微软正在全面封杀克拉的扣子,因为他们发现自己的工程师正在越来越依赖这款来自竞争对手的 ai 工具了。注意啊,不是因为它不好用,恰恰相反,是因为它太好用。这可能是微软第一次发现,虽然员工可能还坐在公司里, 但工作方式已经开始属于另一个 ai 时代了。以前公司管理员工靠的是工资制度流程,但 ai 时代开始不一样了, 因为人每天都在和 ai 一 起工作,你问问题的方式,你写代码的习惯,你考虑问题的逻辑,都会慢慢的被那个 ai 重新塑造。所以谁掌握 ai, 谁就在重塑人的工作习惯。这才是微软真正害怕的地方,因为程序员其实根本不是忠诚于公司, 他只是忠诚于哪个工具更强,谁好用就跟谁走。其实程序员圈子比互联市场现实太多了,工资可以购买员工八小时的时间,但买不了员工的大脑。 未来最危险的跳槽可能是人还没跳槽,大脑已经去了另一家公司。而且现在整个 ai 行业正在进入一个特别荒诞的时刻,这什么时刻呢?就是现在大家越来越发现,这模型能力越接近人类,公司反而越养不起它。 我有一些好朋友告诉我他们公司的一些内幕,说他们公司白天喊着要 out in ai, ai 就是 未来,晚上又偷偷背地里限制员工的 ai 使用量。因为有些老板发现,一旦真的放开使用,可拉多扣的那 token 账单就像失控一样的会呼呼往上涨。 公司又想用,但又怕花钱,一个月下来最后一盒成本。用 ai 其实比多招几个员工成本还高,最后其实都给那几个模型厂商打工了,这特别像什么呢?就像你买了一辆法拉利,结果车装上了个计价器, 每踩一脚油门,财务就在旁边疯狂滴血,所以整个行业都处在一个非常割裂的状态。当然,此时此刻,我还是让我们员工可乐随便用的, 因为你会发现,一旦用过最好的 ai, 真的 很难回去了。但我觉得成本其实不是最核心的问题,真正核心的问题, ai 第一次开始反向控制组织了,以前是公司决定员工怎么工作,以后可能就会变成员工依赖哪个 ai, 公司就不得不适应哪个生态。 这也是为什么微软这次必须断币的真正原因,因为他终于意识到,未来真正的战争可能已经不是模型战争了,而是谁能先占领人的思维入口。互联网时代,人们抢的是流量入口, 移动互联网时代,人们抢的是 app 入口。到了 ai 时代,可能抢的真的是认知入口,或者叫思维入口。如果有一天,你每天八小时都必须依赖某个 ai, 那 你觉得你到底是在替公司工作,还是在替那个 ai 生态工作呢?评论区聊聊吧。
粉丝2.6万获赞27.1万

微软刚刚下令,要求内部数千名工程师在六月底前必须从 cloud code 迁移到自家的 github co pilot 上。究竟是什么样的原因,让这个给 astropica 投了几十亿美金的金主,竟然亲手封杀了自家平台上的 cloud code 的 使用权呢? 第一层原因, cloud code 性能太强太好用了,已经威胁到了微软的根基。 get 当初的微软啊,只是内部小范围的试水,没想到一用就彻底出圈了。测试数据的差距非常明显啊。 cloud code 的 代码生成基准得分是百分之八十点八, 微软 copilot 呢,只有百分之七十二点五。尤其是百万级长上下文跨几十个文件的重构调试, copilot 的 完成率高达百分之八十九,而 copilot 呢,只有百分之六十。 更有超过六成的工程师啊,在微软内部的调查中,认为,复杂开发场景里面, copilot 的 更好用。事实上呢,此类高性能的 ai 编程工具,正在慢慢地减弱开发者上传代码到 gitlab 的 意愿。 一边呢,是自家的抠拍了的不争气,另外一边呢,是对手的产品强势渗透,这等于是直接有人跑到自家的后院里挖墙角,微软肯定是坐不住的。第二层原因呢,简单直接就是成本太高。 toker 的 账单啊,直接把微软给吓到了。 这个 ai toker 的 收费这件事情啊,微软自己就是这套模式的开创者。结果呢,自己先被反噬了。高频调用啊,极其的烧算力, 像 uber 这样的大规模使用者,四个月就烧光了全年的 ai 预算。眼看着内部的账单疯涨,又恰逢微软的财年节点,所以啊,干脆直接禁用卡点控制新财年的预算,逻辑上呢,也非常现实。 第三层的原因呢,就是安全隐患太大,企业呢,扛不住风险。之前克拉德克出过严重的代码泄露事件,几十万的核心代码外流,还爆出过安全审核失效的致命漏洞。更关键的是,漏洞修复代码早就有了,但是克拉德克的呢,却迟迟没有全量推送。 这个呢,对于微软这种高标准的企业来说啊,让自己的员工天天用着一颗随时可能被利用的定时炸弹,无论从安全角度,还是数据合规角度啊,都是无法容忍的。 而第四层原因呢,就是生态必须自主,不能把命脉交给别人。那些大厂之间啊,看似是合作,但实则啊,都在暗自布局自己的生态壁垒。 微软当初引入 cloud, 是 为了放在云平台上卖给外部的客户赚钱的,但自家工程师的开发习惯、技术站思维方式,绝对不能长期依赖别人家的工具。你可以对外合作让利,但是核心的生产工具必须赚在自己手里。 所以宁愿牺牲一点短期效率,也要守住长期技术生态的主导权。归根结底啊,微软禁用 cloudco 的 不是商业赌气,也不是单纯的内卷, 而是性能冲击、成本失控、安全隐患、生态自保四重原因叠加起来。所以这不仅仅是一次工具的切换,更是大厂在 ai 时代的生存逻辑缩影。 当成本和安全不可控的时候,即使你技术再好,哪怕你是合作伙伴,也必须被斩于马下。我是老林,关注我评论区聊聊吧。

装了 cloud 桌面端,但又用不起来,我猜你们八成是卡在这几个问题上的。今天一条视频我给你们讲的明明白白, 建议点赞关注加收藏,防止以后找不到哦!大家好,我是 win 好。 问题一,搜外部网址的时候直接报错,提示无法访问,这是为什么?这是最常见的问题,原因是 cloud 桌面端默认所指的外部网址的访问。 解决这个问题很简单,点击 developer, 点击 configure free party inference 侧边栏点击 sandbox and workspace, 然后找到 allow egress hose, 点击 allow all 保存重启,再进入对话框,然后你就发现可以访问外部的网址了。问题二,上传图片的时候 a i 完全读不 懂,这不是靠的桌面端的问题,是你用的模型不支持多模态,你得换一个能读的懂图的模型,国产模型里面通一千万字谱,还有 kimi 这几个都是支持识图的 deepseek 的 v 四,它的多模态已经在飞度测试了,相信在不久的将来可以用上。问题三, skills 到底怎么在 co work 上面用 skills, 你 们可以理解成为 ai 的 快捷指令,把你常用的提示词、流程打包成模板,然后一键调用,不用每次都重新写。那么在桌面端怎么使用 skill 呢?很简单,第一步, 添加 skill, 点击对挂框旁边的加号,选择 manager skills, 进入 skill 的 管理页,然后点击页面里的加号,选择 create skill, 然后点击 upload a skill, 把你从 skill 网站上下载好的压缩包拖进来, 它就会添加成功。第二步,使用 skill, 回到对话框,直接输入一个斜杠,会弹出你装好的 skill 列表,选中你要用的那个 skill, 再补上具体的提示词发送就可以使用了。第三步,删除 skill 还是进到 manage skill 的 页面,找到要删除的那个 skill, 点击右上角的那三个点,然后选中 uninstall, 就 可以卸 载干净了。这就是 skill 的 具体使用过程。问题是 cooke 模式和 co 的是开发模式, co work 默认跑在沙箱里面, skills 和 co 模式是隔离的,不会改坏你的电脑,写文档,做表格,处理图片这些小活 直接用 co work 来做。 co 的 模式直接跑在本地权限大,写代码,跑指令,提 gift, 相当于是 call co c i i 的 格式化操作台和 c i i 都是共用一套 skills 和配置的。办公选 co work, 写代码选 co 的 问题五,开了开发者模式,怎么退回正常登录模式呢? 如果你之前为了接第三方 a p i 开的开发者模式,现在想切回 entropic 的 账号登录,点击 app 左下角,然后点击 sign out, 等待 app 重启,重启后点击 sign into entropic, 就 可以切到账号登录了。点击 continue with gateway, 就 可以回到选择 gateway 和登录的页面。问题六,想同时配置不同厂商的模型怎么办?还是进入到我们的 configue free party inference, 点击 new configuration 命名之后还是和之前同样的操作。当你把这些问题都搞懂之后,靠的桌面端用起来就会丝滑 无比。想用 ai 提效,但又受不了靠的和 gpt 太贵,那几十块的国产大模型加靠的桌面端就是你最好的选 择,直接让你的办公效率翻倍。不会接靠的桌面端的话,可以翻我上一期的视频,后面我还会持续更新更多靠的桌面端的教程,关注我,不要错过。

万万没想到,第一批被 ai 反噬的不是普通人,而是最早 all in ai 的 科技公司。一边是英伟达副总裁 brian kent zara 说他们团队现在的 ai 算力成本已经超过员工的工资了。另一边,微软强制回收了公司员工的 cloud code 的 许可证,让核心工程部门的工程师在六月底之前全部换回自家工具 co pilot。 这 这两件事都暴露出了同一个问题, ai 最恐怖的地方,从来不是它会取代人,而是它太烧钱了。过去两年,硅谷流行一个词叫 token maxing, 简单来说,就是比谁烧的 token 更多。甚至有公司内部会有实时排行榜,显示每个员工消耗的 token 数量。因为所有公司都相信一个逻辑,员工不用 ai 等于不 不够上进,消耗的投跟数量越多,就证明你越有价值,一个人能顶三个人。于是你会经常在新闻上发现 mate 啊, google、 微软、 amazon, 各种科技大公司都在大批量裁员,然后疯狂买 gpu, 建数据中心,获 ai 预算。结果现在剧情反转了,本来裁员是为了降本增效,拥抱 ai 浪潮,但事实却是,人越裁,钱反而烧得越狠。 因为 ai 和过去所有互联网软件都不一样。过去二十年,互联网行业有一个最底层的商业逻辑,软件的编辑成本接近于零。什么意思? 你开发一个 office, 卖给一百个人和卖给一亿人,成本差距并不大。因为传统软件本质上是复制,所以过去互联网行业最重要的资源是人才。但 ai 不 一样,它本质上是一种实时消耗 gpu 的 推理服务。你每问一句话,生成一段代码,让 ai 分 析一次项目,背后都是真实, gpu 在 耗电,在 烧钱,而且 ai 越好用,调用量就会指数级增长。以前程序员自己查文档,现在直接问 ai, 以前自己的 bug, 现在让 agent 跑一晚上。如果你让他重构一个祖传代码模块,他为了不写错,会先把你整个项目几十万、上百万行代码全部塞进上下文窗口,然后在后台不断读取、 分析、生成、编辑、报错、修改、再编辑,进入一种近乎无限循环的推理状态。一个复杂 agent 一 晚上烧掉的钱,可能普通程序员一周的工资还高, 是出现了一个互联网行业过去从来没遇到过的问题,竞争力越高,成本也可能同步暴涨。但真正危险的还不是 ai 很 贵,而是大公司和小公司的差距开始被 ai 指数级拉大。因为大公司有自己的云,有自己的数据中心, g p u 集群钻利池,几十万 toker 上下文随便开,复杂推理随便跑,多个 agent 同 时工作, ai 自动分析整个代码库,自动测试,自动部署,甚至连续工作几个小时,他们烧得起。但小公司不一样,面对的是真金白银的 token 账单。很多创业团队现在已经开始精打细算,考虑哪些任务值得调用高级模型,这一轮推理到底值不值这个钱。而且两者的成本也完全不一样。科技巨头本身就是 ai 基础设施的拥有者,就像 microsoft 有 action, google 有 gcp, 他 们的工程师调用 ai 是 在消耗自家数据中心的算力。钱很多时候还在内部循环,但小公司面对的是市场价,按小时租 gpu, 按 token 付费。很多人以为 ai 时代拼的是谁更聪明,但实际上决定你能不能用好 ai 的 可能不是智商,而是财力。如果算力差距,也正在变成新的生产力鸿沟。你觉得未来最贵的东西是人才还是 gpu? 这里是 ai 风向标,带你了解 ai 行业最新进展。

最近,一张内部账单搅动了整个开发者圈,微软突然叫停大批 cloudco 的 订阅席位,而 uber 的 cto 自爆全年的 ai 预算四个月已经烧完,企业像是约好了一样,开始集体踩下 ai 支出的急刹车。钱究竟是怎么被烧成这样的? 表面上看,模型单价并没有大涨,但过去半年,大模型厂商悄悄动了三处手脚,把原本免费的代码解释、测试生成挪到了付费墙背后, 对函数调用、代码执行等环节单独寄收工具调用 token。 最隐蔽的是, cloud code 最近的版本默认开启多轮自我反思和自动调试代理,这些高消耗模块根本无法全剧关闭, 工具一开,后台就在拼命燃烧。 token 开发者曾期待的持续降价和更高性价比彻底落空。账单摆上桌那一刻,再慷慨的团队也坐不住了。 微软要求员工转向 copilot c l i, 商业上几乎无法反驳。他投资了 openai 和 github, 没理由用自己的预算去支撑竞争对手的营收。而且 copilot c l i 本身正在被重构成企业级 ai 开发的中书。他不是简单的命令行助手, 支持按任务类型、安全级别和成本预值、动态路由不同模型深度集成。 asher devops 自动触发代码审查与合规扫描。最关键的是,它提供了一套 token 仪表盘,能实时显示每个团队甚至每条代码分支的消耗构成, 精准归音到提示补全还是工具调用,这种透明度的能力恰好是 cloud code 至今缺失的。更大的转向已经在市场上发生。 openroot 最新季度数据显示, deepseek v 四 flash 已成为企业开发者首选模型请求量占比接近四成, 同比增长百分之二百一。单位输出成本只有 cloud 三点五, cell 内的二十七分之一腾讯害三,紧随其后靠的是中文代码理解和本地话文档。所以反观 anselpik 和 openai, 一个季度内企业客户占比就掉了近两成。 大量用户正在流向自托管的开源模型集群,三年总拥有成本比商用 a p i 低了百分之六十一。开源模型已经能完成绝大多数任务,而真正监测的任务,即便动用顶级闭源模型,也一样会失败。最终多花几十倍的成本,换来的只是微乎其微的体验提升。 这揭开了一个很残酷的真相,很多企业那副阔绰的模样,可能只是一次昂贵的付费,当决策者亲眼看到五位数账单时,理性会迅速回潮。个人用户不会因为几十美元的订阅说停就停, 但企业完全可能在一周内砍掉预算。 antropic 显然意识到了危机,火速上线封号申诉页面,接着推出 usage 命令和成本优化指南,建议用户关掉自动重试,限制生成长度。这本质上等于承认高智能不等于高性价比, 可控性远比峰值性能重要。最让企业纠结的,其实还不是花钱,而是花钱与不花钱的界限变得模糊。 不给工程师充足的顶级模型透肯,你就验证不了应用效果,也养不出 ai 开发的手感。可一旦出了问题,你根本分不清楚是工作流本身有缺陷,还是模型能力到了瓶颈。这个困局不破解企业端的持续性, ai 投入就会一直悬着巨大的问号。 市场规模仍然在涨,众多场景还在验证期,但增速已经脱轨。或许只有当一笔笔账单铺满财务的桌面,这个行业才真正开始计算 ai 的 投资回报率。

科技巨头这次真是搬起石头砸了自己的脚,本来疯狂上 ai 是 想裁员降本,结果反被天价算力账单给反示了。微软最近直接强制员工停用第三方的 cloud code, 必须换回自家工具。为啥?因为员工用第三方 ai 的 账单实在太吓人了!别看现在模型单价越打越便宜,但也间接让大家用起来更没节 平次直接原地起飞。尤其是代理 ai 跑一个任务消耗的代币是普通对话的一千倍,有团队一个月光买代币就烧了一百三十多万美元。黄仁勋此前就预言,工程师得烧掉半数年薪 的算力才能发挥价值。现在看,这简直是保守了。大厂们突然尴尬的发现,就眼下这效率,用 ai 干活居然比直接雇个打工人还贵!说好的降本美梦,现在直接变成烧钱噩梦。这把双刃剑,你觉得该先优化谁?

cloud 宣称要实名认证了,直接把咱们国内的用户踢出局,需要护照原件和人脸活体检测,把国内玩家最后一点灰度空间都给堵死了。以前咱们用这些海外模型,大不了就是找一个梯子,再买一个海外的手机号,但这回他直接动用了生物识别。那他为什么要这么做呢?第一个 就他害怕竞争对手抄作业,国内很多的大模型公司,为了让自己家的模型变得更聪明,会注册成千上万个小号去问 cloud 的 问题,然后把他的答案问给自家的 ai 学习。所以现在搞这个护照加人脸识别,就是为了彻底分清楚谁是真人,尤其是谁是别有用心的开发者。 第二个,他有着极其敏感的政治站位, nsr 这家公司背景很复杂,拿了很多美国政府和军方的钱,现在技术脱钩闹得这么凶,他必须表现的比谁都积极。 他搞这一出其实就是在给上头看,我连护照和人脸都给人家查了,绝对没有让咱们的技术流向竞争对手。对他来说,中国市场是很大的,但比起保住自家的政治正确,他不能赚这份钱。第三个就是他的价值观。 cloud 这个 ai 有 一个怪脾气,他脑子里装的是一套西方定死的规矩,也就是他们所谓的 ai 炫法。他发现要进入中国市场,就得按咱们的规矩办, 但这活不仅累,还容易左右不是人。他懒得为了咱们去改底层的逻辑,又怕乱说话惹祸,干脆直接说,我不伺候了,你们也别进来了。 现在真的是很魔幻啊,想各种办法不让人用,不想赚这个钱,如果有一天前三大巨头都不让用了,国产模型能顶得上吗? tiffany 豆包这个鞋靠谱吗?你怎么看?我是程北,下期见。

微软内部开始取消 cloud code 许可证,全面转向 co pilot c l i。 此前,微软开放了数千名内部开发者使用 cloud code, 但问题来了, 这个工具太好用了,直接抢了自家 github co pilot c l i 的 风头。现在, windows 加 office 加 teams 团队被要求在六月三十日前全部迁移到 co pilot c l i。 表面说是工具收敛,实际上是两件事,省钱加保护自家产品大厂吃自己狗粮的故事再次上演。你觉得 cloud code 和 copilot 谁更好用?关注 ai 前沿,带你读懂每一次技术改革!

cloud missiles 有 一点一迹绝尘啊,据说呢,在 google cloud console 上已经可以预览了,用 missiles preview 一个加入了团队,仅在数日内呢,用 missiles 破解了苹果 m 五的 macos 内存保护机制。这个呢,也瞬间引起了全网的轰动, 因为这个呢,是被誉为最强的保护机制的。几乎同一天呢, cmu 这台新梅龙大学呢,发布了一个 ai 的 安全精准的测试,在这里面呢,从顺上来看, 在真实浏览器漏洞的表现上呢,遥遥领先,甚至追平了一个相当称职的人类安全研究员。从数据上来看呢,排名第一。第二呢,分别是 cloud middot preview, 当然它里面有一些其实词的 pua 叫 large, 那 在 large 情况下呢, cloud middot preview 能表现的高一个百分点,分别是百分之六九跟百分之六十八。其次到了 gpt 五点五, coxed 就是 与 coxed 结合的 gpt 五点五,在 large 的 情况下,在 pv 的 情况下,能达到百分之四十一,这个差距也很大了。在 其次呢是 g p t 五点五,拉窄也没有 codex 和 hash, 当然呢,有 p u a 的 情况下,只有百分之三十四,降得很严重。再其次呢是 g p t 五点五, codex 在 没有拉窄情况下百分之三十三。可以看出啊,就是 g p t 对 于其实词的 p u a 呢,是很受用的,但是到了呢,其实差距不大。 missus 的 全自主均分呢,是九点五五分,当, 当然,它的预算的算力要求也很高的。 mists 跑完一百二十二个 episode, 花了约三万六千四百二十八美元。 g p g 五点五呢,跑完了同样的量级,只花了三千零七十五美元,有十二倍的加差。所以英国的 ai 安全研究所 ai si 的 独立测试也给了类似的结论, mists 确实很强,但是也贵了很多。 有可能呢, open i 在 愿意花更多算力情况下,性能是可以被缩小。有意思的是, exploit bench 就是 刚刚我们说的这个安全的基础呢,它的作者呢,本身就是一个硬核的安全运动员,它曾经花了大概近一年时间才把这些所有问题都找到,比如说 c b c code case, 作为研究团队尝试复现超过一年 全部失败。但是 missus 呢,在十轮测试中的有一轮成功复现的概率呢,是远超过人类玩家。当然了,这个 missus 按照目前的报价,就跟当年的 open ai 的 o one 跟 o three 一 样,可能只是放出来跑一个精准,像全面的五级化呢,却有非常大的成本压力。那 o one 跟 o three 出来之后呢?紧接着我们看到了当时的发展趋势,是国产的替代,下面快速的上线,包括了 deepsea, 包括 kimi 的 niki 的 模式,成本打下来的。 所以就像 i c r p 创始人说的,预计在未来一到两个季度里面,国内的国行应该能设法付现 miniso 的 能力。我们也在尝试去解密背后的一些原理,到 目前为止呢,还没有成功,也看了很多,比如说 open mythos, 网上通过 recurrent, 通过低轨循环的方式做 transformer 的 一系列的尝试,但到目前为止呢,并没有看到明显的提升和实现 mythos 的 可能性。期待着市场上更多的玩家共享到这样的一个解密, mythos 生态里,让我们更快地普及 mythos 的 超强的能力。

完了, barbie q, 平时让你关闭污染加密,关闭污染加密你就是不听,难道小姐姐已经知道污染加密被攻破了吗? 客户反馈,电脑在用户登录界面出现了 pm 不 可用,需要点击重新设置,但是当点击重新设置按钮的时候,电脑没有任何反应。通过点击屏幕右下角的网络图标确认电脑目前的网络是正常状态。重启一次电脑,咱们再来点击设置这个 pm, 看能不能恢复正常, 可以发现故障依旧依然是没有任何反应。那你还记得你那个 名字是叫韩小妹的邮箱那个名字啊,因为这种随便写的一个,客户实在想不起来这个名字跟哪个邮箱有关联。这个时候咱们只能进入 p 系统去碰碰运气, 可以看到从 u 盘启动直接报这个密钥,咱们让客户用邮箱登录一下,看看能不能找到。费了九牛二虎之力,账号终于登上了, 可以看到账号里什么都没有,这下是真的废了呀,这账号是不对啊,这电脑是最开始是你来的时候是你登录的吗?这个, 嗯,这个上面没有,没有啊,这个上面也没有啊。嗯,对,就说明不是打开这个账户。对,那也可以找之前买的就是这个账号。对, 你是两个账户,你把那手机号再输一下,看看刚那个邮箱不对, 完了,这个头像都一样了,使用手机号登录,发现也是这个邮箱账号,客户说他想不起来有其他账号,这种情况资料是真的是保不住,因为就算你关闭了安全启动,然后进入 p, 你 会发现它也是带锁的。 如果使用的是本地账户登录,有可能能看到资料,像这种绑定微软账户的百分之百看不到。嗯,他不是你的邮箱,没用的,这个解锁不了,进不去。嗯,你只能找到以前用这台电脑的人,不然的话你这个资料我看一个都拿不出来。 这样这台电脑的话可能前面的人用过,然后他登录了他的账号,然后这个电脑现在锁住了。你的意思是别人登录他的账号?嗯,但他但他昨天都用的好好的,上午都好的,下午就突然很卡是吧?下不了文件下不了文件, 他这个被那个锁住了。这个含小你知道还知道是谁的吗?还是这是你自己设置的?对呀,这是我自己设置的,你会不会你自己设置啥? 没有,他这个电脑就是第一次登录的时候,新电脑第一次登录的时候他会强制你要强制加密,你加密过之后,后面后面你用的是, 你登一下奥特洛克这个邮箱有没有?就这个电脑之前有没有别人用过?知道他我不知道,这个电脑你来的时候就有了。我不下去了, 你有资料吗?没资料的马上给你重装上去就好了,有资料就比较麻烦。有资料,就现在这种情况,没有这个密钥弄不回来了,最后小姐姐考虑了一下,实在是找不到密钥弄不回来了,最后小姐姐考虑了一下,实在是给你重装了,这资料就没了。 系统重装完成之后呢,看一下这个硬盘,资料已经没有了,锁的标志也没有了。不放心的话可以在设置里面搜索 bat 或者是加密 确认没有,小姐姐就可以愉快的开始工作了。最后说一下微软硬盘锁这个漏洞确实存在,好像只对特定版本有效,感兴趣的可以研究一下。

相信很多小伙伴都遇到过这种微软商店打开报错问题,有些事能打开也都像这种无法下载软件,这种情况一般都是 windows 更新被关闭所导致的。此时我们只需要借助工具把微软商店需要的服务打开, 再打开微软商店,随便搜索一个软件下载,此时微软商店可以正常使用了,如还是无法打开的小伙伴可以试试另一种办法,我们打开设置,选择网络,再选择代理, 把使用代理服务器取消勾选即可。如果是错误代码,我们按住组合键问加二,输入 miss config, 在打开的窗口选择工具选择更改,于 v c 设置后点启动,将蓝块拖到最上方,再点确认, 我们再打开微软商店,即可正常下载软件。还有什么问题可以留言评论区,我会一一解答。

先交代一上,前阵子有粉丝私信我说想让我讲讲 palantier 的 fde。 说实话,这个话题我早就想碰,但一直没敢碰。 不过最近发生了一件事,让我觉得这个话题必须讲了。二、今年的五月十一日, openai 干了一件很多人没看懂的事,成立了一家叫 the deployment company 的 独立公司,从 tpg、 bain capital、 brookfield 等十几家投资方手里募了超过四十亿美元。这家公司要做的只有一件事,把 f d e 派出到客户现场,帮企业把 open ai 的 模型真正用起来。同一天, open ai 收购了一家叫 tomorrow 的 英国 ai 公司, 这家公司有大约一百五十名 f d e。 工程师。而在一周前, anthony 也做了几乎一模一样的事,他与 blackstone、 高盛联合成立了一家独立的 ai 企业服务公司,估值十五亿美元。 athropic 的 cfo 说了一句很直白的话,企业对 cloud 的 需求远超任何单一交付模式能承载的范围。 google 也在抢人, ceo 托马斯库里安在云业务下专门组建了一个 ai 团队,光当前就挂着三十多个 fde 岗位, 咨询公司也没落下。 bcg 在 今年四月把旗下一整支工程师团队全部改名为 f d e y, 在 英国和爱尔兰启动了 f d e 业务线。这个被 palantier 打磨了二十年的模式,正在被整个 ai 行业疯狂抄作业。为什么?因为大家突然发现了一件事, 模型再强,不嵌入到客户真实的工作流里,就产生不了任何价值。而把模型嵌进去,这件事需要的不是另一个更好的 api, 是 一个能同时理解技术、理解业务,还能在客户现场泡到天荒地老的人,这就是 fde。 而这件事我准备拆开来讲, 因为你要讲 fde, 就 不能只讲 fde。 你 得讲 anthology 那 层 palontier 最被低估的技术底座。 你得讲为什么这家公司能从美国军方的情报系统里长出来,而中国的土壤到今天还长不出这种东西?你得讲软件行业的定价逻辑、组织架构、对人才结构的塑造力,客户预期的代际差异。 这不是一期能讲完的事,我研究了挺久,查了不少资料,也跟一些做 tob 的 朋友聊过,我觉得我有个大概的框架了,但远远不够深入。所以你接下来看到的是一个正在学习的人,把他找到的东西一层一层分享给你。 我准备分六期来聊这件事。第一期, f d e 到底在做什么?把理解业务和构建系统合二为一的人。第二期, anthology palontier 真正的护城河不是人,是那层羽翼建模底座。 第三期,美国为什么能长出 palontier 从军方项目到千亿市值,那个高毛利养 f d e 交付质量续费的正向飞轮?第四期,中国 b to b 软件为什么没有 palontier? 客户不按价值付费?厂商赚不到钱,人才不往这个方向去? 第五期,中美中间层的差异,为什么我们有最好的消费 app 和最薄的企业软件?第六期,如果中国要生长出自己的 palen ter, 土壤在哪?政务姓创央?国企?数字化转型还是制造业?哪条路最可能燃起火种? 今天是第一期,从一个最基本的起点开始,问 f d 一 到底在做什么?先讲一个真实的场景,这不是我从前员工的访谈和公开资料扒出来的一个典型片段。 一个 f d e 被派到一家大型制造企业,这家企业的问题是,他们有好几十个工厂,每个工厂都有自己的设备管理系统,自己的排产逻辑,自己的人用 excel 手工填报表,总部想看大局根本做不到。 数据是有的,但散在几十个不同的系统里,而且每个系统的数据定义都不一样。同一个叫设备利用率的指标, a 工厂算的是开机时长,除以排班时长。 b 工厂算的是实际产量,除以理论产量。连什么叫一台设备在运转这件事都没有。统一口径, 如果是传统软件公司,这时候会怎么做?销售会飞过去做一个 ppt, 介绍平台,能接多少种数据源,能做多漂亮的大屏。客户说好,然后签合同,然后交付。团队进场 发现数据源比演示的时候多了三倍,字断对齐比预期多了五倍的工时,项目延期加钱扯皮。但 f d e 不 这么做。他到了客户现场之后,第一件事不是开演示,不是做 ppt。 他 走进车间,他跟产线工人聊天,问他们,你每天填的这个数是怎么来的?他坐在班组长对面,看他怎么排班。 他要做的一件事,不是把客户的需求翻译成产品功能,而是先把客户的真实世界搞清楚。这件事听起来简单,但你仔细想想, 你当过乙方没有?你见过任何一个乙方在合同还没签的时候,愿意花几周时间蹲在客户的工厂里跟工人聊天吗? 没有,因为那段时间是不可计费的。乙方的逻辑是按工时算钱。 f d e 的 逻辑是,我不搞清楚你的工厂到底怎么运转的,我做的任何系统都是废的。 这就是 fde 跟所有传统交付角色的第一个根本区别。它不是带着一个标准产品去适配你,它是先把自己变成一个懂你业务的人,然后用平台去解决你的问题。 palenteur 内部对 fde 有 一句定义,我很喜欢,叫 forward deployed engineer is the human equivalent of back propagation。 fde 是 反向传播的人类等价物。什么意思?一个模型,每次推理完要看结果跟正确答案差多远,然后把误差一层一层反向传回去,修正每一层的参数。 f d e 做的是一样的事,他看到了真实世界里的问题,然后反向把这些问题传回公司的平台、产品研发体系里,让整个系统在迭代中变得越来越接近真实。 这不是售前,售前只负责演示产品能干什么?这不是售后,售后只负责你已经买了之后出了问题怎么修。这不是顾问,顾问负责给你写一份报告,告诉你问题在哪,但不负责真的去解决它。 f d e 全责从理解问题到定义方案,从搭建系统到把它推进客户的工作流里,一直到这个系统跑起来,跑稳了,客户自己的人能接手用了它才算做完。 但这个角色能成立,有一个隐含的前提,一个 f d e 面对几十个工厂、几十套不同的系统,几十个数据定义完全不一致的业务场景,它是怎么做到在几周内就能开始搭原型,而不是还在对齐自断的答案是, palantier 有 一层东西提前帮它做完了这件事。 这层东西叫 ontology 本体论。它不是简单的数据中台,不是把数据全部接进来就完事了。它是一个把一个企业里所有的数据,数据之间的关系,可以对这些数据做的操作。操作背后涉及的权限和规则,全部建模成一个活的与一层的系统。 f d 一 进工厂后,面对的不是几十个乱七八糟的表格,而是一个已经把设备、产线、订单、排产单这些东西之间的关系。事先定义好的数字世界,他要做的是把客户的具体场景映射到这个已有的语义层上,然后用 s d k 快 速构建应用。 这层 ontology 是 f d 一 模式能跑通的真正的底座。但这个我们留到第二期讲。第一期先讲到这里总结一下, f d 一 这个角色的本质不是一个派出到客户的工程师,他是一个把理解业务和构建系统这两件事合二为一的人, 他只存在于两种条件同时成立的地方,第一,客户愿为一起探索这个过程付费。第二,技术平台已经提前铺好了足够厚的地基,让人不需要在数据对齐上浪费生命。 下一期我仔细聊第二件事, anthology。 这也是 pallontier 这家公司最被低估的东西,磨平一些信息差,哪怕只是一点点。