AI越强，人反而越忙

元子推荐了一个工具Cohub，她把未来硅世界的直播文字稿都放到了这里，我让AI提炼了下过去所有一些反常识观点，AI总结后输出的内容，还挺有启发的：

AI越强，人反而越忙；摘要工具会让人听更多长播客，而不是更少
AI贬值的不是所有经验，而是“供给端的熟练”；需求端经验反而更值钱
通用智力越便宜，人与人的差距可能越大，而不是越小
AI编程时代，代码越来越像债务；真正的资产是判断标准、失败路径和协作上下文
AI不会像工程师那样拒绝荒唐需求，它可能为一个小功能写出比原项目更多的代码。成功结果只告诉你“做成了”，失败日志却保存了思路、偏好、修正和领域判断；代码很快能被复刻，这些上下文更难复制
财务越严谨，反而可能越适合AI，这不是让模型凭感觉算账，而是因为财务资料高度结构化、规则明确、结果可核验，Happycapy团队的做法是：凡涉及数字就强制写Python 脚本计算，再让另一个 Agent 复核；其两个月内部实践中，错误率低于人工
长期主义不一定是更勤奋，它也可以是一种“偷懒”和减少决策
Agent越聪明，越不应该直接拥有全部权限
这一轮AI不一定属于小公司，模型进步反而可能让大公司更占优势
AI时代最好的教育，可能表现为更多“浪费时间”，以及更少的AI陪伴，文学、历史、哲学、音乐、旅行、运动和游戏，在考试体系里像无用消耗，却恰恰塑造品味、人格、好奇心与价值判断
AI生成的平均艺术作品，可能本来就比普通人创作的更“好”；审美未必天然是人类护城河

传统媒体人的优势与劣势

几位传统媒体的朋友来公司到访

在交流的过程中，他们分享到，在GEO这个事情上，传统媒体会有一个优势，主要体现在内容上，包括内容质量、审核与规范等

但我并不这样认为，传统媒体人在内容上的优势，不见得对GEO有效

原因是，面向AI的内容和面向人的内容特点，其实有着不小的差异

主要体现在：

内容的最小单位不同，人通常以整篇文章为单位阅读，能够跟着叙事、上下文和情绪往下走；AI 在检索和生成时，常以段落、分块或若干证据单元为单位工作
对“好内容”的判断不同，人会在意标题、故事、节奏、语言、观点和作者风格；AI 更在意这段内容是否对题，能否直接提供定义、数字、比较、步骤和边界条件
对隐含信息的容忍度不同。人可以从上下文推断“谁说的、说的是谁、适用于什么时间和场景”；AI 更依赖明确的实体、时间、对象、口径和关系
说服方式不同。面向人的文章可以依靠权威背书、修辞和完整叙事建立信任；AI 会把一个主张放进多来源环境里比较
阅读路径不同。人沿着作者安排的顺序阅读；AI 会先改写问题，再从多个站点召回内容，排序、去重、截取，最后拼装答案

从底层逻辑来看，面向AI的内容参与的是一场有限预算下的证据竞争，整个过程大致会经过六层：参数记忆、搜索规划、候选信源池、排序与装配、证据吸收、引用展示

传统媒体的优势主要集中在候选资格，包括机构权威、时效、审核和第三方身份

媒体内容的“质量”过去主要由编辑和读者判断，进入GEO之后，它还要经受检索系统的分块、排序和模型的压缩

能同时服务人和AI的内容，会保留人的判断、经验和表达，也会把事实组织成机器可以稳定使用的证据

一个官网GEO的案例

朋友的公司，在官网新开了一个频道，一个月发布了几万篇内容，两三个月累计超过10万篇，覆盖了所在领域的大量精准长尾词

大概一个多月时间，这些内容，已经开始在AI搜索中获得曝光与引用

最直接的一个变化是，这些曝光开始带来精准线索，无论是数量还是质量还是挺让人惊喜的

这是一个很重要的信号

对企业及所在的行业而言，企业官网本身就是一个重要信源

它的整体权重，可能比不上大型媒体和官方平台，但在企业所在的垂直领域，官网离业务、产品、案例和客户问题最近

只要内容足够专业、具体，并且持续更新，官网就有机会成为搜索引擎和AI理解这家企业的重要入口

对企业官网而言，真正的难点，其实在持续、规模、低成本、高质量的内容生产

有了AI之后，似乎这些难点可以得到解决

但我看了大量的案例，发现背后的方法和逻辑都存在很大的问题，导致的结果就是，最后变成了批量生产大量低质量的劣质信息

所以，要持续产出海量内容，需要先解决质量和信息增益：每篇内容都有可靠依据，回答一个具体问题，同时提供公开资料中缺少的行业经验

这背后的逻辑是，内容数量负责扩大覆盖面，知识密度决定内容能否被收录、引用，并最终带来转化

需要有三个非常核心的能力

高质量、真实、动态优化的企业内部知识库，案例可以按行业、场景、客户问题、解决方案和结果拆开沉淀，能力、方法、常见问题和一线经验也要持续整理，再通过结构化生产、事实校验、重复检测和定期更新，把这些知识转化为可以公开发布的内容
数据驱动的精准选词与动态迭代机制，内容生成的系统
针对内容的各个环节的Agent Review能力

当企业拥有一套持续生长的知识资产，内容生产就有了稳定源头，官网也会逐渐形成一条清晰的链路：内部经验沉淀为知识，知识转化为内容，内容获得搜索和 AI 引用，最后带来更精准的线索

长期来看，企业官网的内容竞争力，取决于企业能否把日常经营中产生的经验，持续整理成可信、可检索、可复用的知识

ChatGPT开始定向取证

一个海外GEO工具，最近的一个监测数据结论：ChatGPT Search开始显式选择“去具体的网站找证据”

具体的表现是：

带“site:”的搜索子查询占比从约 0.37% 跳到 16.8%，增长约 46 倍
每次回答触发的平均搜索子查询，从约 1.08 次增加到 1.83 次

相当于AI会把一次全网搜索，升级成“先广泛发现，再定向取证”的两阶段搜索，可以有效提升答案或检索质量

对GEO的启发：

一个页面解决一个清晰问题，确保核心渠道尤其是官网的页面覆盖广度和精准度
标题、日期、作者和数据来源明确
价格、参数、案例、定义单独成页
保持可抓取、可索引和良好的内部链接，确保搜索爬虫抓取和识别的友好性
重要结论提供原始数据与更新时间
减少只有宣传口号、缺少具体事实的页面

simonwillison.net

17岁高中生的论文

张小珺最新的一期节目，访谈了一位17岁的高中生，苏庭灏

这是香港一所国际学校的在读高中生，近期，他以独立研究者身份完成的论文《Attention Projection Mixing with Exogenous Anchors》被ICML经过双盲同行评审，正式收录为主会论文

ICML，是国际机器学习大会，是全球机器学习领域最重要的学术会议之一，每年，来自顶尖大学、科技公司和 AI 实验室的研究者都会把最新成果投到这里，经过双盲同行评审，再决定哪些论文进入主会

这篇论文解决了什么问题？

Transformer处理一句话时，会不断把词语表示送进更深的层。层数越深，语义理解越复杂，但词语最初的身份信息可能逐渐被冲淡，这叫作过度平滑

已有方法会反复调用第一层的信息，让深层随时能够“回看原文”

但这里存在一个矛盾：

第一层需要生成稳定、适合长期复用的信息

第一层同时还要完成自己的语义计算

苏庭灏把它称为First-Layer Tension，也就是“第一层张力”，第一层承担两个目标，容易两头妥协

论文提出了ExoFormer，它在正常的Transformer 层之外，单独设置一个“外生锚点”模块

从输入词向量中提取一份稳定表示；
分别生成注意力的 Q、K、V 和门控信号G；
每一层都可以将当前计算结果与这份锚点混合；
混合比例由模型学习，也可以根据当前输入动态调整；
锚点在注入前经过均方根归一化，避免不同层之间的数值尺度冲突。

可以把它想象成写一篇长文章：

外生锚点负责保存“人物是谁、原始材料是什么”；
Transformer各层负责分析关系、提炼含义和形成结论；
每一层都能查阅原始材料，深层计算无需长期背负所有基础信息

作者把这种分工解释为卸载假说：锚点保存词语身份，主网络集中处理高级特征

这篇论文的厉害之处：

发现了一个很具体的架构矛盾
把跨层复用扩展到了完整的Attention路径
效果提升比较明显，额外成本较小，在六项下游任务上，它的平均准确率从门控注意力的48.80%提高到 50.27%，验证集困惑度从14.64降到14.09
给出了可检验的机制解释

几个让人印象深刻的故事

整篇论文大约做了200多次实验，花费约3万元，他也坦言，选择Attention并没有一条事先设计好的路线，多次测试后才找到第一层张力和外生锚点这个方向
决定扩大实验规模时，他算出还要再花约 6000 元。那天晚上，他一直在犹豫。论文即使做得很好，也可能因为审稿中的不确定性被拒，这笔钱很可能换不来任何结果。父母和哥哥支持他继续，他才把更大的实验跑了下去。论文署名只有一个人，研究能够完成，也离不开家人在经济和情感上的支持。
大约98%的工作由自己完成，没有导师指导，身边很少有人能和他讨论模型，最常交流的对象是ChatGPT、DeepSeek 和网上的课程
他也很坦率地说，没有ChatGPT，自己很难完成这篇论文，比如怎么投稿、怎样回复审稿人、如何安排训练时间，他都会问AI
他说自己希望成为一个能让自己开心，也能让喜欢的人开心的人，无论有没有AI，在他看来，“开心就是人类根本”

搜索之后的营销策略

这篇研究论文很有意思

一个痛点是，传统的电商平台，对有搜索行为但未购买的用户，缺乏有效的跨平台召回策略和动作

这个团队做了一个测试

上线了一套基于多Agent协作的AI商品研究与CRM重新激活系统，大致的工作逻辑是：

搜索日志挖掘，离线筛选出有强购买意图但未产生点击、高消费能力且搜索词具有探索性（如带有“best”、“latest”）的用户
多Agent协作研究系统，比如解析用户主观意图、预算及隐藏偏好、调用外部搜索引擎生成推荐依据、将全网竞品对齐到站内商品库并进行个性化优惠推荐、对推荐结果进行事实核查
将生成的个性化推荐报告与精简链接通过WhatsApp主动推送给用户，引导用户重返平台完成购买
引入Review Agent，基本消除了生成式AI在商品参数上的“幻觉”问题

研究团队，进行了为期23天的线上真实生产环境测试，核心成果与数据如下：