Codex还是claude code呀？哪个好用又便宜呀？中转不会用，脑袋大大了，买哪个好一点呀，不会编程只想用自然语言让他帮我实现写一些小程序，买哪个好一点呢 0基础 7 个帖子 - 7 位参与者 阅读完整话题
我是一个不喜欢脑袋困困的人，我喜欢那种大脑清醒，可以高效率处理事情的状态 以前我是不喝咖啡的人，但自从染上以后，就很依赖喝咖啡可以让大脑保持一个不错状态的这个过程 佬友们平时是怎么控制作息，调整状态，看待咖啡的呢？ 21 个帖子 - 20 位参与者 阅读完整话题
特别像那个呆猫八条哈哈，脑袋和身子都是球 一条答辩 魅魔猫 6 个帖子 - 3 位参与者 阅读完整话题
原帖好像被删了 [关于 ChatGPT Plus / Pro 跨区订阅、Apple ID 订阅链路滥用、Free 账号 Token 转售与 Business 权益异常的报告] 您好， 我希望向 OpenAI 报告一组正在被商业化利用的 ChatGPT 订阅与账号完整性问题。该问题涉及 ChatGPT Plus / Pro 跨区订阅、Apple ID / App Store 订阅链路滥用、批量注册 ChatGPT Free 账号、Session / Token 转售、伪装 GPT-5.5 模型销售，以及 ChatGPT Business 优惠码和席位异常扩张。 这些问题已经不是单个用户手动低价订阅，而是被部分商家组合成批量化、自动化、可转售的供应链。 一、Apple ID / App Store 跨区订阅滥用 目前市场上有不少商家通过协议方式模拟 Apple 客户端环境和 Apple ID 订阅环境，对 Apple 发送伪造或被替换的 Apple ID 信息来批量订阅 ChatGPT。 我观察到的模式包括： 使用正常的 ChatGPT 账号作为接收订阅权益的账户。 使用 Apple 礼品卡或低价区域 Apple ID 完成订阅支付。 在支付或订阅过程中，通过网络拦截或协议层修改 Apple ID 相关信息。 将 ChatGPT 账号与实际支付 Apple ID / 支付来源隔离。 借此避免同一个 Apple ID、同一支付来源或同一支付方式被封禁后影响全部 ChatGPT 账号。 批量跨区到低价地区订阅 Plus / Pro，再将账号或订阅权益高价转售。 观察到的低价区域包括： 土耳其：约 ₺499.99 TRY 菲律宾：约 PHP 999 菲律宾叠加优惠后：约 ₱491.07 此类情况不仅出现在 ChatGPT Plus，也出现在商家宣传的 ChatGPT Pro / 高额度订阅权益上。 我已经将 Apple 侧相关漏洞提交给 Apple。这里希望 OpenAI 重点调查的是：OpenAI 在接收 App Store 订阅结果并发放 ChatGPT 权益时，是否充分校验了 ChatGPT 账号、Apple ID、订阅地区、支付来源、IP、设备和异常批量订阅模式之间的一致性。 二、客户端账单国家/币种字段与菲律宾低价订阅 我观察到部分流程中，订阅结算请求或相关 payload 中存在可疑的账单国家和币种字段。例如： billing_details.country = PH billing_details.currency = PHP 目前有商家通过菲律宾区域价格叠加优惠活动，实现约 ₱491.07 的低价 Plus 订阅。部分批量注册后的账号会出现： promo id = plus-1-month-50-pct-off 风险点在于：如果 billing_details.country、billing_details.currency、promo id、账号地区、IP 地区、支付方式地区和最终订阅权益发放状态没有在服务端严格绑定，那么商家可能通过批量账号、跨区价格和优惠活动组合，持续生产低价订阅账号。 建议 OpenAI 检查： billing_details.country 和 billing_details.currency 是否可能被客户端或自动化流程影响。 PH / PHP 等地区/币种组合是否与账号真实地区、支付来源和订阅资格严格匹配。 plus-1-month-50-pct-off 是否与账号身份、地区、历史领取记录和支付方式严格绑定。 菲律宾、土耳其等低价区域是否存在异常大量外部订阅。 同一 IP、设备、支付来源或账号集群是否短时间内大量完成订阅。 三、批量注册 Free 账号、Session / Token 转售与伪装 GPT-5.5 目前市场上有不少人通过注册机批量注册 ChatGPT Free 账号，用于调用 GPT-5.4 或其他可用模型能力。 观察到的账号来源包括： Outlook 邮箱批量注册 域名邮箱批量注册 邮箱别名批量注册 自动注册工具批量生成账号 即使 OpenAI 增加了手机验证，目前仍有商家声称可以绕过。根据我在 2026 年 6 月 2 日前后的观察，相关批量注册仍然可以实现。 这些账号随后会被获取 Session 或 Token，并通过反向代理或 “Session 转 API” 类工具进行转售，例如市场中常见的 sub2api、cliproxyapi 等模式。 商业化方式包括： 批量注册 ChatGPT Free 账号。 获取账号 Session / Token。 将大量 Free 账号接入代理池。 对外包装成 API、Token 服务或模型调用服务。 将实际模型能力伪装成 GPT-5.5 或更高级别模型进行销售。 这会造成以下风险： 大量 Free 账号被非正常集中调用。 模型容量被灰产账号池消耗。 Session / Token 被转售给不明下游用户。 普通用户被虚假宣传欺骗，以为购买的是 GPT-5.5 或更高级模型。 OpenAI 的账号完整性、模型容量、公平使用和品牌信任受到影响。 四、Business 优惠码、0 元订阅和超额席位问题 我还观察到 ChatGPT Business 相关权益被滥用。 当前市场中有人通过扫描或收集不同国家/地区的 Business 优惠码，实现 0 元订阅 Business Team，通常宣传为两个月权益。 此外，Business 还存在疑似超额拉人或席位异常扩张问题。有商家声称可以通过漏洞创建大量 Business 成员，并将这些席位投入市场销售。相关账号或组织可存活 6 小时以上，足以完成交付和转售。 我提供的截图中可以看到，一个 Business 管理页面显示： Business · 1602 位成员 这类成员数量明显不符合普通团队试用场景，更像是用于批量拉人、临时出租或灰产转售。 建议 OpenAI 检查： Business 优惠码是否可被扫描、枚举、重复兑换或跨区使用。 0 元 Business Team 权益是否与真实企业身份、支付方式、组织信息和风险评分绑定。 Business 席位上限是否存在服务端校验缺失。 是否存在超额邀请成员或异常扩张席位的问题。 为什么异常 Business 组织可存活 6 小时以上。 是否存在同一 IP、同一设备、同一邮箱域名或同一市场来源创建大量 Business 组织的情况。 五、建议 OpenAI 优先调查 我建议 OpenAI 优先检查以下方向： Apple / App Store 订阅完成后，OpenAI 是否只依赖订阅结果发放权益，而没有充分关联 Apple ID、支付来源、账号、IP 和设备。 是否存在 Apple ID 信息被模拟、替换或隔离后，仍能为目标 ChatGPT 账号发放 Plus / Pro 权益的情况。 billing_details.country / billing_details.currency 是否可能被客户端或自动化流程影响。 PH / PHP、土耳其 TRY 等低价区域是否出现异常大量订阅。 plus-1-month-50-pct-off 等优惠是否被批量账号跨区叠加使用。 同一 IP、设备、支付身份或账号集群是否短时间内大量订阅 Plus / Pro。 批量 Free 账号是否通过 Session / Token 代理方式被集中调用。 市场中伪装 GPT-5.5 的 Token / API 服务是否来自批量 ChatGPT Free 账号。 Business 优惠码是否可被扫描、批量领取或 0 元开通。 Business 是否存在超额拉人、席位异常和异常组织存活时间过长的问题。 六、可提供证据 我可以提供以下证据： 脚本样本 billing_details 相关请求片段 PH / PHP 订阅证据 plus-1-month-50-pct-off 账号证据 Apple / App Store 跨区订阅相关线索 支付价格截图 ChatGPT 账号订阅状态变化 Business 管理页面截图 Business 异常成员数量截图 Free 账号批量注册和 Session / Token 转售证据 二级市场中伪装 GPT-5.5 销售的截图或记录 结论： 我认为这是一个严重的平台完整性、订阅滥用、促销权益滥用、Free 账号滥用和 Business 权益滥用问题。相关商家正在将 Apple ID 订阅链路、跨区价格、优惠活动、批量注册、Session / Token 转售和 Business 席位漏洞组合成商业化供应链。 请 OpenAI 尽快调查 ChatGPT Plus / Pro 跨区订阅、Apple ID 订阅链路滥用、Free 账号批量注册、Token 转售、伪装 GPT-5.5 模型销售，以及 Business 优惠码和超额席位问题。 6 个帖子 - 6 位参与者 阅读完整话题
如题，一个 1M 上下文的模型，限速 1 分钟吞吐 1.2M token ，什么 Agent 工具能做到不限速使用？难道是 chat 场景……
如题，一个 1M 上下文的模型，限速 1 分钟吞吐 1.2M token ，什么 Agent 工具能做到不限速使用？难道是 chat 场景……
最近弄了 mac 电脑，想试试看 mac ，但感觉点开后脑袋空空，装了 vscode+claude 就不知道还有什么好用的了。 1. 远程工具，看 gpt 推荐 rustdesk 2. 系统配置优化 3. 开发环境工具 4. 生产率优化工具 5. 个人日常工具 6. 听你们的
到工位啥也不想干 脑袋空空，感觉浑身疲惫 20 个帖子 - 16 位参与者 阅读完整话题
这国内 ai 发展，怎么 a 社就像疯了一样敌对我们？脑袋被谁刺激了吗？昨天发那个文章形容我们 ，原文： https://www.anthropic.com/research/2028-ai-leadership 6 个帖子 - 5 位参与者 阅读完整话题
如标题所言，主要是想问问佬们，平时吃什么能提神或者脑袋清醒的东西，就生活中可以尝到的，比如：咖啡、红牛？ 也许不止这些，所以，我想要各位的 焚诀 注意： 不要对身体有害的比如：槟榔、烟… 更不要违法的啦，我们是守法好公民~ 22 个帖子 - 21 位参与者 阅读完整话题
6 个帖子 - 6 位参与者 阅读完整话题
不要拍脑袋回答，必须仔细确认以及带着证据信息回答。 配合 feature-dev 技能 或者 systematic-debugging 技能、头脑风暴等技能 能有效的定位问题和梳理信息； 3 个帖子 - 2 位参与者 阅读完整话题
我想用 gogole stitch 设计页面，最好是用自己的老号，我目前地区还是中国，不能冲自己号买个google账号也可以 反重力能用最好，不能用无所谓，目前还在用 codex 有什么好的渠道能推荐，各位佬求解~ 才买了个号只能用gemini网页版，连stitch都不行，心态崩了 3 个帖子 - 2 位参与者 阅读完整话题
今天我使用CC时，突然脑袋一热，寻思更新一下软件包，不过坏了事儿了，我使用claude指令的时候却突然显示找不到指令了，经过我一上午的摸索，发现居然是node的问题 那我们应该如何解决这个问题呢 我们只需要删掉旧版的cc npm uninstall -g @anthropic-ai /claude-code ，然后使用 npm install -g @anthropic-ai /claude-code 重新安装即可 或者 切换node版本到你之前使用的版本即可 希望此篇文章能帮到你解决问题，感谢你的阅读 1 个帖子 - 1 位参与者 阅读完整话题
企业引入AI，先改流程还是先换脑袋？没有标准答案，只有实战经验——学者、制造业主、工业赋能者三种视角碰撞出一个共识，不要指望把全公司的认知统一好再动手，也不要贪大求全一步到位，用小流程换结果，用结果赢共识，才是AI转型最稳的路径。 圆桌对话直面AI落地中“上热下冷”、过度追求全智能、数据治理欠账等现实之坑，并给出了一句建议：找准场景先干起来，用1%的成功促进100%的变革。 以下为圆桌演讲内容，经36氪整理编辑： 何思翀丨蚂蚁集团NEXTA创新实验室项目负责人（主持） 梅丹青丨哥伦比亚大学金融学博士、长江商学院金融学助理教授 何一波丨宁波金山双鹿电池副总裁 李新春丨和利时科技集团有限公司中央研究院资深研究员 何思翀： 各位朋友们大家上午好，很高兴做客AI Partner的舞台，我是本场圆桌主持人何思翀，代表主办方欢迎台上的几位嘉宾参与本场圆桌，作为今天上午的收官圆桌，只想跟大家讨论一个问题，解决一件事，企业引入AI第一步究竟怎么办？抛出圆桌的讨论原则，不讲概念，就讲实战体验，把自己曾经做过的AI实践跟大家做一个简单的分享，先做什么，后做什么，包括可能踩过什么样的坑，最终得到什么样的结果。 我先来介绍一下台上的三位嘉宾，长江商学院金融学助理教授、哥伦比亚大学金融学博士梅丹青先生。 梅丹青： 很高兴跟大家一起交流，谢谢。 何思翀： 双鹿电池副总裁何一波女士。 何一波： 大家好，我是何一波，今天很高兴跟大家在这里相会，希望今后有机会有更多的合作，谢谢。 何思翀： 和利时科技集团有限公司中央研究院资深研究员李新春博士。 李新春： 大家好，很高兴在这儿跟大家分享流程工业的AI经验。 何思翀： 再次欢迎三位来到我们的圆桌，开门见山，先请三位嘉宾跟我们快速亮明自己的立场，在各自的企业视角、研究视角也好，一个企业想进入AI的转型究竟先改流程还是先换认知，有请梅教授。 梅丹青： 大脑和流程一定是同步修改的，但如果非要二选一，我建议优先改一号位的认知。因为如果一号位的认知没改好，那改流程就只是在旧世界里做一点小小的提升而已。在2026年的今天，我们要从“引入AI”转向“AI原生”。简单来说，不应该是在原有流程上加AI，而是改成“AI+”，构建AI原生的架构。这就要求企业，尤其是决策层和一号位，必须先改变大脑、改变认知。流程也要跟进，通过小流程来验证认知。这就是我的基本观点。 何思翀： AI的核心不在于流程优化，在于认知和决策层面的智能提升，主要是集中在一号位的认知提升上。何总，双鹿电池怎么拥抱AI的，当时怎么做的，是想解决什么问题吗？ 何一波： 你刚刚的那个问题挺有意思，这个问题类似于吃饭先动筷子还是先张嘴巴的问题，对企业就是顺势而为的问题，很多人对双鹿电池不太了解，我们公司1954年就成立，比新中国成立年轻几岁，今年已经有72周年了，我们整个公司经历了中国工业革命，从原来基础比较薄弱到后来不断追赶，部分技术上的领先，这么一个过程，我最大的感悟，一个企业并不是孤立的，肯定是跟国家政策、当时时代同频共振的，我们经历的从原来小作坊到后来自动化、智能化、AI时代的到来，我们公司也是这么一个历程，最早七个人的小作坊，到后来引入国外的生产线，技术被制裁后，我们自主研发设计了自动化生产线。再到现在我们积极拥抱AI，这么多年以来，我们沉淀下来的数据和流程优化，本身就是现在拥抱AI、应用AI很好的土壤，顺势而为、水到渠成的事情。 何思翀： 当时的触发点是什么，是觉得是时候引进AI了？ 何一波： 大家讲到认知，很多企业的一把手，我相信他们现在都已经有认知了，我们可以感受到中国企业这么多年发展起来，是一些新的技术迭代更新应用，我们的生产力快速提升，我们肯定要去拥抱AI技术，最终企业要解决的问题，就是企业效率、质量、成本。 何思翀： 李博士，我们在一线服务了那么多工业客户，我们给到企业一个建议，会说您应该先做什么？ 李新春： 和利时在工业自动化领域耕耘了三十多年，服务了上万家工业客户，做了大量工业智能应用，从工业AI赋能的角度我们建议先从流程入手，通过流程撬动认知，工业有其特殊性，工业领域的行业非常多，场景千差万别，高度碎片化，对安全性、稳定性，模型可解释性要求很高。在这样的情况下，很多通用的AI技术在工业场景中很难直接落地应用，从技术路线到价值体现差异都比较大。目前无论是产业界还是学术界，在工业AI价值体现上、在工业AI功能边界上、在未来AI的发展路径上还缺乏一个统一的认知。我的观点是，既然统一认知这个事现在很难达成，能不能先从流程入手，通过实打实的AI落地的效果，从数据、实际价值体现角度来推动认知的升级，促进共识的达成。 何思翀： 从这个问题，三位嘉宾的立场也都立起来了，梅教授这边是从决策、认知层面出发，何总是从双鹿具体的经验，包括他们72年一路走来的企业实践出发，李博士是从服务客户一线经验来谈的，答案可能不同，是有一个共同的指向，还是看你和你的企业在哪样的阶段，面临怎样的问题，促使你来做出怎样的选择和处理方式，我们现在更加希望聊具体的场景，双鹿是72年的老牌制造品牌，在产线上全面拥抱AI、上AI，拥抱AI是顺势而为的，比如第一个AI场景怎么选的？ 何一波： 我们公司打造“黑灯工厂”，讲一个大家有画面感的东西，最早我们电池里面正极材料里有一个电解二氧化锰、石墨，去过工业企业的人会了解一点，原料车间出来的每一个人都是黑的，除了牙齿其他全是黑的，那会儿大家上公交车的时候，公交车司机要拒载，真的很脏。今天再看我们公司是黑灯工厂，一黑到底，全面实现自动化、智能化场景。 第一个AI落地是外观的质检，生产线、物流仓储全部实现智能化，有一个环节也是我们的痛点，我们还是从痛点出发，我们做出来的电池要在仓库里储存10-15天，出来的电池进行外观全检，外观很小，第一个确保没有漏液、没有撞伤、没有瑕疵、没有金属丝等。据我了解在我们这个行业里几十年以来都是靠人工肉眼去看的，但是电池非常小，0.001平方米去看，一板电池有600多节，5号电池有600多节，7号电池有1000多节，去看这个场景一天下来看得眼睛都看花了，又费眼又费腰，2021年要打造一个新的工厂，时机非常好，原来传统的外观视觉检测，还没办法做到很好地检测出不良点、瑕疵点，我们跟华为云技术人员一起碰撞，加上原来积累的数据，加上他们的AI算法再加上工业摄像机，就能很好的至少在设想里能够很好解决这个事情，把原来这么多重复的劳动力，人的肉眼是有漏检的可能性，通过AI解决这个事情，大家马上达成共识。 这个过程中并不容易，AI底层是数据，我们出来的电池不良率是比较低的，我们要求不可以放过一颗有瑕疵的电池流出去，AI学习是从零开始的，我们要积累大量的不良品，让他学习，积累数据，原来有很多，但更多是在人的大脑里，样品积累我们花了两三年的时间不断投喂他，到今天为止这个工作已经成功了，一个是国家工信部政策上的支持；还有一个华为云也是把它作为经典的案例做一些推广，几方形成合力把这个事情做成功了，在这个行业里树立一个标杆。 何思翀： 朱总有一句话核心问题还是在于人，我想了解一下，在我们这样一个应用AI过程中，您刚才讲的主要是在数据、技术能力上的改变，怎么让员工他也发生转变、充分拥抱AI？ 何一波： 说到人，几位老师也讲到焦虑，AI是不是要替代人，是不是要失业了，我们公司做AI项目，我们全部都是有听证会的，听证会的目的是把大家所有的想法、顾虑、建议全部摆在面上去讲，这个事情能给我们带来什么价值，要花多少钱，这个事情值不值得投入，统一思想以后，大家再去做。 第一个场景是AI外观质检，做成功以后不是把这些员工开除，而是让他们去更轻松的岗位工作，大家感觉到AI确实帮助到我很多东西，而且是最苦最累的活让AI解决，这时候所有人都会积极拥抱。 何思翀： 我们不是用AI替代人，而是让人找到更适合人来干的工作。 何一波： 我们还有其他的应用场景，现在在研发端的大模型，原来通过老的研究人员、工艺人员去做各种各样的实验，现在有了AI以后，会给我们提供想法和思路，再去做就是事半功倍了，更多要知道AI能给我们带来什么好处，有了这个好处，尝到红利以后，大家愿意主动推进这个事情。 何思翀： 谢谢何总。接下来有请李博士从赋能方的角度分享一下，先从流程上做改造，如果有一个新客户找上门来，他就说我想要上AI，你们的标准动作是什么样的？ 李新春： 我们跟行业中的客户有很多AI应用的交流，首先进行的是价值锚定，先分析业务场景，从业务场景中梳理那些对业务影响比较大的，数据基础比较好，能够量化分析对比的场景，把这些场景梳理出来，我们叫作价值锚点，首先要把目标确定起来。第二步也不会对既有业务场景进行大刀阔斧的改造，。先做最小MVP的闭环，在闭环试点运行场景下去验证技术的可行性，验证实际落地的价值有多大，再看看用户的反馈。在MVP闭环基础上，我们再讨论如何从10%的场景往20%、30%场景不断扩展。实打实地用数据、效果说话，如果开始就说流程有问题，要去改流程，最初阶段用户肯定是难以接受的，通过数据和价值支撑，再回过头来引导客户去做流程重构，例如操作手册、管理流程的修改，一线操作人员也好管理人员也好才会有意愿配合我们做这样的变革，进而推动企业人员对AI认知的提升。 何思翀： 我们在推动过程中速度的要求是什么样的，一个AI项目从启动到第一步看到可衡量的效果，很多企业非常着急，长时间没有看见水花，信心很快就没了，我们是怎样的速度？ 李新春： 和利时去年618发布了XMagital工业智能平台，主要目的是通过这个平台来支撑工业智能应用快速开发和部署，这个平台解决两个主要问题，一个是数据问题，打通工业生产控制和工业生产管理的数据原生融合问题，原来这两层是分开的，数据原生融合基础上我们又进行了语义底座的构建，通过通过本体模型进行数据的组织和管理。在数据层基础上是模型层，将和利时三十多年积累的模型、算法、工业知识打包成工业世界模型的概念，这也是我们今年616发布的主题。为此还配套了智能编排工具，快速通过自然语言，由业务人员提出业务诉求，编排工具可以调配工业世界模型来组态智能应用。例如基于xmagital平台，预测类应用的开发就由原来以月周为单位改到以天为单位，大大促进了工业智能应用的开发和部署。 何思翀： 还是回到人的问题，刚才说到先从流程入手，老板来找和利时做AI改造，管理会、战略会已经达成了共识，我们必须要做AI。企业真正落地的时候，还是会碰到中层的犹豫、观望包括一线他们也不会马上行动起来，我们怎么处理上热下冷的情况？ 李新春： 各个层级的利益诉求是不一样的，我们要分层赋能，让每个层级看到AI的价值。对老板来说给他看的不只是宏观的经济报表，还要让他看到生产中的一些主要问题，通过数字孪生技术、把现场生产的具体情况、损耗、能耗、质量波动等问题，通过可视化的形式让他看得到，让他推动管理层、解决这些问题。对管理层我们要提供适当的抓手，问题暴露出来了，上级给他安排任务，那么对应的AI工具是什么？我们通过锚点分析，对化工行业做了比较深入的研究，梳理出来了几大场景集群，例如工艺智能控制、优化、智能设备运维、设备质量管理、安全环保智能控制等等，我们梳理出锚点，提供相应的智能工具，帮助他们完成老板安排下来的任务。 对于一线人员，把智能优化投运以后产生的效益给他们按一定比例分配，让他们看到实在的收益，就从原来的抵触情绪变成更加积极使用这些工具。 何思翀： 梅教授，不同的企业，20人的小企业，500人的中型制造，超过五千人的大型集团，AI切入是不一样的，应该怎么切入？ 梅丹青： 对于小企业来说，内部摩擦比较小，在当下反而更容易从头打造一个AI原生的体系，即以AI为中心，重新架构整个工作流和业务逻辑。在AI能力的加持下，这件事相对容易实现。 中型制造业企业或大型企业就比较难了。就像李博士说的，制造业里有很多关键因素，比如材料、工厂流程等，这些很难一下子改造成功。需要一步步来，以流程为线索，从小的痛点为起点，逐步改造整个流程，这一点我非常赞同。 今天有一个重要的观念转变：我们不应该再谈AI赋能，而要谈“AI原生”，也就是从“+AI”变成“AI+”。我想引用长江商学院孙天澍教授的观点：所有大企业都需要意识到，传统的管理经验本质上是“管理人”，但今天，我们需要思考如何以AI为优先，让AI帮我们重构企业的底层逻辑。 具体怎么做呢？可以拿出一个小产线、一个小区域，甚至在那里面做一个“镜像业务”，这个业务完全以AI为中心，而不是以人为中心。在这个小产线或小区域里完全镜像化地运行，去观察效果、测算提效了多少，再逐步把其他业务迁移到这个新的镜像上。听起来可能有点大胆，但这恰恰是大企业做好AI转型的唯一路径。因为在企业内部直接改很难，中层会有阻力，企业过去的管理经验和AI时代的要求也完全不一样。不如先找一个小部门，做出一个AI镜像，再慢慢把业务迁移上去，反而是一条很好的路径。这是我个人的想法。 何思翀： 听起来非常有意思，不知道是否有企业在尝试？ 梅丹青： 我听说有药企在做这样的事，先挑一个小业务板块或一个小区域市场，试着跑起来。 何思翀： 在您之前的分享中看到，重要的投入往往是看不见的，不那么的投入往往是非常热闹的，在AI落地这个事情，看不见但重要的投入具体指什么？ 梅丹青： 我们前面谈到的大脑和流程，其实都很重要。最不重要的，反而是技术本身。那些看起来很热闹的投入，往往都是投在技术、模型上的，数据当然也重要。但最不热闹却至关重要的投入，是去改流程、改变人的认知、做架构上的调整。 我引用一下BCG之前的调研报告。BCG曾指出，企业做AI转型的过程中，10%是算法，20%是技术和数据，70%是流程和人。不是说技术不重要，而是更重要的是：如何让人和流程去适配技术。 我们今天的时代已经不是技术去适配人，而是人要去适配技术，因为AI太强了。不知道这是幸运还是不幸运。 何思翀： 我们应该把钱花在大脑和流程上，梅教授提到看不见的投入，问一下何总，双鹿在AI这个事情花得最值的一笔钱是什么？ 何一波： 我们现在在AI应用有几个场景，第一个是外观质检场景很好地解决了我们用到人工，这个工作非常辛苦，更多是体力活。还有一个应用场景是生成式AI，在研发端的应用，已经有一定的成效出来，今年刚刚上市了智能锁电池第四代产品，我们结合了AI，看着是一颗小小的电池，里面的科技含量还蛮高的，2005年就获得了国家科技进步奖二等奖，因为它是一个电化学体系，不像一件衣服，你穿在身上他是不会变的，电池通了以后，里面发生了急剧的化学反应，转化为电流的反应，还是很有科技含量的。 我们现在更多的是场景研究，不同应用电器应用场景不一样，放电模式、电池要求都是不一样的，最新研发的智能锁四代电池是刚刚推上市，从原来研发差不多要两到三年出一款新品，到这个产品我们用了半年的时间，非常高效就出来了，对我们是极大的鼓励，支撑我们在未来有更多领域的探寻，怎么拥抱AI。 何思翀： 用AI更好��创新。 何一波： 对。 何思翀： 李博士，你们见过的客户最典型的钱花错了地方，不值得投入是什么。 李新春： 这几年AI发展很快，尤其是大模型技术，我们跟客户交流的过程中，一个比较典型的问题，客户没有搞清楚场景和技术之间的驱动关系，很多客户在没搞清楚自身需求的情况下，首先花上百万、几百万买了昂贵的算力设备，但谈到具体应用场景是什么，拿这些设备来干什么的时候，反而说不清具体的诉求，而提出的一些诉求其实是传统小模型就能解决的问题，也无需昂贵的算力。我们从行业赋能的角度建议以场景驱动技术。首先你要搞清楚场景、流程上的问题出在哪儿，有哪几条技术路线，各条路线需要什么样的模型、算力，把这些分析清楚以后，选择最合适的去落地，后面再说要不要购置昂贵的算力。场景落地也不是技术越新越好、模型越复杂越好，不是这样的，肯定是合适才好，只有场景落地了，技术的价值才能体现，再好的技术不能落地，也是缺乏实用价值的，还是要需求引领，场景驱动。 何思翀： 刚才几位嘉宾站在自身视角进行分享，现在换一个角度，刚才主要聊的是怎么做成，我们是不是也走过一些坑，给大家一些避雷的指南。 梅教授，你观察从企业决策上，他们在AI落地上最容易犯的错误是什么，认知层面的错误是什么？ 梅丹青： 我先稍微纠正一下刚才关于投资的说法。技术是重要的，我很同意李博士说的，那些看起来很热闹的投资，比如买算力、投入最先进的技术，反而对你的业务可能没有帮助。这才是我刚才真正想表达的意思。 回到你的问题：企业在AI落地上最容易犯的认知错误是什么？我观察到当下比较容易犯的错误，是过度追求AI全智能，希望从头到尾全部由AI做判断，中间没有人去验证、没有人做把关。 今天反而需要强调：人在其中找到自己的价值。何总说得很有道理，工具是工具，人是人。人在AI时代最大的价值在于验证，在于有品位、有审美，在于在这个过程中如何与AI良性互动、帮助AI发挥最大效果，而不是盲目追求整个工作流从头到尾全是AI，没有人的参与。这是当下需要打破的迷思。 何思翀： 需要了解AI的边界在哪里以及人机配合的过程是怎样协作的。 梅丹青： 对，找到人机配合最有效率的方式。 何思翀： 双鹿在这个过程中有没有踩过什么坑，而且踩得很疼呢。 何一波： 坑算不上，我们不是专门做AI研究的，制造型企业，比较务实，从场景端、需求端出发去考虑，这个事情怎么做成，诉求还是比较简单的。梅教授讲的全流程一定要AI，同时还是要考虑成本，能不能解决效率、质量问题，这其实不算坑，最难的并不是技术，因为AI底层是数据，虽然我们沉淀或者我们有大量的经验、数据，但数据是很分散的。到今天上AI，把数据重新整理出来、清理，是很难的事情，需要花很长的时间，要看你有没有定力把这个事情做成，做不成，或者很多人觉得这个事情很难成，可能就放弃了，从实际需求对你来说这个事情是非常有必要的，把这个事情一点一点积累起来，做起来，最后这个事情成了以后还是非常有成就感的。 何思翀： 这个问题非常典型，AI时代突然意识到数据如此重要，过去积累过程中没有那么重要来收集或者整理，现在要回头做一些工作。 李博士，您刚刚也分享了有一些客户在技术、算力投入上脑子一热就上去了，有没有失败模式反复出现，比如想要一步到位、贪大求全？ 李新春： 这样的场景也是有的，用户过于相信AI，迷信技术，盲目跟风，大模型发展很快，用户觉得大模型来了能够解决所有问题，上来就是企业AI大脑，手和脚还没干好，就建大脑，受限于技术和资源条件，这种项目大多数都做成了为了智能而智能。 我们的理解工业智能前进路线还是场景驱动、螺旋式上升的，不可能是一步到位的、贪大求全是不行的，一定是小步快跑，对场景进行分级，根据技术水平、场景需求，分步骤、分期实施，这是一条可行的路径。还有就是建立完善的AI价值评估体系，而不是一锤子买卖，上线就完事了，需要长期在线运行，创造持续价值。这套价值评估体系一定不是从技术角度评估模型精度多少，分类准不准，不是这些指标，而是从业务角度看节能的百分比是多少，产品质量提升多少，持续用这套价值评估体系评估在线应用的效果，发现问题，后期肯定涉及到运行维护、模型迭代更新，构建AI应用在线长期、持续运行状态。只有让用户看到长期价值，后续场景化AI推动才有基础的条件。 何思翀： 谢谢三位的分享，三位的分享指向同一个事情，AI技术发展日新月异，热闹未必是在技术那一层，我们还是需要有一些预期的管理，对企业转型预期的管理以及优先级的判断，场景选择等等都是帮助我们把AI切实落实到企业当中。 最后请三位嘉宾用一句话总结你的观点以及给现场企业和所有观众一句AI落地最高优先级选择的建议。 梅丹青： 我的观点是：如果不改变认知，所谓的“AI赋能”就只是在旧世界、旧规则里提效；如果没有流程验证，那一切都只是空想。 展开来说，行业Know-how和流程都很重要，把两者结合也没问题。但关键是要搞清楚：什么是真正的行业Know-how？什么是AI时代下新的知识或业务流程？大家要看得更远一些。AI能力会不断进步、不断迭代，你今天所依赖的行业Know-how，会不会只是传统行业逻辑的惯性？在AI时代，它会不会被重构？ 我们一直在讲第一性原理，而AI时代恰恰是最需要第一性原理的时候。一定要想清楚：什么是真正本质的行业Know-how。理清这一点，再去修改流程，用流程来验证想法，这才是我们拥抱AI最好的态度。 何思翀： 不要在旧地图里找新世界。 何一波： 不要为AI而AI，大家还是要从客观、自身企业实际的阶段、情况出发，AI底层需要有大量的数据，公司是不是具备这方面的能力，只是一味跟风，会误入歧途，花了很多钱得不到效果。围绕质量、效率、成本这几个点出发，最终老板觉得这个事情值得投，让工人觉得AI帮到我，而不是让我失业。 何思翀： 各方ROI都要算清楚。 李新春： 找准场景先干起来，用1%的成功促进100%的变革。 何思翀： 感谢三位，本场圆桌看到了三位嘉宾不同的站位，学者看全局，制造业在做实干，赋能者是见到了行业百态。虽然企业或者组织AI转型没有一个标准的答案，我们越来越清晰地看到一条清晰的路径，别想说我们把公司脑袋全部换好再动手，也不要一步到位全面更换AI的流程，而是像李博士说的那样用小流程换结果，用结果赢得大家的共识，再从共识推动更大规模的AI转型，这是最稳最有效也最能帮助企业活下去的路径。 再次感谢三位嘉宾以及现场和线上嘉宾的收看，本场圆桌就到这里，谢谢大家。