Akiiiweb3

引 |
Today we launched ChatGPT.try talking with it here：https://chatgpt.com/
ChatGPT 在 2022年11月30日正式推出刚诞生时，注定是有历史意义的，上面是创始人/CEO Sam Altman @sama 发布的第一条推文，标志着人类正式进入 ai 。
时至今日，无数大模型已经更新迭代，高盛现任首席信息官（CIO）Goldman Sachs @marcoargenti 在 2026 AI Outlook 中说「今年是 ai 元年」。
壹 | 又被一个新模型，搞了一通宵
本着打不过就加入的原则，很多人开始体验 ai ，即梦 30 天 500w 短剧营收的神话在被无数人争先恐后的模仿。
我也加了很多群，比如短剧、aigc、civital（ c站，用过sd的人都知道 ），之前我炼的丹还冲过榜 5 。
故事是这样的。
前几天，又一个新模型 Claude Opus 4.7 发布。
我条件反射地，打开 Youmind，雪糕几个月以前推荐我用的，我也一直在用这个产品，因为它集成了市面上基本所有的主流模型，我把我之前一套用得最顺的工作流，从头到尾，又跑了一遍。不是为了别的，就是想看看，新模型到底比旧的强多少，原来调好的 prompt 还顺不顺，那一套自定义工具链，还能不能继续用。
你猜结果怎么样。有一半的 Skill，输出风格变了。不是说不能用，就是，原来调得很顺手的那套，得重新调。
有些参数，得重新试。有些 prompt，得重新写。有些 Skill 之间的协作逻辑，得重新摆一遍。
一晚上的时间，就这么没了。我把椅子往后一靠，挠了挠头，突然有点恍惚。
我寻思了一下我没寻思明白。我每次都跟自己说，这次调完就稳定了，可以专心干活了。结果呢，过两个月又得来一次。
并且我还算这个圈子里折腾比较多的那一类。我身边那些做小生意的朋友、做内容的朋友、做设计的朋友，他们对 AI 是有兴趣的，但你让他们打开一个 Codex，让他们自己写一个 Skill，他们的脸，会瞬间垮下来。
不是不想用。
是真的，门口的那道槛，越来越高了。
贰 | 新模型每发一次，门槛就多一道
我有时候在想一件事。
AI 模型的能力，这两三年，几乎是按月在突破。从 GPT-3.5 到现在，每隔一段时间就有一个让人「卧槽」的新东西冒出来。理论上讲，AI 离我们越来越近，能力越来越强，每个人都应该能享受到这个红利。
但实际情况是，会用 AI 的人和不会用 AI 的人，差距反而越来越大。
为啥呢？
因为新模型每发布一次，会用的人就解锁一个新能力，不会用的人就多一道新门槛。
会写 prompt 的，和不会写 prompt 的。会用 Codex、Claude Code 的，和不会用的。会自己开发 Skill 的，和连 Skill 是什么都不太搞得清楚的。
每一道门槛，单独看都不算特别高。但门槛和门槛叠在一起，就形成了一道墙。
而那堵墙，一直在往上长。
叁 | 你以为你在用 AI，其实你在伺候 AI
我后来想，问题到底出在哪。
AI 厉害不厉害？厉害。
AI 能不能干活？能。
那为啥很多人就是用不起来？
我自己有一个不太成熟的判断。这两年我们一直在解决一个问题，叫「AI 强不强」。我们让模型越来越聪明，越来越能干。但我们一直没怎么解决另一个问题，叫「AI 好不好用」。
具象一点说，每一个用 AI 的用户，背后都得自己承担一堆隐性的工作量。
他得研究，不同任务下，哪个模型表现更好。他得研究，哪些工具和 Skill 组合在一起，能让他的工作流跑通。他得反复调试，才能让输出趋于稳定。他得给自己整理一份「内部操作手册」，记录什么 prompt 用在啥任务上、哪个工具适合啥场景。
然后，每次新模型上线，这份手册就得重新写一次。这些活，都是花在「让 AI 跑起来」上的时间。
不是花在「真正做事」上的时间。
我自己有时候算账，每天花在「让 AI 正确运行」上的精力，可能比花在「真正干活」上的还多。
而我已经算是这一行折腾得比较多的了。
那对一个普通用户来说，他要面对的是什么？？？
他要面对的是，他想要一个能直接发出去的视频，但拿到的是一段需要他自己再加工的素材。他要面对的是，他想要一份能直接交给客户的 PPT，但拿到的是一段他得自己复制粘贴去整理的文字。他要面对的是，他写了三遍 prompt，每一次结果都不一样，他不知道自己哪里写错了。
他想要的，是结果。
他得到的，是过程。
肆 | 然后，我看到了一个叫 xBubble 的东西
直到前段时间，我看到了一个东西，叫 xBubble @xBubble_ai ，是 DAPPOS @dappOS_com 团队刚发的一个产品。
它的产品定位，特别有意思，叫「低提示词 AI Agent」。
低提示词，意思就是，你不用学怎么跟 AI 说话，你不用研究 prompt 工程，你也不用配什么工具链。你只要说一句你想要啥，剩下的所有事，它来。
我第一眼看到这个定位，说真的，半信半疑。
因为「让 AI 变简单」这件事，听起来好像不难，但真做起来，要解决的事情很多。
但我研究了一下它背后的架构之后，我觉得，它跟过去那些喊「简单」的产品，思路真的不一样。
它的核心逻辑，可以用两句话概括。
AI 替用户使用 AI。 AI 替用户学习 AI。 听起来有点绕，下面我用大白话讲一下。
听起来有点绕，下面我用大白话讲一下。
伍 | 拆开看，里面有两个家伙在干活
xBubble 内部，是两个系统在配合。
一个叫 Bubble Pilot，你可以理解成一个派单大脑。
你发一句话过去，它先看你想干啥，然后从一个仓库里挑出一个最合适的「方案」，把活派下去。这个方案，xBubble 沿用了一个传统行业里的概念来命名，叫 SOP。
SOP 这个词，做过运营或者管理的朋友肯定不陌生。标准作业流程嘛。在传统行业里，一个成熟的公司，每件事都有 SOP。让员工自由发挥，平均结果大概率比不过一个验证过的标准流程。xBubble 干的事，就是把这个逻辑搬到了 AI 这边。
它不是给你一个空白的对话框，让你自己想怎么提问。它是把「针对某一类任务，用什么模型、配什么工具、走什么流程、什么样的结果算合格」这一整套东西，提前打包好。你的需求一进来，系统识别出这是哪一类任务，就从仓库里把对应的那个包，拉出来用。
那这些 SOP 是哪儿来的呢？
这就是另一个系统的活了，叫 Bubble Engine。
你可以把 Bubble Engine 理解成一个 24 小时不睡觉的 AI 工程师。
它在干啥呢。它在持续地，针对各种不同的任务，用 AI 编程 Agent 写解决方案的变体，搭测试框架，把不同的模型、不同的工具组合在一起，跑测试用例，对比输出质量，然后把跑出来效果最稳的那一条路，固化下来，变成一个可以复用的 SOP。
你可以把它想象成一个学徒，专门学怎么把 AI 用好。它学完之后，把方法记下来，下次有人来问类似的问题，直接拿这个方法去解决。
这就是「AI 学习 AI」这句话的真正意思。
而这个事最有意思的地方在于，原本这些活，是我们这种 AI 重度用户在自己干的。
我每出一个新模型就重新跑一次 Skill、记一次哪个组合好用，说到底就是在给我自己手写 SOP。
只不过我手写的，只对我自己有效。我整理的经验，下次新模型来，可能就要重写。
而 Bubble Engine 干的，是把这件事本身，自动化、规模化、标准化了。
陆 | 对用户来说，到底什么被拿走了，是好事还是坏事？
那从用户的角度，到底什么变了。
用最直白的话说就是这样：
→模型选择，移走了。
→Prompt 怎么写，移走了。
→Skill 怎么编，移走了。
→工具怎么搭配，移走了。
→结果怎么测试，移走了。
所有这些原本你需要自己承担的隐性工作量，全部交给 xBubble 后台。你只需要做一件事，告诉它你想要什么。
你想要一个介绍蒸汽眼罩的 1 分钟短视频，要有特写、有旁白、有使用前后对比。你就这么直接说一句。剩下的，分镜怎么排、运镜怎么走、配乐怎么选、字幕怎么打，它会按照已经验证过的 SOP 给你跑出来。
你想要一份对比五家科技巨头三年财务数据的可交互看板网页，你就这么说一句。剩下的，数据怎么抓、图表怎么画、交互怎么做、配色怎么调，它也按照已经验证过的 SOP 给你出来。
而这背后，发生的事大概是这三种之一。
第一种，最理想的状态。你的请求过来，Pilot 一看，仓库里正好有一个针对这类任务专门优化过的 SOP。直接派单，你拿到一个比通用 AI 输出更稳定、更专业的结果。第二种，你的需求比较新，仓库里暂时还没有现成的专用 SOP。这时候 Pilot 不会卡住，它会回退到一个通用 Agent，先把你的活给干了。你还是能拿到结果，只是这个结果可能没有专用 SOP 那么有针对性。第三种，最有意思。你提了一个需求，仓库里没有，回退到了通用 Agent。然后第二个用户也提了类似的需求，第三个、第四个用户也提了。这时候系统会注意到，这是一个高频的、还没有被专用 SOP 覆盖的需求。
Bubble Engine 后台就会启动，针对这类任务，去生成一个专用的 SOP。等你下次再问类似问题的时候，就走专用通道了。
所以这套系统，是会随着用户用得越多，自己越长越「懂」的。
柒 | 重活在云上干，干净的结果送你本地
xBubble 还有另一个让我觉得挺好玩的设计，叫两种运行环境。
一种叫 Bubble Computer.
这是一个云端的端到端工作空间。当 Pilot 识别出你的需求是一个多步骤的、项目级的复杂任务，比如「帮我写一份某行业的研究报告，要包含市场规模、玩家分析、增长趋势，并且生成对应的 PPT」，它就会路由到 Bubble Computer 里。
这里面会自动启动一个沙箱环境，按需加载相关的 Skill，整个项目从研究、写作、设计、核查到交付，一条龙在云端跑完。你不需要管中间任何一步。结果出来之后，就是一份成品。
另一种叫 Bubble Personal.
这是一个本地环境模式。它能操作你本机的文件、浏览器、应用和日程。比如你说「帮我把昨天那个文件夹里的 200 张照片，按拍摄时间整理一下，再生成一个简单的相册网页」。或者「明天早上八点，把我邮箱里的重要邮件、日历安排、行业新闻，整理成一份晨报发我」。
这里面有个细节我觉得特别贴心。安装、下载、系统级变更这种比较「重」的操作，都是在云端容器里完成的，任务一结束就销毁。你的本机上，只执行经过你明确授权的操作，不需要装额外的软件，也不需要给本机做任何环境配置。
简单说就是，重活和有风险的事，在云上干。结果干净地送到你本地。
你享受云端的算力，不承担本地的麻烦。
捌 | 聊到这儿，我突然想起 1880 年代
我在琢磨这件事的时候，鬼使神差地，想起来一个跟 AI 完全没关系的历史。
电的故事。
1880 年代，电刚刚开始进入家庭和工厂。那个年头，你想用电，是一件需要你懂很多东西的事。
你得理解发电机的原理。
你得会自己接线。
你得搞清楚电压、电流、负载、保险丝。
你得知道哪种灯泡配哪种线路。
出了问题，你得自己排查，自己修。
所以那个年代，会用电的，都是工程师，或者跟着工程师学过的人。普通家庭主妇？普通商铺老板？普通工人？他们看着电这个新东西，是有兴趣的，但他们不太敢上手。
那时候有没有一种「电力鸿沟」？我觉得肯定是有的。会用电的工厂，生产效率几倍几十倍地提升。还在用蒸汽机的工厂，慢慢被甩开。
但这个鸿沟，是怎么被合上的？
不是因为电变弱了。
不是因为大家都报了电力培训班。
是因为有一个东西出现了。
插座。
插座是一个标准化的接口。它把所有复杂的东西都封装在了墙的另一边。你这一边，只需要把插头插上去。
你不用懂原理，不用会接线，不用知道电压电流。
插上去，灯就亮了。
电力的鸿沟，是被一个「插座」抹平的。
AI，也需要一个插座
我看 xBubble 的时候，脑子里浮现的就是这个画面。它在做的，就是 AI 时代的那个「插座」。
在它之前，使用 AI 是一件需要你懂模型、懂 prompt、懂 Skill、懂工具链的事。在它之后，使用 AI 这件事的复杂度，可以全部封装在墙的另一边。你这一边，只需要说一句「我想要什么」。
这是一个交互范式的迁移。
从「会用 AI 的人 vs 不会用 AI 的人」，迁移到「会陈述需求的人，就能用好 AI」。
而陈述需求这件事，是每个人天生就会的。
结 | 一句话，把这事儿讲完
xBubble 团队有一句话，他们叫「核心产品哲学」。
AI 应该学习 AI。
AI 应该使用 AI。
用户只需要陈述目标。
我看到这句话的时候，停顿了一下。
因为我知道，这不是一句营销口号。
这是一种产品姿态。
它在替用户做一个非常重要的判断。它在说，作为一个普通人，你不需要成为 AI 专家，才能享受 AI 带来的生产力提升。学 AI 这件事本身，不应该是你的负担。
如果你也是那种，对 AI 充满兴趣，但每次想真正用起来都被各种门槛挡在外面的人。如果你也是那种，业务量不算特别大，没法专门为了 AI 招一个人，但又想让 AI 真正帮你干活的小公司主理人。如果你也是那种，已经是 AI 重度用户，但也想偶尔从「调 prompt」「写 Skill」「测工具链」这些幕后工作里抽离出来的人。
→我建议你，去自己上去试一下
很多东西，你看 100 次别人的演示，不如自己上去丢一句需求。
那一刻你会突然明白，所谓低提示词，不是 prompt 写得更短。
是 AI 终于走到了那个位置，能开始替你想这件事了。
作者：Akiii｜一个重度 Aigc 患者
< 赚了别骂我，亏了也别感谢我，一定要 DYOR！>

هل واجهت مثل هذه الحالة: تجديد المنزل، والسباك، والنجار، والرسام يعملون كل منهم بمفرده، دون أي تنسيق، مما أدى إلى تأخير المشروع لمدة ثلاثة أشهر.
لكن إذا كان هناك مدير مشروع موثوق يقوم بتنظيم هؤلاء الأشخاص، يمكنهم إنهاء العمل في شهر. 0G حاليا تعمل على هذا الأمر.
دعونا نقوم بتحليل السوق قليلاً.
//
ماذا تفعل 0G في هذه المرحلة؟
منصة http://app.0g.ai هي في الأساس بنية تحتية يمكن استخدامها مباشرة، حيث يمكنها إتمام جميع مراحل استخدام النماذج الكبيرة، والحساب، والتفاعل، والتداول من خلال التشفير على السلسلة. وبالنظر فقط إلى هذا الاتجاه، فقد شكلت بالفعل ميزة تنافسية للعديد من سلاسل الخصوصية.