先理解他的位置
模型公司、云平台、芯片商、应用软件和独立工程师，看见的是不同利润池。
AI FUTURE THROUGH PEOPLE
围绕真正做 AI 的人，
学习未来如何演化
AI 没有成熟教科书。jaiv1 以中美 AI 高手的公开谈话为锚，把原话一点点拆成可理解的技术路线、产业判断和未来预测，再等待现实裁决。
LEARNING LOOP
从“听不懂”到形成自己的判断
高手的谈话不是答案，而是高密度教材。逐句拆解、交叉比较、回到现实验证，才会转化成自己的认识。
1 · 找到原话
只确认他表达了什么，不因身份自动相信。
只确认他表达了什么，不因身份自动相信。
2 · 翻成白话
解释术语、机制和因果链，先达到真正看懂。
解释术语、机制和因果链，先达到真正看懂。
3 · 找隐含假设
识别他的路线依赖哪些尚未证明的前提。
识别他的路线依赖哪些尚未证明的前提。
4 · 与高手对照
把同一问题下的共识、分歧和利益位置并排。
把同一问题下的共识、分歧和利益位置并排。
5 · 映射产业
判断芯片、模型、云、应用和工作流的价值可能怎样迁移。
判断芯片、模型、云、应用和工作流的价值可能怎样迁移。
6 · 等现实裁决
用发布、成本、客户、财报、事故与监管更新观点状态。
用发布、成本、客户、财报、事故与监管更新观点状态。
WHY PEOPLE
人物页不是名人语录
每个人都处在具体公司、技术路线和资本结构中。理解他的利益位置，才能正确使用他的预测。
再拆他的世界模型
Scaling、Agent、持续学习、世界模型、具身与安全，哪些被放在主线上？
最后交给现实裁决
用模型发布、成本、客户采用、财报、事故和监管结果更新“待验证/部分兑现/已证伪”。
CURRENT MAP
十九个观察位置
梁文锋 · 唐杰 · 杨植麟 · 闫俊杰 · 张鹏 · 林俊旸 · 姚顺雨
关注持续学习、智能效率、长上下文、多 Agent、开源、算力约束与中国模型公司的商业化路径。
Altman · Amodei · Hassabis · Karpathy · Sutskever · LeCun · Musk
关注能力加速、安全许可、世界模型、可验证性、超级智能路线及 Agent 的可靠性边界。
Huang · Nadella · Pichai · Levie · Maguire
关注 AI 工厂、全栈分发、模型可替换、企业上下文、seat/consumption 计价与资本的利益位置。
AI 人物知识库 · 广度参考层
覆盖中美模型公司、云与芯片、机器人与安全研究的关键人物速查档案；外部汇编快照，未经逐条核验。
MODEL ECONOMICS
大模型：开源与闭源的逻辑
“开放”不是一个开关。权重、许可证、训练材料、成本和安全责任共同决定模型如何商业化，以及利润最终落在哪一层。
闭源、开放权重、完全开源
当前多数所谓“开源大模型”，严格说只是开放最终权重，并未公开完整数据、训练代码与后训练流程。
免费文件不等于免费系统
部署、GPU、运维、安全、评测与持续升级仍需付费；许可证则决定大型商业平台是否需要分享价值。
模型层让利，价值向上迁移
模型更可替换后，算力、托管、企业数据、工作流、验证与责任层可能承接更多价值。
METHOD
取消“谁更可信”，改看“谁被现实验证”
来源状态
本人或公司发布、媒体转述、未核实流传；只解决“是不是他说的”。
本人或公司发布、媒体转述、未核实流传；只解决“是不是他说的”。
观点类型
技术判断、商业判断、预测或愿景；明确它不是已知事实。
技术判断、商业判断、预测或愿景；明确它不是已知事实。
现实状态
待验证、部分兑现、已证伪；由未来数据更新。
待验证、部分兑现、已证伪；由未来数据更新。
利益方向
他说这句话会抬高谁的价值、保护哪一层利润池。
他说这句话会抬高谁的价值、保护哪一层利润池。