I tillegg til praktisk praksis er prosjektets offisielle nettside et godt AI-læringsmateriale, spesielt for venner med ikke-teknisk bakgrunn som ønsker å integrere seg i AI-bransjens kontekst. Fordi prosjektets offisielle nettside er oppsummert og kondensert: den kan ikke bare oppsummere det de gjør kortfattet, slik at vanlige brukere kan forstå det; Samtidig finnes det noen profesjonelle konsepter som lar innsidere forstå hva som foregår. Så når du møter et nytt prosjekt du er interessert i, trenger du ikke bruke AI så mye for å søke i prosjektsammendraget, men gå til deres offisielle nettside og registrer prosjektinformasjonen (som virksomhet, teambakgrunn, finansiering osv.) i din egen form. Samtidig, mens du ser på, spør AI om noen konsepter du ikke forstår. Jo mer du samler, desto mer fragmenterte konsepter vil bli satt sammen til en mer komplett ramme.

I dag snakker jeg med en medstudent som jobber som ingeniør i Bay Area og jobber for en AI-infrastruktur-startup med 100+ ansatte. Han fortalte meg at de junioringeniørene som nylig kom for å intervjue selskapet deres, i praksis er bachelorstudenter fra Stanford, Ivy League og andre universiteter, og de trenger 2~3 praksiserfaringer slik at de kan gjøre det opprinnelige seniorarbeidet direkte. Å jobbe i en stor fabrikk i Bay Area er relativt komfortabelt, men i en oppstartsbedrift er arbeidsmengden nå veldig høy. Hvis du ikke lærer jobben raskt, er det lett å bli optimalisert 🥲 I tillegg, fordi alle skriver kode i Claude Code, og de allerede er ganske trygge på AI, er det ikke lett å forklare hverandre hvordan de skal skrive hverandres kode, så modulen som hver ingeniør har ansvar for har blitt mer selvstendig 😂

Nylig kommuniserte jeg med noen til C AI-selskaper, og for å være ærlig, med dagens markedsmodenhet er det faktisk ikke lett å vokse: 1/ C-end-applikasjoner er eksplosive, noe som tester teamets estetikk og brukerinnsikt, og det finnes betydelige sannsynligheter og muligheter som er vanskelige å forutsi eller replikere nøyaktig 2/ For øyeblikket er markedet relativt fragmentert, slik som vanskeligheten for amerikanske applikasjoner å komme inn i Kina, og barrierene for kinesiske applikasjoner i utenlandske markeder. For prosjekter som ønsker å nå det engelske markedet først, er trafikken i det engelske markedet mye mer spredt enn i det regionale markedet, og den kan ikke nås effektivt gjennom én enkelt kanal eller strategi, noe som betyr at prosjektet har store investeringskostnader 3/ Den nåværende markedslanseringskostnaden er ikke billig, og prisen på KOL-er med pan-trafikk er vanligvis 10 % (RMB) av det totale antallet fans, mens KOL-er i AI-vertikalsporet har en premie på 2~4 ganger. Etter å ha sjekket at Kimis investeringskostnad i 2025 er hundrevis av millioner RMB, som er for et oppstartsselskap som har investert 10 millioner eller 20 millioner, er blodtrauet ikke tykt nok, og det vil uunngåelig ikke brenne opp 4/ Produkter som krever høyt AI-kognisjonsnivå hos brukerne tilsvarer «segmentering» i tjenester. Jeg pleide å tro at det var et problem med evnen til disse produktene til å bryte sirkelen, men nå tror jeg det handler om størrelsen på målgruppen og evnen til å bruke penger Basert på dette, hvis to-C-muligheten, budsjettet og den totale brukerbasen er begrenset, er kanskje den beste måten for AI-prosjekter å lage ARR på fortsatt logikken om å «finne store aktører» – finne gruppen med de tydeligste behovene og den sterkeste betalingsmuligheten, og så gradvis utvide, det vil si til B, til utviklere, til profesjonelle grupper og deretter til trafikk. Når det gjelder hvorfor ARR lages, er det fordi det ikke finnes noen ARR nå, og det er vanskelig for prosjektet å integrere andre runde.