Bruno是 **本地 API 工具**，是 Postman（一款流行的 API 测试/开发工具）的开源替代品。以下是 Bruno 的主要特性：
- **完全本地化保存**：所有 API collection、环境变量等都直接以文件形式保存在本地（Bru 格式），你可以用 Git 版本管理，完全不依赖云服务。
- **开源、免费、支持多平台**：Windows、Mac、Linux 均可使用。
- **隐私和安全**：所有数据只在本地，不存在上传第三方云的问题，非常适合注重隐私、或者无法访问外网的场景。
- **功能对标 Postman**：支持 REST API、gRPC、WebSocket 等，界面直观，请求参数、环境灵活切换。
- **不打算做云同步服务**：开发团队明确表示 Bruno 将长期坚持本地化，强调隐私和稳定性。
推荐场景：
- 想找 Postman 的本地替代/备选，或者团队协作需要 Git 管理 API Collection。
- 对“全部数据留在本地”有强需求，或网络环境不佳、内网开发等。
官网/开源地址：
- 官网及下载：https://www.usebruno.com
- GitHub 项目主页：https://github.com/usebruno/bruno
如果你有离线 API 调试或本地管理的需要，Bruno 是当前国内外开发圈普遍推荐的新一代替代方案。
- **完全本地化保存**：所有 API collection、环境变量等都直接以文件形式保存在本地（Bru 格式），你可以用 Git 版本管理，完全不依赖云服务。
- **开源、免费、支持多平台**：Windows、Mac、Linux 均可使用。
- **隐私和安全**：所有数据只在本地，不存在上传第三方云的问题，非常适合注重隐私、或者无法访问外网的场景。
- **功能对标 Postman**：支持 REST API、gRPC、WebSocket 等，界面直观，请求参数、环境灵活切换。
- **不打算做云同步服务**：开发团队明确表示 Bruno 将长期坚持本地化，强调隐私和稳定性。
推荐场景：
- 想找 Postman 的本地替代/备选，或者团队协作需要 Git 管理 API Collection。
- 对“全部数据留在本地”有强需求，或网络环境不佳、内网开发等。
官网/开源地址：
- 官网及下载：https://www.usebruno.com
- GitHub 项目主页：https://github.com/usebruno/bruno
如果你有离线 API 调试或本地管理的需要，Bruno 是当前国内外开发圈普遍推荐的新一代替代方案。
GitHub
GitHub - usebruno/bruno: Opensource IDE For Exploring and Testing API's (lightweight alternative to Postman/Insomnia)
Opensource IDE For Exploring and Testing API's (lightweight alternative to Postman/Insomnia) - usebruno/bruno
在 Next.js 项目中，可以通过以下步骤配置自动加载
### 步骤 1：创建
在项目的根目录下创建一个
### 步骤 2：在 Next.js 中自动加载环境变量
Next.js 会自动加载位于项目根目录的
-
-
-
-
-
-
### 步骤 3：在代码中使用环境变量
在 Next.js 中，你可以通过
### 环境变量前缀
出于安全考虑，Next.js 只会自动将以
在代码中使用：
### 总结
通过上述步骤，你可以在 Next.js 项目中配置和使用环境变量。Next.js 会自动加载根目录中的
.env 文件中的环境变量：### 步骤 1：创建
.env 文件在项目的根目录下创建一个
.env 文件，并在其中定义你的环境变量。例如：
SITE_URL=https://example.com
API_KEY=your-api-key
### 步骤 2：在 Next.js 中自动加载环境变量
Next.js 会自动加载位于项目根目录的
.env 文件中的环境变量。你只需要确保文件的命名正确，Next.js 支持以下几种环境变量文件：-
.env - 默认加载的环境变量文件-
.env.local - 本地环境变量文件，用于覆盖 .env 文件中的变量，仅在本地使用，不应提交到版本控制系统-
.env.development - 仅在开发环境中加载的环境变量文件-
.env.development.local - 本地开发环境变量文件，用于覆盖 .env.development 文件中的变量-
.env.production - 仅在生产环境中加载的环境变量文件-
.env.production.local - 本地生产环境变量文件，用于覆盖 .env.production 文件中的变量### 步骤 3：在代码中使用环境变量
在 Next.js 中，你可以通过
process.env 访问环境变量。例如：
// pages/index.js
export default function Home() {
return (
<div>
<h1>Site URL: {process.env.SITE_URL}</h1>
<p>API Key: {process.env.API_KEY}</p>
</div>
);
}
### 环境变量前缀
出于安全考虑，Next.js 只会自动将以
NEXT_PUBLIC_ 前缀开头的环境变量暴露给客户端（浏览器端）。例如：
NEXT_PUBLIC_API_URL=https://api.example.com
在代码中使用：
// pages/index.js
export default function Home() {
return (
<div>
<h1>API URL: {process.env.NEXT_PUBLIC_API_URL}</h1>
</div>
);
}
### 总结
通过上述步骤，你可以在 Next.js 项目中配置和使用环境变量。Next.js 会自动加载根目录中的
.env 文件，并根据环境加载相应的文件。在代码中，通过 process.env 访问这些变量，记住客户端访问的变量需要加上 NEXT_PUBLIC_ 前缀。Raycast 输出模式和颜色支持总结
输出模式
• fullOutput: 完整输出显示在单独视图中，类似于终端窗口。
• compact: 显示标准输出的最后一行。
• silent: Raycast 窗口关闭后显示最后一行的 HUD 提示。
• inline: 直接在命令项中显示输出的第一行并根据 refreshTime 自动刷新。
注意: inline 模式需要 refreshTime 参数，否则将使用 compact 模式。
ANSI 支持颜色
• 支持 inline 和 fullOutput 模式的颜色自定义。
• 颜色适应用户外观设置（亮/暗主题）。
输出模式
• fullOutput: 完整输出显示在单独视图中，类似于终端窗口。
• compact: 显示标准输出的最后一行。
• silent: Raycast 窗口关闭后显示最后一行的 HUD 提示。
• inline: 直接在命令项中显示输出的第一行并根据 refreshTime 自动刷新。
注意: inline 模式需要 refreshTime 参数，否则将使用 compact 模式。
ANSI 支持颜色
• 支持 inline 和 fullOutput 模式的颜色自定义。
• 颜色适应用户外观设置（亮/暗主题）。
一直听到h100,h20,A100,H800这些芯片，没有去查下到底是什么区别，今天查了下。
核心芯片对比
1. H100（Hopper架构）
定位：全球旗舰AI芯片，面向高性能计算（HPC）和超大规模AI训练。
架构：Hopper架构，支持第四代Tensor Core和Transformer Engine优化。
参数：
CUDA核心：14,592个
显存：80GB HBM2e（带宽3.35TB/s）或144GB HBM3E（带宽8.0TB/s）
FP16算力：1,979 TFLOPS（稀疏计算模式下）
优势：
支持900GB/s NVLink互联，多卡并行效率高。
专为LLM（如GPT-4）优化，训练速度比A100快6-9倍。
限制：受美国出口管制，无法直接在中国市场销售。
2. H800（Hopper架构，中国特供版）
定位：H100的合规替代方案，针对中国市场定制。
架构：与H100相同，但硬件规格受限。
参数：
CUDA核心：14,592个
显存：80GB HBM2e（带宽2.04TB/s，低于H100的3.35TB/s）
FP16算力：受限，具体未公开。
差异点：
NVLink带宽限制为400GB/s（H100为900GB/s）。
集群算力上限4万P，仅为H100的40%。
用途：大规模AI训练，如云计算厂商的分布式任务。
3. H20（Hopper架构，中国特供版）
定位：H800的继任者，专为合规市场需求设计。
架构：Hopper架构，但核心数量大幅缩减。
参数：
CUDA核心：78组SM（比H100减少41%）
显存：96GB HBM3（带宽4.0TB/s，低于H100的8.0TB/s）
FP16算力：296 TFLOPS（稀疏计算模式下，仅为H100的15%）
特点：
在LLM推理场景中表现突出，单卡可运行70B参数模型（H100需双卡）。
功耗400W，低于H100的700W。
争议：千亿参数模型训练时需超大规模集群，成本效益较低。
4. A100/A800（Ampere架构）
定位：上一代数据中心主力芯片。
架构：Ampere架构，第三代Tensor Core。
差异：
A100：支持600GB/s NVLink，显存带宽2.04TB/s。
A800：NVLink带宽降至400GB/s，其他参数与A100一致。
用途：适合中等规模AI训练和推理，成本低于Hopper系列。
核心芯片对比
1. H100（Hopper架构）
定位：全球旗舰AI芯片，面向高性能计算（HPC）和超大规模AI训练。
架构：Hopper架构，支持第四代Tensor Core和Transformer Engine优化。
参数：
CUDA核心：14,592个
显存：80GB HBM2e（带宽3.35TB/s）或144GB HBM3E（带宽8.0TB/s）
FP16算力：1,979 TFLOPS（稀疏计算模式下）
优势：
支持900GB/s NVLink互联，多卡并行效率高。
专为LLM（如GPT-4）优化，训练速度比A100快6-9倍。
限制：受美国出口管制，无法直接在中国市场销售。
2. H800（Hopper架构，中国特供版）
定位：H100的合规替代方案，针对中国市场定制。
架构：与H100相同，但硬件规格受限。
参数：
CUDA核心：14,592个
显存：80GB HBM2e（带宽2.04TB/s，低于H100的3.35TB/s）
FP16算力：受限，具体未公开。
差异点：
NVLink带宽限制为400GB/s（H100为900GB/s）。
集群算力上限4万P，仅为H100的40%。
用途：大规模AI训练，如云计算厂商的分布式任务。
3. H20（Hopper架构，中国特供版）
定位：H800的继任者，专为合规市场需求设计。
架构：Hopper架构，但核心数量大幅缩减。
参数：
CUDA核心：78组SM（比H100减少41%）
显存：96GB HBM3（带宽4.0TB/s，低于H100的8.0TB/s）
FP16算力：296 TFLOPS（稀疏计算模式下，仅为H100的15%）
特点：
在LLM推理场景中表现突出，单卡可运行70B参数模型（H100需双卡）。
功耗400W，低于H100的700W。
争议：千亿参数模型训练时需超大规模集群，成本效益较低。
4. A100/A800（Ampere架构）
定位：上一代数据中心主力芯片。
架构：Ampere架构，第三代Tensor Core。
差异：
A100：支持600GB/s NVLink，显存带宽2.04TB/s。
A800：NVLink带宽降至400GB/s，其他参数与A100一致。
用途：适合中等规模AI训练和推理，成本低于Hopper系列。
刚才看一篇文章，作者写自己如何使用Apple notes 做笔记，核心就是简单，摩擦小。
作者使用PARA方式来记笔记。
作者认为旧笔记不需要迁移。虽然觉得自己的旧笔记很可惜，但是回想一下，自己好像也很少去会看自己的旧笔记。
下面是作者的文章地址：
[我如何使用 Apple Notes 做笔记 | Randy's Blog](https://lutaonan.com/blog/apple-notes-and-para/)
下面是我的笔记：
- 可能大家比较熟悉他的另一本书Build The Second Brain,是关于如何使用笔记软件构建自己的「第二大脑」。这本书也有提到他的PARA理论（我在我之前的文章也有提到过[我如何应用这个理论](/blog/how-do-i-take-note/)管理我的笔记）。两本书都读过以后，我认为The PARA Method这本书更偏向实操，我从中收获了更多的方法论。如果你只想读一本，那么我推荐读这一本。
- 它是系统自带的，我在手机、电脑上可以直接使用，不需要安装额外的App
- 它天然是支持同步的，不需要注册账号，不需要把资料上传到别人的服务器上。It just work.
- 你可以直接在Apple Notes中粘贴文件、图片、音频，没有限额（严格地说这也占用你的iCloud存储，但我本身已经买了存储，这变成了边际成本）。
- Apple Notes打开的速度很快。
- Apple Notes也没有「双链」功能，这是现代流行的笔记软件中很重要的功能，我在用Logseq的时候也被这个功能打动，因为它能把相关的笔记自然地关联到一起，带来额外的启发。最初用Apple Notes时我也担心会不会因此失去了这个优势，但用下来才发现，我并不是那么的需要它，即使没有，也没有让我感觉因为没有了他而失去了灵感。
- Apple Notes的标签功能也很弱，但我不使用标签。
- 项目结束后，你可以将整个Project拖到Archive,不需要再管它。如果你认为Project中的一些笔记有复用的价值，就把它拖到Areas或Resources当中。Apple Notes的拖动十分方便。但按照我的经验，一般来说直接Archive整个Project也没什么问题，因为它不是被删了，你还是能通过搜索重新找到它。这时Archive的笔记又会「流动」到Project当中。
- 这个词，我就能立刻找到，我甚至都不知道它被我放在哪里了：
- 
- ### 怎么把旧的笔记迁移过来
- 不需要迁移。在新的工具重新开始，需要用到的时候才在旧的工具重新找回，有必要时再复制过来。反正没人要求你用新的工具就把旧的数据都删掉。而且，我相信你最后会发现，你并不怎么需要找回你的旧数据 😂 这两年我就没打开过我以前一直用的Logseq,也没有做任何迁移。
作者使用PARA方式来记笔记。
作者认为旧笔记不需要迁移。虽然觉得自己的旧笔记很可惜，但是回想一下，自己好像也很少去会看自己的旧笔记。
下面是作者的文章地址：
[我如何使用 Apple Notes 做笔记 | Randy's Blog](https://lutaonan.com/blog/apple-notes-and-para/)
下面是我的笔记：
- 可能大家比较熟悉他的另一本书Build The Second Brain,是关于如何使用笔记软件构建自己的「第二大脑」。这本书也有提到他的PARA理论（我在我之前的文章也有提到过[我如何应用这个理论](/blog/how-do-i-take-note/)管理我的笔记）。两本书都读过以后，我认为The PARA Method这本书更偏向实操，我从中收获了更多的方法论。如果你只想读一本，那么我推荐读这一本。
- 它是系统自带的，我在手机、电脑上可以直接使用，不需要安装额外的App
- 它天然是支持同步的，不需要注册账号，不需要把资料上传到别人的服务器上。It just work.
- 你可以直接在Apple Notes中粘贴文件、图片、音频，没有限额（严格地说这也占用你的iCloud存储，但我本身已经买了存储，这变成了边际成本）。
- Apple Notes打开的速度很快。
- Apple Notes也没有「双链」功能，这是现代流行的笔记软件中很重要的功能，我在用Logseq的时候也被这个功能打动，因为它能把相关的笔记自然地关联到一起，带来额外的启发。最初用Apple Notes时我也担心会不会因此失去了这个优势，但用下来才发现，我并不是那么的需要它，即使没有，也没有让我感觉因为没有了他而失去了灵感。
- Apple Notes的标签功能也很弱，但我不使用标签。
- 项目结束后，你可以将整个Project拖到Archive,不需要再管它。如果你认为Project中的一些笔记有复用的价值，就把它拖到Areas或Resources当中。Apple Notes的拖动十分方便。但按照我的经验，一般来说直接Archive整个Project也没什么问题，因为它不是被删了，你还是能通过搜索重新找到它。这时Archive的笔记又会「流动」到Project当中。
- 这个词，我就能立刻找到，我甚至都不知道它被我放在哪里了：
- 
- ### 怎么把旧的笔记迁移过来
- 不需要迁移。在新的工具重新开始，需要用到的时候才在旧的工具重新找回，有必要时再复制过来。反正没人要求你用新的工具就把旧的数据都删掉。而且，我相信你最后会发现，你并不怎么需要找回你的旧数据 😂 这两年我就没打开过我以前一直用的Logseq,也没有做任何迁移。
Lutaonan
我如何使用 Apple Notes 做笔记 | Randy's Blog
About life, technology and reading
我在用的短视频服务有视频号和 TikTok，随着刷的时间越长，视频的质量越差。分心带来的算法污染，会直接表现在视频质量上，以至于最后完全变成了 kill time 的内容，我乐意将其称为“注意力滑坡”，这可能适用于大部分人。对于自制力不太好的我而言，我只好选择不使用短视频服务，虽然少了一个高效的信息获取方式，但也保住了一些难得的专注力。😎
deepseek-r1出来之后，有人把deepseek-r1的思维链和Claude的编程能力结合起来，做了一个deepclaude的东西 。
有两个仓库，一个是rust版本，一个是Python版本，分别是https://github.com/getAsterisk/deepclaude ，
https://github.com/ErlichLiu/DeepClaude。
这里其实可以在这个思路上扩展下，结合一个推理模型和一个基础模型，推理模型能够提供框架，然后基础模型来实现。基础模型可以用gemini 2.0 flash,这个模型更便宜，但是编程能力也很强。
Python的仓库改起来简单一些，借助ai,可以迅速的改出一个版本。
有两个仓库，一个是rust版本，一个是Python版本，分别是https://github.com/getAsterisk/deepclaude ，
https://github.com/ErlichLiu/DeepClaude。
这里其实可以在这个思路上扩展下，结合一个推理模型和一个基础模型，推理模型能够提供框架，然后基础模型来实现。基础模型可以用gemini 2.0 flash,这个模型更便宜，但是编程能力也很强。
Python的仓库改起来简单一些，借助ai,可以迅速的改出一个版本。
GitHub
GitHub - winfunc/deepreasoning: A high-performance LLM inference API and Chat UI that integrates DeepSeek R1's CoT reasoning traces…
A high-performance LLM inference API and Chat UI that integrates DeepSeek R1's CoT reasoning traces with Anthropic Claude models. - winfunc/deepreasoning
今天和老婆去看了哪吒2，觉得剧情和质量还可以，但是还没到票房刷新历史记录的程度。
不是哪吒2非常的厉害，而是同期春节的其他电影太烂了，衬托出哪吒2很好。
还有一个原因是，能够符合大众审美的片子，才会被更多人接受。我觉得很好的片子，不一定就能得到好的票房。
最后回想了下，票房前几的片子，都是这样的，符合大众审美，但是要说看完之后有多难忘，有多少值得思考的点，确实不多。
不是哪吒2非常的厉害，而是同期春节的其他电影太烂了，衬托出哪吒2很好。
还有一个原因是，能够符合大众审美的片子，才会被更多人接受。我觉得很好的片子，不一定就能得到好的票房。
最后回想了下，票房前几的片子，都是这样的，符合大众审美，但是要说看完之后有多难忘，有多少值得思考的点，确实不多。
“ai.com”这一域名本身具有重要的历史新闻价值，以下是与之相关的事件：
域名注册与早期发展 ：ai.com域名注册于1993年，有效期将持续到2031年。在其早期，该域名并未与如今的人工智能领域紧密相连，但随着AI技术的发展，其价值逐渐凸显。
跳转事件 ：
2023年跳转ChatGPT ：2023年，随着OpenAI的ChatGPT风靡全球，ai.com跳转至ChatGPT的对话界面，一度有传言称OpenAI已收购此域名，但后续信息显示这更可能是第三方运营者的策略。
2024年跳转变化 ：2024年，ai.com的跳转页面再次回到了ChatGPT。
2025年跳转DeepSeek ：近期，ai.com的跳转目标变更为DeepSeek的官方网站，即访问ai.com时会被重定向至chat.deepseek.com。
行业风向标角色 ：从2023年开始，每当有新的AI明星产品问世，如谷歌的Gemini或马斯克的xAI推出的Grok模型，ai.com便会随之调整跳转目标，紧跟行业热点，这也使其成为AI行业的一个“风向标”。
域名注册与早期发展 ：ai.com域名注册于1993年，有效期将持续到2031年。在其早期，该域名并未与如今的人工智能领域紧密相连，但随着AI技术的发展，其价值逐渐凸显。
跳转事件 ：
2023年跳转ChatGPT ：2023年，随着OpenAI的ChatGPT风靡全球，ai.com跳转至ChatGPT的对话界面，一度有传言称OpenAI已收购此域名，但后续信息显示这更可能是第三方运营者的策略。
2024年跳转变化 ：2024年，ai.com的跳转页面再次回到了ChatGPT。
2025年跳转DeepSeek ：近期，ai.com的跳转目标变更为DeepSeek的官方网站，即访问ai.com时会被重定向至chat.deepseek.com。
行业风向标角色 ：从2023年开始，每当有新的AI明星产品问世，如谷歌的Gemini或马斯克的xAI推出的Grok模型，ai.com便会随之调整跳转目标，紧跟行业热点，这也使其成为AI行业的一个“风向标”。
昨天晚上做了一个记录自己做俯卧撑的tg bot,很简陋，只能发一个数字，然后bot 会在 google sheet 增加一行， 日期，时间，数量。 后续再优化吧。
bot 后端部署再cloudflare worker，用的是js实现的。基本是上AI给的代码，我提要求，AI指导，我来具体操作。
虽然是个挺简单的需求，但是实现了还是挺高兴的。平时属于想的太多，做的太少。
bot 后端部署再cloudflare worker，用的是js实现的。基本是上AI给的代码，我提要求，AI指导，我来具体操作。
虽然是个挺简单的需求，但是实现了还是挺高兴的。平时属于想的太多，做的太少。
拾象 对 DeepSeek 和智能下半场的几条判断 摘录
https://mp.weixin.qq.com/s/NMW2p8xalh9c8lTLN9B5gg
从 24Q3 开始我们就一直在讲 AI 的下半场，虽然 OpenAI o1 提出了 RL 叙事，但因为各种原因没有破圈，DeepSeek R1 解了 RL 的谜题，推进整个行业进入了新范式，真正进入智能下半场。
市场上关于 DeepSeek 是什么、为什么的讨论已经很多了，接下来更有价值讨论是 AI race 要怎么 play ？把过去半个月的思考总结了一下，希望成为探索下半场的 road map，每隔一段时间来复盘。也列出了几个最好奇的问题，欢迎填写问卷一起交换想法，我们会围绕下一个智能突破的 Aha moment 组织一场小范围讨论会：
• 下一个智能突破的 Aha moment 会从哪出现？
• 如果你有充裕的探索资源，你会把探索资源投入在什么方向上？
• 比如下一代 Transformer 架构、合成数据的突破、Online Learning 更高效率的学习方式，你会有哪些 Bet？
DeepSeek 超越了 Meta Llama 毫无疑问，但相比 OpenAI、Anthropic 和 Google 这些第一梯队 players 还有距离，比如 Gemini 2.0 Flash 成本比 DeepSeek 更低，能力也很强，且全模态，外界低估了 Gemini 2.0 为代表的第一梯队的能力，只是没有开源而获得这么炸裂轰动性的效果。
DeepSeek 的重要意义在于帮助 RL 和 test time compute 这个新范式真正出圈。如果说 OpenAI 最初发布的 o1 是给行业出了一个谜语，DeepSeek 就是第一个公开解谜的人。
reasoning model 的提升会进一步帮助 agent 落地，AI researcher 现在都因此对 agent 的研究和探索更有信心，因此也可以说 DeepSeek 开源 reasoning model 推进了行业向 Agent 的进一步探索。
有什么不同？
从 Dario的访谈可以看出，Anthropic对R-1/reasoning model的理解，与O系列有些分歧，Dario觉得 base model 与 reasoning model应该是个连续光谱，而非 OpenAI 这种独立的模型系列。如果只做 O 系列会很快遇到天花板。
我一直想为什么 Sonnet 3.5的coding、reasoning 和 agentic能力一下子提升这么强，但 4o 一直没追上？
他们在 pre training base model 阶段就做了大量 RL 工作，核心还是把 base model 提上去，不然只靠 RL 提升 reasoning model 可能很容易把收益吃光。
ToC：Chatbot 肯定受冲击最大，心智和品牌关注度被 DeepSeek 抢走了，ChatGPT 也不例外；
在开发者环节的影响很有限，我们看到有用户用完之后说评论 r1 不好用不如 sonnet，Cursor 官方也说 Sonnet 还是 outperform，用户 surprisingly 高比例都选择 Sonnet，并没有大幅迁移；
作为领头羊的 OpenAI 在其中属于最“吃亏”的那个，之前想捂着技术不开源，半遮半掩，希望多赚技术溢价的美梦无法实现了。
但中长期看，GPU 资源充裕的公司还是受益的，一方面是第二梯队的 Meta 可以快速跟进新方法，Capex 更加 efficient，Meta 可能是很大受益者，另一方面是智能提升还需要更多探索，DeepSeek 开源把大家水平拉齐，进入全新探索又需要 10 倍甚至更大量级的 GPU 投入。
从第一性原理来想，对于 AI 智能产业来说，无论是发展智能还是应用智能，从物理本质上就必然要消耗海量算力，这是基础定律决定的，不是技术优化能完全规避的。
图片
DeepSeek 这一波 Chatbot 用户又出现了大量迁移现象，给了市场一个很重要的启发：智能技术进步非常陡峭，阶段性产品很难形成绝对壁垒。
不管是 ChatGPT/Sonnet/Perplexity 刚形成了心智和口碑，还是 Cursor、Windsurf 这类开发者工具，一旦有了更智能的产品，用户对“上一代”智能的产品毫无忠诚度，今天不管是模型层还是应用层都很难构建护城河。
另一方面， Agent 落地比较关键，因为 Agent 需要做长距离多步骤推理，如果模型好 5-10%，领先的效果就会被放大很多倍，所以 OpenAI、Anthropic 和 Google 一方面要做 Agent 产品落地，full stack 集成模型+Agent 产品，就像 Windows+Office，二是也要 show 出来更强大的模型，比如 O3 完整版、Sonnet 4/3.5 opus 为代表的下一代模型。
在技术不确定性下，最宝贵的是天才 AI researchers，任何想要探索 AGI 的组织都要投入资源更激进的 bet on next paradigm，尤其是在今天 pre training 阶段已经被拉齐的背景下，要有好的人才+充裕资源，探索下一个智能涌现的 Aha moment
#摘录 #ai
https://mp.weixin.qq.com/s/NMW2p8xalh9c8lTLN9B5gg
从 24Q3 开始我们就一直在讲 AI 的下半场，虽然 OpenAI o1 提出了 RL 叙事，但因为各种原因没有破圈，DeepSeek R1 解了 RL 的谜题，推进整个行业进入了新范式，真正进入智能下半场。
市场上关于 DeepSeek 是什么、为什么的讨论已经很多了，接下来更有价值讨论是 AI race 要怎么 play ？把过去半个月的思考总结了一下，希望成为探索下半场的 road map，每隔一段时间来复盘。也列出了几个最好奇的问题，欢迎填写问卷一起交换想法，我们会围绕下一个智能突破的 Aha moment 组织一场小范围讨论会：
• 下一个智能突破的 Aha moment 会从哪出现？
• 如果你有充裕的探索资源，你会把探索资源投入在什么方向上？
• 比如下一代 Transformer 架构、合成数据的突破、Online Learning 更高效率的学习方式，你会有哪些 Bet？
DeepSeek 超越了 Meta Llama 毫无疑问，但相比 OpenAI、Anthropic 和 Google 这些第一梯队 players 还有距离，比如 Gemini 2.0 Flash 成本比 DeepSeek 更低，能力也很强，且全模态，外界低估了 Gemini 2.0 为代表的第一梯队的能力，只是没有开源而获得这么炸裂轰动性的效果。
DeepSeek 的重要意义在于帮助 RL 和 test time compute 这个新范式真正出圈。如果说 OpenAI 最初发布的 o1 是给行业出了一个谜语，DeepSeek 就是第一个公开解谜的人。
reasoning model 的提升会进一步帮助 agent 落地，AI researcher 现在都因此对 agent 的研究和探索更有信心，因此也可以说 DeepSeek 开源 reasoning model 推进了行业向 Agent 的进一步探索。
有什么不同？
从 Dario的访谈可以看出，Anthropic对R-1/reasoning model的理解，与O系列有些分歧，Dario觉得 base model 与 reasoning model应该是个连续光谱，而非 OpenAI 这种独立的模型系列。如果只做 O 系列会很快遇到天花板。
我一直想为什么 Sonnet 3.5的coding、reasoning 和 agentic能力一下子提升这么强，但 4o 一直没追上？
他们在 pre training base model 阶段就做了大量 RL 工作，核心还是把 base model 提上去，不然只靠 RL 提升 reasoning model 可能很容易把收益吃光。
ToC：Chatbot 肯定受冲击最大，心智和品牌关注度被 DeepSeek 抢走了，ChatGPT 也不例外；
在开发者环节的影响很有限，我们看到有用户用完之后说评论 r1 不好用不如 sonnet，Cursor 官方也说 Sonnet 还是 outperform，用户 surprisingly 高比例都选择 Sonnet，并没有大幅迁移；
作为领头羊的 OpenAI 在其中属于最“吃亏”的那个，之前想捂着技术不开源，半遮半掩，希望多赚技术溢价的美梦无法实现了。
但中长期看，GPU 资源充裕的公司还是受益的，一方面是第二梯队的 Meta 可以快速跟进新方法，Capex 更加 efficient，Meta 可能是很大受益者，另一方面是智能提升还需要更多探索，DeepSeek 开源把大家水平拉齐，进入全新探索又需要 10 倍甚至更大量级的 GPU 投入。
从第一性原理来想，对于 AI 智能产业来说，无论是发展智能还是应用智能，从物理本质上就必然要消耗海量算力，这是基础定律决定的，不是技术优化能完全规避的。
图片
DeepSeek 这一波 Chatbot 用户又出现了大量迁移现象，给了市场一个很重要的启发：智能技术进步非常陡峭，阶段性产品很难形成绝对壁垒。
不管是 ChatGPT/Sonnet/Perplexity 刚形成了心智和口碑，还是 Cursor、Windsurf 这类开发者工具，一旦有了更智能的产品，用户对“上一代”智能的产品毫无忠诚度，今天不管是模型层还是应用层都很难构建护城河。
另一方面， Agent 落地比较关键，因为 Agent 需要做长距离多步骤推理，如果模型好 5-10%，领先的效果就会被放大很多倍，所以 OpenAI、Anthropic 和 Google 一方面要做 Agent 产品落地，full stack 集成模型+Agent 产品，就像 Windows+Office，二是也要 show 出来更强大的模型，比如 O3 完整版、Sonnet 4/3.5 opus 为代表的下一代模型。
在技术不确定性下，最宝贵的是天才 AI researchers，任何想要探索 AGI 的组织都要投入资源更激进的 bet on next paradigm，尤其是在今天 pre training 阶段已经被拉齐的背景下，要有好的人才+充裕资源，探索下一个智能涌现的 Aha moment
#摘录 #ai
今天，豆包电脑版更新了一个实用功能 —— 语音输入。开启这个功能后，它能将你的语音实时转换成文字，并自动输入到任意输入框中。
在这之前，我在电脑上安装了两款第三方应用程序，一款是 wisperflow，另一款是 input keyboard，它们都用于语音输入。然而，使用体验却差强人意，反应速度较慢，操作起来不太流畅。于是，我曾考虑利用豆包背后的火山引擎 API 自行开发一个语音输入功能，心想以我有限的使用频率，每月花费应该不会太高。但万万没想到，豆包竟然直接上线了这个功能，真是心想事成！
苹果自带的语音转文字功能虽然也能使用，但在电脑版上错误率较高，使用起来不太方便。相比之下，手机版的错误率相对较低，用于记录个人日记等简单场景还算凑合。但如果涉及对外输出的正式内容，纠正错误的工作量就会很大，非常耗费精力。
在这之前，我在电脑上安装了两款第三方应用程序，一款是 wisperflow，另一款是 input keyboard，它们都用于语音输入。然而，使用体验却差强人意，反应速度较慢，操作起来不太流畅。于是，我曾考虑利用豆包背后的火山引擎 API 自行开发一个语音输入功能，心想以我有限的使用频率，每月花费应该不会太高。但万万没想到，豆包竟然直接上线了这个功能，真是心想事成！
苹果自带的语音转文字功能虽然也能使用，但在电脑版上错误率较高，使用起来不太方便。相比之下，手机版的错误率相对较低，用于记录个人日记等简单场景还算凑合。但如果涉及对外输出的正式内容，纠正错误的工作量就会很大，非常耗费精力。
从春节开始，AI就各种发布新版本，kimi 1.5, deepseek-v3, deepseek-r1, openai-o3-mini, gemini falsh 2.0等等，AI越来越强大，但是发现对自己并没有什么用，说到底还是1，不知道做什么，2，没有行动。行动的人早在gpt3.5出来的时候已经挣钱了。
