播客听见世界的声音，看见思想的刻度

Benedict Evans 是独立科技分析师，曾任 Andreessen Horowitz 合伙人。他与 Lenny Rachitsky 展开了一场历史感厚重的深度对话，讨论 AI 的真实走向。他的核心判断是：AI 和互联网、移动互联网一样重要，也仅仅和它们一样重要。任何声称能给出更精确预测的人，不过是凭感觉在猜。两人用约 80 分钟谈清楚了经济价值究竟会落在哪里（很可能不在模型层），为什么专业服务正在繁荣而非萎缩，如何理性看待岗位被取代的问题，以及反 AI 情绪背后到底说明了什么。 ## [00:00] 介绍 Benedict Evans Evans 用一句标志性的反直觉开场："我最有争议的观点是：AI 和互联网或移动互联网一样重要，也仅仅和它们一样重要。"这个定调立刻确立了对话的基调：不要把技术变革按宇宙尺度排序，而应该研究平台转换实际发生的机制。 > *"我最有争议的观点是：AI 和互联网或移动互联网一样重要，也仅仅和它们一样重要。"* Lenny 简介了 Evans 的背景：曾在 a16z 担任驻场科技分析师多年，此后独立研究已有六年。他的半年度研究报告——最新一期名为"AI Eats the World"——在创始人和投资人中广为流传，被视为穿透噪音的参考资料。 ## [02:19] 人们对 AI 影响的估计还差在哪里 被问到市场还低估了什么，Evans 没有给出预测，而是选择了一个类比。他认为，我们正处于"1997 时刻"——技术显然令人兴奋，但大多数终将被建出来的东西还没被建出来，1997 年没有任何人准确预测了互联网会变成什么样。他援引调查数据：即便在 13 至 18 岁的青少年中，约 60% 仍完全不用 AI，而一小部分科技从业者已经把日常工作流整个重建在 AI 之上。 > *"如果你要拿互联网类比，就好比我们现在在 1997 年。现在很令人兴奋，大多数东西还运转不好，人们将要做的大多数事情还没被建出来，等真的能用了，也不清楚会怎么运转。"* Evans 指出，关键的认知陷阱是"已经到位"的幻觉：早期采用者把自己的使用模式投射到全世界，忽视了采用率的巨大差异，也忽视了企业部署周期漫长的现实。 ## [06:24] 为什么我们正处于 AI 的 1997 时刻 Evans 用 VisiCalc 电子表格作为锚点。1970 年代末，当会计师看到第一款软件电子表格时，变革性显而易见——一周的工作 30 秒完成。但一位律师看到同一个演示，只会想："很聪明，我的会计师应该去看看，但这不是我做的事。"AI 现在就处在同样的对角线上：软件开发者是看懂 VisiCalc 的那批会计师，Claude Code 对他们来说前后有别，一目了然；而大多数其他行业还停留在"律师看电子表格"的阶段。 > *"软件开发者是看到 VisiCalc 的会计师——我的天，这改变了一切——Claude Code 前后判若云泥。很多其他人也在用，程度不一，但多少有些摸不着头脑。"* 这种参差不齐的前沿特质——AI 在某些场景极其出色，在紧邻的场景却会莫名失败——正是广泛采用的时间线如此难以判断的根本原因。Google Docs 推出后，又花了 10 至 15 年，人们才发明了所有本来显然应该存在的 SaaS 公司。 ## [09:44] 专业服务与咨询行业意外繁荣 Evans 近期写作中最反直觉的数据点：最先进的 AI 公司——Anthropic、OpenAI——既是专业服务最大的采购方，也是人力编制增速最快的雇主。想清楚 AI 让某些任务变便宜之后真正发生了什么，这个"矛盾"就不再是矛盾。 Evans 引入了一个核心区分：任务与工作。你雇用麦肯锡，不是为了让他们做一份 75 页的 PPT。PPT 是任务；工作是走遍你的企业，理解内部政治，与客户交谈，弄清楚你到底需要做什么。Claude 可以做出一份凑合的 PPT，但干不了那份工作。同样的逻辑适用于会计：自从加法机问世，每一波自动化都增加了在职会计师的数量，因为计算变便宜会扩大公司决定去衡量和行动的事项范围（这正是杰文斯悖论在起作用）。 > *"软件开发也是同样的道理。在 IDE、库和操作系统出现之前，开发者要自己写所有代码。现在如果你写一个 iPhone 应用，90% 的代码是 Apple 帮你写好的……所以我们现在的工程师数量是以前的十分之一吧？不，并没有。"* 电商类比同样一针见血：Amazon 能帮你拿到 SKU，前提是你知道自己想要哪个 SKU——"知道自己想要哪个 SKU，那本身也是一份工作。" ## [17:44] 分发正在成为终极护城河 Evans 质疑了 AI 驱动的岗位流失会很快发生这一前提。企业软件的销售周期至少 18 个月；SAP 不会一夜之间被替换掉。他以 Frame.io 为例：该产品在实际推出前 15 年，技术上就没有什么瓶颈了——真正的瓶颈是有人意识到这个问题存在于某个特定行业，并找到了能解决它的特定方法。 更大的逻辑是：组织变革的速度与模型能力提升的速度是脱钩的。企业没有专门的项目团队就无法推进 AI 转型——这正是咨询和前线工程部署正在繁荣而非萎缩的原因。模型改进的速度，与企业消化变化的速度，是两条不同的曲线。 > *"不，大家不会直接把 SAP 拆掉换成某某产品。也许三年、五年、十年后，整个格局会截然不同，所有那些工作都会变——但这需要一个行业一个行业地推进，是需要时间的。"* ## [23:17] 职业转型的真实情况与过度恐慌 Evans 倾向于历史规律：1800 年以来，每一波技术浪潮都自动化了一批工作，同时创造了新的工作，而新工作系统性地优于旧工作。消失的工作事后看来总是显而易见，而出现的新工作事先都说不出名字。他提到 IBM 的一则广告：1950 年代的广告宣称 IBM 电子计算器"相当于多了 150 名工程师"——这和今天 Claude Code 的销售口径如出一辙。 他认为"这次真的不一样"这个论点中有一点值得认真对待：AI 借助现有互联网基础设施扩散，速度比以往技术更快。但他指出，采用速度和制度变革速度是两条不同的曲线，后者的速度并没有同步加快。 > *"这将与其他一切完全不同——就像其他一切一样。"* 关于 AI 是否终结了"固定劳动量谬误"——他的回答是：不会。200 年的数据说明了这一点，举证责任在于声称这一波与众不同的人。 ## [27:33] AGI 定义为何不断移动 Evans 观察到一个规律：每当 AI 做到了我们认为不可能的事，AI 的定义就会把它排除在外。机器学习变成了"只是统计学"；图像识别变成了"只是图像识别"。现在 AGI 的定义正在从"有灵魂、有生命的东西"悄悄挪向"能完成相当比例的有经济价值的工作"——而按后一个定义，1975 年的 IBM 大型机也算。 他还观察到"超级智能"的定义也在重新被界定：去年它意味着接近但还未到 AGI；现在它意味着比 AGI 更难、尚未实现的东西。这些术语始终朝着能为当下叙事服务的方向移动。 > *"AI 就是机器还不能做的事——因为一旦机器能做了，人们就说：'那只是软件。'"* 他的实质性观点是：即便模型明天停止进步，当前这一代也已经足够强大，能在未来十年重塑多个主要行业。你不需要相信 AGI 就能相信这是一件大事。关于机会集不断扩大——Evans 同意可寻址市场在持续增长（大型机约 8 万台；智能手机 55 亿部），五年前"人不够用了"的论点已被证伪。方向是向外扩展，将经济活动更大的切片自动化。 ## [38:11] 价值将落在哪里：模型层还是应用层 Evans 对 AI 技术栈的结构性判断：基础模型似乎不具备网络效应，这意味着不存在赢家通吃的动态，不会让某个厂商一骑绝尘。持续竞争加上商品化特征的产品，通常意味着利润空间被压缩。 他用电信类比：全球移动通信收入约每年 1 万亿美元，承载的数据量是 2010 年的 1500 至 2000 倍，而移动运营商的股价在 25 年里基本没动。运营商建设了真正复杂的全球基础设施，但所有价值都流向了在栈上更高处的应用。基础模型可能走上同样的路。 > *"你洗衣服，博世不会把洗衣机价格的一部分分给电力公司。"* 关键问题是：模型层更像 Windows（操作系统，对上层有杠杆），还是更像 AWS（基础设施，上层真正运行的软件不在乎跑在哪朵云上）？他的判断是：更可能像 AWS，这意味着应用层会捕获大部分价值。 ## [42:55] 分发之战：Google、Meta、Apple 与 OpenAI 随着 AI 模型向商品化质量收敛，决定性变量变成了分发。Google 利用搜索和 Android 把 Gemini 推送到数十亿台设备上；Meta 把它"喷洒到每一个服务界面"，尽管科技圈不以为然，却在使用率调查中排名意外靠前；Apple 有十亿台具备端侧能力的设备，却在 WWDC 2024 上没能端出自己的愿景。 OpenAI 去年年底的"全面出击"策略——同时向各个方向发力——是一场分发方面的争分夺秒：在 Google 和 Meta 的既有平台把你的独立产品挤出局之前，如何先建起飞轮？ > *"如果产品是商品，那么分发就是关键……在整个市场基本商品化的情况下，分发和品牌变得至关重要。"* 他用浏览器大战作为模板：微软靠分发赢了浏览器之争，结果发现赢得浏览器根本无关紧要，因为价值在更上层的栈里。 ## [48:12] 反 AI 情绪与抵制浪潮 Evans 把反 AI 的抵制描述为"一大堆混杂在一起的东西"，有些合理，有些不然。关于水资源和能源的担忧：利弗莫尔实验室的一项研究估计，美国数据中心用水量约占美国总用水量的 0.017%，"AI 在抢我们的水"这个说法基本是无中生有。关于能源：数据中心约占美国能源消耗的 5%，每年可能增长约 1 个百分点——有影响，但并非灾难性。 关于就业：目前的计量经济学数据显示，18 至 24 岁群体的就业放缓，在 AI 相关领域和非 AI 相关领域同等程度地出现，因果关系尚不清晰。他还指出一个结构性数据问题：没有一家模型厂商公布有意义的日活用户数据，因此所有劳动力市场分析都建立在推算数据上。 > *"你没办法用道理说服一个人放弃他根本不是被道理说服接受的想法。"* 他把这与社交媒体的抵制浪潮相比：有些担忧是真实的，有些在事实层面是错误的但无法被纠正，大量的处在模糊地带。他预计 AI 的抵制浪潮会走同样的路，只是时间压缩了。 ## [53:11] 在 AI 时代如何养育孩子 Evans 的回答因孩子年龄而异——孩子还在青少年早期，离直接面临就业市场冲击还早。他说自己没有系统性的方案，这与他一贯"大概率没问题"的预设一致。他引用了 George Carlin 的话：比你担心多的人是疯子，比你担心少的人是蠢货——所有人都觉得自己在中间。 他确实点出了一个此前技术浪潮没有的真实隐患：深度伪造能力大幅降低了特定类别伤害的门槛。一个 15 岁的孩子用 Photoshop 没办法在一个下午生成并传播班里每个同学的色情伪造图片；现在可以了。这是性质上的变化，不只是程度上的变化。 > *"一个 15 岁的孩子没法用 Photoshop，在一个下午给高中里每个女生做色情裸照，然后发给全校。现在可以了。"* 他援引了英国邮政局丑闻——富士通的缺陷软件让数百名无辜加盟商身陷囹圄——作为提醒：每一波技术浪潮都会产生毁掉人们生活的方式，无论有意还是无意。 ## [58:27] 哪些职业值得选择，哪些应该规避 Evans 不会指点儿子往哪个方向走，也不会让他回避哪个方向——孩子还没到"我想当消防员"的阶段。他的通用框架是：找到你的技能、能发挥这些技能价值的工作、以及有人愿意为之付钱的事情三者的交集，尽量在其中至少两项上站稳脚跟。"我要成为某某"那种职业确定性已经消失了，而这比 AI 出现更早。 ## [59:20] 没有人在追问的 AI 问题 Evans 提出了两个被低估的问题。第一：模型厂商真的有定价权吗？大多数讨论默认当前状态——每月花 150 万美元买 token 能上头条——是一种稳定均衡，而不是一个类似 2010 年 5 万美元移动数据账单的过渡时刻。 第二：什么是"任务"，什么是"工作"——具体用于预测哪些行业会被颠覆时，这一区分该如何运用？他用录制音乐收入作为镜头：从 2000 年至今的 U 形曲线呈现出两段截然不同的动态。第一段下跌（2000—2015 年）是"如果你不必花 15 美元买一张 CD 会怎样"。回升阶段（2015 年至今）是"如果 15 美元一个月能买到所有存在的音乐会怎样"——这是一个完全不同的价值主张，从之前的有利位置是看不出来的。 他警告不要使用 O*NET 那种方式——按 AI 暴露比例给每个职业打分——并评价道："我觉得这是最荒谬的一堆自欺欺人的废话。"你没办法说一位资深律所合伙人的工作有 17% 可以被自动化，因为你根本无法完整拆解一份工作究竟是什么。1997 年假想的出租车司机例子说明了另一种错误：互联网显然不会碰出租车——结果 Uber 把整个行业重构了。 > *"你认为没有暴露的那些——你没办法预测哪些东西会被暴露。很多大公司，都是那种看起来不像会成的、也看不出有暴露风险的。"* ## [66:25] 如何在未来的变局中取得成功 Evans 给出的实用建议，带着恰当的保留：不要把头埋进沙子，不要把"AI 是邪恶的"当作道德立场。这只能制造一种优越感，对职业发展没有任何帮助。替代方案是：扎进去用，理解这些工具能做什么、不能做什么，形成对它们在你具体领域意味着什么的独立判断。 他直言这对所有人未必够用——如果一家律所去年招了 100 名律师助理，今年只招 50 名，懂 AI 能提高你进入那 50 名的概率，但无法保证。整体图景或许没问题，但转型期的个体结果充满不确定性。 > *"答案是你完全投身其中，把自己浸泡进去，出来的时候明白你能用它做什么、它改变了什么、你怎么成为一个优质的候选人。"* ## [68:43] AI 专题 Lenny 问 Evans，哪个 AI 使用场景真正让他感到惊喜。Evans 给出了一个诚实的回答：他是那个看着电子表格的律师。他的工作——把分散的信息综合成新的想法——恰恰是 AI 目前最难处理的任务类型（可靠的精确信息检索）。他用 AI 做校对、图像生成，以及重新规划公寓布局。他口述语音备忘录，由 AI 自动转录；这算不算 AI，越来越难说清楚。 他引用了一位喜剧演员的段子：我们希望 AI 去清扫街道、做所有没人愿意做的脏活——结果它反而在帮你写作和创作图像，而这些恰恰是人们真正享受的事情。 > *"AI 擅长计算机一直不擅长的事，而不擅长计算机一直擅长的事——我很难找到多少例子，是我真正需要用到它的。"* ## [71:43] 闪电问答 Evans 推荐了《Three Men in a Boat》（维多利亚时代英国幽默小说，他用来类比人类荒诞本性的万能参照）和 William Cronon 的《Nature's Metropolis》（芝加哥经济史，读起来像一本关于网络动态和渠道冲突的教科书，直接适用于平台思考）。在电影方面，他最近在补经典——最近看了《第七封印》，认为确实精彩，而且比它令人望而生畏的名声所暗示的短得多。 他的人生格言："大概率没问题。"他收藏的 20 至 30 部 iPhone 前时代手机——包括爱立信 R310s 鲨鱼鳍翻盖手机、2001 年的 iMode 手机，以及一部带彩色屏幕和摄像头的日本手机——印证了他更大的论题：iPhone 出现之前，每个人都在围绕不同的形态创新；然后一切收敛成一个形状，正如 AI 界面也可能以我们现在无法预见的方式收敛。 ## 实体 - **Benedict Evans**（人物）：独立科技分析师，前 Andreessen Horowitz 合伙人；定期发布关于重大科技平台转变的研究报告；本期嘉宾。 - **Lenny Rachitsky**（人物）：Lenny's Podcast 主持人，Lenny's Newsletter 创始人，前 Airbnb 产品经理。 - **Andreessen Horowitz (a16z)**（机构）：风险投资公司，Evans 曾在此担任驻场分析师和合伙人多年。 - **OpenAI**（机构）：AI 实验室；作为分发策略、定价动态和专业服务投入的主要案例被讨论。 - **Anthropic**（机构）：AI 实验室；与 OpenAI 并列，作为专业服务采购方和基础模型商品化问题的参与者被提及。 - **VisiCalc**（软件）：第一款软件电子表格（1970 年代末）；Evans 用来类比"某项技术对某个行业显而易见、对另一个行业却毫不相关"的那个关键时刻。 - **杰文斯悖论**（概念）：经济学原理，指让某种资源变便宜通常会增加其总消耗量；是 Evans 论证"自动化会扩张专业服务而非收缩"的核心依据。 - **固定劳动量谬误**（概念）：认为工作总量固定、自动化必然挤压就业的错误信念；Evans 援引它来论证 AI 驱动的自动化将像历次自动化浪潮一样创造新岗位。 - **任务与工作**（概念）：Evans 的核心分析框架：AI 所自动化的任务（做 PPT）往往不等同于你被雇来完成的工作（理解客户组织与内部政治）。 - **基础模型**（概念）：大规模 AI 模型（GPT-4、Claude、Gemini、Llama）；Evans 认为它们可能缺乏网络效应，将趋向商品化定价，价值会积累到其上方的应用层。 - **Google / Gemini**（机构/软件）：Evans 举出的分发护城河典型案例——Gemini 借助搜索、Android 和 Chrome 在 OpenAI 建立同等触达面之前率先覆盖用户。 - **Meta / Llama**（机构/软件）：科技圈低估的反例——Meta 把 AI 部署到旗下所有产品，在使用率调查中排名意外靠前。 - **Apple Intelligence**（软件）：Apple 在 WWDC 2024 上展示的 AI 助手愿景；Evans 称其为"迄今最有说服力的个人 AI 助手愿景"，但当时和其他所有人的同类产品一样，尚未真正落地。

Dan Shipper 是 Every 的联合创始人兼 CEO，本次回归带来 12 个反直觉预测，大多数都在对抗当下流行的恐慌情绪。他的核心论点：自动化不会压缩人的工作量，而是重塑工作结构；Codex 与 Claude Code 正成为知识工作的新操作系统；SaaS 末日论是个幻觉；而你真正需要的生存技能只有一条——愿意顺着模型走，跟上它们的进化节奏。Every 这家 30 人公司本身就是这套论点的活体实验，这让 Dan 能以罕见的现场视角来检验这些预测是否成立。 ## [00:00] Dan Shipper 简介 Lenny Rachitsky 开场提到 Dan 上次来时随口做了一个预测——非技术人员严重低估了 Claude Code 的潜力——结果被证明"准得出奇"。Dan 此番回归带来十二条新预测，并直接亮出结论： > *"AI 失业潮根本不是真实存在的东西。"* ## [02:56] Dan 活在 AI 未来里的独特视角 Dan 解释了 Every 为何能成为早期信号实验室：每一位员工，无论编辑、运营还是财务，都是 AI 的日常使用者，这让公司对未来十二个月的实际走向有了先行优势。他把这与"旧金山泡沫"视角做了对比，认为 AI 应用的真正前沿不在 AI 的构建者那里，而在 AI 与具体领域专家真实工作相遇的地方。 > *"AI 的边界，就在 AI 与一个真实的人做真实的事相遇的地方。"* ## [09:17] 未来一年我们的工作方式将如何改变 Lenny Rachitsky 将预测分成三个层次：我们怎么工作、工作本身的形态、以及谁会脱颖而出。Dan 的第一条预测是：所有职业工作最终会汇聚到同一个界面——Codex 或 Claude Code——作为平行工作伙伴，在你专注于主文档时，帮你做调研、写邮件、发起耗时任务。他本人已经连续十天保持收件箱清零，靠的是 Codex 搭配 Every 自研的邮件智能体 Cora 处理往来邮件。 > *"我感觉有一个平行工作伙伴，它不只能在文档里回复和写作，还能出去做调研。"* ## [16:39] 通用智能体的理由 Dan 预测每家公司都会有一个驻扎在 Slack 里的"超级智能体"，供所有员工每天交互——这不是功能单一的任务机器人，而是掌握公司全部上下文的通用助手。这个智能体将成为组织的记忆层，负责路由问题、浮现数据、弥合那些彼此不知道需要对话的团队之间的断层。 ## [18:08] Codex 与 Claude Code：知识工作的新操作系统 Claude Code 的突破在于把一个有能力的智能体直接放到你的电脑上，赋予它终端权限，关键是还有浏览器访问能力。Anthropic 率先摸索出了这套范式；OpenAI 大约在 5.3 版本追上来，随后加速。Dan 目前的日常主力是 Codex，他把它与自己的写作应用 Proof 并排持续运行——智能体监视他的浏览器，读取他正在浏览的页面，无需切换上下文就能代他行动。 > *"无论谁领先，在我看来已经非常明显：你所有的工作都将在这两个界面之一里完成。"* "把自己的 AI 令牌带进 SaaS 应用"这个模式重塑了商业逻辑：SaaS 产品不再支付推理成本，用户自己付，利润率得以恢复，也消除了从零构建专有 AI 层的压力。 ## [25:39] Cursor 的位置 Cursor 目前主导着编程工作流，但 Dan 认为它正站在一个战略十字路口：要么继续专注于编程 IDE，要么进化成通用智能体界面。保持专注意味着产品清晰；走向通用意味着直接与 Codex 和 Claude Code 竞争。他的预测是：最终赢得这个品类的，将是能把代码工作和通用知识工作整合在一处的界面。 ## [27:42] SaaS 公司该怎么调整产品方向 SaaS 产品现在需要对智能体可读，而不只是对人类可读——干净的 HTML、良好的 CLI 可用性、为自动化消费设计的信息呈现。Dan 以 Proof 举例：因为 Codex 在监视页面，用户遇到的小摩擦几乎能立刻被修掉，"发现问题"到"问题解决"的闭环大幅压缩。 > *"你能看到这个极速闭环的雏形：遇到一个小摩擦，然后直接在这里修掉。"* ## [31:13] CLI 时代已经终结 CLI 的时代被快进跳过了。这波浪潮的顺序是：图形界面，然后 CLI 作为高效操作的方式，然后智能体彻底取代 CLI。一旦你的智能体能通过读取屏幕来操作任何界面，待在终端里的理由就消失了。Dan 的判断直截了当： > *"CLI 已经终结了。我们快进跑完了 CLI 时代。"* ## [33:34] 两个智能体比一个更好 Dan 反对智能体万能论。真正浮现出来的模式是专用智能体——一个负责编程、一个负责邮件、一个负责数据——它们代表用户相互协作。当某个应用出问题时，Codex 可以直接与该供应商的智能体对话来诊断问题，不需要提交工单。一旦默认每个人都有智能体、智能体之间可以协商，整个范式就变了。 ## [36:22] Dan 为何看好 SaaS 股票 "SaaS 已死"的叙事忽略了智能体驱动使用时经济逻辑的实际运转方式。当用户把自己的 AI 令牌带进 SaaS 产品，供应商的推理成本趋近于零。Dan 的反直觉立场： > *"我现在就会买 SaaS 股票。"* 把产品做得对智能体友好的 SaaS 公司，不会被中间层替代——反而会获得利润率的顺风。 ## [39:01] 自动化为什么不会减少人的工作量 这是本集最核心的论点。Dan 认为，每一层自动化之上都需要一个人类管理者来验证它是否正常运转。他为此构建了自己的基准——"高级工程师基准"——让两位真正的高级工程师各自从零重写他的 Proof 应用，再拿新模型的输出与这两份参考解对比打分。各模型此前只能得 30 分（满分 100），直到 GPT-5.5 跳升到 60 分。 这个差距揭示了一件重要的事：模型会修你指出的问题。而一位资深人类工程师看完代码库，会主动判断需要彻底重写，并直接说出来——模型不会自己浮现这种判断。永远有一个更高层次的框架，需要人类来说出口。 > *"每次你自动化一件事，为了确保自动化运转良好，你都需要一个人在上面盯着它运转良好。"* ## [47:00] 人类编写代码的价值 人类写的代码仍然是衡量模型输出的参照信号。Dan 的基准依赖两份人类亲手重写的版本作为基准真值。随着 AI 生成代码成为默认，人类编写的代码库愈发稀缺，也愈发珍贵——它是你判断 AI 是否真的在进步的那把尺子。 ## [48:36] 快速回顾 Lenny Rachitsky 总结第一个预测层：工作发生在 Codex 或 Claude Code 里；每家公司都有一个 Slack 超级智能体；自带令牌模式恢复 SaaS 利润率；CLI 已终结；两个专用智能体胜过一个通才；自动化扩大而非压缩人的工作量。 ## [50:15] 工作本身正在如何改变 第二个层次聚焦于工作形态本身。Dan 的观点：前线部署工程师将成为最有价值的雇员——能坐在客户旁边，理解他们的工作流，在同一场会议里构建并交付解决方案。他早期文章中提出的"分配经济"概念在这里适用：人类从直接生产者变成 AI 能力的分配者，而分配本身在认知上同样要求很高。 > *"我同时是个 AI 深度用户，也非常看好人类，看好人类在确保 AI 产出值得产出这件事上所扮演的角色。"* ## [56:17] 数据科学家为何被糟糕的分析淹没 公司里其他人用 AI 生成的分析大量涌入数据科学团队——这些分析看起来合理，但经常出错。高级数据科学家的工作从生产分析转向审核分析，这更难，认知负荷更重。同样的动态也冲击工程：初级请求被模型接管，反而让更多边缘情况浮出水面，需要更深的判断力来解决。 > *"你需要更多高级别的人来处理那些更深层的问题，因为基本请求已经被自动化处理了。"* ## [58:24] 哪些产品和技术岗位受 AI 冲击最小 Dan 的答案：那些最难被整理成提示词的岗位。他区分了"看守智能体"——被动等待报错——和"前线部署工程"——主动构建系统让其他人做到原本需要专家才能做的事。后者才是有趣的、难以自动化的工作所在。 ## [62:17] 我们会读到更多 AI 生成的内容，而且会喜欢上它 Every 用 Notion 智能体做季度规划——每个团队的战略报告由 AI 生成，Dan 收到的输出比手动规划出来的更好。他的邮件大多由 GPT-5.5 代写。他判断 AI 生成内容是否可接受的标准：发件人是否需要真正理解内容才能指挥 AI？如果是，没问题。如果发件人明显没读过，那就是对社会契约的违背。 > *"slop 的定义是：他们生成它花的时间，比我读它花的时间还少。"* 他还在 Every 发布了由智能体协作撰写的指南，明确设计为同时供人类和其他智能体阅读——一种针对双重消费优化的新内容形态。 ## [68:28] 为何 PM 将主导 AI 时代 Dan 以 Every 内部的 PM Marcus 为原型——他负责 Spiral 产品，有强烈的产品感知，能指挥 AI 快速构建和迭代，不需要等工程带宽就能发布。PM 本质上是分配者——决定该构建什么、为谁构建——当构建本身变得廉价，这种能力反而更稀缺。 > *"我对 PM 非常非常看好。"* ## [71:05] 全栈设计师是另一大赢家 全栈设计师——兼具强烈视觉判断力又能在代码层操作的人——已经在 Lovable 和 Figma Make 这类工具里直接提 pull request 了。设计与工程之间的交接趋近于零。Dan 预计他们将和 PM 一起，成为 AI 时代炙手可热的超级英雄。 ## [73:11] AI 失业潮不会来 Dan 把当前一轮裁员（大多是过度招聘后的修正）与结构性 AI 替代主张分开来看，并否定后者。他的结构性论点：模型在人类既有能力上训练，产出的是已知事物最默认的形态。人类通过用这份冻结的能力做新的事情来推进边界，创造出模型需要追赶的空间。这个循环不断重复。 > *"从模型运作方式的结构来看，永远会有人类继续往前推进的空间。"* ## [76:00] 如何「顺着模型走」保持竞争力 可操作的建议：不要抵触新模型的发布——把每一次当作一批新能力，主动探索并用到你自己的领域里。每次有重大模型发布，Dan 都会重新跑一遍他的高级工程师基准。他还反驳了 AI 知识前沿在旧金山的说法。Every 在布鲁克林运营，能保持领先恰恰因为他们把模型用在所有事情上，而不是因为他们在构建模型。 > *"你唯一需要做的就是顺着模型走。意思是，把它们用在你所做的任何事情上。"* ## [81:02] 最终预测与建议 Lenny Rachitsky 向后退一步：这次对话的两面是"变化比你担心的少"（SaaS 继续存在，工作不会消失）和"变化比你准备好的多"（工作如何完成、哪些角色重要、一天的工作长什么样）。Dan 的最终判断：前线部署工程师是新时代最重要的招聘；封锁员工使用最新模型的公司，正在慢慢积累一个战略性错误。 ## [85:24] 闪电问答 快速轮转：Dan 最反直觉的观点是 AI 失业潮真的不会来；他最希望更多人理解的是，AI 的前沿不在旧金山——而在任何有人用模型做真实领域真实工作的地方。他会告诉过去的自己更早招募高级工程师，并预计 AI 将在未来一年从根本上改变人们看待基准的方式。 ## 实体 - **Dan Shipper**（人物）：Every 联合创始人兼 CEO；「自动化之后」一文的作者；将 Every 作为 AI 应用的活体实验室运营 - **Lenny Rachitsky**（人物）：Lenny's Podcast 主播，Lenny's Newsletter 创始人，前 Airbnb PM - **Every**（组织）：30 人规模的 AI 原生媒体与软件公司；所有员工均为 AI 日常用户 - **Codex**（软件）：OpenAI 的智能体编程与通用知识工作界面；Dan 目前的日常主力工具 - **Claude Code**（软件）：Anthropic 的终端端编程智能体；率先开创了"驻机智能体"范式 - **Proof**（软件）：Dan 的 AI 辅助 Markdown 写作应用；其高级工程师基准的参考代码库 - **Cora**（软件）：Every 自研的邮件智能体，与 Codex 集成用于收件箱管理 - **Cursor**（软件）：AI 编程 IDE，正面临在纯编程工具与通用智能体界面之间的战略选择 - **前线部署工程师**（概念）：融合工程执行能力与客户侧问题发现能力的复合角色；Dan 认为这是 AI 时代最有价值的新型岗位 - **高级工程师基准**（概念）：Dan 的自定义评估体系，由两位人类高级工程师从零重写代码库作为参照解，新模型输出与之对比打分 - **分配经济**（概念）：Dan 的框架，预测人类从直接生产者转变为 AI 能力的分配者 - **顺着模型走**（概念）：Dan 保持竞争力的建议——把每次新模型发布视为一批新能力，主动探索并应用到自己的领域中

Caitlin Kalinowski 交付过 MacBook Air、每一代 Meta Quest，后来又在 OpenAI 从零组建了机器人团队。她的判断是：AI 软件到达饱和点的速度比大多数人承认的要快，真正的竞赛已经转向物理世界。她梳理了可能扼杀机器人热潮的供应链硬伤，解释了为何人形机器人大多仍是原型，讲述了 Apple 对机柜背板的执念如何塑造了她对硬件卓越的理解，以及她为什么选择公开而非悄然离开 OpenAI。 ## [00:00] Caitlin Kalinowski 介绍 节目以一段后半段对话的剪辑开场：Caitlin 警告说，AI 加速正在"垂直拉升"，下一个前沿根本不在数字世界，而在物理世界。她在一句话里并列提到了机器人、制造业、无人机和航母，给整场对话定了基调——硬件是国家基础设施，不只是产品战略。 > *"加速正在垂直拉升，用 AI 在键盘后面能做的事情终究会到达饱和点。那之后，下一个前沿就是物理世界。"* ## [02:32] VR 为何在硬件极佳的情况下仍未普及 Caitlin 的直白判断：VR 从来都只是游戏市场的小众品类。但事情不止于此。十年头显研发解决了 SLAM、深度传感、空间定向和人类视觉感知，而所有这些技术突破如今都是机器人领域的承重墙。她不后悔那段工作，把 VR 看作实体 AI 的研发阶段。 > *"我把它看作一段漫长技术弧线上的一步。所有这些技术都在机器人领域得到了应用，因为你需要理解机器人如何在空间中移动。"* ## [04:55] AR 眼镜与实体 AI 的未来 Meta 的原型 AR 眼镜 Orion 采用波导和 microLED，目前还无法以消费级价格量产——Caitlin 认为这是超前于时代，而非失败。她认为 AR 眼镜解决了手机带来的问题：你可以在获取信息的同时保持社交存在感。Orion 70 度双目视场角已经让用户产生强烈的沉浸感，亲身体验才能理解。 > *"戴上之后，你突然就会觉得——我感到沉浸了。这会让人非常清楚地明白，这就是未来的一部分。"* ## [08:45] 机器人和硬件为何突然变热 硬件从来都不是热门职业选择。Caitlin 眼看同事追着软件薪资跑了二十年。现在人人都在问硬件。她的解释是：AI 实验室已经能看到数字隧道的尽头。软件智能会饱和，不是今天，也许不是两年内，但轨迹已经清晰可读。这让物理世界成为下一个复利曲面，各大实验室和大厂正在同步重新布局。 她用编译器类比描述核心挑战：软件工程师每天迭代；硬件工程师一款产品的生命周期里只有四五次"编译"机会。最后一次量产构建是不可逆的，这迫使硬件从业者形成更保守、更重测试的思维方式。 > *"做硬件，我们的代码只能编译四五次。最后那次编译一旦完成，就结束了。"* ## [13:33] 人形机器人还没准备好的原因 人形机器人仍是原型。物理学逻辑是：高速运动的手臂携带的动能同时取决于手臂质量速度和执行器旋转能量。在机器人能够通过柔性材料、受控力矩限制和足量真实世界数据证明人机安全共存之前，它们只能待在有围栏的工厂车间，进不了家庭。Caitlin 提到有些中国人形机器人出厂手册里写着禁止人员在三英尺内站立：还没准备好。 > *"在我看来，人形机器人仍是原型。我们首先需要证明这东西能跑通，而这大致就是我们现在所处的阶段。"* ## [16:13] 威胁机器人发展的供应链瓶颈 哪怕一个人形机器人的设计跑通了，扩产到数十万台也会撞上一堵硬墙：供应链。机器人里每一个零件都有来源，而很多来源所在国与美国的政治关系随时可能生变。执行器、其中的稀土磁铁、分总成制造专知——这些在过去 25 年里全都被迁移到海外。Caitlin 不做道德评判，她自己也是这个转移过程的一部分。但风险如今已成结构性问题。 > *"这台机器人里每一个零件都来自某个地方。很多零件可能变得更受限制或更难制造。"* ## [17:31] 磁铁与执行器为何是关键依赖 -- _Note: Better motor diagram:_ 执行器就是电机：电进去，运动出来。大多数机器人用带减速齿轮的转子式设计驱动肢体。这些电机内部的稀土磁铁是最底层的依赖。从原始磁铁到成品执行器再到机器人分总成，整条供应链层层叠叠在过去二十年间全部迁移到了中国、日本和韩国。Caitlin 把它描述成一个技术栈：磁铁断供，你得重新设计执行器类型；执行器断供，机器人根本造不出来。 > *"要拥有安全的供应链，我们需要开始在这些层次和技术栈上建立一定的独立性。"* ## [20:51] 硬件供应链的地缘政治影响 驱动无人机旋翼和驱动机器人手臂用的是同一条基础供应链。Caitlin 谈到了乌克兰，无人机作战已经证明廉价自主硬件比昂贵的传统武器平台更有效。她的立场是：美国需要再工业化才能保障军事安全。她赞同 Palmer Luckey 的观点，认为对无人机的投入应该超过航母，并且希望这个国家重新学会如何处理原材料、如何规模化制造——不是出于民族主义，而是基本的国家韧性。 > *"今天的盟友明天未必还是。我非常希望我们重新学会如何大规模制造东西，如何更加独立。"* ## [24:48] 实体机器人的 AI 安全隐患 聊天机器人的提示词注入和越狱已是公知问题；针对实体机器人的对抗攻击讨论要少得多，危害却远更严重。Caitlin 分享了一个亲身测试：她给 OpenClaw 访问了自己的邮箱地址和社交媒体账号，明确告知不得分享私人信息——五分钟后它已经把她的个人邮箱地址发出去了。当机器人有手臂并在真实世界中移动时，同样的失效模式会带来物理后果。 > *"我们必须能够控制对硬件层的对抗威胁，无论是机器人、无人机还是其他任何设备。这将是一个巨大的挑战。"* ## [26:50] Apple 对硬件卓越的追求 Apple 把硬件视为一等公民，这比听起来要罕见。Caitlin 在那里吸收的更深层教训——由 Jony Ive 讲述的 Steve Jobs 关于"机柜背板"的著名故事加以强化——是：关注用户永远看不见的那一面，会迫使工程、工业设计和制造团队真正理解每个决策背后的原因。对每个细节的一丝不苟，最终让真正重要的东西浮出水面，在终态呈现出简洁。 > *"设备内部的每一个设计决策都经过考量。这迫使工程团队去思考：我们到底在做什么，权衡在哪里。"* ## [30:10] 在 Meta 从零搭建硬件团队 Oculus 的创始人当年在模改论坛上认识，把 PlayStation 手柄改装进便携背包。这种创客文化在被收购后留了下来，Caitlin 的任务是把它转化为能命中良率、产量和成本目标的专业硬件组织。Apple 式的严谨加上黑客式的速度很难同时维系，但这个组合正是 Quest 系列诞生的土壤。 > *"Oculus 最初是一群把 PlayStation 或超级任天堂改装进便携背包的人，公司里有一种文化，对我们所需要的迭代速度来说其实相当好用。"* ## [31:39] Quest 2 降本故事 Quest 2 通过一次完整的降本产品重设计，成为有史以来销量最高的 VR 头显。目标是让更多人用上——这个目标驱动了每一个取舍：去掉摄像头、更换材料、重设制造工艺。当一个压倒一切的目标真正对齐时，设计决策会变得很快。重设计后的产品退货率比上一代更低，Caitlin 觉得这有点好笑，但完全在意料之中。 > *"当你真正对齐要让更多人用上这个产品，而实现方式就是降低成本，那么其他所有事情自然跟着走。"* ## [33:07] 硬件开发的关键原则 Caitlin 反复回到四条原则：在第一次构建前锁定 KPI，不要在项目中途更改；最难的部分先设计，不要先做你已经熟悉的部分；在用户接触最多的界面上投入最多迭代；永远不要等——任何你知道该做的事今天就做，因为意外永远离你只有两天。她还补充了 Elon Musk 对每克重量赋予明确数字成本的做法，这让权衡变得可计算，而不是政治问题。 > *"用户接触或交互最多的部分，需要比其他一切都多得多的迭代。"* ## [39:58] MacBook Air 马尼拉信封时刻 第一代 MacBook Air——Steve Jobs 从马尼拉信封里抽出来的那台——是小批量概念验证机，侧面有一个切出来的接口舱门。Caitlin 参与的楔形 Air 是第二代量产修订版。信封版证明了概念，Caitlin 的团队证明了它可以规模化。 > *"那是信封版，侧面舱门打开才能用接口。然后它的下一个修订版就是我们熟知的楔形 MacBook Air。"* ## [41:01] 蝴蝶键盘的那段往事 被问到这个话题时，Caitlin 微微闭了下眼。她不详述内部发生了什么——那些不是她负责的产品——但她说得很清楚：键盘恰恰是最需要最大迭代量的界面，用户每天要接触好几个小时。现在的 MacBook 键盘很好。她把两个事实之间的空白留给听者自己填。 > *"这显然是你必须做对的东西。现代 MacBook 键盘非常好用、非常出色。"* ## [41:43] Apple 对用户反馈的方法论 "用户不知道自己想要什么"这句话被普遍误读。Caitlin 的理解是：对于真正全新的产品——触屏手机、AR 头显——迭代式用户反馈会主动误导你，因为用户对不存在的东西毫无参照。但把东西拿给他们看，他们马上就能判断好不好。问题在于：零到一的产品无法和用户共同设计，愿景必须先有。 > *"把东西给他们看，他们绝对能立刻知道这很好，这就是他们想要的。但如果你陷入迭代反馈循环，就很难在全新事物上实现从零到一。"* ## [44:46] 硬件即将面临的内存价格危机 Caitlin 对每个硬件创业公司的实操建议：现在就预购内存。AI 数据中心需求叠加受限的供应链会产生价格尖峰，而内存市场从需求信号到供应响应的延迟意味着价格来不及调整。她认为价格大约会翻倍。她不知道确切时间线，所以她建议人们现在就对冲，不要等到价格尖峰来了再确认。 > *"我一直在建议创业公司和企业预购内存，如果负担得起，备足库存以应对价格尖峰。"* ## [49:31] 一台机器人有多少个零件 Matic 机器人吸尘器有 50 到 150 个零件，取决于统计深度。人形机器人剥开每块 PCB 上的每个贴片后可能高达数千。零件重要性层级：芯片和显示器交期最长；执行器即便只是原型采购也需要一两个月。芯片供应商一断，你不是换个元器件，而是整块电路板重新设计。垂直整合是目前唯一已知的防御手段，Tesla 和 Starlink 都走这条路。 > *"少一个零件，什么都造不出来。"* ## [52:53] 何时用现成方案、何时定制 原型阶段默认用现成方案——什么最快验证概念用什么。只有在量产阶段现成方案无法满足当初锁定的 KPI 时，定制才有意义。常见错误是过早定制，在概念验证之前就烧掉工程时间做优化。 > *"我尽量用现成方案，尤其是在原型阶段，因为原型阶段你真正需要展示的是这个东西的样子，以及这里有一个可运行的原型。"* ## [55:02] AI 如何改变硬件工程 AI 辅助 CAD 还处于非常早期的阶段。Claude 能处理曲面和点云，但还无法做硬件工程真正需要的参数化实体建模。PCB 布线走得更靠前——AI 已经能像模像样地处理板内布局。对 Caitlin 的日常工作而言，最大增益在于高层规划、竞争格局调研和快速建立设计权衡的 Excel 模型。缺失的拼图是一个理解摩擦、接触、重量和表面纹理的世界模型——这些物理直觉是大语言模型和视频模型目前所没有的。 > *"我有一种健康的挫败感——我想要一个面向硬件工程的 Codex。它非常有价值，我在其他方面用了很多，但我想要它用在我的领域。"* ## [01:00:27] 人形机器人并非大多数场景的答案 中国顶级制造产线上几乎已经没有人工。PCB 回流焊、光学检测、机械装配，全部由专用机器人自动化完成，不是人形机器人。Caitlin 的判断：我们不需要用人形机器代替工厂里的人。我们需要更多用途专一、具备模块化形态的专用机器人。人形机器人会处理需要通用能力的长尾任务；工业需求的大头是专用设备。 > *"我们其实不需要用人形机器人取代人类。我们只需要更多这类专用机器人。"* ## [01:03:05] 机器人何时能制造机器人 这一天会来，但不会是自我复制的样子。路径是：AI 辅助 CAD 成熟到让业余爱好者无需专业知识就能从一张 2D 草图走到可以交给供应商的 3D 装配体。主要瓶颈是数据——CAD 文件是制造业中保护最严密的知识产权，大型厂商会是慢采用者。知识产权焦虑低的爱好者社区可能是主要试验场。企业端的可行方案是部署在企业自己数据中心里训练专有 CAD 数据的本地 AI 模型。 > *"哪怕作为一个业余爱好者，能从一张 2D 图到复杂 3D CAD 再到装配体再到与供应商沟通——这件事会发生。"* ## [01:06:23] 让机器人有人情味和连接感的要素 HRI 研究者 Leila Takayama 的研究塑造了 Caitlin 的思维框架：人类期待进入一个空间时得到确认。无视你的机器人令人不安；抬头看你的机器人则不会。意图预告很关键——先看后转的机器人远比无预警直接运动的机器人少给人威胁感。Caitlin 觉得很多当前的人形机器人背后有那么多资金，却出奇地令人毛骨悚然。她的设计北极星是 Pixar 和 Disney，它们用非拟人形态传递情绪的能力是现有最好的参照系。 > *"你希望这些设备没有威胁感、看起来柔和、对你有回应。Pixar 和 Disney 大概是世界上最擅长做这类设计工作的。"* ## [01:09:15] 机器人走进家庭 消费者家庭比自动驾驶更难，不是更容易。Waymo 的参照点是人类驾驶，而 Waymo 有数据证明它在减少事故。家用机器人是在引入一个此前不存在的东西，所以用户在它失效时没有基准可以比较。信任需要从一个低得多的起点建立。Caitlin 认为这个门槛是可以达到的，但她对"五年内 2000 万台家用机器人"的预测嗤之以鼻。 > *"当你谈论一个全新的、此前不存在的产品，而不是取代某样已有的东西时，这更难卖，你需要有一套不同的叙事。"* ## [01:12:00] 未来五年的图景 AI 在未来两三年内重写知识工作——编程已经基本被吃掉了，其他所有案头工作都是下一批。物理世界变化更慢：无人机和自动驾驶明显在加速，但大众市场的家用机器人需要同时解决供应链、制造回流和安全问题。Caitlin 预计街上会出现更多机器人，但不会是人形机器人突然涌入每个家庭。 > *"AI 将从根本上改变我们的工作方式，这对我来说相当清楚。但无人机和自动驾驶之外，物理世界不太可能变化得那么快。"* ## [01:15:38] 她为何离开 OpenAI Caitlin 的那条推文被 700 万人看到，发出时机是刻意选择的：她知道离职消息会被报道，所以她抢先确立了自己的叙事框架。实质内容是：她关心在 OpenAI 共事的人，在那里确实做了有意义的东西，但围绕安全护栏的治理机制和决策速度让她感觉有问题，无法继续待下去。她在沉默和撕破脸之间选了一条中间路——一份点名问题但没有攻击具体个人的公开声明。 > *"你可以和朋友意见相左，觉得他们做的事不对。那就是我最终所处的位置，那就是我发推文说的。"* ## [01:18:09] 如何招到顶尖硬件团队 零到一硬件团队的三类招聘：能把相邻领域硬核直觉迁移过来的资深通才（自动驾驶→机器人是目前最佳管道）；能从头做机械设计的纯粹机器人工程师；以及 AI 原住民——二十出头、把 AI 用得浑然天成到它已经融入思维方式的人。Caitlin 特别希望 AI 原住民能教会团队里的其他人如何思考，而不只是如何使用工具。使命认同感可以缩短面试周期。 > *"真正的 AI 原住民，本质上是那些把 AI 用得如此自然、已经融入他们思维的人。他们解决问题的方式完全不同。"* ## [01:23:42] 从 Steve Jobs、Mark Zuckerberg 和 Sam Altman 身上学到的 Sam Altman："为什么不更多？"——这个反问让 Caitlin 意识到自己在局部思考，而机会是全局的。Steve Jobs：一条毫不妥协的质量标准，通过耳濡目染而非命令在 Apple 传播。告诉一个年轻工程师他们的作品还不够好，她说，比大多数人预期的更能激励人。Mark Zuckerberg：出奇干净的组织决策机制——决策推到能做出这个决策的最低层级，而 Zuckerberg 和 Andrew Bosworth 本人都能读完 20 页技术报告并抓住权衡点。 > *"对 Steve 来说，他对公司、对技术人才、对卓越所持有的标准从不动摇。就在那里，你要么能达到，要么就是达不到。"* ## [01:27:27] 失败案例 Quest 1，硬件 EVT 阶段，圣诞节前夕。Caitlin 的团队为降本把五个摄像头减到了四个。然后计算机视觉负责人发现：他对摄像头位置规格的理解（±1.5mm 全局）和机械团队的理解（±0.15mm）完全不同——而更宽的公差导致空间追踪失效。解决方案是把两个摄像头锁在一个刚性支架上，建立一个已知的立体基线。EVT 中期的架构改动，压力极大，但按时出货了。教训：机械团队和软件团队之间的规格对齐必须在开始时完成，而不是等到编译的时候。 > *"这是一次规格理解的失败。但我们保住了构建进度，按时交付了产品——真的压力很大。"* ## [01:32:33] 闪电问答 书单：Gene Wolfe 的《新太阳书》、Virginia Woolf 的战后写作、Herodotus 的《历史》。Caitlin 一直在和一位博士后导师按顺序读西方经典，用 Brodsky 的书单作为骨架，追问文化背景这类 Google 回答不如人类专家的问题。消遣：把《继承之战》当肥皂剧看。人生建议：画一棵未来自我的分叉树——前方永远有比身后那条路更多的选择。 > *"你每天都有机会决定你想做什么。重要的是眼前的事情。"* ## 实体 - **Caitlin Kalinowski** (人物): 前 OpenAI 机器人负责人、前 Meta VR/AR 硬件主管、前 Apple MacBook 硬件工程师；本集嘉宾 - **Lenny Rachitsky** (人物): Lenny's Podcast 主播，前 Airbnb PM，Lenny's Newsletter 创始人 - **Steve Jobs** (人物): Apple 联合创始人；因毫不妥协的质量标准和信封版 MacBook Air 发布而被引用 - **Mark Zuckerberg** (人物): Meta CEO；因干净的技术决策机制和将决策推到最低能力层级而被引用 - **Sam Altman** (人物): OpenAI CEO；因"为什么不更多？"的全局规模思维框架而被引用 - **Palmer Luckey** (人物): Anduril 创始人，前 Oculus；因"对无人机的投入应超过航母"论点而被引用 - **Apple** (组织): 硬件卓越标杆；Caitlin 2007-2012 年在此参与 MacBook Air 和 Mac Pro 工作 - **Meta** (组织): Caitlin 主导 VR/AR 硬件；参与每代 Quest 和 Rift 的开发；2014 年收购 Oculus - **OpenAI** (组织): Caitlin 组建了其机器人和硬件团队；以治理和安全护栏问题为由离职 - **Quest 2** (产品): 有史以来销量最高的 VR 头显；在 Caitlin 带领下完成降本重设计 - **Orion** (产品): Meta 原型 AR 眼镜；70 度双目视场角；超前于当前制造成本曲线 - **MacBook Air** (产品): Caitlin 参与楔形第二代量产版；因重量/尺寸纪律和信封发布会而被引用 - **Matic** (组织): 家用机器人吸尘器公司；用作零件数量统计和消费者信任度案例 - **Anduril** (组织): 国防科技公司；在无人机投资和美国再工业化背景下被引用

《精益创业》作者 Eric Ries 再度来到 Lenny's Podcast，探讨他的新书《不可腐蚀》（*Incorruptible*）。书中指出，摧毁知名公司的力量并非竞争对手或坏运气，而是伴随成功而来的可预见腐蚀。Eric 以诺和诺德、Cloudflare、Groupon 和 Anthropic 等案例为据，为希望跨越数十年与领导层更迭仍保持使命一致的创始人，提出一套具体蓝图——精神气质加结构完整性。本集内容充满可付诸实践的治理工具：从两页纸的公益公司申请，到使命守护者架构，任何创始人本周就能上手。 ## [00:00] Eric Ries 介绍 Lenny 以一段蒙太奇开场，呈现全书核心观点：成功本身会成为负债，80% 的风险投资支持的创始人在上市三年内被驱逐出局，解决方案在于结构而非道德。Eric 预告了 Anthropic 的故事——Dario Amodei 的团队在 AI 热潮到来之前，就将 AI 安全治理条款直接写入公司章程——这是保护性结构切实有效的最纯粹的当代证明。 > *"摧毁他们的不是竞争对手。恰恰是他们的成功本身变成了负债。"* ## [02:26] 《不可腐蚀》新书发布 Eric 与 Lenny 时隔多年再度相聚，并解释为何新书是《精益创业》的自然续集。他观察到，顶尖 AI 公司正在不经意间践行精益创业原则——发布 MVP 研究预览版，收集信号，快速迭代——与此同时，腐蚀问题也以文明尺度的全新形式出现。全书被设定为双重悬案：腐蚀为何发生，以及那些罕见的例外又是如何真正存活下来的？ > *"最优秀的 AI 公司正在做的事情，其实就是精益创业——发布 MVP 研究预览版，看看人们是否在乎，然后迭代并构建。"* ## [06:26] 保护你已建立的一切 Eric 引入了「无人掌控却人人服从」的力量——将使命驱动型公司拖入官僚主义、道德妥协或创始人出局的引力。他区分了两种失败模式：创始人被直接解雇，以及创始人眼睁睁看着自己的心血变成从未设想的模样。两者都源于同一结构性漏洞：建立公司时未将其使命编码进治理架构。 > *"有时我们失去控制是因为被解雇。有时是因为我们像弗兰肯斯坦和他的怪物——它开始变得恶意、官僚，甚至彻底邪恶，而我们却无法阻止。"* ## [11:35] 创始人为何会被驱逐 Lenny 提出大多数创始人的两个惯常反驳：「这不会发生在我身上」和「很多成功公司从未做过这些」。Eric 以哈佛法学院的统计数据回应——在标准风投治理架构下，上市三年后仍在位的创始人 CEO 只有 20%——并将此定性为结构性问题而非个人问题。自信的创始人并不能免疫；当初资助其成功的同一批投资人激励机制，最终将迫使流动性事件将他们出局。 > *"如果你在这件事上没做对，你为公司做的其他任何决定在长期都毫无意义——因为最终做决定的人不会是你。"* ## [14:58] 太早还是太晚 Eric 拆解了「以后再说」的反驳。那些看似在没有治理保护的情况下蓬勃发展的公司——比如 Cloudflare——几乎都将保护机制深嵌于结构之中，只是创始人不知道该去哪里找。他引入「种树的最佳时机」框架：建立保护性治理架构的理想时机是在融 A 轮之前，但次佳时机就是现在，无论处于哪个阶段。 > *"很多你不会立刻联想到使命驱动的公司，实际上在结构层面非常注重使命——而它们几乎总是长期繁荣的异类。"* ## [19:32] 蓝图：精神气质加结构完整性 Eric 预览了贯穿全书的双重框架：精神气质（ethos，定义公司绝不背叛之事的使命与价值观）和完整性（integrity，使精神气质在领导层更迭中得以持久的结构机制）。他警告不要将此视为自我感觉良好的练习——书的第一部分名叫「深渊的形状」——并承诺其中的战术是具体可执行的。 > *"确实有一套蓝图。我们可能觉得无能为力，但这是一个双重悬案：不只是为什么会发生，还有——在这个看似不可避免的规律面前，为何存在例外？"* ## [20:49] 诺和诺德百年治理堡垒 Eric 讲述了 Marie 与 August Krogh 的故事——这对丹麦科学家夫妇在 1920 年代将胰岛素从加拿大引入欧洲，并建立了一个基金会，永久掌控诺和诺德。诺和诺德基金会是一家无股东的非营利机构，至今仍持有公司的控制性股权。这一结构意味着，当「Martin Shkreli 式」的机会主义者试图收购公司并大幅提高胰岛素价格时，他们根本无法做到——基金会直接否决了交易。结果：一家百年老药企至今仍在坚守让胰岛素普惠可及的使命。 > *"基金会说：我们存在的目的是让糖尿病患者在全球各地都能以可负担的价格获得胰岛素。他们拒绝了一项会让所有人一夜暴富的收购，因为那违背了使命。"* ## [26:41] Vectura Group 与菲利普莫里斯 作为反面案例，Eric 讲述了 Vectura Group 收购事件：一家为哮喘药物生产吸入器技术的英国公司，被全球最大的烟草公司菲利普莫里斯收购。尽管股东强烈反对，交易仍然完成，公司使命被彻底颠覆——那些毕生致力于帮助人们呼吸的研究人员，如今却在为制造这种疾病的公司开发技术。没有结构性保护，一旦控股收购方到来，即便是使命最坚定的团队也无能为力。 > *"那些毕生致力于帮助人们呼吸的人，发现自己在为全球最大的烟草公司工作——而他们什么都做不了。"* ## [33:16] 「越难越容易」原则 Eric 提出了全书核心领导力悖论：做正确的事往往比走捷径更容易，因为使命的清晰度免去了无休止的权衡取舍。他援引 W. Edwards Deming 的质量内生哲学，并以 Costco 的定价原则作为当代案例——永不将商品加价至成本的 15% 以上，这一承诺消除了整个内部谈判环节，让公司运营更简单而非更复杂。 > *"之所以更容易，是因为你不必与自己内心交战。一旦做出承诺，决定就已经做出了。这就是「越难越容易」原则的力量。"* ## [37:22] Cloudflare 使命诞生的故事 Cloudflare「越难越容易」的本能，在公司正式确立使命之前就已显现。当支持民主的抗议者遭遇国家级 DDoS 攻击、向各大科技公司求援时，每一家大公司都拒绝了。彼时仍是初创公司的 Cloudflare，冒着激怒国家级黑客的风险，不计收益地为这些免费用户提供防护。这一决定以任何线下工作坊或白板会议都无法企及的方式，结晶出了公司的使命。 > *"他们说：'我们愿意承受国家级黑客的怒火来保护你，因为这是正确的事——完全没有任何回报。'这就是一家知道自己代表什么的公司。"* ## [42:43] Groupon 的邮件频率死亡螺旋 Groupon 创始人 Andrew Mason 告诉 Eric，公司的全部价值主张——每天一封邮件，一个绝妙交易——就是它的使命。他们以此为前提上市。但上市后，高管们带来了 A/B 测试数据，显示两封邮件能带来更多短期收入。Mason 被磨垮了，实验跑了，两封确实赚得更多。然后是三封，四封。不到一年，公司每天发送数十封邮件，核心用户纷纷退订。Groupon 一蹶不振，这生动展示了当缺乏结构性护栏时，「数据驱动」的迭代如何摧毁一家公司的精神气质。 > *"他们一直在用听起来像精益创业的语言：'我们不应该看数据吗？'他就说：'好吧，那就跑实验。'两封邮件赚得更多。三封。四封。然后就是死亡螺旋。"* ## [45:37] 如何定义你的使命 Eric 拒绝将撰写使命宣言作为首要练习，转而引入更古老的精神气质概念——对「你宁死也不会背叛谁」这个问题的回答。他指导创始人识别自己的受托人（而非利益相关者），为每个受托人定义可衡量的承诺，并建立使这些承诺与财务义务同等具有约束力的问责体系。检验标准：如果有人出价足以让你违背这一原则，而你会接受，那它就不是你真正的精神气质。 > *"它的使命是什么？你宁死也不会背叛谁？这个问题能穿透所有咨询公司的套话，直达你真正在乎的东西。"* ## [51:09] 使命驱动型公司与使命期望型公司 Eric 区分了使命驱动型公司（对受托承诺具有结构性问责）与使命期望型公司（拥有充满抱负的语言但没有执行机制）。实际检验标准是：公司对利益相关者承诺是否有相当于 OKR 的系统——指标、负责人和审查节奏——而不仅仅是墙上的一张海报。通过这一门槛的公司，在长期员工留存、客户信任以及领导层过渡期间的韧性方面，表现始终更优。 > *"告诉我你在乎什么，然后告诉我你如何衡量你声称在乎的事情。如果没有衡量，那只是期望，不是使命。"* ## [54:46] 完整性：结构层面与个人层面 Eric 借助完整性的双重含义——个人层面的可信赖与结构层面的牢固性——解释了为何没有结构支撑的精神气质会随时间腐蚀。就像锈蚀的螺栓会使桥梁变得脆弱，无论原始工程设计多么优秀，一家公司的价值观若未被编码进治理文件、招聘标准和决策流程，也会逐渐退化。结构完整性意味着：即使没有个人捍卫者在场，组织也能保持一致的行为。 > *"完整性有两重含义：个人层面的——信守承诺；结构层面的，比如不锈钢与锈蚀螺栓的区别。一个组织两者都需要。"* ## [57:47] 股东至上主义：这个「自然法则」只有40年历史 Eric 将股东至上主义历史化为一个只有 40 年的实验，而非永恒真理。在 1980 年代之前，公司在法律上被理解为追求「有益目的」。米尔顿·弗里德曼关于公司存在仅为最大化股东回报的学说，是一个经过刻意设计的意识形态工程，整整一代律师、MBA 和投资人在这种学说的熏陶下成长，仿佛它是自然法则。了解这段历史的创始人，可以有意识地选择退出。 > *"人们一直被当作自然法则来接受股东至上主义。但在 1980 年代之前的数百年里，所有人都认为公司存在是为了追求特定的有益目的，这是显而易见的。"* ## [01:00:04] 公益公司：最简单的保护手段 公益公司（PBC）是在特拉华州提交的两页纸申请，将标准公司章程中「任何合法行为或目的」替换为具体陈述的使命。它不需要 B 型企业认证，不限制融资，也不要求更换董事会。Anthropic、Vital Farms 以及许多其他高增长公司都采用这一结构。Eric 称其为任何创始人能采取的单项投入产出比最高的治理行动，也是唯一一个真正没有任何代价的行动。 > *"这是一份两页纸的法律文件，你的律师明天就可以在特拉华州提交。你只需说：这是这家公司的使命。没有比这更简单的了。"* ## [01:04:24] 反对意见与不足之处 Eric 唯一承认的真实反对意见是投资人可能提出异议——但他认为这本身就是一种筛选：反对公益公司的投资人，揭示的是他们将强制出售权置于创始人愿景之上。所有其他反驳（灵活性降低、投资人阻力、增长受限）都被 Anthropic 的轨迹所回应——这家公司在采用公益公司架构及额外治理约束的同时，成为了有史以来增长最快的公司。 > *"唯一会让这件事产生影响的情况，就是投资人试图强迫你出售公司而你不愿意。所以问问他们：'你说的就是这个意思吗？'然后再决定这是不是真正合适的合伙人。"* ## [01:06:08] Anthropic 案例：有史以来增长最快的公司 Eric 分享了他在 Dario Amodei 和 Daniela Amodei 离开 OpenAI 创立 Anthropic 时，在幕后担任顾问的经历。当时，Dario 还是第一次创业，Anthropic 也远非一家炙手可热的公司。Eric 告诉他们，若没有结构性保护会发生什么，于是他们将 AI 安全治理直接编写进章程——包括一个长期利益信托，其受托人是 AI 安全专家，享有董事会任命权但不持有任何股权。Anthropic 此后的增长证明：使命保护结构不会限制商业成功。 > *"Dario 当时是第一次创业。完全不是一家热门公司。ChatGPT 都还没发明。尽管如此，他们真心相信安全使命，并将其写入了章程。"* ## [01:08:39] 每个组织中的火炬传递者 每个组织都有少数 Eric 称之为「火炬传递者」的人——无论激励机制如何或来自上方的压力有多大，都坚持做正确事情的员工。Steve Jobs 曾通过越级会议专门寻找他们，绕过管理层，去找那些拒绝在质量上妥协的工程师、设计师和产品经理。在使命对齐的公司，这些人蓬勃生长、不断壮大；在使命期望型公司，他们则会精疲力竭、离职而去。 > *"在大多数组织中，都有我称之为火炬传递者的人——那些无论如何都坚持做正确事情的罕见个体。Steve Jobs 会举办越级会议，就是为了找到他们。"* ## [01:10:37] 文化银行：存款与取款 Eric 分享了创始人 Todd Park（Devoted Health）从 Howard Schultz 那里学到的一条法则：每当领导者做出牺牲短期利益来捍卫公司价值观的决定，就是在文化银行里存款；每一次自利或贪婪的决定，都是在取款。Todd Park 法则：每存十笔款，才能取一笔。超过这个比例，文化就会崩塌。理解这条法则的管理者，会停止将「文化」视为软性指标，开始像追踪现金流一样追踪它。 > *"当你为捍卫公司价值观而做出真正有所牺牲的正确决定时，你就是在文化银行里存款。Todd Park 法则：每十笔存款才能取一笔款。"* ## [01:12:28] OpenAI 与 Anthropic 的治理对比 Eric 解释了 OpenAI 与 Anthropic 在结构上的分歧。OpenAI 最初以非营利基金会作为使命守护者，但这一结构被持有股权、存在利益冲突的内部人士所侵蚀——这一动态在 2023 年底产生了董事会危机。相比之下，Anthropic 的长期利益信托由 AI 安全受托人持有，他们不持有股权，因此没有妥协使命的财务动机。OpenAI 的危机，从治理设计之初就完全可以预见。 > *"OpenAI 的非营利架构听起来不错，但使命守护者必须是那些以守护使命为职责的人——而不是同时在游戏中有财务利益的人。"* ## [01:16:21] 使命守护者详解 使命守护者是任何一个人或实体，其唯一的机构职责是保持公司的使命锁定。它可以是一个人（创始人控制权）、一个法律实体（长期利益信托），或一条结构性规则（Costco 的加价上限）。Eric 认为，引力如此强大，使命对齐从来不会自然发生——必须有人或某种机制被明确赋予这一角色、拥有真实权力，并与腐蚀普通董事会的财务压力相隔绝。 > *"必须由某个人或某个实体负责确保公司始终保持使命锁定。这不会自然发生，因为引力是如此强大的力量。"* ## [01:18:29] 精神控股公司 对于希望使命守护者比个人创始人控制权更持久的公司，Eric 描述了「精神控股公司」——独立法律实体（基金会、信托或双重股权控股结构），持有控制性股权，并在法律上被授权永久执行运营公司的使命。诺和诺德基金会是典型案例。这些结构可以成长和自我更新，不像脆弱的「写进章程的规则」方式，因为守护者实体本身具有主动捍卫使命的授权和资源。 > *"根据证据，更好的方式是拥有某种精神控股公司——一个独立实体，其全部职责就是担任使命守护者，并有能力随时间更新和捍卫使命。"* ## [01:21:53] 创始人控制权陷阱 创始人控制权——双重股权结构、超级投票权——是一座有效的临时桥梁，但 Eric 警告说，许多拥有最大控制权的创始人反而过得十分痛苦：他们成了擎天巨神，独自扛起整个使命，没有任何机构支撑。当他们最终交出权力时，使命没有结构性的归宿，随即崩塌。他讲述了自己参加一场为被投资人驱逐的创始人举办的「派对」的经历——足足来了一千人——随后却意识到，新任 CEO 已经在拆解创始人一手打造的一切。 > *"很多拥有创始人控制权的人最终活得很痛苦——你变得像擎天神。你甚至无法耸肩。是你在独自抵挡深渊。这担子太重了。"* ## [01:25:25] 本周需要做的三件事 Eric 为不同阶段的创始人给出了三项优先行动。A 轮融资前：立即申请注册为公益公司，并撰写一份真正反映「你宁死也不会背叛谁」的使命。A 轮及之后：开始与现有投资人进行更艰难的对话，现在就将治理结构摆上桌面。任何阶段：找出你的火炬传递者，在制度层面保护他们，并开始有意识地存入文化银行，而不是任其随机发生。 > *"你在融资之前有一段珍贵无比的时光。不要浪费它。成为公益公司。写一份 20 年后你仍会为之自豪的使命。这些事情成本极低、价值极高。"* ## [01:30:10] AI 对齐与人类对齐 Eric 在 AI 中未解决的「人类对齐」问题——谁来对齐对齐者？——与全书所探讨的企业治理问题之间，绘制出一条深刻的平行线。康威定律指出，软件架构反映了构建它的人的组织结构；由此推论，AI 系统的价值观将反映训练它的组织的价值观。因此，把企业治理做对，并非与 AI 安全相互独立——它是 AI 安全的前提条件。 > *"AI 领域头号未解难题不是技术——而是人类对齐问题。如果你无法就人类价值观达成一致，你已经输了。"* ## [01:34:00] 康威定律：组织结构图与系统架构 Eric 以对 Mary Parker Follett 的致敬作结。她是与弗雷德里克·温斯洛·泰勒同时代的管理理论家，其著作写于 1920 年代，读来却如同 2026 年的作品。Follett 主张「与权力」而非「权力之上」，并坚持认为，领导者与工作者共同服从「情境法则」，而非层级命令。康威定律正是她思想的精神传承：组织结构图出现在架构设计图中，因为人类的权威结构会流入技术结构。 > *"她说：上级与下级共同服从情境法则。不是老板的一时兴起——而是情境法则。这个想法已有百年历史，我们至今仍未弄清楚如何实现它。"* ## [01:37:31] 书籍资源与告别 Lenny 最后为《不可腐蚀》（*Incorruptible*）做了收尾推荐，该书将于 5 月 26 日在各地书店发售。Eric 引导听众前往 incorruptible.co，那里有实施指南、进阶实施指南、读者指南，以及一个从最终稿中删除的秘密章节。网站上还列出了一百多家独立书店。Eric 特别强调，该网站专为实践者设计——那些想要真正落地书中所述结构的创始人，而不只是读一读就完。 > *"我们有实施指南、进阶实施指南，还有一个从原稿中删除的秘密章节——专门为那些不只是想了解、而是真的想落地执行的人准备。"* ## 实体 - **Eric Ries**（人物）：《精益创业》与《不可腐蚀》的作者；长期从事初创企业顾问工作的企业治理倡导者。 - **Lenny Rachitsky**（人物）：Lenny's Podcast 主持人；前 Airbnb 产品负责人，创业类 newsletter 作者。 - **Dario Amodei**（人物）：Anthropic 联合创始人兼 CEO；首次创业的创始人，在 AI 热潮到来之前就将 AI 安全治理写入 Anthropic 章程。 - **Daniela Amodei**（人物）：Anthropic 联合创始人兼总裁；与 Dario 共同构建了长期利益信托治理架构。 - **Marie Krogh**（人物）：丹麦医生，丹麦首批获得正式资质的女医生之一；诺和诺德基金会的共同创始人。 - **August Krogh**（人物）：诺贝尔奖得主、丹麦科学家；将胰岛素技术引入欧洲，并与妻子 Marie 共同创建了诺和诺德基金会。 - **Andrew Mason**（人物）：Groupon 创始人；向 Eric Ries 讲述了 A/B 测试压力如何侵蚀公司核心的「每天一封邮件」使命并引发衰退。 - **Mary Parker Follett**（人物）：20 世纪初管理理论家，主张「与权力」而非「权力之上」；康威定律与协作领导力的思想先驱。 - **Anthropic**（组织）：AI 安全公司，采用公益公司架构，并设有长期利益信托，受托人享有董事会任命权但不持有股权。 - **诺和诺德基金会**（组织）：丹麦非营利基金会，持有诺和诺德的控制性股权，使命是让全球糖尿病患者以可负担的价格获得胰岛素。 - **Cloudflare**（组织）：互联网基础设施公司；当年在不收取任何费用的情况下，为遭受国家级黑客攻击的民主运动支持者提供防护，由此结晶出公司使命。 - **Groupon**（组织）：团购网站；「每天一封邮件」的使命被短期收入优化所瓦解，引发一蹶不振的衰退。 - **公益公司（PBC）**（概念）：两页纸的特拉华州公司章程修正文件，将开放性目的替换为具体陈述的使命，为该使命创造法律问责机制。 - **使命守护者**（概念）：任何人或实体——创始人、信托、基金会或结构性规则——其机构职责是使公司在资本引力下保持使命锁定。 - **股东至上主义**（概念）：1980 年代后出现的学说，认为公司存在仅为最大化股东回报；Eric Ries 认为这是一个 40 年的意识形态实验，而非自然法则。 - **文化银行**（概念）：Todd Park 的比喻，用于追踪文化建设存款（使命对齐的牺牲行为）与取款（自利决定）；可持续比例约为每十笔存款取一笔。 - **长期利益信托**（组织）：Anthropic 的外部使命守护机构，由 AI 安全专家组成，享有董事会任命权，不持有公司任何股权。