Sunny Chan

why do people think it's hard to come up with ideas for startups?

[Superman @thesupermanmx]

MIT mathematically proved that AI will destroy the democracy.

A Nobel-winning MIT economist published a terrifying paper called "Automation and Repression"

As AI and automation replace human labor, wealth concentrates heavily in the hands of a tiny group of capital owners. Inequality skyrockets.

When inequality hits a critical mass, workers realize they are being crushed and the threat of a popular revolt spikes.

Faced with that threat, the ruling elite are forced to make a choice.

They can redistribute the wealth through taxes, or they can use force to keep people down.

The paper mathematically proves a dark reality: there is a direct, inescapable link between automation and political repression.

The more capital accumulates through AI, the more the elite prefer repression over redistribution.

Why? Because sharing the wealth cuts into their power. Funding a police state protects it.

It gets worse.

The authors modeled what happens when an economy starts inside a clean, stable democracy.

As automation advances and capital concentrates at the top, the math shows that the elite eventually find democracy to be a liability.

They stop supporting democratic systems. They back a coup. They install a repressive system just to protect their automated wealth.

Nobody is voting to end democracy.

The technology’s economic incentives just make authoritarian control the logical next step for survival.

[AYi @AYi_AInotes]

当全网都在鼓吹“让 AI 连跑几小时自动出成品”，吴恩达老师刚发的长文直接给全行业浇了一盆冷水：

社交媒体把 Agent 全自动的神话吹上了天，但顶级玩家全在冷酷地做同一件事——把 AI 当极其能干但随时挖坑的实习生，短迭代、掐权限、一步一验。
工具 3 个月换一代，但以后拉开人与人差距的，绝不是你会不会写代码或 Prompt，而是你能不能在它埋坑前一秒精准喊停：
1️⃣ 开工先立“三行生死状”：
> 别一上来就丢模糊大任务。先锁死三行：要什么、不要什么、怎样算做完。把规格说明（Spec）写透，胜过后面痛苦返工 10 次；

2️⃣ 权限按风险物理切刀：
> 改措辞、理笔记这类可逆小事放手让它自己跑；凡是涉及钱、隐私、对外发布等不可逆动作，人工必须死死卡在关键节点，不是越自动越高级；

3️⃣ 大事拆小步，坚决一步一验：
> 别迷信一次生成一万字。拆成独立小块，提纲验完再写单节，检查永远比生成更值钱；

4️⃣ 跑偏立刻打回，绝不在坑里继续挖：
> 结果不对千万别催它“继续生成”，立刻回溯到目标设定。在错误方向上催 AI，只会越错越离谱；

5️⃣ 固化你的“防失忆说明书”：
> 把背景、偏好、禁忌做成固定配置反复调用，绝不每次从零教它做人。
> 工具会快速过时，但“想清楚 ➔ 让它做 ➔ 验收 ➔ 随时喊停”的内功永远不会。
> AI 越能干，你越要会当那个冷酷的质检厂长。普通人即抄即用的实战避坑对照表放在一楼 👇

[Superman @thesupermanmx]

Chinese researchers published a paper with a devastating title: "The End of Software Engineering”

it argues software engineering is finished.

In traditional software, code is the carrier of pre-written human logic.

In agentic software, the AI agent is the software.

Code is no longer a permanent monument built by human hands. It is completely ephemeral, dynamically generated, executed, and discarded on the fly by an LLM-driven reasoning loop.

Think about how software delivery has evolved:

• Era 1: On-premise licensed software (you installed it locally)
• Era 2: SaaS (hosted in the cloud, managed by vendors)
• Era 3: Agent-as-a-Service (AaaS)

Each historical shift transferred complexity away from the user. But this latest shift transfers something entirely different.

It transfers decision-making complexity itself.

The paper argues that traditional engineering is hitting a hard complexity wall. Human brains can only hold so much state, manage so many dependencies, and debug so many lines at once.

LLM-based agents scale non-linearly.

They don't just write functions faster. They navigate architectural complexity by outsourcing reasoning to models that improve every single month.

Which means the role of the developer is permanently changing.

You are no longer a code author typing syntax line by line.

You are an intent architect.

Your job is no longer writing the implementation. It is specifying goals, designing multi-agent coordination loops, and auditing outcomes.

[Superman @thesupermanmx]

Google DeepMind researchers argue we need to stop building LLMs..

They published a paper that proposes an alternative solution that changes everything.

LLMs are incredible at predicting the next token.

But they are fundamentally missing the core architecture of true intelligence. They lack persistent memory, an active world model, dynamic goal management, and continuous self-evolution.

They are a supercharged engine without a car.

The paper lays out the definitive shift we must make: Foundation Agents.

Instead of treating the LLM as the entire product, we have to move toward modular, brain-inspired architectures.

The new blueprint breaks AI down into distinct biological and cognitive systems:

• The World Model: An internal simulation to test consequences before taking action, rather than just guessing text sequences.

• Dynamic Memory & Perception: Persistent systems that learn, adapt, and evolve from real-world feedback rather than static pre-training data.

• Reward & Goal Processing: Systems capable of long-horizon autonomous planning instead of waiting for a human prompt.

• Collaborative Societies: Multi-agent ecosystems where intelligence emerges from negotiation, competition, and interaction rather than a monolithic chatbot.

The takeaway is brutally clear:

Scaling laws are flattening. Simply throwing more text at a transformer won't get us to AGI.

Paper: Advances and Challenges in Foundation Agents.. by researchers at Google DeepMind and leading AI labs.

[摆烂程序媛 @wanerfu]

一位MIT教授仅用一小时讲座就悄悄摧毁了整个管理培训行业，
而迄今已有一千万人观看了这场讲座。

他在2018年1月录制了一次，
十八个月后他就去世了。

行政教练收费一次一万五千美元，
却只能教他那小时免费讲座内容的一部分。

他叫帕特里克·温斯顿。
他从1972年到1997年领导MIT人工智能实验室，
著写的AI教科书影响了几代计算机科学学生。

四十年来，他每年一月都会讲授一堂课：
"如何演讲"。

整个框架可以写在一张餐巾纸上。

不要照稿读。
成为你描述的形象。保持视觉简洁。
删除杂乱。以真诚的同情心开场。
以人们会在晚餐时重复的话句结束。
永远不要以笑话开场。永远不要以"谢谢"结尾。

最后这条规则单独就让培训行业损失惨重。

他通过告诉学生说话好、写作好、想法强这三点会影响成功，
按这个顺序。他的信念足以让他花五十年教工程师如何交谈。

创业者花八万美元读MBA，
随后又雇通讯教练重新学习温斯顿免费传授的内容。

工程师编写优秀代码却输给了在通勤时看过这讲座的同事。

讲座在MIT开放课程中免费提供。
教科书在他的页面上免费。

温斯顿于2019年去世。
一千万观众中几乎没人真正用过餐巾纸上的四条规则。

餐巾纸免费。
在下次会议中真正使用它才是全部优势。

[Max For AI @MaxForAI]

刚刚，一篇可能会引起大模型圈地震的论文发表了！

研究人员第一次系统性地从 OpenAI、Anthropic、Google 的闭源模型里，大规模“偷”出了真正的隐藏思维链。

然后，他们顺手拿这些思维链去研究了 Kimi K3、GLM-5.2、DeepSeek 等一批开源模型。

结果非常有意思。

01｜原来闭源模型的 CoT，真的可以被“偷”出来

现在 OpenAI、Anthropic、Google 都越来越不愿意把完整思维链交给用户。

原因也很好理解：最终答案可以抄，真正值钱的是模型“怎么想”。

一旦完整 CoT 被批量拿走，就可以直接拿去做蒸馏，训练自己的模型。

所以现在很多 API 的做法，是把模型的 reasoning 加密以后返回给客户端。你看不到内容，但下一轮请求可以把这坨加密数据再交回模型，让它继续思考。

结果研究者发现了一个很离谱的漏洞：

这些加密思维链，在同一家厂商的不同用户、Session，甚至不同模型之间，居然可以互相兼容。

于是攻击方法简单得有点荒谬：

让最强模型思考 → 拿到加密 CoT → 扔给同厂更弱、更容易越狱的模型 → 让小模型把它解出来。

比如 Claude Opus 4.8 的隐藏思维链，可以交给 Haiku 去“念”出来。

你甚至不需要攻破 Opus，找它的小弟Haiku就行。

论文最终在 Claude、GPT、Gemini 三套 API 上都实现了隐藏 reasoning 的提取，等于直接绕过了厂商原本用来防止 CoT 蒸馏的那层保护。

[Linas Beliūnas @linasbeliunas]

Instead of watching 2 hours of Netflix tonight, watch this in-depth interview with Kimi founder Zhilin Yang.

He explains why everyone’s racing on reasoning while Claude quietly bet on agents - but the real hard part isn’t the agent itself, it’s the model underneath.

His memorable metaphor: a pure reasoning model is like “a brain in a fish tank” - it can think forever but never touches the world. An agent is that brain wired to tools, memory, and action.

Yang shares how they’re thinking about K2 helping build K3 through strong agent skills, the biggest bottlenecks in generalization, test-time scaling in two dimensions, and even how RL-style thinking applies to both models and running teams.

Whether you’re building agents, scaling models, or just want to understand frontier AI thinking beyond the usual Western narratives, this is one of the clearest and most thoughtful long-form discussions available right now.

Bookmark it & watch - it might be the most valuable 100 minutes you spend on real AI engineering and strategy this month.

[Phoenix Yin @Phoenixyin13]

Nature 期刊盖章：普通人到底怎么变有钱？

哈佛、斯坦福和 Meta 联手，直接调取了 Facebook上 7220 万人、210 亿条真实的好友关系链。我个人感觉，这数据量，基本把大半个美国翻了个底朝天。
他们想研究一个终极问题：到底是什么决定了一个人能不能打破阶层固化、逆袭变有钱？

结果发现，那些天花乱坠的因素，什么学校好坏、社区凝聚力、宗教信仰啊，诸如此类的。都不是决定性的。最硬核的指标只有一个，叫经济连接度，即Economic Connectedness, 简称 EC。
说白了，就是你的跨阶层朋友圈有多大。
更落地一点翻译，就是在低收入人群里，到底有多少比例的朋友是富人。

研究发现，这个指标和跨代收入向上流动的相关系数高达 0.65，
🚨在社科界，这几乎是统治级的超高相关性了。

我们可以得到一个黄金定律，即一个出身普通的普通孩子，如果在一个富人比例高、且大家玩得来的社区长大，他长大后的平均收入能直接暴涨 20%。

既然搞钱的密码是 EC，那普通人想逆袭，最该做的就是打破自己的社交舒适圈，换个环境蹭圈子，去富人或精英高频出现的社区、学校、甚至健身房，比如高强度的专业训练场、高质量的学术沙龙。
更重要的是，提升自己的被链接价值。毕竟富人也不傻，单纯的巴结没用。用你的专业能力、独特见解，哪怕是懂 AI懂技术、或者在某个小领域做到了极致去作为入场券，给高净值人群提供情绪价值工具价值。

想变有钱，先去看看你朋友圈里最厉害的 5 个人是谁。去主动连接那些比你富有、比你认知高的人，现在就行动起来。

这是一篇五年前的论文，但我记忆犹新。

[Ray Wang @wangray]

奥特曼今天必须要道歉了😂

Codex 一片哀嚎

[Movez @0xMovez]

A senior Google engineer just dropped a 19-page PDF on "Loop Engineering" for LLM and agentic systems.

Act → Observe → Learn → Repeat

• Act: the LLM proposes a code transformation (tile this loop, parallelize that one).

• Observe: a compiler runs it and reports back - is it valid? faster? slower? by how much?

• Learn: the LLM reads that feedback and adjusts its next move.

• Repeat until it stops finding improvements.

The agent gets smarter purely from grounded feedback inside its own context window.

This 19-page PDF totally changed the way I’m building agentic systems today.

Read it now, then explore the article below.

[Jason Zhou @jasonzhou1993]

Loop Engineering is getting hype now.
But not many talks about how to actually do it

So I open-sourced the template my team uses to build agent loops:
- a shared artifact / knowledge layer
- logging, verification
- and a codebase harness so work compounds across runs

Plus a 20-min deep dive on how to think about it and set it up for real: https://t.co/b3m22eX8oI

Copy the template. Adapt it to your own loops.

[Rohan Paul @rohanpaul_ai]

The paper is saying that Claude Code works well not because it has a complex AI brain, but because a simple AI loop is surrounded by a huge, carefully built system for tools, safety, memory, permissions, and recovery.

The authors studied the public TypeScript source and found that the main agent loop is very small: call the model, run approved tools, add results back, and repeat.

What takes up most of the system is the harness, meaning the regular software around the model that decides what tools exist, what actions are allowed, what gets remembered, and what happens when things fail.

They also show that context management is a major design problem, so Claude Code uses several layers to shrink or summarize older information before the model runs out of space.

autonomy does not remove infrastructure, it increases the burden on infrastructure.

A coding agent that can run shell commands and edit files cannot be treated like a chatbot with plugins, because every action has side effects and every side effect needs a boundary.

----

Link – arxiv. org/abs/2604.14228

Title: "Dive into Claude Code: The Design Space of Today's and Future AI Agent Systems"

[Elon Musk @elonmusk]

True

[AYi @AYi_AInotes]

科技圈正在发生一波反常的人才大迁移：
多家十亿美元级公司的 CTO 集体辞职，放弃高管职位，转去 Anthropic 做 IC
- Workday CTO → MTS（2026 年 3 月）
- https://t.co/EVIqKdwxce CTO → MTS（2026 年 3 月）
- Instagram CTO → MTS（2026 年 1 月）
- Box CTO → MTS（2025 年 12 月）
- https://t.co/0JgsqzejRK CTO → MTS（2025 年 7 月） 原推本人

说实话我看到这条推文的时候愣了好久，
六个十亿美元级公司的CTO，
集体放弃高管职位，
转去Anthropic做普通的个体贡献者，
原推说离职原因是使命足够真实，

但转念一想，
事情好像没这么简单，
这些人不是傻子，
他们不会为了一句虚无缥缈的使命，
放弃几千万的年薪和管几百人的权力，

我认为真正的原因是，
他们发现了一个大多数人都没看懂的秘密，
在AI时代，
管多少人已经不重要了，
离模型有多近才重要！

以前当CTO，
你要谈政治，要还技术债，要维持老系统，
一半的精力都花在和人打交道上，
现在在Anthropic做MTS，
你直接摸最前沿的模型训练，
用AI工具把自己的产出放大一万倍，

这是一种权力的根本逆转，
以前你管的人越多，你的影响力越大，
现在你能调用的模型能力越强，你的影响力越大，
一个顶级工程师加一个好模型，
能干掉以前一个一百人的团队，

当然钱肯定也不会少，
Anthropic现在的估值和增长速度，
一个MTS的股权兑现之后，
可能比大多数独角兽CTO一辈子赚的都多，
而且流动性好得多，
不用等遥遥无期的上市，

原推自己就是第五个例子，
他把https://t.co/0JgsqzejRK从0做到年收入两亿美元，
然后转身去做了一个普通工程师，
他应该比任何人都清楚，
什么才是这个时代真正的杠杆，

我觉得这件事最有意思的地方在于，
它宣告了传统职业天花板的彻底重置，
以前所有人的终极目标都是当上CTO或者CEO，
但现在最聪明的人，
都在抢着去最前沿的实验室做IC了，

也许未来会有越来越多的人意识到，
当一个能直接操作基础模型的超级个体，
比当一个管几百人的高管，
有权力得多，也自由得多，

所以这不能叫被使命召唤了，
是这个时代最聪明的一群人，
用脚投出来的票，
他们正在奔向那个杠杆最大的地方，
这值得我们大部分人深思，尤其是程序员兄弟们。

#AI #职业发展 #Anthropic

[AYi @AYi_AInotes]

说实话，这才是Anthropic今年最有价值的更新啊，没有之一！！！

没有堆更大的上下文窗口，也没有吹更厉害的模型能力，Claude Code的核心开发者@trq212 大神直接把大部分人用长上下文的错误方式拍在了大家脸上。

这是官方自己承认1M窗口根本解决不了问题，
真正能让长任务跑通的是主动的会话管理。

而且官方直接给了这张图，一句话道破所有真相，每一次AI输出完毕，都不是一个结束，而是一个五选一的分支决策点。

而99%的人永远只会点那个默认的最差选项：Continue，

剩下的四个按钮，绝大多数人甚至从来都没碰过。

我之前写过Context Rot的问题，很多人半信半疑，现在官方实锤了。

长上下文的性能就是会随着token数线性衰减，
对话越长，模型越笨，注意力越分散，旧内容的干扰越严重，

到最后它会彻底失忆，胡说八道，连自己刚刚说过的话都不认。

你以为是你prompt写的不好，其实是它的脑子已经转不动了🤣

这次更新最狠的地方，是它直接把选择权交还给了你，
Continue：继续在错误的泥潭里越陷越深。
Rewind：及时止损，退回到上一个正确的节点。
/clear：保留核心结论，扔掉所有没用的中间垃圾。
/compact：让模型自己总结上下文，轻装上阵。
Subagent：把脏活累活隔离出去，不要污染主上下文。

没啥黑魔法，就是这么简单的五个选项，
但就是这五个选项，能把你长任务的成功率，从10%拉到90%以上。

评论区有一个评论说的特别好，
“我不想用compact，它删的太多了 我想要它精准删掉那些没用的工具调用输出。”

我理解这也是目前这个功能最大的局限性，
现在的compact还是全量压缩，粒度太粗。

但问题不大，这已经是目前最好的解决方案了。

而且你可以不用compact，用/clear，自己手动提炼核心结论，慢一点，但绝对精准。

最有意思的是行业信号，之前所有人都在卷谁的上下文窗口更大，2M，4M，8M，好像越大越厉害。

现在Anthropic带头说，别卷了，没用🤣

窗口再大，你不会管理，最后还是一堆垃圾。

这相当于直接给过去两年的长上下文军备竞赛，泼了一盆冷水。

真正的竞争，已经从能装多少变成了能管好多少了。

我还是那个观点，这套东西根本不止适用于AI，它就是一套完美的个人认知操作系统运行手册，

我们的大脑就是一个有限上下文的模型，
Context Rot就是我们的认知过载和信息焦虑，
Rewind就是及时止损，不要在错误的方向上继续投入，
Compact就是知识压缩，把厚书读薄，
Clear就是主动遗忘，扔掉没用的草稿和中间过程，
Subagent就是分工授权，不要什么事都自己干。

很多人问我，人和人用AI的差距到底在哪，现在答案很明确了，

别人还在傻呵呵的一条对话聊到底，跟失忆的模型反复拉扯，你已经在每一个节点，主动做决策，把上下文打理的干干净净。

别人的会话越跑越慢，越跑越笨，你的会话永远轻装上阵，永远保持最高的性能，这个差距，会随着时间指数级放大。

最后给大家一个今天就能用的建议。
现在就去打开Claude Code，输入/usage，
看看你自己的token使用曲线，找到你自己的Context Rot阈值，

比如我自己是到300k token左右，模型就开始明显变笨，以后每次快到这个数，就主动compact或者clear ，别等它傻了再补救，那时候已经晚了。

[Michael Burry Stock Tracker ♟ @burrytracker]

OpenAI fired Leopold Aschenbrenner at 22. Three years later, he manages $5.5B

Today alone, he just made $315M on Bloom Energy $BE

Timeline:
• Age 19: Graduates Columbia as valedictorian
• Age 22: Joins OpenAI's Superalignment team
• Age 22: Fired for raising AI safety concerns
• Age 23: Publishes viral manifesto on AGI
• Age 23: Launches hedge fund with $225M
• Age 24: Returns 47% in six months
• Age 25: $5.5B in equity exposure

And for those unaware, his tracker has been live on Autopilot since 3/6/26.

It's up 29.9%, even with the delay.

[BuBBliK @k1rallik]

Solo dev reverse-engineered Google's billion-dollar algorithm in 7 days

Google published the paper that crashed memory stocks worldwide. Then shipped zero code.

Tom Turney read the math, opened his terminal, and built the whole thing with Claude - then made it faster than Google promised.

Day 1-3: Core algorithms, 141 tests, Python prototype
Day 3-5: C port into llama.cpp, Metal GPU kernels
Day 5-7: Speed optimization from 739 to 2747 tok/s

That's a 3.7x speedup through pure engineering:
> fp32 → fp16 WHT
> half4 vectorized butterfly ops
> graph-side rotation
> block-32 storage layout

Then he added his own research on top:

> Sparse V: skip 90% of value decompressions at long context
> Asymmetric K/V: keep keys precise, compress values harder
> Temporal decay: old tokens get lower precision automatically

Result: 35B model running on a MacBook with 4.6x compressed cache.
613 GitHub stars in a week. Google still hasn't released their own code.

[Dustin @r0ck3t23]

Elon Musk thinks coding dies this year.

Not evolves. Dies.

By December, AI won’t need programming languages. It generates machine code directly. Binary optimized beyond anything human logic could produce. No translation. No compilation. Just pure execution.

Musk: “You don’t even bother doing coding.”

Code was never the point. It was friction. A tax we paid because machines didn’t speak human. AI just learned fluent human. The tax is gone.

Now plug that into Neuralink. No syntax. No keyboard. No screen.

Musk: “Imagination-to-software.”

Thought becomes executable. You imagine an outcome, the system architects and compiles it into reality instantly.

We’re not automating programming. We’re erasing it from existence.

The entire profession collapses into a thought. Decades of training reduced to irrelevance. The gap between idea and instantiation hits zero.

You don’t build anymore. You imagine, and it materializes.

Not incremental progress. Total phase shift. The way humans have created things for ten thousand years just became obsolete.

Welcome to a world where the limiting factor isn’t skill, resources, or time. It’s whether you can picture what you want clearly enough for a machine to birth it into existence.

[Kevin Ma @kevinma_dev_zh]

一直觉得 OpenClaw 太笨重，想着说可以用 Go 写个轻量级的版本，没想到已经有人卷出来了：PicoClaw

这是一个用 Go 语言重写的超轻量级个人 AI 代理，内存占用不到 10MB，启动不到一秒，能在 10 美元的 RISC-V 开发板上流畅运行。

官方 slogan 是"皮皮虾，我们走！", 挺有趣的，哈哈

https://t.co/urZ2g4Q17N

[Benson Sun @BensonTWN]

很多人窮盡全力追求財務自由，卻忽略了一件事情，地理移動自由，才是財富自由的關鍵。

在紐約、舊金山、香港這種生活成本高到天際的城市，哪怕手握千萬美元，也很難說真的財富自由了。

而不管是中國的二三線城市，還是馬來西亞、泰國、哥倫比亞這些地方，甚至部分東歐國家，100到200萬美元就能過得很滋潤。

之前有個新聞，一個年薪10萬美金以上的 Google 工程師，因為矽谷房租太貴，乾脆不租房，選擇睡車上，隔天早上起來直接上班。

這聽起來很離譜，但其實這種情況在全球各地都一樣。
只要某個城市的「高薪工作」高度集中，那個地方的生活成本就會被推得很誇張。

台灣的竹北就是一個典型案例，在半導體產業大爆發之前，誰能想像那裡會漲到一坪破百萬？

那不是因為竹北的人行道比較美、空氣比較好、咖啡比較香，而是全台灣最高薪的半導體產業員工，都集中在哪裡。

反過來思考，如果你可以讓自己的工作跟地區解耦，那你就可以不去負擔這高額的溢價。

其實財務自由從來不是一個固定的數字，而是個座標系問題。錢在哪裡花，遠比你有多少錢更重要。同樣一筆錢，換個地方，買到的生活品質可能是天差地別。

當你的收入不再與某個地區深度綁定，你的生活、你的家庭，連帶著你的安全感，自然就不會被這裡綁住。

說到底，財務自由的關鍵從來不是年薪翻倍、月薪暴漲，而是「移動力」的提升。能隨時走，你就有了自由的底氣；能自主選擇生活的地方，這才是真正的富有。

更現實的一點是，台灣在未來5到10年，地緣政治風險正在急劇上升。

我們普通人，既決定不了大國博弈的走向，也控制不了地緣政治的變動，能做的，只有先讓自己不被地理限制綁死。

而這件事的核心，就是打造不被地理限制的收入。

以前要做到這件事不容易。

跨國賺錢、接海外案、建立線上收入，對大部分人來說都是高難度技能，沒有人脈也沒有管道。

但這兩年 AI 的爆發，把難度拉低了一大截。

不管是寫文案、做網站、剪影片、做簡報、生成圖片、做客服、處理文件，甚至建立小型 SaaS 或自動化流程，AI 等於替普通人增添了一個外掛，讓你能用更低的成本，把技能變成商品，賣向全球市場。

如果你一時間想不到可以做什麼，也沒關係。

打開 ChatGPT 或 Gemini，用最新的模型，把 thinking 模式打開，請 AI 幫你把推理能力拉到最高，

從 Reddit、X 這種使用者很多的平台，去挖「大家抱怨很多、搜尋很多，但現成解法很少」的領域。這些地方，通常就是潛在需求高、但還沒被好好服務的市場。

接下來再請 AI 幫你整理：可以提供什麼服務、用什麼形式收費、最低可行版本（MVP）要長什麼樣子，你就已經比只會「空想創業點子」的人，往前多走了好幾步。

千里之行，始於足下。

祝大家都能在 AI 時代成為「超級個體」，跨越地理限制，早日成為自由之人。