上下文工程又有新词了。AIGC不怎么赚钱，造词的速度还是非常非常快的。大家好，欢迎收听老范讲故事的YouTube频道。

提示词工程已经稍微有点过时了，现在的新词叫上下文工程。提示词工程长什么样，大家还记得吗？就是上来先说你是谁，谁先给大模型定一个位置。比如说你是一个资深翻译，你是个语文老师。然后呢，说我现在想要干一点什么事情了，给我出个题，给我做个翻译，再给他一个简单的例子，说你照这样给我把东西做出来。

光有提示词呢，肯定是不够的。除了刚才我们讲的完整的、结构化的提示词之外，你还是需要很多相关的上下文，才能够让大模型稳定的输出结果。那你说我们继续把提示词写长不就行了吗？我还见过那种直接写出几百字或者是上千字小作文的提示词。这个是不是可以继续往前走呢？不行了。因为你如果继续叫提示词工程呢，会容易引起误解。大家觉得只要不断的把提示词写长，就可以把这事解决掉。但其实除了提示词之外，还有非常非常多的上下文数据需要一起写进去，才能够让大模型稳定的输出我们所预期的、有价值的结果出来。

所以呢，就不能继续叫提示词工程了，一定要起个新词。而且呢，AI时代呢，起新词是非常重要的，因为可以吸引眼球。只有足够吸引眼球的东西，才有发展的前景。所以在这个时候，上下文工程就来了，一个新词诞生了。

这个造词的大师现在是谁呢？叫安德烈·卡帕西。这是一位造词专家，他呢是特斯拉跟OpenAI的AI科学家，已经离职了。现在呢主要的工作是投资人和顾问，他自己投一些项目，也帮助一些项目做顾问做孵化。这哥们呢在不停的造新词。2017年呢，他造的新词叫软件2.0。什么是软件2.0呢？把神经网络视作用数据而非代码编程的新规范。程序等于网络结构加训练数据加优化器，源代码缩到几百行，真正的逻辑写在权重里面。这是2017年提出来的，现在我们的大模型基本上就是长得这个模样。

到2023年呢，提出来叫LLMOS，大模型操作系统。把大语言模型比作新的CPU加操作系统，人类用自然语言编程，大语言模型负责调度、记忆和推理。2025年，氛围编程，也是他编发明的一个新词。彻底投降给AI，对着IDE聊天，粘贴报错，让模型自动改，人只管感受对不对。

现在上下文工程又来了。上下文工程呢叫context engineering，这个呢并不是卡帕西自己提出的。最早呢是2025年6月27号，一位开源作者叫Simon Wilkinson。

写了一个文章，提到了”Context Engineering”这个概念。在7月份呢，一帮人就出来说，这个实在是太棒了，要向这个方向发展，包括Longchain的一些博客。Longchain应该也算是AI Agent的一个开山项目吧，比较早期的一个项目。Shopify（加拿大最大的电商平台）的创始人也出来点赞，说一定要使用Context Engineer才可以让大模型稳定的输出结果。

在这个时候呢，卡帕西上去点了个赞。卡帕西说：”加一，我也赞同这件事情。”所以现在再去讲这个上下文工程的时候呢，都是说这是卡帕西点赞过的，或者说是卡帕西推崇的新的概念。因为他最有名，他最喜欢造词，所以现在都是把这个上下文工程这个事情跟卡帕西挂在一起。

AI时代，讲故事能力、吸引眼球的能力是非常非常重要的。所以我们看到一帮做机器人的公司，或者像OpenAI这样的公司，不停的给大家录视频，让普通的民众能够感受到这个东西好厉害。其实他也没搞明白这个大模型或者这些机器人到底能干嘛，只是觉得好炫酷。但这就够了。当大家都觉得这个东西很炫酷的时候，你就可以拿到融资，可以往前走。所以造新词还是很重要的。

那么上下文工程都包含什么东西呢？讲了半天在提示词工程基础上加什么了呢？上下文工程呢一共是6个模块：

第一个叫指令层（系统角色+少样例提示）。这个什么意思呢？原来我们写在系统提示词里的东西。我们跟大模型聊天的时候，是有两个提示词：一个叫系统提示词，一个叫用户提示词。系统提示词就是先规定大模型你是干嘛的，你是什么什么角色，现在要具体做什么什么事情。少样例是什么呢？叫Few-shot，就是你要给他提几个例子。你说我直接告诉你你是干嘛的，我不给你举例子行不行？这个事是不好的。最好呢是给他两个到八个之间的这种少量的样本。那你说我给他100个例子行不行？那个你基本上去微调模型去了。所以呢，叫少量样本。这个是写系统提示词的一个要求。所以呢，他的第一块（6个模块里的第一块）就是系统提示词。

第二块呢叫及时用户请求，也就是原来我们使用的用户提示词。

第三块是什么呢？叫对话历史和短期记忆。我们在聊天的时候，你不能说我每句都是新的吧，你还是要有一个对话历史的。

第四块叫长期记忆。长期记忆呢就是说，我们通过每一次聊天，把一些关键信息把它提取出来。因为现在甭管是OpenAI、Gemini，都在向长期记忆这一块发展。

我们说，你记得我是干嘛的吗？你记得这个原来我跟你说过什么事吗？他能想的起来要把用户偏好和先前的一些摘要放到这个上下文里边去。

第五个呢，是RAG检索到的文档、数据库条目以及实时API的一些结果，再加一些本地知识库，再加一些搜索结果呀，再加一些数据库里的信息。

第六块呢，叫工具与格式约束。什么意思呢？就是你要告诉他说：“我现在可以调哪些工具？”比如说我这有高德地图、有百度地图、有天气，或者一些其他的工具，你可以调用。调用的方式是什么样的？以及呢，输出什么样的一个结果？通常这种信息都不是按照正常的文本格式输出的。这种上下文工程要求的输出格式都是JSON格式，有哈西结构的一些文档。

整个的上下文工程包括这六个组成部分。它的工作方式是什么样的？我怎么能够让它用起来呢？分四步：

第一步呢，是写。写的时候呢，要把随时会用到但是当前窗口装不下，或者不该暴露给大语言模型的内容呢，持久化到窗口之外去，可读可写的一些外部存储上。有一些信息我认为你可能有用，但是呢现在我又不是马上就要给你，我要把它先存起来。

第二件事呢，叫选。选是什么呢？就是在庞杂的信息文档和工具描述里头，准确定义相关性，把最有用的多少条信息放到窗口里边去。在大模型里头，有一个东西叫上下文窗口。要把一时用不着的写在外面，随时可以调用；要把有用的选到窗口里头来。

第三步呢，叫压缩。在不丢关键信息的情况下，把即将写回窗口的内容做摘要和裁剪，满足TOKEN预算。什么意思呢？比如说做了RAG的选择了，或者做了搜索的结果返回了，这些信息是相对比较啰嗦的比较多。那怎么办呢？在这个时候你要先去做一次总结，然后把总结过的东西再扔给大模型。所以呢，在这要做压缩。

最后呢，第四步叫隔离。把彼此可能串味的信息拆分进独立的上下文窗口或者沙盒，减少干扰，并行提速。

我原来在这块翻过车，稍微给大家讲一嘴。我有一次呢，想去问大模型，说这个人跟谁谁一块创业去开咖啡馆了，他有什么其他的在咖啡馆里边管理或者创业的经验没有？大模型呢，就把一大堆的搜索结果拿进去去总结归纳去了。结果呢，他就说这个人在瑞幸干过高管，在星巴克干过高管。我一看，这挺好，赶快就去写演讲稿去了吗？但是最后去校验的时候发现不对。那是怎么回事呢？就是他在搜索了以后，把一大堆说星巴克跟这种咖啡馆之间是如何去比对的，瑞幸跟这些咖啡馆之间是如何差异，他们对瑞幸做了什么评价，瑞星对他们做了什么评价。

然后呢，再把我提问的这个人混到几个结果里边去了，就把一些信息上下文给混一块了。在这个里头就不要干这个事情。如果是说星巴克跟瑞幸对这个新的咖啡馆的形态有什么样的评价和比较，你单独的去让他干活。然后呢，你单独专门问，说这个人具体是做什么事情的，过去的履历是什么样的。这样的话，他等于是把上下文就分到不同的窗口里去了，他就不会说我给你搁一块，让你混成一锅粥以后再去给我输出了。这个也是很重要的。而且你分开了以后就可以并行处理嘛，可以快一点。这就是上下文工程6个部分和分四步走。

那么如何判定我们上下文工程是不是成功的呢？一旦有工程这俩字，就是你一定是可以去调优的，一定可以判断成不成功的。上下文工程的成功标准是同样的一个任务，用更低的成本、更少的幻觉、更快的响应速度把它完成掉，这就是成功的。你要不断的去调优，按这个方向调。失败是什么呢？叫垃圾进垃圾出。你把一大堆不应该给他的信息都扔进去了，然后一大堆垃圾的结果给你吐出来，这个就是失败了。

但是要注意，不是所有的大模型都能顶得住上下文工程的。你写了这么长的上下文扔进去，让他去干活，不是谁都行。那么什么样的大模型可以顶得住上下文工程的这种工作方式呢？它有三个要求：

第一个要求是你要长上下文。刚才咱们啰里八嗦说有6个部分，分几步去写，但是你把那6个部分写进去，这个总的TOKEN量是不会少的。所以呢，要求你至少是有128K的输入，你才可以去干活。所以像早期的Deepseek版本是64K输入的，干不了这事，放不下。

第二个是什么呢？就是原生工具调用的知识。有一些早期的模型是不支持原生工具调用的，包括比较新的像LLAMA4什么的，对原生工具调用的支持都不是很好。因为你要想让他把所有的事情做完，你就要让他可以去调用工具，调用搜索引擎、调用浏览器、调用刚才我们讲的比如天气预报、高德地图。你可以去调用这些东西，他才可以去干活。所以，你要支持原生工具调用。

第三个呢，就是要能够做稳定的Json结构输出。你不能说我要求你输出了以后，最后你输出的格式不完整、不正确，这个事也是没有办法做上下文工程的。因为呢，你这边做完上下文工程了以后，他可能不是最后一步，你下一步你还要再去用这些内容，需要去解析这个东西，才可以去说下一步再如何去使用。

现在我们所流行的这些大模型里头，谁行谁不行呢？咱们讲了三条标准。第一个，美国的御三家都是很好用的。

御三家就是GPT、Gemini、Claude。其他的一些呢，就稍微差一点。比如说像法国的Mistral，它的一些大的模型呢是可以使用的，但是完整格式输出的准确率不高。

咱们刚才讲的Gemini、Claude、GPT，完整Json格式输出的时候，也不能保证100%正确，但是呢可以保证到百分之九十几正确。Mistral呢，就是最后这一步的格式输出，有时候比如少个大括号，或者是多个引号什么这种事，他就有时候会出。或者说我少几项，比如说我应该要求是4个，结果他最后给你输出了3个，或者多输出了两个，有重复的。它的这块会稍微差一些。

马斯克的GROK3，推理模式下呢基本上可用。但是呢，有的时候会把推理的过程写到json文件里边去，所以并不是完全可用。或者说，还是有待提升吧。马斯克说这几天出GROK4，希望他能够把这个问题解决掉。

咱们自己的，比如Deepseek R1呢，早期的版本，就是1月份的那个版本呢，64K，这是没法跑，而且它对于工具的支持也不是很好。但是呢，到Deepseek R10528的时候呢，到128K了，够用吧，也不是特别够用。最好是256K或者是一兆以上的上下文，才会更好用一些。所以呢，它在这块呢稍微有些欠缺。然后到0528这个版本呢，它已经开始支持工具了，这块基本上可用。它的最大的问题还是上下文稍微不太够长。但是呢，DeepSeek R1输出的内容还是非常好的，输出的内容质量很高。它的Json的格式也是相对来说比较正确和完整的，就正确率很高。

千问3呢基本上是可以用的。千问3唯一的问题是什么？就是它输出的结果上，这是文字的东西呢，比Deepseek要单薄一些。另外一个现在国内比较好用的模型呢，是豆包1.6。推理过程比较长的时候，容易跑偏前头。比如推理五六步了以后，直接出结果，他有时候就直接出英文结果，这个就是稍微跑偏了一点点。

那你说我们现在有这么多模型：GPT4O、GPT4O Mini、Gemini 2.5 Pro、Gemini 2.5 Flash。这些版本之间，你去让它跑这个上下文工程，到底有什么区别呢？所有的这种大模型Pro版，或者是GPT4O这种完整版本，一定是效果最好的。但是呢，Flash版呢，它的速度会快一些，价格便宜一些。只是呢，你要给它复杂的上下文，或者要求它输出非常复杂上下文的时候呢，它有时候会丢东西，输出也不是很完整。

或者，你给他一个复杂上下文进来的时候，他也会有一部分就不考虑了。这个是会时有发生的。

如果你的工作相对来说比较简单，你输入的信息和输出的信息都没有那么复杂的话，可以尝试去使用 GPT-4o Mini 或者是 Gemini 2.5 Flash 这样的版本。

那么，上下文工程产出的结果到底是什么呢？其实很简单，就是 AI 应用可以稳定的输出能够解决特定问题的、有价值的 AI 应用。这就是上下文工程能干的活。

原来为什么很多 AI 应用下去不好使？因为每一次的输出非常不稳定，有时候灵，有时候不灵。那你在这种情况下就很麻烦，你不知道它哪次灵，哪次不灵。你输出的结果，你还得各种的校验，比如说容错呀什么的，这些东西都要去做。

再往下一步，比如其他的模型里去送的时候呢，你要在上一个结果输出的内容里头，再去挑选你真正需要的东西。这块就很麻烦。

现在的话，有了上下文工程之后，你可能没法要求说我输出的内容才华横溢，但是呢，基本上我是稳定的。我每一次都稳定的输出这样的一个东西。

那你说上下文工程是不是未来方向？是不是这个万能解药呢？赶快出个教材出去圈一圈钱去，或者说赶快去报个班我学一下。这个怎么说呢？下一批新名词还在路上。

在 AI 这个领域里头，日新月异，不停的有新名词出来。而且呢，模型及应用这件事呢，依然有效。

AI 应用当前的定位呢，还是比较尴尬。虽然有了上下文工程之后，很多的 AI 应用就可以去干活了，它真正有价值了，有稳定的输出了。但是上下文工程，只要带“工程”俩字，那就不是给普通人使了。

普通人就说我们看一看就行了。真的让你去写这种上下文工程，没有程序员的能力，基本上是搞不定的。

大模型最终呢，会通过自己的升级，让普通人可以通过闲聊的方式，实现上下文工程的稳定输出。这个最后是可以实现的。不是说你没有上下文工程的能力，你最后就解决不了。

但是现在的大模型还达不到这个能力。但是可能再过个一两年吧，这块应该是可以做到的。但是在这一两年里头，像我们这些程序员，就可以使用上下文工程做出一大堆的 AI 应用，把第一桶金挣回来。这就是上下文工程能够真正起的作用。

那么，上下文工程对于当前的行业有什么样的影响呢？落后的大模型服务商要抓紧升级了，方向已经确定了。

比如说扎克伯格，挖了这么多 OpenAI 的人，赶快干活，让你的 LLAMA 4 或者 LLAMA 4.5 吧，能够很好的在上下文工程里头干活。

比如说华为的盘古大模型，别光抄千问 2.5 了，把千问 3 抄一抄吧。

得把上下文工程跑通，否则的话，小粉红拿着你的这些模型也搭不出AI应用来。

还有就是像Deepseek，可能要进一步的拉长这个上下文。现在Gemini 2.5已经可以达到100万TOKEN，或者到200万TOKEN。LLAMA4其实TOKEN也很长，LLAMA4大概是可以到1,000万TOKEN，但是它对于原生的工具支持的确实要稍微差一些。这可能是未来一些大模型要去努力的方向。

第二个大批量的AI应用就会涌现出来了。一旦大家确定下来，上下文工程是未来做AI应用里的必经之路，这一块的话一定就会快速前进。而且这一次的AI应用做出来以后，它是真的能用的。原来很多人说：“我为什么做了半天最后不能用？”因为没有上下文工程，你的AI应用整个的输出过程是不可控的。或者你为了让它变得可控，让这整个的系统跑得非常慢、非常傻。

最终的结果是什么呢？就是英伟达的显卡又不够用了。为啥呢？新模型的训练需要英伟达，大量有用的AI应用的涌现需要英伟达，很多日常任务向AI应用的迁移需要英伟达，长上下文的吞吐还是需要英伟达。这可能就是现在上下文工程可以给我们带来的变化。

对于每一位听众来说，你说：“我是个程序员，我现在想去学点应用，赶快学起来，不学就落后了。”那你说：“我就是个普通人，你通过我今天讲这个故事，你也知道一下AI应用里头到底是咋干活的。如果产生的结果不对了，不是你所预期的结果了，可能是上面的6个部分和4步哪一步走错了。你稍微有一些逻辑，对于你去使用AI应用也会有很大帮助的。”

好，这个故事今天就讲到这里。感谢大家收听，请帮忙点赞、点小铃铛，参加DISCORD讨论群。也欢迎有兴趣、有能力的朋友加入我们的付费频道，再见！

OpenAI以65亿美金收购了强尼艾夫爵士的IO团队，要做AI iPhone了吗？大家好，欢迎收听老范讲故事的YouTube频道。

OpenAI最大的硬件收购来了。没办法，他自己3,000亿美金的估值了，现在收购任何的团队都是比较贵的，所以又变成了有史以来最大的AI硬件团队收购。这一次呢，是以50亿美金的纯股票交易收购强尼艾夫创建的IO团队手里边77%的股票。

这个团队呢，2023年底其实已经被OpenAI投资过了。当时投资了以后占股了是23%。这一次呢，等于是交50亿美金，或者叫以50亿美金的对价收购了剩余的77%的股票。这个65亿美金怎么算出来的？很简单，50亿除0.77就等于65了。所以它的总价值呢，是按照50亿美金收购77%股票的方式反推出来的。

强尼埃夫爵士到底是一个什么样的人？首先在这里澄清，这是个异性恋。不是说拍了一张跟山姆奥特曼特别亲密的照片就变成同性恋了。到目前为止，人家婚姻美满，还有小孩。

强尼艾夫是2012年被英国女王伊丽莎白二世授予爵士头衔，所以我们管它叫强尼埃夫爵士。他呢，属于大英帝国最优秀的骑士勋章，叫Knight Commander of the Order of the British Empire（骑士司令官）。这一荣誉是对他设计领域的卓越贡献，主导了iPhone、iMac等划时代的产品，以及推动了英国创意产业发展的认可。授勋仪式在白金汉宫举行，由安妮公主代表女王执行。

他呢，号称是乔布斯的soulmate，就绝对是灵魂伴侣。成功的产品从1998年的iMac G3（也就是那个半透明彩色机壳的一体机）开始，到2001年的iPod（应该是很小的那个东西），再到2007年的iPhone 1，2010年的iPad，2014年的Apple Watch，最后还设计了2017年的Apple Park（也就是现在那个大飞碟那个楼）。基本上，我们能够熟悉的苹果设计风格就是强尼艾夫爵士他定义的。

专利数字非常巨大。这个设计师是相对来说比较容易去申请专利的，拥有超过1.4万项全球专利，涵盖硬件、软件、包装等领域。其中美国专利是1,628项，包括iPhone的玻璃机身、Apple Watch的表带连接结构等核心设计。

2019年呢，强尼艾夫离开了苹果去创业去了。他呢，做这公司叫Love From（就是爱从哪来）。他呢，设计了很多漂亮的字体。

年入2亿美金的设计公司，他是跟AirBNB、法拉利等企业合作，重新定义了品牌战略。非常强的一位设计师，基本上算是定义了整个移动互联网时代的产品设计、交互设计。这样的一次并购，OpenAI前面投了23%，后来把后边77%直接买下来了。到底是一个什么样的故事呢？咱们从资本的角度稍微的去理一理。

这个事情并没有这么简单。因为大家注意，前面并购的时候有一个词叫做“纯股票交易”，这里头没现金。一般涉及纯股票交易的这种并购呢，通常都不是一个特别愉快的故事。真正愉快的并购是什么？你花钱买，买完了以后我变成亿万富翁，然后出去天天玩耍。这样被并购的就是Minecraft（我的世界）的创始人，当时被微软并购了以后，就拿着大笔的钱开始挥霍，一直到目前为止还在挥霍，还没挥霍完。这个是愉快的故事。

“牛马级并购”呢，就是这个纯股票的并购，里头没现金，并购完了以后接着当牛马打工去。一般是发生了一些比较特殊的情况，才会出现这种纯牛马并购，或者叫纯股票的并购。我们来看看OpenAI吧，它自己现在的估值是多少钱呢？3,000亿美金。那么50亿美金的纯股票相当于多少股票呢？不是相当于50亿美金的股票吗？咱们不讲这个故事，相当于他的1.67%的股份。其实没多少，就是拿了1.67%的股份，我就直接把你这个IO全都收归旗下了。

假设2023年底的第一次投资，因为是OpenAI投了头一回嘛，23%的股票，也是给的股票。因为OpenAI其实手里并没有那么多现金，即使是给了一些现金的话，这个里头大部分应该还是股票。当时呢，并没有对估值进行公布。但是呢，以强尼·艾夫的名声和履历来看，这个投资不会太便宜。所以呢，大家一拍脑袋给了一个小目标？这个不是小目标，给了一个独角兽，这个是比较合理的。一个独角兽多少钱？10亿美金占23%，这样的话它的估值大概40多亿美金。这是当时的这个交易，虽然没有公布，但是应该差不多就是这样。

你想，山姆·奥特曼跟强尼·艾夫两个人坐在一起，也不可能说“我们这个9亿8，9亿9还是10亿零一”，这不可能是干这样的事嘛。肯定是一拍脑袋来，10亿占23%。当时的OpenAI的估值是多少钱呢？是800亿美金。所以呢，当时应该是给了OpenAI 1.25%的股份。强尼·艾夫手里边应该也不是特别缺钱，苹果的股票肯定就很值钱，再加上他后面的这个Love From从AirBNB、从法拉利手里头再挣的钱，每年都在挣钱。

所以，当时我估计他拿股票的概率也很大。但是据说呢，IO项目里头还有一些其他的投资者。这个事呢，我也去查了一下，并没有特别确切的说明里头到底有哪些投资者，是按什么样的估值进去了，到底给了多少钱。这个事不是那么清晰。

里头比较著名的就是软银的孙正义，据说是当时给了钱了。而且呢，当时给钱的时候好像是跟山姆·奥特曼、强尼·艾夫在一起，说他也出了一部分钱。但是这个钱到底是怎么出的，没有找到确切的说法。

现在好了，包括软银的孙正义以及其他的一些投资人，和Love From的其他的这些老股东——因为当时IO是Love From去成立的，Love From是他的一个股东——现在等于这些人一扭脸，全都变成了OpenAI的股东了。因为OpenAI拿了50亿美金1.67%的股份出来说：“我把这个IO的77%股份给你收掉。”那么原来这些持股人就都通通变成了OpenAI的股东。

做硬件这件事呢，本身还是挺烧钱的。不是说设计个字体，或者说我给你参加几个研讨会就可以拿到钱的。而且呢，IO这个团队，甭管它的创始团队或者说里边的员工背景有多么光鲜，它呢其实没有真正的产品面世。虽然说他做了一些尝试性的产品，但是哪个都没面世。

而且前面呢，被寄予厚望的AI Pin这样的AI产品，号称是AI时代的iPhone，这样的产品呢也没什么响动。而且AI Pin呢还有一个比较讨厌的什么，那也是苹果离职员工干的，也是充满了苹果基因的产品，最后也直接扑街了。

所以在这样的一个情况下，我们会发现IO身上聚集了很多的特性：第一个，很高的估值——前面40亿美金的估值，啥也没做出来过；而且整个赛道上铺满了尸体，不光是AI Pin，还有什么AI Rabbit还是什么，反正有一堆类似这样的产品都在前头死掉了。

这个方向呢，所有投资人再冲上去就会谨慎一些。你如果估值低呢，再加上团队还不错，没准还有人愿意去试一试；你估值很高，这个玩意就没法整了。而且这不是一个硬件产品团队，这是一个设计师团队，他没有成功运营过硬件产品，这也是一个挺大的硬伤。

再加上创始团队又特别豪华，强尼·艾夫爵士号称是定义了整个移动互联网时代的人，他做的公司你给一个比较低的估值，自己也不好意思。所以他这样的团队聚集了所有这些特性在身上，以后你再出去谈融资就会比较麻烦，没有人敢接这个活。就算是给了钱了，你还得给一个跟他们匹配的价格。在这里头没人敢贪小便宜，说我用一特别低的价格。

我把它投了。这种出去会被人骂的，所以他这种公司很难融资。

现在呢，现金肯定是非常紧俏的。估值不值钱，现金紧张，就只能达成选股票交易的这种并购了。而且大家要注意什么呢？在并购的过程中，估值涨没涨？估值没涨多少。他上一轮的投资，我们刚才推测了——不是猜测，是推测——他的估值大概是40多亿美金。这一次呢，涨到65亿，就属于是什么呢？就给大家有个交代，确实涨了。

但是正常的这种热火烹油的赛道里头，这样的投资，这样的并购，经常3倍到5倍的估值上升，你才能把它卖掉。现在等于你涨了个30%吧。而且这也是一年半了吧？至少是2023年底到现在，2025年到年终了，一年半了才涨了这点估值，其实是说明整个团队运营的情况并不是很好。

OpenAI手里边现金其实也不多。别看那么多人给他钱——微软给了100多亿，软银给了他400多亿——但是微软给的钱呢，很多应该是代金券。就是说我给你钱了，但是这个钱呢，我现在先不给你，我帮你存着，怕你去乱花。等你什么时候给你呢？上微软云租算力的时候，我就帮你抵扣掉。微软给的很多肯定是这种东西。

软银那400多亿美金，应该给的真金白银吧？可能有一部分会折算成星际之门的一部分，里头肯定会有一部分现金，但是也不会特别多。大家投资的时候都是尽量少给现金的。

OpenAI手里边的现金还要干嘛呢？还有一个很重要的用途：他有好几千人呢，而且还要不断的用高薪、高股票继续再去挖人去。所以他需要去维持一个几千人团队的运转，而且这些人的薪水都很高，所以他的现金也比较紧张。

那么干脆说，拿个1.67%的股票出来，大家皆大欢喜一下就完事了。只是呢，多了几张嘴出来吃饭就完了。完全收购了以后，原来IO的这些员工，你们现在就算OpenAI的员工了，OpenAI给你们开薪水，这件事就结束了，没有什么其他的动作。

真正火的并购，刚才我们讲了，高溢价，涨个3倍到5倍，要有一堆人去抢。如果没有人抢，这事不行。拿到钱的人要欢天喜地的庆祝，要开始这种堕落之旅，这个才叫真正的好的并购。牛马并购价估值涨那么一点点，像是这个40多亿涨到65亿，大家呢拿到的都是纸，全是股票。并购完了以后，好好干干活，上班去，就是有这样的差异。

甭管并购是怎么完成的吧，是开心也好，不开心也好，几家欢喜几家愁也好，我们总还是要期待一下，强尼艾夫爵士到底准备搞点啥事。OpenAI和IO团队呢，都没有宣布过他们要干什么。

你到底要做一个什么类型的产品？谁也没说过。因为前面这条赛道上已经躺满了尸体了，躺了好几个了，而且都是寄予厚望，都有苹果基因，都是上来就见光死，直接扑街。

IO呢，前面是发表过一些硬件原型产品，包括感知用户情绪的智能眼镜、可折叠成钱包大小的投影设备，以及彻底取消屏幕的语音交互装置。但是具体最后它要造出一个什么东西，还不知道。而且呢，IO已经申请了12项专利了，与无屏交互相关的技术专利，通过机电信号捕捉手势的这种指环设备，基于空间音频的导航系统。

什么叫机电信号捕捉手势呢？就是带一指环在上头，但是我们这个手动的时候，是有一些机电信号是可以捕捉到的。就是你在指环上做一些传感器，它可以知道你这个手在做什么动作。这个还是要一些技术的。

我给大家讲一个特别好玩的东西吧。咱们用这个手环，或者我们管它叫手表这种东西，去做计步器，说记录一下我们到底走了多少步。这事很复杂，千万不要以为说，我们在手表里头装一个运动传感器，记一下你到底走了多少步就能记下来。不是这么回事。你这个手表里的运动传感器得到的那个数据是非常混乱的。你像我们走的时候手还要摆动，还要做一些其他的动作。你最后要把所有这些干扰都去掉了以后，才能够算出来你到底是走了多少步。

你想你在手腕上记一东西，你最后要记录脚的动作，那他这个干扰大去了。像咱们最早的计步器都是搁哪的呀？都是别在腰带上的。那个时候机械计数器都是往腰带上一别，你就没有什么其他的运动干扰你，可以记的比较准。但现在你想你戴在手上，你还要把这个东西记下来很麻烦的。所以你现在要在指环上，通过机电信号收入了以后，再去把这些乱七八糟东西过滤掉，然后去判断你到底在做什么手势。这个还是有点技术难度的。

咱们就说手表记步这个事。你去戴这个华为的表带、小米的表、苹果的表，他们每一个设备记出来的步数不一样。你把这小米手机、华为手机跟苹果手机，你揣身上走一天，你看看这技术的步数也是不一样。咱们就再用这个计步器的故事跟大家讲一讲，这种专利还是需要一些聪明才智的。

现在呢，OpenAI跟IO呢，是准备推出一个销量可以超过1亿只的AI iPhone。他们定义的什么叫成功？什么叫划时代？什么叫革命性？就是我卖掉1亿个，这个就叫革命性了。你如果卖不到1亿个，这个就不叫。其实iPhone一也没有卖到1亿，现在是有了。因为小米是第三名吧，大概是1.7亿一年，三星是第一名，可能是2亿多吧。

这个具体数字我们就不查了。但是iPhone一出来的时候，卖的不是那么多的。现在呢，他们计划2026年推出首款的AI硬件产品，定位呢是口袋里的智能体，或者呢叫AI伴侣。

这个到底是一个什么样的东西？我们通过这些文字，其实还是比较难想象的。因为前面已经有了挂在脖子上的了，有夹在身上的了，有这个耳机型的了。这个到底是做出一个什么来，我们还要再去等待。

但是呢，有几点是基本上确定的：
第一个就是无屏交互，突破传统屏幕限制，通过多模态感知、视觉语音、环境分析实现自然交互。例如通过眼球追踪和手势识别来输入指令。其实眼球追踪跟手势识别的话，Vision Pro就是这么来去交互的，已经有人做出来了，也是苹果家的东西嘛。

第二个呢，就是要去做情绪感知。原来所有的这些手势识别也好，眼神跟踪也好，是没有情绪感知的。但是呢，现在你把这个图片扔给了Gemini以后，你是可以进行情绪感知了。所以未来情绪感知会在里面，能够实时理解用户的环境和需求，提供个性化服务，如实时翻译、情绪支持等等。你要不开心了，我要稍微逗你开心一下。

原来我们经常说这个人工智能是人工智障，是怎么回事？就是它听不出来你现在开不开心，听不出来你到底想要什么。甭管你跟他多开心的讲，还是多不开心的讲，他都是一成不变的，在完成他自己认为的任务。

这个设备呢，将无缝的融入生活设备，可能为穿戴式设备或者是家用终端，旨在成为用户继智能手机和笔记本电脑之后的第三个核心装备。这就是他们准备干的事情。

和AI PIN比起来到底有什么不一样？因为AI PIN算是苹果基因，也是苹果团队做的一个失败产品，而且当时也是寄予厚望了。其实最大的差别呢，硬件到底有什么差别咱不知道，因为没看到嘛。但是模型的能力，这一段时间是有巨大提升的。

第一个，增强语音模式。我们现在可以跟OpenAI的ChatGPT去聊天，去了还聊得很开心。你还可以随时打断它，用全世界各种语言聊天都很好。

第二个，它可以进行实时搜索了。原来你跟ChatGPT去聊天，等于他都是我的最新知识库，截止到某年某月某日，我的知识没有了。你聊了半天，基本上都是在一本正经的胡说八道，这个是不行的。现在有实时搜索了以后，你就可以跟他聊一些今天怎么样、昨天怎么样、最近有什么样的东西，这事都可以聊了。

然后视觉推理出来了，GPT-4里边已经有视觉推理了。你给它一张图片以后，它可以放大缩小，拆成一小块一小块的，然后调整角度。

告诉你这都是什么？再进行整个的推理。这块已经强的一塌糊涂了，再加上长记忆。你现在跟他聊了半天，他知道你是谁，知道你原来问过什么，知道你的习惯。这个现在也是一个长足的进步。

还有什么进步？就是MCP跟agent已经都上来了。原来你只能跟它聊天，最多可以搜索。现在说你给我订餐，你给我去查各种地图，给我去做各种的交易，它都可以直接实现了。所以在这一段时间，大模型有了长足的进步。如果把AI PIN这样的产品结合，今天的模型未必会失败的那么惨吧。

现在OpenAI跟IO赶上这个模型进步了以后，这个人生伴侣也有可能是能够做出来的。IO呢，会获得更多的模态。原来我们讲ChatGPT可以干嘛？文字、语音、视频、图像，你可以做这样的这么多的模态的输入。现在有了IO了以后，什么电信号，什么运动传感器，我们可以把这样的一大堆的信号都给它塞进去。当引入了更多的传感器数据之后，这个模型训练了就可以变得更加聪明。

到目前为止，我们相信scaling law依然是有效的。你怎么能够拿到更多的数据，让这个scaling low往前走呢？你说我的文字的语料就这么多了，但是我现在可以拿出大量的运动数据，进去重新训练模型，这个事情就又可以往前走了。

而且OpenAI呢也准备在今年发布all-in-one的GPT5。就是你到了ChatGPT以后，不用再去选我要用4O，要用4.1，还是要用4.5，还是要用O3，O4 mini，就叫GPT5。你只管提出你的要求，然后它去根据你的要求，根据情绪判断来判定，我到底要用哪一个模型来替你服务。

所以当所有这些都实现的时候，2026年我们还是可以期待一个非常有趣的产品呢。每一次大的交互革命都会带来一波红利。上一波的交互革命是什么？是触控。iPhone呢就是上一波红利的开山之作。自然交互呢一定是在触控之后的下一波交互革命吗？这个事呢我还不确定，因为也有可能直接跳过。

再往后的一波交互革命，现在已经知道是什么了，就是脑机接口。像最开始我们是键盘鼠标，键盘鼠标前边还有什么？打孔卡，咱们就不研究了。到后面我们开始用笔在屏幕上写来写去，到iPhone这里就是说我们用触控，多点触控去实现交互。

中间还有一点点小的波折是什么？就是任天堂玩的这种体感，这个也算是一个小的交互革命，但是并没有引起颠覆性的时代的更新。再往后呢就是马斯克的这个脑机接口。中间这个到底能不能成为一个划时代的？

说我们整个定义一个新时代还要看，也有可能就像任天堂的体感这样，在一个相对小众的范围内进行传播的可能性也是存在的。

总结一下，OpenAI 65亿美金收购了强尼艾夫爵士创办的IO这个团队。不管收购的过程有多少资本的故事，还是能够期待一下，自然交互可能会给我们带来一波新的爆发与红利的。期待强尼艾夫爵士给我们带来新的AI时代的iPhone吧。

好，这个故事今天就跟大家讲到这里。感谢大家收听，请帮忙点赞、点小铃铛，参加DISCORD讨论群，也欢迎有兴趣、有能力的朋友加入我们的付费频道。再见。

雷军千万年薪挖回来的AI萝莉，到底值不值呢？大家好，欢迎收听老范讲故事的YouTube频道。今天咱们来讲一讲，雷军花了千万年薪挖回来的天才少女，到底价值几何的故事。

首先，这个消息并不是小米官方放出来的，而是证券时报等一大堆媒体报道出来的。报道出了这样的一个故事之后，肯定就会被舆论热炒。第一个，AI现在肯定是全村最靓的仔，跟AI相关的事情更容易被媒体所报道。第二个，小米跟雷军本身就是顶流，任何事情只要沾着小米，沾着雷军了，都会被过度的炒作。

现在这位AI天才少女叫罗福莉，号称是雷军亲自下场捞的人。这个事情到底有多亲自呢？不好说。很多记者也去找小米核实，问有没有这么个事情，是不是有千万年薪，雷军到底是怎么谈的这个事情呢？目前为止，小米没有给出官方确认。但是，如果千万年薪是真的，那这个事雷军必须是要签字确认的。如果不签字的话，这样高的薪水是开不出来的。

这是一方面，另外一方面，Deepseek V3也是现在的顶流。新的模型出来以后，包括美国很多AIGC圈的老大，都给出了很高的评价。国内一定是说，哎呀，你看我们做出来的东西被别人夸奖好了，这个事情我们与有荣焉一下。这位天才少女从Deepseek这边出来的，也成为了整个事件炒作中的一个推手。1,000万年薪，加上小米最近在宣传的万卡集群，也算是这个事件能够不断在热搜上停留的催化剂。

而且前几天超级小爱演示的翻车，你也需要一些AI相关的新闻出来中和一下吧。所以这个事情被舆论热炒了。小米官方刚才我们讲了，并没有正式的回应这件事情，原因也很简单。第一个是薪资，在小米这样的公司里边，她应该是保密的。如果有谁把这个薪资泄露了，肯定还是要受到一定处罚的。第二个，这个人如果真的去了，炒的太热了是没法干活的。这个人就是千万年薪的AI萝莉，那剩下的这些没挣到1千万的人，你咋跟她一块配合干活嘛？中国人向来都不是喜欢。

把薪资贴在脑门上的，而且有些人说呀，说你能干啥呀？就雷军亲自去请你，我不服气，她会有这样的事情。所以这个人就算是真的去了小米了，为了未来能够干活，为了能够跟团队合作。所以小米估计在回应的时候，也会相对比较谨慎。

记得当年遇到过一个擦桌子故事。什么呢？就是我原来是清华同方的员工。有一次清华同方的一位，应该叫事业部经理吧，说：“哎，我为咱们事业部找了一个销售大牛回来，这个人可厉害了。”这位事业部经理在入职之前，就跑去把人桌子给擦了一遍。

清华同方呢，有一点跟其他地方不太一样。什么呢？就是这帮事业部经理在当时，97年98年的时候，都是清华大学里边的老师，很多是系里边的比较大的老师，一些教授，一些副教授，在当事业部经理。然后她下边的很多员工呢，是她的学生。所以这帮学生一看，哎，这个老师到底是怎么回事呢？招了一个什么神奇的人回来？来之前你还把人桌子擦了。我们跟着你坐了这么多年，也没看你给谁擦过桌子呀。

这个人进来，我们一定要好好称量称量她。这哥们入职了以后呢，大概没两个月就离职了。甭管她自己的能力怎么样，你进来了以后，所有人都要看看你说：“哎，这个老师给你擦过桌子，你到底是个什么样的人？”所以这样的人这么高调加入团队以后，相对来说是比较难以去开展工作的。

那么罗福莉到底是何许人也呢？从网上公开的信息来看，95后小镇做题家，她是四川宜宾市第一中学清北班毕业的。就在这样的学校里头，专门会有这种尖子班，她们叫清北班。然后呢，去了北师大计算机系上大学，算是第一次接触电脑，以前没接触过，所以呢，一开始成绩并不好。

大三呢，去了北大语言计算实验室实习，三个月自学Python，选择了NLP方向。NLP叫自然语言处理，就是向语言学的方向，或者计算语言学的方向转移了。开始呢，在别人的论文上署名了，就别人写的论文上头，已经开始有她名字了，这时候还没有大学毕业呢。然后保研到了北大，在北大的语言计算实验室里边。

继续深造。2019年，在ACL大会上发表了8篇文章，这个大会叫国际计算语言学年会，简称ACL。其中有两篇是第一作者，剩下的算第二作者。第一作者的文章中，第一个是《在文本和语音中检测隐藏信息》。意思是什么呢？就是说，如果我们的语音具备某些特征的时候，这个人可能在信息里边隐藏了一些东西。比如说在隐瞒信息的时候，讲话者的最大音高强度和语速增加，而讲话持续时间减少。这些特征与欺骗检测研究中的发现相似。如果你突然声音变大了，语言变短了，就有可能在骗人。

如果是语言特征，前面是语音特征，后边是语言特征的话，隐瞒信息的文本中，认知过程词汇，比如说“我认为怎么怎么样”、确定性词汇和正面情感词汇的使用频率更高。这表明隐藏信息可能增加认知负荷，同时伴随着更高的自信水平。这个有点像《Lie to Me》，谁说谎了是不是？这是一篇。

另外一篇是《将AMR解析视为序列到图的转换》。这个AMR的意思是抽象意义表示有向无环图。什么意思呢？就是我们说了一句话以后，在计算机要去处理之前，要把整个这句话变成一个有向无环图。什么叫有向无环图？就是她有方向，从前到后；而无环呢，就是她最后不是循环的，是这样的一个顺序的，由点和线连接出来的一个图，有这个正确的方向，但不能循环。她做的这个论文是在这种有向无环图上进行一些数学变化，变化了以后可以进行进一步的训练或者进行进一步的识别，而且在识别率上会有一些变化。这就是她作为第一作者的两篇论文。

研究生期间，总共发表了20多篇论文。看来这个北大还是很厉害的。2021年毕业后，加入了阿里达摩院。当时，她还写了一个公众号，告诉大家要选择有科研也有业务的公司。如果选择这种完全没有科研的公司，只做业务的，那么大概率只会去做一些边缘业务，这是没有办法在科研领域里继续深造的。所以，她当时在一堆的顶流offer里，挑中了阿里达摩院。

觉得这边还是可以做一些科研的。2022年呢，这就是在阿里达摩院里头待了一年，跳槽去了换方量化。据说呢，也是在这一年里头领证结婚，夫妻两个在杭州还买了房。幻方呢，在2023年分拆深度求索，也就是开始做Deepseek的这个公司。那么这位罗福莉呢，也就跟着去了深度求索。罗福莉在Deepseek Coder这个论文上作为第六作者，也是署名的。幻方以及深度求索，其实发的各种文章还是很多的。而且呢，她们会很大方的将所有贡献者都写在作者名单里头，或者叫贡献者名单里头。

比如说最近大火的Deepseek V3里边儿，大概是有200个贡献者。这200个贡献者呢，有150个是工程师，还有一些其他的支持人员，还包括10名已经离职的人员。罗福莉的名字呢，是在为Deepseek V3做贡献的已经离职人员这个里面还是有的。号称呢，她是参与了Deepseek V2版本的开发。当然了，这些都是大家的描述，具体在里边参与了什么，其实并没有表述。

2024年年底跳槽去了小米，这就是她整个的一个履历。那么下面我们就要去看千万年薪到底值不值的问题了。其实挖技术大牛回来，我们到底应该如何评价其价值呢？这个一直是很多的投资人，包括一些大老板需要去思考的问题。你挖回来以后是给钱呀，给期权呀，然后给她各种的资源呀，还是给她一个大的团队，一个很好的研发环境，你到底给她什么，这都是我们要先对人的价值进行评估的一个过程。

在挖人回来的时候，科研能力到底重不重要？如果这是一个科研院所，我们需要再去国家申请经费，再去做一些更新的科研研发的时候，那她的科研能力可能是重要的。但是对于小米这样的一个产品型的公司来说，这个挖回来的人科研能力到底有多大，其实没有那么重要。那么这种技术带头人呢，她们需要的能力是什么？第一是对前沿的理解和认知。你真挖一个人回来，说这个最前沿的东西是什么，我说不清楚，我看不懂，谁在搞这个事我不知道。

这个事是不允许的。而且这种认知呢，是真的可以去跟最前沿研究的人进行面对面的沟通和讨论的。我们也见过很多，比如说像猎头公司这些人，对这个最前沿的发展也是有一定认知的。但是呢，她一旦是跟前沿的这些人去沟通的时候，就会露馅。像罗福莉在这块应该还是可以的。

工程技术能力呢，这块要看你具体要她干什么。你比如说，有些人说：“我真的是需要有一个人回来替我解决一个很难的难题。”那么在这个时候呢，就需要有工程技术能力的人回来。她能够管理团队、能够面试团队，甚至能够挖角原来的团队，可以带出一个团队出来，这个是工程技术能力，还有人脉资源。

但是人脉资源呢，一方面是说你能不能忽悠起一帮人来跟你干活，另外一方面的话，就是你做出来的产品是不是可以让顶流的圈子快速去认可。因为任何人，只要做出这种高精尖的东西来，她的这种认可的速度或者认可的成本都是挺高的。认可的速度都不会那么快，但一旦是有一个自己人，大家都已经熟悉了，你就是这圈子的人，你也做出过相应的成绩来。那你说：“我继续在发表相应的论文或者发表相应的成果。”那么别人就会优先选择相信你，所以这也是人脉的一个很重要的点。

最后呢，就是她的IP价值，这个人是不是有一定的影响力。通过这几个方面来评估一个技术大牛的价值。从能够公开找到的信息呢，其实没有办法去评定罗福莉具体都做过些什么东西。这个事现在发出来的信息比较少，不是写了什么论文就会什么东西。刚才我们说了她写了哪些论文，我们认为说她就会这几样东西，这个事一定是非常片面的。她可能研究的涉猎非常广泛，而且最前沿的很多科学与技术其实是相通的。只是可能这几个点，它是适合出来写论文的，剩下的点呢，虽然不适合出来写论文，但你要在Deepseek这样的参与到里边去，你还是要去解决或者还是要去做事情的。所以呢，并不能认为说她就会这个自然语言的这点东西。

罗福莉呢，应该还是一个语言学方面的研究型人才。罗福莉的价值到底应该如何去评价呢？第一个，它的IP价值呢，现在还算是拉满了。为什么叫还算是拉满呢？因为有的时候，就叫“花花轿子人人坐，人人抬”。现在这样的一个消息出来了以后，她也借助了Deepseek的光环，以及小米和雷军的光环，有大量的媒体出来炒作，来捧这个事情了。

这个人在她的行业内，到底有什么样的名声，我们不去管她，但至少在公众视角里头，这已经算是一个很厉害的人了。当然了，以深度求索的这种招聘以及用人原则来说呢，像罗福莉这样的履历的人，其实在里面还是蛮多的，因为里面各种清华、北大、德大这些人其实是蛮多的。而且这些人呢，好多还没有毕业，就是可能在里边做博士实习，或者做很多这样的事情，她们就都已经开始在各个论文里边去署名了。

所以呢，并不是说以这个论文量，以她的师从，或者是北大的这个学历，她是个硕士嘛，还不是博士，她就已经是站到一个什么顶流上了，其实距离那个还是有一点点差距的。只是呢，现在通过炒作的方式，让她站得比较靠前。

在Deepseek里面呢，毕业了一两年的人呢，就可以在里边挑大梁干事了。真正负责的呢，可能是有个四五年经验的一些人。而以罗福莉的这个资历，进去的时候呢，有可能能够负责一个项目，但也未必，因为呢它属于是相对来说比较专项的科学家，并不是工程方面的这种专家。因为工程专家是写不出这么多论文来的。

在科研能力上，至少是语言学方面的，罗福莉应该还是有所建树的，写论文绝对好手。工程技术能力的话，没有验证。人脉资源的话，大家注意，工程技术方面的人脉资源跟学术圈的人脉资源是完全两回事。她有可能在学术圈有人认识了，知道这个名字，她可能参加各种会，很多的会议上的这些教授，这些大拿也都能跟她聊得来。但是呢，你说真正能够拉起一帮人来，把事干出来的，那是完全另外一拨人。

至于她能不能做工程技术方面的事情，有没有工程技术方面的人脉，这件事呢？

我只能说，没有验证过，不知道。那么小米到底想干什么呢？大概率呢，也没指望罗福莉真的能做出什么来。因为小米自己也是有AI实验室，而且成立了很长时间。这个AI实验室自己也是有完整的体系架构。你不可能说我招了一个新人，然后你现在就给你另起一摊，或者说我把原来的架给我打散了，现在你就是老大了。她肯定还是要在小米的AI实验室里边，在她相应的位置去进行工作和研究的。

Deepseek这样的模型应该也不是小米追求的，因为如果要部署和训练Deepseek这样的模型的话，罗福莉应该是可以给出一些指导的。你毕竟原来在一个屋里，把东西做出来的。通常的科研和工程是两条线，罗福莉未必能够有能力挖角组建面试带领工程团队。像我们以前也招过这种工程老大，那就是招完了以后就问她说：“你能不能带回团队来？”像以前你前面几家老板的这个团队，你能不能找得来？如果找不来的话，那给你机会去面试，你能不能去面试一堆能干活的人出来？

等你把这个团队组建起来以后，你能不能带着这个团队去把这个事干出来？这个是对于工程老大的这种要求，这不是对于科研老大的要求。

小米最近还在说：“我们就训练端侧模型小模型。”这都是雷军最近说的话。当然了，说什么并不重要，做什么呢其实也不重要。那什么重要呢？就是为什么这么说，这个才是最重要的。小米毕竟是个卖手机的，你不这么说怎么让用户下单去买那个更贵的、更高端的手机呢？所以她一定会去喊说：“我们不去关注这种大模型，我们要关注端测小模型。”

但是呢，我相信小米也还是会照着Deepseek的这个套路，自己在训练一套云端模型。当然这个训练的应该也算是一个技术储备吧。像小米这样的公司，更大概率会在国内的各个大模型厂商之间进行平衡。就是什么字节、百度、阿里，包括Minimax，她可能都会用那么点，包括Deepseek可能都会去用一点点，然后在不同的应用里边去调用不同的模型。这应该是小米的一个策略。

然后自己同时训练一个模型呢，算是有一个技术储备，可以跟这些大模型厂商进行平等对话的一个东西。在中国就是这样，如果别人发现你不懂的话，总是要在你身上咬一口的。所以小米在这块呢，应该还是会做。

另外，对于小米来说，超级小爱的翻车，这个热度也还是要压一下的。讲到这呢，你说我们的结论，这个1,000万的年薪到底值不值？这个事情我觉得，大家自己去做判断就好了。你让我现在来给大家下一结论，说这事太值了，反正我没看出来；说这事肯定不值，咱们了解的信息呢也不够充分，也就只能是这样的一个情况。

我只能说以这个罗福莉现在从外界可以披露的公开信息来看，这个1,000万的年薪呢，稍微有一点点存疑。但是我相信呢，小米这个事情，甭管是她有意做的，还是无意做的，她的目的已经实现了。她的目的是什么呢？她股价涨了。除了卖车之外，现在我们还做AI了，还有一个万卡集群了，还从现在当红炸子鸡Deepseek挖了人出来了，号称雷军亲自下手，给了千万年薪了。

小米现在已经接近1万亿港币的市值了，她现在的市值是9,097亿港币，可能到周一开盘的时候，就直接冲万亿就过去了。所以我觉得小米呢，这个事情肯定已经好处落袋了，这个市值已经收获了，收获的还是很高的一个市值。

至于未来罗福莉到底能够在小米里边做什么东西出来，或者她到底能够在小米里边混多久，或者说小米未来到底会如何对此事进行官方回应，我觉得还是可以拭目以待的。未来也许还有新的瓜可以去吃。

好，这一期就跟大家讲到这里，感谢大家收听，请帮忙点赞，点小铃铛，参加Discord讨论群。也欢迎有兴趣、有能力的朋友加入我们的付费频道，再见。