142. 雨森的创投观察第2集：Harness、下一个字节、2026大机会和Stanley Druckenmiller

摘要

• 戴雨森复盘"year of R"被打脸：看对了OpenAI的C端天花板——$20订阅难提价、五千万付费用户已把愿付人群筛完、“在ChatGPT里插广告这个事情大家太乐观了”；看错的是coding在Claude 4.5→4.6发生的阈值突变。 他的解释框架值得记住：“把水烧开了才有蒸汽机，烧到九十九度也不会有”——智能的价值是突变不是渐进，连Anthropic把版本号叫4.5而非5，都说明官方自己也没预期。
• Return问题没有解决，只是被下推给了Anthropic的客户：token是客户的投入不是结果，链条是投入→产出→结果，而"移动互联网停滞不是缺程序员，是大家不知道该做什么"。 数字已经too big to ignore——今年AI硬件利润七千亿美金、三星海力士利润接近英伟达、Anthropic年底AR预期一千亿即每月卖出一百亿美金token。估值三段论：短期（3个月）OpenAI/Anthropic都被低估（现在上市"炒到三万亿都有可能"），一两年角度都被高估，十年角度赢家可能是五万亿、十万亿的公司。
• Harness是OS、模型是CPU：用户忠于harness不忠于模型——大家为救小龙虾（OpenClaw）里的记忆反复抢救，却随手把模型换成Kimi K2.5（“九十分的表现，二十分的价格”）；Cursor靠壳的数据训出Composer证明"没有这个壳就没有这个模型"。" 模型即产品"和"壳更值钱"两句话同时成立。
• 他最兴奋的新设想是Agent之间的网络效应：当harness沉淀了个性化context，同一任务给不同人的agent做结果不同——“我的agent雇佣张小珺的agent，一千块是token的价值，九千块是你agent积累的专有知识”，这些专有信息可能永远不会被蒸馏进模型，agent-to-agent marketplace公司已经出现。
• 下一个字节长得不像字节：AI信息流是"把新技术包进字节最擅长的壳里，在自己的游戏规则里打败自己是非常难的"；to C娱乐一上来就要比抖音、红果好玩，是难题，而生产力是"简单题"。 机会藏在大厂看不上的属性里——套壳、开源、不安全：“如果你认为套壳价值是零，what if你是错的？”
• 操作与布局：年前清仓的他加回了存储、光、CPU等"卡脖子"硬件仓位但不敢激进（偶像是Druckenmiller，交易员风格，“strong opinion weekly held”）；一级坚持投人不追风口——刘松明、丁宁两家具身公司从约2亿人民币估值涨到几十亿。 消费电子暴论：AI硬件会重蹈新消费覆辙，可穿戴录音是"VC想象出来的需求"。
• 个人与社会层面：警惕把思考外包给AI——“直接得到答案，你的大脑并没有变化，你的权重没有更新”，要建"思想的健身房"；教育押agency不押taste（taste可能不再是人的专属阵地）。 收束心法：“频繁被打脸是幸福的——一个人总是不被打脸，大概率不是因为他永远正确，而是因为他没有进步。”

精读

1. 打脸是常态：六个月里"模型之王"换了四轮

• 开场即认账：上集（124期）他预言2026是"year of R"、下半年迎来回调，并在过年前清空二级仓位，“陆续有人把之前的播客发给我说是不是被打脸了”。他的回应：打脸是早期投资的常态——“当你陆续被打脸的时候，说明这个行业变化很快，那就意味着它有很多的机会。”
• 叙事轮转的时间线：去年11-12月OpenAI为王（DAU八个亿奔十亿，宣布买Oracle算力对方股价跳涨几十个点）；12月Gemini 3发布，“Google有TPU、最多的算力、原生多模态，替代OpenAI成为模型之王”；1月Claude coding爆发、全民学agent coding，3月Anthropic收入猛涨、二级市场市值超过OpenAI，“叙事是Anthropic一骑绝尘”；5月Codex新用户增速反超Claude Code、GPT 5.5表现好，OpenAI"卷土重来"（中间还有“Office 4.7”（原音）一度"降智"、后证实是系统问题的插曲）。
• 结论先行：“哪怕’哪个模型更好’这个问题，过去六到八个月不同时候问，都会有不同答案。如果一个人怕被打脸，永远不说、永远不判断，那绝对不会被打脸。”

2. Strong opinion weekly held：清仓的人加回了"卡脖子"仓位

• 他本不想录第二期，极客CEO"瓦总"西东（音）说服了他：“如果你认为观点被打脸就不愿再说，那你是真正被你的观点绑定了。“表达-反馈很像强化学习，而且"市场不会对你说好话，市场说你错了你就错了”。
• 方法论：strong opinion weekly held——强观点必须知道自己是基于哪几条原因，“当这些原因发生变化，真正的聪明人应该调整看法”；世界本质上是贝叶斯的，前面发生的事对后面判断有影响。
• 操作上：他的二级偶像是Stanley Druckenmiller（索罗斯的操盘手），交易员而非拿五年的基本面投资人。看到Anthropic用量大涨、自己重度使用Claude Code后，加回了存储、光、CPU等"卡脖子"仓位——“硅谷整个大的就在做多硬件，尤其做多硬件里瓶颈的部分”。
• 但有保留：“我确实受到了我的播客的影响，不敢像朋友那样激进加仓——当你越强烈地公开表达一个观点，你会被你说出去的话限制，这是我要努力克服的事情。”

3. 复盘：看对了C端天花板，看错了coding突变

• 看对之一：OpenAI订阅制难提价——普通用户从20美金/月提到几十一百美金很难；且五千万付费用户已经把愿意为chatbot付费的人群筛选出来了，DAU、付费用户与ARPU增速放缓在过去六个月得到验证。
• 看对之二：广告电商没那么简单——“哪怕字节这么强大，在抖音、TikTok的电商广告探索都花了很长时间，Facebook和Google也花了六年八年才成为广告超级印钞机。在ChatGPT里插广告，当时大家太乐观了。”
• 看错的：完全没预料Anthropic coding收入在这么短时间内爆发——Claude 4.5、4.6发布带来"从量变到质变”，“很多人以前无法用Anthropic coding完成的任务现在能完成得很好”。

4. 智能是突变：烧到九十九度也没有蒸汽机

• 为什么看不到：互联网的商业模式（电商、门户、IM）上世纪末就出现，之后是渐进完善；而AI本质是智力，必须突破阈值才有价值——把AI从猫的智力提到智商九十是大成就，“但你招员工，肯定希望他智商至少一百吧”。
• 招牌比喻：“把水烧开了才有蒸汽机，烧到九十九度其实也不会有——但到底多少度是烧开，提前预计是比较难的。“旁证：Claude 4.5不叫5，版本号说明连Anthropic自己都没那么大期待。
• 事后归因：没有新架构、没有新训练范式，是高质量用户coding数据加大量agentic RL，“原来跑不起来的agentic loop能跑起来了”，AI开始完成更长时间、更高价值的编程工作。

5. Anthropic的壁垒是组织：探索期自下而上，收敛期自上而下

• 先声明信息是二手的（Anthropic对中国相对封闭），但3月在硅谷交流一圈，大家普遍提到组织能力和组织形态：探索期适合自下而上——OpenAI最早有三个方向（机器人、世界模型、打游戏的RL），语言模型只是小团队，这种自由探索在ChatGPT之前很有价值。
• OpenAI的另一面：Sam"有点像个天使投资人”（硅谷蛮多人这么评价），不断鼓励小项目，于是管杀不管埋——GPTs、“Sara”（原音）、浏览器、Operator上线后"没人管，感觉又消失了”。
• Anthropic则是收敛期的组织：入职有价值观面试、Darry（原音）每两周向全公司同步内部思考memo、Claude Code几十天迭代几十个功能，“管杀也管埋"“蛮像中国战斗力很强的公司”——主线收敛的高速赛跑期，适合一开始就明确bet、自上而下齐心的组织。
• 但留了活口：如果一两年后下个范式诞生，又会回到探索阶段——这正是他去年"第二个R”（Research）：硅谷New Lab们bet的就是下个范式需要发散、自由且资金充沛的组织。

6. Coding从垂直变水平，Claude Code救了"只卖API"的担忧

• 认知反转之一：去年以前连资深研究员都把coding和医疗、金融并列为垂直领域；现在大家发现coding是horizontal的——加强办公、医疗、研究速度，“做出来之后变得很显然，但在这之前并不那么显然”。
• 认知反转之二：姚顺宇去年年中还担心Anthropic只卖API没有壁垒（更便宜的API出来怎么办）。答案是Claude Code：用户高质量使用数据回流训出更好的coding模型，“如果没有Claude Code，只卖API的Anthropic会是一家很不一样的公司”。
• “Claude Code、Codex其实都是Harness”——并不是有了强模型就能把API卖出去，用户用的是产品，不是API；Anthropic既有好模型，又率先做出能跑long time horizon任务的harness。
• 好harness未必出自模型公司：Claude Code可以接别的模型，耦合没那么强；OpenClaw是一个人做出来的，一度是最火的harness之一——“去年大家都说套壳不重要，现在大家说原来Harness很重要，对这件事重要性的判断一直在变。”

7. 估值三段论：短期都低估，中期都高估，十年五到十万亿

• 短期（3个月）：两家新股价格各约9000亿美金，普遍认为上市至少两万亿，“在现在的市场情绪下上市，我估计直接翻倍，炒到三万亿都有可能”；年底AR预期一千亿，一万亿市值"也就十倍，不能说特别贵"——从情绪看反而都被低估。
• 中期（1-2年）：仍然被高估——return问题并没有真正解决，只是变成另外一种形式，“有可能两年之后你会发现他们估值有很大的下降”。十年角度：“也许两个都是赢家、都长期存在，可能是五万亿、十万亿的公司。”
• 附注一个观察偏差：头部几家没拉开真正差距，谁最后发模型谁就显得最厉害——后发优势存在，但"用这个去过度推演也会有问题"。

8. Claude Code vs Codex：从模型之争到品牌、渠道、价格之争

• 品牌锁定与习惯粘性：“我Claude Code用得挺好，就没有动力去试Codex”——配好的skills、写在CLAUDE.md里的配置都是迁移成本，先发品牌心智很重要。
• 但Codex在打价格战——同等成本约便宜百分之五十，两个都用的朋友反映它在long time horizon和reasoning上"其实挺好"；GPT 5.5的出现改变了大家对Codex的认知，“好马配好鞍”。
• 判断：5月中旬两者差别比两个月前小得多，竞争变成品牌、渠道、价格之争；coding plan把模型折扣与harness绑定，要分清到底是折扣价的模型还是harness本身好。

9. Return没解决，只是被下推给了Anthropic的客户

• 核心论证：投入的capex最后要变成回报。Anthropic收入大涨让很多人以为回报问题解决了，但Anthropic的收入是它客户的投入——“大家买这么多token不是烧着玩的，是想最后得到结果的”。
• 三步链条：投入→产出→结果。token买来产出软件，软件要卖钱或降本、带来利润增加才是结果。而增收要靠新产品新业务——“移动互联网这几年停滞，是因为缺程序员写代码，还是大家不知道该做什么？我认为很多时候不是缺程序员。”
• 时间错配：新产品新需求的发现是逐渐释放的过程，“但你烧掉的token可是现在就烧掉了”——GPU集群按六年以上回本设计，可"我今天烧的token能不能过两年再赚回来？大部分公司是受不了的"。

10. 十倍工程师不等于十倍收入；组织能背的锅有限

• 思想实验：一个有规模的公司突然多十倍工程师，收入会大涨吗？“很多时候不会”——十倍效率的个人反馈此起彼伏，“但我们目前没有观察到结果端的大幅提升”。
• 硅谷开始互相卷：程序员便宜了但不知道做什么新东西，“第一反应是把别人做一下”——Lovable（音"Labble"）做起了PPT、Gamma做起了网站。复制已有功能越来越快，做没人想到的功能还是难——“它不是编程问题，它是创新问题、产品问题。”
• 知识工作者的瓶颈是责任：一个组织里能背的锅是有限的——AI能多写十倍报告，但投资决策还是人负责，“AI没法负责，我也没法开除它”；何况报告仍有幻觉、需要人检查，又回到人的瓶颈。“能看十家公司，不等于你可以多投十倍的钱。”

11. 降本等于裁员，但裁员有三个限制；水槽模型

• 限制一：程序员八九成工作是编程，但还有一两成是沟通、协调、人与人的信任，“这部分不能被agent直接取代”——像自动驾驶很早就能开九成的高速，corner case让你去不掉人。
• 限制二与三：硅谷大厂随时可裁15%的既有冗余（AI来不来都能裁），再往深裁没那么简单；且裁员是只能做一次的动作，“你只能把一个人裁一次”，不能持续增量地裁出成本。裁掉的程序员收入也是别人公司的收入，对整个经济冲击巨大。
• 水槽模型：上面有无数想吃螃蟹的人涌进来，下面有人觉得螃蟹不好吃走了，“现在进来的人远多于离开的人”，所以Anthropic、OpenAI乃至国产coding模型的AR都狂涨、“只要有算力就能卖出去”——但最后要把漏水堵住：尝鲜者必须真从token里赚到钱，且周期不能太长。
• 他给出自己身上的证据：“三月份你烧的token比现在多很多，因为很多token花出去没有带来本质价值。“受益者是小公司和个人（有想法、原来卡在没人做）；大公司的问题是"不知道做什么，以及组织效率很低”。

12. Too big to ignore：硬件利润七千亿逼问答案

• 为什么现在就要问return：数字太大——“如果是几百亿美金大家花得起，但今年整个AI在硬件上的利润是七千亿美金”；三星海力士利润接近英伟达、工人一年几百万奖金，传统CSP云厂商的利润已低于存储厂商。
• Anthropic年底AR若达一千亿，意味着每月卖出一百亿美金token——“掏一百亿买token的人赚了多少钱？这个问题越来越需要在比较快的时间内回答，否则too big to ignore。“hyperscaler已在举债建数据中心（如亚马逊），资金杠杆让回答时限进一步变短。

13. 2026叙事：Agent主线与"当AI老板的快感”

• 主线从未变过：AI提升生产力、只有Agent才是主要形式——“Agent不需要人的注意力，才能解放人的注意力。“自我回顾：23年讲"人类未来与多智能体紧密协作”，24年讲模型能力提升解锁价值——编程、计算机使用、思考三个能力解锁25年的Agent元年。
• 布局自洽：投了Manus、Genspark（第一波harness），投的Kimi"应该是国内最关注Agent和coding的模型公司”，25年完成巨大转型，“现在可能是全世界最好的开源coding模型”。
• 一个社会学观察：今年大家用agent上瘾、“总觉得有做不完的事”。朋友一句话点破——“我们其实是在享受当老板的快感”，言出法随；从attention is all you need到每个人都在当AI的老板。

14. Harness解剖：F1车手与围场

• 定义比喻：以前用产品像自己开车，现在像看F1——车手是模型，我们是给他换胎保养、把他控制在赛道里的一群人。harness本义是马具：“让一个非常强的东西，在你规定的范围里运行。”
• 分层：模型之外先是context（实时的、组织专有的信息，“模型不会自己从天上掉下来”）；再是工具与agent循环；最外层是sandbox和runtime。OpenClaw的惊艳正在这层——给模型很大权限（操作Mac文件）、每30分钟检查未完成任务的heartbeat，“这些机制讲出来都简单，但让模型在长程任务上完成得更好”。
• runtime在起量：Manus去年就与E2B合作做sandbox让模型上网用软件；现在的方向是给AI配持久的一台电脑——DigitalOcean的虚拟机业务涨了很多。“越来越多的价值在模型外面包的这几层壳里。”

15. 模型即产品与壳的重估：两句话同时成立

• 对杨植麟"模型即产品"的处理：核心是产品能力由模型提供，但"我们交互的始终是一个产品，不是API”——ChatGPT本身就是一个harness，把InstructGPT position成对话形式，“没有这个Harness，也就没有这样的革命”。
• 两句话同时成立的证据是Cursor：大家原来觉得做壳没价值，但Composer基于Kimi的pre-training、加上自家大量高质量feedback数据训练出来，“反而说明哪怕只有壳，壳带来的数据加post training也能’模型即产品’——没有Cursor这个壳，就没有这个模型”。
• 用户端忠诚在harness：大家"不断抢救自己的小龙虾”，在意的是存进harness的记忆；但模型随手换——Kimi K2.5发布后有人把Claude换掉，“九十分的表现，二十分的价格”。记忆在壳里，模型可插拔。

16. “不本质"的PPT：模型公司做不好所有Harness

• 前两期嘉宾的分歧值得保留：吴力（原音曾作“福利”）认为OpenClaw这类智能体框架非常重要、能激发中层模型的上限；姚顺宇则觉得形态不太重要、更关注模型公司能力。戴的裁决：“他们俩都是搞模型的，你问他们什么最重要，一定说训一个好模型——但两人其实都认可好harness对提升模型表现和数据回流的价值。”
• 招牌故事：Manus刚出来时PPT做得比OpenAI好看，他问OpenAI做Agent的研究员，对方回答"这个不本质”——“对模型研究员确实不本质，但对用户来讲很本质：我用你做PPT，就得做出好看的PPT。“研究能力与应用理解是两种能力。
• 生态类比：微软自己做了IE和Office，但Windows上还有Adobe、Autodesk——“如果应用和harness最后都是模型公司自己做的，这个生态、这个use case就太狭窄了。”

17. Harness创新盘点：Manus、Claude Code、OpenClaw各自的发明

• Manus：sandbox里跑虚拟浏览器让AI访问网页执行操作；第一个做wide research——“就是现在的agent team、agent swarm，同时起几十个sub agent，比Claude Code都更早”，且"Anthropic做Claude Code时也借鉴了很多Manus的经验”。
• Claude Code：CLI是关键产品形态——GUI是给人用的，CLI是给AI用的；通过skills和对agentic loop的配置，把模型能力发挥得很好。
• OpenClaw：跑在本地Mac、能访问你的文件日历信息；heartbeat做定时任务；最反直觉的是所有对话放在一个大context里、每天整理memory.md——研究员们"不以为然”（会串context、有幻觉），但用户强烈感觉"OpenClaw记得我"。加上它基本没人用自己的TUI，而是插进微信、WhatsApp、Discord、Telegram——“去到你熟悉的地方”，这是它在中国风靡的关键，也不是典型模型公司会做的创新。

18. Harness是OS，模型是CPU

• 修正广密"模型是OS"的比喻：Harness更像操作系统，模型像驱动它的处理器——Windows时代CPU可以插拔Intel或AMD，“哪个价廉物美用哪个”，正像今天用户给harness换模型。
• 对开发者的意义：三年前AI应用开发者要自己写agent loop、处理memory和各种harness杂务；现在Claude Code、OpenClaw这层处理与模型的通讯，你只管做skill——像Windows出现后开发者不再handle硬件、只handle API，iOS把摄像头处理器封装成接口同理。
• 已见趋势：基于Claude Code runtime做应用——skill、Pencil、真格投的斯洛克（音）；甚至出现跑在Claude Code之上的图形界面，“你装了Claude Code，但你用的是Claude Code上的应用”。

19. 别跟风，敢做horizontal

• 对创业者的第一条：“最怕为了稳妥去跟风——缺钱可以融资，创新失败可以再来，但你做的事情一上来就不创新，在AI这是很危险的。”
• 反共识的第二条：敢于做horizontal。硅谷人人讲vertical，但"要做垂直SaaS是因为SaaS到了后期、通用机会被做完了，才去做什么宠物医院预约系统"；技术早期做太垂直"容易把自己困进去"，horizontal让新浪潮的变化对你有价值——Manus们最初做的是通用引擎，才衍生出PPT、网站、数据分析。
• 佐证：这一波跑出来的大应用——Manus、Genspark、OpenClaw、Lovable——几乎都是horizontal的，Lovable现在也在平行扩张。

20. AGI在缩水：within distribution与真创新

• 暴论：我们对AGI的定义一直在缩水——最开始是毁灭人类的singularity，后来是解决黎曼猜想、创造新东西，“现在是替代普通程序员”。“刷亚”（音）说AGI已经实现，他不认同——那说的是coding AGI，又是一次缩水。
• 日常写代码是完全within distribution的事（“AI写前端最简单，因为就是那些东西”），真正的OOD问题仍是开放问题；AI毁灭旧价值的速度远高于创造新价值的速度——新价值要新药物、新发现，靠auto research去解，美国新一代New Lab很多在做。
• 同做coding也有高下之分：靠蒸馏把已有数据蒸进来是"只抄答案"；让模型训练模型、把迭代速度变快，“大家都在做coding，但有的人做得不一样”。

21. 模型下吞的三重防御：自训模型、记忆护城河、Agent网络效应

• 模型公司向下吞噬harness"肯定有可能"。防御一：用积累的数据自己训模型——Cursor/Composer是从harness到模型的典型，“xAI可能很想买它，但卖不卖是结果，Composer的出现肯定让这家公司更有价值了”。防御二：护城河建在产品和记忆上——用户可以换模型，不想换harness。
• 防御三是他一个月来在想的大设想：agent之间的网络效应。六个月前你我的agent没差别、没理由交换；现在harness里沉淀了不同的skills和个性化context，“同一个任务给不同人的agent做，会得到不同的结果”。
• 具体场景：“我的agent雇佣张小珺的agent写采访提纲——给你一万块，一千块是token的价值，九千块是你的agent积累的专有知识，模型可能永远不会有张小珺那么具体的知识。“现在的做法（做个skill慷慨分发）不work——“skill一做出来你就失去对它的控制了。”
• 已有公司在做agent-to-agent的marketplace，还很早；类比归藏——“他的agent做出来的东西就是不一样，有人愿意付钱请他接单”；“你可以花高价请沈南鹏的agent，也可以花点小钱请戴雨森的agent帮你看看BP。”

22. 应用创业机会变大：资本市场给出的答案

• 实证：过去十二个月每家VC投的项目更多、估值更高——“Manus一年多以前融几十个million都很艰难，现在很多应用公司一出来就几亿美金，字节系就有好多个。”
• 第一性原理：模型能力强了，应用可做的场景变多（“原来模型只能写写诗翻翻译，出不了什么应用”）；记忆、沙盒等基建完善，应用越来越容易做；门槛回归用户数据、网络效应、品牌——“我有朋友用惯了Perplexity，就不换了。”
• 大厂做应用创新反而慢：除了豆包，“看看其他大厂拿出了什么让人惊叹的AI应用，其实很少”；美国的AI应用其实也是创业公司做的——OpenAI、Anthropic本身就是创业公司。“历史上就没有出现过一个公司把所有事情全做完。”
• 真格节奏：整体比去年多一点但相对固定，“我知道有的同行是多很多的”；他个人去年看一百个项目投两个，今年到五月已投三个。

23. 大厂看不上的五种属性：这次轮到套壳、开源、不安全

• 框架：每个时代的大公司都是"在大厂看着的情况下成长起来的”，因为大厂总有理由说服自己不做——太小众（Airbnb、B站、得物）、太low（拼多多、内涵段子）、太累（美团地推）、不合规（Uber、滴滴、比特币）、太超前（OpenAI、SpaceX）。
• 映射到今天：套壳——“如果你认为套壳价值是零，what if你是错的？它不是零，那就有增值空间”；开源——OpenClaw靠开源获取用户，完全可能出收费增强版；不安全——OpenClaw读你的文件、经常崩溃，“大厂不太敢做，出事要负责，这正是创业公司move fast and break things的优势”。

24. 投人逻辑：千里马先于风口

• 去年下半年第一轮投了两家具身公司：刘松明（2000年生，RDT系列作者，与Generalist（音）几乎同期做大规模UMI（音"五米”）数据训练）和丁宁（1997年生，SimpleVLA系列作者），清华年轻PhD和教授；当时估值约2亿人民币，“现在好像都几十亿了”。
• 逻辑不是按图索骥：“不是因为我们要投世界模型所以找这个方向的创业者——我们本来就看好这两匹千里马，他们往哪跑是他们去想的问题。“跟踪几年、只要创业就投，“理所当然成为第一轮唯一最大的投资人”。
• 先例是植麟：“大家都还不知道大模型是什么的2021年，他就在训一个大的模型了”——技术前沿的深刻理解、企业家精神、能放弃很多东西果断创业。
• 灵巧手公司"五机”（音）的故事：创始人UIUC毕业后自己家里掏钱做高扭矩电机，后来认定"未来机器人最好的操作是手、人手数据最容易获得、手的成本会快速下降”，在一只手几十万、大家嫌"太贵、市场很小"时坚定做高自由度灵巧手。如今egocentric视频数据让与人手同构的灵巧手变得关键——“不是我们一上来就意识到手会特别好，是优秀创始人自己探索出来的。”

25. 创始人框架：四类人、四种力与原创判断

• 不是纯凭感觉：创始人分四类——小天才、老司机、科学家、操盘手；内部常讲四种力——学习力、创造力、领导力、意志力。底层能力不因时代变：“很难想象一个领域需要聪明人，另一个领域就不需要。“从徐小平做新东方起，始终关注创始人配合、信任、动机、团队是否互补。
• 变的是技术维度：找"引领者”——别人还没谈agent、还没谈世界模型时就在做的人。关键测试是原创判断：“很多人的判断是听播客听来的，有的人能产生原创判断，这个可能就很重要。”
• PhD非必需：研究驱动的方向（世界模型）需要做过研究工作——刘松明博二博三就退学了；做AI应用则不用是PhD，“但你对模型的理解，可能要跟研究员相同的level”。

26. AI产品经理仍需个人英雄主义：Peter与OpenClaw的起源

• 姚顺宇的观点：AI研究员的个人英雄主义时代过去了（训练pipeline工业化后，“这个人搞pre-training的data，和另一个人搞差不太多”），但AI产品经理还有机会。戴附议并加码：好产品从来需要个人英雄主义——乔布斯、汪涛（音）、张小龙都是"我有一个大部分人没看到的对未来的看法，召集团队把它做出来”，需要对未来的偏见。
• 具体要求：非常理解AI前沿——现在能做什么、接下来六个月大概率能做到什么，“好的AI产品一般都是为未来设计的”。
• 样板是OpenClaw创始人Peter：公司卖过一亿美金的"老司机"、Claude Code的power user；起点只是"吃饭的时候怎么继续用Claude Code"——做了个hook把电脑上的agent接进IM遥控，一步步长成OpenClaw。“他有一个别人还没有的需求——人群中的引领者。”

27. 金科玉律失效：注意力公式、围墙花园与补贴获客

• 商业模式公式换了：移动互联网是DAU×时长×变现效率——attention is all you need；bug是世界上只有这么多人、每人24小时，于是只能做打赏直播提高变现深度。agent时代的关键指标变成METR研究的任务可持续时长——“把任务给它能跑多久”，attention is not all you need。
• 护城河反转：超级应用把用户圈在封闭app里，但agent访问不了的封闭生态会变成软肋——“在微信里聊了agent看不到，在飞书里聊了agent看得到（飞书还出了CLI），我就有动力把工作群迁到飞书。你原来的护城河反而变成束缚自己的壁垒。”
• 获客逻辑反转：春节Chatbot红包大战是移动互联网后期的惯性；领先AI应用靠魔法体验传播——ChatGPT、Sora、Manus、Veo 3（音）、Seedance 2（音）；豆包的亮点也是方言识别、输入法这类产品魔法而非纯投放。“靠红包来的用户，因为你的体验没有魔法的地方，所以大家又走了。”
• 服务对象变了：当用户以agent为主，“每天多少人来用不重要，多少agent来用更重要”——CLI和API要做好，GUI不用多fancy。

28. DAU不是北极星：十个狂热粉丝胜过一百个还行用户

• Claude Code的DAU远低于ChatGPT，“但收入量级可能要高很多”。优化DAU会出现滑稽场景——逼用户不得不多上来看看；更好的产品是"任务交给他就自己跑去了，你的访问反而下降"——DAU下降反而说明省心。生产力产品的北极星是长程运行。
• 早期看什么数：“有一百个觉得还OK的用户，可能比不上十个特别喜欢你的用户。“有的产品跟你讲逻辑说是AI时代的抖音，“但说一千道一万，产品就是不好玩”——AI游戏、元宇宙被证伪的核心原因是"真的没有用”；好产品像一道好菜，“不是讲起来好，是吃起来真的好吃”。

29. Agent三步走，与coding无限便宜后的三类新软件

• AI像来到人类世界的外星人，分三步：一、让人类拥有更多更好的agent——Claude Code、Codex、OpenClaw、Manus都在做，安装配置管理越来越简单；二、让agent适应人类的数字世界——人类数字世界为人设计（GUI、验证码、信用卡），AI原来是被阻止的bot，现在Stripe、Coinbase要给AI发信用卡，Cloudflare从挡AI变成让agent平等注册使用服务——“像外国人来中国，你得给他办SIM卡、微信、支付宝”。
• 三、agent专属的原生infra：人的支付低频、点对点、大额；agent的支付高频（写个报告查一百个数据库就付一百次）、小额、多对多——“可能就没有卡这个概念”。AI用CLI和API而非GUI，“GUI是因为人能力很差——人会记不住看到哪，AI没有这个问题”。
• coding能力无限后的三类新软件：顶级程序员写的一切软件——“最顶尖的程序员在字节写推荐算法，做智能热水壶的是一般程序员，所以那些app难用”；个性化软件——“我用的微信和我九十多岁的奶奶用的是同一个微信，这本身就是可以被提高的事情”（他想要语音条进度条和两倍速，因为徐小平常发十几条六十秒语音）；一次性低频软件——“也许今天我们俩录播客，就有一个专门为它做的web app”。

30. AI native组织：全栈化，与"蒸汽机到电动机"的教训

• 公司变小、分工变糊：写代码上获得PMF的阶段规模会变小；瀑布式分工（架构、前后端、测试、UI、运营）变成全栈小分队——“几个人负责一个功能模块，从底层设计到上线运营是同一拨人”。分工本来是因为人的context有限，AI没有这个限制。
• Day one context可见：运行了十年的公司"最大的问题是你的context、你的数据不在AI里，搬进去非常难”；新公司如斯洛克（音）——人和agent协作的平台，自己公司的运转、任务管理、编程都在自己平台上，“build Slack using Slack”；Claude Code是用Claude Code写的，Codex也是用Codex写的。
• 组织变革的历史课：蒸汽机工厂围绕一根主轴建设、狭长布局；电动机用电线解放了厂房形态，大而扁平的厂房才催生了福特的流水线。“从蒸汽机到电动机并不自然带来生产力提升，需要物理组织的变化”——所以大公司推AI不是每人装个Claude Code就完事，部门墙很明确的组织AI很难适应；人的变化"可能要十年，甚至要新的人替代老的人才会发生"。

31. 下一个字节长得不像字节

• 很多AI应用他总结为"AI信息流"——打开也是单列双列刷AI生成的东西，往往出自字节系创始人。“这是把新技术包在字节最擅长的壳里，再去比推广比分发——在自己的游戏规则里打败自己是非常难的。“反例是OpenClaw：“它连自己的阵地都没有，但它活在每个地方。”
• to C娱乐（kill time）不是这个时代的大机会：分发被现有冠军把持、要自己买量，“一上来就得比抖音、红果、小红书更好玩”——当年快手字节出来时只要比闲着没事有意思就行。AI游戏公司的尴尬是"游戏确实不好玩”——“用户的目的不是用AI，是玩一个好玩的游戏。“而生产力是"简单题”：手打Excel变AI代做，一下子十倍百倍提高。
• 对字节系创始人人群：“本身素质肯定很高，我的简单观察是，有的要把字节学会的东西，经历自己颠覆自己的过程——再做一个信息流应用，我觉得蛮难有大机会。”

32. 渗透率规律：native机会诞生在新瓶装旧酒之后

• 每次技术革命先是"新技术解决老问题”：互联网先做email、门户、自营电商；移动互联网先做移动浏览器、移动搜索——“但移动的搜索还是Google和百度，移动的YouTube还是YouTube”。
• 最大机会在渗透率过阈值后的native模式：人都上网了才有社交网络、搜索引擎、平台电商；智能手机和4G普及了才有短视频直播、推荐引擎（“屏幕小，没时间搜索点击，所以要推荐”）、米哈游的手游、美团滴滴的O2O、下沉市场的拼多多——“说的这些公司全是创业公司。”
• AI照此推演：现在处在AI干人类原有工作的第一阶段；当每个人、每个商家都有agent——可能是"我的分身接受你的分身的采访”；广告若是AI在看，“广告还存不存在”；AI与AI之间通讯不再需要Excel而是API直传数据——“微软以前的护城河就会受到很大打击”，SaaS的界面价值被绕过。
• 雏形已现：斯洛克里"我们三个人加五个agent在一个频道里协作，你能给我的agent下命令"；被Meta收购的Malt Book（音）让每人的agent发帖——“还有点cosplay的感觉”，但若agent真跑一个月的long time horizon任务，中间发个帖"就好像有外国人经常去的酒吧一样"正常。

33. 硅谷三观察与中美主题对比

• 观察一，coding大跃进：大家拼命用coding，“不管有没有用先用上”——Meta有烧token的leaderboard比谁烧得多，“肯定有很多浪费，但也有创新会被找出来”。情绪两极：兴奋者觉得AGI将至；恐惧者怕失业，“很多人想买Anthropic老股——你要消灭我的工作，我不如成为你的股东，至少要上车”，像韩国人都想去三星海力士打工。
• 观察二，世界模型在中美都大热：硅谷想把语言模型范式平移到机器人——大规模数据、某种scaling law，换取zero-shot/few-shot泛化与稳定性，对应pre-training、fine-tuning、IL三步。路线未收敛：大规模egocentric第一视角视频派与Generalist（音）式UMI夹爪数据派并行；概念也在纷争——谢赛宁认为"video generation is not a world model"、这些公司做的都不是世界模型，“到底什么是世界模型，大家也不知道”，共识只是"像语言模型预测下一个token一样，预测下一个世界状态"。
• 观察三，auto research：想实现的是recursive的自我迭代——AI提升AI；田渊栋（原音）的Recursive也已官宣，好像在做自我改进的AI；硅谷top lab都在用AI加速整个模型训练过程，中国也有科研性质的公司在考虑。
• 中美对比：硅谷New Lab据统计已有六十多家，但Benchmark这类VC嫌贵不投research-driven、没方向的公司，YC Demo Day七成还是vertical SaaS——“习惯动力”。中国偏硬：机器人、世界模型、AI硬件、量子计算、可控核聚变。硅谷horizontal通用应用反而稀缺——“Manus现在没什么竞品”，Perplexity和Devin的AR都到了四点几亿美金，“horizontal我认为还有很多机会”。

34. 消费电子暴论：AI硬件会重蹈新消费覆辙

• 暴论：“现在很多消费电子公司会重蹈新消费那一波的覆辙”——2020年新消费把每个品类做一遍、找李佳琦带货，后来发现小创新加带货并不等于新品类。很多AI硬件只是加个chatbot、加点感知能力，“没有解决fundamental的问题”；且硬件比软件难——供应链、开模、迭代慢、资金占用大、销售麻烦。
• agent的载体：“看来看去大家最后还是买了个Mac mini”——手机和电脑在尺寸、性能、耗电、散热上已经很均衡，专门"养龙虾"的龙虾机不如手机加云端。可穿戴录音"说得不客气，是VC想象出来的需求"——VC觉得自己忙、要十个to do提醒，“对绝大部分普通人，把每天录下来的增量价值相对麻烦来讲很有限”。
• 真格基本没投可穿戴。他自己戴Oura和Whoop——“那是健康硬件，不是AI硬件，要真有用，而不是因为用了AI就应该值很多钱。“pass最多的是跟风项目：Plaud（音）“其实很厉害，因为它定义了产品形态”，是"出题家”；后面各种长成各种形状贴手机背后的plug就是跟风，还有"做各个领域的Manus”。

35. 机器人：投组件与大脑，不投人形

• 布局：组件——五机（音）灵巧手、方舟机械臂；两家世界模型公司；更早投过非夕（音）及其分拆的穹彻（音）；没投这一波人形机器人。
• 理由：人形"现在还是非常非常早期、科研为主"，不管故事是什么，“有用都得靠manipulation”——所以投手、投臂、投模型。“人形现在处在资本很兴奋的阶段，估值相对出货量比较高，能不能持续我也不知道；我们肯定也错过了很多机会，在观察。”

36. 信息食谱与思考外包：思想的健身房

• 播客在投资里的位置：“信息传播非常好的渠道，大家会越来越快同步到前沿认知”——但也批量制造"听播客听来的判断"。他本人不听播客：自建AI小工具每天检查关注节目的新transcript、自动拉进Notion读文字稿——“你七个小时的播客，我读完不用七个小时”（谢赛宁那期是少数完整听完的）。
• 大问题：把思考外包给AI——“以前遇到问题自己想一想，现在直接问AI。如果你直接得到答案而没有思考过程，你的大脑并没有变化，你的权重没有更新。“类比：一直坐轮椅，腿部肌肉会萎缩——人类先把体力外包给机械、把记忆外包给互联网，现在正把思考外包给AI。Karpathy说"你可以外包思考，但不能外包理解”；戴更进一步：“思考可能也不能完全外包。”
• 解法是思想的健身房：像去健身房刻意运动一样刻意思考——“为了准备这期播客，我逼自己想清楚观点背后的论据”；创新同样要刻意练习，从简单的web app做起，“就像健身从拉伸、俯卧撑开始”。
• 榜样"林总”：月烧一万美金token，做了域名到期扫描器，AI注册回什么域名就做什么产品——“像Omakase，今天鱼市有什么鱼就做什么菜”，还给家里五只猫做了实时监控。戴自己做了家人智能硬件（Whoop、Oura）数据dashboard，并和朋友用斯洛克共创健康互比应用——“初衷是督促我减肥”。

37. 失业、再分配与人机依赖

• 失业"可能确实不可避免"：技术扩散速度快过很多人重新学习适应的过程。个体自保：学习驾驭AI，或去人与人信任、责任驱动的领域。“谁也承担不起不发展的代价”，大概率以类似UBI或税收的形式再分配——韩国已有人提议三星、海力士赚了太多钱，“也是社会稳定的举措”。
• 长期乐观的历史论据是蒸汽机扩散链：矿井抽水（只能直线运动）→瓦特的冷凝器与行星齿轮→珍妮纺织机→人均衣服变多→对颜色的需求→合成染料（紫色曾最贵）→巴斯夫、拜耳从染料作坊长成化工巨头→汽油、塑料、化肥→农业生产力。“新工作会产生在你想象不到的地方，但扩散需要时间——工业革命扩散了几十年，AI一年就替代了大量编程，动荡也会更大。”
• 最大的变量是人怎么思考与AI的关系：“用Claude多了会有很强的信任感和依赖感，忍不住告诉他更多。“OpenClaw用户像养成系——它记得你、能干活，对齐文件还"写得比较有人味儿”，产生情感投射。“现在把AI从你生活中拿掉，可能真的很难拿掉——这个我们其实完全没有准备好。”

38. 教育：agency大于taste，OOD是人类最后的阵地

• 孩子该学什么：“挺难的问题。“两年前他讲人会剩下agency和taste，现在收回taste——“AI那么聪明、见过那么多好数据，它的taste绝对远超普通人类，taste这事也不靠谱了。“剩下的是agency：“不管AI做得多好，要做什么还是你跟他讲的”——要能问出好问题、有想解决的问题和想改变的现状；虽然proactive agent连这个也在挑战。
• 人类最后的阵地是OOD：现有模型结构能很好解决within distribution的问题，但"AI讲不出一个原创的笑话，只能把人类讲过的refresh一下”；伽罗华二十多岁搞出群论；Sutton说松鼠的智能、猫的智能人类还没学会。“如果你的能力全在人类正态分布的中心，就很容易被替代。”
• 历史在不断蒸馏人的核心能力：工业革命淘汰体力→读书改变命运；互联网把知识与能力分开→知识可搜索，动手能力值钱；AI把执行力与判断力分开，而taste也可能被AI跑实验拿reward取代——最后至少仍重要的是“最后做什么”的agency与行动力：“至少目前，AI还不能自己动起来。这个我在想，但我没有答案。”

39. 尾声：频繁被打脸是幸福的

• 会继续录：瓦总那句话立住了——“你觉得打脸了之后又不录了，那你是真正的被打倒了。“表达本身是刻意练习：“当你讲一个东西，你会发现哪些地方自己是真懂的，哪些是糊弄过去的。”
• 收束全篇的心法：“作为早期投资人，频繁被打脸是幸福的——一个人总是不被打脸，大概率不是因为他永远正确，而是因为他没有进步。被打脸一方面是在获得反馈信号、在成长，另一方面说明行业在变化，早期投资就有机会。好享受被打脸。”