Google 在 2025 年 12 月 18 日发布了 Gemini 3 Flash Preview，这是一款专为开发者设计的新一代 AI 模型。它具备前沿的智能水平，旨在实现大规模生产应用。该模型的核心突破在于打破了以往在“速度”与“智能”之间必须做出妥协的局面，能够同时提供卓越的性能和极高的响应速度。 Gemini 3 Flash 在性能上超越了上一代的 Gemini 2.5 Pro，但其运行速度更快，且成本仅为 Gemini 3 Pro 的四分之一不到。凭借先进的视觉、空间推理能力以及代码执行功能，该模型适用于从编程辅助到游戏开发、深度伪造检测等多种复杂场景。 关键细节 性能与基准测试 超越前代：Gemini 3 Flash 在多项基准测试中表现优异，例如在博士级推理基准 GPQA Diamond 中得分达到 90.4%，超越了 Gemini 2.5 Pro。 速度提升：根据人工智能分析基准测试，该模型的速度是 Gemini 2.5 Pro 的 3 倍。 推理能力：具备最先进的视觉和空间推理能力，支持缩放、计数和编辑视觉输入。 定价与成本效率 极低成本：在 Gemini API 和 Vertex AI 中，输入价格为每百万 token 0.50 美元，输出为 3 美元。 成本节约机制：标配上下文缓存功能，在重复使用 token 的情况下可降低 90% 的成本；通过 Batch API 异步处理可节省 50% 的成本。 实际应用案例 编程开发：在 SWE-bench Verified 测试中达到 78% 的准确率，优于 Gemini 3 Pro 的代理编码技能。它已集成到 Google Antigravity 平台，支持快速迭代开发。 游戏领域：Latitude 使用该模型在其游戏引擎中生成更智能的角色和世界，实现了以往只有专业级模型才能达到的质量。 深度伪造检测：Resemble AI 利用该模型进行近乎实时的多模态分析，速度比 Gemini 2....

OpenAI 于 2025 年 12 月 17 日发布了全新的旗舰级图像生成模型 GPT-Image 1.5。它能进行精准编辑，同时保持细节完好，并且生成图像的速度提升高达 4 倍。同时，在 ChatGPT 中推出了全新的 Images 功能，旨在让图像生成变得令人愉悦——激发灵感并使创意探索变得轻松自如。 全新的 Images 模型即日起向所有 ChatGPT 用户推出，并在 API 中以 GPT Image 1.5 的形式提供。ChatGPT 中的全新 Images 体验也于今日向大多数用户推出，Business 和 Enterprise 用户将在稍后获得访问权限。 精准编辑，保留重要细节 现在，当你要求对上传的图像进行编辑时，模型会更可靠地遵循你的意图——甚至包括细微之处——仅根据你的要求进行更改，同时保持光线、构图和人物外貌等元素在输入、输出和后续编辑中的一致性。 这开启了符合你意图的结果——更有用的照片编辑，更逼真的服装和发型试穿/试戴，以及保留原始图像精髓的风格滤镜和概念转换。总之，这些改进意味着 ChatGPT 可以充当你口袋里的创意工作室，既能进行实用编辑，又能进行富有表现力的重构。 编辑 该模型擅长各种类型的编辑——包括添加、删减、组合、混合和变换——因此你可以在获得想要的更改的同时，不丢失图像的独特之处。 从派对到直播洛杉矶滑板 将这两名男子和狗组合成一张 2000 年代胶片相机风格的照片，表现他们在孩子们的生日派对上看起来很无聊的样子。 在背景中添加混乱的孩子们，他们在扔东西和尖叫。 将左边的男子改为手绘复古动漫风格，将狗改为毛绒玩具风格，保持右边的男子和背景景物不变。 给他们都穿上看起来像这样的 OpenAI 毛衣。 现在移除这两名男子，只保留狗，并把它们放在一个看起来像附图的 OpenAI 直播中。 创意转换 模型的创造力通过转换得以闪耀，这些转换可以更改和添加元素——例如文本和布局——使想法变为现实，同时保留重要细节。这些转换既适用于简单的概念，也适用于更复杂的概念，并且可以使用全新 ChatGPT Images 功能中的预设风格和创意轻松尝试——无需书面提示词。 电影海报 80 年代健身教练 华丽玩偶 装饰品 时尚广告 装扮角色 绘画 饮料广告 用这两名男子的图像制作一张名为“codex”的老派好莱坞黄金时代电影海报。随意更改他们的服装以符合时代背景。 将演员的名字改为 Wojciech Zaremba（左）和 Greg Brockman（右） 由 Sam Altman 执导，Fidji Simo 制作。A Feel the AGI Pictures 出品。 指令遵循 该模型比我们的初始版本更可靠地遵循指令。这实现了更精准的编辑以及更复杂的原创构图，其中元素之间的关系按预期得以保留。...

本文整理自前 Meta 首席工程师、Claude Code 创造者 Boris Cherny 深度访谈。 你可能还没听过 Boris Cherny 这个名字，但如果你关注 AI 编程，你一定听说过 Claude Code。 Boris 是 Claude Code 的创造者，现在在 Anthropic 工作。在此之前，他在 Meta（Facebook）和 Instagram 摸爬滚打了多年，一路干到了 Principal Engineer（首席工程师/IC8 级别）。 从早期的 Facebook Groups 到 Instagram 的日本团队，再到如今在 Anthropic 重新定义编程方式，Boris 的职业生涯简直就是一本“工程师打怪升级指南”。 这不仅仅是关于写代码，更是关于如何在大厂里找到“潜需求”、如何用“旁门左道”的项目获得晋升，以及——在 AI 满天飞的今天，我们到底该怎么写代码？ 一、 产品哲学的核心：寻找“潜需求” (Latent Demand) 如果问 Boris 做产品最重要的原则是什么，他会毫不犹豫地告诉你：潜需求。 什么意思？简单说就是：你永远没法让用户去做他们根本不想做的事。你只能发现他们已经在笨拙地尝试做的事，然后帮他们做得更顺滑。 他在 Facebook 时的几个成功项目都验证了这一点： Marketplace（二手交易市场）： 他们发现 Facebook Groups 里居然有 40% 的帖子都是在买卖东西，尽管那个功能根本不是为此设计的。用户在“滥用”产品，这恰恰就是机会。 Facebook Dating： 数据显示，大量用户在查看非好友的異性主页。也是一种本来就存在的“潜需求”。 正如 Boris 所说：“找到用户的意图，然后给他们铺好路，别试图强行改变他们的行为。” 二、 大厂生存：跨部门协作与“Side Quests” 在大厂工作，常常像是在泥潭里跳舞。Boris 讲了一个他在 Facebook 做“Chats in Groups”项目时的噩梦。...

本文整理自 OpenAI Forum 发布的分享视频：Vibe Engineering with OpenAI’s Codex。 什么是“Vibe Engineering”？看看 OpenAI 内部是如何重新定义软件开发的 我们大概都经历过那种死线逼近的时刻，心里幻想着：“要是有个不知疲倦、不用睡觉的同事能帮我把这些代码写了该多好。” 在 OpenAI，Codex 就扮演着这个角色的。 最近在 OpenAI Forum 上，Global Affairs 团队的 Chris Nicholson 邀请了两位真正的“内行”——OpenAI 开发者体验负责人 Romain Huet 和技术专家 Aaron Friel，深入聊了聊一个最近很火的概念：Vibe Engineering（氛围工程）。 这不仅仅是一个流行词，它代表了软件开发的一种新范式：利用 AI 构建真正的生产级软件，同时让人类工程师对交付的每一行代码保持完全的掌控。 这不只是让 AI 吐出一堆代码然后祈祷它能跑通，而是把 AI 深度融入到设计、架构、调试甚至长周期的多步骤项目中。 今天，我们就来扒一扒 OpenAI 内部的工程师们究竟是怎么“生活”在未来的，以及作为普通开发者，我们可以怎么把这种工作流偷师过来。 从“Vibe Coding”到“Vibe Engineering” 你可能听说过“Vibe Coding”，通常指那种随意的、凭感觉的编程体验。但 Simon Willison 提出的“Vibe Engineering”是它的严肃版——它是 AI 驱动开发的进阶形态。 在这个形态下，大模型不再只是一个代码补全工具，它们变成了你的队友。 Romain Huet 分享了一个很有意思的观察：一年前，你会为了模型能写出一个贪吃蛇游戏或者 iPhone App demo 而兴奋。但现在，模型的能力已经进化到了可以处理长达数小时甚至数天的复杂任务。它们可以制定计划、做架构决策、编写测试，甚至自己检查自己的作业。 当 AI 学会了自我检查（Self-correction），它的表现就有了质的飞跃。这就是从“写代码”到“搞工程”的转变。 现场实战：把一个 Kotlin 项目重写为 Rust 光说不练假把式。Aaron Friel 在现场展示了一个非常硬核的 Demo，任务听起来就很让人头大：...

本文翻译自一位印度工程师在博客上发布的文章：I Reverse Engineered Claude’s Memory System, and Here’s What I Found!。作者通过逆向工程深入探究了 Claude 的记忆系统，并将其与 ChatGPT 进行了详细对比。文章揭示了两者在处理记忆和上下文时的根本性架构差异，特别是 Claude 独特的“按需检索”机制。 Claude 的提示词结构 Claude 的提示词主要由以下四个部分组成： 系统提示词（System Prompt）：包含静态指令、工具定义和安全限制。 用户记忆（User Memories）：类似于长期记忆。 对话历史（Conversation History）：当前的对话上下文。 当前消息（Current Message）：用户最新发送的内容。 用户记忆（User Memories） 内容：存储关于用户的稳定事实（如姓名、职位、偏好、技术水平等）。 格式：以 XML 格式注入提示词中。 更新机制：既包含后台的隐式更新，也支持用户通过“记住这个”或“删除这个”等指令进行的显式编辑。 对话历史的处理机制 这是 Claude 与 ChatGPT 最大的不同之处，主要由三种机制协同工作： 滚动窗口（Rolling Window）：针对当前对话，保留完整的消息内容（而非摘要），直到达到 Token 限制（约 190k tokens）。 conversation_search 工具：允许 Claude 根据主题或关键词搜索过去的对话。 recent_chats 工具：允许 Claude 根据时间检索最近的对话。 总结性对比 ChatGPT：依赖预计算的摘要，每次对话都自动注入，确保了轻量级的连续性，但细节较少。 Claude：依赖 conversation_search 和 recent_chats 等工具进行按需检索。这种方式更高效（不浪费 Token 在无关历史上）且更具深度，但流程上可能不如 ChatGPT 无缝，因为其依赖于模型的检索决策。 我逆向工程了 Claude 的记忆系统，这是我的发现！ 2025年12月14日 · Manthan Gupta...

本文翻译 OpenAI 官方发布的文章 How we used Codex to build Sora for Android in 28 days。本文介绍了 OpenAI Sora 开发团队如何在短短 28 天内，利用 Codex CLI 成功构建并发布 Sora Android 应用程序的过程。文章中不仅展示了惊人的开发速度和质量，还深入探讨了在 AI 辅助开发时代，软件工程模式的转变以及人机协作的最佳实践。本文由我和 Gemini 3 Pro 共同完成翻译。 我们如何利用 Codex 在 28 天内构建出 Sora Android 版 作者：Patrick Hum 和 RJ Marsan，技术团队成员 11 月，我们向全球推出了 Sora Android 应用，让任何拥有 Android 设备的人都能将简短的提示词转化为生动的视频。发布当天，该应用登上了 Play 商店榜首。Android 用户在首个 24 小时内生成了超过一百万个视频。 在这次发布背后有一个故事：Sora 的 Android 生产级初始版本仅用 28 天就构建完成，这要归功于任何团队或开发者都可以使用的同一个智能体（agent）：Codex。 从 2025 年 10 月 8 日到 11 月 5 日，一个精简的工程团队与 Codex 并肩工作，消耗了大约 50 亿个 token，完成了 Sora Android 版从原型到全球发布的全部过程。尽管规模庞大，该应用仍保持了 99....

2025 年 12 月 12 日 OpenAI 发布了迄今为止最强大的GPT-5.2 模型，该系列专为提升专业知识型工作的效率和经济价值而设计，在制作电子表格、编写代码、设计演示文稿及处理复杂多步骤项目方面表现出显著优势。 卓越的工作效率与质量 在衡量明确知识型工作任务的 GDPval 评测中， GPT-5.2 刷新了行业水平，成为首个在相关任务上达到或超过人类专家水平的模型。 专家级表现：在涵盖 44 个职业的 GDPval 评测中， GPT-5.2 Thinking 在 70.9% 的任务中表现优于顶尖行业专家或与其持平。 极致效能：在上述任务中，模型的输出速度比专家快 11 倍以上，而成本不到专家的 1%。 办公自动化：在生成复杂的电子表格和幻灯片方面，能力较前代提升了 9.3%，格式和布局更具专业水准。 编程与工程能力的飞跃 软件工程基准：在模拟真实工业场景的 SWE-bench Pro 测试中取得了 55.6% 的新成绩；在 SWE-bench Verified 中达到了 80% 的高分。 全栈开发助手：在前端开发、复杂 UI（特别是涉及 3D 元素）以及代码调试和重构方面表现更强，减少了人工干预的需求。 可靠性、长文本与视觉能力 错误率降低：相比 GPT-5.1 Thinking，新模型的幻觉率更低，错误回答减少了 38%。 长文档处理：在长达 256k Token 的文本范围内（如 MRCRv2 评测），能保持接近 100% 的信息提取准确率，适合深度文档分析。 视觉理解：在图表推理和软件界面理解方面的错误率减半，对图像元素的空间位置有更强的感知能力。 科研推进与复杂推理 科学研究： GPT-5.2 Pro 在研究生级问答测试 GPQA Diamond 中得分 93.2%，并已在实际数学研究中协助解决了统计学习理论的开放问题。 通用推理：在 ARC-AGI-1 测试中， GPT-5....

本文整理自Werner Vogels 在 AWS re:Invent 的最后一次主题演讲。在 Gemini 3 Pro 的帮助下，我把本次演讲中最核心的内容转成了一篇精彩的文章，以下为文章内容。 如果要用一个词来形容今年的 AWS re:Invent，那一定是“转折”。 这不仅仅是因为 AI 正在重塑我们的行业，更因为那个穿了 12 年 T 恤、在台上跑来跑去的亚马逊 CTO —— Werner Vogels 宣布，这是他最后一次在 re:Invent 发表主题演讲了。 别慌，他不是要离开亚马逊。他只是觉得，在这个风起云涌的时代，该把舞台留给更多年轻、鲜活的声音了。 但在这最后的谢幕演讲中，Werner 没有煽情，而是非常硬核地回答了那个悬在所有程序员头顶的达摩克利斯之剑：“AI 会抢走我的饭碗吗？” 答案是：绝不。前提是，你得进化。 我们正在步入一个新的“文艺复兴”时期，作为开发者，我们需要一套全新的生存哲学。 房间里的大象：AI 与我们的未来 我们先来聊聊那个“房间里的大象”。无论是在非洲、拉美还是亚洲，Werner 到访每一个城市时，大家都在问同一个问题：AI 会让我失业吗？ 让我们换个角度问：AI 会让我变得过时（Obsolete）吗？ 回想一下历史。当你还在学校里学 Pascal 和 COBOL 的时候，编译器出现了，汇编语言似乎不再那么重要了；后来有了结构化编程，有了面向对象，有了 Cloud……每一次工具的进化，都伴随着开发者角色的转变。 现在，即使有了像 Cursor 或 AWS 自家的 Q 这样的 AI 编程助手，它们依然无法拿走只有你才能做的事情。 这是你的工作，不是工具的工作。 我们正处于一个像历史上“文艺复兴”一样的时刻——艺术、科学、工程正在以前所未有的速度融合。为了在这个新时代生存并从一个单纯的“码农”进化为不可替代的构建者，Werner 提出了一个全新的框架：“文艺复兴式开发者”（The Renaissance Developer）。 这个框架包含五个核心特质。 1. 永不满足的好奇心 (Be Curious) 你是怎么学会编程的？是不是通过写出满是 Bug 的代码，然后盯着报错信息抓耳挠腮学会的？ 学习新东西最快的方法，就是失败。 就像 Da Vinci 设计过永远飞不起来的飞机模型一样，只有愿意失败，才能真正学习。Werner 提到他在学外语时的体会：你背再多语法书也没用，真正的学习发生在当你跌跌撞撞地开口说话，然后被别人温和地纠正时。...

本文整理自蔡崇信在香港大学的演讲。在 Gemini 3 Pro 的帮助下，我把本次演讲中最核心的内容转成了一篇精彩的文章，以下为文章内容。 这几天香港大学最热闹的地方非陆佑堂莫属。不是因为有什么明星演唱会，而是阿里巴巴现任主席、也是曾经的“幕后英雄”蔡崇信（Joe Tsai）来了。 这是港大“陈坤耀杰出学人讲座”的现场，在这个有着历史沉淀的礼堂里，Joe 并没有照本宣科地念稿子，而是和港大经管学院副院长邓希炜教授来了一场非常实诚的“炉边谈话”。从NBA聊到阿里发家史，再到那个甚至有点敏感的话题——中美AI竞赛，中国到底能不能赢？ 整场对话干货很多，逻辑很硬。我把其中最核心的观点嚼碎了整理出来，咱们聊聊这位顶级商界大脑是怎么看未来的。 一、 篮球：不只是生意，是最好的外交 咱们先不说冷冰冰的商业。大家都知道 Joe 是布鲁克林篮网队的老板，前阵子他还把球队带到了澳门打比赛。 对此 Joe 的态度特别坦诚：NBA 想回中国，中国也需要 NBA。这确实是一门好生意，毕竟中国有全球最大的篮球迷群体。但更重要的是，体育是一种不需要翻译的语言。 他特别提到了自己正在做的一个公益项目：每年挑选几位中国初二的学生，全额资助他们去美国读高中、打篮球。这不仅是为了培养下一个姚明，更是为了让美国的孩子看到真实的中国同龄人，也让中国孩子去体验外面的世界。这种“人与人”的连接，在这个地缘政治紧张的时代，比什么公关都管用。 二、 阿里“变形记”：活下来的秘密只有一条 回想 1999 年，中国的人均 GDP 只有 800 美元，现在是 13,000 美元。蔡崇信说他很幸运，刚好站在了中国制造业崛起和互联网爆发的交汇点上。 有人问阿里的“秘方”是什么？怎么能从一个简单的 B2B 网站，变出淘宝、支付宝，再变成现在的阿里云和 AI 巨头？ Joe 的回答简单得让人意外：不要为了收购而收购，要为了解决客户痛点去就要自己造。 淘宝是为了解决什么？ 是为了帮那些刚加入 WTO 的中国工厂和商家把货卖出去。 支付宝是怎么来的？ 买家怕付了钱不发货，卖家怕发了货不给钱。为了解决“信任”危机，阿里才搞了个担保交易，这就是支付宝的前身。 为什么要搞云计算？ 这是一个“逼上梁山”的故事。16 年前没人在乎云，但阿里数据量太大了。当时的 CTO 算了一笔账：如果不自己搞技术，继续买 Oracle、IBM 的设备，以后阿里赚的钱全得进这些美国公司的口袋。所以，阿里云最初是为了“自救”，是为了技术自主。 他说了一个给创业者的建议：凡是核心能力，尽量自己从内部长出来（Organic Growth），别总想着靠买别人的公司来拼凑。 自己的团队，才有那个 DNA。 三、 别被“产能过剩”忽悠了，这是中国的王牌 聊到宏观经济，Joe 的观点非常犀利。 现在外面有很多声音批评中国“产能过剩”（Overcapacity），试图向全球倾销。Joe 觉得这说法挺双标的。德国汽车出口全世界的时候，有人说德国产能过剩吗？没有。 所谓的“过剩”，本质上就是国内吃不下，通过出口换取外汇，再反哺国内经济。这不但不是坏事，反而是国家变富的必经之路。中国在新五年的规划里明确了要继续做强制造业，只不过这次不是做衬衫鞋子，而是电动车、电池、太阳能板。通过高端制造积累财富，老百姓腰包鼓了，消费自然就上来了。 他甚至给了一个惊人的数据：在淘宝上，年消费超过 6000 美元（约 4 万多人民币）的用户已经有 5600 万人。这个基数已经很大了，消费潜力就在那里。...

本文整理自2025 年底张小珺对朱啸虎（金沙江创投主管合伙人）的最新访谈。朱啸虎是一个非常有意思的投资人，每次访谈中抛出的观点都非常的犀利且具有前瞻性。对于 AI 我们既要仰望星空，也要脚踏实地，如果说萨姆奥特曼和梁文锋是在仰望星空，目标是实现 AGI，而朱啸虎就是那个最佳脚踏实地的人。在 Gemini 3 Pro 的帮助下，我把本次采访中最核心的内容转成了一篇精彩的文章，以下为文章内容。 最近很多人都在问同一个问题：站在2025年的门槛上，AI是不是已经有泡沫了？ 对此，我的回答很干脆：至少三年内，我看不到泡沫。 当菜市场的大妈都在聊泡沫的时候，泡沫肯定还没破；当大家都还是像现在这样将信将疑、甚至二级市场还在故意回调吓唬人的时候，这反而是进场的好时机。 为什么这么笃定？看数据。现在不仅是OpenAI，中国很多并不知名的创业公司，每天的Token消耗量都在几百亿的级别。这种十几倍的爆发式增长，说明应用端是真的有人在用，而且用的量极大。 这就是为什么这甚至不能被称为泡沫，我们现在的算力、GPU卡甚至电力都已经跟不上需求的爆发了。 在这场近46分钟的深度复盘中，我想和大家分享一下这一年来我的观察，以及在这个“如果不搞现实主义就要饿死”的当下，创业者该如何在巨头的夹缝中求生。 一、 Sam Altman 变现实了：AGI是梦，DAU才是命 今年最大的变化，就是大家越来越“现实”了。 你看OpenAI的Sam Altman，今年几乎不怎么提AGI（通用人工智能）那种宏大叙事了。为什么？因为AGI太难了，那个饼画得太远。现在的OpenAI像极了一个成熟的VC投资人做出来的公司——务实。 ChatGPT最近的动作非常清晰：做Search（搜索）、做Canvas（浏览器）、甚至推出了群聊功能。这一连串动作背后的逻辑只有一个：从周活（WAU）向日活（DAU）转型。 纯粹的AI对话很容易变成一种“周活”甚至“月活”工具（这也是为什么像Kimi这类产品其实很难防守），只有切入高频场景，哪怕是做个群聊里的“点赞氛围组”，也是在争夺流量入口。 OpenAI现在的野心不是取代人类，而是想成为下一个超级入口（Super App）。一旦群聊生态建立，它下一步就是要重构社交关系链。这才是Meta（Facebook）最害怕的事情。 所以，这不再是模型之争，而是类似当年移动互联网时代的微信、WhatsApp之争。 二、 中国市场的“六小龙”与“扫地僧” 回到国内，格局还处于早期，但我非常看好字节跳动（豆包）。他们的流量优势太明显，产品体验打磨得也极好。阿里的通义千问虽然动作稍微慢了点，在“既要电商又要AI”的双线作战中有点纠结，但底子很厚，模型能力绝对处于第一梯队。 这里必须要特别提一下DeepSeek（深度求索）。 如果在2024年初你问我，我也许还看不准，但现在回看，DeepSeek简直是中国AI界的“功臣”。如果没有他们的开源，人类的AI技术很可能就被几家美国私有公司垄断了。DeepSeek的存在，不仅让中国建立了独立的开源生态，也倒逼了模型价格的快速下降。 虽然这对做模型的商业化公司来说是个噩耗——当Token价格被大厂（如字节火山引擎、阿里云）打到地板价，甚至“送”的时候，创业公司靠卖API基本没戏了。 但对做应用的人来说，这简直是黄金时代。 三、 投资逻辑：偏离“共识”15度 现在的VC圈很卷，美国和中国的投资人都在盯着同样的几个赛道（比如人形机器人）。当一个赛道所有人都看明白、都想投的时候，我就不碰了。 我的策略是**“偏离共识15度”**。你要找那些大厂看不上、不想干、或者还没反应过来的“脏活累活”。 这一年我投了十几家公司，有些非常有意思： 不投人形机器人，投“牛马机器人”：大家都在卷那个双足行走的人形机器人，太贵且没场景。我投什么？海里洗船的机器人。这活儿人类干着危险，海水浑浊又腐蚀，但需求是刚性的；我还投了按摩机器人，不仅能按得舒服，还能一边按一边陪你聊天，甚至给你推销办卡，性价比极高。 AI陪伴与玩具：这是一个被严重低估的市场。成年人，特别是男性，其实非常需要情绪价值。我们投的一家AI陪伴公司，不到半年数据就爆了，用户粘性和付费意愿高得吓人。 垂直SaaS出海：不需要一定要做大模型，拿一个开源的7B或30B小模型，做私有化部署，去解决一个极度垂直的问题。比如我们投的给第三方做智能穿戴解决方案的公司，生意好得不得了。 四、 给创业者的忠告：活在夹缝里 如果你是创业者，现在不要再跟我讲什么“中国版OpenAI”或者“千亿美金”的故事了。讲这种宏大叙事的，我一般聊10分钟就结束了。 现在的机会在“夹缝”里。 当年的移动互联网，大厂看不上打车（滴滴）、看不上送外卖（美团/饿了么），所以给了创业者几年“猥琐发育”的时间。 但AI时代不同，大厂太焦虑了，反应速度极快。你做一个功能，如果是纯工具（比如修图、润色），大厂的模型升级一次你就没了。 生存法则： 离大厂三条马路：不要做大厂主业延伸线上的东西，要做大厂觉得苦、脏、累，或者数据极其封闭垂直的领域。 不要迷信SOTA（State Of The Art）：现在的创业公司去刷榜、去搞模型排名没有任何意义。你花几千万美金训练出来的模型，可能也就领先大厂一个月。对于绝大多数应用场景，一个低成本的、响应快的开源小模型完全够用。 一定要有商业化能力：不要想着先烧钱再赚钱。今天的资本市场环境，如果你不能证明你的造血能力，不管是港股上市还是后续融资，都会非常困难。 五、 未来推演：2026年，中国有机会 如果不确定性是唯一的确定性，那么只有把时间拉长来看才清晰。 短期看，美国在模型层面的确还领先3-6个月。但是限制美国AI发展的最大瓶颈即将到来——电力和基础设施。 美国的电网建设、核电站审批极其缓慢。而中国在光伏、核电以及数据中心建设上的执行力是惊人的。未来拼的不是谁的模型参数大，而是谁能更便宜、更稳定地提供大规模算力。 我相信，凭借中国的开源生态和基础设施优势，三五年后，中国的AI应用完全有机会反超美国。 所以，别管那个所谓“泡沫”的争论了。对于中国创业者来说，现在的策略应该非常简单直接： 别想大故事，找到那个缝隙，全速前进。这是属于实干家的时代。