Uygulamalı uygulamanın yanı sıra, projenin resmi web sitesi özellikle teknik olmayan geçmişe sahip ve yapay zeka endüstrisinin bağlamına entegre olmak isteyen arkadaşlar için iyi bir yapay zeka öğrenme materyalidir. Çünkü projenin resmi web sitesi özetlenmiş ve kısaltılmıştır: sadece yaptıklarını özetlemekle kalmaz, böylece sıradan kullanıcılar bunu anlayabilir; Aynı zamanda, içeriden olanların neler olup bittiğini anlamasına olanak tanıyan bazı profesyonel kavramlar da var. Yani ilgilendiğiniz yeni bir projeyle karşılaştığınızda, proje özetini çok fazla sorgulamak için yapay zeka kullanmanıza gerek yok, resmi web sitesine gidip proje bilgilerini (iş, ekip geçmişi, finansman vb.) kendi formunuzda kaydedin. Aynı zamanda, izlerken, anlamadığınız bazı kavramları yapay zekaya sorun. Ne kadar çok biriktirirseniz, o kadar parçalanmış kavramlar daha eksiksiz bir çerçeveye bir araya getirilir.

Bugün, Bay Area'da mühendis olarak çalışan ve 100+ çalışanı olan bir yapay zeka altyapısı girişiminde çalışan bir üniversite sınıf arkadaşımla sohbet ediyorum. Bana, yakın zamanda şirketlerine mülakat yapan genç mühendislerin temelde Stanford, Ivy League ve diğer üniversitelerden lisans öğrencileri olduğunu ve orijinal kıdemli çalışmaları doğrudan yapabilmek için 2~3 staj deneyimi olmaları gerektiğini söyledi. Bay Area'daki büyük bir fabrikada çalışmak nispeten rahat, ancak bir startup'ta iş yükü artık çok yüksek. İşi hızlı öğrenmezseniz, optimize 🥲 edilmek kolaydır Ayrıca, herkes Claude Code ile kod yazdığı ve yapay zekaya oldukça güvendikleri için, birbirlerine kod nasıl yazacaklarını açıklamak kolay değil, bu yüzden her mühendisin sorumlu olduğu modül daha bağımsız 😂 hale geldi

Son zamanlarda bazı kişilerle C AI şirketleriyle iletişim kurdum ve dürüst olmak gerekirse, mevcut piyasa olgunluğuyla büyümek gerçekten kolay değil: 1/ C-uç uygulamaları patlayıcıdır, bu da ekibin estetiğini ve kullanıcı anlayışını test eder ve önemli olasılıklar ve olasılıklar vardır; bunların doğru tahmin edilmesi veya tekrarlanması zor 2/ Şu anda piyasa, Amerikan uygulamalarının Çin'e girişinin zorluğu ve Çin uygulamalarının yurtdışı pazarlara girişindeki engeller gibi nispeten parçalanmış durumda. İngiliz pazarına ilk girmek isteyen projelerde, İngiliz pazarındaki trafik bölgesel pazara göre çok daha dağınıktır ve tek bir kanal veya stratejiyle verimli bir şekilde ulaşılamaz, bu da projenin büyük bir yatırım maliyeti olduğu anlamına gelir 3/ Mevcut piyasa başlatma maliyeti ucuz değildir ve pan-trafiğe sahip KOL'ların fiyatı genellikle toplam taraftar sayısının %10'u (RMB) iken, yapay zeka dikey pistteki KOL'ların 2~4 katı prim vardır. Kimi'nin 2025'teki yatırım maliyetinin yüz milyonlarca RMB olduğunu, ki bu da 10 milyon veya 20 milyon yatırım yapmış bir startup şirketi için, kan çukuru yeterince kalın değildir ve kaçınılmaz olarak yanmayacak 4/ Yüksek yapay zeka bilişi gerektiren ürünler, hizmetlerde "segmentasyona" eşdeğerdir. Eskiden sorunun bu ürünlerin çemberi kırma yeteneği olduğunu düşünürdüm, ama şimdi hedef müşteri tabanının büyüklüğü ve para harcama yeteneğiyle ilgili bir sorun olduğunu düşünüyorum Buna dayanarak, eğer To-C yeteneği, bütçe ve genel kullanıcı tabanı sınırlıysa, belki de yapay zeka projelerinin ARR yapmasının en iyi yolu hâlâ "büyük oyuncular bulmak" mantığıdır - en net ihtiyaçlara ve en güçlü ödeme yeteneğine sahip grubu bulmak ve sonra yavaş yavaş B'ye, geliştiriciye, profesyonel gruplara ve ardından trafiğe genişlemek. ARR'nin neden yapıldığına gelince, şu anda ARR olmaması ve projenin ikinci turu entegre etmesinin zor olması.