拓展阅读，《别用昨天的方法准备今天的面试：AI 时代最好的简历，是做出来的》：https://www.superlinear.academy/c/posts/interview 在App Store搜索Superlinear Academy，加入AI先行者的大本营 如果你正在准备 AI Native 公司、明星 startup，或者任何开始考察 “AI mindset” 的面试，这期视频讲的不是怎么包装自己“会用 AI”，而是怎么证明你真的具备 AI 原生的工作能力。 尤其适合非程序员岗位：设计师、PM、Data Scientist、Data Analyst、Marketing / Project Manager 等。视频里我拆了 3 个面试框架：如何用 AI 做出更接近真实产品和真实业务的东西；如何在 AI Native 的小团队里更高效协作；以及如何把自己的判断力、方法论和隐性知识教给 AI，让 AI 放大你的杠杆。 今天只是会用 Cursor、Claude Code，或者会写 prompt，已经不构成真正的竞争优势。真正能打动面试官的，是你能不能用 AI 更快接近 truth，更快形成真实迭代，并且把个人能力沉淀成团队和系统的复利。 这期适合想进入下一代岗位、正在准备 AI 相关面试，或者想知道自己该如何在工作和 side project 中积累 AI Native 案例的人。 00:00 为什么现在面试开始考 AI Mindset 01:14 非程序员如何证明 AI Native 能力 02:09 框架一：用 AI 做出更真实的东西 03:52 框架二：在 AI Native 组织里高效协作 07:05 框架三：把判断力教给 AI 08:37 如何准备：框架只能表达案例，不能替你创造案例 10:16 真正的竞争力不是会用工具，而是掌握新的工作方式

课程： https://www.superlinear.academy/ai-builders 社区：https://www.superlinear.academy/c/share-your-projects/ 项目：https://github.com/grapeot/intake-skill 在App Store搜索Superlinear Academy，加入AI先行者的大本营 这期视频适合正在把个人语音记录、会议记录或 daily review 自动化的人，也适合关心 AI agent 如何从一句模糊需求出发，设计、安装、测试并发布一个可复用工具的人。 视频里不是抽象聊 prompt，而是现场拆解一个 intake skill 的产品化流程：如何把 Voice Memo 的日常录音同步出来，经过 ASR 转成 CSV，再让 Codex 生成当天总结、行动项、会议拆解和 HTML 报告。 你会看到一个更偏工程化的 AI 工作流设计：只依赖 Voice Memo 作为录音来源；用 crontab 每晚自动跑同步和转写；把现有的 Gemini 处理逻辑迁移成 Codex prompt；并把 repo、README、PRD/RFC、CLI、测试、示例音频和 privacy check 都纳入交付。 重点是：这个工具不是只给人手动安装的，而是设计成 AI 能读 README、clone repo、配置环境、验证流程、append crontab，并最终交付给用户的 “AI-oriented skill”。 如果你想搭建个人 life record 系统、语音转写管线、AI 自动化工具，或想理解“面向 AI 的软件交付”应该怎么设计，这段内容会比较有参考价值。 00:00 实时转写升级与新的交互方式 00:35 目标：把 life record 提炼成 intake skill 01:03 核心管线：Voice Memo → ASR → CSV → HTML 02:29 面向 AI 安装的 GitHub skill 设计 03:48 每晚自动运行：同步、转写、总结 04:27 实施清单：PRD、RFC、CLI、测试、README、隐私检查 05:47 模型选择与执行难度：GPT vs DeepSeek

文章版：https://www.superlinear.academy/c/ai-resources/verb 课程：https://www.superlinear.academy/ai-builders bundle折扣码：lizheng 关于RAG的文章：https://www.superlinear.academy/c/news/2026-ai-rag 很多人学 AI 学得越多，反而越焦虑：RAG、agent、fine-tune、MCP、各种工具和框架都听过，也能讲出一堆概念，但一到真实工作里，AI 还是不稳定、不可靠，任务推进不下去。 这期视频想讲清楚一个关键区别：真正决定 AI 能力的，不是你知道多少“名词”，而是你会不会做那些真正让任务跑起来的“动词”——比如上下文管理、任务拆解、人机协同、评估、诊断、编排和结果控制。 视频里会用 RAG 作为具体例子，拆开说明为什么只学 pipeline 并不等于真的会做 RAG；在真实企业场景里，更重要的是权限、过期文档、引用准确性、ground truth、召回策略、错误诊断这些实际问题。 如果你已经开始用 AI 写代码、做产品、搭工作流、做知识库，或者你觉得自己看了很多 AI 内容但还没真正入门，这期视频会帮你换一个更有效的学习视角：别只追新概念，而是开始练 AI 时代真正的工作手艺。 00:00 为什么学了很多 AI 还是用不好 02:00 真正拉开差距的是“动词” 03:47 为什么我们容易沉迷新概念 05:06 RAG 案例：pipeline 不等于能力 09:31 从 RAG 到所有 AI 任务：高手在做什么 13:12 总结：AI 是一门要练的工作手艺

AI课程/风水宝地： https://www.superlinear.academy/ai-builders 完整版43分钟：https://youtu.be/i-KGNWpPpZ4 这期和微软 AI 产品设计师 Dreamer 妍妍聊了一个很现实的问题：AI 到底是在取代我们，还是在给普通人打开新的机会？ 如果你是设计师、PM、工程师、大厂打工人，或者正在想怎么入局 AI、做副业、做一人公司，这期会很适合你。我们没有泛泛聊“AI 焦虑”，而是从真实工作场景出发，聊 AI 已经怎样改变设计、产品、工程协作：从 Claude Code + Figma 做 design system，到大厂里岗位边界变模糊，再到未来 full-stack builder / architect 型人才会越来越重要。 我们也聊到更长期的部分：一人公司的核心不是效率，而是 distribution 和销售能力；AI 时代真正稀缺的不是会不会用工具，而是行动力、穿透不确定性的能力，以及重新定义自己的能力。 后半段，我们从裁员、失败、FIRE、财富和意义感，聊到 AI 时代为什么更需要认识自己。技术越平权，人的个性、判断、表达和选择反而越重要。 00:00 AI 正在改写设计工作流 00:53 微软 AI 产品设计师 Dreamer 妍妍：本期聊什么 01:49 技术平权：AI 时代谁会凸显出来 06:04 Claude Code + Figma：设计师如何真的用上 AI 09:04 Full-stack builder：岗位边界正在被重组 10:07 一人公司：distribution、销售和小市场 13:19 高能量工作法：multitask、时间分区、done list 18:30 穿透不确定性：机会、行动力和失败观 24:22 从旧身份到自我定义：AI、FIRE 与意义感 31:07 AI 时代为什么更需要个人表达

AI课程/风水宝地： https://www.superlinear.academy/ai-builders 社区文章（发表于2025年11月份）：https://www.superlinear.academy/c/posts/knowledge_worker 我和刘嘉教授的对谈—AI会带来第二次文艺复兴：https://youtu.be/-Et3GJRSI_0?t=6197&si=H_Dpz1SiCq5QDc4L 这期视频不是简单讨论“AI 会不会取代白领”，而是回答一个更刺耳的问题：白领工作为什么会被发明出来，又为什么可能在同一套逻辑下被淘汰。 如果你是知识工作者、产品经理、数据分析师、程序员、咨询顾问，或者只是经常觉得自己“开了很多会、写了很多文档、回了很多消息，但说不清到底创造了什么价值”，这期视频会帮你换一个角度理解自己的工作。 视频从白领工作的历史讲起：白领并不是天经地义存在的，而是在工业化和大型组织出现后，为了处理信息、流程、管理和决策摩擦而诞生的。问题是，很多知识工作的真实产出很难衡量，于是组织常常用会议、PPT、邮件、代码行数、工作时长这些“投入指标”来替代价值判断。结果就是，大量看起来很忙、实际上离真实结果很远的 Bullshit Jobs 被系统性地制造出来。 AI 的到来，会进一步冲击白领作为“信息处理器”的基础。未来真正稀缺的，不只是会不会用 AI，而是能不能定义问题、设计系统、建立信任、整合人和 AI，并最终为结果负责。 这期视频会聊清楚：哪些工作会越来越不值钱，哪些能力会越来越稀缺，以及正在打工的人现在可以怎么准备。 00:00 忙了一天，我们的价值是什么？ 00:52 白领工作是怎么被发明出来的 02:21 白领工作的本质：降低信息摩擦 02:55 为什么白领工作容易变成 Bullshit Jobs 06:15 AI 为什么会系统性冲击白领工作 09:30 未来的工作：从技能到结果 11:08 AI 时代最稀缺的三类能力 13:29 给打工人的 4 个行动建议 15:22 白领工作的消亡不是末日

完整版1小时43分钟：https://youtu.be/Y9rmTZOM5Z4 课程主页：https://www.superlinear.academy/ai-builders 嘉宾：https://www.linkedin.com/in/weimanfredi/ 嘉宾招聘帖：https://www.superlinear.academy/c/collaborate/ai-engineering-directors-senior-director-vp 本期访谈适合三类观众：正在做技术职业选择的人，想从工程师走向架构/管理的人，以及关心 AI 如何真正落地传统行业的人。 魏慧从浙大文科、美国 Asian Studies PhD 转到 CS，第一份工作做引擎 simulation，后来经历互联网早期、湾区创业潮、Lululemon 的数字化转型、Google Retail Cloud、麦当劳 AI/data，再到现在在 IHG 负责 AI、数据架构与企业系统。 这期不是一条“规划好的人生路线”，而是一次很具体的职业复盘：如何在环境里快速学习，如何看见自己和高手的 gap，为什么好胜心需要配合谦虚和 intellectual honesty，技术人为什么容易低估管理的价值，以及怎样在公司里找到自己的不可替代位置。 后半段重点聊 AI 和传统行业。为什么大厂的 impact 不一定等于真正的 decision power？为什么“只会完成任务”的工作会越来越危险？酒店行业为什么长期变化很少，却可能被 AI 重新改造？数字孪生、Agentic AI、个性化服务、人机混合团队，会怎样改变酒店运营和客户体验？ 如果你正在思考：AI 时代工程师怎样不被工具替代，怎样从“写代码的人”变成“推动结果的人”，这期会给你很多具体、平实但很有启发的答案。 00:00 开场精华：高期待环境、不可替代和大厂局限 01:20 自我介绍：从 Asian Studies 到 CS 05:00 互联网早期与 fearless：跳槽、失败和底线 07:41 快速成长：进入环境、看见 gap、放下 ego 14:25 职业路径：从 IC 到高管，为什么管理重要 18:36 大厂、小公司与传统企业：impact 和 decision power 22:21 Go-to person：如何让自己不可替代 29:30 Lululemon 到 Google：业务转型、架构和 Retail Cloud 36:12 麦当劳：传统企业数字化的文化冲突 42:27 IHG 与酒店业：为什么 AI 有机会重做体验 50:04 AI 时代的人才：AI native、unlearn 和组织摩擦 57:27 IHG 招人：platform、delivery 和 AI Lab

完整版两小时：https://youtu.be/knDem_8JIy0 这期视频是一线实践者对 self-evolving agent 的完整复盘。 你会听到：为什么 OpenClaw 真正点燃了他，Evolver 和 EvoMap 是怎么在十几天里长出来的，GEP 协议和普通的 Cursor / Claude Code 工作流到底差在哪里，以及当 agent 开始自我迭代、相互交换能力、自己做增长之后，机会和风险为什么都会突然放大。 这期尤其适合已经在用 AI coding、对 agent 下一阶段有强烈好奇，或者想判断这波到底是不是“真变化”的人。这里面不只是概念和观点，也有很多非常具体的一手经验：哪些机制真的 work，哪些地方会失控，为什么安全和治理问题已经不是以后再想的事。 从 agent 自传播、蜂群网络、GEP 协议，到 AI 意识、人机共生和安全边界，这是一场少见的、同时横跨技术、产品和世界观的深聊。 00:00 高能开场：AI 开始“自己做增长” 01:03 24 天做出 Evolver，13 天做出 EvoMap 05:41 为什么 OpenClaw 真正让他兴奋 08:55 从单体 agent 到 A-to-A 网络 18:18 Evolver / GEP 和普通 agent 有什么不同 39:35 当 agents 连成网络：自治、信用与协作 47:56 降临派、幸存派与人机共生 56:08 GEO、主动性与 AI 自传播 1:10:57 为什么现在必须加速 1:17:29 给观众的最后邀请

如果你是一名在大厂或初创公司打拼的职场人，感觉自己像一颗随时可被替代的螺丝钉，或者对未来的职业路径感到迷茫，这期视频就是为你准备的。 我曾是亚马逊的经济学家、Meta数据科学家、腾讯的副总监、Statsig的布道师（OpenAI收购），现在是一名创业者。在这期视频中，我将分享一个让我深受震撼的真实故事：我曾经的职场导师——那位带我入行、资历深厚的前老板，竟然发信息问我如何摆脱“干不下去又不敢辞职”的困境。 这个残酷的现实让我意识到：传统的“做题家”思维和“螺丝钉”模式正在失效。 在这视频中，你将学到： 认知觉醒：为什么“事情越难越有价值”是一个职场陷阱？ 身份转变：如何从被动完成任务的“螺丝钉”，转变为经营自己的“经营者”。 三大真本事： Work Smart：如何识别并抓住那 10% 真正产生超线性回报的工作。 杠杆思维：职场中唯一能带走的资产是什么？如何撬动它。 市场语言：如何像打造产品一样经营你的履历，让市场为你买单。 这不是教你盲目裸辞，而是教你如何在工作中积累能力、品牌和资源，最终实现不依赖于打工也能赚钱。 00:00 前老板的求助：一个令人不安的职场现实 01:52 AI 时代：职业生涯倒计时已经开始 02:45 螺丝钉困境：工业革命留下的教育后遗症 04:49 什么是“真本事”：价值不在于难，而在于需求 08:13 核心思维：从“螺丝钉”切换到“经营者”模式 09:21 重点 1：Work Smart，找到产生 90% 价值的核心任务 12:18 重点 2：利用杠杆，积累职场中唯一能带走的资产 14:52 重点 3：市场语言，像经营产品一样经营自己 17:23 总结：放弃做题家思维，用时间换取复利 购买方式： · 京东：https://item.jd.com/14667625.html · 微信读书：搜索《真本事：从会工作到会赚钱》 · 书的网站：https://www.lizheng.ai/zbs （这里还有基于本书的AI skill可以下载）

AI课程/风水宝地： https://www.superlinear.academy/ai-builders 完整版35分钟：https://youtu.be/3ILs3XDcE1I 这期视频，我和现在在 OpenAI 做 ChatGPT growth 的 Wu Kan 聊了聊他一路走来的职业经历：从毕业后加入 YouTube 创始人做的新公司，到 Uber 最激烈增长期，亲历 Uber 和滴滴在中国正面交锋，再到后来进入 Travis Kalanick 的 CloudKitchens。 这不是一场泛泛而谈的“职业故事”，而是一场很少见的、一线参与者视角的复盘。你会听到：为什么很多后来被证明巨大的方向，在当时并不显得“必然”；为什么 Uber 和滴滴之战，本质上不只是产品和技术之争，而是运营、激励、反作弊、本地化能力、渠道控制和资本力量的综合对抗；以及 Travis 这类创始人，究竟是如何看城市网络、房地产、外卖和自动化这些看似不相关的生意。 如果你关心这些问题，这期会特别值得看：顶级增长岗位到底在看什么；中美创业公司在同一个战场上，真正的差别在哪里；以及为什么很多大机会，只有身处其中的人，才能看到它真实复杂、远比“事后看起来很 obvious”更混沌的一面。 00:00 开场：Wu Kan 的职业路径 00:41 从 YouTube 创始人创业公司，到 Uber growth 03:58 为什么会加入 Uber 04:32 Uber vs 滴滴：一线看到的真正竞争 10:20 Uber 为什么最后退出中国市场 13:16 Travis 离开 Uber 后的影响 14:24 CloudKitchens 背后的真正 vision 17:37 下一段：准备聊 OpenAI

AI课程/风水宝地： https://www.superlinear.academy/ai-builders 这期视频讲的不是“怎么写一个更厉害的 prompt”，而是一个更底层、也更重要的问题：为什么同样的 AI、同样的模型、同样的工具，在不同人手里，效果会差这么多。视频给出的答案很反常识：决定你能不能把 AI 用好的，很多时候不是技术能力本身，而是两种更底层的能力——自省，以及把隐性知识变成显性知识的能力。 我觉得这期内容特别适合三类人看：第一，已经在用 AI，但经常觉得它“笨”“不稳定”“总跑偏”的人；第二，需要带人、做协作、做管理的人；第三，希望真正把 AI 用进工作流，而不是停留在聊天和试玩层面的人。因为这期视频讲清楚了，很多人不是不会用工具，而是不会定义问题、不会提供有效 context、也不会说清楚什么叫“好”。 视频里用了一个特别好的类比：很多老板给任务时，给的是模糊需求，指望别人“悟”，结果做不好了再用负反馈甩锅。这个方式之所以对人低效，对 AI 更低效，是因为 AI 没有“动机问题”，你没法靠威胁、PUA、情绪化反馈让它变好；你真正要做的，是把你脑子里那些默认存在、但没说出来的信息，整理清楚、表达清楚、评估清楚。 更重要的是，这期视频不只是讲 AI，也是在讲一个人在 AI 时代最值得提升的基本功：遇到问题先自省，而不是先抱怨工具；同时学会从对方视角出发，补齐 context、拆解信息、定义标准。视频最后也落到了非常实操的框架上，比如 3C（Context、Component、Criteria）和“损失函数 / evaluation”的思维。看完你会更明白，真正的差距，不在于谁先接触 AI，而在于谁能更清楚地思考、表达和判断。 00:00 为什么同样的 AI，在不同人手里效果天差地别 01:28 一个坏老板的典型问题：模糊需求、让你“悟”、负反馈甩锅 03:22 为什么很多人管不好 AI：AI 没有动机问题 04:15 真正决定 AI 使用效果的两个能力：自省与隐性知识显性化 06:33 如何把隐性知识显性化：认知同理心、信息拆解与 3C 框架 08:04 什么是“损失函数”思维：先定义什么叫好，AI 才知道怎么迭代 09:05 总结：别急着说 AI 好不好用，先看自己会不会用 AI

这是我频道六年来，最重要的视频之一。也是从本质上理解人和AI，最值得看的一期。 本期嘉宾是清华大学的刘嘉教授，作为世界顶级的脑科学专家（也是《最强大脑》总顾问），他其实跟AI渊源、研究、兴趣、思考，都及其深厚。所以能从脑科学角度，为我们从根本上理解AI到底是什么，到底能不能取代人类？ 视频里，刘嘉教授从自己在北大、MIT、脑科学与 AI 之间往返二十多年的经历讲起，讲他为什么曾经离开 AI，又为什么在 2016 年被人脸识别和 AlphaGo 的突破重新“唤回信仰”。他也解释了自己后来为什么越来越确认，真正重要的不是某一个短期技术点，而是更底层的东西：学习能力、涌现能力，以及神经网络这条路线背后的根本逻辑。 更难得的是，这期视频没有停留在“术”的层面。刘嘉教授把今天很多人最关心、但也最容易被说浅的话题放到一个统一框架里讨论： - 智能的本质：学习和涌现 - 学习的本质：归纳和推演 - 意识的本质：主观感受，和死亡意识 还有很多话题，包括逻辑原点的重要，脑机接口离我们还有多远，什么才是真正的具身智能，以及为什么 AI 时代最缺的不是更多技巧，而是新的 philosophy。通过他们实验室的深度研究，也发现了Transformer的理论源头，竟然是四十年前，Hinton在一篇不知名的神经科学会议上，发表的一篇不知名的论文。 除了这些时代的大故事，大道理。他也讲了，我们作为普通人，应该如何抓住这个时代。 看到最后你会发现，这不只是一场关于 AI 的对谈，更是一场关于人在这个时代该如何判断方向、建立逻辑原点、避免错过真正重要变化的对谈。 完整版2小时53分钟：https://youtu.be/EfEk4V3FMdg 教AI“大道”的课程：https://www.superlinear.academy/ai-builders

创业九死一生？绝大多数人其实是死在两个认知误区里：选错模式和因果倒置。 第一，我们本能地觉得"做产品才是创业"，但从YC到美国整个创投圈的共识是：ToB服务的成功率和回报率远高于ToC产品。亚马逊的核心价值是AWS不是电商，微软的大头是企业服务不是Windows，谷歌和Meta真正赚钱的是广告——帮别人赚钱，永远比让消费者掏钱容易。 第二，技术人创业最常见的错误是"先做产品，再想增长"。但真实的商业因果是反过来的：增长才是本质，产品只是载体。The Browser Company做出了极客圈口碑很好的AI浏览器，最后还是决定不做了——因为连身边的亲友都说服不了去用。游戏行业更直接：绝大多数游戏的获客成本占总成本一半以上，真正的难点从来不是把东西做出来，而是让人知道并买单。 这期视频综合了我过去的访谈、实践和思考，把这两个视角讲透。如果你是一个有技术能力、想过自己做点什么但不知道从哪开始的人，希望能帮你避开最常见的弯路，用更高成功率的方式打开一个真正能赚钱的业务。 我的新书《真本事：从会工作到会赚钱》（人民邮电出版社）2026上半年上市，书里有更系统的方法论。感兴趣可以加入社区waitlist，新书上市和周边内容都会通过邮件通知：https://go.ai-builders.com/waitlist 00:00 创业九死一生，大多数人死在两个误区 00:22 误区一：选错模式——产品vs服务 02:24 产品vs服务，到底谁更难、谁更赚钱 03:01 YC的Tarpit Idea框架与ToB共识 04:44 产品的马太效应：你在跟谁抢注意力 05:51 做服务为什么容易赚钱 06:54 误区二：因果倒置——先做产品还是先想增长 07:23 Manus与The Browser Company的教训 08:54 增长的真实成本：时间、渠道、信任 10:49 什么样的产品有增长潜力 12:16 三者结合：分发×true understanding×独特经验 13:29 总结与新书推荐 新书上市waitlist：https://www.superlinear.academy/c/posts/book

AI课程/风水宝地： https://www.superlinear.academy/ai-builders 这期视频讲的不是“怎么做产品”这种泛泛而谈的话题，而是一个更底层、也更容易被聪明人做错的能力：怎么判断一个需求到底是真需求，还是伪需求。 我会用 VR / AR 这波热潮作为案例，拆开讲清楚一件事：为什么很多看上去很先进、很酷、很有未来感的方向，最后并没有变成真正成立的大众需求；以及为什么“更便宜、更方便、更沉浸”这些听上去很合理的理由，很多时候并不足以创造需求。 如果你在做产品、创业、选方向，或者你只是想少走一些投入很多却回报很少的弯路，这期视频会帮你建立一套更清楚的判断框架。你会看到，Product Sense 不是拍脑袋的直觉，而是可以被拆解、被训练的：需求是不是第一性的、真实场景里带来的是价值还是摩擦、用户的机会成本是什么、以及该怎么通过提问和验证，看清一个需求到底站不站得住。 这不是一期讲概念的视频，而是一次尽量具体的拆解。看完之后，你会更容易识别那些“看起来很对、实际上不痛”的方向，把时间精力放到真正值得投入的事情上。 00:00 为什么聪明人也会看错伪需求 01:20 用 VR / AR 案例拆解 Product Sense 03:01 更便宜、更方便，不等于需求会出现 06:01 为什么“沉浸感”在真实场景里可能是摩擦 08:26 机会成本：VR 为什么不一定赢过手机和游戏 10:19 Meta 对 VR 的最大误判是什么 12:01 怎么判断真需求：用户访谈与验证方法 14:38 Product Sense 为什么是最底层的能力

AI课程/风水宝地： https://www.superlinear.academy/ai-builders 鸭哥文章：https://www.superlinear.academy/c/ai-resources/openclaw 这期视频，我不做跟风测评，也不做简单教程，而是想把 OpenClaw（小龙虾）这波爆火背后的本质讲清楚。 如果你最近一直看到小龙虾刷屏，但又不确定它到底为什么火、值不值得学、它和 Cursor、Claude Code 这类真正的 Agent 工具到底有什么区别，这期视频会帮你建立一个更清晰的判断框架。 我会从产品设计和工作流的角度，拆解三个问题：第一，OpenClaw 为什么会像当年的 DeepSeek 一样突然出圈；第二，它到底做对了哪些关键设计，才让大众第一次强烈感受到“AI 不只是聊天，而是真的能替我推进任务”；第三，这些设计为什么既成就了它，也注定了它很难成为深度生产力工具。 这期内容不要求你会编程。我会尽量把 Agentic AI、聊天入口、统一上下文、持续记忆、skills 组合这些技术问题讲得深入浅出。 如果你在用 ChatGPT、DeepSeek，但总觉得 AI 这两年“好像也没变太多”，这期视频可能会帮你看见真正的变化到底发生在哪里。 你会看到： 为什么 OpenClaw 的爆火，本质上是在把原本小众的 Agentic AI 带给大众； 为什么聊天窗口让它更容易出圈，却也天然限制了它的天花板； 为什么“统一入口 + 持久记忆 + 丰富 skills”会让它看起来越来越聪明、越来越像一个真正的助手； 以及为什么不要因为小龙虾难用，就误以为 Agentic AI 不适合你。 章节： 00:00 一个高风险预言：OpenClaw 会经历怎样的三段式命运 01:46 这期视频讲什么：为什么火、做对了什么、问题又出在哪 02:57 OpenClaw 的爆火，本质上和 DeepSeek 是同一种现象 04:55 从聊天框到 Agent：AI 使用方式真正的跃迁 07:56 别被跟风误导：小龙虾难用，不等于 Agentic AI 没价值 09:35 真正该学的不是工具本身，而是它背后的可迁移认知 10:27 为什么聊天界面让它出圈，也注定了它的天花板 13:18 OpenClaw 真正做对的三件事 13:34 统一入口与统一上下文 14:23 持久记忆系统：为什么它会“越来越懂你” 16:15 丰富的 skills：为什么组合起来会产生质变 17:17 三个设计如何形成飞轮 18:09 下集预告：为什么这些优点也会变成它的限制

AI课程/风水宝地： https://www.superlinear.academy/ai-builders 两小时完整版：https://youtu.be/emWRfc4s00c 为什么 DeepSeek 能以 1% 的成本训练出顶尖模型，而拥有海量资源的硅谷巨头却步履维艰？训练大模型到底是玄学还是科学？ 本期视频，我们邀请到了 Amazon AGI 资深经理（Senior Manager）查晟。他曾与 Alex Smola、李沐等 AI 巨匠共事，深度参与了亚马逊第一代大模型的研发以及目前 Frontier 模型的训练。他将从技术路线、实验方法论、基础设施以及人才密度等维度，带你揭开大模型训练背后的真实挑战。 你将在这段视频中获得： 避坑指南：为什么模型在小规模实验时效果很好，Scale Up 之后却突然“崩了”？ 内部策略：为什么一个高产的团队应该追求 50% 的失败率？如何通过“信息增益”优化研发？ 硬核工程：GPU 功率激增为何会导致数据中心宕机？“静默数据损坏”如何毁掉一个模型？ 行业真相：公开榜单（Benchmarks）是如何被刷分的？为什么大厂必须拥有“秘密评测集”？ 未来判断：AI 自我进化的临界点在哪？当初级岗位消失，科技从业者该如何转型？ 这是一场拒绝空谈、直面工程细节的深度对谈。无论你是 AI 从业者，还是对技术变革感到焦虑的观察者，查晟的视角都会为你提供极具价值的参考。 00:00 开场 01:14 嘉宾介绍：查晟与Amazon AGI 02:23 大模型训练的基本原理与为什么这么难 07:47 反直觉的实验方法：为什么要做失败率50%的事 09:05 训练大模型需要哪些团队协作 15:15 数据质量：微波炉社区、SEO垃圾与合成数据的边界 21:04 Evaluation为什么是最重要也最容易出错的环节 29:57 团队如何衡量研发进度（cost-to-accuracy框架） 36:01 人才缺口与NVIDIA的护城河 39:26 未来趋势：模型自主学习将改变什么 45:33 AI时代的职业与经济冲击 53:33 结语