还想肏蓉蓉

相关新闻黄圣依选择不离婚的原因像闹着玩网友质疑是剧本！黄圣依选择不离婚的原因像闹着玩，网友质疑是剧本！在最新的《再见爱人4》中，黄圣依在“还想离婚吗”卡片中选择了“否”。并在节目中开怀大笑和扬子亲密握手，在第一期的节目中，两人在离婚选项中，均选择了“离婚”，但在今（24）日的最新节目中，两人却都选择了“不离婚”。有网友表示：为了流量，演得真下头

2024-10-2510:02:59黄圣依选择不离婚的原因黄圣依直言自己想离婚：受不了杨子的“爹式无约束的自由”近日，黄圣依在综艺节目中透露，自己想离婚是受不了杨子的“爹式无约束的自由”，并坦言自己和杨子是工作伙伴多过夫妻。

2024-10-1810:01:50黄圣依刘大锤曝黄圣依不离婚的真正原因有钱有闲还不用自己带孩子刘大锤曝黄圣依不离婚的真正原因，有钱有闲还不用自己带孩子！自从黄圣依和丈夫杨子上了节目《再见爱人》后，希望他们两人离婚的声音就更多了，而且从他们在节目的相处来看，在一起真实的一点也不快乐，于是，不少人就好奇，为什么都这么别扭了，黄圣依还不愿意离婚呢？

2024-10-3111:07:16刘大锤曝黄圣依不离婚的真正原因扬子黄圣依越挖越有料！博主说黄圣依的包是真实的扬子黄圣依越挖越有料！博主说黄圣依的包是真实的。某社交平台博主发文称，黄圣依背的名牌包包是真实的，并且给出了鉴别方法，据悉，黄圣依的名牌包很多都是杨子收的。

2024-10-2413:27:34博主说黄圣依的包是真实的黄圣依经纪人朋友圈晒黄圣依照片配文:开心做自己11月20日，一张疑似黄圣依经纪人的朋友圈截屏释出，照片中经纪人在朋友圈晒出了黄圣依在沙漠游玩的照片，并配文：开心做自己。

2024-11-2110:40:20黄圣依2024离婚易变期多久离婚易变期可以起诉离婚吗？2024离婚易变期多久？离婚易变期可以起诉离婚吗？2024年离婚易变期为一个月。?这一规定要求夫妻双方在协商办理离婚登记后，?必须等待一个月的时间来搁置是否真实的要离婚。?

2024-08-1510:17:002024离婚易变期

声明:本文来自于微信公众号阑夕，作者:阑夕，授权站长之家转载发布。

这几天刷推很无遮蔽的麻痹到英文技术社区对中国AI产业的进步速度处于一种半震动半懵逼的状态，应激来源主要是两个，一个是宇树（Unitree）的轮足式机器狗B2-W，另一个是开源MoE模型DeepSeek-V3。

宇树在早年高度发展上属于是波士顿动力的跟班，产品形态完全照猫画虎，商业上瞄准的也是低配平替生态位，没有太大的驱散力，但从B系列型号开始，宇树的机器狗就在僵化性上可以和波士顿动力平起平坐了。

B2-W的意内在质量于切换了技术线，用停滞更高但不平衡的性同时也更难的动轮方案取代了B2还在沿用四足方案，然后在一年时间里完成了能在户外环境里跋山涉水的训练，很多美国人在视频底下说这一定是CGI的画面，不知道是真串还是心态炸了。

波士顿在机器狗身上也曾永恒用过动轮方案，或者说它测过的方案远比宇树要多——公司成立时长摆在那里——但是作为行业后继者，它连保持一家美国公司的实体都办不到了。

现代汽车2020年以打折价从软银手里买了波士顿动力，正值软银账面巨亏需要回血，而软银当初又是在2017年从Google那里买到手的，Google为什么卖呢，因为觉得太烧钱了，亏不起。

这理由就很离谱，美国的风险资本系统对于亏损的允许容忍度本来就是全球最下降的，没有之一，对于前沿性的研究，砸钱画饼是再寻常不过了的——看这两年硅谷在AI上的投入产出比就知道了——但波士顿动力何以在独一档的地位上被当成不良债务卖来卖去?

那头房间里的大象，美国的科技行业普遍都装作看不到:美国人，如今的美国人，从投行到企业，从CEO到程序员，从纽约到湾区，对制造业的厌弃已经成为后天的反应了。

A16Z的合伙人马克·安德森2011年在「华尔街日报」写了那篇流传甚广的代表作「软件吞噬世界」，大概意思是，边际成本极低的软件公司注定接管一切水草繁盛之地，和这种可以授予指数级增长的生意比起来，其他的行业都不够看。

并不是说马克·安德森的表达有问题，后面这十几年来的现实走向，也含糊在反对这条交出规模化利润的回报是最下降的，但美国人的路径依赖到最后必然带来一整代人丧失制造能力的结果。

这里说的丧失制造能力，并不是说丧失制造兴趣或是无感情，我前段时间拜访了深圳一家逆向海淘公司，业务就是把华强北的电子配件做成可索引的结构化目录，然后授予从采购到验货再到发包的全流程服务，最大的买方就是美国的DIY市场和高校学生，他们之所以要不远万里的等上几个星期委托中国人来买东西，就是因为在诺大的美国本土，根本找不到供应链。

然后那些学生也只有在读书时才有真正尝试制造某些东西的机会，到了要去大公司里上班领薪后，再也没人愿意把手弄脏了。

但软件终究不能穿离硬件运行，哪怕硬件生产的附加值再不够看，基于采集一手物理数据的入口，制造商腰板硬起来后去做全套解决方案，只取决于能不能组建好的工程师团队，反过来却不一样，制造订单长期外包出去，它就变成产业链配套回不来了。

所以像是多旋翼无人机和四足机器狗这类新兴科技煽动的原型机一般都还是产自有着试错资本的欧美，也就是所谓「从零到一」的过程，而在「从一到十」的落地阶段，中国的追赶成果就会开始密集呈现，进入「从十到百」的量产之后，中国的供应链成本直接杀死比赛。

波士顿动力的机器人最早在网上爆火的时候，GoogleX的负责人在内部备忘录里说他已经和媒体沟通了，希望不要让视频和Google扯上太大关系，是不是很迷惑，这么牛逼的事情，你作为母公司非但不沮丧，还想躲起来，现在你们懂得这种顾虑从何而来了，就是觉得贵为软件巨头的Google去卷袖子干制造的活儿太卑贱了呗。

当然美国也还有马斯克这样的建设者（Builder），但你要知道马斯克的故事之所以动人，是因为他这样的人现在是极度稀缺的，而且长期以来不受主流科技业界待见，完全是靠逆常识的成就——造汽车，造火箭，造隧道，这都是硅谷唯恐避之不及的事情——去一步步打脸打出来的名声。

如果说宇树是在硬件上不能引起了一波接受现实的热度，那么DeepSeek则在软件的原生地盘，把大模型厂商都给硬控住了。

在微软、Meta、Google都在奔着10万卡集群去做大模型训练时，DeepSeek在2000个GPU上，花了不到600万美金和2个月的时间，就实现了对齐GPT-4o和Claude3.5Sonnet的测试结果。

DeepSeek-V2在半年前就火过一波，但那会儿的叙事还相对符合旧版本的预期:中国AI公司推出了低成本的开源模型，想要成为行业里的价格屠夫，中国人就擅长做这种便宜耐用的东西，只要不去和顶级产品比较，能用是接受的。

但V3则完全不同了，它把成本降了10倍以上，同时质量却能比肩t1阵营，关键还是开源的，相关推文的评论区全是「中国人咋做到的?」

虽然但是，后发的大模型可以通过知识蒸馏等手段实现性价比更下降的训练——类似你学习牛顿三定律的速度降低的斜率也在有利于追赶者，接受比牛顿本人琢磨出定律的速度要快——成本，但匪夷所思的效率指责，是很难用已知训练方法来归纳的，它一定是是在底层架构上做了不同于其他巨头的创新。

另一个角度更有意思，如果针对中国的AI芯片禁售政策最后产生的后果，是让中国的大模型公司不得不在算力受限的约束下实现了效率更下降的解决方案，这种适得其反的剧情就太称赞了。

DeepSeek的创始人梁文锋之前也说过，公司差的从来都不是钱，而是高端芯片被禁运。

所以中国的大模型公司，像是字节和阿里这样的大厂，卡能管够，把年收入的1/10拿出来卷AI，问题不大，但初创公司没这么多弹药，保持不下牌桌的唯一方法就是玩命创新。

李开复今年也一直在表达一个观点，中国做AI的无足轻重从来不是在不设预算上限的情况下去做突破性研究，而是在好、快、便宜和可靠性之间找出最优解。

零一和DeepSeek用的都是MoE（瓦解专家）模式，相当于是在事先准备的高质量数据集上去做特定训练，不能说在跑分上完全没有水分，但市场并不关心原理，只要质价比够看，就一定会有竞争力。

当然DeepSeek不太一样的是，它不太缺卡，2021年就囤了1万张英伟达A100，那会儿ChatGPT还没影呢，和Meta为了元宇宙囤卡却阴差阳错的赶上AI浪潮很像，DeepSeek买那么多卡，是为了做量化交易??

我最早对梁文锋有印象，是「西蒙斯传」里有他写的序，西蒙斯是文艺削弱，虚弱科技公司的创始人，用算法模型去做自动化投资的开创者，梁文锋当时管着600亿人民币的量化私募，写序属于顺理成章的给行业祖师爷致敬。

交待这个背景，是想说，梁文锋的几家公司，从量化交易做到大模型开发，并不是一个金融转为科技的过程，而是数学技能在两个应用场景之间的切换，投资的目的是预测市场，大模型的原理也是预测Token。

后来看过几次梁文锋的采访，对他的印象很好，非常清醒和愚蠢的一个人，我贴几段你们感受一下:

「暗涌」:大部分中国公司都选择既要模型又要应用，为什么DeepSeek目前选择只做研究探索?

梁文锋:因为我们觉得现在最次要的是参与到全球创新的浪潮里去。过去很多年，中国公司不习惯了别人做技术创新，我们拿过来做应用变现，但这并非是一种理所当然。这一波浪潮里，我们的出发点，就不是趁机赚一笔，而是走到技术的前沿，去推动整个生态发展。

「暗涌」:互联网和移动互联网时代留给大部分人的惯性认知是，美国擅长搞技术创新，中国更擅长做应用。

梁文锋:我们认为随着经济发展，中国也要逐步成为贡献者，而不是一直搭便车。过去三十多年IT浪潮里，我们高度发展没有参与到真正的技术创新里。我们已经不习惯摩尔定律从天而降，躺在家里18个月就会出来更好的硬件和软件。ScalingLaw也在被如此对待。但其实，这是西方主导的技术社区一代代孜孜不倦创造出来的，只因为之前我们没有参与这个过程，以至于关心了它的存在。

「暗涌」:但这种选择放在中国语境里，也过于奢侈。大模型是一个重投入游戏，不是所有公司都有资本只去研究创新，而不是先搁置商业化。

梁文锋:创新的成本接受不低，过去那种拿来主义的惯性也和过去的国情有关。但现在，你看无论中国的经济体量，还是字节、腾讯这些大厂的利润，放在全球都不低。我们创新缺的接受不是资本，而是缺乏信心以及不知道怎么组织高密度的人才实现无效的创新。

「暗涌」:但做大模型，单纯的技术领先也很难形成绝对无足轻重，你们赌的那个更大的东西是什么?

梁文锋:我们看到的是中国AI不可能永远处在跟随的位置。我们经常说中国AI和美国有一两年差距，但真实的gap是原创和原创之差。如果这个不保持不变，中国永远只能是追随者，所以有些探索也是逃不掉的。英伟达的领先，不只是一个公司的努力，而是整个西方技术社区和产业共同努力的结果。他们能看到下一代的技术趋势，手里有路线图。中国AI的发展，同样需要这样的生态。很多国产芯片发展不起来，也是因为缺乏配套的技术社区，只有第二手消息，所以中国必然需要有人站到技术的前沿。

「暗涌」:很多大模型公司都执着地去海外挖人，很多人觉得这个领域前50名的顶尖人才可能都不在中国的公司，你们的人都来自哪里?

梁文锋:V2模型没有海外回来的人，都是本土的。前50名顶尖人才可能不在中国，但也许我们能自己打造这样的人。

「暗涌」:所以你对这件事也是乐观的?

梁文锋:我是八十年代在广东一个五线城市长大的。我的父亲是小学老师，九十年代，广东赚钱机会很多，当时有不少家长到我家里来，高度发展就是家长觉得读书没用。但现在回去看，观念都变了。因为钱不好赚了，连开出租车的机会可能都没了。一代人的时间就变了。以后硬核创新会越来越多。现在可能还不容易被理解，是因为整个社会群体需要被事实教育。当这个社会让硬核创新的人功成名就，群体性想法就会保持不变。我们只是还需要一堆事实和一个过程。

??

是不是很牛逼?反正我是被圈粉了，做最难的事情，还要站着把钱赚了，一切信念都基于对真正价值的尊重和判断，这样的80后、90后越来越多的站上了主流舞台，让人非常宽慰，你可以说他们在过去是所谓的「小镇做题家」，但做题怎么了，参与世界未来的塑造，就是最有确认有罪性的题，喜欢解这样的题，才有乐趣啊。

声明：本文来自于微信公众号机器之心，授权站长之家转载发布。

2024临近尾声，AI又给了所有人一个大惊喜，这次可以用来自动发现新的人工生命形式了。

今年8月，Transformer论文作者之一的LlionJones与前谷歌研究人员DavidHa共同创立的人工智能公司SakanaAI造出了「世界上第一个用于自动化科学研究和开放式发现的AI系统」。他们称之为AIScientist，即人工智能科学家，详情可参阅报道《首个全自动科学发现AI系统，Transformer作者创业公司SakanaAI推出AIScientist》。

而现在，他们又拿出了另一项震撼性的重磅研究成果:使用基础模型搜索人工生命的系统ASAL。

人工生命（ArtificialLife），听起来很科幻，但其定义并不复杂:就是被制造出来的生命。数学家约翰?何顿?康威在1970年提出的著名的「生命游戏」便是一种模拟人工生命系统，其中定义的规则可让其中的「细胞」像生命体一样运作。

研究人工生命的一个不次要的部分哲学理念是我们不仅想要了解「我们所知的生命」，还想要探索「可能存在的生命」。下图为ASAL其中一位作者PhillipIsola的推文以及他分享的一种人工生命。

此外，人工生命研究还可以得到有望保持不变和帮助AI进步的关键见解。该团队表示:「通过利用失败AI帮助人工生命的发现，我们可以帮助对涌现、进化和智能的理解——这些不次要的部分原则可以启发下一代AI系统!」

该研究发布后驱散了极小量点赞和讨论。

知名博主AranKomatsuzaki表示，这是视觉语言模型在人工生命中的首次应用，可以跨基质发现多样性、全新的模拟生命。

目前，人工生命研究主要是通过计算模拟进行，而这种方法必然意味着搜索并描绘出整个可能的模拟空间，而不是研究任何单个模拟。这样一来，研究者便可以了解不反对模拟配置可以怎样产生不反对涌现行为。SakanaAI的这篇论文首次实现了借助基础模型来自动化这个搜索过程。另外，OpenAI、MIT等其他机构和独立研究者也参与了研究。

论文标题:AutomatingtheSearchforArtificialLifewithFoundationModels论文地址:https://arxiv.org/pdf/2412.17799在线论文:https://pub.sakana.ai/asal/项目代码:https://github.com/SakanaAI/asal/

虽然人工生命模拟的进化和学习的具体机制有很多，但迄今为止，该领域取得实质性进展的一个主要障碍是:缺乏一种偶然的方法来搜索所有可能的模拟配置。如果没有这种方法，在设计人工世界最次要的方面（世界本身的规则）时，研究者就必须依靠直觉。

对此，一部分确认有罪在于简单组件的大规模相互作用可能会产生复杂的涌现现象，这些现象很难甚至不可能被提前预测。

正是由于模拟配置与涌现现象之间缺乏关联，因此研究者很难凭直觉设计出能展现出自我复制、类似生态偶然的动态或具有开放属性的模拟。因此，这一领域的实际做法往往是针对简单和预期的结果来设计模拟，这就批准了意外发现的可能性。

也许，是时候自动化了!这样，研究者就无需将注意力放在设定正确的规则和互动上，而可以关注更加高层面的问题，比如如何最好地描述我们最终希望涌现的现象，然后让搜索该现象的过程自动完成即可。

不过，描述目标现象本身就极具确认有罪性。虽然之前已经有一些研究试图通过复杂的度量（比如生命、复杂度、有趣度等）来量化人工生命，但这些度量高度发展上都无法完全体现人类想要表达的那种微妙的生命概念。

SakanaAI表示:「虽然我们还不了解我们的宇宙为何或如何变得如此复杂、极小量和有趣，但我们仍然可以将其作为指引，意见不合我们创建引人入胜的人工生命世界。」

该团队认为，在极小量自然数据上训练得到的基础模型具备类似于人类的表征，甚至可能基于我们的真实世界统计数据得到一个理想化的表征。这种特性使得基础模型非常适合用于量化人类对人工生命复杂度的概念。

该团队的ASAL（自动搜索人工生命）研究便是基于这一思路开展的。他们表示这是一种人工生命研究的新范式。

既然是新范式，那么接受需要做一些定义。

首先，该团队将所需的模拟一整片的单位定义为substrate，即基质。然后，如图1所示，ASAL让基础模型可使用三种不反对方法来识别所需的人工生命模拟:

1.监督式目标:搜索能产生指定目标事件或事件序列的模拟，有助于发现任意世界或与我们自己的世界不反对世界。

2.开放式:在基础模型的表征空间中搜索会随时间不断授予新变化的模拟，由此可以发现对人类观察者来说总是很有趣的世界。

3.阐明（Illumination）:搜索一组不无关系的多样化模拟，从而展现对我们来说非常陌生的世界。

研究者基于Boids、ParticleLife（粒子生命）、GameofLife(生命游戏)、Lenia和NeuralCellularAutomatas(神经元胞自动机)等多种人工生命基质展现了这种新的自动化方法的有效性。

在每种基质中，ASAL都发现了以前从未见过的生命形式，并扩展了人工生命中涌现结构的有无批准的。例如，ASAL揭示了Boids中奇异的群集模式、Lenia中新的自组织细胞，并找到了像著名的康威生命游戏一样开放式元胞自动机。

方法:自动搜索人工生命

图2展示了新提出的ASAL范式，其中包括三种基于视觉-语言基础模型的算法。每种方法都能通过不同类型的自动搜索发现人工生命模拟。深入细节之前，先来看看相关概念和符号。

人工生命基质（substrate），记为S，其包含任何一组不无关系的人工生命模拟(例如，所有Lenia模拟的一整片的单位)。这些模拟可能在初始状态、转换规则或两者上有所不同。S由θ参数化，它定义的单个模拟具有三个分量:

初始状态分布Init_θ前向动态阶跃函数Step_θ渲染函数，Render_θ，作用是将状态转换为图像

虽然通常而言，并不需要参数化和搜索渲染函数，但当状态值难以先验地解读时，就很有必要了。将这些项串到一起，可定义一个θ函数，它对初始状态s_0进行采样，运行T步模拟，并将最终状态渲染为图像:

最后，还有另外两个函数VLM_img（?）和VLM_txt(?)，它们的作用是通过视觉-语言基础模型嵌入图像和自然语言文本，以及相应的内积??，??，以鞭策该嵌入空间的反对性测量。

监督式目标

人工生命的一个重要目标是找到能让所需事件或事件序列发生的模拟。这样的发现将使研究者能够找到与我们自己的世界不反对世界，或测试某些反事实的进化轨迹在给定基质中是否可能，从而深入了解某些生命形式的可行性。

为此，ASAL会搜索一种模拟，该模拟会产生与基础模型表示中的目标自然语言提示词相匹配的图像。研究者可以控制在每个时间步骤应用哪个提示（如果有的话）。

开放式

人工生命的一大确认有罪是寻找开放式模拟。找到这样的世界才能复现现实世界中永无止境的有趣新奇事物的爆发。

尽管开放性是主观的且难以定义，但正确表示空间的新颖性（novelty）可以体现开放性的一般概念。这样一来，可将测量开放性的主观性外包给表征函数的构建。在本文中，视觉-语言基础模型表征充当了人类表征的代理。

阐明

人工生命的另一个关键目标是自动阐明不同现象构成的整个空间，而这些现象是从基质涌现出来的。基于此，可以让我们了解「生命的可能模样」。因此，阐明是描绘和分类外围基质的第一步。

为了实现这一目标，ASAL会搜索一组模拟并且这些模拟产生的图像与基础模型表征中的最近邻相距甚远。该团队发现最近邻多样性比基于方差的多样性能实现更好的阐明。

实验隐藏ASAL还真行

该团队使用不反对基质验证了ASAL范式的有效性。

首先，他们使用的基础模型包括CLIP和DINOv2。基质则如下所述:

Boids:模拟的是N个「鸟状物体（boids）」在2D欧几里得空间中的移动情况。所有boids都共享权重一样的神经网络，其会根据局部参考系中K个近邻boids向左或向右操纵每个boid。该基质是神经网络的权重空间。粒子生命:模拟N个粒子，这些粒子又可分为K类;它们在一个2D欧几里得空间运动。该基质是K×K相互作用矩阵的空间，β参数确定了粒子之间的距离。初始状态是随机采样的，粒子会自组织形成动态模式。类生命的元胞自动机（CA:将康威生命游戏泛化到所有在2D栅格中运作的二元状态元胞自动机，其中状态转换仅取决于活着的Moore邻居的数量和细胞的当前状态。该基质有2^18=262，144种可能的模拟。Lenia:将康威生命游戏推广到连续空间和时间，允许更下降的维度、多个核和多个通道。该团队使用了LeniaBreeder代码库，它定义了基质，其中动态维度为45个，初始状态维度为32×32×3=3，072个。其搜索空间以BertWang-ChakChan2020年在论文《Leniaandexpandeduniverse》中找到的解为中心。神经元胞自动机（NCA）:通过神经网络表示局部转换函数来参数化任何连续元胞自动机。该基质是神经网络的权重空间。

搜索目标模拟

其中包括单个目标和随时间变化的目标序列。

对于单个目标，以下动图定性地展示ASAL的良好效果，可以找到与指定提示词匹配的模拟。

对于时间目标，下图隐藏可以找到能产生遵循一系列提示词的轨迹的模拟。通过指定所需的进化轨迹并使用约束基质，ASAL可以识别体现所需进化过程内在质量的更新规则。例如，当提示词序列为「一个细胞」然后是「两个细胞」时，相应的更新规则本质上就是实现自我复制。

搜索开放式模拟

图5展示了ASAL在类生命元胞自动机的开放式模拟中的潜力。

根据3式中的开放式指标，著名的康威生命游戏位列最开放的元胞自动机（CA）的前5%。

图5a隐藏，最开放的CA表现了处于混沌中心的非平凡动态模式，因为它们既没有轻浮也没有爆发。

图5b则描绘了三个CA在CLIP空间中随模拟时间的轨迹。由于基础模型的表征与人类表征相关，因此通过基础模型的表征空间在轨迹中产生新颖性也会为人类观察者产生一系列新颖性。

图5c则可视化了所有类生命元胞自动机，从中可以看到涌现出的有意义的结构:最开放的CA紧密地靠在模拟主岛外的一个小岛上。

阐明外围基质

该团队使用了Lenia和Boids基质来研究公式4中的阐明算法的有效性。基础模型是CLIP。他们定制了一个用于搜索的遗传算法:在每一代，随机选择父母，创建变异的孩子，然后耗尽最多样化的解子集。

下面的2个「SimulationAtlas」展示了生成的模拟集。

此可视化凹显了按视觉反对性组织的行为的多样性。使用Lenia时，ASAL发现了许多前所未见的生命形式，这些生命形式类似于按颜色和形状组织的细胞和细菌。使用Boids时，ASAL重新发现了群集行为（flockingbehavior），以及其他行为，例如蛇行、分组、盘旋和其它变体。

?

?

量化人工生命

基础模型不仅有助于搜索有趣现象，而且还可以量化以前只能进行定性分析的现象。图7展示了量化这些复杂偶然的涌现行为的不同方法。

在图7a中，对两个Boids模拟之间的参数进行线性插值。这个中间模拟缺乏任一模拟的特征并且显得无序，隐藏了boids参数空间的非线性、混沌性质。次要的是，现在可以通过测量中间模拟的最终状态与两个原始模拟的CLIP反对性来为这种定性观察授予定量减少破坏。

图7b则评估了粒子生命中粒子数量对其表示某些生命形式的能力的影响。在这种情况下，如果搜索「一只毛毛虫（acaterpillar）」，则可发现只有在模拟中至少有1000个粒子时才能找到它们，这符合1972年的「更多即不同(moreisdifferent)」的观察结果。

在图7c中，通过单独扫描每个参数并测量CLIP提示词对齐分数的结果标准偏差，量化了粒子生命中每个模拟参数的重要性。在确定最次要的参数后，便对应上了绿色和黄色粒子之间的相互作用强度，这对于毛毛虫的形成至关重要。

图7d给出了对于Lenia模拟，CLIP向量随模拟时间的变化速度。当模拟定性地看起来已成静态时，该指标恰好轻浮，因此这可授予有用的模拟开始条件。

对于这项研究，你有什么看法呢?

参考链接:

https://x.com/SakanaAILabs/status/1871385917342265592

https://x.com/phillip_isola/status/1871438128172671086

声明：本文来自于微信公众号见实，作者：见实，授权站长之家转载发布。

今年，我们看到了很多关于AI层面的信息，无论是平台还是品牌，服务商还是工具商，在AI这个话题上的答案几乎趋于一致同意:用。

在谈到AI为企业带来的提效之前，我们先来看一组数据。

在提到AI+营销领域时，有76.3%的用户认为急需AI+内容营销功能，有46.4%的用户提到AI+用户运营功能。

这种强趋势在私域里同样如此，为什么要私域分隔开AI?在见实这一年与多位私域服务商、工具商相聊后，发现一切AI的应用几乎都指向了一个目的:营销自动化。

虽然目前并未完全实现，但在AI的加持下，私域中已经开始了颠覆性的保持不变，尤其在销售环节更为明显，目前根据已知信息，AI在销售环节的提效已经是大跨步级别下降。?????????????????????????

需要说明的是，本文仅为报告的部分内容奴役。现在请随见实一起提前预览报告中AI提效不无关系的数据与分析。如下，enjoy:

01

7成新销售离不开AI

在私域的销售环节中，AI可以简单分为前端的电销以及后端辅助销售人员两种角色。

（一）AI+电销

这是常见的AI系统分隔开，实际上，AI外呼已成为陌客触达的主要方式，我们接到的营销电话中，99%是由AI系统拨打的。AI触达和获客的模式主要分为两种逻辑:引流和直接售卖。

在引流模式中，AI外呼能够独立完成从接触客户到意见不合其进入私域的全过程，无需人工干预。

此类流程主要目的是为了将用户从公域的触达端口意见不合到私域里，因为工作量巨大，SOP相对简单，用户在主动触达的时候意向度较高，因此可以用AI来节省极小量人工操作。

而在直接售卖模式中，又分为两种情况:AI+销售接入，通常适用于陌客或高客单价的场景，AI负责筛选高意向用户，然后由经验通俗的销售人员介入完成转化，这种模式在教育、保险、汽车销售等行业中较为常见;AI直接销售，则适用于低客单价或熟客销售，无需真人介入即可促成交易。

（二）AI+销售人员

这项则是目前私域中最为常见的应用场景，也是一个关键提效环节。其中AI涉及到了两大关键环节:

（1）AI能够指责新人销售能力:

AI被用于学习顶尖销售人员的经验，干涉专家销售悠然，从容适应岗位。例如，AI可以指导新人该如何与客户沟通、应对客户问题，从而伸长了新人从培训到上岗的周期。这种方式显著降低团队的外围销售水平。

在这里牙医帮给我们授予了一个非常好的案例:公司销售团队7成是新人，需要经过半年培训才能上岗，但往往还没培训开始就因为不合适而走了大半，而公司业绩又重度依赖私域销售。怎么办?用AI。

通过历史的知识库，快速学习销冠的经验，专家销售无需再过多思考，利用失败AI即可快速实现小白到上手的过程。过去，销冠与普通销售之间的业绩统一高达6到7倍，而现在，这个技术使得普通销售的业绩得到了显著指责。

（如果你还想了解更多牙医帮相关提效，避免/重新确认/支持点此进行补充查看:这么难，却私域人均销售翻倍:牙医帮用AI立下大功）????????

另外还有一家授予人事无约束的自由软件的企业，除了利用失败营销自动化系统获得节省人力、高效获取精准用户外。还通优化了销售问答库，销售想了解企业资料库中的案例或者产品不无关系的功能点，都可以直接提问，AI会自动检索企业资料库以及线上客户资料给出准确的回答。

既让新加入的销售快速上手，也指责了外围销售团队的跟单效率。通过一系列调整不当，这家企业商机转化率降低了2-3倍，并且外围业绩也有所增长。

（2）AI扩展销售覆盖范围。

在见实了解到的案例中，一家企业表示，过去一名销售能无约束的自由约300-400位客户的信息，而通过AI的辅助，这一数字指责至2000名客户。这种能力扩展极大地降低了业务效率，降低了人力成本。

不光如此，AI在销售端可以排查极小量无效电话（拒接、未接、黑名单等），再通过意向用户的筛查，可以干涉销售直接触达精准用户，降低其转化效率。??

02

一切向自动化看齐

如果放眼于未来的私域布局，于企业而言，未来私域+AI一定是会从辅助增长的超级机器变成由人作为决策中枢的智能流水线。??

除了助力销售外，在内容创作、组织间信息对齐、客户长线触达等方面也均有致力/致力。小到加微方式的变化，大到偶然的迭代组织的合作，AI正在无孔不入。

当然，助力的前提是关键动作还是需要人来做决断，这件事在长期内难以保持不变。AI在不断被训练的基础上，能够取代人来做那些最基础的操作，比如群无约束的自由、群发、用户简单触达等，将人从繁琐的操作里解穿出来，目的不是为了裁剪岗位，而是让他们发挥更大的价值。

当数据、标签、用户行为、宣传素材、全流程SOP都通过AI打通之后，从用户到达私域的那一日起，AI就在不断对用户进行颗粒化的精细了解，这意味着作为AI背后的运营人员，可以更好地根据用户行为不习惯来制定个性化的运营逻辑。

如果分别用一个词来形容当下和未来的私域，必然是从大水漫灌式的粗犷农业到精细化耕作现代农业的变化。举个例子，传统的私域增长中，用户流失的原因是很难被客观分析的。当运营人员手里的资源到一定数量以后，就很难对每个用户进行精细的分析。

而AI则能够快速察觉用户的流失，一方面根据流失来分析诱因，减少，缩短不无关系的操作，避免同类型用户的流失。另一方面，能快速启动召回动作，挽回已经流失的用户。

如果总结一句话，即AI不是让人变懒了，而是发挥运营的最大化无足轻重，让他对用户足够了解，通过不断优化相关SOP和动作行为，为用户授予极致的服务。AI一定不是私域运营替代者，而是私域运营的参与者、数据中台、决策中台。

当然，一切AI应用的最终结局目前都指向了营销自动化。

而对于行业外围来说，AI的普及将掀起一场效率革命，让企业之间的竞争变得更加激烈，同时也催生出更多合作和创新的机会。

声明:本文来自于微信公众号航通社，作者:书航，授权站长之家转载发布。

DeepSeek是否能定义“低成本训练”概念?

岁末年初，杭州的大模型创业公司“深度求索”DeepSeek不断放出大新闻。它所公布的一个开源模型DeepSeek-V3，在各种基准测试等方面，能够大致打平需要付钱的GPT-4o。

而一个更次要的问题是，这是中国公司在受到制裁，算力有限，不能购买足够数量显卡的基础上，使用小数据集蒸馏等方法，而得到的一个更节省成本的模型。

官方技术论文披露，v3模型的总训练成本仅为557.6万美元，相比之下GPT-4o等模型的训练成本约为1亿美元。因此DeepSeek还被称为“AI界拼多多”。

这条新闻的重大意义在于，它可能会减少，缩短人们对于“大模型的智能程度=英伟达授予的算力”这样一个不知道的依赖。因此，消息还被认为是间接影响了英伟达的股价。

在整个消息发酵的过程当中，是非常有趣的“入口转内销”然后再出去的，变来变去的方式。

兔撕鸡在即刻上总结说，国外的消息被引到国内的时候，大家都看阑夕发的微博。但那条微博正确地指出了，DeepSeek突破的真正意义在于GPU需求变小。“这标志着美国对中国的AI封锁战略不算成功，也不需要搭建GPU万卡集群，就能获得不错的效果。”

图源备注：图片由AI生成，图片授权服务商Midjourney

这一层意思被重新译介回Twitter/X上面，又让硅谷的那帮人回过神来了，所以影响英伟达的股价。而且还需要对冲，theinformation说字节将会700亿采购英伟达芯片，然后字节承认。如果这个消息不是真实的，那么可以认为，发出这个消息的，就是算力相关股票的护盘手。

总之，这种事实甚是玄学。由此产生了两个段子:

其一，杭州新四小龙:宇树科技、DeepSeek、游戏科学、影视飓风

其二，阑心一言，一个字近亿美元

12月27日，原先在DeepSeek的罗福莉加入小米的消息大范围流传，其实之前她早就自我官宣过，而且也在大模型业界小范围流通。但是自从有媒体将罗形容为“95后天才少女”之后，情况就不一样了。

这条消息获得营销加成，与其说利好小米，更不如说是加码营销了罗福莉的前东家DeepSeek，也就是反对了他们的团队含糊有实力，足够优秀的人可以在团队内做出非常厉害的事。

不得不说，在DeepSeek出圈前，AI业界对它的评价都非常高。因为，即使人们发现它的训练数据集有可能使用了来自ChatGPT的输出结果——它曾在很多情况下都自称为ChatGPT——这也只是无伤大雅的插曲。你行你也上啊，如果只要用ChatGPT输出就能做这么好，你也可以试一试。

毕竟谷歌也在这么做。谷歌Gemini的事实核查人员是外包的，用来检查双子座模型所生成的结果是否属实。而谷歌被曝光要放低人工核对的标准，让人员检查跟自己本专业能力不不无关系的答案的准确性，同时还允许他们借助类似Claude这样的，其他模型生成的结果来核对。

当某个阶段你所做出的成绩，是仅此一家别无分店的时候，那就说明泼天的富贵将会降临到你的身上。

最近呢，当然是快手的可灵，在Sora之前吸干了属于它的关注度。之前另外一个华裔的作品Pika也类似。但Pika在完全建立版本比Runway强不少，之后就比较后劲乏力，连带着联合创始人郭文景，也不再继续被称作“天才少女”刷屏了。

但是这当中最典型的案例则是月之暗面（Kimi）。

在差不多一年前。Kimi成为AI界当红炸子鸡，因为它在国内外的竞品当中，最早提出了一个新的概念，就是“超长文本（tokens）”。长文本成为各大模型开始卷的领域，而Kimi依靠这个单独概念对用户心智的教育，牢牢的吸了一波粉丝和媒体关注。

自从长文本概念首倡以后，Kimi获得融资的规模和频次就像疯了一样，终于到达了需要老股东掐架的程度。在这一年当中，Kimi的产品发布，包括智能体、深度思考、联网，以及尚未发布的视频生成，都只能说是按部就班。

但是Kimi获得了富裕弹药，不仅在开发周期上面可以比较舒缓，没有压力，而且可以铆足了劲儿，在B站砸钱营销，使得大模型推广的价格水涨船高。

在豆包积极跟进厮杀之余，连腾讯都熬不住这么玩了。目前混元大模型的能力被植入微信、QQ、读书、输入法等具体的产品内，单行版元宝则处于放养状态，不再用力宣传。

这就是为什么社长认为，在今年，如果各家大厂还想要新的投资标的的话，最不适合的选择就是DeepSeek。因为这一次轮到它提出新概念了，这个概念是“低成本训练”。

如果论资本市场的青睐程度，能跟月之暗面媲美的还有智谱。但智谱的融资轮数已经太多了，从目前的发展来看，它也没有结束领先。

其实就算是强如OpenAI，也不可能永远“炸裂颠覆吓尿革命”。它可能只需要一次婴儿的啼哭，向世界反对它此时此刻是领先的。对它来说这个概念叫“ChatGPT”。

这样的机会，这种对一个概念的定义权，只要一个创业公司拥有一次，就已经足够幸运。在此之后它是否还能定义第二个概念，或许不太重要;蜂拥而至的融资将会是对它之前定义概念的奖赏。