收集社区关于品牌出海和 AI 工具探索的最新话题讨论，关注热点话题。
一个面向出海人的圈子，欢迎大家前来交流探索国际市场的经验。
AI探索站是一个专注于AI领域的圈子，涵盖机器学习、深度学习、自然语言处理、计算机视觉、人工智能伦理等多个方面。在这里，你可以了解到人工智能的最新技术和研究成果，分享自己的经验和见解，与AI领域的专业人士和爱好者进行交流和探讨。 我们欢迎广大AI爱好者和从业人士在AI探索站发布自己的文章和观点，包括但不限于以下内容： 机器学习算法的原理和应用 深度学习在图像识别和自然语言处理中的应用 计算机视觉和语音识别等领域的最新技术 人工智能伦理和社会影响等话题 我们希望在这个圈子中，大家能够共同学习、共同成长，为人工智能的发展和应用做出贡献。欢迎在此分享你感兴趣的AI作品或AI创作工具平台，聊聊AI领域内的大小事儿，一起探索未来创意内容生产的更多可能。
来自公开话题页面，每条均保留原文入口；收录不代表编辑推荐。
最近发现一个挺离谱的数据产品：MoltSets。 它把 B2B 联系人数据直接做成了 API 和 MCP，邮箱、电话、公司和人员查询都有，重点是！$27/月起不限量！！！直接干 Clay，Zoominfo，Apollo 不做复杂 SaaS，不卖一堆座席和销售功能，只专注给 Agent 提供数据。自有数据库命中就低成本返回，查不到再调用外部数据源收费。有兴趣的可以体验下👇 https://moltsets.com/?aff=ivan
之前网站用 PayPal 收款，完全不能接受中国用户支付。PayPal 被封后接入了三个新渠道，也支持了微信支付宝。 昨天居然出现了一个中国用户用微信支付了 9 刀的月费。 从我自己的角度，国内同类产品的月费如果超过 20 人民币我都不会付款。🥹居然有中国用户会为我的产品支付 60 块的月费。
小红书发布了他们的 Read Skills Top 100 排行榜。 藏师傅居然有两个 Skills 在前十的位置，其中一个居然排在第二！
新增了一个skill: /ljg-classic 用来辅助阅读古文。 https://github.com/lijigang/ljg-skills
我使用一台 5090 部署了 H3 视频生成模型，你可以在这个网站上使用它，免费，无需注册登录，上传图片变成视频！ https://memevideo.net/
出海增长果然很快，“出海人日常”圈子几个月又增加 5000 人了。 这两年一个挺明显的现象是：GDP 还在增长，但很多人的体感并不强，因为增长发生的地方变了。 2023 年，最终消费支出对 GDP 增长的贡献率是 82.5%，净出口是 -11.4%。 到了 2024、2025 年，净出口对 GDP 增长的贡献率变成了 30% 消费拉动增长的时候，增长本身就发生在国内消费里，离普通人的日常生活很近。 出口拉动增长的时候，增长会更集中地发生在外贸、制造业和出海相关的产业链里。 所以同样看这两年的中国经济，很多人可能觉得没什么增长的体感，但做出海的人，感受到的可能完全不一样。
这两天密集见了不少大厂朋友、猎头和投资人，收获特别大。以后准备每个季度专门抽两天时间，跟不同圈子的人聊聊。 平时埋头工作，还是很容易慢慢陷入到自己的信息茧房里。下面是这两天的一些笔记。 1、这源自一个猎头朋友的洞察。他说，整个行业现在真正缺的，是把 AI 变成实际生产力的人。 会用 WorkBuddy、ChatGPT、各种 Agent，很快就不算什么特别有价值的能力了，因为这些工具会越来越简单，人人都会用。 真正拉开差距的仍然是业务理解和判断能力。 比如面对一个业务问题，能不能搞清楚问题卡在哪里，哪些环节可以重新设计，然后把整个流程跑通，交付一个真正有用的结果。 所以未来很多岗位的分水岭，根本不在执行能力上。只会按部就班完成任务的人，价值感还是很容易被 AI 压缩。 2、无论大公司还是小公司，现在都越来越追求人才密度。 以前一个团队里，有几个特别厉害的人，再搭配一些普通执行者，也能运转。但 AI 出来以后，这种结构确实在快速变化。 一个能力 80 分甚至 90 分的人，配上好的 AI 工具，能覆盖的工作范围会迅速变大。 举个例子，以前需要产品、研发、运营几个人一起完成的事情，现在一个能力比较强的人，自己就能先跑出一个七八十分的版本。 这时候 60 分和 90 分的人之间，差距就不只是 30 分了。 高手借助 AI 放大自己的能力，能力一般的人，原来赖以存在的执行工作又恰恰最容易被 AI 接过去。 所以以后好公司可能会越来越倾向于少招人。一个岗位宁愿空半年，也不愿意为了把 HC 填满，随便找一个差不多的人。 3、一个做管理的朋友，之前每天差不多 80% 的时间都在开会、协调、沟通。最近因为一些变化，重新回到半一线状态，开始自己做产品、写东西、解决具体问题。他说最大的感受是整个人突然重新有了创造的快乐。 这让我越来越觉得，这个时代纯管理岗的风险很大。 一个管理者如果离开了组织和头衔以后，自己已经不会做任何具体事情，竞争力会越来越弱。 反过来，一个人如果还保持好奇心，愿意自己下场做东西，现在可能真的是一个特别好的时代。 4、跟几个朋友聊选人的逻辑，我越来越认同一句话：筛选远远大于培训。过去很容易有一种想法，觉得这个人能力差一点没关系，态度好就行，慢慢教。 后来会发现，一个人的思维方式、责任感、做事情的标准，改变起来非常困难。 尤其是成年人。一个人如果习惯了等靠要，很难靠几次培训让他变成一个主动发现问题的人。 所以无论是招普通员工，还是找合伙人，前面的判断特别重要。 发现不合适，尽快 say no，这样双方成本都更低。很多管理问题，表面上看是在讨论怎么带人，往前追一步，其实是当初选错了人。这话绝对是真理。 5、AI 越来越强以后，我反而越来越觉得审美和价值判断特别重要。 以前一个人做不出好东西，可能是能力不够。现在很多时候能力已经不是瓶颈了，真正的问题变成了，知不知道什么是好的东西。 AI 一次可以给十几个方案。如果自己没有判断标准，这十几个方案其实没有太大区别，最后只能挑一个看起来最顺眼的。 我想起呼兰之前的观点，他说接触一个新领域，最重要的是先去建立审美。 先大量看这个领域里真正好的东西，搞明白高手为什么这么做，什么算好，什么只是看起来热闹。 有了坐标之后再去模仿，慢慢形成自己的东西。 6、吴军在一个访谈里说，懂行的人驾驭 AI，不懂行的人依赖 AI。 很多人觉得 AI 越来越强以后，自己就不用懂那么多了。 领导给一个需求，交给 AI，AI 给答案，再交给领导，好像就能完成工作。 但仔细想想这个角色其实非常危险。因为这只是在领导和 AI 之间做了一层转发，既不清楚领导真正想解决什么，也判断不了 AI 给的答案对不对。 只要模型再往前走一步，这层人很容易就没有存在的必要了。所以 AI
前面播放的产自Seedance 2.5，后面是MiniMax H3，感觉H3这次倒是比较上道，竟然知道该撅屁股，老司机模型啊……
继续发一则和国内 model researcher 交流的 memo。今天和某模型厂的一位 post-train researcher 聊了聊。Ta 对「国内在 Pre-training 上更有优势、Post-training 相对落后」这件事，补充了一个视角： 国内基本已经「会做」Pre-training 了，但 Post-training 可能还处在一个比较混沌的阶段。 一个核心原因是，两者的 reward 清晰程度很不一样。 Pre-training 的反馈很明确，比如可能就是在单位时间内，把 Next Token Loss 降得越低越好，同时尽可能降低训练成本。 Post-training 要解决的，则是怎么让模型在下游应用中表现得更好。但怎么定义和评估这个「更好」，以及怎么确认模型是真的变强了、而不是在 hacking 某个指标，都非常 tricky。 此外，Pre-training 的创新也更容易被外界看到。 模型架构没有那么强的机密性，一开源大家就能看到，也可以写成 Paper、拿去做 PR。但一家模型公司的数据是怎么清洗的、具体用了什么训练 Recipe，通常不会拿出来讲。 再加上众所周知的缺卡问题，而模型的绝对能力又是模型厂的生死线，大家自然会把更多资源投入反馈更明确、也更容易获得声量的 Pre-training。 Post-training 因此陷入了一个有点尴尬的循环：因为混沌，所以拿不到足够多的资源；又因为资源不够，这种混沌迟迟无法被解决。 除了这个话题，我们还聊到了几个挺有意思的点： 1/ 「大厂最终一定会赢」是一种偷懒的推论。 模型竞争不是比身价。拥有更多钱、卡和人，不等于一定能训出最好的模型。 在这位 researcher 看来，真正起决定性作用的，可能是组织里到底有多少人发自内心想把模型训好，以及组织摩擦会不会消耗掉这些人的热情。（没有说加入创业公司的人会更有梦想的意思。） 2/ Agent 确实已经在替代 AI Lab 里的一部分工作。（所以我们最近和一些 researchers 交流，感觉有些人确实已经有失业焦虑了。） 拿 Infra 举例，现在可以直接告诉 Agent：「每秒只能输出 50 个 Token，请优化到 60 个」，然后让它自己检查 Kernel 和整条链路。 所以一些 Infra 工程师开始自己给自己找事干，比如跑去研究算法、理解训练需求。 （从这里再往外延伸一步：如果说 AI Coding 模糊了产品、研发和设计之间的边界，那么 AI for AI / RSI 似乎也在逐渐模糊数据、算法和 Infra 之间的边界。 3/ Model Research 本身，可能就是最 Science 的 AI for Science。 我们还探讨了两个没有答案的问题，也列在这里吧，欢迎有想法的朋友分享你的见解～ Q1/ 怎么让模型拥有时间概念？ 这个之所以会是个问题，是因为如果模型不交卷，它就可以一直保持「我没错」的状态。反正模型不老不死，所以从它自己的视角看，磨洋工可能并不是什么坏事。（GPT-5.6 一直写测试，是不是就是深刻践行了这一点啊 doge.jpg) 就像《葬送的芙莉莲》里，对于一个能活几千年的精灵来说，花十年寻找一枚戒指完全合理。 但我们这些凡胎肉体，根本等不起…（除非 AI 医疗让人类永生哈哈 Q2/ OpenAI 是怎么持续相信 RL 这个方向，并最终把 o1 做出来的？ 我们好奇的不是具体的 Recipe，而是背后的组织问题。 想起之前请清华大学叉院的助理教授吴翼录过一期播客，他在节目里提到，OpenAI 很早就在做 RL，但之前做了很久都没有得到结果。 那么，在一个方向连续失败很多年以后，他们的团队为什么还能继续相信它，招到人、说
对我来说，AI 最有意思的地方，不是用来更快做一个线上产品，而是接入一个本来就很复杂的生意。 很多线上产品现在越来越像矩阵生意：工具变便宜，搭建变快，很多东西不需要特别复杂的工程和组织，也能先跑起来。 最后拼的往往是速度、分发、迭代密度和战术执行。 但这不是我的优势。我反而更想把 AI 放进亚马逊这种重一点的生意里。牵扯商业战略、现金流、库存、周转、选品、供应链、广告、评价和平台规则。 光是现金流和周转率，就足够筛掉很多只会做增长动作的人。 所以复杂在这里反而不是坏事。 越复杂，越不适合只拼效率；越需要对商业、生意结构和风险有足够的认知 到我这个阶段，不太想和所有人一起卷“谁更快做出一个东西”。我更感兴趣的是：在一个变量很多、约束很多、反馈没那么简单的生意里。 反效率，把复杂当成优势。
✨ Zuck ：未来属于每一个人 这篇充满代表去中心化哲学的重磅好文，不仅有着代表着 Meta 理性乐观的开源精神，还提出大量真知灼见；对于安全和智能边界，甚至超越不少自诩以 AGI 为使命的团队。因为没有什么技术，比赋权个体的力量更有意义。 🔢 部分要点： ·超级智能最大的贡献，不是自动化，而是发明。 ·每个人都会有一个真正懂你的个人 Agent，24/7 代表你工作。 ·这个时代的决定性问题是：谁能获得超级智能，我们又把它用向哪里？ ·没有任何定律规定，AI 的自动化速度一定会超过人的能力增长。 ·安全的基础，是权力平衡。不存在一个唯一而仁慈的超级智能。 🔗 原文链接： https://www.meta.com/thefutureisforeveryone/
假如你的产品做得不好，一次性付费用户会申请退款，订阅用户一般只会取消订阅，不退款
经营和业务模式层面的问题，从发现问题、到问题得到解决，在一个我们这样体量的跨境消费品团队，摸下来基本需要6-8个月。未来我估计随着自己的管理经验上升，决策能力提高，那也得需要4-6个月。 我记得以前在贝壳的时候，业务口每次要做一个大的变革或者推动一个新的项目，总会发起一个100天计划，整个组织坚持100天。就像当年老左（左晖）在北京第一次推动链家不吃差价政策落地的时候，所有人，不管发生什么，坚持100天。 决策从来不只是决策我们要做什么，也要决策我们要坚持多久。做事，本来要面对漫长的等待，面对悬而不决的状态，面对周期，面对规律。 尊重时间便是求真。
昨晚和几个95后出海圈创业者聊天，顺便和etsy年收入上百万的中卖，了解下etsy生态，做一下用户调研： 原来etsy这几年卖家数量都控制在600万左右，平台一直有新开店但是一直也在封店。看起来是外国人的ip店，其实背后都是中国老板在控店。 而当前毛利越来越低，利润率已经卷到之前的1/3，部分商品售价海外价格可能比国内还低。核心做的是人效型生意。 对于中卖来说，核心在： 1.不选大卖在卖的热品，选部分niche有利润，但小卖又做不过自己的品。 2.极度控制每一分供应链和手工艺工人成本。手工艺生意回本快，但天花板很低。新店起量周期一般在三个月，平台算法和模式决定根本快不了；单店月 gmv 中位数是 6000 刀，平均数是 2000 刀，上限 1-2 万刀，大部分店铺是赚不回店租的；做到特别好的可以更高，概率很低，取决于选品、竞争和赛道。 3.不需要平台设计模板，需要自己建模板快速满足效率。面对设计模板能力，没那么感兴趣，需要自己的模板。同时卖家选择核心在算账，生一张nano图和文件，需要用多少钱？ 4.对于atomm生成器模板觉得有用，但是没那么大用，因为自己的选品是商业机密，需要自己找到做啥选品并且生成符合自己的模板，最好还是自己上架做生成器模板。 对于customthings来说，如果能解决自动上店上货上多平台，最主要上ip稳定不会被封店问题，那很有用，能减少很多静态ip和封店成本等。 5.etsy也只占据1%的手工艺gmv，真正的售卖在线下。卖家觉得etsy现在新人根本很难进来了。她自己也在考虑补充线下faire等线下市集渠道，可能在etsy平台当前是存量竞争的生态下，有更大机会。 6.选品灵感主要通过pinterest/ebank／etsyhunt等工具，设计不是卡点，只需要一个模型师1小时搞定，nano调好，成文件或者pdf格式，后续就更多是接入到供应链去对接。 7.本质上，etsy平台长周期和低店铺天花板的特性，要入局Etsy，做的就是人效型生意。看似单品毛利率很高，但综合毛利空间很有限，其中店铺封禁和起店空置，包括一系列平台政策和市场竞价问题，都会消耗掉毛利空间。 8.跨境无圈子，绝对不说自己的店和自己的品是啥。只有新手会扎堆加群，做软件的就不要想在etsy卖家的社群里去推广了。
今天看到去年11月底认识好友发的小红书帖，内心涌流着一些东西。 不知不觉距离SheNicest第一次上海黑客松过去已经8个月了，那是第一次向大家宣告SheNicest的全球最大的野心，这过程中有人离开，有人继续留下也，有新的人加入，好恍惚一幕幕都像过往电影，现在回过头原来已经走这么远了，看着我们的江山一点点打下，某种程度我们真的是这个行业的开拓者，从女性黑客松刚开始被质疑充满不确定到走到如今更多女性走入科技领域，我想说SheNicest早已经不是一家做女性黑客松的品牌了，我们想要定义下一代女性科技产品。这次SheNicest全球最大黑客松我们一定会证明另一件事情打破了消费品牌和科技品牌的隐形壁垒。这次野人先生，山下有松，珀莱雅等知名消费品牌也愿意相信我们，核心参与参与进来，所以请大家报名我们这次黑客松活动！我不想说这次多么牛现场体验多么好，但是请相信一个年轻的团队对做成这件事的坚定和夜以继日勤奋的7个月努力，以及锋芒与自我的来回拉扯都是为了最后这事儿能成。 请相信我们，也相信自己，相信这个世界会因为我们变得好一点再好一点。
今天听了 Jeff Dean 和 Dawn Song 的炉边谈话。Jeff 刚结束在 Google 27 年的职业生涯，创办了 Discovery Loop；Dawn 则刚从 Berkeley 和创业，进入 Meta Superintelligence Labs。一个正在离开超级大 AI 平台，一个正在加入超级大 AI 平台，构成了整场最有意思的对照。 几个印象很深的点： 【怎么判断一个技术是不是"真正重要的"？】 Jeff 的很多工作有一个共同特点：真正大规模流行的时候，往往距离他最初开始做已经过去了很多年。分布式系统、MoE、TensorFlow、Gemini 背后的 idea，全都如此。 他的做法是在脑子里持续维护一张非常宽的"技术地图"。与其只深入看极少量论文，不如尽量扩大对整个 research community 的覆盖——哪怕只是快速扫过 100 篇 abstract。目的不是记住每一篇，而是在脑子里形成足够多的"点"：A 方向似乎开始可行，B 技术出现了早期结果，C 问题有人在尝试，D 硬件能力正在出现，E 算法效率开始跨过临界点。当这些点足够密，你才能看见：哪些原本分散的 idea，其实已经可以被连接起来。 【5+2 问题选择框架】 他最喜欢的问题形态：一个长期问题需要解决 7 个核心子问题，其中大约 5 个隐约看到路径但尚不成熟，另外 2 个真正不知道怎么办。7 个全不会做，可能要等 20 年；7 个全会做，只是一个两年的工程项目。5+2 的状态最值得投入大约五年，不是显然不可能，也不是显然会发生，真正需要创造新技术，一旦成功又能彻底改变做事方式。 这大概是我听过的对 research risk 最清晰的一个量化直觉。 【Cloud Computing 改变了创业的边界条件】 有人问：AI 看起来天然属于大公司的游戏，巨量数据、大规模算力、极高资本开支。为什么现实中这么多 frontier innovation 反而从 startup 出现？ Jeff 认为是云计算的成熟。过去 startup 想要超大规模 compute，得自建数据中心、自建分布式基础设施、自己拥有大量硬件，只有大公司有条件。今天云平台替你完成了这些 heavy lifting，小团队只要有好 idea 和一笔资本，就可以直接获取 massive compute。"小团队做大事"的边界被大幅推开了。 【相比大厂，AI创业公司的优势是什么？/为什么离开Google？】 Jeff 说，离开不是因为觉得 Google 做不好 AI。吸引他的是另一种工作方式：一个非常小、非常 focused 的 team，所有人每天只围绕同一个 mission 工作。Discovery Loop 可能只有 10 个人，在 Palo Alto 找一间办公室，然后每个人的全部精力都投入同一件事。大公司不可避免有更多 coordination、更多 parallel priority、更多 slight distraction；而 startup 可以让公司使命等于每一个人的唯一工作。 到谈话结束时，Jeff 说自己在这家新公司已经"工作了大约十二个半小时"。因为午夜刚从 Google 正式离职，中间大概有一秒钟处于"失业状态"，然后就正式成了创业者。