把即刻当朋友圈发了几个月，也通过即刻认识了一些朋友，但其实从来没有介绍过自己。

我叫Rosa，一个晚期P人+中期FOMO患者，每月在 AI 上花费超过300💲的AI学习者。
正在努力成为一个真实、自洽、永远对世界有好奇心的人。

目前在一家初创探索企业级AI应用，从业经历横跨私企/外企/初创公司，咨询/产品经理/项目/解决方案，具有丰富搬砖和踩坑经验。身在toB，心在旷野。

我的极简版个人说明书👉：bvcuaptm1a.feishu.cn

我为ResearchAI+社区搭建的的信息源清单（欢迎共建！）：bvcuaptm1a.feishu.cn

我的即刻很唠叨，你可以通过这几条了解我爱发什么⬇️：

web.okjike.com 整理了Claude的十篇Agent相关技术分享

web.okjike.com 分享Linear创始人的访谈：关于AI时代产品经理的核心能力

web.okjike.com 整理了一些适合非技术背景的 RL学习材料

web.okjike.com 十本影响我 AI 价值观的科幻小说

web.okjike.com 用AI 把 Google 的提示词工程白皮书转成互动式游戏

web.okjike.com 一篇关于AI与拟人化的随机漫谈

web.okjike.com 推文：一篇A16Z在两年前关于ToB GenAI App 的观点

🫰坐标上海，不定期出差，欢迎约coffee chat！wx联系方式放在yellow page里～
（我回微信跟回邮件一样慢，提前给每一个加我wx的朋友滑跪了）

最近体验的好几款产品 给我最大的启发都是：
less is more

AI 辅助究竟是成长的捷径，还是能力的毒药？

最近读了Anthropic的一篇论文：How AI Impacts Skill Formation
arxiv.org

Anthropic 的研究员通过随机实验发现过度依赖 AI 完成陌生任务，会严重削弱开发者的概念理解、代码阅读和调试能力。

实验对象是 52 名具备 Python 经验但从未接触过 Trio 库（一个异步编程库）的开发者。研究者将他们分为两组：一组可以使用 GPT-4o 辅助，另一组只能查阅文档。任务是完成两个涉及异步并发和错误处理的编程挑战。

实验结果出乎意料：
使用 AI 辅助的开发者在随后的知识测验中，平均分比对照组低了 17%。在满分 27 分的测试中，这相当于掉了两个等级。
在概念理解、代码阅读和调试三项指标中，调试能力的差距最大。对照组因为在任务中被迫独立解决 Bug，反而掌握了更深层的逻辑。
最令人意外的是，AI 组在平均完成时间上并没有表现出统计学上的显著优势。
通过分析屏幕录制发现，部分参与者花费了大量时间构思 Prompt 或与 AI 纠缠。有人为了写一个查询就耗费了 6 分钟，而整个任务的中位时间也不过 19 分钟。

研究者根据交互行为将开发者归纳为六种画像：

低分模式（得分 < 40%）：
- 全权委托型：完全依赖 AI 写代码，任务完成最快，但脑子最空。
- 渐进依赖型：从提问开始，最终演变为让 AI 代劳。
- 迭代调试型：遇到错误直接丢给 AI，不求甚解。

高分模式（得分 > 65%）：
- 生成后理解型：先让 AI 生成，再通过追问搞懂原理。
- 混合解释型：要求 AI 在给出代码的同时附带深度解释。
- 概念询问型：只问原理，坚持自己动手写代码。这一类人的得分最高，且速度仅次于全权委托型。

AI 辅助下的生产力更像是一种“外骨骼”；它能让你在穿上它时力大无穷，但如果你不主动发力，自身的肌肉只会萎缩。
如果人类因为依赖 AI 而失去了理解底层逻辑和发现错误的能力，我们还凭什么监督 AI？

最近的一个感受：
主动学习AI的人和被动学习AI的人，其实不光是动机上有差距，甚至学习能力上的差距也很大。

前两天在组织内做了一个面向全员的 AI 培训，目标是让之前没有用过 AI 或是只用过豆包的非技术岗也能够学会用好AI，特别是产品选择和优化问题（提示词）。

培训结束后来找我们问问题的人寥寥无几，并且只有三个核心主题：
1. 怎么注册谷歌账号
2. 怎么能够访问谷歌网站
3. 有没有现成的提示词可以分享一下

更崩溃的是，培训中用了一整个章节专门介绍了如何向 AI 提问，结果还是有人连“遇事不决先问AI”和“把自己遇到什么问题描述清楚”都做不到。

对这种用户来说，教再多prompt技巧也于事无补，一切不带反问机制和提示词优化的AI对于他们来说的效果都会大打折扣。

这也是为什么对于现在的AI来说产品和工程如此重要。

这事儿也让我想到一个暴论：
如果有一天AGI真的实现，在AI眼里，对于智力水平较低的人类来说，放弃思考把一切都交给AI，是不是才是真正的进步？

🐎一下，必看
还记得Thinking Claude早在CoT论文还没发布出现前就让我们用上了思维链（那时候不管ds还是Claude都还没加thinking 模式）当时在论坛看到说是个18岁小伙写的，就惊叹太🐂🍺了

找到了三星机主屏幕疏油层磨损的救世主🥹
竟然有tb店家出了炒鸡完美的光固疏油膜
极其好贴，完美指纹解锁
贴完感觉换了新手机
而且才十几块一张！！！

目前最强的notebooklm转pptx工具，Codia
一分价钱果然是一分货。
暂时还没找到能超越这个效果的产品，有其他产品可以一较高下的吗？

最近为了赶谷歌黑客松的尾巴，尝试了用ai studio来vibecoding一个 “ai native”小工具。
不得不说，体验还是蛮好的，一把就能做出一个直接可以调通Gemini的AI功能

结果做出来的app，十次任务里八次调用超时，1次json解析错误，然后开始吭哧吭哧让它加prompt管理，加日志，加xxx...

事实证明这种面向c端用户的vibe coding产品形态真的很难做出企业级应用，哪怕谷歌已经内置了很多框架；如果是没有架构能力和技术理解能力的用户，目前来看几乎不可能...

立个flag：
昨天回顾发现25年下半年开始，自己的即刻分享数量和质量都急剧下滑，今天开始提高输出频率，多多在即刻分享“想推荐给朋友的好东西/好想法”。从这条开始⬇️

先分享个一直在用的插件：Gemini-Voyager，非常好用的网页Gemini增强，开发者好像在🍠。

谷歌商店可下，git地址：github.com

💡亮点：
-可以把Gemini聊天记录备份到谷歌硬盘
-可以把AI会话整理到多级文件夹中
- 可以一键导出会话
-提示词库，支持标签分类
-可以一键下载去水印的banana图片
-自动收起输入框等等...

更多功能可以自己体验✌️

有时候真的不得不怀疑自己是天生的测试圣体
凡是经我手的AI就没有不翻车的
总能用随手的用例测出问题...

顺便问问即友，有没有能在这个问题上深度研究效果完美的AI？

记录一期视频播客，来自美国的视角对中国半导体和光刻机的分析。
推荐对芯片行业有兴趣的听听，忽略“屁股问题”，干货还是挺多的，部分信息与我身边从业者的分享一致。

播客主角是Chris McGuire ，美国美中技术竞争、出口管制和人工智能（AI）政策领域的专家，目前担任美国外交关系协会（CFR）中国与新兴技术高级研究员。 2022 年至 2024 年担任美国国家安全委员会（NSC）技术与国家安全副高级总监。在此期间，他主要负责协调美国政府关于美中技术竞争、AI 和半导体的所有政策，并参与制定和实施了拜登政府的一系列技术保护策略（包括出口管制、投资限制等政策）。

🔢一些关键观点：

💡ASML 的护城河到底是什么？
答：EUV 涉及极端物理极限（如真空环境下的等离子体光源），需要数千家供应商数十年的协同演进，这种“隐性知识”无法通过买设备或挖人快速获取。ASML深度整合的全球生态系统，尤其是与蔡司（Zeiss）等核心供应商的排他性合作是其护城河。此外，“工程经验”是比“专利”更难逾越的壁垒：光刻机的调试和维护需要大量现场工程师的经验积累。

💡中国目前的光刻技术处于什么水平？
答：目前主要集中在 90nm 到 28nm 的成熟工艺量产，浸没式 DUV（193nm）仍处于攻坚和良率提升阶段，EUV 尚处于早期研发或实验室阶段。

💡华为 Mate 60 的突破是否意味着出口管制失效？
答：不完全是。7nm 以下制程如果不使用 EUV，其工序步骤和掩模成本将呈 指数级增长。通过多重曝光（Multi-patterning）使用 DUV 生产 7nm 芯片成本极高且良率低，不可持续，且无法跨越到 3nm/2nm。

🔢一些作者分享的数字（尚未考证）
-ASML 研发 EUV 历时超过 20 年，耗资超过 数百亿欧元。
-EUV 需要用高功率 CO2 激光轰击每秒滴落 50,000 次的锡（Sn）液滴，产生等离子体从而激发出 EUV 光。13.5nm 的光会被所有物质吸收（包括空气和玻璃透镜），所以整个系统必须在高真空中运行，且必须使用多层反射镜（Bragg Reflector）而不是透镜来传导光路。
-蔡司为 EUV 提供的反射镜平整度极高，若将其放大到德国国土大小，起伏不超过 1 毫米。
-中国目前最先进的量产光刻机（SMEE）与 ASML 最先进设备仍有 2-3 代 的技术代差。
-性能差距拉大：目前 Huawei 与 Nvidia 的算力差距约为 5 倍，根据两家公司的路线图，这一差距在两年内将扩大到 17 倍。
-Huawei 即将发布的 Ascend 950 芯片，其处理能力和内存带宽甚至低于现有的 910 系列。
-即便给予最乐观的假设，Huawei 明年的总算力产出也仅为 Nvidia 的 4%。

推荐阅读：
推荐书籍没什么意外，《芯片战争》。