加入人工智能公司 ≠ 理解人工智能 1. 受KPI驱动 大多数“人工智能公司”的职位都与人工智能无关（市场营销、增长、运营、广告支出）。除非你参与制定方向，否则你很难真正把握行业的脉搏。 如果你已经是业内人士，正在追求更高的职业发展，那当然没问题。但如果你的目标是理解人工智能、运用人工智能进行开发，或者提升你的认知能力，那么在人工智能公司工作反而可能会让你偏离目标。 2. 商业目标 ≠ 行业目标 商业关注的是短期KPI；行业关注的是长期发展轨迹。一旦你全身心投入到商业中，你就接受了信息不对称，并开始为他人的目标而努力。 从根本上讲，经营业务和理解行业是两个相反的方向。 另一方面，如果你是创始人， 你也会希望你的员工专注于执行，而不是沉迷于宏大的“人工智能未来”设想。 那么，如何才能真正“步入正轨”呢？ 1. 组建你的“人工智能顾问团”。 你可以向以下人员请教：A 负责 2C 产品，B 负责模型更新，C 负责图像生成等等。同时，确保你自身也拥有超能力，例如对资本、用户或产品逻辑的深刻理解。 2. 沿着一条由好奇心驱动的道路前进。 选择一个领域，并追踪其全栈：从数据到模型再到产品。 我曾经研究 2C，现在我正在深入游戏和支付领域。一旦你掌握了技术栈，其他的一切都只是在添加或删除层级而已。

即使算法并非最开放或最先进的，Twitter 仍然是获取真实、不掺杂任何虚假信息的最佳平台。原因如下： 1. 回音室效应较小：在 Twitter 上，你很容易就能沉浸在讨论空间中。只需关注、点赞或踩几个帖子，就能立即接触到新的观点。这非常适合从零开始的学习——当你还在吸收和探索新想法的时候。 2. 真正的大咖聚集于此：最近我和朋友分享一些信息搜集技巧时，我意识到，尽管我擅长挖掘互联网的各个角落，但我使用 Twitter 的频率仍然最高。创始人、研究人员和风险投资人可能不活跃于其他任何平台，但他们每天都会出现在 Twitter 上。 几乎所有公司仍然会在这里发布第一手动态——在这里，你可以第一时间获取实时信息。 3. 真正的洞察力才是吸引用户的关键——中文推特内容质量的下降主要源于创作者重复使用旧内容或使用人工智能生成内容。但如果你仔细阅读英文帖子，仍然能从中发现真正的洞察力（真正的知识和技巧）。 另一个原因是推特尚未过度商业化。在其他平台上，我只有1000个粉丝就已经收到赞助邀约，仿佛创作者就注定要与付费内容挂钩。

我从大学开始就喜欢在互联网上自学各种东西，到现在依然乐此不疲。只要跳出推特时间线的信息茧房，就会发现互联网上到处都是优质信息，像掉在地上的钱没人捡。 前段时间在一个只有两千人关注的小频道里第一次看见并学会了用AI搭建自动化业务评估系统（减少了back & forth的review&提意见时间，输出结果完全符合要求与审美），现在已经在公司里用起来了；刚刚又发现一个非常干的线下演讲视频，信息密度大到拍手叫好，结果一看浏览量全世界只有118个人看过。 ai时代各种方法论也变得非常显学，因为一切都是营销手段，上半年拿到的结果，年中就经由创始人或者公司内部各种人设陆续传授出来，美滋滋。

漂洋过海一个月终于收到了BNB @BNBCHAIN 五周年礼盒！超级感谢九九@cain_bnb 每天问一遍帮我追快递🥹🥹🥹就像BNB一样使命必达～ 再次恭喜BNB ATH！

今天知道一个新的招聘概念叫“player-coach”，才意识到我一直都是用player-coach的标准做hiring的。 类似球场上既参与比赛又进行指点的角色：工作当中player coach可能也要去开会，可能也要写代码，可以对team进行建议。 既有leadership capability可以边成长边mentor，也有technical capability做出重要决策。 过去大公司喜欢让manager只管人、让 IC 只管做事，而“player-coach”意味着leader必须持续亲自下场做产出——比如写代码、修 bug、亲自上线新功能、做用户访谈等。 招聘流程也跟我才用的一样：先自己做一遍，知道标准和门道，然后再招能带队+能做的人。 那么如何找到这样的人呢？ Gamma创始人说他们有三个月的trail（时间非常长，主持人都惊了），把candidates当作自己团队的人，让他们0-1 own一件事情，看他们如何展示leadership和动手能力。 回头看我之前招的很多重要岗位候选人都一个月内就fail在这件事上，这也是我后来不招大厂管人的小leader和没结果小公司的c-level的原因。只会做manager不会做player，或者只会做player而没有一点mentor能力的人都很快不再合作了。 反复招聘-解雇还担心会太麻烦hr，但其实如果早点采用3-month trail机制就能很好地解决（当然前提是你可以一直做那个擦屁股的人）。 如果今天没学到player-coach这个概念，我想我还会在“我是不是要求太严格”或者“如果不维护一个只会做player的老员工就是不够仁慈”的内疚当中纠结吧。

我们在不到两年的时间里从零增长到年平均收入 (ARR) 5000 万美元，并且盈利。 我之前从未公开分享过我们的策略。 为了学习我将要分享的内容，我们花费了超过 500 万美元。 这篇 800 字的文章介绍了每个为我们带来收益的增长黑客策略。 我将涵盖以下内容： 1. 网红营销 2. 效果营销 vs. 品牌营销 3. 用户测试 4. 内部测试 0-1000 万几乎 100% 依靠口碑和自然内容。 1000 万-5000 万仍然有 50% 以上的口碑，但网红、联盟营销和推荐营销占了剩下的一半。 但我们从 0-1000 万美元打下的基础，正是让我们能够突破 5000 万美元的关键。 1. 网红营销入门： 90% 的覆盖率来自不到 10% 的病毒式传播内容。你的任务：广泛联系网红，并投入足够的资金，找到那 10% 有效的内容和营销形式。病毒式传播并非偶然——测试并发现每个平台的卖点、视觉效果和传播形式，了解其有效原因，并在你的网红资源库中复制100倍。 大多数初创公司都犯了三个错误： 1 - 预算太少 2 - 对创作者和信息传递过于挑剔 3 - 放弃太早 每月1万到2万美元起步，至少承诺6个月。这让你可以尝试与许多微型网红合作，并测试许多概念。 - 列出关注你产品的受众群体的创作者角色。务必详尽无遗。网红推广非常耗时。如果你没有团队，可以与自由职业者或代理机构合作。私信我寻求建议。 - 提供基础内容+病毒式传播奖励。对于TikTok，让他们开设新账户。新账户的观看量与老账户一样多。但新账户的创作者不受品牌负担，可以尝试任何形式。 - 在所有平台上测试（TikTok、Instagram、X、LinkedIn适用于大多数B2B/产消合一应用）。 - 追踪表现优异的特定创作者和钩子，而不仅仅是渠道。 - 在用户引导中添加“您是如何了解到我们的”环节。计算哪些渠道能够带来潜在客户，哪些渠道仅仅带来观看量。 - 将每一项有效的素材、视频或钩子都汇编成指南。一旦您拥有 20-30 个成功格式，聘请顶尖创作者担任顾问，培训其他所有网红，让他们了解哪些角度能为你带来病毒式传播，以及背后的原因。 - 切勿撰写脚本——否则广告会无人问津。 创作者最了解他们的受众。 2. 先投资品牌，后投资效果营销 大多数初创公司不愿扩大投入，因为他们的品牌和创意都很糟糕。我们不得不经历一次极其昂贵的品牌重塑（无论是时间还是金钱），才最终找到我们钟爱的产品。但如果跳过这一步，成本会更高。 坚持不懈地测试各种创意。无论你计划测试多少个创意，都要将其数量增加10倍。大胆尝试。观察哪些因素会起到推动作用（CAC 回报、转化率、LTV 和留存率）。 一旦你发现某个特定用例能够引起共鸣，就围绕它构建一个完整的漏斗，并传递对称的信息。你肯定不想让访客感到困惑，先展示一个价值主张的广告，然后又直接跳转到一个传达完全不同信息的落地页。 3. 在产品发布前让用户测试原型。 这看似微不足道，但却能让你避免最严重的创业错误——产品开发方向错误。 大多数初创公司认为实验是成熟公司通过 A/B 测试将漏斗提升 1% 的手段。但 Gamma 的创始团队是 Optimizely 的早期成员。实验是我们的基因。 我们在 voicepanel 和 usertesting 等平台上进行了广泛的用户测试。 a. 随机招募了一些制作工作幻灯片的人员。他们没有参与任何项目，也不会为了好心而撒谎。 b. 向他们展示带有极简说明的原型，并让他们花几分钟时间尝试。 c. 让他们大声思考。了解他们导航的词语、他们的期望以及容易困惑的地方，这些都至关重要。将他们的语音和屏幕操作结合起来，可以将效果放大 10 倍。你会真正感受到糟糕的用户体验和过于复杂的文案带来的痛苦。 所有方面都这样做——登陆页面、新手引导、新功能登月计划。 始终测试你关于人们会得到什么或喜欢什么的最大假设。在原型阶段就识别主要的盲点，而不是在最后。 一旦你通过数小时的测试证明，普通人觉得它简单易用，就立即发布。 4. 对你的产品进行严格的测试 要么你打造出比其他方案好100倍的产品，要么打造其他产品。测试会让你的产品是否比同类产品好100倍变得显而易见。 故事时间：当我们创立Gamma时，我们有两个相互竞争的想法—— 想法1：打造一个虚拟办公室，捕捉面对面交流的魔力 想法2：彻底重塑PowerPoint（这就是Gamma的雏形） 经过6个月的并行构建和测试，我们最终确定了一个明显的赢家。 这与指标或硬数据无关。 虚拟办公室让我们始终与现实生活竞争，它永远无法取代面对面交流的魔力。 借助重新设计的 PowerPoint

现在看team的产出，做得好的部分不会问是你写的还是AI写的，能跟AI合作写好东西其实才是核心技能；相反如果一个人跟AI合作都写不好，基本等同于教不会。

张小珺在访谈里问了杨植麟一个问题： 你们最终是要做通用大模型而不是coding模型对吧？ 这个问题更深层反映出来的是现在用户对一个新AI产品， 包括所有大模型和agent或其他产品形态在内的使用，迁移，直到形成习惯的界限， 其实是很模糊的。 往往一个垂类的卓越表现会吸引到用户， 而泛化/通用能力达到60分则能够粘住用户。 这一点在我使用perplexity和GPT的时候感觉尤为明显： perplexity在市场调研能力（速度上）比chatGPT好； 而在google邮箱里的搜索/撰写等实用表现比google自家的Gemini好。 正是在一次次偶然对比性任务里perplexity的表现比其他通用大模型都好，让我使用它的频率一次次增加。 做其他AI产品也是一样的： 模型or非模型的讨论在我看来是有点过时， 或者至少不是一线builder在思考的问题。 思考的一定是切入点，黏性点。 小问题小场景逐个击破，农村包围城市，perplexity也可以比GPT和Gemini更好用。

转发 @m1a0acc：ThumbMaker 迎来重大升级——最新的 Banana 型号带来更高的点击率！ 新增两种专业模式： 人像模式：Dat…

发现最近很多大学同学和mutual friend都到了AI行业背了kpi，好像两三年前的AI公司到现在都集中到了一个需要业务结果的阶段，所以最近收到很多关于AI gtm的咨询。一方面觉得自己在调频，之前做web3的时候没有人知道我在做什么，一个人靠写推特闯下来，现在终于有一些peers崭露头角；另一方面觉得赛道逐渐拥挤，很多后起之秀，但大浪淘沙，别人没打过你打过的仗，做自己就是最大的竞争力。两年时间经历了三次模型发布，无数次AI产品发布，到现在才知道是个多大的edge。