戴雨森
2026 年，我有一个关键词，叫“The Year of R”，就是 R 之年。这个英文字母代表几个含义。第一个 R，我觉得是 Return，也就是回报。
张小珺
你觉得站在 2025 年的尾巴上，你有嗅到泡沫的味道吗？
戴雨森
人类历史上每次技术革命都带来了泡沫，几乎毫无例外。不管是当时修运河、修铁路、修高速公路，还是后来的互联网，其实我觉得都带来了泡沫。
接下来到 2026 年，我觉得大家会越来越多地讨论：AI 下一个范式是什么，AI 模型能力是不是遇到了一些瓶颈，以及 AI 短期能够兑现的收入，是不是足以支撑起这样的投资。
张小珺
你提出“The Year of R”，同时你清空了二级市场的股票，那你会做空吗？
戴雨森
我不会。我觉得做空是一件——当然有人很擅长做空，因为我有很多对冲基金的朋友——但我觉得做空是一个希望别人变得很惨的事情。从价值上来说，我觉得这不是一件好事情。
张小珺
Hello，雨森，先给听众朋友们打个招呼。
戴雨森
嗨，非常高兴又再次做客小珺的播客。我是真格基金管理合伙人戴雨森。
张小珺
此刻是 2025 年 12 月。站在这个年底，我们来做一个对 AI 进展和整个创投行业的 2025 年复盘，以及对 2026 年的展望。
总体来说，你怎么看 2025 年 AI 和创投的状态？你觉得是超出你的预期，还是低于你的预期？
戴雨森
1. 2025 AI Reality Check
首先，因为我过去几年确实经常分享一些关于 AI 发展的看法，所以我也正好做了一下复盘。到了年底，我觉得 AI 的发展基本上符合我之前的预期。
正好也可以回顾一下，我在去年，应该是 2024 年底，陆续分享过的一些预期。首先，当时我们有一个基本判断：AI 应用商业化是需要一定时间的。当时我打了个比方，AI 还在快速学习，它是一个非常聪明的小学生，但是一个小学生去打工，可能还不能赚钱。
所以我们要先看到技术进步，然后技术进步在产品上落地，最后再进行商业化。我们看到，2025 年大家对 AI 商业化的进展，应该得到了比较多的兑现。
比如 ChatGPT 的收入涨得很快，Anthropic 模型的 API 收入涨得很快。我们看到 Cursor、Claude Code 这些产品，在 coding 方面已经达到了接近 10 亿美元 ARR 的级别。我们也看到新一代的 Manus、Genspark 这样的 Agent 应用，正在朝着 1 亿美元以及更高的 ARR 走。
所以我觉得，“技术进步带来产品落地，然后带来商业化”这条链路已经得到了验证。
然后在 2025 年初，当时我们有一个分享，说有 3 个技术进展很重要。第一个是推理能力的提高，这随着 ChatGPT o 系列的 Test-Time Scaling，带来了推理能力的提升。
第二个是编程能力的提高，以 Claude 3.5 Sonnet 为代表。模型能够在 SWE-bench 这样的真实世界编程任务中获得非常好的表现，这个能力提升很重要。第三个是 Computer Use，模型能够使用更多人类使用的软件来完成任务。
这 3 个能力加起来，会解锁 Agent 元年。
到了 2025 年，我们一方面看到 Coding Agent，比如 Claude Code 或者 Codex，能够自己进行编程任务，持续长达可能 1 个小时以上，有点像 L3 级别的 Coding Agent 产品诞生，并得到广泛应用，ARR 可能达到 10 亿美元。
同时，我们也看到了以我们投资的 Manus、Genspark 为代表的通用型 Agent 产品出现，它们的 ARR 也达到 1 亿美元的级别，得到了很多用户的喜爱。所以我觉得“Agent 元年”这个判断也符合预期。
2024 年底，我们还聊过一些对 AI 应用方向的判断。首先，我们觉得现在的 AI 是一场生产力提升的革命。
中国互联网过去 10 年，大家赚钱的其实是杀时间的应用。简单来说，就是用户在你这里花很多时间，DAU 很大，大家评判的是怎样从这些时间里面赚到钱。所以当时大家投了很多类似于 Carry AI 的应用，也有人说是“百 C 大战”，各种 AI 陪伴和聊天应用。
但我觉得，比起这种 Kill Time、杀时间的应用，AI 帮人省时间更重要。所以我当时觉得，AI To C 应用的发展可能跟移动互联网有点不一样。
现在来看，杀时间、陪伴型的应用可能还没有达到大家的期待，这跟我们的判断比较类似。现在比较大的应用，基本上都还是生产力方面的应用。
第二个判断，是我们一直对人形机器人比较谨慎。这里指的不是跑跑跳跳的 Locomotion，而更多是它怎样使用工具完成任务，也就是 Manipulation 的能力。
我们一直认为，改变数字世界相对简单，但是改变物理世界一直比较难，也一直被高估。自动驾驶的发展也可以体现这一点。我们在去年就提出，人形机器人 Manipulation，也就是手上的能力落地，会持续不及预期。
我觉得今年大家看到，原来对 Optimus 以及这些人形机器人 Manipulation 的预期基本落空了，这件事肯定还要继续往后延。当然，我们也看到了一些很有意思的新趋势，比如 VLA，或者以 Sunday 为代表的新一代家用机器人可能出现一些前景。
但整体来讲，我觉得具身智能，或者说 Manipulation，还是属于比较不及预期的状态。
第三个，我觉得是过去两年，包括今年，也有很多硬件公司想做替代手机的硬件。比如之前的 Humane，还有一个叫 Friends 的产品，挂一个吊坠，以及 Rabbit 等等，试图替代手机，做比较通用的智能硬件。
我觉得这件事情还是比较难。
对于 Agent 来讲，我们确实也看到了一系列 Agent 产品的雏形开始出现，但这些产品主要还是给 Prosumer，也就是比较专业的个人以及中小型团队使用。
因为在大型公司里面部署 Agent，对于数据、隐私和权限的要求都比较高，所以我们看到，在大公司里面 Agent 的渗透率其实很低。目前的 Agent 产品主要是给全球大概几亿知识工作者，也就是这些专业型个人使用的。
所以，AI 这部分我觉得比较符合我的预期。
对于创投来说，我觉得在中美两边都有一些超过预期的地方。美国这边，大家的热情还是很高涨，出现了 Thinking Machines Lab 这种在没有产品，或者基本没有产品的情况下，达到很高估值的新型创业公司。
同时，也陆续出现了一批百亿美元级别的初创公司，可能 ARR 在 1 亿到 2 亿美元左右，大概是 50 倍 ARR 的估值范围。
但我觉得最超预期的，还是中国创投生态的回暖。
首先，二级市场中国资产发生了很大的反弹，这肯定是从退出端、赚钱端带来的盈利效应。然后从年初开始，DeepSeek 横空出世，大家又看到中国机器人领域的很多发展。
中国在半导体产业链上，比如光模块等领域，也具备全球非常强的竞争力。MaaS 等产品则让大家对中国应用生态有了更多信心。
大家发现，中国从模型端、应用端，到机器人，再到半导体产业链上游，其实都有很多优秀公司。所以大家对创投的热情也回来了很多。
我们明显看到，市场上投资项目的数量、投资金额、估值，以及项目竞争的强度，都有了很大的提升。这部分我觉得是超出预期的。
张小珺
我们来拆开复盘一下。你觉得 2025 年在模型侧有哪些进展？
戴雨森
2. Models Keep Closing the Gap
在模型侧，我觉得一个大的思考方式是：首先，技术底层有什么突破；然后，这个底层突破怎样被 Scaling，怎样通过更多数据、更多算力去提升；最后，带来我们看到的性能提升和使用场景提升。
过去一年，第一个很重要的进展，就是以 o 系列为代表的 ChatGPT。ChatGPT o1 应该是在 2024 年 10 月发布的，它代表解锁了 Thinking Time Scaling 这条技术路线。
原来是 Pre-training Scaling，现在则是在 Inference 端，通过花更多时间和资源去进行推理，也能带来性能提升。
所以我们看到，它落实在 Benchmark 上。比如衡量博士生知识水平的 GPQA，这个 Benchmark 的分数，基本上从 2023 年的 20 多分，提升到现在接近 80 分、90 分的水平，已经超过人类 PhD 的水平。
SWE-bench 大家也比较熟悉，它衡量的是在 GitHub 上完成真实世界编程任务的表现。当时 GPT-4 大概不到 5 分，在过去 12 个月里面，这个分数提升到了接近 80 分。
还有 Scale AI 做的 Humanity’s Last Exam，也就是“人类最后的考试”。这个标题当然也非常有野心，觉得这是 AI 的最后考试。它一开始可能只有 12 分，或者 12 到 18 个月以前只有几分，现在大概已经到 30 多分，甚至 40 多分。
所以，推理能力大幅提高，也带来了很多结果。到年终的时候，OpenAI 和 DeepMind 两家都宣布，自己的通用模型能够获得 IMO 金牌级别的成绩。
以前做 IMO 级别的数学题，通常需要形式化证明这样的专业模型，但现在通用模型也能够解答 IMO 金牌级别的题目，超过可能 99.999% 的人类。
最近 DeepSeek Math V2 也带来了开源模型达到 IMO 金牌级别的表现。
这其实对应了一个判断：会有更多“李世石时刻”到来。李世石时刻来自 AlphaGo 下棋时战胜人类最强棋手。
在编程、数学，包括很多常识推理领域，AI 正在超过人类中最强的个体。这会带来很多认知上的变化。
第二个进展，我觉得是在多模态上。最核心的是多模态的视频和图片生成与语言模型的结合。
今年年初，我们看到了 GPT-4o 带来的“吉卜力时刻”。大家发现，当图片生成模型对指令的遵循非常好，能够理解 Prompt 的语义时，它的用户场景发生了很大扩展。
后来又有 Nano Banana，以及最近的 Nano Banana Pro。我们发现，你可以把一篇长文章交给它，然后让它生成一份解释性的 PPT，或者 Infographic，也就是海报，甚至让哆啦 A 梦来跟你解释。
这对用户场景是非常大的提升。
同时，Veo 3、Sora 2 这样的视频产品，可以实现音画同步生成，更好的保真度、更长的生成时长和更好的物理一致性。这也让大家意识到，多模态的应用场景拓宽了很多。
第三个模型端的进展，我觉得是中国模型公司的持续追赶。
2024 年的时候，大家其实很担心：中国公司是不是第一缺卡，第二是很多人才都在美国？在这种情况下，中国模型是不是会落后很长时间？
但年初 DeepSeek 横空出世，让大家意识到，中国公司可以用十分之一，甚至更低的成本，追到接近世界 SOTA 的水平。
当时大家可能还会觉得，是不是因为 DeepSeek 这家公司特别不一样，其他人能不能做到？但后来我们发现，并不是只有 DeepSeek 能完成这样的追赶。
千问、Kimi K2，包括 GLM、MiniMax，当然还有字节，这一系列模型逐渐都能够做到：美国的 SOTA 模型发布之后，过几个月中国就能拿出一个性能接近、但成本只有五分之一到十分之一，而且真正能用的开源模型。
年初的时候，整个开源生态主要还是 Llama，但现在基本上已经是中国模型的天下。包括美国和全世界的一些应用场景，也陆续开始采用中国模型。
Cursor 不是推出了 Composer 1 吗？大家普遍认为它是基于中国开源模型训练的。All-In 的主播、Social Capital 的 Chamath 也说，他们已经把很多使用切换到了 Kimi K2，因为表现很好，同时价格很低。
所以我觉得模型端还是有很多这样的进展。
张小珺
你看，中国模型在追赶美国几家模型公司的过程中，似乎也没有拉开差距。包括 OpenAI、Anthropic、Google 这 3 家的座次排名，也一直在发生变化。你觉得这个现象本身反映出什么？
长远来看，模型之间是有秘密的吗？
戴雨森
首先，我觉得这个行业里面信息和人才流动很快，尤其硅谷没有竞业限制，所以信息流动更快。据说人才流动时，很多 Know-how 不可能完全保密，也没有办法封锁。
所以我觉得，没有能够真正长期保守的秘密。
大家也在算力和数据上进行大量投入，尤其在硅谷，大家手上可能都有几十万张卡去进行训练和实验。所以目前来看，模型之间还是比较难拉开代差。
尤其是大家基于的数据其实大差不差。比如之前大家在 Coding 上积累了很多数据，后来又在 General 任务上做。当然，每个模型擅长的东西会不太一样。
比如 Gemini 很擅长多模态的生成和理解，Anthropic 在编程上还是很领先。OpenAI 则在日常用户使用，以及模型能不能灵活地在 Thinking 和 Pro 模式之间切换，也就是 Routing 上做得很好。
但整体来讲，大家没有拉开显著差距。
当然，这里面可能还有一个原因，就是现在的 Benchmark 也比较饱和。比如最近出来的 O P E N S 4.5，它在 Thinking Bench 上大概得分 80 分，Gemini 3 Pro 大概 78 分，看上去只有 2 分差距。
但目前我们了解下来，开发者在实际使用中觉得 OpenAI 5.5 还是好用很多。这个差距可能不只是分数的差距。
我有时候会想，我们在清华读书的时候，会说有人是“高分低能”，有人高考分数虽然不高，但能力很全面。
这也代表，衡量模型的 Benchmark 需要进一步升级。如果 Benchmark 已经饱和，很多时候就必须进一步在开发者群体和用户端使用，才能看到真正的能力差距。
这跟 2023 年大家的预期不太一样。那个时候大家对 Scaling Law 的简单理解，就是“大力出奇迹”：当我投入很多钱，尤其是很多卡，训练出的模型就有了壁垒，后面的钱都可以由我来赚。
这就是当时大家大力投入的预期。但实际上，目前来看，第一，大力投入能不能带来与别人不同的差异化奇迹，让自己的模型一家独秀？至少前面的第一梯队还在持续你追我赶。
第二，你投入大量的卡和钱，能不能形成后来者追不上的壁垒？目前来看，中国公司还是追得很紧。
所以，这对一开始“大力出奇迹”的叙事提出了很多挑战。
张小珺
如果现在的假设前提是，模型没有秘密，模型很难形成大的护城河和壁垒，那么这对模型公司来说是一个什么样的信号？
模型公司真正应该 Bet 的是什么？它的护城河是什么？
戴雨森
3. Research Must Break the Stalemate
最近 Ilya 的那次访谈，我觉得很好地说明了这个问题。他说，AI 的历史一直是 Scaling 和 Research 交替进行的过程。
以 Transformer 为代表的技术，以及后来 GPT 在基于 Transformer 的 Scaling 范式上取得的进展，让大家投入的算力和数据带来了模型能力的大幅提升。
但现在，谁能发现下一种进一步 Scaling 的范式，或者说底层 Paradigm 的突破，可能会重新变得非常重要。
Demis Hassabis 昨天有一个采访，他说他认为从现在到 AGI 之间还需要 1 到 2 个 Breakthrough。他说的当然是研究上的 Breakthrough。
所以我们看到，硅谷对研究这个话题重新变得非常重视。大家都意识到，现有范式的提升已经变得有点 Marginal。现有能力当然已经可以解锁很多场景，但要真正走到 AGI——不管是会对人类产生威胁的 AGI，还是让大家不用工作、躺平的 AGI——可能都需要研究上的进一步突破。
张小珺
说到模型，你怎么看待中国的开源模型对于全球的贡献？它对全球 AI 的走势产生了哪些连锁反应？
戴雨森
中国在 AI 里面其实有很好的开源传统。很早的时候，比如智谱的 GLM 就是开源的，GLM-130B 也是开源模型。2024 年还没有 DeepSeek 时刻之前，DeepSeek V2 提出了 MLA，千问其实也有很好的口碑。
但 2025 年，DeepSeek R1 横空出世，确实是一个全世界都能看到的信号：中国模型能力很强，而且开源能够让全球开发者抛开一些成见，去使用中国的开源模型。
一年时间里，开源生态的座次完全不一样了。
DeepSeek 的出现打破了很多偏见和叙事。第一，如果你是在做追赶，并且认真思考怎样节省成本，并不一定要 10 万张卡才能训练出足够好的模型。
当时很多叙事是，没有 10 万张卡的集群，就做不出好的结果。但当你做追赶时，很多实验已经不用再做了；同时因为资源少，你反而更加精打细算，才有可能出现 MLA 这种效率上非常重要的成果。
第二个叙事是，优秀人才都在硅谷，中国的人才不够。但后来大家发现，可能是 US Chinese 和 China Chinese 的区别。
大家可能都是清华、北大的本科生，之前甚至坐在一张桌子上读书，本质上没有那么大的教育和人才差异。现在甚至出现了硅谷顶级人才回国的现象。虽然不多，但确实有了。
两年前大家觉得这不可想象，所以我觉得中国公司在人才上也没有那么大的劣势。
上半年大家还在说，DeepSeek 这家公司特别不一样，只有它能完成追赶，其他公司是不是不行。我记得当时参加一个 Panel，大家带着一种怜悯的眼神看着我，说：“你居然是大模型投资人，真的是苦了你了。”好像我们投的公司都要完蛋了。
但下半年我们看到，并不只有 DeepSeek 能够完成追赶。Kimi 的 K2，尤其 K2 Thinking，在 Humanity’s Last Exam 和 BrowserGym 这些比较难的 Benchmark 上获得了 SOTA 的表现，实际使用下来大家也觉得模型挺不错。
千问在国际用户群中也很受欢迎。字节的模型，尤其是多模态模型，比如 Seedance，也非常好。GLM-4.6、MiniMax 的 M 系列，大家陆陆续续发现，中国模型公司拿出来的模型确实好用，成本也低。
而且它们使用的资金，从整体融资额来看也非常少。
于是又出现了第三个故事：这些模型好，都是因为蒸馏，中国公司把美国模型公司的数据蒸馏下来，所以才这么好。为什么 Meta 训练不出来？因为 Meta 不做蒸馏。
我觉得，蒸馏作为追赶者的优势，确实可以提供一些捷径。但如果把这一切全部归因于蒸馏，我觉得会让大家忽视中国公司做了很多真正的技术创新。
比如 DeepSeek 做 MLA，后来做 DSA，也就是稀疏注意力；包括 Kimi 在 Muon Optimizer 上的进一步迭代。
蒸馏肯定有帮助，这是追赶者的优势。但假以时日，给中国公司一些时间和资源，它们肯定也能做出很多创新。
此外，中国在系统性成本结构上也有优势。现在美国讨论的是基础设施建设速度、电力成本，这些可能是中国长期的优势。
当然，也因为 Frontier 模型公司的进展在放缓，才形成了这种紧密追赶的局面。
短期内要完全超越，我觉得肯定很难，但保持追赶态势，把差距缩小到 6 到 12 个月，我觉得还是比较现实的。
张小珺
中国公司这一系列开源动作，是不是进一步让模型公司没有秘密、没有护城河？
戴雨森
单纯靠卖 API，护城河确实可能没有那么强。
比如年初 Manus 上线时，原本全部使用 Claude 3.7 的 API，因为当时只有 Claude 3.7 能够跑起来 Manus 的 Agent 产品。
但很快就发现，Dreamline 其实也跑得很好，而且价格更便宜，所以他们很快就把大量调用量切换到了 Dreamline。
后来 Anthropic 在编程上曾经一骑绝尘，但 OpenAI Codex 发布之后，大家发现 Codex 的编程能力也很强。
现在对于 API 用户来讲，一个应用在 API 之间进行切换是比较容易的。应用公司反而具备一个优势，它可以博采众家所长，不同任务使用最好的模型。
这恰恰体现出，卖 API 这件事情本身的壁垒没有那么高。
这不叫差生意，只是说它肯定不是一个垄断性生意。
张小珺
这是不是意味着，模型公司都要通过应用去产生护城河？
戴雨森
我觉得今年确实看到了这样的趋势。
比如 Anthropic 自己原来有 Claude，但 Claude 并没有花太多精力做应用。Claude Code 今年得到了很多好评，也产生了大量收入，ARR 涨得非常快，发布之后几个月就达到几亿美元的 ARR。
大家也看到，当你拥有应用时，会拥有更多用户数据。无论是节省 Memory 的机会，还是让模型变得更强，这里面都有很多好处。
所以模型公司的第一方产品会越来越重要。
最近 达瑞也在一个访谈里说，他们会在关键领域自己做第一方产品，甚至不惜与最大的客户 Cursor 直接竞争。
这也是今年很有意思的一个趋势：既是客户关系，又是竞争关系。
张小珺
Claude Code 和 Cursor，长期来看你觉得谁会赢？
戴雨森
现在已经不只是 Claude Code 和 Cursor 了，而是 Claude Code、Codex、Antigravity 等一系列模型公司第一方产品对 Cursor。
在 Cursor 的很多细分领域，比如 Web Development，也有 Lovable 这样的强大应用和它竞争。Manus 也有一些与 Cursor 相关的用户场景。
所以我觉得 Cursor 可能会遇到很大挑战。
当然，它有一个优势，或者说它希望建立的优势，是因为用户使用了很多，尤其是它的 Tab Tab 方式，可以训练自己的小模型，预测用户接下来想做什么。
这也是它在一些场景下具有优势的原因。
但本质上，如果把应用看作一个加工厂，模型公司提供 Token，应用把 Token 加工成结果交付给用户，那么在编程应用里，模型公司提供的是代码，应用交付给用户的也主要是代码，中间的加工比较少。
在这种情况下，我认为应用公司的壁垒相对薄一些。
如果模型公司提供的输出，经过复杂加工之后，最后交付给用户的是一个很完整的结果，或者工作直接完成了，那壁垒就会更高。
所以我觉得 Cursor 的挑战还是很大。不过这件事还在动态发展中。
张小珺
AI 真的非常难预判。所以任何很具体的预判，我觉得都要做好随时被打脸的准备。
每次讲这些，前面都要免责声明：反正 3 年前也没有人预料到 ChatGPT 会出现，所以我们现在对任何长距离预测的准确性，都应该保持很低的预期。
关于开源和闭源，再多问一个问题。你看，中国公司大部分都开源，为什么只有字节不开源？
戴雨森
我可能不是回答这个问题最好的人。
我觉得对字节来说，可能最重要的是怎样让产品在应用端落地。它本身不需要通过开源建立生态影响力，也没有通过开源融资或者获取客户的压力。
开源当然是与人为善、扩大影响力的工具，但对字节来说，可能更重要的是它的产品，不管是豆包、即梦，还是其他产品，能够让用户喜欢使用。
所以对它来说，开不开源可能没有那么重要。
张小珺
以上是 2025 年在模型侧的进展。那在应用侧，2025 年你看到哪些新的进展？
戴雨森
4. Applications Cross the Chasm
我们看应用的一个大逻辑始终是：首先模型能力要进步，然后才能带来应用场景的打开。
去年我们有一个分享，说应用还没有到 iPhone 时刻。ChatGPT 出来时大家就说，AI 是不是到了 iPhone 时刻。我当时说，可能我们还在黑莓时刻。
iPhone 和黑莓当然都是 80 后的回忆了。两者很大的区别是，黑莓当时技术还不够强，移动互联网做移动终端的技术能力还不够，所以它上面的应用比较少，开发者也比较少，应用形态也不确定。
我们当时一直在想，模型能力的进步怎样解锁应用机会。今年其实兑现了这条叙事：模型能力提升，解锁了很多应用机会。
Coding 方面，Sonnet 3.5 在 2024 年下半年发布，带来了 Coding 应用真正的大规模普及。Cursor、Windsurf 等一系列编程应用跨越鸿沟进入主流市场。
现在很难想象，一个稍微有一点信息量的程序员不使用 AI 编程工具。它也带来了从 1 亿美元 ARR 到 10 亿美元甚至更高 ARR 的进步。
同时，Coding 能力进一步提升，带来了 Coding Agent 的爆发。刚才提到的 Claude Code、Codex、Antigravity，都是这一系列应用。
第二，Agent 确实带来了很大的从零到一的落地。
2023 年已经有 AutoGPT 这样一个有点像 Agent 的思想实验，但那个时候模型能力太低，很难真正完成 Agent 的动作。
现在 Manus 和 Genspark 在办公领域、知识处理、文件和数据处理、制作 PPT 等方面，已经实现了给它一个 Prompt，它自己完成任务并交付一个较好结果。
以 Claude Code 为代表的 Coding Agent，也让大家看到 AI 去干活、而人不用动的 L3 级别体验。
多模态方面，GPT-4o、Nano Banana 代表的图片生成，以及 Sora 2、Veo 3 代表的视频生成，也都取得了长足发展。
尤其是 Sora 2，带来了新的应用体验。虽然现在大家看到 Sora 的留存率很低，但那是因为它不是消费内容的地方。它的内容生成效果，确实让很多人第一次看到虚拟和现实的边界正在消失。
这是非常魔法般的时刻，所以每次这方面进步都会火遍全网。年初大家都在做自己的吉卜力头像，后来每个人都在和 Sam 一起拍点什么、做点什么。
因为 AI 的逻辑能力、推理能力提升，行业落地能力也变得更强。
在美国，不管是替代高价值的律师行业，以 Harvey 为代表，还是替代劳动密集型的白领工作，比如客服，Cara、Daihong 都是比较典型的 AI 加行业应用。
在中国，比如我们投的黑湖科技，它做的是 AI 加工厂里的小单快反制造，我觉得非常符合中国国情。
包括我们投的教育项目，做 AI 加教育。不同市场想通过 AI 降本增效，或者替代相对简单的知识型劳动，具体情况不一样，但各有特点。
这些机会，都是模型推理能力提升、幻觉减少带来的。
所以第一条主线就是，模型能力提升带来应用爆发。
第二，我觉得大家看到应用是能够有护城河的。此前有两个常见讨论：第一，应用到底能不能提供额外能力；第二，应用有没有护城河。
2023 年第一批 AI 应用，大部分只是模型外部的 UI，用户通过 UI 和模型交互，得到的还是模型输出结果。
我们之前打过一个比方，它就像生鱼片：鱼肉加芥末和酱油。
但现在新的复杂应用，不管是 Harvey 这种行业型应用，还是 Manus 这种偏生成型应用，首先都需要很多用户数据。
模型只有基础的、固化的能力，你要给它实时 Context、用户行业里的专有数据、用户自己的偏好，以及用户和应用交流的历史，也就是 Memory。这些都是模型本身不具备的，需要应用来提供。
同时，Agent 能够使用更多工具，改变它所在的环境，比如写一个代码给自己使用。这些环境和工具也需要应用提供。
所以在模型层外面，先进应用多了 Context 这一层，以及环境和工具这一层。
我的比方是，它从原来的生鱼片变成了满汉全席。肉的质量、食材的质量很重要，但服务、环境和厨艺也很重要。
这样的应用其实是有护城河的。
我们也看到，这些应用的附加值，可以让一个好的应用在某些表现上超过头部模型。
比如 Manus 在 Scale AI 发布的 Remote Labor Index 测试中，超过了所有先进模型。因为它确实在模型之上做了更多事情。
最近大家也发现，ChatGPT 虽然模型未必已经是绝对最好的，但它的留存越来越好。很多分析认为，Memory 可能带来了这样的进步。
ChatGPT 虽然是模型公司做的产品，但 Memory 这一层其实是在产品层。所以我觉得应用还是有护城河的。
我们投资中国创始人，所以看到中国应用出海表现很不错。
Andreessen Horowitz 有一个 Top 50 AI 应用榜单，其中中国公司有十几家。我们也比较幸运，投资了一系列出海做得不错的项目，从 2021 年投的黑剑、Opus Clip，到现在的 Manus、Genspark，在 ARR 排名上都比较靠前。
我们发现，现在基于 LLM 的应用，第一天就是国际化的。
以前比如小红书要出海，肯定要做区域化运营，调整产品和内容。美团、拼多多、字节出海也都是这样，不能简单把产品放到海外去，都要做强运营和本地化。
但语言模型一上来就通晓多种语言。对于白领工作者的任务，一个美国人、巴西人、日本人和中国人，做 PPT 的需求可能都差不多。
所以 Jasper 和 Manus 这样的应用，一开始就是面向全球市场的。
这对创始团队的运营细节提出了新挑战，但我们也看到，中国应用创业者在过去积累了很多打仗经验、执行力和产品设计能力。
美国大部分应用创业者，通常做垂直行业和企业服务，因为这是硅谷十几年来最赚钱的公式。
在水平较高的、Horizontal 的通用应用领域，中国创业者体现出很强的竞争力。
在 To C 领域，华人创业者有很强竞争力。当然，这也不是面向最普通用户，而是面向 Prosumer 和中小型团队，也就是 SMB。
这时大家的竞争相对公平。美国做企业服务，需要对行业非常了解，大家也会在意你是中国公司还是美国公司，会有地缘政治带来的担心。
但如果只是一个让你做更好 PPT 的工具，最后还是谁把产品做好、谁给用户的结果好，谁就能得到更好的应用。
所以中国应用创始人在这里有很多优势。
我们也看到，中国创业者经营效率很高。比如 Plaud 在全球做到 1 亿美元以上收入，之前一直没有融资。
我们最近投了一家深圳公司 Pollo AI，做在线视频生成，对标美国的 Higgsfield。他们之前也没有融资，用自己的钱做到 2000 万美元 ARR。
中国创业者执行力很强，确实很能打。
张小珺
说到这里，你鼓励创业者一开始不拿融资，自己做，到一定规模再融资吗？
戴雨森
如果你真的能够用很少资金做起来，当然可以这么做。
但我觉得创业拿融资，其实是一台“时光机”。比如你原来要花 1 年做的事情，能不能靠融资变成 3 个月？
融资带来的不只是钱，还有品牌效应以及其他关联资源。尤其 AI 现在变化很快，你可以不拿钱慢慢做，但如果拿钱能让时间缩短，我觉得还是应该拿。
这也反映出一个特点：当中国创业者一开始就能接触全球市场时，TAM，也就是目标市场规模，变大了很多。
如果产品能够说话，可能像 Sam Altman 说的，一个人的公司也能做到一定规模。
但整体来讲，我觉得创业公司或者 Startup，第一性原理的定义就是一家增长很快的公司。作为一个好的创业者，肯定要想怎样利用各种资源和手段，让自己增长得更快。拿融资也是其中一种手段。
张小珺
你去年说 2025 年是 Agent 元年。你觉得今年 Agent 已经大爆发了吗？我自己的感觉是，Agent 没有那么多，不知道你们的体感怎么样。
戴雨森
5. The Agent Decade Begins
去年我们说 2025 年会是 Agent 元年，但元年就意味着它是第一年。
Andrej Karpathy 最近有一篇很好的博客。他从自动驾驶的经验去看现在 Agent 的发展，说 Agent 不是“The Year of Agent”。
中文里说 Agent 元年，但“元”是第一年的意思。英文里很多人说 Year of Agent，意思是今年就把事情做完了。
但他说，实际上这是 Decade of Agent，我觉得非常准确。
现在每个人都说自己是 Agent，所以这个定义也非常混乱。Agent 这个词来自 Agency，Agency 就是主观能动性。
如果一个 AI 应用具有 Agency，就意味着它能够自主拆解目标、规划路径，看看有什么工具可以调用，然后使用这些工具。使用工具之后获得反馈，再调整自己的动作，最后判断任务是否完成、是否还要继续。
这就像一个真人去工作。
显然，现在大家使用的所谓 Agent，并不是每个都满足这些条件。真正的 Agent，基本可以理解为：你把任务交给它，它能够自己把事情做完。至于做得好不好可以另说，但它要具备一定自主性。
这种自主性也意味着，它要对结果负责。这个过程中人类干预比较少，做出来的结果可能跟你想的不一样。
所以，这其实是一个比大家预计更慢的过程。自动驾驶是这样，AI 是这样，人形机器人更是这样。
当我们提到 Autonomous、提到 Agent 时，它往往是一个比较长期的过程。它可以很快给你一个有意思的 Demo。
Andrej Karpathy 说，他十几年前就做过自动驾驶 L4 的车，开了几英里，觉得这个东西已经非常成熟，很快就可以使用。但现在，真正做过 L4 级别 Robotaxi 的人还是非常少。
所以这是符合预期的。元年意味着产品开始落地的第一年，不是说今年就把事情解决了。
Agent 目前还处在尝鲜者市场。我们一直讲《跨越鸿沟》这本书，它把市场分为早期市场和主流市场。
早期市场里的 Innovator，是因为事情新颖而使用；Early Adopter，则是因为这件事可能有很大价值而使用。现在 Agent 肯定还在这个阶段。
要真正进入主流市场，也就是普通白领都开始使用，还需要技术不断进步，解锁足够容易使用、结果足够好的应用机会。
这需要 GPT-4 之于 ChatGPT、Sonnet 3.5 之于编程这样的模型级别进步。
目前来看，我觉得至少还需要 1 年以上。究竟是 1 年、3 年，大家并不确定。
但现在主流模型公司都在进行大量 Agentic 数据收集和训练。包括字节最近推出豆包手机，也是让豆包更好地使用手机。
我比较乐观地认为，这个过程可能会比大家想得更快。
因为对于坐在电脑前的白领来说，他使用的应用基本上不超过 100 种。一个人常用的手机应用可能也就是几十个，甚至不超过 20 个。这样的数据比较容易训练。
如果以 AI 能够比较自由地使用人类在电脑和手机上使用的软件作为标志，那么一年之后，我们可能就会发现 AI 的 Agent 能力有很大提升。
但能使用好这些工具，还不足以带来 Agent 全面普及。它还要处理各种异常情况，理解任务、进行规划、获得反馈。
所以，Decade 可能是一个比较准确的描述。
张小珺
在你看来，Coding Agent 会是大厂的趋势吗？创业公司应该碰吗？
戴雨森
目前来看，这已经是明牌了。所有模型公司都在拼命提高 Coding 能力。
Coding 本身也是 LLM 非常擅长的赛道，因为 Coding 就是一种语言。
创业公司现在再去做，肯定比较难。更重要的问题是，下一个类似 Coding Agent 的机会是什么？或者说，在 Coding 这件事上，怎样超越现有范式？
现在单纯的 Coding，本质上有点像模仿人类写代码。只要这个编程任务是人写过的，它就能很好地抄过来。但如果人类之前没有写过、没有解决过，它怎样做好？
另外，Coding 的后端一直相对弱一些，因为 AI 现在非常擅长做前端。大家用 Web Coding，常常像是在给房子做很好的外部装修，但房子里面的下水、可维护性，这些是不是足够好，还有很多提高空间。
但整体来讲，我觉得 Coding 可能还是大厂机会更多。
张小珺
你觉得创业公司应该做什么样的 Agent？
戴雨森
一个比较典型的特点是，Agent 需要很多模型里面没有的数据。
Coding 的大部分代码，其实模型已经见过。但比如我们投的黑湖科技，它做的是怎样把工厂里的制造业任务拆解成对应工序。
这样的数据不一定已经在模型里面，也不一定是公有数据。归根到底，目前模型能力还是基于见过类似数据之后进行泛化。
如果你的数据，或者用户要完成的行为，是模型没有见过、其他工具也没有见过的，那么这里面就可能存在和模型厂商差异化的机会。
张小珺
那你怎么看 Manus 这样的通用 Agent？
戴雨森
通用 Agent 的“通用”，其实也来自模型能力的提升。但对用户来说，它还是集中在几个具体场景上。
比如 Manus 用户中，很多人拿它做 PPT，有人用它做网页，也有人用它做研究和数据分析。
近期还是要依靠一套让模型更好完成 Agent 任务的框架。比如 Manus 可以做 Wide Research，让模型同时运行 100 个并行 Agent 任务，这是其他 Agent 应用暂时做不到的。
当你有这样的 Infra 时，能不能在这些任务上做得比别人更好？这就是你的通用性。
不管是 Manus 还是 Genspark，在 Infra 上做的工作，都要能够带来模型厂商没有的优势。
所以它不是简单做一个 Tool，而是有没有持续提升的技术能力。基于这个技术能力，再加上模型厂商的进步，能不能实现一加一大于二。
张小珺
朱啸虎会说，创业公司就应该做垂直 Agent，获取别人没有的数据。你会这么简单地下结论吗？
戴雨森
别人没有的数据，我觉得肯定是对的。问题是，什么数据是真正别人没有的，这件事可能没有那么容易。
举个简单例子，之前很多人想做医疗 Agent。但后来发现——这是我听别人讲的，因为我们没有怎么投这个领域——医疗数据大部分其实都在公域。
每个病症的特点、诊断和诊疗，都有大量公有数据。当你把症状描述交给 AI 时，AI 给出的结果其实已经很准。
虽然你可能有很多医院问诊数据，但这些数据基本还是对人类已有公有知识库的重新复制。所以现有模型能力下，医疗其实已经很强。
但比如我们投的教育项目，教育不只是需要专门数据，还需要因材施教。同样是教二元一次方程，对不同资质的学生，教法不一样。
这个数据在模型里没有，而且“怎么教”也不一样。我们不是让用户和模型聊天，用户就自己学会了。教学是一个主动过程。
这种我觉得才属于专有数据或者专有场景。
从这个角度来讲，应用的目的最后是要垂直。垂直意味着应用能够提供模型不具备的价值。
应用不能只是把模型的价值打包卖给用户。这也是 Cursor 的问题：模型给你的是代码，你给用户的也是代码，所以没有做太多处理，还是生鱼片型产品。
张小珺
我重新表述一下朱啸虎的观点。他说应该聚焦垂直，因为他觉得互联网时代，大家离开大厂是一条马路；AI 时代，要离开大厂 3 条马路。
他其实是从竞争角度来讲的：当你做通用 Agent 时，市场太大，大厂肯定会来竞争，那你怎样卷过模型厂商和巨头？
戴雨森
这肯定是一个竞争力很强的领域。
但当大家都认为做通用没有机会时，可能也存在反攻的机会。你问任何投资人，做通用有没有机会，大家都会告诉你模型公司会做。
我们投资 Manus 时，Manus 发布之后，也有很多投资人认为，OpenAI 一做，你就没戏了。
但 OpenAI 确实做了 ChatGPT Agent。发布之后大家发现，第一，不太好用；第二，表现也没有特别好。
这里面始终存在一些细微的竞争差别。比如 ChatGPT Agent 被包在 ChatGPT 里面，是放在一个 Chatbot 里。Chatbot 是不是最适合做 Agent 的界面形态，我觉得不一定。
你看后来 Claude Code、Codex 也是单独的应用，不是放在原来的 Chatbot 里面。针对一个任务，使用更适合它的交互和 UI，还是很有价值的。
第二，模型公司理论上可以做任何事，但在某个具体方向上，它投入的人力和创业公司的人力，是否有足够大差别，也可能成为竞争方向。
总而言之，我完全同意，应用公司做通用应用方向有挑战，尤其是模型公司非常重视的方向。
但这并不代表应用公司如果能够抓住机会，首先获得很大价值，就不存在机会。两者并不矛盾。
如果我是 Cursor 的天使投资人，现在肯定笑得睡觉都要醒来。当然，如果你是最后一轮投 Cursor，可能不一定赚很多钱。
但我们做早期投资，哪怕退一万步说，Cursor 未来会遇到很多模型公司的挑战，如果你是 Cursor 的天使投资人，你会非常悲伤吗？还是会因为赚到很多钱而开心？
所以不能说，终局是字节，我就不做前面的应用。市场是动态的，还没有定数。
做太久期的推演很难，因为始终事在人为。
两年前大家就在讨论 Cursor 是不是套壳。它可能就是套壳，也可能最后被 Chatbot 干掉。但没关系，中间投资人有很多赚钱机会，它也创造了真实的用户价值和用户场景。
互联网早期最有名的公司，一个是网景，一个是雅虎。最后这些公司都没了，一个被 Chrome 干掉，一个被搜索引擎干掉。
但你能说投雅虎、投网景没有意义吗？我觉得也不是。
不能因为知道终局，就不探索到达终局之前的过程。就像最后一个包子吃饱了，前面的包子就不吃了吗？
无论从短期投资价值还是产业发展价值来讲，这里面都还有很多机会。
张小珺
回望 2025 年，你们出手了多少项目？
戴雨森
20 来个。
张小珺
这是多还是少？
戴雨森
相比过去几年，我们一直保持比较稳定的节奏。我们想的就是投资最优秀的中国创始人、华人创始人。
显然，每年都会有优秀的中国人创业。2022 年、2023 年大家都很悲观的时候，我们也持续投资。
现在我们投的、大家觉得跑得比较好的 AI 公司，基本都是 2023 年投的。Manus，我们是 2022 年投的；黑剑是 2021 年投的；Genspark 和教育项目是 2023 年投的；Kimi 也是 2023 年投的。
所以我们一直保持稳定投资。市场很悲观时，我们觉得还是有优秀的人创业；市场很火热时，我们也觉得最优秀的人没有那么多。
张小珺
你对过去 3 年的投资满意吗？
戴雨森
短期来看，AI 软件，尤其 AI 软件应用领域比较头部的公司，确实是我们天使投的。
但肯定可以做得更好，比如好的公司能不能拿更多股份。Manus 上我们做得不错，其他几家公司可能不是第一大股东，所以还可以做得更好。
另外，机器人领域我们一直比较谨慎。现在机器人非常火热，也有公司马上上市。当然，我们还是希望一个公司真正给用户带来很多价值，并且我们能够赚到钱。
至于资本市场是否火热，不是我们能够判断的。
整体来讲还行，但有很多可以提高的地方。
张小珺
你说中国公司现在估值很有吸引力。通常相同规模的美国公司，中国公司大概是美国公司的几分之几？
戴雨森
可以举几个例子。
从天使轮估值来看，Thinking Machines Lab 第一轮是 100 亿美元，第二轮是 500 亿美元。它基本没有产品，只有一个 Tinker，整体还是非常早期的产品。
500 亿美元，可能比中国所有 AI 创业公司加起来的估值还多。中国大模型公司加起来可能有 100 多亿美元，应用公司加起来也有 100 多亿美元。一家美国初创公司在没有产品的情况下，估值就等于中国整个 AI 软件产业的估值之和。
当然，Mira Murati、John Schulman 等人的研究，他们都是这个行业的缔造者之一，肯定很厉害。但我想说的是，差异是不是有这么大，也值得观察。
从模型公司来看，Mistral 最新一轮是 140 亿美元估值。他们刚发布 Mistral 3，但在 Pre-training 上已经不怎么做了，Benchmark 对标也就是 Kimi、千问、DeepSeek。
Kimi 是一家估值不到 40 亿美元的中国公司，上一轮估值也就 30 多亿美元。所以这里面还是有差距。
应用方面，美国像 Manus 这样几个月做到 1 亿美元 ARR、几十个点毛利、月度增长 20% 的公司，大家一般会给 30 亿到 50 亿美元，甚至更高的估值。
我们最近投的 Pollo AI，没有融资做到 2000 万美元 ARR。美国 Higgsfield 可能是 1 亿美元 ARR，它们做的事情类似，都是 AI 视频生成。
Polo 在中国第一轮，大家给的估值也就是 8000 万美元 ARR 对应的估值，差不多 4 倍；而美国对于高增长应用公司，可能给到 30 倍、几十倍，甚至 100 倍 ARR。中国可能给到 10 倍。
我觉得这是一个差距。
张小珺
假设你是一个美国投资人，现在有能力在这些公司里面放钱，你会怎么配置？OpenAI、Anthropic、Thinking Machines，还有 Ilya 的公司等等。
戴雨森
每个投资人的 Risk Profile 和投资逻辑都不一样。
如果是我，我会采取比较典型的哑铃型策略。一端是最稳的公司，比如 OpenAI，或者买 Google 股票，或者投 Anthropic 这样的头部模型和模型经营公司。
另一端，我认为中国公司对于全球资产配置者来说，有很好的 Optionality，也就是期权价值。
因为估值很低。如果中国公司能出现一个 AI 时代的字节，那里面可能有 100 倍以上回报的机会。
张小珺
但 OpenAI 现在再做百倍回报，是不是有点难？
戴雨森
肯定挑战比较大。
一个是最稳的，一个是弹性最大的。中美创业公司都有弹性，但中国创业公司一开始的估值可能比美国便宜 10 倍。
当然，市场始终是有效的。美国有人担心估值太高，中国也能看到新优秀创业者的估值在提升。
所以中美估值差距会逐渐缩短。肯定很难说完全没有差距，但差距应该不会那么大。
张小珺
很多人说现在投资很像移动互联网时期看 App 项目。你的体感是这样吗？看 Agent 项目和看 App 项目，有什么不同？
戴雨森
移动互联网 App 很火时我在创业，没有在投资，所以这不是亲身体感。
我的一个观察是，移动互联网本质上是互联网的移动化，主要是分发端发生了变化，底层技术没有那么大变化。
比如 TCP/IP 协议没有大的变化。简单来说，10 年前的 App 现在仍然可以用，30 年前的网站现在也可以用。
现在 AI 在分发端仍然是移动互联网的延续，你还是要做网站或者 App，这点没有变。但在技术端，它更像半导体革命。
半导体革命从集成电路开始，需要很大的 CapEx、密集科研，技术进展有明显周期，分几代几代。
分发端已经成熟，所以应用一旦出现，增长很快。但应用本身的出现不是一蹴而就的过程。
互联网平台因为有网络效应，尤其社交网络、电商和内容平台，有明显先发优势。
所以当时大家会说，如果有网络效应，先发就投很多钱，让你快速获取用户，用户就留在这里。
但 AI 是一个研发驱动的领域，存在后发优势。前面有人探索过，我可以用资金优势、数据优势在后面实现超越。
第二，移动互联网时期，小成本创业比较多。很多应用公司一开始就是很小的团队，Instagram 被收购时是 13 个人，估值 10 亿美元。
但现在 AI 创业在人才、算力、数据和流量上的成本都比较高。尤其流量端，流量确实很贵。
做到一定程度后，可能还要在流量上花很多钱，因为现在流量端是成熟市场。
移动互联网创业时，流量端是早期市场，大家争抢的是突然多出来的几亿用户，以及他们在移动端新增的时间。
但现在抢的是已经存在的时间：从抖音抢，从王者荣耀抢，从 Instagram 抢。
比较类似的是，大部分优秀创业者还是会很早看到机会、下场。
如果 10 年之后出现新一代像张一鸣、王兴、黄峥这样的划时代创业者，我们现在可能已经听说过他的名字，虽然还不知道他是谁。
这也是这两年大家普遍希望多投的原因：把市场上比较好的都投了，是不是总能投到下一个王兴、张一鸣？
张小珺
你觉得会吗？
戴雨森
这里面有一个假设：10 年后一定会出现新一代王兴、张一鸣。但这个假设不一定成立。
当然我相信肯定会有优秀创业者，但他们面临的竞争和当时几位顶级创业者面临的竞争不一样。
当时没有张一鸣和他们竞争，大家都在成为张一鸣；现在大家首先要和张一鸣竞争，所以不一样。
当时大家觉得张一鸣的创业方向没有机会，不就是一个新闻客户端吗？
我对字节的理解很粗浅，但我的观察是，字节确实把信息分发和推荐想得很清楚，但在执行上也经历了大量试错。
一件事情做成之前，往往不是显然的。比如小红书现在大家觉得很显然，但当时很多人看不上，觉得做不大。
创业有意思就在这里，你很难提前判断。
张小珺
所以今天创业比之前更难了。
戴雨森
肯定更难，或者说是难度不同。
现在创业者建造一个 App 变容易了。以前经常有人说，我有一个想法，但缺一个研发把 App 做出来。现在至少通过 Web Coding，做一个能用的 App 没有太大问题。
但流量端更难，技术变难的同时，巨头也更加警惕。现在巨头创始人又年轻又能打，不管中国还是美国都是如此。
OpenAI 作为创业公司面对 Google，也发现 Sergey Brin 亲自进入 Founder Mode、指挥战斗，Google 进入 Code Red。OpenAI 和巨头竞争得非常激烈，因为巨头也怕被颠覆。
AI 还有一个有意思的地方：所有人都认为 AI 会颠覆自己，所有人都认为这是大机会。创业公司的难度就会继续上升。
张小珺
既然现在是 Agent 元年，那最终你觉得 Agent 生态会扩展成什么样？通用 Agent 和垂直 Agent 会怎样分层？
戴雨森
现在还非常早，所以很难判断。
但我的直觉是，通用 Agent 能做的事情可能比大家预期多。在有大量数据、非常强的智能、能够使用很多工具的情况下，它能做的事情其实很多。
如果只是简单拥有一些垂直数据或垂直场景，不一定守得住。
我觉得最后可能不会有那么多特别垂直、规模很大的 Agent。这只是初步猜想，长期还是很难预测。
现在还需要技术进步来解锁更多场景。当前技术主要是 Coding、数据分析、做简单 PPT 和文件。
我觉得，一个初级白领坐在电脑前，按照一定流程能够完成的任务，基本都可以被 Agent 完成。所以这里面还是有很多机会。
张小珺
以上是对 2025 年的复盘。对于 2026 年，你有哪些展望？
戴雨森
最近到了年底，我们一直在做展望，不管是对 LP、对内部，还是和大家分享交流。
6. The Year of R
我对 2026 年有一个关键词：2026 年是“The Year of R”，也就是 R 之年。
这个 R 有几个含义。第一个 R 是 Return，也就是回报。
为什么回报重要？过去几年大家看到的，都是英伟达股价暴涨，包括英伟达上下游，比如 Oracle、CoreWeave，以及上游的光模块、内存。
本质上，大家 Bet 的是 AI 投资持续超预期。
为什么会有这么多投资？因为大家被潜在的巨大回报，也就是 Return 所吸引。
ChatGPT 出来之后，大家谈论的是几年之后实现 AGI，大量价值会被创造，很多已有公司会被颠覆。
但现在大家的 Investment，也就是投入越来越大了，而且发现现在的投入和修高速公路、铺光纤不一样。
数据中心里面，大概 50% 的投入是算力，也就是现在的卡。这些卡可能 4 到 6 年之后就会过时，所以投资需要在更短的回报周期里看到落地。
只有越来越多的落地，越来越多的 Return，才能推动未来的 I，也就是 ROI。
所以投入变大的同时，大家对回报的关注也会越来越大。
为什么我们觉得 2026 年 Return 非常重要？
从模型端来讲，模型能力进步解锁场景，带来应用价值，这条主线是这一波 AI 革命最本质的驱动力。
但从已有 Benchmark 和实际落地场景来看，模型能力进步正在放缓。新一代 SOTA 模型发布之后，相比上一代的能力进步，幅度变小了。
想想 GPT-4 发布时相较 GPT-3 的进步，再看 GPT-5 相较 GPT-4 的进步，这个进步正在放缓。
同时投入又大了很多。AI 革命开始时，大家讲 Scaling，投入越多越好，简单理解就是“大力出奇迹”。
但现在发现，大量投入带来的进步正在放缓，同时也没有阻止中国开源模型公司以低成本快速接近。所以模型端的边际回报在下降。
应用端，去年大家对应用商业化变现还看不清楚，甚至比较悲观。那个时候我们觉得 2025 年应用商业化以及 Agency 会很乐观，这是一个低预期、高增长的 Setup。
但现在大家已经看到 2025 年应用收入爆发，对 2026 年、2027 年的应用落地很乐观，于是带来了大量投入。
最近 Meta 不断挖人，这类投入意味着未来预期很高。但我们回头看，应用落地的预期已经发生变化。
几年前很多人认为 2027 年就会实现 AGI。当时所说的 AGI，可能是模型非常通用、非常强大，甚至会对人类造成威胁。
我记得当时加州还有关于是否暂停模型训练的抗议，也有立法，后来被驳回。后来又有人说，ASI 可能让很多人失业。
但现在看来，这个梦想在短期内变小了。
现在可以梳理几个核心 AI 应用商业模式。
第一个是订阅制，这也是 AI 收入的大头，比如 ChatGPT、Gemini，按照每月 20 美元、200 美元收费。
订阅制在 2025 年取得了很大进步，也让 OpenAI 的 ARR 增长很快，现在已经接近 180 亿美元 ARR。
但目前来看，早期几亿知识工作者中愿意为 AI 付费的人，渗透率已经比较高。OpenAI 已经接近 6 亿 DAU、10 亿 MAU。
作为帮助人们获取知识、进行研究的应用，它的渗透率已经不低。针对普通用户提价比较难。
OpenAI 以前讲的故事是，模型越来越聪明，价格会从每月 20 美元涨到 200 美元，再到 2000 美元。
但这里面有几个变量。第一，去年或前年 200 美元买到的模型，现在可能只能卖 20 美元。模型智能进步加上 Token 价格下降，意味着即使智能更强，也不一定能直接提价。
大家可以想想，20 年前 Netflix 的月费大概 17 美元，现在高档订阅 20 多美元，低档订阅几美元。
这 20 年 Netflix 给用户带来的价值提升巨大，消耗的流量也大幅增加，但收费并没有涨多少。
普通用户的订阅制提价很难，而且竞争也在增加，包括 Gemini、Meta、xAI 等。竞争会让订阅制很难大规模涨价。
第二个大家期待的是，以 OpenAI 为代表，当你有 10 亿 DAU，有很多用户 Memory 后，通过广告和电商变现。
但广告加电商，我认为大部分是存量重新分配。Meta、字节、Google 等大用户量互联网应用，最重要的变现方式就是广告。
整个互联网电商蛋糕和零售在线渗透率紧密相关，在线广告盘子也和在线商业交易 GMV 大致成比例。这两个市场规模不会突然翻倍增长。
所以更多是存量竞争、重新分蛋糕。
这也是为什么 Meta、Google、字节、腾讯在过去一两年对 Chatbot 这样的大 DAU 应用非常警惕，也非常投入。
但存量分蛋糕并不带来新的生产力。
第二，对于一种新形态的互联网应用，做广告和电商的速度没有那么快。
Google 早期花了好几年才找到 AdWords、AdSense；Facebook 也花了 6 年才从 Facebook 里找到信息流广告；抖音的电商化和广告化也花了很长时间。
Chatbot 是新产品形态，电商、广告和订阅提价有时还相互矛盾。
当你收订阅费时，要不要主动推送广告、以什么形式推送，都会产生问题。
所以我认为，大家对 OpenAI 或其他 Chatbot 广告商业化的预期，可能会很快变得不及预期。现在大家普遍觉得 2026 年广告就会贡献相当收入，但实际可能需要更长时间。
最近有文章说 OpenAI 进入 Code Red，实际上是要把精力放在模型能力提升上，而不是广告。广告探索是一个需要时间的过程。
第三个大家关注的是 AI Coding、图片生成这类按用量计费的模式。
这里有一个大的趋势：AI 替代很多程序员的工作之后，AI 公司可以收到程序员工资的一部分。全球可能有 1 亿以上程序员，假设每人年薪 10 万美元，就是 10 万亿美元。如果 AI 从中赚到 5 万亿美元，那是巨大回报。
但我的看法是，替代很多程序员的工作，并不意味着能赚到这些程序员的工资，而是这些程序员原来完成的任务变得不值钱了。
基于用量的应用，用量会持续变大，这点没有疑问。这就是所谓的杰文斯悖论：当一个 Token 成本下降，它的用量会提升。
但价格也在下降。用量涨 10 倍，价格跌 10 倍，结果可能是一个程序员为 AI 工具支付的费用，从 20 美元涨到 200 美元之后，很难短期提升到 2000 美元。
大部分不是 SOTA、不是特别有技术含量的任务，会以相对 Flat Rate，也就是固定价格收费。只有最前沿的任务，才能按照用量和较高的边际成本收费。
所以短期看，这部分不会那么乐观。
第四个是企业服务，比如 Harvey，或者美国典型的企业服务收费方式。
这部分还在早期市场，大量企业仍在寻找怎样在业务中使用 AI。
最简单的例子是微软的 Office Copilot，这已经是非常直接的应用场景，但 Copilot 的渗透率和收入一直低于预期。
对大型公司，尤其美国财富 500 强公司来说，采用新技术的速度比大家想象得慢。这里面有数据、隐私、权限，以及对工作影响等原因。
所以我预计，AI 企业服务明年在早期市场达到一定渗透率后，增速也会下来。
整体来看，大家要看 Return，是因为 AI 有这么多新的投入，但它到底带来了多少新增 GDP？这才是归根结底要算的账。
红杉美国的 David Cahn 之前提出过“2000 亿美元问题”，后来又提出“6000 亿美元问题”。简单来说，买了这么多英伟达的卡，又带来了数据中心投入，意味着 AI 每年要赚回相应收入，才能兑现这些投资。
现在这个问题已经不只是 6000 亿美元，而是一个越来越难算清楚的问题。
2025 年大家投入更多，对未来预期更高，2026 年对 Return 的要求也会更高。
所以第一个 R，就是大家会非常关注 AI 投资的回报。
对创业者的启示是，今年年初 Cursor 的故事是：增长很快时，Margin 不重要，甚至可以负毛利增长。
但负毛利增长本质上是在补贴用户。你把 1 美元买来的 Token 以 5 毛钱卖掉，因为你认为用户习惯之后，未来成本会从 1 美元变成 5 毛、2 毛，就可以赚钱。
但目前硅谷对应用公司逐渐变成了：你有没有好的 Margin？有没有好的 Retention？最终是不是高质量增长？
逻辑很简单：模型公司要训练、实验、招人，所以亏很多钱可以理解。但应用公司本质上是买入 Token，再加工成对用户有附加值的产品卖出去，应该有可观的 Margin。
大家会对应用提出类似 SaaS 的要求，毛利可能要达到 50% 以上。
这对真正把产品做好、让用户愿意付较高价格的应用公司是好事。但如果应用只是倒卖 Token，把 Token 打折卖出去，这种增长质量不高，也难以持续。
第二，当大家开始关注回报时，对好公司反而是好事。
大家不关注回报时，所有人都可以融很多钱，本来能够带来不错回报的公司，也被迫进行激烈竞争。
当大家需要看回报时，真正创造价值的公司反而更容易 Stand Out。
这就是第一个 R。
从 Return 怎么来？最近一个月，大家普遍指向了另一个 R：Research。
这也是 Ilya 说的。
AI 的历史一直是 Scaling 和 Research 交替提升。每次新的 Paradigm、新的研究范式解锁，都会带来 Scaling 的新机会和 AI 能力提升。
当 Scaling 到达瓶颈，或者进步放缓后，又需要新的 Research 去解锁新的 Scaling 机会。
Ilya 那期播客讲得非常好，大家可以去听。简单来说，现在又到了 Research 提高的时候。
Demis 最近也说，到达 AGI 还需要 1 到 2 个研究突破。这个突破可能是 Online Learning、World Model 等不同方向。
目前的研究可能没法让大家一步走到 AGI，但这一点大家基本认同。
因为要做下一代 Research，我们看到硅谷出现了新的投资趋势：投资一种叫 New Labs 的公司。
这些公司以研究员为核心，探索与现有头部模型公司差异化的新 AI 机会。典型公司有 Thinking Machines、Ilya 的 SSI，以及年初的 Reflection，近期还有 Humanity、Periodic、Isomorphic 等。
它们一开始就是十亿美元级估值，融资上亿美元。
本质上，大家希望它们成为下一代 OpenAI，通过研究型组织找到下一个范式，在下一次 Paradigm Shift 中成为重要公司。
工程和产品，和探索性研究很不一样。研究需要宽松的环境、自由探索的文化，没有那么多 KPI 和时间限制。
你很难说 6 个月之内必须做出一个新的研究。OpenAI 当时创始团队写过一本重要的书，叫《伟大不能被计划》，反映的就是 OpenAI 作为 Research Lab 时的状态。
但 OpenAI 现在已经不是一个纯 Research Lab，而是一个由产品、用户和收入驱动的创业公司。
所以怎样重新找到具有研究文化的组织，可能是硅谷 New Labs 的新 Bet。
这是在硅谷资源充沛、大家愿意投资未来种子的情况下出现的新趋势。
研究还有一个重要部分是 Benchmark。
AI 在训练、预训练、后训练和数据收集时，很多时候都有明确优化目标，就是 Benchmark。
几年前大家针对的 Benchmark 还比较简单，比如 MMLU，后来有 SWE-bench，为 Coding 提供了新的好 Benchmark，于是大家有明确标准，Coding 能力也提升得很快。
我们反复看到，Benchmark 和能力进步之间有相互推动关系。谁来给 AI 命题非常重要。
但现在已有 Benchmark 基本被刷爆，或者不能很好体现 AI 能力差别。
如何衡量一个在大多数领域已经超过人类表现的模型？人类要 Benchmark 一个比自己聪明、至少推理能力更强、知识更多的存在，这件事越来越难。
所以我很同意姚顺雨提出的“下半场”理念：需要新的 Benchmark 去指导 AI 进步，指导训练和衡量训练进展。
这也需要 Research 上的很多突破。
所以第二个 R，是通过 Research 进步，解锁下一波 Return 机会。
这里需要非常关注前沿研究进展。应用创新很多时候的前提，是技术本身进步。
现在技术进步可能又到了需要研究突破的时候。去年看到 o 系列突破时，其实已经在引导未来应用落地。
第三个 R，我想了很久，叫 Remember 或者 Memory。
Memory 是目前 AI 应用差异化的关键。如果没有 Memory，没有个性化，你问 AI 和我问 AI，得到的结果基本一样。
现在的 Memory 还比较初级，但已经让用户体验很不一样。
同样一个问题，我问 ChatGPT 和问 Gemini，ChatGPT 给我的个性化程度已经高很多，因为它有和我 3 年以来的聊天记录和 Memory。
当 AI 应用通过 Memory 形成差异化，这也会给未来商业化解锁很多空间。只有懂你的 AI，才能更好地推理和推荐。
但现在的 Memory 基本还是基于 Retrieval：把过去聊天记录记下来，需要时再引用。
这还没有做到真正理解。
就好比你的朋友对你的理解完全来自一个很厚的笔记本，记录了和你聊天的每句话。
真正的记忆是，他不需要带笔记本，已经在内心深处更理解你、更懂你，形成 Online Learning，或者 In-Context Learning，甚至模型权重层面的记忆。
这也是研究上的兵家必争之地。
最后，每个人使用的 AI 可能都是一个针对自己的模型，这也是一个很前沿的研究领域。
大家现在还讨论 Proactive Agent。现在 AI 应用有一个用量和价值瓶颈：都是人主动问 AI，主动发起操作。
但有很多需求，我们不一定想得起来告诉 AI。一个好的秘书，应该在老板没有说的时候，就能察言观色、主动解决问题，而不是老板说了之后才去解决。
所以 Proactive Agent 会是接下来很重要的方向。但我认为，只有有了很好的 Memory，以及对用户所处 Context 的理解，才能解锁 Proactive Agent。
比如到了下午，AI 可能知道我们要点下午茶，知道该喝什么。这只是最简单的例子。
一个有主动性的好助理，能做的事情远不止这些，但没有 Memory 很难做到。
所以我觉得 Memory 会是 2026 年 AI 应用的必争之地：怎样获得用户尽可能多的 Context，和用户尽可能多地交流，从而形成好的 Memory，让应用产生差异化。
这会是 2026 年非常重要的主题。
所以 2026 年会成为一个现实之年，会更看重回报，同时 Research 和 Memory 会带来不同的可能性。
如果用一个单词或者字母，就是 R。这是我目前感觉非常重要的一条主线。
当然，还有一个 R 没有涵盖到。虽然我想了很久能不能用 R 表示，但好像没有想到，只能说是硬凑。
模型能力大幅进展，解锁应用机会，这仍然是我们的主线。现在模型能力正在发生大变化的，是多模态能力。
多模态分两个方面：多模态 Reasoning 和多模态 Generation。
目前大家看到的更多是 Generation 的进化，尤其 Nano Banana、Veo 3 带来的模型，能够更好地理解语义，生成更好的图片和视频。
可以想想，GPT-3.5 解锁了 ChatGPT，Sonnet 3.7 解锁了 Cursor，也解锁了 Manus 这类 Agent 应用的初步机会。
Nano Banana Pro、Veo 3 这样的进展，会解锁什么大应用机会？
现在在 Chatbot 里让它生成图片或视频，并不是自然、流畅的体验。但大部分人使用 Nano Banana 或 GPT 图片生成，还是这样使用。
我觉得在垂直领域，比如颠覆 Canva，或者视频内容生成和编辑，都会出现新的机会。
大量时间和价值都在多模态内容消费上：图片、视频，以及大量基于图片和视频的广告。
无论是创作者工具还是广告素材生成，都是百亿、千亿美元级别的机会。这里面一定会出现有意思的应用。
同时是 Visual Reasoning，也就是多模态推理。怎样通过多模态理解世界，目前也在大突破的边缘。
人本质上是视觉输入机器，我们对世界大部分理解来自视觉输入。
我也在关注一个叫 ZeroBench 的 Benchmark。它有 100 个比较复杂、人大多能做，但 AI 基本还做不了的视觉推理任务。
目前最好的模型基本还不到 10 分，但我听说前沿 Lab 里可能已经有 60 分、70 分的模型能力，当然这只是可能。
我很期待这方面出现应用。
现在 AI 虽然很聪明，但让它理解世界，无论是虚拟世界界面还是现实世界看到的东西，仍然会犯很多很低级的错误。
Visual Reasoning 突破时，交互和 AI 能做的事情可能会有很大提升。它可能还不到 AGI 层面，但对应用价值很大。
张小珺
红杉美国最近有一个预判。合伙人 David Cahn 提出，2026 年会是“The Year of Delay”，也就是延误之年。
会出现 AI 两极分化：一边是数据中心建设进度 Delay，AGI 时间表推后；另一边是 AI 应用保持强劲增长。你怎么看这个预期？
戴雨森
Delay 一方面是物理世界建设的 Delay。虚拟世界引入变化容易，但物理世界的变化牵涉实际建设，一直比较难。
尤其在美国建设数据中心、建设新的电力，还有很多挑战。
这也是今年交易的主题：交易电力，交易数据中心建设。
同时，像 TSMC 这样的上游公司没有那么强的扩展动力。对它们来说，需要平衡周期性：下游需求特别多时，如果产能提高 10 倍，万一需求减少怎么办？
所以物理世界的 Delay 必然出现。
他说的 AGI Delay，也和我们刚才聊到的一致：模型能力进展不是一蹴而就，需要研究范式突破，才能解锁下一代模型能力。
David Cahn 就是提出 2000 亿美元问题和 6000 亿美元问题的投资人，所以他一直强调，投入这么多钱，Return 到底在哪里，能不能这么快、这么大地到来。
这一点上，我对他的看法有很多认同。
他说的第二点，是 AI Adoption 会持续增长，渗透率会提升。这个肯定没问题，我们会用更多 Token。
但不要忘记，Token 价格也在快速下降。
哪些 AI Adoption 发生在早期市场，哪些是真正跨越鸿沟的 Adoption，需要区分。
目前来看，真正跨越鸿沟、主流用户都在使用的，可能只有两个：一个是 ChatGPT 代表的 Chatbot，另一个是 Coding。
全世界程序员中，AI Coding 渗透率应该已经超过 20%，这算跨越鸿沟。
但跨越鸿沟之前，《跨越鸿沟》这本书提到很重要的一点是，大家会把早期市场尝鲜者的快速渗透，简单外推到主流市场。
如果主流市场用户还没有使用动力，而早期市场用户又被消耗完，就可能出现增长率断崖式下降，这就叫鸿沟。
AI 这一波的特点是，分发渠道已经存在。大家最终还是通过网站和应用分发，所以早期用户一旦发现有意思的应用，就能第一时间使用。
这和移动互联网早期不一样。移动互联网和互联网早期，都需要硬件设备扩散，比如个人电脑、光纤和智能手机。
当时哪怕有非常好的移动互联网应用，也要等智能手机扩散到大规模人群。
现在硬件设备都存在，所以 AI 应用在早期市场的扩散速度很快。
但早期市场快速扩张，很容易让大家对主流市场进度过于乐观。这也是 2026 年需要继续观察的地方。
2026 年可能会是一个非常有意思、很多判断都和大家想象不一样的年份。
张小珺
最近很多人都在谈论 AI Bubble。站在 2025 年的尾巴上，你有嗅到泡沫的味道吗？
戴雨森
7. AI Bubble Meets Reality
首先，人类历史上每次技术革命都带来了泡沫，几乎没有例外。
修运河、修铁路、修高速公路，后来的互联网，都带来了泡沫。
AI 可能是人类历史上最重要的技术革命，所以它带来人类历史上最大的泡沫，也很理所当然。
大家谈泡沫时，本质上说的是估值和价值高度不契合。
我觉得现在可能还没有到泡沫最顶端。
互联网泡沫和 Web3 泡沫的顶端表现，是资产价格高得离谱。不只是好公司估值高，烂公司甚至骗子公司也很高。
当时互联网泡沫最让人记住的，就是很多商业模式都不成立的公司，估值却非常高。
从这个角度看，现在还没有到那个程度。
目前英伟达这些公司的短期估值甚至很低，因为增长很快。但历史不会每次完全一样地重复。
正因为大家都担心泡沫，所以目前资产价格还没有到特别离谱的阶段。
但大的风险还是 AI 预期变化。预期变化是一个在长端、在时间长周期端调整预期的过程。
历史上，当长端和短端出现错配，就会带来资产价格大幅变化。
比如 2023 年初，当大家对长端 AI 预期大幅提高时，英伟达短期其实有很多库存。当时二级市场高手做空英伟达，因为觉得库存很多、短期估值高。
但长端已经发生变化，所以短端的悲观不是主要因素。
现在短端比较乐观，大家对明年、后年英伟达的预期仍然很高。
但在长端，如果大家对 AI 落地价值和回报周期的预期变长，AGI 到来放缓，那么长端预期发生变化或变得悲观时，短端业绩再好，也可能不再是主要交易因素。
所以从二级市场看，我觉得明年有可能出现比较大的回调。
但这个回调是泡沫破裂，还是泡沫真正冲向顶端之前的蓄力，再继续上涨，我也不好说。
不过，对 Return 的关注，以及我们从 Ilya 这样的硅谷领军研究员那里听到的对研究范式的担心，会逐渐扩散。
到 2026 年，大家会越来越多讨论：AI 下一个范式是什么？模型能力是不是遇到瓶颈？AI 短期能兑现的收入，是否足以支撑这些投资？
这会是 2026 年越来越多人关注、甚至担心的主题。
再加上最近美国劳动力市场放缓，可能会对市场带来冲击。
我自己感觉，明年以美股为代表，市场可能出现比较明显的 Pullback。时间点可能在下半年，尤其是劳动力市场出现软化，同时 AI Return 也出现不及预期的情况。
其中很可能 OpenAI 用户和收入增长，会成为市场担心的重要 Trigger。
当然市场很难预测。这只是基于 Return 和 Research 的一系列思考，得出的目前判断。
泡沫肯定有。如此巨大的基础建设和人员工资投入，对短期回报的要求非常高，短期肯定很难兑现。
但是不是疯狂泡沫，我觉得还没有到那个程度。说完全没有泡沫，也不客观。
今年我读到一本很有意思的书，叫《Boom》。它把泡沫分成两种。
一种泡沫是认为未来会比现在好很多，这其实是 VC 天天在做的事情，叫投资未来。它是好的泡沫。
另一种泡沫是认为未来和现在完全一样，这是坏的泡沫。
比如次贷危机，当时大家认为次级贷款能够还得上；或者中国房地产，大家认为房子会一直涨；茅台会一直涨。这是认为未来和现在一样的泡沫。
未来和现在不一样，比如 AR、VR、元宇宙、区块链，以及 AI 和互联网，都是认为未来会非常不一样。
好的泡沫，是认为未来和现在不一样，推动大家追求进步、投入资源。这些投入有很多外部性。
互联网泡沫虽然引发泡沫，但很多投入变成了光纤和创业公司资金，最后确实改变了世界。
这种泡沫的参与者主要是专业玩家，比如 VC 和创业者，带来的外部性影响有限。
但认为未来和现在一样的泡沫，参与者可能是普通人，也没有正外部性，因为它不鼓励大家改变未来。
所以泡沫也是人们对未来期许、希望和雄心壮志的体现。需要泡沫驱动人们向前进。
泡沫肯定会带来影响，但好的泡沫有时是必须的。从人类历史看，泡沫本身并不可怕。
我们要做的是，在具体投资和创业中规避明显泡沫带来的损失。
张小珺
如果预期明年会回调，你们在投资策略上做了什么调整？
戴雨森
8. Bet on People Through Volatility
我们的原则一直是，我们无法决定市场价格。我们只是一家机构，市场有时悲观、给的价格低，有时乐观、给的价格高。
我们始终投资最优秀的创始人。优秀创始人有时市场给这个价格，有时给那个价格，我们无法决定。
但只要投的是优秀的人，而且是在第一轮投的，这就是我们的安全边际。
巴菲特说，安全边际是用合适的价格买入好的资产。但我们不是市场定价者。
我们能保证、或者尝试确保的，是创始人本身的能力和水平。至于市场给什么价格，我们无法决定。
所以市场很高时我们不会停止投资，市场很低时也不会停止投资。我们始终投资优秀的人，这点没有变化。
张小珺
你觉得明年二级和一级会怎么传导？
戴雨森
我觉得二级市场的 Pullback 还是会比较明显，风险可能在下半年。
如果二级出现比较持续的 Pullback，我觉得会影响一级融资。
美国一级市场现在已经非常乐观，天使轮就有 100 亿美元估值，还能怎样更乐观？向上的空间已经不大，但向下空间还有不少。
如果二级真的发生 Pullback，而且是因为大家对 Return 的担忧，那么对一级市场融资也会有影响。
现在肯定是一个比较好的时间。是不是泡沫之巅不好说，可能还不是，但至少已经很高了。
不管是我们的感觉，还是和美国大型资产配置者、LP 聊下来，大家基本有比较统一的观点。
但很多事情是相互的。有人说，大家都觉得有泡沫，那就不会有泡沫。
实际上如果问很多投资人，有没有泡沫，确实仍然存在争议。不同投资人会有不同观点。
我可能属于比较关注 Return 的那一派。
但 2023 年、2024 年，我们一直强调 AI 前景非常大，要有耐心，要敢于投资，不管一级还是二级。
大家没有那么确定时，要敢于下注；但如果大家都非常乐观，都觉得 AGI 快实现了，反而要冷静想一想，是不是那么快。
张小珺
说到其他投资人，我想到朱啸虎前两天跟我说，至少 3 年内看不到泡沫。大家都在讲泡沫时，泡沫肯定还没到，泡沫论调纯属无稽之谈。
现在 Token 消耗量增长很快，今年增长了十几倍，明年还要增长十几倍。
戴雨森
Token 消耗量肯定会持续非常快地增长，每年增长 10 倍也可能发生。
但同时 Token 价格也在下降。要想一想，互联网在整个过程中用量一直持续增长，没有哪一年互联网用量减少。
张小珺
你觉得这不是一个关键指标吗？
戴雨森
Token 用量大幅上涨，不能证明现在的估值合适，也不能证明不会有大的预期回调。
第一，Token 量上涨不一定必然带来回报。
关键是投下去的钱能不能有好的 Return。Return 不直接等价于 Token 消耗。
互联网中也有很多场景，使用更多互联网带宽，但没有赚到钱。
张小珺
我突然想到，AI 泡沫的讨论中，悲观情绪是怎么传导的？最早的源头在哪里？
戴雨森
现在还处在一个没有充分传导的阶段。如果已经传导，股市走势不会是现在这样。
最早来说，最近应该是 Oracle 等一系列公司公布与 OpenAI 的大单，大家质疑 OpenAI 怎样拿出 1.4 万亿美元，满足未来算力需求。
所以目前市场交易的还是对 OpenAI 的担心。
Google 发布 Gemini 3 后，OpenAI 对应的影子股票，比如软银和 Oracle，Oracle 跌得非常厉害。
Oracle 的股价跌回到公布超大订单新闻之前，意味着市场认为这件事不会发生，把订单预期全部抹掉了。
目前大家首先担心的是 OpenAI：它有没有这么多钱？毕竟现在估值 5000 亿美元，可能融了 1000 亿美元，怎样 Fulfill 1.4 万亿美元订单？
还有对英伟达投资 OpenAI、OpenAI 又买英伟达卡的担心。
所以市场普遍观点还不是整个 AI 有泡沫，而是 OpenAI 是否无法完成订单。
但我的观点是，明年大家会逐渐担心整个 AI 生态的 Return。
担心来自两个核心观察：第一，商业化变现没有那么快；第二，研究端需要突破，才能大幅提升模型能力。
二级市场有句话，叫 Strong Opinion, Weakly Held。
你要有 Strong Opinion，是因为对一件事情做了很多研究和推演。但如果明年出现新的商业化场景，或者模型能力大幅提升，可能来自现有范式进化，也可能来自新的研究突破，我会很乐意改变观点。
张小珺
你个人已经把二级市场股票基本清仓了，对吧？
戴雨森
对，我个人现在基本空仓。
张小珺
有没有可能，当美国 Frontier Lab 都遇到现实回报要求时，中国 AI 应用公司反而会更好？
戴雨森
我觉得中美估值差距会缩短，而且可能是相向而行：美国下降，中国变得更乐观。
大家一两年前对中国 AI 应用普遍悲观，但现在逐渐发现有很多乐观信号。
长期来看，中美差距不会那么大。就像互联网领域，中美差距其实并不大，甚至有些领域中国应用开发者做得更好。
两年前大家交易的可能是 1 比 100 的差距，现在可能变成 5 比 100，或者其他比例。最后 30 比 100、50 比 100，都值得期待。
张小珺
你经历过互联网周期。像这样狂奔后的回调时刻，你经历过吗？当时发生了什么？有什么可以借鉴？
戴雨森
我当时在创业，其实是狂奔的一员。
第一，Amara’s Law 非常有名：我们会短期高估一个应用的进步，长期低估一个技术带来的影响和变化。这条规律几乎每次都有效。
所以我相信回调一定会来，长期也一定会发展。大家都很兴奋时，要警惕回调，关注 Reality 和 Return。
如果回调真的来了，也要有信心。市场火热时进来的投资人和创业者会被挤出去，仍然坚持创业的创始人，可能更值得投资。
无论从投资人还是创业者角度，都要做好准备：大家非常乐观时，做好悲观准备；大家非常悲观时，做好乐观准备。这是反共识思维。
第二，优秀公司往往很早成立。亚马逊、Google 都是在互联网泡沫破裂前成立的，但泡沫破裂时也受到严重损害。
当时亚马逊股价跌了 95%，差点破产。
所以做得早、投得早很重要。同时要预备风险。大风暴来的时候，如果你能活下去，可能就是市场格局变好、宏观环境帮你清理竞争对手的机会。
优秀创始人应该想想自己的增长是不是高质量增长，是不是低毛利甚至负毛利换来的增长，还是有不错毛利和 Retention 的增长。
张小珺
假设一个极端情况，2026 年是研究年。如果技术不能再大幅提升，范式也没有变化，在现有技术能力下，能支撑这一波 AI 应用浪潮爆发吗？
戴雨森
我觉得现有技术当然还会提高，只是从指数级加速进化，变成比较 Incremental 的线性提升。
对 L2 级别的要求，应该没有太大问题。
坐在电脑前、主要按照流程做事的人类白领，他的工作应该都可以被完成。
这意味着他不需要做新发现，也不需要解决从未遇到的问题。大部分办公室白领工作，其实是在解决已经解决过的类似问题。
随着计算机工具使用能力、Agent 能力和编程能力进一步提高，这些都没问题，已经可以替代很多工作。
但替代工作不意味着能赚走他们的工资，只能说他们的工资变得不值钱。
比如接线员的工作可能永久消失，工作价值也会消失，但会产生新的工作。
L3 级别则需要 AI 自主决策，自己承担决策后果。这个需要很长时间。
L3、L4 级别的自动驾驶 Robotaxi，其实已经是比较简单的任务，因为它们不需要和环境发生复杂变化，在二维世界里运动，只是速度很快，后果比较大。
但这也花了十几年。
所以要实现 AI 自主决策，达到大家预期的 AI 让人失业、让人不用工作的状态，确实需要模型能力进一步提升。
张小珺
基于刚才的 3 个 R，你对创业者有什么建议？
戴雨森
9. How Founders Should Bet
第一，回到最开始那条主线：AI 模型能力进步，解锁应用场景，从而带来应用机会。
比较优秀的 AI 应用创业者，基本都对技术进展有自己的高质量判断。
比如我们投 Kimi，杨植麟对 2023 年长文本的判断，以及 2025 年对 Agentic 的判断，质量都很重要。
你做的应用，或者模型训练方向，其实是为 6 到 12 个月之后的 SOTA 准备的。
如果你做的时候模型能力已经成熟，可能做完了；但如果应用需要模型 5 年之后才有的能力，那可能做早了。
Manus 能做出来，很重要的一点是 Pig 的加入。他们对模型能力发展有更多前瞻了解。
他们在做 Manus 之前，也尝试过用 AI 控制浏览器，研究 AI 怎样使用浏览器和工具。这也是对技术进展的理解。
所以应用创始人可以不是技术背景，但要了解、判断技术发展；或者自己不知道，就要招一个懂的人。
第二，要立足全球市场。
现在 AI 生产力应用一开始就可以面向全球市场，这让公司面对的市场规模和收入前景都大幅扩张。
创始人不一定要在国外生活才能做全球产品，但要了解全球市场的产品设计、功能和审美，以及怎样在全球运营推广。
中国新一代创始人，不管海归还是本土成长，竞争力都越来越强。大家从小使用全球优秀产品，阅读 Elon Musk、Steve Jobs 的传记，获取全球同步新闻。
第三，AI 每年变化很多。简单来说，就是参加一张牌桌，每年都有新牌翻出来。
不下牌桌，持续翻牌，保持高执行力和高迭代速度，就有机会。
Manus 团队也是第三次尝试才把这张牌打好。最开始做 Benchmark，后来做 Monica，再后来做 Manus。投资 Genspark 时，他们一开始想做 AI 搜索，后来转型 Agent。
我们最近使用很多的一家 Portfolio 叫 Typeless，用语音在电脑、手机上输入。
它最开始是基于 Shopify 的浏览器插件，第二步是类似 Monica 的 Max AI 浏览器插件，第三步才做 Typeless。
黑剑也是这样。我们投资时它做电商模特换头，后来做虚拟人，当时产品叫 Surreal。
AI 时代变化太快，机会很多，不要拘泥于某一件事，持续迭代、不断翻牌，留在牌桌上就会有新机会。
还有一点，朱啸虎说得很对：垂直领域有很多可能产生壁垒的地方。
想想自己的数据和场景，什么是模型公司无法简单覆盖的。
比如 AI 加教育、AI 加制造，美国的 AI 加法律。你有没有模型厂商不具备的专有知识？
分发渠道也很重要。美国有一家 Abridge，做医院里的 Transcription，帮助医生根据和患者沟通形成诊疗记录。
它的独特优势是，大投资方 Epic 是美国大部分医院的软件供应商，Abridge 有独特分发渠道。
医院不是简单安装一个 Chatbot 就能用，这种分发渠道的优势，也是垂直领域很重要的价值。
2026 年，一些简单的低垂果实可能摘得差不多了。应用创业者对高品质增长、Return 和全球竞争能力，都会遇到新的挑战，但也会有新机会。
张小珺
对于创业者来说，方向可以变，牌面在变，竞争也在变。那对于投资人来说，你们投和不投，核心判断是什么？还是人吗？怎么判断人？
戴雨森
我们一直说自己是看人的基金。内部一直有很多讨论，也形成过一个对创始人的简单划分，叫小天才、老司机、操盘手、科学家，4 个象限。
最近很多人问，我们是不是只投年轻人、只投 00 后。其实我们也投很多 90 后。
现在大家都在找“小天才”。但杨植麟现在还是小天才吗？他是当年的小天才，现在的老司机。
今年我们确实投了接近一半的 00 后创始人，或者说几十个百分点的 00 后创始人。
00 后更加 AI Native，而且做公司和产品需要的人变少了，因为可以用 AI，所以这里面有很多机会。
但我也投了景鲲，他是 70 后；张怀林也是 70 后；我们投的木兮马上上市了，威廉也是 70 后。
所以显然不是 00 后才有机会。
肖弘和杨植麟都是 92、93 年左右出生的。所以年龄不是判断因素。
我们在各个年龄段都有优秀创始人。
重要的是，对技术有前瞻了解，对全球市场有竞争力，对 AI 和产业结合有韧性，持续执行力、不下牌桌。
还可以补充一点：中国每次技术革命浪潮来时，很多人创业，但最后真能赚大钱的，基本是引领者，也就是第一波，甚至第一个提出创新形态的创业者，而不是行业已经很火之后才进来的人。
美国收购退出机制完善，所以即使不是第一名、第二名，也可能被大厂以不错价格并购，自己和投资人都能赚钱。
但在中国，如果不是前三，甚至不是第一名，可能没有赚大钱的机会。
所以我们很强调“引领者”概念。真格现在的说法是“大黑马、引领者”，投资团队讨论群叫“寻找大黑马引领者”，英文是 Key Makers。
Manus 火了之后，很多人就说要做各种领域的 Manus。人形机器人现在可能有 150 家，是不是应该少一些，不要一窝蜂上市。
跟风公司很多，但真正大成的，还是能够引领的公司。
越是行业变化快，团队构成越重要。
现在也出现很多“船局”现象。有些人本来没想创业，因为时代大潮来了，就赶鸭子上架，没有准备好就创业。
美团创始团队很多是王兴的同学和室友。张一鸣的创业团队也有很多室友，汝波应该和张一鸣是室友。
米哈游是同学、室友创业，饿了么也是同学创业，360 也是同学创业。
好的创业团队始终对技术敏感、对变化敏感，并且有很强信任，能够长期合作、长期了解。
肖弘做 Manus 的团队，最开始和潘潘等人一起做第一家公司夜莺科技。
Kimi 的创业团队，杨植麟、Tim 他们也是清华同学，甚至一起玩乐队。
这些是不变的。
现在有些团队原来几个人并不认识，只是因为市场火热，被临时组织到一起创业。
我最近看了《F1》那部电影，感觉创业像 F1 赛车，是对团队的极致考验。团队裂痕、互相不了解、信任不足，都容易导致崩溃和事故。
越是竞争激烈、变化快，越要求团队初始组成具备信任和互补。
张小珺
怎么想到把 Pig 和张涛介绍给 Manus 团队？为什么觉得他们互补？
戴雨森
首先，Pig 和张涛都是我们投过的创业者。
Pig 我们高中时就投了。他高中就做了猛犸浏览器，还被苹果推荐为小天才应用。后来拿了几轮融资，卖给了第四范式。
他去了第四范式之后，也在思考新的机会，所以我们邀请他过来做 EIR，帮我们看项目。他现在还在我们看项目的群里，给 AI 方面提供很多建议。
但 Pig 后来觉得自己不一定要做 CEO。他更像 Chief Scientist，对技术非常狂热，也有很多执行落地的想法，但确实不想管人、管很多人、做公司 CEO。
后来他和肖弘认识，我们觉得非常合适。Pig 主要是 Anna 推荐给 Manus 的。
张涛是我大学时就认识的，我们当时都在写博客的圈子里。
他过去做过 To C、To B，也做过中国产品和国际化产品。他有很多经验，但一直有点阴差阳错，在等待一个真正属于自己的大机会。
他当时和老王一起做光年之外，后来光年之外被美团并购，他也在想下一个大的机会是什么。
他也在我们这里，虽然不能叫 EIR，但我们聊了很多。我们认识 10 多年了，也帮他介绍过 Kimi、Monica 等项目。
他和肖弘聊得很好，所以在 2024 年作为联合创始人、产品负责人加入肖弘团队。当时他们还在做 Monica。
张小珺
那时候 Monica 不是一个很大的团队，也不被认为是非常有前景的团队，他为什么会选择？
戴雨森
肯定是因为认同团队，尤其认同肖弘。
说实话，Monica 当时中国基本所有 VC 都知道，很多人都看过，但大家都不投，觉得它是套壳。
你当时也采访过肖弘，那时她只有 Monica。我们当时一直很喜欢这个团队。
当然，我们那时很难预计 Manus 会出现，但一直觉得这个团队不管过去经历、团队组成，还是肖弘自己的成长，都很优秀，总能做出点事情。
Manus 是一个很好的结果，至少目前第一步走得很好。
他们也符合我们刚才说的几个条件：团队对技术前沿有判断，团队战斗力强，灵活，执行力强，不下牌桌。
当时我们是第一批对 Devin 感到惊喜的团队。2024 年我们就聊到，Devin 让大家看到了一扇面向未来的窗。
Devin 肯定给 Manus 很多启发。Devin 是完全针对编程的 Agent，使用门槛很高。
Manus 中间的虚拟机等关键概念，也受到 Devin 启发。这体现了团队对未来的前瞻观察。
张小珺
你们现在怎么找人、怎么做 Source？
戴雨森
有的是我们主动找，有的是他们找我们。
我们也做很多活动，比如针对 00 后专门做饭局，也去找优秀论文作者、优秀产品创始人。
前些年大家可能会找字节、美团离职的人，这些肯定也会找，但那是比较容易找到的。
最好的创始人往往来自各种人的推荐。
比如景鲲，当时我们看到新闻知道他要创业，但我们本来就认识海华，知道海华很靠谱，对景鲲也早有了解。
各种已有关系中靠谱的推荐，始终是找人最重要的方式之一。
我们一方面找未来的张一鸣，另一方面找可能认识未来张一鸣的人。
一个人周围的朋友圈是否足够优秀，也是我们很关注的一点。
张小珺
这两年优秀项目你们都在里面，有没有 Miss 掉的？
戴雨森
肯定有。再过 10 年回头看，我们一定会 Miss 很多项目。
张小珺
今天有没有已经让你开始心痛的？
戴雨森
目前还好，但时间还太短。2023 年大家开始做，到 2025 年才两年，再过 2、3 年答案会很不一样。
张小珺
有犯错的吗？
戴雨森
肯定有。我们做天使投资，90% 的项目都会死，这很正常。
我们从来不怕项目死，只是看能从中吸取什么教训。
张小珺
你看过 70 后、80 后、90 后和 00 后创业者，你觉得不同代际之间有什么不一样？
戴雨森
很难用一个简单答案回答。简化回答可能不太负责任。
张小珺
E 人创业者和 I 人创业者呢？朱啸虎说他不适合投 I 型创业者，但现在也开始讲情绪价值、投 AI 玩具，这很不像他。
戴雨森
我的粗浅感觉是，很多大神级创业者是 I 人，但学会了 E 人的技巧。
尤其在中国，很多优秀创业者需要 Deep Thinking，进行深度思考，得到非共识判断，所以往往有 I 的特点。
但创业需要谈判、商务合作和招人，所以交流能力也必须具备。
比如新哥、张一鸣、黄峥，应该都是 I 人，但他们能够招聘、激励，也能够谈成关键合作，所以肯定具备 E 的一面。
互联网顶级创业者想起来，偏 I 的居多。
张小珺
特别 E 的创始人呢？现在好像很少见。
戴雨森
李凡算一个，他确实很 E。但他们团队其实很综合，有 E 人和 I 人的组合。
张小珺
另外两个偏 I，是技术型。他一看就是 ENTJ。
戴雨森
千亿美元公司里，马老师应该是 E 人。
张小珺
好，你说他的公司小了，说明你对他有很多成长期待。
有什么创业者是你见了第一次，就不会再见第二次的？
戴雨森
要么是人品问题，对底层 Integrity 有质疑。
我后来发现，自己很关注一个人为什么要创业。
创业是一个高压过程，会遇到很多挑战。遇到挑战时，心力有多强？愿不愿意一直干下去？还是干着干着就放弃？
所以我很关注一个人创业的原因。
有些人是因为这个人很火，有人劝他出来，他半推半就就创业了。我更希望创始人有内生的创业动力和激情。
张小珺
你听到过什么回答，曾经打动你？
戴雨森
很多创业者是天生要创业，或者很早就选择了创业这种生活方式。
从我自己的角度，我当时为什么没打过工，就直接和陈欧创业？
第一，我特别希望通过互联网给用户带来价值。我最早学的是用户体验，所以觉得做一个产品让普通人受益，是非常伟大的事情。
我觉得 Google 很伟大，Wikipedia 很伟大，Facebook 也很伟大。让普通人变得更强大的产品很伟大。
第二，我不想在大公司里做一颗棋子，也不想有不断向上爬的感觉。
我希望公司虽然小，但我可以自然地表达自己的想法和观点。
互联网加创业，很早就成为我想过的生活方式。
肖弘也不是一直没工作。她被收购之后，在明略科技做过一段时间职业经理人，但大学毕业后就直接创业了。
对她来说，创业也是一种注定的生活方式。
真正一心想创业的人，创业是很自然的答案，不需要说服自己。
张小珺
收到一份 BP，你会怎么决定见不见这个创业者？
戴雨森
先看团队。
第一是水平和能力：他之前是不是有脱颖而出的特点？团队大概是什么组成？
事情本身反而没那么重要，因为事情变化太多。
很多人因为 Monica 是浏览器插件，所以没有投肖弘的团队。我觉得对于事情本身，不应该看得那么重。
张小珺
过去大家觉得真格非常看重创业者履历。现在有变化吗？
戴雨森
我的观点还是一样：我们要见很多人，希望投到其中非常不一样的人，所以希望这个人足够特别。
只是这种特别，有时不那么显而易见。
履历不能简单理解为大厂经历或学校背景。学校和大厂经历可能是必要条件，但不是充分条件。
我们希望一个人有很强学习能力。学习能力有时体现在学历上，有时体现在成长性上。
比如他 5 年前、2 年前、1 年前和现在的斜率是不是很高。
很多时候需要通过交流聊出来。
优秀创业者一定在某些领域脱颖而出，只是不能简单理解为来自哪个公司、哪所学校。
张小珺
如果王星星第一笔钱来找真格，你们当时会怎么看他？
戴雨森
很难做这种假设，因为现在的王星星已经不是当年的王星星。
当年我们有同事见过他，但因各种原因没有推进。这肯定是我们当时看人哲学的一个漏洞。
所以我们专门想过，怎样不错过当年的王星星。
现在看人的方式里，我们更关注：这个人是不是天生就要做这件事情，是否愿意长期投入，是否有 Obsession，也就是沉迷、痴迷。
王星星痴迷做机器人。他大学时说自己痴迷 AI，机器人可能是 AI 的一个体现。
我们没有和他坐下来深入聊过，所以可能当时没有看到这一点。
但他很早就在机器人领域有很多实际经验，在大疆也证明了自己能进入优秀公司。
他在 B 站上的机器人视频很火，一定是很早就在机器人领域脱颖而出的人。
我们现在觉得，对一件事情充沛的热情、无论如何都要做的动力，非常关键。
当然，我们很多时候是知道宇树和王兴兴现在的结果之后，反推他当时的特质。投人很多时候就是刻舟求剑，只能根据现在优秀创始人的结果，反推他们早期的特质。
所以这种假设很难，因为我们无法回到过去重新见当时的王星星，只能尽量解释一下。
张小珺
现在创业更难了，你觉得创业团队是不是需要更高的契合度？
戴雨森
我们确实觉得创始人的 Leadership 很重要。
创业不是一个人干的，总要有团队。你能拉来什么样的人，很体现创业者。
年轻创始人一开始很难拉来资深人士，所以只能找身边最熟、最信任的人。
如果大家都是名校毕业，周围同学、室友放弃很好的工作机会愿意跟你干，这也是对你的信任投票。
我们关注创始人合伙团队里，是否有和他长期熟悉、长期合作过的人。
如果你从好学校、大厂出来，周围优秀的人有多少愿意在一切不确定时跟你干，本质上就是 Leadership 和说服能力。
张小珺
现在你看到哪些不错的机会？哪些方向可能是 AI 带来的增量？
戴雨森
整体上，我觉得 Save Time 比 Kill Time 好。
生产力里面，让 AI 自主帮助人做更多事情，也就是 Agent，可能是最大的机会面。
但具体在哪个领域做，很难做前瞻判断。
今年在 LP 的 AGM 上，我们讲了 4 个未来判断。
第一个是 2026 年创业方向。第二个是，当 Token 价格降低 10 倍、Token 用量提升 10 倍，什么能够让大家使用更多 Token？
Agent 就是一个大逻辑。AI 自己解决问题，会比人使用 AI 消耗更多 Token。
在 Token 便宜、智能充沛的情况下，什么产品能够让 AI 使用更多 Token？
Manus 年初出来时，比 Chatbot 多使用 1000 倍 Token。让 AI 更高效地使用更多 Token、完成更多价值，始终是大方向。
第二个方向是多模态，尤其视频和图片的生成与理解。
第三个是 Memory，怎样获得更多 Context，带来更个性化、独特的价值。
第四个是 Voice，语音。
声音其实是我们和人、和计算机交流最自然的媒介。但过去语音理解和捕捉还比较初级。
Siri、Alexa 这些杀手应用的雏形，都是基于语音，但那时 AI 比较笨，所以没那么厉害。
2025 年我们看到 Plaud、Granola、Wispr Flow，以及我们投的 Typeless，都在语音交互和获取上取得了进步，带来了很魔法般的体验。
所以语音也会持续出现有意思的应用机会。
张小珺
杀时间的应用还没有出现，会不会是时间还没到，技术水平还没到？
戴雨森
几个方面。
第一，竞争很激烈。杀时间应用要从哪里抢时间？对手是 TikTok、抖音、王者荣耀、和平精英，竞争非常强。
生产力应用对比的是没有智能的原有流程，比如自己做 PPT，还是让 AI 做 PPT，这个对比很显然。
所以对手是谁，可能是最关键的。
技术上，Memory 在变好，AI 和人沟通，比如虚拟女友、电影《Her》这样的场景，技术都在持续提高。
但人的情感投射，本质上也是人的特点。这个会不会一两年、5 年发生很大变化，让人都和 AI 谈恋爱、不和人谈恋爱，可能需要改变人性，时间会更长。
可能不是我们这一代，而是下一代。
张小珺
在 Chatbot 之外，你有没有看到新的交互？
戴雨森
Voice 是近期比较近的方向。
我强烈建议大家使用 Typeless。它简单来说，第一步是 AI 输入法。在电脑上按一个键，就可以用 AI 进行输入。
但它不只是把你说的话原样呈现出来。比如你说“接下来说 3 点，第一点是什么，第二点是什么，第三点是什么”，它会帮你结构化成“一、二、三”的形式。
你可以选中一段文字，让它翻译成中文、英文，或者用更简单的方式描述。
本质上，你用一个键让语音驱动 AI，帮你完成一件事情。
口语和书面语有很多不同。我们写文章，是把脑子里偏口语的表达写成书面语。
录播课要形成好的文字稿，也需要从口头语调整成书面语。
Typeless 首先完成了这个转换，但更大的愿景是，把 Siri 没有做到的事情做好：你和 AI 之间只有一个按键的距离。
按下这个键，一个强大的 AI 就会听你的话，你可以让它做很多事情。
我觉得这是交互上的一个大区别。
张小珺
过去一年你看了多少项目？
戴雨森
我一对一聊的项目，大概 150 个。我们每个月都有登记。
下面年轻同事肯定聊得更多。我没有聊那么多，但基本每个月十几个，几乎每天都能见到一个新项目，我觉得也算正常。
张小珺
聊了 150 个，投了多少？
戴雨森
今年投得比较少，投了 2 个项目。
张小珺
为什么这么少？
戴雨森
简单答案就是，没有遇到特别想投的。
但也可能是我的问题，有好的项目我还没有见到。所以也希望通过播客见到更多更好的项目。
当然，也有可能我们的判断错了。很大概率，我们很多判断都是错的。
投了的项目可能不够好，没投的项目也可能很好。投资确实要看缘分。
张小珺
你们也不投人形机器人，这和朱啸虎一样。
戴雨森
我确实觉得人形机器人现在还在科研期。
我们当时非常想投 Sunday 的团队，Tony 和池骋，但因为各种原因最后没有投进去。
张小珺
你现在管理的基金规模有多大？
戴雨森
总共加起来大概十几亿美元。
历史上管理的所有基金，目前这一期是 4 亿美元，在投的也是 4 亿美元。
我们以天使投资为主，只投天使。当然有时不能说绝对“只投”，但我们希望投全球范围内优秀华人创业者的第一笔钱。
张小珺
为什么不往后走一点？
戴雨森
天使是我们觉得自己还会做、也感兴趣的事情。
张小珺
你现在做投资的快乐是什么？
戴雨森
第一是自身认知提高，并且通过 Reward 验证或否认自己的判断。
同时，能够陪伴优秀公司成长，也是快乐来源。
早期投资的好处是参与感更强。认知表达也可以在二级市场完成，对人的认知则能得到很多正反馈。
张小珺
你一级时间花得多，还是二级时间花得多？
戴雨森
二级就是把别人去夜店、打游戏的时间，花在二级市场上。
张小珺
你今年生活发生变化了吗？
戴雨森
花更多时间陪孩子了，现在有两个孩子。
张小珺
所以你也在训练两个模型。
戴雨森
有时候我觉得，语言模型通过预测下一个 Token 产生智能，这件事还挺本质。
比如看孩子学说话。假设他背唐诗，“白日依山尽”，他说到“尽”时会得到表扬，说别的就会被纠正。不断预测下一个 Token，其实就产生了所谓的记忆和智能。
但人也很厉害，因为人不需要那么多 Pre-training 数据，很快就能学会很多技能。
这也是 Ilya 举过的例子：人类需要的样本量少，学习速度快，可能存在更高效的智能形成方式。
但整体还是很不一样。
张小珺
你典型的一天是什么样？
戴雨森
白天看项目，晚上读书、研究二级市场。
张小珺
今年读了多少书？
戴雨森
还没统计，但应该接近 100 本。每年读 100 本是我的目标。
张小珺
今年读得比较好的书呢？
戴雨森
《智能简史》。我忘记是去年推荐的还是今年推荐的，应该是今年 1 月读的，算我的年度推荐书。
它把智能的由来讲得非常好。
还有一本《第一只眼》，讲光开关理论。
为什么寒武纪大爆发大概持续 800 万年，而在此之前 10 亿年，地球生命一直没有大的爆发？
寒武纪大爆发的 800 万年里，地球生命出现了巨大进化，很多物种诞生。
有很多理论，比如地球氧含量发生变化。另一个理论叫光开关理论。
当时有一种三叶虫，它的皮肤上多了一个感光能力很强的细胞。因为对光线感知能力增强，它在竞争中取得优势。
这种感官能力越来越强，最后进化出了眼睛。
在一个所有生物都是瞎子的世界，突然有一种生物进化出眼睛，它在捕食上获得巨大进步，其他生物也纷纷进化出对应的眼睛，或者躲避攻击、捕猎的器官。
这有点像解释智能出现的第一步：眼睛怎样推动整个世界发展。
它也很像技术进步带来应用变化、带来世界变化，以及市场环境中大家在竞争中成长、市场成熟、价值被创造的过程。
我觉得非常让人惊心动魄。
张小珺
你有没有觉得，中国 VC 过去两年非常喜欢 Club Deal？
戴雨森
每个时代都会出现 Club Deal。之后能不能赚钱、赚大钱，不好说，现在看都有可能。
Club Deal 说明大家很认同这个人，所以都想投。
这种叫白马。白马可能胜率高，也很优秀，做成后规模也大，当然能赚钱。
另一种是黑马，大家不看好、不投，但你看对了。黑马也能赚钱，因为虽然成功概率小，但价格便宜，成本低。
我们一直要警惕灰马，或者说白马的价格、黑马的胜率。
你付出更高价格，有没有换来更高赔率和更高胜率？
杨植麟现在大家觉得肯定是白马，但当时他在大模型公司里估值最低，所以也可以认为是大模型公司里的黑马。
张小珺
Red 当时也是黑马？
戴雨森
Red 当时肯定属于黑马，因为大家都不投。
后来甚至有人说 Red 是草根创业者。我心想，一个华中科技大学毕业、20 多岁时就把 SaaS 公司卖了几个亿的创业者，怎么会被称为草根创业者？
在我们看来，他的背景、团队构成和之前创业的结果都非常好。
张小珺
所以当时他算黑马？
戴雨森
从结果看好像是，因为很多人没投。
但在我们心中，可能在刘源心中，他本来就是白马。白马但以黑马价格买到，当然最好。
最怕实际是黑马胜率，却付了白马价格。
张小珺
再问一个 VC 问题。你觉得现在 VC 还是年轻人的好职业吗？你也问过朱啸虎这个问题。
戴雨森
坦率讲，现在 VC 年轻人肯定比十几年前难。
但 VC 面向未来、考验创新，而优秀创业者一般相对年轻，所以年轻人始终会有很多机会。
只是对年轻人的考验变多了。
十几二十年前，中国 Beta 很大，回头看好项目很多，但当时 VC 很少。年轻人进入 VC，有机会开枪，可能就有很多回报机会。
现在公司竞争激烈，最大机会可能变少。每个基金可能都有一批 40 岁上下，甚至 40 到 50 岁、年富力强的一线投资人，而且能做很久。
所以年轻人需要更多差异化。不是因为在好机构做投资就自然有机会，还是要对产业有自己的理解。
这和创业者一样。
我们当时做聚美，市场很蓝海，一个领域稍微做一做，可能就是几百万美元的公司。
现在创业难度大很多，对投资人也是一样。
张小珺
对普通人有什么建议？
戴雨森
10. Living in an Intelligence Rich World
我最近也在想。我总结一句：要学会在一个智能充沛、很丰盛的世界里生活。
在人类历史上，智能一直是奢侈品。能够大规模动用聪明人的，要么是顶级企业，要么是国家、政府、君王，才会有国师。
最近看《大明王朝 1566》，以前只有顶级资源才能调用聪明人。
现在智能突然变得很便宜，花 20 美元就能获得很多智能。
第一，执行力变得廉价，因为 AI 可以帮你执行、写代码。
所以 Agency 和 Taste 会变重要。你想做什么，有没有自己想做的东西，主观性变得重要。
第二是 Taste。AI 给你 3 个方案，你选哪一个，也很重要。
原来我们线性地做事情，先做 A，再做 B，再做 C。
当 Agent 应用越来越多，我们可以并行完成很多事情。有人用 AI 编程，会给不同 Agent 不同任务，自己负责给 AI 这头“牛马”下指令，做好 AI 的老板。
做老板的重要能力，不是自己干，而是指挥别人干。
所以要从线性思维变成并行思维。
以前有些想法，因为没人执行，所以没创业。现在执行力变得充沛，就不只是想，要多 Try、多尝试，得到的经验会不一样。
此外，在移动互联网和互联网时代都一样，要多使用最先进的工具，体验未来。
Manus 团队很早体验 Devin，才感受到 Agent 呼之欲出。
ChatGPT 发布当天晚上，我用到凌晨 4 点，觉得这个东西太革命了。之前见过很多 Chatbot，但完全不是一回事。
最早使用 ChatGPT 的人，可能对 AI 有更乐观判断。
互联网最早上网的人、最早买 iPhone 的人、最早买特斯拉的人，可能都是通过提前使用最先进工具、最未来产品去感受未来。
还可以思考，过去写代码强调代码效率和可复用性。但现在 AI Coding 能力强、量足、价格低，很多问题原来不会想着写软件解决，现在可以为一件事写一个 App，一次性代码解决一个问题。
这是以前不敢想的。
这些都基于一个事实：当 Intelligence 和执行力变得充沛，我们需要改变思考方式。
现在 AI 训练很强调寻找 OOD 数据，也就是 Out of Distribution。
如果你的工作、思想基本都在 AI 数据分布之内，说明你的价值可能不大，因为 AI 很容易复制。
艺术家毕加索、莫扎特，都是产生非常不一样的数据，所以成为大师。
作为人，我们的思想和能做的事情有多不一样，本质上决定了我们有多难被 AI 替代、我们有多大价值。
AI 对 Within Distribution 的数据都很擅长复制。
但人类作为一个集合体，对世界的贡献有多少是在已有分布之外？这是很有意思的问题。
大部分人，包括我自己，做的事情可能都没有 AI 不能复制的。
但面对未来，可以努力让自己稍微独特一点。
张小珺
最后几个快问快答。
一个全球范围内你喜欢的食物？
戴雨森
我是湖南常德人，很喜欢常德牛肉粉。
湖南有很多粉，常德牛肉粉是圆粉，和长沙的扁粉不一样。这是我从小吃到大的食物，也推荐给喜欢吃辣、喜欢吃粉面的人。
张小珺
一个全球范围内你喜欢的地点？
戴雨森
第一反应想到的是墨西哥坎昆的一个天坑溶洞。
它像一个圆形平台，位于湖中央，上面有一束光照下来。
前两天刘津问我什么代表新的东西，我就发了这张图片。
柏拉图有洞穴的隐喻，我们生活在洞穴里，看到的世界只是投影。如果能在洞穴上凿开一个缺口，让一束光照进来，那就是对人类的启明、启蒙和新生力量。
所以我觉得，充满新生力量的新公司很重要。
那个地方让我有一种实物感：一束光穿透岩洞的意象。
张小珺
一个少有人知道、但必须知道的知识点，可以是冷知识。
戴雨森
你看得见自己的鼻子，但日常不会觉得鼻子碍事，是因为大脑不断把鼻子抹掉了。
认真看，你其实可以看到鼻子。
这代表我们看到的世界并不是真实世界，而是大脑加工后的世界。
大脑为什么把鼻子抹掉？因为它碍事。如果视野里一直有个鼻子，不是很碍事吗？
进一步说，人看到的世界在视网膜上其实是倒过来的，但大脑把它正过来了，因为倒着看也碍事。
如果戴上一副把视觉倒过来的眼镜，一开始会非常不习惯，但过一段时间，大脑会把它正过来。
你甚至可以戴着这样的眼镜骑自行车。摘掉眼镜后，世界又会变倒，但几天后又会适应。
所以我们看到的世界不是真正的世界，而是大脑处理之后的世界。
最简单地说，你其实看得到鼻子，却不会觉得鼻子影响视野。
张小珺
基于所有读过的书，推荐两本必读书。
戴雨森
刚才聊到了一本，《智能简史》。
当然，“所有读过的书”是很大的话题，我讲今年觉得对我很重要的书。
《智能简史》对了解智能的来历很重要，而且写得非常好。作者是一个年轻的科技创业者，好像不到 30 岁，或者 30 多岁。
他从海洋中的古细菌讲到 ChatGPT-4 的诞生，是一本很有历史意义的书。
里面讲了智能的“五四革命”，比如为什么人有前后、为什么有头和尾，这些问题都有很有意思、很科学的解释。
第二本当然不一定是今年读的，是《跨越鸿沟》。
我们现在研究科技创新，研究新技术怎样从早期普及、进入主流市场，所以我觉得《跨越鸿沟》始终是讲这个理论最重要的一本商业书。
它讲的是 90 年代的企业服务和硬件市场，但我觉得在 AI 时代依然适用。
AI 里已经看到 Chatbot、Coding 跨越鸿沟，同时大家对 Return 的担心，也来自早期技术扩散可能会遇到鸿沟。
张小珺
你心目中影响 AI 进程的几篇论文？
戴雨森
肯定有 AlexNet、Transformer，还有 Deep Learning 相关的重要论文，这些大家耳熟能详。
但我不具备指出未来 10 年哪些论文会变得最重要的能力。
我虽然读很多论文，但不认为自己真正完全理解论文背景。我不是这个专业背景。
张小珺
你还是会自己读？
戴雨森
当然会。
比如今年读到 R1 那篇论文时，我觉得它里面关于过程 Reward 不重要、应该基于结果 Reward 的观点很优美，也很符合直觉。
但如果另一个人说过程也很重要，我没有能力判断谁对谁错。
所以我们不假装自己懂技术本身，更多是和不同优秀的人交流，尝试找到共同规律和共识。
张小珺
基于当下认知，一个关键的重要 Bet 是什么？
戴雨森
如果你说的是做多什么，从二级市场角度，我现在没有太多做多动力。
但我们每天做的工作，其实都在 Bet 一件事：中国和美国在 AI 上的差距会缩小。
这个差距可能是绝对值差距，也可能是估值差距；在技术、应用和商业化上，我觉得都会缩小。
过去一年我们看到很多迹象，我觉得这个差距会继续缩小。
具体形式可能不同：可能美国发展、中国也发展，但中国发展更快；也可能美国遇到 Return 挑战，而中国继续发展。
具体是哪种形式我不知道，但我认为这个 Gap 最宽的时候已经过去了。
张小珺
你提出“The Year of R”，同时清空了二级市场股票，那你会做空吗？
戴雨森
我不会。
当然有人很擅长做空，因为我有很多对冲基金朋友。但我觉得做空是希望别人变得很惨。
从价值上来说，这不是一件好事情。
而且做空技术上很难，本质上是加杠杆。你最多只能赚 100%，但可以亏无限，还会带来很大心理压力，会很紧张。
所以我只做多，但可以降低仓位。
张小珺
你听过我的播客吗？
戴雨森
当然听过。
张小珺
听过哪几期？
戴雨森
最近最有印象的可能是姚舜宇那期。
张小珺
ChatGPT 现在想讲一个超级入口的故事。你觉得它能够顺利成为 AI 时代的超级入口吗？
戴雨森
可以从几个方面看。
“超级入口”是中国投资人和创业者非常熟悉的概念，美国投资人好像不太这么说。美国更追求大 DAU 产品，而不是一个大而全的超级入口。
这种大 DAU 产品，目前最好的变现方式其实是广告。Google、Meta、字节都靠广告，字节还有电商和打赏，但广告仍然是核心。
如果继续使用同一套公式，很多时候吃的还是同一块广告蛋糕。
这也是为什么 Meta 今年非常着急，挖很多人做 AI；腾讯也很着急，挖某位大神做 AI。
大家都看到 ChatGPT 正在快速走向 10 亿 DAU，这对靠大用户量、卖广告为主要商业模式的公司来说，都是 Code Red。
但当所有公司都花很多钱训练自己的模型、做自己的 AI 产品时，网络蛋糕会有增量，但其中 80% 仍然是同一块蛋糕。
你的投入增加很多，但广告和电商带来的增量有限，大部分还是存量重新分配。
萨提亚在一次播客中讲过，什么是 AGI？他认为 AGI 要让地球 GDP 以高速度增长，比如 10% 的速度。
也就是说要创造新蛋糕，而不是抢已有巨头的蛋糕。
广告和电商更像是在分已有蛋糕。
另一个故事是，AI Coding 很强，有全世界上亿程序员的工资。很多人认为 AI 应该分到其中很大一部分。
但这里有一个致命漏洞：如果 AI 完成了一个年薪 10 万美元程序员的大部分工作，不代表 AI 要赚 8 万美元。
原来值 10 万美元的程序员工作，可能变得没那么值钱。世界不再需要为这份工作付 10 万美元。
最后可能是，AI 越来越强，一个 10 万美元程序员的大部分工作，被 200 美元的 AI 完成。
这更像一个价值通缩过程。
人类历史上，技术会永久消灭大量工作价值。增量来自新工作，而不是原有工资被技术拿走。
所以在新工作没有大量产生之前，原有工作的价值反而会下降。
从订阅、广告、电商和程序员工资这几个角度，短期一两年内，都很难收回如此巨大的投入。
归根到底，大家愿意投千亿美元级别去做 Frontier AI，是基于 AGI 假设。
第一，AI 能带来极强生产力，比如发现新药、发现新科学，这些可能远超当前 AI 能做的事情。
第二，投入这么多钱，原本以为能阻止别人进入。但现在发现，超级 AI 还没有出现，而且中国公司很快就能做出能力达到 80% 或 90%、成本只有 10% 或 20% 的开源模型。
在这种情况下，投入是否还要继续这么大，明年会是关键年。
我觉得 ChatGPT 现在像 AI 1.0 产品，当然已经非常革命性。
一问一答的形式很 General，可以做很多事情，但也有很多问题。
它不够主动，不够多模态，面对复杂操作时很别扭。
当它要操作电脑，完成复杂整体任务时，在一个 Chatbot 里做并不合适。一个 Chatbot 很难做长程深度调研，也很难同时操作电脑、理解视觉信息。
它可能需要新的 UI 和交互。
历史上每次技术进化，不只是技术进化，还需要新的产品和交互。
Google 做出 PageRank 后，搭配了极简的 Search Box。
字节通过推荐引擎颠覆搜索时，用的是抖音上下滑的界面，是一个很好的容器，把推荐放大。
所以 Chatbot 可能是 2022 年底语言模型最适合的容器，但 5 年后还是最合适的容器吗？不一定。
1.0 形态的王者，未必是 2.0、3.0 的王者。下一代交互发生时，现有王者可能反而面对创业者的窘境。
互联网 1.0 最强的应用是雅虎。门户网站是当时信息最适合的形态，靠浏览、分类和浏览。
搜索引擎出现后，可能进入互联网 2.0，需要全新的交互和产品机会。
OpenAI 自己也在看不同阶段：第一步是 Chatbot，第二步是 Reasoner，第三步是 Agent，第四步是 Organization，第五步是 Innovator。
最适合 Agent 的产品形态，可能不是 Chatbot。
Manus 有点像提前让大家看到 2.0 时代 Agent 的形态：Agent 在做什么，有自己的 Sandbox，可以使用电脑和浏览器。
这可能比 Chatbot 更适合 Agent 的未来产品。
当然，我不是说 Manus 就是 2.0 产品，只是说产品形态可能会变化。
现在大部分产品还是 Chatbot。
字节最近推出豆包手机，也是有意思的尝试。它作为技术预览版，展示了未来的可能性，但未来仍然不完善。
我们对长期乐观，是因为现有产品形态还有很多迭代空间。
但短期有多短？我说的是 2026 年。
为什么说明年关键？因为投入已经很高。Meta 明年可能增加 500 亿美元 CapEx 投入 AI，其他公司也会增加几百亿美元。
David Cahn 之前写过“2000 亿美元问题”，后来是“6000 亿美元问题”。
现在可能已经接近 1000 亿美元：每年怎样多赚回 1000 亿美元？
这是屋里的大象，而且越来越严重。大家目前的解法可能就是 Chatbot、广告、电商、AI Coding 和 SaaS。
但现在看，什么能够解决这个问题，挑战很大。
张小珺
OpenAI 会是一个大泡沫吗？
戴雨森
要看怎么定义泡沫。
第一种定义，是完全没有价值却被炒得很高，比如 Web3、元宇宙有时会出现这种情况。
第二种是高估。OpenAI 显然是用户最多、收入最多的 AI 应用，底层有很多真实价值，只是大家怎样估值。
估值有很大调整空间，但它本身的价值很 Solid。
这至少不是“下面没有啤酒”的泡沫。泡沫像啤酒上的泡沫，关键是啤酒和泡沫的比例。
有时七分啤酒、三分泡沫，啤酒没有泡沫也不好喝；有时纯泡沫、没有啤酒，就很危险。
AI 会带来巨大价值，只是现在的投入对短期 Return 要求太高。
张小珺
ChatGPT 作为入口还不稳固，对吧？
戴雨森
目前肯定不如互联网顶级入口稳固。
Google 当年诞生时，没有能与它匹敌的搜索引擎，技术领先优势很大。
当时没有一个像今天 Google 这样，能够很快拿出好模型、同时具备分发优势的产品去竞争。
Google 出来时，表现完全吊打之前的搜索引擎，也没人拿出类似技术竞争，所以很快获得压倒性的品牌优势。
Google 后来形成规模效应。它有大量 Query 分析能力，是一个自我循环的飞轮。更多搜索 Query，可以优化长尾搜索词，给长尾提供最好体验。
用户没有理由使用第二好的搜索引擎，切换成本为零，当然会用最好的。
现在 Chatbot 不一样。
大家发现，有了 ChatGPT，Gemini 可以在 3 年内从大家认为的 Loser，变成提供相当体验的 Chatbot。
它也没有形成社交网络的网络效应，或者抖音的双边平台效应。它还是工具，谁好用就切换。
现在大家期待通过 Memory 建立飞轮。
张小珺
Memory 的飞轮现在建立起来了吗？
戴雨森
肯定已经有了。
大家看到 ChatGPT 的翘尾曲线，我认为有两个原因。
第一，模型变强，让原来觉得没用的人回来；第二是 Memory。
Memory 很重要，但现在还比较简单。
现在的 Memory 像 AI 使用外挂，拿一个笔记本记录我和你聊过的东西，需要时去笔记本里找。
但真正好的记忆，不是用本子记录，而是对话和经历改变了我的模型，让我理解你、知道你喜欢什么。
这种持续学习，最后每个人使用的 AI 模型不同，现在还不具备。
现在 Memory 基本还是聊天记录，但已经带来很多好处。
我自己使用 ChatGPT 几年了，它对我的了解确实比一个新 Chatbot 更深，这是一定壁垒。
关键是 Memory 带来的效果能不能越来越好。
现在可能是提升 10%、20%，以后随着它更了解我，即使 Gemini 模型更强，但因为没有 Memory，ChatGPT 仍可能提供更好的体验。
张小珺
这非常反直觉。当年大家觉得模型技术壁垒很高，OpenAI 有领先优势，但现在模型变成同质化商品，中美差距也没那么大。
戴雨森
3 年前大家的假设是，投入算力、数据和人才后，第一名模型厂商会有别人做不出的模型。
当时很多人也悲观，觉得中国因为没有卡，训练不出好模型，非常焦虑。
那时大家觉得，投入 100 亿、200 亿、1000 亿美元，可以得到一个别人没有的模型，一直领先，赚很多钱。
但模型壁垒变化，会对大家投入产生很大影响。
因为大家发现，中国公司无法被阻止，它可以很快拿出相当模型，训练和推理成本都低很多。
所以中国模型公司的价值被大大低估。全球能够拿出相当于 80 分、90 分 SOTA 模型的公司没有几家。
美国可能是千亿美元估值，中国可能只有几十亿美元估值。
张小珺
更悲观的是，模型公司没有真正建立壁垒和网络效应。
Google 当年不可能只有绝对技术护城河，也存在人才被挖走、别人重新做一遍技术的可能。
它为什么能迅速建立护城河？因为产品有网络效应。
戴雨森
Google 当时没有面对现在 OpenAI 面对的 Google、Meta、xAI 这样的竞争者。
当时互联网是蓝海，Google、亚马逊都是小公司，微软虽然大，但并不是做互联网的。
现在模型公司一上来，竞争对手就是 Magnificent Seven、字节等超大型公司。
互联网早期还在快速扩张，大家都获得增量用户。现在 AI 最终还是互联网产品，互联网流量已经充分分发。
硅谷公司竞争很激烈，因为同一个细分领域总共没有那么多客户。你有一个客户，我可能就损失一个客户。
ChatGPT 和 OpenAI 也是这样。这不是大家共享新蛋糕的游戏，而是到了你死我活的竞争阶段。
张小珺
你看到 OpenAI 做出新蛋糕的可能性吗？
戴雨森
肯定有很多可能性。
ChatGPT 出来后，OpenAI 其实被低估了。大家好像觉得它已经 Game Over，模型被超越。
但 OpenAI 内部有很多创新，不管从人才还是正在推进的项目看，都有很多可能性。
只是需要时间，不是现在投入，6 个月后就能产出。
张小珺
你个人投 OpenAI 吗？
戴雨森
我个人没有直接投，但买了 OpenAI 的影子股票，软银。
张小珺
为什么不直接投？
戴雨森
没有合适渠道，可能通过私募基金。
张小珺
如果有好渠道，你会投吗？
戴雨森
会。
如果 5000 亿美元估值去投，我觉得不一定是特别好的进入点。
但如果我现在有一笔大钱，一定要在一级市场投 AI，我觉得 OpenAI 仍然是最好的选择。
如果我是成长型基金管理者，有一笔大钱，只能投一级市场，像 Thrive 或 Altimeter 这样的基金，那 OpenAI 仍可能是最稳的选择。
投其他创业公司，可能跌 80%；OpenAI 可能跌 50%。相对来说，OpenAI 仍然有 Alpha。
张小珺
OpenAI 是很神奇的资本密集型商业模式。你觉得它的烧钱会在哪个节点刹车？
戴雨森
如果大家都卖广告，OpenAI 卖广告显然不划算。
抖音卖广告，编辑成本很低。但 OpenAI 有 Inference Cost，还有昂贵人才和训练成本。
同样卖广告，为什么广告主一定要到 OpenAI 这里？
Inference 成本会下降。单位智能价格下降，但大家对智能需求提高，短期形成某种平衡。
对于很多需求，可能逐渐出现平衡点。
比如翻译，10 年后需要的模型可能还是这样，不需要永远更强的模型。
真正需要最先进模型的，可能是复杂编程、复杂 Agent。
很多需求可以由小模型解决，推理成本会下降。
训练成本则不好说。有效使用算力和数据训练出更好的模型仍然必要，固定成本可能不会减少太多。
推理成本达到一定规模后可能下降，但这仍可能是长时间边际成本高于互联网的生意。
大家期待的是，AI 很聪明，能给出非常好的推荐，虽然单位服务成本高，但推荐质量高，转化率也高，可能因此回本。
但目前指望广告和订阅做好，需要很多时间设计产品、迭代，不是把广告贴上去就结束。
Google 做广告也探索了很久。Google 1998 年上线，2002 年才找到 AdWords、AdSense 的广告形态，花了 4 年。
Facebook 2005 年上线，2012 年才找到信息流广告，也花了 6、7 年。
它早期做过游戏广告、本地生活广告，但没找到怎样以不违和、不侵入的方式给用户投广告，直到发现信息流。
你有用户，不代表很容易用广告变现。需要找到适合产品形态和用户状态的广告形式。
ChatGPT 回答问题时不可能直接插一个广告。它需要一种不让用户觉得被背叛的方式。
用户会想，我都付费了，为什么还给我广告？我能不能付费让你不推广告？
付费和广告有时会冲突，就像付费 YouTube 后不想看广告。
怎样让广告变得 Native、原生地插入产品形态，这是一个复杂问题。
张小珺
你觉得烧钱会在哪个节点终止？
戴雨森
你说的是 Unit Economics 算不过来，还是服务每个用户的边际成本下降？
张小珺
边际成本下降。
戴雨森
一段时间内可能不太会下降，因为用户始终需要更强智能，可能始终需要一定 Inference Cost。
ChatGPT 3 年前发布时，能做的事情有限。那时的 ChatGPT，现在甚至可以免费提供，在电脑端运行。
但你也不会愿意为当时的 ChatGPT 付费。
可能这几年大家都付每月 20 美元，但希望 20 美元买来的智能越来越多。你不会接受 3 年后的 20 美元，只买到现在的智能水平。
张小珺
3 年前大家说 ChatGPT 一定会颠覆 Google，但今天好像还没有。现在又有一种说法，ChatGPT 开始做群聊，想探索社交，Meta 要完蛋。你怎么看？
戴雨森
我觉得 Google 有可能完蛋。
张小珺
你还是这么觉得？我记得 3 年前你也这么说过。
戴雨森
我从两个方向讲。
11. Google Fights Back
第一，Google，尤其 Sergey Brin 作为创始人进入 Founder Mode，合并 DeepMind 和 Google Brain，全力做 Gemini。
它表现出在位公司的强大竞争力。Google 付出了很大努力，至少没有被颠覆。
如果它反应慢一步，现在可能很难扳回局面。
Google 有很强 Infra，包括 TPU、GCP，也有 DeepMind 带来的人才。
它进入 Code Red 或 Red Alert，全力投入，所以守住了阵脚，甚至开始出现反超迹象。
这不是一定会发生的结果，换一个公司可能会走向被颠覆。
第二，我不认为 Gemini 已经确定能够阻止 ChatGPT 增长。
ChatGPT 的留存明显好于 Gemini，可能有几个原因。
第一是 Memory；第二是品牌。
普通用户不会天天研究 Gemini 哪个指标好、ChatGPT 哪个指标好。对他们来说，ChatGPT 可能就是 AI 的代名词，就像互联网早期雅虎就是互联网的代名词。
当 ChatGPT 足够好用，普通用户切换到 Gemini 的动力不一定大。
Google 有渠道优势，可以通过 Google AI Mode 分发，也可以通过免费 Gemini Pro 分发。
但几个月后可能会发现，Gemini 没有让 ChatGPT 增长明显放缓。
最近有人研究 ChatGPT 流量下跌，但 2023 年、2024 年也有季节性下跌，所以可能更多是季节性因素。
Gemini 可能会有自己的用户，但未必能本质上减慢 ChatGPT 增长。
用户聊得越多，形成 Memory 粘性，就可能取代搜索引擎。
对我来说，ChatGPT 已经取代搜索引擎。
我仍然有大量搜索型问题，但现在会问 ChatGPT。只有想要一个具体链接，比如张小珺最新博客地址，我会用 Google。
原来我想知道张小珺最近和谁录播客、聊了什么，现在肯定问 ChatGPT，因为我需要 Summary。
搜索可以分成不同任务。
第一种，只要一个地址，Google 可能最快。
第二种，希望看几个地址和文章内容，最后得到结论，比如身体不舒服、头晕该吃什么药，或者去东京住哪个酒店。
这些问题现在 ChatGPT 能回答，而且它回答得越来越多、越来越准确，你会问它更难、更重要、更隐私的问题，形成更强飞轮。
当然，一开始使用 Gemini，它也会逐渐获得你的信任。
但 ChatGPT 已经成为很多人心中的 Number One，甚至唯一代表 AI 的应用。在主流用户扩散时，最重要、最知名的应用有很多优势。
《跨越鸿沟》里叫“龙卷风暴”：当技术跨越鸿沟进入主流市场，Number One、Leader 会获得大量自然用户，第二名很难竞争。
Google 有资源和资金优势，所以能不能弯道超车，很有可能，但不是一定发生。
今年年终时我对 Google 很乐观。Manus 这样的应用把 Topic 切到 Google 时，我觉得大家曾经对 Google 过分悲观。
但 Google 也没有真正打赢，ChatGPT 仍然很强。
张小珺
你觉得 OpenAI、ChatGPT 对 Meta 有威胁吗？
戴雨森
说实话，我觉得威胁没有那么大。
社交网络有非常强的网络效应，目前看不到 ChatGPT 对人们社交关系的影响。
Facebook、WhatsApp、Instagram 的基石就是社交关系。
但搜索引擎和 ChatGPT 是最直接的竞争：信息搜寻和处理，任务最直接针锋相对。
Google 仍然没有脱离危险。
长期看，如果 ChatGPT 变成 10 亿 DAU、用户每天花很多时间，那么它必然会对 Meta、字节这类大 DAU、高时长应用产生影响。
用户总时长有限，去 ChatGPT 更多，在其他平台就会减少。
张小珺
为什么现在大模型产品都没有网络效应？
戴雨森
网络效应可以简单理解为：我使用，是因为你也使用，他也使用。
工具型产品一般缺乏网络效应。
例外是 Excel、Word，它们具备一定网络效应，因为你用 Excel，我也得用 Excel 打开文件，文件格式形成了网络效应。
但如果只是搜索和问答，我使用与你使用无关。多 1 万个人用，不会让我的体验更好。
搜索引擎没有网络效应，是典型的规模效应加品牌。
它有数据规模效应，所以第一名能占 90% 以上市场份额。
而且切换成本低，但大家没有理由使用第二名。
浏览器也没有网络效应，却能让第一名占据很大份额，因为切换很容易，大家为什么使用第二名？
张小珺
你觉得 Chatbot 最后会像搜索引擎一样，通过规模效应占领市场吗？
戴雨森
有可能。
搜索引擎不像内容平台那样分散。内容平台有抖音、快手、B 站、小红书等，因为每个平台有独特内容，用户有存在理由。
搜索引擎第二名没有太多存在理由；但第二名社交网络、内容社区有存在理由。
工具型产品如果切换成本低，又没有 Memory 建立飞轮，最后可能收敛到最好用的工具。
张小珺
你怎么看 Perplexity？
戴雨森
我始终觉得，没有自己的产品，它会有很大风险。
现在只有模型不够，调 API、切换模型很快。
我们投的应用，切换模型没有太大压力，因为用户数据和 Context 在产品端。
好比造一辆车，换发动机影响没有那么大。
所以 Anthropic 做 Claude Code 很重要。它不仅要有模型，还要有自己的应用和用户。
现在大家在 Coding 上竞争，也有人说 Google 又超过 Anthropic。
但我和几个做 AI Coding 的人聊，他们说 OpenAI 5.5 实际使用非常好。虽然 SWE-bench 得分没有高多少，实际体验仍然不一样。
很多开发者反馈 Gemini 3 实际使用没有那么好。它有点像得分很高，但实际使用可能不如 Anthropic 模型。
这也说明 Benchmark 不一定能直观反映应用有多好。
像清华学生高考分数都很高，但分数一样的人，工作能力未必一样。有的人高分低能，有的人分数不高但能力很强。
所以 Benchmark 研究也是明年很重要的一环。
Benchmark 引导模型训练，像高考命题组。姚舜宇可能就是高考命题组组长。
他出什么题，大家就围绕题目训练，影响数据准备和前面的 Pipeline。
当高考题被刷爆后，接下来出什么题，会成为公司内部很重要的壁垒。
张小珺
你怎么看 Copilot 和 Cursor 的竞争？
戴雨森
Cursor 感觉有点难。
现在不仅是 Copilot，还有 Codex、Antigravity。原来 Windows Server 团队去 Google 做了 Antigravity。
3 家基础模型公司都有自己的 Coding Agent，还有云服务分发，对 Cursor 来讲是比较尴尬的境地。
这也很有意思。Perplexity 是 AI 搜索先驱，在 ChatGPT 还没接入搜索时就推出 AI 搜索，You.com 也差不多在 2023 年出现。
但当 ChatGPT、Gemini 都把搜索接入之后，Perplexity 的天花板就很明显，会被模型原生产品逐渐消磨。
Cursor 也是在模型 Coding 能力已经出现、但还没有专门产品时出现的应用。它和 Perplexity 差不多都是 2023 年出现的。
当模型公司全力做原生产品来竞争时，这种调 API、套壳产品会面临很大压力。
为什么没有壁垒？因为 Perplexity 和 Cursor 给用户的结果，和模型给它们的结果差别不大。
Cursor 基本是把模型给它的代码再输出给用户，中间增量不多。
如果是 Harvey 这样的行业应用，模型输出要经过大量行业数据流程处理，最后给用户的内容和模型原始输出差别很大。
AI 搜索和 AI Coding 的特点是，用户得到的和模型提供的差别不大。
模型公司和应用公司竞争时，模型公司更有优势，除非应用在模型之外建立独特价值。
之前我们提过一个框架：模型之外首先是 Context，包括用户偏好、用户和模型的 Memory，以及行业专有数据。
再进一步，模型要使用工具、改变环境时，工具和环境也是产品提供的。
如果 Context 层有独特数据，工具和环境层也有独特能力，就能在模型之外创造价值。
但如果只是把模型输入简单提供给用户，外壳就很薄。
应用公司要把自己产生的增量价值做厚，才有壁垒。
张小珺
作为 Manus 的投资人，你怎么看它在去年底、今年初跑出来，成为一家小创业公司？
戴雨森
现在 AI 创业者跑出来，可能有几个特点。
第一，对技术前进方向有感知。
这种感知可能来自亲自做研究。比如杨植麟本来就是 Top Researcher，对 2023 年长文本、2025 年 Agentic 等技术发展方向有自己的判断，提前 Bet。
Cursor 也是提前 Bet Coding，直到 Sonnet 3.5 出来，才真正变得非常可用。
Manus 团队一方面是 Pig 加入很重要，他对模型前沿进展有自己的认知和看法。
张小珺
上次聊天就是你和 Pig 一起跟我聊 Sora。
戴雨森
对。Pig 对模型前沿进展更了解。
张小珺
AI 时代需要新的浏览器吗？
戴雨森
可能它不叫浏览器。
我们当时和肖弘聊过，他们探索过浏览器，后来放弃。
当你叫浏览器，就要符合大家对浏览器已有的期待。
这意味着要改变用户对一个产品固定的印象和习惯，很难。
Arc，也就是 The Browser Company 的浏览器，花了很长时间也很难说服用户接受。
用户会发现它和 Chrome 不一样，比如 Tab 在左边，会很不习惯。
它提供什么增量？为什么要切换？
切换一个熟悉产品，说明你的增量必须足够大。否则用户不愿意适应新交互。
所以叫浏览器的风险是，你要和非常成熟的产品直接竞争。
如果 OpenAI 说自己做的是 AI 搜索引擎，也很难和 Google 竞争。但叫 Chatbot，用户期待不一样。
搜索引擎、推荐引擎和 Chatbot，都在解决获取信息的问题。
Google 和百度之后，很难再做一个更好的搜索引擎。新的竞争产品变成了抖音。
你很难直接说我也做搜索引擎，用户心智已经固定。
不要拿上一个时代的产品形态定义自己。
不要叫 AI 的某某某，因为某某某是上一个时代的产品形态。应该取一个新的名字，比如 Chatbot、Agent。
如果说自己也是浏览器，就很难做成。
移动时代也一样。很多人想做移动版 YouTube，最后移动长视频仍然是 YouTube 和 B 站，但抖音做的是短视频。
很多人想做移动浏览器，但移动浏览器还是 Chrome；移动搜索引擎还是百度和 Google。
PC 时代成功的产品形态，到了新时代重新做一遍，很多时候是伪命题。
但你可以满足同样需求。
Google 和 ChatGPT 满足的是类似需求：搜索信息、解答问题。但它们叫不同的东西。
张小珺
这些产品可能是因为 CEO 或团队提前 6 个月 Bet 了一件事，6 个月后火了。对创业公司和大厂有什么意义？
戴雨森
首先，活下来肯定比没活下来好。
现在做得比较好的 AI 产品，很少是通过传统买量手段增长。
在 PC 互联网和移动互联网后期，大家谈的是投放、买量。
但 Midjourney、ChatGPT、Cursor、Manus、Perplexity，这些产品初期增长都来自 Magical Experience，给用户非常不一样的体验，引发口碑传播。
在《跨越鸿沟》框架里，Early Market 的 Innovator 和 Early Adopter 互相交流很多，会主动使用最新技术为自己创造价值。
所以 Q&A、内容传播变得很重要，大家从中学习 AI 知识。
好产品会自己说话，不是靠买量获得用户。
当产品让用户觉得非常不一样，形成自发口碑传播，初期获客和增长就有很大意义。
在行业革命早期，如果你被认为是领先产品，品牌加成也会带来更多自然流量。
这是一张入场券。
尤其当产品没有网络效应时，这种先发优势很重要。
互联网创业相对容易，是因为互联网产品有网络效应。先发明产品形态后，只要融资、做用户增长，就能形成深壁垒。
AI 没有网络效应，存在后发优势。大厂可以等你先做，再抄你。
切换成本又低，所以先做的人反而可能有劣势。
这是产品形态决定的。
张小珺
过程中你给 Manus 提过什么建议？哪些可以说？
戴雨森
给过很多，比如 Benchmark，也给过很多其他建议，但不一定都对。
我觉得他们 Memory 可能需要做得更好。
张小珺
你应该提前看到他们产品吧？当时预判是什么？
戴雨森
我当时觉得会火。
张小珺
这是你和 Peak 聊时说的？
戴雨森
对，是我跟 Peak 讲的，然后它就火了。
我给过一个关键建议。他们最开始的产品更像 Devin，是三栏式布局。
我当时觉得普通用户会觉得三栏太复杂，所以建议改得更像 Chatbot。
现在旁边 Agent 工作区域默认折叠，点击后再展开。原来那部分是固定展示的，看起来更像专业程序员使用的产品。
程序员往往有多个屏幕，空间很大。但我建议能不能更像 Chatbot：用户主要和 AI 对话，需要时再看 AI 在做什么。
他们自己也觉得这个建议有价值。
张小珺
Thinking Machines、SSI、李飞飞的公司，都偏前沿探索吗？
戴雨森
对，可能都属于 New Lab 方向。
但科研有一个特点，不是钱越多越好，也不是能设定明确时间目标。
Ilya 融资后基本不理会外界，专心做研究，直到爬上下一座高峰。
所以很多人甚至认为，科研型 Lab 是否适合投资都值得讨论。
张小珺
你没有投吧？中国好像也没有太多这样的标的。
中国大模型的走向是什么？包括 Kimi、DeepSeek、MiniMax、智谱。
戴雨森
点评这个太得罪人了。
但我觉得只做大模型可能比较难，最后还是要变成产品。
产品可以出海，也可以做有中国特色的产品，但最终都要解决 R，也就是 Return。
训练和使用模型，都是为了获得回报。
所以中国和美国明年都要解决 Return，或者让 Return 有更多 Visibility 和确定性。
钱可能还没赚到，但要看到钱是可以赚到的。
中国可能有不同解法，因为中国一直有“羊毛出在猪身上”的间接商业模式。
AI 每年都会有新机会。如果把它看作牌桌，每年都有新牌局。
一局错过了，可以等下一局，所以有不同翻牌机会。
这要求高执行力，也要求韧性，留在牌桌上等下一张牌。
肖弘第一张牌是 Monica，第二张牌是 Manus。关键是持续抓住机会。
移动互联网后期，一年可能只有一张牌，甚至没有牌，或者是假牌，所以创业者变得尴尬。
创业者重要的是有机会，并且高执行力地把机会抓住。
张小珺
ChatGPT 现在想讲一个超级入口的故事，你觉得它能够顺利成为 AI 时代的超级入口吗？
戴雨森
可以从几个方面看。
“超级入口”是中国投资人和创业者非常熟悉的概念，美国投资人好像不太这么说。美国更追求大 DAU 产品，而不是大而全的东西。
这种大 DAU 产品最好的变现方式是广告。
Google、Meta、字节都靠广告，字节还有电商和打赏，但广告仍是核心。
如果继续用同样公式，很多时候吃的是同一块广告蛋糕。
这就是为什么 Meta 今年特别着急，投入大量人力做 AI；腾讯也很着急，挖人做 AI。
大家看到 ChatGPT 正在快速奔向 10 亿 DAU，这对依赖大用户量和广告的公司都是 Code Red。
但大家花很多钱训练自己的模型、做 AI 产品时，网络蛋糕即使有增量，80% 还是同一块蛋糕。
投入多了很多，广告和电商带来的增量却有限，大部分仍是存量重新分配。
Satya Nadella 讲过，AGI 要让全球 GDP 高速增长，比如 10% 增长，要创造新蛋糕，不能只是瓜分巨头已有蛋糕。
广告和电商更像分已有蛋糕。
AI Coding 也有类似问题。大家认为 AI 可以拿走程序员工资的一大部分。
但如果 AI 完成一个年薪 10 万美元程序员的大部分工作，不代表 AI 赚 8 万美元，而是这份原来值 10 万美元的工作变得不值钱。
世界不再需要给它付 10 万美元，可能 200 美元的 AI 就完成了大部分工作。
技术会消灭原有工作价值，增量来自新工作，而不是拿走原有工资。
短期一两年内，订阅、广告、电商、程序员工资，都很难收回巨大投入。
大家投千亿美元做 Frontier AI，是基于 AGI 假设：带来强生产力加成，比如发现新药、科学突破。
同时希望通过投入阻止别人进入。
但超级 AI 还没有出现，中国公司却能很快做出 80% 或 90% 能力、成本只有 10% 或 20% 的开源模型。
明年是关键年。
ChatGPT 现在像 AI 1.0，已经非常革命性。一问一答的形式很 General，但不够主动、不够多模态，复杂操作也不自然。
长程深度调研、操作电脑、处理视觉信息，需要新的 UI 和交互。
技术进步必须和产品、交互一起出现。
Google 做出 PageRank 后配合极简 Search Box；字节通过抖音上下滑的界面把推荐做成新容器。
Chatbot 是 2022 年底语言模型最适合的容器，但 5 年之后是不是最合适，不一定。
OpenAI 也在思考不同阶段：Chatbot、Reasoner、Agent、Organization、Innovator。
最适合 Agent 的形态可能不是 Chatbot。
Manus 让大家预览了一点 2.0 时代 Agent 形态。Agent 有自己的 Sandbox，可以用电脑和浏览器。
这可能比 Chatbot 更适合 Agent。
我不是说 Manus 就是 2.0，而是产品形态会发生变化。
现在大部分产品还是 Chatbot。豆包手机也是一种技术预览，虽然不完善，但让大家看到了未来可能性。
我们对长期乐观，是因为现有产品形态仍有很大迭代空间。
但短期是 2026 年，因为投入太高。
Meta 明年可能增加 500 亿美元 AI CapEx，其他公司也增加几百亿美元。
David Cahn 提出 2000 亿美元问题、6000 亿美元问题。现在可能已接近每年要多赚回 1000 亿美元。
这是越来越严重的问题。目前解法可能就是 Chatbot、广告、电商、AI Coding 和 SaaS，但怎样解决，挑战很大。
张小珺
OpenAI 会是大泡沫吗？
戴雨森
要看怎么定义泡沫。
如果是完全没有价值、被炒得很高，那不是 OpenAI。OpenAI 是用户最多、收入最多的 AI 应用，底层价值很实在。
只是估值可能有很大调整空间，价值本身很 Solid。
它不是下面没有啤酒的泡沫。关键是啤酒和泡沫的比例。
AI 有巨大价值，只是现在投入要求的短期 Return 太高。
张小珺
ChatGPT 作为入口还不稳固，对吧？
戴雨森
目前肯定不如互联网顶级入口稳固。
Google 当年诞生时，没有匹敌的搜索引擎，技术领先明显。现在 Google 还没诞生时那种完全没有竞争的状态。
Google 有规模效应和品牌。更多 Query 带来更好长尾体验，用户没有理由用第二好的搜索引擎。
Chatbot 则不同。Gemini 3 年内就从 Loser 变成了相当好用的模型。
它也没有社交网络或双边平台的网络效应，本质是工具，谁好用就切换。
ChatGPT 期待通过 Memory 建立飞轮。
张小珺
Memory 的飞轮现在建立了吗？
戴雨森
肯定有。
ChatGPT 的翘尾曲线，一部分来自模型变强，一部分来自 Memory。
现在 Memory 像外挂笔记本，记录聊天，必要时检索。
真正好的记忆，是经历改变模型，让模型理解你，而不是每次翻笔记本。
这种持续学习的 Memory 目前还没有完全具备，但聊天记录已经带来壁垒。
随着对用户了解更多，即使 Gemini 模型更强，ChatGPT 也可能因为 Memory 提供更好体验。
张小珺
这很反直觉。过去大家认为模型技术壁垒很高，但现在模型同质化，中美差距也没那么大。
戴雨森
过去大家认为投入算力、数据和人才，就能得到别人没有的模型，长期领先。
但现在发现，中国公司很快就能拿出相当模型，训练和推理都便宜很多。
所以中国模型公司的价值被低估。美国可能给相当模型公司千亿美元估值，中国只有几十亿美元。
Google 当年也不只是技术护城河。它之所以建立护城河，是因为互联网当时是蓝海，产品和规模效应一起形成了优势。
现在模型公司一上来面对 Google、Meta、xAI、字节等巨头，竞争格局完全不同。
互联网早期用户还在增量，但现在互联网流量已经充分分发。
同一个 AI 细分领域，客户总量有限，竞争会很激烈。
张小珺
你看到 OpenAI 做出新蛋糕的可能性吗？
戴雨森
肯定有。
OpenAI 不能因为模型被追赶，就认为 Game Over。它内部仍有很多创新机会，不管是人才、项目还是产品。
只是需要时间，不是投入后 6 个月就能产出。
张小珺
你个人投 OpenAI 吗？
戴雨森
没有直接投，但买了软银这只 OpenAI 的影子股票。
张小珺
如果有好渠道会投吗？
戴雨森
会。
5000 亿美元估值未必是特别好的进入点。但如果有一笔大钱，只能投一级市场 AI，OpenAI 仍然是最稳的选择。
其他创业公司可能跌 80%，OpenAI 可能跌 50%，相对来说仍有 Alpha。
张小珺
你觉得它的烧钱会在哪个节点终止？
戴雨森
如果大家都卖广告，OpenAI 卖广告可能不划算。
它有 Inference Cost、昂贵人才和训练成本。
Inference 单位价格会下降，但用户对智能的需求提高，短期可能平衡。
很多需求不需要永远更强模型，比如翻译。最前沿模型可能只用于复杂编程和复杂 Agent，很多普通任务可以由小模型完成。
推理成本会下降，但训练成本不一定明显下降。固定成本可能不会少太多。
如果 AI 推荐足够好，转化率足够高，也可能通过广告回本。
但广告和订阅需要长期产品设计和迭代，不是简单贴广告。
Google 花了 4 年找到 AdWords、AdSense；Facebook 花了 6 年找到信息流广告。
ChatGPT 也要找到不违和、原生的广告形态。用户付费后是否愿意看广告，订阅和广告之间也会冲突。
张小珺
你觉得烧钱会在哪个节点终止？
戴雨森
边际成本可能在一段时间内不会明显下降，因为用户始终需要更强智能。
ChatGPT 3 年前能做的事情很有限，现在可以免费提供。用户愿意付 20 美元，是因为希望 20 美元买到越来越多智能。
张小珺
三年前大家说 ChatGPT 会颠覆 Google，今天好像还没有。现在又说 ChatGPT 做群聊、探索社交，Meta 要完蛋，你怎么看？
戴雨森
Google 确实有可能完蛋。
首先，Google 展现了在位公司的竞争力。Sergey Brin 进入 Founder Mode，合并 DeepMind 和 Google Brain，全力做 Gemini。
如果 Google 反应慢一步，现在可能很难扳回局面。它有 TPU、GCP、DeepMind 人才，也进入 Code Red，拼命投入。
所以 Google 守住阵脚，甚至出现反超迹象。但这不是必然结果，换一个公司可能已经被颠覆。
第二，Gemini 还没有确定能阻止 ChatGPT 增长。
ChatGPT 的留存更好，可能来自 Memory 和品牌。
普通用户把 ChatGPT 当作 AI 代名词，就像互联网早期把雅虎当作互联网代名词。
当 ChatGPT 已经够好用，普通用户切换 Gemini 的动力不一定强。
Google 有分发和资金优势，但 Gemini 能否真正减慢 ChatGPT 增长，还要观察。
从我个人使用看，ChatGPT 已经取代搜索引擎。
具体链接我会用 Google，但需要总结和结论的问题，我会问 ChatGPT。
用户越信任 ChatGPT，就越会问复杂、重要和隐私问题，形成飞轮。
张小珺
你觉得 ChatGPT 对 Meta 有威胁吗？
戴雨森
短期威胁没那么大。
社交网络的网络效应很强，目前 ChatGPT 还没有影响人们的社交关系。
Facebook、WhatsApp、Instagram 的核心是社交关系。
但搜索引擎与 ChatGPT 是直接竞争，都是信息搜寻和处理。
长期看，如果 ChatGPT 到 10 亿 DAU，用户每天花更多时间，它必然会对 Meta 和字节等大 DAU 应用产生影响。
张小珺
为什么现在大模型产品都没有网络效应？
戴雨森
工具型产品一般缺少网络效应。
Excel、Word 是例外，因为文件格式形成网络效应。
问答和搜索则不同，我用和你用互不影响。
搜索引擎主要是规模效应和品牌效应，数据越多越好，第一名能占 90% 以上市场。
浏览器也没有网络效应，但切换成本低，用户没有理由选第二名。
张小珺
Chatbot 最后会像搜索引擎一样，通过规模效应占领市场吗？
戴雨森
有可能。
内容平台有独特内容，第二名也有存在理由。但工具型产品如果切换成本低，又没有 Memory 飞轮，最终可能收敛到最好用的工具。
张小珺
你怎么看 Perplexity？
戴雨森
没有自己的产品，它会有很大风险。
模型只调 API，切换很快。应用的用户数据和 Context 在应用端，好比汽车换发动机。
所以 Anthropic 做 Claude Code 很重要，它有模型、应用和用户。
模型公司做原生产品时，Perplexity 和 Cursor 这类应用会面临竞争。
应用如果只把模型输出给用户，外壳很薄。
如果有用户 Context、专有数据、独特工具和环境，才会建立增量价值。
张小珺
作为 Manus 的投资人，你怎么看它跑出来？
戴雨森
比较好的 AI 创业者，首先对技术前进方向有感知。
这可能来自自身研究，也可能来自对技术发展的判断。
Manus 团队里 Peak 的加入非常重要，因为他了解模型前沿。
张小珺
你们上次还一起聊 Sora。
戴雨森
对。Peak 对前沿进展更了解。
张小珺
AI 时代需要新的浏览器吗？
戴雨森
可能它不叫浏览器。
叫浏览器就要满足用户对浏览器的既有期待，改变用户习惯很难。
Arc 就很难让用户接受，因为 Tab 在左边，和 Chrome 不一样。
用户会问，为什么要切换？你提供了什么增量？
如果 OpenAI 叫 AI 搜索引擎，也会直接面对 Google；叫 Chatbot，用户期待不同。
不要用上一时代产品形态定义新时代产品。
很多人想做移动版 YouTube，但移动长视频还是 YouTube 和 B 站，抖音做的是短视频。
很多人想做移动浏览器，结果浏览器仍然是 Chrome；移动搜索仍然是 Google、百度。
重新做旧产品形态，很多时候是伪命题。但你可以满足相同需求，只是用新产品形态。
张小珺
产品提前半年 Bet，火起来后，对创业公司和大厂带来什么？
戴雨森
首先，活下来肯定比不活好。
AI 现在做得好的产品，大多不是传统买量，而是给用户 Magical Experience，形成口碑传播。
Midjourney、ChatGPT、Cursor、Manus、Perplexity，初期增长都来自非常不一样的体验。
Early Market 里的 Innovator 和 Early Adopter 互相沟通，愿意尝试最新技术。
好产品会自己说话，形成口碑传播，也会获得品牌和自然流量。
在没有网络效应的 AI 时代，这种先发优势很重要。
但大厂有后发优势，可以等你先做，再复制你。
张小珺
你给 Manus 提过哪些建议？
戴雨森
提过 Benchmark、Memory 和很多产品建议，但不一定都对。
他们最开始更像 Devin，是三栏布局。我觉得普通用户会觉得复杂，所以建议更像 Chatbot。
现在 Agent 工作区默认折叠，需要时再展开，用户主要和 AI 对话，也可以查看 AI 在做什么。
他们认为这个建议有价值。
张小珺
Thinking Machines、Ilya 的 SSI、李飞飞的公司，都属于前沿探索吗？
戴雨森
对，属于 New Lab 方向。
科研不是钱越多越好，也不能设定明确时间目标。
Ilya 融资后专心研究，直到爬上下一座高峰。
科研型 Lab 是否适合投资，本身都值得讨论。
张小珺
中国大模型的走向呢？
戴雨森
这个太容易得罪人。
我觉得只做大模型比较难，最终还是要变成产品。无论出海还是做中国特色产品，都要解决 Return。
明年中美都要让 Return 更具 Visibility 和确定性：钱可能还没赚到，但要看得到能赚到。
中国也可能有自己的解法，比如间接商业模式。
AI 每年都会翻出新牌。错过一局，可以等下一局。
肖弘第一张牌是 Monica，第二张牌是 Manus。关键是持续执行、保持韧性、留在牌桌上。
移动互联网后期一年可能只有一张牌，甚至是假牌。创业者最重要的是有机会，并且高执行力地抓住机会。