当AI应用真正规模化,推理正在走向一条全新的“扩展定律”
Fireworks 的 Lynn 在这场分享中提出一个少被讨论却极其关键的判断:AI 应用能否做大,瓶颈早已不在模型本身,而在推理阶段的系统性优化。她从应用开发者视角出发,讲清了未来推理扩展的三维定律,以及为什么推理必须与后训练协同设计,才能把成本压到 10 倍甚至 100 倍以下。
Fireworks 的 Lynn 在这场分享中提出一个少被讨论却极其关键的判断:AI 应用能否做大,瓶颈早已不在模型本身,而在推理阶段的系统性优化。她从应用开发者视角出发,讲清了未来推理扩展的三维定律,以及为什么推理必须与后训练协同设计,才能把成本压到 10 倍甚至 100 倍以下。
这支视频没有停留在“AI将影响就业”的泛泛而谈,而是通过微软裁员、会计师事务所CLA的实践,以及AI Agent的崛起,展示了变化已经发生。更重要的是,演讲者提出:真正的冲击不在未来,而在当下的组织决策中。
这期对谈中,Figma AI 产品负责人 David 亲自演示了 Figma Make:一个可以从截图、图片或简单提示直接生成高保真原型的 AI 工具。文章还原了真实演示细节,并拆解了它背后的产品哲学、AI 决策方式,以及为什么它可能改变设计与开发的协作方式。
Isa Fulford首次系统讲述了OpenAI Deep Research的诞生过程:从一个“临时拼出来”的Demo,到基于强化学习和工具训练的研究型AI Agent。它揭示了OpenAI如何把推理模型真正带入现实世界任务。
多数人还在纠结怎么写 Prompt,这个视频却给了一个更狠的答案:别优化模型,去“挑拨”模型。Greg Isenberg 分享了一个零成本的方法,通过让多个大模型互相竞争,把输出质量直接拉高一个量级。
从微软、谷歌的真实代码比例,到OpenAI一次“性格失控”的回滚,再到Duolingo宣布全面AI优先,这期视频揭示了一个关键信号:生成式AI已不再是工具,而是在重塑组织、工程记忆和工作的基本假设。
很多人还在讨论“AI 能不能写 App”,而这期视频里,答案已经变成了:不仅能,而且是原生 iOS、能上架、能收费。Greg Isenberg 请来了一位深度用户,完整展示了他如何用 Cursor + Claude,把一个想法一步步变成真正运行、可发布的 iOS 应用,以及过程中踩过的坑。
Google做了一件反直觉的事:发布了一个“完全免费”的AI编程工具Firebase Studio。但在实测中,它既强得离谱,也劝退得同样彻底。Greg Isenberg用一场硬核对比,揭开了Firebase Studio和Lovable背后两种完全不同的产品哲学。
一个反直觉的事实正在发生:最像传统电影工业流程的人,反而是最会用生成式AI的人。前音乐视频导演 David Sheldrick 用 Sora 拍片,没有追求“随便生成”,而是把一整套工业化拍摄方法原封不动搬进了 AI 世界。这支视频,讲清楚了为什么真正会用 Sora 的人,思维方式已经变了。
Thomson Reuters Labs 的 Shirsha Chaudhuri 通过真实的企业一线经验,拆解了“AI 工作流自动化”迟迟难以落地的关键原因。问题不在模型能力,而在连接、可靠性、标准化和人与 AI 的协作方式。