卷首语
本期几乎是年终总结的专场，祝各位2026年新年快乐。
当我们回望2025年，这个似乎被AI极度加速的年份，有什么度过了浪潮的冲刷，最终成为沙滩上耀眼的珍宝呢？
内容
2025年的年终总结 | MkSaaS - Make Your AI SaaS Product in a Weekend
via Fox
摘录：
- 我在推特分享过一个别人的观点：你卖的不是产品，而是信任，现在的我深以为然。
- 特别不建议上来就拿着AI编程工具一顿上站，风口来了就上线一个AI味特浓的网站，网页数据、用户评价全是假的，接入广告挣三瓜两枣，这纯粹是浪费时间精力，无心插柳柳成荫是个例，持续迭代打磨产品才是王道。
- 最后，谋事在人，成事在天，我们应该把独立开发这件事情当做一个长期的事业去做，不因为一个项目失败而放弃，也不因为一个项目成功而停止。产品失败了就失败了，不要纠结，不要内耗，适当放弃就行。
万字详解AI悖论，戳破AI时代最大的谎言
via 刘德恩
信息流里好像没什么人推荐这篇文章？我认为观点和见解都很客观，其中的核心思想价值在当下被严重低估了。
摘录：
- 注意，它不是在“思考”该写什么，不是在“理解”你的需求，更不是在“设计”算法。它就是在做一个纯粹的统计计算：给定前面这些词，下一个位置出现什么词最有可能。这个计算基于什么呢？基于它在训练时“见过”的海量数据里学到的各种规律和模式。这些规律和模式信息，在训练完成后，就是变成了模型的参数保存下来。比如，GPT-4 有超过1000亿个参数。你可以把这些参数想象成 LLM 的“知识库”，或者说是“认知库”，但它不像数据库中的文档那样结构清晰，更像是一个巨大的、模糊的、难以解释的、高维的“直觉网络”。比如说，看到 import pandas as 时，LLM不是去知识库搜索类似的语料，而是根据某种概率，算出下一个词多半是 pd；看到 def quicksort( 时，接下来大概率会出现排序算法相关的代码。因为模型在训练时见过无数类似的例子，它学习到了某种“特征规律”，所以它“知道”什么问题通常对应什么解法，什么代码结构常出现在什么场景下。
- 从这里可以看出，它不是真的在思考，只是在做概率预测和选择。理解了这一点，我们就可以很容易明白一个道理，如果要提高AI生成的准确性，那就给它更多有效信息呗，这样预测准确率就提高了。就像天气预报一样，气象数据越全（温度、湿度、气压、风向），预测就越准。但这里有两个关键：“更多”和“有效”。“更多”好理解，就是多给信息。“有效”就复杂了——什么信息才算有效？
- 任务描述要精确：不是“写个排序”，而是"写一个针对整数数组的快速排序算法，包含详细注释，时间复杂度说明，以及边界情况处理"
- 上下文要相关：如果你在开发一个 Web 应用，那么相关的技术栈信息、项目结构、编码规范都是有效上下文
- 约束条件要明确：性能要求、兼容性要求、安全要求等
- 期望输出要具体：不是“帮我优化”，而是“针对这个函数的内存使用进行优化，保持 API 兼容性”
- 系统设计的核心思想是：接受误差，设计容错。这包含两个层面：
- 接受现实：每个个体都会犯错，这是不可改变的事实
- 系统应对：通过系统层面的设计，对个体误差及时纠偏，或者设计容错能力，让个体的误差不会导致系统崩溃
- 就像工程师设计桥梁时，不会假设每块钢材都完美无缺，而是在设计中加入安全系数；汽车设计师不会假设路面总是平整，而是在设计中加入减震器、弹簧等来吸收震动和冲击。
2025 年度总结 - CaiCai, CPO & Co-founder of YouMind
via CaiCai
我始终认为与信息、内容相关的产品，一定要多关注创建团队的思考和认知。知道菜菜是在语雀数字花园的漫步当中，可惜那时他已经不怎么更新了。后来通过Youmind又重新建联成功，他对于变化和适应的思考给予我很多的启发。
摘录：
- 当然这里最重要的是，我们要知道我们自己当下活着，不是为了那无尽的焦虑，而是勇敢地去面对未知，和感受不确定。所以，通达不是把生活过得更稳，而是把自己过得更真。
- 我们学会了不再硬扛。想看电视就去看电视，想休息就休息，不再把“自律”和“逼自己”混为一谈。以前我们总觉得，只有一直绷着才叫认真，但这一年我们越来越确定，真正的认真，是把自己照顾到能长期跑下去。生活、工作、精神状态需要平衡，听从内心不是放纵，而是更清醒地给自己调速，让热爱和好奇心能一直在场。
- 焦虑在生活里比比皆是。过去这一年，我们反而在这件事上逐渐坦荡了很多。说实在的，从出生到死亡，很多选择本来就是无可奈何的，有些问题既不是努力就能解决的，也不是思考就能得到确定答案的。既然如此，与其被现状反复拉扯，不如把力气用在另一件更可控的事上，改变自己面对这一切的心态，让自己在遇到事情的时候，尽量保持念头通达。
田渊栋2025年终总结
via 田渊栋
AI的输出质量=人对于现实世界的认知和经验✖️与AI了解和协作水平✖️模型能力
模型能力的攀升对于普通人来说完全不可知也不可控，那属于业界专业人士的探索任务。
但对现实世界的理解广度与深度，加上不断学会和AI交互配合，哪怕模型能力提升趋势完全停止，也有可能跑出更高质量的工作和生产模式。
新的机会大概率也会随之而来。
摘录：
- 这每个月交给 OpenAI 的 20 块钱，一定要榨干它的价值啊。我突然意识到，就因为这区区 20 块钱，我已经成为了 “每个毛孔里都滴着血” 的肮脏资本家。我能这么想，全世界最聪明和最富有的头脑，也一定会这么想。所以请大家丢掉幻想，准备战斗吧。
- 如果考虑劳动力的投入 - 回报模型，传统思维会告诉你，工作经验积累越多，人的能力越强，回报也越大，是个单调上升的曲线。这就是为什么大厂有职级，职级随年限晋升，越老越香。但现在的情况已经不同了。职级已经没有意义，过去的经验也没有意义，人的价值从按照 “本人产出的劳动数量及质量” 来评估，变成了是否能提高 AI 的能力，人加 AI 要大于 AI 本身的产出，这样才行。
- 那我们该如何保持独立思考？如何不被 AI 同化？战术上来说，我们需要学会不停地审视 AI 的答案，挑它的毛病，并找到它无法解决的新问题。未来的新价值将来源于三个方面：（1）新的数据发现；（2）对问题全新的深入理解；（3）新的路径，包括可行的创新方案及其结果。利用信息不对称来套利只是暂时的。随着模型越来越强，社会对 AI 的认知越来越清晰，这种机会将迅速消失。如果仅仅满足于完成上级交代的任务，陷入 “应付完就行” 的状态，那么在 AI 泛滥的今天，这种职位极易被取代。
红星照耀中国 (豆瓣)
via 埃德加·斯诺埃\
对于那段风起云涌时代的描述切片，那些照片上故事里的角色，在现实中都是活生生的人。他们不只是宏伟故事主线中的重要因子，会嬉笑怒骂着打牌、抽烟，也难免犯错。 然而共同的信仰居然能将这样一批形色各异又能力强大的人们聚集在一起，共同缔造一段在历史上难以磨灭的故事。 我们当今还拥有这样强烈的信念感吗？还是说任何时代，对于信仰的定义、解释和传播都尤为重要？
工具
Fatetell
最近人生K线的爆火让我开始关注玄学AI赛道，Fatetell体验下来最舒适的点就是——它没有关注效率，而是将重点放在了准确性和玄学本身。
AI只是扮演“算命师”的角色，但如何让算命师和客户在产品上达成理想的交互，团队显然是有一番思考和打磨的，例如AI输出的等待时间被很巧妙地包装上心诚则灵的糖衣。