Ted Miao

lucky one

[Ted Miao @Manutdr7Ted]

@BitcoinAlphaX @grok @VOLTIXSOL DONE

[Ted Miao @Manutdr7Ted]

@eth2060 已关注

[Ted Miao @Manutdr7Ted]

@eth2060 DONE，followed

[Ted Miao @Manutdr7Ted]

@eth2060 @grok DONE

[Ted Miao @Manutdr7Ted]

还记得你何时加入 X 吗？我知道！#我的X周年纪念日

[Tim Pan @mediastorm_en]

My iPhone Duo video went viral, so I'm giving away 100 iPhones on X 😛

[Ted Miao @Manutdr7Ted]

@mediastorm_en 先谢谢 TIM 哥，万一中了呢

[Ted Miao @Manutdr7Ted]

@xingzengji 我现在让 opus 出方案稿，都舍不得用刚重置完的 codex 执行，怕他把这么好的方案给做歪了😆

[Ted Miao @Manutdr7Ted]

@bangbuilds 智商这东西他没有 你清了也没啥影响啊 😂

[Ted Miao @Manutdr7Ted]

Pick me ，human ！！！ PLEASE

[Ted Miao @Manutdr7Ted]

@dontbesilent 电车停车会有快照（会拍到车位），可能还需要挖掘更多场景，但是语音闪念输入的确是个需求。

[Ted Miao @Manutdr7Ted]

Be honest — how many AI subscriptions are you paying for right now? 👇

[Ted Miao @Manutdr7Ted]

World's Best AI.
Expires in 3 days. 👑⏱️
Champion for 12 minutes. Upgrades, long-term memory, "biggest brain," a suitcase full of switching…
The only thing that passed unanimously? Auto-renew. 💸
#AICentury #AI #ChatGPT #Claude #Gemini #Grok #animation

[Ted Miao @Manutdr7Ted]

@thsottiaux reset pls

[Ted Miao @Manutdr7Ted]

@akohika1233 从你亮出的持仓里面学到很多，赚钱最后还得靠提高自己的认知，而不是靠人云亦云随波逐流

[Ted Miao @Manutdr7Ted]

你真正卡住的，是把“时间”当成一种单一事物。现代物理更接近这样的理解：
时间是排列事件、衡量变化间隔的尺度。
在相对论中，时间与空间共同构成时空；不存在全宇宙统一的“现在”。
时间之所以显得只能向前，主要与熵增和宏观过程的不可逆有关。
“时间正在流逝”的感觉，还混入了记忆、注意力和意识。
书心解读： 时间或许不是一条独立流动的河，而是变化之间的顺序、关系和方向。真正深的问题是：物理规律常常可以倒放，为什么现实和记忆却只有一个方向？
奎多·托内利的《时间》。它依次讨论经典物理、相对论和量子力学中的时间，正好能拆开这几个层次。
“永恒的幻觉”改编自爱因斯坦，他曾说过，时间是人类顽固的错觉。

[Ted Miao @Manutdr7Ted]

以后判断一个 Agent，不看能力清单有多长，而看“需求—执行—验证”的闭环有多深。

模型正在快速降低执行成本。

但执行越便宜，另一个瓶颈就越突出：企业往往没有真正说清楚自己要什么。

这意味着，强模型未必会自动带来好结果。它也可能只是更快、更大规模地执行一个模糊需求。

所以，下一阶段 AI 软件的价值会向上游迁移：

先发现用户没说出口的约束，
再把隐性经验转化为上下文，
最后用反馈和评估完成验证。

从投资角度看，真正可能沉淀价值的，不只是“接入更多模型”的工具，而是掌握行业知识，并能完成需求、执行和验证闭环的垂直软件。

Agent 的广度决定 Demo。

闭环的深度，才可能决定商业价值。

[Ted Miao @Manutdr7Ted]

@nikitabier @grok

[Ted Miao @Manutdr7Ted]

AI Agent 的竞争，正在可能从能力广度，转向闭环深度。

最近看到一个值得投资者关注的概念：Loop Engineering。

过去使用 AI，通常是：

人提出要求
→ AI 生成结果
→ 人检查
→ 人提出修改
→ AI 再生成

Loop Engineering 想改变的，是让 Agent 自己执行、检查、修正和重试，人只负责预先设计这套循环。

但真正重要的不是“让 AI 自己跑”，而是把一个模糊需求翻译成五个可执行条件：

1. Trigger：什么时候开始
2. Goal：什么叫完成
3. Verifier：如何证明已经完成
4. Boundary：哪些事情不能做
5. Hard Stop：何时必须停止

例如，“把这个 App 优化一下”不是一个合格目标。

“修复全部 CI 错误，但不能删除测试、修改公开 API 或数据库结构；最多运行三轮，连续两轮没有进展就停止”，才是一个相对可控的 Loop。

这带来一个值得关注的商业变化。

过去市场更关注模型能力：谁的模型更聪明、上下文更长、生成速度更快。

但我的研究判断是：随着 Agent 开始执行多步骤任务，企业采购标准会逐渐从“模型能不能做”，转向“系统能不能证明它做对了”。

由此可能产生三类增量需求：

• Evals 与结果验证
• 权限、安全与执行边界
• 工作流编排、监控和成本控制

模型厂商也可能受益，因为每一次 Loop 都会增加推理与工具调用量。

但这里存在一个矛盾：

Loop 越长，Token 消耗越高；
验证越复杂，系统成本越高；
参与的 Agent 越多，错误传播链也可能越长。

因此，对投资者而言，不能只看一家公司的 Agent Demo 有多惊艳，还应该追踪几个更实际的指标：

• 单次任务总推理成本
• 平均迭代轮数
• 无人工介入完成率
• 任务成功率与错误率
• 人工接管后节省的真实工时

我的进一步判断是，AI Agent 最早形成稳定商业价值的场景，可能不是最开放、最像人的任务，而是那些：

重复发生、流程相对固定、结果可以验证、失败成本可控的任务。

例如代码测试、数据处理、合规检查和标准化后台流程。

反过来，如果一个 Agent 产品无法清楚说明如何验收、如何限制权限、如何停止，以及失败一次要付出多少成本，那么“自主运行”本身并不构成护城河。

AI Agent 的下一阶段，竞争的可能不只是智力。

而是谁能把不确定的模型，装进一套可验证、可约束、算得过账的生产系统。

[Ted Miao @Manutdr7Ted]

Hello