Why·Liam·Blog

一些科技巨头因过度承诺而陷入困境，另一些则进一步巩固了其市场主导地位。与此同时，在远离法庭和董事会的实验室里，科学家们正教会机器如何去触摸、感知，甚至以全新的方式进行思考。这不仅仅是关于新产品的一周，更是关于一个行业在成长阵痛中经历范式转移的一周。

苹果 AI 承诺落空，股东怒提集体诉讼：苹果公司及其首席执行官蒂姆·库克（Tim Cook）陷入了一场法律风波。股东们提起了集体诉讼，指控该公司就其 AI 进展，特别是为 iPhone 16 承诺的「苹果智能」（Apple Intelligence）Siri 新功能，发表了「严重虚假和误导性」的声明。诉讼核心在于，苹果在 2024 年 WWDC 上夸大宣传 AI 功能，实际却无原型产品，且明知需至 2026 年才能上线，最终导致销量受损与股价下跌，投资者遭受重大损失。更多参考

谷歌搜索新时代：AI 生成内容主导超 50% 查询：谷歌的「AI 概览」（AI Overviews）现已出现在超 50% 的搜索结果中，由 Gemini 2.5 提供支持。这意味着传统搜索模式正在让位于 AI 主导的答案生成，对 SEO 策略构成冲击。企业将需从「排名靠前」转变为「成为 AI 摘要引用来源」，整个数字经济规则正在重塑。更多参考

机器人拥有「触觉」：能感知热、痛和压力的新型皮肤问世：研究人员开发出可感知多种刺激的柔性机器人皮肤，拥有 86 万 + 信号通路，并借助机器学习进行解释。它能显著提升假肢使用者的触感体验，以及工业机器人在协作中的安全性与人机互动的自然度。更多参考

16 岁创始人打造千万美元 AI 公司，点燃科技创业新浪潮：普兰贾莉·阿瓦斯蒂（Pranjali Awasthi）年仅 16 岁，创办的 Delv.AI 致力于将学术内容结构化，其估值已达 1200 万美元。这反映出强大模型 API 与活跃资本生态正激励更多年轻创业者投身 AI。更多参考

AI 领域呈现出技术迭代加速、应用场景扩展、企业战略调整和投资热度上升的特点。从模型能力的提升到实际应用的落地，从开源社区的活跃到商业化的推进，AI 技术正以前所未有的速度改变着各行各业。
OpenAI 的 o3-Pro 和 Sora 模型、谷歌的 Veo3 视频生成模型、Mistral 的 Magistral 推理模型等技术突破，代表了 AI 发展的最新方向。苹果、微软、字节跳动等科技巨头的战略布局和产品发布，则展现了 AI 应用的广阔前景。

OpenAI 推出了最新推理模型 o3-Pro，正式取代之前的 o1-Pro 模型，已登陆 ChatGPT Pro/Team 版。该模型在科学、教育、编程领域表现出色，人类测评胜率达 64%，展现出强大的推理能力 ^[1]。
o3-Pro 模型具有三大升级亮点：

1. 在专家测评中全面优于 o3 模型，尤其在科学、教育、编程和数据分析场景表现卓越
2. 学术评估显示其数理与代码能力突出
3. 独创 “4/4 可靠性 “ 评估体系：要求模型需连续四次正确应答才算通过 ^[1]
   功能突破方面，o3-Pro 模型支持网页搜索、文件解析、视觉推理、Python 执行和记忆个性化响应等实用功能 ^[1]。

谷歌 DeepMind 发布了 AlphaZero、MuZero 和 AlphaDev 三大 AI 工具，分别用于提高数据中心资源利用率、提升视频压缩效率和发现更快算法 ^[2]。
其中，AlphaDev 发现的新算法将短元素序列的排序效率提高 70%，其新排序算法已发布到 C++ 库中，为算法优化提供了新的思路 ^[2]。

OpenAI 推出了实用的连接器和记录模式功能，提升企业协作效率；Anthropic 对 Windsurf 断供引发争议，部分用户转向 Cursor；Cursor 1.0 则通过新增 Bugbot、Jupyter 支持等功能，展现了其成为跨场景 AI IDE 的野心，同时 ElevenLabs v3 在多模态与多语言支持上的突破进一步巩固了其在 TTS 领域的领先地位。

OpenAI 近期未推出大型模型，而是聚焦于两项实用功能：连接器（Connectors） 和 记录模式（Record Mode）。

• 连接器：支持与 Google Drive、Box、SharePoint、OneDrive 和 Dropbox 等云服务的无缝集成。这对中小企业尤为实用，ChatGPT 可跨平台搜索信息并回答问题。一位印度工程师在演示中展示了如何利用此功能查询产品数据和用户反馈，快速生成季度规划文档，令人心动。
• 记录模式：桌面端新增 AI 会议记录功能，类似现有 AI 会议软件。用户可记录会议或语音笔记，ChatGPT 自动转录、提取要点并生成摘要和待办事项，点击摘要还能查看原始转写。目前已在 macOS 上向团队用户推出，更多用户群体即将解锁。

此外，企业管理员还能自定义添加 MCP（模型上下文协议），连接专有系统，进一步提升深度研究能力。

人工智能正在从一个概念演变为一种基础技术。这种转变不仅体现在新工具的出现，更在于行业运作方式和价值创造模式的根本性变革。人工智能对职业和专业的影响，进一步证明了这种转型是系统性的，而非表面化的。

此外，人工智能正在引发一场从「互联网」到「智能」的平台级转变。玛丽·米克尔的报告将人工智能比作「移动或云计算」的「历史性平台转变」^[1]。这意味着人工智能不仅仅是一项附加技术，而是一个新的基础层，将重新定义界面、用户交互和商业模式。从「应用程序到智能体」的转变 ^[1] 直接体现了这一点，预示着未来人工智能将超越简单的辅助功能，自主处理任务。这对公司如何设计产品以及用户如何与技术互动产生了深远的影响。

自主智能体（Agentic AI）指的是能够自主启动行动、规划步骤并完成任务的系统，无需持续的人工干预 ^[2]。这意味着人工智能不再仅仅回答问题，而是主动执行工作 ^[2]。例如，OpenAI 的 o1 模型专为链式思考而设计，结合记忆和规划工具，这些智能体能够安排会议、分析报告或管理工作流程 ^[3]。高德纳咨询公司预测，到 2028 年，33% 的企业应用程序将包含自主智能体，使 15% 的工作决策能够自动完成 ^[3]。这一趋势预计将成为知识工作的核心组成部分，改变金融、法律和项目管理等领域的预期 ^[2]。

人工智能从反应式工具到主动决策者的转变，预示着其在自动化任务方面的巨大潜力。然而，这种能力的提升也同时加剧了人们对「安全性、对齐和偏见缓解」的担忧 ^[3]。当人工智能变得更加自主时，确保其可靠性和道德行为的风险也随之增加，这使得道德考量和强大的监督变得至关重要。

红杉资本对 Workday CEO Carl Eschenbach 的访谈 ^[1] 揭示了传统 SaaS 企业如何在守住基本盘的同时，完成 AI 时代的战略升级。

1. 从成本思维转向增长思维

Eschenbach 指出：「AI 的讨论不应局限于 ROI，而应转向增长价值。」通过将 AI 视作「赋能员工」的工具，而非替代者，有助于企业更顺畅地导入 AI 能力，推动组织采纳。

2. 构建 AI Agent 的人事管理体系

2025 年已被业内视为「AI 智能体元年」，而 AI 设计工具的革新则为「设计即代码」注入强大动力。DeepSeek R1、Claude 3.7、GPT 4.5 等模型迭代，奠定了 Agent 技术发展的基础；Figma Make 与 Lovart.AI 等工具则以新范式重塑设计与开发的边界。面对多模态细节、商业化和协同挑战，行业需进一步完善技术与生态。站在「智能体团队」与「设计即服务」的交汇点，从业者唯有持续学习、敏锐洞察，方能在这一波浪潮中抢占先机，实现从通用能力竞争到垂直场景深耕的跨越。

2025 年 Q1 以来，国内首款推理模型 DeepSeek R1 发布，凭借低成本、高性能路径，实现了接近国外主流 LLM 的效果，突破了芯片封锁限制，并推动中小企业将关注点从模型研发转向应用落地。国外厂商纷纷跟进：Claude 3.7 在代码生成与交互体验上表现卓越，GPT 4.5 则以高情商对话和低幻觉率为卖点；但其使用成本明显较高 ^[1]。

多模态模型在丰富应用场景上具有天然优势。目前可分为：

• 专业级工作流（如 ComfyUI），支持自定义流程与极致细节，但对硬件要求高；
• 对话式生成（Midjourney、Gemini、生图 GPT），可通过多轮交互细化创意；
• 轻量级工具（即梦、可灵），兼顾易用性和成本，在国内即梦 3.0 质量领先。

AI 技术正在以惊人的速度改变我们的生活和工作方式。从教育到商业，从设计到投资，AI 的影响无处不在。把握这些趋势，不仅需要关注技术本身的发展，更要理解其在各领域的应用和带来的变革。
随着技术的不断发展和应用场景的不断拓展，AI 将继续重塑我们的世界。教育系统需要转型，更注重培养 AI 无法替代的能力；企业需要重新思考工作流程和管理方式；设计师和开发者需要适应新的工具和工作方式；创业者需要关注 AI 带来的新机遇。
在这个 AI 快速发展的时代，我们需要保持开放的心态，积极拥抱变化，同时也要警惕潜在的风险和挑战。只有这样，我们才能在这个新的技术浪潮中乘风破浪，创造更加美好的未来。

AI 技术正在深刻改变教育领域，既带来了机遇也带来了挑战。

根据相关研究，AI 作弊已成为大学教育中普遍存在的现象。一项面向 1000 名大学生的调查显示，近 90% 的学生使用了生成式 AI 完成作业。这种趋势不仅限于编程等技术课程，甚至在英语、法律、原住民研究等人文课程中也十分普遍 ^[1]。
在哥伦比亚大学等顶尖学府，学生坦言几乎所有作业都是通过生成式 AI 完成的。一位学生表示他提交的每篇论文约有 80% 是由 AI 撰写的，他只添加约 20% 的「人性」和自己的声音 ^[1]。这种现象已经蔓延到各个层次的教育机构，从大型州立大学、常春藤盟校，到职业学院和社区大学，学生们在学习的各个环节都开始依赖 AI。

AI 的普及正在动摇传统教育的基础。教育机构的诚信体系面临严峻考验，零宽容政策往往难以执行。教师们越来越常见到语言生硬但语法完美、听起来不像是人写的论文。然而，研究发现大多数教授无法准确识别 AI 生成的内容，一项研究中教授们错过了 97% 的 AI 生成作业 ^[1]。
更令人担忧的是，这种依赖 AI 完成作业的趋势可能导致学生批判性思维能力的下降。加州州立大学奇科分校的伦理学教授特洛伊·乔利莫尔表示：「我们可能正在见证一整代人的学习被严重削弱，学习过程正在被短路，而且来得非常快。」^[1]

AI 技术正在高速演进，从模型能力的跃升到产品形态的不断革新，如何在复杂性与可用性之间做出有效取舍，是每个产品人和工程师都必须面对的现实问题。本期我们聚焦两个关键主题：其一是构建 Agent 系统与工作流系统的设计原则与实践方法，其二是 AI 产品如何达成 Product-Market Fit（PMF）。同时，我们也梳理了 DeepSeek 最新模型的推理创新进展，帮助你把握技术前沿。我的感受是，今天构建 AI 应用已经不仅是拼技术，更是拼对场景、拼对节奏、拼对成本——洞察这些机制，是我们穿越 AI 泡沫的关键。

在 AI 系统设计中，工作流系统强调可预测性和流程控制，适用于任务路径清晰的场景；而 Agent 系统则适用于任务路径不确定、需动态决策的开放性问题。当前主流开发趋势不再盲目追求复杂的 Agent 框架，而是鼓励以增强型 LLM 为基础，构建可组合、易调试、透明的类 Agent 系统。最佳实践是从提示链、路由、并行、编排、评估等基本模式出发，通过量化评估与迭代优化，组合出最适配特定任务的解决方案。Anthropic 的建议明确指出，开发者应优先直接调用 LLM API，框架使用需确保对底层机制有充分理解。系统复杂性的提升只有在带来明显效果增益时才值得引入，这种「从简出发、按需加码」的工程思路，是未来 Agent 系统构建的主流路径 ^[1]。

AI 产品成功的关键，不仅在技术领先，更在是否精准击中真实需求（PMF）。Cursor 团队以 Vim 为灵感，从底层重构开发体验，结合 Claude 3.5 能力突破，完成了技术与需求的深度耦合；而 Arc 虽在设计美学上表现出众，却因功能堆叠与方向模糊未能获得广泛市场认同。AI 时代的 PMF 需要新的衡量维度：不仅要「技术能做」，还要「成本可控」「用户愿买」。从案例中可以提炼三点经验：第一，PMF 不能只依赖早期极客小样本；第二，功能聚焦优于面面俱到；第三，实践中对需求真实反馈的获取比空想更具价值。这些都提醒我们，在构建 AI 产品时，理解技术 - 市场 - 体验的三元动态，而非一味迷信模型能力，是产品成败的分水岭 ^[2]。

DeepSeek 推出的 Prover-V2 模型针对 Lean 4 形式化系统进行定制优化，采用「复杂定理 - 子目标 - 结构草图 - 形式化语言」的递归式证明流水线，实现了对复杂数学问题的自动化分解与合成。模型采用了两个关键技术路径：其一是使用通用 LLM 生成证明计划与结构，其二是调用小型专用 Prover 模型进行子目标递归求解。该方式显著提升了模型在数学推理中的精度与效率，标志着 AI 在形式化逻辑领域的一次深度迈进。这类「任务结构化 + 模型协同分工」的模式或将成为高复杂度 AI 任务解决的新范式，为教育、科学、工程等场景提供更高质量的知识生成基础 ^[3]。

当前 AI 发展呈现出三个显著特征：技术民主化（低代码平台降低使用门槛）、系统透明化（算法原理的主动公开）、交互人性化（心理学模型的引入）。这些趋势共同指向一个核心命题：人工智能的终极价值不在于替代人类，而是通过增强人类的认知边界与创造力，构建新型的人机协作生态。当开发者开始思考「如何向 AI 提出好问题」时，这不仅是技术应用层面的进步，更预示着人机关系正在从单向指令模式向双向启发模式进化。未来，随着技术架构的持续优化与跨学科思维的深度融合，AI 有望在保持技术先进性的同时，真正成为人类思维的延伸与共创伙伴。

OpenAI 近期发布了针对企业客户的三份研究报告，其中《构建 AI 代理的最佳实践指南》(A Practical guide to building AI agents) 尤为值得关注。该指南专为探索如何构建首个智能体的产品和工程团队设计，提炼了众多客户部署中的见解，形成了实用且可操作的最佳实践。
报告提供了识别有前景用例的框架，指导企业如何在实际业务中有效应用 AI 代理技术。它强调了从小规模试点开始，逐步验证效果，再拓展应用范围的迭代思路，确保 AI 代理能够在实际业务场景中发挥最大价值 ^[1]。
OpenAI 的报告指出，AI 代理 (Agents) 与传统工作流 (Workflow) 有显著区别，AI 代理能够以高度独立的方式代表用户执行任务。报告还详细介绍了何时选择单智能体系统或多智能体系统的适用场景，以及实现不同功能的简单代码方法 ^[2]。

在内容创作领域，AI 正展现出强大的辅助能力。基于 MCP（模型上下文协议）思路，创作者可以快速搭建小红书灵感选题器，实现内容创作的智能化。
这一工具的核心功能包括：输入关键词，获取趋势数据、内容结构建议等。通过阿里云百炼平台，创作者可以编写高效的 Prompt 提示词，实现快速的内容灵感获取。这种工具不仅节省了内容创作者的时间，还提高了内容创作的效率和质量 ^[3]。
随着 AI 技术在内容创作领域的应用越来越广泛，我们可以预见未来会有更多类似工具出现，帮助创作者更高效地生产内容，实现内容创作的智能化和个性化。

近期，抖音在其官网上公开了平台推荐算法的逻辑及用户行为预测机制，这一举措对创业者和用户均具有重要的参考价值。长期以来，推荐算法常被 “ 妖魔化 “，显得神秘莫测，而此次公开透明化尝试有助于打破这种误解 ^[4]。
抖音推荐算法的核心逻辑可以简化为 “ 推荐优先级公式 “：综合预测用户行为概率×行为价值权重=视频推荐优先级。推荐算法通过各种 “ 目标 “ 来预估用户行为，比如将视频观看时长作为用户兴趣的指标 ^[5]。
抖音推荐算法的本质是一个信息过滤系统，通过分析用户的历史行为，预测用户的喜好，从而实现高效的信息匹配。这一公开透明的做法不仅有助于用户理解平台内容推荐机制，也有助于创作者更好地适应平台规则，创作出更符合用户需求的内容 ^[6]。

这篇内容来自「少楠」的分享，实在找不到原链接了。

这是 Marc Andreessen 在 2013 年的一篇文章，他提出了一个有趣的概念：结构化拖延。其核心思想并非对抗拖延，而是巧妙地利用拖延的时间来完成其他有价值的任务。

为了更好地实践结构化拖延，Andreessen 建议维护以下三个清单：

• TODO：必须完成的任务（按时间排序）：这是优先级最高的任务列表，需要按照截止日期或重要性进行排序。
• 观察：需要持续跟进的事项：这个清单记录了需要长期关注和监测的事项，例如产品上线后的数据、运营活动的效果、以及个人的长期变化（健康、投资等）。这类事项往往不紧急但很重要，容易被遗忘。
• 稍后：未来想做但不紧急的任务：这个清单用于记录一些想法和未来的计划，暂时不需要立即执行。

建议每天睡前写下第二天必须完成的三件事，并在醒来后优先处理。即使看起来任务不多，坚持完成也能带来成就感。同时，记录下当天完成的清单外事项，帮助自己了解时间的实际流向，而不是为了指责自己。