Panda

统计数据

48

文章

0

粉丝

0

获赞

780

阅读

1天前

跟大伙分享一个很【变态】的心态，就是强迫自己去做，硅谷的说法大概叫 High Agency Introvert Execution 我一直是个典型的 C 端硅谷式创业者：最爱优化产品、研究分发，最讨厌和人打交道、去 social。但我其实和朋友一起运营着一个 API 站点，已经快跑满三年了早期叫，后来觉得名字没记忆点，现在改成了起因很简单：我们自己训练模型时需要海量 API，一次造数据就要花十几万，干脆自己部署了一套，顺手分享给朋友用。得益于我从科研圈退出的经历，用户几乎全是 B 端公司——美团、腾讯、各地的 Lab。 B 端圈子有个潜规则：你得定期去参加他们的各种活动。这对我这种重度 i 人来说，简直是心理阴影。可我早期还是硬逼自己去。活动其实没啥实质内容，就是过去捧个场。但我又不甘心把时间白白浪费掉，于是给自己定了个死 KPI，不断在心里默念：【这次出来，必须加上五个看起来像潜在客户的商务/技术负责人的微信。】就靠这个心理暗示，我开始逮着会场里坐在后排、频繁刷手机的人上去聊天。他们一开始大多一脸懵（哈哈哈哈），但就这么认识了一大堆头部咨询、投研、战略部门的人，后来还推动了好几单长期合作。我早期搭讪真的特别木讷，估计所有人都看得出来，但大家其实都特别友善包容我们目前还是只卖模型 API，没有 coding plan，可能在今天显得有点【落后】。1 月份试着转发过 Claude Code 和 Codex，但官方订阅封号率太高，根本维持不下去，所以跟客户说暂时都停了付费模式也很透明：我们会明确告诉你用的是官方、Azure 还是逆向通道，按需选择。我不喜欢行业里常见的【几块钱买一美元 token】那种说法——看着便宜，实际把模型单价又抬上去了我们主要是因为企业用量大，能从 Azure/AWS 拿到比较好的折扣，就直接分享出来给大家用。这个业务的利润率我们一直只维持在 5-15% 之间也没有外界传的那种中转站把 API 请求卖给大厂的事。不是道德洁癖，纯粹是 ROI 为负：用户请求的质量普遍很低，能达到 LLM 部门采购数据标准的只有 0.1-1‰，再加上标注、筛选、回扣，基本是亏本买卖。而且存一大堆数据还占存储和带宽，所以我们只保留 7 天，用户有问题可以随时追溯，7 天后自动清理说了这么多，本来只是想分享这个【强迫自己去做】的心态，结果顺便聊了点行业内幕。我们站点接下来会做一些面向 C 端用户的优化，有新进展再同步

2天前

帮转：在 X 上被大吹特吹的 Google TurboQuant，实际上剽窃了我朋友重要的科研成果 RabitQ 并且发表在今年的 ICLR 上，有充足证据证明 Google 团队知情并且隐瞒了他们先前论文的成果和贡献因为我遇到过 paper、idea 被同组师兄剽窃的经历，三年过去了，那篇 paper 至今还是他们 Google Scholar上引用最多的成果虽然我依旧保留着证据等合适时间给他们致命一击出口恶气。但当时没有任何人为我发声，导师只说了一句对不起，这种学术不端的行为让人非常反感

2天前

本来一直在纠结买理想还是领先的友商，体感上两车自动驾驶水平都很高，舒适度也很不错。虽然特斯拉开着爽，但短期确实没有中国的FSD，这年头谁还想自己开车，湾区再开吧对于我们这种人是不信销售的话的，技术公开资料又不够多，也不是特别刚需，所以一直没下手。直到理想把 MindVLA-o1 的架构图放出来，对做 Research 的人来说一眼看过去就觉得非常合理啊！多模态 MoE + 3D ViT 编码器 + 隐世界 + Diffusion Refinement 又顺着研究了一下车机上的芯片都用的啥，因为发现马赫100这个东西之前从来没听过，车上的芯片和我们用的芯片肯定不一样的，直接把模型一直固化在芯片里都行，然后做好低功耗、耐高温，也就是所谓的推理卡。不过要注意，自动驾驶的芯片好像说的是 INT8 状态下的，而不是我们习惯的 FP16/BF16 这个马赫100单看算力水平其实已经很夸张了，可以简单类比成两张A100的性能，虽然肯定到不了H100，但我预估模型的总参数量是 30-60B 之间，MoE 的激活参数应该也就在 10B 左右，完全够用了而这些模型和算力的情况，暂时没有太多 AI 的人投入精力在里面做科普，所以普通消费者不清楚都是什么概念，容易被“有多少个激光雷达”的话术忽悠啥也不说了，这下不仅想提车，还想买点理想股票了

#自动驾驶 #理想汽车 #技术进步 #多模态 #3DViT

4天前

实际上带团队根本不需要体贴善良有同理心你只需要不停成功

#团队管理 #体贴 #成功 #同理心

1周前

冷知识，whisper诞生已经五年了，但ASR语音转文本的API成本仍然非常的高

1周前

良心建议：Founder 做 X，尽量别做中文账号，尽管有很多不错的内容，但整体在朝早期微博的氛围偏移，涌进来太多营销号了（我在考虑直接转向英文的内容）英文的 X 和 linkedin 是值得持续做的，转化很不错小红书的社区质量很高，很垂直，要分开看个人账号和获客推广号个人账号一定要聚焦。每周控制在三篇左右的高质量文章，稳定人设，持续发相关的内容，不能偏题。每一期浏览可能不高，但粉丝转化非常好获客推广号就舍弃关注转化，把90%以上的有效信息都用图片和标题传达，正文不重要尽量少发朋友圈浪费精力，只有熟人能看到，对新增几乎没有帮助。发公众号和贴图，转到朋友圈视频号的内容要朴实、技术，这个平台其实是很多创业者、投资人、技术人都会看的地方，重要性比想象中更高。知乎是一个很神奇的生态位。你可以在上面看到不少高质量的纯技术内容，但商业化没有其他平台好，鉴证和观点输出有太多技术人的狭隘视角 YouTube要做了，但还没开始做，后续有想法了我更新

1周前

一个融资复盘 24 年 7 月到 25 年 7 月，我几乎都在做合成数据当时我就已经很确定：在 LLM 训练里，高质量合成数据会替代人工标注，因为它更便宜、更快，效果更好，而且不像人一样会出错但那一波我最大的问题是不够坚定当时我只和两家机构随便聊了聊，其中一位 VC 的管理人半开玩笑地说： “这不就是左脚踩右脚，模型效果怎么可能上天”，我知道这句话不对，但我不知道怎么反驳还有一些朋友说这是生意模式，自己安心赚钱就挺好，不需要让机构进来确实客观上被影响了一些心态，没认真推进但背景好，24年底的时候有150万美元左右的真实数据订单，都是国内外大厂和AI公司，甚至找好了国央企招投标的代理商而且这一轮我的股权非常干净，solo founder，顶多有两位顾问，股份加起来都不过2% 如果那时候认真聊 10 家，第一轮拿 200-300 万美元并不难。然后借助机构的背书，同时认真做 12 个月，哪怕确实看不到下一步的趋势不想做了，也完全可以卖给 AI 公司或者具身的数据公司，让大家一起赚 3-5 倍我创业是一晚上决定的。当时模型火了，团队却要散了。别人觉得这是科研项目，发发论文就够了，但我不甘心一个已经被验证的产品就这么没了所以我第二天就去跟导师说，退出北大，不读博了。临时上路的代价，就是前期心智不成熟，也不懂怎么处理合伙人、投资人和客户关系但这些坑，都踩过了我前几年的积累只看到了两件事： 1. 合成数据会替代人工标注，Scale AI没有未来 2. 多模态搜索会成为主流入口我已经错过我的判断一了我开始准备给我的判断二融资了，吸取教训这次的原则是：听不懂/有过多质疑的人，我们就不浪费彼此时间了能听懂的人，我带你们至少赚5-10倍

2周前

根据我的观察，X 上脑子不正常的人非常多，骂得也很脏，但经过这么久的磨砺，其实收到这样评论的我们内心是毫无波澜的，只会顺手屏蔽如果确实让心里有波澜了，我会举报 + 屏蔽而小红书的特点是，喜欢贬低的人远多于 X，但普遍骂的没有力量！有些评论我看过去都不觉得是在骂人最可爱的有人被屏蔽之后会发帖问，为什么被某个大V屏蔽了，是不是不让言论自由。不是哥们，谁管你这那的，你让博主不舒服了，为啥不屏蔽，留着给心里添堵吗

#社交媒体 #网络暴力 #心理健康

2周前

AI 这行不能没有小扎，就像西方不能没有耶路撒冷，我生下来的目的就是朝拜小扎🙏

3周前

继续整理一下这一轮的历史，说起来感觉23 24年好像是非常久远的过去，也很神奇了 23年的时候，字节的AI可以说就是一坨，那时行业里还觉得大厂有一惯的反应慢的问题。但后来张一鸣是亲自下场了，不是象征性关注一下，而是高强度地见了大量researcher 和创业者。他会沿着近两年发过 LLM 相关论文、背景又不错的 researcher，一个个聊过去。与此同时，他也会去接触一些刚融过一轮钱、但方向和团队都很有潜力的 founder。那会如果你背景还不错，活跃在即刻，几乎都会被约如果你这个人真的有价值，字节给你的方案不只是高薪，而是会把整件事一起解决。一边用非常强的现金、期权和汇报层级解决你的个人激励问题；另一边处理你原来公司的股权、团队、业务和投资人关系。然后拉进字节给千万的年薪并且直接向他汇报，一方面解决你的经济问题，一方面可以和最优秀的人一起工作，载入历史浪潮，几乎没有哪个优秀的人能抵挡这样的诱惑，因为和聪明人一起做有意义的事是非常爽的随后字节迅速形成了一个很清晰的格局：火山偏 infra，Seed 偏 research，豆包偏产品。这套分工不是嘴上说说，而是外界后来能明显感觉到，它真的把基础设施、模型能力和产品落地串起来了。到24年底人们慢慢发现字节和从前的大厂不一样，它行动迅速，丝毫没有臃肿和迂腐的组织架构，流行的说法是“这头大象真的能跳舞” 另一边，23 年同期的 Qwen 逐渐击败 Baichuan、GLM 等模型，确立了自己的领导位置。半年之后，更多市场和普通投资者开始意识到这件事，阿里的股票也因为 Qwen 的领先叙事、AI 预期而一路走强。但它并没有像字节那样，向外界呈现出一个特别清晰、特别强势、权责特别分明的 infra - research - product 协同格局。只能说有点可惜

3周前

如果你用过OpenClaw小龙虾，你会发现2025 年的 AI Agent： ✅ 能搜网页（Tavily / Brave） ✅ 能读文档 ✅ 能写代码 ❌ 不能看视频为什么？因为 Web Search 有现成的 API，但视频理解没有。 YouTube 上有 8 亿条视频——人类最大的知识库——但对所有 AI agent 来说，这是一个完全不存在的黑洞。你让 OpenClaw小龙虾搜"黄仁勋 CES 2025 发布了什么"，它只能搜到新闻文章。但真正的产品规格和价格？在 97 分钟keynote 的 PPT 画面上。你问"Sam Altman 是如何评价 AI 视频生成工具的"，答案分散在 4 个采访视频里，没有任何一篇文章做过完整对比。字幕搜索？那只覆盖了 20% 的信息。屏幕上的代码、PPT 上的图表、产品 demo 的画面——全部丢失。我们计划做：给 AI agent 用的视频理解和搜索的 API。不是字幕搜索。是多模态理解——提取视频里"展示了什么"，而不只是"说了什么"。你在 agent 里提问，直接拿到带精确时间戳的结果： 👉 你会感兴趣吗？你愿意为这个能力付费吗？

#AI Agent #OpenClaw #Web Search #视频理解 #YouTube知识库

3周前

我和老婆四五月回成都之后，我依然有一坨海外视频产品的计划正常推进，老婆会做一些外贸结合AI的事情。房子倒是还没看好，可能初步定在麓湖附近，因为说这里社区文化比较浓厚，或者也会考虑高新区其他地方我感觉成都的AI人才、出海公司，以及做短剧等和AI比较近的人才和组织也非常多，但是并没有像杭州一样被合理组织起来。我们也算是有顶尖高校、实验室、创业、融资等等的经验可以分享，所以我们计划效仿良渚，时不时办些活动，把人、项目和资方对接起来，减少西南地区和世界AI的信息差。感兴趣的可以持续关注🥳

3周前

OpenClaw的伟大之处在于让非工程师体验到了Claude Code/Codex级别的能力，而且能通过手机IM软件体会到扩大了受众和群体，从而让AI token的消耗量增长了几十倍，整个行业都会受益

3周前

俊旸走了之后，Qwen3系列可能会是很长一段时间内的绝唱了 LLM要进入严肃的商业化阶段了哎，感觉 lead 一个好项目的时候，还是要尽可能先为自己谋得更多利益

4周前

很多人被从小教育的竞争意识影响深远但其实科技企业不是零和博弈，两公司撞赛道了，也可以一起把赛道估值做高，这样大家发展都会很好

1个月前

发现自己慢慢有思想惯性了 OpenClaw 刚出来时，我第一反应是：这不就是一个接了 Discord/Telegram 的 Claude Code/Codex CLI 吗？当时还看过源码，觉得很多部分实现不够优雅。所以带火 Mac Mini 的时候，我是下意识抵触的但一个多月过去，我看到的是它惊人的迭代速度，越来越完善的生态。OpenClaw 其实是一个非常好用的工具层。只要你把规则固定好——比如运营发帖的规则文档、每日要做的事情清单——你就能慢慢抛弃 N8N、手写的 CronJob、IM 的 Bot，把这些活全部交给 OpenClaw。你要付出的基本就只是一些 token 钱而已。以前我说：可解释性根本不重要。何凯明前两年在 AI4S 的会议上说：“你坐出租车信任司机，你信任他是因为他的大脑是可解释的吗？还是因为受过训练、有经验的人类司机大概率能把事情做好。” 如果更近一步来看这个时代的产品：可解释不等于可预测。哪怕你能看到原理，你也预测不到生态、外部节奏、分发路径这些变量。我之前一直非常抵触 VC 爱做比喻的习惯，什么法律界的拼多多、剪辑界的 Lovart、中国的 Scale AI……比喻确实能快速建立认知，但也会带来一种坏惯性：你以为你懂了，就开始用旧框架低估新物种。所以我觉得要放下这样的心态，第一印象很重要，先纯粹地去感受它，不要去做比喻，不要去试图探究原理，单纯地去感受它是个什么东西，它有多酷、它让什么事情变简单了这个习惯似乎是中登的预兆，所谓AI Native的人群一定是没有这样想法的，好在发现得早应该能改过来。“慢点来，你才26岁”；不，兄弟，我已经26岁了

1个月前

我的本科并不是很好，几乎都是自学的MIT课程成长的。给我很看好的学妹学弟直推我呆过的大厂leader，这和普通的内推码是不一样的，基本简单走个流程就可以进去，好多人约好了时间但临时取消，导致我还得给我前leader道歉因为经历过配置环境的痛苦，所以给他们配好了编程环境、VPN，教他们用Google、GitHub、StackOverflow，但几乎都没再用过，只有到期末的时候会来找我要往年考试题，后来我也倦了，把他们全删了不要有太多助人情结，多数人就该呆在自己那个水平

1个月前

gemini 3.1与3的区别，感觉和codex 5.1与5的区别差不多，没什么变化

1个月前

2022年北京冬奥会时，还没开始滑雪，对当时谷爱凌的讨论并没有多大的感受这几年入门了单板双板，今天看比赛发现视角变了常有人说“国人只关注奖牌，不在意比赛”，这话其实没错，但也情有可原。竞技体育是有门槛的，作为“门外汉”很难看懂复杂的动作难度和背后的体育精神。我们在本土选手夺冠后才大规模推送报道，本质上是因为大众对滑雪的认知还停留在起步阶段。很多人至今没滑过雪，通俗易懂的“比分”、“奖牌”自然成了唯一的讨论点。我觉得这是社会发展的现状，倒谈不上是谁的错。或许只有经济水平提升之后，才会有更多人愿意静下心来感受竞技体育本身的魅力今天半夜醒来看了大跳台的全程，我看到的是谷爱凌在前两跳落后的情况下，坚毅的眼神。我想在那一刻，她站在大跳台的起点，内心一定是回归宁静的。理智地说，在排名基本定格且后续还有U池重头戏的情况下，为了避免受伤而选择保守方案才是常规逻辑。但她没有，她依然选择去完成了一记高质量的 1260 Tail Grab。不去计算具体的分值，而是进入了“心流”状态——屏蔽掉外界的所有杂音，只专注自身排名第一的 Megan 在前两跳锁金后，依然在第三跳挑战了漂亮的 1440；季军 Tabanelli 在夺冠无望的情况下，也做出了极其惊艳的 1620。刘梦婷即便面对诸多强敌，仍然有极其优美的 1440。站在领奖台上的三个人，估计都没那么在意彼此到底第几名——更像是在尽情享受自己的比赛，享受把动作做出来那一刻的纯粹。这种感受，我相信很多滑雪的朋友都能共情。我想起去年刚学会流畅换刃时，以前磕磕绊绊要滑一小时的山，第一次只用了10分钟就冲到了山底；第一次从公园的小跳台简单腾空再稳稳落地。那一瞬间，大脑是空白的，只有体内疯狂分泌的多巴胺在告诉自己：这感觉，真的太爽了。

1个月前

如果不是 Claude 和 codex ，我可能这辈子都用不明白 windows 的 cmd 和 terminal，为什么能这么反人类

2个月前

骗你的，其实很久没动手敲过代码了，全在做设计、架构和prompt 这种情况下选择用什么语言，完全取决于特性和生态当然不管到了什么时代，Java都是垃圾

3个月前

那些专门做 OG 图的网站可以下班了。顺手就把 OG 图的体验做到了极致市面上号称“OG 图生成器”的产品，不仅风格老旧而且交互拉垮，全都停留在上个时代。所以我之前都是去 Figma 找模板、改元素、调尺寸。都知道他们的底层就是 nano banana pro，但交互体验做得太舒服了：你可以随意上传图片、文档到聊天框对应的位置，会先用 thinking 模型精准理解，再生成高质量原图，最后自动适配成 OG 图的尺寸。现在我连Figma都不需要打开了

4个月前

我有一个朋友告诉我的网站，手太快了，根据几个小时前泄露的ICLR26审稿数据作出的数据网站可以观察谁是最严厉的、最宽容的审稿人、谁的审稿意见最长谁的最短登录之后还可以根据自己的paper number搜索给自己审稿的是谁，以及匿名讨论区据说还正在整理工作单位，做冲突分析，太期待了

#ICLR26审稿数据 #审稿人分析 #匿名讨论区 #学术评价 #期待

4个月前

原来现在TypeScript已经可以写后端了，队列可以用BullMQ来做比go简洁，和python差不多的MVP速度，比python的组件维护更勤但涉及到CPU IO重的操作，可能在性能上还是比不上传统后端语言

#TypeScript后端 #BullMQ队列 #性能对比 #Go #Python

5个月前

PostgreSQL 相比 MySQL 的优势已经非常明显。几乎所有现代的 AI 与云服务都选择了 PostgreSQL——不仅因为它功能更强，更因为它在开发者友好性、扩展性与社区信任上全面领先，正在成为新一代的“默认数据库标准”。与此同时，教科书上喜欢说的关系型与非关系型数据库，二者的边界正在消融。PostgreSQL 已能胜任许多传统 NoSQL 的任务： Redis 专注在缓存层，MongoDB 主要承担文档型存储的角色特别地，Elasticsearch 则在 BERT 时代凭借语义检索需求迅速崛起，占据了“认知搜索”的新生态位。

#PostgreSQL #MySQL #数据库 #AI #云服务