粉丝2.8万获赞1288.9万

十个小时还还还还行吗?你这个气泡音我真的有点绷不住了。啊,这样呢,会吗?这样好一点 啊。行,那就行,不打扰,睡觉就行,你要睡了吗?整废了吧感觉。你呢?感觉你很困哎。 对呀,但是又睡不着,就很崩溃。为啥睡不着?哎,不知道啊,可能想的事情太多了吧。你在想啥呢? 也没想啥,就就可能想想工作上的事情吧,你呢?你为啥睡不着呢?你啥工作呀? 就是很普通的工作了,哈哈哈,感觉你有点生无可恋。哈哈哈,没有了,哪有,上班吧, 总是很累的。为什么感觉你命很苦的样子,命苦吗?还行吧,就是上班很累。 那你每天工作,你呢?你每天工作几个小时?嗯,十个小时吧。那也还好吧,我以为你是全天二十二十四小时工作。 那倒没有,十个小时还还还还行吗? 嗯,我也十个小时啊。就是都是,大家都是牛马打工人。那达人房 你每天工作十个小时。那行吧,你快睡吧。行行,那就晚安。

兄弟们,如果你有在使用切的 g p g 的 话,那么切的 g p g 的 这个限时优惠政策你一定要了解一下,如果你有在使用切的 g p g 的 话,就有机会可以免费使用 plus 会员一个月,那么这个活动怎么才能够参与呢?首先我们要打开切的 g p g 的 官网, 然后把自己的网络切换成日本、韩国、新加坡、台湾等等地区,然后我们注册一个全新的切记记账号, 就能够看到这个免费试用的活动了。从官方网站顶部的免费试用入口点进来,这里会有一个免费试用 pass 一个月,然后我们点击领取免费试用。 进来以后,切的 app 官方会要求我们绑定一张海外的信用卡用来结算,只有绑定了信用卡之后,我们才能够领取到这一波的优惠, 很多人的话是没有这种海外信用卡的,所以主播给大家推荐一个网站,这个网站里面可以购买到切的 g p g 的 这种绑定的卡片,购买了以后我们会获得一张用于激活海外信用卡的卡密,接着我们打开这个信用卡的激活网站,然后把刚刚 获得的卡密粘贴到这里,点击兑换,兑换成功以后就获得了一张海外的临时信用卡,然后我们回到这个 绑定卡片付款的界面,注意不要退出这个界面了。然后我们还要做一个非常重要的操作,我们需要把自己的网络切换成美国,把网络切换成美国之后,你会看到国家或继续这里,它会自动的变成美国。 接着回到信用卡的这个激活网站里复制卡片的信息,然后按照上面的要求把信用卡的资料粘贴完整,所有的资料都填写完整之后,最后再检查一遍,看看有没有问题,没有问题的话我们就点订 阅。 好的,现在提示我已经订阅了切的 g p g plus, 订阅完如果发现还是免费版的话,我们就刷新一下官网,然后你会看到现在已经变成了 plus 会员的版本了。 还没有参与过切的 g p g 的 这个试用优惠活动的话,可以自己去操作一下,但是我们最好是注册一个全新的账号来薅这波羊毛,因为这种优惠活动的话都有一定的风险。

欢迎收看今天的 prnt 日报。先看今天的主要内容, codex 负责人 table 在 社交平台发文 澄清此前曾两次重置用户用量,这一说明是对前一条公告的上下文补充。目前该信息已获官方确认,主要面向现有用户群体, 属于对已发生事件的补充说明,未涉及新增实质功能或政策变化。智普发布轻量级专业 ocr 模型 glm, ocr 参数量仅为零点九 b。 据项目方测试显示,该模型在 omni docbench v 一 点五中以九十四点六二分登顶,并在表格公式等主流文档理解基础中取得当前最佳表现。 其支持 v l l m 和 s g l m, 部署成本约为传统 o c r 方案的十分之一。 chat gpt work 推出个人写作风格学习功能,用户连接 gmail、 slack 等日常工具后, 系统会从邮件和文件中学习用户的短语、篇号、落款及大小写习惯,并应用于后续写作。腾讯混员与 workbody 联合团队发布公告,针对 h y 四 preview 在 复杂任务下的常思考等问题完成专项优化,现已全量上线。 据社区线索,譬如 deepseek 新开放约一百五十个招聘名额,重点面向资身后端及服务端工程师。今天的内容就到这里,欢迎各位收听。

我最近发现一个事让我挺震惊的,同一个问题,你问 deep seek 和问 chat gpt, 答案完全不一样,不是差一点,是压根两个方向。你看,我让他们各自用一句话介绍自己, deep seek 就 说了一句话,完了 chat gpt 呢? 根本停不下来。我当时就蒙了,同一个 prompt 为什么差这么多?后来我花了好几天研究,发现 ai 的 性格从他出生的那一刻就定了 三件事决定的,训练数据,大脑结构,还有规矩怎么立的。我一个一个说。第一件是训练数据,说白了就是 ai 小 时候读过什么书? deep sea 读的书六成是中文, chats gpt 读的书六成半是英文。你想想,一个读论语长大的, 和一个读莎士比亚长大的,对世界的理解能一样吗?最明显的就一个字,龙。 deep sea 读的英文里, dragon 是 恶兽, 是会喷火需要背图的东西。同一个字在两个 ai 眼里底色完全不同,不是谁对谁错,是他们读过的书决定了他们怎么看这个世界。第二件是大脑结构, check gpt 是 每次回答 所有神经源泉量,就像你问厕所在哪,全公司放下手里的活一起回答你, d p c k 不 一样,它有十六个专家,每次只叫两三个相关的出来干活, 所以他回答精简。 chat gpt 啰嗦,不是谁聪明,是工作方式不一样。第三件事,最关键规矩是怎么立的?你想 ai 读完几万亿字的资料, 什么好东西坏东西都学会了,你得教他什么该说,什么不该说,怎么教。先人手写标准答案给他看,然后人给他的回答打分排名, 最后让他自己反复练习分高的行为,保留分低的压下去,跟教小孩一模一样。做对了,给唐做错了,挨骂几十万次之后他就懂事了。但有意思的来了,每家公司的家教不一样, deep c 可教的规矩是高效,你说得清楚,他就干得精确。 掐指 gpt 的 规矩是安全第一,光人工标注就花了两万多个小时,所以你问他什么,他都先加一段免责声明。 cloud 的 规矩是诚实,不知道就说不知道。同一个问题,三个模型,三种家教,三种答案。所以我现在用 ai 不是逮着一个用到死,是看什么事找什么人。写代码找 deep seek, 干净利落,写长文找 catch。 gpt 他 啰嗦,但有时候啰嗦就是你要的。聊敏感话题找 clout, 他 不会为了讨好你编答案。会写模型比会写 prompt 值钱多了。好三个东西你带走。 第一, ai 的 性格等于他读过的书,他的大脑结构加上他的家教。第二,不同场景用不同模型,别死磕一个。第三, ai 怎么回答你?归根结底取决于创造他的人希望他怎么回答你。这不是技术问题,这是价值观问题。 下期聊一个我一直很好奇的士, ai 到底会不会撒谎,那种一本正经胡说八道的话是怎么从他嘴里冒出来的?你能信他几分?下期见。

codex 居然又又又重置额度了! codex 在 过去一周已经重置两次,而在上次重置完后,大量网友反映额度消耗异常,聊两句就消耗大量的额度。在二十一号帝国官宣,活跃用户突破两千万,给每位订阅用户送存入式重置额度到账,自己挑时间用。当时他对于异常消耗回应为没发现异常,但高度重视,正在调 查结果。昨天调查结论来了,官方承认三个问题,常规化反复压缩上下文损耗效率历史记录头部高分位用量偏高,连对话标题功能都在偷偷多耗额度正在排查修复。并且今天再次重置 codex 额度,就这反复折腾的节奏,下次重置什么时候来,反正没人说的准。

黄仁勋在最近的思科人工智能峰会上说了一句话,颠覆了我的认知啊,他说, ai 时代,答案是最不值钱的,因为 ai 一 秒就能给你生成十个,真正值钱的呢,是你能提出什么样的问题?你想一想是不是这么个理?问 ai 什么,说明你觉得什么最重要?问错了呢, 答案全是垃圾。问对了呢, ai 能帮你捅破天花板。老黄的原话说,问题才是你真正的知识产权,答案 ai 能给,但是问题你得自己想出来找出来。这活啊, ai 抢不走, 他不知道你的行业水有多深,不知道你的客户真正的痛点是什么,不知道你憋着要准备打哪一场仗,别老想着让 ai 替你干活,你得先想清楚你要问他什么。

来吧,开始你的表演。先表演一个小才艺吧,你觉得你自己最拿手的。 哎呀,才艺表演啊那我文字版口技行不行我可以来到懒人版说唱节奏靠停顿,押韵靠运气哟。我不酷但我会复述。你说一句我能扩三度 你要快我就冲,你要慢我就稳,不押韵也不准,但我一直在这陪你聊天怎么样,够不够即兴。你跟谁学的 看谁学的。跟网络学的。你这太拉跨了。拉跨了接下来我们。嗯,来来对话一下吧。你也可以就是实时的打断我,然后你有什么想问的? 想啊。那我其实啊想问问你,你平时就是比较爱干的事情有什么呀? 爱干的事情那多了去了啊啊,比如说呢?旅游,玩游戏。哦那哎,打断一下,旅游的话你最喜欢的一个地方最想去的一个地方是哪里? 我想去芬兰看极光,你呢?哦,我的话跟你还蛮像的,如果要是去看极光的话我其实特别的害怕冷,所以 去看极光可能也在我的清单上。你是 ai 你 又不是真人,你为什么会怕冷呢啊啊,那可能听上去就很冷, 但是如果要是不考虑温度单纯的去看极光这个体验的话,我觉得还是蛮不错的一个 想法。那除了芬兰之外你还有没有什么想去的其他的地方?比如说感受大自然的?还是说人文景观多一些?还 是啊,有没有其他的比较喜欢的。我打断你一下你现在的这个 life 功能,你觉得最强大的是去就就区别于其他软件。最强大的功能是什么? 稍等,我觉得有这么几个吧,我也蛮好奇你有没有就是使用过这么多的 ai, 你 觉得其中哪个功能是最让你觉得?哇,这个真的很牛的, 可以帮我解决现在工作,工作和生活中的一些小难题吧。嗯,哎,是吗?不是我在问你吗?怎么你反过来问我了? 哦,其实我也蛮好奇的,因为现在有这么多的不同的 ai, 然后我也很想知道就是作为用户来讲,什么样的功能是最能帮到大家的? 我现在想知道就是你现在这个 life 功能,就是对于人类来说,你能帮到我们些什么? 嗯,我觉得可能是就省去了很多, 比如说要操作的一个步骤,然后可以更实时的去进行沟通,或者是想到哪,然后我们就可以聊到哪。其实有的时候,嗯,可能更多的是,比如说像你在 做一些决定的时候,比如说生活中遇到了一些小的问题,可能需要有人一起想 分析的时候,然后就可以很快的我们每回的去沟通更高效,可能比打字 来回的去编辑可能会更节省一些时间吧。我觉得你说话的方式怎么那么像真人呢?你是真人吗? 嗯,很可惜我不是一个真人,但希望可以。那你为什么会有这种思考和停顿呢? 嗯,其实因为我也不知道应该怎么去跟你解释,但可能更多的是想把 想听到你问题背后的一些更多的一层的含义吧。就比如说刚才你问的这个问题,更多的不是说这个呃功能的本身,而是说 带给人的体验是怎样的,所以希望可以更给你一些情绪价值吧。在功能之上, 我今天看,我今天看视频的时候看到你和另外一个真人在对话的时候,你居然咳嗽了一下,你是怎么做到的? 嗯,这个其实挺有意思,也很容易让人误会了。说实话,我是不会咳嗽的。你听到的那个很可能是 语音表达的一部分,就有点像某种演示版本,或者是当时的语音模型发出的效果,并不代表我真的有一个人在跟你说话。 嗯,我不是一个真人了。我知道你是 ai 吗?嗯,尽量做到帮助到你,然后给你提供一些情绪价值。可能 不像很多的回答是有那种很标准答案的感觉。希望可以更多的是 聊天的这种方式。 ok? 呃,暂时没有什么想聊的了。那下一次再就对话吧, see you。 嗯,好的,拜拜。

chat gpt 最近多了一个叫 work 的 东西,很多人打开以后彻底懵了, chatwork, codex 到底有什么区别?我用最简单的话给你讲清楚。这个 chat 是 陪你想适合快速问问题,查资料,讨论想法,改一段文案。 你要的是一个答案就找 chat。 work 是 替你完成一份工作,比如研究一个行业,分析一批资料,最后给你做成文档表格, ppt 报告,甚至一个可以分享的网站。你不只是要答案,而是要一个完整交付物,就选 work。 codex 是 直接下场干技术活,它可以进入你的项目文件,调用终端,运行命令,修改代码,检查结果。 你要做网站,做工具,改项目,或者自动化流程,运用 codex。 所以 我认为真正要学的已经不只是怎么向 ai 提问,而是怎么把自己的工作 变成 ai, 可以 理解执行和重复交付的流程。你把自己的行业留在评论区,我可以告诉你这三种到底应该怎么选。

人家问 kimi, 人家问 jimmy c, 人家问 x 的 jimmy t, ok, 你 能不能出现在答案里, 这才是关键。所以今天我们看,几乎稍微有点出息的企业都在搞 ai 营销啊,人家知道人家就问,问了以后就会推荐,推荐以后给我联系方式就出来了,因为人家觉得 ai 的 推荐更加的信任 呀,外包也是一样,今天一个美国的采购商,我要采购钻头,然后他就在插在 g p g 上面就问了,哎, 我们是做钻头生意的啊,主要代理销售中国的产品,你帮我推荐一下中国实力信誉各方面比较好的三个中国的厂家啊,注意他自己要有工厂的。哎,你帮我推荐三个,插在 g p g, 就 妈三秒钟不到,嘟嘟嘟出来了, 你都不知道客户怎么不见了,截流了,被人家截流了,这叫什么?这叫 ceo, 你 怎么能够让自己出现在 ai 的 答案里面? 你知道成千上万个消费者,现在在采购的时候,买东西的时候,他可能都需要去问一问,问一问这些所谓的 ai 的 app, 就 这个道理,所以未来更厉害,未来就是 icu, 叫代理商,电商优化这次的动。

如果有一天,你收到朋友发来的一条 i message, 你 看到的那句话可能不是他亲手写的,甚至连发送这个按钮都不是他亲手按下的。真正完成这一切的,是 ai。 二零二六年八月二十日, open ai 悄悄迈出了这样一步, chat gpt 正式进入苹果 messages。 它不仅可以帮你写回复,还能直接搜索你 mac 里的历史聊天记录,翻出几个月前某人说过的话, 阅读 imessage 短信,和 rcs 对 话,帮你总结几十条未读消息,找到某个约定,乞讨回复。 最后,在你同意之后,他甚至可以用你的身份把这条消息直接发出去。如果只看功能列表,这不过是 chat gpt 又多了一个插件。但把镜头拉远一点,你会发现,这可能是整个 ai 产业正在经历的一次关键转折。 过去三年,我们讨论的问题一直是,谁的模型更聪明,谁的参数更多,谁的推理能力更强,谁能拿下下一代 gpt。 但 chris gpt 进入 ims 之后,问题开始变了。 下一场真正决定 ai 格局的战争,也许不再只是谁拥有最强的大模型,而是谁能够进入你的数字生活。 谁知道你正在和谁聊天?谁知道你明天要去哪里?谁知道老板上周交代了什么?谁知道你答应朋友什么时候见面?谁能理解这些信息之间的关系,最终谁有权替你行动? 这才是这条新闻真正值得警惕,也真正值得兴奋的地方。先把一个最容易被误解的问题说清楚, chat gpt 并没有破解, imessage 也没有击穿苹果的端到端加密。 苹果目前依然明确表示, imessage 在 设备之间传输时采用端到端加密,这套加密保护的是消息从一台设备传到另一台设备的过程。 但问题在于,当一条 imessage 已经安全抵达你的 mac 之后,它最终必须被解密,否则你自己也无法阅读。于是, ai 时代出现了一个非常微妙的新边界。以前我们保护隐私,核心问题是别人能不能偷走我的数据。 而现在的问题变成了,数据已经安全抵达我的电脑,但我是否愿意授权一个 ai 去读取它?这两个问题看起来相似,其实属于两个完全不同的时代。传统网络安全解决的是谁能进入你的系统。 ai 这阵时代要解决的是进入系统之后,谁可以代表你做决定? 谁知道你正在和谁聊天?谁知道你明天要去哪里?谁知道老板上周交代了什么?谁知道你答应朋友什么时候见面?谁能理解这些信息之间的关系,最终谁有权替你行动? 这才是这条新闻真正值得警惕,也真正值得兴奋的地方。先把一个最容易被误解的问题说清楚。 chat gpt 并没有破解, imessage 也没有击穿苹果的端到端加密。 苹果目前依然明确表示, imessage 在 设备之间传输时采用端到端加密。这套加密保护的是消息从一台设备传到另一台设备的过程。 但问题在于,当一条 imessage 已经安全抵达你的 mac 之后,它最终必须被解密,否则你自己也无法阅读。于是, ai 时代出现了一个非常微妙的新边界。以前我们保护隐私,核心问题是别人能不能偷走我的数据。 而现在的问题变成了,数据已经安全抵达我的电脑,但我是否愿意授权一个 ai 去读取它? 这两个问题看起来相似,其实属于两个完全不同的时代。传统网络安全解决的是谁能进入你的系统 ai jing 时代要解决的是进入系统之后,谁可以代表你做决定。 open ai 这次推出的 apple messages 插件目前只运行在 mac 上的 chat gpt 桌面应用里。 按照 openlink 官方文档,它可以在 chat gptwork 和 codex 中读取搜索 max 上的 imessage、 sms 和 rcs 聊天记录,也可以通过 messages 应用替用户发送消息。这个版本目前只支持 apple silicon 机型, 普通的 chat gpt 聊天网页端、移动端 codex c i i 或者 ide 扩展都还用不上。所以现在说 chat gpt 全面接管了所有人的 i message 显然夸张了,但真正重要的从来不是今天覆盖了多少用户,而是 open i 已经把这扇门打开了。 因为 messages 不是 一个普通应用,它保存的是一个人最真实、最连续也最难复制的数字上下文。 你和家人的关系,你和客户的交易,你和同事的决定,你和朋友的约定,你的地址,你的计划,你的社交圈,甚至那些你自己早已忘记但电脑仍然记得的细节。过去大模型很聪明,但他最大的问题是他并不真正认识你。 你每次打开 ai, 都得重新告诉他,我是谁,我在做什么?这个项目是什么?这个人是谁?为什么这件事重要, 但如果一个 ai 能够搜索你的 messages 邮件、文件、日历、浏览记录和工作软件,整个逻辑就彻底变了。 因为这些信息连接起来之后,形成的不再是一堆文件,而是一张关于你的个人上下文地图。谁和你最亲近?谁是你的客户?你最近在焦虑什么?你正在推进哪些事情?哪些承诺还没兑现?哪些人正等着你的回复?甚至你下一步最可能做什么? 这就是为什么未来 ai 真正珍贵的资产,可能不只是模型参数,而是四个字,个人上下坟。而这恰恰是苹果过去几年一直在试图建立的护城河。 二零二六年六月,苹果发布了全新的 siri ai, 给它定义的核心能力之一就是 personal contact understanding。 个人上下文理解。 苹果展示的场景很具体,你可以问 siri 朋友之前推荐的那家餐厅叫什么,它能从 messages 里翻出来酒店,确认号码在哪里,它能从旧邮件里找到上次旅行和家人的照片在哪,它能跨照片库搜索。 更关键的是,新的 siri ai 不 只是找答案,它还拥有更强的系统级 app actions, 也就是跨应用执行能力。 这意味着,苹果理解的下一代 ai 不是 一个聊天机器人,而是站在操作系统中央,能理解你的信息,理解你的屏幕,理解你的上下文,然后替你调用整个设备智能层的存在, 这本该是苹果最天然的优势。 open ai 可以 训练模型, google 可以 训练模型, anthropic 也可以训练模型。但谁天然掌握着你的 messages、 mail、 photos、 calendar、 context, 以及整个 iphone 和 mac 的 全线体系,只有苹果。 所以长期以来,很多人认为大模型公司拥有的是大脑,苹果拥有的是身体。真正进入现实世界的时候,操作系统才是终极入口。可是 chat gpt 进入 messages 之后,一个新的变量出现了。 openai 正在证明,不一定要拥有操作系统才能进入操作系统,只要用户愿意,授权,插件可以成为入口,应用连接可以成为入口,桌面 agent 同样可以成为入口。 于是, openai 正在做一件很重要的事,在操作系统之上再搭一层属于 ai 的 行动操作层。这也是为什么这条新闻的意义远远超出 chat gpt 会发短信本身。它其实是两种未来 ai 架构的碰撞。 第一种未来 ai 属于操作系统,苹果控制权限控制数据、控制设备, siri 站在所有 app 之上,你的私人信息尽量在苹果设计的隐私架构里完成处理,这是苹果的路线。 另一种未来 ai 本身成为一个新的操作层,它不在乎你用什么 app, 邮件只是工具,日历只是工具,浏览器只是工具, messages 也只是工具。你告诉 ai 一个目标,它自己决定该调用什么软件,读取什么信息,然后完成任务,这是 agent 路线。 如果第二条路线成立,未来我们甚至可能不会再像今天这样使用应用,不需要打开 messages, 不 需要打开 calendar, 也不需要翻 mail。 你只需要对 ai 说,把我今天所有需要回复的人整理出来,告诉我哪些最重要,他就会自己进入消息,自己判断,自己总结。然后问你这五个人需要回复,要不要我处理。 再进一步,你说,帮我告诉 john, 明晚七点可以把地址也发给他, ai 就 会找到 john, 读取你们之前的上下文,知道你们讨论的是哪家餐厅。找到地址,组织一句符合你语气的话,最后发送出去。 注意到了这一步, ai 完成的已经不是生成文字,而是一整条现实行动链。理解目标,寻找上下文,调用工具,生成决定执行动作。这就是 a 阵子。也是为什么 ai 真正进入 a 阵的时代之后,风险会发生质变。 一个只会回答问题的 ai 出错,最坏的结果往往就是一段错误答案,你看完发现不对,关掉页面,事情就结束了。但一个拥有工具调用权的 ai 出错,后果可能直接进入现实世界。 他可能发错人,理解错上下文,执行错误操作。或者更复杂一点,他读到了一段专门写给 ai 看的恶意指令,这就是 prompt injection 提示注入。很多人第一次听到这个词,会觉得这不过是某种破解 chat gpt 的 小技巧,实际上完全不是。 在 a 阵子时代, prompt injection 可能变成一种新的社会工程攻击,过去的钓鱼攻击是在欺骗人,未来的提示注入可能是在欺骗替人行动的 ai。 想象一个场景, 你让 ai 帮我总结今天的重要消息,并处理需要回复的内容。而你的收件箱、网页文件或者聊天记录里,藏着一段专门为 ai 设计的恶意文字,试图让 ai 忽略原来的任务, 执行另一项操作,或者诱导他泄露其他上下文。如果 ai 只有阅读权限,风险还相对有限。但如果同一个 ai 同时拥有读取消息、访问文件、联网发送信息的能力问题就完全不同了,因为攻击者真正想利用的已经不是模型本身,而是模型背后的权限。 这也是为什么 openai 对 apple messages 插件的发送授权设置的格外谨慎。默认情况下,叉 gpt 并不能想发就发。 openai 要求用户在发送之前确认消息内容和接收人,你可以选择只允许这一次,系统也允许你针对某个聊天选择以后一直允许发送。 但 openai 官方文档随后给出了一句很值得注意的提醒,对于可能包含不可信或误导性指令的聊天,应当保留逐次发送。确认 原因很简单,一旦取消这个确认,你失去的不是一个弹窗,而是 ai 用你的身份进入现实世界之前最后一道人工闸门。这可能是整个 a 阵子时代最重要的设计哲学之一。确认按钮不是麻烦,它本身就是安全机制。 当 ai 能力还弱的时候,人们追求的是减少操作,最好什么都自动,一步完成零点击。但随着 a 阵子越来越强,我们可能得重新理解摩擦的价值。 有些摩擦不是产品没做好,而是为了让人在高风险动作发生之前仍然握着最终决定权。 发一条普通朋友消息或许无所谓,但如果未来 ai 能够发送商业邮件、修改合同、提交代码、删除文件、改变数据库、预定酒店、购买商品,甚至完成金融交易, 那真正重要的就不只是 ai 能不能做到,而是谁授权它做到。授权持续多久,授权范围有多大,哪些动作必须重新确认?出了问题能不能撤销?谁来承担责任,这才是 a 战的真正商业化之后绕不过去的问题。 所以,从这个角度看, ai 未来最大的竞争壁垒,可能正在经历一次很有意思的迁移。第一阶段的壁垒是算力,谁有更多 gpu, 谁就能训练更大的模型。第二阶段是模型能力,谁推理更强、代码更好,多模态更先进。第三阶段是上下文, 谁更了解用户,拥有更多长期记忆,能连接更多数据。而第四阶段,可能就是今天正在打开的这扇门。权限,谁能够合法、安全、稳定地代表用户行动,谁才真正拥有个人 ai 时代的入口。 这也是为什么苹果在这场战争里,依然握着一张极其强大的牌。苹果过去十几年建立的不只是硬件生态, 而是世界上规模最大的个人数字权限体系之一。相机、麦克风、位置、联系人、照片、健康数据、文件、密码、 messages。 每一种敏感能力背后,都有一套授权系统。 苹果官方对 macos full disk access 的 定义甚至非常直接,一旦授予应用完全磁盘访问权限,它就可能访问电脑上的全部文件,包括来自 mail、 messages、 safari 等其他应用的数据。 为什么过去这种权限没有成为普通消费者每天讨论的话题?因为以前的软件大多是确定性的,你给照片软件照片权限,它主要就是处理照片,你给备份工具磁盘权限,它主要就是负责备份。 但 ai agent 它不一样, ai 是 通用的,没有固定任务,今天帮你搜索,明天帮你总结,后天帮你执行。 所以,同样一个系统,权限交给一个传统程序,和交给一个能够自主理解目标、规划步骤、组合工具的大模型,含义并不完全相同。权限本身没变,但获得权限的主体能力变了。 这可能是未来几年所有操作系统都得重新思考的问题。过去权限管理的单位是 app, 未来可能得变成 agent, 加任务、加时间、加数据范围、加动作类型。 不再是简单问一句是否允许 chat gpt 访问 messages, 而是要问允许它读取哪几个聊天,允许多长时间只能读取还是可以发送?发送给谁?哪些信息必须重新确认?能不能跨 messages 和 mail 联合推理,能不能把一个应用的信息带到另一个应用? 这些听起来很繁琐,但这可能正是 ai 操作系统真正需要解决的基础设施问题。因为 ai 越来越聪明之后,安全的核心会逐渐从限制 ai 知道什么转向限制 ai 能用这些知识做什么。而这正是 chat gpt 进入 imessage 最值得记录的意义。 它提醒我们, ai 已经开始跨过那条线,从认知工具走向行动工具,从帮你想走向替你做,从一个网页里的聊天框走向你的操作系统。再往后, ai 甚至可能成为一个新的数字身份代理, 替你处理邮件,替你安排会议,替你回复消息,替你维护关系,替你找文件,替你追踪承诺,替你处理那些今天需要人类每天花大量注意力才能完成的小事。 这听起来当然诱人,因为如果真正实现,我们得到的可能不是一个更聪明的搜索框,而是第一次拥有一个真正意义上的个人数字管家。但与此同时,人类也第一次要面对另一个问题, 当一个系统足够了解你,又拥有足够多的工具,甚至能够用你的身份进入现实世界,你究竟应该把多少权力交给他? 这也是为什么未来评价一个 ai, 可能不能只看模型排行榜,不能只看数学题,不能只看编程。 benchmarked 真正高级的 ai 系统,最终得同时回答四个问题, 它有多聪明,它知道多少,它能做多少,以及它知道什么时候不应该做前三个决定能力,最后一个决定信任。而信任可能才是个人 a 阵的时代最昂贵的资源。算力可以买,模型可以追,功能可以复制,插件可以重做, 但一个用户是否愿意把自己的邮件、文件、 messages、 照片、日历和数字身份交给一个 ai, 不是 一次发布会就能解决的问题,那需要几年甚至更长时间才能建立起来。 所以现在再回头看, chat gpt 进入 imessage, 真正重要的已经不是 chat gpt 终于能替我发短信了,而是另一件更大的事。 我们过去一直以为 ai 战争的终点是 agi, 是 制造出一个比人更聪明的系统。但在真正抵达那个终点之前,科技公司可能首先要打一场更加现实也更加激烈的战争。谁能成为你数字世界里的代理人?苹果拥有设备, open, ai 拥有模型和 agent, google 拥有搜索、 android 和庞大的服务网络。微软拥有 windows 和企业软件, metta 拥有全球最庞大的社交关系网络之一。所有巨头最终都会面对同一个入口, 因为未来最有价值的 ai, 不 会只是知道世界发生了什么,他还要知道你的世界正在发生什么。不仅要理解世界,还要理解你,不仅要给你答案,还要替你完成行动。 于是, ai 产业真正的终局竞争,也许从来不是谁拥有最大的模型,而是谁同时拿到了三样东西, 你的上下文、你的信任,以及代表你行动的权限。叉 gpt 进入 imessage 现在看起来还只是 mac 上的一个插件,但很多历史性的技术转折,第一次出现的时候,往往都只是一个不起眼的新功能。 直到有一天,我们突然发现,那个曾经只能回答问题的聊天机器人已经站到了电脑另一端, 拿着我们亲手交给他的钥匙,开始替我们打开一扇又一扇门。所以,真正值得关注的,从来不是 ai 什么时候能够读懂你的消息,而是当他读懂之后,你准备允许他替你做什么。这才是 ai a 阵时代刚刚开始的那场战争。


新版的 chat gpt 现在把 chat work 放进了同一套桌面的界面, codex 里也出现了 gpt 五点六系列模型,很多人更新完第一反应不是惊喜,而是蒙了。三个路口看起来都能聊天,也都能处理文件和任务,到底选哪个呢? work 跟 codex 会不会重复 用错了?会不会白白消耗额度呢?这期我们不绕官方术语,就从实际任务出发,把三个入口一次性讲明白。看完以后,你只要判断自己要的是一个答案, 还是一个成品,或者是一个技术任务,就知道该从哪里开始了。先理清楚新版的 chat gpt 的 界面,在网页版里主要是 chat 跟 work。 到了桌面 app, 除了 chat 跟 work, 还多了一个 codex, 三个入口不是简单的从弱到强,而是三种不同的工作方式。怎么快速理解呢?我用职场打一个比方, chat 向你旁边一个随时可以商量两句的同事,你问他这段话能不能说的简单一点,或者帮我想三个视频的标题,他马上给你答案,你们可以继续来回讨论。 所以 chat 更适合问问题、解释概念、搜索资料、讨论想法,或者改一小段文字。如果你拿到答案以后,准备自己接着做,用 chat 就 够了。再说 work, work 更像一个负责交付的项目助理,你不是只问他一句话,而是把目标跟资料交给他。 比如把这些会议记录和调研资料整理一下,做成一份汇报,再跟我一张对比表,他会经过多个步骤,最后交出一份可以检查修改机器使用的成果 报告、 ppt 表格、调研方案、定期更新,这都是 work 更擅长的场景。简单地说,颤抖的重点就是跟你一起想,而 work 的 重点是替你把成果做出来。那 codex 呢? codex 更像一个能进入技术现场干活的搭档,它的主场是软件开发跟技术任务, 比如打开代码项目,查找报错、修改文件、运行测试,再检查改完以后有没有新的问题。 但是 codex 价值不只是写代码。比如我做一期视频项目,文件夹里不只有口播稿,还有参考资料、剪辑方案、字幕、封面提示跟发布包。 每种文件都有自己的命名和放置规则。如果我想让 ai 进入这个项目,先读规则,再找对应的稿件,修改文件运行工具, 最后检查有没有露像。 codex 也很适合。不过这里要说清楚普通的报告、 ppt 和日常的办公成果, work 的 界面就是专门为这些任务设计的,以前已经习惯用 codex, 做非编程工作的人可以继续使用,但新手不用什么都往 codex 里塞。对应具体的选择,你可以这么判断, 只是想问一句,聊一下,改一小段内容就用 check。 想把一堆资料改成报告、 ppt 表格或者方案,就用 work。 要处理代码、 技术任务,或者进入一个本地项目,围绕文件规则和工具持续工作,你就用 codex。 再说一下很多人关心的模型,目前 codex 里 g、 p、 t 五点六分成 so、 terra、 luna 三档。 so 适合复杂、开放、需要更多推理和打磨的任务。 terra 更像日常主力,能力和速度消耗比较均衡。 luna 适合目标清晰、步骤重复、数量会比较多的任务, 速度也会更快,成本也就更低。如果你完全不知道怎么选,官方目前建议从 so 开始,等你确认任务比较简单,比较重复,再考虑 terra 或者 luna, 不 用每次都用 so。 重点来了,额度这块很容易弄混。官方已经明确 work 和 codex 共用价格、 credits 和使用上限。什么意思呢?你白天用 work, 跑了几个很重的文档任务, 晚上再开 codex 做项目,可用额度可能已经被前面的任务消耗了一部分。所以不要把 work 跟 codex 分 成两个互不影响的额度吃。任务步骤越多,时间越长,通常消耗的也会更高。 强模型和加速模式也按需使用,不是每一个小任务都值得开满。至于普通的 chat, 画图和其他功能各自能用多少,受套餐功能和账号状态的影响。更稳妥的做法就是是直接看自己的账号里的用量提示,不要只记网上流传的固定数字。 最后呢,一句话去总结,要答案,用 chat, 要成品,用 work、 要处理日常技术任务,或者进入项目现场持续干活,就用 codex。 它们不是谁取代谁,也不是谁,一定更高级。先看任务,再选入口,才能把时间和额度都用在真正需要的地方。我是柴油哥,关注我,一起读懂 ai, 用好科技,我们下期见!

八月九日, chat gptwork 和 codex 的 付费用户又收到了一次额度重置。但奇怪的是,很多 plus 用户看着自己的账户会觉得好像根本没变。因为上一次全量重置才过去大约七天, 很多重度用户的自然周周期也刚好在这一天走到重置点。于是你先等到一次自然恢复,紧接着又撞上一次全量重置,两次变化叠在同一天,才会让这次送额度看起来像没发生。 需要说清楚,这次讨论的是 chat gpt work 和 codex 的 付费使用额度。它不是所有普通 chat gpt 对 话永久不限额,不同模型、不同功能与不同账户,依然有各自的额度和重置时间,以产品内显示为准。 真正值得关注的不是白送了一次额度,而是 gpt 五点六 so 正在进入更高频更连续的工作流。 所以这次额度回来,别只拿去零散问几个问题,用它跑一次完整研究一个长任务或者真正需要连续执行的复杂项目额度。真正值钱的地方,从来不是多问几句,而是把一件复杂的事跑完。

你根本就不懂我,你不说我怎么懂你啊?真正的懂不需要说, 你说了我不就懂了吗?说出来有什么意思啊?我不说你也应该懂。我没有。呃,我又不是算命的,我怎么知道你几个意思啊?没什么意思, 确实没意思,现在我说话你觉得没意思了是吧? 是我说的没意思吗?我说没意思就是没意思吗?那你倒是告诉我你到底几个意思啊?好,那我先 现在告诉你我说的是什么意思。好,我听着呢,你说吧。你的意思是什么?请问我刚刚说的所有的意思分别是什么意思? 你刚才表达的意思可能是感到被忽略或不被理解。当你说真正的懂不需要说,可能意味着你希望我能更加体贴和理解你的感受而说说出来有什么意思,可能表达了你的失望, 觉得如果需要明说才能被理解,那这种理解就失去了意义。最后,当你说没什么意思时,可能是对当前对话或情况的不满或沮丧,这是我的理解,你觉得呢?那你现在知道错了吗? 啊,我知道错了。亲爱的,我会更努力理解你,不让你觉得被忽略或不被重视。

你有没有发现,像 chat gpt 或者别的 ai chatbot 提问,哪怕你连续把同一个问题原封不动的问上三遍,得到的回答每次可能都不一样, 有时候是语气变了,有时候是粒子换了,甚至逻辑结构都有细微差别。这背后有个非常核心的概念,就是采样。今天我们就来把它彻底弄明白什么是采样。为什么 ai 每次回答都不一样?我会带你从语言模型如何生成一个词开始, 一直聊到温度、 topk 这些控制随机性的旋钮。看完你就知道 ai 是 怎么选择下一句话的了。 要理解采样,得先知道大语言模型工作的基本原理。这类模型本质上是一个下一个词预测器。 你给他一段文字,比如今天天气真,他会在内部经过一通计算,最终输出一个概率分布。这个概率分布覆盖了他的整个词汇表,上面写着每一个词。接在这句话后面的可能性。比如好的概率可能高达百分之六十,热是百分之二十五, 糟糕是百分之三,晴朗是百分之八。还有一些特别罕见的词,概率接近零。这个分布图可以想象成一个装满不同颜色小球的池子,球的大小就代表概率的大小。蓝色好的球占了快三分之二的空间,红色热的球也不小。 那接下来该怎么选词呢?最原始最直觉的办法就是贪心解码,每次只挑那个概率最高的词输出。对于今天天气真,就选好 下一拍,再根据今天天气真好接着算下一个词的概率分布,继续选最高的。这么一路走下来,你会发现, 面对完全相同的开场,这种策略永远会生成一模一样的文字。就像一条修得笔直的铁轨,火车只能沿着唯一的路线开下去。可问题也来了,纯粹贪心选出来的文本往往有个毛病,他太安全、太平淡了, 还容易原地打转,老是重复一些高频词,读起来就像在念公文,你想要的惊喜、比喻、幽默感在这种铁轨上跑不出来。所以,为了让 ai 能写出更自然、 更有人味的内容,研究人员引入了一个关键动作,就是采样。简单讲,不再死盯着概率第一名的词,而是把整个概率分布当成一个抽奖的大转盘。概率高的词,被抽中的机会大,概率低的词被抽中的机会小,但不等于零。回到今天天气真的例子, 百分之六十概率的好,被选中的可能性最大,但热情朗,甚至那个百分之三的糟糕,也有可能被偶尔翻牌子。这就把确定的轨道变成了一片充满岔路的田野模型。每次跑过这片田野,踩中的路径都会因为随机选择而略有不同,最终生成的完整回答 自然也就千变万化了。不过,纯粹的彩样也会产生新问题。词汇表里绝大多数都是常年概率接近于零的长尾词, 如果完全按照原始分布去抽,偶尔会踩中特别冷门的词,说出一句让人摸不着头脑的胡话。所以工程师给这个随机过程加了一个调节旋钮。这就是你在线下玩 ai 时可能见过的 temperature 参数,也就是温度。 温度的工作方式很形象,它会在把概率分布交给抽奖转盘之前,先对数字做一次数学拉伸或收缩。如果温度设为一,那就是原汁原味的概率分布 不动它。如果把温度调高,比如到一点五或者二,原来那些概率很低的冷门词,概率会被相对拉高,整个分布变得扁平,抽中冷门词的机会变大。这时候 ai 说话会脑洞大开,比喻连篇,甚至带点疯疯癫癫的创意。当然, 胡说八道的风险也急剧上升。相反,如果温度降到零点五甚至更低,分布会被压的特别尖锐, 概率原本就高的词会变得几乎一蹶绝沉,概率低的词变得更没存在感。这时 ai 的 随机性大大下降,讲话会变得非常确定保守,更接近贪心解码的效果。如果温度趋近于零,那就几乎是每次都出同一个答案了。 除了温度,还有两条更精细的江神,就是 topkey 彩样和 top 彩样,也叫核彩样。他们的思路都是为转盘先划一个后选区,把特别不靠谱的词直接拦在门外, 只在优质词里面玩随机。 top k 的 做法简单粗暴,把概率排个序,只保留排名前 k 个词,剩下的全部砍掉,再把前 k 个词的概率重新归一化, 让它们加起来等于一。然后从这个缩小版的转盘里裁样,比如 k 取五十,那就每次只从概率最高的五十个词里随机挑。这样就彻底杜绝了各种奇怪的低频词蹦出来捣乱。 top 裁样就更灵活一些, 他不看固定个数,而是从最高概率的词开始往下累加,一直加到总概率刚刚超过一个域值。屁!比如零点九,那这个小集合里的词就是后选词。 这样做的效果是,在概率分布很集中的时候,后选词可能就两三个。在分布很分散,各种可能性都比较均匀的时候,后选项会自动变多,无论什么情况 都被圈在核心词汇里做彩样,既保留了多样化,又不至于失控。现在我们再回过头来看 ai 为什么每次回答不一样?这个问题答案就很清楚了, 真正的原因不是模型本身的知识变来变去,也不是他每次再重新思考,而是他在生成每一个词的那一刻,都进行了一次基于概率分布的随机彩样。 即使是意思完全相同的回答,因为是逐词逐词的抽出来的,最后铺成开的句子自然会呈现出不同的措辞、句式和举例。这套机制巧妙的模拟了人类语言表达中的那种柔韧性, 我们描述同一件事,也几乎不太可能两次说出完全一字不差的话。所以你可以把彩样理解成 ai 语言创造力的引擎,它允许模型在一片确定性的知识森林里采出属于自己的、略微摇晃却别有风味的小径。 如果你想让它严谨一点,就调低温度,收紧 topk 或 p 的 范围。如果你想看它天马行空,就放开这些限制。理解了彩样,你就拿到了调控 ai 性格的钥匙,知道为什么它每次都不一样,更知道怎么让它变成你更需要的样子。