中西部城商行的永续债补血“双刃剑”样本。

<blockquote><p>在数字化时代，数据分析已成为企业决策的核心驱动力。然而，随着数据量的爆发式增长和业务复杂性的提升，传统的数据分析工具已难以满足企业对高效、精准和深度洞察的需求。本文将探讨大语言模型（LLM）、图检索增强生成（Graph RAG）与智能指标平台的有机融合如何为企业带来全新的智能数据分析体验，供大家参考。</p> </blockquote>  在当今数字化飞速发展的时代，技术的不断更新和发展正在重塑各个领域。今天，我们将聚焦智能指标平台、大语言模型（LLM）以及图检索增强生成（Graph RAG）这三大前沿技术，探讨它们如何协同作用，为我们带来全新的智能数据分析体验。 ## 一、智能指标平台：数据洞察的基石 智能指标平台作为数据分析的重要工具，能够将复杂的数据转化为直观、可理解的指标。它可以帮助企业实时监测业务进展，快速发现问题，并为决策提供有力的数据支持。通过智能指标平台，我们可以轻松跟踪关键绩效指标（KPI），了解业务的健康状况和趋势。 例如，在销售领域，智能指标平台可以实时展示销售额、订单量、客户转化率等关键指标，让销售团队能够及时调整策略，提高销售业绩。在运营管理方面，智能指标平台可以监测生产效率、库存水平、物流成本等指标，帮助企业优化运营流程，降低成本。 ## 二、大语言模型（LLM）：智能交互的新突破 大语言模型的出现，为我们带来了前所未有的智能交互体验。LLM 能够理解自然语言，生成自然流畅的文本，并回答各种复杂的问题。在数据分析领域，LLM 可以与用户进行自然语言交互，帮助用户快速获取所需的信息。 例如，用户可以通过自然语言提问，如 “去年的销售收入最高的产品是什么？”LLM 可以理解用户的问题，并从智能指标平台中提取相关数据，生成准确的回答。此外，LLM 还可以进行文本生成，如撰写数据分析报告、总结业务趋势等，大大提高了数据分析的效率和质量。  当我们想继续了解“为什么去年销售收入最高的产品是天然皂液手洗专用3kg”，智能指标平台可以借助指标血缘或者专家经验维护指标体系关系结合给出指标的归因分析结果，如下图：  但这还不够，目前依赖人工维护指标体系，假设我们有一个沉淀了某个行业指标体系知识图谱数据，那是不是可以借助指标体系知识图谱自动归因呢？ ## 三、图检索增强生成（Graph RAG）：知识发现的新途径 Graph RAG 是一种结合了图数据库和检索增强生成技术的创新方法。它通过构建知识图谱，将数据之间的关系以图形的方式展示出来，帮助用户更好地理解数据的内在联系。同时，Graph RAG 将知识图谱（KG）引入 RAG 系统，使 AI 能够更快、更准确地找到目标信息。它通过分析用户查询，在知识图谱中找到相关实体和关系，并将其转化为 LLM 能理解的语言，最终生成答案。知识图谱由节点和边组成，能够表达实体之间的复杂关系，为 LLM 提供精确且上下文相关的数据。 例如上面的例子如果仅使用 RAG 检索，LLM 可能会回答：“近期销售增长最快的产品类别是 B 类别，其销售额增长了 XX%。” 但对于该产品类别与其他因素的关联，无法给出更深入的分析。 而当使用 RAG+Graph RAG 时，Graph RAG 构建的知识图谱会将产品类别与用户行为（如购买频率、浏览时长、评价内容等）、市场趋势、竞争对手情况等因素关联起来。LLM 结合 Graph RAG 生成的知识图谱，可以给出更全面的回答：“近期销售增长最快的产品类别是 B 类别，销售额增长了 XX%。增长原因主要有以下几点：一是该类别产品符合当前市场流行趋势；二是用户对该类别产品的评价普遍较高，好评率达到 XX%；三是与竞争对手相比，我们在该类别产品的价格和质量上具有优势。同时，购买该类别产品的用户通常具有较高的购买频率和较长的浏览时长，这表明用户对该类产品的关注度较高。” 又例如，在金融领域，Graph RAG 可以构建金融市场的知识图谱，将股票、债券、基金等金融产品之间的关系展示出来。用户可以通过 Graph RAG 快速了解不同金融产品的风险收益特征、市场走势等信息，并根据自己的投资需求生成个性化的投资建议。 ## 四、智能指标平台 + LLM+Graph RAG：协同创新，释放无限潜力 当智能指标平台、LLM 和 Graph RAG 这三大技术相结合时，它们将产生强大的协同效应，为智能数据分析带来全新的可能性。 首先，智能指标平台为 LLM 和 Graph RAG 提供了丰富的数据来源。LLM 可以利用智能指标平台中的数据进行自然语言理解和生成，Graph RAG 可以构建基于智能指标平台数据的知识图谱。其次，LLM 可以与用户进行自然语言交互，帮助用户更好地利用智能指标平台和 Graph RAG 的功能。最后，Graph RAG 可以为用户提供更深入的知识发现和见解，帮助用户更好地理解数据背后的故事。 在企业决策过程中，用户可以通过自然语言向 LLM 提问，LLM 从智能指标平台中提取相关数据，并结合 Graph RAG 生成的知识图谱，为用户提供全面、准确的决策支持。在市场调研中，用户可以利用 Graph RAG 构建市场趋势的知识图谱，然后通过 LLM 与知识图谱进行交互，获取更深入的市场洞察。 总之，智能指标平台、LLM 和 Graph RAG 这三大技术的结合，为智能数据分析带来了新的机遇和挑战。它们将共同推动数据分析领域的创新发展，为企业和个人提供更强大的决策支持和知识服务。 本文由 @在人间5410 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

NVIDIA Blackwell架构虽然在加速卡、游戏卡上都遭遇诸多波折，但这并不影响NVIDIA对于未来的宏伟规划，**不但公布了下一代Rubin架构的具体产品规划，还首次宣布了再下一代架构“Feynman”。**  Feynman就是理查德·费曼，美籍犹太裔人，**20世纪最伟大的物理学家之一**，诺贝尔物理学奖获得者，在量子电动力学、量子计算、纳米技术等领域都有开创性的成就，还撰写了《费曼物理学讲义》、提出了“费曼学习法”，1986年挑战者号航天飞机爆炸失事的根本原因也是他查明的。  NVIDIA这次一共宣布了三款产品，首先是“**Blackwell Ultra NV72**”，今年下半年发布，**每个节点配备两颗升级版的Blackwell GPU、一颗Grace CPU，搭配多达288GB HBM3e高带宽内存**，Dense FP4性能高达15PFlops(每秒1.5亿亿次)。 **整台服务器一共72个节点，也就是144颗GPU、72颗CPU、20TB HBM3e、40TB DDR5内存**，比上代增加50％，CX8互连带宽14.4TB/s，增加100％。 整机的Dense FP4推理性高达1.1EFlops(每秒110亿亿次)，FP8训练性能高达0.36EFlps(36亿亿次)，还有新的注意力指令。  2026年下半年，我们将迎来全新的Rubin架构，首发服务器产品为“**Vera Rubin NV144**”，**每个节点两颗Rubin GPU搭配一颗全新的Vera CPU。** 其中，R**ubin GPU搭配288GB容量的下一代HBM4内存**，FP4浮点性能跃升到50PFlops(每秒5亿亿次)。 **Vera CPU则包含88个自研Arm架构核心，首次支持多线程而达到176线程**，彼此之间通过1.8TB/s带宽的NVLink-C2C总线连接在一起。 **整台服务器一共144个节点，也就是288颗GPU、144颗CPU、41.5TB HBM4内存(带宽13TB/s)，还有75TB的系统内存**，NVLink6带宽达260TB/s，CX9总线带宽达28.8TB/s。 FP4推理性能来到3.6EFlops(每秒360亿亿次)，FP8训练性能则是1.2EFlops(每秒120亿亿次)。  2027年下半年，我们将看到升级版的“**Rubin Ultra NV576**”，**每个节点包含四颗Rubin GPU、一颗Vera GPU，并升级1TB HBM4e内存**，FP4浮点性能高达100PFlops(10亿亿次)。 **整机一共多达576个节点，也就是拥有2304颗Rubin GPU、576颗Vera CPU、576TB HBM5e(带宽4.6PB/s)，还有365TB系统内存。** NVLink互连总线升级到**第七代NVLink7**，带宽惊人的1.5PB/s，另外CX9总线带宽115.2TB/s。 **FP4推理性能高达15EFlops(每秒1500亿亿次)，FP8训练性能5EFlops(每秒500亿亿次)。**  **至于新的Feynman架构，将在2028年首次登场，搭配下一代HBM内存(HBM5?)，但具体细节暂未披露。**  [查看评论](https://m.cnbeta.com.tw/comment/1486560.htm)

近日特斯拉副总裁陶琳公开表示，新能源车座舱不一定要奢华，但必须环保。“新能源汽车座舱不一定奢华，但一定要环保，毕竟用户每天在车里待的时间不少，空气好坏直接影响健康。陶琳曾表示，一切设计为最终的产品力服务，为用户服务。”  **跟国产新能源车“冰箱彩电大沙发”的路线不同，特斯拉内饰一直都相对简单，这也让不少车主吐槽。**  之前就曾有车主吐槽，特斯拉车内是毛坯内饰，对此陶琳还曾解释，设计的真谛是克制而不是堆砌。 这也曾引发了网友的热议，有支持的人表示，特斯拉是遵循“第一性原理”的公司，这样一家公司做出来的东西一定是简约的，除了服务于功能，还有好的审美品位。 不过更多的用户则认为，国内车主就是对“冰箱彩电大沙发”更热衷一些，做到设计贴近本土化很难吗？ [查看评论](https://m.cnbeta.com.tw/comment/1486556.htm)

<blockquote><p>在 2025 年的 SaaS 市场中，AI 技术的浪潮正席卷整个行业，成为企业生存和发展的关键因素。本文将深入探讨 SaaS 企业如何通过 AI 化改造实现从效率提升到业务增长的质变，以及如何在激烈的市场竞争中脱颖而出。</p> </blockquote>  当 Shopify 的增速突破 31%却仍在提升利润率，当 Cursor AI 三个月狂揽 1 亿美金 ARR，一个残酷的真相浮出水面：**2025 年的 SaaS 战场，AI 不再是选择题，而是企业 DNA 级别的生死改造。** ## 效率幻觉破灭：增长的暴力革命 ### 龟速增长等于慢性自杀 PagerDuty 的困境正在成为行业缩影：10%增速、零新客增长、依赖涨价续命，这种“效率优先”策略让企业估值缩水 40%。 反观 Shopify，其 EBITDA 利润率从 18%攀升至 24%的同时，增速反而创三年新高——资本市场用真金白银投票给“盈利性增长”的终极形态。 ### 两极分化催生新物种 Wiz 用 12 个月吃下云安全市场 17%份额，Notion 的 AI 模块周更迭代速度碾压传统对手。这场竞赛的胜负手不再是功能堆砌，而是数据驱动的进化能力：Deal 的谈判 AI 能实时分析对手方邮件情感值、历史成交数据、舆情波动，动态生成博弈策略，将客单价提升 65%。 ## AI 化改造：从表皮美容到器官移植 ### 伪 AI 企业的死亡通知书 某 CRM 厂商给工单系统加了个 ChatGPT 对话框，试图包装成“智能客服”融资，结果被投资人现场拆穿。 真正的 AI 原生是像 Viva 这样的建筑 SaaS——通过 AI 工时算法将工程延期率降低 42%，并形成“数据越多模型越准 → 客户越难迁移”的闭环。 ### 改造手术的三条路径 **核心功能置换**：Deal 的 AI 谈判军师 通过清洗 20 万 + 历史谈判数据，构建实时情感分析（准确率 92%）与条款博弈引擎。当对手提出新报价，系统在 200ms 内匹配相似案例，生成带风险权重的反制策略（如 “接受此条款将导致毛利率下滑 1.8%”）。 某制造商使用后谈判周期缩短 47%，客单价提升 23%，违约率下降 41%，关键突破在于 AI 能通过分析对手方高管公开演讲预判其战略重心。 **决策流程重构**：Wiz 的云安全 AI 决策树 用 10 万条攻击路径训练图神经网络，实时监控 800 + 云 API 动态。当检测到异常访问，AI 在 53 秒内完成攻击溯源 → 生成防御策略树 → 执行最优方案（如 “阻断土耳其节点 + 清洗支付流量”）。 某电商遭 0day 攻击时，AI 将损失从预估 270 万美元压至 23 万，其秘密武器是每日用 GAN 模拟 3000 种新型攻击的对抗训练机制。 **交互范式革命**：Notion 的自然语言革命 用户输入 “/ 做 Q3 营销计划”，系统自动调用模板库、插入实时数据看板并生成竞品摘要。通过 BERT 模型解析指令（准确率 95%），支持语音修改（如 “把表格转折线图”）。 某咨询公司用语音指令 5 分钟完成 2 小时工作，企业用户日均使用时长提升 87%，背后是每周迭代 142 次的自进化系统 —— 自动学习 80% 用户将 “执行摘要” 拖到文档首位的操作习惯。 某跨境电商 SaaS 的教训值得警惕：其 AI 选品功能因训练数据不足导致推荐偏差，三个月流失 23%客户。 **这验证了 AI 改造的黄金法则——要么用真实业务流数据训练模型，要么不做。** ## 销售军备竞赛：从人海战术到 AI 特战队 ### 第一个 AE 决定生死时速 某协作工具创始人面谈 57 人后，选择毫无 SaaS 经验的前房产中介，只因对方能说清“产品帮物业公司降低 27%巡检人力成本”。2025 年的销售铁律正在改写： - **SMB 市场**：启用底薪 8K+不限提成的“饿狼型”销售，用 AI 外呼系统将触达效率提升 4 倍。 - **KA 市场**：必须配备能解读 CTO 技术路线图的解决方案专家，辅以 AI 沙盘推演系统。 - **创始人**：亲自参与前 100 个 POC，用对话分析 AI 提炼 23 种决策者画像。 某 CRM 公司用 AI 销售教练系统，将新人成长期从 6 个月压缩至 17 天，首单成交周期缩短 62%。 ## 融资生死局：要钱还是要命？ ### AI 企业的甜蜜陷阱 某 AI 客服公司套壳 GPT-4 融资 5000 万美金，却因推理成本失控 6 个月崩盘。投资人的评估维度已进化： - 单位推理成本是否低于行业均值 30%。 - 能否形成数据飞轮（如医疗 AI 每诊断 100 例提升 3%准确率）。 - 客户切换成本是否 ≥ 年度合同金额的 80%。 ### 非 AI 企业的绝地求生 垂直领域玩家 Viva 专注建筑工时管理，用行业 Know-How 筑起护城河；传统 SaaS 厂商转型做 AI 公司的“水电煤”，某 ERP 企业通过优化大模型推理效率，反而拿下 AWS 生态合作订单。 ## 产品迭代：没有疯狂，就是死亡 ### 周更时代的生产力革命 Notion 的 AI 模块每周根据 200 万+用户行为迭代，Wiz 今年新增 17 个产品线。对比某知名 CRM 全年仅 2 次小更新，导致客户流失率暴涨 300%。我们团队用 AI Agent 重构开发流程： - 用户行为分析 Agent 自动生成需求文档（准确率 91%）。 - 竞品监控 Agent 日扫 300+对手动态生成 SWOT 报告。 - 灰度发布 Agent 根据用户分层自动匹配测试群体。 这套系统让功能上线速度提升 4 倍，但真正的杀招是形成了“用户骂娘 →AI 解析 → 快速迭代 → 数据验证”的进化闭环。 ## 2025 生存自测：三组数据定生死 用这三把尺子量量你的企业： - 客户能否用一句话说清你的 AI 价值？ - 年度产品更新量是否超过行业 TOP3 均值？ - 销售团队人均单产年增幅是否 ≥20%？ 如果三个答案都是“No”，建议立即启动“AI 休克疗法”：抽调 30%研发力量组建特种部队，用 6 个月时间将核心功能 AI 化。 **记住，2025 年的市场不会给渐进式改良任何机会。** 作者：爱撸猫的产品仔；公众号：爱撸猫的产品仔 本文由 @爱撸猫的产品仔 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。

**曾风靡一时的微信交友神器——“摇一摇”功能日前悄然回归。**今日，在微信搜索框中输入“摇一摇”后，点击“前往”即可体验。**晃动手机，就能随机匹配到全国微信用户，匹配成功后，还能查看对方昵称、距离你的公里数、地区、签名等信息，**支持向对方打招呼加好友。 需要提醒的是，打开“摇一摇”界面会发现功能介绍写着“摇动手机以识别歌曲和哼唱”，进入后就是摇一摇加好友。 目前，**该功能似乎只回归了苹果iOS版微信，使用安卓版微信（最新版本）依然是摇一摇识别歌曲。** 据了解，2024年2月，微信8.0.47版发布，该版本下线了摇一摇加好友功能，取而代之的是“听一听”功能。 资料显示，微信在2012年9月推出的4.3版本中首次加入摇一摇功能，至今已有近13年历史。 [](//img1.mydrivers.com/img/20250319/aca806a3fd944b5aa446bc57b1a79ba4.png) [](//img1.mydrivers.com/img/20250319/b24b531667d545809ab8ad1afbe7a94c.jpg) [](//img1.mydrivers.com/img/20250319/6cd00906c77e4026ae08c611e2c4dd25.jpg) 微信iOS版摇一摇 [](//img1.mydrivers.com/img/20250319/50d8679d94a549f2a62e7c6602ade15c.png) [](//img1.mydrivers.com/img/20250319/f53b70f22b1e48348deeb35dff4397c7.jpg) 微信安卓版摇一摇 [查看评论](https://m.cnbeta.com.tw/comment/1486554.htm)

分析师Jeff Pu爆料，iPhone 17 Pro和iPhone 17 Pro Max都将配备4800万像素潜望长焦，**这意味着1200万像素在Pro系列机型上彻底退出。当前iPhone 16 Pro和iPhone 16 Pro Max都配备了1200万前摄，后置主摄和超广角都是4800万像素，但是长焦是1200万像素。** [](https://static.cnbetacdn.com/article/2025/0317/e307d5ba5d99e59.jpg) iPhone 17 Pro系列则是彻底放弃1200万像素，前摄升级为2400万像素，后摄则是配备了三颗4800万像素摄像头，包含主摄、超广角以及潜望长焦。 Jeff Pu还爆料，iPhone 17 Pro将配备12GB内存，相比iPhone 16 Pro的8GB有所提升，内存升级将有助于提升Apple Intelligence的AI能力以及多任务处理能力。 另外，iPhone 17 Pro配备6.3英寸屏幕，iPhone 17 Pro Max配备6.9英寸屏幕，标配A19 Pro芯片，基于台积电第三代3nm制程制造。 [查看评论](https://m.cnbeta.com.tw/comment/1486552.htm)

随着Meta在昨日收盘后的全年回报也开始转负，美股“七巨头”在年内无疑已彻底陷入了“全军覆没”的境地……这家Facebook母公司在周二下跌了逾4%，延续了近期的跌势。在1-2月股价史无前例地连续20个交易日上涨后，该股近来的下跌无疑尤为引人瞩目。在股价最高峰时，Meta年内的涨幅曾一度高达近26%，但目前已经全数抹去了这些收益……  KeyBanc Capital Markets分析师Justin Patterson表示，由于对人工智能的大量投入，Meta的运营灵活性有所下降。他将该股目标价从750美元下调至710美元，理由是“宏观经济不确定性加剧”。 Patterson在一份报告中写道，“我们今天看到的挑战是，人工智能周期正在增加Meta的固定成本，这限制了它在经济低迷时期削减开支的能力。”报告还表示，另一家“七巨头”公司——谷歌母公司Alphabet其实也面临着类似的阻力。 整体而言，今年以来，由于特朗普政府的关税政策以及对人工智能贸易发展方向的质疑，科技股普遍承压。由苹果、微软、英伟达、亚马逊、特斯拉、Alphabet和Meta组成的美国科技股“七巨头”曾被业内视为AI浪潮下的主要受益者，但今年却纷纷光环不再。 周二的行情走势无疑是最佳的例子。 尽管英伟达CEO黄仁勋在加州圣何塞举行的英伟达AI盛会GTC 2025上“卖力吆喝”——不仅公布了英伟达的Blackwell架构最新一代产品，还在AI网络、机器人领域合作研发等方面抛出了不少干货，但华尔街对于这场演讲的反应却始终较为平淡。英伟达股价在黄仁勋演讲的同时一路下挫。 如下图所示，美国科技股在周二收盘几乎集体走软。  目前，彭博七巨头总回报指数在今年以来的累计跌幅已经达到了16%，与去年12月份的峰值相比更是下跌了20%以上。历史上只有两个时期出现过类似这种或更糟的下跌：分别是2018年末和2022年。  其中，特斯拉今年累计下跌了44%，在七巨头中表现垫底。可以说，在特朗普上台前后短短几个月的时间里，特斯拉就从华尔街“宠儿”迅速变成了“弃子”。其股价的连续下跌甚至已经与行业竞争对手比亚迪的持续上涨形成了鲜明对比。尤其是在本周比亚迪发布“兆瓦闪充”技术，几乎彻底消除电动汽车充电焦虑的背景下。  Aptus Capital Advisors的投资组合经理David Wagner表示，“特斯拉似乎正在失去其核心竞争优势，因为许多同行正在快速蚕食其空间。” 而除了特斯拉外，另外多家“七巨头”股票今年的百分比跌幅也均达到了两位数。其中Alphabet下跌了17%，苹果和英伟达则下跌了14%。 与此同时，更广泛的纳斯达克100指数今年迄今下跌了7.3%，早于标普500指数进入了回调区间——这一科技股密集的指数目前比其自身的峰值低了12%以上。 [查看评论](https://m.cnbeta.com.tw/comment/1486550.htm)

最近 Manus 爆火，很多人都苦于没有邀请码，只能看着有码的人体验 “别人给自己干活”的快感。为啥这东西这么吸引人呢？还是因为现在的大语言模型，只能和你进行“言语交流” 。你跟它说“这个东西我不会”，它会给你罗列出详细的步骤，但绝对不会帮你完成。**完成工作，是只有碳基生物能干的事，硅基生物它做不来。**  而Manus一出，就展现了超越传统大模型的自主执行能力，不仅能理解复杂指令，还能拆解任务、调用工具等。网友一看，好家伙，这不就是个帮我打工的私人助理吗？ 但这玩意也没那么全能，只能算个“套壳产品”，虽然是集成了很多工具包，**但如果是它****工具库里没有的，那就完蛋了。** 比如，你能让Manus帮你PS个图，用PR剪个视频，再把工程文件发给你吗？对不起，做不到。也就是说，它离我们真正的“生产力工具”还很远。 但最近世超在GitHub上发现了个比较火的项目，可以让大语言模型帮你建模。这可不得了，**可以说是让****AI****成为真正生产力工具的重要一步****，**现在这个项目已经收获了 6.8k 的 Stars ，还在快速增长。 世超看完演示视频，发现作者**仅仅通过与Claude对话**，就使用3D建模软件 Blender 建立出了一幅精美的模型。整个建模过程无需敲代码，更无需学习软件操作，只需要通过语言描述需求即可完成。 视频里，作者直接在对话框里输入：“请用 Blender 帮我建立一个场景，有一条龙站在一罐金子旁边 ” 。  随即， Claude就开始调用Blender开始建模了，很快啊。  最终成品图如下：  看着效果确实不错啊，那必须体验一下了，毕竟作为懒狗，看着别人把活全干了确实有种不能拒绝的快感呢。 于是，我找到项目文档，照着上面的步骤，用不了一小时就把项目部署完成了，确实简单。整个过程也不需要写代码，完全的鼠标操作。 体验了一个上午，先说结论：**趣味性十足，实用性一般。** 首先我试验了一下，能不能达到视频中的效果。我直接把视频中的提示词复制过去，他还真列出步骤一步一步开始做了：  就是这效果。。不能说是一模一样，只能说是有点关系：  金币和地板是有了，就是这龙也太龙了。 不过视频显示啊，作者在该提示词的基础上进行了多次微调，世超由于对建模一窍不通，不懂怎么调整建模细节，所以造成了实物与原图不符。感兴趣的差友们可以尝试复刻一下视频中的效果。 哎，不然来个简单点的，就给我画条龙吧？我们来看看对这种简单直接的要求，它的完成度怎么样。 于是，我直接跟它说：给我画条真龙。  看它输出的步骤，真是有模有样的，先画龙身，再画龙头，然后是龙爪和细节修饰。。 结果呢？  你还别说，跟楼上那条龙真有异曲同工之妙。看来大模型对龙的理解就是这样了，又龙又猪的。没关系，反正都是十二生肖嘛。 **额，真龙画不出来，奶龙总行吧？**我把奶龙的细节特征全给你描述清楚，你给我画，就不会出错了呗。 必须动手。我给的提示词是：**“画一条黄色怪兽，圆圆的头，肥胖的身躯，短胳膊短腿，还有恐龙尾巴和绿色眼睛。”**  它立马就开始动手了，很快啊。  最终结果令我拍手叫好：  说实话，这是给它的几个任务里，完成度最高的一个了，起码能看出来是条奶龙了。 不过呢，这些其实都是些神秘的东方元素，对西方大模型来说，画不出也可以理解。 有没有什么世界各地都常见的东西？我想了想，让它给我画栋房子吧。提示词很简单：画栋房子。 在经过一番全自动操作后，它给出了最终成品：  嗯，确实还不错，有门、窗、树甚至烟囱之类的东西。就是旁边飞了两根横梁不知道是做什么的。。 这几轮体验下来，感觉只能说勉强可以，**毕竟是零基础建模师，建出能看出形状的模型已经算是胜利了**。 世超也把它的作品给专业3D建模的同事看了，同事表示：**其实它现在只会简单的几何体堆砌，就像小孩搭积木一样，没有建立复杂模型的能力。** 有很多网友尝试过它之后，也给出了类似评价：   总结一下就是：**能用，但也仅限能用。想给****专****业人士帮上忙，其实还远着呢。。** 但对现在AI的发展来说，还是个不小的进步，AI从 “ 摸不到工具 ” 到 “ 能摸到工具了”，那给人类打工这件事还会远吗？ 那么话又说回来，不是说让AI实现工具使用挺有难度吗？这个是咋实现的呢？ 其实，怎么能让AI使用我们的生产工具干活，一直是AI从业者研究的难题。因为现在的AI和生产力工具们，还没办法直接“交流” 。 举个例子，《圣经》中说，最初所有人类都使用的是同一种语言，为了防止人类合伙建造通天塔，上帝一声令下，把大伙的语言都分隔开了。 而现在的各大AI和人类的工具、数据库之间呢，也有这种“语言不通”的矛盾。 为了解决这个问题，在去年11月，一位叫MCP（ Model Context Protocol ，模型上下文协议 ）的重量级嘉宾就闪亮登场了。  它是由Anthropic提出的一种开放标准协议，你可以把它理解成一个AI世界的 “ 翻译官 ”。不管你是什么东西，只要支持MCP协议，它都能使大模型的“语言”让其他使用 MCP 协议的工具 “听懂” ，这样一来，壁垒就被打破了，通天塔不是就指日可待了嘛？ 如果未来越来越多的应用使用MCP协议，我们的AI就能轻松调用它们进行工作，**人类就能正式进入“解放双手”的时代了。** 上面介绍的建模项目呢，就是使用了 MCP 协议，把大模型和建模软件连接了起来，所以咱们每提一个要求，大模型就能根据要求调用建模软件进行执行。 随着时间推移，已经有越来越多的工具加入MCP的队伍中了。 比如，VSCode上的一个叫Cline的插件，本身是使用AI辅助编程的，最近也宣布支持 MCP了，这意味着这款插件可以使用MCP生态下的全部功能。 比如一款爬虫工具Firecrawl ，能把各大网站的信息爬下来，然后转化成对大模型友好的Markdown格式。  程序员用这款插件时，想在网站上爬点有用的信息并喂给AI总结，so easy好吧。 不过据传Manus没有使用MCP协议，世超觉得如果未来MCP成为主流， Manus也就随即失去意义了。。毕竟大家伙都能“万物互联”了，还需要你个集成工具包干什么呢？当然这也都是展望阶段，未来到底怎么样，还不好说。 不过最近的几波新闻，都代表着AI离“替人类干活”越来越近了。你说大家不担心抢工作，那是不可能的，毕竟你永远不知道下一个被替代的职业是什么。。 **所以，你的职业离被AI拿下，还有多远呢？** [查看评论](https://m.cnbeta.com.tw/comment/1486544.htm)

据报道，**由中国航发自主研制的百千瓦级混合动力系统原理样机在内蒙古镶黄旗新宝拉格机场顺利完成飞行试验，标志着我国在混合动力航空技术领域取得重要突破。** 在本次飞行试验中，**混合动力系统及飞行平台表现优异，各架次任务均顺利完成，系统工作正常、状态良好，各项指标均达到设计目标。**此次试验的成功标志着第一阶段飞行试验的圆满完成，为后续技术研发和产品化奠定了坚实基础。 混合动力系统是中国航发在前沿技术探索和绿色航空可持续发展领域取得的重要成果。该系统不仅是中国航发面向国家“碳达峰”“碳中和”目标需求的重要举措，也是落实创新驱动发展战略的具体实践。 **通过本次试验，中国航发探索了国产混合动力系统的自主研制路径，为未来混合动力系统产品化、系列化及大功率混合电推进系统的研发积累了宝贵的技术经验。** 该项目于2022年正式启动，由中国航发联合厦门大学等单位，依托尹泽勇院士工作站平台，充分发挥产学研协同合作机制的优势，自主设计并全新研发而成。  [查看评论](https://m.cnbeta.com.tw/comment/1486542.htm)

日前，世界知识产权组织（WIPO）公布2024年度PCT国际专利申请排名。数据显示，2024年PCT申请总量达273900件，比2023年增长0.5%，**中国仍然是最大的来源国，提交了70160件申请。**紧随其后的是美国，提交量为54087件，日本则以48397件位列第三，韩国和德国分别以23851件和16721件的申请数量排在第四和第五。 在中国重回增长（+0.9%）的同时，美国、日本和德国申请量分别下降了2.8%、1.2%和1.3%。 这是美国连续第三年下降，德国和日本连续第二年下降，相比之下，韩国增长了7.1%，连续27年实现增长。  企业方面，中国科技型企业在全球PCT申请中已占据重要地位，**排名前50的申请人中，来自中国的实体共占据15个席位，这些企业的PCT申请总量达到了21730件，占中国全年总申请量的31%。** 其中，**华为以6600件的申请量排名全球第一，**三星（4640件）、高通（3848件）、LG（2083件）和宁德时代（1993件）位居第二到第五名。 在排名前50的申请者中，三星申请量增长最快，2024年已公布申请增长716件，苹果（+441件）、高通（+438件）、Google（+335件）、小米（+286件）也有较大增幅。 据悉，数字通信（27605件）、计算机技术（2，600件）、电能技术（22760件）仍是PCT国际专利申请量最集中的领域。 据了解，自1978年世界知识产权《专利合作条约》（PCT）运行以来，美国一直蝉联榜首，2019年，中国首次超越美国，成为全球最大专利申请来源国。  [查看评论](https://m.cnbeta.com.tw/comment/1486540.htm)

CISA 警告 GitHub Action 供应链攻击已遭利用。

<blockquote><p>本文将基于 5A 模型（了解、吸引、问询、行动、拥护）深入探讨 B2B 内容营销在每个阶段的具体策略和行动指南，帮助营销人员更好地构建与客户的关系，推动品牌从认知到忠诚的全过程覆盖，实现长期成功和持续增长。</p> </blockquote>  在B2B领域中，内容营销在建立品牌信誉、传递行业专长和吸引潜在客户方面扮演着关键角色。 5A模型提供了一个清晰的框架，包括**了解（Aware）、吸引（Appeal）、问询（Ask）、行动（Act）和拥护（Advocate）**五个阶段，以指导内容营销策略的制定。  ## 01 了解（Aware）阶段 当客户产生需求时，他们会通过搜索引擎、微信公众号等方式寻找解决方案。在这个阶段，我们**需要打造一个令人印象深刻、易于回忆的品牌形象**，以赢得进入下一步“吸引力之门”的第一张入场券。 内容策略应包括生产**PR内容、博客文章、技术分享**等，以展示品牌的行业知识和专业能力。同时，利用搜索引擎优化（SEO）、自媒体渠道、付费媒体等多渠道宣发，扩大内容占有率，确保目标客户在寻找相关解决方案时能够发现品牌相关内容，对我们品牌产生第一印象，有初步认知。 ## 02 吸引（Appeal）阶段 在这个阶段，用户会对自己最感兴趣的品牌形成暂时的记忆。内容营销的目标是**吸引潜在客户的兴趣，并促使他们进一步了解品牌**。 这可以通过创建有吸引力的**客户案例、白皮书、高质量报告**等内容来实现。同时，客户通常会到企业官网浏览产品、解决方案相关信息，以及了解企业的背景、发展历程等信息，所以先前阶段需要做好企业官网建设。 该阶段需要做好自有媒体渠道的**精细化运营**，为问询阶段做好准备。 ## 03 问询（Ask）阶段 在这个阶段，客户已经对企业产品和解决方案有了一定了解，并开始针对性的进行产品研究和对比。现阶段客户会关注客户案例等相关内容。 在内容生产方面，除了官网和公众号的内容，还需要制作**产品使用手册、客户案例、白皮书等**，以及请外部专家发布一些评测、使用心得等内容来获得客户的信心。这样可以通过专业内容来吸引、引导客户注册和申请试用，达到获客的目的。 同时，该阶段应**提供访问的联系方式、设置清晰的呼叫到行动（CTA）**。此外，还可以创建FAQ页面，以便于搜集及解答客户的常见问题，进一步推动他们向行动阶段转变。 ## 04 行动（Act）阶段 客户对所找到的信息感到满意后，最终做出购买决定。这个体验过程需要得到顾客的积极评价，因为它对回头客率、品牌美誉度水平以及品牌未来发展和扩大规模的能力都有重大影响。 在行动阶段，内容营销的目标是**促使潜在客户采取具体的购买行动**。这可以通过提供试用、演示、免费咨询或限时优惠等激励措施来实现。同时，可以通过活动营销等方式吸引那些已经表现出兴趣但尚未转化的潜在客户，推动他们完成购买。 ## 05 拥护（Advocate）阶段 在拥护阶段，目标是激励满意的客户成为品牌的倡导者。内容策略应包括鼓励客户分享他们的正面体验，例如通过**在线访谈、活动分享、案例分享等开展用户生成内容（UGC）活动**，可以进一步利用现有客户的社交网络来推广品牌。 在5A模型的每一个环节中，内容营销的策略和活动都应与目标受众的需求和兴趣保持高度一致，并为他们提供明确的下一步行动指南。这样的做法可以帮助品牌逐步构建与客户的关系，从而实现从最初的品牌意识建立到最终的客户拥护的全过程覆盖，推动品牌的长期成功和持续增长。 本文由 @夏营聊市场 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

广东东莞的五金饰品产业带最近格外忙碌，这里集聚了2000多家工厂和近15万的饰品生产者，工人穿梭在高速运转的设备与机器之间，赶制一件件精致而独特的饰品。 如火如荼的生产场面，还在更多SHEIN卖家的日常中上演：工厂门口货车迎来送往，崭新的厂房拔地而起，传统产线与数字化工厂都在热火朝天的忙碌。 画面的另一边，是SHEIN卖家群里也开始了激烈的讨论。话题的焦点是，新一轮扶持政策加码又来了。 在商家的讨论中，SHEIN接下来的重点方向包括：启动爆单计划、产业带对接、“百亿供应链”投入…… 现在一说起中国产业带出海，几乎每个人都能侃侃而谈几句。 近几年跨境电商极致的打法，掀起了一波传统产业带工厂进驻电商平台的风潮。在特色产业带优势叠加平台的“去中间商”打法下，中国极具性价比的产品得以出海“狂飙”。 不同于别人的“赤手空拳”，从服装品牌起家到自主品牌与平台双引擎发展的SHEIN，在做产业带出海这事上也确实很“有劲”。 一边以品牌之力带动更多中国产业带中小企业、品牌和产品“走出去”。另一边，“小单快反”创新的数字柔性供应链模式，反哺制造业以更高的效率迎接新的竞争。 SHEIN那一套高效的系统改造了自己，也改造了与它合作的供应商工厂，现在甚至改造了更多的中国产业带工厂。 根据最新消息，SHEIN今年计划推出150+产业带对接活动。从3月开始，多场招商活动已经在全国多地紧锣密鼓铺开。 值得探讨的是，SHEIN究竟会如何扶持产业带出海？平台新的策略下，行业又将迎来怎样的变化？对于跨境卖家来说又隐藏着哪些机遇？ **柔性“飞轮”裂变，卖家以SHEIN为支点走向全球** 当人们在谈论SHEIN时，必然要提到的是它的“小单快反”柔性供应链。 “小单”，意味着小批量、多规格，一个订单可能就下几百条拉链，甚至最小的时候，是只有十几条的试单；而“快反”，则意味着如果销售趋势好，可以快速返单，从下单、生产到拿货的效率都通过线上工具高效实现。 SHEIN搭建了一套深入服装设计、面料采购、加工等各个流程的供应链体系，让工厂和市场端消费者的需求更加贴近，工厂的效率更高了、库存浪费也更少了，从而带动供应链的数字化和生产效率。 一个直观的数据是，SHEIN凭借柔性供应链模式，可以将未销售库存率降低至个位数，而行业其他品牌未销售库存平均水平在30%左右。 过去几年，SHEIN对时尚潮流和市场趋势的反馈效率，总能被一帮业者津津乐道：迎来这个效率体系的先行者，传统工厂可能会被推动着加速升级。 这个背景是，长期以来中国许多产业带仍然依赖于传统的劳动密集型生产方式，信息化程度低，缺乏系统化与智能化的迭代能力。也恰恰是这几年，被动供货、内卷风气带来的风险和局限，使得许多原先布局国内电商的产业带工厂都想试试跨境电商。 作为柔性供应链的翘楚，2023年SHEIN深化平台模式，主动承担起了更多的责任：把柔性按需供应链模式赋能给全国更多产业带的商家和品牌，完善的数字化体系让各地产业可以更从容面对当下更艰难的市场环境。  直到今天，更多的产业带卖家依然选择在SHEIN上创造新增量。 “我之前一直想试试跨境电商，但又不敢盲目投入，怕做不成。”东莞长安的工厂型卖家尹芳菲为国内电商主播和海外外贸客户供货多年。 摆在她面前最大的一个难题是，经常遇到爆款需要在短时间内完成大量生产，可一旦流行褪去，就面临滞销压货的问题。 换个更直观的例子，去年夏天社交媒体最火的服装风格是多巴胺，但仅仅三个月后，市场又变成美拉德色系的天下了。如果厂家备货备很多，那就砸手里了。 入驻SHEIN后，尹芳菲在平台的指导下逐渐掌握了SHEIN擅长的“小单快反”柔性供应链诀窍。 “以前更多是凭记忆、凭经验来做生产，或者客户说什么款就做什么款；自己在SHEIN平台开店后，会主动关注爆品的开发，每批多做一些款式，每款生产50-100件，再跟着数据提前进行灵活备货。” 依托SHEIN柔性能力，不少产业带中小卖家学会了“小单快反”，跟趋势、跟流行，也会自己琢磨各国的喜好来做设计，产品开发能力显著提升。 和尹芳菲不同，时尚服装卖家孙俊杰实际上是一个久经沙场的工厂型卖家。在入驻SHEIN之前，已经是其他平台上的畅销自主品牌卖家。 尽管小有成就，但孙俊杰并未满足于现状。随着国内电商越来越卷，他开始想尝试跨境。 经过一番考察，他选择入驻SHEIN。“其一是看重SHEIN在时尚领域的影响力以及可观的站内流量。其二则是因为SHEIN的消费群体年轻化，与我们公司自身品牌主打的时尚鞋类产品正吻合，”他补充道。 在SHEIN深度合作的战略指导下，孙俊杰的月高峰销售额已经超过2400万元，是曾经的6倍有余。据他所述，以前一天大概卖4000单，现在在SHEIN平台一天能卖出15000单。 如此迅速地实现爆发式增长，得益于SHEIN对市场和产品有着成熟的市场分析，以及对合作供应商有着一套完善的系统支持。 “我以前做电商销量基本上是集中在几个爆款上，现在在SHEIN平台上的800多个在售款里，有40%左右的款式是能持续高销的，这么大体量的销售肯定是需要数字化的系统来做生产管理的”，孙俊杰介绍。 类似尹芳菲和孙俊杰的卖家案例，在SHEIN平台不少。 某种程度上看，中国产业带的中小企业纷纷加入SHEIN平台追赶出海潮，亦是在经历一场很新的“供给革命”。而这些背后的故事，是中国企业出海转型与探索的一个个缩影。 凭借数字化柔性供应链以消费者为导向的优势，SHEIN成为了最受欢迎的购物APP之一。 市场咨询机构PYMNTS发布的榜单显示，SHEIN超越耐克、亚马逊、宜家、沃尔玛等一众以客户体验见长的品牌，成为最受好评的购物应用。 **产业带卖家的“领路人”** SHEIN如今在问鼎全球访问量最大的服装和时尚类购物网站后，仍继续大张旗鼓搞扶持卖家活动，这是有原因的。 这十余年来，跨境电商行业经历了一系列洗牌与变革后，躺着赚钱的红利期不再。国内产业界形成的新共识是，要自主创新、产品驱动、强化供应、精准触达，而非无止境地向下“卷”。 然而，被时代洪流裹挟着前行的工厂型卖家出海，虽然掌握着最前端的供应链资源，但比很多贸易型卖家面对的挑战更大，其中最关键的就是没流量、不会选品。  2025年一开年，SHEIN宣布启动“爆单计划”，该计划将为国内跨境电商卖家提供百亿级站内外流量扶持，以及全年的营销计划及工具，为卖家构建全链路增长解决方案。 所谓爆单计划，是通过研究全球超过150个国家和地区消费市场的节庆习俗和关键消费节点，掌握当季消费趋势，指引平台卖家定向开发商品，并打造出横跨全年的各种节日主题及月促活动供卖家参与。 SHEIN这次动作对工厂型卖家来说意义重大。意味着更多的流量曝光和潜在的交易机会。卖家报名后，就能享受站内多个资源位，以及平台通过站外投放引入的流量，缩短出海的成功周期。 如果说懂卖家、懂服务是基石，那么拉开竞争差距的关键，还有全流程的细节和体验。 对卖家来说，供应海外市场，最难的就是把握上新节点和消费者喜好。 但在恰当的销售节点来临前，SHEIN品类员工会提前将销售趋势指示给卖家，提醒卖家如何为不同的市场备货，手把手指导改善产品标题、优化店铺详情页等，帮助卖家研究和找到增加店铺转化率和销量的最优解。 除此之外，SHEIN在为卖家降低出海门槛一事上，也下了不少苦功夫。 早在2023年推出“希有引力”计划开始，SHEIN就为不同品类、不同发展阶段的卖家配置相应的体系化培训、买手帮扶、官方社群等。在测试新品、聚合上新、商品诊断、备货建议方面，也提供了多款创新实用的运营工具。 广州皮具产业带卖家杨源告诉雷峰网，与SHEIN合作后，他们开始从细节入手，琢磨对产品进行优化提升。并且还对品牌的产品线进行了精心调整，形成了一个均衡的产品组合。 “货品质量相比之前提升了很多，在SHEIN质量越高越容易获取消费者的青睐，这正是我们这种十年工厂发展到现在，亟需升级换代的下一步必由之路。”他感慨道。 2025年，SHEIN将自己擅长的培训带到更多产业带中，提供产业带送教上门专场培训，将讲师、团队以及优质的培训和赋能服务送到产业带，实现招商、培训招育合一。 这些动作都传递出一个信息：SHEIN既要帮卖家抢流量，也要帮卖家降低商家经营成本。 **供应链大基建反哺产业升级** 为卖家提供优质服务，固然是平台责任感的体现。但要让降低商家经营成本可持续，归根结底还是要优化平台的资源配置效率。 基于此SHEIN除了创新柔性按需的模式，从源头上减少浪费，也不断深化其覆盖业务全流程的ESG战略。 2023年，SHEIN发起了供应商赋能计划，其中之一就是对供应商社区的工厂进行实体扩建改造，研究怎么提高产能和效能。 另一侧，SHEIN还主动发起革新自己做试验田，在广州建立了服装制造创新研究中心，持续输出柔性供应链标准并探索服装制造前沿技术。  与此同时，目前SHEIN如火朝天的超百亿供应链基建布局也是为了进一步解决这一问题。 近期，位于广东肇庆的“希音湾区智慧产业园”完成了项目验收交付，预计将在年内正式进驻使用；位于肇庆的另一个总投资35亿元的希音湾区西部智慧产业园项目，拟建设集智能分拣中心、订单分拨中心及智能制造工厂等于一体的智慧化园区。 此外，位于广州增城的“希音湾区供应链”项目已于2024年9月底正式开工，一期项目投资达36.9亿元，该单体项目三期总投资达百亿元级别。通过“绿色、智能、自动”的一体化供应链建设全球交付中心，为SHEIN全球销售提供核心支持。 接近SHEIN人士透露，SHEIN的这些加码投资，将更加完善目前已经在广州、佛山、肇庆、江门等辐射粤港澳大湾区所布局的仓储物流等供应链基建，智能化、绿色化的新增智慧产业园基建将进一步提升柔性供应链效率。 不过，对于庞大的产业带来说，仅有产业基础的良好构建还远远不够。只有推动技术的不断升级迭代，才能带来综合的效率提升，以及指数级的成本下降。 今年，SHEIN与传化化学成立“SHEIN&amp;传化化学联合实验室”，打造国际一流纺织印染技术创新中心，联合东华大学研发推出新一代再生涤纶解决方案。赋能供应商应用数码冷转印、数码热转印等技术，降本、节能、提效。SHEIN最新还联手东风、重汽和宁德时代落地9.6米新能源电车用于仓间运转，解决商用新能源车的卡点和痛点。 显然，SHEIN从深处出发，将产业数字化技术、创新能力转化为行业“开源”应用，推动全产业链的全面再造与升级。 **结语** 过去，在时尚的叙事逻辑下，SHEIN更多像是一个商业革新者、国际化样本。但在今天，SHEIN的角色定位已经远不于此，它有了更高维的价值锚点。 从全国500城产业带出海计划，到“希有引力”百万卖家计划，再到今年持续进行的150+产业带对接活动； 从赋能供应商到赋能中国产业带工厂，从服装业延展到更多产业； 从构建广州希音湾区智慧供应链基地，到深度赋能供应链的柔性升级、不断深入技术创新革新产业链的运营环节，再到搭建出海“方舟”帮助产业带企业实现跨境零售...... 自2014年起，SHEIN花了10年时间在出海市场趟出了一条独特的路径，如今它又将自己走过的方法论赋能千万个有出海需求的中国企业。 也正是10年搭建的体系，不仅成就了一个品牌，也推动了中国产业的进化。革新供应链、复刻供应链，便是它的使命和征途。（雷峰网）

<blockquote><p>在谷歌广告业务的反垄断调查中，一个个神秘的项目代号逐渐浮出水面，揭示了这家科技巨头在广告领域构建垄断地位的秘密策略。本文将深入剖析这些代号背后的故事，探讨谷歌如何通过这些秘密项目巩固其在数字广告领域的垄断地位，以及这些行为对其未来可能带来的影响。</p> </blockquote>  大厂很喜欢给自己的项目起一个看上去很神秘的代号，用一些科幻、军事或艺术的大词儿，包装项目。 这些代号的名字有的是用来PR公关的。比如2017年，阿里巴巴在宣布“NASA”计划，它主要是面向未来20年组建一个独立研发部门，和美国的NANA完全无关。 有的属于内部的代号，抖音也曾经给自己的种草项目命名为“G”，也就是后来的可颂APP。 起代号的原因有很多，保密是最主要的，可以遮掩锋芒模糊自己的战略意图，避免过早引发行业针对性反应。另一方面，很多项目有的是临时的，需要整合集团内部各个团队参与，代号能形成一种莫名的使命感，形成一定的凝聚力。 我先前以为，这种有些「中二」的工作文化是国内大厂独有的。后来研究谷歌广告业务的反垄断调查时，我发现自己还是孤陋寡闻了，原来硅谷巨头的代号游戏玩得更早更溜。 硅谷巨头的垄断密码，就藏在那些看上去或浪漫、或神秘的名字里。 从班克西 (Banksy) 和伯南克 (Bernanke) ，从贝尔计划 (Bell) 和绝地蓝 (Jedi Blue)。谷歌通过一个个项目完成了广告领域的绝对垄断。这些代号背后的秘密被公开后，也被美国司法部针仅仅抓住，成为控诉谷歌的关键证据。 外媒报道，谷歌广告业务反垄断审查里，涉及的大大小小项目代号有20多个，下面我会选重要的项目展开聊一聊。 对谷歌反垄断审查有兴趣的朋友，可以翻一下刀客doc去年的文章《反垄断风暴下，谷歌广告帝国的扩张简史》。 ## 纳尼亚计划 2008年，谷歌在收购广告技术公司DoubleClick时，曾经做出过一个承诺：将用户数据分隔管理，即不将来自自身服务（如搜索、Gmail、YouTube）的数据，与第三方网站（通过DoubleClick收集）的数据合并。 但到了2016年，谷歌就启动“纳尼亚计划”（Project Narnia），推翻了这一承诺，将所有用户数据统一整合为一个ID体系。 这样做对广告业务来说，诱惑太大了，这能帮助谷歌拥有更精准且清晰的用户画像，大大强化自己的广告定向能力，并以竞争对手无法企及的方式操纵广告拍卖市场。 在2024年的反垄断诉讼中，美国司法部将“纳尼亚计划”列为谷歌系统性垄断行为的关键证据，认为其通过数据垄断排挤竞争对手，对行业生态的破坏性影响，巩固了广告技术全链条控制权。 “纳尼亚计划”不仅是谷歌违反隐私承诺的标志性事件，更是其通过数据垄断操纵广告市场、压制竞争的核心手段之一。 为什么叫代号名称叫「纳尼亚」呢？有外媒分析说，这个名字源于电影《纳尼亚传奇》。片中主角通过一个看似普通的衣柜进入另一个神奇的世界。谷歌想借用这一意象，暗示其通过“用户协议”这个“数字衣柜”，悄无声息地打通了数据隔离墙。 ## 绝地之蓝计划 当时的背景是，2015年广告行业发现谷歌在数字广告领域变得愈加霸道，于是找到了一种巧妙的方法来摆脱谷歌对广告收入的垄断：Header Bidding（标头竞价，也译作头部竞价），它主要是将竞价逻辑前置到网页/App头部代码中，实现跨平台透明竞价，从而削弱谷歌等巨头对广告生态的控制权。 更要命的是，另一大广告巨头Facebook宣布要加入Header Bidding，对抗谷歌。谷歌感受到了威胁，就与Facebook在2018年秘密达成的“绝地之蓝”协议： 一方面谷歌确保Facebook在谷歌广告生态中享有特权竞标权（如出价时间延长至300毫秒，其他公司仅160毫秒），提升其广告投放成功率。 另一方面，通过协议压制Header Bidding技术，Facebook承诺减少使用Header Bidding，维护谷歌在广告交易链中的主导地位。 协议第四年起，Facebook每年向谷歌投放5亿美元广告。 两大巨头合谋之后，占据了数字广告60%的市场份额。 “绝地之蓝”的命名源自《星球大战》中的蓝皮肤绝地武士艾拉·塞库拉（Aayla Secura），其角色因被克隆人指挥官背叛杀害而闻名。谷歌用绝地之蓝，一方面绝地武士的“原力”隐喻谷歌对广告生态的绝对控制权，如算法定价、流量分配和规则制定，而“蓝”色可能暗指Facebook的品牌色，暗示双方利益融合。 Jedi Blue——绝地之蓝计划，被《纽约时报》称为：「谷歌广告垄断行为巅峰」。2020年美国德克萨斯州总检察长在反垄断诉讼中披露该协议，指控其违反《谢尔曼法案》。 法庭文件援引广告商的话称，协议在签署当年，谷歌将广告价格提高了 122%，一年后又上涨了 90%。 ## 伯南克计划 “伯南克计划”（Project Bernanke）以美联储前主席本·伯南克（Ben Bernanke）命名。伯南克曾以量化宽松（QE）政策应对2008年金融危机，谷歌则试图将自身包装为广告市场的“稳定器”，声称该计划旨在“优化拍卖效率”。 美国司法部认为，谷歌模仿美联储对货币体系的控制，试图通过算法和流量分配规则成为数字广告领域的“隐形央行”。 伯克南计划有好几个阶段或者版本。 第一版伯克南计划是在2010-2014年，这一阶段谷歌利用ADX的独家数据，伪装“次高价拍卖”（Second-price auction），实际淘汰出价第二高的竞标方，使第三高竞价者胜出。谷歌向广告商收取第二高价费用，差价被截留并用于后续拍卖操控。 这一招很流氓，它把公共的竞价数据纳为了私有，——核心就是利用其作为广告交易平台（AdX）与买方工具（Google Ads）的双重身份，形成类似金融市场的“内幕交易”。 更进一步讲就是，通过ADX来收集所有广告买家的历史竞价数据，秘密用于调整Google Ads的实时出价策略，使自家广告系统更精准地以最低成本胜出，形成不公平竞争优势。 比如，当竞争对手出价区间为1-2美元时，谷歌通过数据模型预测并出价1.5美元，而非传统盲拍中的随机试探。 该计划每年为谷歌创造数亿美元收入（2013年预估达2.3亿美元），同时迫使出版商接受更低的分成比例（谷歌抽成30%-50%）。 伯克南计划还有第二版本——全球伯南克，施行时间在2015-2017年。谷歌将截留资金注入谷歌广告购买工具（如Google Ads），人为抬高小广告商的出价，确保其工具在拍卖中胜出。 直到2020年得克萨斯州反垄断诉讼中，伯克南计划才被曝光。美国司法部认为其行为构成系统性垄断，最终推动了对谷歌广告技术业务的分拆要求。 伯克南计划（Project Bernanke）与“绝地之蓝”（Jedi Blue）、“纳尼亚计划”（Project Narnia）共同构成谷歌垄断“三件套”，分别对应数据操控、合谋定价、用户画像滥用。 ## 贝尔计划 贝尔计划，其实就是对伯南克计划的“第三版”。从 2014 年开始，谷歌重新调整了伯南克计划，即贝尔计划Project Bell，以拨通第一个电话的贝尔 (Alexander Graham Bell) 命名。 这一计划又是针对“Header Bidding”的计划。谷歌的高管不止一次提及：狙击“Header Bidding”关系谷歌广告业务的生死存亡。 之前我提到，Header Bidding技术允许媒体方绕过谷歌的广告交易平台（如Google AdX），直接与其他广告交易平台（如AppNexus、Rubicon）合作，实现广告位的实时竞价。 这一技术削弱了谷歌对广告库存（广告位资源）的控制，威胁其市场份额。 谷歌于是制定了惩罚措施，且比第一版的伯克南计划更流氓：如果媒体方试图与自己的竞争对手合作，并且没有让谷歌的 AdX 交易平台提前获得访问权，届时谷歌会对媒体做出惩罚：自己的ADX平台，将按照第三名的出价而不是第二名的出价向媒体支付费用，将媒体的广告竞价降低 20% 至 30%。同时利用差额来提高对允许优先访问的出版商的出价。 ## 波洛计划 为压制Header Bidding的普及，谷歌还在2016年启动了内部称为Project Poirot波洛计划。 这一计划的名字与阿加莎·克里斯蒂小说中著名侦探的姓氏《大侦探波洛》相同，藉此比喻谷歌能像Poirot侦探一样敏锐，因为系统能迅速精准地检测到竞争对手的广告交易平台是否使用了“Header Bidding”标头竞价技术。 波洛计划的核心在于操纵广告客户支出，它改变了谷歌自有的DSP平台—— DV360 中的设置，让广告商默认选择加入 Project Poirot（只有 1% 的选择退出），然后将 DV360 对竞争对手的出价降低了 10% 到 40%，使 AdX 处于赢得这些出价的位置。 此外，谷歌还开发了名为“开放式竞价”（Open Bidding）的系统，声称其为“更高效”的解决方案，但实际目的是将交易重新拉回谷歌的生态体系。 “Poirot计划”并非孤立存在，而是与谷歌其他垄断策略协同作用： 1、**动态收入分成调整**：谷歌根据交易对手方的竞争威胁程度，动态调整广告收入分成比例。例如，对使用Header Bidding的媒体方收取更高费用，而对依赖谷歌独家工具的广告客户提供优惠。 2、**谷歌还禁止其开发的加速移动页面（AMP页面）使用Header Bidding，**要求使用其AMP技术的媒体方，必须通过谷歌的广告交易平台进行销售，这样直接封堵了竞争对手在移动端的入口。 通过“Poirot计划”，谷歌成功将大部分广告交易保留在自有平台。美国司法部在控诉的时候，提交了一份证据，引用了谷歌高管在 2018 年的一封电子邮件，波洛计划将谷歌AdX 上的支出增加了 7%，而 2019 年的一份证明文件称：波洛计划将大多数第三方交易平台的支出减少了 15%。 随着一个个代号浮出水面，谷歌1999年就立下的「不作恶」的人设也算是塌房了。屋漏偏逢连夜雨。蛇年的第一天，咱们国家市场监管总局也依法对谷歌公司开展反垄断调查。 所以说，今年谷歌面临着更大的挑战，有那么点存亡之秋的意思了。除了反垄断审查，谷歌还要应对AI的技术重构，做出更前瞻的业务布局。 此外，还要积极防御来自亚马逊、TikTok的威胁。根据emarketer的数据，2018年的时候，谷歌搜索还占据广告市场60%的份额，而今年预计48%，连一半都没有了。 内忧外患之下，2025年的谷歌广告帝国真是有些岌岌可危了。 作者：刀客，公众号：刀客doc 本文由 @刀客 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

据彭博社报道，**美国联邦调查局(FBI)周二表示，正在调查“多起”特斯拉充电站和经销商遭到破坏的事件，其中包括周一晚上在拉斯维加斯和密苏里州堪萨斯城发生的起火事件。**  特斯拉展厅被喷上“抵制”字样 FBI称，这些事件发生在美国多个州，该局正在与联邦、州和地方执法部门合作，收集相关信息。 拉斯维加斯警方在与FBI以及当地消防部门联合举行的新闻发布会上透露，在一家特斯拉展厅和服务中心，**至少有五辆特斯拉汽车受损，其中两辆还被纵火焚烧**。警方称，不法分子据信使用了枪支和简易爆炸装置，**并且在展厅的前面上喷绘了“抵抗”字样**。 **目前，特斯拉CEO埃隆·马斯克(Elon Musk)深入涉政，帮助特朗普政府大裁联邦工作人员的做法引发了越来越多的不满。**就在一周前，美国总统特朗普表示，他将把针对特斯拉的暴力行为定性为国内恐怖主义。同时，**美国共和党议员也呼吁国会调查这些事件**，并协助FBI和司法部确保犯罪嫌疑人被起诉。 [查看评论](https://m.cnbeta.com.tw/comment/1486538.htm)

在奥迪和华为合作之后，没想到这么快，宝马也和华为搭上线了。昨天，宝马宣布和华为达成合作，宝马将深度融合鸿蒙系统生态，推出**BMW数字钥匙、 HUAWEI HiCar和MyBMW App**等数字化服务。  具体合作的地方包括，基于原生鸿蒙系统HarmonyOS NEXT开发的BMW数字钥匙功能将在年内上市，这个功能就是利用NFC这种近场通信，把手机当做一把车钥匙，到时候车主拿着华为手机就能锁车、解锁、启动车辆。  然后是 HUAWEI HiCar 功能，将于明年搭载在宝新世代车型上，就是下面这两个老演员，宝马纯电平台的新车。  HiCar类似于华为版的CarPlay，可以让手机投屏到车机，从车端操作手机上的各种应用。 **不过它支持的功能会比CarPlay强不少** 比如小红书、抖音这种CarPlay不支持的App，HiCar也能投上去，就是得挂P档才能用。  有些应用还能做到平板上那样的平行视界功能，让App填充到整个横屏。  而且它还有导航和音乐等应用的左右分屏显示。  除了这些，还有就是MyBMW App及MINI App这两个手机应用，已经上架HarmonyOS NEXT 应用市场。  为啥宝马突然和华为合作起来了呢？原因也简单。宝马大中华区的老大高翔给了个数据：**在中国，近四分之一的MyBMW App用户使用华为终端设备。** 很明显，宝马是想讨好那些用华为手机的车主：哎呀你们放心，咱家宝马的车子是非常适配你们手机的，用起来只会嘎嘎顺手。  其实比起华为和其他车企的合作，这次宝马这个并不算很深，只是给华为手机多了一个方便。它在车机上也只到投屏这一步，没有涉及到华为更加王牌的技能点，比如鸿蒙座舱、智驾这些。 但宝马这次非常高调的宣发，好像是想立马通知所有人，我们也用上中国技术。而它这个动作，意味着合资车企在中国市场做新能源车的策略变了：**他们开始拿中国人的技术，给中国造车了，而不是像之前那样死磕研发，想自己搞套东西出来。** 你看宝马之前的电车，基本就是油车的电动版。除了动力系统不同以外，你很难找出它的电车有哪些额外的加成。  但国内消费者早就被一堆配置拉满的车子拉高了阈值，什么城市 NOA 、代客泊车、冰箱彩电、哨兵模式等等，没有这些功能我买什么电车。 特别在智能化功能上，国内企业有大把好用的方案，合资企业努力了这么多年，应该也知道自己很难搞出花头，所以干脆找知名供应商来打辅助，先不说用起来咋样，光是吹出去都对劲。 **其实宝马的动作已经算小的了****， BBA剩下两位动作更大。**  动静最大的是奥迪，它早就和华为在智驾上深度合作起来了。 奥迪的电车Q6L e-tron ，采用双激光雷达方案，官方说可以实现无图全场景智驾，也就是城市道路也能用。这套智驾，就是和华为一起搞的。 当然，说是一起搞，那谁拿C位谁打辅助，我不说大伙儿也能猜到吧？  还有上汽奥迪马上要出的A5L ，更是让华为加持的智驾，第一次出现在油车上。  之前，奥迪还和智己合作，要在电车平台上共享一些技术。可以说，奥迪已经快变成大家最想要的形状。 另一头的奔驰，前不久刚发了最新MMA平台下的第一款车**纯电CLA **，就是前面一堆三叉星给我看得快密恐的这台。  外观不是重点，重点是这车的国内版本，在智驾上会用上Momenta的方案，就是给上汽、丰田做智驾的那位，还有比亚迪的天神之眼B ，也是Momenta来搞的。  而在前不久，我们也和大家聊过，日系厂商突然像想通了应该咋做电车似的，纷纷来搞智驾、车机这些他们原来根本不碰的东西。 丰田的铂智3X的底子其实是广汽埃安的新车AION V霸王龙，这回丰田是上了激光雷达智驾，还只卖你14.98万。东风日产的N7 ，高通8295 、 800V的6C快充这些也都掏出来了。  你说合资车企是不是现在才决定反攻，这个我不好说。 但我觉得他们是终于意识到了，**电车在国内和国外，至少在目前，根本不是一类市场，消费者对电车的热情以及各种需求，也完全不同。** 这意味着，他们需要在国内做出一套和其他地方完全不一样的东西。 导致这个情况的原因，有补贴政策、充电桩少、电车价格贵等等因素，**但还有一个很简单却很重要的是，国外给电车充电并不便宜。** 油管上一位叫Jonathan Porterfield的博主，分享了在英国开电车自驾的成本，在公共桩上充电的价格是每度电79便士，合人民币7.4元。 一度电7块4，这都什么电价啊……  哥们算来算去发现，我开这趟1000多英里的长途，如果换成柴油车，反而会更省钱。  英国的油价大概是国内的两倍，但在充电价格这块，国内去公桩我按1.5元/度来算，7.4 元/度这个价格可是翻了快5倍。 彭博社之前给过一个评估，**英国电车快充的成本大约是加汽油的1.7倍。**  有意思的是，那边特斯拉充电桩的价格反而是最便宜的，每度电42便士，合人民币3.93元。这差距，难怪大家都去买特斯拉…… 此时此刻，编辑部某位只去国内最贵的充电站之一——特斯拉超充站充电的特斯拉车主，又要不好受了。  除了英国，还有位用户在法国开了一圈，说一共充了 308 度电，花了 168 英镑，算下来人民币大概是 5 块钱一度电，也有国内的三倍多。  即便你不去外头充电，全在家充，欧洲的电费也做不到国内这么便宜，那边基本都是居民用电比工业用电更贵。像德国民用电大概是 0.35 欧左右一度电，合人民币也有 2 块 7 ，差不多是咱民用电的五六倍。  老外也不糊涂，这笔账算来算去，电车确实没有特别大的用车成本优势，还不如继续开油车。 而国内这边，电车用车成本远低于油车，即便你像我们同事一样只去特斯拉超充站充电（ 当然这绝对是少数 ），那算下来依然还是比油车省钱。 而面对国内、国外这两个完全不同的消费人群，合资车企已经没法再沿用原来那一套打法。  中国市场是很大没错，但作为全世界卖车的公司，为了中国市场花大量的精力和钞票搞特供，而且这特供的投入，不仅远超以前的长轴车这种产品，还不一定能有成效。 **这一进一出，值吗？** 现在看来，是有答案了。这些车企前些年也尝试了自己做新能源，但结果大家都看到了，电车大伙儿不买单不说，反而还影响到了自家油车的招牌。 就说大众自己的 CARIAD 软件公司，搞了这么多年，光是在 22 年 CARIAD 在国内成立合资公司就砸了 168 亿元，结果软件交付不给力，把大众和保时捷的电车都拖累了。去年， CARIAD 亏损高达 189 亿元，害得大众今年要狠心裁员 30% 。  就这么个情况，如果继续疯狂砸钱，继续自己捣鼓，恐怕有点得不偿失。 既然比不过，那就只能放下身段。而且国内大把好用的供应商技术，早就摆到他们面前了。 前有奥迪牵手华为，后有奔驰选择Momenta，**这其实就是一种尊重****。** 在油车时代，他们尊重的是市场。对于那时候的车企来说，中国是一块从未被开发的宝地，只要把车送进来，就能带走大把的马尼。  但现在不一样了，老牌车企们突然发现，哪怕是投入了大把的钱和精力，回报也不能如期而至，反倒是只能看着中国车企蚕食这个市场，并且渐行渐远。 **现在他们不得不尊重我们，尊重中国车企们一骑绝尘的技术实力了。** [查看评论](https://m.cnbeta.com.tw/comment/1486536.htm)

据《商业内幕》报道，**埃隆·马斯克(Elon Musk)近日做客共和党参议员泰德·克鲁兹(Ted Cruz)的播客节目，说出了他心目中的最聪明的人。**根据周一播出的最新一期《泰德·克鲁兹的裁决》《Verdict with Ted Cruz》，克鲁兹让马斯克点出他遇到过的最聪明的人或者他非常钦佩的CEO。  **“拉里·埃里森(甲骨文创始人)非常聪明，”马斯克表示，“我会说，埃里森是我遇到过的最聪明的人之一。”** 他还提到了**谷歌联合创始人拉里·佩奇(Larry Page)**，认为一个人的智力可以通过其取得的成就来衡量。 接着，他就谈到了**亚马逊创始人杰夫·贝佐斯(Jeff Bezos)**的成就。“从某种程度上说，聪明人会做聪明事，”马斯克说，“他们做了哪些困难且重要的事情？你知道，贝佐斯做了很多困难且重要的事情。” 尽管贝佐斯和马斯克之间有着**长达20年的竞争关系**，尤其是贝佐斯旗下蓝色起源与马斯克旗下SpaceX之间的太空竞赛，**但马斯克还是给予了贝佐斯这样的称赞**。 [查看评论](https://m.cnbeta.com.tw/comment/1486534.htm)

<blockquote><p>这几天的蜜雪冰城因为隔夜柠檬的问题引发了广泛的关注和讨论。这场看似是食品安全危机的事件，却意外演变为一场品牌与消费者情感共鸣的“保卫战”。本文将从产品哲学的角度，探讨其背后的产品逻辑和生存法则，并为产品经理在新时代的能力建设提供启示。</p> </blockquote>  ## 流量暴增背后的消费平权宣言 当3月15日湖北经视曝光蜜雪冰城某门店使用隔夜柠檬切片时，这场看似常规的食安危机却演变为一场消费平权运动的标志性事件。涉事门店日销量暴涨300%，社交媒体涌现出“雪王挺住”的声援浪潮，这种反常的舆情反转揭示了产品经理必须理解的新消费底层逻辑：**在消费降级时代，价格锚点正在重构质量容忍度坐标系。** 蜜雪冰城的4元柠檬水与6元圣代构建了“奶茶自由”的价格基准线，其产品定价策略本质上是在消费者心理账户中设立了“**生存型消费**”专项预算。相较于喜茶、奈雪等品牌打造的“社交货币”属性，蜜雪冰城通过极致压缩原料成本（自建柠檬基地采购价低至市价53%）和运营成本（单店日均制作400杯），成功将产品定位从“可选消费品”转化为“生活必需品”。 这种产品定位的魔法在于：当消费者为4元饮品支付时，其决策模型自动切换至“基础需求满足”通道。正如行为经济学中的禀赋效应，**低价策略让用户产生“赚到”的心理补偿机制**。产品经理需注意，这种价格敏感型用户群体的核心诉求不是完美体验，而是生存尊严的具象化表达——网友“它不嫌我穷，我不嫌它隔夜”的评论，本质是对高价品牌溢价剥削的集体抗议。 ## 品牌人格化运营的情感防御工事 蜜雪冰城危机中的“**自来水式**”舆情保卫战，暴露出其产品体系构建的深层秘密：将商业品牌转化为文化符号的能力。从魔性洗脑的《甜蜜蜜》神曲到“雪王黑化”营销事件，品牌成功塑造了“笨拙但努力的穷亲戚”人设。这种拟人化运营在产品设计层面体现为： ①**视觉符号降维**：雪王IP摒弃精致美学，采用憨态可掬的雪人形象，与目标用户“不想为包装付费”的心理完美契合 ②**场景渗透策略**：门店选址聚焦城中村、大学城等下沉场景，将消费行为转化为日常生活的自然组成部分 ③**集体记忆绑定**：通过反复播放主题曲和标准化门店视觉，制造“童年小卖部”式的怀旧滤镜 当食品安全危机爆发时，这些产品设计积累的情感资本立即转化为危机防火墙。用户自发创作的“建议查查我妈妈的隔夜菜”等段子，实质是通过**自我矮化**完成品牌缺陷的合理化解释。这种防御机制的形成，源于产品经理对用户“心理补偿需求”的精准把握——在房贷压力、就业焦虑弥漫的当下，守护蜜雪冰城成为普通人维护生活掌控感的象征性抗争。 ## 反向公关背后的产品韧性设计 蜜雪冰城事件中展现的危机应对策略，为产品经理提供了教科书级的案例参考： ①**缺陷前置设计**：通过长期低价暗示产品质量的合理瑕疵空间，建立用户心理预期缓冲带。其原料公示牌强调“真柠檬”而非“现切柠檬”，巧妙转移质量关注焦点 ②**响应速度博弈**：两小时内启动全国门店排查并承诺后厨直播，将整改动作转化为品牌透明度的加分项 ③舆**论对冲机制**：利用加盟商体系特性，将个体事件定性为“店员个人失误”，避免品牌核心价值受损 这种产品韧性设计的关键，在于构建**多层次的防御体系**。蜜雪冰城供应链的垂直整合（自建种植基地+中央工厂+冷链物流），既保障了成本优势，又创造了“至少用真水果”的**质量安全锚点**。当危机发生时，产品经理可以快速调动原料溯源数据，将舆论焦点从“质量问题”转向“行业对比优势”。 ## 消费平权时代的产品设计启示 这场逆向塌房事件暴露出三个产品设计新法则： ①**价格正义原则**：当单杯饮品成本压缩至行业均值1/3时，用户会自动启动“瑕疵豁免”计算模型。产品经理需要建立动态的价格-质量平衡公式，其中社会平均工资涨幅、必需品消费占比等宏观指标应成为核心变量 ②**缺陷分级管理**：将产品缺陷区隔为“生存性缺陷”（如使用变质原料）和“发展性缺陷”（如隔夜水果），前者必须零容忍，后者可设置用户谅解阈值 ③**情感账户体系**：量化计算品牌公益活动（如河南水灾捐款2600万）和IP运营带来的情感储蓄，明确不同危机等级可支取的情感信用额度 值得注意的是，蜜雪冰城模式暗藏的**系统性风险正在累积**。其加盟商62%的原料成本占比，导致门店利润空间压缩可能引发的品控松懈。产品经理必须意识到，用户当前的宽容本质是“劣质平衡”下的**无奈选择**，随着消费升级需求复苏，这种平衡极其脆弱。 ## 产品经理的能力模型进化 该事件对产品岗的能力提出新要求： ①**社会情绪洞察**：需掌握基尼系数、恩格尔系数等宏观经济指标的解读能力，将社会情绪转化为产品设计参数 ②**风险弹性设计**：建立“危机模拟实验室”，预设不同等级舆情事件的产品应对方案库 ③**道德算法构建**：在追求极致性价比时，需要建立产品伦理评估模型，平衡商业利益与社会责任 当下一个“蜜雪冰城”出现时，优秀的产品经理应该既能设计出月销量百万的爆款，也能预判到4元柠檬水背后的社会情绪蓄水池何时到达临界点。消费平权时代的真正挑战在于：**如何在不透支社会信任的前提下，让每个消费者都能保有选择尊严的权利。** 作者：老林 公众号：需求管理指南针 本文由 @老林 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

据彭博社报道，**OpenAI规模为1000亿美元的“星际之门”基础设施计划的首个数据中心综合体可容纳多达40万个英伟达强大AI芯片**。如果全部装满芯片，它将成为已知的最大AI算力集群之一。  奥特曼宣布星际之门计划 根据开发商Crusoe的介绍，这个位于得州小城市阿比林的项目将于2026年中期完成建设，**电力容量为1.2吉瓦**。Crusoe计划于周二宣布下一阶段的开发。尽管该设施**足以容纳数十万个先进的AI芯片**，但目前尚不清楚它已承诺使用多少芯片。 **Crusoe表示，目前约有2000工人在参与该项目的建设，未来计划增加到接近5000名。**该项目将包括八座数据中心建筑，每座建筑的设计容量为**最多容纳5万个英伟达GB200芯片。**  阿比林已建成两个数据中心建筑 **今年1月，OpenAI、软银集团和甲骨文公司在白宫联合宣布成立星际之门合资企业。**该合资企业的目标是为OpenAI的更多先进AI模型提供所需的物理基础设施。**OpenAI曾表示，将扩大星际之门的规模，使其在美国拥有多达10处数据中心综合体。** 知情人士称，甲骨文已同意充分利用阿比林项目的基础设施和资源。**OpenAI目前计划在该设施使用大约1千兆瓦的电力容量。**截至发稿，Crusoe拒绝对项目的客户发表评论。OpenAI和甲骨文也尚未就此置评。 [查看评论](https://m.cnbeta.com.tw/comment/1486532.htm)

拉斯维加斯警方和美国联邦调查局（FBI）正在调查特斯拉展厅发生的火灾，认为这是潜在的恐怖主义。自今年1月以来，美国联邦调查局正在调查至少另外三起向特斯拉工厂投掷燃烧弹的事件，其中一起发生在密苏里州堪萨斯城，与内华达州涉嫌纵火的事件发生在同一天晚上。  据拉斯维加斯大都会警察局称，当地时间周二午夜，在拉斯维加斯，一些特斯拉汽车在特斯拉碰撞中心的停车场里被点燃。安全摄像头在凌晨2点45分左右捕捉到一名身穿黑色衣服的人向车内投掷燃烧弹。 拉斯维加斯大都会警察局助理局长多里·科伦（Dori Koren）在周二的新闻发布会上说，“警员抵达现场后，发现几辆车着火了，店铺的前门上喷着‘抵抗’的字样。至少有五辆特斯拉汽车受损，其中至少两辆被火焰吞没。” 警方表示，拉斯维加斯的嫌疑人还向停在碰撞中心的特斯拉汽车发射了三发子弹。科伦表示，这起事件是针对特斯拉设施的“有针对性的袭击”，对公众没有威胁。 美国联邦调查局联合反恐特遣部队特工斯宾塞·埃文斯（Spencer Evans）在新闻发布会上表示，特斯拉的火灾最初是因纵火而被调查的，但现在正在考虑是否有可能是恐怖主义。 “这是恐怖主义吗，还是别的什么？”埃文斯说，“它当然有我们可能认为的一些特征，你知道，墙上的文字，潜在的政治议程，这是一种暴力行为。所以，这些因素都不会对我们造成影响。” 特斯拉CEO埃隆·马斯克在他拥有的社交媒体平台X上发帖称，拉斯维加斯的纵火事件是“恐怖主义”行为。此前一天，他在一篇较长的帖子中对此类事件表示遗憾，并指责“觉醒的”左派。“我的公司生产人们喜爱的伟大产品，我从来没有伤害过任何人。那为什么对我有仇恨和暴力？因为我对清醒的思维寄生虫和它所控制的人类是致命的威胁，”他写道。 [查看评论](https://m.cnbeta.com.tw/comment/1486530.htm)

当前，全球6G技术研发已从概念探索进入关键技术攻关阶段。6G与人工智能深度融合，将重塑多个行业，为人类带来前所未有的机遇和变革。在此背景下，“AI芯片龙头”英伟达周二在GTC 大会上宣布，将与几家电信行业引领企业建立合作伙伴关系，共同开发基于人工智能的6G无线技术。  该公司表示，将与 T-Mobile、Mitre、思科、ODC 和 Booz Allen Hamilton 合作开发AI原生6G无线网络的硬件、软件和架构。 英伟达表示，下一代无线网络必须从根本上与人工智能相结合，才能无缝连接数千亿部手机、传感器、摄像头、机器人和自动驾驶汽车。AI原生无线网络将为数十亿用户提供增强服务，并在频谱效率方面设定新标准。它们还将提供突破性的性能和资源利用率，同时为电信公司创造新的收入来源。 英伟达创始人兼首席执行官黄仁勋表示：“下一代无线网络将具有革命性意义，而且我们迎来了一个前所未有的机遇，能够确保从一开始就将人工智能融入其中。通过与该领域的领军企业合作，我们正在打造一个人工智能增强型的6G网络，以实现极高的频谱效率。” 电信企业将合作在NVIDIA AI Aerial平台上为6G构建AI原生网络堆栈。 美国电信巨头T-Mobile和英伟达将扩大AI-RAN（人工智能无线接入网）创新中心的合作。该合作于去年启动，旨在为AI原生6G网络功能提供更多基于研究的概念。 T-Mobile首席执行官Mike Sievert表示：“这是我们在去年9月与英伟达合作举办的资本市场日上启动的AI-RAN创新中心工作的令人兴奋的下一步。在我们开启迈向6G的旅程之际，与更多的行业领导者合作开展研究，将人工智能原生集成到网络中，这将使网络的性能、效率和规模能够助力实现客户及企业所期待的下一代体验。” 此外，非营利性研发机构MITRE将研究、原型开发，并贡献开源的AI驱动服务和应用，全球领先的网络解决方案供应商思科将提供移动核心和网络技术，ODC——一家致力于通过技术创新提供各种服务的公司——计划为虚拟无线接入网络单元提供软件，Booz Allen——美国联邦政府最大的人工智能供应商——将开发AI RAN算法并确保AI原生6G无线平台的安全。 此外，英伟达周二还宣布了包括 Blackwell Ultra系列芯片量产计划、下一代 Vera Rubin 平台细节、机器人领域进展、量子计算生态布局深化等在内的一系列重磅消息。 但美股市场似乎并不买账，英伟达股价周二仍呈现下跌走势，截至收盘，下跌逾3%，报115.43美元。今年以来，该股已累计下跌逾16%。 [查看评论](https://m.cnbeta.com.tw/comment/1486528.htm)

当地时间3月18日周二，英伟达CEO黄仁勋在加州圣何塞举行的英伟达AI盛会GTC 2025上发表主题演讲。在这场长达两小时20分钟的演讲中，黄仁勋展望了AI科技演进以及计算需求的前景，同时公布了英伟达的Blackwell架构最新一代产品、此后几代产品的计划出货时间，还透露了英伟达与其他科技巨头在自动驾驶、AI网络、机器人领域合作研发的进展。 尽管信息量巨大，不过华尔街对于这场演讲的反应似乎较为平淡。截至周二收盘，英伟达股价收跌3.43%，盘后续跌0.56%。 **畅想未来：计算需求仍存在巨大提升空间** 黄仁勋在主题演讲的开头，根据当前人工智能发展的时间表，提出了他对人工智能的愿景。他描述了人工智能的四波浪潮： 感知人工智能（Perception AI）：大约10年前启动，专注于语音识别和其他简单任务。 生成式人工智能（Generative AI）：过去5年的重点，涉及通过预测模式进行文本和图像创建。 代理人工智能（Agentic AI）：人工智能以数字方式交互并自主执行任务的当前阶段，以推理模型为特征。 物理 AI（Physical AI）：AI 的未来，为人形机器人和现实世界的应用提供动力。  黄仁勋指出，人工智能行业在计算方面面临“巨大挑战”，他表示，在生成式AI目前的阶段，计算所需的tokens和资源比最初预期的多100倍。他解释说，这是因为推理模型在推理过程中的众多步骤中都需要tokens。 不过，黄仁勋坚持认为，业界反馈良好，对更多计算的需求正在得到满足，并强调，在短短一年内，人工智能基础设施市场部分已经显示出惊人的增长。 他透露，2024年，美国前四大云服务提供商（CSP）、所谓超大规模云服务商（hyperscaler）已经购买了130万块英伟达的Hopper架构芯片，2025年，又购买了360万Blackwell架构芯片。 他强调，数据中心基础设施预计快速扩张，预测在人工智能和加速计算需求的推动下，到2028年底，数据中心基础设施的资本支出将超过1万亿美元。 **展现未来几年产品路线图** 紧接着，正如此前外界已经广泛预期的那样，黄仁勋在演讲中证实，英伟达将在2025年下半年推出当前一代Blackwell GPU的后续产品——Blackwell Ultra。 黄仁勋表示：“Blackwell已全面投入生产，产量增长令人难以置信。客户需求令人难以置信…我们将轻松过渡到升级版（Blackwell Ultra）。” 除了Blackwell Ultra芯片外，英伟达还推出了GB300超级芯片，该芯片结合了两块Blackwell Ultra芯片和一块Grace CPU。  黄仁勋还表示，英伟达将在2026年下半年推出下一代AI超级芯片 Vera Rubin，并在 2027 年下半年推出下一代超级芯片Vera Rubin Ultra——这也与此前外界的预期一致。 黄仁勋还透露，在Rubin芯片之后的下一代芯片，将以物理学家理查德·费曼（Richard Feynman）的名字命名，延续了其以科学家命名芯片系列的传统。根据黄仁勋展示的幻灯片，Feynman芯片预计将于2028年上市。 **新款AI电脑登场** 除了芯片以外，黄仁勋还宣布推出采用其芯片的新款笔记本电脑和台式电脑，其中包括两款专注于人工智能的电脑，分别名为DGX Spark 和 DGX Station，它们将能够运行大型人工智能模型，例如 Llama 或 DeepSeek。 这当中，DGX Spark就是早前在CES上首度现身的Project Digits，而DGX Station 则是大一号的工作站级桌机。 黄仁勋号称，DGX Spark是“世界上最小的超级电脑”，在不比Mac mini大多少的机身内，装载了GB10 Grace Blackwell超级芯片，拥有高达1000 TOPS的AI算力，让它适合“AI 开发者、研究专家、资料科学家和学生在离线环境下开发及微调大型AI模型”。 Spark预计售价3000美元左右，并将于今天开放预购、夏季出货。目前戴尔、联想、惠普等预计都会推出对应Spark的产品。 DGX Spark 至于更强力的DGX Station则是采用了GB300 Grace Blackwell Ultra，提供20000 TOPS的AI算力与多达784GB的内存。 DGX Station 的价位尚未公布，预计在今年稍晚上市。 **Dynamo：AI工厂的核心作业系统** 为了进一步加速大规模推理，黄仁勋还发布了一款用于加速和扩展 AI 工厂中AI推理模型的开源软件NVIDIA Dynamo。 黄仁勋指出，“它本质上是 AI 工厂的操作系统。”它以启动上次工业革命的第一台仪器命名，暗示这项技术将在新一轮AI革命中扮演关键角色。 通过Dynamo，可以让DeepSeek等推理模型，在相同架构和使用相同数量GPU的条件下，将性能提升30倍。 推出全球首个开源可定制的通用机器人模型 黄仁勋指出，劳动力缺乏是全人类要面对的迫切问题，机器人就是一个解方，这个产业拥有巨大的潜力，现在我们已经进入代理AI时代，而未来将进一步走到物理AI。 为此，英伟达推出了专为机器人设计的通用基础模型GR00T N1。这是世界上第一个开放、完全可定制的通用人形推理和技能基础模型。 英伟达还正与Google DeepMind和迪士尼合作开发名为Newton的机器人平台。黄仁勋特别邀请一个名为“Blue”的机器人上台展示，它就是Newton平台开发的成果之一。 NVIDIA 与迪士尼研究公司和Google DeepMind合作创造的机器人也出现在舞台上 **与通用合作打造AI自驾和智能工厂** 黄仁勋还宣布，通用汽车将扩大与英伟达的合作伙伴关系，将通过加速计算和仿真模拟来促进创新。 通用汽车将使用英伟达的计算平台（包括Omniverse和Cosmos）构建定制人工智能（AI）系统，以优化通用汽车的工厂规划和机器人技术。 另外，通用汽车还将使用NVIDIA DRIVE AGX作为车载硬件，以实现未来的高级驾驶辅助系统和车内增强型安全驾驶体验。DRIVE AGX是一个可扩展式开放平台，可充当自动驾驶汽车的AI大脑。 **将合作开发AI原生6G网络** 黄仁勋表示，英伟达将与 T-Mobile、Mitre、思科、ODC 和 Booz Allen Hamilton 合作开发AI原生6G无线网络的硬件、软件和架构。 **建立量子计算研究中心** 除了上述内容，英伟达还在周二宣布，将在波士顿建立一个研究中心，为推进量子计算提供尖端技术。 据英伟达官网介绍，英伟达加速量子研究中心（简称NVAQC）将把领先的量子硬件与人工智能超级计算机集成在一起，实现所谓的加速量子超级计算。NVAQC将帮助解决量子计算中最具挑战性的问题，从量子比特噪声，到将实验量子处理器转化为实用设备等。 领先的量子计算创新者，包括Quantum、Quantum Machines和QuEra Computing，将利用NVAQC，通过与哈佛量子科学与工程倡议（HQI）和麻省理工学院（MIT）工程量子系统（EQuS）小组等顶尖大学的研究人员合作，推动进步。 黄仁勋表示：“量子计算将增强人工智能超级计算机，以解决从药物发现到材料开发等一些世界上最重要的问题。”“与更广泛的量子研究界合作，推进CUDA -量子混合计算，英伟达加速量子研究中心将在创造大规模，有用的加速量子超级计算机方面取得突破。” **推出世界基础模型** 英伟达还在周二宣布推出全新的NVIDIA Cosmos™世界基础模型（WFMs），为物理AI开发引入了一个开放且完全可定制的推理模型，并为开发人员提供了前所未有的世界生成控制。 英伟达还推出了两个新的蓝图，由NVIDIA Omniverse™和Cosmos平台提供支持，为开发人员提供大规模、可控的合成数据生成引擎，用于训练后的机器人和自动驾驶汽车。 1X、Agility Robotics、Figure AI、Foretellix、skillai和Uber等行业领导者率先采用Cosmos，以更快、更大规模地为物理AI生成更丰富的训练数据。 黄仁勋表示：“就像大型语言模型彻底改变了生成和代理人工智能一样，宇宙世界基础模型是物理人工智能的一个突破……Cosmos为物理人工智能引入了一个开放的、完全可定制的推理模型，并为机器人和物理行业的阶跃函数进步创造了机会。” [查看评论](https://m.cnbeta.com.tw/comment/1486526.htm)

从揭晓新AI处理器致敬女天文学家，到发布首款开源机器人模型，再到盛赞DeepSeek并强调不会冲击自家芯片需求，最后又发布一款新推理模型号称可以秒杀DeepSeek；这构成了今天黄仁勋在GTC大会主题演讲的几个精彩时刻。  还是那身黑色皮衣，黄仁勋走上GTC舞台，宣布自己依然不会使用提词器，甚至笔记都没有准备。激情即兴是他的演讲标志风格，拿着幻灯片遥控器就可以一路说下去。  今天在加利福尼亚州圣何塞举办的GTC 2025大会上，英伟达CEO黄仁勋向全球展示了他们在人工智能（AI）领域的最新技术突破。从宣布下一代GPU架构到将AI带入商用，宣布快餐巨头Taco Bell的合作，英伟达不仅巩固了其在AI计算领域的领导地位，还将其技术触角延伸至零售服务业。 这是英伟达在疫情之后第二次在圣何塞举办GTC大会。本次大会吸引了约2.5万名与会者，包括微软、谷歌、Waymo和福特等行业巨头，共同探讨AI硬件的未来应用。 早上八点SAP体育场外就排起了队，只为了尽早入场现场聆听黄仁勋的主题演讲，因为体育馆场内座位有限，排在后面的只能在外面看大屏幕。黄仁勋开玩笑称，自己需要更大的会场。 为什么GTC大会如此吸引关注？作为AI时代的引擎提供商，英伟达在短短两年就成为了半导体巨无霸，甚至一度市值超过苹果，成为了全球市值最高企业。不夸张地说，整个科技行业都在密切关注英伟达的每一次发布会，关注着新一代处理器，因为这直接关系到未来几年的AI算力。 那么今天的GTC 2025，黄仁勋宣布了哪些重磅产品与消息？ **新处理器致敬女天文学家** 如外界预期，黄仁勋在主题演讲中发布了全新AI处理器“Vera Rubin”，以美国女天文学家维拉·鲁宾（1928-2016）命名。这款芯片整合了英伟达首款定制CPU “Vera”和全新设计的GPU，标志着英伟达在处理器设计上的重大突破。这款处理器预计于2026年下半年出货。 Vera CPU基于英伟达自研的Olympus核心架构，此前英伟达多依赖Arm的现成设计（如Cortex系列）。定制化设计让Vera在性能上比Grace Blackwell芯片中的CPU快约两倍，具体表现为更高的每时钟周期指令数（IPC）和更低的功耗。  英伟达表示，这款全新处理器将采用台积电的3nm工艺制造，晶体管密度较5nm工艺提升约2.5倍，达到每平方毫米约1.5亿个晶体管。这种工艺进步显著提升了计算效率，尤其适合AI推理任务的高并行需求。 Rubin GPU技术上由两个独立芯片组成，通过英伟达的NV-HBI（High Bandwidth Interface）技术以超高带宽互联，工作时表现为单一逻辑单元。其核心规格包括支持高达288GB的HBM3e内存（高带宽内存第三代增强版），带宽达每秒5TB，比Blackwell的HBM3内存（141GB，带宽4TB/s）提升显著。 在推理任务中，Rubin可实现50 petaflops的性能（每秒5´10¹⁶次浮点运算），是当前Blackwell芯片（20 petaflops）的两倍多。这一提升得益于其新增的Tensor Core单元，专为矩阵运算优化，加速深度学习模型的推理和训练。  Rubin的目标客户包括亚马逊和微软等云服务商和AI研究机构。其高内存容量和计算能力特别适合运行大型语言模型（如Llama 3或Grok），这些模型通常需要数百GB内存来存储权重和中间结果。英伟达还展示了Rubin支持的新软件工具包Dynamo，可动态优化多GPU协同工作，进一步提升性能。 除了Rubin之后，黄仁勋还宣布英伟达计划在2027年下半年推出”Rubin Ultra”，将四个GPU芯片集成于单一封装，性能高达100 petaflops。 Rubin Ultra采用名为NVLink 5.0的下一代互联技术，芯片间带宽预计达每秒10TB，比NVLink 4.0（600GB/s）提升一个数量级。这种设计允许将多个Rubin Ultra组合成超级计算集群，如Vera Rubin NVL144机架（含144个GPU），为超大规模AI训练提供支持。 Rubin Ultra的每个GPU核心预计包含超过200亿个晶体管，采用2nm工艺制造，功耗控制在约800W以内（相比Blackwell单芯片700W）。其内存支持升级至HBM4，提供高达576GB容量，带宽预计达每秒8TB/s。这种配置使其能处理复杂的生成式AI任务，如实时视频生成或多模态模型推理。 虽然Rubin两款处理器堪称怪兽级别，但市场需要等到明后年才能部署。英伟达计划今年下半年推出当前Blackwell系列的增强版产品——Blackwell Ultra。  Blackwell Ultra提供多种配置，包括： - 单芯片版本（B300）：20 petaflops性能，288GB HBM3e内存； - 双芯片版本（GB300）：搭配Arm CPU，功耗约1kW； - 机架版本：含72个Blackwell芯片，适用于数据中心。 Blackwell Ultra的亮点是内存升级（从192GB增至288GB）和更高的token生成速率。英伟达称，其每秒可生成更多AI输出（如文本或图像），适合时间敏感的应用。云服务商可利用其提供高级AI服务，潜在收入可能是2023年Hopper芯片的50倍。 此外，黄仁勋还透露，英伟达计划在2028年将推出以物理学家理查德·费曼（Richard Feynman）命名的Feynman GPU。Feynman将延续Vera CPU设计，但架构细节未公开。预计其将采用1.5nm工艺，性能可能突破200 petaflops，目标是支持下一代AI代理模型，如具备推理能力的自主系统。  黄仁勋强调，英伟达已从两年一次的架构更新转向每年更新发布的节奏，以应对AI需求的“超加速”增长。自2022年底ChatGPT发布以来，英伟达销售额激增六倍，其GPU占据AI训练市场超过八成的市场份额。 上月底发布的第四季度财报显示，英伟达当季收入达到393亿美元，环比增长12%，同比增长78%。全年收入为1305亿美元，同比增长114%。其中数据中心收入为356亿美元，占总收入的91%，较上一季度增长16%，同比增长93%。这一增长不仅来自Hopper GPU的持续销售，还包括Blackwell芯片的初步贡献。 **首款开源人形机器人模型** 黄仁勋还在主题演讲中，正式发布了NVIDIA Isaac GR00T N1，宣布“机器人的时代已经到来”，这是全球首款开源的人形机器人基础模型。这是英伟达“Project GR00T”项目的最新成果，基于其在2024年GTC大会上首次推出的机器人研究项目。 N1代表“第一代”，是英伟达专为加速人形机器人开发设计的通用AI模型。与传统机器人依赖特定任务编程不同，GROOT N1是一个“通才模型”（generalist model），能够处理多种任务并适应不同的人形机器人形态。 该模型使用真实数据和合成数据（synthetic data）混合训练，其中合成数据由英伟达的Omniverse平台生成。这种方法大幅降低了现实世界数据采集的成本和时间。GROOT N1以开源形式发布，开发者可通过Hugging Face和GitHub下载其训练数据和任务评估场景。这种开放性旨在推动全球机器人社区的协作创新。  黄仁勋在主题演讲中现场演示展示了GROOT N1的商用实力： 1X NEO Gamma：1X公司的NEO Gamma人形机器人使用GROOT N1的后期训练策略（post-trained policy），展示了自主整理家居的能力。1X CEO Bernt B ørnich称：“GROOT N1在机器人推理和技能上的突破，让我们仅用少量数据就实现了全面部署。” 迪士尼BDX机器人：两台受《星球大战》启发的BDX机器人（昵称“Green”和“Orange”）在台上跟随黄仁勋移动，并对他的指令（如“现在不是吃饭时间”）做出点头回应，展现了自然语言理解和动作协调能力。 黄仁勋在演讲中指出，GROOT N1的发布不仅是技术突破，也是对未来机器人产业的战略布局。他预测，人形机器人市场在未来十年可能达到380亿美元，尤其在工业、制造和服务领域。他表示：“GROOT N1和新的数据生成框架将开启AI时代的新前沿。”  **AI点餐带入连锁餐厅** 在此次大会上，黄仁勋还宣布了英伟达与全球餐饮巨头百胜餐饮（Yum！ Brands）的战略合作，百胜旗下的墨西哥风味餐厅Taco Bell将率先引入AI优化得来速服务（Drive Thru，不下车语音点餐）。 目前，数百家Taco Bell餐厅已使用英伟达提供的语音AI系统接受订单。百胜餐饮计划从2025年第二季度起，将该技术推广至约500家餐厅，包括必胜客、肯德基和Habit Burger and Grill。 英伟达为Taco Bell定制了基于Transformer架构的语音识别模型，运行于边缘设备（如Nvidia Jetson平台）。该系统支持实时语音转文本（ASR）和自然语言处理（NLP），延迟低至200毫秒。  百胜餐饮高管介绍了英伟达技术如何给自己服务带来提升：AI将升级为视觉+语音系统，利用摄像头和英伟达GPU分析排队车辆数量。例如，当检测到五辆车排队时，AI可建议快速出餐的选项（如Taco而非复杂的Burrito），缩短平均等待时间（目标从180秒降至120秒）。英伟达的推理加速技术（如TensorRT）将支持这些实时决策。 英伟达并不是最先尝试将AI带入快餐行业的巨头。早在2021年，IBM就和麦当劳合作，在100多家餐厅测试AI语音点餐，但使用体验还存在诸多问题，经常会有听错点餐的情况，准确率只有80%左右，双方已经在2024年结束了测试合作。 与百胜餐饮合作是英伟达将AI带入快餐行业服务的第一步，他们显然也吸取了IBM的测试经验。英伟达零售业务发展总监安德鲁·孙指出，AI需兼顾速度与质量，避免给用户带来偏差，成为社交网络笑柄。百胜餐饮高管强调，员工和顾客的信任至关重要：“通用大模型不够好，我们需要定制化解决方案。”例如，Taco Bell的AI需理解品牌文化，而非机械执行标准流程。 **对DeepSeek赞不绝口** 值得一提的是，黄仁勋在主题演讲中，对来自中国的AI公司DeepSeek赞不绝口，给予了极高的评价，多次强调DeepSeek不会给英伟达带来冲击。黄仁勋在演讲中称赞DeepSeek的R1模型为“卓越的创新”（excellent innovation）和“世界级的开源推理模型”（world-class open-source reasoning model）。 今年1月DeepSeek发布R1模型之后，以极低的训练成本提供了媲美甚至优于OpenAI的性能，震撼了整个美国AI行业，甚至一度导致芯片行业股价大跌。因为如果DeepSeek得以普及，AI行业就不一定需要疯狂军备竞赛囤积英伟达的AI处理器了。  黄仁勋特别反驳了市场早前的恐慌，即DeepSeek的高效模型会降低对英伟达芯片的需求。黄仁勋提到，DeepSeek R1发布后（2025年1月），市场曾误认为AI硬件需求会减少，导致英伟达市值一度暴跌6000亿美元。他对此解释称，“市场认为’AI完成了’，我们不再需要更多计算资源。这种想法完全错误，恰恰相反。” 他强调，DeepSeek R1代表的“推理型AI”（reasoning AI）同样需要对很高的计算能力。他解释说，与传统观念认为AI仅需预训练后即可直接推理不同，推理型模型需要大量后期训练和实时算力支持。他表示：“推理是一个相当耗费计算资源的过程。像DeepSeek这样的模型可能需要比传统模型多100倍的计算能力，未来的推理模型需求还会更高。” 他指出，DeepSeek的成功表明高效模型与强大算力的结合是未来趋势，而英伟达的芯片（如Blackwell Ultra）正是为此定制的。他还幽默地称：“DeepSeek点燃了全球热情，这对我们是好消息。”英伟达已与包括Meta、谷歌和亚马逊在内的客户加大投资，确保其芯片满足日益增长的AI基础设施需求。 他指出，R1的发布不仅没有削弱英伟达的市场地位，反而推动了全球对AI的热情。“几乎每个AI开发者都在使用R1，这表明其影响力正在扩大AI的采用范围。” 黄仁勋因此透露，英伟达已经将DeepSeek R1作为新品基准测试的一部分。例如，他提到Blackwell Ultra芯片在设计时优化了推理任务，能更高效地运行R1这类模型。他具体指出：“Blackwell Ultra的Tensor Core经过调整，支持高密度矩阵运算，每秒token生成率显著提升，非常适合推理型AI。” 面对DeepSeek引发的竞争压力，黄仁勋淡化了对英伟达的威胁。他在演讲中说：“DeepSeek展示了模型可以更高效，但这并不意味着硬件需求减少。相反，它让所有人意识到，高效模型需要更强的计算支持。”  **新推理模型秒杀DeepSeek** 盛赞完DeepSeek，黄仁勋又宣布推出了一款基于Llama的新推理模型——Nvidia Llama Nemotron Reasoning。他将这一模型描述为“一个任何人都能运行的令人难以置信的新模型”，并强调其在企业AI应用中的潜力。这一发布标志着英伟达在AI模型开发领域的进一步扩展，从硬件供应商向软件与模型生态的全面参与者转型。 黄仁勋特别强调了Nvidia Llama Nemotron Reasoning在准确性和速度上的卓越表现，声称其“大幅超越”（beats substantially）中国AI公司DeepSeek的R1模型。 Nvidia Llama Nemotron Reasoning是英伟达Nemotron模型家族的新成员。Nemotron系列最初设计用于增强AI代理的能力，尽管“AI代理”这一概念在行业中仍未完全明确定义。通常，AI代理被理解为能够自主执行任务、推理并与环境交互的智能系统，例如客服机器人或自动化助手。黄仁勋在演讲中并未详细解释“AI代理”的具体含义，但暗示Nemotron Reasoning将为企业提供更强大的推理能力，支持复杂决策和任务处理。 该模型基于Meta开源的Llama架构，但经过英伟达的深度定制和优化。Llama作为一个高效、开源的大语言模型基础，近年来被广泛用于学术和商业领域，而英伟达通过其算力优势和软件生态（如TensorRT和Dynamo）对Llama进行了性能提升，使其适配企业级应用。 Llama Nemotron家族模型将与DeepSeek竞争，为高级代理提供企业就绪的AI推理模型。顾名思义，Llama Nemotron基于Meta的开源Llama模型。英伟达通过算法修剪了模型，以优化计算需求，同时保持准确性。 英伟达还应用了复杂的后期训练技术，使用合成数据进行训练。训练过程涉及36万个H100推理小时和4.5万个小时的人工标注，以增强推理能力。据英伟达称，所有这些训练造就了在数学、工具调用、指令遵循和对话任务等关键基准测试中具有卓越推理能力的模型。 [查看评论](https://m.cnbeta.com.tw/comment/1486524.htm)

全职宅家的新出路

<blockquote><p>在电商运营的高压环境中，海量的用户评论和差评常常让运营团队应接不暇，甚至成为影响用户体验和品牌声誉的关键因素。本文讲述了一位运营人员在面对差评危机时，如何通过跨界转型为产品经理，并利用AI技术打造了一个“最强嘴替”工具的故事。</p> </blockquote>  ## 一、被3000条差评逼上梁山的夜晚 2022年双十一凌晨两点，我盯着后台不断跳出的差评提醒，感觉太阳穴突突直跳——我们新上线的生鲜电商App正在经历最惨烈的溃败。 <blockquote><p>“荔枝收到都发黑了，客服机器人只会说’已反馈’！”</p> <p>“页面显示冷链配送，结果冰袋都化了，差评！”</p> <p>“凌晨抢购的牛排套餐，为什么显示已签收？”</p></blockquote> 作为当时的用户运营负责人，我带着团队连续三天通宵回复评论。但每天新增的3000+评论中，有45%的用户在首次回复后仍持续追问，人工响应速度永远追不上用户愤怒值上涨的速度。 直到某个凌晨，当我第47次复制粘贴”非常抱歉给您带来不便”时，猛地把键盘掀翻：”如果连真实需求都抓不住，做再多活动都是自嗨！” 这个失控的瞬间，也成了我从运营转岗产品经理的转折点。 ## 二、运营人的”暴力解法”：用Excel造轮子 转岗初期，我带着运营时期的老毛病：重执行轻规划，沉迷”短平快”解决方案。 听说某大厂用AI回复差评，立即花2万元买了套SaaS系统，结果闹出笑话： <blockquote><p>某用户投诉”牛排血水太多”，系统回复：”感谢您对我们血液制品的支持”；用户质问”为什么还不发货”，AI回复：”建议您多喝水保持健康”。</p></blockquote> 团队连夜下线系统时，程序员小哥吐槽：”运营转产品就是灾难，根本不懂技术边界。” 这句话刺激我做了两件事： - 花三个月啃完《Python机器学习实战》，在GitHub建了23个失败项目 - 扒出过去三年共180万条用户评论深挖，发现85%的问题集中在配送、商品描述、客服响应三大模块 某天凌晨调试代码时突然顿悟：与其做通用型AI，不如做垂直场景的**智能评论加速器**。 ## 三、野生产品经理的”土法炼钢” **阶段1：用Excel造出第一代模型（2023.1）** - 把历史评论按情感倾向打标（愤怒/焦虑/中性/好评） - 抓取高频关键词建立”情绪-场景”映射库 - 用VBA实现基础模版匹配，响应速度从3分钟/条提升到20秒/条 **阶段2：引入OpenAI API打造对话引擎（2023.3）** 喂给GPT-3.5的语料包括： - 6000条人工处理的高赞回复 - 《非暴力沟通》等心理学书籍 - 冷链物流等垂直领域知识库 建立三层过滤机制： 用户情绪识别→场景分类→生成备选方案→人工校准 **阶段4：开发Mac端原生应用（2023.5）** - 在巨人肩膀上，基于开源软件二开，支持 **选词**/**截屏 + 快捷键**系统全局调取 - 独创”情绪温度计”功能：实时显示用户愤怒值曲线 - 开发行业**黑话转换**器（例：把”冷链断链”翻译为”物流过程温度异常”） ## 四、上线半年的数据奇迹 当这个被团队戏称为”最强嘴替”的工具嵌入工作流后： - 差评二次投诉率从32%降至7% - 客服用时从3分钟/条缩短至40秒/条 - 意外收获：AI生成的”冷链异常话术模板”被集团物流部门采购，年省300万赔付金 最让我印象深刻的案例发生在2023年荔枝季： 当某用户发图投诉”箱子有血水”时，系统通过图像识别发现是冰袋融化。  顾客投诉箱子有血水 自动推送： “您收到的其实是全程-18℃冷链保护的证明呢~冰袋融化说明我们的保温箱完成了使命，荔枝正在26℃室温下等待您的品尝哦~” 这条回复最终收获132个点赞，用户追评：”第一次见到把售后问题写成童话的” ## 五、给跨界者的血泪经验 **运营转产品的核心优势**：对用户痛点的肌肉记忆（我们团队至今保持每周亲自处理20条差评）**AI产品设计铁律**：宁可做60分的专业工具，不做80分的通用方案**最值钱的数据资产**：那些让团队抓狂的负面反馈（我们建立了”用户愤怒词云图”迭代模型）**技术恐惧症解药**：用垂直场景穿透技术黑箱（我的代码水平至今停留在能看懂PRD）此刻，回看那个被差评淹没的夜晚，突然理解张小龙说的：”产品经理是站在上帝身后的人”。 只不过这次，我和AI互换了位置——它负责理解人性，我负责守护技术的温度。 本文由 @Kainy 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

 作为产品经理的小明，曾无数次被复杂的流程图严重要求所‘劝退’——要逻辑清晰，又要视觉美观，还要配备不同的场景。真正令人痛苦的不是绘图本身，而是面对那些无脑的需求的客户。他们通常会给出一个模糊的主题，然后希望小明自身完善，出具文档于是提出反馈，反复如此修改。更令人沮丧的是，经过多轮改进的方案，否定最终客户还是可能会全盘，转而选择最经济实惠的方案。 在这种情况下，小明萌生出了开发流程图生成器的想法。如今AI时代已经来临，开发一款智能工具来应对这些‘无脑客户’——不仅能快速生成符合要求的流程图，还能根据需求模糊提供多种工作方案建议，下面我来讲述我的开发过程。 ## 第一步：规定需求，明确目标 首先小明虽然是科班出身，但是一直没有从事开发工作，大学期间也就HTML这类前端网页代码写得尚可。离开校园后，从UI设计师转岗为产品经理，这一职业转变历经八年，期间基本荒废了编程技能。在开发这款软件前，小明尝试回忆大学课程内容，却发现记忆已模糊不清。原本计划采用分文件管理的方式创建项目，却因遗忘多文件引用方法且不愿查阅资料而作罢。最终小明决定发挥产品经理的专业优势，第一步先拆解需求，技术实现则全权交由AI处理。 ### 需求拆解： 我们需要开发一款流程图生成工具，需具备需求输入界面，通过自动分析需求实现拆解功能，并将结果转换为特定代码格式，调用流程图生成接口输出可视化流程图。为实现自动化处理，需求分析模块拟对接AI接口。鉴于成本考量，首选性价比高的DeepSeek平台，为此小明果断充值一元人民币，开启这个伟大想项目。  ## 第二步：选择AI神器 小明最初自诩为科班出身，认为通过普通AI生成代码后自行复制拼接即可完成开发，但实践后才发现高估了自己的能力。经过多篇技术文章推荐与方案筛选，最终决定采用Claude-3-Sonnet模型进行开发。为快速验结果，选定HTML+CSS+JS作为技术栈——这些熟悉的语言能带来基础开发的安全感（其他的我也不会运行）。同时选用字节跳动推出的AI开发平台Coze作为配套工具，以提升开发效率。 ## 第三步：大胆向AI提需求 使用AI开发时无需过度纠结技术细节，只需清晰输入需求即可。例如小明向AI提交的需求描述为：”我需要开发流程图自动生成器，具体要求包含：1.需求输入文本框 2.调用DeepSeek接口生成流程图 3.API密钥输入区域”。AI接收到指令后便会自动生成对应代码，开发者只需点击应用即可完成部署。值得注意的是，虽然当前Coze平台已升级支持分文件提示词功能，但小明开发时该功能尚未上线，因此需要手动整合各模块代码。如下图：   ## 第四步：与AI斗智斗勇 AI生成基础框架后，按照其常规特性，通常只能完成半成品开发。当输入DeepSeek密钥并点击测试链接时，系统会立即报错。此时由于AI生成的是基础框架，系统并未集成错误提示功能，需要二次要求AI补充异常处理机制。经AI迭代代码增加错误捕捉模块后，系统会明确提示：API接口调用需服务器环境，无法通过本地直接调用。若已有服务器可直接部署，否则可通过AI搜索免费云服务器资源进行代理部署。小明有魔法选择海外服务器托管方案（需通过魔法访问）。 搞定服务器后开始测试效果，这时候你就会发现AI这个老六，搞诈骗给你塞固定假数据！反复测试时一定要怀疑：”这货是不是偷懒了？是不是自带咸鱼属性？” 果然它会理直气壮说：”亲，我用的测试数据呢~” 这时候你就要戳穿它：”咱们要的是真实模式，不是测试模式！” 然后把DeepSeek接口文档甩它脸上：”给爷照着这个改！”    ## 第五步：深度迭代——发挥产品专场 修复所有BUG后，可着手优化网页样式与功能扩展： - 新增多套流程图模板样式切换功能 - 开发流程图存档模式（当AI表示无法实现时，通过参考技术文档让AI学习解决方案） - 实现流程图下载功能（此环节可能出现兼容性问题，需准备备用方案） - 用户体验优化： - 添加加载进度提示防止用户误操作 - 显示原始API返回数据用于错误排查 - 完善异常状态下的提示信息   有余力可以继续完善思维导图，这个小明已经完善了，步骤都是让他AI去输出，然后生成图片。  ## 结语 在AI技术全面渗透的当下，产品经理正迎来前所未有的创新机遇。正如小明通过开发流程图生成器优化工作流程、创建AI群聊进行用户行为分析、打造算命神器探索趣味交互所展现的——每位产品人都可将碎片化洞察转化为AI驱动的解决方案。这些轻量化工具不仅是效率提升的杠杆，更是验证商业模式的试验场：通过低代码平台快速搭建原型，借助大语言模型实现智能交互，利用数据分析迭代产品形态。在这个技术门槛不断降低的时代，产品经理的核心竞争力正从需求文档撰写转向”AI思维”的构建——即通过场景解构、数据喂养和模型调教，将业务痛点转化为AI可理解的解决方案。当行业还在讨论AI替代危机时，聪明的产品人早已把AI变成自己的”数字分身”，在用户洞察、方案验证和产品迭代中构建起竞争壁垒。或许下一个改变行业规则的工具，就诞生于你此刻的某个工作痛点之中。   **专栏作家** 产品小明；人人都是产品经理专栏作家。参与了 AI 产品、同城商城、同城外卖餐饮系统、智慧景区、同城预约、国际快递系统、仓管系统、招聘系统等多个领域的项目开发和管理，积累了丰富的经验。 本文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>DeepSeek的出现不仅重塑了券商业务的展业模式，还在一定程度上改变了客户对金融服务的期望和需求。本文将深入探讨在AI技术的冲击下，券商投顾如何应对挑战，抓住机遇，实现业务转型与升级，以及如何通过人机协同的方式，为客户提供更高效、更个性化的服务，助力券商业务迈向智能化新时代。</p> </blockquote>  接上。 上期我们在[《Deepseek虹吸效应下，券商投顾何去何从？》](https://www.woshipm.com/it/6187171.html)中聊到DeepSeek横空出世后，给金融行业，尤其券商投顾这项业务、投资顾问这个人群带来的巨大冲击和影响。本期，我们就来聊聊在券商业务实践中，如何应对AI的挑战、抓住Deepseek们的机遇，赋能券商投顾的高效展业。 一个事实是，随着第三方平台不断推出的各类个性化的服务，券商经纪业务以往靠标准产品+人工服务的传统打法，在体验、效率、成本、创意等各方面都面临着严峻挑战，围绕C端客户的展业模式和顺序，已经被Deepseek们重塑（甚至推翻）。 ## 一、超能力下的客观局限性 近年来的人工智能发展，可谓日新月异，先是算法、接着算力，然后互相正向牵引，带来人工智能能力和应用的实质性跃升，并以C端用户群体肉眼可见的速度仍在不断迭代。 如何应对这种挑战？如何应用这个变化？ 事实上，在笔者看来，Deepseek们的出现，并非是抢券商或券商投顾的饭碗。相反，被认为更多是给券商业务转型、投顾服务升级带来了新的可能。 一般而言，我们将券商行业人工智能的发展分为三个阶段。 **第一阶段，是服务的线上化。** 此时，券商的业务已经完成线上化，客户也全部触网，相关业务系统亦完成了改造，整体用户体验和业务办理效率、便利度都有了大幅度的提升。 **第二阶段，是服务的自动化。** 证券行业当前的进度，主要就集中在这一阶段。 无论是投研端的研报自动化生成、推送，投资组合的自动化管理、风险自动监控，还是交易端的资产配置建议生成、订单自动执行，以及客户端的投资者行为自动化收集、画像自动生成、策略自动运行、和触达后效果的自动化回收，都基本实现了计算机对人工的替代，极大提高了证券类工作事务的执行效率、效能。 **第三阶段，是服务的智能化。** 实践中，跟同行交流下来，整体还是比较务实的，大家普遍看法是离真正的智能化还有相当长的路要走。 鉴于证券投资的特殊性、非标准化、不可预测性，第二阶段提到的各类自动化策略，目前仍以人的经验，或是人工从数据中洞察出来的认知进而设定的，当下的“DeepSeek”等大模型的智能化技术仍难以支持全面的服务托管。 我们认为，证券行业距离培育完全自主分析、自主决策、自主执行的超智能体仍相差很远，这需要机器不单单在逻辑上闭环，还需真正拥有经济社会运行规则的common sense，和在做执行决策时的法理人情这种超智能力。 ## 二、“巨人”的肩膀，人机协同、站高望远 从上面分析不难看出，AI在给证券行业带来冲击的同时，对于那些真正奋战在业务里面的同业人员而言，冲击中显现不足、挑战中透露转机。未来，也不是没有转机，比如： - 针对性与个性化：结合客户画像，制定个性化服务方案。 - 持续性与及时化：监控资产表现，维护组合配比。 - 成长性与加持化：模型建议+人工顾问，兼具科技狠活与人性关怀。 事实上，AI大模型是高度依赖于模型深度推理分析和海量数据处理能力的，进一步其需要基于不同业务场景需要下的不同数据、物料、规则等条件约束下的深度训练，并经过持续的回测、调优，并不断适配新的外部变量，所以即使输出再专业的建议，其有效性、时效性也都需要经历不同周期下的重重验证。 况且，幻觉一直是大模型在面向终端客户服务时的一个致命问题，数据饲料的局限、算法认知的偏差，进而出现新的信息茧房。 那么，券商投顾人员可以怎么做呢？ 科技狠活加持人性的洞察，在大力出奇迹的法则下，做小样本纵深挖掘 比如，组合调仓建议上，AI大模型与人工投顾相比仍有差距。一方面，面对复杂市场环境分析、信息准确性甄别上，其还难以完全达到人工投顾对复杂人性和市场微妙变化的理解；另一方面，面对客户多元化需求分析、不同引导路径与数据物料，其在洞察客户画像与深层次个性需求上仍需提高。 数据可以告诉我们哪里有问题，但不会告诉我们所有真相。 我们观察到的是，目前“DeepSeek”大模型们在账户与资产诊断、组合配置建议方面，仍存在比较明显的线性外推、数据盲点等问题，尤其在关键数据与敏感问题决策上，其最终结论仍须依赖于来自人的专业理解后的过滤和选择。 未来，券商投顾可以在大模型初筛出来的样本框内，基于自身专业和经验，结合市场的根本性变化、趋势，做成更符合业务实际的二次筛选。 此外，还可以按照过往的作业程式进行，但结果出来后反向输入进AI大模型，对DeepSeek们精细化喂养、精英化培育，转向对两侧输出的逻辑验证与风险校准，低成本的沙盘模拟，最大程度减少即使是最细微的疏漏。（当然，合规是必须要考虑的。） 可以说，技术是专业的放大器，其提升了券商投顾对信息的处理能力，但也倒逼投顾对所输出内容的质量把控，同时，也助力券商投顾在面向投资者服务时，迈向更高阶的投资智库+财富管家的角色升级。 精密仪器加持私域个性训练，技术赋能服务深度与客户体验全面升级 从技术层面而言，由于“DeepSeek”大模型们大多数情况下仅对接互联网公网数据，缺乏券商的私域数据，如金融行业数据库、企业内部知识库、客户画像与标签视图库、经营数据库等，导致会存在数据或信息类错误。 加之涉及业务决策的深度思考能力上，每一家券商都需基于大模型对内外部数据及专家规则做系统性训练学习和积累，再精密的仪器，如果失去明确的业务靶点，笔者认为，最后也只会成为花架子。 所以未来，券商投顾们理论上每个人都可以跟公司申请拥有一个自己的私人AI助理，他们是经过从公网培育到私域孵化，再到个性训练后的，经过三次萃取的个性模型，这对券商投顾和其自身所服务的客户群体（相关数据也已参与到个性训练），都是独一无二的。这对投顾所能提供的服务深度，以及客户对券商投顾服务的体验和满意度，都是一次巨大的升级。 当然，DeepSeek大模型们给行业带来的思考远不止于此，相信行业在应对AI挑战的同时，各家券商都会立足自身、面向未来，找到各具特色、充满创意的多元解法。有好的想法，欢迎来一起聊聊吧~ 本文由 @数金杂谈 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>本文将从用户视角出发，剖析中国数据共享流通的十年困局，并探讨如何从“政策驱动”转向“用户思维”，以真正激活数据要素价值，推动中国数字经济的高质量发展。</p> </blockquote>  我国数据共享流通历经三个阶段： 早期探索（2020年前）→体系化建设（2020-2024年）→基础设施深化（2025年至今）。 透过政策不断升级的背后，本文想从底层用户视角分析数据共享流通为何推进如此困难。 ## 1.0阶段（2020年前）：早期探索，打破数据孤岛的尝试 2018年杭州市民王女士办理新生儿落户时，需向卫健、公安、人社等6个部门重复提交出生证明、户口本、社保参保证明材料等共计18份。该案例被央视《焦点访谈》曝光后，浙江省紧急上线政务数据共享交换平台。 但2019年浙江省审计厅报告显示，平台登记的2.3万条数据目录中，实际可调用接口仅672个，空目录占比高达58%。某区卫健委信息科科长爆出实情：“系统要求我们标注数据字段的字符集编码，但业务人员连UTF-8和GB2312都分不清。” ## 2.0阶段（2020-2024年）：体系化建设的阵痛期 “数据二十条”与《数据安全法》等法规出台，推动建立全国统一数据要素市场。在传统共享交换基础上增加了一系列新特性，如数据普查、目录级联、供需撮合等。但实际运行中， 数据质量参差不齐、流通标准缺失导致用户体验割裂。 一体化建设试图通过“统一字段”解决跨区域共享问题，但全国政务系统版本混杂、字段命名千差万别。而带来的结果无非是在数据共享前的标准化清洗工作变得更加繁重和复杂。 某省医保平台与国家级系统对接时，仅“参保状态”字段就需人工核对12种表述方式，耗时长达3个月。 ## 3.0阶段（2025年起）：基础设施深化下的深层博弈 《国家数据基础设施建设指引》（2025）提出构建“全国数据一本账”，通过统一目录标识、身份登记和接口要求实现数据贯通。由国家出台统一标准，公共政务数据、行业核心数据、企业公开数据分类治理。 国家公共数据资源登记平台上线首日即整合医保、气象等12类国家级数据，用户体验提升体现在检索效率提高50%，但企业反馈数据开放颗粒度仍不足（如仅提供统计结果而非原始数据）。 而很多颗粒度更细的数据不符合平台级细化标准而被拒收。2024年国家公共数据平台要求基层标注“数据血缘关系”，某市市场监管局工作人员上传食品抽检数据时，系统提示：“请说明检测设备型号（SN码）与检测结果值的因果关联”。最终该市78%的抽检数据因“血缘描述不完整”被平台拒收。 ## 回顾国家政策迭代发展，发掘底层用户的4大“暗伤” ### 1. 数据收集难 政策上说数据供给依然不充分，其实就是数据还是收不上去。总认为是大家因为数据安全或是权益问题不愿意把数据共享出来。但实际上是怎样的呢？ - 西部某县卫健局工作人员描述，在填报”医疗影像共享目录”时，系统要求区分DICOM、NIfTI等专业格式，最终全局只能求助第三方公司完成编目。 - 2023年，甘肃省陇南市某县卫健局接到上级指令，要求将全县医疗机构影像数据接入省级平台。工作人员打开编目系统时，面对“数据格式（DICOM/NIfTI/NRRD）”“空间分辨率（μm级）”“层厚参数（Slice Thickness）”等专业选项陷入茫然。 当公务员遇到数据编目，复杂的编目规则、灵活的规范配置、困惑的数据属性，以及生硬的平台要求，都是让他们望而生畏的痛点。 所以在考核压力下，许多数据目录都是借助外包、平台承建方、第三方公司帮忙编上去的。而他们不大了解政务部门的业务，收上来的数据目录就不尽如意。 ### 2. 数据检索难 一边是数据不会编收不上来，另一边则是上来目录关联性差，不容易检索。 - 在某省开放数据平台搜索“空气质量”，使用者需要依次选择“生态环境&gt;监测数据&gt;大气监测&gt;小时均值”，而同样检索方式在电商平台只需输入关键词即可直达目标商品。 - 某副省级城市大数据局内部数据显示：其投资1.2亿元建设的市级共享平台，日均活跃用户仅83人（其中62人为系统自动巡检程序），而同期该市政务服务APP日活达215万人次。更讽刺的是，平台访问量前三的功能分别是“忘记密码”“验证码刷新”和“系统使用手册下载”。 平台上找不到自己需要的数据，久而久之更加不会去访问它。如果不是应付考核，这样的平台断然是不会去登录的。 ### 3. 数据更新难 平台上好不容易找到的数据，有的自编目挂接之日起就再没更新过，有的则是因为各种原因降低更新标准和频率。 - 某市住建局的“房产交易数据”最近更新停留在2021年，工作人员坦言：“系统要求每次更新都要重新配置API接口，我们宁可每月打包发送Excel文件。” - 2024年5月，广东省交通集团发现，某智慧高速示范段的“实时车流量”大屏显示数据与实际相差30分钟，导致512暴雨事故路段交通疏导延迟45分钟，引发10公里拥堵。事后排查各级平台为彰显”建设成果”，强加自研的数据封装规则，省级平台80%的算力用于生成”数据可视化周报”，仅20%用于实时处理。 平台建设和考核导向导致了动作变形，增加了底层用户获取数据、使用数据的难度，阻碍了数据共享流通前进的车轮。 ### 4. 数据安全难 - 广州市住建局某处长透露：“我们的房产交易数据理论上应该通过API实时同步，但每次接口变更都要走15个审批环节。现在每月5号手动导出一份Excel，用U盘拷贝给共享平台管理员。”这种“物理隔离”操作直接导致2023年第四季度二手房成交数据延迟62天更新，引发多家房企误判市场走势。 - 某地可信数据流通平台建设中，数据编目和申请中均需要对数据资源的使用控制策略填写一堆限制配置，如：使用限制、环境限制、角色限制、存储限制、工具限制、用途限制、事件限制、超额限制等十余项声明式控制策略。将安全控制交给用户自己选择，平台并不能提供监测和保护。 政策明确数据隐私数据安全的重要性，出台了一系列的数据安全指导规范，而这些安全规范在平台落地中如此简单粗暴的执行，无法让我们感受到真正的安全，同时会带来更多的“越安全越闲置”的困局。 ## 破局之道：从“政策驱动”到“用户思维” 聚焦并深刻理解国家政策方针，认真思考实施落地，真切关注用户需求和用户体验，才能解决以上痛点问题。 ### 1.简化编目：说白话，让数据“上架”变得简单 **人性化编目语言** 各行各业的办事人员在公务中都有耳熟能详的用语，让机器听懂人的话，而不是让人去理解机器语言，才能让用户不畏惧编目工作。 **AI助理辅助编目** 人工智能飞速发展，可以更好的运用在辅助编目中。深圳某区政务平台引入智能编目引擎，工作人员上传原始表格后，系统自动识别出“企业名称”“注册资金”等字段，编目效率提升8倍。自然语言处理技术可将“某医院2023年门诊量统计表”自动转化为标准化的“医疗卫生&gt;诊疗服务&gt;门诊人次&gt;年度数据”目录树。 ### 2.优化检索：找数据，像电商一样容易 **标准化分层分类** 借鉴欧盟《数据治理法案》经验，将标准划分为基础层（如数据分类）、扩展层（如行业元数据）、自定义层（企业特色字段），避免“一刀切”式治理。如电商平台一般分层目录索引，统一标准的粗层级目录分类，让用户自主动定位到大体所需，是“日用品”还是“小家电”。而到各自品类中，会有各自的细分目录。 **标签化模糊关联** 可效仿电商标签化关联，有各种筛选维度，便于用户过滤查找。对应做好数据资源的目录关联、标签化，支持用户模糊查询数据资源。重庆渝快办平台，群众输入“我要开小卖部”，自动关联“个体工商户登记”“烟草专卖许可”等12个数据资源。 ### 3.分级流通：从“一刀切”到“渐进式治理” **分级定价** 未治理数据免费共享，清洗后数据按质量定价，加工产品市场化交易。上海数据交易所已实现“原始数据-数据产品-数据服务”三级交易体系。 **用户驱动治理** 数据持有方并不一定有专业的治理团队，但他可以简单的把目录共享出来，有需要的人检索到了，再来磋商合作治理或聘请第三方治理，共同分享数据价值。佛山市顺德区试点“数据集市”模式，允许企业以原始形态上架数据。某家电企业的“用户保修记录（未脱敏）”最初无人问津，但某保险科技公司发现其隐含的设备故障规律后，双方联合开发“家电延保风险评估模型”，数据价值跃升320倍。平台通过交易佣金反哺数据治理，形成“用市场价值倒逼数据质量”的良性循环。 ### 4.重构系统：把复杂留给技术，把简单留给用户 **技术藏起来** 把一切技术能力和计算性能都用在数据资源的供需响应上，切忌仅为了秀肌肉而占用资源。让用户填写更少的表单、操作更短的时长、阅读更少的信息，把简单留给用户，这些都需要系统在背后做更多的计算。 **安全不给用户背锅** 某地数据局干部吐槽：“系统里20个安全策略选项，连技术员都要翻手册操作”。过度的追求绝对安全，也许会导致数据“所在保险箱里生锈”。安全应该是平台提供的技术保障而不是让用户手动设置，安全应该在背后防患风险于未然。 ## 总结 综上分析，让我们看到许多底层应对与政策导向的背离，这些体验糟糕的平台工具并未关注真正意义上的数据参与者的使用感受，并未给他们带来便利，过多的迎合考核，导致动作变形。 在此我深切呼吁：数据共享流通太需要回归用户本质需求，关注真实用户体验，唯有让一线人员“用得上”、让企业“看得见收益”、让技术“藏身幕后”，才能真正激活数据要素价值。当“全国一本账”从愿景走向现实，中国数字经济的新引擎必将全速启动。 本文由 @碧野青风 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>企业如何在利用 DeepSeek 的强大功能的同时，有效控制数据与功能权限，确保信息安全？本文将深入探讨在企业环境中部署 DeepSeek 时的权限管理策略，提供实用的解决方案，帮助企业平衡技术创新与安全保障。</p> </blockquote>  随着DeepSeek的爆火，各个企业在政策或者市场的推动下都如火如荼的私有化部署大模型，人工智能（AI）技术已成为企业提升竞争力和工作效率的核心动力。与此同时，数据安全与隐私保护问题也日益凸显，尤其是在企业私有化部署 DeepSeek 这类大型语言模型时，如何有效控制数据与功能权限成为安全的核心问题。本文将深入探讨 DeepSeek 私有化部署后的权限控制策略。 ## 从DeepSeek的使用说起 在 DeepSeek 的使用过程中，数据流转大致可分为以下三个节点，我们以此为思路进行权限控制的探讨。  ## 用户或者API的行为管理 ### 用户使用DeepSeek的功能权限控制 在企业决定将业务与 DeepSeek 融合时，提示词对话框应该在哪个模块、哪个界面、哪个流程是已经设计好的内容，功能权限的设计应与企业现有的权限控制体系保持一致，确保不同角色的用户只能访问其权限范围内的功能。 如何设计功能权限请参考之前的文章：[最好的权限设计，是先区分功能权限和数据权限](https://www.woshipm.com/pd/2889402.html) ### API使用DeepSeek的功能权限控制 当企业内部系统众多且只能部署一套 DeepSeek 时，API 的能力调用需通过控制开放平台的访问 token 来实现。只有**持有合法 token** 的系统才被允许调用 DeepSeek 的功能，从而确保系统间的安全交互。 ### 用户使用DeepSeek的数据权限控制 数据权限控制是企业内部应用 DeepSeek 时最棘手的问题，主要涉及以下三个方面： **1）用户能上传什么文件给DeepSeek** **（1）通过用户的可访问数据权限控制**（大部分企业域业务，用户之前可访问文件的权限问题在未接入大模型时都已经解决） **（2）通过用户的行为规范控制**（被动控制，依赖员工的素质，该问题在未接入大模型时也面临数据安全问题。例如我们并不能避免用户将加密的文件通过其他通信方式传到外部）。 - **用户行为监控**：通过日志记录和审计工具，实时监控用户的操作行为，及时发现和阻止违规操作。 - **违规行为预警**：设置预警机制，当检测到异常操作时，系统自动发出警报并采取相应措施。 - **定期审计**：定期对用户行为进行审计，确保所有操作符合企业安全政策和合规要求。 **2）用户能通过DeepSeek搜索什么** 企业根据自己的安全策略通过关键字过滤功能，限制用户搜索的内容，确保敏感数据不被泄露。 **3）用户户能接收到DeepSeek的什么数据** 用户能接收的数据也可以通过关键字过滤功能进行数据权限的控制。（类似让大模型分析某些平台的内容时提示没有相关权限。） ## 从DeepSeek部署策略着手 ### 部署策略 把不同保密级别的数据放在一起训练企业的大模型，由于不可解释性，并不能严格地保证数据的安全。为确保数据安全，建议将不同保密级别的数据分开训练，部署不同级别的 DeepSeek 实例。虽然这一策略对硬件和经济能力有一定要求，但能有效降低数据泄露风险。 ### 数据级别的梳理 企业需根据数据的安全级别重新梳理，综合考虑部署成本、数据整理难度和业务需求，**重新定义安全级别**。 <blockquote><p>参考</p> <p>将企业数据分为以下几类：</p> <p><strong>– 公开数据</strong>：非敏感数据，可以完全开放给 DeepSeek。</p> <p><strong>– 内部数据</strong>：仅限于企业内部使用的数据，需要根据 DeepSeek 的功能需求进行部分开放。</p> <p><strong>– 敏感数据</strong>：涉及个人隐私、财务信息等高度敏感的数据，需要严格控制访问权限。</p></blockquote> ### 高安全级别兼容低安全级别 高安全级别的 DeepSeek 实例应能兼容低安全级别的数据，也就是安全级别高的DeepSeek可以使用同等级别以及较低级别的所有数据，保证训练结果的准确可靠性。 ## 给DeepSeek分配功能权限和数据权限 如果企业已有成熟的知识库或数据源，可以直接挂载 RAG 进行检索增强生成。这种方式适用于快速部署和即插即用的场景。但是对于有特殊定制要求的场景需要进行模型训练，在数据投喂时：为 DeepSeek 创建特定的角色，并为其分配相应的功能权限和数据权限，DeepSeek只能选择已经配置的数据进行训练。 如果企业内部推行全流程接入DeepSeek那么这里需要的是最大功能权限原则和最大数据权限原则。 ## 写在最后 本文旨在抛砖引玉，提出问题并给出初步解决思路。欢迎各位根据实践经验提出建议，共同完善相关方法论。 本文由 @娜娜 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。