X 的推荐现在刷到的东西和跟 gpt4 时代和 AI 聊天的东西差不多，热点信息茧房+车轱辘话，没什么值得多花时间的东西。 车轱辘杨植麟H1B，车轱辘梅西 vs C罗，车轱辘 BASE/Jesse/Cobie/Armstrong，一句话正反说，没啥新的观点。点进去老外的评论区真人多一点，中文区底下又是二阶 paraphrase 。

一个感觉，从商业逻辑来看，未来GPT6/7/8，可能和手机常规升级换代一样，不会再有从GPT1到GPT4的数据量+训练量巨大飞跃了(GPT4.5已经试过了) 让GPT5做了一幅这几年的旗舰模型token定价曲线，发现有很多地方和PC/手机芯片的商业逻辑是非常相像的，这集我看了太多遍，其实能看出很多很有意思的结论 GPT4.5刚推出的时候$150/M，价格非常昂贵，官方称为“非常大而且计算成本高”（very large and compute-intensive model），是一次“超大且昂贵”的实验性base model 从token价格来推测，GPT4.5是GPT4的10倍规模，这可能是大力出奇迹路线和商业可行性冲突的一次探索，于是四月的时候openai就计划未来将GPT4.5下线了。从token价格推测GPT5可能只有5T参数，GPT4的3倍规模 所以chatGPT以后的升级，大概会是沿着大家能支付意愿的sweet spot(比如$80/M旗舰 + $15/M普通)，分成几档价位，做出这个成本下最好用的模型，每隔一段时间比如12~24个月更新一代新产品（GPT5.5/GPT6） 在下一代新算力/数据/架构范式变革之前，Benchmark爆炸式上台阶的时代大概已经过去了 GPT5就是典型，营销层面上也在淡化数字游戏，每年的提升不再单纯的聚焦benchmark，而是更加全方位的提升：成本降低，幻觉减少，对用户刻意讨好改善，长上下文，一致性，多步思考推理机制等等，从单纯的base model升级变成了系统级升级，同时要考虑长线商业盈利 --------------- 类似的剧本在芯片界就见的太多了 PC/手机每年的旗舰机芯片阉割之后变成次旗舰和中低端芯片，比如intel i7芯片和i5/i3都是同样的设计同一批芯片，测试出来，性能最好的标为i7，性能差一些的就降频，关闭核心，变成i5和i3 每一次换代之后，旗舰芯片的价格保持基本不变，性价比最高的就是i5/i3，单核性能比上一代旗舰i7持平甚至更好，但是价格一半都不到 每一代旗舰i7的单核通过超频和堆料达到略高一点的分数，但是因为架构同属于同一代，单核跑分和次旗舰比提升非常小 ----- 至于大模型，旗舰模型(比如GPT-5 pro)的定价基本上就在$80/百万token附近，这代表了当前模型的最高水平 每一次换代之后，性价比最高的就是次旗舰模型，性能会和上一代旗舰类似甚至更好，但是价格会便宜，甚至到只有不到20%，就比如GPT5的价格($10/M)，但是性能比上一代（按一年来算）旗舰o1要好一些，盈利靠海量用户 以后每一代推出例行升级情况下，之前的o3/4.1/4.5/o1 pro/o4 mini high之类的命名就太复杂了，干脆把这些全部隐藏起来，由内部router去根据用户画像以及意图，去给出用最低成本让用户满意的模型 从此以后就和PC/手机一样，每一代跑分改善一些，全方位提升一些（幻觉减少，对用户逢迎改善，长上下文，一致性，多步思考推理），然后分几档价位去满足各类用户的需求，GPT6 pro, GPT6, GPT mini，每一代的次旗舰相当于前一代旗舰水平 以前讲究的是手机贬值的速度，以后就是模型的贬值速度 从商业逻辑来看，模型公司和fabless芯片公司的成本花销的模式也非常相像： 每一代大模型一次性的训练费用就像是芯片的开发(数亿美元)和tapeout费用成本（上亿$），而推理token费用是边际分发成本，就像是每一个芯片的成本 从2015年的六七十美元一片手机旗舰芯片(连定价都如此相似$70/M)，随着台积电涨价和通胀，到了2025年的200~250刀一枚旗舰芯片 AI的技术浪潮不像是互联网，靠生态本身的繁荣和更多链接就能创造更多价值，AI的破坏性革命几乎是完全建立在模型的能力大小之上的，由此带来的范式转移影响也是建立在模型能力上的 从这一点来看，我们可能更像是在2010~2012年的移动互联网时代：手机经历了前面三四年的飞跃性成长，来到了一个稳定发展期，每一代的硬件进步仍然非常可观：十四年前的手机芯片开始趋于稳定迭代，那时还不到1B晶体管数量(28nm节点)，十四年之后的今天，手机芯片已经接近了30B晶体管数量(3nm节点) 这十四年还包括了摩尔定律放缓的2012年到2019年整整七年，在功耗墙被手机卡死的情况下，仍然规模增长了30倍 大模型的进步也一样，每一代的进步可能会让人失望（比如GPT5的平淡相比GPT4问世时候的炸裂程度），但是到十年后回看，仍然是非常不可思议的进步 即便是每一代提升让人失望，这也仍然是指数发展的奇迹

韩国网络安全公司 Genians 旗下安全中心发布报告称，与朝鲜关联的黑客组织 Kimsuky 正将 AI 技术整合进攻击行动，包括搭建 Ollama、GPT4All 和 Msty 等本地 LLM 环境，测试 RAG、Cursor 及 AI Agent 开发工具，并使用生成式 AI 制作虚拟资产、金融投资等主题的诱饵文件。报告称，该组织持续针对虚拟资产等领域，相关日志中还发现“在哪里可以搜索使用 BTC 的用户”等查询，以及针对钱包、Seed 和账户信息泄露情况的检索活动。

Sam Altman的最新访谈，感觉信息量并不大，几个有趣的地方： 1. 让 OpenAI 下决心囤算力，是因为 GPT4 ，只要搞定让模型推理能力变强，未来可以做高经济价值的任务。 2. OpenAI 未来算力绝大部分会用于模型推理，万亿美元规模营收，保持一点利润率，就够支撑训练新模型。 3. Altman判断，机器人领域的 ChatGPT 时刻会在接下来两三年内出现。 4. OpenAI 发 GPT3 时，团队其实是想赚钱，让更多人用 API，结果真跑通的场景只有一个：文案写作。 营销公司收客户 20 美元，付 OpenAI 两毛钱让 AI 写一篇落地页文案。 5. ChatGPT起源，OpenAI的 Playground 测试页，用户喜欢在这里跟模型聊天，发现这点后，干脆做一个更好的“聊天”工具，原来产品叫“Chat with GPT3.5”，上线前几个小时改名为“ChatGPT”

国家实力再强，统治者如果是文科弱智，照样能带沟里去。。。就像给文科生充了200美元的gpt pro，他们也只会抱着聊天，哭着说：求别删，我要和gpt4o继续文爱

彻夜难眠，美国砸了几千亿的前沿AI科技，中国直接开源并基本齐平的跑分，核心还完全免费啊！微软投 OpenAi的100亿还没回本，中国已经免费了，干到白菜价了！ 难以想象，@deepseek_ai 做个大模型训练只花了550万美金，OpenAi整了几个亿！谷歌，亚马逊，微软下了上万张A100的订单，现在 #DeepSeek# 只要百分之一张A100显卡，做到同样效果，而且开源了所有的训练逻辑！这到底什么情况？😯这英伟达的股票？我现在都有点慌了，下一个季度英伟达的财报？ 这动不动融资就几十亿上百亿的AI公司，还没上市呢，直接遭受这种暴击！中国是自损100，杀敌1000，这怎么玩？最近还有中国AI科学家把GPT4o训练模型逆向工程复现了，还写了论文，这让OpenAi直接骂街了！ 重点是 @deepseek_ai 还是一个基金公司，还不是全职互联网科技公司，有一种扫地僧把拳王泰森KO的既视感！🫣

Images 2.5 刚刚发布！！太强了！！ 我有个朋友在小红书卖提示词，今天晚上就赚了一千多块 如果你想趁 Images 2.5 刚发布，把生图提示词这件事一次摸清，这六个 GitHub 项目值得先存下来： 1. awesome-gpt-image-2：先学 Images 2.5 的工业级写法 它把 530+ 个生图案例拆成可以复用的提示词结构，还整理了 20+ 套工业级模板。仓库已经加入 Flare 和 Sunburst 专区，可以直接比较速度、精度与编辑能力。 想做海报、电商图、信息图或稳定的系列视觉，可以先从这里开始。 2. GPT-Image2-Skill：把提示词库直接接进 Agent 它收录了 163 个图片案例，分成 31 个类别，每个案例都能对照参考图查看。除了提示词图库，它还提供 Agent Skill 和 CLI，可以接入 Codex、Claude Code 等工作流。 适合已经不满足于手工复制提示词、想把生图做成固定流程的人。 3. awesome-gpt-image-2：用大图库快速找画面方向 它收录了 2000+ 条 GPT Image 提示词，并给大部分案例配了预览图。内容覆盖产品图、人物、海报、插画、UI 和信息图，还提供多语言版本。 适合先按场景找接近的案例，再把主体、文字和比例换成自己的需求。 4. gpt4o-image-prompts：中文提示词和结构化数据一起拿 它整理了大量中文图片提示词，覆盖 GPT、Nano Banana、Grok、豆包等多个模型。仓库同时提供 prompts.json，把来源、图片、提示词、示例和分类标签整理成结构化数据。 适合做中文内容配图，也适合二次开发自己的提示词搜索页面。 5. ai-image-prompts-skill：让 Agent 从一万条提示词里替你找 它把 10000+ 条图片提示词做成了可搜索的 Agent Skill。你只要描述想做的图片，它就会查找相近案例，并给出可以继续修改的候选提示词。 适合图库太大不想逐条翻，或者需要连续生产多种内容配图的人。 6. Awesome-AI-Images-Prompts：对照不同模型的生图写法 它是一份中文跨模型提示词清单，覆盖 GPT Image、Nano Banana、即梦、豆包、FLUX 等工具。拿同一个创意对照不同模型的案例，可以看出哪些描述可以通用，哪些参数需要删掉。 适合还没固定生图模型，或者经常在多个平台之间切换的人。 提示词不用从空白开始硬想。 把这些仓库当作参考图库，找到接近的画面，再换成自己的主体、场景、文字和比例，通常比堆一串抽象形容词更容易得到稳定结果。

给AI Agent打钱发行资产的方式真是太有趣了！原本想着AI Agent结合区块链可验证架构实现自主管理资产、自主实现意图交易，自主跨链无缝交易，但明显距离这个愿景还很远，但aipool出现用来做预售、防跑路和防MEV，不也是对当前DeFi体验的一种升级？远的不说，近在眼里的大利好得说说： 1）aipool的整体工程实现并不复杂，用户向AI Agent的钱包地址发送SOL（非CA地址），该地址在TEE环境下生成私钥并预设访问权限管理Pool。当到达一定条件好，AI会在链上DEX自动创建流动性池子，并向符合条件的参与者分发代币，收集到的交易费用汇聚到AI钱包； 2）整个过程跟之前风靡的KOL打钱Fi别无二致，区别在于，这一轮打钱FI是AI Agent驱动，AI Agent自主掌控私钥地址（无法跑路），AI Agent自主创建交易池（设置白名单，资金分批解锁、初始价格设定，使用预言机定价等等）降低被MEV套利的影响。 如何让AI Agent自主生成私钥，AI-Pool用了 @PhalaNetwork TEE技术解决方案，大致流程是： 1、在Secure Enclave安全飞地中生成私钥，私钥不会离开TEE环境，同时所有签名操作只在TEE内完成； 2、TEE可定义一套可验证的交互通信规则，外部可实现远程认证、交易验证和实时状态监控，相当于可以用链的去中心化共识（智能合约、透明可追溯）来管理调度TEE中的资产，Phala Contract就可以运行在TEE环境中进行离线计算并于外部链进行交互，实现多链互操作； 尽管Phala Network在上一波AI 叙事中的表现并不算抢眼，但有一说一，在AI Agent接轨TEE实现安全资产托管能力，在把去中心化链共识治理和智能合约调度和AI运行环境集成起来这件事上，Phala的AI Agent解决的方案得到了ai16z这个庞大新商业IP的采用，想象一下子就打开了。 3）AI Agent被纳入“交易特性”一直是市场期待中发生的事情，但现在的AI Agent能自动化执行一些预编程逻辑不出错已经难得了，真正到达自主发掘自主发现交易机会、自主决策、自主止损止盈等阶段还很早。这需要很多分布式链共识层面的支持： 比如，能否有一个去中心化Oracle实时精准喂价？能否有一套适配AI Agent的DA数据可用性解决方案？能否有一套去中心化治理验证方案？能否有一套可处理大规模多场景意图交易的Solver Marketplace等等。 由于，AI Agent的工作流程避免不了调用链下GPT4等API接口，因此，这套适配AI Agent的链一定要同时解决链下+链上的融合问题。这很Make Sense，旧的链infra也需要融合链下寻找全新的增长契机，AI Agent全新叙事会加速链上和链下世界的融合。 但，我想说，AI Agent + Chain目前还是这一波AI叙事目标中的星辰大海，以现在AI Agent可自主化程度还远远不能及。 不过，聚焦到眼下，AI Agent仅能从一大堆发诈骗币，Rug Pull作恶的惯犯手里抢到“资产托管权”就已经功载千秋了，那么，一个跑满AI Agent的PumpFun出来？一个开源增强版的Virtual开放平台来临？一个专门服务AI Agent的DeFi新市场也会同步刷新？.....控制住不去臆想了。 总之，我来点个引线，至于AI Agent+DeFi、AI Agent打钱Fi、AI Agent融合链有多少新奇好玩的东西出来，让市场的接下来的“爆炸”来佐证。 ⚠️：下面转推的链接仅供参考，不要再打钱了，别让AI 为难。。😅 Note：大家觉得文章有用烦请“一键三连”支持为谢，认可我持续干货内容输的朋友，可以Follow一下，也可访问我推特首页点击Substack专栏订阅一下（目前还免费），更多深度专业的投研和分析内容，尤其是不适宜在推特公开分享的内容，会在那里看到。

Notion 创始人这期分享确实很精彩。 大家千万别错过 Notion CEO Ivan Zhao 在红杉聊的这期播客，观点特别有见地。 甚至我觉得，这是近半年来所有创业者都应该认真精读的一期内容。 相当解惑。Ivan 把 AI 时代里一个组织正在发生的变化，用一种特别形象的方式串了起来。 1、Ivan 提到一个非常有意思的概念，叫 Jazz Mode。传统公司像 marching band（行进乐队），队形整齐，节奏固定，指挥说什么大家做什么。 Notion 想做的是 jazz band，有基本结构，但更强调即兴、互相接住、每个人都能主动发挥。 Ivan 觉得 AI 时代变化太快，太像 marching band 的组织会跟不上，所以 Notion 这几年在刻意招那种高主动性、高好奇心、能自己找路的人。 2、公司并不存在完美的扁平结构，人和人之间的层级关系始终存在，在这一点上他选择承认现实。 真正能设计的是一起工作的方式，把公司组织得更像一支可以即兴合奏的爵士乐队，而不是一支只会整齐队列表演的军乐队。 3、但爵士模式的前提是主旋律要清楚，相当于愿景、产品方向和少数几条铁律，类似底层和声结构。 团队在这个主旋律之上拥有较大的即兴空间，可以根据用户反馈和技术变化自己处理段落，而不是在每一个决策点都往上递审批。 4、Notion 现在大约有六十个曾经做过创始人的员工，这是他刻意营造的人才结构。 他更愿意招对 0 到 1 负过全责的人，这类人习惯自己发现问题、搭框架、推进落地，也更愿意在模糊地带主动出手。 公司需要的是能自己写歌、也能听懂别人演奏的人，而不是只会照谱子执行任务的演奏员。 5、在工程组织上，他把 Notion 重构成一个杠铃结构。 一端是非常 junior 的工程师，刚毕业或者职业早期；另一端是少数非常 senior 的架构师和技术带头人。 中间那类常规中高级工程师反而被刻意压缩，整个分布像一根两头重、中间瘦的杠铃。 6、杠铃结构背后的逻辑很简单。年轻工程师可塑性强，不会被旧时代的大规模工程实践和工具链束缚思路，在大模型快速变化的环境里能更容易接受全新的开发范式。 资深架构师负责定义系统级的分工和抽象，比如哪些部分交给模型，哪些部分坚持规则，如何组织数据和服务，确保整个产品作为一个系统是连贯的，而不是东一块西一块的功能拼盘。 7、当一个工程团队里大多数人都停在经验不浅、但也谈不上顶尖的这个档位时，整个组织很容易陷入一种温水状态：事情都有人做，但缺少敢颠覆旧方案的人，也少了愿意疯狂尝试新东西的人。 年轻人缺少全局视角，只能局部优化，老一辈如果人数太少，声音又容易被流程淹没，这种结构在 AI 时代会变得非常迟钝。 8、他用一个很有画面感的比喻来解释大模型产品开发。传统软件工程更像修桥，强调确定性的结构分析和数学推演，只要按照规范搭建，结果会高度可预测。 基于大语言模型做产品更接近酿啤酒，需要在原有配方和工艺上不断试验，调整温度、时间和原料比例，最后的标准来自人的口感而不是单一技术指标，用户体验是第一参照系。 9、他把 Notion 的 AI 能力视作对产品的再创作，而不是简单给旧界面贴一个智能按钮。 在拿到 GPT4 的早期访问时，他的直觉是，工具本身的工作方式需要重想，如果从公司一开始就可以假设存在这样的模型，那么 Notion 的交互结构、功能边界和价值主张应该是完全不一样的一套设计，这需要以重启思维来对待，而不是做一个插件。 10、他的职业生涯里出现过两次真正意义上的重启。 第一次发生在公司最困难的时候，团队被压缩到只剩几个核心成员，几个人躲在京都的小公寓里，用近乎白纸的心态重新问自己。 Notion 还要不要继续存在，如果要继续，哪些东西必须放弃，哪些能力哪怕再难也要保留。这一轮更偏向拿掉包袱、守住本质。 11、第二次重启发生在他拿到 GPT4 早期权限之后。 当模型能力跃迁时，他意识到自己这家公司可能会失去原本的位置，也可能借此进化成下一代生产力工具，关键在于有没有勇气承认旧的产品假设正在过期。 这一次的重启更偏向向前跳，是把 Notion 推向 AI 原生路线的转折点，从「文档+数据库」升级成「有理解能力的工作空间」的起点。 12、关于什么时候该重启，他给的判断标准非常实际。 并不是等到财务报表撑不住，更多是看组织与时代之间的错位：技术和市场环境已经明显往前走了，内部流程、产品形态和人才结构还停在旧逻辑里。 同时创始人对当下这家公司明显提不起兴趣，每天更像在维护一台运转正常但没有灵魂的机器，这种状态持续存在，基本就到了需要重启的阶段。 13、他谈创始人角色时，把重心放在创始人能量上。 创始人在公司里最关键的价值不只是最后拍板，更是持续发射出一套稳定的频率，这套频率包括对产品审美的标准，对什么算好体验的直觉，对哪些细节不能妥协的执念，以及面对不确定性时愿不愿意亲自下场试。 只要这股能量还在线，团队就知道自己在跟随一位有风格的乐手，不是在为一个抽象的 KPI 系统打工。 14、在人才选拔上，他逐步弱化简历本身的重要性。 Notion 的第一轮面试已经不再以简历为核心材料，更关注候选人在开放问题前的思考方式，对产品的直觉，对工具和工作方式的理解。 名校和大厂的履历在他眼里容易变成噪音，他更在意一个人能不能提出自己的看法，能不能在真实的情境下把事情推进，而不仅是在纸面上合格。 15、在销售文化上，他没有把销售放在产品的对立面。 他希望 Notion 的销售像懂音乐的乐手，先听清楚客户现在那首歌的节奏，再思考 Notion 这件乐器应该在什么位置加入，是主旋律，是伴奏，还是间奏，而不是一上来就把音量拉到最大只追逐签约数字。 真正重要的是建立长期合作关系，帮助对方把 Notion 用深、用广，而不是满足一次性收入目标。 16、他反复把组织、产品和 AI 放在同一个坐标系里思考。 组织设计要适配新的技术范式，人才结构要为试错和即兴留出空间，产品要在模型能力和用户体验之间找到新的平衡点，销售和商业化则负责把这套东西带到更大的市场里。 整套思路的底层前提很简单：这家公司永远是一支在不断改编曲目的爵士乐队，而不是一台固定工序的流水线。