记录一点所思所想。
今天我不想从程序员的角度来讨论AI,而是从普通白领的角度。其实AI这个时代呢,人和人的能力依然是有区分的。只不过现在我们没有一个已经比较成熟的方案来区分每个人用AI的水平。或者说现在并没有一个普适的方案去区分人和人的能力。大多数企业是没有这个能力去区分使用AI的水平的,只有少数的已经深度使用AI的企业。能够区分人和人之间使用AI的水平。
其实你用AI,你会发现有的人只会去切换不同的AI工具,有的人可能会去找Skill,但是有的人就会去写Skill,有的人可以去创作新的AI工具,有的人会自己构建工作流。每个人的使用AI的能力其实是天差地别的,AI作为一种能力放大器来说,实际上你是能够看到最后的结果是天差地别的,这也就是为什么AI时代有的人的工资能翻很多倍。有的人就是面临失业。
我认为根本上,目前可能最简单的量化方案就是一个人的智商水平。真正能够把AI用的水平很高的人,实际上就是聪明一些。但我们大多数工作呢,其实本身不需要很强的水平。去控制AI就可以完成。而这部分人的工作就被替代掉。这就是AI时代被替代掉的工作。而且这一大批工作应该以后再也不会出现了。也就是说,以前我们很多可以摸鱼的岗位,以后就没了。 AI的出现,让老板迅速认识到,有很多工作其实那个人真的是可有可无。
无可否认,其实我一直认为AI的这次革命其实相当于第三次工业革命。 AI的出现确实彻底的变革了生产力和一些生产方式。而且由于AI这次替代的是白领的工作,所以速度啊相当的快,不像原来这个机器还得造出来。厂房还得通上电,那有一个一步步的过程。 AI这个接入了,马上一两天就能试验出来有没有用,能不能落地。所以这一次工业革命的速度其实会是肉眼可见的快,裁员的速度也会肉眼可见的快。有人说这部分钱其实是被AI厂家的Token赚走了。实际上我认为它只是一部分,或者甚至一小部分被AI厂家拿走了。你想企业它认为可以裁员,那肯定是降本增效嘛。要么降本,要么增效。如果雇人更便宜,那肯定就不用AI。大多数企业能够决定去裁员,那肯定是去尝试过,AI能够用更低的成本去完成一件事情,或者用相同的成本把事情完成得更好。所以他买token的钱肯定是计算过的,一定是要比雇人的钱花得少或者活更好。
一边裁员,另外一边肯定会出现一些新的岗位,这些岗位肯定是历史上没有的。我认为总体上,这些岗位都是一些抽卡师。就是提示词创作者。另外还有一些AI办不到事情的所产生出来的岗位。其实你可能会好奇啊,这个怎么会有AI办不到的事?其实用过AI的人就知道,AI其实没有那么厉害。它好像写文章很厉害,但是它恰巧取代不了真正能写文章的人。它好像写代码很厉害。但它不能产生一个完全新的框架,它好像可以出各种各样的视频。但它依赖的是大量以前留下来的稿件。目前你看到的短剧繁荣,其实是因为我们过去的十几二十年。各种网文、各种剧本积攒下来的。在被我们大量的消耗,它终归到一个时候。会被用完。这个时候你会发现,其实我们还是需要人去写东西的。人的创造力其实AI是替代不了的。我们不需要知道AI的完整工作原理,你只需要知道它是一个依靠计算,按照概率出下一个字,就可以了。原理就这么简单,它就是一个概率机器,所以它是无法跳脱出它所认知的世界框架。你觉得它的知识好厉害,那是因为它能够学到比人多得多的知识,但是它无法创造出来它没有见过的东西。我们看到一个电影,觉得剧情很棒,有反转。那是因为我们以前没有见过。一个电影,你可能看一次非常棒,第二次想二刷很不错,但是你刷100次。那电影里也就索然无味了。AI能把它看到过的东西。完美地呈现复刻出来,但是它没有新的创造能力。
所以我更认为在AI时代,我们要保持人与人的交流。人与人的交流思维火花的碰撞,才会让你有很多创造力的想法和点子。保持思维的活跃与探索。才是我们保证在AI时代具有竞争力。
从另外一个方面讲,政府的角度应该是从行政或者法律的手段来保障一个基本的就业情况。因为要保障基本的就业,能有一个基本的企业运转起来,经济才能发展。现在裁员的速度太快了,大面积的白领在失业。而且还建立在大量的企业主,他不知道AI的情况下,现在AI渗透率其实并不高。 AI渗透率越高,能被替代的人会大量失业,这部分人其实在政府眼中,这是一个不安定的因素,因为这部分人再也没有工作岗位了,他们的工作岗位没有了。所以得有一个兜底的办法,这正好是一个劳动法的进步的一个过程。但现在人类社会所有的政府啊,它的运转效率其实是不高的。那一定是赶不上我们AI时代裁员的速度的,所以社会一定会变得有所动荡。我觉得再过个一两年,搞不好社会特别动荡,会进入一个严打的时代,我们又会回到一个上个世纪七八十年代那种不安全的情况。你不能把挣不着钱的人,我全逼疯了,对吧?那全逼疯了,起义不就更遭不住。所以最高层他们应该已经意识到AI时代会带来问题,但是AI还是要支持发展。
AI这个东西呢,它一定会成为以后的一个基础建设。它出现了就不会消失,AI的泡沫破了,但是AI提供这种能力。会变成以后的一种基础建设。祝好,祝人类都好。
更新工具链。其实在几天前就更新了,一直忘记记录blog了。重要节点LLM改为Google的Gemini 4了,正好OpenCode Go订阅支持。歌曲合成也改用自己重做的脚本了,不再使用Open Soren了。文生图测试过Moss Image,暂时还不如Krea2,不替换。兜底增加NanoBanana2.1
- CherryStudio — 主控台,所有智能体调度
- DeepSeek v4.1 Flash — 主力模型
- Gemini 4 Argon - 重要节点参考LLM
- YuE2 — 改词、改曲
- SoulX Singer — 改音色并润色
- 豆包录音识别 - 获得歌词准确时间,便于分镜,主要使用此渠道
- Qwen ASR - 获得歌词准确时间,便于分镜【备用】
- Krea2 — 文生图,场景设定
- Qwen Image 2.1 Turbo — 图生图,图片修改与首尾帧
- GPT Image 2.5 — 兜底付费生图
- Nano Banana 2.1 — 兜底付费生图(备用)
- VOSR2 - 图片超分放大,去噪效果极佳
- MiniMax H3 — 视频生成主力(本地 16G 显存 + 64G 内存),一次采样0.3M,二次采样0.7M(640p)
- RTX Video Processor — 2x放大(1280p,缩小到85%出1080p视频),利用RTX Video SDK开发
- OpenCode Go 官方订阅
- GrsAI 第三方中转站
- DeepSeek 官方(备份)
昨天 DeepSeek 更新了 1017 版,感觉像是蒸馏了 GPT 6 astra。基本没有废话了,能力变强了很多。
昨天我用这个模型,从头写了一遍音频处理流程,从参考、生成、到合并、母带,效果比现有的开源母带工具效果还要好。弄了半天,效果最好的竟然是一步步指导 LLM 做一个母带流程。
DeepSeek 的这次更新可能还没有很多人注意到,这差不多直接达到了开源模型的 SOTA 水平。我写这篇博客的时候,AA 的智能评分还没有出来,之前 0910 的评分是 39,这次我估计有 43-45 分。甚至在有些任务上,可以和 GPT 6 sol 打的有来有回了。
希望下周其他国模要给力啊,要不过不了太久,DeepSeek 的算力又该炸了。
好久没有来记录博客了,「猫咪唱歌」已经更新到 25 期。
总体来说,基本达到预期效果。我的整个流程跑通了,初步的音乐效果和可爱程度也是有的。虽然没有做到爆款,但属于同类型作品中较为优秀的。
也是时候停下来整理一下了。正好下周女儿要去做手术,预期停更一周,中间大概只发一次,不太掉活跃就行。
还是整体说一下我们创作这个智能体的构建。
随着工程逐步制作,接进来的技能、工具、流程越来越多,否决项目也变多。整个工程的提示词已经有将近 1M。虽然这 1M 提示词是分在多个流程里的,不会一次性全部注入上下文,但还是显得过于臃肿。
正好前两天 Gemini 4 上线到 OpenCode 的 Go 订阅里,我这个月的 Go 订阅还有三四天就到期了,额度还很富裕,就斗胆拿 Gemini 4 对整个流程做了一次复盘。从将近 1M 的提示词,优化到了 200 多 K,23 分钟,消耗了 8.3 美元额度。整体来说还是比较值的——后期把工程再交回给 Deepseek v4.1,它也还是能工作得很流畅,但 Deepseek 没有能力把整个工作流程优化到 200K。
我发现无论是 Deepseek 还是 GPT 的一些模型,都很喜欢写废话,那种防御性的工程很多。而大语言模型本身有一个记录的习惯:它会把所有负面条件默认记到提示词里去。这样你越用,东西就越臃肿。特别是作为一个大型的连续性的工程开发,提示词总会有爆炸的一天。现在很多大模型,基本上超过三四百 K 就不太转得动了,推理速度大幅下降。其实大模型对于提示词规模的最优解,肯定还是在 200K 以内,速度才比较快;100K 以内那是飞快。
但大语言模型又有重复大量记录负面条件的习惯。我让 Deepseek 也好,让其他 Claude 模型也好,想过的办法都是给它加门槛——什么情况下才能进入提示词——然后加评估。其实这都是治标不治本。
我想了个法子:每一期工程给它建一个叫「工程记录」的 Markdown 文件。这样每期工程都有一个默认的记录出口,它就不会记到整个流程提示上去。在这一期工程完工的时候,我们做一次复盘,看工程里哪些可以记录到流程里去。其实大多数工程的东西不会进入流程,只有一些很关键的话进流程,这是可以接受的。我觉得这个解法应该是能治本的。
然后再隔两周或者一个月,用最顶尖最前沿的大模型对整个工程再做一次梳理,应该就能持续地进行开发,而没有太多的劣化体验。
另外前几天我想过办法:把智能体的方案从 Claude Code 变更为「Pi」。我认为换个轻量级的智能体,可能执行速度会更快一些。结果其实是执行的质量下降了,而且很多功能缺失。
所以轻量级的智能体不是解决执行速度问题的办法——工程要相对简单,你才能用轻量智能体。所以我把「Pi」这个智能体给归档了,还是用回原来以 Claude Code 为基准的智能体。
这里的 Claude Code 和「Pi」的智能体,均为在 Cherry Studio 下魔改过的版本。
更新工具链。微调,将重要节点LLM改为Claude Haiku 5.5,预计未来会换为Google4。出图模型改为Qwen Image 2.1 Turbo,Turbo速度提升2.5倍左右。
- CherryStudio — 主控台,所有智能体调度
- DeepSeek v4.1 Flash — 主力模型
- Claude Haiku 5.5 - 重要节点参考LLM
- YuE2 — 改词、改曲
- SoulX Singer — 改音色并润色
- Open Soren WebUI - 歌曲最后一步合成
- 豆包录音识别 - 获得歌词准确时间,便于分镜,主要使用此渠道
- Qwen ASR - 获得歌词准确时间,便于分镜【备用】
- Krea2 — 文生图,场景设定
- Qwen Image 2.1 Turbo — 图生图,图片修改与首尾帧
- GPT Image 2.5 — 兜底付费生图
- VOSR2 - 图片超分放大,去噪效果极佳
- MiniMax H3 — 视频生成主力(本地 16G 显存 + 64G 内存),一次采样0.3M,二次采样0.7M(640p)
- RTX Video Processor — 2x放大(1280p,缩小到85%出1080p视频),利用RTX Video SDK开发
- OpenCode Go 官方订阅
- GrsAI 第三方中转站
- DeepSeek 官方(备份)
更新工具链。这次也算是微调,主要在出图方面,放弃了SNS出图渠道,改为本地Krea2和Qwen Image 2.1出图。
- CherryStudio — 主控台,所有智能体调度
- DeepSeek v4.1 Flash — 主力模型
- Gemini 3.8 Flash - 重要节点参考LLM
- Space Bunny - 近十天免费的模型,930更新后质量和deepseek v4.1 flash相当,速度慢一些,据说是Minimax M3.1,免费期间代替Deepseek工作
- YuE2 — 改词、改曲
- SoulX Singer — 改音色并润色
- Open Soren WebUI - 歌曲最后一步合成
- 豆包录音识别 - 获得歌词准确时间,便于分镜,主要使用此渠道
- Qwen ASR - 获得歌词准确时间,便于分镜【备用】
- Krea2 — 文生图,场景设定
- Qwen Image 2.1 — 图生图,图片修改与跳帧
- GPT Image 2.5 — 兜底付费生图
- VOSR2 - 图片超分放大,去噪效果极佳
- MiniMax H3 — 视频生成主力(本地 16G 显存 + 64G 内存),一次采样0.3M,二次采样0.7M(640p)
- RTX Video Processor — 2x放大(1280p,缩小到85%出1080p视频),利用RTX Video SDK开发
- DeepSeek 官方
- OpenCode Go 官方订阅
- GrsAI 第三方中转站
前两天刚说到这次开发总是遇到差什么就来什么的情况,这两天又碰到了:Qwen Image 2.1。
其实出于经济原因考虑,我这边出图——特别是首尾帧的图,还有场景、角色的一些造型——只有最开始做设定的时候用了 GPT Image 2,后来批量生产就用不起这么贵的模型了。一张图虽然也才 4 分钱,但要用的量非常大,每一期出个几十张也要一两块钱,长期累积下来是相当可观的成本。
所以当时为了降低成本,我接入了商汤的 SenseNova 系列出图模型。这个模型观感还算好,但设计美感确实连 Nano Banana 都不如,只能说能看。不过最重要的是它免费,一毛钱都不要,所以我之前基本都用这套模型在生成,一张图大概三四十秒。
但我感觉最近商汤这个模型降智挺严重,图片质量大不如前,而且经常出花图——可能跟他们拿掉了 VAE 有关系。主要是这个模型现在经常降智,出的图片美感还越来越差,我其实挺痛苦的。那会儿已经用 GPT Image 2.5 生成了一半的图片了。
就这两天,Qwen Image 2.1 出现了。这个模型已经达到了初代 Nano Banana 的水准,甚至差不多接近 Nano Banana Pro 的水准,相当相当厉害。更夸张的是它竟然是开源的。我本地出 0.6MP 的草图大概 25~30 秒,2.0MP 的图片大概 2 分钟,改图的话要乘个 1.5 倍时间。虽然时间上可能并不占优势,但贵在本地就能完成。
现在基本上我本地开着 ComfyUI,智能体可以直接操作出图、出音乐、出视频、放大图片这四个功能,非常方便。越来越像一个坐在桌前、只用说话的人了。真的,AI 改变了生产力的方式。
哎呀,好久没有写博客了,感觉最近一直在做歌曲视频。不过越做越顺,整个流程怎么跑已经清楚了。
而且现在属于是差什么来什么:
音频质量不好,YuE2 这个模型就出来给你增强音频;DeepSeek V4 涨价,就发布了 Qwen3.8 Flash;生成速度不够快,又来了 DeepSeek V4.1,价格也都降下去了。
感觉就像困了,有人递过来一个枕头。
这次做账号感觉比较顺利。虽然说还在很初步的阶段,但明显比之前做普法视频的时候好很多。特别是快手这种对新号很友好的平台,涨粉的数量、速度,包括平均播放量,都很不错。音乐水平提高之后,加上整个制作的精美程度也在提升——这其实跟制作的熟练度差不多,人的审美和对音乐水平的调教,还是得多用一用、多听一听、多看一看,这个能力就会上去一些。
目前技术上所有问题基本都已经解决了,所以又回到了所有做内容视频的人的起点问题:现在卡壳的部分是稿子。只要改编的歌词做得出来、有搞笑的段子给我,我就能把它做出来。而且现在制作的熟练度和速度也越来越快。
顺便一提,终于碰到了第一个被封的视频,是在抖音上,一个给猫猫绝育的歌曲。可能是碰到了医疗或者手术台的图片,还有"绝育"这种词,触发了抖音内部的机审封禁。实际上这个视频在前 10 个视频里,快手上的呈现量是最好的。这也就说明问题不在我。
好了,就随便写一点,记录一点心得,就这样。
更新工具链。这次更新算是微调,只是将绘图模型从Lite改用了Fast。Fast在大多数情况下画质并没有Lite好,但是在卡通场景下,效果大多数时候 Fast更好。
- CherryStudio — 主控台,所有智能体调度
- DeepSeek v4.1 Flash — 主力模型
- Gemini 3.8 Flash - 重要节点参考LLM
- YuE2 — 改词、改曲
- SoulX Singer — 改音色并润色
- Open Soren WebUI - 歌曲最后一步合成
- 豆包录音识别 - 获得歌词准确时间,便于分镜,主要使用此渠道
- Qwen ASR - 获得歌词准确时间,便于分镜【备用】
- SenseNova u1.5 Fast/Lite — 画面首帧生成/封面抽卡
- GPT Image 2.5 — 封面最终生成,优先使用1K,降本
- VOSR2 - 图片超分放大,对于GPT去噪效果极佳
- MiniMax H3 — 视频生成主力(本地 16G 显存 + 64G 内存),一次采样0.3M,二次采样0.7M(640p)
- RTX Video Processor — 2x放大(1280p,缩小到85%出1080p视频),利用RTX Video SDK开发
- DeepSeek 官方
- OpenCode Go 官方订阅
- SenseNova 商汤官方
- GrsAI 第三方中转站
更新工具链,这算是一次重大升级,首先是刚刚发布一周的DeepSeek v4.1 Flash,在质量基本不变的情况下,5-8倍的速度,让我一天就把之前一周需要整理的结构全部搞定了。价格还很便宜,仿佛回到了那个DeepSeek 0731的时代。
其次,音乐生成方面基本没有版权风险了,YuE2的出台,让音乐效果可以追平Suno 5.5,并且基本没有在X Studio那漫长的调音过程了,也不需要云端支持,彻底独立出来了。释放了依赖云端制作重要步骤的风险。我感觉这就是我最后一块拼图。
第三,是个降本增效的图片处理。GPT Image 2.5的构图能力强,写字没问题,同时1K图只需要4分钱不到。再经过10秒的VOSR2放大,效果比直出2K、4K图还好,每一期的制图成本基本压缩到了3毛以内。
第四,重用Gemini 3.8 Flash,写稿子很有特点,虽然很多方面不如其他模型,但最重要的是有特点。这和踢足球一样,基础达标后,最重要的是有特点!这一步可能每期开销要5毛左右。
第五,ASR识别改用豆包,这点纯粹属于提高效率。豆包在语音识别上明显高于千问。而且这个步骤实际支出很低,由于豆包 还送了20小时体验包,目前属于0成本。
- CherryStudio — 主控台,所有智能体调度
- DeepSeek v4.1 Flash — 主力模型
- Gemini 3.8 Flash - 重要节点参考LLM
- YuE2 — 改词、改曲
- SoulX Singer — 改音色并润色
- Open Soren WebUI - 歌曲最后一步合成
- 豆包录音识别 - 获得歌词准确时间,便于分镜,主要使用此渠道
- Qwen ASR - 获得歌词准确时间,便于分镜【备用】
- SenseNova u1.5 Lite — 画面首帧生成,封面抽卡
- GPT Image 2.5 — 封面最终生成,优先使用1K,降本
- VOSR2 - 图片超分放大,对于GPT去噪效果极佳
- MiniMax H3 — 视频生成主力(本地 16G 显存 + 64G 内存),一次采样0.3M,二次采样0.7M(640p)
- RTX Video Processor — 2x放大(1280p,缩小到85%出1080p视频),利用RTX Video SDK开发
- DeepSeek 官方
- OpenCode Go 订阅
- GrsAI 第三方中转站