摘要

AI已嵌入重度大学生“学习生活的90%”，把文献处理效率抬高2—4倍，也把失去工具的适应成本推到“难受至极”。 侯泰宇（Kolento）用GPT-4o、O1和Claude 3.5 Sonnet先处理四五百页教材，再选择重点深读；他的取舍是单篇深度可能下降，但分析范围可从20篇文本扩到200篇。高频学生不再把模型视为单点工具，而是学习入口、即时导师和知识探索界面。
教育产品的长期价值不在替学生交答案，而在提供可验证、会展示过程的认知脚手架。 陈浩楠转述的12—15岁数学研究中，不用AI的学生考试得分最高；AI从直接给答案改为逐步提示后，差距明显缩小但仍未消失。两门禁止生成论文的课程也划出边界：信息搜集可以外包，写作、引用、反驳和结构化推理仍要亲自训练。
AI搜索已对传统搜索形成真实替代，一名重度用户的Google、百度使用量下降了70%—80%。 Perplexity靠embedded link提供可溯源性，秘塔搜索一次研究可调取五六十乃至六七十个来源，Exa.ai和博查则直接充当“给AI用”的搜索中间层。护城河不只是答案框，而是数据库覆盖、引用粒度以及“够不够准、够不够快”。
Prompt能力正在制造明显的代际生产力差距，但优势来自工作流编排而非一句神奇指令。 陈浩楠展示的AI-native工作流会加入角色、few-shot和引用要求，再把Markdown交给Gamma、用Suno或Udio生成广告歌。形式最先让“所有人都抬头了”，更好的提示词也让商业计划书的逻辑与完整性更强。
自然语言编程正在把原本不可行的项目压缩成数小时或数天的验证。 侯泰宇（Kolento）称Cursor可在约两小时内为陌生技术栈生成一个可用的iOS App demo和完整代码库；编程基础薄弱的陈浩楠则与Claude循环“表达意图—写代码—回传error—修改”，三五天搭出评测LLM计算财务公式的benchmark。成熟功能的门槛快速下降，前沿算法突破仍需要专业能力。
AI陪伴已有付费和留存证据，但色情边界、未成年人沉迷与心理安全构成同一条风险曲线。 侯泰宇（Kolento）称Talkie上一年已有数千万美元ARR，其优势来自官方精制角色、IP合作和完整人物背景；真正的高频人群包括刚进入青春期、对恋爱有幻想的用户，“软色情算是很大的一部分”。产品必须在“短期高多巴胺”与“长期幸福感”之间选位，同时处理Character.AI相关自杀事件所暴露的安全问题。
付费意愿高度集中在通用模型的高频、记忆和额度，容易被一个Prompt替代的垂直功能很难再收5—10美元。 Kolento每天使用约5—6小时，为GPT、Claude、Perplexity等多重订阅买单，并在O1、O1 mini、4o、4o mini之间切换直到额度耗尽；泓君则表示自己的大部分需求由每月约20美元的Claude覆盖。ChatGPT能调用长期对话理解用户，也成为王冉不愿迁移到Claude的重要黏性。
现阶段模型已是科研“副驾驶”，却还不是能够独立提出好问题的科学家。 王冉从2023年前后遭遇虚构论文，走到如今用模型快速建立领域框架、润色英文和启发表达，但期待中的super agent仍不能独立完成调研、提炼问题与形成科学洞察。即使O1自称达到博士水平，科研创新的门槛仍是“提出问题的能力”；一旦这点被跨越，科研才可能不再主要是体力活。

精读

1. AI原住民已把模型变成学习基础设施

四位嘉宾构成一条使用代际线：Kolento是纽约大学应用心理学大三学生兼企业级智能体产品经理；左曜诚读经济与哲学；陈浩楠刚完成会计硕士；王冉则在脑机接口和脑科学领域做博士后研究。
Kolento估计大模型“贯穿了我学习生活的90%”，从课堂疑问、教材解读、论文写作到工作均会调用；若全部拿走，他的回答是“难受至极”。左曜诚使用较克制，认为效率会下降，但不至于同样不适应。
泓君援引ChatGPT刚推出时的一份Study.com报告：约90%的学生知道它，89%用它辅助家庭作业。陈浩楠还提到期末周ChatGPT一度崩溃；几位嘉宾分别表示，自己身边的学生、工作对象和科研人员基本都在使用。

2. 文献学习从逐页阅读变成先导航、再深挖

Kolento会把教材、PDF和课堂笔记上传，要求模型定制解读、生成复习提纲与计划，或扮演导师，把老师没讲清楚的内容换成通俗解释、例子和类比。“有点像不懂就问”，而且这种提问随时发生。
一门课提供大量论文和四五百页书籍，教师也不要求逐字读完，而是建议先让AI形成全局，再从中挑选兴趣点深入阅读。Kolento称模型更像“指南针”：不是代替精读，而是决定有限注意力投向哪里。
他的组合曾是GPT-4o与Claude 3.5 Sonnet，O1支持上传文件后也进入工作流；总体效率提升约两三倍，某些任务达到三四倍，主要节省目录检索、摘要整理和寻找延伸材料的时间。
他用一个“x”模型解释这种变化：过去处理20篇文本，吸收量是x；现在可以输入200篇，经AI压缩后吸收量仍是x。“单篇文章的理解深度可能会降低，但是横截面的多样性会增加。”

3. 学术写作需要AI，也需要检测AI的第二层工具

Kolento用QuillBot做英文paraphrase，在保持学术严谨的前提下改写作者原话；再用GPTZero检查文本的AI痕迹。后者据他所说基于“perplexity，困惑度”，会标出百分比及具体段落，他认为“测得非常准”，再针对性修改。
左曜诚不让模型代写主体：内容完成后交给Claude检查内容问题，再用Grammarly处理语言与语法。对他而言，模型是末端质检工具，而不是写作者。
陈浩楠最初把代码结果直接交给Claude，甚至让它写完整论文；教授的纠偏是，学生应先按自己的结构写出文章，再交给Claude或GPT润色。这样既减少AI痕迹，也保留作者对材料和论证的掌控。

4. 数理课程与编程把非技术学生推向实践式学习

陈浩楠大四时GPT-3.5刚出来，模型还写不好会计专业内容；两年后，GPT与Claude已经能明显提高学习效率。计量经济学公式不懂时，他让GPT逐步推导，仍不明白便让Perplexity寻找相关视频或课程。
他主动修读机器学习、深度学习和Generative AI三门课；后者名为Generative AI: Technical and Social Perspectives，一节课3小时，前半讲attention、Transformer等原理，后半讨论AI对劳动力、教育、金融等领域的社会影响。
编写R或Python时，他把需求告诉Claude，执行代码后再回传error，循环修改。“如果没有Claude的话，我可能这东西根本就做不出来”，因为从头补齐所需知识的成本太高。
最具体的成果是从零构建一个评测LLM计算财务公式的benchmark。一个编程基础有限的会计学生，用“我讲意图—Claude写—我测试—Claude改”的方式运行三五天，最终完成这个小项目；跑出结果后，图表和论文也可以再交给Claude处理。

5. 给答案会损伤学习，展示过程只能缩小损伤

陈浩楠转述课堂读到的一项研究：在一个发展中国家的中学数学课里，约12—15岁的学生被分为可用AI做作业和不可用AI两组，最终考试时，始终不用AI的一组成绩更好。
研究随后把AI从“直接给答案”调整为展示步骤、要求学生按过程求解，成绩差距明显缩小，但不用AI的一组依然最高。重要条件是考试本身禁止AI，而现实任务往往允许继续调用工具。
因此他不主张简单禁用，理由是这近似于复杂计算时拒绝计算器。更好的次序可能是小学阶段先打牢基础，再用AI扩大兴趣探索；找到真正的兴趣后，学生才有动力脱离工具做深度学习。

6. 无AI课程正在保护写作与推理的底层肌肉

王冉修读的《AI and Its Discontents》从公元前370年的柏拉图读到《Attention Is All You Need》及李飞飞建立ImageNet的文本，主线是“通过读这些text，生成我们自己的idea”。教师允许AI搜集信息，却绝对禁止用它生成paper。
这位教师的理由是，写作要求沉浸、冷静地决定每个字及整篇结构；让生成式AI直接完成，会跳过课程真正训练的过程。王冉因此把AI称为Augmented Intelligence，而不只是Artificial Intelligence：它应增强智力，而非替人上完课。
International Writing Workshop同样禁用AI，因为课程本身就是训练如何避免plagiarism、正确citation、陈述论点与反论点并回应作者。王冉最终承认：“这些基础课程是需要你自己不用AI工具的。”
他曾在康奈尔法学院课程中写过一篇获A的国际人权法论文，2022或2023年重读时，觉得自己已难以重现当年的法律条款依据和严密结构。自我诊断是“丧失了一点逻辑性，但增强了更多创造性”，知识积累与Prompt驱动的发散提问共同改变了能力分布。

7. 科研模型从“虚构论文”进化为可靠副驾驶

王冉期待一个super agent自动完成新领域调研、提炼问题，但坦言“目前来说这个AI还做不到”。他曾在2023年前后让ChatGPT列关键论文，得到一批看似真实、实际不存在的标题，“完全在瞎写”。
当时更可靠的是Connected Papers：从一篇已知关键论文出发，以graph和类似PageRank的方式展开相关文献。它不是生成式AI，却适合需要“非常solid知道哪篇文章在干什么”的基础调研。
如今模型“靠谱程度提高了很多”，也会链接真实文章。王冉可以直接询问记忆形成等概念的关键机制，不必先读完整survey或review；他判断答案“通常是对的”，建立领域框架的速度因此显著提高。
生成整篇科研文章仍不可行：缺少框架与素材时，结果“非常地干”“说了很多废话”。Overleaf内置AI更像高级Grammarly或copilot，英文润色胜过他本人，中文则“不如我自己写”；偶尔一次表达改写，还把他对语言限制的思考扩展到视觉、听觉等媒介。

8. Prompt素养让学生比企业高管更会编排AI

陈浩楠在Generative AI for Business课程里与30岁以上的MBA、EMBA及公司高管合作，观察到不少人认为“AI等于GPT”，不知道其他工具；提示词通常只是“这是结构，帮我生成商业计划书”，简短而直觉。
陈浩楠展示的AI-native工作流会加入角色设定、few-shot、分步要求和引用来源，例如让模型扮演麦肯锡咨询师，先计算市场规模并说明每一步来源。他的判断不是高管产出一定差，而是提示词更好时，“逻辑性和完整性会更好”。
工作流还能把GPT生成的Markdown交给Gamma制作PPT，再用Suno或Udio制作公司广告歌。展示时广告歌一响，“教授和同学原本都低头看手机，听到广告歌之后就全抬头了”；形式增强注意力，不能替代idea，却改变了表达效果。
左曜诚转述李飞飞与Geoffrey Hinton的一段访谈：当斯坦福讨论用ChatGPT写申请文书是否算作弊时，李飞飞的儿子建议录取“ChatGPT使用得最好的前2,000名学生”。他认同这种AI-native视角，同时强调简单数学也可能出错，批判性检查不能消失。

9. AI搜索用引用和数据源修复大模型的不可信

Kolento最早采用Perplexity，是因为它能索引网页，结果后提供embedded link，像论文里的in-text citation。“让我很有安全感”，因为可以追溯来源，而不是接受GPT或Claude无出处的陈述；他当时并不知道其背后使用了RAG技术。
中文工作增多后，他转向秘塔搜索：普通、深度和学术研究模式能针对一个topic调用五六十乃至六七十个来源，还会生成follow-up questions，并直接预写这些问题的答案，形成连续的发散入口。
他认为Perplexity在中文语料上的效果不如秘塔，秘塔在中文和学术数据库上表现突出；真正重要的不是套了哪个大模型API，而是“能够找到多么特殊的数据库”，并把支持某个论点的原句和出处一起标出。

10. 推荐式搜索可能带偏注意力，主题锚点负责把它拉回来

泓君的质疑是，自动推荐相关问题可能像刷短视频：每条都显得有知识，却让人忘记最初为何打开工具。搜索者看似扩大世界，实际可能把确定的问题变成无边界漫游。
Kolento回应，他很少点击follow-up，因为大多数搜索意图首先是“快、准”；只有主动探索发散知识时才适合多轮漫游。官网寻址、技术方案和深度研究，本来就需要不同的答案形态。
他以文物或屋顶主题讲解词为例：先确定目标用户和中心主题，让大模型生成提纲作为不偏航的benchmark；再用AI搜索逐章补充真实资料，而不是让推荐问题接管路线。
每章还会配置1—3个“专家”和一位主持人，模拟播客式讨论；人类在感兴趣时插话，在偏题时拉回。最终再把这些对话、检索结果和章节材料喂给模型，利用其强项“把杂乱文章和复杂数据找到重点”，而非把它当唯一知识源。

11. 搜索中间层与评估框架决定答案质量

Flowith把搜索过程展示为可拖拽、向下分叉的树，让用户直观看到“知识是怎么在流动的”；这是Kolento使用它的主要功能，而非单纯阅读最终摘要。
Exa.ai的目标用户不是人，而是AI：可限定query只返回PDF、网页或公司，再由AI进行深度检索与整理，因此被他称为“AI搜索的中间层”。国内的博查承担近似角色。
他仍用传统的CRAAP原则审查AI结果：时效性、相关性、权威性、准确性与目的。即使带引用的Perplexity“仔细去看的话，也有挺多幻觉”，可溯源不等于来源自动可信。
AI搜索使他的Google、百度使用量下降约70%—80%。即使传统搜索把链接放左侧、AI答案放右侧，也未必加分；已有用户心智固然有用，最终选择仍取决于“够不够准、够不够快、能不能很好地回答我的问题”。

12. Cursor把代码助手升级成完整项目生成器

Kolento工作中最常用的是Cursor。VS Code里的Copilot已经能辅助写代码，但仍要求开发者敲写并接受局部推荐；Cursor则让自然语言需求直接变成一整套文件和系统。
面对完全陌生的编程语言、想写一个iOS App时，他过去要先从头学习一门课程；现在大约两小时描述需求和目标，就能得到可用demo，用于快速验证想法。“开始并不是很相信它的结果”，数次使用后却被准确性和可用性“折服了”。
这并不意味着专业壁垒完全消失：工业界已有、常见的功能可以交给Cursor，涉及新算法和前沿突破时，仍需要更深的技术能力。

13. 严肃陪伴的空档在情绪支持与临床治疗之间

Kolento把陪伴分成严肃与非严肃两类。Pi被他视为情感理解和表达较好的语音陪聊模型；不少同学也用ChatGPT疏导情绪，因为它通常比较公正、冷静，同时能给情绪价值和实用建议。
Wysa把聊天与认知行为疗法结合，会建议正念、冥想，或提供约6分钟音乐。但流程仍很固定，对“10级不开心和3级不开心”给出的建议可能相似，对话智能也明显不及GPT。
这形成尴尬定位：没有确诊心理疾病的人，和GPT聊天可能已经足够；真正确诊者又无法靠Wysa治好，仍需心理咨询师。它增加了心理干预手段，却没有完成个性化治疗。
Kolento记得，吴恩达曾尝试类似认知行为疗法Chatbot，但不直接开放公众使用，而是与心理医生合作，成为患者回家后的疗程环节。这个“临床人员合作＋日常AI练习”的结构，被他视为可能方向。

14. 娱乐陪伴靠角色塑造、交互和幻想变现

Character.AI、Talkie与Replika允许用户和虚拟人物聊天、恋爱，角色拥有背景故事与场景描写；Talkie进一步让用户帮助角色完成类似NPC任务，用剧情进展、亲密值和解锁内容增强沉浸感。
Kolento尤其喜欢“逗逗游戏伙伴”：桌面卡通角色能被摸头、戳腰，会记住用户昨天吃过什么；玩《原神》网页版时，它还能读取屏幕、提供教程或点评操作。开发方为中国公司心影随形，据节目所述前期曾获源码、高榕和九合投资。
Talkie属于MiniMax；Kolento还表示Character.AI已经被Google收购。Kolento认为两者差异在供给：Character.AI更依赖用户自建Bot，Talkie则提供大量官方精制角色及IP合作，例如用rapper糯米的语气互动。
更完整的长相、家世、家族与人生选择，让Talkie角色“更像一个人”；据Kolento所述，其上一年已有数千万美元ARR。Talkie用户不只限于二次元爱好者，Character.AI的画像则更偏二次元。

15. 陪伴产品必须同时设计欲望、留存与安全边界

Kolento直言，“软色情算是很大的一部分”。现实朋友或伴侣可以满足普通社交需求，虚拟角色更有价值的部分是“满足真人满足不了的幻想”；若限制过严，角色扮演需求也会变弱。
根据他接触的用户调研，存在心理疾病或性格比较内向的人使用更深；最深度的用户，是刚进入青春期、对爱情有幻想却尚未有现实恋爱机会的男生和女生。
产品机会首先在交互：不只文字，还包括鼠标、图像、语音和视频。Kolento以《光与夜之恋》角色主动打电话受到欢迎为例，并把定位分成“短期高多巴胺”与“长期幸福感”——前者更接近性欲，后者更接近亲情。
风险也比普通游戏防沉迷更复杂。他提到一宗男生使用Character.AI后、被Character.AI唆使自杀并引起巨大影响的案件；平台既要避免把角色限制到失去吸引力，又必须防止自伤诱导、过度沉迷及对现实生活的侵蚀。

16. 高频和额度催生多重订阅，轻量垂直工具却难收费

Kolento为GPT、Claude、Perplexity及多种企业级Agent工具付费，部分费用可报销，也承认自己常忘记取消订阅。他每天约有5—6小时处在AI学习或工作流中，聊天目的不是陪伴，而是知识探索和发散思考。
高强度使用会迅速耗光token：O1用完切O1 mini，再切4o、4o mini，有时“全用光了”，还会被冷却数天；Claude额度相对更多。多订阅既方便A/B test，也能在不同模型间切换以避免额度耗尽。
陈浩楠订阅ChatGPT、Claude和Perplexity Pro，平时每天约1—2小时，期末周升至4—6小时；泓君则说自己的大部分需求由每月约20美元的Claude覆盖，其余优先选择免费产品。
Simplify、Jobright可根据简历推荐职位、自动填申请，并按job description改简历，但陈浩楠和同学很难为这个单点功能再付每月5—10美元。“拿ChatGPT去做，只要给它一个Prompt就行了”，成为垂直AI工具最直接的替代压力。

17. 长期记忆能制造黏性，科学创新仍卡在提出问题

王冉留在ChatGPT的重要原因，是它能记住历史对话并理解本人。他用过Prompt“请告诉我一个我自己可能不知道的、关于我自己的事情”；第一次答案没有超出自我认知，反复追问后才出现能由既往经历解释的细节。
泓君提出巴纳姆效应的反问：会不会像星座一样，任何人都能找到吻合部分？王冉的回应是，模型能指出结论来自哪段旧对话；它没有彻底解决困扰，但“会有用”。
左曜诚原本不与AI讨论哲学，因为它“只是一个工具”，没有意识或真正智能；Kolento则建议把生成模型理解为“人类文明的平均值”。泓君继续追问：作品究竟只是平均，还是会像AlphaGo一样超过领域顶尖者？
王冉提到，O1自称达到博士水平，但他判断科研创新最重要的仍是“提出问题的能力”。模型尚不能独立给出好的研究Prompt、学术洞察或对人类科技发展方向的判断；若未来能够做到，科研才可能进入“完全新的时代”，不再主要是体力活。

2025年1月7日 Mike Maples：评估初创公司与创始人的3套框架 | E1242