引擎与车：龙虾作为AI落地的‘脚手架’
大语言模型的发展已进入新阶段——从早期基础模型，到推理能力显著增强的DSC系列，再到如今以Cloud 4为代表的、性能接近F1引擎的尖端模型。然而，普通用户无法直接使用‘引擎’本身，他们需要的是能体验其性能的‘车’。龙虾（OpenClaw）正是这样一台‘车’：它本质上是一个轻量级的架构层与工程实现，为AI Agent提供记忆、偏好设置、工具调用、本地文件访问、IM系统对接等基础能力。它并非颠覆性创新，而是将已有模型能力封装为可交互、可配置的终端载体。
这种封装带来的关键转变在于：AI从‘能用’走向‘能用好’。龙虾的初始状态类似一个刚毕业的大学生——具备基础智能，但不了解具体业务流程、工具链、权限边界与组织规范。它的价值发挥高度依赖‘养’的过程：用户需持续为其配置工具、反馈结果、调优行为，使其逐步适配个人或组织的工作流。因此，‘养’不是一次性操作，而是一个动态协同进化的过程，人仍是系统中最关键的变量。
原话：‘大语言模型很像一个发动机……它甚至已经到了F1的引擎，可是民众没有办法直接拿引擎来用，所以它需要一台车’
原话：‘龙虾其实就是一个非常简单版的，我们叫脚手架跟车’
从C端热潮到B端震荡：一场结构性预期的转移
龙虾的爆发虽以C端‘养虾热’为表象，实则折射出更深层的产业逻辑迁移。它并非孤立事件，而是Agent生态演进的集中小高潮——自2023年底ChatGPT引爆AI热潮以来，技术焦点已从‘大模型本身’（2023）→‘推理模型’（2024上半年）→‘Agent能力’（2025），而龙虾恰在这一节点以极低门槛（一键安装、大厂快速适配）将Agent能力大众化。
在To B端，其影响更为剧烈：SaaS与传统软件生态正面临根本性质疑。当AI Agent已能以极低成本实现个性化软件构建（从需求提出到交付几乎零编码），企业CIO们开始重新评估现有系统采购与实施路径。这直接反映在美股SaaS板块的下跌中——市场在定价‘稀缺性消失’的风险。尽管企业落地仍受制于流程、安全、权限、KPI体系等复杂约束，‘观望→争抢’的临界点可能比预期更快到来。
值得注意的是，技术迭代节奏已显著加速：从2023年底ChatGPT发布，到2024年初DeepSeek、2025年初龙虾，再到2025年4月Anthropic、OpenAI、智谱、Meta密集发布新模型，更新周期正从‘半年一更’迈向‘季度一更’，甚至‘日更’。春节前后之所以成为热点集中爆发期，既因中国头部模型厂商集中发布，也因节后企业重启规划，形成情绪与决策的共振窗口。
原话：‘所有公司的最优解就是应蹭尽蹭’
卖铲人狂欢：技术泡沫还是真实落地前夜？
热潮之下，产业链迅速衍生出代装服务、定制培训、专用硬件等配套生态。第一波受益者永远是‘卖铲人’——课程、书籍、实施服务迅速铺开，无论中美皆然。这并非龙虾独有现象：回顾DeepSeek R1热潮时的DPCR虚拟主机热、DPCR教程热，逻辑完全一致。技术叙事被媒体放大为‘革命性改变世界’的紧迫感，民众的焦虑催生对‘低门槛入口’的需求，而各方利益主体自然选择‘应蹭尽蹭’。
但需警惕的是，所有关于AI的终极讨论终将回归两个原点：身心灵与教育。龙虾所代表的Agent能力，其真正价值不在于替代人类执行任务，而在于倒逼人类重新定义‘什么是值得被AI执行的任务’，以及‘人该如何与智能体协作’。当前市场热衷于比较龙虾与‘数字员工’的差距，却忽略了：它不是终点，而是协作关系的起点——就像教一个新人入职，关键不在工具本身多强大，而在人能否持续提供有效反馈与上下文。
原话：‘所有关于AI探讨，最后都会走向两个问题：一个是关于身心灵的，一个是关于教育’
开源风潮的特殊性：人人可参与的叙事引擎
当 DeepSeek R1 火起来时，围绕它的生态迅速膨胀——从 DPCR 虚拟主机销售、实施培训，到配套书籍出版，整个链条在极短时间内完成闭环。类似现象在龙虾（OpenCLaw）热潮中再次上演：DPCR 一发布没几天就出了书，龙虾火了之后市面上龙虾的书也很多了。但问题在于，它的框架和逻辑并不复杂，并不值得被写成一本书；然而，这种“跟风出版”恰恰说明：它代表的是一种必须参与其中的风潮，所谓“人在江湖，身不由己”。
对比元宇宙、ChatGPT 等前几轮热潮，OpenCLaw 的独特性在于：它是一个开源软件，理论上任何人都可以在满足其开源要求的前提下做任何事情。这导致其生态呈现出前所未有的开放性与多元性——从 KOL、大厂、小厂、教辅机构、高校，到地方政府，所有人都可以借着 OpenCLaw 讲自己的故事、满足自己的小算盘。这种“人人可建会、人人可贴 Logo”的现象，在 GPT 或 DeepSeek 等闭源模型上几乎不可能实现。它像一个雪球，一旦滚起来就无法控制，只能不断加码。
“所有人都在借着 OpenCLaw 来满足自己的……你说欲望可能有点难听，但是满足自己的一些小的算盘，我觉得是合理的。”
“它就把这个问题推到了一个极端里，让大家赤裸裸面对它，然后去找可能的解决方案。”
安全与权限的极端实验：从个人工具到公共议题
OpenCLaw 最初由一位资深程序员为自身需求开发，默认建立在高门槛之上，因此并未考虑大规模公共使用场景下的安全、隐私与权限控制。它甚至默认：若在本地运行原始版本，用户可授予 OpenCLaw 对电脑的全部权限——这种“极端不设防”的设计，在项目走红后迅速暴露出巨大风险。
正因如此，OpenCLaw 的快速迭代（几乎每两天一版）中，大量更新聚焦于安全、隐私与权限管理。更值得玩味的是：即便很多人从未用过 OpenCLaw，也开始主动讨论其安全问题。这说明，它无意中将 AI 安全议题从“网络安全”的狭义范畴，推升为个体、企业、行业乃至政府共同面对的公共议题——一个尚未有共识、更无成熟解法的新课题。
“它相当于把这个事情推到了一个极端里，就是我不考虑任何层面下的这件事情，我就我们极端点来搞。”
Token 经济与算力困局：摩尔定律的 AI 版本
有观点称 OpenCLaw 是“算力过剩的消化工具”，实则揭示了更深层的行业现实：算力增长（摩尔定律）与软件/模型消耗（类安尼比尔定律）之间始终存在动态平衡。当前，AI 模型的 token 消耗速度已呈几何级增长——从早期 ChatGPT 几十秒的交互，到如今模型可连续运行十几个小时处理 coding、搜索、图像识别、视频生成等复杂任务。几十秒与十几小时的差距，远超线性扩展，而是多维跃迁。
这直接导致算力稀缺成为普遍困境：OpenAI 关闭 Thor Two、国内模型普遍限制调用频次（如千次/周），皆因供给无法匹配激增需求。而 token 作为“燃料”，已成为衡量 AI 产业体量的核心指标。国内外 token 价差可达十七倍，中国厂商凭借成本优势占据约 60% 的 token 供应，也引发对国内 OpenCLaw 泡沫是否更甚的担忧。
“它就把这个问题推到了一个极端里，让大家赤裸裸面对它，然后去找可能的解决方案。”
生态繁荣与商业边界：开源如何创造价值
OpenCLaw 本身作为开源项目不直接盈利，却带动了硬件、token、培训等一整条产业链的商业闭环——典型的‘项目不赚钱，生态赚钱’模式。其作者很快被 OpenI 收编，并承诺以基金会形式继续支持开源，明确区分了项目本身与商业实体的边界，类似 Linux 社区与 Red Hat 的关系。
在投资视角下，OpenCLaw 的商业价值难以狭义评估，但其引发的生态繁荣已具备可量化影响力：一级市场开始为早期开源项目赋予传播力、覆盖广度与社区活跃度等非财务估值维度。有投资人指出，基于 OpenCLaw 的创业项目可能仅需数人即可启动，传统早期资本介入必要性下降，但资本可转向更灵活的支持形式（如真格基金 Venture Partner 的新角色）。
‘它并不属于一个商业实体。’
早期资本逻辑的瓦解与AI时代的‘试错经济’
AI创业生态正在彻底重构早期投资的底层逻辑。过去，天使投资依赖对团队背景、启动资金需求和阶段性里程碑的判断，形成清晰的A-B-C轮演进路径；而今天，AI能力的普惠化显著降低了创业门槛——一个技术能力较强的个人开发者，也能在数周内构建出过去中型团队才能完成的产品原型。正如一位投资人所言：“小团队今天可以想中型团队原来做的事情，中型团队可以想原来大型团队做的事情，因为AI能力的加持。”
这种变化催生了一种新型孵化模式：真格基金与科技合作推出的“五万美元token计划”，本质是以算力资源替代现金进行前置孵化。由于调用大模型成本高昂（单次对话可达零点几美元），许多开发者缺乏初始资源启动项目；而五万美元token虽远低于传统天使投资门槛，却足以支撑一个高质量MVP的构建与验证。这标志着早期投资正从“投人+投钱”，转向“投潜力+投试错能力”。
更深层的变化在于：项目验证周期被压缩，失败成本被摊薄。创始人可用一笔天使资金反复试错六次以上——做三个月发现方向不对，立刻切换；再试三个月，再换；直到某次产出获得初步正反馈，才进入下一轮融资。于是我们看到大量“见光死”项目：背景过硬、融资顺利（甚至达数千万人民币），却长期处于“试错循环”中。这已非异常，而成为AI时代早期项目的常态。
“你小团队今天可以想中型团队原来做的事情，中型团队可以想原来大型团队做的事情，因为AI能力的加持。”
“原来那种一直做一件事情，从最开始做到一定阶段融下一轮……那个故事可能是一个古典的TMT互联网、移动互联网的VC叙事，今天的AI行业不是这样的叙事。”
‘世外高人’崛起与一级市场的叙事错位
OpenAI收购“龙虾”、Cursor由极小团队打造等案例，印证了一个趋势：AI时代的突破性产品正越来越多地出自非传统VC孵化体系的‘世外高人’之手。他们往往不在主流投资机构的射程范围内——没有名校光环、无大厂履历、甚至不参与行业峰会，却凭借对AI能力边界的深刻理解，快速产出高影响力产品。
这一现象与硬件投资热潮形成共振。中国一级市场正集体押注“AI+硬件”叙事：依托深圳供应链、大疆/拓竹/小米等成熟生态，创业者被默认为“ready状态”，无论其产品是毛绒玩具、学习机、摄像头还是拍照设备，只要贴上“AI”标签，便能迅速获得资本青睐。这种群体效应虽逻辑自洽，却掩盖了一个根本矛盾：当所有资本涌向同一种叙事模板时，真正由技术驱动的非线性突破反而可能被系统性忽略。
更值得警惕的是“全网”认知的虚幻性。以“龙虾”为例：尽管中国已有数十亿网民，但真正使用其能力的用户可能仅数百万——这一量级足以引发舆论狂热，却远未达“全民普及”程度。这与Web3的泡沫期高度相似：当时市场高估了技术落地速度，高估了用户接受度，也高估了资本叙事的可持续性。AI当前是否正滑向类似拐点？
“全网的概念到底是什么？……几百万用户，你感觉就已经是全世界都在讨论这件事情了。”
“今天我们回头去看那些还在Web3战场里的人……它就像一个曲高和寡的东西，不太可能实现它原来所设想的那么伟大的规划。”
泡沫焦虑与算力极限下的市场分化
当前市场已显露出明显的“冷静期”特征：英伟达股价在连续超预期财报后仍停滞不前，微软等AI龙头出现历史级季度跌幅，而行业喧嚣却未减。这种股价与基本面脱钩的现象，折射出资本对AI长期价值的深度分歧——一方坚信这是基础设施级的过度投入（如存储芯片、先进封装、光传输、数据中心土地审批均已逼近物理极限），另一方则坚持算力需求远未触顶（中国数百万用户已让云厂商资源紧张）。
二级市场估值逻辑亦呈现区域分化：美国以头部云厂商与KPI为核心锚定，初创公司按AR倍数估值；而中国A股与港股则因优质标的稀缺，将情绪溢价投向“纯血AI”公司（如智谱、imass），导致其估值虚高；反观许多实际业务仍依赖AI但技术深度不足的企业，反而遭遇大幅回调。这种错配凸显出一级市场报告的集体看多倾向——因利益绑定，所有VC报告均强调“这只是开始”，却回避泡沫风险。
历史经验表明，每一次技术革命都伴随基础设施过度投入周期，AI当前是否处于此阶段？无人能断言。但市场已陷入两难：若相信AI是革命而非泡沫，则当前投入仍显不足；若怀疑其可持续性，则所有高估值标的均面临重估压力。投资者的困境在于：当所有观点都带着立场出发时，真相反而藏在叙事的缝隙里。
“人类你在经历的当下，你是不知道你是在泡沫哪个阶段的。你只有在事后，可能过了十年、二十年之后回头去看，你才知道那个浪的曲线的变化。”
题材退潮与情绪过热的双重夹击
当前AI相关资产的市场表现呈现出明显的分化：一方面，纯AI大模型公司（如智谱、IMass）因持续发布新模型而股价暴涨；另一方面，大量业务高度依赖AI但并非“纯AI”属性的公司却遭遇显著回调，即便其技术能力并不弱。这种反差折射出A股与港股市场对“题材纯度”的过度偏好——当资本缺乏真正优质标的时，情绪会将热度拱向最符合叙事的标的，哪怕其基本面未必支撑当前估值。
这一轮行情的底层逻辑仍建立在全球科技巨头持续高额资本支出之上。从存储、光通信到底层芯片，资本正沿着数据中心基础设施链条层层传导：先炒存储（内存/硬盘），再炒光通信（解决带宽瓶颈），再下沉至元器件与代工环节。只要AI驱动的算力需求未见拐点，这条叙事链就仍有续命空间。
但问题在于，市场既“有效”又“过热”的悖论始终存在：有效体现在长期终将回归基本面；过热则表现为短期情绪驱动下的极端定价失衡。典型案例如英伟达市盈率跌破沃尔玛与苹果，或方舟投资（ARKK）旗下公司市盈率低于其代工厂商——这些现象并非完全无理，却明显超出了合理区间，反映出主题炒作已进入自我强化的正反馈循环。
“智谱会涨，Minmax也就会涨……左脚踩右脚就上去了。但是你要知道，我们经历过所有的踢云纵，最后都会踏下来。”
“当市场的主情绪扭过来的时候，它就会变成叠加的往下，因为这个跌它就会跌，那就补跌就再往下跌了。”
产业链各环节的盈利幻觉与现金流隐忧
从用户需求出发，AI产业链呈现清晰的层级结构：用户 → 应用 → 模型 → 云平台 → 数据中心 → 芯片代工。表面看，链条上各环节似乎都在盈利：云厂商增速良好，数据中心与芯片厂商订单饱满，连以冷静著称的台积电也大幅扩产（KBS），其高管甚至宣称已通过“客户-客户”调研确认AI需求真实——仿佛整条链都在验证“这波不是泡沫”。
然而，收入增长≠现金流健康。许多AI公司正以负毛利或极低毛利承接订单：应用厂商需向模型与云厂商支付高昂成本；模型厂商虽有50%-60%毛利，却难以覆盖持续训练大模型的巨额支出；而云巨头如Meta，其50%收入被用于构建KBS（知识库系统），却无自有云业务支撑变现——这种“自建算力、反哺模型”的闭环模式，本质是用未来现金流置换当下叙事，风险高度集中。
更值得警惕的是，短期营收增长无法扭转长期逻辑预期。以Oracle为例：虽因承接OpenAI订单股价暴涨，但财报显示其为获取订单持续牺牲毛利率，未来现金流压力可能反噬估值。类似地，SaaS公司即便AI相关收入增长，只要市场仍担忧“AI将替代其服务”，情绪面就难以真正反转。
“Meta百分之五十的收入要做KBS，Meta又没有云，你会觉得有点危险了，不是吗？”
AI替代潮下的职业焦虑与创业幻灭
AI的渗透速度远超预期，且呈现“自上而下、全链条替代”的特征：从短剧行业（演员失业→AI生成真人剧）、影视制作（编剧→分镜→拍摄→剪辑全流程AI化），到研发一线（大厂AI工程师自身也焦虑被工具取代）。这种替代并非渐进式演进，而是在极短时间内完成认知接受与行为切换——“从观望到瞬间全盘接受”，行业生态被彻底重构。
在此背景下，“一人公司”或“艺人公司”的创业热潮看似合理：AI放大个体能力边界，使内容创作、知识付费、IP运营等轻资产模式成为可能。但现实约束在于——经济环境与市场需求并未同步扩容。当前热门方向高度集中于自媒体、课程销售、手工艺品牌等第三产业细分领域，难以支撑大规模灵活就业，更无法替代传统一二产业的就业吸纳能力。
真正有参考价值的实践案例来自结构化拆解：如郝景芳团队将原公司拆分为多个原子化实体（内容研发、线下运营、课程销售等），每家小公司可独立接单、交叉赋能，形成“IP主导+模块协作”的新组织形态。这提示我们：未来创业的关键不在于“是否一人公司”，而在于能否以模块化方式嵌入更高价值的协作网络。
“短剧这个真的是昙花一现的……然后嘣，圈下面来一个AI能力到了，就挡不住了嘛，就是过了那条线了嘛……
组织形态的原子化与AI的润滑作用
在线教育领域正经历从一体化公司向原子化组织的结构性转变：内容研发、IP打造、销售运营、班级管理等环节可被拆解为独立单元，甚至从几十人规模拆分为十几家三四人至五人的微型主体。这种转变并非临时策略，而是对市场现实的适应性响应——当政策与资本环境不再支持“靠融资驱动规模扩张”的旧模式时，企业必须寻找更轻盈、更灵活的生存路径。
在此过程中，AI扮演了关键的“润滑剂”角色：它大幅降低了跨主体协作的摩擦成本，使得原本必须绑定在一家公司内部的环节，如今可通过API、智能代理、自动化流程等方式高效协同。换言之，AI让“拆分”不仅可行，而且更具经济性与可扩展性。
“AI很像是润滑剂，它让你原来这些中间环节理论上说是可以更容易的拆开，因为大家通过AI的方式就可以润在一起，没必要绑在一起来做嘛。”
这一趋势也深刻影响着个体生存状态：当组织边界模糊、岗位职能流动，个体必须重新定义自身价值锚点——不是靠岗位稳定性，而是靠持续嵌入价值流的能力与对技术工具的亲和力。
焦虑的常态与日常化的技术接纳
AI浪潮下的集体焦虑，最终几乎必然归结为两个核心问题：自身与下一代的未来生活保障。这并非技术问题，而是存在性焦虑——当所有人在同一片未知海域中航行，所谓“专家指南”“标准答案”不过是情绪消费的幻觉。正如文中所言：“没有人知道会怎么样，因为所有人都在经历这个当下，没有人会预判。”
面对不可逆的技术洪流，最务实的态度不是对抗或等待，而是让技术自然融入日常实践：减肥时用大模型记录卡路里、写作时让AI辅助构思、甚至只是用语音指令完成一次跨设备操作——这些微小的“手脏”尝试，远比抽整块时间“系统学习”更有效。关键在于建立build的乐趣、玩的乐趣、让生活更丰盈的乐趣。
“你没必要把它想得那么苦哈哈……你日常工作过程中以自己的方式去touch，哪怕感受一下，发现不太合适，那你先退回来嘛，再等等嘛。”
这种“试错—反馈—调整”的循环，本身就是一种认知升级：技术不是外挂工具，而是生活操作系统的一部分。当个体在日常中反复与AI互动，焦虑会逐渐转化为掌控感，而掌控感正是未来生存的核心资产。
OpenClaw的启示：需求驱动的技术原点
OpenClaw的故事极具隐喻性：一位财务自由的创始人，因一个极其具体、微小却真实的需求——“用手机微信远程控制家中两台电脑，让AI代劳琐事”——而启动项目。这个看似“本该存在却迟迟缺席”的功能，恰恰揭示了当前AI创业的底层逻辑：从真实生活缝隙中长出的产品，比宏大叙事更具生命力。
这一案例呼应了前文所有讨论：当组织原子化、个体需自主进化、技术需日常化时，真正的机会往往诞生于“被忽略的日常”。它提醒我们，AI的终极价值不在于替代人类，而在于释放人类去做更本质的事——正如夏令营中向孩子提问：“如果没有作业和课外班，你今天想干什么？”这个问题对成人同样尖锐：当外部约束消失，我们是否还能清晰感知自己的内在动机与精神满足来源？
从技术演进角度看，当前AI智能体正迈向自主进化（L4研究者阶段）：在编程等结构化场景已初见成效，而AI for Science等前沿领域更在快速逼近“替代人类研究员”的临界点。但这一进程注定非线性——技术突进与社会博弈将反复拉锯：监管、伦理、安全、利益分配等问题将持续与技术发展共振，形成“冲刺—回调—再冲刺”的动态曲线。
“他就是有一个自己的需求，说我能不能今天我出去玩的时候，用我的手机上的微信……去控制我家两台电脑，AI帮我干个活儿，就这么简单一件事情。”
OpenClaw的起点如此朴素，却恰恰指向未来十年AI创业的核心范式：从具体场景的微小痛点出发，用AI放大个体能力，而非追逐技术奇点的幻影。