🎮 链游新鲜事！GMA日报速递 ⬇️ 📅7/6 1️⃣每日资讯 1. Avalanche @avax 生态Team1推出开发者资助计划 Avalanche 生态项目 Team1 宣布推出全新的 Builder Grants 开发者资助计划，每个入选项目最高可获得 3 万美元的资金支持。此外，加速器资助计划还将引入由社区贡献者组成的投票委员会以决定资金分配。 2. Nakamoto Games @NakamotoGames 公布多款旗下游戏最新开发进度 Web3 游戏平台 Nakamoto Games 发布了旗下多款游戏的最新进展。《Ninja Run》正在开发中，《Pharaoh Rush》正在进行玩法和 UI 重制，《Big Fish》已完成原型制作并着手开发无尽模式，此外还在为 Roblox 开发两张新地图。 2️⃣数据来源 X

迫不及待地分享一个绝美的网站！ Contralabs 是一个由高审美人类专家主导、用来定义和衡量 AI 创意质量的实验室。 ♟️打开网站，映入眼帘的是一个文艺复兴风格的古典雕塑，拿起 21 世纪的点阵笔记本电脑。 通过这种复古与未来的“碰撞感”，Contralabs 向大家传达它的设计理念："we are building taste into creative AI" 为创意类人工智能赋予审美能力。 ☁️在这里，人类沉淀的审美经验与数字未来产生交汇与碰撞。 它由独立自由职业者平台 Contra 推出，依托其全球超过 150 万名专业设计人才（涵盖设计师、视频剪辑师、独立开发者等）的真实反馈，来评估和优化生成式 AI 在创意工作中的实际表现。 市面上大多数 AI 跑分榜单（如 MMLU 等）往往侧重于逻辑、编程或事实问答等具有“标准答案”的硬性指标。但在设计、网页开发和品牌创意领域，好坏往往取决于审美、品味和具体的工作流阶段。 ContraLabs 正是为了填补这一空白而生： 1️⃣ 评估生成式 AI 的“创意水平”： 衡量 AI 模型在实际的创意设计流（从概念构思 Ideation、到原型制作 Mockup、再到最终打磨 Refinement）中究竟能帮上多少忙。 2️⃣ 区分“共识”与“审美偏好”： 在其最新发布的旗舰研究报告《人类创意基准》（The Human Creativity Benchmark）中，ContraLabs 提出了一套全新的评估框架。它将 AI 的输出拆分为两个信号： 收敛性（Convergence）： 评估专家们达成共识的硬性指标，如排版是否易读、布局是否合理、是否有画面瑕疵（这反映了模型的“准确度”）。 发散性（Divergence）： 允许专家们产生分歧的软性指标，代表不同的艺术品味和审美流派（这反映了模型的“可控性”与“多样性”）。 3️⃣ 真实业务场景的盲测： 平台通过让多位专业设计师对 AI 生成的落地页（Landing Pages）、桌面应用、广告图像和产品视频进行匿名的两两对决（Pairwise Ranking）和多维度打分，最终生成真正符合人类专业审美、摒弃了“流水线感”的 AI 评估数据。 现在就去体验这个精致的网站，翻翻里面的研究报告。记得右键开启你的“沉浸式翻译”插件，在最舒适的双语对照排版下，解锁关于未来 AI 创意的深度干货。 🔗

AI让一个人周末就能做出完整产品，但这不代表做产品这件事变简单了。恰恰相反，代码、原型的制作门槛持续降低，判断、注意力、品味、产品控制权，正在变得愈发珍贵。 OpenClaw创始人的分享，点透了AI时代产品竞争的底层变化。 几年前，想要落地商用产品，需要完整的开发团队，个人很难独立走完从原型到上线的全流程。如今依靠AI开发工具，普通人短短几天就能完成编码、调试、部署。技术不再是门槛，原型随手可得。 很多人产生错觉，觉得创业做产品更容易。但竞争赛道已经彻底切换。人人都能快速堆砌功能，单纯的开发能力无法构筑护城河，真正无法被AI替代的是四项能力。 第一是判断。AI只会执行指令，无法区分真实痛点与伪需求。能不能选对赛道、砍掉无效功能，决定项目最终价值。 第二是注意力。需求和工具无限泛滥，能够持续聚焦核心问题，不盲目扩张，是非常稀缺的能力。大量产品失败，并不是做不出功能，而是方向分散，毫无记忆点。 第三是品味。不止是界面美观，而是体验、价值传递上的取舍。AI输出大多是平均水准，独特的产品调性，是拉开差距的关键。 第四是控制权。重度依赖第三方API、外部模型的项目天生脆弱。服务商规则变动、涨价都可能让业务停摆，长期项目必须掌握自身底层架构主动权。 OpenClaw初代原型依靠AI一小时完成，但项目能够持续发展，依靠的并不是开发速度，而是赛道判断、长期聚焦、产品审美与自主可控的架构设计。 现在单人创业项目越来越多，但绝大多数都会快速消亡。通病很一致：只会堆砌AI生成的功能，缺少清晰定位，高度依附外部工具，没有自身壁垒。 技术红利慢慢消退，未来比拼的不再是谁更快做出原型。精准的商业判断、持续专注的精力、差异化审美、自主可控的产品体系，才是长期核心竞争力。 善用AI放大效率，但先打磨好属于自己的底层能力，再动手做产品。 #ai创新# #ai创业# #ai趋势#

OpenAI 内部约 90% 的人每天都在用 Codex。 但他们并不只拿它写代码： PM 用它整理客户反馈、制作原型、推进 PR；设计师用它探索 UI；团队同时调度多个 Agent。 这段 39 分钟访谈真正展示的，是 AI 正在如何重写产品团队的工作方式。👇

《恶魔王子》SODA *奶凍 塞克*丝莱芙*凯厄斯 B款（母主粉豚版） 属性：女、比例人型、露出 定价：1400元 定金500 34,170日元（含税） 发售日：2024年4月22日 出货日：2024年七月 比例：1/6 制作：SODA studio 原型：奶凍 角色：塞克*丝莱芙*凯厄斯 作品：《恶魔王子》 地址之一如下:

都说《龙餐厅》很不错，好多人称这是《我不是药神》导演文牧野的又一部“封神之作”。刚抽空去看了，的确相当精彩，但也没到“封神”的地步。在此不多剧透，仅谈谈几点看法： 电影制作与演员表现 首先，故事的叙述、人物的刻画以及整体剧本的驾驭都非常出色。节奏极为紧凑，即使采用了倒叙等手法，也没有任何错乱、交代不清或刻意雕琢的感觉。选角也很贴切，主角沈腾的演技稳如老狗，该幽默时幽默，该煽情时煽情，演得十分真实自然，完全没有表演痕迹，活脱脱就是那个大时代里一个有血有肉、有感情的小人物。配角们也同样给力，广西小伙、美国一等兵、前后拥有两种身份的餐厅老板、帮厨的本地小男孩以及一众儿童群演，都把各自的角色塑造得十分丰满。 此外，整个中东场景的搭建也非常考究。10万平方米1:1手工搭设的完整中东城市街区，复刻了200多栋中东风格建筑，龙餐馆室内、市井街道以及巷战炮火都在这里完成，服化道真实到位。电影的主旨总体来说没有大问题，以保护战乱地区的儿童为核心，呼吁全世界不要将儿童绑架到任何意识形态的战争中充当炮灰。结合目前巴以冲突的现实背景，具有相当积极的现实意义，值得大力点赞👍。 叙事视角与历史背景 作为一部主要在中国大陆上映（且顺利过审）的作品，叙事上自然需要一定的主旋律加持。说句公道话，虽然片中未明确说明，但显然是以当年的伊拉克为原型，时间线完全吻合。影片并没有过度将美军刻画为单纯的入侵者，虽然涉及美军对某些恐怖分子头目施加刑讯的镜头，但整体表现得比较克制，没有刻意煽动渲染。同时，片中对当地的“反抗力量”（实质上的恐怖分子）也没有给予过多同情，反而主要谴责他们以家国、宗教等名义欺骗诱导战乱孤儿，让他们充当盲目牺牲的炮灰。 不过，片中依然难免带有某些意识形态的“私货”。例如对美军说出“没有你们美国来这里，怎么会有恐怖分子？”之类的台词。现在很多国内的90后、00后可能真的以为当年伊拉克等地的局势，纯粹是因为美国无端干涉他国内政、发起入侵才导致了一系列人道主义灾难。 然而，了解历史的人都知道，第一次海湾战争主要是因为萨达姆入侵邻国科威特，联合国通过决议后，美国组建多国部队击败伊拉克军队并解放了科威特；随后第二次伊拉克战争才正式进入伊拉克推翻了萨达姆政权。 对国际秩序的思考 也许美国的某些军事行动并非完全出于正当理由（well justified），其行为也远非完美，但试想一下：在过去数十年里，如果没有一个像美国这样的“世界警察”角色存在，世界会变成什么样子？ 南斯拉夫、巴勒斯坦、黎巴嫩、伊朗、利比亚、俄乌冲突、印巴与朝韩局势、台湾海峡以及军阀混战的非洲诸国等，是否早就乱成了一锅粥？当今世界或许并不完美，但总体上依然保持着和平与发展的主旋律。因此，一味将中东局势的动荡归咎于美国的介入，是一种既愚蠢又危险的论调。 最后，我们可以看看今天伊拉克人民的实际生活状况——这一点在国内其实鲜少宣传。大家不妨一起看看，在战争结束20多年后的今天，那里究竟是变好了，还是变差了： 人口：萨达姆上台时（1979年）人口约1317万，倒台时（2003年）约2680万；现在（2026年）约4800万，比2003年增长近80%。 经济：萨达姆时期人均GDP从高峰约3000-4000美元跌至倒台时约800美元，现在约5410美元，已明显超过其末期水平。 生活：萨达姆制裁年代贫困与物资短缺严重，现在贫困率约17.5%、食品支出占比下降，但部分地区电力和服务仍不足。 安全：萨达姆靠高压维持表面稳定却伴随战争与镇压，现在大规模内战已结束、安全感大幅提升，但仍有局部民兵与区域风险。 发展与自由：萨达姆时期教育医疗一度较好但政治零自由，现在HDI进入高人类发展区间、预期寿命提高，且有相对开放的政治空间。

视频生成赛道的竞争，看似正在收紧——Sora延迟、Runway更新、大厂纷纷入局。 但PixVerse的C轮扩展融资4.39亿美元、估值超20亿，却透露出一个相反的趋势：赛道不仅没有收紧，反而在快速分化，挤进专业影视和游戏开发的新岔道。 先看事实：新加坡创企PixVerse刚刚完成C轮扩展，总融资额4.39亿美元，估值突破20亿美元。 消费端注册用户超1.5亿，月活超1500万，图生视频每分钟4.80美元。投资者名单里包括阿里巴巴。 公司手握三个产品系列——V系列面向消费者和API，C系列针对专业影视，R系列是今年初发布的世界模型，专攻游戏开发。 这个产品矩阵，暴露了视频生成行业的一个结构性变化：工具正从单一的视频短片生成，演变为分层级的创作基础设施。过去，AI视频生成主要满足C端用户的片段式娱乐需求，比如生成一段跳舞或风景短片。 但现在，PixVerse用C系列和R系列直接切入影视制作和游戏开发的工作流，这意味着视频生成技术开始渗透到生产级环节，有可能重塑内容供应链。 为什么这个分化现在发生？有两点驱动力。第一，消费端的视频生成体验已经进入一个相对成熟的阶段，但差异化越来越难，价值天花板有限。PixVerse尽管有1.5亿注册用户，但每分钟4.8美元的价格，在竞品中不算低，靠C端用户订阅很难撑起高估值。 所以必须向上游走，去覆盖更高客单价、更高粘性的专业市场。第二，专业影视和游戏开发对“可控性”和“一致性”有根本需求，这恰好是纯扩散模型或简单文生视频难以满足的。世界模型方案试图解决这个问题：通过内置物理规则和交互逻辑，生成的不再是平面视频，而是可以实时互动、多视角连贯的虚拟环境，这更接近游戏引擎的路线。 但这套逻辑的边界也很清晰。C系列能否真正服务影视工业？专业影视对画面构图、灯光、运动镜头、色彩风格有一整套工业标准，AI生成的画面能否无缝融入现有后期流程，还是个巨大的问号。 R系列世界模型听起来性感，但从DEMO到可交互的游戏资产，中间隔着工程化的鸿沟——性能、延迟、与游戏引擎的整合，每一项都可能卡住落地进度。竞争对手也没闲着：Runway正在深耕影视协作，Google的Veo和Meta的Movie Gen背后有算力和数据优势。PixVerse的融资规模虽大，但若产品打磨跟不上，估值可能变成负担。 长期来看，如果PixVerse能同时跑通消费、影视和游戏三条线，它有潜力成为内容创作的底层基础设施，类似视频领域的“操作系统”。 但更可能的剧本是，它需要在某个方向上形成绝对壁垒，否则会面临被大厂生态吞掉的危险——就像样稿里分析的，通用工具品类很容易被平台变成一个“tab”。 落实到不同角色的行动建议： 👉 普通内容创作者：可以继续用V系列降低视频制作门槛，但不要产生过度依赖。拍摄基本功和创意策划仍然是核心，AI视频只是放大器。 👉 专业影视团队：可以关注C系列的内测反馈和实际样片，评估是否能嵌入部分后期或预演环节，但短期不要指望全链路替代。 👉 游戏开发者：R系列值得跟踪，尤其关注它是否能生成符合引擎标准的资产，或降低关卡原型成本。目前距离商用至少还有一两年，更适合做技术储备。 👉 投资者/创业者：视频生成领域正从泛化走向垂直，但垂直意味着更高的行业壁垒和更慢的渗透速度。追高估值之前，先看产品的留存率和单位经济模型，比看融资金额更有意义。 PixVerse的这轮融资，与其说是视频生成赛道的胜利，不如说是创作工作流进化的一个信号弹。真正值得押注的，永远是那些能把技术塞进具体工作场景、并卡住某个不可替代环节的公司，而不是又一个“生成炫酷视频”的玩具。

为什么越来越多人愿意“自己搓一个工具”？Vibe Coding正在发生什么变化？ 微博VibeLab AI 创意赛收官了，一共有 2500 多件原创作品，2.4 亿多话题阅读。很荣幸这次是评委一员，有机会翻看了不少优秀的参赛作品，也转发了其中一部分。 一个直观的感受就是软件开发这种事情，不再需要专业人士了，普通人也能 Vibe 一个工具出来。 所以借这个机会，整理总结一下：为什么越来越多人愿意“自己搓一个工具”？Vibe Coding正在发生什么变化？ 一、写代码这件事，门槛和成本都降下来了 写代码以前是程序员的专利，想写个工具，别说学语言框架，搭个环境都费劲的要死，随便一个环境都能把你卡住，像我这样写程序得有很多年的，换个不熟悉的语言，一样也搞不定。 现在借助 AI Agent，门槛一降再降，现在你只要有一个 Agent，会打字或者会语音，都能指挥 Agent 帮你写一个 App 出来。写代码这件事，从以前需要专业技能，到现在变成了语言表达能力。 我自己身上都有明显变化，从以前对 Vibe Coding 的嗤之以鼻，到现在“真香”，每天都大量的在指挥 Agent 帮我写代码。 二、以前的软件，满足不了长尾需求 长尾理论说的是，需求分布是一条长长的尾巴：头部是大多数人共有的需求，尾巴上是无数小众的、个性化的需求。传统软件只能做头部，因为为少量用户单独开发功能，成本上是不合算的。 而且，就算你有个好想法，也很难传递到开发者那里。想象一下一个普通用户的需求要经过的链条： 用户反馈 → 产品经理收集筛选 → 转化成需求文档 → 设计师出设计稿 → 程序员做系统设计 → 编码 → 测试 → 运维部署 每一环都在过滤、都在排优先级。最终大部分普通用户的需求，都被筛选掉了，软件最终只能取最大公约数，做绝大部分人都需要的那部分。 结果就是，市面上的软件很多，但每个人都有一堆“要是能这样就好了”的小需求，从来没有被满足过。 这次 VibeLab 里我印象很深的一个作品是 @机器旁白 做的 SiaoCut 。起因是他看到我做的 BaoCut，很喜欢“转写、像改文稿一样编辑、AI 处理、人工审阅、导出”串成一条工作流的思路，但 BaoCut 只支持 macOS，他是 Windows 用户。放在以前，他只能等我哪天有空做个 Windows 版，或者就此作罢。现在他自己和 AI 一起做了一个，而且不是简单复刻，还在这个过程中想清楚了自己关心的问题：AI 进入剪辑流程后，应该拿到多少数据，能替创作者决定到哪一步。 这就是长尾需求被满足的样子：不需要等别人来做，有需求的人自己就能把它做出来！ 三、Vibe Coding 让成本变低、链条变短 所以以前那种长长的从需求到交付的链条，现在可以缩成简单的几步： 有个想法，让 AI 去设计、制作、部署。 甚至于很多需求根本不需要做成一个有界面的产品。 比如你想每天自动整理某个表格里的待办，或者每周追踪最新的 AI 资讯，这些事让 AI Agent 帮你写个脚本，再让它自己定时调用就行了。 比如 @张铁蕾 开源的 Bridgic Agent 就是这样的作品：输入 /build，描述你的目标，它自己去探路、生成、验证，遇到需要你判断的地方再来问你。做出来的不是一次性跑完的任务，而是可以长期运行、随时修改的工作流。 还有一种更轻的做法：把你的操作流程、经验和偏好写成 Agent Skill，就像一份告诉 AI 怎么做某类事的说明文档，那么以后 Agent 就能按照 Skill 的说明帮你把很多繁琐的事情变成自动化半自动化的操作，大幅提升你的效率。 现在随着 Agent Computer Use（操作电脑）的能力增强，你甚至可以让 AI 观察你操作一遍，然后它自己能把它你的操作录制成 Skill。不需要界面、不用部署，但它确实能替你干活。 四、模型和智能体的能力，一直在变强 现在普通人也能 Vibe Coding，还有一个重要原因是模型能力在变强。 回头看这几年的变化： 最初，像 GitHub Copilot 只能做代码补全，你写一半它提示后半段； 然后，它能根据描述生成一段完整的代码； 后来， Claude Code 能自己在项目里探索，读文件、找上下文，把一个功能完整实现； 现在，主流 Agent 都已经能做设计、写代码，还能帮你操作电脑，打开浏览器自己验证做出来的东西对不对。 模型每上一个台阶，普通人做工具的难度就降一截。VibeLab 期间正好赶上 Kimi K3 发布，很快就有创作者拿它做体检报告工具、做斗地主游戏，还有人把 Claude Code、Qoder、GLM、Kimi K3 混着用。 由此也可以看得出越来越多的人已经不再把 AI 当聊天机器人了，能配合 Agent 把 AI 当干活的工具。 五、变化的还有“做工具”这件事本身的心态 看作品的时候我还注意到一点：很多作品不追求改变世界这种宏大的事，就是想先解决一个具体麻烦。比如说工作流太碎、长辈不听劝、拍照没人帮、看不懂热点，作品的起点都是这样一个一个具体的痛点。 最初微博在设定大赛规则的时候，把赛道拆进职场、生活、视觉、微博这些具体场景，现在看来还挺有道理的，因为这确实能激发人 Vibe 的冲动，想去用 AI 解决生活中的问题。 其实这次参赛的作品也不都是工具。@世界第一裹凉皮 把 32657 位诗人、933857 首诗做成了一个三维宇宙 ；@德里克文 的「华夏博物志」把全国博物馆收进一幅可以点开的中国画 ；@海辛Hyacinth 把三星堆&金沙文物变成了互动场景 。这些作品看起来似乎不像工具那么实用，但让我们看到 Vibe Coding 不只是提效，也可以服务于文化和审美。 以前想做这样的东西，需要一个团队，现在一个人，不需要会写程序，有自己的想法加上 AI 就可以试试看。 最后，如果你也想自己搓一个工具，我的一点建议： 从写一个 Agent Skill 开始。 这是成本最低的方式：不用部署，不用界面，把你希望 AI 帮你做的某类事情写清楚就行。做一次，发现哪里不对，改一改，很快就能用起来。 顺便推荐下我的书《图解 Skill》，也是不错的 Skill 入门书籍。 如果要做网页或者 App，不用一上来就让 AI 把整个东西做完。 建议分步走： 1. 先和 AI 一起讨论需求，把你想要什么说清楚，让它复述一遍，确认理解一致。 2. 先做原型。也就是用模拟数据，只看长什么样、怎么操作，不接真实逻辑。原型的好处是改起来成本低，修改容易，就算推翻重来都很快。 3. 再做 MVP（最小可行产品），只做一个最核心的功能，先做一个小的能跑的东西出来。 4. 再慢慢迭代，有了 MVP 了，能跑起来了，就可以慢慢迭代，一次加一个小功能，AI 能处理的过来，你也验收的过来，日积月累，慢慢会变成成熟的软件。 做完一定要验收。 从头到尾按一个真实用户的路径试一遍，AI 说做完验收完不一定靠谱，还得自己上手用用。 注意安全。 涉及钱、隐私、账号权限的东西要格外小心，拿不准的地方去找专业人士问一下。就像 SiaoCut 的作者给 AI 划定了边界：AI 只拿到任务所需的文本和时间戳，不碰原始媒体，处理完只生成待审建议，最终由人决定。这样的思路值得借鉴。 最后说一句，做出来之后，发出来。 这次 VibeLab 里不少作品原本只是作者电脑里的一个 Demo，发到微博之后被讨论、被转发，有的还上了热搜。对于自己动手做东西的人来说，“作品被看见”是最好激励，也是下一次迭代的开始。

最近半年听过最好的一期AI播客。 今天在出差的路上，听了一期 AI 播客，很有启发。 和我之前看过的大多数 AI 播客不太一样，这一期聊的不是模型、工具或者创业机会，而是在认真讨论一个问题：AI 时代，一个人该如何成长。 嘉宾是 Notion 的产品负责人。这哥们的很多观点都特别接地气。 因为最近一段时间，我连续写了几篇 Codex、Claude Code 的使用教程。 本来只是分享自己的使用经验，没想到吸引来了不少原本并不怎么关注 AI 的读者。 和他们交流之后，我发现一个很有意思的现象。 很多人在学习 AI 的时候，仍然沿用着互联网时代的思维方式。 大家最关心的是学哪个工具、掌握哪些技巧、收藏哪些提示词，希望通过学习一套方法，快速获得结果。 这当然没问题。但听完这期播客之后，我越来越觉得，那些具体的方法和技巧或许没有大家想象中那么重要。 因为工具会变，模型会变，今天流行的工作流，几个月后可能就会被新的方式替代。真正能够长期留下来的，反而是一些更底层的能力。 不知不觉，今年上半年只剩最后 15 天了。如果让我从这半年看过的所有 AI 播客里只留下一期推荐给大家，那我会选这一期。 具体内容我放到附件了，大家可以自己去看。下面是我的一些总结。 1、AI 时代，主动性正在变得越来越重要。因为工具的使用门槛正在快速降低。 过去一个人会写程序、会设计、会做产品，本身就是一种很高的壁垒。想掌握这些能力，往往需要投入大量时间学习。但现在情况正在发生变化。 借助 AI，很多人已经能够快速获得过去需要几年才能积累起来的能力。技能本身的重要性正在下降。主动性、审美和判断力的重要性却在快速上升。 因为 AI 可以帮我们完成很多事情，但它无法替你决定做什么。它可以帮你实现想法，但无法替你产生想法。 最终拉开人与人差距的，越来越不是会不会某个技能，而是愿不愿意主动动手试一试。 2、或者更具体点说，如果一个人有主动性的话，那 AI 工具就可以为你所用。如果你不想做，那任何先进的生产力工具跟我们也是绝缘的。 说个故事，我下午刚从客户那里回来，某一线大厂。上个月，我给客户推荐过一个候选人，问起情况，客户说面试没通过。 我很惊讶，我推荐的候选人是我的前同事，我和他共事过，这人基本功很好。客户叹了口气说：主要问题是他的主动性不够。 我继续追问：你是怎么判断出来主动性不够的？ 客户回答：问之前在某个项目里负责了什么，话里话外能听出来，他的工作范畴仅仅就局限在领导安排的事情上，没见着他的思考，也没见着他为完成目标额外做过什么事情，按部就班，有点当一天和尚撞一天钟的感觉。 主动性不够，来我们团队，很难生存下去。所以也就没推进了。 我挺认同客户的判断。 不管是在大厂还是小厂，主动做事，为目标着急永远是重要的能力。别人推一步，然后干一步，这种性格很难把事情做好。 并且，我总觉得，主动是一种受益终生的思维方式，主动和同事沟通进展，主动思考问题的解决方案，主动认识一些厉害的人...... 3、主动性不是天生的，它可以通过训练获得。很多人以为行动力是一种性格。有的人天生敢折腾，有的人天生保守。 但 Notion 产品负责人 Max 的看法不一样。他觉得 Agency 更像一种肌肉，你越经常动手，它就越强。你越习惯等待，它就越弱。 培养 Agency 最简单的方法，是从解决自己的小问题开始，先找一个真实存在的小问题。 比如一个重复劳动特别烦，比如一个流程特别低效，比如一个文档整理特别麻烦。然后试着用 AI 给自己做一个小工具。 哪怕只有自己用也没关系。因为重点不是工具本身，而是在这个过程中建立一种认知：原来问题是可以自己解决的。 4、在动手构建的过程中，有一天我们会突然意识到，这个世界其实是由一群并不比你聪明多少的人创造出来的。 很多规则、产品、流程、组织，看起来理所当然，但本质上都是人设计出来的。既然别人能设计，那我们也有机会重新设计。这种认知转变，往往是行动力真正觉醒的开始。 很多人遇到问题的时候，第一反应就是等。等领导给方向，等产品提需求，等别人先做出来。 但其实，我们应该调整自己的思维方式，让自己遇到问题之后，下意识地开始行动。因为现在我们已经有 AI 这个强大的工具了。 5、品味并不是审美好，也不是见多识广。Max 对品味有一个非常有意思的定义。所谓品味，本质上是一种预测能力。 看到一个产品、一个功能、一个内容创意时，脑海里能够大致预判用户会不会喜欢，会不会愿意使用，会不会愿意分享。 这种能力听起来有点抽象，但其实非常重要。因为今天 AI 已经能够帮助完成越来越多具体工作。写代码、生成图片、制作 PPT、整理文档，这些能力正在快速普及。 当越来越多人都能把东西做出来的时候，决定最终差异的往往不再是执行能力，而是判断能力。 同样一个想法，有的人能够一眼看出它值得继续投入。有的人则会在错误方向上投入大量时间。两者的区别，很多时候就是品味。 6、品味的提升没有捷径。它有点像训练模型，不断构建自己的作品，不断获得反馈，再不断修正判断。时间久了，脑子里就会形成一个越来越准确的模拟器。 很多人以为高手靠天赋，其实更多是在高频反馈里积累出来的。这是基本的逻辑。 另外，提高品味最有效的方法，其实是持续接触优秀作品。 因为人的判断标准，本质上来自参照系。看过足够多优秀的产品、文章、设计和创意之后，对好坏的感知会越来越敏锐。 7、很多人容易掉进一个陷阱，总觉得准备充分了再开始。 过去这种思路其实没有问题。因为以前验证一个想法的成本很高。做一个产品，可能要找工程师、找设计师、写方案、排计划。 很多事情还没开始做，已经投入了大量时间和资源。所以大家会习惯先研究、先分析、先讨论。 但 AI 改变了这件事。今天很多想法，一个下午就能做出原型。一周时间就能拿到第一批反馈。 过去需要一个月才能知道的答案，现在可能几天就能验证出来。 所以越来越重要的一种能力，是快速尝试。想到一个点子，就先做出来看看。发现问题，再继续修改。拿到反馈，再继续迭代。 AI 让试错变得越来越便宜。 当试错成本下降之后，一个人能够尝试的次数会大幅增加。一年做十次尝试的人，和一年做一次尝试的人，最终积累出来的判断力往往完全不同。 8、AI 时代，一个很大的变化是，职业发展的坐标系正在发生变化。 过去很多人会把职业成长理解成职位的变化，从专员到经理，从经理到总监，从初级工程师到资深工程师。 但随着 AI 让越来越多职业边界开始融合，很多岗位本身都在快速变化。 相比职位叫什么，未来更重要的可能是一个人能不能独立完成一件完整的事情，能不能把一个模糊的想法变成真正被人使用的成果，以及遇到问题时有没有能力推动事情继续往前发展。 这些能力不会随着岗位变化而消失，反而会变得越来越重要。或者换句话说，大家应该看到了，现在很多公司的中层在快速的贬值，特别是一些已经没有具体做事能力的中层，在现在的市场上，已经没什么竞争力了。 角色边界会继续模糊，混合型人才 + 高主动性才是持久的竞争力。

<大空头>电影原型迈克尔·伯里上个月做空 AI 赚麻了 2008年房地产牛市孤注一掷做空赚到4.8亿美元 18年后的今天，伯里又找到了他眼中的下一个泡沫 AI 6月30日全面做空AI产业链，伯里认为韩国大举投资芯片是终结的开始，整个 AI 产业陷入循环自嗨 芯片股涨→设备商涨→每个新工厂都被当成需求永续的证据→更多钱涌入→继续涨，最终崩盘 半个月，五个仓位四个浮盈，大空头2.0真的来了？