Speaker 1
欢迎收听《十字路口》，我们关注新一代 AI 技术浪潮带来的行业新变化和创业新机会。《十字路口》是乔布斯对苹果公司的一个比喻，形容他站在科技与人文的十字路口，伟大的产品往往诞生在这里。AI 正在给各行各业带来改变，我们寻找、访谈和凝聚 AI 时代的积极行动者，和他们一起探索和拥抱新变化、新的可能性。我是主播科技杨元辰，联合创办了街旁、新世相和糖岛。我相信科技，尤其是 AI，会在未来十年彻底改变社会，赋能人类。欢迎大家找我聊天，碰撞想法，链接下一个可能性。
二〇二五年第一期《十字路口》，我们再次和真格基金的播客《此话当真》串台，邀请到真格基金管理合伙人戴雨森。半年之后，雨森再次来到《十字路口》，是因为我们俩最近两周都非常兴奋：我们觉得，在二〇二四年底和二〇二五年初这个时刻，我们很可能正在亲历科技史上的一个重要时刻。
这种感觉来自两个重大事件：第一是 Devin 的出现，第二是 OpenAI 发布了 o3。雨森曾在社交媒体上提到，他认为 Devin 作为第一个真正能用的 Agent 产品，它的出现可能标志着人类历史的一个重要时刻。随后不久，OpenAI 在持续十二天的发布会最后一天让 o3 亮相，这也在行业内引起了巨大的热情，被认为是不亚于 GPT-3.5 的里程碑式发布。
现在是二〇二五年的开端，二〇二四年一眨眼就过去了。《十字路口》保持周更也有四十多期，我们每周都在持续分享发生在硅谷和中国的 AI 创新、技术突破与产品落地。回首去年，有的人会认为 AI 的进步是惊人的，日常工作已经有超过一半可以交给 AI 处理；但也有很多人觉得 AI 并没有特别大的突破，不过是 OpenAI 又发布了 GPT-4o，紧接着是 o1、o3，Anthropic 发布了 Claude 3.5，Google 发布了 Gemini 2.0，国内大模型厂商每周也在发布各种复杂的版本号，搞得大家云里雾里，不知道究竟进步了多大。
但就像刚才提到的，我和雨森都是坚定的进步主义者。有一句大概十年前雨森就挂在嘴边的话，也常常像弹幕一样飘过我的眼前，那句话是：悲观者往往正确，乐观者才能成功。在 Synthesia AI 的这波浪潮之中，我们都是典型的乐观者。《十字路口》的目标一直是寻找、访谈和凝聚 AI 时代的积极行动者。
因此，本周作为开年的第一期，我们分成两个主题来展开。首先，我会和雨森探讨他对去年 AI 行业的整体观察。作为真格基金的管理合伙人，他在一线积极投资 AI，我们想听听他有哪些感受和心得，以及对二〇二五年的预期。其次，我们将一起探讨 Devin 为什么如此让我们兴奋，以及通过 Devin，我们能够窥见未来哪些 AI 的发展和创业机会。
我们先来问雨森第一个问题：二〇二四年这一年下来，你的整体感受是什么？
1. AI 进步全面提速
戴雨森
很高兴能够再次和《十字路口》合作，分享我们对于 AI 发展和投资的一些感受，和大家交流。二〇二四年这一年下来，整体感觉我觉得就是一个字：快。因为我们看到，AI 模型以及产品的进化速度都很快。
我记得二〇二四年年初的时候，最先进的模型是 GPT-4。那个时候有一个新的 benchmark 叫 SWE-bench，是把 GitHub 上常见的任务类型拿下来，让 AI 去尝试完成。当时最先进的模型 GPT-4 在这个测试上的得分是 2.8%，满分是 100%。到了二〇二四年年底，大家可以用到的 Claude 3.5 Sonnet 能够得到 50%，也就是能解决一半的任务。刚刚发布的 o3，在初步的评测里面已经得了 71.7%。
乐观来讲，以这个速度，在一年的时间内，也就是二〇二五年，我们就可以看到人类在 GitHub 上绝大部分任务都能被 AI 解决。大家知道，这也意味着现有程序员的单个任务——不说把整个工作合起来——可能确实有很多都可以被解决。
二〇二四年年初的时候，ChatGPT 还不太会做四则运算。那时候大家经常说，考它一个三位数乘三位数，它可能也会算错，只有最后一位数是对的。但是现在，解答 IMO 级别的题目已经得心应手了。甚至在反映数学家都很难的 FrontierMath 测试上，o3 也得到了 25 分。这个测试得到了陶哲轩的认可，他认为简单的题目是 IMO 级别，难的题目则达到了前沿研究级别，而现在 AI 也能做得不错。
我们投资的 Kimi，产品是在二〇二三年十月九日上线的，差不多也就是二〇二四年开始前一点点的时间。到二〇二四年底，已经有 4,000 万月活用户。考虑到它是一个上线一年左右的新应用，这个用户增长速度也非常快。
我还记得二〇二四年 2 月份，当时还在过春节假期，看到 Sora 的发布宣传片时觉得非常震撼，觉得怎么会有这样的产品？要过多久、以什么样的成本，才能用到这样的视频生成模型？
Speaker 1
是的，大年初三的时候。
戴雨森
但是到了二〇二四年底，大家已经可以用到可灵、混元等一系列模型，包括 Google 也出了 Veo 2。它们可能比当时的 Sora 还要更好，甚至是免费的，让大家觉得“不过如此”。所以大家对于 AI 产品的标准提高得非常快。一年前觉得非常惊叹的东西，现在可能就觉得不过如此了。
但我们始终觉得，好像还有更多事情可以做，还有很多东西没有落地。实际上，进展已经非常快了。同时，我觉得也有很多观点和看法被打脸。
我记得二〇二四年开始的时候，如果你去问中国的投资人和创业者，很多人都想做中国版的 Character.AI。当时大家觉得这好像是一个 To C 应用，又有很多人使用，使用时长也很长，当时还预测二〇二四年一定会发生“百 C 大战”。我没有这么预测，但确实有很多人这么说。
到了二〇二四年 8 月，Character.AI 宣布被 Google 收购，大家发现，好像让它真正破圈也不是那么容易。三月份的时候，Cognition 这家公司，也就是 Devin 的开发者，发布了一个 demo 视频。当时大家都不相信，觉得这家公司是不是在忽悠，甚至有人说是骗子，还有专门打假的视频。结果到了 12 月，Devin 这个产品出来，大家大为震惊，说它居然真的可以做到很多 Agent 的功能。当然，这个我们待会儿会继续讨论，这也是一个很大的反差。
我还记得二〇二三年底 OpenAI 的宫斗事件。当时整个 OpenAI 的员工都集体在 Twitter 上发声支持 Sam Altman，说“OpenAI is nothing without its people”，这句话刷屏了。但是到二〇二四年底，已经不知道走了多少人，最后连元老 Alec Radford——OpenAI 的核心研究员——也离开了。中间基本上大部分早期员工都走了。
二〇二四年年初的时候，大家觉得 GPT-5 很快就要出来，但是一直到年底，GPT-4.5 也没有出来。等来的是另外一条路线，也就是 o1、o3 这条 inference scaling 的路线。所以我觉得，一年下来发生了很多变化。不管是很快的变化，还是很多让人想不到、没有预计到的变化，在一个行业的早期，变化就是常态。
2. AI 开始真正打工
Speaker 1
半年前在《十字路口》那一期播客里，雨森有一个核心观点：大模型还是小学生，不要急着让它去打工赚钱，给它多一些耐心。其实这句话背后暗示的是，技术进步虽然很快，但它离商业化还很远，离 To C 的大规模应用也还很远。
那在今天，你还是这么认为吗？还是觉得进化速度比你当时理解的要快？
戴雨森
首先，当时说这句话有一个上下文。大家当时问，训练模型花了这么多钱，什么时候才能赚回来？我觉得每次技术革命其实都有一样的模式：先要花钱投入，搞基建、搞科研，然后产品逐渐找到落地场景，再逐渐产生商业化收入。
一年下来，我觉得在一些模型目前比较擅长的具体领域，比如 coding，进展是非常明显的。我们看到，大模型的能力确实已经过了可以“打工”的阈值。刚才提到，在 SWE-bench 这样的测试上，年初只能解决 2% 的问题，肯定打不了工；但现在能够解决 50% 的 Claude 3.5 Sonnet 出现之后，我们确实看到 Cursor、Windsurf，包括 Devin 这样的产品都涌现出来，并且能够真正帮助程序员解决很多问题，给生产力带来实实在在的进步。
同时，从收入的角度来讲，有一些原生 AI 应用在找到 PMF 之后，收入增长也非常快。比如 Cursor，现在的 ARR 应该已经接近 1 亿美元。还有一个也是做 AI coding 的产品，针对技术小白用户，叫 Bolt.new。它在两个月的时间内达到了 2,000 万美元 ARR，这应该是历史上增长最快的企业服务应用之一。它在 4 周内达到 400 万美元 ARR；另外一家位于斯德哥尔摩的公司叫 Lovable，也是在 4 周内达到 400 万美元 ARR，增长非常快。
包括我们投资的 Higgsfield，在二〇二三年底的时候，产品达到 100 万美元 ARR；到二〇二四年底，经过 18 个月，已经接近 5,000 万美元 ARR，增长了几十倍。我们投资的 Monica，其实也超过了 1,000 万美元 ARR。这些都是在相对比较短、十几个月的时间内实现的。
所以，不管是我们看到的海外创业公司，还是我们投资的一些创业公司，在用户使用上——刚才也提到 Kimi 已经有 4,000 万用户——以及在一些领域的用户付费收入上，都获得了很大的增长。
我觉得，首先，AI 在一些领域已经可以开始打工了。但是整体来讲，它获得的收入仍然远远低于成本，我们还是需要有耐心。毕竟现在 ChatGPT 出来才两年多。我认为，我们仍然处在一个模型能力不断提升、解锁新的应用场景，然后应用场景创造了足够多的价值之后，开始商业化的逐步发展阶段，所以还是要有耐心。
3. AI 应用加速扩散
Speaker 1
其实我觉得，这一波技术扩散的速度也非常快。刚才提到的 Cursor、Bolt.new，包括 Higgsfield 和 Monica，这 4 个产品里，除了 Monica 是小红书送了我 VIP 会员，另外 3 个我都是付费用户。
这些技术扩散起来，我觉得比上一波更快。即便它们并没有网络效应，但今天有一帮非常热情的技术前沿探索者，大家不断尝试新的东西，并且热情洋溢地传播这些新东西。《十字路口》其实也是这样的一员，包括我和雨森，每次用到什么兴奋的产品，也都会第一时间分享。
我一个强烈的感受，也是我们录这一期的原因，就是希望让大家不要隔岸观火，觉得看到的只是各种版本号的新发布，好像对自己没什么影响。我们特别希望大家能够跳到浪潮里面，下载这些应用，亲自体验，早一点感受，早一点用起来。
我觉得有一句话说得特别好，应该是科幻作家 William Gibson 说的：未来已经到来了，只是它没有均匀分布而已。你如果日常只是用一个简单的 chatbot，甚至还有很多人还没有怎么用上 AI 产品，那可能就觉得这都是新闻头条而已，谁谁谁又打榜了，谁谁谁又怎么样了。
但是在某些特定领域，比如程序员、数字艺术创作者，我相信很多时候 AI 工具已经成为他们生产中不可或缺的一部分。所以我一直觉得，花一点时间或者花一点小钱去体验最新的 AI 产品，可以非常直观地感受到我们在某些领域的进步。不管是时间还是金钱的投入，我觉得都非常值得，因为这是一个看见未来的好办法。
而且刚才提到的，不管是数字艺术创作者还是程序员，这两个群体应用的大规模进步，我认为并不只是帮助程序员和数字艺术创作者。它们更多是在帮助普通人也能够去做原来只有程序员和艺术创作者才能做的创造，这其实有更大的意义。
所以大家听到这里，不要觉得“我不是程序员，也不是数字艺术创作者，这和我没关系”。我想说的是，这其实和大家超级有关系，因为你就可以去做之前只有他们能做的事情。
我们再说回来。雨森，你去年在真格大概聊了多少个 AI 应用创业项目？有没有什么整体感受？你觉得 AI 应用落地的速度在加速吗？
戴雨森
我们团队加起来大概聊了上千个 AI 应用创业项目。我自己看了一下，大概聊了一百多个、接近两百个创业者。我们确实觉得，随着技术进展，AI 应用的落地速度在加快。
具体来说，我觉得有 3 个进展非常重要。第一个是模型的推理能力，包括 GPT-4o、o1 等模型的发布。模型推理能力变强之后，幻觉会减少，所以可以规划和完成更加复杂的任务。
第二个是模型的编程能力提高。数字世界里有大量任务可以通过编写程序来完成。刚才我们也提到，推理能力的增长速度非常快。当这些常见任务能够被编程解决时，至少在编程领域，以及一些可以泛化为编程的其他领域，执行任务的能力会强很多。
第三个是 Anthropic 率先提出的工具使用，也就是 Computer Use。AI 能够使用我们已有的软件，从浏览器开始，到其他软件。人类社会创造的这些软件，都可以被 AI 用来解决它们的任务。
这几个能力加起来，我觉得 AI 完成任务的能力提高了很多。我认为二〇二五年 Devin 的发布非常重要，因为它是第一个把 Agent 从大家的想象、从原型带到现实的产品。
我觉得二〇二五年，我们会很快看到各个领域的 Agent 尝试陆续出现。当然，很多还处在比较初级的阶段，但会有很多有意思的想法得以落地。我们待会儿会花很大篇幅聊 Devin，以及我们对以 Devin 为代表的 AI Agent 在今年发展的预期。
4. 中美创业方向分化
Speaker 1
我们看到，在美国和中国，AI 应用的创业方向其实挺不一样。在国内，由于企业服务确实比较难落地，导致很多创业者想做的还是各种 To C 应用。To C 应用里面，很多都倾向于做杀时间的应用，比如各种情感陪伴、AI 聊天，以及它们的变体。
在美国，我们看到的是各个细分领域都在尝试替代部分人类工作，让工作变得更加降本增效。这是中国和美国创业方向上的一个很大反差。当然，国内还有一大块就是机器人特别火，整个具身智能领域有非常多的新公司出现，拿到很多融资，甚至我们觉得有一点过热。
但整体来讲，我觉得大家还是非常兴奋。尤其对于年轻创业者来说，之前大家可能觉得互联网时代已经快结束了，我们八〇后是互联网时代红利的获得者，那零零后可以干什么呢？AI 还没有崛起之前，他们可能觉得自己在互联网领域确实没什么可做的。
但现在，大家看到了很多新的机会，也是属于这一代年轻创业者的机会。所以我们作为一个始终关注年轻人的基金，还是觉得有很多有意思的创业者在出现，有意思的项目也在出现。
说到这一波创业者，你觉得他们身上有哪些典型的共同点？除了对年轻人更友好之外，还有什么？
戴雨森
年轻当然是随着时代进展必然出现的特点。除此之外，我觉得第一，大家普遍有更加国际化的视野。信息传播越来越快了。
互联网时代，海外一个应用火了，中国可能要过 3 到 6 个月才有对标产品出来。现在海外出现什么新的事情，基本当天就会有新闻报道，很多时候还是 AI 帮忙总结和翻译的。所以大家对模型和海外应用的进展普遍都很了解。
同样，因为做的产品往往也更加国际化，出海现在也是很大的主题。模型本身具备很强的多语言能力，所以很多人一开始做产品就是全球化的。这在互联网时代也比较难看到。那个时候大家往往会说，我就做一个针对中国市场的产品；而现在，很多人一开始就是两条路一起走，既做国内，也做国外。
第二，我觉得很多创业者和团队更加 AI native。不少人都有 AI research 或者 AI 工程实践的经验，这也是他们能够更早看到机会，或者把机会落地实施的原因。
但同时，对于年轻一代创业者来说，他们可能没有经历过互联网时代很多业务的流程，所以像推广、商业化这些领域，有些课还需要补。比如我们投资的 Monica 团队，他们之前经历过很多互联网领域的增长，在这方面确实有一些优势。
不过这些都是可以学的，也可以通过招人、补充团队来提高。所以我们长期还是很有信心，相信新一代 AI native 创业者能够做出很有意思的产品，也能够把该补的课补回来。
5. AI 判断全面改写
Speaker 1
我们接下来再聊一聊，从去年到今年，整个 AI 技术突破、行业变化和创业机会，在认知上发生了什么变化。
首先想问的是，有哪些观点是你在二〇二四年年初还比较认可，但一年之后已经不再认可的？
戴雨森
太多了，所以后来我都不太想录播客了，因为每次讲完就容易被打脸。但是要做早期投资，尤其是看早期技术，被打脸是常态。只有不怕打脸，才能继续学习和成长。
一年多以前，大家强调的都是 pre-training，聊的都是要有多少张卡、要有多大的集群，好像有更多的卡、更多的算力，丢更多的数据进去，就会出现很好的模型。这也是英伟达股价暴涨的原因之一。
但到了二〇二四年底、二〇二五年初来看，在 pre-training 上，从 OpenAI 以及各个行业领先团队的情况来看，确实到了一个相对的瓶颈。如果说 pre-training 是对智能的压缩，那么现在以文本等形式存在的、容易被压缩的智能，已经被压缩得差不多了。
Ilya Sutskever 在 NeurIPS 上发言时说，互联网上的文本就是化石燃料，是人类这么多年积累下来的文本，现在已经被我们训练到模型里去了。接下来需要的是新知识，不管是我们脑子里还没有被提取出来的知识，还是通过 AI 产生的新知识，而这样的知识增长速度其实没有那么快。
所以我觉得，“pre-training 大力出奇迹”这件事，是今年大家意识到需要改变的过程。
一年前我确实也聊到过一些 Agent 的内容。当时我觉得，在大模型普遍存在很多幻觉的情况下，autonomous agent，或者说 L4 级别的 Agent，落地还需要比较长的时间。但现在来看，模型的几项能力——刚才说到的推理能力、代码生成能力和工具使用能力——确实进展很快。
这使得在数字世界里，对于目标结果比较确定的任务，比如编程，Agent 落地的速度确实快了很多。我们已经看到 Devin 这样的产品不只是一个想法，而已经成为事实。
这里面有两个要点。一个是怎样更好地规划任务，让模型能够完成更长周期，也就是 long time horizon 的任务；第二个是使用工具，包括写代码去使用工具，以及使用已有工具。这两个能力都变强的时候，Agent 确实可能比大家想的更快落地，尤其是在数字世界里。
第三，我觉得一年前大家普遍认为模型的 size 会越来越大。之前说可能是 7B、70B，之后可能是 700B，甚至更大。但目前来看，先进模型的 size 不需要提升得那么快。我们可以用比如 70B 的模型得到越来越好的结果，同时也能够把同样的智能放在更小的模型上运行。
真正的超大模型，可能主要用于对使用模型进行对齐，或者作为 teacher model，也就是教师模型。这有点像早期个人电脑时代。一开始 CPU 的处理器频率越来越高，大家觉得频率要不断提升，但到了 3GHz 之后，单核频率就不再单独增长了，而是通过更好的架构、更低的能耗来提升性能。
人的大脑也是一样，并不是越来越大，而是在相同的 size 下学到更多知识、更多技能，然后变得更加聪明。所以在这里面，我觉得模型成本的下降是超预期的。虽然大家一直都知道模型成本会越来越低，但现在看到的是，同样的模型能力或者同样的智能，每年成本大概下降到原来的十分之一，这会解锁很多应用机会。
这些都是二〇二四年初大家可能没有那么明显意识到，或者在过程中发生改变的观点。
6. 强化学习打开新路线
Speaker 1
还有一个关于认知变迁的问题：有没有哪些事情，是你在二〇二四年年初觉得值得关注但没那么重要，到今天却变成特别重要的认知？
戴雨森
首先，作为投资人，我们的认知和前沿 research 相比，往往有时候是滞后的。有些事情可能研究员群体已经逐渐意识到，但我们还没有反应过来。
二〇二四年肯定有一个重点，就是 reinforcement learning 的兴起。刚才说到 pre-training 到了瓶颈，那么在 post-training 里面，通过 RL 让模型能力持续变强。尤其是在 o1 和 o3 发布之后，大家发现 reinforcement learning 这条路其实还可以走很远，模型能力可以提高很多。
二〇二四年年初，这一点可能只在很小的范围内有一些讨论，还没有成为业界、甚至研究界之外的普遍共识。所以我们发现，预测大模型或者 AI 的技术路线永远是一件很难的事情。RL 方面擅长的人才也不多，大家都在做团队建设和技术储备。
与此同时，reinforcement learning 带来了一个非常重要的新 scaling law，也就是 inference scaling law：怎样把推理时间延长，得到更好的结果？这也是去年非常重要的一个发现。
它不仅体现在模型设计上，也体现在产品设计上。现在大部分产品，比如 ChatGPT、Claude 或者 Cursor，都是和人实时互动，我说一句，它做一句；我说一句，它做一下。那怎样让它每一步能够做更长时间，甚至让它自己通过计划、使用工具持续做事情，而不需要我持续输入？
如果把它叫作 System 2，它不是张口就来，而是经过深思熟虑之后得到更好的结果。怎样在这方面获得更好的 performance，我觉得今年大家会越来越重视。
还有一个一两年前大家觉得没那么重要、现在可能觉得非常重要的事情，就是 context。现在我们已经有很多智能在模型里面了，但模型之前没有什么 context。当我问 ChatGPT 一个问题时，它实际上只有我的输入作为 context。事实上，一个聪明人如果只有一句话来回答问题，也很难做好。
现在我们看到，比如 Cursor 可以把整个组织的 codebase 作为 context，也可以选择一大段代码作为 context。Devin 整合在 Slack 里，能够把组织里面已有的对话记录、沟通记录作为 context。
同样的智能下，有了更多 context，模型其实能够更好地理解意图，也能更好地回答问题。我觉得，新的产品设计怎样让用户无痛、简单地把更多 context 带进去，会变得非常重要。
所以现在我们看到的 ChatGPT 一问一答的方式，其实是非常原始的方式。大家都在想，新的产品形态是什么样子。这些都是今年逐渐浮出水面的东西。
Speaker 1
我们上一期《十字路口》正好聊了 OpenAI 过去十二天的连环发布会。雨森刚才提到的第三点，也就是如何获得更多 context，OpenAI 也发布了一个功能：ChatGPT 的 Mac 版本现在可以读取你的屏幕，把屏幕上的内容当作 context，再结合你的问题来回答。
这个读屏并不是简单截一张图，而是有 3 个层面。第一个层面是截一个图，理解屏幕上显示的内容。第二个层面是读取程序窗口里的所有内容，即使它现在没有显示在屏幕上，可能需要滚动上下才能看到，它也可以获得这些信息。第三个层面我觉得最厉害，它可以知道你的光标在哪里。
光标在哪里，说明你当前的注意力最集中在哪里。所以你在问一个问题或者和它讨论一件事情时，它会结合你的光标，或者光标选中的那段话来进行回复。我觉得这不只是在编程领域，刚才提到的例子是 Cursor 和 Devin，但即便是 OpenAI、ChatGPT 这样的模式，context 的应用也会让 AI 的进化变得很强。
戴雨森
因为原来的 ChatGPT 有点像你的笔友。你只能给它写一封邮件，然后它在另一端回你一封邮件。但是如果这个笔友不是在邮件的另一端，而是站在你的电脑后面，看着你怎样使用电脑，甚至住在你的电脑里面，看到屏幕上还没有显示出来的东西，它显然会变得更有用。
所以，怎样把用户已有的知识、组织已有的知识和 AI 结合起来，对 AI 的作用是巨大的。它现在能够消化这么多 context，当然也得益于模型技术本身的进展。
Speaker 1
最近刚发布两周的 Gemini 2.0 也有一个多模态理解能力：你可以直接打开摄像头，指着摄像头看到的墙上的东西问它这是什么。比如我试了一下，问墙上一张电影节海报，这是哪个电影节、哪一届的海报。
过去大家可能只会在科幻电影里幻想这样的场景，但今天已经变成现实，而且是在一个可以接受的成本之内，以非常快的速度返回答案。它当然还没有特别好地变成一个 C 端产品，但大家可以去试用一下，我觉得非常惊艳。
7. AI 编程进入第四阶段
我们再聊一聊 AI 编程。在编程领域，今年取得了非常令人兴奋的进展。雨森一直有很强的框架归纳和总结能力，前不久你给我分享过一个提炼出来的 AI 编程发展“四段论”，要不要在播客里和大家分享一下？
戴雨森
这其实也是和很多朋友一起聊出来的结果，不能说完全是我自己想出来的，也是很多人的智慧结合在一起。
AI 编程从 ChatGPT 出现到现在，也就两年多，但我觉得已经经历了 4 个阶段。
第一个阶段，是让 AI 直接写代码。典型的就是一开始的 ChatGPT、Claude。我们给它一个需求，比如“帮我写一个贪吃蛇”，它就给我一段代码。在这个过程中，它第一不知道我为什么要写贪吃蛇，第二不知道这个贪吃蛇的代码运行得怎么样。可能我要在本地编译运行之后发现报错，再把报错告诉它，它才会给我一个调试后的结果。
它完全像一个只能发邮件的笔友，是我问你答。
第二步，GitHub Copilot 向 AI 开放了上下文。它可以把整个组织的代码库作为上下文，这样 AI 就知道了大量新的 context。但这个时候，用户还是需要手动把代码贴到 IDE 里，然后进行调试。所以我把它叫作 2.0 阶段：我们向 AI 开放了 codebase，也就是代码库，作为它的上下文。
二〇二四年一个非常大的进步，是以 Cursor 为代表的编程 Copilot 出现。它最核心的理念是：我来预测用户未来要写什么代码。我根据你的代码库以及你刚刚写的代码，预测你接下来要写什么代码、创建什么文件、做什么操作。
这里面不仅涉及代码生成的质量和数量，也涉及文件的创建和修改。后来 Windsurf 加入了命令行操作的自动化，AI 就能够更好地使用我的电脑。原来的 AI 是在一张纸上写代码，我把代码抄走，再拿去运行；现在 AI 是在我的电脑上创建文件、进行命令行操作，甚至完成部署。
这就进入了第三个阶段，叫“我问你写”。
当我们觉得这已经很兴奋的时候，Devin 出现了。它最重要的几个特点，第一个是可以异步工作。Cursor、Windsurf 虽然一步操作能做很多事情，但仍然需要我的持续注意力。我说一步，它做一步；我踢一脚，它动一下。但 Devin 可以持续工作，把作为用户的我的注意力释放出来，因为它多了一个 planner，可以规划任务。
第二，它可以通过虚拟机执行更多操作，做更多调试。比如写一个网站，它可以自己用虚拟机访问这个网站，看看前端、后端和业务逻辑是否正确，而且可以随时打断和调整。
大家用 Cursor 或者 ChatGPT 都知道，没办法在它输出的过程中调整，得等它输出完再进行修改。但 Devin 像一个真人一样，你可以在它完成任务的时候下新的指令，它会把新指令结合到已有的 plan 里，调整自己的计划。
所以在这里就变成了“我问你做”。它不只是写代码，是真的可以做很多事情。
总结一下，第一阶段是让 AI 写代码，比如 ChatGPT；第二阶段是向 AI 开放代码库，比如 GitHub Copilot；第三阶段是 AI 可以自动写代码并执行，这是 Cursor 和 Windsurf 做的事情；第四阶段是 AI 虚拟员工，我觉得 Devin 树立了一个非常好的榜样。
Speaker 1
这也很像一个比喻：1.0 的时候，AI 可以读万卷书，向你回答问题；到了 4.0，它可以行万里路，因为它变成了一个虚拟员工。你给它下一个任务，它就跑到外面完成一圈，再回来向你汇报。
这是眼见着在一年里发生的跃迁式变化。真格过去投了不少出海的 AI 创业团队，典型代表是 Higgsfield 和 Monica，都非常优秀。所以也想和雨森探讨一下出海的话题。
今年有一句广为流传的话是“不出海就出局”，好像出海变得非常重要，甚至至关重要。首先想问你，为什么海外 AI 的落地和国内反差这么大，以至于我们都鼓励英语说得不太好的国内创业者，也勇敢尝试做 AI 出海？
8. AI 出海成为重要选择
戴雨森
最核心的原因，还是因为 AI 到目前为止是一个主要提高生产力的技术。在人均工资高很多的欧美，用户对于工具的付费意愿更强。所以当你做一个生产力工具，比如我们投的 Higgsfield、Monica、OpusClip AI 等一系列产品时，海外用户，尤其是欧美用户，对于生产力工具的付费意愿比较强。
当然，他们付的是美元，所以绝对金额也更高。这是我觉得最重要的因素。
同时还有其他原因。比如去海外可以使用能力更强的模型，像 Claude 3.5 Sonnet、GPT-4o，这能够解锁更多应用场景。国内用户能够用到的模型，可能还是有一些差距。
现在一个产品做好之后，大模型本身可以处理多语言输入和输出。既然已经做出来了，为什么不面向全球推广呢？另外，现在普遍采用订阅制，在国内做订阅付费确实比较难，但海外用户已经接受订阅制了，这对于创业团队来说，商业收入能力也提高了很多。
Speaker 1
所以你认为这一代 AI 创业者需要具备哪些特点？你会鼓励他们出海，但我想你也不会鼓励所有人出海。
戴雨森
当所有 VC 都劝创业者出海时，往往说明市场太热了。我们一直警惕这种所谓的特别共识性观点。
大部分中国创业者出海，肯定是一个 debuff，而不是 buff。毕竟是客场作战，要解决很多原来在国内不需要解决的问题，也要了解很多原来并不了解的用户。
首先，我觉得中国的机会其实很多。像我们在国内投资的 Kimi、与爱为伍等 AI 公司，增长其实更快，只是商业化可能稍微慢一点。但这也是互联网时代我们学到的一点。
想想互联网时代，eBay 很早就开始商业化、收佣金，但淘宝先免费，最后做成了更强的商业模式。所以在中国和欧美市场，本来就适合不同的商业模式，并不是每个团队都要出海。
Speaker 1
已经选择出海的中国创业者，相信有很多人在听这一期播客。雨森，你有什么建议给他们？
戴雨森
出海其实和在任何地方做产品一样，首先要非常了解用户的真实需求。出海的过程中，因为隔着语言和地理位置，这一点变得更加重要，尤其是在企业服务领域。
我们见过很多中国企业服务创业者，觉得中国工程师能力很强、解决问题的能力很强，所以觉得出海可以去卷别人。但很多时候，中国团队的执行力很强，可是定义关键问题，需要实地调研，真正了解客户。
尤其是需要销售驱动的领域，一定要找到有 Go-to-Market 经验的专家，甚至团队要去到对应的目的地。
当然，像 Monica 这种偏 C 端的产品，需求相对比较普世，也比较容易理解，这种情况下不一定非要出去。但针对企业服务，我觉得一定要有人出去。
我们也看到有很多做擦边内容的产品，因为擦边内容的需求最容易理解，全人类可能都差不多。但不管怎样，第一个建议就是真正搞清楚用户和需求。
第二，做得好的团队普遍都要想清楚，并找到一个低成本、高回报的营销策略。我们看 Higgsfield、Monica，包括 Viggle，这些中国出海比较好的产品，往往都把 SEO、社交媒体传播，或者优质内容的病毒式传播用得很好，而不是简单做投流。
如果产品变现能力很强，投流也许能把 ROI 算过来，但现在投流基本都很贵。所以怎样巧妙地做营销，尤其是通过产品特性形成病毒式传播，变得非常重要。
海外社交媒体，比如 Twitter，也需要用好，这和国内很不一样。国内大家可能习惯投信息流、投流，通过很厉害的投流方式去做；在海外，我觉得更需要巧妙地做。中国创业团队的产品执行力往往都很强，所以无非是做什么、怎么推广，这两点是大家普遍比较有挑战、但做好了就会加分的地方。
Speaker 1
还有一个点，这一波做 AI 硬件的也很多。做 AI 硬件可以特别好地利用中国的优势资源。在 AI 硬件领域，雨森过去一年看了什么、投了什么？
戴雨森
AI 硬件我们看了很多项目，但说实话，硬件看上去很美，不一定真的那么好落地。
过去落地比较好的，还是海外已经把产品原型打出来，我们去把它做得更快、更便宜，或者做得更小。我们也看到一些团队，比如 PLAUD，确实做出了很有创意的产品。
但整体来说，硬件的扩张速度没有那么快，软件反而更适合现在 AI 扩散。我们对于硬件一直比较谨慎，当然也投资了相关创业者，但整体没有像有些基金一样投很多。
我自己对 AI 硬件一直比较谨慎。当时 Rabbit、Humane 这些产品出来的时候，我也都持比较谨慎的态度。
Speaker 1
接下来进入今天的第二部分，我们和雨森聊一聊 Devin。
先特别说明一下，今天我们会用非开发者的视角来聊 Devin，因为我俩都不是专业工程师。虽然学了 7 年 CS，但毕业之后就一直做产品经理，直到半年前 Cursor 发布之后，才重新开始写代码，更准确地说，是重新开始命令 AI 帮我写代码。
但另一方面，正因为我和雨森都是非开发者背景，反而可以用独特的视角去感受和体验 Devin，并预测 AI coding agent，乃至更广义的 AI Agent，将如何改变每个人，而不只是程序员，未来的生活和工作。
我们仍然认为，这一代 AI 编程技术最终会沿着两个方向发展：一个是服务专业程序员和开发者，第二个是赋能所有像我们这样的非开发者。而后者的商业价值和应用前景，可能更加深远和广泛。
第一个问题想问雨森：Devin 发布第一天，你就花了 500 美元充值。充值之后，你第一个用 Devin 做的事情是什么？用它做的最让你印象深刻的事情又是什么？
9. Devin 定义虚拟员工
戴雨森
Devin 安装完成之后，有一些推荐任务。其中一个任务是把你的名字带进去，在网上找找你的信息，给你做一个个人网站。
然后我让它做了一件我平时会交给实习生的典型工作：我们要修改真格基金的价值观宣言，英文叫 manifesto。我让它找一找美国有哪些顶级 VC，以及它们的 manifesto 是什么。
这是一个典型任务：你大概知道要找什么，但需要信息收集、整理和解决问题的能力。我就看着它去做。
这里面有很多有意思的地方。它首先要确定什么是美国的 top VC，于是去 PitchBook、CB Insights 这些网站找顶级 VC 的列表。它先找到了 10 家它认为的 top VC，我看了一下，确实是比较顶级的 10 家。
然后它一个一个去官网找 manifesto。但 manifesto 在 VC 里有不同叫法，比如红杉叫 ethos，Founders Fund 叫 manifesto，其他地方可能叫 about 或 philosophy。不同 VC 的叫法不同，还有几家 VC 的网站上根本没有这个内容，没有一段明确描述“我是谁、我的价值观是什么”。
我看到 Devin 在这个过程中尝试理解任务，找到最符合要求的内容。比如它在找 Accel 这家美国非常有名的 VC 时，发现官网上没有类似内容，于是去 news 里找。找来找去，它发现 Accel 在二〇二三年有一篇文章，介绍了 Accel 的价值观和方法论，于是就把那篇文章拿出来作为它要找的内容。
你可以看到，它像一个初级人类员工一样解决问题。它不是机械地说“你的网站上有没有一个叫 manifesto 的东西？没有，那我就没找到”，而是会看整个网站有没有比较符合这个内容定位的东西，再去寻找。
最后，它给了我一个包含 10 家 VC 对应 manifesto 的 Markdown 文件。
当然，它也有很多现在 AI 模型常见的问题，比如容易偷懒。我要求它把全文拿下来，但它在几家 VC 的内容里做了 summarization，给自己做了一个总结。这是我们使用 AI chatbot 时也经常遇到的问题：AI 不给你全文，可能因为 token 数或者其他原因给你一个缩略版。
这时候你就要告诉它：“你要给我 exact 的全文文本。”所以它其实和一个真正的实习生一样，需要教导。
但我觉得这里体现了它的规划能力，以及它对于不能直接解决的任务进行创造性解决的能力，这非常有意思。
这可能不是大家使用 Devin 的典型场景，因为我没有让它编程，而是让它完成一个语言模型 Agent 常见的任务。但我完全可以想象，我们现在有适合 coding 的 Devin，将来也会有适合文本工作的 Agent，或者适合金融、法律工作的 Agent。
只要我定义的工作，是一个人坐在电脑前，通过使用电脑、上网、使用软件能够解决的工作，它大概率都能或多或少地在这个 workflow 里得到体现。这一点让我非常惊艳。
Speaker 1
想问一下，从第一天到现在，时间也不长，大概两周，你感觉自己体验到了一个什么样的未来？
戴雨森
体验之后，我当时就感觉到，作为第一个真正能用的 Agent 产品，Devin 的出现可能标志着人类历史上的一个重要时刻。
人类历史上发明了很多工具。甚至有人说，人是能够使用工具的动物。但所有这些工具基本上可以分成两类。
第一类是需要持续注意力的工具，比如电钻、锤子，或者键盘和鼠标，它们需要我们持续关注和输入。
第二类是机械重复的自动化工具，比如洗衣机，按一个按钮它自己去洗；或者自动售货机、流水线。它们不需要我的持续关注，但只能解决重复性的事情。
我们其实一直在寻找第三种工具：不需要我持续注意力，同时又能自己规划、自己解决问题。这就是所谓的 autonomous agent，也就是自主 Agent。“Agent”这个翻译成“代理”其实不太好，它更像某种助理。
这样的产品，在原来的构想里，可能只有 Waymo 这样的产品在硬件上实现了；在软件层面，我们一直没有看到真正这样的产品出现。去年有 AutoGPT 这样的尝试，但都还停留在产品原型阶段。
Devin 让我发现，一个真正的 Agent 产品需要具备很多特点。第一，由于有很强的任务规划能力，它带来了异步体验。它原本设计的场景是，在 Slack 里你可以 @Devin，说“你帮我改这个 bug”，然后它自己去改。它真的需要帮助、进行不下去的时候会来找我，或者把事情做完之后来汇报。
这和一个实习生很像。你交代给他任务之后，他自己去工作；遇到问题、实在解决不了时，才会来找你。平时他不需要你的注意力。
与此同时，我可以把这个过程规模化，同时给 10 个实习生派活，让他们去做事情，而我可以专注于真正需要我做的重要工作。这是第一个异步体验。
第二，它在云端部署了虚拟机，所以可以使用浏览器，未来还可以使用更多软件，完成更多任务。这和 Cursor、Windsurf 使用我的电脑完全不同。
如果大家用过类似 RPA 的软件，就会知道它操作的时候你什么都不敢做，因为怕打断它的流程。毕竟是 AI 在使用你的电脑。但 Devin 使用的是自己的虚拟机，就像我们招一个实习生，要给他配一台电脑一样，这带来的灵活性完全不同。
第三，Devin 做事情时像一个真正的员工。比如我们招一个实习生，他第一天肯定会搞砸很多事情，因为他不知道组织里的很多事情该怎么做。
当 Devin 做一件事情时，它会逐渐意识到需要积累某种知识，在产品里叫 knowledge。它会主动提示：“我学到了一个知识。”比如，在找信息时尽量去官网寻找。然后我可以确认：“对，你学到了一个好的知识。”
这和我们对实习生、员工做 review 很像。他写一个工作总结，说自己学到了几点，我告诉他这些做得很对。理论上，这些知识可以不断积累，让它越来越适应这个组织。
我们招人也是这样。员工刚来的时候，价值相对有限，需要持续学习，才能更适合这个组织。但以前使用工具时，我们都希望工具一打开就能用，不会期待一台电脑不断学习、变得越来越好用。
在 Devin 身上，我们真的看到了类似人类员工的成长曲线。虽然还处在早期，但这个范式转变非常重要。
第四，Devin 提出了根据完成任务收费的方式。这也是为什么一开始大家觉得 500 美元很贵。500 美元对应 250 个 ACU，每个 ACU 大约是 15 分钟的工作，换算下来每小时大概 8 美元。
中国听众可能觉得这很贵，但在加州，最低工资标准是每小时 16 美元。麦当劳里帮你做汉堡的人，也要拿到每小时 16 美元，所以 Devin 已经低于加州最低工资的一半。
而且算力会持续提高，算力成本会持续下降。现在花 8 美元买到一个小时的算力，未来一定能做更多事情，具备更强能力。
招一个人还要处理人事问题、物理空间和管理问题。但 AI 是一个 7×24 小时、不知疲倦、一直勤奋工作的员工。当它真的能够不需要我的注意力就完成额外任务，能够和实习生对标时，企业所有者就会考虑：到底是请一个实习生，还是用一个 Devin Agent？
我朋友说过一句话，我觉得特别有意义：程序员喜欢 Cursor，因为 Cursor 是程序员的 Copilot，能帮助程序员成为 10 倍效率的程序员；但老板喜欢 Devin，因为老板考虑的是怎样花钱买到生产力。
Devin 让我们看到了一个潜在的范式变化：我能够通过花钱来规模化生产力。所以我觉得，Devin 让我看到了一个“工作的 scaling law”。
Speaker 1
一个有意思的现象是，在很多 coding agent 里，第一个任务往往都是做一个个人网站。所以我开玩笑说，我们已经用这些产品做了好多个个人网站，这就是新时代的 Hello World。
显然，这个任务它完成得不错，因为从网上找到我的信息比较容易，也可以快速搭建一个网站。
Devin 的出现不只是让大家觉得 AI coding 变得很厉害，更是定义了一种新的交互方式：大家可以看到，原来 AI Agent 可以这样工作。
因为我和雨森在 Devin 里用的是一个团队账号，所以我能看到他的所有任务进展，能看到它怎样使用 Devin，以及 Devin 怎样回应他。
刚才提到的任务，我还有一个补充。雨森让 Devin 找完 10 家顶级 VC 的 manifesto 之后，又让它做一个网站。当时它花了大概一个小时，先赶出了第一版，但做得很糟糕。
我正好进入 Devin，看到了它交付的报告，就想接着把任务布置下去。我给它一个参考网站，说这个风格不错，你照着这个风格调一调网站。同时，我想试一下 Recraft 的生图和插图 API，就把 API 文档和 API key 交给它，让它给这 10 篇 manifesto 分别做一张插图。
当时我有一种很强的感受，好像真的在办公室里有一个实习生。一开始他在帮雨森做事，现在他做完报告回来，雨森下楼吃饭了，我看到报告之后给他一些建议：“雨森想要的是这个，你再完善一下，等他回来就可以看了。”
这特别像在使用一个真实的人，所以我们才说它是一个真正的 Agent。Agent 不再只是机器的意思，而是某种助理。这也是为什么它产生了新的、像使用员工一样的范式。
戴雨森
这里面还有很多细节挺有意思。我再举一个例子：我们另外一个朋友的任务，是让 Devin 去 LinkedIn 抓一些人的信息，比如 OpenAI 的所有中国员工。
Devin 显然没有 LinkedIn 账号，所以它需要找用户，说：“你能不能帮我输入一下 LinkedIn 账号？”因为 Devin 使用的是虚拟机，所以有一个互动模式：我作为用户，可以在这个虚拟机里输入 LinkedIn 的账号和密码，然后 Devin 继续使用。
这很像我们招了一个实习生，给他配了一台电脑，但他没有账号，于是他说：“老板，你来输入一下账号。”我把账号输进去之后，他就继续用我登录好的账号。
这也是为什么虚拟机很重要。它可以在虚拟机里做很多操作，而不会打断我的工作流程。否则我的电脑就被它借走了，像 Cursor、Windsurf 一样，它们都是借我的电脑使用，那时候我什么也干不了。
这种异步方式让我可以同时给 Devin 布置很多任务，它们是并行的，我只需要花算力就行。比如日常生活中我有一个实习生，但如果我有 10 个实习生，每个人都可以做很多事情，工作的提升可能是指数级的。
Speaker 1
使用 Devin 让我想起当年“人人都是产品经理”这句话，但今天可能变成“人人都是 CEO”。因为和 Devin 互动的过程，好像只需要做 CEO 最喜欢做的 3 件事：第一，下指令；第二，检查工作；第三，高水平一点的 CEO 还可以给它启发和指导。
戴雨森
很多人在使用 Devin 或者类似 AI 产品时，都会遇到一个问题：我要做什么，以及我怎样提出需求？
如果我们招一个员工，只跟他说一句“帮我写个淘宝”，他肯定做不出来。但很多时候，我们对 AI 有一些不切实际的想法，觉得“你给我做个淘宝”，它就应该做出来。这也是不对的。
每个人都要想清楚：我到底要做什么？模型虽然有很多智能和能力，但你有没有真正想做的事情，以及能不能把想做的事情用一种合理、容易理解、结构化的方式提出来，这非常重要。
我们自己做 PM、做设计师、做程序员时，也很烦那种自己都没搞懂需求的老板，比如提出“五彩斑斓的黑”这种需求。但当我们自己成为 AI 的老板时，能不能做一个好老板？这可能是接下来每个人都要学会的事情。
Speaker 1
使用 Devin 还有一个很强的感受，这也是 High Cloud 前段时间提到的：Devin 有一个非常厉害的地方，就是它可以帮助大家把人类历史上的智慧结晶全部用起来。
我们完成一个任务时，很多时候不知道世界上已经存在这样的轮子，不知道已经有这样的工具。很多工具以代码、代码库的形式放在 GitHub 或 Hugging Face 上。把这些代码下载到本地、部署到机器上，并且和其他工作或软件程序连接起来跑通，这件事可能一千个人里只有一个人能做到。
但今天有了 Devin，理论上人人都可以做到，因为你可以像老板一样用自然语言下指令。
举一个具体例子：如果我们要做一个国际象棋应用，过去光是把国际象棋规则写出来，就需要几百行甚至上千行代码。你可能会想，是不是已经有人把规则写成代码库了？但你去 Google 搜索，可能会得到几百页结果，不知道什么是最好的，也不知道什么是最佳实践。
有了 Devin，你可以把任务交给它。它会通过分析，异步帮你找到已经存在的程序代码库，然后使用起来。
这带来的价值是，所有前人开发过、用于解决某些问题的工具或代码库，你都不需要再造轮子，可以站在巨人的肩膀上，使用经过社区验证的最佳实践，去做自己想要的工具。
我觉得这也是 Devin、Cursor 实现的一个不那么显著、但很深远的价值。
戴雨森
我很同意。ChatGPT 出来的时候，我就有一个很强烈的感觉：如果你的工作里有很多复制粘贴，或者所谓“缝合怪”的部分，那这些工作很容易被替代。
最早被 AI 大幅提效的，或者说得不好听一点，最容易被替代的工作，就是初级美工的复制粘贴型设计工作：抄一个别人的设计；以及初级代码工作者把一个代码库拿过来，想办法放进自己的项目。
前端程序员其实面临很大的压力，因为前端展示大部分时候不需要太多创新想法。找到一个已有的最佳 solution，再用胶水把它拼起来，是 AI 最擅长的事情。
工作中大部分内容，可能都是已经被解决过的问题，或者已经被发明的轮子，只是以前人类不知道这些轮子的存在，或者没有办法把它们很好地拼起来。现在 AI 能够帮我们做到这件事，让我们专注于“做什么”，这会变得越来越重要。
这也会对教育产生很大影响。我们过去大量的教育和培训，都是教人怎样做执行工作，怎样具体完成某件事情。就像没有计算器时，我们要学习大量手算和心算；但现在我们可以理解计算方法，却不一定要亲自完成计算。
我们可以把更多精力花在“做什么”以及提出正确的问题上。这也是未来教育体系需要发生很大变化的地方。
Speaker 1
所以二〇二五年非常值得期待。从 Devin 的发布中，我们看到的不只是 AI coding 被 Agent 升级到下一个级别。无论法律、商业分析还是教育，这种新范式的出现，都可能带来颠覆式的变化，也意味着各种创业机会。
刚才雨森提到一个很有趣的观点：Devin 是人类历史上第一个既不需要持续注意力，又不只是机械重复的工具，这让我们看到了工作的某种 scaling law。能不能再展开讲一下，让大家更理解这意味着怎样的价值？
10. 工作的规模化开始出现
戴雨森
最直白地说，工作的 scaling law 就是我能够花更多的钱，买到更多生产力，或者说把钱等价为算力。
这其实挺不容易。很多公司融了很多钱，却不能有效地把钱变成生产力，因为需要招人、搭建组织、做很多管理工作。但随着可以异步工作的 Agent 出现，我可以把很多任务安排给不同 Agent 去做，它们消耗的是算力和电力，但可以完成任务，而且可以并行进行。
完全可以想象，未来会有一个更加擅长提出需求、拆解需求的产品经理型 Agent，去指挥很多 AI 程序员工作。这样就真的会形成一个虚拟组织。
在这个组织里，需要的更多是两件事：第一，你要知道自己要做什么；第二，要有足够的算力和资金输入。在这样一个正在快速变成现实的组织里，我可能通过投入更多钱和算力，有效地把工作规模化，这就是工作的 scaling law。
第二，创业者经常说：“我有一个很好的想法，但我缺一个程序员。”好的编程执行是现在比较稀缺的资源。但当执行本身不再是稀缺资源时，做什么就变得很重要。
刚才我说每个人都要学会当老板，这会带来更多创业机会。很多原来因为没有优秀程序员而被埋没的创业者，现在可能有更多机会把想法实现出来，会有更多东西被创造出来。这也是创业可以被规模化的原因。
Speaker 1
因为花钱能够提高生产力，本来就是因为 Agent 可以并行工作。如果我的注意力必须放在工具上，那我的注意力是有限的；现在我的注意力可以扩展到不同 Agent 上，所以一个人可以下很多命令，让很多 Agent 去做事情。
说到 scaling law，我想到一个比喻。当年王兴推荐我们看《领导梯队》，里面讲到，当你第一次成为一个小团队的领导者时，要有一个重要认知变化：你的产出不再是你个人的产出，而是整个团队的产出。
今天我们从 Devin 身上看到的工作的 scaling law 也是类似的。你的产出不再是一个人集中注意力、在眼前完成的事情，而是你怎样把整个团队的任务下达好，把检查标准设定好。团队的所有产出，包括 Devin 的产出，最后都是你的产出。
这意味着你可以用有限的注意力无限规模化，只要你能够管理足够多的人和 Agent。而管理 Agent 可能比管理人容易，因为管理人涉及更多沟通协调和情绪价值。
戴雨森
王兴推荐的那本书叫《领导梯队》。这个概念本身没有问题：如果你能够成为一家跨国公司的 CEO，指挥上千人、上万人，你能做什么事情？原来我们没有这样的机会，但现在可以通过管理 Agent，甚至让 Agent 去调动 Agent，获得近似这样的机会。
所需要的就是钱和算力。很多公司其实不缺钱，缺的是人才，以及把事情执行出来的组织结构。
所以我相信，一方面，有钱的人和有钱的公司可以做更多事情；另一方面，很多有想法的人也可以用相对较低的成本，快速把想法实现出来，获得用户认可或者投资。这样，我们也会有更多创业和创新空间。
Speaker 1
这就是今年最流行的说法之一：超级个体。一个人有了越来越多工具和 Agent 的赋能之后，可以做原来 10 个人、20 个人才能做的事情。
Devin 发布不久之后，也收到了很多吐槽和批评。雨森怎么看？
戴雨森
很多批评是关于 500 美元的价格。大家把它和 Cursor 的 20 美元进行比较，但我认为这是两种不同的范式。
一种是需要使用我的时间的工具，它没有节省我的时间，只是让我的时间变得更高效。所以我的成本并没有下降，而是我的时间成本加上工具成本。
但如果它本身是一个员工，对比对象就变成了员工工资。只要它能比同样价格招到的员工干更多活，尤其在欧美，我认为它就是可以落地的。
所以我觉得这个价格并不贵。很多人一看到价格就说是不是割韭菜，关键还是看你怎样理解、怎样使用。
我也和一些使用 Cursor、Devin 的程序员聊过。我发现，在 Devin 能力还不够强的时候，使用 Devin 对大多数程序员的工作流是很大的改变。程序员自己懂代码怎样运行，往往希望掌控全局，所以 Cursor 这样的 Copilot 可能更适合他们现在的 workflow。
已经习惯用 IDE 工作的程序员，完成一个任务时，需要和 Devin 对话、等待它工作、再验收，可能不那么高效。他们更希望自己去修 bug、写代码。
如果你是一个很厉害的程序员，可能不会愿意带一个笨笨的实习生，因为现在 Devin 还只是一个实习生。培养实习生也需要时间和耐心。程序员可能会觉得，与其等它写代码、再给它擦屁股，不如自己写。这在技术早期完全可以理解。
但如果一个人犯错，作为管理者我们往往会有耐心，因为我们知道人会学习和成长。我今天批评他，他可能会记住，也会有动力继续工作，经过培训成为不错的程序员。
Devin 其实也可以学习，但我们现在还没有对 AI 软件和产品建立起“它可以成长、学习、被管理”的预期。所以当它出问题时，用户的反应会变成：“我买了一个很贵的工具，花了 500 美元，但它居然还会出问题。”大家就会比较失望。
因此，企业引入 Devin 这样的产品时，对它建立合适的预期非常重要。Devin 自己的文档也说，它适合先做一些你会交给实习生的事情，比如简单的前端任务、修改 bug，或者给前端增加一个 dark mode 的开关。
人类提出好问题的能力也需要学习。我经常看到大家说“帮我写一个淘宝”“帮我做一个微信”，这远超它的能力。现在 Devin 和所有 AI 产品一样，还是傻傻的。它接到任务会说“好，我来帮你写一个淘宝”，但这样得到的结果肯定不会令人满意。
怎样用好一个工具，需要学习。还没有到什么需求都能直接接住、直接做出来的程度。如果它什么都能做，那就是神，而不是实习生。它的定位就是实习生。
但随着 Devin 能力提升，以及对组织环境理解加深，我相信它会从实习生逐渐变成初级全职员工，再变成资深全职员工。这需要一个接受过程。
Cursor 是在现有流程上的渐进式创新，没有让程序员工作发生翻天覆地的改变；但 Devin 是颠覆式创新。颠覆式创新往往需要适应时间，也需要不同的 onboarding 过程。
所以我不觉得 Devin 一定是最后的答案。它可能只是提出了未来 Agent 产品的样子。我们真正学会适应和使用 Agent 产品，就像适应 SaaS、适应 Remote Work、适应分布式工作一样，都需要很长时间，也需要合适的契机。
它在方向上给了我们很大指示，但现在肯定还是实习生水平。挑错、指出问题很容易，但更重要的是，它提出了未来的方向，我们怎样从这里得到启发，做出更好的 Agent。
Speaker 1
这就像半杯水的理论：有人从半杯水里看到优势，也有人看到问题。
刚才聊到 Devin 的第一个例子，雨森最惊艳的是，它在完成“找 10 家顶级 VC 的 manifesto”这个任务时，知道 Accel 官网没有相关内容，却能从新闻稿里找到。这是一个巨大亮点：它会设定任务、反思、自我检查。
另一方面，它做出来的网页确实丑到不能看。但如果我们只看到问题，就看不到未来的可能性。还是那句话：批评者往往感到自己是正确的，但只有建造者，虽然看上去笨拙，更有可能成功。
这里还让我想到王兴曾经说过的一句话：如果你相信一件事情终究会发生，那就每隔 3 年做一次。
Agent 这件事，人类历史上从有科幻开始就一直相信它会发生，也不断有人尝试。真正看到 Devin 之后，我们感觉这可能是最接近成功的一次。
我们再来聊聊二〇二五年。整个二〇二四年，虽然我们聊得很乐观，但大环境中还是时不时会出现各种悲观论调。我尤其记得第二、第三季度时，大家似乎都在讨论 AI 的 PMF 究竟在哪里。看上去，整个生成式 AI 的落地比预期更难。
站在二〇二五年开端，一个非常简单的 yes or no 问题：雨森，你对二〇二五年乐观吗？
11. AI 应用等待技术解锁
戴雨森
我还是很乐观。首先，我对 AI 应用找 PMF 的期待，本来就是它不会那么快。
我经常打一个比方：很多人把 ChatGPT 的发布和 iPhone 的发布相比，说 AI 来到了 iPhone 时代，但我始终认为，它代表的是 BlackBerry 时代。
BlackBerry 时代和 iPhone 时代有什么区别？可能很多年轻听众没有用过 BlackBerry，这是我们八〇后的记忆。
iPhone 发布之前，智能手机长得都不一样。那时技术还比较早期，没有经过足够发展，所以比较分散，大家没有找到收敛路径。很多事情想做但做不到，技术本身也很贵，没有统一的开发标准和产品标准，开发者也比较少。
如果在那个时候想做一个移动互联网上真正火的应用，比如抖音，是很难的。我反复聊过这个观点：BlackBerry 时代做不了抖音。
从 BlackBerry 时代到 iPhone 时代，进步来自技术发展，它解锁了更多应用机会。iPhone 出现之后，第一，技术发展得足够好，很多应用从“想做”变成“能做”。好的摄像头、屏幕和处理器，让很多应用成为可能。
第二，技术变得标准化。iPhone 发布之后，手机逐渐变得相似，大家发现技术方向收敛了。与此同时，开发者也变多了，因为在上面开发更容易，技术标准化、成本降低，大家也更理解这套技术。
所以 iPhone 时代诞生了大量应用。
ChatGPT 刚出现的时候，我们也发现，很多事情想得到但做不到。Agent 就是典型例子。二〇二三年上半年有一个 Agent 尝试叫 AutoGPT，它提出了很多很好的概念：先让语言模型做计划，再检查有没有完成，然后迭代。但当时语言模型幻觉太多，很难有效使用工具，也很难有效浏览网络，所以根本做不到。
这是一个典型的“BlackBerry 时代做不出抖音”的例子。但现在随着 Agent 在 3 个方面的进步——推理能力、编程能力和工具使用能力——Agent 的样机已经越来越像样了。
虽然它还有很多缺点，但至少已经迈出了实习生水平可用的第一步。这就是典型的技术进步解锁更多应用机会。我相信，最终会有一个例子，把我们从 BlackBerry 时代带到 iPhone 时代。
ChatGPT 出现两年到现在，我们已经看到了这么多进步，首先应该很乐观。两年时间里，AI 编程已经从 ChatGPT 的“你问我答”，变成 Devin 的“你问我做”，以及 Cursor 的“你问我写”，这已经是非常大的进步，速度非常快。
第二，很多时候 PMF 来自技术本身的进步。Cursor 其实在二〇二三年就出现了，但它当时提出的“预测下一个 action”需要更强大的模型去完成，也需要更好的代码生成能力。
可以说，是 Claude 3.5 Sonnet 的出现激活了 Cursor，让它真正能够 deliver 自己想做的产品。同样，Cursor 的成功也让 Claude 3.5 Sonnet 很快成为 AI coding 领域大家最喜欢使用的模型，它们是互相成就的关系。
Devin 这样的产品要成功，也需要模型在推理、工具使用等能力上提高。Claude 3.5 Sonnet 或 GPT-4o 可能还没有强到足以把它做好，所以 Devin 这种产品形态可能还需要更先进的模型来激活。
这个模型可能是 o1、o3，也可能是 Anthropic 的新模型，我们还不知道。但会有一个产品等模型、模型等产品的过程：模型进步后激活产品场景，产品被广泛使用后，又促进模型发展，这是互惠的过程。
还有一点，我们刚刚经历的是移动互联网成熟期。移动互联网成熟期的特点是产品非常容易使用，比如抖音手指动一动就可以，微信和小红书也很容易使用。
但在技术早期，一个产品要使用好，存在一定门槛，需要学习。大家可以想想最早的智能手机、个人电脑，甚至最早的互联网，都需要学习才能使用。
现在很多人用 AI，远远没有把 AI 产品里的智能提取出来。大模型里已经压缩了大量知识和智能，但我们有没有学会正确、高效地使用它？有没有学会高效提问，把模型里的智能提取出来？
大部分人还没有学会，包括我自己。我一直会发现，原来模型还能做这样的事情，原来可以这样回答问题。
我们正在经历一个从易用的移动互联网产品，到需要学习使用的生成式 AI 产品的阶段。大家一开始体验会有挫败感，觉得这个产品怎么有点难用。这就是技术早期的特点。
很多应用其实已经能够做很多事情，只是我们还不太会用，还没有成为一个好的提问者，或者还没有成为一个好的老板。这也可能需要模型能力继续提升，未来由模型帮助我们完成这些事情。
现在产品还处于和我们磨合的阶段，所以大家要多用。在尝试过程中，才能知道边界在哪里，以及边界怎样不断拓展。
Speaker 1
我补充一下刚才说的技术和模型进步解锁的新机会，尤其是在 Agent 领域。
刚才雨森提到 3 个方面，其实还有第四个方面。上一期聊 OpenAI 十二天发布会时，嘉宾提到，有一些特别重磅的内容没有发布，可能是出于公关考虑，或者不想让竞争对手过度关注。
其中一个对 Agent 至关重要的点，是 OpenAI 输出 function call，以及 structured output 的能力。这能让 Agent 获得更加精确的指令。我觉得这是之前可能被忽略，但说出来之后非常合理的一点。
再往下，在二〇二五年，你认为什么样的应用方向比较容易落地？这可能也是创业者非常关注的。
戴雨森
从过去两年比较容易落地的方向来看，我觉得有几个。
第一个是能帮客户赚钱的。当然，技术还没有那么完善时，如果一个不完善的技术能够直接帮我赚钱，或者在商业化流程中直接提高效率，就会变得非常重要。
比如 Midjourney，它有几亿美元的年化收入，其中应该有一半收入来自广告类需求，用它产生商业使用的图形，去投广告、做内容。这是一个很实在的场景：我做广告本来就是为了赚钱，现在能够用更快、更好的速度制作广告内容。
我们投的 Higgsfield 主要也被用于营销场景，大家用它做视频宣传和广告内容。所以能够首先帮客户赚到钱，是技术早期用户愿意花时间使用和琢磨的领域。
第二，能够在重要任务上提高 10 倍以上生产力。如果一个技术只提高 50% 的生产力，大家使用起来可能还有很多阻力。一定要提高得非常强，比如 Cursor、Devin 对程序员来说，绝对是 10 倍生产力的提升。
程序员花时间寻找代码库，可能就需要很长时间。像这样能够大幅提高效率，大家使用它的动力才会很强。
Perplexity 对传统搜索引擎来说，我觉得也是 10 倍的生产力提升。原来我去找一个东西，比如说我要找 Koji 的资料，我得去搜 Koji，对吧，看新闻什么的，我得去看十几、二十篇文章，然后我自己想，哦，原来 Koji 是这样的人。现在我只要问它，它会帮我看几十个网页，再进行总结。
所以在信息收集、提问这类问题上，它比搜索引擎的效率高 10 倍以上，这种产品比较容易找到 PMF。
第三，满足人性的基本需求，比如 NSFW 内容。这些场景大家也已经看到了。
整体来讲，要么能帮我赚钱，要么能够非常大幅地提高效率，只要有一个能够实现，就非常好。
Speaker 1
那有什么应用方向需要稍微回避一下，做起来比较有难度？
戴雨森
第一个，在移动互联网里，很多赢家都是杀时间的应用。中国用户习惯于说，我的应用用户粘性很高，用户花很多时间在上面，然后我通过广告赚钱。字节、小红书、快手，都是这个范式。
但这是移动互联网已有的范式。移动互联网是一个新设备，它让用户原来无法获得信息、无法上网的时间变得可用，是从零到一的逻辑。
现在抖音已经占用了我们大量时间。如果 AI 应用一上来就要和成熟玩家竞争杀时间，也就是 Character.AI 这类产品遇到的问题：竞争对手非常强大，已经占用了大部分时间。
所以再做杀时间的应用会比较难。大家会发现，最后真正落地的，可能是针对比较小众人群，或者比较特殊内容的应用。针对普通人，AI 陪伴聊天很难比抖音视频更好。所以和巨头抢时间的应用，要谨慎。
第二，改变物理世界还是比较难。AI 写代码、使用工具，都发生在数字世界。在数字世界里，AI 可以做很多事情；但在物理世界，AI 现在连拿一个杯子这样的基础 manipulation 都比较难。
虽然人形机器人很火，但技术实现路径，以及怎样规模化收集训练数据，都是开放问题，还没有明确答案。所以在未来 3 到 5 年，改变物理世界的应用可能还会遇到很多挑战。
第三，过去两年有不少设备想替代手机，比如 Rabbit、Humane，现在也有很多团队在做智能眼镜。
我的看法是，如果做的场景和手机高度重合，比如打电话、搜索周围信息、听音乐，替代手机会非常难。现在能够替代手机的硬件，基本都在做手机完全做不到的事情，比如无人机可以飞，智能手表可以戴在手腕上，智能戒指可以套在手上，或者 Insta360 可以在运动场景使用。
像当时 Huawei、Rabbit 这些，其实都是在做手机已经做得很好的场景，用户切换动力就很小。手机在大部分场景下至少能做到 80%，除非你的产品好很多，或者做的是手机根本不能做的事情，否则很难替代手机。
对于 Agent 类产品，我觉得二〇二五年会看到特别多 Agent 出现。这里面一个挑战是，当你要对组织做出很大改变时，能不能真正完成这种改变。
比如改变程序员的工作方式：从自己写代码，变成指挥别人写代码。这种工作流改变，对于很多组织都有阻力，尤其是大公司。
现在大公司推行 AI，牵涉到数据权限、隐私安全等问题。如果要改变工作流，很多人的工作都会发生变化，难度就更大。
所以，针对组织做很大改变，除非生产力提高非常多，让组织不得不用，或者针对中小企业去做；否则针对大组织做大改变，很多时候是人性的壁垒，而不是技术的壁垒。
Speaker 1
我们刚才聊到，技术解锁带来了一些新机会，比较多的是模型推理能力、幻觉降低、Computer Use 等工具使用带来的 Agent 机会。
除此之外，还有哪些技术解锁，你认为在二〇二五年可能带来浪潮式的 AI 创业机会？
戴雨森
我自己做了几个总结。
第一个就是 Agent。二〇二五年，我觉得会有针对各个领域的 Agent 产品出现。它们会借鉴 Devin 的很多思路，做异步工具使用，可以规划，并且按照工作量收费。
在美国，现在有人把原来的 SaaS，也就是 Software as a Service，反过来叫 Service as Software：我把服务变成软件卖给你。或者叫 Sell Work, Not the Tool：我卖的是工作结果，而不是工具本身。
我觉得二〇二五年肯定会有很多尝试，很多会失败，但也会有一些有意思的产品出现。
第二个，我给大家一个定义，叫 scalable personalization，中文是“可扩展的个性化”。
互联网发展过程中，内容分发一开始是门户网站，千人一面，每个人看一样的内容；然后是搜索引擎，你搜索一个关键词，看到针对这个关键词的个性化内容，但你搜和我搜，结果可能是一样的。
之后是推荐引擎，以抖音为代表，根据我的 context，主动把我感兴趣的内容推给我。后来大家又想，如果我想看的东西网站上没有怎么办？那就给我生成出来。
现在 Sora 等视频生成产品，就是按照你的个性化需求，生成你想要的内容。我们看到了个性化可以被规模化的过程。
个性化的终局，是每个人都能看到最适合自己的东西。但过去受技术限制，我们只能消费大家都有的 commodity。现在，内容的个性化逐渐成为可能。
最近有几个应用增长很快。一个叫 Bolt.new，可以输入文本 prompt，生成一个想要的网站。另一个叫 WebSim，像一个 Chrome 浏览器，你输入 prompt，它就给你生成对应的网站，而这个网站在线上原本并不存在，是现场生成的。
过去，软件开发像好莱坞拍大电影，需要很大团队和大量投入，希望每个人都觉得好看。这是一种高度集中的软件开发模式。比如我在用微信的时候，我可能就不想看视频号，因为我从来不看视频号；我可能希望朋友圈在第三个 Tab，因为我天天看朋友圈，想点一下就看朋友圈，而不是点进去再点一下看朋友圈。
有没有可能每个人都拥有一个符合自己需求的网站或 App？过去肯定做不到，因为你没有办法开发，除非特别有钱请人开发。但 AI 的个性化能力，让每个人获得真正个性化内容逐渐变得可能。
即使不是每个人都有一个完全个性化的内容，也许每一类人可以有一个偏个性化的软件和内容，这会变得很有意思。
Google 做的 NotebookLM 也很火。比如播客这种形式，供给其实非常少。比如说柯基今天请我，那他没有请别的嘉宾，所以你就没法听到柯基和别的嘉宾的对话。但是如果我想听柯基和 Steve Jobs 的对话，现在可以把文本内容输入进去，生成一个这样的播客。
理论上，现在播客是供给非常少的一种内容，但未来完全可能是：我想听某个人和某个话题的对话，而这段对话并不是他录的，是 AI 生成的。这也是 scalable personalization，也就是可扩展的个性化。
随着 AI 能力提高，我们每个人使用的软件、消费的内容，都可以变得越来越个性化。我觉得这个能解锁的空间非常大。
第三个，我觉得在 AGI 上，我们看到 AI 的能力正在从普通人的能力逐渐进化到超人的能力，这对发现新知识、扩张知识前沿有很大价值。
两年前我们还在讨论 AI 能不能通过图灵测试，也就是会不会被当作一个普通人。现在普通人的指标已经很难衡量 AI 的能力了。
过去常用的 MMLU，主要衡量普通人的能力，因为那时 AI 远远不如普通人。现在 AI 能力已经超过普通人，简单对话已经很难考倒它。
第二种 benchmark，是精英人类 benchmark，也就是衡量某个领域专家的能力。比如 SWE-bench 针对程序员，测试 AI 能否完成程序员写的代码任务；AIME 是美国高中数学竞赛，测试 AI 能否解决优秀高中生能解决的题目；GPQA 则测试 AI 能否通过 PhD qualification 级别的考试。
二〇二四年年初，AI 很难完成这些精英人类测评。但到了二〇二四年底、二〇二五年初，在 o1、o3 这样的先进模型下，很多都已经达到 80 分左右。GPQA 已经做到 70 多分，超过人类 PhD 水平；AIME 也超过美国精英高中生水平；SWE-bench 快要被解决了。
所以我们需要在精英人类 benchmark 之外，建立 Superhuman Benchmark。比如 FrontierMath，这是陶哲轩背书的、针对未来的高难度数学题，人类也需要非常强的能力才能解决。
o3 最近发布时，它在 Codeforces 上获得了 2,700 分。什么概念？2,700 分相当于人类中 0.01% 的水平，全人类只有 130 多个人达到过这个分数，而 AI 的编程能力已经达到这个水平。
很多 benchmark 已经不够用了。我们需要衡量 AI 达到顶尖人类水平、甚至超过人类水平，以及创造新知识的能力。对科学研究、前沿探索和解决未被解决的问题来说，这非常有价值。
o3 发布后，有人批评它完成一个任务需要花很多钱，算力消耗很大。但 o3 的高算力模式本来就不是给普通任务使用的，它的定位就是解决人类前沿最难的研究和探索问题。这个东西贵是正常的。
未来 AI 模型可能在日常任务和前沿研究上分叉，就像《生活大爆炸》里的 Sheldon。他是很厉害的科学家，但日常任务一塌糊涂。有些 AI 模型可能更像 Sheldon，去解决前沿探索；有些则价廉物美，比如 o3-mini，能够干活，可能像一个程序员；还有更简单的模型，只用来回答“今天天气怎么样”这类日常问题。
所以我们既可以看到日常需求被越来越高效、便宜地解决，也能看到 AI 和科学家在前沿研究中协作，为人类带来新的进展、产生新的知识。这是让我非常兴奋的一点。
Speaker 1
今年还有一个重大突破是在多模态上。不管是 GPT-4o 的实时语音，还是 OpenAI 这次发布会里一个不太起眼、但被认为非常值得关注的多端到多端的多模态互动。
雨森，你觉得多模态在明年会有哪些创业机会？
戴雨森
多模态第一个重要的事情，是 AI 怎样理解多模态的世界。
对文本来说，“今天天气很好”这几个字是一句话，但背后蕴含了大量需要看到才能理解的信息。所谓“一图胜千言”，图片里面的信息特别多。如果 AI 不能充分理解这些信息，智能肯定有很大缺陷。
它现在有点像一个瞎子。瞎子也可以解很厉害的数学题，但确实需要具备更加完整的智能。所以多模态理解能力很重要。
海外先进研究者普遍认为，生成能力不一定是最重要的。Sora 现在获得的资源可能相对少一些，因为多模态生成的主要落地场景还是娱乐内容和内容生产，和 AGI 可能还有一定距离。
像 Adobe 这样的公司，因为主要不做多模态生成，可能会觉得靠文本、代码和 API 就能实现 AGI。这是不同的观点。
但我觉得，NotebookLM 给了我们一个很好的启示：怎样把一种模态的内容转换成另一种模态进行消费。
比如过去做 TTS，是把文本转成 speech，这只是直接转换。但把文本转成播客，并不是把文字读出来就结束了，那只是读书。它需要把文本变成更适合音频模态消费的内容，这才是播客。
同样，从文本到视频也是如此。把《三国演义》拍成电视剧，不是简单还原文本，而是艺术改编。从视频到文本、从视频到声音也是一样。
在不同模态之间自然转换，并且在每种模态中生成最适合消费的内容，我觉得这是非常激动人心的过程。
假设我喜欢刷抖音，有一篇《三体》，我可以把它变成适合抖音消费的内容，也可以变成适合播客消费的内容。内容消费上会有很多机会。
更进一步，多模态的生成和理解会对具身智能有很大帮助。最近有一个叫 Genesis 的研究，讨论怎样模拟物理世界，并进一步研究 manipulation，也就是机器人怎样操作现实生活中的物体。这些都是很有意思的研究。
Speaker 1
尤其刚才你提到 Gemini 2.0，它能够高效理解收到的视频信号。生活中很多东西我们看到，却不知道怎么使用，但 AI 可以告诉我们怎么用。
如果它的视频生成能力足够强，还可以直接在我们看到的视频画面上叠加使用说明。比如我们之前和 Google 研究员讨论过一个场景：家里有一台咖啡机，我把手机对准咖啡机，视频流里直接叠加一个“按这个按钮开始煮咖啡”的视频提示。这个视频是生成出来的，但叠加在已有视频上。
这些想法都很有意思，只是目前可能还需要技术进一步发展。
戴雨森
我觉得二〇二五年很可能会看到这样的应用出现，包括它和 AI 硬件的结合。比如之前看到一个 demo，用户戴着 AI 眼镜打网球，AI 可以指导你怎样调整姿态和接球方式，从而更好地进步。这些都值得期待。
刚才提到的多模态到多模态，我想再说一下。这是我最近感到非常 surprise 的事情。上一期《十字路口》里，嘉宾提到 OpenAI 十二天发布会虽然发布了相关内容，但把它放在一个角落里。OpenAI 不想让竞争对手过度关注，所以只是低调地稍微透露了一下。
但对一些重点开发者，OpenAI 会一对一地进行推介。它可以同时接收多模态，并同时输出多模态，而且这种输入和输出是多模态到多模态。大家知道端到端的意思，多模态到多模态相当于把端到端再 level up 了几个级别。
Speaker 1
还有一个很有趣的问题，我觉得这是所有人都关注的：生成式 AI native 应用的大机会，可能会长成什么样？
戴雨森
我觉得，大机会首先应该出现在生成式 AI 技术扩散之后。如果现在使用 AI 的人还是小众群体，大机会可能还没有呈现出来。这是我反复聊的一个观点。
复盘互联网 native 应用或者移动互联网 native 应用的出现，第一步都是随着技术扩散，用新技术解决老问题。
互联网里面有电子邮件，用互联网解决发邮件的问题；有门户网站，用互联网解决看新闻的问题；有自营电商，用互联网解决卖货的问题。
但随着互联网进一步扩张，所有人都上网之后，才出现社交网络；信息都上网之后，才出现搜索引擎的必要性；买家、卖家、资金和物流都建设好之后，才出现平台电商。
平台电商、社交网络、搜索引擎，才是真正的互联网 native 应用，而且都是创业公司做出来的，最后拥有最大的市值。
移动互联网 native 应用也是如此。移动互联网、智能手机和 4G 网络普及之后，内容生产者和消费者都用上智能手机，才出现抖音、快手、小红书这样的信息平台。
当蓝领工作者都用上智能手机之后，才诞生美团外卖、滴滴这样的应用；当游戏玩家都用上手机之后，才出现米哈游和《王者荣耀》这样的移动互联网 native 游戏。
移动互联网 native 应用也是在移动互联网扩散之后才出现的。
AI 扩散之后，新的 AI native 应用也会遵循类似逻辑。首先要有一些应用，比如 ChatGPT，可能每个人都有一个 AI 助手。但它还需要更大规模的扩散。
当每个人都有自己的 AI 助手，用 AI 解决工作中的很多问题，甚至用 AI 参加会议时，AI 与 AI 之间的互动会产生什么结果？
比如 Agent。如果一个公司里大部分工作执行都由 AI 完成，那么对生产力和企业服务软件会产生巨大变化。你不仅要执行，还要管理这些 AI，给它们下任务，拆解任务。这是人类过去完全做不到的，因为人没有那么多注意力和精力。
另一个很重要的主题，是 AI 时代的商业化。
互联网和移动互联网时代，大量商业化通过广告实现。但当你使用 Kimi 或 Perplexity 提问时，原来搜索引擎里的广告和页面广告并没有被你看到，而是被 AI 代替你看了，原来广告带来的价值也就消失了。
这会带来很多价值重构。问题的答案对我有价值，但这个价值怎样被提取出来？原来的广告是给人看的，未来可能是给 AI 看的。如果 AI 看到广告，并把信息直接提供给用户，原有广告模式就会被颠覆。
所以广告商业模式的颠覆，也会成为很多 AI native 应用的机会。
Speaker 1
最后一个问题：二〇二五年，真格基金和你最感兴趣的投资方向有哪些？这里面有没有行业非共识，是你们差异化的观点？
戴雨森
首先，我们对于 To C 杀时间应用会比较谨慎。大家都在按照字节跳动的经验寻找下一个字节跳动：找一个杀时间、留存高、靠投放起量的 To C 应用。
但当字节已经占用了这么多时间和用户时长时，下一个杀手级应用未必会以同样的范式诞生在 To C 领域。下一个字节跳动未必长得像字节跳动。
第二，现在最火的是人形机器人。我们看到很多人形机器人本体公司获得大量融资，但我们觉得通用人形机器人的技术路径还没有收敛。
不管是 sim-to-real，从视频角度训练，还是通过遥操作收集数据，怎样大规模收集训练数据，都是开放问题。所以我们觉得现在这个领域的投资情绪有些过热。
人形机器人要真正进入物理世界完成任务，甚至进入家庭做家务，需要的时间可能非常长，可能比大家目前预计的、比投资周期更长。
对于本体公司，我们还是比较谨慎。但我们也投资了灵巧手、电机等在人形机器人发展过程中非常重要的上游零部件。和目前大家的热情相比，这是一个我们相对冷静的领域。
第三，随着 AI 的出现，我们发现在美国，AI 在生产力和企业服务领域的落地很快。但中国过去的企业服务一直面临一个问题：大家觉得中国企业不会为工具付费，所以遇到了很多阻力和挑战，很多企业服务创业者和投资人也受过伤害。
但当一个情绪非常极端时，往往也会出现反转机会。如果卖工具在中国很难成立，但卖工作结果可以成立呢？
如果你真的能够以低 10 倍的价格提供工作结果，这未必是中国企业不愿意购买的东西。可以把它理解成一种非常强大的 AI 外包，只不过这个外包不是人力资源外包，而是把任务外包给 AI Agent 去完成。
中国企业是不是一定不会为它付费？我们也在思考。如果一定要在 AI 里找 To C、找娱乐应用，我觉得始终比较难。但能不能把生产力的巨大突破和中国的产品落地结合起来？企业服务也许不是铁板一块，也许存在机会。
Speaker 1
刚才讲的是一些非共识，或者你们认为需要警惕、值得多思考的方向。那重点看的方向有哪些？
戴雨森
我们始终是以创业者为核心的基金，不会每年设定一个固定方向，说今年主要看什么。但如果问我个人看法，我觉得今年各种形式让 AI 做 Agent 能做的事情，会是非常重要的领域。
同时，刚才提到的规模化个性化也很重要。通过 AI 编程或者模态转换，实现规模化个性化的能力，我觉得会带来很大机会。
我们投资了一家 AI 教育公司，也是在思考怎样通过 AI 让教育变得足够个性化。互联网教育解决的其实是教育规模化问题，用互联网把名师教育下放给更多人。但进一步能不能让教育重新变得个性化，从而实现规模化个性化？我觉得这是 AI 带来的一个很大机会。
我们也投资了与爱为伍，以及一些想做类似 Bolt.new、通过 AI coding 生成个性化应用的公司。不过这些都还非常早期，肯定还需要很多调整。
Speaker 1
好，我们今天就聊到这里。二〇二五年开年的第一期，聊的时间比较久，信息量也很大。
我觉得最重要的不只是信息量，而是希望通过这一期传递更多乐观的信号和情绪，让大家多行动起来，多去创造，多去创作。
戴雨森
我觉得你刚才的结语说得特别好。技术浪潮如此汹涌澎湃，虽然有很多问题，也有很多还没有来得及落地的想法，但整体来看，这两年 AI 的落地速度远超我的预计。
我们有很多理由保持乐观，尝试突破，花足够多的时间，甚至花一点钱去体验、试用最新的 AI 产品，感受它可能给行业带来的进步。
不管是作为投资人、创业者，还是一个对未来充满好奇心的人，这都很有意义和价值。
Speaker 1
当然，也多听听《十字路口》和真格的《此话当真》播客，对于学习 AI、了解 AI 也会有更多帮助。好，谢谢大家，祝大家新年快乐，拜拜。
好，祝大家新年快乐。如果你认为有朋友也会喜欢本期《十字路口》的内容，请转发微信推荐给他们。最后，欢迎你加入《十字路口》的会员群，我们会在群里每天放送 AI 全球新闻，并且鼓励大家在群里聊天互动、交朋友，寻找未来的同路人。