✨Builder, Seller, Founder, Dreamer. 📣 Marketing is my day job. 🪐 Building Good Happens & Xevvi. https://teapaw.org/t.co/9J44IQMZsP
Joined November 2024
- Tweets248
- Following153
- Followers12K
- Likes349
Pinned Tweet
朋友们好！我最近把一本小书整理出来了，叫《把才华变成钱：一个人做品牌工作手册》。
这件事是很重要的而我想告诉大家：养活自己，爱好文艺，这两件事可并行不悖。
写它的初衷很简单：我发现很多有能力、有产品、有经验的人，并不是不值钱，而是别人不知道他为什么值钱、没办法收钱。
所以这本书不讲做人设、不讲追热点，也不讲怎么把自己包装成网红，而是讲一个人怎么说清楚自己帮谁、解决什么问题、凭什么被信任，以及怎么把能力变成一个可以买的东西。
现在我把完整书稿免费公开了，可以在线读，也可以下载 PDF：haoshiyinli.com
如果你正在做自己的产品、服务、咨询、内容或一人公司，应该会用得上。如果有一个阅读目标的话，那么祝你又有文化又有钱。
最后，也欢迎转发给朋友～
希望对你有启发哦。💡
在你不知道自己真正的激情所在时，追寻心之所向往往会带你误入歧途。对年轻人来说，更好的格言是：「精通一件事，任何事。」在精通一件事的过程中，你可以顺着带给你更多快乐的方向继续深入，并最终发现你的心之所向。 ——Kevin Kelly kk.org/thetechnium/68-bits-o…
人做一份工作久了，其实是很容易低估自己的。做过的项目、改过的方案、花过钱才买来的教训，最后都被归进一句「我的日常工作」。跳槽说不上来自己会啥，想着搞点啥副业，也反而觉得自己得从头学。
其实可以先把目光收回来。
就比如我们公司现在的营销业务：看一篇达人笔记，数据漂亮还不够，要往下看它吸引了谁、带来了什么咨询，再决定值不值得追投。
这个判断，同事们可能已经做过几十上百次。现在让大家把依据写清楚，解释什么情况下该加钱、什么情况下该止损，它就是一个值钱的交付物了。
Bencher AI 的「工作力计划」，正在为这样的经验付费——
它是一个面向前沿模型训练与评测的专家数据平台。这次招募营销增长方向的从业者，把脱敏后的真实业务场景整理成题目，写参考答案和评分标准，或评审 AI 的回答，指出错误，给出修改依据。注意这里一定是脱敏后的。
你在工作里学会的那些取舍，可以拿来检验 AI 到底懂不懂这份工作。
怎么检验呢？方法是，给 AI 「出题」：
每题预计投入 1–5 小时，报酬 500–1000 元。有题面，有标准答案，才算一道完整的题。
这是一条招募信息，Bencher 正在找这些的专家：如果你有 3 年及以上营销、增长、运营、电商或广告投放相关全职经验，能把业务判断讲清楚，可以通过我的邀请链接 bencherai.com/invitation?ref… 注册，我的内推码是ZPJ3TF。完善工作经历后，再申请相关项目。能否通过、何时匹配到任务，以平台审核和通知为准。
想试的朋友，先从整理自己做过的一个项目开始。把当时的问题、你的选择、选择的理由写下来。重温一遍自己的判断，夯实自己在市场上的价值。
写《把才华变成钱》时，我有一个很具体的愿望：希望读到它的人，能认真清点一次自己这些年练成的本事，试着用它挣到一笔工资之外的钱。haoshiyinli.com/book 现在，可以在 Bencher AI 试试看。
祝你创造更多更好，祝你把才华变成钱。
人类给 AI 布置了几年作业。现在，AI 开始给人类布置作业了。
三份数学候选证明，总奖金池 10 万元。任务很直接：逐行检查，证明我对，或者证明我错。
这是超衍智能（Apex Intelligence）@apexin_ai 最近上线的数学挑战。乍一看，像个数学版的赏金猎人网站。但我看了一会儿，觉得它真正有意思的，不是 AI 又会做题了，而是 AI 做出来的研究，开始把工作派回给人类。
先把时间拨回 9 月初。
9 月 8 日，OpenAI 公布 Navier–Stokes 千禧年难题的结果：约 1 万个并发 agent，跑了 88 小时，用掉约 1300 亿输出 token。之后，又用 GPT-6 Astra 花了 17 小时完成 Lean 形式化与验证。
一个人类研究了近 90 年的问题，被压缩进四天不到的机器时间里。
三天后，陶哲轩等 25 位菲尔兹奖得主发出公开信《人工智能在数学中的严重错位》。他们不是说 AI 不该做数学。更像是在提醒：如果大家只盯着“又解了几道名题”，数学很容易被做成一张不断刷新的排行榜。
可数学不是只要一个答案。一条新路为什么能走通，它借了谁的桥，真正新的那一步在哪里，后面的人还能从这里走去哪里——这些也属于数学。 Lean 可以检查一条形式化证明有没有通过。但一个结果要真正进入数学，还得有人看懂它、讲清楚它，再从里面长出新的问题。
一个证明，不只是一张写着“正确”的收据。它得是一条别人还能继续走的路。
超衍这次公开了 5 个数学研究项目，也没有把话说得太满。
其中 2 项已经由作者或合作数学家核验：Halpern 迭代 × 高阶优化，以及 Mockenhaupt 三项式猜想。另外 3 项还是候选论证，等着独立验证：凸形 Nivat 猜想、Souto 猜想的亏格二情形，以及 Kakimizu 复形可缩性。
先看 Halpern 迭代这项。它研究的是单调变分不等式（MVI），说人话，就是一类“怎样更快找到平衡点”的问题。论文把 1967 年提出的 Halpern 迭代，和新的锚定张量法（ATM）接到一起，把高阶方法的复杂度上界推进到 Õ(ε^(-1/p))。
但我更感兴趣的是，他们怎么把研究做出来。
几位数学研究者先挑出值得做的开放问题，交给 Apex 的自动研究平台大规模搜索。系统找到一条证明，人类先检查；检查完，再提出更强的猜想；系统继续找，最后还是人来逐步核验。不是问一句，AI啪地吐出一篇论文。更像两边来回传球：人决定什么问题值得做，AI 把可能的路铺出来；人走进去看看，再决定下一步往哪边拐。
另一项 Mockenhaupt 猜想里，有个细节我反而更喜欢：论文没有假装 AI 一次就做对了。附录记下了初稿里的证明缺口、错误推导和不成立的估计。作者逐项修正、核验正文，也明确写着：这项工作没有完成形式化验证。
这比一句AI 成功解决更让人愿意相信。做研究不怕出错，怕的是不知道错在哪，也不知道最后是谁签的字。
所以，另外 3 份候选论证被公开放了出来，等人挑错。
找到实质漏洞，可以拿奖；独立验证关键引理，可以拿奖；补上缺口、简化证明，或者把结果继续往前推，也可以。它们不是三道等着公布标准答案的题，更像三件已经做到一半、需要别人接手检查的研究。
怀疑不是拆台。认真地怀疑，本来就是研究的一部分。
我们以前说 AI copilot，画面很明确：人坐在驾驶位，AI 在旁边帮忙。但如果 AI 带着一份没有完全做完的研究回来，说我觉得这条路能通，你帮我看一眼，它就不太像一个等着被点按钮的工具了。更像一个速度很快、脑洞很多，也会犯错的新同事。同事和工具的区别，不只是它会不会主动干活。你们之间开始有分工，也开始要谈信任和责任：谁检查证明？如果错了，错误怎么留下记录？如果对了，贡献又该怎么算？
这些问题，可能比让 AI 再写一篇论文更麻烦。但科研从来不是把答案生产出来就结束了。
科研还要决定，什么可以被我们一起相信。
挑战入口：math.apexin.net/
凸形 Nivat 猜想：math.apexin.net/papers/conve…
Souto 猜想亏格二情形：math.apexin.net/papers/curve…
Kakimizu 复形（纽结情形，不可压缩 Seifert 曲面）：math.apexin.net/papers/seife…
已核验的两项研究：
Halpern 迭代 × 高阶优化：arxiv.org/abs/2608.08463
Mockenhaupt 三项式猜想（Mockenhaupt's Three-Term Hardy–Littlewood Majorant Conjecture）：arxiv.org/abs/2609.09740
（本文为与超衍智能的合作内容。）
表妹问我揉面垫的链接有吗，我说什么揉面垫？她说我买给家里的揉面垫。在记忆里搜寻当口，表妹视频就打来了，在我家里，给我展示揉面垫。是一张红色的、陌生的塑料垫子，放在阳台妈妈做饭的地方。再仔细看，隐隐一角有公司logo。
恍然大悟，前司发的。
妈妈走过来，笑着：她哪儿知道有这些东西啊，她都不知道，单位的礼盒直接就寄家来了。
一些家用，日用，未必派得上用场、有可能落灰的各类筋膜枪，电火锅、空气炸锅、擀面杖、塑料制品、毛绒玩具，真用上了的揉面垫，印着公司 Logo 的器具，在妈妈那里开心又骄傲：女儿邮回来的，这都是女儿邮回来的。
离职多年以后，前司给我的荣光与关爱依然有回响。那份年节将至邮回家的思念，妈妈也一直好好收藏。
最近的一周，强制自己每天至少记录一件好事。
上周在刘润老师直播间，有一面墙挂着用户的感谢信，有 email、有微信截图什么的，很给我启发。我的好事儿也应该打印出来一些放在经常可以看到的地方。
人生明明这么好啊。
我在小红书运营行业最早提出了「杂志感」这个概念，后来这三个字在整个行业铺开了，各种课程和方法论里都能看到。
一个概念被广泛采用，说明它确实有用。但也因为这段经历，我对「谁是源头、谁在跟进」这件事特别敏感。
我们的工作本身跟 AI 有很强的结合。最近看AI视频工具，我一眼就认出了同样的模式。
随手打开五六个AI视频产品，发现界面像、功能像、连设计思路都高度相似。对比了各家产品的上线时间之后发现，不是大家不约而同做成了一个样子，是有明确的先后关系。
Flova 是这个赛道很早就把完整产品跑通的那个，现在市面上不少同类工具的设计思路，好像都在沿用Flova早期落地的那套体系。
说到这儿，先解释一下这类工具到底是给谁用的。
你可能觉得「AI视频」离自己很远，但其实用到它的人比你想象的多：拍短剧的、做产品宣传片的、做课程视频的、接视频商单的、自媒体想给内容加视频素材的、甚至做毕设和作品集的。
这些人共同的痛点不是「AI生成的画面不够好」——现在AI出图出视频的质量已经很能打了。真正头疼的是流程太碎了：你要用一个工具写脚本，用另一个工具生成画面，再用一个工具配音，再用一个工具剪到一起。每换一个工具，你都得把要啥风格、主角长啥样、这个片子的整体感觉是啥……诸如此类重新说一遍。
做一条两三分钟的视频，同时开七八个软件是常态。
Flova做的事就是把这些步骤收到一个地方——他们叫「AI视频工作台」。从写脚本、拆镜头、生成画面、调整细节到最后把片子串起来，在同一个项目里完成。
就是这个思路，现在被不少同类产品参考了，但大多只学了个壳。
说几个我用下来觉得竞品无法模仿和超越的地方：
一、做过的东西能存下来，下次不用从头来。
比如你这次做了一条短剧，角色形象、画面风格、镜头规则这些设定，可以存下来。下次做同一系列的内容，直接调用，不用每次从零开始调。做一条片子可能感觉差别不大，但如果你要做系列内容、批量接单，这个省的时间是指数级的。
二、哪里不满意改哪里，不用整个推翻重来。 用过AI做视频的人都知道，最崩溃的不是第一次生成不好，是改的时候。普通工具你改一个镜头，经常要把整条视频的设定重新输一遍。Flova可以在具体的某个画面上直接说「这里表情再生动点」，AI知道你说的是哪个画面、什么上下文，直接改。
三、大的方向和小的细节可以同时推进。 不用先等AI把整条片子跑完再去改某个镜头的细节，可以一边让AI推进整体进度，一边自己调某几个画面。做过项目管理的人应该懂这个效率差别。
四、你的创作习惯和方法，可以沉淀成可复用的工作流。没错，就是「Skill」——它不是一段提示词模板，更像是你把「我做这类视频的方法」教给了AI。比如韦斯·安德森风格短片、产品宣传片、一分钟种草视频……都可以是一套Skill。别人甚至可以用你的Skill来创作。你不再是每次从零开始干活，而是在积累一套越来越高效的生产系统——你的AI，就是你的手中剑，人剑合一了。
现在的Flova已经不是早期那个基础形态了，经过持续迭代，他们管自己叫「六边形Agent」——意思是创作过程中的每个环节基本都覆盖到了。
我用下来，觉得不算吹牛。
而大部分同类产品，还停留在参考Flova早期版本的阶段。
作为一个长期研究「好产品如何被看见」的人，Flova是我见过特别典型的一个案例：产品定义了整个品类的样子，被大量参考和模仿。
说真的，肯定还是原创最好用。
列表可以照搬，在真实使用场景里磨出来的顺畅感是搬不走的。因为原创在这条路上已经比别人花了更多的时间，走了更远的路。
而且 Flova 接入了 Seedance 2.5，SD 2.5 刚发布大家都在聊。我直接在 Flova 里用上了，体验完确实和之前不一样。
