Ashlyn He
@AshlynHe1129
AI穿戴产品创业中 ｜前字节&牛津AI startup | LSE alum
Building ZenStellar @HeAisling
🍠：Ashlyn超爱喝奶茶
📮：ashlynhe1129@outlook.com
517 正在关注 11K 粉丝
AI真正的分水岭：不是它会不会思考，而是它已经开始“动手”
OpenAI发布GPT‑6 Astra后，最吸引眼球的说法是：AGI可能已经到来。
但“它是否真的像人一样思考”，或许并不是这次发布最值得关注的问题。更重要的变化是，AI已经不再满足于坐在对话框里回答问题，而是开始操作电脑、使用软件并连续完成任务。
按照OpenAI的介绍，Astra可以填写在线表格、更新客户资料、管理日历、安装测试软件，也能操作专业工具，完成数据分析、网页制作和文档处理。过去，我们向AI询问“应该怎么做”；现在，我们逐渐可以直接告诉它“替我做完”。
这才是真正的分水岭。
一个只会输出错误答案的AI，造成的通常是一段需要修改的文字；一个能够操作电脑的AI，如果理解错了指令，却可能填错表格、修改错误的数据，甚至对现实系统采取不该采取的行动。AI的风险由此从“说错话”，变成了“做错事”。
这种担忧并非纯粹想象。OpenAI将Astra列为首个达到其“关键级网络安全能力”门槛的模型，并称它在测试中发现和利用了此前未知的软件漏洞。与此同时，OpenAI也强调，正式发布的版本设置了安全限制，高风险能力不会完全向普通用户开放。
所以，我们不能简单地说Astra已经失控，也不能因为几个漂亮的演示就宣布AGI正式降临。产品展示和公司自己的测试，仍需要更多独立验证。
但有一点已经很清楚：衡量AI的标准正在改变。
过去的问题是“它知道多少”“它答得对不对”；接下来的问题将是“它能获得哪些权限”“谁批准它行动”“做错之后由谁负责”。
当AI只是聊天工具时，人类主要负责判断答案；当AI成为行动者时，人类还必须设计边界、审批和追责机制。能力越强，能够点击的按钮越多，这些问题就越不能被一句“模型更聪明了”所掩盖。
因此，Astra是不是AGI，也许暂时没有那么重要。真正值得警惕的，是AI已经从提供建议走向执行任务——而我们的制度、组织和责任体系，可能还停留在它只会聊天的时代。
显示更多
突然想起以前在字节上班，
压力太大了，然后去看心理医生
医生听到我是字节打工人就很震惊，
他说因为刚刚排我前面的3 个人都是字节的。。。😂
字节员工真是麻了。字节内部发布全员信，决定再次上调员工期权回购价格，至 241.35 美元。
而去年 10 月，回购价格还是 200.41 美元，这意味着不到一年，字节员工手里的期权，按官方回购价，已上涨 20%，员工可申报寻求变现卖出。
显示更多
最近新闻和瓜看太多，
心累了。。。
出去滑滑板了，
推荐大家都来滑滑板，
虽然对锻炼薄肌没啥帮助，
但是真的挺释放压力的。
a16z豪掷11亿美元押注“机器时代”：AI竞争正在转向“模型之下”
这一轮AI竞争，最先不够用的，可能不是模型，而是承载模型的机器。
a16z最近成立了一只规模达11亿美元的“Machine Age”基金。它在官方帖中把投资方向说得很清楚：芯片、内存、网络、系统软件、电力，以及将AI带入物理世界的各种机器。
这不是说模型不再重要，而是模型发展太快，以至于它下面的整个计算系统开始跟不上了。
过去几年，我们判断一家AI公司是否领先，常常看模型参数、推理能力和排行榜。但模型真正运行起来，需要芯片处理，需要内存保存数据，需要网络连接大量服务器，也需要供电和冷却。到了机器人等物理设备上，还要解决传感器、机械结构、可靠性和量产问题。
这些过去不太受互联网投资者欢迎的“硬问题”，现在反而成了AI发展的瓶颈。
这也是a16z这只基金最值得关注的地方。作为一家长期以软件投资著称的机构，它正在把硬件变成正式的投资方向。官方披露，近几年进入其视野的硬件创业项目，已经从很小的比例上升到约20%以上。
资本显然意识到，模型能力可能越来越容易获得，但让模型以更低成本、更高效率进入真实世界，仍然非常困难。
未来的机会因此不只属于大模型公司。有人可以重新设计芯片，有人可以提高内存带宽，有人可以改造数据中心内部的网络和供电，也有人可以制造真正有用的机器人。甚至系统软件也会重新成为重要生意，因为再昂贵的硬件，如果不能被有效调度，同样只是低效运转的机器。
不过，这场投资也包含风险。
a16z相信AI需求还会快速增长，因此今天的硬件和基础设施远远不够。但如果AI应用最终无法创造足够收入，那么大量芯片、设备和数据中心也可能变成昂贵的过剩产能。软件方向错了，可以快速修改；硬件方向错了，留下的却是库存、厂房和债务。
所以，“机器时代”既是机会，也是一次规模巨大的产业判断。
a16z真正押注的，并不是某一种芯片，也不只是机器人。它押注的是：AI不会永远停留在聊天窗口里。它会进入服务器、汽车、工厂、家庭和各种机器，而承载这些智能的硬件与系统，需要被重新设计一遍。
模型仍然是大脑。但下一阶段的竞争，是谁能为这个大脑造出更好的身体。
显示更多
Today, a16z is announcing the Machine Age Fund, a new $1.1 billion fund for founders rebuilding what intelligence runs on: chips, memory, networking, systems software, power, and the machines that bring AI into the physical world.
Ben Horowitz, Martin Casado, and Raghu Raghuram see a new economic law. A thousand engineers cannot erase a two-year software lead, but a massive GPU cluster can turn capital directly into capability. Models are improving faster than the memory, interconnect, power, and cooling beneath them.
The founder map is changing with it. Some of the strongest teams are moving from pure software into complex hardware because every constraint in the stack is now a company-building opportunity.
In this conversation with Erik Torenberg, they explain what founders can build, why the opportunity reaches all the way down to the physical stack, and why a16z created a fund for it.
00:00 Intro
01:08 Why AI needs an entirely new infrastructure
02:02 The bottleneck is no longer the model
02:40 Founders saw it before investors did
06:07 Sold out through 2028
07:14 Why this time is different from 1999
08:57 The company whose idle hardware gained value
10:51 "Why didn't this fund exist five years ago?"
13:51 "Nobody likes to use AI more than AI"
17:06 The startup law that capital just broke
21:05 What Grok Bot got right
26:43 The case for a custom chip per model
28:23 Why AC power isn't good enough
32:07 Lots of new electricians
34:14 What one gigawatt can power
35:03 Why utilities can't just build faster
37:22 The data centers that give power back
38:01 Why we should never have called it AI
39:43 Why Nvidia will willingly leave money on the table
48:08 Hardware founders are older
52:36 Why America has to lead
YouTube:
@bhorowitz @RaghuRaghuram @martin_casado @eriktorenberg
显示更多
最近看到 AdaL，一个来自硅谷的coding agent 的产品。
说实话，最开始吸引我的不是 benchmark，也不是它用了哪些模型，而是网站。
现在不少 AI coding 产品的视觉都很相似：黑底、终端、硬核科技感。AdaL 也有技术产品的锋利，但又多了一点轻盈和灵动。我会把这种感觉形容成“甜酷”。
后来知道创始人是女生，再看到 AdaL 这个名字来自 Ada Lovelace，会觉得这种气质还挺完整的。不是刻意把技术产品做得“女性化”，而是在一个通常由男性审美主导的领域里，提供了另一种表达：可以漂亮、有个性，同时也很认真地做技术。
再往下看产品，我觉得 AdaL 真正值得关注的地方，不是“又一个能写代码的 AI”，而是它在尝试把 coding agent 从“帮你写代码”，往“自动完成整个开发流程”再推一步。
现在很多 coding agent 已经很强，但实际开发中，人还是要不断参与：拆任务、做决策、切换 agent、补上下文、检查结果，再告诉它下一步做什么。
AdaL 更想做的是把这些中间环节也自动化，让多个 coding agents 能在一个 workflow 里持续协作、推进任务，减少人反复介入。
如果你也已经在同时使用几个 coding agents，又有点厌倦反复解释和盯进度，可以看看 AdaL。
目前第一周使用是免费的：
显示更多
所有女性都要远离孙割这种人，
来看看玉伯老师写的，
今晚被玉伯老师圈粉了。
我让 AI 找一个值得做的产品，它盯上了律师账单里的 6 分钟
最近用 AI 做产品调研时，我越来越明显地感觉到一个问题：
信息并不缺，缺的是判断。
问“下一个 AI 机会在哪里”，很容易得到一长串听起来都对的答案：AI 法务、AI 财务、AI 营销、AI 编程……
但真正准备行动时，还是不知道哪个需求真实存在，哪个只是被反复包装的趋势。
所以这次我换了一种问法。
我让 AI 从用户抱怨、产品评论、GitHub Issues、行业报告和现有产品中寻找信号。每提出一个方向，还必须主动寻找反证：竞争太强、付费意愿不足，或者已经有成熟工具解决，就淘汰。
它一共比较了12个方向。
广告上线前 QA 的损失很直接，但链接和落地页检查已经有成熟工具；AI 代码审计的痛点很强，但市场拥挤，而且人仍然可能需要逐行复核；财务对账高频，却绕不开数据权限和“到底以哪个系统为准”的问题。
最后留下的，是一个我原本完全没有想到的场景：
律师的工时记录与账单叙事（比如美国的法律服务）。
许多按小时计费的律师以0.1小时，也就是6分钟为单位记账。会议、邮件、电话和文档修改结束后，他们还要回忆自己做过什么、匹配案件、补记时间，再把记录改成客户能够接受的账单描述。
AI 在这里不需要替律师做法律判断。
它只需要把日历、邮件和文档活动整理成带来源的候选记录，再由律师确认、修改或删除。
它真正解决的也不是“写得更快”，而是减少漏记、降低审核返工，并让每条收费描述都有依据。
这次测试用的是 Apodex。它里面的 Deep Discover 最让我意外的地方，不是能生成多少想法，而是会主动反驳自己的想法，把一个宽泛的问题逐步收敛成可以验证的假设。
它也没有把这个结果包装成确定的创业机会，而是给出了一套30天验证方案：访谈律师和 billing manager，用脱敏样本测试草稿编辑时间，再验证是否真的有人愿意进入付费试点。
如果律师不愿开放数据、修改草稿和自己重写一样费时，或者现有软件已经够用，那这个方向就应该停止。
我觉得这才是这次测试最有价值的地方。
它没有替我宣布一个答案，而是帮我排除了一批看起来正确的答案，最后告诉我：
下一步最值得验证什么，以及出现什么结果时应该放弃。
有时候，真正有用的 AI 不是让人更快得到结论，而是让一个模糊的问题，终于有了可以行动的下一步。
Open Source Harness:
Open Weights:
Website:
显示更多
许家印被判无期，宇树科技上市敲钟。
两件事只隔了一天，看起来毫无关系，放在一起却很像一个时代交接的瞬间。
许家印代表的，是中国过去几十年最风光的一代企业家：房地产、土地、金融、杠杆、规模扩张，生意里带着很强的江湖气。那个年代，一个人如果足够敢赌、敢借、敢扩张，再叠加资源和时代红利，真的可能在很短时间里积累巨大的财富。
而昨天站在上交所敲钟的王兴兴，1990 年出生，工程师出身，做了十几年机器人。
我觉得这两个画面放在一起很有意思。
不是说从此以后商业世界就不需要资本、资源和胆量了，而是这个时代正在越来越奖励另一种东西：技术、专业知识、研发能力，以及真正把一个产品做出来的能力。
上一代人讲的是“做大”，这一代年轻创业者越来越需要回答的是“你到底做出了什么”。
对年轻人来说，这可能反而是一件好事。
我们没有上一代人的土地红利，没有那么多可以加的杠杆，也未必有深厚的人脉和资源。但我们赶上了 AI、机器人、新能源、生物科技这些新的技术周期。
过去普通年轻人很难参与一场房地产和资本的游戏，但今天，一个二十多岁的工程师真的可以写代码、做模型、造机器人、做产品，然后把它卖到全世界。
时代换牌桌了。
年轻人最值得积累的，可能也不再只是“认识谁”，而是你会什么，你能创造什么，以及你能不能把它真正做出来。
显示更多
这两天不少人在聊 DeepSeek Harness。
如果只看标题，很容易把它理解成“DeepSeek 又发了一个 Agent 产品”。
但我看完官方介绍后，觉得它真正值得关注的地方，不是又多了一个聊天机器人，而是：
DeepSeek 把一套可改、可接、可观察的 Agent 运行底座开源出来了。
这件事为什么重要？
因为对创业者和开发者来说，真正难的从来不是“让模型说一句漂亮的话”，而是让它稳定地把活干完。
官方这次给出的信息其实很明确：
它是 Developer Preview v0.1
用 MIT 协议开源
核心思路是 Everything is a plugin（一切皆插件）
模型适配器、工具注册表、技能、沙箱、会话日志、Agent 循环、调度、UI，都可以拆成插件自由组合
提供 CLI 和 Web UI
还强调了 append-only session log，也就是执行过程可追踪、可回放、可排查
这意味着什么？
以前很多人做 Agent，更像是在“套一个模型 + 接几个工具 + 做个界面”。
看起来像个产品，但一旦真的放进业务里，就会遇到一堆现实问题：
任务拆错了怎么办？
工具调用失败怎么办？
中途跑偏了怎么办？
多个步骤怎么接起来？
出问题之后，团队怎么知道它是哪一步错了？
这些问题，模型本身解决不了。
它们更像工程问题、系统问题、交付问题。
所以我觉得 DeepSeek Harness 真正传递出的信号是：
Agent 的竞争，正在从“模型够不够聪明”，转向“系统能不能稳定交付”。
这对两类人特别重要。
如果你是创业者，你应该关心的，不只是“哪个模型更强”，而是：
我能不能基于它更快地搭出一个可控、可演示、可复用的 Agent 产品。
因为创业公司的时间很贵。
你不一定需要从零搭一整套 Agent 基础设施。
如果底座已经具备插件化、日志、沙箱、调度这些能力，你就可以把时间更多花在：
真实场景
工作流设计
用户价值
产品差异化
如果你是开发者，这类开源项目最有价值的，不只是能不能跑起来，而是它把一套 Agent 的工程结构摊开给你看。
你会更清楚：
一个 Agent 框架到底由哪些层组成
工具调用和调度应该怎么设计
为什么日志和可观测性比“更会聊天”更重要
怎样让一个 Agent 从 demo 变成真正可维护的系统
所以我会把 DeepSeek Harness 看成一个很典型的信号：
Agent 这件事，正在从“能力展示”进入“工程化交付”。
这可能没有“某模型又刷新榜单”那么热闹，
但对创业者和开发者来说，它反而更接近真正有用的那部分。
显示更多
🧩 DeepSeek Harness v0.1 is now available in Developer Preview!
🔹 We’re opening it up to developers building agent harnesses worldwide and open-sourcing the codebase in MIT license.
🔹 Powered by the Cordis meta-framework, DeepSeek Harness is an agent harness built around one core idea: Everything is a plugin. Models, tools, skills, sessions, sandboxes, filesystems, loops, orchestration, and UI are ALL implemented as plugins, and can be mixed, matched, replaced, and extended.
Try it now!
显示更多
为什么很多人做不好海外业务，不是因为内容，而是因为环境
去年第一次尝试做海外业务的时候，我在 TikTok 上尝试做内容。
那段时间踩了不少坑。
有时候账号莫名其妙出现异常。
有时候内容数据忽高忽低。
有时候同样类型的视频，前一天还能拿到不错的曝光，后一天却几乎没有流量。
刚开始的时候，我一直以为是内容的问题。
后来跟一些长期做海外业务的朋友交流之后，才发现除了内容之外，还有一个很多新手容易忽略的因素：
账号环境。
现在越来越多海外平台都会关注账号登录环境。
比如：
登录 IP 是否稳定
地区是否频繁变化
是否经常更换设备
IP 类型是否异常
是否存在多人共用痕迹
这些因素未必直接决定账号表现，但都会影响平台对于账号环境的判断。
很多人花大量时间研究选题、运营和增长。
却很少认真研究自己使用的网络环境。
我自己最开始也尝试过共享代理池。
价格确实便宜。
但问题是你无法确定这个 IP 之前被谁使用过。
也不知道是否已经被大量用户共用。
对于长期运营海外账号来说，这种不确定性其实挺大的。
后来我开始更倾向于长期固定的 Residential IP VPS。
原因很简单：
我希望自己的账号环境尽量保持稳定。
相比频繁切换代理节点，固定环境更容易长期维护。
相比普通机房 VPS，在部分海外业务场景下也更接近日常用户网络环境。
最近我在使用的是 VoyraCloud @VoyraCloud 的 Residential IP VPS。
其中我比较关注的是他们的华盛顿节点。
因为我接触的大部分业务本身就是面向北美市场。
相比频繁更换地区，我更希望长期保持同一个稳定节点。
我比较看重的几个点是：
长期固定住宅 IP
独立 VPS 环境
自己完全可控
不需要频繁切换节点
无论是 TikTok、Google 服务、PayPal、Claude，还是其他海外社媒账号，长期稳定的环境通常都会比频繁折腾更省心。
当然，任何服务都不能保证“绝对安全”或者“永远不出问题”。
账号状态最终还是取决于平台规则和个人使用习惯。
但如果你已经开始做海外业务，我觉得账号环境这件事值得早点重视。
很多人研究了半年流量。
却从来没有研究过自己登录账号的环境。
而这往往才是最容易被忽略的基础设施。
👉 VoyraCloud 年中活动有优惠，可以从我的邀请链接进去：
显示更多
最近看了 Lucius AI 这个产品，我觉得它切的点挺有意思。
过去一年，大家都在讨论 AI 怎么让个人效率提升 10 倍。
一个人可以用 AI 写代码、写文案、做调研、生成方案，个体的生产力确实被放大了很多。
但我越来越明显地感觉到：
个体变快了，不代表组织也会自动变快。
很多团队真正慢下来的地方，不是因为没有工具，也不是因为大家不够努力，而是因为“上下文”丢失得太严重了。
一个用户反馈，可能出现在社群里。
一个产品决策，可能藏在某次会议纪要里。
一个客户需求，可能散落在销售聊天、客服记录、项目文档和内部群消息里。
最后就会出现一种很常见的情况：
明明公司已经讨论过的问题，过一段时间又要重新解释一遍。
明明用户已经反复表达过的需求，团队却很难快速判断它到底重不重要。
明明某个决策背后有完整的背景，但新加入的人只能看到一个结果，看不到当时为什么这么做。
所以我觉得 Lucius 说的 “Context Layer for Your Organization” 这个概念，其实不是简单做一个更聪明的聊天机器人，也不是再做一个知识库。
它更像是在帮组织保存和理解那些已经发生过的判断、反馈、边界和下一步行动。
尤其对于 AI 产品团队来说，这件事会越来越重要。
因为当工程效率被 AI 放大以后，真正的瓶颈会更早地出现在：
问题到底选对了吗？
用户反馈有没有被正确理解？
团队有没有在重复消耗同一批上下文？
决策是不是可以被追溯和验证？
我觉得未来 AI Agent 的一个重要方向，不只是帮个人生成更多内容，而是帮组织减少信息损耗。
个体已经被 AI 加速了。
接下来真正有价值的，可能是让整个组织也开始拥有记忆。
大家可以进官网看看：
显示更多
周末带着我的小实习生去参加了厦门的黑客松。
这次其实还挺特别的。因为我们没有做一个“为了比赛而比赛”的项目，而是把自己真实踩过的坑，重新做成了一个产品 demo。
我们之前在做 ZenStellar AI 陪伴手链出海的时候，其实走过很多弯路。
一开始先做独立站，但根本不懂海外流量怎么来；后来又马上去做 TikTok，但 TikTok 又是一个极度依赖内容能力的平台。那时候的我们，其实连“第一站到底该去哪”都没有想清楚。
直到后来，我们在 Kickstarter 上慢慢找到感觉，才意识到：像智能穿戴这种产品，Kickstarter 可能才是更适合作为出海第一站的平台。
于是这次黑客松，我们就做了一个 demo。
它可以帮助国内想出海的商家，根据自己的产品类型，分析更适合进入哪个国家、哪个平台，以及更适合作为第一站的出海路径。
虽然只是一个短时间做出来的 demo，但我突然意识到，可能还有很多国内工厂、很多传统制造业，其实都卡在了“想出海，但不知道从哪里开始”。
另外一个让我印象很深的，是现场的氛围。
很多参赛者是从全国各地甚至国外跑来厦门的，还有一些才刚上大一。整个现场有一种很久没感受到的、特别纯粹的热情。
尤其是看到我的小实习生特别兴奋的时候，我突然想到自己刚读大学的时候，好像也是这样。
会为了一个 idea 激动，会熬夜做 demo，会因为认识了一群有意思的人开心很久。
这种感觉其实挺珍贵的。
显示更多
我最近重新理解了 AI 对早期产品的价值。
最近在创业的过程中，我越来越感觉到，AI 对产品团队的帮助，不只是提高效率。
我在做一款 AI 陪伴手链。
它不是普通饰品，也不是传统智能硬件。我更希望它是一种很轻的日常陪伴：在用户压力大、疲惫、需要一点情绪支撑的时候，用一种安静、不打扰的方式存在。
但这类产品早期最难的，往往不是“功能怎么写”，而是“感觉怎么表达”。
如果说得太功能化，它会像普通硬件；如果说得太情绪化，又容易空泛；如果表达偏一点，还可能被误解成纯玄学产品。
所以我最近测试 AI 模型时，不太想只问它标准问题。我更想看的是：它能不能理解一个真实产品的微妙边界，并把一个模糊想法推进成可以讨论的东西。
刚好 Ring-2.6-1T @AntLingAGI 上线 OpenRouter，我就拿自己的产品做了一个小测试。
我给它的任务很简单：生成一个 ZenStellar AI 陪伴手链的产品展示网页，同时加入用户投票和反馈入口。
这个任务其实挺考验模型。因为我不想要一个普通饰品促销页，也不想让它走玄学、占卜、能量、星座那种方向。我想要的是温柔、治愈、克制，有一点未来感，但不能冷冰冰。
最后出来的页面，比我预期更接近我想要的方向。
它没有堆功能点，也没有写成广告，而是把重点放在“陪伴方式”上：微光呼吸、轻柔震动、温热触感、静默存在。页面里还有一个问题：“你希望它在什么时候陪伴你？”
这其实很接近我对 ZenStellar 的理解。
一个 AI 陪伴产品，真正需要验证的，可能不是用户喜不喜欢某个功能，而是用户愿不愿意在某些很日常、很私密、很脆弱的时刻，让它陪在身边。
当然，单次生成一个页面不能说明全部问题。真正让我愿意继续测 Ring-2.6-1T 的，是它在一些复杂任务评测里的表现：从数学推理、专业问答，到代码修复、搜索整合和多轮业务交互，都不是单纯考模型会不会“说得漂亮”，而是在看它能不能处理更长、更复杂、更接近真实工作的任务。
对我来说，这些 benchmark 更像是背景信号：它可能更适合被放进真实工作流里观察，而不是只拿来做普通聊天。
这也是我觉得 Ring-2.6-1T 值得测试的地方。
它的价值不只是生成内容，而是能参与产品早期的成型过程：帮你把抽象定位变成页面，把模糊感受变成用户问题，把脑子里的想法变成可以截图、可以讨论、可以继续修改的版本。
当然，产品判断还是要由人来做。比如 ZenStellar 不能过度承诺疗愈效果，也不能把陪伴说得太满。
但如果一个模型能帮我更快推出第一版表达，我就能更早看到问题，也能更早拿去问用户。
这次测试之后，我对 AI 工具的判断也更清楚了一点：
我不会只看它会不会写漂亮话，而是会看它能不能进入一个真实项目，理解边界，并把事情往前推一小步。
对早期产品来说，这一小步就很有价值。
体验地址 Ling Studio（Ring-2.6-1T Chat 体验现已开放，API 服务即将上线）
显示更多
