一年后，他创办的 Articuler.ai 有 7 万多注册用户，超过百万美金 ARR，湾区用户占比超过四成。他们在 AGI Summit 做 co-host，和 OpenAI 一起办 Codex Meetup，YC Startup School 的 after party 也落在他们平台上。G2 的行业排名里，这个团队长期停在前三到前五之间。

42章经的曲凯把这期播客做成了一次复盘。Jason 讲了最惨的时候怎么撑过来，讲了一个中国团队在湾区怎么让本地活动主办方愿意合作，也讲了那个被穷逼出来的 PMF 场景：帮活动找观众，帮参会的人找到现场值得见的人。

没钱投广告，就去校园门口发传单 01:52

会议这个场景，没有灵光一现的时刻。Jason 说得很直接，去年账上真没钱了，投广告投不起。他一个人在硅谷，每天坐 BART，去大学校园门口站着发传单，也去旧金山和 Palo Alto 的各种活动里发。

发着发着，他发现了一个规律。大家去一个活动，都是带着清晰目的去的：想跟同行交流，想找创始人，想找投资人，想找客户。一群人在同一个时空里，却找不到对方。最关键的那个人可能就坐在你旁边，你不知道他是谁。

曲凯补了一个更日常的画面。在湾区 Blue Bottle 一坐，周围全是做 VC 和创业的人。你看着他，他看着你，彼此不知道对方是谁，也不可能挨个上去搭讪。

Jason 把这件事比作原始人跳舞。大家在一个时空里，没有弱关系，谁该认识谁，仍然靠熟人介绍或者靠运气。活动主办方每天在旧金山办几千场大大小小的活动，这个场景足够具体，也足够高频。

Articuler.ai 做的是活动里人与人之间的匹配。票务、报名这些环节留给 Luma 这类平台，主办方只需要告诉 Articuler.ai 活动的 topic 和观众画像，平台从十亿人的池子里筛出最可能有意愿来的人，再给他们发邀约邮件。

一封打开率 80% 的邀约邮件长什么样 03:41

曲凯听到 80% 打开率的时候，第一反应是怀疑。正常邮件营销能有个百分之几的打开率就算不错。Jason 给的数字是：邀约邮件打开率约 80%，转化率约 15% 到 20%。

原因拆开看并不神秘。用户愿意打开，只有一个前提，这封邮件的内容跟他有关。标题要让对方在几个字里感觉到，这件事跟他极其重要，不来就亏了。

他们做过一个硅谷科学家活动，标题大意是：你这个方向的其他研究员都在了，你要不要来看看，大家正在讨论你最近研究的课题。这听着有营销味，但 Jason 的判断是，个人邮箱里广告太多了，用户不会因为一封邮件“像广告”就关掉，用户只会因为“跟我无关”关掉。

执行层面还有几个细节。邮件从头到尾由 AI 生成，每个人收到的内容不一样，读起来像一封邀约，不像群发广告。域名、DNS 这些基础建设花了很多功夫，为的是不进垃圾箱。邮件长度上，Jason 的结论是越短越好。人的注意力有限，一坨长文字没人看，先扫关键字，感兴趣才会展开。

活动开始前一天，他们还会再发一封邮件，告诉用户这场活动里有哪些人值得一见。这封邮件的转化率更高，因为用户已经有了 commitment，明天本来就要去。大家去活动现场，除了听几个嘉宾讲话，还想知道现场有哪些人应该认识。

这套动作解决的是活动主办方最痛的事：找观众。传统方式是建群、发社交媒体、挂报名链接，谁看到谁报名，大水漫灌。Articuler.ai 做的是反向筛选，先确定活动需要什么样的人，再主动去邀约。

它顺带解决了出席率。在美国，一个免费活动出席率有 20% 到 30% 已经算相当不错。主办方按这个比例订场地。Jason 说，合作方常跟他们讲，没想到人坐不下了。主办方不是一年只办一场活动，合作完一场，没有理由不合作第二场、第三场。

一个中国团队，怎么让湾区主办方愿意合作 07:21

曲凯问得更直接：你一个中国人刚到湾区，本地社群为什么要跟你合作，为什么愿意把人的信息分享给你。

Jason 给了三个原因。第一，他们提供了现有产品没有的功能。Luma、Eventbrite 这些平台服务的是活动主办方的票务和报名，收入来自门票返点或者 API 会员费，没人做邀约和获客。Articuler.ai 把 Luma 这些平台打通，既能作为入口，也能报名，还补上了获客这一环。

第二，美国不是传说中那种完全按规则运转的地方。Jason 的原话是，那边也有江湖，你要跟他们做朋友，要打进圈子里。他做投资时有一半时间在美国出差，认识一些关键节点上的人，团队本身也在这个圈子里。早期创业先从身边人入手，把他们服务好，他们就是传播节点。

第三，活动行业里观众的体验长期没人管。一场几千人的活动，每个人目的不一样，有人找客户，有人找投资人，有人找研究员。除非现场有一个全能的大哥，认识所有人，还愿意挨个介绍，否则这件事不现实。AI 可以把这个活干了。

曲凯追问，Luma 为什么不自己抄一个。Jason 的回答是，Luma 在眼里是合作方，谈不上竞争对手。活动 logistic SaaS 里的技术 know-how 很多，收费、票务、签到，体系庞大，短期抄不出来。Luma 的客户是活动主办方，他们没必要碰人的匹配。

真正的壁垒在匹配本身。市面上的找人工具大多把人的意图翻译成关键词 query，再去数据库里抓取。Articuler.ai 走的是另一条路，直接把人变成高维向量数据，里面有背景，也有意图，能被大模型处理和计算。Jason 的原话是：

当别人还在搜索人的时候，我们已经在计算人了。

这句话背后是工程叠加。模型的 post-training，multi-agent 的动态匹配策略，不同场景里加入的专家知识，都是一层层垒起来的。曲凯提到，湾区每年有上千个创业项目，团队里随便一个 Stanford、Berkeley 的硕士，几周也能做出一个 demo，他们还有自己的 community。Jason 承认竞争存在，但认为不同背景的人有不同的 mandate。

他给华人团队找的 unfair advantage 是工程能力、迭代速度和运营能力。美国本土创业者现在最大的主题是 to B，人力成本太贵，降本增效的需求明确，做一个产品替代一个人，客户愿意买单。to C 产品过去二十年一直是中国团队更擅长，拼细节、拼运营、拼产品迭代。

世界不需要第二家领英 19:46

平台现在有 7 万多注册用户，湾区占四成以上，西雅图、波士顿、纽约也有分布。早期几个活动要打标杆，团队会去现场盯，现在产品完整度上来了，线上支持就能做，规模化靠的是自动化。

他们甚至用自己的产品找客户。新功能叫 Signal，基于用户的背景和当下意图，收集互联网上的相关信号。一个用户想跟美国活动组织者合作，打开就能看到下个月湾区有哪些活动要办，关键联系人是谁，联系方式在哪。这个功能原本是内部后台，现在开放给了所有用户。做销售的人关注某个行业，客户有了新新闻，意味着可能有新预算，Signal 会把这个信号抓出来。

会议场景能延伸的地方很多。赞助商找活动，活动找赞助商，酒水、甜品这些会议分包商，会议 logistic 的 provider，都在他们的合作视野里。Jason 给了一个数字：全球专业活动每年覆盖 16 亿人次，反复高频出现。人的意图在活动前后是延续的，去活动是为了见客户，活动结束，意图还在，平台可以承接。

曲凯问，是不是人越多的活动越适合。Jason 的观察是，几个人一桌的闭门晚餐没必要，挨个聊一遍花不了多少时间。规模上了 20 人，匹配就有价值。

聊到数据，Jason 给了一个很清楚的判断：世界不需要第二家领英。如果把领英已有的数据再拿一遍，是一件极为愚蠢的事。Articuler.ai 能杀出来，靠的是数据维度和评价指标不一样。

他们沉淀的是人和人之间真实的交互。曲凯去一场湾区活动，意图是采访大厂 AI 研究员，平台推了 10 个人，他给其中 8 个发了好友申请。这一步已经产生信号：以他的背景，哪些研究员是他感兴趣的。对方回应了好友申请，连接建立，这是更强的信号，需求得到了真实反应。

这些选择是用户在一个真实场景里用脚投票投出来的。在平台的数据结构里，它是一个向量，有方向，有大小。有了这些信号，平台能强化每个人的背景和偏好，上一代数据库没有这部分。

线下交流的数据他们试过，结果没有想象中惊人，噪音很多。Jason 的解释是，两个人的沟通要拿就得全拿。平台上发两条消息，发一封 email，开一个 Zoom，第二天线下见一面，只拿一部分会特别割裂。今天刚认识，第二天签了合同，只看这两个数据点，判断会变成“这人特别好签合同，发两条消息就签了”，这是错的。

他们内部还有一个叫“原子社交网络”的想法。不做大而全的双边网络，做一个小时空。活动本身就是一个小时空，所有人在同一时间、同一空间，天然产生交互。更激进一点的版本是，这周湾区所有创业的人报名，截止到周五晚上 8 点，平台根据每个人的背景和意图做匹配，甚至不需要办一场传统会议，直接做点对点的关系交付。

曲凯提到 Lunchclub 和另一家拿到知名孵化器投资的社交产品。Jason 说自己很喜欢那家产品的 marketing 和设计，但思路不一样。那类产品想先在自己的用户之间做双边或多边网络，这件事不光看用户规模，更看用户密度。早期公司两样都不占优势，要烧很多钱才能把初步网络撑起来。

Articuler.ai 的选择是先利用公开数据。互联网上关于人的数据已经很多，用户第一天就能找到平台外的人，联系上，产品马上有价值。双边网络的事，放在一个小时空里慢慢做。

TS 被撤、睡沙发、卖股票 25:40

Jason 描述创业后的日常，像坐过山车。早上 7 点不用闹钟就醒，脑子里全是公司快完蛋了。干到凌晨一两点，又变得特别亢奋，觉得公司马上上市，全世界自己最厉害。他跟不少创始人聊过，很多人都是这个状态。

去年上半年是最惨的一段。他住在大学室友家，睡过很多朋友家的沙发。融资上，他们拿到了一家美国不错机构的 TS，最后因为身份问题被撕。对方 LP 有美国政府背景，投不了。心态当场崩了，感觉马上要上岸，突然又掉回海里。

现在回头看，他反而觉得那不是上岸。如果当时真多了几百万美金，他大概率会招人、烧钱做投放，不会再去想增长渠道，也不会继续打磨产品。那公司可能已经死了。

团队也出现变化。有人觉得搞了半天钱没融到，业务一直在找方向，选择离开。让 Jason 难受的是，离开的人里有他信任的人。作为创始人，他本想带着兄弟们赚钱，做一件牛逼的事，中间有人突然走了，心理上很难接受。

那段时间他重看了《硅谷钢铁侠》。高中时看，只觉得马斯克牛逼，PayPal 卖掉之后把钱全拿去造火箭，造一个炸一个，最后说钱只够造最后一枚。今年在硅谷再看，感觉完全不一样。他敬佩，也感同身受。

2025 年有段时间现金流快断了。Jason 把股票全卖了，把钱带到公司。那一刻他才理解马斯克为什么会做这样的动作。他相信马斯克当时觉得这件事是对的，而且必须由自己来做。

他住在朋友家，每天晚上睡不着。产品不知道在哪，钱不知道在哪，团队有人走。他就去楼下转圈，一遍一遍问自己，这事还要不要做，要不要放弃。想过很多遍。最后的答案还是，这事肯定是对的，而且就应该他去做。真到了那个节骨眼，外部条件、资本、资源都不管了，就是要往里怼。

产品是最后证明自己的东西。去年最大的质疑是，你这玩意到底能不能做出来。当时产品相当粗糙，他出去讲这个故事也没人信。后来产品做出来了，用户变多，付费和留存都有起色。一位老股东在最难的时候挺了他们一把，Jason 在节目里专门谢了这一点。

现在心累的时候，他就去做用户访谈。用户告诉他，在平台找到了什么人，拿到了什么结果，他就很开心。

有一个硅谷的印度小哥，Berkeley 毕业创业，产品最初只是个 demo，想找投资人。他没有 Jason 那种做投资的背景，不知道美国有哪些机构，只能靠 Google。Articuler.ai 给他匹配投资人，他的第一张支票是在平台上拿到的。后来他进了 YC，跟 Jason 说，如果当时没拿到第一张支票，这个产品他就放弃了，不会去 YC 干别的。

AGI Summit 上还有一个女士，想找对慈善机构感兴趣、愿意捐款的人。她来活动现场，用了软件，看了第一眼匹配，具体看了什么 Jason 也不知道，当场交了一个年费会员。

我已经习惯了做 Underdog 35:04

曲凯问，最难的时候坚持下来的劲儿到底来自哪。很多人也觉得自己做的事是对的，但收不到市场反馈，或者产品不对，最后都放弃了。Jason 收到的负面反馈不少，自己的钱也投进去了。

他先给了一个听起来很虚的答案：这事就应该我做。他不做，世界会失去一个很好的产品，一个很美妙的东西。

执念也有。他第一轮拿的是奇绩创坛的钱，一位前辈跟他讲过，不要把创业当成 fashion type，不要觉得它是一个很酷的标签。真创业的人不是这样，太苦了。

另一层是证明自己。早期投资人看项目很主观，一个科学家、大厂出来的小天才，凭什么判断他行或不行。Jason 想不明白，自己的产品为什么不如这些人。当时用户反馈很好，别人还在 waiting list，他们已经有收入；别人还在找方向，他们的用户已经拿产品解决实际问题。这些反馈让他想证明。

他承认自己好胜，从小就这样，能当第一就不当第二。王侯将相宁有种乎，这事儿凭啥我做不出来。去年最难的那段时间，他有一种复仇感。你不认可，那是你的观点，我做出来看看。

Jason 是太原人。他讲自己的成长经历，一直把自己看作 Underdog。本科在 USC，身边同学很多来自人大附中、北京四中，或者读了很好的美高。他高二才准备出国，大一的时候朋友跟他说，我们高中就发过 paper 了。他当时连 paper 是什么都不知道。

我已经习惯了做一个 Underdog，并且相信 Underdog 会赢。

他相信很多事情应该由 Underdog 去改变。干对的事，坚持下来，就会有结果。这个坚持不是这次创业才有，是他一直在经历的过程。

Articuler.ai 在湾区的知名度，他不敢吹。能给的两个观察是：G2 行业排名长期在前三到前五，G2 的权重很大一部分看社区讨论度；合作过的 event host 会把他们推荐给朋友。用户在用，也在讨论，这是好事。

他现在最担心的是跑得慢。前面产品跑得快，是为了先验证需求，不追求 100 分，粗糙的地方他承认。往后增长要跑得快。AI 应用死掉，很多时候问题出在卖不出去，产品烂只是少数。找到了场景，找到了 PMF，找到了用户，最恐惧的是时间窗口太窄，能不能在这个窗口里跑出来。

他对一些流行的鬼故事保持怀疑。有人跟他讲，一个产品发布三个月，一分钱投流没花，做到 3000 万美金 ARR。他不信。世界上很多事情最后是均值回归，获客一定有成本，投流也好，布团队也好。他现在想的是，怎么把手上这些子弹打到最高效的地方，以及从哪找到更多子弹。弹药充足程度，决定之后能做多大，能加多大杠杆。

曲凯问，找到会议场景是不是过去几年最重要的节点，是因为足够拼，还是因为试了很多方向。Jason 把原因归到一线观察。他做了五年投资，是个不太一样的投资人。看软件公司，愿意晚上 10 点跟还在办公室的人聊天；看硬件公司，会跑工厂看供应链。投资和创业都一样，站在最前面，知道用户是谁、在干什么，才会有认知。

硅谷有一句话，钱是诅咒。第一天账上就有两千万美金，创始人干的第一件事肯定是招人，把最好的人招进来，每天的工作变成招聘和给下一轮讲故事。他不会自己跑到每个场景里看用户，跟用户聊。Jason 最近还有一个惊讶的发现，做用户访谈的人似乎都不多。

当时手上的牌只能干这件事。穷有穷的坏处，也有穷的好处。

发不出工资那晚，合伙人说我来垫 44:16

去年年底，公司真发不出工资了。Jason 先跟合伙人说，账上的钱不够发工资。合伙人回他：第一，兄弟们愿意白干两个月，大家来创业，图的不是这份工资；第二，你没钱我还有，我来垫。

Jason 在节目里说这件事很动容。他也不能让大家白忙，先活下去，先赚钱。他们去接 to B 订单，帮中国出海商家找海外销售线索。客户很多是软件行业没关注到的行业，卖建筑材料的，卖机械设备、叉车、起重机的。

曲凯脑子里冒出一个场景：一对夫妻，女的骂男的，这个破业你非要创吗。Jason 说当时很幸运，没有家庭压力。去年他一分钱工资没领过，睡朋友家客厅，确实不方便。

他试过的方向很多。to B 这边，猎头找人才，销售找线索，都是结构化需求，客户愿意掏钱。但 Jason 认为这类生意核心资产是数据，服务 to B 时，他们是数据的二道贩子，用公开数据服务客户，组织数据、表达数据、分发数据的能力更强一些，壁垒不强。

to C 的探索更多。最早帮别人发邮件，发现邮件效果很好；后来帮人找工作、做 networking，发现需要的人用了也找不到工作，有能力的人不用也能找到；再往后帮创始人找投资人，也试过。这些尝试大多不顺，但正是试过，才知道哪些场景是刚需。

如果没有找到会议场景，他现在可能在纯做 to B，猎头、销售线索这些。他也不排除以后继续做，只是心里还有一个更大的愿景：所有人不用花时间去找对的人和对的机会，你有能力，平台把你的背景和能力表达出来，让你被人发现。

曲凯问，回到那个在朋友家楼下转圈的晚上，如果钱也投进去了，花完了，方向也没找到，会怎么办。去年真碰到过这件事，不用假设。所以他的第一条建议很具体：

永远记着穷的时候，永远要有一张保命的牌。

马斯克跟同事说钱只够发射最后一枚火箭，爆了之后，他还有一点钱能再发射一枚。Jason 觉得创业也要留底牌。活下去不丢人，丢人的是只做一个虚无的事情，最后把自己搞没了。Airbnb 创始人最难的时候还卖过麦片。

曲凯把创业者最常见的困境分成两类。一类是觉得事情正确，但没钱做运营推广投放，撑不起来。另一类是在一个大方向上，始终找不到对的 PMF。

Jason 不同意第一类的解法。早期要做增长、找客户，推广可以先放一边，一个人一个人去聊。他跟团队常举的例子是，做增长每周带不来 1000 个新增，是有问题的。正常工作四五十个小时，每个小时找一个用户发消息，现在有这么多 AI 工具和自动化工具，能发很多条，转化也能做。连客户在哪都不知道，他建议这个业不要创了。

第二类问题的根源，他认为是闭门造车。天天关在家里天人交战，产品应该怎么做，越想越偏。走出去，跟用户聊，跟客户聊，跟同行业的朋友聊。天下没有新生意，太阳底下没有新鲜事。他犯过的最大错误，就是想 YY 出一个新需求。先把已经发生的事情了解明白，再做边际优化，很多答案就出来了。

聊到去美国找方向，Jason 的提醒很直接。只找华人圈里的人聊，别人给建议没有成本，什么建议都能给，真信了就完蛋。一定要跟用户聊。他很反感“出海”这个词，出海代表你从中国去到外边。做美国生意，为什么不是美国企业家？跟你竞争的人跟中国这些人有什么关系？用户都是美国人，第一天要想的就是扎根，成为一家美国公司。

英文好不好不重要。美国是移民国家，旧金山、硅谷都是移民，能讲清楚、能听明白就够了，宽容度很高。最怕的是不敢聊，去那边待一待，仿佛某一天突然开悟，这不现实。

节目最后，曲凯说 Jason 不是他们播客常见的那类嘉宾，也不是国内市场化基金最喜欢的高大上画像。但 Jason 代表了一种现在很需要的形象：埋头创业，愿意付出，找到方向，熬过最苦的那段。Jason 的收尾很简单，做一件正确的事情，坚持下来，这就是他理解的创业。

网页版：https://42zhangjing.qiaomu.ai/ep/6acddf92e742e36efcc2448d.html · 原节目：在小宇宙收听 · 精读由 AI 基于节目转写整理。

现在他是 Ambi 的创始人。再往前，他是 Plaud 合伙人兼中国区 CEO，在百川智能负责过医疗方向的产品和运营，更早创办米公益，公司被轻松筹收购。曲凯在节目里说，子皓是他心里很擅长 deliver 结果、或者说总能赚到钱的 founder。

这期 42 章经聊了 86 分钟。前半段是 Personal Agent 这个赛道：这波火到底火在哪、成本是不是问题、需求有多大、怎么和大厂以及 Muse 这样的对手竞争。后半段是子皓自己的经验：高三暑假怎么成为溜冰场独代、商业的本质是什么、招人靠什么、为什么最担心速度。最后两个人聊到一个没有答案的问题：为什么国内跑出来的 AI 产品这么少。

这波火不是突然的，是一条线上的延续 1:49

曲凯把时间线拉得很清楚：Personal Agent 这波是 open cloud 的延续，open cloud 又是 Manus 的延续，Manus 又是 2023 年大家讲「用 AI 做事情」的延续。以前 agent 和 AI coding 是两条线，现在合到一起了。

子皓不太用「炸线」这个词。open cloud 对业内不算炸线，真正让他觉得不一样的是 Muse 这类产品：一个普通人不需要知道任何技术背景，甚至不需要知道背后有虚拟机，就能用起来。它具备了一个移动互联网产品该有的所有要点。

Business Insider 写过 Muse 是怎么做的。报道里扎克伯格和 GitHub 的 CEO 都惊讶，为什么其他大厂一直不发，是 Muse 第一个发。子皓的理解是，这个东西就是大家对智能的想象：它能帮你完成所有事情。之前没成，是传播链路没完成，智能水平也不够。

open cloud 的问题不在技术，在产品。第一，大家说它很厉害，但没法用一个明确的场景和价值点说清楚它到底哪里厉害。第二，一个第三方知道了它厉害，怎么获得这种能力？安装成本很高，装完还要接很多 connector、加很多 context，才能接近分享者那个状态。这个链路特别长。

另一个变化来自模型。子皓自己一直用 Codex 加 Hermes 跑工作和生活，每次模型升级，从 5.6 到 6，给系统带来的变化都是巨大的。产品越来越好用，模型越来越强，两个方向都在逼近「普通人能用」的那条线。

去年他们聊过一次，当时的判断是「智能已经足够了」。子皓现在觉得这句话可能说错了。智能足够，是在他们设计的任务不够复杂、给的 context 不够多、来源不够丰富的前提下。当时大家把 agent 能做的事情想窄了，主要聊聊天场景。聊天场景里，开源模型可能都够了。

他记得 ChatGPT 6 发布那个周末，自己跟曲凯说这玩意特别牛。他没用它写代码，而是把 harness 剪一层、system prompt 剪一层，让它适配新模型，再跑同样的任务。出来的东西变化非常大：不那么长篇大论，写得更少，表达得更准，甚至能给你一些你自己总结不出来的东西。人对智能的需求上限可能真的很高。

Computer use 这件事，子皓的判断是它在模型非常明确的延长线上。Ambi 的产品假设有两种：一种是有技术壁垒、体验是大家没有的、现有模型刚好能做到；另一种是要花很多时间去够，但过一阵模型天然就能做到。Computer use 属于后者。三个月、六个月之后，现在那些 corner case 都会改善。所以 Ambi 不做，把它当基础能力，等模型开放权限。

成本不是大问题，获取智能的交互成本才是 10:07

曲凯问了一个供给端的问题：模型再强，价格摆在那里。Muse、Grok Bot、Instinct 这些产品到底多烧钱？

子皓之前在即刻上写过，这波 Personal Agent 有一个特点：你在 Twitter 上看各种讨论，没人 care 背后用了什么模型。订餐厅、订票这类事情，不在智能层面体现差距，用户对延时也没那么苛刻。成功率、速度、质量三个变量里，速度可以相对放弃一点。

成本对 Ambi 不是特别大的问题。他们不吝啬用智能，不希望因为成本阉割用户体验。模型价格、智能交付、不同地方的 trade off，在商业模式上是算得过来的。

需求端更值得琢磨。工作场景的需求很清楚：帮我写个材料、做个分析。个人层面，一个用户真的能每天用起来的需求有多少？open cloud 那一波就有这个问题。

子皓把变量归到一个更底层的东西：获取智能的交互成本。

如果智能是默认触手可及的，张嘴一说它就帮你做，每个人都会用很多。现在的状态是，你先要 setup 很多东西，用的时候要把它拿出来，再跟它解释、再说一遍。生活里好多事情本来就是鸡毛蒜皮，ROI 很难算，交互成本一高，这件事就触发不了。

他拿增程汽车打比方。可能 100 天都用不上一次增程，但你知道它在那里，用一次就很痛。如果 2 到 4 个小时里随时随地获取智能的成本很低，为什么不呢？反过来，专门额外花时间去找一个智能工具，现在大家没有这个诉求。

曲凯问，中秋、国庆这种非工作场合，有什么事情触动你去用 AI？子皓说很少。但他公司有同事自驾去新疆，突然要改宾馆、找最近的加油站、找修车厂、问修车多少钱，那一刻需求非常硬。

所以不能只在「工作」和「生活」两个浅层标签上看需求。分时间段、分场景、分不同的人，答案都不一样。比这个分层更底层的，还是获取智能的成本。这个前提假设变了，上面那个问题的答案就变了。

曲凯顺着说，如果能直接说一句「今天在哪个地方旁边订一个什么样的酒店」，它就帮你订好，那何乐而不为。子皓说，对，为什么不呢。这条线走到最后，这些 Personal Agent 的竞争就是和 ChatGPT、Claude 竞争，最后会合到一起。

涉及名和利的需求就可以做，因为 ROI 算得清。大部分人在手机和电脑上用智能的场景都跟工作相关，谁能在生活场景里找到一个跟钱、跟利益直接挂钩的切入点，谁就找到了入口。这个入口一旦明确，所有产品都会做。硅谷那边 OpenAI 要出一个类似虚拟机的 bot，字节也在做类似的东西，都是一眼能看到的事情。

To B 魔怔、网络效应，和几家产品的横评 17:06

曲凯提到几条路线：一堆 agent 给一个人服务、每个人配一个 agent、给一个团队加一个 agent。Cloud Cowork 更像第三条。

子皓的观点是这些都有可能。民营企业、外企、私企，不同组织架构都有成功的企业。桥水所有人没有隐私、所有信息公开，也是一家很牛的基金。也有很卷、互相竞争很强的地方。他们公司尊重个人隐私，但愿意把公司很多东西变成 public，让所有人都能看到。路线不用非得选谁，不同应用场景对应不同组织形态。

Cloud Cowork 这类产品发展没大家想象中快，核心原因是它在组织中的应用会涉及非常多组织变革。像一根大水管，你会被水管里最窄的那一段限制住。

他们看过很多案例。没有哪家大公司说「只做 AI native 转型」就成功了。重新建一个公司，按原来的方式做同一个产品，要 5 倍以上的时间。电发明之后，按使用电的方式建一个新工厂，可能需要 30 年。Coding agent 出来之后，新建的公司长成巨无霸，才会完成社会的淘汰和换血。

曲凯说，按这个逻辑，给个人用的 agent 肯定更好起来。子皓接了一句很重的话：

「回到 10 年前或者 13 年前，能做 ToC 谁做 ToB 啊？」

他的意思是，很多人做 To B 是因为当年 To C 渗透率已经很高、有网络效应、你一冒头就被超越，做不了才去做 To B。现在到了新时代，干嘛还走老时代的路。他补了一句，大家看硅谷看多了，有点魔怔了。

曲凯给了另一个解释：To B 天然是分散市场，退出渠道更多，底线更高。子皓回：那看你创业是为了改变世界，还是为了卖点钱。

To C 的麻烦是赢家通吃。子皓的判断是，如果你的获客渠道依赖一个强网络效应的上游，你天然很难长成一个非常独立的巨无霸。这更多是渠道和分发侧的问题，不是产品本身的问题。

中国市场不用讨论，就是腾讯和字节。海外市场不一样。TikTok 当年投了很多 Facebook 广告，仍然长出来了。这一波分发整体更紧，但线下硬件不具备那么强的网络效应，也不在一个封闭的社交环境里，仍然有机会。子皓也补了一句，反过来说，中国的确就是没有机会。

曲凯问，Personal Agent 是不是天然不带网络效应。子皓说，网络效应是一种壁垒，Peter Thiel 的书里列了很多种。Agent 这件事本身有网络效应的可行性，核心在于大家互相之间的连接，能不能给双方都带来正向作用。

关键在因果顺序：不是因为可以 a2a 所以用你的产品，是因为用了你的产品才有 a2a。你在这个产品里有所有的 memory、file system、沉淀下来的东西，这些东西属于你自己。人和人连接需要什么？需要别人脑子里的 knowledge、别人的时间。Agent 和 agent 之间 share 的正是这些东西，它们之间的沟通协作能给我和你带来帮助，网络效应就成立。

他举了自己公司的例子。好几个飞书群里有他，也有他的飞书 bot。同事想让 bot 帮忙审稿、看方向，但有些问题不方便直接问他，或者他不想说。bot 在群里，同事 @ 它，它按子皓的理解给意见。子皓给了一个透明的空间，让大家看到 bot 是在符合礼仪和权限的前提下使用他的 memory 和 file system。这里面天然就是 a2a 场景，产品只需要解决权限问题。

Town 的 CEO 是 Plaid 前 CTO，出自一家做海外信用卡的金融公司，所以产品特别注重权限和 reference。什么时候用 connector、什么时候用权限，设计得很明确，符合很多 To B 场景。切入点是大处理量的邮件：自动打标签、归类、写草稿。最大用户群是家长，学校不停发夏令营、报班、作业通知。A2A 也做了，但特别复杂，信息架构不如中国团队。子皓不太看好，因为它不在智能的延长线上。智能回邮件有需求，但你在这个点上做得很精，长期看会被模型能力覆盖。

Grok Bot 在他眼里是非常好的产品。授权和透传做得好：有些 MCP 和接口接不了 bot，它就起一个浏览器，输邮件、输密码的时候弹窗，用户在里面输。有大厂背书，普通人会觉得相对安全。Bot 和 bot 之间的通信、context share 做得比较好。团队来自 Coinbase，包括 Coinbase 的增长负责人，传播细节做得好。

Muse 有很明显的移动互联网时代烙印：精细、打磨得多、花了很多钱，每个人上来送一亿 token。子皓第一天用觉得这玩意没法搞，钱、token、传播方式，都是移动互联网时代定义的好产品。Instagram 顶部也在推。它有 Go 功能、长目标功能，跟 Ambi 的很多设计非常像。子皓认为 Muse 往普通人方向比 Grok 走得更远，Grok 本身不是面向普通人的产品，更多面向非程序员类型的人。

Instinct 他们没环境用。「我们生活在一个有美团的国家。」子皓说。

曲凯有点唏嘘：今天国内的环境跟互联网那个年代不一样，不然应该已经开始补贴大战。按理说美团、腾讯、字节都该出一个东西。子皓说，这一波大厂跟上一个时代比，失去了成为世界第一、领先全世界的雄心，好多都是做一个中国的什么什么，原创的、让大家觉得好的产品很少。

Ambi 押的是线下 context 和「在场」 32:31

曲凯问，Muse 那个打法太强，Ambi 的定位和道路在哪里。

子皓说，Ambi 是软硬结合，也会发自己的软件产品，但跟他们完全不一样的定位在于：在现在的 Personal Agent 状况下，增加了线下的 context，最重要的是线下的交互入口。

Muse 发的硬件 Charm 也看到了这个点。那是个半成品，50 多毫米厚，戴在手腕上。大家为什么做这件事？现在所有 Personal Agent 缺的就是线下 context 和线下交互入口。

Personal Agent 很强，可以给你做无数的事情，但你每一次用它，都要花 30 秒到 3 分钟到 5 分钟。这是下一步最大的 gap。子皓说他们半年前出来，第一个想做的就是解决交互问题。

Computer use、订菜、打折这些功能 Ambi 也能实现，但不作为主打。他们更希望 AI 跟人的关系是在场，而不是异步。别家做很多 human in the loop，人在中间要做很多操作；Ambi 希望人跟 AI 同步在场，没有 human in the loop。

这跟 Jeff 很像。子皓写过一篇公众号说感谢 Jeff。Jeff 的创始人在播客和演讲里讲过一个观点：软件应该一直在跑，你不用管它。AI 平权之后，AI 就应该 continuous running，像软件一样一直在运算、一直在帮你，实时跟在你旁边。交互方式、context 处理、技术架构都会因此不一样。Ambi 在实时性上投入特别多。

曲凯是产品经理出身，对交互敏感。子皓举了 AI 眼镜的例子：你看到一个东西、听到一句话，想让它干点什么，先要唤醒它，说「hey meta」，然后把听到的事情重复一遍，再说要求。它明明戴在你脸上，明明能听到，为什么要重复？重复的来源是它没有一直在跑，没有像空气一样默认围着你转。

曲凯说，过去几年做 agent 的很多，线下会议的信息，最后给的方案都是开完会自己再录进去。这个很蠢，是最大的门槛。有人说打字，有人说语音。

子皓说，Jeff 那个创始人讲得很清楚：软件在跑的时候，你根本不用关心它在不在跑、会不会跑错，它天然就在跑，它就是对的。AI 跟人的关系应该也是这样。我们两个聊天，旁边有我的 AI，它就一直听着

网页版：https://42zhangjing.qiaomu.ai/ep/6accc5de195d838e2af0bd9a.html · 原节目：在小宇宙收听 · 精读由 AI 基于节目转写整理。

项目一开始不叫这个名字，内部叫 quant agent，是给量化研究员用的专业工具，四百多个因子、九个市场的回测引擎、各种统计检验，一应俱全。后来团队把重心挪到普通用户身上，改成了二级市场的交易台。促成这次转向的，是一个很朴素的问题：一个普通投资者看到一个因子信号、一个 IC、一个夏普比率，他不知道该拿它怎么办，也就不会为它掏钱，更不会为亏掉的钱负责。

42章经的曲凯和他聊了 41 分钟。话题从 AI Trading 由哪几块组成，到它和传统量化的分工差异，到所有人都有 agent 之后市场会变成什么样，再到最近很火的 Jev 为什么在交易里几乎帮不上忙。整期节目里，吴浩哲反复回到一个判断：金融里决策是廉价的，行动才是昂贵的。

一个数学系博士生，半年做出 3.4 万 Star 的项目 0:35

吴浩哲自己的说法是踩对了时间。今年三四月份，市面上还没有一个 all in one 的金融工作台 agent。Vibe-Trading 赶上了这个窗口，也主动把原来只给专业玩家的复杂能力，往下推到普通用户手里。

他给这个项目的一句话定义是：给每个普通人一支研究团队，你用自然语言提一个投资想法，它替你覆盖宏观面、公司基本面、量化信号和风险复盘。

这个定义和项目最早的样子差别不小。去年年底启动时，团队的定位是 quant agent，做的是一整套量化基础设施，四百多个因子、九个市场的回测引擎、各种统计检验。今年他们发现用户需求和这套定位相悖，才慢慢改成二级市场的交易台，量化只是其中一块。

所谓 all in one，指的是整个二级市场的工作台。做基本面的从业者可以拿它测试自己对宏观的判断，也可以把过去靠经验积累的研究，改写成能自动执行的量化策略。散户和从业者共用同一套底座，区别只在你提的问题有多专业。

吴浩哲说，这个转向背后有一个他越来越在意的点：研究结果能不能被人检查，能不能被人理解。金融行业天天讲可解释性，但量化对普通人就是天书。你给一个普通投资者看一个因子信号、一个 IC、一个夏普比率，他无法通过这些数字说服自己为什么要买这只股票。一个人看不懂的量化信号，他不会为它掏钱，也不会为它担责。

所以项目后来重点做的是辅助主观投资，把 AI 的研究翻译成用户自己能讲清楚的理由：这家公司的现金流怎么样，催化剂是什么，风险在哪。最后那一下操作，还是他自己做。这个思路在后面聊市场变化、聊 Jev 的时候反复出现，是整期节目的主线。

决策便宜，行动很贵 5:15

节目里吴浩哲先拿别的行业做对照。写软件的时候，AI 已经让“做”变得很便宜：写代码、跑测试、排查错误、运维上线，成本一路往下掉。真正难的变成了决定做什么，用户需要什么功能，哪个方案值得做，资源怎么取舍。

金融是反过来的。市场每一秒都在报价，每个价格背后都有人做过一个决定。社交媒体每天产出海量观点。一个研究 agent 一天之内，可以对几千只股票各给出上百个判断。决策这一侧几乎免费，模型越强只会越便宜。

在金融里，决策很便宜，行动很贵。

他把 AI Trading 定义为一条通道：在几乎免费的决策和代价昂贵的行动之间，建立可被验证、可被审计的路径。这个定义和市面上两种主流想象都不同。一种是 AI 预测明天涨还是跌，像发神谕；另一种是 AI 帮你自动下单，睡一觉起来收钱。这两种想象各自只截取了流程的一小段，把最难的部分藏起来了。

完整流程里有三个角色。模型负责产生决策，读材料、想假设、写代码、给判断，这一侧便宜，也会越来越便宜。harness 负责决定哪个决策有资格变成行动。人负责决定什么能做、什么不能做、做到多大、规则之外的事谁来拍板，以及 harness 的规则本身怎么定。后两侧才是贵的部分，也是目前最难标准化的部分。

和传统量化的区别也在这里。传统量化是人先把决策想好、固化成规则，再让机器便宜地大规模执行。责任在写规则的那一刻就已经定下来了，因为策略开发时，换手率、策略容量这些约束一开始就是已知的，你知道这个策略能吞下多少钱，也知道它一年会交易多少次。AI Trading 里，机器在不停地产生决策，读的又多是新闻、公告、电话会、社交媒体这类非结构化材料，决策是持续冒出来的。责任没法在某一刻一次定完，需要一道持续的闸门，对每一个想变成行动的决定单独把关。

这个视角解释了为什么“AI 能不能选对股票”这个问题本身不够好。选对只是产生了一个决策，而要让它值得付出手续费、承担回撤、接受无法撤回的后果，还需要另外一整套东西。

一条能被人检查的通道，具体长什么样 8:14

他给了一个具体流程。分析一只热门股票的基本面，核心问题是现金流改善到底来自经营真的变好，还是一次偶然。AI 先把财报和公告整理一遍，把相关数字、出处、时间找出来，再列出几种可能的假设。

这一步最关键的分野是：哪些是材料里的事实，哪些是 agent 基于材料给出的假设。事实可以核对，假设必须检验。很多 AI 金融产品把这两者混在一起输出，读起来流畅，但读者不知道哪一句能查证，哪一句是模型的推测。

检验的方式很具体。现金流改善来自应收账款回收，还是只是把付款往后拖？同行同期是怎么变的？有没有和当前判断完全相反的证据？如果要把这个想法变成可交易的策略，还要继续问：实时信息拿不拿得到？回测有没有偷看未来？扣掉所有成本之后结论还成不成立？

吴浩哲对研究结论的要求是有依据，也有适用条件。哪些证据支持它，哪些信息我们没有，什么情况发生变化时要修改结论。证据不够的时候，必须停在“无法判断”，不能给一个模棱两可的结果。听起来是研究规范，实际对产品设计影响很大：一个不肯说“不知道”的 agent，在交易场景里是有害的。

曲凯问到用 AI 爬 Twitter、Reddit 上的评论判断散户情绪这条路。吴浩哲做过，也承认有效，论坛舆情很多时候是反向指标。他的保留意见在博弈层面：如果所有人都开始扒小红书和推特上的散户发言，一定会有人部署机器人去制造假信息。这种钱本质是零和，赚的是别人亏的。方法一旦被大众掌握，反制就会出现。他用打游戏打比方，对手在变，版本环境也在变，自己的方法和风险偏好都得跟着变。没有任何一个一成不变的获利方式。

那行业 know-how 里哪些能交给 AI？他的回答很干脆：几乎所有行业知识本身都可以由 AI 判断，这些东西在模型迭代过程中已经被蒸馏进去了。比如看完 A 公司的利润要去看行业利润，还是更关注收入、更关注成本结构，这些属于知识范畴，模型已经会了。真正需要人来定的是风险层面。一个人能承受多大的回撤，AI 不知道，人与人之间差别太大，仓位敢开多大，本质是个人处境的函数。

那为什么不直接在聊天框里问 GPT 或 Claude？他给的答案是可验证、可复现。Codex 和 Claude 更接近黑箱，同一个问题没法保证重跑出同一个数字，模型的幻觉又让每次 rerun 的结果都不确定。自建工具的意义在于，能完全控制模型生成什么，哪些环节必须交给确定的计算。数字从哪里来，能不能重新跑一遍，出了问题能不能定位到哪一步，这些是聊天框天生给不了的。

他自己交易时，八成到九成遵循 AI 的建议，剩下两成用来检查推理链条是否成立。

今年七月存储行情很热，随后整体跌了将近半个月。当时市场在讨论一个问题：中国厂商扩产会不会压低存储价格。他的 agent 把这个问题拆开了：内存、闪存、机械硬盘都被叫作存储，受到的冲击真的一样吗？围绕这个问题做验证之后，结论是显然不一样。但市场是拿新闻对整个行业统一定价的，中间就有定价不充分的地方。他选到了一只做机械硬盘的股票，希捷。团队对比了历史样本和财报后的上涨表现，AI 的结论偏谨慎，人和 AI 一起看下来，最终决定在财报前买入。这个案例里，八成到九成的空间留给了 AI，人负责最后验收，看逻辑站不站得住。

曲凯追问：既然八成以上都听 AI 的，为什么不让它自己下单，甚至变成一个接近量化的东西？吴浩哲的回答落在确权。他不认为 AI Trading 最终会变成成规模的、人完全不用管的形态。哪怕是已经高度自动化的量化行业，每一次开仓、每一笔亏损，也得有人负责。他还开玩笑说，赔了钱不能申请未成年退款。

所有人都有 agent 之后，市场会变成什么样 15:42

这是吴浩哲认为当下最该被讨论的问题。他给了三条判断。

第一条，信息被价格消化的速度会越来越快。

2000 年之前，学术界有一个很有名的现象叫财报后漂移：好财报出来，股价不会一天涨到位，而是在之后几天、几周甚至几个月里慢慢往上飘。原因很简单，读财报、改模型、开会、下单，每一步都要人来做，人力就是摩擦。

这个时间在 21 世纪之后一直在缩短。2022 年前后有一篇论文，标题就叫《安息吧，财报后漂移》，指出美国指数里的这种漂移从 2006 年起就已经不存在了，财报里的意外信息在发布当天就被完全消化。吴浩哲的判断是，AI 普及之后这个窗口还会继续压缩，最后可能只剩几秒钟。任何信息出来，几秒钟之内就被读完、被定价。

随之改变的是投资者行为。先读到、先读懂在过去是很值钱的能力，不是每个人都能啃完一份年报，也不是每个团队都有能力连夜改模型。现在每个人都有一个一分钟读完年报的 agent，这个门槛基本消失了。抢速度这件事还有意义，但意义在缩小，因为大家都有同样的速度。

第二条，超额收益的位置会迁移。所有人都能一键生成一个因子，单个因子的 alpha 会很快消失。剩下的机会在跨 desk 的拼接上：把几类数据同时拿到、同时对齐、同时放进一个判断里。真正有价值的东西不在单个因子的边界上，而在不同 desk 之间的缝隙里。宏观的人不知道怎么回测，量化的人不读经济学原理，这个断层本身就是机会。

第三条，错误传播会更快。这一条他用了更严肃的语气。有一类风险是专门针对 AI 制造误导，比如用 AI 生成假消息。他提到前几年有过一个案例，AI 生成的五角大楼附近发生爆炸的图片流传，美股出现过短暂下跌。当每个人都有系统直接读消息、形成判断并下单，这类误导会非常快地传导到价格上，对监管是很大的挑战。

还有一类是意料之外的情况，关于确权。他们研究过多 agent 在同一个股票市场里交易会产生什么影响，一些结果显示，这些 agent 会不约而同地产生类似合谋、类似内幕交易的操作。责任方到底是谁，模型厂、使用者，还是交易所，目前没有答案。吴浩哲认为这些是当今最应该被解决的问题，比“模型还能不能更聪明”更紧迫。

四大组成，最核心的是数据对齐 19:57

他把 AI Trading 系统拆成四块：数据对齐、harness、model，还有人。

先要定义什么叫好的系统。他的标准是：决策尽可能多，而且便宜；行动尽量少，每一个行动都有来由、有边界、有人负责。至于大家最关心的收益率、胜率，这些属于结果，一个完备的系统自然会结出不错的结果。反过来，坏的系统有两种。一种是把每一个便宜的决策都变成行动，那就是过度交易，最近很多拿 Jev 做交易的产品本质上就停在这一层。另一种是太过谨慎，一个行动都不敢做，系统也说不清为什么不做。

有了这个标准，四块的分工就清楚了。模型的智商决定系统能想到什么，独家数据决定它想到的东西别人有没有想到，数据对齐去看它想到的东西是不是真的，harness 决定它想错了能不能被系统自己拦住。前两样让决策变得更好，后两样守着从决策变成行动的这一刻。

他判断前两样的边际价值在下降，后两样在上升。理由还是那句：每一单都要付手续费，亏了要自己承担，而且撤不回。模型再聪明，也只是把已经免费的决策变得更免费；数据对齐和 harness 做的，是把关那一下。

如果只挑一个最核心的，他选数据对齐。这里他讲了几个开源项目里真实遇到的坑，有些相当荒诞。

• 口径对齐。最常见的是价格有没有复权，数字单位是千美元还是美元。
• 频率对齐。EM 到底指一个月还是一分钟，这不是段子，是他们在录节目前几天刚修的 bug，某些弱模型真的会把用户输入里的周期随机分配到月线或分钟线。
• 数据源降级。一些小交易所只有一个数据源，这个源挂掉之后会降级到加密货币交易所里以美元计价的行情，看起来一切正常，金额差了六七个数量级。

第二类是 point in time，简称 PIT。做回测时很容易犯的错，是 2020 年的一次选股用到了这家公司后来才更正的财务数字。今天看这个数字非常正确，站在当时没人能拿到它，因为它是未来的事。等于提前看了答案，回测当然漂亮。处理这类数据必须严格做到时点正确，否则整个验证链条都是空的。

第三类是缺数据时 agent 的行为。正确做法是主动暂停，告诉用户这里缺数据，不能静默地拿现有数据凑一个因子去做回测。他指出很多看起来“想法不行”的结论，实际原因是数据不够或者口径没对齐。

数据多不等于有 Alpha，Jev 帮不上交易 23:53

曲凯提到有些交易者很看重谁在买、谁在卖，机构还能提前跟董秘沟通，参加合法合规的电话会。这类信息拿到手，是不是影响很大？

吴浩哲给了一个很肯定的答案：数据多不等于有 Alpha。在大家都能拿到的日线和另类数据上，能被找到的规律已经被价格吃掉了，靠采买数据找到 alpha 的点不太存在。买数据真正的作用是让你的命题可以被检验。数据本身不会告诉你答案，它只让你验证想法是对还是错。很多时候你以为一个想法不行，实际只是数据不够，或者口径没对齐。

他也提醒散户和小团队要有自知之明。机构在数据上的投入，个人根本没法比，比广度一定比不过。能比的是数据的对齐质量，以及把几类数据拼在一起的想法。这样才有可能抓到一些还没被市场充分反映的价格。

曲凯举了个更主观的例子：纯看财报，AI 也许觉得白酒不是好生意，但有人就是相信白酒不会消失，这种判断 AI 能不能做？吴浩哲的回答有点出人意料，他认为这类判断反而最适合 AI 做，本质上和“油价起来会传导到什么、美债和黄金会怎么走”是同一类问题，属于价格传导链，AI 很擅长做这种 deep research。但如果人已经不在乎逻辑，只是想找人辩论，那就变成情感陪伴了。他说这话时带着笑，意思是这类对话对交易没有增量。

然后是 Jev。他的态度是先泼一盆冷水：Jev 对交易的帮助，不能说没有，约等于零。

他理解 Jev 火起来的原因。agent 浪潮里，大家反复调用大模型只是为了得到一个答案，又慢又贵，Jev 把这件事做得又便宜又快，生态也马上跟上了。但放到金融流程里，有几个问题没解决。

第一，它优化的恰好是金融里最便宜的那一侧。决策的价格几乎为零，缺的从来不是更多更便宜的决策，缺的是从决策到行动那段能让人信服的转换。把原本不值钱的东西变得更不值钱，对整个领域的推动有限。

第二，金融最核心的材料恰恰是它不擅长的。Jev 刚出的时候他看过官方文档，里面写了一些弱点，比如数学计算、日期比较。可是数字、日期、带噪音的材料、有人故意误导你的文本，这些就是金融世界本来的样子。它不擅长的东西，正好是这个行业的日常。

第三，它只给概率，不给理由。他反问了一句：你真的会把钱长期交给一个只告诉你买或不买、不给你任何分析链条的东西吗？等你反应过来的时候，可能已经亏了很多。

Jev 更适合当门口的分拣员，不适合做把整条链送到的快递员。

分拣员这个位置其实很合适：每天收到的信息量巨大，先判断这条新闻说的是不是这家公司，是原始公告还是转载，材料和问题有没有相关性。这类活便宜、量大一天几万次几十万次、不涉及算术和日期，做错了顶多漏看几条公告，人后面还会补上。它不适合做那条决定要不要付钱的最后一段。

说到 forecasting，吴浩哲把交易的本质讲得很清楚：交易是对概率下注，不是对答案下注。一只股票的价格可以理解成对未来各种可能性的加权平均。你赚钱的逻辑，是你的概率和市场隐含概率之间的差值，再扣掉成本。概率决定这个决策配多大的行动，六成把握配小仓位，把握更大配更大仓位，接近确定才可以重仓。

问题在于 AI 说自己有多大把握，这个把握靠不靠谱。他给了一个简单的数学例子。两件事，第一件是这家公司下季度营收超预期，第二件是这个超预期会带来股价上涨，模型对两件事都给了九成把握。很多人会顺手算 0.9 乘 0.9，得出 81%。这个算法悄悄假设了两件事独立，真实的联合概率没人知道。金融里这个问题很严重，因为很多个判断用的是同一条新闻，那条新闻错了，所有假设一起错，每个都是九成把握也没用。

人的位置，和一条上手路径 32:05

他自己日常用的模型和大家差不多，Codex 和 Claude。能力上，凡是和主观投资相关的部分，他觉得已经做得很好了，因为主观投资本质就是 deep research，而 deep research 在去年就已经有明确答案，AI 做得确实比人好。

那 AI for Finance 和 AI Trading 是一回事吗？他认为是两件事。AI Trading 的最终目标，是问 AI 能不能持续跑赢市场。AI for Finance 问的是 AI 能不能让金融机构的工作变得更好。今年五月开源的一些金融模板，做的是估值、复合、材料整理、对账这类活，Kimi 九月份发的产品也差不多是这个形态，重点是交付具体的工作成果。这类产品的竞争点在于能不能天天用、够不够稳定，而不是某一次表现有多惊艳。

接下来的差距会落在细节上：谁能接上更多机构数据，谁更理解一个团队的工作方法，谁能让自己产出的成果被同事接手、复核、继续修改。模型换代解决不了这些问题，因为换个更强的模型，接口还是那些接口，流程还是那些流程。

曲凯问了一个分层的问题：一个本来 30 分的人用了 AI，会变成 40 分，还是可能更差？80 分的人会不会变成 90 分？

吴浩哲认为一定有增强，但层次不同。二三十分的人，AI 帮他做的是风险把控和基础研究，至少不必再去听信小作文和短视频荐股。五六十分的人已经会基础判断，缺的是更深的研究能力，AI 让他能碰基本面、碰宏观这些原来够不着的东西。八九十分的人，AI 的价值在于让他的想法在各个维度上被验证。他举了一个行业里的老现象：做宏观的人往往不会写代码，很难亲手回测自己的判断；做量化的人理工科出身，未必理解价格背后的经济学原理。AI 能把这两边接起来，让高水平的人更自信。

节目最后，他讲了一段和交易关系不大、但可能是整期最重的话。大家总在问 AI 能不能替代人，会不会直接帮人做交易。他反过来问：会不会是人需要 AI 来体现自身的价值？

今天给 AI 定价，看的是它能替人做多少复杂工作、省多少工时、顶几个员工。这套算法里，AI 必须替代人才能证明自己有价值。如果未来模型足够强，很多事情做得比人好得多，问题就翻过来了：人还能做什么，这个世界还有什么事情需要我。他觉得这比失去一份工作更难受，因为工作除了带来收入，还让人觉得被人需要，觉得自己的存在对别人的生活产生了影响。

所以他认为，哪怕将来 AI 真的足够强，能自己完成推理和验证，最后还是会保留 human in the loop。今天把人留在流程里，是因为文档需要人审核、需要人把关；以后可能不再需要这些，人 still 需要参与，因为需要有方向感和意义感。他还把这层意思推到更远：一个人值得被尊重，是因为他能带来更多价值，还是因为他本身就是一个人。这个问题现在没有答案。但人的决定权不该随着机器能力上升而消失，人需要通过创造、通过决定、通过承诺、通过责任，感受到自己的生命有分量。

回到具体建议，他给了几条。第一件事是想清楚自己愿意拿多少钱承担这个风险，先把风险隔离出来，用一个单独的账户，别把它当致富密码。这类方法一定会遇到反制，不可能一直赚钱，它只是一个新的交易模式。

第二件事是拿它去试自己没试过的市场和领域。很多散户亏钱，原因可能只是这个市场不适合他。有人对大宗商品的逻辑天然有感觉，有人擅长在几千只股票里翻基本面，有人看技术图形就是比别人准。天赋点不一样，AI 可以低成本地帮你把没试过的方向试一遍，这在以前要付很贵的学费。

对还没上手的人，可以照这个顺序走：先用它读一家你熟悉的公司，看它能不能把事实和假设分开；再让它给一个和你直觉相反的结论，看它拿什么证据支撑；最后拿一小笔钱，走完从判断到下单再到复盘的全流程，重点看复盘那一步，你能不能向自己解释清楚当初为什么买。解释不清的那一笔，就是下一次该少做的那一笔。

网页版：https://42zhangjing.qiaomu.ai/ep/6ab71039195d838e2aea294a.html · 原节目：在小宇宙收听 · 精读由 AI 基于节目转写整理。

他的履历里缺很多东西：没有 AI Lab 经历，不是 AI PhD，做这个项目时还在读 AI 方向的研究生，此前的工作是 data engineer。现在他是 Mind Lab 的研究员，做 post-training，蒸馏、SFT、数据工程，近期转向 continued pre-training。

42章经的曲凯跟他聊了 47 分钟。前半段是操作手册，怎么选底座、数据从哪来、蒸馏有哪几条路线、钱具体花在哪。后半段是判断，主权 AI 会不会成为应用公司的标配，Local AI 会不会是下一个 PC 级机会，以及为什么做出榜一模型之后，他还是去了一家 AI Lab。节目最后，42章经的内容同事陈皮还追问了一个问题：用户到底会不会为了本地模型，放弃最强的智能。

“大家觉得这事非常复杂，其实并没有” 1:33

曲凯开场就把话挑明了：在大多数人的印象里，训模型的人得是 PhD，得是 researcher，得在 AI Lab 待过。逯雨鑫的路径不长这样。

他自己的解释是，2022 到 2023 年 GPT 第一次对外开放时他就用上了，后来做 data engineer，接触到一些今天算行业领军人物的人，聊得多，对行业的理解也就跟着长，最后才选了 AI 这条路。

他把 AI 分成两类。学术的那类，作用是帮工业界拓展思路，找新方法、新领域。工业的那类，才是普通人真正能上手训模型的。工业界的主流做法就两条，SFT 和 RL。基础补齐，剩下的可以交给现在这一代很强的 AI 伙伴。

曲凯问他是不是全靠自学。逯雨鑫的回答分得很清：最基础的部分是自学，研究生阶段帮他把地基夯实了一下。

研究生更能提供的是方向，只要走对方向，自学是完全 ok 的。

曲凯接着问了一个更现实的问题：你身边做这件事的人多不多，是我们有盲区，还是确实没多少人做。

逯雨鑫说确实不多，但原因不是难。卡住大家的不是技术门槛，是这件事被想象得太复杂。他说实际上并没有那么复杂。这句话是整期节目的底色，后面所有细节都在解释“不复杂”到底长什么样。

五步走完：定目标、挑底座、做数据、选方法、迭代 6:08

曲凯请他完整讲一遍流程，从想做模型到做出来。逯雨鑫给了五步。

第一步定目标。他特别提醒个人开发者别一上来就想着拿热度，什么火做什么。现在什么火，竞争对手也多。做应用的公司就从业务出发，围绕 business 想清楚要解决什么问题。

第二步选底座。这一步的坑比想象中实在。他举了自己踩过的例子：Gemma 的 12B 版本，中文非常差，无论哪个量化版本，大部分时间都在讲粤语。这个问题他到现在也没解决。做中文向的东西，就得换成像 Qwen 这样的底座。架构、语言能力都得在选型时看一眼，不能随手挑一个下载量最高的。

第三步做数据管线。他把数据来源拆成三路。一路是合成数据，自己扮演用户，让 AI 生成；或者用两个模型对打，一个当用户，一个当真实使用的那一方。一路是公开数据，Hugging Face 上有很多好东西，国内的 ModelScope 也一样。还有一路是真实 trace，用户实际用出来的轨迹。三路怎么配比，是他后面花时间最多的地方。

第四步选训练方法。工业界流行的就两种。SFT，说白了就是蒸馏，把老师模型的能力蒸下来，数据喂给小模型；RL，强化学习，被吹得很神，他自己的判断是效果不如 SFT，所以只用了 SFT。中间还有 OPD 这类方法，对个人和应用公司都不太现实，成本太高。

第五步迭代。跑自己的 benchmark，看错题，从错题里找原因，再改数据，一版一版往上推，最后发布。

他补了一句，整套流程的工具全是公开的。训练脚本、公开的好数据、benchmark，在任何网站上都能拉下来，用 agent 加上自己学一学，很快就能改成适合自己模型的东西。环境也能买，价格很便宜。个人项目他全程用 Claude 完成，Codex 用得少，理由是 GPT 现在这套模型不太适合做规划，更适合执行，也就是写代码。

一个懂流程的人，几天就能跑完。不懂流程的人，也很快。

95% 的时间在做数据 11:33

曲凯问整件事最难的地方在哪。逯雨鑫的答案没有犹豫：数据。

真正的卡点，我的 95% 的时间都用在了做数据上。

他算过账。第一版模型总共花了三天左右做数据，训练一天。第二版两三周，其中十二天在做数据。训练本身非常快，有小模型加好显卡，几个小时一版，几个小时一版。

合成数据的效果被他直接否了。合成数据只能用来靶向处理一些问题，撑不起主体。他举的例子很具体：那个 12B 小模型有个毛病叫过度自信，跑 benchmark 的时候，很多题明明没做完，它直接宣布完成了。这种病在公开数据里找不到对症的药，只能自己合成靶向数据去治。

但治病的药也得自己验。他提到第二版为什么费那么长时间，主要就是审数据。数据量 5000 条，他自己抽审 500 条，比例是十分之一。审的原因很直接，AI 合成数据目前还很差，很多病都藏在里面。你只跟 AI 说“帮我做一些治疗过度自信的数据”，它做出来的东西完全不对。得自己看，得一遍一遍告诉它这一版哪里有问题，它再改一版，再改一版。

配比上，真实数据占了 60% 到 70%，剩下的是靶向数据，专门补模型的错题。总量做了小一万条，把整合和好轨迹都算进去，真正用上的要剔掉一大截，最后落在几千条这个量级。

曲凯问，能不能只看数据就判断这一版训练结果好不好。逯雨鑫说这块没什么捷径，一般般来测。数据有问题，你在训练前就能看出来；数据看着很好，训出来照样可能有问题。这就牵出了他反复提到的一个概念。

老师太强，学生太弱 15:34

这个概念叫 capacity gap。翻成大白话就是老师太强、学生太弱。

他给的数字是，老师模型的体量在 3T 以上，学生只有 12B。把老师真实的推理轨迹、真实的作答蒸馏进这么小的模型里，中间有一大块能力是学不到的。所以数据看着没问题、结果却不行，很多时候不是数据做错了，是这一步的容量差摆在那。

遇到这种情况，办法只有一版一版测。看是否有明显提升，没有就回头判断是不是老师太强、模型太弱。他在这里说了一句挺重要的话：不要因为一版没达到预期就放弃，觉得自己不适合。这件事需要的是耐心。

曲凯顺势问蒸馏路线。过去几年业内讨论过软蒸、硬蒸、聪明地蒸，各种说法都有。逯雨鑫的答案是，他用几台 8 卡的 H200 做过大量实验，on-policy 蒸馏是最强的，其他像 OPD、强化学习，都是在锦上添花，不解决根本问题。

那什么叫好的蒸馏？他给了一个跟 benchmark 无关的标准：看你的锚点。

不管它 benchmark 是掉分了也好，只要跟你的方向是一致的，我觉得都是好蒸馏。

反面例子他也说了。锚点是 benchmark，就拼命蒸馏 benchmark 的衍生变体，可真实目标只是想提升安全边界，这就是坏蒸馏。反过来，你想让模型往某个方向拉，数据也往那个方向走，哪怕 benchmark 掉分，也是好蒸馏。

这一段其实解释了那个模型为什么能上榜。曲凯提到，除了头部几家 AI Lab，别人不承担 AGI 的责任，不用想着训出智商更高的模型，只要用起来更好就够。逯雨鑫认同，并说这正是他项目成功的原因：现在大家用得最多的是 agentic 和 coding，他的锚点就压在这两个领域，下载量自然来。盯住真实使用，比盯住 benchmark 有用。对 AI 公司来说 benchmark 只是一场考试，考试的目标和用户的目标本来就不一样。

几千块钱能训出什么 20:01

钱的部分，逯雨鑫给得很干脆。小模型，几千到一万人民币以下，一个应用公司就能训出自己比较想要的东西。大模型要加卡，十几万到二十万以内。

这只是训练成本。曲凯追问了推理和调用那一端。逯雨鑫说那是 serving 的坑，SGLang、vLLM 这些架构各有说法，成本要看部署什么模型、有多少用户。他的估算是一台 H200 几万块钱，能撑十几个并发的极小需求量，够十几个员工日常用。

坑的清单里，他排第一的还是那句别放弃。每个环节都有一堆坑在等着。他自己最早公开的微调模型是搞小说的，纯粹为了满足自己的想法：喜欢武侠，金庸之外好书不多，看完想再找一本就很难，于是自己动手微调。那期间踩的坑不少。

底座推荐上，他给了一个很实用的判断：Qwen 的坑最少，训练、infra、脚本、部署都顺，是小模型里最好上手的，值得重点搞。有些新出的模型架构不主流，训起来非常复杂麻烦。他的经验是别太相信 AI 给的答案，及时去查，去看别人真实的成功案例。

曲凯还问了一个产品化的问题：既然每个环节都有第三方方案，为什么没人做一整套 pipeline，让用户跟着走就能训出模型。逯雨鑫说这正是除了 RSI 之外所有公司都在想的事。海外有公司做出来了，在 Hugging Face 上比较出名，但价格挺贵。国内很多公司也在做，infra 和 serving 是难点。Hugging Face 自己也有一项专门做这事的服务，坑还比较多。

曲凯的总结是，前几年大家讨论 AI Lab 的模型会不会商品化，聊到这里，训模型这件事本身也要商品化了。逯雨鑫同意，说完全做得到，只是 infra 还没搞好。

应用公司才是下一个 Neo Lab 23:44

节目后半段转向判断。曲凯列了一串近期迹象：主权 AI 被反复提起，公司想用自己的数据训自己的模型；做数据标注的公司在训模型；做应用的 Harvey 在训模型；做推理的 Fireworks 也在训模型。那未来是不是所有人都成了模型公司，这个概念本身就没意义了。

逯雨鑫的判断分两层。AI Lab 的数量会减少，但价值不一定低。他举的场景是刚发布第一个产品的小应用公司，比如做个健身打卡 app，这时候养一个 AI 团队，成本和效益都不划算，把主业做好才是重点。这类公司前期让 AI Lab 承接，等用户涨到几百万几千万，再建自己的团队。

中型和大型公司不一样，直接拉一个三四人的小团队就能干，开销就是这几个人的工资，加上部署和显卡。他还提到一个时间变量：现在显卡和内存价格在很高的位置，很多厂商没预测到 AI 会火成这样，短缺明显。等供应上来，会像当年手机流量一样，从三十块钱一路走到无限量。显存价格下来，大公司的成本会大幅降低。

曲凯把话题推到更远处：如果平台化真的成熟，应用公司建 AI 团队的门槛会比今天还低。逯雨鑫认同，并说 AI Lab 的方向已经很明确，往更高层面走，解决科学问题，做 AI for science，做预训练。日常的那些模型能力，在当下的 benchmark 上已经卷完了，开源模型足够覆盖很多需求。

这里他给了一个硬门槛。想自己做预训练，128 卡到 264 卡的 B300，跑好几个月。这件事应用公司做不了，还是 AI Lab 主导。

曲凯提到红杉此前的文章，说最新的 AI 应用公司未来反而会变成 Neo Lab。逯雨鑫觉得有可能，还举了个例子：一些行业里领先的公司，很多其他公司会基于它的模型做东西，它自己就成了新的源头。他判断未来的反转是 AI Lab 往上走，彻底不碰后训练，应用公司接管后训练，因为应用公司不想把数据分享出去，也想在行业里占住位置。中型应用公司手里可能还握着 token plan，小公司来调 API。

曲凯接了一个类比：现在 AI Lab 砸钱买数据，很像移动互联网早期字节砸钱买用户。那时候大家不理解为什么用户获取成本那么高还要买，后来才发现一开始是最便宜的，后面只会越来越贵。逯雨鑫顺着说了机制：你用 GPT 写一篇博客稿、调一段东西，这条真实轨迹本身就值钱，AI Lab 想知道用户真正的问题长什么样、问题是怎么被解决的。免费发模型也是同一套逻辑，架起一堆 B300 服务全世界，成本几十万几百万，图的既是宣传，也是收数据喂下一代。

曲凯最后问了一个私人问题：你既然看好应用公司，为什么自己去了 AI Lab。逯雨鑫说还是会有赢家，他更想往 research、RSI 那个方向走，做预训练这一类。他也点了一个风险：如果 AI Lab 哪天不再开源，对应用公司是毁灭性的。所以有预算的中大型应用公司，现在就该开始迭代自己的模型。他提到 Qwen 在某个版本上没有再发小模型，路就直接堵死了，很多人只会把模型部署在自己电脑上，一旦上游断供就没办法。

Local AI 与 SOTA 之间 36:59

节目最后聊的是那个经典类比：计算机从占满一间房的大型机，走到每人一台 PC，机会从 IBM 转到了微软和苹果。AI 会不会也这样，从几家大模型走到人手一个模型，跑在自己的电脑、手机、端侧设备上。

逯雨鑫的答案是“一定的”，而且已经在发生。他给的理由里，商业动机比技术动机更硬：调 API 的时候，你的数据上游是能看见的。市面上那些便宜的中转站，除了灰色地带的问题，还会卖你的数据。他见过太多案例，朋友遇到过，一些 AI Lab 也遇到过，被黑客拿数据泄露来威胁。

硬件的时间表他也给了。有报道说苹果可能在 2027 到 2028 年推出 2TB 统一内存的电脑，这个容量基本能跑今天的大模型，不用再调上游 API。这也是 Qwen 一直在发小模型的原因之一。

陈皮追问了那个最关键的反方观点：用户对智能的需求可能最终还是要到 SOTA 级别，OpenAI、Anthropic 一直在发最强模型，哪怕差距对日常工作已经不重要，用户会愿意用本地模型吗。

逯雨鑫承认自己现在用 Local AI 的频率并不高，本地模型确实会犯错，不如最前沿的模型。但他从 Hugging Face 上收到的反馈里看到了另一群人：对数据极度敏感的人。反馈最多的是网络安全领域，还有生物领域，这类场景里大模型的风控极严，很多问题它直接不答，那就只能自己部署。日常聊天，他也认为大家更愿意用大模型，手机现在还跑不动一个让人满意的模型，但未来 27B 级别的模型放进手机是有可能的。到那个程度，很多人问简单问题就用自己的设备，手机已经买了，沉默成本摆在那，天天问等于免费，调 API 每月还要二三十美元。

他举了小说创作的例子，这个他有发言权，早先就是做小说模型的。这一块的 token 消耗非常恐怖，跑完一版小说可能要几千甚至几万人民币，本地跑完自己再调，账完全不一样。

他还讲了一个具体的案例：Hugging Face 被攻击那次，最后解决问题用的是中国国产模型加本地部署，Claude 和 GPT 在这个场景里风控太严，用不了。

曲凯在这里给了两个反驳，是整期节目里最有意思的碰撞。第一，隐私可能不是真需求。今天很多 app 都在想办法拿用户数据，大家用着用着也就无所谓了。第二，就算有顾虑，安全公司加上 SOTA 模型也能部分解决，不一定非要人人上一个 Local AI。

他的落点更冷一点：最后用户最多的肯定还是豆包这类产品，因为方便、够用、便宜。今天在讲 Local AI 的这批人，是 AI 人群里话语权比较强的小众。隐私这件事也不太会由个人去选，更可能是应用公司推着走，比如苹果在推，因为应用公司和模型公司天然有点竞争关系。

最后肯定还是豆包的用户是更多的。

逯雨鑫基本认同，说豆包最方便，用户不用管它是不是 SOTA，能解决问题就行。

把这一期听下来，能带走的东西其实很具体。

想动手的人，路径已经清楚了：定一个跟真实使用对齐的目标，挑一个坑少的开源底座，数据以真实 trace 为主体、靶向合成数据补错题，方法用 SFT 蒸馏，跑 benchmark 看错题再迭代。一张租来的显卡、几百美元、两周业余时间，就能跑完一轮。真正的成本不在算力，在审数据的那十天。

做应用的公司，有两个时间点值得记住。一是现在就开始积累自己的数据和后训练能力，因为上游开源一旦收紧，没有自己迭代能力的公司会很被动；二是别急着在只有第一个产品的时候养 AI 团队，用户到几百万几千万再建，那时候的成本比今天低得多。

至于 Local AI，它未必会赢在“更强”，更可能赢在“不能上云”。网络安全、生物、小说这类 token 消耗巨大或者风控极严的场景，是它先站住的地方。而大众市场那一端，仍然是方便和便宜说了算。

网页版：https://42zhangjing.qiaomu.ai/ep/6a8ed6e7ef65145dfcc5d249.html · 原节目：在小宇宙收听 · 精读由 AI 基于节目转写整理。

曲凯问他，大厂和创业公司做事的差别在哪。孟繁青说，他在 Kimi 后期的主要工作其实是合成数据。训练基模这件事在大厂内部已经相当工程化，训练、推理的整套流程很稳定。一个研究员想 SFT 一个模型，不用去 GitHub 拉仓库、找卡、配环境，提交请求，服务在远端跑完，结果送回来。哪怕他根本不知道 SFT 是什么，把数据做好就能走完整个流程。

这期节目把后训练、bench 的演变、国内外模型差距、RSI、数据的几波机会、蒸馏这个敏感话题都聊了一遍。最反直觉的判断是：国内模型真正有特色的地方在预训练，那是算力受限下被逼出来的架构创新；后训练反而相对弱，弱在数据积淀。顺着这个判断往下推，即便海外把所有蒸馏通道封掉，国内模型依然能靠预训练的创新能力撑住竞争力。

从 Kimi 出来，他把训模型这件事看清楚了 1:15

基础设施的成熟度，把「训模型」拆成了两件事。搭服务的人仍然要填很多坑，用服务的人只需要把数据做好。孟繁青的判断是，对大部分算法研究员，训模型的门槛确实降了很多。

创业之后，他们不碰基模。理由很实际，预训练每天打交道的是模型架构、优化器，极其吃卡，初创公司扛不住这个成本。他们要找跟模型厂正交的切入点，从零搭内部平台。用他的话说，不 focus 在推进模型智力，而是做跟模型智力正交、实际应用更有用的东西。

曲凯观察到，这两年出来创业的，做 post-training 的人明显比做 pre-training 的多。孟繁青给了两个方向。一个是合成数据，后训练的数据量不像预训练那么大，对精细度的要求更高。另一个是平台类的工作，说白就是做 bench。

「bench」这个词在变。2024、2025 年大家熟悉的 bench 是一堆难题，模型挨个回答，像考生做卷子。现在的 bench 给模型一个环境，让它在里面做很长时间的探索，完成一个任务。这种 bench 离真实工作更近，工程实现做得好，转成商业模式也更快。做 post-training 的人擅长这个，所以他们创业的多。

Bench 从考卷变成工作台，模型得学会动手 4:37

两者的差别，孟繁青用白领工作打比方。做数学题只测模型的大脑，可真实工作里，人还要动手操作飞书、Notion 这些软件。现在的 agent bench 把这块模拟出来，模型不光要推理，还要跟工具交互，最后把事情做完。

可验证性变难了。数学题对答案，对就是对，错就是错。造一个环境，首先要保证环境跟真实世界对齐。他们造一个 Notion，同一个输入进去，输出跟真 Notion 是否一致，一致才说明环境造对了。

评分也复杂。数学题判断相等就行，agent 任务的检查要分很多维度、很多小得分点，每个得分点怎么设，目前还很依赖人的精细设计。最后是人跟 agent 一起 check。

曲凯提到一个说法，post-training 的人每天主要就是在做数据。孟繁青认了。模型厂内部生态完备，研究员把数据做好，整套流程就能走完。

那这份工作枯燥吗？孟繁青不这么看。他观察到一条规律，技术演进的方向是越来越简单、越来越直接、越来越面向结果。模型架构收敛到 transformer，RL 收敛到基于可验证 reward 的那套方法，后训练也在往同一个方向走，不用关心算法上的小技巧，直接关注给模型什么数据。

造数据本身很难。同样一批 bench，不同人造出来的数据效果不一样。他们最近做 RSIBench，专门讨论 agent 能不能自己造数据、迭代模型。结论是 agent 目前只能做机械活，比如模型输出格式错了，它知道去修；要它提出造数据的 insight，做不到。模型厂研究员手里的 knowhow，仍然是核心能力。

数据好坏怎么评？孟繁青给了两个维度。最直接的是，在给定 bench 上不作弊、不 hacking，能不能提点。另一个是副作用，比如用代码数据合成训练之后，模型写东西的能力有没有掉。

训练之前评判数据质量很难。能用的是量化指标：轨迹里有没有作弊，难度是否适中。太简单的数据没用，太难的学不到东西。这些指标只能做初筛，正儿八经看它能不能 work，还得训一遍，结果好就是好，不好就回去改。

曲凯追问，后训练里 infra 和数据哪个更重要。孟繁青的回答是数据，infra 已经发展到比较稳定的程度。

国内模型的优势，是被算力逼出来的预训练 12:48

国内模型跟海外模型的差距在缩小。孟繁青举了个量级，国内拿到的卡可能只有海外的十分之一，模型还是做到了接近前沿。海外厂手里有存货，没发出来，具体差多久不好估，但从已发布的结果看，两边在靠近。

他把这个进展主要归给预训练。算力少，就得用更少的资源完成训练，国内被逼出两条路。

一条是架构创新。Kimi Linear 做线性注意力，DeepSeek 的 MLA 也是注意力机制上的改动，相对原始 attention 更省计算量，用更少的训练资源拿到更好的效果，性能和推理速度的损失可控。孟繁青说，全球范围内真正被用起来的、被证明有 scale 能力的架构，基本就是 Kimi 和 DeepSeek 这两套。海外像 Mamba，一直没证明自己的 scale 能力，没什么人用。

另一条是后训练，这块国内比海外弱一些。他强调技术实力上并不弱，差距在数据积淀。Claude、OpenAI 在数据上天然早半年，国内积淀少，目前很大一部分数据来自蒸馏，用来补短板。

这个判断跟曲凯的预想相反。按直觉，海外人才密度高、卡多，预训练应该更强；后训练偏工程，国内该有优势。孟繁青的解释是，后训练是更工程的事，工程上的时间差距更难弥补。数据积淀靠人力和组织架构，优化起来比靠研究员的聪明才智更难。

曲凯追问这是不是 AI lab 内部的共识。孟繁青说不清楚是不是公认，但他跟一些朋友聊过，大家都比较认同。曲凯自己听完也觉得有意思，这跟他原本的假设正好反过来。

竞争格局上，他的判断是交替领先。某家发一个大版本，至少在开源社区里排到第一或第二，几个月后另一家发大版本再超过去，很难有一家因为某个独特原因一路领先。

Kimi K3 走大参数路线，孟繁青认为贡献很大。从 scaling law 看，在当前数据规模下把参数 scale 上去确实有收益，海外也这么干。其他家能追上，但中间有时时间 gap。智谱 GLM 在 coding 上领先过一段时间，他不太了解这家公司，跟朋友交流的结论是智谱在 coding 数据上做得好，属于 post-training 的部分。字节的 coding 到现在还没追上，追上现在的 frontier 是时间问题，能不能缩小跟 frontier 的差距，他说不好说。

曲凯把问题推到中长期：人才肯花钱都能找到，数据肯花钱下功夫也没有本质区别，最后是不是拼卡，大厂是不是优势最大。孟繁青认拼卡是直接原因，又补了一层，组织架构。混元改架构之前做得比较差，改完之后突飞猛进，这个变化更多来自组织设计。他举了个例子，多模态要不要单独划出来，现在大家都不单独划，跟预训练合并。

技术层面，大家拼三样。架构决定有限资源里能榨出多少东西，数据决定 bench 上的效果，infra 决定内部迭代速度。更底层是公司内部的组织架构。

那下一个阶段的共识是什么？孟繁青的回答很干脆：auto research，或者叫 RSI。

RSI 是更聪明的 DFS，没有 RSI 基模这回事 21:50

self-evolving、RSI、AI for AI、auto research，这几个词在近半年被反复提起。孟繁青把它们统一成一个形式：给模型一个工作环境和一个目标，看它能不能持续操作，拿到结果反馈后修改之前的操作，突破原来的上限。

曲凯把这件事分成几层。最表层是产品输出，结果先不给用户，让另一个模型测一遍再出。中间是 harness，怎么让系统自己转起来。最里面是模型层，AI 自己训 AI。孟繁青说都算 RSI。大众语境里，RSI 更偏向模型迭代自己、得到更强的模型；auto research 更像已经有一个强模型，让它去写好的 GPU kernel，在反复迭代里改进。两者殊途同归。

最难的是模型自己训自己。孟繁青提到一个 AGI 的定义：模型能不能从零复刻一个自己。复刻出来算清晰的 RSI 过程，只是没有超越自己；如果复刻出的模型比自己强，RSI 就成立了。

harness 会不会消失？他的判断是不会。模型厂基本都有自己的 harness，Kimi 有 Kimi Code，DeepSeek 内部也有，只是还没 release。模型跟 harness 一起发版，因为后训练时模型的输出经过 harness，反向传播会让模型越来越适配这套 harness。两个东西配套出现，harness 会越来越简单，但不会没有。

第三方 harness 还有没有空间？他分两种情况。通用领域比如 coding，没必要有第三方 harness。垂域不一样，用户不需要模型厂那么强的模型，也就不需要配套的 harness，拿一个弱一点的开源模型配简单 workflow 就能满足需求，消耗更少，速度更快。

曲凯抛出一个更尖锐的问题：如果真相信 RSI，模型都能训自己，垂域 harness 让它写不就行了。孟繁青说可以写，写完就用这个垂域 harness。但垂域背后的模型要不要用最强的，是另一回事。Claude 一次次发版，普通用户已经很难感知强度差别，只能看 bench，而 bench 跟日常使用有点脱节。垂域更明显，更合理的路径是用强模型指导一个小开源模型在场景里迭代，这也是 self-evolving，只不过进化的是小模型，之后只用小模型。

模型降价呢？曲凯说基础模型已经够用，未来会一直降价，直到接近免费。孟繁青提醒两点。降价有商业考虑，开源社区太强，竞争对手太多，不得不降；真出现一两家垄断，价格未必一直降。另一点是数据隐私，很多垂域不愿意把数据交给 Claude、GPT。

那创业公司为什么不直接做一个更好的基模？既然模型能自己进化自己，让它迭代就好了。孟繁青最近想过这个问题，结论是 RSI 基模这件事，本身就是模型厂在训的基模。创业公司去做 RSI 基模，或者出一套 RSI 专用的 harness，他都不看好。Evolvent 选的位置在模型厂和应用层之间，做那条 RSI 通道。

现在做 RSI 的这些方法，本质上都是在做一个更聪明版的 DFS。

DFS 走迷宫，走到死路就回溯到上一个节点。模型写 GPU kernel，写完由评分程序打分，分数就是反馈，反馈不好就回溯，回溯由 LLM 判断，写 DFS 时由代码判断。差别在于剪枝，不去探索一开始就没用的路，把精力放在更可能出结果的方向上。

剪枝要求预判某个操作会带来什么状态、这个状态值多少收益。技术上就是 world model 加 value model。孟繁青的观点是，这两样东西在基模预训练时已经被内化了。

没有 RSI 基模这个说法。

RSI 之后变强，靠的是 world model 内化得更好，以及 context 窗口变长。现在窗口最高到 1M，能记住更多东西，可以回溯到更远的地方。

如果 RSI 真跑起来，数据会不会成瓶颈？他觉得不会，agent 在数据层面已经有自进化的能力，他们做的 RSIBench 就聚焦在这里。曲凯顺着逻辑推，模型公司最后是不是只剩十几二十个人。孟繁青说结果上可能，实际考量不会这么极端。

数据的几波浪潮，和正在收窄的窗口 35:29

数据需求在几年里换了好几波。孟繁青的划分很清楚。

第一波是 ChatGPT 那代，普通人标注。数据量本来就小，标注要求也不高。这批数据现在更接近预训练用的 raw data，噪声多，需求已经不多了。

第二波是专家标注。2025 年初 o1 出来，模型推理能力跳了一级，大家疯抢数学、物理专家产出的数据。现在需求在变少，原因有点反直觉：模型太强，对专家的要求变高了。原来只要专家做题，现在还要出题，而且出的题不能跟市面上现有的题重合，这个难度很高。

第三波是 agent 数据。Claude Code 出现之后，模型从聊天框里的 bot 变成同事，数据也得跟着变。这一波里分出两条支线。一条是合成数据，造很多环境，给模型一个目标，让它在环境里探索、完成任务，把轨迹保存下来。另一条是真人数据，需要真人在自己的工作环境里留下交互轨迹。

真人数据噪声多，要清洗。合成数据造出来基本可以直接拿去训练。

曲凯要求给个价格感知。孟繁青报了个大概：合成数据贵的能卖到好几千，单位是一个任务，那种非常长程的任务；做题类的专家数据在一两千的量级；正儿八经的真人操控轨迹没有单条的说法，一般要走量。

模型厂自己也能造数据，为什么还要外采？他的解释是分布。数据多多益善，自己造的那批带着自己的 bias，当然希望分布上的偏差越小越好，从外面收一批高质量的进来补一下分布。

那为什么这单生意以后会变少？

bench 在收敛。以前 bench 非常多样，一个模型要测 n 个 bench，n 个都得刷，需求自然多。现在模型越来越强，做一个好 bench 的难度极高，bench 慢慢收敛到那几个做得最好的，模型厂有更多精力只 focus 在这几个上，对其他 bench 的需求就掉下来了。

下一波他看的是 RSI 数据。举个他们自己在做的例子：一个模型去后训练另外一个小模型，把小模型的效果提上来，这样一整条轨迹。这条轨迹已经超出了目前大部分数据的范畴，因为产生一条可能要跑十几小时，甚至一天。这种轨迹相当宝贵。

门槛也随之抬高。这种活必须有模型训练背景的人才做得出来，数据行业的背景要求在提高。

曲凯问，普通用户平时用 AI 产生的数据，自己拿去卖行不行。孟繁青直接给了否定，卖不出去，太脏，还有合规问题。

这一波普通 agent 数据，在他看来已经接近尾声。数据行业变化非常快，对数据厂商也有筛选。以前靠重人力堆专家标注的公司很难活下来，活下来的是那些有一线 hands on researcher 的数据公司，才追得上数据口味的变化。

Evolvent 自己的算盘是两头。合成数据有现金流，也反哺认知，让他们积累更多 knowhow 去做 RSI。要做好 RSI，得真的自己训模型，而现在训模型基本可以约等于造数据，造数据的过程里也会跟模型厂合作。

算法就是数据，数据就是 Infra，Infra 就是算法 43:00

曲凯抛出那句流行的话，说它戏谑之中带着一点真相。孟繁青的回答是，没啥毛病，三段都能拆开讲。

算法就是数据。算法会收敛到最简单的形式，RL 收敛到 PPO，大家都在用 PPO，那比的就是喂什么数据。

数据就是 infra。核心是怎么训得更快。RL 训练慢，主要慢在推理时的长尾。现在 RL 一般是一批数据推理完，整理格式，再导入训练。这批数据里，100 条有 99 条一分钟推完，最后一条要推 100 分钟，卡就在那儿闲着，全都在等它。这时候需要 infra 上的改进，把这批数据训得更快。

infra 就是算法。拿 SFT 举例，训很大尺寸的模型，需要大量 GPU 层面或者 context 层面的并行，才能训这么长的轨迹。

从现在的视角看，算法稳定了，infra 的基本层面也稳定。但这是跟着需求走的。如果以后推理一条数据要一天甚至好几天，infra 和算法都得改。数据是驱动，更难的数据会逼出算法创新，也会逼出 infra 上更重的设计。

数据量会不会无限涨？孟繁青说无限不太可能。量确实在提高，但不会毫无节制。高质量数据会一直提高，因为数据没有完全枯竭：agent 的核心数据是一个新来源；agent 用的人越多，数据来源越多，会反哺出更多更好的合成数据，再喂回模型训练。模型尺寸在涨，数据的量一定会增加，质量也会逐步往上走。

合成数据和蒸馏，差别在环境够不够复杂 46:11

聊合成数据绕不开蒸馏。孟繁青的解释很具体。合成数据需要造一个环境、给一个问题，然后有一个 agent 在里面探索。这个探索的 agent 有时用外部模型，比如 Claude，有时用内部模型。用外部模型，就是大家说的蒸馏。

区别在于硬蒸馏和有技巧的蒸馏。硬蒸馏说白了是环境太简单，比如非常普通的数学题，等于把题目和答案拿出来抄。环境足够复杂，配套的题和评分正确且高质量，这一套本身就有很高的难度。有了这一套，才能搞出更好的合成数据或者蒸馏数据。

曲凯追问，合成数据用好了，对相对落后的模型价值是不是远高于领先的模型。孟繁青说肯定，学习 margin 更多。但对领先模型也有用。

曲凯接着问，如果我已经是最领先的模型，造了环境，用自己的模型去做，结果不就跟现在一样吗。孟繁青说，这就是 RSI。造出足够复杂的环境和题以后，模型自己在里面探索，拿到正确轨迹去训自己，也能提点，这件事已经被证明了。为什么能提点，他承认还是有点黑箱的味道，说白了是不断强化的过程。

聊到技术路线的空间，孟繁青说 coding 从年初到现在一直是最重要的方向，是智力的基础，要持续抬高模型智力的上限。这条线增长迅速，pipeline 相对稳定。AI lab 同时会去探索别的路线，比如 auto research，Claude、OpenAI 都在做，方向是服务 AI for science。

AI for science 火了，因为 coding 已经证明不了智力上限 49:33

最近各大模型发布报告里，基本都会放一个任务：完成一件非常长、需要不断改进的事，大部分是写 GPU kernel。AI for science 是同一个逻辑的延伸，要求大模型去设计分子结构、蛋白质。这既是体现模型智力的手段，也是相对直接的应用。

为什么大家突然在这上面发力？孟繁青的判断是，仅从 coding 层面已经体现不出模型智力的上限了。science、STEM 这些领域，本身是衡量模型智力很直接的尺子。GPT 那边流出做数学题、解决数学猜想的消息，也是同一个路数。奥赛已经不够看，开始往诺贝尔那个方向卷。模型厂需要找到这类场景去做 PR。

曲凯问，AI lab 现在的状态是空间还很大，还是现有路线快穷尽了。孟繁青说，模型厂的模型增速一直在，coding 这条线确实还在一路往上，很多东西已经确定，在既有路线上继续做就行。但增速背后的另一件事不一定：到底需不需要这么多 resource，现在给 researcher 的高薪能不能维持。

曲凯把公司分成两类，一类是字节、腾讯、阿里这种卡多资源多的大厂，一类是所有新 AI lab。孟繁青说自己比较 prefer 初创公司这一挂。技术在公司之间是流通的，各家的技术水平差异不会特别大，背后还是人。他也不认为大厂直接从初创挖人过去就能厉害。

那既然技术路径迭代之后，短时间大家就形成共识，最后是不是拼卡。孟繁青说未必，最后可能划归到组织形态上。技术大家都懂的时候，组织怎么设计，让公司作为一个整体跑得更快，这里面有学问。他以前没太感觉到，现在感觉很深。

曲凯提到一种说法，智谱 coding 做得好，是因为没有分很多精力做多模态；多模态、视频模型不在智力主线上，只有 coding、数学这些才提升智力。孟繁青觉得这个说法有点绝对。他不认为多模态不重要，也觉得多模态应该放到主线上，只是资源有限，做不到全模态优化。多模态的发展速度比文本慢特别多，文本信息经过高度压缩，学得快；多模态的信息噪声多。往后看，多模态会变得更重要，AI 想进入物理世界，涉及的就不只是视觉，还有听觉、触觉。

蒸馏只是加速手段，封掉也不影响追赶 53:58

曲凯把话题拉回那个敏感点：蒸馏对国内模型追赶的意义占多大比重。

蒸馏不是国内模型变强的一个决定性因素。

孟繁青的理由是一套共识：预训练学知识，后训练是在预训练的分布上做一次 shift，本来就会的东西，通过后训练答对的概率更高。智力的基础来自预训练。国内的预训练做得比较好，有 Muon 优化器这类工作，这才是追赶最主要的因素。蒸馏是加速手段，没有 Claude 的 API 也做得出，一方面国内模型自己也很强，可以在自己的模型上做合成数据；另一方面人这么多，真下狠心做数据积淀，不见得做不出来。

曲凯把假设推到极端：哪一天海外把所有蒸馏门路都封掉，是不是也不影响国内模型追赶，只是更费劲一点。孟繁青认同。

那字节为什么一直不愿意蒸馏，或者对外说我们不蒸馏？孟繁青说，抄近道有坏处，可能错过主路上的一些 insight，他们大概是这么考虑的。所以蒸馏终究是个工具，看你怎么用。

最后聊回公司。Evolvent AI 跑了半年左右，团队以 00 后 researcher 为主，手上两块业务并不割裂。一块是合成数据，有合作和商单，做数据的同时自己也做一些 bench，保留学术上的探索。另一块是长期的 RSI。

他们做 RSI 的路径跟别人不太一样，不去做 RSI 专用基模，也不去做一套 RSI 方法论，想做的是桥接模型厂和应用公司中间的那个东西。最近发布的 RSIBench-Data，就是在平台内针对 data 这件事做 RSI 的初步探索。招人一直开放，有兴趣直接发邮件。

曲凯最后问，什么样的 researcher 最值钱。孟繁青说他们不看量化指标，发了多少论文、多少引用这类东西不在考虑范围。真正关心的是工程能力，一个有好的工程能力的人，在他看来比一个学术能力很强的人更好用。

把这期节目里的判断收一收，能带走的结论有这么几条。国内模型的竞争力主要长在预训练上，那是资源约束逼出来的架构创新，后训练的短板是数据积淀，靠时间补。蒸馏是加速器，不是发动机，把它封掉会变慢，不会停住。数据这波生意正在换挡，普通 agent 数据接近尾声，下一波是 RSI 相关的训练轨迹，单价高、门槛也高，能做的人必须有模型训练的一线经验。判断一家做 RSI 的公司值不值得看，先看它有没有自己的环境和评分体系，再看它敢不敢自己训模型，因为训模型在今天约等于造数据。组织架构这件事被反复提到，技术拉平之后，公司整体跑得快不快，往往就卡在这里。

网页版：https://42zhangjing.qiaomu.ai/ep/6a75424b000a55a9bb042560.html · 原节目：在小宇宙收听 · 精读由 AI 基于节目转写整理。

曲凯是 42 章经的创始人。这期节目没有嘉宾，他一个人讲了 27 分钟。从 2023 年开始，他每年做一次 AI 复盘，今年年初断了一次更，理由很实在：那时候的市场又无聊又混沌，没什么可总结的。到了 7 月，他觉得有些话可以说了。

他讲了四年里市场水温怎么一段段变化，为什么国内跑出来的应用这么少，应用创始人现在到底该干什么，以及在二级市场的疯狂里还有哪些常识能拿来当地基。节目里他留了一堆自己也没有答案的问题：世界模型之后还能讲什么，模型交替领先的格局还会怎么变，Token 什么时候才能便宜到实现智能平权。

四年三段路：没人知道 AI 行不行，到最凉，到高 P 创业潮 0:20

曲凯把过去四年切成几段，每一段的市场情绪都不一样。

2023 年，大家连 AI 行不行都没想清楚。讨论的题目是这波机会到底多大、该对标什么。相信 AI 的人，也看不清模型和应用的关系。Character.AI 那种模型和应用一体的做法，一度被当成最优解。国内的结果是，大家在摸索里浅尝辄止地投模型，也浅尝辄止地投应用，最后谁拿到的钱都不算多。

2024 年上半年，整个 AI 和国内创投市场一起凉。曲凯当时的判断是，那可能是过去十年二十年国内资本市场最凉的阶段。模型带应用一起被质疑。2024 年 4 月 GPT-4o 发布，市场反应相当一般，普遍觉得这个模型没什么大进步。今天回头看，4o 对开启推理和 Agent 有跨时代的意义，这个意义当时被低估了。

转折发生在 2024 年下半年，市场快速回温，应用市场的表现最明显。曲凯把这叫作价值的回归。从那时候起，市场开启了大约两年的「大厂高 P 创业时代」。他打了个比方：字节每个产品线里谁最有能力、最有口碑，外面一些机构的投资人可能比张一鸣本人还清楚。

字节每个产品线里谁最有能力、最有口碑，外面一些投资人可能比张一鸣本人还清楚。

这个阶段的特征是，标签比产品好卖。一个大厂高 P 出来，团队和故事摆在那儿，融资的难度会低很多。市场在用钱奖励确定性，哪怕这个确定性只是履历上的。

DeepSeek 和 Manus 续了一条命，然后风向彻底反转 2:41

2025 年开年，市场的讨论方向是模型算法的上限是不是到了。当时的共识偏向：算法是阶梯上升的，前几年已经碰过壁，预训练也没法继续 scaling。按这个逻辑，市场本该有一次比较剧烈的回调。

DeepSeek 和 Manus 在这个节点横空出世，给模型和应用各续了一条命。那一年里，字节的高 P 几乎是出来就能靠团队和故事连融三轮。

2026 年的剧情更陡。智谱和 MiniMax 先后上市，很多业内人，包括曲凯自己，第一反应是这可能是见顶信号。也有人拿上一波 AI 四小龙做类比，觉得智谱会重蹈覆辙，甚至认为它的市值跌到发行价的几分之一才算合理。

同一阶段，一个开源项目爆火，曲凯提到极客公园发过一条，说全国同时有上千个公司和团队在做相关的创业项目。当时很多人，包括他在内，觉得应用可能又要迎来一波 Manus 级别的大浪潮。

结果反了过来。模型的势能达到几年来的最强，应用市场的冷度跌回谷底。曲凯的说法是，比谷底还要低，比 2024 年上半年那个市场还差。那会儿大家对应用是不闻不问、相对冷淡，现在是彻底放弃这个赛道。有的机构直接问他，现在谁还看应用。也有机构今年一口气投了十多个世界模型的项目。

他提到一个吊诡的地方：当技术脱离了应用，甚至因为新技术的出现把应用都打死了，那这个技术到底算个什么技术，它到底是好技术还是不好的技术。

市场在奖励早年选中模型的人，这一点曲凯承认。他仍然认为模型最终会被 commodify，变成商品化的东西，但短期内模型的价值显而易见。如果模型和应用这几年打一场竞赛，模型已经把应用打得只剩最后一根血。

应用濒死，但这次不能只怪投资人 5:39

曲凯不认同应用已死的说法，他的措辞是差不多濒死。最近他见了不少有点颓废的应用创始人。有人在转型，这不算新鲜事，应用创始人过去几年要么在转型，要么在转型的路上。有人在想该怎么办，有人庆幸账上还有钱，还在试各种解法。很少有人会说我要再出来融资，因为他们自己也知道，所有人都在告诉他们这个市场不投应用。

客观原因摆在那儿。模型吃掉一切是当下最主流的论断，投资人也确实会非理性、会扎堆看热点赛道。但曲凯经常跟这些创始人讲，这次真不能只怪投资人。

他摆出的对比是：相似的市场，相似的技术，美国的模型能力确实比国内强，可美国市场里有一批 ARR 上亿美金的应用公司。国内掰着手指数，很难找出几家 ARR 上千万美金的，能想到的几家还都以海外市场为主。

过去几年，投资人跟创始人都说要做海外市场，创始人在融资时也跟投资人说要做海外市场，这句话最后变成了一种融资时彼此心照不宣的默契。真做起来，曲凯看到不少表演型创业：在内网发英文的宣传视频，最后大多数用户是翻墙过去的中国用户。原因包括 Token 成本、付费意愿和付费能力。他认为真正能坚持做海外市场的，十不足一。

坚决出海的公司确实跑出了成绩。上过 42 章经播客的 Dify、WorkMagic、ACE Studio，很多都默默做到了千万美金 ARR。Meshy 创始人胡渊鸣到了海外市场之后，整个面貌焕然一新。曲凯不认为海外的空气更香，但海外用户的付费意愿和付费能力是真的强，这是必须承认的客观事实。

他希望应用公司的创始人更坚决一点，也更争气一点，最终交付更多结果，真的去打脸那些说「你不投应用」的投资人。只是今天大家并没有底气做这个表态。所以不管 Manus、Liblib 这些公司承受了多少争议和骂名，他始终认为它们是应用市场里硕果仅存的代表，真心希望它们发展得更好，甚至希望它们未来能反向夺回模型现在侵占的市场和声量。

模型市场最值得研究的两个样本：智谱和 Google 9:33

讲到模型市场，曲凯点名了他认为最值得研究的两家公司：智谱和 Google。大家常讨论的 Anthropic、OpenAI、DeepSeek 反而被他放到了一边。

智谱的特点是从落后走到第一，过去几年并不被普遍看好。Google 的曲线更折腾：两三年前出一个东西被骂，去年被广泛看好、股价涨了很多，到今天又被大家放弃，很多人才流失。这些事都发生在一两年之内。曲凯的判断是，这样的事情在模型市场里会反复发生，已经被验证过。

所以他到今天也不认为模型的战争结束了。明天智谱会不会遇到今天 Google 类似的问题？Anthropic 能半年快速超过 OpenAI，再过半年会不会又落后，变成下一个 Google？Google 明年会不会又回来、又被大家看好？这个市场就是这么有意思。

他说，今天已经没有人像 2023、2024 年那样质疑 AI 这波机会的体量，但整个行业仍处在剧烈动荡、快节奏变化的中早期。所有智能的路径、模型的变化，还是以每半年为一个节点在翻篇。

他引了智谱唐杰前些天发的公开信。信里说，DeepSeek R1 的出现标志着 chat 模式的探索基本结束，智谱在后 DeepSeek 时代的模型训练范式里押中了 coding 和 reasoning。曲凯复盘智谱今天的成功，里面有战略的胜利、人才密度的胜利、唐杰几个关键预判的作用，也应该有一点运气。他反问：但凡多模态或者 C 端应用做得好一点，智谱还能不能这么专注地押注 coding？

按他的划分，chat 时代的赢家可能是 OpenAI、DeepSeek 和豆包，coding 时代暂时是 Anthropic 和智谱，OpenAI 等几家都在快速追赶。下一个时代已经有了明确的影子。还是唐杰那封公开信，说未来要押的是长程任务、自主智能体这些方向。海外 Claude Code 和 Codex 这类编码智能体的竞争已经非常激烈。

他强调的是滞后性。我们对模型进展和竞争局势的理解，总是慢半拍，而这个滞后可能影响很大，因为模型半年就能对市场有翻天覆地的改变。腾讯的混元和元宝能不能在这波里弯道超车，字节和智谱还能领先多久，DeepSeek 会扮演什么角色，在他看来都言之过早。

投人还是投事，以及「今天是应用创始人最好的时候」 13:22

回到应用创始人该怎么办。曲凯先绕到一个老话题：投资该投人还是投事。市场上常拿 IDG 当投人的代表，红杉当投事、投赛道的代表。

他的分析是，事情变得快的时候一定投人，因为今天的事明天可能就变了；事情稳定下来才可以投事。越早期的市场人的权重越高，越后期越看数据，职业经理人反而可能有更好的表现。

这里他插了一句题外话：红杉为什么投得这么好？答案是他們有钱，可以全行业、全阶段覆盖，早期投赛道，后期还能精准补枪，这一套能解决很多问题。如果你是一家单一轮次、体量没那么大的基金，红杉的打法借鉴不来。

讲回应用创始人，他给了一个自己称为暴论的观点：今天反而是应用创始人历史上最好的时候。竞争没了，泡沫没了，大家可以真的回归用户价值、回归产品、回归初心。这种感觉有点像 2023 年和 2024 年初，噪音少，大家都在好好做事情。逆风局打起来才有意思，噪音多、泡沫多的时候，反而容易劣币驱逐良币。他在之前的播客里也讲过多次，最伟大的公司、最好的创始人，都是在市场低谷里长出来的。

他也提醒大厂高 P 这个标签容易混进一些当下并不适合创业的人。他把大厂高 P 创业的本质说成信息套利，并且分成两种：一种是对锤子的信息套利，也就是对模型的了解；一种是对钉子的信息套利，也就是对用户需求的理解。以前市场愿意投 SaaS，是觉得垂直领域里有 knowhow、有数据。

到了 AI 时代，信息套利的空间被大幅压缩，大家对模型的理解和应用速度差不太多。今天锤子明显溢出，钉子却不太足。他观察到应用创始人的一个通病：今天都出来讲 agent，明天讲 proactive agent，后天又讲 harness engineering，讲的都是锤子相关的事。他希望听到更多从用户需求、从具体场景出发的、从钉子出发的产品和项目。

随波逐流，别为了融资讲故事 17:12

第二个建议是随波逐流。曲凯把这句话解释得很具体：随模型的波，逐资本的流。这个浪太强了，创始人要默认今天做的事情当中只有一部分值得坚持，更多精力要放在锻炼团队和组织上，不断转型、寻找新机会，不断尝试用更好、更新、更智能的方式服务同一批用户、解决同一类问题。

他补充了边界：随波逐流并不意味着像 Web3 那样不断换热点、不断炒作。

第三个建议是不要纯粹为了融资讲故事，不要过度迎合投资人的口味，最终还是要回到用户和问题上。他讲了一个最近发生的例子。好朋友莫子皓在做 Ambi，一个软硬结合的产品，想改变人和 AI 现有的交互方式，最终收集更多线下的 context，让智能真的平权。

前一阵子 Ambi 融资，曲凯下意识地建议他讲讲模型的故事，投资人爱听。莫子皓反问了一个问题，大意是：他们随时能招到很好的算法人才、训模型的人，团队自己之前就有训模型的能力和经验，工程做得很好，产品体验也很好，未来也定了要做模型，那今天为什么非要讲模型？曲凯说他下意识想讲，是因为要融资，但最终这句话他还是说不出口。

资本的热点是模型，今天讲模型、做模型就一定对吗？创始人一定要被融资这件事逼到说一套做一套吗？他的答案是回到用户价值。他自称是用户价值的原教旨主义者，所有公司的价值最终都要回归到为用户创造的价值上，中间经历高峰和低谷都很正常。

他拿 Manus 举例。这家公司经历过 5000 万美金估值、聊遍市场没人投的时候，也经历过 1000 万美金还被机构拖延和压价、最后估值不到 1 亿美金的时候。风水轮流转，足够强的团队总能在夹缝里找到机遇，最终打一个翻身仗。但凡给一个机会就能抓住，这是优秀的人的能力。

他还引了 Codex 周边应用负责人在另一期播客里的说法，并给了自己的解读。

今天所有的产品和创始人，都是模型的期权。

曲凯的理解是，今天所有的积累都会在未来的某个时刻兑现，随着模型能力成熟，期权最终会变成有价值的资产。重点在于这个过程里期权别清零，别爆仓，也别主动把期权卖了。不断学习、不断积累、保持良好的现金流，这几件事非常重要。

疯狂里能抓住的常识：IBM、运营商和佩蕾丝的曲线 21:16

最后一部分，曲凯回到自己对整体市场的看法。

过去一段时间，二级市场里英伟达产业链的涨幅惊人，智谱的市值涨到万亿港元，具身智能和世界模型这些领域的火热程度像梦回 2021 年的 SaaS 市场。也能看到一些炒股财富自由、对外讲已经退休的案例。这些是不是市场走到阶段性尾声的标志，他没有定论。

他自己也在想一个问题：资本从语言模型到图片模型、声音模型、视频模型，一直到今天投到世界模型，之后还有什么故事可讲。世界模型几乎就是最后一站了。具身智能和世界模型什么时候真正跑进产业，他同样不知道。

但他相信一些更底层的规律。模型会不会一家独大，会不会出现超级巨头，会不会把所有应用都吃掉，这些问题在理性层面都可以讨论，回到常识，他相信合久必分、分久必合，市场里不会有一家公司长期独大。他不相信一家模型公司能长期沿着万亿、十万亿、百万亿的路径一直走下去，并且最终吃掉一切。他还相信另一条：当大多数人都隐隐觉得这个市场有些不对劲的时候，这个市场就真的有些不对劲。

历史给过他参照。IBM 当年靠 MIPS 这种模式收 CPU 算力的钱，收了很久，也赚了很多钱，跟今天按 GPU、按 Token 收费是一个道理。像他这样上了一定年纪的人，都经历过运营商靠短信和流量赚钱的时代，现在正在经历英伟达产业链和模型公司靠 Token 赚钱的时代。他专门去搜过，运营商在短信和流量上赚了将近十年的钱，直到移动互联网的 IM 聊天软件出来。AI 从 GPT-3.5 算到今天接近四年，演进速度明显快于历史上任何一个科技周期。

未来会怎么走，他列了几种可能。Token 免费，或者价格足够低，低到大家能用广告模式赚钱；智能平权的时代很快到来；到了那一天，会有很多人出来讲模型要倒霉了，我们现在只看应用。这些都有可能发生。

他最后搬出经济学家卡萝塔·佩蕾丝那本《技术革命与金融资本》。书里说，历史上几波大的科技革命都经历过导入期、转折点和展开期，导入期里包含爆发期和狂热期，转折点类似 2000 年的互联网泡沫，展开期则是技术真正铺开、走进经济社会各个角落的阶段。如果 GPT-3.5 代表爆发期的开始，那今天到底站在什么位置？还在爆发期，还是已经到了狂热期？转折点距离我们还有多远？

这期节目没有给出答案，但给了几个能带走的坐标。

做应用的人，先把注意力从锤子挪回钉子。模型能力溢出的时候，对模型的理解不再稀缺，对用户需求的理解依然稀缺，这是国内应用公司数量少、ARR 上不去的一道真实门槛。想出海就真的出海，别把出海当成融资话术。

融不到资的时候，守住现金流和用户价值。曲凯那句关于期权的解读值得记住：积累会在未来兑现，前提是期权没被清零，也没被自己主动卖掉。

看这个市场的人，把模型公司的领先当成一个会反复易主的变量。Google 从被骂到被追捧再到被放弃只用了一两年，智谱从落后走到第一，Anthropic 半年超过 OpenAI。谁在今天领先，说明不了半年后的格局。当所有人都觉得某件事已经确定的时候，佩蕾丝那条曲线提醒我们，狂热期之后还有一个转折点。

网页版：https://42zhangjing.qiaomu.ai/ep/6a5b98a66356eb2d9be4ad2c.html · 原节目：在小宇宙收听 · 精读由 AI 基于节目转写整理。

他更早的身份是创业者。自己办过互联网猎头公司 Offercome，2017 年公司被字节收购，人也顺势进了字节。现在他重新出发，做一款 AI 招聘产品。这期播客里，曲凯和他把组织建设拆成两半聊透：人怎么运转，人和业务怎么一起运转。

里面有不少和主流拧着来的说法。创业公司搞绩效体系是浪费时间，职级体系也没必要；组织建设八到九成的时间该花在招聘上，招聘里最重要的环节是背调，谈 offer 最重要的也不是钱。他还说 OPC（一人公司）是对时代和自己的浪费，这一波 00 后创始人跟 90 后正面打是吃亏的。

同一套底层观念，两套反着来的操作 0:02:01

刚进美团的人常有一种错位感：薪酬政策、绩效规则、招聘理念，很多地方跟字节像是反着来的。魏小康的解释是，两家公司研究的其实是两种完全不同的生意。

字节是短周期、短链条、高毛利率。美团是长周期、长业务链条、低毛利率，公司把自己定义成零售加科技。他还给了一个更狠的判断：中国互联网真正懂零售这门苦活怎么干的，只有美团和拼多多，阿里和字节更强的是把广告做好。

生意的形状不同，组织的形状就得跟着变。刨到最底下，两家公司的文化和创始人的底层观念又是一样的。

所以他把话题先落在人身上。张一鸣和王兴这样的人有什么共性，他列了五条。

第一条，学习能力强，而且好奇心重。这两件事经常被混为一谈。有些人学习能力很强，但对新东西没有探索欲望，那是被应试教育磨掉的。贝索斯在普林斯顿读物理，和一个同学算一个偏微分方程，算了三小时没结果，另一个朋友看了一眼就给了答案。魏小康的判断是，做生意不需要奥赛金牌级别的智商，985 里排前 1% 的水平，甚至千里挑一，就够用了。真正稀缺的是那股追问的劲：为什么必须这样，为什么不能那样。

第二条，ego 要小。他给 ego 小下的定义是又自信又谦虚：各种挫折打不倒，还坚持自己的判断；同时真听得进别人的意见，清楚自己不知道什么。曲凯追问 ego 和自信怎么区分，他的答案是理性、实事求是，加上被现实打磨过。投资人偏爱经历过挫折的创始人，原因也在这，大赛道里的竞争注定激烈，一个没挨过打的人，一个失误就出局了。

第三条，动机足够强。动机可以是让世界变好一点，可以是挣钱，可以是成就一件事。有人讲招人要招穷苦家庭出身的，因为更有动力。魏小康不太认同这个推论，张一鸣和王兴都不缺钱。物质上的苦是一种苦，创业者吃的是另一种苦：这件事特别难搞、最得力的下属被挖走、对手专门盯着你打。

第四条，精力好。雷军不怎么运动、睡得也少，依然能开一整天会。

第五条，能不能把整个组织建起来。这一条决定公司能走多远，靠一个人肯定不行。

他还转述过一位创始人在 2021 年内部做的一次分享，大意是：要清楚认识到，我们只是时代浪潮上的一朵水花，因为有这个浪，我们才起来了。这话听起来像套话，魏小康说当时他非常理解。智商够用，看清一个行业，赶上一个浪潮，剩下的就是坚持下去，运气别太差，做出事业是大概率事件。

组织建设这四个字，到底指什么 0:09:55

组织是个特别大的词，行业里、学术界都没有公认定义。上一代有阿里的六脉神剑和政委体系，腾讯有和一位教授共创的杨三角：员工能不能、愿不愿、容不容易。字节和美团内部对组织怎么建有过大量思考和实践，只是从没对外公开讲过。

魏小康按自己的观察给了一个拆法，只有两块，占掉公司和团队最多时间精力的就是这两块。

• 人怎么运转起来。按一个人的流程走，是选、用、育、励、汰；按 HR 模块走，是招聘、文化、薪酬、绩效、职级。
• 人和业务怎么一起运转。偏业务管理和项目管理：目标怎么定，怎么拆到每个人头上，怎么形成合力，怎么识别谁做得好谁做得不好，怎么激励和迭代。字节用 OKR，美团学的是亚马逊那套运营计划。

曲凯问，创业公司一开始目标就简单，有必要拆这么细吗。魏小康说问题不在细不细。哪怕只有三个人干活，你理解的和其他两个人理解的很可能不是一回事。十个人的公司，你去问每个人公司在做什么、这周要做成什么样，答案大概率各不相同，光信息损耗就超过一成。

他的建议是按业务形状选工具。短平快的业务，OKR 很好用，把 O 和 KR 对齐，一层层拆下去。长链条的业务，比如今天很多 AI 改造传统行业的项目，线上线下牵扯很多，更该参考亚马逊和美团那套运营计划，几十人、几百人甚至几万人的协作都能撑住。每月花几个小时讨论，能帮大家省掉一成的时间。

文化要，绩效和职级先别碰 0:13:59

文化是公司的基石，却不需要花很多时间。字节管它叫字节范，美团叫领导力原则，说的都是一件事：我们到底怎么干活。

有意思的是，头部公司的文化高度雷同。字节讲坦诚清晰、追求极致，美团讲敢于说真话、勇于听丑话，讲追求卓越。再去看沃尔玛、宝洁，内容也差不多。因为能把事做成的科学方法本来就相似。

怎么保证大家真的坦诚、真的实事求是？办法很土：十几个、二十几个核心的人这么干活就行。公司几十人时，几个创始人这样做，明确反对不实事求是、反对不追求极致；公司几百人时，那二十几个人这样做，下面的同学自然跟着学。文化在这个阶段很重要，最重要的是以身作则，并且敢站出来说我们反对什么。

绩效体系，他的态度更直接：创业公司不需要搞，纯粹浪费时间。大厂那套 360 评估、一层层 review、谁三个月谁八个月，前提是人多到老板一眼看不到一线。创业公司的老板和几个合伙人就坐在能看见最前线的地方，判断谁干得好谁干得不好、该给多少钱，本来就该是他们的日常。判断不出来，这公司不该开。

另一个现实是，发展理想的创业公司增长很快。估值一年翻五倍十倍，一个从年薪一百万变成三四百万的场景里，谁多拿两个月少拿两个月，影响没那么大。不公平确实存在，但薪酬背靠背，大家也都涨了很多。这个阶段要的是速度，等公司大到一眼看不到底、增长放缓、需要更科学更公平的时候，再上这套东西。

职级体系他也认为没必要。职级本质上是告诉大家每个阶段的人该长什么样、该往哪努力。AI 这个阶段，那个样子全球没几个人讲得清；搞起来又极费时间，员工会奔着晋升标准去做业绩、写材料、参加评审。有那时间不如好好搞业务。

培训这块，字节和美团都很重视培养人，但两家有个共同的底层理念：人是培养不出来的。人是打完仗之后筛出来的。美团有个 721 说法，人的成长 70% 靠打仗，20% 靠跟着优秀的前辈学，10% 靠公司组织的培训。培养确实能起那一成的作用，最重要的是给战场。尤其在 AI 时代，工作十几年的人和工作三五年的人，对很多新东西的理解可能差不多，谁上过战场谁就长出来。

招聘的五个环节，八到九成时间花在前两个 0:18:39

人的模块里最重的是招聘。魏小康把它拆成五步：想清需求，找到供给，做出判断（笔试、面试、背调），谈判，入职跟进。

他看到的普遍毛病是，创业者和中高层把大量时间砸在面试上，前面两步却很敷衍。正确的比例倒过来：想需求和找供给，应该吃掉五成到八成的时间。

这里有个悖论。需求彻底想清楚很难，可就算你今天想清楚了，一个好人也要三四个月之后才进得来。所以每隔一个月左右，创始人要反复问自己三件事：我的业务问题对应需要什么样的人，要几个，什么时候要。想清楚就开始提前储备，甚至提前招进来。大部分人是业务出问题了才想起招人，这个局神仙也救不了。

扩供给是整个招聘乃至整个组织建设里最重要的事，没有之一，直接决定组织能建成什么样、能不能打赢。它本身又分三问：什么是好供给，我需要什么样的好供给，怎么扩、怎么搞定。

第一问是先做市场盘点。你搞多模态，或者搞偏硬件，市场上做这块的公司有哪些，谁做得好谁做得不好，这些公司里大概有多少好手。盘完还要认清现实：你可能压根不需要大厂里这个方向前 3% 的人，当下这个阶段中上水平就够用。

招熟手还是招年轻人，取决于业务。做 AI 电商，线下供应链已经成熟，挖一个懂供应链的熟手，快速把资源配齐，最理想。打全新的东西，比如 AI 时代的搜索怎么做，新手和老手的差距没那么大。

能打赢仗的人长什么样？魏小康说，基本是弱化版的创始人。985 里前 5% 到 10% 的智商足够，ego 小一点，更勤奋，精力更好。年薪一两百万以内，前面那些特质没有短板、有一两个长板就够；过了两百万，拉开差距的只剩两件事：动机和精力。挣两百万和挣四百万，对生活质量没什么实质差别，能让人在误解、挫折、对手围剿里坚持把业务做下去的，是动机。

选择也掺在里面。同样是 2023 年前后，去字节豆包、去 MiniMax 或智谱、留在上一代产品里做算法，两三年后回报能差十倍甚至百倍。中间从 MiniMax、智谱跳回大厂的人也不少。

有创始人会想，招一批人丢到战场上，打出来的留下，没打出来的淘汰。魏小康不认这套：组织要服务业务，淘汰不该成为目的。创业公司资源不充沛，前几年没资格这么玩。现实做法是按业务痛点凑一支把事做成概率最大的队伍，先招差不多好的用起来，这是节奏问题。

这也是他看好 90 后、95 后创业者的原因：他们打过一段时间的仗，之前创过业、招过人，手里有前下属、有同学朋友，能很快把班子搭起来。熟手跟不上公司节奏怎么办？先招进来，该给的给到；一两年后安排难度低一些的岗位，前提是文化没问题；完全跟不上就好聚好散，期权给足。

扩供给最难的是触达。把所有资源用起来：自己的圈子够不够大，社交平台上有没有影响力，亲友能不能帮你内推。创业公司影响力不够，跟大厂抢人天生吃亏，熟人社交圈的内推是最重要的渠道，其次才是猎头和各种招聘网站。熟人推荐还有个附带好处，背调顺手就做完了。

面试会看走眼，最值钱的动作是背调 0:27:08

判断环节里，魏小康把权重压在了背调上。理由很实在：这些大佬的面试，至少有一到两成是错的；创业公司看走眼三分之一，是最低的估计。

曲凯提了个相反的经验：聊三五分钟大概就能知道对方是什么人，准确率还不低。魏小康说，遇到好人的时候确实一眼能认出来，问题出在另一头。一个五六十分的人，或者某个方向上有严重短板的人，只要精心准备，很容易让你觉得他有七八十分。曲凯补了一句更微妙的：90 多分的人和 10 分 20 分的人有时候会混淆，都是极端值，反而难判断。魏小康同意，表达能力强的人尤其难判，公司里共事一两年的同事做 360 评估都能评出巨大差异，何况一两个小时的面试。

所以他建议创业公司把力气放在背调上：找他的前主管，找跟他合作过、且你自己信得过的靠谱的人，把这个人到底什么样问清楚。

谈判环节，钱反而是次要的。谈 offer 的核心是谈预期。来创业公司的人大致两拨，一拨去不了大厂或者不爱去大厂，一拨奔着创业团队来。后者为的不是一点现金涨幅，否则就会出现为了三千八百五还是三千四百五来回拉扯的场面。

他见候选人最关心的问题是：未来三五年你到底想要什么，我能不能给你。剩下的钱都好谈。他甚至认为，今年之后的每一天都是最好招人的时候，AI 越发展，供需越紧张，今天给多少钱都是赚的。

难点在于，很多人自己不知道想要什么。曲凯说他聊过不少已经财务自由的大厂人，仍然在为这个问题纠结，年轻人更不知道，嘴上说想要成长，说不清成长是什么。

魏小康的做法像一场心理咨询：跟他一起分析现在处在什么阶段，未来三五年需要什么，什么让他开心、什么让他不开心。他常问的一个问题是，过去几年里，到底什么东西让你开心，最底层那个东西是什么，是事业上的成就感、影响他人、被认可，还是挣到了钱。想招的往往是比较资深的人，加点钱不会让他真正快乐，得找到最底层的驱动，再结合行业和他的处境，帮他把三五年想清楚。

他的经验是，大厂里八到九成的人没想明白。抛出两个问题就露底：你为什么想离开这？下一份工作你想得到什么、解决什么问题？

曲凯在即刻上写过一句话，他觉得很有道理：不要因为想离开一个地方而去另一个地方。现实里大多数人正是这么跳的，这边待得不舒服，那边正好有机会，赶紧过去。

顺带聊到字节和拼多多的溢价招人。魏小康只谈字节那段时间的做法：一个人原来值 100 块，市场跳槽通常给 120 到 130，字节给 140 到 150，配上大小周；拼多多更狠，给到 170 到 180，单休，加班更长。单看时薪是划算的。这套打法在 AI 时代还成不成立，他说值得商榷。

谷歌养几千人的招聘团队，美团每年换掉一成 0:34:13

很多人以为谷歌招聘团队大是因为有钱。魏小康说因果是反的，谷歌早期、OpenAI 早期，都在招聘上投了足够多的资源。资源投入在前，几千人的团队是打法的前提，钱是后来的事。今天谷歌的招聘团队有几千人，包含正式员工、实习生和外包，字节巅峰期也有几千个 HR。

产能上有个参考值：招研发，一个人带两三个实习生，一年做出 40 个入职，在大厂算理想指标。创业公司招人更难，指标该砍半，20 个。放到 AI 时代，要的都是好手，一个 HR 一年能招到 8 到 10 个好手，每个半月搞定一个，已经非常棒。

曲凯问，三四个人时期的创业公司要不要先招个 HR。魏小康说该招，但这个时代的做法变了。sourcing 应该由业务同学自己做，因为有 AI：写工具去 GitHub、即刻、招聘网站爬，去小红书搜热帖、翻评论区、点进主页，再写个简历筛选工具。你最清楚自己要什么人，找起来也最快。HR 的人脉未必比你广。HR 的主要价值变成 AI 和真实世界之间的连接：找到联系方式，联系上这个人。判断由 AI 加上你自己做。

谷歌和亚马逊代表两套组织原型，正好对应字节和美团各自的学习对象。

谷歌是短链条、短周期、高毛利，打法是先把好人小马都弄进来。它有一个专门的 sourcing 团队，不为具体岗位负责，只负责逮好人。人进来后，由一个不带具体岗位的面试委员会来面，几个人背靠背，不互相影响，面完坐下来讨论：这个人符不符合谷歌的招聘标准。符合就录，招聘团队再去内部找哪些团队合适，同时和候选人商量他对哪几个部门感兴趣。这套东西适合高毛利公司。

亚马逊是低毛利、长周期，得慢慢迭代。每年做很重的运营计划，花一两个月把明年业务要达成什么、需要多少钱、多少人、什么职级、人力成本多少全算清楚，再开始招。面试同样背靠背，另外设一个类似 Bar Raiser 的第三方资深角色，最后一起把牌翻开讨论。硬标准是：招进来的人必须达到现有团队前 5% 的水平。再配合每年强制淘汰 10%，三四年下来团队基本洗过一遍。中间层招好手，其余用行业中上水平的人。

美团学的是后一套。魏小康说这两套方法对创业公司都太重，但背靠背面试这类最基础的理念可以直接拿走。

AI 时代不需要一人公司，但 00 后当一号位偏吃亏 0:40:22

基座模型的战争已经进淘汰赛，魏小康把它放一边，只谈应用层。几亿到几十亿美元估值的公司，几十个人就够，不需要把组织搞得多复杂。

他不看好 OPC。AI 确实能承担增长、运营等很多事，但每个方向配一两个好手，带着 AI 一起干，才更可能做出更大的成就。

OPC 是对这个时代和自己的浪费。

他的类比是，今天最差也是 PC 互联网刚起步的年代。如果你在 90 年代或 2000 年代初非常懂互联网，你该去做社交、做门户、做搜索，没必要做个个人站。

AI 给组织带来的第一个变化是分工方式。产品、前端、后端、测试、算法这些岗位边界在消失，一个人可以从产品一路干到测试，按业务模块切分团队，协作沟通量大幅下降。第二个变化发生在非产研团队：销售、增长、审核的人如果会写代码，团队效率能翻五倍十倍，公司不再需要给他们配产研支援，产研只要把基建做好。整个公司的运转节奏都会变。

选人的硬条件也变了。程序员必须百分之百会 AI coding，其他岗位最好也会。他观察到不少创业公司招的人还做不到这一点，不理解为什么要招。

组织形态怎么选，他给了个坐标轴的思路：按业务链条长短、毛利率高低来分，可能是个三维的图，穷尽不了。谷歌、字节在一头，美团、亚马逊和很多硬件公司在另一头。招聘行业自己呢，周期还算短，链条在中间，毛利率也在中间，对标的大概是上个时代的大型 SaaS 公司或者中等平台公司。

聊到投资人爱投 00 后，他给了不同意见。商业竞争非常残酷，每个赛道留出的时间窗口，长则两年，短则半年一年。CEO 和班子要在这段时间里完成融资、摸清方向、建好团队。00 后刚出校门没几年，认识的人有限，每个方向配一个好手就很难；融资时要面对各种条款、被忽悠的风险；竞争里对手白道黑道都来；业务好要接住技术问题，业务不好要拉着兄弟扛过去。他说这一波从 2022 年 11 月 30 日算起已经走了三年半，需要创始人已经在某些方向上摸索得七七八八、班子搭得不错、还能赚到钱，这个要求很现实。

他的判断是，00 后在四五年后的下一波会做得很好，这一波折腾完就长出来了。未来两三年跟 90 后、95 后正面打，并不公平。大公司里跟着张一鸣做研发做得特别好，和在一个已有强队、融了很多钱的赛道上当一号位，是两件不同的事。

曲凯提到投资人的另一类标签：工作时间长、手握资源的人容易被说油，做事飘在上面；年轻人被说成无知者无畏。魏小康的说法是，要在 90 后、80 后里找纯粹的人，真的想改这个行业，而且人还在一线。曲凯补了一句，成熟，同时又有少年感。

最后他讲了自己在做的事。招聘本质上是一个供需两端匹配的生意，眼下匹配效率很低，这个工作一定会被 AI 化，大幅提效，尽量把人从中间环节拿掉，帮业务主管和招聘同学提效很多倍。他还提到蓝领市场另一个更硬的问题：欺骗。中国的工人、服务员这些蓝领求职者，百分之九十九都被骗过。他希望这一代人能帮中国几亿求职者少被骗，更快找到合适的工作，多赚点钱。

如果把这期内容收成几条能马上用的动作，大概是这些。把你未来三个月要解决的业务问题写下来，对应需要什么人、要几个、什么时候到岗，然后现在就动手找，别等岗位空出来。把通讯录翻一遍，你要的人大概率在二三度人脉里，熟人推荐顺手把背调也做了。面试前先想清楚你要判断的是什么，面试后一定去找他的前主管聊一次。谈 offer 时先问他三五年想要什么，这个问题比薪资数字更能决定他会不会来、能待多久。如果你还在纠结要不要搞绩效体系和职级体系，先把招人这件事做好。

网页版：https://42zhangjing.qiaomu.ai/ep/6a3e50142e335a35a809d5b4.html · 原节目：在小宇宙收听 · 精读由 AI 基于节目转写整理。

这个细节他后来在课堂上反复讲。人在信息里，未必看得见信息。他现在的身份是上海交通大学上海高级金融学院教授，研究行为金融、宏观经济和泡沫，写过《刚性泡沫》《投资者的敌人》《投资者的朋友》，新书叫《非线性思考》。最近他翻译了《1929》，一本回顾美国股灾与大萧条的书。

这期他和曲凯聊了七十多分钟。话题从 AI 股票能不能买，一路走到泡沫的四个必要不充分条件、见顶信号、运气与能力的比例，最后落在财富和幸福上。有个结论听起来泄气：泡沫永远无法被事先证明。真能预测，大家提前跑，泡沫就起不来。但泄气之后还有事可做。朱宁给了一套普通人能用的方法，也给了几个判断坐标。

人的三个弱点，每次泡沫都在场 0:01:27

朱宁把泡沫的根子归结到人的三个特征上。这三个特征根深蒂固，人要么没意识到，要么不愿意承认。

第一是过度自信。人总觉得自己是优秀的投资者，跟巴菲特的差距没那么大，对未来有很强的预测能力。资产价格上涨时，这种自信会被反复强化：我说它会涨，它真涨了，你看我多准。

第二是线性外推。昨天涨了，就猜明天还涨。朱宁说这是人在亿万年进化里形成的思维方式，过去发生什么，就假设它会简单重复。他引了黑格尔一句话：

我们从历史里学到的最重要一点，就是人类什么都不学。

第三是从众。人是社会动物，对股市楼市完全不了解也没关系，看见周围足够多的人在买、在赚钱，马上就能说服自己这事正确且应该做。卡尼曼管这叫启发性思维：看见什么、听见什么、别人在做什么，就据此决策。

曲凯补了一个观察。一个趋势刚起来时，往往是个好东西，大家认可它是大方向。涨到中途，开始有人喊泡沫，喊的人一直观望，一直觉得涨太多。最后终于忍不住进场，泡沫就破了。

朱宁说这很现实。他的导师席勒在 2000 年写过《非理性繁荣》。泡沫没破的时候，它叫非理性繁荣；破了，大家回头叫它泡沫。

泡沫没法证明，但仓位可以安排 0:05:04

既然事先说不清，普通人能做什么？朱宁给了两件事。

第一，尽早参与，多元配置。不管看好不看好，先配一部分。涨了高兴，没涨损失也有限。大量的人恰恰相反：早期觉得自己看得准，不参与；晚期看见别人赚钱，觉得自己踏空了，要把失去的时间和钱补回来，这时候进场，往往踩进陷阱。

第二，别想赚全世界所有的钱。巴菲特年轻时靠交易可可豆赚过钱，晚年却常讲，全世界一定有人靠炒可可期货发财，但那不是我的风格。朱宁从这句话里读出的意思是，人不能贪心到想赚每一分钱，越想赚所有钱，越容易犯认知错误，不但赚不到大钱，还可能亏大钱。

曲凯提到一个二级市场朋友的回答：别赌它涨还是跌，想好涨了怎么办、跌了怎么办。朱宁很认同。五年前有人问他房子还能不能买，现在有人问 AI 股票还能不能买。他的回答是，这个问题问错了。该问的是：买了之后多赚这笔钱，对你有什么意义？如果亏了，对你的生活有没有冲击？

把「会不会涨」换成「涨跌之后我怎么办」，这是普通人少数能控制的事。

巴菲特还有个合伙人的故事。三人一起创业，除了巴菲特和芒格，还有里克·盖林。盖林跟他们一样聪明，但总想一天吃成胖子。七十年代炒股加杠杆，为了筹措流动性，把股份廉价卖给了巴菲特。这笔交易一定程度上成就了巴菲特。

朱宁说，长期看，短期多赚五个点、十个点没那么重要。重要的是不出现重大回撤，长期保持正确的投资理念。巴菲特想得最多的是最坏情况发生时会不会亏钱，守住底线。

卵巢红利，和波谷入场的人 0:10:26

曲凯问了一个尖锐的问题：巴菲特如果没生在美国，会怎样？

朱宁说这个问题他也问过席勒。席勒最想知道答案的问题是：投资成功里，运气和能力各占多大比例，也就是贝塔和阿尔法各占多少。朱宁的判断是，贝塔不可或缺。巴菲特自己讲过，他和芒格成功最重要的原因是「中了卵巢的红利」，生在美国，是白人，受过良好教育，赶上美国经济增长。

但贝塔好的人多了，为什么首富是巴菲特？朱宁说，金融圈有句话，你永远挣不到认知以外的钱。有人靠运气赚了钱，后来可能加倍还回去。利弗莫尔 1929 年做空市场赚得盆满钵满，之后更加自信，继续加杠杆做空，几年后爆仓，结束了生命。

贝塔永远比阿尔法重要，但贝塔好的人很多，首富只有一个。

北欧有一系列研究，跟踪同卵双胞胎一生的投资、储蓄和冒险决策。基因一模一样，成长环境不同。结论是基因仍然排第一位，但后天教育、环境也有很大影响。朱宁说两者都不可偏废，非要挑一个，大势和基因排第一。

曲凯提到另一个研究：经济不好的年份毕业的应届生，平均财务水平一辈子可能都赶不上经济好年份毕业的人。朱宁补充了斯坦福一位劳动经济学教授的研究，结论更有意思。那些在市场低谷时进入华尔街的人，长期反而发展得更成功。

三个原因：低谷还愿意进，说明真的喜欢；低谷还能进得去，说明能力出色；进去之后赶上下一波大浪潮。

朱宁自己的经历也类似。1997 年去北美留学，经历了互联网泡沫；2008 年在雷曼兄弟做高管，亲历破产；过去十年在国内看房地产。他对投资和财富的理解是一层层加深的。

他常跟年轻人讲，理财要早。开始没赚钱，赚的是经验和能力，某天会变成钱。巴菲特 95% 的财富是 65 岁以后赚的。一是那时候基数已经很大，二是他对投资的理解更深了。

还有个反直觉的发现：散户在牛市里明显跑输大盘，熊市里反而谨慎，不容易犯大错。牛市情绪一来，觉得自己在赚钱，其实赚得远不如简单买指数基金。

见顶的信号，和你在哪个圈层 0:25:12

朱宁说，预判泡沫见顶可能是行为金融学的圣杯。伯南克说过大萧条是宏观经济学的圣杯，这个类比他自己常用。

有一个研究流派关注价格上涨的斜率。斜率为什么重要？因为它消耗资金。市场资金有限，涨得太快太猛，消耗太大，就不可持续。

朱宁观察到，2008 年之后泡沫变多了。量化宽松，2020 年疫情后又一轮量化宽松，钱多得没见过。安全资产收益率太低，大家被迫冒险、投机、加杠杆，资金大规模搬家。

但顶部没法预测。2015 年股灾时他写过一篇文章，叫《泡沫中不能说的秘密》。秘密就是不能说什么时候见顶。因为一旦说了，就实现不了。那年大家说至少能涨到 2008 年的 6100 点，结果 5100 点就上不去了，总有人革命意志不坚定，提前撤了。

你永远无法在泡沫里预测顶端，因为你一旦预测了顶，就实现不了。

他用博弈论解释：你一旦预测了顶，顶就实现不了。泡沫之所以存在，一定因为还有人相信它不是泡沫。只要还有人信，泡沫很可能还没见顶。

反讽的例子是老虎基金。2000 年三、四月，创始人清盘。此前一两年他一直做空纳斯达克，被市场压垮，说我不干了。前脚清盘，一两个月后纳斯达克见顶。当所有认为这是泡沫的人都被现实压垮，开始承认自己可能看错了，往往就是最后一棒。

当最坚定的空头开始翻多，那可能是最后一棒，别当成好消息。

长期信号也有。1929 年成功逃顶的犹太裔投资者巴鲁克说过一句话，经济史学家到今天还在重复：当乞丐、擦鞋匠、美甲师都告诉你股市能赚钱，市场就离见顶不远了。曲凯接了一句，现在的版本是小红书。

然后聊到圈层。朱宁说圈层决定两件事：你能不能听到新趋势，以及你什么时候听到。散户的信息来源主要不是研报和调研，是亲戚朋友、社交媒体。信息像瀑布一样往下流。核心圈三年前就知道 AI 有前景，PE 圈两年前介入，二级机构去年先知先觉，散户现在才听说光模块，听说「站在光里」。这时候光可能已经被透支了。早期进入的人成本低，后来的人接盘。

2015 年有人看了「4000 点才是牛市起点」就卖房炒股，连市盈率都不懂。圈层不只决定知识和能力，还决定你跟谁竞争。

投资是一项反人性的活动，也是一项竞争性的活动。

这是席勒给《投资者的朋友》写的序言里的话。朱宁常问投资者：你赚的钱从谁身上来？巴菲特也讲过，坐上牌桌玩了一会儿，还没发现谁是傻瓜，那你就是那个傻瓜。

AI 平权，指数基金，和价值投资 0:35:51

曲凯问，AI 会不会让这次不一样？信息差变小，散户能力变强？

朱宁说会。AI 是伟大的技术，互联网实现了信息平权，AI 正在实现能力平权。原来你查得到但懒得查，现在有 agent 帮你查。

但有两个方向要看清。第一，市场会越来越有效。越来越多散户通过指数基金投资。这一轮美国和中国都一样，买指数的人表现很好，做个股的人看到的是下跌股票比上涨股票多。指数还在涨。资金会加速向 ETF 和机构集中。

第二，机构有专业投研和 IT 优势，更关键的是机构设置能约束人犯错。基金经理不是不犯错，是机构流程让他少犯错。散户会犯行为偏差，这是人的本性。

AI 带来能力平权，也带来两种幻觉：大模型的幻觉，和散户以为自己跟机构没差别的幻觉。后一种幻觉可能诱导散户犯更大的错。

曲凯问，价值投资是不是失效了？朱宁说，如果把价值投资定义成用低于企业价值的价格买入，它永远没错，也永远没失败。你买七姐妹，只要真知道它的价值，买得低于价值，又有巴菲特的耐心和资金长期持有，你肯定赚钱。

变的是两点。第一，你拿什么标准衡量赚钱？过去两年很多人跑不赢纳斯达克。第二，你用什么时间维度衡量？六个月、两年、二十年？用任何一个两年的维度评价巴菲特，他很多时候都跑输大盘。拉长到六十年，他成了传奇。

98 到 00 年互联网泡沫，08 年金融危机，这两次巴菲特都被嘲笑。事后看，长期耐心价值投资笑到了最后。朱宁说，投资是马拉松，不是百米赛跑，看谁笑得久。

话题转到 AI 和就业。朱宁说冲击不可避免，最先被冲击的甚至不是白领蓝领，是 AI 自己的发明者和程序员。更大的挑战在下一阶段：AI 会不会有意识，会不会凌驾于人类之上。他认为不能排除这种可能。

人能做的有两件事。一是回到人性，把同理心、慈悲心这些东西放进 AI 的治理框架，建立底线。二是认真考虑 UBI，全民基本收入。群体性失业可能很快变成现实，这是必须解决的问题。

但他也说不要危言耸听。蒸汽机出现时、互联网出现时，都有恐慌。2000 年互联网泡沫还有一个背景是千年虫恐慌。美国最近公布的就业数据出人意料地强劲，和年初的悲观预期形成分歧。

他给年轻人三个建议：拥抱技术；相信国际合作和治理；利用 AI 去追求自己真正喜欢的事。他说自己挺喜欢画画，但根本不会画，现在可以让 AI 帮他做出属于自己的作品。人的很多基本技能训练，第一次变得没那么重要。

四个必要不充分条件，AI 已经集齐 0:46:25

曲凯问，宏观政策、大的资产类别和叙事之间是什么关系？

朱宁从《1929》讲起。书里有一个反事实的历史视角：如果胡佛不是总统，如果某件事没发生，大萧条还会不会来？历史学家尼尔·弗格森做过这类研究，结论大体是历史仍会按自己的方向走。政策反映当时的经济现实和社会心态。

联储的政策能熨平短期周期，甚至能在 2000 年互联网泡沫破裂后迅速把美国经济拉出来。克鲁格曼批评过，说这是吹了一个房地产泡沫，给互联网泡沫买单。现在为了给房地产泡沫买单，又吹出一个 AI 泡沫。朱宁说结果可能不会差太多。市场有很强的生命力，政策能扭曲、能熨平、能短期控制，长期趋势很难改，背后是人性。

他去年就开始讲，美股这个估值水平很难维系。过程可能很长。今年纳斯达克不涨了，七姐妹还在涨。索罗斯的反身性在这里有用：会不会涨，一定程度上取决于人认为它会不会涨。席勒写过《叙事经济学》，叙事非常重要。

AI 基本填了互联网泡沫以来所有科技泡沫该填的选项。它还有一个特别的地方：真赚钱。当年很多互联网公司不赚钱。这让它看起来更可持续。

但朱宁提醒，赚钱和值这个估值是两回事。他承认 AI 是伟大的颠覆性技术，但在商言商，做金融的人最看重账算不算得过来。联储的利率水平、资金的紧张程度，最后可能在某个点上成为压垮骆驼的最后一根稻草。

曲凯补充，现在赚钱的是 Anthropic、OpenAI 这几个模型公司，用他们模型的人好像还没有很明确地赚钱。

聊到叙事，曲凯问，一个东西的价值是本身就有，还是叙事赋予的？他拿具身智能举例：几年前大家觉得不靠谱，后来形成共识，拿到很多钱。钱足够多，可能让一个没那么靠谱的东西变得靠谱起来。本来要五年十年，钱多了十倍百倍，时间被压缩，反过来验证了叙事，形成闭环。

朱宁说，技术仍然是第一性的。大树可以施肥浇水长得快一些，但长不到天上。他常问一个问题：人不是长成人这个样子才统治世界的，具身机器人为什么一定要长得像人？他对这个技术保留很多疑问。

但资本会加速技术进步。泡沫的好处是极大加速投资周期和新技术进步。互联网 98 到 00 年造成巨大浪费，这些浪费对后来的 Web 2.0、Web 3.0、AI 都有贡献。叙事也塑造资源配置。中国房地产的叙事一改变，连清华、交大学生的专业选择都变了。叙事调动的不只是钱，还有人的能动性。

他的结论是：叙事做的是推波助澜，无中生有谈不上。AI 在技术、应用、社会层面都有真实进步。

然后他给出泡沫的四个必要不充分条件：

• 一定要有新概念、新产品或新技术。泡沫不会发生在大家已经很熟悉的事情上。
• 一定要有非常宽松的流动性，市场上有很多钱。
• 一定要有政府支持。朱宁说中美两国在这一点上高度一致。
• 一定要有缺乏经验的投资者，尤其是年轻投资者。每一次都是年轻人看到技术的未来，愿意用真金白银去投。

但他强调，条件凑齐也不一定破，历史上有例外。六七十年代的电子管行情，涨了很多，后来也跌，但没有腰斩。后来赶上漂亮 50，美股又涨到 70 年代初，直到中东石油危机才大调整。

下跌幅度决定事后叫不叫泡沫。跌 20% 叫调整、叫熊市。朱宁个人给的标准是跌 40% 到 50% 才算泡沫。

现在美股的估值是历史第二高，仅次于 2000 年互联网泡沫，比 1929 年高 20% 左右。如果相信历史会重复，他认为这是泡沫。如果只跌 20%，他会觉得挺健康。

财富是责任，幸福有两个定义 0:59:40

曲凯问，看了这么多暴富和破产，对财富和人生有什么不一样的看法？

朱宁引了伍迪·艾伦电影里的一段对话。一个人说，你知道富人跟我们不一样。另一个人说，对，他们钱比我们多。

他说财富只是人生的一部分。挣钱是为了活着，活着不是为了挣钱。艾科卡讲过，你挣再多钱，一天也只吃三顿饭，睡一个房间。物质追求推动社会进步和技术进步，但只是人生的一部分。

赚钱是为了生活，生活不是为了赚钱。

他近距离观察过很多成功人士。成功人士有普通人有的挑战和困惑，还有很多普通人没有的挑战和困惑。能力越大，责任越大。钱也是一种责任，未必越多越好，未必每个人都驾驭得了。

还有中彩票的研究。美国、英国的心理学家跟踪中了大乐透的家庭，结果很一致：中奖没有提升生活质量，反而带来很多挑战、问题和麻烦。朱宁说，财富像《魔戒》里的戒指，会找到它认为应该拥有它的人。与其追求财富，不如提升自我，学会和财富和解，享受生活这个旅程。

曲凯问，你研究这么多年，做决策跟大众有区别吗？

朱宁说自己犯过很多大家都犯的错误。有两件事他比较满意。第一，好奇心强，想更多了解世界。了解人性的弱点和决策错误，能帮大家出出主意，这事有价值。第二，他反复讲，了解自己的行为是很好的起点，但知易行难。知道不等于能改。

他讲了雷曼破产前一天的暖屋派对。三四十个朋友，很多是雷曼旧同事，没有一个人告诉他明天公司要破产。他当年可以去别的公司，去雷曼本身就有过度自信、尽调不充分、对世界理解不深的成分。

他说成长和进步，知识是一部分，见识和经验是一部分，有意识地调整和提升也是一部分。小时候上画画课，知道近大远小，看见远处的楼很小，自然就会纠偏，知道它只是离得远。他希望大家的金融素养到了这个程度：看见天上掉馅饼，第一反应是这馅饼不会掉到我怀里，背后一定有我还不知道的风险因素。

曲凯问了一个轻松的问题：做二级市场要修行，要克制，要往理性靠，会不会反而失去很多乐趣？

朱宁引了《华尔街》的台词：你不是来华尔街拯救世界的。行为研究里有个发现，拿过超速罚单的投资者，投资比别人更猛、更积极。有些人在股市里不是来赚钱的，是来找乐子的。但行为金融学的基本假设仍然是，你来股市有且只有一个目的，赚钱。

最后一个问题：如果能带着今天的认知回到年轻时候，会怎么重新选择？

朱宁说，第一，感恩。生在中国，赶上这个时代，非常幸运。第二，希望能尝试更多可能性。年轻最大的宝贵之处是可以摔倒再重来，可以试错。用五千块钱买一个教训，这个教训可能值以后几十个小目标。第三，follow your heart，更忠于自己，更了解自己，做自己认为有价值、有意义的事。压力很大的时代里，财富很重要，但不要让财富成为唯一或最重要的主导因素。

曲凯追问，你接触很多有钱人，也接触很多学生，谁更开心？

朱宁引了卡尼曼。卡尼曼说，人讲幸福的时候，讲的是两个不同的概念：一个是你当时是不是开心，一个是你回忆起来是不是幸福。这两者经常不一样，甚至矛盾。评价幸福非常困难，千万不要把自己和别人比较。每个人背景不同、基因不同、价值不同、爱好不同，人生都是独特而宝贵的旅程。过好自己的旅程就好。

朱宁没有给「AI 股票能不能买」一个答案。他给的是一个替换问题的方法：先想清楚涨了对你意味着什么，跌了对你意味着什么，再决定买不买、买多少。

泡沫的四个条件 AI 已经集齐，见顶信号也出现过几轮，但顶部仍然无法预测。普通人能做的，是尽早多元配置，别在踏空焦虑最重的时候进场，想清楚自己在哪个圈层、跟谁做对手盘。剩下的，交给时间和你自己的认知。

网页版：https://42zhangjing.qiaomu.ai/ep/6a2a808262c3d8534722ac02.html · 原节目：在小宇宙收听 · 精读由 AI 基于节目转写整理。

曲凯的追问很直接：你们为什么转型，小产品为什么没做起来，垂直 Agent 到底卡在哪。梦琪的回答也很直接，她复盘自己的虚荣心、装，和刚拿融资时的「愚昧之巅」，还解释了为什么她后来认为 to B 对自己不是一个值得创业的方向。转向 C 端之后，她又重新找回对软件的信心。

把转写读完，能留下的东西大概有三样：一个 AI 创业者真实的 pivot 路径，一套判断垂直 Agent 和 AI 软件生意的方法，以及一个很朴素的产品观，缩短用户意图和解决方案之间的距离，然后把用户当人。

融到大钱的软件创始人，该给 Manus 磕一个 2:54

节目一开始，梦琪穿了一件 Manus 的 T 恤。她说自己也不知道为什么出门捞了这件衣服，但话题很快落到 Manus 上。她的判断是，去年五月以后融到大钱的软件创始人，都应该给 Manus 磕一个。Manus 让 Agent 这件事在国内变成一个有人愿意看、有人愿意投的叙事，一批做 Agent 的公司因此拿到了高估值。

她补了一句更刺耳的话，那批公司很多做的是 to B Agent，商业模式和过去的 SaaS 没有本质区别，产品不一样，最后还是要让客户买单。流程和商业模式没有太大创新，估值却能高很多。她把这件事归功于 Manus 把 Agent 的势能带起来了。

去年从五月份以后融到大钱的软件创始人，都应该给 Manus 磕一个。

接着她讲自己今年二三月的状态。那段时间她有点扛不住，因为不知道做什么。做什么都回答不了和 Claude 的区别，也回答不了 Claude 生态里有人顺手做一个 skill 就把你干了。她找不到一个站得住脚的差异化逻辑，于是觉得自己「做软件就是脑子进水」。

AI Coding 的进步是指数级的。她年初和 OpenAI 做 post training 的同事聊，对方说内部 80% 的代码已经由 agent 写。但那个人也没有因此更轻松，因为要做的事变多了。梦琪说，这种推背感特别强，没有人预料到模型会强到这种程度，你所有软件的逻辑好像一周内就能被别人搓出一个差不多的东西。

但她马上给了一个反向事实。她估计，过去一年做过 PR 的软件公司里，产品真正能用、运行顺畅、在电脑上能玩起来的不到 10%。Manus 出来一年多，大家当初都说不就是给一个沙箱吗，可到今天，能在工程质量和稳定性上做到接近 Manus 的团队仍然很少。她自己的体感是，这个市场有品牌效应，试了 Manus 和 Spark 之后，可能不会再去试第三个。

曲凯把问题推进一步：如果 AI Coding 这么强，产品这么好做，为什么过去三年真正跑出来、大家认可的产品还是很少。梦琪说，大部分产品没有体验可言，她用了很多产品都是这个感受。她甚至说这个行业里「诈骗公司特别多」，讲出来的价值和用户实际用到的价值不匹配。有些产品火，是因为它真的能交付，不是因为 idea 多么独一无二。

她过年时写过一篇复盘，结论是未来全是明牌。所有赛道都是明牌，没有你想得到、别人想不到的 idea。每个赛道里可能会有一家真的在乎体验、真的会做产品的公司跑出来，这是她乐观的部分。悲观的部分是，在明牌赛道里做出特别明显的差异化，真的很难。

曲凯提醒她，事实和这个前提相反。如果真是明牌竞争，市面上应该有一堆产品大家都在用。现在的事实是，能用的产品很少。梦琪承认这个反差，然后把话题拉回自己公司，开始讲那几次 pivot。

垂直 Agent 的三次错误决策 8:26

invoko.ai 成立之前，团队先做了一个决策：做通用 Agent 还是垂直 Agent。他们选了垂直 Agent。原因很简单，通用 Agent 太拥挤，当时已经有第 18 个 Manus 出现，他们不想加入混战。梦琪当时的自我评价是「太英明神武了，逻辑上太自洽了，怎么讲怎么对」。后来发现，那些特别对的决策都是错的。

第一个错误决策是选垂直 Agent。第二个是选哪个垂直。她当时特别想做 sourcing agent，大白话就是找人的 Agent。一个品牌想给自己找达人，找明白达人，就能找明白候选人、专家，甚至客户在哪里。她把 sourcing 看成一层可以泛化、可以迁移的场景，于是先从这个场景开始做。

曲凯听到这里有一个很深的感触。他觉得现在没有差异化的常常是叙事，产品本身反而没那么缺。sourcing agent 这件事，过去几年一直有人在讲，满大街都是，但没有人做出好结果。梦琪接话说，这也是个错误决定，后面她会解释为什么 sourcing 这件事绝对不成立。

他们选了达人营销，做了两个月，产品上线，拿到一些反馈。反馈来自两类人。一类是创始人，他们需要产品做增长，会给需求。另一类是公司里负责达人营销的人，梦琪管他们叫专业用户。两类人提的需求完全不一样。

创始人说，你别跟我说中间要点什么、按什么，我什么也不想按，你给我结果。专业用户说，不行，中间得可审计，这一步需要我确认，指标我要自己定义、自己筛选。梦琪当时还相信市场上很火的一个概念，蒸馏专家的经验和知识，把高认知能力浓缩成产品，再卖给非专业用户。

又做了一两个月，她突然发现这个产品长得就是 SaaS。她甚至对比了一下，它就是这个行业里八年前 SaaS 公司的产品长相。团队没有高质量数据，用人家的 API，人家洗过数据，然后做了一个差不多的界面。她的原话是「纯属脑子有病」，等于把 SaaS 走过的路又走了一遍。

她复盘出两个原因。第一，如果选定服务专业用户，你就是在给专业用户做工具。你问一个专业剪辑师需要什么样的 Agent，他会一直提需求，直到你长得跟 Adobe 差不多，他才会收手。他对过程的把控非常严谨，产品必然走向 SaaS。梦琪甚至觉得，这个产品还不如原来的 SaaS 产品加一个 AI 弹窗。

第二个原因更根本。sourcing 只占这个行业用户工作的 30% 左右。你在一个巨大的价值链条上，挑了一颗对 AI 而言最容易摘的果子。后面来来回回沟通最浪费时间、最浪费人力，那一段被跳过了。团队当时还有一个梦想，替代 agency 的工作，agency 给客户交付什么，Agent 就应该交付什么。一旦陷入跟专业用户的沟通，这件事就做不了。

产品做到 10 月底，大概三四个月，他们遇到困境。于是想办法不要让它那么 SaaS 化，尽可能交付结果，把后面几个环节也做了。这就遇到拓场景的问题：是往找人 Agent 的方向发展，还是立足达人营销，往其他增长手段上走。

曲凯在这里追问了一句：你们当时想拓，是从融资叙事的角度，还是从什么角度。梦琪说，纯为了多挣钱。曲凯继续问，市场那么大，你们体量还很小，为什么不能先把一件事做到足够好。梦琪承认，他们对搜索场景比较悲观，这个事七八成决定于 API 的数据质量。曲凯说，那背后的潜台词是你已经觉得现在选的不那么对了。梦琪说，对，它不够高价值，等于一个特别复杂的活，你干了比较简单的部分。

曲凯把这层窗户纸捅破：从叙事上讲，你觉得那个不够喂饱，所以要拓。经过两轮问答，实际想法是那个事就是不行，拓只是在延缓对之前事情的否定和放弃。梦琪承认，站在那个时间点，价值点不够 strong，是强度问题，还没到有和没有的区分。

他们当时有两个方向。一个是纵着打，把增长、营销做深，做全链路。另一个是横着走，会搜人就会搜候选人、搜客户。团队在这个决策上做对了，决定纵向做深。梦琪用了一个大饼鸡蛋的比喻：我现在会 sourcing，掌握了面粉和鸡蛋，于是店铺里卖大饼加鸡蛋和意大利面。听起来 make sense，因为都是面粉和鸡蛋做的，但没有人会同时来你店里点这两样。

找人 Agent 的场景很难 cross sell。用了你的 A 功能，很难再用 B 功能。什么人会同时有找用户、找客户、找达人、找候选人的需求，只有 founder。可他们测下来，founder 自己不会用产品。于是团队决定做深增长，做 GUI，做 Reddit 等增长动作，也交付了几个大客户。做到 12 月，梦琪非常清晰地感受到，垂直 Agent 可能不成立。

垂直 Agent 的结构性困局：客户不用，产品成景观 17:08

承认垂直 Agent 不成立，对梦琪很难。创业时她跟所有投资人说要做垂直 Agent，认为它有价值。过了六个月，她发现这事「屁用没有」。她补充说，可能有些垂类成立，比如合规，但她自己和之前工作的创业公司都遇到一个结构性困局。

困局的第一层是，客户其实不用你的产品，可你又想挣钱，于是变成你出一个人去服务他。垂直 Agent 公司在过渡阶段被迫成为一个 agency。她甚至见过更极端的案例：产品做给投资人看，给投资人交作业，真正挣钱靠服务。内部服务的人也不用这个产品。这个产品就变成一个景观，给投资人看的景观。

第二层困局是，垂直 Agent 说破天还是 to B 业务。to B 的组织形态、周期，和这批年轻创业者习惯的形态不一样。在中国做 to B，她说是贬义词，生意非常不好做。在美国做 to B，一个华人能碰到的天花板也非常明显。她专门去美国调研了一个多月，得到一个比较痛苦的结论。

曲凯说，这个不会招人骂，这是客观现实，就像印度人来中国做 to B 也很难。他追问，那个时间点大家都在讲 prosumer，为什么你一直在提 to B，不往那个方向走。梦琪说，大家经常把 prosumer 和 to C 混在一起，他们也犯过这个错误。

他们想过，这么多创业者做 AI 产品都没流量，都想增长，那做一个增长 Agent 不就等于卖铲子吗。你们都焦虑，就来找我要流量。逻辑怎么听怎么对，真做起来，第一个混淆的概念是趋势和现实。prosumer 是趋势，现实里 prosumer 很少，挣到钱的 prosumer 更少。他没挣到钱，凭什么给你钱。做独立开发者生意挺艰难，开发者自己要先吃饱，才能拿一点钱出来搞增长。最有信息 access 能力的 prosumer 可能把 Claude 用得很好，留给他们的机会也没那么多。

转型时她看到两种 AI 软件生意。第一种是做 token 生意，找一批用户，在 App 里聊，一个月出 5 万美金，这就是大 R。她有个同事只做一件事，做大 R 运营，让一个月 5 万美金以上的用户留在平台继续聊。用户量不需要很多。她年底调研 Lovable，发现这个公司用户量没有想象中多，一两万 power user 就完全够吃。

第二种是健身房模式。用户给你订阅费，你赌他不来，或者赌他的 token 打不满。订阅费里算了 credit，留了一些毛利。在高竞争环境下，这种业务很难留特别高的毛利，很难有超额收益，也很难有特别好看的净利润。她最近在 Steam 上看到一些很典型的产品，才把这个思路打开。

做 C 端转型时，她希望产品更有人格，更能跟用户有情感连接，提供情绪价值。做效率工具大家都一样烂，提供情绪价值成了差异点。她系统性地学习智能产品和游戏，因为离情绪价值最近的是游戏。她问在美国做游戏的同学，游戏和生产力之间那堵墙能不能打破。对方说，大姐你孤陋寡闻，Steam 上早就有很多这样的产品。

她举了番茄钟、记土豆、清单、个人习惯培养、ADHD 产品。这些产品用更游戏化的方法做效率工具。点进去第一印象是陪伴，每天来了会默认打开它，甚至有人卖动态桌面。你很难定义它是游戏还是生产力产品。品类会被模糊化，软件如此容易被创造，上限就是想象力。

二月份，公司对 to B 业务低功耗运营，只留一点维护人力，决定不做。梦琪给了两个原因。第一，如果做 to B，她就不应该创业，也不应该融资。她以前做过几年 to B，有客户资源，行业里也认识朋友，不需要融资。第二，这不值得创业。创业应该追求高赔率的事，to B 没那么让她 excited。

她打了一个比方。做 to B 像站在半空中看下面一个棋盘，棋盘有各种格子，每个格子是一个逻辑。你盘一遍，发现这儿有机会，那儿有机会，哪个机会比较适合我，我就干哪个。这完全是逻辑追问、机会追问。她想要的状态是，老娘今天不干这事儿就得难受死，不给钱也干。她不能再以证明自己牛逼的状态去创业。

还有一层，to B 业务不太能吃到新模型带来的能力跃迁红利。to B Agent 公司能吃到最大的红利，是内部开发效能更高，因为 Coding Agent 更强。可你的产品给客户解决问题的效率，有没有十倍、二十倍增长，没有。她觉得自己那会儿左脑用太多，天天盘概念逻辑，被概念骗了，总在推倒，没有用心感受自己想做什么样的事。

虚荣心、装，和愚昧之巅 22:48

曲凯把时间拉回创业初期。那会儿 IO 特别火，梦琪也找了做 IO 算法的人，讲很新的故事。曲凯问，你一开始说要做一个特别牛逼的事，讲 IO、讲算法，最后怎么做成一个听起来非常传统、甚至传统 SaaS 的事情。这是一个逐渐堕落的过程吗。

梦琪说，可能有两个原因。第一个是性感的逻辑在执行的时候可能就不性感。她当时讲 RL 故事讲得挺溜，现在回头看，那是虚荣心，是追风口，是装逼。她甚至招到了一些很厉害的科学家，有些人现在还在美国的 research lab。刚开始创业的很多决策，不基于真正的市场需求，也不基于你想做什么事，而基于我得装一下，我得满足自己的虚荣心，我得展示你看我这么厉害，我有能力把他们招来。

后来公司做了组织调整。她给了一个暴论：大部分纯应用的创业公司不要招任何一个算法，你用不上，快放人家去训模型。让人家待在你这里，纯属给投资人看，说我加了这么一人，动用了点钱，显得阵容特豪华，其实完全没有用。她那会儿虚荣心特别重，有点迎合市场的需求和口味。她被市场二要了，被投资人二要了。投她的投资人非常好，她说如果大家考虑创业，一定优先拿他们的钱。

第二个原因是，事情进入细节之后，再回去看当时讲的逻辑，会觉得有点可笑。逻辑是逻辑，现实是现实，现实很恶心。你就得撅着屁股一个个去交付，一个个去干。可讲逻辑的时候很好玩，比如讲增长这件事，天然所有结果都在互联网上，发的内容有曝光、有互动率，容易拿到反馈信号，对训练模型有帮助。她现在听别人讲这个故事都想笑。

笑的原因有两个。创业公司做个毛线的训练。你确实会有这样的数据，也确实能训，但你训这个东西，和竞品模型厂商随便改一改带来的收益相比，差太远。你还在讲，就纯属讲故事。可她当时在愚昧之巅，觉得刚拿到融资都是创始人的愚昧之巅，觉得自己讲得太好了，怎么这么聪明，怎么这么能造概念，怎么这么能融会贯通。

刚拿到融资都是创始人的愚昧之巅。

等做了事才发现，执行里的细节如此多，如此恶心。做到二月份，她强烈感受到垂直 Agent 大概率行不通。那会儿特别焦虑，焦虑到「活人微死」。她跑到美国待了两个多月，特别想知道，是我想象力匮乏、能力不强，所以垂直 Agent 没做成，还是这件事本身就不成立。她聊了那边各种各样的垂直 Agent 公司，大的困境都挺像，都是结构性困境。

美国的好处是 to B 和 SaaS 本来就能赚钱，那边还能拿到订单。但这次回来，她对美国的创业生态彻底祛魅了。那边跑流水的情况比想象中严重。她举了一个例子，我给你 5 万月付，你给我 5 万月付，互相买产品，这事听起来很低级。现在他们玩得更骚，六个人互相买，机制非常复杂，审计很难审出来。每个人月底都会对她格外亲切，疯狂找她吃饭，因为月底了，想找她冲冲流水。

梦琪没有参与，因为付款麻烦，也不想给自己找麻烦。她要尽可能维持自己的道德标准。曲凯说，如果你真能混进那个圈子，融资 PPT 上可能会有好几个美国头部 SaaS 公司客户。梦琪说，如果创业是服务虚荣心，创业就变成一个非常简单的事。目标函数很清晰，约束条件基本没有。你融到钱能满足虚荣心，招到牛逼的人，甭管他干不干活，你都有虚荣心。这事无比好实现。可如果你想追求自己内心承认我干得真好，目标函数反而比较难。

AI Coding 越强，越要对软件有敬畏 30:21

二月份，梦琪决定转 C。在此之前，公司已经做了一些组织调整，也开始试水 C 端。她不想突然有一天说咱们干 C 吧，能不能干成不知道。她希望这个过程慢慢来，有比较好的过渡，因为团队的士气和信心是不可再生之物，不能一次又一次消耗别人。创始人自己可能还好，但批了三四次也会麻。她要保护好大家对这件事的感知。

在 to B 产品彻底停之前，他们有一个 C 端产品跑出来了。一个浏览器插件，叫 Click，只解决一个问题：浏览器开了一堆 tab，工作时一直切 tab，找信息找不到。它还有写作能力，能跟随光标，随时在光标旁边唤起，帮你写东西。产品特别简单，梦琪能说出 100 个替代品的名字，一抓一大把。可仍然有很多用户喜欢它、用它。

有南非用户反馈，用了这个产品之后，终于能沉浸式干一件事。他写一个文档，可以直接艾特某一个 tab，把 tab 的信息拿过来，甚至艾特 Gmail，把某个客户的上下文直接贴过来。他不需要再找，碎片化信息不再充斥大脑。梦琪自己也是 ADHD，特别珍惜专注时间，特别讨厌每天在屏幕上划来划去，让焦虑一点点叠加，然后愤怒一点点叠加。

Click 的局限是只能在浏览器里运行，不能在客户端运行。用户不只开浏览器，还开 Lark、Slack、各种窗口。团队顺着这个逻辑去做客户端产品，坚定套 Cocoa，不套上一代的东西。这个产品做了三个月，到采访前一晚，第 49 版上线，还有一些 bug，但稳定性已经比前面几版好很多。

梦琪说，越做，在 Coding Agent 越来越强的情况下，反而对软件更有敬畏之心。软件由 15000 个细节组成。你一点点把那一万五千个屎吃掉，多吃一个用户体验好一点，少吃一个差一点。做完这个产品，她反而不焦虑了。二三月份她焦虑裂开，同情所有做软件的人，大家抱在一起聊，感觉下一秒就要哭。现在每天看着待修的问题，她觉得把这些屎吃掉，吃得快，产品体验就更好。

软件就是由 15000 个细节组成的。

组织反而更适合做 C。做 to B 的时候，她发现同学们都挺刚烈，大概率做不了客户服务，会在客户群里抬杠。做 C 端，这种性格反而合适。Click 上看到盈利曙光，用户不是那种一定要把 token 打满的典型用户，场景和人群更像 Monica。

梦琪一开始挺看不起 Click，觉得不就是一个插件，几个按钮，没什么意义。后来用户反馈加上自己学 C 端产品，她发现只要你能缩短用户意图和解决这个意图的解决方案之间的距离，你就有价值。原来用户想用 AI 写东西，要先截图，发给 ChatGPT，写一句 prompt，再把结果复制回来。Click 有一个按钮，按一下，不用说话。按钮代表意图，代表不用写 prompt，代表已经精调过。

她把 C 端产品最后归结为两个字：体验。只要你能保证体验比直接用 ChatGPT、Claude 好，你就有活着的价值。这一代产品可能 70% 的精力要花在交互上。一方面是更快、更便捷、更舒适，另一方面很多交互本身就在提供情绪价值。他们花很多时间研究怎么给用户情绪价值，请美国设计师打磨。有用户说，产品长得跟别的差不多，但有些细节能感觉到你们很用心。

客户端产品都会遇到隐私问题。用户说这个东西要获取这么多权限，好可怕，卸载了。数据存在哪里，说不清楚。隐私协议全是字，用户不会看。他们做了一组漫画解释数据怎么存储，也尽可能做了隐私策略。这是他们第一次认认真真打磨 C 端公司该怎么做用研。

梦琪观察，很多中国这批创业者在用研上做得不够。你跟用户不是一个人种，就像印度人说要给中国人做 C 端产品，你会觉得奇怪，大概率搞不成。他们花很多时间做用研，方法比较粗暴，最大程度用好 Reddit。一方面在 Reddit 里做数据挖掘，拿到静态结论。另一方面发大量帖子，因为静态结论不能跟着你的思考路径动态变化。

他们把每一个产品决策拆成一个决策漏斗，每一层对应要发的评论和帖子。每一个问题大概发 40 到 50 个帖子，再回收反馈。有些跟产品相关，有些不提产品，因为提了产品流量不好。他们单纯讨论需求、讨论痛点，做了大量验证，才去做一些能力。梦琪推荐所有创业者去泡 Reddit，因为一泡就不焦虑。你会发现很多问题没有被解决，AI 这么牛，怎么连 context switching 都没解决。每个人都在吐槽每天在几个 context 里切换，脑子要分裂。

Reddit 帮他们判断优先级：是不是真需求，是不是刚需，有没有人付费，付多少钱，以前产品哪里不好。梦琪是 ENFP，非常发散，恨不得一天给产品提 800 个方向，一天装 800 个能力。用研让她克制。做 to B 产品时，大家都在讨论 Chat UI 和 GUI 怎么结合，她也想追概念，做数字员工，做类似妙记 Agent 的架构。用户说，你吃饱撑的，先解决我问题好不好。

她反思，做产品要克制住硬要装逼和保持领先的心态。今天花 70% 的时间思考问题到底是什么，怎么解决最好。然后再想，要不要了解最新的 AI 概念，把漂亮概念塞进来，更好解决问题。第一性原理是解决问题最短路径，其他都是周边。创业者有很多牵引力，投行、投资人、用户、员工。以后她最大的牵引力是用户，因为用户决定你能不能做出好产品。以前外界牵引力大，用户牵引力小，虚荣心想装，这些都是阻挡好产品的绊脚石。

强锤子时代，拿锤子找钉子会怎样 44:00

曲凯说，过去几年很多创业者太拿锤子找钉子。拿锤子找钉子本身在某个阶段没问题，但不要让它形成既定范式。AI 最大的特点是变化快，锤子不停在变形状。你想用锤子找钉子，就得不断学习这个锤子。梦琪接话说，做 to B 垂直 Agent 时，他们有点强调钉子已经知道了，我要锤这个钉子。然后跟用户说，我这个锤子是雕了花的，是钛合金的。用户说，你别废话，先帮我砸进去。

她还提出一个假设。以前钉子在那里，你看到钉子，发明一个锤子去锤它。以后有没有可能，你有一个特别强的锤子，什么钉子都能钉。曲凯说，这不就是模型吗。梦琪说，她想表达的是，原来用 AI 这个锤子去锤想锤的钉子，有大炮轰蚊子的感觉。仔细算成本，可能比实习生还贵。传统 SaaS 已经能帮客户完成这件事，没必要非用一个很高成本的 AI，最后结果也没有提升很多。

AI 创业者容易有俯视感。看到一个问题，觉得 SaaS 肯定不是最优方案，我要给你一个最优方案，我有 AI，我厉害吧。这像你妈觉得你冷。你不穿秋裤，她说你冷，你说我真不冷，她说你就是冷，你得穿。秋裤就是 AI。用户说，凭什么，你谁啊大姐。越做越会觉得，AI 的经济价值不一定特别高，token 不一定是完全划算的 ROI。

为了给 C 端产品做增长，他们某种程度上又复活了之前的 to B 产品。团队内部要做一个 skill，做达人营销。每天往里面增加七八个细节，比如找达人时某个指标没顾到，某个沟通细节没顾到。它就是一个不断添砖加瓦、不断完善的过程。效果比之前花五六个月所有人 all in 做的产品还要好。它最后真的变成一个数字员工，端到端接到 Lark 里，相当于招了一个达人营销的人。

梦琪定义这个场景的结果：一张 Excel。里面包含你要跟谁合作，这个人报多少钱，我已经帮你砍过价，算了这个人值不值。我还看了内容，跟这个人联系完，拍摄日期、上传稿件日期都帮你做完。这个 Agent 的使命结束。不做 to B 产品之后，最近这些 skill 反而挣钱。分享给朋友，大家都觉得好用。帮别人跑也没成本，丢给 Agent 跑完，把表给对方，没有人力的占用。

她最近才找到一种产品形态，过程产品。你自己有需求，而且需求不离散。找客户要需求，客户今天说两句，明天没空理你，一周后又说三四句，沟通离散，context 有缺失。自己的 context 完整，可以慢慢打磨产品，先服务内部，外部也觉得好用。

曲凯问，你认识的创始人朋友多，这些问题是普世问题吗。梦琪说，这个行业决定软件创业者精神状态的最大牵引力就是 AI 模型的发展。最大牵引力变化，所有人同等权重受影响，大部分人会被迫一直 pivot。客户端产品难做，要适配不同版本、不同型号。团队没定力、没融到足够多的钱，很难有信心坚持到最后。

他们做这个产品时想，打磨得不错可能需要三到六个月，产品寿命会不会只有一年多。那是不是只剩六个多月能挣钱，得赶紧想办法挣钱。这完全改变了思维方式和商业模式，不再画很长时间的规划，不提明年，就看下个月。她因为这个产品被气哭过好几次，调不明白，细节太多。有一次在帕洛阿尔托的 Blue Bottle 调产品，没

网页版：https://42zhangjing.qiaomu.ai/ep/6a100e7da7621e15d0c88337.html · 原节目：在小宇宙收听 · 精读由 AI 基于节目转写整理。

没发出去。Albert 说，这些产品服务自己内部的小问题很容易，拿到市场上服务用户，运营、增长、价值厚度，每一样都过不了他自己那关。直到他做出 merging.live，才觉得可以拿出来聊。

42章经的曲凯把 Albert 又请了回来。上回聊的是连续创业者的阶段性思考，这回聊得更底色一些：模型公司拿走绝大多数价值，剩下的人还能做什么？未来的软件会长成什么样？一个做了几十个产品都没发布的人，为什么突然对一个给创作者提供「回响」的社区如此上心。

压路机前捡钢镚 1:07

曲凯开场就抛出了自己的观察。一个月前大家还特别兴奋，觉得找到了好机会，做得很不错。一个月后再问，不行了，模型能力太强，自己做的事好像没什么价值了，就在 pivot 和 pivot 的路上。

Albert 用四个字概括：「哀鸿遍野」。

不只是创业者，成熟公司也一样。大家的判断是，要么 all in coding 的模型，要么下个时代就出局。价值最终掌握在模型公司手里，分布也由它们控制。

曲凯补了一个刚学来的词：「压路机前捡钢镚」。大压路机要来了，你闪得够快也能捡到钢镚，但它就是个钢镚。

压路机前捡钢镚，你闪得够快就能捡到，但它就是个钢镚。

Albert 认可这个悲观判断有道理。回到创业第一性原理，还是要做价值创造。模型公司创造了绝大多数价值，在边角缝里搞点东西，确实没什么意思。

换个角度，它给了小团队一百倍的杠杆。这是他的第一条裂缝，也是后面所有讨论的起点。

几十个产品，收益是零 7:19

过去两个月，Albert 团队的主线不是做某个产品，是「感受 AI 逐渐变强的过程」。积累是什么？把基建做好，让每个人都能快速做出产品，快速实现想法，快速在自己的生产环境里用 coding agent 提效。

他们内部原来用 Vercel 加 Supabase，要解决后端部署、数据库的问题。现在一体化了，接上公司后端环境，发一个命令就结束。Albert 自己有个想法，晚上九点多想到，凌晨三点构建完，自己就能用。

曲凯问得很直接：为什么不把它当做一个公司运营角度定义的产品，好好把流程做完发出来？

Albert 的回答分两层。服务市场上的用户，有运营、增长的挑战。这些产品价值厚度不够。

曲凯追问：你们自己做的这些东西，真的会持续用吗？会。未来会成为普遍现象吗？

Albert 说这是个分布问题。工具爱好者早就给自己做东西了。有些人会用同事做好的，偶尔做点自己的小东西，数量没那么多。还有相当多数的人，还是在市场上找成熟的标准化产品，因为他没有那么多痛的问题。

别人做的东西拿过来，用 coding 微调一下变成自己用的，比例高吗？Albert 说内部还没发生过。自己搞本来也不复杂，取决于功能复杂度。要看品类，有些品类有个性化需求想改改。关于 fork，现在下结论太早，核心取决于什么类型的产品、你怎么发现它、你的目的是什么。

那两个月里唯一发出去的产品，是让用户上传 AI coding 聊天记录、自动生成画像和个人页面的东西。Albert 当时的思考路径是：将来大家都操作 coding agent，所有计算设备都通过 agent 操作，agent 本身没差别，都是模型能力。差异在哪？在于你跟 coding agent 的对话，你怎么提需求，你在交流什么。

他专门设计了一个模块叫「你拒绝什么」。用 coding 的时候，99% 的情况下你没什么可以教它，非工程师出身的人对方案也没有好的评估能力，都是按建议来。但看一个人拒绝什么，能看出很不一样的画像：有的人对技术架构关注很紧，有的人对 UI，有的人对产品定义。

产品发出去，启发了行业。市场上很快出现了十个同类项目。

哑铃型结构 10:43

曲凯转述了一个他刚听到的观点：未来的软件有可能发展成跟现在的硬件一样。电脑就十个牌子，未来软件可能也是，十个模型或者产品，非常垄断。大家每天用的东西，可能只用几个 coding agent，别的 SaaS 都不用了。

Albert 说，核心是模型带来的智能水平创造的价值太大，模型又是非常重的事，只有有限的人能做。Codex、Claude Code 其实也是模型公司的工具容器。最终掌握价值的就是这么多家模型公司，它们创造最大的价值。

大多数生产力工具可能不存在了。以后可能没有 PS，没有各种 IDE 工具，你只要有一个 coding agent 就可以了。围绕创作领域，它可能是一个画布；围绕非创作领域，它肯定是个 terminal。

模型公司拿走绝大多数价值之后，因为模型能力太强，指挥 coding agent 可以干很多事，每个人都有一些非常逆峙的需求。世界上可能只有一万个人跟你共鸣，但你也可以做，因为成本太低。

创作形式变了，创作群体也变了。能操作 coding agent 的人就是新的创作者群体。门槛足够低，人足够多，原来的中型公司就很尴尬。它们既没有模型公司创造那么大价值，自己的软件积累和成本构筑的壁垒，一夜之间没了。

最后变成一个哑铃型结构：大多数价值在顶端是模型公司，一部分价值在底端充分分散，也就是 OPC。但 OPC 不一定是 one person，可能是两三个人、三五个人，做一个三五十人团队的效率。

模型公司在顶端拿走了绝大多数价值，底端是充分分散的小团队，中间层最难受。这是 Albert 对未来软件格局的基本判断。

软件会像泡泡玛特 13:52

哑铃的底端长什么样？Albert 补了一个转折：在生产力上，用 coding 可能就够了，但日常使用的小型产品会变得更加分散。

传统软件行业很难看到品牌效应。当你涌现足够的多样性，可以在里面创造更多差异化的体验，甚至影响人的情绪。

他举了同事的例子。一个喜欢古文的同事做了一个笔记软件，竖着写字。「我们看就说这他妈谁有需求，但他自己就很喜欢。」这就是差异化。针对这种，可能会非常分散，也可能有溢价出来。

曲凯说，情绪价值占比会很高。像艺术领域，行为艺术，外行觉得随便胡搞了一下，但大家特别认可。

Albert 说：「这不 crypto 吗？就是情绪价值。」

曲凯提泡泡玛特。Albert 在后面的讨论里把话说得更明确：软件行业会变得越来越像泡泡玛特，越来越像文化行业。文化产业会繁荣，但软件、SaaS 这些，中型公司可能不存在。

曲凯问小型是多少。独立开发者，平均一年几十万、上百万，少数几千万。Albert 说，到达几百万美金体量的应该会不少。如果更像文化产业，会更分散，也会有挺多这样的公司。

长尾产品的可消费性 17:46

曲凯有个疑问：OPC 做产品的数量级会比拍视频还快，但视频的可消费内容肯定远高于这些产品。

Albert 说「不一定」。要换个角度：为什么刷视频？本质是为了杀时间，是一种娱乐体验。为什么不能用 coding 能力把有限的视频变得更有意思？这也是一种产品形态，一种娱乐体验。

原来我们看到的 for kill time 的软件类型就是游戏、社交、内容、流媒体播放器，都还是平台。当模态融合的能力进来，体验可以变得更丰富，可消费性不一定比视频弱。

曲凯提到之前聊过的观点：AI 降低视频生成门槛，对抖音的影响短期内没那么大，因为抖音的供给已经非常充分。每人每天刷一千条，平台一天已经有上万条甚至更多。

Albert 区分平台视角和消费者视角。平台视角看数字确实如此，优质内容池已经很充分。消费者视角，内容泛化和多样性增强，会让原来留存不够好的用户留存更好，因为他想要的内容原来没有，现在有了。

曲凯怀疑边际效应没那么大。Albert 说模型还可以更好。可控性变强，一致性变好，有想象力的人沉浸进去创作，越来越多人进来，内容的丰富性一定越来越强。

曲凯说这是量变，还看不到质变。抖音视频刷起来可能已经 80 分，AI 进来可能提到 85 或 90，不是从二三十提到七八十。

然后曲凯拿 App Store 类比：绝大多数长尾大家不用，最后聚合到少数头部。AI 进来会不会也一样？

Albert 说符合分布规律，是选择的结果，但不矛盾。新的生产工具变强以后，会让新的更适合这个媒介的创作者出来，做出真正不一样的东西。原来拿 DV 拍优酷土豆的视频拍客，和后来用短视频拍摄的人，掌握的技巧完全不同。最终消费者获得的内容越来越刺激，消费价值更强，符合时代。

曲凯说从使用价值来讲，可能不会有那么大变化，绝大多数人日常需求就那些。情绪价值角度也许更好。刷到一些桌面效果、装饰之类的小玩意，很多赞。偏内容、偏情绪价值，大家觉得这个人做就是好，甚至认某个人。

Albert 说这比较 believe。本来人只需要情绪价值，他自己 web coding 做产品也是情绪价值，那么多东西也不发。大部分生产力是岗位价值带来的，是社会经济运转中你的行业、你的岗位诞生的问题。生产力是很功利的东西，一到周六周日可能就没了。

再往后，大家真的不需要工作了，三十岁退休了，什么能影响你、让你相信、让你有意义感，就需要什么。

影像领域是个反例。有个产品，设计风格、调色很不一样，有非常死忠的粉丝。影像 app 的排行榜是少有的不断变化的领域，新技术出来就能做不一样的东西。图形学，深度学习，GAN，Diffusion，技术出现就能做出很多不一样的东西，包括玩法。现在 coding 把地板打破了，涌现式爆发，太多样、很非标。

Albert 讲了一个故事。他 2023 年想做一个睡眠产品，因为自己失眠。想法是睡前跟 AI 聊天，聊限定内容，加速入睡。后来一个同事 coding 了一个类似的东西：一个地图，点一个地方，链接到 YouTube 上那个地方走路的视频，看世界各地。另一个同事知道后没说话，当天晚上睡不着就打开这个产品看，希望用它助眠。

三个人，三个完全不同的切入点。

曲凯也补了一个：小红书上有个 AI 古诗地图，把古诗和地理位置放在一起。李白在哪写的，点进去看到那个瀑布。这种东西很难商业化，但个人兴趣，发在推特上可能有一些粉丝。

曲凯接着问：现在很多人无私奉献自己的 skills，但不能变现，为什么？

Albert 说，对个体而言，不需要变现。这东西是被成本决定的。公司有股东义务、员工责任，要符合资本主义路线，就得无限增长。个人随便搞点什么东西发出来，无所谓，因为没成本。

再极端一点，两三个人就能搞，北京这些写字楼都不需要了。为什么几十个人要聚在一起，几百人要聚在一起？没必要。不需要在北京，不需要那么大的生活成本，随便一个地方就可以待着，低功耗，也不需要多少钱。做一点自己喜欢的东西，完全 make sense。

给创作者的「回响」 30:55

那 Albert 怎么尽股东责任？他说自己本身还是比较喜欢创新，做一些不一样的东西。2023 年的时候思考 AI 怎么办，那时候也比较悲观，刚从矫枉过正的状态里出来，说不行我现在要盈利。然后他们盈利了。盈利之后，要有一些精神之上的追求。

他看到一个新人群体：maker，或者叫 designer。原来没工具，现在你跟最顶级程序员之间的距离已经抹平了很大一部分，或者你去搞一些东西不需要一个最顶尖的程序员。这是新人群，也有新文化，去中心化的奉献，这就是新文化。

他觉得这东西值得做。未来很有可能转变的是：除了模型以外，很多商业体、小型公司，也就只有小型公司，中型公司都没了。它从一个 business model 转化成 impact model。你无私奉献，有自己的 taste、自己的审美，它是个 impact，不是个 business 的事情，但这个 impact 最后会转换成经济效益。因为你创造了价值，为更多人创造了意义感，这东西就有价值。

曲凯说这让他想到 GitHub 刚开始的时候，大家上去开源自己的代码。Albert 说有点像，所以回到自己的老本行，做社区。

他相信这个群体有新的社区的可能性。随着技术发展，跟原来会完全不一样。大家去讲「下一个抖音」这种思考方法不对，不应该用这种小问题方法来想。还是要回到更本质的角度：现在有一个新的人群，这群人非常喜欢创造，怎么样帮助他们更好地连接，帮助他们再去连接可能对他们的 taste 比较 buy in 的人。

这个产品叫 merging.live。核心提供的价值是连接价值，给大家创造回应、回响、回报。

三个阶段：被人理、被谁理、赚到钱。

回应是很多人认可你，数字上的反馈。回响是「我在意谁来认同我」，这是社区更重要的事情。回报是赚钱。

Albert 更关注回响。「你得拉到同样的人，同样的创作者。」

他举了公司内部的例子。没想法的时候拉旁边的设计师帮忙重构页面，搞后端 debug 时拉另一个人过来。公司内部能这样，为什么不能是一个更开放的结构，让更多节点连接起来产生反应？

他 believe 连接本身。

智能根本就不是最 high level 那东西。

互联网提供连接能力，是人类聚落叙事的一部分。发现有新的人群出现，或者有巨大的连接问题，连接始终是最大的价值。

曲凯说 AI 没有改变连接和移动。Albert 说有可能改变，因为会凭空创造新的节点。Agent 本身是一种节点，人跟 AI 的连接。但目前还差一点。

他补充：AI 如果没有自主性，没有自己的身份，始终从属于一个人，是一个工具、一个人能力的延伸，这件事太不性感、太没意思了。真正好玩的是设计一套机制，凭空创造出很多拥有独立主权的、能自己赋予自己意义感的 AI being。但那不是他现在定义的这波创作者。

这个产品是过去几个月最认真的，8 个人参与，前后做了一个月，围绕问题改造了很多版，都觉得不对，没达到想要的结果。要的结果就是「回响」：真正服务于这个人群，什么样的形式、媒介形态、连接方式、网络结构能支撑这个东西。

人群是 web coding 的人。Albert 强调，不是所有 web coding 的人都要。有的人在岗位价值里做东西，没事了就去打麻将、打王者荣耀，那不是我想要的。我要的是对这件事喜欢的人。

曲凯问这个人群未来会变多大。Albert 说现在就觉得挺大的。十年内大多数人不用工作，可能有点乐观，但大家总要有意义感。如果你能做出很好的 impact model，好的形态，真的有一些这样的人，会影响其他人。

不能围绕普遍性做产品 34:51

曲凯说，对大多数人用 AI coding 还是有门槛，大家下意识觉得需要懂技术。

Albert 说：不该这么想。最后所有普遍性，大多数和老百姓，都是模型公司的价值，因为它做普遍性。你拿不到普遍性价值。

你如果围绕他去做事情，你就完蛋了。

他反而要做特殊性，做定义，然后等待它长大。能不能长大只被一件事决定：你是不是 believe 这个东西是产生意义感、产生 impact 的原始的东西。

Albert 相信创造就是产生影响最原始的东西。一开始做短视频的时候，真正做出好东西的有多少？没多少，但它会影响人。有人被影响，觉得做出好东西有意义，就一波一波来。

他相信媒介形式，整个计算本身太强大了。人类发明了计算机，围绕计算做出完全不同的互动形式、参与方式、获得体验的方式，大家把想象禁锢住了。

曲凯问：你是不是把它当作短视频级别的东西，或者至少 GitHub 级别？

Albert 说不能这么定义。规模上肯定没有短视频大，因为不做普遍性。影响力角度，当然希望很大，影响力足够大，自然会带来商业价值。

这个社区最终的消费在哪？Albert 说社区里一定会有一部分消费。消费本质是容器问题。但做容器会限制创作范围，所以容器不一定是现在这个时间点做的东西。

一级市场 GG，从 token 到赚钱 37:32

曲凯说，我们一直是一级市场创业投资这条路径起来的人。如果后面没有中型公司，最大的在二级市场，底下是长尾，一级市场怎么办？

Albert 说：GG。

会不会变成投连锁餐饮那样，给一笔钱，你去开店，然后分成，cash flow based？Albert 说有可能。软件行业会越来越像泡泡玛特、文化行业。文化产业繁荣，但软件、SaaS 这些，中型公司可能不存在。早期挖掘、给钱帮发展、最后分润，这可能是一种形式。

然后他谈到 Anthropic 的 AGI 定义：通过 AI 取代绝大多数人类经济活动的岗位，让社会更繁荣，让人类回归田园。coding 场景定义得很好，但 coding 做出来是生产力，生产力帮你赚钱。

有没有更短的评价方法？交易市场就是。从 token 到经济价值，消耗多少 token，产生多少经济价值。对个体来说，消耗多少 token，赚到多少钱，最直接。

现在大家 coding 飞起，没几个赚钱的。生产力被岗位价值创造，如果不在岗位里，没有创造新岗位，价值从哪来？

所以下一个可能：从 token 到赚钱，最简单的是交易市场。

他预测 VC 可能变成 OPF，一个人的基金。使用 coding agent 做一些交易策略，稳定在交易市场拿到回报。

Open Cloud 刚出来时，很快有 skill 帮用户接 Polymarket。Polymarket 本来就是处理大量信息，用这套东西做分析和收集策略，肯定已经有人在做。套利策略在预测市场有不错的交易回报。

曲凯觉得这是 Polymarket 的用户增长手段，放一个东西在那，让你赚点小钱。

Albert 在想要不要做一个平台，让有交易策略的人参与。他听说一个产品，可以把策略放到平台上，大家去买、去下注，看历史收益率、策略大概什么样，然后交易。相当于每个人用想法做一个 AI 策略，放在平台上卖，融资。这个平台叫 ORA，是 crypto 的。法币市场有合规问题，预测市场现在也是 crypto 的。

曲凯觉得 crypto 和预测市场现在是套利的黄金时期。他聊过一个做量化的朋友，说预测市场搞出好策略，一年几倍收益率，还很稳定。

Albert 说，如果直接产生经济价值，AI 在这个领域远没有爆发出应该有的影响力。有聪明策略的人可能已经赚很多钱了，但不往外讲。大家会用 AI 分析 Reddit、Twitter 上的各种信号。这个事情商业回报很清晰。

曲凯说，最后大家可能发现 web3 才是最终归宿，因为本来就是 token。谜底已经在谜面上。

Albert 说比较像 web3 的市场。有朋友说 web3 市场一直是这样，全是 noise，跟今天一样，always 乱纪元。真正赚钱的是为梦想窒息，是意义感。web3 最大的价值是什么？让人始终拥有希望。

曲凯最后问：你们现在的产品算是 all in OPC 这块的 believe？

Albert 说不能轻易说 all in。对他而言，连接价值是很高的价值，存在连接问题，试图做一些微小的工作。有可能形态是对的，能创造价值；有可能形态不对，但启发到了别人，别人最终创造价值，也 OK。你 believe 这个方向，就去尝试。

除了社区给 OPC 做连接，还会做哪些事情？Albert 说很多。比如内部那套部署后端服务，可以一键，什么都不用管。还有基础的，包括增长的。

曲凯提到长尾市场的问题：大家做完一定会遇到，怎么让目标用户看到。

Albert 说会做。平台 day one 就是以如何更好解决这个问题出发来设计平台、媒介形式、网络，怎么样被发现，怎么样能让你更好地拿到 attention。你要回响，回响前面是回应，回应首先是要有人看到。

这期节目聊到最后，Albert 没有给出一个「新时代产品应该长什么样」的标准答案。他给出的是一组判断：模型公司拿走普遍性价值，创业公司要去做特殊性；生产力工具会被 coding agent 吞掉，情绪价值和差异化体验会留下来；连接是比智能更底层的价值，新人群需要新社区；一级市场会变，从股权投资变成现金流分成，从 token 到赚钱的路径会越来越短。

对正在用 AI coding 做东西的人来说，最直接的一条建议是：别去碰普遍性需求。你打不过模型公司。去做那些只有一万个人在意、但你真心喜欢的东西。成本足够低，低到不需要变现也能持续。如果它真的影响到了别人，商业价值会以你意想不到的方式出现。

如果你在考虑做一个新产品，Albert 的判断标准可以拿来用：先问自己，这件事是不是在模型公司的普遍性覆盖范围内。如果是，趁早换方向。如果不是，再问第二个问题：你自己是不是真的喜欢这件事。因为在一个没有中型公司、只有哑铃两端的市场里，能让你撑下去的，不是商业计划书，是你对这件事本身的兴趣。

网页版：https://42zhangjing.qiaomu.ai/ep/6a059d321b7bd50295257a5e.html · 原节目：在小宇宙收听 · 精读由 AI 基于节目转写整理。