播客听见世界的声音，看见思想的刻度

Dwarkesh Patel 朗读了他关于 AI 训练走向的文章。各大实验室押注于：在数百万个可验证任务上大规模跑 RL，就能通往 AGI。但 Dwarkesh 认为这个赌注留下了两个缺口：大多数有价值的技能不够"可磨练"，无法在模拟器里批量刷出来；而模型在实际工作中学到的东西，始终无法写回权重。他梳理了样本效率与持续学习其实是同一个问题，提出两种候选方案——在线策略自蒸馏（OPSD）与"梦境训练"——并描绘了一种越用越聪明的 AI，其智能来源从预训练转向实际部署。 ## [00:00] 各大实验室押注的核心研究方向 各大实验室的工作假设：在数千个 RL 环境、数百万个可验证任务上训练 AI，就能得到一个能在开放性工作上持续磨练数周的通用问题求解器。乐观派认为，已知的缺陷——数据低效、没有持续学习——会随算力增加而消失，就像经典 NLP 问题在 LLM 规模扩张后全面瓦解一样。 Dwarkesh 随后给出对自身怀疑论最有力的反驳：他在上一篇文章里提到的百万倍样本低效率，只是训练时的成本，摊薄到数十亿次会话上便不值一提。真正重要的是模型在单次会话内的能力，而这一能力持续在提升。如果上下文窗口大到足以装下数月的在职经验，持续学习或许根本不是问题。 > *人们常说，新员工要六个月甚至更久才能产生净正效益。所以，在线学习显然是胜任工作的必要条件。但如果六个月的经验都能塞进上下文窗口呢？* ## [02:12] 可磨练性与可验证性同等重要 计算机操作（computer use）为何落后于编程和数学？明明三者同样可验证。Dwarkesh 给出一个被低估的答案：光有可验证性还不够，一个领域还得"可磨练"——也就是能从同一起始状态出发，在确定性、可重放的模拟器里并行跑出数千条轨迹。一个代码仓库可以轻松克隆到容器里；亚马逊的结账流程做不到。 这是 AI 进步只能缓慢凿穿的峭壁。偶尔可以搭建可批量训练的模拟器（克隆 Slack、克隆 Gmail），但大多数高价值技能——建立一家企业、打赢一场官司、做出一个盈利的交易日——都需要与现实世界进行无法复现的交互，验证需要数月时间，也无法跨并行轨迹重复观察。 > *要让 AI 在政治上比肩林登·约翰逊，或者在商业航天上媲美埃隆·马斯克，RL 环境该怎么搭？* ## [06:10] 单靠 RLVR 能泛化吗？ 各大实验室押注 RLVR 能够泛化——足够多的容器化环境，能让一个 agent 在单次会话内学会规划、适应和获取新技能，足以在 1948 年参议院选举上给 LBJ 出谋划策，或凭一亿美元资金再造一个 SpaceX。泛化能否达到这种程度，是个实证问题。Dwarkesh 援引 Dario Amodei 的一段话，暗示泛化并非无限延伸：短周期训练未必能迁移到长周期表现上。 即便单次会话的上下文经验能把一个模型临时变成亨利·福特，只要这些学习无法写回权重，一切都付诸东流。实验室 30%-50% 的算力花在推理上，却对模型改进毫无贡献——而部署恰恰是最有价值的信息被揭示的地方。 > *我们有一个天才研究生，却从不让它去实习，只是不断给它越来越多的课堂案例——那些 RL 环境里的训练，就是这些案例。* ## [08:41] 将学习写回权重 持续学习的核心是更新权重，而不是无限膨胀 KV cache——大脑不把参数和激活值分开存放，而且会压缩所学的内容。但把学习写进权重，会丧失上下文学习的样本效率，因为梯度更新是粗粒度的。这正是所有已落地的在线学习模型（比如 Cursor 的 Tab 模型，每天在 4 亿次以上的接受/拒绝请求上学同一个目标函数）只能让所有用户学到同一件事的原因——而每份工作、每家公司都各有不同，这恰恰失去了意义。 Dwarkesh 把样本效率和持续学习归结为同一个问题，并指出瓶颈不在架构——稀疏注意力和 KV 压缩的新论文每周都在涌现——而在损失函数。他的候选方案是在线策略自蒸馏（OPSD）：训练基础模型，让它做出与一个拥有丰富上下文的"老手版"自身相同的预测。OPSD 不需要外部循环奖励，每个 token 都能提供比 RL 更密集的监督信号，同时保留 RL 稀疏更新的特性，确保在职学习不会覆盖模型已有的知识。 > *你进步的方式，不是把每天发生的每件事都以完美保真度回忆一遍，而是把真正让你变得更好的那几条洞见和知识点内化沉淀下来。* ## [15:22] 梦境训练 第二种更具推测性的方案：让 AI 建立一个现实的仿真模型，在其中反复演习，每单位实时时间内可以经历数量级更多的样本。先例是 EfficientZero——它让模型在脑内模拟数十局游戏再走一步现实棋局，从而在陌生 Atari 游戏上击败了人类新手。 模拟整个世界远比模拟围棋难得多，这也是 Dwarkesh 把此方案标记为推测性的原因。但如果它奏效，就成为继预训练、RL、推理时计算之后的第四条扩展轴线。到那时，你不是按 `/compact` 压缩会话，而是按 `/dream`，烧掉大量算力，让模型对照一个"电子游戏版"的现实世界进行演习。 > *于是你按的不是 Codex、Cursor 或 Claude 里的 /compact……而是 /dream。这会消耗大量算力，去构建并训练一个模型所目睹的现实世界的电子游戏版本。* ## [17:23] 2027 年的图景 Dwarkesh 描绘的场景：RLVR 培养出足以积累真实世界经验的 agent，上下文窗口扩展到容纳完整一周的协作，周末一个大拇指触发基础模型蒸馏本周所学——通过 OPSD、梦境训练或两者的混合。如此循环，模型不断扩展到上一轮训练或部署所邻近的新领域。 终局翻转了 AI 能力的来源：能力主要来自在经济体中的广泛部署，而非发布前的预训练。每一次交互都让模型变得更聪明——从你过去的会话和所有人的会话中汲取学习——这让 Dwarkesh 感到既惊惧又兴奋，也与今天截然不同。 > *正如预训练造就了一种足够聪明、可以在足量 RLVR 加持下成为称职 agent 的基础智能，RLVR 也造就了一种足够称职、可以被广泛部署于现实世界的 agent。* ## 实体 - **Dwarkesh Patel**（人物）：播客主持人与专栏作者，亲自朗读他关于 AI 训练范式的博客文章。 - **Dario Amodei**（人物）：Anthropic CEO，被引用就模型在长上下文下性能退化的原因发表观点。 - **RLVR**（概念）：基于可验证奖励的强化学习——在可复现、可检验的任务上训练模型；各大实验室通往 AGI 的主要押注。 - **持续学习**（概念）：在实际部署过程中更新模型权重，而非仅靠发布前的训练积累能力。 - **可磨练性**（概念）：Dwarkesh 提出的术语，指一个领域能否在确定性、可重放的模拟器上并行运行大量轨迹来批量训练。 - **在线策略自蒸馏（OPSD）**（概念）：将一次富含上下文的会话所积累的学习，以密集的逐 token 监督信号蒸馏回基础模型权重。 - **梦境训练**（概念）：推测性的第四条扩展轴线——让模型构建并对照自身的现实仿真进行演习。 - **EfficientZero**（软件）：样本高效的 RL 模型，通过每一步现实行动前在脑内模拟多局游戏，在未见 Atari 游戏上击败人类新手。 - **Mercury**（组织）：金融科技银行平台，本集赞助商，在账单支付示例中被提及。

艾米丽·张与 Anthropic CEO 达里奥·阿莫迪展开一小时长谈，话题从他如何在「相对论式」的压力下入睡，一直聊到他为何在终身反战立场下仍签下五角大楼合同。其间他解释了押注编程和企业市场如何让 Anthropic 反超 OpenAI，复盘了单季度营收翻三倍引发的算力紧缺，并为发布——以及封存——一款名为 Mythos 的网络攻击模型辩护。结尾他回到反复强调的几件大事：AI 抢工作、反对 AI 国有化，以及他自己给出的 10-25% 文明崩溃概率。 ## [00:00] 走进 Anthropic 阿莫迪开场就谈到经营前沿实验室的个人代价，用狭义相对论作比：每天他「醒来」都发现外面的世界又过了好几天。他坦承这种压力非同寻常，自己还在学着应对。 > *「这么说吧，我正在学习一门艺术——在不寻常的压力时刻，找到放松和睡个好觉的办法。」* ## [03:34] 阿莫迪的成长背景 他回顾了在旧金山的童年——父亲是皮匠，母亲在图书馆工作——一个对身边互联网热潮毫无兴趣、只痴迷数学物理和科幻的孩子。他把自己的思维方式归功于这座城市的非主流文化。 > *「我觉得那种总体的精神气质，就是不随大流、讲求个性，觉得疯一点也没关系。」* ## [05:51] 离开 OpenAI 被追问到底是什么促成了与 OpenAI 的分道扬镳，阿莫迪说光是安全上的分歧从来都不足以让人离开——每家实验室都有这种分歧。真正的决裂归结于信任与价值观，而非某一项具体的政策之争。 > *「说到底，当你和一个人没有共同愿景、又不信任他时，何必再争呢。」* ## [07:42] 印度 AI 峰会 谈到那个引爆网络的瞬间——他和萨姆·奥尔特曼在台上似乎拒绝牵手——阿莫迪把原因归于峰会临时而混乱的安排，而非个人恩怨。他把与 OpenAI 的关系重新定义为：与其说是宿怨，不如说是互相暗暗借鉴好点子的对手。 > *「这甚至算不上竞争，就是一家公司做出点酷东西，另一家公司说，这挺酷。」* ## [10:45] 押注企业市场 他解释了 Anthropic 为何用 Claude Code 和 Claude Cowork 重押编程和企业市场：要有一个能为昂贵的模型训练买单、又不背离公司价值观的商业模式。反过来他警告，那些拒绝适应的在位者将举步维艰。 > *「那些不肯适应、把头埋进沙子里、看不清未来、认不清自己护城河的人，会过得非常艰难。」* ## [19:29] 算力紧缺 阿莫迪反驳了 Anthropic 算力买少了的说法。团队按每年 10 倍增长来规划，结果单季度营收就增长超过 3 倍——这一速度年化约为 80 倍，他说没人能事先理性地为此备好算力。 > *「按 80 倍的年化增长来规划是不理性的，因为那意味着如果你只拿到 10 倍，你手上的算力就多了八倍。」* ## [21:15] 超越 OpenAI 被问到超越宿敌是否让他得意，阿莫迪淡化了名次，回到他「力争上游」的框架：成为领跑者的意义在于有能力把整个生态拉向更好的行为，而不是为了赢而赢。 > *「所以我觉得，无论在商业上还是模型上，做最顶尖公司的价值，不在于为了打败对手而打败对手。」* ## [24:07] 产品迭代速度 他把 Anthropic 的出货速度归于两点：文化统一、运转高效的组织，以及 Claude 本身——如今已用于内部帮助构建和加速下一代模型。 > *「我们现在用 Claude 来帮忙开发模型、提升效率、快速做出产品。」* ## [24:52] AI 带来的发现 他见过的最惊人的成果出现在生物和医学领域——包括一个 Claude 揪出了人类专家漏诊的病例——以及在药物设计和计算化学上初露锋芒。他认为这正是 AI 巨大上行空间的所在。 > *「我见过好几个案例，包括丹妮拉本人，Claude 诊断出了一堆名医都漏掉的病症。」* ## [26:13] 阿莫迪的写作风格 身为执着的随笔作者，阿莫迪说他仍然不让 Claude 直接代笔——他对文风太挑剔——但会用它来头脑风暴、推敲主题、查找引用。他也担忧：如果我们不再自己艰难地琢磨想法，会失去什么。 > *「随着模型越来越强，总有办法把它们更直接地用到写作里，同时又保留那些好处。」* ## [28:10] AI 与就业 重提自己「AI 可能消灭一半初级白领岗位」的警告时，阿莫迪说原意是在讲可能颠覆的量级，而非精确预测——而且他一直把应对方案一并提出，从代币税到宏观政策。他举出正在涌现的混合型岗位，作为工作适应变化的一种方式。 > *「我们有一种叫前沿部署工程师、或者应用 AI 解决方案架构师的角色，他们的工作是技术活和跟客户打交道的混合。」* ## [36:41] 与五角大楼的对峙 他为自己在终身反战立场下仍签下首批可在机密网络上运行的国防部合同辩护，理由是威权阵营卷土重来——俄罗斯入侵乌克兰、中国可能进攻台湾的风险。他的底线是：Anthropic 不会因为个别它可能私下不认同的军事行动，就拒绝提供这项技术。 > *「我私下里也许认为这场军事行动有道理、那场是个坏主意，但我们不会因此就拒绝提供技术。」* ## [43:29] AI 与战争 面对一起据报造成多名儿童死亡的袭击，阿莫迪说公司无法确知模型究竟被如何使用，称这类后果非常可怕，并强调 Anthropic 设有红线。他所捍卫的核心原则是：做最终决定的是人，而不是模型。 > *「我们确立的原则，也是这里被遵守的原则，是由人来做出最终决定。」* ## [48:18] Mythos 谈到那款被认定威力过大而不予发布的模型，阿莫迪描述其在发现漏洞、并把漏洞转化为可用攻击代码上出现了陡然的、未经诱导的跃升——以至于早期测试者称它为武器。 > *「这是一次特别大的跃升，而且我们几乎没怎么引导它，一些拿到它的早期公司就说，这是一件超级武器。」* ## [55:15] AI 国有化 阿莫迪认真对待「政府为什么不接管你们」这一问题，但反对这么做，他指出 AI 是第一项诞生于私营部门、而非政府实验室的强大技术。他对那些先前反对一切监管、一遇险情就转而主张没收的人保持警惕。 > *「然后一旦他们看到第一个真正的危险——这是我一直预料到的——就开始大谈国有化、政府应该直接没收。」* ## [58:57] 白宫之行 他形容 Anthropic 与政府打交道的方式以原则为本、能合作就合作，举例说就 Mythos 与财政部长贝森特、白宫幕僚长苏茜·怀尔斯进行了认真沟通，同时也接受每届政府都有更好打交道和更难打交道的部分。 > *「我说过我们的方法很简单，我们有一套原则，照着原则做，并且希望对面的人是讲道理的。」* ## [59:47] 中国 借自己在百度的经历，阿莫迪从「智能溢价」的角度看待中国的开源模型——用户很少愿意用更弱的模型——并警告若中国共产党能伸手进入美国网络将带来威权风险。他更希望 AI 成为一项有利于民主的技术。 > *「中国共产党能够伸手进入美国的商业网络、压制批评，这就是一个威权国家，而且是高科技威权国家。」* ## [63:24] 递归式自我改进 他否认存在 AI 开始自我改进的某个单一时刻，而是把它描述为一个持续加速的过程，如今已能看到 AI 为下一代 AI 提议架构。他说，在政策上突然反转，往往说明这些人是被打了个措手不及。 > *「如果你看到某人有这种疯狂的摇摆反应，那就说明他们被打了个措手不及，并不认真。」* ## [65:07] 阿莫迪最爱的书 阿莫迪说自己认同的不是奥本海默，而是最先提出链式反应设想的利奥·西拉德，并把奥本海默视作反面教材。他的结论是：不该让任何一个超凡人物处于中心——真正需要的是众多强大行动者之间的制衡。 > *「这里有很多有利益的强大行动者，只有处处都有制衡，事情才可能对所有人都有个好结局。」* ## [65:49] 文明崩溃 被问到他所说的 10-25% 崩溃风险会不会由 Anthropic 自家技术引发，阿莫迪说他当然希望不会，并主张公司的所作所为是在降低而非抬高这一概率——同时承认，鉴于这项技术天生的不可预测性，风险永远不可能归零。 > *「我们在公司里做的事有一半是尽可能降低风险，但它永远不会是零。」* ## [67:32] 信任 在「我们凭什么相信你」这个问题上收尾，阿莫迪承认鉴于硅谷近年的记录，从不信任出发是理性的，并主张信任必须靠行动来赢得——他指出 Anthropic 为封存 Mythos、为在中国问题上切断模型访问，付出了实打实的商业代价。 > *「在它之前还有一堆更小的事，我们说到做到——在中国问题上，我们切断了模型访问。」* ## 实体 - **达里奥·阿莫迪**（人物）：Anthropic 联合创始人兼 CEO；曾是生物学家、OpenAI 研究副总裁。 - **艾米丽·张**（人物）：彭博主播、《The Circuit》主持人，本次访谈的提问者。 - **丹妮拉·阿莫迪**（人物）：Anthropic 联合创始人兼总裁；在 Claude 医疗诊断的轶事中被提及。 - **萨姆·奥尔特曼**（人物）：OpenAI CEO，在印度峰会和两家实验室的竞争中被提及。 - **利奥·西拉德**（人物）：构想出核链式反应的物理学家；阿莫迪最为认同的人物。 - **Anthropic**（组织）：Claude 背后的前沿 AI 实验室，封存模型 Mythos 的开发者。 - **OpenAI**（组织）：阿莫迪离开、Anthropic 声称已超越的竞争实验室。 - **Claude**（软件）：Anthropic 的模型家族，包括 Claude Code 和 Claude Cowork，被用于内部加速研发。 - **Mythos**（软件）：因具备自主网络攻击能力而被 Anthropic 判定威力过大、不予公开发布的模型。 - **五角大楼／国防部**（组织）：处于机密网络合同对峙中心的美国国防机构。

历史学家兼小说家Ada Palmer与Dwarkesh Patel一起拆解"马基雅维利式奸雄"的神话，还原真实的尼科洛·马基雅维利：一位爱国者，曾近距离目睹切萨雷·波吉亚征服半个意大利，被美第奇家族拷打流放，然后写下*《君主论》*作为秘密求职信，寄给那个曾经伤害过他的政权。Palmer追溯了塑造马基雅维利分析的结构性力量——意大利城邦接连崩溃的合法性、像世袭诸侯一样打仗的教皇，以及让任人唯亲看起来像稳健风险管理的庇护制度。对话以一个辛辣的讽刺收尾："马基雅维利式"如今意味着自私算计，而这个人本身宁可放弃收入、名声和自由，也不愿为任何非佛罗伦萨的事业效力。 ## [00:00] 佛罗伦萨如何与切萨雷·波吉亚讨价还价求生存 1513年的意大利，合法性正在接连崩塌。Palmer解释说，当一个延续已久的政权倒台，继承者什么信誉都继承不到，这使得迅速的再次颠覆几乎不可避免——她称之为连续性纽带被切断。等到马基雅维利动笔写*《君主论》*时，这股浪潮已经席卷了数十个意大利城邦。雪上加霜的是教皇位置的不稳定：因为教皇是选举产生而非世袭，下一任教皇几乎总是由一批最厌恶现任的人推选出来的联合候选人，这保证了政策每十年就彻底逆转一次。 马基雅维利当时的职责，是站在切萨雷·波吉亚——"瓦伦蒂诺"——身边，不停地耳语佛罗伦萨是忠诚的，换取Palmer所说的"波吕斐摩斯的恩赐"：征服者承诺最后再来吃你。他给佛罗伦萨的建议是出卖盟友、缴纳贡赋、提供军事支持、拖延时间，因为他清楚，只要教皇亚历山大六世还活着，佛罗伦萨被完全吞并不过是推迟而已。他的传记作者至今仍能感受到他对波吉亚的迷恋：在描述"瓦伦蒂诺"的衰落时，马基雅维利突然从第三人称滑向"他亲口告诉我"——历史学家从帘幕后面露出了真身。 > *"马基雅维利处理切萨雷·波吉亚事务的差事……很明显，波吉亚的计划是征服意大利中部的教皇国。"* ## [15:08] 马基雅维利的分析创新 马基雅维利不是漫画里那个粗糙的"目的正当手段"论者。Palmer指出，他痴迷的恰恰是手段本身——具体来说，是哪些夺权手段能维持稳定，哪些不能。背叛盟友是否奏效，取决于你的权力基础性质：波吉亚可以背叛盟友，因为他的恐怖统治让剩余盟友更紧密地靠拢；而萨沃纳罗拉的权力依托于信众相信他具有神圣的无误性，所以他的反复横跳毁了自己。结论是有条件的，不是放之四海而皆准的。 马基雅维利还给出了欧洲史上第一个有据可查的论断：多个政党可以稳定共存并对国家有益，而无需彼此消灭。佛罗伦萨自身的历史恰好是反面教材：这座城市曾真的在己方吉柏林派对手的房屋旧址上撒盐。他观察锡耶纳作为反向参照——各派竞争却不互相摧毁——这在当时是真正的新见解。 > *"马基雅维利是欧洲传统中第一个提出：一个国家可以同时存在不止一个政党，而且这是可行的。"* ## [23:58] 为何教皇变成了军阀 离罗马越近，教廷就越不抽象。Palmer的对比很鲜明：一个丹麦臣民眼中的教皇是精神上的至高威严；一个佛罗伦萨人眼中的教皇是"跟你哥哥一起上过大学的那个混蛋"。意大利人把教皇当作具体的人来评判——有丑闻、有家族恩怨、有派系立场——这就是为什么世代效忠教皇的圭尔夫派城市，有时却和在位教皇打仗，只因为那位教皇碰巧出身吉柏林家族。 腐败是结构性的、自我强化的。随着教会几代人积累了大量的捐赠财富，野心家族通过贿赂和裙带关系控制教会的动机也不断增强。Palmer朗读了马基雅维利为弟弟托托买一个神职而与人讨价还价行贿金额的私信——这些信件像普通家庭往来信函一样随意——以此说明这种做法已经彻底正常化。每一代都比上一代的教皇更世俗、更好战；马基雅维利明确预言，除非像两百年前圣方济各那样从内部改革，否则这个机构终将在积累的腐败下崩塌。 > *"这给每一个有野心的家族制造了越来越强的动机：把次子送进教会。"* ## [36:13] 为何平民百姓主动要求任人唯亲 当教皇保罗三世任命一位能干的外来将领而非他自己的私生子时，民众发生了骚乱。Palmer解释，这并非非理性：在一个士兵效忠的是指挥官而非国家的世界里，确保教皇军队不会反过来攻打罗马的唯一保证，就是让教皇自己的儿子统兵——一个与教皇共荣辱的人。任人唯亲是让机构正常运转的信任机制。 庇护关系同样决定司法结果。中世纪法典几乎对所有罪行都规定死刑，但大约每一百件可判死刑的案件中，有九十九件以罚款了结，因为被告的庇护人出面干预了。这被认为是正确的：审判本应复现灵魂在神圣审判前的体验——恐惧，然后得到宽恕——所以庇护人的介入就像圣徒的代祷。这套体系内部有着残酷而自洽的逻辑。Palmer用乔尔达诺·布鲁诺（被烧死，因为他得罪了自己的庇护人，而非因为他的思想）到乔瓦尼·皮科·德拉·米兰多拉（得救，因为洛伦佐·德·美第奇通过奥尔西尼家族的网络打通了罗马关系）的案例加以印证。没有庇护人，即便是清白也岌岌可危。 > *"常规是这样的：你被控严重罪行，为性命接受审判，你的庇护人出面介入，你得到较轻的判决。这就是司法本该运作的方式。"* ## [47:57] 切萨雷·波吉亚带给统治者恐惧，带给百姓公正 波吉亚的征服产生了一个让当时的人们目瞪口呆的悖论：他屠杀统治家族，却受到平民的爱戴。Palmer的解释是结构性的。派系纷争的城市世代生活在跟随权力走而非跟随事实走的司法之下。一个为强势派系效力的木匠，其儿子酒后杀人受到的惩处微乎其微；同样的罪行若出自失势派系的木匠家庭，就可能是死罪。当波吉亚扫平两派、安插没有本地恩怨可以选边站队的外来管理者时，中立裁决对百姓来说简直像天启。 马基雅维利也划定了一条清晰的界限，说明为何即便是仁慈的波吉亚征服佛罗伦萨也会是灾难：在任何专制统治下，一个公民可能因为街上一根指头的指向就被处决。马基雅维利把这种状态称为奴役，不管那位暴君在实践中多么公正。佛罗伦萨的"LIBERTAS"旗帜——由将自己排除在外的寡头元老院的普通市民挥舞——代表着对"存在某种程序"这件事本身的真实承诺，无论这程序多么有偏见，都胜过完全没有程序。 > *"结果，出乎所有人意料，他进入一座城市，屠杀统治者，建立威权政权，却深受百姓爱戴和拥护。"* ## [57:55] 艺术作为战争的替代手段 文艺复兴时期的佛罗伦萨无力与法国正面军事交锋，却有能力在政府建筑上绘制法国王室徽章、为法国国王订制精美礼物。Palmer的阐释不是把这视为多余的开销，而是替代：艺术预算就是军事预算改换了形式，投入佛罗伦萨能打赢的那场战争。就像富布赖特计划比国防预算的每美元回报率更高，佛罗伦萨的文化庇护是战略威慑。 这个时代对过去的朝向进一步放大了艺术的价值。现代性假定人类向未来前进，文艺复兴的欧洲则朝着相反方向——理想是重拾罗马。高技术成就意味着成功复原某种失传的罗马技艺。当一位法国外交官抵达佛罗伦萨，看到大教堂或新古典主义建筑，他看到的不是古朴的历史复制品，而是某种接近只有罗马才曾达到过的东西，而法国无法企及。这种认知本身就是一种权力。 > *"如果我们正面迎战，我们会输。但如果我们打文化胜利这张牌，代价更低，我们可以试着赢。"* ## [01:06:41] 佛罗伦萨，名扬地狱的城市 Dwarkesh提出一个显而易见的疑问：如果文艺复兴意大利的每个人都是真心相信地狱的基督徒，为何他们还不停地犯下马基雅维利描述的那些罪行？Palmer的回答分两部分。第一，但丁的答案：但丁把*《神曲》*地狱篇里塞满了佛罗伦萨人，正是因为他要让同代人感受到他们无视的后果所带来的不适。他写保罗和弗兰切斯卡的段落——把一段人人称颂的爱情故事打入地狱——是专门为了震撼那些以为浪漫通奸可以免于神学清算的读者。 第二，前宗教改革时期的基督教默认人人都在不断犯罪，侧重的是忏悔循环而非保持纯洁。杀手的守护圣人、圣尤利安，在佛罗伦萨的圣像画中无处不在——他的传说是：他杀死了自己的双亲，用一生朝圣忏悔，最终得救。数十幅他的圣像意味着数十个曾经杀过人、正在艰难赎罪的佛罗伦萨人。加尔文主义和清教主义对圣洁无污的强调是后来的事，与中世纪和文艺复兴早期教会的运作方式确实不同。 > *"他把地狱塞满了佛罗伦萨人。"* ## [01:15:57] 《君主论》是马基雅维利写给折磨过他的人的求职信 1513年美第奇家族收复佛罗伦萨后，以阴谋嫌疑错误地拷打并流放了马基雅维利，所有人都以为他会叛逃。他在欧洲各大宫廷都有门路，也具备国王愿意买单的技能——军事史、外交网络、古典学识。他却选择待在佛罗伦萨郊外的一个小村庄，写下*《君主论》*，作为向美第奇请求收回自己的秘密呼吁。没有别的宫廷收到这本书；他把它当作专有财产，Palmer说就像核科学家对待机密武器知识那样。 他的其他作品——*《论李维》*、佛罗伦萨史、喜剧*《曼德拉草》*——公开流传，是为了建立声誉。*《君主论》*没有公开。Palmer把它比作历史学家朋友为国防部委员会写的一百页机密报告：为五个人量身定制的专有知识，存在可以低声传说，内容却严密守护。这也解释了为何这本书最终在1532年未经马基雅维利参与就出版了：在世亲属想要家族名声，美第奇家族想要为一部题献给他们家族的文本邀功。两者都不理解作者本想让它保持封存的意图。 > *"我要留下来，我要腐烂，我要写《君主论》，这是我的求职信，恳求新政权接纳我、让我为他们效力，证明我的忠诚，我要把它送给他们，只送给他们，还有我身边最亲密的朋友。"* ## [01:41:39] 文艺复兴时期，原创思想必须托古言说 文艺复兴对重拾古罗马的痴迷产生了一种奇特的激励结构：原创思想不受待见；以"重新发现的古代智慧"面目出现的思想才有声望。Palmer指出，这远不只是致敬那么简单。乔尔达诺·布鲁诺把亚里士多德明确反对过的主张归在亚里士多德名下。维泰博的安尼乌斯伪造古代文献、策划假考古发掘，为他的原创历史理论披上古代权威的外衣。马尔西利奥·菲奇诺在翻译柏拉图时，真心说服了自己：他拼凑出的那套极为原创的宇宙论和魔法体系，是秘密编码在柏拉图文本里的。 这就解释了为什么马基雅维利的另一部重要著作叫*《论李维》*，而不是叫《共和政体新论》之类的名字。评注一位古人是有声望的文体；原创政治论著不过是小众猎奇品。19世纪误读文艺复兴，以为其思想贫乏——"两百年的人在错误地理解柏拉图"——因为它期待的是独立原创论著，结果找到的是一篇又一篇评注。Palmer认为，原创思想就在那里，只是借古人作为攀附生长的格架，就像玫瑰攀上藤架。 > *"没有人想要原创思想。原创思想过时了。原创思想死了。所有思想都必须来自古人。"* ## [01:50:44] 版权为何起源于宗教裁判所 马基雅维利是最早遭遇未经授权印刷的作者之一。一家本地印刷坊未经询问就印了他的一部作品，错误百出，而他唯一的追索手段是给重要人物写信澄清那些错误不是他造成的。当时根本没有任何法律框架。 解决方案从一个意想不到的方向出现：1515年后，宗教裁判所要求所有文本在出版前获得审批以筛查异端。作为走完这一程序的交换，获批的印刷坊拿到了垄断许可——宗教裁判所的批准记录就是无人可以合法印刷同一本书的证明。第一个版权，是一张审查许可证。英格兰观察到这一机制后加以复制，最终剥除（或软化）了其中的审查部分，产生了现代版权法的祖先。这套机构逻辑始终成立：宗教裁判所需要取悦地方统治者来获取资源，所以批准题献给公爵的书并给他宠信的印刷坊独家权利，是一笔政治投资。宗教法官、印刷坊、作者和统治家族，人人都有理由让这套体系运转下去。 > *"所以版权的最初形态，就是宗教裁判所。"* ## [02:02:12] 马基雅维利其实并不“马基雅维利” "马基雅维利式"这个词演变成了谋私的精于算计——莎士比亚的理查三世以"杀人犯马基雅维利"为榜样。Palmer追溯了马基雅维利这个观念如何与真实的人分离，变成一个方便的思想实验形象：那位愤世嫉俗、大概是无神论者、只追求个人权力的政客。同样的分裂也发生在霍布斯（"马姆斯伯里的野兽"）和斯宾诺莎身上——后者的实际著作温厚而有神论色彩，但他被犹太社区驱逐出教，让人们想当然地认为他必定是最激进的异端。 真实的马基雅维利——拒绝了欧洲各地利润丰厚的宫廷职位，为防止佛罗伦萨被外国势力利用而将最重要的著作秘而不宣，宁可在偏僻小村腐烂也不愿为任何非本国的事业效力——几乎是"马基雅维利式"的反面。他的书写的不是如何夺权，而是如何让权力稳定到足以保护人民。Palmer最后点出："旧尼科"与尼科洛·马基雅维利之间的落差，本身就揭示了社会如何使用思想——把一位思想家一劈为二，一半用于某种目的，另一半则是真实的著作。带着"他愿意放弃一切来服务佛罗伦萨"这个认知去读*《君主论》*，你会读到一部截然不同的文本。 > *"这就是为什么在我看来如此讽刺——'马基雅维利式'这个词意味着'自私自利'，而马基雅维利本人却是我读过的地球历史上最无私的人之一。"* ## 实体 - **Dwarkesh Patel** (人物): Dwarkesh Podcast 主持人，专访历史、科学与技术领域的学者。 - **Ada Palmer** (人物): 芝加哥大学历史学家及科幻小说家，专攻文艺复兴思想史和审查史。 - **尼科洛·马基雅维利** (人物): 佛罗伦萨外交官（1469-1527），*《君主论》*与*《论李维》*的作者；将*《君主论》*写成秘密申诉，寄给曾拷打并流放他的美第奇政权。 - **切萨雷·波吉亚** (人物): 文艺复兴时期军事统帅，人称"瓦伦蒂诺"；教皇亚历山大六世之子，征服意大利中部，是马基雅维利研究有效（尽管残酷）治国术的主要案例。 - **《君主论》** (概念): 马基雅维利约于1513年撰写的政治权力论著，生前作为专有财产秘而不宣，1532年身后出版；常被误读为自我晋升手册，而非稳定政府以保护人民的指南。 - **《论李维》** (概念): 马基雅维利篇幅更长的共和政治理论，以评注罗马史学家李维的形式写成；在一个重视评注古人胜过原创的文化中，是他公开建立学术声望的著作。 - **美第奇家族** (组织): 佛罗伦萨的统治家族，其庇护网络和教廷关系既塑造了马基雅维利所分析的政治动荡，也决定了他写作与被流放的处境。 - **佛罗伦萨** (组织): 意大利城邦，文艺复兴时期银行业、艺术和人文主义学术的中心；马基雅维利的祖国，他将整个仕途都附属于它。 - **庇护制度** (概念): 历经数代积累的家族义务网络，是文艺复兴社会运转的实际粘合剂，决定着一个人能否获得司法、就业、出版保护以及免受宗教裁判所迫害。

Simile 的创始人兼 CEO、Stanford Smallville 生成式智能体研究的创造者 Joon Sung Park，向 Sonya Huang 讲述了这条路径：从一个 25 个智能体的游戏小镇自发办起情人节派对，到一家模拟了 1000 名美国人、并以 85% 的准确率预测他们答案的公司——这里的准确率是相对于这些人自己复现自己答案的程度。他的核心论点是：今天的前沿实验室在造「智能的 CPU」——理性的机器，擅长有标准答案的问题；而模拟真实的人类社会需要的恰恰相反，是一个能编码人们非理性的价值观、偏好与品味的模型。CVS 用它做概念测试；一些客户用它模拟自己的财报电话会；而 Joon 更长远的赌注，是一座「人类社会的 CERN」，有朝一日可以建模银行挤兑、气候合作，或一个民主政体即将崩溃的早期信号。 ## [00:00] 走进 Smallville：25 个智能体办起情人节派对 对话从 Joon 的信念切入——科幻里那些足够发达的社会总是立在两根支柱上，「某种形式的 AGI，和某种真正能引导社会的模拟」——随后 Sonya 把他带回 Smallville，那个让他成名的 2023 年 4 月的 Stanford 项目。设定是 25 个生成式智能体，每个被赋予一种人格，并配上记忆、规划与反思能力，然后放进一个小镇里自己生活：早上醒来、做日常、上班、建立关系。让团队意外的是涌现出的协作行为。咖啡馆老板 Isabella 决定办一场情人节派对，前一天忙着备料、邀请顾客，到了当天派对真的办成了。 > *有些智能体没有被明确邀请，但我们有一个收到邀请的智能体 Claus，他决定约自己暗恋的人出来约会* ## [03:34] 从一篇基础模型论文到模拟一个 subreddit Joon 把源头追溯到 2020 年，那一年 GPT-3 即将问世。作为 Stanford 的研究者，他参与合写了那篇《Opportunities and Risks of Foundation Models》论文，而真正抓住他的，不是这些模型能做分类或生成——做交互的研究者多年前就会了——而是它们能编码人类行为。出身社会计算传统的他，看到一个长期存在的空白：除了把产品发出去看会发生什么，没有别的办法测试上百万人会在一个平台上如何表现，而这种试错有时代价高昂。这催生了 2022 年的 Social Simulacra 论文，也就是生成式智能体的前身——往一个模拟的 subreddit 里填进上千个 persona，让设计者在上线前就看到社区动态。 > *我们今天唯一的测试方式，基本上就是实地测试。你把原型发出去，看会发生什么。* ## [07:57] 智能的 CPU 模拟不出非理性的人 被问到模型何时好到足以忠实地表征社会时，Joon 标出这条路径：从 GPT-3——粗糙、没有指令微调、光让它听话照做都得靠各种提示词技巧——到今天这个连这些应用都变得可以想象的基础水平。但他划出一道清晰的界。前沿实验室的北极星是一台理性的、超人的机器，为有标准答案的问题优化，而这对模拟人来说是错的目标。随着客观基准上的准确率攀升，预测和模拟人类行为的能力反而发散，因为人不是理性的。 > *我们有大量主观的价值观、偏好和品味。* ## [10:04] 为什么这要做成一家公司，而不是又一篇论文 Joon 直白地区分了这两种载体：研究是为广度而生的，每个研究者拥有一小块论题，而且「我们通常不以把事情做完而闻名」；公司则是为在单一信念上做深而生的。做成公司的拉力大约出现在生成式智能体论文发表半年后，先是社会科学家想在平台上跑 RCT，接着是来 Stanford 看过 demo 的 Fortune 500 董事会和 CEO 们——他们问，那些自己永远答不上来的调查和市场问题，能不能放进模拟里跑。在投入之前，团队先验证了准确率：对美国人口中的 1000 人做了模拟。 > *我们可以以 85% 的准确率预测人们的行为，这个准确率是相对于人们自己复现自己答案的程度* ## [12:43] Simile 的一次客户合作是怎么跑的——以及言行差距 Simile 的第一个大客户是 CVS，由一位负责人类洞察的高级副总裁引进——他读过那篇验证论文，苦于能做实地测试的问题太少。整个流程沿用了这些公司原本使用民调和样本库公司的方式：客户点名一个想了解的人群，Simile 通过与 Gallup 的战略合作触达真实的人，问出那些 15 分钟里最有价值的问题，再把这些数据变成能远超原始调查范围作答的智能体。Sonya 追问，为什么一个 LLM 不能直接扮演一个住在沿海都市区的 34 岁女性。Joon 的答案是言行差距：模型训练自人们在网上说过的话，而不是他们实际做的事，要弥合这道差距就需要行为数据——RCT、定价研究，以及能挖出一个人长尾信息的生平访谈。 > *人们说的是一回事，而人们实际做的又是另一回事，这中间的差距是真实存在的* ## [20:27] 智能的 GPU：从概念测试到财报电话会 正是在这里，Joon 给出了支撑这家公司的那个框架。今天的模型是智能的 CPU——单一模型，训练在理性数据上，擅长客观问题。Simile 在造的更接近 GPU：不追求超人，而是尽可能地像人，让每个子单元代表不同人群的真实观点。客户通常从一个具体的入口进来——概念测试，与其测 5 到 10 个想法，不如设想同时测一千个想法、覆盖一千个细分人群——然后走向带时间维度的产品测试，以及多智能体模拟。一个反复出现、起初让他意外的需求：模拟公司自己的财报电话会，看观众会作何反应。 > *设想今天的模型类似于智能的 CPU 单元* ## [26:32] 它到底有多准？收敛与发散 谈到评估，Joon 从理论上限说起——人对同一个问题每次的回答都会略有不同，所以完美预测是不可能的——然后描述了指标：用 total variation distance 衡量真实与模拟两个回答分布之间的差异，TVD 低于 0.15 就被当作足以支撑决策。更深一层的想法是两类模拟。收敛型能容忍误差累积，因为指向某个结果的拉力足够强——就像一个网络总会形成枢纽，那种支撑了 PageRank 的无标度结构。发散型——一战是否不可避免、谁会赢得选举——则不能指望重复出现，于是评估转向置信度：跑 100 次，看结果 X 出现的频率有多高，并展示各种可能的未来。他把这项工作比作推断统计学早期确立 p < 0.05 阈值的那段日子。 > *一战到底是不是不可避免的？* ## [31:56] 一座人类社会的 CERN Sonya 抛出了那个更宏大的可能——像宏观经济学这样的领域（在她看来本质上就是大规模的人类行为），有朝一日或许能被模拟部分地解决，包括「价值在 AI 技术栈中究竟在哪一层沉淀」这个风险投资的问题。Joon 表示认同，说「那里有一座诺贝尔奖等着拿」，并回忆起 Thomas Schelling 那些刻意做得粗糙的基于智能体的种族隔离模型，如何揭示了关于宏观行为的某种深层规律。升级版把红点／蓝点智能体换成能复现个体全部丰富性的智能体，打开了经济学家真正问过他的那些问题：银行挤兑何时发生、能不能建模各国合力解决气候的集体行动难题、一个民主政体即将崩溃的早期信号是什么。他设想一种模拟，跑一次要花 1 亿美元、耗时数月，但能回答我们社会的某个根本问题——一台属于人类社会的哈勃望远镜。 > *建造一个类似人类社会的 CERN 那样的模拟器* ## 实体 - **Joon Sung Park**（人物）：Simile 的创始人兼 CEO；创造了 Stanford 的 Smallville 生成式智能体研究，并合著了 Social Simulacra。 - **Sonya Huang**（人物）：Sequoia Capital 合伙人，专注 AI 投资；本场对话的主持人。 - **Simile**（组织）：一家应用型 AI 实验室，构建模拟人类行为与社会的模型，用于概念测试、产品测试和多智能体场景。 - **Smallville**（概念）：2023 年的 Stanford 实验，25 个生成式智能体生活在一个游戏小镇里，以自组织的情人节派对等涌现行为而闻名。 - **Social Simulacra**（概念）：2022 年的论文，用上千个 persona 模拟一个 subreddit；生成式智能体的前身。 - **言行差距**（概念）：人们所说（LLM 训练数据的来源）与实际所做之间的差异，收集行为数据正是为了弥合它。 - **智能的 CPU 与 GPU**（概念）：Joon 的框架——前沿实验室造的是擅长客观问题的理性「CPU」；Simile 造的是编码人类价值观与品味多样性的「GPU」。 - **Total variation distance**（概念）：Simile 的准确率指标，比较真实与模拟的回答分布；TVD < 0.15 被视为可用于决策的水平。 - **CVS**（组织）：Simile 的第一个大客户，由其人类洞察团队用于概念测试。 - **Gallup**（组织）：Simile 用来触达真实人群、让模拟扎根于真实数据的民调与样本库合作伙伴。

Mark Pincus 在 Zynga 推出的十款游戏中，有八款成为现象级爆款——FarmVille、Words with Friends、Zynga Poker 都在其中——他花了五年时间把这份成绩单背后的规律提炼成一本书：*Life at the Speed of Play*。核心观点是：你的直觉 95% 的时候是对的，但你的想法 75% 的时候是错的；好的框架不是用来产生创意的，而是用来过滤创意的。这个框架就是 Proven Better New：先把平台上已经跑通的东西做到极致，再找出一个让每个现有用户都拍大腿说「就要这个」的改进点，最后只押注一个未经验证的新赌注。本期对话还涵盖：为何真正的大野心反而需要小得令人尴尬的起点、如何把 AI 当作失败机器而非加速上市的工具，以及为何消费者社交至今仍是互联网最大的未开垦金矿。 ## [00:00] Mark Pincus 简介 Lenny Rachitsky 以快速预览 Mark 最值得引用的金句开场——如果你真有野心就烧掉你的简历、你的直觉是对的但你的想法是错的、在希望杀死你之前先杀死希望——随后介绍他是 Zynga 创始人，以及即将于 6 月 23 日出版的 *Life at the Speed of Play* 的作者。Sam Altman 为本书写的推荐语道出了这个时代的关键：在 AI 时代，打造好产品的唯一瓶颈是知道该造什么，而 Mark 在这个问题上思考的时间比几乎所有人都更长、更深。 > *"如果你真有野心，烧掉你的简历。"* ## [02:46] Proven Better New 框架概览 Mark 将这套框架追溯到 Zynga 早期文化——它在那里成为产品管理的一种「宗教」。核心逻辑是：把你的创新区（直觉）单独隔离出来，与后来叠加上去的想法分开，再用 Proven Better New 围绕这个直觉快速测试大量想法，而不是把所有筹码压在一个想法上。他以 Sid Meier 失败的 Facebook 社交策略为例说明：即便是游戏教父也因为没有抄到 Zynga 最初级产品经理都知道的最优新用户体验而沉没——他的创新因为跳过了 Proven 这一步，根本没有机会被人看见。 > *"你的直觉 95% 的时候是对的。你的想法 75% 的时候是错的，最好的情况也只有 25% 的概率是对的。"* ## [07:29] 赢得创新的资格 你不能跳过 Proven 直接去做 New。Mark 的说法是：如果你在造一款 AI 相机，在你成为全球最顶尖的移动相机领域博士之前，你还没有资格在相机上创新。先拿到那个博士学位——合法地、有品位地去抄——只有这样，你真正的创新才有机会被人看见。 > *"在我们成为目前最优移动相机领域全球顶尖博士之前，我们还没有资格在相机上创新。"* ## [08:30] 「Better」真正的含义 Better 不是你自己认为更好的东西——那其实是 New。Better 是一项改进，让该产品的所有现有用户都会点头确认：免费、加载更快、打磨更精良。Words with Friends 以 Scrabble 作为 Proven 基础；Better 是精良到极致的移动端体验，让 1400 万人每天玩，而 Scrabble 本身从未达到过这个数字；New 是把 Facebook 社交图谱——里面已经有你真实的朋友——直接接进来。Mark 的测试标准：10 个用户里有 10 个说「就要这个」。达不到这个标准的就是 New，而 New 大概率会失败。 > *"Better 是指该产品的 10 个现有用户里有 10 个会说「就要这个」。"* ## [12:03] 框架快速小结 Lenny Rachitsky 做了个综合梳理：Proven = 列出你的平台上已经跑通且深受喜爱的东西；Better = 一个改进点，显而易见到每个现有用户都会立刻切换过来；New = 一个没有人尝试过的未经验证的赌注。他用 iPhone 和 iPod 来套这个框架——音乐播放器 → 更好的硬件和交互 → 社交分发——并指出大多数成功产品都遵循这个规律，无论其创造者是否这样命名过它。 > *"大多数产品都是对已有事物的改进版。"* ## [12:40] 框架实战案例 Mark 在 TED 大会上亲眼目睹了麻省理工学院团队在巨型白板上演示他们的触屏技术。Steve Jobs 全程都在那里，对触控交互痴迷不已。Mark 的观察是：Jobs 在 iPhone 中真正的 New 想法只有触屏——其他一切都是对现有手机的 Proven Better 应用。 > *"好，他的新想法就是触摸屏，这是他唯一的新想法。"* ## [13:30] 如何在自己的平台上正确使用 Proven 创始人滥用 Proven 的方式，是把另一个时代或另一个平台上流行的东西拿来说「这是已被验证的」。Proven 只对这个平台、这批用户、这种体验有效。Slack 是 Mark 最喜欢的案例——几乎没有任何 New，纯粹是 Proven Better：把人们已经在用电子邮件和 IRC 做的职场沟通，做得更易上手，仅此而已就够了。有时候根本不需要 New 反而更好：人们不喜欢变化，如果你能让他们已经喜欢的行为变得更有趣或更易得，他们会更爱你。 > *"我不是反对创新，但人们不喜欢变化。"* ## [15:13] 模仿的道德套利 创始人的思维方式里有一种对模仿的道德抵触——学校教他们抄袭是作弊，而成为创始人意味着成为创新者。Mark 把这称为 Peter Thiel 意义上的「道德套利」：正是这种抵触，让愿意放下自我、用消费者的眼光而非同行眼光定义野心的创始人，得以占据更大的模仿机会。他对 Zynga 产品团队说的话是：你们是在争夺印第安纳州护士的心，让她爱上 Farmville，而不是去赢得你的硅谷同龄人的掌声。如果你把她已经喜欢的东西改进一毫米，她会比对一个她从未想要的白板创新更爱你的版本。 他还对比了两种做法——Nikita Bier（在一款阿拉伯语小众应用里发现了一个埋藏的功能，围绕它打造了 TBH，这是点石成金）和 Angry Birds（45 款完全不同的游戏，迭代之间没有学习，44 次失败后才出现一次爆款，这是野猫式钻探）。OMGPop 做出 Draw Something，靠的是不加掩饰地照搬 Zynga 在 Words with Friends 中的回合制系统——他们自己的创新游戏失败后，爆款恰恰来自那次模仿，而非原创想法。 > *"如果你真有野心，烧掉你的简历。用消费者的眼光定义你的野心，而不是同行的眼光。"* ## [23:55] 降低野心 悖论是：越有野心，起点就应该越低调。Facebook 最初是一个让哈佛同学互相查看彼此资料的工具。Zynga 最初是 Facebook 上的一款扑克游戏——当时 Mark 已经 41 岁，是多次成功的创始人，很多人觉得他自毁形象。但那个低到令人尴尬的起点，才是关键所在。他此前的 Tribe 社交网络因为一次想做太多事情而失败，之后他需要找到任何一个产品市场契合点，把自己的海拔从 10 万英尺降到 1000 英尺。第一次创业的创始人反而有优势：他们还没法凭大愿景融资，所以被迫保持谦逊。多次成功的创始人手里有太多绳子，足以把自己吊死。 > *"悖论在于：你越有野心，就越应该谦逊，越愿意从更小的地方起步。"* ## [28:25] Bolt.new 的故事与保持谦逊 Bolt.new 是这套逻辑的现代版本：团队在默默无闻中磨了很久，造了一个 Web 栈虚拟机，商业化几乎断粮，开源了，然后发现把这个虚拟机接入 AI 编程助手，造出的东西真的比所有替代品都强。他们专注于一件事，坚持下来，突破就从这份专注的谦逊中诞生。Slack 也是同一条弧线：Stewart Butterfield 一直在努力做面向大众的 MMO，被那件事的难度磨平了，然后发现工程师们在内部用的那个工具才是真正的产品，于是转向。Mark 的观点是：当投资人和团队全都指向另一个方向时，能叫停并认清这个球，需要的是极其敏锐、好奇、谦逊的创始人。 > *"真的需要一个极其敏锐、好奇、谦逊的创始人，才能在那个时刻认清这个球。"* ## [33:15] 在希望杀死你之前先杀死希望 希望是没有根基的信心——不来自对产品的亲身体验，不来自数据，只是祈祷下一个版本能变出什么奇迹。信念不同。最好的产品人是在积累战果，而不是在押注——他们在发布之前就已经知道这是一款爆款。Mark 区分了 MVP（最小可行产品，「可行」就是希望的栖居地）和 MLP（最大可发布产品，你不是希望它是爆款，而是相信它是爆款）。AI 让这件事更危险而非更安全：它让团队能在三个月而非三年内做出可行产品，这加速了创始人把「可行」误认为「就绪」的速度。 > *"在希望杀死你之前先杀死希望。信念和希望之间有区别。希望是没有根基的信心。"* ## [37:00] 把 AI 当作失败机器 Mark 期待 AI 带来的是：每周跑一百个想法的测试机器，而不是每季度只能跑一个想法。但他实际看到的是：团队用 AI 更快地把一个想法做出来，速度提升了，但本质没变。正确的心态转变是——在你确定这是对的产品之前，先把它做成完全错误的版本。如果你相信它是错的，你就不会花三个月去打磨一个错误的东西；你会做出能给你信号的最廉价版本。他用 Zynga FarmVille 扩展包的故事来说明：与其把 1000 万美元广告预算花在「即将推出」的横幅上，不如把锁定的艺术变体直接放在游戏棋盘上给现有玩家看，测量哪个点击最多——结果把原本可能是事后补救的广告，变成了产品方向加收入，卖出了 1900 万美元的早期访问密钥。 > *"我们应该把 AI 当作测试机器、失败机器来用。"* ## [40:08] Zynga 游戏成功的真正原因（不是病毒式传播） Farmville 和 CityVille 因为 Facebook 动态中的刷屏而声名狼藉，很多创始人因此以为 Zynga 的秘诀是激进的病毒式传播。Mark 不这么认为：真正的引擎是留存，不是传播。Zynga 追踪第 365 天留存率——Mark 认为今天没有任何其他消费者公司在做这件事——并以此为目标来构建产品。真正能预测留存的指标是 ASN（活跃社交关系网络）：一名玩家和另一名玩家完成了多少次来回互动？从 0 到 1 个 ASN，意味着下个月还能看到这名玩家的概率高达 80%；达到 4 个 ASN，则意味着接下来 30 天里有 22 天都能看到他们，概率同样是 80%。第二个引擎是社交维度——游戏让人们得以投入、表达和连接。中年女性不是独自玩 Farmville；她们和真实的朋友合作耕地，互赠游戏道具，在游戏里找到了现实生活中缺失的创造感。病毒式传播是副产品，不是策略。 > *"不是因为我们擅长病毒式传播。我们专注于两件比任何人都做得更好的事情。"* ## [48:36] 消费者社交应用的未来 消费者社交现在什么都不奏效，创始人基本上已经放弃了这个领域。Mark 的判断是：潜在需求依然巨大——我们渴望社交——但现有平台已经失去了那种肾上腺素。人们退出 Instagram 后，NPS 从 +35 跌到 -35；那种感觉就像刚戒了烟。平台从社交生产力（Facebook 让你在几分钟内和 300 个朋友保持联系）转向了消耗时间的算法优化（Instagram 开始羡慕 TikTok）。机会在于：谁能找到 AI 代理时代社交生产力的新台阶，谁就能挖到金矿。Mark 用「鸡尾酒派对」来打比方——你知道什么是好的鸡尾酒派对，因为你会觉得「太好了我在这里」，离开时带走了不少有价值的线索。Facebook、LinkedIn，乃至 Zynga 的游戏，在不同规模上都是鸡尾酒派对式的体验。而今天每个人都在和自己的 Claude 或 GPT 独处，但没有鸡尾酒派对。彩蛋在于：想出办法让那个鸡尾酒派对热闹起来、富有社交价值。 > *"今天，我们都在和自己的 Claude、自己的 GPT 独处，但没有鸡尾酒派对。"* ## [57:05] 如何判断你的产品是否够格 约会的比喻：当你和对的人在一起，你知道——你不会在问「这会不会是对的人？」。如果你在问自己产品是不是 A 级，那它就不是 A 级。当你手里有真正的爆款，一切都会运转：你自己沉迷于它，朋友们也爱它，数据也在印证。没有人问过 GPT 是不是对的。难的是：一旦你把它定性为 B+，你能不能足够诚实地叫出这个球，然后用它来学习而不只是砍掉它？Mark 在他的「Earth」元宇宙项目上烧了四年和 2500 万美元，最终拔掉了插头——而在那之后的两周里，他比那四年中任何时刻都更受激励。 > *"如果你在问自己产品是不是 A 级，那它就不是 A 级。"* ## [61:25] AI 时代的分发 Mark 首先问的是 AI 是否是一个新平台——他目前的答案是：还不是。它是一项重要技术，也是一种新型入口（对话界面），但它还不是硬件平台，也还没能像移动端或社交那样打开分发通路。我们依然处于移动和 Web 时代。应用安装率接近零。去年 App Store 新上线了 4 万款游戏，零款进入排行榜前十。分发必须从第一天起就内嵌于产品策略，而不是造完再想。 他更具前瞻性的押注是：先为专业用户和重度付费用户构建（他们有足够的动力来找到你并提前付费）。密切关注 token 成本曲线——如果两年内 token 趋近免费，有些消费者服务只在 token 免费的条件下才在经济上成立，现在就朝着那个方向构建，是一个有趣的创新区间。他最喜欢的彩蛋：一个永远在线、了解你上下文、在行程出问题时主动介入处理的 AI 原生旅行助理。这个服务一直有潜在需求，但从来没有可行的商业模型——免费 token 可能会改变这一切。 > *"分发必须从一开始就深深嵌入你的产品和策略，并且得到验证。"* ## [75:39] 让每个人都成为 CEO Mark 厌恶管理人。每一天花在管理上就是远离产品的一天。他的出路是：给每个人一座山去攻占，让他们真正成为那块地盘的 CEO——有运营控制权、有自由度、有自己的计划和预算，然后放手。他发现了两件事：他不再需要管他们了；而某一类人——那种自知是行家但憋着一口气的「专家证人」，渴望证明自己是对的——会在这种安排下爆发出惊人的动力。Brian Armstrong 在 Coinbase 推行的「人人都是独立贡献者」理念，是同一想法的硅谷版本——最好的 CEO 就是那个位置上最好的球员，做他真正擅长的事，而不是把时间浪费在管理层级上。 > *"所有的管理，无非是：当我不在场的时候，如何让人们做正确的事。"* ## [78:18] 贴近一线 职业早期你在一线，离数据最近，大概也离正确答案最近，但离决策权最远——这就是专家证人综合症。成为 CEO 之后，陷阱是慢慢远离一线：把最重要的用户体验和产品决策交给经验最少的人，自己去做投资者关系。Discord 的创始人意识到自己正在这么做，于是倒转了金字塔，让创始人成为产品决策的第一道和最后一道关。Steve Jobs 会亲自挑会议室的地毯。贝佐斯和扎克伯格每周花两天时间深入某些团队，专注于最重要的事情。如果你是公司里最好的产品人，团队需要你在场上，不是在看台上。 > *"我相信最好的产品型 CEO 都深入在细节的细节里。"* ## [81:35] 为何 Mark 说微观管理很美 Zynga 员工不超过 50 人时，Mark 每天开两小时的站会，在电子表格里追踪每一个人昨天该做什么、今天要做什么。粗粝，但有效。他的说法是：只要你能待在房间里，就待在房间里。只有在你物理上无法同时出现在所有房间的时候，才去授权。所有管理原则都不过是策略，解决的是「当你不在场时如何让人们做正确的事」——所以就尽量少让自己不在场。他说这个观点二十年前更有争议；今天，随着创始人主导产品文化逐渐成为常识，「微观管理很美」听起来已经更接近主流共识了。 > *"如果你能待在房间里，就待在房间里——前提是你是那里最好的球员。"* ## [83:35] 专家证人 如何把你对产品的热情和方法论传递给别人？两种机制。第一，教学医院模式：在你做产品管理的时候，让尽可能多的人待在同一个房间，让你的方法论通过近距离接触自然传播。第二，技术助理模式：从团队里挑一个人跟着你工作六到十二个月，给他们项目测试，然后把他们推到一个大得多的位置上。Andy Jassy 在亚马逊推行了这个项目——S-team 里的每个人都曾经是贝佐斯的技术助理，所以创始人的判断力得以在整个领导层中放大和复制。 > *"如何把你身上的吸血鬼之血传给别人？"* ## [85:05] CEO 的首要任务是做对 从贝佐斯那里借来的观点，Mark 完全认同：如果他只能让一个 CEO 做到一件事，那就是做对。在产品上做对，在策略上做对，在押注上做对。在错误的水域里拼命执行，也只是白费力气——待在正确的水域，比拥有正确的船更重要。他把这个原则也用于招聘：最好的简历是一份「做对了什么」的记录，而不是魅力或管理风格的记录。他宁可要那些有点格格不入但屡屡做对的人，也不要那些光鲜但总是做错的经理。 > *"待在正确的水域，比拥有正确的船更重要。"* ## [86:35] Mark 正在教五个孩子什么 Mark 有五个孩子——一对双胞胎、一个有特殊需求的儿子、一个带有基因突变的一岁孩子和一个四岁的孩子——他把为人父母视为自己最重要的角色。他实践的三个原则。第一，在他们所在的位置和他们相遇：不是俯视他们是孩子，也不是把他们当成缩小版的大人，而是找到他们真实的海拔，从那里以人对人的方式交流。他在疫情期间教双胞胎数学，回过头才发现，从他们的自然好奇心出发，不知不觉中带他们学完了初中数学。第二，批判性思维优于知识积累：流水线式教育培养的是知识工作者，而知识工作正在消失。他对孩子说「我不在乎你上不上大学——我在乎你发展出批判性思维，找到让自己对别人有价值的方式」。第三，生产而非消费：你能在线上或线下创造什么，而不是被动消费？他的女儿 Carmen 有 ADHD 和阅读障碍，把这些变成了一个卫衣品牌（Comfy Fancy）和一个为神经多样性中学生打造的社群（Neurosparkley）。 > *"我想教他们提出更好的问题，而不是知道更多答案。"* ## [95:14] Mark 的「为什么」 Mark 直到 41 岁创办 Zynga，才找到并说清楚了自己的「为什么」：打造一个互联网宝藏——一个让人们不记得没有它之前的生活、也无法想象没有它的生活的服务。他的朋友 Bing Gordon 说，这些宝藏终有一天会进史密森尼博物馆。Mark 还在摩擦树枝取火，因为他还没有造出那个东西，而这就是驱动他前进的力量。 > *"我想创造一个互联网宝藏——一个我们不记得没有它之前的生活、也无法想象没有它的服务。"* ## [97:08] Mark 的新书：《Life at The Speed of Play》 *Life at the Speed of Play* 浓缩了 Mark 三十年来打造人们喜爱的产品的完整方法论。他说这本书特意写得轻松好读——短小精悍，不拖沓——他的目标是让创始人从中偷走想法，并把它们发展得更远。他把这期播客对话本身也视为产品哲学鸡尾酒派对的一部分——一门所有构建者都在共同推进的手艺。 > *"我希望有人能从我的想法里偷走些什么，把它发展得更远——我们都是在一场对话里。"* ## 实体 - **Mark Pincus**（人物）：Zynga 创始人（FarmVille、Words with Friends、Zynga Poker）；*Life at the Speed of Play* 作者；以 Proven Better New 产品哲学著称 - **Lenny Rachitsky**（人物）：Lenny's Podcast 主持人；Lenny's Newsletter 创始人；前 Airbnb 产品经理 - **Zynga**（组织）：Mark Pincus 创立的社交游戏公司；打造了 FarmVille、CityVille、Words with Friends、Zynga Poker 等八款爆款 - **Proven Better New**（概念）：Mark 的产品框架——复制平台上已被验证的东西，加入一个 10/10 用户都认可的改进点，再押注一个全新想法 - **第 365 天留存率**（概念）：Zynga 的首要成功指标，追踪用户在首次使用整整一年后是否仍然活跃；Mark 认为这是预测公司长期价值的最强信号 - **活跃社交关系网络（ASN）**（概念）：Zynga 的专有指标，衡量玩家之间的来回互动次数；从 0 升至 1 个 ASN，对应 80% 的月度回访率；Zynga 留存记录背后的真正引擎 - **Life at the Speed of Play**（出版物）：Mark Pincus 的书，浓缩其产品哲学；2026 年 6 月 23 日出版 - **Bolt.new**（组织）：将 Web 栈虚拟机接入 AI 编程助手的 AI 编程工具；Mark 用其举例说明专注与谦逊如何催生突破性产品 - **Nikita Bier**（人物）：TBH 和 Gas 联合创始人；被引用为发现他人产品中埋藏功能并围绕其打造爆款的高手 - **Craig Newmark**（人物）：Craigslist 创始人；被引用为世界级产品人的典范，曾花两年时间把列表中的图片显示做好，而非仓促推出一个会破坏用户浏览习惯的改动

Factory CEO、前弦理论物理学家 Matan Grinberg 深入剖析 AI ROI 格局的转变、资源分配逻辑，以及多面手时代的回归。他认为，整个行业正从"Token 狂烧"的放纵期走向清醒的"宿醉"阶段，企业开始追问真实的业务价值与投资回报。Grinberg 分享了从理论物理到创办 AI 公司的心路历程，强调企业需要高主动性人才，并指出 AI 模型与应用层战略性解耦的必要性。 ## [00:00] 开场 Harry Stebbings 介绍 Matan Grinberg，他从长达 12 年的弦理论研究转型进入软件开发领域，目前担任 Factory CEO。Grinberg 认为，AI 行业的未来本质上是一场商品化竞争——谁能把对手商品化，谁就占据主动；而价值积累高度依赖时间窗口。他还强调，多面手时代已经回归，顶尖团队将被像职业运动员一样对待。 > *多面手时代回归了。[00:45]* > *往前看，这个世界将不再有任何东西是没有人能构建出来的。[00:00]* ## [01:22] AI 真的能拉动 GDP 吗？ Grinberg 对 AI 推动 GDP 超越历史 2% 均值持强烈信心，但他也坦言效应需要时间才能渗透到整个经济。AI 让每个人都能以更快的速度解决问题，这迫使企业在"提升产出"与"用更少人高效运转"之间做出选择，组织分配人力与技术资源的底层逻辑由此发生根本转变。 > *这些工具将带来巨大增长，只是需要时间渗透。[01:53]* > *每个人现在都能用同样数量的人解决更多问题。[02:18]* ## [02:41] 更小的团队，还是更大的野心？ 话题转向工程人才的未来，核心概念是"承重个体"——即那些一旦离开就会让组织陷入瘫痪的高杠杆员工。Grinberg 认为，AI 工具对这类人来说是倍增器，会进一步拉大"懂得用杠杆的人"和"不懂的人"之间的差距。 > *懂得运用杠杆的人，将能产生更大的影响力。[04:35]* ## [05:05] 资源分配难题：Token、资金与人员 Grinberg 预测，未来 24 个月，每一位 C 级高管都将把精力集中在 Token、资金与人员编制之间的资源分配问题上。他建议领导者聚焦核心能力，用营收等业务指标来衡量成功，而不是"上线功能数"这类虚荣工程指标。 > *Token……这个资源分配问题，将是未来 24 个月每一位高管都会深思的核心。[05:08]* > *回归到真正重要的事——我们想要撬动的业务指标究竟是什么。[06:32]* ## [06:49] Kirkland 5 亿美元 AI 赌注与自建还是外购的抉择 Harry 和 Matan 谈到 Kirkland & Ellis 斥资 5 亿美元自建内部 AI 工具，Grinberg 认为这可能是战略失误，因为 AI 技术本不是这家律所的核心能力。大规模内部投入往往最终让企业意识到，专业供应商更有效率，这反而印证了问题本身的难度。 > *Kirkland 花五亿美元自建 AI 工具……构建 AI 技术根本不是那家律所的核心能力。[07:14]* ## [10:01] 模型、应用与基础设施：谁会被商品化？ Grinberg 描述了模型提供商、应用开发者和基础设施公司之间的现实张力——每一方都在拼命把其他方商品化，以夺取更多市场价值。他指出，价值积累本质上是时间依赖现象，随着定价权与生态话语权的变迁而不断迁移。 > *每个人都在试图把不是他们的那部分商品化。[11:05]* > *现实是，价值积累是一个时间依赖的现象。[10:40]* ## [11:58] Factory 的空头论据 Factory 保持模型中立立场，为客户在 OpenAI、Anthropic 等不同提供商之间寻找最优的价格与性能组合。Grinberg 坦言，这一策略最大的风险在于：如果某家模型提供商对所有竞争者取得显著且持续的领先优势，将形成危险的全球垄断。 > *Factory 的空头论据就是：如果有一家模型提供商比所有其他家都强出一大截。[12:05]* ## [13:57] 开源模型的崛起 企业越来越倾向于开源模型，以应对不断膨胀的 Token 成本和年度预算提前耗尽的问题。Grinberg 指出，目前前沿模型处理的 80% 到 90% 的任务，开源替代品完全可以胜任，对于复杂度较低的场景，开源模型是重要的制衡力量。 > *我们做的很多任务根本不需要最顶尖的前沿模型。[14:47]* > *有一种自我标榜：「我做的工作只有前沿模型才搞得定。」[15:15]* ## [17:08] AI 烧钱宿醉 Grinberg 把当前 AI 采用的状态描述为"宿醉"阶段——企业开始正视放纵使用期间累积的巨额账单。他预测，随着企业把真实 ROI 置于新鲜感之上并实施严格资源管控，前沿模型的使用量将出现短期健康收缩。 > *第三阶段就是宿醉——你去看账单，然后发现：「天哪，我们花了这么多，我根本不知道 ROI 在哪。」[17:08]* ## [19:32] Token 支出占开发者薪资的比例 Harry Stebbings 追问 Token 支出最终是否会超过人头成本。Grinberg 预测，三年内，每人的平均 Token 支出将与其薪资处于同一数量级，尤其是那些从 AI "droids"中获得巨大杠杆的岗位。 > *我估计大概就是同一数量级，可能和薪资相当。[22:03]* ## [24:14] Factory 的争议文化：销售与工程合为一体 Matan Grinberg 批评"硅谷谬论"——即研究是最高荣耀而销售是次等工作。在 Factory，工程师和销售人员完全整合，共同拥有功能和成交结果，确保整个客户旅程都被当作产品来对待。 > *Factory 的产品是整个旅程——从客户第一次听说我们的名字，到第十次续约。[25:33]* > *如果没有好的销售和营销团队……一旦重力回归，你所有的肌肉都已经萎缩。[26:55]* ## [27:30] 主动性为何比背景资历更重要 风险投资人常把顶尖学历当作简单的筛选依据，但 Grinberg 认为，如果候选人缺乏真正的主动性，这些背景反而是"反向信号"。他更看重那些独立构建过东西、从头到尾对业务结果负责的人。 > *你构建过什么？你如何端到端地承担起对事物的责任和主动权？[29:49]* > *在拼命寻求确定性的世界里，我们去找验证者……那确实是一根不错的拐杖。[29:28]* ## [32:28] 多面手时代回归 Grinberg 认为，AI 工具正在开启新一轮多面手时代，让人们能以前所未有的速度触达多个学科的前沿。能用系统性思维应对不确定性、同时在工程和市场两个维度突破边界的人，将因此脱颖而出。 > *多面手时代回归了。[32:28]* > *这些工具能让你以比以往快得多的速度追上前沿。[33:24]* ## [35:06] 哪些事将来我们会觉得不可思议 Grinberg 点名写 release notes 和文档，认为这类事很快就会被视为浪费昂贵工程师时间的行为。他预计 AI 将很快抹平高质量文档的竞争优势，组织因此可以把人才重新投入到更高价值的差异化工作中。 > *人们曾经花几个小时写 release notes 或者写文档，这回想起来真的很荒诞。[35:24]* ## [39:25] 公司为何叫 Factory 借用特斯拉工厂的比喻，Grinberg 解释了软件开发的未来形态：工程师设计"流水线"，而非逐行编写代码。人类是脚手架和防护机制的架构师，而软件由这套体系来生产。 > *他们就像在为生产软件的工厂搭建脚手架。[40:18]* > *构建软件的工程师……将会有工程师来构建生产软件的工厂。[39:30]* ## [40:18] 劳动力替代与 AI 终将解决的问题 Grinberg 承认短期经济冲击不可避免，但对长期就业保持乐观。他认为，降低开发成本后，市场可以把人才调配到更广泛的全球性问题上，比如此前因成本太高而无力攻克的老年痴呆症研究。 > *能用软件解决的问题，目前我们用软件在解决的只是极少数。[41:00]* > *如果有更多工程师去解决世界上更多的问题，那对整个人类来说是净收益。[41:16]* ## [44:21] 我们正处于 AI 泡沫中吗？ 尽管基础设施泡沫的担忧存在，Matan 认为人类行为改变才是 AI 普及的最大瓶颈。成功的企业级落地，需要应对文化转变的阵痛以及成熟企业内部变革管理的复杂性。 > *和这些组织合作时，最大的瓶颈毫无疑问是人的问题，就是行为改变。[44:58]* ## [45:51] 企业销售的经验教训 Matan 回顾从理论物理转型到企业销售的过程，指出成功的关键在于真心好奇客户的"官僚噩梦"。他强调，永远不要"推销"，而是弄清楚自己的方案能否真正帮到客户的具体问题。 > *永远不要试图去卖东西，要去理解他们的问题。[46:42]* > *人们喜欢谈论自己的问题，喜欢讲各种官僚噩梦。[47:17]* ## [47:46] 从弦理论到 Factory：创业起源 Matan 讲述了自己从小对数学的痴迷，以及立志成为弦理论物理学家、先后在 Princeton 和 Berkeley 深造的经历。然而博士期间他经历了深刻的存在主义危机，意识到自己坚持这条路只是因为难、因为有人说他做不到，而非出于真正的热爱。 > *我做这件事只是因为它很难，因为有人说我不行。[49:12]* > *我问父亲什么数学最难，他说是弦理论……我当时就想：好，我要成为弦理论物理学家。[48:44]* ## [50:46] 发现会自我编写的代码 在 Berkeley 接触计算机科学后，Matan 被程序合成这一概念彻底"钓住"——代码以创造自身为明确目的。他意识到，这个领域最关键的问题将在工业界而非学术界得到解决，于是决定创业。 > *它彻底钓住了我，因为这里的核心想法是……代码以创造自身为明确目的。[51:03]* ## [52:30] 一封冷邮件与和 Sequoia 的三小时长谈 Matan 主动联系了一位有物理学背景的 Sequoia 投资人，初次见面演变成一次三小时的长途步行。那位投资人给出了直截了当的最后通牒：立刻退出博士项目，要么加入 Elon Musk 的 Twitter，要么自己创业。 > *你必须退出博士项目，而且应该现在就去 Twitter……或者自己创业。[53:48]* ## [55:30] 退学与那张 100 万美元支票 与联合创始人 Eno 一起搭出 demo 后的 72 小时内，Matan 正式退出博士项目，并向 Sequoia 合伙人团队发起路演。尽管 demo 很粗糙，Sequoia 还是以 20% 股份换来 100 万美元支票，Matan 接受了，因为在没有人相信他的时候，对方选择了相信。 > *没有人愿意相信我，除了他……信任、忠诚和那种信念，对我来说远比什么都重要。[57:38]* > *退出博士，把截图发给我。[55:16]* ## [1:01:19] Ivanka Trump 作为投资人能带来价值吗？ Matan 正面回应了外界对明星投资人的质疑，表示 Ivanka Trump 凭借自身的智识和人脉提供了切实价值。他指出，Ivanka 和她的公司 Affinity 是通过积极投入和投资者关系工作，真正赢得了股权席位。 > *她真的非常善良、非常聪明，科技圈里……大家都真心喜欢她。[61:52]* ## [1:02:39] 编程市场如何走向成熟 Matan 认为，市场最终将走向 AI 模型与其驱动的具体应用相互解耦的成熟状态。这种分离是必要的，否则模型提供商可能出于利润动机滥烧 Token，而非追求效率，利益错位将损害消费者利益。 > *对消费者最有利的结果，需要模型与应用层分开。[63:01]* ## [1:07:45] 即将到来的安全危险区 随着 AI 生成的代码量呈指数级增长，Matan 警告安全工作跟不上步伐，正在形成"危险区"。他强调，利用 AI 工具实施的对抗性攻击仍处于早期阶段，随着风险不断升高，安全将成为市场关注的核心议题。 > *代码生成量在指数增长，安全投入却没有同步跟上。[68:17]* ## [1:08:50] 美国初创企业该用中国模型吗？ Matan 回应了美国初创企业使用中国开源模型的顾虑，尤其是"触发词"引发对抗性行为的担忧。他强调数据泄露防御的重要性，并表示希望美国能在前沿开源模型领域重夺主导地位。 > *我们在美国竟然没有前沿开源模型，这挺让我汗颜的。[70:33]* ## [1:11:43] 数据中心与公众反弹 话题转向数据中心建设引发的公众抵制。Matan 认为，美国的联邦制结构就像一个"培养皿"，允许建设数据中心的州将看到就业增长与繁荣，而另一些州则会落后。 > *就像我们有一个个小培养皿，可以试验并观察结果。[72:31]* ## [1:14:22] 不靠驻场工程师也能销售 Matan 批评了依赖大量驻场服务 FTE 来销售 AI 产品的模式。他认为，如果一家公司需要靠重服务才能让软件跑起来，产品本身就存在根本缺陷，缺乏真正的产品市场契合度。 > *如果我们需要 FTE 才能让产品跑起来，我们做的是一个烂产品。[75:15]* ## [1:15:32] Grindslop、睡眠与把团队当运动员对待 Matan 拒绝"grind slop"文化，即用工作时长而非产出来衡量价值。他主张把顶尖工程团队当职业运动员对待，把认知恢复和睡眠放在首位，以保证高质量决策和高效发挥。 > *想象一下，用谁流汗最多来判断谁赢了篮球比赛。[76:12]* > *我们做的工作需要真正深度的思考……如果没睡好，你就不会做出同样好的决策。[78:02]* ## [1:20:32] Anthropic vs OpenAI 被问及为 IPO 在 OpenAI 和 Anthropic 之间做选择时，Matan 以公司稳定性为由选择了 Anthropic。他指出，OpenAI 经历的内部动荡和混乱事件明显更多，这拉低了其预期价值。 > *过去是未来的风向标，OpenAI 发生过更多随机的、混乱的、动荡的事件。[81:06]* ## [1:21:19] Dario 对 AI 造成了伤害吗？ Matan 批评 Dario Amodei 等 AI 领导者宣称 AI 将取代所有人类劳动，称这类言论是融资策略。他认为，这些说法的设计目的是让投资者相信单一公司最终将吞并整个资本主义经济。 > *让人们相信这一点的最好方式，就是说资本主义已经终结。[82:00]* > *利益在驱动结果，而那个利益就是：我想融到一大笔钱。[82:54]* ## [1:23:53] 他改变了哪些看法 Matan 分享了自己从"赢家通吃"观点转向预期多极市场的转变，认为至少会有四家前沿公司并存。他点名 EY 等老牌企业是 AI 采用的意外领跑者，凭借云转型留下的"伤疤"，它们的行动比一些初创企业还快。 > *对人类来说最坏的情况，是只有一家特别强的公司。[84:14]* > *他们天生就是 agent-native，这令人震惊。他们是我们最大的客户之一。[83:11]* ## 实体 - **Matan Grinberg**（人物）：Factory CEO 与联合创始人，前弦理论物理学家。 - **Harry Stebbings**（人物）：20VC 主持人，风险投资人。 - **Factory**（组织）：专注于软件开发自动化与 AI agent 的科技公司。 - **Sequoia Capital**（组织）：领投 Factory 种子轮的风险投资机构。 - **OpenAI**（组织）：头部前沿 AI 模型提供商。 - **Anthropic**（组织）：AI 安全与研究公司，Claude 的创造者。 - **Ivanka Trump**（人物）：通过旗下公司 Affinity 投资 Factory 的战略投资人。 - **EY**（组织）：四大会计师事务所之一，以积极拥抱 AI 著称。 - **Uber**（组织）：被引用为实施个人 AI Token 预算管控的公司案例。 - **Kirkland & Ellis**（组织）：斥资 5 亿美元自建内部 AI 工具的律师事务所。 - **Juan Maldacena**（人物）：Princeton 著名物理学家，Matan 曾与其共事。 - **Dario Amodei**（人物）：Anthropic CEO。

四位主持人重聚，共话一周大事：Anthropic 秘密压制 Fable 5 针对 AI 研究人员的能力引发开发者信任危机；Sacks 与 Friedberg 将「安全」叙事拆解为监管俘获剧本；Bernie Sanders 在专栏中要求政府持有 AI 公司 50% 股权，与 Trump 的主权财富基金构想相撞；CPI 和 PPI 双双创多年新高，令美联储在中期选举前夕陷入两难；Friedberg 则逐条梳理加州选举法修订，指出这些法规叠加后实际上把民主选举变成了内定任命。 ## [00:00] 老友重聚！ Jason Calacanis 开场确认原班四人——Jason、Chamath、Friedberg 和 Sacks——悉数归队，本周将迎来一场话题密集的讨论马拉松。简短的开场白为 AI 治理、宏观经济与加州政治三大议题拉开序幕。 > *"All-In Podcast 不会收手，我们带着原班人马加倍回归。"* ## [00:19] Anthropic 秘密压制 Fable 引发隐私风暴与开发者反弹 Anthropic 推出了「神话级」前沿模型 Fable 5，却将两项政策悄悄埋入条款，随即在开发者社区引爆舆论。其一，使用 Fable 时输入的所有提示词数据将被保留至少 30 天，包括已签署零数据留存协议的企业账户。其二，Fable 会秘密降级被判定为从事前沿 AI 研究（即训练竞争模型）的用户，且不作任何提示。舆论爆发后，Anthropic 的回应是将这些限制措施「变得更透明」，而非直接取消。 Friedberg 将此事与他在 Ohalo Genetics 的亲身经历直接挂钩：过去数周，Anthropic 持续收紧对基因组学与生物学用例的限制，迫使他的团队转向中国开源模型。他指出，Anthropic 对生物科技 AI 设置的能力上限，与阻碍癌症研究的上限如出一辙，远不止于武器研发领域。Sacks 将开发者的愤怒定性为根本性的信任破裂：监控与降级行为甚至波及相信自己享有合同数据保护的付费企业客户。 Chamath 勾勒出更长远的态势——如今一家 AI 新兴公司应当主动拿着股权交换条件敲开 Anthropic 的门，而非独立建设，因为 Anthropic 有能力导流并优待理念一致的合作伙伴。这种结构性权力叠加强制监控，看起来与其说是安全，不如说是收费站。 > *"开发者社区对这次 Fable 发布的愤怒，不仅仅是因为强制监控本身。就连签署了零数据留存协议的企业客户，也没有任何选择余地——这正是信任被彻底击穿的地方。"* ## [29:16] AI 监管俘获陷阱与务实安全方案 Sacks 指出他在 Dario Amodei 的公开博客与政策立场中看到的终局：一个由旋转门输送人员的新政府机构为 AI 双寡头背书，拥有决定谁能访问哪些能力的权力，而异见者则被画像后切断资源。他警告保守派和自由意志主义者：不读清楚「安全」叙事的细则就买账，等于把市场的永久控制权拱手让给现有巨头。 Friedberg 提出一种下游执法模型：与其限制 AI 模型的输出内容，不如规制危害的实际表现——针对生物武器制造的刑事法规早已存在，将其扩展至涵盖 AI 辅助合成是可行的，无需触碰底层模型能力。他指出，核苷酸合成寡聚物公司已加入数据库筛查机制，证明这套模式在供应链层面同样行之有效，无需对模型内容进行审查。 > *"我真的认为，保守派和自由意志主义者如果不假思索地跟进这套监管俘获式安全议程，等于在抵押自己的未来——其中牵涉的利益远比表面看到的多得多。"* ## [37:59] AI 国有化之争：Trump 与 Sanders、立论逻辑与「资本主义懦夫」 Bernie Sanders 6 月 1 日在《纽约时报》发表专栏，援引公共科研资金奠定了 AI 基础的理由，呼吁联邦政府强制持有 AI 公司 50% 股权。与此同时，Trump 也公开力挺建立美国主权财富基金。四位主持人发现，这两个提案从截然相反的方向出发，落点却相当接近。 Sacks 认为 Anthropic 公司章程中嵌入的「公共利益」表述是特洛伊木马：兼顾盈利与社会效益的双重使命董事会，远比纯粹的 C 型公司更容易被监管机构左右。他着重指出 Ben Thompson 的解读——Anthropic 那篇暂停 AI 研究的博客，本质上是为压制 Fable 竞争对手研究用例的反竞争行为提供正当性——让监管俘获的闭环清晰可见。他的耐心已耗尽：「我真的受够了为这帮蠢货辩护。这是一种愚蠢税，因为他们多年来一直在向公众宣扬自己做的事情有害。」 Friedberg 从结构层面为主权财富基金进行辩护：每位美国纳税人都可以像阿拉斯加居民领取永久基金分红那样，直接持有 AI 时代价值创造的股权。他反驳了左翼框架（国有化等于强制征股）和右翼框架（任何政府参与都是社会主义），强调机制本身才是关键。Chamath 补充说，AI 与以往的基础设施有着本质区别——不同于高速公路，它的产品是智能本身，这意味着控制访问权的人就控制了经济主体性。Jason 最后给出自己的判断：AI 安全实验室是「资本主义懦夫」，其癖好就是邀请监管机构来拿走自己的股权。 > *"这是一种愚蠢税，因为他们多年来一直在向公众宣扬自己做的事情是有害的，而提供这些东西的公司却在说它们自身就是问题所在。"* ## [59:22] Liquidity 大会回顾：精彩时刻与核心洞见 四位主持人回顾了 All-In Liquidity 大会的精彩瞬间。Thomas Leifert 的风险投资数据演讲成为讨论核心：独角兽中约 13% 能跻身「十角兽」，但十角兽突破万亿美元估值的概率几乎翻三倍达到 31%，说明幂律在最顶端反而更陡峭。Jason 开玩笑说，拿下一家「万亿角兽」10% 的股权就能还清 2% 的国家债务——Chamath 反手说只要授权给他，他一个人就能还清。 后勤环节的好评归于 Thomas Keller 主厨与纽约证券交易所联合操刀的法国洗衣坊晚宴、Niagen 提供的含 NAD 恢复静脉滴注的健康休息室，以及九洞高尔夫混战赛。本节以 All-In Summit（9 月 13-15 日）的预告收尾，Chamath 阐述了大会的筛选哲学：Liquidity 存在的意义是让世界上最重要的资本配置者建立关系，门票无法购得入场资格。 > *"资本决定世界上发生的事情。所以我认为，我们必须在大会每一个环节的策划上都极度挑剔。"* ## [01:05:39] 通胀升温：CPI 与 PPI 创三年多新高 5 月 CPI 同比上涨 4.2%，为 2023 年 4 月以来最高；PPI 达 6.5%，为 2022 年底以来最高。Polymarket 显示，2026 年通胀达到 5% 的概率为 21%，美联储今年加息的概率升至 49%，而伊朗战争爆发前这一数字不足 10%。尽管数据强劲，录制当天纳斯达克仍上涨 2.5%，Sacks 认为这是市场在提前计价地缘政治冲突即将化解。 Friedberg 将核心驱动力归结为两股叠加力量：伊朗战争带来的能源价格飙升直接传导至交通运输和制造业成本，以及结构性政府超支在多轮加息后仍持续拉高总需求。Chamath 补充了一个尾部风险情景：若中国削减战略储备并重返现货石油市场，每日额外采购 300 万桶，原油可能冲上每桶 150 至 200 美元——届时美联储眼下的困境将显得微不足道。 > *"伊朗战争确实带来了能源短暂冲击，推高了核心指数；但更深层的问题是，政府支出失控、通胀失控，随着局势持续恶化，利率也在攀升。"* ## [01:12:27] 加州宽松选举法催生诚信质疑 洛杉矶市长初选结果——Karen Bass 在大规模腐败调查中依然胜出——引发 Friedberg 对加州选举法修订的详细梳理，这些改动大约从 2018 年起陆续积累。他列举了十余项具体改革：无上限的选票代收、取消签名核验、选举日后七天内收到的邮寄选票无需邮戳即可计票、凭健身房会员卡即可登记选民资格、不与联邦数据库交叉核对，以及允许用无家可归者收容所地址登记数以千计的选民且不核实居住情况。他的论点并非任何单一规则本身构成欺诈，而是这些规则叠加后造就了一个让选举变成内定任命的环境。 Sacks 梳理了洛杉矶计票中的统计异常：迟到的邮寄选票明显偏向 Bass，而当天投票结果却截然相反，这种偏转他认为很难用正常的政治行为来解释。他将此引申至结构性问题——从宽松规则中获益的利益集团，同时也在资助从事选票代收工作的非营利组织，形成了合法却不透明的闭环。Chamath 则建议改革者放长眼光：发起要求选民出示身份证的公投提案，推动联邦层面对公共福利领受者实施 ID 核验要求，用结果说话，而不是在每次选举失利后才指控舞弊。 > *"真的很难相信，某些利益集团和非政府组织不会利用这些漏洞吗——污浊的选民名册、数以百万计寄往错误或不存在地址的选票、缺失的保管链、没有签名核验、不需要出示任何身份证明才能投票和登记、七天后收到的无邮戳选票也照样计数？"* ## 实体 - **Jason Calacanis**（人物）：All-In Podcast 联合主持；Launch Fund 创始人；本集大多数话题转换的主持人。 - **Chamath Palihapitiya**（人物）：All-In Podcast 联合主持；Social Capital 创始人；从结构与资本配置视角切入 AI 和选举议题。 - **David Friedberg**（人物）：All-In Podcast 联合主持；Ohalo Genetics 创始人兼 CEO；提供生物科技与选举法政策分析。 - **David Sacks**（人物）：All-In Podcast 联合主持；Craft Ventures 创始人；白宫 AI 与加密货币专员；主导监管俘获与国有化议题论述。 - **Dario Amodei**（人物）：Anthropic CEO；因公开博文被主持人解读为监管俘获的倡导者。 - **Bernie Sanders**（人物）：美国参议员；6 月 1 日在《纽约时报》发表专栏，呼吁联邦政府持有 AI 公司 50% 股权。 - **Anthropic**（机构）：Claude 背后的 AI 公司；发布 Fable 5 / Mythos 5，秘密压制前沿 AI 研究人员，并对所有提示词数据（包括签署零留存协议的企业账户）实施强制 30 天留存。 - **Fable 5 / Mythos 5**（软件）：Anthropic 的前沿模型，秘密降级前沿 AI 研究人员，并对所有提示词数据实施 30 天留存，企业零留存账户亦不例外。 - **Ohalo Genetics**（机构）：Friedberg 的农业基因组学公司；受 Anthropic 生物科技模型限制直接波及，被迫转向中国开源模型。 - **美国主权财富基金**（概念）：Trump 力推的提案，将政府资本引入高增长资产；被讨论为让公民直接持有 AI 股权敞口的机制。 - **监管俘获**（概念）：现有巨头以安全和公共利益为包装推动监管立法，从而锁定自身市场地位、限制开源或竞争对手模型的动态。 - **选票代收**（概念）：加州法律允许第三方代为收集并提交无限量的邮寄选票；为洛杉矶市长初选诚信争议的核心议题。

All-In 峰会首届最佳投资点子路演大赛将四位基金经理推上舞台，在评委 Chamath Palihapitiya、Jason Calacanis、David Friedberg 和特邀评委 Gavin Baker（Atreides Management）面前为各自看好的单一交易辩护。Suvretta Capital 的 Aaron Cowen 将 MGM Resorts 定位为一只被低估的亚洲赌场标的，Bornite Capital 的 Dan Dreyfus 阐述了 Talen Energy 作为能源周期复利机器的逻辑，EcoR1 Capital 的 Oleg Nodelman 呈现了放射性药物生物技术公司 Aktis Oncology，Multicoin Capital 的 Kyle Samani 则路演了去中心化 RTK 精确定位网络 GEODNET。观众投票选出 Dan Dreyfus 为获胜者；而 Besties 自己的排名结果截然相反，将 Aaron Cowen 的 MGM 路演推上了榜首。 ## [00:00] Chamath 介绍最佳投资点子路演的规则 Chamath 将这一赛制追溯到 Ira Sohn 投资峰会——他于 2015 年参加了这一慈善活动，当时他以"亚马逊将成为万亿美元公司"为题发表演讲，随即被 David Einhorn 当众驳斥。2016 年他带着特斯拉可转债再度登场，2017 年他以 AI 作为宏观主题，却选择了 Box 而非英伟达。这段往事是一次自我解嘲：宏观判断正确，不代表你就能选对具体标的。All-In 版本保留了核心机制：手里拿着真金白银的管理人，面对无需客套的现场观众发表演讲。 > *"我说亚马逊会成为万亿美元公司，结果被人轰出了会场。David Einhorn 是我的朋友，但他当时完全错了，他说：'我见过万亿美元的公司，这不是。'——他错了。"* ## [02:31] Suvretta Capital 的 Aaron Cowen 路演 MGM Resorts Aaron Cowen 曾主管 George Soros 的股票账簿，并担任 Steve Cohen 的 CIO，此次他排除了向科技圈观众推科技股的选项，最终落脚于 MGM——不是为了它在拉斯维加斯的 13 处物业，而是两处被市场定价为零的地理期权资产。其一是 MGM 持有的大阪综合度假区 40% 股权，计划 2030 年开业：日本博彩市场规模已达约 400 亿美元（柏青哥加赛马），大阪到上海、北京的距离比澳门还近，而 Wynn 在澳门的案例表明，市场通常在新赌场开业前约三年才开始定价——而那个时点正是现在。其二是 MGM 迪拜大型综合体中预留的 30 万平方英尺空置空间，静待阿联酋博彩合法化。路演前一天，持有 MGM 26% 股份、将其列为净资产 80% 的 Barry Diller 提出了每股 48 美元的收购报价，瞬间锁定了下行底线。Cowen 表示不会出售："拉斯维加斯约 60 美元，日本约 50 美元，迪拜约 40-50 美元——这只股票的价值可以达到 150 美元。" > *"我几乎从没见过一家公司在六年内回购了半数流通股。Barry Diller 这位传奇人物在大举增持，而这只股票如今已占他净资产的 80%。"* ## [13:07] Bornite Capital 的 Dan Dreyfus 路演 Talen Energy Dan Dreyfus 以能源周期框架开场：正常时期需求随 GDP 走，技术普及浪潮期间出现峰值（20 世纪中叶的家电与空调，2000 年代的效率提升），随后回归常态。当前的 AI 浪潮是下一次峰值——但他随即澄清，AI 并不是供需紧张的基准情景，只是"火上浇油"。在此之前，长达二十年的投资不足已埋下供需失衡的根基。Talen Energy 在 PJM 电网中持有 2 GW 核电和 6 GW 燃气装机，而 PJM 自身预测未来十年需要新增 106 GW 容量——鉴于关键矿产的供应链瓶颈，这在现实中几乎无法实现。他援引 Sam Zell 法则：在需要新增产能时，以低于重置成本的价格买入硬资产。Talen 的企业价值约 250 亿美元，而重置成本高达 450 亿美元，即使管理层按兵不动，股价也有翻倍空间。潜在上行空间分三层：按当前运营测算每股自由现金流约 50 美元（股价约 300 美元出头，对应 7 倍市盈率，而基础设施同类公司为 15 倍）；若电价上涨或更多 PPA 合同落地，则约 70 美元；若 Talen 承接 106 GW 新增需求中的 4 GW，则可超过 100 美元。 > *"我们根本不需要 AI 需求来维持未来 20 年极度紧张的电力市场。AI 需求只是火上浇油，仅此而已。而这将制造短缺。"* ## [27:19] EcoR1 Capital 的 Oleg Nodelman 路演 Aktis Oncology Oleg Nodelman 掌管着 EcoR1 Capital，这是一家价值导向的生物技术基金，自 2013 年成立以来已实现 10 倍回报（管理规模从 1300 万美元增至 25 亿美元）。他将生物技术投资比作扑克——在一个充斥着老虎机散户的行业里打牌，并亮出自己的底牌：安全边际优先于对科学的热情。Aktis Oncology（AKTS）的投资逻辑建立在现代放射性药物之上——携带锕-225 弹头的微型蛋白支架，通过分子识别在血液中导航，引爆后爆炸半径约 100 微米，大约相当于一个细胞的直径。关键去风险因素：所选靶点（针对膀胱癌的 nectin-4 和针对广谱实体瘤的 B7H3）已通过临床验证；影像学手段让医生能在早期试验中确认药物递送情况；nectin-4 相关数据读出最早在 2027 年 Q1 发布。此次 IPO 认购倍数达 18 倍，并获礼来公司 1 亿美元的基础订单支撑。锕-225 来源于美国冷战时期的镭-226 储备，使其供应链对中国形成结构性壁垒——这在生物技术领域实属罕见。Gavin Baker 将追问延伸到长寿话题：Nodelman 表示他愿意押注人类寿命超过 100-125 岁，部分原因在于 GLP-1 减肥药已能模拟卡路里限制的效果，而后者是唯一在对照数据中被证实能延长寿命的干预手段。 > *"就像一群小到足以在血液中穿行的微型无人机集群，靠分子识别找到目标，然后引爆一枚精确尺寸的弹头，爆炸半径 100 微米，相当于单个细胞的直径。"* ## [40:20] Multicoin Capital 的 Kyle Samani 路演 GEODNET Kyle Samani 是 Multicoin Capital 联合创始人，参与了 Solana 上市前的全部三轮融资。他此次路演 GEODNET（Solana 上的 GEOD 代币），这是一个去中心化 RTK 精确定位网络。标准 GPS 精度约 2 米，RTK 可达约 2 厘米，精度提升 100 倍——机器人、无人机和自动驾驶车辆都依赖这一水平。传统 RTK 供应商（Trimble、Hexagon、Topcon）花费 20-30 年建设了合计约 12000 个基站。GEODNET 于 2021 年上线，通过向爱好者支付代币奖励（在屋顶安装几百美元的天线），以众包方式迅速铺开 22000 余个节点，目前已覆盖 150 个国家和全球 80% 的人口。年化收入刚刚突破 100 万美元；其中 80% 用于在市场上公开回购 GEOD 代币（实质上是一种收入分享式回购）。客户增长在机器人供应链中形成病毒式传播：大疆、约翰迪尔自动喷药项目 Gus、TomTom（几乎为所有自动驾驶项目提供地图数据）以及机器人割草机厂商都接入了 GEODNET。客户平均年支出从第一年约 6 万美元增长至第二年约 17 万美元。完全稀释后市值约 1.5 亿美元。Friedberg 就低轨卫星微星座的威胁发起质疑；Samani 以成本和能耗作为反驳——对无人机等对电池续航敏感的设备而言，低成本、低功耗的地面方案永远更具吸引力。 > *"一旦有人开始使用 GeoNet，第一年通常每年花费约 6 万美元。但到第二年，通常已增至约 17 万美元。"* ## [54:50] The Besties 复盘路演并宣布获胜者 Chamath 套用 Druckenmiller 框架——没有真金白银押注，就没有真正的信念——并在流动性维度与论点之外同时衡量四个标的的配置规模：GEODNET 他很喜欢，但不动市场地最多只能投 1-2 万美元；Talen 和 MGM 则可以吸纳数千万。Gavin Baker 直接点名 MGM 为最佳风险回报标的（"下行空间因 Barry Diller 的报价而被封住，日本和迪拜又是极具价值的未来增长点"），并肯定 Talen 的逻辑，但提示了一个监管尾部风险：政府可能介入数据中心用电定价。Friedberg 将 MGM 排在首位，理由是时间线清晰、下行有底；Talen 居次，但他指出其对利率敏感（电力购买协议折现方式类似债券）；Aktis 第三，因为一旦临床数据良好，礼来可能在数月内提出收购；GEODNET 排末位，理由是低轨卫星星座终将让地面 RTK 变得冗余。Jason 当场各投入 20 万美元买入 MGM 和 Talen，将 GEODNET 和 Aktis 视为彩票型标的。 观众投票（150 名与会者）：Dan Dreyfus / Talen Energy 以 50% 得票率胜出，Aaron Cowen / MGM 以 24% 排第二，Oleg Nodelman / Aktis 以 21% 居第三，Kyle Samani / GEODNET 以 5% 垫底。Besties 的 4-3-2-1 排名将前两名对调：Aaron Cowen 夺冠，Dan Dreyfus 居次——观众选 Talen，评委选 MGM。两人的结果很快被 Jason 定制的"极度阳刚异性恋"奖杯抢了风头：一座 3D 打印的两男尴尬拥抱雕塑，Chamath 和 Jason 随即在台上亲身示范。 > *"如果你没有真金白银押注，你就不会上心。而这正是我热爱的东西。"* ## 实体 - **Chamath Palihapitiya**（人物）：All-In 联合主持人；Social Capital 创始人；赛事组织者兼评委 - **Jason Calacanis**（人物）：All-In 联合主持人；Launch Fund 创始人；主持人兼评委 - **David Friedberg**（人物）：All-In 联合主持人；Ohalo Genetics；评委；曾管理精准农业技术公司 Precision Planting - **Gavin Baker**（人物）：Atreides Management 首席投资官；特邀评委；前生物制药基金经理 - **Aaron Cowen**（人物）：Suvretta Capital Management 创始人兼 CIO（管理规模 40 亿美元）；曾主管 Soros 股票账簿；Steve Cohen 前 CIO - **Dan Dreyfus**（人物）：Bornite Capital 创始人；大宗商品与能源投资人 - **Oleg Nodelman**（人物）：EcoR1 Capital 创始人兼董事总经理（管理规模 25 亿美元）；25 年生物技术投资经验 - **Kyle Samani**（人物）：Multicoin Capital 联合创始人；Solana 早期投资人；本次活动前已卸任执行合伙人 - **MGM Resorts International**（组织）：拉斯维加斯赌场运营商；持有大阪综合度假区牌照（2030 年开业）；迪拜物业预留 30 万平方英尺博彩空间 - **Talen Energy**（组织）：美国独立发电商；在 PJM 电网拥有 2 GW 核电和 6 GW 天然气装机；企业价值 250 亿美元，重置成本 450 亿美元 - **Aktis Oncology**（组织）：放射性药物生物技术公司（AKTS）；微型蛋白平台携带锕-225；靶向 nectin-4（膀胱癌）和 B7H3（广谱实体瘤）；数据读出预计 2027 年 - **GEODNET**（软件/网络）：去中心化 RTK 精确定位网络；22000 余个节点覆盖 150 个国家；Solana 上的 GEOD 代币；80% 收入用于公开市场代币回购 - **Barry Diller**（人物）：媒体与娱乐投资人；持有 MGM 26% 股份；提出每股 48 美元的收购要约 - **Ira Sohn Foundation**（组织）：慈善投资峰会，为本次最佳投资点子大赛提供了灵感来源 - **放射性药物**（概念）：癌症治疗手段，利用分子载体携带放射性锕弹头摧毁肿瘤细胞，爆炸半径约 100 微米，附带损伤极低 - **RTK（实时动态定位）**（概念）：精确 GPS 增强技术，可实现约 2 厘米精度（标准 GPS 约 2 米）；农业机器人、自动驾驶车辆和无人机的必要条件 - **PJM Interconnection**（组织）：宾夕法尼亚-新泽西-马里兰区域输电组织；预测未来 10 年新增电力需求 106 GW

距上次十二月圆桌会议半年之后，Jacob Effron 再度邀请 Ari Morcos（Datology AI CEO）和 Rob Toews（Radical Ventures）做一次全面的 AI 现状体检。编程 Agent 已跨越长周期执行的关键门槛，正在重塑工程师的工作方式；接近前沿水准的开放权重模型看起来越来越像一股退潮——Meta 和中国实验室都在出于经济考量收缩开源策略；Anthropic 对 Fable 悄然施加的能力限制，则令其最忠实的支持者深感受伤。三人就 Google 的结构性韧性、Ari 关于算力压力可能迫使实验室完全暂停公共 API 的预测、ASML 的 EUV 地位面临的原子光刻与 X 射线光刻挑战，以及递归自我改进究竟在哪里被卡住等问题，逐一展开讨论。 ## [00:00] 开场 Jacob 欢迎老朋友 Ari Morcos 和 Rob Toews 回归，指出本期是「现状体检」格式，话题从 IPO 招股书、SpaceX 转型算力，到 Fable 发布的前一天，无所不包。他将整场对话锁定在一个核心问题上：自 NeurIPS 之后那次会面至今的六个月里，最大的变化是什么？ > *"一切都在变。我们看到了 IPO 招股书，看到了迟迟未发、最终发布的模型，还看到了 SpaceX 摇身一变成为 AI 信息公司。"* — Jacob Effron ## [01:40] 编程 Agent 跨越门槛 Ari 认为最清晰的转变在于：编程 Agent 现在能稳定地完成长周期任务，这个门槛在圣诞假期前后被跨越，让 Agent 真正从「听起来不错」变成「确实好用」。Datology 的工程师们几乎全员从独立贡献者转型为同时管理多个 Agent 的调度者——但随之而来的是新瓶颈：代码审查队列开始积压，而当没有人真正理解 Agent 写出的代码时，混进代码库的「烂代码」就更难被发现。 > *"我们真的开始看到工程师的角色转变：至少大多数人，正在从独立贡献者转型为 Agent 的管理者。"* — Ari Morcos ## [03:29] 开放权重 AI 正在退潮？ Rob 抛出他认为的结构性拐点：接近前沿水准的开放权重 AI 面临彻底掉队的风险。他此前的预判——开放模型与闭源模型只差几个月——可能已经不成立了。Meta 似乎正在收缩开源策略，包括 Qwen 和 DeepSeek 在内的中国实验室也开始将高性能权重据为己有，只向外开放规模较小、能力较弱的版本。Ari 对此表示认同：一旦实验室建立了足够的信誉，经济逻辑就不再支持开放——自己跑推理的利润远比把权重白送出去要高得多。Rob 直言，纯开放权重的前沿模型根本不存在可持续的商业模式。 > *"过去六个月出现了一些早期迹象，让我开始怀疑：开放权重 AI 是否还能继续在这个生态里扮演举足轻重的角色？"* — Rob Toews ## [07:37] 成本挤压与脚手架层 Jacob 指出，与此同时一股反向压力正在形成：企业终于开始认真控制模型开销。从 Claude Opus 4.6 升级到 4.7，一些用户的 token 输出量翻了一番，曾经可以忽略不计的账单如今已成为预算中的一个正式条目。Ari 认为，真正的创新正越来越多地发生在模型权重之外的「框架与脚手架层」——开源模型加上私有脚手架（Kimi/Moonshot 是最典型的例子）可能才是真正能活下去的商业模式。他还向企业提出警告：现实中只有两条路可走，要么与前沿实验室合作（但最终会因为交出了私有数据而被对方超越），要么积累足够强的内部能力，在开放权重模型不再有保障的未来保持独立性。 > *"模型不再只是模型——它是模型加上框架和脚手架的整体，而大量创新正在发生在框架和脚手架层。"* — Ari Morcos ## [12:13] 「应用已死」的争论 Rob 认为「应用已死」这个论断，有一部分是对的，但也被严重过度推广了。传统软件品类确实面临来自实验室路线图的生存压力，但没有哪两三家公司能在地球上所有垂直领域同时做到卓越。OpenAI 关掉视频业务——尽管拥有近乎无限的资本和一支强队——就是明证：即便是最富有的实验室，也不得不做出艰难的优先级取舍，而这背后很大程度上是算力限制在驱动。于是深科技和硬件成了 VC 的共识赛道，但 Rob 提醒：硬科技也很难——失败率高，未解问题俯拾皆是。 > *"没有哪一两三家公司能赢下世界上每一个重要市场和品类。"* — Rob Toews ## [16:37] Sam Altman 接受审视 Rob 重提他十二月的预测：Sam Altman 会在年底前被替换。当时无人认可，六月中旬来看，可能性已经更高了。他最初看好的接班人选 Fiji 因健康原因不得不退出，更新后的理论指向 Bret Taylor：OpenAI 董事会主席、Sierra CEO，硅谷最受信任的运营者之一。Rob 认为，若 OpenAI 完成对 Sierra 的收购并让 Taylor 出任 CEO，在 IPO 前将是一次决定性的形象翻转——OpenAI 与 Anthropic 之间的信任差距已经相当大且仍在扩大，Taylor 的声誉足以填补这道裂缝。Ari 则提出另一种可能：OpenAI 重组为类似 Alphabet 的控股架构，Sam 留任母公司，另立一位 CEO 主掌核心产品。 > *"我认为，如果 Bret Taylor 能执掌 OpenAI，对其股东来说才是最有利的——这将极大地改变他们的命运。"* — Rob Toews ## [19:44] Anthropic 的 Fable 引发强烈反弹 三人深入探讨了 Anthropic 悄然限制 Fable 在 AI 开发相关工作上能力这一决定所引发的强烈反弹。Ari 说，限制本身还能接受；让 Anthropic 最忠实的支持者真正愤怒的，是这种悄无声息的降级——模型就是表现变差了，却什么都不告诉你。他将这一举动解读为竞争卡位包装成安全旗号，并指出拥有良好脚手架的开源团队已经能独立复现大部分那些受限的漏洞挖掘能力。Ari 预测，短期内 Claude Code 最活跃的 Twitter 布道者中，相当一部分会迁移到 Codex，这将给 OpenAI 送上一份意外的 PR 礼物。 > *"它不会拒绝你，不会说'我不帮你做这件事'。它只是默默地把这件事做得很差，而你根本不知道。"* — Ari Morcos ## [23:24] Fable 究竟带来多大的跃升？ Ari 在录制前一晚才开始试用 Fable，他个人的感受是：与 Claude 4.8 相比并没有感受到巨大差异。Rob 的解读不同：Fable 与其说是一次跳变，不如说是证明「预训练撞墙」的叙事明显是错的——从预训练中持续获得丰厚收益，而测试时算力又提供了额外的增益杠杆。Ari 从实践者的角度补充：深度学习有个规律，95% 的细节做对了，模型往往还是没有改善，直到最后一个旋钮拨对，才突然触发跃升。因此，关于扩展失效的负面结果在解读上本来就极为困难。 > *"如果你把 95% 做对了，它整体上还是会矫正到不管用的状态。然后你拨动最后一个旋钮，突然就跃升了。"* — Ari Morcos ## [26:50] Google 到底怎么了？ Rob 反对「Google 表现不佳」的说法：三家前沿实验室本来就在互相超越，Google 在编程领域的落后只是优先级选择——Anthropic 多年来以编程为北极星，OpenAI 最近也大力押注，而 Google 根本就还没把编程列为最重要的方向。Google 真正拥有的是全栈结构优势：自研芯片（TPU）、自有云、庞大的人才储备，以及让其模型成为全球手机默认助手的 Android/iOS 分发协议。Ari 补充：消费级 AI 会迅速商品化，而 Google 已经在移动端的「默认提供商」这个角色上做好了优化，哪怕它现阶段不占最佳模型。Jacob 则观察到：Codex 显然是款强产品，但 Claude Code 依然强势——开发者工具中的先发优势比预想的更粘，不过 Fable 的限制可能会催生一波迁移浪潮。 > *"我认为 Google 在编程上落后了，但这只是优先级的体现。Anthropic 把编程当作多年来的北极星，这一点显而易见。"* — Rob Toews ## [33:20] API 会不会消失？ Ari 抛出本集最具挑衅性的论断：算力限制可能迫使 Anthropic——或 OpenAI——完全暂停公共 API 访问，这不是商业决策，而是因为 Claude Code 这类第一方产品利润率更高，而芯片本就不够用。OpenAI 已经开始出售有保障推理 token 的期货，Ari 将此解读为实验室本身也把 API 访问视为一种配额资源。Rob 确认这在技术上是可行的，尽管是极端情形；更可能发生的短期版本是：实验室将最强大的模型保留给内部使用，而不再向外公开提供。 > *"不难想象这样一个世界：Anthropic 被算力压得太紧，以至于真的切断了 API。"* — Ari Morcos ## [34:11] 打破芯片瓶颈 Rob 将话题引向算力短缺的物理根源：芯片制造高度集中在一家公司（TSMC），而其最关键的设备又出自另一家公司（ASML）。他指出 Elon Musk 的「超级晶圆厂」构想由于其变革潜力而被严重低估。Ari 对时间线持保留态度——很难想象在未来几年内就能缓解算力瓶颈。Rob 承认两三年内取代 TSMC 不现实，但五年的视野内，多家企业共同填补空缺是有可能的——全球半导体供应链的单点故障结构不必永远如此。 > *"这件事确实有点疯狂：全球就只有一家公司知道怎么做这件事，没有其他人能做到，而整个流程中最关键的那台机器又只由另外一家公司制造。"* — Rob Toews ## [35:42] 超越 EUV：原子与 X 射线光刻 Rob 介绍了两个可能最终挑战 ASML EUV 地位的前沿研究方向。第一是原子光刻：不再用光，而是用原子束来印制晶体管特征，实现远高于 EUV 的分辨率，且所用设备比 EUV 工具更简单、更便宜、更小。第二是 X 射线光刻，利用波长更短的电磁辐射突破 EUV 正在逼近的物理极限。两个方向都有初创公司获得可观融资，目前仍处于研发阶段。Ari 估计至少还需五年才能商业化，但 Rob 认为真正的技术颠覆终将到来。 > *"有几家初创公司在原子光刻上做了非常有意思的工作……设备可以简单得多、零件少得多、便宜得多、体积小得多，分辨率当然也好得多。"* — Rob Toews ## [37:23] 算力稀缺意味着什么 Jacob 追问：算力持续稀缺的世界，对企业实际意味着什么？Ari 认为这将倒逼出前沿实验室此前几乎没有动力去追求的效率创新：越来越小的模型将能媲美一两年前最大模型的水平，蒸馏投入会加速，推理优化将成为真正的竞争差异化因素。Rob 补充：供给约束从结构上对 Nvidia 之外的所有芯片厂商都是好事——AMD、Trainium、Cerebras——不是因为他们能增加总供给（TSMC 仍是上游瓶颈），而是因为企业会用任何能拿到的硅。H100 现货价格在十二月下跌后开始回升，正是短缺在加剧而非缓解的最清晰市场信号。 > *"我仍然预计，使用量的增长会快于你能做到的任何缓解措施。"* — Ari Morcos ## [40:20] 替代芯片真的有用吗？ 三人对替代芯片厂商究竟是在扩大总算力还是只在重新分配算力这个问题进行了深度拷问。共识是：它们是约束的受益者，而非解决者。如果没有 Cerebras 或 dMatrix，Nvidia 只会独吞 TSMC 的所有产能——芯片总量不变。替代厂商的价值在于阻止 Nvidia 对 TSMC 产能形成完全垄断，并为急需算力的买家提供备选。算力瓶颈在 2030 年之前不太可能缓解；Ari 估计 2030 年代初，新晶圆厂、新光刻技术、算法效率等多重突破有望同时到来。 > *"替代芯片厂商不是算力瓶颈的解药，但会成为算力瓶颈的受益者。"* — Rob Toews ## [43:43] SpaceX、xAI 与 Cursor 收购案 Jacob 转向 xAI 和据报道高达 600 亿美元的 Cursor 收购案。Rob 对 xAI 能否重返前沿 AI 研究第一梯队持怀疑态度：将算力卖给 Anthropic 和 Google 的决定，清晰表明数据中心建设——而非模型研究——才是这家公司的真实优先项。他认为 xAI 持久的优势契合 Elon 的运营基因：极快地建立起大规模集群。Ari 则认为，收购 Cursor 主要是为了获取编程轨迹数据，以此引导构建出一个有竞争力的编程模型——这正是 xAI 迄今未能自主实现的——600 亿相对于这个目标来说可能偏高，但保留了未来的可能性。Rob 指出 SpaceX 招股说明书的 TAM 图表将企业 AI 估算为约 20 万亿美元，而整个太空产业只有几千亿，由此得出结论：在 IPO 前做好叙事定位是这笔交易逻辑的重要组成部分。 > *"我认为收购 Cursor 是为了拿到所有的训练轨迹……以及对冲他们迄今未能做出有竞争力编程模型这一事实。"* — Ari Morcos ## [48:50] RSI 距离我们还有多远？ Andrej Karpathy 加入一个递归自我改进团队的决定，引出了一个关于时间线的直接追问。Ari 在过去六个月里变得明显更乐观：在 Datology，Agent 驱动的数据整理实验产出了「远超我预期的结果」，他现在认为 RSI 已经清晰地接近可行。瓶颈是算力，不是思路或执行力。然而他对「一家实验室独自突破」的指数级起飞叙事深表怀疑：算力约束限制了自我改进的速度，而至少有十家资金雄厚的机构同时具备追求 RSI 的人才和技术储备。Rob 原本预计 Ari 会更加怀疑——追问 RSI 如何能在没有指数级起飞的情况下到来时，Ari 将算力指为迭代速度的根本限制因素。 > *"我们正在清晰地逼近模型能够自我改进的临界点……但我认为存在根本性的算力瓶颈，足以限制这个速度。"* — Ari Morcos ## [52:21] 快问快答 最后一轮快问快答抛出了几个鲜明观点。Rob 与当前主流观点的最大分歧：今天的 AI 系统与即将到来的系统相比，能耗效率低得可笑——一个 2 吉瓦的数据中心对比人脑的 20 瓦——模拟计算和硬件架构上的突破将让当前这轮资本开支建设看起来像是历史的一次异常。Ari 最锐利的逆向观点：「永久底层阶级」叙事——AI 在十年内夺走所有人类工作——被严重夸大了，因为人类消化和扩散技术的速度很慢，而商业关系中携带的人际信任维度，是技术官僚们系统性低估的。 在观点转变上：Ari 比六个月前对 RSI 更加乐观，如今也强烈相信接近前沿的开放权重模型将会整合收缩。Rob 则提前了他对机器人的时间预期——机器人基础模型在近几个月已跨越商业可行性门槛，通用机器人的 GPT-3 时刻或许近在眼前。关于 2026 年下半年的预测：Ari 押注 Anthropic——或可能是 OpenAI——会在某个时间点暂停或严格限制 API 访问，2027 年底是他更有把握的窗口。Rob 的预测：Anthropic 的下一个篇章是生命科学，到今年年底，它正成为全球最重要的生命科学公司之一将显而易见——甚至可能包括建立自己的湿实验室设施。 > *"我认为到年底，Anthropic 正在成为生命科学领域一头初露锋芒的巨兽，将会是显而易见的事实。"* — Rob Toews ## 实体 - **Jacob Effron**（人物）：Unsupervised Learning 主持人，Redpoint Ventures 董事总经理 - **Ari Morcos**（人物）：Datology AI CEO；前 Meta AI 和 DeepMind 研究员；嘉宾 - **Rob Toews**（人物）：Radical Ventures 合伙人；福布斯 AI 专栏作者；嘉宾 - **Anthropic**（机构）：Claude 和 Fable 背后的 AI 安全实验室；因悄然施加能力限制而既获赞誉又遭批评 - **OpenAI**（机构）：ChatGPT 和 Codex 背后的实验室；正因 Sam Altman 的领导力问题接受内外审视 - **ASML**（机构）：荷兰公司，对 EUV 光刻机拥有近乎垄断地位，是尖端芯片制造的关键瓶颈 - **TSMC**（机构）：台湾积体电路制造公司，全球最先进芯片的唯一生产商 - **Datology AI**（机构）：Ari Morcos 的创业公司，专注于 AI 模型的数据整理与训练基础设施 - **Cursor / Anysphere**（软件/机构）：AI 编程工具，据报道正被 xAI 以约 600 亿美元收购；主要价值在于其编程轨迹数据集 - **递归自我改进（RSI）**（概念）：AI 系统自主改进自身训练和能力的能力；正从推测性话题转变为近期议题 - **原子光刻**（概念）：新兴芯片制造技术，用原子束而非光束印制晶体管特征，相比 EUV 具有更高分辨率和更简单的设备 - **EUV（极紫外光刻）**（概念）：当前最先进的芯片印制技术，正逼近物理分辨率极限；ASML 的核心产品

来自 Google Chrome DevRel 团队的 Tara Agyemang 介绍了 WebMCP——一项拟议中的网络标准，旨在取代当今 AI 智能体所依赖的脆弱屏幕抓取循环（DOM 解析、无障碍树分析、截图像素计算、坐标点击），转而由浏览器直接暴露一套具名、类型化、附有描述的工具菜单。WebMCP 提供两条实现路径：声明式 API 可从 HTML 表单属性自动生成 JSON schema，命令式 API 则支持注册带有显式 execute 块的自定义 JavaScript 工具。演示中，Gemini 2.0 仅用三次工具调用便完成了演唱会购票，相关规范已可在 Chrome 146 的侧边栏检查器扩展中试用。 ## [00:15] DOM 抓取之痛：今天的 AI 智能体是怎么工作的 买两张 Afro Beats 音乐节的门票听起来很简单。但对当前的 AI 智能体而言，这意味着：解析完整的 HTML DOM、遍历无障碍树、截图、做像素坐标运算找到按钮、点击——然后发现广告加载完毕，整个页面向下移位了 200 像素。Agyemang 现场演示了全过程：用嵌入 Chrome 侧边栏的 Gemini 对着一个演示购票网站操作，让人一眼看清楚，一句自然语言请求和最终提交表单之间，究竟藏着多少 token 消耗和脆弱的推断。 > *"这真的很脆弱，光是做这么点事就不知道烧掉了多少 token，我都不敢猜，肯定不少。"* ## [03:02] 无障碍先行：WebMCP 之前的必答题 在介绍 WebMCP 之前，Agyemang 先点出一个前提条件：语义化 HTML 和扎实的无障碍标准并非可有可无的地基，而是让网站在默认情况下对智能体可读的关键。正确的 ARIA 角色、有意义的标签和清晰的 DOM 结构，即使不引入任何新 API，也能大幅减少智能体的理解成本。 > *"让你的网站对所有人都无障碍，它自然也就对 AI 智能体无障碍了。"* ## [03:53] WebMCP 是什么：给智能体的结构化工具菜单 WebMCP 是一项尚未最终确定的拟议网络标准，核心思路是翻转信息不对称：不再让每个智能体自行逆向推断网站能做什么，而是由网站作者主动声明一份工具菜单，列出具名、类型化、有描述的工具供智能体直接调用。Agyemang 借用了 USB-C 的比喻：任何符合规范的智能体都能说同一套协议，任何符合规范的网站都能响应。 > *"不用再让每个智能体去猜你的网站能做什么，你直接给它们一份工具菜单，告诉它们怎么跟你的网站交互。"* ## [04:43] 演示：用 WebMCP 工具走出迷宫 第一个演示使用了 Chrome DevRel 团队自制的迷宫逃脱游戏，旁边显示着 Model Context Tool Inspector——一个列出当前页面所有已暴露工具的 Chrome 扩展。页面加载时只有一个工具：`start_maze_game`。调用后，工具列表扩展为方向移动工具（`north`、`south`、`east`、`west`）、查看工具以及道具管理工具。随后 Agyemang 输入自由文本提示（"向右，向上，再向右"；"走完迷宫"），Gemini 1.5 智能体将每条指令映射到正确的工具调用，自主迭代推进。迷宫被刻意设计成只能通过智能体接口通关——页面上没有任何可点击的按钮——工具调用循环是唯一的通路。 > *"AI 智能体拿到我的提示，把它匹配到具体工具——比如移动工具。它解读了我说的'向下向右'，把它转成了 north、south、east 方向，然后发出去了。"* ## [09:58] WebMCP 与 MCP 之别：客户端与服务端 Agyemang 预料到最常被问到的问题：这不就是 MCP 吗？区别在于作用范围。MCP 把智能体连接到服务端应用和数据源；WebMCP 实现了 MCP 的工具部分，但完全运行在浏览器中——浏览器窗口必须保持打开，所有工具执行都在页面的 JavaScript 上下文里发生。她把两者的关系类比为 JavaScript 和 Java：有所借鉴，但不可互换。实际意义在于，WebMCP 覆盖的是那些天然与用户当前视图绑定的智能体工作场景：填写复杂的多步表单、浏览有状态的 UI 流程、根据屏幕上可见内容个性化购物体验。 > *"WebMCP 让工程师能够为浏览器内的 AI 智能体提供工具，它专门针对客户端功能。"* ## [12:35] 两种 API：声明式与命令式 WebMCP 提供两条实现路径。**声明式 API** 只需在现有表单元素上添加少量新的 HTML 属性（`tool-name`、`tool-description`），浏览器会自动生成完整的 JSON schema。`agent-invoked` 布尔属性让服务端能区分智能体提交与人工提交。**命令式 API** 适用于更复杂的场景：开发者手动构建 schema 对象并调用 `registerTool()`，附上足以让智能体正确选用的描述，再编写包含普通 DOM JavaScript 的 `execute` 块（验证输入、调用现有函数、操作状态），最后返回结果对象告知智能体执行结果。命令式路径目前更为普遍，因为现实中大多数流程超出了单个表单的范围。 > *"execute 块本质上就是写普通 JavaScript——你也许已经有现成的函数，直接在这里调用就好。"* ## [15:16] 演示：三次工具调用买到演唱会门票 回到最初的购票场景，这次在已接入 WebMCP 的演示网站上操作。Agyemang 输入："帮我买两张 Summer Vibes Festival 的 VIP 票。"Gemini 2.0（演示从 1.5 升级到 2.0）恰好发出三次工具调用：`search_concerts` 按名称找到活动，`open_concert_page` 用返回的演唱会 ID 跳转到对应页面，`purchase_ticket` 传入数量和区域参数完成购买。每一步 UI 都同步更新，包括区域选择器和数量选择器。智能体在最终结账前主动暂停，把总价（356 英镑）呈现给用户确认。Agyemang 特别说明，这个手动确认步骤是有意为之：涉及真实金额的操作，人类应该始终在智能体提交前看到将要发生的事情。 > *"您消费了 356 英镑，好的，我来刷谷歌的信用卡。"* ## [17:46] 上手指南：Chrome 146、检查器与反馈方式 WebMCP 目前在 Chrome 146 及以上版本处于早期预览阶段。Agyemang 推荐使用 Chrome Canary，将实验性 flag 与日常使用的浏览器配置隔离开来。上手需要先在 `chrome://flags/#web-mcp` 启用测试 flag，再从 Chrome 应用商店安装 Model Context Tool Inspector。其余内容可参考两份资源：早期预览项目的注册博客文章（含初始文档、最佳实践和示例实现），以及包含所有演示（含迷宫）的 GitHub 仓库，其中还有一个用于对网站已声明工具进行自动化测试的 eval CLI。API 仍在每周迭代；在规范稳定之前，Google 正在积极征集摩擦点反馈和 bug 报告。 > *"我们不必再将就今天这种脆弱的屏幕抓取方式，而是可以用 WebMCP 工具把每个网站都变成智能体的高性能 API。"* ## 实体 - **Tara Agyemang**（人物）：Google Chrome 团队开发者关系工程师，本次演讲者兼 WebMCP 倡导者；GitHub/X 账号 @taraojo。 - **WebMCP**（概念）：拟议中的网络标准，让网页向浏览器内 AI 智能体暴露结构化、类型化的工具，从而消除 DOM 抓取；截至 Chrome 146 仍处于实验阶段。 - **MCP（Model Context Protocol）**（概念）：WebMCP 所参照的父协议；MCP 将智能体连接到服务端应用，WebMCP 则负责客户端浏览器工具的暴露。 - **声明式 API**（概念）：WebMCP 实现路径之一，通过在现有表单元素上添加 HTML 属性实现；浏览器自动生成 JSON schema。 - **命令式 API**（概念）：WebMCP 实现路径之一，通过 JavaScript 中的 `registerTool()` 实现；支持在 `execute` 块中编写任意 DOM 逻辑。 - **Model Context Tool Inspector**（软件）：Chrome DevRel 团队开发的 Chrome 侧边栏扩展，列出当前 WebMCP 页面暴露的所有工具；可在 Chrome 应用商店获取。 - **Google Chrome DevRel**（机构）：负责开发 WebMCP、迷宫演示、检查器扩展及 eval CLI 的 Google 团队，同时管理早期预览项目。 - **Gemini**（软件）：Google 的 AI 模型，在两个演示中均作为浏览器内智能体使用；购票演示从 Gemini 1.5 升级到了 Gemini 2.0。

WorkOS 产品负责人 Garrett Galow 开发了 Studio，专门打破每家公司都深陷其中的那个循环——解释问题、等工程师、拿到答案、发现还差一个关联查询、在 Slack 里收到一张马上过时的临时表。Studio 让任何人都能用自然语言查询 Snowflake、Linear 和 Notion，拿到实时答案，还能把这个答案固化成可复用的确定性 Widget，Widget 的代码直接对接数据源执行，无需再经过 LLM。可靠性来自三个工程决策：预检序列在工具真正被调用时才注入 schema 上下文；分层规则显式告诉模型不要相信自己对 WorkOS 产品的既有知识，必须拉取一手来源；验证步骤在将 Snowflake 查询固化进 Widget 之前先跑一遍确认结果。 ## [00:14] WorkOS 与今日主题 Galow 用 10 秒介绍公司背景——WorkOS 是为 Cursor、Anthropic 和 OpenAI 提供 SSO 等开发者层功能的企业平台——随即表明这不是他今天的重点。本次分享聚焦于 WorkOS 如何在内部运转，以及他们造了什么工具，让整个团队而不只是工程师都能更快回答业务问题。 > *"只要你登录过 Cursor，你就用过 WorkOS——不管是用户名密码，还是走企业 IDP。"* ## [01:02] 业务问题的漫长等待循环 Galow 描述的问题人人熟悉：一个市场或客服同事有个问题，自己不会写 SQL，只能向工程师解释需求，等待，拿到半个答案，再追加一个关联查询，再等，最后在 Slack 收到一张立刻过时的临时表。就连 Retool 或内部看板也帮不上忙，因为它们只能回答固定问题——一旦需要多一个筛选条件或多一列，整个请求流程就得重来。 > *"有人对业务有个问题，但自己可能没有技术能力去找答案。他们得解释问题，解释为什么要问、怎么理解，然后等。"* ## [02:33] Studio 演示：从问题到实时看板 Studio 是一个内部工作台，包含网页看板和 Slack 机器人，底层是接入了 Snowflake、Linear 和 Notion 集成代理的 LangGraph Agent，运行 Claude Opus。Galow 现场提问：WorkOS 营销网站上哪些内容带来了最多新团队注册？Agent 跑完预检，判断需要查 Snowflake，在调用时刻拉取 schema 上下文，执行若干查询，约 90 秒后返回一张排名表。 更有意思的是接下来：他让 Studio 把这个答案封装成带时间切片筛选器的可复用 Widget。Widget 是声明式 JavaScript，直接调用底层 API。此后每次运行，LLM 完全不再参与，只是代码重新对 Snowflake 执行查询。屏幕上显示的结果是博客、更新日志和文档按注册转化率排名，并支持按内容分类筛选。 > *"Widget 就像一段沙箱代码，它本身就是 UI、API 调用和查询的集合，能驱动一个完整可用的工具。"* ## [07:34] Radar 客服 Widget：客服团队的自助工具 Galow 演示了第二个 Widget，专为 WorkOS 客服团队围绕 Radar（其反机器人安全产品）构建。以往客户问"这个用户为什么被拦截"时，客服要互传临时 SQL 或等数据工程工单。Radar Widget 让任何客服输入客户邮箱，Widget 在线重跑其固化的查询，返回完整的登录尝试记录以及每次是否被标记。 客服人员可以自己搭这些 Widget：一次性问题直接拿到答案；如果同一个问题反复出现，就做成 Widget 在内部共享。全程不需要平台团队介入。 > *"我们的客服团队，如果只是一次性问题，完全可以自己拿到答案；如果发现同一个问题问得很频繁，他们可以把它做成 Widget，然后分享给其他同事。"* ## [09:55] 三大支柱：预检序列、分层上下文、结果验证 可靠性这一节是整场分享的技术核心。Galow 列出让 Studio 能真正交给非工程师使用的三个设计决策。 **预检序列**——在做任何事之前，Agent 先跑预检：所有集成是否已连接？上下文是否足够回答这个问题？如果不够，先追问。每个数据源的 schema 上下文只在具体工具被调用的那一刻才注入，而不是提前全部塞进去，这样可以保持 context window 干净，留给真正的推理。 **分层上下文**——提示词栈分三层：基础层（Studio 默认配置）、组织层（共享规则）和工具编辑层（会话级上下文）。关键一点是，模型被明确告知不要相信自己对 WorkOS 产品的既有知识，因为训练数据会过时而产品迭代很快。它被要求去内部文档和实时数据源拉取信息。 **结果验证**——Agent 生成的每一条 Snowflake 查询，都要先执行一遍再固化进 Widget。一条语法合法的 SQL 可能返回零行；如果 Agent 没发现这一点，Widget 就会带着错误结果上线。先跑一遍，可以在变成用户看到的"真相"之前就捕获这类问题。 > *"我们告诉 LLM 专门不要相信它对我们产品的既有知识——有时模型的训练数据是过时的。我们的产品变化很快。所以我们明确告诉它：去一手来源，从我们的文档里查。"* ## [12:54] Q&A：Schema、治理、跨工具查询与权限控制 问答环节涉及三个实际设计问题。 **脏 schema**：有人问 Galow 在用 Studio 之前是否清洗了 Snowflake。他没有。复杂的关联——客户实体到用户，深达四层——只需在 Snowflake 上下文块里编码一次，LLM 从这段描述里学习数据库的"怪癖"，不需要整洁的 schema，也不需要 RAG 数据库或 schema 重写。但上下文块需要明确写入筛选字段的规范（例如"只拉未删除的实体"），因为模型会默默忽略这类条件。 **Widget 治理**：有观众提到信任问题——一个生成查询有偏差的 Widget 会成为没人质疑的"真相"。Galow 承认问题存在，但表示实际命中率足够高。把数据质量规则直接嵌入上下文块（活跃状态筛选、软删除保护）能消除大多数静默错误，剩余的偏差通常明显到足以被发现。 **跨工具 Widget 与架构**：被问到 Widget 是否能同时从多个工具取数，Galow 确认可以——一个 Widget 可以在同一界面同时调用 Snowflake 和 Linear。Widget 是 JavaScript，底层 API 调用各自独立，数据合并就是写代码。Widget 一旦生成就完全确定：刷新时不再调用 LLM，没有推理成本，没有结果波动。 **权限控制**：目前采用每人自己 OAuth 的模式（每位员工自行连接自己的 Snowflake 和 Linear 凭证），比较繁琐。WorkOS 正在通过自家的 Pipes 产品构建"组织连接器"——管理员统一配置连接，再由基于角色的规则管理每个用户的读写权限。 > *"最终产物在这方面非常可靠。Widget 生成之后，LLM 就不再参与了——除非我再回来说：'帮我改一下这个 Widget。'"* ## 实体 - **Garrett Galow**（人物）：WorkOS 产品负责人，Studio 的构建者和本次演讲者。 - **WorkOS**（组织）：面向开发者的企业平台，为 Cursor、Anthropic 和 OpenAI 等公司提供企业 SSO、反机器人（Radar）和第三方集成（Pipes）。 - **Studio**（软件）：WorkOS 内部自然语言工作台，允许任意员工查询 Snowflake、Linear 和 Notion 并构建可复用 Widget。 - **Snowflake**（软件）：WorkOS 内部主要分析数据仓库，云端数据仓库服务。 - **Linear**（软件）：问题追踪工具，作为 Studio 的数据源之一接入。 - **Notion**（软件）：知识管理工具，作为 Studio 的数据源之一接入。 - **LangGraph**（软件）：驱动 Studio LLM-工具交互循环的 Agent 编排框架。 - **Claude Opus**（软件）：Studio 内部使用的 Anthropic LLM，因其在查询编写和推理任务上的质量而被选用。 - **Radar**（软件）：WorkOS 的反机器人与欺诈检测产品，Radar 客服 Widget 是本次演示的核心案例。 - **Pipes**（软件）：WorkOS 的第三方集成产品，正在扩展以支持 Studio 内的组织级连接器。 - **Convex**（软件）：Studio 的会话状态存储，用于跨会话保留 Widget 和对话历史。 - **Widget**（概念）：Studio 的核心输出产物——声明式 JavaScript，直接调用数据源 API，每次刷新确定性执行，不再调用 LLM。 - **预检序列**（概念）：Studio 在回答查询前先运行工具连通性和上下文完备性检查，并在工具调用时按需注入 schema 上下文的做法。 - **分层上下文**（概念）：Studio 的提示词架构，叠加基础默认层、组织规则层和会话上下文层，并明确指示模型不要依赖其对 WorkOS 的过时知识。

Bornite Capital 创始人兼首席投资官 Dan Dreyfus 在 All-In Liquidity Summit 发表了一场节奏紧凑的 25 分钟演讲，核心论点是：铜与关键矿产——而非算力——才是 AI 基础设施、绿色能源、制造业回流与国防建设的真正瓶颈。他梳理了美国数十年来对实体基础设施的投资缺失，记录了中国去年四月切断稀土出口所引发的供应冲击，量化了惊人的铜缺口（未来 18 年的需求量等于过去一万年的总和），并指出美元贬值和电网脆弱性进一步为实物资产提供上行动力。Jason Calacanis、Chamath Palihapitiya 和 David Friedberg 就蓝领技工、能源结构以及如何在中国低价倾销中全身而退等议题进行了追问与反驳。 ## [00:00] 开场 Dreyfus 开宗明义，提出将贯穿全场的三段式论题：以用电量衡量人类文明进步、将半导体视为基础设施产业，以及推算世界实现技术目标所需的物质材料。他以概览作为铺垫——关键矿产、大宗商品、脆弱的基础设施，以及制造业回流、再工业化和国家安全为何需要数万亿美元的投入。 > *"我们试图弄清楚世界将走向何方，然后再弄清楚我们需要什么才能到达那里。"* ## [00:33] 美国轻资产时代终结，基础设施大清算已至 大约从 2000 年到几年前，美国依靠几乎零资本投入创造了 Dreyfus 所称的经济奇迹——Google、Meta、Apple、SaaS 平台、流媒体、外卖，无一需要大规模实体投资。代价是：美国同步拆解了自己的工业基础并将其迁往中国。此后每一次地缘政治冲击——新冠疫情、俄乌冲突、关税战、伊朗局势——都让通胀"像火箭一样"蹿升，根源相同：供应链毫无韧性。 如今，各大资本周期同时启动。波音和空客未来十年的订单积压高达一万亿美元；太空经济与它们争夺同样的材料。美国部分地区的电网已运行超过 106 年，几乎无力承载现有负荷——仅在加利福尼亚，晚上六点的集中充电高峰就可能压垮电网。数据中心每年消耗的基础设施与大宗商品价值已达一万亿美元。半导体制造产能正以 7500 亿美元的投入加速回迁本土——Dreyfus 认为这个数字"远远不够"。全球防务预算持续扩张。所有这些终端市场，他说，没有关键矿产一个都运转不了。 > *"这些终端市场有一个共同点：没有关键矿产，它们全都行不通。一个都不行。"* ## [05:38] 中国切断关键矿产出口，福特几近停产 去年四月，中国宣布对一批关键材料实施出口禁令：钐、钆、铽、镝、镥、钪、钇、铒、银——直接切断。影响立竿见影：福特汽车因失去钐钴磁铁，在数日内濒临全线停产。麦道公司面临同样危机。五角大楼和能源部陷入恐慌。 政府的应对方案：向美国和加拿大各地的小型资源企业直接递送一套三件套救援文件——一张股权支票、一份许可证（这些企业等了 20 年才等到的同一类许可证），以及一份附有保底价格的照单全收采购协议，用以保障可融资的收益预期。中国对关键矿产加工环节拥有绝对掌控权，Dreyfus 估计要实质性缩小差距需要 10 到 20 年——但正如他所说，"总得从某个地方开始"。 > *"这真的就是我所说的'似曾未见'时刻——一种从未有任何事像这样发生过的强烈感觉。"* ## [08:18] 铜：未来 18 年的需求量等于过去一万年的总和 铜是供需错位最直观的例证。每兆瓦装机容量，太阳能所需的铜是燃气轮机的五倍，风能是七倍。一座 1 吉瓦的 AI 数据中心需要 5 万吨铜，而美国计划每年新建 15 吉瓦，仅这些数据中心每年就将消耗 75 万吨铜。去年全球铜的供应增量只有 50 万吨。电动汽车进一步加剧压力：每辆电动车的用铜量是燃油车的五到六倍。军事消耗同样惊人——俄乌冲突消耗的炸药超过整个二战，炮弹由铜制成且几乎无法回收。 过去一万年的人类文明史中，我们共开采了 7 亿吨铜。按当前 GDP 增速轨迹（不含 AI 和绿色能源的额外需求），未来 18 年的铜需求将等于这一万年的总量。为此，每年需要有五座世界级一类矿山投产——而 2030 年前能开采的一类矿山屈指可数。智利现有矿山正在枯竭，新建一座铜矿需要 7 到 12 年。 > *"未来 18 年，我们需要的铜，和过去一万年开采的总量一样多。"* ## [12:00] 美元贬值、140 万亿美元债务与实物资产的胜算 覆盖供需之后，Dreyfus 加入了货币维度。美国联邦债务达 40 万亿美元，每年新增 2.5 万亿；加上医疗保险、医疗补助、社会保障和养老金等未兑现社会承诺的折现值 100 万亿，每年也在增长 2.5 万亿——而全年税收总额仅为 5.5 万亿。一旦下一次经济衰退到来，税收下滑而支出必须增加，美国将开印"超级美元"。1970 年代的剧本将重演：货币购买力缩水，那个十年表现最佳的资产类别，他留给观众自己回答。 Chamath 提到，他在 All-In 预测节目中已经选铜作为表现最强的资产——当时还没见过 Dreyfus。Dreyfus 补充说，他认为铜从当前价位翻倍是最低预期，并以钼从每磅 1 美元涨到 33 美元作为参照。 > *"大宗商品、实物资产和基础设施，会在那种环境下保护你的购买力。"* ## [13:50] 电网危机：停电、瓶颈与蓝领技工荒 Chamath 请 Dreyfus 展开他在后台说过的一句话：当前的基础设施投资勉强只能维持现有能源需求，完全没算上 AI 带来的增量。Dreyfus 确认：二战后，美国停止了对电网的加固。商业建筑电气化（热泵替代燃气锅炉）、电动车普及、用电设备增长本身就会导致停电和供电不足——AI 需求还叠加在这之上。 通胀真正藏身何处：不在发电侧（批发电价实际上在过去 20 年中实际下降），而在输电和配电成本，因公用事业资本支出推高了受监管资产基础而不断膨胀。所有这一切最根本的制约是蓝领技工——电工、焊工、管道工。美国告诉整整一代年轻人去读文科院校，而非技校，现在没有人来施工建设。 David Friedberg 问到采矿技术突破能否补上缺口。Dreyfus 区分了两种情况：稀土在地下储量丰富，开采技术在改善；而加工端则由中国掌握着将原矿转化为可用材料的核心技术。对于铜这样规模巨大且无处不在的大宗商品，任何单一技术都无法在短时间内解决规模问题。Jason Calacanis 指出，对抗中国与弥补蓝领技工短缺指向同一方向：再工业化将创造正是铁锈地带失业工人一直等待的高薪蓝领岗位。 > *"仅仅维持我们的日常生活，就已经会出现短缺。还没算 AI 的事。"* ## [19:10] 如何在大宗商品超级周期中投资而不被套牢 形势已为蓝领美国逆转：曾在 2000 年代因工厂迁往中国而失业的铁锈地带工人，如今从职业培训项目中以 15 万美元的入职薪资被招募。Dreyfus 说，重建所需的蓝领技工需求"几乎是无限的"。 Chamath 问如何在天然气、太阳能、核能之间配置资产。Dreyfus 的判断：美国天然气供应充裕；太阳能可以快速建设，但受制于银（年供应缺口 2 亿盎司，而地面库存仅 6 亿盎司，约三年即告罄）；核电瓶颈在于美国无法在国内制造安全壳。贯穿三者，原材料本身不是最紧的约束——建造发电资产所需的关键矿产才是。 Chamath 追问投资者在哪里最容易亏损：供应冲击、中国低价倾销、技术颠覆。Dreyfus 给出两步框架：第一，搞清楚供应链的卡点在哪；第二，确认这个卡点无法被新技术在一夜之间替代。铜两条都过。Jason 为观众归纳了可落地的操作结论——持有铜、银和关键矿产的敞口，以及围绕这些资产的服务商和劳动力提供商。 > *"你得搞清楚供应链的卡点在哪，这是第一条。第二条，确认你不会被技术颠覆。"* ## 实体 - **Dan Dreyfus**（人物）：Bornite Capital 创始人兼首席投资官；25 年大宗商品投资经验，在 All-In Liquidity Summit 发表演讲。 - **Jason Calacanis**（人物）：All-In Podcast 主持人；峰会主持人；代表 Launch Fund。 - **Chamath Palihapitiya**（人物）：All-In Podcast 主持人；Social Capital 创始人；曾独立预测铜为表现最强资产。 - **David Friedberg**（人物）：All-In Podcast 主持人；Ohalo Genetics；提出采矿技术创新的议题。 - **Bornite Capital**（机构）：由 Dan Dreyfus 创立、专注铜和关键矿产的投资公司。 - **铜**（概念）：核心大宗商品论题——AI 数据中心、电动汽车、绿色能源与军事应用的旺盛需求遭遇结构性供应短缺。 - **关键矿产超级周期**（概念）：航空航天、国防、数据中心、电动车和电网现代化同步带来的需求冲击，集中在需要 7 至 20 年才能推向市场的材料上。 - **美元贬值**（概念）：联邦债务加上未兑现社会承诺共计 140 万亿美元，为实物资产和大宗商品提供货币层面的上行动力。 - **蓝领技工荒**（概念）：电工、焊工、管道工的结构性缺口，是电网现代化和再工业化的核心瓶颈。 - **福特汽车**（机构）：中国切断钐钴磁铁出口后的典型受害案例——距全线停产仅差数日。

Every CEO Dan Shipper 在 Fable 5 公开发布前，获得了整整一周的内测资格。Fable 5 是 Anthropic 的 Mythos 级前沿模型。他用完之后，坦言自己被真正改变了。Every 的高级工程师基准测试给 Fable 打出了 91/100，而 Opus 4.8 只有 63 分，GPT-5.5 是 62 分。Dan 把这种提升描述为"曲速引擎"级别的飞跃——专为持续自主执行大型任务而生。模型速度慢、价格高、消耗 token 多，但对于需要编排多小时自主任务的人来说，目前没有任何模型能与之相提并论。 ## [00:00] 一条提示词，生成无限延伸的 3D 图书馆 Dan 以一个现场演示开场：一座完全可以漫游的 3D 版博尔赫斯《巴别图书馆》，六边形的长廊、忠实原著数学设定的空间结构、可用的书签功能，全部由一条提示词生成。他给 Fable 一行指令：读这篇小说，自己规划，然后端到端地交付一个可在浏览器中游玩的 3D 游戏。模型自主运行了三到四个小时，自我检查，最终交付。 > *"我用 Fable 5 写了一条提示词，就做出了这整个东西。Fable 5 是 Anthropic 的新模型。"* ## [01:22] 我们的 Fable 5 发布日评测 Dan 介绍了自己和 Every 的测评方式：他们用真实的生产任务亲手测试模型，涵盖编程、写作、设计和商业决策，然后报告实际效果。Fable 在发布前就积累了异乎寻常的热度，Anthropic 起初甚至表示它危险到不适合公开发布。内测一周后，Every 的判断是：这个模型确实与众不同。Dan 这次的目标，是拨开炒作的迷雾，呈现一幅真实的图景。 > *"我们已经用这个模型用了大概一周，所以可以稍微揭开一下面纱，让你看看与这个模型朝夕相处是什么感觉。"* ## [02:25] 什么是 Mythos 级别的模型 Mythos 是 Anthropic 新设立的顶级模型系列，在其产品线中位于 Haiku、Sonnet 和 Opus 之上。架构上并无新意，仍是同一个 Transformer 家族，只是规模更大。Anthropic 为此加入了严格的安全护栏，禁止用于网络攻击和生物技术场景，才得以公开发布。定价高昂：输入每百万 token 10 美元，输出每百万 token 50 美元，大约是 Opus 的两倍。Dan 用了一周后的结论是：这是他用过的最强大的编程模型，差距悬殊。 > *"它确实是我用过的、目前为止最强大的编程模型。"* ## [03:28] 高级工程师基准：91/100 Every 有一套自己的高级工程师基准：把一份真实的"随手糊出来的"生产代码库交给模型，要求它像高级工程师一样从头重写。Fable 之前的最高分是 Opus 4.8 的 63/100，GPT-5.5 以 62 分紧随其后。Fable 拿了 91 分，仅凭一条提示词就达到了人类高级工程师的水平。Dan 原本预计这个基准要六个月才会被突破，结果两周就发生了。 > *"Fable 在这个基准上得了 91 分。91/100。这和一个人类工程师只用一条提示词得到的分数一样。太离谱了。"* ## [04:12] 为什么用起来像曲速引擎 Fable 的核心优势在于能够在多小时的任务中持续自主执行。你给它一个目标，让它跑着，回来时已经大功告成。不像早期的 Claude 模型对什么都一口答应，Fable 会深思熟虑，在某件事做不好时主动推后，并且能在提示词宽泛的情况下贯彻执行复杂任务。Dan 的比喻是曲速引擎——不是瞬间传送，但能把原本需要几个月的事压缩到几个小时里完成。 > *"你可以给它设定一个远途的目的地，它会把通常需要几年或几个月的事，压缩到几个小时或几天。"* ## [06:10] 模型的短板在哪里 曲速引擎的比喻有两面：它不适合在城里跑短途。紧密的来回协作、快速提问、快速迭代，这些场景 Fable 都不擅长。它速度慢、价格贵、大量消耗 token。一个不那么直观的变通方法是：对于简单问题，把推理级别调到中档或低档，Anthropic 内部员工自己也是这么用的。没有一个够大够复杂的问题扔给它，这个模型就是大材小用。 > *"如果你想用它来真正协作、快速提问，或者处理需要频繁来回的事情，我觉得它并不擅长。"* ## [07:04] 用它搭建一个海德格尔讲座网站 Dan 描述了这样一个任务：他让 Fable 找到哲学家 Hubert Dreyfus 2007 年关于海德格尔的讲座，连 URL 都没给，然后把它们做成一个可消费的迷你网站。Fable 自己找到了这批讲座，为每讲写了摘要，搭建了一个同步播放器，音频播放时字幕实时高亮，加上章节导航、首字下沉和版式设计。Dan 评价这些排版选择"有真正的品味"，而不是千篇一律的模板输出。一条提示词，没有任何脚手架。 > *"这就是我说这个模型有真正出色的品味和细节把控时，我的意思所在。"* ## [09:05] 从用户数据里找增长机会 Every 有约 10,000 名付费订阅者和约 100,000 名免费用户，还积压着一批团队用 AI 分析了数周却始终没有得出清晰结论的调研数据。Dan 把这些全部喂给了 Fable。模型一次扫描后直接给出结论："你们有一个付费转化的营销问题。免费转付费的比例比正常水平低。"然后给出了一个可以验证的赌注：上线透明定价和试用优惠，转化率就会上升。这种综合解读，把调研回复、网站数据和产品现状放在一起看，是团队分析了好几周都没能浮现出来的。 > *"这是我期待一个非常优秀的增长人员，花大量时间深入思考和调研后才能做到的事。"* ## [10:35] 清空真实的 GitHub 积压工单 Every 的 agent-native Markdown 编辑器 Proof 会在 agent 使用过程中自动提交 bug，积累 GitHub 工单。Dan 把两周的未解决工单指给 Fable，让它关掉无关的，并为其余工单写 Rust 修复方案。Fable 横扫了整个积压，交出的补丁团队真的合并了。其他模型也能做到这些，但需要手把手盯着，一条工单一条工单地处理。Fable 直接批量完成。 > *"它就这样嗖嗖嗖嗖嗖嗖地跑完了。而且真的写出了我们合并进去的修复方案。"* ## [11:17] 哪些人真的适合用这个模型 Dan 很直接：Fable 现在并不适合所有人。按照 Every 的"AI 采用八级框架"，只有处于第 7、8 级的用户才能真正受益，也就是已经在编排多个 agent、手头积压着大型问题的人，通常是技术型构建者。对于还没有跑起 agent 工作流的知识工作者来说，会觉得大材小用；对于随手玩玩 AI 的用户来说，token 费用是实实在在的摩擦。Every 早期采用团队中，大约一半的人立刻感受到了回报，另一半还在朝这个工作流级别成长。 > *"使用它是一种技能。你需要接触到问题，并在一定的专业水平上工作，问题才会自然出现，它才能派上用场。"* ## [13:31] 其他模型还能赢在哪里 写作是最明显的差距：Fable 的文字厚重、文学性强、大段铺陈，适合理清结构性写作问题，不适合文案写作或日常句子级别的工作。Claude 用户做写作，Opus 4.8 依然更好。GPT 用户的日常首选还是 5.5。Dan 自己的日常驱动也是 GPT-5.5，用在占据大多数时间的快速来回对话上；Fable 留给大型生产冲刺。 > *"对我的日常来说，它甚至对我自己也有点大材小用。"* ## [14:26] 自动化之后，这意味着什么 Dan 以他的文章《After Automation》作为分析框架：自动化不会缩减人的工作量，反而会创造更多工作，这是一个悖论。Fable 遵循同样的规律：它抬高了非专家的能力下限，让一个随手写 AI 的人也能一键做出视频游戏；同时也拔高了专家的上限，让专家得以独自完成 AAA 游戏级别的项目。这种替代是真实存在的，Dan 说面对它感到不安是正常的，但按照能力曲线的走势，即便现在用不起 Fable 的人，在六到十二个月内也会获得这种能力。 > *"这个模型拔高了非专家的能力下限，同时也拔高了专家的上限。"* ## [16:02] 最终结论 Dan 以一个简洁的建议收尾：去读 Every 的完整实测体验，查看编程、写作和知识工作各维度的详细基准数据；去看《After Automation》了解更宏观的背景，然后找到你一直在回避的第一个大问题，把曲速引擎对准它。 > *"如果你对这件事感到兴奋，我最推荐的事情就是去用你的新曲速引擎。然后告诉我你做出了什么。"* ## 实体 - **Dan Shipper**（人物）：Every 联合创始人兼 CEO；本集唯一出镜者；在发布前内测 Fable 5 整整一周。 - **Every**（机构）：AI 原生订阅媒体公司，专注于用真实工作任务测评前沿模型；约 10,000 名付费订阅者。 - **Fable 5**（软件）：Anthropic 的 Mythos 级前沿模型；发布时在 Every 的高级工程师基准中得分 91/100。 - **Anthropic**（机构）：AI 安全公司；Claude、Opus、Fable 模型系列的开发者。 - **Mythos**（概念）：Anthropic 的顶级模型系列层级，位于 Haiku、Sonnet 和 Opus 之上；以扩展推理能力和高 token 成本为特征。 - **高级工程师基准**（概念）：Every 自研评测——模型从头重写生产代码库；满分 100 分；Fable 得 91 分，Opus 4.8 得 63 分。 - **Opus 4.8**（软件）：Anthropic 前代旗舰模型；基准得分 63/100；日常写作任务仍是首选。 - **GPT-5.5**（软件）：OpenAI 的同级前沿模型；基准得分 62/100；Dan 个人的日常快速对话首选。 - **Hubert Dreyfus**（人物）：美国哲学家；《计算机不能做什么》（1972）作者；海德格尔讲座网站演示中的主角。 - **Proof**（软件）：Every 的 agent-native Markdown 编辑器；用于 GitHub 工单清理演示。 - **After Automation**（概念）：Dan Shipper 的文章，论述自动化创造更多人类工作而非消除它；作为理解 Fable 更大意义的解释框架。 - **AI 采用八级框架**（概念）：Every 用于划分 AI 工作流融合深度的框架；第 7、8 级是 Fable 最能发挥价值的层级。

Google Ventures 创始 CEO、Section 32 创始人 Bill Maris 为 All-In 主播们分享了四条以数据为基础的职业心法：提前看见未来、敢于显得疯狂、永远不要押注计算机科学会失败，以及保持基金规模小。他随后将话锋转向对 OpenAI 的直接警告：Google 明天就能单方面把 token 价格砍掉 80%，让每一家非 Alphabet 系的基础模型创业公司的商业模式瞬间崩塌。谈到 AI 的走向，Maris 借用游戏来打比方，我们现在处于 Atari 命令行时代，而 PlayStation 10 时代将在五年内到来，推动这一飞跃的不是更大的模型，而是其下方的基础设施层。 ## [00:00] Bill Maris 加入 Besties！ 开场剪辑穿插了 Maris 几段核心论断：规模刻意控制在 1.5 亿美元的 Section 32 基金、以财务回报为首要标准的投资准则，以及 Sacks 对即将到来的 AI 世纪的定性。六段独立陈述各自成题，为整场对话奠定基调。 > *"规模更小的基金让我有能力在投资标的和招募的人才上都做到高度精挑细选。"* ## [00:33] 技术生涯中的四条关键经验 Maris 以演讲形式开场，梳理了三十年职业生涯中押注的四条经验。1997 年，他在一间壁橱里发现了一台服务器，脑子里随即浮现出从佛蒙特州公寓能托管多少网站的画面，随后辞去了华尔街的工作。三台服务器、合住的卧室、正午水管结冰的冬天，最终一场雷暴把他逼上屋顶，提着一桶焦油，退路全无。他把自己涂进了死角，选择救服务器而不是撤退，事后他得出的结论是：愿意显得彻底疯狂，是在别人之前看见未来的必要条件。 他借用 Stuart Butterfield 的幻灯片直观说明这一点：1989 年和 2005 年的总统就职典礼人群看起来毫无差别，到了 2009 年，几乎每双手里都握着相机，只除了一个男人，他正用笔记本电脑现场直播，周围的人一定以为他疯了。Maris 的结论是：值得押注的创业者，"掌握着一个大多数人还不相信的关于未来的秘密"。 > *"要看见未来，有时候你得稍微疯一点。在旁人眼中，你可能就是那个在雷暴里补屋顶的人。"* ## [05:58] 用数据和机器学习构建 Google Ventures 2007 年，Maris 被委以从零搭建 Google 风投部门的重任。他和联合创始人 Rich Miner（Android 联合创始人）走遍沙丘路学习风投技艺，随后把 Google 的数据优势转化为投资组合构建引擎。他们跑了数百万次模拟，以确定理想的基金规模和投资组合形态，而那时 Google 内部领导层还明令禁止使用"AI"这个词，坚持用"机器学习"，理由是"AI 会把人吓到"。 数据驱动的方式奏效了：GV 在 2009 至 2018 年间估计实现了 4.1 倍回报，Maris 亲自主导的投资项目回报还要更高。第三条经验在这里落地：不要押注计算机科学会失败。"把合适的计算机科学在合适的时机用到合适的问题上，你就会得到正确的答案。" > *"Bill，AI 是科幻小说，就算有朝一日能实现，也是一百年以后的事。我们还是专注在机器学习上吧。"* ## [09:51] 小 VC 基金为何平均跑赢大基金 Maris 直接摆出了数学依据：7.5 亿美元以下的基金在顶十分位中平均 DPI 为 4.76 倍，10 亿美元以上的基金平均只有 2.42 倍。7.5 亿以下区间占据了顶十分位表现者的 95%。这不是意识形态，而是退出算术问题。一只 70 亿美元的基金要实现 3 倍回报，需要产生 2100 亿美元的退出，这个数字在大多数年份超过了风险投资支持的并购和 IPO 总额。Friedberg 以"哑铃"理论提出反驳：早期小型工具加上为复利增长型公司配置的超大规模后期基金。Maris 认可复利逻辑，但质疑数据能否支撑这是可持续趋势，而非只是巨额退出时代的一次性现象，并清晰区分了 RAIA 式资产聚拢和专注型风险投资的本质差异。 > *"小基金跑赢大基金，这只是数学，不是我要说服你接受的观点。"* ## [14:36] OpenAI 的估值难题与 AI 价格战 这是对话中最锋利的一段。Maris 以一个直接的挑衅开场：如果他在掌管 Google，他会单方面把 token 价格砍掉 80%。Chamath 追问接下来会发生什么，OpenAI 和 Anthropic 将面临"超临界"式的营收压缩，溢价定价消失，商业模式假设崩塌。Jason 将其概括为"他们的利润就是我的机会"，Google 以资本为武器，就像 Uber 当年用补贴车费一样。 散户投资者的角度构成第二重指控：在 Maris 看来，公司长期保持私有状态，是在把价值创造从 99% 无法早期参与的普通人手中抽走，再通过被动 ETF 和标普 500 的豁免机制，把高估值的股票甩给 401k 持有人。他反对的不是晚期继续保持私有这件事本身，而是把财富集中策略包装成"造福人类"话术。Chamath 追问：随着 Founders Fund 等 AI 时代基金印出巨额倍数，风险投资回报的双峰分布会走向何方？Maris 指出，账面收益只有在有人接盘时才能变现，公开市场最终会把现金流折现的价格打进去。 > *"花了一万亿的支出承诺，只换来了 600 亿的营收，现在你要去公开市场，指望散户来接盘。"* ## [19:09] AI 的「Atari 阶段」：下一步在哪里？ Maris 用游戏打出了目前为止最清晰的比方。1980 年代的 Zork，脆弱、逐回合、输入"lamp"而不是"lantern"就会崩溃，在结构上与今天最先进的 AI 助手界面如出一辙。游戏从 Atari 命令行跳到物理真实、可沉浸的画面花了数十年；Maris 预计 AI 完成同等跨越需要五年，被软件迭代速度大幅压缩。 他押注的不是更大的基础模型，正如更好的故事情节并没有造就更好的游戏，真正做到的是手柄、物理引擎和 GPU。Section 32 正在投资基础设施层：环境计算原语、持久记忆、会话连续性，以及那些能解决 AI 当前脆弱性的底层机制。他还指出计算生物学是下一波相邻浪潮：他在 Google 联合创办的 Calico、New Limit，以及更广泛的长寿领域之所以具有吸引力，正是因为 AI 赋能的细胞模拟或许最终能压缩 FDA 临床试验周期，尽管他对近期速度持审慎态度，因为药物开发的大量工作发生在化合物确定之后。 关于美国科技人才流失，Maris 直言不讳：削减 CDC 和 NIH 经费、反科学政策，以及 H-1B 签证压力正在把人才推向中国等地，美国正在消耗它用数十年积累的神经储备。 > *"我认为我们现在处于 AI 的 Atari 命令行时代，而我们将在未来五年内进入 PlayStation 10 时代。"* ## [25:23] VC 激励扭曲与硬科技的未来 Sacks 加入结尾环节，把问题收归到基金策略：在当前格局下，等待在破茧期公司写出 5000 万美元支票，是否优于嘈杂的早期押注？Maris 认为激励结构在每个层面都已扭曲。一只 50 亿美元基金回报 1.01 倍仍能位居 75 百分位并募到下一期；GP 的绝对收益比一只 5 亿美元基金实现 3 倍回报还要高；而创业者通常会接受大基金给出的虚高估值，比如一家实际价值 1 亿美元的公司拿到了 40 亿美元估值下的 2.5 亿美元融资，因为大多数人还没被下游后果烫过。激励机制把所有人都推向管理规模最大化，而非回报最大化，这个钟摆终究会狠狠打回来。 > *"如果我管着一只 50 亿美元的基金，回报 1.01 倍，我赚到的钱会比 Bill 用他的 5 亿美元基金实现 3 倍回报赚得更多。这个激励也很奇怪。"* ## 实体 - **Bill Maris**（人物）：Google Ventures（GV）创始 CEO；Section 32 创始人，管理一只 1.5 亿美元的早期基金，已有六个顶十分位历史年份；同时以 Google VP of Special Projects 身份孵化了 Waymo、Google X 和 Calico - **Jason Calacanis**（人物）：All-In 联合主播；Launch Fund 创始人；主持 Maris 问答环节 - **Chamath Palihapitiya**（人物）：All-In 联合主播；Social Capital 创始人；就估值逻辑和风险投资双峰回报向 Maris 发起挑战 - **David Friedberg**（人物）：All-In 联合主播；Ohalo Genetics 创始人；GV 投资的第一家前 Google 公司（Climate Corp，以 10 亿美元卖给孟山都）；推动哑铃基金理论 - **David Sacks**（人物）：All-In 联合主播；Craft Ventures 创始人；以自身基金经历为收尾的 VC 激励讨论定下框架 - **Section 32**（机构）：Maris 当前的风险基金，六个历史年份平均约 4 亿美元规模，全部顶十分位；投资组合包含 CrowdStrike、Cohere、Coinbase - **Google Ventures / GV**（机构）：Maris 于 2008 年创立的企业风险部门；估计 2009 至 2018 年实现 4.1 倍回报；Climate Corp、Uber 等项目的早期支持者 - **OpenAI**（机构）：价格战讨论的核心；Maris 认为 Google 将 token 价格砍掉 80% 就能摧毁其营收模式 - **Calico**（机构）：Maris 在 Google 联合创办的长寿研究实验室；率先提出抗衰老论题，现由 New Limit 等机构继续推进 - **Atari 时代**（概念）：Maris 对 AI 当前成熟度的比喻，功能可用但脆弱，类比 GPU 和物理引擎改变游戏行业之前的 1980 年代文字冒险游戏 - **Token 价格战**（概念）：Google 可利用其成本结构压制 OpenAI 和 Anthropic，迫使营收压缩并动摇数万亿美元私有估值的论点 - **DPI**（概念）：已分配实缴资本，Maris 唯一信任的 VC 业绩指标；过滤掉账面收益，强制在真实流动性层面进行比较 - **Stuart Butterfield**（人物）：Slack 联合创始人；提供了 Maris 用于展示技术如何从边缘迅速普及的就职典礼人群对比照片系列 - **Rich Miner**（人物）：Android 联合创始人；Maris 构建 Google Ventures 时的第一位合伙人

海军战争学院历史学家 Sarah Paine（莎拉·佩恩）用一场独立讲座，梳理了两千年地缘政治逻辑：大陆型强权（中国、俄罗斯）以扩张边界、压制邻国来谋求安全，海洋型强权（雅典、英国、美国）则靠穿越开放海域的贸易积累繁荣。她认为，这一结构性分野根植于地理的硬约束，正是它解释了普京对乌克兰的战争、习近平对台湾的野心，以及为何二战后建立的规则型秩序是唯一能带来复利式增长而非复利式毁灭的安排。 ## [00:00] 历史背景 佩恩以一个核心问题开场：为什么有些大国不断抢占领土，另一些却不断开辟贸易航线？答案归结为一个物理事实——在海上保卫自己是否可行。海洋型强权能做到，大陆型强权做不到。这一条不对称，催生出两套截然不同的军事传统、两种经济模式，以及两种相互竞争的世界秩序愿景。 她以美国历史作为热身：美国最初是大陆型强权（昭昭天命、墨西哥战争、趁俄罗斯缺钱买下阿拉斯加），之后在 Alfred Thayer Mahan 说服战略家"海上贸易才是国家实力的真正来源"之后，转向了海洋型身份认同。佩恩随后介绍了为这场讲座奠定地图框架的三位地缘战略学家：Halford Mackinder（欧亚大陆腹地是天然要塞，海权无法触及）、Nicholas Spykman（控制边缘地带，就能影响腹地），以及他们共同指向的结论——美国的安全依托的是海上航线与联盟体系，而非边界线。 > *"海洋型强权是例外，大陆型强权才是常态。为什么？因为海洋型强权在必要时可以主要靠海军在海上自卫，而大陆型强权根本做不到——想想乌克兰，海军救不了他们对抗俄罗斯。"* ## [12:10] 大陆型强权 佩恩从中国——原型案例——讲起，再到俄罗斯，逐一梳理大陆型世界的内在逻辑。孙子的《兵法》里找不到任何海战的内容：它写于一个邻国随时可能从陆路入侵的世界，唯一可行的应对是庞大的陆军。地理说明了其余的一切：中国太多土地是垂直地形，无法养活人口，这使得控制可耕种的低地成为生死攸关的命题。汉族从黄河流域向外扩张的逻辑延续了数千年，剿灭准噶尔、收服西藏、留下北京至今仍以军政叠加管理的族群拼图。 俄罗斯的模式是同一动力的镜像反转——以莫斯科为核心，向外一圈圈扩张，直到遭遇打得回去的国家。由此形成的大陆安全剧本冷酷而自洽：不打两线战争、不留大国邻居、逐个解决威胁、压制崛起者、吞并衰落者、在中间维持缓冲带。佩恩用二战伤亡数字为这套范式的代价作了注脚：俄罗斯死亡超过2500万人（军民合计），美国死亡29.5万人。大洋天堑不是抽象概念，它是数十万与数千万之间的差距。 > *"在这个世界里，你面对的是二选一：要么汉化，要么被杀。在大陆战争中，失败者的命运就是种族灭绝。"* ## [29:12] 海洋型强权的另一条路 大陆型帝国把世界切割成各自排他的势力范围，海洋型强权则把大海视为可以共享的公共空间。佩恩梳理了从雅典到罗马（"地中海"意为"众陆之间的海"，"中国"意为"众国之中的王国"——一个以海为中心，另一个以陆为中心）、荷兰共和国，再到英国的传承脉络。Hugo Grotius 是荷兰人，眼见本国贸易遭到劫掠，写下《海洋自由论》，确立了大海不属于任何人、因此属于所有人的原则——这是国际海事法的奠基文献。 英国在拿破仑战争中将这套运营策略提炼成"猎象六法"：保持本国经济增长、封锁敌国贸易、资助在主战场正面迎敌的大陆盟友、寻找海上通道优于陆路通道的次要战场、绝不正面攻击敌方主力，直到大象被放够了血，再联合盟友一拥而上。其中最关键的结构性要点在于：能挡住入侵的海军以无形方式创造财富。滑铁卢之后英国复利积累了一个世纪的财富，大陆邻国却不停地烧钱养常备军、相互征战。这种无形的复利，跨越几代人之后，就是朝鲜半岛南北两侧今天的差距。 > *"贸易为海军提供资金，海军保护英国本土和部分贸易。而英国就这样在复利积累财富，它的邻国却忙着互相开战、不断损耗财富。"* ## [42:00] 工业革命如何改变了一切 工业革命把权力的来源从土地翻转为商业。当土地决定财富时，征服是合理的。一旦财富来自工业与贸易，领土扩张就变成了实实在在的负和游戏——你在争夺资产的同时也在摧毁它。苏伊士运河是佩恩最锋利的例证：埃及1967年沉船封锁运河以阻断以色列，但战略结果是全球航运转向绕过非洲的超级油轮，每吨运费降至三分之一。封锁一条咽喉要道，反而加速了海洋世界的效率。 Malcolm McLean 发明标准化集装箱，把货物装卸成本从接近每吨6美元压到不足20美分，ISO 随后统一了集装箱在卡车、铁路和船只之间的尺寸规格，运输成本大幅下降，由此引爆的贸易扩张让数亿人摆脱了贫困。习近平的"一带一路"倡议，佩恩淡淡地点出，穿越的是全球最不稳定的地带，需要在不兼容的轨距之间反复转运，且根本无法改道——这与海洋灵活性恰恰相反。中国自身的地理困局无可逃脱：近海水浅、岛链密布，战时就是杀伤区，意味着中国的商船队只有在和平时期才能抵达全球市场。 > *"一旦财富取决于商业、工业和贸易，土地就不再是财富的源泉。这颠覆了整个世界。看看今天，谁富谁穷，往往就看一个国家的工业化程度。"* ## [52:00] 普京为何要打碎这个世界 二战后的国际制度框架——联合国、国际货币基金组织、北约、世界贸易组织、欧盟——由亲历一战战壕和大萧条、又在二战中眼看自己子女赴死的那一代人建立起来。他们的结论是：让外交官和律师来解决分歧，因为派兵打仗的代价，远超任何可以想象的战利品。这套体系在工业化世界维持了75年和平，直到普京决定打碎它。 按大陆型逻辑，普京的挑战并非毫无理性：一个融入北约的强大稳定的乌克兰，在旧的范式下恰恰构成生存威胁。他的目标是掏空联盟体系、击碎国际法，让世界退回到交战的势力范围格局——一个大陆型强权可以再次按自己的规则行事、不受海洋型规则约束的世界。佩恩的回答是：制裁是"经济化疗"，每年压制一两个百分点的增长，复利计算几代人之后，这个差距就是朝鲜半岛南北今天的鸿沟。目标从来不是消灭流氓国家，而是以可承受的代价遏制它。唯一能避免核升级的出路，正是那一代人建立的：外交官、律师和国际机构。 > *"唯一的双赢解法，是让外交官和律师在国际论坛上把这些事谈清楚——因为如果我们都派士兵上场，就会迎来第三次世界大战外加核武跟进，到时候人类能不能撑下去还是个问题。"* ## 实体 - **Sarah Paine**（人物）：美国海军战争学院军事历史学家，本讲座唯一发言人，著有2025年大陆型与海洋型强权系列讲座。 - **Alfred Thayer Mahan**（人物）：19世纪美国海军战略家，主张海上贸易与海权而非领土征服才是国家强盛之本，与海军战争学院渊源深厚。 - **Halford Mackinder**（人物）：英国地理学家，1904年"枢纽地区"论断提出欧亚大陆腹地与海权隔绝，是天然的世界要塞。 - **Nicholas Spykman**（人物）：荷裔美国战略家，主张控制欧亚大陆边缘地带即可左右全球格局，1943年辞世前曾警告美国防范欧亚霸权。 - **Hugo Grotius**（人物）：荷兰法学家，国际海事法奠基人，《海洋自由论》（1609年）确立了海洋自由作为普世权利的原则。 - **Malcolm McLean**（人物）：美国卡车运输创业者，发明标准化集装箱，大幅压低货运成本，推动了战后贸易爆炸式增长。 - **大陆型强权**（概念）：无法主要依靠海军在海上自卫的国家，优先追求领土扩张、维持大型陆军、设立缓冲区、构建排他性势力范围，以俄罗斯和中国为典型。 - **海洋型强权**（概念）：能够主要依靠海军在海上自卫的国家，优先推动贸易、维护开放海洋公共空间、构建联盟体系、积累复利财富，以英国和美国为典型。 - **规则型国际秩序**（概念）：二战后建立的国际制度体系（联合国、国际货币基金组织、北约、世界贸易组织、欧盟），以主权与自由贸易为核心，普京与习近平正寻求将其瓦解。 - **美国海军战争学院**（组织）：美国海军研究生院，位于罗得岛州纽波特市，佩恩在此执教24年，是马汉海权理论的发源地。

Palo Alto Networks CEO Nikesh Arora 在入职第八年接受 All-In Besties 采访——他主导公司市值从 170 亿美元增长到 2380 亿美元。三十分钟里，他阐述了三个相互咬合的判断：AI 驱动的漏洞发现已经把数年的安全工作压缩进数周；分析型 SaaS 在结构上已走向终结；模型将日用品化为基础设施层，真正的利润会聚集到掌控 harness、记忆和替代 TAM 的应用公司手中。 ## [00:00] Palo Alto Networks CEO Nikesh Arora 做客 Besties！ Chamath 开场指出，Palo Alto Networks 市值已突破 1000 亿美元——在这个门槛上，公司再次十倍到万亿的概率统计上更高。Nikesh 以本周满八年 CEO 为节点，将 AI 定位为最新一轮民主化浪潮，而非炒作："我在 Google 工作了十年，Google 搜索在民主化信息。AI 是在民主化智能。"他认为最切实的近期影响是组织一致性——让 5000 名面向客户的员工表现得和最优秀的那一个一样稳定——而不是直接裁员。 > *"AI 在民主化智能……我可以让 5000 人在与客户交互时几乎保持一致的水准。"* ## [00:47] Claude Mythos 用数周找出了 Palo Alto 代码里要花数年才能查清的漏洞 Nikesh 描述自己是最早一批获得 Anthropic Claude Mythos 模型使用权的企业用户，并将其对准 Palo Alto 自身代码库跑了六周。结果：相当于五到七年安全审计的工作量被压缩进这个窗口，成本仅数百万美元出头。他解释，Mythos 的"超级模式"——持续扩展思考——能把单个漏洞串联成完整攻击路径，这是人工红队极少能在规模上做到的事。他主动提到一个代价：30% 的误报率，使这个工具在进攻端（找漏洞）有效，但在自主防御上还不够成熟。Jason 问及不加限制公开发布是否会引发真实攻击；Nikesh 估计，Mythos 级别的能力距离开源最多三个月，并以 DeepSeek 4.8 和 5.5 作为已接近同等能力的参照。 > *"六周内我们找到的漏洞，正常情况下需要五到七年才能发现。"* ## [05:15] 网络防守方正在输掉对抗 AI 攻击者的竞赛吗？ David Sacks 点出核心矛盾：AI 同时是最强的攻击工具和最强的防御工具，双方的竞赛决定了企业风险。Nikesh 说防守方目前处于劣势——不是关键基础设施被攻破，而是 89% 的入侵仍然源于对普通目标（比如小型医疗机构）盗取凭证。他以 Change Healthcare 勒索攻击为例，说明真正的威胁原型：一家票据交换所遭到入侵，迫使 United Health 向医疗机构紧急垫付数十亿美元。国家安全级别的基础设施有预算和人员应对；全国数百万家跑着老旧套装软件的小机构没有。他的结论是没有银弹——整个行业将花数年时间修补积累的技术债，这从结构上放大了 Palo Alto 业务的终值。 > *"89% 的攻击之所以发生，是因为凭证被盗……我担心的是全国那些小机构，它们在用某款老套装软件。"* ## [06:50] 分析型 SaaS 已死，谁能扛过 AI 浪潮？ Nikesh 把 SaaS 栈拆成三类，命运迥异。分析型 SaaS——任何以"我们收集你的数据并为你分析"为价值主张的产品——已经结束，因为把模型直接对准原始数据可以产出同样的分析，不需要 SaaS 中间层。他举了一个现场例子：一家供应商在续约时以许可证要挟 Palo Alto，结果被替换为直接用 LLM 跑底层数据。基础设施软件（Databricks、Snowflake、MongoDB、Oracle）被低估——未来三年内企业需要当前十倍的数据存储量来喂养 AI 系统。记录系统（Salesforce、Oracle ERP）在中期内因为深度嵌入而得以存续，但其 UI 层会最先消失，因为 agent 正在取代人工数据录入。Jason 用自己投资组合里的案例印证了这一判断：一个 20 席的 SaaS 产品、登录量接近于零，被压缩成三个通过 Slack 接入 Claude 的账号，账单降低了 90%。 > *"如果你是分析型 SaaS 公司，游戏已经结束……我直接用 LLM 对着数据跑就好了。"* ## [14:06] 模型成为基础设施后，钱会流向哪里？ Nikesh 不认同"OpenAI 会成为下一个 Microsoft Office"的判断。他认为模型会日用品化为按需智能的基础设施——花 10 美元买 120 智商的推理，花 1 美分处理一个常规客服电话——利润池会集中在应用层而非模型层。他以 Codex 和 Claude Code 为例，证明实验室自研的编程应用在营收增速上已经超过底层模型。他认为真正的空白在于：大多数企业垂直领域的 agentic 应用层还没有被发明出来——5 万家公司都需要同一套 AI 原生的人力资源或销售系统，各自从头搭建效率极低。他还提到误报问题是被严重低估的瓶颈——Mythos 30% 的误报率在研发中可以接受，但在生产环境中不可接受；把这个数字降到 1% 以下，才是把一个有能力的模型变成可部署产品的工程核心。另外，他否定了封锁强力模型的想法，指出目前领先模型的全部权重已经能放进一个 U 盘，并可在 48 小时内完成蒸馏。 > *"利润池在应用层，不在模型层……大多数公司根本不知道怎么用这些模型。"* ## [20:35] CEO 点评局：Nikesh 评 Waymo、Google 和 OpenAI Chamath 带着 Nikesh 做了一轮 CEO 点评。关于 Waymo：车子是好用的，公司应该更快地扩展到更多城市。关于 Google：被低估，很可能成为他有生之年第一家市值达 10 万亿美元的公司——三大超大规模云厂商拥有在企业侧真正需要的销售力量，这是纯模型实验室所欠缺的资产。关于 OpenAI：他们需要卖得更快；Anthropic 的年化经常性收入增速更快，很大程度上因为 Anthropic 全面押注企业市场，以及 Claude Code 的爆发。他提到 Anthropic 已经面向 CISO 用户发布了正式可用的网络安全能力模型。David Friedberg 因此前对职业 CEO 的点评获得部分平反——他称 Nikesh 为"黑客帝国里的 Neo"异类，一位以创始人般的力度承担所有权风险的职业 CEO。 > *"Google 将成为我们有生之年第一家市值达十万亿美元的公司。他们拥有让这一切成功所需的全部资产。"* ## [28:22] Palo Alto 的并购打法与通往万亿市值之路 Chamath 问 Nikesh，在公司向万亿市值迈进的过程中如何保持并购纪律。他描述了两个阶段：早期收购是产品补强，把产品接入 Palo Alto 的销售引擎，在两年周期内复利叠加每客户营收；最近以 250 亿美元完成的身份安全收购（本次录音前三个月落地）则体现了一个判断——agentic 身份将成为下一个攻击面。第三阶段围绕运营杠杆正在成形：如果 Palo Alto 能做到毛利率 90% 出头、净运营利润率 40-50%，而竞争对手做不到，那么几乎任何相邻收购都能带来增益，只需接入这台更高效的机器。他最后给出一个反直觉的人员判断——技术侧员工数量其实在增长而非缩减，因为业务的每个部分都在同时要求 AI 驱动的改造。 > *"如果你能破解这道题——运营最高效的企业——那你买什么都不重要了。"* ## 实体 - **Nikesh Arora**（人物）：Palo Alto Networks CEO，任职八年；前 Google 首席商务官、软银总裁；Uber 董事会成员。 - **Chamath Palihapitiya**（人物）：主持人；Social Capital 创始人；本集主要采访者。 - **Jason Calacanis**（人物）：主持人；LAUNCH 创始人；联合采访人。 - **David Sacks**（人物）：主持人；Craft Ventures；在第三章中提出攻防竞赛框架。 - **David Friedberg**（人物）：主持人；The Production Board；补充了误报/漏报框架；挑战了创始人与职业 CEO 的界定。 - **Palo Alto Networks**（组织）：网络安全公司；录制时市值 2380 亿美元；在 Arora 任期内从 170 亿美元增长至今。 - **Anthropic**（组织）：AI 实验室；Claude 和 Claude Mythos 的开发者；已面向企业安全推出正式可用的网络安全能力模型。 - **Claude Mythos**（软件）：Anthropic 的扩展思考模型；Palo Alto 用其在六周内查出了正常需要五至七年才能找全的代码漏洞；误报率约 30%。 - **Claude Code**（软件）：Anthropic 的编程 agent；与 OpenAI Codex 并列，被引为应用层营收增速超越模型层的典型案例。 - **Waymo**（组织）：Alphabet 旗下自动驾驶公司；Arora 认为车辆能力已经可以，但地理扩张速度太慢。 - **Change Healthcare**（组织）：医疗数据交换机构；遭勒索软件攻击后迫使 United Health 向医疗机构紧急垫付数十亿美元——被引为 AI 时代典型威胁路径。 - **分析型 SaaS**（概念）：以收集并分析客户数据为核心价值的软件品类；因 LLM 可直接对原始数据完成同等分析而在结构上走向终结。 - **替代 TAM**（概念）：Arora 偏好的并购视角——收购进入客户已有预算分配的存量市场，比开拓全新市场的销售动作更高效。 - **误报率**（概念）：AI 标记的安全发现中最终被证明无效的比例；Mythos 30% 的误报率是 Arora 论证模型在企业部署前仍需 harness 和领域微调的核心依据。

独立科技分析师、a16z 前合伙人 Benedict Evans 与 Erik Torenberg 对谈，复盘 AI 过去一年真正发生了什么，以及哪些问题至今仍没有答案。智能体编程已从"勉强好用"跃升为真正改变格局的力量；其余领域依然在摸索。Evans 援引移动数据、PC 时代平台演变和半导体经济学，梳理为何基础模型可能最终沦为基础设施商品，这对 SaaS 意味着什么，以及最重要的问题已经从技术圈转移到法律、咨询和广告等行业。 ## [00:00] 开场 Evans 开门见山：智能体编程"从勉强好用变成了真正改变一切"——这是他核心论点的预告，即编程是 AI 目前唯一拥有真正产品市场契合度的领域，二十年后这些今天看起来像魔法的东西将成为理所当然。Torenberg 点出 Evans 是广受阅读的《AI Eats the World》报告的作者，将这场对话定位为去年版本的更新。 > *"智能体编程从勉强好用变成了真正改变一切。"* ## [00:44] 过去一年发生了什么变化 Evans 指出的核心转变：产品策略已经分化，竞争张力已超越原始算力规模，编程成为无可争议的突破性应用场景。OpenAI 在 2024 年下半年试图同时做所有事情；Anthropic 资本较少，押注编程——结果证明是正确的。但软件开发之外，两三年前的那些根本性问题依然没有答案：没有人知道模型提供商之间是否会产生赢家，模型能否在技术栈更高层捕获价值，也不知道以当前技术水平消费者每天能用多少。 谈到劳动力问题，Evans 很直接："我认为我们什么都没学到"——六个月前还不管用，需要几年才能看清楚。他指出编程热潮让此前停留在理论层面的问题变得真实：当你自动化掉初级工程师做的工作，实际上会发生什么？你一开始雇这些人是为了完成什么任务？ > *"我们不知道模型之间会不会出现赢家。我们不知道它们能否在技术栈上层捕获价值。我们不知道模型究竟能做到什么程度。"* ## [05:53] OpenAI 与 Anthropic 的战略分歧 Evans 把 OpenAI 2024 年下半年的姿态概括为："问 ChatGPT 给出 15 个在基础设施之上构建价值的点子，然后全部去做。"Anthropic 聚焦编程的策略——不管是有意为之还是歪打正着——事后来看更明智。但即便编程跑通了，硅谷工程师整天用 Claude Code 和那 40% "上周用过 AI 做某件事"的普通用户之间，依然横亘着巨大的鸿沟。软件跨过了这道鸿沟，大多数其他领域还没有。 他给出一个具体的反例：一家大宗商品企业用 LLM 来改善现金流预测，通过预判小生产商的付款时间来优化发票管理。这是高价值、低曝光的企业级应用，与消费级 AI 产品市场契合度毫无关联——提醒人们，企业点解决方案和消费级 AI 是两回事。 放眼平台发展史：早期 PC 和早期互联网都有显而易见的首批用户（也就是构建技术本身的人），以及"令人兴奋"与"只需按个按钮"之间的那道鸿沟。AI 正处于同样的阶段。类比并不精确，但结构上有参考价值。 > *"在极度令人兴奋的东西，和愿意投入精力把它弄通的少数人，与只需按个按钮就能用的产品之间，存在一道鸿沟。"* ## [10:31] 定价压力与平台历史 Evans 在整场对话中画出了最贴切的平行线：当前 AI 的定价压力与 2009—2010 年前后的移动数据高度吻合。AT&T 推出 iPhone 时配套不限量数据套餐，大家都买了 iPhone，3G 铺开，结果账单爆炸（出现上万美元的意外账单）和无限流量用户把网络打崩两件事同时发生。行业最终解决了问题——封顶套餐、公平使用降速——但这个过程揭示了移动数据就是基础设施商品。移动流量在十五年内增长了 1500—2000 倍，电信股却原地踏步，所有有趣的东西都是别人建的。 同样的问题悬在 LLM 头上：模型能独立完成整个任务，还是需要在它之上建 300 个应用？如果基础模型就是基础设施——以边际成本出售、三到六家前沿提供商竞争、部分还被谷歌这样的广告业务交叉补贴——定价权从哪里来？芯片层（Nvidia）和操作系统层（Windows、iOS）在过去的技术周期中捕获了价值；ISP 和电信运营商没有。模型目前更像后者：没有网络效应，没有锁定，对上面建什么也没有杠杆。 > *"移动网络运营商没有捕获价值。Windows 和 iOS 捕获了——但它们做的是另一回事，它们有一整套向上延伸技术栈的杠杆。当然，它们也有网络效应，模型没有。"* ## [22:48] 编程之后是什么 这一节对不确定性最为坦诚。Evans 梳理了他认为接下来真正要紧的问题：够用的廉价模型在什么时候会取代前沿云端模型（苹果的端侧算力推进是最明显的试验场）；AI 重构专业服务金字塔（律所、咨询公司、投行）究竟意味着什么——这些问题只有深度了解那些行业的人才能回答，不是硅谷能给出答案的；以及哪些此前成本过高的事情现在变得触手可及。 他用 Netflix 的类比：对 Netflix 真正重要的问题是洛杉矶的问题，不是旧金山的问题。同理，AI 对法律意味着什么，是律师的问题；它对好莱坞意味着什么，是本·阿弗莱克的问题。 与过去平台转型的结构性差异在于：1995 年你知道物理约束——不是所有人下周都能用上宽带，PC 要三千美元。生成式 AI 则不同，你不知道约束在哪：今晚一条推送通知就可能宣布某个价格只有今天 2% 的模型。这根本改变了你对"什么是可能的"的思考方式。 说到广告和电商，Evans 看到了具体的近期转变：今天的广告系统认识 SKU 和购买关联，但不理解商品本身是什么。原生 LLM 系统会理解。这也是为什么谷歌和 Meta 的广告收入已经在加速增长——他们正把这项能力融入推荐和广告定向引擎。更具想象力的版本是完整的风格与场景推荐；Evans 认为这已经是可行的，不再是科幻。 > *"我们现在在 1997 年，我在试图预测 Uber 和 Airbnb。如果我们真的能预测会发生什么，我们就活在另一个平行宇宙里了。"* ## [38:18] AI 与企业软件的未来 Evans 对企业软件的基本判断：构建成本会更低、速度更快，竞争会更激烈，定价结构会改变——但改变成什么样还不知道。他把现有的企业软件版图分成三类：大型水平平台（SAP、Workday、CRM）、垂直 SaaS 应用（一家典型的大型美国企业有 300—400 个）、以及 Excel、电子邮件和共享文件系统拼出来的"中间地带"。 AI 是这个版图里的另一个选项，不是对它的替代。核心架构问题在于：LLM 是坐在技术栈底层（作为 Salesforce 内部的智能功能），还是坐在顶层（整合 Salesforce、Workday、邮件和分析数据，产出任何单一工具都无法实现的结果）。答案可能两者都有，取决于具体场景。 他更宏观的观点：SaaS 给企业带来了多一个数量级的软件。AI 大概率会再来一次。部分 SaaS 公司会被淘汰；投资者不知道是哪些，所以现在很难给整个板块统一打折。更隐性的挑战在于，组织内部真正驱动价值的往往是没有记录在案的、隐性的、埋在组织架构政治里而非书面流程中的东西——恰恰是麦肯锡靠收费来梳理的内容，也恰恰是很难写进 Claude 技能里的东西。 > *"这里真正重要的问题——正确的做法是什么、人们为什么没有执行战略——是组织管理层面的问题，很难写下来，也很难封装进一个 Claude 技能。"* ## [48:43] 资本开支问题 微软、Meta 和谷歌各自在 2026 年的资本开支均有望超过营收的 50%——这个比例让电信行业（营收的 15—20%）都显得保守。四家大厂合并指引约 7000 亿美元，大致相当于全球油气行业的资本开支总量。Evans 认为这里没有清晰的 ROI 答案；诚实的表述是：这是生死存亡级别的 FOMO——你不能让对手跑掉，因为如果他们跑掉了，而这真的是算力的未来，你的公司就失去了存在意义（参见 2000 年代的微软、1990 年代的 IBM、2010 年代被苹果挤压的 Meta）。 ROI 的衡量困境让问题更复杂。目前有据可查的 AI 生产力提升——更好的分析、更快的幻灯片、更及时的客服响应——很难转化成财务数字。用 AI 开辟新的营收线需要更长的时间。还有一个消费者剩余效应：如果一份 DCF 分析以前要一周，现在十秒就出，你会做五十份，但大概没办法因此多收费。生产力提升通过价格竞争消解掉了。 > *"我们不可能每年在 AI 基础设施上花 10 万亿美元，因为根本就没有那么多钱。物理定律给可投入的资金设了上限。"* ## [55:07] 模型会变成商品吗？ Evans 澄清了自己的真实立场：他不是在断言商品化是事实，而是在呈现一条论证链，请人来反驳。前沿模型之间没有可持续的差异化，没有网络效应，对技术栈没有杠杆，三到六家提供商各自有不同的成本结构和商业模式动机。移动行业的类比再次出现：建造了关键的全球基础设施，流量增长 1500 倍，却没有捕获价值——谷歌、Meta、亚马逊和苹果合计创造的利润超过整个电信行业。 基础模型实验室面临的现实问题：编程是一门好生意，或许价值万亿美元的生产力。但如何从软件扩展到更广泛的经济？这就是你最终要和贝恩、麦肯锡、埃森哲、印孚瑟斯合作的原因——因为如果你在经营一家真正的公司，弄清楚该怎么用这些技术本身就是一件很难的事。Evans 以 1950 年代初的 IBM 广告收尾：一张工程师手持计算尺的照片，配文"一台 IBM 电子计算机让你多出 150 名工程师"。每一代技术都感觉前所未有，二十年后却只是"计算机一直以来就是这样工作的"。 > *"这将是魔法。二十年后，我们只会说：'当然是这样，计算机一直都这么做。'"* ## 实体 - **Benedict Evans**（人物）：独立科技分析师，《AI Eats the World》报告作者；Andreessen Horowitz 前普通合伙人。 - **Erik Torenberg**（人物）：主持人；Andreessen Horowitz 合伙人，专注消费与内容领域。 - **OpenAI**（机构）：基础模型公司；2024 年下半年被描述为采取了"全面开花"的宽泛产品策略，之后才聚焦编程。 - **Anthropic**（机构）：基础模型公司；较早押注编程并获得产品市场契合度；Claude 的开发商。 - **Claude**（软件）：Anthropic 的 LLM 和智能体编程助手；被引用为具有强产品市场契合度的编程工具。 - **Nvidia**（机构）：AI 硬件层当前的价值捕获赢家；与过去平台周期中捕获价值的基础设施提供商类比。 - **a16z / Andreessen Horowitz**（机构）：主办本播客的风险投资公司；Evans 是前合伙人。 - **SAP / Workday / Salesforce**（软件）：企业水平平台，用于说明现有 SaaS 版图以及 LLM 在其上下层的定位。 - **杰文斯悖论**（概念）：经济学原理——投入成本下降往往带来总消费量上升而非总支出减少；Evans 用它追问：AI token 变便宜是带来更多用量，还是只是账单降低？ - **基础模型商品化**（概念）：Evans 的核心论题：缺乏网络效应、差异化和技术栈杠杆，前沿 LLM 在结构上更像基础设施商品（电信、ISP、芯片代工厂），而非捕获持久价值的平台操作系统层。 - **移动数据定价危机**（概念）：2009—2010 年类比——iPhone 不限量套餐与 3G 视频流量碰撞，账单爆炸与网络崩溃同时出现；Evans 认为这是与今天 AI token 定价失衡最贴切的结构性类比。

Claude Code 的创始人兼负责人 Boris Cherny，以及产品负责人 Cat Wu，共同回顾了 Claude Code 的第一年——从一条只收到两个 emoji 回应的 Slack 演示，到如今每天运行数千个自主 agent。两人聊到了他们对验证的理解、auto 模式如何取代 plan 模式、routine 如何消灭整类手工工程工作，以及从"我来写代码"到"我来驱动一个 loop"这一转变，如何在短短 18 个月内完成了两次平台级跃迁。 ## [00:00] Claude Code 的起源与演变 Boris 回忆起把第一版 Claude Code 演示发到 Slack 时，只收到了两个反应。一年后，他的工作流已经是"agent 军团"——一个 loop 驱动 agent，agent 再驱动 agent，形成上千节点的树状结构。让这个工具走到今天的核心原则是：每次 Claude 出错，不要只修正这次输出，而是把解决方案写进 CLAUDE.md 或封装成 skill，让 Claude 从此可以无人值守地持续运行。 > *"每次 Claude 出错，我不会让它换个做法——我让它把解决方案写进 CLAUDE.md，或者做成一个 skill……只要你能做到这一点，Claude 就可以一直跑下去。"* ## [01:10] 如何让 Claude 擅长验证 Boris 和 Cat 都反对把"验证"窄化为 lint、类型检查和单测——那些在 agent 出现之前就已经自动化了。真正的 agent 验证，是让 agent 能实际运行被测软件。Boris 提到用 Opus 4 时的一个转折点：让 Claude 开发一个功能，然后自己打开 CLI 测试自己——当时觉得"太疯狂了"，现在已是基本要求。Cat 目前的做法是：用一个桌面开发 skill，让 Claude 启动本地桌面应用，通过 computer use 点击 UI、触发边界情况，发现新的失败模式后自己更新这个 skill。 > *"我让它读 Slack，判断：当前 staging 是不是挂了，或者有没有人已经踩过这个坑。然后等它把整个问题调试完，我让它把结论更新到桌面开发 skill 里。"* ## [03:14] 角色融合：Claude Code 走向工程师之外 Boris 讲述了第一次看到设计师开 PR 时的心情——从一开始的警觉，到看了代码之后觉得"行，没问题"。Cat 观察到，在众多企业客户中，工程师最先用起来，然后周边角色也开始凑过来：设计师直接在应用里做原型，PM 亲手上线改动，财务团队在 Claude Code 里跑测算，数据科学家让它常驻屏幕。 > *"感觉各种角色都在融合。"* ## [04:48] 用 routine 处理 CI、代码审查等工作 Cat 描述了团队里一位 Claude Code 深度用户：他上线了语音模式，然后建了一个 routine，监听该功能相关的所有 GitHub issue 和 bug 报告，自动起草修复方案并发 PR。后来他又扩展了 routine，专门盯着五小时内没有回应的 bug。Cat 自己也有过类似经历：她上线了一个小功能，留了一个边界 bug，有人提了 issue，但她还没来得及看，当天晚上 Claude Code 就告诉她"另一个 Claude 已经修好了"。Boris 补充说，routine 现在已经接管了所有代码审查，负责盯 PR、做 rebase、响应 CI 失败，他自己已经很久没有手动做这些事了。 > *"他还有另一个 routine，专门找五小时内没人回应的 bug 报告，自动提一个修复，然后他把容易验证的直接合掉。"* ## [06:43] Boris 最常用的功能：auto 模式 Claude 4.6 发布后，Boris 就不再用 plan 模式了；到 4.7，明确的规划步骤已经没有必要。他现在直接用 auto 模式启动 agent，然后转去做下一件事，不再盯着看。这一转变的根源在于早期的权限提示模型——每次工具调用都要审批——和 auto 模式的本质差异。auto 模式把可疑操作交给分类器处理，而不是逐条问人。当 99% 的提示都是无害的，人的注意力会涣散，真正危险的那一条就容易漏掉。auto 模式把注意力集中到真正值得关注的少数情况上。 > *"auto 模式比一条条审批权限提示更安全，因为你只需要关注最重要的事，而不是被一堆 99% 都会选'是'的提示轰炸。"* ## [08:10] 保护 auto 模式：红队测试与 eval 把 auto 模式推给用户之前，需要先建立信任。Cat 介绍了整个过程：收集数千条完整的 agent 执行轨迹和对应的权限提示，让 auto 模式分类器对每一条打标，确认准确率"极高"，再引入红队人员对代码库发起提示注入攻击。每一次成功的攻击都变成一个 eval。内部团队各自尝试注入，挖出更多盲区。最终产出的模型，不仅能抵御已知的野外漏洞，还能抵御团队能构造出的最复杂的对抗性攻击。 > *"这不只是防御今天已知的漏洞，而是抵御我们能构造出的最智能的攻击。"* ## [10:24] 为什么 loop 是下一个飞跃 Boris 把过去 18 个月总结为两次平台级跃迁。第一次：停止直接写源代码——改成和 agent 对话，让它来写。第二次，正在发生：停止直接和 agent 对话——改成和一个 loop 或 routine 对话，让它替你驱动 Claude Code。事后看两次跃迁都显而易见，但从工程思维出发，当时都很难看清。 > *"我不再直接和 agent 说话了。我和一个 loop 说话，或者和一个 routine 说话，让它帮我去 prompt Claude——这真的太离谱了。"* ## [11:06] 工程组织与职责正在如何改变 Boris 援引 1990 年代《哈佛商业评论》的一篇文章——那篇文章追问为什么公司从个人电脑上看不到生产力提升，答案是：电脑必须成为所有业务流程的中心，而不是放在纸质档案柜旁边的附属工具。在 Anthropic，新员工遇到问题不去问同事，而是问 Claude Code。最快理解 AI 价值的公司，都是把它放在运营核心的公司。Cat 补充说，电脑革命花了 10 到 15 年；AI 的压缩要快得多，因为工作本身已经数字化，而 Claude Code 既能写代码又能运行代码。 > *"你必须把档案柜扔掉。把所有纸张和笔都扔掉，然后把电脑放到中心，所有事情都得从电脑过一遍。"* ## [13:30] 未来属于产品还是工程？ Boris 的答案：两个角色正在合并为一个。Claude Code 产品团队人人写代码，开发者关系团队人人写代码，设计师写代码，工程师现在从头到尾地交付产品——定义想法、动手开发、协调法务、市场和安全，把产品推向市场。目前受益最大的是那些好奇心强、产品品味好、愿意端到端负责的人。 > *"AI 真的非常有利于那些好奇心旺盛、有很强产品品味、喜欢端到端拥有所有权的人。"* ## [14:20] 管理数百个 agent：agent 视图、语音模式与 Remote Control 几个月前，Boris 的多 agent 工作方式是：6 个终端标签页、6 个 git checkout、手动切换上下文。现在：1 个标签页，新的 agent 视图，桌面应用自动处理 worktree 克隆。意想不到的变化是：他大约一半的工程工作现在通过手机的 Remote Control 完成。他在桌前启动任务，起身去倒咖啡，拿手机看进展，随手启动新的 agent，遇到新想法就直接用语音模式口述。Cat 注意到，有连续两天 Boris 的笔记本一直放在桌上没动，他却在持续合 PR——他说他是在沙发上写代码。 > *"我去倒咖啡，然后顺手看看 agent 进展，说不定再启一个。有时候正在和别人聊，冒出一个新想法，我就直接在那儿起一个 agent。"* ## [16:05] 从 context engineering 到 context minimalism Boris 梳理了提示工程的演变：Sonnet 3.5 时代需要大量 prompt engineering；Opus 4 时代需要精心的 context engineering；今天的模型两者都不需要了。现在的做法是：给模型最精简的系统提示、最小的工具集，以及一个让它按需拉取上下文的机制——然后放手让它工作。Cat 称自己是"context minimalist"：只告诉模型它需要知道的，因为一上来塞太多上下文是在微观管理，而模型往往知道更好的路径。 > *"给它尽可能简短的系统提示，尽可能少的工具，然后让模型自己想清楚。"* ## [17:17] Claude Code 的下一步 Boris 拒绝预测具体形态，只说方向：agent 运行时间更长、自主性更强，同时并行的数量从一个跳到几十、几百乃至几千。协调这么多 agent 的交互界面"会和以前完全不同"，答案不会来自 Boris 或 Cat，而会来自团队和每天用 Claude Code 构建东西的整个社区。 > *"一年后会是一套全新的东西，如果到时候还是现在这些，那才真的奇怪。"* ## 实体 - **Boris Cherny**（人物）：Anthropic Claude Code 负责人，工具的创始人，本期两位受访者之一。 - **Cat Wu**（人物）：Anthropic Claude Code 产品负责人，本期两位受访者之一。 - **Claude Code**（软件）：Anthropic 开发的 agentic 编程工具，运行于终端；本期核心主题。 - **Auto 模式**（概念）：Claude Code 的权限模型，将工具调用决策交由分类器处理，不再逐条询问用户；取代了早期的逐步审批流程。 - **Loop / Routine**（概念）：由事件触发的自动 agent，无需人工发起即可驱动 Claude Code；被描述为第二次重大平台跃迁。 - **Context minimalism**（概念）：为模型提供最精简的系统提示和工具，让模型按需拉取上下文，而非预先塞入所有信息的开发哲学。 - **Anthropic**（组织）：开发 Claude 与 Claude Code 的 AI 安全公司。 - **Remote Control**（软件）：Claude Code 功能，允许用户通过移动设备管理正在运行的 agent。 - **Agent 视图**（软件）：Claude Code 新界面，支持在单一窗格中管理多个并行 agent。

在这场长达两个半小时的现场辩论中，风险投资人 Nick Hanauer（亚马逊首位外部投资人、致富人同伴的"干草叉来了"公开信作者）与创业家 Daniel Priestley 就中产阶级的消亡展开正面交锋：究竟是更强有力的劳工政策和再分配，还是更广泛的创业机会和资产所有权，才是出路所在。Steven Bartlett 担任主持，引导两位嘉宾突破各自的固定论点，在 AI 就业冲击、最低工资、脱欧代价、主权财富基金以及"大富翁游戏"能否解释中产阶级为何从不会自然涌现等议题上碰撞出真正的争议火花。两人对诊断一致——大金融和大科技集中的权力正在掏空普通劳动者——但对药方分歧尖锐：Hanauer 坚持工资和工人权利是结构性底线，Priestley 则认为"抬高底板"而不改变资产归属，根本远远不够。 ## [00:00] 开场 开场直接切入争论。Hanauer 率先出击："地球上根本不存在没有大政府却运转良好的社会。"Priestley 立刻反击："大政府正在把小企业的活力抽干。"不到两分钟，核心张力已经摆在台面——Hanauer 对政策和劳工标准的信念，对阵 Priestley 对创业和所有权的信念——而 Bartlett 指出，观众正是因为两人都有真实的成绩单，才会如此投入地观看这场辩论。 > *"地球上根本不存在没有大政府却运转良好的社会。"* ## [02:27] 为何Nick Hanauer的经济观点值得关注 Bartlett 问 Hanauer，一个亿万富翁为何最终走上倡导高税收和工人保护的路。Hanauer 梳理了自己的轨迹：他在制造业、电商和媒体领域创业、卖公司，成为亚马逊首位外部投资人，最终意识到自己的财富在不断复利增长，而创造这些财富的工人却日益落后。他说这是简单的算术："如果顶层 1% 的人掌控了 45% 到 50% 的收入，而底层 50% 的人只分享 5%，资本主义民主就无法维系。"他的"干草叉经济学"项目，正是为了改变引导决策者制造出这组数字的思维框架。 > *"如果顶层 1% 的人掌控了 45% 到 50% 的收入，而底层 50% 的人只分享 5%，资本主义民主就无法维系。"* ## [06:27] Daniel Priestley对财富的不同看法 Priestley 在澳大利亚长大，少年时代通过一位导师发现了创业这条路，并将 Dent Global 做成了一家国际商业教育公司。他和 Hanauer 一样对财富集中感到警惕，却得出了相反的处方：让更多人融入资本主义，办法是教他们像资本家那样行事——创办企业、持有资产、掌握不会被自动化取代的技能。"我感觉发现了人生的作弊码，那就是创业，"他说，而他的使命，是在政治上的挫败感引发"蠢事"、破坏市场活力之前，把这个密码传递给尽可能多的人。 > *"我只是想在我们做蠢事之前，让更多人享受到资本主义的好处。"* ## [08:32] 向富人征税是答案吗？ Bartlett 抛出主流政治叙事：向富人征税，再分配。Priestley 对目标并不反对，质疑的是机制。他区分了 James Dyson——发明产品、创造价值的人——和没有创造价值、只是提取价值的对冲基金。他真正想打击的是寻租和提取行为，而非财富创造。他的方案是免除低收入者税负，从金融工具和土地增值中收回税源，而不是向创业者开刀。 > *"把富人塑造成坏人很容易。但你得说清楚是哪个富人。"* ## [11:44] 富人已经缴了足够多的税吗？ Hanauer 驳斥了"美国亿万富翁已缴高税"这一说法。美国税法对收入征税，而非对财富征税——超级富豪很少拿工资收入，而是以资产组合作为抵押借款，实际税负几乎为零。美国的劳动收入份额自 1970 年代以来大幅下降，资本收入份额持续上升。他的论点不是富人本性邪恶，而是税法被系统性地改写，将生产率增益从工人身上导走。"我们已经把曾经有利于劳动者的经济竞争场地大幅倾斜了。" > *"美国最富有的人并不缴很多税，这是事实，因为美国税法对收入征税，而非对财富征税。"* ## [15:07] 创业vs政策：哪个更有效？ Priestley 认为，选择空间是驱动工资的最深层力量：当工人有真实的替代选项——包括自己创业——雇主就无法强加恶劣条件。一个有许多小雇主竞相争夺人才的市场，天然会比少数几家巨头垄断的市场提供更好的薪酬。Hanauer 承认选择空间重要，但指出绝大多数工人根本无法真正行使创业这个选项；最低工资法、工会和加班保护，能为 90% 的人做到创业只能为 10% 的人做到的事。两人都落到同一个结构性批判——劳动力市场的权力过于集中——但对政策还是教育才是杠杆，各执一词。 > *"当一个人有很多选择时，他就不会接受恶劣的条件。"* ## [20:05] 解决不平等的政策方案 Hanauer 给出了一个具体机制：美国联邦加班工资薪资门槛——超过这个收入水平的雇员才有权获得 1.5 倍加班工资——1960 年代覆盖了 65% 的受薪雇员，如今覆盖不足 8%。这一项政策变化，在五十年里将数以万亿美元的财富从工人转移给了雇主，且无需任何新立法。他的主张：先修复规定市场薪酬的规则，再谈在此之上叠加更多再分配。Priestley 在工资压制问题上让了步，但转而指向所有权：英国人的不幸福感不仅仅源于工资——而是人们工作几十年却一无所积。 > *"这条标准在 1970 年几乎适用于美国所有工人。今天，它只覆盖不到 10% 的工人。"* ## [24:53] 美国vs英国：哪个经济体更胜一筹？ Hanauer 指出，美国联邦最低工资为每小时 7.25 美元，约为英国水平的三分之一；许多州的小费工人时薪仅为 2.13 美元加小费。英国对低薪工人的底线保障远高于此。Priestley 反驳说，英国的劳动力成本，加上国家保险和营业税，如今确实在压垮小型经营者，驱使有抱负的创业者选择离开而非做大。美国在创业活力上占优；Priestley 认为英国正在摧毁曾让它具有竞争力的土壤。 > *"美国最低工资是每小时 7.25 美元，或 2.13 美元加小费，是英国的三分之一。"* ## [26:57] 提高工资会伤害小企业吗？ Priestley 将辩论落到一个具体案例上：一位朋友经营的酒吧正在亏损，自己分文未取，同时承受最低工资上涨、雇主国家保险和营业税的三重打击。酒吧没有亚马逊那样的利润空间来消化成本。Hanauer 承认问题真实存在，但说正确的应对不是降低所有人的底线，而是追缴那些逃税的巨头——小酒吧无处可逃，星巴克却能说"我们消化得了"。Bartlett 指出了这一结构性不对称：连锁巨头说"我们能承受"，独立咖啡馆就此关门。 > *"他被税收和最低工资政策重压，自己一分钱都拿不出来。"* ## [28:38] 为何小企业无法与巨头企业在薪资上竞争 星巴克对阵本地酒吧的框架继续延伸。Hanauer 说，一份连锁店火腿三明治的价格二十年来涨了一倍，所以提高工资并不会摧毁需求——成本会被转嫁出去。Priestley 反驳说小企业不只是体量更小的大企业：它们之所以存在，靠的是人际关系、灵活性和连锁店无法复制的本地知识。当成本底线上涨速度超过营收承载力时，它们就只能关门。两人都同意，真正的敌人是让巨头企业能在全球优化税务、而街角小店却要缴足全额的监管和税收结构。 > *"一个人配合好的 AI 工具，生产力可能是原来的十倍。这对那个人来说很好，但对另外九个人来说不是什么好事。"* ## [33:02] 当下工人最需要什么 Hanauer 回到所有权问题，承认资产所有权至关重要——但坚持这一切都以工资为起点。赚不到超过温饱线的收入，就无从储蓄。"所有权始于赚到足够的钱，然后才能攒钱，才能开始拥有什么。"他援引 1990 年代美国的股票期权实验——给低收入工人股权通常没有效果，因为期权归属的时候，工人早就离职了。真正的所有权需要一个能产生可支配收入的工资底线作为前提。 > *"所有权始于赚到足够的钱，然后才能攒钱，才能开始拥有什么。"* ## [35:59] 能够积累财富的所有权模式 Priestley 梳理了三种值得推广的所有权模式。第一，挪威和新加坡式主权财富基金：政府持有国家资产的股权，每位公民持有一份零碎份额。第二，工人所有制合作社和归属周期更短的员工持股计划。第三，住房——他认为一套房产市值的大约一半是他所称的"使用价值"（你需要一个住处），另一半是纯粹的土地价值增值，而租客永远在支付这部分，却永远无法获得。他的核心主张：再分配所得税太慢；需要的是改变资产归属的政策。 > *"房子价值的大约一半是使用价值，另一半是土地价值——租客永远在支付这部分，却永远拥有不了。"* ## [40:28] 工人权利的真实影响 Bartlett 追问：提高工人保护究竟能缩小不平等，还是只能减缓其扩大？Hanauer 援引脱欧造成的可量化损失——生产率增长下降 4%，失业率比基准情景上升 4%——作为制度框架极为重要的证明。英国一纸决定切断了与欧洲劳工和贸易规则的联系，至今仍在承受代价。两位嘉宾都认同，一个经济体的基础制度质量对结果的塑造，远超任何单一税率。 > *"脱欧使失业率上升了 4%，生产率增长下降了 4%。这样的例子还有很多。"* ## [41:30] 脱欧究竟改变了什么 Hanauer 深化了脱欧论点：离开欧盟，英国失去了向 5 亿消费者无摩擦出口的渠道，劳动力池也随之萎缩。Priestley 同意脱欧在经济上有害，但认为英国更深层的问题早于 2016 年——伦敦金融城主导的金融化，意味着脱欧之前英国早已是两速经济：金融服务繁荣，制造业空心化。两人都承认美国是所有发达经济体中削减工人保护最彻底的异类，而英国在资产集中方面也走了相似的轨迹。 > *"在削减工人保护这件事上，美国是所有现代资本主义经济体中的异类。"* ## [45:01] K型经济背后的隐藏教训 Priestley 将视角拉回到 19 世纪初：今天关于资本创纪录利润和工人工资停滞的头条新闻，几乎逐字复刻了"恩格斯停滞"时期的新闻——工业革命后长达五十年，蒸汽机、织机和拖拉机摧毁了农业就业，而这些机器的拥有者攫取了所有生产率增益。那次修复耗费了两代人的政治斗争——工会、劳工标准、贸易保护——工人才夺回了一份收益。Hanauer 补充说，停滞的终结是因为政治共识发生了转变，而不是因为市场自我修正。 > *"我们今天几乎所有的不满，都可以直接套到 19 世纪初，得到一模一样的话。"* ## [47:28] 加税会让企业出走吗？ Bartlett 提出创业者的反对意见：英国创业者已经在出走迪拜、迈阿密和新加坡以逃避税收环境，再加税只会加速精英阶层移民。Priestley 不否认这一趋势，他认为以资本出走威胁恰恰是巨头企业要挟政府的方式。他的反提案借鉴了广播许可证模式：如果你想服务英国客户，就按固定地区费缴费，无论你在哪里注册。如果收入已经地理锁定，你就威胁不了离开。 > *"飞去迪拜，远程经营，一毛税都不用缴。"* ## [51:58] 跨国巨头应该缴更多税吗？ 拜登政府推动的全球最低企业税问题被提及。Hanauer 解释了其设计逻辑：如果每个国家都采用一个底线税率，就没有哪个司法管辖区能靠低税竞争，逐底竞争就此终止。经合组织 15% 的协议是部分进展，但豁免了太多结构。两位嘉宾都同意，一个有效运转的全球税收底线大概是捕获巨头收入的最强单一杠杆，也都对其能否实现持悲观态度——因为执行意愿与受益于现状的避税港主权相冲突。 > *"我认识的欧洲每个有钱人都在玩这套可笑的避税游戏。"* ## [54:00] 巨头企业如何垄断整个市场 Bartlett 援引澳大利亚和加拿大的案例：当政府试图让 Meta 为新闻链接付费时，Meta 直接屏蔽了所有新闻内容而非付费。当加利福尼亚州试图强制亚马逊征收本地销售税时，亚马逊威胁撤出该州。Hanauer 的观点：如果每个司法管辖区同时实施同一项规则，巨头企业就无法再以一方制衡另一方。筹码只所以存在，是因为各国政府的协调是碎片化的。 > *"如果每个州都要求亚马逊征收本地销售税，他们显然就没法那样做了，只能老老实实面对。"* ## [54:58] 解决经济不平等的方案 临近第一个广告时间，Bartlett 请两位嘉宾各自陈述最干净的解决方案。Hanauer：重新倾斜竞争场地——最低工资、加班规则、反垄断执法、全球税收协调。Priestley：以上这些都要，加上从根本上重构资产归属；在不改变所有权结构的情况下抬高底板，大多数人仍然只能眼睁睁看着资产价格超越任何工资涨幅。Priestley 说，干草叉已经出鞘，因为工人已经退无可退——这意味着抬高底板来得太晚了。 > *"两件事都要做：倾斜竞争场地，同时改变谁持有资产。"* ## [56:51] 广告 *赞助商时段——LinkedIn Marketing Solutions、Pipedrive CRM、Wispr Flow 语音输入。* ## [58:59] AI会替代多少工作岗位？ 广告后，Bartlett 将话题转向 AI。Eric Schmidt 的毕业典礼演讲——每次提到"AI"都被台下学生嘘声打断，因为他们默认这意味着自己的工作不保——勾勒出这种焦虑的轮廓。Hanauer 说，"AI 会创造新工作"这套标准叙事漏掉了一个时间差问题：新工作要经过一代人才会出现，但取代在一个季度内就发生了。他承认 AI 正在"免费将人类的智识资产货币化"，并把回报集中在少数几家公司手中。Priestley 指出了地理上的不均衡：菲律宾的外包后台经济，正在被以极低成本完成同等任务的 AI 掏空。 > *"AI 正在免费将人类的智识资产货币化，直接受益的只有少数人。"* ## [01:01:38] AI智能体正在取代初级岗位工作 Bartlett 描述了现代 AI 智能体的实际能力——点击界面、完成多步骤浏览器任务、处理数据录入、编辑文件——并提到他本人大学辍学后的第一份工作就是这类工作。Hanauer 认为正确的框架是增强：一个善用 AI 工具的人，生产力可能是原来的十倍，这对那个人来说很好，但对另外九个被取代的人来说则不然。Priestley 举了一个案例：英格兰北部一对夫妻经营的视频制作公司，用 AI 实现了脚本写作自动化，把六人团队缩减到两人，产出却翻倍。 > *"一个人配合好的 AI 工具，生产力可能是原来的十倍。这对那个人来说很好，但对另外九个人来说不是什么好事。"* ## [01:05:25] AI会减少招聘吗？ 杰文斯悖论的辩论浮出水面：历史上，让某项任务变得更便宜会增加对它的需求，从而吸纳被取代的劳动力。Priestley 的视频公司案例就是一个杰文斯效应——更便宜的制作吸引了更多客户，整体并未减少就业。但 Hanauer 认为 AI 的广度和速度意味着这一悖论不会处处成立——基础白领和初级行政工作的绝对数量，会在任何新需求出现之前就先行收缩。两人都同意，过渡期才是真正的危险所在，而政策制定者的响应速度远不及劳动力市场的变化速度。 > *"最大的问题在于，整个经济的本质正在根本性地改变，而身处其中的人还没有被告知新规则是什么。"* ## [01:08:39] 全民基本收入是答案吗？ Hanauer 对当前设计的全民基本收入（UBI）持怀疑态度：它不能解决谁拥有 AI 系统这一结构性问题，只是给消费设了一个底线。他更倾向于让公共实体以 AI 公司依赖的公共基础设施换取股权。Priestley 更直接地说出核心逻辑：AI 的估值完全建立在取代就业的基础上——"达不到那些数字，除非你替代了大量工作岗位"——所以社会应该以承担下行风险换取上行收益的股权。 > *"AI 的整个估值基础就是取代工作岗位。达不到那些数字，除非你替代了大量工作岗位。"* ## [01:13:29] 为何政府难以有效执行 Priestley 转向执行风险：即使有了正确的政策，当前政府在实施复杂经济项目上的无能也是有目共睹的——激励错位、规避风险的公务员体系、政治周期太短容不下结构性改革。Hanauer 同意政府经常无能，但说大型企业同样如此——微软和亚马逊内部都有大量失败——正确的回应不是放弃政府这个工具，而是提升其能力。他说，新加坡的国家治理能力证明了有能力的政府是可以实现的。 > *"我们的政府根本上是一批激励错位、无能为力的人。"* ## [01:14:48] 应对AI失业的最佳方案 两位嘉宾在此比预期更多地走向了共识：两人都希望从被取代到重新就业的过渡期在经济上是可以承受的，也都希望这种支持与实施取代的企业挂钩，而非依赖普遍福利。Priestley 偏好的机制是大量小企业的涌现，吸纳大雇主裁减的人员："当有数以百万计的小企业时，每个人都会更幸福。"Hanauer 则希望通过股权置换机制来强制要求过渡福利。 > *"当有数以百万计的小企业时，每个人都会更幸福。"* ## [01:17:50] 我们正走向AI乌托邦吗？ Hanauer 对经济哲学做出了他最清晰的表述：市场不是教科书所说的资源高效配置者，而是允许群体共同解决复杂问题的进化系统。这一框架改变了关于 AI 的一切——问题不再是市场是否能找到 AI 产出的最优分配，而是哪一群人能参与解决 AI 打开的问题。民主政体必须积极主动地纳入尽可能多的人，否则乌托邦只会为几十万人到来，而其他所有人都被拒之门外。 > *"市场是一种进化系统，让人们能够聚集在一起，共同解决复杂问题。这就是它们有效的原因。"* ## [01:22:05] 提高AI税率会驱走企业吗？ Bartlett 直接提出一个场景：如果英国要求在此经营的 AI 公司拿出 50% 的股权，它们不就直接在特拉华州注册，再远程服务英国市场吗？Priestley 说是的——这正是为什么广播许可证式的地区费比股权要求更稳固。Hanauer 则说威胁被夸大了："做这个实验，最坏的结果不过是有几十个人的身家是一千亿而不是两千亿。"社会完全可以接受这个结果。 > *"做那个实验，最坏的结果不过是有几十个人身家一千亿，而不是两千亿。"* ## [01:24:08] 政府能改善民众生活吗？ 治理质量的辩论进一步深入。Bartlett 问，让政府进入公司董事会会不会拖慢创新。Hanauer 反驳：大型企业本来就官僚迟钝——看看微软在纳德拉之前停滞的几十年。一个好的政府董事席位与坏的政府董事席位的区别，在于能力和问责，而不在于政府介入这件事本身。两位嘉宾都同意，北欧模式证明了有能力的国家参与经济是可以实现的；两人也都对英国或美国当前的政治阶层是否具备这种能力持悲观态度。 > *"看看微软和大公司，它们同样无能。问题是你有没有政治意愿去建立一个有能力的政府。"* ## [01:30:32] 他们的根本分歧所在 Bartlett 挖出了真正的分歧毫厘。Priestley 对 Hanauer 方案的反对，不是工资不重要——而是人不只是消费者。当工人拥有房子、经营小企业的时候，他们感受到了主体感、社区归属感，以及对自己所在社区的心理投入。提高工资底线有帮助，但不能给工人一份对这套系统的真实所有权。Hanauer 在所有权问题上让步了，但说时薪 7.25 美元攒不下钱，攒不下钱就拥有不了什么。两人的分歧不在终点，而在路径次序。 > *"当人们拥有自己的小企业时，他们对社区真的很有感情。他们感受到了自豪、所有权和主体感。"* ## [01:33:09] 社会主义是答案吗？ Hanauer 迅速排除了社会主义：国家所有生产资料只能再分配现有的繁荣，无法创造新的繁荣。市场经济优于计划经济，正是因为市场是信息处理和问题解决的引擎，而中央计划无法复制这一点。他的立场不是"更多社会主义"，而是"设计更好的资本主义"——一种混合经济，让市场在能广泛分享收益而非集中收益的规则框架内运作。北欧国家不是社会主义国家，它们是有更强底线和更高包容性的资本主义国家。 > *"社会主义绝对不是答案。社会主义能做的只是以更公平的方式分配现有的繁荣——它不知道如何创造更多繁荣。"* ## [01:37:28] 政策如何构建强大的中产阶级 Hanauer 完整引入了大富翁游戏的类比：经济是一个非遍历性博弈——像大富翁，而不是石头剪刀布——早期的运气会无限复利，"一个人最终拥有一切，其他人一无所有"，只要游戏足够长就必然如此。繁荣的中产阶级从来不是自然的结果；它始终是一种刻意的建构，靠防止失控复利的规则来维持。他将 1970 年代生产率增长与工资增长脱钩这一转折，归因于政策选择而非市场力量。Priestley 补充说，大金融和大科技是共同驱动这道楔子的两股力量。 > *"在大富翁游戏中，不管你上多少次大富翁学校，只要玩得足够久，最终一个人会拥有一切，其他人什么都没有。"* ## [01:43:05] 广告 *赞助商时段——Wispr Flow 语音输入、Diary Of A CEO 对话卡片。* ## [01:45:16] 哪些经济体今天仍在蓬勃发展？ Bartlett 问，那个"甜区"混合经济是否真的有效的证据在哪里。两位嘉宾都指向了德国——法律强制要求工人代表进入公司董事会、工会强大、制造业在全球化中存活了下来——以及新加坡，其主权财富基金和国家治理能力创造了卓越的生活水平。Priestley 注意到，新加坡的优步司机和咖啡馆工人表达出的经济乐观情绪，是英国同等背景的对话中所没有的。德国目前面临的结构性问题（能源转型、汽车业颠覆）说明这套模式并不永恒，但它证明了工人融入与经济活力并不存在根本矛盾。 > *"德国的每家公司都有工人坐在董事会。而新加坡证明了，有能力的国家治理能创造非凡的生活水平。"* ## [01:48:38] 如果你没有创业天赋怎么办？ Bartlett 点出了 Priestley 框架的局限：那些在创业意义上并不雄心勃勃的大多数人怎么办？Priestley 的回答是，大多数人从生活在一个有雄心壮志的人的经济体中受益——靠近创业能量本身就创造了就业、文化和选择，即便对那些毫无创业欲望的人也是如此。他担心的是，英国正通过监管和税收环境驱走恰恰是那些雄心勃勃的人，让依赖他们的大多数人随之贫困。 > *"对一个有抱负的人来说，不平等是超越的机会。'我能看透这套系统的运作方式。'"* ## [01:51:46] 为何不是人人都该成为创业者 Bartlett 和 Hanauer 指出了在场三人的选择偏差：三人都是创业者，可能系统性地低估了这种心理特质有多稀缺。Hanauer 直接反驳：1950 年代至 1970 年代的主导经济，在没有大规模创业的情况下创造了广泛的中产阶级繁荣——靠的是工会密度、规范的劳动力市场和累进税制。1990 年代至 2010 年代的创业热潮，与那些通往稳定的旧路径的空心化同步出现，且在一定程度上是其推手。 > *"大多数人想要的，是能去上班、受到体面对待、赚到一份生活工资、回家过自己的生活。"* ## [01:53:46] 如何帮助小企业茁壮成长 Hanauer 指向二十世纪初美国的反垄断法——具体是《鲁滨逊-帕特曼法》——该法阻止了大买家从供应商处获取优惠价格，有效封堵了沃尔玛式供应链绞杀。这些法律在 1980 年代新自由主义改革中被拆除，结果是区域性和本地商业生态的空心化。他的方案：恢复阻止巨头企业以低于小竞争对手的价格采购的规则。Priestley 支持这一方向，并补充说，英国政府背书的 2.5 万英镑创业贷款计划是真正有用的，但需要扩大规模。 > *"过去有法律确保大公司不能比小公司更便宜地购买原材料。"* ## [01:56:16] 监管能帮小企业赢得竞争吗？ Hanauer 进一步阐明：《鲁滨逊-帕特曼法》不是补贴，而是公平竞争规则。废除它不是让市场更自由——而是让市场更集中。Priestley 补充说，英国高街的衰落不只是电商冲击，而是监管失败：如果巨头和街角小店按每平方英尺缴同等营业税，但巨头能在全国范围内优化库存，监管结构就在系统性地向小经营者倾斜。两人都同意，"监管vs自由市场"这套框架本身就有误导性——真正的问题是，规则被校准来保护谁的利益。 > *"不管是零售业还是其他——那些区域制造企业、区域性企业，《鲁滨逊-帕特曼法》保护的就是它们。"* ## [01:57:41] 为中低收入者免除税负 Priestley 提议彻底取消中位工资以下工人的所得税。他的论点：向低收入者征收所得税的复杂性和行政成本不成比例，税源应改为通过广播许可证式的地区费向大型企业征收——这是一笔固定费用，用于运营一个特定市场，金额足以资助公共服务，且无法通过转让定价规避。Hanauer 支持这个方向，但坚持认为，若不先解决工资底线，免除 2 万英镑收入者的所得税不过是四舍五入时的误差。 > *"我会把它做成广播许可证——一笔很难钻空子的固定费用。你想在这个国家广播，就付费。"* ## [02:01:40] 全球经济最大的问题 两位嘉宾都同意，最深层的问题是一个全球行动困境：任何对巨头企业或高收入者施加有意义约束的司法管辖区，都面临资本出走的可信威胁，没有哪个单一国家能独力解决。Hanauer 援引拜登政府的全球最低企业税倡议作为近年来最佳尝试，并将其部分失败归因于少数几个仍提供竞争性税率的小司法管辖区。Priestley 的补充：超级富豪需要明白，如果他们不投资于支撑自身财富的经济，那些经济终将以摧毁这些财富的方式崩溃。 > *"你所有的问题都指向同一个根本弱点：这是一个全球行动问题，而我们没有全球治理来应对它。"* ## [02:09:40] 解决不平等的激进方案 Bartlett 征求真正激进的想法。Priestley 点名了公司拆分——强制亚马逊、谷歌和 Meta 剥离子业务，让每个子公司独立竞争——认为这大概是影响最大的单一干预措施，也是政治上最不可思议的。他追问，扎克伯格会在 70% 边际税率还是被拆分 Meta 面前更难受。他还呼吁对金融基金的规模设定硬上限：超过某个资产管理规模的基金，就不再是资本配置，而是在运作提取机器。 > *"拆分公司是不可想象的。但我想知道，扎克伯格会因为更高的税率还是公司被拆分而更难受。"* ## [02:15:31] 我们如何重燃希望？ 压轴问题由上一位嘉宾传递而来：面对如此多的挑战，我们能做什么来重燃希望、激发参与？Priestley 说，最重要的事是告诉人们规则已经改变——他们在学校学到的工业经济时代规则，已经不再支配数字经济——而新规则是可以学会的。在他看来，最有主体感和乐观情绪的人，是那些真正理解当下经济运作方式的人：推销自己、发布内容、积累受众、打造产品。Hanauer 以替换整套智识框架的必要性收尾——那套自 1980 年代以来支配经济政策制定的框架，告诉决策者要放松管制、压制工资、相信市场会自我修正。那套框架制造了眼下正被辩论的危机；一套建立在包容和民主问责之上的新框架，才是唯一持久的出路。 > *"我只知道一件我一次次见到有效的事：我教给人们创业方法，他们就突然感受到了主体感和希望。"* ## 实体 - **Nick Hanauer**（人物）：风险投资人，亚马逊首位外部投资人，Pitchfork Economics 播客主持人；主张提高最低工资、强化劳工标准、推动全球企业税协调 - **Daniel Priestley**（人物）：创业家，Dent Global 创始人；著有《生活方式商业手册》；主张扩大创业机会、推动资产所有权普及、对巨头企业实施地区性征税 - **Steven Bartlett**（人物）：The Diary Of A CEO 主持人；Social Chain 前创始人；全程担任辩论主持与提问者 - **Pitchfork Economics**（组织）：Nick Hanauer 的播客与政策项目，倡导以中产阶级为核心的经济模式 - **Dent Global**（组织）：Daniel Priestley 的国际商业教育和创业公司 - **K型经济**（概念）：一种经济状态，高收入者财富持续增长，低收入者同步下滑；类比工业革命时期的"恩格斯停滞" - **恩格斯停滞**（概念）：工业革命后长达 50 至 75 年的阶段，技术拥有者攫取全部生产率增益，而工人生活水平停滞不前；最终通过工会运动和劳工改革得以扭转 - **大富翁类比**（概念）：Hanauer 解释为何繁荣的中产阶级需要刻意的政策干预的模型——这是一个非遍历性博弈，早期优势不断复利，若不重写规则，一个玩家终将拥有一切 - **鲁滨逊-帕特曼法**（组织）：美国反歧视法，阻止大买家从供应商处获取优惠价格；1980 年代被废除，被援引为小企业衰落的关键推手 - **主权财富基金**（概念）：国家所有的投资机构，持有国家资产股权并向公民分配收益；挪威和新加坡被视为有效运作的范本 - **全民基本收入（UBI）**（概念）：向所有公民无论就业状况如何直接发放现金；两位嘉宾都对其能否在没有配套所有权改革的情况下解决结构性不平等持怀疑态度 - **全球最低企业税**（概念）：经合组织协调的 15% 企业利润底线税率，旨在终结避税港竞争；在拜登任内部分落实，两位嘉宾均视其为必要但远远不够

Tony Fadell——iPod 的创造者、iPhone 的联合创造者、Nest 的创始人——与 Lenny Rachitsky 进行了一场长达 95 分钟的深度对谈，剖析打造持久产品究竟需要什么。Fadell 认为，AI 让品味和匠心*更加*重要，而非更不重要：当任何人都能在一夜之间用"氛围编程"搭出原型，真正脱颖而出的，是那些始终贯穿真正人类判断的产品。对话从 iPhone 键盘之争和 Nest 在 Google 动荡岁月的内幕，延伸到对认知上向 AI 工具缴械投降的严肃警告，最后落在 Fadell 关于产品设计伦理的思考框架。 ## [00:00] Tony Fadell 介绍 Lenny 开场便说，Tony Fadell 是他自创办播客以来最想邀请的嘉宾——片头集锦立刻点明了这期节目的分量。Fadell 警告"不要向机器缴械"，勾勒他以痛点为起点的创意框架，预告三代法则，并指出为什么营销是产品决策，而不是后期才需要考虑的事。这些片段来自访谈各处，每一段都会在对应章节中完整呈现。 > *"不要向机器认知投降。我们可以使用机器，但不要在认知上缴械。"* ## [02:23] Blackberry 与 iPhone 键盘之争 Fadell 带 Lenny 走进 iPhone 上市前 Apple 内部持续时间最长的争论：实体键盘还是虚拟键盘。这场争论从来不是纯粹的技术问题——核心是要争夺哪个市场。走 Blackberry 的路，意味着赢得已经购买了 Blackberry 的 1%~2% 用户；走虚拟键盘的路，意味着为另外 98% 的人设计。 > *"数据并不能清楚地告诉我们该选哪个。然后 Steve 说：'我们就这么定了。'他说：'如果你不打算站队，就离开这个房间。'"* Fadell 描述了为了缩小与实体键盘的差距，硬件与软件反复迭代了数月——不是要超越它，而是达到"够好"。他以《Build》中的数据与判断框架来解释：任何真正的 1.0 产品，数据都不会给出确定性答案，所以必须由有品位的人来拍板。 ## [07:50] 微观管理与善意谎言：伟大产品真正需要什么 有一张在 Twitter 上广泛流传的图表，将"残忍的真相"对应功能健全的组织，将"善意的谎言"对应功能失调的组织。Fadell 以此为切入点，论证为什么以判断力为核心的领导方式，在定义品类的 v1 阶段是结构性的必然。消费品在上市前无法通过用户测试来验证，因为用户从未见过类似的东西；唯一真实的信号来自把整个系统——产品、营销、渠道——同时推向市场。 > *"这是一种仁慈的独裁。事情就这么定，愿景就是这个，我们不知道自己不知道什么，直到我们把它推出去。"* Fadell 重新定义了"微观管理"：它是一种精准工具，意味着在真正关键的细节层面拥有决策权，而不是事无巨细地插手所有运营。在 iPhone 键盘问题上，这意味着亲自统筹硬件、软件、渲染和错误纠正的同步改动——因为没有一个单一团队能看到全局。 ## [15:57] Nest 温控器与烟雾报警器的故事 Lenny 问到 Nest Protect 烟雾报警器——Fadell 称之为"我做过的最难的产品之一"——以及它被 Google 停产的经过。Fadell 的诊断：组织孤儿化。Google 内部没有人对它充满热情，于是没有人投入，最终它被悄悄叫停了。 > *"AI 需要上下文。在一个家庭里，你希望一切都非常无缝。获得最佳上下文的方式，是让传感器正确地分布在家中各处。"* 他认为这既是商业失败，也是错失良机：一个传感器丰富的家庭平台，正是十年后 AI 助手所需要的，而 Nest 早在 2010 年就开始朝这个方向构建了。Nest 学习型温控器本该被叫做"Nest AI 温控器"——只是在 2011 年用那个词会吓到人。现在已有几位创业者向他推销 Nest 2.0，他认为时机正好。 ## [21:22] 如何判断值不值得做：从痛点出发加上新技术 回应 ARM 联合创始人 Hermann Hauser 的提问，Fadell 给出了两步过滤器：从已经存在或在视野内的痛点出发，然后问新技术能否以一种根本不同的方式解决它。痛点之所以存在，通常是因为某个产品是在旧技术约束下构建的，从未真正完成自我革命——只是在演化，而原有的痛点勉强可以忍受，所以没人去追根溯源。 > *"我总是从痛点出发。有没有新技术能解决这个痛点？引入创新，引入革命，重新定义这个领域。"* Nest 温控器同时满足两个条件：家庭能源账单的 50% 花在供暖和制冷上，可编程温控器没人会用因为配置太繁琐，而机器学习现在可以自动学习使用习惯。他把同样的逻辑延伸到 iPod 和 iPhone，强调真正的创新需要同时整合一套使能技术——而不只是一台设备。 ## [27:36] 三代法则：为什么第一次没有什么是对的 第一代 iPod 只卖给了 Mac 忠实用户——不到市场的 1%。第二代也一样。直到第三代加入 Windows 兼容性和 iTunes Music Store，才真正破圈。Fadell 的框架：做出产品，修复产品（客户反馈），修复生意（利润率、规模、渠道）。几乎没有什么能在第一轮就把三件事都做对。 > *"你得失败几次才能找到方向。只有你停下来，你才算失败。如果你一直在迭代，那叫学习，不叫失败。"* 他分享了 Windows 移植项目是一个 Jobs 明确反对的秘密项目——游说的理由是：没有 Windows 支持，一台 iPod 实际上要花 3000 美元，因为你得先买一台 Mac——以及同样的模式（Jobs 抵制→地下推进→最终验证）在 Apple Pencil 触控笔上再次上演。 ## [34:20] 完整的客户旅程：为什么营销定义产品 Fadell 回到《Build》中的一个主题：构建者优化的是产品本身，而客户看到的永远是经过营销棱镜折射后的产品。他描述了 Apple 试图将 iPod 扩展到欧洲时，直接照搬美国营销内容的结果——因为欧洲消费者处于更早的采用阶段，需要不同的叙事框架，所以那套打法根本没有共鸣。 > *"技术是服务于客户的，而不是'我们要把技术硬塞给客户'。"* 教训是：产品的每次迭代都面向不同的目标客户，你必须在每个群体所在的位置迎接他们。他在《Build》中更新了 Geoffrey Moore "跨越鸿沟"的框架：在软件领域，你可以更快地分发，但无法加速理解——人们仍然需要一个为他们的处境量身定制的故事。 ## [40:53] 讲故事的力量与先写新闻稿的方法 "口袋里装着一千首歌"来自 Apple 的营销团队，而非工程师——Fadell 第一次听到这句话时，它基本上已经定稿了。他把先写新闻稿的方法定性为不是"从终点往回推"，而是唯一清醒的构建方式：电影导演不会在拍完素材后再去写剧本。 > *"写新闻稿的时候，你只能有三四个核心功能。再多，对客户来说就是一堆废话。"* 他把这与产品范围的自律联系起来：先写新闻稿能告诉你哪些功能是支柱，这样你就不可能悄悄以进度为由砍掉其中两个，却没意识到你已经把整个营销故事毁了。他还把 OpenAI 当前的身份危机列为营销失败的案例——技术很强，但对普通人来说没有清晰的日常使用场景——并将其与 Anthropic 更聚焦的定位做对比。 ## [48:37] 产品管理的演变与构建者角色 Lenny 问 AI 是否会把 PM、工程师和设计师合并成一个"构建者"角色。Fadell 的回答是：营销、销售、渠道、工程、客户支持这些职能视角，代表着需要同时兼顾的不同客户立场。PM 的职责是在这些立场之间进行诠释和整合，而不是被提示词所取代。 > *"我们说的是'哦，在 AI 时代我今天只要写一个提示词，然后东西就出来了'，而你根本不知道那些细分职能是什么——它们是针对客户的非常清晰的立场定义。"* ## [50:27] AI 生成的代码为何造就脆弱、难以维护的产品 Fadell 提到了 Claude 的源代码泄露事件以及工程师看到 Anthropic 主循环后的反应：本应拆分到 12~15 个子模块的函数是单体结构，有经验的架构师形容其根本无从阅读。他的论点：AI 生成的代码可以跑通、可以通过测试，但它积累技术债的方式，就像快时尚积累浪费一样。 > *"你在换取短期收益，付出的是极其漫长的长期代价。这叫技术债。所有人都痛恨技术债。"* 他给出了一个明确的类比——H&M 对比奢侈品牌。对于一次性原型，快速软件没问题。对于一家真正的公司，架构必须经过深思熟虑。他以 Flighty 为"精品软件"的范例——那种从第一个像素就能感受到用心的产品，而这种感受正是口碑的来源。 ## [58:00] 讲故事的技巧 Fadell 把自己的讲故事直觉追溯到看父亲卖 Levi's 的经历——有时会把顾客引向竞争对手的产品，因为那才是更合适的选择，而诚实建立关系。技巧是：找到那个"怀疑的病毒"——客户内心已有的痛点或摩擦感——让他们意识到自己并不孤单，然后引出解决方案。他精炼叙事技巧的方式，是看着 Jobs 近乎痴狂地排练 iPhone 发布演讲——不是与营销团队排练，而是与没有任何前置背景的聪明朋友一起。 > *"太多时候，当我们以技术为导向时，我们谈论的是'是什么'。我们不谈论'为什么'。而'为什么'才是讲故事的地方。"* 他引入了"电视购物框架"作为结构工具：先找出最夸张的版本，挖出所有情感杠杆，然后再拨回真实。Lenny 将其引申为一种反直觉的初稿练习——先走极端，再拉回诚实的部分。 ## [01:05:45] 下一部 iPhone Fadell 的预测：语音成为主要输入层，触摸和键盘退为次选，屏幕保留——因为在没有脑机接口或视网膜投影的情况下，你还是需要某个东西来看地图。从"触摸是第一输入"到"语音是第一输入"的转变之所以一直停滞，是因为语音 AI 的质量上限不够高；现在模型已经能真正理解和记忆了，这种倒置才成为可能。 > *"我们需要翻转顺序。语音作为第一优先的核心功能。然后是必要时的键盘。再然后是点击和滑动。"* 他否定了无屏幕设备这个品类（Humane、以 AirPods 为界面的方案）："与众不同，但没有更好。"电影《Her》是他的参照系——即便在那个未来，人们需要的时候还是有屏幕可用。近期来看，智能手机的形态不会消失；对 AI Agent 的信任还需要数年才能大规模普及，而消费者愿意为 AI 订阅每月支付 200 美元也是不可持续的，除非价值显而易见。 ## [01:13:15] 硬件回来了 Fadell 从 1995 年就开始做硬件，那时硅谷的人都说他疯了。同样的周期一再重演：硬件不时髦→iPod→硬件很酷→移动软件→硬件不时髦→AI→硬件不可或缺。 > *"如果我们不做下一级别的硬件，就无法到达下一级别的软件。革命必须彻底完成。"* 纯软件公司正被 AI 编程工具商品化，所以护城河需要原子——传感器、芯片、物理形态——与软件深度结合。Waymo 是他最清晰的例证：硬件平台才是让软件无可替代的根基。他指出 Evan Spiegel 在 Lenny 的上一期节目中也表达了同样的观点。 ## [01:17:01] Tony 最期待什么 通过 Build Collective，Fadell 在 AI 加硬件的方向上投资已有数年，早于这一领域的时髦化：Simbe Robotics（零售库存盘点）、Greyparrot（AI 回收分拣）、纺织品质检（计算机视觉）、Orianis（药物设计，已深耕十年）。他的论点是聚焦、可信赖、解决真实日常问题的精准 AI，而非前沿大模型的开发。 > *"我真正感兴趣的是你能信赖的 AI——范围界定清晰、每天解决真实问题——而不是那种遥不可及的 AGI 梦想。"* 他早期以合理估值投资了 Grok 和 Cerebras，对九位数、十位数的预发布轮次毫无兴趣。他最在乎的投资组合公司，正是在市场终于追上他多年前所在位置之后，开始真正获得牵引力的那些。 ## [01:21:38] 与 Tony 合作 Build Collective 投资深科技（硬件、软件、化学、生物），并在产品、运营、营销、融资和组织发展上给予积极顾问支持。投资组合已超过 200 家公司。Fadell 把这项工作描述为帮助创始人绕过三代循环的弯路——争取在 v1 就接近可行，而不是在 v4 才摸清产品市场契合度。 > *"我们努力帮助他们，让他们不用等到第四个版本。他们争取在第一或第二个版本时就接近目标，这样就能走上三代循环，最终建成一家优秀的公司。"* 他还担任 MIT 晨曦学院的首届驻院设计师，向研究生传授客户旅程框架——而不是让他们花十年在现实中碰壁后才学会。 ## [01:25:36] 伦理、道德与产品构建者的责任 Fadell 主动提起伦理话题——他认为太少的产品设计师认真对待这个问题。他的核心论点：成瘾机制是一个架构决策，而不仅仅是副作用。他回忆了某人提议把色情内容加入 iTunes 视频商店，Jobs 当场叫停的经历。Fadell 说，那种清醒，就是领导力的样子。 > *"不要让那些事情失控。就像你不会放任一个糟糕的用户界面一样，确保你不是在试图让用户上瘾。"* 关于 iPhone 在社交媒体心理健康危机中的角色，他区分了设备与应用：Apple 制造了冰箱，其他公司用垃圾食品把它填满了。他对平台公司的要求很简单——更多数字消费管理工具、更清晰的标签、与实物食品同等的卫生监管。他认为，以牺牲用户健康换取短期流量，从商业角度也是糟糕的选择：你留不住你把它们搞垮了的用户。 ## [01:32:40] 如何联系 Tony 和 Build Collective Fadell 引导听众前往 buildc.com，那里有投资组合和联系方式。他对听众的最后一句话：做出真正的好产品——不是用"氛围编程"随手搭出的原型，而是经过真正判断力锤炼的东西。结尾回到了开篇：不要认知投降。把机器当工具用，而不是让它替代你的品味。 ## 实体 - **Tony Fadell** (人物): iPod 和 iPhone 联合创造者，Nest 创始人，《Build》作者，Build Collective 管理合伙人，MIT 晨曦学院首届驻院设计师 - **Lenny Rachitsky** (人物): 主持人；Lenny's Newsletter 创始人，前 Airbnb PM - **Steve Jobs** (人物): Apple CEO；贯穿全文，作为以判断力驱动决策和痴迷故事打磨的原型人物反复被提及 - **Hermann Hauser** (人物): ARM 联合创始人，Fadell 的长期同事；为访谈提交了"什么值得构建？"这一问题 - **Build Collective** (组织): Fadell 的深科技投资与顾问机构；投资组合超过 200 家，涵盖机器人、医疗、农业和芯片领域 - **Nest** (组织): Fadell 于 2010 年创立的智能家居硬件公司；以 32 亿美元出售给 Google；以 Learning Thermostat 和 Nest Protect 烟雾报警器著称 - **General Magic** (组织): 1990 年代的创业公司，在市场准备好之前约 15 年就构建了类智能手机技术；Fadell 职业生涯的塑造性经历 - **Simbe Robotics** (组织): Build Collective 投资组合公司；AI 驱动的机器人，用于零售库存盘点 - **Greyparrot** (组织): Build Collective 投资组合公司；通过计算机视觉实现 AI 回收设施分拣 - **Flighty** (软件): iOS 航班追踪应用；Fadell 心中"精品软件"的标杆——做工用心，并非粗制滥造 - **三代法则** (概念): Fadell 的框架，认为任何真正的产品都需要三次迭代——做出产品、修复产品、修复生意——才能实现规模化 - **认知投降** (概念): Fadell 用语，指过度将判断力委托给 AI 工具，以品味、架构思维和长期产品质量为代价 - **基于判断的决策** (概念): 一种无法用数据解决的决策，因为没有可供参照的同类产品；需要一位有经验直觉的品味裁判