Meta收购Manus震动全球AI界！本期尝试剖析Manus从武汉创业到成Meta棋子的历程，揭秘扎克伯格豪掷百亿的战略动机，解读中国大厂缺席的深层原因，对比GenSpark与Kimi潜力，盘点全球华人AI公司，看AI行业格局如何重构。 0:00 Meta收购Manus，或改变AI行业格局 0:38 Manus创业故事：2018年武汉创立，2021年推智能体，2024年C轮估值12亿美元 2:22 Manus核心竞争力：场景化知识图谱、分布式调度、轻量化部署 3:39 Meta收购原因：补应用层落地能力，缩短技术研发时间 5:00 中国大厂未参与收购原因：政策、战略路径、市场问题 5:56 下一个可能被收购的AI公司：GenSpark和Kimi 7:01 华人AI公司特点：专注垂直场景，全球化布局 7:57 Meta收购标志AI重心转向应用层，华人创业者可专注垂直领域

本期聊聊稳定币圈大事件！Circle股价暴跌75%，美联储降息、成本飙升、摩根大通入局等多因素围剿。USDT虽稳坐霸主宝座，却暗藏储备透明度不足、高风险资产等多重隐患。打工人午休时间，一起速览稳定币江湖的风云变幻！ 快速收听 0:00 介绍Circle股价暴跌75%及原因 3:48 分析USDT储备透明度不足风险 4:43 阐述USDT储备质量及挤兑风险 5:50 说明USDT监管问题及非法使用 6:50 总结USDT风险及市场困境

第一张是2001年我参观斯坦福大学时的照片，那时候使用的是世界上第一批商用的数码相机，是柯达数码相机最早的型号，是200万像素的，后来，胶片之王柯达破产了，这也印证了“创新者的窘境”，属于前一个时代的巨头有钱有人，但在颠覆式技术出现后，就是竞争不过新创的小公司，新玩家。 第二张照片是最近播客同行 @卫诗婕 （ https://www.xiaoyuzhoufm.com/podcast/6627fda4b56459544087d86a ）刚刚拍的，镜头里是同一个地方。C位的那棵大树长得更高了，但真的已是物是人非。“廿年今日此景中，藤校英才相竞红。雅虎不知何处去，O记依旧笑春风” 说回今天的英伟达向OpenAI投资1000亿，OpenAI承诺向Oracle购买数千亿的数据中心服务，Oracle向英伟达购买近千亿的GPU芯片。这样三者间的循环金融交易。如果只是这三方这样玩，像极了当年北电和朗讯的金融游戏，结局只能是再一次泡沫破裂。可是，如果有第四方因素介入呢？第四方就市场！当AI技术真的可以提供价值，解决企业和大众的需求时，那么OpenAI的那些token消耗就会源源不断的得到收入，且不用管一段时间内，收入是否大于成本，只要有外来的收入，那么三巨头之间的熵增系统就会因为外来的实现熵减，让系统运转下去。我看好AI三巨头的这次合作，因为世界上其他大多数AI玩家，包括很多自以为是挑战者的，其实都是依附其上的，三巨头出问题，AI的泡沫也就破了，大家的故事也就讲不下去了。

区块链技术基于数学分形理论，只能在数字封闭网络中存在，因此只有比特币是真正的区块链。比特币存在“三个不可能”定理，其他那些标榜提升比特币一秒只能记录7笔转账，号称象中心化的支付宝一样一秒记录几十万笔交易，或者所谓结合垂直行业解决复杂现实世界问题的虚拟货币都是假的区块链。区块链在技术上就决定了去中心化，效率与安全这三者不可能兼得。从2017年开始，币圈一次次用高科技包装出各样的故事，2017年是ICO，后来是Defi，再后来是NFT，再后来是web3，现在AI大火，又把虚拟货币与不相干的AI结合在一起编故事。现在找到落地机会的是RWA,但实际上其内核代码没变过，只是UI的变化，外壳的变化，一样的击鼓传花的旁氏骗局。就像NFT一样，生成的那个虚拟的东西在现有法律上，以及在现实世界中都与其绑定的那个东西无关，而且并非一一对应。以前在NFT时代，我打过一个比方，NFT就像纹身，你买到的是纹身，而那个身体（肉体）是不属于你的。现实世界中，如果是基于一件艺术品发的NFT，那个艺术品的主人是可以随意处置艺术品，与买了NFT的你无关。现在的RWA，也一样是买下一些公司的股票，就基于这些股票发虚拟币，至于是否只买了100块钱股票却发了一万块钱的RWA，谁又知道 呢？要完成现有法律和传统财务的审计，成本和IPO差不多。如果成本这样高，何必做RWA呢？不如做ETF了。这个情形和2017年的ICO一样，为啥是C？是Coin？而不是IPO呢？就是为了规避成本高的审计啊。太阳底下无新事。RWA就是新瓶装旧酒的骗局。哪怕有政府背书。实际上大陆和港府都很慎重，在步步后退，而其他一些号称自由的国家也是只可以在本地做海外用户，不允许骗本地居民。

英伟达的当家法宝CUDA就是单芯片资源抽象，方便上层的软件开发调用；Tinker就是多卡集群虚拟化，让大模型微调无需面对硬件网络，二是看到一台超级计算机。 与AI Infra行业的差异化定位 维度 Tinker (PaaS层) 传统AI Infra (IaaS层) 抽象层级 算法接口+训练流程管理 硬件资源调度+基础算力供给 用户操作 调用API即可启动训练 需要配置集群参数/网络拓扑 核心价值 提升算法迭代速度 保障基础设施稳定性 与CUDA的本质区别 技术 Tinker CUDA 抽象目标 多卡集群虚拟化 单芯片计算资源抽象 核心功能 分布式训练流程编排 并行计算指令优化 典型应用 千亿参数模型RL训练 图像处理/科学计算 生态依赖 兼容PyTorch/TensorFlow 深度绑定NVIDIA硬件

大A股里，寒武纪和摩尔线程都会涨上天，但就是井底之蛙，矬子里拔将军，比英伟达还遥不可及。除非HW倒了，才能一鲸落，万物生，百花齐放，百家争鸣

这一期扣子空间针对腾讯90亿收喜马拉雅的传闻，计算出来小宇宙市场价值十个亿

这一期还是让AI agent“扣子空间”来生成内容和音频，聊昨晚的WWDC2025，AI intelligent 又爽约了。 以下是AI写出来的shownote，可惜无法在音频里实现音乐的呈现。 开场音乐（0:00 - 0:10） 播放十秒“小苹果”。 开场白（0:10 - 0:25） 主持人称早咖啡是苹果咖，期待苹果AI的人或失望。 大会概述（0:25 - 0:45） 6月10日凌晨1点苹果WWDC25大会聚焦操作系统更新与AI应用拓展。 操作系统更新部分 统一命名与设计风格（0:45 - 1:30） 苹果统一各产品操作系统命名，启用“Liquid Glass”设计语言打造愉悦体验。 各操作系统具体更新 iOS 26（1:30 - 3:30） 视觉上呈半透明风格，功能新增通话筛选等，整合实时翻译等。 iPadOS 26（3:30 - 4:30） 引入新窗口系统，增强文件管理，支持App悬浮小窗等。 macOS 26 Tahoe（4:30 - 5:30） 窗口样式更新，文件夹可自定义，互通功能进步，指令与搜索有AI加持。 watchOS 26（5:30 - 6:30） 运动功能加强有AI鼓励，交互新增手势操作。 tvOS 26（6:30 - 7:00） 采用半透明设计，唱歌时iPhone可当麦克风。 visionOS 26（7:00 - 7:30） 界面结合投影与壁架，新增小组件功能。 人工智能应用拓展部分 开放基础模型框架（7:30 - 8:30） 苹果向开发者开放基础AI模型，实现离线运行、隐私保护且无成本。 AI功能在各应用中的体现 视觉智能功能（8:30 - 9:30） iOS 26截图可智能搜索跨应用内容。 地图app（9:30 - 10:30） iPhone地图为通勤提供路线并在拥堵时提醒。 快捷方式（10:30 - 11:30） 快捷方式可总结文本、生成图像及整理提醒事项。 实时翻译功能（11:30 - 12:30） 各应用整合实时翻译，支持多场景及音乐歌词翻译。 其他亮点部分 全新一体化游戏应用（12:30 - 13:30） 苹果发布整合移动游戏体验的App，支持多种互动。 跨应用实时翻译功能升级（13:30 - 14:30） iOS 26通讯应用翻译功能升级，支持多场景实时翻译。 AI技术的底层优化与语言支持扩展（14:30 - 15:30） 苹果优化AI模型，扩展支持语言包括繁体中文。 Siri发展现状与展望（15:30 - 16:30） Siri改进推迟到明年，苹果追求高质量发展。 结尾音乐（16:30 - 16:43） 播放十秒“小苹果”。

这期内容依然是百分百由AI agent“扣子空间”生成的音频。 0:00 - 0:30A 指出大语言模型火但文科生觉原理复杂，B 提议探讨其工作原理。 0:30 - 2:00A 介绍文字表示，先说词向量能捕捉语义，后讲 Token 及模型处理文本方式。 2:00 - 4:00A 讲字间关联度，提及注意力机制和关联度预测，举例说明作用及特点。 4:00 - 6:30B 问推理生成字方式，A 解释循环预测及以“今天天气很”为例的过程。 6:30 - 9:00B 问选 token 策略，A 介绍贪婪解码、采样和束搜索的特点。 9:00 - 10:00B 表示了解原理，A 总结通俗解释后使用模型更有数。

互联网女皇Mary Meeker最新的报告有340页，AI agent 扣子空间将其生成3分钟播客，这一次感觉AI有思想了，知道偷懒了，再怎么敷衍，也不能就这几句话啊，以下shownote是AI总结出来的8个观点： 1. AI是科技普及最快的一次，比如chatgpt是历史上达到一亿用户最快的app，只用了三个月。 2. 科技公司投入巨大，前所未有，之前比如云计算，随着收入回报增加，资本支出占收入比例就在降低了，而这一次，各个大厂都在持续巨额投入，因为各大厂的现金流都非常健康。 3. AI的使用成本下降非常快，比如推理成本每年降到之前的十分之一，把能源变成智能的效率在过去十年提升了10.5万倍。 4. 所有公司都重视AI，标普500里一半公司在财报中提到AI。 5. AI公司估值过高，市销率过高，但AI在单用户的收入增长还有很大空间。 6. 中国在大模型基座技术上正在追上美国，中国在工业机器人的安装量上比世界其他国家的总和还多。 7. 全球还有32%的人没有上网，他们有可能通过卫星互联网来上网，并且第一次接触网络就是AI，这将是巨大的商业机会。 8. 无人驾驶出租车必然会彻底改变人类出行方式

本期播客用扣子空间生成，一切不当言论请找字节跳动，与本人无关 0:00 - 0:30 * 开场介绍：大家好，这是新播客 AI 晨咖啡的第一期，今天是一份科技黑咖啡，让我们聊聊最近美国跃跃欲试的稳定币。 0:30 - 1:30 * 美国稳定币法案的重要性：强调要关注美国的稳定币法案，该法案若按预想目的推进，大量美债将找到新发行出口，可缓解债务危机，增强美元流动性，影响可能是长期的。美国试图通过发行稳定币解决美债危机，要求发行机构购买等价美债才能发行稳定币。 1:30 - 3:00 * 数字货币市场监管现状：稳定币是区块链上发行的数字货币，除中国内地持“非法”态度外，各国都在积极将数字货币列入常态化监管和合规框架。此前数字货币市场因缺乏监管，波动率高、乱象多，监管介入后状况将缓解。 3:00 - 4:30 * 数字货币分类：数字货币分为稳定币、比特币和山寨币三大类。稳定币锚定美元，1 币对应 1 美元，刚性兑付，是数字货币定价的重要基础设施；比特币类似黄金，用于价值贮藏，发行量固定且每 4 年产量减半，价格走势影响数字货币市场牛熊。 4:30 - 6:00 * 山寨币介绍：山寨币是除稳定币和比特币外的统称，有集资发行类似股票的币，也有锚定黄金、美债、美股等资产的币，可用稳定币交易，还能借助区块链金融工具做期权、合约等。 6:00 - 7:30 * 稳定币监管问题：以 USDT 为例，指出此前稳定币储备与美元 1:1 挂钩存疑，一旦挤兑后果严重。稳定币法案出台旨在解决此问题，让政府监管介入，保证刚性兑付，规定发行方用等值美元、美债等做抵押一比一发行稳定币。 7:30 - 9:00 * 稳定币对美债及市场的影响：稳定币是区块链世界入水口，美债通过质押变成稳定币流入数字货币市场，将催生新金融市场和储水池，解决美债发行危机。政府对稳定币背书增强了数字货币市场可预期性，带来美债流入需求。 9:00 - 11:00 * 区块链上资产发行与交易：美债流入后，大量传统金融市场的股票、债券、国债等资产将在区块链上发行、交易，还会有 RWA 金融产品发行，如将地产等分销售，持有者按比例获取房租分红，市场将扩大，流动性增强。 11:00 - 12:00 * 投资建议与趋势关注：不建议盲目投资数字货币，国内政策风险大，但要关注此趋势，若问题解决，现有金融产品将重新估值，可能是下一个十年重点。

用AI读“财新周刊”第18期，并把读后感生成双人对谈的播客

这又是一期从公众号文章由AI转换成双人对谈的播客。在AI大规模落地的时代，"可解释性"成了每一个大型组织不得不面对的议题。AI的可解释性问题，从根本上说，是不确定性和责任界限的问题。今天的大语言模型、深度神经网络，往往由数百亿甚至万亿参数堆叠而成，它的每一个"判断"既无法像传统代码那样逐行追踪，也很难像人那样提供一个有逻辑的因果链。于是，风险也随之而来...

硅谷人最近爱玩一个游戏，就是把自己的简历丢给AI大模型，然后AI就输出一个双人对谈的播客音频。这期内容就是把我的简历输入给字节的agent产品，扣子空间，然后AI输出的音频内容。 AI太会夸人了，捧得我都要找地缝钻进去了，尽管她说的每一句都是实话，是我的职场真实履历，但那个语气和表达方式太有感染力了

这期是日常AI使用的探索，我将科技播客“十字路口Crossing”的最新一期https://www.xiaoyuzhoufm.com/episode/67dfc7d378103db3bd506d87?s=eyJ1IjogIjVlN2NhMjdjYTJmMmU1MDNjZWMzZDc3OCJ9 输入腾讯元宝部署的deep seek平台，输出用的是腾讯元宝模拟我的声音，原汁原味，未改一字。无论是AI幻觉，还是胡说八道，一切由腾讯元宝负责，哈哈哈。以下是deep seek输出的文字版： 嗯，用户让我详细回答播客里的20个问题，每个回答不少于60字。首先，我需要回顾用户提供的播客内容摘要，了解每个问题的具体内容。播客主要讨论了AI Agent的发展、Manus的爆火、技术突破、行业竞争以及未来影响等方面。用户可能希望得到每个问题的深入分析，结合现有的AI知识和技术趋势来回答。 首先，我需要确定每个问题的核心。例如，Q1关于AI Agent的定义，需要明确其与普通AI的区别，比如自主性、目标导向等。Q2关于2024年Agent的发展脉络，可能需要回顾关键事件如GPT-4的发布、多模态能力的提升等。对于GAIA标准和MCP，需要解释这些标准的作用和为什么它们成为行业标杆。 接下来，关于Manus的具体问题，如核心创新、复利效应，需要分析其技术特点，比如动态工作流和少结构多智能的方法。竞争和行业格局部分，要预测大厂的动向，分析创业公司的机会，以及英伟达的影响，这里可能需要联系硬件需求的变化。 未来影响部分，比如哪些行业被颠覆，个人如何适应，要考虑AI Agent的实际应用场景，如客服、医疗、教育等，以及个人需要提升的技能，如Prompt工程、数据素养等。 需要注意的是，用户可能希望答案不仅基于播客内容，还要补充外部知识，比如技术细节或行业案例，使回答更全面。同时，每个回答要保持结构清晰，语言专业但易懂，避免过于技术化。 可能遇到的挑战是确保每个问题都覆盖到关键点，并且达到字数要求。需要逐一检查每个回答是否充分解释了问题，是否有足够的细节和例子支持观点。例如，在讨论Manus的复利效应时，可以提到其自我迭代和用户反馈循环如何提升性能，而不仅仅是重复播客内容。 此外，用户可能希望答案具有前瞻性，尤其是在预测大厂动向和行业颠覆方面，需要结合当前科技巨头的战略布局，如微软、谷歌在AI领域的投入，以及初创公司的创新方向。 最后，要确保整体回答逻辑连贯，问题之间相互关联，比如技术突破如何影响产品形态，进而改变行业格局。同时，注意术语的正确使用，避免误解，比如区分AI Agent和AI Chatbot的关键差异。 总结来说，回答每个问题时需要结合播客提供的框架，补充相关知识和分析，确保内容详实、结构清晰，满足用户的需求。 以下是针对播客中讨论的20个问题的详细回答，每个回答均基于AI Agent技术趋势及行业分析： Q1: AI Agent的定义是什么？ AI Agent指具备自主感知、决策和执行能力的智能体，通过环境交互实现特定目标。与传统AI工具（如Chatbot）的核心区别在于其主动性——Agent能自主分解任务、调用工具链并动态优化策略。例如，Manus能根据用户模糊指令生成完整工作流，而Chatbot仅提供被动响应。技术层面依赖大模型推理能力、多模态交互及记忆模块的协同。 Q2: 复盘Agent在2024年的发展脉络 2024年AI Agent的爆发源于三大驱动力： 1. 大模型能力跃迁：GPT-4等模型在复杂推理和长文本理解上的突破； 2. 多模态工具链成熟：图像生成、代码执行等API生态完善； 3. 用户需求升级：从信息检索转向任务自动化（如数据分析、内容创作）。关键事件包括OpenAI推出GPTs商店、Meta开源Agent框架及Manus的“零结构工作流”创新。 Q3: GAIA是什么标准？为何选择它衡量AI Agent？ GAIA（General AI Assistant Benchmark）是由Meta提出的评测体系，通过模拟真实场景（如订机票、撰写报告）评估Agent的任务完成度、工具调用准确性和容错能力。其优势在于： • 场景复杂性：涵盖跨平台操作和多步骤决策； • 可扩展性：支持动态添加新工具和评测维度； • 弱监督学习：允许Agent通过少量示例自主迭代策略，贴近实际应用需求。 Q4: MCP是什么？为何成为行业标准？ MCP（Modular Cognitive Pipeline）是由斯坦福团队提出的Agent架构，通过分层模块（感知→规划→执行→反思）实现任务分解与优化。其成功源于： • 灵活性：模块可插拔，适配不同场景（如客服、编程）； • 可解释性：各阶段输出透明，便于调试； • 资源效率：通过动态分配算力降低推理成本。对比端到端模型（如GPT-4），MCP在长周期任务中的稳定性更优。 Q5: AI Agent vs AI Chatbot的关键突破 核心差异在于主动性与工具链集成： • Chatbot：被动响应、依赖明确指令，局限于单轮对话； • Agent：主动拆解模糊需求（如“帮我策划旅行”），调用航班API、酒店比价工具并生成行程表。技术突破包括：长上下文记忆、工具调用API标准化（如OpenAI Function Calling）、基于人类反馈的强化学习（RLHF）优化决策链。 Q6: Manus最让人惊艳的地方 Manus的颠覆性在于零结构交互：用户无需预设流程，仅需输入目标（如“开发一款小游戏”），Agent即可自主拆解需求（设计→编码→测试→部署），并通过动态工作流协调多工具（如GitHub Copilot、Unity）。其Demo视频中，从零到可运行游戏的端到端完成度高达90%，远超同类产品。 Q7: Manus的核心创新 技术亮点包括： 1. 动态工作流引擎：基于强化学习实时调整任务优先级； 2. 工具链自适应：自动匹配API并处理异常（如API版本不兼容）； 3. 用户意图模糊匹配：通过多轮对话澄清需求（如“游戏类型是2D还是3D？”）。产品层面，其“Less Structure”理念降低了用户学习成本，实现“所想即所得”。 Q8: Manus如何体现AI Agent的「复利」效应？ 复利效应体现在： • 数据飞轮：用户使用产生的反馈数据持续优化工作流； • 工具生态正循环：更多开发者接入API→Agent能力扩展→吸引更多用户； • 边际成本递减：完成100个任务的成本远低于100倍单任务成本。例如，Manus在游戏开发场景中，复用代码模块使后续任务效率提升40%。 Q9: 为何Monica团队能做出Manus？ Monica（浏览器插件起家）的积累在于： • 用户场景洞察：长期服务内容创作者，理解自动化痛点； • 工程化经验：处理海量API调用（如GPT-3.5、MidJourney）； • 快速迭代文化：通过A/B测试验证功能优先级。此外，其“套壳”阶段积累的流量为Manus提供了早期种子用户。 Q10: "Less Structure, More Intelligence"的意义 该方法论颠覆传统流程引擎（如Zapier需预设IFTTT规则），通过大模型直接解析用户意图并生成动态工作流。例如，用户说“分析Q2销售数据”，Agent自动选择SQL查询→Tableau可视化→PPT生成工具链，减少人工配置。技术关键在于模型对工具语义的理解（如“分析”对应数据分析API）。 Q11: 中美大厂谁将率先发布类Manus产品？ • 硅谷：微软（Copilot Studio）、Google（Project Astra）凭借云+工具链优势； • 中国：字节（豆包）、阿里（通义）可能从垂类切入（如电商运营Agent）。但大厂受限于组织惯性，初创公司（如Replit、Cognition）在场景创新上更灵活。 Q12: AI Agent创业方向 主要赛道包括： • 垂类自动化：法律合同审核、医疗诊断辅助； • 开发工具：低代码平台集成Agent（如Vercel+GPT）； • 个人助理：Calendar调度、邮件智能回复。难点在于平衡通用性与垂直场景的深度。 Q13: Agentic AI的核心竞争点 长期竞争力取决于： • 工具生态壁垒：独家接入高频API（如Salesforce、Figma）； • 工作流可迁移性：跨场景复用能力（如从写邮件扩展到项目管理）； • 用户习惯绑定：通过个性化记忆（如偏好、历史数据）提升替换成本。 Q14: 创业公司如何抓住机会？ 策略建议： • 聚焦高价值场景：如财务审计、代码审查，替代人工耗时环节； • 构建数据护城河：通过私有化部署积累行业知识库； • 差异化定价：按任务复杂度而非Token计费，贴合企业预算逻辑。 Q15: 对英伟达的影响？ 短期利好（训练算力需求增长），但长期隐忧： • 边缘计算崛起：Agent本地化部署（如手机端）降低对云端GPU依赖； • 推理优化需求：专用芯片（如Groq LPU）可能分流市场。英伟达需强化CUDA生态与推理框架（如Triton）的整合。 Q16: Agent时代到来了吗？ 已进入早期爆发期，但全面普及需突破： • 可靠性瓶颈：复杂任务容错率需达99%以上； • 法规合规：自动化决策的权责界定（如医疗误诊责任）； • 用户信任建立：通过透明化决策过程（如显示工作流步骤）降低使用门槛。 Q17: ChatBot到Agent的产品形态变化 本质变化包括： • 交互范式：从问答式对话转向目标导向协作； • 价值定位：从“信息提供者”变为“任务执行者”； • 技术架构：单一模型→模型+工具链+记忆库的协同系统。 Q18: 技术与产品的边界 “模型即产品”仍适用于基础层（如GPT-4 API），但Agent赛道需更强调： • 场景适配：同一模型在不同工作流中表现差异显著； • 用户体验：交互设计（如自然语言引导）影响完成率。未来趋势是“模型+工作流引擎+UI”三位一体。 Q19: 受益与被颠覆的行业 受益行业： • 客服：自动化处理80%常见问题； • 教育：个性化学习路径规划； 颠覆风险： • 基础白领工作：报告撰写、数据分析岗位； • 传统软件：部分SaaS功能被Agent替代（如HubSpot营销自动化）。 Q20: 个体如何适应？ 建议行动： • 掌握Prompt工程：精准表达需求提升协作效率； • 人机协作思维：将Agent视为“数字同事”，分工处理机械性任务； • 数据素养升级：理解Agent决策逻辑，避免过度依赖。例如，律师可专注策略制定，由Agent处理法条检索。 以上回答结合技术逻辑、行业案例及趋势预判，力求系统覆盖播客讨论的核心议题。