第一次让 codex 改代码,今天走完整闭环,改一个真实 bug, 从提问到验收,全程可录屏复现,最大踩坑不说,验收标准 agent 自己猜完成了,你只问修一下这个 bug, 他 改完就说 ok。 其实测试没过边界 case 还在好 prompt。 记住三要素, 第一目标改什么,在哪,期望行为。第二约束不能动,哪些文件用什么风格,别引入新依赖。第三,验收标准,跑哪条?测试通过什么?输出,人工还要检查什么? codex 有 approval 流程,他提出改法或 dick 后,你先审查再批准,未批准不会擅自落地。 新手先用只建议或改前确认模式,看清每一行 diff 再点同意,别一上来全自动 demo。 第一步,在项目里找一个特度或小 bug, 比如函数返回 no 导致报错。描述时写清三要素,目标,修复 validate email 空输入约束,只改 uts 不 动 api 验收 npm test 全绿且空字符串返回 false demo。 第二步, codex 给出 patch 或 diff 主行审查,看有没有多改文件有没有删,测试有没有硬编码,不对就拒绝并补充约束, 对了再批准执行。这一步是质量闸门 demo。 第三步,批准后让他跑 m p m test 或你指定的命令终端输出全率才算过 人工。在 spotcheck 边界 case 确认,闭环描述,改代码,跑 test 验收,四不缺一,不可记住描述,改代码,跑 test 确认。这是第一次用 codex 的 标准闭环, 每次任务都写验收标准,别让他自己猜。完成,今天就去项目里挑一个小 bug 练一遍,点关注不迷路。
粉丝992获赞5935

一年的 check gbt plus 免费会员攻略,宇哥今天又来给你们更新了啊,最近 gbt 在 搞什么大兵优惠计划,我们也做个顺水人情,勉强订阅一下吧。啊,刚做了几天 k 十二教师,现在就改行当个大兵吧。我们在订阅之前,首先你要准备几样东西,第一个就是美国的住宅 ip 啊,第二个就是一张海外的信用卡, visa, mastercard 都行啊,部分虚拟的也能订阅啊。第三个就是有一个注册超过七天的 discord 账号,你要是刚注册就去薅,不好意思,那薅不到的。 在这里非常感谢这位 disco 的 社区的大哥给我们提供的希尔 id 的 机器人啊,地址就在这,赶紧跟上于哥的步伐,下面就是演示阶段,请认真学习。我们就直接来到这个大兵的大兵验证的这个网址,那我们这边选择 验证这个条件。好,进来之后我们直接复制这个网址, 然后回到这个 discord 的 这个验证机器人这边去验证它的这个 c r id, 然后我们这边左下角,然后选择斜杠, 然后有个 notify, 那 把我们刚才复制的这个验证的这个地址粘贴过来。好,直接回车。好,这边看好了,这个是我们的账户, 然后这边显示正在处理,然后这是我们的账号,我们等待一下,然后看到我们的这个 v i d 后四位数是是五 f 六四,我们看一下多久他可以帮我们处理好。好, 我们这边显示已经验证成功了,我们再回到刚才的这个网址这边来刷新一下。 好,这边显示 you have been notified。 好, 我们直接选择 continue。 好, 我们可以看到啊,这边的账单显示是零元,然后 check gpt plus 呃,十二个月优惠百分之百,然后总共要付零美金。然后我们这边账号是我们自己的账号,我们只需要拥有一张海外的这个 visa 或者是 master card, 我 们就可以直接 订阅成功了。看到这了,你还不赶紧点个赞?就问你跟上宇哥的步伐稳还是不稳呢?

cad 好 用,但是门槛高,网络又连接不上,还很贵,手把手教你把 cadence 接入国产大模型,低价爽用是吧?你需要用到 cc switch cortex 加上一个国产大模型的密钥,这里用 deepsea 假装一下。简单来说,你去一家名为 cadence 的 餐厅吃饭啊,里面有个厨子叫 gpt, 现在通过这个 cc switch, 这个餐厅经理就可以把这个厨子换成别的,比如说 deepsea。 好, 下面是手把手教学。第三步,申请 api 的 一个密钥,访问 deepsea 的 官网,点击 api 开放平台啊,并且登录左侧菜单,找到 api 密钥,新建一个密钥,名字随便写,方便识别就行,比如说 codas, 然后复制这个 s k 开头的密钥是吧?第二步,打开餐厅机钮,在顶部的应用栏切换到 codex, 大 力清点右上角小加号供应列表里面选择 delete, 粘贴你刚刚腌好的密钥,右下角添加。 点击 c c switch 左上角的设置按钮,进入路由设置,打开,在主页面显示本地路由的开关和路由的总开关,并且在路由启动区域打开 codes 的 开关是吧? 回到供应商列表,小丽重按 delete 旁边的启用按钮,现在重启 colise, 接下来就是见证时刻的奇迹。你的 colise 左下角这边显示已通过 api 密钥登录,你问他是谁,他还会告诉你是 gpt。 但实际上你到餐厅经理顶上使用统计,可以看到你在 colise 餐厅吃饭的厨子已经换成 delete 了, 谁做的饭不是吃呢,是吧?最后提提醒一下, deepstack 这个厨子进来之后虽然都是在 codex 这个餐厅干活,但是如果说菜比较复杂,菜单比较多,那菜好不好吃就不得而知了。 把你认为做饭好吃的厨子扣在弹幕上是吧? codex 确实好用,换了厨子手艺也还行,就是还是有点小贵。有没有免费用 codex 的 方法?有,如果说这期点赞超过五千,我就把私藏厨子拿出来直接免费选用 codex。

hello, 大家好,欢迎大家来到 opencll 零基础科普第一期,新手接触 opencll 最搞不懂的三个问题,到底是装在自己的电脑上,还是装在云服务器上?如果装在本地,到底是用云端大模型,还是用离线大模型? mac 和 windows 的 差别到底大不大?到底应该用什么样的系统?那本期视频一次性讲透两种部署方式,本地两种模型的用法,硬件门槛, windows 和 mac 电脑到底怎么选?看完可以直接搞定自己的部署方案。那 我们先记住核心, opencll 本身是调度框架,执行中书用来对接,比如飞书或者微信这种 app 可以 操作电脑文件,可以执行你的命令,以及用来收发消息。而我们说的 ai 思考大脑 则是大模型,两者是完全可以分开部署,你可以把它当做一个 app, 用来集合这些功能。那首先第一个云端部署,我们可以把 opencll 装在远程的云服务器上面,那优点就是七成二十四小时可以永远在线,电脑关机也不掉线, 非常适合我们团队使用。那缺点就是要花钱做服务器,也有一些运营门槛,也没有办法操控你的本地电脑文件,隐私性一般。 那比较适合的人群,企业办公经常用手机远程操控,需要全天候的机器人。那第二个就是本地部署,个人使用,非常推荐把 open cloud 装在自己的电脑上,这个是最优解。那优点就是免费不用服务器,可以读写本机的所有文件,隐私可控, 配置简单。那缺点,电脑关机了,机器人就下线了,你远程手机就没有办法操控了,那比较适合百分九十的个人用户,可以用 ai 整理本地文件,可以做表格,可以做 ppt, 可以 帮你回复,那日常办公基本可以自动化了,那本地部署也有两种方案,差距非常大。 方案一,本地 opencloud 加云端 api 模型,新手的首选,可以把程序跑在本机, ai 思考交给网络大模型,比如 deepsea, 比如通用千问。而且最重要的是对硬件的要求非常低,你有八 g 的 内存就行了,也不需要显卡, 把所有的电脑都可以用。那总结下来,模型强,低配置的电脑也可以用,不折腾算力。那缺点也非常明显,必须要联网,数据外传,按 token 少量计费,但是网上有非常多免费的可以进行使用。那第二个就是本地 open cloud 加本地开源大模型, 如果需要隐私,这个是首选,大概可以理解为你的 open cloud 和大模型完全离线,跑在你的电脑上面的。那重点就是所有的本地模型只能使用免费的开源模型,大家可以在这个网址上面找,并且对硬件的要求非常高。七 p 小 模型, 十六 g 内存起步,十三 b 的 模型三十二 g 相对稳一点。三四 b, 七十 b 的 大模型需要超大内存 非常好的显卡才能带得动。那优点就是断网可用,隐私性拉满,永久免费。那缺点就是吃配件,推理速度,看你的电脑配置。那第三部分就是 mac 电脑和 windows 电脑的真实差距,那这里给大家讲一个百分之九十九的人都会搞反的真相。前面的两种场景, mac 电脑和 windows 电脑使用基本上没什么差别, 云端部署只需要浏览器进行管理,电脑本身的配置几乎没有关系,本地部署加云端的 api, 完全不吃显卡的算力,两台电脑的使用体验几乎差不多。只有一种场景会有巨大的差距, 就是离线本地大模型,如果跑七币十三币的中小型模型,带高端独显的 windows 电脑速度更快,显卡显存充足,推理速度非常快。如果跑三四币七十币的大模型, mac 电脑完胜 mac 电脑统一内存的框架,内存全部可以当显卡使用,不容易爆,显存也不容易崩。 windows 电脑独显显存有限,大模型比较容易卡顿, 那总结一句话,小模型使用 windows 电脑比较快,大模型使用 mac 电脑比较好。但是如果你不跑本地模型,两台电脑几乎没有什么差异。第四部分,最终的选型公式给大家分享一下,那如果是普通个人,新手电脑配置一般选本地部署 加云端 a p i。 那 如果选隐私办公,担心涉密想要离线免费选本地部署加本地开源大模型, 那如果是团队共用,全天挂机,无人值守,选云端部署好, ok, 这就是本期视频。我们大概可以理解了, opencloud 的 部署逻辑本质决定了能不能操控电脑,模型决定 ai 的 聪明程度,那下一期我们直接零基础 实操 windows 电脑。 mac 电脑安装教程,手把手教会你配置飞书和微信的机器人,有问题欢迎评论区评论,我们下期再见!

你知道现在很多人用的 gbt plus 会员其实都是偷过来的吗?这周 ai 圈炸了,四件大事,我来给你分享一下。首先就是号称当今最强的 ai 模型 cloud, 做了一件让很多人都不舒服的事情。 cloud ai 上周悄悄上线的实名认证功能,部分定位用户在使用的时候突然会弹出让你上传驾照或者身份证,或是拍一张实时自拍才能继续使用。并且这种实名认证是非常严格的,和金融的 kyc 是 一个逻辑,简单来说就是银行和那种加密交易所所用到的验证系统。 有人在 x 上说这是安 sirpik, 这个以安全著称的公司是第 一个推出这个验证系统的,对咱们国内的用户来说,这个影响更是直接,甚至有很多人已经在某鱼上待见这个 k y c 过验证系统了。 再说一件更炸裂的事,四月十六号, x 上有人直接把 g p t 代充背后的完整技术漏洞全部给公开了。说人话就是 open i 的 ios 收据校验存在一个巨大的技术漏洞, 它验证 apple 的 收据是否合法的同时并不验证这张收据是不是你的,而且还不查重复使用。操作路径是,幕后操作人只需要在土耳其的低价区买一张收据,拦截网络请求,把收据手动发送给任意账号,就能直接充值 plus 或者 pro 会员。 简单理解就是幕后操作人可以利用土耳其低价区买一张八十块钱 gbt plus 的 收据,然后就可以给无限的账号进行代充,从此之后任意账号的充值成本都是零。 在某国外社交软件上甚至出现的全自动的机器人,直接把你账号的头根丢进去,秒变 plus 会员。目前 open i 已经在收紧相关漏洞了,这里也提醒一下大家,最好是不要进行这种低价代充,保护好自己的账号数据。 然后就是本周最重磅的 ai 模型更新了,四月十六号, ansible 正式发布了 opus 四点七模型几个关键点。首先,代码能力得到了大幅度的提升, s w e 奔驰测试跑到了百分之八十七点六。这个数据是什么概念呢?简单来说就是基本上你们教给他的最难的这些代码任务他都能独立完成的,不需要人再去继续盯着。第二,视觉分辨率翻了将近四倍,这意味着无论是设计稿还是密密麻麻的截图文档,设计以后都能看的更 清楚了。此外,还上线的一个新的模式叫 x high, 介于麦克斯和 high 之间。 a p i 的 价格还是没变,但是 a p i 的 消耗据说是提升了百分之三十五, 输入人是五刀,输出是二十五刀,每百万超啃。结尾总结,这周的 ai 大 事有和你有关的吗?无论是 cloud 要 kyc 还是 open i 的 gbt plus 漏洞,还是 opp, 四点七的新模型,评论区告诉我。

open 可乐最火的时候,全网都在教你怎么安装,但现在热度下来了,我发现一个非常尴尬的事,百分之九十的人根本不知道怎么养它。这又导致现在 mac mini 高价抢了 taco 也买了龙虾,反而没干啥活。 所以这期视频没必要再去讲什么安装流程,我反而想认真聊一聊,怎么才能把这只野性的龙虾驯化成一个真正能干活,越来越懂我们的 ai 生产力助手。 首先我想说一个反常识的点, skills 不是 越多越好。你想啊,同一个层级下,功能相似的 skills 有 好几个,如果你这个也装,那个也装,那碰到同一个需求,这两个 skills 都觉得这是我的活,那就很容易打架了。就好比一个部门有两个老大, 谁都想自己说了算,最后也只能失控了。所以 skills 不 在于多,而在于边界清晰。那在起步阶段,有一个基础的 skills 清单就非常有必要。我把它分成了四层,第一层,安全层,它的名字叫 skill writer, 这个建议大家都先装上哈,它可以帮助我们审查接下来要装的 skills 的 安全性到底怎么样,比如来源审查、代码审查、权限范围、风险等级评估,只要是低风险,那这个 skills 就 可以放心大胆装了。第二层,其实就是要给它一个搜索功能,这个我用的是 brave, search 到官网注册申请之后呢,每个月有五 w 的 免费搜索额度,对于个人的网络搜索来说,这个白嫖额度基本上也够用了。第三层,我觉得要让龙虾能读懂资料,你可以把最常用的文件格式, pdf 啦, word 文档啦, ppt 这些格式的读取功能,让他先学会这些 skills, 用 i s i p 和官方出品的就行,他已经有九十多万个 star 背书,稳定性和安全性都是有保障的。第四层,你可以给他基础文件的操作能力,让他在特定的文件夹里读写、删改。 先记得先不要给他系统级的权限哈,比如终端命令行执行这类的高危权限,一旦你授权了,他很可能就会默默的修改你的系统配置。这里再分享一个我自己使用 skills 的 方法,那就是自己做一个。比如我把第二层那个 blue search 重新做了一个,因为我当时安装的时候 app 上面的原版博友 search, 它在 reddit 里面说需要一个 api 蜜月,但实际上呢,并不需要。这种描述的不一致就让我觉得,哎,可能没那么可信,哪怕收藏使用的人特别多,那可能跟我的需求也不一样,所以我就重新建了一个。 当然,这个建的过程也不是说我自己就在那吭着吭着写哈,而是让 ai 帮我写 markdown 文档。所以我觉得大家在安装 skills 之前,先了解清楚这个 skills 干啥的,你什么时候会用到它,怎么用它,然后它最大的权限是啥?不求多,但求精。 我们都知道,龙虾的能力上限很多时候在于你用的是什么模型,如果是最顶级的 cloud, 它就非常强,那用一个普通的模型,它就会回归到一个非常普通的状态,甚至有些任务你会觉得,哎,它怎么还没平时对话的通用大模型厉害啊。 但这也不是说以后干啥都用最顶级的哈,那你可能还没驯化龙虾这个账单,就把自己给驯化了。所以我觉得性价比高的玩法是顶级模型和普通模型组合使用。把最顶级的 cloud 当作一个 ceo, 把难题、战略规划类的写 skills, 给 bug, 风险判断这活交给它。 那剩下那些重复性的杂伙,像整理文件啦,整理图片啊,文档总结。那就交给普通模型。我用的组合是 cloud、 obox、 四点六和 mini max。 很多人觉得 openclaw 不 懂自己,是因为他们就把这只龙虾当成一个开箱就能用的工具。但 openclaw 的 定位其实是一个定制化的私人助理,就像你招了一个哈佛毕业的助理,你俩见面的第一件事肯定是告诉他 我是谁,我的任务是啥,底线是啥。那给出这些信息,其实就是给 openclaw 建立上下文,这一步就让他从一个普通的 agent 变成你的 agent。 你也可以提前配置好 user、 identity、 soul 这三个核心文件。 soul 是 关于你、你的个人说明书,你的名字、职业、目的、喜好、红线都写在里面。 identity 是 给 open cloud 身份的地方,比如它的名字,它的角色定位。 soul 是 龙虾的灵魂,你可以定义它的做事风格、价值观和行为边界。但在写的时候,不建议用太多聪明、温柔、冷静这些很虚的词儿, 而是尽量写成可执行的指令,比如把冷静写成永远不使用感叹号和已默契的表情。那面对用户的抱怨呢?直接提供解决方案。因为 oppo 可乐他是一个 a 阵的,他不仅能像 g p t 那 样跟你聊天,还能替你行动, 比如接管你的电脑,替你群发消息,如果你没有配置,删除、发送发布之前必须先确认这些具体的红线,他可能就会为了表现聪明和高效,帮你整理桌面文件,结果不小心删掉了你的资料。 我经常刷到各种 open class 的 视频,我看到屏幕上有很多个 agent, 但我觉得呢,对于普通小白来说,不要一上来就想着建立一个什么 agent 足球队,我们应该先把一个 agent 养明白,再 再去让他开分店,因为只有当你把一个 a 阵的调教好了,你才知道他是什么脾气。当出现问题的时候,怎么借助通用大模型去解决,像养孩子一样,先把他养熟,这样你才能轻车熟路的养。第二个具体的分工,可以设置成一个总管加 n 个专业型 a 阵的的形式。 总管呢,就让他负责一些基础性的总管性的工作,比如搜索啦,轻度的整理专业型的 a 阵的,可以让他写文案,做研究生产图片提示词。 对于这些不同的 a 阵的,我建议是搭配使用不同的模型。像研究型的 a 阵的,可以使用最顶级的模型处理基础事物的 a 阵的,比如图片整理、文件规档,可以用普通的模型,那涉及到创作内容的 a 阵的,像我需要文案和脚本的创作,那我会两种模型搭配使用, 搜集热点信息,用普通模型输出,搞建大纲,用顶级模型组建这些 a 阵的军团,其实就像组建一个团队一样,要让他们有清晰的边界,各司其职,以后你也会越用越顺手。 最后呢,我想分享一下 opencloud 的 权限问题,我觉得我们不要把 ai a 阵呢当做一个资深牛马, 也不要把他当做一个小学生,而是把他看做一个潜力巨大的超级实习生,他非常聪明能干。但是你刚开始跟他接触的时候呢,不要上来就把所有的权限都给他放开,而从紧到松,一步步来。 比如刚开始只是让他们帮我们读取文档,查看文件,做一些总结和轻度的搜索工作,那熟悉了几天或者一周以后呢,可以让他建一个工作区的文件夹,创作文档,写一些草稿之类的,感觉更稳定。之后呢,就可以让他去归党整理, 给他一些删除格式化的权限。最后啊,最高级的权限,比如说发消息,发布视频,或者执行系统性的命令,这些必须经过人工确认。最后,我们总结一下,到底该怎么养好这只龙虾呢?我觉得真正养法就是四个词,少一点,慢一点,看清一点,克制一点, 少一点对全能 ai 的 幻想。慢下来去打磨它的身份和规则,看清它作为工具的边界,那在赋予它电脑的权限时保持克制。 在 opencloud 被炒得最热的时候,不要为了大家都在玩而焦虑,当热度下来了,也不要把它当做过期的玩具扔在电脑里吃灰,毕竟它不是追风口的社交货币,而是你花时间亲手调教出来的真正懂你的数字搭档。

欧盟 i 愿意为他开出百万美金的年薪, ai 可能正在创造一个新的金领职业,他不是程序员,也不是产品经理,可能很多人连名字都没听过,他叫 f d e, 这是欧盟 ai sloppy 的 ai 顶级公司正在疯狂招聘的新岗位。那 f d e 到底是什么呢?很多人以为是程序员,其实完全不是。 f d e。 最核心的工作呢,只有一句话,就是帮助客户真正把 ai 用起来。 举个例子啊,一家企业买了 open i 的 模型,但不知道怎么用,怎么接入业务,总而言之呢,就是不知道怎么使用能够提高自身的工作效率。 那这个时候呢, f d e。 就 已经坐在客户的会议室里了,协同分析业务设计方案,推动 ai 在 企业的落地使用,从而帮助客户产生结果。 所以呢, f d e。 本质上呢,不是工程师,而是懂技术的人,懂产品的人,懂商业的人。这样三种能力的综合体,那为什么突然被市场所需要了呢?那因为 ai 行业呢,进入了一个新的阶段,过去的软件时代呢,企业买完软件就结束了。但 ai 时代不一样,企业最大的问题不是买不到模型, 而是不知道怎么正确使用,不知道怎么与自身的业务链接起来。所以呢,今天最缺的已经不是模型了,而是怎么能够把模型变成生产力的人。那这也是 f d e。 存在的意义。 那很多公司也发现了,模型能力提升百分之十,其实对客户的价值不是很大,但如果有人能够帮助企业成功落地呢?带来的价值可能不止十倍。所以呢,越来越多的 ai 公司开始抢夺这类人才,那为什么待遇会这么高呢?因为目前市场上这样的人才实在是太少了, 程序员很多,销售很多,产品经理也很多,但同时具备综合能力的人就极少。所以, f d e 拿的并不是普通的工资待遇,而是企业增长的价值分成。那么,谁最适合转型做 f d e 呢? 如果你以为这是程序员的专属岗位,那就错了,最有机会成为 f d e 的 人呢,往往是懂技术的产品经理、懂业务的程序员,懂 ai 工具的咨询顾问,甚至是创业者。因为未来最值钱的能力呢,其实已经不是单点的技能了,而是需要把技术转化成商业的价值。 所以呢, f d e 不 仅仅是一个岗位,它更像是 ai 时代的一种能力模型。那么,你适合往 f d e 方向发展吗?请评论区告诉我。

就在昨天, openai 掏出了自研的第一颗芯片,名字相当带劲,叫 hellokino, 翻译过来就是墨西哥辣椒。 但真正辣的根本不是这个名字,而是这颗芯片从一纸图纸到流片出厂,前前后后只用了九个月。更让人头皮发麻的是,帮他加速设计的正是 openai 自己家的模型。 换句话说, openai 亲手训出来的 ai, 反手就给自己造出了一颗帮自己加速的芯片。这个自我循环的飞轮是真有点东西。 一颗辣椒亲手递到奥特曼手上。先说这画面感拉满的一幕,博通的 ceo hautan 当面把这颗 hello peon 亲手交到了奥特曼手里,两家大佬对着一颗芯片合影, 那架势像是在证明一个芯片新时代的到来。 open ai 管这叫全站战略的关键一步。 啥意思?过去的 openai 只干两件事,训出最强的模型,再拿模型做产品。而现在,他往地基底下又狠狠挖了一层,芯片架构、内存、网络、调度、部署,全都要自己捏在手里。 openai 出脑子,负责从零设计芯片骨架,博通出手艺,负责把东西落地量产。还有一家叫菜来斯蒂克的公司,专门管板卡、机架这些组装活,三家凑一桌是必要把整条产业链焊死在了自己手里。九个月的奇迹凭什么? 要知道,正常造一颗高性能芯片,没个三五年是下不来的, openai 却只花了九个月,张口就是史上最快,他凭什么这么猛?一方面是软硬件捆在一块开发, openai 的 工程师跟博通的造芯团队这几个月几乎同吃同住,拉爆效率。 另一方面就是那个最骚的操作,直接搬出自家模型去给芯片的设计和优化提速,给用户用的 ai, 转头就给自身造下一代的加速硬件,这谁顶得住?目前展现的数据效果还真不是吹的,打个比方,一颗芯片纸面分数是一百, 正常芯片实际只能发挥个百分之六七十,剩下的全耗损在数据搬来搬去的路上了。而哈拉佩诺的思路就是死命压缩,这种无谓的搬运, 让真实发挥无限逼近那满分的一百 open ai 更是放话,每把性能会大幅甩开目前业界最强的水平。 而且这颗辣椒可不是拿上一代 ai 芯片改改凑出来的,而是冲着现代大模型推理从零开始重新设计的。它对标的就是 chat、 gpt、 codex、 api, 每天真刀真枪在跑的那些系统,那个停不下来的飞轮。 而且这颗辣椒可不是一锤子买卖,它只是一整个多代计算平台的第一步计划,从今年底先铺起来。博通 ceo 还顺嘴透了个底,今年还要拉上微软这些伙伴一起建几把级的数据中心, 那他为啥非得死磕推理芯片?逻辑其实不绕,推理就是 ai 触达我们每一个普通人的最后一公里,成本压一点,速度快一点,稳定多一点,落到你我手里,就是实实在在的用户体验。拆的 gpt 回的更利索,酷代斯少卡壳 api 更便宜好接,高峰时期更扛得住。 说白了,这颗辣椒最终想干的事,就是把烧钱的算力变成普通人天天用得起的智能。 openai 总裁 greg brockman 还顺手给这事拔了个高度,他说世界正在转向一个由算力驱动的经济。 这意思明摆着就是往后比的不是谁家口号喊得响,而是谁能把算力算得更牢,用得更狠。而 openai 能把整个产业牢牢握在手里, 整件事最妙的,还得是那个停不下来的怪圈。 ai 画图纸造芯片,芯片造好了再用来跑。 ai 跑出来,更聪明的 ai 又回头去设计下一代芯片。 更好的基建换来更强的模型,更强的模型又反手砸向更好的基建。这个飞轮一旦转起来,是不是就证明 ai 会一代比一代强?一代比一代稳,也一代比一代便宜? 趋势很美好。那我们就看看 nvda 的 股价会如何回应这个故事。这里是起点世界,聚焦最新 ai 资讯,我们下期视频不见不散!


给大家推荐一个免费的 ai a 键的工具, open code, 它是开源的,如果你想接触 ai, 用上 ai 工具,这个连大模型都是免费的,而且还是 deepsea v 四 flash 版本,我深度用了一天,说实话百分之九十八的人都完全够用了。 我电脑上 cloud code code、 小 龙虾、爱马仕 agent 都装了,现在网上都在推 cloud code code code, 但模型不可能免费。 如果你不是程序员,相信我, open code 的 日常完全足够,各种 skill 都支持。我今天用它几分钟就开发了一个简单的供应链系统的 demo, 来测试一下它的效果。 ui 我 都没怎么调,效果已经非常不错。最重要的就是一分钱不花就能学会用 ai。 在这个入门门槛相对比较高的这种各种的 ai 工具的情况下来说,它太友好了,你只用花你的时间去研究下,如果你把 open code 研究好了,你再花钱去用 cloud code code 等等各种的 ai 工具, 在这个时代能节约一点是一点对不对?再说一遍,最主要的是免费,体验上完全足够,而且完全能满足你的日常使用。

今天 codice 更新了一个超级牛的功能, record and replay, 这个功能意思就是说你可以将自己的一个整个操作流程录制成一个视频,然后呢把这个视频发给 codice, codice 就 会把这个视频做成一个 skill, 然后你就可以指挥这个 skill 去不停地去你完成你的这个重复的操作流程。我在之前做这个跨境电商的自动化流程的时候,我其实很多的操作都是需要去网页上让这个 codice 去做 skill 的, 那这个过程中我每一个操作我都需要跟克莱斯说怎么做,点哪里。整个操作流程下来,我是花费了很多的时间去 告诉克莱斯你应该怎么做,你应该是点哪里,你应该填什么东西。但是说如果说有了这个插件之后,我之前那么麻烦的这个工作量其实就可以完全省掉了,我直接就把我的操作录制成一个视频给克莱斯就可以了,大家今天可以去试一试这个插件,这卡顿的 replay。

openai 第一颗自研芯片,名字居然叫辣椒?不是开玩笑,它叫 jalapeno, 墨西哥辣椒。听上去像一道菜,实际上可能是 openai 从模型公司变成全站 ai 公司的第一块拼图。 以前我们聊 openai, 聊的是 gpt, 聊的是 chat, gpt 聊的是 codex, 聊的是智能体。但这一次, openai 没有先放一个更会写代码的模型,也没有先放一个更会聊天的产品, 他直接把手伸进了 ai 产业最硬、最贵也最卡脖子的地方芯片。这颗 jalapeno 不是 普通 gpu, 也不是拿现成芯片改的名字,它是一颗 asic, 也就是专用集成电路。说白了,它不是为所有计算任务服务的,它就是为了一个目标而生, 让大模型更快、更省电、更便宜地回答问题,执行任务,运行智能体。第一层成本黑洞, 训练模型是把一个 ai 从零位大推理模型是你每天打开 chat gpt, 输入一句话,它给你生成答案。过去两年,真正烧钱的地方已经不只是训练了, 而是推理。因为训练再贵,也是一阶段成本。只要用户还在问,企业还在调用智能体,还在执行任务,推理成本就会一秒一秒地烧下去。你每发一次消息,每让 ai 写一段代码, 每让智能体查一次资料,本质上都是在消耗数据中心里的芯片、电力、内存和网络。所以, jalapeno 的 重点不是 open ai 也会造芯片了。真正的重点是, open ai 开始给自己的 ai 打造一副专门的身体。这件事有多狠?九个月,从一张白纸到流片,成功,只用了九个月。在先进芯片行业,这个速度非常夸张, 通常设计一颗高性能 asic 要十八到二十四个月。 openai 自称这是高性能先进半导体领域迄今最快的 asic 开发周期。一颗高性能 ai isic, 从架构设计、 rtl、 代码验证、布局、布线、流片到样片测试, 通常是一个极其漫长、极其昂贵、极其容易出错的过程。因为芯片不是软件,软件错了可以更新,芯片错了一次流片失败,可能就是几个月时间和几千万美元成本打水漂。所以这一次最值得关注的 不只是 openai 找了 broadcom 一 起做芯片,而是 openai 把 ai 模型放进了芯片设计流程里。注意,这里不能简单理解成 ai 一个人坐在那里把整颗芯片画出来。这不严谨。更准确的说法是, ai 开始参与芯片设计中的一部分关键流程, 比如生成和检查代码、辅助验证、优化设计方案、提高调试效率,甚至参与布局、布线和性能功耗面积的权衡。第二层, ai 造芯飞轮, 这才是最可怕的地方。 ai 不是 替代所有工程师, ai 是 在吃掉工程师最痛苦、最重复、最耗时的那一部分工作。芯片设计里,最折磨人的从来不是灵感, 而是验证。改一版跑一遍,再改一版再跑一遍。功耗不行,重来频率不稳,重来面积太大,重来信号持续过不了继续重来。 人类工程师最怕这种无穷无尽的循环,但 ai 最擅长的,恰恰就是从海量历史数据里找规律,然后不知疲倦地试错、归纳、优化。 这并不是凭空想象。早在二零二一年公布,团队就在 nature 发表过用强化学习辅助芯片布局的研究,后来这个方向被称为 alpha chip。 不 过这个领域也一直存在争议,包括复现难度公开、精准不足、性能对比是否充分等问题。所以我们要把话说准。 ai 设计芯片已经不是科幻, 但 ai 完全独立造芯片也还不是现实。真正正在发生的是, ai 正在成为芯片工程师的超级外骨骼。这就很像一个飞轮, 第一代 ai 帮助人类设计更适合 ai 的 芯片,更适合 ai 的 芯片,反过来,让下一代 ai 跑得更快、更便宜,下一代 ai 又能参与设计更强的芯片。如果这个循环跑起来, ai 产业的速度会从人推车变成发动机,自己给自己加油。这就是 java 最有价值的信号, 它不是一颗孤立的芯片,它是 openai 在 告诉全行业,未来的 ai 竞争不再只是模型参数的竞争,也不只是应用体验的竞争,而是从模型、芯片、网络、机架、数据中心到产品入口的整条链竞争。 第三层,谁的饭碗被冻了过去? openai 最强的是模型,但模型再强,也得跑在别人的硬件上。 你要用英伟达 gpu, 就 要面对供应紧张。你要租云厂商算力,就要承担高昂成本。你要服务全球几亿甚至十几亿用户,就必须不断买卡建机房、扩电力。这就是为什么 openai 必须走向全站, 他不可能永远只做大脑,因为大脑越聪明,身体就越重要。加勒比纽的目标很清楚,降低推理成本,提高单位工号下的 ai 产出,让 chat、 gbt、 codex 以及未来的智能体工作流跑得更稳、更快、更便宜。伯通 ceo 陈福阳表示, java pinew 相比传统 ai gpu 可降低约百分之五十的推理成本。早期测试显示, java pinew 的 每瓦性能将大幅优于当前业界最先进水平。博通 ceo 更是直言, java pinew 的 性能可与英伟达 blackwell 芯片和谷歌 tpu 相媲美, 对你我意味着什么?如果推理成本降百分之五十,未来你充一个月会员,可能等于雇了十个不睡觉的实习生。 具体来说,第一,叉 gpt 可能更快。你现在遇到的高峰期排队长、对话变慢、复杂任务卡住。本质上,很多时候不是模型不聪明,而是算力不够分。如果推理效率提升,同样的数据中心就能服务更多请求。第二,免费版能力,可能继续下放 很多高级功能。以前为什么锁在付费版?一个重要原因就是成本。深度研究语音、多模态、代码、执行长、上下文、智能体任务,这些能力都很吃推理资源。如果成本降下来, openai 就 有更大空间把更多能力开放给普通用户。第三,二十美元月费的价值可能被重新定义。 表面看,你还是付同样的钱,但你买到的东西可能从一个聊天机器人变成一个能帮你跑完整工作流的 ai 助手。他不只是回答你一句话,他可以读资料、写代码、做表格、查漏洞、规划任务、调用工具、连续执行。 这背后靠的不是一个更好看的界面,而是更便宜、更强大的推理基础设施。但这件事也有另一面, java 不 会立刻让英伟达倒下,也不会一夜之间改变全球芯片格局。 英伟达真正厉害的不只是 gpu, 而是 cuda 生态网络服务器、软件站开发者习惯和供应链整合。 openai 做自研芯片,短期不是为了替代所有 gpu, 更现实的目标是把自己最确定、最稳定、最庞大的推理赋载搬到更适合自己的专用硬件上。 训练还可能继续依赖顶级 gpu。 通用计算也还离不开成熟生态。但推理这块儿, open ai 一定想自己掌握更多主动权儿,因为谁控制推理成本,谁就控制 ai 普及速度。 谁能把一次 ai 调用的成本打下来,谁就能让智能体从少数大客户的工具,变成普通学生、小公司、独立开发者都能用得起的生产力。这才是 jalapeno 真正辣的地方,它不是辣在性能参数儿, 而是落在战略含义。 openai 正在从调用别人芯片的模型公司,变成为自己模型设计芯片的基础设施公司。以前的 ai 竞赛,是谁的模型更聪明?接下来的 ai 竞赛,是谁能用更低成本把聪明送到更多人手里?所以, jalapeno 不是 终点, 它更像是 openai 芯片路线的第一颗试探性火种,名字叫辣椒,而且还是相对温和的 jalapeno。 这就很有意思,如果第一代叫 jalapeno, 后面会不会还有更辣的?会不会有第二代、第三代专门为智能体、机器人、多模态甚至训练任务优化?博通已透露,下一代芯片计划二零二八年推出,随后每年迭代一代。现在没人知道,但可以确定的是, ai 行业的战争,已经从屏幕里的模型,打到了机房里的芯片。未来你看到的每一次秒回,每一次低价订阅,每一次智能体连续干活,背后拼的都不是一个按钮,而是一整套从算法到规片的工业体系。 这就是今天这颗辣椒真正想告诉我们的事, ai 不 只是越来越聪明, ai 正在开始改造成在自己的世界。过去人类给 ai 造芯片,现在 ai 开始帮人类造芯片。 下一步很可能就是 ai 和 ai 硬件一起进化,一个更强的大脑正在给自己打造更强的身体。而这一次, open ai 只是先往锅里丢下了第一颗辣椒。