Ben Lorica

AI训练数据获取正面临基础设施和访问规则双重挑战，机器人训练需数据转换系统，网络访问权限细分，检索数据可能引发安全风险。

模型本身不是护城河，运营知识和系统集成才是构建AI竞争优势的核心。

AI系统的持续改进应聚焦于围绕模型的‘Harness’优化，而非单纯依赖模型自身升级。

构建AI代理需遵循硬约束、控制自主权、围绕可信流程设计，九条规则揭示实际工作中的架构核心原则。

构建实际工作的AI代理需遵循九条实用规则，涵盖硬约束、自主权控制和可信流程整合。

企业应通过内部运营知识而非模型本身构建护城河，AI团队需聚焦组织学习而非单纯模型访问权。

AI模型部署后停止学习是行业痛点，持续学习技术通过记忆更新和权重调整解决该问题，已成20余家初创公司核心业务。

AI正在改变数学研究，但其在解决复杂问题、验证结果和人类判断方面仍存在局限性，需谨慎看待其应用。

强化学习正成为AI基础设施核心，25家初创公司围绕模拟环境与评分系统构建工具链，解决模型可靠性难题。

AI团队忽视数据合规问题，可能导致法律风险和数据价值流失，内部数据比公开数据更具战略价值。

AI团队必须重视数据合规问题，因为训练数据的来源和使用直接影响模型性能和法律风险。

AI部署成本已成为关键约束，需通过优化设计和模型选择来控制费用。

AI基础设施建设面临来自地方的强烈反对，影响项目进度和可行性。

数据中心因物理存在和社区成本分配问题成为AI反对的焦点，引发信任危机与政策争议。