直播运营方法论

和网校的前领导，一起去天津，拜访了一家教育MCN的几位创始人，这家公司，在五年前享受了第一波抖音直播红利后，一直持续至今，中间持续创造了多个经典的、有意思的案例，有很多值得学习的地方。

以下是一些记录：

对主播的要求，能吃苦、听话照做（执行力强）、有持续赚钱的欲望。
这几条看起来简单，但仔细一阐述，很多主播就会打退堂鼓，比如所谓的吃苦，就是你能每天播8个小时，就是让你晚上11点开播，你不能说因为要睡觉就不开播，其实真正跑通后，并不会持续这样的强度。但是从一开始沟通时，强调的这种吃苦精神，以及前期的培训强度，更希望的是看到主播对吃苦和一些不确定的无所畏惧，这种人会更有韧性，也更容易成功。
有持续赚钱的欲望，也是很难的，不少人，通过红利，赚了一些小钱后，就失去了赚钱的欲望和动力，就不想再吃苦，当然这也能理解，但是对于一个MCN公司而言，这并不是一个很好的事情。
每一个新主播，从刚开始进入这个行业，到真正有网感以及主播的职业精神，可能需要半年时间，以前只需要一两个月。
所以前期的主播筛选就非常重要，双方的认可度和契合度要非常高。
但凡那些一上来就要求底薪、要求保底收入的主播，一概不合作，除非公司主动提出。这是因为，主播与MCN公司并非雇佣关系，如果是雇佣关系，一旦开始就会是某种“对抗”，但如果是合伙人的逻辑，就是互补合作的关系，尤其是在双方对对方的认可的前提下，这种状态会比较健康。
在一起吃饭时，有一个大号突然被抖音封了，损失很大。但是习以为常，这是因为他们通过大量的账号布局，来对抗了这种不确定风险。封号是运营成本。
除了账号被封的不确定性，还有就是主播流动的不确定性，对于公司而言，主播流失是一个很大的风险，尤其是单一主播的公司，对抗这种风险的方法，就是扶持多个主播。
另外，账号资产、归属、管理，都是由几个创始人直接管理，且账号归属公司。主播必须来公司直播，这种模式既解决了账号管理的问题，也解决了主播的团队归属感的问题。
杭州一家做得不错的教育MCN公司，也是类似的策略，从全国筛选主播，主播要和MCN公司合作，第一个条件，就是搬到杭州，搬到公司旁边，然后再给你配一个比较大的直播间，确保主播的投入度，否则就不合作。当然，这种策略带来的好处也很明显，因为主播的投入度足够高，拿到结果是迟早的事情。
很多主播拿不到结果，其实质就是投入度太低。一个有背景有能力的主播，在直播这件事上，每天投入12个小时起，而你，缺乏背景，也无天赋，投入度每天就3个小时，甚至还要更少，怎么可能拿到一样的结果呢？
主播与MCN公司合作，最大的利益诉求，就是把主播的收入能力放大，比如主播原本的工作或者直播模式，一年只能收入30万，但是跟MCN公司合作后就变成了300万，被放大了10倍，这就是MCN公司的价值。而MCN公司对主播最大的要求之一，就是投入度，除此之外，就是背后的几个基本素质，能吃苦、听话照做（执行力强）、有持续赚钱的欲望。
对于一家公司，如果能享受到一波直播红利，就能快速进入正轨，达到一定的规模，但如果需要守住或增加这家公司的生命力，就需要靠的是这家公司的几位创始人的认知迭代能力和组织管理水平了，因为时代在变，模式也在变，公司是否能够适应新的节奏，拥抱新的变化，就很考验几位创始人的认知水平了。

最近使用AI的一些感受

AI 已然度过了单纯谈概念的阶段。至于 AI 还会不会给我们带来巨大变化，这一点毋庸置疑。
不空谈概念，而要深入研究具体场景，思考如何借助 AI 重构场景、提升效率或颠覆模式，这是今年和去年不一样的地方
如果要使用好AI，还是需要一定的编程思想，比如循环、判断、递归等等。以搜索引擎为例，使用搜索引擎时，我们往往是抛出问题以获取信息。但通过 AI 生成内容（AIGC）的平台，我们可以借助它完成想要的任务。这与之前使用互联网，尤其是搜索引擎的思维习惯有明显不同。当然，通过 AI 进行信息检索也没问题，但它的能力远不止于此。
这就是AI编程思维。在我看来，它是一种能够利用 AI 实现至少 100 倍效率提升的思维方式。
这种思维方式体现在，比如我们是习惯于让 AI 提供单次的解决任务，还是习惯性地让其帮我们批量处理。这两种情况背后的逻辑和思维是不同的。
当我们在使用 AI 时，我觉得有五个阶段，最终能达到这五个阶段的，在我看来就是 AI 的应用高手了：
- 第一个阶段，通过 AI 纯粹娱乐玩耍的阶段。
- 第二个阶段，我们可以通过 AI 完成一些信息检索工作， AI 搜索引擎就比较火。
- 第三个阶段，我们能借助 AI 去完成学习目标，利用其互动能力达成学习目标。
- 第四个阶段，通过 AI 去完成实际工作中的任务。
- 第五个阶段，在完成单个任务的基础上，利用 AI 实现批量化任务的达成。
以第五个层次为例，很多人会完成某一个具体任务，但实际上只要稍微具备一点 AI 思维，就会知道可以通过 AI 达成批量化任务。这在我看来就具备了 AI 编程思维的特性。

体验o1

这周，OpenAI发布了一个全新的模型：o1

根据官方报告，在许多需要推理的测试中，o1 的表现已经达到了人类专家的水平。

在 2024 年的 AIME 考试中，GPT-4o 的平均成绩只有 12%（1.8/15），而 o1 的平均得分却达到了 74%（11.1/15）。

奥特曼对o1的表现很是满意。

从介绍来看，o1的逻辑和4o有很大的差别，4o等传统的大模型，是把“死记硬背”发挥到了极致，而o1在这个基础上，增加了像人一样的“思维链”。

AI会像人一样进行推理，每一步的思考过程都记下来，这种方法，不仅能提升准确性，还能提升AI的创造力。

我在体验的过程中，也能直观的感受到它与之前大模型的不同。

比如我让它用Python写一个俄罗斯方块的设计和代码，它会把整个思考过程告诉我，我会知道它是如何完成这个任务的。

然后我只需要复制这段代码到PYCharm，然后执行即可，一次搞定。

曾经用4o来写这种小游戏，还得通过多次调试才行。

跑步状态的变化

从今年 6 月份重新跑步，到 8 月底跑完第一个半程马拉松，直至现在，这个过程，自我感觉心态有了很大变化。

从最开始关注跑步速度，到现在更关注跑步时的心率变化和跑后的状态。如果跑完后非常累、上气不接下气，这不仅不健康，也难以持续。
健康的跑步，既能产生短暂愉悦的多巴胺，又能产生长期愉悦的内啡肽，这才是理想的跑步状态。
有次看一个短视频访谈，雷军提到，随着跑步经验的积累，他越发觉得，跑步是个技术活。
很多看似简单的运动，随着不断的深入，就会发现，跑步其实是一项很有技术含量的系统性活动。
需要我们不断提升认知，获取更科学、更系统的训练方法，通过数据监测和训练手段的优化，才能让跑步过程更健康、更科学，整个过程事半功倍。
首先，跑步不能只关注距离和配速，而是将重点放在健康的心率下持续进行有氧训练的累计时间上。这比单纯关注跑步距离和速度更具意义。
若要做深做透，就会涉及到每一个指标的科学原理以及心理层面，相关学科知识非常多。而且，除了理论，还有大量实践。所以，真正要成为专家，不仅需要持续精进理论，还需要通过大量实践来理解对应的理论知识，进而逐渐形成一套自己深入的理解。
跑步应在有氧区间进行！每周的比例大概为：有氧占 80%，所谓的健康有氧，相当于最高心率的 75%。以我为例，我的最高心率是 185，乘以 75%，约为 140 左右。在这个心率数据下进行长距离跑步，是非常健康的。如果跑步时心率超过这个健康心率值，就容易进入较高的心率负荷状态，达不到有氧训练效果，而且对身体的负荷会比较大，长期下去，跑步就非常容易给身体带来一些副作用，以及产生伤害。前期控制心率进行有氧跑的方法就是把速度降下来，直至降到健康区间。
步频是一项极为重要的指标。相对健康的步频应在 180 - 200 这个区间。若明显低于 180 ，则存在不平偏低的情况，会带来的问题是，会使跑步活动变得不够经济，每次着力时间较长，每次着地会给身体，尤其是膝盖部分带来极大负担。

迷信和信仰的区别

宗教迷信的特点在于，认为宗教所言皆对，毫无错误，能解释万物。

而科学信仰的本质在于，允许自身犯错，即承认当前的认知判断可能有误，但在未来某个时段，随着对事物认识的变化、认知的积累或迭代，可以否定当前阶段的判断和思考。

所以，科学信仰的本质在于不断求真，且不存在像宗教那样所谓大一统的理论。