边做饭边用语音开发出博客功能；19 岁靠 AI 和 Instagram 做到月入一万美元

Simon Willison 在本人博客记录了这次开发：用 ChatGPT 桌面版 Codex 的语音模式，对着本地开发环境做出 Newsletters 页面。他公开的口述稿充满「嗯」和自我纠正，比如先说不想让 newsletter 出现在日期归档页，又改口说要出现。模型照样理解了需求。语音阶段约半小时，做出数据模型和迁移、四种导入（包括从 Substack 未公开的 API 翻页抓取）、公开归档页和搜索集成。

他的工作顺序可以借鉴：先打字启动预览 → 语音讲清目标和例外情况 → 让 Codex 开分支、提 PR → 坐回键盘审查。审查时他发现一个导入脚本用 Git 子进程拉私有仓库，就改成了 API 方式，并补上调整。这部分又用了约半小时。

他说的主要好处是能同时做两件事，原来做饭时听播客的时间，现在可以用来开发。前提是本人懂代码、能判断 PR 质量，任务也足够小。他也写明，细节阶段还是打字更快。

Starter Story 视频讲的是 19 岁的 Vadim：今年 3 月辞掉市场营销工作开始做 app，此前从未上线过产品。他的产品 Vugola 在 5 个月后做到每月约 1 万美元收入、用户超过 2 万。按节目概括，他的方法只有两件事：全部用 AI 开发，以及「不怕难为情地」在 Instagram 发内容。

材料里真正有用的是他的背景：他原本就做营销，分发能力是现成的，AI 补上了他不会写代码的短板。章节标题里「Know your customers」和「Time vs money with content」这两部分（2:10、9:02）值得优先看。

对副业读者来说，可以把顺序倒过来想：先确认自己能持续触达哪群人，再用 AI 低成本做产品。月收入是节目和本人口径，不能当作利润；视频简介里的「任何人都能做到」也是节目自己的说法，没有给出比例证据。

在 Supercompanies 这期节目中，Engine 创始人 Elia Wallen 讲了一家有历史包袱的老公司怎样当众改造自己：工程小组从 7 人缩到 3 人，交付速度提高 5–10 倍；超过一半的客服工单不需要人工处理；市场、销售、财务各自嵌入应用 AI 团队。他还说，公司把 AI 带来的利润空间拿去收购一家 30 年的差旅管理公司，没有直接留作利润。

对咨询从业者，这期提供了一张诊断清单：哪些部门要嵌入 AI 人员，客服里多大比例能自动解决，招聘怎样考 AI 能力，推理费用在哪一层管控。一家 1000 人的公司仍有 420 个空缺职位，也说明 AI 改造不一定意味着减员。

以上数字都出自创始人本人，材料没有给出客服自动解决的质量指标，也没有给出成本细节。拿去和客户谈时，应当说明这是单家公司的自述，不是行业基准。

Theoretically Media 这期视频采访了 Javi Lopez。他一个人用 AI 做出 17 分 41 秒的短片《Backrooms Nemoris》第一集。主持人自己做过最长约 8 分钟的 AI 短片，想弄清 17 分钟的长片是怎么撑下来的。需要说明的是，这期由 Magnific 赞助，而 Javi 就是 Magnific 的联合创始人。

可借鉴的经验有三条。一是选题借用 Backrooms 这类人人可以参与的网络神话，容易获得关注；但他也提醒，玩别人的 IP，律师随时能把它收走。二是早期的邮轮故事拆成多段发布，用设定的积累吸引观众回来。三是拍摄上别模仿手持镜头。主持人最后的结论是：一个人做 17 分钟很难，和别人组队分工更现实。

这条属于「用 AI 创作」。材料没有披露播放量、收入和制作成本，想参考成本可以直接看视频 11:04 起的部分。

Nathan Lambert 在 Interconnects 解释，自己为什么不认同一些顶尖研究者「几年后 AI 会比我强」的判断。他认为研究者看到的是工程能力的突飞猛进：训练速度、单次回答成本这些指标都可以验证，所以很适合交给 agent 优化。他预计智能的有效成本会近乎指数下降，2–3 年内预训练的架构和数据选择研究可能被自动化。但这只让实验更容易，不会让模型的本质发生剧变。

他的推论和读者相关：成本下降会通过 Jevons 悖论带来更多需求，行业的瓶颈会落在怎样把 agent 用到具体人群和场景上。他举了 Meta Muse 为例，认为它的价值来自理解 agent 怎样工作，而不是推进性能前沿。

这些是他 10 月 9 日的预测。对做产品和副业的人，可以把它当成一个分工假设：可验证的执行交给 AI，人把时间用在挑问题和做交付上。