KeyFrame內部研究專用

Using AI to build Your Business From Scratch (Step by Step)

Keder Cormier·7月2日週四·12 min英文

三句話摘要

破產創業者如何用 AI 團隊取代真實員工,重建業務規模並提升效率。 當資金短缺無法組建傳統團隊時,系統性地使用 AI agents 不是替代人力,而是讓創業者能先行動、先規模化,為未來引入人才奠定基礎。 從被動問「我能雇用誰」轉為主動問「AI 能幫我什麼」。 講者在失去所有財務能力後,改變思維方式,不再追求擴大傳統團隊,而是探索 AI 如何為業務服務,這個根本性的心態轉變使他找到了可行的替代方案。

重點整理

重點
  • 1

    從被動問「我能雇用誰」轉為主動問「AI 能幫我什麼」。 講者在失去所有財務能力後,改變思維方式,不再追求擴大傳統團隊,而是探索 AI 如何為業務服務,這個根本性的心態轉變使他找到了可行的替代方案。

  • 2

    將 AI 視為「部門」而非「聊天機器人」。 大多數人只是在 ChatGPT 中提出隨機問題然後關閉,但講者創建了具有獨立責任的 AI 團隊結構——CEO、COO、業務教練、設計師、文案等,每個 AI 成員都接受過訓練,了解業務風格和需求。

  • 3

    透過工作流程自動化降低決策負擔。 例如創建課程時,講者可以與虛擬 CEO 溝通想法,CEO 會自動與其他 AI 成員協調(課程設計師 Esther 負責模組、Nelly 負責提示詞等),系統自動生成課程結構,無需講者從零開始思考。

  • 4

    AI 團隊搭配「你」才是完整解決方案。 講者明確表示人類不可替代,強調的是在沒有資金時,AI 讓創業者能先行動、先建設,之後再根據業務成長逐步引入人才,而非永久替代。

實用技巧與重點

乾貨
  • AI 團隊成員清單
  • 圖形設計師:YouTube 縮圖、Facebook 圖文、品牌概念
  • Rosie(電郵專員):行銷活動、歡迎序列、啟動郵件、每周電子報
  • 提示詞專家:協助不懂提示工程的人
  • 研究助理:搜尋、總結、資訊整理
  • CEO、COO、業務教練:協調和委派工作
  • 課程開發團隊:Esther(課程設計)、Nelly(提示詞生成)
  • 課程創建工作流範例
  • 輸入:「建立教授如何使用 AI 的課程」
  • 受眾定義:創業者
  • 系統自動產出:課程模組
  • 各 AI 成員自動分工協作
  • 建立 AI 團隊的方法
  • 第一步:識別自己每天重複做的一項工作
  • 第二步:為該工作建立專門的 AI agent
  • 第三步:每天使用該 AI 成員完成特定任務
  • 第四步:逐個添加新的 AI 成員
  • AI 訓練要點
  • 讓 AI 理解你的業務風格,無需每次從頭解釋
  • AI 越多被使用,越能產出更符合需求的結果

結論

結論

當資金短缺無法組建傳統團隊時,系統性地使用 AI agents 不是替代人力,而是讓創業者能先行動、先規模化,為未來引入人才奠定基礎。

完整解析

詳細

講者曾擁有一支傳統全職團隊,包括虛擬助理、編輯、設計師、開發者、行銷人員和專案經理,按照常規思維,業務越大團隊越大。但一次重大的投資決策失誤讓他損失了數百萬美元,被迫解散整支團隊,陷入無法重建的困境。面對無法雇用員工的現實,他沒有放棄,而是改變了提問方式——從「我能雇用誰」轉變為「AI 能幫我什麼」。這個思維轉變成為了他業務重建的關鍵。

在參加活動看到他人使用 AI 的方式後,講者開始系統性地為自己的業務建立 AI 團隊。與普通人開啟 ChatGPT 就提問不同,他把 AI 視為一個擁有多個部門的公司。他的 AI 團隊包括負責視覺內容的設計師、負責郵件行銷的 Rosie、提示詞專家、研究助理,甚至虛擬的 CEO 和 COO。每個 AI 成員都根據講者的業務需求被訓練過,了解他的風格偏好,因此無需每次都重新解釋需求。

這套系統的核心優勢在於自動化決策流程。以課程開發為例,講者可以告訴虛擬 CEO 想建立一門關於 AI 的課程,CEO 隨即自動與其他部門協調——設計師 Esther 負責課程模組設計,Nelly 負責提示詞優化,系統自動生成課程架構。整個過程中,講者只需提供初始想法和受眾定義,剩下的工作由 AI 團隊完成,大大減輕了他的認知負擔。

講者強調,建立這樣的 AI 團隊不是一蹴而就的。他的建議是從一個專門的 AI 成員開始——選擇自己每天重複做的一項工作(比如寫文案、做研究或社群媒體),建立該任務的 AI agent,每天使用它,然後逐漸添加新成員。這不是說 AI 完全取代人類,而是在缺乏資金的情況下,讓創業者能先動起來、先建設,之後隨著業務成長再引入人才。他計劃建立 AI 社群和學校,教授這些系統和提示詞,但重點是分享他正在實踐的真實經驗,而非理論。

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。