去年尝试着为每个产品增加AI功能，所谓“AI赋能”不仅是在产品的开发上，与具体应用场景的结合总是充满想象的。

在营销流程中尝试用AI总结、获取、筛选信息；在博客平台尝试用AI翻译、撰写；在播客平台使用AI生成脚本等等。场景很多，自动化程度越高，对平台的依赖性就越弱。这种”再包装“的感觉，似乎在往泡了一下午的茶壶里加水，寡淡无味。

过去两年于自身而言，有个趋势，即思维的高度内化——当大模型生成的文字质量和绘画创意都“胜于”自己时，对此的动力就会显著下降。这两年我很少写东西，也没有再作画了。

我想毋庸置疑，这里的内化是虚无的，因为给自己画了一个虚无的边界，而不予表露真实的想法。

最近R1本身的能力和包括qwen在内的中文水平让我惊喜，对于一些学习成本较高的概念，它是一个优秀的教师，能够用几句话说明白（我每次会加上一句public friendly）。但对于更趋于专业的知识，准确度上仍有待提高。只是那颇有道理地款款道来，很容易隐藏缺陷和错误，这恐怕会让更多人lost in maze。

做产品时，根本上我会将自己从技术层面脱离出来，但又会在特定点上回到技术上去，并停留在一条线上。例如对模型技术的关注，但对数学原理和算法却存在忽视。我以前更多将它归因于术业专攻和知识鸿沟，但如今AI将障碍近乎消除。学与不学，深入与否，就全然仰仗于自己的决定。

所以也有了“动力不足”的另一个层面上的lost。

信息的沉淀需要断舍离，提适度锐减，很大程度上就感觉而言，也是一个略显突兀而果断的精简过程——阶段性地聚焦于某目标，在复杂海况下寻找趋于安全抵达目标的航线。以公司为例，在足够铺垫地对接园区与政策时，似乎忽略了本质上的核心与出发点，过度迎合”套利“思维，那会失去经营本身的美感。

而最初选择成立研究院的目的在此，研究问题并解决问题，对信息和知识的深入就显得尤为重要，与选择合作伙伴相同，归根到底是人，信任不仅仅是面向他人，也是面向自己。毕竟用大模型蒸馏自己，这似乎不是个好想法😂