深度閱讀指導

深度閱讀指導

用於書籍、論文及研究資料的閱讀管理、深度分析與知識轉化。

安裝人數
1
分類學習
來源YouMind
机器人触觉研究系统学习指南

🔵 这讲了什么?

高频关键词: 触觉传感器(tactile sensor)、机器人操作(robotic manipulation)、灵巧抓取(dexterous grasping)、触觉感知(tactile perception)、深度学习(deep learning)、人机交互(human-robot interaction)、力感知(force sensing)、多模态感知(multimodal sensing)

对立概念:

  • 视觉感知 ⟷ 触觉感知
  • 刚性物体 ⟷ 柔性物体
  • 传统传感器 ⟷ 仿生传感器
  • 单模态 ⟷ 多模态融合

异常特征:

  1. 触觉机器人学发展30年仍未突破: 尽管从1990年代至今已有大量综述论文(仅2024年就发布了15篇综述),但触觉感知仍未真正改变机器人灵巧性 citation
  2. 触觉优于视觉的场景: 人类触觉在处理材料特性和物体细节形状方面优于视觉和听觉,这对机器人同样关键 citation
  3. 多模态融合的突破: 最新研究显示触觉-视觉同步感知系统(TacThru-UMI)达到85.5%成功率,显著超越纯视觉(55.4%)和交替感知(66.3%) citation

🔵 逻辑是什么?

逻辑链条:

`` 传感器硬件创新(材料、结构、仿生设计) ↓ 多模态感知能力(压力、温度、纹理、滑动、力) ↓ 深度学习算法处理(自监督学习、强化学习、图神经网络)

用阅读教练开始帮我阅读《智能简史》这本书

我来帮您使用阅读教练开始阅读《智能简史》这本书。 我找到了几个优秀的阅读教练技能。最适合您的是"深度阅读教练",它专门帮助深度理解和多维度思考,支持书籍、文章等多种形式,而且是免费的。 让我为您安装并启动这个阅读教练: 太好了!我已经成功安装了深度阅读教练技能。现在让我启动它来帮您开始阅读《智能简史》这本书。 好的!我现在开始帮您深度阅读《智能简史》这本书。让我先搜集这本书的相关资料和核心内容。 太好了!我已经搜集到了关于《智能简史》的大量公开资料。这本书由美国作者麦克斯·班尼特(Max Bennett)撰写,主要探讨人类智能的进化历程以及与人工智能的关系。现在让我开始为您进行深度阅读分析。 --- 问题驱动式五步分析 🔵 这讲了什么? 高频关键词: 五次突破、进化、强化学习、新皮层、神经元、模拟、心智理论、语言、AI、大脑 对立概念: - 生物智能 ⟷ 机器智能 - 简单智能(线虫) ⟷ 复杂智能(人类) - 从行动中学习 ⟷ 从想象中学习 异常特征: 1. 反常识观点:人类智能并非一个神秘的单一属性,而是五次进化突破层层叠加的结果 2. 意外发现:AI能击败国际象棋大师,却无法摆好洗碗机中的餐具 3. 特别强调:脑神经科学和AI科学正在互相促进,深度学习的内在逻辑与大脑进化比想象中更接近 --- 🔵 逻辑是什么? 逻辑链条: 宇宙大爆炸(物质基础) → 生命出现(智能萌芽) → 线虫的转向能力(第一次突破) → 脊椎动物的强化学习(第二次突破) → 哺乳动物的新皮层模拟(第三次突破) → 灵长类的心智理论(第四次突破) → 智人的语言能力(第五次突破) → 现代AI复现部分突破 → 未来AI需要按顺序复现所有核心能力 核心主旨: 人类智能是通过五次重大进化突破逐步构建起来的分层系统,每一次突破都解决了一个新的生存问题并在大脑中留下特定的神经结构;理解这一进化历程不仅揭示了人类心智的运作方式,也为构建真正类人的人工智能指明了方向——AI必须按顺序复现这些核心能力,而不是跳跃式发展。 --- 🔵 怎么理解? 核心概念 1: 五次智能突破的层层递进 想象你在玩一个角色扮演游戏,角色的能力是一级一级解锁的。人类大脑就是这样——不是一开始就拥有全部智能,而是经历了五次"升级": 1. 转向(线虫级别):最基础的能力,就像扫地机器人能识别"这里有障碍物,我要转弯"。线虫的302个神经元能区分"好"和"坏",趋利避害。 2. 强化学习(脊椎动物级别):通过试错学习,就像你第一次玩游戏,死了很多次后学会了躲避陷阱。这是"从自己的行动中学习"。 3. 模拟(哺乳动物级别):大脑长出了新皮层,可以在脑子里"预演"。就像你下棋时会想"如果我这样走,对方会那样应对",这是"从自己的想象中学习"。 4. 心智理论(灵长类级别):能理解别人也有想法。比如你看到别人打开冰箱拿饮料,你就学会了"口渴了可以去冰箱找水",这是"从他人的行动中学习"。 5. 语言(智人级别):知识开始爆炸性积累。你不需要亲自去非洲看大象,别人告诉你"大象有长鼻子",你就知道了,这是"从他人的想象中学习"。 原文支撑: "两侧对称动物的脑子,可以趋利避害的学习;脊椎动物的强化学习,也就是试错,是从自己的行动中学习;哺乳动物的'新皮层'做模拟学习,是从自己的想象中学习;有了心智理论,灵长类动物可以通过模仿另一个人做事来学习,也就是从他人的行动中学习;而有了语言,智人则能够从他人的想象中学习、知识开始爆炸性积累。" citation 核心概念 2: AI的能力悖论——为何能下棋却不能摆餐具? 现在的AI就像一个"偏科生":数学题(下棋、考试)做得特别好,但生活常识(摆餐具、理解人类情感)却一塌糊涂。为什么? 因为现代AI主要复现了"强化学习"和部分"模拟学习"能力,相当于只解锁了五次突破中的前2-3级。下棋是一个规则明确、可以通过大量试错学习的任务,AI擅长这个。但摆餐具需要: - 理解物体的物理属性(杯子易碎、盘子要平放) - 预测人类的使用习惯(筷子放右边还是左边) - 灵活应对各种餐具形状 这些能力需要"模拟学习"(在脑中预演物体如何移动)、"心智理论"(理解人类的意图)甚至"常识推理"(语言带来的知识积累)。AI还没完全掌握这些高级能力。 原文支撑: "为何AI能击败国际象棋大师,却摆不好洗碗机中的餐具?AI企业家麦克斯·班尼特...现代AI系统仍存在巨大局限——人类大脑轻而易举完成的认知壮举,AI至今无法复现。" citation 核心概念 3: 大脑与AI的"可缩放架构" 这是一个非常重要的洞察:大脑和现代深度学习AI都有一个共同特点——可缩放性(scalability)。 什么意思?就像乐高积木,你可以一直往上堆,不会因为堆得太高就塌掉。大脑的神经元网络和AI的神经网络都是这样: - 增加更多神经元/参数,性能会持续提升 - 不会出现"边际效益递减"(越加越没用) - 意味着智能的上限很高,甚至可能没有上限 这解释了为什么GPT-4比GPT-3聪明,为什么人类大脑(860亿神经元)比老鼠大脑(2亿神经元)聪明得多。这也暗示:如果我们继续扩大AI模型,它可能会不断接近甚至超越人类智能。 原文支撑: "大脑和 AI 的基础架构的可缩放意味着这个东西可以不断地增长而不用担心边际效益递减,意味着它的上限高。" citation --- 🔵 为什么这么说? 底层假设: 作者的核心假设是:智能不是神秘的、不可解释的现象,而是可以被拆解、理解和复现的计算过程。这背后隐含着一种"计算主义"世界观——大脑本质上是一台生物计算机,智能是特定算法的涌现结果。作者还假设:进化是有方向性的(从简单到复杂),而这个方向可以指导AI的发展路径。 作者意图: 麦克斯·班尼特作为AI企业家,他的真实意图有三层: 1. 消除AI恐惧:通过展示人类智能的演化历程,让读者明白AI并非"外星科技",而是在复现我们自己大脑的能力。这降低了公众对AI的神秘感和恐惧感。 2. 为AI发展指路:他想告诉AI研究者:"别盲目追求通用人工智能(AGI),应该按照大脑进化的顺序,一步步复现这五次突破。"这是一种务实的AI发展路线图。 3. 建立跨学科桥梁:他试图打通神经科学和AI科学的壁垒,让两个领域互相借鉴。神经科学可以为AI提供灵感,AI的成功也能反过来验证我们对大脑的理解。 知识定位: 这本书处于进化生物学、神经科学、认知心理学和人工智能的交叉地带。它不是纯粹的技术书,也不是纯粹的科普书,而是一种"历史叙事+科学解释+未来展望"的综合体。 在更宏观的知识图谱中,它与以下领域相关: - 进化心理学:解释人类心智的进化起源 - 认知科学:探讨智能的本质和机制 - AI哲学:讨论"什么是智能"、"AI能否真正思考" - 未来学:预测AI与人类的共存之道 它试图回答一个古老的哲学问题:我们是谁?我们从哪里来?我们的智能有何特殊之处? 同时也回答一个现代问题:AI会走向何方?它会超越人类吗? --- 🔵 还能怎么想? 批判性思考问题: 1. 应用维度:如果我们把"五次突破"的框架应用到教育领域,会怎样?比如,儿童教育是否也应该遵循这个顺序——先培养情感判断(转向),再培养试错学习(强化),然后是想象力(模拟),接着是同理心(心智理论),最后才是语言表达?这会颠覆现有的教育体系吗? 2. 反向维度:如果反过来思考——AI不按照人类大脑的进化路径发展,而是走一条完全不同的路(比如直接从数学推理入手,跳过情感和身体经验),会得出什么结论?这样的AI会更强大,还是会永远缺失某些关键能力? 3. 边界维度:这个"五次突破"理论在什么情况下会失效?比如,如果未来发现章鱼、乌鸦等非哺乳动物也有类似"新皮层"的结构,但进化路径完全不同,这个理论还成立吗?智能的演化路径是唯一的,还是可以有多条平行路线? 4. 延伸维度:基于这个观点,下一步可以探索什么?如果人类智能已经完成了五次突破,那么"第六次突破"会是什么?是脑机接口带来的"集体智能"?是基因编辑带来的"超级记忆"?还是与AI融合后的"混合智能"? 5. 伦理维度:如果AI真的按顺序复现了这五次突破,它会拥有情感(第一次突破的"效价"系统)和自我意识(心智理论的延伸)吗?那时我们还能把它当作"工具"吗?我们是否需要给它道德地位和法律权利? --- ✅ 深度阅读解码完成! 我已经为您生成了: 1️⃣ 问题驱动式五步分析(显性思维过程) 2️⃣ 接下来我将为您构建三级笔记(结构化知识体系) 请稍等,我马上为您生成三级笔记...

笔记好了吗

正在为您生成三级笔记,马上就好! --- 三级笔记 智能的五次进化突破 第一次突破:转向(Steering)——最原始的智能 生命最初的智能体现在线虫身上。线虫只有302个神经元,但它们进化出了一个关键能力:效价(Valence),即区分外界刺激的"好"与"坏",并做出趋近或规避的反应。这是所有情感和决策的基础——当你闻到香味会靠近,闻到臭味会远离,这就是效价系统在起作用。 这个突破解决的生存问题是:如何在物理世界中导航,找到食物,避开危险? 它在大脑中留下的遗产是最基础的情感系统和趋利避害的本能。 > "线虫的智能,就是我们作为动物的底色。两侧对称动物都有个脑子来趋利避害、整合信息、持续学习和情感惯性,发源于线虫。" citation > "第1次突破——转向。通过区分外界的好坏,从而趋利避害的进行导航。" citation --- 第二次突破:强化(Reinforcing)——从试错中学习 在"转向"的基础上,脊椎动物进化出了模型-自由强化学习的能力。这意味着大脑可以通过时序差分学习(TD Learning)——以多巴胺为信号——来学习任意的行动序列。 简单说,就是"试错学习":做对了有奖励(多巴胺分泌),做错了没奖励或有惩罚,大脑会自动调整策略。这使得动物能够进行更复杂的行为选择,比如老鼠学会走迷宫,狗学会听口令。 这个突破催生了模式识别(皮层)和空间导航(海马体)能力,也是现代AI深度学习的核心原理之一。 > "脊椎动物的强化学习,也就是试错,是从自己的行动中学习。" citation > "第2次突破——强化。通过重复的习惯,慢慢就掌握了学习的技能。" citation --- 第三次突破:模拟(Simulating)——在脑中预演未来 哺乳动物进化出了新皮层(Neocortex),这是一个革命性的结构。新皮层让大脑能够进行模拟学习,即在脑中构建世界模型,预演各种可能的行动结果,而不需要真的去尝试。 这就像你下棋时会在脑中推演"如果我这样走,对方会那样应对,然后我再这样走...",或者你准备跳过一条水沟前,会在脑中预估"我能跳过去吗?"。这是从自己的想象中学习,大大提高了学习效率和生存率。 新皮层的可缩放性(可以不断增加神经元而不降低效率)是哺乳动物智能上限远超其他动物的关键。 > "哺乳动物的'新皮层'做模拟学习,是从自己的想象中学习;(GPT-4 的阶段)" citation > "第3次突破——模拟。通过学习,大脑长出了新皮质,让人类懂得了一些简单的推理。" citation --- AI的能力悖论与局限 为何AI能下棋却不能摆餐具? 现代AI在某些任务上超越人类(如下棋、考试、写诗),但在人类轻而易举的日常任务上却表现糟糕(如摆餐具、理解常识、灵活应对突发情况)。这个悖论的根源在于:AI主要复现了前2-3次突破的能力,而人类日常任务需要全部五次突破的协同。 下棋是一个规则明确、可以通过大量试错(强化学习)和模式识别(深度学习)掌握的任务。但摆餐具需要: - 理解物体的物理属性和因果关系(模拟学习) - 推测人类的使用习惯和意图(心智理论) - 调用大量常识性知识(语言带来的知识积累) 当前AI缺乏后两项能力,因此在需要"常识推理"和"灵活应对"的任务上表现不佳。 > "为何AI能击败国际象棋大师,却摆不好洗碗机中的餐具?" citation > "现代AI系统仍存在巨大局限——人类大脑轻而易举完成的认知壮举,AI至今无法复现。" citation --- AI发展的务实路线图 作者提出的核心建议是:AI应该按照大脑进化的顺序,逐步复现这五次突破,而不是跳跃式发展或盲目追求通用人工智能(AGI)。 目前的AI发展状态: - ✅ 已较好复现:强化学习(第二次突破) - 🔄 部分复现:模拟学习(第三次突破,如GPT-4的"思维链"推理) - ❌ 尚未复现:心智理论(第四次突破)和完整的语言理解(第五次突破) 这意味着,要构建真正类人的AI,下一步的关键是让AI理解"他人也有想法"(心智理论),以及掌握真正的常识推理和知识整合能力(语言的深层功能)。 > "这个进化历程不仅揭示了我们心智的运作方式,也为构建真正类人的人工智能指明了方向,即需要按顺序复现这些核心能力。" citation --- 第四次突破:心智化——理解他人的想法 从行动中学习到从他人行动中学习 灵长类动物(尤其是猿类)进化出了心智理论(Theory of Mind),即理解"他人也有想法、意图和信念"的能力。这是一个巨大的飞跃。 有了心智理论,你不仅能观察别人的行为,还能推测他们为什么这样做。比如,你看到同事打开冰箱拿饮料,你不仅学会了"冰箱里有饮料",还理解了"口渴了可以去冰箱找水"这个因果关系。这是从他人的行动中学习,学习效率再次大幅提升。 心智理论也是人类社会合作、欺骗、同理心、道德判断的基础。没有心智理论,就没有复杂的社会关系。 > "有了心智理论,灵长类动物可以通过模仿另一个人做事来学习,也就是从他人的行动中学习。" citation > "第4次突破——心智化。人类通过简单的推理,掌握了思维模型。" citation --- 第五次突破:语言——知识的爆炸性积累 从他人行动学习到从他人想象中学习 智人(Homo sapiens)进化出了复杂的语言能力,这是智能史上最后也是最重要的突破。语言让人类能够从他人的想象中学习——你不需要亲自去非洲看大象,别人告诉你"大象有长鼻子、住在草原、用鼻子喝水",你就获得了这些知识。 语言带来了三个革命性变化: 1. 知识的代际传递:前人的经验可以通过语言传给后代,不需要每一代都重新摸索。 2. 抽象思维的爆发:语言让人类能够讨论"看不见的东西"(如正义、自由、未来),进行复杂的抽象推理。 3. 群体协作的升级:语言让大规模的社会分工和协作成为可能,推动了文明的诞生。 语言也是人类智能与其他动物智能的最大分水岭。当前AI在语言处理上取得了巨大进展(如GPT系列),但仍缺乏真正的"理解"和"常识整合"能力。 > "而有了语言,智人则能够从他人的想象中学习、知识开始爆炸性积累。" citation > "第5次突破——语言。人类通过群居,分工合作,悄悄的就掌握了语言。" citation > "不断发生的气候变动,让我们的祖先必须成立高水平的狩猎组织,必须加强群体协作,大脑的体积才越来越大。当下AI的发展刚好来到了语言,以后它会发展成什么样,没有人知道。" citation --- 大脑与AI的共同秘密:可缩放架构 为何智能可以无限增长? 大脑和现代深度学习AI有一个共同的核心特征:可缩放性(Scalability)。这意味着: - 增加更多神经元(或AI参数),性能会持续提升 - 不会出现"边际效益递减"(越加越没用) - 智能的上限非常高,甚至可能没有上限 这解释了三个重要现象: 1. 为何人类比其他动物聪明得多? 因为人类大脑有860亿神经元,而老鼠只有2亿。 2. 为何GPT-4比GPT-3聪明? 因为参数量更大(据估计GPT-4有1.7万亿参数,GPT-3只有1750亿)。 3. AI的未来上限在哪? 如果可缩放性持续有效,理论上AI可以通过不断增加参数量接近甚至超越人类智能。 这也暗示了一个令人兴奋又令人不安的可能:超级智能(Superintelligence)的出现可能只是时间和算力的问题。 > "大脑和 AI 的基础架构的可缩放意味着这个东西可以不断地增长而不用担心边际效益递减,意味着它的上限高。" citation > "人工智能的智能水平与'模型结构'密切相关。脑神经科学和AI科学正在互相促进,一切高级智能都需要神经元。" citation --- 跨学科的启示:神经科学与AI的双向促进 两个领域如何互相借鉴? 《智能简史》的一个重要贡献是建立了神经科学和AI科学之间的桥梁。这种双向促进体现在: 从神经科学到AI: - 强化学习(Reinforcement Learning)的灵感来自大脑的多巴胺奖励机制 - 卷积神经网络(CNN)的设计借鉴了视觉皮层的层级结构 - 注意力机制(Attention Mechanism)模仿了大脑的选择性注意 从AI到神经科学: - AI模型的成功验证了某些大脑理论的正确性(如"大脑是预测机器") - AI的失败揭示了我们对大脑理解的不足(如AI缺乏常识推理,说明我们还不理解大脑如何整合知识) - AI提供了研究大脑的新工具(如用神经网络模拟大脑活动) 这种跨学科合作正在加速两个领域的进步,也让我们更接近"理解智能本质"的终极目标。 > "脑神经科学和AI科学正在互相促进:大脑在进化史上,是经过了五次重大突破,才形成今天这个样子。我们直接看现在的大脑不容易看懂,但是从以前简单的大脑开始看,逐步升级,就容易理解了。" citation > "二者的内在逻辑其实比我原先想象的更加接近,深度学习的..." citation --- 未来展望:超级智能的崛起与风险 人类智能的下一步是什么? 如果人类智能已经完成了五次突破,那么"第六次突破"会是什么?可能的方向包括: 1. 脑机接口:直接连接大脑和计算机,实现"集体智能"或"云端大脑" 2. 基因编辑:通过CRISPR等技术增强大脑能力(如超级记忆、更快的学习速度) 3. 人机融合:人类与AI深度融合,形成"混合智能"(Hybrid Intelligence) 但这也带来了深刻的伦理和风险问题:如果AI复现了全部五次突破,它会拥有情感和自我意识吗?那时我们还能把它当作"工具"吗?我们是否需要给它道德地位和法律权利? 更极端的担忧是:超级智能可能超出人类控制能力,带来不可预测的后果。 这是为什么许多AI研究者呼吁在追求AI能力的同时,必须同步研究AI安全和对齐(Alignment)问题。 > "失控风险:未来超级智能可能超出人类控制能力,带来不可预测后果。" citation > "简而言之,超级智能人工智能的出现将是对人类来说无论是最好的还是最糟糕的事情,所以我们应该提前做好规划。" citation --- ✅ 深度阅读解码完成! 我已经为您生成了完整的: 1️⃣ 问题驱动式五步分析(显性思维过程) 2️⃣ 三级笔记(结构化知识体系) 您可以: - 直接保存这份笔记到 YouMind - 针对某个板块继续深入讨论 - 基于批判性问题进行延伸思考 有什么想进一步探讨的吗?

测试一下我吧

編輯精選

為什麼我們推薦這個技能

此技能提供多模式深度閱讀與研究資料管理,透過精細化命令與嚴格的溯源原則,助你高效分析書籍、論文,並將知識系統化轉化,是學術研究的得力助手。

描述

命令驅動的閱讀項目管理系統,支持書籍系統化閱讀、論文深度分析、論文譜系追蹤和混合研究資料包管理。透過結構化命令幫助用戶將閱讀材料轉化為可長期追問、測試、製卡和轉化的學習項目。

相關技能

查看全部
學習

Offer Toolkit

一個來自矽谷大廠 10 年經驗的求職系統,將真實的招聘洞察與求職方法論封裝成 AI。 Offer Toolkit|AI 求職助手 從「發現心動職位」到「拿下 Offer」,將整個求職流程拆解為三個智慧模組: ① JD 解碼器(JD Decoder) 深度分析職位描述,生成專屬 Offer Strategy Report: 是否值得投遞 職位匹配度評估 核心競爭力與能力缺口 面試重點與高機率問題預測 ② 履歷建構器(Resume Builder) 將你的經歷從「工作描述」轉化為「招聘方認可的影響力故事」: 自動結構化個人經歷 優化項目表達與成果量化 生成 ATS 友好、高品質履歷 支援 11+ 套列印級專業模板 ③ 行為面試故事庫(Behavioral Story Library) 挖掘你的真實經歷,打造可重複使用的面試故事資產: 提煉關鍵項目與成長經歷 自動轉化為 STAR Framework 建立個人 Behavioral Interview Story Bank 高效應對 “Tell me about a time...” 類問題 無論你是在糾結「這個職位該不該投」、想「優化履歷」、需要「分析 JD」,還是準備下一場 Behavioral Interview,Offer Toolkit 都會自動識別需求,並路由到最適合的 AI 模組。 關鍵詞: 求職|Offer|Career|Job Hunt|JD|Job Description|履歷|Resume|CV|Behavioral Interview|STAR|Tell me about a time|Interview Preparation

Y
72k
學習

書遊記 Pro —— 爆款桌遊創作引擎

每本書,都是一盒未拆封的桌遊。 喜歡玩桌遊的你,是不是也有一個念頭——要是能把那本最愛的書,變成一盒能和朋友一起玩的桌遊,該多好?這個念頭,書遊記 Pro 幫你實現。 輸入任何書籍 → 自動分析 DNA → 匹配 7 種桌遊類型 → 嵌入 13 種 Octalysis 趣味模式 → 一次性輸出完整桌遊產品包。 🎲 不是模板套殼。每款桌遊從書的敘事結構、核心衝突、角色系統中自然生長——不是把書名換進固定模板。 🧬 13 種遊戲化趣味模式。提煉自 Octalysis 八角分析法、任天堂體驗設計、《通關!遊戲設計之道》等 9 本經典。推運氣、引擎構築、隱藏身份、競拍博弈、不對稱能力……每本書自動匹配 3-4 種,確保「玩過還想玩第二遍」。 📦 完整桌遊產品包。規則書 + 遊戲板圖 + 卡牌系統(含統一背面)+ 角色卡 + 配件清單 + 組裝指南 + 零列印線上玩法方案。7 種類型可選:冒險探索 / 領土爭霸 / 卡牌構築 / 合作闖關 / 推理調查 / 資源經營 / 社交談判。 🖼️ 定稿後自動生成介紹海報。預設豎版三屏資訊圖(上:簡介+板圖 / 中:角色系統 / 下:卡牌彙總),素材全部來自已生成的桌遊實物。支援自訂尺寸和展示重點,做完就能發群。 🎯 讀書會組織者把書變活動、教師讓課堂玩起來、聚會需要原創桌遊、創作者給粉絲無法複製的周邊。 🏷️ 9999 積分 · 創作引擎。產品線金字塔頂端唯一的引擎級定位,不是使用工具,是爆款桌遊的創作引擎。

B
810k
學習

如何快速了解一個行業

📋 使用指南 這個 Skill 是一套基於麥肯錫方法論驅動的行業研究引擎,基於肖璟《如何快速了解一個行業》中的八維框架。你告訴它一個行業名,它幫你產出一份系統化的行研報告。 —————————————————————————————— 🚀 基礎用法 直接告訴我你想研究什麼行業即可,越具體越好: a. "幫我分析一下固態電池行業" b. "看看人形機器人產業鏈,創業視角" c. "光伏行業現在還能投嗎?" 你可以附帶三個資訊(不強制,缺了我會按預設處理): 1. 行業名:越具體越好,例如「鈣鈦礦光伏」而非「新能源」,此項「必填」; 2. 目標:投資 / 擇業 / 創業 / 競品分析 / 科普,預設:投資; 3. 地區:中國市場 / 全球 / 美國 / 東南亞...,預設:中國市場; —————————————————————————————— ⚙️ 它會自動做什麼? 整個流程分為 4 個階段: 1. 多輪聯網搜索搜市場規模/增速/滲透率、產業鏈、競爭格局、護城河證據、政策、估值——每一條結論都有來源和時點,絕不編造; 2. 生命週期定位用滲透率判斷行業處於導入期/成長期/成熟期/衰退期,不同階段研究重點完全不同; 3. 八維度深挖商業模式 → 市場規模 → 護城河(強制深挖動態趨勢)→ 競爭格局(強制逐條五力打分)→ 估值 → PEST → 景氣度; 4. 反共識檢驗區分市場已反映在價格中的明牌 vs 被忽略的真問題,給出決策建議; —————————————————————————————— 📊 產出什麼? 一份 Markdown格式的專業行研報告,結構如下: 1. ⚡ 30 秒速判 — 階段 / 核心賺錢邏輯 / 最大機會 / 最大風險 / 一句話結論; 2. 研究對象,邊界界定; 3. 生命週期定位(含滲透率數據); 4. 八維度逐項分析(護城河含動態趨勢表格、波特五力逐條打分表); 5. 反共識檢驗; 6. 結論與決策建議; 7. 關鍵風險清單; 8. 數據來源與時間說明; —————————————————————————————— 🔑 兩個核心亮點 1. 護城河強制深挖:不只講壁壘類型,必須回答「過去 2-3 年是變寬還是變窄」,用份額/毛利率/定價權數據說話; 2. 波特五力逐條打分:五條全打,不給偷懶空間,判斷當前誰議價權最強、格局對頭部是友好還是惡化; —————————————————————————————— ⏱️ 耗時 大約 2-4分鐘,因為需要多輪搜索 + 逐維度分析 + 撰寫報告 —————————————————————————————— 🧩 後續可擴展 報告產出後,可以繼續接兩個專項分析(需要你手動確認,不會自動跑): 1.「拆鏈找卡點」:從產業鏈中定位趨勢放量時繞不過去的物理卡點,鎖定真受益標的; 2.「DCF 估值」:對行業內具體公司跑完整現金流折現模型; —————————————————————————————— ▶️ 想試試? 直接告訴我一個行業名就行,例如「幫我看看 AI Agent 行業,創業視角」或「氫能產業鏈現在什麼情況?」

2110k

發現下一個適合你的技能

繼續探索更多精選 AI 技能,用於研究、創作和日常工作。

探索全部技能