大厂出来的很多人其实很弱
我给大家讲一个故事吧
4年前我们招了一个大厂出来的人，说句实，我第一天就觉得这个人不行，面相太凶了，感觉全世界都欠他钱一样，一脸愤怒
果不其然，试用期几件事情把我搞烦了
真正干活的时候，我们都会白板讨论一下架构，他基本上所有问都在杠，我最开始还以为他是有真实的思想，就想，只要他10句有1句是对的，就有价值。慢慢的时间久了，我们都明白了，他抬杠纯粹是为了显得自己技术牛逼，不为别的。但其实他们在我们这些扫地僧面前，他的计算机基础只能算小学
但是实际一干活呢？几周过去没有进度，一问确实就在写代码，但他只写核心demo，一遇到产品细节完善，每天都抱怨这里好麻烦那里细节太多，甚至说，我觉得的用户不会这样用。我当时反问他，现实中产品除了核心原理，90%都是细节，只有细节做好了，软件才稳定，用户才舒服。软件工程很多是体力活，你只写个demo，要让别人来给你擦屁股吗？
最后一件事情才是大无语，我们公司有健全的CI，但是针对一些新的项目需要先研发趟坑，稳定后再上CI。有一周又没有进度了，我问他咋样了，他说没CI，我说没CI先自己本地编译下啊，你自己写代码不测试的吗？顺手的事情。他来了一句大无语，我在大厂的时候，都是基础设施搭建好，我们才写代码的
我当时直接怒了，我说，你回你的大厂去吧，我们这里不欢迎你
大厂有没有厉害的人？当然有，但是真正厉害的人不会出来。出来的这些都是爷，中午吃饭高谈阔论，每天只会装逼，一到业务代码时就嫌麻烦，动不动就飙我在大厂时怎么怎么样.....
创业者们，招人一定要招那些踏实肯干的年轻人，本本分分的将来必有大才。
那些大厂出来的毒瘤看到一个就要清理一个，他们都是纸上谈兵的烂人，不清除就会把组织感染的乌七八糟。
大厂出来的人为什么普遍弱？因为平台帮他磨平了太多事情，他只用当螺丝钉就好了，出来混，面对小厂全栈，南郭先生一般活不过半集

互联网充电站

记录下Claude code吃掉的旧解决方案：
Office文件工作流
Adobe工作流
PRA的生态位
iPaaS/自动化工作流的生态位
aPaaS的生态位

红筹事件影响：月之暗面、元戎启行考虑公司重组，IPO节奏或生变｜速递

Meta收购Manus的交易影响在发酵。

5月1日消息，据报道，AI大模型公司月之暗面（Kimi）、物理AI公司DeepRoute.ai（元戎启行）均有意赴港IPO上市，但目前已收到问询，重点关注两家企业控股主体的股权权属问题。

据透露，月之暗面Kimi已启动架构调整可行性评估，同步联合研讨方案，现阶段尚未敲定最终调整决议；元戎启行也已开启同类型架构重构的内部研讨工作。

证券机构已释放明确信号，对本土企业采用架构推进上市审核的态度趋于审慎，相关上市获批难度有所提升。

预计两家公司将放弃境外主体架构模式——“红筹”架构，转为落地国内注册设立实体。

AI 时代优秀人才的特质:

第一是好奇心。对新事物有足够兴趣，愿意主动尝试新工具、新技术。尤其是工作之外，还愿意折腾一些个人项目。这样的人更容易形成一手体感，也更容易跟上 AI 的发展速度。

第二是主体意识。清晰知道自己想要什么，有主观能动性，不习惯只是被安排，也不会被 AI 替代焦虑推着走。不会轻易给自己设限，同时也具备开放的认知，愿意看到新的可能性。

第三是成长型思维。愿意持续更新自己的认知，能够快速推翻自己之前错误的方案，而不是执着于证明自己永远正确。AI 发展的节奏太快，今天是对的东西，明天可能就过时了。

我现在看到的很多优秀的AI builder，很多甚至都没有技术背景，比如张咋啦和余一，但他们的特质都是相同的，极强的好奇心和动手能力，知道自己想要什么，不断的跟AI共同进步。

如果一个用户突然把音量主动调高了，并且保持住了，他一定喜欢这首歌。

创业者远离腾讯云，保平安， 跟大家分享我们腾讯黑的经历：
去年懒猫微服发布之前， 我们就选择了腾讯云，原因主要有两个：
1. 腾讯毕竟大公司，虽然不如亚马逊，最起码有保障
2.腾讯云当时全球CDN的报价狠便宜啊，最后发现我是傻逼
我们用了腾讯云后，发生了几件离奇的事情，朋友们看我们是不是傻逼？
懒猫微服去年发布的时候很快做到了14个国家，今年已经20多个国家了，所以全球CDN对于全世界的用户非常重要。
最开始，我们接到某些国家的用户半夜反馈说， 我们商店访问不了，下载App很慢， 最后发现腾讯云溯源90%几率会挂，不挂的几率基本上没有，当时我们快急死了，跟腾讯云发工单，永远都是回复 “稍等我们马上看”， 2个小时候问了我们一个细节，然后继续 “稍等我们马上看”， 尼玛，就这样折腾了一晚上，问没解决， 世界的尽头不是铁岭，而是腾讯云的两个小时。
我们实在等不及了，我们自己在海外买了腾讯云的VPS做了反代，顶了几天。你说气人不？ 腾讯云自己的VPS可以正常访问，腾讯云号称牛逼的全球CDN还不如自己的VPS。
就这样，我们一边被用户骂，一边做代码迁移，一边被腾讯云气哭了， 等了2天， 最后回复的结论是， “海外CDN有30%概率不溯源是正常的。 ” 你知道吗？我第一次听到这里都气炸了， CDN没有效果， 我用CDN干嘛？ 我不知道自己在全世界建自己的服务器吗？
就这样气炸的情况下， 我们用阿里云和各种技巧顶了2天，决心替换腾讯云的时候，一个朋友说可以加腾讯云CDN负责人的微信。果然拉了一个群， 我想， 终于找到组织了，只要可以解决，就不换吧，换也要各种写代码折腾。
进了群，各种大佬一番介绍，像那么回事，大老板，二老板，三老板都在，工程师也在。我当时想，你们老板在群里督战，工程师该不敢甩锅了吧？然后就是一番解释，说清楚事情的来龙去脉，讲了为什么全球CDN对于懒猫微服用户下载应用是多么重要，咱有问没关系， 有问能否和我们一起分析，快速解决？....... 那时候我要上飞机了，一堆商务礼仪的先说了，把态度摆端正。
我下飞机的时候想，终于创业路上少了一个坑， 一打开微信，你猜怎么着？在那么多老板在的群里， 腾讯云的工程师说：“尊敬的用户您好，我们在微信群会实时响应的，您的问，请提交工单”， “提交工单后请耐心等待”....... 你知道吗？ 那时候，我觉得不是世界的尽头，而是宇宙的尽头都是你们腾讯云牛逼的工单，你都微信群了，你还让我从微信群提交工单，是不是有病？你们知道线上云服务器炸了，有多着急吗？
我从机场出来，我就给我们CTO发消息说，腾讯云这个公司没救了，老板在群里都敢这样敷衍用户，多大代价，周末加班写迁移代码都要把腾讯云换掉！最后我们花了一个周末的时间，所有线上服务都从腾讯云迁移走了。
上面就是我被腾讯云气炸的过程，友友们，你们说我是不是傻逼？我是不是活该？
我们微服现在全球20多个国家（马上快30个）用的金山云，虽然金山云产品细节差强人意，但是别人给我们建了VIP群，啥问都可以马上沟通， 哪些文件要部署CDN， 哪个域名要配置缓存策略的，群里说一声，马上就搞好了。
创业重要的不是多大队伍，而是态度，遇到事情，马上向客户承认错误，马上改，下次避免，这才是对客户负责任的态度。

互联网充电站

API 安全的 12 个重要技巧:
1. 使用HTTPS：
就像信封保护信件内容不被偷看一样，HTTPS帮助确保你通过互联网发送的数据是安全的，避免被不该看到的人窥视。
2. 使用OAuth2：
想象有一个专门的保安，只让有门禁卡的人进入大楼。OAuth2是网络上的保安，确保只有得到允许的应用和服务可以访问你的数据。
3. 使用WebAuthn：
如果你的手机或电脑是一把钥匙，WebAuthn就是确保这把钥匙只能开启你的锁。它帮助用更安全的方式登录网站，而不仅仅是密码。
4. 使用分级API密钥：
就像有的门禁卡只能让你进入大楼的一层，而有的可以让你使用电梯去任何楼层。分级API密钥意味着不同的密钥允许不同级别的访问权限。
5. 授权：
确定谁可以进入哪些房间。就像你家的不同钥匙可以开不同的门，授权确保每个人只能访问他们需要的信息。
6. 速率限制：
避免有人连续敲门太多次，打扰到里面的人。速率限制确保服务不会因为太多请求而崩溃，保持服务稳定。
7. API版本控制：
就像游戏更新新版本加入新功能，但旧版本仍可用。API版本控制允许开发者引入新功能而不打乱使用旧版本的用户。
8. 白名单：
创建一个允许访问的人名单。只有名单上的人可以访问服务，保护你的服务不被未经授权的访问。
9. 检查OWASP API安全风险：
OWASP列出了网上最常见的安全问，就像一个检查清单，帮助你避免这些问，保护你的API不受攻击。
10. 使用API网关：
想象一个大楼的前台，决定访问者能去哪里。API网关管理所有进入系统的请求，提供额外的安全层。
11. 错误处理：
当事情出错时，正确地告知发生了什么，而不透露太多信息。这就像是当你的APP出错时，给出有用的提示而不是让问变得更糟。
12. 输入验证：
确保别人给你的信息是你期待的类型和格式。就像你只接受合法的货币支付，输入验证帮助确保接收到的数据是安全和可用的。

互联网充电站

Meta再次收购中国创始人的AI公司，合规角度的三点观察

2026年5月1日，Meta官宣收购机器人模型公司Assured Robot Intelligence（ARI），未披露具体交易金额。与此前引发较大争议的Manus交易类似，本次收购的核心仍然是“收购团队”：两位创始人王小龙和Lerrel Pinto及其团队将整体加入Meta，参与其机器人与AI相关研发工作。

ARI的核心团队颇有些中国色彩。创始人之一王小龙是华南农业大学的本科、中山大学的硕士，后来在卡耐基梅隆大学读完博士，在加州伯克利分校做博后研究，随后到加州圣地亚哥分校担任副教授，同时还在英伟达做过研究员。王小龙曾获得斯隆研究奖和美国国家科学基金会NSF CAREER Award，发过多篇顶会论文。

另一位创始人Lerrel Pinto同样是卡耐基梅隆大学的博士，和王小龙同期在加州伯克利分校做博后研究，随后到纽约大学担任助理教授。此前他还创办了另一家机器人公司Fauna Robotics，这家公司在2025年成功被亚马逊收购。

除了两位核心创始人之外，另有一位Xuxin Cheng在早期加入了ARI。他在2020年从北京理工大学本科毕业，卡耐基梅隆大学硕士毕业后在加州圣地亚哥分校读博，是王小龙的博士生。

团队在大约一年前创立了ARI，核心方向是为机器人提供通用的“决策与控制能力”，通过强化学习、运动捕捉、轨迹优化等方法，训练控制模型，使得机器人能够在真实物理环境中完成复杂动作和任务。这也是当前具身智能领域最重要的技术方向之一。

本次被收购之前，ARI只宣布了一笔由AIX Ventures进行的种子轮融资，也未披露估值和融资规模。

从公司架构上看，ARI注册于特拉华州，属于典型的Delaware C-Corporation结构，这也是美国绝大多数科技初创公司的标准选择。目前没有迹象显示其采用开曼、新加坡、或其他离岸架构。

从合规层面讲，这次收购至少有三个观察点：

第一，不论中美的监管都是有限度的。

Manus交易被国家发改委叫停之后，市场普遍提高了对中美政府监管审查的预期，尤其是在中国的技术出口与国家安全领域。但从实践来看，无论是中国还是美国，监管资源与审查范围都不可能无限扩张。

以美国为例，CFIUS理论上可以审查几乎所有涉及外国人投资的交易，但实际每年审查案件数量仅为300-400件。其关注重点始终集中在少数具有代表性的交易——即涉及关键技术、核心产业，或可能对国家安全产生实质影响的企业。

中国的监管逻辑与之类似。当前技术出口管制规则仍处于动态调整之中，但可以预期，其关注重点同样集中在具有重大技术和产业影响力的企业。而从Manus案体现出的监管逻辑来看，中国的监管部门更关注是否存在中国人才、中国技术、中国公司的成建制外迁，绝非不欢迎所有有中国创始人的企业并购。

Manus案自有其特殊性。Manus的交易之所以在中美两边同时受到高度关注，很大程度上源于其在早期被部分中国媒体赋予了“第二个Deepseek”“国运级产品”的定位，而Meta对Manus的收购价格又显著高于同时进行的其他类似交易。种叙事显著放大了其政策敏感性，几乎注定了其后续将面临更高强度的监管关注。

相比之下，无论是ARI，还是当前绝大多数科技初创公司，都难以被认定为涉及核心国家安全利益。特别是ARI的核心研发团队依托于美国大学，一开始就在美国研发，受到中国监管部门注意的可能性更小。因此，在正常情况下，绝大部分公司都不会面临Manus那种级别的监管压力。

第二，股权结构不要迷信“设计技巧”

近期市场出现了大量关于“如何通过股权结构规避监管”的讨论。实践中的结论其实非常明确：不应寄希望于通过复杂的股权结构、合同安排，甚至代持来规避中美任一方的监管。

早在2024年，我就在文章里提出，红筹架构已经很难适应中美政治格局下AI初创企业的需求。后来不断出现的新政策、新动向，包括今年年初有关红筹公司上市的讨论，都印证了我的这一观点。

在当前的环境下，初创公司所能采取的路径无非三种：

(1) 以中国为主体：以中国公司为融资主体，通过人民币融资或将外资转化为人民币，并通过ODI开展海外业务，未来通过A股或H股上市。

(2) 以美国为主体：以特拉华C-Corporation为融资主体，按照美国市场通行的NVCA等文件开展融资与公司治理。至多对非美国创始人或投资人，以BVI主体持股进行一定税务优化。

(3) 中美分拆为两个主体：中国的归中国，美国的归美国，通过技术服务或产品供应实现协同，中美主体的股东可能镜像安排，更大可能是中国投资人投资中国公司，美国投资人投资美国公司。严格来说也是上述两种方案的变种。

股权结构本身的可操作空间其实非常有限。整体而言，公司架构越简单、越标准，反而越具备可持续性。一些“擦边”结构在短期内或许有效（具体的在这里不多说），但对于未来具有融资或上市预期的公司而言，长期不可依赖。

ARI的收购再次印证了这一点：对于一家美国初创公司而言，采用标准的特拉华架构，往往已经是最优解。

第三，机器人行业不可能脱离中国，需要动态合规管理

与纯软件或AI应用公司不同，机器人（具身智能）行业具有显著的制造属性。这意味着，无论公司注册地或研发地在哪里，其供应链几乎不可避免地与中国产生联系。从现实情况来看，全球范围内成熟且规模化的制造能力仍然集中在中国。即使是一家完全美国本土的机器人公司，其技术开发与供应链体系也很难完全与中国脱钩。

机器人行业公司需要格外关注下述几个合规问题：

（1）技术出口与研发分工：考虑到中国的技术出口管制，受限技术无法在中国开展研发，而部分非敏感技术（如UI或通用模块）则可以在中国开发，但需要精细划分和合规设计。

（2）数据合规问题：不论是中国还是美国，都有比较严格的数据出境的规定。特别是面向美国消费者市场的机器人产品，在使用过程中必然会收集大量美国个人信息，要特别注意14117行政令及配套规则下有关数据本地存储、本地访问等的规定。

（3）供应链与反向投资审查：如果公司的成本结构中对中国供应链的依赖较高，可能触发美国对外投资或供应链安全相关的审查风险。

对于这类“无法脱离中国”的美国创业公司而言，上述问题将成为长期需要动态管理的核心合规议题。

不论是中国还是美国，跨境监管持续“选择性强化”，而不是“全面收紧”，可能是未来半年到一年的主基调。

那国首都国际机场、广州白云机场都出现返祖现象——工作人员男男女女皆着明制汉服。 是偏贵族服还是小厮服？ 长衣宽袖方便工作吗？ 着装时间付工资吗？ 短发或发量少的要用假发做发髻吗？ 干洗还是湿洗会增加成本吗？ 是节日临时换装还是准备试点成为常态？

互联网充电站

真的，Google DeepMind 的 CEO Demis Hassabis 每一期访谈我觉得值得都花时间看看。这哥们讲东西很实在，而且通俗易懂。

早上边跑步边听完了他和 YC CEO Garry Tan 的最新一期播客。

刚刚把笔记写完，也给大家分享下。

多说一句，好多人问我这种笔记是不是 AI 写的。我说下自己的流程。

我会先完整听完播客，然后用语音输入法把感触尽量充分地讲出来，再让 AI 帮着整理初稿，最后自己逐字修改优化。

如果全部交给 AI 做总结，那等于把思考和理解的能力让渡给了 AI，对自己理解这件事其实没有任何价值。

OK，咱们进正题。

1
Demis 的态度非常明确，现在的大模型范式（大规模预训练 + RLHF + CoT）一定会是 AGI 最终架构的一部分，他不认为这会是条死路。

但要实现 AGI，还有几个关键问题要解决。这几个问题包括：持续学习、长程推理和记忆系统。

先从最容易看到的现象讲起，Context Window。

现在大模型处理长信息，最常用的招就是把 Context Window 一直撑大。一开始 8k，后来 32k，再后来 100 万 Token。听起来很厉害，但本质上是暴力堆砌。

Context Window 其实就相当于人脑里的 Working Memory，工作记忆。人的工作记忆能同时装多少东西？心理学里有个经典数字，7 个左右。背电话号码能记住 7 位上下，再多就溢出了。

大模型呢？已经做到 100 万 Token。

按理说，模型的工作记忆比人大几十万倍，应该比人聪明几十万倍才对。但显然不是。

问题也恰恰就出现在这。把所有东西都塞进 Context Window 里，里面包含了不重要的东西、错的东西、过时的东西。看起来信息很多，其实是一团乱麻。

那人为什么 7 个数字的工作记忆就够用？

因为人脑背后还有另一套机制在工作。我们记得几年前的事，记得童年的事，记得几小时前发生的事。这些都不塞在工作记忆里，而是另一套系统。

具体来说这套系统是海马体，大脑里负责把新知识整合进已有知识库的那个部分。

研究发现，人睡觉的时候，特别是 REM 睡眠阶段，大脑会重放白天重要的片段，让大脑从中学习。新东西在睡觉的过程里，温柔地融进了旧的知识体系。

这个把新东西融进旧知识库的过程，就是持续学习。

模型现在没有这套机制。每一次对话结束，刚学到的东西就会忘记。下次重新打开，还是上次那个模型，没长进。

2
再聊聊长程推理的问题。英文表达是 Long-term Reasoning。我翻译为了长程。

长程推理这个词太抽象了。Demis 讲了一个特别具体的故事，听完会立刻明白他说的是什么。

他说自己喜欢跟 Gemini 下国际象棋。下棋的过程里能看到模型的 thinking trace，也就是它在那里到底想了什么。

然后他发现一件怪事。

模型考虑一步棋的时候，思考链里清清楚楚写着，这步是个昏招。但接下来，它没找到更好的走法，于是又走回这步昏招。

明明知道是错的，还是把错的那一步走出去了。

这个细节比任何 benchmark 数据都说明问题。因为它暴露的是模型缺少对自己思考过程的某种内省能力。

正常人下棋，意识到一步是昏招之后，脑子里会有一个反应，停一下，再想想。停一下、再想想这个能力，模型现在没有。它能在每一步局部判断对错，但没法基于整盘棋的局势去调整整体策略。

这就是长程推理还没搞定的样子。模型可以一步一步往前走，每一步看起来都合理，但走到后面整盘棋的方向其实是错的。它没有那种退回到当前思考的上一层、重新审视一下的能力。

说到底，模型缺的是一种内省。

3
学习、长程推理、记忆，这是 Demis 在播客里点出来的三个 AGI 鸿沟。

除此之外，他还反复提到了创造力。

2016 年 AlphaGo 跟李世石下棋，第二局走出了著名的 Move 37。那一步棋走出来的瞬间，全世界的围棋高手都看呆了。

所有人类几千年下围棋积累的经验都告诉它不该下那里，但 AlphaGo 下了。下完之后大家发现，是一步神来之笔。

很多人觉得，这就是 AI 的创造力来了。

但 Demis 说，对他自己来说，Move 37 只是起点。他真正想看到的是另一件事。AI 能不能发明围棋这件事本身。

这两件事的区别非常关键。

Move 37 是在围棋这个现成的规则里，找到了一步人类没想到的招。但围棋的规则、棋盘的形状、黑白子的对弈方式，是人类发明出来的。AI 在已有的框架里非常厉害，但能不能自己造一个框架，是另外一回事。

Demis 给了一个具体的设想。

如果给 AI 一个高层次的描述。造一个游戏，五分钟能学会规则，要好几辈子才能精通，棋局有审美，一下午能下完一局。AI 能不能根据这个描述，自己倒推出围棋？

目前做不到。

为了把这件事讲得更清楚，Demis 还提了一个测试，他自己叫爱因斯坦测试。

用 1901 年人类已有的全部知识训练一个模型，看它能不能在 1905 年那个时间点，自己推出狭义相对论。

爱因斯坦在 1905 年那一年里，连写了几篇改变物理学的论文，后来叫爱因斯坦奇迹年。那些工作不是从已有的物理学论文里通过拼接得到的，是基于已有材料做了一次全新的概念跳跃。

爱因斯坦测试想问的就是这件事。AI 能不能做这种跳跃。

目前的大模型主要在做两件事，pattern matching 和 extrapolation。一个是从大量数据里找规律，一个是把规律往外延伸一点。但发现新东西需要的是类比推理的能力。从一个领域里抽出深层结构，搬到另一个全新的领域去用。

这个能力，模型现在还没有。也可能是有，但用法不对所以激发不出来。

4
除此之外，Demis 还分享了一个让我特别出乎意料的判断，他说未来 6 到 12 个月，真正的价值不在更大的模型，在更小的模型。

这一部分内容我反复听了好几次，确实突破我的已有认知。

不知道大家的想法，反正我自己，这一年来并没有怎么关注小模型的进展。毕竟行业的焦点就是把模型做大嘛。

那小模型的价值到底在哪？

最直接的是成本。同样一个任务，小模型的推理价格可能只是前沿模型的十分之一甚至更少。

但 Demis 说，比成本更重要的其实是速度。

这里有一个前提得先说清楚。Demis 不是在说速度可以替代智能。

他的原话是，当小模型的能力已经达到前沿模型的 90% 到 95%，也就是已经相当不错的时候，剩下那 5% 到 10% 的能力差距，比不上速度带来的好处。

比如现在工程师用 AI 写代码，已经形成了一种新的工作节奏。一个想法冒出来，几秒之内就能看到结果，不行就改，再不行再改。

这个一改再改的循环跑得越快，做出来的东西就越好。如果每次调用都要等十秒，整个工作流就被打断了。

更关键的是，快到一定程度，工程师在这种节奏里能进入心流。一个想法、一次尝试、一个反馈、再来一个想法，思维不被打断。

这件事写过代码的人都懂，进入心流和频繁掉出心流，产出的差距是数量级的。

Agent 也是同样的逻辑。一个 Agent 跑完一个任务可能要调几十次模型，每次慢一秒，整个任务就慢一分钟。慢到一定程度，Agent 就从一个能用的东西变成鸡肋。

小模型不是大模型的廉价替代品。有些事只有小模型能做。

比如手机、眼镜、家用机器人，需要的就是一个能在本地跑起来的模型。本地跑除了反应快，还有一个特别重要的好处，隐私。

家里机器人看到的视频、听到的对话，全部在设备本地处理，根本不上云。这件事对很多用户来说不是加分项，是底线。

成本、速度、边缘部署，这是小模型的价值。

5
讲完小模型的价值，接下来一个更关键的问题是，能力被压到这么小的参数里，会不会有上限？

Demis 的判断是，目前没看到信息密度有任何理论上限。小模型的智能天花板还远没看到。

支撑这个判断的，是 DeepMind 在蒸馏这件事上的积累。蒸馏简单说就是先训练一个超大的模型，然后用这个超大模型去教一个小模型。教完之后，小模型用极少的参数，能复现原来 95% 以上的能力。

为什么 DeepMind 这么重视蒸馏？因为要把 AI 能力放进谷歌的头部产品中，前提是低延迟、低成本。前沿模型再强，每次推理花几秒钟、花几毛钱...这条路，恐怕很难走得通。

一个前沿模型发布之后，6 到 12 个月内，他们就能把这个模型的能力蒸馏到边缘设备能跑的小模型上去。这个时间表比很多人想的要快。

在很多场景中，小模型和大模型会相互配合。

举个例子，一个端到端的智能助手，绝大部分日常任务在本地的小模型上跑。智能眼镜看到的画面、家里机器人听到的对话、手机里的私人助理，模型直接在设备里读懂，不需要往云端传一遍。

只有遇到特别复杂、本地搞不定的问题，才向云端的前沿模型发起请求。

也就是说小模型在边缘做主力，前沿模型在云端做后援。

不过，这个构想对小模型的要求也比较高，它不能只会处理文字，还得能理解物理世界。

这就是为什么 Gemini 从一开始就坚持多模态，不光处理文字，也处理图像、视频、声音。

一开始这么做比只做文本要难得多，但眼镜也好，机器人也好，需要的是一个能看懂周围世界的模型，不是一个只会聊天的模型。

讲到这里，小模型这条路的轮廓就完全清楚了。它独立成立，不是前沿模型的廉价替代品，而是另一条同样重要的路。

嗯，很有启发。

跟潘乱聊聊音乐对短视频的意义。

Invalid media: video

看到一个「专为程序员编写的英语学习指南」，没有啥务虚的东西，教程通过深挖语言学习的本质，并用程序员易于理解的方式去思考，提供自己根据本质推演出来的训练方法和经验做参考，整体而言很理性也很有逻辑，适合想学习好英语的同学。
🤖 https://a-programmers-guide-to-english.harryyu.me/

互联网充电站

#出海运营秘籍👉@yunying23

有个云南年轻人想把一种小众茶卖到全国，我看到了什么？

在旅途里面聊聊股票跟房产，还有创业的项目