我现在主要通过grok bot「刷」X,就像我主要通过ChatGPT app「上网」,这些都相当于新一代的「浏览器」(虽然还很原始)
很早以前(Twitter被Musk收购之前),我刷Twitter的方式本来已经进化到通过Nuzzel了(图1。传统社交推荐算法),后来Nuzzel被X收购,变成付费用户功能,不受重视,逐渐下线了
当时我「上网」的方式也进化成了看newsletter为主(相当于各个真人curator人工做现在AI做的事情),当时我还准备做这方面的「浏览器」产品
这些newsletter现在也还没淘汰,图2是我目前的用法,再套一层娃
以上可称作「Agentic digital minimalism」
这种类似古雅典哲人生活方式的「建立在他人代劳基础上的极简主义上网方式」对用户来说很好,而对SpaceX和Google来说,会既增加它们的「软件分发成本」,也减少用户在它们软件中的「摩擦」(社交互动、广告投放本质都是软件使用过程中的摩擦和中间环节,以前更容易靠这些摩擦来把流量货币化),让它们原有的「生意」变得没以前那么好(还好SpaceX以前的生意本来也不好,起点低,不像Google那样受伤)
Digital minimalism
vitalik.eth.limo/general/202…
做了一个 7 月大跌、8 到 9 月反弹、10 月又大跌的美股 AI 股三阶段对比:
ai-stocks-2026.dexmage.com/
我越来越习惯用底层有平台/runtime支撑的、可持续产生side effect和炼化、可GUI化的结构化数据形式(比如HTML、飞书文档/知识库、微型数据库)而不是markdown文本来作为AI的交互输出了
🤖 Made with AI
2
20
4,217
大多数grok bot没有直接跟我沟通的资格,只能给我的 -1、-2汇报,这样才能最大化personal agent(从技术角度,叫proactive agent更反映本质)的价值
比如下图是我基于公网信息蒸馏的字节跳动全明星团队,刚拉群还没讲字节范和使命愿景,它们就自行推进工作了
今天的游戏过程都被ChatGPT监控了(图1、2),加上访问FVTT界面上的log和DND Beyond上人物卡的能力,结合对游戏模组和世界设定的了解,用6 Astra Max写了一篇小说:xxdq5sjird.feishu.cn/wiki/Ax…
感觉挺不错的,还有伏笔(图3),文中这个地方是夺心魔堡垒(图4),玩家的想法会被夺心魔侦测到, 但又要欺骗门内的两个夺心魔,避免触发战斗
2
2
3,088
用dot指挥的agent loop做了一个查询安卓应用是否对GUI Agent开放能被豆包手机助手使用的小工具,其中「可以尝试」列表里的app来自我让dot建的一个中台服务,数据持续补充中
open-to-guiagent.dexmage.com
1,722
骂得好脏
亚历山大王是个内行
Muse是个透明化云端沙盒工作环境(Manus和Grok bot的模式)和Agentic Web生态优先的、全场景的、更主动的美版豆包,比止步于chatbot(云电脑和专家模式的层级太深不够优先)的手机豆包(豆包手机则走偏了)和本地桌面工作环境/办公场景优先的workbuddy能更进一步让 Agentic AI 渗透到下沉市场
Meta不愧是美版字节+腾讯,是能让市场相信AI的完整体,既有字节的下沉市场和商业模式/赚钱能力(同样做免费C端AI应用和做AI capex,市场不会怀疑Meta的货币化能力,而OpenAI、Google和腾讯做再好也会被怀疑AI capex不可持续),又有腾讯的社交场景卡位生活场景卡位(但同样不具备对长期稳定的真正的平台/入口的卡位,所以Meta、字节和OpenAI都在努力做OS和个人计算设备)
感谢小扎,我的美股从7年半23恢复到26倍了(即将超越三个月前最高的27倍)
为了解释为什么字节的商业模式是最好的那种、比腾讯好的多,对腾讯和字节的主营业务做了一下battle,见图1,图2-4应该有助于理解
关于背后反映的事实、趋势和逻辑,我也强调几条:
1. 从「主动查找/关注/订阅/安装、人工维护关系、人为分发、主动召回和打开」到「基于各种context做算法化/AI化的 自动创造兴趣/需求、自动分发、自动行动」是大势所趋
2. 跟包括微信、淘宝、Google 在内的其他平台相比,抖音/TikTok 是更前沿、更有势头的平台,不是抖音昙花一现朝不保夕,而是微信原本可以新增的和越来越多存量的使用时长、日活和用户场景(比如外部动态、内容发现、内容消费、商品发现、购买决策)被转移到抖音
3. 用户在内容上能花费的有限时间/注意力,大部分从游戏、聊天、传统/新媒体转移到了算法推荐内容,短视频只是算法推荐内容中最下沉、规模最大的内容形式而已
4. 受益于技术不是「五环内用户」的特权,这世界上大多数人属于「下沉市场」,他们同样有资格利用技术改善生活/人生、进入更大的世界拥有更多可能,字节这种基于客观数据而非主观价值判断的产品方法论正是把技术普及到下沉市场和更广大人类群体的必要途径
> 顺带一提:这些下沉市场用户愿意花费时间的游戏、聊天、自媒体/主流媒体,其实同样属于很多人眼里的「精神毒品」、「跟用户价值有冲突的货币化」
5. 微信从来都没法把在中国这种不成熟市场上做出的社交产品形态(其中很多是扭曲的,比如小程序这种非标准非开放 web)复制到全球,抖音/TikTok 则不同,背后也反映了谁更前沿、谁更有可持续性
6. AI 时代里,微信比抖音更危险:
抖音的核心在于后端的多模态内容沉淀、算法/AI自主能力,以及前端的新一代人机交互模式和多模态交互能力,趋向拥有越来越多的context,受益于 Agentic AI、Generative AI 乃至 Physics AI 的发展和需求
微信的核心在于人与人的社交关系沉淀和社交场景,以及围绕这些context自然衍生或强行捆绑的「上网需求」和「生活需求」乃至它们进一步产生的context
在 AI 时代,很多过去好像「离不开」的人与人社交/通信/协作需求和社交关系,会被发现其实是「泡沫」或「摩擦」,被挤干或消解,很多用户场景会从社交context和为社交优化的人机交互中解绑出来,把自己的context融入到其他更通用的context和更直觉/高效的人机交互中
AI 容易带来的不是「新聊天应用」,而是:
- 更少的「聊天」(现代媒体出现前,人们在聊天上花费的时间远远超过今天,参考欧洲那些贵族宅邸的设计)
- 更多的context(跟桌面互联网转换到移动互联网时一样,context的增量远大于存量)
- 更解绑和可组合的软件需求(移动应用只是过渡形态)
- 对人类的两大影响外部世界能力(使用更多更复杂的工具,跟更多人做更复杂的语言沟通)都要求更低(门槛/成本更低+杠杆更大)
这很可能让「聊天」的需求和场景逐渐不再能支撑起超级应用(更不用提微信这种想架空操作系统的超级应用),不再是分发入口,进一步加速减少人们投入在上面的时间/注意力
为了解释为什么字节的商业模式是最好的那种、比腾讯好的多,对腾讯和字节的主营业务做了一下battle,见图1,图2-4应该有助于理解
关于背后反映的事实、趋势和逻辑,我也强调几条:
1. 从「主动查找/关注/订阅/安装、人工维护关系、人为分发、主动召回和打开」到「基于各种context做算法化/AI化的 自动创造兴趣/需求、自动分发、自动行动」是大势所趋
2. 跟包括微信、淘宝、Google 在内的其他平台相比,抖音/TikTok 是更前沿、更有势头的平台,不是抖音昙花一现朝不保夕,而是微信原本可以新增的和越来越多存量的使用时长、日活和用户场景(比如外部动态、内容发现、内容消费、商品发现、购买决策)被转移到抖音
3. 用户在内容上能花费的有限时间/注意力,大部分从游戏、聊天、传统/新媒体转移到了算法推荐内容,短视频只是算法推荐内容中最下沉、规模最大的内容形式而已
4. 受益于技术不是「五环内用户」的特权,这世界上大多数人属于「下沉市场」,他们同样有资格利用技术改善生活/人生、进入更大的世界拥有更多可能,字节这种基于客观数据而非主观价值判断的产品方法论正是把技术普及到下沉市场和更广大人类群体的必要途径
> 顺带一提:这些下沉市场用户愿意花费时间的游戏、聊天、自媒体/主流媒体,其实同样属于很多人眼里的「精神毒品」、「跟用户价值有冲突的货币化」
5. 微信从来都没法把在中国这种不成熟市场上做出的社交产品形态(其中很多是扭曲的,比如小程序这种非标准非开放 web)复制到全球,抖音/TikTok 则不同,背后也反映了谁更前沿、谁更有可持续性
6. AI 时代里,微信比抖音更危险:
抖音的核心在于后端的多模态内容沉淀、算法/AI自主能力,以及前端的新一代人机交互模式和多模态交互能力,趋向拥有越来越多的context,受益于 Agentic AI、Generative AI 乃至 Physics AI 的发展和需求
微信的核心在于人与人的社交关系沉淀和社交场景,以及围绕这些context自然衍生或强行捆绑的「上网需求」和「生活需求」乃至它们进一步产生的context
在 AI 时代,很多过去好像「离不开」的人与人社交/通信/协作需求和社交关系,会被发现其实是「泡沫」或「摩擦」,被挤干或消解,很多用户场景会从社交context和为社交优化的人机交互中解绑出来,把自己的context融入到其他更通用的context和更直觉/高效的人机交互中
AI 容易带来的不是「新聊天应用」,而是:
- 更少的「聊天」(现代媒体出现前,人们在聊天上花费的时间远远超过今天,参考欧洲那些贵族宅邸的设计)
- 更多的context(跟桌面互联网转换到移动互联网时一样,context的增量远大于存量)
- 更解绑和可组合的软件需求(移动应用只是过渡形态)
- 对人类的两大影响外部世界能力(使用更多更复杂的工具,跟更多人做更复杂的语言沟通)都要求更低(门槛/成本更低+杠杆更大)
这很可能让「聊天」的需求和场景逐渐不再能支撑起超级应用(更不用提微信这种想架空操作系统的超级应用),不再是分发入口,进一步加速减少人们投入在上面的时间/注意力
Dexter Yang retweeted
Replying to @DottChen
窒息😱,你搞反了,字节的商业模式属于最好的那种,跟Meta和以前的Google是一种类型,字节的高薪、大力出奇迹、增长方法论、算力资源优势等全都建立在商业模式优势之上,可以看这两张图对比下
字节「不断高速奔跑」而不像腾讯那样躺平赚稳定现金流,是因为有增长空间和投资机会,成长股和价值股的区别
非常同意原贴但不赞同其中关于「软件开发」乃至整个「技术发展」的理解,实际上软件构建过程就是技术发展过程的核心组成部分,科学和技术在这方面没什么不同:都是会在过程中产生新概念/新抽象,比最初目标更有用,且这些新概念/新抽象分享传播出去后被复用和重新排列组合又会在「过程」中产生更 high-level 的新概念/新抽象,垒加在之前的概念/抽象层上,不断抬升,促成科学/技术的进一步发展。区别只在于「过程」本身,科学的「过程」是直接为了发现新现象新理论,不求回报,技术的「过程」很少是刻意为了发展技术本身,而是一种构建有用东西的过程,是追求回报的,在这个过程中附带涌现出技术发展
另一方面,AI写代码并不适合绕过这些不断积累的抽象层,从零构建最终结果,这个话题不展开了,需要单开帖子
所以除非以后完全由AI来负责发明构建新概念新抽象,由agent和agent之间的网络来分享交流这些概念和抽象、不断做组合垒加,否则注定会损害整体的结果交付,无论要交付的是科学发现结果还是软件开发结果
A lot of people are missing Terence Tao’s point and thinking “mathematicians are upset that AI is better than them.” That’s not what he’s saying, and some people are forgetting that Tao is one of the most AI-pilled mathematicians out there.
His point is that when people work on discovering something, along the way they invent new concepts. Those concepts later become useful far beyond the original goal, and enables further inventions. Finding a solution does matter, but the intermediate idea is often what makes the field richer, because other people can share it and build the next thing from it.
In tech, we can use the analogy of collaborative software. We started with algorithms for merging changes in a Word document, and evolved that to concepts about versions, diffs, and merges, and later to real-time collaboration tools like Git, Google Docs, and Figma. Humans built upon these concepts and developed more powerful solutions.
Terence’s worry is that a machine automating a solution robs the field of the value of developing the intermediate discoveries in the pursuit of larger discoveries.
When automating a solution, the intermediate discoveries and invention of concepts can be buried or completely hidden in the black box. We don’t learn from them to build the next thing; it’s like we never made the invention of collaborative document editing and thus could not have the conceptual understanding to invent the next version – and since it’s hidden, we also don’t socialize them to allow other people to invent, too, a core tenet of collective discovery.
So then, in both code and math, this leads to the atrophy of development of concepts in the field.
In other words: pure ‘solution extraction’ that hides the process of discovery can leave the field with a checked-off theorem but little new insight or new questions to pursue. And it might prevent us from understanding a field deeper.
I am seeing, first-hand, that atrophying of skills in software development. We push buttons and get solutions. There is much less incentive to develop new concepts and human skill. The bet most software companies are making is that LLMs are so effective in writing code that you’re still shipping overwhelmingly more value even with human skill atrophy, and it’s the right bet IMO.
However, much of the software industry is built upon building things, not necessarily novel invention and research. In such an environment, you can say that you accept some atrophying of conceptual invention and human skill for more output.
On the other hand, sectors like math and pure sciences that are focused on invention and insight might be the hardest hit by this.
Practical/applied sciences might fall somewhere in the middle. An Alzheimer’s cure, room-temperature semiconductor, or highly effective carbon capture solution are far too valuable to sandbag and say only humans can do that to develop concepts in the ‘proper’ way. The outcome matters too much to treat the preservation of concept invention as the highest goal. Even there, though, hidden intermediates can slow the next breakthrough if nobody can see how the first one actually worked.
So the question is not “is AI allowed to solve hard problems?” It is “in this field (math, science, tech, etc.), is the answer itself the main point, or are the concepts and abstractions we use to get there also the thing we need to maintain?”
In pure math, there’s an argument that the intermediates are often more useful than the solution, and atrophy in concept development is highly detrimental to the field. Solving Navier–Stokes, contrary to what some people claim, has little practical application, and pure math might be one of those fields where just finding a solution isn’t the entire point, and can actually be contrary to the field, which is what Tao is worried about.
3DGS(高斯溅射)和世界模型(基于视频帧、深度图和体素/点云生成,Atlas和「seedworld」都是这种类型)让元宇宙内容供应和基于元宇宙内容的Generative OS更可行了,正在Make VR/WebXR Great Again,点云化之后也能融入MR/空间计算/统一渲染场景
另一个方向是像GPT-6 Astra这样直接构建结构化的基于 3D 引擎原语的3D空间,但这个方向更偏Agentic OS,默认是要在agent loop里预先构建而不是按需生成的,要支撑Generative OS需要补充很多中间层
从传统移动OS范式发展成Generative/Agentic OS是很难的,没什么东西可「抄」,先在超级应用层面(OS里的第一方超级应用)实现会更简单,Generative AI需要的超级应用是抖音/红果,Agentic AI需要的超级应用是浏览器(ChatGPT)、助手(Codex)和Builder(Roblox)
字节/seed显然更擅长前者,豆包手机和豆包Space都可能先主打Generative AI而不是Agentic AI(而且豆包Space比豆包手机更适合Agentic AI)
ByteDance is readying an AI model geared for real-time spatial video generation, taking on Meta and Google bloomberg.com/news/articles/…
人工蒸馏了一下小红书上很火的《字节祥子》(xhslink.cn/o/5uYZKDd8NzE),就说这里面哪条不对吧🤔:
这就是我不想在公开场合发太多投资话题的原因
宁可在 @ScarlettWeb3 的微信群里跟心态开放喜欢新事物愿意持续学习的Z世代聊,有兴趣可以看她用AI总结的「字节群精华」
一直被催在字节内网美股群发个离职感言,最后三小时突然想起来可以整什么活了:从我入职字节那天(19年1月14日)算起,到今天last day,比较下我美股的收益水平和字节期权的收益水平
结果是:7.6年里,字节期权按回购价翻了4.5到5倍,年化收益22%到24%,按市场估值(6000亿到1万亿美元)翻了8到13倍 ,年化收益31%到40%,我的美股资产在这段时间翻了23倍(3个月前本来是27倍,回撤了很多),年化收益51%,跑赢了😆
其实如果实现不了我这个收益率,把字节的工作干好、多拿期权才是最好的投资,职业发展跟投资(特别是我擅长的科技成长股投资)是一样的,要承担风险(所有收益都来自风险)、早期入场(以技术发展本身为出发点)、坚持留在场内(起飞前在赛道上深耕积累厚积薄发)、靠个人成长和赛道积累带来的复利实现指数增长,总之就是buy and hold
Dexter Yang retweeted
Replying to @fupenglondon
投喂给AI了,简单来说就是「下有底上有顶」,而不像08年后美联储(以及924后的中国央行)从lender of last resort(最后贷款人) 转变成dealer of last resort(最后交易商)那样只保障「下有底」
突破「顶」要靠AI自己的盈利夺回定价主导权
除了以为苹果做的是VR,还有一个常见误区是以为Vision Pro这种「头显(headset)」产品是「AI眼镜」前的过渡形态和走弯路
实际上「眼镜」和轻量化后的头显——「目镜(goggles)」,分别属于会长期共存的两个不同品类,解决的是不同场景的问题,这两个品类就是「手机」和「笔记本电脑/平板电脑」
「笔记本电脑/平板电脑」面向的通用个人计算场景是:可以在不同地点使用,便于随身携带,但不能一直随身「穿戴」随时随地使用(就好像不能在走路的时候脖子上挂个小桌板持续用笔记本,也不能随时举起笔记本扫码拍照)。在使用过程中所处位置是相对固定的,并且即使在公众场合使用,也会更多集中在几种特定的场合(比如工位、会议室、咖啡馆),这些场合中的人都在做偏生产力和协作的事情,对效率或体验的追求(比如大屏幕、多任务、结构化可视化的信息、快速直观的输入、快捷协作),远胜于对外观、轻巧无感的追求(就好像大家不会都拿着个性化外观的手机一身轻松的在会议室开会),不能牺牲基本性能和完整能力。在软件方面主要是需要多任务、长会话和沉浸专注使用的应用场景
而「手机」面向的通用个人计算场景是:一直「保持穿戴」(能随手掏出/举起手机也算「保持穿戴」),在日常生活的各种场景和各种行为中随时随地使用,走到哪用到哪,可以边移动边用。涉及的公众场合包括有大量强社交互动的场景,外观和无感(要轻巧无感到能随身保持穿戴)优先,为此可以牺牲性能和能力。在软件方面主要是短会话、跟日常生活和环境有结合的应用场景——现在你经常脱离现实埋头刷手机几小时,实际上是用手机在干手机并不最适合干的事情,只是因为手头缺少「笔记本/平板」式的设备
「笔记本电脑/平板电脑」在海外称作「桌面设备」,在国内被俗称为「PC」,生态也像名字一样差别很大,海外的桌面平台是很发达很普及的,中国因为起步晚,PC生态(以及连带的Web生态)还没发展起来就被跳过了
但AI agent会促进「PC生态」的普及和进一步发展,PC之于agent的重点不是它有没有端侧模型能力,而是它能给agent提供友好开放全能的本地Tool环境和代码Runtime,这样得到的「本地agent」跟你共用同一套客户端软件环境、共享所有状态,无缝协作,就像结对编程,是无法被云端agent取代的
低延迟、隐私和降低token成本的需求,又会进一步推动这种「PC生态」快速演进到具备端侧AI能力和端侧多模态交互能力的「AI PC」(见之前发的帖子)
「目镜」和「眼镜」一方面都可以作为自身品类中现有主力设备的「周边设备」来使用(目镜连笔记本,眼镜连手机),一方面都可以连接「算力盒子」,但上述两种场景的差异决定了只有前者的「盒子」和「主力设备」才能起到「PC / AI PC」的作用
另外,就好像AI agent把以前只有少数专业极客power user拥有的复杂软件使用能力和通过写代码来高效使用软件的能力普及给大众,有完整空间计算能力的「目镜」设备也在把以前只有少数极客power user才拥有的「屏幕设备和交互设备」能力普及给大众(比如我书桌有超宽显示器、studio显示器等三个大屏、固定位置使用的12寸iPad Pro副屏和大量IoT/传感器小屏,沙发有10寸iPad Pro、小屏mbp、85寸电视和大量IoT/传感器小屏),「眼镜」对外观和无感(可一直保持穿戴)的优先追求让它的光学能力硬件能力软件能力都无法提供这种对屏幕设备的全面合并/取代/超越
下下周字节要发布的PICO Space Pro可能是「PC」品类演进到「目镜」形态的第一代产品,后续有很多使用场景和AI用法等待着被解锁



















































