企业官网建设流程全解析

愿景：？

利益与对手：市场蛋糕很大，一定跟别人分享，否则肯定活不下来。

局部与整体：克制，牺牲局部利益，考虑全局利益。

需求弹性：非利润最大化，该价格区间，用户需求没有弹性。

开源：作用，让利社会；目的，增加AGI做成概率。

AGI（Artificial General Intelligence，通用人工智能）是人工智能领域的一个终极目标，指的是创造出一种能够理解、学习并应用于广泛任务，且达到或超越人类水平的智能系统。

“C端”是“Consumer端”（消费者端）的简称，指代面向个人用户（你我这样的普通消费者）的产品、服务或市场。

“B端”（Business，企业端），指面向公司、商家等组织机构的业务。

API（应用程序编程接口）

ARR通常指Annual Recurring Revenue，即年度经常性收入。

ARR = 每月经常性收入 (MRR, Monthly Recurring Revenue) × 12

开源：别人使用门槛高，成本高。有管理和物理上制约。小公司没有力量，大公司难组织。

开源：不影响定价，十个月回本能把竞争对手掐死，能让独立部署第三方无利可图。

开源与商业付费没有冲突，六倍利润下没有冲突。

AI无法替代人类主要差在持续学习

指令（Instruction）—— “做什么”这是你明确要求AI执行的任务

上下文（Context）—— “参考什么”这是AI在生成答案时可供参考的全部背景素材

CoT（Chain of Thought，思维链）

Agent（智能体）核心定义：它是基于大语言模型（LLM）作为核心“大脑”，具备自主理解、规划决策、记忆并调用外部工具（Tools）去完成特定目标的

步骤：思维链——智能体——持续学习——迭代（自我更新）——具身智能

Chatbot（聊天机器人）

• Chatbot是“嘴”（说话界面）。

• CoT是“脑回路”（推理过程）。

• Agent是“手和脚”（执行工具）。

人才的组织：组织；激励；合作

核心利益：保持团队的稳定性。手段：融资。

最大挑战唯一挑战：人才流动。除保持团队稳定性外都可以克制。

只做AGI的主线

世界模型是AI在内部构建的一个关于现实世界如何运作的“心智模型”或“模拟器”。它的核心目标是理解外部世界的动态并预测未来情景

最大缺口是算力，买不到卡

H100等效算力”（常缩写为H100e）。你可以把它理解为衡量AI算力的一种“通用货币”或“马力单位的AI芯片（GPU）的运算能力，都折算成相当于多少张英伟达（NVIDIA）H100芯片的算力

买了卡，提供服务赚取现金流就可以活。

中美差距主要是算力差距

训不起百B激活规模的模型

在AI圈，“B”是Billion（十亿）的缩写。“激活规模”（Activation Scale）特指混合专家模型（MoE，Mixture of Experts）中的实际参与计算的参数数量。“百B（100B）激活规模”，意味着每次推理/训练时，需要调动1000亿个参数同时进行计算。要达到这个激活量，该模型的总参数通常得在万亿（1T）级别以上（因为MoE的专家冗余比例通常很高）

模型最终差距体现在成本、时间、用户体验竞争（才能在用户粘性和用户壁垒）。

走商业化路径，产品线生命周期很短。

选择伙伴策略：寻找利益一致的。

公司决策建立在共识之上：我个人在公司内的权威及影响力是建立在共识的基础上的。

OpenAI 和 Google交替上升，Anthropic有先发优势

中国AI角色：系统性低价。电力最多，芯片产能最大。

做AGI收益最大

AI可以加速国产卡的生态构建：生态不好即买了卡用不起来。。英伟达 CUDA 的护城河

CUDA（Compute Unified Device Architecture，计算统一设备架构），是英伟达公司于2006年推出的一个通用并行计算平台和编程模型

国产 AI 芯片的硬件和生态都没有问题，唯一有问题的是产能不够。国产卡建立起跟英伟达一样、甚至比英伟达还好的生态， 我觉得没有障碍，但还需要时间。

华为的问题还是产能不足

高级语言编译器：它是一种将用高级编程语言（如C、C++、Java、Python）编写的源代码转换为低级机器代码（或字节码）的程序

编译器工作的核心流程（经典六步）：1.词法分析（扫描）：“切菜”代码分割 2.语法分析（解析）：“看菜谱，确认顺序”组装成一棵抽象语法树（AST，Abstract Syntax Tree）。3.语义分析：“检查食材是否匹配”检查代码的逻辑意义。4.中间代码生成：“把菜做成半成品”。中间代码（IR，Intermediate Representation）。5.代码优化调整火候6.目标代码生成：“最终装盘，端上桌”机器指令（二进制 0/1）。

与美国芯片上的差距，生态上不会有差距，芯片上是四倍加两年。

不向上游整合，只吃主干

要自建大型集群，不一定自研芯片。但是取决于自研成本与收益有多大。

ToB上限由需求决定而不是算力

多模态在做，但它是产品重要组件，不是智能主线

多模态大模型”（如GPT-4o、Gemini、Claude 3），核心能力就是打破数据类型的壁垒。它不再只处理文字，而是能处理“四大家族”：

1. 文本（Text）：你写的问句、文章、代码。（传统LLM的专长）

2. 图像（Image）：照片、图表、手绘草图、扫描的PDF。

3. 音频（Audio）：人声语音、环境噪音、音乐旋律。

4. 视频（Video）：动态的画面+声音的组合

Scaling”（规模扩展）“只要你把模型做得越大、喂的数据越多、砸的算力越猛，它的智商就一定会稳定地、可预测地提高。”