做AI的粘合剂，小团队可以干大事
- 发布
- 2023 年 5 月 13 日
- 时长
- 1 小时 1 分
- 主播
- 任鑫、徐文浩
- 收听
- 小宇宙（节目主页）Apple Podcasts喜马拉雅
徐文浩与任鑫从各自的实践出发，讨论大语言模型落地应用的真实难度。徐文浩认为国内开源模型在逻辑推理上仍与 GPT-3.5、GPT-4 有明显差距，微调也难补足；任鑫的解法是广撒网做多条产品线，并把一件大事拆成多步骤、多角色来降低单次要求。两人还辩了 to C 的机会：需求不是被满足而是被将就，拼多多、Do Not Pay、Be My Eyes 都证明了被生产力门槛挡住的需求真实存在，AI 时代的 to C 应该更像做游戏。
- 徐文浩评测国内开源模型：自然语言生成还行，但复杂逻辑推理能力基本缺失，甚至判断一张销量表上升还是下降都做不好。
- 微调不能显著提升逻辑推理能力，SFT 主要改善的是语言表达和对齐，底层能力还是取决于基座模型。
- 任鑫的应对策略一是同时铺五到十个产品线，哪个卡住就换另一个；二是把任务拆成多步并给每步分角色。
- 两人认为 to C 真正的大机会来自被生产力门槛挡住的潜在需求，而不是从现有需求里切一块。
- 拼多多的例子说明新增用户不是从淘宝京东抢来的，而是原本因账号、搜索等门槛进不来的非用户。
- 任鑫用 GPT 把写课这类长闭环大事拆成十个记者式提问，从降低注意力门槛而非分配精力。
- 团队效率的最大提升来自环节和人数变少：AI 让一个人从头做到尾，省掉沟通与对齐成本。
- 数字人赛道前景广但难赚钱，因为供给泛滥、客单价下行，能否赚钱取决于原本这个位置上的真人是否赚钱。
目录
点击跳到对应位置
- 开场：今年做产品要怂一点，但必须入场00:00
- Demo 惊艳、生产环境差一口气：AI 应用的现实困境01:04
- 任鑫的打法：广撒网多线并行 + 拆任务分角色02:56
- 私有化部署能到什么水平：开源模型的推理短板08:24
- 微调能不能补上推理能力13:42
- 为什么大家都做大语言模型而不是画画17:23
- 通用对话框是白纸：to C 需要 UI 来填空白18:35
- 拼多多与 Do Not Pay：需求是被挖掘的，不是被满足的26:51
- Be My Eyes 与打开被忽视的需求边界33:16
- to C 抢时间：短视频与社交会被怎么颠覆35:47
- 用 AI 管理精力：把长闭环拆成短闭环40:19
- AI 与团队协作：少点人、少点环节才是效率44:37
- 会议、听课助理有用吗：转录有用，总结一般48:43
- 应用层计划与今年做产品的心态51:26
- 海外有趣的 to C 应用：AI Dungeon、Call Annie、机器人版 Upwork53:26
- 数字人在直播和短视频的前景57:05
文稿
共 756 句 · 点段首时间或句子从该处收听，双下划线是重点词条，其他词条悬停可见
00:03建议大家就是今年做产品的时候都稍微怂一点，对。就是太不稳定了，就每一天都发生很大的变化，所以别别花太多钱，明年再入场，可能手就太生了，对吧？就必须今年就得入场。
00:21其实我我的疑问在C端嘛，因为我觉得真正的大机会一定在C端。我我能抢什么呢？就是说或者从你的视角，你觉得说从哪一个呃细分的角度切进去？我是能抢到的。
00:35需求是挖掘的，我们现在只是因为将就而已。那还有一些市场是完全被我们忽视掉的。我觉得我最看到让我就是感动的AI方面的例子，就是那个Be My Eyes。看到就是泪目啊，觉得盲人可以看到说那瓶酱油里面有什么东西。没有想过说比如说要给他们每一个会员配一个助理嘛，对吧？
00:55你最多配个导盲犬嘛。对。但是其实现在这些事情都能做了。
01:04我最近在在在画画嘛，用AI画画嘛，在做一些体验，就是包括也在实际拿一些AI做一些实战的应用吧，但是感觉就是还是会遇到一些挑战吧。这个，呃，不知道你自己试下来，因为你你自己也在做应用嘛，其实我比较好奇啊，就是说，就虽然大家都觉得这个东西很厉害，
01:26但是把它投进到实际的应用当中，我会比较好奇，你就是说你们会觉得说，呃，其实也是不只是你啦，我觉得是所有的，比如如果有观众在听，当他试着去把它变成一个自动的流程去把它做应用的时候，会觉得说，哎，这好像就有时候还觉得差一口气。就是得到的效果跟预期最理想的效果还是会有点差距。
01:47就是我我我最近其实有个问题啊，就是说因为我其实可能每个在做应用的人我都会想问一下，因为我自己也在做一些demo啊或者测试啊，包括和一些朋友做一些demo啊测试啊，就是我有一个体会就是说，就当你做很小的demo的时候，你觉得这个效果真惊艳非常好，但是你真的开始要把这个ChatGPT也好或者Stable Diffusion也好拿到这个实际的生产环节里，
02:11就是始终还会面临一个就是说它不是一次性就能给你一个成品，时不时的呢就是说你需要比如反复的重试呀，从几个答案里面选一个答案呀。或者说是说，哎，就是就是说你这个这个呃，直接让它用比较完全自动的方式还是不太行，可能还需要半自动，或者说需要人工去介入，去调一些prompt也好，或者说啊告诉AI说，根据AI给出的反馈或者报的错去调一些，
02:43说，哎，不是不是，你给它一些更明确的指令才能取得比较好的效果。所以我比较好奇是说，因为你我知道你也在尝试做一些应用应用嘛，会有这种感觉吗？还是说其实不是，是我没有掌握正确方法。
02:56呃，会有，我们有一些解决它的思路，包括今天还在开会，在碰。然后第一个就是，我们现在有一点点广撒网的打法，就是不是在做一个应用，因为你在一个应用上你其实就很容易卡住嘛，就做不好嘛。我们可能有五个十个。
03:16那这样子的话，哪个卡住了？那我们就先做别的，哈哈。这样这样子就就就你就不用跟天斗嘛，对吧？天时还没到这边，那那就暂时先这样，因为也不光是呃prompt engineering搞不搞得好，也牵涉到合作方是否靠谱啊，能不能推出去啊，一堆乱七八糟的事情嘛，工程上。
03:38所以就是我我们其实在在在在试一堆乱七八糟的东西，所以这样子的话稍微就呃前进的压力，因为你有十个十个线头的话，就是总有一个线头当下还挺轻松的，可以往前突进的。所以有有就就稍微好一点。然后第二个呢就是还有一个思路的话就是呃我们现在有一有一点点思路。
04:04就是有一点点像那个，嗯，Auto Agent那个那个那个思路。就是你不是prompt engineering，你把你把GPT当做一个整体的话，你就会去不断的去调它嘛。但是实际上，实际上哪怕是一个个人的那个人的话，其实你也有可能你半天都调不出来。
04:23你真的需要搞定什么事情，经常是需要一个团队的。所以这个时候有可能你需要的不是一步把这件事情做出来，而是相对来讲你要把它可能要拆成五步。然后这五步的时候的话，你还得给每一步分角色，甚至于中间有一步是人来完成的。有可能是这样子来做的。
04:43就比如说比如说你现在问那个GPT，你比如说我们现在也考虑做一个商业方面的一个相当于一个导师嘛。那比如说你让他你跟他说一个商业上的事情，然后让他给你一个答案，大概率他给你的是一个非常宽泛的一个东西，就没有什么没有什么价值的。
05:03比如说你说我的餐厅经营不好，然后怎么办，他就会跟你讲说经营不好，首先你要重视宣传，其次你要重视质量，然后怎么怎么，就讲这些嘛，对吧？对对对对。但是呢，如果你先问他说，那跟餐厅有关的，从商界给我三个三个framework，从设计学界给我三个framework，
05:23从比如说社会学界给我三个framework。然后你再说，然后再去判断一下说这九个framework里面哪两个是跟当下他提的这个问题这个场景比较相关的，比如说一个是讲，比如说叫做用户旅程，一个讲比如说社会学界讲，比如说人类的，比如说什么什么心理心理心理感受。
05:43然后的话呢，他就会从用户的旅程和每一步的心理感受去给你拆解，说餐厅用户进来之后每一步到底会是怎么样子，然后你在哪些点上可能还会有一些欠缺的地方，哪里有创新。这样子的话其实就相对来讲把它拆成了两步，呃，拆成了三步嘛。不是上来给你答案，而是上来先说相关的各个学界的有哪些模型。
06:05第二个呢。你挑挑哪个模型适合这事儿，然后最好是两个模型结合起来。第三步呢，你再用这个结合的模型去看说有什么事儿可以可以可以用。这个时候他感觉上就深度就深了很多。对。
06:18就就就拆了三个角色。对。所以也有一些这种奇奇怪怪的奇奇怪怪的搞法。当然了，也没有出现什么特别好的惊为天人的效果。只是我们现在合作的都是，嗯，相对来讲比较传统的。
06:34那这样子其实你不需要特别好的效果，大家就已经觉得很神奇了。就不，也有这个原因。
07:24已经很，你那那你那个就一次性要求很高嘛。对啊，我，
07:58但但是我觉得，就是但凡我们可以自己在家里面捣鼓出来的东西，哪怕是科技公司看了就觉得眼前一亮，在GitHub上给你多点了两两颗星。之后他也是转头就自己做了一个，对吧？他他最最多崇拜你一下，然后就发个推特说徐文浩真是我的永远的神。
08:17然后然后对，就唯一的区别只是他发这个推推特赞美你一下。对，你刚刚讲到那个能够看数据这边，刚好问你一下，我们今天因为我投了一个那个那个那个做商业地产的公司，然后今天在聊说，就是手头有很多商业地产的数据嘛，比如说那些那些mall里面到底那那每一层的图啊，
08:41哪个店跟哪个店相邻啊，然后附近的一些什么那个流人流量啊，诸如此类的。所以其实历史上就有很多报告在卖啊在做数据嘛。那现在的话，我们在商量说能不能把它做那个做AI化嘛。那这个AI化其实就是我有一堆数据，那其实用户就来问问这一堆数据嘛。
09:02原来就是问比如说类似于我自己私有化部署，因为有一些那个行业他们会有自己的想法嘛，有传统行业。那现在私有化部署可以到三的水平吗？
09:14我现在测下来大部分的模型我觉得都没到那个三或者叫三点五的水平吧，因为我觉得比较大的问题是，就是现在国内的模型或者开源的模型，我认为叫做它的，呃，自然语言生成的能力其实还可以，就是生成一段废话，对吧？或者说生成一段看起来说得通的话，这个能力其实还可以。
09:37呃，比较欠缺的能力其实是，呃，相对有一定复杂度的逻辑推理能力。就是说，你比方说，我给他两列数据，就你就假设你真的扔两列数据，你不用让他写代码，你就扔两列数据说，啊你看这个是我的销售数据，那个是我的客服数据，你帮我分析一下之间有没有关联，就这个能力。
09:58是GPT-3.5是有的，GPT-4是有的。但是我看到目前国内的开源出来的大模型，或者说你随便拿个开源模型，这个能力是非常差的，就基本上你可以认为没有。
10:10我如果要求低一点呢，就比如说，比如说我，因为商业场景比较难讲嘛，就我们讲一个假设说是一个不严重的医疗场景，就不是那种生死攸关的大病。那这个时候其实大部分的医疗的病也就是很标准化的嘛，我什么头疼啊，什么就感冒啊。都是一些标准病嘛，那标准病的话其实不太需要它逻辑推理，它其实就从以前的语料当中。
10:35这个就是个传统的问答问题嘛。对对对对。那那这个是我觉得是可以的呀，就是即使没有大语言模型，用传统的问答的这种用BERT之类的套路，基本上也能做到不错。
10:47就这个当中有很多很多传统的模型啦，就是有很多也不叫传统，它其实也是大模型，它都是在Transformer出来之后才出现的。只是说它不需要像GPT那么大的体量，对吧？你用一个这种，呃，如果是语义理解，现在有各种什么Sentence Transformer，对吧？
11:05如果是问答，有这种Cross Encoder，什么Godel，其实还是挺多的。开源的模型，我觉得你有自己的数据去调一下，应该都还可以。
11:14所以我的假设，我把需求已经弱化到，我不需要他去帮我做分析。比如说我问他说，哎。你觉得我们销售额下降是为什么？或者说你觉得我这家店最适合去哪里开，哪个mall去开？这种其实它就需要推理和分析嘛。
11:31就不问这种问题，或者说这种问题就把它拆成我们明确的一堆已经内化好的一个思维框架，已经给他，相当于我把它拆成是五个问题，然后从中间拼事实和我的强推理，我告诉他推理，然后出来。那其实我所需要的其实是在一大堆的偏结构化的数据当中，让他去找fact的能力。
11:57比如说他就问一问说，呃，成都。然后那个客单价比较高的shopping mall的那个最近一段时间销量上升还是下降，或者说是不是卖得好的店里面都有星巴克。如果他问的是这种事实性的问题的话，那是不是我现在搞一个开源的模型，拿一些数据来finetune，
12:19也是可能做出来的。
12:20你看你刚才那个例子，它其实还是涉及到一定的推理跟分析。对，我们我们我们去想一想，就是说，你得想这个事实性问题分成两种啊，一种是说，比方说我的这个问答对，我的数据里已经有了，对不对？比如说哎，头疼脑热应该喝感冒灵，对吧？那这个是不是就是说我可能我的输入训练的这种问答对里已经有了，那这个你用开源模型是很容易解决的。
12:46但是你刚才说的假设是说，说成都的最近的是上升还是下降，那我们可以把它拆成几个问题。第一个是说我先把它销售额拉出来，对不对？那这个我假设是可以的，你可以用类似一些，因为现在有很多人开源了这种写代码的模型嘛，它专门是写代码用的，
13:04像CodeGen啊之类的。那你让它去生成一个SQL，然后去你的数据表里把这个数据说，哎，成都过去一个月的这个每天的销售，每个月的销售额。它是能把这个干完的，这个靠开源模型能干完。第二个是说，好，你接下来有一张表了，有一份数据了，是从头到尾，比如四月一号销售额多少，四月二号多少，
13:23三号、四号。五号这样一个数据扔给他，然后说，哎，你帮我看一看他的销售额最近是上升了还是下降了？就这个其实是个推理能力。
13:31这就叫推理能力。这
13:33个是个推理能力，他得说，哎，我先得看一号的是多少，二号的是多少，两个比一比，然后出一个结论，对不对？
13:39开源的连这个能力都没有啊。我还以为是那种，
13:42你可以试一试啊，我的体会是不太好，就是我的体会是这个能力现在开源的也好也好，包括这个，因为我的假设是大部分所谓开源大家都在试一些比较小尺寸的模型嘛。在这方面能力其实都比较一般。OK，都比较一般，就不是很好，不是像跟GPT-3.5跟GPT-4的差距还是比较明显的。
14:03了解。你可以试一试，就是你可以试一试，就是说你把四月一号每天的这个日历逗号，比如销量，对吧？你给他这样一张表，然后把问题提出去扔给他，让他把这个结果给你。我觉得大部分，呃，对吧，我们就不说谁了，国内的这些，对吧，就具体哪家不说了，我大部分我看完我觉得挺，
14:24呃，我比较怀疑他们是不是真的能够把这个都答上来。我待会儿就去试一试，因为前两天我是试了一些我在3.5上做过的一些，当然比这个要复杂，这种类似于什么，给你一个五升的水桶，给你一个三升的水桶，去帮我把四升的水给灌出来，对吧？
14:43这这这我我基本上都在乱答吧，就是说特别是你要变一下参数，这个题不是这种最经典的原题，它基本上就开始胡扯了。
15:03你如果你是用GPT-4的标准的fine-tune，它所谓的结构化就是前面是一段文本，后面也生成一段文本嘛，对吧？所以它fine-tune这个fine-tune其实非常简单，就是一个KV，就是prompt是什么，回答是什么，对吧？
15:18但是你的fine-tune是基于什么来fine-tune？你是基于这个，比如说在GPT-4它给了这个fine-tune的接口，那本质上你用的它还是它的逻辑推理能力，只是用了
15:28你的数据跟语言表达能力嘛，对吧？它其实对逻辑推理能力去加一些这个数据，我的假设是它不会有特别大的增强。如果你是基于开源模型去调，呃。呃，因为我现在看到大部分开源模型调的比较好，都只做
15:45了指令微调嘛，就是所谓的叫SFT嘛，就是一个监督学习。我的假设是它对于那个逻辑推理能力不会有太大的提升。对吧，然后开源的模型其实大家还都是大部分人做了并没有做一个新的模型，大部分人都做都是微调嘛，都是基于比如说Facebook开源的LLaMA，或者说是更老的BLOOM之类的做的微调。
16:09那这个也就意味着说其实很取决于那些模型的基础能力，那那些模型其实也是很着急的放出来的，或者是原来的就是效果就比较一般，对吧？我是觉得说大家肯定还是在做有很多进展，只是只是它一个个放出来会有阶段嘛，会有阶段嘛。就
16:28是如果大家离3.5还这么远的话，我想我跟我太太现在都只要因为我跟她共用一个账号，我们每次把4的quota用完之后就特别受不了3.5，就觉得3.5傻死了。用惯了4，连3.5都受不了。
17:14好吧。所以，嗯，还是得买quota。OK，了解了。嗯，对。刚好就是那个那个借这个机会就问了你一个我感兴趣的问题。
17:23我其实比较好奇啊，就是说，因为我发现就是你你啊，包括我周围很多朋友都还是在做大语言模型的更新，没有人去做画画。
17:34啊，我我知道有人在做画画。
18:35OK。因为因为我有一个感觉是什么，就是说ChatGPT这个事情可能对呃一小部分人群他很很震撼，就大家都在巴拉巴拉，就是觉得这东西很厉害。但如果只是对更大众的人群，好像大家没什么感觉。
18:53呃，就是如果你想做一个产品，面向直接面向C端的用户，似乎就是说你如果只是给个文字的这个交互接口，就是大部分人还是很难感冒，对吧？尽管我们说像Character AI这种应用其实已经有一定的活跃度了，但是大部分人看了一眼啊，
19:08有这么个东西啊，我可以打字，然后就过去了。
19:11我的想法其实是说这个交互界面它是给了最大自由度的交互界面，但是最大自由度的交互界面就是一张白纸嘛，白纸的话其实大家是不知道该怎么用的。所以从它提供的能力和用户真心，就比如说那个嗯能会用的那个中间，有巨大的空白是可以填的，
19:34是可以用UI来填的。所以它这种交互界面不是一种最呃或者说不是在所有场景都适合的交互界面。比如说比如说你如果就是比如说你是一个做小红书要写文案的，那这个时候的话。其实那个交互界面甚至于应该是告诉你说小红书今天最火的五篇你适合你的稿子，我已经帮你挑出来了。
19:58然后你你告诉我今天你要写的五个东西，然后的话呢，你告诉我这五篇稿子你喜欢哪两篇，然后我帮你按照这五篇稿子的风格写你要写的那两篇，然后这样子，就是就全部通过点选来完成。当然你自己要写，比如说我要宣传的是这个这个产品啊什么的，你要把这些东西导进去。
20:16然后它其实有很多，它它过程当中没有对话，它只有输入和点选和按钮，这个是反倒是在它这个场景更适合的。或者说早两天那个Notion AI的那个那个产品经理，叫好像叫Linus吧，然后做了一个演讲嘛。然后就说，他觉得说其实那个东西，对话是一个就是就是就是很很很万能，但是非常的不高效的一种方式。
20:46其实那个后台就应该默默地看着你，对吧？知道你的一切，然后你就讲说，哎，我想把这个格子和那个格子怎么样，他就应该知道这个格子和那个格子分别是什么格子，他应该在读这些信息。那那那那这些读的东西，它必然就是另外还有一个更高效的界面来完成你当下的事情嘛，当下的事情。
21:07所以我会觉得说，就是你刚刚讲的那个东西，反倒我觉得这是ChatGPT的机会，因为它它这个界面确实就是很万能，但是确实就是非常不不聚焦在某一件事情上面。那这样子的话，其实大部分的所谓的AI创业现在其实就是包一层皮嘛。那这层皮在很多场景下它是有价值的。
21:32围看下来的感觉，我觉得是说，呃，就似乎就是语言模型这个事情，拿来做to B，就是很受欢迎。但是呢，如果做to C，似乎没有那么受欢迎。这个是我我我我观察啊，我观察周围，就观察周围在做比如说拿ChatGPT或者说基于LLM要做的一个事情，
21:53都还是在做说我做个呃解决方案或者做一个产品，但是还是卖给一个企业客户内部的。就像你刚才说的那个那些这个所谓的呃呃商业地产的这个，其实本质上你要做的一个事情肯定是不面向终端的那个C的消费者嘛。对吧？包括你你说的这种私董会，它虽然看似说我最后卖卖给了一个个人，但他其实那个个人他其实是个商业人士，
22:19对吧？他其实也，对吧？就是他好像，就是，呃，没有，我没有看到太多的是说我做这个东西有谁做了一个说我就面向to C，而且做的，就是说，呃，比较好，其实很少。比如说，当然就是大家每天都在谈那个Character AI跟Glow嘛，对吧？
22:39就大家，但是很少，其实就就就这两三个，好像没有再听到有应用了。但是反而是这个视觉这边，对吧？大家很多人就是已经做了很多这种动画呀，就这种东西已经放在抖音上就就播了，对吧？或者说是这个尝试，包括以前那个之前有个公司尝试用这个东西，然后呃捕捉人的动作去去制作动画，
23:02然后变成个这个面向C端的一个产品了。嗯，对吧？所以我其实是会比较好奇，为什么选择直接做一个产品to C的人现在这么少？
23:43那是三十年前。对啊。
23:45MUD模型，所以感觉它不是一个特别高级的东西。所以我觉得，就它可能用来解决，目前看它可能更多的还是在用在了效率方面。而效率其实，呃，虽然书架上有那么多关于效率的书，但是其实还是靠效率挣钱的老板比较关心嘛，对吧？就是B会比较关心，C的话，大家也就是买一本效率的书，什么自控力，然后放在那里嘛，然后就不看了。
24:14主要是因为因为这个原因，所以它会先to B。但是我是觉得说它to C其实还是有很大的市场。因为它属于知识的领域嘛，我就会觉得说那所有的需求的领域，我们就去看有没有书卖掉嘛。我觉得这方面好像卖的书还挺多的，
24:30鸡汤类的都算嘛。就大家其实至少是有需求的，那有需求的话就就可以看一看，是不是可以在中间做点什么。
24:40大家又觉得这个AI很厉害，但是又觉得是说，呃，面临另外一个问题，就是说现在其实整个外部的需求是在我们叫衰退的嘛，或者说需求其实供给已经很充分了。就是大家今天我拿一个电子设备，或者说面对这个数字世界的时间已经非常多了，对吧？
24:59可能平均人均用两个小时抖音，人均用两个小时微信，再上八个小时班，就你其实没有多少时间，可以再匀出来说给我用AI了，对吧？这个是为什么，大家都把时间用到了这个生产，这个生产效率环节，对吧？因为我生产效率环节是说我本来要上八个小时班，我原来干这些很很，我手干，现在我让AI干，会会会快一点吧，
25:22对吧？节约我自己时间，对吧？会不会产产能会高一点。但这个其实还是在增加供给。就是说，我的产能更大了，但是我的需求现在其实已经被挤满了。
25:33就是我们如果用移动互联网，或者说你说，呃，就是你你无论你是要看小说、看电影、听音乐、打游戏，你基本上市场是相对来讲是基本上是非常充分竞争的。如果说我们要做一个面向to C的应用，你觉得我所以从哪里挤出来一点这个是，就是有什么能够把大家从这个这个这个他现有的这些你说娱乐或者打发时间或者这个这个让他自己这个上头的这个事情里剥离出来，
26:04去去体验一个新的应用呢，对吧？就是因为真的如果说这是个大故事，因为我们看上两代互联网，真正的大的公司你最后都得to C嘛。没有一个公司，至少无论是中国还是美国，排名市值前五的公司，一定是说我占住了to C，我占住了所有的终端消费者，
26:24所以我厉害，所以我值钱。我to B只是去卖个广告也好，或者说去去扣一个这个供应链的扣点也好，对吧？我不知道，因为你你会对这个商业想的会比较多嘛。就是因为我自己琢磨了一下，我觉得我我抠不出什么地方说我能从用户手上去说，哎。
26:42我就得非得用AI能做一个东西，所以用户会把它不是生产效率类的应用，就是浪费时间类的应用里转移过来。
26:51我我讲一个我讲一个历史，然后讲一个那个AI的例子啊。就历史的话，其实最好的例子就是拼多多。就是在拼多多起来之前，其实因为我自己一直做电商嘛，然后我其实觉得不可能有一家电商再出来了，这个市场已经被充分满足了。然后的话呢，就就就就淘宝和京东已经垄断这个市场嘛。
27:15我当时在京东我都觉得不可能干得干得死淘宝。所以的话呢，那拼多多为什么能起来，其实在我看起来最大的一个原因是因为那个微信微信起来嘛。微信起来十亿，呃，十亿日活的时候，淘宝只有六亿，只有四亿的月活嘛。那就有六亿人他没有淘宝。
27:37但是从我们之前，从我我自己的世界来看起来，就是世界上怎么有人手上没有淘宝呢？但是其实大部分人手上还没有淘宝。那那个但是但是其实那些人的话，他之前为什么不用淘宝呢？包括我们后……哎，我的我的音响莫名其妙，还
27:57要把那个开了。你的音乐资料库中没有内容。
28:03现在这些人工智障，哎。然后那个，那我其实感觉上就是就是，我问我问过我妈，就是我帮她装过京东。然后在我们看起来，比如说有京东的话是有那个账号的，她忘记密码了，她就再也上不了京东了，因为她不能理解邮箱。为什么要用一个邮箱去登录登录京东，因为邮箱这个东西在是在她日常生活当中是完全没有意义的一个存在。
28:30然后她就就她账号体系这件事情对于对于可能就比如说当时的一半中国人是迷茫的，什么叫账号？然后购物车可能也有一半的人在迷茫。分类有一半的人在迷茫，搜索也有一半。那这个时候的话，拼多多用那么简单的一个模型的话，它就在寄生在微信里面，它让这批相当于原来是non user，
28:54它不是不是以前的用户说怎么切到了它，而是以前因为一些门槛而进不来的用户，他可以用了。所以我觉得，我觉得如果我们真的要改变世界或者真的为世界创造价值，而不是去抢这些原来的饼的话，其实是我们要想办法把自己看到说，原来看不见的那部分需求，或者受限于生产力，
29:20原来我们觉得不存在的那个需求，其实是存在的。我举一个AI方面的例子，让我觉得很很很牛逼的两个例子，一个就是Do Not Pay。Do Not Pay那个那个它就是律师律师，你说法务需求有没有？
29:36其实我们都觉得我们没有什么法务需求，但是呢，你仔细想想，就是平时你接到两个骚扰电话，你是不是挺想说，就就很烦他，就搞他一下就好了，对吧？或者说如果搞他一下，他他可以赔偿你五百块人民币，你也觉得挺爽的。但是呢，如果你搞他一下需要浪费你三个小时，然后还需要浪费你三千块钱。
29:57律师费，然后再赔你五百块钱，你就会觉得神经病才做这事儿。但做那个pay，它就会自动化这个流程，对吧？帮你去把那个那个骚扰电话给投诉掉啊，告他干嘛的，一系列流程帮你走掉。特别神奇的一个一个一个一个东西。所以它就相当于说，原来我们会觉得你问任何一个普通人，他大概率会告诉你说他没有法律方面的需求，
30:22对吧？他不需要请律师，但是实际上是卡在生产力。当时他他他觉得他没有，因为他付不起那个钱，因为觉得不划算。但是其实现在有了，所以这就是一个我觉得是一个是一个打开市场的例子。那包括说我们之前举例子说那个tum tum点app，它做出来的那个PPT，就是以我们会做PPT的人来看，
30:47简直丑死了。但是我仔细想想，就是世界上其实百分之九十九的人他不会做PPT，他做出来比那个还丑。对，对于他们来讲，这就像美图秀秀，你不能拿说世界上那些呃已经已经有有有PS的人，对吧？他为什么还要用用那个，就已经P，Photoshop已经很好用了，你为什么还要做一个美颜相机、美图秀秀，
31:10对吧？那是更多人可以不会玩的，可以玩起来的嘛，对吧？所以这又是一个完全之前没有打开的一个叫做修图的市场，它是打开了平民的修图的市场。只是之前大家觉得要PS太麻烦了，但是我们现在打开了之后，大家就觉得这不显然每个人都要修图嘛。
31:27那还有一些市场是完全被我们忽视掉的。我觉得我最看到让我就是感动的AI方面的例子，就是那个Be My Eyes，看到就是泪目啊，觉得就就就盲人可以看到说那瓶酱油里面有什么东西，就可以看到那个配料表，哇。但真的你看到热泪盈眶，就就就就就，但是其实有好多好多盲人的。
31:49对，然后我们从来没有考虑过说什么信息化又对他们可以，就但是有那种什么什么什么的accessibility，无障碍访问，对对对，那个有啦。但但但是，就就他的生活没有，我们没有想过说比如说要给他们每一个人配一个助理嘛，对吧？
32:05你最多配个导盲犬嘛。对。但是其实现在这些事情都能做了。我是觉得说其实，嗯，需求是是挖掘的，我们现在只是因为，只是因为将就而已。对。
32:19就是就是，就不是不是因为我们的需求已经被满足好了，而是因为我们觉得这是这是应该的。就比如说这个杯子，我我只能在这个杯子和小小一号的杯子里面选，但是其实如果我想要小一号的杯子和这个杯子中间的那个杯子，我是拿不到的，因为没有生产这个杯子。
32:42但是why not，对吧？why not？所
32:45以就有类似像3D打印啊这样的解决方案，对吧？对，比一个生产线要低，但是可能比你去批量生产一个杯子要高，但是它正好能够满足你的需求。
32:55对。或者说很多的时候其实我要的也不是这个杯子，而是我生活当中具体问题的具体解决嘛。那其实其实AI是可以帮助我更好地来解决这些问题的。就是它不一定是给了我更好的杯子，对吧？但是它可能可以教我怎么样更好地解决我的问题。
33:16我们刚刚讲刚刚讲的是比较实在的部分嘛，然后我看了那个Wolfram那个创始人，他会觉得我们探索的边界就是还远远的就是没有打开。就是需求也没有打开，我们探索的边界也没有打开。因为我们的思维方式所有的都是受限于我们的生存，因为我们的大脑结构，我们看到的世界是这个样子，
33:37是因为我们生存要这个样子嘛，对吧？所以不是把所有可能性都打开了，但是AI它的它的结构不一定需要是这样的，它可以把所有的可能性都打开，我们相当于借助它可以打，可以可以可以把世界的其他维度，我们根本不关心的维度，比如说我们就觉得这个是绿色，
33:57对吧？但是其实可能绿色里面可能有一万种变化和一万种什么东西，然后全部打开你就可以去玩好多奇奇怪怪的事情了。对，我觉得空间还挺大的。但
34:46对。所以抖音本质上是从电视里抢过来的嘛。那么这就意味着说我AI如果要面向C端，那我一定要也要从一个领域抢一些东西过来嘛。嗯，对吧？就是你肯定要抢一些东西过来，就像在B端，为什么它很快的能够接受，是因为说B端大家会不由自主地追求叫高生产率。
35:06嗯，对吧？就是B端它一定渗透更快嘛，就是因为它能够体现出更高的生产效率，那么大家会主动去提高这个生产效率，然后你有了竞争优势，然后哎，那么其他人就会模仿，然后这个飞轮就转起来了嘛，对吧？但是在C端的这这现在其实是我我的疑问在C端嘛，因为我觉得真正的大机会一定在C端。
35:27我我能抢什么呢？就是说或者从你的视角你觉得说从哪一个呃细分的角度切进去，我是能抢到的。对吧？就你当然你刚才已经举了一些例子了，举了一些例子，因为我觉得这是一定是一个抢的过程，它不是一个自发的说等等等用户来来这个接受我这个慢慢的迁移的一个过程。
35:47对，我觉得你看AI的话，就看两个，我们如果讲抢时间的话，就看两个我们当下最占时间的应用嘛。一个是短视频，一个是社交社交社交网络嘛，这两个是最占时间的。那我觉得这两个都会被抢啊。第一个就是短视频，不是被抢，有可能是他们自己颠覆啊。
36:06因为现在短视频给我们的东西还是颗粒度太粗了，但是未来的话，它其实那个小姐姐推给我的那个小姐姐的那个帽子的书专门为我生成的呀。那是完全for我的呀。那个颗粒度就可以更细了，就精准地打击到我的每一个爽点上。当然，我们这个这个电子鸦片不见得是好事。
36:25我就光讲那个顺着这条线去抢时间的话，那其实如果是，如果是这样的话，它其实打，呃，抢抢时间的方法跟短视频抢电视抢电影一模一样的逻辑，就更细颗粒度的匹配，精准匹配，然后给你更多的爽感。更短时间内更高密度的，更更精准的打到你的点上，然后给你更多的爽。
36:47所以我觉得短视频就可以抢。然后的话呢，那个那个微信上的话，那么这样抢的话，就是刚刚也有同学在提，就是情感陪伴嘛。因为跟人类的交互的话，其实是挺累的。那所以现在就是大家都缩回到去跟纸片人交互嘛。去去崇拜偶像，去追星偶像嘛，其实这是一种很安全的。
37:08但这种安全其实是以那个互动性的匮乏为代价的嘛。那如果又安全，又比如说偶像和纸片人的那些都在，但是呢又会给你极强的比真人更好的互动性，而且他彻底懂你，对吧？那这个时候其实大量的人在微信上去去微信上的时间的话也会像像跟虚拟人聊天去迁移，
37:32因为他才是最懂我的那个人嘛，甚至于对比起来就会觉得人类面目可憎嘛。这两个做出来肯定比，对吧，比那个新抖音肯定比抖音更好玩嘛，他不会比他更差的呀。说不定抖音自己就把这事给干了。然后新的微信里面加一些虚拟人，那肯定比，他他是要赚你钱的对吧，他肯定比真人嘘寒问暖的，对吧，
37:55真人钢铁直男，很不值得被谈恋爱的。
38:28就是假设它是C端应用，它是AI的话，在我的脑子里它都会是somewhat of就是游戏，就它都是游戏的一种。因为游戏现在就是通过让你去跟信息世界的交互，为你产生爽感嘛，对吧？游戏主要它就是让你让你然后一直一直一直开心嘛。
38:49那我觉得所有的往这个方向走的话，你其实本质上都是在设计游戏。然后你设计那个谈恋爱也是在设计游戏，你在设计那个更精准的小姐姐戴的你也是你喜欢的那个帽子也是在设计游戏。然后因为游戏就是精准的跟你互动嘛，然后跟你搞。但是现在就不太，反正我我就会往这个方向想，它就不是应用了，因为我们一想到应用就是，就得有用，
39:16对吧？对。但是就就得有用，但是其实你想到游戏就是让你爽。那所有to C的我觉得AI就是用，就如果是to C就不要把自己往应用的方向想，要把自己往游戏的方向想。
39:54所以还是还是得好好玩嘛，对。但是，所以怎么用起来其实是也挺麻烦的，这道理好讲，但怎么怎么做一个小切口，当下能做什么？我跟徐文浩现在最近就是就是都都又在做产品，又在自己要写个课，就是就是真是太累了。
40:15对，对。啊，你看，我觉得我问了一个很有意思的问题。你们有用AI帮指导分配精力吗？来，任鑫老师。我
40:24有一些方法，对。也确实是在用AI帮忙。我我先讲一个对我没有用的。但是你可能没有用。就是，就是那个那个那个，我在Obsidian里面用AI在帮我那个做卡片和卡片之间的连接，但是目前没有发现对我产生任何的价值，
40:43只是酷炫而已。对。就用调了OpenAI的那个API，然后在我的笔记里面，它就会，我每写一个新笔记的时候，它就会告诉我，哎。这些我embedding了，你看跟这些是相关的。
40:54布拉布拉布拉布拉。没有产生任何的任何的成果，只是看着很酷炫，觉得哦好高级。对。然后有一个对我来说有成果的，不是帮我分配精力，而是帮我呃降低精力要求。对，它没有帮我分配，但是降低精力要求。
41:12就是呃比如说我要我要讲一个课，是比如说是在给大家讲说如何用呃AI做好产品。那原本的话，我就需要一整块的时间去去写说我应该怎么用AI做好产品啊，布拉布拉布拉布拉。然后要准备这个。那这样子就我就需要完整的时间和深度的工作。那这样子对精力要求就会非常高。
41:36比如说这个时候如果宝宝走进来，我就会觉得说宝宝出去啊，求求你了，然后干不了啊，对吧？然后那个，但是我现在是会把我，我会告诉GPT说我要做这么一件事情，大概呢我的想法会有这么十个模块，请一个一个问题问我，然后然后等我，然后问完之后等我回答完，然后你对我的我的回答给出你的角度、建议和意见，
42:05然后再提下一个问题。它就相当于把我的一件大事儿拆成了十个像记者问一样的。啊，那而且问完之后它马上会给我一个反馈，不管那个反馈好还是坏，但是它会给我好长一段反馈，对吧？建议啊，意见啊，你还其实还可以怎么样啊，布拉布拉布拉。
42:22它就拆成了小事儿，拆成了小事儿之后，它就把一个长闭环的事情变成了短闭环的事情。然后我顿时的就发现说我就可以分心了，就对我的那个认知的那个要求就很低，我可以一边陪宝宝玩，一边做这件事情了。我自己的感觉就是很像是原本你是把一个地图记在自己脑子里的，然后你在开车，然后现在有人在，就你你生怕错过那个路口，
42:47然后有人在旁边跟你说话，你就顾不上搭话。但现在呢，你是把地图还是你自己想的地图，你输给了那个导航，它就会告诉你说前面路口请右转，对吧？然后你就右转，这个时候你就有很大的余力可以去说话。所以它不是呃分配我的精力，而是它相当于它把我，它它它它帮我做了一个导航，然后它降低了对我的注意力的要求，
43:11然后让我可以就是就是就是这样子来做事。所以我有这么一个方法，我是自己测下来，这个是对我确实有一点帮助的，对，跟精力相关的。是这个。
44:45我现在没有用它来提高团队团队写作效率。对。然后有一些我看到的有一些文章提到它是可以提高团队写作效率的，主要是它把它用在了一些团队的事情上面。比如说让那个，呃呃，我讲几个场景啊。第一个就是它方便大家一起做一份那个那个会议纪要，然后发给大家，这算提高效率。
45:09还有一个事情叫做上行下达，因为我们经常讲上行下达，就是你需要什么大家内化啊，什么统一思想啊这种这种东西嘛。那如果如果很难嘛，统一思想。但是其实你如果装一个督督监督器，对吧？监督器在人家那里装一个，然后相当于，呃，往好听了讲叫mentor，往不好听讲叫监工。
45:33那这个时候其实就团队的那个所谓的协作或者叫上行下达就做得更好嘛。那有一家公司他们是帮忙做那个叫做所有的销售电话的分析的，他们就会用大语言模型来做那个语义分析。然后呢，会把公司里面的所谓那个要求，比如说第三次电话的时候一定要询询问对方的预算。
45:56那比如说这是一个你们公司的一个一个一个要求，那他们就会自动的就去判断说他有没有在这通电话里面询问到那个那个用户预算，诸如此类的。然后时长什么的。那以前要做这事儿就是基本上得靠人嘛，因为什么叫做问了问没问对方预算，现在大语言模型是可以听懂这个了，
46:14就把这些呃那个那个那个那个管理管理好做了。然后的话呢，它也可以在那个通电话结束之后可以自动的马上提醒这个人说你这次没有问预算，那你第四次一定要提了，然后然后这次还有什么要点，然后按照什么什么框架，那个销售框架，这次你做的好的地方，做的不好的地方。
46:34布拉布拉布拉。就可以就可以开始讲了，它就变成了，呃，所谓的公司要贯彻的那些东西，从一个纸上的大道理变成了一个随身的一个，呃，指导员或者说一个监工。那这样子你说是团队效率是不是显著提高了？对。
46:51这不叫不叫协作，这叫管理吧，对吧？对。
46:55我觉得其实最，我觉得最大的提升效率是什么呢？它就是需要的团队的人数变少了，环节变少了，它的写作效率自然就提升了。我觉得这个是是我体会下来最大的效率提升。就是本来吧，你干个啥事儿你都得说，哎呀。我今天要出个图，我得找个人帮我出个图。
47:14我今天说我只会写后端，我不会写前端界面，对吧？我要么得花很多时间哼哧哼哧去看，或者我我得找一个前端进来，然后我们两个还得沟通需求，还得对接口长什么样子。现在你你基本上都不需要了。包括我最近在在做个小工具，其实就是任鑫老师刚才说的那个数据的那个问题，其实我们已经我认为已经在做一个工具了。
47:33那这个就导致什么呢？导致我这个工具做完了之后，有很多公司的业务团队，就是传统我们协同是说，哎，业务团队问数据分析团队，数据分析团队去写一个SQL出来再给到业务团队。数据分析团队发现这数据可能以前数据库啊怎么有没有搞不清楚。
47:48再去问过数据工程团队，对吧？你的环节一多，你会发现说，很多的公司，特别是大公司，几百个人团队，可能有几十个人都是在干一个什么事情呢？因为就是在写SQL出报表。
48:02那今天这个环节如果就就可以被AI给给给干掉了嘛，因为我不需要说我会写SQL我才能看这个数据，我就说我想看什么数据，它数据就生成出来给我了。我觉得这最大的是它把环节这个缩短了。这个这个我觉得是对团队写作最大的提升。因为我我是觉得团队再怎么协作，他互相之间的沟通交流还是有一定的损耗的。
48:24还是有一定的损耗的。所以说，除非说我必须要一个这个领域的专家，他的生产力特别高，不然的话，肯定还是说这个一个人能从头到尾搞完，他会更快。因为沟通成本啊，对齐成本其实挺高的。
48:38最好的协作就是不要协作，少点人。对。
49:14对。但但是我的是我的体会稍微有一点点。就是说第一个呢，我其实一开始就用这些应用，用了之后呢，其实现在也不太用了，因为我发现它也很难起到过滤的作用。就是你听一个播客，你让它，那我觉得它有有两种能够，第一个比如它把播客全都转成文字，我就看，我就不听，
49:34这个是可以加速的。但是呢，让它总结一下过滤啊，发现用处不大。就是那过滤就总结很短，它跟你说这个东西讲什么，但是你基本上吧通过那个主题，你大概也能知道它就是讲这些东西，对吧？所以这个，但是我反过来是有另外一个体会，就是说原来我很多想看的东西呢，我肯定是说我拿个东西来看或者听。
49:54现在呢我会换成去问。对，原来这个问的过程是通过搜索去形成的，对吧？我先搜啊，这个事情发生了什么。现在呢，是通过跟ChatGPT也好，或者跟什么说，我问它，说哎呀，我想知道这个东西大概是怎么回事，哎，为什么会是这样，为什么会是那样，对吧？
50:10因为，呃，就就这个过程，我觉得它可以缩短你获取信息的时间，对吧？但是呢，就是助理这个事情吧，我我我觉得是说，那AI可能很多简单事情本来也能做，你让Siri帮你定个闹钟啊什么的，本来也能做。但是你要让它干一个更高的，就是完全有自主解决问题能力的事情，目前来讲还没有。
50:34就是我我总觉得，特别是总结这个事情，我觉得效果挺一般的。就是它没有得到我想，就是没有得到一个很准确的我想要的东西。包括大家说会议纪要这个东西，我觉得它转录那一部分，就是把语音变成文本，是很有用的。但是把文本总结成我想要的东西，这个东西的用处不是特别大。
50:57标注可以，就是它总结不行，但是它好像有一些功能还可以。就是比如说它可以把会议里面但凡提到了，比如说任鑫下一周要干嘛，这个它都能标出来，就是action item标出来，这些东西可以做一下。
51:30大概一两周之后也会推一个类似于个人私董会的一个产品，大家到时候可以可以玩一下，就是相当于你可以自己请一个私董会，有些人给你说你好棒哦，有些人在骂骂你啊什么的。对。出一些这种小工具，可以大家可以体验一下，然后我们也是相当于练练手，可以感受一下。
51:50然后产品的话也会陆陆续续会出来一些，对。但是建议大家就是今年做产品的时候都稍微怂一点，对。就是
51:59太不稳定了，就每一天都发生很大的变化，所以别别花太多钱，对。有可能今年，但是你明年再入场，可能你手就太生了，对吧？就必须今年就得入场，所以我今年做事都比较怂，就是啥事都都得干一下，包括自己要建个GPT也得也得搞一遍。可能搞完之后你好歹知道是怎么回事，对吧？
52:22但是但是也不是很指望说今年搞了今年就什么飞黄腾达，就是也不指望，就是先做好最低的心理预期，就是今年都是用来交学费的。交完之后说不定明年我们就可以看到机会了。大概这个这个样子。
52:37我应用层其实在做的事情大部分实际是在做呃一些小工具去提升一些效率的事情，就是说都还不能叫应用，也你显而易见的看到一些原来效率低的事情，很容易的就能够提升效率的情况下，会在做一些小工具，也跟也给周围的朋友啊，包括朋友的公司啊去试一下，因为呃目前来看到说我觉得还是有很多这种，就是你要指望这种我们叫killer app其实没有，
53:03但是会有很多这种哎。看好像挺科幻的，其实做的成本也不高，同时又能提升内部效率的，呃，大部分就像比方说，哎，你用自然语言去说，去看，比如说一个电商公司的内部的各种各样数据，
53:16对吧？然后它能出，它能把数据算出来，而且给你能给你图图图形化的表示出来。它也能去，你你如果愿意的话，它也能给你分析结果出来。还有
53:26一个问题是说国外是否有一些有趣的To C应用的分享，你有见到什么好玩的吗？
53:32我我讲一个吧，就是说这个事其实是我们之前应该在那个公众号也发过，我觉得一个比较有意思的一个项目叫做Loom。它是干什么呢？就是叫AI Dungeon，就AI地下城游戏。每一个角色可能背后是有个人设，这个故事是怎么推动，其实是不是预先设置好的，是这个AI自己逐步说根据它的人设啊或者怎么样去去来去继续讲这个故事。
53:59第二个呢，我觉得是说你可以去看最近其实就是在五一期间特别火的，就是可能B站或者是油管上你都能搜到。叫，就Origin推了一个这个，一个游戏的一个demo。它就是一个传统的这种大的三A的这种游戏，但是它里面是什么呢，就是你跟所有的这个NPC对话，它不是一二三四选项，
54:21而是你直接用直接用语音输入。你就跟他说话，他就会回答你。你问问题，他就会回答你。就是这个是我觉得看到To C应用上就是体验比较好的一些这个，呃，应用。然后有一些应用挺火的，我也用了一下，比如说海外有个app叫做Call Annie，其实就是个虚拟数字人嘛，
54:41你跟他说话，他会回答你，但是我玩了一下，当然这个从，就交互体验来讲是挺不错的。你真的觉得背后是个数字人，但是说他有什么用吗？我想了想，好像也没有啥用。对。对，这个是我最近关注的比较，看的比较多的这个应用。
54:56如说大家知道有那种呃像Upwork之类的这种网站，他们是帮你找那种零工帮你干活的嘛。就有了机器人版的Upwork。你可以上去雇几个机器人帮你干活。就是就是你你Auto Agent，Auto那个那个那个GPT不是找不到找不到Agent嘛，就可以有好多好多Agent都已经标好了给你。
55:17然后出现这么一个市场，我就觉得好像诶，对我未来是应该有这么个市场的。然后也还见到了一些那个那个很扯的什么Team Team GPT之类的。逻辑上来讲它里面应该也是搞出了很多Agent，但是我看应该就也就是很多prompt做出来的不同的人。
55:37然后你的marketing团队有三十几个人供你挑选，然后你就可以挑几个人过来帮你，然后怎么组队怎么干活。不拉不拉不拉。然后所以，我现在脑子被他们带到，就非常的偏向于说我在构造一个容器，然后构造一个流程，然后把一个一个的机器人往里面放。
55:54然后反正在这个逻辑上面，觉得嗯，这个也挺好玩，但是确实也，这个也很难讲，to C是吧？对，
56:02就是对，就是就是我觉得大语言模型大家在to C的情况下，要么就是游戏，就变成个AI的NPC嘛，对吧？就是我觉得这个事件在最常见的，要么就是还是往那个效率应用上变了，比如说像像任鑫老师刚才说的Do Not Pay，它也to C，它就是面向那些其实我雇不起律师的，就在海外嘛，对不对？
56:21但是你说它是个to C应用吧，就还是不太一样，就它还是一个很很垂直领域的这种工具效率类的应用，对吧？
57:05最后一个问题吧，数字人在直播和短视频的应用前景如何？
57:53这是分成两部分，一部分是那个虚拟形象，这个其实是上一代的这个叫game嘛，对吧？就是对抗生成网络，就是，就是以前很有名的Deepfake，对不对？这种它能够把表情啊，这个声音啊，其实都已经能模拟了。这个不需要，这个可能三五年前就能干了。
58:11这一轮唯一多了是说因为有了大语言模型，说哎你真的能跟它互动对话了，这个一下子效果好了。所以从这个应用，真实的应用，我觉得会是很广泛的，大家都会有，未来会有大量的数字助理，对吧？然后那个，
58:27嗯，但是你说是不是能挣到钱，就我觉得是这样的，就是说你放一个真人在那里，他也不一定赚到钱啊。你让一个真人去拍短视频就能赚到钱吗？你如果原来那个真人拍短视频，他就能赚到钱。原来一个真人放在那里直播就能赚钱，那你肯定用数字人还是能挣钱。
58:45对，因为我觉得你原来赚钱并不是在于说背后有一个人，对吧？我觉得是这样一个过程啊。如
59:07写代码，就是你你想尝试写一下代码，你就去，对吧？你不想想写代码，就是说，对吧？但是你想关心一下写代码有多容易能干点什么事情，你也可以买，对吧？不然，如果你只是想说用一下AI的产品，你你没有必要去买。
59:48随机直播，随机直播。每周
59:50随机直播，对对对，随机直播。好的。那今天先，我们就先到这里。对，大家记得关注这个公众号，视频号，所有的号，关注关注关注，然后我们就搜AI炼金术，都叫这个名字啊。
1:00:03然后在知识星球叫AI创富圈啊，对。
1:00:06大家记得关注，记得推荐给朋友，拜拜，
1:00:09谢谢大家。拜拜。
本期词条
本期还提到
常见名词，文稿里悬停可见，右侧数字是本期提到的次数。