专家，也可以开始创造 原来我不仅能够完成老师布置的任务，还能够发现一个问题、设计一个产品，甚至真正影响一群人的生活，改变这个世界 当一个孩子第一次亲手创造出一个真实的产品，他对自己的认识就会发生改变 而这种「我能够创造」的信念，才是 AI 教育最重要的价值 我们真正要做的，就是让他们在足够年轻的时候，就站到这个时代的前面，看到一个属于自己的可能性

文硕

11,070 views • 2 months ago