张小珺Jùn｜商业访谈录 · 2026-05-27 · 139 min

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

张小珺戴雨森

YouTube ↗

TL;DR

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

Digest · the substance, structured for research

1. 打脸是常态：六个月里"模型之王"换了四轮

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

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

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

3. 复盘：看对了C端天花板，看错了coding突变

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

4. 智能是突变：烧到九十九度也没有蒸汽机

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

5. Anthropic的壁垒是组织：探索期自下而上，收敛期自上而下

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

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

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

7. 估值三段论：短期都低估，中期都高估，十年五到十万亿

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

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

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

9. Return没解决，只是被下推给了Anthropic的客户

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

10. 十倍工程师不等于十倍收入；组织能背的锅有限

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

11. 降本等于裁员，但裁员有三个限制；水槽模型

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

12. Too big to ignore：硬件利润七千亿逼问答案

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

13. 2026叙事：Agent主线与"当AI老板的快感"

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

14. Harness解剖：F1车手与围场

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

15. 模型即产品与壳的重估：两句话同时成立

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

16. "不本质"的PPT：模型公司做不好所有Harness

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

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

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

18. Harness是OS，模型是CPU

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

19. 别跟风，敢做horizontal

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

20. AGI在缩水：within distribution与真创新

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

21. 模型下吞的三重防御：自训模型、记忆护城河、Agent网络效应

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

22. 应用创业机会变大：资本市场给出的答案

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

23. 大厂看不上的五种属性：这次轮到套壳、开源、不安全

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

24. 投人逻辑：千里马先于风口

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

25. 创始人框架：四类人、四种力与原创判断

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

26. AI产品经理仍需个人英雄主义：Peter与OpenClaw的起源

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

27. 金科玉律失效：注意力公式、围墙花园与补贴获客

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

28. DAU不是北极星：十个狂热粉丝胜过一百个还行用户

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

29. Agent三步走，与coding无限便宜后的三类新软件

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

30. AI native组织：全栈化，与"蒸汽机到电动机"的教训

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

31. 下一个字节长得不像字节

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

32. 渗透率规律：native机会诞生在新瓶装旧酒之后

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

33. 硅谷三观察与中美主题对比

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

34. 消费电子暴论：AI硬件会重蹈新消费覆辙

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

35. 机器人：投组件与大脑，不投人形

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

36. 信息食谱与思考外包：思想的健身房

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

37. 失业、再分配与人机依赖

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

38. 教育：agency大于taste，OOD是人类最后的阵地

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

39. 尾声：频繁被打脸是幸福的

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

戴雨森

那我确实受到了我的播客的影响，就是我不敢像我的朋友那样激进地加仓。今年确实有非常多的朋友赚了非常多的钱。对我来说，我肯定加回了一些仓位，但确实没有那么激进。

张小珺

等会儿，你说的是你受到了播客的影响，还是受到了之前观点的影响？是这个话说出去产生了影响力，让你受到影响，还是你的观点本身让你产生了影响？

戴雨森

我觉得，当你越强烈地表达一个观点时，你就越容易被自己说出去的话限制。如果这句话是公开表达的，那肯定会有更多限制。

这也是之前我在想要不要再录第二期播客的原因。但后来极客公园的瓦总、西东说服了我。他说，如果你认为自己的观点被打脸了，就不愿意再说了，那其实你是真正被自己的观点绑定了。但实际上，你应该是一个持续学习、持续进化的个体。

张小珺

因为你看，很多字节系的创始人出来之后，可能会沿用一些字节的打法。你觉得，整体从人群划分来说，字节系的创始人是一个好的投资人群吗？

戴雨森

我的一个简单观察是，有的人需要把自己从字节学会的东西再颠覆一遍。

张小珺

Hello，雨森，还是给听众朋友们打个招呼。

戴雨森

嗨，大家好，我是真格基金的管理合伙人戴雨森。

张小珺

1. The Year Of R Gets Rewritten

距离我们上次聊天已经过去小半年了。上次你在我们播客里提到“the year of R”，当时的 R 包括回报、研究和记忆。你今天觉得，这个判断是不是有点被打脸了？

戴雨森

对。其实这几个月来，陆续有人把之前的播客发给我，说：“你看，你说今年 AI 的回报有问题，今年可能会有回调，是不是被打脸了？”

我觉得其实挺有意思的。作为早期投资人，你必须在很多事情还很早的时候进行思考，然后给出一些判断。但在这个过程中，被打脸是做早期投资的常态。

因为当你陆续被打脸时，很多时候其实说明这个行业变化很快。如果你做早期投资，而这个行业变化很快，那就意味着它有很多机会。

AI 这个领域里，被打脸的判断也非常多。我们当时录节目的时候应该是在 11 月、12 月左右，当时大家最关注的是 OpenAI。那时候大家说 OpenAI 的 DAU 有 8 亿，很快就要到 10 亿了。

我记得那个时候，OpenAI 宣布跟一家公司合作，股价就涨几十个百分点；宣布向谁买算力，比如 Oracle，股价也会立刻跳涨几十个百分点。

然后到了去年 12 月，Gemini 3 发布了。那个时候大家说：“Google 变得很厉害。”Google 有 TPU，有最多的算力，也有很多人才，还有原生的多模态模型。所以当时 Google 替代 OpenAI，成为模型之王。

到了今年 1 月，大家发现 Claude 的 coding 能力很强。后来 Claude Code 让大家都开始学习 agentic coding。所以今年大概 3 月的时候，Anthropic 的收入增长非常快，它在二级市场的估值也超过了 OpenAI。于是 3 月份的叙事是，Anthropic 一骑绝尘。

但现在到了 5 月，大家好像又发现 Codex 也很不错，它的新用户增速已经超过了 Claude Code。“Office 4.7”（原音）刚开始大家觉得有点降智，后来又发现那是一系列系统问题导致的。但大家发现 GPT-5.5 也很好，所以现在又觉得 OpenAI 好像有一种卷土重来的感觉，或者说处在你追我赶的趋势中。

所以我感觉，在 AI 这个领域里，哪怕只是“哪个模型更好”这个问题，在过去 6 到 8 个月的不同时间点去问，可能都会有不同答案。

我觉得被打脸是常态。如果一个人害怕被打脸，就永远不说、永远不判断，那当然不会被打脸。所以我觉得，阶段性地复盘和思考，对我自己以及我们之间的交流都会是有帮助的。

张小珺

我专门回去看了看，你上一次非常精准地说，今年下半年会迎来回调。你现在还做这个判断吗？因为今年上半年起码没有回调，反而变得更疯狂了。

戴雨森

我觉得二级市场里有一句话叫“strong opinion weekly held”，就是你要有一个很强的观点，但不要被自己的观点绑架。

说实话，我录完那期播客之后，后来也在想，人们很容易被自己说出去的话绑架。比如当你看空一个趋势时，就很容易看空、做空。我不是说真的去做空，而是说你可能会空仓，或者不想买。

但为什么叫“weakly held”？因为如果你有一个 strong opinion，有一个很强的看法，你最好要知道自己的看法是怎么来的：我有这样一个看法，是因为 1、2、3 个不同的原因。那么当这些原因发生变化时，一个真正聪明的人应该调整自己的看法。

所以我觉得，说出去的话更难改变，但这是我要努力克服的一件事。

我们确实看到，当时我有一个比较重要的判断：我认为大家对 OpenAI 收入的预期存在落空风险。当时大家觉得，OpenAI 的核心收入分三大块：一块是订阅制收入，一块是广告和电商收入，一块是企业服务收入。

我觉得，前两块在 6 个月之后回头看，确实没有大家想象中增长得那么快。它的 Pro 用户付费，包括广告和电商，进度都低于预期。

但 Anthropic 的 coding 收入在企业服务里面大幅增长，这是去年 11 月底、12 月初时肯定没有看到的。Claude 4.5、4.6 发布之后，带来了一个从量变到质变的提升，导致很多以前无法用 Anthropic coding 完成的任务，现在都能完成得很好。

当这个变化发生时，你对未来轨迹的判断自然也会发生变化。因为世界本质上是一个贝叶斯世界，前面发生的概率会影响你对后面事件的判断。

所以我现在对整体回报的时间线，肯定是往后推迟了。同时，我自己也会在仓位和投资上做一些调整。这就是 AI 领域的魅力：它经常发生很大的变化，我们每天都觉得有新鲜事，也都充满好奇心。

张小珺

你去年底说二级市场清仓、空仓了。那今天是怎么变化的？当然，我们不做任何投资建议，仅仅是分享。

戴雨森

2. Stanley Shapes The Portfolio

首先，我在二级市场的偶像是 Stanley Druckenmiller。当时他是索罗斯的操盘手，现在在做自己的基金。他是交易员，不是基本面投资人，所以我自己的二级市场风格也不是买一只股票拿 5 年，而是更多从交易角度去看。

刚才说到二级市场里的这句话——“strong opinion weekly held”——我在看到 Anthropic 的用量大幅上涨之后，自己也频繁使用 Claude Code，并且用它给自己做了很多小工具。我确实觉得这是一个很大的变化，带来的影响很深远。

同时，我们在硅谷也看到，Meta、Google 以及越来越多的公司开始全面使用 agentic coding，消耗大量 token 去尝试创新。很多个人，包括我的好朋友们，也获得了很强的体感。有的人一个月就烧几千美元、上万美元的 token。

所以我也加回了一些大家耳熟能详的仓位，包括存储、光模块、CPU 这些所谓的“卡脖子”环节。现在硅谷整体是在做多硬件，尤其是做多硬件中的瓶颈部分。

但在这方面，我确实受到了自己播客的影响。我不敢像朋友们那样激进地加仓。今年确实有非常多的朋友赚了非常多的钱。对我来说，我肯定加回了一些仓位，但没有那么激进。

张小珺

等会儿，你说的是受到了播客的影响，还是受到了之前观点的影响？是这个话说出去产生了影响力，让你受到影响，还是你的观点本身让你受到影响？

戴雨森

我觉得，当你越强烈地表达一个观点时，就越容易被自己说出去的话限制。如果这句话是公开表达的，那肯定会有更多限制。

这也是之前我在想要不要再录第二期播客的原因。但后来极客公园的瓦总、西东说服了我。他说，如果你认为自己的观点被打脸了，就不愿意再说，那其实你是真正被自己的观点绑定了。但实际上，你应该是一个持续学习、持续进化的个体。

这其实也是费曼学习法：你不断表达和思考，从中得到反馈。这很像模型的强化学习。你需要得到一个反馈信号，而且很多时候是高质量的负反馈信号。我觉得这很重要。

这也是市场有意思、播客有意思的地方。日常生活中，可能不会有人那么直接地批评我，但市场不会对你说好话。市场说你错了，你就是错了。

当然，也有很多听众说：“你看，这是不是被打脸了？”我觉得这是一个很好的思维练习。

张小珺

基于这半年的外部反馈和市场反馈，你能总结一下之前看对了什么、看错了什么吗？要不要更完整地表述一下？

戴雨森

3. What The Thesis Got Right

我觉得看对的，主要是当时对 return 的担忧，核心是对 C 端用户的担忧。

一方面，针对当时以 OpenAI 为代表的普通用户订阅制收费，我认为它比较难提价。用户每个月付 20 美元之后，很难快速提高到几十、上百美元。对普通用户来说，这是比较困难的。

第二，当时已经有 5,000 万付费用户了。我认为这些付费用户已经把人群中比较愿意为日常 AI chatbot 付费的人筛选出来了。要继续提高付费用户数量，我觉得比较难。

所以，OpenAI 产品的 DAU、付费用户增速，以及每个付费用户的 ARPU，增速都会比较慢。我认为过去 6 个月里，大家看到它的增长确实陷入了一定停滞。

第二，当时 OpenAI 很努力地做广告和电商，招了很多人，也推出了很多新的产品形态。但我认为，在一个非常创新的用户产品里做广告和电商，不是简单把广告放进去就能完成的事情。

哪怕是字节这么强大的公司，在抖音、TikTok 里面探索电商和广告，也花了很长时间。Facebook 和 Google 成立之后，也都花了 6 到 8 年才成为广告超级印钞机。

所以我认为，当时大家对于在 ChatGPT 里插入广告这件事过于乐观了。实际上，它不会那么简单。我觉得这一点也得到了验证。

基于当时 ChatGPT 作为 AI 领头羊、作为大家最关注的变现渠道，我觉得这两个判断没有大的问题。但显然，我完全没有预料到 Anthropic 或 coding 会在这么短的时间里发生这么大的变化，这部分是看错的。

我也可以展开讲讲，为什么当时没有看到它到来。

我觉得，如果是智力的话，很多时候是一个突变的过程，这和互联网有很多不同。互联网在很早的时候，比如上个世纪末，其实就已经有了电商、广告、门户和即时通信。现在很多商业模式的基础当时已经出现了。

但互联网需要把更多人连接起来，需要更快的网速，以及更高的变现效率。它的商业模式出现得很早，但一直是不断完善的过程。

对 AI 来说，它本质上是智力。我们可以想，一个人的智力必须突破一定阈值才有价值。把 AI 的智力从猫的水平提高到智商 80、90，当然是很大的成就，但如果你要招一个员工，肯定希望他的智商至少是 100。

它必须突破某个阈值，才会突然出现很大的价值。这很像蒸汽机，我们以前也经常打比方：水烧开之后才有蒸汽机。如果只烧到 99 度，其实不会有蒸汽机。

但到底多少度算烧开，提前预计是很难的。

从各方面的信息来看，包括你之前和罗福莉、姚顺宇的访谈，大家对于 coding 什么时候突破阈值、agent 什么时候能够真正跑起来、完成高价值 coding 应用，都没有明确预期。

否则，Claude 4.5 就不会叫 4.5，可能会叫 5，对吧？因为 Anthropic 自己对这个版本也没有那么大的预期。

我们现在回头看，没有发生范式变化，也没有提出新的模型架构，或者出现新的训练方式。但从 Claude 4 到 4.5，再到 4.6，这个能力被进一步放大，带来了 coding 体验的本质变化。

从背后看，大家普遍觉得数据占了很大部分。高质量的用户 coding 数据让模型编程能力变得更好，同时也有很多 agentic RL，让模型在这方面的能力提升。

原来跑不起来的 agentic loop，现在能够跑起来了。于是 AI 开始能够完成更长时间、更高价值的编程工作。

这件事不知道什么时候发生，但事后看，节点还是很明显的。

张小珺

你觉得自己是什么时候才开始真正理解 Anthropic 的？

戴雨森

4. Anthropic Finds Its Operating Edge

首先不能说“理解”，对吧？因为 Anthropic 本身是一家尤其对中国比较封闭的公司，所以我们很多信息其实都是二手的，可能都不是一手的。和顺宇相比，他可能更理解，所以我不能说自己真正理解了 Anthropic。

但今年 3 月我在硅谷进一步交流了一圈之后，确实觉得大家普遍提到了一点：组织能力和组织形态。

更具体地说，AI 在探索阶段，比如 ChatGPT 出现之前，大家不知道 AI 能做什么。这是一个从下往上、基于超级个体灵光一现进行探索的阶段。

在那个时候，OpenAI 这种相对松散、比较自下而上的组织结构，适合探索不同方向。因为我记得，OpenAI 最开始有三个不同方向：做机器人、做世界模型、用强化学习打游戏。当时语言模型只是一个小团队在做。

这种支持自由探索的方式，在探索期很有价值。但现在 AI 进入了主线逐渐收敛的过程。

Anthropic 选择 coding 的过程，我理解也不是一开始就说“我要做 coding”，而是在过程中逐渐发现，训练数据中 coding 的比例越来越多之后，它的 coding 表现越来越好。同时，它选择了一条做 enterprise、做生产力的路线，和 OpenAI 做大 DAU 产品不太一样。

当它已经比较明确 coding 这个方向之后，我觉得 Anthropic 体现出来的是一种自上而下的组织能力。他们每个人入职面试都有价值观面试，这其实是对共同方向的认可。

顺宇讲到的一点也很重要：Anthropic 并不那么强调个人英雄主义。我们在 OpenAI 见到过很多明星研究员，他们每个人可能都有自己想做的方向。但如果你是明星，我也是明星，那可能就各有各的想法，资源分配也会出现问题。

Sam Altman 更像是原来在 Y Combinator 时的角色。他说自己有点像天使投资人。在硅谷，很多人也这么评价他：不断鼓励各种小项目。

所以我们看到 OpenAI 经常有很多项目做出来、上线，后来没人管，感觉又消失了。以前的 GPTs，可能 OpenAI 也已经做得比较大了。它做了浏览器，现在不知道还有谁在用；它做了 Operator，也做了很多新的尝试。

但这些项目缺乏持续性，因为很多时候是基于很小的团队自下而上做出来的。

从 Anthropic 的表现来看，它不仅招人的价值观一致，公司方向也很一致。而且 Darry（原音）好像每两周会和公司同步一次内部思考 memo。它是一个非常对齐的组织，这一点很像一些中国战斗力很强的公司。

另外，它的产品迭代很快。我们看到，3 月份 Claude Code 大概几十天就迭代出了几十个不同功能。有时我一打开 Claude Code 的主页面，它又升级了。

它其实是一个“管杀也管埋”的组织。OpenAI 的很多产品有点像“管杀不管埋”，到后面就没人维护了。

我觉得，这是一种探索期适合的、自下而上的发散型组织；而在高速赛跑期，更适合一开始就有明确 bet、自上而下、价值观一致、方向齐心的组织。

所以我觉得，这确实是组织在这个阶段带来的优势。

张小珺

我看你和广明也聊到过这一点：OpenAI 还是有很多创新的种子在萌芽。假设接下来几年不怎么变化，那可能 Anthropic 的专一优势会很大。但如果一两年后下一个范式又诞生了，那可能又会重新回到探索阶段。

戴雨森

这其实是我去年“R”里的第二个 R：Research。

当时我看到，硅谷有很多 new lab 诞生。大家其实也都在 bet 一件事：下一个范式可能又需要像 new lab 这样更发散、更自由、同时有很多资金去探索的组织。

但在现有范式下，直接实现了 coding 的巨大转变，这个变化是很多人没有看到的。

我在硅谷还看到另外一个现象：去年以前，很多人认为 coding 是一个垂直领域，和医疗、金融并列。

虽然我记得我和广明都讲过很多次，coding 可能是一个比较通用的能力点，但哪怕是我和一些 research lab 的资深研究员聊天，如果他自己不是做 coding 的，往往也会觉得 coding 只是一个垂直方向。

但现在大家发现，coding 不是垂直领域，而是水平的、horizontal 的领域。它可以加强办公室工作，提高医疗行业效率，也可以加快研究速度。

这让 coding 的意义变得很不一样。

但同样，这也是做出来之后才显得很显然。在这之前，并没有那么显然。

张小珺

Anthropic 之前其实有一个担心：它是不是一家卖 API 的公司，尤其在 Claude Code 还没有这么风靡之前。包括顺宇也这么认为。去年年中，他还担心，既然你卖的是 API，而 Codex 的 API 更便宜，那你是不是就不够好了？

当时大家担心的是，更好的模型或者更便宜的模型出来之后，卖 API 的商业模式就没有门槛和壁垒。但现在会发现，Claude Code 非常重要。

戴雨森

5. Harness Becomes The Moat

如果没有 Claude Code，Anthropic 只卖 API，我觉得它会是一家很不一样的公司。

Claude Code 带来了大量高质量的用户使用数据。经过各方面了解，这种数据回流确实让它能够训练出更好的 coding 模型，实现数据飞轮的提升。

最近 Codex 涨得也很猛。所以你会发现，Claude Code 和 Codex 其实都是 harness。

并不是说你有了强大的模型，就可以直接把 API 卖出去。用户还是要使用一个产品，用户不是直接使用 API。

在这里面，Anthropic 既有好的模型，又率先提出了一个能够做 long-horizon 任务的 harness，也就是 Claude Code。我觉得这是这家公司做得非常正确的一件事。

张小珺

但是这个 harness 是模型公司做的。

戴雨森

是的。

张小珺

那是不是有可能，未来好的 harness 都是模型公司来做？

戴雨森

我觉得不一定。因为 Claude Code 也可以接别的模型，所以从这一点来说，它和模型的耦合没有那么强。

年初的时候，我们还看到 OpenClaw。OpenClaw 是一个个人做的，曾经一度成为非常火的 harness 之一。

所以至少并不是只有模型公司才能做出好的 harness。模型公司当然有优势：它了解自己的模型发展方向、参数和各种细节，所以它做的 harness 可能会不错。

但 OpenClaw 是另外一个例子。它有很多创新，这些未必只有模型公司才能想出来，大家都可以想出来。

所以现在几个好的 harness，有些是模型公司自己做的，有些不是。OpenClaw、Manus、Genspark 其实也都是 harness，只是以前大家说它们是套壳。

去年大家都说套壳不重要，现在大家又说，原来 harness 变得很重要。我觉得大家对这件事、对它重要性的判断，一直在变化。

张小珺

这个问题我们后面还要继续聊。刚才我们聊了 Anthropic，也聊到了 OpenAI 做 Codex。你觉得 Anthropic 的优势是稳固的吗？今天的 Anthropic 是被高估了吗？OpenAI 是被低估了吗？

戴雨森

这也挺有意思。我觉得要从短期、中期、长期不同的视角去看。

如果是很短期，3 个月的角度，可能两家公司都被低估了。假设它们今天上市，普遍大家可能认为至少是 2 万亿美元的公司。现在 Anthropic 的新股价格是 9,000 亿美元，OpenAI 大概也差不多是 9,000 亿美元。

但它们预计在下半年或者明年初上市。在现在的市场情绪下上市，我估计直接翻倍都有可能，炒到 3 万亿美元也不是没有可能。

从这个角度讲，它们可能反而是被低估的。因为现在市场对它年底 AR 1,000 亿美元的预期，按 10 倍计算就是 1 万亿美元，也不能说特别贵。

但如果从一两年的角度看，我仍然认为它们可能被高估了。因为 return 的问题并没有真正解决，只是变成了另外一种形式。这个我们待会儿可以继续聊。

简单来说，两年之后回头看，可能会发现它们的估值会有很大下降。

但如果从 10 年的角度看，我认为这里面的赢家，可能是其中一家，也可能两家都是赢家，也许两家公司都会长期存在。那它们有可能成为 5 万亿、10 万亿美元的公司。

所以还是要看你从短期、中期还是长期去思考这个问题。

还有一个看法是，现在头部几家模型公司并没有真正拉开很大差距。所以你会发现，谁最后发布模型，谁就显得最厉害，因为每个模型都可能带来比较大的提升，后发者有后发优势。

但如果过度用这个逻辑去推演，可能也会有问题。

张小珺

Claude Code 和 Codex 之间的竞争，你怎么看？

戴雨森

目前来看，很多时候会有品牌锁定。比如我自己 Claude Code 用得挺好，那我有没有动力去试用 Codex？可能就没有。

所以品牌会有很重要的优势，包括先发的品牌心智定位和用户黏性。用户黏性有时是基于习惯的。

比如我在 Claude Code 里配了很多 skill，也在 CLAUDE.md 里写了很多配置。这个时候，如果你让我用 Codex，我可能就要重新配置一遍。

Codex 现在其实有一点价格战，它的成本基本上比 Claude 同等使用量便宜 50%。在一些 long-horizon 任务和 reasoning 方面，我的一些两个都用的朋友也反映，Codex 其实挺好的。

所以，如果一个人一开始用的就是 Codex，他可能也觉得挺好。这时候又变成了渠道之争。现在两者完成很多任务时，没有那么本质的差别，品牌、渠道和价格就变得很重要。

但如果你两个月前问我这个问题，那时 Codex 比 Claude Code 落后很多。GPT-5.5 的出现，改变了大家对 Codex 的认知，有点像好马配好鞍。

现在模型和 harness 很多时候是绑定的，通过 coding plan 绑定在一起。你要判断，到底是因为它提供了折扣很大的模型，还是因为 harness 本身做得好。

但整体来说，在现在这个 5 月中旬，大家的差别已经没有两个月前那么大了。

张小珺

你刚才也说到，return 的问题没有真正解决。

戴雨森

6. The Return Problem Moves Downstream

是这样的：我们投入了这些 capex，最后要变成回报，对吧？这就是 return 问题的本质。

Anthropic 收入大涨，让很多人认为回报问题已经解决了。但我的看法是，Anthropic 的收入不是最后的回报，它其实是客户的投入。

大家买这么多 token，不是烧着玩的，是想最后得到结果的。所以，这只是把回报问题进一步下推到了 Anthropic 的客户那边。

我们思考一下：Anthropic 的 token 是客户的投入。客户买了这些 token、刷了这些 token，最后得到的是做出来的软件，对吧？这就是产出。

但光有软件还不行，软件要能卖钱，或者能够降本，带来利润提升，这才是结果。

我们可以把它看成一个三步链条：投入、产出、结果。

现在大家都在拼命投入，因为觉得投入最后会有结果。而这个结果一定要体现为利润增加。利润增加，要么是收入增加，要么是成本减少，也就是降本或者增效，当然也可能两者都有。

我们首先要想，如果这个循环公式成立，就要看到终端用户最后能够获得新的利润。

如果从增效角度看，增加的收入应该通过新产品、新服务、扩展新的业务领域产生。

我们可以想一个问题：移动互联网过去几年陷入停滞，大家都觉得好像没有新的产品形态了。这个原因是缺程序员写功能，还是缺好的产品经理去发现新的需求、做出新的产品？

我认为很多时候不是缺程序员写代码，而是大家不知道该做什么。

我们再做一个思想实验：对于一个有一定规模的公司，突然多了 10 倍工程师，它的收入会不会大涨？我认为很多时候不会。

我们经常看到有人反馈说，使用了某个 coding agent 之后，产出和效率提升了 10 倍。但这么多“提升 10 倍”此起彼伏，我们去看公司的收入，公司有没有因此多出很多新产品、卖给很多新用户、带来很多新收入？

目前来看，我们还没有观察到最终结果大幅提升。

张小珺

会不会是时间还不到？还是你刚才说的烧开水理论？

戴雨森

是的。我认为，新产品的出现、新功能的发现，是一个逐渐的过程。不是程序员突然多了 10 倍，新功能就立刻出现很多。

它是逐渐释放、逐渐发现新产品和新需求的过程。但 token 是现在就烧掉的，所以我认为这里会有一个时间错配。

以前建设 GPU 集群、算力中心时，大家想的是接下来 6 年甚至更长时间把钱赚回来。但今天烧掉的 token，能不能过两年再赚回来？我认为它的忍耐时间可能比大家想象的短。

而且现在在硅谷和中国，我们都看到一个现象：原来的硅谷其实没有那么内卷。我觉得一个重要原因是，硅谷程序员很贵，所以这么贵的程序员最好还是让他做核心业务。

但现在突然有了很多便宜的编程能力，而你又不知道该做什么新东西，于是硅谷一些公司开始互相卷，进入彼此的领地。

比如原来 Lovable 是做网站的，现在 Lovable 可以做 PPT；原来 Gamma 是做 PPT 的，现在 Gamma 可以做网站。

因为当你可以做 web coding、app coding，但又不知道做什么新的东西时，第一反应就是复制别人的功能。

现在复制已有功能的能力变得越来越快，但如果你要做出大家都没想到的功能，仍然很难。因为那不是编程问题，而是创新问题，是产品问题。

所以我认为，降本增效里面的“增效”，或者说增加收入，是一个逐渐的过程，不是增加了很多编程能力，就能立刻增加收入。

现在大家发现，降本是核心。说到底，就是裁员。

如果 token 烧了很多，但人员工资不减少，总成本就会上升。裁员首先会带来一个问题：这些程序员的收入也是其他公司的收入。大规模裁员对整个经济会有巨大影响。

在硅谷，我的感觉是每个人都非常担心自己被裁员，大家都很焦虑。这种焦虑是实实在在的，因为大家看到，自己工作中最主要的部分——编程——已经可以被 AI 很好地完成。

但你会发现，一个程序员可能有 80% 到 90% 的工作是编程，但还有 10% 到 20% 的工作是沟通协调、管理，以及人与人之间信任驱动的工作。

这些部分虽然只占工作时间的一部分，但不能被 agent 直接取代。所以，替代一个人的编程能力容易，但很多时候，一个人在组织中的关系、人与人之间的信任和沟通还不能被取代。这个人不能简单地裁掉。

当然，硅谷有一部分本来就是招多了。那部分人可能 AI 来不来都可以裁掉。硅谷的大公司裁掉 15% 的人，随时都可以，因为本来就有冗余。

但再进一步裁员，我认为没有那么简单。

这有点像自动驾驶。很早的时候，自动驾驶就已经能解决 80% 甚至 90% 的高速公路驾驶，但能不能直接把驾驶员去掉？不能，因为还有很多 corner case。

同样，一个软件工程师的工作里也有 corner case，这让他没有那么容易被取代。

第三，裁员毕竟是只能做一次的工作。你只能把一个人裁一次，省下来的是一笔投入，但不能持续、增量地裁出更多成本。

所以我感觉，return 问题并没有真正消除。它只是被包装成了 Anthropic 的收入。只要 Anthropic 有收入，它的上游硬件公司、内存公司、模块公司就会有很多订单。

但如果 Anthropic 的客户最后没有赚到钱，他们还会不会继续买这么多 Anthropic token，或者 coding token？这是非常值得观察、也值得打问号的事情。

现在，涌进来使用 AI coding 的人，肯定远多于发现自己花出去的 token 没有那么多价值的人。

这有点像一个水槽：上面有无数想尝试的人，下面也有很多人觉得“螃蟹不好吃”而离开。但现在进来的人远多于离开的人，所以 Anthropic 和 OpenAI 的 AR 涨得很快。

国产 coding 模型的收入也涨得很快，只要有算力就能卖出去。

但我认为，最后还是要把这个漏水的地方堵住。来尝鲜、使用 AI coding 的人，最终要能够从中赚到钱，而且赚钱周期不能太长。

我不能今天买了 token，两年之后才能赚钱，大部分公司是受不了的。

我们也可以自己观察。我们做了很多 AI coding 尝试，大家 2 月、3 月可能都养了很多“小龙虾”，也烧了不少 token。但你很可能会发现，3 月烧的 token 比现在多很多，因为很多 AI token 花出去之后，并没有带来本质价值。

这其实是我们观察到的常态，包括公司内部也会遇到。

但现在，我确实觉得小公司和个人有很大机会。原来个人和小公司的创新，很多时候卡在程序员不够：有想法，但没有人做。

现在 coding 变得简单，带来了很大变化。

但很多大公司的问题不是没有人做，而是不知道做什么，以及组织效率很低。

张小珺

你刚才说的主要是程序员，也就是 AI coding 对程序员的替代，或者让程序员数量大幅增加。但既然 coding 是泛化能力，它应该也会影响更多行业。

戴雨森

对。程序员只是被拿出来做了一个例子，第二步大家就会想到整个 office worker，也就是知识工作者。

比如你能写更多报告了。原来写一个报告，现在 AI 帮你写，那是不是就可以下岗？

这里面有一个挺有意思的地方。比如我们做投资机构，每个人能看的报告多了很多，但投资决策最后还是要有人对这个决策负责。

原来你一个人只能看一家公司，现在可以看 10 家，但你能承担的投资职责是不是也能增加 10 倍？我认为不是。

我想到一个框架：一个组织里能够背的锅是有限的。

只要 AI 还不能帮你端到端完成一项工作，它可以多写 10 倍、100 倍的报告，但人还是要对报告的结果以及报告驱动的行为负责。

比如我投了一家公司，我还是要对投资决策负责。AI 没法负责，我也没法开除它，也没法把它关掉。

当一个人能够承担的职责是有限的，这取决于他的工资，也取决于他能承担的损失。AI 没法替你担责。

所以，当一个组织里每个人能够承担的职责相对有限时，你只是把 AI 能写的报告写得更好，把模型做得更好，短时间内也不会让一个人多投 10 倍的钱、多承担 10 倍的责任。

除非我们拿到一个报告，不需要再看，就知道它肯定正确，可以直接用它指导行动。但目前我们仍然看到一定比例的幻觉，很多工作也仍然需要人检查。

这时又回到人的瓶颈：AI 写了很多报告，但人还是要检查。检查时间可能变少，但生产端的提升，并不代表结果端一定提升。

回到刚才三步的框架：投入、产出、结果。

投入端正在大幅增加，产出多了一些，但产出有没有带来结果，还需要时间验证。

张小珺

今天的 AI 能力还在快速变化，那我们现在看 return 的问题，会不会有点早？

戴雨森

肯定比较早。但为什么现在要看？去年年底为什么也要看？因为这个数字太大了。

如果只是几百亿美元，大家可能会觉得花得起。但现在，整个 AI 今年在硬件上的利润是 7,000 亿美元。

你也可以看到，最近大家都在说三星、海力士的工人一年拿几百万奖金。因为三星、海力士的利润已经接近英伟达，传统意义上的 CSP，也就是几大云厂商，它们的利润已经低于存储厂商。

硬件端已经有非常大的投入。

按照大家对 Anthropic 到年底 AR 1,000 亿美元的预期，意味着它每个月卖出 100 亿美元的 token。花 100 亿美元买 token 的人，最后赚了多少钱？这个问题越来越需要在比较快的时间内回答。

否则这个数字太大了，too big to ignore。

现在的 hyperscaler，比如亚马逊，都已经在举债建设数据中心。通过资金杠杆建设之后，市场对回报的要求变高，回答这个问题的时间也在变短。

张小珺

接下来聊一聊整个 2026 年。去年底我们聊的时候，我记得你说的是“year of return”。当时还有很多人说，2026 年会是应用爆发的一年，也有人预测今年会是大厂 super app 之战。

但转过年来发现，和大家想象的完全不一样。你今年怎么看整个叙事？

戴雨森

7. 2026 Becomes The Agent Year

总结来说，我们对于 AI 革命的关注主线一直很清晰：一直看好 AI 对生产力的巨大提升。

我们也一直认为，只有 agent 才是 AI 提高生产力的主要形式，因为 agent 不需要人的注意力，才能真正解放人的注意力。

我特意回去看了一下。从 2023 年到现在，我也陆续录过一些播客，于是看了看以前讲过的标题。

2023 年的时候，标题叫“大模型只是起点，人类未来是和多智能体紧密协作的”。

2024 年，因为很多人质疑大模型的商业价值，我当时讲的是，模型能力提升才能解锁更多 AI 价值。尤其是编程能力、计算机使用能力和思考能力，这三个能力会在 2025 年解锁 agent 元年。

基于这样的思考，我们之前就投资了 Manus、Genspark 这类做 agent 的公司，可以说是第一波 harness 公司。

我们也投资了 Kimi。它应该是国内最关注 agent 和 coding 的技术模型公司之一。它们在 2025 年完成了巨大转型，现在也成为了我们认为可能是全世界最好的开源 coding 模型。

2025 年的时候，我认为随着模型能力不断提升，我们将不再需要那么多 attention。以前人类做的所有工作，比如写代码、做 PPT，或者做任何事情，都需要人来投入注意力。

只要 AI 不能解放人的注意力，它就无法带来本质提升。

但现在看到 agent 之后，很多人睡觉前把任务布置下去，睡醒之后发现 agent 已经把事情做完了。这是真正因为模型能力提升而带来的 agent 到来。

它让我们不需要持续投入注意力，从而实现一个人做很多事情。

我去年还录过一期节目，说 agent 的出现意味着每个人都会成为 AI 的老板。

今年很有意思的一点是，大家好像都经历了一个使用 agent 上瘾的阶段。总觉得有做不完的事情，一会儿让它做这个，一会儿让它做那个。

后来有个朋友说了一句话，我觉得特别有道理。他说，我们很多人其实是在享受当老板的快感。

我自己当老板也很多年了，比较懂这种言出法随的感觉。所以现在我们每个人都在当老板。

如果回到刚才的问题，我们并不意外。我们一直看好 AI 对生产力的提升，也一直看好 agent 作为 AI 提升生产力的形式，所以一直在投资这样的公司。

只是以前大家说这是套壳，没有壁垒。现在大家又说，原来 harness 很重要，需要 harness engineering。

所以，如果回到 2026 年的 AI 世界，我认为是模型能力的提升带来了 agent 的真正落地，而 agent 最后会落地在应用或 harness 这样的产品上。

张小珺

说到这里，我们已经聊了很多次 harness。能不能给大家讲讲，你理解的模型编排工程？

戴雨森

这个词现在也是显学了。

8. How Harness Engineering Works

以前我们使用一个产品，不管它是不是 AI 产品，有点像自己开车。现在我们构建的东西，更像是看 F1 比赛：车手变成了模型，它开得很好，但我们还需要一群人给它保养、换胎，让它控制在赛道里面。

这就是 harness。这个词来自马具，意思是如何让一个非常强大的东西，在你规定的范围内运行。

我觉得它可以分为几个部分。

最基础的是模型。这是大家最开始讨论最多的：你有没有一个好模型？

但模型首先需要 context，因为模型有很多东西不知道，你需要把 context 提供给它。这个 context 可能是实时 context，也可能是你所在组织的专有信息，实际上非常重要。

在 context 之外，还要给它建立能够使用的工具，以及 agent loop，让它能够通过这样的循环运行任务。这样在一个好的 harness 里，它才能完成更多事情。

比如为什么 OpenClaw 出来时大家觉得很惊艳？因为它给模型很多权限，解锁了很多原来大家没有想到的场景，比如操作 Mac 上的文件。

它还有一个心跳机制，也就是 heartbeat.md，每隔 30 分钟让模型检查一遍有没有没完成的事情。

这些机制讲出来都很简单，但它们确实让模型能够更好地完成长程任务。

在这层外面，还有很多人在做 sandbox，也就是 runtime。

模型需要使用更复杂的应用。Manus 最早出来时，就做了 sandbox。当时它和 E2B 合作，让模型能够在 sandbox 里上网、使用软件。

现在大家越来越发现，需要一个持久化的 sandbox，要给 AI 配一台更持久的电脑。

最近 DigitalOcean 也在做虚拟机，股价涨了很多。让 AI 持久地拥有一台电脑，在里面持续运行更多任务，变得越来越重要。

这些其实都是架构在模型层之外的。

现在 harness 这一层，有模型厂商自己在做，也有 OpenClaw、Manus、Genspark 等第三方在做。context 需要用户通过产品提供给模型，不会从天上自动掉下来。

runtime 也有很多公司在做。

所以我觉得，我们在模型外面包了越来越多层次。有的是模型厂商做的，有的是第三方创业公司做的。越来越多价值，正在模型外面包的这些层里产生。

张小珺

所以你觉得，壳变得更有价值了？

戴雨森

我认为壳变得更有价值。

张小珺

那你还认可“模型即产品”吗？这是杨植麟非常坚定的观点。

戴雨森

我认为他观点的核心是，产品的核心能力由模型提供。

但显然，我们现在打交道的不是一个模型，也不只是一个模型 API。我们交互的始终是一个产品。

最开始引爆这波 AI 浪潮的是 ChatGPT，但 ChatGPT 也是一个产品。它把 InstructGPT 这个模型定位成对话形式，用 chatbot 的形式呈现出来。

如果它不是这样一个 harness，而只是让用户自己和模型 API 互动，肯定不会产生这么大的变化。

所以你可以说，ChatGPT 是一个模型级产品，主要是模型外面包了一层 harness。但没有这层 harness，也不会有这么大的用户使用，更不会有这场革命。

所以我觉得这两句话并不矛盾。

张小珺

进入 2026 年之后，你觉得壳变得更重要了吗？因为这和一些人的观点相反。有的人觉得进入 2026 年，模型就是一切，模型会吞噬一切。

戴雨森

我觉得这两个观点可以同时存在。

首先，拥有先进模型这件事变得前所未有地重要。模型不够强，就完成不了这些任务。

但从早期投资人的角度看，模型公司的生态位已经相对稳定了。现在再出现一家模型公司，需要的资金和难度都大很多。

同时，我们也看到大家都在不同的 harness 上使用模型。今年大家还意识到，好的 harness 收集的数据可以反哺模型。

这也是大家认为 Anthropic 的 coding 模型做得这么好的原因：Claude Code 上形成了数据闭环，数据飞轮或者数据回流终于形成了闭环。

以前 chatbot 没有明显数据飞轮，是因为 chatbot 主要考验模型对世界的理解和智能。人类和它聊天，很难让模型变得更聪明，因为模型已经训练过大量人类数据。

但 coding 不一样。每一个 coding 任务都在解决现实生活中的问题。一个项目哪些地方做好了，哪些地方没做好，应该使用哪个库，哪些东西需要修改，这些都是高质量反馈信号。

所以在 coding 里面，拥有自己的 harness 其实比拥有模型更重要。

我们可以看到，原来大家觉得 Cursor 只是做了一个壳，没什么价值。但它也证明了，Composer 基于 Kimi 的预训练，加上自己大量高质量反馈数据，训练出来的 Composer 模型其实很不错。

这反而说明，哪怕我只有一个壳，但壳带来的数据加上 post-training，也能做出一个不错的模型。

所以“模型即产品”可能也没错。Composer 可以说是我的产品，但它怎么来的？如果没有 Cursor 这个壳，就没有这个模型。

所以我觉得这两句话可以同时成立：模型即产品，有自己的好模型仍然非常重要；但没有好的产品，也可能没有这样独特的模型。

张小珺

从外界角度看，大家会说这些壳最后都会卖给模型公司。但从你的角度，反正你是早期投资人，卖掉之后你也可以退出，对吧？

戴雨森

从投资角度，当然是这样。

现在 AI 是一个很难看清终局的行业。你说壳没有价值，也许 10 年后的终局看是对的，但这不妨碍它现在有好的产品、好的公司，甚至有好的退出。

所以在这个阶段，谈太远的终局，不一定对投资和创业有实际意义。

我再举一个互联网的例子。你可以说 Yahoo 不够本质，最本质的可能是搜索引擎，所以 Google 最好，最后 Google 也确实成为了更好的公司。

但如果你是 Yahoo 的天使投资人，你也会觉得那是传奇，对吧？

所以至少对早期投资来说，我们不会太拘泥于你是壳、是模型，或者你到底要做什么。Cursor 最后也做出了自己的模型，对吧？

而且对用户来说，他们对 harness 更忠诚。

很多朋友都有不断抢救自己“小龙虾”的过程。我不知道你有没有，反正我自己经常遇到。这个 harness 一方面功能很强，另一方面也有很多问题，所以经常会死掉。

但我会不断把它救活，用 Claude Code 去修它。

为什么大家在意把小龙虾救活？其实是因为大家在意储存在 harness 里的 memory。

很多人会在小龙虾里面不断换模型。比如 Kimi K2.5 发布后，大家发现小龙虾跑得很好，就有人把 OpenAI 或 Claude 的模型换成 Kimi。

大家觉得它是 90 分的表现、20 分的价格。

如果很多人为了挽救自己的记忆而把 harness 救活，同时为了降低成本更换模型提供商，我觉得这反映出，对终端用户来说，harness 更有黏性。

张小珺

不知道你有没有注意到，我们前面两期节目里，吴力和顺宇其实有一个很不一样的观点。

吴力觉得 OpenClaw 这种智能体框架非常重要，它能激发中等模型的上限；顺宇则觉得这种形态没那么重要，他更关注模型公司的能力。

你怎么看他们的差异？你的观点是什么？

戴雨森

首先我觉得他们说的并不矛盾。他们俩都是做模型的，所以如果你问他们什么最重要，他们一定会说训练一个好模型最重要。

吴力聊到 OpenClaw，所以有这个看法，但他肯定不会觉得 harness 比模型更重要。

同时，我认为他们应该都认为，一个好的 harness 对提升模型表现、获取高价值用户交互数据、形成数据回流，都很重要。

顺宇之前也聊到，他担心 Anthropic 只卖 API。也就是说，他担心只有 model 的 Anthropic 不足以形成壁垒。

吴力也说到，框架能够提升中等模型的上限。所以这一点上，他们共同表达了：好的 harness 对用好模型和训练好模型都有很大帮助。

至于模型公司自己做 harness 是不是一定最好，我认为不一定。

模型公司做 harness 有优势：它了解模型发展路线和模型结构，也有算力和聪明人。

但另一方面，模型公司的研究员和应用公司的团队，对应用的理解可能是两种不同能力。

比如 OpenAI 之前也有很多基于模型的产品雏形。Manus 出来时，我们发现它做 PPT 做得挺好。我还问过一个 OpenAI 做 agent 研究的研究员：“Manus 的 PPT 好像比你们做得好看。”

我记得他的回答是：“这不本质。”

我觉得他说得没毛病。对模型研究员来说，PPT 好不好看确实不本质。但对用户来说很本质。用户用你的产品做 PPT，就希望做出好看的 PPT。

所以，模型公司和应用公司在很多事情上的看法不一样。

模型公司所谓“不本质”，是说在现阶段不应该把它作为优化目标。但当模型能力提高之后，自然也能做出好看的 PPT。

这是一个相辅相成的过程。你永远可以说模型公司未来会做得更好，但未来更好的模型，也可以被 harness 使用，做出更好的产品。

好的 harness 当然希望模型公司升级模型。它希望有更好的模型，让自己的 harness 能够运行得更好、完成更多事情。

所以并不是模型公司升级之后，第三方 harness 就没饭吃了。

Claude Code、Codex 是第一方，Manus、OpenClaw、Genspark 等是第三方，它们都有自己的特点。不能说 Claude Code 完全覆盖、吊打 OpenClaw。

OpenClaw 因为开源、可以本地部署、权限更多，还有一系列机制，所以在长程任务上可能做得更好。Claude 会进步，但下一个像 OpenClaw 这样的产品也会进步。

从操作系统角度看，微软早期做了 IE 和 Office，它们是 Windows 上最重要的应用，但 Windows 上并不只有微软的应用，也有 Adobe、Autodesk 以及各种软件公司。

所以我不会认为，最后所有应用和 harness 都由模型公司自己做。如果那样的话，生态和 use case 可能就太狭窄了。

张小珺

你刚才也提到，一个好的 harness 是有生命力的。能不能讲讲出现过的这些壳、harness，它们有什么不同？从你的体验来说呢？

戴雨森

从 VC 总结的角度看，Manus 当时出来时做了很多以前没人做的事情。

比如它在 sandbox 里运行虚拟浏览器，让 AI 访问网页、执行操作。它还做了一个叫 Wide Research 的功能。

当时我们开玩笑说，Deep Research 之外，我们叫它 Wide Research。它其实就是现在的 agent team、agent swarm，同时启动 10 个、几十个 sub-agent，执行不同任务。

它比 Claude Code，以及现在大家做的 agent team 都更早。

后来我了解到，Anthropic 做 Claude Code 时，也借鉴了 Manus 做 Wide Research 时的很多经验。

Manus 做了很多引领性的工作。它的创新确实体现了，一家应用公司或者 harness 公司，能够基于模型，把 agent loop 和 context engineering 吃得很透，从而做出很多模型公司没有做出来的体验。

Claude Code 的 CLI 是一种非常重要的呈现形式。在 terminal 里，AI 更容易进行操作，而不是在专门为人设计的图形化界面里操作。

GUI 是给人用的，CLI 则更适合 AI 使用。

Claude Code 通过 skill 以及 agentic loop 的配置，把模型能力发挥得很好，让程序员获得了非常好的体验。

OpenClaw 也有很多创新。它运行在 Mac 上，所以可以访问 Mac 里的文件、日历和信息，这些是 Claude Code 不具备的体验。

它的 heartbeat 机制让它能够完成定时任务，也具备更强的记忆。它的 MEMORY.md 机制也很有意思。

在 ChatGPT、Manus、Claude Code 之前，大家都认为应该把 session 分开，因为不希望不同 session 的 context 串在一起。

但 OpenClaw 把所有东西放在一个大的聊天里，再通过每天整理 MEMORY.md 来实现 memory。

我和很多研究员聊过，他们一开始觉得这不太可靠，因为 context 会串，AI 可能会产生幻觉。但对用户来说，OpenClaw 给人的感觉非常强：它记得我。

因为所有内容都在一个 context 里，所以这种感觉很神奇。

后来大家纷纷跟进，Manus 也做了自己的 agent。大家发现，在一个连续的对话里沟通，是用户最简单、最朴实的方式。

OpenClaw 还有自己的 TUI，但基本没人用。它是把 agent 插入到用户最熟悉的地方，比如微信、WhatsApp、Discord、Telegram。

这种产品形态以前也没有。以前大家都想自己做一个网站、一个 app，但 OpenClaw 选择进入用户熟悉的地方。

这也是它在中国特别风靡的重要原因，因为它可以接入 IM。我们最熟悉的产品形态就是 IM。

这些方面的创新很强，显然不是典型模型公司或研究团队自然会做出来的。

当然，它们都引领了很多产品创新。有些创新可能会被模型公司吸收到训练里，但有些是产品设计理念。

context 存在于产品这一层。当然，你可以把 MEMORY.md 导出来，未来也许通过 continued training 训练到模型里。

归根到底，你的 context 存在什么地方？目前肯定是在 harness 里。

张小珺

它们引领了产品创新，然后卖给模型公司。模型公司吸收了它们的产品能力，最后这些能力还是在模型公司手里。

戴雨森

如果它没卖呢？

比如你说它卖给微软。其实它并没有卖给微软。

我觉得现在很像操作系统的比喻。广明以前不是把模型比作 OS 吗？但现在我觉得 harness 本身更像 OS，模型更像驱动这个 OS 的处理器。

现在有很多应用，是基于 Claude Code 或 Codex runtime 来做的。比如我有一个 skill，可以插入 Claude Code；还有一些应用，比如 Pencil，以及我们投资的 Slock，都是基于现有 runtime。

它们是在 Claude Code 的实例上继续做一个壳、实现一个功能，有点像在 Windows 上做应用。

对于这种应用来说，它不需要自己处理和模型的通信，而是由中间的 harness 层，比如 Claude Code 或 OpenClaw，处理模型通信。做 skill 的人只需要考虑 skill 怎么实现。

这很像早期操作系统出现时的分化。

最开始写应用，需要自己处理和 CPU 通信。在 Windows 这样的系统出现之前，你需要写很底层的代码。

Windows、DOS 这样的操作系统出现后，开发者只需要处理和 Windows 的通信。Windows 怎么调度 CPU、内存，怎么处理 I/O 接口，由操作系统解决。

所以 Windows 出现后，开发者不用再处理硬件，只需要处理 API。

iOS 也是一样。iOS 出来之后，写移动 app 不需要考虑怎么和苹果处理器、摄像头通信，这些都被封装成接口，调用就行。

3 年前，一个 AI 应用开发者需要自己处理 agent loop、memory 和模型相关的各种 harness。那时做应用更辛苦。

但现在，在 Claude Code 或其他 harness 的基础上做一个 skill 或者壳，就不需要处理 agent loop。harness 帮你处理，你只需要让它完成自己的任务。

所以我觉得，harness 有点像操作系统层，模型变成处理器层。

在 Windows 时代，你可以使用 Intel CPU，也可以使用 AMD CPU，可以插拔 CPU，哪个便宜、性能好就用哪个。

现在用户也可以在 harness 里插拔模型。然后大家在这个操作系统上，构建各种新的能力。

可能 Claude Code 以后会变成 OS 层。你安装 Claude Code，但不是直接使用 Claude Code，而是使用基于 Claude Code 的应用完成任务。

现在已经出现了一些趋势。Claude Code 对很多人来说是 CLI，是基于 terminal 的。但很多人不再直接打开 terminal 交互，而是使用运行在 Claude Code runtime 上的图形化界面。

我觉得这也是今年很有意思的趋势。

张小珺

我们看创业者时，会发现有的人比较求稳，会做一个大家已经讲过很多次的概念，比如“我也做过一个小龙虾，稍微改一改”。

在变化很快、机会很多的时候，最怕的其实是为了稳妥去跟风。因为一跟风，如果东西不够创新，时间就浪费了。

缺钱可以融资，创新失败还可以再来。但如果一开始做的事情就不创新，我觉得在 AI 时代很危险。

所以第一点，你要做真正大幅度的创新。

第二点，我觉得要敢于做 horizontal 的东西。很多人在硅谷都说要做 vertical，做垂直领域。有的人觉得进入垂直行业比较保险，因为大厂暂时不会来竞争，好像是在一个小天地里。

但技术发展早期变化太快。如果做得太垂直，容易把自己困住。做 horizontal 时，能力可以发散。

有些公司刚开始做时，也不知道后来 PPT 和网站会成为主要场景。它们做的是一个通用引擎，后来才发现可以做 PPT、网站和数据分析。

技术变化很快时，horizontal 能让新的浪潮对你有用，因为你能承载不同场景，也能更早发现新的市场机会。

戴雨森

因为你是一个能够承载不同场景的产品，是一个载体。

张小珺

硅谷以前经常讲垂直 SaaS。很多人受这个叙事影响。

但做垂直 SaaS，是因为 SaaS 已经到了后期，通用机会差不多被做完了，所以才去做垂直，比如宠物医院预约系统。

但在技术发展的早期，有 horizontal 的机会时，就应该勇敢做 horizontal，勇敢创新。

你看 Manus、Genspark、OpenClaw、Hermes，以及这一波跑出来的大应用，很多都是 horizontal 的。

Lovable 原来主要做网站，现在也在做各种平行扩张。

所以我觉得，在机会发生时就要创新，而且要敢于做通用的东西。这是有点反共识的，因为强调垂直的观点肯定更多。

戴雨森

对。

张小珺

你刚才说要创新，我突然想到，今年所有人都在做 agentic coding，这会不会过于同质化？

戴雨森

肯定会有一点。

我还有一个暴论：我们对 AGI 的定义一直在缩水。

最开始的 AGI 是毁灭人类、奇点；后来变成解决黎曼猜想、创造新东西；现在变成替代普通程序员。

所以如果有人说 AGI 已经实现了，我不太认同。他说的是 coding AGI，但其实也是把 AGI 缩小了。

真正实现创新仍然非常重要。因为写代码，尤其大部分日常 coding，是完全 within distribution 的事情。它写出来的代码都在人类已有代码的分布里。

所以大家发现，AI 写前端最简单，因为前端网站基本就是那些东西。

但如何解决真正 out-of-distribution 的问题，现在仍然是开放问题。

我们刚才说降本增效。降本正在发生，但 AI 摧毁旧价值的速度远高于创造新价值的速度。

创造新价值往往需要新产品、新药物、新发现，这些仍然需要 AI 去完成。

美国新一代的 new lab，很多都在做 auto research，通过 AI 加速研究过程。硅谷顶级实验室也在用 AI 加速模型训练。

大家都在做 coding harness，但有的做法是蒸馏，把已有数据蒸馏进来。这样可能只是抄答案，没有经过创新过程。

如何让模型训练模型、让迭代速度变快，可能是大家都在做 coding，但做法各不相同。

张小珺

刚才说到 harness，我再补充一个问题：模型公司的能力进一步提升，会不会向下吞噬 harness 的空间？

戴雨森

肯定有可能。

第一，harness 积累了自己的数据之后，可能也需要训练自己的模型。Cursor 是最典型的例子。它不是也可能被收购吗？

但它也可以不卖。我觉得是 xAI 很想买它。

卖不卖是一个结果，但至少你可以看到 Composer 的出现，肯定让 Cursor 这家公司变得更有价值。它是一个从 harness 到模型的例子。

第二，你的护城河要建立在产品上。

比如我刚才说，用户的记忆存在 harness 里。用户可以换模型，但不想换 harness。我们已经见到很多这样的例子：用户希望拥有自己的 memory。

另外，我也在想，互联网最强的护城河其实是网络效应。但过去 AI 一直没有形成很好的网络效应。

我一个月前就在想这个问题。我觉得 agent 可能出现网络效应，本质上是因为 agent 之间的差异越来越大，带来了价值交换的可能。

6 个月前，你用的 agent 和我用的 agent 没有本质区别。你用 Claude Code 解决问题，我的 Claude Code 也一样，那就没有交换的理由，各自做各自的事情。

但现在，大家在 harness 上沉淀了越来越多 context。你可能有自己的 skills，我也有自己安装的 skills。和 agent 沟通之后，它对我有更多独特了解。

比如假设我和 agent 讨论过 100 个 BP，它可能更了解戴雨森怎么看 BP。

于是，同一个任务交给不同人的 agent，可能会得到不同结果。因为每个 agent harness 里积累的 context 不一样，变得非常个性化。

这样我就有理由把自己的事情交给你的 agent 做。

比如我不知道你现在怎么写采访提纲或采访稿，但你可能有自己的 skills。相同一份采访任务，交给张小珺的 agent 去生成问题，可能就比我用自己的 Claude Code 生成更有价值。

因为你的 agent 可能沉淀了你所有的访谈、问题准备和思考。

现在张小珺很慷慨，做了一个张小珺 skill，给很多 agent 使用。但我觉得这可能不太 work，因为 skill 一旦做出来，你就失去对它的控制，它可以被随意分发。

所以我觉得，未来可能出现的情况是，我的 agent 雇佣张小珺的 agent。

比如我要采访一个人，我对我的 agent 说：“你去完成这个任务，请张小珺的 agent 来做。”然后我的 agent 给你的 agent 1,000 元，可能 1,000 元太便宜，就给你 1 万元。

其中 1,000 元是 token 的价值，9,000 元是你的 agent 积累的专有知识和信息带来的溢价。它做出来的东西，比我的 agent 花 1,000 元 token 做出来的更好。

我觉得这种价值网络是可能出现的，有点像电商。

张小珺

像雇佣劳动市场的关系。

戴雨森

对。6 个月前，我没有理由雇佣你的 agent，因为你的 agent 和我的 agent 跑的是同一个模型，我们都只是烧 token。

但在刚才描述的场景里，你的 context、准备和信息，可能永远不会被蒸馏到模型里。模型可能永远不会拥有张小珺这么具体的知识。

所以你的 agent 做出来的东西和别人不一样。

我们也看到，像归藏这样的创作者，做出来的东西就是不一样。有人会把事情交给他说：“归藏老师，你帮我做一下，我愿意给你钱。”因为他的 agent 做出来就是漂亮。

他最近做了一个 PPT skill。但如果他不把它做成实体产品，而是说：“我是 agent 接单，接一单你付多少钱”，其中一部分是 token 费用，一部分是我的溢价，那可能就是一种 agent 交换 marketplace。

这是不是一种可能的网络效应？我在想一些 agent-native 的产品形态，这也可能是一种护城河。

张小珺

有创业公司在做吗？

戴雨森

我们看了一些正在做这件事的公司。确实有一些 agent-to-agent marketplace，但还很早。

有的公司是让我的 agent 帮你的 agent 发帖之类的。但我认为长期价值在于，它能把 agent 的差异化体现出来。

每个人都在自己家里炼丹，或者说每个人的 proprietary information 都有价值。

比如我看 BP 的经验，如果能以某种方式沉淀到我的 agent 里，那我的 agent 就有一定价值。

你可以花高价请沈南鹏的 agent，也可以花少量钱请戴雨森的 agent 帮你看 BP、看二级市场投资。

张小珺

这也说到了后面一个话题：创业。你觉得 2026 年创业是不是变得更难了？尤其在模型更强大之后，模型创业还有没有窗口期？

我们也看到硅谷有很多 new lab，它们和模型高度相关。国内比如林俊旸的公司，是不是也要做基础模型？

同时，在模型似乎要吞噬一切的时代，应用创业者的机会是不是缩小了？

戴雨森

9. Application Startups Gain Ground

如果从投资的实际情况看，大家投的公司和估值都越来越高。

过去 12 个月里，每个 VC 投的项目都变多了，估值也变高了。哪怕只说 AI 硬件，不谈机器人，项目也非常多，很多人拿到了比原来高很多的融资。

Manus 当时是几十 million 美元融资，一年多以前融资都很艰难。现在很多公司一出来就拿到几亿美元融资，而且不是做模型，是做应用。

字节系就有好几个。

所以，应用公司在变多，估值也在变高，这是资本市场给出的反馈。

第二，我认为应用创业者的机会特别大。

刚才讲到操作系统的类比。现在模型能力增强，其实意味着应用可做的场景更多。

原来模型能力很差，只能写诗、翻译，很难产生什么应用。现在模型能力这么强，可以做网站、各种设计和 PPT，应用场景变多了。

从第一性原理来说，可做的事情应该变多。

而且不仅模型能力变强，harness 也变强了。原来做一个应用，需要自己做 memory、sandbox。Manus 当时做的时候，像 E2B 这样的 sandbox 基础设施刚出来，所以它才能做很多 sandbox 应用。

但现在这些基础设施都在完善，不管是 memory、sandbox，还是其他组件，都越来越成熟。应用公司也越来越容易做产品。

很多时候，应用的门槛最后还是用户数据、网络效应和品牌。

比如 Codex 可能变得很强，但我已经习惯 Claude，可能还是会用 Claude。朋友也有一直使用 Perplexity 的，因为他已经习惯了。

品牌效应不是有一个更好的模型就能简单替代。

我们也看到，移动互联网时期的巨头做应用，速度反而很慢。Meta、Google 以及中国很多大厂，自己做应用创新都比较慢。

中国有豆包，规模非常大，但其他大厂拿出的让人惊叹的 AI 应用其实很少。

美国的 AI 应用也主要是创业公司做的，只是其中一些创业公司后来变成了 Anthropic 和 OpenAI。

所以我认为，AI 应用领域的机会在变多，创业公司起来得也非常快。

起来得快，是因为大家现在做的 coding 正好是模型能力最主要的赛道。Claude 这家公司确实非常卷，Claude 的设计也做得很好。

但在它出现之前，实际上已经有很多设计机会。

我相信一家公司没办法把所有事情都做完。或者换句话说，如果它真的全都做完，那我也认了。但历史上从来没有出现过一家公司把所有事情都做完。

张小珺

所以你们今年出手速度是变快了还是变慢了？相比去年、前年，数量大概是多少？

戴雨森

我们整体节奏比较固定，今年比去年多一点，但没有多很多。

2025 年上半年，市场还处在 DeepSeek 时刻、Manus 时刻，那时没那么活跃。今年整体会多一点，但节奏还是相对固定，没有多很多。

有些同行增加很多，我们还比较稳定。

张小珺

你去年看了 100 个项目投了 2 个，今年呢？

戴雨森

今年到 5 月已经投了 3 个，稍微快了一点。

我想回应一下刚才大厂和创业公司的关系。你刚才问的问题，本质上是模型与应用，还是大厂和创业公司的关系。

模型公司已经变成大厂，所以还是大厂和应用公司的关系。

历史上，做大厂看不上的事情，一直是一个机会点。如果一个东西出来，大厂觉得“很好、很厉害，我也要做”，创业公司往往就很难。

但移动互联网时期，很多公司都带着大厂看不上的属性。

比如 Airbnb 太小众，去别人家睡觉；B 站二次元太小众；得物卖鞋太小众。

还有的是技术含量太低，比如内涵段子、拼多多，大家觉得太 low，看不上。

有的太累，比如美团，最开始需要下地推，很累。

有的不合规，比如比特币、滴滴、Uber。

还有的太超前、太科幻，比如 OpenAI、SpaceX。

你会发现，每个时代的伟大创业公司，都是在大厂看着它成长起来的。不是因为大厂没看到，而是大厂用某个理由说服自己：太小众、太 low、太超前、太累，或者不合规。

现在的大厂也会有类似判断。

比如他们觉得某些事情太 low。如果大家都觉得 harness 重要，那我们可能就没机会了。但去年大家还觉得套壳没戏、没用。

如果你认为套壳价值为零，但 what if 你错了？如果它其实不是零，那就有增值空间。

开源也是原来大家看不上的东西。大家觉得要有收入、要有商业模式，开源是什么意思？

现在不只是模型开源，OpenClaw 也通过开源获得用户。它现在可能还没有收入，但如果很多应用都跑在 OpenClaw 上，它有没有可能推出收费增强版？完全有可能。

通过开源吸引用户，再通过闭源和商业化获得收入。

OpenClaw 出来之后，很多人说它不安全，也很容易崩溃。它确实很容易崩溃，我自己也搞崩溃过很多次。

它的安全性也有问题，因为它和电脑绑定，可以读取你的文件。

但模型厂商或大厂不太敢做这种事情，因为它要对你的电脑负责，出事之后要承担责任。

这也是创业公司“move fast and break things”的优势。

很多事情在模型厂商看来可能不本质，但里面需要产品创新、权限创新和商业模式创新。

张小珺

今年你们看好哪些方向？

戴雨森

我们一直是投人的，所以还是投资优秀创业者。

但很有意思的是，优秀创业者常常会和热门方向共振。

去年下半年，我们投了两家做具身智能的公司，都是第一轮投资人。一位创始人叫刘松明，是 2000 年出生的；另一位叫丁宁，是 1997 年出生的。他们都来自清华，是非常年轻的 PhD 和教授。

我们投他们，不是因为他们做世界模型或机器人脑这些热门方向，而是因为我们跟踪了好几年，一直觉得他们是我们心目中清华新一代非常优秀的年轻学术型创业者。

但他们做的事情，今年变成了大家觉得很热门的风口，所以估值涨了很多，市场也很热情。

我们一开始不是因为要做这个方向，才去找这个方向的创业者，而是一直觉得他们很优秀，关注了很久。所以他们只要想创业，我们就会投。

我们始终是通过投人，寻找优秀的人。优秀的人做的事情，有可能成为下一个风口，成为大家关注的方向，但投资逻辑始终从人的角度出发。

我们每天都会想：清华里面谁最有创业家精神？北大呢？所有这些学校呢？名校里面、民企里面、开源社区里面，谁是最突出的个体？

我们不断思考这个问题，不断跟进这些人，和他们沟通交流，为他们提供更高质量、更早期的帮助。

他们终于有一天要创业，但实际上我们每个人都跟了几年时间，所以也理所当然成为第一轮、唯一的主要投资人。

张小珺

估值多少？

戴雨森

去年确定的时候，都是 2 亿人民币左右。现在好像都几十亿了，确实是市场比较热情。

不是因为我们想投世界模型，所以按图索骥，而是我们本来就看好这两匹千里马。它们往哪跑，是它们要思考的问题。

张小珺

你们为什么看好这两个人？他们有什么特质？

戴雨森

我们看好的很多人，都对技术有前瞻性的理解。

他们一个是 RDT 系列的作者，一个是 SimpleVLA 系列的作者，都是有一定影响力的论文。

比如刘松明，他几乎和另一批研究者同期做了通过大规模收集人类操作数据进行模型训练的工作。

他们也都具备企业家精神。对技术前沿的理解，加上企业家精神，在现在都很重要。同时，他们能够放弃很多东西，果断创业。

这和我们当时看智林是一样的：对大模型本身有很深刻的理解，同时想成为企业家，及时出来创业。

张小珺

说到你们最擅长的领域，你觉得 AI-native 创业者有哪些特质非常重要？和之前有什么不同？

戴雨森

创业者最底层的能力没有特别大变化。无论做互联网、AI 还是机器人，我相信学习力、领导力、创新力和意志力都是必备的。

很难想象有一个领域需要聪明人，另一个领域就不需要聪明人。我觉得不会这样。

但对于每项技术，我们确实在寻找引领者。不是别人说要做世界模型，我才去做，而是在别人还没有谈世界模型、agent 或大模型时，我就已经开始做。

智林在大家还不知道大模型是什么时，2021 年就开始训练大模型了。

我们投机器人领域的创始人也是一样。

我们有一家做灵巧手的公司，最近得到很多关注，估值涨得很快。它做的手，可能是全世界最好的灵巧手之一。

它最开始做的是电机。我们投它时，创始人说要做一个扭矩非常强的高扭矩电机。做着做着，他发现手很重要。

当时很少有人做高自由度灵巧手。那时大家做的手只有几个自由度。他说，未来机器人最好的操作方式会是手，人手数据最容易获得，手的成本也会快速下降，所以他要做手。

哪怕当时大家觉得手太贵，可能一只手要几十万元，市场很小，他还是坚定地做灵巧手。

现在手的成本在快速下降，硬件也越来越好。今年你会发现，像 Ego-centric 这类通过人手操作视频数据训练的模型越来越受关注。和人手同构的机械手也变得越来越重要。

但这不是说我们一开始就意识到手会特别好。我们也是投优秀的创始人，是他自己探索出了做手的机会。

张小珺

你们为什么判断他是一个好的创始人？

戴雨森

他从 UIC 毕业之后，就自己从家里拿钱做电机公司。他对创业有很强的执念，不是融到 VC 的钱之后才创业，而是自己拿钱去做。

他对这件事非常有热情。在整个硬件制作过程中，他有很多自己的坚持和思考。

我们也不断意识到，他很多思考是有引领性的。

当时他做灵巧手时，我们也担心是不是太早。但现在发现并不早，或者说正好赶上了这个时间点，赶上大家用人手操作数据训练模型的浪潮。

张小珺

这也是大家觉得世界模型重要的原因。过去 6 到 12 个月里，机器人发展很快，大家看到了一些端倪：机器人可能出现了某种 scaling law。

你刚才说了很多优秀创业者的特质。具体来说，他们会表现出什么，让你觉得“这是一个好的创始人”？你有没有什么不投清单，还是纯凭感觉？

戴雨森

当然不是纯凭感觉。我们在很多博客文章里都聊过看人的框架。

比如我们会把创始人分成四类：小天才、老司机、科学家、操盘手。

张小珺

到了这个时代，你们还是这么分吗？

戴雨森

我不认为这个时代就不这么分了。很多创业者仍然符合小天才或老司机的定义。

我刚才讲的四种力，也是我内部经常讲的框架：学习力、创造力、领导力、意志力。每一种力又有不同维度，可以进行判断和探讨。

优秀创业者的很多第一性原理始终一致。

从徐老师他们做新东方开始，我们始终关注创始人之间的配合和信任，关注创始人为什么创业，关注团队是否经过很多考验、能力是否互补。

这些不会变。

变化的是对技术的理解。20 年前是对互联网的理解，10 年前是对移动互联网的理解，现在是对 AI 和机器人的理解。

一个创始人往往很早就适应技术，很早开始使用。他对不同技术之间的细微差别有深刻认知，对技术发展有自己的洞察和判断。

这个判断不一定正确，但至少很多人没有判断，或者判断是从播客里听来的。

能够产生原创判断，这可能非常重要。

张小珺

所以更多创业者需要技术背景？

戴雨森

我觉得是，或者至少要深刻理解技术是怎么回事，可能是 PhD。

但技术背景和 PhD 之间确实有很强关联，不一定要拿到 PhD。

比如刘松明是在读 PhD，但应该是博二、博三时就退学创业了。所以不一定要拿到 PhD，或者说要做过一定研究工作。

世界模型是研究驱动的公司，或者说是研究驱动的方向。

但如果做 AI 应用，可能不需要 PhD。只是你对 AI 模型的理解，可能要和研究员处在同一个 level。

张小珺

姚顺宇今天我们已经提到很多次了，主要是因为离得比较近。

他说，AI 研究员的个人英雄主义时代过去了，已经是集体主义的事情。但 AI 产品经理可能还有个人英雄主义的机会。

你认可他的观点吗？在你心目中，一个好的 AI 产品经理应该是什么特质？

戴雨森

你刚才说的那些人，其实也可以叫 AI 产品经理。

如果沿用产品经理原来的定义，我觉得产品经理可能非常需要个人英雄主义。

你想想那些产品型 CEO，乔布斯、王兴、张小龙。我觉得他们的产品无一例外都是：我对未来有一个看法，大部分人没有看到，但我看到了，所以我要召集团队、调集资源，把产品做出来给大家用。

这里面一定带有他自己的远见和非共识看法，这可以认为是一种个人英雄主义。

顺宇一直说，以前的 AI 研究员，比如几年前的 Ilya，肯定需要个人英雄主义。但现在模型训练 pipeline 已经比较完善，一个人做 pre-training data 和另一个人做，可能差别没那么大。

这是因为模型训练很多内容已经工业化、系统化。

以前是探索，大家不知道要做什么。现在大家都在用类似方法训练模型，变得更工业化，个人英雄主义可能没那么明显。

但我觉得，做一个好产品始终需要引领。你要做一个世界没见过的东西，这才是好的产品。

这个时候确实需要偏见，需要你对未来有自己的偏见。

AI 产品经理要非常理解 AI 前沿发展，知道 AI 现在能做什么，以及接下来 6 个月大概率能做到什么。

好的 AI 产品一般都是为未来设计的。

同时，你要理解技术带来的细微差别。

我一直在想 OpenClaw 的创始人 Peter。他之前就是创业者，公司卖了 1 亿美元，所以他是我们定义的老司机。

他自己使用 Claude Code 时，需要吃饭，于是想：“我吃饭时怎么还能继续使用 coding agent？”

他一开始是想做一个在手机上继续使用 coding agent 的管道，所以做了一个 hook，把电脑上的 Claude Code 和 IM 连接起来，让自己通过 IM 远程控制 coding agent。

在这个基础上，他一步一步做出了 OpenClaw。

他对 AI 有很深的理解，是非常强的 power user，同时也理解很多细微差别。因为他要在手机上使用，所以要做很多别人没做过的事情。

这很像一个人群中的引领者：他有一个别人还没有的需求，做出来之后，大家才发现，原来我可以在手机上使用 Mac 上的 agent。

张小珺

过去互联网时代或移动互联网时代，有哪些非常正确的做法，今天已经不 work 了？

戴雨森

很多。

整体来说，移动互联网有很多当时的金科玉律，现在都会发生变化。

移动互联网的商业模式，可以说是“attention is all you need”：用户数或 DAU，乘以时长，再乘以变现效率，等于收入。

这个公式有一个 bug：世界上只有这么多人，每个人只有 24 小时。你会发现，用户时长已经接近极限，所以只能提高变现深度，于是出现了打赏、直播等高变现产品。

但在 agent 时代，用户盯着屏幕的时长不再是最关键指标。可能更重要的是 METR 研究的那个指标：agent 能持续完成有价值任务的时间。

你把任务交给它之后，它能运行多久？

所以，如何做好 harness，让模型长时间完成任务，变得更重要。如何解放用户的注意力，让 AI 去工作，变得很关键。

这完全是指标的变化：从 attention is all you need，变成 attention is not all you need。

护城河也会发生变化。

移动互联网的超级应用，往往把用户圈在自己的 app 里，不让用户出去，在里面形成闭环。

但如果用户的 agent 很强，却无法访问你这个封闭 app 里的信息，情况就会变化。

以前用户的 agent 很难访问微信里的信息，因为微信不开放。但用户可能会去访问飞书，因为飞书开放。

OpenClaw 出来之后，飞书接入得很快，还推出了飞书 CLI。

于是，原来在微信里的工作群聊，用户可能有动力迁移到飞书，因为微信里的 agent 看不到，飞书里的 agent 能看到。

原来的护城河，可能反而变成束缚自己的壁垒。

另外，互联网公司一般已经比较成熟，对产品安全性、质量有比较高要求。

但 OpenClaw 这样的产品没有历史包袱，可能有 bug、有安全问题，用户也愿意尝试，因为它针对的是创新型用户。

微信的一个特点是，它面向很多小白用户，特别好用、特别安全。但这种照顾小白用户、照顾最大公约数的设计，也可能让高级用户觉得不方便。

现在的生产力应用面向的是另外一类人群，可以为前沿用户设计最好的、最 AI-native 的交互。哪怕复杂一点，也可能更强大。

所以产品设计理念会不同，创业公司的产品可能更受高级用户喜欢。

今年春节我们还经历了各个 chatbot 的推广大战，发红包、买奶茶。

这也是移动互联网后期大家习惯靠投放、补贴获客的表现。

但现在领先的 AI 应用，绝大部分不是靠砸钱投放出来的，而是靠产品带来的魔法体验。

从 ChatGPT，到 Sora，再到 Manus、OpenClaw、Veo 3、Seedance 2，主力都不是投放，而是产品体验。

豆包当然有投放，字节不可能不投放。但豆包的语音做得很好，对各地方言做了很多处理。用户会觉得：“它居然能识别我的方言。”

我最近也使用豆包输入法，确实做得很好。它依靠产品带来的魔法时刻传播。

海外很少看到靠补贴获客。大家更关注什么功能重要、什么体验有用。

所以推广思路也在变化。原来习惯补贴获客，发红包让用户来用，但如果产品没有魔法体验，用户最后还是会离开。

互联网时代，大家非常关注 DAU。为了让 DAU 增加，精力放在 GUI 上，让用户使用得更舒服、更简单。

但如果用户不再以人类为主，而是以 agent 为主，每天有多少人来使用可能没那么重要，有多少 agent 来使用才重要。

这时产品设计可能要更 agent-friendly。CLI 或 API 可能要做得更好，而不是 GUI 做得多么 fancy。

总之，移动互联网里强大的公司所拥有的商业模式、产品模式、流量变现和推广方式，在 AI 时代都会发生变化。

因为一个是给人用的，一个是给 agent 用的，这里面会产生很多新的东西。

张小珺

大的 DAU 产品应该成为一个目标吗？

戴雨森

如果真的有很多 DAU，当然通常是好事。但 DAU 不高的产品，也不一定不大。

Claude Code 的 DAU 肯定远低于 ChatGPT，但收入量级可能更高。

一个大 DAU 产品和一个高价值任务产品，应该选择哪一种？当然，如果 DAU 高、价值任务也高，可能最好。

但如果用户不用频繁打开应用，就能完成大量有价值工作，那 DAU 可能就不是最重要的北极星指标。

相反，如果为了优化 DAU，让用户不得不上来多看几次，可能会出现很滑稽的场景。

更好的情况是，用户把任务交给 agent，它自己运行，用户甚至不用查看。这样用户访问反而会下降。

如果用户必须天天盯着看，DAU 可能很高，但这反而说明产品不能让用户省心地完成事情。

所以要看你做什么产品。从生产力角度，我觉得一个让用户省心、能够长程运行的 agent 更重要。

张小珺

你们现在会看数据指标吗？会看什么数？

戴雨森

我们投的是人，很多项目一开始还没有数据。

我觉得有多少真实、非常喜欢产品的用户很重要。很多用户可以花钱买来，收入也可以通过一些手段做出来，但有多少用户是你的狂热粉丝，这在这个时代很重要。

有 100 个觉得产品还不错的用户，可能比不上 10 个特别喜欢你的用户。

现在有些 AI 应用的逻辑很奇怪，讲的是“我是 AI 时代的抖音”，但说一千道一万，产品不好玩，或者不好用，没有任何一个人说：“这个产品太好了，我天天要玩。”

这种情况下，“AI 时代的抖音”可能是个伪命题。

我不知道是不是伪命题，但至少一个好产品应该像一道好菜，不是讲起来很好，而是用起来好用，吃起来好吃。

以前很多人讲 AI 游戏、元宇宙，最后被证伪的核心原因，就是没有用。

好的产品则不一样。大家说它是套壳也好，说它不高级也好，但它真的好用。

现在亲自使用变得很重要，这也是为什么新产品我都会自己去用。

张小珺

AI-native 的产品在哪里？

戴雨森

我自己在想，AI 有点像一个外星人来到了人类世界。这个过程有几个阶段。

第一阶段，是让人类拥有更多、更好的 agent。

3 年前人类社会没有 agent，现在有了一些，但还不够多。所以要让更多人低成本拥有好的 agent。

Claude Code、Codex、OpenClaw、Manus、Hermes，都在做这件事：安装越来越简单，配置越来越容易，也越来越容易管理。

这是第一波，让人类拥有更多、更好的 agent。

第二阶段，是让来到人类世界的 agent 更好地适应人类数字世界。

人类数字世界基本是为人类设计的，比如 GUI、验证码、信用卡。过去 AI 往往是被阻止的对象，因为大家要阻止 bot。

现在一堆好的 bot 来了，让 AI 高效使用人类软件和基础设施就变得重要。

支付就是一个问题。Stripe、Coinbase 都在做给 AI 使用的信用卡。

Cloudflare 以前是阻挡 AI，把 AI block 在外面。最近它推出服务，让 agent 可以像人一样注册和使用各种服务。

Computer use、sandbox，都是让 AI 使用人类已经写好的软件。

就像一个外国人来到中国，需要办 SIM 卡、微信账号和支付宝账号。现在要做的是让 agent 能够留下来，并使用人类已有的设施。

第三阶段，agent 进一步变多、变重要之后，会出现专属于 agent 的数字世界工具和基础设施。

人类使用信用卡，但人类支付有自己的特点：频率低，很难一天支付 1 万次；一般是点对点，我付给一个商家；金额相对较大，很少支付 0.0001 元。

但 agent 的支付可能非常高频。比如我的 agent 帮我写报告，可能要查询 100 个数据库，未来可能要支付 100 次。每次支付金额可能很小，也可能是多对多、一对多。

所以，给 agent 发卡，只是让 agent 适应人的系统；让 agent 使用人类 GUI，也是在让 AI 适应人类。

如果 AI 很强大、无处不在，那么 AI 应该有完全原生、符合自身特点的基础设施。

AI 和 AI 之间的支付，可能和人的支付不一样，甚至可能没有“卡”这个概念。

AI 可能使用 CLI 或 API，而不是人的 GUI。GUI 是因为人能力有限，比如人记不住自己看到哪里，需要一个列表；但 AI 没有这个问题，可以更高效。

所以我认为有三步：让人类拥有更多、更好的 agent；让 agent 更好适应人类数字世界；建设强大的、专属于 agent 的数字世界。

每一步都对应很多产品机会。

张小珺

假设 coding 能力无限，会有什么机会？

戴雨森

人类现在很多地方确实是因为程序员不够。

如果有很多程序员为你服务，第一是可以用到更好的软件。

比如智能家居、智能窗帘、智能热水壶。很多软件难用，是因为写它的人不是最顶尖的程序员。最顶尖的程序员可能在字节写推荐算法，但智能热水壶、扫地机的软件，可能由普通程序员完成。

如果每个软件都由顶级程序员编写，性能、可用性和安全性都可能大幅提高。

第二是个性化软件。

我们所有人都用微信，但微信要服务 10 亿人，所以里面一定有我想要、但没有的功能。

我一直想要语音条进度条。徐小平老师经常发给我十几条 60 秒语音，我希望能两倍速播放，也希望能拖到某个位置，但微信没有，只能一条一条听完。

我用的微信和我 90 多岁的奶奶用的微信，是同一个微信。这本身就是可以被改善的。

我是高级用户，可能想要更高效的联系人管理、群发能力和语音管理，不需要很多让我不断刷内容的功能。我的奶奶可能需要另一种产品。

现在所有人用的是同一个微信。也许未来会有一个应用提供底座，上面的功能可以被改造，符合每个人的个性化需求。

比如对你来说，微信里可以做采访、做播客。

第三，会出现很多一次性、低频使用的软件。

原来低频需求没有动力做一个软件，因为不划算。但今天，我们俩录播客，也许可以专门做一个软件。我们先准备问题和提纲，然后在录制过程中直接操作。

当你有无限多程序员，而且成本很低，就会诞生很多新需求。

但这会是逐渐的过程。它需要有人想象，也需要好的底座支持个性化。比如想改造微信，微信也要提供改造接口。

所以不是一蹴而就的。

张小珺

刚才讲到 AI-native 创业者和新机会。对于 AI-native 创业公司的组织形态，你有没有观察？有没有比较好的案例，和上个时代有什么不同？

戴雨森

第一，确实会变小。

创业公司原来经常缺人，但现在如果有想法、缺人开发，可以使用 agent。尤其产品阶段，公司规模会变小。

如果需要地推、商务谈判，还是需要人。但在写代码、获得 PMF 的阶段，公司规模会变小。

以前软件开发是瀑布式分工：架构、后端、前端、测试、UI、运营，各自负责一部分。

现在可能越来越多变成全栈。因为我只需要指挥一个 AI agent，这些事情都可以做。

组织可能从瀑布式、按职能分工的流程，变成一个个独立运行的小组织。几个人负责一个产品功能模块，从底层设计、前端上线、测试到运营，都是同一拨人完成。

很多公司都在尝试用 agent 提高经营效率。

但一个运行了 10 年的公司，最大问题是 context 和数据没有进入 AI。把这些 context 导入进去非常难。

新的公司可能从第一天开始，就让所有 context 对 AI 可见。

我们投了一家公司叫 Slock，它做的是人与 agent 协作的平台，有点像人与 agent 一起使用的 Slack。

他们整个公司的运转、任务管理和编程，都在自己的平台上完成。他们是 build Slock using Slock。

Claude Code 和 Codex 团队也分享过，Claude Code 是用 Claude Code 写的，Codex 是用 Codex 写的。

新产品、新公司从第一天就让 AI 参与绝大部分经营指导和软件开发，效率提升会很明显。

张小珺

组织结构会发生变化吗？

戴雨森

分工会变得模糊。

原来有前端、后端、UI，是因为人的技能有限、context 有限，一个人不能同时做前端、后端和 UI。

现在 AI 可以做，所以组织分工可能更模糊，出现更多全栈的人，而不是明确划分的组织部门。

这会带来一个推论：如果公司已经有很明确的部门墙，AI 就很难适应。

所以大公司推动 AI，不是每个人装一个 Claude Code 就完事，它需要组织变化。

这也是为什么有了好模型，不代表马上降本增效。很多时候要解决的是人的问题。

张小珺

这是一轮 AI 组织变革。

戴雨森

对。组织变革我想多讲两句。

以前有一篇文章讲得很好，我忘了是谁写的。它说，工业革命中有一个从蒸汽机到电动机的过程。

蒸汽机工厂围绕一根主轴建设。蒸汽机是一根轴在转，所以工厂有一根很长的轴，轴上连接很多皮带，把动力传送到每台机器。

那时工厂是狭长型的，整个工厂都围绕这根轴建设。

电动机出来之后，因为电线不需要主轴，工厂可以更大、更扁平。

更大、更扁平的工厂带来了流水线，这是福特当时做的。

只有厂房足够大、足够扁平，才能做流水线。如果所有动力都来自一根轴，就很难建造大型流水线厂房。

流水线的诞生带来了生产效率大幅提升。

这个故事说明，从蒸汽机到电动机，并不会自然带来生产力提升。你需要厂房的物理组织发生变化，也需要生产组织发生变化：从一个工位做很多事情，变成一个工位做一件事情。

技术最终带来的结果，是逐渐渗透的过程。组织变化才是难点，因为组织变化是人的变化。人的变化不是一分钟就能发生，可能要 10 年，甚至要等旧组织中的人被新的人替代，或者新组织替代旧组织，变化才会发生。

张小珺

你有一个观点：下一个字节跳动级的公司，可能长得不像字节跳动。要不要阐述一下？

戴雨森

10. The Next ByteDance Looks Different

现在大家看到，以字节跳动为代表的移动互联网大 DAU、高变现公司非常成功，所以很多创始人和投资人都在寻找下一个字节跳动。

但每个时代革命性的公司，解决的用户问题和交互方式都不一样。

很多人做 AI 应用，我会把它总结成“AI 信息流”：打开之后也是信息流，用户单列或双列刷 AI 生成的内容，或者和 AI 互动。

这里面也有很多字节系创始人。我觉得这就是把新技术包在字节最擅长的信息流壳里，再去比推广、比留存、比分发。

但在自己的游戏规则里打败自己非常难。

比如 OpenClaw 完全是另一种形态。它没有自己的应用，甚至没有自己的阵地，而是活在每个地方，活在你的微信、管理工具里。

我想说的是，把上个时代的成功范式——信息流、推广、商业化、留存——完整搬到 AI 时代，反而是在和上个时代的冠军竞争，这非常难。

移动互联网时代主要是 to C，但在 AI 时代，to C 娱乐、to C 游戏的机会，不一定是最大机会。

为什么？现在做任何 AI 游戏或 AI 短剧，一上来就面临分发问题，甚至需要自己买量。分发已经被已有冠军把持。

第二，竞争对手一上来就是抖音、红果和小红书。你得比它们更好看，这很难。

快手、字节刚出来时，只要比用户闲着没事时的选择更有意思就可以。但现在，用户要在刷短视频、看短剧和玩你的游戏之间选择，你的游戏一上来就得非常好玩。

一些 AI 游戏公司面临的尴尬就是，游戏确实不好玩。

张小珺

关键是游戏不是 AI。

戴雨森

对用户来说，目的不是使用 AI，而是玩一个好玩的游戏。

用户有王者荣耀、PUBG，也可以看红果短剧。你的游戏是不是足够好玩？不能说因为游戏是 AI 的，用户就要玩。

用户还是要玩一个好游戏，这种竞争一开始就很难。

但从生产力角度，原来用户需要手动做 Excel，现在 AI 可以帮你做，可能就是 10 倍、100 倍提升。

这是相对简单的问题。

所以现在大家追投的 AI to C 应用，不一定是很好的投资方向。

张小珺

很多字节系创始人出来之后，可能会沿用字节的打法和方向。整体从人群划分来说，字节系创始人是一个好的投资人群吗？你会更仔细地看他们吗？

戴雨森

字节出来的创始人，素质肯定很高。

我的一个简单观察是，有的人需要把自己从字节学会的东西再颠覆一遍。

我们确实看到一些字节系创业者做的产品很像字节产品：信息流刷来刷去，里面可能是 AI 生成的小游戏、组件或者 chatbot。

如果把这种转型理解为再做一个信息流应用，我觉得很难有大机会。

张小珺

那接下来有什么大机会？

戴雨森

比如刚才讲的，如何让 agent 的三步走更快发生：让更多 agent 来到人类世界，让 agent 更好适应人类数字世界，让 agent 与 agent 之间协作得更方便。

我认为这都是巨大机会。

每次技术革命发生，我认为首先都是新技术解决老问题的过程。

互联网创业时，原来已经有邮件，于是用互联网再做一遍邮件；原来有新闻报纸，于是用互联网再做一遍报纸，出现门户网站；原来有商业，于是用互联网再做一遍商业，出现自营电商。

这个过程是新瓶装旧酒，新技术解决老问题。这个阶段往往有很大价值。

但最大的机会，往往在技术渗透率达到一定程度后，诞生全新机会。

互联网时代，上网的人越来越多，就出现了把这些人组织起来的契机，于是有社交网络和即时通信。

越来越多信息上网之后，查找信息的方式发生本质变化，于是出现搜索引擎。

商家、买家和卖家都上网之后，需要更好的组织形式，于是出现平台电商。

移动互联网来临时，大家用移动思维做老需求：移动浏览器、移动搜索引擎、移动 YouTube。

但移动搜索引擎还是 Google 和百度，移动浏览器还是 Chrome，移动 YouTube 还是 YouTube。

当智能手机和 4G 普及率足够高，内容创作者和消费者都有智能手机之后，才诞生新的内容平台、短视频平台和直播平台。

然后才出现推荐引擎。因为手机屏幕很小，用户没有时间搜索、点击，所以需要推荐。

这是技术渗透率达到一定程度之后，出现新的 native 商业模式。

游戏玩家都坐在手机前之后，出现手游和米哈游这样的伟大公司。

蓝领工人和体力劳动者也拥有智能手机之后，出现美团、滴滴等 O2O 公司。

下沉市场用户使用智能手机、拥有微信和支付方式之后，出现拼多多。

这些公司全都是创业公司。它们做的事情就是：技术渗透率和完善度达到一定程度之后，新机会出现。

AI 也是一样。

AI 一开始是新技术解决老问题：原来要 coding，AI 帮你 coding；原来要写文章，AI 帮你写文章；原来要翻译、画图，AI 帮你翻译、画图。

这部分已经诞生了巨大价值。

但如果把规律继续往前推，当 AI 或 agent 渗透率很高、变得很成熟时，就会出现新的机会。

你有 agent，我有 agent，每个商家都有 agent，每个产品和服务都有 agent。

它们之间如何协作？如何高效地让我的 agent 变得更有价值？

当每个人都有自己的分身，沟通是否会发生变化？未来可能不是我来接受你的采访，而是我的分身接受你的分身的采访。

这样我可以针对很多话题，生成更个性化的内容。

如果大量工作由 AI 完成，组织会发生什么变化？商业模式会发生什么变化？

过去很多商业模式建立在广告上。如果广告不是人看，而是 AI 看，广告还存在吗？是不是要发生本质变化？

再比如现在是 AI 帮人生成 Excel。Excel 是人与人沟通的工具，我做一个 Excel 给你看，你能理解我要表达什么。

但未来 AI 和 AI 之间可能不通过 Excel 通信，而是直接通过 API 把数据传给对方，不需要把数据组织成表格。

那微软过去的护城河是不是会受到打击？

美国 SaaS 现在出现的变化也是这样。过去 AI 通过 computer use 使用人类软件，因为人类要使用软件。未来可能不需要这个软件，AI 直接和底层数据库通信，那软件界面就没用了。

所以这里面很多机会，都属于 AI 渗透率和能力达到一定程度后出现的新机会。可做的事情非常多，而且大概率由创业公司完成。

今天还处在第一阶段，很多人在做 AI 帮人类完成原本要做的事情。

但已经逐渐出现当你有 AI、我也有 AI 时的雏形。

比如我投资的 Slock，它就是一个尝试：我们三个人合作，但可能有 5 个 agent，3 个人和 agent 在同一个渠道里协作。你可以给我的 agent 下命令，比如让它看一个文件、给你反馈。

这和日常工作很像，只是现在还非常早。

包括我刚才说的 agent-to-agent marketplace：你有 agent，我有 agent，它们能不能各取所长，进行价值交换？

这些都是有意思的尝试。

还有被 Meta 收购的“Malt Book”（原音）。它相当于每个人的 agent 去发帖。

当然现在有一点 cosplay 的感觉，因为发什么是主人指定的。但如果你的 agent 能够运行一个月的 long-horizon 任务，中间去发帖、做一些事情，也很正常。

就好像有外国人经常去的酒吧一样。

张小珺

硅谷今年 VC 投资最火的主题是 new lab。你觉得中国的主题是什么？

戴雨森

New lab 确实很火，好像 D D 最近做了统计，已经有 60 多家 new lab。

这反映了几个观察。

第一，大家认为现有几家头部模型公司已经很大了。如果要继续创新，需要更加自由、资金充沛的科研型组织。

但硅谷并不是所有人都只投 new lab。首先，投 new lab 的是一类 VC；另外一类 VC，比如 Benchmark，可能觉得这个太贵，不想投 research-driven、没有明确方向的公司，更愿意投产品型公司。

你看 YC Demo Day，70% 还是各种 vertical SaaS。

这有点像习惯驱动。硅谷喜欢垂直 SaaS，所以很多人用 AI 做垂直 SaaS，只是原来由人编码，现在加上 AI 和 agent。

应用层面，硅谷是各种 vertical SaaS；科研层面确实有很多 new lab，做 AI research、AI for science 和机器人。

中国首先硬件会火很多。过去 12 个月里，机器人一直很火。

现在从原来做人形硬件，变成开始做机器人脑、世界模型。大家对世界模型有很多不同定义，但做世界模型的公司确实很多。

还有 AI 硬件，不管是可穿戴设备，还是各种其他设备，也有很多。

AI 应用也不少，一方面是生产力相关，另一方面是想做下一个字节的 AI 娱乐应用。

另外还有很多硬科技，量子计算、可控核聚变最近也很火。

整体来说，我们比较偏硬。一方面，硬科技在资本市场上有正反馈，包括上市等结果；另一方面，很多人还在寻找下一个英伟达。

张小珺

但英伟达有自己的执念，而且也是上市最成功的公司。为什么不找 SpaceX？

戴雨森

最近我好像看到，有两个 00 后手搓火箭。

其实火箭公司挺多的，商业发射公司也不少。中国商业发射可能更需要和政府紧密合作。

商业火箭公司应该有几十家，其中头部玩家可能有五六家。

张小珺

你前段时间也在硅谷学习了一段时间，有什么前沿方向可以和大家分享？

戴雨森

我觉得最大的感受有三个。

第一个，coding 带来了巨大变化。大家都在拼命使用 coding，不管有没有用，先用起来，然后开始大跃进式烧 token。

Meta 有一个 leaderboard，大家比较谁烧得多。这里面肯定有很多浪费，但也肯定会找到很多创新。

这带来两种情绪：有些人很兴奋，觉得 AGI 马上实现；很多人很恐惧，觉得自己要失业。

所以硅谷很多人都想去买 Anthropic 的老股。既然 AI 要消灭我的工作，那我不如成为它的股东，至少要上车。

这有点像韩国人都想去三星、海力士工作。这是 AI 的 B 面：大家看到了潜在失业带来的巨大影响。

第二，我觉得世界模型确实是在中美过去 6 到 12 个月里变得很热门的概念。

中国很多时候是因为已经有很多硬件，但硬件必须有用，要能操控、真正帮人做事情，否则不能买回来只摆在家里。

从模型角度看，过去一些通过大规模采集 ego-centric、人手操作视频进行训练的模型，以及通过人带着夹爪进行操作、收集数据训练的模型，都陆续出现了一些端倪。

机器人在任务稳定性，以及对没见过的任务的泛化能力上，似乎都出现了提升。

硅谷特别想把语言模型的范式迁移到机器人模型上：通过收集大量数据，符合某种 scaling law 进行训练，让机器人模型具备 zero-shot 泛化能力。

有些事情没见过，但可以直接完成；或者 few-shot，看人类示范一次就学会；同时提高稳定性。

我最近做演讲时，把机器人模型的过程分成 pre-training、fine-tuning 和 imitation learning 三步，对应语言模型。

如果以语言模型为出发点，就会很想建立这样的对应关系。

世界模型是一个很热、很大的词，但现在也处于概念纷争中，到底什么是世界模型，大家并没有共识。

可能大家普遍认为，不管使用什么方式，目标都是像语言模型预测下一个 token 一样，世界模型预测下一个世界状态，也就是下一个 state。

但具体采用什么路线、收集什么数据、scale 什么数据，有很多分歧。

第三是 auto research。

大家想实现的，还是一个 recursive 的过程：AI 能够自我迭代、自我提升，AI 提升 AI。

不管是在科学研究还是 AI 研究上，都有公司在做这件事。

今年田渊栋的 Recursive 也官宣了，好像也在做自我改进的 AI。

这是面向未来很重要的方向。中国也有一些科研型公司在考虑做这件事。

大概这三个，是我觉得过去 6 个月在硅谷变得非常热门的领域：coding、世界模型和 auto research。

张小珺

这些和中国有什么不同？

戴雨森

我刚才讲的三个方向都偏基础研究。

在硅谷，做 horizontal 的通用应用相对少。我发现 Manus 好像还没有太多竞品，当然也可以说 Claude Code 和 Codex 是竞品。

但 Perplexity 也有很多人使用，ARR 已经到了几亿美元；Devin 也有几亿美元 ARR；OpenAI Pro 等产品也有很多人使用。

所以我感觉，硅谷还是非常 focus 在模型和 vertical 上。Horizontal 仍然有很多机会。

张小珺

你个人在中国投资会更偏应用吗？

戴雨森

模型我投了 Kimi，其他基本都可以说是应用公司。

张小珺

世界模型算模型还是应用？

戴雨森

世界模型算模型，所以新投了两家模型公司。

张小珺

从训练模型的角度，是这样吗？

戴雨森

对，可以这么理解。

张小珺

那世界模型算基础模型吗？

戴雨森

算机器人的基础模型，解决机器人问题的基础模型。

张小珺

你笑一下，是因为这样估值会更高吗？

戴雨森

我觉得“世界模型”这个词太模糊了。它有点像一个 hype 词，方便交流时使用。

大家说世界模型，但每个世界模型公司的做法可能很不一样。

比如谢赛宁肯定会认为，很多所谓世界模型公司做的都不是世界模型。

但 VR 可能也可以被认为是一种世界模型。不过谢赛宁可能觉得，这里面有很多 language，就不算。

他好像也认为 video generation 不是 world model，但显然有人不这么认为。

所以我觉得这仍然是一个开放问题，没有收敛。

张小珺

国内硬件机会会很大吗？有什么 AI-native 硬件产品是你觉得不错的？

戴雨森

你说的是可穿戴、录音这一类，还是机器人？

张小珺

消费电子。

戴雨森

消费电子我有一个暴论：我认为现在很多消费电子公司会重蹈新消费那一波的覆辙。

如果大家还记得，2020 年左右新消费特别火，什么品类都被做一遍：护肤品、洗面奶、牙膏，什么都有。

但后来大家发现，不是把传统品类做一点小创新，再通过互联网、直播和李佳琦带货，就能变成完全不同的新品类。

现在很多 AI 硬件没有解决 fundamental 的问题。它可能只是给硬件加一个 chatbot，或者增加一些 AI 感知、交流能力。

但它有没有创造新的需求品类？我有一点担忧。

整体来说，硬件比软件更难。硬件有供应链，要开模、设计，迭代更慢，需要更多资金占用，销售也更麻烦。

现在也有人讨论，agent 是不是需要一个专门载体，比如所谓的“龙虾机”。

但为什么大家最后还是买 Mac mini，或者使用手机？因为现有电脑和手机在尺寸、性能、耗电、散热等方面已经做得比较均衡。

所以在较长时间里，agent 的好载体可能还是手机和云端。

现在有很多可穿戴设备，可以录音、提供更多 context。我觉得这些产品都会面临一个问题：你要把一个东西穿戴起来，本身就是一个需要长期坚持的习惯。

尤其是今天换件衣服，还要记得把设备别上去。它必须解决很大的需求，提供很大价值。

如果只是录音，再告诉你今天有什么 to-do，我觉得这很多时候是 VC 想象出来的需求。

VC 觉得自己很忙，所以希望有一个设备每天提醒自己有 10 个 to-do。但对绝大部分普通人来说，把每天的生活录下来带来的增量价值，相对它带来的麻烦很有限。

所以我对这个领域比较谨慎。

张小珺

可穿戴硬件你们都没有投吗？

戴雨森

基本没有。像 Limitless 这一类，我们都没有投。

这不是针对某一家公司的评价，只是从投资人的角度，我觉得这件事不好做。

相反，我们投了 Oura 和 WHOOP。它们当然也可以说和 AI 有点关系，但它们本质上是健康硬件。

我觉得还是要真正有用，而不是因为用了 AI，就应该值很多钱。

张小珺

机器人呢？你们投了多少？

戴雨森

我们投了机器人的组件公司，比如灵巧手和机械臂，也投了两家世界模型公司。

之前还投过一家机器人公司，后来拆分成了其他业务，但这一波人形机器人我们确实没有投。

人形机器人现在仍然处在非常早期，以科研为主。

不管它讲什么故事，它最终有没有用，我认为都要靠 manipulation，也就是能不能真正操作东西。

世界模型不管是谁做、怎么做，最终都要让机器人能够操控现实世界。

人形机器人现在处于资本非常兴奋的阶段，估值和销售预期都很高，我不知道能不能持续。

至少现在，人形机器人到底有没有用，仍然在发展过程中。

我觉得人形机器人未来完全可能很有用，但前提是它需要有好的手，还需要好的臂和其他机械结构，同时还需要更好的模型。

我们投了手，也投了模型，当然肯定错过了很多机会，但还在观察。

张小珺

去年 pass 最多的项目是什么类型？

戴雨森

跟风项目。

现在信息传播更快，VC 关注某个领域或偏好某个方向，很快就会形成共识。

比如很多人做可穿戴录音设备。大家都会说，agent 需要很多 context，所以我要做一个设备把你的 context 录下来。

还有很多人做各种领域的 messenger。

但我们希望投的是出题家：提出不一样的看法，做不一样的东西，哪怕听起来很奇怪，而不是一个已经形成赛道的项目。

比如可穿戴录音赛道，Plaud 其实很厉害，因为它定义了产品形态。但后来有很多人做各种 plugin，做成不同形状，贴在手机后面或其他地方。

这就变成了跟风。

我们 pass 得比较多的一类项目，就是因为赛道火了，有 VC 在谈，有播客在讲，所以创业者要做一个 better 的产品。

张小珺

播客现在能影响投资判断吗？

戴雨森

肯定是传播信息非常好的渠道。

小珺的播客听众很多，大家会越来越快同步到前沿认知。

张小珺

你会听完吗？

戴雨森

我其实不听播客，通常是把播客转成文字读。

张小珺

你觉得这样更高效？

戴雨森

对。不过特别好的节目我会听，比如你和赛宁聊的那期。

张小珺

你听了 7 个小时，我怎么不信呢？

戴雨森

我陆陆续续听的。

我喜欢阅读胜过听。平时也不开车、不做饭，没有太多必须腾不出手来的场景。

我自己写了一个 AI 小应用。它会每天检查我关注的播客有没有新的 transcript，自动下载后放到 Notion 里。

我每天打开 Notion，看 AI 有没有给我整理新的播客文字稿。

张小珺

这个文字稿很长啊，你能读完吗？

戴雨森

肯定比听的时间短。

两小时的播客，我不需要用两小时读。七小时的播客，我读完也应该不用 7 小时。

张小珺

过去半年你自己有什么变化？AI 发展这么快，对投资人的改变是什么？

戴雨森

首先，我确实使用 agentic coding 做了很多自己用的小工具。

我以前不会写代码。去年年底用 Claude Code 时，我发现它能完成 80% 的任务，但距离真正发布上线、调通并用于日常，还有临门一脚。

但今年年初再用时，完成度完全不一样。

我现在做的很多事情，是把各种信息获取集中起来：播客、newsletter、会议纪要以及自己的写作内容。

每天有好几个爬虫把这些内容整理到一起，再给我生成日报。

比如我一天见一个人 3 次，系统会把他的内容纪要整理到这个人的条目下面，建立对一个人、一家公司、一只股票的长期跟踪。

这确实让我的信息获取和收集效率提高了很多。

投资行业大量依赖信息和分析，所以 AI 对生产力的提高，至少在投资行业是非常实实在在的。

但我最近一直在想另一个问题：我们很自然地把很多思考外包给 ChatGPT 或 AI。

以前遇到问题，可能会自己了解、自己想一想。现在很多时候直接问 AI：“这怎么回事？”

这当然带来很多好处，但也可能出现问题。如果你直接得到答案，没有经历自己的思考过程，那么你对答案质量的判断，以及接下来如何继续思考，可能都会受到影响。

你的大脑没有变化，权重没有更新，可能并没有真正理解这件事。

我后来想到，如果一个人长期坐轮椅，腿部肌肉会退化、萎缩。

如果一个人长期用 AI 带来的所谓思考，代替自己的思考，那么思考能力可能也会退化。

以前我们把体力劳动外包给机器，所以现在人类可能比 1,000 年前更缺乏身体力量，因为大量时间坐着或待在车里。

后来我们把知识和记忆外包给互联网。很多东西记不住了，就搜索一下。

现在我们正在把思考外包给 AI。

Andrej Karpathy 说过一句话：你可以外包思考，但不能外包理解。

但我认为，思考可能也不能完全外包。

我们现在为了多运动，会去健身房，刻意锻炼。

也许当很多思考外包给 AI 之后，我们需要“思想健身房”，刻意去思考。

比如为了准备这期播客，我有一些观点，但我会逼自己思考：这些观点的论据是什么？它们是怎么来的？

思考之后，而不是让 AI 直接总结，我才能把一件事讲得更清楚。

思考需要刻意练习，创新也需要刻意练习。

现在一个明显特点是，年轻人有很多想法。但作为一个快 40 岁的中年人，我感觉自己的想法比 20 岁创业时少了很多。

虽然我现在拥有各种 coding agent 的订阅，每天有很多 AI 等着给我打工，但到底要做什么，反而成了问题。

张小珺

我也在想，现在有很多 AI 程序员等着你调遣，但问题是要做什么。

戴雨森

这可能不叫问题，而是一种苦恼。

这也需要刻意练习。可以先从简单的 web app 开始，比如同步会议、日程和订阅。

很难一上来就写一个复杂应用，因为你都不知道要写什么。但可以从简单的开始，一步一步增加复杂度。

就像健身，先做拉伸、俯卧撑，再逐渐变复杂。

在 AI 时代，学会使用 AI 也需要刻意练习。很多人不知道用 AI 做什么，但这个能力可以逐步提升。

我有一个不愿透露身份的朋友，姑且叫他林总。他每个月要烧 1 万美元 token，非常努力地用 AI 解决各种问题。

他做了一个扫描器，每天扫描哪些域名到期、有没有人注册，然后看 AI 注册回来的域名，思考这个域名能做什么。

这有点像 Omakase：今天去鱼市看到什么鱼，就做什么菜。

他是在逼自己刻意做一些东西。比如他上次买了一个和猫有关的域名，就给家里 5 只猫做了一个实时监控系统。

我很佩服他，因为他在刻意练习用 AI 创新。

张小珺

你用 AI 做了什么好玩的事情？

戴雨森

我和家人、太太以及父母都有智能硬件，比如 Oura 和 WHOOP。

我做了一个 dashboard，把不同设备的数据 API 放在一起比较。

最近我和林总以及另外几个朋友，用我们投资的 Slock 共创一个应用，鼓励朋友之间互相比较健康数据。

他们最初的目的，是督促我减肥。他们说要做一个 dashboard，让我看到大家的睡眠都很好，所以我要多睡觉。

我说那我也一起开发。我们用 agent 协作做这个东西。

它可能不直接产生商业价值，但在过程中，我们能体验如何用 agent 一起协作完成一件事，也能理解其中的难点。我觉得这是很有意思的体验。

张小珺

社会应该怎么消化技术变革带来的变化和冲击，包括失业？

戴雨森

我觉得失业可能确实不可避免。

现在技术扩散速度更快，可能会快到超过很多人重新学习、适应新技术的速度。

从个人角度来说，学习 AI、锻炼使用 AI 的能力，对职业安全非常重要。

谁能驾驭好 AI，可能就更难失业。

但目前来看，AI 摧毁价值的速度比创造价值的速度更快。

现有工作被快速替代时，公司会变得更高效。但对个人来说，一方面要学习 AI，另一方面要进入 AI 较难替代的领域。

比如很多人与人打交道的工作，仍然很难被 AI 替代，因为需要人与人之间的信任，也需要有人承担责任。

很难因为会有失业，就让 AI 停止发展，因为谁也承担不起不发展的代价。

未来可能会通过类似 UBI 或税收的方式，进行一定程度的利益再分配。

最近韩国有人提议，三星、海力士赚了太多钱。这也可能是为了社会稳定。

但我们现在看到的是 AI 的一阶导，也就是直接影响：AI 可以写程序，所以程序员可能失业。

长期来看，我仍然乐观。因为从历史看，新工作的产生需要时间，但会出现在很多想象不到的地方。

工业革命最开始，蒸汽机是为了从矿井里抽水。煤矿越挖越深，越深越容易积水，积水后容易塌方，非常危险。

当时蒸汽机只能做直线运动，所以只能用于抽水。

后来瓦特发明冷凝器和行星齿轮，把往复运动变成圆周运动。蒸汽机可以做更多事情，尤其是带动纺织机。

纺织业发展之后，每个人拥有的衣服变多，于是产生了对颜色的需求。

以前只有几件衣服，不需要区分颜色。但有几十件衣服之后，就需要更多颜色。

最开始的染料是天然染料，产量少、价格贵。比如紫色是最贵的颜色，因为自然界里的紫色比较少。

于是化学合成染料工艺开始发展。现在的巴斯夫、拜耳这样的化工巨头，当时其实都是从染料作坊开始的。

这不是完全直接的类比，但历史上，纺织业的发展带来了染料工业增长，染料工业又带来了化工产业诞生。

化工产业后来产生汽油、塑料、化肥等一系列重要产品，又带来农作物生产力提升、塑料应用等新的场景。

蒸汽机的发明，会扩散到很多地方。一开始大家也没想到蒸汽机会带来纺织业提升，或者带来化工工业发展。

这需要时间，也需要企业去发现：当某一种能力供给大幅提升之后，会产生什么生产力溢出，又会带来哪些机会。

所以长期来看，新工作一定会产生，但扩散需要时间。

这个过程中，一个人可以学习使用 AI，也可以探索 AI 带来的新机会。

问题是，工业革命有几十年的扩散时间，而 AI 可能一年就让编程发生巨大变化，所以带来的动荡可能更大。

投资机会，以及社会对于人与人、人与职业关系的思考，都会发生很大变化。

最大的变化可能来自于人类如何思考和 AI 的关系。

我不知道你使用 Claude 多了之后，会不会对它产生很强的信任和依赖感。

它能很好地帮你完成很多事情之后，你会天然信任它，也会形成一种协作关系。你和它一起做了很多事情，就会愿意告诉它更多东西。

这种依赖会对生活和工作产生很多变化，我们其实还没有准备好。

很多人使用小龙虾时，并不是用它做特别重要的工作，而是像养成系一样，发现它记得很多东西，也能帮你完成很多事情。

它有你的记忆，又能帮你做事情。

OpenClaw 的对齐文件写得比较有人味儿。相比 ChatGPT，它有一点拟人感，但又没有特别拟人。

很多人使用它时，会产生一种养成系的情感投射。

原来只是聊天，但现在我们在一起协作，这带来的关联性更强，心理依赖度也更高。

如果现在把 AI 从你的生活里拿掉，可能真的很难拿掉。

张小珺

很多人会问，孩子以后上学应该学什么专业。你怎么看？

戴雨森

我觉得培养他的 agency 会很重要。

两年前我在博客里讲过，人最后会剩下 agency 和 taste。很多人都这么说：AI 负责干活，人拥有 taste。

但我后来意识到，taste 也很难说是人的专属能力。AI 很聪明，也看过大量好数据，它的 taste 可能远超普通人类。

AI 做的 PPT 很好看，我一眼就能看出来。所以我认为 taste 可能也不是人类专属的阵地。

目前来看，至少还剩 agency。无论 AI 做得多好，要做什么，还是要由你告诉它。

所以我刚才说，创新需要刻意练习，做什么也需要刻意练习。

很多人，包括我自己，如果突然问“你要做什么”，可能并不知道。但如果你刻意去想，就会发现还有很多事情可以变得更好。

至少目前，一个人要能提出好问题。

如果有一个人能回答你所有问题，但你不知道该问什么，就没有用。你要有想解决的问题，有想改变的现状。

现在也在讨论 proactive agent。proactive agent 顾名思义，就是它会主动做事。但它毕竟需要更强的意志力来帮你想。

这会更有挑战。

我后来在想，以现在的模型结构，AI 能很好地解决人类已经拥有的数据，也就是 within distribution 的事情。

但人类很有意思，少部分人能够创造 out-of-distribution 的东西，创造之前人类从没见过的事物。

现在 AI 还没法讲一个真正原创的笑话。它只能把人类讲过的笑话重新组合，但讲不出原创笑话。

为什么有的人能够创造 OOD 的内容？比如伽罗华 20 多岁就创造群论，为什么？

这可能涉及对人脑的研究。

包括 Yann LeCun、Sutton 等人也讲过，松鼠的智能、猫的智能，人类还没有真正学会。

如何探索世界，形成自我学习、自我进化的过程，这可能还没有找到答案。

如果一个人的能力全都处在人类已有分布的中心，就很容易被替代。

但如果一个人能够产生 out-of-distribution 的内容，创造之前没有过的东西，就可能不容易被替代。

这可能叫好奇心，也可能叫创新性。如何在教育里体现这些，可能是非常大的课题。

人类历史上一直在把真正重要的能力蒸馏出来。

工业革命之后，体力变得不那么重要，脑力变得重要，于是大家开始读书、重视教育。

互联网发明之后，我觉得它把知识和能力分开了。知识可以搜索，所以大家开始重视动手能力，比如写代码。

AI 来了之后，又把能力分成执行力和判断力。

执行力，也就是把一件事做出来，越来越容易被 AI 替代。但判断力——我要做什么——目前仍然重要。

taste 可能也会被 AI 替代，因为 AI 可以跑实验、获得 reward。

最后要做什么、如何行动，至少目前 AI 还不能完全自己启动。

所以我觉得，让一个人更有 agency，是一个重要方向。我自己也从多用 AI、多做一些稀奇古怪的东西开始。

张小珺

录播客之后经常会被打脸，你还会继续录吗？

戴雨森

之前我和瓦总说：“下次不要录了。说出去的话会限制自己，对自己产生某种 flag。”

瓦总就是极客公园的 CEO、George。他说：“你不能被自己说过的话束缚。如果你觉得被打脸之后就不录了，那你才是真正被打倒了。”

所以我觉得，不断总结自己的思考，是让自己有机会把没想清楚的问题想得更清楚。

刻意练习，刻意练习。

因为当你表达时，会发现有些地方你确实很清楚，知道自己懂；有些地方你以为自己懂，但其实只是糊弄过去。

讲一个东西时，你会发现自己到底清不清楚。所以这也是对我自己的整理过程，我觉得很有价值。

而且还是那句话，作为一个早期投资人，频繁被打脸是一种幸福。

如果一个人总是不被打脸，大概率不是因为他永远正确，而是因为他没有进步。

频繁被打脸，一方面说明我获得了反馈信号，在成长；另一方面说明这个行业在变化，有很多新东西，所以我的早期投资工作才有机会。

张小珺

我其实是在想，要做一个经常被打脸的工作，还要享受被打脸。

那我们这个系列会继续延续下去吗？

戴雨森

可以啊。下次肯定还会被打脸。

我不知道其他嘉宾会怎么想，反正我觉得这很正常。早期投资就是一个习惯被打脸的工作。大家也都接受了吧。

张小珺