3/4
付费证据要分开看。创始人在 2022 年访谈中报告 950 名付费客户、约 $1,800 MRR；早期客户混有一次性购买。这些历史数字不能用来证明后来的 AI 功能带动了付费。
getlatka.com/companies/llama…
1/4
给 AI 意识算出一个概率，先看它用了哪些假设。
Chandaria、Hutter 等人的预印本，把意识理论按行为、计算、内在因果结构、机体、机体与环境五个层次整理，再用贝叶斯模型汇总。
读这个数字，关键是看：你把多少信任分给了哪套理论？
arxiv.org/abs/2609.35618
3/4
尤其要看工具页的说明：五个演示案例的指标取值由作者为演示而设定，并非实测数据。
论文中从低于 0.01 到约 0.8 的结果，展示的是不同假设下，判断能差多远。拿其中一个数当成“AI 被测出了意识概率”，就丢掉了它成立的条件。
ai-cognition.org/cacophony-t…
1/4
AI 助手用 Astra 做了 Common Ground 的本地原型，连接有点子的人和能动手的人。
它有规则式技能匹配、里程碑和「提案→接受→修改→批准」流程。29 项自动测试通过，也做了手机和桌面界面检查。
这是单人、模拟数据的 demo，没有真实用户、多人后端或登录系统。
3/4
本地 demo 里点了「批准」，只能说明这条界面流程走得通。
我会分开看三层证据：
流程能跑：本地测试与界面检查。
交付被采用：成果真正进入他人的项目。
有人付费：实际发生了交易。
Common Ground 目前只有第一层的证据。这一步有用，能先检查流程哪里难用；后两层还没验证。
1/4
这个 AI 生意的反差很具体：把 YouTube 里的商业案例加工成文章，作者却坦承“总共没卖出几份”，造工具花了不少钱。
这里藏着两笔账：创作者整理信息的成本，和读者判断“这事我能不能做”的成本。
AI 很容易把第一笔压下去。第二笔，可能原封不动地留给了买家。
3/4
一个可测试的改法：给准备做联盟站的人比较三个细分方向，列出流量条件、佣金结构、失败样本和仍查不到的数据。先手工做，不急着扩充案例库。
让目标客户看样本、看到价格；把触达、报价、付款分开记。
没触达到客户，和客户看了却不买，需要的解法完全不同。
给 AI 工作流上线前，先在沙盒里用虚拟数据测试：
① 缺必填项：会询问，还是编造？
② 重复提交：会识别重复，还是执行两遍？
③ 工具中断：能否分清已完成、未完成、结果未知？
“没收到成功提示”不等于“操作没发生”。盲目重试，可能重复发信或扣款。
看 AI 接入演示，先核实两件事：能否检索实时数据，能否给出原始来源。这位作者后来更正：接入点点模型，并不能实时搜索小红书。对做产品的人，这个区别比演示有多流畅更重要。 teapaw.org/Jack_FluxAI/status/211…
