Token 是个极易误导人的计量单位
同一个任务，不同模型消耗的 token 可能差几十甚至上百倍——输出长度、reasoning token、agent workflow 层层放大，用量大不等于效果好。
Token 消耗越多越好？恰恰相反
最终要的是效果和达成效果的最高效率；Cursor 费更多 token 不代表更好，只是同等效果下能效更低。
收费模式会从按 token 转向按效果
AI 客服 Sierra 解决问题才收钱、转人工不收钱，客户与厂商 interest aligned；创意类如写作短期仍会按 token 计费。
模型赛点已现：better AI makes better AI
coding agent 成熟触发递归自我改进的 loop，一旦过临界点曲线极陡，就像汽车能稳定跑起来后快马再快也追不上。
当年对 coding 的 TAM 算错了一个数量级
把市场限定在四五百万开发者、每月 200 刀，算出百亿；真正 TAM 是任何能被计算机操作的事，是 Dario 说的三四十万亿白领市场。
投资人确实在抛弃软件公司
逻辑简单到只看 discount rate：不确定性上升，估值就被压；二级软件已跌超 50%，一级仍停在旧估值，出现倒挂。
越结构化的软件越危险，混乱的 Excel 反而安全
Monday 这类每行每列语义固定的工具最易被 agent 取代；Excel 格子语义混杂，最难被直接替代。
组织会从接力赛变成篮球赛
过去一棒接一棒、每棒都是翻译与等待；未来是 3–5 人小分队，技能齐备、自己拍板，只有重大方向才向上升级。
Agent 理论上能做出比人更好的交易系统
投资行业极度低效，卡点在数据脏乱（需拼十几个 vendor）和人自己没把思维过程解构清楚。
未来是机构向散户学习，而非相反
市场越来越 thematic、narrative-driven，散户本就是价格形成的一部分；散户看 PE、爱大梦想、偏好低绝对股价。
重新开始担心模型公司吃掉应用层
模型变得 stateful（skills、记忆、connector），边界又被推回应用侧；Anthropic 先吃编程、再吃金融。
信息型对话的意义正被掏空，剩下的是情感连接
95% 以信息交换为目的的对话都能直接问 AI；见人这件事反而更纯粹，去聊心路、聊真诚的东西。
“这肯定不是越多越好，而且我觉得其实是反过来的。”
为什么非共识 · 多数人把 token 用量暴增当成 adoption 和生产力的好信号；她说恰恰相反——你要的是效果与能效，费更多 token 往往只是模型更低效。
“当 coding agent 成熟之后，出现了一个我觉得非常重要的 loop：只有更好的 AI，才能训练出下一代更好的 AI。”
为什么非共识 · 过去两年共识是 SOTA 每隔几个月 rolling 换手、谁都追得上；她第一次质疑这个假设，因为 recursive self-improvement 一旦过临界点，落后者就像没引擎的马。
“所以在现在看来，OpenAI 和 Anthropic 的关系，我觉得不是传统意义上的竞争。”
为什么非共识 · 大家默认两大模型厂零和厮杀；她指出模型层是 usage-based 而非按人头 SaaS，商业模式反而鼓励同时用多家、随时切换。
“但 Excel 其实是很混乱的，它每一个格子语义都可以完全不一样，所以 Excel 很难被 AI 直接替代。”
为什么非共识 · 直觉上结构越规整越先进越稳；她反过来说，数据越规整（如 Monday）越易被 agent 取代，混乱的 Excel 反而最难替代。
“未来不再是机构教育散户，而是机构也要向散户学习。”
为什么非共识 · 传统认知是专业机构定价、散户被收割；她认为市场越来越 narrative-driven，散户本就是价格形成的一部分。
“可是就到这两个月，我重新开始非常担心模型公司的竞争。”
为什么非共识 · 共识已从模型吃一切转为 wrapper 收入涨得快、不用怕；她又翻回来——因为模型变 stateful，应用与模型边界再次被推向模型。
“跟几个月之前相比，我新的判断是：To B 比 To C 要大很多。”
为什么非共识 · Agentic commerce 想象多聚焦消费者代下单；她认为 To C 体验已够好、AI 代买价值有限，真正肥的是跨境采购这类 To B 长链条。
“以信息交换为目的的对话，它的意义正在被快速掏空。”
为什么非共识 · 主流叙事是 AI 让协作连接更高效；她给出反直觉体感——正因信息能直接问 AI，人际价值只剩无法被 AI 提供的情感连接。
哈喽，大家好，我是小珺。今天是我们的系列节目——《Freda 的投资札记》第二集。可能有听众是第一次听我们的节目，那我还是介绍一下。Freda Duan 在湾区做投资，是 Altimeter Capital 的合伙人。这是一家硅谷科技基金，横跨一二级市场。在一级市场，投资案例有 OpenAI、Anthropic、字节跳动；在二级市场，投资案例有英伟达、存储芯片、Snowflake、Robinhood。
在《Freda 的投资札记》第一集，也就是我们的第 125 集节目中，她曾经深入分析了当下美国的明星公司，给它们的巨额收入算了算账，探讨了美国资本的新秩序，以及当时大家都很关注的泡沫话题。
可以预告一下的是，在本集节目中，我们除了一如既往地聊 AI 和投资这些很干的内容之外——比如 Tokenmaxxing、AI 时代的组织架构——还会聊一些很感性的东西。尤其在这个充满不确定性、每个人都很焦虑和孤独的时代，人和人的关系还剩下什么？接下来就是我对 Freda 的访谈，期待 2026 年我们和 AI 共同进步。
实话说，就是很焦虑。
所以你也会觉得自己跟不上，对吧？
对。比如说几个月之前，有一天深夜，我在家装不上 Claude Code，真的是痛苦。说出来非常搞笑，但当时就是——一个东西装不上，你就会想：我连这个都装不上，我什么都跟不上，是不是要被时代淘汰了？
那你觉得人和人之间还剩下什么？人和人之间……那我们今天邀请的，是在湾区做投资、也是我们之前 125 集的嘉宾 Freda 来返场。Freda 还是先给听众朋友们打个招呼。
大家好，也谢谢小珺邀请。
哈喽，大家好，我是小俊。
今天是我们的系列节目，Freda 的投资札记第二集。
可能有听众是第一次听我们的节目，那我还是来嗯介绍一下。
Freda Duan 在湾区做投资，是 Altimeter Capital 的合伙人。
这是一个硅谷科技基金，横跨一二级市场。
在一级市场的投资案例有 OpenAI Anthropic 字节跳动。
在二级市场的投资案例有英伟达、存储芯片、 Snowflake Robinhood 那在 Freda 的投资札记的第一集，也就是我们的第125集节目中，她曾经深入地分析了当下美国的明星公司，给他们的巨额收入算了算账。
探讨了美国资本的新秩序以及当时大家都很关注的泡沫话题。
那可以预告一下的是，在本集节目中呢，我们除了一如既往地聊 AI 和投资这些很干的内容之外。
呃，比如说 token maxing 啊，AI 时代的组织架构啊。
我们还会聊一些很感性的东西，尤其在这个充满了不确定性，每个人都很焦虑和孤独的时代。
人和人的关系还剩下什么？
那接下来就是我对 Frida 的访谈，期待2026年我们和 AI 共同进步。
实话说，就是很焦虑。
所以你也会觉得自己跟不上，对吧？
对，我其实，比如说几个月之前，有一天，我深夜因为在家装不上 Open Cloud 真的是痛苦。
就说出来非常搞笑。
但当时就是，你一个东西装不上，你就会想说，我连这个都装不上，我什么都跟不上，就是不是要被时代淘汰了？
那你觉得人和人之间还剩下什么？
人和人之间，啊，那我们今天邀请的是在湾区做投资，也是我们之前125集的嘉宾 Freda 来返场。
那 Freda 还是先给听众朋友们打个招呼。
哎，大家好，也谢谢小军邀请。
那开始。我不是很想从我们熟悉的那个硅谷"御三家"这些模型公司开始聊，我们先聊一个——在 AI 时代新出来的一个计量单位，就是 token。现在大家都在讲 token、公司的 token 收入、token 的消耗，但是 token 这件事的本质应该怎么理解？
我觉得这几年因为 AI 出来，所以出现了几个这样的单位，包括大家经常说的 dollar per FLOP、dollar per watt，以及你刚才提到的 dollar per token。
现在更多用的是 dollar per token，它比较的相当于是实际业务的回报。
我觉得一个比较明显的趋势是，未来当我们去看一家公司、去比较不同公司的时候，
应该都会去看 dollar per token。我会把它想象成工业时代大家看的 dollar per kilowatt-hour，也就是一个千瓦时的概念，
比较的是能耗产出比。
但同时我也写过一些文章，我非常想说的是，token 其实也是一个非常容易误导人的单位。
因为这里面最重要的是 token per task——同样一个任务，不同的模型或不同的应用，消耗的 token 可能相差几十倍，甚至上百倍。
我觉得这个理解是非常重要的。
这是为什么呀？
原因非常多。一个原因是输出的长度可以相差很多。
比如同样有一个做 coding 的任务，
比较好的模型可能一两百行非常精炼的代码就写完了，
而便宜一点、弱一点的模型，则需要写几千行非常啰嗦的代码。
表面上看两边的任务都完成了，但其实消耗的 token 完全不是一个量级。
这里面还有一些大家常说的、比较隐藏的部分，叫 reasoning tokens。
很多模型在回答之前会做大量的中间推理，
这部分用户是看不到的，但实际上不同模型消耗的这个数量的 compute token 会非常不一样。
第三，比如现在大家说的一些 Agent 的 workflow，它本身就像一个放大器，会进一步放大 token 的消耗。
所以真的是同一个任务，不同模型的 token 消耗量可以相差非常非常多。
这是不是解释了为什么有些 token 的用量特别大？
那 token 的消耗是越多越好吗？
这肯定不是越多越好，而且我觉得其实是反过来的。
因为最终大家会意识到，你要的是效果，以及在追求达到这个效果时能达到的最高效率。
比如我举一个身边这些 developers 都在说的反馈例子。
像 Cursor 这个 coding 模型，你问它同一个问题，它就是会消耗更多的 token。
这并不是说它的效果更好，而是说在同样的效果之下，它的能效更低。
但假设我想象一下，我是一家大公司的 CFO。
我给我的这些 developer 发了一些 Cursor 的 credit，那我能看到的其实只是 Cursor 的使用量在暴增，于是我就会推断：哦，员工是非常喜欢用的。
同时也能看到一些员工生产效率的提升。
那我作为 CFO，结论就是：我要继续加单。我觉得这是一个行业相对早期的现象——大家还没有真正理解到「token 和 token 不是一回事」这个事实。
那所谓的「token 大爆炸」会不会自然地消停？毕竟模型会变得越来越高效。
我觉得没那么容易直接回答是或不是。如果我们讲得 academic 一点，可以用一个比较学术化的公式：AI 的总投入实际上可以拆分成几个 input。
第一项是你有多少个用户，乘以每个用户完成多少个 task，再乘以 token per task，再乘以 dollar per token。
其中前两项——用户数和每个用户的任务量——肯定会继续大幅增长。从程序员破圈到普通白领去用 AI，其实是非常大的一波用户破圈。
比如 Anthropic 有一个产品叫 CoWork，CoWork 是给像我这样的普通人用的产品。我们看到，在同等规模量级的时候，CoWork 增长的斜率其实比当时的 Claude Code 还要陡峭很多。
所以前两项，也就是用户数和每个用户的任务数，没什么可说的，一定会继续增长，而且是大幅增长。
但后两项我觉得都会有优化的空间。因为现在整个状态是，大家都在说「我用了多少个 token、我花了多少钱」，我觉得这个状态本身其实是不太正常的。
那你觉得未来会怎么演变？
我觉得还是拆开这两项来看。
比如 token per task，就像我们刚才讲的，最有效率的模型 over time 会越来越被大家认可。
然后 dollar per token 这里面也有一些变化和一些具体的理解。
比如 Anthropic 的 Opus 这个模型，它名义上的售价是 5 块钱 per million input tokens、25 刀 per million output tokens，但根据行业里第三方的分析——
它实际上的收费其实只有一块钱，是因为它做缓存（cache）的命中率非常高，可能接近百分之九十八、九十九这么高。当然也有其他原因，比如它的 agent workflow，input 比 output 长很多。所以 dollar per token 这里面，其实有很多文章可以做。我觉得再过一阵，大家会越来越意识到：模型的性价比，才是这里面最重要的东西。
至于怎么演变，现在肯定是一个非常浪费的状态，但这并不意味着——把刚才这几项拆完之后——AI 的总投入会下降。我自己想问题的方式是这样：这个时代背景下，很多事情其实是"既对又对"的。比如你说现在的 Tokenmaxxing 有没有大量浪费？答案是肯定的。但你说 token 的用量未来会不会继续大幅上升？我觉得这也是对的。听着矛盾，其实并不矛盾。
我看到有一些投资人，用 token 的消耗量作为判断项目的依据，你怎么看？
我觉得这是一个阶段性的产物。就好像在工业时代，你不会真的去炫耀"我一盏灯特别费电"；反而你会去买贵一点的 LED。我觉得过一段时间，这个东西会有一定的变化。
我记得你比较擅长算账。那现在很多公司花在 AI 上的钱，你觉得是真的在创造价值，还是在烧钱？
这里面大家一般被拎出来说的，比如 Meta，传言说它在 Claude Code? 上面一年的花销是好几个 billion，也就是几十亿吧，确实是个非常吓人的数字。这里比较有意思的是，Meta 最近也说它要裁员 10%，我大概算了一下，数量级上，这 10% 的裁员大概刚好能对应它在 Claude Code? 上的开支——当然，我不是说这是直接的因果关系。再比如 Uber 的 CFO，上个月跳出来说，他们公司在三个月之内，光 coding 这一项，就花掉了原来计划一整年的 AI budget，算下来大概是几千万的量级。我大概把头部几家公司、尤其是在做 Tokenmaxxing 的公司拉出来算，目前大家的 AI spend 大概对应 1%、2% 的 EBITDA，所以目前还算是一个可控的水平。说实话，算出来这个数比我想象的要好，我以为其实已经是一个更大的数字了。
你觉得按 token 收费这个模式，长期合不合理？
这个我其实会有一个比较强的判断：我觉得行业会逐渐理性起来，所以这个收费模式是一定要变的。我觉得会逐渐从按 token 收费，转向按效果付费。
也正因为我们刚才说的，token 这个东西本身其实真的不太可比。有一家公司叫 Sierra，做 AI 客服，它完全是按效果收费的。我们访谈下来发现，它的客户也非常认可这种收费模式。它的逻辑是：如果 AI 能帮你把这个客服问题解决掉、没有转人工，我就收钱；如果转了人工，我就不收钱。而且它里面还细分很多档，按问题的复杂度、解决程度，单价也会不一样。所以作为客户，我跟 Sierra 其实是高度 interest aligned 的——我们都想把问题解决掉，也都想少烧 token，所以我觉得这是一个最优解。
但这件事在客服里之所以非常 ok，是因为它可以量化。可并不是每个行业都能这样，所以我觉得可能会是一点一点渗透：比如先从客服的解决率、销售转化，再到催收、贷款、保险理赔这些场景，先开始变成按效果付费。而另一些偏创意类的，比如写作，长期可能还是会按 token 收费。
那开始，我不是很想跟你从我们熟悉的那个硅谷玉三家这些模型公司开始聊啊，我们先聊一个。
在 AI 时代，新出来的一个计量单位就是 token 那现在大家都在讲 token 公司的收入啊、 token 的消耗啊，但是 token 这件事的本质应该怎么理解啊？
哦，我觉得这几年因为 AI 出来，所以出了，其实是有几个这样的单位吧，包括大家经常说的叫 Dollar per Flop 包括 Dollar per Watt 包括你刚才提到的 Dollar per Token。
那现在用的更多的是 dollar per token 然后它比较的是相当于是实际业务的回报。
我觉得一个比较明显的趋势就是我觉得到未来，当我们去看一家公司，会去比较一些公司的时候。
应该都会去看 dollar per token 我会把它想象成为就是工业时代的，大家看这个 dollar per kilowatt hours 就是一个千瓦时的一个概念。
比较的是能耗产出比。
但同时其实我也写过一些文章，然后我非常想说的就是，我觉得 token 其实也是一个非常容易误导人的这么一个单位。
因为这里面最重要的就是 token per task 就说你同样一个任务，不同的模型或者说不同的应用，消耗的 token 可能差几十倍，甚至上百倍。
我觉得这个理解是非常重要的。
呃，这是为什么呀？
其实原因非常多，我觉得一个就是输出的这个长度可以差很多。
比如你同样去有一个做 coding 的这么一个一个一个任务。
比较好的模型可能有个一两百行非常精炼的代码就写完了。
啊，你便宜一点可能弱一点的模型呢，需要写几千行非常啰嗦的代码。
你表面上看这两边的任务都是完成了，但是其实你消耗的 token 是完全不是一个量级。
然后这个里面还有一些像大家都说的这个什么，一些比较隐藏的叫什么 reasoning tokens。
很多模型在回答之前会做大量的这个中间的推理。
你这部分用户是看不到的，但它实际上不同的模型会消耗非常不一样，这个数量的这个 compute token。
第三就是现在大家说的，比如说一些什么 Agent 的这个 workflow 它本身就会像一个放大器一样，更加放大这个 token 的消耗。
所以，就真的是同一个任务，不同模型的这个 token 消耗量是可以差非常非常多的。
嗯，诶，这是不是解释了为什么有些 token 的用量特别大？
那 token 的消耗是越多越好吗？
哦，这个肯定不是越多越好，而且我觉得其实是反过来的。
因为最终大家会意识到，你要的是其实是你的效果，以及你追求达到这个效果能达到最高的这个效率。
比如说我举一个身边的这些 developers 都说的一个反馈的一个例子。
像 Cursor 这个 coding 模型，你问它同一个问题，它就是会消耗更多的 Tokens。
那它并不是说它的效果更好，而是说同样的效果之下，它的这个能效是更低的。
但是如果我想象一下，如果我是一个大公司的这个 CFO。
我给我的这些 developer 一些这个 cursor 的这个 credit 然后那我能看到的其实就只是 cursor 的使用量是在暴增的，然后我就会推断说，哦，员工是非常喜欢用的。
然后也能看到一些这个，对吧？
员工生产效率的提升。
那我作为这个 cfo 那我的结论就是说，噢，我要继续加单。
我觉得这个是一个行业在相对比较早期的这么一个一个现象，我觉得是大家还没有真的理解到，就是 token 和 token 不是一回事，就是这个事实。
那所谓这个 token 大爆炸会不会自然地消停啊？
因为毕竟模型会变得越来越的高效。
我觉得没有那么容易去直接回答说是或者不是，就是这个里面，如果我我们比较就是 academic 可能会有这么一个。
比较学术化的这么一个公式，就是 AI 的总投入实际上是可以拆分为几个 input 的。
那其中第一就是你有多少个用户。
然后去用这个去乘以每个用户完成多少个 task 然后再乘以这个 token per task 然后再乘以你的这个 dollar per token 的这么一个概念。
啊，其中前两项就是用户数和每个用户的这个任务的这个量，肯定会继续大幅增长的。
你从程序员如果说破圈到普通的白领去用 AI 其实是一个非常大的一波用户破圈。
比如说像，就是 Atropine 有一个产品叫 CoWork，那 CoWork 是一个给像我这样的普通人去用的一个产品。
CoWork 我们看到在它同等的规模量级的时候。
它的增长的斜率实际上是比，就是克洛蔻当时还是要陡峭很多的。
所以就是前两项就是，也就是用户数和每个用户的任务数，我觉得是没有什么可说的，是一定会继续增长，而且大幅增长的。
啊，但是后两个我觉得都会是有优化的，因为现在整个这个状态，你看大家都去都去说啊，我用了多少个 token 然后以及对吧，我花多少钱。
我觉得这个状态本身其实是不太正常的。
嗯，诶，你觉得这个未来会怎么演变？
我觉得可能还是拆开这两个看吧。
比如说 token per task 就像我们刚才讲的，我觉得是最有效率的模型，其实 over time 是会越来越被大家认可。
然后 dollar per token 这个里面也有一些一些变化和一些就是具体的理解。
比如说像 anthropic 这个 OPEX 这个模型，它名义上的这个售价是5块钱 per million 的 input tokens 然后是25刀的这个 per million 的 output tokens 但是就是根据这个行业的这个第三方的分析。
它实际上的收费其实只有一块钱，就是因为它的做这个缓存，做这个这个 cache 的命中率其实非常的高，可能有接近百分之九十八、九十九这么高。
当然也是有其他原因，就说，比如说它这个 agent workflow 它 input 是比 output 长很多的。
所以 dollar per token 这个里面，实际上也是有很多文章可以做的。
我觉得过一阵大家会越来越意识到，其实模型的性价比才是这个里面最重要的东西。
所以怎么演变，我觉得现在肯定是一个非常浪费的状态，但是并不意味着我们刚才把这几个拆完之后，就是 ai 的总投入会下降。
嗯，我自己的想法或者说就是想的这个方式，就是我觉得现在这个时代背景。
很多事情其实是既对又对的。
就比如你说现在的，大家说 token maxing 有没有大量的浪费？
我觉得这个答案是肯定的。
但是你说 token 的用量未来会不会继续大幅上升？
我觉得这个也是对的。
听着矛盾，但其实是不矛盾的，对。
我看到有一些投资人是用那个 token 的消耗量作为项目的判断的依据，你怎么看？
我觉得是一个阶段的产物吧，就好像你在工业时代的时候，你不会去真的炫耀说我一个灯我耗电耗特别多。
反而你会去购买可能贵一点的这个 LED 我我觉得过一段时间这个东西会有一定的变化。
我记得你比较擅长算账啊，那现在很多公司花在 AI 上的钱，你觉得是真的在创造价值，还是说在烧钱？
这个里面大家一般被拎出来说的，其实都是，比如说 Meta 也都是传言说它在 CLOCO 上面一年的这个花销是好几个 billion 就是有几十亿吧。
是确实是一个非常吓人的数字，然后这个里面比较有意思的是，因为 meta 最近也说它要裁员10%嘛，然后我大概算了一下，我说啊，数量级上，它这个10%的裁员大概刚好能对应它在 CLOAK 上面的这个开支。
当然我不是说这个是直接的因果关系。
再比如像 Uber 的 CFO 其实上个月跳出来说，他说他们公司在三个月之内，就光 coding 这一项就花掉了原来计划一整年的这个 AI budget 所以算下来大概是几千万的这个这个量级。
我大概算下来，把头部几家公司，尤其是在做 tokenmaxing 的公司拉出来来算的话，目前大家的这个 ai spend 大概对应1%、2%的这个 ebda 所以目前还算是一个可控的吧。
说实话，其实算出来这个数比我想象的要好，我以为其实已经是一个更大的这么一个一个数字了。
哎，你觉得按 token 收费这个模式长期合不合理啊？
哦，这个我其实会有一个自己比较强的判断，就我觉得行业逐渐大家会理性起来，然后所以这个收费模式是一定要变的。
我觉得是会逐渐从按照 Token 收费转向，按照效果付费。
也就因为我们刚才就是说的，就 Token 这个东西本身其实真的不是很很可比。
有一个公司叫 Sierra 它是做 AI 客服的。
然后他就是完全是按效果收费的。
然后我们访谈下来，其实他的客户也非常认可他这种收费模式。
他就是说，如果你，啊，我 AI 能帮你解决这个客服，我没有转人工。
我是收钱的，如果我转了我就不收钱。
而且它里面还分很多，就是问题的这个复杂度、这个解决度，然后它的单价也会不一样。
所以我作为客户，其实我跟 Sierra 是非常 interest aligned 的，就是说我们都想解决这个问题，然后我们都想少去烧这个 token 所以其实是我觉得一个最优解吧。
但是这件事情在客服里面是非常 ok 的，因为你可以量化。
但并不是每个行业，所以我觉得可能会是一点一点，比如说从客服的这个解决率，从你的这个销售转化，包括什么催收贷款或者说保险理赔，就是一些场景我就会先开始变成用效果付费。
然后有一些比较有创意类的，比如什么写作这些，那我觉得可能对吧，长期可能还是会是按 token 收费的这种这种效果。
因为写作的效果不好量化。嗯，接下来我们还是聊聊这几家重点的模型公司吧。先从这几个月大家最关心的一家公司——Anthropic 聊起，它应该是今年最亮眼的模型公司之一。
那在你看来，Anthropic 这一波的领先优势能持续多久？它的壁垒高吗？
对，我其实也一直在想这个问题。我觉得过去两年，大家默认的假设都是：SOTA 的模型每隔几个月就会换一次手。去年底大家都在吹 Gemini，再之前是 OpenAI，现在轮到 Anthropic，那过几个月是不是又会继续换？所以"领先"这个词，在过去一两年其实一直是一个 rolling basis 的状态。
但我觉得，可能就是这一两个月，是我第一次开始质疑这个假设——它会不会持续下去。核心原因在于，当 coding agent 成熟之后，出现了一个我觉得非常重要的 loop：只有更好的 AI，才能训练出下一代更好的 AI。这个循环一旦跑起来，就有点那些 researcher 说的 recursive self-improvement 的味道了。它如果真的过了某个临界点，这条曲线会变得非常陡峭。
再往后，就有点接近 singularity 了，或者看你怎么定义它——到那个阶段，后面追赶的人可能真的就没什么意义了。
那你觉得这个拐点、这个转折点、这个变化，会在什么时候发生？
也就是说，"AI 训练 AI"其实已经喊了两年了，为什么这一次不一样？
我觉得现在还只是发生的早期，大概是从今年一月份开始，其实真正的节点是 Coding Agent 的成熟。
往前翻六个月，Coding 模型对一个工程师的提升——他们把这个叫 total factor productivity——可能就只有 5%；到去年底，可能能到 15%、20%；现在肯定更高了。
所以你看模型大厂出新模型的速度，也不像以前那样要花大几个月甚至一年，反而一个月就能出一个新版本。
我觉得这才是真正的原因。为什么像 Meta 这么大一家公司，会愿意花几十亿，砸在别的公司的模型上？因为如果没有这个东西，你迭代的速度就真的会比别人慢一大档。
那你觉得现在已经到了后面无法追赶的地步了吗？
我个人判断，其实已经非常非常快了。这个类比不一定恰当，但如果打个比方，有点像当年马车换汽车那种感觉。我猜，最早造出来的汽车可能也经常抛锚，所以前面那些快马还能跟一跟、追一追，那个时候两者的差距可能还没那么清楚。但一旦这个汽车能稳定正常地跑起来了，那你没有这个引擎、没有这套代码，就没有任何可比的意义了。
回到 Coding 上——比如 OpenAI，就在最近这一两个月，按照 GPT 和 Coding 两条线做了非常大的重组，把 Coding 推到了非常高的位置；Google 那边是 Sergey 亲自在管 Coding；Meta 内部也在推自研的 Coding 模型，希望年底能做出 SOTA；xAI 呢，则是公开收购 Cursor。背后的逻辑其实都差不多。
你怎么看 Codex 和 Claude Code 之间的竞争？
对，外面的比较非常多，讨论也非常多。我个人觉得，任何时候，如果大家在两个产品、甚至两个人之间有非常大、非常多的争论和比较，通常恰恰说明它们实际的效果差不了太多。Codex 最近很明显在打价格战，做了非常大的补贴——凡是 Claude Code 不让用的地方，Codex 都欢迎你去用。
所以我觉得这个价格战对他来说还是一个挺正确的策略，毕竟他是后来者。
这里也牵出我自己的一个反思——过去这两年，我花了太多时间去比较 OpenAI 和 Anthropic，但其实更重要的逻辑应该是：知道这两家都会做得非常大。
而且我最近还有一个思考：如果你去看商业模式，整个模型层（或者叫"智能"这一层），它并不是一个 SaaS 的概念。SaaS 是 subscription，是按人头收费。当一个东西是 subscription 的时候，你的价格实际上是封顶的，而且买了之后用得越多、单位成本越便宜。所以作为客户，你会倾向于只用一家——因为钱都已经花出去了，都花在这个 per seat 上了。
但模型这一层肯定是 usage-based、token-based 的。所以作为 CFO，你要做的选择不再是"我今年选哪个 vendor"，而是要去 optimize："我每一个 query 到底用哪一个模型"，是这么细的一个问题。因此，模型的商业模式反过来会鼓励大家同时用很多个 vendor，随时比较、随时切换。
所以在现在看来，OpenAI 和 Anthropic 的关系，我觉得不是传统意义上的竞争。
抠点能力还是最本质的。
对，我觉得这两年有很多反思，而这是其中非常大的一个。
说实话，一两年前 Coding 这个赛道刚出来的时候，投资人去估算我们所说的 TAM（也就是市场大小），用的是价格乘以量。当时对于"量"——也就是谁会去用这些 coding 模型——大家的判断是：美国有多少 Developer？四五百万人，其实是一个很小众的群体。而在考虑价格的时候，我记得我们内部还有过讨论：有人说 20 刀差不多了，有人说应该能到 200 刀。因为你整个一套软件也就这么贵，一家公司在所有软件 subscription 上最多最多可能也就花一两千块钱，所以给到 coding 200 刀，大家已经觉得很可以了。
这样用价格乘以量算下来，得出的市场规模其实也就是 100 亿美金这么大。
但很明显，这个判断是完全错误的。因为到了今天，光是 Applovin 一家的收入，
就已经远不止这个量了。所以现在反思，我觉得当时对"量"和"价"的估算都错得非常离谱。
那这件事到底应该怎么去思考？
我觉得可能真的要回到 Dario 说的那套逻辑。他的投资 PPT 第一页讲的就是全球白领的 TAM——他说这是一个三四十 trillion、也就是大概三四十万亿的市场规模，
这就是他要去吃下的整个市场的大小。
这个逻辑我是这么理解的：我们每天做的很多事情，其实都带着一点这样的性质——如果我会写代码，我就应该让电脑自动去完成这个任务。
所以这个思路是说，coding 真正的 TAM，实际上是任何可以被计算机操作的事情。
而且随着世界越来越数字化，这个范围还在持续扩张。
比如现在大家已经用 AI 去操作 Excel，我觉得之后还会用 AI 来做交易。
所以这才是它真正的 TAM。每次想到 CoWork 这个产品——就两个人做出来的——都觉得真的是挺震撼的一件事情。
回到 coding，或者说回到反思投资这件事：
做投资判断，我觉得是经常会错的。
而作为投资人，我能做的，就是在发现 coding 的收入很快飙到 10 亿美金的时候，非常快速地意识到：自己原本的投资框架和 TAM 判断，已经彻底想错了。
然后及时去改。
你是什么时候意识到的？
最早应该是看 Cursor 的时候。Cursor 的 coding 收入很快就飙到大概 10 亿美金，
接着是 Claude Code 也起来了。那时候你按 10 亿美金、再套进我们原来的 TAM 去算，就已经占了 10%，这显然是不太正常的。
所以那个时候就应该做一次很及时的反思。
我记得你之前提过一个概念，叫"负向滚雪球"，你用它来解释模型公司的商业模式。
这个框架你现在有没有一些变化？
这个概念其实是 Dario 提出来的，我只是把它翻译成了更偏投资人的语言。
我到现在依然觉得这是一个非常经典的概念。
简单说就是：如果去年你训练一个模型的成本是 1，那这个模型今年能带来大概 3~4 的收入。
毛利就算按 50% 算，那也是接近 2 块钱的毛利。
因为今年你在训练的模型，这个成本最起码是收入的3倍。这样一来，再加上销售、人员这些开支，你的利润就会是负的。只要你的训练成本每年还是以几倍的速度增长，这门生意就会像负向滚雪球一样，越滚越负。
按照 Dario 之前讲的，或者说他当时的认知，如果你想跳出这个负向滚雪球的 loop，唯一的办法就是让你的训练 scaling 变慢。但我觉得最近几个月证明了，其实还有另一条路：如果你收入增长的斜率更陡峭，不再是3倍，而是比3高很多，那你的公司也会突然盈利。
所以，公司其实自己也没有想清楚需求会这么强。
对。Anthropic 其实已经把这套预测做得非常极致、非常优美，非常讲第一性原理。这里面有一个很简单的公式，说的是两件事。第一，如果你训练的成本占收入的比例低于你推理的毛利，公司就能赚钱。第二是一个 constraint：因为你的总成本，也就是训练加推理的总和，实际上是提前定下来的。
这里可能没讲清楚——比如说，你推理的毛利率是公司可以掌控的，但训练和推理的算力占比，最终是由需求决定的。所以你的需求其实并不是那么可控。像 Anthropic 今年初的这几个月，需求突然爆发，公司就被迫把更多的 compute 放到推理上，于是就突然一下盈利了。
嗯。现在媒体经常报道 OpenAI、Anthropic 这些公司的收入节节升高，这两家你怎么对比？
很难对比。首先，大家都管它叫 ARR，但它根本就不是 ARR——因为 ARR 是 Annual Recurring Revenue，而在模型这里，它既不是 annual，又不是 recurring。而且大家用的口径真的是七七八八什么都有：有的是用过去四周的收入乘以13，更激进的是用过去一周乘以53。所以算出来是可以差出很多的。
这两家公司也没有让这个比较变得容易。有的用 gross，有的用 net。比如 Anthropic 报出来的是 gross revenue，你还要做一些调整——假设其中40%是第三方的 API，那要换成 net，就得把这部分扣掉，大概再减掉百分之二十左右。OpenAI 则反过来，它暴露出来的是 net，你要换成 gross，可能要再加个百分之五、百分之十。反正，但他们的 EBITDA 实际上是完全可比的。所以我也是浪费了很多时间在算这些数字上面。
你怎么看 OpenAI 和 Anthropic 对算力的需求？
我觉得这里面最大的、我自己学到的一点是：市场——包括我自己——其实都远远低估了每一个吉瓦（GW）的电力能产生多少的模型收入。
像第三方爆出来，OpenAI 和 Anthropic 现在分别可能有小几个 GW 的算力，年底应该能到 5，明年比如到 10。之前大家觉得每个 GW 差不多能对应比如 100 亿的收入，就还不错了；但这几个月证明，这个数字被远远低估了。推理和训练这边的成本，大致都对应——一个 GW 能有 100 亿，这没有问题；但收入这边，其实可以标得非常高。
所以这件事的 imply 是：模型公司的收入天花板，我觉得其实是被系统性低估了的。也就是说，一个 GW 到底能产生多少收入？到今天也没有人能看到上限——你说 100 亿、你说 500 亿，现在看来其实都挺有可能。
Anthropic 那大部分硅谷投资人，是什么时候看懂这家公司的呀？
Anthropic 真正的 inflection point，我觉得是去年，就是它 ARR 从 10 亿到 50 亿那个时候。那个时候投，是因为它从 10 到 50 用了不到半年，比 OpenAI 同期其实要快很多。其实看到那个就应该已经知道了——就是我们刚才提到的，coding 比大家想的要更大、更快。不过那个时候也不是无可挑剔，会挑剔两个东西：一个是它当时的毛利率非常难看，但你真的和一些做 infra、做工程的人聊，会觉得可能问题不大，能有很多优化可以做；另一个当时大家都非常 concerned 的，是很担心 Dario 和美国政府的关系。但要说投资人，我觉得大部分都是在 2025 年，才觉得 coding 这个东西真的起来了，所以要加仓、或者说建仓 Anthropic。
那你觉得 OpenAI、Anthropic 和 Gemini 这御三家，未来会长期在同一条河流里竞争吗？还是他们会分化？
这个也挺有意思的。我觉得去年这个时候，我会认为几家已经有明显的分工、几乎已经定下来了；但到了今年，反而觉得模型层的商业模式可能会挺趋同的——什么东西火起来、什么东西有收入，大家都会去做。比如曾经我会觉得 GPT 粘性非常大，我不管是报税还是体检的单子，都存在它那个 folder（或者叫 projects）里面了；但今年，只是因为 Anthropic 有一个能帮我画图、叫 visualization 的功能，我个人其实就倒戈了。这也是因为，现在大家对 coding 市场大小的判断，都觉得 coding 会很大，所以反而不太在乎这几家现在具体侧重什么，而是认为模型层本身会占 compute stack 里更大的比例。今年底这两家加起来能看到大概 2000 亿的收入体量，我觉得也不特别奇怪。所以我也是在锻炼自己这个脑子，去习惯更大的数字，去 upsize the prices 吧。
那马斯克、那个分崩离析的 xAI 呢？
说实话，我觉得现在没有人真的能对 xAI 接下来的成功与否做出任何判断，因为没有任何可参考的 data points，也没有团队，也没有进展，属于真的在乱猜。但这里面其实有一点：比如伊隆把 xAI 的 data center 租给 Anthropic，我看很多媒体说他是不是彻底不做训练了、就做一个 neocloud 了——这个确实不是，这些都是公开的数据。xAI 是有三个 data center 的，有 Colossus、有 macro hard猜测?，还有第三个叫 macro harder猜测?。后面两个都是用 Blackwell 的，而 Colossus 是用 H100，本来是用来跑推理的。所以它实际上是把自己现在不太用的那个租出去，租给最缺卡的 Anthropic，而且本身也不大，大概 300 megawatt，可能占 xAI 整体数据中心的 20%，大概能租出四五十亿的收入。所以这其实是一个非常 make sense 的商业决策。
Meta TBD 你有没有什么想说的？
Meta TBD 这边，一是它年底肯定要冲击一个 SOTA 的模型，今天可能是对标一个 Gemini 2.5。更大的问题是，Meta 做出这个模型之后，怎么去真的变现？现在看来可能有这么几种方式吧。一个是它一直在推的 Meta AI，就是单独的这么一个 APP。另外，Meta 应该也会推他们自己那个叫 OpenClaw猜测?、或者说"小龙虾"猜测?的助手。第三个我也会好奇、会看一看：因为它现在内部在用自己的 coder 模型，但如果 coder 模型真的能做起来，那一块是不是能有一些给外部用的收入？
我觉得这归根到底是 Meta 的问题，就是能不能真的产生多出来的 AI 收入，这才是重点。
因为写作的效果不好量化。
嗯，接下来我们还是要聊聊这几个重点的模型公司啊。
那先从这几个月大家最关心的一家公司，Anthropic 开始聊起，它应该是今年最亮眼的模型公司之一吧。
那在你看来啊，Onboarding，你觉得它这一波的领先优势能持续多久啊？
它的壁垒高吗？
对，我其实也一直在想这个问题。
就是我觉得过去两年吧，就是大家的默认的假设都是说 sote 的模型每几个月都会换一次手。
那去年底是大家都在吹 Gemini 然后之前是 OpenAI。
呃，现在 under profit 那过几个月是不是会继续换？
所以领先这个词就在之前一两年其实都是一个 rolling basis 的。
但是我觉得可能就是这一一两个月，可能是第一次我开始就是质疑这个假设，它会不会持续。
核心的原因就是当这个 coding agent 成熟之后，其实出现了一个我觉得非常重要的一个 loop 就是你更好的 AI。
才能去训练出下一代更好的 AI 所以就是这个循环一旦跑起来，就有一点点就是那些 researchers 说的叫 recursive self improvement 这个味道。
就是它如果真的过了某个临界点，这个曲线会变得非常的陡峭。
那你后边就是有点就 singularity 或者就你怎么定义它吧，就是后面在追的人可能真的就没什么意义了。
啊，你觉得这个拐点，这个转折点，这个变化会在什么时候发生？
也就是说，AI训练 AI 其实已经喊了两年嘛，为什么这次是不一样的呢？
呃，我觉得现在只是还在这个发生的时间点的一个早期，就是可能就是从今年一月份开始吧，其实节点也就是 Coding Agent 的成熟。
往前翻可能6个月之前，你 Coding 的模型对一个工程师的，他们叫这个 total factor productivity 的提升。
可能就只有一个5%，然后到去年底，可能能到15%、20%，现在肯定是更高的。
所以你看模型大厂出新模型的速度，其实也不像以前，就是要花大几个月甚至一年，反而是一个月就能出一个新的版本。
我觉得这个其实是真正的原因，为什么像 Meta 那么大一家公司，会愿意花几十亿。
在一个别的公司的模型上面，因为你如果没有这个东西，你迭代的速度就是真的会比别人慢一大档。
那你觉得今天现在到了后面无法追赶的地步了吗？
我个人判断，其实我觉得已经非常非常快了。
就不是很恰当，但如果说做一个类比，就有点像是，我不知道是不是像当年，比如说马车换汽车那种那种感觉，就是我我猜啊，就最早创造出来的汽车可能也是经常抛锚，所以你前面的一些就是快马可能还能跟一跟，追一追。
然后那个时候两者的差距可能没有那么清楚，但是你一旦这个汽车可以正常稳定地跑起来了，那你没有，对吧？
你没有这个汽车这个引擎的这个码，就就没有任何比的意义了。
所以可能就回到 coding 嘛，就比如说 OpenAI 它是按照就最近这一两个月，按照 GPT 和 Coding 两个组做了非常大的重组，然后把 Coding 推到了非常非常高的位置。
然后 Google 是，就是 Sergey 亲自在管 Coding。
然后 Meta 内部也在推自己的 coding 的模型，然后也是希望年底能做出 sora 啊什么的。
然后 xai 对吧，就是公开收购 Cursor 其实背后的逻辑都是差不多。
你怎么看 Codex 和 Cloud Code 之间的竞争啊？
对，外面的比较非常非常多，啊，讨论也非常多。
我个人觉得任何时候，如果大家在两个产品，或者说甚至两个人之间，有有非常大的，非常多的这个争论和比较。
其实通常说明他们实际的效果是差不了太多的。
Kodak 最近很明显在打价格战。
做了非常大的补贴。
然后凡是，比如克劳蔻不让用的地方，然后 Codex 都是，就是欢迎你去用。
所以这个，我觉得这个价格战还是挺正确的一个策略吧，对于他来说，因为他是毕竟是后来者。
这里面也说到我自己一个反思，就是这两年。
花了太多时间就在比较 OpenAI 和 Anthropic 但我觉得更重要逻辑应该就是说，知道这两个都会非常的大。
而且最近的一个思考就是觉得。
呃，你如果看商业模式，就是整个这个模型层，或者叫叫智能吧，它不是一个 SaaS 的一个概念。
SaaS 是就是 subscription 嘛，它是按人头收费。
当你一个东西是 subscription 的时候，实际上你是价格是封顶的，然后你买了之后，你用的越多，实际上越便宜。
所以你作为客户，其实你会倾向于只用一家，因为你你钱都花了，花在这个 percy 上面了。
但是模型它就肯定是一个 usage base 然后是一个 token base 所以你作为 cfo 就是你做的这个选择不再是说，哦，我今年选择哪个 vendor。
而是你再去 optimize 就是我每一个 query 我用的是哪一个模型，这么一一个问题。
所以它实际上因为它的商业模式会反过来鼓励大家同时用很多个 vendor 然后而且随时比较，随时切换。
所以 OPEX 和 Anthropic 的关系，在现在看来，我觉得不是传统意义上的竞争。
抠点能力还是最本质的。
对对对，我觉得这两年有很多反思，但其实这个是里面非常大的一个反思。
就是实话说，一两年之前刚出来。
Coding 这个赛道的时候，其实投资人去估算我们叫 TAM，就市场大小的时候，就是用价格乘以量。
然后那个时候觉得量，也就是说谁会去用这 coding 模型。
我当时大家就是说啊，美国有多少 Developer。
然后就是四五百万人，其实是一个很小的一个小众群体。
然后那个时候当大家去考虑这个价格的时候，对吧？
我记得我们那时候还内部有些讨论，有人说啊，20刀差不多了。
有人说啊，应该能到200刀。
因为你你整个一个软件也就是这么贵，因为一个公司最多最多可能也就花一两千块钱在它所有的软件 subscription 上面，所以200刀对吧，给到 coding 大家觉得已经很可以了。
对吧？
你用价格乘以量，你你算出来其实也就是一个100亿美金吧，这么一个市场规模。
啊，但明显这个东西是完全错误的，因为到了今天，你 Applovin 一家的这个收入。
都远不止这个量了，所以反思的话觉得对量和价当时的这个估算都错的非常离谱。
诶，所以这个到底应该怎么去思考？
对，我觉得可能真的是回到像 Daryl 说的，就是全球的白领，他他一直，他的那个 PPT 的，就投资的 PPT 里面，就是上来的第一页就是白领的 TAM 他说是一个三四十个 trillion 就是大概三四十万亿的这么一个。
一个市场规模。
他说这个就是他要去吃的市场的这个大小。
这个逻辑我理解来看，就是说因为我们每天做了很多事情，都有一点点，就是说如果我会写代码，我应该会让电脑自动去做这个任务的这个这个这个意思。
所以这个这个思维就是说我 coding 真实的 time 实际上是任何可以被计算机操作的事情。
然后随着这个世界也是越来越，就是越来越数字化，这个范围是在持续扩张的。
啊，包括我现在大家用 AI 去操作 Excel 或者是我觉得之后会用 AI 来做交易。
所以这个是他真正的 time 对，所以其实每次想到就 cowork 这个产品，就两个人做出来，都觉得真的是挺震撼的一件事情。
对，回到 coding 我觉得哎，或者说反思投资这件事情。
就投资做判断，我觉得是经常错的。
然后作为投资人，我觉得我能做的事情也就是在发现 coding 的这个收入当时很快飙到10亿美金的时候，就应该非常快速地意识到自己本来的投资框架和 time 就彻底想错了。
对，然后及时改吧。
哎，你是什么时候意识到的？
哦，这个应该就是可能最早什么看，一最开始是 curser 吧，curser 的这个 coding 收入很快就飙到可能10亿美金。
然后是克劳科，然后上来，就是那个时候因为你按10亿美金，按照我们那个 time 来算，就已经占了10%了，那肯定是没有那么正常的这件事情。
所以那个时候就应该有很及时的这么一个反思。
我记得你之前提过了一个概念叫负向滚雪球，你用来把负向滚雪球来解释模型公司的商业模式。
这个框架你现在有没有发生一些变化？
哦，这个概念就其实是 Darrell 提的，我只是把它翻译成就是更投资人的一个语言。
我依然觉得这个是一个非常经典的一个一个概念。
就是非常简单的说，就是如果你去年你训练一个模型的成本是一，那这个模型今年能带来大概3~4的这个收入。
那毛利一般就算百分之五十吧，那你就是不到两块钱的这个这个毛利。
然后这个问题就是说，因为你今天，今年吧，你在训练的模型，这个成本最起码要是3。
对吧？
然后你这样再加上一些什么销售啊，什么人员啊，然后你利润就会是负的。
然后只要你训练成本每年还是，对吧？
就几倍的这样的增长，你的这个生意就会像负向滚雪球一样，就越滚越富。
就以前，Darryl讲的，就是或者他当时的认知是说，你如果想跳出这个负向滚雪球的这个 loop 你只能靠你训练 skating 的这个变慢。
但是我觉得最近几个月就是证明，其实还有另外一条路，就是如何你的这个收入增长的斜率。
是更陡峭的，不再是3，而是比3高很多，你公司也是会突然盈利的。
嗯，所以公司其实自己也没有想清楚需求会这么强。
对对对，就阿帕比其实已经把预测做得非常极致，非常优美了，就非常低性原理。
但就是这里面有一个很简单的公式，就是说两件事吧，一个就是说如果你训练的成本占收入的比例是低于你推理毛利的。
公司就能赚钱。
然后第二是一个 constrain 吧，就说因为你训练，就你总成本，就训练加推理这个总和实际上是提前定下来的。
就是这个里面不知道讲没讲清楚，就比如说你推理的毛利率是公司是可以掌控的，但是训练和推理的算力占比最终是你需求决定的。
所以就是你需求并不是真的那么可控，但像比如说，unprobability 就对吧，就是年初这这几个月。
它需求突然爆发，所以公司会被迫把更多的 compute 放在推理上面，就所以就突然一下就暴力了。
嗯，现在媒体经常报 OpenAI Anthropic 这些公司的收入节节升高啊，这两个你怎么对比？
就是很难对比，就首先大家都管它叫ARR 嘛，就是，但它根本就不是 ARR 因为 ARR 是叫什么 Annual recurring revenue 在模型这里它又不是 annual 又不是 recurring。
而且大家用的口径真的是七七八八什么都有，有的是用过去四周的收入乘以13，然后更激进的是用过去一周乘以53。
所以其实是可以差出很多的。
呃，然后这两个公司也没有让这个比较变得很容易，因为有的是用 growth 有的时候用 net 比如说 Anthropic 它是报告出来的是这个 growth revenue 然后你你还要做一些调整，比如说假设40%是这个第三方的 API 然后那你 net 对吧。
你要扣掉这个，然后少个可能百分之二十这样子吧。
然后 OpenAI 是反过来，就它是暴露的是一个 net 然后你你要换成 growth 你可能要再加个百分之五、百分之十，反正，但是他们的 EB 大实际上是完全可比的。
对，所以，就反正也是浪费了很多时间算，在算这个数字上面。
你怎么看 OpenAI 和 OnDopamine 对算力的需求？
我觉得这个里面。
最大的这个就是学到的点，就是我觉得市场就包括我自己，其实都远远低估了每一个吉瓦的这个电力能产生多少的就是模型收入。
像第三方有爆出来，就是 OpenAI 和 Propeller 现在分别可能有小几个 Giga 的这个算力。
然后年底就是应该能到5，然后明年比如到10。
就之前大家觉得说每个低购啊差不多能对应，比如说100亿的收入就就还不错了。
但是这几个月证明这个数字被远远低估了。
就推理和训练这边的这个成本应该分别都是对应。
一个地瓜能有100亿，这个没有问题。
但是收入这边其实可以标的非常的高。
嗯，然后所以这个东西的这个 imply 就是说模型公司的收入天花板，我觉得其实是被系统性低估了的。
就是说一个 TikTok 到底能产生多少收入？
到今天也没有人能看到，对吧？
就没有能看到上限。
你说一百亿，你说五百亿，其实现在看来都是挺有可能的。
Anthropic 那大部分硅谷投资人是什么时间看懂这家公司的呀？
嗯，Anthropic 真正的 inflection point 我觉得是就是去年，就是它ARR从10亿到50亿那个时候。
那个时候投，就是因为它从10到50，它用了不到半年，然后比 OpenAI 的同期其实是要快很多的。
其实看到那个就应该已经知道，对吧？
就是我们刚才提到的，比如 coding 比我们大家想的要大要快，对吧？
那个，但那个时候也不是无可挑剔，那个时候会挑剔两个东西吧，一个是它那个时候毛利率是非常难看的。
但是你真的和一些就是做 info 啊，做工程的人聊，会觉得说可能问题不大，能有很多优化可以做。
然后另外一个当时大家其实都非常 concerned 的，就是很担心这个 Dario 和美国政府的关系。
但是你说投资人，我觉得大部分都是2025年，觉得说啊，真的是 coding 这个东西起来了，所以是要，就是加仓，或者说建仓啊 tropic。
哎，你觉得 OpenAI Anthropic 和 Gemini 这个预三家未来会长期在同一条河流里竞争吗？
还是他们会分化？
啊，这个也挺有意思的。
我觉得去年这个时候我会觉得说几家已经有明显的分工了，已经就几乎就就就定下来了。
但到了今年反而觉得，就是模型层的商业模式可能会挺趋同的，就是什么东西火起来，什么东西有收入，大家都会去做的。
比如曾经我会觉得 GPT 粘性非常大。
我把我不管是报税啊或者体检的单子啊，都存在它的那个，就是它有一个 folder 或者叫 projects 里面了。
但今年就是只是因为，OnProper 有一个能帮我画图的，叫一个 visualization 的这个功能，我我个人其实就倒戈了。
那也是因为，就现在大家对 coding 市场的大小判断，就觉得说这个 coding 会很大嘛，所以反而不是很在乎这几家现在具体侧重什么，而是只是觉得模型层本身会占这个，就是 compute stack 就是更大的比例。
然后今年底这两家加起来，看了个什么2000亿的收入体量，我觉得也不是特别奇怪，所以。
也是在锻炼自己这个脑子去习惯，就是更大的数字和这个叫 upsize the prices 吧。
嗯，那那个瓦斯克和分崩离析的 xai 呢？
哦，我觉得这个要说实话，我觉得现在没有人真的能对 xai 就接下来的这个成功与否做出任何判断，因为没有任何能参考的 data points 也没有团队，也没有进展，就就就属于一个真的是在乱猜了。
但这里面其实有一点就是比如说伊朗，他把 xai 的 data center 租给 anthropic 那我看很多媒体说什么啊，是他彻底不做训练了，他就他就做一个 neo cloud 了。
这个确实不是，这都是公开的数据。
但是 xai 是有三个 data center 的，有什么 classes 有 macro hard 还有第三个它叫 macro harder。
就是它后面两个都是用 Blackwell 的，然后那个 Clauses 是用 H100，就是本来是用来跑推理的。
所以它实际上是把自己现在就是不太用的一个，然后租给就是最缺卡的 Anthropic 而且那个本身也不大，就300根。
就是 megawatt 吧，可能就是占 xai 整体数据中心20%，然后大概能租出就是四五十亿的收入，所以其实是一个非常 make sense 的一个一个商业决策。
嗯，Meta TBD 你有没有什么想说的？
Meta TBD 这边，呃，我觉得一个是它年底肯定是要冲击一个 sora 的模型，它今天可能是对吧，对标一个 gemini 2.5。
然后更大的问题就是说，Meta 它做出这个模型之后，怎么去真的变现？
然后现在看来，可能有这么几个可能的方式吧。
一个就是它已经一直在推的这个 Meta AI，就是一个单独的这么一个 APP。
然后另外，Meta 应该也会推他们自己的这个叫 OpenClaw 或说这个小龙虾这个助手。
然后第三个我也会好奇，我会看一看，因为他现在有内部在用他的这个 coder 模型嘛，但是如果 coder 模型真的能做起来。
那一块是不是能有一些，就是给外部用的这个收入？
我觉得这个是 Meta 对吧？
就是能不能有真的多出来的 AI 收入的这个重点。
AI 对软件公司的冲击，也是硅谷现在讨论非常多的一个话题。你怎么看这个问题？
这里面给我最大的反思，是软件这件事本身。大家一直觉得软件跟 To C 很不一样：它是一个我们叫 push 的模式，需要销售，需要一整套 go to market 体系。所以你看，不管是 ServiceNow 还是 Adobe，都是三四万人，Salesforce 有七八万人，这里面很大一部分是销售——CEO 自己也是销售。它销售和营销占收入的比例，应该有百分之四五十。
但比较大的震撼是，Anthropic 其实也是一家 To B 公司，80% 都是企业用户，员工却只有 3000 人。传统软件公司算下来，可能每个员工对应 50 万美金的收入；而 Anthropic 每个员工能对应上千万美金的收入，差了整整一个数量级。而且 Anthropic 真的连一个正经的销售团队都没有。像它的 CoWork、Skills、Projects，其实都不是普通人那么容易上手的产品，但大家还是非常疯狂地上手去学习、去使用。
所以我自己也在反思：是不是用户对智能的需求真的是无限的？是不是我们之前有点过于强调销售的重要性？这当然也不只是针对软件，它也会让大家去反思——之前很多我们习以为常的大公司，为什么需要有这么多员工。
这个对比也不只是针对软件公司，对吧？
对对对。举个例子，像 Meta，已经是挺高效、挺卷的一家公司，8 万员工，每个员工算下来可能对应 300 万美金的收入，已经比软件公司好很多了。但 AI 出现之后，我再看这 8 万员工，还是会觉得很神奇。这是一家 To C 的公司，也没有新的获客需求，肯定有一些维护工作，但为什么整个 Meta 团队——包括我在里面的朋友——都还是比较忙碌的状态？
所以有挺多东西可以反思。我觉得还是像刚才说的，比如像 Anthropic CoWork 这么成功的产品，就两个人做出来的。
所以 AI 来了之后，我觉得挺值得思考：组织架构应该是什么样子？以及一个公司到底需要多少人？
所以投资人是在抛弃软件公司吗？
对，简单说是。这里面有一个投资上非常简单的逻辑，就是我们看 discount rate。说到底，很多东西——大家可能听过叫 DCF——都是看未来的现金流，你放一个 discount rate，把它折算到今天，再看公司值多少钱。所以你都不需要对未来有非常强的判断，只要不确定性上升了，估值就会被压，因为 discount rate 上升了嘛。
二级市场还有一个比较有意思的观察：软件其实已经被卖得七七八八，可能跌了不止 50%。但一级市场还有很多公司停留在 AI 之前的那套估值逻辑里，所以会出现一二级估值的倒挂。很多一级市场的明星公司，不管是什么，或者说一些很大、很不错的公司，如果今年上市，估值其实都会被砍得挺厉害。
而且软件公司还不止于此，它还有一个问题就是 SBC。如果股价跌了 50%，你还想给员工同样的股票补偿，就得发两倍的股票。所以是一个比较两难的状态。
你觉得哪些软件是更脆弱的？
我觉得其实都有一点是时间问题了。比如说，我会看这个软件里 UI 的占比有多高。如果它的核心价值本来就是一个非常精美的 UI，那它是最脆弱的，会死在最前面。比如很多 point solutionspoint solutions?，受冲击是最大、最彻底的，像各种电子签、项目管理、BI 工具。
另外也要看它数据结构化的程度有多深。你可能也听过一句话，说一切软件都是一个 Excel wrapper。但其实 wrapper 和 wrapper 也差很多。比如 Monday，是一个项目管理工具软件，它的数据结构非常规整，每一行是一个固定的任务对象，每一列也是固定的——这类其实是最容易被 agent 取代的。
但 Excel 其实是很混乱的，它每一个表格里的每一个格子，语义都可以完全不一样——不管是名字、数字还是公式，全都混在一起。所以 Excel 本身，我觉得是很难被 AI 直接替代的。这也是一个 matter of time 的问题：哪些环节走在前面，哪些大家觉得还能再撑一撑。
那 Office 这套办公软件还有意义吗？
最近大家把这个话题炒得非常火，说整个这套 Office，不管是 PowerPoint 还是 Excel，都没有存在的意义了，直接用一个网页、用 HTML 就可以了。我之前也这么觉得，但最近我发现背后其实没那么简单。你让 AI 生成一个网页版的 PowerPoint 确实很快，但只要你需要再手动改一改，就会发现还是直接在 PowerPoint 里改——直接用手去改、拉一下拽一下——要快很多，而且更精准。
我会把整个 Office 这套东西想成一条流水线：我可能不需要亲自动手改，只需要去审批就可以了。但只要我把文件发到这条流水线上，只要线上有一个人需要手动修改，那我觉得 Office 这套工具就还会有继续存在的价值。
嗯，有哪类软件是相对安全的呢？
市场普遍会觉得，比如数据存储、data warehouse 这类是比较安全的。但最近我们自己在具体地用这些工具，我有一个感想，就是觉得这件事情可能也不是绝对的。
比如我作为一个投资经理，想拉 50 只股票的估值，快速做一个比对。过去我需要一个 warehouse 去 host 这些数据，然后写非常精准的 SQL 去调用。但现在，如果我有这个模型，我在 Claude 里写一个 skills，直接靠比如 Bloomberg 的 API，只需要几秒钟的 token 消耗就能完成一个分析，而且这个 setup 的成本也几乎为零。这在模型出来之前是完全不可能的。所以这也让我在想：warehouse 或者 data lake 这些东西，是不是纯安全的？我觉得其实也不是。
嗯，AI 时代新的软件机会在哪里？有吗？
现在从 VC 投资的角度，我能看到很多公司说自己是 AI CRM、AI 版的 ERP。但一路看下来，我觉得其实还没有什么真正本质的改变——它们更多只是说，你不需要手动输入了，我可以让你语音录入之类的。
最近也有很多人在聊，但我觉得一个比较大的机会，是让软件去处理以前企业决策过程中那些没有被记录下来的部分。比如说，我在 CRM 里记录一个客户，我会记下我给这个客户打了 25% 的折扣；但今天这套 CRM 其实不会记录：为什么是 25%、而不是 30%？曾经还有哪些方案、被谁否决了？谁说服了谁？CFO 有什么 concern？客户到底想要什么？所有这些决策过程，其实都是消失的。
以前这些东西也没办法被记录，因为有太多 unstructured 的 data。但到了 AI 时代，你就不再需要去做一个压缩的工具，你可以直接去处理这些比较原始的信息。所以我觉得，这里可能有一波比较大的机会。
你觉得软件需不需要为 agent 重新设计？
我觉得肯定是的，这也是我最近在使用上的一个感触。比如让 agent 去连接工具，一个去连 Slack、一个去连 Discord，然后你会发现：Slack 其实还是基于 HTTP 的，也就是人发一个消息、服务器回应一次。它对人类聊天是够用的，但对 Agent 来说非常非常难用，因为 agent 需要的是一种非常持久、real time、能长期在线的连接。而 Discord 因为是基于 WebSocket 的，用起来就非常顺手。所以那天我甚至在想，如果哪个模型公司把 Discord 收购了，我也不会觉得奇怪。
所以我觉得，整个软件这一套都要从第一性原理重新去想：agent 到底需要什么，然后把它整个重新做一套设计。这一点在股票市场上就更明显了——大家最近都在炒内存/存储的短缺原文作 CPU 短缺，疑为 memory/DRAM/HBM?，实际上说的几乎是同一件事情。
嗯，AI 对软件公司的冲击也是硅谷现在讨论非常多的一个话题，你怎么看这个问题啊？
这个里面其实给我最大的反思是。
软件这件事情本身，就是软件一直大家都觉得是跟土 c 是很不一样的嘛，就是它是一个我们叫 push 的这么一个一个 model 就你需要销售，你需要一整套的 go to market。
所以你看不管是 ServiceNow 啊、 Adobe 都是三四万人吧，然后 SalesForce 有七八万人。
这里面很大一部分是销售，就是 ceo 自己也是销售。
那它销售和营销占比就是占收入比例应该有百分之四五十都有。
但是，就是比较大的震撼就是，Unprofit 其实也是一个土 b 的公司，它80%都是企业的这个用户，员工就只有3000人。
那就是你传统软件公司，你算下来可能每个员工有50万美金的这个对应的这个收入。
那 anthropic 每个员工应该能对应就是上千万美金的收入，就差了，就是一个数量级。
而且 anthropic 真的都没有一个正经的销售团队。
像他的不管是他这个叫什么 co-work 呀，或者他的 skills 啊、他的 projects 啊，其实是普通人没有那么容易上手的这些产品，但大家还在非常疯狂的上手去学习，然后去使用。
所以我自己也在反思，就是是不是说用户真的对智能的需求是无限的？
是不是我们之前有点过于去强调，就是销售的的这个重要性？
我觉得这个也当然也不是说只是对软件，因为也会让大家去反思之前很多我们就比较习以为常的一些大公司吧，就为什么需要有这么多的员工。
嗯，这个对比也不只是对于软件公司，对吧？
啊，对对对，就像比如说举个例子，像 Meta 对吧，已经是挺高效，就是挺卷的一个公司，8万员工，然后每个员工你你算下来可能有300万美金的这个对应的这个收入，已经比软件好很多了。
但是 AI 出现之后，我觉得我再看这个8万员工，就还是会觉得很神奇。
就这个是一家 To C 的公司，也没有新的获客的需求，就肯定有一些维护。
但是就为什么，就整个 meta 团队，对吧？
就朋友在里面的朋友还都是比较忙碌的一个状态。
所以对挺多东西可以反思的，我觉得是还是像刚才就说的，比如说像 probably cowork 对吧？
这么成功的产品。
那就两个人做出来。
所以 ai 来了之后，我觉得挺值得思考，就是组织架构应该什么样子，然后以及一个公司，对吧，需到底需要多少人？
所以投资人是在抛弃软件公司吗？
对，简单说是。
我觉得这里面有一个就是投资里面非常简单的一个逻辑，就是我们看这个 discount rate 因为说到底，很多东西都是大家可能听过叫 dcf 都是看未来的这个现金流，然后你就就你放一个 discount rate 然后就算到今天。
然后看公司值多少钱。
所以都不需要是对未来有非常强的这个判断，就只要不确定性上升了，这个估值就会被压，因为这个 discount rate 就就就上升了嘛。
所以二级市场还有一个比较有意思的一个观察，就是二级市场其实软件已经被卖得七七八八，已经跌了可能百分之五十都不止了。
但是一级市场还有很多公司停留在就是 AI 之前的那个估值逻辑里面。
所以会有一些就是一二级就是估值的倒挂吧。
啊，很多一级市场的明星公司，就是不管是什么，或者说一些很大很不错的公司，你如果今年上市，你的估值其实都会被砍挺厉害的。
对，然后软件公司还不止，它还有一个问题就是它的这个就是 sbc 啊，你如果股价跌了50%，然后你还想给员工同样的这个股票，对吧？
这个这个赔偿。
你就要发两倍的股票。
对，所以是一个比较两难的这么一个状态。
你觉得哪些软件是更脆弱的呀？
嗯，我觉得其实都有一点点是时间问题了，就是比如说一个，我会我会看它本身软件里面 UI 的这个占比有多高。
那如果它的这个核心价值本来就是一个非常精美的一个 UI 那它是最脆弱的，就死在最前面的。
比如说很多平面 solutions 对吧？
就受冲击是受的最大最彻底的。
像不管是一些什么电子签呀、项目管理啊、一些 BI 的工具啊。
然后另外也是看它这个数据结构化程度有多深。
就是你可能也听过一句话，就是大家说一切软件都是一个 Excel wrapper。
呃，但其实这个 rapper 和 rapper 也差很多。
像比如像，就是 Monday 是一个就是项目管理工具的这么一个软件，它的数据结构是非常规整的，它每一行是一个就是一个固定的一个任务对象，然后每一列也是固定的。
就这类其实是最容易被 agent 取代的。
但是 Excel 其实是是很混乱的，它每一个表格里面每一个格子其实语义是可以完全不一样的。
不管你是名字啊、数字啊、公式啊，都混在一起。
所以 excel 本身其实我觉得是很难被 AI 直接替代的。
所以我在，我觉得也是一个 matter of time 就是哪些走在前面，哪些可能大家觉得还能再撑一撑。
那 Office 这套办公软件还有意义吗？
对，最近其实特别是大家炒这个炒得非常火，就说啊，整个这套 Office 不管你是 Powerpoint 还是 Excel 都。
没有存在的意义了啊，你就直接用一个网站的这个就是 HTML 就就可以了。
我之前也这么觉得，但我最近觉得其实这个背后也没有那么简单，就是像你 AI 生成一个网页版的这个 Powerpoint 其实是很快的。
但是只要你需要再手动去改一改，你会发现还是你直接在 Powerpoint 里面改，就是你直接人手去改是会就拉一下拽一下是会快很多，而且是会更精准的。
然后我会把整个 office 这套想成是有点像是一个流水线，就是我可能不需要手动改，我只需要就是去去审批就可以了。
但是只要我把这个文件发给这个流水线上面的整个一条线，只要有一个人他需要去手动修改。
那我觉得 office 这套工具其实就还会有继续存在的价值。
嗯，有什么类型软件是相对安全的呀？
嗯，市场会普遍觉得，比如像就就是数据存储啊，什么 data warehouse 啊，是比较安全的。
呃，但最近就是我们都自己在具体的在用这个，然后我也有，那天有一个感想，就我觉得这件事情可能也不是绝对的。
就比如我作为一个投资经理，那我想拉，比如说50只股票的这个这个估值吧，做一下很快的这么一个比对。
那过去我是需要一个 warehouse 是去 host 这些数据，然后我会要写非常这个精准的这个 SQL 去调用。
但现在其实如果我有这个模型。
然后我在 cloud 里面写一个 skills 然后我直接靠，比如说 Bloomberg 的 API 我只需要几秒钟的这个 token 的消耗，就能完成一个分析。
然后我这个 setup 的成本也几乎就是零吧。
这个是在模型就是出来之前是完全不可能的，所以就是也让我在想，就是对吧？
Warehouse 或者说这个 data lake 或什么，这些东西呃是不是纯安全的？
我觉得其实也不是。
嗯，AI时代新的软件机会在哪里啊？
有吗？
嗯，我现在比如从 VC 投资角度能看到很多公司说自己是 AI CRM 就是 AI 的 ERP。
但是看下来，其实我觉得还没有什么真正本质的改变。
也就是说，它那些更多就是说啊，你不需要手动输入，我可以给你就是语音录入，或者怎么样怎么样。
我觉得最近也有很多人聊，但我觉得一个比较大的机会就是去让软件去处理以前这些企业决策过程中没有被记下来的部分。
比如说就是我在 CRM 里面，我记录一个客户，对吧？
我会记下来，说我给这个客户打了25%的这么这么一个折扣。
但是我今天的这个这套 CRM 其实是不会记录说为什么是25%，为什么不是30%。
那曾经还有过一些什么方案被谁否决了？
谁说服了谁？
对吧？
就 CFO 有什么 concern 对吧？
就是客户到底想要什么？
所有这些决策过程其实都是，就是消失的。
那之前这个东西也没办法被记录，因为有太多这个 unstructured 的这个 data 那到了 ai 的时代，你就不再去需要去做一个压缩的工具，你可以直接去处理这个比较原始的信息。
所以是一个可能是有一波比较大的机会在这里的，我觉得。
你觉得软件需不需要为 agent 重新设计？
啊，我觉得肯定是的。
也是最近一个就是使用上的一个感触，就是。
再连，比如说这个 agent 对吧，一个是去连 Slack 一个是去连就是 Discord 然后会发现这个 Slack 呢，其实它还是基于这个 HTTP 就是你人发一个消息，然后它服务器回应。
它对人类聊天是够用的，但是对 Agent 其实它是非常非常非常非常难用的，因为 agent 它需要是一个就是非常持久，非常对吧，就是 real time 然后需要长期在线，然后发现就是这个 Discord 因为它是这个 WebSocket 所以就用的非常的顺手。
所以我甚至那天在想，我说如果说哪个模型公司把这个 Discord 收购了，他就是也也不奇怪。
对，所以我觉得整个软件这一套都要从第一性原理都要去想，就是 agent 需要什么，一起重新做一套设计吧。
然后包括就是嗯在股票市场就更明显，大家最近都在炒这个 cpu 的短缺，实际上也也是几乎是同样一个，说着同样一个事情。
我看到你最近还写了不少关于 AI 时代组织架构的文章，这有点不太像投资人会研究的课题。你为什么会开始研究这个？
对，我既不是 HR 也不是 CEO，但研究下来，我觉得这件事情比想象中重要很多，而且非常有意思。
还是回到 Dario 提过的两个概念：一个叫 technology diffusion，另一个叫 economic diffusion。
Technology diffusion 说的是模型能力本身的进步，这条曲线大家都能看到，依然非常陡峭。
而 economic diffusion 指的是这套模型能力真正被企业、被经济吸收落地的速度。Dario 自己说这个是没办法吃得准的，因为它可能要落后几年，甚至大几年、十几年，是这么一个窗口。
所以研究组织架构，本质上就是在判断这个 economic diffusion——AI 什么时候变成收入、社会生产力什么时候提升，就是这么一个问题。
历史上有没有类似的例子？
有，其实有非常非常经典的例子。
一个是当年电刚被发明的时候。从电灯泡出现，到真正带来社会生产率的提升，其实用了四十年。中间有二三十年，生产率没有任何提升，甚至反而还降了一点。
去看背后的原因：在那之前都是蒸汽机，而蒸汽机的工厂实际上是垂直堆叠着设计的，因为中间需要放一台非常大的蒸汽机，靠皮带把动力传导出去。
电机很快就被发明了，但并没有真正用到流水线上，也没有真的提升效率。
大家还是把蒸汽机拆掉、换出去，把电机塞到同样一个位置，工厂依旧像原来那样垂直设计。
一直到流水线成形，那个时代的生产率才真正上去。
所以这件事给我的震撼比较大：新技术出现，真的不等同于 economic diffusion，也不等同于经济价值本身。
还有另一个例子，离我们近一点——大概是计算机普及的时候，八九十年代。八十年代时，电脑其实已经进了办公室、进了银行，都在用了。
那个时候跟现在非常像：每个人都觉得自己的工作变快了，但宏观上生产率没有任何提升。
后来我看一些经济学家把这个叫做 Productivity Paradox（生产率悖论），很多人研究这个话题，最后发现，要到九十年代中后期，像沃尔玛、亚马逊这些公司，
才开始围绕计算机和网络重新设计自己的业务。那个时候出现了企业数据库、非常早期的 ERP，包括亚马逊的供应链，整个用计算机的这套思维重新设计了一遍，一下子整个生产力就上去了。
所以回到 Dario 讲的这个东西，我觉得还是挺有意思的。
对比之前这些历史时期，你觉得 AI 现在这条曲线处在哪个位置？
我觉得现在可能就是像刚才说的，处在把电机塞进蒸汽机的那个位置的阶段吧——每个人都把 AI 加进了自己的工作流，但其实没有人真的去问：这个流程本身、或者这家公司本身，为什么会长成现在这个样子？就像我们刚才说的，比如 Meta 或者任何一家公司，为什么需要 8 万人？为什么我们需要这么多层级？这里面其实还有挺多没解决的问题。
那如果从第一性原理来看，你觉得公司为什么是今天这个形态？
公司其实就是几件事：你有很多人，你有很多层级，中间有一些信息流。一般大家会把层级理解成一个权力结构——谁向谁汇报，谁比谁更 senior。但我觉得，层级更深层的功能应该是信息的传递。因为组织变大之后，没有人能看到全貌，所以你需要一层一层的 managers、这个管理层：先从 CEO 这里收集信号，综合、提炼一下，然后一层一层向下传递；从下往上也是靠这个方式去翻译、去拆解。
所以我觉得，组织这套机制本质上都是在解决信息传递的问题。包括我们开的这些会，包括大家说的同步进度，包括一个 quarter 大家要对齐一下——所有这些其实都是一种信息搬运的机制，都是因为人和人之间的传输成本比较高。
这个在科技公司里是不是尤其明显？
对。你想一个产品是怎么在科技公司里被设计出来的：你的 PM 要写 PRD，你的 designer 要把 PRD 解读成一个可视化的东西；developer 看了之后，可能要再做几周甚至几个月的开发；然后还要有 QA，又是几周；接着你还有 go-to-market，还有销售团队。端到端可能六个月就过去了，而里面很多其实都是翻译成本——就是把一个人到底想做什么，翻译成大家都能理解的东西。
我觉得 AI 进来之后，每一个环节都会变成新的 bottleneck。那天听一个 founder 讲，我觉得挺有意思：他说 AI 最开始打击的是 developer 的开发时间。你之前可能要两到三个月，现在 vibe code 一下，两周就写完了；然后你就会发现 QA 不太对了，QA 变成了 bottleneck——你没理由再花几周去做 QA。
所以就把 QA 的人裁了，或者把这个 function 改掉。
然后你会发现，前面的 PM、设计又成了新的 bottleneck，变成最花时间的地方。
等你改完之后，又发现 go to market 成了瓶颈。
它成了最新的 bottleneck。所以就像在不停地解决问题、打地鼠一样，我觉得实际上是整个流程都需要重新设计。
你研究之后，觉得重新设计后可能会长成什么样？
我觉得，以前可能是一棒接一棒的模式，像接力赛。
之后可能更像一个小团体，叫它篮球赛也好，就是 3 到 5 个人组成一个小分队。
必要的技能都在你这个团队里，而且这个团队应该能自己直接做决策，只有非常大的问题才会向上汇报，大概是这么一个模式。
里面还有一些细节，比如 QA 可能要嵌入开发，PM 也要做得更全能一点。
所以是挺多细节上的变化。
最近很多人也在讨论 AI 时代现有公司应该怎么做组织变革。
你目前有没有看到一些比较成功的案例？
有没有一些具体的做法？
另外，比如说基层、中层、决策层，哪个链路的人在未来会变得更重要？
相应地，哪些人可能更危险一些？
说实话，我也在找哪些组织转型比较快，但美国这边说实话还没看到。
比较 consensus 的一点是，大家肯定都会说中层要被压缩。
我另外的一个感觉是，一个企业里可以被追踪到的信息，量会暴增。
比如人和客户谈判的整个过程细节，应该都会被 capture 下来，然后喂给 agent；agent 还能拿到我 CRM 里所有的历史数据和往来记录。
它应该能有一个上帝视角，直接告诉我客户现在到底是什么状态、你接下来需要做什么。
所以整体感觉就是，企业会变得更"活"。
但我自己也在找，有没有比较好的例子。
嗯，诶，我看到你最近还写了不少关于 ai 时代组织架构的文章，这有点不太像投资人会研究的课题，对吧？
你为什么会开始研究这个？
对，我也不是 hr 我也不是 ceo 就是，但我研究下来，我觉得这件事情比想象的要重要很多，而且其实非常有意思。
就是还是就是 Dario 他提过两个概念，他说一个叫 Technology diffusion，然后另外一个它叫，就是 economic diffusion。
那 technology 就说是模型能力本身的进步嘛，大家都能看到这个曲线还是非常陡峭的。
然后它这个 economic diffusion 它就是说你这套模型能力真正被企业和经济就是吸收落地的速度，他自己是说这个是没办法吃得准的，因为可能要就是落后几年，甚至对吧，就是大几年，甚至十几年的这么一个一个一个窗口。
所以其实研究这个组织架构本质上就是在判断这个 economic diffusion 就是 AI 什么时候变成收入，然后什么时候这个社会生产力会提升的这么一个一个问题吧。
历史上有没有类似的例子啊？
哦，其实有非常非常非常经典的例子。
一个就是当年差不多就是电发明的那个时候，就是从电灯泡到真正的社会生产率提升，就其实是用了40年，大概有二三十年那个生产率是没有任何提升，甚至反而还降了一点的。
然后这个去看背后的原因，就是说之前都是蒸汽机嘛，然后蒸汽机的那些工厂实际上是是垂直这样堆起来设计的，因为你中间是需要放一台这个非常大的蒸汽机。
然后你你你靠这个皮带啊，然后去去去发这个动力的。
就其实电机很快就被发明了，但是并没有就是真的用到流水线上，并没有真的提升效率。
就是大家还是哦，把蒸汽机拆掉，然后换出去，然后把电机塞到同样一个位置，然后工厂还是像原来那样垂直设计的。
对，一直是到流水线形成了，其实那个时代的这个就生产率才上去。
所以给我的震撼也比较大，就是说新技术出现，对吧？
真的不是说直接就等同于这个，就是 economic diffusion 或者这个经济的价值。
嗯。
哦，还有另外一个就是离我们近一点，就是说快到了计算机的时候，就应该是80年代，90年代吧，80年代的时候，其实电脑就已经在。
就是在办公室，在银行，其实都已经在用了。
然后那个时候跟现在非常像，我觉得就是每个人都觉得自己的工作更快了。
但是宏观上面，生产率没有任何提升。
然后我看一些经济学家就说什么啊，这个是什么 Productivity Paradox 就是很多人对这个话题进行研究，最后发现是到了90年代中后期了吧，就是一些啊像沃尔玛呀、像亚马逊啊那些公司。
他们开始围绕着这些计算机和网络重新设计它的这个业务。
那个时候出现了就是企业的数据库，然后非常早期的 ERP 然后包括像亚马逊的这个供应链，然后整个对吧，用用用这个就电脑的这套思维重新设计了一下，然后一下子整个生产力就就就上去了。
所以就回到就是达瑞欧这个东西，我觉得还是挺有意思的。
对比之前这些历史时期啊，你觉得 ai 现在曲线它在哪个位置？
我觉得现在可能就是像刚才说的，把电机塞进蒸汽机的那个。
位置的这个阶段吧，就是每个人都把 ai 加进了自己工作流。
然后但是其实我觉得也没有人真的去问，说这个流程本身，或者说这个公司本身为什么长成现在这个样子，或者说像我们刚才说的，为什么对吧？
比如 meta 或任何公司需要8万人，为什么我们需要这么多的层级？
对，还是有挺多就是没解决的问题。
嗯，那如果从第一性原理看的话，你觉得公司为什么是今天这个形态？
呃，公司其实就是里面就几个事情吧，就是你有很多人，然后你今天有很多层级，然后中间有一些就是信息流。
反正一般大家说层级都会理解为说是一个权力的一个结构，就是谁向谁汇报，然后谁比谁更 senior。
但我觉得其实这个层级它更更深层的功能应该是一个信息的一个传递。
就是因为你你这个组织变大了之后，你没有人能看到一个全貌，所以你需要这个一层一层的这个 managers 这个管理层，然后他先从就是 ceo 这里收集信号，然后他综合一下。
然后他提炼一下。
然后它向下一层一层传递下去，然后从下往上也是靠这个方式去去去翻译，去拆解。
就其实组织这个机制，我觉得都是在解决这个信息传递的这个问题，包括我们开这些会，包括大家说的什么同步，这这些进度。
包括这个什么，对吧？
一个 quarter 大家要要要要要对齐一下，然后所有这些其实都是一个信息搬运的机制，都是因为人和人之间就是传输的成本比较高吧。
嗯，这个在科技公司里是不是尤其明显？
对，就是或者你想一个产品怎么在科技公司里面被设计出来，就是你的 pm 你要写这个 prd 然后你的这个 designer 要把 prd 就是解读成一个就是可视化的东西。
然后 developer 呢，看了之后，啊，可能要再做几周或者几个月的这个这个开发，然后还要有 qa 还有几周，然后你还有 go to market 对吧？
就这个这个销售团队。
然后端到端可能就六个月就过去了，里面很多其实都是翻译成本，就是一个人把另外一个人到底想做什么，然后大概翻译成就是大家能理解的东西。
啊，我觉得 AI 进来之后每一个环节都会变成新的 bottleneck。
就那天听一个 founder 讲，我觉得挺有意思的。
他说最开始打击的是这个 developer 的这个开发的这个时间。
你之前可能要两到三个月，你现在 web code 了，然后你可能两周就写完了。
然后呢你就会发现，哎， QA 就不太对，变成了包和那个，你就没理由说再花几周做 QA。
所以就把 qa 的人裁了，或者把这个 function 就改了。
然后你就会发现这个前面的这个这个 pm 这个设计又成了新的包头带，变成了最花时间的地方。
然后你你改完之后，你发现这个 go to market 又成了。
最新的 Bonjour 来，所以就是就像在不停的在解决问题打地鼠一样，就是我觉得实际上是整个流程都需要重新设计。
你经过研究以后啊，你觉得这个重新设计之后可能会长什么样？
嗯，我觉得就是之前可能是一棒一棒的这种，就接力赛吧。
然后之后可能更像是一个小团体的这种，呃，叫叫篮球赛也好，就是可能就3~5个人一个小分队。
然后你的这个必要的技能都在你的这个团队里面了，而且这个团队应该是能自己直接就是做决策，然后只有非常大的这个问题才会向上汇报，可能是这么一个一个模式吧。
然后里面一些细节，比如说你这个 qa 可能你嵌入开发，然后包括你 pm 也要做的就是更全能一点。
对，所以是，就是挺挺多细节上的变化。
很多人最近也在都在讨论 AI 时代应该怎么做组织变革，就是现有的一些公司。
你目前有没有看到一些比较成功的案例啊？
有没有一些具体的做法？
然后还有比如说，嗯，基层、中层、决策层，哪个链路的人在未来会变得更重要？
相应的哪些可能更危险一些？
哦，说实话我我也在找，就是哪些组织就是可能就是转型比较快，但美国这边说实话还没有看到。
就是比较 consensus 大家肯定都会说说中层要被压缩。
我另外感觉就是，我觉得一个企业里面可以被追踪到的这个信息，我觉得会这个量会暴增。
那我觉得人会把，就是他和客户就谈判的整个过程细节应该都会 capture 到，然后都会喂给这个 agent 然后 agent 还能拿到所有我 crm 的这个历史数据，然后往来。
然后它应该是能，就是有个上帝视角似的，能能直接告诉我说客户现在就其实什么状态，然后啊你你需要做什么。
所以整体感觉就是企业就更活了吧。
但我我自己也在找，就是有没有比较好的例子。
前面我们聊了 token、模型、软件和组织，现在回到你最熟悉的领域：AI 会给投资行业带来什么变化？
我觉得变化会非常多，因为投资行业真的是一个非常非常低效的行业。
大家花大量时间在找信息、清理数据、比较预期，然后判断 positioning。
我这几个月一直在想的问题是：如果你给这个 agent 足够干净、也足够量的数据，然后把你的交易目标清晰地告诉它，它有没有可能做得比人好？我觉得理论上这百分之百会比人做得好。当然，你需要告诉它你理想的交易是什么样的，因为每个人的理想交易、或者说交易风格都不同——你希望每一笔持有多久？你追求多少收益？你能承受多少回撤？什么样的机会你才愿意出手？把这些都定义清楚之后，我觉得 AI 能做出一套非常完美的交易系统。所以我倾向于认为，今天之所以还没做出来，只是因为大家自己的思维也很混乱，没有真正把自己的思维过程完全解构清楚。
今天还没做出来，你觉得它的难点主要在哪里？
一个很明显的难点在数据。财务数据听上去非常标准化，但实际上非常非常细碎。比如最近我在用 agent 去接财务数据，我发现可能需要接十几二十个财务数据的 vendors，才能拼凑出我平时用的这些数据，是非常乱的一个行业。另外，我觉得还需要更好地理解市场背后不同玩家是怎么做决策的。拿美股来说，从交易量的角度看，量化的占比其实超过百分之六七十，散户大概占百分之三十；传统机构我们觉得很大，但实际上根本不占什么交易量；平台型的机构，比如 Citadel，也就能占个位数。如果你再回到量化，假设高频本身不去做方向性判断，那它更像是一个 momentum 的加强器。所以真正影响方向的，是散户、中频和平台型玩家。说回来，这个 agent 还需要能很好地理解散户到底在怎么想。我觉得散户是非常重要的，AI 时代也会让更多人参与股市。
散户的行为也会更加机构化，也会更复杂，所以这是挺值得多想一想的。
诶，散户喜欢什么？
我觉得有几条规律比较明显，是我总结出来的。第一，散户整体喜欢 PE、也就是估值比较低的。他们不一定会看那么多很细的财务数据，但 PE 这个数字怎么都会瞄一眼。第二，喜欢梦想比较大的，喜欢创始人有张力的——包括这些年的特斯拉、SpaceX，也包括我们说的 Robinhood，都在这个范畴。第三，喜欢绝对股价不高的：同样市值，如果你每股八块钱，会比每股八百块钱更受散户欢迎。所以说到底，我觉得散户喜欢股价涨的。我整体的感觉是，未来不再是机构教育散户，而是机构也要向散户学习。因为这个市场有一个很明显的趋势，越来越风格化、越来越 thematic、也越来越 narrative-driven，散户本来就是价格形成的一部分。
你觉得市场会有很大的变化吗？
我自己觉得会。一是刚才说的散户和机构的信息差，我觉得会非常快地收敛。二是基本面和量化，尤其是和中频量化，我觉得会有一波 converge。任何市场上的 alpha，或者说 alpha 的 realization、alpha 的实现，会变得非常快。举个例子，比如 OpenAI 宣布和某一家公司合作，以前市场可能要花几天来理解，这几天之内我会给不同机构的投资人朋友打电话，让大家对一对数字，然后你会看到股价在几天内调整到我们大部分玩家觉得比较合理的位置。但之后不一样了：你把所有这些信息给到 agent，它自己就能去看之前的案例，可能那一秒就能达到那个股价。所以这种 event-driven 的、事件类型的交易，我觉得会越来越没有做的必要，几乎没有必要做。再比如财报也是，今天我们看一个财报要看很多东西：你要算第三方的数据，要问市场预期，要比较 consensus。未来这些都会更系统化、更框架化，AI 会有一种上帝视角的感觉，做出更精准的判断。那说回来，市场会怎么变？我觉得，因为 agent 做了非常精准的变化，股价可能不会像今天这样，在业绩发布时有那么大的波动。
那你觉得市场会更波动，还是更有效率？
两者都会有。更波动，是因为大家反应都更快——都是 agent，它会放大，几乎同一个 signal 的交易会更拥挤。更有效率，是因为信息很快就进入、反映到价格里面。所以真正的 alpha，就会从"我比你早发现一点"变成"我比你更能理解一些大的趋势"。而且我觉得很明显，之后跨行业的研究会越来越重要。
我觉得未来在投资行业需要做一个专才。
比如我们今天有些基金，它主要做中小盘、做那些没人看的小公司，因为只有在这里面才能挖到一些 alpha。
但我觉得这块很快就会被 AI 全覆盖，因为 AI 的学习能力非常强。
所以我也挺期待的，应该能看到很多变化。
嗯，你看我们前面聊了 token 模型、软件和组织，那现在我们回到你最熟悉的领域啊，就是 AI 对投资行业会带来什么变化？
啊，我觉得变化会非常多，就是因为投资行业真的是一个非常非常低效的行业。
啊，大家花大量的时间都在找信息，然后这个清理这个数据，然后比较预期，然后判断这个 positioning。
我这几个月想的问题就是说，如果你给到这个 agent 足够干净也足够量的这个数据，然后你能很清晰的告诉他你的这个交易目标。
嗯，它有没有可能做得比人好？
我觉得理论上这个百分之百会比人做得好。
当然你需要告诉他你理想的交易是什么样，因为每个人对吧，理想交易或者说交易的这个风格不同。
你希望每一笔持有多久？
你希望追求多少的收益？
你能承受多少的回撤？
什么样的机会你会愿意出手？
就是这些都定义清楚之后，我觉得 AI 能做出一道非常完美的这个交易系统。
所以，我倾向于觉得今天没做出来只是因为大家。
其实思维也很混乱，对吧？
没有把真的自己的思维过程完全解构清楚。
你今天没有做出来，你觉得它的难点主要是在哪里啊？
我觉得一个很明显的就是在数据吧，因为财务数据就是听上去非常标准化，但实际上非常非常非常细碎。
呃，像最近，比如我在用这个 agent 去接财务数据，我发现我需要接可能十几二十个这个财务数据的 vendors。
才能拼凑起我平时用的这些数据。
所以是非常乱的这么一个一个一个行业。
然后另外，我觉得也需要去更好的理解市场背后不同玩家。
怎么去做决策吧？
就是拿美股来说，从交易量的角度来看，其实量化占比是超过百分之六七十的，然后散户大概是百分之三十。
然后传统机构我们觉得很大，但实际上根本不占什么交易量。
然后平台型的一些机构，比如什么 Citadel 啊，它能占个百分之，就是个位数吧。
然后如果你再回到量化，如果你假设高频本身，它不去下一个方向性的一个判断的话，它更像是一个 momentum 的一个加强器。
那所以真正影响方向的就是散户、中频和 platform share 所以说回来就是呃，这个 agent 还需要能很理解，就是散户啊，就是到底在怎么想。
呃，我觉得，所以散户是非常重要的，我觉得 AI 时代也会让更多人参与股市。
散户的行为也会更加机构化，也会更复杂，所以是挺值得去多想一想的。
嗯，诶，散户喜欢什么？
哦，我觉得几条比较很明显的，我我总结出来的规律，一个就是散户整体其实喜欢，就是 pe 就估值比较低的。
然后可能不一定看那么多很细的财务数据，但是 pe 这个数字怎么都会瞄一眼。
然后另外就是喜欢，就是梦想比较大的，然后喜欢这种创始人有张力的，包括这些年的这个特斯拉、 Spacex 这些，包括我们说的 Robinhood 也在这个也在这个范畴。
还有就是喜欢绝对股价不高的，就比如同样市值，如果你每股八块钱，你会比每股八百块钱更受散户的这个欢迎。
所以但说到底吧，我觉得散户喜欢股价涨的。
反正我整体的感觉就是未来不再是一个机构教育散户，而是说机构也要向散户学习，因为这个市场有很明显，非常的越来越叫风格化，越来越 thematic 然后也越来越 narrative driven 所以散户本来就是你价格形成的一部分。
嗯，你觉得市场会有很大的变化吗？
我自己觉得会，就是一个是刚才说的散户和机构信息差，我觉得会非常快的收敛。
然后另外我觉得基本面和量化，尤其是和中频量化，我觉得会有一波叫 converge 吧，然后我觉得任何市场上的 alpha 的这个，就是或者说 alpha 的 realization 就是 alpha 的实现会变得非常的快。
举一个例子，比如之前说 OpenAI 它如果宣布和某一家公司合作，那以前市场可能要花几天理解，那这几天之内我会给我，呵，比如说不同机构投资人朋友打电话，让大家对一对数字。
然后你会看到，哎，那个股价几天会调整到我们大部分玩家觉得比较合理的位置。
但之后就是，对吧？
你给 agent 所有这些信息，他能自己去看，就之前的一些一些案例，所以他能可能那一秒就是就能达到那个那个股价，所以这种就是 event driven 的这个事件类型的交易，我觉得会越来越。
几乎是没有做的必要。
再比如财报也是，就今天我们其实看一个财报，里面要看很多东西。
你要对吧，算第三方的这个数据，然后你要问市场预期，你要比较 consensus 然后我觉得未来这些都会更系统化、更框架化，然后 AI 会有一种就是上帝视角的感觉，做更精准的判断。
那说回来呢，市场怎么变？
那我觉得可能因为， Asian 做了非常精准的变化，可能股价不会像今天似的在业绩就是有那么大的这个波动。
嗯，哎，那你觉得市场会更波动还是更有效率啊？
两者都会有，因为更波动，因为大家反应都更快，因为就是 agent 嘛，它会放大，几乎是同一个这个这个 signal 的交易会更拥挤。
然后也会就是更有效率，因为就是信息就是很快就进入，反映到价格里面。
所以真正的 alpha 就会从啊，我比你早发现一点，然后变成我比你更能理解一些大的趋势吧。
而且我觉得很明显，就我觉得之后，就是跨行业的研究越来越重要了。
我觉得以后是需要在投资行业去做一个专才。
然后可能像比如我们今天有一些基金，他说他主要是做这种中小盘，做这种就是没人看的这种小公司，因为这个里面才能有一些就是就是一些 alpha 吧。
但我觉得这个东西很快就都会被 AI 覆盖，因为 AI 的这个学习能力是非常强的。
对，所以也挺期待的，能，应该能看到挺多变化的。
我们回到投资层面。这一波 AI 创业公司，哪些方向已经跑出收入了？
你可以来一个快问快答。
Coding 肯定是最大的一块，几十亿美元的收入都有了，这是最大的一块。
再往下就断档了。比如做 healthcare 的，无论是 Abridge 还是 OpenEvidence，大概加起来有两个 billion（约 20 亿美元）。
做 legal 的，无论是 Harvey 还是 Legora猜测?，加起来超过一个 billion。
customer services（客服）会接近一个 billion；video generation（视频生成）大概是几百个 million；AI 推理基础设施这块，无论是 Together 还是 Fireworks，整个行业有几个 billion 的收入。
做芯片的，无论是马上要上市的 Cerebras，还是之前被收购的 Groq，也是大头。这基本就涵盖了所有能上到 billion 量级的创业公司。
在这些领域，模型巨头们会不会跟他们直接竞争？
这个问题其实挺有意思。从 22 年大家就开始问，但我觉得过去几年答案一直在变。
二三年的时候，大家管这些叫 AI wrapper，或者叫模型 wrapper，那时候大家很担心模型公司会吃掉一切。
但实际上二四、二五这两年，大家已经不再说这个话了。因为会发现这些公司收入增长非常快，也有一些比较好的退出。
可是就到这两个月，我重新开始非常担心模型公司的竞争。因为模型本身变得非常 stateful——它有 skills，可以用工具，有 connector，有记忆——应用层和模型层的边界，其实又一次被推向了应用层这边。
像 Anthropic 已经站出来说，它会先吃编程，第二大业务就会去吃金融领域。
我觉得它应该是看到了我看到的：金融这个领域非常肥，而且非常低效。
再比如 OpenAI 马上推出自己的音频模型，那它对 ElevenLabs 会是什么样的影响？（LifeK猜测，疑为口误/填充词?）
这些问题，我觉得都会很快出现。
而且还有一个挺大的变化：OpenAI 和 Anthropic 几乎在同一天都宣布，自己要和很多私募基金合作，把模型推进去。这些基金所投的被投企业里面，会有一波非常大的 adoption。所以竞争确实非常多。
那说到这里，应用公司还剩下什么呢？模型公司四处开战，模型公司吞噬一切。
我有我自己的看法，但先说一下这些应用公司自己是怎么去 defend 的。比如说做 legal、做法律的那些公司，他们会讲：因为合规，因为那个行业的监管比较严，律所会非常担心模型出现 hallucination，所以今天的大模型没法直接拿去做应用。再比如我们聊过的一些做客服的公司，他们会非常强调客服领域有很多 last mile——总有一些长尾的需求。
但我个人觉得，如果你只是依赖合规，或者只是去处理 last mile 的工作，其实你并不能吃到最大、最肥的那块价值；而且我觉得，你的利润率长期来看也不会特别好。
那么到了 2026 年，作为投资人，你还投应用公司吗？
投还是投的。这里面还有一个变化——投资行业流动性的变化，我觉得也挺重要的。过去几个月里，其实每一家你熟悉的 VC 基金都成立了一个成长型基金，专门投后期项目。然后用这个成长型基金，去从自己的 VC 基金手里接盘，不管是 OpenAI、Anthropic 这样的大项目。这么一来，VC 基金反而被空出来了。所以作为创业公司，其实还是很容易拿到融资的。
而且今年马上会有一波上市，也有很多收购的案例，所以 VC 都在疯狂退出，手里的现金还是挺充足的。
OK，那现在你们 VC 圈里最火的是什么？
我觉得硅谷这几个月最火的肯定就是 Neo Labs。真的能有一百家 Neo Labs 吧——就是那些从 AI Labs 出来的研究员，自己开的新的 Labs。
对，包括那个赛宁谢赛宁?，包括那个洪乐人名待核?。
苏御?他们来过我们节目，他们应该都算是 Neo Labs。我也发现，硅谷的那个投资主题变成了 Neo Labs——这本身说明什么呀？为什么会这么投？而且为什么是这个时间点？是不是说，有能力做模型的创业者都不太会去做应用？一般来说，这两类拿到的融资金额差距还是挺大的。
对。为什么现在会出来？我觉得是因为 OpenAI 和 Anthropic 涨到了接近一个 trillion、也就是一万亿的估值。于是很多投资人会想：我现在拿着它，还能再赚多少回报？但如果有任何一个 Neo Labs，我能博到一个几倍的收益，那这一笔还是非常值得去做的。
再有就是，这几年硅谷整个有一个叫 acqui-hire 的机制——只要你足够优秀，你总会被一个非常优秀的 lab 再招回去。所以这也让退出机制变得非常好。这就是我认为的主要原因吧。
我也可以实话说，从 VC 的角度看，有的 VC 投 Neo Labs 投得非常多，有的则完全不碰。这背后实际上是一个非常非常简单的数学问题：因为每一家 Neo Labs 融资的金额都比较大，VC 会想，在这么大、几十家的盘子里，我不可能全都投；但我也绝不可能只投一家，因为你根本选不出来那一家。所以我大概要放，比如说四五家。每一家如果放五千万，那就是大概两个亿的总投资。这个时候 VC 就会去看，我这一期基金有多大：如果我是一个大几个亿的基金，我是可以去做整个 Neo Labs 这个板块的投资的。那其中只要有一家、比如说有几倍的收益，那就可以了。
对，所以这是从 VC 的角度来看。
现在除了 Neo Labs，还有什么别的方向？
任何跟推理相关、能让模型降价的这类创业公司，都非常火。
另外一个我自己觉得比较有意思的方向，是给这些 agent 做基础设施的创业公司，这一波挺有意思的。因为像我们刚才讲的，agent 不是人，它在使用工具时——用 email、用支付——跟人是不一样的。
比如拿 email 来说，今天 Gmail API 对发送量、对请求频率是有限制的。这个限制对人来说可能够用，但对 agent 来说是完全不够的，很容易就被 detect 到，然后被 block 掉。所以就出现了这样的创业公司，叫 AgentMail，专门给 agent 用来发邮件。手机也是一样，有一个叫 AgentPhone。我觉得之后其实所有的基础设施——不管是 browser、identity、payment 还是 compliance——都会被重新做一遍。
嗯，Agentic Commerce 这条线你怎么看？
跟几个月之前相比，我新的判断是：To B 比 To C 要大很多。
To C 这边，今天的消费体验其实已经做得挺不错了，很多时候消费者甚至愿意自己花时间去看这些网页，里面也有一些娱乐属性。如果 AI 只是帮我去下单，价值是有，但没那么大。所以你看 OpenAI 可能也看到了这一点，他也觉得这块不好做，目前只想做跟 travel 相关的部分，还没有去碰真正的消费。
而 To B 这边，我研究下来觉得非常不一样。比如跨境电商：我公司在美国，但我想远程采购一批办公沙发。这里面其实有非常广的信息维度——你的订量是多少、单价是多少，如果订得多可能有折扣；还有认证、有没有进出口的合规、有一些付款条款，比如付款付得早可能给你什么样的折扣。这是一个非常复杂、非常长的链条，有很多沟通成本。而只要是沟通成本高的场景，都天然非常适合 agent。所以这块我觉得反而是值得去看一看的。
最后聊聊自动驾驶和机器人吧，你怎么看这一块的新动向？
我们回到投资层面啊，ai 这波创业公司哪些方向已经跑出收入了？
你可以来一个快问快答。
哦，呃，扣点肯定是最大的嘛，就是几十个编的收入都有了。
啊，是最大的一块。
然后往下就断档了，就是比如说做 healthcare 的，不管是 a bridge open evidence 然后大概有两个 b 吧。
然后做 legal 的，比如说不管是 Harvey 呀，或者是 Laura 呀，这个有超过一个 b。
然后 customer services 会接近一个 b 然后 video generation 大概是几百个 million 哦，然后 AI 就是推理基础设施，不管是 together 或者说 fireworks 都是这个行业有几个 billion 的这个收入。
然后做芯片的，马，不管是马上要上市的 Cerebras 啊，包括之前被收购的 Groq 啊，这个也是大头吧，这个几乎就涵盖了所有。
能上一个 billion 量级的这个创业公司啊。
嗯，在这些领域，这些模型巨头们会不会跟他直接竞争啊？
啊，这个这个其实挺有意思的，这个问题从22年大家就开始问，但我觉得这个答案在过去几年是一直有变化的。
就是二三年的时候，那个时候大家管这些叫 AI rapper 对吧？
或者就是叫模型 rapper 那个时候大家是很担心模型公司会吃一切的。
然后但实际上二四二五年这两年，大家其实已经不再说这个话了。
就是因为会发现这些公司其实收入增长也非常快，然后也有一些比较好的退出。
但是可能就到这两个月吧，我觉得我重新又开始非常担心模型公司的竞争，因为模型本身在变得，就他们叫非常的这个，stateful，就是它有这些，不管是 skills 啊，然后它可以用工具啊，有 connector 啊，有记忆啊，就是就应用层和模型层的边界。其实是又一次
就是被推向应用层这边。
然后像 Anthropic 对吧，它已经就已经站出来说，它说它会先吃编程，然后它第二大业务它就会去吃金融领域。
对我觉得他应该可能就看到了我看到的，就是金融这个领域非常的非常的肥，而且非常的低效。
然后像 OpenAI 马上推出自己的这个音频模型，那它对不管是什么，LifeK，不管是对 Eleven Labs 会是什么样的影响？
就这些问题，我觉得都会很快出现。
而且哦，还有一个挺大的一个变化，就是 OpenAI 和 Probability 几乎在同一天都宣布自己和很多这个私募基金合作，然后把模型推到。
这些基金的被投的企业里面，就就是这个里面会有一波非常大的，就是 adoption 所以对，挺多挺多竞争的。
哎，那说到这里，应用公司还剩什么呢？
模型公司四处开战，模型公司吞噬一切。
嗯，我有我自己的看法，但是我就说一下这些应用公司自己是怎么去 defend 的吧？
就比如说呃做 legal 做法律的那些公司，他会说说因为合规啊，因为就是那个行业的一些监管会比较严，然后律所会非常担心模型出这个 hallucination 所以不能用。
今天的大模型直接去做应用。
然后像我们聊的一些就是做客服的公司，他会非常强调说啊，客服领域有很多的这个叫 last mile 就是你你你总有一些。
就长尾的一些一些需求。
但是我个人觉得说，如果你只是依赖于一个合规，或说你只是去处理 last mile 的这个工作，其实你并不能吃到，就是最大最肥的这块价值，而且你的利润率我我觉得长期也不会说特别的好。
嗯，所以2026年了，你还投应用公司吗？
作为投资人。
投还是投的。
这里面还有一个，就是从投资行业流动性的一个变化吧，我觉得也挺重要的，就是在过去几个月里面，其实每一家你熟悉的 VC 基金都成立了一个。
就是成长型基金，就是投后期项目的。
然后用这个基金，其实是去从呃自己的 vc 基金里面去接，不管是 OpenAI anthropic 这样的大项目。
所以就是 vc 基金。
反而是被空出来了。
所以就是就作为创业公司，其实是还是很容易拿到融资的。
而且今年马上有一波上市，然后也有很多就是收购的案例啊，所以 vc 都在疯狂退出。
所以手里的现金是还是挺充足的，对。
OK，所以现在 VC 你们那里最火的是什么呀？
我觉得硅谷这几个月肯定就是 Nio Labs 就是。
真的是能有100家 New Labs 吧，就那 New Labs 就是那些从 AI Labs 出来的研究员自己开的新的这个 Labs 对。
对，包括那个赛宁，包括那个洪乐的洪。
苏御他们来过我们节目，他们应该都算是 New Labs 诶，我也发现，就是硅谷的那个投资主题变成了 New Labs 这本身说明什么呀？
为什么会这么投呢？
而且为什么是这个时间点啊？
是不是说就是有能力做模型的创业者都不太会去做应用？
一般来说，这两个拿到的融资的金额差距还是挺大的。
对对对。
为什么现在会出来？
我觉得就是因为 OpenAI 和 Profi 涨到了这个接近一个 trillion 就一万亿的这么一个估值。
然后很多投资人会去想说说我现在拿着它，我还能再赚多少的回报？
但是如果说有任何一个，对吧？
这个 new labs 我能博到一个几倍的这么一个收益，那我还是非常值得去做这一笔的。
而且再有就是这几年，因为硅谷整个它叫 acquire hire 对吧？
就是你只要你优秀，你总会被一个非常优秀的 lab 再去再去给招回去。
所以也让退出机制变得非常的好。
所以我觉得，这样，我就主要这个是是原因吧。
然后我也可以实话说，就是从 vc 的角度，因为有的 vc 就是投 New Labs 投的非常的多，有的是完全不碰。
这个背后实际上是一个非常非常非常简单的一个数学问题。
就是因为你每一家 New Relic 融资的金额都是比较多的嘛，那 VC 会想说说我在这么大几十家里面，我不可能全都投。
但是我也绝不可能只投一家，因为你这一家你根本选不出来。
所以我要放，大概是放，比如说啊，就四五家。
然后每一家我如果放五千万，那我就是大概两个亿的这个总投资。
那这个时候 vc 就会去看说我这一期基金有多大。
如果我是一个大几个亿的这个基金。
我是可以去做，就是整个 New Labs 这个板块的投资的。
那其中像我们说有一个，比如说有几倍的收益就就就可以了。
对，所以这个是从 VC 的角度。
现在除了 New Labs 还有什么别的方向？
呃，任何跟推理和能让模型就降价的这个这些创业公司都非常的火。
然后另外一个我自己觉得比较有意思的是给这些 Agent 去做基础设施的创业公司，这波挺有意思的。
就是因为像我们刚才讲的 agent 它不是人嘛，就当它用这个工具，用 email 然后包括用这个用支付，和人是不一样的。
比如拿 email 来说，就是你今天这个 gmail API 对发送量的这个请求的这个频率是有限制的。
你对人来说可能是够了，但对 agent 来说是完全不够的，是很容易就就被 detect 到，然后就被就被 block 住的。
然后所以有这样的创业公司叫 Agent Mail 它是给 Agent 用来发邮件的。
然后手机也是一样，有一个叫 Agent Phone 我觉得之后其实所有的基础设施。
不管你是，就是什么 browser 啊、 identity 啊、什么 payment 啊、 compliance 这些都会被重新做一遍。
嗯，Agency Commerce 这条线你怎么看？
哦，可能跟几个月之前相比，新的判断就是我觉得土 b 比土 c 要大很多。
土 c 就是今天这个消费体验其实已经做的还挺不错了，甚至很多时候消费者是自己愿意花时间去看这些网页，然后也有一些娱乐的属性在里面。
那 AI 只是帮我去下单的话，可能价值是有，但是不是那么大。
啊，所以其实你看 OpenAI 可能也是看到了这个，他也觉得不是很好做，所以他目前那一块，他只是想做和就是 travel 相关的，先没有去碰，就真正的这个消费。
然后 to b 这边我研究下来我觉得是很不一样的。
比如说跨境电商，就是我公司比如说在美国，但是我想比如说远程购买一批办公的沙发。
然后这个里面其实有非常广的信息维度。
啊，包括我的这个，你定量是多少？
你的单价是多少？
如果你订的多了，可能有一个折扣。
然后你这里面的这个这个认证，然后有没有一些就是进出口的这个合规，然后有一些付款的条款，如果你对吧？
可能你付款付的早，我会给你一个什么样的折扣。
就是是一个非常复杂非常长的一个链条，其实呃有很多沟通成本，然后只要沟通成本高的这个场景。
都天然非常非常非常适合 agent 呃，所以这块我觉得反而是值得去看一看的。
嗯嗯，最后讲讲自动驾驶和机器人吧，你怎么看这一块的新动向？
说实话，我觉得整体的发展比我想的要慢，这对我来说也是一次看法上的修正。
自动驾驶这边，我觉得最有意思的其实是英伟达，它推出了自己的开源模型，叫 Alpamayo。这个模型如果真能做起来，就相当于车厂的安卓系统。真要成的话，整个行业格局都会变——自动驾驶不再只是一两家车厂能做，而是会很快进入一个迅速铺开的过程。所以这是我个人花时间最多、也觉得最值得关注的方向。
在一些自动驾驶的细节上，大家也开始卷 reasoning。语言模型感觉已经把 reasoning 做好了，而自动驾驶才刚开始做。因为大家发现，纯靠堆数据、做模仿学习，覆盖不到所有的 edge cases，所以模型还是得能去理解路上到底发生了什么。
机器人最近是不是有点突破？
我看了很多，但自己可能会更谨慎一点。很多 researcher 都会说，在机器人领域还没有看到像 LLM 那样清晰的 Scaling Law——Scaling Law 这件事对我来说也是一次学习。
Scaling Law 和"模型加了数据就有进步"是两码事。真正的 Scaling Law，是需要你的 pre-training loss 能呈现出一条非常干净的下降曲线，而且还要有跨任务、跨场景、跨本体的泛化。所以现在的状态是：大家都希望它出现，但目前更像是一个 feature 强化的阶段，还没有一条真正可以外推的干净曲线。
另外就是机器人的 hardware 到底怎么做。感觉过去几个月每一家厂商都跑去深圳学习了一波，所以面临的挑战还是挺多的。
要不来中国投投？
对，如果中美关系能更好一点，投一些中国的机器人其实是比较合理的决策。
我说实话，我觉得整体比我想的发展是要慢的。
所以，嗯，这个对我来说也是一个就看法的一个修正吧。
像自动驾驶这边，我觉得最有意思的其实是英伟达，它推出了自己的开源模型，叫这个 Alp Ma。
这个如果真的能做起来，就是像，就是车厂的这个安卓系统吧。
那如果能成的话，那行业的格局都会变，就不再只是一两家车厂能做自动驾驶，而是会很快有一个就是一个一个铺开的一个过程。
所以这个是我个人花时间最多，也是觉得最值得关注的。
然后一些自动驾驶的细节上面，大家也开始卷 reasoning 吧。
像比如说语言模型感觉已经都，就已经做好 reasoning 了，但是自动驾驶是大家开始做 reasoning。
因为大家也发现，就你纯靠堆数据，然后模仿学习，你覆盖不到所有的 edge cases 所以模型还是要能去理解，就是路上发生的到底是什么。
嗯，机器人最近是不是有点突破？
我看了很多，就是我自己可能会更谨慎一点，因为嗯就很多这个 researcher 都会说说在在机器人领域还没有看到像 llm 那样的清晰的 Scaling Law 就是，就是 Scaling Law 对我对我来说也是一个学习。
就是 Scaling Law 其实和这个模型你加了数据就有进步。
是两码事。
就是说你的这个，你 scaling law 是需要你这个 pre-traning 这个 loss 能呈现一个非常干净的这么一个 loss scale 的这么一个一个下降吧。
而且你还有一些什么跨任务啊、跨场景啊，就是跨这个本体的这么一个泛化。
所以现在是一个大家都希望它出现，但是目前更像是一个就是 feature 强化的这么一个阶段，没有一个真的可以外推的一个干净的这么一个曲线。
然后美国还有就是，对吧，就机器人的 hardware 怎么做？
然后感觉每一家这个厂商都在过去几个月都去深圳学习了一波，所以面临的挑战还是挺多的。
要不来中国投投？
啊，对，是，这这如果说中美关系更好一点，其实投中国的一些机器人是比较合理的一个一个决策。
我们去年聊过 AI 对美股大票的影响，过去半年你有没有一些新的想法？
有。我还回顾了一下去年聊的内容，觉得有两个判断需要很诚恳地复盘，一个对、一个错。
对的那个是：去年底我判断，今年市场最重要的风向标会是 OpenAI 和 Anthropic 的收入。
那这个判断看来确实是对的。我觉得市场今天涨得这么火热，其实就是靠 Anthropic 的收入一家撑起来的。但当时我有一个判断非常离谱：我以为今年整个市场的重心会慢慢从半导体接棒到 AI 应用，现在看来这个判断完全错了。
对，我感觉过年前和过年后完全是两个世界，每次都这样。那你现在觉得最核心的判断是什么？
或者说，我最担心的是什么吧。我最担心的就是接下来这些大厂，尤其是云厂商的现金流会非常难看，而我不知道市场对此会作何反应。因为按照今天的 CapEx（资本开支）曲线走下去，到 2027 年，几家大厂商的自由现金流都会转成负的。整个行业有超过 1 万亿美金的 CapEx，而且这还只是表内的数字——每一家大厂其实都暗搓搓地签了很多表外的资本开支。而且这些大客户还都和存储公司签了长协，所以 CapEx 的预测几乎只会上修、不会下修。所以我不知道，当大家真的看到现金流全都是负的时候，会是一个什么样的状态。
但市场也会问：花这么多钱到底有没有回报？
对，这个问题一直都存在。今年可能有一个比较好的变化，就是除了模型厂商——模型厂商甚至已经能看到利润率了——云这边也看到了投资回报，而且开始加速了。比如谷歌就是一个例子：假如它今年有 2000 亿的资本开支，而它的云收入大概能有 1000 亿美金左右，那大概就是两年回本这么一个概念。亚马逊也类似。所以云厂商不是没有回报，但问题是，云这个生意本身我还是觉得变差了。
为什么说这个生意变差了？
一是竞争变多，二是我觉得它在 compute stack 价值链里的价值被分走了很多。像现在有很多 neocloud，我们刚才也聊到，比如 xAI，也成了一个新的 neocloud。现在几家云厂商加起来已经有 2 万亿美元的收入储备，而这里面超过一大半其实都是 OpenAI 和 Anthropic 这些模型公司的长期算力订单。我说的"价值被分走"是指：云以前会卖很多上层软件，那部分的 margin 是很高的，但现在那部分价值很多被模型公司拿走了。
芯片这边有没有什么变化？
芯片这边有一个变化：云厂商很多自研芯片都开始从内部工具变成了对外售卖的商业产品。
谷歌的 TPU 是变化最大的。它之前一直不对外卖，而现在已经开始把 TPU 作为硬件直接卖给客户。我觉得这可能是它过去十年战略里最重要的一个变化。
亚马逊那边，它财报里也报出来了，有两百多个 billion 的 Trainium 收入，已经是一家独立芯片公司的规模了。
嗯，我记得我们之前还聊过广告。如果 OpenAI 开始卖广告，你觉得对市场会有什么影响？
哦，这块我也有一个反思，之前理解得不够完整。我原来的思路是：如果 OpenAI 做广告，对行业会非常危险。因为美国线上广告的渗透率已经超过 80%，你 OpenAI 再进来，那肯定是个存量的概念，你只能从 Google、Meta 手里去抢。
但后来我又看了一下，比如亚马逊的广告——它其实在过去几年悄悄地做出了一个接近一百个 billion 量级的广告业务。它拿的其实不完全是传统意义上的广告预算。
比如说宝洁给沃尔玛五十美元，让自己的洗发水在货架上放到更显眼的位置。这笔钱其实不算广告费用，而是作为一项收入，叫 trade and promotion，是从销售收入里面扣掉的。
所以这里面有很多细节，但总的来说，我觉得整个市场还是很大的。新进来的玩家，比如 OpenAI 开始卖广告，也未必就是一个纯存量、一定要从谷歌和 Meta 手里抢的概念。
嗯，今年是不是还有几个超大型的 IPO？Anthropic、OpenAI，这些对市场会有大的影响吗？
对。第一个上市的肯定是 SpaceX，然后还有你说的那两家。这几个加起来，咱们算，大概是四万亿美金级别的 IPO。那这样，你按 5% 融资算，大概是两千亿美元；你的流通盘可能是四千亿这样子。
所以我们也做了很多测算，跟投行来来回回地算，觉得从纯市场容量的角度看，是撑得住的。
你看全球主动投资股票的基金，也就是这些 mutual funds，现在账上可能就有一万亿美金的现金。
再加上散户——散户这些年自己投不进去，像 OpenAI、Anthropic、SpaceX 这些，他们肯定很想进这个市场、很想去投；再加上一些主权基金、对冲基金。
所以市场不是接不住。但我个人感觉，更大的问题其实是一个资金的轮动：新的 IPO 进来，大家喜欢、想去拿，那今天现有的 Magnificent 7 肯定会承压。
这还没算上我们刚才说的那点。
Mag 7 里很多公司的现金流已经要往外付了。所以原来是七巨头，之后你会发现很多都会被稀释掉，我是这么看的。
大厂裁员会不会有什么影响？
这个我也做了很多测算。我觉得裁员对它们的 EPS，也就是每股收益的帮助，其实是有限的。
大概算下来，比如你裁员 20%，对那几家 Mag 7 来说，大概对应 EPS 的 5% 或 10%。
但对软件公司的影响会非常大。
像 Salesforce 这种典型的人力密集型 SaaS 公司，一个 20% 的裁员，能很轻松地对应百分之四五十的 EPS 增长。
今年听起来这个市场一片向好啊，又是上市，又是退出。
有什么是可能让市场情绪变差的吗？
我觉得有几个可能。
一个是社会影响。
如果出现大规模裁员，政府多少会有一些干预。
再比如 token 浪费带来的回落。
像 Meta 那几个 billion 花在外部模型上的开销。
但我还是那个观点：哪怕有一波浪费带来的回落，我觉得也不影响中长期的趋势。
再有就是，我觉得大家对整个 Mag 7 的负现金流，会有一波更大的讨论。
大家会问：接下来哪怕模型还在进步，但这个钱从哪里出？
这一块，确实到现在还没看到一个很好的解决办法。
目前来看，比如 Anthropic 的收入非常好，这是件好事。
但 Anthropic 的这个收入，毕竟不是来自 end customer，而是别人用 Anthropic 去产生更好的收入——而这后一层收入，其实大家一直没有真正看到。
我比较乐观地看，可能到年底，大家会更希望看到一个真正因为 AI 而带来的收入。
我们去年聊过 AI 对美股大票的影响，那过去半年你有没有一些新的想法呀？
嗯，对，我还回顾了一下去年聊的，我觉得有两个判断需要很诚恳的复盘。
我觉得一个是对的，一个是错的。
就是对的就是去年底，我觉得今年市场最重要的风向标会是 OpenAI 和 anthropic 的收入。
那这个看来确实是对的。
我觉得市场今天涨得这么这么火热，就是按 proper 的收入一家撑起来的。
然后但当时有一个判断非常离谱的是，我觉得我自己以为今年整个市场的这个重心会慢慢的从半导体接棒到 AI 应用。
那这个判断现在看来是完全是错的。
对，我感觉过年前和过年后完全是两个世界，每次都。
那你现在觉得最核心的判断是什么呀？
嗯，或者说我最担心的吧，我觉得我最担心的就是接下来这些大厂，或尤其是云厂商的现金流会非常的难看。
然后我不知道市场对这个会是一个什么样的一个反应。
因为你按照今天的这个 capex 就是资本开支这个曲线走下去，到27年，你几家就是大的厂商的这个叫我们叫现金流，就自由现金流。
都会转成是负的。
啊，整个行业有1万亿美金，就超过这个不止的这个 CapEx 而且这些还只是表内的数字，就是每一家大厂其实都就暗搓搓的吧，就都签了很多表外的资本开支。
对，而且这些大客户还都和这些存储的公司签了这个，我们叫这个长协。
所以你 Capex 的预测几乎是只会上修不会下修的，在这一块，所以我不知道这个东西，当大家真的看到全都是负的现金流，会是一个什么样的一个状态？
嗯，但市场也会问，花这么多钱到底有没有回报啊？
对，这个问题一直都是存在的。
呃，今年可能一个比较好的一个变化就是除了模型厂商以及模型厂商，甚至能看到利润率了。
然后云这边也看到了投资回报，而且也开始加速了。
比如说谷歌是一个例子，那它如果说今年啊2000亿的这个资本开支，它的云收入能大概有1000亿美金左右，所以可能是一个两年回本吧，这么一个概念。
然后亚马逊也类似，所以云厂商不是没有回报，但问题就是云这个生意本身，我还是觉得是变差了的。
为什么说您生意变差了？
一个是竞争变多，一个就是我觉得它在价值，它的在这个 compute stack 的这个价值链也被分走了很多。
像现在有很多这个 new cloud 我们刚才也聊到，就比如 xai 对吧，也成了一个新的 new cloud 那你现在几家云厂商加起来已经有这个2万亿美元的这个收入储备，那这个里面其实有超过一大半都是 OpenAI 和 Anthropic 这些模型的。
这个长期的算力订单。
然后我说这个价值的这概念，就是说你云之前你会卖很多上层的这个软件，那个部分其实是 margin 很高的，但现在那部分的价值很多是被模型公司是去拿走了的。
芯片这边有没有什么变化？
芯片这边，一个就是云厂商的很多自研芯片都开始从内部工具变成了一个对外卖的这么一个商业产品。
那谷歌的 TPU 这个是变化最大的，它之前都是不对外卖的。
然后但现在它已经开始把 TPU 作为硬件直接卖给客户，这个可能是它，我觉得过去十年就是它这个战略里面最重要的变化。
然后亚马逊呢，实际上它也财报报出来，它有200多个 billion 这个 trainium 的收入。
它这个已经是，就是已经是一个独立芯片公司的规模的这么一个一个状态了。
嗯，我记得我们之前还聊过广告，如果 OpenAI 开始卖广告，你觉得对市场会有什么影响？
哦，这块我也有一个反思，我觉得是之前理解的不够完整，就因为我之前的思维是说我觉得如果 OpenAI 做广告，对行业会非常危险。
因为美国线上广告的这个渗透率超过80%，那你 OpenAI 再进来。
你肯定是一个存量的概念嘛，你只能从 Google Meta 手里面抢。
然后后来就是又看了一下，比如亚马逊的广告。
亚马逊其实在过去几年就自己静悄悄的做出了一个接近100个 billion 量级的广告业务。
就他拿的其实不完全是传统意义的上的广告预算。
就比如说，宝洁如果说给沃尔玛吧，50美元。
让自己的这个洗发水放在一个这货架上更显眼的位置。
这笔钱其实它不算是广告费用，而是作为一个收入的这个叫什么？
trade and promotion 的这么一个一个一个东西。
它是从销售收入里面扣掉的。
所以，这里面有很多细节，但就是说，我觉得整个这个市场还是很大的，而且在新进来玩家，比如说 OpenAI 开始卖广告。
也未必是一个完全存量，一定要从谷歌、 meta 手里面抢的这么一个概念。
嗯，今年是不是还有几个超大型的 IPO？
Anthropic OpenAI 这个对市场会有什么大的影响吗？
对，第一个上的肯定是 Spacex 然后还有你说那两家。
这几个加起来，反正咱们算，比如说4万亿美金级别的这个 IPO。
那这样子你融资，嗯，按5%算，大概是2000亿美元吧。
然后你可能你流通盘可能是4000亿这样子。
所以就也做了很多测算，也跟投行就是来来回回，就是觉得从一个纯市场容量上面看是撑得住的。
就是你全球，你主动投资股票基金，这些 mutual funds 吧，现在可能它账上就能有1万亿的美金的这么一个现金。
那再加上散户，因为散户这些年自己会投不到，就 OpenAI Proper 和 Spaces 嘛，肯定会想进这个市场，很想去投，包括一些主权基金，包括对冲基金。
所以市场不是接不住，但是我个人感觉更大的问题其实是一个资金的轮动，就你新的 ipo 进来，啊，大家喜欢，大家想去拿，那肯定我觉得今天现有的 Max 7会会承压。
啊，这个还不算上我们刚才说的，就是对吧？
麦克萨很多的，它这个现金流已经已经要付了，所以原来你是七巨头，然后之后你很多都会被稀释，我觉得。
嗯。
大票裁员会不会有什么影响？
哦，这个也是做了很多测算，我觉得其实对它的这个叫 EPS 就对它这个每股这个收入帮助是有限的。
大概算下来，就比如说你如果20%的裁员，对于那几个就是 Mac 7，能对应 EPS 的5%或10%吧。
但是对软件公司影响会非常大。
像比如 SalesForce 这种就是典型人力密集型的这个 SaaS 公司，你一个20%的裁员能很轻松的对应百分之四五十的这个 EPS 的这个增长。
哎，今年听起来这个市场一片向好啊，又是上市，又是退出。
有什么是可能让市场情绪变差的吗？
嗯，我觉得几个可能的吧。
就一个就是社会影响。
如果说对吧，大规模的裁员，那可能政府多少会有一些干预。
然后像比如说 token 浪费带来的这个回落，对吧？
比如说 meta 这几个 billion 的这个外部模型花销。
但我还是那个观点，我觉得这个哪怕有一波，就是浪费带来的回落，我觉得也不影响中长期的趋势。
然后再有就是我觉得大家对于整个 Mac 7这个负现金流，我觉得会有一波更大的一个讨论。
大家会问说，那接下来哪怕模型还在进步，但这个钱从哪里出？
这块是确实现在是没有看到一个很好的解决办法的。
然后目前，比如说 anthropic 看到收入是就非常好的一件事情。
但是 anthropic 的这个收入毕竟不是，它并不是 end customer 就是是是比如说像其他的人去用 anthropic 产生更好的这个收入，这个收入其实大家一直是没有真的看到的。
我我觉得比较乐观的看，可能到年底吧，大家会更希望看到一个就是真正的，就是因为 AI 带来的收入。
总体来说，硅谷现在是不是弥漫着一种对裁员的恐惧？
我觉得确实有，而且焦虑、恐惧本来就是最容易传播的情绪。
还有一个很实在、很现实的背景：这几年很多人因为 AI 这一波暴富了。
所以是财富差距，加上技术变革，全都叠在一起的这种焦虑。
这个影响会有多大？
你是说裁员对吧？
最近有人问 Stanley Druckenmiller，AI 是不是肯定会导致裁员和通缩。
他的原话是：如果你笃信这个想法（认定 AI 一定导致裁员和通缩），那你就是 arrogant（傲慢），
也不够 open minded（开放）。我套用这句话，就想说：我在这件事上肯定是没有资格真的下定论的。
一方面，从人类有记忆以来，其实每一轮技术变革，大家都会说这是就业的末日——不管是当年的马车、汽车，
还是纺织机、电力、计算机到互联网，其实每一次都是这样。
但另一方面，我们在投资里都说，"这次不一样"是投资里最危险的几个字。所以可能真的就像扎克伯格此处疑为误归属，该 quote 前文出自 Druckenmiller?说的，保持一个 open minded、保持一个开放的态度吧。
如果说悲观者是对的，AI 造成了很大规模的就业冲击，那政府其实也可以通过一些手段来应对——比如印钞、全民基本收入，或者收税，
做一些应对。
所以可能不会是一个大家想象中那种长期通缩的市场。
在投资上，我觉得能做的事情，或者说普通人能做的事情，
就是知道市场的主流是什么，但同时也去看到别人现在还没有看到的路径，提前做好心理准备。
这样当剧情不管按哪条路展开的时候，在心理上和组合上都能准备好，都能快速调整——我觉得这就是能做的事情了。
历史上技术革命都是怎么影响就业的？
你有没有一些研究？
这个我其实花了很多时间，让 AI 去回顾几百年的历史，包括最早在英国，动力织布机摧毁了手工织布；还有之后很大规模的、美国农业人口从占劳动力的 40% 降到只有 1%。
美国还曾经有一波是电话接线员，高峰时期其实也有大几十万人，最后全都被自动化替代了。
再包括美国稍微近期一点的铁锈带，对吧；还有中国加入 WTO，也引发了很多变化。
我不敢说真的学到了什么，但最大的感受是：历史上人类真的经历过很多次巨变。
今天我们会觉得 AI 带来了很多不确定性，很大的压迫感。但如果真拿它和当年工业化取代手工农业、给农民带来的震撼相比，我觉得未必是一个量级的。每一代人，或者说每一个个体，都会觉得自己非常 special、非常不一样；可放到历史的长河里，也不过是很小的一朵波澜。
那你觉得这一次到底是一样，还是不一样？
我觉得一样还是不一样，说到底主要看两点：变化的速度和广度。先说速度。从历史上看，其实很多技术转型都很慢。比如农业劳动力，虽然受到的影响很大，但整个转型花了 100 年；哪怕是接线员的自动化，也花了几十年。而 AI 目前来看，扩散速度可能会快很多。再说广度。大家都觉得这一次对白领的冲击很大，但其实之前农业等领域对应的规模，实际上和这次是差不多的。
这里面我觉得真的很难下判断。比如现在大家经常拎出来说的那个例子：2015、2016 年的时候，Hinton 就说，我们不应该再培养放射科医生了，因为深度学习在这方面已经超过了人类放射科医生的水平。可到今天，放射科医生的名额不仅没有减少，反而屡创新高，薪酬也在上涨。再比如最近大家说软件彻底死了、公司要裁员了，但你看 Developer 的招聘数据，其实已经到了历史上最好的一个点位。所以一样还是不一样，说实话我觉得真的只能走一步看一步。我个人倾向于认为，这次变化会快很多。
那你自己是长期悲观，还是长期乐观？
长期肯定是乐观的。我觉得一个东西只要能大幅提升生产力，长期对经济一定是利好的。具体到现在，我认为这是一个非常适合创业的时间点。
当大厂不再是绝对安全的选择，创业这条路的机会反而在变大：融资很容易，coding 又让你把想做的东西快速做出来。
新的需求很多，格局也还没稳定，所以大家都说这是第四次工业革命，是一个大时代。
在这个时候去做点新东西，本身并不丢人。
那你对创业的人有没有一些建议？
如果是要创业，我觉得别听我前面任何分析。说实话，前面分析的都是大公司，是那些已经有明确商业模式的公司。
对早期的 VC 项目来说，你很难找到那种让你觉得有护城河、有 moat 的东西——真去想的话，其实是没有的。
有什么是模型公司或者大厂真想做、却做不出来的？
我觉得也没有。
所以不能去想一个终局的概念。就是要脑子一热，然后认真准备、好好努力，想做就做吧。
这就是我的建议。
嗯，总体来说，硅谷现在是不是弥漫着一种对于裁员的恐惧？
我觉得确实有，而且焦虑、恐惧本来就是最容易传播的情绪。
然后还有一个，我觉得就很实在说，比较现实的一个背景，就这几年很多人也因为 AI 这一波就暴富了。
然后所以是财富差距，然后你技术的变革全都叠在一起的这种焦虑。
这个影响会有多大呀？
你说裁员对吧？
最近有人问这个 Dragon Miller。
啊，就说这个 AI 是不是肯定导致裁员和通缩。
然后他的原话，他说如果你暴听这个想法，你是 arrogant。
然后也不是 open minded 对，我套用这个，我就说我在这上面肯定是没有资格真的下定论的。
一方面，从人类有记忆以来，其实每一轮技术变革都会大家说是就就业的末日，不管是当年这个马车、汽车。
然后纺织机，然后电力，计算机到互联网，其实每一次都是这样。
然后但另外一方面，我们投资里面都说说这次不一样是投资里面就最危险的几个字，所以可能真的就是像扎克伯格说的，就是保持一个 open minded 保持一个开放的这么一个态度吧。
那如果说这个悲观者是是对的，AI造成很大规模的就业冲击，那政府其实也可以通过印钞啊，就比如说或说全民基本收入啊，或说就是收税啊。
就做一些应对。
对，所以可能不会是一个大家想象的长期通缩的这么一个一个一个市场。
那投资上面，我觉得能做的事情，或者普通人能做的事情。
就是就知道市场的主流是什么，然后但是也同时去看到别人现在还没有看到的这个路径，然后提前做好心理的这个准备。
所以当这个剧情不管是按哪条路展开的时候，在心理上和这个组合上面都能准备好，都能快速调整，我觉得这个就是能做的事情了。
嗯，历史上技术革命都是怎么影响就业的？
你有没有一些研究？
呃，这个我其实是花了很多时间让这个 AI 去回顾几百年的这个历史，包括最早在英国这个动力织布机摧毁了这个手工织布，然后还有之前很大规模的这个美国农业人口从劳动力的40%降到就只有1%。
然后在美国还曾经有一波是，这个电话接线员，他在高峰时期其实也是有大几十万人的，然后到最后全都被自动化就替代了。
再包括美国可能就稍微近期一点这个铁锈带，就是对吧世界这个中国加入 WTO 也有很多这个引发的变化。
我觉得也不敢说是真的学到什么，但是最大的感受就是历史上人类真的经历了很多巨变。
今天我们会觉得 AI 这种对吧，很多不确定性，很大的压迫感。
但如果真的和当年就工业化取代手工农业对农民的震撼相比，我觉得是不是一个量级的，就是每一代人，或者说每一个个体吧。
都会觉得自己非常的 special 觉得自己非常的不一样。
但实际上放到一个历史的长河，也就是很小的这么一个一个波澜。
嗯。
那你觉得这次到底是一样还是不一样？
哦，我觉得一样或者不一样，说到底主要看速度和广度。
然后就是这个变化的速度和广度，那你速度上面。
历史上看，其实很多技术转型是很慢的。
比如说你农业劳动力，对吧？
就是虽然影响很大，但其实花了100年的时间。
然后你哪怕是接线员的这个自动化也花了几十年。
就 AI 目前来看，我觉得扩散可能是会快很多的。
然后那广度上面，就大家都觉得说这一次白领影响很大，但实际上就是之前的就是农业呀，或者什么，就对应的规模实际上是差不多的。
这个里面我觉得真的很难下判断，像比如现在大家都拎出来说，就比如说在201516年的时候。
就是 Hinton 他就说，他说啊，我们不应该再有放射科医生了，因为这个深度学习已经超过人类放射科医生的这个水平了。
那到今天，其实这个医生的名额不仅没有减少，反而对吧，屡屡创新高，然后薪酬也在上涨。
然后包括最近大家说说软件彻底死了，公司要裁员了。
但是其实你看这个 Developer 的招聘的数据。
其实已经到了一个历史上最好的这么一个一个点位，所以一样不一样，我觉得说实话真的走一步说一步吧。
我倾向于觉得会变化会快很多。
嗯，你自己是长期悲观还是长期乐观？
啊，长期长期肯定是乐观，我觉得一个东西能大幅提升生产力，长期肯定对经济是利好的。
我觉得现在具体来说，我觉得是一个非常适合创业的一个时间点。
就是当你这些大厂不再是绝对的安全，但创业的话，你融资是很容易的，然后你 coding 让做好的东西变得很快。
有很多新的需求，然后格局也没有稳定，所以大家都叫这个是什么第四次工业革命，一个大时代。
所以去做点新的东西本身也不丢人。
嗯，对创业的人有没有一些建议？
哦，如果在创业的话，我觉得不要听我上面任何分析，因为因为说说实话，前面分析都是分析大公司，就分析些比较对吧，就是已经有很明确的这个商业模式的公司。
你这些 vc 尤其是早期的项目，很难有那种让你觉得说有护城河，然后有很，对吧，很叫什么 moat 啊，就是你如果去想的话，其实是没有的。
有什么东西是模型公司或者大厂真的想做，自己做不出来的？
我觉得也是没有的。
所以就不能去想一个终局的概念，就是有一点要脑子一热，然后好好准备，然后好好努力，想做就做吧。
我觉得这个这个就是建议，对。
前面聊了很多干货、很硬核的东西，包括模型、商业模式。
还有那些几十亿、几百亿的数字。
我想换个频道。很多人去硅谷待了一圈回来，反馈最多的就是焦虑。
你天天在那边，真实感受是什么？
你焦虑吗？
说实话就是很焦虑。可以说得好听一点，但实话就是非常焦虑。
我甚至自己也在思考这件事。
我去想焦虑的本质，其实就是对未来不确定性的恐惧。
我每天具体的状态，就是觉得自己跟不上。
比如 AutoResearch? 出来了，比如 Garry Tan demo 了一个新的 workflow，哪怕只是 Claude 上面每天更新的功能——软件的变化、硬件的变化都太多、太快了。
做科技投资，每出一个新东西，我觉得都应该自己上手用一下，才能对投资做判断。
但事实就是，东西太多、太快。
每天打开 Twitter，都会看到有人说“You have to look at this”“this is changing my life”，就是又有新东西出来了、我又落后了、我又没跟上的那种感觉。
在现在这个不确定性很高的时代，说实话，不管是媒体还是个人，制造焦虑都变得非常容易。
你就去问一句“你这周烧了多少 token”“你有几个 Claude Code”，一堆问题就来了，对吧？
这类名词，再叠加大家对裁员的恐惧，确实是一个很糟糕的状态。
所以你也会觉得自己跟不上，对吧？
对。比如几个月之前，有一天深夜，我因为在家里装不上 Claude Code，真的很痛苦。说出来非常搞笑，但当时就是——一个东西装不上，你就会想：我连这个都装不上，我什么都跟不上，是不是要被时代淘汰了？说实话，我都不知道普通人是怎么一次就装上的，因为 Claude Code 还要连很多东西，也没有那么 trivial，它还要自己写 json 之类的，那我哪里会写？我连屏幕上的光标自己都找不到。然后它要我给它 API key，又不能 expose API key。总之当时那个心理状态是非常着急、非常焦虑的，很容易产生很负面的情绪。但我也不想把这件事说得太重，因为每天感受到的其实不只是焦虑，还有一种莫名的激动：突然好像什么事情都可以做了。因为在变化的过程中，机会最多，也最有机会——你是做投资的，对吧。
希望我们的听众听到你这个例子，能感觉好一点。所有人都很焦虑，不是只有你焦虑。
对对。我也希望，其实很多事情说出来，也就没那么要紧、没什么所谓了。
你觉得这种状态到底是湾区特色，还是我们整个大时代的特色？
我觉得是时代特色。焦虑无非两点：第一，你很在乎这件事；第二，作为个体，你没有足够的确定感。人都有一种想要掌控未来的冲动。但我们前面聊的所有问题——裁员会不会发生、经济的影响、Anthropic 能领先多久——都是不确定性很高的话题。我觉得人，包括我自己，会对什么事情都有一个自己的看法，但英语里有句话叫 strong opinions loosely held。因为处在这个时间点，未来本来就无法被完全掌控。
在这个不确定性这么高的时代下，你们有没有什么确定性高的东西？我们能抓住点什么？
我觉得肯定也有。就是不断去问自己、不断去想：AI 这件事到底……
这一波到底带来的是什么？我觉得是更高的智能和效率的提升。长期肯定是好事，而且智能本质上是非常平权的——今天一个小镇上的孩子能用上的工具，可能和硅谷工程师用的没有什么本质区别。但也正因为平权，整个社会上的很多资源会被重新分配。所以这种平权会以一种非常痛苦、非常 payoff 的方式在社会中间实现。
所以我会觉得，我们这代人其实应该觉得挺幸运的——活的这几十年，见证了很多历史。但大家好像都没有这种幸运的感觉，都感觉快要被焦虑卷走了。
你最近还提到一个变化，就是越来越不想跟人沟通了。
对，这个确实是，也可以说是一种孤独感。我以前非常喜欢约人聊，尤其是约行业里的专家——比如三十分钟之内，就能从几个领域非常顶尖的人那里拿到非常高浓度的知识，那种感觉非常爽。但现在，很多跟工作有关的对话，真的是不管对方是谁——不管是从业者、投资人——可能百分之九十九、九十五的信息性内容，我都可以直接问 AI 得到答案。而且这个答案可能是我更想要的。
真的不是说我有什么优越感、不想再跟别人聊，而是我很真实地觉得：以信息交换为目的的对话，它的意义正在被快速掏空。
那你觉得人和人之间还剩下什么？
人和人之间……啊，非常鸡汤。我觉得剩下的就是情感的连接吧。现在比如出去开会，只要我做了准备，对方说的事实性内容，其实我基本都能预料到。但是，比如前段时间我随便在跑楼，跟一个朋友坐下来，本来也没准备聊什么大事，结果聊着聊着话题就跑到了做事情的勇气、他人生的一些遗憾、我在乎什么，有没有什么东西会让我有那种很 spark、很闪光的感觉。
当我自己回头看的时候，我觉得那可能是我最近很长一段时间里最有内容的一次对话——他没有给我任何信息上的增量，但就是比较有人味。所以我自己现在心里也算是明显画了一条线：跟信息、跟知识、跟分析有关的事情，我会交给 AI；但见人这件事反而变得可能更单纯了，就是去观察别人，去聊一聊心路历程，聊一些比较真诚、甚至之前大家都不会聊的东西。我觉得不然的话，也确实是浪费两个人的时间——那还不如两个人都去跟 AI 聊一聊，效果会更好。
对，你说到这些真诚的、说出来会有点不好意思的东西，就像你说你装 Claude Code 没装上、然后痛哭一样。我觉得这也是我们这档节目的初衷——希望能和听众之间形成一些真实的、真诚的连接。
对。所以我觉得，我前面说的那些知识类信息应该都算是公开信息，比较适合 agent 总结使用；而最后这一段，希望它能有点意义。
对了，我们那个工作室叫做语言即世界工作室。当你第一次听到这个名字的时候，你会想些什么？
之前可能看了没多想，不是特别敏感。现在再看，我觉得它有点像我们刚才聊的 AI 时代组织架构那个意思——今天社会很多时候，语言是被用来翻译信息、传递信息的，而我的判断是，AI 会把这部分工作做掉。但语言在很多时候还会被用来真正建立人与人之间的联系，我觉得这个东西会越来越宝贵。
好了，今天的节目就是这样。这里是商业访谈录，一档由语言即世界工作室出品的深度访谈节目。你可以到公众号关注我们的工作室，获取更多信息，我们的公众号是「语言即世界，Language is World」。我们希望和你一起，从这里探索新的世界。At our side, we'll explore the new world.
哎，前面聊了很多干货、硬核的东西，包括模型啊、商业模式啊。
几十亿、几百亿的数字。
那我想换个频道啊，因为很多人都去硅谷待了一圈回来，反馈最多的就是焦虑。
那你天天在那里，你的真实感受是什么？
你焦虑吗？
实话说就是很焦虑，可能能说的就是更好听一点，但我觉得实话说就是非常焦虑。
对，我甚至自己也去思考这个。
我也去想，就是焦虑这件事情的本质，其实就是对于未来不确定性的恐惧。
我自己每天具体的状态就是觉得自己跟不上。
包括什么 AutoResearch 出来了，包括 Karry Tan 有 demo 了一个新的 workflow 哪怕是这个 Cloud 上面每天新的这个功能，然后软件的变化、硬件的变化都太多太快了。
做科技投资，你肯定每出一个新的东西，我觉得都应该自己上手去用一下，才能对投资做判断。
但事实就是东西太多太快。
然后每天打开 Twitter 上面都会说说，啊，什么，You have to look at this，然后 this is changing my life 就是有一种就是又有新东西了，然后我又落后了，我又没跟上的这种感觉。
我觉得在现在不确定性高的这个时代，呃，实话说，我觉得不管是媒体啊，或者说就是个人，其实创造焦虑也变得非常的容易。
你就是去问问说啊，你这周烧了多少 Tokens 你有几个 Open Cloud 就一堆，对吧？
这种就是这种名词，然后再叠加大家对裁员的恐惧，就是这确实是一个很糟的一个状态。
所以你也会觉得自己跟不上对吧？
对，我其实比如说几个月之前，有一天我深夜因为在家装不上 Open Cloud，我真的是痛苦。
就说出来非常搞笑，但当时就是，你一个东西装不上，你就会想说，我连这个都装不上，我什么都跟不上，就是不是要被时代淘汰了？
就说实话，我都不知道普通人是怎么能一次装上的，因为那个 opencom 还要连很多东西，然后也没有那么 trivial 就它还要自己写什么 json 这种东西，那我哪里会写？
我连那个我连屏幕上的光标我自己都找不到。
然后他要我给他什么 API key 又不能 expose API key 反正是一个，反正当时的那个那个心理状态是非常着急，然后非常焦虑的。
就是是很容易有很负面的情绪的。
就但是我可能也不想把这个说的太重，就是因为确实每天感受到的也不只是焦虑，还有一种莫名的激动，就突然好像什么事情都可以做了，因为变化的过程中，你机会最多，你投资对吧。
也也也是也是最有机会的时候。
那希望我们的听众听到你这个例子，能够感觉好一点啊。
就是所有人都很焦虑，不是只有你焦虑。
啊，对对，我也希望就大家其实说出来很多事情也就也就也就没那么，也没什么所谓了。
你觉得这种状态到底是湾区特色？
还是说是我们整个大时代的特色？
我觉得是时代特色吧。
你焦虑无非就是第一是你很在乎这个。
然后第二就是你作为本体，你没有足够的这个确定感。
人都会有一种想要掌控未来的冲动。
但是我们前面聊的所有的问题，不管是啊裁员会不会发生，然后经济的影响，然后 AndProphet 能领先多久，都是不确定性很高的这个话题。
就是我觉得人，或者说包括我自己也是，我会对什么事情都有一个自己的看法。
但有一句就是英语说的是叫这个 strong opinions loosely held 就现在因为处在这个时间点，你其实未来本来就是不能完全被掌控的。
嗯，在这个不确定这么高的一个时代下，你们有没有什么确定性是高的东西啊？
我们能抓住点什么？
我觉得肯定也有，就是我觉得就不断去问自己，不断去想说，AI这到底对吧？
这一波到底带来的是什么？
呃，我觉得更高的智能和效率的提升。
长期肯定是好的事情，而且智能本质上是非常平权的，就是像今天一个，对吧，一个小镇上的一个孩子能用上的工具。
可能和硅谷工程师没有什么本质区别。
但是同时就是因为平权了，所以整个社会上面的很多资源也会有一个重新的分配。
所以这个平权会以一种非常就是痛苦，这个非常 payoff 的方式在这个社会中间去去实现。
嗯，所以我我会觉得，其实我们这代人应该觉得挺幸运的，就是活的这个对吧，这个这个大几十年，见证了很多历史。
但大家好像都没有这种很幸运的感觉，都都感觉要被焦虑卷走了。
你最近还提到一个变化，就是说越来越不想跟人沟通了。
对，这个确实是，就是也可以说是一种孤独感吧，就是我以前非常喜欢约人聊，就尤其是约就是行业的专家，像比如30分钟之内，可能就从一个几个领域非常顶尖的人那里面拿到非常高浓度的知识，就是那种感觉是非常爽的。
然后但现在就是很多跟工作有关的对话，真的是不管对方是谁，不管是从业者啊、投资人啊，就是可能百分之九十九、九十五的这个信息性的内容，我都可以直接问 AI 得到答案。
而且这个答案可能是我更想要的。
就真的不是说这里面我有什么优越感，不想再跟别人聊，而是说我我很真实的觉得，以信息交换为目的的对话。
这个意义是在快速的被掏空的。
那你觉得人和人之间还剩下什么？
人和人之间。
啊，非常的鸡汤。
我觉得剩下的就是情感的连接吧。
现在比如出去开会，我只要我做了准备，就是对方说的事实性的内容，其实我我都能通过准备，然后能能基本上预料到。
但是，比如说我我其实前段时间随便在跑楼，跟一个朋友坐下来，可能本来也没有准备聊什么大的事情，然后呢聊着聊着话题跑到，就是说做事情的勇气啊，然后他人生的一些遗憾。
然后我在乎什么，然后有没有什么东西会让我觉得有，就是有很 spark 就是很很闪光的感觉。
我就当我自己就回头看的时候，我觉得那个可能是我近一一长段时间里面，就是最有内容的一次对话，就他没有给我任何信息上的增量，但就是比较有人味吧。
所以我我自己其实现在心里也算是，就是明显画了一条线，就是我如果是跟信息、跟知识嗯，分析有关的事情我会交给 AI 但是见人这件事情反而变得可能更单纯了，就是去观察观察别人。
然后去聊一聊心路历程，然后聊一些比较真诚，甚至可能之前大家都不会聊的一些一些东西吧。
我觉得不然的话也确实是浪费两个人的时间，那可能两个人都去跟 AI 聊一聊，会效果会更好。
嗯，对，你说到这些真诚的，说出来会有点不好意思的东西，就像你说你装 OpenCall 没有装上，然后痛哭一样。
嗯。
我觉得这也是我们这档节目的初衷，就是也是希望能够和听众之间形成一些真实的、真诚的连接。
对，所以我觉得我前面说那些就是知识类的信息，应该都算是公开信息吧，比较适合 agent 总结使用。
可能最后这一段，呃，希望能有点意义。
对了，我们那个工作室叫做语言及世界工作室。
当你第一次听到这个名字的时候，你会想些什么？
嗯，之前可能看了没有多想，不是特别的敏感。
现在看我觉得有一点点像我们刚才说的，就是 AI 时代组织架构那个意那个意思，就是说今天社会很多时候语言都是被用来，对吧，就是翻译信息、传递信息的。
那这个时候我的判断是，我觉得 AI 会去做掉这部分的工作。
但是语言很多时候还会被用来，就真正建立人与人之间的联系。
我觉得这个是会越来越宝贵的这么一个一个东西。
好了，今天的节目就是这样。
这里是商业访谈录，是一档由语言及世界工作室出品的深度访谈节目。
你可以到公众号关注我们的工作室，获取更多的信息。
我们的公众号是语言即世界， Language is world。
我们希望和你一起从这里探索新的世界。 At our side We'll explore the new world