2025.11. 05 本文字数：4327，阅读时长大约7分钟 作者 | 第一财经 刘晓洁 封图 | 《故宫猫猫上班记》里的画面 清晨，一群小猫走过老北京胡同口的屋顶，走过天坛、鸟巢、红墙青瓦，最后聚集在故宫"上班"，对着游客摆出最迷人的姿势。这些想象来自《故宫猫猫 上班记》——一支由AI生成的短片，全网播放量破亿。 AIGC艺术家海辛和Simon阿文在去年底创作了这一短片，但"做得很痛苦"，那时AI理解复杂指令的能力尚且稚嫩，生成长镜头极易"崩坏"，他们不得不 将创意拆解成无数短镜头，像"抽卡"一样反复尝试，一个镜头甚至能耗费2000多元。 然而不到一年，他们对第一财经记者感慨，AI的能力已提升了近两三倍，技术的门槛也越来越低。就在上个月，他们制作了一支关于橘猫和浦东的城市 宣传片，以往做不到的复杂镜头，AI已能轻松搞定。 但现在，20多秒的超长镜头能用AI延长功能一次生成，可能一到两次生成就成功了，也有了更多可替代的工具。 "虽然听起来只是大半年前，但对AI来说好像真隔了好久。"海辛表示，从年初到现在，AI的能力提升了两三倍，创作者可以专注在更值得花时间的创意部 分了。 这种变化体感很明显，阿文补充道，上 ...

曾经"一个镜头2000多元"的AI进化了。 清晨，一群小猫走过老北京胡同口的屋顶，走过天坛、鸟巢、红墙青瓦，最后聚集在故宫"上班"，对着游客摆出最迷人的姿势。这些想象来自《故宫猫猫上 班记》——一支由AI生成的短片，全网播放量破亿。 AIGC艺术家海辛和Simon阿文在去年底创作了这一短片，但"做得很痛苦"，那时AI理解复杂指令的能力尚且稚嫩，生成长镜头极易"崩坏"，他们不得不将创 意拆解成无数短镜头，像"抽卡"一样反复尝试，一个镜头甚至能耗费2000多元。 然而不到一年，他们对第一财经记者感慨，AI的能力已提升了近两三倍，技术的门槛也越来越低。就在上个月，他们制作了一支关于橘猫和浦东的城市宣 传片，以往做不到的复杂镜头，AI已能轻松搞定。 AI的浪潮在吞没一切，整个艺术设计行业都在经历一场静默而迅猛的重构。近日设计师社区站酷发布的《AI时代的超级设计师研究手册》中提到，从来不 用AI的站酷设计师用户已不到1%。AI能让设计师"一人成团"，像海辛和阿文这样的AIGC艺术家已经越来越多，传统商业格局也在被打破。 但另一边，动画师、《爱、死亡和机器人》导演彼得·多德（Peter Dodd）对第一财经记者表示，他许 ...

要为中国最会搞AI的一群CEO办大会，要找谁来操盘？ 经过深思熟虑、反复比对、小心假设、大胆验证，锦秋基金团队一拍大腿： 为什么不是我们自己来？ 于是，这群活跃在AI最前线的投资人们，决定亲自下场，开始一次全新的挑战—— 狂卷AI工具，手搓出一场100人规模的CEO大会！ 时间定档11月1日，本周六。 本次活动，我们也不邀外部权威站台；因为这本就是一场关于创始人们自己的"聚会"，每一位创始人， 就是主角。他们的思考与判断、决策与笃定，才是最值得倾听的"行动指南"，才是我们想要举办活动的 初心。 ⬇️以下，是我们准备的大会预告。 灵感来源 过去，AI通过人类数据模仿语言、图像与行为，是"人类世界的投影"；现在，AI通过传感器、环境反馈、行动决策主动"体验世界"。 可评估的Benchmark在研究领域不再是重点。Al的研究和应用全面融合，用来自真实世界的具体任务，组成供AI进行强化学习的环境，持续采集真实的世界数 据，推动智能的进化。 在"体验时代"， AI不再是封闭系统，而是一个不断试错、持续学习的生命体。 在"体验时代"， 创业者也不是一座封闭的孤岛，而是一个不断与世界交手、与同伴联动的创造节点 。 锦秋也和 ...

技术突破与核心优势 - 提出名为EPG的新训练框架，通过自监督预训练与端到端微调相结合的方式，彻底消除了生成模型对变分自编码器的依赖[1] - 在ImageNet-256数据集上仅需75次模型前向计算即可达到2.04的FID分数，在ImageNet-512数据集上达到2.35的FID，生成质量优于主流模型[3] - 首次在不依赖VAE及预训练扩散模型权重的前提下，成功在像素空间中端到端训练一致性模型，在ImageNet-256上单步生成即可取得8.82的FID[5] 传统VAE范式的局限性 - VAE训练过程复杂，需要在图像压缩率与重建质量之间取得精妙平衡，极具挑战性[6] - 当需要在新的领域微调生成模型时，若预训练的VAE表现不佳，必须连同生成模型一起微调，这会显著增加训练成本和开发周期[6] 训练效率与成本 - EPG框架总训练开销显著低于主流模型DiT，预训练/VAE训练时间为57小时，而DiT为160小时；微调时间为139小时，而DiT预估为506小时[7] - 训练方法借鉴计算机视觉的经典范式，将复杂生成任务解耦为两个更易处理的阶段：自监督预训练和端到端微调，极大简化了训练流程[7][14] 两阶段训练方法详解 - 第一阶段自监督预训练专注于解耦表征学习与像素重建，模型仅训练编码器部分，通过对比损失和表征一致性损失从带噪图像中提取高质量视觉特征[8][9] - 第二阶段端到端微调将预训练好的编码器与随机初始化的解码器拼接，直接使用扩散模型或一致性模型的损失函数进行微调，无缝衔接下游生成任务[13] 性能基准对比 - 在ImageNet-256任务上，EPG/16模型的FID为2.04，优于隐空间模型如DiT-XL/2的2.27和SiT-XL/2的2.06，也优于其他像素空间模型[16] - 在ImageNet-512任务上，EPG/32模型在800个周期后FID达到2.35，优于对比的隐空间和像素空间模型[16] - 在一致性模型训练上，EPG在像素空间单步生成FID为8.82，显著优于隐空间模型如Shortcut-XL/2的7.80[17] 推理性能与可扩展性 - 基于EPG训练的扩散模型在推理时仅需75次模型前向计算即可达到最优效果，步数远低于其他方法[18] - 模型在256x256和512x512分辨率图像上均能保持一致的生成速度，展现了优异的可扩展性[18]

人们以为推动AI革命的，是芯片、模型和资本。 但在硅谷投资人的眼里，真正的助力其实是人类的懒惰。 不是天才在驱动AI，而是懒人。 因为一切能让人少动一点手、少一点思考的工具，终究都会获胜。 ChatGPT帮人写几封邮件，Midjourney省去无数次改图，Suno让音乐人的职业门槛消失...... AI扩散的规律，其实比算法简单得多：它只奖励那些最擅长偷懒的人。 当「偷懒」成为一种新的生产力，我们也许正站在一个奇怪的拐点上，而勤奋，不再是竞争力。 懒惰成为生产力 AI时代的扩散逻辑 在这场讨论中，Reid Hoffman抛出了一个看似轻佻却极具洞察力的观点： AI的扩散，不是靠勤奋的人推动的，而是靠懂得偷懒的人完成的。 这并非反对勤奋的宣言，而是霍夫曼对技术传播机制的精准观察。 当一项技术不仅能做得「更多」，还能让你「做得更少」的时候，它就拥有了真正的爆发式扩散能力。 霍夫曼在访谈中将AI投资分为三个方向： 「显而易见」的AI赛道：如聊天机器人、生产力工具、编程辅助——这些方向所有人都看得见，因而难以产生差异化。 AI时代的新平台：类似于Web 2.0崛起的路径，新的平台可能在AI时代出现。 来自硅谷视野以外 ...

周末看到了宝玉老师的一个帖子，我自己其实有非常强烈的共鸣。 宝玉老师说的是编程，而我在创作这块，其实一直都有相同的观点： 如果你是一个想在某个领域，真正深耕下去，想成为这个领域的专家，那么，在你独立、手动、不借助（或极少借助）AI，完成1000个小时的刻 意练习之前，离AI远一点。 当然，如果你只是想用AI应付一下工作，做个PPT，写个周报，或者就是图个乐子，生成点东西发朋友圈，那无所谓，AI就是最好的玩具。 我知道这个观点可能会有些暴论，甚至有点何不食肉糜的感觉。 而且从一个AI博主嘴里说出，可能会非常的奇怪。 毕竟，AI现在太方便了，太强大了，太诱人了，放着这么牛逼的东西不用，非要去吭哧吭哧地，练那些笨功夫，这不是傻吗？ 但是周末想了很久，还是决定表达出来。 再说观点之前，我们还是先聊聊，我自己是怎么用AI来辅助创作的。 就直接用 写文章这个我自己吃饭的家伙来举例子吧 。 我非常坦诚地讲，我现在写的这些文章，是有AI辅助的成分在的。这个比例看具体文章的类型，大概在0%到40%之间波动。 比如写产品评测，就像上周发的Vidu Q2，需要跑大量的case，还得roll作品，感受到底好在哪，烂在哪，这块AI没法 ...

新加坡数字经济规模与增长 - 2024年新加坡数字经济规模达到1281亿新元，同比增长120亿新元，占国内生产总值的18.6%，较2019年的14.9%显著提升 [2] - 超过三分之二的数字经济价值来自金融、贸易、制造等传统产业 [2] - 金融与保险业成为数字经济发展的最大贡献者，批发贸易和制造业紧随其后 [2] 企业数字化进程 - 2024年新加坡有95.1%的中小企业至少采用一项数字技术，较2023年的94.5%提升，企业平均采用数字技术数量从2个增至2.3个 [3] - 97%的企业应用行业定制化数字解决方案，较2023年的85%大幅提升 [3] - 政府通过政策工具累计帮助超过9万家中小企业完成数字化改造，使平均成本降低50% [3] 人工智能技术应用 - 2024年新加坡中小企业人工智能使用率从2023年的4.2%跃升至14.5%，非中小企业则从44%提升至62.5% [3] - 生成式人工智能工具被84%的企业用于内容创作、客户服务等场景，特定领域人工智能解决方案应用率达到52% [3] - 已有44%的企业开发定制化人工智能模型 [3] 劳动力效能与就业 - 73.8%的员工日常使用人工智能工具辅助工作，部分岗位效率提升30%以上 [4] - 2024年数字经济领域就业人数增至21.4万，同比增长5700人，人工智能、数据科学、网络安全岗位增速较快 [4] - 非信息通信领域的科技岗位年增幅达3.9%，远超信息通信行业的1.1% [4] 科技人才薪资与培养 - 科技岗位月薪资中位数达7950新元，是其他职业薪资中位数（4860新元）的1.63倍 [4] - 政府通过计划已帮助1.9万人转型科技行业，并培训30万人次提升数字技能 [4] - 2024年Python、SQL等编程语言需求同比增长25%，云计算技能需求上升18%，传统网络开发技能需求下降9% [5] 未来战略方向 - 新加坡将深化智慧国家2.0战略，重点推进强化数字基础设施韧性、拓展跨境数字合作、培育人工智能安全生态三大方向 [6] - 政府计划未来5年投入50亿新元支持研究、创新与企业2030计划，重点发展量子计算、生物医学工程等战略领域 [6]

AI应用普及率与增长趋势 - 2025年AI在设计行业整体使用率达到85.8%，较2024年提升23.7个百分点 [3] - 将AI投入实际项目生产的比例从2024年的25.7%跃升至2025年的43.8% [19] - 未使用任何AI工具的设计师比例从2024年的37.9%断崖式下降至2025年的14.2% [19] - 海外设计师AI应用情况与国内基本一致，82.8%的海外设计师正在应用或探索AI，仅17.1%未使用任何AI工具 [23] AI易用性提升与工具演进 - 因"操作复杂"而不使用AI工具的设计师比例从2024年的31.9%下降至2025年的25.2% [22] - 45.7%的设计师最明显感受到"学习成本降低，操作更加友好" [25] - 通用型AI如腾讯元宝、豆包、Deepseek成为设计师低成本接触AI的窗口 [4] - 专业垂直AI工具如Stable Diffusion、D5 AI、Midjourney更受深度使用者青睐 [31] - AI精准解决垂直设计问题的能力显著提升，此前"AI不能理解设计意图"的痛点（34.8%）正在持续优化 [34] 使用障碍转变与经济性考量 - 阻碍设计师使用AI的原因从技术性壁垒转向经济性壁垒 [5] - 因"AI需要付费"而放弃使用的国内设计师比例从2024年的21.8%跃升至2025年的37.8% [40] - "硬件配置不够"的比例从14.9%提升至23.5% [40] - 海外设计师中36.8%因"工具需要付费"直接放弃使用，成为首要原因 [40] 企业规模与AI渗透率差异 - 100人以上规模设计企业中66.2%将AI应用于实际项目，100人以下企业中该比例仅为33.5% [6][42] - 大型企业在AI技术采用率和整合深度上显著领先中小型事务所 [42] - 中小型企业仅在"软件/平台费用"支出占比上领先大型企业，更倾向于采用灵活、低成本的SaaS工具 [44] 企业AI能力建设投入重点 - "软件和平台费用"以47.2%位居AI相关支出首位 [7] - "人才和培训"以37.3%的比例位居第二，重要性超过"硬件升级"（30.8%）和"日常运维与技术支持"（26.4%） [7][47] - 企业对人的投资与对工具的投资同步进行，显示行业成熟认知 [49] 设计师态度与职能转变 - 认为AI不会威胁设计师岗位的比例从2024年50%提升至2025年58.2% [8][50] - AI工具使用频率与威胁感知呈负相关：频繁使用者中仅29.8%视AI为威胁，很少使用者中该比例达56.2% [52] - 64.3%的设计师感受到个人工作职能延伸，其中17.4%认为显著扩大，46.9%认为有一定程度扩大 [9][54] - 77.2%的受访者表示AI应用增强了对设计方案的掌控能力 [9] - 设计师核心价值从动手执行转向"问题定义"和"价值判断" [55] AI应用深度与行业挑战 - 仅约10%的设计师在绝大多数项目中应用AI，AI应用高度集中在"初步方案设计阶段" [10] - AI面临深度融入流程、获取垂直数据集、工作流碎片化等多重挑战 [10]

AI行业发展趋势 - 人工智能已从传统“决策式AI”演进为更具创造力的“生成式AI”[3] - 生成式AI广泛渗透至文本、音频、图像、视频等多模态内容生成领域[3] - 生成式AI成为推动社会生产力变革的重要力量[3] AI工具应用场景 - DeepSeek、Midjourney、Sora等国内外代表性平台具有不同功能特点与适用场景[5] - 通过提示词工程可高效生成专业化内容，如政策解读、商业计划、宣传文案等[5] - AI工具能极大提升办公效率与创新能力[5] 中国AI产业竞争格局 - 中国AI产业面临算力与融资等多重挑战[5] - DeepSeek等本土模型展现出优秀的开源战略与性价比优势[5] - 中国AI模型正逐步改变国内外AI生态布局[5] 未可知人工智能研究院业务 - 研究院专注AI推广与产研结合的新型智库[7] - 业务包括出版AI普及专著、参与制定行业标准、政府与企业培训、AI战略咨询等[7] - 致力于推动人工智能技术普及与行业深度融合，助力多行业实现智能化转型[7] 未来发展方向 - 研究院将加强与各级政府、企事业单位的合作[7] - 推动AI在更多公共服务与社会治理场景中落地应用[7] - 为建设数字中国、智慧社会提供坚实支撑[7] 研究院合作伙伴 - 合作伙伴涵盖法律、能源、金融、教育、媒体等多个行业[10][11][12][13][14] - 包括盈科律师事务所、国家能源集团、中国建设银行等知名机构[10][11][12] - 合作网络覆盖银行、传媒集团、高校等多类型组织[12][13][14]

Meta的AI战略与资源投入 - 公司CEO扎克伯格认为在AI竞赛中时间是唯一敌人，宁愿浪费数百亿美元也不愿因行动缓慢而错过超级智能的发展机会 [1][6] - 公司已在AI领域投入数百亿美元，并以高达九位数的天价薪酬吸引顶尖人才，例如向24岁的人工智能专家Matt Deitke提供了价值约2.5亿美元（约合人民币18亿元）的薪酬包，其中第一年收入达1亿美元 [3][5] - 公司将所有AI业务重组于新成立的超级智能实验室（Meta Superintelligence Lab, MSL）之下 [3] 内部工程效率革命 - 公司发起内部革命，旨在引导团队转向更快的工程工具，目标是将应用部署时间从小时级压缩至分钟级 [1][12] - 内部备忘录指出，公司原有的为数十亿用户设计的内部系统部署变更耗时过长（小时级），且技术栈不利于流行的AI辅助编程（vibe coding） [9][10][12] - 基础设施负责人Aparna Ramani提出两种途径以加速部署：一是采用主流开发者平台Vercel，可将部署时间从99分钟降至2分钟或更少；二是在内部构建名为Nest的新平台 [12] 外部工具与平台的采用 - 公司推动员工放弃自研的缓慢基础设施，转而拥抱Vercel和微软旗下的GitHub等主流平台，目前已有10个项目在Vercel和GitHub上运行，更新可在几分钟内完成 [8][14][15] - 当自有工具表现不佳时，公司频繁转向外部技术，例如使用竞争对手Anthropic的Claude模型开发内部编码助手Devmate，以及采用Midjourney的外部图像生成技术 [15][16] - MSL的新任负责人Nat Friedman和首席AI官Alexandr Wang本身就是Vercel的投资者，Friedman同时也是Midjourney的顾问 [9][18] 强制推动内部AI应用 - 公司自年初起推出内部AI使用仪表盘，实时追踪各团队的AI使用情况，并为不同部门设定了具体的使用率目标，例如硬件部门Reality Labs的目标是AI使用率超过75% [2][20] - 公司通过将AI使用情况纳入游戏化机制（如“Level Up”自愿参与项目）和可能纳入绩效考核等方式，软硬兼施地提升员工对AI工具的依赖 [17][20][21] - 公司发言人称推动AI在日常工作中的使用是重点方向，CEO扎克伯格预计到2025年底，公司内部的AI将具备“中级工程师水平” [20]