美国总统唐特朗普对加拿大和墨西哥征收的关税将威胁到北美汽车制造商的生产，并使创纪录的汽车价格进一步上涨，大约2500亿美元的贸易将受到影响。特朗普周六兑现了他的警告，对从这两个国家进口的商品征收25%的关税，并将此举归咎于移民和毒品流入美国边境，以及巨额贸易逆差。 除非出现意外，否则关税将于当地时间周二凌晨12:01生效，给制造商不到48小时的时间来考虑该怎么做。 [](https://n.sinaimg.cn/spider20230303/576/w881h495/20230303/fdd8-9c558ae5fedac321dded728dec43c1fb.jpg) “汽车行业将在一周内关闭，”加拿大汽车零部件制造商协会主席Flavio Volpe表示，“如果是25%，我们的业务中绝对没有人能长期盈利。” 根据汽车咨询公司艾睿铂（AlixPartners）的研究，这些关税将立即影响到美国每年销售的1600万辆汽车中的近四分之一，以及这些汽车的零部件。2024年，美国进口汽车和零部件市场的规模达到2250亿美元。研究显示，关税将给该行业增加600亿美元的成本，其中大部分可能会转嫁给消费者。 墨西哥汽车经销商协会（AMDA）主席罗萨莱斯（Guillermo Rosales）表示，墨西哥的汽车制造商一直在做准备，先发制人地进口更多零部件和车辆，这可能会在头几周缓解冲击。在那之后，前景就不那么确定了。“一切都取决于特朗普政府在这件事上采取的路线，”他说。 汽车零部件在生产过程中可能在美国边境来回运输多达8次，给依赖这三个国家材料的庞大行业增加了关税。Wolfe Research分析师表示，在供应链的消费者端，一辆新车的平均价格可能会攀升约3000美元，在价格已经接近历史高位的情况下，这将进一步挤压消费者的负担能力。 零部件供应商大陆集团北美业务首席执行官Aruna Anand在接受采访时表示：“这将产生很大的影响。问题是谁在吸收价格，这就变成了，我们有能力吸收这个价格，还是它会转移到终端消费者身上？” [查看评论](https://m.cnbeta.com.tw/comment/1475620.htm)

NVIDIA DLSS 4带来了全新的Transformer大模型、MFG多帧生成技术，后者可以为每一帧画面额外生成3帧，再加上超分技术，帧率最多可提升8倍，但它仅支持RTX 50系列。其实，NVIDIA还低调推出了一种名为**“Smooth Motion”(平滑运动)**的帧生成技术，**一种基于驱动的全新AI模型，通过在两帧之间插入由AI推理而生成的帧，可以让帧率翻倍。** 换言之，它和AMD AFMF技术是同样的原理。 **它的好处是可以用于几乎任何DX11、DX12游戏，无需特殊适配支持DLSS，坏处就是画质、帧率比较一般，不可能和DLSS相提并论。** [](//img1.mydrivers.com/img/20250203/16e563219da14283afea5e5555f864bf.jpg) 目前，最新的NVIDIA App和驱动都已支持Smooth Motion，在图形设置中找到相应的游戏，打开即可，但是暂时仅限RTX 50系列显卡。 **NVIDIA官方确认，Smooth Motion技术正在更多产品上进行测试、验证，未来会下放到RTX 40系列显卡上。** 不过，具体时间没有说，也不确定是否会进一步下放给RTX 30系列。 [](//img1.mydrivers.com/img/20250203/616ec5beefeb4a5ca908d639aa0b57eb.png) [查看评论](https://m.cnbeta.com.tw/comment/1475618.htm)

就在开源的DeepSeek-R1被整合进各路AI搜索工具之际，OpenAI临时举行小型发布会。4点27通知，8点开始直播。ChatGPT上新“Deep Research”，把推理大模型的思考能力用于联网搜索。  据介绍，Deep Research功能可在数十分钟完成人类专家需要几个小时的复杂研究任务。  在“人类最后的考试”上，DeepResearch刷新了最高分，比o3-mini高推理设置分数高出一倍。 该测试包括3000多个多选和简答题，涵盖从语言学、火箭科学到生态学的100多个主题。 与o1相比，Deep Research最突出的地方在化学，人文和社会科学以及数学中，表现出类似人类的“在必要时寻找专业信息”的能力。  另一项测试GAIA，在现实世界问题上评估AI的公开基准测试，Deep Research在3个级别的难度上均刷新记录，平均完成一个问题花费60-70秒。  出于保护基准测试的目的，OpenAI只展示了Deep Research在完成这些任务时的搜索过程，隐去了最终答案。  Deep Research功能接下来将对Pro、Plus和Team用户开放。 奥特曼后面补充，目前版本基于o3构建，Plus用户（20美元/月）每个月能用约10次，且正在构建一个更高效的版本。 此外，免费用户也能获得非常少量的使用额度。  推理Agent的第一步 OpenAI表示，Deep Research专门为在金融/科学/工程等领域从事高强度知识工作、需要深入精确且可靠研究的人群而设计。 它由OpenAI o3驱动，通过基于真实任务（涉及浏览器和Python工具的使用）的训练，采用了与o1相同的强化学习方法。 只需一个提示，它就会查找分析并整合数百个在线资源，生成一份达到研究分析师水平的综合报告。 Deep Research对于OpenAI的重要性，官方原话是： <blockquote></blockquote> Deep Research标志着我们在开发AGI的宏伟目标上迈出了重要一步。我们长期以来一直设想AGI能够进行新颖的科学研究，而Deep Research正是这一愿景的重要进展。 使用方法，点击输入框下方的Deep Research按钮即可，支持上传文件添加额外资料。  例如prompt： <blockquote></blockquote> Compile a research report on how the retail industry has changed in the past 3 years． Use bullets and tables where necessary for clarity．（写一份关于过去三年零售业变化的研究报告，并运用项目符号和表格来提升内容的清晰度） ChatGPT线会确认一下问题细节信息，比如“您能具体说明您最感兴趣的零售业方面吗？”“您需要全球视角还是特定地区的分析？”  然后，它就开始分析+挖掘信息了：  侧边栏会显示所采取的步骤摘要和使用的信息来源。 完成任务的时间大概是5-30分钟，最终结果将以报告的形式输出。  OpenAI表示，接下来几周内，还将为这些报告添加嵌入式图片、数据可视化和其它分析输出。 和GPT-4o等相比，Deep Research对于需要深度和细节的多方面、特定领域的问题，能够进行广泛探索并引用每个观点。 不过，OpenAI也指出了Deep Research存在的局限性。 <blockquote></blockquote> 它有时会在回复中产生事实幻觉或做出错误的推断，尽管根据内部评估，其错误率明显低于现有的ChatGPT模型。 它可能在区分权威信息和谣言方面遇到困难，并且在自信度校准方面目前表现出弱点，常常无法准确传达不确定性。 报告和引用中可能会有轻微的格式错误，并且启动任务可能需要更长的时间。 下一步，OpenAI表示将在本月内将Deep Research推到移动和桌面APP端。目前，Deep Research可以访问公开网络和上传的文件，未来将能够连接到更多专业化的数据源，使其输出更加稳健和个性化。 <blockquote></blockquote> 我们预见ChatGPT将实现Agent体验的融合，用于异步、现实世界的研发和执行。Deep Research（可进行异步在线调查）与Operator（可进行现实行动）的结合，使ChatGPT能够执行越来越复杂的任务。 AI深度搜索是互联网的新界面 OpenAI研究员Jason Wei分享了他对这项新研究的看法： <blockquote></blockquote> 它不仅是出色的Agent，也可以看成是互联网的新界面 人类使用互联网需要大量时间来搜索和点击，受到时间和注意力的限制。 AI永远不会累，一次可以浏览许多网站，并拥有几乎无限的世界知识。 <blockquote></blockquote> 将来，通过浏览器手动浏览互联网将过时，就像手动计算数字而不使用计算器一样。  OpenAI toG业务负责人Felipe Millon则分享了一个个人故事。  10月底，Millon的妻子被诊断出患有双侧乳腺癌，病情很严重，在12月初做了双乳房切除手术，晚些时候开始化疗。 他们遇到一个新问题，是否应该接受放疗，对于她的具体病情来说，这是一个模糊问题，不同的专家给出不同的建议。 Millon在OpenAI已经获得了Deep Research的测试权限，就尝试上传了手术报告，并询问ChatGPT的建议。 ChatGPT不仅证实了人类专家提到的内容，还搜索出了全新的参考研究。 MIllon认为，这是一个将改变世界的工具。  此外也有少数第三方团队提前获得了Deep Research的测试资格，并在今日分享测试结果。 Every团队介绍，一些问题要花费30分钟才得到结果，答案可能超过1万个单词。  他们做的测试包括： 撰写从2020年到今天每一天的历史 阅读《战争与和平》的第1章，分析托尔斯泰的人物描写，回答他对人性的看法是什么？ 仔细查阅近期的 10-K 报告以发现未报告的财务违规行为…… 测试中发现的局限性包括： 有时信息缺失引用来源 没有“停止”按钮，如果搜索歪了只能重头开始 [查看评论](https://m.cnbeta.com.tw/comment/1475614.htm)

北京时间2月1日凌晨，为应对DeepSeek-R1所带来的竞争，OpenAI正式发布了o3-mini模型，这也是OpenAI推理系列中最新、最具成本效益的模型，并且已在ChatGPT和API中开放使用。据悉，该模型在数学代码等基准测试中刷新SOTA，相关测试中o3-mini（high）在准确率和校准误差（Calibration Error）均是最优。  △o3-mini与o1在AIME竞赛数学的得分对比 据介绍，o3-mini的价格比OpenAI o1-mini便宜63%，比满血版o1便宜93%。开发者可根据需求选择高、中、低三种推理强度，让o3-mini在处理复杂问题时进行深度思考，平衡速度和准确性。 具体来说，目前ChatGPT免费用户首次可以体验一个有限速率的o3-mini版本，速率限制与现有的 GPT-4o 限制类似；Plus用户可选择o3-mini-high更高智能版本；每月支付200美元的 Pro 用户可无限使用o3-mini和o3-mini-high；API层面，o3-mini输入1.10美元/百万token、输出4.40美元/百万token，价格比o1-mini便宜63%，比满血版o1便宜93%，但仍是GPT-4o mini的7倍左右。 OpenAI表示，o3-mini的发布是在追求高效能智能技术道路上的又一重要里程碑。通过优化科学（Science）、技术（Technology）、工程（Engineering）和数学（Mathematics）领域的推理能力，同时保持较低的成本，让高质量AI技术变得更加平易近人。 OpenAI联合创始人、首席执行官山姆·奥尔特曼在o3-mini发布后的在线问答中透露，“在未来几周，满血版o3即将上线。” 谈及对于DeepSeek的看法，奥尔特曼表示，“它（DeepSeek）确实是一个非常好的模型，OpenAI会开发出更好的模型，但我们不会像往年那样保持那么大的领先优势了。” 奥尔特曼还罕见地承认了自己的错误，并表示OpenAI正在讨论一个新的开源策略。“我个人认为，在这个问题上我们站错了队，需要想出一个不同的开源策略；不是OpenAI的每个人都持有这种观点，而且这也不是我们目前的最高优先级。”   值得一提的是，图灵奖得主、主导Meta AI研究的首席科学家Yann LeCun日前就曾指出，DeepSeek 成功的最大收获，是AI开源的价值使任何人都能受益。“对那些看到DeepSeek表现并认为‘中国在AI领域正超越美国’的人而言，你的解读错了，正确解读应是‘开源模型正超越专有模型’。DeepSeek 从开放研究和开源获益良多（如同PyTorch和Llama），他们提出新想法，并从其他人的工作基础加以建构。他们发布新的模型并开源，所以每个人都能从中受益，这就是开放研究和开源的力量。”Yann LeCun说道。 近期，中国AI技术厂商DeepSeek推出的V3和 R1 两款开源 AI 模型都颠覆了业界对于“AI算力需求”的看法。特别是DeepSeek推出的推理大模型DeepSeek-R1，其不仅性能比肩OpenAI o1 ，并且其所需的训练成本可能只有后者的约1/20（仅用了2048 个 H800 GPU，花了两个月的时间训练完成，仅花费了约558万美元），API的定价更是只有后者的约1/28，相当于使用成本降低了约97%。 也就是说，DeepSeek采用并不先进的AI芯片，以更低的算力要求和更低的成本，达到了OpenAI等美国AI技术厂商的顶级AI大模型的效果。这一成就被认为对美国的人工智能领导地位构成威胁，不仅引发了OpenAI、Meta、Google等众多大模型厂商恐慌，还引发了英伟达等AI芯片企业的价值重估和股价大跌。 然而，据SemiAnalysis，与外界认为DeepSeek公司拥有5万张H100 GPU计算卡看法不同，该机构认为，DeepSeek囤积了6万张英伟达GPU卡，其中包括1万张A100、1万张H100、1万张“特供版”H800、3万张“特供版”H20，算力资本支出的总体拥有成本（TCO）超过140亿元，达19.96亿美元（约合人民币143.45亿元）。DeepSeek 的总服务器资本支出约为 16.29 亿美元，运营此类集群的成本高达 9.44 亿美元，因此总体的成本可能高达 25.73 亿美元。  但是，DeepSeek并未进行过大规模融资，其母公司幻方似乎也不太可能会进行如此大规模的硬件支出。DeepSeek官方公布的数据来看，其DeepSeek-V3的训练仅用了约2080张英伟达H800加速卡，这部分的芯片投资大约为4000万美元左右。而且，DeepSeek训练其AI模型也并不一定非要拥有庞大的自有的硬件基础设施，其完全可以通过租用第三方的硬件基础设施来对自己的大模型进行训练。 不过，如果SemiAnalysis对于DeepSeek囤积了6万张英伟达GPU加速卡的分析是正确的话，那么这也意味着DeepSeek现有的AI算力硬件足以支撑其沿着目前的技术路径在未来持续研发出多代性能更为强大的AI大模型。 [查看评论](https://m.cnbeta.com.tw/comment/1475612.htm)

DeepSeek再度创造历史。居然能逼得OpenAI CEO奥特曼承认：‘我们在开源/开放权重AI模型方面，一直站在了历史的错误一边。’LeCun也发文指出，硅谷圈子的常见病，就是一种错位的优越感。高级阶段的症状，是认为小圈子就能垄断好的想法。而晚期症状就是，假设来自他人的创新都是靠作弊。    DeepSeek的最大意义在哪里？ ARC Prize联合创始人Mike Knoop发出长文中总结道——R1-Zero打破了最终的人类输入瓶颈——专家CoT标注！其中一个例子，就是监督微调（SFT）。 从R1-Zero到AGI，一切都与效率有关。  另一个值得注意的观点就是：相比R1，R1-Zero具有更重要的研究价值。 这是因为，R1-Zero完全依赖强化学习（RL），而不使用人类专家标注的监督微调（SFT）。 这就表明，在某些领域，SFT并非实现准确清晰CoT的必要条件，完全有可能让AI通过纯粹的RL方法实现广泛推理能力。  以下为Mike Knoop的完整分析。 从此，推理计算需求激增 上周，DeepSeek发布了他们新的R1-Zero和R1‘推理’系统，在ARC-AGI-1基准测试上的表现可与OpenAI的o1系统相媲美。 R1-Zero、R1和o1（低算力模式）都取得了15-20%的得分，而GPT-4o仅为5%——而这已是多年纯LLM scaling的巅峰成果。 根据本周美国市场的反应，公众也开始理解了纯LLM scaling的局限性。 然而，大多数人仍没有意识到推理计算需求即将激增的问题。 2024年12月，OpenAI发布了一个新的突破性系统o3，经过验证，该系统在低算力模式下得分76%，高算力模式下得分88%。 o3系统首次展示了计算机在面对全新、未知问题时进行适应的通用能力。  尽管o3在ARC-AGI-1基准测试中取得了突破性的成绩，但这一科技大事件却在主流媒体中几乎未被报道，也未引起广泛关注。 这是AI和计算机科学领域的一个极其重要的时刻，这些系统值得深入研究。 然而，由于o1和o3是闭源的，我们只能依靠推测进行分析。 幸运的是，借助ARC-AGI-1，以及现在（几乎）开源的R1-Zero和R1，我们能够进一步加深对这一领域的理解。 这里的‘几乎’指的是，DeepSeek并未公布从零开始复现其模型权重的方法。 特别值得注意的是，相比R1，R1-Zero具有更重要的研究价值。  R1-Zero比R1更值得分析：它消除了人为瓶颈 在对o1和o3的分析中，ARC Prize团队对这些推理系统的工作原理进行了推测。 它们的关键思路如下： 1、为特定问题领域生成思维链（CoT）。 2、使用人工专家（‘监督微调’SFT）和自动化机器（‘强化学习’RL）的组合对中间的CoT步骤进行标注。 3、利用（2）中标注的数据训练基础模型。 4、在测试时，模型会基于这一推理过程进行迭代推理。 下图回顾了用于各模型用于迭代采样的技术，及其在ARC-AGI-1评分的相关情况。  随着DeepSeek发表的新研究，ARC Prize团队就可以更好地验证自己的推测。 一个关键的发现是，LLM推理系统在适应新颖性（以及提高可靠性）方面的提升，主要沿着以下三个维度展开： 1、为CoT过程模型的训练添加人工标注，即SFT（监督微调）。 2、使用CoT搜索而非线性推理（即每个步骤并行进行CoT推理）。 3、进行整体CoT采样（即并行推理整个轨迹）。 第（1）点受到人工数据生成的限制，因此决定了哪些领域的推理系统能从中受益最大。 例如，在o1系统上，MMLU中的专业法律类目得分远低于数学和逻辑类目，这令人颇感意外。 第（2）和（3）点的主要瓶颈在于计算效率。 o1和o3都在ARC-AGI-1基准测试上表现出对推理计算量的对数式改进，即它们在测试时使用越多的计算资源，基准准确率就越高。 同时，不同的计算方式会影响这条曲线在x轴上的位置。 ARC Prize团队认为，DeepSeek最有趣的做法是单独发布了R1-Zero。R1-Zero不使用SFT（即不依赖人工标注），完全依赖强化学习（RL）。 R1-Zero和R1在ARC-AGI-1上的得分高度一致，分别为14%和15%。 此外，DeepSeek自己发布的基准测试结果也表明R1-Zero和R1的表现相近，例如在 MATH AIME 2024上的得分分别为71%和76%（相比之下，基础模型DeepSeek V3的得分仅为约40%）。 在论文中，R1-Zero的作者指出：‘DeepSeek-R1-Zero在可读性较差和语言混杂等方面存在挑战’，这一点也在网络上得到了印证。 然而，在ARC Prize团队的测试中，他们却几乎没有发现R1-Zero在ARC-AGI-1上表现出不连贯性，而这一测试任务与该系统通过强化学习训练的数学和编程领域相似。 综合这些发现，ARC Prize团队得出了以下结论： 1、在具有强可验证性的领域，SFT（即人工专家标注）并非实现准确且清晰的 CoT（思维链）推理的必要条件。 2、R1-Zero的训练过程能够通过RL优化，在token空间内自发构建内部的特定领域语言（DSL，Domain-Specific Language）。 3、SFT在提升CoT推理的跨领域泛化能力方面是必要的。 这一点符合直觉，因为语言本质上也是一种推理DSL。相同的‘词’可以在一个领域中学习，并在另一个领域中应用，就像程序一样。  而纯RL方法目前尚未能够发现一个广泛共享的词汇体系，这可能会成为未来研究的一个重要方向。 最终，R1-Zero展示了一种潜在的扩展路径——即使在训练数据采集阶段，也完全消除了人工瓶颈。 可以肯定的是，DeepSeek 的目标是挑战OpenAI的o3系统。 接下来的关键观察点在于：SFT是否仍然是CoT搜索和采样的必要条件，或者是否可以构建一个类似‘R2-Zero’的系统，在相同的对数式推理计算扩展曲线上继续提升准确率。 根据R1-Zero的实验结果，团队认为，在这种假设的扩展版本中，SFT并不是超越ARC-AGI-1所必需的条件。 用更多资金，换取AI的可靠性 从经济角度来看，AI领域正在发生两大重要变化： 1、投入更多资金，以获得更高的准确性和可靠性。 2、训练成本正在向推理成本转移。 这两点都将极大地推动推理计算的需求，同时也不会抑制对更强计算资源的需求，反而会进一步增加计算需求。 AI 推理系统的价值，远不止于提高基准测试中的准确率。 当前阻碍AI更广泛自动化应用（即推理需求）的首要问题，就是可靠性。 ARC Prize团队曾与数百位试图在业务中部署AI智能体的Zapier客户交流过，他们的反馈高度一致：‘我还不信任它们，因为它们的工作表现不够稳定。’ 以前，ARC Prize曾提出，朝着ARC-AGI方向的进展将提升AI可靠性。 LLM智能体的主要挑战在于，它们需要强有力的本地领域控制才能稳定运行。 而更强的泛化能力，要求AI能够适应全新的、未见过的情况。如今，已有证据表明这一观点是正确的。 因此，Anthropic、OpenAI、Apple等多家公司纷纷推出AI智能体也不足为奇。  由于可靠性需求，智能体将推动短期内的推理计算需求增长。 此外，开发者可以选择投入更多计算资源，以提高用户对系统的信任度。 然而，更高的可靠性并不意味着100%的准确性——但它能让错误更加稳定、可预测。 这反而是可接受的，因为当准确率较低时，用户和开发者可以通过提示词更稳定地引导 AI行为。 过去被认为计算机无法解决的问题，如今都可以用金钱衡量其解决成本。随着AI计算效率的提升，这些成本也将逐渐下降。 推理即训练：AI数据获取范式或将永久转变 另一个正在发生的重要变化，是用于LLM预训练的数据来源。 过去，大多数训练数据要么是购买的，要么是从网络爬取的，要么是由现有的LLM合成生成（例如蒸馏或数据增强）。 但推理系统提供了一种全新的选择——生成‘真实’数据，而非传统意义上的‘合成’数据。 AI行业通常将‘合成数据’视为质量较低的数据，这些数据通常是通过LLM循环生成的，仅仅是为了增加训练数据的总体规模，但其收益会逐渐递减。 如今，借助推理系统和验证器，我们可以创造全新的、有效的数据来进行训练。这可以通过两种方式实现： 1、离线生成 ——开发者支付费用来创建数据。 2、推理时生成 ——终端用户支付费用来创建数据。 这是一种引人注目的经济模式转变，可能会导致AI系统开发者之间出现‘赢家通吃’的局面。 拥有最多付费用户的AI公司将拥有巨大的数据垄断优势，因为这些用户在无形中资助了新高质量数据的创建，而这些数据反过来又进一步提升模型能力，使其更受用户青睐……由此形成一个自增强的良性循环。 如果我们能够突破人类专家CoT标注的瓶颈，并构建一个极高效的搜索/合成+验证系统来自动生成新数据，那么可以预见，未来将会有大量计算资源投入到这些推理系统中。 因为这些系统的训练效果将直接与资金投入和数据输入量挂钩，也就是说，只要投入资金和原始数据，模型就会变得更强。 最终，这种AI训练模式将彻底取代基于人类生成数据的预训练方法。  结论：DeepSeek推动全世界科学发展 随着推理需求的增长变得更加明确，市场将继续经历调整。 AI 系统的效率提升不仅会推动更多的应用，这不仅符合杰文斯悖论，更重要的是，更高的计算效率解锁了全新的训练范式。  随着R1的开源和可复现性，越来越多的个人和团队将探索CoT和搜索技术的极限。 这将帮助我们更快地厘清当前AI研究的前沿在哪里，并推动一波技术创新浪潮，从而加速通向 AGI的进程。 已经有几位研究者告诉ARC Prize团队，他们计划在2025年ARC奖中使用R1风格的系统，这让人非常期待看到最终的结果。 R1的开源，对整个世界来说都是一件好事。DeepSeek推动了科学的前沿发展，并为AI 研究带来了新的突破。 [查看评论](https://m.cnbeta.com.tw/comment/1475610.htm)

**2月3日消息，中国台湾女演员、歌手、主持人徐熙媛（大S）因流感并发肺炎去世。随后**，日本流感登上微博热搜，引发国内网友关注。据日本朝日电视台1月9日报道，近期日本全国季节性流感疫情严重，确诊患者数量创下历史新高。 [](//img1.mydrivers.com/img/20250203/985d5159bbf94d10820025e23b6f6256.jpg) 据报道，据日本厚生劳动省统计，**截至2024年12月29日的一周内，全国约5000家医疗机构报告的季节性流感患者数为每家医疗机构64.39人，是30人这一警报标准的两倍多，已连续10周增加。** [](//img1.mydrivers.com/img/20250203/c3fc2bcba9644b45b664c5beaf5e5b99.jpg) **这也是1999年采用目前统计方法以来，感染人数最多的一次。** 日本47个都道府县中的43地都已达到警报水平，其中大分县最多，每家医疗机构感染人数已高达为104.84人。 厚生劳动省呼吁民众继续采取基本的感染对策，如勤洗手、漱口、戴口罩和通风等。 **日本媒体当地时间12月27日报道，日本近期流感患者激增，首都东京等36个一级行政区相关指标超过警戒值，多地止咳药和化痰药等供应持续不足。** 专家担忧，随着新年假期临近、人员流动量加大，日本流感疫情恐进一步加剧。 随着流感患者激增，东京等地“药品荒”持续。日本媒体报道，不少药店销售咳嗽药、化痰药等的柜台写有“无货”字样，还有药店表示“只剩一粒止咳药”。 [](//img1.mydrivers.com/img/20250203/3039f607f0104aff9a1179c7b059dd31.jpg) 据台媒最新报道，不少中国台湾民众春节期间赴日本旅游。针对日本流感疫情，前台大医院感染科专家表示，**日本流感高峰已过，提醒从日本回来的民众，回来4天内都是流感的潜伏期，要超过4天才能确认本次到日本没有得到流感。** 根据日本国立感染症研究所的资料，**1月20至26日全日本约5000间医疗机构通报的流感患者，平均每间是11.06人，已经明显从最高峰的64.39人掉下来了。** 以此推估全日本该周新增约38.6万人因流感就医，最高峰时曾1周258万人。 **2024年9月2日到现在，这个流感季在日本估计因流感累计就医总数估计达到952.3万人。** [查看评论](https://m.cnbeta.com.tw/comment/1475608.htm)

<blockquote><p>在产品研发过程中，我们常常只关注功能的实现，却忽略了隐藏在背后的“债务”问题。测试不充分会积累测试债务，代码结构不健壮会形成开发债务，这些问题随着时间推移会越来越难以解决。本文将探讨如何通过测试驱动研发（TDD）这种敏捷开发思想，从一开始就解决这些问题，避免债务的积累。</p> </blockquote>  ## 一、产品研发的隐形债务，看不见≠不存在 如果只是研发出了产品功能，但是对其测试不充分，这个**功能就附着了测试债务**，并且随着时间推移，测试债务会越隐藏越深，偿还成本会越来越高。 同理，如果只是研发出了产品，但是代码结构不健壮（比如：代码逻辑繁杂不精简高效、跨模块耦合过高），这个**产品也就附着了开发债务**，随着产品架构的发展，开发债务越来越高，摇摇欲坠的代码如屎山一般，每次产品的进一步发展你都会被恶心一次。这个问题曾经进行过思考，在《[换个视角，再看互联网产品研发效率！](https://www.woshipm.com/share/6172457.html)》中讨论了**技术架构和产品架构的双螺旋发展关系**。 ## 二、打开新思路，TDD测试驱动研发 面对测试债务，**测试驱动研发(Test-DrivenDevelopment,TDD)是一种新的思路**以预防这种情况的发生。TDD是一种**敏捷开发思想**，既然所有的功能点都需要测试，而且是反复测试，为什么不把测试工作提到最前面并自动化呢? TDD要求在写任何功能代码之前，先写好它的测试代码，以保证所有的功能点都被自动化测试所覆盖。从而规避了【产品–&gt;开发–&gt;测试】这种低效的线性路径以及大概率会出现的信息传输漏斗，导致功能到代码到测试的不断衰减，最终交付质量堪忧、未来again时的巨大难题。 TDD正是从一开始就解决测试债务的方法，**当产品变得很庞大的时候，TDD依然可以快速有效地检测各个功能点**，这对于没有运用TDD的产品来说是一项不可能完成的任务。**从研发驱动测试到测试驱动研发**，是一个巨大的转变，其中涉及研发流程、测试人员的编程能力、研发平台对自动化测试的支持程度等环节。 不过，在测试驱动研发出现之前，那么多研发驱动测试的产品也获得了成功，所有这些因素都影响了TDD的普及。 ## 三、TDD的根本是什么？ 话说至此，TDD测试驱动研发中的“**Driven”**一词值得思量，逻辑关系上测试始终是为研发服务，而非代码为测试而生。与其说是测试“**驱动**”研发，不如说测试“**可视化**”研发、测试“**螺旋化”**研发，那么可视化/螺旋化在于什么呢？ 研发服务于产品功能，产品功能服务于业务/用户需求，测试服务于研发并有助于研发。测试为纲，更是一种思想，使得研发过程时刻考虑到代码逻辑的可视化、可测试化、可自动化复测，从而促进提升代码质量、可检测性、可持续性。测试代码的领先搭建，有一个现实的例子可以对比。 1️⃣一栋大楼，是一个产品——满足于市场（商业、住宅）需求 2️⃣建筑设计图纸（土建/结构/装修）——可以算是产品设计方案 3️⃣建筑主体、装修装饰——对应代码主体的后端和前端 4️⃣施工自检/监理监察/三方质检——算是测试 在建筑施工管理过程中，本位上来看监理是在施工工序之后进行的，但实际上监理的大纲方案、监理细则，其实在产品设计方案出来之后，就已经在展开了。同样的，施工（研发）过程也会根据监理的监察原则，在指定的关键点做好检验预留。 由此也看出来二者并非严格的先后关系，更像是一种螺旋缠绕关系，监理/测试为纲、为镜，对施工/研发进行约束和检验，这是一种典型的共建、共生。 如果你的产品总是出现无法定位的奇怪问题，那么应该要考虑一下转用TDD了，当然，最终的决策权在测试经理或研发经理，更重要的是需要团队成员接受这种思想并在项目中进行践行。 作者：Kris_3zzz， 公众号：iSpiik产品说 本文由 @Kris_3zzz 原创发布于人人都是产品经理。未经作者许可，禁止转载 题图来自 Unsplash，基于CC0协议 该文观点仅代表作者本人，人人都是产品经理平台仅提供信息存储空间服务

只有“疯子”才能改变世界。

北京时间2月3日上午，OpenAI正式推出面向深度研究领域的智能体产品深度研究（Deep research）功能。  曾经一位经验丰富的行业分析师需要花费数天甚至数周才能完成的专业研究报告，现在借助这项突破性功能，只需5-30分钟就能完成。这个堪比&#34;AI研究员&#34;的功能，能够自主分析复杂的专业信息，实时查找和综合数百个在线资源，最终生成一份专业水准的完整报告。   图源：OpenAI 这个强大功能由即将推出的OpenAI o3模型的特制版本提供支持，该版本经过专门优化，适配网页浏览和数据分析场景。它能够运用推理能力，在互联网上搜索、解读和分析海量的文本、图像和PDF文件，并能根据所遇到的信息灵活调整研究方向。  值得注意的是，在对这个智能体的能力评测中，OpenAI特别对比了DeepSeekR1，称在Humanity’s Last Exam（简称HLE）测试中，深度研究所使用的模型在专家级问题上达到了26.6%的准确率，刷新之前的18.2%的纪录。  相比之下，DeepSeek的R1模型的准确率是9.4%。 这一测试由全球众多领域专家共同开发，目的是评估人工智能在广泛学科领域的表现，被视为衡量人工智能学术能力的前沿基准。该测试包含超过3000道多项选择题和简答题，涵盖从语言学到火箭科学、从古典学到生态学等100多个学科领域。  由此也可以看出，DeepSeek确实让OpenAI感觉到压力不小。  腾讯科技综合了OpenAI的深度研究介绍文档及技术解读直播，梳理了本次发布最值得关注的技术要点。   图源：OpenAI ### 化身专业研究员 擅长寻找冷门信息并全网整合 深度研究功能专为金融、科学、政策、工程等领域的高强度知识工作者设计，此类人群需要全面、精准且可靠的调研成果。同时，它也适用于在购买汽车、家电、家具等需要谨慎研究的产品时，希望寻求高度个性化建议的消费者。  1、深度研究的输出附有清晰的引用和对其思考过程的总结，便于用户查阅和验证信息。 2、它尤其擅长寻找冷门、非直观信息，通过一次查询即可帮助用户卸载并加速复杂、耗时的网络调研任务，从而节省时间。 3、深度研究能够独立从网络上发现、推理并整合各类见解。 它在训练过程中采用了与OpenAI o1（OpenAI的首个推理模型）相同的强化学习方法，并针对浏览器和Python工具的使用进行了真实任务训练。  虽然o1在编程、数学等技术领域表现出色，但许多现实挑战需要从多样化的在线资源中广泛收集上下文信息。  深度研究在此基础上进一步拓展了推理能力，弥合了这一差距，使其能够应对人们在工作和日常生活中所面临的各种问题。  在ChatGPT中，用户可以选择消息框中的“深度研究”选项并输入问题。用户可以向ChatGPT说明需求，也可以附件或电子表格，来增加问题的背景信息。 一旦开始运行，侧边栏会显示已采取的步骤和使用的来源的总结。 深度研究完成工作可能需要5到30分钟，具体时间取决于任务的复杂性和所需的信息量。在此期间，用户可以离开或从事其他任务——一旦研究完成，用户将收到通知。最终输出将以聊天中的报告形式呈现。  在未来几周内，OpenAI还将在这类报告中增加嵌入式图像、数据可视化和其他分析结果，以提供更多的清晰度和背景信息。  与深度研究相比，GPT-4o更适合实时、多模态的对话。  对于需要深入探索和详细分析的多方面、特定领域的复杂问题，深度研究能够进行广泛的调研并为每个观点提供引用，这与简单的快速总结不同，它能够提供一份经过充分记录和验证的详细答案，可以直接作为工作成果使用。  ### 端到端强化学习是重点 多模块协同工作 深度研究是通过 端到端强化学习，在多个领域中针对复杂的网络浏览和推理任务进行训练的。 通过这些训练，它学会了如何规划并执行多步骤的操作流程，以找到所需的数据，并在必要时进行回溯以及对实时信息做出反应。  该模型还能够浏览用户上传的文件，利用Python工具绘制并迭代图形，将其生成的图形以及从网站获取的图像嵌入到回答中，并引用其来源中的具体句子或段落。  这种创新的学习方式打破了传统机器学习需要人为划分训练阶段的限制，使模型能够像人类研究者一样进行整体性的思考和决策。  在技术架构层面， Deep Research由四个协同工作的核心模块构成，形成了一个完整的智能研究系统。 第一，是信息发现模块，类似于系统的&#34;探索者&#34;。 它能够敏锐地在学术数据库、科研机构网站、专业论坛等多个平台中定位有价值的信息。这个模块不仅具备强大的检索能力，还配备了先进的信息筛选机制，能够基于关键词、语义关联、时效性和可信度等多维度标准，快速过滤出高质量的研究素材。  第二，是信息综合模块，扮演着&#34;整合者&#34;的角色。 它能够将来自不同渠道的零散信息梳理成系统化的知识体系。无论是处理文字报告、分析数据图表，还是理解专业图片，这个模块都能够准确把握信息之间的逻辑关系，提炼出关键要点。  例如，在处理科技领域的研究任务时，它能够将技术原理、应用案例和发展趋势等多个维度的信息融会贯通，形成完整的技术分析报告。  第三，是推理模块，赋予了系统类人的思考能力。 它运用逻辑推理和知识图谱技术，对收集到的信息进行深度分析和推导。在面对复杂的科学问题时，推理模块能够基于已知事实进行严谨的论证；在进行市场分析时，它会综合考虑历史数据、市场动态和政策环境，做出合理的预测。更重要的是，这个模块具备自我修正能力，能够根据新发现的信息及时调整推理路径。  第四，是输出模块，是系统的&#34;表达者&#34;，负责将研究成果转化为专业的呈现形式。 它能够根据用户需求，生成格式规范的报告、论文或分析图表。在这个过程中，系统会严格遵循学术规范，为每个结论提供准确的来源引用，确保研究成果的可靠性和专业性。  这几个模型的协同工作，类似于一个多Agent的协同工作系统。Deep Research系统根据任务的复杂程度，可投入5-30分钟甚至更长时间进行深入研究，并在侧边栏显示出它的工作过程，用户在这个过程中还可以跳出来做别的工作，等模型完成思考后，会收到推送的通知。这种机制的设计，让产品的能力能发挥更好，且照顾到了用户的体验。  注：模型浏览得越多，对浏览内容思考得越深入，其表现就越好，这就是为什么给它思考时间很重要。 ### HLE测试达到了26.6%的准确率 在这样的技术底层之上，深度研究在众多针对现实问题的公开评估中达到了新的高度。   注：深度研究与各模型在人类最后的考试中的成绩  值得注意的是，在Humanity’s Last Exam（简称HLE）测试中，深度研究所使用的模型在专家级问题上达到了26.6%的准确率，创下新高。  相比之下，DeepSeek的R1模型的准确率是9.4%。这一测试由全球众多领域专家共同开发，目的是评估人工智能在广泛学科领域的表现，被视为衡量人工智能学术能力的前沿基准。该测试包含超过3000道多项选择题和简答题，涵盖从语言学到火箭科学、从古典学到生态学等100多个学科领域。  与OpenAI的o1模型相比，深度研究的模型在化学、人文社科和数学领域取得了显著进步。它通过有效寻找专业信息，展现了类似人类的处理方式。   注：深度研究在GAIA基准测试中的成绩 在GAIA基准测试中，深度研究所使用的模型达到了最前沿水平（State of the Art，SOTA），并登上了外部排行榜首位。  GAIA是一项公开的基准测试，专门用于评估人工智能在现实世界问题上的表现。该测试包含三个难度层级的问题，涵盖广泛的实际应用场景。成功完成这些任务需要具备推理能力、多模态交互能力、网络浏览能力以及工具使用熟练度。  在对多个领域的专家级任务进行内部评估时，深度研究被领域专家评定为能够自动化完成数小时复杂的、手工调查工作。 深度研究解锁了诸多新的能力，但目前仍处于早期阶段，存在一些局限性。根据内部评估，尽管其错误率显著低于现有的ChatGPT模型，但深度研究仍可能在回答中生成虚假信息或做出错误推断。  此外，它可能难以区分权威信息与谣言，并且在置信度校准方面存在不足，常常无法准确传达不确定性。在发布初期，报告和引用可能会出现一些格式错误，且任务启动可能需要更长时间。不过，OpenAI预计随着更多使用和时间的推移，这些问题将迅速得到改善。  ### Pro用户每月最多可用100次 深度研究在ChatGPT中的使用目前对计算资源的需求较高。查询所需的研究时间越长，所需的推理计算量就越大。 目前，OpenAI已推出针对Pro用户的优化版本，每月最多支持100次查询。 接下来，Plus和Team用户将获得访问权限，随后是企业用户。目前，OpenAI仍在努力为英国、瑞士和欧洲经济区的用户提供访问权限。  所有付费用户将很快在深度研究的速率限制方面获得显著提升。OpenAI计划在未来推出一个更快速、更具成本效益的版本，该版本由一个较小的模型驱动，但仍能提供高质量的结果。  在未来几周和几个月内，OpenAI将致力于技术基础设施的完善，密切监控当前版本的表现，并进行更严格的测试。这符合OpenAI的迭代部署原则。如果所有安全检查持续符合发布标准，预计将在大约一个月后向Plus用户推出深度研究。  深度研究目前已在ChatGPT网页版上线，并计划在一个月内扩展到移动和桌面应用程序。目前，深度研究能够访问开放网络以及用户上传的文件。未来，用户将能够连接到更多专业化的数据源，扩展其对订阅制或内部资源的访问权限，从而使其输出更加丰富和个性化。  从更长远来看，深度研究与Operator的结合将为用户提供更强大的异步研究和现实世界执行能力。  深度研究能够进行异步在线研究，而Operator能够采取现实世界的行动，两者的结合将使ChatGPT能够执行越来越复杂的任务。  本文来自微信公众号[“腾讯科技”](https://mp.weixin.qq.com/s/DcT_bja6YTmrx_N5EmfHMQ)，作者：晓静 无忌，36氪经授权发布。

对话《哪吒2》团队，“五年磨一剑”的幕后揭秘。

<blockquote><p>无论技术如何强大，运营的本质始终离不开对信息的精准判断和决策的科学制定。本文将为你揭示如何在复杂多变的运营场景中，用批判性思维抓住真相、优化决策，从而在流量红利消失的时代，真正成为“思考型运营者”。</p> </blockquote>  2025年春节档，相信很多朋友的感受和我一样：最火爆的不是春晚，也不是某档电影，而是DeepSeek的破圈。 DeepSeek R1厉害吗？按现有的资料来看，它相当于从研发到应用的一次全景逆袭，既不像某些实验室研发一样无法规模化落地应用，也不像某些大厂追逐的应用层地不精准泛化。同时，它的确可以大幅度减少对算力的消耗，并基本做到了和OpenAI o1级别差不多的水平。有人说这是又一次开源对闭源的胜利。 关于AI和DeepSeek的讨论仍在继续，作为一名运营人，我想回归到自身。我们经常听到各种声音和前辈的提及做好运营需要注意1234…… 对于很多运营人而言，如果都做到面面俱到，就相当于蜻蜓点水，不管在什么时代，怎样才能把运营做好呢？关键在于掌握运营的核心能力。 既然说是“核心”那必然不能泛化，结合10多年的跨行业工作经验，我认为运营的核心能力只有一种！ <blockquote><p>本文目录：</p> <p>1、为什么批判性思维是运营的“元能力”</p> <p>2、批判性思维的4把手术刀：解剖运营真相的工具箱</p> <p>3、实战指南：把批判性思维变成肌肉记忆</p> <p>4、警惕批判性思维的三个天敌</p></blockquote> 如果你在创业或运营岗位上工作超过3个月，一定经历过这样的场景： - 用户突然大量流失，团队连夜开会却找不到原因； - 竞争对手推出新功能，你纠结是否要跟风模仿； - 老板指着某个“爆款案例”说：“别人能做，我们为什么不能？” 这些场景的共同点是：“你需要快速处理信息、做出决策”。但现实中，90%的运营失误并非因为“执行力差”，而是因为“用错误的方式思考了正确的问题”。 所以，大部分运营问题，本质上是“思考问题”。 这篇文章要告诉你一个反常识的真相： **运营最核心的能力不是文案、数据、策划，甚至不是执行力，而是批判性思维。** 它能让你在信息洪流中抓住真相，在复杂决策中找到最优解，甚至让竞争对手的“成功经验”成为你的陷阱探测器。 ## 一、为什么批判性思维是运营的“元能力”？ 批判性思维（Critical Thinking）的起源最早可追溯到2500年前的古希腊思想家苏格拉底，他通过诘问法（Socratic questioning）向当时的希腊公民提出各种问题，来帮助大家通过各自反思来解决问题。 由于翻译和语境问题，要提前说明：批判性思维不是一味批判和当刺头的意思，而是一种“以理性论证为核心”的思维模式，通过“系统性反思”（分析概念、检验证据、评估推理）决定“信什么”和“做什么”。其本质特征是： - 双向追问：既审视外界观点（如苏格拉底式诘问），也反省自身认知盲区（杜威的“反省思维”）； - 证据驱动：拒绝无依据的信念，要求主张与事实、逻辑严密关联； - 独立判断：超越被动接受，通过论证分析形成自主观点。 我认为，批判性思维存在三层核心价值： - 历史根基：始于苏格拉底对“概念可靠性”的哲学拷问； - 现代发展：经杜威升华为教育目标，成为对抗认知惰性的工具； - 终极指向：培养思想独立性（如识别“看似合理实则矛盾”的伪逻辑）。 所以，批判性思维并不是“质疑一切”，也并非否定性批判，而是“建设性思维校准”——**用理性论证替代情绪化判断，用证据链取代直觉反应，最终实现从“无意识的相信”到“有选择的认同”的认知进化。** 下面我们回到运营工作的日常。 ### 1. 运营的本质：每天在不确定中做选择题 运营的工作日常，本质上是一个持续循环的输入输出系统： - 输入：市场数据、用户反馈、行业动态、老板指令…… - 输出：策略方案、活动设计、资源调配、结果复盘…… 这个过程中最大的挑战在于：输入的信息永远是不完整、不准确、甚至互相矛盾的。 - 用户说“想要更便宜的产品”，可能真实需求是“性价比感知”； - 数据告诉你“活动转化率下降”，但背后的原因可能是流量质量变化； - 老板要求“复制某大厂的玩法”，却没看到对方背后的资源储备。 批判性思维的价值，在于帮你构建一套“信息筛选器”和“决策导航仪”。 ### 2.案例：一场让公司损失300万的“完美活动” 某教育公司曾策划过一个看似完美的运营活动： - 输入信息：用户调研显示“家长最关注课程效果”； - 输出动作：设计“免费试听+效果承诺”活动，投放朋友圈广告； - 结果：点击率超行业均值，但转化率不足1%，亏损300万。 问题出在哪里？ **团队用“表面需求”代替了“真实动机”：** - 家长说“重视效果”，实际决策时更在意“其他孩子的选择”； - 广告点击率高，可能是因为文案制造了焦虑而非信任； - 竞品同样承诺效果，但通过“班主任1对1跟进”解决了信任问题。 这就是典型的“无批判思维运营”——把信息当事实，把假设当结论。 ## 二、批判性思维的4把手术刀：解剖运营真相的工具箱 ### 工具1：假设检验——揪出那些“我们以为正确的事” 运营中最危险的不是无知，而是“自以为知道”。 案例：某电商平台的“用户增长陷阱” 某母婴电商发现： - 新用户次日留存率30%（行业平均25%）； - 但7日复购率仅5%（行业平均15%）。 团队最初的假设是：“新用户对商品不满意”。于是做了以下动作： - 优化选品； - 增加优惠券力度； - 升级物流服务。 结果复购率不升反降。 用批判性思维重新检验假设： - 分解数据：发现流失用户中80%是男性，而平台核心用户是妈妈群体； - 追踪行为：这些男性用户多在下单后立即申请退款； - 深度访谈：发现他们是“帮妻子下单但不愿注册账号”，被迫用自己手机号注册； - 真相浮现：根本不是商品问题，而是账号体系设计导致的数据污染。 最终解决方案： 推出“家庭账号”功能，允许一个主账号绑定多个子账号，7日复购率提升至18%。 ### 工具2：证据链构建——别让数据成为“说谎的高手” 数据不会说谎，但呈现数据的方式会。 **经典误区对照表**  图：经典误区对照表 袁振绘制 **案例：某内容平台的“数据幻觉”** 某知识付费平台发现： 课程完课率从40%提升到65%； 但用户续费率和课程评分却在下降。 通过构建证据链发现： - 完课率提升是因为上线了“自动播放下一节”功能； - 用户实际是在后台挂机刷时长； - 强制性的播放反而引发负面体验。 解决方案： 改为“智能续播”模式（检测到用户无操作10分钟后暂停），反而提升真实完课率和口碑。 ### 工具3：逻辑漏洞扫描——警惕那些“正确的废话” 运营方案中常见的逻辑陷阱： - 幸存者偏差：“抖音上做挑战赛的都火了” →没看到99%的失败案例； - 错误归因：“上次涨价后销量下跌” →忽略同期竞争对手降价的影响； - 偷换概念：“私域流量重要” →把“加好友数”当成核心指标。 案例：某餐饮品牌的“私域运营惨案” 某连锁茶饮品牌要求所有门店： - 引导顾客加店长微信，每人每月KPI 500个好友； - 每天在朋友圈发3条促销信息； 结果：1个月内删除率超40%，客诉增加20%。 用批判性思维拆解： - 好友数量≠用户价值（大量非目标用户进入私域）； - 朋友圈广告≠用户触达（折叠率超90%）； 正确逻辑应该是：通过线下体验建立信任→用专属福利吸引精准用户→在私域提供差异化服务。 ### 工具4：逆向思维推演——如果反面成立会怎样？ 这是最被低估的批判性思维工具，具体操作是：故意寻找反对自己观点的证据。 **案例：某SaaS公司的“定价策略生死局”** 团队为新产品定价时出现分歧： - A派主张“低价切入：1980元/年”； - B派主张“高端定位：9800元/年”。 **用逆向思维推演：** **1.如果低价策略正确：** 能快速起量，但可能吸引对价格敏感的低质量客户； 后续涨价阻力大，服务成本会吞噬利润。 **2.如果高价策略正确：** 初期增长慢，但客户生命周期价值高； 需要配套顶级服务能力，否则差评会反噬品牌。 最终选择第三条路： - 基础版3980元/年（满足中小客户）； - 定制版按需报价（服务高净值客户）； 用价格锚点塑造价值感，首年营收突破预期150%。 ## 三、实战指南：把批判性思维变成肌肉记忆 ### 阶段1：日常工作中的“10分钟批判训练” 每天选择1个决策场景，用以下问题自我拷问：  图：批判性思维实战自我拷问表 袁振绘制 ### 阶段2：建立团队的“批判性思考文化” 在XX科技公司，部门内部，每个运营方案必须经过三道关卡： - 红队挑战：专门组建小组从竞争对手视角找漏洞； - 预验尸会议：假设项目已失败，倒推可能的原因； - 数据证伪墙：把关键假设贴在墙上，每周用新证据更新。 效果：项目失败率下降60%，资源浪费减少45%。 ### 阶段3：用“思维错题本”实现进化 某TOP3电商平台运营总监的私人方法： - 记录所有错误决策； - 标注当时的思考路径； - 对比事后验证的真相； - 提炼思维漏洞类型（如“归因偏差”“从众心理”）。 3年积累的价值： - 个人决策准确率提升70%； - 带教的新人成长速度加快3倍。 ## 四、警惕批判性思维的三个天敌 **天敌1：效率压迫症** “这个方案下班前必须定稿！” →解决方法：建立“决策分级制度”，简单决策快速执行，复杂决策强制冷却24小时。 **天敌2：权威崇拜症** “张总说一定要做私域！” →改用“假设性提问”：“张总，如果我们尝试用另一种方式实现您的目标，比如……您觉得可能存在哪些风险？” **天敌3：自我辩护本能** “这个活动是我策划的，不能承认失败。” →实施“无责任复盘会”：所有人只分析事实，不追究责任。 ## 成为“思考型运营者”的终极法则 在流量红利消失的时代，运营正在从“体力竞赛”转向“脑力战争”。那些能持续胜出的团队，往往掌握着一个简单的公式： **优质输出=（输入信息×批判系数）-思维损耗** 其中： - 批判系数：指用批判性思维提炼有效信息的比例； - 思维损耗：包括认知偏差、情绪干扰、群体盲从带来的决策失误。 当你把批判性思维训练成本能，你会发现： - 用户需求不再是模糊的“他们想要…”，而是可拆解的动机图谱； - 数据不再是冰冷的数字，而是会讲故事的线索链； - 竞争对手的动作不再是焦虑源，而是反向推导其战略意图的窗口。 这或许就是运营工作的终极魅力——用思考穿透迷雾，用逻辑驯服偶然，在混沌中开辟确定性的增长路径。 作者：袁振，10年跨界内容运营人；公众号：袁振Live（ID：yuanzhenplus） 本文由 @袁振 原创发布于人人都是产品经理，未经许可，禁止转载 题图来自 Unsplash，基于 CC0 协议 该文观点仅代表作者本人，人人都是产品经理平台仅提供信息存储空间服务。

 如果对大家有帮助的话，可以来个三连哟！ 以下页码均为pdf的页码（实体书为28页，网上获得的数字版PDF是17页，它将部分页面进行合并）  (《热血无赖：终极版》数字版艺术册PDF，17页) ---------------------------------------------------------分割线-------------------------------------------------------- 本人将pdf图片做成了B站视频，建议4K观看 视频网址（[点击前往](https://www.bilibili.com/video/BV16pfxYFEK1/)）：[https://www.bilibili.com/video/BV16pfxYFEK1/](https://www.bilibili.com/video/BV16pfxYFEK1/) &lt;内嵌内容，请前往机核查看&gt; (【4K】幕后注释丨《热血无赖：终极版》艺术册【United Front Games】【史克威尔艾尼克斯】) 详细图片说明请往下阅读☺☺ ---------------------------------------------------------分割线-------------------------------------------------------- # PDF下载链接 个人注释中文版pdf、原版pdf下载链接（不同网盘） - 百度网盘（提取码ccxx）：[前往链接](https://pan.baidu.com/s/1oAQ9Np3Trshir4vIAsJ8MA?pwd=ccxx) [https://pan.baidu.com/s/1uOiDefbA2VKYlDNvNb02pg?pwd=ccxx](https://pan.baidu.com/s/1oAQ9Np3Trshir4vIAsJ8MA?pwd=ccxx) - 115网盘：[前往链接](https://anxia.com/s/swhr2al3hgc?password=z718&amp;#) [https://anxia.com/s/swhr2al3hgc?password=z718&amp;#](https://anxia.com/s/swhr2al3hgc?password=z718&amp;#) # 参考资料：（需要科学上网访问） （reddit帖子中有人尝试扫描成数字版 ） ：[前往链接](https://www.reddit.com/r/sleepingdogs/comments/1auahwv/tried_debinding_the_sleeping_dogs_art_book_to/)[https://www.reddit.com/r/sleepingdogs/comments/1auahwv/tried_debinding_the_sleeping_dogs_art_book_to/](https://www.reddit.com/r/sleepingdogs/comments/1auahwv/tried_debinding_the_sleeping_dogs_art_book_to/)（e站的艺术册帖子）（2023-04-24上传，但只有10.1MB）：[前往链接](https://e-hentai.org/g/2533206/e362449ca6/)[https://e-hentai.org/g/2533206/e362449ca6/](https://e-hentai.org/g/2533206/e362449ca6/)（GetComics艺术册下载）（2023-04-23上传，41.8MB）：[前往链接](https://getcomics.org/other-comics/sleeping-dogs-definitive-edition-artbook-2014/)[https://getcomics.org/other-comics/sleeping-dogs-definitive-edition-artbook-2014/](https://getcomics.org/other-comics/sleeping-dogs-definitive-edition-artbook-2014/)（篆书注释参考）：[前往链接](https://chinese.stackexchange.com/questions/33366/can-anyone-translate-this-seal-script-into-english-for-me)、[前往链接](https://www.reddit.com/r/sleepingdogs/comments/cek2v6/id_love_to_know_what_his_tattoo_says_can_anyone/)[https://chinese.stackexchange.com/questions/33366/can-anyone-translate-this-seal-script-into-english-for-me](https://chinese.stackexchange.com/questions/33366/can-anyone-translate-this-seal-script-into-english-for-me)[https://www.reddit.com/r/sleepingdogs/comments/cek2v6/id_love_to_know_what_his_tattoo_says_can_anyone/](https://www.reddit.com/r/sleepingdogs/comments/cek2v6/id_love_to_know_what_his_tattoo_says_can_anyone/) （亚马逊PS4版购买页面）：[前往链接](https://www.amazon.com/Sleeping-Dogs-Definitive/dp/B00MTULQYI)[https://www.amazon.com/Sleeping-Dogs-Definitive/dp/B00MTULQYI](https://www.amazon.com/Sleeping-Dogs-Definitive/dp/B00MTULQYI) （The Game Collection的推特帖子）：[前往链接](https://x.com/game_collection/status/519869342411145216)[https://x.com/game_collection/status/519869342411145216](https://x.com/game_collection/status/519869342411145216) （PS商店链接）：[前往链接](https://store.playstation.com/en-us/product/UP0082-CUSA01111_00-0000SLEEPINGDOGS)[https://store.playstation.com/en-us/product/UP0082-CUSA01111_00-0000SLEEPINGDOGS](https://store.playstation.com/en-us/product/UP0082-CUSA01111_00-0000SLEEPINGDOGS)（PS4版实体开箱，展现了该艺术册）：[前往链接](https://www.youtube.com/watch?v=qstQieWaQG8)[https://www.youtube.com/watch?v=qstQieWaQG8](https://www.youtube.com/watch?v=qstQieWaQG8)（Shopee上的实体版展示）：[前往链接](https://down-br.img.susercontent.com/file/3f577fcc9f7c8e15d1c59302dd3b07ac)[https://down-br.img.susercontent.com/file/3f577fcc9f7c8e15d1c59302dd3b07ac](https://down-br.img.susercontent.com/file/3f577fcc9f7c8e15d1c59302dd3b07ac)  (实体封面)  (2014.10.14预购《热血无赖：终极版》的限量版附赠实体版艺术册)  (The Game Collection的推特帖子图片)  (Shopee上的实体版展示) ---------------------------------------------------------分割线-------------------------------------------------------- 注释版 # P1：封面  # P2：前衬页  # P3：前衬页（高清）  # P4-P15：内页（高清）             # P16：后衬页（高清）  # P17：封底  # 原版                     到此就结束了，是否还意犹未尽呢？ 

疯狂邪恶团伙利用StealC、AMOS和Angel Drainer恶意软件，针对加密货币用户发起攻击，已窃取超过500万美元，威胁全球数万台设备。

电商巨头春节争抢“送礼物”，用户已读不收，未来电商格局或生变。

互联网大厂给用户集福撒钱，经典买量游戏。

当三次元的社交让人疲惫不堪，二次元的寄托就成了打工人必需的精神氧气。

<blockquote><p>服务管理制度真正的价值，不仅体现在它有多科学、多详细，而在于它能否落地生效。这就需要企业在执行和监督上下功夫，确保制度不止存在于文件中，更能融入日常工作中。下面我们来聊聊，如何把服务管理制度“从纸上搬到地上”。</p> </blockquote>  很多企业都意识到服务管理制度的重要性，于是绞尽脑汁设计了一套“看起来很美”的制度：流程规范，标准明确，考核指标精细到小数点后两位。然而，理想很丰满，现实却很骨感——**制度写得再好，如果执行不到位，那也只是纸上谈兵。** ## 一、制度执行的保障措施：谁的锅谁背 制度能不能执行到位，第一步就是明确“谁来干”，否则就会变成“大家的事，谁都不负责”。此外，还需要专门的监督机制，确保有人在“盯”。 ### 1. 明确执行责任：职责不清，效率必低 很多制度难以落地，原因就是“职责不清，分工模糊”。比如，客户投诉来了，到底是客服处理？还是销售跟进？如果没人明确负责，问题很可能就在部门之间被来回“踢皮球”。 解决方案很简单：把每个环节的职责分工写清楚，落到具体岗位甚至具体人头上。 比如这样： - 客户投诉由客服团队第一时间接收、记录并分类； - 技术团队负责处理产品或服务的技术性问题； - 质量监督部门负责最终检查与评估。 有了清晰的职责说明，每个人都知道自己负责哪部分内容，也避免了“推诿扯皮”的情况。 ### 2. 配备监督人员：不是“盯人”，而是“盯流程” 光有制度还不够，还需要有人负责监督，确保每个环节都按要求执行。服务质量监督人员的任务，不是“挑毛病”，而是发现问题、纠正偏差。 具体怎么做？ 定期检查服务流程，比如随机抽检工单，查看问题解决时间是否符合制度要求； 对一些关键环节（如投诉升级、售后响应）进行重点监控，及时发现并解决执行中的漏洞。 比如某互联网公司设立了“质量监督团队”，每周对客服工单进行抽检，尤其是复杂问题的处理流程。通过检查，他们发现部分问题的反馈时间超过了制度规定，于是调整了工单分配规则，让复杂问题直接由高级客服处理。这一调整后，首次解决率从85%提高到了92%。 ## 二、制度执行的跟踪与反馈：发现问题，及时优化 即便制度制定得再完美，也不可能一开始就做到无懈可击。执行过程中，难免会遇到“设计和实际脱节”的问题。因此，跟踪和反馈机制就是解决这些问题的“回旋余地”。 ### 1. 定期检查：制度执行有没有跑偏？ 定期检查是确保制度落地的基础。通过定期的服务流程检查和评估，企业可以发现制度在执行中出现的偏差，并及时调整。 怎么检查？ 每月组织一次服务流程评估，针对投诉处理时间、客户满意度、响应效率等关键指标进行检查； 将检查结果形成报告，提交给管理层决策，并推动后续优化。 比如某物流企业每月都会对配送服务进行一次全面检查，发现部分地区的配送延迟频率较高。经过调查，他们发现是因为调度算法没有及时更新。优化算法后，准时配送率提升了15%，客户投诉也大幅减少。 ### 2. 员工反馈：制度需要“从一线中来” 很多制度难以执行，不是因为员工“不想干”，而是“干不了”。尤其是服务一线的员工，他们往往最清楚制度中的问题点。如果能听取他们的意见，不仅能让制度更贴合实际，还能提升员工的参与感。 怎么收集反馈？ 设立匿名反馈通道，让员工可以大胆说出制度执行中的问题； 定期召开员工座谈会，了解一线团队的真实感受。 比如某电商平台的客服团队反映，现有的工单填写流程过于繁琐，影响了响应效率。公司收集意见后，优化了工单系统，简化了问题描述环节。调整后，客服平均响应时间缩短了20%，员工工作满意度也大幅提高。 ## 三、制度执行与监督的最终目标：持续优化服务 服务管理制度并不是“一锤子买卖”，它需要随着业务发展、客户需求和市场环境的变化不断优化。通过制度执行与监督的闭环管理，企业可以实现服务流程的持续改进。 持续优化的三个关键点： **1.定期更新制度** 制度不是“一劳永逸”的，需要定期根据检查和反馈结果进行调整。比如，当客户需求变化时（如从电话咨询转向在线客服），服务流程和规范也需要随之优化。 **2.优化服务流程** 针对执行中的“痛点”调整流程，比如精简步骤、调整职责分配，提升服务效率和客户体验。 **3.培养执行文化** 制度的执行，不仅仅依靠检查和监督，更需要培养团队的执行力文化。让员工意识到，遵守制度是提升服务质量、增加客户信任的必要保障。 ## 总结：好的制度，离不开“落地”和“改进” 服务管理制度的意义，不在于它写得有多好，而在于它能否真正融入日常工作，帮助企业提升服务效率和客户满意度。而要让制度真正发挥作用，执行和监督是不可或缺的两个环节。 所以，企业不妨问问自己： - 制度中是否明确了“谁来执行”？ - 是否有人在“盯”制度的落实？ - 是否有渠道听取一线员工的真实声音？ - 执行中的问题，能否通过跟踪和反馈机制及时优化？ 服务是一场没有终点的“长跑”，而制度就是你在路上的“指南针”。只有确保它不仅“在纸上”，还“在行动中”，才能真正帮助企业赢得客户的信任与支持。 本文由 @化文龙 原创发布于人人都是产品经理。未经作者许可，禁止转载 题图来自Unsplash，基于CC0协议 该文观点仅代表作者本人，人人都是产品经理平台仅提供信息存储空间服务

彭博社知名苹果记者马克·古尔曼(Mark Gurman)周日发文称，苹果在人工智能(AI)、增强现实(AR)等新兴领域的困境表明，该公司在产品开发方面已失去了一些优势。目前科技界最热门的新兴领域包括AI、AR以及自动驾驶系统，但是苹果在这些领域都很难称得上是引领者。  库克手持iPhone 16 Pro 尽管苹果在全力推动Apple Intelligence成为用户们的必备AI产品，但该平台仍然落后于三星电子、谷歌以及中国手机厂商的AI产品多年。它的底层技术和AI模型也远不及OpenAI、谷歌旗下DeepMind和百度。也许更令人担忧的是，DeepSeek这样的后起之秀手中的资源远不如苹果，但已在AI领域引发轰动。 在另外一个当前备受关注的领域AR，苹果同样举步维艰。尽管Vision Pro堪称工程技术上的壮举，但愈发明显的是，这款头显并非成功之作。消费者更喜欢轻便的智能眼镜，而苹果在这方面还没有推出任何产品。苹果曾探索开发一款智能眼镜，与Meta和雷朋的合作产品相抗衡，但目前还没有什么进展。苹果刚刚还取消了开发可与Mac配对的AR眼镜的计划。该公司的终极目标是开发一款具备AR功能的独立眼镜，可能至少还需要三到五年的时间。 去年，苹果退出了自动驾驶汽车的竞争，将这一领域拱手让给了Alphabet和特斯拉等科技同行。  当然，苹果过去也经历过不少产品挫折，一些商业上的失败至今令人难以忘怀，比如第一代HomePod、PowerMac G4 Cube、iPod Hi-Fi和iPod Photo。此外，还有一些苹果产品存在漏洞，如云端服务MobileMe、老款MacBook的“蝶式”键盘和刚开始推出的苹果地图。 但是现在，苹果正面临着一个更大风险，那就是无法找到下一个“爆款”产品，能够为公司带来丰厚利润的非凡创意。正是这些创意将苹果打造成为了一个价值3.5万亿美元的公司。苹果仍然擅长开发底层技术，无论是Vision Pro中的硬件，还是其自动驾驶汽车组件，但该公司尚未将这些技术转化为畅销产品。 外界对于苹果的担忧不仅仅局限于下一个重磅产品。苹果最重要的产品iPhone自2020年以来再也没有进行过重大升级，而竞争对手们已经推出了更大胆的外观设计和新形态，例如可折叠手机。苹果最终也会进行设计上的大改，该公司计划在今年晚些时候推出更薄的iPhone，并预计最早在2026年推出首款可折叠设备，但这是一个缓慢的过程。 不过，苹果仍有时间成为这些新兴领域的赢家，它拥有足够的资源和人才。而且，苹果的所有产品都能够很好地协同工作，这为其AI平台的改进奠定了基础。现在，苹果只需重新点燃其创新精神，专注于能够产生最大影响的领域。 [查看评论](https://m.cnbeta.com.tw/comment/1475600.htm)

NVIDIA RTX 50系列显卡刚发布开售不久，关于RTX 60系列显卡的爆料就已经来了。根据最新的泄露信息，**RTX 60系列显卡将采用全新的Rubin GPU架构，采用台积电的3nm制程工艺，并将配备更高容量的显存。** 与前代产品相比，RTX 60系列在光栅性能上有望提升10%以上，而在光线追踪性能上则有望实现20%以上的提升。  **与此同时，RTX 60系列显卡将支持全新的DLSS 5技术，性能预计将是DLSS 4的两倍，能够为游戏玩家提供更流畅的视觉体验。** 此外，RTX 60系列显卡还将进一步增强AI在帧生成中的作用，提升整体画面质量。 除了技术上的升级，还有报道称RTX 60系列显卡可能引入一些新的功能，例如SLI/NVLink的回归，将允许用户通过多GPU实现更高的显存容量和性能。 [查看评论](https://m.cnbeta.com.tw/comment/1475596.htm)

奉劝大家不有事没事开车上海滩上，一旦陷车，真不是那么容易救援的，如果恰好碰到涨潮，怕是车子都要废了。近日有特斯拉Model 3车主就将自己的车子开到了湿润的沙滩上[导致陷车无法动弹](http://t.cn/A63n5rs4)，消防前来也无法应对。  **现场有热心的群众同样前来帮忙，有人开着一台坦克300，还有人找来了一台江淮皮卡。**   但由于Model 3所陷的位置离海水较近，加上驾驶员也不是专业的救援人员，因此只能远远地牵引，当然，这无济于事。 最终还是出动了大扭矩的铲车近距离牵引，经过了两次尝试，终于将这辆Model 3给救了出来，**但由于长时间陷车，轮圈、电池包以及线束免不了被泡，甚至存在车舱进水的可能**。   沙滩陷车之所以难以自救，主要是因为**海滩沙粒松散、颗粒间摩擦力低，受压时易流动**。 当车轮陷入后，沙粒会不断塌陷填充空隙，形成“流沙效应”，导致车辆越陷越深，若驾驶员猛踩油门，轮胎高速空转会进一步刨出深坑，甚至让底盘触地，进一步增加救援的难度。 一旦在沙地陷车，那么应**立即停止加油门，避免深陷，同时清理轮胎周围沙子至底盘悬空，此外可适当降低胎压增大轮胎与地面的接触面积，并垫入防滑板或树枝/石块，采用挂低速挡（L挡或手动1挡）尝试脱困**。 如果实在无法完成自救，那就尽快寻找专业人员进行救援。 **当然，还有一种方法可以从根本上避免陷车，那就是不要将车开到沙滩上去。** [查看评论](https://m.cnbeta.com.tw/comment/1475594.htm)

政策层面，美国民主党议员公开质疑特朗普政府阻挠清洁能源联邦拨款；墨西哥加码可再生能源发电；事件层面，联合国确认美国退约《巴黎协定》1年后正式生效；新能源专利战持续升级，宁德时代开年三诉中创新航；壳牌放弃新泽西州大型海上风电场；研究显示长江江豚的保护区效果不佳。

Linus Torvalds 刚刚发布了 Linux 6.14-rc1，为 Linux 6.14 合并窗口画上了句号。NTSYNC 驱动程序现已完成，可以更好地模拟 Windows NT 同步原语，从而在 Linux 上更好地处理 Wine / Proton (Steam Play) Windows 游戏。 新版内核合并了 AMDXDNA 驱动程序以启用 Ryzen AI NPU、增强 Bcachefs 文件系统、为 AMD RDNA4 显卡做更多准备、合并英特尔 THC、主线中终于有了令人兴奋的优化--无缓存缓冲 I/O、支持高通 Snapdragon 8 Elite SoC、更快的 AMD CPU 加密性能、新的 AMD CPU 功能以及许多调度程序改进等等。  Linus Torvalds 在<a translated="true">&#34;Linux 6.14-rc1 的</a>[发布公告](https://lore.kernel.org/lkml/CAHk-=wicYNCkEgH06w0mpR+GJhJ_ywe0BLTTFXBAj1+y0dqe4Q@mail.gmail.com/T/#u)中写道： <blockquote>&#34;这实际上是一个很小的合并窗口，没关系。 假期显然意味着人们的开发工作比正常周期要少，这就导致发布的版本比平均水平要小得多。 我真的觉得今年我们把整个假期的发布时间安排得恰到好处，这只是另一个迹象。<p>当然，&#34;小&#34;对我们来说仍然意味着有 50 万行的改动，以及超过 1 万次的提交，但也只是勉强。 事实上，不算合并，也只有大约 9.3k 次提交。</p><p>我们希望小规模发布也意味着稳定阶段的顺利进行。 这显然是有保证的，但愿如此......&#34;</p></blockquote> 今天上午在 Linux Git 源代码树上运行 CLOC 时可以看到大约有 3770 万行代码，其中有 2846 万行已检测代码、450 万行注释和大约 475 万行空白行。 Linux 6.14-rc1 的 Linux 源代码树大约有 76.9k 个文件。 [](https://www.phoronix.com/image-viewer.php?id=2025&amp;image=linux_614_rc1_cloc_lrg) [查看评论](https://m.cnbeta.com.tw/comment/1475588.htm)

美国东部时间1月29日晚，一架美国国内支线客机在罗纳德·里根华盛顿国家机场同一架美军直升机在半空相撞，**两机均坠入河中，共致67人遇难，无人生还**。据央视新闻报道，**当地时间2月2日，美国华盛顿消防部门表示，已确定两机相撞事故中55名遇难者的身份**。 结合此前消息可知，涉事客机是由“太平洋西南航空公司（PSA Airlines）”执飞、隶属于美国航空公司的AA5342航班，而直升机则为美军著名的“黑鹰”直升机。 事发时，客机机上载有60名乘客和4名机组人员，直升机机上载有3名军人，**两机相撞后均坠入波托马克河，客机断成两截，机上乘客包括多名美国花样滑冰运动员及其家人。** 这起事故是美国近16年来最严重的航空事故之一，有美国航空专家推测，涉事的“黑鹰”直升机当时可能正在进行秘密训练任务，因此未开启ADS-B（自动相关监视广播）系统，导致空中防撞系统失效。  [查看评论](https://m.cnbeta.com.tw/comment/1475586.htm)

**在RTX 50系列显卡发布后，市场出现了“一卡难求”的局面，许多零售商在开售后几分钟内就宣告售罄，甚至一些商家根本未能拿到RTX 5090。**由于需求过高，英国零售商Overclockers UK已经停止接受预定RTX 5090和RTX 5080显卡。 根据Overclockers UK的说法，**RTX 5090显卡的缺货情况尤其严重，消费者可能需要等待3-16周才能拿到货，而RTX 5080的供应情况稍好，预计2-6周内能有库存。** [](//img1.mydrivers.com/img/20250203/140ae000-a704-40d5-9e6d-ea7a162f7666.png) 如果按照16周的等待时间计算，可能要等到今年5月或者6月才能拿到显卡，届时RTX 5070 Ti和RTX 5070已经上市。 相比于RTX 5090，RTX 5080的供应情况稍好，但仍然难以满足市场需求，主要是由于RTX 5080的价格与RTX 4080相同，吸引了大量消费者购买。 目前尚不清楚其他零售商何时能够有库存，但可以肯定的是，RTX 50系列显卡的供应问题仍将持续一段时间。 [查看评论](https://m.cnbeta.com.tw/comment/1475584.htm)

DeepSeek千般好，万般好，就是联网搜索还用不了（愁．jpg）。但先别急，这块拼图也被国产AI搜索玩家用自己的能力补全了：就在刚刚，秘塔AI搜索宣布融合了DeepSeek-R1满血版。这意味着现在起，R1推理能力已经可以链接全网实时信息一起用了！   也意味着从今天开始，DeepSeek-R1还链接上了秘塔AI搜索背后数千万的高质量论文信息。 如此一来，就实现了‘国产最强推理+全网实时搜索+高质量知识库’结合，答得更快，答得更准。 咱们就是说先来一波鲜测！大家快来围观看一看。  首波鲜测：构建哪吒票房预测模型 已知的是，DeepSeek-R1满血版体验下来，最突出特点就是复杂推理。而国产秘塔AI搜索，则是拥有强大的联网检索能力，而且能够结合背后海量知识库/论文数据，给出某个技术发展情况，堪称学术知识利器。 两者强强联合，能够迸发出什么样的火花？ 首先，页面端只是一个小小的变化—— 新增了个开关，打开‘长思考’就能使用新功能了，有简洁、深入、研究三种模式。想要深入体验效果的，可以选择后两种。  接下来，咱们就来看点实际的效果展示。 之前大家玩DeepSeek整了不少花活，比如用特定的人设来撰写诗词、新年献词之类。 把这个需求扔给秘塔，看看效果如何： <blockquote></blockquote> 模仿《少年中国说》，写一篇文章，介绍杭州崛起的国产科技和AI力量。 秘塔AI搜索很快完成了一篇《杭州AI说》。 主动提到“杭州六小龙”，提到杭州教育和人才方面、产业集群和创新生态的特色，以及模仿《少年中国说》的结构，擅用排比、比喻。  最后一句有点子意思：智领时代，杭州正当！ 测试完吟诗作赋的能力，接下来试一些难度比较大的，用上数学建模那种的。 问题一： 预测《哪吒2》的最终票房成绩，要求：进行数学建模，给出推导的公式。 先来看结果：最终将超越长津湖成国内影史票房冠军，票房预测区间为60-67亿。公式为：  嗯，这个答案感觉跟大家感知到的大差不差，有点子道理~ 那再来看看它具体是如何思考的。 整个思考过程，很像复刻了DeepSeek的深度思考模式~  它结合海量搜索到的材料，想到多个可能的变量因素（比如首周票房和衰减率、观影人次、分账比例等），可能的建模步骤和模型等等，最终确定了基准数据和三大关键影响因素（口碑效应、竞争环境、市场容量）。  然后就是数学模型的构建，采用首周票房驱动模型，其衰减率结合多个因素的影响。  好好好，感觉有模有样的。 最终结果且不论，单是这个过程有实时联网：它知道最新实时票房以及各方预测结果，还有复杂的数学推理过程，指数求和都给搬来了…… 把DeepSeek复杂推理的特点完美地融入到了里面。 那么接下来，来上点有难度的，预测一下英伟达股票：假如我很有钱，这时候买入，能不能抄底。 问题二： 我现在购入英伟达股票，十万预算，一年之后大概能赚多少。 这次咱们尝试一下‘研究’这种模式，与‘深入’模式不同的是，它在回答问题之后还会针对一些行业问题进行研究和思考。 比如主要竞争对手及其市场份额变化、芯片量产进度情况、未来趋势等等。感觉知识从脑子里一闪而过~  在考虑到过往财报表现、短期市场预期、技术迭代、风险挑战等多重因素，最终得出： 合理预期收益范围在10%-30%之间（约11万-13万元）。  不过最后还是建议说，投资有风险，大家需谨慎。 不错不错，既有客观的估算，也有善意的提醒，咱们就是说还是在考虑考虑吧（不是因为没钱哈）。  考验了这些通用的现实问题，那就来测测秘塔本身的强项——拥有海量的高质量知识/论文数据，再结合了DeepSeek的联网+推理能力之后，能碰撞出什么样的火花？ 这两年海内外大模型发展神速，也吸引了众多人才想要参到这场技术浪潮中，对于想入行或者刚入行的人来说，OpenAI的模型进展绝对代表着技术风向，那么就来考考秘塔。 OpenAI时至今日发布了哪些模型，分别有哪些技术突破？  首先，时间正确。（o゜▽゜）o☆[BINGO！]  其次，它主要分析了2024年以来Sora系列、o1系列模型以及GPT-4 Turbo等重要模型。 以此总结出四大技术突破方向：  值得一提的是，它还提及了GPT-5未发布，以及推理模型、多模态模型市场竞争激烈。 而且里面都有具体的引用细节，点击即可查看。  这对于学术圈搞科研的、又或者科技圈技术党来说，真滴是很友好。  能够看到的是，秘塔强大的AI检索能力结合DeepSeek强推理，能够在多方面提升用户体验。包括不限于深度理解与上下文感知、复杂查询处理的能力。 而结合秘塔本身背后海量知识库和知识图谱，能够提供关联性强、更为深度的搜索结果。 太好了，学术科研党有救了 过去半个月里，相信大伙没有一天不被DeepSeek刷屏。 DeepSeek-R1性能与成本远超预期，于是国内国外，先是AI技术圈，然后是更广一点的科技圈，再然后是更广大的普通人……至今，春节假期即将结束，这股热度还远远没有复平。 当然，不可否认，崛起的DeepSeek也面临着种种困难。但有目共睹的是，国产玩家以务实的态度提供各方支援和补足。 例如大年三十，DeepSeek服务器突遭大规模DDoS网络攻击和暴力破解攻击，多家国内安全厂商鼎力相助，抵御攻击，共同维护DeepSeek的服务。 例如DeepSeek的DAU达1909万，阿里云、硅基流动上线DeepSeek-R1等模型，以官网持平的效果来分流替代。 再例如，面对用户们急迫想用上“DeepSeek模型+搜索”的需求时，秘塔AI搜索又出手了。  这次让秘塔AI搜索结合DeepSeek-R1，是急用户之所急，但并不是两个强效AI工具/能力的简单能力相加。 若从AI搜索角度出发，以往AI搜索工具痛点被补齐了。 对接DeepSeek-R1满血版的顶尖推理能力后，秘塔AI搜索可以更准确地理解用户查询的意图，处理更复杂的查询（如多条件筛选、语义模糊的查询等），从而返回更快速、相关、精准的信息结果。 而在信息爆炸的时代，增强推理能力就能让AI通过分析信息的来源、内容的逻辑性等，帮助过滤谣言等虚假信息内容，增强搜索结果的信息真实性和可靠性。 而从推理能力角度出发，有了秘塔AI搜索联网+知识库能力的DeepSeek-R1更是如虎添翼。 坐拥全球顶尖推理能力，又拥有了AI联网搜索及背后的高质量索引库，不光可以实时查询最新资料，还能全网无死角搜罗、摘取、分析各种论文，进一步形成思维导图汇总。 小到查询一项研究/技术的最新进展，大到纵观一个学科从滥觞至今的技术发展，无一不可为。 真的，翻来覆去看秘塔AI搜索+DeepSeek-R1这一招，得出一个结论： 学术圈、科研党们有福了！ 只是有点感慨，要是这个创新融合早一点推出，前几天白天走亲戚、晚上赶KDD 2025、ICML 2025、Sigcomm 2025的ddl的朋友们，想来也不会那么痛哭流涕了。  其实回过头来看，DeepSeek之所以能够掀起一浪高过一浪的关注，就是其团队一直在对模型训练和使用成本狠狠砍一刀，直至DeepSeek-R1以1/50的价格表现出不输OpenAI o1的性能。 而以秘塔AI搜索为代表的AI搜索，恰恰正是大模型推理价格下降的最早应用试验田。 我们日日期待大模型训练与使用成本能被打下来，更期待被砍下价格门槛的大模型，能让每一个工作党、学术党、普通人都用起来，用得顺手。 如今，两者强强联合，实现一站式实时联网+搜索+推理，真正做到了推理能力的普及大众，也做到了AI搜索由点到线及面。 最后，照惯例在文末放上使用直通车，大家可以再秘塔AI搜索直接玩起来了~ One More Thing 今天大年初五，传统习俗迎财神。 突然很好奇，财神爷到底是E人还是I人。 秘塔给出的回答是：  好好好，不管E不E的，祝大家新的一年发大财！ [查看评论](https://m.cnbeta.com.tw/comment/1475582.htm)

OpenAI发布了一款新的人工智能工具，旨在为用户执行耗时的在线研究任务，涵盖从复杂科学问题到汽车推荐等众多领域。这一新工具进一步丰富了这家初创公司的人工智能代理阵容。  在上周日的一篇博客文章中，OpenAI宣布，这项名为“Deep Research”的服务将通过其ChatGPT在线聊天机器人向特定付费客户开放。该工具能够根据用户的指令，在线搜索文字、图像、PDF文件以及用户上传的文件，进而生成一份详尽的报告。OpenAI将这一功能比作研究分析师，并强调它能够在“几十分钟”内完成通常需要一个人“数小时”才能完成的工作。  Deep Research是OpenAI今年发布的第二款AI Agent(人工智能代理，也可称为“智能体”)。上个月，OpenAI推出了“Operator”，它能够协助用户预订航班、规划杂货订单，甚至完成购物。这两项服务目前仅面向每月支付200美元订阅OpenAI最新ChatGPT Pro选项的用户开放。 这些新工具的推出是人工智能行业向代理(即能够在最少监督下为用户完成多步骤任务的人工智能软件)广泛迈进的一部分。OpenAI的支持者微软(MSFT.US)及其竞争对手Anthropic也推出了各自的代理软件，众多初创公司亦纷纷加入这一行列。这些公司期望此类工具能够为用户节省处理个人和专业任务的时间，从而兑现人工智能长期以来所承诺的提高生产力的愿景。  OpenAI首席执行官Sam Altman此前曾表示，代理将成为人工智能的“下一个重大突破”。随着中国公司(如DeepSeek)的聊天机器人迅速崛起，追赶包括OpenAI在内的美国顶级人工智能开发者，这一领域的竞争愈发激烈。 不过，OpenAI也提醒用户，“Deep Research”仍处于早期阶段，可能会将虚构信息误认为事实，且在区分谣言和准确信息方面可能存在困难。此外，这款研究工具“非常耗费计算资源”，初期用户每月仅能提交100次查询。 OpenAI计划未来将该服务拓展至其他付费客户，包括订阅其Plus、Team和Enterprise选项的用户，但具体时间表尚未公布。 [查看评论](https://m.cnbeta.com.tw/comment/1475580.htm)

腾讯云、华为云分别在2月2日和2月1日发文宣布，已上线基于其云服务的DeepSeek-R1相关服务。据悉，微软、英伟达、亚马逊、英特尔、AMD等科技巨头也已于近日上线DeepSeek模型服务。 业内人士认为，DeepSeek的火热虽然在一定程度上冲击了投资者对AI算力和成本的预期，但模型成本的下降对产业链上的云服务厂商可能存在利好。 **一键部署 3分钟调用** 腾讯云2月2日发文宣布，DeepSeek-R1大模型可一键部署至腾讯云‘HAI’上，开发者仅需3分钟就能接入调用。  腾讯云表示，通过‘HAI’，开发者可以省去买卡、装驱动、配网络、配存储、装环境、装框架、下载模型等繁琐步骤，只需两步即可调用DeepSeek-R1模型。  此外，在‘HAI’上，除了调用DeepSeek-R1模型，开发者还可以无缝联动腾讯云Cloud Studio、对象存储等服务，快速搭建企业级AI应用。腾讯云TI也已支持R1、V3模型部署。 **持平全球高端GPU部署模型效果** 华为云2月1日发文称，硅基流动与华为云团队联合首发并上线基于华为云昇腾云服务的DeepSeekR1/V3推理服务。  华为云表示，一方面，得益于自研推理加速引擎加持，硅基流动和华为云昇腾云服务支持部署的DeepSeek模型可获得持平全球高端GPU部署模型的效果；另一方面，提供稳定的、生产级服务能力，让模型能够在大规模生产环境中稳定运行，并满足业务商⽤部署需求，华为云昇腾云服务可以提供澎湃、弹性、充足的算力。 **对云服务厂商可能存在利好** 近日，方舟投资（ARK）CEO“木头姐”凯西·伍德（Cathie Wood）在采访中表示，随着DeepSeek的出现，人工智能领域的竞争加剧，这是一个积极的发展，将有助于科技公司削减成本和改善平台。 伍德在接受某电视节目采访时表示：“降低成本对世界来说是件好事。不管怎样，成本都在崩溃，DeepSeek把它推向了一个新的层次。” 对于资本市场而言，DeepSeek的火热虽然在一定程度上冲击了投资者对AI算力和成本的预期，但模型成本的下降对产业链上的云服务厂商可能存在利好。 市场人士认为，若DeepSeek能够适配华为昇腾、寒武纪等国产AI芯片的算力生态，可推动云厂商降低对英伟达硬件的依赖，减少因国际供应链波动导致的成本风险。 该人士进一步分析，DeepSeek的技术路线若持续降低AI模型的成本，AI应用门槛有望降低，从而推动云资源消耗量增长，云服务厂商规模效应进一步增强，最终吸引更多企业上云。在此链条中，云服务厂商既是技术降本的受益者，也是放大降本效应的推动者，最终形成“AI模型-云计算”共生增长的产业格局。 **“帮DeepSeek获得芯片”？新加坡回应** 据埃菲社2月1日报道，新加坡也感受到了中国应用程序“深度求索”（DeepSeek）所引发的地震。新加坡当局否认了关于中国杭州深度求索人工智能基础技术研究有限公司可能通过新加坡购买先进的英伟达芯片，以规避美国对其向亚洲大国销售芯片的限制的说法。 另据新加坡《联合早报》网站2月1日报道，美国政府正在调查中国人工智能公司DeepSeek是否使用受管制芯片，而且这些芯片或通过包括新加坡在内的多个国家转出口至中国。针对此事，新加坡贸工部2月1日发布文告。 新加坡贸工部说：“我们预期像英伟达这样的美国公司遵守美国的出口管制和我国的司法。我们的海关和执法机构将继续与美国对等部门密切合作。” 新加坡贸工部指出，根据英伟达最近发布的季度财报，新加坡约占公司营收22%。英伟达也在提交给监管机构的文件中说：“与新加坡营收有关的大部分出货，都运往新加坡以外的地区，运往新加坡的出货量微不足道。” 新加坡贸工部也说：“新加坡是国际商业中心，美国和欧洲的大公司在这里都有大量业务。根据英伟达解释，许多客户利用它们在新加坡的商业实体，为运往美国和其他西方国家的产品采购芯片。英伟达另外还说，没有理由相信DeepSeek从新加坡获得任何出口管制产品。” 报道称，英伟达发言人早前受询时澄清说，公司来自新加坡的营收，不意味芯片被转运至中国，因为营收数据反映的是客户的账单地址，而非最终产品送达的地点。 报道指出，DeepSeek-R1模型震撼全球科技业，也引起美国政府关注，包括它采用何种芯片。 **事关DeepSeek，日韩也表态了** 据日本广播协会网站2月1日报道，日本数字大臣平将明表示，如果在处理个人信息等方面存在担忧，希望各省厅人员谨慎使用中国初创企业深度求索公司（DeepSeek）开发的人工智能模型。 报道称，对于DeepSeek人工智能模型，以欧美为中心，“戒备情绪”不断增大。 报道称，日本数字大臣平将明在冲绳县名护市发表演讲时表示，“个人信息能否得到切实保护是问题所在。从保护用户个人信息的角度看，如有必要，个人信息保护委员会应采取相应措施”。 他还说，“从保护数据的角度说，在不能消除担忧之前，公务员应避免使用或使用时多加小心。在对待上述人工智能模型的问题上，我们将竭尽所能”，表示希望通过内阁网络安全中心提醒各省厅注意。 另据韩联社1月31日报道，韩国个人信息保护委员会当天表示，个人信息委将向位于中国的深度求索（DeepSeek）总部发送质询函，以确认其个人信息收集项目和流程，以及处理和保存方法。 个人信息委相关人士表示，深度求索在韩国的用户剧增，引发各种忧虑，因此采取上述措施。委员会将根据回信内容等进行综合考量，必要时将采取实况调查等措施。质询函内容还将包括了解人工智能（AI）利用个人信息的学习过程。 [查看评论](https://m.cnbeta.com.tw/comment/1475578.htm)

华为DeepSeek联手，全套国产——国产大模型云服务平台SiliconCloud（硅基流动），首发上线了基于华为云昇腾云服务的DeepSeek-V3、DeepSeek-R1。Web端/手机端均可用，价格非常便宜，春节期间还打折，目前使用成本如下： **DeepSeek-V3**：输入只需1块钱/M tokens，输出2块钱/M tokens **DeepSeek-R1**：输入4块钱/M tokens，输出16块钱/M tokens 这个价格与DeepSeek官方优惠期（截至2月8日24:00）价格保持一致。  与此同时，DeepSeek的多模态模型Janus-Pro-7B还限免。  消息一出，全球用户疯狂涌入，疯狂到用“爆”都难以贴切形容。 SiliconCloud创始人兼CEO袁进辉在朋友圈表示，这波全套国产带来的泼天流量，远比团队想象中的大得多——尽管他们的预期是建立在DeepSeek春节期间爆得有目共睹的基础上。 因此，官宣上线服务的第10个小时开始，SiliconCloud做出决定： 只能限流。  华为DeepSeek联手 经过华为云、SiliconCloud以及DeepSeek三个团队多日来的加班攻坚，国内用户迎来了这样一个春节大礼包！ 此次联手主要具备以下几个特点： 1、**全国产**。得益于自研推理加速引擎加持，硅基流动和华为云昇腾云服务支持部署的DeepSeek模型可获得持平全球高端GPU部署模型的效果。 2、**稳定的、生产级的推理服务**。让模型能够在⼤规模生产环境中稳定运行，并满足业务商⽤部署需求。 3、**零部署门槛，价格与官方优惠期保持一致**。开发者开发应用时可直接调用 SiliconCloud API，使用起来很简单轻松。 截至2月8日24:00，DeepSeek-V3价格为1元 / M tokens（输入）、2元 / M tokens （输出） DeepSeek-R1 的价格为 4元 / M tokens（输入）、16元 / M tokens （输出） 两个模型上下文长度均为64K，最大输出长度为4K DeepSeek-R1最大思维链长度为4K  除了开发者之外，用户也可以在线体验，免费的那种。   话不多说，咱们就进行一波实测。 在使用前接受一些基本参数设置，包括提示词、最大Token、Temperature等等。  也可同时选中两个模型进行一番对比。 大年初五迎财神可以干什么？ <video width="640" height="480" src="//video19.ifeng.com/video09/2025/02/02/p7291666949803610112-102-120113.mp4?reqtype=tsl" controls="controls"></video> 在响应速度上，两个都差不多，每秒15、16tokens输出。  从回答内容上看，V3比较直给，它直接罗列出来，有放鞭炮、打扫卫生、祭拜财神等。 R1考虑了用户背景、传统习俗、与现代社会的适应性、背后意义以及注意事项等。嗯，确实很全面。 用同样的问题问DeepSeek官方（深度思考模式），可以看到，在没有最大tokens的限制下，它输出的内容更多。 响应速度上面其实差不多的，给出的答案比较直接。 思考过程对比：   回答内容：   大家可以根据需求和使用体验自行选择。 但总而言之，国内开发者们可以放心用来开发各种各样地应用啦～ “部分成果会集成在华为软件包里给用户” SiliconCloud官方推文表示： 无论是在昇腾上适配DeepSeek-R1&amp;V3双模型，还是在此前上线其他模型的过程中，公司都得到了DeepSeek与华为云的大力支持。 袁进辉则在即刻和朋友圈透露了这次联手的更多消息。 譬如，这次合作，源于SiliconCloud员工的“突发奇想”：**用国产卡，跑DeepSeek**。 于是一拍即合，很快得到了华为方调配的充足资源，DeepSeek团队也“全程无私提供了很多经验”。 SiliconCloud、华为多条业务线、DeepSeek的同学们，就这么过了一个特别（忙）的春节。 他还在朋友圈回应，**此次成果的一部分会集成在华为软件包里给用户**。  与此同时，袁进辉也明确表示，**现在只是一个初级成果，正持续提升使用体验中**。 譬如一度出现的“R1触发深度思考概率有点低，发现是prompt和chat template问题，预计傍晚时能升级好”。 然后就真的在昨晚18点左右完成修复。 另一边，用起来的网友们已经有诸多反馈了。 即刻网友@葬爱咸鱼 表示，自己的使用体验和DeepSeek官方的没差。  另一名即刻网友@张翼轸 也在袁进辉的即刻动态下分享了自己的使用体验。 划重点：平台上R1速度体感超过了DeepSeek在Web端的速度，但同时有一些使用体验希望修正。  当然，由于主要是为开发者提供API服务，SilionCloud的**playground只提供最基础的体验功能**。 想要搭配使用V3、R1，还是需要调用API接口才能实现。  One More Thing 综观全球数据，DeepSeek现有2点特别值得关注： 第一，上线19天，**DeepSeek日活达到1909万**。 这个数据超过ChatGPT，意味着DeepSeek成为全球增速最快AI应用。 第二，DeepSeek-R1在City-Data的**创意写作榜上拿下第一，终结了Claude霸榜7个月的局面**。 而这个榜单上，同为推理模型的o1-mini排名22，o3-mini表现未入榜单。  [查看评论](https://m.cnbeta.com.tw/comment/1475568.htm)

机器人越发成熟起来，在各个领域发挥的作用也越来越大，**近日，就有水上机器人成功救援了三名落水的游客**。据央视网[报道](http://t.cn/A63EtFGF)，1月30日下午5点半左右，海南万宁蓝天救援队在日月湾海域4号塔台通过望远镜巡视时，发现塔台附近离海岸2公里左右处，有落水人员身着救生衣挥手求救。 为了更准确、更清楚地了解落水人员周边海况信息，救援队启用无人机快速抵达现场，发现落水人员共3人。 随后，**救援队员操控U型水上机器人穿过海浪，快速抵达落水人员位置，在一名冲浪教练的协助下，3名落水人员被机器人拖带回海岸，身体均无大碍**。 据了解，这种机器人结构类似于一个“会跑的救生圈”，这种设计使其能够更好地搭载落水者. 通常配备有强大的推进器，能够在复杂的水域环境中快速行驶,例如R3000型水上救援机器人采用两个推进器，最大功率3000W，空载速度可达24km/h，载人速度大于12km/h。 **具备GPS+北斗实时定位功能，确保救援过程的精准性,同时还具有自扶正功能，上下翻转扶正时间不超过1秒。** 它的操作较为简单，通过操控手柄就能够实现远距离、快速、精准送达等性能，实现对落水人员的快速救援。 目前其主要应用在泳池、水库、河流、海滩等场景中的落水救援，**可有效解决传统水上救生装备受自然因素影响大、救援效率低、容易造成二次伤害等问题**，促进近岸救援效率的提升。 [](//img1.mydrivers.com/img/20250203/e29a2915-430e-46db-a012-2601b3c7a944.png) [查看评论](https://m.cnbeta.com.tw/comment/1475566.htm)

Intel已经官宣，将在今年下半年投产Intel 18A工艺，发布下代移动处理器Panther Lake，明年再发布全平台新品Nova Lake，但都未披露具体规格，现在关于Nova Lake的更多曝料来了。 对于Nova Lake，之前我们只知道，它极大概率会采用新的大核架构Coyote、小核架构Arctic Wolf，其他可以说一无所知，尤其是换不换接口都不知道。 根据Riddit网友的最新说法，Nova Lake(NVL)将覆盖全平台，包括**可超频桌面版Nova Lake-SK、高端移动版Nova Lake-HX、主流桌面版Nova Lake-S、主流移动版Nova Lake-H、低功耗移动版Nova Lake-U等至少五个系列。** 其中，**Nova Lake-SK系列将迎来一次飞跃，在目前的Arrow Lake-S系列基础上翻一番，配备两组8大核、16小核(双芯封装?)，也就是16大核、32小核，共计48核心！** 但是，超线程是否回归暂不清楚。 **Nova Lake-HX系列则是继续8大16小32核心，Nova Lake-S/H系列都是4大8小12核心**，也就是和Nova Lake-SK系列差距非常大。 **至于Nova Lake-U，也非常有趣，以往都是大量的小核，这次居然只有4个大核。** NVL-SK：2x(8P+16E) NVL-HX：1x(8P+16E) NVL-S/NVL-H：4P+8E NVL-U：4P+0E  [查看评论](https://m.cnbeta.com.tw/comment/1475564.htm)