KeyFrame內部研究專用

You’re Not Behind (Yet): Master AI in under 15 minutes

Dan Martell·7月2日週四·14 min英文

三句話摘要

關於如何真正有效地使用和部署AI的40條實戰原則,從提示工程到組織架構,講者分享如何將AI從生產力陷阱轉變為企業核心引擎。 AI的真正價值不在工具本身,而在於理解如何使用它來改變工作方式、釋放人的潛力,以及讓組織真正以AI驅動,這一切始於領導層的示範和對結果的執著聚焦。 提示工程重點是例子而非措辭:一個高質量的範例比花20分鐘打磨完美提示更有效,提供3-5個好例子可以省去數小時的調整時間,避免過多信息導致的context rot問題。

重點整理

重點
  • 1

    提示工程重點是例子而非措辭:一個高質量的範例比花20分鐘打磨完美提示更有效,提供3-5個好例子可以省去數小時的調整時間,避免過多信息導致的context rot問題。

  • 2

    結果導向勝於工具追逐:AI應該推動實際業務指標(營收、時間節省),若只是「感覺很酷」就是把AI當爱好。追求最新模型不如完成上個月模型上的工作流更有價值。

  • 3

    工作角色從執行者轉向導演:組織應把重複性工作交給AI,人類專注於創意、策略、人性化互動。這意味著從「人類在循環中」轉變為「人類在循環上」——你指導AI,而非直接做工作。

  • 4

    領導力是採納的天花板:團隊不會超越領導者的AI水平(麥克斯韋爾定律)。CEO和管理層必須先示範深度使用AI,整個組織才會跟進,這不是技術問題而是領導力問題。

實用技巧與重點

乾貨
  • 具體工具與平台:
  • OpenRouter:用於測試30-40個不同AI模型找出最佳工具
  • WhisperFlow:語音輸入工具(比打字快3倍)
  • 實踐方法:
  • DRY原則(Don't Repeat Yourself):文檔化所有會議、決策、流程,指向文件夾而非重複說明
  • 系統提示保存法:得到好輸出後,要求AI寫出背後系統提示,保存以便複用
  • AI自我檢查:第二份AI檢查第一份AI的工作,而非人類先檢查
  • 組織策略:
  • 完成一個好的工作流 > 10個半成品自動化
  • 每個工具必須有指定負責人(直接負責人DRI)
  • Token先、聘僱後:用AI解決比聘人便宜24倍且無需培訓
  • 招聘時優先考慮AI原住民:候選人應展示如何與AI協作
  • 具體成果:
  • 講者16個月內將企業價值提升至接近2.5億美元
  • 從每天燒數千美元tokens到用AI撐起整個公司組合

結論

結論

AI的真正價值不在工具本身,而在於理解如何使用它來改變工作方式、釋放人的潛力,以及讓組織真正以AI驅動,這一切始於領導層的示範和對結果的執著聚焦。

完整解析

詳細

企業普遍面臨一個矛盾現象:77%使用AI的員工反而說生產力下降了。這不是AI技術本身的問題,而是大多數人根本不理解如何正確使用AI。講者從浪費大量時間和金錢(每天燒數千美元tokens)的狀態,轉變為用AI作為公司核心支柱,在16個月內將企業價值推升至接近2.5億美元。這段歷程中,他總結了40條關於AI的「殘酷真理」。

首先是提示工程的誤區。許多人認為需要花20分鐘打磨「完美提示」,實際上高質量的例子遠勝於精心措辭的提示。只需給AI 3-5個你想要的樣子的好例子,就能省去數小時的調整時間。同時不要一次倾倒所有信息進去——這導致context rot,反而埋沒關鍵信息。正確做法是提供最乾淨、最緊湊的具體指示。另一個關鍵原則是,AI無法幫你做你自己還沒理解的事——「你不能自動化未曾做過的事」,所以流程必須先清晰穩定。

其次是心態上的根本轉變:從「我使用AI」轉變為「AI運行我的業務」。這是巨大的差異。使用AI代表你還在做工作;AI運行代表它執行完整工作流甚至管理部門,你只需審查。為實現這一點,需要從執行者變成導演——讓機器做工作,你指導它。這也意味著不要死守一個模型。通過OpenRouter測試30-40個不同的AI模型,找出每項工作的最佳工具。講者強調「一段完成的工作流勝過10個半成品自動化」——大多數人有一座半成品自動化的墓地,真正的價值在於完成一個運行的系統。

第三是組織部署層面。許多公司失敗是因為把AI委託給技術部門。實際上,AI不是一個部門,而是整個公司的運營方式,必須從頂層開始。講者引用麥克斯韋爾定律:「團隊不會超越領導者」。如果CEO只是淺嚐AI,整個團隊就會淺嚐;如果領導層展示深度使用AI,組織才會跟進。在招聘策略上,應優先考慮AI原住民——每個候選人都應在面試中展示如何與AI協作。同時,要在聘僱前先用AI tokens解決問題,這遠比聘人便宜且24小時可用。

最後是結果導向。許多人玩最新AI工具感覺很有生產力,但一週後發現收入沒變。AI應該推動實際指標——收入、時間節省、流程改善。若沒有推動數字,就只是個爱好。建立完整的、由某人負責的工作流比實驗新功能更有價值。講者強調「上個月模型上完成的系統勝過追逐新模型但還沒完成的」——持續使用,不要追逐。

關鍵時刻

Pipeline v2

帶時間戳的重點,會在逐字稿層級分析上線後產生。目前請先透過原始影片觀看。

事實查核

Pipeline v2

說法查證是下一次管線升級的一部分。KeyFrame 只會顯示它真正能驗證的內容。

更多「AI 技術」的內容

🔬“We have foundation models for language, not for physics” — Anima Anandkumar, Bren Professor of Computing
編輯精選
83 min
AI 技術英文PODCAST8月26日

🔬“We have foundation models for language, not for physics” — Anima Anandkumar, Bren Professor of Computing

Latent Space

  • 加速傳統物理模擬的典範轉移:氣象科學家原本認為 AI 無法匹敵數十年的物理建模工作,但傅里葉神經算子不僅達到同等精度,還快了一萬多倍。原本需要超級計算機的計算現在用消費級 GPU 就能完成,這改變了整個領域的思維方式。
  • 傅里葉域的非局部現象捕捉:傅里葉域能有效表示非局部現象(如大氣河流跨越千里的影響),且計算複雜度為準線性,遠優於完全連接的全局模型。這特別適合流體動力學、量子化學等自然現象中普遍存在的非局部相互作用。
  • 多解析度連續函數表示:神經算子將輸入輸出視為連續函數而非固定維度向量,可在推論時以任意解析度查詢,並能在更高解析度上疊加物理約束或額外數據,克服了固定解析度神經網路的限制。
Between Two Nerds: Attribution is dead, long live attribution
32 min
AI 技術英文PODCAST8月25日

Between Two Nerds: Attribution is dead, long live attribution

Risky Business

  • 工具成本的破壞性下降 — 傳統上,攻擊者必須重複使用昂貴自製的惡意軟體或工具組,因為開發和維護成本極高。這種成本結構使得安全研究人員可以通過工具特徵和程式碼簽名來追蹤攻擊者。LLM 自動化了代碼生成與維護工作流,使得攻擊者可以輕易為每個目標生成新工具,或改用通用系統工具,導致傳統的工具特徵分析失效。
  • 所有取證證據都在攻擊者掌控之中 — 無論是使用的 IP 位址、惡意軟體類型或戰術流程,這些都是攻擊者的主動選擇。即使看似是隨機巧合,攻擊者仍有能力在事前決定留下什麼痕跡。因此,所有可恢復的取證證據本質上都是攻擊者願意暴露的信息。
  • LLM 削弱工具簽名但保留高階行為特徵 — LLM 經過公開駭客技術訓練,使不同使用者產生相似的攻擊模式。然而,勒索軟體集團、國家級行為者的受害者選擇、贖金要求方式或目標模式等高階特徵仍具有識別價值。例如,鎖定加密交易所的攻擊幾乎只能指向朝鮮。
Why the Next AI Breakthrough May Come from Physics with Max Welling - #774
55 min
AI 技術英文PODCAST8月25日

Why the Next AI Breakthrough May Come from Physics with Max Welling - #774

TWIML AI

  • 多層篩選的材料設計流程:先搜尋文獻資料庫找現有材料,若無合適的就用生成模型產生數十萬個候選分子,用機器學習力場進行分子動力學模擬篩選,再進行實驗驗證。這套流程相比傳統量子力學計算能加速效率數個數量級。
  • 生成AI與熱力學的數學等價性:資訊論是兩個領域的共同基礎,生成模型的擴散過程與非平衡統計力學描述資訊損失的過程在數學上完全對應,許多開發出來的方法工具在兩領域都有精確對應的形式。
  • 基礎模型的遷移學習策略:先在廣泛材料資料集上訓練基礎力場表示,再針對特定材料類別進行蒸餾微調,既能保持計算效率也能獲得專一性。