打脸是常态：早期投资的贝叶斯本质
在《戴雨森的创投观察》第一集中，真格基金管理合伙人戴雨森曾提出 2026年将是“R之年”（The Year of R），其中 R 代表 回报（Return）、研究（Research）与机遇（Opportunity）。他当时判断，2026年将是一个“现实与回调之年”，并在春节前清空了全部二级市场仓位。然而半年过去，AI 领域并未如预期出现明显回调，反而进入加速迭代期——OpenAI、Anthropic、Google、Cohere 等模型竞争白热化，Agentic Coding（自主编程代理） 技术在 2024 年 Q2 实现质变，推动 Cloud Code 等工具收入激增。
雨森坦言，“打脸是个常态”，尤其在早期投资领域，技术演进节奏远超线性预期。他指出，AI 的发展更像“智力突破”，而非互联网式的渐进式扩展：“智力必须突破一定阈值才有价值……就像水要烧到100度才有蒸汽，99度不行。” 因此，模型能力的跃迁往往在版本号微调中悄然发生（如 Codex 4.5→4.6），而此前市场与开发者均未充分预见到这一拐点。
“如果你认为你的观点被打脸了，你就不愿意再说了，那其实你是真正的被你的观点绑定了。但实际上，你应该是一个持续学习、持续进化的个体。”
“市场不会对你说好话。市场说你错了，你就错了啊！”
看对与看错：C端变现滞后 vs. 企业端爆发超预期
雨森复盘了此前判断的偏差：看对的部分主要集中在对 OpenAI C端变现路径的审慎评估。他当时指出，Pro 订阅制提价空间有限（20美元/月难快速跃升至百美元），且 5000万付费用户已基本覆盖高意愿人群，导致 DAU 与 ARPU 增速明显放缓；同时，在 ChatGPT 中嵌入广告与电商的难度被严重低估——类比字节、Google、Facebook 的漫长商业化历程，他判断 ChatGPT 短期内难以复制成熟平台的变现效率。这些判断在后续半年中得到验证。
看错的部分则在于对 Anthropic 及 Agentic Coding 的爆发时机预判不足。他承认，“Codex 这类工具的爆发完全没预料到”，尤其是 Cloud 4.5 版本带来的“从量变到质变”的体验跃升，使高价值、长链路的编程任务首次可被稳定执行。这一变化源于三方面：高质量代码交互数据积累、Agentic LLM 架构优化、以及 Token 消耗成本下降带来的实验规模化。结果是，企业级 AI 编程收入增速远超预期，成为当前 AI 商业化最确定的引擎。
“世界本质上是个贝叶斯的世界，你前面发生的概率对后面事件判断就是有影响。”
公开观点的枷锁与交易者的谦逊
雨森坦承，公开表达观点会形成“自我绑定”效应：越强烈的立场，越难随新证据动态调整。这也曾让他犹豫是否录制第二期播客——直到朋友瓦总点醒：“怕被打脸就不敢发声，才是真正的思维禁锢。”他进一步将此与 “Strong opinion, weakly held”（强观点，弱持有） 的交易哲学联系起来：观点必须有清晰逻辑支撑（一二三原因），但当底层假设变化时，必须果断修正。
受此理念驱动，他已小幅加仓二级市场，尤其关注 AI 硬件瓶颈环节（GPU、光模块、CPU） 与 Token 消耗驱动型应用（如 Meta、Google 内部的 Agentic Coding 普及）。但他强调，自身风格更接近交易员而非长期持有者，并以 Stanley Druckenmiller 为偶像——“他不是基本面投资人，我是从交易角度去看二级市场。” 尽管朋友已大幅加仓，他仍保持克制， partly due to self-imposed discipline from his own past public statements.
“Strong opinion, weakly held。你要有一个很强的观点，但是你不要被自己的观点所绑架。”
AI编程体验的质变节点
从4.5到4.6的模型演进，并非简单的参数提升，而是通过数据规模与质量的持续放大，最终触发了coding体验的本质变化。其中，高质量用户交互数据（如Cloud Code中的真实使用反馈）成为模型能力跃升的关键燃料；与此同时，agentic LLM能力的增强，使得原本难以运行的“agent loop”终于可以闭环执行——AI得以完成更长时间、更高价值的编程任务。这一节点虽难以精准预判，但回看时清晰可辨。
“原来跑不起来的 agentic loop，它能够跑起来了。”
“这个就是让科技的意义变得很不一样了。”
组织形态决定AI公司胜负手
AI发展正从“探索期”迈入“主线收敛期”，组织逻辑也随之转变：早期OpenAI以松散、自下而上、鼓励个人英雄主义的结构，适合多方向试错（如机器人、世界模型、游戏AI等并行探索）；而Anthropic则展现出高度对齐、自上而下、价值观统一的组织特征——从面试中的价值观筛选，到Dario定期发布的内部思考memo，再到Cloud Code在三月密集迭代数十功能的执行力，都体现出一种“管杀也管埋”的强执行文化。
相比之下，OpenAI虽持续产出创新（如GPTs、Operator），但部分产品因缺乏持续维护而“管杀不管埋”。这种差异在当前阶段尤为关键：当主线已明确（如enterprise coding），方向一致、执行力强的组织更能快速兑现价值。
“它其实是一个管杀也管埋的组织。OpenAI的很多产品有点像管杀不管埋，到后面就没人维护的感觉。”
Harness：模型之外的胜负手
Anthropic真正的护城河，不仅在于Claude模型本身，更在于Cloud Code这一Harness——它既是产品入口，又是数据飞轮的核心：用户高频使用产生的高质量反馈数据，持续反哺模型迭代，形成正向循环。若仅靠API销售，其商业模式将缺乏壁垒（尤其面对更便宜的Codex等竞品）。
值得注意的是，Harness并非模型公司的专属：OpenCore由个人开发者打造，曾一度成为热门工具；Manus等也以独立Harness形态出现。这说明：模型公司有信息优势，但 Harness 的创新可来自任何一方。当前，模型与Harness的绑定（如通过Coding Plan）强化了用户粘性，但未来可能走向解耦。
“原来这叫Harness变得很重要。”
利润驱动的底层逻辑：增效与降本的错配
AI带来的价值实现路径，最终必须落脚于利润的提升——要么收入增长，要么成本下降。而收入增长的核心在于新产品、新服务与新业务领域的拓展。当前移动互联网发展停滞，并非因为缺程序员，而是大家不知道该做什么。一个思想实验可佐证：若一家中等规模公司突然增加十倍工程师，其收入未必显著上升。现实中，尽管大量用户反馈“效率提升十倍”，但公司层面尚未观察到同步的新产品爆发与收入跃升。
这背后存在一个关键的时间错配：Token 的即时消耗与产品创新的渐进性之间存在张力。正如“烧开水理论”所喻，新功能与新需求的涌现是缓慢释放的过程，而非算力堆叠的即时反馈。此前建设 GPU 集群时，企业尚能以六年为周期回本；如今却面临“烧掉 token，两年后才能回本”的不可持续困境。因此，降本成为当下最直接的应对策略，裁员随之成为普遍选择。
“我认为它会有个时间的错配。”
“裁员毕竟是一个你只能做一次的工作，你只能把一个人裁一次。”
程序员的‘不可替代性’与组织责任的刚性约束
尽管 AI 编程能力大幅提升，但程序员工作中仍有约 10–20% 的非编码部分——沟通、协调、组织信任——难以被 Agent 取代。这类似于自动驾驶：即便系统能处理 90% 的常规场景，corner cases 仍需人类介入。硅谷大公司已裁掉冗余人员（如 15%），但进一步裁减将触及组织核心协作节点，风险陡增。
更深层的问题在于：组织能承担的责任是有限的。AI 可生成十倍报告，但投资决策、产品方向、最终盈亏仍需人来背锅。只要 AI 无法端到端担责，人的职责上限就不会线性扩展。当前 AI 报告虽可缩短检查时间，但检查本身仍是必要环节，幻觉与误差仍需人工校准。
“一个组织里面能够背的锅是有限的。”
“AI 是没法给你担责的。”
从投入、产出到结果：AI 革命的阶段验证
当前 AI 投入端已极度扩张：2024 年全球 AI 硬件利润达 700 亿美元，三星、海力士利润逼近英伟达；云厂商利润反被存储厂商反超。Anthropic 预计年底收入将达 100 亿美元，月均售出 10 亿美元 token。然而，掏钱买 token 的客户是否盈利？ 这一问题正变得紧迫——若终端用户无法在合理周期内（如两年内）实现回报，当前的 token 消费潮终将退去。
我们观察到：小公司与个人正迎来前所未有的创新窗口——过去受限于“缺程序员”，如今 Colab、Agent 工具大幅降低执行门槛；但大公司真正的瓶颈并非执行，而是方向模糊与组织低效。AI 编程泛化后，影响已从程序员扩展至全体知识工作者，但其价值释放仍受制于责任归属与决策闭环。
“现在肯定是涌进来去使用 AI Coding 的人是远多于发现自己花出去的 token 没有那么多的价值的人。”
“我们一直就很看好 AI 对于生产力的巨大提升。”
Harness：让强模型在轨道上奔跑
当前AI落地的核心挑战，已从单纯追求模型能力转向如何让模型稳定、可靠、高效地完成复杂任务。正如一位朋友所言：“我们其实很多人是在享受当老板的快感。”——这揭示了一个深层心理：人们渴望掌控力，而Harness（编排工程）正是赋予AI这种‘可控强大力量’的工程实践。它像F1赛车中的后勤保障系统：车手（模型）技术再好，也需团队为其换胎、控轨、维护，确保其在赛道（任务边界）内高效运行。这一概念源自马具，核心在于“让一个非常强的东西，在你规定的范围内去运行”。
从技术架构看，Harness包含三层：模型层、上下文层、运行时层。模型本身虽重要，但若缺乏上下文（如组织私有数据、实时信息）和工具调用能力（Agent循环），其能力将大打折扣。例如OpenCore之所以惊艳，不仅因模型强大，更因其赋予模型操作Mac文件、定期执行“心跳检查”等机制——这些看似简单的设计，极大提升了长程任务完成率。与此同时，持久化运行环境（Sandbox）正成为新刚需：AI需要一台“永不关机的电脑”，能持续执行任务、保存状态。DigitalOcean等公司已开始布局训练机市场，印证了这一趋势。
“它开的很好，但是我们要搞一堆人给他保养、换胎，给他去这个让控在了赛道里面，所以它有点像 harness 这个词……它是怎么样让一个非常强的东西，你去让它在你规定的这个里面去运行。”
“很多朋友都有那种不断的抢救自己小龙虾的那个过程……大家在意的是，在这个Harness里面存进去的这些Memory一些记忆。”
壳的价值：数据飞轮与用户忠诚
过去常被轻视为“套壳”的Harness，如今正成为构建AI产品护城河的关键。一个核心认知转变是：好的Harness不仅能提升模型表现，更能反哺模型迭代。以Cursor为例，其Composer模型基于Kimi预训练，但真正使其脱颖而出的，是Cursor作为“壳”所收集的高质量反馈数据——用户在真实编码场景中的试错、修正、优化行为，构成了远超通用对话的强监督信号。这形成了典型的数据飞轮：用户使用→生成高质量交互数据→训练更强模型→提升用户体验→吸引更多用户。
用户对Harness的忠诚度，甚至超过对单一模型的依赖。许多人反复“抢救”Crusher（注：原文“小龙虾”为口误），并非因其功能完美，而是因其中沉淀了个人记忆与工作流。当Kimi发布后，用户会直接替换Crusher中的模型，却仍保留原有Harness——这说明用户粘性正从模型层向应用层迁移。模型厂商（如OpenAI）虽有技术优势，但应用层公司（如Manus）对场景的理解往往更敏锐：当研究员说“PPT好不好看不本质”时，用户却只关心“我能否交出一份好PPT”。
“哪怕我只有壳，但是呢，壳带来的数据加上我去做Post-training，我也能够模型即产品。”
“Crusher最后也做自己的模型，对不对？”
模型与壳：共生而非替代
关于“模型吞噬一切”与“ Harness决定上限”的争论，实则源于视角差异。模型专家强调模型是能力基座，而应用创业者则聚焦于如何让模型真正解决问题。二者并非对立：模型能力决定上限，而Harness决定下限与落地效率。Anthropic若仅提供API，可能缺乏用户粘性；而框架型产品（如OpenCore）虽不训练模型，却能通过机制设计（如心跳检查、本地部署）显著提升中层模型表现——这反向推动模型厂商迭代。
早期投资人更关注产品价值而非技术标签。正如雅虎虽非搜索引擎本质，但其天使投资人仍成就传奇。当前AI创业中，“壳”的退出路径清晰：或被模型公司收购（如Manus），或自研模型（如Cursor），或持续迭代为独立产品。关键在于能否构建数据闭环与用户信任。未来，模型与Harness将深度耦合：模型公司会优化API以适配主流Harness，而应用层公司则通过反馈数据反向引导模型演进——二者共同构成AI生产力革命的双引擎。
“模型级产品，所以你要有一个自己的好的模型，可能会仍然非常重要。但同时，你没有一个好的产品，你可能就不会有这样的独特的模型。”
AI 编码的现状与创新瓶颈
当前 AI 在编程领域的应用，尤其是前端开发，已高度成熟——因为前端代码本身高度标准化，属于“within distribution”的任务，即模型只是在已有代码分布中进行预测和生成。然而，面向对象设计（OOD）层面的真正创新，仍是一个开放性问题。我们正经历“AI 毁灭旧价值的速度远高于创造新价值的速度”的阶段：降本增效确实在发生，但新价值的创造——如新药研发、科学发现——仍需依赖 AI 的深度参与。在美国，新一代的 Auto Research 实验室正通过 AI 加速科研流程；顺宇也在播客中提到，硅谷顶级实验室已在模型训练全流程中嵌入 AI。但目前多数 AIGC 编码工具仍停留在“蒸馏旧数据”的阶段，本质上是抄答案而非做创新。关键挑战在于：如何让模型学会训练模型，并实现迭代速度的指数级提升？ 这也是不同团队在 coding 领域拉开差距的核心。
“你可能这就是一个只抄答案，但是你没有做这样一个创新的过程。”
“怎么样让模型能够训练模型，然后把这个迭代速度变快？这可能也就是大家都在做 coding，但有的人可能做的不一样。”
Harness 与模型的博弈：从工具到生态的跃迁
随着模型公司能力持续增强，其向下吞噬 Harness 定位的可能性不可忽视——Harness 若仅依赖外部模型，护城河将极其脆弱。因此，积累私有数据并训练自有模型，正成为头部 Harness 公司的必然路径。Cursor 是典型范例：它因集成 XAI 模型而估值跃升，其产品进化本质是“从 Harness 向模型”的跃迁。更深层的趋势在于：用户对“记忆”的粘性远高于对模型本身的忠诚——一旦用户习惯某个 Harness 提供的个性化上下文（如技能、偏好、历史交互），即使更换模型，也不愿切换工具。这引出一个关键命题：AI 是否能构建网络效应？ 我认为答案是肯定的，但需以 Agent 为载体：当不同用户的 Agent 因私有 Context（如 100 次 BP 讨论记录）而产生显著能力差异时，就会催生“Agent 间的价值交换市场”。例如：你可付费雇佣张晓俊的 Agent 生成采访提纲——其中 token 成本仅占小部分，溢价本质是为专有知识付费。这类似电商，但交易的是“认知差异”，而非商品。目前已有早期公司探索 Agent-to-Agent 市场，但长期价值在于：让每个 Agent 的差异化成为可量化、可交易的资产。
“你的agent是有可能沉淀了你所有的访谈、你所有的问题的准备、所有的这些思考的。”
“其中有的是token的费用，有的是我的溢价。”
2026 创业：模型越强，应用创业机会越大？
尽管模型能力飞速提升，甚至被视作“吞噬一切”的基础设施，AI 应用创业的机会反而在扩大。从资本市场看，应用层融资额与估值显著抬升：过去融资困难的公司（如 Manas）如今动辄融资数亿美金；字节系已涌现多个新应用项目。其底层逻辑在于：模型能力与 Harness 基础设施的双重成熟，极大降低了应用开发门槛。过去模型只能做翻译、写诗等浅层任务；如今可构建完整工作流——从网页生成、PPT 制作到复杂设计。更关键的是，应用的护城河正从技术转向品牌与网络效应：用户对工具习惯（如 Cloud Code、Probability）的粘性，远超对底层模型的敏感度。大厂（如 Google、Meta）在 AI 应用创新上反而迟缓——历史规律表明，每个时代最成功的创业公司，往往诞生于大厂“看不上”的领域：或太小众（B站）、或太 Low（拼多多）、或太累（美团）、或太超前（OpenAI）。当前 Harness 的价值重估，恰是类似机会窗口：若大厂仍视其为“低技术含量”，则创业者仍有巨大套利空间。开源生态亦提供新路径：通过 Open Core 吸引用户，再以闭源增强版商业化，这可能成为 Harness 公司的主流商业模式。
“每一个时代大厂的创业公司，其实都是在大厂看着成长起来的。”
开源与商业模式的再定义
当一个项目被误判为“零价值”时，它反而可能蕴藏着显著的增值空间——这不仅是认知偏差带来的机会，更是创新者重新定义价值的起点。以开源为例，过去它常被质疑“没有收入、缺乏商业模式”，但如今，Open Core 模式已证明：开源是获取用户的高效路径，而商业化则可后续通过闭源增强版实现。尽管初期可能尚未盈利，但一旦大量用户基于开源底座构建应用，其生态价值便自然催生付费转化的可能。当然，这类模式也伴随风险：例如早期 Open Core 产品常被指“易崩溃”“安全性不足”，因其需直接访问用户本地文件系统，责任边界模糊。但对创业公司而言，这反而是“Move Fast and Break Things”优势的体现——大厂或模型厂商往往不敢轻易尝试，因其对用户设备负有更高责任义务。
如果你是错了，它其实不是零，那它就有一个增值的空间的机会，对吧？
这里面很多东西可能在模型厂商看来都不本质。但是你说一些这里面它需要有产品的创新，需要有权限的创新，然后需要有这个商业模式的创新。
投人逻辑：从人出发，静待风口共振
该机构始终坚持“投人而非投方向”的核心逻辑——优秀创业者往往会在热门方向尚未显性化前就已悄然布局。例如去年投资的两家清华系初创公司：创始人刘松明（2000年生）与丁宁（1997年生），均属年轻学术创业者代表，其团队早在数年前便被持续跟踪。他们并非因“世界模型”或“机器人大脑”成为风口才被关注，而是因其技术前瞻性（如RDT/SimpleVLA系列作者身份）与企业家精神的结合而被早早锁定。两人均在读博期间果断退学创业，展现出极强的行动力与决断力。
这类投资的回报也印证了逻辑的有效性：其去年融资估值约2亿人民币，如今已跃升至数十亿量级。市场热情并非源于我们追逐热点，而是因为我们早已识别出“千里马”，再由其自主探索出正确赛道。类似案例还包括五G科技的创始人——一位从UIUC毕业后自掏腰包研发高扭矩电机的硬件创业者。他早在行业冷门期便坚定投入灵巧手研发，理由是“人手数据易获取、成本将快速下降”，如今恰逢Aegosentric等基于人手视频数据训练模型的浪潮兴起，其产品价值迅速凸显。
我们投他们都不是因为他们是做世界模型，或者是做机器人大脑这种热门的方向……而是我们跟踪了好几年，一直就觉得他们是我们心目中很优秀的……年轻的学术型创业者。
所以你们为什么看好这两个人呢？……对这个技术充满前瞻的理解……也很具备企业家精神，技术前沿的了解加企业家的精神，在现在其实都是蛮重要的，并且能够放弃很多东西，果断创业。
AI原生创业者的底层特质与时代差异
尽管技术载体不断迭代，但优秀创业者的底层能力模型始终未变：学习力、创造力、领导力、意志力仍是核心四力。区别在于，AI时代更强调对技术本质的原创性判断力——能否在“世界模型”“Agent”等概念尚未被广泛讨论时便已开始实践？例如Stanley Druckenmiller式人物虽已淡出，但其精神内核仍在延续：真正的引领者不等待共识，而是主动构建共识。
技术背景的重要性随之提升，但PhD并非必要条件。关键在于能否达到研究员级别的技术理解深度。如刘松明虽未完成博士学业，但其在大规模多模态数据训练上的研究已具行业影响力；反之，若仅做AI应用层创新，则未必需要学术出身，但必须对模型能力边界有敏锐感知。
关于AI产品经理的角色，观点认为：传统产品经理的“个人英雄主义”在AI时代并未消失，反而因“为未来设计产品”的需求而强化。乔布斯式远见仍不可或缺——好的AI产品经理需兼具对技术演进节奏的预判（如“未来六个月能做什么”）与对技术细节的极致敏感（如自由度差异对灵巧手性能的影响）。正如一位已成功退出的创业者Peter，他因自身作为“超级用户”的痛点（手机端远程操控Coding Agent）触发产品创新，最终打造了Open Cloud，这正是“用户即发明者”逻辑的生动体现。
你刚才说的那几个其实也是技术型的人才……但我想说，就是产品经理，如果我们沿用他原来定义的话，可能就是很需要个人英雄主义的……这里面一定是带有一种他自己的远见，他自己的非共识的看法了。
移动互联网的商业模式可以叫做 attention is all you need……但这公式里面有个 bug，就是世界上只有这么多人，每个人只有二十四个小时……A 站的时代，用户自己看着屏幕的时长已经不是最关键的指标了，可能更关键的指标是 agent 能够持续完成有价值任务的关键指标。
从注意力经济到任务完成率：AI时代的指标重构
在移动互联网时代，用户在屏幕上停留的时长是核心指标；但当AI agent开始承担实际任务时，这一逻辑被彻底颠覆。变现时长已达极限，关键转向变现深度——打赏、直播等高价值交互形式兴起，而AI时代更应关注：一个agent能否持续完成有价值任务。正如METR研究院所指出的，衡量标准应是“任务持续运行能力”，而非用户点击或停留。这标志着从“Attention is all you need”向“Attention is not all you need”的根本性转变。
“用户把任务交给他，他就自己去跑出来，那你都不用去看了。说你的用户访问反而会下降。”
“如果你要天天用户盯着看，你可能迭代又很高，但可能反而说明你不能够让用户省心的去完成事情。”
护城河重构：开放性 vs 封闭性
移动互联网的超级App依赖封闭生态构建护城河——微信、支付宝等通过限制用户跳转形成闭环。但在AI时代，若agent强大却无法访问封闭系统中的数据（如微信不开放API），原护城河反而会成为束缚自身发展的壁垒。飞书因早期开放CLI、支持agent接入，迅速吸引高阶用户迁移；而微信虽安全易用，却因面向“最大公约数”用户而牺牲了高级功能灵活性。
生产力型AI应用面向的是前沿用户群体，他们愿为复杂但强大的交互买单。因此，创业公司可避开巨头的“小白友好”陷阱，专注打造AI-native、高自由度、长程运行的交互体验，哪怕牺牲部分易用性。这导致：高级用户更倾向使用新兴AI产品，而非成熟平台的AI插件。
“有的在微信里面的工作群里啊，我是有动力把它迁移到飞书上去的，因为在微信里聊了 A 级的看不到，但在飞书里聊了 A 级能看得到。”
推广范式迁移：魔法体验取代补贴投放
移动互联网后期，红包、奶茶券等补贴式获客成为常态；但当前领先的AI产品（如ChatGPT、Sora、Minus Cloud Code、Vo3、C Dance Two）几乎不依赖投放，而是靠‘魔法时刻’自然传播。豆包虽有字节的投放资源，但真正破圈的是方言识别、输入法优化等真实可用的细节体验。
更重要的是，DAU不再是唯一北极星指标。Claude DAU远低于ChatGPT，但收入量级更高——若产品能让用户“交托任务后无需盯守”，DAU自然下降，但这恰恰是高效AI产品的标志。高价值任务型产品应追求‘用户省心’而非‘用户高频’。
“你有一百个觉得你还可以还OK的用户，可能比不上你有十个特别喜欢你的用户。”
AI原生世界的三重跃迁路径
AI落地可分三阶段： 1. 让人类低成本拥有更多更好的agent（如Cloud Code、Hermes，强调安装简易、配置友好）； 2. 让agent高效适配人类数字世界（如Stripe为AI发卡、Cloudflare开放注册，解决支付、验证码等‘人设障碍’）； 3. 构建AI专属的数字基础设施——AI支付将高频、小额、多对多；交互将超越GUI，以CLI/API为主；记忆系统无需列表滚动，因AI天然具备上下文连续性。
若程序员能力无限，将催生三类新软件： - 性能与体验跃升的现有应用（如由顶尖程序员重写的智能家居系统）； - 高度个性化底座（微信可按用户定制：语音条进度条、群发管理、无刷屏功能）； - 一次性/低频场景专用工具（如播客录制专用Web App），因边际成本趋零，长尾需求首次具备产品化价值。
“好的产品，就应该像一道好菜一样，它不是说讲起来要很好，而是它用起来真的很好用，吃起来真的很好的。”
AI原生软件的诞生：从低频需求到个性化工具
过去，许多低频、一次性使用的需求因商业回报率低而难以催生软件产品；但随着无限多的程序员（通过AI代理）和极低的开发成本成为现实，大量个性化、场景化的小型Web App正成为可能——例如为一次播客录制专门构建的协作工具。这类需求的爆发并非一蹴而就，它依赖两个关键前提：一是有人能想象出这些新场景，二是存在一个开放、可改造的底层基座（如开放接口的微信）。当前许多AI原生创业公司正尝试重构组织形态：团队规模显著缩小，尤其在产品验证阶段，全栈能力（从设计、开发到测试、运营由同一小组完成）正在取代传统的瀑布式分工。这种转变意味着，分工边界趋于模糊，组织结构从“部门化”转向“模块化自治小组”，而这对已有复杂组织架构的成熟企业构成巨大挑战——AI的落地不仅是技术问题，更是组织变革问题。
我们投了一家公司叫Slack，它其实做的就是一个人和agent合作的一个平台，它有点像是一个人和agent一起用的Slack。
其实Cloud Code和Codex团队也都有分享过，就Cloud Code是用Cloud Code写的，Codex也是用Codex写的。
技术革命的组织本质：从蒸汽机到电动机的隐喻
技术革新对生产力的释放，往往不取决于技术本身，而取决于配套的组织形态变革。正如工业革命中，蒸汽机时代工厂必须围绕单一主轴布局，导致厂房狭长、流程僵化；而电动机的出现打破了物理动力传输的限制，催生了更大、更扁平的厂房结构，这才为福特流水线的诞生提供了可能——流水线又进一步推动了“分工专业化”的生产范式。同理，AI革命的真正红利不会来自“给每个人装一个Claude”，而在于组织结构的重构：当AI能承担多角色任务时，传统部门墙将瓦解，组织需向更灵活、自适应的形态演进。这也解释了为何大公司推进AI落地异常艰难——技术只是催化剂，人的惯性与制度惯性才是最大阻力。
我是觉得技术它到最后的结果，它是一个逐渐渗透的过程。这里面需要的组织变化其实是难的地方，因为组织变化都是人的变化，人的变化它不是一分钟就变了，它可能要十年才会变……
超越信息流：AI时代的机会不在复刻旧范式
当前大量AI应用仍在套用移动互联网时代的成功模板——例如将AI内容封装为“刷屏式信息流”，这本质上是在用旧壳装新酒。但真正具有颠覆性的机会，往往诞生于技术渗透率与成熟度达到临界点后涌现的新场景：当AI Agent广泛存在时，Agent间的协作机制、个人数字分身的交互逻辑、AI主导的商业模式（如广告是否仍需面向人类）等问题将浮现。尤其在To C领域，AI小游戏、短剧等产品正面临两重困境：一是分发被巨头垄断（需向字节等平台买量），二是用户选择成本极高（需直接与王者荣耀、红果短剧等成熟产品竞争）。相比之下，提升生产力的场景（如AI自动生成Excel、替代人工操作）因能实现十倍百倍效率跃迁，反而成为更易落地的“简单题”。未来十年，最大的机会将属于那些能识别AI渗透率拐点后的新需求的创业者——就像移动互联网时代诞生于智能手机普及后的短视频、直播、O2O和拼多多。
我觉得现在很多大家追投的AI to C的应用不一定是很好的投资方向。
所有的这种是全是创业公司，它全都是在做一个什么事情？就是技术的渗透率到达一定程度，技术的完善度到达一定程度之后，出现了新机会。
AI渗透带来的范式迁移：从界面到底层通信
当前SaaS模式正面临AI带来的结构性挑战。过去，AI需通过人类操作软件来完成任务，依赖图形界面作为中介；但随着AI能力提升，它将直接与底层数据库通信，使传统界面价值大幅削弱。这不仅冲击微软等传统软件厂商的护城河，也标志着AI渗透率进入新阶段——从“AI替代人类操作软件”向“AI绕过软件直接执行任务”演进。
在此趋势下，Agent协作生态开始萌芽。例如Slack已出现雏形：三人团队可部署五个Agent，在统一频道中接收指令、协作反馈，工作流高度拟人化。更进一步，Agent间市场（Agent-to-Agent Marketplace） 也在构想中——不同组织的Agent可基于能力互补进行价值交换。Meta收购的MultiBook虽仍属“COSPLAY式Agent”（行为由主人预设），但若Agent能自主执行月级long-term horizontal task，其行为自主性将显著增强。
“你能够给我的 agent 下命令，比如说你把这个文件看一下，然后给我一个反馈，其实就跟我们在日常工作中很像。”
“如果你的 agent 能够跑一个假设是一个月的一个 long-term horizontal task，那它中间去发帖去做点什么事情，其实好像也很正常，就好像有外国人经常去的酒吧一样了。”
中美AI投资热点分化：科研驱动 vs 硬件务实
硅谷当前投资呈现双轨并行：New Labs（如OpenAI、Anthropic）与垂直SaaS并存。前者聚焦大模型基础研究，后者仍占VC Demo Day的70%，以AI增强垂直领域SaaS为主。值得注意的是，Benchmark等VC明确回避“高成本、无明确方向”的科研型项目，更倾向产品导向型公司。
中国则更偏重硬科技与应用落地：机器人（尤其“机器人脑”与世界模型）、AI生产力工具、AI Qtime（类字节跳动产品）及量子计算、可控核聚变等前沿领域均受热捧。这一趋势源于两方面：一是头部模型公司已高度集中，催生对自由科研组织的需求；二是资本对“下一个字节”的执念，推动硬科技形成正反馈循环。
“硅谷并不是说大家都在只在投 new lab……他就会觉得这个东西太贵了，他就不想投这种 research driven，然后又没有明确的方向的公司。”
“大家对自己有执念啊，陆职业是上时代最成功的公司嘛？为什么不找SpaceX？”
世界模型与Auto Research：通往AGI的路径之争
过去一年，“世界模型”成为中美AI研究的共同热点，但定义尚未收敛。其核心目标是让模型像语言模型预测token一样，预测世界状态的下一帧。当前存在多条技术路线：以Ego Scale为代表的第一人称视频训练、以Umi为代表的机械臂操作数据训练，均在提升机器人任务的稳定性与泛化能力。硅谷倾向将语言模型范式迁移至机器人领域，强调通过数据规模与scaling law实现zero/few-shot泛化。
更前沿的方向是Auto Research——AI自我迭代、自我提升的闭环。例如Recursive AI正探索AI驱动AI研发，该路径对加速科学发现与模型演进至关重要。
然而，消费级AI硬件仍存质疑：多数产品仅在传统设备上叠加Chatbot或感知模块，未创造真实新需求。可穿戴设备面临使用门槛高、价值增量有限的困境，VC想象的“高频刚需”与大众实际行为存在显著鸿沟。相比之下，健康硬件（如Whoop、Aura）因聚焦真实生理指标，更具可持续性。
“我现在对这个领域我是持一些比较谨慎的看法，尤其是可穿戴的各种硬件都没有投吗？……我觉得这个事儿不好做。”
“世界模型这个词太模糊了……但每个世界模型公司，它可能很多时候它讲的这个做法会很不一样。”
人形机器人：早期阶段与关键瓶颈
尽管当前人形机器人领域资本热度极高、估值水涨船高，但团队认为该领域仍处于科研主导的极早期阶段，距离真正落地应用尚有距离。核心判断在于：机器人能否发挥价值，最终取决于其“操控能力”（manipulation）——即能否有效操作物理世界中的物体。因此，团队虽未押注整机厂商，却重点投资了灵巧手（如五轴机械手）、机械臂（如方舟机械臂）以及底层世界模型技术，试图从底层能力构建切入。他们强调，一个成熟的人形机器人生态，需要“好的手、好的臂、好的模型”三位一体协同演进；而目前多数项目仍停留在概念或演示阶段，尚未形成闭环验证。
“人形机器人eventually可能会很有用，但是它前提它需要一个好的手，所以我们投了手；它可能要好的臂或者好的其他机械结构；它同时还要有更好的模型，所以我们也投了模型。”
“我认为都得靠 manipulation，也就是说能够去操作来实现。”
投资哲学：拒绝跟风，寻找‘出题家’
团队在去年Pass最多的项目，是那些纯粹因赛道热度而涌现的跟风型创业——即当某个概念（如可穿戴录音、Ploud类设备）被VC或播客广泛讨论后，大量团队仅以“better product”为目标跟进，缺乏原创视角。他们更倾向投资“出题家”：即能提出新问题、定义新场景、创造新形态的创业者。例如Ploud虽被模仿，但其本身因率先定义了产品形态而被认可；而后续大量“贴在手机后面”的仿制品则被视为同质化竞争。
播客作为信息渠道虽高效，但团队也警惕其带来的认知同步过快与共识固化风险。主理人虽不常听播客（偏好文字稿），但会借助自研AI工具自动抓取、整理播客转写内容至Notion，形成个人知识库。这种“AI辅助的信息聚合”极大提升了信息处理效率，但也引发对“思考能力退化”的深层担忧。
“我们希望他是提出了一个不一样的看法。他做个不一样的东西，哪怕这个东西看上去很奇葩，而不是说这个东西已经是一个赛道了。”
AI时代：生产力跃升与‘思想健身房’
AI已显著提升团队的信息整合与分析效率：通过Agentic Coding开发的多个小工具，可自动爬取播客、会议纪要、Newsletter等内容，构建对人、公司、股票的长期动态跟踪系统。主理人从“零代码”起步，借助Cloud Code实现80%以上任务自动化，如今已能独立完成复杂数据流整合。
但更深层的反思在于：过度依赖AI可能导致思考能力退化。类比“久坐导致肌肉萎缩”，若长期用AI替代思考过程，人类的认知肌肉同样会萎缩。为此，他提出“思想健身房”概念——即需刻意练习独立思考与创新：例如为准备播客而梳理观点逻辑链、而非直接让AI总结；或像某位朋友那样，为好玩而用AI做实时猫监控系统，在非功利场景中训练创造力。
长期看，AI带来的社会冲击不可逆，但历史经验（如蒸汽机→纺织业→染料→化工→化肥）表明：技术扩散需时间，新岗位终将涌现。当前挑战在于如何应对“一阶导”效应（如程序员岗位快速萎缩），而应对路径包括：主动学习AI技能、聚焦AI难以替代的人际协作领域，以及推动UBI等再分配机制。投资人的角色，正从“信息筛选者”转向“AI协同者”——信任、协作与边界感，将成为新能力组合。
“Angel Cabassi 他就说一个话，他说你可以外包思考，但是不能外包理解。”
“你用它做什么好玩的事儿？……他是在刻意练习自己用AI创新。”
AI协作带来的心理依赖与角色转变
当AI能高效协助完成大量任务时，用户会自然产生信任感与依赖感，进而形成一种协作关系——这不仅是工具使用，更是一种共同成长的互动。正如观察早期用户使用“小龙虾”（指某类早期AI产品）时发现，很多人并非用于关键工作，而是以“养成系”方式与其互动：它记得细节、能执行任务、还带有用户个人记忆，这种拟人化但不过度拟人的特质，让人产生微妙的情感投射。OpenAI早期的对齐文档也刻意营造了这种“有人味儿”的语气，强化了这种体验。
这种关系的升级，使AI从“聊天对象”变为“协作伙伴”，心理依赖度显著提高。一旦被移除，用户可能真的难以适应。正如一位用户所言：“如果把 AI 从你生活中拿掉，你可能真的是很难拿掉。”
原话：“它能够很好的帮你把很多事情都做好之后，你会天然很信任它，然后你会跟它一种协作关系嘛？因为你跟他一起协作做了很多事情啊。”
原话：“我忍不住的告诉他更多……对啊，你会很依赖，发生更多，然后产生的这种依赖，其实对你的生活、工作都会产生很多变化。”
人类不可替代性的再思考：Agency vs. Taste
面对AI能力的快速演进，作者反思了人类的核心优势。过去常说的“AI干活，你负责taste”，如今被重新审视：AI的taste可能已远超普通人——它见过海量优质数据，生成的PPT、文案等常令人惊叹。因此，taste未必是人类专属阵地。
相比之下，agency（能动性）——即主动设定目标、提出问题、驱动改变的能力——仍是关键护城河。作者指出：“不管他做了多好，要做什么还是你跟他讲的。” 创新需要刻意练习，因为多数人面对“你想做什么”时其实茫然无措；唯有主动探索，才能发现值得解决的问题。
更深层的挑战在于：当前AI擅长处理within-distribution（分布内）任务，却难以生成out-of-distribution（分布外）内容。例如，AI能改写笑话，却无法创作原创笑话；它无法像伽罗瓦那样二十多岁就开创群论。这背后涉及人类创造力、好奇心与自我进化能力的未解之谜——正如松鼠、猫的智能机制，我们尚未真正理解。
原话：“AI那么聪明，他又见过那么多的好的数据，他的Taste绝对是远超普通人类的。”
教育、投资与持续进化的底层逻辑
从历史视角看，人类正不断将自身能力“蒸馏”：工业革命后体力让位于脑力，催生教育普及；互联网时代，知识被搜索引擎替代，动手能力（如编程）成为新重点；而AI时代，执行力正被AI接管，剩下的是“我要做什么”的判断力与方向感——但连判断力也可能被AI通过大量实验与奖励机制逐步替代。
因此，agency（主动定义问题的能力）成为当前最稀缺的人类特质。作者强调，早期投资工作本身就是一场“频繁被打脸”的实践：被打脸意味着获得反馈、持续进化；若从不被打脸，往往意味着停滞而非正确。正如他与同事的对话所揭示的：“你不能被自己说句话束缚……真正的被打倒，是因害怕打脸而停止思考。”
他坚持录制播客，正是为了在表达中厘清模糊认知——“当你讲一个东西的时候，你就会发现有的地方是你很清楚知道自己是懂的，或者你认为自己是懂，那有的地方是就糊弄过去的。” 这种刻意练习，是早期投资人最珍贵的成长路径。
原话：“作为一个早期投资人，频繁被打脸是幸福的……我其实是在想要被打脸的一个工作中，好享受被打脸。”