Käytännön harjoittelun lisäksi projektin virallinen verkkosivusto on hyvä tekoälyoppimismateriaali, erityisesti ystäville, joilla on ei-tekninen tausta ja jotka haluavat integroitua tekoälyalan kontekstiin. Koska projektin virallinen verkkosivusto on tiivistetty ja tiivistetty: se ei ainoastaan tiivistää heidän toimintansa tiiviisti, jotta tavalliset käyttäjät ymmärtävät sen; Samaan aikaan on olemassa joitakin ammatillisia käsitteitä, jotka auttavat sisäpiiriläisiä ymmärtämään, mitä tapahtuu. Joten kun kohtaat uuden projektin, josta olet kiinnostunut, sinun ei tarvitse käyttää tekoälyä projektin tiivistelmän kyselyyn niin paljon, vaan mene heidän virallisille verkkosivuilleen ja kirjaa projektitiedot (kuten liiketoiminta, tiimin tausta, rahoitus jne.) omaan lomakkeeseesi. Samaan aikaan, kun katsot, kysy tekoälyltä käsitteitä, joita et ymmärrä. Mitä enemmän keräät, sitä pirstaleisempia käsitteitä kootaan kokonaisemmaksi kehykseksi.

Tänään juttelen opiskelukaverini kanssa, joka työskentelee insinöörinä Bay Arealla ja AI-infrastruktuuristartupissa, jossa on 100+ työntekijää. Hän kertoi, että nuoremmat insinöörit, jotka tulivat äskettäin haastattelemaan heidän yritystään, ovat käytännössä Stanfordin, Ivy Leaguen ja muiden yliopistojen kandidaatteja, ja he tarvitsevat 2~3 harjoittelukokemusta, jotta voivat tehdä alkuperäistä senioritöitä suoraan. Työskentely suuressa tehtaassa Bay Arealla on suhteellisen mukavaa, mutta startup-yrityksessä työmäärä on nyt hyvin suuri. Jos et opi työtä nopeasti, on helppo optimoida 🥲 Lisäksi, koska kaikki kirjoittavat koodia Claude-koodilla ja ovat jo varsin varmoja tekoälystä, ei ole helppoa selittää toisilleen, miten toistensa koodia kirjoitetaan, joten moduuli, josta kukin insinööri vastaa, on tullut itsenäisemmäksi 😂

Äskettäin otin yhteyttä joidenkin C AI -yritysten kanssa, ja rehellisesti sanottuna nykyisellä markkinakypsyydellä kasvu ei ole helppoa: 1/ C-end-sovellukset ovat räjähdysherkkiä, mikä testaa tiimin estetiikkaa ja käyttäjäymmärrystä, ja niissä on merkittäviä todennäköisyyksiä ja mahdollisuuksia, joita on vaikea ennustaa tai jäljitellä tarkasti 2/ Tällä hetkellä markkinat ovat suhteellisen pirstaloituneet, kuten amerikkalaisten sovellusten vaikeus päästä Kiinaan ja esteet kiinalaisten sovellusten pääsylle ulkomaisille markkinoille. Projekteissa, jotka haluavat päästä ensin englanninkieliselle markkinalle, liikenne on paljon hajanaisempaa kuin alueellisella markkinalla, eikä sitä voi tehokkaasti saavuttaa yhden kanavan tai strategian kautta, mikä tarkoittaa, että hankkeella on suuri investointikustannus 3/ Nykyinen markkinan julkaisuhinta ei ole halpa, ja pan-liikenteellä varustettujen KOL:ien hinta on yleensä 10 % (RMB) kaikista fanien määrästä, kun taas AI:n pystysuoralla radalla KOL:illa on 2~4-kertainen premium. Kun tarkistettiin, että Kimin investointikustannukset vuonna 2025 ovat satoja miljoonia RMB, mikä on startup-yritykselle, joka on investoinut 10 miljoonaa tai 20 miljoonaa, verikumo ei ole tarpeeksi paksu, eikä sitä väistämättä polteta 4/ Tuotteet, jotka vaativat korkeaa tekoälytason käyttäjiä, vastaavat palveluiden "segmentointia". Aiemmin ajattelin, että ongelma on näiden tuotteiden kyvyssä rikkoa ympyrää, mutta nyt kyse on kohdeasiakaskunnan koosta ja kyvystä käyttää rahaa Tämän perusteella, jos to-C-kyky, budjetti ja kokonaiskäyttäjäkunta ovat rajalliset, ehkä paras tapa tekoälyprojekteille tehdä ARR:ää on silti "löytää suuria toimijoita" – löytää ryhmä, jolla on selkeimmät tarpeet ja vahvin maksukyky, ja sitten hitaasti laajentua, eli B:hen, kehittäjiin, ammatillisiin ryhmiin ja lopulta liikenteeseen. ARR:n syy on se, ettei ARR:ää nyt ole, ja projektin on vaikea integroida toista kierrosta.