Jev最适合在实时性强的领域去部署，一个是量化交易，一个是social network互联网社交平台的审核， 还有一个最重要的，就是工业控制自动化领域的大量实时性有一点点强的领域的监控，比如盯着一堆信号和数据仪表盘找出异常转手上报记录。 Jev这种模型肯定是有用，但这些场景比较苛刻，没那么容易找到。

meta早就该发布muse个人版了，因为“大豆包”这个生态位关乎一家social network公司的生死。 也许骂个一年半载，muse就真占据了“大豆包”的生态位了，从chatgpt和claude现存下沉市场里抢过来一大块。

这么多年很多中国人依然觉得，短剧在中国这么火，在其他国家一定更火，所有必须出海，让AI翻译山东上海北京河南拍的这些短剧，全世界一定爱看。 首先各个国家有自己的文化，越是底层，文化越保守，越只爱看自己文化里一亩三分地的东西，你那些大唐、大明、战国、上海、江西的玩意儿，人家越腻歪。 其次，哪怕是在当地拍，当地投放，很多人完全不明白，短剧这东西是有成本的，哪怕一集成本几千刀（一万块钱人民币），也是他妈有成本的。 首先需要产业集群，需要一大批人聚在一起买衣服、搭场景、组摄影机、一群人吃喝拉撒， 其次绝大多数人不是大傻逼，不愿意看AI翻译的东西，还需要本土的导演，本土的编剧，本土的后期剪辑，而这些人如果接不到足够多的单子，也不愿意全职来干的， 14亿人的单语种市场，才能养得起一个巨大的短剧平台，里面像工业流水线一样批量生产短剧， 而一个8000万人的单一语种国家，哪怕可以用全球流行的短剧平台，在本土文化语种里也养不起短剧这个流水线产业。 但是8000万人的单一语种国家，是完全养得起日常的youtube、tiktok influencer的，因为成本很低， 很可能吃顿饭、开开车、逛逛风景、讲讲本土文化、讲讲技术、随便剪辑几下，就能成为世界级大V， 也可能三五个大城市本地小网红凑一起，出门逛街买衣服，互相帮对方拍，拍完回家拿手机随便一剪，就能保证每天更新一两条视频， 反而像短剧这种，十几个人凑一起，带摄像，轮换租不同场地，租衣服，大范围精剪这种事情，在这些国家文化和观众内部，是绝对跑不通的。 唯一能跑通的国家，就是美国和印度，但市场肯定没有中国这么巨大，毕竟坐拥youtube、instagram、tiktok这种全球内容大规模制造机器，坐拥netflix和HBO这种全球精品电视剧平台，短剧的竞争优势也没有在中国这么大。 归根到底，短剧有一个死结，就是商业转化率低， 你出演短剧，你永远是个演员，你今天演康熙，明天演蒋介石，后天演出轨的丈夫，观众永远知道你是陈道明，你带货也是陈道明的人设带货， 而且这种演员也没有任何粘性，陈道明一旦接个垃圾电视剧，观众看5分钟就不看了，而这个风险陈道明本人无法承担，完全依赖于导演和编剧的最终呈现， 但是influencer的几百条视频和social network的整体人设，就是自己，观众对他的印象也是个人的成长、个人的经历、个人的故事，这种商业变现的渠道就多得多，粘性大得多， 最关键的是，influencer对个人人设是拥有绝对控制权的，他能每天每小时每分钟刷评论区和点赞，看数据，每分每秒获得反馈，告诉自己哪种视频火，观众喜欢我的哪一点，我能通过何种渠道进行修正，下一期视频我拍什么题材的， 这种完全自己掌握、自己观察数据、自己收集评论、自己直接获得正反馈的工作，风险高于短剧，但收益更是几何倍数高于短剧，每个网红都有强烈意愿把账号做起来，这种收益的数学期望一定高得多。 反而短剧这种商业模式，十几个人没人对整部剧负责，没有反馈，经验不足，试错成本极高（一部剧必须砸几十万，等几个月才能看到反馈），没人能插手调整，反而是最危险的。

聚焦在现有工作上用coding Agent去解决，是一条错误道路，人类已经把能吃的红利吃差不多了， 接下来就是无尽的人指令-agent执行-人指令-agent执行的iteration中逐渐迭代工作，很难把人从这种小幅度高强度反复的iteration中解放出来。 因为现有codebase不仅高度复杂，而且人的大部分命令都是高度模糊、 高度开放、高度自由、无法验证的命令， 场景也是高度开放、高度自由、无法在containers中直接测试跑一跑，必须在真实世界中获得反馈才能继续修改工作。 所以我最近半年一直坚持反复告诉大家： 1. 在现有所有大型科技互联网软硬件移动外包平台coding agent的红利很快就吃完，现有人类像唱山歌一样和claude code高强度一问一答的模式，就是短期内的最优解——像full self coding一样大量agent并行完成coding工作，不会带来更多的收益； 2. 在coding agent很快增长和红利消失的大前提下，人类如果想继续把AI Agent和multi agent的红利吃干抹净，必须持续找到有价值的新领域、新方向、新问题： A. 同时满足问题定义简单干净、环境封闭、非常非常易于verify、问题解决方案搜索空间巨大的复杂问题，让goal-driven( 前提是易于verify，必须用很低的成本去verify最终输出是否正确，保持持续验证这个criteria，给予正确的反馈和无限工作循环的核心条件，直到完整完成工作； B. 能够把multi agent的并行度吃干抹净，一次性1000个agent大批量初始化和启动，在一些setup中持续活跃，保持multi agent的可观测性， 除了openclaw时代就臭大街的各种爬虫以外，还有行为经济学、社会学、心理学、教育学、法学等等大规模试验，不由分说充足token，先初始化1000个agent模拟跑几天，观察一些初步结论； C. 就像我半年前说的价值10万刀的策略：把一切人类社会中遇到的所有问题，整理成文档、表格、图片、文字、structured data，让一些富有经验、富有memory的coding agent（就是claude code和codex本人）进行一步步解决， 你始终要明白，现阶段的头部coding agent已经足够复杂、 足够高级、机制足够完善，AI Agent已经经历了4~5轮工业革命，完善到整个industry其他任何生态和框架继续手搓的任何agent都像一个玩具，只要一个claude code/codex一个文件夹+一个docker/kubernete，就是未来一切企业和流程中的general agent； 3. 有一点几乎被所有人忽略，也是我近几个月意识到的问题。 在经典deep learning时代，一些产业对于经典neural network和baysian model有天然的不信任感和敌意，他们会非常激进、偏执地要求一切machine learning的模型尽可能地跟随可解释性、AI伦理、因果推断等等方向。 在AI Agent时代，越是激进使用的人，越是对AI Agent产出的代码、报告、分析、数据、结论产生严重的怀疑， 因此不只是GPT model需要superalignment，LLM Agent本身更需要superalignment，在Agent时代，superalignment的重要性会越来越高， 而且AI Agent产出和workflow的可解释性需求也会越来越高，最最基础浅表的就是各种问答chatbot的来源引用，今后其他越来越复杂的工作，包括coding本身，都会有可解释性的大量问题涌现， 一种方式是尽可能用formal verification或者prover的形式来自动化验证， 一种是用agentical的验证方式，就像人一样去用一个或者多个agent来反复review和challenge一项工作； 4. 还有一点很多人没想到，就是AI Agent会对人施加反过来的影响。 比如office出现后，普通人要求用office三件套来完成工作，office重塑了人类办公的基本流程和规范， 比如出现了google之后的早期，普通人要学会正确输入搜索关键词，把想问的问题拆分成正确的关键词，以获得正确query的结果（后来google反复做了优化，这个技能也逐渐不重要）， 比如social network出现之后，人们学会了全新的交友方式、social network的交友礼仪、聊天方式， 所以在AI Agent时代，人最重要的技能，没有之一，就是如何正确使用AI Agent、挑选正确的模型、使用正确的工具、组建正确的prompt、描述正确的问题、输入充足完备的信息、如何用goal-driven去构建一套dual-agent的简单无休止infinite-loop workflow， 一个不会正确定义问题、不会正确输入足够多的信息、不能让AI Agent在一个边界清晰的闭包问题中正确工作、持续工作的人，天天拿AI Agent当成无所不知的万能神、百宝箱、随机神、超人，除了问弱智问题，就是玩猜猜看、问宏大开放的无异议问题， 这种人大概率会被这个时代逐渐淘汰掉。