在美国总统特朗普于4月2日“解放日 ”对全球发动关税闪电战后，美国海运贸易可能正面临骤然中断的危险。集装箱货运预订的最新高频数据显示，海外托运人在过去一年中匆忙向美国发货，以提前应对贸易战，但现在却因天价关税而骤然间暂停了发货。 货运数据公司Vizion在上周五发布的一份题为 “关税冲击波 ”的最新报告显示： 美国进口订单在第一季度激增后出现了崩溃的迹象。 这份令人震惊的报告警告称，美国进口“预订冻结现象普遍”，全球贸易动荡正在蔓延。 下图显示了过去五年美国进口预订量(Bookings)的同比变化。在进出口贸易中，预订量是指货主、贸易商或物流公司向承运方(如船运公司、航空公司或货运代理)提前预定运输舱位或集装箱空间的行为。  可以看到，预订量在疫情大流行期间激增并在2021年达到峰值后，在2022年急剧下降，2023年开始稳步恢复，并在2024年重获增长动能，最终在2025年初实现强劲开局。 但这种势头未能持续。2025年3月的预订量已较1月峰值下降了20%，尽管与2024年同期相比仍高出30%。最可能的解释是什么？托运人赶在预期关税上调前加速提前发货。 但随着关税相关不确定性在4月进一步加剧，实时预订量出现了明显的崩溃。 对比2025年3月24-31日当周与随后一周（4月1-8日）的数据，我们可以看到： 全部的预订标准箱数量：下降49% 美国整体进口：下降64% 美国整体出口：下降30%  这一急剧下降与两个关键事件的日期相符：美国宣布加征对华对等关税，以及随后中国宣布对应的反制措施。而伴随着这些敏感的关税节点，美国海运领域出现了大范围预订冻结，托运人在运输周期中途暂停，重新评估成本、时间表和更广泛的贸易战略。 与此同时，同时，聚焦2025年3月31日-4月6日当周与之前一周（3月24-30日）的具体产品层面趋势，可见多个品类预订量暴跌： 服装与配饰：↓59% 羊毛、织物和纺织品：↓57% 艺术品/古董/雨伞/羽毛制品：↓50%+  这些多为可自由支配或季节性商品，通常对成本上升、需求变化或贸易政策调整反应最快。其中许多商品也属于关税调整范围，使其在短期内对不确定性和价格波动更为敏感。 而在自华的进口商品中，预定量的下滑尤以基础制造业原材料为甚。其中，塑料，铜和木制品下滑最为明显，这些品类与工业和制造业供应链深度捆绑，如今面临巨大关税压力。 Vizion分析师总结称，关税已引发巨大不确定性。 信号非常明确：托运人提前行动，抢在关税之前，然后在条件发生变化时踩刹车。这种在货物抵达港口前几周就能从预订数据中看到的行为表明，前瞻性物流情报已变得多么重要。 鉴于其他美国贸易伙伴的关税措施目前处于90天暂停期，托运人正航行在高度不确定且瞬息万变的贸易环境中。2025年剩余时间或将持续波动，伴随需求震荡、订单模式加速，以及全球对这些贸易行动的持续反应带来的采购策略重构。 [查看评论](https://m.cnbeta.com.tw/comment/1492638.htm)

4月14日，据宁德时代官微发布公告，4月10日，蚂蚁集团、哈啰与宁德时代正式签署战略合作协议。三方将基于数字科技、新能源技术与共享出行生态等核心优势，围绕绿色智能出行、数字科技、绿色运营及绿色投资四大方向展开深度合作，共同推动新能源产业智能化升级和生态体系建设。  公告称，蚂蚁集团董事长井贤栋、首席执行官韩歆毅；哈啰联合创始人、首席执行官杨磊，首席财务官陈晓冬；宁德时代董事长兼CEO曾毓群，首席投资官王红波等共同出席并见证了此次签约仪式。 据悉，作为本次战略合作的重点，三方将在绿色智能出行领域进行深度合作，包括智能驾驶、新能源出行综合服务平台建设、新能源电池后市场服务体系等方向。此外，三方还将通过包括成立合资公司在内的方式，共同推进重点领域的应用发展与商业化落地。 [查看评论](https://m.cnbeta.com.tw/comment/1492634.htm)

4月14日，《华尔街日报》周日发文称，欧洲目前在卫星互联网服务上依赖埃隆·马斯克(Elon Musk)的星链。然而，美国特朗普政府对欧洲盟友的漠视，**马斯克的反复无常，使得欧洲急于发展自己的卫星互联网服务**，但是这条路任重而道远。  欧洲急于摆脱对星链的依赖 今年3月，马斯克在X上威胁称，“如果我关闭乌克兰的星链卫星互联网服务，乌克兰整个前线都会崩溃”。 马斯克发布这条帖子时，星链的对手、法国卫星公司Eutelsat CEO伊娃·伯内克(Eva Berneke)正在前往会见欧洲官员的途中。**“这对我们来说将是极大的利好。”**伯内克当时心想。 现在，**欧洲寄希望于Eutelsat通过其卫星互联网服务OneWeb**，尽快为乌克兰提供一个可替代星链的方案。  Eutelsat CEO伯内克 从长远来看，欧洲指望Eutelsat协助建设一套太空通信网络，以提升整个欧洲大陆的自主性。 不过，质疑声不绝于耳，外界担心Eutelsat的竞争力无法在短期内追上星链。 **差距大** Eutelsat目前在近地轨道上的卫星数量**不到700颗**。该公司计划在未来几年再将500颗卫星送入太空。 相比之下，**星链目前是全球主导性卫星互联网服务**，拥有大约7000颗在轨卫星，是Eutelsat的10倍之多。而且，星链终端设备的价格大约只有Eutelsat的十分之一。星链用户终端的起始价格不到400美元，而OneWeb的起始价格为3200美元。  乌克兰士兵使用星链通信 在乌克兰，士兵们依赖星链进行通信。**除星链外，Eutelsat是唯一能够提供全球卫星覆盖的运营商，几乎可以实现实时通信。** “无论从哪个角度看，OneWeb都不是星链的合适替代方案。”卫星行业咨询公司Analysys Mason的专家克里斯托弗·鲍(Christopher Baugh)表示，“发射大量卫星并非一朝一夕就能完成的。” Eutelsat希望提升卫星网络容量，问题在于速度能有多快以及谁来为此买单。对这家公司有利的是：**自特朗普重返白宫以来，全球地缘政治正发生重大转变。** **时间紧迫** 星链并没有暂停在乌克兰的服务，但欧洲人对于这一潜在风险感到焦虑。针对马斯克声称关闭星链会导致乌克兰前线崩溃的说法，波兰外交部长拉德克·西科尔斯基(Radek Sikorski)回应称：**“如果SpaceX被证明是一个不可靠的供应商，我们将被迫寻找其他供应商。”**乌克兰方面称，波兰为大约5万个星链终端支付了一半费用，这些终端供乌克兰军方和民间机构使用。 马斯克的回应令欧洲人震惊：“闭嘴，轮不到你说话。你的投入微乎其微。星链服务无可替代。” 伯内克称，在这一争执发生后，她的手机被打爆了。欧洲官员们慌了，他们想知道Eutelsat能在乌克兰提供什么样的服务，以及能多快提供。“你们能立刻增加更多的容量吗？”他们问道。 伯内克仔细检查了公司库存，发现有5000个OneWeb终端可以在几周内送到乌克兰。另有5000个终端可以在一年内送达。**Eutelsat现在正在等待欧盟批准部署这些终端。** “如果你们能把5000到1万个终端送到那里，那它真可以当作备用方案了。”伯内克说道。  Eutelsat需要40亿欧元资金支持 **欧洲对于马斯克个人可靠性的担忧，已经危及到了星链赢得意大利政府合同的机会，该合同涉及提供安全通信。**意大利右翼总理梅洛尼是马斯克的朋友，并与特朗普政府保持友好关系，原本倾向于选择星链。但由于欧洲对马斯克的反感，意大利推迟了选择卫星互联网运营商的决定。意大利表示，他们正在评估星链以及其他替代方案，其中包括Eutelsat的服务。 “如果把所有鸡蛋都放在美国这个篮子里，这对意大利来说可不是什么好事。”欧洲议会的法国议员克里斯托夫·格鲁德勒(Christophe Grudler)说道，“想象一下，如果马斯克明天说：我想切断意大利的网络信号，会发生什么？” **资金从哪来？** 要想真正与星链竞争，Eutelsat很可能需要从其三大股东那里获得数十亿美元的资金支持，他们是法国政府、英国政府以及由印度亿万富翁苏尼尔·巴尔蒂·米塔尔(Sunil Bharti Mittal)控制的一个大型企业集团。 **欧盟和法国希望Eutelsat能够尽快发射更多卫星提供OneWeb服务。**但是，伯内克表示，公司需要40亿欧元(约合45亿美元)来更新和扩充其卫星群。 星链的优势还在于其母公司SpaceX的强大发射能力，该公司旗下的一系列部分可重复使用火箭每月能将数百颗星链卫星送入轨道。 为了把卫星送入太空，**Eutelsa常常使用SpaceX的火箭**。 [查看评论](https://m.cnbeta.com.tw/comment/1492632.htm)

昨天代码托管平台 GitHub 封禁所有中国 IP 地址的访问，当使用中国 IP 地址访问时会提示被站点拒绝访问，仅已登录的用户可以继续访问，其他用户即便访问登录页面都会提示错误。 [](https://static.cnbetacdn.com/article/2025/0413/65a9aa7174ba089.webp) 尽管有猜测这可能是 GitHub 为反击爬虫采取的极端措施，也有猜测称这可能与美国的行政命令有关，不过最终这起事件被证实仅仅只是 GitHub 存在的失误，因为 GitHub 存在操作失误。GitHub 在状态页表示，由于某个配置更改造成意外影响，这导致未登录的用户从中国访问 GitHub 时出现暂时无法访问，已登录的用户则可以继续访问。 根据日志信息，此次事故从 2025 年 4 月 12 日 20:01 UTC 开始到 4 月 13 日 14:55 UTC 结束，换成中国时间即 4 月 13 日 04:01~4 月 13 日 22:55 结束，持续时间长达近 19 个小时。 按理说这种大范围故障应该发生不久就能被监测到才对，恰好又是周末估计 GitHub 工程师们都在休息，这才导致能持续如此长的时间无法访问且没有被快速解决。 最终 GitHub 通过撤销配置更改来解决此次问题，现在用户访问 GitHub 时应该可以恢复正常，无论是否登录应该都可以重新访问 GitHub.com [查看评论](https://m.cnbeta.com.tw/comment/1492630.htm)

近日，“DIY Repair Hour”上传的一则视频，展示了一块被烧毁的同德（Palit） RTX 4070显卡。**与外部因素引发火灾的情况不同，这张显卡是在一台正常工作的电脑中起火的，而罪魁祸首很可能是一个没有过流保护（OCP）功能的电源。**  视频的发布者Patrick指出，这块显卡原本被用于一台矿机，而该矿机的电源设备缺乏基本的安全保护功能，正是这种电源的缺陷，导致了12V HPWR电源接口过热并最终起火。  显卡的主人表示，他是因为闻到了“一股难闻的气味”才意识到显卡着火，并迅速关闭了电脑。 **Patrick分析指出，火灾起源于电源连接器附近，不过他认为，主要责任还是在于使用了未经认证的电源设备。**  由于显卡已经严重损坏，已经无法修复，所以从一开始的目的就很明确：看看显卡中有哪些部件还能回收利用。  **但经过多番测试，他发现GPU芯片仍然“存活”，他还成功地从“废墟”中抢救出了内存模块、VRM、端口甚至BIOS等部件，**不过他并未验证这些部件是100%完好，但他认为由于它们距离火源比GPU核心更远，应该没有问题。 所以大家在追求硬件性能的同时，切不可忽视电源的重要性。 [查看评论](https://m.cnbeta.com.tw/comment/1492628.htm)

<blockquote><p>随着经济全球化的转型，传统的制造业模式正在被打破，产业迁移与全球产业价值链的解构与重组成为必然趋势。本文深入探讨了制造业产业迁移中的KD模式（半散件组装与全散件组装），分析了从SKD到CKD的产业迁移路径、产业控制权的争夺、以及这一趋势对中国制造业的深远影响。</p> </blockquote>  ## 背景 一、中国工业制造体系经过几十年的高速发展，已经形成了极具全球竞争力的生态，具有全球最齐全的工业门类、链条相对完整、供应链效率极高等优势。中国制造业总产能已占全球1/3以上，其中60-70%供应国外市场； 二、经济全球化不会终结，但国家间合作大分工的全球化时代已经结束，未来一定会是全球分布式的，形成你中有我、我中有你，互惠互利的全球化合作模式； 三、中国制造卖全球的时代已经结束，全球各“大厂”将生产制造基地都全部集中在中国再出口至全球市场的时代也已经结束； 四、“中国创造、全球制造”的时代已经来临。中国制造仍然是全球制造中的最重要部分，但不是全部； 五、中国政府关注实体经济、制造业、就业、税收、出口创汇，但世界各国同样也关注这些问题，我们必须平衡好各方利益，才能和谐相处、友好合作。 ## To B产品走出去 今后除非你的产品是不可替代的，否则某国生产制造全球卖的情况会非常少，都需要本地化生产 。中国有大量的细分行业企业一直在参与国际产业链的分工合作，如工业和消费类电子产业链、油车及新能源汽车产业链等等，随着主机厂（链主）生产基地的全球布局以及在关税及供应链安全半径的双重作用下，必须跟着在同城/同国家/周边国家建厂，否则就会被淘汰出局。 中国具有庞大的市场需求，国际大厂及中国成长起来的跨国公司仍然会将市场重心和针对中国市场的生产制造基地放在中国。所以参与国际供应链合作的中国供应链企业也将会逐步演变成总部在中国、主要研发中心在中国、针对中国市场的制造基地在中国、核心/关键零部件和材料制造在中国、产品交付端在全球各地的跨国经营模式。 我认为，未来的十年是中国企业演变成“国际化跨国公司”的快速成长期。过去是国际大厂进入中国让中国供应链与国际水平同步，未来是中国企业主动走出去继续与世界同步甚至超越。同时，中间品出口至全球各国一定会快速增长，也会给中国企业带来更丰厚的利润并实现高质量发展。 ## 供应链逐步实现“销地产” 供应链集中在中国且链条相对完整的优势产业应当实现“销地产”，除了简单快消品以外，任何国家和经济体都不太欢迎直接进口，所以多少都会有一些关税壁垒或非关税壁垒，更何况商品除了性价比外还有如适应本地化使用习惯、售后服务等因素。所以要想扩大、稳固市场占有率，最好的方法就是实现本地化生产——“销地产”，而不是以低价优势外贸出口。 中国的许多产业已经非常成熟，也陷入了亏本竞争的恶性“内卷”，但对于世界上许多国家而言这些产业还是空白，如黑白家电/小家电、家装建材、照明灯具、低压电器等等，有条件的企业应利用中国强大的供应链优势去发展中国家、新兴市场国家建立组装生产线实现“销地产”，中国改革开放后大量的外国产品也是通过这种方式进入中国市场的，通常成套零件/散件进口关税会比整机进口低很多，SKD/CKD出口所获取的利润也要远远高于成品出口的利润。 ### 1. 产业迁移：SKD→CKD揭示全球价值链解构重组 **1）产业迁移的阶梯性渗透** SKD阶段（2010年代） 本质：**劳动力套利型迁移** 发展中国家通过进口半成品（SKD）完成终端组装，利用本地廉价劳动力替代中国装配环节（如越南手机厂工人薪资仅为珠三角1/3），实现**产业链末端迁移**。 典型场景： - 印度莫迪政府”分阶段制造计划”（PMP）要求SKD组装比例逐年提升 - 非洲传音模式：中国主板+本地组装，规避非洲国家35%整机关税 CKD阶段（2020年代） 本质：**技术扩散型迁移** 接收国要求拆解核心模组（如主板CKD拆分PCB光板与电子料），倒逼本地建立二级供应链（如土耳其已形成SMT贴片集群），实现**产业链腰部迁移**。 典型案例： - 墨西哥《美墨加协定》迫使中国车企以CKD模式出口零部件 - 巴西要求消费电子企业本地生产PCB基板以换取税收减免 **2）产业控制权争夺升级** - SKD时代控制点：中国掌握主板设计、核心元器件采购、工艺标准制定（如华为海思芯片定义手机架构） - CKD时代控制点：接收国通过本地化法规（如欧盟《电池法案》要求锂电材料溯源）争夺供应链话语权 ### 2. 产业转型视角：CKD倒逼中国制造范式革命 **1）被迫转型压力** 成本护城河崩塌 珠三角手机组装综合成本（人工+管理+物流）已达墨西哥的117%，SKD模式成本优势丧失 典型案例：东莞某电子厂SKD订单利润率从2015年18%降至2023年5%，被迫转型做CKD精密连接器 技术封锁加剧 CKD拆分倒逼核心技术暴露：如某国产贴片机厂商因土耳其客户要求提供设备源代码，面临技术逆向风险 **2）主动转型路径** 向上突破 从”装配者”转向”标准制定者”：大疆通过自研飞控算法，迫使海外无人机厂商采购其CKD飞控模块 横向延伸 构建**模块化技术包**：比亚迪将刀片电池、e平台3.0等技术封装成CKD解决方案，向丰田等车企输出 生态重构 打造**工业母机+工业软件**双底座：深圳某SMT设备商联合EDA企业推出”智能贴片解决方案包”，实现设备-工艺-物料数据闭环 ### 3. 战略应对框架：中国制造的破局之道 **1）技术卡位战略** - **核心器件深挖**：聚焦IGBT、MEMS传感器等”卡脖子”领域（如华为哈勃投资思特威CMOS芯片） - **工艺标准输出**：将中国工厂管理经验转化为工业APP（如富士康工业富联推出”熄灯工厂”管理系统） **2）供应链韧性建设** 近岸化布局 在RCEP区域构建”3小时供应链圈”：如立讯精密在越南海防建立连接器-CKD枢纽，实现华南基地4小时物料直达 数字化穿透 应用区块链实现CKD物料全程追溯：海尔COSMOPlat系统已对接全球2.3万家零部件供应商 **3）商业模式创新** - **制造即服务（MaaS）**：向CKD客户提供”设备租赁+技术授权”组合服务（如先导智能在匈牙利试点锂电设备订阅制） - **技术许可银行**：建立专利池向新兴市场收取CKD技术使用费（参照高通模式） ## 结语 KD模式的普及实质是全球产业权力再分配的具象化。中国制造需从”产能输出”转向”能力输出”，通过**技术模块化、服务产品化、生态平台化**重构竞争优势。这不仅是产业生存之战，更是塑造新工业文明形态的历史机遇。唯有将压力转化为范式革命的动力，方能在全球价值链重构中掌握主动权。 本文由 @给我磨墨 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>在自媒体蓬勃发展的当下，个人IP的打造成为众多创作者的追求目标。然而，选择合适的赛道是成功起号的关键一步。本文将深入探讨个人IP在自媒体领域选赛道的底层逻辑，供大家参考。</p> </blockquote>  ## 1.能做宝妈的生意，就别做成年人的生意 这话怎么理解呢？因为我有7年都在教育培训行业做新媒体运营，其中K12三年，留学机构待一年，老年教育待两年，成人学历提升机构待一年，我发现： 就消费人群来说，掌握家庭财权的宝妈更有付费意愿，尤其是涉及到孩子教育的事儿，总是不遗余力。 而成年人，尤其是男性用户，消费观念更加理智和斤斤计较，可能这个观点偏激，那我这么说吧。 女性是为美好愿景买单，她买的是当下的情绪和对未来的美好憧憬； 而男性是为产品效果买单，不是说买不起高客单产品，而是你得先让我看到效果，吹哪些花里胡哨的的功能没用。 所以同样是音乐课、美术课，成人教育的转化率往往没有同类型产品的青少年教育培训的转化率高，因为前者是为兴趣买单的软需求，而后者是为艺考做准备的硬刚需。 ## 2.能做刚性需求的赛道，就别做软性需求的赛道 所谓刚需，在秃头老王我看来，是某个产品或者服务，必须在约定时间内去解决解决用户的某个具体问题。 就比如我之前做托福运营的项目，学生来找我咨询课程或者机构老师，那就是奔着必须赶在什么时候出分去的，因为语言类考试分数要求，是留学生去申请学校的硬性指标。 那什么是软性需求呢？我觉得像职场沟通能力，瑜伽普拉提这些大多数属于软需求，其实判断标准也简单：你把这个业务去掉后，会对用户的职业或者生活有直接影响吗？ 人都是趋利避害的动物，前几年收入稳定的时候，报些高端健身房的私教课没问题，但是当收入锐减，消费降级的时候，必然会砍掉这些不必要的开支。 ## 3.能力出众的博主选大赛道，能力想对较弱的选小赛道 其实很多自媒体新人起号，会和2024年的我一样犯错：贪多求全。 比如我有个身份是独立摄影师，像人像写真、活动跟拍、婚礼摄影这些我都能拍，拍得虽然比普通摄影爱好者要好，但是和那些深耕多年的摄影大神是没法比较的，所以定价偏中低档。 而且我年终复盘的时候也发现了，像那些低客单、复购低的写真业务，耗费了我大量的时间精力，但投入产出比是不高的。 那我和资深摄影师相比，有什么优势呢？那就是我有一些线下展会参展商、企业主的资源，虽然他们当时是咨询我线上营销获客的问题，但是我请求企业如果有展会活动、年会团建等需要拍摄时，也可以call我。 这就是差异化竞争，你的技能或者服务能够持续为他人提供价值，那必然就有复购的可能性。 ## 4.能选技能，不选爱好 做了独立摄影师后，我发现兴趣爱好真的不能当饭吃，与其等那种靠天吃饭的C端写真单子，不如专攻线下展会、企业活动的这种B端单子，客单价更高而且有更优质的人脉沉淀。 同理，如果你的自媒体赛道，是基于自己过往兴趣爱好衍生的，比如教别人烘培、教别人做短视频啥的，真的很容易被淘汰掉。 因为稀缺性决定议价权，市场上教人做自媒体的老师那么多，你不是非选我不可。 但是对于B端企业而言，找到一个能帮他们解决线上低成本获客难题的运营专家，是稀缺的，尤其是运营实战派，能把过往经验去结合公司业务，做个性化的落地解决方案，才能让老板爽快买单。 这也是我为什么从新媒体运营总监转型做商业IP操盘手的原因之一，前者对流量负责，后者对商业结果负责，要学会聚焦，去解决一小撮高净值用户的刚需问题。 本文由 @秃头老王聊运营 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 Pexels，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>最近有朋友反馈，流量红利消失，获客成本飙升。越是如此，越需要&#34;精细化&#34;的思维。今天就来聊聊，如何用运营高手都在用的&#34;指标拆解、精细运营和数据分析&#34;这三板斧，帮你快速找到增长突破口。</p> </blockquote>  ## 01 掌握精细化运营思维 ### 1. 精细化运营三层次 **（1）明确目的和核心指标** 在互联网运营领域，**精细化思考是区分普通从业者与高手的关键能力**。精细化运营的第一步是明确目的和核心指标。在面对具体问题时，**必须先明确解决问题的目的，围绕目的找出核心指标进行监测**。 **互联网环境的一大特点是所有用户行为都可被监测**，依据这些数据能让工作变得更加精细。优秀的运营会将工作分成三个层次：目的、相关指标和手段。 任何时候，拿到一个问题时首先要明确目的是什么，找出核心指标。例如电商店铺的核心指标是销售额。 日常运营中常见的指标还包括社群成员数量、网站内容数量、注册用户数量等。**数据驱动增长的基础就是明确这些核心指标**，为后续分析奠定基础。 **（2）拆解指标成分支指标** **第二步是将核心指标拆解成多个分支指标**，最终呈现出公式的形式。核心指标通常由多个不同的分支指标构成。**指标拆解是精细化运营的核心技能**，能帮助运营人员更深入理解问题本质。 以销售额公式为例，可以通过不同方式拆解： - 销售额 = 流量 × 转化率 × 客单价 - 销售额 = 老用户购买金额 + 新用户购买金额 - 销售额 = 商品 A 销售额 + 商品 B 销售额 + 商品 C 销售额 通过这些不同的指标拆解方式，可以有针对性地思考是提升流量、优化转化率还是提高客单价； 是促进老用户复购还是获取新用户；是重点推广某款高利润商品还是全面提升所有商品销售。不同的拆解角度会引导出不同的解决思路。 **（3）通过数据比对找发力点** 第三步是**通过数据分析方法对各分支指标进行比对和评估**，找出哪些指标有提升空间，哪些是短板。**这种数据比对是数据驱动决策的核心**。 例如，某平台有 10 万注册用户，但老用户复购占总销售额比例只有 10%。这一数据表明在老用户复购环节存在巨大提升空间。 通过这种数据比对，可以找出哪些指标还有提升潜力，哪些已经达到较高水平，从而确定运营发力点和驱动力。 完成前三步后，才考虑具体运营手段，如举办活动、调整商品展示方式、优化产品包装和文案等。**这种精细化运营思维能让工作更有针对性和效果**。 ### 2. 案例解析与应用 **（1）淘宝店铺销售额提升** 某电商店铺的老板要求在一个月内将销售额提升 3 倍，预算仅有几万元。一位刚入职不到一个月的员工面对这个任务毫无头绪，不知如何实现销售额提升目标。 面对这个问题，可以应用精细化运营思维进行分析。首先需要思考围绕销售额这个核心指标，相关的分支指标有哪些？具体来说： - 店铺当前是整体流量不够，还是购买转化率太低，或是客单价不够高？ - 是应该让老用户重复下单购买更多，还是引入更多新用户到店铺购买商品？ - 如果店铺有 A、B、C 三种商品，应该重点推哪一种？ 如果对这些问题思考不清楚，就很难确定如何执行销售额提升的任务。**通过这种指标拆解和精细化思考，能找出影响销售额的关键因素**，再根据数据分析模型确定最有效的提升方向。 比如，若发现店铺流量充足但转化率低，就应专注于优化产品详情页或简化购买流程； 若老用户复购率低，则需改进用户体验或设计忠诚度计划。这种精细化运营思维远比简单地”多投放广告”更有效。 **（2）微信公众号涨粉困境** 很多运营者在做公众号涨粉时遇到困难，往往简单地通过花钱投广告来解决，但效果并不理想。应用精细化思维，公众号涨粉问题可以拆解为多个环节： - 推广渠道是否足够多元化？ - 在已有渠道中，曝光后的关注转化率如何？ - 公众号内容质量是否足够高，但因标题不够吸引人而导致打开率低？ - 用户阅读后是否愿意分享转发？ 通过这种精细化拆解，可以找出真正的问题所在。比如，若发现已有足够曝光但转化率低，问题可能在于内容质量或吸引力； 若文章打开率高但很少有人转发，可能是内容不够有价值或缺乏社交属性。 每个环节出现问题都会影响公众号涨粉效果。如果无法界定问题出在哪个环节，随便投放广告可能只是在浪费时间和资源。**用户运营的关键在于找到真正的瓶颈点**，而不是盲目增加营销投入。 ## 02 精细与粗放的区别 ### 1. 粗放思维局限性 **粗放型运营思维是很多运营新手常见的误区**。当面临”提升销售额”这样的目标时，粗放思维往往得出”多投广告”的简单结论。这种思维方式存在明显局限性： 首先，无法评估效果。投放广告后，很难判断广告效果好坏，无法评估投入产出比。 其次，无法定位问题环节。当销售没有提升时，无法确定是广告投放策略问题，还是产品本身存在缺陷，或是用户体验出了问题。 再者，资源浪费严重。盲目投入导致资源分散，效率低下。 例如，很多人提到要提升销售额，就一拍脑袋决定多投广告。这种粗放思路虽然可能对销售额有所帮助，但无法评估广告效果，无法确定哪个环节出现问题，也难以判断投放是否精准。 粗放思维在流量优化方面尤其容易走入误区。面对流量下滑，第一反应就是增加广告投放，而忽视内容质量、用户体验或产品本身的问题。 ### 2. 精细思维优势 **（1）问题精准定位** **精细化思维的最大优势在于能够精准定位问题**。通过将核心指标拆解为多个分支指标，然后通过数据分析找出真正的问题所在。 **精细化思维通过一系列梳理和问题拆解，最终能精准知道应该在哪个环节解决什么问题**。 例如，对于电商平台的转化率问题，精细思维会进一步拆解为：首页跳出率、详情页停留时间、加购率、下单率、支付完成率等指标。通过对比这些数据，可以准确找出转化漏斗中的薄弱环节。 这种精准定位能力使精细化运营能做到”四两拨千斤”，以最小投入获得最大回报，这也是增长黑客常用的核心方法论。 **（2）工作更加可控** 当采用精细化思考看待工作后，很多工作会变得更加可控。**精细化思维使运营工作变得可测量、可评估、可优化**。 通过持续监测各项指标变化，运营人员可以及时调整策略，避免资源浪费。 同时，数据驱动的方法也使团队协作更加高效，因为每个人都清楚自己负责的指标目标，以及这些指标如何影响整体运营目标。 很多运营工作做得不好，可能是因为问题没有找对。例如，做微信公众号时觉得涨粉很慢，就到处花钱投广告，但效果不佳。 真正的原因可能不是缺乏曝光，而是其他环节出了问题。精细化思维能帮助找出真正的问题所在。 ## 03 实践方法总结 ### 1. 避免盲目采取手段 在实际运营工作中，应避免盲目采取手段。**优秀的运营人员会不断将工作分成目的、相关指标和具体手段三个层次来看待**，在目的不明确或相关指标界定不够精细，没有找到发力点和驱动力时，不会贸然采用不明确的手段。 很多运营者遇到问题时，第一反应是”做什么”而不是”为什么做”。 例如，发现用户活跃度下降时，直接上线积分活动，而没有思考活跃度下降的真正原因。 正确做法是先明确目的，找出核心指标，通过指标拆解和数据分析找到问题所在，最后才考虑具体解决手段。 在精细化运营实践中，**每项运营活动都应有明确目标指标和评估标准**。 例如，不仅要知道活动要提升销售额，还要明确是通过提高转化率还是增加客单价实现，以及活动结束后如何评估效果。 **这种数据驱动决策的思维方式是现代互联网运营的基础**。 ### 2. 找准发力点和驱动力 **找准发力点和驱动力是精细化运营的核心**。通过数据分析找出指标体系中的短板和潜力点，集中资源进行突破，实现运营成长。 例如，通过分析用户行为数据，发现用户在某个环节的流失率特别高，这个环节就是优化的发力点。 或者通过 A/B 测试发现某种营销方式效果超预期，这种方式就是可以放大的驱动力。 在指标拆解基础上，可以建立数据分析模型，找出影响增长的关键变量和杠杆点。 对于内容平台来说，可能发现”优质创作者数量”是影响平台内容质量和用户留存的关键驱动因素，那么吸引和培养优质创作者就成为运营重点。 总之，当无法界定问题出在哪个环节时，随便采取手段很可能是在浪费时间和资源。只有通过精细化运营思维，找准问题所在，才能有针对性地制定解决方案，实现真正的用户增长。 掌握了”指标拆解、精细运营和数据分析”这套方法，就能像运营高手一样，**精准找到问题所在，并制定有效的解决方案**。可以少走弯路，节省时间和精力，快速实现业绩增长。更重要的是，可以掌握一套通用的运营思维，应对各种挑战。 **增长黑哥划重点——** **知识点1 明确核心指标：**面对运营问题，首先要确定衡量目标的核心指标。 **知识点2 拆解核心指标：**将核心指标分解为多个可操作、可评估的分支指标。 **知识点3 对比分析指标：**通过数据对比，找出最有提升潜力的分支指标。 作者：小黑哥 公众号：增长黑客之道 本文由 @小黑哥 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>数据显示，中国虽有超过80%的企业开启了数字化转型之路，但成功率却不足20%。为何众多企业在数字化转型过程中步履维艰？本文将深入剖析企业在数字化转型中常见的三大坑：认知误区、切入点偏差和能力短板，提供实用建议，帮助企业避开这些陷阱。</p> </blockquote>  华为CIO陶景文说：**“数字化转型是当代企业的必选项，而非可选项”** 前几天，我看到一组数据，令人深思。 数据显示，中国** 81.6% **的企业已开启数字化转型，然而成功率却不足 **20%，并且**这些成功案例主要集中在快消品行业，耐用品领域的成功率恐怕连** 5%** 都不到。 这让我有些意外，毕竟当下我们已普及 DeepSeek，AI大模型用户都超过2.3亿，我们都步入 AI 时代，可企业数字化竟如此滞后。 要知道，在 AI 时代，企业要想站稳脚跟，**算力、算法与数据缺一不可**。那数据从哪里来，肯定是企业数字化。所以企业想抓住 AI ，企业必须先过数字化转型这关。 为什么企业数字化转型困难重重，成功率低呢？主要有三道大坑。如果能成功避开这三道坑，转型的成功率将大大增加。 **第一道坑：认知误区 —— 将数字化视为项目而非战略** 将数字化当作项目与视为战略，存在本质区别，集中体现在企业对其重视程度、心理预期、难度估量以及资源投入等方面。我们常说数字化是 CEO 工程、一把手工程，这背后深意便是强调数字化的极端重要性，它应该被放到企业发展的最高优先级。 **数字化绝非简单装一套系统就能大功告成。**过去，不少软件公司以售卖软件为幌子，误导企业开展数字化建设，最终却收效甚微。另外数字化也并非某个部门的单打独斗，它贯穿企业全业务流程。 以生产零售型企业为例，从生产数字化、研发数字化、渠道数字化、营销数字化、产品数字化、管理数字化到供应链数字化，各个环节紧密相连，缺一不可。 至于从哪个环节率先突破、需要耗费多长时间、面临多大挑战以及何时能收获成果，回答这些问题都不简单，它需要全公司上下一心，把它作为统一战略来推进。 前面也说过，AI 时代的三大核心要素 —— 算力、算法和数据中，数据堪称关键中的关键。缺乏数字化根基，企业在 AI 领域的发展也将成为无本之木。 因此，企业 CEO 务必保持清醒认知：数字化是关乎全局的战略，绝非普通项目。 **第二道坑：切入点偏差 —— 价值认知错配** 数字化并非炫技手段，而是实实在在的生产力与生产资料，它要给企业创造实际价值，这一开始就要有清晰共识。但是，企业往往当局者迷，导致方向错误。 曾有一家客户企业，它的产品并非直接面向终端用户销售，而是借助经销渠道，属于典型的生产型企业。当时，他们的私域团队向我咨询：私域运营究竟应侧重于服务还是销售？这一问题已困扰他们长达半年之久。私域是客户数字化的一种形式，他们的困惑恰恰反映出在客户数字化价值切入点的选择上出现了偏差。切入点一旦错误，企业往往劳神费力却收效甚微，不仅投入大量资金，最终却难以达成目标，导致数字化转型失败。 经过多年实践总结，我发现不同类型的企业，数字化切入点各有不同。 **对生产制造型企业而言，数字化切入点应优先聚焦于生产端、供应链端、研发端以及管理端。**通过数字化手段，能够直接实现降本增效、提升产品品质与良品率。数字化管理还能助力企业实现规模化扩张与模式复制，这些都是实实在在的价值体现。 而零售型企业由于直接面向消费者，产品销售面向市场，它的数字化切入点则应优先考虑营销和渠道端。通过数字化赋能，实现宣传曝光、提升品牌知名度、精准营销、深入用户洞察，最终提升用户转化率与复购率。 如果企业兼具生产制造与零售双重属性，那么两端的数字化建设都需同步推进。 简而言之，找准企业数字化切入点，关键在于深入剖析业务模式。务必选取最易出成果、对企业最为关键的业务环节作为突破口，切忌盲目跟风、仓促上马。 **第三道坑：能力短板 —— 组织能力欠缺，人才匮乏** 再好的战略，最终都需依靠组织与人才来落地实施。缺乏合适人才，战略难以推进；用错人才，损失更为惨重。 如果能找到既懂业务又懂技术的复合型人才，自然是最佳选择，但在现实中，这类人才可谓凤毛麟角。 那么，企业该如何应对？我的建议是，**优先选拔懂业务的人才**。即使他对技术不了解，也可通过配备产品经理，将业务需求准确传达给技术团队，同样能够解决问题。如果是只懂技术，不太懂业务，就会很难沟通推进。 企业自身组织能力不足，还可以请经验丰富的咨询公司协同作战，这样内外结合，加速数字化进程。有些传统企业将数字化交由 IT 部门主导，我认为这种做法不对。 数字化一定是业务驱动，不是技术驱动，所以要听业务的。另外，我也不建议企业把数字化工作完全外包给第三方，企业自身必须组建数字化团队，最懂企业还是自己人，而且数字化是一项长期且持续的工作。 今天，很多优秀的企业已经不把数字化转型挂在嘴边，因为它们的数字化早已融入日常经营，成为企业发展的基石。 希望企业在数字化转型的道路上前行企业，能够成功避开上面的三大 “坑”，早点转型成功。 本文由人人都是产品经理作者【晏涛三寿】，微信公众号：【晏涛营销笔记】，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。

什么退休创业追求自我、老年女性突破困境寻找自我，或许都不如狗血爱情故事更容易让老年人感到快乐。

自《个人信息保护法》《数据安全法》实施以来，国家监管举措持续完善、陆续出台：2025年1月《网络数据安全管理条例》正式施行，明确要求网络数据处理者全面履行安全合规义务；2025年2月《个人信息保护合规审计管理办法》发布，为组织开展个人信息合规审计工作提供具体指引；2025年3月四部委联合启动“个人信息保护系列专项行动”，将针对“App（含小程序、公众号、快应用）、SDK、智能终端、人脸识别”等六大违法违规收集使用个人信息典型问题开展集中治理。面对日趋严格的个保合规环境，企业亟需构建系统化的合规管理体系。根据现行法规，未履行合规义务者不仅面临高额行政处罚，还可能因消费者投诉、数据泄露事件陷入信任危机。 梆梆安全基于《个保法》第五十四条要求：“个人信息处理者应当定期对其处理个人信息遵守法律、行政法规的情况进行合规审计”，结合《审计管理办法》中进一步的细化规定：“处理超过1000万人个人信息的个人信息处理者，应当每两年至少开展一次个人信息保护合规审计”，以国家法规为基准，依托十余年网络安全领域技术沉淀，**整合专业审计团队与成熟的合规框架体系，正式推出个人信息保护合规审计服务和审计咨询服务**。 该服务体系覆盖从“风险识别、合规评估到整改落地”的全流程，**通过系统化审查数据处理的合法性、安全防护措施的有效性及个人权利保障机制的完备性，为业务拓展提供权威的合规背书，助力企业在激烈竞争中构筑差异化优势**。 **个人信息保护合规审计服务** 依据法律法规及监管要求提供合规审计服务，包括**管理制度审计、安全措施有效性审计、个人信息处理活动合规审计、法律文件合规审计**，涵盖数据处理、跨境传输、安全措施等17项检测大类，通过“从治理体系到安全实践，从流程设计到合规落地”的闭环审计，助力企业识别风险、建立或完善合规体系，有效规避或降低监管风险、高效处置消费者投诉。  **一 审计场景** **1. 1000万人以上个人信息处理者**：针对只在中国境内年处理超1000万人个人信息的企业，需满足至少2年一次的合规审计要求，审计范围包括：制度+法律+技术。 **2. 100万人以上个人信息处理者**：针对处理个人信息达到100万人以上的企业，或年度涉及敏感个人信息达到1万人以上（自上一年1月1日起），需定期开展合规审计，审计范围包括：制度+法律+技术。 **3. 重要互联网平台**：针对提供重要互联网平台服务、用户数量巨大、业务类型复杂的个人信息处理者，需满足至少2年一次的合规审计要求，审计范围包括：制度+法律+技术。 **二 审计阶段及交付成果** **1.启动阶段** 明确项目实施范围、周期及权责分工，确保目标清晰、资源高效协同，为后续审计行动明确方向。 **2.准备阶段** 通过多维度调研手段（现场访谈、问卷调研、线上会议等），全面梳理企业个人信息处理现状，初步评估信息风险控制设计和运行是否有效，为深度审查提供依据。 **3. 实施阶段** 基于制度规范、技术架构、法律义务三大维度开展合规审查。调取企业隐私政策、合规档案、合同协议等文件进行合法性与完整性评估，并通过实地勘察机房环境、物理防护、访问控制及备份恢复机制等，结合技术手段验证数据保护措施的实际运行效果。核心技术手段如下： **·**日志分析：深度核查个人信息处理活动的访问轨迹与操作记录，快速锁定敏感数据流向及关联用户信息，识别异常操作行为及未授权访问风险。 **·**穿行检测：以信息处理流程为导向，逐环节追溯个人信息处理活动的具体操作，检查内部控制是否按设计运行，流程中各关键节点操作是否合规，精准识别潜在缺陷。 **·**控制性测试：重点针对个人信息处理活动各个环节的安全措施有效性进行验证，能否达到个人信息保护目的、个人信息保护措施是否有效、是否符合个人信息保护义务要求。 **4. 报告及整改阶段** 召开审计评审会议，针对风险根源与整改路径达成共识，协助企业落实具体措施，并跟踪评估整改成效。 在审计全流程中，梆梆安全将覆盖各审计节点，系统化输出标准化交付成果，包括“项目实施计划书、审计方案、过程记录文件、最终审计报告及整改建议”等。 如企业缺乏实施经验或不知如何开展，梆梆安全也可进一步提供**审计咨询服务。在审前咨询阶段，开展合规基线对标评估，执行差距分析并出具整改建议，全程提供咨询与指导，为后续正式审计奠定合规基础**。 在用户隐私意识与监管标准同步提升的当下，个人信息保护不仅是企业合规的底线，更是驱动创新与赢得市场竞争力的关键。梆梆安全基于十余年技术积淀与行业实战经验，深度融合智能审计技术与全流程合规框架，助力客户构建覆盖全生命周期防护体系。未来，我们将继续加码前沿技术研发，不断打磨产品与服务，护航企业在数字化浪潮中合规前行。

<blockquote><p>本文将以知识星球为案例，介绍如何从0到1实现打造个人知识星球。对于渴望输出专业价值的个体而言，打造专属知识星球不仅是知识变现的途径，更是构建个人影响力、凝聚同频社群的重要载体。本文将从定位、内容、运营、推广四大维度，拆解打造高价值知识星球的核心逻辑。</p> </blockquote>  ## 引言：知识星球 —— 个体价值的放大器 2014年，当「知识付费」还未成为风口时，我建立了个人网站jjyc.org，试图在互联网荒漠中为书友开辟一片绿洲。十多年时间，我亲历了个人站长的艰辛——深夜维护服务器、独自策划内容、与流量算法搏斗……这些经历让我深刻意识到：在注意力稀缺的时代，个体创作者需要的不是一座孤岛，而是一颗能自主运转的「知识星球」。 在短视频平均停留时间仅7秒的今天，我们似乎每天都在“学习”——刷社交媒体、听知识付费课程、收藏干货文章，但关上手机后，能记住的却寥寥无几。这种“知道很多道理，却过不好一生”的困境，本质是因为我们缺乏一个**系统化的知识管理体系**。 **信息爆炸时代的真正危机，不是知识太少，而是知识太杂。**当碎片化信息如潮水般涌来时，大多数人成了被动的“知识消费者”，而非主动的“知识创造者”。而真正的核心竞争力，恰恰在于能否将零散的信息转化为可复用的知识资产。 因此，我希望通过打造知识星球，为大家构建的**专属知识生态系统**，吸引相同兴趣爱好的粉丝加入一起共建知识生态圈，它包含三个核心价值： - **对抗遗忘**：通过结构化存储，让知识随时可调用； - **加速创新**：通过跨界链接，激发新洞察； - **创造复利**：通过持续输出，将知识转化为影响力或收入。 ## 一、明确自身优势与定位：找到你的 “差异化锚点” 其实我们每个人都有与众不同的特质，都有自己的专业技能，因此如果构建自己的知识星球，需要将自己的专业技能和特长发挥出来，走差异化路线，明确知识星球的“核心定位”。例如：程序员小A每天学习Python教程、产品经理网课和心理学书籍，但三年后依然无法升职。 问题在于他的知识体系缺乏焦点——编程、产品、心理学都是独立碎片，未形成合力。 构建知识星球同样如此，在知识付费行业年增速超25%的今天，「泛而浅」的内容正加速贬值。得到专栏Top100课程中，87%聚焦垂直细分领域；知乎高赞答主平均深耕单一领域3.2年——这些数据揭示着知识经济的底层逻辑：**深度即货币，体系化才是硬通货**。与其做覆盖360行的“知识杂货铺”，不如打造垂直领域的“知识奢侈品店”。真正的知识星球建造者，应是手握三把密钥的“知识建筑师”：深度剖析专业护城河、精准捕捉市场需求缺口、构建 “专业 + 兴趣 + 需求” 三角定位。  ### 1.1 深度剖析专业护城河 我们每个人在构建知识星球时，首先要发掘自己的擅长点，比如，钢琴弹得好，产品文档写的非常专业，对财务领域非常精通或是对咖啡特别有研究，这都是自己的优势。我们发现自媒体做的比较好的博主，他们都有自己的独特标签，例如： - 专业资质：10 年 + 行业经验 / 权威认证 / 成功操盘案例（曾带领团队实现年营收破亿的营销专家） - 独特资源：独家行业数据 / 稀缺人脉 / 未公开方法论（掌握某细分领域供应链资源的创业者） - 思维特质：结构化拆解能力 / 跨界整合视角 / 痛点洞察敏感度（擅长用心理学解析职场沟通的 HR 总监） 对于个人而言，我们需要用「100小时定律」淬炼核心技能。以我自己为例，自己的擅长领域在于信息化产品、财务以及支付，有多年管理经验，具备业务管理和技术复合背景，这些技能可以为企业提供非常专业的咨询与解决方案设计，同时也可以为职场人士提供指导，基于自己多年的经验为他人提供最优解决方案，少走弯路，节省成本。 同时，我们从基础层、专业层和跨界层构建「三级知识金字塔」。 - **基础层**：通识能力，如逻辑思维、常用的方法论和认知模型；行业资料，聚焦于同自己专业技能以及知识星球定位相关联的信息，报告，作为专业知识领域的补充信息；图书分享，一些好书分享，提升知识星球的附加价值，形成交流，为后续开展读书活动提供素材。 - **专业层**：体现知识星球垂直领域深度，现在AI比较火，需求量比较大，自己也有技术背景和业务背景，因此在AI领域的深度加上产品的技能，可以打造基于特定场景的AI应用，生成可落地的解决方案，这也是专业领域的优势，相比单纯讲理论的AI知识分享，结合实践的AI知识技能更容易被大家理解和掌握。 - **跨界层**：创新连接点，我自己一直有开咖啡馆的执念，而咖啡馆为产品分享和读书会的活动提供了空间，以咖啡、产品、读书会为支点，构建「场景-认知-价值」三位一体的知识融合生态，将咖啡品鉴转化为商业思维训练，用读书会孵化产品创新工坊，为知识星球成员提供增值服务，实现共同成长。  ### 1.2 精准捕捉市场需求缺口 知识星球的推广传播需要获得用户的认可，需要发掘用户需求。市场需求缺口的本质是需求缺口（消费者需求未被现有产品或服务充分满足）和供给缺口（现有供给无法匹配需求，如传统知识付费平台缺乏深度垂直内容）。 因此，知识星球的核心在于填补市场需求缺口，尤其是未被大平台覆盖的细分领域。我们可以利用三大工具定位机会。 **1）平台调研** 在知识星球搜索栏输入关键词，分析同类星球的内容同质化程度、用户差评集中点（如 “缺乏实操案例”” 更新不规律 “）。我自己是计划做AI+产品的内容，目前AI的博主非常多，自己如果也单纯做AI类知识内容，无法形成有效竞争力。因此自己的知识星球是需要走差异化路线，在讲述AI技能的同时，可以结合实际工作，能真正运用到工作中，提升效率。 内容同质化是众多知识星球面临的一大挑战。大量相似主题的星球涌现，使得用户在选择时往往感到迷茫。例如，在 AI 领域，由于其近年来的火爆发展，涌现出了海量的 AI 类知识星球。据不完全统计，截至 2024 年底，在知识星球平台上以 “AI” 为关键词能搜索到的相关星球数量超过数千个。 对这些星球的内容分析发现，超过 70% 的星球在基础知识普及、技术概念介绍等方面存在高度的同质化现象。许多星球都是围绕 AI 的基本算法、常见模型等内容展开，且讲解方式和深度也较为相似。这种同质化竞争不仅导致创作者难以脱颖而出，也让用户在获取真正有价值且独特的内容时耗费了大量的时间和精力。 采用SWOT 分析法对知识星球同类竞品进行系统化评估，建立包含内容矩阵、运营模式、用户画像的三维坐标系。以 “AI + 产品” 领域为例，通过关键词聚类分析（N=127 个竞品星球），发现 78% 的竞品存在内容同质化问题，集中表现为： - 技术导向型（45%）：侧重算法原理与模型解析，实操转化率仅 12.3% - 资讯整合型（33%）：依赖行业报告编译，用户月留存率低于 25% - 工具测评型（22%）：聚焦 SaaS 工具使用教程，深度需求满足度不足 40% 用KANO 模型对用户差评进行需求分级，通过自然语言处理（NLP）解析 5000 + 条用户评论，识别出核心痛点：  我们通过引入蓝海战略画布，在价值创新维度重构竞争要素： - 剔除：纯理论教学、通用工具测评等红海竞争要素 - 减少：行业资讯推送频率（从日更改为精选周报） - 增加：企业级实战项目拆解（占比提升至 40% 内容量） - 创造：AI 产品经理认证体系（联合企业建立能力评估模型） 某差异化运营的 “AI 产品实战营” 星球，通过上述策略实现 6 个月用户规模破万，ARPU（Average Revenue Per User，用户平均收入）达行业均值 2.3 倍，验证了结构化竞品分析的商业价值。 **2）用户访谈** 最常用的做法是通过朋友圈发布问卷、定向邀约 10-20 位目标用户深聊，记录高频需求（例：”希望有具体场景的解决方案”” 需要定期答疑 “）。用户访谈是深入了解目标用户需求的重要手段。最常用的做法包括通过朋友圈发布问卷以及定向邀约 10 – 20 位目标用户进行深聊。朋友圈发布问卷能够广泛地收集目标用户的反馈，问卷内容可以涵盖用户对产品或服务的期望、需求痛点、使用习惯等多个方面。而定向邀约目标用户深聊，则可以针对一些关键问题进行深入探讨，获取更详细、更深入的信息。在访谈过程中，需要详细记录用户提出的高频需求。 **通过私域流量深度激活，我们**基于读书会500人样本的问卷调研（回收率82%），结果如下。  由于读书会成员往往已经认识多年，创作者对这些成员的群体特征以及需求有较为深入的了解。通过访谈发现，成员们在日常工作和学习中面临着诸多问题，如 “AI自动化竞品分析报告”“跨平台数据清洗解决方案” 等成为高频需求。 针对这些需求，我们知识星球在内容设置上，专门开辟了 “工作场景中的知识应用” 板块，每周分享不同工作场景下的实际案例及解决方案；同时，安排固定的时间进行线上答疑，由创作者和邀请的行业专家为成员解答问题。这将形成自己打造知识星球的独特竞争力。 **3）趋势预判** 对于新入行的朋友们，可以结合百度指数、微信搜索热词，锁定上升期领域（如 2024 年 “AI 工具应用”” 副业轻资产创业 ” 搜索量年增幅超 80%），对于我们行业内的人士，接触的企业、数据以及各类报告比较多，完全可以基于多维信息对未来趋势进行研判，有些信息在互联网上其实是缺失的。这也为提早捕获市场需求缺口提供了条件。 对于行业内的人士而言，拥有更多的资源和信息渠道来进行趋势预判。行业内的人士所接触的企业、数据以及各类报告较为丰富，能够基于多维信息对未来趋势进行研判。例如，在互联网行业，一些资深从业者通过对行业内各大企业的战略布局、新技术研发投入、市场份额变化等多方面信息的综合分析，能够提前洞察到行业的发展趋势。 早在 2023 年，部分行业内人士通过对企业数据和行业报告的研究，预判到 2024 年 “AI + 医疗” 领域将迎来快速发展。于是，他们提前布局，有的创建了专注于 “AI + 医疗” 知识分享的平台，为医疗行业从业者提供 AI 技术在医疗诊断、疾病预测、药物研发等方面的应用知识和案例；有的则投身于相关创业项目，致力于开发基于 AI 技术的医疗产品和服务。 到了 2024 年，随着政策的支持和市场需求的释放，“AI + 医疗” 领域果然迎来了爆发式增长，这些提前布局的行业内人士也因此获得了丰厚的回报。这充分体现了行业内人士基于多维信息进行趋势预判，从而提早捕获市场需求缺口的巨大优势。 **我们通过搜索热点与长尾需求挖掘，基于**百度指数2024Q2数据显示：  因此，我们可以通过数据以及行业信息，共同形成对未来市场的趋势预判，形成独特的知识星球的竞争力，为星球用户提供价值。 ### 1.3 构建 “专业 + 兴趣 + 需求” 三角定位 在知识付费领域，真正可持续的星球定位绝非简单叠加热门标签或堆砌个人技能，而是一场精密的价值重组实验——其本质是找到个人专业储备、长期热情投入与市场刚性需求三者之间的黄金交集。 避免两种极端：纯自嗨的 “我想讲什么” vs 盲目跟风的 “市场需要什么”，正确公式应为： 星球定位 = 个人专业度（50%）+ 持续热情（30%）+ 市场刚需（20%） 基于个人的能力矩阵（AI技能+财务知识+产品技能）与兴趣标签（咖啡读书会），需构建一个以“跨界专业力为内核、兴趣场景为纽带、职业刚需为出口”的生态系统，关键在于遵循“50%专业度×30%热情×20%市场缺口”的动态平衡公式。 自己的专业能力矩阵（AI技能、财务知识、产品技能）天然构成了解决现代职场人核心痛点的铁三角：AI技能提供技术杠杆，财务知识构建商业护城河，产品思维设计人生迭代路径。 当前职场人普遍面临三大困境：①技能单一导致抗风险能力弱（如只会Python的数据分析师易被AI替代）；②商业敏感度不足限制收入上限（如技术人员不懂财务模型）；③缺乏系统方法论陷入低水平重复（如盲目跳槽未解决根本问题）。而您的跨界能力恰好形成解决方案闭环： - **AI技能**：提供自动化工具链（如用GPT-4+Python自动生成财务分析报告），解决“效率瓶颈”。据Upwork调研，掌握AI协同技能的职场人项目交付速度提升210%； - **财务知识**：设计“个人资产负债表模版”，将副业收入、投资回报、学习成本量化管理（例：某用户通过现金流分析发现耗时200小时/年的低价值会议，用AI转录工具节省出相当于4.3万元的机会成本）； - **产品思维**：构建职业发展MVP模型（最小可行性路径），例如传统会计转型AI财务顾问的“三步法”：①用ChatGPT分析100份财报建立认知基准；②开发自动成本预测工具包作为能力证明；③在Upwork接单积累案例库。这种结构化能力正是市场稀缺品——Coursera数据显示，同时具备技术、商业、产品思维的课程完课率比单维课程高73%。 对于自己比较喜欢咖啡，又在财务和AI领域比较擅长，甚至可以通过专门研究市面上主流的咖啡品牌（如研究星巴克，瑞幸，BlueBottle这些著名的咖啡品牌），形成细分领域的知识星球。 ## 二、规划知识星球内容体系：打造可持续的价值引擎 我们通过融合**实用知识（职场/行业/AI）**与**生活方式（饮品品鉴）**，打造一个既能提升专业能力、又能享受生活品质的高净值社群，满足用户对“自我增值+生活美学”的双重需求。基于**核心板块、形式设计、更新节奏及长期运营策略**，确保可持续吸引用户并提升付费留存率。  ### 2.1 核心内容板块设置（4+X模式） 围绕四大主题构建“实用工具+生活方式+社群互动”三位一体内容池：  ### 2.2 内容呈现形式规划 根据用户场景和内容类型匹配最佳载体，平衡专业性与易读性：  ### 2.3 内容标签与目录架构 通过以上核心版块与呈现形式规划，可以在现有多个自媒体渠道进行实现，之后将内容沉淀在知识星球。我们对于内容标签设计和定义的文件目录结构如下所示。  ## 三、结语：构建知识星球的底层逻辑与星辰征途 对于我自己而言，经常需要对获得的各类信息进行结构化处理，一方面是为了过滤一些无效信息，保留更有价值的信息，另一方面便于对知识进行分类和梳理，从而对知识进行提炼和创新，自己本身也需要有一个知识管理的工具。 所以，这也是打造知识星球的初衷，在方便自己的同时，也可以帮助他人，知识的分享不同于实物的交换，你有一个苹果，我有一个桔子，我们相互交换之后，物品的本质并没有变化，但是你有一个知识，我有一个知识，我们相互交换之后，就可能会创造出一个新的知识。 打造知识星球的过程，本质是个人价值的显性化呈现与持续迭代。打造个人知识星球是一场用内容搭建认知阶梯的长期实验。从精准定位时的 “千锤百炼”，到内容输出时的 “精耕细作”，再到社群运营时的 “温度传递”，每个环节都需要兼顾理性规划与感性连接。 在信息泛滥的今天，我们更需要有一个体系化且有价值的知识工具，帮助提升我们每个人从信息到智慧的蒸馏能力。真正有价值的知识星球，不是简单的内容仓库，而是能让用户获得 “认知提升 + 人脉链接 + 成长陪伴” 的生态共同体。 正因为如此，我希望通过自己的努力，为大家打造一个AI时代的具有深度且便于理解的知识载体，以书会友，携手同行，共创一个同道中人彼此鼓励、彼此帮助、共同成长的知识港湾。改变，就从这个微小却坚定的决定开始。 **专栏作家** 王佳亮，微信公众号：佳佳原创。人人都是产品经理专栏作家，年度优秀作者。《产品经理知识栈》作者。中国计算机学会高级会员（CCF Senior Member），上海技术交易所智库专家。专注于互联网产品、金融产品、人工智能产品的设计理念分享。 本文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。

电力系统选择的结果。

<blockquote><p>从自然语言的数字化过程，到RNN的数学原理、训练方法和文本生成机制，再到其在现代大模型中的地位和影响，本文将为你揭开RNN的神秘面纱，带你深入理解大语言模型的核心技术基础。</p> </blockquote>  **按照惯例，结论先行** 这篇文章要讨论啥？ 讨论AI是如何通过自然语言处理技术来完成“用户提问，AI回答”的文本生成任务的。RNN（循环神经网络，Recurrent Neural Network）是完成这一任务的经典模型，同时也是现在大语言模型的技术源头，了解RNN有助于我们理解现在大语言模型的概率输出机制以及幻觉现象的成因。 我会以训练一个RNN架构的客服机器人为切入口，剖析其通过循环结构实现序列数据记忆的机制，并阐释其概率输出机制与幻觉现象的内在关联。 文章讨论的核心问题和结论是啥？ ① 人类的自然语言是如何被数字化的？ 自然语言的数字化过程分为token化、数字映射、独热编码和词嵌入四步 ② 如果说模型的本质是一套数学公式，那么文本生成模型的数学公式是什么？ 模型的数学公式无法用一个简单式子描述，只能画出模型结构，其内部进行了矩阵乘法运算 ③ 文本生成模型的训练数据是如何构造的，模型又是怎么被训练的？ 将训练语料分割为多个“输入→输出”语料对，通过这些语料对来调整模型参数 ④ 训练出的模型是怎么完成文本生成任务的？ 基于文本序列末尾的几个字循环预测下一个字，逐字扩展直至完成文本生成 ⑤ 为什么模型会有幻觉现象？ 根本原因在于模型基于概率的输出机制本质是在最大化语言的连贯性而非正确性 次要问题和结论是啥？ ⑥ 模型真的具备智能吗？ 语言模型本质是统计不同字词共同出现概率的预测系统，不具备因果理解能力，不具备广义的智能 ⑦ 为什么模型会对相同的输入产生不同的输出？ 为追求创造性，模型的“温度”参数会让其在即便相同的输入下也会输出不同的内容 上一篇文章[《从0构建大模型知识体系（2）：给模型开眼的CNN》](https://www.woshipm.com/ai/6200980.html)已介绍图像识别的经典模型CNN。但日常传递信息除了图像外还会使用大量的自然语言，即人类日常交流使用的语言（如中文、英语）。让计算机能够理解并处理自然语言的技术被统称为自然语言处理（NLP，Natural Language Processing），其中最经典的一项技术就是本文要介绍的循环神经网络（RNN，Recurrent Neural Network）。 顺便一提，RNN被称为大模型祖宗是因其改良版本——LSTM（长短期记忆网络）启发了Transformer的设计。而Transformer又是现在大模型（如chatGPT、DeepSeek）的基础架构，因此理解RNN有助于理解现代大模型的核心机制及挑战，如幻觉的成因。 ## 从客服机器人开始说起 假设你是某网店的客服，面对日均5000+条诸如 “包邮吗”、” 有赠品吗 ” 的重复咨询，即便写了FAQ文档用户也懒得看。于是你开始思考：能否训练一个智能助手，让它根据用户的问题自动生成符合语境的回复？ 这种需求催生了自然语言处理领域的文本生成任务（text generation），其核心是让模型在给定输入后，输出语法正确且语义连贯的文本。当前炙手可热的ChatGPT、DeepSeek等大语言模型，本质上都是在完成这一任务。 与上一篇文章处理图片数据不同的是，自然语言处理有两个特殊挑战。 ## 处理自然语言的两个挑战：序列性与上下文相关性 在图像识别任务中，CNN架构的模型存在两个致命缺陷。① 无法处理输入数据的顺序。例如识别数字时，先识别图片1后识别图片2与先识别2后识别1毫无差异。② 无法记忆之前处理的内容。即图片1的识别结果完全不会影响图片2。然而自然语言具有： 1）严格的序列性：”我喜欢上班” 与 “班喜欢上我” 的语序差异直接导致语义颠覆。 2）复杂的上下文相关性：例如试着完成下面3个空格填字 - “食堂大__” - “保洁阿__” - “外卖小__” 人类可以轻松补全为 “妈 / 姨 / 哥”，这是因为人脑能建立上下文关联。这种特性要求模型必须具备记忆能力，这正是传统 CNN 难以处理自然语言的根本原因。 不过在解决这两个挑战之前还有个问题，那就是专栏第一篇文章就提到，无论大模型小模型，其本质都是把一个数通过一定运算变成另一个数的数学公式。所以显然，我们需先解决自然语言数字化的问题。 ## 把自然语言转为数字的四个步骤 第一步：token化（tokenization）。人类理解中文是以字为最小单位，如“我喜欢上班。”这句话是被拆分为“我”、“喜”、“欢”、“上”、“班”、“。”来理解的。类似人类逐字理解的过程，token（词元）即模型处理自然语言的最小单元，将句子分割为多个token的过程就是token化。 比如“我喜欢上班。”这句话按照词的维度可以被token化为[“我” ,”喜欢” ,”上班” , “。”]4个token，也可以按照字的维度token化为[“我” ,”喜” ,”欢” ,”上” ,”班”, “。”]6个token。不同的模型往往有不同的策略。所以我们平时使用大模型时输入一句话到底算几个token取决于所用模型自己的token策略 现在的大模型如DeepSeek广泛采用的token化策略叫做BPE（Byte Pair Encoding），核心思想是将高频字符组（包括非完整词汇）与单字共同作为 token。比如除了将“我”、“喜”、“欢”三个高频汉字各算作一个token外，也会将“我喜欢”，这样高频出现的非完整词汇算作一个token。所以上面这句话其实还可以被分割为[“我喜欢” ,”上班”, “。”]3个token。 为方便解释，本文一律把一个汉字算作一个token。 第二步：指定token和数字的对应关系。token虽然是模型处理自然语言的最小单位，但毕竟token不是数字，所以还需要给每个token指定所对应的数字。比如我们可以这样指定token和数字的对应关系：  那么“我喜欢上班。” 这句话现在就可以表示为[1, 2, 3, 4, 5, 6]6个数字。实践当中往往会把所有token按照其在语料中的出现频率由高到低排列，频率越高的token指定的数字越小，这是因为小的数字在计算机中的存储和运算成本都更小 到此，对于一些数据量少，问题简单，小模型就能解决的场景来说自然语言数字化的过程就结束了。但这样的数字化结果存在两个问题： 1）数值大小≠语义关系。例如“我”对应数字1，“喜”对应2，虽然1&lt;2但这并不代表“我”&lt;“喜”。数值大小与语义脱节会导致模型学习到错误的语言规律。 2）无法进行运算。虽然数学上 1+2=3，但 “我”+“喜” 显然不等于“你”。这将导致模型无法以数学运算的方式对语言做处理。 因此，大模型需要通过后续步骤解决这些问题，使数字真正承载语义信息，从而实现更接近人类的语言处理能力。 第三步：独热编码（one-hot encoding）。也就是将每个token所对应的数字再做一次转换，具体转换也很容易理解，比如“我”对应的数字是1，那就用除了第一位是1，其余位全是0的六维向量来表示它，即[1,0,0,0,0,0]。同理，“爱”对应2，那么它的编码结果就是[0,1,0,0,0,0]……以此类推。这种方法消除了数值大小的误导性，且允许简单组合，比如“我”+“喜”=[1,1,0,0,0,0]表示“我”和“喜”两个字，很合理。但独热编码仍存在两大局限： 1）计算成本高。这里我们只考虑了6个token，所以一个token经过独热编码后只有6个数字。但处理整个中文体系至少也需要一万个token吧。每个token独热编码后就是一万个数字，所以光是理解“我喜欢上班。”6个token就需要计算机处理6万个数字，成本太高。 2）语义关联性缺失。例如 “树”被编码为 [0,0,0,0,1,0]，“ 木”被编码为 [1,0,0,0,0,0]，两个编码结果完全无法体现“树”和“木”的语义相似性。 所以对于大模型来说，自然语言的数字化转换还有一步。 第四步：将独热编码后的token进行词嵌入操作（word embedding）。通过专门训练的词嵌入模型，将独热编码的高维向量（如 10000 维）转换为低维向量（如 3 维）。词嵌入模型的设计和训练是另一个话题，我们只需要知道经过词嵌入后可实现三个效果： 1）维度变低且数值有零有整。原本一个token是用一个只有0和1的高维向量表示的，但现在变为了有零有整的低维向量，比如[3.1, 2.6, 7]这样。 2）语意相近的token编码结果会比较相似。比如我们会发现进行词嵌入处理后以下4个token的编码可能长这样  如果把每个token编码中的三个数字当做xyz坐标，“树”、“木”、“叶”会非常接近，且他们距离“海”的距离都比较远。 3）token编码之间的加减也具有语义。比如我们会发现“树”-“木”≈“叶” 到此，对大模型来说自然语言数字化的过程才算彻底结束。 所以总结一下，当我们输入一句话时，这句话首先会被切分成多个token，不同的模型有不同的切分策略，每个token会被映射成一个数字，之后再经过独热编码和词嵌入，最终成为模型可处理的一串数。 现在我们解决了自然语言数字化的问题，接下来就需要搭建模型完成文本生成任务了。完成这一任务的核心数学运算是矩阵乘法，所以我们先简单介绍一下这种运算。 ## 一种运算：矩阵乘法 矩阵乘法就是说两个矩阵相乘可以得到一个新的矩阵。比如：  总之就是两组数相乘表示通过对这两组数进行加法和乘法运算可以得到新的一组数。 ## 来，让我们给AI开记忆 RNN中的神经元其实就干矩阵相乘这一件事。RNN既然叫循环神经网络，说明在其中有个东西得是循环出现的，并且还通过这种方式组成了一个网络。这个循环出现的东西就是RNN网络中的神经元，它长这样：  在这个结构中A、B和C都是一个矩阵。其中A是输入，B是模型参数，A与B相乘后得到了输出C，C会往模型中其他两个方向继续传递，所以C有两个输出方向。 模型对语言的处理本质上也是在做加减乘除。举个例子，假设“你”这个字数字化后的结果为[1, 5, 3]这串数，而模型的参数B为：  那么输入“你”后模型内部即进行了一次矩阵乘法，即：  得到的结果怎么解读我们之后再说。 神经元循环连接就成为了循环神经网络RNN，网络能够将历史输入信息融入当前计算，从而具备了记忆。比如我们让神经元循环连接3次，得到的网络长这样：  我们来观察一下模型的3个输出C1、C2和C3。C1的产生完全由A1决定，它是以A1为输入与B相乘后得到的输出。数据流向画出来是这样  而C2的产生则是由A1和A2共同决定的  同理，C3的产生由A1，A2和A3共同决定。换句话说，模型在输出时记住了之前输入的内容，所以说模型拥有了记忆。  那如果要让模型完成“外卖小__”的空格填字怎么办了？好说，把“外”、“卖”、“小”三个字数字化后分别当做A1、A2和A3输入给模型，取C3作为最终输出就行，毕竟C3的产生结合了A1至A3。至于中间结果C1和C2在我们这儿用不上，丢弃就行。 C3表示模型认为每一个token有多大的可能成为当前的输出。现在我们来解读一下模型的最终输出。模型最终的输出C3不是一个数，而是一串数。有多少个数取决于我们准备的训练语料包含多少个不同的token。假设我们的语料一共包含“外卖小哥保洁阿姨食堂大妈”这12个token，那么C3就是12个数，每个数是一个0~1之间的小数，比如我们输入“外卖小”三个token后得到的C3可能长这样： <blockquote><p>[0.05, 0.02, 0.1, 0.2, 0.1, 0.05, 0.04, 0.07, 0.02, 0.15, 0.09, 0.11]</p></blockquote> 其中第一个数表示模型认为token集中第一个token（也就是“外”）应该作为本次输出的概率为0.05，第二个数表示第二个token（也就是“卖”）作为本次输出的概率为0.02……以此类推。我们画个图来看一下  这个图表示了每个token的输出概率，因此模型的输出机制是“基于概率输出”。从这些候选token中如何选出一个token作为输出就叫做“采样策略”。目前来看“哥”这个token的概率最高，所以如果我们的采样策略是“把概率最高的token作为本次输出”（虽然这是最符合直觉的采样策略，但实际往往不会这样做），那模型就会以“哥”作为本次输出。当然，在实际当中完全有可能是某个别的token概率最大。 至于为什么要强调“基于概率输出”以及“采样策略”这两点，先埋个伏笔……在介绍完模型训练和实际使用之后再回收。 所以总结一下，将RNN神经元多次循环连接就可以得到RNN。最末尾神经元的输出是由之前所有的输入共同决定的，因此RNN具有记忆。此外，模型对自然语言的处理本质也只是在做加减乘除，当我们输入一句话后，模型的输出是一个概率分布，最终实际会输出什么内容取决于我们的采样策略。 到此，模型就搭建完了，其本质也是一个数学公式，即给定一句话后进行的一系列运算。回到一开始的问题，我们要如何依靠这个模型来训练一个客服机器人呢？这就关乎训练数据应该如何准备以及如何训练了。 ## 训练前：准备训练数据 还记得啥叫文本生成吗？让模型依据给定的输入来输出符合语法规则、语义通顺的文本内容。所以我们要根据语料不停的提供这样的“输入→输出”示范让模型学会语料内的内在关系。具体来说，假设我们的客服文档中关于产品品质部分的说明如下： <blockquote><p>“此款衬衫采用新疆长绒棉混纺莫代尔面料，兼具纯棉的透气亲肤与莫代尔的抗皱垂坠特性。立体剪裁设计，衣长覆盖腰线，袖口深度优化活动自由度，版型贴合人体工学。”</p></blockquote> 那么我们可以四个字为一组，前三个字作为给定输入，第四个字为期望输出的方式对这段话进行分割，如下所示。  按照这样的方式上面这段话能被分割为71个语料对。到此我们的训练数据就准备完了。 ## 训练中：输入每个语料对调整参数 分割出的每一对语料对都将用于调整模型参数，以第一个语料对（此款衬，衫）为例，一共有4步：     所以整个训练过程可以这样表示：  ## 训练后：文本生成 完成训练后的模型就可以投入使用了。实际使用需要用户先给输入，也就是现在常说的prompt。假设用户输入“您好！”，模型会先根据这三个字输出下一个字，然后继续根据最新的三个字输出下一个字，如此循环直到模型认为可以停止输出。整个过程可以如下表示：  这就解释了为什么我们日常使用的大模型通常采用逐字输出的方式，同时也解释了为何部分模型会忘记用户之前输入的内容——因为之前输入的内容已超出其输入范围。比如图中这个模型每次的输入范围就只有最近的3个token，3个token之前的东西就记不住。（但现在的大模型如GPT-4o的输入范围是128,000个token） ## 伏笔回收之一：模型基于概率的输出机制 无论是大模型还是本文介绍的RNN，他们都采用基于概率的输出机制，因此必然产生 幻觉 。回顾一下我们是怎么训练模型的：我们将语料按照“输入→输出”的方式分割为了众多语料对，并用来调整模型参数。这种机制使模型学到的是语料中字词共同出现的规律（也就是当某些字出现之后，在这之后的字大概率会是什么），而非事实逻辑。 因此假设我们的语料中出现了大量的“星期三”，模型就会认为“星期”二字之后大概率应该是“三”，所以如果输入“2025年4月32日是星期”，模型会输出“三”，哪怕4月其实并没有32日。同理，如果语料中出现大量的“1+1=3”，那么输入“1+1=”模型也会输出3。 这种基于概率的输出机制使得模型并不追求语言的 “正确性”，而是根据所学语料追求语言的“连贯性”。因此会出现模型的语言表达连贯自然但与事实不符的现象，也就是幻觉。 模型真的“智能”吗？现在我们理解了模型的本质是通过大规模数据训练形成的概率预测系统，那这算作真正的智能吗？我认为不算。虽然“智能”到底应该如何定义是一个宏大的哲学问题，但一个智能的个体至少应该能够理解因果，并运用因果关系解决实际问题。而模型从海量的数据中真的学到了因果吗？显然不是，它只学到了字词共同出现的概率。 那为什么现在的大模型看上去如此智能？因为语料足够多，质量足够好，模型设计足够复杂，这使得现在的大模型确实太像一个真正智能的个体了，像到确实可以用来解决很多问题了。但即便如此，其概率预测系统的本质决定了它不可能发展为理解因果关系的终极智能系统。 ## 伏笔回收之二：模型的token采样策略 回到输入“外卖小”后模型的输出这个例子，我们之前假设模型此时对每个token的输出概率如下  如果选择“把概率最高的token作为本次输出”的采样策略，那模型自然会输出“哥”字。而实际当中往往不会采用这个策略，而是用一个叫做“温度”（temperature）的参数来控制模型的输出要按照多大程度偏移概率最高的token。 如果温度为0，那么模型就会始终按照它从训练语料中习得的最有可能与当前输入共同出现的token作为输出。这种情况下无论我们输入多少次“外卖小”，模型输出都是“哥”。此时的模型具有较强的准确性。 如果把温度提升，模型就可能从其他token里选一个作为输出，温度越高越有可能。这种情况下我们多次输入“外卖小”的话有可能第一次是“哥”，第二次是“姨”，第三次又是“妈”，第四次又是“哥”。此时的模型具有较强的创造性。这也是为啥我们即便多次输入一样的内容给大模型，每次回复都不一样的原因之一。（其他原因有用户所用的设备不同、地点不同、时间不同。这些信息虽然不在我们的prompt中，但app会自动上传给大模型以优化其回复） 因此，如果app内可以调控这个参数的话（比如下图里Google的AI Studio），对于一些要求准确性强的任务，如法律文件生成，可以将温度调低，让模型忠于语料中学到的字词共现规律，不要凭空捏造法律条文。而对于要求创造性的任务，如诗歌生成，则可以将温度适当调高。  ## 复盘一下，我们学到了什么 自然语言的序列性和上下文相关性是两大挑战。这要求模型具备记忆能力。 自然语言处理本质也是在对数字进行加减乘除。我们输入的一句话会先被切分成多个token，每个token会经过独热编码和词嵌入最终成为模型可处理的一串数。模型对这些数进行加减乘除后就可以达到预期的效果。 RNN就是将一个神经元循环连接组成的网络，这种网络具有记忆。一个神经元只干矩阵相乘这一件事，当我们把这样的神经元循环连接后，最后一个神经元的输出会兼顾之前所有的输入，所以RNN具有记忆。 给定一句话，让模型续写这事儿叫文本生成，训练文本生成模型需要准备众多语料对。每个语料对体现的是哪些字词会共同出现，模型就是通过学习这种共现规律来生成文本的。 模型基于序列末尾的几个字循环预测下一个字，逐字扩展直至完成文本生成。这是模型之所以一个字一个字往外蹦以及有时候会忘记用户之前输入内容的原因。 模型产生幻觉的根本原因在于其基于概率的输出机制。无论大模型还是 RNN，这类语言模型都通过学习语料中字词的共现规律来生成输出。在训练过程中，数据被分割为 “输入→输出” 的语料对，模型通过统计规律预测给定输入后的下一个字，本质是在最大化语言的连贯性而非正确性，因此会出现幻觉。 大模型也好，小模型也罢，都不是真正的智能。模型的本质是一个统计了语料间字词共现规律的概率预测系统，它并未理解语料中包含的信息，并不理解因果，更不能运用因果。现在的大模型确实很像一个智能的个体，像到了真的可以用来解决现实问题的程度，但它依旧不是广泛意义的智能。 “温度”是导致模型对于相同输入的回复不一致的原因之一。温度为0，模型则始终按照概率最大的token进行输出。温度越高，模型偏移概率最大的token进行输出的可能性越高。除此之外，app还会上传用户所用设备、所在的位置、时间等信息供大模型参考，也会导致相同prompt下大模型输出不一致。 ## 欢迎来到1997 RNN虽然在20世纪80年代就已被提出，但碍于其梯度消失和爆炸的固有问题（即网络一旦变长，通过反向传播就无法有效调整模型参数）实际应用非常受限。直到1997年Sepp Hochreiter和Jürgen Schmidhuber提出的长短期记忆网络（LSTM）才彻底解决了这个问题，使得RNN被大量应用于自然语言处理。ChatGPT的早期版本、苹果Siri、亚马逊Alexa都是其具体应用。 所以这里以RNN的第二生日来恭喜你对大模型知识的理解来到了1997年。此时距离DeepSeek-R1发布还有28年。 顺便提一下，RNN由于可并行计算的部分有限，因而不能在大规模数据集上通过GPU训练，所以现在已经不怎么流行了。取而代之的是继承了RNN的思想，所有计算都可并行的，下一篇文章就会提到的，现在大模型普遍采用的，大模型基石——Transformer。 ## AI Heroes 赋予RNN第二次生命的LSTM。RNN在诞生之初由于梯度消失和爆炸问题导致模型一旦过长便无法有效训练，因此无法处理较长的序列数据。这个问题在1997年由Sepp Hochreiter和Jürgen Schmidhuber发表的《Long Short-Term Memory》中被彻底解决，他们对RNN的改良在于引入门控机制和记忆单元，实现了对信息的选择性存储与遗忘，使得 LSTM 在处理长序列时能够稳定地传递梯度，有效捕捉长期依赖。一个LSTM神经元长这样：  比咱介绍的只做了一次矩阵乘法的RNN神经元复杂多了，而且看上去像只草履虫哈哈哈 Sepp Hochreiter，IEEE 2021年神经网络先驱奖获得者。Hochreiter现任奥地利林茨大学研究所所长，2021年获得 IEEE 神经网络先锋奖以表彰他在LSTM领域的开创性贡献，该奖项被视为神经网络领域的最高荣誉之一。 xLSTM，makes RNN great again。 2024年5月Hochreiter团队推出的了xLSTM（eXtended LSTM）,旨在解决现在以Transformer架构为主的大模型（如DeepSeek）计算开销大的问题。 - Transformer架构的计算开销与文本长度呈平方增长关系，而xLSTM在处理长文本时只需增加相应数量的神经元，因此计算开销仅为线性增长。 - 在模型训练上xLSTM克服了传统LSTM的并行计算瓶颈，实现了与Transformer相当的并行化训练能力。 - 在最终效果上，xLSTM在同等参数量下，长序列任务性能显著优于Transformer，尤其在语言建模和实时场景中困惑度更低、内存效率更高，硬件适配性更强，适合工业部署；但在代码生成、多模态融合等结构化任务中仍弱于Transformer，需依赖混合架构平衡顺序与并行能力。 - 对于那些推理计算量庞大和需要快速响应的场景，xLSTM 或许是值得关注的一条技术路线。 连续创业者。 - 2017 年Hochreiter 创立奥地利人工智能高级研究所（IARAI）并担任首任所长，推动 AI 在交通、能源等领域的应用，例如开发实时交通预测系统，减少城市拥堵。 - 2024年其研究所孵化了一家名叫NXAI的科技公司，针对特定行业（如汽车、医疗）定制 AI 解决方案 - 2025年孵化Emmi AI，专注于通过其核心技术xLSTM 模型为制造业和能源行业提供轻量化、高效能的 AI 解决方案。 本文由 @夜雨思晗 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

社交AI，全面降温。

千亿规模目标下的电商新布局。

京东与美团的外卖之争，已经从此前的暗斗，上升到现如今的明争，火药味已然全面扩散。

又一批新创意开卷？

 “一天十几个客户电话进来，有的一打一个多小时，我中午饭都没顾上吃。”云大厂政企销售小顾哑着嗓子告诉雷峰网，开源大模型DeepSeek出现后，市场反馈热烈，云大厂这边也接到不少客户来电，咨询相关的API接入和线下部署方案。 不过小顾坦言，DeepSeek眼下这么火爆，主要是因为它帮国人把大模型的信心又找回来了，但最终能转化成多少商业收益，能为云大厂带来多少拉动，还要打个问号。 究其原因在于，DeepSeek虽然降低了大模型的成本门槛，但它的能力跟ChatGPT差别不大，也面临和ChatGPT一样的困境：应用场景实在有限。 DeepSeek爆火后，作为产业链上的核心一环，云大厂们迅速跟进，手里的“战略牌”一张连着一张打了出来：组织变阵，业务调整，大笔投入，战略重构……整个一个目不暇接。 但随着这些市场动作的推进，一些问题也开始凸显，它们如同DeepSeek这波浪潮之下尖锐的礁石，直击云大厂们最紧张的神经。 ### 面对DeepSeek引发的一体机热潮，跟还是不跟？ “几百个咨询里，能有一单成交就不错了。”眼下，手握DeepSeek一体机的云厂销售们正在经受着“冰火两重天”的煎熬。 DeepSeek的出现，大幅降低大模型推理门槛，对热衷于私有化部署的国内政企用户们来说，可谓正中下怀，于是便催生了DeepSeek一体机热潮。 然而，这一热潮是真正的价值机遇，还是昙花一现的浮躁之风，跟还是不跟？成为摆在云大厂面前的一道难题。 雷峰网通过调研了解到，眼下一众国内云大厂可分成两派：一派是推出DeepSeek一体机硬件部署方案的，有阿里、火山、华为、百度等；一派是没推出的，如腾讯云。 尽管大部分云大厂都推出了DeepSeek一体机，但实际上，一体机这一产品形态在落地应用时，还存在不少挑战，如客户业务扩展的灵活性、模型更迭的兼容性等问题。不少业内人也都向雷峰网表达了类似“DeepSeek一体机虽然眼下大热，但从中长期来看，可能是个伪需求。”的观点。 除了“光咨询不下单”外，还有不少政企客户，由于支付能力、采购流程等问题，会设法先把样机拿去用，而在回款进度上卡壳。 这些都让云大厂们不得不犹豫：如果大力投入，万一卖不出去砸手里怎么办？ 不过某些云大厂对此自有一套对应之策。 多位业内人告诉雷峰网，某云大厂的DeepSeek一体机测试样机大部分都全款卖给了OEM，OEM又卖给了集成商，层层转售下，对于云大厂来说，“卖不出去”的风险早已转移了出去。云大厂们在一体机上的花活不止这些，更多故事，可添加作者微信 **xf123a **交流。 ### 适配国产芯片，到底有多难？ “国货之光DeepSeek出现后，市场反应火爆，尤其是政府侧和金融侧的客户，然而对云大厂来说，想要回应这类客户的需求，并非易事。因为这两类客户都有信创指标，要在国产芯片上适配DeepSeek，目前还存在不少挑战。”政企IT老兵高荣坦言。 事实上，早在2022年，国资委79号文件就部署了国央企信创国产化的具体要求和推进时间表，要求到2027年央企国企100%完成信创替代，替换范围涵盖芯片、基础软件、操作系统、中间件等领域。 “DeepSeek本身是在英伟达H800 GPU集群上训练出来的，而且其AI Infra能力，尤其是软硬件协同优化能力，才是其性能强大的关键。如果用国产化芯片来适配DeepSeek，这里面会有很高的技术难度。”高荣补充道。 比如，国产芯片在算力密度和显存带宽上与英伟达GPU存在代际差距，这会导致适配DeepSeek后模型推理效率下降。 再比如，软件生态上，DeepSeek眼下的实践更多还是在英伟达CUDA生态内的优化，而国产芯片大多无法原生支持CUDA，需要通过兼容层或重新开发相应的工具链来实现适配，这增加了适配的难度和成本。 此外更让云大厂头疼的是，定制化噩梦似乎再次上演了：信创场景要求全栈自主可控，从芯片驱动到模型微调均需定制化开发，这背后的人力、财力、交付周期都不是小问题。 “政企需要私有化部署大模型，而且有很多行业术语和自己领域内的规则规范，都要对大模型微调后才能用，微调就是也要训练，满血版的价格不菲。”高荣告诉雷峰网，因为成本太高，眼下很多政企宣称率先用上了DeepSeek，其实十之八九都是之前买的AI算力没用完，正好闲置利用。 可以说，云大厂面临的这些困境折射出国内IT行业积弊已久的深层矛盾：市场需求倒逼技术跃进，但基础软硬件的代差仍需时间弥合。 DeepSeek掀起的这波热潮，看似把中国AI能力向前推进了一大步，但实际上，中国AI仍未摆脱英伟达芯片卡脖子的阴影，而这也为行业后续埋下了风险。 ### 组织变阵：B、C融合还是B、C分离？ DeepSeek出现前后，云大厂们围绕大模型相关业务做出了两类组织变阵：一是B、C分离；二是B、C融合。前者以百度、阿里为代表；后者以腾讯、火山为代表。 去年下半年，百度将百度网盘（百度大模型核心应用场景之一）的C端业务从百度云（ACG）中拆分出来，重新划归移动生态事业群组（MEG），相关To B业务则继续留在百度云里，与百舸、千帆等其他百度云产品一道面向B端用户提供服务。 阿里这边类似。2024年底，阿里将AI应用“通义”从阿里云分拆出来，并入阿里智能信息事业群，与智能搜索产品“夸克”一起，由该事业群总裁吴嘉统管。而原有的通义实验室，以及大模型To B业务则继续留在阿里云。 不同于百度云、阿里云在大模型上业务上“B、C分离”的模式，腾讯云则是“反其道而行”。随着元宝调入腾讯云，腾讯云走起了“B、C融合”的路子。 今年1月腾讯，腾讯将元宝从技术工程事业群（TEG）调整至云与智慧产业事业群（CSIG），交由腾讯会议的负责人吴祖榕负责。并在不久后，将原本在PCG(平台与内容事业群）里的QQ浏览器、搜狗输入法、ima等产品也汇入CSIG，与元宝一起，作为腾讯面向大模型时代的产品组合。 至此，在这场DeepSeek冲击波到来之际，云巨头们纷纷摆好了阵型。不过在眼下这波瞬息万变、复杂难料的技术浪潮里，上述组织调整成效如何，以及会给各家带来哪些后续影响，还需持续校验。 ### 云大厂扭亏为盈时间表，再度遥遥无期？ 雷峰网此前从多位业内人处了解到，腾讯、华为两家云大厂原本计划在今明两年实现盈亏平衡，但现在，DeepSeek的出现打乱了他们的计划。关于各家云大厂更多盈亏内幕，可添加作者微信 **xf123a** 交流。 国内云大厂苦亏损久矣。目前只有阿里云实现了盈利。但对比其此前在云与AI上累计投入的数千亿元，眼下的盈利可谓牛九一毛。不仅如此，DeepSeek出现后不久，阿里就对外宣布，未来三年将向AI和云计算业务继续投入3800亿。这无疑为阿里云接下来的利润表现打上了一个问号。 腾讯云面临相似的难题。经过前些年的巨额投入后，集团内部对腾讯云“盈利，上岸”的呼声越来越高。不久前的集团年会上，马化腾也直言，过去一年腾讯云的表现超过他原本的要求，2025年腾讯云有望“浮出水面，形成一片大陆”。 但DeepSeek的到来，正在打破这一预期。今年1月，腾讯把C端大模型产品“元宝”从TEG（技术工程事业群）转入CSIG（腾讯云与产业事业群），进入做大增长阶段。随着元宝用户前端调用次数的增多，其后端算力资源的消耗也在攀升，腾讯云的盈利节点大概率要向后推移。 回望过去，云与AI因其基建属性，以及玩家之间的“内卷式”竞争，让绝大部分参与者都深陷亏损泥潭。如今，随着DeepSeek的崛起，云巨头们再次被推入新一轮的大模型基建竞赛里。上一轮未解决的盈利困境，能否在这一轮中找到更优解，仍是悬而未决的挑战。 ### DeepSeek成烧钱巨兽，何时是尽头？ DeepSeek走开源路线，本来为云大厂们提供了一次“当中间商，赚差价”的机会，但眼下，提供DeepSeek服务，对云大厂来说还是一门烧钱的生意。 DeepSeek推出后没多久，一系列有关成本的争论就冲上了科技圈热搜榜。有MaaS服务商甚至推算出了“接入DeepSeek R1，MaaS公司或将月亏4亿”的结论。 对于包括云厂商在内的，提供大模型服务的MaaS公司来说，一边是用户大批涌入，API调用量飙升，一边又是生成效率拉跨、价格战升级，多重夹击下，DeepSeek一度成为MaaS厂商们的“烧钱巨兽”。 DeepSeek公司之所以能把成本利润率做到545%之高，得益于其在模型架构、软硬件协同等AI Infra能力上能做到极致的工程化创新，使得其平均每台H800的吞吐量在生成任务上能达到14800 token/s，效率是市面上其他供应商的几倍甚至十几倍。 若不能做到这一点，则亏损难以避免。而眼下市面上，包括云大厂在内的MaaS供应商能做这一点的还寥寥无几。更多相关研发进展与内情，可添加作者微信 **xf123a** 交流。 因此，如果说在上一轮大模型浪潮中，各家云大厂还能安心做个稳赚不赔的“卖水人”，那么在这一轮由DeepSeek掀起的大模型普惠浪潮里，云大厂眼下难逃亏损。 而这场“烧钱大战”才刚刚开始。 回顾过去两年，国内云大厂在大模型业务上本已格局初定，但DeepSeek的异军突起，打破了这一平衡。DeepSeek不仅让各家互联网巨头的云业务估值迎来高光时刻，还让云计算从一项“老旧”业务重新焕发生机，在接下来的AI产业浪潮里，面对更多充满危与机的不确定性。 注：文中受访者均为化名。

 那些能解决真实商业问题的AI应用，将获得前所未有的市场机会。 当全球AI竞赛步入“中国时刻”，一场深刻的技术变革正悄然改写产业格局。 2025年的春天，中国AI应用喜讯频传：DeepSeek引发业内现象级“地震”，仅用十分之一的算力成本比肩全球顶尖AI产品；AI智能体Manus横空出世，邀请码被炒至5万，全网服务器纷纷陷入瘫痪；Kimi新模型代码能力超越主流模型，在代码生成测试中实现登顶；智谱推出免费AutoGLM智能体，真正实现“边想边干”的智能协作模式......这些突破性进展，不仅彰显了中国AI技术的先进实力，更宣告着AI应用黄金时代的真正来临。 从生成式AI的爆发到智能体的落地应用，从多模态交互到垂直场景的深度融合，AI技术正全方位重塑商业生态。在此关键节点，行业面临核心命题：如何跨越AI技术到规模化应用的鸿沟？下一个颠覆性的AI超级应用将诞生于何处？ 2025年4月18日，由36氪主办的2025 AI Partner大会将于上海模速空间盛大启幕。本次大会以“Super APP来了”为主题，聚焦AI超级应用对千行百业的颠覆性变革。大会将深度剖析AI技术如何重构商业逻辑、重塑产业格局，探索AI超级应用带来的无限可能。大会议题亮点纷呈，现场重磅嘉宾云集，36氪期待与您共探AI时代的变量。 **一、智启未来：共探AI应用新纪元** AI发展已从大模型竞争迈入应用竞争阶段，从C端到B端，AI应用广泛渗透至智能制造、金融科技、医疗健康、供应链管理等诸多领域。为深入了解AI应用现状与趋势，此次Super APP来了·2025 AI Partner大会特邀国内AI领域领军人物、产业链关键企业代表及创新企业先锋等重量级嘉宾，共话AI技术创新与应用。 本次大会分为“Super App来了”和“谁是下一个超级应用”两大篇章，聚焦“在AI世界中长大”“2025卷AI就卷超级应用”等七大话题，涵盖10 + 场主题演讲、3场圆桌对话与两大优秀AI案例企业名册发布环节。 AI应用爆发元年，企业该如何在AI世界中成长？36氪CEO冯大刚将率先围绕这一重要议题发表开幕致辞。中国人工智能领军科学家、上海交大清源研究院研究员刘志毅也将深度剖析AI超级应用如何催生未来商业模式创新。 随着AI商业应用进入深水区，不同企业如何看待AI技术重塑产业生态？AMD大中华区市场营销副总裁纪朝晖、百度副总裁阮瑜、360集团副总裁梁志辉、高通公司AI产品技术中国区负责人万卫星、闲鱼CTO陈举锋、大华股份研发中心副总裁周文凯、好未来九章答疑产品负责人周朝游、趣丸科技联合创始人龙玲、西岸集团副总经理&amp;上海大模型生态发展有限公司董事长杨晶晶等重磅嘉宾，将围绕当下热门的“产业AI化”“AI算力”“AI搜索”“AI智能影像”“AI教育突破”等话题发表主题演讲，从不同视角与行业共同解读AI应用发展趋势，分享企业面临的挑战与机遇。此外，来自金沙江联合资本、创新工场、蚂蚁集团、微软、云岫资本等企业、机构的相关负责人，将通过圆桌对谈的形式，探讨在AI超级应用爆发的“土壤”中，企业创新突破的契机。 **二、创新标杆：行业案例权威引领** 2025年，AI应用进入新纪元，释放出巨大商业价值。从企业服务到消费电子，从医疗到教育，AI应用正深度渗透并重塑行业生态。其中，AI原生应用正迎来爆发式增长，并逐渐成为各场景应用体验的核心要素。 基于此，36氪主办发起“2025 AI原生应用创新案例”及“2025 AI Partner创新大奖”评选活动，希望聚焦那些真正能够提质增效、引领行业变革的AI原生产品及应用，并寻找那些率先将AI技术落地于实际场景、创造实际价值的创新实践案例，为行业提供可参考和借鉴的应用经验。评选启动后，引起业界的广泛关注，陆续收到近百个申报案例，涵盖了智能制造、智能客服、内容创作、企业管理、智能办公、安全监测、智能营销、智慧医疗等多个生产和生活应用场景，充分展示了AI原生应用的广泛落地和深度渗透。 会上，36氪将重磅发布“2025 AI原生应用创新案例”及“2025 AI Partner创新大奖”获奖结果，让那些在AI原生应用领域具有创新性、示范性和推广价值的优秀案例得以广泛传播、被更多人看见。 此外，值得一提的是，2025 AI Partner大会将在上海徐汇西岸“模速空间”盛大举办。作为上海徐汇区联合市相关部门重点打造的全球最大人工智能孵化平台，&#34;模速空间&#34;凭借&#34;算力+数据+场景&#34;三位一体的创新支持体系，汇聚了涵盖算法研发到应用开发的全产业链优质企业，正加速推动大模型技术的产业转化，助力上海建设世界级AI产业集群。 大会期间，36氪还将携手联想与NVIDIA共同呈现“AI普惠·生态共融”主题沙龙，通过深度解读联想AI生态战略与NVIDIA RTX算力底座的技术优势，为AI企业与ISV厂商搭建高效对接平台。与会嘉宾不仅能够了解最新的智能体创新成果，还可在沉浸式体验区零距离感受前沿技术应用，共同探索产业协同发展的新趋势。  此外，36Kr还联合GMI Cloud、TiDB在上海举办闭门研讨会“AI出海新局面：从走向全球，到走进全球”。活动聚焦算力基建、数据合规、本地化策略等核心挑战，汇聚全球AI领袖及实践专家，通过趋势洞察、实战案例复盘及专家工作坊，拆解AI全球化落地的技术方案。活动以闭门、高互动形式展开，提供前沿技术洞见与生态协同机遇，助力中国AI企业制胜全球市场。  在AI技术从实验室走向商业化的关键阶段，那些能解决真实商业问题的AI应用，将获得前所未有的市场机会。让我们共同期待这场由技术创新驱动的产业变革，并持续关注36氪&#34;AI Partner年度计划&#34;带来的深度洞察与行业链接。 点击报名参与活动：[2025AI Partner大会 | Super App来了 预约报名-36氪活动-活动行](https://www.huodongxing.com/event/6798257266900?td=4002027626474)  特别鸣谢：感谢AI Partner大会特别支持单位“模速空间”、AI智能影像合作伙伴“神眸AI智能摄像机”及“杭州研极微”、大会赞助商“雷克沙、伊利”给予的大力支持。

NVIDIA RTX 40/50系列上用的16针供电接口真不让人省心，就算升级到12V-2x6也不能完全无忧，不过以往的问题都集中在RTX 4090、RTX 5090这样的高端卡上，没成想RTX 5070也出事儿了！ 国外网友“ere9w”反馈称，他全新装了一台电脑，**显卡是某品牌RTX 5070，电源是海韵Focus GX-750，支持ATX 3.1标准，原生自带12V-2x6接口和电源线**，本来用得好好的，显卡电源线突然就烧了一根。 从网友发布的照片看，**一根电源线明显出现了烧融，但其他的都没问题。** 按理说，RTX 5070功耗不高，不应该出现这种问题。  诡异的是，**另一张关于显卡供电接口的照片上可以清楚地看到，有一根针脚“不见了”，推测是插入电源线的时候，这根针脚被推了进去，导致接触不良甚至完全没有接触。** 要知道，12V-2x6电源线本来就存在电流不均匀的情况，这样一来，很容易导致一根或几根线过载，烧毁也就不足为奇了。  不过，RTX 5070的功耗只有250W，而根据实测，哪怕一根线的电流高达22A，对应功率也不过260W左右，应该不至于烧掉。 另外，暂不确定被推进去的这根针脚，是否正好对应被烧毁的那根电源线。 目前看，**这应该是一起个例，很可能是显卡制造过程中的缺陷所致。**  [查看评论](https://m.cnbeta.com.tw/comment/1492624.htm)

已经一年多了，微软仍然无法在 Windows 10 上正确获取 Windows 恢复 (WinRE) 环境更新。在 Windows 最新消息发现的更新支持文档中，微软悄悄确认，一些用户可能会在4 月 8 日发布的 WinRE 安全更新 KB5057589[之后再次看到 0x80070643 错误。](https://support.microsoft.com/en-au/topic/kb5057589-windows-recovery-environment-update-for-windows-10-version-21h2-and-22h2-april-8-2025-74bc2baa-4ac6-40d0-8dde-4a8462b8f7e7)  这不是我们第一次看到 WinRE 更新导致 Windows 更新错误 0x80070643。Windows[最新版本于 2024 年 1 月首次报告了 Windows 10 0x80070643 错误，](https://www.windowslatest.com/2024/01/15/windows-10-kb5034441-fails-with-a-0x80070643-error-but-theres-a-fix/)当时微软发布了 WinRE 的安全更新，这已经过去一年多了。 许多用户由于恢复磁盘分区大小问题而无法安装更新，从而导致了错误。但问题是，即使是存储空间充足的用户也会遇到此错误。而这正是事情变得更加棘手的地方，因为没有人能忽略这条错误信息：  微软还一度<a>表示不会尝试解决这个问题，</a>因为它不知道该怎么做，随后花了几个月的时间才承认 Windows 恢复更新存在问题，最终我们解决了 0x80070643 错误，因为用户要么放弃，要么全新安装 Windows 10。 然而，随着 Windows 10 KB5057589（WinRE 2025 年 4 月 8 日更新）发布，来自用户的最新报告说他们安装 KB5057589 更新是因为该更新出现在 Windows 更新中。尽管他们对这些 WinRE 更新持怀疑态度，但由于该更新不会自动消失，他们还是安装了它。 Windows 10 KB5057589 是通过 Windows 更新自动推送的更新之一。虽然安装过程很顺利，但 0x80070643 错误又出现了。其他用户在检查 Windows 更新时也报告了 0x80070643 错误。 [在 Windows 最新发现的更新支持文档](https://learn.microsoft.com/en-us/windows/release-health/status-windows-10-22h2#3525msgdesc)中，微软已确认在安装 Windows 10 WinRE 更新 KB5057589 后，您可能会遇到错误消息“0x80070643 - ERROR_INSTALL_FAILURE”，但该错误并不意味着什么。 操作系统中的错误导致错误出现，并且并不反映您的 PC 有问题。 微软指出：“当设备安装 WinRE 更新时，如果另一个更新处于待重启状态，则会出现此错误。尽管出现失败消息，但 WinRE 更新通常可以成功应用。” 那么，如果在 Windows 10 上检查更新时遇到错误，该怎么办？没办法，直接忽略就行，微软官方也已经建议用户忽略这些错误了。 这是因为 Windows 更新错误地检测到 WinRE 安全补丁 (KB5057589) 未安装，并在尝试重新安装时引发错误。 据微软称，Windows 更新可能会继续显示“0x80070643 - ERROR_INSTALL_FAILURE”失败，直到下一次每日扫描。微软表示正在努力寻找解决方案，并将在将来尝试再次修复这些错误，但就目前而言，如果您遇到 Windows 更新错误代码 0x80070643，请不要尝试修复它，因为您无法做到这一点。 只有微软可以修复 WinRE 安装错误，并且他们在过去的 15 个月里一直在努力。 [查看评论](https://m.cnbeta.com.tw/comment/1492622.htm)

[根据](https://help.openai.com/en/articles/10910291-api-organization-verification)公司网站上上周发布的支持页面，OpenAI 可能很快会要求组织完成身份验证过程才能访问某些未来的人工智能模型。该页面写道，该验证流程名为“已验证组织”，是“开发者解锁 OpenAI 平台上最先进模型和功能的一种新方式”。 验证需要 OpenAI API 支持的国家/地区之一的政府签发的身份证件。OpenAI 表示，一个身份证件每 90 天只能验证一个组织，并且并非所有组织都有资格进行验证。 该页面写道：“在 OpenAI，我们认真履行责任，确保人工智能的广泛可及性和安全使用。遗憾的是，少数开发者故意违反我们的使用政策使用 OpenAI API。我们正在添加验证流程，以减少人工智能的不安全使用，同时继续向更广泛的开发者社区提供先进的模型。”  随着OpenAI产品变得越来越复杂和强大，新的验证流程可能旨在增强其产品的安全性。该公司已[发布多份报告，](https://cdn.openai.com/threat-intelligence-reports/disrupting-malicious-uses-of-our-models-february-2025-update.pdf)介绍其如何检测和减少其模型的恶意使用，其中包括据称来自朝鲜的团体。 这也可能是为了防止知识产权盗窃。据彭博社今年早些时候报道，OpenAI 正在调查一个与中国人工智能实验室 DeepSeek 有关联的组织是否在 2024 年底通过其 API 窃取了大量数据，可能用于训练模型——这违反了 OpenAI 的条款。 OpenAI去年夏天阻止了中国大陆与香港、澳门对其服务的[访问。](https://www.reuters.com/technology/artificial-intelligence/openai-cut-access-tools-developers-china-other-regions-chinese-state-media-says-2024-06-25/) [查看评论](https://m.cnbeta.com.tw/comment/1492620.htm)

根据内特·西尔弗（Nate Silver）旗下《银禧简报》（Silver Bulletin）的[最新民调结果](https://www.natesilver.net/p/elon-musk-polls-popularity-nate-silver-bulletin)，埃隆·马斯克在美国公众中的支持率正在下降。这位拥有多家公司的亿万富翁CEO身兼数职，但最近最引人注目的是他作为政府效率部（DOGE）的代言人，该机构一直在撕裂美国政府的行政体系。  Silver Bulletin的平均数据显示，53.5% 的美国人对马斯克持负面看法，只有 39.6% 的美国人对他持正面看法。该网站的追踪数据显示，自 2024 年初以来，他的不受欢迎程度大幅上升，当时只有 38% 的人不喜欢他。Silver 写道，他追踪马斯克评级的方式与追踪特朗普总统的方式类似，但“由于马斯克接受民调的次数少于特朗普，因此他的设定略为保守”。 据《Silver Bulletin》报道，这位亿万富翁的负面评价尤其在他大力支持特朗普的第二次总统竞选（部分支持来自选民）以及不久之后开始在DOGE工作之后呈上升趋势。由于DOGE的工作人员能够访问或试图访问政府的敏感领域，包括国税局记录、美国财政部支付系统和美国社会保障局，这项工作导致联邦机构大规模裁员。 无论Silver Bulletin的平均值多么准确，该网站并非唯一一个指出马斯克不受欢迎的网站。[福克斯新闻](https://www.foxnews.com/politics/musks-political-baggage-polls-show-americans-sour-trumps-most-visible-advisor)、[Politico](https://www.politico.com/news/2025/03/13/elon-musk-doge-poll-025860)和[Axios](https://www.axios.com/2025/04/02/elon-musk-favorability-tesla-sales-dropped-wisconsin-loss)等媒体最近都指出，民调显示人们对这位亿万富翁的反感日益加深。 这可能已经对威斯康星州共和党人的选举产生了影响。马斯克本月试图支持一位保守派最高法院候选人——他使用了与特朗普竞选期间相同的“选民付费”策略——但似乎适得其反。根据《华盛顿邮报》发布的民意调查信息，该州超过一半的选民不赞成他的参与，约三分之一的选民表示，这降低了他们投票给保守派法官的可能性。最终，民主党支持的候选人苏珊·克劳福德以10个百分点的优势获胜，保住了威斯康星州最高法院4比3的自由派多数席位。 [查看评论](https://m.cnbeta.com.tw/comment/1492618.htm)

法国政府与 Pornhub 等成人网站就是否检查互联网用户年龄发生冲突，这场僵局预计将在未来几周内尘埃落定。今年生效的法国新法律要求成人网站进行年龄检查并屏蔽 18 岁以下的用户。 [](https://static.cnbetacdn.com/article/2020/1214/48ddabd6c42ad9b.webp) 该法律于周五生效，适用于在法国注册的网站，例如法国色情品牌 Dorcel，以及在欧盟以外注册的网站，例如 OnlyFans。从6月7日起，年龄检查将扩展至位于其他欧盟国家的网站，[包括](https://www.legifrance.gouv.fr/jorf/id/JORFTEXT000051296465)该行业的巨头，例如总部位于塞浦路斯的 Aylo 集团旗下的 Pornhub、YouPorn 和 Redtube，以及总部位于捷克共和国的 XVideos。 根据该法律，法国视听和数字服务监管机构 Arcom 有权屏蔽色情网站，前提是它认为这些网站没有及时正确实施年龄验证。 一位熟悉此事的议员表示：“数字事务部长克拉拉·查帕兹告诉我们，第一批网站封锁可能会在今年夏天进行。”该议员要求匿名透露机密谈话的细节。 Pornhub 的所有者 Aylo 已在法庭上对该法律提出质疑。 目前，只有法国和欧洲以外的色情网站可以被屏蔽。从周五开始，这些色情网站必须至少提供一套安全的年龄验证系统，该系统可以通过验证身份证明文件或估算用户年龄的自拍视频等方式来核实访客的年龄。 这导致年龄验证软件提供商纷纷向色情网站提供服务。 [大型软件供应商协会](https://avpassociation.com/)AVPA 的主席伊恩·科尔比 (Iain Corby) 表示，在法国周五截止日期前，人们对验证工具表现出了“明确的、最后一刻的兴趣” 。但他补充说，该协会目前发现的实际部署很少。 年龄检查之所以未能得到更广泛推广，是因为互联网用户认为它是一种负担，而数字权利活动家则认为它对隐私构成威胁。平台方面则担心，在法定期限之前推出这些工具，可能意味着用户会访问尚未合规的网站。 大多数推出年龄检查服务的网站都是付费平台，例如法国的 Dorcel 就与英国的 Yoti 签署了合作协议，从周四晚上开始部署其年龄验证解决方案。 “所有网站都想遵守规定，”一位年龄验证解决方案提供商的人士表示，由于讨论的是机密内容，他要求匿名。“但他们要等到最后一刻。” [查看评论](https://m.cnbeta.com.tw/comment/1492616.htm)

**OpenAI宣布，自2025年4月30日起，GPT-4将从ChatGPT中退役，由GPT-4o完全替代 ，不过GPT-4仍将在API中提供。****OpenAI表示，在面对面的评估中，GPT-4o在写作、编码、STEM等方面持续超越GPT-4。**最近的升级进一步改进了GPT-4o的指令跟踪、问题解决和对话流程，使其成为GPT-4的自然继承者。 [](https://static.cnbetacdn.com/article/2023/0315/ec8802a472f5df4.webp) 据悉，GPT-4于2023年3月发布，较上一代GPT-3.5有了显著提升。而GPT-4o是OpenAI为聊天机器人ChatGPT发布的一款多模态大模型，于2024年5月14日发布，其中 “o” 代表 “omni”，意为 “全能”。 该模型可以使ChatGPT能够处理50种不同的语言，并接受文本、音频和图像三者组合作为输入，生成文本、音频和图像的任意组合输出。 另外，**OpenAI下周还将揭晓一系列新的AI模型，其中包括GPT-4.1，这将是4o多模态模型的改进版。**同时推出的还有更小的GPT-4.1 mini和nano版本，以及o3 “推理” 模型和新的名为o4-mini的推理模型。 [](https://static.cnbetacdn.com/article/2023/0316/e8468874c21600f.webp) [查看评论](https://m.cnbeta.com.tw/comment/1492614.htm)

今日，华为常务董事、终端BG董事长余承东发布视频，**官宣华为路由器新品——华为路由X1 Pro。**视频中，他还与工程师进行X1 Pro拼装挑战，最终，余承东快人一步率先完成拼装。据介绍，该路由器可选黑、白两款配色，共11根天线，上半部分为透明设计，颜值很高。 余承东表示，**华为路由X1 Pro搭载灵犀天线，轻松覆盖120平米，穿三堵墙后，信号仍然强劲。**   据华为经销商“看山的叔叔”透露，**华为路由X1 Pro将于4月16日发布，并称“可能是千元价位天线最多的路由”，也是首款艺术路由。**  **华为路由X1 Pro将配备4个2.5GE网口，支持星闪网关**，爆料称路由支持Wi-Fi 7。    [查看评论](https://m.cnbeta.com.tw/comment/1492612.htm)

在当地时间4月11日，美国海关和边境保护局发布公告，[宣布对手机/PC/服务器/半导体等产品豁免“对等关税”](https://mp.weixin.qq.com/s?__biz=MzA4MTE5OTQxOQ==&amp;mid=2650110082&amp;idx=1&amp;sn=8d452b19803933783edec0d421335528&amp;scene=21#wechat_redirect)之后，台媒“优分析”曝光了据称是鸿海集团内部对于此次美国豁免“对等关税”的解读。根据曝光的鸿海集团内部PPT内容确认，此次美国更新的豁免清单可豁免原4月10日起美国对中国（含香港，澳门）课征的125%对等关税。 即可中国对美国出口的产品只要是涵盖在该豁免清单内的物项都可豁免125%的对等关税。注意，此前就已经对华实施的加征20%关税并不在豁免之列。 豁免清单对20条商编HTS下的商品提供对等关税豁免优惠，其中就包括了对于计算机、服务器、智能手机、打印机、半导体制造设备、无线通信设备（如基站、路由器等）、存储器、显示器、半导体相关产品。这对于在中国拥有众多电子代工厂并为苹果代工iPhone等产品的鸿海集团来说是一个好消息。 根据鸿海集团内部的分析来看，在此次关税豁免政策影响下，其在中国大陆制造的智能手机、智能手表对美出口的综合关税税率分别为20%和27.5%，均在可控范围内。但是蓝牙音箱、无线耳机、智慧音乐扬声器、电视机、游戏机等消费类产品并不在豁免范围内，对美出口的综合税率分别高达152.5%、170%、145%、156.4%和145%。相比之下由于美国已经暂停对很多国家的加征关税，这也使得越南、印度、台湾、墨西哥等原产的智能手机、智能手表对美出口仍是0关税，其他消费类产品对美出口的关税税率也大多仅有10%-13.9%，不过墨西哥对美出口这类产品均为0关税。 如果是中国原产的手机主板/手表主板、智慧音乐扬声器主板等产品到美国，也需要分别被加征高达152.5%、170%的关税。如是中国原产的手机零部件/手表零部件/无线耳机零部件、智慧音乐扬声器零部件到美国，也需要分别被加征高达152.5%、170%的关税。由于路由器/交换机、其他网通产品、服务器这些产品在豁免清单之列，因此这些产品如果是中国原产出口到美国的税率主要为原有关税+之前的20%加征关税，分别为45%、27.5%和45%。但是服务器机柜并不在豁免清单之列，所以如果是中国原产的服务器机柜出口到美国将面临高达170%的关税。 此外，由于PC及配套外设产品及零部件也在此次豁免清单之列，因此鸿海在中国原产的平板电脑/笔记本电脑、微型电脑一体机、键盘、平板电脑主板、微型电脑主板、微型电脑一体机主板、键盘主板、电脑零组件/结构件、键盘零部件对美出口也基本是原有税率+此前加征的20%关税，税率分别为20%、27.5%、45%、20%、45%、45%、45%、45%和45%。 从鸿海公布的信息来看，虽然此次豁免使得在中国生产的苹果的iPhone、iPad、Apple Watch、Mac等产品对美国出口受到关税的影响大幅降低，但是苹果AirPods无线耳机产品并不在此列，因为出口到美国依然会受到高关税的影响，在中国为苹果代工AirPods的立讯精密或将受到影响。不过，立讯精密在最新的公告中表示，其出口到美国的营收占比不到10%，并且关税主要是由客户承担。最近的消息显示，苹果即将通过鸿海旗下富士康在印度生产部分AirPods产品。后续苹果可能会通过富士康印度、立讯精密越南工厂对美国出口AirPods等产品。根据苹果公司的财报及预测数据显示，其2024年来自中国区营收比重已降至17%，预计2025年将降至16%。相比之下，2024年美洲销售却占了苹果总共约43%营收。 但是，苹果产品有超过80%的产能都是在中国，虽然苹果近年来有持续通过代工合作伙伴在印度、越南等地扩大产能，但目前的产能占比仍不到20%。因此，有分析称，在中美贸易战、关税战持续加剧的背景之下，苹果可能会继续推动鸿海等代工伙伴加大在印度、越南的产能占比，以降低对于中国的依赖，并降低关税等不利因素的影响。根据此前的资料显示，苹果早已计划在2025年底前将全球25%的生产转移至印度。这项行动已实际展开，苹果与主要代工伙伴鸿海在印度合作建置新厂，并开始生产iPhone与AirPods。2025年初，苹果从印度通过包机出口约150万部iPhone至美国，并与当地政府合作，将清关时间由30小时缩短至6小时，显示生产与物流体系已初具规模。 除了印度以外越南也是一大焦点，苹果在越南的布局不像三星那么深，为了分散供应来源，未来可能也需依赖鸿海等合作伙伴在越南的产能扩张来支持分散供应来源。 比如，鸿海旗下Fulian Precision Technology越南工厂已在当地生产服务器、网通设备与零组件。同时还有为苹果公司生产笔记本电脑与平板电脑为主，未来更不排除扩展至iPhone组装业务。此外，立讯精密也有在越南建厂为客户代工相关产品。 值得一提的是，鸿海等台系服务器代工大厂很多都有在墨西哥建立了服务器产线，而随着美国的关税战影响，他们也纷纷计划在美国建服务器厂，以更好服务美国客户。 [查看评论](https://m.cnbeta.com.tw/comment/1492610.htm)

 来讲讲玛琪玛女士吧。 （注意，本文中使用的插图来自《电锯人》漫画，漫画文本阅读顺序为从右到左，彩色部分属于粉丝自发上色，请各位支持正版！）  # 唯一一个有强社会性的恶魔 支配恶魔，这一世在人间的名字是玛琪玛，能力是“支配自己认为比她自己弱的生命”，由于和总理大臣签了契约，如果他人对她造成了伤害，这些伤害就会被随机转嫁到其他日本国民身上，从而导致她虽然在肉体防御力上只有正常人的水平，但她有几乎无数的复活币，容错率极高。如果她愿意，她还可以被杀着玩。 这一世她直接绑定日本高层，费尽心思以求独占电锯人，来实现她自己宏大的梦想：利用电锯恶魔概念抹除的能力，将死亡、饥饿、战争，以及更多破坏世间幸福的东西从世上消除——这好像是只有天真的人类小孩才会许下的愿望。  (三位姐姐：我谢谢你) 按我自己的l理解，玛琪玛身为恶魔，有一个最大的特殊之处（树甚至没有在明面上解释原因）：她是一个熟练地运用这人类社会的语言、符号体系，同时又被其深深俘获的恶魔。  说人话就是，她能够遵守并利用人类社会的各种伦理规则，保持着人类的矜持，无论是作为下属还是上司，她乐意克制自己内在的无序性、破坏性的冲动（每个人心中都有这种东西，精神分析称其为“死亡驱力”，和“生驱力”性欲同属于力比多的来源），而不像其他恶魔那样自我中心，急于享受自己当下的享乐，不管是干坏事还是做别的。 因为这一点，绝大部分普通恶魔都无法像普通人类那样融入社会的秩序。（天使恶魔是另一个特例，他厌恶伤害他人，但他选择了玩世不恭，同样是拒绝融入人类社会的。）   (一般的恶魔（魔人本质上是套皮恶魔）会被排除在人类的社交之外，帕瓦经过调教能带出来了。)  而当大家在夸帕瓦能上桌吃饭的时候，玛琪玛已经成为全酒桌最有礼貌的“人”了。 我觉得树在有意识地营造一种差别：除了玛琪玛之外的恶魔（包括魔人），如果在各国公安的支配之外，它们便是要被猎杀的非法存在；而如果它们加入了公安组织，它们也只能生存于被支配的执行层，甚至直接被收监。  而玛琪玛则是唯一一个站上了管理层，乃至决策层的恶魔。 这其实说明了，在藤本树的设计中，绝大多数恶魔并非因为行恶而无法进入人类社会的上层，相反，人类社会的上层恰恰是在利用恶魔的力量，利用它们每个个体的个人主义，驱使它们为自己行恶。 这一点的原因在于，绝大部分的恶魔学不会【面向他者的语言】，它们只能与人类订下死硬的契约，进行一次性结清的交易，或是通过暴力让他者屈服，而无法像一个成熟的社会人那样尝试去制衡、妥协。  (成熟的社会人（右上）) 但人对人的支配并非一次性的交易，支配者无法忍受被支配者在完成了一次取予之后，竟然还能像甩去露珠的荷叶那般保留着自己高洁的、充满了不确定性的主体性。被支配者不能仅仅在某件具体的事宜上只通过行动配合支配者，而应该发自内心地服从。支配的实现必须依赖于一种或轻或重的仪式，让支配者和被支配者通过比“一个人独自过活”的状态更加复杂的行事方式，感觉到彼此处于同一个共同体中，绑定在一起。 但玛琪玛实现了这一点——她对这一点的熟稔体现现在她在故事前中期，身为公安的中层干部，对职场的诸多礼节展现出了忠诚与维护。她主动参加四课的团建（一些小队的魔人成员直接没有被带来），她坐在办公桌前像前辈那样教授电次各种职场的鸡毛蒜皮，  她定期站在大佬面前汇报工作，各种职业规范烂熟于心，在岗位上更是永远不换下制服，干净笔挺。 也许有朋友会觉得，王莽恭谦未篡时，玛琪玛前中期的循规蹈矩都是伪装，她上位之后单挑枪魔，清洗公安，杀死海量无辜平民，几乎只手遮天，原形毕露了。 但我觉得，玛琪玛在前期和后期行为上的差异，恰恰只是务实地践行了身处不同权力层级的人会做的事情而已。隔壁米国总统在献祭全体国民一年寿命的时候，也没有犹豫呀。规矩就是用来给中下层遵守的，在她收集齐和枪魔、米国开战的所有棋子的时刻，她本身就是言出法随的规则。  更有趣的是，即使来到了日本的最高层，玛琪玛依然让自己活在秩序之中。她继续住在几十平的高级公寓里，继续养狗，早睡早起吃早餐，过现代中产的理想生活。  那之后，她上工（杀电锯人）时继续穿最简洁的制服，还让她的被支配者们一起穿。（但我感觉这里也有藤本树懒得设计更多衣服的成分在，但武器恶魔的外形又显示出藤本树其实对设计人外很在行）  【支配】和【秩序】就是如影随形的，所谓“远人不服，则修文德以来之”（《论语·季氏第十六》），孔老二在这里提的“文德”不仅是个人的道德，还包括诸侯国的政治秩序稳定、礼仪完备，通过展现自己实现完美秩序的能力，来“征服”武力征服不了的人。虽然我知道不少朋友喜欢看快意恩仇，但历史告诉我们，肉体上的暴力在性价比上大多数时候都会被符号性的暴力完爆。 但这时我们又迎来了一个疑问：藤本树在刻画玛琪玛的过程中，不仅刻画了她守护秩序的一面，同样刻画了她性化的、欲念深重的一面。她的身体被裹在制服之内，但却又有意突出了她前凸后翘的第二性征；她谋篇布局的最终目的就在于实现自己对电锯恶魔畸形的爱，实现她个人化的欲望。二者看起来似乎有点矛盾、缝合。（参考文章开头的那张封面图） 这个问题其实也好回答。首先，是什么样的女人，可以在体现出强烈的性化特征的同时，又能不起到色情的作用呢？我想能比较公允的答案只有一个：母亲。 比如说，即使中国在传统文化中没有像西方艺术那样对女性身体的直接展现，今天的中国公众大体上依然可以接受母亲敞开胸怀哺育孩子的艺术形象。高耸的乳房、宽大的盆骨，既可以意味着对男性性欲的迎合，也可以意味着对生命的孕育。综合玛琪玛在剧情中的表现，她母性、女性的身体更多是意味着对子嗣们的支配，而非等待阳具支配的女色，即藤本树为玛琪玛（マキマ，makima）钦定的角色定位，ママ（mama）。  (玛琪玛支配人类的锁链从子宫的位置中放出) 关于她个人化的欲望，我们可以看她最后“逮住”波奇塔，真正原形毕露后说的话：一起生活，吃早餐，睡觉。她想和爱人一起做的无非是这些符合现代人公共礼仪期望的事——即使到了这一步，世界上似乎杀得只剩下他们二人（魔），玛琪玛依然让自己代表着秩序，完全不像是一个老谋深算的胜利者发表获胜感言时会说出来的话。  综上所述，玛琪玛，或者说支配恶魔，是恶魔中完全的异类。她将自己的存在完全锚定在了人类文化为这个社会设定的秩序之上，终其一生致力于创造一个没有死亡、饥饿、战争和烂片的世界，创造出一个完美的、充满秩序的世界。她为此完全抹杀了自己身为恶魔似乎本该拥有的自我中心、及时行乐的行事风格。我想，也许将她称为“社会恶魔”也不为过吧。 # 电影和拥抱 现在我们对玛琪玛的形象有了一个整体的理解，接下来我们继续看她的几个细节性的设定，关于她“凭气味识人”、“爱看电影”、“渴望被人拥抱、与人平等”等等几个比较小的特性。  我觉得大伙应该明确一点：藤本树虽然的确在各种细节上能做到诡异的逻辑自洽，但他同时也会为自己有特殊好感的角色加入一些花边性质的属性，比如说帕瓦的诸多恶习（不冲厕所不吃蔬菜等），利贺田混沌邪恶式的电影痴迷，（第二部女主角）三鹰朝几乎是下头女水平的内心戏，那由多对自己和电次放屁次数的统计，等等。 这些属性能够在大方向上和那个角色的形象统一起来，让大家感觉到那个角色有这种小坏毛病是合理的，甚至是加分的——但没有（或是削弱）这些属性，那个角色的形象同样可以正常运转。所以我将其归结到藤本树个人的XP之上。  B站有位UP主叫禅心平常，他有一个命题：藤本树是一个在作品中对自己的XP格外坦诚的作者，他塑造那些具有强烈主观意志，不围着男角色转，甚至具有冒犯性的女角色，并不是说他在两性观念上如何地觉醒，而是单纯是他自己喜欢这种女人，他要大胆地把自己头脑和二弟的共同选择展现给所有读者。 所以我觉得，玛琪玛爱看电影，而且品味独特，更大可能是藤本树下意识地在自己的诸多爱好中选了一个，用以充实玛琪玛的b格。其实这个属性也可以换成别的，但藤本树就是在自己爱好的基础上选择了“电影”。    (他真的超爱电影) 而玛琪玛用气味而非用视力识人的设定，我在电锯人贴吧会看见有吧友会用法学知识来分析，说“权力是盲目”的云云，我在这里倒觉得没有那么复杂，这个设计反而更像是一个“阿喀琉斯之踵”式的点子。理论上来讲，玛琪玛的能力是支配生物的一切，她既然都能利用老鼠和鸟来偷听了，为什么她同步不了它们的视觉感官呢？故事里并没有解释。  虽然“玛琪玛鼻子特别灵”“玛琪玛很会偷听”之类的信息在前期已经做足了铺垫，让故事最后电次的点子能逻辑自洽，但“玛琪玛为什么不能充分利用视觉”的问题依然没有得到正面解答，这个弱点就像阿喀琉斯之踵那样，通过戏剧性的反转将自己逻辑上的不足盖过去了，非常巧妙。我猜这个点子是树很早就想出来的，他肯定会觉得自己画了那么多话，最后完成的这个欧亨利式结局非常帅。 接下来是“渴望拥抱”这一点，我觉得树的确有自己的思考在。波奇塔的原话是，“支配恶魔希望与他人建立平等的关系，但她不明白该怎么做。为了让她明白这点，电次你应该多拥抱她。”  拥抱，是一种高度信任的表现，说明双方愿意用胸口贴近彼此，并把后背交给对方的双手，彼此为对方提供温暖与庇护，彼此都倾其所有。所以它可以是对等的。 玛琪玛明白拥抱的这些含义吗？应该明白的，所以她会在影院看见《士兵之歌》结尾拥抱的那一幕时流泪。但她在那一刻的落泪恰恰映证了，这一世的她已经与这样毫无保留的拥抱无缘。  她身为权力、秩序的化身，陷入了这样一个死局：她明明完全支配了群体中的每个人，但她却无法变成群体意识本身，也无法将群体每个人的个体在物理上融合为一个单独的个体，或是一滩橙汁——她永远只是控制了*其他个体*的*另一个*个体而已。 控制了身边的所有人，甚至让他们发誓，情愿将一切献给自己，宣言自己已经爱上了玛琪玛——难道这样，她就真的获得了他们的“心”吗？只要双方客观地位上的不对等仍然存在，玛琪玛就无法真的向自己证实这一点——就像古往今来所有的支配者那样。他人的存在对于自己而言，永远都存在着靠语言的追问无法穷尽的不可知性，就像人永远无法只靠眼睛看见自己的后脑勺那样。玛琪玛在登上了支配的顶峰后，便遇到了这个难题。  于是她强烈地感觉到了，两个人通过拥抱短暂创造出来的共同体之中，好像还存在着什么特别的，有别于支配的联系。 但她却这辈子都不愿（不敢）向与自己对等的人敞开胸怀，只有奴隶能安全地舔到她的脚，而来自其他自身无法支配的人的力量，则只会是需要转移走的伤害——这是她身为支配恶魔命定的悲剧。 玛琪玛这辈子也没有明白，再多的语言也无法让君王真的相信臣子的“绝对忠诚”，但只需要某一句话，某一个眼神，就能让在彼此怀抱中的亲人、恋人相信，对方真的深爱着自己。  (莫名感觉这段很齐泽克) 最后提一嘴，要说拥抱的话，其实玛琪玛在初见电次时就已经大方地拥抱了他（终于找到偶像了）。而且在那里还有个很下头的情况：日语的“抱く”是有性暗示意味的，昏迷边缘的电次当时见到玛琪玛（女人），脱口而出一句“让我抱你”，说明他已经只剩本能，无力思考了。谁知这句话却撞在了玛女士的心上。  玛女士基本聊完，等到第二部也完结了再来完整地讲一讲第二部的故事吧。

<blockquote><p>“不知道怎么问，AI总是get不到我的点？”、“工具太多，到底哪个才适合我？”……</p> <p>本文将深入探讨如何与AI高效沟通，选择合适的工具等。掌握这些技巧，你也能让AI成为你的“超能力”，在工作中实现意想不到的突破。 （以下内容AI小白也可放心食用）</p> </blockquote>  ## 一、已知问题及目标 ### 1、引子 你是否遇到过这样的场景： - 向AI提问后，得到的答案要么过于笼统，要么完全偏离需求，不得不反复重试或自行修改？ - 看到同事用同样的工具快速产出高质量方案，而自己的结果却需要花费大量时间修改？ - 面对市面上五花八门的AI工具，不确定哪一款最适合自己的专业场景？ 这些问题的核心，往往不在于AI的能力上限，而在于我们是否掌握了与之高效协作的“对话逻辑”。 在过去几个月里，我与21位不同职能的从业者（包括产品经理、运营、工程师等）深度交流，梳理出12个高频痛点，并从中提炼出一套可复用的方法论：**从Prompt设计、调试技巧到工具选型，**覆盖LLM应用的全流程实践。 调研问题整理如下：  ### 2、目标和适合人群 这篇文章不会告诉你“AI能取代人类”或“某个工具天下第一”，而是聚焦于一个现实的问题：**如何像管理一位高潜团队成员一样，用清晰的指令和有效的协作方式，让AI真正帮你创造出有用、有落地价值的结果。** 不管你是刚接触AI的产品新人，还是已经在用AI提升效率的老手，这里提供的框架和案例都能帮你做到几件事： - **提高输出质量**：通过5W1H法则，让AI的输出更贴合你的真实需求； - **减少试错成本**：避开常见提问误区； - **理性选择工具**：看场景选产品，而不是跟着热点盲目入坑。 AI时代的高效工作者，未必是技术最精通的人，但一定是**最懂如何与机器协作**的人。现在，让我们一起拆解这场人机协作的“底层代码”。 ### 3、一些（看似花里胡哨的）名词解释 下文中可能涵盖以下名词，大致了解即可。可前后对照着阅读。 - ** LLM**：Large Language Model，大语言模型。基于Transformer训练的超大规模语言模型。 - **LLM应用**：即大语言模型（LLM,Large Language Model）应用。下文仅指代“AI对话助手”类应用。涵盖我们日常使用的GPT、KIMI、腾讯元宝、豆包、deepseek等产品。 - **Prompt**：提示词。就是你跟LLM应用聊天的过程中，你输入给他的一段话、问题或指令。 - **AIGC**：AI Generated Content，人工智能生成内容。 - **token**：直译为标记，是LLM大模型处理语言的最小语言单位。  ## 二、与LLM高效沟通的关键方法 划重点：**提问质量决定AI输出质量**。 ### 1、你想让AI有多懂你？ 不妨把大语言模型想象成一位能力出众但初来乍到的”超级实习生”——它潜力无限，却对团队背景和工作细节一无所知。只有给出清晰明确的指令，才能充分释放它的价值。 就像为新人布置任务一样，你的提问质量直接决定了AI的工作成效：指令越具体，它就能越快、越准确地给出你想要的结果。  ▲ 上图是一个比较笼统的案例 -这个图可以和上一张图对比查看。 -由于问题笼统，所以答复笼统，不能直接用于工作中使用。需要再次加工。 ### 2、Prompt 的几个关键信息 (对应 5W1H)： **1）你是谁？Who？(角色扮演)**：“嘿，AI，你现在是咱们团队的资深产品专家…” **2）要做什么？What？(目标任务)**：“帮我快速梳理一下这个需求文档，重点是…” **3）为什么要做？Why？(背景原因)**：“因为我们需要评估这个方案的可行性，所以…” **4）什么时候做？When?(时间约束/频率)**：“请你快速输出一个文档的框架…”——个人感觉这一条不太需要。 **5）在哪里做/有什么限制？Where?(场景限制)**：“只考虑我们现有的技术栈，不要引入新的中间件。” **6）希望怎么做？How?(具体要求/格式)**： “最后以一个包含关键风险和收益的列表呈现给我。” **7）“加分项”：更清晰的指令 (对应 明确性、具体性、可衡量性)**： - 要说具体指标，不说“大概”、“差不多”：“字数在 300-500 字之间”、“列出至少三个改进建议”。 - **给AI“效仿”的对象**： “参考一下我们之前写的这份竞品分析报告的风格：[链接]” - ** 像写测试用例一样思考**： 考虑各种边界情况和期望的输出。 举例： **1、吃鱼：** 1）低效的沟通： 你告诉你家新来的厨师说你想**吃鱼**。厨师可能会给你上一盘红烧鲤鱼，但你可能不喜欢鲤鱼，或者想吃清淡一点的。 2）逐步优化的沟通： - **第一次优化 (What)**： 你说：“我想**吃清蒸鱼**。” 这比只说“吃鱼”更具体了。 - **第二次优化 (Who + Why + Where)**： 你补充道：“我最近正在减脂， 我想吃清蒸鲈鱼，别放太多油。” - **第三次优化 (How + 加分项)**： 你更详细地说：“我最近正在减脂， 我想吃清蒸鲈鱼，一斤多的就行。**只需要用少量蒸鱼豉油和葱姜调味，记得上桌前把姜丝去掉。**” 仅仅说“吃鱼”，AI（厨师）很难准确理解你的需求，结果可能不尽人意。通过逐步添加 5W1H 的信息，你的需求变得越来越清晰，AI（厨师）也能更好地理解你的意图，最终做出更符合你期望的“鱼”。 **2、VIP用户转化方案：** 1）原始需求——给我一份VIP用户转化方案的文档框架 2）按照5W1H**优化后**—— <blockquote><p>你现在是某C端电商平台负责市场推广和运营策略的高级顾问。平台希望通过提升现有用户的忠诚度，发展一批高价值的VIP客户，从而更好地提升用户体验、促进复购并增强用户粘性。请你快速构建一份客户忠诚度提升方案的文档框架，针对已注册的平台用户，重点考虑如何激励他们成为VIP客户。文档应清晰列出主要模块和内容要点，例如招募流程、激励机制、管理方式、推广策略等，并以清晰的层级结构呈现。</p></blockquote> 3）拆解分析： - 你现在是某C端电商平台负责市场推广和运营策略的高级顾问。——你是谁？(角色扮演) - 平台希望通过提升现有用户的忠诚度，发展一批高价值的VIP客户，——要做什么？(目标任务) - 从而更好地提升用户体验、促进复购并增强用户粘性。——为什么要做？(背景原因) - 你快速构建一份客户忠诚度提升方案的文档框架，——什么时候做？(时间约束/频率) - 针对已注册的平台用户，重点考虑如何激励他们成为VIP客户。——在哪里做/有什么限制？(场景限制) - 文档应清晰列出主要模块和内容要点，例如招募流程、激励机制、管理方式、推广策略等，并以清晰的层级结构呈现。——希望怎么做？(具体要求/格式) 没有放之四海皆准的”完美模板”。有效的Prompt需要不断调试，以保证： - 产品适配性：不同AI工具对指令的敏感度不同（如Claude偏好结构化，GPT-4理解更灵活）。 - 迭代优化：通过”提问-反馈-调整”循环逐步校准。 - 个人风格化：最终形成的Prompt库应该符合你的思维习惯和业务场景。 ### 3、LLM能帮你做什么，不能做什么？ 总的来说，LLM模型擅长处理与**语言和文本相关**的问题。它们可以理解、生成、转换和分析文本内容，在需要大量文本处理、信息提取、创意生成和语言理解的场景中，能够显著提升工作效率和创造力。 然而，在需要高度事实准确性、复杂推理、专业知识、伦理判断、物理交互以及情感理解的场景中，它们仍然有一定的局限性。  ## 三、Prompt使用技巧与调试策略 ### 1、Prompt的编辑和调试 当我们使用 LLM 得到不满意的答案时，不用急着重新提问或完全换个问题。一个更高效的做法是直接在原始Prompt的基础上进行修改，突出你希望调整的内容。 **举个例子**： 你问 AI “如何提高用户活跃度？”，它给出了很多宽泛的建议。这时，你可以在原来的 Prompt 基础上进行编辑，例如：“在上一次回答的基础上，请更聚焦于新用户的激活策略， 并给出 3 个具体的、可执行的方案。” 这样，你就通过优化 Prompt 而不是重新提问，更精准地引导了 AI 的输出。 **核心要点**： 像调试代码一样，逐步优化你的 Prompt。分析 AI 的不足，针对性地补充信息、调整措辞或增加约束条件。 ### 2、创建你的“Prompt 工具箱”：常用模板的存档与复用 就像我们经常保存和复用常用的 SQL 查询语句或代码片段一样，对于那些你已经调试好、能够稳定产出高质量结果的 Prompt，**最好进行存档保存，建立你个人的“Prompt 工具箱”**。 **场景示例**： 比如，你经常需要 AI 帮你生成竞品分析框架，或者总结用户反馈报告的要点。当你找到一个效果很好的 Prompt 后，将其保存起来，下次只需做些小调整，就能直接使用，从而节省大量的重复打字和调试的时间。 **实践建议**： 可以使用文档、笔记软件或专门的 Prompt 管理工具进行存档，并为你的 Prompt 添加清晰的标题和描述，方便后续查找和使用。 ### 3、善用具备“持续记忆”的 LLM 应用 对于涉及相对专业、需要上下文连贯理解的内容，**优先选择那些具备“持续记忆”（即在单次会话中能够记住先前对话内容）的 LLM 应用。** 这样可以避免你在后续提问中重复提供背景信息，使 AI 能够更深入地理解你的问题。 ### 4、避免 Token 限制带来的记忆丢失 在处理文本时，LLM应用会受到 Token 数量的限制（简单来说，就是处理文本长度的限制）。**当对话过长或输入的文本过多时， AI可能会 “遗忘”较早的信息，影响回答的质量**。 应对策略： - **适时总结**： 在对话进行到一定程度时，主动总结关键点，帮助AI回顾上下文。 - **分段提问**： 将复杂问题拆解成多个小问题，并确保它们之间有清晰的关联。 - **引用历史信息**： 在后续 Prompt 中，明确引用之前讨论的关键点，提醒它关注上下文。 - **使用支持长上下文窗口的 LLM**： 在处理长文本或需要长时间记忆的场景下，选择那些具有更大上下文窗口的 LLM 应用（例如 Kimi、Google AI Studio）。 ### 5、当有严谨要求时的策略 对于需要高度严谨和准确性的内容，仅仅依赖 AI 的生成结果是不够的。**我们需要在 Prompt 中明确提出对信息准确性的要求，并引导 AI 进行溯源和交叉验证。** ** Prompt 示例**： <blockquote><p>“我现在要写一篇学术性论文。请介绍一下最新的区块链技术发展趋势，<strong>务必基于可靠的行业报告和权威研究论文，并提供信息来源的链接。</strong>同时，请对比分析至少三家不同机构的观点。”</p></blockquote> 核心思路： - **明确要求溯源**： 要求 AI 提供信息来源，便于后续核实。 - ** 进行多方对比**： 引导 AI 对比不同来源的信息，减少单一来源的偏差。 - **设定限制条件**： 在 Prompt 中明确指出对信息准确性的要求。 ### 6、聚焦核心，避免信息过载 AI 能够快速生成大量信息，但并非所有内容都对我们有帮助。我们需要主动引导AI，聚焦在真正需要解决的问题上，避免被杂乱无章的信息淹没。 核心思路： - **明确提问需求**： 你的 Prompt 应该清晰地指向你想要获得的答案或结果。 - **逐步细化需求**： 如果 AI 返回了大量不相关的信息，可以修改 Prompt 中增加更具体的限定条件，缩小搜索范围。 - **学会筛选**：不要盲目接受AI生成的所有内容，要根据实际需要进行过滤和提炼。 ## 三、主流LLM产品的特性分析及使用 面对市面上的多款AI产品，选择合适的工具能够显著提升我们的工作效率和创造力。以下是对表格中几款主流AI产品的总结，希望能帮助你在不同场景下做出更好的选择：  ### 总结 **轻量级日常助手：豆包、腾讯元宝** 在处理简单查询、快速提问这类不需要太多上下文的信息时，豆包和腾讯元宝表现都很不错。响应快、界面清晰，特别适合日常使用，比如查天气、翻译句子、搜集一些基础信息等，属于轻量级的实用工具； 另外，腾讯元宝相对比较适合产出创意文案、活动文案、社交媒体推文等，语言风格贴近中文社交语境。 **技术支持与专业内容：DeepSeek** DeepSeek在处理技术类内容方面更有优势，特别适合开发者或需要查阅技术资料的使用场景。它对代码的理解能力比较强，用来写代码、看文档、查知识都很靠谱。 **长文本处理与深入分析：Kimi** Kimi在长文本处理上的表现非常稳定，适合一口气读懂大段内容，或者对某个话题进行深入讨论。像研报分析、合同理解、长篇写作这些需要逻辑和上下文连贯性的任务，它都能应对得不错，输出风格也相对克制、严谨。但是理解能力略逊于ds、GPT和Google AI Studio **通用能力与学习工作等多场景适配：ChatGPT** ChatGPT是一个通用性非常强的工具，适合处理各类复杂问题，能写能答还能接插件，支持多语言、多轮对话。在创作、脑暴、解题、流程规划等多种场景中，它都表现得很有弹性。对于需要一个“万能助手”的人来说，是非常值得尝试的选择。 **我定义为kimi pro：Google AI Studio** 工作和其他非生活场景中，我用gemini的频次是最高的。使用下来的感觉是，“学术版gpt”，“kimi pro”，长文处理能力很不错。 官方点的特点是：多模态能力与Google生态整合。多模态，是指能够同时处理文字、图像、音频甚至视频内容。它还与 Google 的服务（Gmail、Docs、Workspace 等）深度集成，比较适合和google全家桶搭配使用。感兴趣的话可以再深入研究下。 **文心一言**？ 没用过，不做评价，可以自行尝试并总结。 ## 结语 AI 是我们提升效率的强大助手，它能为我们提供参考、激发创意、加速信息获取。但请记住，AI的智慧来源于数据，它的能力也有局限性的。我们可以**把 AI 视为我们工作流程中的“智能伙伴”，用它来辅助思考和快速探索，但务必保持独立思考和批判性思维。 ** 例如前段时间让人啼笑皆非的基础数值处理（如浮点数比较，2.9 vs 2.11）时可能出现的“幻觉”或错误推理，截至目前仍存在部分模型没有订正。 对于关键信息和专业判断，我**们更应以 AI 的输出为起点，结合我们自身的专业知识和经验来验证核实，最终做出审慎的决策。**让我们携手拥抱 AI 的便利，同时保持警惕，共同打造更加高效和可靠的工作方式。 本文由 @产品狗阿穗 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