3 min read

榨干 AI 算力: Claude 一人成军,我也想睡觉就能升级啊

Source: http://x.com/i/article/2031667372915089408

榨干 AI 算力: Claude 一人成军,我也想睡觉就能升级啊

最近有两个新闻在科技圈炸了锅: 一个是 Claude 的用户增长团队竟然只有一个人。他花了 10 个月,靠自动化工具干了过去 10 个人的活——设计实验、Figma 批量出图、投放广告、收集数据评测,全包了。 另一个是大神 Karpathy 搞的 AutoResearch

震动学术界,让 AI 像不知疲倦的博士生一样,疯狂跑实验、找最佳参数。

根据claude的内容,他确实实现了一系列自动化的实验措施,能够自动筛选并产出高效果的创意。以下是其核心的自动化逻辑点评:

Image

他把看数据 -> 发现问题 -> 改文案 -> 上线测试这个周期缩短到了极致

  1. 实验选题:从 CSV 文件开始,筛选广告表现不佳的投放,进行精准迭代。
  2. AI设计大量的 A/B 测试组合。使用Figma Mcp在几分钟内生成数百个广告。
  3. 通过 Meta Ads MCP server 消除了数据反馈的滞后
  4. 系统会自动记录过去的实验假设和实验结果,防止重复组实验
Image

claude团队市场部本尊回复

我看完的第一反应:“AI 太牛逼了,这次轮到学术同学和市场失业了? 到底怎么做到的?” 传统的 PDCA 像是一辆老式单车,你蹬一圈,看一眼路,再调一下车把。 但大模型让 P(计划)和 D(生成执行)的成本无限趋近于零。这辆单车被装上了 10 个自动驾驶 CPU,一秒钟能跑 100 次循环。

Image

但跑得快不等于跑得对。 Claude 的增长工程师和 Karpathy 为什么能成功?因为他们的业务目标可以被精准量化。广告平台的 ROAS(投入产出比)、实验的benchmark,都是绝对客观的指标。 有了这种确定性的验证机制,大模型可以进行高速 PDCA,而不是高速制造屎山。

看懂了上面那层逻辑,我想,未来还有哪些工作是可以自动化迭代的,让我随时睡觉变强,睡觉时升级? 我畅想了一些满足输入结构化和结果可验证的一些使用场景,抛砖引玉:

  1. 屎山代码的全自动清道夫,程序员最讨厌给旧代码写单元测试。现在,这变成了睡梦中的基建。
  2. 信息套利,利用跟美国的12小时时差,用Playwright 脚本,定时抓取 Hacker News 或特定大佬的推特更新,整理最有商业价值的情报。
  3. 自媒体增长,每天自动分析后台数据,设计实验,做check做提升。

还有什么日常的高频痛点,用 AI 生成逻辑,用脚本衔接工具,用验证数据卡死闭环的?