目前，哪个 ai 的 IQ 最高？你用的ai，IQ 多少？

gemini 3.0 pro 是第一个在离线 IQ 测试里达到 130 分的 llm。

IQ 130 分，比正常 IQ 高两个标准差，也是门萨俱乐部的准入标准，是人群中的前 2%。

IQ 测试分为两档：门萨版测试和线下/离线版测试。离线版的题目是全新设计且保密的，所有 LLM 都没看过，所以不存在背答案、或模型训练时见过等问题。通常情况下，离线版的 IQ 也会低 10～20 分。

离线版测试：gemini 3.0 pro 的 IQ 是历史最高分，130 分；

门萨测试：gemini 3.0 pro 的 IQ 是142，比gpt-5 pro 低 1分。

平均一下，gemini 3.0 pro 的 IQ 得分也显著超过 gpt-5 pro。

（IQ分数不是衡量智能的唯一标准，不论是人类智能还是 llm 智能，智能的结构是复杂且多维度的，但 IQ 可以作为其中一个维度。）

130 分、在所有 LLM 中史无前例的高 IQ，只是gemini 3.0 pro 强大能力的一个小小插曲。

上周五晚上，我用 2 小时时间整体总结了 gemini ai 的实战经验。现在，大纲笔记来啦。还没上课的可以大概了解讲了什么，上过课的可以温故知新。

以 Gemini 3.0 Pro 为核心，结合真实实战，讨论：

• “AI 专家团”：顶级模型的使用策略
• AI 会员配置与成本收益
• AI 搜索 & Deep Research
• AI 阅读与知识管理（三级笔记、知识树）
• AI 写作 Workflow
• Gemini 3.0 Pro 实战体验
• 如何识别 AI 营销号？
• 如何学习 AI 新知？

方法论立场

• 不做“炸裂”“史上最强”式营销号内容，只谈第一手实践 + 思想框架。
• 核心问题：在 2025 年这个时间点，普通脑力工作者应该如何严肃地用好顶级 AI？

AI 专家团

从“工具箱”到“AI 专家团”

• 早期说法：“AI 工具箱 / 工具组合”；现在更贴切的概念是“AI 专家团”：它们不只是工具，而是与你“结对子”的伙伴。一起长期做严肃任务：学习、研究、写作、决策。
• 关键判断：不存在“最强 LLM”，只有“专家团”的配置。

主力模型

• 使用方式：喜欢用支持 Split View 的浏览器（如 Arc）。一屏开 3–4 个 AI，对同一 Prompt 让多个模型同时思考。这是一种一旦养成就离不开的习惯。
• 模型组合变化：
• 旧主力：GPT-5 / GPT-5 Thinking。
• 新主力：GPT-5.1 Thinking + Gemini 3.0 Pro。
• GPT-5.1 Thinking 改进：
• 但在深度对比下：在很多真实问题上，Gemini 3.0 Pro 的表现仍然明显优于 GPT-5.1 Thinking。
• 解决了“之前 GPT-5 Thinking 不说人话”的问题：语言不再那么艰深，让人难读。
• 连续两天重度实战后，形成清晰体感：很多场景下，Gemini 3.0 Pro > GPT-5.1 Thinking。
• 结论：对非程序员的普通 AI 用户来说，默认主力模型需要把 Gemini 3.0 Pro 加进来。强烈建议：一定要实际用一段时间，而不是只看别人评测。

会员订阅策略的调整

• 从 ChatGPT Pro 200 美金降级到 Plus 20 美金：
• 理由：现在强模型太多：Claude、Gemini、Notion AI 等。时间精力有限，如果一心“压榨” ChatGPT Pro，就没时间研究其它顶级 AI。做一个实验：从 200 美金退回 20 美金，看看体验如何。
• 当前个人配置：
• 三个主要 AI 会员：chatgpt、gemini 和 claude；
• 加开一个 chatgpt Business 账户（小号）：用来测试企业版与个人 Plus 在知识库、多协作上的区别。发现额外惊喜：Business 账户能用 GPT-5.1 Pro。
• 成本与收益：
• 每月总支出：约 100+ 美金。
• 社群调查：95% 以上成员至少开了一个 20 美金以上的顶级 AI 会员。
• 基本原则：如果你从 AI 中获得的价值远大于 20 美元 / 月，就应该开会员。如果三个会员加起来的价值远大于成本，也应该都开。
• 一个明确判断：只要你曾开通过 ChatGPT Plus，很可能就同时应该把 Gemini 和 Claude 开上。
• 背后逻辑（2024 vs 2025）：
• 2024：ChatGPT 遥遥领先，“根本没必要对比 Gemini 或 Claude”。
• 2025：同样 Prompt 同时给 ChatGPT / Gemini / Claude。各有所长，能力配置像“清华北大的不同学生”。没有“六边形战士”，只有“偏科的尖子生”。
• 因此策略变化：只要一个问题值得研究，就默认让三个顶级 AI 一起上。

如何选择模型？

AI 搜索

• 所有为了“获取信息”的任务，可归类为：AI 搜索。
• 结论：复杂信息检索任务 → 用 GPT-5.1 Thinking。Chat 模型也能联网，但缺乏显式思考过程，只是直接生成 Token。Thinking 模型在综合获取一个主题信息时，明显更可靠。
• Gemini 3.0 Pro 虽接谷歌原生搜索引擎，按理说有搜索优势，但实际体验并非如此：在 AI 搜索质量上，仍明显落后 GPT-5.1 Thinking。

Deep Search

• Claude Deep Research：实测“花一个小时产出的结果非常差”，没必要试。
• Gemini Deep Search：有独特优势：充分利用 Google 搜索原生索引，广度极大。目前底层可能仍是 Gemini 2.5 Pro / Flash，将来随 3.0 升级值得期待。
• OpenAI Deep Research：在深度上表现突出：可以把一个主题的多源资料做很深的综合。
• 结论：
• Gemini Deep Search：广度特别广。
• OpenAI Deep Research：深度特别深。
• 两个都值得用，用实战建立自己的经验分界线。

Pro / Deep Think 模式的定位

• 200 美金 Pro 用户额外有 Pro 模型，对标 Gemini 的 Deep Think：适合“专家级思考 / 研究级思考”类任务。如果任务像“请一个专家团队帮你研究一件事”，可以用。
• 但用它来做“写作类任务”：并不会自动比 Chat 模型好太多。

写作任务：Chat 模型不一定更差

• 问题：写文章、总结几十分钟 Podcast、几万字长文的框架，应选 Chat 还是 Thinking？
• 通用直觉：Thinking = 推理模型 → 似乎更适合复杂写作。
• 实战一年后的结论：
• 对于写作 / 语言类任务：Chat 模型很多时候并不比 Thinking 差，甚至更好。尤其在 GPT-5 Thinking 还“不说人话”的阶段，GPT-5 Chat 明显更好。
• GPT-5.1 Thinking 虽然现在说人话了，但 Chat 模型依然“足够好”。
• 背后猜测：
• 凡是“语言类任务”，本质上未必需要逻辑推理能力。
• 对 Transformer 而言：写文章、提炼长文框架，本质上还是“模式识别”。如果 Chat 模型自带的“文科能力”足够好，它就足以胜任。

浏览器 + 知识管理 + 私人 GPT

AI 浏览器：变成行为镜子和成长教练

• 主力浏览器：Atlas，已经连续用一个月。
• 关键变化：在 AI 整合之后，浏览器对“信息获取”和“自我分析”的意义被放大。
• 原理：你所有的浏览记录，ChatGPT 理论上都看得到。它能基于浏览历史，分析：注意力模式、兴趣分布、时间花费结构、实际行为 vs 你声称目标的差异
• 实际用途：
• 每周让 AI 对你的浏览 / 时间使用做一次总结。
• 它既知道你的目标，也知道你真正做了什么。
• 可以成为你的成长教练，而不仅是“心理分析师”。

浏览器的价值与地位

• 浏览器不是简单 App，而是“电脑最重要的工具”。
• Chrome 从 2008 年起演化出 Electron 等基础设施。
• Notion、Logseq 某种意义上都是“浏览器化”的产物。
• 互联网是基础设施，人类信息都在上面；浏览器是入口。
• 当浏览器与顶级 AI 无缝整合时，它的意义远超大多数人的想象。

私人 GPT：Google Drive + 三级笔记

• 把几万个笔记同步进 Google Drive，再在 ChatGPT 里开启 Google Drive Connector：你的个人资料与顶级 AI 无缝连接。
• 结合三级笔记法、500 字费曼、“思想综合”等Prompt，效果惊人：
• 你读过、写过的一切资料与 AI 连成了一个“私有知识宇宙”。
• 基本等价于当年我们梦想中的“私人 GPT”。
• 你脑海中的知识可以和 AI 实现无缝结合。
• 这是当前使用频率最高、最有价值的场景之一。

AI写作 Workflow：人脑定大纲，AI 写血肉

• 过去的人类写作工作流：

1. 人类研究问题、形成观点。
2. 列出大纲，定文章骨架。
3. 一气呵成写完初稿。
4. 反复修改、排版、发布。

1. 自己思考并研究问题 → 得出结论。
2. 梳理好一个完整的大纲（骨架）。
3. 用 Gemini 3.0 Pro、Claude 3.5 Sonnet、GPT-o1(Thinking) 同时生成初稿。
4. 基于这三个版本，做人类编辑：充分采纳、整合。模块化取其所长，根据个人品味筛选。

• 让有限的认知资源集中在：想一个真正好问题。想一些别人不怎么想的问题。
• 当你充分利用顶级 AI：思考速度更快、视角更新、深度更深、资料更全、最终语言质量更高。

重新审视 Google AI

谷歌 AI 的迟到与赶上

• 2010s 以来，大家都认为谷歌是 AI 王：AlphaGo、Transformer 等里程碑都出自 Google。
• 现实发展却很“拉胯”：Lambda、PaLM、Bard 等产品让人几乎记不住名字。Gemini 1.x / 1.5 / 2.0 阶段：与 ChatGPT 有质的差距。
• 直到 Gemini 2.5 Pro 才真正接近最前沿模型，但缺点仍然明显。
• Gemini 3.0 Pro 发布后，我认为：Google 终于真正赶上了 ChatGPT。这个格局变化非常重要，也值得重视。

Google 生态（全家桶）在 AI 时代的放大价值

• Google Drive 的作用：把电脑上的几万个笔记、资料全部同步到云端。
• 当：Docs / Sheets / Gmail / YouTube 数据都在 Google 生态里时：它们就能与最顶级的 AI 能力无缝结合。
• 核心公式：AI 越强 → 个人资料 + 最强 AI 结合 → Synergy 越大。

YouTube Premium 的价值

• 全家都是 YouTube 会员：每月十几美金，非常值得。
• 价值点：免广告，体验平滑。接触高质量内容：Veritasium 这类硬核科普。一小时以上的古典音乐演出。
• 效果：这种“润物细无声”式的内容，学习效果不亚于正式的课和培训。

如何学习AI新知？

警惕营销号与五六手信息

• 每次有新模型发布（如 Gemini 3.0 Pro / Nano）：几小时内简中互联网会充斥“炸裂”“史上最强”类内容。
• 问题：大量是五六手转译信息或简单翻译的营销稿。没有时间实战，更没有深度思考。
• 判断标准：如果你每天收集了很多信息，但生活和能力没有实质变化，说明信息消费模式有问题。

学习 Workflow：三步走

第一步：AI 联网搜索综述

• 不先看营销号，而是直接对 AI 发指令：使用 Think 模型联网搜索整个互联网。
• 目标：让 AI 花几分钟翻完上百个内容，给出结构化回答。

第二步：建立“原子笔记”（Brick）

• 在笔记软件里，为 Gemini 3.0 单独建一个 Brick：维度：What / Why / How / How Good；把 AI 总结的信息挂载其下。
• 这一步让信息从“阅读”变成“可复用的最小知识单元”。

第三步：迭代与递归（Agency Based Learning）

• 随着自己新的实战体验，阅读到的新深度资料，不断回到这个 Brick 更新补充。
• 笔记像小树苗一样生长：每遇到新概念（如Transformer）：如果已有笔记 → 跳转；没有 → 新建一个原子笔记来定义它。
• 结果：笔记不再是资料堆砌，而是逻辑紧密、生长中的知识框架。

从阅读到知识库的无缝流转

• 新事物学习流程：先用 AI 搜索建立整体了解；用“知识树” + 2w2h笔记方法积累“概念砖块”。
• 实操示例（Gemini 3.0 官方 Blog）：
• 把 Blog 裁剪到 Readwise Reader。
• 边读边划线、写注释。
• 每一条划线、每一句笔记：几秒钟后就同步到阅读知识库 → Obsidian → Google Drive → ChatGPT。
• 心理效果：你会知道，读的每一秒都在被积累，而且“可被 AI 利用”。阅读过程变得更平静、容易进入心流。

三级笔记法与知识树：用乐高搭知识宇宙

• 面对任何新文章 / 演讲 / 长播客：没必要从头到尾一个字一个字读。可以直接用“三级笔记”的 Prompt 生成骨架。
• 用法：万字长文/长播客作为“资源类笔记”。你把所有从中学到的内容，用三级笔记框架梳理：形成一棵完整的树。每遇到一个新概念，就可以变成新的“概念砖块”笔记。
• 长期效果：每篇文章贡献 10～20 个乐高砖块。最终在笔记中拥有上万个清晰砖块。这些砖块形成的“组合爆炸”，让你的思想运作在更高维度。

拒绝“二传手”：只吃一手信息

• 学任何新模型，应优先看：官方源头信息。真正有实战的人写的实践笔记。
• 不看：低质量搬运、五六七八手转述。添油加醋的营销号内容。
• howie的自我定位：
• 我分享的内容必须是：自己思考 → 自己实践 → 自己琢磨出来的。
• 不做“官方文档机器翻译再包装”的二传手。
• 只关注官方信息 + 具体的人，不看算法推荐。
• 结果：不同人同样在两天前接触 Gemini 3.0 Pro，理解深度差异巨大。差异不在“谁看了更多垃圾信息”，而在：谁能用顶级 AI 放大自己的学习能力。

阅读的新范式

为什么是“AI 专家团”？

• 如果有人跟你说：“Gemini 3.0 Pro 是最强 AI，你可以退订 ChatGPT。” 这种人要么傻，要么又傻又坏。
• 现实：不存在一个模型全面碾压其它模型。因此需要“专家团”，而不是“单一神”。

人类注意力的线性特征：单线程的大脑

• 即便英文阅读能力非常好：现实中也不会一个字一个字地读完所有英文长文。
• 原因：《内驱式学习》里对注意力有详细讨论：警觉性注意力、方向性注意力、执行注意力；本质一句话：人脑是单线程，不可能多任务。
• 实际后果：
• 如果阅读中不划线、不记笔记、不画树状图：读完之后 80% 以上内容很快会消失。
• 任务切换损耗极大：边工作边听带歌词的歌，说明对人脑工作方式缺乏理解。

大语言模型的“多头注意力机制”

• 以 GPT-3.5 为例：Transformer 的核心就是 Multi-head Attention。
• 当模型处理文本/图像时：上百个注意力头同时工作；每个注意力头从不同维度提取 Token 之间的关系；在几十万字范围内理解一个词时，会同时考虑它与成千上万个词的关系。
• 结论：如果你理解了模型的“多头并行、多维特征提取”，就不会再想和 ChatGPT 比“谁更会读 / 谁提炼大纲更快”。那是“以卵击石，自取其辱”。

结论：AI 时代的阅读新范式

• 用 AI 阅读不是偷懒，而是更高级的阅读。
• 你的目标是：不断积累高质量“概念砖块”；当你有上万个清晰砖块，组合出来的 idea 几乎无穷无尽。
• 不要因为让 AI 做总结而感到羞耻，应该为此感到自豪。

时间分配：AI 读信息，人类读经典

• 观点：“绝大部分为了获取信息、丰富见识、构建认知的内容，都没有必要亲自读。” 这些先交给 AI 做总结。
• 人类应该把省下的时间用来：读《红楼梦》《三国演义》《西游记》、托尔斯泰等经典。去获得审美体验和精神性享受。去学习最优质的语言。

我的AI增强阅读 workflow

• 整体框架：用 AI 生成骨架（三级笔记）。
• 单点追问：对你感兴趣的点（如 Intent），去找原始表述，再让 AI 总结。
• 细节阐述：对新功能（如 Visual Layouts）让 AI 详细讲解。
• 主动思考：总是回到你的目标，用这些材料构建个人知识体系。

看Benchmark要“带一粒盐”

Benchmarks should be taken with a grain of salt

• Gemini 3.0 公开的 Benchmark 图表：几乎在每个维度实现 SOTA。
• 结论：这些分数“要带着一粒盐来看”（with a grain of salt）。
• 原因：
• Benchmark 是考试，考试就可以作弊。
• 公司如果为刷榜：用尽可能多的测试集数据训练，背题库 → 分数会很高。
• 这取决于公司操守。没操守的话，可以用一个蒸馏模型刷出很高分，但真实体验很差。

实战反例：视频理解的幻觉

• Gemini 3.0 Pro 声称自己是多模态最强。
• 实测案例：在某个视频上，模型把主人公的情感理解错了：明明是愉悦、爽快、幸福，被解释成郁闷、抑郁。典型的“幻觉”和张冠李戴。反而分数更低的 GPT-4 没出错。
• 说明：高分不等于高可靠。必须用真实任务检验模型，而不是看营销 PPT。

“with a grain of salt”的文化小课

• 这个表达本身也是一个“知识砖块”：语言知识 + 文化背景。
• 走路接娃时的十分钟对话：和孩子聊“两小儿辩日谁对”、聊“with a grain of salt”是什么意思。
• 词源：出自普林尼《自然史》：某些药有毒，古人认为配一点盐可以中和毒性。延伸含义：对信息要“有保留地接受”。
• 延展：《圣经》“你们是世上的盐”：隐含“普通人是最宝贵的”的价值判断。
• 意义：不是应试题，而是语言 + 文化 + 思考方式。这就是终身学习：让聊天、步行、日常琐事都变成“成长的时刻”。

识别 AI 营销号：看金钱流向

信息模式与商业生态

• 现象：看到许多“震惊体” AI 文章，但内容质量极低。
• 关键洞察：这些内容看起来很努力，为什么还是垃圾？看清背后的商业模式。
• 结论：信息质量由“谁出钱、钱往哪流”决定。追踪金钱流动，就能解释很多现象。

免费内容：你是被卖的产品

• 对普通读者：“你不是用户，而是被卖的产品。”
• AI 营销号的收入链：从 AI 厂商那里收广告费或合作费。一条广告可能几万甚至十几万。
• 对他们来说：核心目标是：最大化流量。至于内容是否真的能有效改变读者的行为和思维，造福读者，不在考虑范围内。

“通透世界”的隐喻

• 类比《鬼灭之刃》炭治郎进入“通透世界”：能看到世界运作的底层规律。
• 当你看到金钱流动的方向：就能理解某个时间点为什么这么多人集体吹某个垃圾产品。也就知道：什么应该看，什么可以直接略过。

“做中学”：Gemini 3.0 Pro 实战

Learning by doing：只靠实操才能学会

• 对 Gemini 3.0 Pro 的态度：必须用“做中学”（Learning by doing），没有任何替代方案。
• AI 社群的意义：即便需要花两杯瑞幸的钱开 Google 会员，也值得。这是构建知识体系、理解新模型的必经之路。

最重要的 Use Case：思想对话

• 对脑力劳动者而言：独立思考 / 深度思考 / 批判性思考是“本质能力”。
• 深度体验：这几天使用 Gemini 3.0 Pro，最打动人的其实是“思想对话”。

“Deep think this”：跨学科思考的入口

• 一个简单 Prompt：“Deep think this”，然后贴上自己的模糊想法。
• 例子：Embedding 世界里的经典公式：King - Queen = Man - Woman。感觉像是“语文变成了数学”。
• Gemini 3.0 的回应：不是单一领域专家，而是“跨学科通才”。从深度学习、哲学、文学、数学等多角度分析。你的问题越好，它调用的“人类知识宇宙”就越深。

捕捉思维火花与知识管理

• 使用方式：把这些高质量回答剪藏到阅读器里，边读边划线。
• 可“套娃”使用：让 ChatGPT 解读 Gemini 的回答。让 AI 解释其中的代码含义。
• 日常场景：阅读、走路、上厕所时都会冒出思想火花。这些离散火花可以视为“潜在概念砖块”。用手机 + 文件传输助手快速记录，再交给 Gemini Deep Think。
• 例子：“知识的第一性原理：有限符号 + 组合爆炸”。可能是前人没有精确提出来的表达。可以同时让三大模型从认知科学 / 信息论 / 系统论等维度讨论。
• 本质：这是很高质量的思维训练。现实中很难找到这样随时待命、博学多才的对话对象。每月二十块钱的模型费，换来不可替代的思想价值。

“念念不忘，必有回响”的时代

• 时代特征：只要你有脑子、有兴趣、有热爱、有信念，就一定会得到积极有效的回应。
• 这种能力：对于大人和孩子同样重要。

Gemini 的语言能力与“懂”

• 例子：“懂者得懂其懂，懵者中懵其懵。天机不言即为懂，道破天机即是懂。” 让 AI 做“一句原文，一句翻译”的清晰注解 → 效果非常好。
• 说明：对我们这种“单线程人脑”来说，处理此类文本费时费力。但对多头注意力模型来说，只要目标描述清楚，它对语义结构的把握非常清晰。
• 关于“懂”的进一步提问：
• 可以直接问 AI：“你觉得你自己懂吗？”
• AI 的“懂”：语义模式识别上的“懂”。
• 人类的“懂”：基于身体和经验的“具身之懂”。
• 这里能写出一篇很有趣的文章：AI 的“懂”和人的“懂”有什么本质不同？

AI 时代的写作范式

“跟 AI 结对子写作”

• 写作是 AI 暂时无法完全取代人类的领域，但可以深度协作。
• 不能指望一句“帮我写篇 10w+”就搞定。
• 现实做法：还是以人类写作为主，但用 AI 放大能力。

具体写作 Workflow

• 独立思考与洞见：先通过阅读（如 Karpathy 的博客 / Twitter）和研究形成自己的洞见；
• 构建框架：用传统方式写一个严谨的大纲；
• AI 辅助初稿：把自己的观点 / 思考（Markdown 格式）发给 AI：附上明确的写作要求、风格、读者、篇幅。让多个模型（Gemini / Claude / GPT-o1 等）分别出初稿。
• 多模型迭代编辑：自己做“总编辑”：比较各版本；模块化吸收优点；统一成自己的表达。

匠人模式 vs 偷懒模式

• 原则：“凡是可以用 AI 做的，一定要用 AI 做。”
• 但同时：把自己的洞见抽象为模板：
• 从 Idea 诞生到闭环，每个环节拆成 Workflow。
• 每个环节都固化在 Logseq 等工具里。
• 一个过程做三次以上，就写成模板。下次直接调用模板，并尽可能多引入 AI。

全流程 AI 介入：从完稿到分发

• 完稿后：仍会自己修改五六遍，接下来交给 AI：

1. 把文章剪藏到 GPT。
2. 让 GPT 做三级笔记 + 500 字费曼总结。
3. 让 GPT 提炼关键词 + 关键思想。
4. 标题优化：让 AI 从“好标题的第一性原理”分析你的标题。
5. 配图：头图交给 AI 绘图模型生成。
6. 分发：朋友圈、社群、Twitter 文案由 AI 生成和微调。

思想对话 vs 信息综合

• 思想对话：是思维训练，是思考延伸。
• 信息综合：是 AI 搜索 + 知识管理。

AI 知识库：跨媒介综合

• 当你有：AI 阅读库 + AI 笔记库，所有读过、划过、写过的东西都在 Google Drive
• Gemini Deep Research 可以：基于你的 Drive 内容 + 互联网，对某个主题做跨视频 / 跨演讲 / 跨书籍 / 跨笔记的综合。
• 示例：想知道 Gemini Deep Research 底层模型是否升级到 3.0。个人推理可能花半天还错。让 ChatGPT o1(Thinking) 想几分钟，给出更靠谱的判断。

AI Search 的价值与限制

• 对我这种几十年重度 Google 用户而言：AI Search 带来的“节省脑力”是非常幸福的体验。
• 但要警惕：Gemini 之前的搜索体验“非常差”，升级到 3.0 仍有很多幻觉和错误。不要被 AI 营销号吹“AI 搜索革命”迷惑，必须自己实测。

ASCII 小例子：能力并非全能

• 让 Gemini 用 ASCII 画一条鱼：画得非常糟。
• 原因：模型训练数据中几乎没有针对 ASCII 绘画做专项优化；就像让清华北大学生临时做“ASCII 艺术家”，没练过就不会。

如何理解当下的 AI

• 现在的 AI 像一个具体的人：有擅长之处，有明显短板。
• 正确态度：
• 不能期待完美。
• 要通过长期观察 / 对话 / 一起做事去“认识它”。
• 对 ChatGPT o1 / Gemini 3.0 Pro / Claude 3.5 Sonnet 都一样。
• 追求的是：与模型之间建立一种“深度的懂”，而不是一次性工具使用。

模型选择、会员策略 & 社群

顶级模型“专家团”策略

• 原则：只要是一个顶级模型（在某一部分做得足够好），就把它“请回家”。
• 做法：试用一个月，再决定要不要续费。

AI 社群与“社会性学习”

• 目的不只是：提供 AI 知识库、私家 Prompt。
• 更重要的是：提供“社会性学习”的环境。人的认知和思维变化通常发生在：和朋友聊天、喝酒等轻松交流中，而不是在课堂上。
• 直播目标：构建一种 chill 的 Vibe，一种轻松但严肃的学习氛围。
• 成本与回报：真正在 AI 上认真投入的人，一个月开三个会员都不嫌多。在这里扎实学习一年，足够帮你“把 10 个会员的钱都赚回来”。
• 前提：你要对 AI 有一种严肃的态度，而不是当短视频一样“刷着玩”。

其它模型生态

• 关于 Grok：开通了最高等级年费会员，但“几乎一次都不用”。主观感受：Grok 走向了偏激 / 娱乐化。
• 模型分化：2025 年重要特征：能力“孔雀式进化”：
• Claude：coding能力特别强。
• GPT：为了 Agent 能力 & 推理，牺牲部分语言自然度。
• Gemini：预训练和强化学习都有突破，在搜索与生态整合上有优势。
• 使用策略：“三选二”。一般只选最好用的三款模型。同一个问题发给三个模型，选出最好的两篇认真读。

2025的AI转折

• 2025 年，对于我：是 AI 真正落地、真正改变自己行为模式的一年。
• 核心邀请：

1. 把 Google 的 AI 请回家，亲自体验一个月。
2. 把 AI 当“专家团”，而不是单一工具。
3. 把 AI 深度嵌入你的阅读、知识管理、思想对话、写作 Workflow。
4. 欢迎加入社群，一起“做中学”，在实践里掌握 AI。

• 不是为了追每一个新模型的“爆款功能”。
• 而是借 AI 这一代工具，构建自己的个人知识体系和思维方式。
• 用更聪明的方式，过好自己和孩子在这个时代的生活。

讲座回看&下期预告

加入”做中学·AI社群“，即可获得全部权益：

• ai讲座（无限回看、全文文字稿）
• ai社群的知识库（howie的全部ai内容）
• ai社群资料库（howie的prompt等）

点击链接🔗，直达社群。

此外，本周五晚8点，我们继续探讨一个有趣且有用的AI专题：nano banana pro专题。

识别二维码，或者点击“阅读原文”，预约直播。