这期前半场过了一遍上周 AI 院分享的四条线——长文本、多模态、推理加速、评测，后半场主要是 a16z 那两篇刚出的企业级报告。中间穿插了几个当时挺新鲜的东西：有人拿管理学的领导力概念去评测大模型，有人把 RAG 用的 embedding 直接并进大模型做成单体，还有从 logits 反推出 ChatGPT 3.5 大概只有 7B 的攻击方法。
这期开场先过了一遍上周四 AI 院那场分享的笔记。整场主要围绕四个话题：长文本模型、多模态、推理加速、评测。
这四条当时基本就是学术侧最集中的四个方向。分享里有不少细节当场没听太清，所以这里只做一遍粗过——真想深入的，按关键词自己往里挖会更有效率。
有几门课当时值得一看：Google 那门生成式 AI Explained属于比较偏入门的，两三个小时能过完。另外有人整理了 9 门课，大部分是 NVIDIA DLI 出的，涵盖 RAG、怎么构建应用等。
其中AI in Data Center 那门比较特别——和算力中心那类部门沟通时，这门课给的语言体系是有用的。
当时判断接下来比较值得关注的一类落地场景是 data scientist / 研究部门——学校里的 lab、公司里的研究部门，都会希望有一套让大模型辅助做 research 的工具链。
这个方向的特点是需求真实、路径清楚，比泛泛的「企业智能化」要具体得多。
聊到端侧时有个很实际的判断：Windows 本里那块 NPU 谁能用、谁说了算。芯片厂并没有把应用内置进整机的权利，真正有决策权的是联想、华为这类整机厂商。
所以端侧模型要铺开，绕不开的是和做电脑的人谈，不是和做芯片的人谈。
政务行业讲了很多年智慧大脑。到了大模型时代，它显然不该再是干具体活的那层——不是做 CV、人脸识别那些。最直接的想象是把它当成开场的意图路由，但那一层太薄了。
这期看到一篇论文提供了另一个思路：把管理学里的 leadership（领导力）概念拿来用。这篇研究让不同模型在一个游戏环境里生活、交流，观察它们表现出的领导力水平，看哪个模型更像个领导。
这是当时第一次看到有人把管理学和大模型评测结合起来。它演示了不少视频——两个角色看到了什么、聊了什么、怎么做数据分析、下一步往哪走，中间要用到大量多模态能力。
当时流传的一个说法是 ChatGPT 3.5 大概是 7B。这个数字怎么来的？靠一种针对输出层 logits 向量的攻击方法——从最后那层的隐藏维度反推模型规模。
具体实现当时没细看，但做安全的人已经在研究这篇了。这类攻击的意义在于：模型规模这种被当作商业机密的信息，可能通过 API 就能反推出来。
后半场主要是 a16z 刚出的企业级报告。它最有冲击力的部分是用钱说话——把各类工作的成本下降直接列出来：图像生成便宜了十万倍量级，法律文书查询便宜了五十万倍量级。
另一组数是模型从哪来：55% 左右是从云服务厂商拿的，其余通过 model provider——而 model provider 背后几乎也都站着云厂商。
顺带还有一篇 Top 100 GenAI 应用的榜单，当时看下来认识的没几个。
这期最有意思的一个模型是 Contextual AI 做的：把 RAG 用的 embedding 和大模型本身整合成一个单体模型。
好处很直接——你不再需要一个单独的 embedding 模型。同一个模型既能做 embedding，也能做对话。整条 RAG 链路因此少了一个组件。
最后过了几个 agent 框架。CrewAI 当时评价最好，原因不在功能而在示例——其他几个框架的 example 都太玩具了，不像正常工作里会碰到的场景；CrewAI 的示例是做股票分析、为会议做准备、做一个 landing page，这些更接近真实需求。
另外还提了一个专门面向 chat 的界面框架，比 Gradio、Streamlit 那类通用工具更合适做对话产品；以及一个把链接植入大量开源项目 README 来做增长的部署平台——手法很聪明，社区因此起得很快。
主讲当期备课笔记的分类整理，共 10 个类别、11 条链接。类别、顺序和笔记里的批注保持原样，链接标题取自原文页面。