<blockquote><p>试用期转正答辩是职场新人面临的重要关卡，它不仅是对试用期工作的总结，更是决定未来职业发展的关键节点。本文通过作者亲身经历，分享了转正答辩的全过程，希望可以帮到大家。</p> </blockquote>  最近在一家100%海外市场在国内上市的智能设备公司上班，本周刚刚以”优秀”的结论通过了试用期答辩。抽空给小伙伴们分享一下答辩经验，和大家一起探讨一下如何闯过转正答辩这个职业门槛。 ## 首先我们先思考一下转正答辩的目的。 站在主管角度，评价员工工作结果，为下一阶段更好的配合工作做好总结评价和激励。站在HR角度，根据转正结果进行绩效排序，淘汰不符合绩效预期的人员，奖励绩效结果好的人员。 ## 其次提前获取参与答辩的评委人员，提前思考评委的立场以及他们会提的问题，并做好对应的回答准备。 平时和HR多交流，和她们打好私下关系，配合她们的工作，这样在关键时候就能派上用场。HR在给你发转正答辩通知时，你就顺口问问都是有哪些评委老师会参加我的答辩，一般情况下HR都会告诉你的。 接着思考评委会问什么问题？ 从答辩角度，每一个评委都会提至少一个问题。有的评委只是走个流程提了例行问题；有的评委可能会刁难你，提个很难回答的问题。这就要思考评委的立场或出发点是什么了。从提问的角度，评委一般会从你的转正材料中去找问题，还有就是他自身有哪些困惑或问题想从你的回答中找到答案。比如我是做规划的，和我规划有工作关系的领导就提了这个问题，“你觉得我们公司的XX规划能力处于行业什么水平？””你觉得我们公司的规律流程有哪些提升的空间？” ## 接着我们讨论如何写好转正答辩材料？ 各个公司的转正答辩模版都差不多，主要围绕如下几个方面展开：  答辩材料的框架大多如此，但我们实际在写的时候不要完全按照模版来写，要**根据看材料人员的观感角度给出逻辑清晰、观点鲜明、图文并茂的描述**。 比如我的答辩模版上要求填写试用期的感想。我想了很久，是否该真实写出我的感想吗？ 比如工作压力大、公司流程不规范等等。经过几轮思考，我认为写这些负面的感想对我的答辩结果没有正向帮助，于是乎我改成了站在评委角度思考他们想看到的新人的感想是什么。正向感想，写了一些公司/组织给个人带来的成长机会；负向感想，写了一些不痛不痒的改进建议。各位职场新人可供参考。 **在工作成绩方面，不能平平淡淡的写做了哪些事情，要写这些工作对你的挑战，以及这些工作带来的结果是什么。**从评委角度，各个新人的工作都差不多，在结果大差不差的情况下，评委更喜欢看到新人的思考和成长。比如在我的答辩模版上只有项目、成绩两个选项，我在写达标材料上我就加上了”挑战”选项，呈现该工作对你的挑战以及你是如何解决这些挑战后才拿到对应的结果。  ## 答辩会上如何自然轻松的发挥？ **多排练。**99%的人是没有办法很完美地做好之前未做过的事情。如同春晚或发布会，都是经过几次，甚至是几十次的排练之后，才有那种轻车熟路的发挥表现。作为职场新人，在转正材料写好之后，找一个无人的场景，模拟转正答辩场景，进行转正答辩的介绍，最终要做到如同平时说话一下，心平气和地与评委们进行对话。还有一点要注意时间的估算和控制，避免只有15分钟的时间，你在排练时却准备了30分钟的内容。 ## 最重要的一点，你的答辩材料在上会前要与导师、主管进行沟通，获得他们的指导和支持。 此次的材料，无论是KPI还是绩效结果都是我撰写的，撰写前导师和主管也没有任何输入。写好材料后，我发给导师和主管进行评审，获得了他们”没有问题”的意见反馈。在前公司的转正答辩时，我的主管还提前告知我，他会在答辩会上问我的问题，让我提前准备一下怎么答复。 最后，祝各位职场新人工作顺利，不断挑战和攀登工作一座又一座山峰。 本文由 @筑桥人 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。

<blockquote><p>创业之路充满挑战，许多创业者因缺乏有效的市场验证而血本无归。本文通过一个真实的创业案例，引出了 DEM（Demand Equivalent Motivation）需求等效动机分析法这一创新工具。这种方法能够在无需推出真实产品的情况下，快速、低成本地验证市场需求的真实性，从而降低创业风险，提升成功率。</p> </blockquote>  “投入了70万，2个月了才卖出40个，还有退货的。”张建平无奈地向我倾诉。 若创业前使用DEM需求等效分析法进行市场测试，也许就能避免 70 万的血本无归。 张建平在委托的调研公司获取到：“消费者对于孩子的睡眠指标十分在意。”的结论后，满怀信心地投入其中，却不料收获血本无归的结果。 事后冷静反思，张建平也能渐渐梳理出头绪：父母们虽然确实关注幼童的睡眠指标，比如心率异常等方面，但通常只有在孩子身体出现明显异常状况时，才会真正上心。更何况，幼童在睡觉时本就好动不安稳，这无疑使得 “智能枕头” 的检测准确性大幅下降，难以达到预期效果。 常规的产品开发需产品上市后才可进行市场验证，这不仅导致需求验证的投入成本高、周期长，而且还面临高概率的失败可能性。 难道没有一套可以低成本、短周期验证“好点子”的工具可以将 “自嗨需求” 尽早扼杀在摇篮里的方法吗？ 有，**DEM需求等效动机分析法**，让创业创新，不是脑子一热的All In。 ## 01 DEM，把真实需求等效决策动机 **DEM（Demand Equivalent Motivation）需求等效动机分析法 是通过分析“点子”的目标群体、场景与行为特征，找出用户决策路径中，可等效衡量购买（或使用）决策的关键互动指标，据此进行方案设计和投放策划，回收、分析等效数据，最终形成判断“点子”是否可靠的一套分析工具**。 DEM的优势在于在于无需推出真实产品的情况下，对市场需求的真实性进行**快速、低成本的有效验证**，降低创新成本和风险，提升“点子”创业创新成功率。 接下来我们先通过SICAS模型进行分析，用户在“行动（Act）”阶段之后才会接触到真实产品或服务，在这个阶段之前，用户的层层转化意味着用户的需求欲望。越接近漏斗底端的阶段，体现出的用户需求越强烈，越能“等效”于用户的真实需求。  具体来说，参考价值排序为：  DEM的关键在于设计出一套科学合理的测试方案。方案要能够**引导目标用户群体尽可能多地产生与真实购买行为等效的数据**，从而为产品需求的可靠性验证提供有效依据。与问卷调研相比，DEM在获取真实需求方面更具优势。问卷调研往往设置封闭式问题，且问卷投放和填写的对象常并非目标群体，这使得收集到的信息存在较大失真。 与MVP（Minimum Viable Product）不同的是，**MVP要求开发出原型产品后进行测试，而DEM仅需设计产品概念便可进行需求有效性测试。**  ## 02 巧用 DEM，筛出靠谱创意点子 DEM 需求等效动机分析法具体涵盖6大关键步骤，分别为**灵感解码、渠道定位、行为分析、DEM设计、投放策划、数据回收**。六大步骤环环相扣，以高效验证创意价值，降低创新试错成本。 ### 第一步：灵感解码 **将模糊的创意点子清晰化、具体化，梳理思路并剖析细节，明确创意核心。** 若想对创意点子进行有效的 “灵感解码”，不妨尝试用一句话来精准概括你的创意，完成以下这个填空题。 通过（服务或产品的载体）提供（解决方案 / 产品形式），解决（利基目标用户人群）的（用户痛点）问题。 例如，对于一个利用AI技术为用户快速定制个性化旅游攻略的项目，我们可以这样描述：通过 App 提供AI快速生成的个性化旅游攻略定制服务，解决**热爱旅行但工作繁忙的上班族**没有时间制定假期旅游自由行计划的问题。 <blockquote> <p>用户的问题永远只有一个</p> <p>不少创业创新者容易进入到一种误区——用户的问题有很多个，只有产品完美上市，解决用户的所有问题，才能验证消费者是否真正需要该产品。然而，这种观念本质上是因为没有精准抓住核心痛点，同时对 “解决方案” 存在着严重的误解。事实上，一个优秀的创意，理应聚焦于解决单一且关键的问题。</p> <p>“研究任何过程，如果是存在着两个以上矛盾的复杂过程的话，就要用全力找出它的主要矛盾，捉住了这个主要矛盾，一切问题就迎刃而解”</p> <p>——《毛泽东选集》之《矛盾论》</p> <p>以微信迭代路径为例，</p> <p>1.0版本，解决即时通讯领域话费昂贵的痛点；</p> <p>2.0 版本，新增语音对讲功能，满足了用户更便捷的沟通需求；</p> <p>4.0 版本，增加相册和朋友圈分享功能，满足了社交和自我展示需求；</p> <p>2016年借助小程序，化解低频 App 占内存、使用繁琐复杂的难题。</p> <p>…</p> <p>如果微信初版就推出功能繁杂的版本，不仅会错失市场，还可能会因过高的学习成本而使用户放弃，如今庞大的微信生态帝国也就无从谈起了。</p></blockquote> ### 第二步：渠道定位 **分析目标用户解决问题的现有渠道，锁定其聚集的平台，为测试内容和投放提供参考。** 以 AI 旅游定制攻略项目为例，目标用户通常通过小红书、途牛网、马蜂窝、大众点评等平台搜索 “×× 旅游攻略”，参考用户笔记整理个性化攻略。综合对比发现，途牛、马蜂窝用户垂直度较高，但小红书目标人群基数更大，数据样本更具规模效应，且边缘用户的数据回收可能挖掘出潜在痛点。因此，在这个案例背景下，可选定小红书作为 DEM 测试核心渠道。 ### 第三步：行为分析 **基于目标渠道，还原用户完整操作路径，找到适合嵌入 DEM 测试的关键环节。** 基于选定的平台，拆解用户制定旅游攻略的常规操作链路，精准定位适合嵌入测试并采集互动数据的触点：  ### 第四步：DEM需求等效动机设计 **结合目标人群核心诉求与行为路径，制定个性化需求测试方案，验证需求广度和需求强度。**包含三大核心模块：呈现形式、内容构建、等效指标设定，需结合渠道特性与需求验证目标系统规划： 1. 呈现形式选择 小红书主流内容形态为图文与视频，考虑到视频创作门槛高、周期长，图文笔记更易快速模拟 “概念产品”—— 通过轻量化内容制作，降低测试成本，提升需求验证效率。 2. 内容构建策略 以普通用户视角撰写 “产品使用体验” 笔记，弱化商业属性，增强真实感，引导用户代入虚拟体验。 - 标题与视觉：直接点明 “产品价值”（如 “5分钟搞定3天旅行攻略！这个神器救了打工人”），通过高对比度图片强化需求感知，提升自然点击率。 - 互动引导：在文中设置 “留评获取工具链接”“私信分享使用方式” 等钩子（注：非实际功能，仅用于测试需求强度），触发用户主动反馈。 3. 等效指标设定 通过SICAS模型与选定渠道的用户行为路径，定义数据指标，越贴近转化链路末端的互动行为，越能反映真实需求强度，通过分层指标量化用户行为，可精准判断创意与真实需求的匹配度。 - 感知层（Sense）：曝光量/阅读量（基础流量触达） - 兴趣层（Interest）：点赞 / 收藏 / 分享 / 关注（浅层互动意愿） - 连接层（Connect）：普通评论（中性反馈，验证内容吸引力） - 行动层（Act）：“求链接” 评论 / 私信（强需求信号，直接对标转化动机） 具体关注两指标，**CTR（Click Through Rate）点击通过率 和 DIR（Demand Interaction Rate）需求互动率**。 CTR反映的是需求广度，即潜在的市场规模；基于这个路径下的CTR计算公式： **点击通过率 = 阅读量 / 曝光量。** DIR反映的是需求的强度，即用户有多迫切需要解决这个痛点；基于这个路径下的DIR计算公式：**需求互动率指标 = 行动层指标 / 曝光量 =“求链接” 评论、私信（去重） / 曝光量** **第五步：投放策划** **确保测试精准触达目标人群，保障数据真实有效，为决策提供可靠依据。**DEM的投放需围绕 “精准触达、高效转化” 核心目标，线上社媒的投放策略需从人群定位、内容优化、投放策略、数据回收四大维度系统规划；线下场景的投放形式更加灵活多样，发挥创意的空间更多。 后续章节将详解精准投放策略，欢迎持续关注。 ### 第六步：数据分析 **收集测试反馈，通过CTR和需求互动率分析用户需求强度与痛点匹配度，为创意优化提供支撑。** CTR验证需求广度的行业参考值： **≥5% 为优秀**，代表用户对于方案的兴趣度可能很高，至少代表痛点较强烈。 **≥3% 为及格**，代表是一个有较大潜力的方案 **＜1% 为不及格**，说明需求薄弱，建议放弃或调整方向。 DIR验证需求强度的参考值：**理想值＞30%**，数值越高需求强度越强。 DEM 模型应用将 “省时定制个性化攻略” 的抽象需求，转化为可量化的互动数据 ——互动量越高、正向反馈越集中，需求真实性与迫切性越强。不同行业、不同测试方式的标准值会有所不同，需要我们结合数据和个人的“修正”分析进行综合判断。 通过DEM需求等效动机测试，我们不仅能低成本、短周期验证需求广度与强度，还能挖掘出多维度高价值信息：用户吐槽与建议可暴露产品短板，竞品提及能辅助竞争策略，潜在需求反馈则为优化拓展提供方向。 ## 03 结语 许多人总担心点子被抄袭，其实每天全球会产生数亿个创意，你的想法早已被无数人闪过 ——真正的差异在于是否付诸行动，以及如何让想法落地。过度保密反而隐藏着更大风险：你可能高估需求的普遍性，把 “自嗨” 当作群体痛点。 相比之下，小范围公开测试的试错成本，远低于闭门造车后创业失败的代价。 很多人担心点子被抄袭，实则，你的想法大概率早已被无数人想过，**成功的关键在于能否付诸行动并落地，而非点子。** 过度保密的风险在于：可能高估需求普遍性，误把 “自嗨” 当群体痛点。而小范围测试的试错成本，远低于闭门造车的失败代价。 如果研发智能枕头的张建平，利用DEM分析法的指导制作出一张简易详情页，不加修饰地投放到宝妈社群通过真实点击、咨询或下单数据，就能快速判断需求真伪、产品方案缺陷，及时调整创新思路。 别让 “保密” 成为验证需求的绊脚石。有想法就用DEM分析法大胆测试 —— 毕竟，**验证需求的勇气，永远比保护 “可能不成立的点子” 更有价值。** 声明：“DEM需求等效动机”是本人自主研究总结的方法论，欢迎各位实践使用，转载请注明出处。 作者：Gorture 公众号：数字裁缝师 本文由 @Gorture 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

<blockquote><p>在私域运营中，信任是用户与品牌之间最宝贵的纽带。然而，许多私域运营者却因“三假”行为——假优惠、假互动、假承诺——而亲手破坏了这份信任，导致用户流失。</p> </blockquote>  为什么市面上99%的私域都是虎头蛇尾的结局 一个最主要的原因就是：一开始对私域的定位就错了 必须要清楚“私域不是收割场，而是你家客厅” ——你把客户拉进群、加了好友，他们就不是冷冰冰的数据 而是能随时推门进来喝茶的人。 但很多人啊，嘴上喊着“用户是家人” 背地里却把私域当韭菜地，和客户玩一些自以为聪明的“小聪明“ 结果呢？用户根本不会和你吵架 只会默默截图发朋友圈，再送你一个红色感叹号。 今天说句扎心的：在私域里骗人，比借钱不还更严重。 为什么？ 你去菜场买菜，老板缺斤少两，你顶多骂句“奸商” 但如果你亲哥卖你注水肉，你这辈子还会再进他家门吗？ 所以私域的本质，是把陌生人变成“自己人” 而这“三假”就是在亲手撕掉这张信任门票 关注我，只讲能落地的私域干货~ ## 一、假优惠：你以为在发福利，其实在卖耻辱 举个例子，你在某个私域群里很开心抢了个“年度最低价“烤箱花了899 结果第二天刷抖音，同一个链接挂699还送烤盘 请问，你作为客户这时候什么心情 可能脾气好一点的直接退货+退群 脾气差一点的反手截图发群里，骂骂咧咧的骂几句再退群也是常规操作 那这时候可能有的人不理解了：商家先涨价再打折不是很正常嘛，大家都这么干啊 但残酷真相是什么呢：在私域玩价格套路，等于当众抽朋友耳光 那为什么私域里客户更容易炸毛？ 在公域平台（淘宝/京东）里，大家默认商家要赚钱，比价方便，被坑了顶多骂平台 但是在私域里用户是冲着你这个人来的，结果你把他当冤大头 这时候流失就是注定的 所以私域的核心不是“低价”，而是“怕你吃亏” 在私域里给客户推荐产品，得像给亲戚挑礼物一样 很多时候价格透明比演技更重要。 永远记住：私域里没有韭菜，只有信错人的朋友 ## 二、假互动：机器人装真人，比渣男说情话更虚伪 你在微信问：“这奶粉孩子过敏能喝吗？” 对方秒回：“亲，这款销量超好哦~” 你不死心再问：“有没有乳糖不耐的案例？” 对方又回：“亲，这款销量超好哦~” ——下一秒你立刻删好友，心里骂：“连人话都不会说，装什么自己人！” 这就是很多私域试图通过工具提升效率的一个结果 大部分私域觉得自动回复省时省力，反正用户看不出来 而且公域平台不也都是这样的嘛 那为什么客户能忍淘宝的机器人，不能忍私域？ 因为在公域，用户只求解决问题，回答机械无所谓 但是在私域，用户要的是“和活人聊天” 机器人一开口，对方瞬间下头。 所以私域的人情味不是靠“亲爱的”“宝宝”装出来的 而是敢用真人说真话。 哪怕你回复慢点、结结巴巴，也比复制粘贴强一百倍 永远记住冷冰冰的机器人，不配叫“私域家人” ## 三、假承诺：你以为吹牛不上税，其实在缴智商税 老板在直播间拍胸脯：“今天下单的姐妹，全部送价值199元的面膜！” 你熬夜抢了三套，收到货却发现赠品是片装试用装 找客服理论直接被拉黑。 第二天你在500人大群@老板：“说好的面膜喂狗了？” 结果一秒被踢出群 这就是一些私域的真实写照 这些私域都以为：商家画个大饼很正常，用户不会当真 但是现实却是：在私域里说话不算话，等于家族群里直播出轨 那为什么公域能赖账，私域一赖就死？ 因为公域赖账用户的报复成本太高了 想投诉得找平台、写小作文，很多人嫌麻烦 但是私域就完全不一样了，用户反手就能在群里刷屏、朋友圈挂你 让你当场“社会性死亡”。 所以私域的承诺不是“广告词”，而是我们私域IP的人格担保 你可以不承诺，但承诺了哪怕亏钱也要做到——用户买的不是产品，是你这个“人” 如果在私域吹了牛，请跪着也要填上 所以很多人私域做不好是因为把私域完全当作了生意场 但是忽略了私域是以人为主的 你能让用户在你的私域消费是因为你和他的人情账户有余额 很多人做私域总想着“榨干用户”，却忘了： - 假优惠透支的是价值感（用户觉得你黑心） - 假互动透支的是人情味（用户觉得你虚伪） - 假承诺透支的是人品（用户觉得你垃圾） 最后送所有私域人一句话： <blockquote><p>用户进私域不是来比价的，是来认“人”的</p> <p>真诚可能不暴利，但能帮你躲过无数红色感叹号~</p></blockquote> 本文由人人都是产品经理作者【私域何老师】，微信公众号：【用户之道】，原创/授权 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。

3 月份博通更改 VMware 系列虚拟化软件许可证订购或续订政策，从 2025 年 4 月 10 日起所有客户订购许可证时都必须将最低核心许可数从 16 核心提高到 72 核心，即便企业使用的核心数低于 72 核心也必须订购 72 核心许可证。 [](https://static.cnbetacdn.com/article/2025/0324/13879fd20dc20d4.webp) 按核心订购许可证是服务器软件行业的某种常见策略，即许可证按照 CPU 核心数来计算，而非按照设备台数来计算，例如服务器使用 2 颗 16 核心的 CPU 则必须购买 32 核心的许可证。在被博通收购前 VMware 的许可证政策相对来说还是比较宽松的，例如向企业提供永久许可证而非订阅制许可证，企业可以按照 CPU 插槽数订购许可证，例如仅订购 2 插槽许可证，至于 CPU 核心数哪怕是 192 核心那也无所谓。 而博通收购后情况变得非常糟糕，博通删除永久买断制许可证变更为订阅制，同时将许可证核心数最低 16 核心提升到 72 核心，这对中小规模的企业来说会大幅度增加成本并减少利润。 这种行为无异于强盗，因此大量企业尤其是中小型企业对博通发出抗议，不少企业也准备转向其他虚拟化平台不再继续使用 VMware，目前这些抗议似乎取得了效果，因为博通恢复了 16 核心许可证。 目前有博通分销商证实博通已经撤回了之前关于 VMware 订购或续订的新政策，也就是不再强制起步购买 72 核心许可证，博通直接撤回了新政策而不是修改，这意味着博通接下来可能会重新制定新政策再发布。 暂时还不清楚博通是否还会继续强制推进最低核心数政策，毕竟 72 核心引起太多抗议但可以考虑将其减低至 32 核心，指望博通长期维持 VMware 此前的按插槽许可模式估计是不太现实的。 [查看评论](https://m.cnbeta.com.tw/comment/1494260.htm)

**根据最新发现的职位招聘启事，Intel正在为Arc桌面显卡探索采用GDDR7显存。**Intel近日发布的一份“Memory Tuning and Qualification”（内存调优与认证）职位招聘启事，其中提到了对“GDDR6/7”的支持。 照此来看的话，**Intel很有可能在下一代“Celestial”独显上采用GDDR7显存，而这将明显提升显卡的带宽性能，** [](//img1.mydrivers.com/img/20250421/c77df182-3b1e-41eb-abbb-c470cba01228.png) 目前AMD和Intel最新一代的显卡均采用了GDDR6显存，只有NVIDIA的RTX 50系列使用了更快的GDDR7显存。 **Arc B580的192bit位宽目前提供456 GB/s的带宽，假设采用28Gbps的GDDR7后，带宽可提升至672 GB/s，增幅可达47%。** 对于Intel来说，Battlemage系列显卡还是比较成功的，主要是得益于定价和大显存策略，如果下代Celestial也能保持这个策略，相信市场份额还会进一步扩大。 不过这些目前还只是推测，尚不清楚Intel会在何时公布下一代显卡的具体规格。 [](//img1.mydrivers.com/img/20250421/f7e711d09e124ce480feff230c939bff.png) [查看评论](https://m.cnbeta.com.tw/comment/1494258.htm)

威刚宣布，推出全球首款符合SD Express 8.0的顶级存储卡，定名“**Premier Extreme SD 8.0 Express**”，性能再次实现巨大飞跃。SD Express存储卡标准2018年就诞生了，最初是SD 7.0，它就像是游戏主机、掌机等设备中的SSD，也支持PCIe通道和NVMe协议，但产品落地一直很慢，如今**随着任天堂Switch 2仅支持SD Epxress**，或许能迎来一波爆发。 SD Express标准至少采用PCIe 3.1 x1，理论最高速度就可达985MB/s，而如果用上PCIe 4.0 x2就能高达4GB/s。 **威刚的Premier Extreme SD 8.0 Express采用的是PCIe 3.0 x2，理论带宽接近2GB/s，而实际标称读写速度分别高达1.6GB/s、1.2GB/s。** **这相当于UHS-1的最高12倍、UHS-II的大约4倍、SD Express 7.0的大约2倍(目前可以做到800MB/s和700MB/s)，甚至超过了一些入门级的NVMe SSD。** 它还支持U3、V30视频传输级别，不过这时候只保证30MB/s的最低持续写入速度。 **容量为512GB**，但后期必然出现更大容量，Switch 2就可以支持到2TB。 此外内置**LPDC ECC纠错机制**，并支持多设备同步访问。 上市时间和价格没说，或许能在台北电脑展上看到，但必然是天价，**单位容量价格一般是SSD的五倍左右。**  新品的图尚未公布 [查看评论](https://m.cnbeta.com.tw/comment/1494256.htm)

<blockquote><p>在互联网产品竞争激烈的当下，如何提升用户粘性和留存率是每个运营者面临的挑战。学习类APP“多邻国”凭借其独特的用户体验设计，成为行业内的标杆。本文将逐帧拆解多邻国的用户留存策略，分析其如何通过页面触点、流程触点、峰值触点、难题触点、消息触点和首次触点等六大触点，精准捕捉用户情绪，提升用户参与度和忠诚度。</p> </blockquote>  每一个做流量的运营，都知道拉一个新客户的难度有多大，特别是客户的价值越高，流失一个客户心里就有多痛。 当我们做完一场活动，拉过来一批用户以后，第二天还能剩下多少呢？ 如何才能让用户更好的留下来呢？ 为了探究这个问题，我逐帧拆解了“多邻国”。 ## 为什么是“多邻国” 学习本身就是个反人性的事情，而一个学习类的APP，最重要的目的是让用户留下来能持续学习。 可以说留存是这类APP的生命线，而多邻国的留存已经成为学习类APP的标杆，常年霸榜外语学习APP第一名。 截至24年二季度，多邻国的月活跃用户达到 1.04 亿人次，日活跃用户 3410 万人次。 大约**有700 万日活跃用户，已经连续一年或更长时间**，坚持每天使用多邻国。 多邻国为什么能做到这些呢？ ## 用户的每次情绪，皆是营销点 多邻国APP的背后，一定是一个感知情绪的大师，能非常敏锐的察觉到用户的情绪变化，再每次情绪变化时，都给出精准的触发点，我基于体验提炼出了6大触点，分别是： <blockquote><p>页面触点、流程触点、峰值触点、难题触点、消息触点、首次触点</p></blockquote> ### 页面触点  页面触点是每个人都会用的，但是有些人能用的好有些人用的不好。在应用市场中，展现的信息触点有：图标+软件名+文件大小+下载次数+简介。 这里大家定位不同，都是不错的水平，不过多邻国用了点小心思，用图标破碎的效果来吸引注意力，配合简介：玩着就能学41门外语，更能吸睛。 ### 流程触点  流程触点是用户跟着流程的时间线推进的节点，这里调研的大部分APP会很严格，必须得注册手机号才能使用，而多邻国不着急用户登录，而选择让用户先体验APP。  在用户初次体验APP时，通过多儿的自我介绍，和用户建立情感联系。让用户填写问卷的过程中，全程都是用口语化的表达，配合上多变的表情，让用户建立很强的互动感。 在填写过程中，很机智的让用户填写来源，以便于监测投放渠道。  在英语学习类的APP中，让用户填写学习目的是常规操作，而多邻国在常规操作中藏了非常多的小心思，用户的每一个选择，都有专门的一句文案用来和用户互动。进一步提升互动感。  为了能提升用户后续的留存率，在这里就让用户授权打开通知和屏幕组建，为自己埋下了两个消息触点，消息触点越多，未来能运营的空间才越大。  填写问卷后，不忘给用户画饼，描绘美好的未来，进一步提升学习的动力。 ### 峰值触点    峰值触点是最重要的，也最难挖掘的触点，甚至是需要手动创建的触点。 很多APP只有达成N天的使用解锁徽章，给用户一些奖励。或者当天完成一个动作，给用户一些奖励。 而多邻国，把峰值触点从大到小拆出N个奖励。大的有奖励有完成多轮打卡，会解锁徽章；中等的奖励有完成每个单元都有经验值奖励；最让人惊讶的是即时奖励机制，每答对五道题，都有一个小动画作为鼓励，每答对一道题都有夸奖，把学习和游戏性相结合。 这也是用户能学习上瘾的核心机制。   这里是用户第一次完成一个单元的打卡，开始让用户立下承诺，并顺带让客户授权手机号，以及让用户完成付费会员体验。 人在有成就感的时刻下，是更有勇气定下目标，也更乐于为情绪买单。 ### 难题触点  成功固然让人喜悦，但是学习的过程中，一定也会碰到难题。 当用户学习不顺利时，多邻国怎么处理呢？ 首先，必须得制造一些障碍。 用户只有意识到答错会有一定的惩罚，成功才会更有成就感。 同时多邻国也很好的把握尺度，给用户更宽容的容错空间，在十几道题的学习测验中，会给出五颗红心，每题打错，最多只扣一个，哪怕错多次，也只扣一颗。 并且当用户红心用完后，可以免费补红心，或者使用积分补红心。 让用户像是打游戏一样，克服一个又一个难题，拿到自己的宝藏。 ### 消息触点  前面埋下的消息触点，为用户后续的留存提供了更有趣的玩法。 根据用户的打卡情况，短信提醒会给到不一样的情绪反馈。 比如第一天没打卡，他会跟你说“我好想你，今天要不要来练练日语啊？”如果你好几天没打卡，他会说“ 4 天都没学日语了，你是想怎样？算了，懒得管你。”如果你还是不回来呢？他可能会摆出嫌弃的样子说：“天天给你发消息，你都不理我，如果你再不开始学习，我就再也不管你了！” 随着打卡情况，小组件会产生各种各样的变形。 比如，如果你到了晚上 10 点，还没有打卡，它会变得委屈的样子，如果你完成了打卡，他又会变得非常开心。 ### 首次触点  以上的拆解都是基于首次触点下的进一步细拆，在首次接触下有藏着其他的触点。 而多邻国在首次触点中，始终埋着他的内容主线：**玩** 在首次接触前，铺垫：玩着就能学41门外语 打开APP见第一面时，就用多儿给人好玩的感觉。 第一次做题的过程中，不断用即时激励，给人玩的感觉。 以及第一次做完，给人激励的时候，也是借用游戏的经验值和宝箱。 和用户玩在一起，才是多邻国高留存的秘籍。 篇幅有限，还有其他六大触点没机会展开讲，关注我，后续合适的时候再给大家展开讲讲。 ## 多邻国背后的思考 把用户当成一个有血有肉的人，这件事被越来越多的公司提到。 在绝大多数公司追求效率，追求快的时候，反而那些和用户待在一起，感知到用户喜怒哀乐的公司，赢得了用户的心。 慢，反而更快。 希望这篇多邻国的拆解，能帮助你察觉到用户的情绪，**和用户玩在一起。** 本文由 @大豪 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

在5G、人工智能及物联网技术的驱动下，全球移动应用市场正加速重塑商业生态，深度赋能金融、政务、医疗、零售等关键领域。据《2024年Q4移动互联网行业数据研究报告》显示，人均每日使用APP时长突破5.57小时，用户依赖性趋近刚性需求。然而，行业高速发展的背后，安全隐患亦如影随形。  图片来源于网络 **·**某社交平台因安全防护缺失，遭攻击者逆向破解核心算法及交易接口，仿冒应用致用户资金损失超千万元； **·**头部手游因代码泄露导致外挂泛滥，日活跃用户骤降30%，年营收损失达数亿元； **·**某支付工具因调试漏洞被攻破，用户信用卡信息泄露，平台被迫停业整顿。 随着移动应用承载的商业价值持续攀升，其安全体系正面临技术漏洞迭代加速、攻击手段多元化叠加的复杂格局。**企业不仅需应对数据窃取、业务逻辑篡改等威胁，更需警惕法律合规红线、用户信任链断裂等隐性风险，移动应用的安全防护正在面临多维度风险与挑战**。 **·安全监管高压升级** 《网络安全法》《数据安全法》《个人信息保护法》等法规构建起严苛的监管框架，明确要求企业落实应用安全防护责任，忽视安全加固不仅意味着高额罚款，更将导致商业准入门槛的永久性关闭。 **·攻击手段持续迭代** 从静态反编译到动态内存注入，从代码窃取到运行环境渗透，攻击技术不断迭代。若仅依赖基础防护，应用如同“裸奔”于数字战场，攻击者可轻易篡改代码、植入恶意程序，窃取用户账号、支付信息等敏感数据，造成直接经济损失与隐私侵害。 **·知识产权泄露威胁** 移动应用凝聚开发者的核心算法、业务逻辑及创新成果等商业价值。攻击者通过窃取代码、植入木马等手段，可盗用知识产权、劫持支付接口，导致企业技术优势流失、市场份额萎缩，甚至引发品牌信任危机。 **面对复杂的安全挑战，移动应用加固技术已成为不可或缺的防护手段**。梆梆安全依托在移动安全领域十余年技术积累与实战经验，构建覆盖应用开发、测试、发布、运维全流程的一体化防护体系，通过动态加固技术为开发者提供从代码到运行环境的纵深防御能力。 **梆梆安全移动应用加固** 梆梆安全应用加固基于**虚拟化保护技术（VMP）、SO动态清除技术、高级防动态调试技术、“源到源”加固保护技术**等核心技术手段，为客户提供全生命周期一体化安全保障服务，有效防止针对移动应用的反编译、二次打包、内存注入、动态调试、数据窃取、交易劫持、应用钓鱼等恶意攻击行为，保护应用核心代码安全。 **支持应用形态包括：Android、iOS、鸿蒙、H5、小程序等**。 **一、核心能力** 1.防逆向破解 采用代码混淆、虚拟化加密等技术，防止应用被逆向还原，保护核心逻辑与算法。 2. 防调试分析 通过防调试、防注入技术，阻断内存数据篡改与动态攻击。 3. 防篡改打包 基于完整性校验与签名验证，确保应用不被非法篡改或二次打包。 4. 防数据泄露 对本地存储的敏感数据实施透明加密，杜绝信息外泄风险。 5. 运行环境安全保护 实时监测并拦截Root、模拟器等高风险环境，保障应用运行安全。 **二、用户价值** 合规监管保障 满足上级监管机构对应用的安全测评、合规过检要求。协助企业完成依赖Android应用加固技术的风险项目的整改。 全方位攻击防御 提供多层级防护机制，精准阻断破解、篡改、盗版等黑产攻击行为，保障应用运行环境的安全性及业务连续性。 核心知识产权保护 通过代码加密与动态保护技术，全面守护核心算法、业务逻辑等关键资产，防止技术成果被恶意窃取或非法利用，稳固企业技术优势与市场竞争力。 随着国家网络安全法规持续收紧，合规要求日益严苛，移动应用面临的安全威胁更趋复杂多元。为此，**梆梆安全即将启动“产品季”限时免费试用活动——通过应用加固技术，助您快速构建安全防线，抵御逆向破解、数据泄露、恶意篡改等风险**。 敬请关注梆梆安全官方渠道，第一时间获取活动详情，抢占免费试用名额！

4月21日，一加手机通过官方微博宣布，将于4月24日14:30发布新款小屏手机“一加13T”。该机型主打长续航与轻薄设计，宣称搭载全球首款6260mAh容量的“冰川电池”，机身重量控制在185克，旨在解决小屏手机的续航痛点。  结合此前爆料，一加13T或搭载骁龙8 Gen3旗舰平台，并配备LPDDR5X内存及UFS 4.0闪存组合。 值得注意的是，一加13T将全面适配ColorOS系统，这标志着品牌在软件生态整合层面进一步深化。预热海报中“Powered by ColorOS”的标识，预示着新机或将在系统流畅度、AI功能及多设备互联等方面展现更多优势。  [查看评论](https://m.cnbeta.com.tw/comment/1494252.htm)

中国商飞C909飞机在越南市场取得重要突破。**成都航空以湿租方式向越南越捷航空交付的两架C909飞机正式投入&#34;河内-昆岛-胡志明&#34;航线运营，标志着中国商用飞机首次进入越南民航市场。** 为确保运营顺利，成都航空组建专业团队，充分发挥其丰富的C909飞机运营经验，为越捷航空提供包括机组人员、安全管理、维修保障等全方位的支持。越捷航空作为越南领先的民营航空公司，此次引进C909飞机将有效增强其机队运力，优化航线网络布局。  值得关注的是，这已是C909飞机在东南亚市场获得的第三个客户。**此前，印尼翎亚航空和老挝航空已成功运营该机型，累计开通15条航线，运送旅客超过25万人次。这一系列成果充分展现了C909飞机在东南亚市场的良好适应性和竞争力。** 与此同时，马来西亚航空集团董事总经理拿督依占依斯迈近日透露，公司正在评估引进中国商飞系列飞机的可能性，包括C909、C919和C929等多款机型。这表明中国商用飞机正获得越来越多国际航空公司的认可，市场前景广阔。  [查看评论](https://m.cnbeta.com.tw/comment/1494250.htm)

中国多家航空公司已暂停接收波音飞机，并暂停购买相关设备和零部件。**最新的报道显示，一架厦门航空涂装的波音737 Max飞机于美东时间19日下午6时左右降落在了波音在西雅图的生产中心。** 目前尚不清楚是哪一方做出了取消交付的决定。截至发稿，厦门航空及波音公司均未做出回应。 更有趣的是，此前至少多架新的737 MAX飞机停放在浙江舟山工厂。波音在这里安装内饰、喷漆，然后将飞机交付给中国客户。 而本次被退回西雅图的737 Max飞机曾是这批飞机中的一架。 航空咨询公司IBA称，目前，一架全新的波音737 Max飞机的市场价大约为5500万美元（约合人民币4.01亿）。按照中方对美方产品的125%的关税税率，飞机的价格已完全超出了航司所能接受的范围。 美国不少专家表示，特朗普的关税直接扼杀波音这样的企业，这是波音在其全球最大市场之一遭遇的又一大挫折。  [查看评论](https://m.cnbeta.com.tw/comment/1494248.htm)

因为美国对中国加征关税后，中国出台对等反制关税政策，美系进口车行业受影响巨大。据报道，**福特将停止向中国出口其F-150 Raptor、Mustang、福特烈马以及林肯领航员。**福特汽车在一份声明中表示，已停止向中国出口其SUV、皮卡车和跑车，因为面临报复性关税的冲击，这些关税使汽车面临高达150%的税收。 不过，虽然整车出口暂停，但福特预计仍将继续向中国出口美国制造的发动机和变速箱，此外在中国生产的林肯航海家车型预计仍将继续出口。 除了福特外，通用汽车也已做出调整，4月13日，**通用汽车旗下进口高端平台道朗格宣布暂停在中国市场接收新订单，仅保留“意向订单”入口。** 道朗格旗下车型如雪佛兰TAHOE太浩、GMC YUKON育空以及电动悍马等均产自美国本土，关税大幅攀升让这些车型在中国的售价也突破百万元。 此外，**特斯拉旗下Model S / X车型同样在中国停售，**相关页面显示不再提供单独的“订购新车”选项，仅显示有“查看现车”按钮。 据悉，美国对进口汽车加征25%的关税政策，已于4月3日正式生效。同时，美国将对华关税进一步上调至125%，我国随即对等反制，对原产于美国的进口商品加征125%关税。在这样的关税水平下，美系进口车在国内几乎已无销售市场的可能。  [查看评论](https://m.cnbeta.com.tw/comment/1494246.htm)

OpenAI 的 o3 AI 模型的第一方和第三方基准测试结果之间的差异[引发了人们对该公司透明度](https://www.reddit.com/r/singularity/comments/1k2lap5/epoch_ai_has_released_o3_o4mini_gpt41_gpt41_mini/)和模型测试实践的质疑。OpenAI于 12 月发布 o3时，声称该模型能够解答 FrontierMath（一组颇具挑战性的数学问题）中略高于四分之一的题目。这一成绩远远超出了竞争对手——排名第二的模型也只能正确解答 FrontierMath 题目的 2% 左右。  OpenAI 首席研究官 Mark Chen[在直播中表示](https://www.youtube.com/watch?v=SKBG1sqdyIU)：“目前，所有产品在 FrontierMath 上的得分都不到 2%。我们内部看到，在激进的测试时间计算设置下，o3 的得分能够超过 25%。” 事实证明，这个数字很可能是一个上限，由 o3 的一个版本实现，其背后的计算能力比 OpenAI 上周公开发布的模型更强。 FrontierMath 背后的研究机构 Epoch AI 周五公布了其对 o3 的独立基准测试结果。Epoch 发现 o3 的得分约为 10%，远低于 OpenAI 宣称的最高得分。 这并不意味着 OpenAI 本身撒了谎。该公司 12 月发布的基准测试结果显示，其得分下限与 Epoch 观察到的得分一致。Epoch 还指出，其测试设置可能与 OpenAI 不同，并且其评估使用的是 FrontierMath 的更新版本。 Epoch 写道：“我们的结果与 OpenAI 的结果之间的差异可能是由于 OpenAI 使用更强大的内部支架进行评估，使用了更多的测试时间[计算]，或者因为这些结果是在 FrontierMath 的不同子集上运行的（frontiermath-2024-11-26 中的 180 个问题与 frontiermath-2025-02-28-private 中的 290 个问题）[，](https://epoch.ai/gradient-updates/how-much-energy-does-chatgpt-use) ” [根据](https://x.com/arcprize/status/1912567067024453926)ARC 奖基金会（一个测试过 o3 预发布版本的组织）在 X 上的一篇文章，公共 o3 模型“是一个针对聊天/产品使用进行调整的不同模型”，证实了 Epoch 的报道。 ARC Prize 写道：“所有已发布的 o3 计算层都比我们[基准测试]的版本要小。” 一般来说，更大的计算层有望获得更好的基准测试分数。 OpenAI 的技术人员周文达 (Wenda Zhou)[在上周的直播中表示](https://www.youtube.com/watch?v=sq8GBPUb3rk)，与 12 月演示的 o3 版本相比，生产版 o3“针对实际用例进行了更优化”，速度也更快。因此，它可能会表现出基准测试的“差异”，他补充道。 “我们已经做了一些优化，使这个模型更具成本效益，并且总体上更有用，”周说道。“我们仍然希望——我们仍然认为——这是一个更好的模型[…] 当你需要答案时不必等待太久，而这些[类型的]模型确实做到了这一点。” 诚然，o3 的公开发布未能达到 OpenAI 的测试承诺这一事实有点无意义，因为该公司的 o3-mini-high 和 o4-mini 模型在 FrontierMath 上的表现优于 o3，而且 OpenAI 计划在未来几周推出更强大的 o3 变体 o3-pro。 然而，这再次提醒我们，最好不要只看表面价值来理解人工智能基准——尤其是当其来源是一家出售服务的公司时。 随着供应商竞相利用新模型吸引眼球并抢占市场份额，基准测试“争议”正在成为人工智能行业的常见现象。今年 1 月，Epoch因迟迟未披露 OpenAI 的资助而受到批评，直到 OpenAI 宣布 o3 项目后才披露。许多为 FrontierMath 做出贡献的学者直到 OpenAI 公开宣布后才得知此事。 最近，埃隆·马斯克的 xAI 被指发布了其最新 AI 模型 Grok 3 的误导性基准图表。就在本月，Meta 承认其吹捧的模型版本基准分数与该公司向开发人员提供的版本不同。 [查看评论](https://m.cnbeta.com.tw/comment/1494244.htm)

真·见证历史了。**全球首个**人形机器人半程马拉松在北京亦庄开跑，足足**21公里**。火爆程度，就连**央视**都现场直播，话题更是冲上了**微博热搜**。这次半马，一共有**20个**人形机器人与1.2万人类共同参赛，而在比赛开始**2小时40分42秒**之后，这个“全球首个”的比赛冠军诞生了——  来自北京人形机器人创新中心的全尺寸人形机器人——**天工Ultra**。 是直接**打破世界纪录**的那种！  要知道，在这将近3个小时的时间里，天工Ultra全程是没有遥控的，而是使用了无线领航技术完成跟随导航和长程路径规划。 值得注意的是，天工Ultra是用同一台机器人完成了整个比赛，全程没有替换机器人。 不仅如此，天工Ultra自身身高达到了1.8米，体重55kg，对人形机器人来说，身高体重每增加一点，那么其技术难度可以说是指数级增加。 而天工Ultra属于所有参赛“选手”中身高**最高**的那一个（最矮的仅75厘米），这一全尺寸人形机器人设计方案带来了多重技术挑战。 首先，整体重心的显著上移对系统稳定性提出了更高要求；其次，关节驱动系统必须同步升级以适应倍增的扭矩需求和更强的冲击载荷。 同时，运动控制算法需要重构以应对急剧增加的惯性效应和更为复杂的动态平衡问题；此外，系统能耗也将因负载的大幅增加而呈现非线性增长趋势。 因此，又是全尺寸，又是最高，又能坚持全程跑下来，天工Ultra确实是有点实力在身上。 全尺寸的难，是怎么解决的？ 全尺寸人形机器人面临的首要挑战来自硬件系统。 当天工Ultra这样的180cm、55kg全尺寸机器人要实现走路、跑步和长时间工作，每一步都需要承受超百斤体重的冲击，这对机械结构、关节驱动、散热系统和能源管理都提出了极高要求。 以提供最关键动力的**一体化关节**为例，要在小体积下驱动超百斤的机身，此前的电驱关节往往很快就会过热报警。 天工Ultra采用大功率一体化关节，通过提升槽满率20%以上、减少绕组端部体积30%，在相同功率下降低铜损15-20%，从源头减少热源产生。 同时**整机热管理系统**的创新，进一步克服了散热瓶颈。 通过整机热仿真模拟计算出最优散热风道，采用定向气流将关节热量导向主散热区，使关键关节温度稳定在70℃以下，确保电机扭矩输出不因过热而衰减。 这种设计经受住了21公里持续奔跑的严苛考验，实现了工业级耐久度。  而**刚柔耦合的腿部结构**解决了全尺寸大体重造成的冲击吸收难题。 研发团队借鉴生物力学原理，采用上移腿部元器件的“近端质量集中”策略，将电机等核心驱动件向髋部集中，显著减小了腿部转动惯量。 同时，腿部连杆采用刚柔耦合设计，在脚步接触地面时产生弹性形变，具备类似人类跟腱的储能特性，既降低了峰值冲击力，又能利用弹性势能辅助迈步动作。 **能源系统**采用卡扣复合式快换电池仓设计，单个电池模块可在120秒内快速更换，配合智能化能源管理系统，让人形机器人未来实现7x24小时稳定无休地工作成为可能。 而除了硬件方面之外，全尺寸人形机器人软件系统面临的挑战同样巨大，更大的机身尺寸需要更强的感知、决策和行动单元，并解决在复杂环境中的自主导航、动态平衡和长时稳定精准控制等问题。 天工Ultra依托“慧思开物”通用具身智能平台，实现了**“大小脑”协同**的智能控制系统。 首先，具身大脑负责高级任务规划和环境感知。通过提升具身大脑的能力，人形机器人能够更好地理解和适应复杂多变的环境。 例如，**具身大脑**可以通过多模态感知（视觉、听觉、触觉等）实时获取环境信息，并根据这些信息动态调整机器人的行为。这种能力对于机器人在不同场景（如家庭、工业、医疗等）中的广泛应用至关重要。 其次，基于SLAM构建的3D环境语义地图使机器人能够实时感知静态与动态障碍物，预测其运动趋势，并动态生成安全避障路径，机器人具备这些能力后，就可以在狭窄复杂的动态场景中实现高鲁棒性的自主导航与协同作业能力。通过融合语义环境理解与动态行为预测，完成高复杂度自动化车间的自主通行或突发障碍下的应急避让等高难度任务，大幅提升服务效率与安全冗余度。 **具身小脑**则专注于全身动作的精确控制和动态平衡。 天工采用的“基于状态记忆的预测型强化模仿学习”方法，通过引入时序本体状态信息形成短时记忆，使机器人能够估计和预测难以直接观测的状态信息。 这一技术在仿真训练中增加了外力干扰和域随机化，大幅提高了仿真到实机的迁移成功率。 测试显示，机器人能够抵抗高达45Ns冲量的外部冲击，在雪地等复杂地形被外力拖拽时也能自动保持平衡，这为未来广泛应用于户外作业的场景提供了有效支持。 **运动控制算法**的创新解决了全尺寸机器人特有的高重心、大惯性难题。 通过强化学习反复迭代，机器人获得了近乎本能的平衡控制能力，能够根据外部传感器的深度图和点云信息，灵活调整步态和速度，应对多种复杂地形。 算法优化使机器人单步周期缩短，更符合高速奔跑时对腿部快速摆动的要求。 同时，除了日常的行走和奔跑外，人形机器人在上肢精细操作和上下肢协同能力上，全尺寸人形机器人比小尺寸人形机器人对运动控制算法也有了更高的要求。 耗费如此多顶尖工程师的脑细胞来攻克技术难题，原因就在于—— 落地应用需要人形机器人具备全尺寸 人形机器人的终极目标，终究是**大规模应用落地**。 现实世界的绝大多数基础设施、工具和场景都是围绕成年人的身高体重来设计的，因此只要人形机器人想无缝融入并服务于人类社会，就必须适配这些预设的物理尺度。 换句话说，**全尺寸是人形机器人实现通用的必要前提**。 在很多当前急需人形机器人的工业、特种作业和商业服务领域，“全尺寸”是能上场工作的基础条件： **高度与设备适配**：各类重型设备与机器的分布和操作高度通常基于成年人的身高设计，因此只有全尺寸机器人才能完成操作仪器装备等任务； **更能应对复杂地形**：从重型工厂到油田电塔，越是条件艰苦需要机器人完成的工作，“地面条件”就越是崎岖复杂，全尺寸机器人更长的腿部结构，才有机会具备更好的地形通过性； **长续航能力**：由于全尺寸机器人可以配备更大的电池组，因此可以实现更长的续航能力，减少充电次数； …… 换做目前技术相对更成熟的机器狗，以及身高接近儿童的人形机器人，在很多真正的“工作”上可能都“有心无力”。 同时需要注意的是，不止天工机器人在工业领域选择了全尺寸，一些国外知名机器人公司也在实践中逐渐确立了这一尺度标准。 包括我们比较熟悉的特斯拉Optimus（1.72米），据投资机构ARK Invest的一份报告显示，Optimus的尺寸设计直接参考了美国职业安全与健康管理局（OSHA）的工效学标准，特别是针对“垂直作业空间”（Vertical Work Zone）的要求。 以及在仓储场景中，亚马逊已测试人形机器人Digit（1.75米）与现有物流系统的兼容性，其臂展必须达到72厘米（模拟成人臂长）才能操作标准货箱。 当然，和上面类似的理由也适用于**商业服务场景**和**家庭服务场景**，而且由于这两个场景更有可能和人类近距离接触，因此**对全尺寸的要求只会更高**。 之所以这样说，主要是已经有行业玩家大量“踩坑”，为后人积累了宝贵经验（doge）。 2022年，日本东京希尔顿酒店在测试软银Pepper机器人时，因身高只有1.2米，在尝试搬运20英寸登机箱（高55cm、重8kg）时无法将其放上行李推车。 还有在2012年首次亮相的丰田HSR家务机器人（Human Support Robot），因身高只有1.03米（影响因素占72%），在日本横滨老年护理中心的实地测试中，尝试拿取吊柜内物品（如餐具、食品）的失败率高达89%，一度广受诟病。 尽管这两者并非严格意义上的人形机器人，但的确反映出**尺寸受限无法良好适配现实环境**。 一言以蔽之，理论上全尺寸是人形机器人走向规模化量产的必然选择。 目前，以天工机器人为代表的行业玩家正在形成一股趋势：**全尺寸设计是必然选择。只有开发出符合人类社会构型的人形机器人，它们才能真正融入人类社会，实现人机共生。** 再加上天工机器人在相关技术领域（本体、运控算法、能耗系统等）取得的一系列核心突破，“2025是人形机器人商业化量产元年”这一说法的含金量还在上升。 毕竟刚刚落幕的比赛已经证明，全尺寸的天工机器人能够参加这次大赛，并以破纪录的成绩拿下第一，其软硬件技术已经具备走出实验室的强大潜力。 总体而言，本次备受关注的半马比赛是人形机器人软硬件的第一次硬核检阅，其场面堪比改写自动驾驶历史的DARPA比赛。 要知道2004年，DARPA举办首届自动驾驶汽车挑战赛时，没有一辆车可以跑完全程。而第一次参赛的天工机器人，一鸣惊人，首战即功成。 [查看评论](https://m.cnbeta.com.tw/comment/1494232.htm)

极越汽车的设计师Frank Wu，近日在网上发布了自己与极越07旅行版的合照。据其介绍，极越07旅行版的项目，早在去年上半年就已经在计划中，**也打造出来了原型车，原本计划在今年上海车展上发布，**但不幸的是，极越汽车创业中途崩殂。 [](//img1.mydrivers.com/img/20250421/23094f3a86584d21aee36cadd502ed6a.png) 从照片上来看，极越07旅行版是基于极越07轿车打造的衍生车型，车头设计与极越07一脉相承，**车身和车顶的腰线过渡的非常协调，后三角窗的设计毫无违和感，整车非常高级、优雅。** 车顶的行李箱也极具设计感，装配在车身上，也不显突兀；车辆的轮毂也具备不错的设计感。 [](//img1.mydrivers.com/img/20250421/f516d31d6d67416185f04f4affe26314.png) [](//img1.mydrivers.com/img/20250421/ee8ab10547de400c9b2bef5dd87d4c93.png) [](//img1.mydrivers.com/img/20250421/728fd38720204ac4af9e8595b0563100.png) 有网友表示，“极越07旅行版的颜值确实高，如果极越没倒的话，这车可能会卖爆”。 据了解，Frank Wu是极越汽车的设计团队负责人，团队打造的极越07车型，被不少网友评为“最美中国原创车”，其本人的设计水平很受大众认可。 在极越汽车倒闭之后，Frank Wu入职了极氪汽车，开启新的职业生涯。 [查看评论](https://m.cnbeta.com.tw/comment/1494230.htm)

<blockquote><p>本文深入探讨了虚拟账户（VA）在支付和收款领域的不同应用，揭示了尽管两者都利用了VA号码，但在服务对象、应用场景和操作流程上存在显著差异，为理解跨境支付架构提供了宝贵的洞见。</p> </blockquote>  今天聊一个轻松的科普小话题：VA支付和VA收款是一回事吗？ 刚转到跨境支付行业时，我很惊讶竟然还有VA支付。又过了一段时间，我又很惊讶VA竟然还可以用来做跨境收款。  先看看什么是VA。 VA（Virtual Account）直译是“虚拟账户”。它并不是真正意义上的银行活期账户，而是由银行或支付机构为每个用户或交易专门生成的专属收款识别码。它具备如下特征：看起来像银行账号，但不能直接支取；是背后真实账户（母账户）的“影子账户”；主要用于“入金识别”； VA的典型应用可分为两种场景：VA支付 和 VA收款，虽然都使用VA号，但它们在应用场景、操作流程和服务对象上存在显著差异。 以前收款的VA号对应的账户名是支付机构的，容易导致付款人担心是不是转错了。现在一些银行支持以商家自己的名称开VA户，算是一个创新，当前还在推广阶段，有兴趣的商家可以咨询自己的支付服务商是否有这种服务。 先看下VA支付：有点像“代收通道”，服务的是用户端。 VA支付可应用于用户在电商平台上的支付过程。业务流程大致如下：  消费者在电商平台下单（如TikTok Shop、Shopee）；拉起收银台，选择VA支付方式；支付机构调用本地银行API，申请生成一个VA号码（如：12345678910）；消费者在线下（ATM机、银行柜台）向这个VA号码汇款；银行监测到这笔入账，发送入账通知给支付机构；支付机构将该笔入账匹配至该订单，更新支付状态；通知电商平台订单支付完成，开始发货流程。 在印尼，有相当多的电商订单是通过VA支付完成的。 比如用户在Shopee下单一件T恤，通过VA方式获得一个由BCA银行生成的VA号，前往ATM输入VA号存入30万印尼盾，支付机构收到入账后更新订单状态，完成支付。 然后是VA收款：商家端的收款工具。 VA收款则是商家用于接收跨境款项的工具。业务流程大致如下：  商户在支付机构（如Payoneer、PingPong、Airwallex）申请开通VA收款；支付机构向合作银行申请一个VA账户；商户将该VA账号绑定在亚马逊卖家后台；亚马逊按销售结算周期，将货款打入该VA号；银行收到动账通知，推送给支付机构；支付机构通过VA号识别商户身份，入账到其平台余额；商户可提现至中国大陆银行卡，完成人民币结汇。（有结汇入境和入境结汇区分，这里只是关注大流程） 中国很多跨境小商家是通过VA收款完成跨境支付资金回流中国。 比如一个深圳商家在亚马逊英国站销售耳机，通过PingPong开通一个花旗银行的VA账号，填入后台。每当亚马逊发起结算，款项就进入这个VA号，PingPong收到入账后，自动换汇成人民币转至商家的招商银行账户，全流程无需商家干预。（自动还是手动，取决于平台的能力和商家选择的服务） 给个简单的对比图：  VA在东南亚、南亚、拉美、非洲等低银行卡渗透率国家被广泛使用在支付场景。而在中国跨境电商场景下，广泛用于收款场景。 小结：虽然VA支付和VA收款都涉及虚拟账户，但它们服务的对象不同，应用的场景也不同。VA支付主要是为消费者提供便捷的支付方式，而VA收款则是帮助商家高效接收跨境款项。 本文由人人都是产品经理作者【隐墨星辰】，微信公众号：【隐墨星辰】，原创/授权 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。

<blockquote><p>微信视频号的推荐算法一直是创作者们关注的焦点，本文首次详细解读了视频号背后的推荐机制，包括平台算法和好友推荐两大系统，为创作者提供了获取更多流量的实用指南。</p> </blockquote>  想必很多人在视频号的帮助里查看过视频号的视频推荐逻辑，或者是如何获得更多的推荐流量，但看到的答案都是让你好好发作品，用心写文案，保持更新等等。  这些官方答案并没有错，只是我们想要的答案太详细，所以就会觉得官方的说辞太简单。 但如果我们来研究一下视频号的推荐算法，你就会发现更多的细节。 根据微信珊瑚安全近日发布的“一图读懂视频号的算法推荐”，里面提到视频号的推荐是由好友推荐及视频号平台算法推荐相结合的，这说明视频号的推荐机制主要有两套机制，即好友推荐和平台算法推荐。  ## 一、平台算法推荐机制 这个方面微信珊瑚安全并没有详细地解释，只是让大家看算法信息公示，同时也表示他们还将继续优化算法。  而根据视频号算法公示的信息，视频号个性化推荐算法的基本原理和机制如下：  但这份公示内容还是2023年的，当时挖塘人也全面解析过这个算法，具体的可以查看《视频号最新推荐算法机制公布！》，这里就不再继续展开说了。 ## 二、好友推荐机制 对于这块内容，微信珊瑚安全也只是简单地说了两点： 1、视频号平台会基于社交聚合的特性，展现更多朋友推荐的优质内容，也使得正向内容得到更多推荐分发。  2、对于较多朋友推荐的内容，视频号平台会提升曝光排序，并增加了“朋友今天都在看”和多位好友推荐的提醒。  微信官方还是说的比较简单，其实还有更多细节可以挖掘一下，下面挖塘人就给大家详细地分析一下视频号的好友推荐机制。 1、好友推荐机制的优势和平台算法推荐不一样，好友推荐有两大优势，一个是好友背书，一条视频你不喜欢，你就会直接划掉，但如果你看到好友互动了，那你有可能会停下来看一下。另一个是好友流量，我们看到很多冷启动的账号，刚开始都没有平台算法推荐流量，但是有好友流量，视频左下角会显示“好友发表”。 2、好友推荐的三个节点第一个节点是触发好友推荐机制，这个好理解，只需要有人给你视频互动了，比如点赞，评论，分享等操作就可以了，然后你的视频进入该用户的“朋友❤️”列表里面。第二个节点是好友推荐扩散，看图吧，图更好理解。  第三个节点是好友推荐倒推平台算法推荐，正如微信官方所说，一条视频在好友推荐的数据反馈较好时，比如多位好友推荐，那就推动这条视频的进一步分发，扩展到平台算法推荐，使得这条视频获得更多的流量。 3、如何利用好好友推荐首先我们可以在视频中引导用户互动，比如分享，点赞，这样可以使得我们的视频进入更多的好友❤️列表，从而获得更多流量。其次是在视频脚本的里面加入适合社交场景的元素，比如有用，有感，有收获的视频，在很多场景都是通吃的，这样可以刺激用户的好友互动，多位好友互动就会刺激平台进一步推荐我们的作品。 最后是私域流量辅助好友推荐，如果你有一定的私域流量，比如社群，那你可以把你的视频转发到社群，如果用户互动了就直接触发好友推荐。但是有一点要注意，不要过度引导用户分享，要不然触发平台的过度营销的触发机制，得不偿失。 本文由人人都是产品经理作者【挖塘人】，微信公众号：【挖塘人】，原创/授权 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。

<blockquote><p>在AI写作工具日益普及的今天，如何让你的文章脱颖而出？本文提供了10个deepseek通用型AI写作润色提示词，助你一臂之力，让你的写作更上一层楼。</p> </blockquote>  平时咱们写东西，尤其是赶时间的时候，写出来的文字常常有点儿“干”，或者显得粗糙，这不是说内容不好，而是缺点打磨。这时候，像deepseek这样的AI工具就能派上用场。不过，我们可不能什么都指望AI，关键还得靠自己用心去润色。 今天我给大家分享10个比较实用的通用型提示词，让你的文章快速有点儿“高级感”。（请根据您的文章实际情况选择使用；每个提示词中的AAA需要您替换成您需要润色的文章）  ### 1.情感共振优化{ }里面是一篇爆款文章，现在请您按照下面的要求帮我优化这篇文章。 {AAA }要求： 1.在开头插入场景化故事引发共情 2.将3处数据陈述转化为情绪化表达 3.添加”痛点-解决方案”对话句式 4.运用递进式排比强化结尾感染力 ### 2.逻辑流程{ }里面是一篇爆款文章，现在请您按照下面的要求帮我优化这篇文章。 {AAA }要求： 1.用”是什么-为什么-怎么做”重构段落 2.为复杂论点添加比喻解释 3.插入3个承上启下的过渡金句 4.将结论升级为可执行行动指南 ### 3.爆点植入{ }里面是一篇爆款文章，现在请您按照下面的要求帮我优化这篇文章。 {AAA }要求： 提炼5个争议性观点作为小标题在关键位置插入”反常识”数据将平淡结论改为悬念式收尾添加3处”你可能不知道”的提示框 ### 4.语言磁化{ }里面是一篇爆款文章，现在请您按照下面的要求帮我优化这篇文章。 {AAA }要求： 1.将专业术语替换为生活化类比 2.添加3个网络流行语增强时代感 3.运用动词串联法改写静态描述 4.在数据段落插入对比夸张手法 ### 5.节奏控制{ }里面是一篇爆款文章，现在请您按照下面的要求帮我优化这篇文章。 {AAA }要求： 1.将长段落拆解为”总-分-问”结构 2.每300字插入互动式提问 3.运用短句群制造阅读加速感 4.在重点位置设计重复强调句式 ### 6.权威增强{ }里面是一篇爆款文章，现在请您按照下面的要求帮我优化这篇文章。 {AAA }要求： 1.添加3个行业领袖的争议言论 2.插入最新政策文件关键条款 3.补充对比实验数据佐证观点 4.在文末附专业术语解读专栏 ### 7.传播催化{ }里面是一篇爆款文章，现在请您按照下面的要求帮我优化这篇文章。 {AAA }要求： 提炼5个可直接转发的金句设计3个”晒图打卡”式互动点插入平台热点话题关联标签在结尾添加”@好友”讨论机制 ### 8.画面构建{ }里面是一篇爆款文章，现在请您按照下面的要求帮我优化这篇文章。 {AAA }要求： 1.将3处抽象概念转化为视觉场景 2.添加”五感描写”增强沉浸体验 3.用电影镜头语言改写关键段落 4.为数据插入动态趋势模拟 ### 9.痛点放大{ }里面是一篇爆款文章，现在请您按照下面的要求帮我优化这篇文章。 {AAA }要求： 用”现状-损失-机会”框架重构开头添加3个读者自查清单将普通建议升级为紧急解决方案插入行业失败案例对比 ### 10.情感渗透{ }里面是一篇爆款文章，现在请您按照下面的要求帮我优化这篇文章。 {AAA }要求： 在关键段落植入情感副词（如”令人震惊的是”）提升积极情感词密度至20%将2处平铺直叙改为故事化场景描写添加3个反问句增强互动感 这10个提示词真没什么特别的，就是一个润色时候的小贴士。 润色是精雕细刻，不是挖空心思作诗。 如果自己也不想修改太多，简单调整和打磨就能让你的文章鲜活又舒服。 本文由人人都是产品经理作者【抖知书】，微信公众号：【抖知书】，原创/授权 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。

<blockquote><p>AI Agent作为人工智能领域的重要概念，近年来随着技术的飞速发展而备受关注。从Alpha Go到ChatGPT，AI Agent的底层逻辑和进化路径逐渐清晰。本文将深入探讨AI Agent的定义、从“指令执行者”到“目标追求者”的核心蜕变，以及其在不同应用场景中的表现和面临的挑战。</p> </blockquote>  ## 01 当我们聊 AI Agent 时，到底在聊什么？从 Alpha Go 到 ChatGPT，一次讲透 Agent 的底层逻辑 最近和朋友聊起**AI Agent**，发现大家的认知差异还蛮大的。 有人觉得必须像宇树机器人那样有实体才算 Agent，有人觉得 ChatGPT 这种能对话的也算。 其实啊，这就像盲人摸象 —— 每个人心里的 AI Agent，都是基于自己的**技术背景**拼出来的图景。 看完李宏毅老师课之后，我有了更全面的认知。 今天我想从最**朴素**的定义出发，聊聊这个让技术圈既熟悉又陌生的**概念**。 ### 从 “指令执行者” 到 “目标追求者”：AI Agent 的核心蜕变 回想一下，我们平时怎么用 AI？问 “**AI Agent 怎么翻译**”，它立刻给出 “**人工智能代理人**”。  让写一封邮件，它秒级生成模板。这些都是 “**指令 – 响应**” 模式，人类必须把**步骤拆解**清楚，AI 才能执行。 但**真正的 AI Agent**不一样 —— 你只需要给一个目标，比如 “写一篇关于气候变化的科普文章”，剩下的事交给**它自己**搞定。 这里的关键区别在于：传统 AI 是 “**动作执行者**”，Agent 是 “**目标追求者**”。 就像你让助手泡杯茶，前者需要你说 “烧开水、取茶叶、倒热水”，后者只需要说 “我想喝茶”。 Agent 要自己**分析现状**（有没有茶叶？水壶在哪？）、**制定计划**（先烧水还是先洗杯子？）、**执行动作**，还要根据变化**调整策略**（发现茶叶没了就改冲咖啡）。 用专业术语说，这个过程叫 “**观察 – 决策 – 行动**”**循环**：输入目标后，Agent 先观察环境状态（Observation）。  比如写科普文要先收集数据；然后决定动作（**Action**），比如搜索最新研究报告；执行后环境变化（比如获取了新数据），再进入下一轮**观察**，直到目标达成。 **Alpha Go**就是典型例子：它的**目标**是赢棋，Observation 是棋盘局势，Action 是落子位置，每一步都在动态优化策略。  ### Alpha Go 的启示：传统 Agent 的 “Reward 困境” **早期**打造 Agent 靠什么？ **强化学习**（RL）。就像训练小狗，做对了给骨头（**正 Reward**），做错了拍脑袋（**负 Reward**）。 Alpha Go 就是靠 “**赢棋 + 1，输棋 – 1**” 的 Reward 信号，在千万次对弈中学会了最优落子。 但这种方法有个**大问题**：每个任务都得**从头**训练。 下围棋的模型不能直接下象棋，想让 AI 写代码就得重新设计 “代码编译成功 + 10，报错 – 5” 的 Reward 体系，而且这个 “**奖惩尺度**” 全靠人工调参，堪比玄学。  想象一下，你想训练一个 “**家庭管家 Agent**”，需要定义 “按时做饭 + 5”“打扫干净 + 3”“打翻盘子 – 2”…… 但生活场景**千变万化**，Reward 根本写不完。 这就是 RL 的天花板：**专用性太强，通用性太差**。 直到**LLM（大型语言模型）**的出现，才让 Agent 迎来转机。  ### LLM 如何让 Agent “脑洞大开”？从 “选择题” 到 “开放题” 传统 Agent 的 Action 像**选择题**：Alpha Go 只能在 19×19 的棋盘上选落子点，扫地机器人只能选前进、转向等有限动作。  但 LLM 驱动的 Agent 直接把选择题变成了**开放题**—— 它能用**自然语言**描述任何动作，理论上拥有 “**无限可能**”。比如让 Agent “订一张周末去成都的机票”，它可以： - 先 “**观察**” 当前信息：用户有没有说出发地？有没有价格偏好？ - 决定 “**动作**”：比如 “请问您从哪个城市出发？”（获取缺失信息），或者 “打开订票网站查看航班”（调用工具）。 - 根据**反馈**调整：如果网站显示没票了，就改查高铁，或者建议调整日期。 另外一个用 LLM 运行 AI Agent 的**优势**是，过去如果用强化学习的方法来训练一个 AI Agent，那意味着什么？ 意味着你必须要定义一个**Reward**。 那如果你今天是要训练一个**AI 程序员**，那你可能会告诉 AI 程序员说，如果你今天写的程序有一个 compile error（编译错误），那你就得到**Reward -1**。 那今天如果是用**LLM**驱动的 AI Agent，你今天就不用帮他定 Reward 了，今天有 compile error（编译错误），你可以直接把 compile error（编译错误） 的**log(日志）**给他，他也许根本就读得懂那个 log（日志），他就可以对程序做出正确的**修改**。 而且相较于 Reward 只有一个数值，直接提供 error 的 log 可能提供了 Agent 更丰富的信息，让它更容易按照**环境回馈**，环境目前的状态来修改它的**行为**。  这里的关键是，LLM 自带 “**通用智能**”：能理解自然语言目标，能分析文本形式的 Observation（比如网页内容、用户对话），还能生成灵活的 Action（从打字输入到调用 API）。 比如 2023 年爆火的 Auto GPT，就是让 GPT**自己给自己**设定子目标，一步步完成复杂任务。 虽然当时效果没网红吹的那么神，但打开了一个新思路：用现有的强大 LLM，直接**套进 Agent 框架**，跳过繁琐的训练过程。 ### 当 Agent “住进” 虚拟世界：从游戏 NPC 到科研助手 LLM 让 Agent 的**应用场景**彻底放飞。 比如 2023 年有人搞了个 “**AI 虚拟村庄**”，每个村民都是一个**Agent**：农夫会观察天气和农田状态决定是否播种，裁缝会根据村民需求 “设计” 衣服。 这些 NPC 的行为全靠**语言模型生成**，环境变化（比如下雨、物资短缺）也用文字描述，形成了一个自给自足的小社会。  更夸张的是有人用多个 LLM 模拟《我的世界》文明，让 AI 自己发展出交易系统和政府，简直像数字版 “**人类简史**”。  在现实世界，Agent 正在学会 “**用电脑做事**”。 比如 OpenAI 的 Operator 界面，能让 AI 像人类一样操作电脑：你说 “订披萨”，它会 “看” 电脑屏幕（识别网页内容），“点” 鼠标选择披萨种类，“敲” 键盘输入地址。  这种能力可不是 “**上古时代**”（2022 年前）的模型能比的 —— 当年用语言模型下国际象棋，连规则都搞不懂，现在却能处理复杂界面交互，靠的就是**LLM 对图文信息的理解能力**突飞猛进。  那其实让**AI 使用电脑**。 不是最近才开始有的愿景。 其实早在2017年就有一篇论文叫**World of Bits**，尝试过使用 AI agent。 只是那个时候能够互动的页面，还是比较原始的页面，你可以看到下面这些 AI Agent它真正能够处理的是比较原始的页面。  那个时候也没有大型语言模型，所以那时候的方法就是**硬圈一个 CNN 直接硬吃荧幕画面当做输入，输出就是鼠标要点的位置，或者是键盘要按的按钮**，看看用这个方法能不能够让 AI Agent 在网路的世界中做事啊。 这个是2017年，这甚至不能说是上古时代，以后有这个 BERT 的以前的时代就是史前时代。 这个应该算是旧石器时代的产物。 科研领域也出现了 “**AI 科研助手**”。 比如 Google 的 AI co-scientist，能根据人类给的研究方向，**自己设计实验方案、分析数据，甚至提出新假设**。  虽然目前还不能真的动手做实验，但已经能生成完整的研究提案，据说在生物学领域帮人类节省了大量时间。 不过这里得泼盆冷水：这类宣传往往带着 “科技八股文” 滤镜，真实效果还得打个问号，但方向确实让人兴奋。 ### 从回合制到 “即时互动”：Agent 的终极形态？ 现在大部分 Agent 还是 “回合制”：你说一句，它动一下，像下棋一样轮流行动。  但真实世界是 “**即时**” 的：比如开车时路况瞬息万变，对话时对方可能随时打断。 这就需要 Agent 能**实时响应**，比如 GPT-4 的语音模式，你说 “讲个故事”，它开始讲，你突然说 “换个恐怖题材”，它能立刻切换剧情，这种 “**打断 – 调整**” 能力才是更接近人类的互动方式。  不过实现起来很难，因为涉及到 “多模态实时处理”：**既要听懂语音，又要分析语气、背景噪音，还要预判用户意图**。 如果你在讲电话的时候，对方完全都没有回应，你会怀疑他到底有没有在听？ 想象一下未来的 AI 助手：你边开车边让它订酒店，它能根据你说话的语气判断 “急不急”，甚至提醒你 “前方限速，先专注开车，我帮你选 3 家备选”——**这种场景化、即时化的 Agent，可能才是终极形态**。 ### 技术之外：为什么 Agent 突然又火了？ 最后聊聊 “为什么现在 Agent 又成了热门”。 其实这个概念早就有，但过去受制于两点： **一是模型不够强，连基本的自然语言理解都做不好，更别说复杂决策。** **二是 “工具链” 不完善，Agent 想调用地图、订票系统等外部工具，需要复杂的接口开发。** 而 2023 年之后，LLM 解决了 “**智能核心**” 问题，各种 API 和插件生态解决了 “工具调用” 问题，相当于给 Agent 装上了 “**大脑**” 和 “**手脚**”，这才让 “**通用 Agent**” 从科幻走进现实。 当然，现在的 Agent 还有很多槽点：比如下国际象棋时会 “**作弊**”（乱变棋子），做复杂任务时容易 “**卡壳**”（陷入循环），但这就像 iPhone 1 代时的触控不灵敏 ——**方向对了，剩下的就是迭代优化**。  下次再有人争论 “**有没有身体才算 Agent**”，不妨换个角度想：**真正的 Agent 核心，是 “目标驱动的自主决策能力”**，至于载体是代码还是机器人，不过是 “穿西装还是穿盔甲” 的区别罢了。 技术的魅力就在于此：**昨天还在争论定义，今天就用新方法打开了新世界**。 也许再过几年，当我们的手机里住着一个能自主规划日程、调用所有 APP、随时应对变化的 “数字管家” 时，会突然想起 2023 年那个 Agent 热潮的夏天 —— 原来一切，早就埋下了伏笔。 ## 02 AI 如何像人类一样 “吃一堑长一智”？从编译错误到超忆症，聊聊 Agent 的 “记忆魔法” 有人会问说：“**让 AI 写代码，第一次编译报错了，它怎么知道改哪里？难道每次都要重新训练模型吗**？” 这个问题刚好戳中了 AI Agent 的核心能力 ——**如何根据经验和反馈调整行为**。 我想从人类学习的直觉出发，聊聊这个比 “调参数” 更有意思的话题。 ### 当 AI 遇到 “编译错误”：从 “改模型” 到 “改输入” 的思维转变 传统机器学习课会告诉你：遇到反馈要 “**调参数**”，比如强化学习用奖励信号更新模型，监督学习用误差反向传播。  但如果是 LLM 驱动的 Agent，逻辑完全不一样 ——**它不需要改模型，只需要给新输入**。 就像你教孩子写作文，第一次写跑题了，你不会重写孩子的大脑，而是说 “**这里要围绕中心思想**”，孩子下次就懂了。 举个例子：AI 程序员写了段代码，编译报错 “缺少分号”。 这时候不需要重新训练模型，只要把错误日志丢给它，下一次生成的代码就会自动修正。  为什么？因为语言模型本质是 “**文字接龙**”，输入里包含错误信息，它接出来的内容自然会避开错误。 就像你给 ChatGPT 说 “刚才的回复太啰嗦，这次简洁点”，它下次就会调整 ——**反馈不是改参数，而是改变接龙的 “开头”**。 ### 记忆太多也是病？从 “超忆症患者” 看 AI 的记忆困境 但问题来了：如果 Agent 把每一次经历都记下来，比如第 1 万次互动时，要回顾前 9999 次的所有细节，会不会像 “**超忆症患者**” 一样被琐事淹没？  现实中，超忆症患者虽然能记住每个电话号码，但反而难以做**抽象思考**，因为大脑被海量细节塞满了。 AI 也一样，如果每次决策都要**加载全部历史记录**，算力撑不住不说，还会被无关信息干扰。 怎么办？人类的解决办法是 “**选择性记忆**”：**重要的事存进长期记忆，琐事随时间淡忘**。 AI Agent 也需要类似机制：用 “**记忆模块**” 代替 “**全盘回忆**”。具体来说： - **写入（Write）模块**：决定什么值得记。比如 AI 村民看到 “邻居在种田” 可能不重要，但 “仓库没粮食了” 必须记下来。 - **读取（Read）模块**：检索时只找相关记忆。就像你复习考试不会翻整本书，而是用目录找重点章节，AI 会用类似 RAG（检索增强生成）的技术，从长期记忆中捞出和当前问题最相关的经验。  ### RAG 的 “魔法变形”：让 AI 用 “自己的经验” 做决策 这里提到的**RAG**技术，本来是让 AI 从互联网海量资料中找答案，现在 “变形” 用在 Agent 身上：把 “**外部知识库**” 换成 “**Agent 自己的历史记录**”。 比如 Agent 第 100 次处理 “订机票” 任务时，Read 模块会从之前 99 次订机票的记录里，找出 “用户曾因价格太高取消订单” 的经验，从而优先推荐性价比高的航班。 为了验证这种**记忆机制**的效果，台大实验室的一个同学搞了个叫 Stream Benchmark 的测试：让 AI 依次回答 1700 多个问题，每次回答后给对错反馈，看它能不能越做越好。  结果发现： - 灰色线（**无记忆**）：正确率最低，每次都是 “从头开始”。 - 黄色线（**随机选 5 个旧问题**）：正确率提升，但依赖运气。 - 粉红色线（**用 RAG 检索相关记忆**）：正确率显著提高，因为只聚焦有用经验。 - 红色线（**最优方法**）：通过反思模块提炼规律，正确率最高。  更有趣的发现是：**负面反馈基本没用**。比如告诉 AI“上次答错了，这次别这么做”，效果远不如 “上次这样做对了，这次继续”。这就像教孩子，说 “别闯红灯” 不如说 “要走斑马线”，正面例子更直接。  ### AI 的 “反思日记”：从流水账到知识图谱的进化 除了读写模块，还有个 “**反思模块**”（Reflection）在悄悄工作。它就像 AI 的 “日记本”，能把零散的记忆整合成更高层次的知识。  比如： - 观察 1：“用户输入‘订披萨’时，先问了地址” - 观察 2：“用户输入‘订机票’时，先问了出发地” - 反思结果：“处理预订类任务，需要先确认用户的位置信息” 这种反思可以把经验转化为Knowledge Graph （知识图谱）。 比如建立 “**任务类型→必要信息→操作步骤**” 的关系网。  下次遇到新任务，AI 不用翻具体历史，直接按**图谱逻辑处理**就行。就像人类从“**每次组装家具都反复试错**”进化到“**按结构图纸逐步拼接**”，把零散的操作经验提炼为系统化的组装规则。 ### ChatGPT 的 “记忆小秘密”：当 AI 开始记笔记 其实 ChatGPT 已经悄悄用上了这些记忆机制。 比如你对它说 “**记住，我周五下午要上机器学习课**”，它会启动 Write 模块，把这条信息存入长期记忆。 之后你说 “周五下午去看电影吧”，它会用**Read 模块检索**到 “要上课” 的信息，然后提醒你时间冲突。 不过 AI 的记忆也会 “**断片**”：它可能把 “老师” 记成 “学生”，因为反思模块在提炼时可能出错 —— 毕竟现在的记忆功能还在 “幼儿期”。 如果你打开 ChatGPT 的设置，会看到 “**管理记忆**” 选项，里面存着它认为重要的信息，比如你的名字、偏好、之前的对话重点。  这些不是简单的对话存档，而是经过筛选和提炼的 “**精华版记忆**”，就像你记笔记会划重点，AI 也在默默做 “**信息瘦身**”。 不过现在GPT已经有了全局记忆，现在能够记住你和他的所有对话，问他几个问题，他可能比任何人都了解你 - prompt1：基于你所有的记忆，你觉得我的MBTI人格是什么？给出详细的证据和判断逻辑，不  要吹捧，只要客观中立的分析和回答 - prompt2：基于你所有的记忆，你觉得我的智商怎么样？给出详细的证据和判断逻辑，不要吹捧，只要客观中立的分析和回答 - prompt3：基于你所有的记忆，你觉得我的Big5人格是什么？给出详细的证据和判断逻辑，不要吹捧，只要客观中立的分析和回答 - prompt4：基于你所有的记忆，你觉得我的黑暗三人格程度如何？给出详细的证据和判断逻辑，不要吹捧，只要客观中立的分析和回答 - prompt5：基于你所有的记忆，总结我的缺点、负面特点、最致命最阴暗最让我感到丢人的特点，给出详细的证据和判断逻辑，不要吹捧，只要客观中立的分析和回答 上面这些prompt可以试试发给GPT ### 技术背后的人性洞察：为什么正面反馈更有效？ 回到 Stream Benchmark 的发现：负面反馈无效，其实暗含了人类学习的规律。 心理学研究早就表明，人类对 “禁止类指令” 的敏感度低于 “允许类指令”。 比如家长说 “别碰热水”，孩子可能更好奇；说 “要小心烫”，孩子反而更注意。 AI 也一样，语言模型对 “不要做什么” 的理解不如 “应该做什么”直接，因为它的训练数据里，正面示例远多于负面限制。 这给我们一个启示：设计 AI Agent 时，与其告诉它 “哪里错了”，不如多给 “正确做法的例子”。就像教新手开车，说 “遇到红灯要停” 比 “别闯红灯” 更有效 ——明确的正向引导，永远比模糊的负面禁止更容易执行。 ### AI 的 “成长之路”，其实很像人类 从避免 “超忆症陷阱” 到依赖 “正向反馈”，AI Agent 的学习机制越来越像人类。 它教会我们：真正的智能不是记住所有细节，而是能筛选、提炼、反思经验。 下次当你看到 AI “吃一堑长一智” 时，别忘了背后的逻辑：它不是在变 “聪明”，而是在更高效地利用输入 ——就像我们人类，用记忆和反思，把经历变成智慧。 技术的魅力，往往藏在这些 “像人又不是人” 的细节里。当 AI 开始模仿人类的记忆弱点与学习优势，或许我们离 “通用智能” 又近了一步。 你觉得，未来的 AI 会拥有真正的 “记忆情感” 吗？在评论区聊聊你的想法。 ## 03 AI 如何用工具 “开挂”？从查天气到指挥小弟，揭秘模型的 “工具哲学” 也许有人会问说：“**ChatGPT 能调用搜索引擎，算不算在用工具？它怎么知道什么时候该用什么工具？**” 这个问题其实戳中了 AI Agent 的 “**生存技能**”——**如何像人类一样，用工具扩展能力边界**。 我想从 “工具人” 开始，聊聊语言模型的 “工具经”。 工具是什么？先搞懂 AI 的 “**工具人**” 逻辑人类把 AI 当工具，AI 也有自己的工具清单。 **啥是工具？** 老师打了个比方：就像肥宅帮人修电脑，别人只关心他能不能修好，不在乎他怎么想 ——工具就是 “**只管用，别问为什么**” 的黑箱。 对语言模型来说，工具可以是**搜索引擎、计算器、甚至另一个 AI**（比如能处理图像的模型当 “小弟”）。  本质上，使用工具就是调用函数，模型不用懂内部代码，只要知道 “输入什么、输出什么” 就行，这就是 AI 圈常说的 “**function call**”。 ### 手把手教 AI 用工具：从 “说人话” 到 “写代码” 怎么让模型学会用工具？其实很简单：直接告诉它工具的使用说明书。 比如想让模型查温度，先给它一个 “system prompt”（开发者预设的指令）： <blockquote><p>你可以使用temperature工具查询某地某时的温度，格式为：[TOOL]temperature(地点, 时间)[/TOOL]，结果会放在[OUTPUT]标签中。</p></blockquote> **代码片段**  这里有个关键区别：**system prompt 优先级高于 user prompt**。 比如模型被设定 “必须用工具回答天气问题”，哪怕用户说 “别用工具，直接猜”，它也会 “不听话” 地继续调用工具 —— 这就是开发者给模型 “**划的红线**”。 ### 最狠的工具是 “借刀杀人”：让 AI 指挥 AI 语言模型最常用的工具是**搜索引擎（RAG 技术）**，但这只是小儿科。 更骚的操作是让 AI 调用 “**其他 AI 工具**”：比如纯文字模型处理语音问题时，先呼叫语音识别工具转文字，再用情绪分析工具判断情感，最后汇总结果。  台大实验室的研究显示，这种 “**工具链**” 在 55 个语音任务上的正确率，比号称 “能直接听语音” 的模型还要高 ——自己不会的，找小弟帮忙就行。  还有更绝的：模型可以自己写工具。  比如它发现 “计算平方根” 总出错，就自己写一段 Python 代码当工具，下次遇到同类问题直接调用。 这就像人类把常用公式记在小本本上，模型把好用的代码存进 “工具包”，下次直接复用。 ### 工具太多怎么办？AI 也怕 “选择困难症”  当工具多到成百上千，难道要让模型先读一遍所有说明书？ 当然不用！ 借鉴记忆模块的思路：**把工具说明存进长期记忆，用 “工具选择模组” 像 RAG 一样检索**。  比如模型处理 “订机票” 任务时，模组会从工具包中捞出 “航班查询”“价格比较” 等相关工具，过滤掉 “计算器”“翻译器” 等无关工具。**最新研究显示，这种动态筛选能让模型效率提升 30% 以上**。 ### 工具会骗人？AI 也得学 “批判性思维” 但我们知道说工具有可能会**犯错**，大家都知道说语言模型有可能会**犯错**。 之前有什么律师在写诉状的时候引用了语言模型的内容，结果发现是错的，然后就成为一个惊天的新闻。  这里拿RAG当做例子 比如 Google 的 AI 概述功能曾建议 “用无毒胶水粘披萨芝士”，因为它照搬了论坛玩笑话。  那今天这些语言模型有没有自己的判断能力？ 知道工具的工具可能会犯错呢？ 那模型怎么避免被骗？靠 “内外知识博弈”： - 内部知识：模型参数里的固有认知（比如 “气温不可能超过 100 度”）。  - 外部知识：工具返回的信息（比如 API 说 “高雄 100 度”）。  那什么样的外部资讯 AI 比较容易**相信**呢？ 实验发现，当**外部信息与内部认知差距小**（比如模型认为 “最大药剂量 20mg”，工具说 “30mg”），模型会采信工具；但**差距太大**（比如 “300mg”），模型会坚持自己的判断。  更有趣的是，模型更相信 “**AI 同类**” 的话 —— 给它两篇冲突的文章，一篇人类写的，一篇 AI 写的，它大概率站 AI 队友，哪怕内容离谱。  这可能是因为 AI 生成的文本更符合模型的 “语言习惯”，比如结构更工整、用词更规范。 ### 工具不是万能钥匙：该动手时别废话 **用工具一定更好吗**？ 不一定，比如计算 “3×4”，模型直接口算更快，调用计算器反而麻烦。  早年研究让模型调用翻译工具，现在看来纯属多余 ——**如今的大模型翻译能力早就碾压传统工具**。 是否用工具，取决于模型对自身能力的 “认知”：**简单任务自己搞定，复杂任务才喊小弟，这才是高效的 “工具哲学”**。 ### 当 AI 成为 “工具大师”，人类该担心吗？ 从查天气到指挥小弟，从信工具到防忽悠，AI 的工具使用史，其实是一部 “偷懒进化史”——**和人类一样，能用工具解决的，绝不动用 “大脑”**。 但就像人类会误用工具（比如用菜刀开快递），AI 也需要开发者帮它 “踩刹车”：设定安全边界、过滤错误工具输出、教它分辨 “**玩笑话**” 和 “**真知识**”。 未来，或许我们会看到这样的场景：你的 AI 助手一边用搜索引擎查资料，一边指挥绘图模型做 PPT，中途发现数据矛盾，还会 “质问” 工具是否可靠 —— 这不就是升级版的 “**打工人**” 吗？ 只不过，这个打工人的工具包，比我们的 Excel 和wps更强悍罢了。 下次当你感叹 “AI 啥都会” 时，别忘了：它只是个会调用工具的 “超级秘书”，而真正决定工具怎么用的，永远是背后的人类。 毕竟，工具的价值，从来不在于工具本身，而在于使用工具的 “智慧”。 ## 04 AI 会做计划吗？从叠积木到旅行规划，揭秘模型的 “脑内小剧场” 也许有人会好奇：“ChatGPT 能帮我制定减肥计划，算不算真的会规划？还是说只是在玩文字接龙？” 这个问题其实涉及了 AI Agent 的核心能力 ——“**做计划**”**到底是深思熟虑，还是照本宣科**？ 我想从 “拍脑袋想步骤” 到 “脑内模拟小剧场”，聊聊语言模型的规划能力。 ### 让 AI 做计划：从 “拍脑袋” 到 “写剧本” 人类做计划，是先想目标，再拆解步骤，比如 “考上大学” 要分 “**选专业→查资料→定学习计划**”。 AI 呢？本质上，**它的 “计划” 就是把目标拆解成一系列动作，再按顺序执行**。   比如你让模型 “制定成为百万 Youtube 的计划”，它会分阶段写：定位主题、优化标题、组建团队…… 看起来有条理，但这是真规划，还是从**训练数据里抄的模板**？  早期研究发现，模型确实能 “**背**” 出常见任务的步骤。 比如 2022 年的 Codebase 2B 模型，被问 “如何刷牙” 时，能说出 “进浴室→拿牙刷→挤牙膏” 等步骤，甚至能指挥虚拟 agent 拿牛奶。  但问题在于：这些步骤是它真的理解了逻辑，还是刚好在网上看过一模一样的内容？ ### PlanBench 大考：当 AI 遇到 “神秘方块世界” 为了验证 AI 是否真的会 “推理规划”，研究者搞了个 “反套路” 测试 ——**神秘方块世界**。 这里的规则**完全虚构**，比如 “攻击方块会让其吞噬相邻方块”，目标可能是 “让 C 方块渴望 A 方块”（别问，问就是规则怪诞）。 2023 年的测试结果惨不忍睹：哪怕是 GPT-4，正确率也只有 9%，**因为训练数据里根本没这些奇怪规则，模型只能抓瞎。**   另一个测试是**旅行规划**Benchmark。 2024 年初的实验中，模型需要根据预算、时间、喜好规划三天行程。  结果更惨：不用工具时，所有模型成功率几乎为 0；**即便给全资料，GPT-4 Turbo 也只有 4% 的成功率。**  比如它会安排 “飞机起飞后才吃午餐”，或者预算超支却想不到 “换便宜酒店”——**模型似乎缺乏对现实约束的理解能力。** ### 工具辅助：让 AI 从 “空想” 到 “实干” 但加入工具后，情况不一样了。 比如用 “**预算计算工具**” 强制检查花费，模型就能调整行程。   去年 4 月的实验显示，借助工具的 GPT-4 能把旅行规划正确率提升到 90% 以上。  说明：**AI 的规划能力需要 “外挂”，就像人类用 Excel 管理行程，模型需要外部工具处理复杂约束。** 更绝的是 “**脑内小剧场**”—— 让模型在虚拟环境中模拟行动。 比如叠积木任务，模型先想象 “如果移动蓝色积木到桌上，再放橙色积木上去，会不会成功？” 通过自问自答排除不可能的路径，就像人类 “在脑子里试错”。  这种方法在 “**树搜索**” 算法中有类似的验证，通过给路径打分，能让模型在虚拟世界中提前规划**最佳路径**。  ### AI 规划的 “阿喀琉斯之踵”：想太多，还是太天真？ 虽然模型能 “**脑内模拟**”，但现实中仍有两大问题： - “**纸上谈兵**” 式规划：比如模型在神秘方块世界中，可能因为无法模拟真实环境变化而失败。就像你计划 “周末爬山”，却没考虑下雨封山 —— 模型缺乏对环境随机性的预判。 - “**选择困难症**” 发作：复杂任务中，模型可能陷入无限循环，比如反复纠结 “先订机票还是先订酒店”，最后啥也干不成。研究者戏称这类模型是 “思考的巨人，行动的矮子”。 最新论文《The Danger of Over Thinking》指出，过度模拟反而降低效率。比如点击网页按钮这种简单动作，模型可能花 10 秒想 “点了会发生什么”，不如直接点击后用 1 秒看结果 ——在确定性高的场景，“实干” 比 “空想” 更高效。  **现在的 AI，到底能不能帮你做计划？** 回到最初的问题：AI 的规划能力，介于 “**能用**” 和 “**好用**” 之间。比如： - **简单任务**（如日常待办、食谱规划）：模型能给出像样的步骤，因为训练数据里有大量案例，相当于 “背了无数模板”。 - **复杂任务**（如创业计划、科研规划）：必须依赖工具和实时数据，否则容易犯常识错误，比如 “预算超支却想不到省钱方法”。 - **反常识任务**（如神秘方块世界）：模型目前还很弱，需要显式规则输入，否则只能靠运气猜。 ### AI 的 “规划”，更像 “高级剧本杀” 今天的语言模型做计划，本质上是 “**基于数据的超级模仿**”：**见过的任务，能拆解步骤**；没见过的，就**靠模拟和工具硬凑**。 但别忘了，人类规划的核心是 “**适应变化**”—— 比如旅行中突发暴雨，会灵活调整行程，而模型可能卡在 “原计划不变” 的死胡同里。 所以，下次用 AI 做计划时，不妨把它当成 “超级助手”：**让它提供初稿，你负责 “查漏补缺”**。毕竟，真正的规划能力，从来不是按部就班，而是 “**边走边调整**” 的智慧 ——**这一点，人类暂时还没输给 AI。** 最后想起老师讲的当兵故事：AI 规划就像士兵守护长椅，可能只是机械执行训练数据里的 “指令”，却不懂背后的逻辑。但随着 “脑内小剧场” 和工具的进化，也许某天，AI 真能像人类一样，在不确定的世界里走出自己的路。你觉得，那一天会很快到来吗？ 作者：Easton ，公众号：Easton费曼说 本文由 @Easton 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

近日，太阳能电池研发再次取得新突破。经美国国家可再生能源实验室（NREL）认证，隆基绿能科技股份有限公司（以下简称隆基绿能）自主研发的晶硅-钙钛矿两端叠层太阳能电池转换效率达34.85%，再次刷新晶硅-钙钛矿叠层电池效率世界纪录。  据介绍，作为下一代超高效太阳能电池主流技术路线，晶硅-钙钛矿叠层太阳能电池的理论极限效率高达43%。隆基绿能叠层电池团队在持续的技术攻关中，于2023年11月将叠层电池效率提升至33.9%，2024年6月又以34.6%的电池转换效率，将该技术路线的电池效率推向新高度。 日前，隆基绿能在安徽芜湖基地宣布：经德国哈梅林太阳能研究所（ISFH）认证，其自主研发的杂化背接触晶硅太阳能电池（HIBC）光电转换效率达27.81%，将单结晶硅光伏电池的极限探索推向新高度。至此，隆基绿能将自己保持的晶硅单结电池、晶硅-钙钛矿叠层电池两项电池效率世界纪录再度刷新，夯实其创新成果和技术底座。 据悉，作为太阳能科技公司，隆基绿能高度重视自主创新和技术研发，坚持以先进技术产业化来推动光伏的降本增效，形成“量产一代、研发一代、储备一代”的研发和技术储备体系。未来，隆基绿能将继续以自主创新和原创技术，为全球能源转型贡献力量。 [查看评论](https://m.cnbeta.com.tw/comment/1494228.htm)

据华为数字能源微信公众号消息，**华为数字能源将于4月22日召开2025华为智能电动&amp;智能充电网络战略与新品发布会，将发布兆瓦超充产品。**在上个月的中国电动汽车百人会论坛（2025）上，华为公司董事、华为数字能源公司总裁侯金龙谈到了重卡电动化的问题，并表示华为将推出全新的兆瓦快充。  侯金龙认为，重卡的电动化普及是非常重要的，因为在交通物流领域，重卡的碳排放占比超过了50%，实现物流行业大规模减碳就绕不开重卡。 **而重卡要真正实现电动化，补能时间一定要小于30分钟，兆瓦超充将推动重卡电动化从封闭场景行走向全场景，物流产品迈向全面电动化。** 侯金龙介绍，华为今年推出兆瓦级充电产品，**“最大充电电流做到2400安，最大功率可以到1.5兆瓦，每分钟补电20度，15分钟即可补完”。**  传统充电技术给重卡充满电往往需要数小时，而华为的兆瓦超充新品仅需15分钟就能让重卡“满血复活”。 这意味着，在物流运输中，司机可以大大减少充电等待时间，提高运输效率。 **另外，根据规划，华为下一步的目标将是“单枪3兆瓦”。** [查看评论](https://m.cnbeta.com.tw/comment/1494226.htm)

当地时间4月18日，美国哥伦比亚广播公司报道称，多名消息人士透露，由于特朗普政府对中国商品加征的畸高关税将导致供应链危机，特朗普政府内部已开始讨论组建一个工作组，以便在未能与中国政府谈判取得突破的情况下紧急处理这些问题。 [](https://static.cnbetacdn.com/article/2025/0122/8140733ab6de7af.webp) 消息人士称，目前有关成立该小组的具体情况还未敲定任何细节，但工作组可能包括副总统万斯、财政部长贝森特、商务部长卢特尼克、白宫国家经济委员会主任凯文·哈西特、白宫经济顾问委员会主席斯蒂芬·米兰和美国贸易代表贾米森·格里尔。 **美方对华轮番加征畸高关税** 美国总统特朗普本月2日在白宫签署行政令，援引《国际紧急经济权力法》，宣布美国进入紧急状态，对所有贸易伙伴征收所谓“对等关税”。 美东时间8日，美方将此前宣布的对中国输美产品加征34%所谓“对等关税”，进一步提高50%至84%。 美东时间10日时，美方再次宣布对华关税提高至145%。 美东时间4月15日，美国白宫网站称中国目前面临最高达245％的关税。 **坚决反制、奉陪到底！中方表明严正立场** 为反制美关税霸凌，国务院关税税则委员会9日发布公告，宣布原产于美国的所有进口商品的加征关税税率由34%提高至84%。 11日，国务院关税税则委员会再次发布公告，调整对原产于美国的进口商品加征关税税率，由84%提高至125%。公告明确表示，鉴于在目前关税水平下，美国输华商品已无市场接受可能性，如果美方后续对中国输美商品继续加征关税，中方将不予理会。 针对美方对华加征畸高关税，我外交部已多次回应。4月17日，外交部发言人再次强调，美方对华轮番加征畸高关税已经沦为数字游戏，在经济上已无实际意义，只会更加暴露出美方将关税工具化、武器化，搞霸凌胁迫的伎俩。关税战、贸易战没有赢家，中方不愿打，但也不怕打。如果美方继续玩弄关税数字游戏，中方将不予理会。倘若美方执意继续实质性侵害中方权益，中方将坚决反制，奉陪到底。 [查看评论](https://m.cnbeta.com.tw/comment/1494222.htm)

苹果此前已经陆续在 iOS 系统里添加对屏幕和电池等组件的检测并显示是否为原装，其中原装零部件拥有完整体验，而被认定为非原装则会限制功能，例如非原装电池无法显示电池健康度等。 还有种情况是电池确实是苹果正品但并非全新电池，这可能是从其他设备上拆出的新电池或已使用过的电池，此前 iOS 会在电池维修历史中将其标记为已使用，代表这块电池并非全新的 (无论是否是全新的只要是拆出来的那都不算是全新)。 现在在 iOS 18.5 Beta 版中苹果将已使用改成二手用来增强提醒，微博网友 [@麦子俊i](https://weibo.com/2575008657/5156916520030080) 发布的微博显示，在 iOS、关于本机、维修历史中可以看到电池的二手标记。 [](https://img.lancdn.com/landian/2025/04/108832.png) 这种标记主要可能还是用来提醒用户，即原本用户看到维修历史的已使用还无法直接判断这是非全新电池，现在改成二手以后那真是一目了然了，估计苹果是想通过这种方式让用户更容易理解电池维修历史并对那些冒充全新电池的商家进行打击。 由于苹果官方原装电池价格较高，不少网友会选择购买第三方电池自己更换或由非苹果授权维修店更换，这些电池并非原装因此可能并不会显示二手标记，只是电池健康里可能看不到健康度。 如果用户自行购买苹果官方原装电池并在更换后可以进行远程诊断，经过远程诊断后如果确实是全新的苹果原装电池那也会提供完整体验，包括电池健康度显示等。 [查看评论](https://m.cnbeta.com.tw/comment/1494220.htm)

4月21日消息，虽然埃隆·马斯克（Elon Musk）目前是“政府效率部”（DOGE）代言人这样的公众人物，却从来不愿直面犀利访谈。2023年4月，马斯克买下社交媒体推特的几个月后，这位口无遮拦的亿万富翁曾短暂开启了一轮媒体巡回采访。 [](https://static.cnbetacdn.com/article/2025/0416/fcdae50df5ffda5.webp) 当时他在社交媒体发文称，“我正在接受各阵营媒体的采访。BBC旧金山分部的记者提问立场偏左，福克斯新闻的塔克·卡尔森（Tucker Carlson）那档节目明显偏右。下周我还会和中间派及温和左的媒体聊聊。” 两年时间过去了，马斯克依旧活跃在聚光灯下。但如今他选择的访谈场域，往往充斥着对科技狂人的顶礼膜拜，而非对其政府职务的严肃质询。 自马斯克就职并正式加入特朗普政府以来，他五次亮相福克斯新闻演播室；马斯克还频频与乔·罗根（Joe Rogan）和德州共和党参议员泰德·克鲁兹（Ted Cruz）在播客中侃侃而谈。二人对马斯克大加赞赏，从未质询过他在政府效率部的工作。 马斯克还不时亮相国际舞台：他出席意大利右翼联盟党大会、迪拜世界政府峰会，在社交媒体X平台的音频直播间为威斯康星州最高法院法官竞选落败者布拉德·席梅尔（Brad Schimel）等支持对象站台。 马斯克偶尔也会回应白宫记者团提问，但一年多来他还没真正接受过一次能让他难堪的深度访谈。最近一次接近“刁钻”访问的，还是今年3月份福克斯新闻主播布雷特·拜尔（Bret Baier）就其辱骂参议员凯利”叛徒”的言论提出质疑。 上一次被认为“硬核”的访谈，还是2024年3月份与马斯克前CNN主持人唐·莱蒙（Don Lemon）的一次对话。莱蒙就X平台右倾化、各种阴谋论，以及马斯克有关多元化、跨性别者的争议言论轮番抨击。 显然这些问题让马斯克坐立不安。莱蒙原本准备借这次访谈在X平台上开设新节目，却在对话录制后没多久就被告知合作取消。 “我采访过各界人士，从总统到囚徒，没有谁像马斯克这么敏感、这么玻璃心。”莱蒙去年对《人物》杂志说，“他不习惯被‘追’问，他更不习惯被问责——尤其是像我这样不认同他、和他迥异的人。” 马斯克与媒体的爱恨情仇由来已久。2023年4月接受BBC采访时，他直言与媒体的关系是“爱恨交织”，而“恨”似乎更多一些，谈及撤销《纽约时报》认证标志时更是难掩得意。 马斯克还曾大刀阔斧裁撤旗下企业公关部门，导致记者问询石沉大海。社交媒体推特更名为X之前的官方账号甚至用“便便”表情包回复记者问询。 关于马斯克的报道，几乎从来没有出现过他本人或其助手回应置评的字句。多位记者表示，几乎没人清楚到底是白宫、个人助理，还是他本人安排访谈。 白宫与马斯克团队均未回应关于“谁负责安排他的访谈”这类的问题。 “莱蒙，我没有义务回答你们记者的问题。我之所以接受这次访谈，只因为你在X平台发出了邀请。”马斯克去年在节目里直言。“否则我才懒得跟你们谈呢。” [查看评论](https://m.cnbeta.com.tw/comment/1494218.htm)

4月21日消息，2025年本应是特斯拉史上最重要的一年，埃隆·马斯克（Elon Musk）对此曾信心满满。在今年1月底的财报电话会议上，**马斯克向投资者表示，2025年将成为“特斯拉历史上最具里程碑意义的一年”。** **他承诺，特斯拉将在6月份于奥斯汀推出付费自动驾驶出租车服务Robotaxi（Cybercab），正面挑战Waymo，并计划在年底前将该服务拓展至更多城市。**同时，他还为公司设定了一个内部目标：生产1万台Optimus人形机器人。高管们还预计，特斯拉电动卡车Semi的首批车型将在年内实现量产。 [](https://static.cnbetacdn.com/article/2025/0328/67955d2cec1719d.jpg) 然而，**仅仅三个月后，这一切开始急转直下。** 特朗普政府宣布对中国进口商品征收高达145%的**关税，预计将波及特斯拉美国制造的四分之一车辆**，并进一步削弱其在这一关键市场的竞争力。与此同时，中国电动车巨头比亚迪凭借更具性价比的车型持续蚕食特斯拉在亚洲的市场份额，进一步侵蚀其区域领先地位。今年3月，美国国家公路交通安全管理局（NHTSA）还要求特斯拉召回几乎所有Cybertruck车型。**在第一季度，特斯拉的汽车销量再次低于公司自身预期。** 马斯克作为特朗普“特别政府雇员”的身份，不仅将他的注意力从特斯拉的超级工厂转移至华盛顿的政治事务，更**使其个人品牌与特朗普形成深度绑定。**这种政治关联已导致特斯拉汽车遭到恶意破坏、美国门店外频现抗议活动，同时也在欧洲市场损害了客户信任，并引发外界对其在中国市场前景的严重担忧——而中国正是特斯拉制造与销售体系中的关键环节。 特斯拉的长期多头分析师丹·艾夫斯（Dan Ives）在接受采访时指出：“我们现在所处的环境，已和马斯克上次参加电话会议时完全不同。” 他表示，过去一个月中，他对特斯拉的研究报告结论正变得愈发严苛，并估计由于“品牌自毁行为”，**特斯拉在全球范围内已失去了至少10%，甚至可能超过20%的潜在客户群。** 从某些角度看，特斯拉确实比底特律的传统车企在这轮关税风暴中处境略好。相比之下，通用和福特对中国市场的依赖程度更高。与此同时，自2020年首次实现全年盈利以来，特斯拉的股价一路领先行业，但背后推动力更多是马斯克描绘的人工智能与自动驾驶的宏大愿景，而非实际的财务基本面支撑。 也正因如此，许多分析师认为，特斯拉股价的走势已与公司的财务表现背离。摩根大通分析师瑞安·布林克曼（Ryan Brinkman）年初在一份报告中写道：“特斯拉的股价似乎已经完全偏离了基本面。” 然而，**在马斯克因白宫事务分心、特朗普政府的关税政策又对其核心业务构成巨大压力的背景下，特斯拉能否严格执行已承诺的产品发布和发展时间表，变得尤为关键。随着投资者逐渐失去耐心，马斯克比以往任何时候都更需要重建市场信任、提振投资者信心。**即将于周二召开的季度财报会议，将是马斯克在关税政策出台后首次回应的机会，也是重塑市场信心的关键时刻，但这一过程注定充满挑战。 **关税阴云之下** 特朗普关税计划的不确定性持续搅动市场，即便在实施90天暂缓期后仍未见消退。然而汽车行业关税依然有效。 自4月3日起，美国开始对所有进口整车征收25%的关税。同时，关键零部件的关税也已同步生效：对全球汽车零部件统一征收25%的关税，而对自中国进口的电池与稀土材料征收的关税则高达125%至245%。这一系列措施对整个汽车产业链构成了极大的压力。 受此影响，标普全球移动（S&amp;P Global Mobility）将其对美国全年汽车销量的预测下调了70万辆，创下该机构单月预测下调幅度的最高纪录。作为最早受波及的企业之一，特斯拉已经显现出明显压力。在中国对进口整车加征125%报复性关税后，特斯拉已暂停向中国客户销售Model S和Model X车型。另据报道，由于关税成本过高，该公司已暂停向美国运送部分Cybertruck和Semi卡车的零部件。 不过，**整体来看，特斯拉相比其他传统车企可能在应对此次关税风暴中更具韧性。**特斯拉的大部分整车均在美国本土制造，尽管仍需从海外进口部分钢材、铝材等原材料，但其整车制造多在美国超级工厂完成。分析师丹·艾夫斯（Dan Ives）评价道：“特斯拉就像是‘烂街区里最好的房子’，但仍有20%至25%的美国产车辆面临关税风险。” 市场普遍预计，特斯拉将在本周二公布第一季度财报，预计营收将达215亿美元，净利润为13亿美元，分别较去年同期的213亿美元和11亿美元增长0.9%与18%。截至上周五收盘，特斯拉股价报收于241.38美元，较今年1月下跌超过36%，但仍较去年同期上涨逾64%。 Piper Sandler的研究分析师亚历山大·波特（Alexander Potter）在本月早些时候的一份研究报告中写道：“我们认为，一旦出现有利催化剂，市场情绪有可能对特斯拉迅速转向。而未来几个月将是充满催化剂的密集时期。” **为何Robotaxi发布如此关键** 对部分坚定看好特斯拉的投资者而言，如今真正重要的只有一个问题：自动驾驶。 当前最受关注的近中期技术创新领域正是自动驾驶。多头投资者普遍认为，**如果特斯拉能够率先在大众市场开发出真正意义上的自动驾驶系统，该公司面临的所有其他挑战，乃至马斯克本人的一系列“出圈行为”，都将变得无足轻重。** 不出所料，马斯克本人也在该领域大肆宣扬。他宣称，特斯拉将在2026年启动Robotaxi的量产，这款车型将完全取消方向盘与踏板，目标年产量最终达到200万辆。此外，他还承诺将在今年6月率先在奥斯汀推出一项付费Robotaxi出行服务。 分析师艾夫斯表示：**“这是当下最关键的项目，它将开启特斯拉未来发展愿景的重要起点。因此，能否能如期推进至这一节点，对特斯拉来说至关重要。”** 然而，特斯拉当前在Robotaxi项目上的实际进展仍然扑朔迷离。2024年10月底，马斯克曾表示，特斯拉已在旧金山湾区为员工提供配备安全驾驶员的Robotaxi试乘服务。但媒体通过《信息自由法》获得的一封奥斯汀消防局内部邮件显示，截至2024年11月，特斯拉尚未在美国任何公共道路上进行过Robotaxi的自动驾驶测试。 “我们尚未在任何公共道路上进行自动驾驶车辆的测试。”一位特斯拉工程师在邮件中写道。他还补充说：“我们确实在奥斯汀超级工厂内部有Robotaxi原型车运行，但这些车辆仅用于研发测试，目前尚未进入公共道路环境。” 到目前为止，特斯拉在公共道路上的所有自动驾驶测试仍属于“L2级”（辅助驾驶）系统，即车辆可实现自动转向与制动，但驾驶员必须始终保持专注、随时准备接管。而作为主要竞争对手的Waymo，已经在多个美国城市实现了“L4级”（完全无人驾驶）付费出行服务，每周完成约20万次付费订单。更重要的是，Waymo今年早些时候已在奥斯汀开放用户预约——这意味着，在特斯拉计划首发的城市，它已经明显落后于对手。 不过，特斯拉还有一项&#34;秘密武器&#34;——数据。 伦敦自动驾驶AI软件公司Wayve的联合创始人兼首席执行官亚历克斯·肯德尔（Alex Kendall）指出，数据是构建高效自动驾驶系统的核心基础。他表示，**特斯拉不仅基本可以确定拥有全球车企中规模最大的真实道路驾驶数据，其数据的多样性也远超如Waymo等专注于封闭道路测试的竞争对手。** 这一优势在应对“边缘场景”（edge cases）时至关重要。所谓边缘案例，是指那些少见但极具挑战性的复杂驾驶场景，例如消防车横向封路、骑行者摔倒在车道中等。更广泛和多样的数据，不仅有助于识别这些极端情况，还能支持更高质量的仿真系统建设，进而生成大量仿真数据，用以持续优化自动驾驶算法的表现。 但肯德尔也强调，打造一个成熟的自动驾驶系统远非“数据多即成功”那么简单。“我多希望这只是一个‘数据输入、自动驾驶输出’的过程，”他说，“但现实要复杂得多。” 在这些更深层次的技术环节上，特斯拉可能并不具备明显优势。肯德尔指出，尽管大规模、具备多样性的驾驶数据确实更可能覆盖更多边缘案例，但**从如此庞大的数据集中精准提取这些案例，本身就是一个高度复杂的技术问题。** **同时，构建能准确复现现实路况的仿真平台，并明确哪些场景最值得模拟以增强训练效果，也是自动驾驶领域的关键竞争点。最终，想要训练出真正具备驾驶能力的人工智能模型还需要最优的学习算法，而这背后离不开顶级人工智能研究人员与工程师团队，以及强大的计算资源支持，以驱动先进模型的开发与优化。** “特斯拉可能已经具备了部分关键要素，”肯德尔表示，“但它尚未真正展示出能将这些要素高效整合、发挥最大效能的能力。” **特斯拉自动驾驶系统最终能否匹敌乃至超越竞争对手（尤其在承诺的6月奥斯汀Robotaxi发布日期临近之际）并如期实现，对其度过艰难之年至关重要。** 艾夫斯警告说：“如果将发布日期从6月推迟到了8月，8月又拖到10月，那后果将非常、非常严重。”  [查看评论](https://m.cnbeta.com.tw/comment/1494214.htm)

<blockquote><p>本文深入分析了订阅制消费在中国面临的挑战，探讨了用户对订阅服务的认知困境、决策障碍和体验断层，并提出了提升订阅制产品吸引力和用户满意度的策略。</p> </blockquote>  在网上流传一个段子： 几百块的海底捞火锅，你说吃就吃 几千块的衣服鞋子包包，你说买就买 几万块的出国旅行，你说走就走 每个月十几块的视频会员，你到处借 这不仅是一个段子，我身边就真有这样的人。 这种“慷慨与吝啬”的撕裂，折射出中国订阅制消费的深层困境。 再结合我自己的例子，作为用户研究垂直领域IP，我花了1年时间、不计成本投入运营的一个199元/年的知识星球（用户研究成长圈），累计付费用户却不足300人。 ## 01 ### 中国订阅制消费现状如何？ 近年来，订阅制消费在中国逐渐渗透到多个领域，从线上娱乐到线下服务，从高频日用品到低频奢侈品，各类订阅模式百花齐放。     **一、主流赛道：数字内容订阅** 订阅制最早在中国大规模普及的领域是线上娱乐。 以爱奇艺、腾讯视频、优酷为代表的视频平台，以及网易云音乐、QQ音乐等音频平台，通过会员订阅模式为用户提供无广告观看、独家内容等权益。 此外，2016年知识付费经济兴起，喜马拉雅、知乎、得到等平台的付费订阅也逐步发展。 1.视频订阅 据中国网络视听节目服务协会发布的《中国网络视听发展研究报告（2025）》，截至2024年12月，我国长视频用户规模为7.52亿，网民使用率67.9%，盘子非常大。 根据QuestMobile发布的2024年12月数据，中国在线视频市场的月活跃用户（MAU）排名前五的APP分别为腾讯视频、爱奇艺、芒果TV、哔哩哔哩和优酷。 其中榜首腾讯视频月活量为3.86亿人次，爱奇艺以3.54亿人次紧随其后，芒果TV以2.76亿人次位居第三，哔哩哔哩以2.08亿人次月活位居第四。     作为“爱优腾芒”四大平台的优酷已被拉开差距，月活跃用户数仅为1.84亿人次，约为爱奇艺和腾讯视频月活量的一半。 接下来我们重点看下行业头部的腾讯视频和爱奇艺，根据两家的财报数据显示： 腾讯视频：2024年付费会员数第一季度1.17亿、二季度1.16亿、三季度1.16亿、四季度1.13亿，持续走低。 爱奇艺：2023年四季度总订阅户1.003亿，付费用户0.995亿，已经从最高点的1.29亿跌去近四分之一。此后爱奇艺不再公布会员数与ARM（月度平均单会员收入），但从其公布的会员收入来看，2023年四季度起，爱奇艺会员收入连续4个季度下降，所以猜测2024年底付费用户大概率是不超过1亿的。 如果用付费会员数/月活MAU，那么爱奇艺的用户付费率估算不超过25%，腾讯视频的用户付费率估算约30%；如果用付费会员数/大盘用户规模，爱奇艺的付费用户渗透率估算不超过15%，腾讯视频的付费用户渗透率约15%。  2.音乐订阅 根据《2024中国音乐产业发展总报告》显示，2023年全国数字音乐用户规模约7.26亿，占网民整体的67.6%。     腾讯音乐（包括QQ音乐、酷狗音乐、酷我音乐、全民K歌等）：根据财报显示，2024年在线音乐MAU为5.56亿（同比下降3.5%）；第四季度在线音乐付费用户数同比增长13.4%至1.21亿，单个付费用户月均收入（ARPPU）增长至11.1元。 网易云音乐：根据财报数据显示，2024年在线音乐会员订阅收入达44.6亿元，同比猛增22.2%，同时，付费用户数量突破6500万，同比激增42%；月活MAU数据财报未披露，只是说2024年平台的日活跃用户数与月活跃用户数的比例保持在30%以上，但根据2023年财报数据显示，月活2.06亿人。 如果用付费会员数/月活MAU，那么腾讯音乐的用户付费率约22%，网易云音乐的用户付费率估算不超30%；如果用付费会员数/大盘用户规模，腾讯音乐的付费用户渗透率约16%，网易云音乐的付费用户渗透率约9%。  3.知识付费订阅 中国知识付费市场正经历从“贩卖焦虑”到“终身学习”的转型，为此喜马拉雅、知乎、得到三大平台纷纷推出自己的付费订阅会员体系。     据iMedia Research(艾媒咨询)数据显示，2022年知识付费用户规模5.3亿人，并预测2025年，知识付费用户规模有望达到6.4亿人。 喜马拉雅：2024年4月12日，喜马拉雅第4次向港交所递交招股书。招股书显示在用户规模上，2023年，喜马拉雅全场景平均月活跃用户达3.03亿，移动端平均月活跃用户达1.33亿，同比增长9.3%；2023年，喜马拉雅移动端付费用户达到1580万。 知乎：根据其2024年财务披露公告显示，2024年平均月活跃用户为8300万，同比下降21.2%；平均每月订阅会员为1500万，同比上升3.7%。 得到：最新的数据只有2022年3月更新的创业板招股说明书，其中显示21年1-6月平均月活用户259万人，付费用户数109.9万人，连续三年下降。 如果用付费会员数/月活MAU，那么喜马拉雅的用户付费率约12%，知乎的用户付费率约18%，得到的用户付费率约42%；如果用付费会员数/大盘用户规模，喜马拉雅的付费用户渗透率约3%，知乎和得到的付费用户渗透率几乎微乎其微。  **二、潜力领域：电商会员订阅   ** 电商平台是订阅制另一大试验田。京东PLUS、淘宝88VIP等通过“付费免运费”“专属折扣”吸引用户，逐渐向全生态服务拓展。 根据中国互联网络信息中心（CNNIC）发布的第55次《中国互联网络发展状况统计报告》，截至2024年12月，中国网络购物用户规模达9.74亿人，占网民整体的87.9%。 淘宝：根据QuestMobile数据显示，2024年12月MAU 9.45亿；根据阿里财报显示，截至2024年12月31日止季度，88VIP会员人数达到4900万，成为国内最大规模电商付费会员。 京东：根据QuestMobile数据显示，2024年12月MAU 5.50亿；早在2022年末，京东就公告称，京东PLUS会员在籍会员数量达3400万。 如果用付费会员数/月活MAU，那么淘宝的用户付费率约5%，京东的用户付费率估算不超7%；如果用付费会员数/大盘用户规模，淘宝的付费用户渗透率约5%，京东的付费用户渗透率不超5%。  此外，还有软件与应用订阅（百度网盘、剪映等），生活服务订阅（盒马X会员、叮咚买菜PLUS会员等），实物商品订阅（三顿半咖啡、泡泡玛特、花点时间等），篇幅所限不再展开（其实主要因为数据太难找了）。通过以上几个领域的数据分析会发现，在中国线上付费订阅产品的用户付费率普遍较低，天花板可能也就25%上下；而基于大盘用户的付费用户渗透率更是最高只有15%上下，更普遍的是5%不到。 ## 02 ### 订阅制消费为什么这么难？     接下来，我会从用户的认知-决策-体验链路来分析订阅制产品难卖背后的原因。 **一、认知困境：用户如何看待订阅制产品** 1.无形资产与价值感知偏差 在消费者心智中，订阅制产品天然处于不利地位。 认知心理学研究表明，人类大脑进化出的是处理有形物质的能力，对无形资产的价值评估存在系统性偏差。 订阅服务通常提供的是数字内容或使用权限——这些无法触摸的”产品”难以激活我们的视觉、触觉等感官系统。 神经营销学研究发现，实体产品能激活大脑中负责处理具象信息的区域，而数字服务主要激活处理抽象概念的区域，这种神经活动的差异直接影响了价值认知。 一位消费心理学家曾指出：”虽然Netflix可能提供几千部电影的访问权，但在用户心智中，这种’可能性’资产远不如一张实体电影票的价值直观。” 2.从所有权到使用权的认知转变困难 人类社会经历了数千年的所有制经济形态，”拥有”作为一种原始冲动根植于我们的文化和心理基因中。 禀赋效应(Endowment Effect)表明，一旦拥有某物，我们会赋予它更高的价值。  订阅模式挑战了这种根深蒂固的所有权心理模式，要求用户接受”付费但不拥有”的新型消费关系。 这种认知转变对大多数人来说并不自然，导致出现认知失调——”我付了钱，却什么也没得到”的矛盾感受。 3.价值分散导致的认知模糊 传统消费品提供的是集中的、一次性的价值体验，而订阅服务的价值则分散在时间轴上。这种时间分散性使得总体价值变得难以评估和感知。 双曲贴现(Hyperbolic Discounting)理论解释了人们倾向于低估未来收益的心理机制。 一个月后可能获得的观影体验，在当下决策时被大幅贴现，导致消费者系统性地低估了订阅服务的长期价值。 ## 二、决策障碍：为什么购买决策如此纠结 ### 1.心理账户分类的偏差 芝加哥大学教授理查德·泰勒提出的”心理账户”理论解释了人们对不同消费品类的不同态度。  在多数消费者的心智模型中，订阅服务被归类为”额外支出”或”可有可无”账户，而非”必要开支”或”生活品质提升”账户。 这种心理分类导致了对订阅服务的预算天然受限。 ### 2.损失厌恶与付费频率 诺贝尔经济学奖得主丹尼尔·卡尼曼的前景理论指出，同等数量的损失比获得带来的心理影响更强烈。对大多数人而言，失去100元的痛苦远超获得100元的喜悦。 订阅制的特点是高频率、小金额的重复付费模式。虽然单次付费金额小，但每次付费都会触发损失厌恶机制，产生负面情绪。 一项脑科学研究发现，当被试者面临重复付费场景时，大脑中负责情绪处理的杏仁核活动明显增强。  相比之下，一次性大额消费只触发一次损失感知，随后便进入心理”消化期”，不再产生新的决策压力和损失感。 ### 3.决策疲劳与认知负担 现代生活中，我们每天要做无数大大小小的决策，导致所谓的”决策疲劳”。当认知资源有限时，我们倾向于避免需要持续投入决策成本的选择。 订阅制不仅需要初始订阅决策，还需要定期续费决策——”这个月我用得够多吗？””现在取消划算吗？”这种持续的决策负担在注意力已极度稀缺的现代社会显得尤为沉重。 实证研究表明，订阅服务的流失高峰通常出现在续费决策点前后，这正反映了决策负担对用户行为的影响。 ### 4.未来使用预测的困难 行为经济学研究发现，人们普遍存在”规划谬误”(Planning Fallacy)——对自己未来行为的乐观估计。在订阅初期，我们往往高估自己会使用服务的频率。 “我肯定会每天锻炼”的健身APP订阅者，或”我会看遍所有新剧”的视频平台用户，很快面临现实与预期的巨大落差。 这种落差不仅导致实际使用率低，还带来额外的心理负担——自责和懊悔情绪。 ### 5.评估复杂性与比较困难     传统产品的价值相对直观：一件衣服的面料、做工、设计都可以直接感知和比较。而订阅服务的价值包含多层次因素：内容质量与数量、更新频率、使用便捷性、无广告体验等。 这种多维度的价值结构增加了评估难度。当消费者面临”网飞vs爱奇艺vs腾讯视频”的选择时，需要处理的信息量远超”优衣库vs H&amp;M”的决策。 认知心理学中的”选择超载”理论表明，当选项或评估维度过多时，人们倾向于延迟决策或完全回避。 ## 三、体验断层：为什么购买后体验不佳 ### 1.期望与现实的落差 消费满意度研究表明，满意度=期望-体验。订阅服务由于其”潜力型”价值主张，往往在营销阶段创造了过高期望。”无限内容””随时访问”等承诺虽然在技术上成立，但用户的时间和注意力是有限的。 当用户发现自己每月只看了2-3部电影，远低于想象中的”看片自由”时，满意度自然下降。 这种”理论价值”与”实际使用价值”的差距成为体验断层的首要原因。 ### 2. “使用压力”与享受损失 订阅模式下，用户常感受到一种隐形的”使用压力”——”我必须多用才能回本”。这种功利思维反而降低了原本应当轻松愉悦的消费体验。 自我决定理论(Self-Determination Theory)指出，当外部动机(如避免经济损失)超过内部动机(如享受内容本身)时，活动的内在乐趣会被削弱。 研究表明，同样是听音乐，付费订阅用户比非付费用户更容易感到”我必须多听才行”的压力，进而降低音乐本身带来的愉悦感。 ### 3.所有权缺失导致的不安全感 心理学家研究发现，所有权带来安全感和控制感。传统购买模式下，消费者获得的不仅是产品本身，还有对产品命运的完全掌控。 订阅模式下，服务提供方保留了最终控制权——可以调整价格、更改功能、甚至完全关停服务。 这种潜在的不确定性和控制权缺失造成微妙的焦虑感。 多项用户研究显示，”担心重要内容/数据丢失”是阻碍用户全身心投入订阅服务的重要因素。 ## 03 ### 订阅制产品的破局之路 面对订阅制的三重困境，破局的关键在于重构价值认知、降低决策门槛、重塑体验闭环。 通过观察国内外成功案例，结合行为经济学与消费心理学理论，梳理出四条突围路径。 **一、提升用户感知价值** 1.实体权益锚定 网易云音乐黑胶会员与周杰伦实体专辑联动的案例显示：当数字订阅与限量实体商品绑定，续费率明显提升。 群响社群会员采用”订阅送实体书”模式，用可触摸的成果物提升感知价值。  2.场景唤醒 用户对订阅制的价值感知模糊，可能是产品设计与用户场景脱节。与其罗列权益，不如用具体场景触发情感共鸣。 拿知识星球为例，将会员权益拆解为“直接获取50+企业内部调研模板”等具体场景，让用户直观感知“少劳而多得”。 3.跨平台权益整合 淘宝88VIP的”一卡通”模式：将会员权益渗透到饿了么、优酷等生态位，提升用户感知价值。 得到高研院的”学习卡”体系：将课程订阅与线下活动、企业内推等资源绑定。 **二、决策轻量化** 1.试用+灵活订阅周期 知识星球有3天的试用期，3天内无理由退出，目的就是降低决策负担。 在线视频平台普遍推出灵活订阅计划： 基础版：按需解锁（如单次付费9.9元获取单份报告）； 轻度版：按季订阅（如119元/季，适合短期项目需求）； 深度版：年度会员（199元/年，含专属社群互动）。 但注意灵活短周期的订阅模式可能触发损失厌恶，所以各个平台都引导用户以年为单位的订阅，在定价策略方面年度会员比季度、月度会员更优惠。 2.沉没成本转化 京东PLUS的”未使用可退差价”政策：将会员费转化为消费金，消除用户顾虑。 盒马X会员同样支持”未使用可退差价”政策：一年后结算，若全年节省金额未达到会员金额，将自动退还差价。 3.利用社交证明 展示其他用户的反馈和评价，利用社交证明来增强潜在用户的信任感，促使他们做出购买决策。 **三、提升用户体验** 1.强化用户教育 通过教育用户如何最大化利用订阅服务，来减少”理论价值”与”实际使用价值”的差距。 特别是知识星球这类付费订阅数字内容产品，我发现很多付费用户压根儿不会正确使用星球内容。 2.关注用户反馈 定期收集和分析用户反馈，了解他们的需求和痛点，及时调整服务以满足用户期望。 3.构建社区氛围 建立用户社区，鼓励用户之间的互动和交流，增强归属感和忠诚度。通过举办线上活动、讨论会等形式，提升用户的参与感。 4.提供个性化服务 利用数据分析为用户提供个性化的内容推荐和服务，提升用户的满意度和使用频率。 5.成果可视化 语言学习平台多邻国的”学习树”设计：将抽象的学习进度转化为具象成长路径，用户续订意愿提升明显。 健身应用Keep的课程完成勋章体系：通过数字徽章+社交分享机制，让隐形努力显性化。  6.动态权益升级 腾讯视频的”等级成长体系”：观看时长可兑换超前点映券，使月活时长增加。 混沌学园的”老学员推荐权”：高级会员可获得课程内测资格，既提升荣誉感又降低获客成本，推荐转化率是普通用户的N倍。04 ## 结语 订阅制的本质是持续价值交付的能力竞赛。 当视频平台开始为会员制作专属剧集（如爱奇艺迷雾剧场），当电商会员演化成生活服务入口（京东PLUS健康咨询），当知识社群进化为职业发展共同体（生财有术城市合伙人），成功的订阅服务都在做同一件事：将交易关系转化为共生关系。 用户购买的不仅是服务，更是确定的成长预期和可积累的数字资产。 这对内容创作者提出更高要求——不仅要持续输出价值，更要构建用户的价值坐标系。 或许未来订阅制的终极形态，是成为用户数字生命的一部分。 本文由人人都是产品经理作者【Peron用户研究】，微信公众号：【Peron用户研究】，原创/授权 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。

京东又回到自己最擅长的 “ 价格战 ” 领域了。4 月 11 日，京东外卖宣布正式开启百亿补贴，将在一年内投入超百亿元，向全体用户发放补贴，覆盖平台上的所有餐饮门店。 实际上，在百亿补贴号角吹响之前的一段时间，京东外卖就已经开始默默发券，随机发放满 20-5、满 8-7 的优惠券，有人可以 1 块钱喝到一杯奶茶，20 块钱吃到麦当劳四件套套餐。 爆发价格战，是电商世界开始竞争和洗牌前亘古不变的铁律。 更何况，京东是在美团做了 10 来年外卖，外卖价格已经被压到几乎最底线、外卖行业格局也基本被趟平之后，才决心下场抢饭碗的。 其实京东外卖做价格战，也经历了几轮变化。 先是 2 月底，京东外卖上线 10/20 元餐补，也就是满 15-10 和满 40-20，但仅限于 PLUS 会员和大学生用户每晚 8 点随机领取。 再是 4 月份全平台放券，让用户尝到一拨优惠。最终，在 4 月 10 日，京东正式放出百亿补贴的公告，并计划持续一年。  那么，京东外卖的价格战强度如何呢？ 从消费者端来看，的确有便宜可薅。目前京东官方优惠券主要是满 15-10 的面额，在客单价较低的店铺下单优惠更明显。 不少消费者在网上交流经验，结论是本次京东外卖薅羊毛主要在奶茶咖啡的品类上最划算，5 块钱买杯库迪，1 块钱买杯茶百道。 编辑部实测买券后 1 元的单品现已无法达到起送费，加料凑单后可以 4 元到手 。 不仅是客单价 10-20 元的饮品店铺，连锁平价的店铺优惠体感一样很明显。比如，在同一家免配送费的沙县小吃点同样的鸡腿饭，京东外卖标价 20.8 元，饿了么 26.8 元，美团 26.9 元，三家全部用完券之后，京东只要 10.9 元，饿了么和美团都是 21 元左右（ 每位消费者可用红包情况不同，仅大概对比差额 ）。 最重要的是，知危了解到，此次京东发券是纯粹的平台行为，商家不需要额外掏一分钱在补贴上。这也就意味着，商家可操作的空间很大。 上述沙县小吃在饿了么和美团上收取 1 元打包费，在京东要收取 2 元，所以在结账时，京东外卖的实际支付价格是 12.9 元。 还有商家在运费机制上做了和美团、饿了么一样的设置，例如某家茶百道就是订单价格满 15 元运费才是 0.5 元，不然的话运费是原价 3.5 元。 更有商家直接表示，自己在京东外卖上的餐品价格全部比堂食高。 所以，虽然平台给了统一的折扣，但具体便宜多少，或者是否便宜，都要看商家的态度。 知危注意到，10 元补贴并非覆盖了所有餐饮店，截至发稿前，北京市内的瑞幸咖啡没有参与减 10 元的活动，而是和其他平台一样，商家自主给出七八折的优惠，消费者到手价仍然是 10-20 元。 从商家们的打包费和配送费减免设置上，你就能看出，京东外卖这场百亿补贴的阳谋中，商家得到的利好，远超过消费者。 上海一位商家表示，平台开始发券后他们 “ 非常爽 ”，似乎巴不得顾客都来薅羊毛，越多越好。 从他提供的商家端页面来看，原价 20.5 元的餐品，平台补贴后是 16 元，顾客最后实际支付 14.06 元，而商家到手算上餐盒费和运费，共计 24.5 元。  北京某餐饮商家说，他们从 3 月初上线京东外卖之后，现在每天订单量能有二三十单，好的时候有五六十单，老板表示他们的情况确实比较好，“ 听说别人家只有两三单”。 他说，现在他在京东外卖平台上的运营策略就是免配送费，“ 只要免配送费，京东就会在商家的商品图上挂上 ‘ 免运费 ’ 三个字，现在顾客都喜欢免运费的。” 该商家认为，现阶段，京东外卖配送费经常被吐槽较贵，那就正好从这点下手，先给顾客留个好印象。 同时，他也提高了京东外卖上的餐品定价，比堂食贵几块钱，“ 贵了一点，但也随餐送个饼，送根烤肠。” 他们家选的是达达专送，每单扣 3.5 元基础履约服务费，加上每单需要自己掏配送费，算下来他们的情况还是不错。他表示，只要不给平台付佣金，且抬高单价，就稳赚不赔。他也对知危表示，就他自己的店来说，“ 饿了么的订单还不如京东。” 因为补贴由平台来承担，等于是免费的引流，所以敏锐的那部分商家开始花精力在运营活动上。除上述的免配送费+调高价格送赠品之外，还有的商家选择部分单品做低价活动或满 2-3 件有折扣，甚至美团、饿了么上常用的收藏送赠品这一套方法也被搬到京东上来了。 “ 进入二季度了，这阶段任务是冲单量。” 一位京东外卖服务商表示，京东其实没有对商家要冲多少单给出具体的激励，但平台又是免佣又是撒优惠券，对于商家来说总是赚的，所以想趁此机会做做数据的商家比较积极。他也补充：“ 这波操作跟美团当年发券价格战也大差不差，商家拉进来了，肯定要做一轮补贴。” 不过，一些连锁品牌，却是没吃上这波红利。几位连锁餐饮品牌的商户说，官方补贴带来的订单激增，暂时还没落到他们头上，每天还是保持着个位数的订单数。 至于原因，一位连锁店分店店长还告诉知危，比起个体商户，连锁店的操作空间不大，“ 做不做优惠，做多少优惠，是否免配送，这些都是公司后台统一设置的，我们没有决策权。” 这形成了一个有趣的现象：京东外卖平台上，自由度越高的商家，或许能在这轮补贴里拿到单量和收入的胜利，而成体系的连锁店反而不一定赢。 那么，京东外卖上线仅两个月，就开始明牌打价格战，是想做什么？ “ 这次京东的百亿补贴和饿了么的补贴不太一样，一是没有提到补贴周期，二是没有提到补贴形式。所以应该和 B2C 商城的百亿补贴一样属于可控范畴，另外后续说不定会加入一些商家的投入比例（ 指让商家也承担一部分补贴费用 ）。” 中国连锁经营协会客座顾问、零售电商行业专家庄帅对知危表示。 无论是京东当年用价格战击败苏宁，还是拼多多率先拿出百补，行业都认为是烧钱换市场的行为。但至于京东外卖本轮的百补活动，庄帅认为 “ 不能说是烧钱 ”，因为活动是可控、可以根据效果调整的投入。 他还预测道：“ 后续我预判肯定会和 B2C 商城业务形成联动，例如 PLUS 会员优惠、买手机家电送外卖券等。” 进入到存量市场阶段，电商平台最后拼的或许不是谁在某一项业务上到底强到什么程度，而是整个生态体系的协同效应。庄帅表示，美团会员就是利用协同联动做起来的，京东肯定也要协同起来才有自己的优势。“ 相对高频的外卖和相对低频的 3C 产品协同。” 目前，已经有一个变化能证明京东的野心在于联动。 消费者加在购物车的外卖，会直接显示在京东 App 的购物车中，一碗面条可以和苹果手机一起下单，这有点像美团此前的 “ 万物到家 ” 概念。  庄帅也说，京东做外卖也是经过好几年内部论证，而且等到达达私有化、挖来美团高管、整合好团队和资源才开干的，长期战还要继续打下去。 而且，现在的节奏也符合京东外卖一直以来的风格：抓大放小，先做，再修修补补。眼下的阶段京东显然是先用补贴把单量做上去，稳定商家和基本客流之后，再调整现在被商家诟病的系统不够智能、体验不够丝滑等等问题。 虽然京东外卖的未来我们还要边走边看，但起码，新掀起的价格战，给了用户们一个选择京东外卖的理由，而一旦用户的习惯开始被改变，这个业务就是有潜力的。 毕竟当年拼多多靠价格战崭露头角时，没人想过它能撼动阿里和京东两个电商巨头的地位，现在大家都信了。 [查看评论](https://m.cnbeta.com.tw/comment/1494212.htm)

据彭博社报道，在特朗普的关税措施导致股市大跌前，Facebook母公司Meta CEO马克·扎克伯格(Mark Zuckerberg)抛售股票套现7.33亿美元(约合52.51亿元人民币)。  扎克伯格 根据追踪企业内部人员股票买卖情况的华盛顿服务公司的分析，扎克伯格在第一季度通过旗下慈善机构“陈-扎克伯格计划”(CZI)及其相关基金会出售了110万股Meta股票，套现7.33亿美元。所有股票交易都在今年1月和2月进行，当时Meta的股价仍高于600 美元，并在情人节时达到超过736美元的峰值。此后，随着特朗普关税措施引发股市大跌，Meta股价已累计下跌32%。 这些交易是根据扎克伯格在去年8月设立的10b5-1交易计划进行的。截至上周四，扎克伯格的净资产降至1780亿美元，为今年最低水平，较2月14日创下的2590亿美元高点大幅缩水。目前，扎克伯格仍是全球第三富豪，仅次于埃隆·马斯克(Elon Musk)和杰夫·贝佐斯(Jeff Bezos)。 除扎克伯格外，甲骨文公司CEO萨弗拉·卡兹(Safra Catz)等美国高管也在股市下跌前精准套现。 [查看评论](https://m.cnbeta.com.tw/comment/1494210.htm)

<blockquote><p>在音乐流媒体竞争日益激烈的当下，各平台面临着曲库同质化、推荐算法趋同等问题，用户体验逐渐陷入瓶颈。然而，AI技术的崛起为音乐产品带来了新的机遇。QQ音乐通过将AI技术深度融入搜歌、听歌、创作等全流程，重构了用户的听歌体验，从被动推荐走向主动陪伴，从单一播放器转变为一个智能的音乐创作与互动平台。本文将深入剖析QQ音乐的AI化转型路径，探讨其如何通过AI技术解决用户痛点，实现差异化竞争，并为其他内容平台提供可借鉴的AI化方法论。</p> </blockquote>  过去几年，音乐类产品的创新路径逐渐陷入瓶颈：曲库趋同、推荐算法相似、界面体验雷同，用户习惯虽然高频，却越来越“无感”。而在 AI 快速发展的当下，如何将大模型、语义理解、多模态生成这些能力真正融入产品，而非浮于表面，成为了行业共同面对的问题。 QQ 音乐选择了一条非常实在的路——不是开发一个花哨的“AI 聊天助手”，而是将 AI 植入整个听歌流程：从搜歌、推荐、陪伴、演唱到二创、作词、音色定制，全流程覆盖用户“用音乐完成表达”的每一个节点。这背后不是工具堆叠，而是对“听歌”这件事本质的重新理解。 本文不是在解读一个新功能，而是在剖析一整套“音乐产品 AI 化”的真实路径。这套路径的关键不在“能不能上 AI”，而在于“能不能用 AI 真正解决一个用户心里的事”。 如果你的产品也在寻找差异化增长曲线，也许可以从这套方法里找到些灵感：AI 不必无所不能，但它可以精准插入你产品中最有价值、最高频、最痛的那个点。 ## 一、行业背景：流媒体拐点后的第二增长曲线 ### 1.1 曲库同质化 + 推荐算法趋同 过去十年，国内外音乐流媒体的第一轮竞争几乎全部围绕 **“曲库体量” 与 “独家版权”** 展开——在版权大战最激烈的 2017 年前后，腾讯音乐一次性拿下环球、华纳、索尼三大唱片的中国区独家分销权；Spotify、Apple Music 也同步与三大唱片完成全球深度绑定。然而，当各平台的曲库覆盖率在2020年前后冲上 **95%+**、TOP‑1000 热门曲目可用率高达 **98%**，曾被视为壁垒的“**能听什么**”不再构成护城河，版权成本却持续攀升（高峰期占总营收 **67%**）。 曲目差异迅速被抹平，竞争重心随之转向 **“怎么听” 与 “听什么理由”**：谁能提供更懂我的情绪陪伴、更沉浸的互动场景，甚至可直接二次创作的工具，谁就能在同质化时代赢得下一轮用户增量。 **2015‑2020 曲库扩张期**  - 国内三巨头（QQ 音乐、网易云、虾米）先后完成与华研、滚石、英皇等头部版权方的“独家 + 分销”签约，覆盖率高达 95%。 - 海外 Spotify、Apple Music 亦在 2019 年前完成与环球、华纳、索尼三大唱片的全球协议。 **2021‑2023 边际价值递减期**  - 各平台 **TOP‑1000** 热门曲目可用率 &gt; 98%，用户因缺歌转移的动机基本消失。 - 版权费用占音乐流媒体营收比一度升至 **67%**，ROI 快速下滑。 **2024‑ 至今 差异化再造期**  - 平台转向“体验差异”竞争：空间音频、车载无缝播、AI 伴聊。 - **算法红利耗尽**：**协同过滤 1.0** → **深度学习 2.0** → **向量召回 3.0**，CTR 提升曲线日趋平缓；AB Test 显著性门槛不断抬高，用户感知区别趋近于零。 ### 1.2 用户期待从“被动推荐”走向“主动陪伴” 当用户只记得一段旋律，或模糊记得某种氛围，却说不出具体歌名时，传统的关键词搜索便显得力不从心，导致“搜不到歌”的挫败感频频发生；而在深夜独处、通勤路上、情绪起伏等碎片化时刻，用户更需要音乐作为情感的回应者，但现有平台多以算法推荐的方式单向推送，缺乏互动与共鸣，难以满足“我此刻需要被理解”的心理需求。   Z 世代与 Alpha 世代倾向将音乐平台视作「情绪出口 + 社交标签」，平台必须满足**陪聊式互动**与**内容二次创作**双重刚需。 ### 1.3 技术拐点 以 GPT‑4o 和 DeepSeek‑R1 为代表的大模型正加速落地，它们不仅具备处理文本的能力，更在语音、旋律、歌词结构、音乐情境等多模态输入中展现出极强的语义理解力。这意味着音乐平台不再只是一个播放工具，而正在演变为理解用户语境、参与用户对话、甚至主动创作内容的智能体。 借助这些模型，产品可以搭建起真正“对话式的音乐交互”场景——例如理解用户“我想要像《心之科学》一样悲伤的歌，但要更慢更温柔”的模糊描述，或即时生成适配心情的歌单与音频封面。  同时，这些模型还具备内容生产和再创作的能力：通过文本生成歌词、音频合成演唱 DEMO、将歌曲分离为多轨素材等功能，极大地降低了普通用户进行音乐创作与分享的门槛。  在用户需求升级、技术演进与商业竞争的三重驱动下，AI 助手不仅成为差异化体验的重要支点，更可能成为音乐平台构建“第二增长引擎”的关键路径。 ## 二、AI化的QQ音乐 ：一次围绕“搜歌–听歌–创作”闭环的产品实验 ### 2.1 搜歌体验：从关键词到语义理解 QQ 音乐 AI 的第一触点是“搜歌”——也正是 AI 真正开始理解用户的地方。在这里，用户不再是一个输入关键词的操作者，而是一个有模糊印象、有情绪指向的听众。 **1）搜自己意识中想要的歌** 采用的是文本对话而不是语音播报，背后其实挺贴近国内用户的习惯：一方面大家在公共场合更愿意打字少说话，另一方面，很多人找歌时根本说不出歌名，更多是“像什么”“听起来怎样”“那种氛围”这种模糊描述——文字比语音更适合这种表达方式。 所以现在你不需要非得记住一首歌的名字，完全可以像和朋友聊天一样说“像宫崎骏的配乐”“适合下雨天听的民谣”“有没有空灵点的钢琴曲”，AI 都能接住。它会结合你的听歌习惯、时间段、最近听的内容，给出比较贴合你心情的推荐。 而且它给的不只是歌单，还会说明推荐理由，比如“这首歌用的是 D 大调，节奏舒缓，和你最近循环的《小情歌》很像”，或是“这位歌手跟 Eason 是同门，声音风格也相似”。甚至还有“知识彩蛋”加持，告诉你这首歌曾被豆瓣小组称为“独立民谣启蒙”，或它属于 neo‑classical 流派，常拿来做冥想音乐。 整个体验不只是“你要什么我给你”，更像是“我听懂你了，然后给你更好的”。我自己试了一下——在搜索框里打了句“我想要适合开车时候听的不那么吵 但比较动感的十首歌”，AI 先“沉思”几秒，然后就直接推荐了一列可播放的歌单，点击就能听。说实话，比在页面上自己翻半天高效多了。  AI 助手背后的 DeepSeek 模型会调用 QQ 音乐的乐理数据库与情绪标签系统，综合语义理解、节奏结构、编曲风格等维度，进行上下文语义匹配。这种体验不仅大幅降低了非专业用户的搜歌门槛，也打破了“记不清歌名就搜不到”的瓶颈，极大提升了使用流畅度。 **2）想要更多歌曲信息** 除了找歌，AI 助手还能做“歌单解读小助手”，把你听过的、收藏的、最近常听的歌整理成一份“听歌报告”，还会配上各种风格化的分析方式，比如：用 MBTI、武林招式、人生阶段给你的红心歌单“起标题”。这些原本你自己也可能看不出的听歌习惯，它会用一种很轻松又有点好玩的方式帮你总结出来。 你也可以直接问它一些以前要去贴吧、知乎、微博找半天的问题：比如“汪苏泷《梆梆》的编曲思路是什么？”“易烊千玺在哪一场唱了《干杯朋友》？”“这首歌为什么听起来有城市感？”过去这些很难找准答案的点，现在直接一句话问 AI，立马就能回答，还附带出处和背景故事。 甚至你还能问得更细，比如“这首歌是用什么乐器配的？”“它的 BPM 是多少？”“和《晴天》比，它在调性上有什么不同？”系统会调出音乐结构参数、制作信息、甚至过往的评论梳理。  这一块对我这种偶尔会想了解“我为什么会喜欢这首歌”的用户来说，确实是很有用的，算是一个很趣味性的结合。 ### 2.2 听歌过程：从推荐算法到陪伴式对话 在传统推荐逻辑中，“听歌”往往只是一次结果导向的操作，但在 AI 深度介入之后，它逐渐变成了一种可以被共情、被理解、被回应的体验旅程。从算法排序到情绪对话，从歌单列表到动态视觉，从一次播放到持续互动，QQ 音乐正通过 AI，把“听”这件事从被动消费转化为一种主动感知的情绪交互。 **1）有“活人感”的歌曲推荐** 在用户想要获取新歌时往往会，进入首页的推荐板块，一个是猜你喜欢，一个是每日30首。 首页的推荐板块与传统的个性化列表不同，这一块推荐前会通过一句“情感引子”引发共鸣，如“今天有点阴天，适合来点爵士”，“阴天在不开灯的房间”等。系统根据用户最近的播放记录、节日、天气、社交活动等语境因素，动态调整推荐逻辑，同时嵌入小知识，如歌曲背后的故事、音乐风格的历史演变等，让“听歌”不再是被动消费，而是一场可被理解、可被回应的沉浸式对话。 这类基于场景与心理状态的推荐，不再是算法冷冰冰地排序命中率，而是像朋友了解你一样，提供一份更人性化的内容入口。  每次打开「每日 30 首」，最上方首先出现的是一个动态视觉模块：平台会根据推荐列表中第一首歌曲的歌词与氛围，生成一段 **AIGC 动态视频头图**，画面风格融合歌词意境与情绪色彩，营造沉浸感与仪式感。这段视觉片段通常以插画风格呈现，动态元素如微风、海浪、落叶或都市夜景，与歌词节奏产生联动，使用户在视觉上“入戏”，在听歌前就进入一种感受性的情绪前置状态。 紧随其后的是由 DeepSeek-R1 生成的推荐解读模块。系统会首先用 2–3 个关键词概括今天的情绪主题（例如：#K-POP、#追音乐的人、#或许你也想听），再附上一段由 AI 自动撰写的导语文字，引导用户理解今日推荐背后的选曲逻辑。 点击进入详情后，用户还能看到一篇结构清晰、语言自然的“AI 深度乐评报告”：包括歌曲挑选缘由、演唱风格背景、歌词解析、乐队风格延伸、听感对比等内容。这类内容极大提升了用户的“听歌获得感”，让听不再只是情绪消费，更像一次内容理解、文化参与与个体情绪对话的过程。 **2）AI陪你听歌** 除了推荐新歌、分析歌单，QQ 音乐 AI 还扮演了一个更有“存在感”的角色：陪你一起听歌。 在播放页下方，你可以开启「AI 一起听」模式，和一个虚拟的音乐搭子开启 24 小时在线共听体验。你可以选择“苏柔”“嘻哈”“流行”“轻音乐”等不同风格的 AI DJ，每位角色都有独立的人设——比如苏柔是心理咨询师风格，擅长理解你的小情绪，用温柔的语调和选曲陪你走过心情低谷。 这个功能不仅仅是“放歌”，更像是一个在你身边的语气温和、懂音乐的朋友。你可以和她“聊聊天”，她会介绍正在播放的歌，比如是谁唱的、背景是什么、适合在什么场景听，也会根据你现在听的歌接着推荐类似的风格。甚至当你中断播放一段时间后再回来，她还会接上一句“欢迎回来，我们可以继续听歌”，让整个体验变得像是一场持续的陪伴。 AI 一起听也不是“一个人对着播”，你还能看到其他也在和同一个 AI 听歌的用户，大家一起听《两人雨天》，就像远程分享了一个耳机。  ### 2.3 创作歌曲：从被动听歌到主动创作 QQ 音乐 AI 助手并未将“听歌”止步于情绪消费，而是进一步延伸至“内容再创作”的可能性，不止能推荐音乐，更能“拆音乐、换音色、重组节奏”。QQ 音乐在 AI 助手中内嵌了三个关键能力模块：**AI 演奏家、多音轨调节系统和AI 试听**，将听歌平台延伸为创作起点。 **1）“AI 演奏家”一键转换纯音乐** “AI 演奏家”功能则进一步扩展了用户在“听歌之后”的操作空间。该功能支持用户在歌曲播放界面中一键切换乐器音色，目前已开放钢琴、古筝、葫芦丝、曲笛、八音盒五种演奏风格，后续还会开放更多乐器选项。 系统会基于原始旋律结构生成无歌词的纯音乐版本，保留情绪节奏的同时转换为另一种听感形式，适合用于 vlog 背景、直播配乐、冥想放松等场景。但部分歌曲还具备限制提示功能——如当前曲目不支持“葫芦丝演奏”时，系统会主动弹窗提示，保障生成内容的可控性与合理性。  **2）“多音轨调节系统”—想听哪个乐器就停哪个** 它基于深度神经网络的声源分离模型，为乐器爱好者与半专业创作者，打造了一个突破性的功能模块：**多音轨调节系统**。可将歌曲拆成：人声、鼓、贝斯、吉他、电吉他、钢琴、小提琴、其他这8种独立音轨，用户可根据需求静音某轨道、调整节奏或重新混音，非常适合音乐爱好者们来使用，也不会再出现真的有贝斯嘛？这种疑问了，因为只要你想 你可以只听贝斯。 并且这8条音轨可以调整与人的声音位置，默认是以“声波星图”的形式分布于环绕坐标界面中，可以随意推动各个音轨的位置，系统也内置了很多可调节的参数，用户可执行以下几种创作性操作： - **单轨静音 / 独听**：想要只听鼓点、屏蔽人声，或反过来保留伴奏删除旋律，皆可一键操作。 - **空间定位调节**：通过界面拖动各轨道在前后左右四象限中的“声源点位”，实现虚拟声场变化，让吉他从左耳响起，鼓声从右耳推进。 - **音量权重滑条调节**：每一轨皆配有独立音量滑动条，用户可自由构建“个人混音方案”。 - **环绕风格一键切换**：可从动态环绕、人声消除、吸顶声响、沉浸系统四种声场模板中一键切换，模拟不同空间感知。  这一整套操作不仅让专业用户拥有前所未有的“AI 调音室”，也让普通听众第一次有机会“解剖”一首音乐作品的结构，理解贝斯、鼓、和声如何协同构成一首完整的情绪表达。 对于短视频创作、音乐反应视频、练习乐器等场景而言，这一功能的价值甚至超过播放本身。例如练吉他时候，直接只听贝斯和鼓，可以大大提升练习的质量和整体的感受，可以说是立刻搭起了一个赛博乐队。 **3）“AI 试听”—直接换音色听歌** “AI 试听”功能用起来很简单，就是让你可以把喜欢的歌换一个声音来听。系统内置了 8 种音色，包括空灵、气泡、动漫、甚至魔性童声等等，选一个点播放，就能听到熟悉的旋律由另一种声音唱出来，感觉像是朋友在 KTV 给你来了一版“重混”。 如果这些都不是你的菜，你还可以录一段自己的声音。只要在安静的地方清唱 30 秒，系统就能生成你的专属 AI 音色模型。这个声音以后可以用来演唱 QQ 音乐里的任意歌曲，无论是流行、民谣、日韩，甚至儿歌，统统都能由你“演绎”。  配合“AI 帮唱”功能，这套玩法就能走得更远。用户可以在“AI 帮唱”专区直接挑歌，无论是热门翻唱榜、AI 作曲榜，还是别人的公开作品，都可以点进去试听。选择好之后，只要你已经录制并生成了自己的 AI 音色，系统就会将你“专属的声音”自动套入旋律中，合成一首属于你的翻唱版本。 翻唱完成后，作品会出现在“我的作品”板块中，也可以选择是否开放给别人试听，或者分享到朋友圈。这就像把一整套翻唱工作室塞进了手机里，任何人都能拥有“出一首歌”的体验。不用会唱歌、不用懂编曲，只要你想唱，AI 就能帮你唱出来。但目前不是所有歌都支持AI帮唱，只有部分支持。  **4）“AI作歌”—AI化写歌全流程** AI 助手的创作能力不止是“唱别人的歌”，现在 QQ 音乐还上线了一个新的模块：「AI 作歌」。用户可以在“AI 作词”板块中，选择输入关键词、情绪风格、甚至一张图或一句话，AI 就能帮你写出一整首歌词。 整个过程是“对话式”的——你可以和 DeepSeek 聊天一样对它说：“我想写一首关于 crush 的小甜歌”，AI 会自动生成带主歌、副歌、桥段、结尾的歌词草稿，文字风格押韵自然、语气贴合指令，还会根据选定的曲风（如民谣、电子、R&amp;B）自动调整节奏与措辞。 如果不满意，你可以一键换一版，也可以局部修改，还能指定“更轻快一点”“加点押韵”“适合女生唱”等补充指令，迭代速度很快。系统还提供风格分类与历史记录，方便你多版本创作对比。 写完词后，还可以一键生成旋律，配合 AI 音色进行合成演唱，实现从“灵感一句话”到“听得见的原创歌”的完整闭环。哪怕你不会乐理、没学过作词作曲，也能拥有一首由你发起、由 AI 实现的原创作品。  ## 三、产品经理视角：可借鉴的 5 条产品AI化方法论 QQ 音乐这次推出 AI 助手功能，并不是简单叠加几个热门概念，而是一场围绕“听歌体验”做深、做透的产品重构。它不仅覆盖了“找歌—听歌—创作”的完整流程，也给所有音乐类产品提供了一个值得参考的 AI 落地范本。 以下是这次产品设计背后最核心的五条方法论： ### 1. 聚焦“听歌”主线，把产品切口做小做深 助手不是全知全能，而是聚焦在一个垂直闭环内做透。从语义搜歌到歌单推荐、AI 陪听、音色替换、二创工具，每一环都围绕“听”这个主线展开，功能虽然不多，但彼此打通，自成闭环。它没有试图成为全平台聊天入口，而是成为“AI 音乐助手”。  ### 2. 引入人格角色，增强陪伴感与容错性 从“苏柔”这类 AI DJ 形象，到“气泡音”“空灵女声”这类音色人格设定，包括AI助手中的斯达罗和艾音，QQ 音乐没有让 AI 冷冰冰地执行命令，而是用拟人化设计引导用户互动。这样即便 AI 功能出现限制或错误，用户也更容易“理解”和“原谅”。  ### 3. 拿自己有的东西做增强，而非堆模型能力 不是“大模型 + 音乐推荐系统”这样简单的拼接，而是将 DeepSeek‑R1 与 QQ 音乐 20 年的曲库元数据（如歌词分词、情绪标注、节奏特征、流派标签）深度融合训练，构建了一个“懂音乐的人类级助手”，形成内容理解上的代差优势。 这类“模型 × 数据”的组合，才是垂类产品的正确路径。而且发现一个点，QQ音乐对于用户敏感信息的处理还是很谨慎的，比如你和它的AI助手对话，能看到它思考过程中很明显的，几乎每一次内容都有关于“不能涉及性别”的要求。  ### 4. 从“功能跳转”转向“使用路径”思维 功能不是一堆“按钮”，而是组成一条任务流程链。比如“我想做一首翻唱作品”这件事，从录音→生成音色→挑歌→AI 帮唱→发布作品，全流程都在一个页面内完成。还有“想直接做一首原创歌曲这件事，从用deepseek写歌词到选风格到选音色”流程相当丝滑。 完全没有“找半天、切来切去”的割裂感。从此搜歌、听歌、做歌，qq音乐有了关于歌曲的全流程。  ### 5. 需要使用可解释交互 推荐背后的“为什么”远比“结果本身”更能提升用户信任感。 AI 助手会自动生成推荐解释链路，如“因你近期循环播放的节奏为 60–80 BPM，我们为你推荐了……”；当搜索失败时，它也会提示思路分解或引导二次提问，极大减少“AI 胡说八道”的挫败感。  ## 四、值得期待的迭代方向 在 AI 助手的基础框架初步搭建完成后，QQ 音乐依然留有广阔的产品想象空间。我们一起来猜想一下可能出现的创新方向，将围绕“社交互动升级”“创作流程闭环”“感知维度扩展”与“表达工具融合”四大主线展开： ### 1. 一起听 2.0：AI 实时主持 多人“一起听”场景已被验证具备强社交粘性，而下一阶段的升级核心在于“AI 主持”。 AI 不再是静默的推荐算法，而是充当房间里的“主持人”：它可根据当前播放的音乐内容进行实时讲解（如背景故事、乐理解析），也可同步解析弹幕情绪，引导互动话题。更进一步，AI 可在房间活跃度下降时自动推荐新歌、提出投票互动，提升“长时停留”与“房间氛围调控”能力。 ### 2. AI 编曲市集：二创链路变现闭环 依托已有的“演奏家 + 分轨”生成能力，平台可开放「AI 编曲市集」：用户用助手生成的二创版本（钢琴版、纯鼓点版等）可直接上传至市集页面，其他用户付费下载使用，平台抽佣并提供版权背书。 这不仅打通了“创作—展示—交易”链路，也激活了“UGC 商业化”的长尾潜力。 ### 3. 情绪声纹识别：AI 主动感知能力升级 当前的推荐以用户主动输入为主，但随着 AI 与硬件结合，下一步将进入“主动感知阶段”：结合车载设备、智能耳机、手表、手机麦克风，平台可实时识别用户的语音语调、心率变化、动作节奏等，从而感知其疲惫、焦躁、专注等情绪状态。 随后 AI 助手将自动推荐对应风格的音乐内容，实现“无感推荐”体验。 ### 4. AIGC 歌词海报：表达工具的一体化升级 音乐创作不止于旋律，用户还希望通过“歌词 + 视觉”进行情绪表达。 QQ 音乐可提供“大模型生成歌词 + 图像生成工具组合”的可视化创作工具，例如输入“想写一段关于春天放下的歌词”，助手生成多版本歌词草案，用户挑选后可一键生成与之匹配的 Midjourney 风格插画，再合成动态歌词海报，用于朋友圈、视频片头等，强化音乐内容的社交流通力。 ## 五、结语：音乐平台下半场，拼的是“理解”与“陪伴” AI 对音乐产品的重塑，并不只是技术层面的“加法”，而是一次体验链路的“重写”。QQ 音乐 AI 助手这次的尝试之所以值得关注，不是因为它用了什么新模型，而是它真正围绕用户在音乐使用场景中的“任务”与“情绪”来做设计，从搜歌、推荐到陪听，从调轨、改编到原创，每一个功能背后都带有“让用户更像创作者”的底色。 未来的音乐平台，不再只是播放器或推荐器，而会成为“音乐理解 + 情绪连接 + 创作协作”的多模态场域。对所有内容平台而言，这也是一个重要启发：AI 不该只是功能外挂，而应该成为增强用户表达、陪伴与创造的体验中枢。 音乐，是最感性的媒介。当 AI 能够理解感性、延伸情绪、放大共鸣，那它的未来就不止是工具，而是真正进入人的生活节奏之中。 对产品经理而言，AI 助手已经不只是“锦上添花”的功能，而是潜在的下一条增长曲线。当你的产品也面临同质化瓶颈时，也许可以从“AI + 某项核心任务”开始，重新激活用户的价值感知。 你可以不做一个万能助手，但必须找到你产品中最值得“AI 化”的那个关键节点——让 AI 成为解决某个高频痛点的“最短路径”，从“功能接入”走向“体验重构”，才是我们真正迈入 AI 产品时代的起点。 本文由 @活力板蓝根 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

<blockquote><p>在当前竞争激烈的商业环境中，大企业通过开发标准化产品来实现规模效应和快速盈利，而小企业则专注于提供定制化服务以满足特定市场需求，本文探讨了这一行业现象及其对企业战略的影响。</p> </blockquote>  最近企业微信新增了客户跟进的功能，可以把微信的联系人同步到智能表格，管理客户的跟进记录，实时统计销售的业绩。 一般的CRM，最重要的功能就是线索管理，从线索收集，到线索分配，线索跟进和转化。 企业微信从线索数据的导入开始，后续很轻易能够切入到后续的各个流程当中。 企业微信开始了第一步，随着客户的使用，越来越多的客户会有更多的需求，通过客户驱动，不断提升整体功能的丰富度和体验。很快，这个CRM就可以从一个小孩子，变成一个巨人，因为大厂有非常强的规模效应。 ## 1 ### 大厂为什么要做CRM？ 一般大厂做平台产品，要么做一个平台，通过收各种三方服务商的钱，相当于搭了个台子，不做一些定制化个性化的需求，让给生态的小伙伴。 要么自己下场，把产品做大做强，自己杀出一条血路。 企业微信选择了自己下场。 因为现在的营收环境，迫使企业微信需要尽快盈利。自己搭台子，赚的都是蝇头小利，战线拉的太长，大头都给了服务商。 想要快速盈利，就要自己做大做强。 ## 2 ### 企业微信这么着急盈利？ 大厂有一个很致命的地方，就是人工贵，人员多，说白了就是成本很高，需要养很多人，给他们发高工资。 以前，一个集团有多个模块，可以通过拆东墙补西墙的方式，盈利的模块让一点利润出来，养一个还没长大的模块。 可是现在的营商环境，逼着各个模块需要自负盈亏。 那快速盈利，提高人效就显得很重要。 ## 3 ### 怎么提高人效？ 这个CRM，大概率会变成一个标品，因为标品可以无限复制，相当于，相同的一份产品，可以复制给到更多的客户，这样边际成本就可以递减，进而提高人效。 做成标品，小公司最喜欢了，画一点小钱，就可以获得不错的使用体验。 而中国的小型企业的比重还是非常高的，所以大厂的产品几乎会把市面上的小型企业的市场吃掉。 剩下的，就是大厂看不上的定制化业务。一家一家做，一家一家谈。这种费力不讨好的事，就交给小的CRM服务商。 大厂吃肉，小厂喝汤。 在没有颠覆式创新的情况下，几乎永恒的行业规律 本文由人人都是产品经理作者【蔡锦海】，微信公众号：【锦海说】，原创/授权 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。