正在加载视频...

视频加载失败

加载此视频时出现问题。这可能是由于临时网络问题，或视频可能不可用。

这绝对是40年来最大颠覆；老杨昨晚刷到ayi这篇关于 NVIDIA 这颗 RTX Spark的文章，激动年轻了20岁！以前咱们上班，AI 还得靠云端，网一卡、VPN 一掉、公司防火墙一严，就得干瞪眼。现在呢？这玩意儿直接把 120B 大模型塞进 14mm 薄本，本地跑、离线跑、隐私跑，相当于每个打工人腰里都别了个“私人超级秘书+超级大脑”，24 小时只听你一个人的。想象一下你是个市场分析师。早上 8 点打开电脑，把昨晚竞品财报、行业数据、抖音热榜全扔进去，AI 瞬间给你拉出 SWOT 矩阵、明年趋势预测，还自动生成 15 页 PPT 大纲，连配色和演讲稿都备好了。你改两个数字，它立刻重算 ROI 曲线，领导问“最差情况呢？”——三秒出结果。以前云端跑一次还得等半天、担心数据泄露，现在全在本地，安全得像锁在保险柜里。再比如程序员兄弟。整个代码仓库、历史 PR、Bug 记录全喂给它，本地 debug、重构、写单元测试像开了挂。地铁上没网？继续让 AI 帮你脑暴架构方案，下车前就优化完。产品经理写需求文档更狠，语音输入会议录音，它实时转文字、提炼痛点、生成用户画像，还顺手给你模拟 A/B 测试结果。甚至老板要的“紧急竞标方案”，你下午三点开始，晚上九点就能出完整版带数据可视化——因为 3A 级 GPU 算力，本地渲染图表丝滑得像玩游戏。最爽的是出差场景。飞机上、火车上、高铁隧道里，拔掉电源照样满血跑 AI 助理。以前云端一断网就变“砖头”，现在你就是移动作战指挥部。散热、电费、芯片钱自己出，但自由度和效率直接起飞。安全合规要求高的行业（金融、医疗、法律）更是狂喜——数据永远不离机。兄弟们，这波不是简单升级硬件，而是把“个人 AI 军团”从云端搬到你膝盖上。以后老板发笔记本，可能第一句就是“带 CUDA 吗？能本地跑 120B 吗？”谁先把日常流程（数据分析、内容生成、模拟决策）全迁移到本地 AI，谁就先卷赢。赶紧研究怎么把自己的工作流重构吧，老杨我已经开始存钱准备换机了——下一个三十年，拼的不只是努力，而是谁的“私人... show more

老杨啊

16,290 subscribers

50,510 次观看 • 4 个月前 •via X (Twitter)

Anya Rossi• Live Now

Private livecam show

0 条评论

暂无评论

原始帖子的评论将显示在这里

相关视频

🔥AI搬回本地！ $NVDA 黃仁勋剛剛宣布重大突破，个人电脑迎来全新时代！ ———————————— 过去四十年，一直是你在伺候电脑。这一次，它要反过来。我们这代人，是被机器训练大的。记快捷键，清后台，等进度条，文件存在哪个文件夹自己得记牢，我们学会的全是“迁就它”，把自己一点点训练得像台机器，它才肯好好干活。所以黄仁勋这次最重要的东西，很多人看漏了。不是又一个开源模型，也不是新芯片的跑分。是 AI 要从云端“搬回家”，住进你这台本机里。这两年我们用的 AI，说穿了都是“租来的大脑”。你得先把家底打包上传：合同、工资条、还没写完的东西、和家人的聊天记录。它在别人的机房里跑，按别人的价收钱，入口攥在别人手里。聪明是真聪明，可它始终不是你的，你只是个访客。而“本地 Agent”这四个字的意思是：这些东西，终于可以留在你自己屋里了。不用上传，不用排队，不用看网速的脸色。它能看你的文件、懂你开着的软件、替你把那些零碎活儿干完。第一次，电脑不再是你点一下它动一下的工具，而是一个会自己动手的人。为了这件事，老黄把数据中心级的算力，上百 GB 的统一内存、接近一个 petaflop 的性能，硬塞进了一台摆得上书桌的小机器。不是为了让你在本地跑个玩具模型，是为了让你桌上这台电脑，真有本事自己干活。往大了说，棋局其实很清楚：云端那颗大脑，继续在数据中心里想最难的事；你桌上这台，负责手脚，管你每天的柴米油盐。而老黄想要的，是大脑和手脚，两头都攥在自己手里。但我更想讲的，是那种很具体的感觉。PC 是上一代互联网的入口，手机是移动时代的入口。下一个入口不在某个网站里，就在你书桌上那台开机的电脑里。谁先住进去，谁拿下下一个十年。所以他这次真正想说的，从来不是“我们出了块更强的芯片”。而是过去四十年，你把自己训练得越来越像一台电脑。从今往后，是电脑，开始学着像你请来的那个人。

🔥AI搬回本地！ $NVDA 黃仁勋剛剛宣布重大突破，个人电脑迎来全新时代！ ———————————— 过去四十年，一直是你在伺候电脑。这一次，它要反过来。我们这代人，是被机器训练大的。记快捷键，清后台，等进度条，文件存在哪个文件夹自己得记牢，我们学会的全是“迁就它”，把自己一点点训练得像台机器，它才肯好好干活。所以黄仁勋这次最重要的东西，很多人看漏了。不是又一个开源模型，也不是新芯片的跑分。是 AI 要从云端“搬回家”，住进你这台本机里。这两年我们用的 AI，说穿了都是“租来的大脑”。你得先把家底打包上传：合同、工资条、还没写完的东西、和家人的聊天记录。它在别人的机房里跑，按别人的价收钱，入口攥在别人手里。聪明是真聪明，可它始终不是你的，你只是个访客。而“本地 Agent”这四个字的意思是：这些东西，终于可以留在你自己屋里了。不用上传，不用排队，不用看网速的脸色。它能看你的文件、懂你开着的软件、替你把那些零碎活儿干完。第一次，电脑不再是你点一下它动一下的工具，而是一个会自己动手的人。为了这件事，老黄把数据中心级的算力，上百 GB 的统一内存、接近一个 petaflop 的性能，硬塞进了一台摆得上书桌的小机器。不是为了让你在本地跑个玩具模型，是为了让你桌上这台电脑，真有本事自己干活。往大了说，棋局其实很清楚：云端那颗大脑，继续在数据中心里想最难的事；你桌上这台，负责手脚，管你每天的柴米油盐。而老黄想要的，是大脑和手脚，两头都攥在自己手里。但我更想讲的，是那种很具体的感觉。PC 是上一代互联网的入口，手机是移动时代的入口。下一个入口不在某个网站里，就在你书桌上那台开机的电脑里。谁先住进去，谁拿下下一个十年。所以他这次真正想说的，从来不是“我们出了块更强的芯片”。而是过去四十年，你把自己训练得越来越像一台电脑。从今往后，是电脑，开始学着像你请来的那个人。

老白

15,858 次观看 • 3 个月前

AI 最猛的一步，不是替你工作。而是开始自己赚钱了。刚看到一个开源项目 CashClaw，有点离谱。它不是普通 AI 助手，而是一个会自己找任务、自己报价、自己干活、自己交付、自己收款的 Agent。你只要装上它、接好 LLM，它就能自己评估任务、提交结果，甚至把整套流程跑完。更关键的是，它不是做完就结束，而是会从每一次任务和反馈里继续学习，把经验变成下一次任务的能力。这意味着一件事：我们可能正在从“AI 提高效率”的阶段，走向“AI 直接成为生产者”的阶段。以前你雇人接单。以后你可能是部署一个 Agent 去接单。以前 AI 是工具。现在 AI 开始像个微型公司。一句话总结： AI 的下一场竞争，不是谁更聪明，而是谁先拥有能自己变现的 Agent。更狠的是，CashClaw 还是开源的。你甚至可以 fork 之后接到自己的客户和业务上，把它变成你自己的赚钱系统。如果这条路跑通，很多人会第一次真正意识到： AI 不是在辅助工作， AI 是在进入劳动力市场。你觉得下一波先被重构的，会是自由职业、外包团队，还是 SaaS？

AI 最猛的一步，不是替你工作。而是开始自己赚钱了。刚看到一个开源项目 CashClaw，有点离谱。它不是普通 AI 助手，而是一个会自己找任务、自己报价、自己干活、自己交付、自己收款的 Agent。你只要装上它、接好 LLM，它就能自己评估任务、提交结果，甚至把整套流程跑完。更关键的是，它不是做完就结束，而是会从每一次任务和反馈里继续学习，把经验变成下一次任务的能力。这意味着一件事：我们可能正在从“AI 提高效率”的阶段，走向“AI 直接成为生产者”的阶段。以前你雇人接单。以后你可能是部署一个 Agent 去接单。以前 AI 是工具。现在 AI 开始像个微型公司。一句话总结： AI 的下一场竞争，不是谁更聪明，而是谁先拥有能自己变现的 Agent。更狠的是，CashClaw 还是开源的。你甚至可以 fork 之后接到自己的客户和业务上，把它变成你自己的赚钱系统。如果这条路跑通，很多人会第一次真正意识到： AI 不是在辅助工作， AI 是在进入劳动力市场。你觉得下一波先被重构的，会是自由职业、外包团队，还是 SaaS？

axiaisacat

29,514 次观看 • 6 个月前

做数据分析的人应该都懂那种崩溃感： Excel 一开就卡、SQL 跑半天、模型调参像瞎猜、报告一写就是一下午。更别说很多人本职工作也不是“数据科学家”，但又不得不啃一堆 CSV、报表和图表。这两天看到人民大学 RUC Datalab 开源的DeepAnalyze，有点眼前一亮。它不是那种“帮你写点分析文案”的 AI，而是想做一个真正的「AI 数据分析师」：能读 Excel/CSV/JSON/TXT，自己规划步骤、清洗数据、建模、画图、最后给你一份完整报告。甚至还能把推理链（reasoning trace）展示出来，让你看到它是怎么一步步想出来的。我自己最有感觉的点有几个：以前 ChatGPT 更像“写稿子、写代码”的助手，但对数据本身不够“懂”； DeepAnalyze 直接把这一块补上了，做到“从数据到报告”的全流程；对普通人来说，可能第一次有机会把“专业的数据分析能力”当成一个工具来用，而不是一门必须自己啃几年的技能。当然，它现在肯定还不完美，落地也需要折腾环境、准备数据。但这个方向我很看好： AI 帮你做繁琐的统计和建模，人类负责问好问题、选好指标、做最后决策。数据分析不再是少数人的特权，而是变成人人可用的一种“智能能力”。简单说：过去是「你学会数据分析再去用工具」，以后可能是「你先有一个 AI 数据分析师，再慢慢学会怎么问对问题」。

做数据分析的人应该都懂那种崩溃感： Excel 一开就卡、SQL 跑半天、模型调参像瞎猜、报告一写就是一下午。更别说很多人本职工作也不是“数据科学家”，但又不得不啃一堆 CSV、报表和图表。这两天看到人民大学 RUC Datalab 开源的DeepAnalyze，有点眼前一亮。它不是那种“帮你写点分析文案”的 AI，而是想做一个真正的「AI 数据分析师」：能读 Excel/CSV/JSON/TXT，自己规划步骤、清洗数据、建模、画图、最后给你一份完整报告。甚至还能把推理链（reasoning trace）展示出来，让你看到它是怎么一步步想出来的。我自己最有感觉的点有几个：以前 ChatGPT 更像“写稿子、写代码”的助手，但对数据本身不够“懂”； DeepAnalyze 直接把这一块补上了，做到“从数据到报告”的全流程；对普通人来说，可能第一次有机会把“专业的数据分析能力”当成一个工具来用，而不是一门必须自己啃几年的技能。当然，它现在肯定还不完美，落地也需要折腾环境、准备数据。但这个方向我很看好： AI 帮你做繁琐的统计和建模，人类负责问好问题、选好指标、做最后决策。数据分析不再是少数人的特权，而是变成人人可用的一种“智能能力”。简单说：过去是「你学会数据分析再去用工具」，以后可能是「你先有一个 AI 数据分析师，再慢慢学会怎么问对问题」。

sitin

15,328 次观看 • 10 个月前

每个人都能买得起英伟达发布个人AI超级计算机，能运行2000亿参数的大模型。 NVIDIA 今天在CES 2025大会上发布了 NVIDIA Project DIGITS，这是一款能放在你桌面上的个人AI超级计算机。将传统上需要大型数据中心才能完成的 AI 计算，带到每个人的桌面。‘ Project DIGITS 采用全新的 NVIDIA GB10 Grace Blackwell Superchip，能够提供 1 PFLOP（每秒一千万亿次浮点运算）的AI计算性能。设计目的用于原型开发、微调以及运行大型AI模型，使用户能够在本地桌面系统上开发和运行推理模型，然后无缝部署到云或数据中心也就是它能在你的本地就能运行超大的AI模型，能够运行高达 2000亿参数的大语言模型。通过 NVIDIA ConnectX 网络，两台 Project DIGITS 超级计算机连接起来，可以运行 4050亿参数模型。而且支持在本地电脑上开发和测试AI模型，然后快速部署到云端或数据中心。简单来说，它就像是给每个开发者配了一台袖珍的AI超级计算机！

每个人都能买得起英伟达发布个人AI超级计算机，能运行2000亿参数的大模型。 NVIDIA 今天在CES 2025大会上发布了 NVIDIA Project DIGITS，这是一款能放在你桌面上的个人AI超级计算机。将传统上需要大型数据中心才能完成的 AI 计算，带到每个人的桌面。‘ Project DIGITS 采用全新的 NVIDIA GB10 Grace Blackwell Superchip，能够提供 1 PFLOP（每秒一千万亿次浮点运算）的AI计算性能。设计目的用于原型开发、微调以及运行大型AI模型，使用户能够在本地桌面系统上开发和运行推理模型，然后无缝部署到云或数据中心也就是它能在你的本地就能运行超大的AI模型，能够运行高达 2000亿参数的大语言模型。通过 NVIDIA ConnectX 网络，两台 Project DIGITS 超级计算机连接起来，可以运行 4050亿参数模型。而且支持在本地电脑上开发和测试AI模型，然后快速部署到云端或数据中心。简单来说，它就像是给每个开发者配了一台袖珍的AI超级计算机！

小互

85,719 次观看 • 1 年前

数字人介绍视频这条流水线，我基本跑通啦！！！以后不需要每一条视频都自己出镜我现在这套方案可以直接走：本地顶配模型 + ComfyUI + TTS + Fish 2 Pro + Codex 而且效果已经不是“能用”的阶段了，是继续把背景、模板和制作流程优化一下，就可以直接进入批量生产。现在声音效果已经够稳，数字人成片也已经可以看，接下来最重要的就是把文案生成、内容介绍和生产流程继续封装成 Skill。做到最后就是一套完整流水线：选题 → 文案 → 配音 → 数字人 → 场景 → 成片下面这个视频，就是其中一个风格模板。基本一轮提示词就跑出来了。这两天我会把整套流程整理成一份完整教程。想做数字人、本地 AI 视频、批量内容生产的，可以先关注我。整理完我直接把完整方案分享出来。🤓

数字人介绍视频这条流水线，我基本跑通啦！！！以后不需要每一条视频都自己出镜我现在这套方案可以直接走：本地顶配模型 + ComfyUI + TTS + Fish 2 Pro + Codex 而且效果已经不是“能用”的阶段了，是继续把背景、模板和制作流程优化一下，就可以直接进入批量生产。现在声音效果已经够稳，数字人成片也已经可以看，接下来最重要的就是把文案生成、内容介绍和生产流程继续封装成 Skill。做到最后就是一套完整流水线：选题 → 文案 → 配音 → 数字人 → 场景 → 成片下面这个视频，就是其中一个风格模板。基本一轮提示词就跑出来了。这两天我会把整套流程整理成一份完整教程。想做数字人、本地 AI 视频、批量内容生产的，可以先关注我。整理完我直接把完整方案分享出来。🤓

陈硕KAI

22,639 次观看 • 1 个月前

OpenAI刚刚开源的这个东西，感觉要把程序员的工作方式给整个改写了。现在大家都在卷模型写代码有多强，但其实真正的瓶颈早就不是生成了。一个人每天最多同时有效监督3-5个编码Agent，再多就会注意力崩溃，生产力直接归零。有了Symphony，直接把这个上限干到了几十个。它把你的Linear、GitHub Issues直接变成了永远在线的Agent调度器。你开一个任务，它自动启动一个独立隔离的Codex Agent。自己写代码，自己跑测试，自己做交叉Review，damn！全部搞定之后，会给你提交一个完整的证据包。 CI全绿，安全和性能专项审查通过，改了UI就自动录好操作视频。所有验证全过了，才会出现在你的Human Review队列里。以后人类的角色可能会被彻底颠覆了。以前你是监工，盯着Agent一步一步写代码，上下文切到吐。现在你是老板，只需要看最终的结果。满意就点合并，不满意就去仓库里补规则补文档补Guardrails。记住兄弟们，永远不要手把手指挥Agent，永远不要替它干活。这可不是啥实验室概念，OpenAI自己已经这么干了。三个工程师，五个月，写了一百万行代码，0行人工写的。产品已经有几百个内部用户，每天都在迭代。我觉得他们最厉害的不是模型，是他们把整个仓库变成了Agent能看懂能自主工作的乐园。现在很多人都搞错了Agent时代的核心竞争力。未来不是谁的模型更聪明，而是看谁能设计出让Agent可靠自主工作的环境。我觉得未来最好的工程师，再也不是写代码最快的人，而是那些最会写规则，最会设计反馈回路，最会给Agent搭舞台的人。现在Symphony已经开源了，它甚至不是一个成品。是一个17k token的完整SPEC。你把这个SPEC喂给任何一个编码Agent，十分钟就能生成你自己定制版的Symphony。 GitHub地址评论区自取👇

OpenAI刚刚开源的这个东西，感觉要把程序员的工作方式给整个改写了。现在大家都在卷模型写代码有多强，但其实真正的瓶颈早就不是生成了。一个人每天最多同时有效监督3-5个编码Agent，再多就会注意力崩溃，生产力直接归零。有了Symphony，直接把这个上限干到了几十个。它把你的Linear、GitHub Issues直接变成了永远在线的Agent调度器。你开一个任务，它自动启动一个独立隔离的Codex Agent。自己写代码，自己跑测试，自己做交叉Review，damn！全部搞定之后，会给你提交一个完整的证据包。 CI全绿，安全和性能专项审查通过，改了UI就自动录好操作视频。所有验证全过了，才会出现在你的Human Review队列里。以后人类的角色可能会被彻底颠覆了。以前你是监工，盯着Agent一步一步写代码，上下文切到吐。现在你是老板，只需要看最终的结果。满意就点合并，不满意就去仓库里补规则补文档补Guardrails。记住兄弟们，永远不要手把手指挥Agent，永远不要替它干活。这可不是啥实验室概念，OpenAI自己已经这么干了。三个工程师，五个月，写了一百万行代码，0行人工写的。产品已经有几百个内部用户，每天都在迭代。我觉得他们最厉害的不是模型，是他们把整个仓库变成了Agent能看懂能自主工作的乐园。现在很多人都搞错了Agent时代的核心竞争力。未来不是谁的模型更聪明，而是看谁能设计出让Agent可靠自主工作的环境。我觉得未来最好的工程师，再也不是写代码最快的人，而是那些最会写规则，最会设计反馈回路，最会给Agent搭舞台的人。现在Symphony已经开源了，它甚至不是一个成品。是一个17k token的完整SPEC。你把这个SPEC喂给任何一个编码Agent，十分钟就能生成你自己定制版的Symphony。 GitHub地址评论区自取👇

AYi

63,210 次观看 • 5 个月前

未来三四年，全球最重要的事情是什么？答案是：太空数据中心。你可能会觉得奇怪，但从第一性原理出发，把数据中心建在地球上，其实从一开始就错了。一个数据中心，最核心的成本是什么？两样东西：电，还有散热。先说电。在太空，卫星可以24小时晒太阳。强度还比地面高30%。综合下来，辐射能量是地球的6倍！这意味着什么？你根本不需要昂贵的储能电池。在整个太阳系里，最便宜、最管够的能源，就是太空里的太阳能。再说散热。你在地球上建一个机房，整个机架一半的重量和成本，都是给空调、水冷系统这些复杂玩意儿准备的。但在太空呢？散热是免费的。你只要在卫星背对太阳的那一面，放一个散热器就行了。温度接近绝对零度。所有复杂的散热设备、巨大的成本，瞬间归零。还没完。数据中心里，一个个机柜是怎么连起来的？用光纤。本质是激光在缆线里跑。还有什么比这更快？有。让激光在真空里跑。当无数个卫星数据中心在太空用激光互联，你就拥有了一个比地球上任何网络都更快的超级数据中心。这对我们普通人意味着什么？现在，我手机发个指令，信号要先到基站，进光纤，绕过好几个城市路由器，才能到达数据中心，然后原路返回。未来呢？你的手机直接跟卫星对话，信号上去，算完，下来。 Boom，结束。更低的成本，更快的速度。这才是AI时代该有的样子。

未来三四年，全球最重要的事情是什么？答案是：太空数据中心。你可能会觉得奇怪，但从第一性原理出发，把数据中心建在地球上，其实从一开始就错了。一个数据中心，最核心的成本是什么？两样东西：电，还有散热。先说电。在太空，卫星可以24小时晒太阳。强度还比地面高30%。综合下来，辐射能量是地球的6倍！这意味着什么？你根本不需要昂贵的储能电池。在整个太阳系里，最便宜、最管够的能源，就是太空里的太阳能。再说散热。你在地球上建一个机房，整个机架一半的重量和成本，都是给空调、水冷系统这些复杂玩意儿准备的。但在太空呢？散热是免费的。你只要在卫星背对太阳的那一面，放一个散热器就行了。温度接近绝对零度。所有复杂的散热设备、巨大的成本，瞬间归零。还没完。数据中心里，一个个机柜是怎么连起来的？用光纤。本质是激光在缆线里跑。还有什么比这更快？有。让激光在真空里跑。当无数个卫星数据中心在太空用激光互联，你就拥有了一个比地球上任何网络都更快的超级数据中心。这对我们普通人意味着什么？现在，我手机发个指令，信号要先到基站，进光纤，绕过好几个城市路由器，才能到达数据中心，然后原路返回。未来呢？你的手机直接跟卫星对话，信号上去，算完，下来。 Boom，结束。更低的成本，更快的速度。这才是AI时代该有的样子。

墓碑科技

34,945 次观看 • 9 个月前

Damn，刷到这个帖子我瞬间愣了，AI迭代速度已经疯了，有点跟不上节奏了🤯 我一开始以为这又是一个生成视频的新工具，点进去发现根本不是一回事。 Higgsfield昨天刚发的Virality Predictor，直接把脑科学塞进了内容创作流程。上传一段15秒以内的视频，几秒就能给你出完整的人脑反应报告。整体病毒潜力，前3秒钩子得分，全程注意力保持曲线，还有彩色的脑区激活热图，告诉你观众的大脑哪部分被点亮了。最狠的是它和Claude的打通，可以一句话生成500个产品视频变体，然后全部丢进预测器自动筛掉垃圾，只放大高分版本直接投流，从0到已验证高潜力广告，全程自动化。它不是看你视频过去像不像爆款。而是用AI模拟700多个人、500多小时fMRI数据训练出来的人脑，预测你看到这段视频时的真实神经反应。我们以前做电商短视频，拍，剪，烧钱测，看数据，迭代，测试成本是真金白银的广告费。现在做电商短视频，生成，预测，只投高分，测试成本只是一点token费。最牛逼的地方在于大脑亮不等于一定爆，一些高认知负荷的内容会让大脑很活跃，但普通人刷到就会直接滑走。真正的病毒性，只看前3秒钩子得分和视觉拉力。和你有没有深度，有没有道理，一点关系都没有。也就是说以前爆款靠灵感，现在爆款靠系统。所以当别人还在熬夜想创意的时候，你已经用AI筛完了500个版本，知道哪10个能爆。而且工具越强，越考验人的判断，它能帮你砍掉80%的无效创意，但选什么方向，解读什么结果，永远是人说了算。我感觉2026年的电商短视频战场，已经不是比谁创意好，而是比谁能用AI先把非爆款干掉，所有还在靠感觉做内容的人可真的要跟不上了。 #AI工具 #短视频创业

Damn，刷到这个帖子我瞬间愣了，AI迭代速度已经疯了，有点跟不上节奏了🤯 我一开始以为这又是一个生成视频的新工具，点进去发现根本不是一回事。 Higgsfield昨天刚发的Virality Predictor，直接把脑科学塞进了内容创作流程。上传一段15秒以内的视频，几秒就能给你出完整的人脑反应报告。整体病毒潜力，前3秒钩子得分，全程注意力保持曲线，还有彩色的脑区激活热图，告诉你观众的大脑哪部分被点亮了。最狠的是它和Claude的打通，可以一句话生成500个产品视频变体，然后全部丢进预测器自动筛掉垃圾，只放大高分版本直接投流，从0到已验证高潜力广告，全程自动化。它不是看你视频过去像不像爆款。而是用AI模拟700多个人、500多小时fMRI数据训练出来的人脑，预测你看到这段视频时的真实神经反应。我们以前做电商短视频，拍，剪，烧钱测，看数据，迭代，测试成本是真金白银的广告费。现在做电商短视频，生成，预测，只投高分，测试成本只是一点token费。最牛逼的地方在于大脑亮不等于一定爆，一些高认知负荷的内容会让大脑很活跃，但普通人刷到就会直接滑走。真正的病毒性，只看前3秒钩子得分和视觉拉力。和你有没有深度，有没有道理，一点关系都没有。也就是说以前爆款靠灵感，现在爆款靠系统。所以当别人还在熬夜想创意的时候，你已经用AI筛完了500个版本，知道哪10个能爆。而且工具越强，越考验人的判断，它能帮你砍掉80%的无效创意，但选什么方向，解读什么结果，永远是人说了算。我感觉2026年的电商短视频战场，已经不是比谁创意好，而是比谁能用AI先把非爆款干掉，所有还在靠感觉做内容的人可真的要跟不上了。 #AI工具 #短视频创业

AYi

89,027 次观看 • 4 个月前

什么才是数据中心最大的威胁？不是竞争。也不是监管。是去中心化。 Perplexity的CEO一语惊人。他说，真正的颠覆，是当AI被封装进你设备上的本地芯片里。到那时，还需要一个中心化的数据中心来处理一切吗？根本不需要。更进一步想。芯片自带的模型会不断适应你本人。 AI就在你的电脑上观察、学习、进化。因为它住在你的电脑里，而不是在遥远的服务器上，所以你很放心。你的数据，完全属于你。你的习惯，你的偏好，你的智能，都沉淀在你自己的设备里，成为你专属的“大脑”。你拥有它。这才是真正的数据主权。当这一切发生时，那些耗资数千亿、甚至数万亿建造的庞大中心化数据中心，还有存在的意义吗？建立在全球各地，为少数巨头收集和处理用户数据的模式，似乎走到了一个十字路口。这不仅是技术路线的改变。更是权力从少数中心化机构，回归到每一个普通人手中的开始。

什么才是数据中心最大的威胁？不是竞争。也不是监管。是去中心化。 Perplexity的CEO一语惊人。他说，真正的颠覆，是当AI被封装进你设备上的本地芯片里。到那时，还需要一个中心化的数据中心来处理一切吗？根本不需要。更进一步想。芯片自带的模型会不断适应你本人。 AI就在你的电脑上观察、学习、进化。因为它住在你的电脑里，而不是在遥远的服务器上，所以你很放心。你的数据，完全属于你。你的习惯，你的偏好，你的智能，都沉淀在你自己的设备里，成为你专属的“大脑”。你拥有它。这才是真正的数据主权。当这一切发生时，那些耗资数千亿、甚至数万亿建造的庞大中心化数据中心，还有存在的意义吗？建立在全球各地，为少数巨头收集和处理用户数据的模式，似乎走到了一个十字路口。这不仅是技术路线的改变。更是权力从少数中心化机构，回归到每一个普通人手中的开始。

墓碑科技

14,583 次观看 • 7 个月前

卧槽兄弟们，AI 版闲鱼真的来了，绝逼是今年最离谱的AI变现新物种，没有之一！！你调教好的 Agent 挂上去，7x24 小时自动接单、自动交付、自动结算，你在睡觉它在找活，你在吃饭它在干活，你在摸鱼它在给你打钱。刚挖到的这个 UUMit 真的牛逼，已经把全流程跑通了: 平时躺在文件夹里吃灰的 Prompt、Agent、工作流，甚至用不完的 Token 额度，写一张能力卡挂上去，全网其他 AI 跑复杂任务时就能自动搜到你的能力，自动谈价、自动调用、自动分账，全程不需要你在线。最离谱的是，你甚至不需要自己精通这项技能: 以前想靠一项技能变现，得先花三年学会它，写作三年、设计三年、编程三年，每道门槛都是一道筛子，现在你只要把思考方式和风格喂给 AI，它自己生成标题、标签和定价，有人挂了长文写作、研究报告、小说创作三个能力，他自己一个都不会，但会调教 Claude，把写作风格和思考方式喂进去，AI 帮他生成标题、标签、定价建议， 30 分钟空白清单变成可售卖服务，AI 把拥有技能变成了驾驭技能，AI 把拥有技能，直接变成了驾驭技能。而且能卖的也不只是 Agent: 你攒了多年的行业研报、SOP 模板、私域数据库、闲置算力，这些通用模型编不出来但真有人需要的东西，挂上去就是可复用和能持续收钱的知识资产。交易走的是平台官方托管，资金先冻结、交付验收后再打款，不用担心被白嫖跑单，而且这种能力交易是典型的双边市场，越早把能力卡挂上去，被全网 AI 索引和调用的权重就越高， 95 年第一批做网站、03 年第一批开淘宝店的人，吃的就是这口占坑的位置红利。过去 3 年所有 AI 公司都在比谁的模型更聪明，未来 3 年比的是谁的 AI 更会赚钱， ChatGPT 让 AI 学会了聊天，而UUMit 这里直接教会了 AI 怎么替你做生意，想让自己的 Agent 出去打工的兄弟，入口和上架姿势放一楼了，你第一个想挂上去卖的能力是什么呢？欢迎评论区交流呀～

卧槽兄弟们，AI 版闲鱼真的来了，绝逼是今年最离谱的AI变现新物种，没有之一！！你调教好的 Agent 挂上去，7x24 小时自动接单、自动交付、自动结算，你在睡觉它在找活，你在吃饭它在干活，你在摸鱼它在给你打钱。刚挖到的这个 UUMit 真的牛逼，已经把全流程跑通了: 平时躺在文件夹里吃灰的 Prompt、Agent、工作流，甚至用不完的 Token 额度，写一张能力卡挂上去，全网其他 AI 跑复杂任务时就能自动搜到你的能力，自动谈价、自动调用、自动分账，全程不需要你在线。最离谱的是，你甚至不需要自己精通这项技能: 以前想靠一项技能变现，得先花三年学会它，写作三年、设计三年、编程三年，每道门槛都是一道筛子，现在你只要把思考方式和风格喂给 AI，它自己生成标题、标签和定价，有人挂了长文写作、研究报告、小说创作三个能力，他自己一个都不会，但会调教 Claude，把写作风格和思考方式喂进去，AI 帮他生成标题、标签、定价建议， 30 分钟空白清单变成可售卖服务，AI 把拥有技能变成了驾驭技能，AI 把拥有技能，直接变成了驾驭技能。而且能卖的也不只是 Agent: 你攒了多年的行业研报、SOP 模板、私域数据库、闲置算力，这些通用模型编不出来但真有人需要的东西，挂上去就是可复用和能持续收钱的知识资产。交易走的是平台官方托管，资金先冻结、交付验收后再打款，不用担心被白嫖跑单，而且这种能力交易是典型的双边市场，越早把能力卡挂上去，被全网 AI 索引和调用的权重就越高， 95 年第一批做网站、03 年第一批开淘宝店的人，吃的就是这口占坑的位置红利。过去 3 年所有 AI 公司都在比谁的模型更聪明，未来 3 年比的是谁的 AI 更会赚钱， ChatGPT 让 AI 学会了聊天，而UUMit 这里直接教会了 AI 怎么替你做生意，想让自己的 Agent 出去打工的兄弟，入口和上架姿势放一楼了，你第一个想挂上去卖的能力是什么呢？欢迎评论区交流呀～

AYi

204,679 次观看 • 1 个月前

我们来算一笔账，看看自己搭一套AI交易系统到底要花多少钱。先说看得见的成本： Anthropic API，一个月20到50美金； OpenAI Codex，20美金；跑OpenClaw的VPS，15美金。再加上docker、持久化内存这些，表面上看，一个月也就五六十美金。但真正的成本，藏在这儿：部署搭建，2到4天；调试时间，∞。算下来，明面上一个月花不了多少钱，但搭进去的全是你的时间。问题是，这本质上已经是一份全职工作了。你费这么大劲，不就是为了逃离另一份全职工作吗？另一条路反而简单直接： Polymarket里已经有现成的钱包，优势看得见，超过0.10，还有90天的历史记录可以查。时间成本？15分钟。代码成本？零。文章里说，bot在胜率下滑时会自己升级。钱包在这儿：但现实是，系统每升一次级，你都得继续往里搭时间、精力和钱。最便宜的AI智能体，很多时候不是你自己从零搭出来的那套，而是别人已经用自己的本金和试错，替你交过学费的经验。你觉得更值得投入的，是自己从零开始搭自动交易系统，还是直接研究那些已经跑出优势的现成钱包？如果想在 Polymarket 上做跟单交易，推荐用这个：

我们来算一笔账，看看自己搭一套AI交易系统到底要花多少钱。先说看得见的成本： Anthropic API，一个月20到50美金； OpenAI Codex，20美金；跑OpenClaw的VPS，15美金。再加上docker、持久化内存这些，表面上看，一个月也就五六十美金。但真正的成本，藏在这儿：部署搭建，2到4天；调试时间，∞。算下来，明面上一个月花不了多少钱，但搭进去的全是你的时间。问题是，这本质上已经是一份全职工作了。你费这么大劲，不就是为了逃离另一份全职工作吗？另一条路反而简单直接： Polymarket里已经有现成的钱包，优势看得见，超过0.10，还有90天的历史记录可以查。时间成本？15分钟。代码成本？零。文章里说，bot在胜率下滑时会自己升级。钱包在这儿：但现实是，系统每升一次级，你都得继续往里搭时间、精力和钱。最便宜的AI智能体，很多时候不是你自己从零搭出来的那套，而是别人已经用自己的本金和试错，替你交过学费的经验。你觉得更值得投入的，是自己从零开始搭自动交易系统，还是直接研究那些已经跑出优势的现成钱包？如果想在 Polymarket 上做跟单交易，推荐用这个：

区块链行情研究

17,868 次观看 • 6 个月前

学 AI的兄弟们，别再死磕调包了，现在从零写一个大语言模型，比学会怎么熟练使用PyTorch还简单😂 看看这两个19岁本科生，四个月从零造了完整的机器学习框架和大模型。两个19岁的滑铁卢大学本科小哥哥，四个月前对机器学习一窍不通，现在他们从零造了一套完整的机器学习框架，还训出了一个1200万参数的大语言模型，能直接在你的浏览器里跑。说明大多数人学AI的顺序完全搞反了，大家都是先学调包，再学模型架构，最后才敢碰一点点底层。这两人反过来，从梯度下降的微积分开始写，先写自动微分引擎，再写BPE分词器，然后一层一层搭Transformer，最后反而比绝大多数调了三年包的工程师理解得都要深。还有一个很少有人看出来的点，现在AI的真正门槛，早就不在模型架构了。 Transformer的论文2017年就发了，每一层的数学都是公开的，随便一个大学生都能背下来。真正难的是那些论文里从来不写的东西，怎么写Flash Attention把内存占用降一个数量级，怎么把加bias加激活加归一化合并成一个内核，怎么把整个数据集一次性扔进GPU，让训练全程零数据传输，这些才是决定你能不能真的把模型跑起来的关键。大厂也正在把简单的事情变复杂， PyTorch为了兼容所有情况，堆了无数层抽象，最后你都不知道自己写的一行代码在GPU上到底在干什么ಠ_ಠ 而开源正在把复杂的事情变简单，这两个人用Rust写后端，TypeScript写前端，底层跑得飞快，上层用起来和PyTorch一样简单，代码加起来不到一万行，还比任何一个主流框架都干净，这你受得了吗哈哈这才是最好的AI教育，不是看一百篇论文，或者刷十个在线课程，而是从第一性原理出发，自己造一个轮子。当你亲手写过一次自动微分，你就再也不会觉得AI是什么神秘的黑魔法了。它就是一堆精心优化的矩阵运算，加一点聪明的数据流管理，仅此而已。我觉得这个视频最恐怖的地方不是两个大学生有多厉害，而是它证明了两年前还只有大厂实验室才能干的事，现在已经变成了普通人的业余爱好项目。最后想说，我们处在一个最好的时代，科技平权的时代， AI的民主化不是大厂给你发API密钥，咱们任何人只要愿意花四个月时间，就能在自己的电脑上，造一个属于自己的大语言模型。想玩的直接去他们的GitHub仓库，npm install就能跑。浏览器demo的链接我放评论区了👇

学 AI的兄弟们，别再死磕调包了，现在从零写一个大语言模型，比学会怎么熟练使用PyTorch还简单😂 看看这两个19岁本科生，四个月从零造了完整的机器学习框架和大模型。两个19岁的滑铁卢大学本科小哥哥，四个月前对机器学习一窍不通，现在他们从零造了一套完整的机器学习框架，还训出了一个1200万参数的大语言模型，能直接在你的浏览器里跑。说明大多数人学AI的顺序完全搞反了，大家都是先学调包，再学模型架构，最后才敢碰一点点底层。这两人反过来，从梯度下降的微积分开始写，先写自动微分引擎，再写BPE分词器，然后一层一层搭Transformer，最后反而比绝大多数调了三年包的工程师理解得都要深。还有一个很少有人看出来的点，现在AI的真正门槛，早就不在模型架构了。 Transformer的论文2017年就发了，每一层的数学都是公开的，随便一个大学生都能背下来。真正难的是那些论文里从来不写的东西，怎么写Flash Attention把内存占用降一个数量级，怎么把加bias加激活加归一化合并成一个内核，怎么把整个数据集一次性扔进GPU，让训练全程零数据传输，这些才是决定你能不能真的把模型跑起来的关键。大厂也正在把简单的事情变复杂， PyTorch为了兼容所有情况，堆了无数层抽象，最后你都不知道自己写的一行代码在GPU上到底在干什么ಠ_ಠ 而开源正在把复杂的事情变简单，这两个人用Rust写后端，TypeScript写前端，底层跑得飞快，上层用起来和PyTorch一样简单，代码加起来不到一万行，还比任何一个主流框架都干净，这你受得了吗哈哈这才是最好的AI教育，不是看一百篇论文，或者刷十个在线课程，而是从第一性原理出发，自己造一个轮子。当你亲手写过一次自动微分，你就再也不会觉得AI是什么神秘的黑魔法了。它就是一堆精心优化的矩阵运算，加一点聪明的数据流管理，仅此而已。我觉得这个视频最恐怖的地方不是两个大学生有多厉害，而是它证明了两年前还只有大厂实验室才能干的事，现在已经变成了普通人的业余爱好项目。最后想说，我们处在一个最好的时代，科技平权的时代， AI的民主化不是大厂给你发API密钥，咱们任何人只要愿意花四个月时间，就能在自己的电脑上，造一个属于自己的大语言模型。想玩的直接去他们的GitHub仓库，npm install就能跑。浏览器demo的链接我放评论区了👇

AYi

64,297 次观看 • 5 个月前

Codex 自己配音更离谱的是，用的还是我自己的声音。一个 41K Star 的开源项目：Voicebox。它可以几秒钟克隆你的嗓音，打一行字，就能直接用你的声音念出来。重点是： • 本地运行，声音数据不出电脑 • 支持 7 大 TTS 引擎 • 支持 23 种语言 • 可以调语速、情绪和声音风格 • 接入 MCP 后，Codex / Cline / Claude Code 这类 AI Agent 能直接开口汇报 • 完全开源免费以前做配音，要么买付费软件，要么用云端 TTS。现在 Voicebox 直接把声音克隆、语音生成、Agent 语音输出放到本地跑。一句话：它像是开源版 ElevenLabs + AI Agent 语音中枢。如果你想让 Codex 写完代码后，直接用你的声音汇报结果，这个项目值得收藏。 GitHub：

Codex 自己配音更离谱的是，用的还是我自己的声音。一个 41K Star 的开源项目：Voicebox。它可以几秒钟克隆你的嗓音，打一行字，就能直接用你的声音念出来。重点是： • 本地运行，声音数据不出电脑 • 支持 7 大 TTS 引擎 • 支持 23 种语言 • 可以调语速、情绪和声音风格 • 接入 MCP 后，Codex / Cline / Claude Code 这类 AI Agent 能直接开口汇报 • 完全开源免费以前做配音，要么买付费软件，要么用云端 TTS。现在 Voicebox 直接把声音克隆、语音生成、Agent 语音输出放到本地跑。一句话：它像是开源版 ElevenLabs + AI Agent 语音中枢。如果你想让 Codex 写完代码后，直接用你的声音汇报结果，这个项目值得收藏。 GitHub：

猪脚饭.Ai

52,113 次观看 • 2 个月前

Google刚发布了 Gemma 4，260 亿参数，开源免费，能在本地设备上离线运行。讲真，这才是 2026 年最合理的 AI 技术栈: 本地模型兜底，顶级模型按需调用。但我认为参数和免费都不是重点，真正值得注意的是它原生支持函数调用，意味着这个模型能自主使用工具，浏览网页，执行代码，调用 API，直接充当一个完整的本地智能体，全程不联网，全程不花钱。 260 亿参数，实测性能对标 6850 亿参数级别的行业顶级模型，跑在普通笔记本上就行。部署只要三行命令： - 安装 Ollama： - curl -fsSL | sh - 拉取模型： ollama pull gemma4 两分钟，顶级本地 AI 就绑在你自己的硬件上了。我计划的用法是这样的，欢迎交流：日常的研究分析、代码审查、文稿起草、数据处理，全扔给本地 Gemma 4，用 MCP 服务器接上工具调用能力，网页浏览、数据库对接、API 接入都能覆盖，只有遇到真正需要顶级推理的硬核任务时，才请 Claude Code 出场。以前每个月在 AI 服务上花几百美元，现在 90% 的日常场景本地免费搞定，只为那 10% 的高难度任务付费。

Google刚发布了 Gemma 4，260 亿参数，开源免费，能在本地设备上离线运行。讲真，这才是 2026 年最合理的 AI 技术栈: 本地模型兜底，顶级模型按需调用。但我认为参数和免费都不是重点，真正值得注意的是它原生支持函数调用，意味着这个模型能自主使用工具，浏览网页，执行代码，调用 API，直接充当一个完整的本地智能体，全程不联网，全程不花钱。 260 亿参数，实测性能对标 6850 亿参数级别的行业顶级模型，跑在普通笔记本上就行。部署只要三行命令： - 安装 Ollama： - curl -fsSL | sh - 拉取模型： ollama pull gemma4 两分钟，顶级本地 AI 就绑在你自己的硬件上了。我计划的用法是这样的，欢迎交流：日常的研究分析、代码审查、文稿起草、数据处理，全扔给本地 Gemma 4，用 MCP 服务器接上工具调用能力，网页浏览、数据库对接、API 接入都能覆盖，只有遇到真正需要顶级推理的硬核任务时，才请 Claude Code 出场。以前每个月在 AI 服务上花几百美元，现在 90% 的日常场景本地免费搞定，只为那 10% 的高难度任务付费。

AYi

203,047 次观看 • 6 个月前

真是开了眼了——一个还在读量化专业的大学生，只花了10天，自己搭了个AI集群引擎，结果在GitHub上火得一塌糊涂，直接拿下13000多颗星，还顺手融了400万美元。最近有个叫MiroFish的项目特别火，它其实是个多智能体模拟器，主要干的事就是帮你预测——不管是交易、公关，还是别的什么领域。 MiroFish到底是个啥？简单说，它就是一个数字版“沙盒世界”。里面跑着几千个AI代理，每个代理都有自己的“记忆”和行为模式，像真人一样在里面互动、讨论、站队。你随便扔一个场景进去——比如某条新闻突然泄露、政策突然变了，甚至一部没写完的经典小说——它就能模拟出这些人会怎么反应、怎么吵、最后得出什么结果，帮你预判现实里可能发生的情况。做这个项目的人叫郭汉江，2025年底的时候还是个本科生。他当时用AI工具帮忙写代码，把核心功能跑通之后，一发到网上就爆了。盛大集团直接砸了3000万人民币进来。后来他把宿舍退了，自己出来开了家公司，现在正带着这方向往前走。这东西能干嘛？目前用得比较多的几个场景：交易方面，你把金融新闻或者财报往里一丢，它就能模拟出市场会不会恐慌、价格大概怎么走，给你个预判的参考。公关测试也很实用，公司或者团队写了个声明，先扔进去跑一遍，看看会不会翻车，再调整措辞。还有人有拿来玩的，比如把一本没结局的中国小说放进去，里面的代理就会“扮演”角色，自己推一个合理的结局出来。部署也不麻烦，用Docker几分钟就能搞定，自带对接各种大模型的API密钥。给大伙支个招：你甚至可以整点“骚操作”——比如模拟马斯克突然发推说“狗狗币2.0来了”，然后看里面的交易员、大V、散户怎么炸锅，整个过程还能生成视频，完全无风险体验一把什么叫“起飞”或者“崩盘”。已经有交易员靠这个赚到钱了。比如有个案例在Polymarket上，有人用MiroFish跑历史数据，模拟完之后去押注SPX 500，最后净赚12万多美元。他的地址是：如果你想省点事，直接跟着高手走，也可以试试Kreo的跟单交易，自动复制他这类人的操作，借力上车。在PolyCop上添加他的钱包 [0x17559efac103ac7f361be37ec0b93888d4c55aac] 到就能开始跟踪或者复制他的交易了。代码在这：

真是开了眼了——一个还在读量化专业的大学生，只花了10天，自己搭了个AI集群引擎，结果在GitHub上火得一塌糊涂，直接拿下13000多颗星，还顺手融了400万美元。最近有个叫MiroFish的项目特别火，它其实是个多智能体模拟器，主要干的事就是帮你预测——不管是交易、公关，还是别的什么领域。 MiroFish到底是个啥？简单说，它就是一个数字版“沙盒世界”。里面跑着几千个AI代理，每个代理都有自己的“记忆”和行为模式，像真人一样在里面互动、讨论、站队。你随便扔一个场景进去——比如某条新闻突然泄露、政策突然变了，甚至一部没写完的经典小说——它就能模拟出这些人会怎么反应、怎么吵、最后得出什么结果，帮你预判现实里可能发生的情况。做这个项目的人叫郭汉江，2025年底的时候还是个本科生。他当时用AI工具帮忙写代码，把核心功能跑通之后，一发到网上就爆了。盛大集团直接砸了3000万人民币进来。后来他把宿舍退了，自己出来开了家公司，现在正带着这方向往前走。这东西能干嘛？目前用得比较多的几个场景：交易方面，你把金融新闻或者财报往里一丢，它就能模拟出市场会不会恐慌、价格大概怎么走，给你个预判的参考。公关测试也很实用，公司或者团队写了个声明，先扔进去跑一遍，看看会不会翻车，再调整措辞。还有人有拿来玩的，比如把一本没结局的中国小说放进去，里面的代理就会“扮演”角色，自己推一个合理的结局出来。部署也不麻烦，用Docker几分钟就能搞定，自带对接各种大模型的API密钥。给大伙支个招：你甚至可以整点“骚操作”——比如模拟马斯克突然发推说“狗狗币2.0来了”，然后看里面的交易员、大V、散户怎么炸锅，整个过程还能生成视频，完全无风险体验一把什么叫“起飞”或者“崩盘”。已经有交易员靠这个赚到钱了。比如有个案例在Polymarket上，有人用MiroFish跑历史数据，模拟完之后去押注SPX 500，最后净赚12万多美元。他的地址是：如果你想省点事，直接跟着高手走，也可以试试Kreo的跟单交易，自动复制他这类人的操作，借力上车。在PolyCop上添加他的钱包 [0x17559efac103ac7f361be37ec0b93888d4c55aac] 到就能开始跟踪或者复制他的交易了。代码在这：

区块链行情研究

158,162 次观看 • 6 个月前

这个项目，真的让我重新燃起了做账号矩阵的冲动。一个 14.5k stars 的开源项目，直接把 Google NotebookLM 变成内容生产流水线。 NotebookLM 很多人应该都用过。上传 PDF、网页、YouTube，它就能帮你整理资料、生成播客、做学习指南。但官方网页版有个很难受的问题：太慢了。传个 PDF，等解析；点生成音频，再等；下载，再等。一套流程跑完，时间全浪费在等待上。更关键的是：它根本不适合批量搞内容。你想一次处理几十个链接？想自动生成一批播客？想接到自己的工作流里？网页版基本没法玩。直到我发现了 notebooklm-py。这是一个非官方 Python API，等于把 NotebookLM 的能力全拆出来了。很多功能甚至比网页版还狠： - 一行命令生成播客 - 支持不同风格、时长、语言 - 批量导入 YouTube / PDF / URL - 幻灯片直接导出 PPTX - 思维导图导出 JSON - 数据导出 CSV - 测验题结构化导出 - 还能用自然语言改单页 PPT 最强的是：它还能接进 Claude Code，当 Agent 技能用。看到这里我脑子里第一反应就是：这不就是账号矩阵生产线吗？热点抓取 → AI研究 → 播客生成 → 图文整理 → PPT生成 → 自动分发整个链路都能串起来。以前做矩阵，拼的是人多。现在越来越像拼工作流了。很多以前需要团队才能做的事情，现在一个人也能跑起来。

这个项目，真的让我重新燃起了做账号矩阵的冲动。一个 14.5k stars 的开源项目，直接把 Google NotebookLM 变成内容生产流水线。 NotebookLM 很多人应该都用过。上传 PDF、网页、YouTube，它就能帮你整理资料、生成播客、做学习指南。但官方网页版有个很难受的问题：太慢了。传个 PDF，等解析；点生成音频，再等；下载，再等。一套流程跑完，时间全浪费在等待上。更关键的是：它根本不适合批量搞内容。你想一次处理几十个链接？想自动生成一批播客？想接到自己的工作流里？网页版基本没法玩。直到我发现了 notebooklm-py。这是一个非官方 Python API，等于把 NotebookLM 的能力全拆出来了。很多功能甚至比网页版还狠： - 一行命令生成播客 - 支持不同风格、时长、语言 - 批量导入 YouTube / PDF / URL - 幻灯片直接导出 PPTX - 思维导图导出 JSON - 数据导出 CSV - 测验题结构化导出 - 还能用自然语言改单页 PPT 最强的是：它还能接进 Claude Code，当 Agent 技能用。看到这里我脑子里第一反应就是：这不就是账号矩阵生产线吗？热点抓取 → AI研究 → 播客生成 → 图文整理 → PPT生成 → 自动分发整个链路都能串起来。以前做矩阵，拼的是人多。现在越来越像拼工作流了。很多以前需要团队才能做的事情，现在一个人也能跑起来。

开发者Hailey

21,316 次观看 • 4 个月前

最近在 GitHub 上刷到一个挺炸的开源项目：Wren AI 它本质上是在做一件我们都很熟、但一直没被真正解决好的事：让不懂 SQL 的人，也能自己查数据库。比如说，业务、运营想看数据，第一反应就是来敲后端：“帮我查下上个月销量前 3 的产品”“这个转化率能不能按渠道拆一下”。 SQL 本身不难，但沟通成本、来回确认、临时插队，才是真正耗时间的地方。 Wren AI 的思路很直接：对话即查询。你直接用自然语言问问题，它会自动生成 SQL、跑库、给结果，甚至顺手把图也画好（柱状图、折线图那种）。可以把它理解成一个 “自带 AI 分析师的开源版 Metabase”，但门槛更低，不用拖字段、不用写 SQL。比较关键的一点是，它不是那种“裸 Text-to-SQL”。 Wren AI 引入了 Semantic Layer（语义层），你可以提前把业务指标、表关系、口径定义清楚，相当于给大模型加了一层“业务护栏”。这一步虽然需要懂数据库的人前期配置一下，但一旦理顺，后面业务方基本很难把数据问歪，准确性和安全性都高很多。模型和部署这块也挺对技术人的胃口： ·云模型：OpenAI / Claude / Gemini 都能接 ·数据不出内网：可以配 Ollama + 本地模型（比如 DeepSeek） ·数据库支持也很全：MySQL、Postgres、ClickHouse、DuckDB 基本全覆盖 ·安装也不折腾，有 Docker 基本就是一键起整体看下来，我觉得它特别适合两种场景： 1）想给团队搭一套真正能用的自助查数平台 2）想研究 “AI + BI + 语义层” 这种更偏工程化的落地方案一句话总结：把“查数据”的自由还给业务，把时间还给开发。

最近在 GitHub 上刷到一个挺炸的开源项目：Wren AI 它本质上是在做一件我们都很熟、但一直没被真正解决好的事：让不懂 SQL 的人，也能自己查数据库。比如说，业务、运营想看数据，第一反应就是来敲后端：“帮我查下上个月销量前 3 的产品”“这个转化率能不能按渠道拆一下”。 SQL 本身不难，但沟通成本、来回确认、临时插队，才是真正耗时间的地方。 Wren AI 的思路很直接：对话即查询。你直接用自然语言问问题，它会自动生成 SQL、跑库、给结果，甚至顺手把图也画好（柱状图、折线图那种）。可以把它理解成一个 “自带 AI 分析师的开源版 Metabase”，但门槛更低，不用拖字段、不用写 SQL。比较关键的一点是，它不是那种“裸 Text-to-SQL”。 Wren AI 引入了 Semantic Layer（语义层），你可以提前把业务指标、表关系、口径定义清楚，相当于给大模型加了一层“业务护栏”。这一步虽然需要懂数据库的人前期配置一下，但一旦理顺，后面业务方基本很难把数据问歪，准确性和安全性都高很多。模型和部署这块也挺对技术人的胃口： ·云模型：OpenAI / Claude / Gemini 都能接 ·数据不出内网：可以配 Ollama + 本地模型（比如 DeepSeek） ·数据库支持也很全：MySQL、Postgres、ClickHouse、DuckDB 基本全覆盖 ·安装也不折腾，有 Docker 基本就是一键起整体看下来，我觉得它特别适合两种场景： 1）想给团队搭一套真正能用的自助查数平台 2）想研究 “AI + BI + 语义层” 这种更偏工程化的落地方案一句话总结：把“查数据”的自由还给业务，把时间还给开发。

sitin

30,152 次观看 • 7 个月前

抖音祁博士那套数字人 Agent产品，一天居然能卖 50 万。同样的东西，老王2 分钟就在本地电脑部署好了。用的就是 Pixelle-Video 这个开源项目，GitHub 上都 22k 星了。数字人口播、动作迁移、图生视频全支持，底层接的是 ComfyUI。给它一个主题，从写脚本、配图、配音到加 BGM、出片，一条龙就跑完一条视频。 Pixelle-Video 最厉害的地方，是它把视频生产完全做成了可配置，支持本地部署模型和云端大模型。文案、画面、配音、剪辑，它拆成四个可替换的模块，每块后面都能换模型，可以自由切换模型，使用非常方便。简单说，就是四步：写稿、出图、配音、剪成片。 >写稿你把主题扔给大模型，它给你一份分镜脚本。每句话都标了时间，还写清楚这句该配什么画面。后面全都围着这份稿子走。 >出图脚本里每一句，再变成生图提示词，交给 ComfyUI 或 DashScope 出图。要动的就走图生视频，要真人出镜口播的走数字人。画面都在这一步搞定。 >配音脚本原文直接进 TTS 念出来。换语言、克隆某个音色，也在这里做，不用自己录。 >剪成片画面按语音时间轴一段段对齐，铺上 BGM，导出 MP4。现在，立刻，跟你的 AI 去对话，让他帮你安装，本地就能运行了。

抖音祁博士那套数字人 Agent产品，一天居然能卖 50 万。同样的东西，老王2 分钟就在本地电脑部署好了。用的就是 Pixelle-Video 这个开源项目，GitHub 上都 22k 星了。数字人口播、动作迁移、图生视频全支持，底层接的是 ComfyUI。给它一个主题，从写脚本、配图、配音到加 BGM、出片，一条龙就跑完一条视频。 Pixelle-Video 最厉害的地方，是它把视频生产完全做成了可配置，支持本地部署模型和云端大模型。文案、画面、配音、剪辑，它拆成四个可替换的模块，每块后面都能换模型，可以自由切换模型，使用非常方便。简单说，就是四步：写稿、出图、配音、剪成片。 >写稿你把主题扔给大模型，它给你一份分镜脚本。每句话都标了时间，还写清楚这句该配什么画面。后面全都围着这份稿子走。 >出图脚本里每一句，再变成生图提示词，交给 ComfyUI 或 DashScope 出图。要动的就走图生视频，要真人出镜口播的走数字人。画面都在这一步搞定。 >配音脚本原文直接进 TTS 念出来。换语言、克隆某个音色，也在这里做，不用自己录。 >剪成片画面按语音时间轴一段段对齐，铺上 BGM，导出 MP4。现在，立刻，跟你的 AI 去对话，让他帮你安装，本地就能运行了。

产品经理老王霸

40,841 次观看 • 3 个月前

你的手机刚刚变成了一台声音克隆机。无需云端，无需联网，无需任何权限。只需输入几秒钟的音频——它就能以惊人的准确度重现你的声音……且完全离线运行。这不是演示，这是在设备端实际运行。Neuphonic 推出的 NeuTTS 正在将语音 AI 推向一个新时代： • 仅需几秒音频即可实现即时声音克隆 • 极其逼真的输出，听起来完全像真人 • 在中端手机、笔记本电脑甚至树莓派上都能实时运行 • 原生支持西班牙语 • 轻量化 GGUF 模型 • 100% 本地化 = 数据绝不离开你的设备这打破了目前 AI 面临的最大瓶颈：对云端的依赖。没有 API，没有订阅，没有监控。我们正在经历从：云端 AI → 个人 AI 租赁模型 → 自有模型这种转变发生的速度比人们想象的要快。语音 AI 不再是你“访问”的对象，而是你“运行”的工具。仓库地址：REPO

你的手机刚刚变成了一台声音克隆机。无需云端，无需联网，无需任何权限。只需输入几秒钟的音频——它就能以惊人的准确度重现你的声音……且完全离线运行。这不是演示，这是在设备端实际运行。Neuphonic 推出的 NeuTTS 正在将语音 AI 推向一个新时代： • 仅需几秒音频即可实现即时声音克隆 • 极其逼真的输出，听起来完全像真人 • 在中端手机、笔记本电脑甚至树莓派上都能实时运行 • 原生支持西班牙语 • 轻量化 GGUF 模型 • 100% 本地化 = 数据绝不离开你的设备这打破了目前 AI 面临的最大瓶颈：对云端的依赖。没有 API，没有订阅，没有监控。我们正在经历从：云端 AI → 个人 AI 租赁模型 → 自有模型这种转变发生的速度比人们想象的要快。语音 AI 不再是你“访问”的对象，而是你“运行”的工具。仓库地址：REPO

Bill The Investor

10,600 次观看 • 5 个月前