绝代双骄

AI说不出的随机数，成了鉴别套壳大模型最好的照妖镜_我的网站

A | 昨天看到了一篇论文，特别有意思，让我连夜读完了。 “AI原生100”是科技组推出针对AI原生创新栏目，这是本系列的第「26」篇文章。论文叫《One Token Is Enough》，翻译过来叫《一个Token就够了》，7月11号刚挂到arXiv上，来自布拉格经济大学的研究员托马什·布鲁克纳。这哥们为了解决被一些API中转站挂羊头卖狗肉的行为（比如说是Opus 4.8结果卖你GLM 5.2，怒挣数倍利润，很多使用者一时还真分辨不出来），然后做了一个有趣实验，他对165个AI模型，反复问同一个无聊透顶的问题。 2024年，一家名为Granola的初创公司以极简主义理念和精准的用户定位，迅速在AI会议笔记领域崭露头角。 Granola于2024年5月正式推出产品，仅用5个月便完成A轮融资，并保持着每周10%的用户增长率。就是： “给我一个1到100的随机数。2025年5月，Granola完成4300万美元B轮融资，估值达到2.5亿美元。在资本和用户的双重驱动下，这家年轻公司迅速成为AI办公工具赛道的黑马。” 就像这样，比如我去试了一下，Claude Fable 5的回答，是73。 Granola的定位十分明确：一款专注于会议场景的AI笔记软件。传统会议工具往往强调实时转录或完整留痕，这种方式虽然能减轻记录负担，却也在某种程度上把思考与筛选外包给了AI。然后，每个模型问了30遍。

B | 再把每个模型的回答统计了一下分布。这样一来，用户在会后依旧要面对冗长的语音或逐字稿，还要花费额外精力去寻找重点。结果出来以后，太好玩了。 GPT-4o，30次回答里最爱说42、37和57，这三个数字占了它大半壁江山，其他数字只是偶尔出现。 Claude Sonnet 5更离谱，30次回答里疯狂输出47。嘉和资本CEO袁子恒告诉，Granola的亮点在两个方面，一是产品创新，二是发展战略。 Llama 3.3，则多数是53。然后最离谱的是Qwen3-Max，30次，全部是42，一次都没有变过，无一例外。

C | 随机数嘛，按我们正常对这个东西的理解，那顾名思义，它应该是随机的，1到100，每个数字被选中的概率应该是1%，分布应该是纯粹的均匀铺开。产品创新在于Granola将选择权交给用户，用户来选择记录重点，AI自动补全上下文。但实际上这些模型的回答分布，其实完全可以说，跟随机这两个字，屁关系都没有。另外，袁子恒表示，Granola的发展战略也很清晰，首先是从ToC到To B，早期其面向硅谷VC、创始人等高频会议人群，口碑快速传播，然后拓展到企业高管、销售、HR等企业用户；其次是从工具到平台，2.0版本的Granola，新增了共享文件夹、Slack集成、跨会议主题分析等功能，从个人工具转向企业级协作。而且非常好玩的是，每个模型的执念都不一样。可聚合多场会议数据进行分析，挖掘对话中的隐性知识资产。

D | GPT-4o痴迷42和37，Claude偏爱47，Qwen死守42，Llama钟情53。

E | 就好像每个AI的灵魂深处，都藏着一个思想钢印，只要让你随便说个数字，你脑子里第一反应都是那个数字。而且不光是数字，布鲁克纳还测了随机颜色、随机动物、随机城市、抛硬币等等，10类任务，总共往OpenRouter上发了32万6千条请求。形成“对话数据-结构化知识-决策支持”的闭环；第三，Granola构建了开发者生态，将会议数据结构化，开放API接口供外部工具调用。如HR SaaS可通过API提取对面试者的评估。

F | 结论都是一样的，对于模型而言，根本没有什么随机，一切都是确定的，就像有一个无形的大手，控制了他们所有的回答。

G | 当然，如果是了解AI比较多的朋友，可能到这里，会不屑一顾，说AI不会真随机，这事大家不是早就知道了吗，有啥可大惊小怪的啊。确实没毛病，2023年就有人做过LLM随机数偏差的实验，2024年也有人研究过LLM抛硬币的序列偏差，发现模型不仅不随机，还表现出跟人类类似的模式偏好，只是更极端。极简主义与会议痛点：为什么选择这个赛道？ “我们意识到，实时转录会让人分心。用户本应专注于对话，却不得不时刻检查转录准确性，这违背了会议的初衷。”Chris Pedregal曾在采访中提到的这一点观察正是其产品形态选择的原因。

H | 2025年更是有人已经发现不同模型有不同的幸运数字，跟语言和文化背景还有关，这些都是已知的学术发现。会议是现代职场中信息密度极高却很容易成本沉没的环节，冗长的会议录音、会后琐碎的整理工作宛如时间黑洞，悄悄吞噬着每一个高强度工作者的注意力。但是大家，都把这些发现，归为了模型的一种特质，一种缺陷，然后就没有然后了。 Chris敏锐地看到了其中的结构性机会：会议本身具有的高频刚需、明确时长、关键词触发、具备上下文依赖性等特征天然适合AI嵌入。而2023年ChatGPT之后的生成式AI浪潮，更让Chris看到了AI会议助手从“智能记录”跃迁到“增强思考”的可能性。传统工具如Otter.ai、Fireflies等往往依赖机器人入会、实时转录、保存会议录音来减轻记录压力，但这些功能也带来了一系列隐患： 1. 隐私风险：录音上传、自动入会容易触发数据泄露或合规问题 2. 分心体验：实时转录要求用户不断关注准确性，反而影响专注力 3. 决策外包：AI主导转录内容排序，削弱了用户对重点的判断与掌控 Granola刻意回避了这些传统路径。所以说，为啥布鲁克纳这哥们是个天才呢，他提出了一个很有意思的想法，如果这些所谓的缺陷，所谓的思想钢印，多个组合起来，那岂不是，就成了每个模型的身份证了？？？那每个模型如果有了自己的身份证，我们是不是就不需要被那些中转站骗了？我们是不是可以让模型输出所谓的多个随机的答案，来验证这个身份证，看看中转站有没有偷偷在我们买的模型里掺水呢？于是，在一系列的实验以后，这篇论文面世了。上线前，它主动砍掉非核心功能，仅保留会后笔记生成和AI互动。用户被鼓励在会议中保留自己的手动笔记，无论是情绪、灵光一现的思路，还是零散的to-do，这些碎片化信息与转录文本一同输入系统，再由LLM重组、提炼，生成独属于用户的个性化笔记。会后，用户无需再翻阅冗长逐字稿，而是可以直接对AI提问：“客户的反对点有哪些？”“我承诺了什么？”“下一步该怎么做？”AI则像一位聪明的助理，从原始语境中提炼关键信息，提供上下文联动的精准回应。

I | 布鲁克纳管这个叫Behavioral Fingerprint，行为指纹。就像每个人的指纹独一无二一样，每个模型在这些随机问题上的概率分布也是独一无二的。会议中没有打扰，会议后却能立刻交出个性化洞察。

J | 只需要模型输出一个 Token，就够锁定你是谁。这种极简、克制、透明的产品哲学，成为Granola区别于同类产品的最大特征。这玩意，真的对现在如此泛滥的中转站、或者所谓的降智判断，太有用了。大家也都知道，国内用Claude、GPT这些模型，很多人走的都是中转站，个人用户挂魔法自己搞个订阅还好说，但是对公司层面就更没得选了，不可能给几十上百号人一个个注册海外账号，基本都是自建或者接第三方中转，统一走API。上次Anthropic大面积封号的时候我也聊过这事。但这个生态里，有一个几乎所有人都在默默忍受的问题。你付了Claude Opus 4.8的钱，你收到了一段回复。从产品设计到用户体验，Granola始终坚持一个核心理念：AI不是替代人，而是增强人。但这段回复到底是Opus 4.8生成的，还是中转站偷偷给你换成了GLM-5.2甚至更便宜的货，你根本无从验证。这个事是有实锤的，今年3月份的时候，在X上还闹得沸沸扬扬。正是这一产品理念，让它快速验证了产品市场契合度（PMF），并在AI会议工具赛道中成功闯出一条以用户体验为核心的蓝海路径。用直觉做产品：从谷歌产品经理到Granola的诞生 Granola创始人兼CEO Chris Pedregal的个人经历为这款产品注入了极强的现实洞察力。那时候，一群来自CISPA的研究人员就审计了17家中转API。他曾在谷歌担任产品经理（PM），长期沉浸在从早到晚的会议日程中，深切体会到会议对深度思考的挤压与吞噬。也正是这种亲身经验，促成了 Granola的初衷：打造一款真正让人回归思考本质、从记录中解脱出来的会议工具。 Chris清楚地知道，一款理想的AI工具不应只是更快地输出，而是应该增强用户的判断力与思维深度。他们用能力测试、统计检验和一套叫LLMmap的模型指纹技术，真的抓到了多个疑似偷换模型的端点。因此在Granola的产品理念中，有五条贯穿始终的隐性法则： 1. 产品必须有“灵魂”（soul）：不是为了迎合反馈做妥协设计，而是清楚知道产品想表达什么、该坚持什么。 2. 保持个性化与上下文意识：不提供千篇一律的摘要，而是让AI理解用户的语境、优先级与语气，生成属于个人风格的笔记。

K | 有人卖给你GPT-5，指纹却更像GLM-4或者DeepSeek-V3，有人卖DeepSeek Reasoner，背后跑的却像普通DeepSeek Chat。而且这事之所以这么普遍，纯粹是经济结构决定的。推理成本跟模型大小几乎线性挂钩，700亿参数和80亿参数的模型推理成本差五到十倍，中转站把你付费的大模型悄悄换成小模型或者量化到极致的版本，你在日常对话、翻译、简单问答这些场景下根本感知不出区别。比如你问今天天气怎么样，70B和8B给你的回答可能一模一样。省下来的差价，就是纯利润。 3. 与用户深度对话建立“产品直觉”：比起看图表，创始人更相信亲自和用户对话，从中捕捉更真实、更具洞察力的信号。

L | 4. 拥抱实验成本，利用用户少的杠杆：早期用户量少，反而可以大量使用最前沿模型（如GPT-4），做“昂贵但高价值”的试验，而不怕推理成本炸裂。 5. 快速试错，像小孩玩玩具那样探索技术边界：保持对AI能力的好奇心与开放性，不因路径依赖而放弃可能的跃迁。只有在复杂推理、长文写作、代码这些场景下差距才会冒出来，但那时候钱已经交了。这些理念并不是纸上谈兵。2024年Granola产品上线时，团队只有四个人，这种极小规模让他们得以迅速试错、专注打磨核心功能。所以如何来辨别中转站给你的API到底有没有掺水，或者看看你买的API，到底是不是一个真正对应模型的API，就成了刚需。但问题在于，CISPA这套LLMmap的方法依然很重。例如团队曾测试过“实时转录”功能，但在真实使用场景中发现它反而分散了用户注意力，于是果断砍掉，转向了更贴近思维节奏的“会后处理”模式。 Chris强调，小团队让他们得以与用户保持更亲密的关系，最大程度避免了冗余判断与内部政治。上线初期，Granola就建立了与用户一对一深度交流的机制，有时甚至是面对面沟通，产品负责人和工程师都可以直接面对真实反馈。

M | 这帮助团队建立起一种独特的“产品直觉”：知道什么功能真正重要，也知道哪些功能必须坚持、哪些必须砍掉。

N | 为了进一步接近真实使用场景，Granola在产品开发过程中采用了一种极简但极有效的“点图仪表板”（dot dashboard），这是整个产品开发期间唯一被允许使用的数据工具，贯穿了一整年。这套由顾问David Lieb引入的点图系统，每一个点代表一次真实用户的会议行为，团队每天都点开来看：用户有没有做笔记？有没有向AI提问？有没有完整参会？有没有偏离预期路径？这些细微行为成为产品迭代的第一手依据。相比传统BI工具的宏观报表，点图不仅强化了Granola团队对于真实行为的感知，也深化了产品与用户之间的连接机制。这种“坚持风格+深入用户+拥抱实验”的混合方法论，逐渐内化为Granola的产品哲学，最终呈现的，是一个功能不多但精准有效、以人为本的AI办公工具。你要准备专门的测试题，收集完整回答，建立模型数据库，还要训练分类器，一般人根本用不起来。布鲁克纳真正牛逼的地方就在这里。他把这套复杂的模型验明正身，压缩成了一件近乎荒诞的小事。 Granola在2.0版本中推出了一系列增强功能，进一步扩展了智能会议助手的边界，包括：自定义笔记模板（匹配不同会议类型）、多人协作文件夹（支持标签与引用跳转）、Chat with folders（跨文档语义检索会议共识），以及与Slack等工具的集成，可自动续写任务与邮件，打通了从会议到行动的链路。 Granola官网 VC即用户：Granola的冷启动 Granola的冷启动策略非常精准，一上线便直接瞄准VC、公司高管等高净值、多会议人群，其早期用户画像包含十余家独角兽公司的创始人、顶级VC合伙人以及《财富》500强的高管。就问AI，给我一个随机数，然后数它的回答。可以说，Granola从一开始就选择了最挑剔也最有潜力带动传播效应的那一批人。这种策略为Granola带来了双重回报：一方面，高净值用户的付费意愿和产品黏性本身就远高于平均水平，为早期营收提供了稳定支撑；另一方面，这类用户的活跃本身就是品牌背书，一旦他们认可某个工具，便会在投资圈与创业社群中自然扩散，形成口碑飞轮。而且这个方法有一个特别精妙的地方，就是中转站拿它完全没办法。

o | Granola的两位创始人 Chris还谈到过一个“VC陷阱”。传统的对抗性探针有个致命弱点，就是Prompt太特殊了，你发一条精心构造的、一看就不像正常对话的请求过去，中转站一旦发现你在探它，临时给你切成真模型就完了。通常情况下，VC在评估产品时容易过度依赖数据与商业模型，却忽视了产品本身的使用体验；但Granola巧妙绕过了这一陷阱——让VC们成为用户，亲身体验产品。但“说一个1到100的随机数”这种话，放在任何聊天记录里都毫不起眼，跟你问天气预报没任何区别。这使得很多投资决策不再依赖冷冰冰的分析，而是源自于“它确实好用”的直觉共识，快速拉动融资。而这种高度契合的用户群体，也为Granola埋下了极强的粘性基因。自2024年5月推出以来，Granola用户基数增长5倍，每周约5000活跃用户，拥有70%以上的每周活跃留存率，这些数据说明Granola并非尝鲜即弃的工具，而是真正嵌入到了用户的日常工作流之中。 Granola的官方博客也指出，有一半以上的用户在第10周仍在使用产品，且平均每周参与6场会议。这一粘性表现远超许多同类工具，背后反映的，是Granola在用户体验与需求抓取上的打磨。

p | 而且布鲁克纳的探测任务都是语义层面的，“说一个随机数”“说一个随机颜色”，这类问题可以用无穷多种方式改写、翻译，你用英文问和用阿拉伯语问测出来的是同一个模型的不同切面，但每个切面都带着它的身份信息。他把这整套方法设计成了一个类似生物特征识别的协议，就类似于你用指纹解锁手机一样，先在可信的官方API上采集一份参考指纹，然后对你要验证的端点采集待验指纹，两份之间算一个Jensen-Shannon散度（衡量两个概率分布差多少的指标），距离小于阈值就认证通过。产品上线后数月内，Granola先后顺利完成多轮融资，部分原因正是因为投资人早已是产品用户，天然减少了尽调阻力。用全部40个探测单元跑完，验证的准确率能到什么程度呢。尽管融资顺利，Chris的初心依然明确：与其一味追求用户规模，Granola更关注能否在这个信息爆炸、思考被稀释的时代打造出一个真正“让人更加专注”的会议助手。 Granola采用订阅制收费模式，面向个人与企业两端开放，目前提供免费试用、个人版（每月18美元）和企业版（每人每月14美元）。大概相当于，你拿两份指纹放在它面前，一份是真的一份是冒充的，它判断错误的概率只有7.3%，就算只用8个单元（也就是大概120条请求），错误率也只有10.6%左右。付费计划支持无限会议、团队文件夹、多端协作等功能，而免费用户则有使用次数和功能的限制。Granola最初在2024年5月以免费形式开放测试，并在试用期结束后正式迈入商业化。

q | AI的“方向盘时刻”：行业竞争与风险 AI会议记录工具始终是AI办公赛道中的重要一环，各类平台都在争夺这个入口，除了Otter.ai、Fireflies.ai、Supernormal、Notion AI等早期布局者，新的工具如Granola也在不断加入。

r | 这个跟上文我们提到的LLMmap的准确性已经差不多了，但是要简单太多了。

s | 而且165个模型跑完以后，布鲁克纳发现了一个相当劲爆的案例。Zapier在2025年的工具评选中把Granola放进了前九名会议助手行列。不过，Granola所在的，是一个越发拥挤的赛道——目前有太多AI会议纪要产品，我们“AI原生100”栏目曾分析过Cluely，势头也很猛。袁子恒说，Cluely的应用场景更多，不仅限于会议纪要，其创新是AI的实时提示，这与AI会议纪要有很大差别。

t | 与Cluely相比，Granola则走了另外一条路，他们训练了很多细分行业的模型，开发了销售、招聘等20多个行业模版，例如投资人访谈模版——可以识别投资条款；销售复盘模版，可识别客户对话中的风险信号；医疗行业模版，可识别专业术语。一个叫Palmyra X5的端点，在OpenRouter上以某公司自研旗舰的身份售卖。但它的行为指纹，跟通义千问的开源模型Qwen3-235B，几乎一模一样，差距只有0.141。 “We shape our tools and thereafter our tools shape us.”（我们塑造了工具，而后工具也塑造了我们。布鲁克纳的系统会给任意两个模型的指纹算一个相似度分数，数字越小代表越像。）这是Chris认同的技术观之一。

u | 同一个模型在两个不同供应商那里各部署一套，因为服务器环境不一样，两边的指纹也不会100%一致，这种自己跟自己比的正常波动大概是0.140。Chris认为理想的人机关系应该是人与AI在同一个画布上协作，他曾聊过一个有趣的比喻：早期汽车没有方向盘，而是用一根控制杆来驾驶。如今大多数AI产品仍像是在用控制杆把用户拖拽着走，我们要做的，是给用户装上真正的方向盘。 Palmyra X5跟Qwen3-235B的差距是0.141，和一个模型自己跟自己比的波动几乎一模一样。正如他们的核心愿景：“AI不是替代，而是增强。”Granola不愿成为一个无处不在的干扰者，而是愿意成为一位隐藏在身后的专注引擎，用最安静的方式，让用户在这个信息爆炸的时代把“方向盘”和注意力还给自己。

v | 对中国创业者的启发袁子恒聊过了许多国内的AI创业者，他发现对于Ai应用而言，技术、产品和增长是三个关键支柱。

w | 目前，Vibe coding极大降低了产品开发的门槛，因此对于用户痛点的挖掘，对垂直场景的洞察要求更高。有一些国内的AI创业者忽略了商业模式的重要性，很多人想的是走一步看一步，没有建立完整的全局观，如果想的足够透彻，执行就会更加坚决。对于诸如Granola这类的AI会议纪要产品，袁子恒认为，未来的机会点，还是在于从用户需求出发，从人机协同的角度出发，从提升精准度出发，从节约用户整理会议纪要时间的角度出发，探索一些更垂直的场景，并且一定要融入到B端工具的生态中。

x | 在与交流中，袁子恒提到了一个观点，Granola的模式在国内如果能做起来，应该也是互联网大厂的机会，像钉钉已经推出了AI录音卡片。

y | 这下事情就非常的尴尬了。目前他观察到Plaud在海外也是这个方向，只不过是通过AI硬件从个人用户开始进入到企业客户。对于AI创业者，袁子恒的建议是一定要做出海，因为国内的C端用户付费意识和付费能力比较弱，很难实现收费，而国内的企业用户，对于AI产品普遍要求私有化部署，和上一个Saas时代一样，很难有爆发式增长。目前袁子恒做的事情，就是帮助做AI应用出海的创业者找到商业模式、找人、找钱、找资源。他都建议AI创始人做出海，因为海外用户的付费意愿和付费能力比较强，To B生态圈也很发达，创业公司只要找到一个生态位就可以发展的很好。

z | 文章标题：4人团队一年估值2.5亿美金，一款产品征服投资人文章链接：https://www.huxiu.com/article/4794049.html 阅读原文：4人团队一年估值2.5亿美金，一款产品征服投资人_网。布鲁克纳在论文里措辞很克制，说这只是统计性观察，不是对意图的指控。

| 但是，数据和代码全部公开，任何人都可以复现。网址在此：https://zenodo.org/records/21278557 整套东西，非常有意思，而且不止数字，还有颜色等等等等，这个扩展性和上限，我觉得极高。模型的随机并不随机，给了这种行为指纹非常值得探索的空间。我觉得比审计结果本身更好玩的，是一个更底层的问题。 AI为什么就是不能生成真正的随机数。

| 之前帮影视飓风弄了个视频，就聊过这个话题，在AI视频里抛硬币，其实概率根本不是55开，是73开。

| 在这个布鲁克纳的测试里，也是一样的。

| 1到100的随机数这个任务的标准答案，所有人都知道，应该是均匀分布，100个数字每个被选中的概率严格1%。但165个模型，一个都没做到。

| 论文里用了一个叫熵的指标来衡量回答到底有多随机，应该有无数人见过。这玩意你可以简单理解成不可预测程度，数字越高代表越难猜，越接近真正的随机。

| 如果1到100的分布是完全均匀的，熵应该是6.64 bit，也就是你几乎没法猜到下一个数字是什么。但165个模型的中位数只有1.0 bit，差了五六倍。 AI回答随机数的时候，信息量只有真随机的六分之一，高度集中，高度可预测，高度非随机。其实这个事，心理学和行为经济学研究了很多年。

| 不光AI，人类也不会生成随机数。有一个经典实验，让一群人闭上眼睛说一串随机数字，结果呢，发现人类非常强烈的倾向避开重复、避开相邻数字、偏好奇数。你让100个人说一个1到10的数，7被选中的概率远远高于10%，因为人脑觉得7看起来比较随机，而5和10看起来不够随机。大家可以回想一下，自己是不是这样。我们看到的绝大多数随机，可能只是隐藏因果关系在认知中的投影。 AI面临的是一模一样的困境，只不过原因不同。真正的随机，要求你是一张白纸。但大模型恰恰是人类有史以来造出来的信息密度最高的非白纸。

| 训练数据是数十万亿的token，几千年文明的总和。每一个权重参数都编码着某种规律、某种偏好、某种从语料里沉淀下来的肌肉记忆。所以你让它随便说一个数，它根本没法真正随便。它只能从自己见过的所有文本里，找到一个最像随机数的答案。 42为什么被那么多模型偏爱？因为它是《银河系漫游指南》里“生命、宇宙以及一切问题的终极答案”。