铃阅时讯
❌

普通视图

第九届高瓴HCare全球生命科学产业创新峰会举行:推动全产业链加速与全球价值创造

2026年5月18日 18:59

高瓴时间 2026-05-18 18:59 北京

全产业链协同 生命科学下一站

导读:2026年5月15日,第九届高瓴HCare全球生命科学产业创新峰会在上海举行。本届大会以“全产业链加速与全球价值创造”为核心议题,汇聚全球生命科学领域的科学家、临床专家、跨国药企高管、Biotech创业者、产业链伙伴及投资人,共同探讨生命科学创新如何从单点突破走向高质量协同,从早期研发走向临床验证、产业转化与全球价值创造。

从今天起,「高瓴时间」将连续推出HCare系列内容,系统呈现本届大会关于全球合作、早期临床开发、产业化与供应链协同、AI与新兴疗法转化、从PCC到POC等议题的深入讨论。今天推出的第一篇,将聚焦大会主论坛,回顾来自产业、临床、科研等多方的前沿观点,共同观察生命科学创新进入新阶段后,产业链协同如何成为推动全球价值创造的重要力量。

在全球生命科学创新进入新阶段的背景下,行业关注的焦点正在从单点突破、管线交易,进一步延展至更系统的创新能力建设:如何让真正有价值的科学发现更快、更稳、更高质量地完成临床验证、产业转化与全球可及,成为本届HCare主论坛讨论的主线。

高瓴创始合伙人、联席首席投资官易诺青在主办方致辞中表示,HCare峰会走到第九届,已经逐渐成为生命科学产业链不同角色相遇交流、建立信任的平台。生命科学是一个特殊的行业,既需要前沿科学突破,也需要严谨的临床验证;既需要长期资本和产业耐心,也需要全球协作和高质量执行。

高瓴创始合伙人兼联席首席投资官 易诺青

在主论坛开场的重磅对话中,易诺青与武田制药总裁兼首席执行官Christophe Weber围绕“迈向全球:中国生物医药企业如何成长为世界领军者”展开交流。作为推动武制药成长为全球领先药企的重要领导者,Weber结合武田制药全球化转型经验指出,企业要真正走向全球,首先需要对管线质量进行足够审慎和清醒的判断;其次,需要建立能够全球化运营的领导团队和组织体系;同时,还需要董事会、管理层和股东在长期资本配置和战略方向上形成一致。

武田制药总裁兼首席执行官Christophe Weber与易诺青

Weber认为,从Biotech迈向Pharma,是一个非常关键也非常艰难的转变。Biotech阶段,市场更多关注管线和科学潜力;而当企业逐渐成为Pharma,资本市场和产业伙伴会同时关注盈利能力、研发投入和后续管线。这意味着企业必须同时管理好商业化能力和创新能力。对于有全球化雄心的中国创新药企而言,明确战略意图、理解美国和欧洲市场环境、构建合适的合作和商业化路径,将成为长期成长的关键。

围绕中国创新药早期临床研究的发展,同济大学附属东方医院周彩存教授在主旨演讲中回顾了中国抗肿瘤药物,尤其是肺癌领域早期临床研究的角色变化。他表示,过去中国更多是在跨国药企全球临床研究中贡献病例,较少参与方案设计和核心决策;而近年来,随着本土Biotech企业崛起、创新药管线持续丰富,中国专家在临床研究设计、国际多中心研究和全球学术交流中的话语权不断提升。

同济大学附属东方医院 周彩存教授

周彩存教授指出,肺癌是精准治疗的重要模型。中国在临床研究能力、研究者协作和创新药物供给等方面形成了独特基础,推动一批源头创新和临床研究进入国际顶级期刊与会议。未来,如何在更高标准下推动早期信号验证、适应症选择、联合治疗策略和全球临床开发,将继续影响全球肺癌治疗格局。

药明生物首席执行官陈智胜在主题演讲中,从CMC与CRDMO平台能力角度,分享了下一代生物医药研发和生产的产业支撑。他表示,创新药真正走向全球,不仅需要好的分子和临床数据,也离不开高质量、高效率、可放大的CMC和生产体系。尤其在双抗、多抗、ADC等创新分子快速发展的背景下,产业服务平台需要在研发、工艺、生产、质量和成本之间形成系统能力,帮助创新药企更快完成从早期开发到临床和商业化的跨越。

药明生物首席执行官 陈智胜

Alnylam制药公司创始CEO、JMM Innovations首席执行官John Maraganore博士则分享了RNAi疗法从“不合常理”的科学设想到产业化现实的历程。他以RNAi药物发展为例指出,突破性疗法的形成往往需要长期科学信念、持续技术迭代、资本耐心以及与监管、临床和产业伙伴的高质量协作。对于生命科学创新而言,真正困难的不是单一技术突破,而是让技术在复杂体系中被验证、被接受并最终抵达患者。

主论坛期间,高瓴旗下整合型临床开发协同平台BioAdvantage正式发布。BioAdvantage首席执行官甄岭介绍,平台旨在提供从PCC到POC的端到端一体化解决方案:通过连接CRO、CDMO、SMO、临床供应链、医院网络等高瓴生命科学服务生态伙伴,结合平台自身在医学、注册、开发策略及项目管理等方面的专业能力,帮助全球Pharma和Biotech更高效地利用亚太地区高质量研发和临床开发基础设施,推动早期项目实现更快速、更规范、更高质量的临床验证。

BioAdvantage首席执行官 甄岭

随后,BioAdvantage联合上海临床创新转化研究院、药明生物、Emerald Clinical、津石医药、高博医疗集团等核心生态伙伴,共同发起成立“PCC to POC早期临床联盟”。该联盟将围绕早期研发向临床概念验证跨越过程中的关键瓶颈,推动临床前研究、CMC、临床执行、注册策略、医院网络和产业资源之间形成更高效协同,为全球创新药企提供新的早期开发路径选择。

PCC to POC 早期临床联盟发布

从全球药企转型经验,到中国临床研究能力升级;从生物药研发生产平台,到RNAi等新兴疗法的长期验证;再到BioAdvantage及PCC to POC早期临床联盟发布,本届HCare主论坛传递出一个共同信号:生命科学创新正在从单点突破走向全链条融合,未来的全球竞争力不仅取决于某一个管线、某一项技术或某一次交易,更取决于科学、临床、产业、资本与全球合作之间能否形成高质量协同。

正如易诺青在致辞中所说,生命科学创新最终比拼的不只是突破本身,而是让突破真正抵达患者的系统能力。面向未来,高瓴HCare将继续作为开放的产业协作平台,连接不同环节、不同地区、不同能力的伙伴,推动生命科学创新走向更高质量的发展,共同服务全球患者福祉。

推荐阅读

第八届HCare峰会:中国创新药企业,走向全球创新与合作|高瓴 Event

‍‍‍‍‍

第七届高瓴HCare全球健康产业峰会举行 聚焦生态创新发展|高瓴 Event

跳转微信打开

王川:当隔壁老王投资存储股票赚了三十倍后,如何还能不焦虑 (三)

2026年5月16日 08:41

原创 硅谷王川 2026-05-16 08:41 美国

王川:当隔壁老王投资存储股票赚了三十倍后,如何还能不焦虑 (三)

本文是王川:当隔壁老王投资存储股票赚了三十倍后,如何还能不焦虑 (一)

和 王川:当隔壁老王投资存储股票赚了三十倍后,如何还能不焦虑 (二)

的续篇。

1/ 按照高盛的最新估算,全球 2026年用于 AI 的 capex (资本性投入)将会达到 7650 亿美元。四家大公司 (亚马逊,谷歌,微软,脸书)的 Capex 预计 7100 亿美元, 大约 90% 都和 AI 相关,这就是 6390 亿美元。换句话说,四大公司的 AI Capex 占全球 AI capex 的比例接近 85%。 因此研究它们的 Capex 的变化,就可以大致理解全球 AI Capex 的走势。

2/ 如果仔细看这四家大公司  2025年和 2026年一季度的 Capex 的对比,2025年一季度是 718 亿美元,2026年一季度是 1298亿美元,增长幅度为 80%。事实上, 2025全年这四家公司的 Capex 为 3770 亿美元,而 2026 年预计将达到 7100 亿美元,增长百分比为 88%, 净增金额 3330亿美元,那么和 AI 相关的 Capex 增量就是约 3000亿美元。

3/ 有分析师估算,AI Capex 最近大约  30% 的钱是花在存储芯片上,那么 2026年来自这四大公司的 AI Capex的购买增量就是 3000 *  30% = 900 亿美元, 单季度的增量为 225 亿美元。这个资金增量,就是存储芯片价格上涨的直接原因。

4/ 四大公司 capex 上升有两个核心因素。一是经营现金流的上涨, 25年一季度到 26年一季度增长了 31%。 二是 capex  相对于经营现金流的比例的上升,  25年一季度, 是 62.9%, 而 26年一季度,这个比例上升到 86.2%。  换句话说,地主家每年产粮在增加,但是地主把产的粮用于 AI capex 的比例也在增加 (快接近 100% 了),所以地主今年的投入大幅度上升,但他家的余粮,其实不多了。

5/ 来看一组数据:26年一季度,亚马逊的经营现金流为 260 亿美元,但 Capex 增加到 442 亿美元 (一年前是 250 亿美元),自由现金流 (就是经营现金流  减去 Capex )变成负的 182 亿美元。(一年前同期自由现金流是负的 80 亿美元。)为此亚马逊一季度发行了 530亿美元的长期债务。亚马逊的现金净额 (现金减去债务)只有 240 亿美元,换句话说,如果再这样大手大脚的花钱,不到两个季度,它的总债务就要超过现金的价值,变成净负债公司了。

6/ 谷歌:26年一季度自由现金流 101亿美元 (还要从里面支付  25亿美元的股息),Capex  357 亿美元。一年前同期自由现金流是 190 亿美元,Capex 172 亿美元。它的现金净额为 490 亿美元,只相当于四个月的 Capex。股息是不能克扣的,否则是对公司信心的不良信号,股东会造反。

7/ 微软:一季度自由现金流 157亿美元 (还要从里面支出 109亿美元的股票回购和股息),Capex  309 亿美元。一年前同期自由现金流是 203 亿美元,Capex 167亿美元。它的现金净额为 380 亿美元, 不到四个月的 capex.

8/ 脸书:一季度自由现金流 132亿美元 ,Capex  190 亿美元。一年前同期自由现金流是 111 亿美元,Capex 129亿美元。它的现金净额为 224 亿美元, 也就是三个半月的 Capex.

9/ 看多 AI 的人会说:这没问题!这四大公司还有很大的发新债的空间,而且经营现金流还会高速增长。这两块可以支持更多的 capex 的增长。

10/ 但在怂恿别人发新债之前,他们必须了解两个概念,一个叫“未开始的数据中心租赁承诺” (uncommenced data center lease commitment), 一个叫“专案公司项目融资” (SPV Project Financing)。欲知后事如何,且听下回分解。

(未完待续)

---

所有文章表达笔者个人观点仅供参考,不构成对所述资产投资建议,投资有风险,入市须谨慎。笔者推特号"Svwang1", 新浪微博 “硅谷王川", 网站 chuan.us。

点击下面链接可看到本公众号过去两百多篇原创文章的链接目录:

硅谷王川的公众号文章目录 (2026年一月)

跳转微信打开

一口气了解亚洲金融危机

2026年5月15日 12:32

原创 小 Lin 团队 2026-05-15 12:32 北京

亚洲金融危机背后,有什么逻辑?

亚洲金融危机

背后有什么逻辑?

1994年底 - 1998年这短短四年间,墨西哥、东南亚、韩国、俄罗斯、巴西等数十个国家,接连出现金融危机。

本来一片繁荣的金融市场,突然冲进来一批投机资本,疯狂进攻。

导致持续了十多年的亚洲经济奇迹,在一年之间崩盘,也爆发了著名的香港金融保卫战。

这都是索罗斯的阴谋吗?

为什么这么多离着这么远的国家会相继崩塌?

这里面有日本的银行什么事儿?

我之所以把这么多危机放在一起讲呢,是因为这背后其实有一个统一的脉络主线,逻辑都惊人的相似。

我觉得从这么噼里啪啦崩盘的过程中,你是可以窥探到一点资本世界运行的逻辑的。

你准备好我们今天的金融危机串串烧了么?

华盛顿共识

上世纪八十年代,拉美国家深陷债务危机。

于是美国人非常积极的跳出来给这些国家指了条明路,在1989年提出了著名的——华盛顿共识。

老观众知道,我们已经提到过这套共识好多次了,虽然媒体宣传得不多,但我觉得,它的推广主导了全球经济90年代最大的一股暗流之一了。

这个所谓的共识,一个核心思想就是: 金融自由化。

主张一个国家的货币、贸易、资本流动和产业全都自由化,纯粹让资本跑到收益最高、潜力最大的角落去发芽,让市场无形的手来调控,而政府就尽量少限制,少去瞎掺和。

试想一下,如果新兴市场打开金融市场,对全球资本肯定是非常有利的,这些地方的发展潜力,可比美国欧洲大多了,它们可以进去得到更高的收益率。当然也有人认为这是为了输出意识形态。

总之,当时美国都非常推崇这套理论,和其它发展中国家就表示:"你们想和我成为好哥们儿吗? 你们想要和我一起赚钱吗?那就按这套华盛顿共识来,你得放开你的金融管制。"

比如苏联刚解体,美国就跟叶利钦强烈推荐了这套东西,叶利钦就立刻全面拥抱。拉美、东南亚很多新兴国家,都很快采纳了这套共识,放开了金融市场,也为接下来的危机埋下了伏笔...

图片截取自: 小Lin说

墨西哥

90年代初,美国这时候,刚刚从高通胀中缓过神来,美联储把利率降到了低点3%,来刺激经济。

而隔壁的墨西哥,在美国政府的软磨硬泡之下,放开了自己的资本管制。

划重点大家注意了,资本要开始流动了。

美元投资者一看,美国利率这么低,而隔壁蓬勃发展的墨西哥刚刚打开大门,有大把的投资机会,潜在收益5%,甚至更高。

一般情况下,会让投资人望而却步的风险,是墨西哥比索的汇率风险,于是,墨西哥政府为了吸引外资,把墨西哥比索和美元的汇率固定死了。

这就意味着华尔街可以在美国以大概3%的利率融资,然后投资到墨西哥得到5%的收益,还没有汇率风险。

于是大量的国际资本,主要是美国的共同基金、养老金和投行,涌入到了墨西哥市场。1992 - 1994年,每年都有大约300亿美元的流入资金。海量的资本一下子把墨西哥的市场,瞬间托起来了,GDP也一飞冲天。

视频截取自: 小Lin说

墨西哥政府简直"美死":"哎呦喂,这个华盛顿共识果然是好啊,资本的力量果然是强大啊!"

可好景不长,1994年开始,美联储为了控制本国潜在的通货膨胀开始加息,利率提到了超过了5%。

美国这一加息,美元的收益都到5%了,谁还会去冒险投资同样5%收益的墨西哥呢,墨西哥的投资优势就没了。很多投去墨西哥的资本都开始撤。

墨西哥政府就急了,因为这时候无论是墨西哥的企业还是政府,都已经依赖大量的海外资本的投资和贷款来运行了,如果外资突然撤走的话,墨西哥肯定会陷入信贷危机。

逼急了的墨西哥政府为了留住外资,开除了让人无法拒绝的Offer:

"你们不是不喜欢我们的比索么,这样,我们直接用美元跟你结算,我们发美元债;放心了吧?而且,我还能给到你比在美国高得多的利率!你在美国不是有5%么,我出10%!"

于是,墨西哥政府被逼的直接借美元债,加上高利率。这其实底层上也很好理解,想绑定美元,那美国加息就得跟着加息。

墨西哥政府怎么能给出这么高的利息呢?他也没办法,借新债还旧债,过一天算一天呗。在1994年,它总计发行了超过300亿美元的短期债。苟延残喘的续命,结果连圣诞节都没撑到,1994年12月,墨西哥政府就不行了,外汇储备用光,宣布比索和美元脱钩。

三天之内,比索暴跌超过40%,墨西哥就算再高的收益率,也无法吸引新的美元投进来给自己还旧债了。

这块儿逻辑,如果大家有点没跟上也没事儿哈,下文的东南亚、俄罗斯的崩盘跟着都几乎如出一辙,下文会仔细讲。

而墨西哥一崩,就轮到美国慌了。

为什么呢?我们前面说了,很多投资到墨西哥的钱,是美国的公募基金和养老金。它们当时玩得非常野,它们手里拿着普通民众的积蓄,跑去买风险极高的墨西哥短期美元债,抢那10%的利息。一旦墨西哥的这些债券违约,很有可能导致这些美国的养老金、保险公司破产,直接威胁到美国国内的中低层群众,这是很可怕的。

所以,当时美国政府为了避免阴沟里翻船,只能带头让国际货币基金组织IMF,给墨西哥政府提供了500亿美元的紧急救助款,确保本国在墨西哥投资的资金可以全身而退。

视频截取自: 小Lin说

道德风险

于是,这场不大不小的危机,看起来就以IMF出手救助圆满结束了。

但是,你别忘了我们今天讲的可是连续剧,墨西哥只是第一章,算是个开胃小菜。

IMF如此快速、如此轻易的救下了墨西哥,形成了接下来多米诺骨牌的另一大伏笔,就是IMF隐含的道德风险问题:

本来发展越快、预期回报率越高的市场,就应该伴随着更高的风险,但这回IMF救起墨西哥,让资本发现:要是出了事儿还有IMF能站出来顶着啊,那风险岂不就非常小了,这些市场不就是高收益、低风险了。

那还等什么啊,上啊,投啊!

导致之后资本,更加肆无忌惮的流向收益更高的市场。

资本又要开始流动了啊...

视频截取自: 小Lin说

资本的狂欢

资本通道形成

接下来资本该向哪流动了呢?九十年代哪些国家的发展最快投资机会最多? 

必然是亚洲。

中国大陆,确实不能让外资随随便便往里跑,但像印尼、马来西亚、泰国、菲律宾,包括亚洲四小龙:新加坡、韩国、台湾和香港,这些地区当时GDP增长平均都超过了8%,被人们称为亚洲经济奇迹。都经济奇迹了,资本肯定愿意去找机会啊。

而资本从哪个地方来呢?大家可别觉得就光是华尔街,或者光是美国的投资人啊。

我们上文提到,美国从1994年就开始加息了,欧洲90年代利率也没降下来过,所以这些地方的投资人家门口银行利率挺高,存钱都很积极,不愿意往外投。

视频截取自: 小Lin说

但是有一个国家,央行正好在大放水,本国利率正好特别低,那就是——日本。

而同时汇率这边,日元又在1995年又升到了历史高位,1美元兑不到80日元,非常强势。由此可知,日元资本,又值钱、收益率又低,就开始大量流到海外去寻求更高的回报。

于是,一个新的资本流动通道就这么形成了。

和我们上文墨西哥的例子,几乎一模一样,这些银行,在日本本国只需要花2%的成本,投资到东南亚,就能获得5%、6%、甚至更高的短期收益。

而且,像我们上文分析的,就是因为大家假设会有IMF出来兜底,投资风格就更加粗犷,更加肆无忌惮的投资到高风险的债券中去了。

到1996年,单单日本各大银行的资金,就占到了泰国债务的54%,印尼的39%,马来西亚的36%,韩国的25%。也就是说日本的银行,成为了这些国家最大的债主。

这下爽的就换成东南亚了。那么多人抢着跑过来塞钱给你,换你你高不高兴?

其实1994年之后,因为美元的加息,这些东南亚国家因为和美元挂钩,所以出口也受到了很大冲击,持续处在贸易逆差,也就是说贸易那边它们一直在资本外流。但正好,这些源源不断热钱的流入,就堵上了这个窟窿。咱说的专业点,叫做资本账户盈余填补了经常账户的赤字。

这些东南亚国家,每天就徜徉在热钱的海洋里。帮助韩国、印尼、马来西亚、泰国,即使在美元加息周期,也保持着高速增长。

图片截取自: 小Lin说

热钱的问题

当然,我们知道后来是出问题了啊。那问题出在哪了呢?

吸引外资,这本身是没有问题的,是好的。

关键问题是,进入东南亚的是热钱,

什么叫热钱? 就是像热锅上的蚂蚁一样的钱。整天各种地方乱窜,它主要寻求短期内的高回报。

如果,一个国家大部分的资金来源是热钱,倒是也能推动发展。但会出现两个主要问题:

首先,热钱短视。

它不想要长期投资,也不关心哪个项目对马来西亚、对泰国的经济更有利。

所以它们进入的都是赚钱最快的行业:金融和房地产。导致它们实体经济不怎么发展,反倒吹起了房地产市场和银行业的信贷泡沫,而我们说过金融和房地产,恰恰是连接着一个国家实体经济最重要的枢纽。这就风险很大了。

热钱的第二个问题,也是它引发这一连串国家崩盘的直接原因,就是它来得快,跑得更快!

危机降临

日本撤资

1996年,日本的银行业开始出问题。泡沫后坏账逐渐积累到超过2300亿美元。股票和房地产的持续阴跌,让银行的利润几乎为零。

日本政府为了保证银行的流动性,颁布了一系列资本要求,严格限制日本的银行的投资规模。可当时大部分日本银行根本达不到这个标准。没办法,只能紧急大幅度减少对外贷款。也就是说,东南亚国家的最大债主,要撤资了!

首先出问题的就是泰国。

1996年,由于外资迅速撤退,泰国的金融公司和房地产公司的现金流被立刻抽干,泰国股市在半年之内下跌40%,房地产市场也开始下跌,1997年泰国多家房地产公司出现严重的债务问题。

如果事情正常这么发展,那可能就跟墨西哥差不多,是一个简单的国家信贷危机。但是,这次泰国的危机,多了一个变数,多了一股力量。

大部分热钱,出了问题想要撤退;

可有一些更极端的热钱,反其道而行,哪出了问题,它会伺机冲进来吸血。

索罗斯来了...

视频截取自: 小Lin说

资本秃鹰索罗斯的策略

索罗斯,是一个在全世界都臭名昭著的对冲基金大佬。我们先放下东南亚那边,来了解一下索罗斯的做空策略。

他随着自己的量子基金的规模不断壮大,搞出了一套非常阴险的赚钱策略:

  • 首先在全世界寻找快不行了的国家,偷偷提前在市场中布好局,比如说买看跌期权、做空各种期货等等;

  • 当时机成熟了,用海量的资金正面进攻,一般是做空这个国家的外汇市场;

  • 这时候,市场中其它玩家发现这个国家被攻击,再仔细一分析,唉哟,这个国家真的已经快不行了! 也会纷纷冲进来,跟着索罗斯一起做空;

  • 如果空军力量足够强大,这个国家的货币或者股市就会崩盘,引发市场恐慌性逃离,索罗斯之前布好的局就可以获利离场。

它的成名作就是用这招,在1992年成功做空英镑,导致了英国的黑色星期三,狂赚18亿美元。

其实这套策略的关键,是在他自己扛起大旗做空的时候,市场中能有足够的资金跟着他一起进攻。

那怎么样,大家会跟着他一起进攻呢?这也是这套策略最难的地方,就是索罗斯需要提前找到一个快不行了的国家,大家才会跟着你一起做空。这其实需要非常老辣眼光。

比如索罗斯直接进攻几年前,处在大牛市的美股市场试试?那不得给他亏得裤衩都没了。

视频截取自 小Lin说

而索罗斯尤其爱找的一类做空对象,就是那些愿意把本国货币,和美元或者什么其它大国货币绑定起来的,固定汇率的国家或者地区。

因为这些国家,即使出现了一定的信贷危机、美元荒,按理说本国货币应该贬值。但是由于固定汇率,该国政府会硬撑着,消耗自己的外汇储备或者借外债来稳住本国货币,即使在崩盘的前一夜都是一片祥和。

这时候,如果索罗斯冲上去给这个国家补上一脚,可能就会迎来雪崩。

而做空这种固定汇率的货币,有一个最大的好处,对于索罗斯来说,那风险很小。

因为汇率是绑定死的,就算没做空成功,人家守住了,它的汇率也只是一直没变,他也不亏,但是一攻击成功了,那个国家的货币就会一泻千里,索罗斯就能大赚一笔。

当然,实际上做空的成本还是很高的啊,没攻击成功的话,也不能说一点不亏吧,只能说不会血亏。

所以索罗斯攻击的货币:无论是之前的英镑、当时东南亚的泰铢、还是之后的港币,全都是固定汇率的。

看到这,你是不是有疑问了,固定汇率听起来这么多漏洞,那为什么还有那么多国家用固定汇率呢?要知道90年代的时候,全球有超过2/3的国家都是和美元或者英镑绑定的。

这些国家全都傻么?

其实这里面的学问可大了,我们有机会再聊~

这套空头策略,在资本市场一度非常盛行,可不是索罗斯的专利,只不过索罗斯很会搞宣传,所以最出名。比如1997年和它一起做空的老虎基金,体量就比它大得多。

大概了解了索罗斯的资本进攻策略,我们看回到泰国战场...

视频截取自: 小Lin说

泰国

东南亚失守

这时候的泰国战场有两拨热钱的资本流动:

  • 一波是日本的热钱加速撤离泰国;

  • 另一波,一批空头资本像秃鹰一样飞过来进攻泰国,做空泰铢。

索罗斯的量子基金和老罗(Julian Robertson)的老虎基金也在1997年初慢慢建仓做空泰铢。

其实,本来有些小的秃鹰资本在1996年底就攻击过一次泰铢,但没成功,就撤了;这次一看,索罗斯和老罗都入场了,主力部队来了, 那没问题了,干就完了。

纽约、伦敦、法兰克福的各大投行、对冲基金等等全都相继冲进来做空泰铢。和泰国央行展开了第一次大规模正面战争:

泰国央行只能不停地消耗自己的外汇储备,来买买买托住泰铢,和这帮空头斗争。

同时,由于日本热钱的撤离,它自己的后方也开始出问题了。泰国多家房地产和金融公司由于借不到新的贷款而出现了现金流危机,

  • 泰国央行腹背受敌,总共不到400亿的外汇储备,超过270亿美元放在远期市场稳住泰铢;

  • 还花了80亿美元帮助本国的金融公司;

  • 基本上外汇储备已经全砸进去了,很快就要撑不住了。

不过呢,这种资本进攻,非常有意思的点在哪,就是你完全不知道,对方到底还剩多少弹药。泰国央行是还有一天就不行了,还是弹药充足还能撑半年,索罗斯也不知道,泰国也不知道索罗斯剩多少。

双方只能猜。

视频截取自: 小Lin说

所以,当时其实外资并不知道泰国央行快不行了,外资虽说总量很大,但是还是非常分散,要知道持续做空是非常贵的,虽然大家都感觉泰国不行了,可是谁都不想做倒在黎明前的冤大头,都在等一个明确的市场信号。

而信号,它这就来了,谁发出了信号呢? 

高盛。

1997年五月,高盛发布了一段报告,明确预测泰铢面临重大贬值压力,很有可能会无法保持和美元的固定汇率。

这个报告就像是混乱的战场上的一个嘹亮的进攻号角。

外资一看,机会来了呀,大家一起上啊!

几天后,大量对冲基金冲进泰铢市场做空,索罗斯和老罗也持续加大做空头寸。多空双方的斗争进入到了白热化的阶段。

泰国政府也不是那么容易就认输的,大幅抬高了泰铢的隔夜拆借利率, 最高的时候一度达到1500%。让做空泰铢的成本变得非常高。

这1500%大概是什么概念,就算市场完全不动,你坚持做空俩礼拜,就会亏掉一半的钱,这还是没算上任何杠杆的情况,是不是还是挺狠的。所以只要泰国央行坚持的时间够长,空头们就会持续流血,就算索罗斯也撑不了多久就会撤的。当然这种极端的高利率对泰国自己的经济打击也是巨大的,泰国央行这属于杀敌一千,自损八百了。

超高利率意味着空头撑不了多久;而泰国央行自己的弹药也快消耗殆尽了。

双方注定是要速战速决了。

视频截取自: 小Lin说

1997年6月,双方进行了大决战,索罗斯总计砸了10亿美元,老虎基金花了大概30亿美元进攻。

泰国央行苦苦鏖战的时候,后方先绷不住了。本国最大的金融公司Finance One,由于还不起到期的20亿美元债务宣布破产,多家泰国房地产公司开始接连倒闭。

这就麻烦了,全球的投机资本都知道泰国已经是强弩之末了,更是一窝蜂都冲了进来做空。

几天之后,1997年7月2日,泰国政府缴械投降,宣布泰铢和美元脱钩,泰铢几天内暴跌超过50%。

这也标志着亚洲金融危机,迎来了全面爆发。

视频截取自: 小Lin说

资本进攻

泰铢一失守,这种恐慌情绪,会很快波及到整个东南亚,所有原来投资东南亚的热钱,全都紧张起来了。

泰国的资本进攻,不会蔓延到我这吧?

整个东南亚都充斥着热钱,而我们之前也说了,热钱最大的特点就是跑得快,立刻火速撤离东南亚。

而那些空头秃鹰资本,也立马冲了进来趁火打劫,这种大火一旦形成燎原之势,东南亚那些国家是根本扛不住的。

  • 7月11日,菲律宾失守,比索和美元脱钩,之后下跌40%;

  • 7月14日,马来西亚林吉特和美元脱钩,之后下跌46%;

  • 8月14日,印尼盾和美元脱钩,之后暴跌80%。

做空的对冲基金们,自然是满载而归。

马来西亚总理(Mahatir)都急了,直接骂索罗斯是个Moron,你个丧心病狂的大傻叉。

视频截取自: 小Lin说

香港二次进攻

8月,这种恐慌情绪很快就蔓延到了香港。

当时,香港确实也面临着房地产泡沫的问题,经济也存在着过热的现象。金融市场又很开放。所以它也符合索罗斯的那套进攻标准。

不过,香港市场可不像东南亚那么脆弱,尤其它金融市场是非常发达的,热钱并不占主导地位,同时,香港金管局但要也比东南亚那些国家要充足得多,外汇储备有六百多亿美元。所以游资只是初步试探了一下,碰了一鼻子灰就撤了。港股只是小小下跌了不到10%。

其实1997年最开始那波进攻,游资就是四处找最软的柿子捏,谁有要崩的迹象,再一窝蜂上。所以完全没必要死磕香港这种硬骨头。

紧接着2个月后,1997年10月,空头又卷土重来席卷东亚,这次的攻势,可就比之前8月份那次猛烈多了。香港迎来了第二次进攻,为了维持汇率和美元挂钩,香港金管局把隔夜拆解利率暴涨到300%。

最后虽然港币稳住了,但利率的攀升导致了股价的一路狂泻,整个10月,港股下跌了将近40%,市场才逐渐平静下来。

香港这还没完啊,但是东亚其它地区先撑不住了。

视频截取自: 小Lin说

韩国失守

  • 10月17日,台币大幅跳水8%;

  • 10月22日,韩国车企巨头起亚由于现金流危机,被现代汽车以股权置换的形式救下;市场对大量韩国企业的现金流产生担忧,因此纷纷逃离。

韩国可就和东南亚不一样了,当时GDP可比东南亚、泰国、马来西亚、印尼加起来还要多。游资本来都没觉得韩国会出问题,可能就是做个鬼脸吓唬你一下。没想到,它怎么自己腿就软了,就趴下了。

韩国一下就暴露出来了非常严重的内部问题。一直以来,各大财阀的借贷过于激进,吸收过多的外部热钱,杠杆率过高。这下外资一撤,财阀们面临重大现金流危机。

11月17日,韩国政府放弃抵抗,韩元开始连续暴跌。

韩国一起火,欧美市场开始有点慌了,妈呀这大火要是一直这么烧着烧着,恐怕就要烧到自己头上来了啊!美股10月份一度暴跌10%。

眼看着在这么发展下去,就要引发全球金融危机了,得找人来帮忙稳一稳了。

谁来了?

没错!IMF,国际货币基金组织,又被美国叫来兜底了。

12月4日,IMF给韩国提供570亿美元的紧急贷款帮它还钱,也向东南亚各国伸出了援手,总计提供救助贷款1180亿美元。

这才暂时稳定住了市场。

视频截取自: 小Lin说

香港保卫战

但这时候,整个亚洲乃至全球的金融市场,还是风声鹤唳,不管是热钱、冷钱还是常温的钱,能跑的全都跑到最安全的大本营猫着,不敢轻举妄动。只要市场还处于恐慌状态,市场信心没有重新建立起来,空头就有机会。

空头们一看,泰国、菲律宾、印尼,甚至韩国,都在短短不到半年之内攻破了,于是又掉头回来第三次瞄准了香港。

1997年10月,第二次冲击之后的一年中,港股持续缩量下跌,隔夜拆借利率维持在高位,市场中出现越来越多"香港要崩港币要崩"的言论。

这回呢,这些空头们经过上次两回,也总结出规律了,虽然港币很难攻破,但只要做空港币,利率就涨,利率一涨,股市就跌。就跟膝跳反射一样准。

所以,它们先埋伏了大量的做空头寸在股市和股指期货上,你看我同时做空港币和港股,最终要么港币崩,获利,要么港股暴跌,获利。

等做空的仓位埋好以后,1998年8月,空头们正式开启了第三波最后的进攻。

香港金管局的应对方案,就像空头们预想的一样,抬高隔夜拆解利率维持汇率。

港股也果真和空头们预想的一样狂泻不止。港股在一年里跌了60%。

香港是一个以自由著称的金融中心,香港的金管局本来不想管股市。但是游资这家伙一波一波,纯粹就为了搞垮我,这也太过分了,香港金管局最终忍无可忍,和香港财政司一同做出了破天荒的决定,秘密直接干预股市。

1998年8月14日,开始大量买入港股,央行直接动用外汇储备买股票和空头们硬刚,进行最后的多空较量。

图片截取自: 小Lin说

接下来的两个星期,香港金管局和空头之间的对空对抗一直在持续,在现货市场和期货市场不停做多。

最高峰集中在8月28日,创下了港股单日交易量的历史新高790亿港元,是平时交易量的20倍。

买家几乎全是香港金管局,两周里金管局动用了超过1000亿港元。

香港金管局的这一波强势干预,完全稳住了市场信心,这种游资空头吧,进攻的时候感觉力量非常强大,可实际上跑得比谁都快,一旦发现恐慌情绪已经没了,立刻打道回府。

经过了这次金融危机的洗礼,香港惨烈的守住了自己金融地位。

紧接着就公布了一些条款进一步增强香港金融的稳定性,港股也开始一路回升,在2000年达到了历史新高,超过了17000点。

图片截取自: 小Lin说

俄罗斯

但是这次危机其实还没完,遭殃的不光是亚洲。

类似的事情在香港保卫战的同时,也发生在了俄罗斯身上。剧本几乎和墨西哥、泰国一模一样。虽然香港保卫战激烈程度很高,但规模其实相比俄罗斯来说要小不少。

俄罗斯之前刚刚经历解体,接受了华盛顿共识那套,1992年采取"休克疗法",之后敞开双臂拥抱资本市场,尝到了热钱涌入的甜头。从前一年,1997年开始,由于亚洲金融危机引发的恐慌情绪,俄罗斯的热钱已经开始跑路了。

俄罗斯比较独特的地方吧,它政府借了很多外债。但不是美元债,还是以卢布计价的,叫GKO,就是很短期的俄罗斯海外国债。

1997年开始,这个GKO就开始被海外投资人疯狂抛售。

同时,金融危机又导致油价暴跌,俄罗斯又受到第二层打击,国债就更是被抛售。

这就导致俄罗斯政府发行的新债利率持续飙升,说直白点,就是它很难借到钱,大家都不敢借给他钱,俄罗斯央行只能不停的抬高利率。到1998年6月,GKO的利率,已经抬高到超过150%了。俄罗斯的外债从50亿美元,在几个月内滚到了500亿美元。

试想一下,一个国家发行债券的利率,高达150%。俄罗斯政府仅仅是利息支出,就已经超过它所有税收收入了,陷入了严重的债务危机。

之前世界银行和IMF,已经借给了俄罗斯数十亿美元的贷款帮助它稳定市场情绪,可没想到俄罗斯的腐败太严重了,这笔巨款居然莫名其妙的"丢失"了!

最终1998年8月17日,俄罗斯政府绷不住了,发布了声明:

宣布卢布贬值、国债债务重组、部分债务实行90天临时暂停期。你可以简单理解成债务违约了。

那些GKO债券,瞬间跌到只剩面值的10% - 15%,外资疯狂撤离。

俄罗斯金融危机全面爆发。

接下来的多米诺骨牌,就一个接着一个的倒了。

俄罗斯政府违约,间接导致了美国最大对冲基金LTCM的暴雷,美联储降息救市。

而投资者的恐慌情绪,又开始抛售其它新兴市场债券,巴西那边跟着也崩了。

正是因为这波危机,油价跌到了几乎是历史最低的不到11美元一桶,整个中东又躺枪了。

金融危机的熊熊烈火,烧遍了全球的新兴市场。

视频截取自: 小Lin说

经济危机

可能对于新闻的层面来讲,事情的高潮就结束了,但是对于遭受打击的国家和地区来说,危机才刚刚开始。

对于那些失守的国家:韩国、泰国、马来西亚、印度尼西亚、俄罗斯来说,可不简简单单是货币贬值这么简单。

货币的大幅贬值,让市场对这些国家失去了信心,外资几乎全部恐慌性撤离,没人再愿意借给他们钱了;更惨的是,这些国家的本币一腰斩,外债直接翻倍,原来欠100亿一下变成欠200亿了。所以这一下进陷入了极其严重的信贷危机、现金流危机。

而且本币的贬值,海外产品全都变贵了,又导致严重的输入性通货膨胀。

就算IMF给了上千亿的救济款,可以保住现金流的稳定,但是IMF也提出了极其苛刻的救助条件,逼得这些国家采取激进的紧缩政策和改革,东南亚和韩国好几年才缓过来。

IMF这种苛刻的救助条件,之后也被很多人诟病,这也导致那些被IMF救助的国家,反倒是最反感抵制IMF这个组织的。

在1998年,各国都陷入了经济衰退。

企业倒闭的倒闭,裁员的裁员,据估算泰国有超过两百万人失业,印尼的失业率,在之后的十年中一直持续上升,总计超过2000万人失业。

韩国、泰国、印尼的执政政府都因为经济危机倒台,俄罗斯更是一年之内,连换6任总理。可想而知这次危机给这些国家带来的经济和政治上的动荡。

图片截取自: 小Lin说

写在最后

本质原因

其实,导致这些国家发生危机的原因有很多,它们自身确实都有很多问题,才会在危机时刻,一推就倒。不然你看新加坡也在边上,怎么就一点事儿没有呢,台湾、香港受到攻击以后也非常快就缓过来了是吧。

但不管怎么说,能将这么多国家几乎同时掀翻,这么激烈的方式掀翻,资本的流动绝对属于头号"功臣"。

从墨西哥,到东南亚,到东亚,到俄罗斯,到巴西,每个国家基本上,都是海外热钱的大量涌入,让你飘,然后由于某种原因热钱撤离,再加上空头趁火打劫的攻击,一进,一飘,一撤,最终导致本国陷入信贷危机。

它们在金融体系还不成熟的时候,就把国门向全世界的资本敞开到最大,成了一根绳上的蚂蚱,而把它们连接起来的无形的绳子,就是资本的流动。

你是不是感觉,哎呀妈呀,资本也太万恶了,资本也太坏了,这么吸人血。

肯定不是这么简单。大家千万别看完这期内容,得出这么个结论哈。

资本它是一个非常高度抽象的概念,它不是一个组织,一个主体,也不是说一个国家的所有资本是一个主体,它不能这么简单思考。这里边每个个体都有自己的投资风格投资目标,都只是为了自己的利益最大化。

  • 比如墨西哥早期投进去的"资本",主要是美国的养老金和保险公司;

  • 亚洲金融危机,首先投进去的“资本”主要是日本的银行和全球的保险公司做的套息交易;

  • 买俄罗斯债券的则主要是美国和欧洲的投行;

  • 像索罗斯这种看你快不行了上去进攻的呢,又是少量非常激进的对冲基金。

不同的资本之间也是打架的:

索罗斯这种”资本“很可恶吧,就希望这些国家崩;可是最不希望它们攻击的就是,原来已经投资在这些国家的"资本"。结果空头狙击了东南亚,导致百倍于索罗斯体量的全球资本跟着遭殃。

视频截取自: 小Lin说

其实,正是整个市场中无数资本的自由竞争,才使得资本市场这么灵活,能相对来讲更极致的追求最高的效率和最大化的收益。不然为什么各个国家都要发展金融呢是吧,这也是当时的华盛顿共识的基本思路。

但是这次全球危机,就让经济学家们开始重新审视金融自由化这个概念。它不是简单粗暴的大家都敞开大门,越自由越好的。

因为金融市场中的每个玩家都只顾自己的利益,在没有健全的游戏规则制度的保障下,过度的资本自由就会引发严重的后果。

你不能说直接让一帮野孩子,不受保护的放到大马路上随便跑,美其名曰让他们自由生长、自主学习,这八成要出事儿的。越自由的市场,其实越需要配备更加严格更加完善的监管。

所以经过了90年代这波金融动荡,原来敞开大门的新兴市场,全都开始收紧对金融市场的管制,并且大幅增加本国的外汇储备,来应对类似的攻击,在自由和稳定之间找好那个平衡点。

这也是为什么从这几次危机以后,再也没有人提那个曾经风靡一时的华盛顿共识了。你就说咱这首尾呼应的巧妙不巧妙!

视频截取自: 小Lin说

—— E N D ——

点击阅读原文可以来B站找小Lin玩呀~

阅读原文

跳转微信打开

解字计划:给 600 个大学生赞助 AI Token

2026年5月14日 19:25

yan5xu 2026-05-14 19:25 上海

面向所有在校大学生,不限专业,不限基础。提供 $20 起的 API Token。表现突出的同学可获得更多token和1v1辅导,以及推荐startup实习。

如果你是在校大学生,想接触 AI、想用 AI 写代码做项目、想搞清楚这波浪潮到底意味着什么,可以直接划到文章底部,点「阅读原文」,跳转 jiezi.ai。

可以领到 $20 的 API Token。不限专业,无需基础,支持 20+ 主流模型,不求回报。

第一批已经开放,已有 5 名同学顺利通过并开始使用了。


为什么做这个事情

23 年底,创业失败,欠下的员工工资和周转贷款加起来一百多万。心灰力竭,灰溜溜地从西安回了湖北。那段时间狼狈且邋遢,有天送外甥上学回来的路上,一个小朋友指着我嚷嚷,“怪大叔”。我甚至已经不想去幻想所谓的“触底反弹”,因为我似乎一直在触底,从未见到反弹。

但人生就是有些鬼斧神工,当命运把你一拳打倒在地,反复摩擦,你都要投降的时候,它又莫名地对你温柔起来了。

我阴差阳错面到了一家“AI 套壳”公司。当时我也不那么看好它,因为它怎么看都是 PDD 版的 chatGPT,只能算一门生意。甚至有一段时间,我都在去大学做讲师和留在这里之间犹豫,因为当老师看上去要“稳定”多了。

直到 CTO 的一番话:“我们当然知道现在的产品不够性感,但未来一定是 AI 的。当这个领域的 super app 大机会出现时,一定是在赛道上的玩家最先抓到。我们要做的就是留在牌桌上。”

这番话说服我留了下来。

一年之后的 25 年 3 月,这家不起眼的套壳公司推出了 Manus,自己定义了 AI Agent 的 super app 该是什么模样。

无论外界对前东家评价如何,我还是无比感恩,无论是公司还是 CTO PP。不到两年,我处理掉了所有外债(当然还有爸妈的支持!)。

更重要的是,在 Monica 和 Manus 这段经历里,我看到了世界一流的产品是怎么从零长出来的,拿到了一手的 AI Agent 实践。这些给了我足够的底气。

无论是前东家的成功还是我的幸运摆脱泥潭,背后都是 AI 这股东风带来的。

风吹到了我身上,我也想让更多人感受到这股东风。


还有一个原因。

现在的工作环境,到处都在谈 agent,你不用 agent,就像不会用电脑、不会用手机。对已经工作的人来说,付一笔 token 费用不算什么,很多公司还会替他们买单。可这笔费用对大学生来说,是笔巨款。

我就是小镇出来的大学生,太理解大学生的“穷”了。上学那会儿一个月生活费两千出头,为了每个月能挤出几百块自由支配,硬生生摸索出三块七在食堂吃一顿饭的能力,直到开了工作室接外包才不需要如此苦行僧地攒钱。而家庭条件真的差的同学,可能为了自己的生活费都要出去兼职。

大学生的钱,每一分都有对应的出路。从精打细算的生活费里再挤出 token 的钱,太难了。

而且这不仅仅是贵的问题,它还很难被解释。你学英语,交一笔补课费,最多再掏一笔考试费,完事了。学 agent 不一样,它是一个持续的开销,在你能用它挣钱之前,它就是一个一直烧钱的地方。

而用 agent 挣钱这件事,对大学生来说太远了。

Token 就是这个时代的生产资料,和电、和网一样。它很贵。不该让几顿饭钱,堵死一个大学生的路。

其实早在今年 2 月,我就在琢磨做一个大学生 Token 资助的事情。后来看到推友 @CTracy0803 的一段话,一千多个赞:

“所有的年轻人都知道不会用 AI 就找不到工作,但他们只能每个月浅尝辄止。Token 太贵了,如果使用 Claude MAX,那就是他们一半的生活费。”

看到这段话的时候,心里闷了一下。不能再拖了。

天赋和努力从不稀缺。试错的机会才是。


我们怎么做

解字计划不是一次性活动,我们希望它能够成长为长期运转的开源公益项目。

作为起步,我个人拿出了 15 万元作为第一年的启动资金,同时也收到了小伙伴敖特的 5000 元支持(欢迎更多同路人加入)。汇聚这些力量,我们将在首年覆盖 600 名大学生的 Token 开销。

这 600 人只是一个开始。首年计划分为三个阶段,递进式资助:

第一阶段:体验期 · 600 人

  • • $20 API Token(有效期 1 个月,到期未用完回收)。$20 够干什么?它足够你调用 DeepSeek 等优秀模型,每天和 AI 结对编程 10 次,连续用满一整个月。

  • • 自由与纯粹:支持20+ 主流模型。不限专业,不需要提交任何项目成果,只需 edu 邮箱验证在校身份。

  • • 发放规则:每批 100 人,全年 6 批。经 AI 审核后发放。

第二阶段:深度资助 · 约 60 人

  • • $100 API Token + 1 年云服务器

  • • 条件:用 AI 辅助开发一个 GitHub 项目,拿到 50 star,由我人工评审。

  • • 达到 50 star 我会发一起 1v1 交流,无论评审是否通过。

第三阶段:长期资助 · 3-5 人

  • • $400 API Token

  • • 从第二阶段中选拔,长期沟通,持续指导。

不只是发 Token,我想在这里长出一个社区。拿到算力不知道怎么起步?我们写了一份从零开始的教程(learn.jiezi.ai)。 更重要的是,验证通过的页面会有一个交流群的二维码。我不希望解字计划只是一个分发 Token 的脚本,我希望它能聚拢一群人。里面都是和你一样、想用 AI 折腾点东西的同龄人。卡壳了有人帮你看看报错,跑通了第一个 Demo 有人为你鼓掌。在这个充满不确定性的新浪潮里,找到同路人,有时候比拿到算力更重要。 对于走到第二阶段的同学,我还会提供 1v1 的辅导,动用我身边的资源帮你们对接实习。

一本完全公开的长期账本。

前辈们做教育公益,盖的是看得见摸得着的逸夫楼。今天我们赞助 Token,算力这东西虽然看不见摸不着,但账本必须清清楚楚。 解字计划不是一锤子买卖的噱头。它里面的每一笔预算、花销、收到的赞助,包括规则是怎么定的,全部在 GitHub 上开源。我们会像维护一个优秀的开源项目一样长期运转它,随时接受所有人的查账与监督。


为什么叫解字

「解字」取自《说文解字》。

公元 100 年,许慎把九千多个汉字拆解到最小的构件:部首。从此,任何人只要掌握部首,就能理解任何汉字。

两千年后,语言的最小单位变了,叫 Token。大语言模型将一切文字、代码、推理拆解为 Token 来处理。谁拥有足够的 Token,谁就能让 AI 为自己工作。

《说文解字》让文字不再是贵族的专属。

解字计划要做同样的事:让 Token 不再是大学生的门槛。


怎么申请:

  1. 1. 在 jiezi.ai/apply 填写信息,获取申请码;

  2. 2. 到 GitHub jiezi-ai/grant 提交 Issue,填入申请码;

  3. 3. 查收 edu 邮箱验证邮件,点击验证;

  4. 4. AI 审核通过后,API 的配置信息会自动发送到你的邮箱。

极客彩蛋(Agent Native):整个开源仓库也是一个 AI Agent 能直接读懂和操作的项目。如果你已经是进阶玩家,可以直接打开你的 code agent(如 Claude Code、Cline),对它说一句:

我要申请 https://jiezi.ai

它会自动帮你走完上述流程。


风吹过我,把我从泥潭里拉了出来。

AI 给了我很多。我想让这阵风,也吹到你身上。

阅读原文

跳转微信打开

对话二姐:为什么你做的 AI 工具没人买单?放弃宏大叙事,去社会的“神经末梢”捡钱

2026年5月14日 11:42

张泓 2026-05-14 11:42 北京

以下文章来源于:MindCode

MindCode

你很有眼力,这是多位大咖关注的小众公众号,跟你聊:机器AI、人类心理,创业、产业,成事心态

按:

“MindCode 闭门会”仅限进群粉丝参加,无回看,偶有总结,比如本期(48期)。

本期我们邀请了嘉宾 前IBM、京东产品经理,公众号【产品二姐】主理人姬阁阁(二姐)

本期闭门会文字转录 37000 字,经整理后约 3600 字,还原现场1%的精彩,但仍然十分精彩。

01 裸辞的契机:从“工具人”到“研究者”

文兄:二姐,跟大家打个招呼吧。

产品二姐:大家好。我是二姐,80 后,在 2021 年第一次接触生成式 AI。2023年,裸辞 All in AI。

文兄:2023 年为什么会决定裸辞?当时有什么契机吗?

产品二姐:种子其实在 2021 年就种下了 。当时我在京东,第一次看到模型给卖香皂的商家自动生成广告词,虽然只是个边缘产品,但那种“点一下就写进去”的体验让我觉得特别神奇。 

到了 2022 年底 ChatGPT 出来,我当时在一家做区块链的外企,已经非常厌倦上班当“牛马”和工具人的状态了 。2023 年 7 月,我开始在公司“朝九晚五”,把所有的业余时间都拿来研究AI,老板很不爽,不久后就找我协商离职,我就离开了。 

文兄:哈哈哈哈,正常上下班反而被看做是消极怠工。离职后,对接下来没工作的状态有过担心吗?

产品二姐:没有,我当时特别坚定,已经做好了“连续两年零收入”的最坏打算。辞职前,我给自己列了一个长长的清单,全是从兴趣出发的选题,比如:“AI 来了,我该如何跟 13 岁的女儿对话?” 。当时满脑子都是这些有意思的探索,完全没考虑过怎么靠它赚钱。

02 深度沉淀:Excel 里的神经网络与知乎的十万字

文兄:裸辞之后,你那份“不以赚钱为目的”的清单是怎么落地的?

产品二姐:那段时间我像回到了大学,每天跑图书馆。我把从 1956 年人工智能诞生前后,一直到七八十年代的古早论文全看了一遍 。为了把这些吃透,我用 Excel 手搓了一个神经网络,还尝试用画漫画的形式把 AI 的历史和原理画出来。我甚至去深挖过 Hinton 和另一位获得诺贝尔奖的物理学家之间的理论关系 。这种“费曼学习法”对我后来理解大模型的底层逻辑帮助极大。 

文兄:这些深度的研究后来是怎么对外输出的?

产品二姐:一开始我有种社交恐惧,不想让人知道我没上班,就偷偷在知乎上写,前后大概写了十万字,账号升到了 9 级 。 

虽然知乎没给我带来直接收入,但它帮我收获了一个极度可靠的技术合伙人。他看了我的文章找过来,我们在辞职后的第二个月就一起去参加了 AI 黑客松,从此建立了非常牢固的合作关系 。 

文兄:看你的收入曲线,这段时间开始上升了,是因为影响力溢出了吗?

产品二姐:对,周围人知道我在研究 AI,开始找我做咨询。比如我们协助一家做无人驾驶矿车的头部企业,做了一整套 AI 战略规划。 

后来,一位名下有两家上市公司的老板通过文章找到了我。我们聊 AI 时代的“寒武纪爆发”聊得很投机,他就把我“招安”进去做内部孵化 。 

03 战略路径的评估逻辑:在大厂内创中识别“伪技术红利”

文兄:在那家上市公司孵化期间,你们做出了什么产品?

产品二姐:我们做了一个叫“Chat to API”的产品。因为大公司微服务改造后,内部流落着上万个接口,我们的理念是:用自然语言去寻找和编排这些接口 。 

文兄:这听起来是个极具商业价值的 TO B 场景。

产品二姐:想法很好,但现实很残酷。这种中间态产品很容易被底层模型淹没,比如后来的 MCP 协议就直接覆盖了这种需求。 

虽然产品没大成,但我们在独立办公室里把微调(Fine-tuning)、造数据、评测数据的全流程都跑了一遍 。当时为了低成本调用 API,我们特意用了一个 0.5B 的小模型去微调 。 

文兄:自己从头走了一遍微调的结论是什么?

产品二姐:结论就是,你不必走这一圈(笑) 。微调的拟合效果确实好,但泛化能力极弱。如果硬要追求低成本用小模型,结果就是极度低效。所以“Chat to API”最后落地时,我们还是老老实实换回了大模型 。 

文兄:孵化结束后,你们又出来做了企业培训?

产品二姐:对,这得益于我之前在极客时间做了一门 69 块钱的课《成为 AGI 产品经理》。那门课虽然没赚多少钱,但极大地扩大了我的 B 端影响力。 

很多大企业为了消耗年度培训预算,会直接照着极客时间的课表采购。当时市面上讲“大模型产品经理”的课极少,HR 看到我这门课,就会找过来。我们最高峰时给几家上市公司做了上百人规模的定制化培训 。 

04 出海:红海的陷阱与产品“推广前置”设计

文兄:这之后,你们转战出海做独立站了?

产品二姐:对。7 月份后培训需求断崖式下跌,DeepSeek 带来的第一波学习热潮也被企业消化完了 。于是我们去做了出海,结果迎面撞上了一道极其残酷的墙。我们一上来就选了个技术门槛极高的赛道:美股股票分析 。 

起因是帮朋友跑开源的 trading agent 测股票,盲目自信地就开始产品化了 。我们天真地定了个目标:全球几十亿人,6 个月捞 50 个订阅用户总行吧?结果一两个都没捞到,唯一买单的还是个国内朋友友情赞助 。 

我们以为去 X(Twitter)上到处发小广告就是做推广,直到后来撞了墙,才知道什么叫 SEO 。 

文君:赵君,你也是做出海的,你来聊两句。

赵君:我觉得这是产品经理转型的典型坑。大家往往太重视产品构建,却没有把推广路径想清楚。或者说,不是从推广出发去构建产品,而是从纯粹的产品执念出发,我也踩过这样的坑 。 

产品二姐:赵君说得太对了。产品经理很容易陷入“只要产品好就能卖出去”的执念 。但商业的本质是:一瓶普通白开水,在山脚下 5 毛没人买,背到山顶上,10 块钱都有人抢 。 

文兄:关于赛道竞争,赵君你有什么看法?

赵君:赛道选择其实是个灰度。我会刻意避开显性的大词、热搜词,因为那种词很难长期守住排名,除非你有一个团队去卷 。我个人更喜欢细水长流,找一些小的关键词,虽然慢一点,但站得住。 

产品二姐:所以我现在的策略就是“下沉”。拿着最强的模型去挑战最难的场景(比如帮股民稳定赚钱),这是不现实的 。当用户的诉求远低于技术本身的能力时,才是好生意。

比如那家 40 亿美元估值的视频公司,他们不卷好莱坞翻译,而是去给传统企业做那种死板的内部培训视频,因为那些客户的要求远低于他们的技术上限 。 

05 策略转向:业务下沉与社会末梢的生意

文兄:能具体举个你们接触到的“下沉”场景吗?

产品二姐:比如我们接了一个口腔假牙制造商的项目。当时我们很不理解:为什么现在还需要 OCR(光学字符识别)做录入?

到了现场才发现:这家厂商对接的是上千个乡镇级的小门诊。医生给病人做假牙,就是在纸上画个图,手写备注“11 号牙、钛金材质”,然后拍照发给厂商 。你让这些小诊所老板去用一套拥有 50 个字段的复杂系统录入?根本不可能。厂商为了留住客户,只能雇人手动录入这些手写单据。你看,这就是 AI 能直接降本增效的“末梢场景” 。

文兄:这种小需求反而是刚需。

产品二姐:还有更小的。有次我去打印店,看到老板在叹气。他在对着Excel 表格,把人名挨个粘贴到三角形桌签的排版文件里,粘了几百张。我直接说:“我给你做个工具,Excel 传上去一键排好。”老板立马爽快下单定制。这其实比我们在全球市场上苦求一个包月订阅要容易得多 。把 AI 传导到社会神经的最末梢,中间会诞生无数的枝杈。 

06 流量资产化:如何用“渔网思维”做矩阵?

文兄:来,说说你们最近在做的 book2skills。

产品二姐:这个产品就是典型的“SEO 视角倒推”。如果按传统思路,肯定觉得要给“爱看书的人”做工具。但现实是,书籍的生命周期极长,种类繁多 。 

我收录一万本经典书,每本书用 AI 衍生写 5 篇博客(比如《一本书读懂财报》如何落地成技能),那我跟 Google 之间就建立了 5 万个长尾链接 。这是一个长期的、网络式的流量资产。 

马国强(群友):二姐,这番话太戳我了。我也在做工具站,做了 10 个互不相干的站,看哪个词热就上哪个。最近被 Google 判定为低价值内容,流量全断了,焦虑到想回去上班 。 

产品二姐:千万别做互不相干的单点突破。你要把产品做成一张互相借力的“渔网” 。 

比如我们最近围绕 Claude Code 做了一系列站:分析站点、SDK 站、Rust 版本站。我们把这几个站跟 book2skills 里的业务场景做交叉链接 。10 个网站内部互相引流,这种网络效应是呈平方级放大的 。 

赵君:补充一个变现的坑。我个人非常讨厌广告变现(如 AdSense),因为它把你核心的收入命脉完全寄托在一个中心化平台的审核上,风险太大 。我现在宁愿死磕用户直接付费,哪怕慢一点,心里踏实 。 

文兄:马国强觉得订阅难,是因为一直把用户当成“人”。我提个新角度:book2skills 的目标用户或许根本不该是人,而是 AI Agent。你可以做一个“元技能”,当全网的 Agent 遇到问题时,它会自动调用你的网站找答案 。 

07 结语:产品发布不等于上线

Gwent(群友):现在有了 AI 编程助手,产出很快。我是该做到 60% 就发布,还是打磨到 80% 再发?

产品二姐:首先,“发布”不等于向公众开放。你自己用 AI 批量做 20 个视频发出去看数据反馈,也是一种发布 。 

其次,现在从 60% 到 80% 的门槛极低。像 v0.app 或 Google AI Studio 能直接生成前后端一体架构 。为了加速,我们自己抽象了一层 AI Base,把所有 SaaS 必备的订阅付费模块全封进去了,新产品直接调取 。 

文兄:我补充一个极端的标准:最核心的“发布”根本不是产品上线,而是“定价并收钱” 。只有真金白银的买单,才是市场最强烈、最真实的反馈。

产品二姐:最后,我想聊聊我这张看似波动很大的“收入曲线”。大家千万不要把它解读成焦虑,能展现给大家,是我接纳波动,拥抱不确定性的“松弛感”。

传统职场提供的是一种系统的假性安全,这种线性增长的终点,往往是中年后因缺乏议价权而产生的结构性坠落。而创业是在乱序中构建自己的系统。

那段所谓的“零收入期”,其实是你积攒“认知复利”的黄金期。其价值远远超过了一份按月发放的工资单。当你穿透了那个拐点,你所拥有的资产将不再受限于你的肉身。当你理解了这种“先抑后扬”的生长逻辑,你就不会再被短期的波动所干扰。

文兄:功不唐捐。今天聊了快两小时,感谢二姐和赵君。闭门会按惯例戛然而止,我们下期见!

🔗 点击下方链接,了解和加入企图心俱乐部👇

已有不少人加入了MindCode企图心俱乐部,评价很好。


附:会后,大家的"一句话总结"选登

*仅选登少部分,没被选登的不代表不好,反正被选登的也没有奖品

琳:深入社会末端,做自己能力能覆盖的事情。

韩旭:做好产品是起点,GTM很重要,pricing很重要。

Q铭:面向推广去开发。在一个人经历中,更加确信每一个人都有自己的路,并且那条路的方向只有自己才能走出来。

Xone:在这个信息爆炸的时代,能分辨什么值得关注,什么该忽略,比什么都重要。

麗麗:OPC 启动项目也需要做行业调研,验证是否有真实付费用户,避免自嗨。

信华:做一个事情一开始可以很小,同时要想,如果这个事可以复制N个,撒网出去会不会有网络效应。二姐今晚的内容讲得很接地气,我想了很久她出发的动力,除了有一个好搭档外,还有对复利的想象力和创造力带来的积极性。

素小秦:世界上有两种重要的能力,一种是构建东西,一种是卖东西;两个都很难,但AI时代让普通人有机会同时拥有它们;既然两个能力要兼具才能有效创造价值,那就意味着,一开始就要从推广的角度构建产品;而如何有效地推广,你可以考虑多点开花,结成网络。

羽涅:1.了解AI发展史很重要,越早了解,受益越早,有复利效应;2. 现在做产品或者工具,除了to user还可以考虑to agent。

*以上参会者发言均非现场逐字还原,勿作演绎。

X


除本期闭门会之外,已有32位嘉宾参与了MindCode闭门直播会的交流,他们是:

“野区学校”创办者刘伟 | “Prompt之神”李继刚

FateTell CEO Levy | YouMind创始人玉伯

ListenHub 创始人橘子 | AI创业者向阳乔木

AIGC工具专家归藏 | AI视频艺术家海辛

【独响】创始人王登科 | WaytoAGI 的发起人 AJ

AI 学者谭少卿 | AI提示词专家银海

AI自动化专家饼干哥哥 | AI商业变现专家财猫

AI科普博主阿真 | AI编程社团导师黄叔

SecondMe创始人陶芳波 | Laper.ai开发者赵纯想

Chat Memo 开发者一泽 | 电影导演郭振超

【AI产品经理大本营】黄钊 | ABAM荣誉教授管郁生

《智能体设计指南》云中江树 | flomo联合创始人少楠

SimilarTube开发者赵君 |  出海去联合创始人罗百顺

AI野生布道师余一| 硅谷大舅bigjoe

【心光】王禹效、徐璐 | Coach 白一喵

中信 蔡欣

更多精彩交流,敬请期待。

*嘉宾排名按照邀请先后

*点击名字,即可查看当期闭门会精彩总结

AI时代,读他人之未读对你很重要。关注并发送“1”可加讨论小群。

跳转微信打开

jina-embeddings-v5-omni 发布!全模态向量小模型

2026年5月13日 19:15

原创 Jina AI 2026-05-13 19:15 新加坡

文本、图片、音频,视频,还有 PDF,全模态支持!

jina-embeddings-v5-omni正式发布,我们把 v5-text 向量模型的能力延伸到图像、音频和视频。文本侧不变,v5-omni 产出的文本向量与 v5-text逐字节一致,无需重建任何已有索引。

  • jina-embeddings-v5-omni-small 在四模态上平均得分 53.93,以 1/5.7 的参数量几乎追平 LCO-7B(54.43)。

  • jina-embeddings-v5-omni-nano 在 0.95B 参数下,依然能在文档检索上交出有竞争力的成绩。

开源 Omni 向量模型(同时覆盖文本、图像、音频、视频)的帕累托前沿。
开源全模态向量模型(Omni embedding model)模型(同时覆盖文本、图像、音频、视频)的帕累托最优。

v5-omni-small(1.57B)的参数量不到 LCO-7B(8.93B)的 1/5,平均分却追平了它;v5-omni-nano(0.95B) 体量更小,但较 LanguageBind(1.14B)高出 8.9 分。横向对比基线包括 LanguageBind、Omni-Embed-Nemotron-3B、LCO-Embedding-Omni-3B 和 LCO-Embedding-Omni-7B。

不同模态的表现
不同模态的表现

按模态拆解,我们分别在 MMTEB(文本)、MIEB(图像)、MMEB-Video(视频)、MAEB(音频)上评测。

  • v5-omni-small 在文本上拿到 67.0,领跑所有 Omni 模型:这一分数从 v5-text-small 原样继承,没有损失。

  • 图像 56.05,其中聚类任务 84.57 是 全榜最高;

  • 音频 51.46 与 LCO-7B(52.37)几乎打平,音频分类任务 55.89 同样登顶。

  • 短板在视频上:41.20 对 LCO-7B 的 47.41,这是目前与端到端训练方案之间最显著的差距,时序推理更依赖端到端训练。

不同任务的表现
不同任务的表现

再把四个模态细拆成 13 类任务,图中星星标记的是 v5-omni-small 胜过最强开源基线(对方参数量普遍是它的 3-9 倍)的任务。

  • 领先的四项:图像分类(68.55 vs 64.30)、图像聚类(84.57 vs 83.24)、多语言图像检索(65.88 vs 61.99)、音频分类(55.89 vs 53.39)。

  • 主要差距:视频检索(27.82 vs 58.73)、组合检索 / VQA(44.23 vs 53.40):与上一张图的结论一致,视频是仍要补的一课。

文档检索
文档检索

单独看文档检索(ViDoRe-in-MIEB)。v5-omni-small 只激活 0.92B 文本 + 图像参数,就拿到 79.08,反超 LCO-3B(78.24,激活参数 4.07B)。

v5-omni-nano 更极致:0.31B 激活参数取得 70.05,把 LanguageBind(37.33)近乎翻倍。Nemotron-3B 以 85.64 暂居榜首,但参数量是 v5-omni-small 的 5.1 倍。

模型架构

v5-omni 的做法是:作为文本侧底座的 v5-text、新增的视觉与音频编码器整体冻结,中间只插一层小型可训练投影层(projector),负责把不同模态的表示对齐到 v5-text 的语义空间。三个塔分别长这样:

  • 视觉:基座是 Qwen3.5 视觉编码器(改自 SigLIP2),配合 2x2 空间合并把 token 数压到原来的 1/4。整块编码器都冻起来,只把最后一层 fc_vision_2 换成一层随机初始化的投影,负责把视觉特征对齐到 v5-text 的输入维度,这层也是整个视觉塔里唯一参与训练的部分。

  • 音频:基座是 Qwen2.5-Omni 编码器(改自 Whisper-large-v3),同样整块冻住。一层随机初始化的 fc_audio 把 1280 维输出投到 v5-text 的输入维度。

  • 视频:不引入新编码器,而是直接当成一串视觉帧喂给视觉塔,需要的话再带上从视频里抽出的音频段。

任务侧,v5-omni 直接继承 v5-text 的四个任务专用 LoRA 适配器(检索、文本匹配、分类、聚类),每个任务变体单独训练自己的投影层权重。

这种"冻结 + 投影"的架构带来一个直接好处:完全模块化。只用文本,就只加载文本权重(内存占用与 v5-text 一模一样);要做图文,就再挂图像塔;音频、视频按需挂载,只有跑全模态时,所有塔才一齐就位。

Architecture
v5-omni 架构图

真正参与训练的只有中间那条小小的投影层,占总权重的 0.35%。视觉、音频、文本三个塔全部冻结。任务专用 LoRA 适配器分别处理检索、分类、聚类和文本匹配。

特性

jina-embeddings-v5-omni-smalljina-embeddings-v5-omni-nano

基座文本模型

jina-embeddings-v5-text-small

(Qwen3-0.6B)

jina-embeddings-v5-text-nano

(EuroBERT-210m)

总参数量

~1.56B~0.95B

支持模态

文本、图像、音频、视频、PDF

文本、图像、音频、视频、PDF

向量维度

1024

768

Matryoshka 维度

32, 64, 128, 256, 512, 768, 1024

32, 64, 128, 256, 512, 768

上下文长度

32768 tokens

8192 tokens

视觉编码器

Qwen3.5-2B ViT(SigLIP2)

SigLIP2 Base

音频编码器

Whisper-large-v3

Whisper-large-v3

任务适配器

4 个(检索、文本匹配、分类、聚类)

文本兼容性

与 v5-text-small 逐字节一致

与 v5-text-nano 逐字节一致

可训练参数

~18M 投影层(0.35%)

~7M 投影层(0.35%)

池化方式

Last-token

Last-token

模型许可

CC BY-NC 4.0

CC BY-NC 4.0

快速开始

Elasticsearch(Elastic Inference Service)

如果你已经在 Elasticsearch 中用 jina-embeddings-v5-text,现有的文本索引开箱兼容 v5-omni。Omni 模型对文本输入产出的向量与 v5-text 逐字节一致:同样的输入,同样的向量,无需重新 embed,无需重建索引。要把图像、音频、视频也搜起来,只需新建一个 v5-omni 索引,把多模态内容写进去就行。

用 v5-omni 作为推理端点创建一个 semantic_text 索引,EIS 会在索引和检索时自动选择对应的 LoRA 适配器:

PUT multimodal-semantic-index
{
"mappings": {
"properties": {
"content": {
"type": "semantic_text",
"inference_id": ".jina-embeddings-v5-omni-small"
      }
    }
  }
}

把文本、图像(base64 data URI)、音频、视频写入同一个字段、同一个索引:

// 写入文本
POST multimodal-semantic-index/_doc
{
"content": "'Kraft Dinner' is what Canadians call macaroni and cheese when prepared from a kit."
}
// 写入图像(base64)
POST multimodal-semantic-index/_doc
{
"content": "data:image/png;base64,iVBORw0KGgoAAAAN..."
}

用一条文本 query 跨所有模态搜索:

GET multimodal-semantic-index/_search
{
"query": {
"semantic": {
"field": "content",
"query": "Was bedeutet 'Kraft Dinner' für Kanadier?"
    }
  }
}

Jina Embedding API

curl https://api.jina.ai/v1/embeddings \
  -H "Content-Type: application/json" \
  -H "Authorization: Bearer YOUR_API_KEY" \
  -d '{
    "model": "jina-embeddings-v5-omni-small",
    "task": "retrieval.query",
    "dimensions": 1024,
    "input": ["What does this image show?"],
    "images": ["data:image/png;base64,..."]
  }'

请前往 jina.ai/embeddings 获取 API Key。

Hugging Face

from sentence_transformers import SentenceTransformer
import torch
model = SentenceTransformer(
"jinaai/jina-embeddings-v5-omni-small-retrieval",
    model_kwargs={"dtype": torch.bfloat16},
)
# 文本向量(与 v5-text 完全一致)
text_emb = model.encode("What is knowledge distillation?",prompt_name="query")
# 图像向量
from PIL import Image
img = Image.open("photo.jpg")
img_emb = model.encode(img)
# 跨模态相似度
similarity = model.similarity(text_emb, img_emb)

训练方法

我们把这套架构叫做冻结编码器的模型组合(frozen-encoder model composition),拿一个足够强的文本向量模型做基座,把预训练好的视觉与音频编码器挂上去,中间只留一层小型可训练投影层,除此之外一律冻结。

整个联合模型只有 0.35% 的权重在训练,由此换来三件好处:1. 文本表现分毫未动:同样的输入产出同样的向量,字节级一致;2. 训练快、省显存:只训投影层,比全量训练快 1.8-3.9 倍,显存降低 42%-64%; 3. 模块化:各个塔可以独立加载。

训练效率
训练效率

上图是 4x H100、batch size 256、15K steps 下,投影层训练 vs 全量训练的耗时对比。音频侧的提速最明显:small 加速 3.2 倍 (154 min vs 497 min),nano 加速 3.9 倍(112 min vs 441 min)。显存能省下 42%-64%,因为冻结的编码器不需要保存梯度和优化器状态。

v5-omni 完整继承了 v5-text 的 Matryoshka 维度支持。图像与音频向量在维度截断下基本无损,视频向量在小维度下衰减更明显。

Radar summary

把四个模态汇总到一张雷达图上,v5-omni 各项 vs 最强基线。v5-omni-small(1.57B)在文本、图像、音频三项上的曲线 都贴住或反超基线;视频是雷达图上唯一明显凹下去的一块,也是我们下一版本要补的功课。

结语

这是 Jina 在全模态向量模型方向上的首次尝试,我们希望换个角度思考这个问题:多模态向量模型,真的必须端到端整体训练吗?

v5-omni 给出的回答是:不一定。

v5-omni 冻结文本底座、只训练 0.35% 的权重,就足以在文本、图像、音频三项追上参数量 5-7 倍于自己的模型。我们得到的经验是:组合(composition)胜过重训(retraining)。真正难的事情是先把一个足够强的文本编码器训出来,这件事一旦做好,通过轻量投影层把视觉和音频挂上去,代价几乎为零。

但这一版最值得说的还不是 benchmark,而是这种冻结底座的设计带给生产级用户的一个直接好处:现有的 v5-text 索引一行都不用动。

如果你已经在用 v5-text,把推理端点切到 v5-omni 就行。同样的 query,同样的向量,逐字节一致;不需要重新向量化任何一条数据,就能直接获得图像、音频、视频检索能力。这是我们对多模态检索升级这件事的看法:应该是一次原地升级,而不是一次迁移工程。

jina-embeddings-v5-omni-small 是当前 20 亿参数以下最强的开源 Omni 向量模型。jina-embeddings-v5-omni-nano 在 10 亿参数量级上仍保持有竞争力的全模态检索能力

两个模型现已上线 Hugging Face 与 Jina Search Foundation API,也可以在 Elasticsearch 的原生推理端点直接调用。

跳转微信打开

智能体 AI 正在重塑客户体验:一场设计范式的永久变革

2026年5月13日 12:01

原创 Thoughtworks 2026-05-13 12:01 北京

我们将深入探讨这场智能体变革与客户体验的演进路径,并带您重新构想在多元化的业务场景下,人机协同的无限可能。

在智能体 AI 的众多应用场景中,客户体验(CX)无疑是最具价值潜力的领域。过去,自动化互动的效果往往参差不齐;而现在,智能体 AI 正在弥合自动化与人工辅助之间的鸿沟,为客户旅程注入了“超个性化”的灵魂。

然而,智能体化客户体验(Agentic CX)的落地并非无本之木。它要求企业的客户数据、系统和流程必须是可访问、可连接、结构化且受治理的。缺乏这一基石,智能体将无法在完整的客户旅程中可靠运作,而只能沦为孤立触点上的被动反应工具

动态个性化:这仅仅是开端

智能体 AI 在客户体验中最直观的应用莫过于动态个性化。当用户与 AI 智能体交互时,获得的不再是千篇一律的回复,而是量身定制的建议与交互体验。

但智能体 AI 的真正野心远不止于此。其核心价值在于对客户旅程关键环节的“编排(Orchestration)”与加速。这标志着一种范式的转移:AI 的焦点正从单纯的“流程自动化”,转向对“最终成果”的编排。

以我们与某领先保险公司的合作为例:我们构建了一个自主 AI 智能体,能够代表客户针对误判拒赔的索赔自动发起申诉。这不仅为处在压力下的客户简化了繁琐流程,也为保险公司员工节省了大量宝贵时间。

随着 AI 驱动的购买旅程质量不断跃迁,整个客户体验格局正在发生巨变。过去,聊天机器人或自动化零售往往难以完全满足用户需求;而现在,AI 智能体让我们从“更快的响应”进化到“更优的决策”。它们能跨系统协作、理解历史交互背景,并基于客户的核心诉求(而非仅仅是当前会话的片面信息)采取行动。对于许多消费者而言,这种“智能体化购买”将成为首选渠道。而这,正是变革真正开始的地方。

核心在于选择,而选择权始终在人

尽管 AI 智能体正演变为一种独立的购物与服务渠道,但消费者的偏好依然多元。有人会全心拥抱智能体,有人则偏爱线下门店的温度或人工客服的直觉。有时人们想亲力亲为地筛选决策,有时则希望 AI 智能体代劳。核心在于赋予客户选择权。

从这个维度看,客户体验的本质并未改变。品牌仍需构建覆盖多触点的卓越体验,保障客户按需互动的自由。这本质上是一个由人驱动的过程,因此,人们的工作模式以及团队的组织形态也必须随之进化。

为什么“可组合企业”是智能体化 CX 的基石?

为了让智能体生态系统释放出转型的能量,必须打破“技术孤岛”。如果客户数据被困在无法共享上下文的系统中,智能体就无法在旅程中表现出连贯性。因此,智能体技术只有在“可组合企业(Composable Enterprise)”架构中才能如鱼得水——这种架构提供了一个极具适应性的平台,能随技术演进和需求变化而持续进化。

在可组合企业中,业务被解构为独立的业务能力、数据产品、AI 模型和智能体组件。这些组件可以像乐高一样被重用和灵活组装。在此模式下,智能体负责自动化与流程编排,而人类则保持“人在回路(Human-in-the-loop)”,负责战略定调并处理复杂的异常情况。

更重要的是,人类需要为智能体划定“护栏(Guardrails)”,设定其追求的意图,并对结果承担责任。这种设计工作绝非可有可无,它是构建“可信智能体化体验”的关键。

在 CX 场景中,这些智能体通过特定的业务模型进行推理规划,并利用 API 在现实世界中执行任务。

同时,这套体系必须依赖强有力的治理。在客户体验领域,任何越界的行为都可能带来灾难性的品牌声誉、法律或财务风险。

有了这些坚实的基础,组织便可以随着智能体能力的增强,动态地调整其运作边界。这种演进并非由模型驱动,而是由企业通过在可组合架构中有意识地重新设计运作方式来驱动的。

可组合企业不仅是智能体化 CX 的起点,更是支撑其持续改进的底层结构: 它足够模块化,让我们在无需重建平台的前提下优化工作流;它又足够受控,确保我们在收紧护栏时不会中断客户的旅程。

作者:Jackeline Gonzalez - Lead Experience Designer, Thoughtworks

跳转微信打开

王川:当隔壁老王投资存储股票赚了三十倍后,如何还能不焦虑 (二)

2026年5月13日 06:23

原创 硅谷王川 2026-05-13 06:23 美国

王川:当隔壁老王投资存储股票赚了三十倍后,如何还能不焦虑 (二)

本文是王川:当隔壁老王投资存储股票赚了三十倍后,如何还能不焦虑 (一)的续篇。

1/ Anth 正在融资的九千亿美元的估值,是根据什么逻辑设定出来的?坊间流传着几种说法。一个说法是如果  Anth 率先达到通用人工智能 (AGI) 的时候,拥有 Anth 就意味着拥有“一个存在于数据中心里的,全是天才的国家”。和这样伟大的愿景相比,区区 9000亿美元就不要讨价还价了,否则格局太小让人鄙视。另一个说法是,Anth 内部有预测 2028年收入可以到700 亿美元,现金流可以到170亿美元, 13倍收入,53倍现金流,听上去非常合理。而且这样估值可以刚好超过  OpenAI (下简称为 Oai)  三月份融资 1220亿美元时的 8500 亿美元估值, 气势上就把对手盖过去了。

2/ Oai 三月份融资时对外宣称的 1220亿美元投资,500亿来自亚马逊,但只有150亿美元是现钱,其它350亿要取决于 Oai 是否能成功上市或者实现   AGI,  资金到位的时间会和 Oai 使用亚马逊算力的用量绑定。另外 300亿美元来自英伟达,据说主要是以算力的方式入股。还有300亿美元来自软银的孙正义。剩下 120亿美元来自一些小的风投基金。Oai 自创立以来,累积融资 1900亿美元,但同样有着巨大亏损。

3/ Anth 和 Oai 估值看多者无法绕过去的一个问题是: 

一个有着持续巨大训练成本,和激烈竞争 (竞争者之间差距不到三个月),巨大价格压力, 产品切换成本不高(网络效应基本不存在,用户粘性微弱),仍然严重亏损的公司, 是否可以最终扭亏为盈,并且利润越来越高?一个需要持续对外融资才能活下来的 AGI,那还能叫 AGI 吗?

4/ 在 Anth 和 Oai 之外,历史上累积融资超过 200亿美元的公司只有四家:特斯拉,Uber, Wework(已破产), Xai ( 被 spacex 兼并)。其中特斯拉和 Uber 现金流转正时,累积融资都只有 200亿美元出头。而最近 Xai 刚刚和 Anth 达成协议,把自己建造的一个数据中心以据说每个月5亿美元的费用租给 Anth 用于推理任务,一年 60亿的租金,正好让 Xai 现金流打平。

5/ 和文学青年们想象中的可以一劳永逸,不断自动循环进步,轻飘飘就可以达到颅内高潮的乌托邦式的 AGI 不同,Anth 和 Oai 是史无前例的需要持续劳作和训练的超级重资产公司。 Oai 累积融资 1900亿美元,Anth 累积融资 723亿美元,预计两家今年的亏损仍然都会超过 100亿美元  (2025年 Oai 的亏损是 90亿美元,Anth 亏损 52 亿美元)。黄仁勋老师曾说,英伟达的 GPU 你买的越多,就省的越多。而 Oai 和 Anth 迄今为止的公开纪录是:卖得越多,亏得越多。在没有任何可信的财务数据显示 Anth 和 Oai 的亏损会收敛的前提下,一个中立的观察者有理由怀疑,它们仍然有相当大风险可能步 Wework 后尘。事实上,知名英国记者和作家 Sebastian Mallaby 4月26号在旧金山的一个科技会议上公开声称,Oai 未来18个月有 百分之五十的可能性破产。借用某个伟人的话说,“亏一亿美元,是你的问题 ; 亏一万亿美元,是全世界的问题。” 既然都已经融了这么多了,现在阻力最小的演化方向,仍然是再融更多,再亏更多,再把估值继续做高,循环往复。

6/ 既然有这么大风险,为什么谷歌, 亚马逊和微软还在持续给 Oai 和 Anth 注入巨资?它们的动机是什么,有什么好处?如果仔细看,亚马逊和谷歌对 Anth  的投资,微软对 OpenAI 投资大部分是以云计算算力的价值入股,而不是现钱。价值一美元的算力对于云服务商而言的实际成本可能只有 70美分甚至更低,这是其一。第二点是通过算力的绑定,增加自己的云计算业务的收入,跟上未来 AI 增长的步伐,免得生意跑到竞争者那里去了。第三点,通过支持 Anth, 谷歌和亚马逊自行开发的 AI 专属芯片的研发费用得到了分摊,这对未来降低对英伟达芯片的依赖有用。第四点,也是最重要的一点,就是云服务商在两家大模型公司上的投资,迄今为止,有着理论上极为丰厚但尚未套现的回报。

7/ 微软在 Oai 上累积投资 130 亿美元,这块股权按照最近 Oai的 8500亿估值,价值 1350 亿美元,理论回报超过 10 倍。亚马逊给 Anth 在2026年之前注资 80亿美元,这块股权 2026年一季度的时候就已经价值 700亿美元 (当时  Anth 估值 3800 亿), 现在就更高了。谷歌给 Anth 在 2026年之前注资 30亿美元,一季度时这块价值 500亿美元以上。

8/ 每一轮的估值上涨,意味着之前的投资不是白送,那么下一轮新的注资在云服务商的董事会遇到的阻力就会比较小。Anth 和 Openai 就还可以继续玩下去。但理论的十几倍回报,迟早需要套现,投资者的耐心也是有限的。所以 Oai  和 Anth 很快就要面临第一个硬约束,必须要尽快上市。

9/ 如果无法上市,之前投资者已经承诺的部分资金也无法到位, 这个游戏也玩不下去。要上市就必须能刷出好数据,讲出一个好故事。目前坊间的传闻是  Anth 可能在年底前上市 (Polymarket 上概率超过 60%),而 Oai 因为业绩没有之前预计的那么理想,据说上市时间可能要拖到 2027年下半年。丑媳妇终于要见公婆了,正规全面严谨的财务数据终于要公示了。

10/ 创业公司在一级市场融资时,绝大部分早期股东无法卖股票,管理层可以人为控制供给,强行把估值持续托高,利用信息不透明不对称,长时间营造出一种持续上涨的和谐美好的景象。但股票到了二级市场,早期股东套现不被限制,几千亿美元的卖盘需要接盘者,交易每天公开透明,价格和估值每天的上下波动,将直接迅速的影响 AI 下游产业链上各个公司的规划,和投机散户的脆弱的小心灵。

11/ 而几家大规模云服务商 (Hyperscaler)自己也面临一个硬约束:因为巨大的资本性支出,它们的自由现金流接近于零甚至已经变负,再发新债融资的空间也不大,地主家也快没余粮了。欲知后事如何,且听下回分解。

(未完待续)

---

所有文章表达笔者个人观点仅供参考,不构成对所述资产投资建议,投资有风险,入市须谨慎。笔者推特号"Svwang1", 新浪微博 “硅谷王川", 网站 chuan.us。

点击下面链接可看到本公众号过去两百多篇原创文章的链接目录:

硅谷王川的公众号文章目录 (2026年一月)

跳转微信打开

药价,背后的谈判...

2026年5月12日 18:47

原创 小Lin说 2026-05-12 18:47 北京

医药体系,这些年发生了什么变化?

医药体系

这些年发生了什么变化?

2017年一盒布洛芬的价格,将近15块,而现在一盒布洛芬,不到5块;

这不是特例,阿莫西林从6毛多一片降到2毛,阿司匹林最便宜只要3分钱;心脏支架,从原来的1万3,生生被砍到了700多... 中国的药价到底发生了什么?

曾经的“房子吃没了,家人被我吃垮了”,似乎已经成了过去式。现在很多人担心的,反而是,太便宜的药,效果会不会受影响:麻药会不会用了不睡,血压药会不会降不下来,拉肚子药吃了会不会还拉...

药效这块咱不敢瞎说,今天我想从医药产业的角度聊聊中国的医药体系,这些年在发生什么样的变化?这药价是怎么被打下来的?对我们又有什么影响?

背景

中国医药体系

之前大部分人吃药都是医院开,所以虽然你也在花钱买药,但决定你买什么的不是你,而是医生,买单的,除了你,还有医保,这个链条就让医药行业的链条和逻辑和其他行业非常不一样。

对药企来说,要想卖得好,最重要的,是让医保愿意报销,让医生愿意用。

视频截取自: 小Lin说

所以,中国在过去很长一段时间里,形成了一套从药企,通过代理、经销商、医药代表,打通到医院的药剂科室,这样一条很长的流通链路,也是很多人口中“以药养医”的格局。

这个链条能长到什么程度,据说中间的经销商最多可以到9级,那每一层不都得雁过拔毛嘛~

如果你去看一些大药企、恒瑞药业、华润三九等等,他们2017年之前销售费用占比,高达将近40%。

视频截取自: 小Lin说

药价怎么

打下来的?

两票制

其实国家之前就试过,给药价定上限、单病种治疗上限... 但都收效有限。

真正开始见效的第一个动作,是2017年,国家推出的“两票制”,把价格砍刀,挥向了中间的层层经销商。

两票制,就是要求药物的销售,只允许开两次发票:药厂卖给经销商(医药流通企业),开一次;经销商(医药流通企业)卖给医院,再开一次,只能有一层经销商,中间那个跟千层酥一样的经销商网络就没了。

这个动作让很多药价降了约20%左右,也给行业来了一轮大洗牌,很多小企业就逐渐被大企业收购,行业的集中度提高。

不过呢,你看它其实是把一层一层的小代理,收敛到一些大代理,但药企通过医药代表渗透到医院,这个基础体系并没有被撼动,两票制这刀并没砍到真正的大动脉,也就是说药企的营收里,还是有很大一部分留给了中间商和医院的负责人。

同时,看不起病依然大量存在。

很多新药、罕见病的药,还是没进医保,打一针就要花几十万,根本用不起。2018年的《我不是药神》里一句经典台词“世界上只有一种病,穷病”。

要撼动这个格局,需要从根源上去打破这个错综复杂的体系。

针对这些情况,国家在2018年先后出台了两个重磅政策,让医药行业的格局发生了很大的转变。

视频截取自: 小Lin说

创新药 - 国谈

一个是"国谈"。

针对很多大家用不起的新药,就是药企自己投入研发的创新药。

这种药的特点,前期的研发成本极高,很多又都没有纳入医保,如果用的患者有限,药价几乎是不可能下来的。

而早期医保目录,先后是劳动社会保障部和人社部管,4-8年才更新一次,可想而知是这个时间跨度,也不可能把新药及时得纳入进来。

怎么办?

于是2018年,国家正式成立了医保局,专门负责跟这些药企谈判,砍价,合适的、需要的就放进医保目录来,就是大名鼎鼎的“国谈”。

不知道大家有没有刷到过这些,都属于国谈灵魂砍价的现场。

比如国谈的时候,医保局会带着一个绝密信封,里面是专家测算好的价格,代表了医保有能力、有意愿支付的最高价格。如果企业两次报价都超过了这个信封价的15%,就出局了,所以药企自然有激励不敢报太高。

虽然价打下来了,但药企也不亏,毕竟中国人口基数这么大,一个药能进医保,再小众的病,至少都会增加成千上万的用户,这对于药企来说,肯定比挨个医院一个一个去公关,要划算得多,通过低价得到更大的市场。

总之,通过医保局出马,机制改革,让药企去研发好药,别整天去搞旁门左道,只要药好有人用,就纳入医保,促进商业化。

图片截取自: 小Lin说

这个砍价的效果确实很好。这几年的国谈,药价降幅平均都在50%以上。

同时,也确实激励药企开始搞研发搞创新药,以前新药做出来,要等五年十年,才能进医保,企业只能咬牙扛。但现在,一两年就能实现商业化。

这就让企业、资本,看到了潜力。

2018年前后,海内外创新药产业链、盈利模式都更成熟,资本也嗅到味道过来了。

2017年创新药企融资只有大概21亿美元,但2021年就达到了160亿,也助推了创新药行业的发展。

视频截取自: 小Lin说

仿制药

但这还远远没完,新药解决的基本都是一些疑难杂症,但其实我们平时用得多的、量更大的,都是一些常见通用的药。

什么是仿制药

比如,针对流感的奥司他韦有达菲的(约180-190/10粒)、可威的(约35-45/6粒)、索霏的(约13-23/10粒),虽然都是奥司他韦,但价格能差接近十倍。

贵的达菲就是创新药,奥司他韦就是他家首创的,剩下的都是仿制药,

仿制药,就是当创新药过了专利保护期(一般是20年)之后,成分就会被公开,那其他药企都可以根据成分表去“仿制”,只要最后的药效、质量达到一定的标准,比如人体吸收过程在创新药的80-125%,专业点说叫通过“一致性评价”,就可以上市。就有点像你做鱼香肉丝,配方可能有差别,但味道大差不差也能卖。

常用的比如阿司匹林、各种头孢、阿莫西林等等都有仿制药,

我们常用的药里,大量其实都是仿制药,这也是现在跟十年前相比,药价被打下来的一个关键。

那对于仿制药,几乎没有研发成本,说句不好听的,鱼香肉丝的配方有了,可能是个厨子,手艺别太差,都能炒个大概。

按理说,这种同质化市场,竞争最后就会变成卷价格。

这些药呢,在发达国家药量占比有80-90%,但从金额来看可能只有20%,但在中国,2017年常见药品能占到药品销售总额的60-65%。也就是说,中国对于常见药的支付比例,显然是过高的。

而且,关键还有高昂的销售费用,那你说这药价水分能不高么...

视频截取自: 小Lin说

集采

这个水分怎么挤呢?就是大家可能都听说过的“集采”。

集采,顾名思义,就是集中采购。就是国家会和全国大小医院谈,大概需要用哪些要、多少用量,都报给我,我来统计、汇总,去和药企谈,量大肯定从优啊,我可以大家一起拼好药以以量换价。

具体怎么个“换”法呢?

集采的报价方式是“暗标”,竞价的药企之间,相互是不知道别人的报价的。

那药企们就陷入了一个囚徒困境。如果都报高价,行业确实能多挣点;

要是你报的高,别人报的低,你想医保局可是个大买家,手握全国70%以上的量,拿不到它这个大客户,你可能直接就喝西北风了。

你报低点,少赚点,至少还有的做。

所以对于企业来说,最佳策略就是把价格压到自己能接受的最低。

有人可能要问了:如果有企业互相串通投标咋办?

罚款,狠狠罚。去年有几家企业串通投标,直接罚了2.66亿。把前两年挣的也给还回去了。

图片截取自: 小Lin说

集采和国谈,虽然都是医保局跟药企砍价,但他们的逻辑其实完全不一样。

国谈是创新药,没有几家能做,而且人家研发费用那么老高,你要是砍太狠,药企没钱赚,之后谁还去创新?

所以国谈的关键,是测算清楚企业的“合理价位价”,他们会分成2个专家组,分别去评估医保局的支付能力,和药企的经济效益,测算出一个既买得起,又让药企有钱赚的数,围绕这个数来砍价。

但集采就完全不一样了,集采就是“你们就卷吧,谁有本事,谁能继续玩”。

开玩笑哈,理是这个理,但它也不是单方面卷企业,也会给药企保障。

比如医院报的用量,必须基本达到,让企业有饭吃有钱赚。同时医保基金结算也算快,90%一个月就能回款,从现金流周转的角度帮忙。

图片截取自: 小Lin说

这样一套下来,到2024年年底,过去九批集采的药品平均降幅达到了53.7%。

原来一万多的心脏支架,直接降到700多。最便宜的阿司匹林,只要三分钱出头。

你听过世界药房印度吗?全球药价洼地。结果现在国内有个别药,甚至卖得比印度还便宜。

同时,集采也成了行业洗牌的机会。就比如胰岛素类似的药,之前是诺和诺德、赛诺菲、礼来三哥外企巨头占了70%的份额,集采之后本土企业市场份额迅速上升。

图片截取自: 小Lin说

医药体系的变化

药价便宜了,医保基金也省下来不少钱,2018年到2024年,累计省了大概4400亿。这么多钱,去了哪呢?

医保局官方说,有3600亿元,都用到了国谈谈的那些新药里,也就是说,“老药”集采省下来的钱,80%用到了新药上,官方叫它“腾笼换鸟”。

而这个机制,也在引导药企往研发、创新倾斜。

就比如恒瑞,2019年它营收里82%都是靠仿制药,但到2024年,这个比例已经下降到50%出头,创新药撑起来半边天。

这个医药体系底层结构的变化,也是我们看到最近几年创新药行业增长的关键。

你看1类创新药上市的数量,从2018年的9个品种,涨到2024年的42个。同时本土企业的比例也在提高。

图片截取自: 小Lin说

写在最后

"灵魂砍价"的背面

但并不是说,集采让大家都吃得起药、资金挪到创新药,就全是好的,体系的变化也有“副作用”。

比如,现在大家最关心的,就是药质量的问题,药到底管不管用,手术的器械到底耐不耐用,你别骨折了打钢板呢,一边拧钉子,一边掉金属渣,对吧~

还有一些人可能吃惯了一种药,吃的好好的,结果没进集采,突然让我换,患者可能也不适应、有一些不良反应。

总之,就是希望大家可以有一些自主选择、加钱用好药的空间。

这些问题吧,医保局其实也在关注,目前也有一些措施:

比如最新一轮,第11轮集采,医保局在跟医院收集需求的时候,允许医院报品牌,结果77%的医疗机构都直接报了。之前主要看价格,仿制药更有优势,但现在也看品牌,就利于更多原研药进集采。

另外,价格上,要求药企不能低于成本价,如果报价特别低,还得专门说清楚,为啥、凭啥。就是该你做的还是得跟上,别搁那瞎卷!

图片截取自: 小Lin说

集采、国谈,降了药价,但他们不仅仅是为了降药价,背后折射的还有整个医药体系,关键是把整个生态慢慢调整、引导到一个更合理的位置。

这个过程,必然会伴随着调整、试错,但关键是,我们要看它的方向往是在往哪走。

图片截取自: 小Lin说

—— E N D ——

点击阅读原文可以来B站找小Lin玩呀~

阅读原文

跳转微信打开

【闭门会预告】对话二姐:产品做出来了,然后呢?

2026年5月11日 14:22

张泓 2026-05-11 14:22 北京

以下文章来源于:MindCode

MindCode

你很有眼力,这是多位大咖关注的小众公众号,跟你聊:机器AI、人类心理,创业、产业,成事心态

按:“MindCode 闭门会”是MindCode仅限进群粉丝参加的直播会议,5月11日(周一)21点,第48期,直播没有回放。

本次闭门会主题:好的产品就一定卖得好吗?好产品和卖得好之间还差什么?

我们将邀请前IBM、京东产品经理,公众号【产品二姐】主理人姬阁阁(二姐) 来跟大家一起交流。

听过很多做产品的故事,会有一种天然的错觉:只要产品做得足够好,后面的路自然就通了。

但现实是,做得好与卖得好之间,存在巨大的鸿沟。它不完全取决于你做对了什么,还有大量的偶然、时机和复杂的内外因素。

二姐和搭档花了大半年做了一款出海产品,该做的都做了,结果却和预想的不太一样。她是少数愿意把这样经历打开来讲的人,这在当下,十分难得。

今晚,她将分享那些做完之后被重新理解的东西;那些出发前深信不疑、走完之后发现要打个问号的判断;以及那些只有真正走过这条路,才会浮出的认知。

她有一句话很打动我,她说,分享这些并不是想表达做产品的悲观态度,而是一种接纳,接纳这是个“常态”,不意味着未来我们就不能做,不去做,做不成了。

对了,我们还请了赵君一同加入,他之前来闭门会分享过自己的产品开发和商业化经验。两个处于不同切面、带着不同真实体会的人坐在一起聊产品,你应该很难在别的地方听到。

欢迎你来。

特别说明

闭门会不是宣讲会、讲座。它没有 PPT,没有精心准备,它是大家一起交流碰撞,激发企图心和行动力的地方。

互动要求

谢绝仅仅带着“听”、“学习”心态的人参会,无论是谁,欢迎开麦。

一句总结

更重要的一点,你需要在会后将你的一句话总结发到你所在的 MindCode群里,也许两周后你已经忘记了大部分内容,但那一句话是你自己的结晶,相信我,你会一直记得。

价值反馈

此外,每个人的一句话总结我们都会同步给嘉宾,因为这对他们相当有价值。

报名方式

为保证小规模、私密性,关注👇本公众号,在聊天窗发送数字 1 ,进群,群里会发会议链接。

注意1,之前已进群的朋友,不用重复上述操作,届时你所在群会收到会议链接。

注意2,你应该先读读MindCode的文章,觉得不错,再顺带参加它的闭门会。

注意3,闭门会免费,每期限额100人,企图心俱乐部成员可优先入场,如果你对某期闭门会特别感兴趣,建议提早进入线上会议室占座,否则哪怕报了名,也可能因为会议室爆满无法参会。

MindCode闭门会没有回看,偶有简略总结,以下是其中两期的总结,大约还原了现场1%的精彩:

对话赵君:每周工作5小时,实现自动盈利,独立开发者“不内卷”出海心法

对话蔡欣:当大模型击穿知识供应链,“书”还会存在吗?

关于MINDCODE

文兄是谁? 科技领域连续创业者,目前在AI+心理领域创业,中美几家AI公司的CEO心智与战略教练,原阿里巴巴早期移动端核心产品负责人。

MindCode是什么? 一个小众公众号,日常短篇+偶尔深度长文。关注AI、脑科学、心理学、创业。因在多领域深入思考,关注者中不乏顶级牛人。MindCode企图心俱乐部正在招募中。

🔗 点击下方链接,了解和加入企图心俱乐部👇

已有不少人加入了MindCode企图心俱乐部,评价很好。

跳转微信打开

独家对话姚顺宇:请允许我小疯一下

2026年5月11日 11:01

原创 张小珺 2026-05-11 11:01 浙江

再说一次,这是个集体主义的事。

作者:张小珺

姚顺宇戴了一副茶色眼镜走过来,这副眼镜会随光线变化而改变颜色。

硅谷AI业界有两位Yao Shunyu,他们曾是清华同一届毕业生,这让姚顺雨与姚顺宇时常成为话题人物。

前一位姚顺雨2025年从OpenAI跳槽到腾讯,他去年来过我们节目;后一位姚顺宇也于同年跳槽,从Anthropic来到Google DeepMind。

这位姚顺宇毕业于清华和斯坦福大学,曾经的研究方向是理论物理——非厄米系统、量子物理与高能物理。他的人生奋斗姿态是——“总想挑战一些自己不太会的事”。

他人生最大的一次跨步是博士毕业,毅然决然离开深造9年的物理,来到崭新的AI行业。过去两年,他先后在Anthropic和Google DeepMind出任研究科学家,参与了Claude 3.7、4.5、Gemini 3等关键模型的开发过程。

姚顺宇一点也不nerd。有时,他会令你猝不及防,突然发表一点“小疯”言论。

第一次见面,他就对我说:“我在这个行业又没有什么导师,又没有什么旧友,我当然想喷谁喷谁。”

转行AI的两年,他变得越来越直接,越来越不害怕得罪人。访谈中,他也说了一些直白言论:

  • “AI个人英雄主义时代已经过去了,所以也没有什么英雄,有时候甚至觉得旧时代英雄有点蠢。”

  • “没有哪个老登是你的亲属,所以你觉得他傻,他就是傻,就可以直接说他傻。无所谓的啊。(笑)”

  • “现在大家都是冲浪的人,本质上是那个浪,而不是你那个冲浪的人。”

  • “AI这个事,本来也不太需要脑子——真的不太需要脑子——我觉得都是一些本科生就能干的活。这个行业最重要的特质,就是靠谱,就是做事细,对自己做的事情负责任。”

  • “你不用太担心因为自己的观点而惹到什么人。只要你的观点是自洽的,不是说随便喷人,你是有一套自己的理解。最终你在这个领域做的怎样,是有客观评价标准的——大家是会尊重你的。”

不过,不要误会他是一个不谦虚的人。在描述自己的研究时,姚顺宇显得异常审慎。

他对于这些工作的描述是:“我自己对那个事没那么重要,更多的是,我很幸运,有机会在那个时候加入了一个重要的项目,做了一些事。”

他反复强调,AI个人英雄主义的时代已经过去了,现在都是集体主义的故事,要对神话个体的一切叙事充满警惕。

我们的节目录制于2026年3月,距离我们这次节目录制完,世界又发生了许多意想不到的变化:Meta对Manus的收购被撤销、Cursor可能被SpaceX收购、xAI将终止独立运营并入SpaceX,并更名为SpaceXAI等等。如果我们的谈话内容有一定滞后性,请大家多包涵——AI的世界实在变化太快、太出乎意料了。

可能还要特别说明的一点是,技术细节会涉及企业机密,有一些嘉宾是不方便分享的,也请大家能够包容。

在访谈中,我们尽最大可能和大家一起学习AI。你会收获姚顺宇在Anthroic和Google Gemini的技术探索历程与思考洞察。

而对于那些离经叛道的微小片刻,还请允许我们小疯一下。

友情提示:文字内容大约只占完整内容的1/3,如果要获得完整版,请观看我们的视频播客或收听播客,你一定会收获更多惊喜!

完整的播客将于小宇宙、苹果Podcast等全音频平台播出;播客视频将于Bilibili、小红书、视频号等全视频平台播出。

以下是我们的访谈节选。

01

“他回去之后,我们也经常打电话”


张小珺:AI业界不是有两个姚顺宇/雨吗?你要不要先给大家介绍一下你自己,并且给大家科普一下两个姚顺宇/雨的区别?

姚顺宇:我叫姚顺宇,显然也有一个跟我几乎同名的朋友(姚顺雨,腾讯首席AI科学家,前OpenAI研究员)。我们俩主要履历也有一些overlap(重叠),看起来非常难以区分。

我以前是做学物理的,本科在清华,那时做凝态理论,后来去斯坦福做理论高能物理。离开斯坦福之后去伯克利,短暂待了两个星期的postdoc博后,就离职了,去了Anthropic。在Anthropic待了一年,去年9月底、10月初加入了Gemini。

如果大家非要区分,最大区分就是,那个顺雨,一开始一直是做CS,计算机相关;我从某种意义上是半道出家,之前做理论物理为主。

张小珺:你们是不是好朋友?好像大学就认识,而且是一级的。他是一个什么样的人?你是一个什么样的人?

姚顺宇:我们本科就认识,因为我们本科在清华是一级的。他一开始就学计算机,在姚班,计算机科学实验班;我学物理,在机科班。后来他去了普林,我去了斯坦福。

这也是另一个有点令人费解的点。在普世世界,觉得斯坦福应该是学计算机的人该去的地方,普林斯顿是学物理的人该去的地方。但我俩正好反过来。哈哈。也可能产生了一些费解的事。

我俩还真的挺不一样。他是一个比我有趣的多的人,我从他身上能学习到一些和我很不一样的点。比如在AI方面,他花了很多时间思考人和AI的交互、一些产品的事。对我来说,是一个很不一样的朋友,我也从他那学到很多。

张小珺:你们之前在硅谷多久见一次面?你们现在是不是还频繁打电话?有多频繁?

姚顺宇:我们在硅谷见面确实挺频繁的,每几个星期吧。但好像见面是为了凑一块玩。哈哈哈。

真的就是纯玩。可能出去散散步,扯扯有的没的。有时候吃个饭,打个牌啊之类的。哈哈,他回去之后,我们也经常打电话。

张小珺:最近一次电话聊啥了?好像就是前一两个星期。

姚顺宇:啊,你怎么知道的?(狐疑脸)

可能会过几个月,catch up一下大家的近况吧。

张小珺:他是不是多次想把你拉过去?

姚顺宇:可能有这个意思吧(笑)。但是,我觉得不关键。哈哈哈。

多半是我自己的原因。去年八九月我离开Anthropic,决定要去哪,最大动机是我想学一些不一样的东西。对我来说,我没有更着重去考虑领导一个项目。我更多是,想优先去学习一些东西,我选择去了Gemini。

02

“为什么要把自己的时间浪费在伺候老登身上?”


张小珺:你本科读量子物理、博士读了高能物理,物理对你的帮助是什么?

(此处省略了姚顺宇在物理上的科研探索,完整内容请大家看视频播客或者听播客:)

姚顺宇:本科读物理最大的帮助是:第一,想问题要想清楚。读书不在于读的多,而在于读的深。读的多,不代表你能发现新东西。但如果你对一件事有和别人不一样的见解,那才是对社会来说更有价值的事。

另一件事是,别太相信纯理论。因为当时能做数值,是因为数值和理论对不上,才仔细研究那个问题。

博士去读了高能物理,这就回到了说——总爱挑战很难的事,有时候也会带来一些不好的结果。我感觉,我这个博士对自己学到很多东西、成长很大;但于这个世界,没有产生什么贡献。哈哈。

高能理论这个方向,足够难,非常非常难。但它不好的在于,不是特别可以验证,没有什么客观评价标准。因为高能理论已经发展到了实验完全追不上的阶段。

张小珺:那这个学科是怎么进步的?如果不是实验,它的进步依赖于什么?

姚顺宇:一个进步来源,来自于数学的自洽性。

比如,你提出一个框架来描述这些事,那你能和现有的已被验证的更低能标下的理论相自洽。比如说研究弦论,自然大家问题就是,弦论能不能在低能情况下回到量子场论,进而回到经典物理。

这个自洽性是一个判定方法,是很合理、科学的。当然也有一些不科学的因素,当这个领域完全没有实验、没有客观标准,肯定不会只有一个自洽框架出现。

这时候谁做的好、谁做的不好,就依赖于领域内一些老登的主观判断。

张小珺:你是被谁伤害了是吗?(笑)

姚顺宇:我也没有被谁伤害,只是在那个领域待时间越长,就越觉得这件事蠢——人这一辈子也没多长,为什么要把自己的时间浪费在伺候老登身上?

张小珺:所以是花了5年学习了很多知识,买了一个大教训。这个教训是——要做实验?

姚顺宇:要做有比较客观评价标准的事,要做对这个世界能够产生影响的事。

张小珺:你本科是比较顺利的,在量子物理这个研究领域,很快就有了非常好的学术成果,而且是范式级的变化。但你迅速觉得没有吸引力了,在博士挑战一个更难的事情。但在博士期间是比较落寞的。

姚顺宇:至少从结果来说是这样的。哈哈哈。

张小珺:外界看不出来,外界看都是非常光鲜的履历。

姚顺宇:对,从实际科研产出来说,没有人会说我博士期间的文章不好,但摸着良心说,对这个世界有多大的影响?我觉得几乎没有——没有影响,几乎为零。

对我自己来说,我自己很不满意的啊。但也没有不满意到,我会担心有人说我在混日子。确实也没在混日子,还是能达到所有外界标准。

张小珺:这是怎么做到的?——所以说,很多事情是冷暖自知对吧。

姚顺宇:达到外界的标准,或者达到一个小的圈子的评价标准,像训练模型一样。一旦有了这么一个小的圈子,你知道他们的评价标准之后,做得好是很容易的。哪怕不认可这个标准,你是可以达到的。

张小珺:有时候哪怕内心不认可,也可以蒙蔽自己继续往前走。

姚顺宇:但我后来发现我蒙蔽不了自己,骗不了自己。

博士最后两年,就会有这样的感觉。但那时确实也没想清楚,如果不做这个该去做什么?

比如说,一开始更多是去了解量子计算或者量子信息。拿了postdoc offer之后,感觉更紧急。在学校,还可以一个学生的心态。离开学校之后就是自己的career(事业),得给自己找一条路。

当时觉得,量子计算和AI是两条给小登机会比较多的路。

博士后,我到伯克利待了两三个月,官方说就只待了两个星期——我入职之前已经去那了,反正就在湾区嘛。但入职之后,只待了两个星期就辞职了。

我本来不准备入职,但伯克利人就是太好,说:没事,等事情定了再说,能来多久就得来多久。

张小珺:你告诉他们你在跟Anthropic谈?

姚顺宇:我告诉他们我可能会去做AI了,要不就别入职了。

不止伯克利,湾区这两个学校的老师都人很好,很照顾你。觉得你还没有完全谈定,还是先把工作拿着。

张小珺:物理对你后来做AI有什么帮助吗?

姚顺宇:硬实力上没什么帮助。纯工具性的技能上来说,从物理到AI的转化,是非常非常少的。但非要问的话,可能是性格吧。

做物理的人会更想刨根问底,更想理解一个事儿,更想做事很系统。因为习惯了这种很系统性的,不管是做实验的方式,还是做理论的方式。但这也不是做物理人独特的。

为什么做计算机的人没有这个特性呢?我认识很多做计算机的人,也有这个特性。很多学化学的人也有,学生物的人也有。所以不觉得它是做物理独特的。

但事实上,语言模型这种比较large scale(大规模)的AI,确实有很多物理出身的人,做的很成功。尤其Anthropic这个公司。

03

“智能涌现,这个话本身就不太科学”


张小珺:很多人在描述这一代AI的时候,会说是黑盒,你能用科学的角度来理解一下这个黑盒吗?

姚顺宇:这世界上所有东西都是黑盒。

哪怕像物理这种。不管是量子力学,还是量子场论,都是描述那个能标下的行为。本质上这个系统还是一个黑盒,你还是不知道它最微观的地方是什么样的动力学。

AI也是一样,黑盒不黑盒,都是相对的。我们对语言模型的理解,确实没到神经科学手术刀那个级别——不是说能理解到,这个行为是由哪一个neuron、哪一个人工神经元的哪一个激发产生的。没有到这个层面。

除非在一些很稀疏、很小的网络里,像Anthropic那个Interpretability(可解释性)团队,可能会做一些类似的工作。但在实际能用的语言模型里,都没达到这样的理解。

但也不代表完全没理解。比如Scaling Law,它就描述了那个尺度下,模型随着大小和数据量,是怎么在perplexity(困惑度)这个指标下变得越来越好的。

所以是完全没理解吗?如果Scaling Law不算是理解的一小部分,那是不是我们也说,对这个世界也完全不理解?这个世界也是一个完全黑盒。

张小珺:所以Scaling Law是一种科学规律?

姚顺宇:它是一种经验规律。但经验规律和科学规律之间的界限很模糊。

热力学那些定律——第一定律、第二定律、克拉伯龙方程——当年被发现的时候,也都是经验规律。后来随着时间发展,慢慢知道了微观机制,就变成了科学规律。

Scaling Law目前肯定还是很经验,但未来当技术变得比较固定,大家越来越多理解它微观过程的时候,会不会变成科学规律?如果这个定义存在的话,是有可能的。

张小珺:能不能用科学的表达来解释一下,“智能涌现”?

姚顺宇:这个话本身就不太科学,自然也没法用科学的话来表达一个不科学的事。

智能涌现,对我来说,它更多是一种主观的感觉,而不是客观现象。

很多人说智能涌现的时候,脑子里想的是,以前的语言模型只能做某一个方向的事,比如只能翻译、只能做分析。但现在模型好像,哎,可以做所有的事了。

但这个事,对我来说更多是一个技术上的涌现,而不是行为上的涌现。是我们通过研究,发现了该怎么去做这种大规模的训练,能够水平的提升所有能力。这才是更本质的事。

至于智能涌现,每个人心里的定义都不太一样。

张小珺:你的定义是?

姚顺宇:对我来说就是没定义。

唯一质的区别就是,有没有发生一个技术上的改变,使得我们可以做scale up,可以水平的提升所有的能力。这对我来说,是一个良好定义的事。

张小珺:你最后是在量子计算和AI之间选择了AI,这是怎么发生的?量子计算好像离你的研究主线更近一些?

姚顺宇:好处是他们都给年轻人机会。

这就是为什么要去了解细节。了解之后发现不是,是反过来的。量子计算的主要瓶颈在实验上。不是怎么设计算法或者算子,更多是怎么在实验上实现它。那个事反而是我不擅长,和我过去很多有兴趣的事比较不相关。

跟我相关的反而是AI。更多是你有一个想法,可以用一些数值去验证。这个数值在AI里面,可能就是训练一个模型。这和做物理很像。

为什么我一直爱把这个和18世纪的物理学做比较?它更像那个时代的物理。那个时代理论和实验不分家,没有什么理论物理学家、实验物理学家,你就是搞物理的。你自己可以做实验,也可以做理论推测。AI就有点像那个时代。

张小珺:你之前说现在从事AI研究像17世纪从事热力学研究,其实在表达:虽然大家没有办法很清晰从科学上去解释和理解这件事,但并不会阻止它发展。

姚顺宇:对。为什么比较那个时代的热力学?那个时代大家不理解什么是热的微观理论,不知道热是什么东西。

就像现在,大家不能理解language model(语言模型)里,哪一个矩阵元是在干什么。但是不妨碍你有好的经验定律,比如热力学的各种定律,和现在的各种Scaling Law。从这个角度来说,它是类似的。

从研究人员的角度,就是刚才说的另外一个问题:理论和实验不太分家。

04

“实行top down有一个很难的点,就是你做技术的决策人,必须也得是公司的决策人”


张小珺:你在Anthropic的历程是怎么展开的?

姚顺宇:主要还是有前同事在Anthropic。哈哈。

Anthropic有很多做物理出身,尤其是做理论物理出身的人。

张小珺:他们从人的选择上,为什么会倾向于选择这一波人?

姚顺宇:当然很多人可能会找一些原因说:做物理的人擅长这个或者擅长那个。但就我个人视角来看,主要原因还是connection,就是联系。

Anthropic的创始团队里,当时有三四个比较技术的人,其中有两个现在还在技术一线领导的,都是做物理出身。他们可能招的一些人也是做物理出身,就这样一直延续下来。

但到现在这个阶段,在我之后,几乎没怎么再招完全没有AI背景的人了。所以是一个时代的产物。

姚顺宇:你只找了Anthropic吗?

张小珺:没有,我还找了OpenAI和GDM,就Google DeepMind。

但Google DeepMind那时候速度太慢了。哈哈哈,最后没有出现在考虑范围内。后来Gemini获得了长足的提升,动手非常快。

Anthropic是因为当时联系了,后来我的第一任manager,第一任经理,他以前也是做理论物理的。他当时说:我们在尝试做这种大规模强化学习,有很多科学问题要去理解。那时候24年八九月的时候。强化学习还没有像现在这么成熟。

那时候大多数人都不太知道怎么做,因为o1还没发布呢。

那时候o1只是,大家都知道有,但是都还没看到结果。Anthropic当时不知道怎么做的——大体上知道,但是有很多细节需要仔细去研究。

他说:哎,有这么一个事,你要不要来面试一下?

我觉得:哎,可能是一个好的机会。

张小珺:你当时怎么认知强化学习啊?

姚顺宇:没认知,哈哈哈。

大概知道pre-train、post-train这个流程,但不太知道具体工业级别的语言模型是怎么训练的。只能知道学术界是怎么训练的。

更多还是,当时觉得这是一个不确定的事,是一个好的机会,就去干了。当然也有些面试的准备和面试过程。

面试题也不太难,反正,哈哈哈。但对我来说,当时也不知道怎么准备。就去把我能找到的那些课,自己能学的学了一遍,能做的作业做了一遍。自己手搓了一套,Andrej Karpathy有一个著名的项目,叫nanoGPT还是叫什么。手搓了一下那个,就去面了。很快拿到了offer。

姚顺宇:你在Anthropic的第一个方向是大规模的强化学习?

张小珺:有两个组的manager来跟我聊。一个是做evaluation,就是模型评测;另外一个是做强化学习。我选择了强化学习。

那时候,Anthropic也不像现在是一个大公司了,公司很小。

我去的时候,我们那个大的team才只有10个人,或者11个人。

张小珺:大team叫什么?

姚顺宇:叫Horizon。那个大team后来几乎是,强化学习的方方面面都在这个team了。

底下也有更做数据的组,更做环境、infra和基础设施的组,也有更做research和算法的组。我去的那个组,是比较偏research和算法的组。

张小珺:那时候Anthropic多少人?你一进去对这家公司印象是什么?

姚顺宇:七八百的样子吧总共。

我对Anthropic的印象还是挺consistent(一致)的。进去之后,这家公司的印象就是执行力非常强。它是一个比较top down(自上而下)的公司。很多事情决定了之后,就会全力去做。

员工之间的氛围也很好。大家都不会藏着掖着。

尤其刚去时候很小,大家都认识,氛围很好。如果是做语言模型相关的事,现在回头来看,那是一个非常非常好的学习机会。你能够接触到这个模型训练的方方面面,都能找到对应的人去问。

张小珺:那个时候的Anthropic已经有了现在我们都知道的,那个非常坚定的bet了吗?(bet coding)

姚顺宇:有的。

张小珺:这个bet来自于哪里?为什么会有这个bet?

姚顺宇:我不知道它完全的来源在哪。我自己能看到的一个显然的来源就是,前一代模型Claude 3放了之后——Twitter上那时候可能还没叫x呢——Twitter上有很多人在讨论说:Claude 3好像写code比GPT-4强啊。

那个年代,GPT-4是一个和大家gap很大的模型。能有一件重要的事比GPT-4强,就很厉害了。

张小珺:所以是试出来的?

姚顺宇:至少是其中一个原因。就是很快的对这个市场做了反馈。

这也是我觉得这公司很强的一点,它execution执行力非常非常强。一旦给它一个信号,让它觉得是很reasonable(合理的)、这公司该做的事,那就会铺上去。它没有那些大组织那种冗余。

张小珺:为什么它的coding定会比GPT-4要好?

姚顺宇:不能说,哈哈哈。

张小珺:哦,是有原因的。

姚顺宇:是有原因的。是一个纯技术原因。

但是,确实,我不能确定一开始是随机试着的,还是故意选择的。你要让我猜,我肯定会觉得是随机试着的。

张小珺:哦,纯技术的原因,是有某个人做了某个事情?

姚顺宇:是确实有某一个团队做了某个事情。

张小珺:是自上而下的,还是自下而上的?

姚顺宇:最开始可能是自下而上的,但是后来就变成了一个自上而下的事。

张小珺:就是要快速捕捉到一些内部和市场的信号,赶快要扑上去。

姚顺宇:对。这是Anthropic非常非常强的一点,它非常非常的reactive,反应非常快。

张小珺:它执行力来自于哪里?来自于Dario这个人?来自于他的某种特质?

姚顺宇:我感觉,Anthropic作为一个公司来说,它能够实行这种,就是比较top down的机制,是一个很独特的事。

实行top down有一个很难的点,就是你做技术的决策人,必须也得是公司的决策人。

首先,你技术上得能服众,才能够信服下面的研究员去做这个事;另一方面,你得是公司的决策人,你得能为这个公司负这个责任。

Anthropic有这个条件就是,它的技术上的领导人,其实是公司的cofounder。

就是像Jared Kaplan和Sam McCandlish,他们俩就是公司cofounder——他们自己做这个决定,那是人家的公司,他有权利做这个top down的事。

张小珺:Dario作为CEO,他会say yes和no吗?

姚顺宇:我不知道他们决策层的讨论里面,哈哈哈。我只能说,就技术leader是有决定权的。对我当时的工作来说,我接触的最多的就是Jared。

张小珺:这对于其他模型公司很难吗?

姚顺宇:很难。比如说OpenAI就干不了。

张小珺:Ilya在的时候难道不行吗?

姚顺宇:Ilya在的时候有可能可以。但是Ilya后来一方面,我也不知道因为什么原因,他好像就是失去了这个做决策的能力,然后他就走了。

张小珺:其他公司呢?

姚顺宇:其他公司我觉得都比较难。

Gemini也比较难。但我觉得Gemini是另外一套打法,不太一样。

就是说,大公司和startup,打法本来就不一样。因为startup重要的是make bet,就是我得赌一件事。我如果想要赌,就意味着有风险。就意味着,我能够去很快做一些决策,然后很强力推进一些决策。在这种情况下,top down是一个很有优势的事。所以Anthropic从组织上,是比OpenAI更有优势。

但是作为大公司,它可能就是另外一套想法。因为大公司的想法可能是,我不仅能尽量减少做赌的成分,而是我能在方方面面都有储备。任何一个事成了,我都能跟上。如果有事我自己做成了,我可能还能领先。这可能是大公司的心态。

所以在Gemini,Google是一个很传统的、很bottom up的组织。就是公司层面,可能有一些比较良好定义的框架,来看你的工作是好是坏,来引导你做一些公司需要的事儿。但是本质上,还是你自己来决定自己做什么。

张小珺:所以你觉得Anthropic能make bets(对coding下很重的赌注),是因为它的独特的文化、组织和文化?——这个听起来,应该是其他公司也能做的,但却非常奇怪地发现,其他公司很难做,而Anthropic可以做到。

姚顺宇:对,我觉得还是需要技术的,或者公司的leader有公信力吧。这个挺难的我觉得。

张小珺:你说的还不是CEO有公信力,是技术1号位有公信力。

姚顺宇:对我来说,我觉得技术1号位有公信力很重要。

张小珺:但与此同时,CEO可能没有成为一个阻力。这个难吗?

姚顺宇:这个就得看你这个cofounding的team,有没有足够的互相信任。这也很关键。

Anthropic这点也是在startup里,很强的。就是他cofounding team,没有一个人离开公司。如果你看他们过去,那是一群真正一起打过仗的人。

他们都是以前OpenAI的员工。他们甚至好多人都是,在一系列关键文章上的合著者。像Scaling Law这个paper,是Jared Kaplan然后Sam,当然还有Dario,还有可能Tom Brown也在吧,我不太记得Tom Brown在不在。GPT-3的paper就是Tom Brown在,Benjamin Mann在,Jared Kaplan和Sam也都在,Dario也在。

他们是一块趴过战壕的人。互相之间的信任还是很关键。

有很多公司干着干着,连小集体都团结不住了,那你怎么能指望大公司能团结住呢?

姚顺宇:你在说OpenAI是吧?

张小珺:嗯,哈哈哈。

05

“找到合适的环境,这个环境回馈信号足够清晰,本身也是一个很强的数据源”


张小珺:你加入Anthropic,公司正在做的最重要的项目是什么?你参与到那个大项目里了吗?

姚顺宇:当时就是为了做大尺度的强化学习,用它来提高coding的能力。这是当时最重要的事。

我们那个组的研究重心就是这个。这也是这个组后来慢慢变大、变得越来越重要的原因。最终带来的结果,就是大家一块train了Claude 3.7这个模型。

Claude 3.5有两个版本,一个可能是6月的版本,另外一个10月版本。你也可以看出,Anthropic这个公司曾经也是没啥产品能力的,居然管两个模型叫一个名字。哈哈哈哈哈。

后来外面人为了区分,管3.5后面那个版本3.5new叫3.6。Anthropic跟随着外面的习惯,就叫3.6了。再新的模型叫3.7。

实际的产品时间线,其实是——3.5、3.5new、3.7。

张小珺:怎么会有一个模型叫3.5new?这个是怎么想的?

姚顺宇:我只能说,那个时候的Anthropic,可能真的是没有什么产品上的想法。

3.5new,我几乎没参与。但是3.5new,就已经看到了coding的迹象。

张小珺:你进去的时候刚刚好就是,管理层知道了coding的迹象,要make bets的时候。你运气很好啊。

姚顺宇:我进去的时候,大家肯定已经看到了这个事儿能做成且重要,但不太清楚怎么去把它做成。我去的时候,是跟大家一起去研究怎么把它做成。

张小珺:方法是大尺度的强化学习,这里面有什么knowhow?

姚顺宇:从大的角度来说是,但有很多技术细节是需要去研究的。

哈哈哈,有好多NDA(保密协议)的内容呢。哈哈哈。

张小珺:NDA会写的这么详细的吗?

姚顺宇:原则上,员工是不能在在职期间和离职之后,透露任何跟公司内部相关的信息的。当然实际上来说就是,大家心里都有一个度。如果这个技术没有公开,肯定是不会公开去谈的。

虽然我不能公开去谈,但是,把简单的事儿做的比谁都干净,是最关键的。

张小珺:什么叫干净?

姚顺宇:就是,有很多花里胡哨的技巧。

比如说做强化学习,最简单的algorithm(算法)就是Policy Gradient(策略梯度)。但不代表这是唯一的algorithm,还有别的算法,比如各种复杂的搜索算法。

但这些复杂性是必须的吗?它们可能带来一些efficiency(效率)上的提升,但也可能带来一些基建infra上的困难。你怎么去trade off(权衡)这些事?做研究需要去理解,怎么去balance不同的因素,选择最好的、最稳定的那条路。

很多的knowhow,都在这些细节里,怎么处理这方方面面的细节。

张小珺:你们在早期怎么描述和理解coding很重要?它是大语言模型的一个分支?

姚顺宇:每个人可能想法不一样。对我来说,它重要的原因有二。

一个原因是Anthropic一直在讲的事,coding本身也是做语言模型研究的一部分。如果你能够把coding做得很好,可能会让你的研究效率翻倍提升,形成一个研究上的飞轮。这是一方面原因。

另一方面原因,是因为coding是模型使用工具和环境交互的一个很好的抽象。这个抽象的好处在哪?回归信号清晰,数据充分。很难在别的场景下,找到能同时有这两个特质的使用工具场景。

所以这是一个好抽象,在这里面做的一些研究,可能是对更通用的那些使用工具和环境交互的能力的一些有用的lesson。

张小珺:那时候Cursor是什么状态?

姚顺宇:那时候Cursor还是一个纯产品公司。

在我去Anthropic之前那段时间,Claude和Cursor都属于比较underdog的状态。在3.5new就是外界的3.6这一代的时候,首先是模型能力上去了,然后Cursor又发现,这个模型真的能够做这种Agentic coding的工具了。

张小珺:Cursor是一个壳。

姚顺宇:但是这个壳包着这个模型,一下子让公众——不是公众,是软件工程那个圈子——体会到了:哎,这事好像真的是效率工具了。后来就一下起来了。

张小珺:那时候,Anthropic意识到Cursor是未来的竞争对手?

姚顺宇:那就不知道了,该问Dario。哈哈哈哈哈。

张小珺:你参与的Claude 3.7对于Anthropic来说,是一个分水岭式的模型?

姚顺宇:对于Anthropic的后训练来说,是一个分水岭。在3.7之前,后训练都是处于一个比较小规模,可能就是修修补补模型的状态。

张小珺:大家不重视后训练吗?

姚顺宇:也不是不重视,是一开始大家很长时间都没有搞明白后训练该怎么scale up。但在那个阶段,不管是OpenAI还是Anthropic,还是中国的DeepSeek,都意识到了这个事该怎么去scale up。

就是得找到合适的环境,这个环境回馈信号足够清晰,本身也是一个很强的数据源。在这个上面能让训练非常稳定,这事就能做成。

张小珺:我记得那时,大家都不知道OpenAI的保密项目是什么,就知道它叫草莓、Strawberry。大家觉得会带来一个新的范式——后训练强化学习,但更多的就不知道了。

姚顺宇:对,我去Anthropic的时候,大家已经比较清楚,大概的方向是怎么做。

后来随着我对这个领域知道越来越多,就发现,那个时刻,OpenAI做的方式和Anthropic差别挺大的。具体这种算法,和使用数据的方式,是不太一样的。虽然都叫后训练和强化学习。但那些不是本质区别。

大的方向来说,它们是同一个——找一些回归信号非常清楚、非常客观,数据本身又比较干净,对模型来说是可学习的,在上面做稳定的强化学习训练。大的方向都是这个方向。但具体实现差别比较大。

后来事实也证明,具体实现每家方向都不一样,但是都能做成。而且当时OpenAI的目标也不是coding。

张小珺:当时我了解到的叙事是,预训练作为第一个范式,金矿快挖完了,所以开启第二个金矿,就是后训练和强化学习,让Scaling Law继续。

姚顺宇:很长时间OpenAI都是这个想法。我不知道他们现在想法有没有变。

对我来说,我的想法经历过摇摆。在3.7那个时代,我当时也抱着这个预训练已经快party is over(狂欢结束了)。就我刚入职,当时在做3.7相关的实验,我也曾经抱过这个想法。但是后来随着了解越来越深入,我就觉得,还有做的空间的。

预训练Scaling Law,它也不是告诉你要一直变大啊。它本质上是一个很系统的框架,告诉你做什么样的事是更有效的。

事实情况是,后来Anthropic和Gemini的预训练,也一直在不断进展。OpenAI自己卡了很久。哈哈哈——它应该已经重视预训练挺久了,就是最近可能刚刚有点进展。

张小珺:在你看来,预训练和后训练作为两个范式,都没有达到它的平台期?

姚顺宇:我觉得都没有。但你说要去预测到了多少,这个做不到。

到达平台期有两种可能性。一种可能性是技术本身到达了,你明明还有想让模型要干的事,但这俩技术就死活教不会了。另一种可能性是,你想干的事到平台期了。我觉得现在就是后者。

张小珺:就是说,模型是一个非常聪明的小孩,你可以教它很多东西。但我们人类作为老师,现在还不知道下一个东西该教什么。

姚顺宇:或者说该怎么去合理的教它,用现在的这些范式。

06

“技术的tips,是一个大家很愿意听,公司又不让你说,但实际又没啥用的事儿”


张小珺:说到Anthropic的Claude 3.7,这是几个月做出来的?

姚顺宇:林林总总,从开始训练到发布,花了四五个月的样子。

从开始大家为了这个事做研究,可能花了两三个月。后来开始训练到训练结束,中间磕磕绊绊,很多事情要处理。有很多新的基础设施,基础设施真的是很重要、很花时间。又可能花了两个月这样子。

张小珺:你在其中做的重要的工作是什么?

姚顺宇:我觉得我也没什么重要的。哈哈哈哈。

我个人对任何一个模型的贡献,我的陈述都是:我自己对那个事没那么重要,更多的是我很幸运,有机会在那个时候加入了一个重要的项目,做了一些事。

从某种意义来说,AI在最近这几年,本身是一个不可阻挡的事。它不在于你这个人去干或者不干,你不干也有别人一样能干出来。

在这个时代,所有给个人贴金的事,都有点炒作的嫌疑。但对我来说,我很幸运,能在那个阶段加入一个重要的事,学习了一些知识。

张小珺:好的,你幸运的那个阶段,在Anthropic这家公司的大尺度强化学习团队里,做了什么?

姚顺宇:3.7那个时候主要做的还是Agentic coding这件事儿怎么把它scale up,怎么去制备各种各样的环境和data,包括算法上会遇到什么样的问题。当时主要的研究都在这部分。

张小珺:这里面有什么tips吗?

姚顺宇:现在来看没啥特别有用的tips了,哈哈哈。

说到技术的tips,其实这是一个大家很愿意听,公司又不让你说,但实际又没啥用的事儿。

张小珺:哦,这是为什么?

姚顺宇:因为很多算法设计并不独立于算法,它非常强的依赖于你的基础设施。

举个简单例子,有些公司,大家经常讨论一个问题,在强化学习时候,这个sample(采样),就是给你产生这些trace(轨迹)、这些token(词元)的那个机器,和trainer(训练器),用来实际训练这个模型、改变模型权重的机器,这两个机器可能不一样。

不一样,有些原因是数值上的,有些是因为使用了异步的训练架构,所以从根本上就不一样。

不同公司这个不一样程度不一样,算法设计也会不一样。有些公司这两个difference非常大,算法最大的部分可能就是怎么控制这个,怎么让训练稳定。对于训练实际效果,权重就会稍微小一点。但有的公司基础设施建设特别好,这两个差别没那么大,就可以花更多精力在训练效果上。所以很多这种小的tips,很多knowhow,其实没什么用。

我确实也发现了,很多别的lab,不是在这三家lab里的人可能很想知道:哎,Anthropic怎么做这个?或者Gemini怎么做那个?但我有时候不愿意回答。一个主要原因是,我觉得本质上回答这个问题也是在误导他。

现代的AI训练是一个大的系统,要了解这个系统的方方面面,才能有一个全局的认识。什么事是因为什么而变得有用了,而不是说这个事本身有用。

张小珺:比如3.7上你能描述一下吗?什么样的技术性工作,在模型上变得有用了?

姚顺宇:主要还是跟Agentic coding的环境有关的工作。也有一些算法上,主要是怎么让这个训练变得更稳定。

说实话,算法上肯定是有一些提升,但没有达到特别理想的效果。比之前的算法肯定是要好的。但那个也不是我个人的贡献,是大家集体的贡献。哈哈。

张小珺:从Claude 3.7到Claude 4.5又发生什么?

姚顺宇:预训练和后训练都有。就是一个scale up上做的更多了。data,不管是data还是训练的算力,都更大的尺度了。但从范式上来说,没有特别特别大的改变。

张小珺:我每次问你,你都会说这是“集体的贡献”。

姚顺宇:嗯。这不是一个个人英雄主义的时代。

张小珺:什么时候是个人英雄的时代呢?——可能在Transformer的那个时刻?

姚顺宇:在那个技术还没到scale up那个点之前,找到了那个技术的人,可能是一个英雄。或者找到那个技术的一个小团体,可能是个英雄。

找到那个技术之后,很长一段时间,从模型侧来说都是集体主义。就是这个集体能不能一起工作,能不能为了一个目标,一起花自己的时间、自己的精力,这个是最重要的事。而不是每一个个人,提供了什么样的东西。

张小珺:说集体主义的原因,是因为能力核心是来自于AI是吗?

姚顺宇:说集体主义的原因,是因为我觉得AI这个方向本质上是简单。除了可能跳变那一下,那个idea可能得有一些很深刻的洞见。

在之后的过程中,很多想法是非常trivial(微不足道的),非常愚蠢的。谁都能想、谁都能干,只是你运气好,撞着这个机会去干了而已。

张小珺:包括你在描述Anthropic做coding,好像它也是某种随机性,但是你要抓住它。

姚顺宇:对,但是我觉得做coding,可能比做模型侧的这些技术,还更稍微有点公司英雄主义。就是,你能不能足够快的赌这件事。那确实还是Anthropic很强。

张小珺:但如果今天没有Anthropic做,可能别的公司也做了。所以都是AI在涌现能力,只是看你能不能抓住那个能力,不管是公司还是个体。

姚顺宇:我觉得是的,是一个必然的事。

在可用的语言模型、大尺度的语言模型出现之前,很多事是一个非必然。就是有没有一个人能够发明一个东西,一个语言模型能够大尺度的做训练,以及GPT这个范式能不能被发现出来,是有很多不确定性。

但是比如,如果没有Google Brain,那可能Transformer就不会被发现,可能要过很多很多年,另外一个有钱又有人的组织才会发现。那可能是一个很大的影响。

但进入那个阶段后,尤其到现在已经反过来——任何一个组织想要停止AI进展,是做不到的。

Anthropic很担心AI安全,那Anthropic有没有这个能力阻止AI发展?你停止发展,别人会发展,你的话语权还会变小。现在更多是这种状态:世界在推着我们前进,而不是我们在推着这个世界前进。

张小珺:感觉未来我们会更加难以阻止AI。

姚顺宇:哈哈,我觉得已经阻止不了。

试图去阻止AI里的一件事发生,可能本身就不是一种正确的想法。

张小珺:刚才聊到创立Anthropic一个很重要的动因是AI安全。现在这家公司跟AI安全有什么关系?

姚顺宇:现在的关系比较复杂。一个自然的问题是,大家可能会问:一个做AI安全的公司,为什么现在开始训前沿模型了?

Anthropic的解释是说,我首先得拥有一个最前沿的模型,才有话语权来推进我的AI安全。

它一直以来的想法是,我要做这个世界上最好的模型,大家不得不听我的,来推进我的安全政策。但从我个人角度,这个想法非常幼稚。这个事现在看来,是不会发生的。更有可能发生的是,大家都有很好的前沿模型,而你没有办法阻止任何事发生。

如果真的想要避免AI带来一些危机,什么才是一个更自动化的事?

举一个自动化的例子:核武器也是一个大家觉得可能有毁灭世界力量的事,但核武器最终受到控制的方法,就是Multiparty Control。

这个世界上,大家有很多个有核武器的国家,互相都有毁灭对方的能力。通过这样一种制衡才稳定住。

我觉得要阻止AI干一些不好的事,最终可能需要一种类似的机制来实现。而不是寄希望说,一家公司制定一个法律来干一件事。

张小珺:你刚刚也提到,Anthropic有个可解释性团队,它的可解释性到达哪一步了?

姚顺宇:在一些比较简单、稀疏的神经网络里面,它们能够做一些有趣的研究。

比如:哎,看看某一个输出了,或者输入的文字或者图片,它内在的表示是长成什么样的?然后把那个表示反一下之后,它会能输出一个什么样的东西。做一下这样的研究。

张小珺:到你离开Anthropic的时候,它已经多少人了?

姚顺宇:接近2000人了吧,扩了一倍多。

张小珺:你在Anthropic的时候 ,刚好是它最剧烈转变的一个时期。

姚顺宇:我可能是踩在了它还是个小公司的尾巴。进去之后过了三四个月,公司人一下就变多了。

张小珺:文化有随之改变吗?

姚顺宇:还是经历一些比较混沌的阶段吧。尤其在我快离开那段时间,文化上经历了一些混沌。因为从外面来了一些人,跟本来的文化有些冲突。

之前比较简单。更像是一个小作坊。大家都是朋友,大家都知道对方在干嘛。

也没有人特别会做过多的个人宣传,做一些没有用的事。大家都有很多事要处理。公司那时候紧迫感也更强一些。后来人多了,文化肯定会受到一些冲击。

张小珺:人多带来了什么风气?

姚顺宇:确实有一些人我个人不是很喜欢。当然不代表他们真的不好,只是我个人不是很喜欢。

我不太喜欢在这个领域里面说很多话的人。

Idea is cheap。想法是便宜的。

很多想法,显然所有人都知道。难的是怎么把它变成一个一个小的、可实现的步骤,做出来。我

不太喜欢那些一天中很多时间花在Slack——Slack是美国用的一个办公软件——在那讲一些大道理。没啥用。哈哈哈。

07

“AI的本质是简单的”


张小珺:你后来为什么从Anthropic突然离职了?酝酿了多久?

姚顺宇:当时酝酿了一个多月吧。

一个方面是,我不是太特别认同Dario反华这个事。他个人做什么样的观点都无所谓。但作为一个公司CEO,把这个观点推到这么极端的地步,是一个非常情绪化的体现。这是一个比较小的原因。

大的方面,像刚才说的,公司文化上有些冲击。

我自己也想去学些不一样的事情。Anthropic毕竟非常专注。如果你很想做和语言模型相关的方方面面,做这种使用工具、Agentic、coding这种事,在Anthropic很好,能学到很多东西。

但Anthropic有很多不做的事,比如完全没有人做多模态生成,你想学没地儿学。Anthropic可能也没有花太多精力在更底层的工程基础设施上。想要学习更多的东西,也是当时离开的一个动力。

张小珺:你这个选择也很神奇。大多数人在一个公司还是underdog的状态加入,会更有感情,愿意陪公司走更长时间。但你反而跳去了Google。

很多人一进Google,会觉得Google给的scope(管理范围)不够,反而想跳去像xAI,或者Anthropic这样更小一点的组织。你这个行动好像也是反的。

姚顺宇:我觉得取决于你自己想要的是什么。如果你很想要的是,我有一个很明确的scope,我一定要把我的一个想法送到这个模型里去,那Google是一个很差的地方。因为有那么多研究员,那么多已经成熟的组织,做这件事情有很复杂的过程。

但如果你想要的是有研究的自由、探索的自由,想从更广泛的人类学习,这个世界上可能找不到第二个比Gemini更强的地方。还是取决于你自己想要什么。

但我觉得很多人不管从哪离职,换到另外一家之后,会觉得不开心的主要原因,是因为没想明白自己想要什么。比如说你要是到了Google,刚开始想的是要有研究自由,更多的动机是学习。去了之后,发现还是想要有产品impact(影响力),那可能就会很难受。哈哈。

张小珺:你刚才还提到一个观点是,“AI本质是简单的”。你能不能描述一下这句话?——这是一个结论?

姚顺宇:这甚至不是一个结论,这是我的一个statement(陈述)。它可对可错。

我对这个陈述的解释是,它本质上简单的点在于,它能做实验。它和本质上难的东西,比如物理,区别在于,那个东西你没有能标下的实验数据,就是理解不了那个能标下的理论。

但AI不被这个所bound(约束),你理解不了没关系,也可以往前发展。而且事实就是,能够做任何我能想到的实验,只是可能需要一些时间,把计算量提上来,或者把基础设施准备好。但没有什么本质上的困难。

所以我一直说,觉得AI没有给人感觉碰壁的原因是,首先很多东西你都能试,其次不是大家已经想空了脑袋、没有什么想法可以试。更多的是有太多想法,得一个个试,花时间。

而且很快,可能AI就会开始自己做实验了。

张小珺:很快是多快?

姚顺宇:未来的6-12个月,AI就会自己做实验。

当然这话不太良好定义,sorry我说了一个很模糊的话。AI自己提高自己,或者自己来加快自己的发展过程,这件事其实已经在发生。就像刚才最早聊过的,它已经开始帮我们实现一些想要的东西,加快实验的速度。

张小珺:它目前还做不到的是什么?

姚顺宇:是它能不能从头到尾把一件AI研究的事做完。

比如它不仅能写这个code,还能跑这个实验。跑这个实验,还能看到这个结果。看到这个结果,还能分析这个结果,知道哪儿做的不对,提出新的假设,设计新的代码,跑新的实验。

这条链条目前还没有完整。但这条链条下一步会慢慢变得完整的。

张小珺:在你决定离开Anthropic那一刻,你对这家公司未来的预期是什么?

姚顺宇:我离开的时候,对这公司挺悲观的。但后来显然是我过度悲观了。呵呵呵。

我当时悲观的原因是,我离开的时候Anthropic主要的收入来源都是API,就是卖Token。这是个差生意。Eventually(最终)就是要打价格战。打价格战你没有完整的链条,是没有什么太多优势的。

但后来Anthropic在产品方面确实有很多巧思,做了很多好的事。不管是Claude Code变得越来越好用了,还是Claude Cowork,和各种各样跟工作效率相关的事,都慢慢汇聚起来了。

你要问我OpenAI和Anthropic哪个会先死——当然就不会真的死——哪个会先变得没那么重要。我当时会觉得:哎,可能是Anthropic会先变得没那么重要。但后来首先OpenAI被Google揍了一拳,然后Anthropic自己又上道了。现在看来好像Anthropic更占优势一些。

张小珺:你后悔过没有?

姚顺宇:不太后悔。对我个人来说,动机还是想要换一个地方,提高自己。对于想做的这件事,这个选择没有什么错误。

张小珺:你也提到Anthropic的产品有很多巧思,包括Claude Code和Cowork,这个来自于哪里?

姚顺宇:我没看到Cowork的发展过程,所以不知道。

Boris Cherny。我觉得Claude Code,至少这个事的开端吧,是他自己想要做这个事,提高自己或者同事的工作效率,最后变成了一个对所有人都会很重要的事。

这就是为什么我觉得,产品经理还是目前挺难被AI取代,会有一些个人英雄主义的机会。

08

“从某种意义上来说,OpenAI是救了Google一命”


张小珺:接下来说说你到了Google DeepMind以后的工作吧。重心发生变化没有?

姚顺宇:还是发生了一些变化。我自己主要在做ML coding,和一些比较long horizon的事。

ML coding,主要就是想要实现这个完整的AI自己训练自己的历程。当然过程当中有很多实际的问题、细节要去解决。

大的方向上来说,大家比较有共识该怎么去做。但还是回到细节,细节上有很多要处理。比如怎么样去选取合适的data,怎么样去选取合适的回馈信号,以及它又带来新的基础设施的挑战。现在就是要把这些事情慢慢摸清楚。

像long horizon,想要能够实现,模型能够——还是那句口号:train with finite, but use as infinite(用有限的上下文训练,但用起来像无限的上下文)。

我觉得想要把这个训练的长度一直变长,可能并不是单个训练语段的长度一直变长,那不是很现实的方案。但现实的事是,你如何在有限的context下,去做更长的工作?人就是这个样子。人的context很短很短。

你现在问我昨天晚上吃什么,我是一点也想不起来了。因为它对我现在这个场景来说不关键。我选择把它忘掉。

人本质上context很短,但他能够选择性的遗忘,选择性的去retrieve(检索),把重要的、跟当前场景相关的信息再抓回来。所以说,那个可能也是一个对我来说很有趣的方向。

其实这两件事(ML coding和long horizon)有点相关、有点互补。

都在模型使用工具和环境,以及不同模型、不同人交互的这个大的范畴内。在这个范畴内,大家过去完成的那个节点,就是Agentic coding。

又是工具又是环境,环境就是这个虚拟机,或者你自己的电脑。这个事横向就会长出不同的使用场景。做AI research,就是横向场景里的另外一个场景。这个场景,不仅横向上是一个新场景,在纵向上也让事情的尺度变得更长。完成一个代码的补全,是一个很快的事。但做一个完整的AI研究,或者做一个计算机科学的研究,那是一个很长的过程。

所以说,它像一个T字形,横向有延展,纵向也有延展。

张小珺:long horizon(长时序任务)是不是还是个科学问题?

姚顺宇:有科学问题,也有工程问题。

它科学问题更多的是,怎么把不同的方案尝试一下,以更科学的方式尝试之后,来找到最后我们要走的方案。

我不能说太细的。但粗的来说,有一些方案是从pre-train的角度来说,有一些方案就是类似于sparse attention(稀疏注意力机制)。比如DeepSeek有一些工作,学界也有很多工作。

从后训练的角度,也有后训练的方案。比如像外界,你每天用Cursor这些,他们就是很强的context management(上下文管理),管理context能力。比如它可以让模型去选择:我把中间某一段觉得不重要,就扔掉了;那一段重要就存在某个文件里,到时再取回来。

这两种大的来说,都有人研究。当然具体实施细节,不止我刚才说的这些例子。这些是比较公开的例子。具体实施细节,每个公司还有自己的小秘密。

我个人花更多时间在后训练的方案上。

首先,我自己本来就没有花正式的工作时间在预训练上。预训练对我来说更多是兴趣、想学习的事,但自己没有在那上面做太多工作。另一方面,我觉得后训练的方案,更符合我自己对这个事的理解。

我对这个事的理解,就是刚才一直在说的,能不能用短的context去训练,但能做长context的事。预训练这些方案,本质上还是需要你有长context,训练需要数据里有。所以它不太符合我对这个问题的哲学。

张小珺:Gemini的长文本做得很好,这是为什么?

姚顺宇:有些技巧。

有一些让我很惊讶的技巧。哈哈哈。

张小珺:这是取决于预训练?

姚顺宇:长文本做的很好,一定是两边都有的。我只是说,预训练那边那个技巧还是挺让我惊讶的。哈哈哈。

但也有说法不一样,有些人也说Gemini 3这一代长文本反而变差了一点。

张小珺:Again,你加入Gemini的时候,感觉大家对Gemini的预期不高?

姚顺宇:我对Gemini当时预期已经挺高的了。哈哈哈。

我是去年9月底,Gemini放Gemini 3之前。业内的人,当时对Gemini都还是印象不错的。

之前一直觉得Google很有危机,在OpenAI的冲击之下。大家的感知,可能在Gemini 2.5这一代产生了变化。

因为2.5是一个明显,你能看出来Google开始上道了。当然之前Gemini 1.5,也有一些小事,某一个具体的方面做的已经算很强了。很明显它已经不是很落后。但2.5是真的一代,开始有人用的模型。反正我自己也用过2.5,用的挺多的。

张小珺:你是看到2.5去的Gemini?

姚顺宇:我去Gemini跟这没关系。主要还是我知道,Gemini大概是一个什么样的氛围。很多Gemini工程师,技术是非常非常非常强的。我是从他们身上学到了非常非常多。

但是从大家的感知来说,可能业内的人在看到Gemini 2.5之后,就已经意识到了Gemini是要赶上来了。

张小珺:当时对你来说,从Anthropic离职,OpenAI不是一个选择吗?

姚顺宇:OpenAI也是我当时的一个选项。当然还包括xAI之类的。OpenAI最后没有去的一个主要原因,至少当时来看,对它的文化是有比较大担心的。

用粗话来说,就是感觉踏实做事的人没有Gemini多,更没有Anthropic的人多。

张小珺:然后你又赶上了Gemini 3的那个转折点?Gemini 3应该对Google来说是一个很大的转折的时期是吗?

姚顺宇:我觉得从实际的效果来说,是两件事,让Gemini产生了一个大的转折,变成了一个市场里举足轻重的player(玩家)。

Nano Banana和Gemini 3——两件事连着。

如果只有Gemini 3,可能也不会有现在这么好的效果。因为当你的市占率连10%都不到,你这个模型好一点坏一点,等它传播出去就是太慢了。

但Nano Banana做到的一件事是,首先市场上这件事很爆款,大量的人去下载了Gemini的APP,然后Gemini 3又紧接着放,把这个部分留下来了。现在它变成了一个举足轻重的玩家。

没有Gemini打这么一拳,OpenAI的位置很爽。它市占率已经高到,其实模型上干点啥,对它来说可能影响都没那么大啊。

所以说对于Gemini来说,Nano Banana把量打起来,然后Gemini 3又把人留回来,是一个很关键的事。

张小珺:它有事实上抢走多少ChatGPT的用户?

姚顺宇:我不知道现在具体的比例。但是我的感觉是,Gemini可能市占会在20%左右吧。但是我确实没有仔细去检查过现在的数据。

这是从事后归因来看,这两个因素,共同促成了Gemini今天对于OpenAI的冲击。

张小珺:你从内部视角肯定能更前置地知道,内部发生了什么,Google会有这样的变化?

姚顺宇:首先就是Google的技术储备,一直是够的。组织上,后来变得越来越清晰了,有一个更好的框架让大家一起干这个事了。所以会慢慢有些进展。

从某种意义上来说,OpenAI是救了Google一命。

大家以前一直都担心,聊天机器人会不会完全把搜索取代掉。如果这个事真的发生了,Google其实很难受。但好在,OpenAI先把这个事做了,让Google意识到了这个事很重要。

但OpenAI又没有把这个事做到底,又没有把这个事做到极致,没有把search干掉。可能就吃掉了一些份额。结果,让Google自己把聊天机器人也追上来了。那现在难受的就是OpenAI了。

你要万一,比如说在一个虚构世界,有一个公司不仅做了chatbot,还一路高歌猛进、越做越好,真的一把就把搜索吃掉了,完全没有给你反击的机会,那就很难受了。

张小珺:chatbot没有吃掉搜索,是因为OpenAI干的不好,还是因为这个干不掉搜索?

姚顺宇:我觉得两方面都有。

首先,目前的chatbot这种交互方式,不会完全吃掉搜索。它比搜索强的一点是,它有很强交互性,你可以追问,可以帮你把一些很复杂的信息去浓缩。这是它很强的地方。这部分使用场景,确实会把搜索的人抢掉。

但搜索里还有一些非常愚蠢的场景,就是你有一个特别简单的事,根本不想浪费时间在聊天机器人身上。

比如我就搜买大米,一搜买就完了。我还非得去问ChatGPT,问哪个好,它还在那转圈圈,转半天,给你个链接,你再一点,再跑到网页去买。没有那个必要。所以从事实的使用上来说,它目前的形态,并不足以把搜索完全吃掉。

当然从另一个角度来说,它在聊天机器人这个事上,也没有做到登峰造极。就还真的让Google把它给赶上了。

张小珺:现在还不算赶上吧,在产品上?

投资人投OpenAI会说,他们下注的时候,是认清楚OpenAI是个产品公司的时候,它的护城河是产品和品牌。从今天来看,似乎Google还没有在这件事情上能够赶上OpenAI吧。

姚顺宇:对。

这都是我作为一个局外人、观察者的视角来说,哈哈哈。

张小珺:对,你今天是点评家。

姚顺宇:我觉得Google传统上在产品就是有点慢,是一直都比较慢。所以你说OpenAI会不会在产品上有优势?我觉得是有可能的。

Google特别擅长的一件事是什么?是找到一个极为简单的产品形态,大家都长一个样,它就疯狂给你卷技术,你就卷不过它。那个事是Google擅长的。

搜索引擎就是这样的一个事儿。搜索是一个典型的,大家都是一个框、一个键,但它就是比你搜的快、搜的比你准,你拿它一点办法也没有。

这就是为什么,感觉一直以来,Google都处于一个做的很好但华尔街都不太认可的状态。大家总觉得这公司壁垒到底在哪?——也没有什么产品的巧思,也没有什么留存的机制,但它就活到了现在。

张小珺:所以它技术好的原因是啥?

姚顺宇:我觉得还是氛围吧。以前特别重视工程师,后来特别重视研究的氛围。

张小珺:它很适合通过技术能力溢出的产品。

姚顺宇:对。

张小珺:如果从这个角度来看,OpenAI的位置是稳固的吗?现在。

姚顺宇:我觉得现在谁的位置都不稳固。哈哈哈哈哈。

AI的形态,还有很长的路要走。没有到什么终局之战这个地方的感觉呢。

张小珺:今年初,国内已经有点儿这意思了——他们觉得在争夺一个super app,super app就是此消彼长的。

姚顺宇:对。

我不理解。我很费解。

我觉得condition on聊天机器人这个事儿(把聊天机器人作为条件来构建)就是super app,那可能可以争夺一下。但问题是。你这个形态是不是super app那个形态?会不会别人,哪天出了一个完全不一样的形态,你的功能变成了那个东西一个子集?

张小珺:人类到现在只通过chatbot去跟AI沟通,让你觉得很蠢是吧?

姚顺宇:很蠢就是。

张小珺:那应该用什么去跟AI沟通?

姚顺宇:没想明白。要想明白我就干了。哈哈哈哈哈。

张小珺:你没有告诉我,Google内部到底发生了什么变化,有了外界看到的模型能力的突飞猛进。

姚顺宇:就是组织上更清楚了。尤其像预训练,现在变得非常非常清楚。谁负责什么事情,每一个节点上谁是负责人。

张小珺:以前是混沌的吗?

姚顺宇:最早的时候很乱。我没有最早在那待过,但根据同事或者我以前认识的人的描述,以前还是更混乱一些。

现在至少预训练变得非常非常清楚。加上Google一直有的比较强的技术背景,做事也比较系统。所以,预训练在Google,是一个非常非常可控的事。

它比以前肯定要更自上而下了,但它比Anthropic来说,还是更自下而上了一些。

张小珺:好像不管是自上而下的还是自下而上的,不同的文化都能work。

姚顺宇:大公司有大公司的打法,startup有startup的打法。大公司是一个完全不一样的叙事,不一样的方法。

现在Google更多的是,像这种比较确定性的事,比如预训练,已经是一个比较确定性的范式了。Google就会更像把它做成一个工程项目。Google的工程管理能力又很强,它就能慢慢把它做好。

工程项目的意思就是,你是非常非常、非常top down(自上而下)的一个组织。很清楚,我们下一阶段要做的是什么事情,然后去做这个事情。中间需要有哪几个节点被处理掉。哪怕是做研究也是说,有一个很清晰的框架,告诉你怎么去验证你的结果是好是坏,evaluate(评估)你的结果是好是坏。

这是Google很强的。在过去任何的一个大的工程项目上。所以说预训练,就是现在进入到Google的舒适区里了。

后训练当然有更多不确定性。可能后训练现在来说,还是更bottom up(自下而上)一点。大家可以更广泛的试。

09
“个人英雄主义时代已经过去了,所以也没有什么英雄,有时候甚至觉得旧时代英雄有点蠢”


张小珺:最近硅谷有很多neo labs出现,你怎么看这个趋势?为什么很多人从模型大厂跳出去,成立neo lab?

姚顺宇:我看不太懂。哈哈哈。

我的感觉是,绝大多数的neo lab都会死。

可能有一些lab是真的有好的人,有些lab确实也开始在做一些事。比如像thinking machine,还是在deliver一些新东西的。

但有些neo lab就是——请帮我把名字哔掉,哈哈哈。比如说XXX那个XXX,我就完全不知道他们到底要干嘛。这俩人其实已经远离这个专业好久了。

张小珺:你在AI行业有什么偶像吗?或者欣赏的人?虽然你在AI行业很短。

姚顺宇:没啥。我感觉来这行业的时候,个人英雄主义时代已经过去了,所以也没有什么英雄。有时候甚至觉得旧时代英雄有点蠢。

张小珺:你觉得谁比较蠢?

姚顺宇:这个还是不说了吧。no comment,哈哈哈哈哈。

我觉得和做物理时候还是不一样。做物理时候,还是存在着一些真的比我聪明太多的人。比如,我读博的时候那个年轻老板,Douglas Stanford,他就比我聪明太多了。

看到他,才觉得自己在那个领域也没什么用。有他了还要我干嘛呢?

张小珺:你跑到AI来降维打击一下?

姚顺宇:也没降维打击。

但反正就感觉AI这个事,本来也不太需要脑子——不太需要脑子,真的不太需要脑子。

张小珺:那需要什么?

姚顺宇:我觉得这个行业最重要的特质就是靠谱,就是做事细,对自己做的事负责任。这是最重要的特质。

你说那些东西有多需要脑子?我觉得都是一些本科生就能干的活。

张小珺:可是你说AI没有个人英雄主义,现在一个AI研究员的价格炒的多高啊,跟球星转会一样。

姚顺宇:我不知道是好事还是坏事。对我个人来说,当然很高兴,我受益于这个。

但实际上来说,我并不知道这是不是一件好事。

张小珺:为什么价格会变得这么高?

姚顺宇:可能一方面是,大家觉得很稀缺吧。但实际上可能确实也没那么充足。因为训练一个人,虽然这事没那么难,但你训练一个人是需要一个环境的。

你得有那个机会去接触这件事,你才能学会这件事。你没有那个机会,再聪明也没用。过去能撞到这个机会的人,没有那么多。所以市场上比较稀缺。

但我觉得另一方面也是,对人的炒作有点过分了。

再说一次,这是个集体主义的事。

张小珺:很多公司也想招AI的人,你觉得最重要的特质是靠谱,这个有什么衡量指标?——怎么能够快速判断一个人靠不靠谱、做事细不细?

姚顺宇:每个人都有一些自己衡量的方法。我也有一些自己的trick(诀窍)。

我以前有出一道面试题。面试题很简单,就是需要这个人在24小时之内,完成一个强化学习的项目,从0到1。

我告诉他有的资源是什么样的,他自己选用什么样的模型、用什么数据、用什么样的算法,把这个模型训出来。24小时之内。24小时结束之后,他会跟我有一个小时的讨论。

这个事儿在AI时代没有那么难。没有AI时候,这是不可能的,没有人能在24小时之内把它做出来。但有AI之后特别简单,因为AI能帮你全套做。

但为什么还要做这个事儿呢?设计成这样的两个原因:一个原因是因为在这个时代,还去考察别人代码写得好不好,其实没用。绝大多数人都不用自己写代码。更重要的是,他能不能有效地利用AI。这是考察的一个方面。

第二方面是,这个事有一个陷阱,如果你全盘让AI做了,但你最后没有试图好好理解AI为你做了什么,那在一个小时的讨论里面会露馅儿——那是一个会挂人的地方。

所以说考验的另一件事,是你有没有真的和AI形成了协作,还是说你就全权扔给他?那个是我个人很看重的事,也是这个人是不是做事靠谱的一部分。

当然这个题目的设计本身,也有一些比较阴暗的巧思。为什么设计成24小时,就是为了看这个人有多看重这个机会。

张小珺:能熬夜?

姚顺宇:对,哈哈哈。如果他足够熬夜,他就能撑住这24个小时。如果他撑不住,那只能说,他可能对这个机会也没有那么看重。哈哈。

张小珺:对于比你更年轻的人,你觉得他们现在来AI,还是一个很蓝海的地方吗?

姚顺宇:我觉得纯做语言模型,已经不是一个蓝海了。晚了,末班车已经发车了。

我感觉我入行就是那个末班车啊。

张小珺:你自己未来会怎么发展?会在Google很久吗?

姚顺宇:我觉得应该不会。哈哈哈哈哈。

张小珺:这么公开地说吗?

姚顺宇:我觉得应该不会。我觉得我还是会尝试去挑战自己的。

张小珺:要折磨自己!

姚顺宇:对,要折磨自己!

但是,我可能需要找到一个,值得折磨我自己的事。

张小珺:如果AI不是本质的难的话,你会不会做的感觉无聊?你对你的挑战在哪?

姚顺宇:它虽然不难,但是你知道和不知道,还是有一个gap的。你从完全不知道这其中细节,到慢慢理解这其中的细节、理解它怎么运作的之类的,还是需要花时间花力气的。当你理解之后,是长期有帮助的。

张小珺:你未来想在哪里去发展?

姚顺宇:我觉得都有可能。哈哈哈。没想好该怎么折磨自己。

张小珺:你现在最高优先级是什么?

姚顺宇:我现在最高优先级是,把我刚才说的这两个事情,ML coding和long horizon,能够和同事一起,推进到一个比较稳定的状态吧。那是我的最高priority。当然可能之后也会有别的priority。

张小珺:你有特别崇拜的物理学家吗?

姚顺宇:有,但是有点多,不知从何说起。哈哈哈哈哈。

张小珺:物理学家有,人工智能科学家没有。

姚顺宇:这个跟人的成长经历有关吧——一个成年人是很难真的崇拜一个人的,一个儿童可能会。

物理学,还是有很多人真的挺强的。大家都说的那种100年前的人就不说了,什么爱因斯坦、海森伯格这些就不说了。包括大家后来都知道的,杨振宁这些也都不说了。像我之前做topology(拓扑)这个体系的时候,有一个后来也拿了诺奖,就是Haldane(2016年诺贝尔物理学奖得主之一)。

你会发现这些人,有异常的远见。他在他那个时代显得格格不入。

但你看Haldane,最开始做Haldane model和这些分数量子霍尔效应相关的事,离最后大家搞明白这些拓扑物态,过了好几十年。在那个时候他能够觉得这事重要,然后一直在自己在推进这事。

这是很不容易的。当然你要非要在人工智能找一个类似的人,可能Geoffrey Hinton是吧。就是在大家都觉得这事可有可无或者不那么确定的时候,他一直在这个方向做。那我觉得,这可能是一个英雄级别的人物。

可能也有一些英雄的集体。比如像Transformer,就Noam(Noam Shazeer)和那些,Ashish(Ashish Vaswani)、Niki(Niki Parmar)他们。那可能是一个英雄集体(Transformer论文的八位作者)。

张小珺:你讲过一个特别让我印象很深的话:“我在这个行业又没有什么导师,又没有什么旧友,我当然想喷谁喷谁。”

姚顺宇:这可能就是,不是AI出身的好处吧。真的没有什么负担。

没有哪个老登是你的亲属,所以你觉得他傻,他就是傻,就可以直接说他傻。无所谓的啊。(笑)

张小珺:你以前也这样吗?

姚顺宇:我觉得我做学生的时候还挺收敛的。但我后来发现收敛没用,对自己也没好处,对别人也没好处。

还是更直接,表达自己的想法是最关键的。

我觉得直接表达自己的想法,是一个短期一定会有人恨你,但长期大家会欣赏的事情。

张小珺:你最近听谁说话特别蠢?

姚顺宇:把这个名字哔掉,谢谢。

我觉得XXX一直挺蠢的。哈哈哈,而且蠢的始终如一。哈哈哈。

我觉得他说的话,就是not even wrong。因为不良好定义,你很难说他说的是对是错。

有一天,可能有一个不一样的范式发生了,他就可以跳出来说:哎,我当年说过这个这个这个这个。但你就发现,如果范式是另一种状态,他也能说一样的话。这就是我为什么很讨厌很vague(模糊)、很模糊的人的原因。因为一个事模糊就是没有意义的。

我觉得人年纪大了,不一定会变成老登的。

人年纪大了会变成两种状态:一种状态叫做德高望重,就是他少指手画脚,还会花自己的力气去培养年轻人。另一种人就是老登,就自己也不懂,还爱指手画脚。

张小珺:哎,你是受了谁的刺激啊?

姚顺宇:我也不知道我受了谁的刺激,但我确实见过不少老登。哈哈哈。

张小珺:你从什么时候变化的?就是说话更不收敛了?

姚顺宇:我过去可能也会比较直接,但是没有这么直接。但做了AI之后就更直接。

一是没有束缚,二是这个领域足够客观。

你其实不用太担心,因为自己的观点而惹到什么人。只要你的观点是自洽的,你有一套自己观点的理论。你不是说随便喷人。

最终你在这个领域做的怎么样,是有客观的评价标准的。

我觉得其实大家是会尊重你的。

10

“你还是高看了我的文化程度,哈哈哈哈哈”


张小珺:我们每个嘉宾都会推荐一本“人生之书”,要这本书真的对你产生过重要的影响,你的这本书是什么?

姚顺宇:这是今天最难的一个问题。我感觉你还是高看了我的文化程度。哈哈哈哈哈。

我真的没有什么人生之书,说实话。

张小珺:好,最近读了一本书?

姚顺宇:最近读的书就是汤川秀树(1949年诺贝尔物理学奖得主)的自传,《旅人》。

首先我这人确实不爱读书,我感觉我这人文化水平比较低。我读的书,除了专业性的书之外,所有的书感觉都是闲书。像什么汤川的自传,本质上也是本闲书。但是写得挺有趣的,你能看到一个后来看起来如此成功的科学家,在他年轻的时候有一种挣扎感。很真实。

有本小说我很喜欢,《来自新世界》,是一个日本的小说。你要非让我推荐闲书的话,我可以推荐那个。

张小珺:一个全球范围内你喜欢的食物?

姚顺宇:寿司吧。

张小珺:一个全球范围内你喜欢的地点?

姚顺宇:现在你要非让我选,我可能会选夏威夷。因为我很喜欢海。但是也很难说,因为之后我可能去了更多海的地方,就另有新欢了。哈哈哈。

张小珺:一个少有人知道,但需要知道的知识点。

姚顺宇:别相信老登算吗?哈哈哈。

张小珺:你心目中影响AI进程的几篇论文?

姚顺宇:sequence to sequence是一篇。我觉得是language model,在feature engineering时代的高峰。

Scaling Law是一篇。就是Jared Kaplan,他们在OpenAI的那篇Scaling Law也是一篇。是一篇把这种体系化的研究方式,引进到这个领域的。

当然最后实际上Scaling Law做的方法,可能他那样并不是正确的,但是是第一篇把这个想法引进来的。我觉得这很关键。

张小珺:基于你当下的认知,一个关键的重要的bet是什么?

姚顺宇:long horizon。long horizon(长程任务)。哈哈哈。

张小珺:我们工作室叫语言即世界工作室。第一次听到这个名字的时候,你在想什么?

姚顺宇:我觉得这个名字有点,正常的太平庸了。

哈哈哈哈哈。哈哈哈哈哈。

这个名字放在十年以前,是一个很独特的视角,现在主要大家共识太多了——对不起我感觉我年纪也大了,可能不止十年了——可能在14、15那个年代,大家都会觉得视觉是最重要的事。在那个时候,意识到语言是承载智能的重要载体的人,是很不一样的。

张小珺:不过我们这个名字,不是在AI的语境里面讲的。

姚顺宇:嗯……哈哈哈……

那就值得深思了。

哈哈哈。

---

还有大量的内容,只有视频播客和播客有喔:)

收听播客


推荐阅读


图片

跳转微信打开

王川:当隔壁老王投资存储股票赚了三十倍后,如何还能不焦虑 (一)

2026年5月11日 09:51

原创 硅谷王川 2026-05-11 09:51 美国

王川:当隔壁老王投资存储股票赚了三十倍后,如何还能不焦虑 (一)

1/ 人的焦虑情绪很多时候是大脑杏仁核的应激反应。要缓解焦虑情绪,不能只是简单说教,“你不要焦虑,焦虑也没用”,等等安慰的话。这无法改变产生应激反应背后的底层机制。 真正有效的方法,是让焦虑的人,把自己产生焦虑的事情和原因,慢慢写到纸上。写的过程,就是把大脑的控制权,从只会紧张警觉的杏仁核,传递给理性思考的前额叶 (prefrontal cortex)。写得越仔细,分析得越深,控制权的传递就越彻底,焦虑情绪自然下降。即使你一次写不完,只要开始写了,大概清楚还要写多长时间就可以把逻辑理顺理清,焦虑情绪也会开始下降。不强迫自己慢慢写下来,只喝心灵鸡汤,就无法真正完成这种控制权的传递,也就无法根本上改变焦虑。

2/ 2026年五月让人焦虑的一件事情,是整个半导体行业的股票全面暴涨。著名的费城半导体指数,比一年前上涨了150%。各类半导体存储公司股票,更是全面上涨,其中  SNDK 截止五月八号的收盘价,1562 美元,是一年前的 38倍。笔者没有半导体公司的投资,但试图在此文中拆解这些股票上涨的底层逻辑,和读者分享探讨。 

3/ 这个故事要从各类 AI 创业公司的迅速攀升的估值说起。很多外围只关心股价涨跌的投机客,缺乏一些基本常识: 一,绝大部分 AI 的创业公司严重亏损,但很多人把收入和利润这两个基本概念彻底混淆 (有些人甚至是故意的),而且屡教不改,以讹传讹。 二,当一个公司说它的 ARR (Annual Recurring Revenue, 年度循环收入) 达到一亿美元的时候,并不是说它过去一年总收入达到一亿美元,最多只意味着它最近一个月的收入达到八百三十三万美元而已。你要自作多情,理解错误,是你自己的问题。 三,一个公司没说什么,透露的信息量大于它说了什么。它报了 ARR 但没说盈利,就意味着它严重亏损。它半年前说它的 ARR 到一亿,但现在很久又没发声了,大概率意味着它的收入萎缩了,亏损更严重了。

4/ 以时下红得发紫的大模型公司 Anthropic (下面简称为 Anth )为例,四月底时有些媒体披露的信息是,公司的  ARR 已经接近 400亿美元了。换言之,公司四月份单月的收入接近 33 亿美元 ( 400除以12 )。 而在三月份公司的 ARR 还低于 300亿美元,意味着三月份的收入低于 25 亿美元。 Anth 的 CFO在三月份的一份公开文件里,曾披露其从2021年创始到 2026年三月,累积收入超过 50 亿美元。换句话说, Anth  自创始以来的过去五年的累积收入 (再强调一遍,不是利润)大约 108 亿美元。 

5/ 这里面还有一个对收入的定义问题。Anth 很大比例的收入来自谷歌云服务和 AWS. 云服务商对于客户付的钱提成至少 20%,剩下的再给 Anth.  所以 Anth对外宣传的 ARR 需要再打个 20%的折扣。但这里我们也就不计较了,因为  Anth 每个月仍然在亏很多钱。

6/ 亏损有多少呢?问了几个不同的 AI, 根据有限的公开信息,假设其单月收入达到33亿美元,对单月亏损额的猜测从 11亿美元到17亿美元不等。这也是为什么  Anth 要持续对外融资的根本原因。截止到四月底, Anth 五年来累积融资 723亿美元,但累积收入只有 108亿美元,然后还要继续融资。只看新闻头条的人误以为  Anth 早已赚得盆满钵满,但不理解管理层要不断寻求新的外部资金才能维持下去的巨大压力。

7/ Anth 并非没有竞争, 它的总裁最近在公开发言中也承认,美国其它公司的 ai 模型比 Anth 落后只有一到三个月,而中国公司的 ai 模型比 Anth 落后六到十二个月。各个公司的产品功能此消彼长,变化非常快,很难根据一两年的表现来判断谁是最终的赢家。 比如Cursor 从 2023年到2025年初,是在  AI 开发者中最受欢迎的编程辅助工具,  公司一度炙手可热。但 Anth 2025年上半年推出的 Claude code,可以自动生成大量代码,让很多原来不是程序员的人也能参与编程,这是过去一年 Anth 异军突起,收入和估值迅速增长的核心动力。 最近又有一些程序员抱怨,说 claude code 有些地方的体验和性价比不如 OpenAI 的 codex, 因此转用后者。对很多用户而言,切换成本并不高。  除了 Open AI 以外,Spacex 的 Xai 上个月也在开始和 cursor 紧密合作,开发和 Claude code 的竞品。

8/ 看多 Anth 的投资者, 会引用某个时段的场景,说  claude code 做推理工作时的利润率高达 70%, 但这种说法,一是不考虑 Anth 要持续训练新模型的巨大成本,二是假设竞争者完全不存在,没有降价压力。这显然不符合现实。Anth 二月份融资时,估值是 3800亿美元。仅仅三个月后,又开始寻求新的融资,估值开价为九千亿美元以上。最近 在某个私募股权的二级市场上交易时,据说还出现了一点二万亿美元的估值。(有的播客上甚至有人喊出了五万亿美元的长期估值)。这是一个只有五年历史,累积收入 (不是利润!)105亿美元,但仍然每个月亏十几亿美元的公司,仅仅因为过去一年有了高速的增长,就有人相信它能天长地久。 融资 720块,亏本五年做了105块的生意,就可以在资本市场上以一万块的估值套现,这样美好的事情, 怪不得这么多创业者心向往之!😊

9/ 巴菲特旗下的 Berkshire Hathaway (以下简称  BRK),2025年收入 3700亿美元,经营现金流 459亿美元, 税后利润 669亿美元,  账上现金接近四千亿美元,市值也只有约一万亿美元。换个角度看,BRK 十天的收入,就等于 Anth 有史以来的总收入,但有的投资者愿意相信,仍然高度依赖外部投资支持才能存活的 Anth ,其估值要比 BRK 高。构建这样的信念所需要的巨大勇气,令人叹为观止。

10/ Anth 和  OpenAI的估值增长,对于整个  AI 行业的资本性支出 (capex)的暴涨,和之后存储行业的兴旺,非常重要。回头看过去几年的发展,这个逻辑链条很清晰。欲知后事如何,且听下回分解。

(未完待续)

---

所有文章表达笔者个人观点仅供参考,不构成对所述资产投资建议,投资有风险,入市须谨慎。笔者推特号"Svwang1", 新浪微博 “硅谷王川", 网站 chuan.us。

点击下面链接可看到本公众号过去两百多篇原创文章的链接目录:

硅谷王川的公众号文章目录 (2026年一月)

跳转微信打开

❌