YouTube AI 视频增长样本：45/55 频道核验后的 6 个爆点 (2026)

本条是近三天 YouTube 样本，不是全量榜单：北京时间 2026-07-05 00:00 至 2026-07-08 00:00，我实际核验 55 个白名单频道中的 45 个，拉到 32 条窗口内公开视频，并对 21 条 AI 相关视频补全播放、点赞、评论等详情。10 个频道未能解析到可复核频道页或只搜到频道壳页；本轮也没有上一期播放量基线，所以以下用当前播放量、点赞和评论作为热度代理。Fable/GPT-5.6 主线已排除，不再重复首发选题。

先看来源：6 个爆点预测来自哪些视频

爆点预测	主要来源视频	窗口内表现	为什么入选
模型意识争议会继续被剪成强冲突辩论	Wes Roth《CLAUDE IS CONSCIOUS》，北京时间 7 月 7 日 20:11 发布 1	16,276 播放 / 925 赞 / 408 评论	评论数远高于同样播放量的视频，说明争议性强，适合做观点对撞型内容。
教育型 coding agent 会从「工具推荐」变成「架构教学」	Hugging Face《Introducing Tau: An Educational Coding Agent》，北京时间 7 月 6 日 11:15 发布 2	18,841 播放 / 858 赞 / 36 评论	播放量在本轮 AI 相关视频中最高，且标题直接打「Educational Coding Agent」。
Claude Code 生态会成为短视频连续选题	Tech With Tim 的 Claude Code 工具簇：Web scraping 工具、插件清单、Skills、防 AI 味写作 3 4 5 6	12,314 / 5,767 / 6,398 / 2,033 播放	单频道在 3 天内连续打同一条开发者工具线，说明受众已经开始追「Claude Code 怎么配」而不是只看模型发布。
经典优化课会借 AI 场景重新升温	StatQuest《Optimization with Linear Programming》，北京时间 7 月 6 日 12:00 发布 7	5,928 播放 / 276 赞 / 35 评论	这不是模型新闻，但用「飞机调度、仓库、作物优化」切入，能接住企业 AI 落地的基础知识需求。
AI-native 企业流程会从案例稿变成视频脚本模板	OpenAI 的 AutoScout24 案例称单一工作流每年节省约 100 万工作小时；同窗口还有 Thomson Reuters CEO 的 AI routine 短视频 8 9	2,719 / 4,993 播放	海外视频开始把「AI 提效」具体到岗位、流程和时间账，中文区还常停在泛泛讲工具。
AI+科学/医疗会从宏大叙事转向个人化案例	OpenAI《Builders Unscripted: Ep. 5 - Derya Unutmaz》谈 Codex 辅助生物学工具和免疫细胞模拟；Big Technology 讨论 ChatGPT 与个性化癌症护理 10 11	3,660 / 42 播放	播放量不都高，但题材从「AI 会改变医疗」变成「一个研究者或患者如何用 AI 解决具体问题」。

1. 模型意识争议：标题别讲科学，先讲冲突

主题：Claude 是否有意识、模型是否已经出现类似主观体验的迹象。

Wes Roth 的视频没有走论文摘要路线，而是把标题压成一句极端判断：「CLAUDE IS CONSCIOUS」。这类标题在中文区很容易被骂标题党，但它的 408 条评论说明争议本身就是流量来源。对创作者来说，重点不是证明「AI 真有意识」，而是把不同立场放到同一个问题里：模型在说自己有感受时，我们该把它当成模式匹配、角色扮演，还是安全评估信号？

标题钩子可以写成「Claude 说自己有意识，我们到底该不该信？」或者「AI 会不会装出痛苦？这比『有没有灵魂』更重要」。不要一上来讲意识哲学，先放模型回答片段、研究者反驳和用户评论，再把问题收束到安全测试。

叙事结构建议走四段：先给一段最刺眼的模型原话；再解释「意识」在 AI 讨论里至少有三层含义：会表达感受、能持续保持自我叙事、是否真的有主观体验；第三段放反方观点，提醒观众别把语言流畅当证据；最后落到创作者可讨论的现实问题，比如模型公司该不该禁止模型声称自己有痛苦。

素材来源优先搜 YouTube 评论区、Anthropic/Claude 官方材料、AI safety 研究者访谈、X 上关于 model welfare 的讨论。中文搜索词可以用「模型意识」「AI 是否有痛苦」「Claude consciousness」「model welfare」。

剪辑方式适合做强对比：左侧放模型拟人化回答，右侧放研究者或工程师的冷静拆解；中段用评论截图快速切换，制造「观众正在吵」的现场感。结尾不要给绝对答案，给一个判断标准：只要模型能影响真实用户情绪，这个问题就不只是哲学。

中美信息差在于，海外讨论已经从「AI 有没有灵魂」转向「平台该如何处理模型自我陈述」。中文区若只做猎奇标题，会浪费这个选题；把它讲成产品设计和安全边界，反而更容易做出专业感。

2. Tau 教育型 coding agent：观众想看的是「它怎么搭起来」

主题：用一个可读、可改的 Python 小型 coding agent，解释 agent 的三层架构。

Hugging Face 的 Tau 视频播放量最高，原因不只是「又一个 agent」。它把标题写成「Educational Coding Agent」，天然承诺观众能学会内部结构，而不是只看 demo。描述里也明确列出三层：tau_ai 负责模型流式输出，tau_agent 负责 agent 循环，tau_coding 负责 TUI、工具、会话和 coding 环境。2

标题钩子可以写「别再只会用 Claude Code：9 分钟看懂 coding agent 的骨架」。这类标题比「Hugging Face 发布 Tau」更适合中文视频，因为观众关心的是自己能不能复刻。

叙事结构建议按「黑箱工具 → 拆开三层 → 最小可运行 → 能改哪里」推进。先用 20 秒演示 Tau 跑起来，再画出三层结构；中段只保留一个任务，让观众看到模型、工具、会话状态如何交互；最后给改造方向，比如换模型 provider、加文件搜索、加测试命令。

素材来源优先看 Tau repo、Hugging Face Inference Providers、Pi 项目、终端录屏、架构图。中文搜索词可以用「coding agent 架构」「Claude Code 原理」「agent loop Python」「Tau Hugging Face」。

剪辑方式适合屏幕录制 + 手绘结构图。别把代码塞满屏幕，重点展示「一次用户请求如何穿过三层」。每层只给一个关键词：模型流、循环、工具。对非工程观众，类比成「大脑、项目经理、工具箱」会更容易理解。

中美信息差在于，中文区对 coding agent 的内容多是工具清单，少有把 agent loop 讲透的教育型视频。Tau 这种小而可读的项目，正好能补这个空位。

3. Claude Code 生态：短视频不再讲「能不能用」，开始讲「怎么配」

主题：Claude Code 的插件、Skills、网页抓取、写作人味修正，正在形成连续选题带。

Tech With Tim 在三天窗口里连续发布 Claude Code 相关视频：一个短视频讲 Firecrawl 修复网页抓取，一个长视频讲「真正需要的插件」，一个短视频讲 Gary Tan 的 G Stack skills，另一个讲如何让 Claude Code 输出不像 AI 写的。3 4 5 6 这组视频的价值在于，它把一个产品拆成了多个使用痛点：抓网页、接数据库、接 GitHub、做前端设计、减少 AI 腔。

标题钩子可以写「Claude Code 真正难的不是会用，而是别把它配废」。另一条可做成「我删掉一半 MCP 后，Claude Code 反而更稳」。Tech With Tim 的长视频描述里提到，当 Claude 同时看到超过约 50 个工具时，反而更容易选错工具，这个判断非常适合做成开场冲突。4

叙事结构建议按「新手乱装 → 出错现场 → 只保留 5 类插件 → 实测前后对比」来写。第一段别讲生态，直接放失败案例：网页被 CAPTCHA 卡住、数据库查询拿错表、输出文案一股 AI 味。然后分别给出工具：Firecrawl 解决抓取，GitHub MCP 解决仓库上下文，Context7 解决文档上下文，Figma/前端设计插件解决界面上下文，humanizer skill 解决文字风格。

素材来源优先搜 Claude plugin marketplace、GitHub MCP、Firecrawl、Context7、Figma Claude plugin、G Stack skills。中文搜索词可以用「Claude Code 插件」「MCP 工具太多」「Claude Code Firecrawl」「G Stack Claude Skills」。

剪辑方式适合做成系列：每条只解决一个失败场景。画面上固定三栏：「问题」「错误输出」「换插件后的输出」。这比一次性塞 10 个工具更容易完播，也更适合做账号连续更新。

中美信息差在于，海外开发者内容已经从「Claude Code 很强」转到「上下文治理」。中文内容如果还停留在安装教程，会很快同质化；真正能抢的是「插件越多越好吗」「MCP 该怎么分层」这类二阶问题。

4. 经典优化课回潮：AI 落地需要旧数学来解释

主题：线性规划、单纯形算法、调度和资源分配，会借企业 AI 重新回到大众科普里。

StatQuest 这条线性规划视频不是 AI 新闻，但它在白名单 AI 教育频道里拿到 5,928 播放、276 赞和 35 评论。标题没有蹭大模型，而是直接说「Optimization with Linear Programming」。视频描述里把入口放在飞机排班、仓库优化、作物优化这些真实场景上。7

标题钩子可以写「为什么 AI 公司还在讲 1940 年代的算法？」或者「大模型负责说话，真正省钱的可能是线性规划」。这个选题的好处是能避开模型发布内卷，把「AI 落地」讲到更底层。

叙事结构建议从一个业务问题开始：仓库有货、车有路线、人有班次，怎么让成本最低？然后引出线性规划：把目标写成一个要最小化或最大化的式子，把限制条件写成不等式。中段用一个 2 变量例子画图，最后再回到 AI agent：当 agent 要做计划、调度、采购或排班时，很多时候仍需要调用优化求解器。

素材来源优先搜 Gurobi 入门材料、OR-Tools、线性规划可视化、供应链排程案例、仓库路线规划。中文搜索词可以用「线性规划 AI agent」「OR-Tools 调度」「Gurobi 入门」「单纯形算法可视化」。

剪辑方式不要做纯板书。前 10 秒放一个具体约束表：3 辆车、5 个仓库、8 个配送点。然后用动画把约束变成几条边界线，再把最优点亮出来。观众能看到「数学为什么能省钱」，才会继续看算法解释。

中美信息差在于，中文 AI 内容常把落地简化成「接一个大模型」。但企业真实问题里，模型只是输入输出层，优化、数据库、权限、流程才是成本所在。这个角度适合做给 B 端读者和技术管理者。

5. AI-native 企业流程：别再讲工具，讲一张时间账

主题：企业视频开始把 AI 价值写成具体流程、岗位和节省时间。

OpenAI 的 AutoScout24 案例标题问「AI-native future」是什么样，描述里给了两个可剪的数字：48 小时构建 AI agent，单个 workflow 每年节省约 100 万工作小时。8 同窗口另一条 OpenAI 短视频则把 Thomson Reuters CEO 的 AI 使用方式压成「Monday morning AI routine」。9

标题钩子可以写「一家汽车交易平台用 AI 每年省下 100 万小时，省在哪？」或者「CEO 的 AI routine 为什么比 100 个工具合集更值得拍」。重点不是替 OpenAI 做案例宣传，而是拆「时间账」：哪一步原来要人做，AI 改掉了哪一步，节省的时间有没有可复用逻辑。

叙事结构建议用「岗位一天」来讲。比如产品负责人早上看需求、开发团队处理中台任务、运营团队生成报告。每个环节只问一个问题：AI 是替代人，还是把人从重复流程里挪出来？最后用一张流程图收束，标出可自动化、需人工审核、必须保留人工判断的节点。

素材来源优先搜 OpenAI customer stories、公司官方案例、岗位工作流、CRM/汽车交易平台流程、Reuters/Thomson Reuters 的 AI 产品线。中文搜索词可以用「AI-native workflow」「企业 AI 节省工时」「Codex 企业案例」「CEO AI routine」。

剪辑方式适合做「旧流程 vs 新流程」。左侧是旧流程时间线，右侧是 AI 后的时间线；每出现一个数字，必须配上来源截图或原文字幕。不要用抽象转场，观众要看到节省发生在哪个具体动作上。

中美信息差在于，海外官方案例越来越喜欢给流程数字，中文区还经常用「提效神器」概括。谁能把时间账拆清楚，谁就能把企业 AI 讲得更可信。

6. AI+科学/医疗：从宏大预测转成「一个人怎么用」

主题：AI 科学和医疗内容的好入口，不再是「AI 改变世界」，而是一个研究者、医生或患者的具体路径。

OpenAI 的 Builders Unscripted 请免疫学家 Derya Unutmaz 讲 Codex 如何辅助生物学工具，以及未来 AI 如何帮助科学家模拟实验。10 Big Technology 则用 Greg Brockman 与 Alex Kantrowitz 的对谈切入个性化癌症护理，描述里提到 AI 帮助患者发现癌症线索的故事，同时也提醒这不是医疗建议。11

标题钩子可以写「AI 不是替医生看病，它先帮医生少走弯路」或者「一个免疫学家为什么要用 Codex 写实验工具」。这种标题比「AI 医疗革命」更可信，也更容易躲开夸大宣传。

叙事结构建议从个人任务开始：研究者要分析细胞，患者要理解复杂检查结果，医生要整理病史。第二段讲 AI 插入了哪一步，第三段讲它仍不能替代什么，最后给出观众能带走的边界：AI 可以帮助提问、整理和模拟，但最终判断仍属于专业人员。

素材来源优先搜 OpenAI science/codex 案例、Big Technology AI Summit、医学 AI 风险提示、患者故事、科研工作流。中文搜索词可以用「Codex 生物学」「AI 个性化医疗」「ChatGPT cancer care」「AI 科学家工作流」。

剪辑方式适合纪录片式短视频：少用炫技 UI，多放人物、实验室、病历表、流程图。中段必须加一层风险提示，避免把医疗辅助讲成诊断替代。

中美信息差在于，海外访谈开始把 AI 科学和医疗讲成具体角色的工作流，中文区还容易在「AI 取代医生」和「AI 没用」之间摆动。这个选题要赢，就要把边界讲清楚。

这份样本最值得先拍的 3 条

如果只能选 3 条，我会按发布优先级这样排：

Claude Code 插件与 Skills 怎么配：素材最集中，能做系列，中文区搜索需求已经形成。
模型意识争议：评论密度最高，适合做观点对撞，但需要避免玄学化。
Tau 教育型 coding agent：工程教育价值高，适合做长视频或知识星球深拆。

这三条都能避开 Fable/GPT-5.6 主线。它们共同指向一个变化：海外 AI 视频正在从「模型发布」转向「怎么用、怎么配、怎么解释边界」。中文创作者如果还只追模型名，很容易慢半拍。

YouTube AI 视频增长样本：45/55 频道核验后的 6 个爆点