AI更新风云录

蚝油生菜

https://mp.weixin.qq.com/s/ovvPAL4G7QuWbY63YqEtSg

11 月 18 日，Gemini 3.0 发布。消息本身不算轰动，没有特别的排场，也没有刻意的渲染。但行业里的人大多明白，这类静静发布的更新，有时候反而意味着某些更深层的变化正在酝酿。

大概也是在同一段时间，一个细节悄悄出现了：OpenAI 曾讨论过在 ChatGPT 中加入广告，但这个计划被放缓了。他们把手里的力量重新收回到模型本身的迭代上——不是为了制造噱头，而更像是为了回到根基上，确认“基础的东西够扎实”。

过去几年，OpenAI 的商业模式清晰而稳定：通过 API 授权，让自己的模型成为其他产品的基础设施。从 Copilot 到各种不那么显眼的企业工具，这些系统都在以一种持续、安静的方式为 OpenAI 带来收入。像是修一条路，让越来越多的车从这里经过。

但这条路上，最近出现了岔口。

随着 DeepSeek 和更多开源模型的成熟，不少公司开始换一种方式构建自己的 AI：先用 ChatGPT 迅速搭原型，再做本地微调，然后逐步迁移到开源模型上。这并不是一场激烈的反抗，而更像是企业在长期成本、控制权和未来策略之间做出的自然选择。

如果说以前的企业主要考虑“怎么用好外部能力”，那么现在他们开始问的是：“长期来看，我该拥有些什么？”

这种问法的背后，是行业商业模式的变化：一次性买断正在减少，订阅式的收入在增长。企业不再追求一锤子买卖，而是希望用长期关系来维持稳定的现金流。而当核心能力依赖外部 API 时，企业很难真正拥有自己的节奏。

在这样的背景下，Gemini 3.0 提供了一种新的用户体验——没有广告、深度整合、在日常工具中自然出现。它不抢眼，也不刻意，但会让人意识到：如果 AI 能以这样的方式落地，那么使用 AI 的门槛其实比想象中更低。

一旦人们习惯了这种顺滑的体验，再回到复杂、干扰多的界面，很自然地会产生落差。这不是技术参数的差别，而是一种“生活方式的选择”。

所以，如今的 AI 竞争早已不是单一维度的较量，而是牵涉到数据、生态、入口、控制权的多层博弈。有人希望构建闭环，有人倾向开放；有人继续扩张自己的体系，有人则试图找到一条更自由的道路。

我们所处的位置很特别：既不是局外人，也不完全是参与者，但正好站在能看清这些变化的地方。

也许多年以后回头看，现在的每一次更新、每一个转向，都会被视为某个时代转折的早期信号。因此我也想在这个冬天重新打开公众号，把看到的、想到的记录下来，算是一种参与，也是一种见证。

AI 的时代，不再是一个“即将发生”的未来。
它已经在这里了，静静地、持续地改变着我们身边的世界。

蚝油生菜

通俗一点的解释就是，本来OpenAI搞出来希望windows一样全球插管吸血，结果被deepseek的横空出世给搞砸了。然后它又准备像Youtube一样，搞广告吸血，结果这想法又被Gemini 3给干掉了。现在硅谷的模式就是，用OpenAI训练原始模型，然后去自己攒机子搭服务器，这样就不用给OpenAI每年交高额的年费。所以，美国AI的商战打的热火朝天。

作为身在其中研究算法的人，我决定记录下一些美国AI发生的一些历史事件。不管我的看法证明是对还是错，这都是一个值得记录的时刻。


最上面的link是我起底的公众号。欢迎收藏。

旧欢如梦余寥寥

学习完了
我们人事用GEMINI，分析投资和研究人员性格履历适配度啥的

旧欢如梦余寥寥

生菜公众号的名字是？
链接不知道咋打开

蚝油生菜

旧欢如梦余寥寥 发表于 2025-12-9 22:36
生菜公众号的名字是？
链接不知道咋打开

哈密顿回路

旧欢如梦余寥寥

收到

蚝油生菜

旧欢如梦余寥寥 发表于 2025-12-9 22:36
学习完了
我们人事用GEMINI，分析投资和研究人员性格履历适配度啥的

确实有这么一个商业新闻：OpenAI 更新了政策，明确声明其模型（如ChatGPT）不应被用于提供专业的法律建议或医疗诊断。

关于OpenAI的演变：它最初在2018年作为非营利研究机构成立，初衷是推动AI发展并广泛造福人类。然后Sam挤掉了其他希望开源Founder，巨大的研发和运算成本迫使它在2019年转向了“有限营利”模式，并开始推出付费服务。

结果DeepSeek横空出世，然后就没有然后了，

现在OpenAI又提出它的模型不应该用于法律建议，医疗建议——潜台词就是，你用他的服务得买专门的服务。你说的人事性格之类也在它贪婪算计篮子了。它的想法就是要用专业，得买它的服务，而且得一直买，有些类似windows。

结果这计划又被gemini 3给弄黄了。所以你家人事用gemini了。 每次看到Sam作妖，然后又看到因为竞争他的作妖被打回去，所以觉得很好玩。

肥园子

我来学习

河蚌赌徒

技术大咖

添米粒

学习了，打开了。

添米粒

数学是一切的基础，厉害的生菜

以梦为马

生菜研究算法的呀
厉害厉害

孙悟空金箍棒

学习了，这几年真是变化太快啊，看不懂具体算法和模块，只看到都在不断更新

磨磨叽叽

学习了，收藏了，也推给了我家慢蜗牛（我儿子）

爱喝豆浆

蚝油生菜 发表于 2025-12-9 22:27
通俗一点的解释就是，本来OpenAI搞出来希望windows一样全球插管吸血，结果被deepseek的横空出世给搞砸了。 ...

果断关注了！
生菜老师终于开公号了。

蚝油生菜

磨磨叽叽 发表于 2025-12-12 17:32
学习了，收藏了，也推给了我家慢蜗牛（我儿子）

你儿子怎么样了，他几几年毕业？

蚝油生菜

AI 风云录 2 — 中文 vs. 英文

如果翻过九十年代的中国初中代数书，再去看美国的代数教材，会有一种奇妙的感觉。中文课本薄薄一本，定义、定理、例题……干净利落，像是把知识拆成了最简元的模块。而美国课本往往厚得像一本砖头，前言叙述、概念铺垫、动机展开、生活化案例，再加几页彩色插图，讲同一个“因式分解”，能绕半天，很多学生在阅读中会变得稀里糊涂。

到了大学，感觉又不同。如果你把 Ross 的《Introduction to Probability Models》和同济大学的《概率论与数理统计》放在一起看，会感到一种语言层面的反差——前者娓娓道来，像教授坐在你对面慢慢讲逻辑；后者则像把框架搭好，剩下的路得靠你自己填。有人喜欢英文教材的耐心，有人偏爱中文教材的锋利，但两者之间的落差，其实来自语言本身。

简单说：对初等数学的学习来说，中文更有优势——因为学生不需要阅读大量文字，而是直接从代数表达中学习。对以理解动机与概念为核心的大学数学来说，英文更占优势。

中文经过两千年的锤炼，像一柄旧剑，在极短篇幅里承载复杂关系；英文则像一根雕刻刀，对概念要求逐层展开，用精准叙述抵达严格逻辑。这种差异放在传统教育上还能互相欣赏，但放进 AI 的训练体系里，就开始产生微妙的后果了。

毕竟，模型之间交流的基本单位是 token。当你让 AI 表达“”，中文可能就是十二三个字，而英文要变成：

中文：三角形两边之和大于第三边。（中文14 个 token）
英文：The sum of any two sides of a triangle is greater than the length of the remaining side. （英文超过20 个）

中文：奇变偶不变，符号看象限。
英文：#@！#%￥#！%！（此处省略70+英文单词）

对用 token 来“计算语言逻辑”的机器来说，这不是小差别，而是一种结构性优势——中文表达密度更高，概念打包更紧凑，让模型以更少的 token 接触到更完整的抽象结构。

但当要求深入推理时，英文却往往提供了更清晰的拆分路径。例如在证明、动机解释、展开逻辑链条时，英文的“啰嗦”反而变成了“显式结构”，让模型更容易跟踪每一个步骤、每一个因果。

于是，各家公司在训练中开始利用不同语言的特长。

例 1：先中文再英文——先压缩结构，再补逻辑细节（以阿里通义的做法为例）

阿里在通义千问早期版本中使用了大量中文百科、教材式内容作为初轮训练材料，目的不是让模型“解释得好”，而是让它先建立基本概念的抽象框架。中文表达密度高，使得模型能在同样的计算预算中“扫过”更多概念。

随后，在推理专项强化阶段，他们加入了英文数学推理数据集（如 GSM8K、MATH），以及大量英文逻辑链条式 QA 数据，用来补齐模型在细节推理上的稳定性。

这是一种“先求快，再求细节”的路径：框架靠中文快速建立，逻辑靠英文慢慢补。

例 2：先英文再中文——先搭逻辑骨架，再训练高密度表达（以 Meta 的 LLaMA 训练策略为例）

LLaMA 系列的预训练语料英文比例很高（约七成以上），因为 Meta 的目标是构造一个推理链条清晰的基础模型，让它理解概念的展开方式、论证范式以及自然科学文献的结构。

但在微调阶段，Meta 又加入了大规模中文指令数据（来自公开开源中文指令集与社区贡献），原因很简单：中文在指令中能以更少 token 表达更多信息，使模型在有限上下文里保留更多内容。例如，一个 32k context 的对话，在中文里可以塞入更多事实与背景。

这种顺序像是：骨架用英文搭，肌肉用中文加塞更多。

例 3：混合指令微调——中英交替，用于不同目标（以微软的多语言指令集为例）

微软在对 Phi 系列和开源合作模型进行指令微调时，采用的是混合策略：
中文指令用于训练“回答效率”与“摘要能力”，因为中文信息密度更高，模型更容易学习如何在有限篇幅中完成任务。
英文指令用于训练“分步骤解释”与“可验证推理”，因为英文能自然形成 step-by-step 的结构，让模型在输出推理链条时更稳定。
多轮对话中故意穿插两种语言，以测试模型能否在“高密度表达”与“显式逻辑”之间切换。
这是一种利用语言本身“功能差异”的训练方法，而不是简单的“多语言兼容”。

语言开始不再只是符号，而是不同的“训练策略”。语言在AI的眼中纯粹成为了路径，AI在走向目的路上各取所需。

行到水穷处，坐看云起时。
When I reach the end of the stream, I sit and watch the rising clouds.

磨磨叽叽

蚝油生菜 发表于 2025-12-12 19:57
你儿子怎么样了，他几几年毕业？

学得磕磕绊绊。

如果雅思考试和签证申请顺利的话，明年下半年赴美学习2年，希望能如期毕业。