Meta高价收购Manus凸显AI范式落地从聊天框转向生态基建

Meta高价收购Manus凸显AI范式落地从聊天框转向生态基建 等待AGI降临是技术幻觉，AI当前的潜力仅发挥了1%，真正的红利在于通过降低交互摩擦、引入上下文和主动智能来解决现实世界中的脏活累活。 视频核心指出AI目前的潜力仅发挥了1%，剩下的99%不在于模型本身的强化，而在于生态系统的落地建设。主讲人以汽车取代马车历时70年的历史作为类比，剖析了技术落地所面临的基础设施、流水线和人类习惯三大瓶颈。通过拆解Manus公司的成功案例以及“无摩擦、上下文、主动性”三大落地支柱，视频呼吁个体升级思维模型，告别寻找“银弹”的幻觉，从干脏活累活和解决日常真实需求中捕捉时代机遇。 大众普遍存在等待 AGI 降临好“躺平”的认知误区，但目前的 AI 潜力仅发挥了 1%，剩下的 99% 在于构建生态落地。 (0:00) 针对 Yann LeCun 批评 Transformer 只是 next token prediction 并追求新范式的观点，主讲人认为这忽略了当前技术范式本身的巨大潜力。 (0:00) 从历史技术发展来看，汽车取代马车经历了漫长的 70 年，这表明一项突破性技术的普及高度依赖于其后的生态和基础设施建设。 (1:23) 将 Transformer 的发表类比为“引擎”发明，而 ChatGPT 则是“第一辆车”，未来的 AI 仍将在该既定范式下不断迭代。 (3:20) 限制 AI 潜力发挥的三大瓶颈包括：基础设施（Infrastructure）、生产流水线（Pipeline）以及人类的习惯与规范。 (6:35)

主讲人课代表立正指出，认为未来超级模型能解决一切并选择“躺平等待AGI”是严重的认知误区；当前AI潜力仅发挥出1%，真正的商业与应用价值取决于解决基础设施、流水线与交互等落地层面的工程脏活。 历史类比：从汽车诞生到公路网普及 (1:23) 主讲人反驳了行业内等待通用人工智能（AGI）或人工超级智能（ASI）再行动的消极态度。针对Meta首席科学家Yann LeCun关于Transformer架构仅作“下一标记预测（next token prediction）”难以实现AGI、需探索新范式的观点，主讲人认为这如同在汽车刚发明时因其不够完美而空等飞行汽车或磁悬浮，忽视了现有范式蕴含的巨大提升空间。 从技术演化史来看，第一辆汽车由奔驰在1885至1886年间发明，但汽车真正取代马车却发生在20世纪40年代二战后美国大规模修建洲际公路网，历时整整70年。主讲人将Transformer论文的发表类比为引擎动力的发明，ChatGPT则相当于装配轮子跑起来的第一辆汽车；底层范式确立后，行业将沿着现有路线长期演进，而非等待推倒重来的新引擎。 生态瓶颈：制约AI能力释放的三大维度 (6:35) 即便将顶级法拉利引擎送回数十年前，也无法立刻取代马车，因为技术的普及受制于整体生态系统。技术落地存在三大核心瓶颈：其一是基础设施（硬化路面、加油站、维修厂与销售网络）；其二是流水线（如福特流水线大幅压低制造成本）；其三是人类习惯与社会规范（从驾车技能到交通法律法规的完善）。 目前的AI模型已在编程及垂直消费决策（如主讲人经AI诊断后更换滑雪Step On固定器解决膝盖疼痛的经历）中展现出极高能力，但其潜能受困于“对话框（Chatbox）”交互形态，极度依赖人类精准输入提示词。生态发展依赖量变积累，缺乏基础设施与配套流程是限制AI发挥的核心原因。 落地工程的商业验证：Manus与Meta转向 (9:43) 主讲人强调，商业破局者往往来自深耕落地层、承担工程脏活的公司。以AI应用团队Manus为例，该团队在2025年内完成立项并上线，在复杂的国际地缘政治背景下获得美国Benchmark投资，并实现创纪录的1亿美元年经常性收入（100 million ARR），最终被Meta收购。尽管曾遭遇营销炒作或易被开源复刻的质疑，其商业成功本质在于推动AI能力从1%向更高比例兑现。 这起收购案也反映了Meta战略的务实转变。Meta创始人扎克伯格此前曾宣称看到“机器智能的火花”并建立超人工智能实验室追求ASI；收购Manus表明Meta的认知从孤立追求超级模型转向了注重落地执行与应用闭环。 赋能个体：构建三支柱驱动的无摩擦智能 (12:30) 主讲人将其创业方向比作“开办AI驾校”与“铺建铁路”，引用利兰·斯坦福修建跨美铁路赋能淘金者的历史，强调赋能个体驾驭AI的商业价值。在落地方法论上，主讲人拆解了三大支柱：无摩擦交互（Frictionless Interactions）、上下文智能（Contextual Intelligence）与主动智能（Proactive Intelligence）。 以视频生产为例，理想的自动化流程应为：相机停止录制即触发指令，AI主动执行转录、字幕校对、结合知识库提取剪辑点并协同剪辑师，最后自动生成宣发笔记并分发。主讲人指出，当前模型能力已完全支持此类自动化，阻碍落地的仅是将流程摩擦力降下来的工程脏活。 思维模型重塑：代码贬值与主体能动性 (16:01) 面对AI范式转变，主讲人认为最大的制约在于个人思维模型（Mindset）与主体能动性（Agency）的匮乏。他以铝和金子的历史价值变动作比喻：如同铝从贵金属变为平价工业品，在现代AI工具赋能下，过去昂贵的“代码”正在大规模贬值，不能再沿用旧习惯行事。相反，人类的真实创意（Idea）、主体能动性（Agency）与品味（Taste）正成为稀缺的金子。 主讲人呼吁从业者放弃寻找单一“万灵丹（Silver Bullet）”的幻想，转而在日常业务中寻找未被满足的具体痛点，通过互助环境建立AI原生习惯，将节省时间的需求逐步升级为侧边项目或商业创业。 主讲人总结认为，指望AGI凭空降临直接解决所有现实问题是不切实际的幻想。当前AI生态仍有99%的工作有待通过工程基础设施、流程改造与用户习惯培育去人工完成，从业者的竞争焦点在于发挥能动性、克服落地摩擦并填补生态拼图。

[0:00] 课代表立正: 未来会有一个“超级模型”解决现在的所有问题。他们觉得现在唯一要做的就是等待通用人工智能（AGI）或人工超级智能（ASI）的到来，到那时候所有事情都能被模型搞定，人类就可以直接“躺平”了，现在的奋斗毫无意义。 [0:00] 课代表立正: 今天的AI潜力其实只发挥出来了1%，剩下的99%都需要人类亲手把它做出来。 [1:23] 课代表立正: 第一辆汽车是由奔驰在1885年到1886年间发明的，但在主讲人看来，汽车取代马车的标志性事件远远不是它的发明，而是到了一九四几年二战之后，美国进行大规模基础设施建设、建立洲际公路。这中间经历了漫长的70年 [1:23] 课代表立正: Transformer架构论文 "Attention Is All You Need" 的发表（大约八九年前）就相当于“引擎”的发明，代表了动力的一种新范式；而ChatGPT的诞生则堪比“第一辆汽车”的发明 [6:35] 课代表立正: 限制技术发挥的不是引擎本身，而是整个生态系统（Ecosystem）。技术落地有三大分类瓶颈：第一是基础设施（Infrastructure）……第二是流水线（Pipeline）……第三是人类的习惯与规范。 [6:35] 课代表立正: 智能目前仍被限制在类似“Chatbox”的小盒子里，需要人类极其精准地去提问（Prompt）才能调用。 [9:43] 课代表立正: Manus的成功并不是因为他们发明了AGI，而是他们把“汽车想要取代马车”的那些脏活累活给做好了，把AI的潜力从1%往2%、3%去推进。 [12:30] 课代表立正: 无论是开驾校、修铁路还是卖铲子，在AI时代去赋能个体都是一件极有价值的事。 [16:01] 课代表立正: 在日常环境的引力下，人们很难想到去做这些事，遇到了困难也无处问。 [16:01] 课代表立正: 在这个时代，代码等过去昂贵的东西正在大规模贬值，不能再用过去对待昂贵代码的工作习惯来面对新世界。相反，真相、Idea、Agency（能动性）和Taste（品味）就像金子一样，变得越来越宝贵。 [16:01] 课代表立正: 不要去指望有一个 silver bullet（银弹/万灵丹）能解决所有问题，真正难也真正有价值的东西是生态建设。

[0:00] 我身后的这个雪板 [0:01] 和我手上的这两个鞋子 [0:02] 就是我发现了我滑雪的一些问题 [0:04] 然后会导致我的膝盖疼 [0:05] 我就去问AI [0:06] 它就给我进行了很好的推荐 [0:13] 这个问题可能只是帮助你自己 [0:15] 那你就省了时间 [0:16] 可能可以帮助你的同事 [0:17] 那你就可以升职加薪 [0:18] 可能能帮助很多其他 [0:19] 和你有类似需求的人 [0:20] 那你就有了一个side project [0:21] 或者说是一个startup [0:22] 具体的大小 [0:23] 这要看每个人自己的缘分或者creativity [0:29] 这是很确定的了 [0:35] 我发现很多人对AI的认知 [0:37] 是有一个巨大的误区在的 [0:39] 这个巨大的误区就是 [0:40] 他们觉得一个超级模型 [0:43] 会解决现在的所有问题 [0:44] 也就是说我们现在要做的 [0:46] 只是等这个AGI Artificial General Intelligence [0:49] 或者ASI Artificial Super Intelligence来了 [0:52] 然后所有的事情这个模型都可以搞定 [0:54] 然后我们就可以躺平了 [0:55] 我们现在奋斗也是没有用的 [0:57] 这个观点 [0:57] 其实我在很多很厉害的行业前辈 [1:00] 或者说大佬那里都听说过 [1:02] 但是我觉得这不是一个正确的认知 [1:04] 今天 [1:04] 我们就一起来把这个问题给剖析清楚 [1:07] 就为什么 [1:08] 不会有这么一个 [1:09] Artificial Super Intelligence出现 [1:11] 而且大家想象的那个东西哪怕出现了 [1:13] 其实今天也是没有用的 [1:15] 那这期视频 [1:15] 我们就来认真的讲清楚这个问题 [1:18] 也就是 [1:23] 我会用一个历史上 [1:24] 非常清晰的技术案例 [1:25] 也就是汽车发明到汽车取代马车 [1:28] 用了70年的时间 [1:29] 我会跟大家讲一下 [1:30] 究竟为什么花了70多年时间 [1:32] 然后这件事情 [1:33] 对我们今天的AI又有什么启示 [1:36] 那讲清楚这个道理之后 [1:37] 我们再去展开看清楚 [1:39] 这个道理对于我们意味着什么 [1:41] 我们能不能看到 [1:42] 这其中蕴含的巨大机遇 [1:44] 也就是AI的潜力 [1:45] 在今天只发挥出来了1% [1:48] 那剩下的99% [1:49] 其实都需要我们自己亲手把它做出来 [1:52] 以及在这个做的过程中 [1:53] 就能抓到这里边的巨大机会 [1:55] 其实Manus在过去一年就给我们打了一个样 [1:58] 他就是做这件事情的非常好的案例 [2:01] Manus不是去发明一个AGI [2:03] 而是把那个汽车 [2:05] 真的想要取代马车的那些脏活 [2:07] 累活给做好 [2:08] 这是第二部分就是这里边有多大的机遇 [2:10] 第三部分就是落到我们的每天 [2:12] 我们到底可以做什么事情 [2:14] 去帮助我们不断的抓到那个机遇 [2:16] 也就是想要补齐AI [2:18] 让AI落地 [2:19] 具体的点到底是什么样子的 [2:21] 那好我们先进入第一部分 [2:23] 就是汽车为什么花了70年 [2:25] 才真的取代了马车 [2:27] 这背后的技术 [2:28] 落地的原理到底是什么 [2:29] 以及对我们的今天的AI [2:31] 有什么样的启示 [2:32] 我先给大家看一张图 [2:33] 这就是我们的这门AI课程 [2:35] 在第一期的时候我就放了这么一张图 [2:38] 然后我们的课程已经经过快两年 [2:39] 十几次的迭代 [2:40] 但是这张图一直都保留在里边 [2:43] 因为这张图背后的道理 [2:44] 就是这么的重要 [2:45] 那这张图讲的是什么呢 [2:46] 就是第一辆汽车的发明是奔驰发明的 [2:49] 他是1885年到1886年发明的 [2:52] 但是在我看来 [2:53] 汽车取代马车的标志性事件 [2:55] 远远不是这个汽车的发明 [2:57] 而是一九四几年 [2:58] 二战之后美国的大规模基础设施建设 [3:01] 美国的洲际公路的建立 [3:03] 这在我看来 [3:04] 才是标志 [3:05] 汽车真正取代马车的标志性事件 [3:08] 那这个中间其实是花了70年 [3:10] 而且这还是在美国 [3:11] 这样一个在那个时候 [3:12] 基础设施建设断档领先的国家 [3:14] 在欧洲亚洲和各种发展中国家 [3:16] 那这件事情来的就更晚一点 [3:18] 那类比到今天的AI [3:20] Transformer model的发明就是引擎的发明 [3:23] 引擎其实代表了动力的一个新范式 [3:26] 然后接下来ChatGPT的发明 [3:28] 大概堪比那个第一辆汽车的发明 [3:30] 也就是说这个引擎 [3:32] 它现在终于有了传动装置 [3:33] 有了轮子 [3:34] 它可以落地了 [3:35] 引擎的发明比汽车的发明还要更早啊 [3:37] 我们这就不说了 [3:38] 那第一辆汽车有了以后 [3:40] 理论上我们这个汽车已经可以跑了对吧 [3:42] 大家如果去看第一辆汽车的照片 [3:44] 和我们今天的汽车 [3:45] 其实没有什么巨大的范式的不一样 [3:47] 但是确实引擎的性能 [3:49] 这么多年来都是在上升的 [3:51] 比如说每年它的马力可能增加个20% [3:53] 你如果看一个今天汽车的引擎 [3:56] 和那个时候汽车的引擎 [3:57] 那确实是天差地别 [3:58] 可是我们看问题 [4:00] 不能只看这么一个表面 [4:01] 我们去看本质的话 [4:03] 他们的技术范式 [4:04] 其实是同一个技术范式 [4:06] 也就是说这么多年 [4:07] 它的性能是在逐步的提高 [4:09] 但是它没有像汽车之于马车那样 [4:12] 一个完全不一样的范式变化了 [4:14] 那回过头来 [4:15] 我们AI也是这个样子的 [4:16] Transformer model那篇 [4:17] Attention Is All You Need 的 paper [4:19] 是从现在说 [4:20] 大概八九年前的一篇paper了 [4:22] 然后这个范式到后来就 [4:23] enable了BERT、enable了GPT [4:25] 叠加上一些其他的发明 [4:26] 这个我在之前的文章里边 [4:28] 有给大家普及 [4:28] 比如说T5这个模型 [4:30] 比如说chinchilla的模型 [4:31] 这儿我们就不赘述了 [4:32] 总之最后集大成者ChatGPT出来了以后 [4:35] 他就有了这么一个落地的样子 [4:38] 那在这之后 [4:39] 我对未来的预测是他就会不断的变好 [4:42] 比如说不断的变得更有智能 [4:44] 不断的变得更快 [4:45] 不断的变得更便宜 [4:47] 不断的变得能解决更复杂的问题 [4:56] 这其实就是我对Yann LeCun的诟病了 [4:58] 之前Meta的首席科学家Yann LeCun [5:00] 他的这个观点就是说Transformer model [5:03] 他只不过是在做next token prediction [5:05] 然后他这个东西 [5:06] 是没有办法达成 [5:07] 他心中所想的那个AGI的 [5:08] 然后他做所谓的第一性原理的推导 [5:10] 然后就是说 [5:11] 我们其实下一代的模型应该是这样 [5:13] 这样这样 [5:14] 然后我就觉得啊 [5:15] 就是他说这个东西他去做这个研究 [5:17] 当然我是尊敬他的 [5:18] 我当然希望有更多的人 [5:20] 去进行下一个技术范式的探索和发明 [5:23] 但是我不觉得你在做下一个技术范式 [5:25] 你就去忽略 [5:26] 这个技术范式所蕴含的巨大潜力 [5:28] 这就好像说汽车在刚刚发明的时候 [5:30] 这时候有一个人过来说啊 [5:32] 汽车这个东西不符合第一性原理 [5:34] 所以说我们要做电动车 [5:35] 或者说我们要做磁悬浮 [5:36] 或者说我们要做飞行汽车 [5:37] yeah~就是飞行汽车是比汽车更厉害 [5:40] 但是汽车 [5:40] 其实它可以有百倍的潜力供我们发掘 [5:43] 我们今天做的所有的事情 [5:44] 都是因为汽车的发明造成的 [5:46] 我其实啊 [5:47] 在2023年 [5:47] 也专门出了一期视频去讲这件事 [5:50] 可是这么多年过去了 [5:51] Yann LeCun还是抱着他的想法 [5:52] 就是说因为我在做更牛逼的 [5:54] 那个下一代的模型 [5:56] 虽然我没做出来 [5:56] 但是我觉得这一代的模型 [5:58] 就不值得我去讨论那我觉得是不对的 [6:00] 这里边 [6:01] 我们要看到它所蕴含的巨大能量 [6:03] 关于这个debate先不说啊 [6:04] 我们先说就是我的观点是Transformer model [6:07] 它是这一代的技术范式 [6:09] 然后这一代的技术范式的潜力 [6:11] 只发挥出来了1% [6:13] 所以说到现在 [6:14] AI还是在跟人类的竞争关系 [6:16] 就像汽车是在跟马车进行竞争 [6:18] 如果说未来 [6:20] 我们有一个基于Transformer架构的 [6:22] 特别厉害的模型 [6:23] 把他放到今天他真的能发挥出来效果吗 [6:26] 我觉得未必 [6:27] 就像我们把今天的法拉利的引擎 [6:29] 穿越回去 [6:30] 放到70年以前 [6:31] 放到那个时候的汽车上 [6:32] 他真的就能马上取代马车吗 [6:34] 未必为什么 [6:35] 那就是接下来第二个问题 [6:39] 我在这里边呢把它分类成三个部分 [6:41] 第一个infrastructure [6:43] 第二个pipeline [6:44] 第三个人类的习惯 [6:45] 所谓的这个infrastructure就是基础设施了 [6:48] 而且这个基础设施建设啊 [6:50] 就是不光是修路 [6:51] 从我们家门口的路开始 [6:53] 一直到这种洲际公路 [6:54] 而且是加油站、休息站、修车厂 [6:56] 卖车的地方 [6:57] 这些都是非常重要的 [6:59] 让汽车能在路上跑的基础设施 [7:01] 如果没有这些东西的话 [7:02] 汽车是没有办法发挥出来 [7:04] 比马车的一个断档领先的优势的 [7:07] 因为马车也走不远 [7:07] 汽车也走不远 [7:08] 然后马车在那个土路上走的也差不多 [7:10] 然后汽车在这个土路上也走的差不多 [7:12] 而且还经常容易坏 [7:13] 只有当你把适合汽车走的硬路 [7:15] 给铺起来的时候 [7:16] 汽车它的性能才有一个飞跃 [7:19] 那第二个pipeline [7:20] 主要就是汽车生产的流水线 [7:22] 汽车在一开始是手工打造的 [7:24] 然后这个引擎也是手工打造的 [7:25] 它是一个很贵的东西 [7:27] 你要想让汽车发挥出 [7:28] 它的工业化生产优势的话 [7:30] 那就是很重要的发明 [7:31] 福特发明流水线制造 [7:33] 在那之后 [7:34] 汽车才有可能以一个便宜的价格 [7:36] 被更多的人使用开来 [7:37] 那第三个就是人们的驾驶习惯 [7:39] 人们之前是可以驾驶马车和坐马车的 [7:42] 但是关于汽车的驾驶技能 [7:44] 你要去换挡啊 [7:44] 这些东西都是需要学的 [7:46] 不是一个人上来 [7:47] 直接就可以把汽车给开走的 [7:48] 而且相关的法律也没有制定出来 [7:51] 你汽车到底怎么样子运作 [7:52] 谁可以去开车 [7:53] 然后出了事怎么办 [7:55] 这些东西都没有完善 [7:56] 所以说 [7:56] 这三大部分共同构成了这个ecosystem [7:59] 共同构成了这个生态 [8:00] 而生态的发展是需要一步一步发展的 [8:03] 是需要时间的 [8:03] 是需要量变积累质变的 [8:05] 因为一开始路上没有什么汽车 [8:07] 所以说政府去修路的话 [8:08] 它就会觉得不合算 [8:09] 我总共10辆汽车 [8:10] 我修啥路呢 [8:11] 有10辆汽车你会去建加油站吗 [8:12] 有十辆汽车你会去建修车厂卖车4S店 [8:15] 然后你会去建驾校吗 [8:16] 这些都不会 [8:17] 只有当汽车的数量多起来了以后 [8:19] 你才会考虑这些东西 [8:20] 但是问题是你没有这些东西的话 [8:22] 你的汽车也发挥不出来效率 [8:23] 我们不可能把今天的这个基础设施 [8:26] 一下子穿越回去 [8:27] 那我们今天穿越回去 [8:29] 一个更厉害的引擎 [8:30] 其实它也发挥不出来 [8:32] 它引擎的真正优势 [8:33] 那我们回到AI [8:34] 我们就会看到了 [8:35] 今天的AI啊 [8:36] 其实还是大概率的 [8:38] 被限制在了这样一个chatbox里边 [8:40] 无论是ChatGPT [8:41] 还是Cursor Manus [8:42] 或者说是其他的 [8:43] 其实你要去使用这个AI的智能 [8:46] 这个AI已经非常非常厉害了 [8:47] 他的学识非常强 [8:49] 他的知识面非常强 [8:50] 他的coding能力很强 [8:51] 然后他甚至在医疗法律税务方面的建议 [8:54] 都是很厉害的 [8:55] 举个例子 [8:55] 大家看我身后的这个雪板 [8:57] 和我手上的这两个鞋子 [8:59] 其实就是我发现了我滑雪的一些问题 [9:01] 然后会导致我的膝盖疼 [9:03] 然后我就去问AI [9:04] 我应该有什么样的推荐 [9:05] 然后它就给我进行了很好的推荐 [9:07] 非常清晰的解读了我的问题 [9:08] 其实我的旧雪板和那个Step On的binding [9:10] 已经用了5年了 [9:11] 就是一直感觉有问题 [9:13] 我用的是第一代的Step On [9:14] 一直觉得有问题 [9:15] 但是我一直不知道问题在哪 [9:16] 但是我跟AI聊的话 [9:17] 他就很好的解读了问题 [9:19] 我后来发给我的两个非常懂的朋友 [9:21] 去让他们vet一下 [9:22] 他们也觉得AI的推荐非常靠谱 [9:24] 于是我就去全新购置了这么一套新的装备 [9:27] 那我现在在税务、法律、阅读、coding等等各方面 [9:30] 都已经非常多的去使用了 [9:32] 我非常深切地感受到AI实在是很厉害 [9:34] 可是它的这个智能 [9:36] 被限制在这样一个小盒子里边 [9:38] 我要去用正确的提问 [9:39] 才能调用他的智能 [9:40] 他没有办法真正非常好的落地 [9:43] 那这也就是为什么 [9:44] 我会觉得 [9:44] Cursor和Manus一直是我非常深度看好的两家公司 [9:49] Manus在他们做之前 [9:50] 我就和他们的团队有很深度的交流 [9:52] 包括涛哥当时对Devin的关注 [9:55] 和他分享的那些对Devin的剖析 [9:57] 包括他们在做Manus的前夜 [9:59] 这里边的思考 [10:00] 我都是非常认可 [10:01] 在Manus上市的第一时间 [10:02] 我也邀请了涛哥 [10:03] 来我们社群去做一个发布 [10:05] 并且他们上线了以后 [10:06] 我就看到啊 [10:07] 这里边很多人就是没有意识到 [10:10] 这个ecosystem development多么重要 [10:12] 去把这些脏活累活(即)打通AI落地这一层的工作 [10:16] 有多么难和多么重要 [10:17] 以及在他们上市以后 [10:19] 很多人就诟病 [10:20] 说他们是买营销 [10:21] which我知道他们是没有买的 [10:23] 然后很多人觉得Manus这个东西很好抄 [10:25] 第二天就有人做什么AutoManus等等的东西 [10:27] 然后说我们也复刻出来一个Manus [10:29] 然后我一看我就知道 [10:30] 他们其实根本就不懂 [10:31] 他们不理解 [10:32] 做这件事情有多么重要和多么难 [10:34] 就是把AI的ecosystem搭好 [10:36] 然后让AI能更有效地落地 [10:38] 他们根本就没有做到那个效果 [10:40] 但是只是就搭了一个框架 [10:41] 仿佛给AI一个browser [10:43] 就是做好了这件事儿 [10:44] 我还去专门发帖去帮Manus辩解 [10:46] 和借这个事件 [10:47] 帮助大家看到 [10:48] Manus到底是在做一件什么样的事儿 [10:50] 所以说他们之后被Meta收购 [10:52] 我也一点都不惊讶 [10:53] 并且也让我改变了对小扎的一些看法 [10:56] 因为大家知道 [10:56] 在我之前的一个会员视频里边 [10:58] 我去讲了我道听途说的一些信息吧 [11:01] 总之在我看来 [11:02] 小扎之前啊是 [11:04] 相信Artificial Super Intelligence的 [11:06] 他相信用一个特别厉害的模型 [11:08] 可以解决很多问题 [11:09] 他其实在公开场合也这么说嘛 [11:11] 就是他看到了Spark of Machine Intelligence [11:13] 超越了人类intelligence [11:14] 所以说 [11:15] 他们组建了这样一个Meta Super Intelligence Lab [11:17] 然后希望去让这件事情更快的发生 [11:20] 我当时听到那个的时候 [11:21] 心里就觉得 [11:22] 嗯～这件事应该是不太可能发生的 [11:25] 可是他们去收购了Manus [11:27] 就让我觉得小扎变得落地了很多 [11:29] 他对这件事的认知 [11:31] 很有可能也提高了很多 [11:32] 那讲到这里边 [11:33] 我们就开启我们的第二部分 [11:35] 和第三部分 [11:35] 就是我们看到了阻碍AI落地的瓶颈 [11:39] 不是我们的模型还不够聪明 [11:40] 我们今天的模型已经非常非常厉害了 [11:42] 但是阻碍它落地的是这个生态还不够好 [11:45] 然后 [11:46] 我们需要去不断的发展这里边的生态 [11:48] 才能让模型更好的落地 [11:50] 而且更关键的 [11:51] 可能大家更关心的是 [11:52] 我们在这其中能得到什么 [11:54] Manus我觉得就是一个非常好的案例 [11:57] 他们真的就是花了一年时间 [11:58] 2025年非常奇幻的一年 [12:00] 对吧 [12:00] 他们去开始立项 [12:02] 然后开始做 [12:02] 然后做出来了以后上线 [12:04] 取得了一个现象级的成功 [12:05] 之后破天荒的在地缘政治的背景之下 [12:08] 得到了Benchmark这样一个美国主流VC的投资 [12:12] 然后又创纪录地得到了a hundred million ARR [12:15] 说明他们是在付费的情况下 [12:17] 有非常强的需求 [12:18] 然后到最近被Meta高价收购 [12:21] 这整个故事就在一年之内发生 [12:23] 其实就跟我们讲了 [12:24] 你把AI的潜力从1%发挥到2%发挥到3% [12:28] 其中所蕴含的巨大机会 [12:30] 那具体是什么呢 [12:31] 如果对应我们之前汽车的那个例子 [12:33] pipeline infrastructure和人的习惯 [12:36] 其中都有机会 [12:37] 我自己选的 [12:37] 可能就是我去开了一个驾校啊 [12:39] 我觉得在这个时代 [12:40] 因为AI是赋能个体的 [12:42] 所以说 [12:42] 我和鸭哥希望帮助大家学会怎么开车 [12:45] 甚至帮助大家学会怎么样子修车 [12:47] 怎么造车 [12:48] 起码是怎么改装车吧 [12:49] 然后你怎么样子去铺路 [12:51] 怎么样子去建加油站 [12:52] 这个在我们看来 [12:53] 是一个非常有意义的事情 [12:55] 也是为什么我离职之后 [12:56] 选择的是all in这件事情去做 [12:58] 有的人诟病这是给淘金的人卖铲子 [13:00] 其实那个故事是斯坦福在做这件事 [13:03] 就是斯坦福 [13:04] 他是修了一个跨越美洲的铁路 [13:06] 去让那些人可以通过这个铁路 [13:08] 到旧金山去挖金子 [13:09] 最后斯坦福他确实是一个大富豪 [13:11] 他也建立了斯坦福这样一个学校 [13:13] 我确实觉得这件事就是很有意义 [13:15] 说我是卖铲子也好 [13:16] 修铁路也好 [13:17] 开驾校也好 [13:18] 我是觉得在AI时代 [13:20] AI可以赋能个体 [13:21] 那赋能个体就是一个很有意义的事情 [13:23] 那说到我们课程 [13:24] 什么是教大家开车 [13:25] 什么是教大家修路开加油站呢 [13:28] 我们AI builders的这门课 [13:30] 就是教大家怎么样子把车开好 [13:32] 它就是教大家怎么样子去一步一步的 [13:35] 在自己的工作中 [13:36] 在一个production的环境中 [13:38] 把AI非常reliable的用好 [13:40] 去高效完成你的任务 [13:42] 而且高质量的完成你的任务 [13:43] 这是我们AI builders教大家的东西 [13:45] 然后我们AI Architect教大家的东西呢 [13:48] 其实就是教大家去改装车 [13:50] 去教大家去铺路 [13:51] 当然你如果是个好司机的话 [13:53] 你自己其实就可以动手去搞这些事 [13:55] 只是我们给你一个更好的框架 [13:56] 更好的工具去做这件事 [13:58] 和更好的这样一个学习方式 [14:00] 你可以更高效地去学会它 [14:02] 那我们在课程里边提到的 [14:03] 三个主要的落地支柱 [14:05] 就是Frictionless Interactions [14:07] Contextual Intelligence和Proactive Intelligence [14:10] 就是我们要降低AI使用的摩擦 [14:13] 我们要AI能自己主动地 [14:15] 收集更多的contexts [14:17] 从而让他完成的任务 [14:18] 更切合于你的业务 [14:19] 以及Proactive Intelligence [14:21] 让AI去帮你做任务的时候更主动 [14:23] 我举一个很具体的例子啊 [14:25] 我现在不是在跟屏幕前的观众说话 [14:26] 我现在是在跟一个相机说话 [14:29] 那我希望我停止录制的时候 [14:31] AI就可以OK [14:32] 这是一个trigger [14:33] 然后它就可以帮助我 [14:34] 自动开始进行转录 [14:35] 然后上传到网盘 [14:36] 根据转录然后生成字幕 [14:38] 精校这个字幕进行分析 [14:40] 哪些地方应该剪掉 [14:41] 哪些地方应该保留 [14:42] 哪些地方应该是highlights [14:43] 可能要放到最前面 [14:44] 哪些地方应该去收集信息 [14:46] 这就是Contextual Intelligence对吧 [14:47] 从我的那些社区里边啊 [14:49] 过去的视频里边啊 [14:50] 或者说是我的这个课件里边啊 [14:52] 去收集信息 [14:53] 提供相应的材料 [14:54] 然后把这个东西去发给我的剪辑同学 [14:57] AI能自动剪辑当然更好啊 [14:58] 但是我们先说 [14:59] AI今天 [15:00] 是不能很好地剪出来一个很高质量的视频 [15:02] 我觉得视频的质量还是很重要的 [15:04] 那发给我的剪辑同学 [15:05] 剪辑同学照着这些东西呢 [15:06] 就可以很快的完成剪辑 [15:07] 给我了以后 [15:08] AI就可以自动的帮助我生成show notes [15:10] 然后自动的发到各个平台上 [15:12] 你看嘛这里边所说的东西 [15:14] 全都是我今天的AI就可以搞定的 [15:16] 今天的AI的智能足够搞定这件事了 [15:19] 但是他的每一步 [15:20] 其实都需要我们去做那些脏活累活 [15:23] 去把friction降下来 [15:24] 然后去proactive的去做这件事 [15:26] 那proactive做这件事 [15:27] 就是有一些事件识别的事情 [15:29] 这就是我说的所谓的不是什么新技术 [15:32] 而是那些落地的脏活累活 [15:34] 你要去让汽车好用起来 [15:36] 不是每一个人都要去做一个引擎 [15:38] 或者说去做一辆车的 [15:40] 你去铺路一样是一个很重要的工作 [15:43] 刚才只是举了一个案例 [15:44] 我们在课程里边也有专门的 [15:45] 就是教大家怎么样去构建智能核心 [15:48] 然后Frictionless interaction [15:49] Contextual Intelligence 、Proactive Intelligence [15:51] 我们都各自给大家提供了案例demo [15:54] 然后你可以跟着直接去做 [15:55] 以及我们鼓励大家自己去 [15:57] 按照自己的解决的问题 [15:58] 去把这个东西做出来 [15:59] 那这就是我们的第三部分了 [16:01] 第三部分我们每个人在这里边 [16:03] 可以得到的价值是什么 [16:04] 就是去解决那些真实的问题 [16:06] 比如说 [16:07] 我们就是可以去动手做一些pipeline [16:09] 去让我们的日常遇到的这些挑战 [16:12] 解决的更顺利一点 [16:13] 我们在社区里边 [16:14] 已经有两三百个这样的案例了 [16:16] 以及我们社区还有帖子 [16:17] 就是那些收集大家日常的需求 [16:19] 大家平时觉得有什么东西需要解决的 [16:21] 然后可以在那个帖子下面留言 [16:22] 现在那个帖子也有100多个 [16:23] 小200个 [16:24] 说不定发这期的时候 [16:25] 已经过200个相应的需求了 [16:27] 就是我们每天其实可以捕捉到很多的需求 [16:29] 然后这些需求都是可以被解决的 [16:31] 这些需求原来可能很难解决 [16:33] 现在有了AI [16:33] 是可以被解决的 [16:34] 我们是可以通过无论是上课 [16:37] 还是自己学习 [16:38] 去提高自己使用AI的能力 [16:41] 然后去解决那些该解决的问题 [16:43] 发挥出相应的价值 [16:45] 这个问题可能只是帮助你自己 [16:47] 那你就省了时间 [16:49] 可能可以帮助像你一样的很多人 [16:51] 可能可以帮助你的同事 [16:52] 那你就可以升职加薪 [16:53] 可能能帮助很多其他 [16:54] 和你有类似需求的人 [16:55] 那你就有了一个side project [16:57] 或者说是一个startup [16:58] 具体的大小 [16:59] 这要看每个人自己的缘分或者creativity [17:02] 可是你之前不能做这件事 [17:04] 现在能做了 [17:05] 而且这件事蕴含着巨大价值 [17:07] 这是很确定的了 [17:08] 我们会发现在这里边大家不做 [17:10] 缺的主要就是agency和环境 [17:12] 就是你平时 [17:13] 在你的这个日常的环境里边 [17:15] 你是想不到要做这件事情的 [17:16] 或者说你要做的时候也没有什么支持 [17:18] 然后你没有地方问 [17:19] 可能你做一做 [17:19] 就很难脱离这个环境的这个引力 [17:22] 然后就不做了 [17:23] 那我也希望大家如果感兴趣的话 [17:25] 扫这个码 [17:25] 或者说来这个网站 [17:26] 免费加入我们Super Linear AI的社区 [17:29] 有这么一个更好的社区环境 [17:30] 大家一起互相启发 [17:32] 然后互相浸润 [17:32] 互相鼓励 [17:33] 互相答疑 [17:34] 就我可以帮助你 [17:36] 更好的走上去做这件事情的习惯 [17:38] 所有的想抓住机会 [17:40] 其实都是在开始做事里边 [17:42] 如果不开始做这些事情的话 [17:44] 何谈去抓住这些机会呢 [17:46] 然后在这里边还有一些关于mindset的事情 [17:49] 就是你如果只是在用驾马车的方式 [17:51] 或者说理解马车的方式去理解汽车 [17:54] 你当然就看不到 [17:55] 汽车落地所遇到的挑战 [17:57] 你也看不到它能干什么 [17:58] 马车之前干不了的事儿 [18:00] 所以这里边的mindset也是非常重要的 [18:02] 我们在课程里边会教大家builder's mindset [18:04] beginner's mindset等等 [18:05] 以及我之前也出了一期AI native的视频 [18:08] 就是用金子和铝的价格变化 [18:10] 去给大家讲 [18:11] 要关注什么东西在之前是贵的 [18:13] 现在是变得便宜了 [18:14] 而什么东西的价值是更加凸显的 [18:16] 金子也就是我们的真相 [18:18] 我们的idea [18:19] 我们的agency [18:20] 我们的taste [18:21] 在这个时代是变得越来越宝贵了 [18:23] 而那些之前可能很贵的东西 [18:25] 比如说代码 [18:25] 在现在的价值是大规模的贬值 [18:28] 我们不要再用过去的那些 [18:29] 对待昂贵代码的工作习惯 [18:31] 去面对一个新的世界 [18:33] 我们要把自己的思维mindset [18:35] 转化到一个更AI native的方式 [18:37] 去发挥AI的潜力 [18:39] 那好 [18:39] 以上就是我们这期视频的主要内容 [18:41] 我在这里边跟大家总结一下的话 [18:43] 不要指望一个AGI或者ASI [18:46] 去解决所有问题 [18:47] 大家希望有一个silver bullet [18:49] 一个子弹可以解决所有问题 [18:50] 这个在科技界从来都没有成立过 [18:52] 真正难的东西是ecosystem [18:55] 是把现在这个已经变得很厉害的技术 [18:57] 去真正的落地 [18:58] 发挥出它的潜力 [18:59] 然后发挥它的潜力的过程中 [19:01] 对于参与者来说是有巨大价值的 [19:03] Manus就是一个非常好的例子 [19:05] 我们哪怕没有得到那么大的成功 [19:07] 我们也会知道 [19:07] 在这里边找到自己的位置 [19:09] 去做一些有价值的事情 [19:11] 就是时代给我们的 [19:12] 一个非常激动人心的 [19:14] 非常大的机会 [19:15] 那具体我也给大家指了三个方向 [19:16] Frictionless Interactions [19:18] Contextual Intelligence [19:19] Proactive Intelligence [19:20] 如果感兴趣的话 [19:21] 欢迎来我们课程去学习具体的方法 [19:23] 也欢迎免费加入我们的社区 [19:25] 在这里边获得灵感和得到激励 [19:27] 帮助你建立习惯 [19:29] 帮助你得到浸润 [19:30] 帮助你去更用AI native的方式 [19:33] 看待你现在的工作 [19:34] 看待你现在的机会 [19:36] 希望屏幕前的每个人 [19:37] 在这个时代 [19:38] 都可以抓住一些不一样的机会 [19:39] 那好这视频就到这儿 [19:41] 希望对大家有用 [19:41] 我们下期再见拜拜