週報 Weekly I/O #6

令人羨慕的切蛋糕步驟

作者 Jørgen Veisdal 聊了一個超有趣的問題：怎麼把蛋糕分得讓每個人都覺得公平，還不會嫉妒別人手上的那塊。這個「無嫉妒分蛋糕」的概念聽起來簡單，就是要讓每個人都覺得自己拿到的至少跟別人一樣好，根據他們自己的標準。

文章從一個經典的公平分配問題開始講起，蛋糕在這兒其實是個比喻，代表任何可以分割的東西，比如土地、時間之類的資源。如果只有兩個人，分蛋糕超簡單：一個人切，另一個選，搞定！但如果人多了，比如三個、四個，事情就開始變得麻煩了。

但如果人再多一點，比如四個人，問題就變得超級複雜。文章提到，過去有些方法甚至沒法保證在有限步驟內分完。直到2016年，兩個叫 Aziz 和 Mackenzie 的研究者搞出了一個四人無嫉妒的分配方法，雖然步驟多到嚇人（大概要問600次問題）。後來其他人又把這個方法優化了一些，讓它沒那麼誇張。

這篇文章最有趣的地方是，它不只是在講數學，還說這種分蛋糕的思路可以用在現實生活中，比如分財產、談國際協議，或者共享資源。無嫉妒這個標準聽起來很理想，能讓分配看起來公平，對設計政策什麼的也有啟發。

前 Google CEO Eric Schmidt 收購 Relativity Space 的行動

這顯示了 Eric Schmidt 對商業太空領域的興趣

Relativity Space 公司過去在火箭發射技術方面遇到的挑戰，特別是其早期火箭未能成功入軌的問題。 該公司正在研發的可重複使用中型火箭 Terran R，並與 SpaceX 的 Falcon 9 進行了對比，強調了其成本和技術潛力。 在商業太空市場不斷增長的發射需求，特別是在低軌衛星互聯網領域。

之前 Eric Schmidt 有將數據中心移至太空的新穎想法，但其背後的能源考量和技術難點，為了實現這計劃，這可能是他投資 Relativity Space 的原因之一。

Airbnb 的新應用、體驗與服務

Airbnb 正試圖從一個以低頻旅遊住宿為核心的平台，轉型為涵蓋高頻生活服務的全方位應用，這一轉型的重點在於重新定義其服務範圍與用戶互動頻率。

原本，Airbnb 的核心業務聚焦於旅遊者偶爾使用的住宿預訂，這種低頻需求通常與度假或出差相關，用戶使用平台的次數相對有限，更多是季節性或特殊情境驅動。為了突破這一限制，Airbnb 推出全新應用程式，新增了「Airbnb Services」和改進的「Airbnb Experiences」，試圖滲透到用戶的日常生活中。

「Airbnb Services」提供私人廚師、美髮師、健身教練等專業服務，這些高頻生活服務的特點是與用戶的日常需求緊密相關，理論上能促使用戶更頻繁地打開應用程式，甚至成為每周或每日的工具。同時，「Airbnb Experiences 2.0」強調本地化的活動，例如烹飪課程或導遊服務，進一步拉近與日常生活的連結，試圖將平台從旅遊場景延伸到社區和生活方式的常態化參與。

然而，這一轉型面臨挑戰，低頻的住宿服務仰賴明確的旅遊需求，市場定位清晰，而高頻生活服務則需與既有競爭者如 Yelp 或 Instacart 爭奪用戶注意力，這些平台已在高頻使用場景中建立穩固的用戶習慣。

Airbnb 必須克服用戶對其品牌仍以旅遊為主的認知慣性，並證明其在高頻服務的經濟可行性和吸引力，才能真正實現從低頻旅遊平台到高頻生活應用的跨越。

「主提示方法」（Master Prompt Method）

連續創業家 Hayden Miyamoto 分享了「主提示方法」（Master Prompt Method）如何改變遊戲規則，將AI從一個花俏的助手轉變為一個推動指數級增長的戰略合作夥伴。

什麼是 Master Prompt？

Master Prompt 是一種為 AI 提供詳細業務背景和指示的提示方法，透過儲存完整的公司資訊（如業務範圍、目標、流程），讓 AI 在每次互動時都能生成高品質、具針對性的回覆，而非簡單的通用答案。

怎麼建立 Master Prompt？

建立 Master Prompt 需整理一份詳細文件（例如 30 頁），包含公司背景、目標、運營細節等，然後將其儲存於 AI 平台（如 Claude 的帳戶偏好設定）中，確保 AI 每次互動時自動讀取此背景資訊。也可從其他 AI（如 ChatGPT）匯出記憶，整合至新平台。

這個方法的好處？

Master Prompt 提高 AI 回覆的品質與效率，縮短任務完成時間，讓小型公司能執行大型公司級別的任務，實現執行層面民主化。它還能優化招聘、行銷、運營等流程，顯著提升公司增長率。

Hayden 通常在凌晨 4:30 醒來，每天花費 5 個小時學習和實驗 AI 技術。他擁有三家控股公司，旗下約有 30 家活躍公司，其中三分之二為收購而來，三分之一為新創。這些公司業務範圍廣泛，包括實體產業和數位產業。Hayden 堅信，AI 有潛力使他每家公司的業績每年翻倍甚至三倍。他認為，雖然需要付出大量努力，但 AI 能將可擴展公司的增長率提高十倍，而對於實體產業，也能將年增長率從 30-50% 提高到 60-100%。

大聲朗讀：如何在知識工作中運用你的聲音

在知識工作日益複雜的現代，大聲朗讀（Thinking Out Loud）作為一種簡單卻強大的工具，正逐漸受到重視。這種方法不僅能促進個人思考，還能提升團隊協作與創造力。以下將探討大聲朗讀的優勢及如何在知識工作中應用。

大聲朗讀的核心在於將內心想法轉化為語言表達。研究顯示，口語化思考能幫助整理思緒、發現邏輯漏洞，並增強記憶力。當我們將抽象概念說出聲，腦海中的混亂想法會變得更清晰。例如，在撰寫複雜報告前，先口述內容能讓思路更流暢，減少後續修改的次數。此外，口語表達能刺激大腦的多個區域，促進更深層的認知加工，這對解決問題尤為有效。

在團隊協作中，大聲朗讀也能發揮重要作用。透過分享初步想法，團隊成員可以在早期發現問題並集思廣益。例如，在頭腦風暴會議中，鼓勵每個人說出自己的想法，而不是默默記錄，能激發更多創意靈感。此外，口頭表達能增強信任，因為公開分享想法展現了透明與誠意，有助於建立更緊密的團隊關係。

如何實踐大聲朗讀？首先，個人可以透過錄音或與同事對話的方式，將想法說出並反思。例如，設定一個五分鐘的「自言自語」時間，整理當天的工作重點。其次，在團隊中，可以引入「即興分享」環節，讓成員輪流口述自己的進度或挑戰。這種方法不僅能促進交流，還能讓隱藏的問題浮出水面。此外，利用語音筆記工具，如錄音應用程式，能讓知識工作者隨時記錄靈感，事後再整理成文字。

然而，大聲朗讀也有其挑戰。有些人可能因害羞或缺乏自信而不願公開表達。此時，創造一個安全的環境至關重要，例如強調「初稿思維」，讓大家明白分享的目的是改進而非完美。此外，過多的口頭討論可能導致資訊過載，因此需搭配書面記錄來鞏固成果。

大聲朗讀是一種簡單卻高效的工具，適用於個人思考與團隊協作。透過將內在想法轉化為語言，知識工作者能更清晰地組織思緒、激發創意，並提升工作效率。只要克服初期的不適，並善用適當的工具與環境，這種方法將成為知識工作中的強大助力。

押注 AI Agents、48小時內轉型以及編碼的未來

Verun，Windsurf 的共同創辦人兼執行長，近日在 Lightcone 節目中分享了公司從 GPU 虛擬化公司 Exofunction 轉型為 AI 程式碼生成平台的歷程。Windsurf 現有百萬開發者用戶，數十萬日活躍用戶，廣泛應用於大型程式碼庫修改與快速應用程式開發。

2022 年中期，Verun 預見 Transformer 模型導致 GPU 基礎設施商品化風險，帶領團隊快速轉型，推出程式碼生成工具 Kodium。兩個月內首版上線，後超越 GitHub Copilot，吸引 Dell、摩根大通等客戶，支援 VS Code、JetBrains 等 IDE。2023 年，Windsurf 專注 AI Agents，推出自有 IDE，快速迭代，實現八位數營收。

Verun 提出的「護城河的動態性」（Moat is a verb）觀念，強調企業的競爭優勢（護城河）不是靜態的固定壁壘，而是需要持續行動、創新和適應的動態過程。傳統上，護城河被視為企業建立的長期穩固優勢，例如品牌、專利或市場壟斷。然而，Verun 認為在快速變化的科技領域，這些優勢會迅速被新技術或市場趨勢侵蝕，因此企業必須將「維護護城河」視為一個主動、持續的動詞，而非被動的名詞。

具體來說，這意味著企業需要：

快速迭代與創新：不斷開發新產品或改進技術，例如 Windsurf 從 GPU 虛擬化轉向 AI 程式碼生成，並迅速推出 Kodium 和自有 IDE。

敏銳洞察市場變化：Verun 預見 Transformer 模型對 GPU 基礎設施的影響，果斷轉型以保持領先。

勇於改變：他強調轉型決策在一個週末內完成，展現迅速適應的能力，並視改變為「榮譽勳章」。

這個觀念的核心在於，科技行業的競爭優勢必須通過持續的行動來構建和強化。企業若滿足於現有成就或停滯不前，護城河將逐漸喪失。Verun 建議新創公司保持「非理性樂觀」與「現實主義」，專注解決特定問題（如 Java 遷移或錯誤修正），以動態行動確保競爭力，進而在市場中立於不敗之地。

從「支撐系統」到「智慧引擎」的數據轉型

在人工智慧時代，數據的角色從傳統的「支撐系統」轉向「智慧引擎」，這是技術與商業需求的共同驅動結果。以下是這一轉型的關鍵面向：

1. 支撐系統的角色：

在傳統資訊化時代，數據主要作為業務系統的後台支撐，負責存儲、處理和查詢。例如，數據庫用於記錄交易、客戶資訊或庫存數據，功能聚焦於高效存取和穩定運行。

這種角色強調數據的被動使用，數據庫作為基礎設施，服務於業務流程的穩定性和效率。

2. 智慧引擎的轉型：

數據驅動決策：隨著人工智慧（AI）技術的發展，數據不再僅是靜態存儲，而是成為驅動智慧化決策的核心。例如，通過機器學習和大模型，數據被用於預測、推薦和自動化決策，成為業務創新的引擎。

多模態融合：AI 時代的數據處理要求整合結構化、非結構化數據（如文本、圖像、音頻），並支援向量檢索、跨模態查詢等功能。數據系統需要具備更高的靈活性和智慧化能力。

即時性與規模化：AI 應用場景（如生成式 AI、智慧客服）要求數據系統能即時處理海量數據，並支援高並發、低延遲的查詢，這推動了數據庫從單純存儲向計算與分析一體化的演進。

3. 為何數據公司的本質是AI公司：

數據與 AI 的共生關係：AI的效能高度依賴數據的品質、規模和處理能力。數據公司通過構建高效的數據底座，支援 AI 模型的訓練、推理和應用，成為 AI 生態的核心。

技術融合：現代數據公司不僅提供存儲，還需整合AI技術（如向量檢索、知識圖譜），以支援大模型和深度學習應用。這使得數據公司與 AI 公司的界限模糊，兩者的技術棧和目標高度重合。

價值重塑：數據公司的價值不再僅限於提供基礎設施，而是通過AI賦能，為企業創造洞察、優化流程和創新商業模式。

數據從「支撐系統」到「智慧引擎」的轉型，體現了AI時代對數據處理能力的新要求。數據公司的本質成為 AI 公司，是因為數據與 AI 的深度融合已成為驅動創新的核心。

未來原生分散式架構和一體化數據底座，通過技術創新（如共享儲存、SQL+AI融合）和產品升級（如PowerRAG），成功應對這一範式躍遷，將為企業提供高效、智慧化的數據解決方案，成為AI時代的領軍者。

「極簡創業家」摘要：

薩西爾 (Sahil Lavingia) 創辦 Gumroad ，他最初追逐成為價值十億美元的「獨角獸」公司，獲得了數百萬美元的風險投資。但在歷經失敗、裁員並幾乎耗盡資金後，薩西爾選擇將 Gumroad 轉型為一家小型、獨立且能持續盈利的公司，專注於服務其核心使用者群體——獨立創作者。這些經驗被他寫成書，提倡「小而美」的創業哲學。

「一人公司」並非孤立作戰，而是指創業者充分利用外部資源和科技（特別是人工智慧）的槓桿作用，以極精簡的團隊規模創造出可觀的價值和業績。這得益於像軟體、媒體這樣邊際成本趨近於零的可複製產品，以及低成本的數位工具和平台，它們賦予個人前所未有的影響力和財富積累能力。

要實踐這種「極簡創業」：

從社群出發，找到你的特定人群。先成為社群的「創作者」，透過提供價值建立信任和影響力，並從中發現真實需求。偉大的產品往往源於創業者對自身或社群痛點的深刻洞察。

從小處著手，快速打造最小可行產品 (MVP)。專注解決一個具體問題，不追求完美，力求在短時間內做出核心功能並盡快獲取使用者反饋。最重要的是，從第一天起就要思考如何盈利，使用者是否願意為你的產品付費是驗證其價值的關鍵。

透過內容和真誠互動培養「粉絲」。與其燒錢打廣告追求一次性曝光，不如透過社群媒體、部落格等渠道輸出有價值的內容，建立個人品牌和受眾社群。將感興趣的粉絲引導至你可以直接掌握的渠道（如郵件列表），加深連結並轉化為付費客戶。

善於藉助他人力量，進行聰明的協作與外包。將自己不擅長或非核心的任務外包給自由職業者或專業服務。也可以在自己的社群中尋找合作者，或讓使用者參與產品共創。這能讓你專注於核心業務，並降低運營成本。

以盈利為「北極星」，讓生意可持續成長。重視現金流，謹慎花費每一分錢。哪怕一開始賺得少，也要收費，因為盈利能力是證明商業模式可行性並確保長期生存的基礎。可以利用預售或社群募資等方式，讓客戶資金推動增長。

極簡創業是一種將個人才華與技術槓桿結合，專注服務特定社群，並以盈利為核心目標的新型創業模式。它使得創業門檻大幅降低，讓普通人也能將創意和愛好轉化為可持續的事業，並透過建立「盈利自信」來實現穩健成長。

人類認知因果關係的能力分為三個層次：去看 (Seeing)、去做 (Doing) 和去想像 (Imagining)。

去看 (Seeing) - 關聯 (Association)

這是因果推斷的最底層，也是最基本的層次。我們透過「看」來觀察事物之間的關聯。在日常生活中，我們習慣於收集資料、辨識模式、並在不同事件之間建立連結。例如，當我們看到一個人打噴嚏，可能會聯想到他感冒了；當我們看到天氣變冷，可能會聯想到路上的行人穿更多的衣服。這一切都停留在「觀察」的層面，只回答了「如果我看到 X，我會看到什麼 Y？」的問題。這階段的活動主要是「觀察」(Observing)，目的在於理解變數之間的相關性。然而，關聯並不代表因果，例如，冰淇淋銷量和溺水事件同時增加，並不代表吃冰淇淋會導致溺水，兩者可能都與天氣炎熱有關。

去做 (Doing) - 干預 (Intervention)

從「去看」提升到「去做」，意味著我們不再只是被動地觀察，而是主動地改變環境，透過「做」來探究因果。這個層次回答了「如果我做了 X，會發生什麼 Y？」的問題。例如，如果頭痛，我們可能會選擇服用阿斯匹靈，並觀察頭痛是否緩解。這是一種實驗性的思維，透過干預某些變數來觀察其對其他變數的影響。此階段的活動是「做」（Doing）和「干預」（Intervening），目的是為了回答「為了讓 Y 發生，我應該做什麼？」或「如果我做了 X，Y 會發生什麼變化？」這些問題。透過實際的行動，我們能夠更直接地了解事件之間的因果關係，而非僅僅是相關性。

去想像 (Imagining) - 反事實 (Counterfactuals)

最高層次的因果推斷是「去想像」，也就是思考反事實（Counterfactuals）。這個層次超越了實際的觀察和干預，進入了抽象的思考領域。它回答了「如果我沒有做 X，但 X 發生了，Y 會是什麼？」或「如果 X 當時沒有發生，Y 會是什麼？」這類問題。例如，如果我們想像「如果甘迺迪沒有被暗殺，他現在還活著嗎？」或者「如果我過去兩年都沒有吸菸，我現在會更健康嗎？」這是在構建一個平行宇宙，想像在不同的條件下，結果會如何。這階段的活動是「想像」(Imagining)、「回溯」(Retrospection) 和「理解」(Understanding)。它要求我們具備高度的抽象思維能力，能夠在腦海中模擬不同的情境，並推斷其可能帶來的結果。這對於政策制定、歷史分析以及更深層次的科學發現至關重要，因為它使我們能夠理解「為什麼」某些事情會發生，而不僅僅是「什麼」發生了。

從「去看」的被動觀察，到「去做」的主動干預，再到「去想像」的超然思考，我們對因果關係的理解逐漸深入。這三個層次構成了我們理解世界運作方式的完整框架，引導我們從簡單的關聯走向複雜的因果推斷。