海马

AI指挥使，网站和移动端App出海践行者，ship fast, ship more, but also kill fast

[海马 @CodingWithYi]

赚钱的第一性原理是创造价值，而不是出卖时间。
创造价值的第一性原理是解决问题，而不是提供劳动。
解决问题的第一性原理是识别真需求，而不是自我感动。
识别真需求的第一性原理是实践反馈，而不是闭门造车。
实践反馈的第一性原理是快速迭代，而不是仔细打磨。

[海马 @CodingWithYi]

@JamesAI 哥飞这么做，很大一个原因是不闭门造车，与更多人交流沟通，能获得更多想法，例如他从学员良辰美身上就学到不少东西，赚了不少钱

[海马 @CodingWithYi]

@mngxiocho157976 @JamesAI 你的理解是对的

[武汉AI王小克 @keking99]

冷知识，开一个 个体工商户 淘宝600块钱就能远程代办，无需任何资质，一张身份证就搞定。
办完拿到营业执照之后你将解锁以下权益：
开通 palpay 收款，上架微信小程序，接入支付宝/微信支付 api，开淘宝/pdd网店，在此不一一列举了。
恭喜你迈出了向自主创业的最最基础却最重要的一步。

[海马 @CodingWithYi]

@jarvis11x 请问收款用stripe还是waffo？

[海马 @CodingWithYi]

@lidangzzz 为啥不弄个氧气瓶和氧气面罩？

[海马 @CodingWithYi]

@mylifcc 真的假的

[海马 @CodingWithYi]

@frxiaobei 电力类比很准，现在AI帮人写代码只是刚点灯，真正的增量需求是那批过去被成本挡在门外的小公司和个体。思考商品化之后，不是存量蛋糕重新分，是蛋糕本身变大了，这个判断如果成立，阿里云的天花板比现在看起来高得多

[海马 @CodingWithYi]

@lidangzzz Google的PR团队要是有这个素材，早就把TPU打败NVIDIA这个故事讲烂了，财报电话会议第一句话就是"我们的TPU正在训练下一代Claude"。现在全程静默，本身就是最好的答案

[海马 @CodingWithYi]

@dexteryy "美版字节+腾讯"这个定位很准，下沉市场分发能力+社交场景卡位这两张牌同时握着，偏偏市场化能力又没人质疑，这才是Meta真正可怕的地方。Muse走透明云端沙盒这个方向比止步chatbot确实更有机会把Agentic AI渗透进普通用户日常，小扎这把下注下对了。

[海马 @CodingWithYi]

@lidangzzz 人情本身不是问题，问题是��有没有规则化、透明化、市场化。哈佛的"关系户"走的是明面上的捐赠通道，规则公开价格透明；中国那种靠私下塞钱打通关节，本质是把公共权力变成个人寻租工具，这才是真正让人窒息的地方

[海马 @CodingWithYi]

@NFTCPS 厉害了，Google赛博雷锋

[海马 @CodingWithYi]

@landiantech 梁文谷时间段，ds模型很有性价比

[海马 @CodingWithYi]

@failcatcat 清华cs读四年就可以毕业出来赚几百万一年？只有AI方向可以吧，其他方向并没有

[海马 @CodingWithYi]

@AYi_AInotes @AnthropicAI @DarioAmodei A÷这么虚伪的吗？

[海马 @CodingWithYi]

@lidangzzz @grok 你咋不问电动大飞机呢？虽然无人机很多是电动的

[小E还在学 @Thron888]

未来十年，普通人最该丢掉的 10 种旧思维：

1）等稳定
这个时代最大的幻觉，就是以为不变化就安全。

2）只靠学历
学历是入场券，不是终身饭票。

3）害怕出丑
很多机会，都是从第一次做得很烂开始的。

4）只会打工思维
永远只想着卖时���，就很难真正积累资产。

5）看不起小钱
很多大生意，最开始都是从不起眼的小需求长出来的。

6）迷信人脉
你自己没价值，认识谁都只是通讯录。

7）拒绝学习新工具
不是 AI 淘汰人，是会用 AI 的人淘汰不会用的人。

8）总想等准备好了再开始
等你准备好，机会可能已经换人了。

9）把忙当努力
真正有用的不是忙，是每天都在靠近结果。

10）习惯性抱怨环境
环境确实重要，但一直抱怨环境的人，最后也会变成环境的一部分。

[海马 @CodingWithYi]

@lidangzzz 儒家思想，君君臣臣父父子子

[幻觉工程师 @hocyzon]

程序员们是悲观的。

看了刘胜的文章深有感触，我讲讲我看到的其他例子。

跟一个字节的同学聊，现在大厂里的程序员们都重新把软件工程捡起来了。

AI使得东西跑起来的成本趋近于零，所以瓶颈变成了这东西以后还能不能改。

但这件事，网上几乎没人写教程，因为没踩过坑的人写出来全是正确的废话；踩过坑的人都签了保密协议，没法讲。

最近看了个朋友的经历，在米哈游做实时几何，跟Nanite细分有关。

第一���扔给AI跑long-horizon调研，方案听起来天衣无缝。mt给否了，原因是他试过，代码里写死的限制，绕不过去。

后来换方向，两个月出原型，画面还不错，他以为成了。提交前review，两三百个文件，点开发现连自己写的类名都陌生。

老大搬椅子坐旁边陪他看，最后也绷不住了，又重构了两个月。之前ai省的时间没消失，连本带利推迟到了review、debug和重构里。

我创业后也是天天用AI做产品。我发现 vibe coding的核心问题是让你误以为，东西做出来了就是完成了。
真正的完成还包括能改，能解释。短期看，这确实是瓶颈，值得补；但长期看，这恰恰是最容易被沉淀成数据的部分。

再想想，程序员们现在花大力气review、重构、补软件工程，本质上���在给AI标注数据。踩过的坑、否掉的方向、把一坨 slop重构成能维护的系统的全过程，都是高质量的思维链。

只不过现在这些数据集是非公开的，试错成本由公司内部承担，沉淀在大厂自己的代码库里。

而趋势不会停。等vibe coding的人越来越多，也就代表着模型的软件工程能力总有一天会补上，程序员现在补的东西也会过时。

程序员们是悲观，因为他们隐约知道：自己现在的努力，有相当一部分是在替下一代模型打工。

[海马 @CodingWithYi]

@yhslgg 现在的数字人都以假乱真了，肯定可行！

[海马 @CodingWithYi]

@lidangzzz 说的是"元知识"缺失的问题。本科理工+硕士DS这个组合，最大的隐患不是技术不行，而是他们往往不知道数据科学里哪些坑是CS/统计出身的人踩过一百遍的。比如特征泄露、数据分布偏移、生产环境部署这些，做过工程的人本能警惕，他们可能连这个问题存在都不知道，最可怕的bug永远是你不知道自己不知道