铃阅
❌

普通视图

a16z 合伙人最新分析:AI 应用该如何获得高溢价

2026年11月15日 19:54

深思圈 2026-11-15 19:54 浙江

Harvey 的客户 Repsol 先做盲测,在 Harvey、微软 Copilot 和自研原型里选了 Harvey,现在 96% 的律师在用。a16z 增长团队合伙人 Tugce Erten 说,AI 应用最该防的是客户手边的通用模型,溢

你有没有想过,如果你做的是卖给企业的 AI 软件,客户某天在周会上说“我让工程师拿最新的模型直接试了一下,出来的东西差不多”,你手里还有什么能让他继续付现在的价格?这个问题以前不用认真回答,因为客户自己做又贵又慢。现在模型一代比一代强,开发工具一代比一代好上手,客户“自己动手”这个选项,每过一个季度就便宜一截。

11 月 2 日,a16z 增长团队的合伙人 Tugce Erten 写了一篇长文,专门谈这件事。Tugce 在 a16z 研究的是定价和打包方式,之前写过 AI 价格战怎么打,也写过为什么不该按 token(模型计费的最小单位,大致相当于一小段文字)收费。把 Tugce 的说法和 Harvey、Clay、Decagon 这几家的实际做法放在一处对照,我的看法是:AI 应用能收多少溢价,取决于客户自己动手要多费多少功夫。这个功夫一直在变少,所以溢价只能放在客户最难自己做出来的地方。

最先动摇你价格的,往往是客户自己的工程团队

想想家里做饭这件事,灶具越来越便宜,菜谱视频随手能搜到,买菜也能送上门,那外卖凭什么还能卖得比食材贵?因为你点外卖买的是买菜、洗切、收拾灶台这一整套功夫,每当其中一步变容易,外卖就得重新证明自己值那个价。AI 应用面对的就是这样的处境,只是变容易的速度快得多。

一家全球专业服务公司的采购负责人告诉 Tugce,如果直接给前沿模型写一段提示词,出来的工作成果比供应商的效率工具更好,公司就看不出为什么还要付平台溢价。这家公司已经搭了自己的 AI 平台,客户不允许用第三方产品的敏感项目,就在本地或者自己的机房里跑模型,同时还在试各种开源代码,看有没有能替代商业软件的。

这种威胁的门槛比大多数创业者想的低。客户用不着把你的整个产品重做一遍,只要把用量最大的那一项任务搬回内部,或者手里有一个看起来可行的替代方案,谈价格时就有了底气。Tugce 之前和不少大客户聊过,他们对自己做还是买有一条很清楚的线:一家金融机构的说法是,离核心业务近的自己做,非核心的一律买。我觉得这条线对创业公司的提醒是,被替代的风险和产品好不好用关系不大,更多取决于这个功能离客户的核心业务有多近。

所以 Tugce 给的衡量办法很直接:把客户手里最靠谱的替代方案摆出来,从总成本、质量、速度和风险四个方面和你的产品比,实施、运营和维护要花的功夫也一并算进去。能赢,溢价就站得住;赢不了,再漂亮的价格表也只是一厢情愿。这个测试最有用的地方,是它问的不再是同行卖多少钱,而是客户自己做要多少钱。后者每次模型升级都会往下掉一点,所以这道题算一次不算完,每个季度都得重新做。

客户不怕贵,怕为随处可买的东西付贵价

客户对高价的态度,其实比创业公司担心的宽容。一家顶级金融机构的 AI 负责人告诉 Tugce,他们会故意在同一个用途上同时用两三个 AI 工具。原因是关键流程不能只靠一家供应商,产品还在成熟,表现会波动,也会出幻觉和宕机。还有一家做消费硬件的公司,放弃了大型科技公司的低价合同,转去选一家更小的 AI 原生供应商,只因为后者的代理最先进。聊下来没有人说自己选某个工具是因为最便宜。

这说明让客户不舒服的从来不是贵本身,而是为一个到处都买得到的东西付了溢价。Clay 花了将近一年反复测算,才想明白这一点,今年 3 月 11 日它公开了一份内部的定价备忘录,宣布做上线以来最大的一次价格调整。Clay 是帮销售和市场团队找客户、整理线索、自动跑外联的平台,背后接了一百五十多家数据供应商。它的老办法是按点数收费,每查一条数据花几个点数,起步时数据补全就是它的主要用途,这样收钱说得通。后来产品长成了一整套工作平台,客户用它跑外联、给线索打分、在通话前把账户研究推给销售,价值越来越多出在这些编排工作上,价格却还主要挂在数据条数上。他们自己写得很直白:客户来 Clay,不是来买原料的。

这套收费方式在两头都出了问题。最小的自助客户每个点数付大约 8 美分,另一些客户便宜了约八成,差了接近五倍,结果不是小客户付多了,就是大客户在让 Clay 亏本。AI 这一块更麻烦,因为推理型模型(会一步步想很多步再回答的模型)每次跑下来的成本差得很远,有的几步就完,有的要几十步。固定价格只能定在平均数附近,简单任务被多收了钱,复杂任务又赔钱。于是任务简单的客户干脆拿自己的接口密钥去用,觉得 Clay 不划算,任务复杂的客户反而都留在了固定价格里。

Clay 的做法,说白了是把便宜的东西还回便宜的价格。数据点数降价五成到九成,和客户在外面买差不多。另设一种叫 Actions(动作)的计量,专门算 Clay 自己做的编排工作,比如数据补全、AI 任务、接口调用和向第三方平台推送。多数模型保持固定价,复杂的推理型模型改成按实际用量收,一分钱不加价。这像一家打印店,纸张按市场价卖,贵的是帮你排好版、设计好封面的那份手艺,客人不会因为纸贵去别家,却愿意为只有这里做得出的排版多付钱。

Clay 为此愿意先吃亏,自己就写明这次调整短期内会让收入和利润都往下掉。他们还列出了六个风险,比如新客户可能因为起步价更高而不愿意买,客户可能因为有用量上限而不敢多试。但在我看来,错位的定价真正的代价不是少赚一点,而是客户结构被悄悄改掉:便宜的客户走了,贵的客户留下。账面上看生意还在,每留下一个客户却都在多亏一点。主动把这个口子堵上,比等客户用脚投票体面得多。

溢价要放在一句提示词写不出来的细节上

那客户愿意多付钱的那一块,到底长什么样?Harvey 做合同审查的方式是个很好的样本。西班牙能源公司 Repsol 的法务部有两百多名专业人员,分布在 12 个国家,2023 年底他们做了一次盲测,把 Harvey、微软的 Copilot 和公司自己做的内部原型 Lexia 放在一起比,Harvey 的输出质量最高。随后 50 名律师在 12 个司法辖区试用了八周,准确率和省时间两项 Harvey 又赢了,2024 年 4 月 Repsol 决定全面推广。审一条合同条款原来要三十到六十分钟,现在几分钟。

要看懂 Harvey 赢在哪里,得看它自己讲合同审查系统的那篇长文,赢的地方几乎都是小细节。一份合同里的条款会互相引用,一条关于转让权利的规则可能牵扯四个章节,另一条规则又想改同一句话,两处修改就打架了。同一个条款,在己方起草的合同里能接受,在对方起草的合同里就不行;谈到第一轮和谈到第七轮,答案也不同,对方已经拒绝过的建议不该再提第二遍。律师行里还有个说法叫“最轻的手”:一个条款只需要改三个字,就别把整条重写。每一处红线都会被对方律师一字一字地审,改得越多,谈判越慢,人工复核也越累。通用模型最爱犯的恰好就是这个毛病。

为了解决这些,Harvey 把原来固定顺序的多次模型调用,改成了像一个律师团队的结构。一个主代理扮演牵头律师,给每条审查规则派一个专门的代理,最多几十个同时干活。每个代理在文档的独立分支上修改,改完写一份简短的说明,讲清楚怎么归类、改了什么、为什么。最后主代理像版本管理软件合并代码那样把分支合起来,两条规则碰到同一句话时,由它按资深律师的办法拟一个兼顾的改法,有些决定还会交给真人,并把理由摆清楚。

客户多付的钱,买的就是这些。它们都来自真实谈判里一次次吃过的亏,换一个通用模型临场发挥,很难恰好碰对。而且这种优势会随使用增长。Repsol 用 Harvey 对比了几千份过去的协议,发现有一条条款总是被对方挑战,于是改了合同模板,加上备用条款。Harvey 自己也在研究从律师接受、修改或拒绝的红线里学习,让以后每份新合同需要的指导更少。客户自己从零搭的版本,每次都得从头摸索。

往外推一步,这给做 AI 应用的团队留了一个很实际的问题:你的产品里,有哪些东西是用一次就比上一次更懂客户的?答案如果是“没有”,那溢价基本是靠客户还没来得及自己动手撑着的。

数据值钱,是因为客户自己整理太费事

另一种值钱的东西是上下文,也就是 AI 做事时需要的背景资料。Tugce 讲了一家垂直行业软件公司,多年来积累了大约三千家公司的价格基准数据,正在考虑通过 MCP(让 AI 系统直接调用外部数据的开放协议)开放给客户的 AI 去查。这笔账很容易算:收集、整理、校验、维护,这些功夫由供应商做一次,成本分摊到很多客户头上,每个客户租一份可靠又新鲜的数据,比自己从头做一份便宜。

这有点像办一张图书馆的借书证。书你当然可以自己买,可买书、编目、更新、找地方放,每一样都要花钱花力气,图书馆把这些摊给所有读者,借书证就比自己建一个书房便宜得多。图书馆赚的是省掉重复劳动的那部分,读者拿到的是更全的书和更低的总成本。

同样的逻辑也适用于客户自己的数据。政策文件、客户记录、合同、过往的工作流程,这些本来就是客户自己的东西,看上去没什么可收费的。可要让 AI 可靠地用上它们,得处理谁能看什么、统一格式、做检索,还要持续检查有没有错。这些活又繁琐又没有尽头,应用把它做好,就有了收费的理由。

所以做这类生意的人要时不时问自己:客户付的钱,买的是一份别处买不到的数据,还是一份别处也能拿到、只是自己整理太麻烦的数据?前一种几乎不怕模型进步,后一种就要看你的整理功夫能不能一直比客户自己动手便宜。Tugce 的建议是先分清客户究竟在为“拿到”付钱,还是为“整理好”付钱,再各自定价。

光做得好不够,客户得能亲手算出这笔账

执行和上下文只是让溢价有了可能,能不能收得到,还要看客户看不看得见。a16z 在 8 月访问了 100 位企业里负责大模型采购的决策者,94% 预计未来一年的大模型总支出会增加,37% 预计至少翻一倍。钱会越花越多,管钱的人就会越来越想问:这些钱到底买到了什么。

Notion 的客户支持团队就是这样做选择的。Notion 每年大约有一百万次客户咨询,起初考虑过自己做,后来决定评估外部方案,好让团队专心做核心产品。他们走了一轮正式招标,从是不是原生的生成式 AI、产品和界面好不好用、和现有系统的集成深度、路线图、合作关系这几方面比,最后选了 Decagon。上线以后,工单处理时间最多缩短了 34%。这个数字对买方的用处,是同时回答了两个问题:为什么买,以及怎么跟老板交代这笔钱。

要让每个客户都能这样算账,Tugce 建议先选一个客户认得的计量单位,比如审完一份合同、解决一次客服对话、完成一项研究任务。然后把完成这一件事的完整成本算清楚,检索、模型调用、工具、重试、评估和人工复核都算上,失败的那几次也要计入。最后拿这个数字去和客户原本的做法比,客户有可能自己做的话,开发和维护的成本也算进去。这听上去像内部财务的活,但它决定了价格站在什么地上:站在客户能自己验证的事实上,客户就不必靠信任来付钱。

这也是为什么按 token 收费是个坏主意。Tugce 和同事 Sarah Wang 在 8 月写过,应用应该把价格定在它能可靠衡量、说得清归因、守得住的最高一层价值上。两人访问了 50 位有技术背景的 AI 买家,27 位更喜欢和具体工作绑定的点数,只有 14 位更喜欢按 token。按 token 报价,等于提醒客户拿你的应用去和原始算力比,而算力每个季度都在变便宜,把自己的价格钉在这个往下掉的东西上,只会越收越薄。点数也不是万能的,Tugce 的话说得很直接:点数是一种货币,不是价值的尺度,关键在于一个点数到底买到了什么。

我自己的一点思考

先说我担心的几件事。Tugce 举的 Harvey、Clay、Decagon,都是各自领域里跑在前面的公司,它们能证明一个应用怎样守住溢价,却回答不了大多数没跑到前面的应用怎么办。一个功能单薄、输出就是一段文字的 AI 工具,既没有可以积累的工作流,也没有别人拿不到的数据,很难靠这些办法立起来。另外这场比赛没有终点。Repsol 那次盲测是 2023 年底的事,当时的 Copilot 和内部原型,到今天已经是另一个样子,客户下次再比,会重新问一遍同样的问题。还有一点,证明价值本身要花成本,每次成功完成一件事的完整成本、和客户自己动手的对比,对一个刚起步的小团队并不轻松,样本和人手都不够。

但我仍然看好这条路,因为它要求的东西,恰好是做得越久越容易积累的。每完成一次工作,评测会更扎实,对客户的了解会更深,上下文会更准,算出来的成本也会更清楚。这些全都归应用公司所有,客户从头自己做是拿不到的。Tugce 收尾的那句话很不客气:模型每进步一次,客户手里的替代方案就好一截,应用的优势得拉开得比这更快,溢价才守得住。这句话听上去是压力,我读出来的却是一个很具体的工作方法,把差距当成每个季度都要盯的数。

想象一个做客服 AI 的团队,季度复盘时不先看收入,而是先看一张表。表上是同一批客服对话,客户自己拿最新的模型做,每成功解决一次要花多少钱,自己的产品做又要花多少钱,这个差距比上个季度是变大了还是变小了。差距在变大,价格几乎不用愁;差距在变小,降价也救不了多久。把溢价看成这样一张每季度更新的账,而不是一个定下来就不动的数字,我觉得才是这位合伙人真正想说的事。

结尾

也欢迎大家留言讨论,分享你的观点!

觉得内容不错的朋友能够帮忙右下角点个赞,分享一下。您的每次分享,都是在激励我不断产出更好的内容。

欢迎关注深思圈,一起探索更大的世界。

- END -

跳转微信打开

这家跑通了自进化算力流片的公司,让我重新理解了 AI 真正的增量在哪

2026年11月16日 17:51

深思圈 2026-11-16 17:51 广西

寰宇元心是一家做 AI for R&D 的早期公司,团队来自 DeepSeek、Kimi、腾讯混元等基础模型团队。它的系统设计的第一版硅光芯片已从晶圆厂回片,推理优化也已有回款。Coding 之后,AI 的增量真的在这里吗?

你有没有想过,为什么今年看 AI 项目的人,越看越容易犯审美疲劳?应用层的项目一个接一个,有做写代码助手的,有做自动写文档的,也有做智能客服的,演示都很流畅,数据也都好看。可是把它们叠在一起,大家心里会冒出同一个问题:如果 AI 的收入主要来自给软件行业提效,这个存量到底有多大,撑得起今天二级市场对 AI 的预期吗?

我最近看到的一个答案,来自一家叫寰宇元心(CosmosMind)的早期公司。团队里有从 DeepSeek、Kimi、GLM、Meta、腾讯混元这些基础模型团队核心部门出来的人,还有清华、北大的博士。他们没有再做一个通用大模型,也没有做又一个写代码的 agent,而是带着一套叫

工程智能(Self-Evolving Engineering-AI,SEE-AI)的系统,算法内核叫 MetaRSI,产品引擎叫 Ester,直接去了算力和芯片的研发现场。前不久,一颗由这套系统设计、从晶圆厂流片回来的硅光测试芯片,已经摆在了他们面前。

这件事值得讲,是因为它回答了开头那个问题:Coding 之后,AI 真正的增量大概率在物理世界里,而且那里对 AI 的要求,和写代码完全是两回事。

写代码的 AI 再好用,也撑不起今天的预期

写代码是 AI 落地最顺的场景,原因很朴素,试错在这里几乎不要钱。改错一行,重新跑一遍,几秒钟就知道对不对,错了也没有任何后果。模型可以在这个沙盒里一遍遍地试,所以 Coding 工具这两年进步得特别快。但反过来看,这也是它的麻烦所在:谁都能很快做出来,谁也很难守住领先,今天的功能下个季度就可能被别人追平。

更何况写代码这个存量本身是有边界的。AI 能做的,是让软件行业花在工程师身上的钱花得更有效率,它能放大的上限,就是这笔钱乘以提效的比例。在我看来,二级市场现在给 AI 的预期,已经超过了这个乘积能撑起的范围,所以大家才会反复追问下一个增量在哪里。寰宇元心的创始人万冠呈对这件事的看法很直接,他认为除了 Coding,AI 还没有更大的场景在创造增量,更大的机会在重资产、高门槛的实体产业研发里。

真正的增量,在试错又贵又慢的地方

既然沙盒里的试错太便宜,增量就该去试错贵的地方找。这样的地方并不神秘,就是中国那一大片做实体产品的研发,算力、高速光电芯片、先进制造都在其中。炒菜的时候尝一口就能调盐,烧瓷器却要等开窑才知道成不成。这两件事对 AI 来说难度完全不同,而芯片设计属于后者:图纸画完交给晶圆厂,一次流片要等好几个月,拿到实测数据,才算第一次真正得到反馈。

这些地方的问题还不是单一的。一颗高速互连芯片,要同时管光、电、热,还要把晶圆厂加工时难免的误差算进去,刻蚀偏差几纳米,器件的性能就可能走样。能把这几样东西同时吃透的资深工程师,整个行业也找不出几个。所以试错慢只是一重限制,会做这件事的人太少,才是更硬的第二重。

听上去这全是坏消息,我却觉得对做 AI 的人恰恰相反。AI 最擅长的,是不知疲倦地把大量方案挨个试一遍,它缺的只是一个能快速、可靠地判断好坏的环境。所以这类行业真正的问题,是能不能把提方案、验证、改进这个循环搬进昂贵的物理世界,让稀缺的专家经验变成可以反复使用的软件能力。

算力五层栈的红利与诅咒:越靠近硅片,收益越大、验证越慢

要把这个循环搬进物理世界,先得看清算力这一整套东西是怎么分层的。从上往下数,先是管一大群机器怎么分活的调度,再是分布式系统和推理引擎,然后是算子和编译器,接着是芯片的封装和互连,压在最底下的是硅片本身。每一层的反馈速度差得非常远。一个软件算子,几秒钟就能在卡上测一轮,到了芯片,版图冻结以后要等几个月,流片回来才有第一组实测数据。

算力系统的分层图:从集群调度到硅片,越往下改动受益越广、验证越慢

这种差别带来一个有意思的矛盾。改动越靠下,受益的范围越广。一个底层算子变快,所有调用它的模型都跟着变快,一颗芯片设计得更好,跑在上面的所有软件都直接受益。可是越往下,改错的代价也越大,而且底层一旦变动,上层原来调好的收益甚至可能作废。这就好比新手学开车,没人会一上来就开上高速,总是先在空场地里找到手感,再去应付真正的路况。

寰宇元心的做法,基本就是这个顺序。他们没有在各层平均用力,而是先从反馈最快的软件层开始,一直做到现有硬件的潜力被用完,再让同一套方法顺着软件层碰到的硬件瓶颈往下走,去参与下一代芯片的设计。我觉得这个顺序很务实,因为一个新方法最怕第一次验证就要等半年,而软件层让他们几天内就能知道方法对不对,也让团队有时间先把手艺练熟。

做基础模型出身的人,为什么适合干这件事

做基础模型的人,天天打交道的就是改一点、测一下、看有没有变好这个过程,训练、评测、发版,每一步都要靠严格的数字来判断。把这种习惯带进工程研发,是很自然的事。寰宇元心给自己的算法框架起名叫 MetaRSI(RSI 一般指递归式自我改进,也就是系统自己改进自己),它把一次改进拆成七步:观察、诊断、提案、校验、执行、选择、导出。

有意思的是,这七步里只有诊断和提案交给大模型发挥,其余五步全部由确定性的代码来执行。原因不难理解,大模型擅长出主意,但出主意的人不该同时当裁判,否则它很容易悄悄放宽标准,让自己看起来进步了。所以在他们的设计里,评测的标准和发布的规则对所有 agent 都是只读的,AI 可以提出一万种改法,却没法改动判分的规则。

我对这一点印象很深,因为它点出了自进化在工程里能走多远的条件:一件事的好坏,能不能被机器严格、客观地检验出来。能检验的,AI 就能自己越做越好,说不清好坏的,再强的模型也只能凭感觉。这也解释了为什么他们不去做通用大模型,也不去做面向所有人的写代码助手,而是专挑那些验收标准硬、数字不会骗人的领域下手。

先是软件这一层,国产算力进化到450%效果,全程直播

软件层反馈最快,所以他们先在这里拿出了结果。最能说明问题的,是一次国产算力迁移:把一个 330 亿参数的音视频大模型 MiniMax H3 部署到华为昇腾 910B 上。很多原本按英伟达显卡调好的参数,换了卡以后不再合适,比如残差复用的阈值原样搬过去,速度不但没快,反而慢了 71%。还有一个融合算子的启用条件,在原代码里被写死在英伟达卡上,换卡后根本触发不了。

面对这样庞大的参数和算子组合,人类工程师通常只能凭经验挑几个点试一试,大量可能更好的配置根本来不及看。寰宇元心的系统换了一种做法:它把整个部署当成一大片要搜索的空间,自动批量提出候选方案,部署上卡,实测速度,再由客观标准判断去留,一轮接一轮往前推。最终推理速度达到了官方实现的 450%,生成画质经评测与基线持平,五套数据集上的逐条对比,没有一条变慢。

MiniMax H3 部署加速的公开直播界面:上为标准部署,下为自进化系统给出的部署方案

这个数字当然亮眼,但我觉得更值得看的是他们摆出结果的方式。整个调优过程在公开页面上直播,每一轮改了哪行代码、快了多少毫秒,外面的开发者随时可以回看;沉淀下来的几个算子库也放在 GitHub 上开源,其中端到端推理库已经被昇腾 PyPTO 框架的官方团队正式合入主干。一家早期公司说自己做到了什么,通常很难核对,把过程摊开让别人挑错,等于主动把验证的权力交了出去。

第一颗自进化硅光芯片回片:带宽超顶刊 40%,良率留足 2 倍余量,走入物理世界

软件层的成绩说明这个循环好用,但芯片回片才说明它能碰得到物理世界。寰宇元心往芯片这一层走,选的第一个方向是硅光芯片,也就是用光信号代替电信号,在芯片之间高速传数据。大规模算力集群想突破带宽和功耗的限制,硅光互连几乎是绕不过去的一条路,真正卡住它的,是设计出来的东西进了产线以后,良率还能不能稳住。

第一版硅光测试芯片的电镜总览,芯片上可见 CosmosMind 标识(图片来自寰宇元心)

他们先拿光栅耦合器练手,它相当于光信号进出芯片的接口,其中垂直出射的那一种出了名的难做,传统的参数扫描基本失效。团队和北京大学的光子传输与通信重点实验室一起,让系统在可量产的约束下找方案。结果是带宽比 2026 年发表在《Optica》上的同类设计宽了 40%,制造偏差引起的波长漂移也小了一个数量级。前沿文献里需要在芯片上铺十几组预补偿结构来挑可用的器件,这套设计一组都不用铺。

比数字更让我在意的,是它给出的结构。在光栅里那种重复排布的微结构上,人类专家习惯顺着尺寸渐变的思路找答案,而系统给出的是三种不同拓扑的单元共存的方案,这不是顺着经验就能想到的。团队还专门把对照组拉到了最高水平,让领域专家直接搭配 Claude Code、Codex 这类写代码 agent,并且不限预算,放在一起比,系统依然找到了更好的结构。在我看来,这才是它和写代码工具真正不同的地方:它给出的不是更快的重复劳动,而是人没想到的东西。

光栅区电镜特写,实测线宽 273 到 328 纳米

设计图画得再好,终究要过晶圆厂这一关,所以他们在流片这件事上做得格外保守。设计阶段就把刻蚀、线宽、套刻这些加工误差写进检验标准,按最坏的情况来评估;冠军方案还要再过一轮系统看不见的隐藏测试,防止它只会应付那几道固定的题。第一版芯片回来后,系统从 31 张电镜照片里识别出每一条刻蚀边缘,测得线宽的随机离散不超过 5 纳米,而设计时按 10 纳米评估,实际留出了大约 2 倍的余量。

往系统层走,他们也做得很快。硅微环、硅耗尽型行波调制器和薄膜铌酸锂是下一代光互连最主要的三条技术路线,业界还在争论哪条更合适,系统不到一周就把三条路线的 1.6T 链路都做出了完整设计,全工况达标。这类需要光、电、热同时权衡的题目,恰好是前面说的稀缺工程师最难复制的部分。已经有多家晶圆厂主动来谈联合设计和工艺模型合作,对一个刚拿到第一版芯片的公司来说,这比任何自己报的数字都更有说服力。

光互连芯片自主设计的公开直播界面

按结果收费,自进化产品建立在客户标准上

软件和芯片两头都有了结果以后,团队把背后的循环打包成了一个产品,叫 Ester,意思是通用的工程研发引擎。它目前分成三条产品线,分别面向大模型推理加速和国产卡适配、垂类模型的训练优化,以及硅光芯片和互连的设计。前面讲到的所有案例,其实都是同一个引擎在不同场景里的表现。

这个产品最特别的地方是收费方式。开工之前,双方先锁定验收标准,最后达不达标由客观判据来裁决,没有做出约定的性能提升就不收费。过程中产生的数据、工程经验和专有模型全部归客户所有,不会拿去训练他们自己的通用模型。万冠呈的解释很实在,他说中国的企业客户不关心东西是 AI 做的,还是别的什么方法做的,只关心安全,关心降本增效到底有没有用。

“结果即服务:不进化成功,不收费”的产品页横幅

我觉得这个收费方式不是营销姿态,而是前面那些选择的必然结果。想象你请人修屋顶,漏不漏水一眼就能看出来,所以敢说修不好不收钱;如果是让房子住着更舒服这种说不清的活,没人敢这样承诺。寰宇元心专挑验收标准写得清楚的领域,才让按结果收费成了一件可以执行的事,反过来,客户愿意签这样的合同,也说明他们认可这套验收标准是公平的。推理优化这条线已经有了回款,也有多家数据中心服务商主动来接洽。

我自己的一点思考

把这些放在一起,我对标题里那个问题的回答是:AI 的下一个增量,在于把人类最贵的那部分试错交给它,而不在于多写几行代码。但这件事离成熟还有距离,我担心两件事。

第一,每换一个行业,都要先把客观判断好坏的环境搭起来。光芯片有成熟的仿真和工艺数据可以依靠,换到一个数据更少、标准更模糊的领域,同样的循环还能不能这么顺,目前只能是我的推测。第二,这类事情的数据和工程师,晶圆厂和大型云厂商手里同样有。它们一旦决定自己下场,一家早期公司的位置会不会被挤压,要看它能不能比大公司更快地积累起真实产线上的经验。

尽管如此,我仍然看好,原因有两点。一是这个位置不是靠几个月的工程努力就能追上的,它需要真实的流片数据、懂工艺的人和一个已经转起来的循环,每多转一圈,下一圈就更准一点。二是他们愿意把调优和设计的每一轮成败都公开出来,让同行复现、挑错,一家真想把事情做成的公司,才会这样做。

最后想象一个场景:一家光模块公司的研发负责人,周五下班前交代了一个目标,要一条功耗更低的互连链路设计,约定了验收标准。周一早上他打开页面,看到系统周末又迭代了几百轮,其中有两次是自己推翻了自己的思路,最后给出了一个他团队里没人想过的结构。他要做的,不再是熬夜试参数,而是判断这个方案值不值得拿去流片。这大概就是 Coding 之后,AI 留给工程师的那个位置。RSI算力全链路生态已落地,CosmosMind开启软芯协同自进化算力时代更多内容可以看这篇文章

结尾

也欢迎大家留言讨论,分享你的观点!

觉得内容不错的朋友能够帮忙右下角点个赞,分享一下。您的每次分享,都是在激励我不断产出更好的内容。

欢迎关注深思圈,一起探索更大的世界。

- END -

跳转微信打开

22 岁成了世界上最年轻的白手起家亿万富翁,他们做的是什么生意?

2026年11月13日 09:10

深思圈 2026-11-13 09:10 浙江

Mercor 完成 7.5 亿美元 D 轮融资,估值 200 亿美元。三位创始人在辩论队认识,最早只是帮美国公司找印度程序员;现在他们每天付给“教 AI 干活”的专家超过 500 万美元。

你有没有想过,现在每天有多少钱,是付给那些专门“教 AI 干活”的人的?Mercor 的 CEO Brendan Foody 前几天在播客 Sourcery 上给了一个数字:他们现在每天付给平台上专家的钱超过 500 万美元,而两年前,这个数字一整年加起来才 100 万美元。就在这期节目播出前后,Mercor 宣布完成 7.5 亿美元的 D 轮融资,估值 200 亿美元,参与的有英伟达、Benchmark、Felicis、General Catalyst、Apollo 旗下的基金、XTX Ventures、Salesforce 和 Zoom,这一轮里也包括让员工出售部分股份。

这家公司 2023 年才成立,三位创始人都是二十出头的大学退学生,去年估值到 100 亿美元的时候,三个人一起成了全世界最年轻的白手起家亿万富翁,比扎克伯格当年还小。可在国内,知道 Mercor 的人并不多,很多人以为它是一个招聘网站,或者是又一家给大模型做数据标注的公司。这两种说法都不算错,但都没讲到它真正在做的事。这篇想把这家公司从头讲清楚:它是怎么来的,它到底卖什么,为什么增长得这么快,以及它最怕的是什么。

三个打辩论认识的朋友,最早只是想帮美国公司找印度程序员

Mercor 的三位创始人,是在辩论赛上认识的。CTO Adarsh Hiremath 和现在的董事长 Surya Midha,十岁时就认识了,Adarsh 说那时候他们几乎是仅有的两个想参加高中辩论比赛的小学生。后来两人在高中的辩论队里认识了 Brendan。Adarsh 上 20VC 时打过一个比方,他说和 Surya 搭档打辩论,就像是他的第一次创业,两个人对彼此的成败各占一半,一个人搞砸了,两个人都输,选对辩论搭档是辩论里最重要的决定,就像选对联合创始人是创业里最重要的决定一样。

三个人里,Brendan 是从小就在做生意的那个。他说八年级的时候,他发现超市里一打甜甜圈卖 5 美元,就买回来骑车带到学校,一个卖 2 美元,后来干脆让妈妈开车带他去超市进货。到了高中,他先是跟着同龄人倒卖球鞋,后来发现这些卖球鞋的人都有资格申请亚马逊云的创业补贴,却没人去领,一直在付很贵的账单,他就开了一个小咨询公司,帮他们建网站、申请补贴,其中有几家后来还长成了真正的创业公司。他说自己高中时就靠这个赚了几十万美元,所以到了该上大学的时候,他和父母大吵了一架,他想不通,为什么要去上大学,毕业以后找一份赚得更少的大厂工作。

最后他还是去了大学,Adarsh 也去了哈佛,但三个人一直在一起做事。一开始他们并没有什么宏大的计划,只是开了一个软件外包工作室,去问创业公司想做什么,然后帮他们做出来。为了做得快,他们从印度招了一批非常厉害的工程师,结果发现,这批工程师本身比他们做的软件更有价值,很多美国公司都想要这样的人,于是他们干脆把“帮美国公司找到印度的优秀工程师”做成了一个平台。Adarsh 说那段时间他人在哈佛,心思完全不在课堂上,Brendan 经常来找他,就睡在他室友的床上,因为那个室友作息颠倒,晚上都泡在工程楼里写作业,等室友回来,他们再一起干活。

真正让这个平台和别人不一样的,是一个很早的决定。Brendan 说,2023 年 4 月,ChatGPT 刚出来不久,他和 Adarsh 还在上大学,就做出了第一个 AI 面试官,它会先读候选人的简历,再调用 GPT-4 提问,最后按一套评分标准给面试打分,第一版每说一句话要等七八秒。他们在把这件事做大的过程中想明白了一个道理:招聘里的很多难题,根子上都是一个数据收集规模的问题。如果你招的是斯坦福的 AI 博士,见五个人大概就有一个很好;可如果你要从印度某个偏远地方招软件工程师,有时要见几百上千个人才能找到真正顶尖的那几个,但他们确实存在。AI 面试官让他们第一次可以用很低的成本,把这种面试做到成千上万次,到现在他们一共已经做了超过 700 万场面试。

这段起点,我觉得很能说明 Mercor 后来为什么能抓住机会。他们最早解决的并不是“AI 数据”的问题,而是一个很老的问题,怎么在一大群人里,又快又准地找出最好的那一小部分。这个能力在招聘平台上只是一个好用的功能,可当大模型公司突然需要大量顶尖的律师、医生和工程师时,它就变成了别人很难追上的本事。三个人后来都拿了 Thiel Fellowship(一个资助年轻人退学创业的奖学金项目),先后离开了学校。

把它推进 AI 数据生意的,是 Scale AI 自己

那 Mercor 是怎么从一个招聘平台,变成给大模型公司供应“专家”的?Brendan 讲过一个有点讽刺的细节:最早找上门来的,正是后来最大的对手 Scale AI。Scale 用 Mercor 的平台招了几千个人,Brendan 也是在这个过程中意识到,大模型的数据市场正在发生一次很大的转变。

他的说法是,在 ChatGPT 早期,Scale AI 和 Surge 这些公司开创的是一种“众包”模式,找大量中低技能的人,写一些勉强通顺的句子,给早期的大模型当训练材料。可随着模型越来越聪明,这种数据就不够用了,模型需要的是顶尖的软件工程师、机器学习工程师、律师和医生,以团队的方式一起去搭更难的测试题和训练环境。Mercor 手里正好有一套能大规模找到这类人的系统,于是他们很快就转到了这个方向。

还有一件事,让他们下定决心要直接和大模型公司打交道。Brendan 说,那时候他们给另一家同行供应人手,前后帮对方招了一千多个人,很多人在发展中国家,结果对方迟迟不付钱,Mercor 这边收到了大量求助,有人说自己已经拿不到钱养家了。他说这件事是一个很大的触发点,他们意识到必须和实验室建立直接的合作关系,自己对平台上专家的体验负责,确保每个人都能按时拿到钱,所以从一开始就在支付团队上下了很重的本钱。现在他们的付款跑在 Stripe Connect 上,历史上一共付出去了大约 10 亿美元,他说至今没有出过大的问题。

和对手比起来,Mercor 在价格上也走了一条完全相反的路。Brendan 在 20VC 上说,Mercor 平台上专家的平均时薪是 95 美元,而 Scale 和 Surge 一般只付 30 美元左右。他觉得在这个市场里,最重要的是找到最顶尖的人,并且好好对待他们,再让这些人把自己的朋友也拉进来,所以他们现在有七成的专家是通过推荐来的。被问到 Scale 是不是早就被认为质量不行时,他说 Alex Wang 在很多方面都非常出色,尤其是销售和拿客户,但 Scale 在某种程度上丢掉了对产品和质量的专注,这是那家公司最大的问题。

我觉得这是 Mercor 故事里最关键的一步。很多人看到的是“又一家数据标注公司”,可它和上一代公司的区别,恰恰在于它卖的不是廉价劳动力,而是稀缺的专家时间。上一代数据公司的核心能力是把成本压低、把人数堆上去,Mercor 的核心能力是在全世界找出那 10% 到 20% 真正能推动模型进步的人。模型越聪明,前一种能力越不值钱,后一种能力越值钱,这也是为什么同一个赛道里,两家公司会走出完全不同的曲线。

增长快到连投资人都没看懂

Mercor 的增长速度,是这两年硅谷最常被拿出来讲的例子之一。Brendan 在 20VC 上说,他们用 17 个月把年化收入从 100 万美元做到了 5 亿美元,比 Cursor 做到同样规模还快了一个月,有一段时间平均每个月增长 54%。去年 Meta 收购 Scale AI 的部分股权、把 Alex Wang 请进 Meta 以后,很多实验室不愿意再把数据交给一家和 Meta 绑在一起的公司,Mercor 的收入在那之后又翻了四倍。

有意思的是,投资人一开始并没有看懂这件事。Brendan 说,B 轮的时候 Felicis 给他们开出条件,那时公司的年化收入才 2000 万美元,估值相当于收入的一百倍,他猜 Benchmark 的合伙人们当时一定觉得这很疯狂。可到了去年 9 月,他们宣布年化收入已经到了 5 亿美元,是 B 轮时的 25 倍,那一轮 3.5 亿美元的融资把估值推到了 100 亿美元。按《福布斯》的估算,三位创始人当时各持有大约 22% 的股份,22 岁的三个人就这样一起成了世界上最年轻的白手起家亿万富翁。

他还提到,在种子轮的时候,硅谷很多顶级基金都觉得这个市场过两年就会消失,因为大家相信三年内就会有超级智能,AI 在所有事情上都会比人强,到时候根本不需要人来教模型。这种看法一直持续到今天,而他反而觉得庆幸,因为这件事一直不是共识,竞争就少了很多,他说他很高兴自己所在的市场远没有大模型那么拥挤。

到了这次 D 轮,Sourcery 的 Molly O'Shea 问他,从一年多前两人第一次见面到现在,公司又长了多少,他的回答是,在一个“九位数中段”的收入基数上,又长了五倍多。他说自己 2024 年在 X 上开玩笑说要年底上市,当时很多人当真了,这次他说未来 12 个月不会上市,但上市确实在他们的考虑之中。公司现在是赚钱的,他说他们其实并不需要融资,但一直有人主动找上门来。

这组数字最值得看的地方,在我看来不是快,而是它说明了一个被普遍低估的市场。大家谈 AI 的投入,想到的是算力和模型,很少有人把“数据”当成和它们并列的一样东西。可 Brendan 有一个说法,AI 的进步需要三样东西,算力、算法和数据,数据是三者里定价最错的一个。从投资人当年的怀疑,到今天 200 亿美元的估值,Mercor 吃到的正是这个错配。

Mercor 卖的到底是什么:不是撮合人,是“训练场”

很多人以为 Mercor 是一个像 Uber 那样的撮合平台,把专家和工作配对,然后抽一笔佣金。Brendan 说这是外界对他们最大的误解。他们真正卖给大模型公司的,是一种叫 RL environment(强化学习环境)的东西,专家只是其中的一种原料。

他把一个 RL 环境拆成三部分。第一部分是应用,也就是谷歌办公套件、Salesforce、Adobe 这类常用软件的仿制版本,因为要教 AI 代理在真实工作里用这些软件;第二部分是“世界”,就是这些应用里面的内容,邮件、幻灯片、文档、表格;第三部分是任务,包括题目和评分标准,就像教授出一道论文题,再配一份评分细则,模型去做这道题,拿到一个分数,再从这个分数里学习。他说,要把整个经济里的工作都自动化,难就难在要覆盖所有人用的应用、所有的工作内容和所有的任务类型,而专家就是来填这些内容、出这些题的人。

围绕这件事,Mercor 现在有三个产品。第一个是最早的人才平台,有超过 500 万人在上面找活;第二个是一个叫 Studio 的数据平台,专家在里面有 AI 助手帮忙,一起把训练环境、任务和评分标准搭出来;第三个是一个 AI 项目经理,原来要靠项目经理去给专家定指标、判断谁做得好、谁做得差、给反馈,现在这些事情都由 AI 代理自己在跑,甚至由它来决定招谁。他们最近收购的 Deeptune,补的就是第一部分,Deeptune 专门做各种软件的仿制版本,刚拿到 a16z 领投的 A 轮。Brendan 说,有意思的是,最早是一个客户主动建议他们和 Deeptune 合作,说那是自己最好的应用供应商,他觉得客户主动牵线,本身就说明这里有东西。

理解了这一层,才能明白 Mercor 为什么值这么多钱。一家撮合平台的价值,取决于它能抽多少佣金,而一个“训练场”供应商的价值,取决于它能帮模型多学会多少事。前者天花板很清楚,后者要看 AI 最后要接管多少工作。Brendan 说,在他们的平台上,现在每个月大约有一百万小时的人工时间,花在搭这些任务上,这其实已经是一个相当规模的新职业了,他自己的说法是,这是“历史上增长最快的一种工作”。

外界最大的怀疑:这门生意会不会很快就没了

关于 Mercor,最常听到的质疑是,这是一个不长久的生意,模型总有一天会聪明到不再需要人来教。Brendan 的回答是,这取决于你相信超级智能多久会来。他说,人教模型的市场有多大,取决于在数字世界和真实世界里,还有多少事是人能做、模型做不到的,可能是在一次视频会议里说服别人,可能是在实验室里做一次实验,也可能是修一辆车。只要还有这样的事,就需要人去量出模型的边界在哪里。

他打了一个上学的比方,如果你在英语课上学写作文,老师却让你自己给自己的作文打分,不许别人给你任何反馈,你会发现,很难判断自己能力以外的东西是对是错,所以才需要反馈。数学这种领域可能是例外,因为有计算器可以验算,但在经济里的大多数领域,人进步靠的是老师、上司和同事的反馈,模型也一样,实验室里大多数顶尖研究员也预计,未来很多年模型都会这样学下去。

他还讲了一个具体的项目。他们刚开始做一个比较复杂的训练环境时,任务是让模型用一个工具完成一件人要花几个小时的事,一开始找了 100 个人,很容易就能难住模型,找到它犯的错。后来模型越来越强,100 个人里只剩下 20 个人还能出得了让它犯错的题。听起来像是需要的人越来越少,可他们接着又给任务加了新的复杂度,让模型同时用好几个工具、处理更长的流程,需要的人又多了起来。

这就是他反复提到的杰文斯悖论(Jevons paradox,效率提高以后,总需求反而增加)。他说,有了 AI 助手以后,一个专家一小时能帮模型进步的幅度,是以前的三到五倍,按理说需要的人应该变少,可实际上需求是成倍地往上涨,因为世界上 99% 的知识还在人的脑子里,教模型的效率越高,大家就越愿意花时间去教。

我觉得他的这套说法有道理,但也有前提。它成立的前提是,模型的进步主要靠强化学习,而强化学习主要靠人来出题、打分,这在今天确实是实验室的主流做法。可如果有一天,模型能自己可靠地给自己的作业打分,或者能直接从真实世界的反馈里学,这门生意的形态就会变。好在 Brendan 自己也没有回避这一点,他把公司的未来押在“只要还有人比模型强的地方”,这比假装这个市场永远不会变要诚实。

他眼里的下一步:每一家世界 500 强,都会变成一个小型 AI 实验室

Mercor 现在的大客户是 OpenAI、Anthropic、Google DeepMind 这些实验室,但 Brendan 这次讲得最多的,是企业。他的判断是,未来每一家世界 500 强都会变得像一个小型的 AI 实验室,有自己的核心数据,有自己最在意的业务场景,需要动员一部分全职员工和外部专家,去搭高质量的测试题和训练数据,训练自己的模型。

他给了一个很具体的判断标准,就是看一家公司每年在模型调用上花多少钱。他说,花费在 1000 万美元以下的公司,一般不太在意测评和优化,还在摸索;花费到了 1000 万到 1 亿美元之间,就应该拿出大约一成的预算去做测评,搞清楚哪些任务该交给哪个模型;花费超过 1 亿美元,比如 Harvey、Cursor 这样的公司,就应该认真考虑自己训练模型了,因为这时候一年花几千万美元训练,可以摊到巨大的调用量上,账就算得过来。他说 Mercor 自己现在每天花在模型调用上的钱就接近 100 万美元。

为什么企业要自己训练,而不是把数据交给实验室?他举了高盛的例子,高盛之所以是高盛,是因为它的人、流程和文件里有别人没有的东西,如果让一家前沿实验室拿这些数据去训练模型,就相当于把这些东西拱手交给竞争对手,所以这些公司不会这样做,而是会训练自己的模型,部署自己的代理,把公司里的经验沉淀进去。他也说,Anthropic 和 OpenAI 都可能成为 10 万亿美元级别的公司,但我们不希望整个经济只有这两个地方能拿到最前沿的智能,价值应该留在每一家公司手里。

这也解释了他为什么看好 Harvey 这样的应用公司。他说,应用层公司里很大一部分东西会被商品化,软件越来越便宜,谁都能做,真正能挡住别人的只有两样,一是品牌,二是数据,所以像 Harvey 这样的公司,必须在自己的领域里做出最好的模型,因为模型就是产品。他还提醒,投资人往往高估了 API 生意的收入质量,因为换一个 API 的成本太低了,Mercor 自己每天都在根据测评结果切换用哪家的模型。

这一段比融资数字更值得做产品的人想一想。过去两年大家讨论的是“套壳”有没有价值,Brendan 给的答案是,壳本身没有价值,壳里面积累的那套“什么是好结果”的判断才有价值。一家公司能不能把自己的行业经验,变成一套可以反复用来测模型、训模型的题目,可能会决定它在 AI 时代是被大模型吞掉,还是能留下来。

年轻、强势,也挨过好几记重拳

当然,Mercor 这两年也不全是好消息。Brendan 说,没创过业的人很难体会那种一次又一次被打脸的感觉。公司最早一年半的客户几乎都是种子轮的创业公司,八成活不过 12 个月,他们一次次失去客户,只有少数像 Cognition 这样后来长大了。他们还经历过一次安全事故,Harry Stebbings 在 20VC 上问他外界传的被黑、收入停滞是不是真的,他承认确实出了事故,但说其他传言都是假的。他说攻击者用了一大群编程代理来入侵系统,他们很快请了 Mandiant 等安全公司处理,也一直和客户保持沟通,之后在公司原有的六条价值观之外,专门加了第七条,安全。

和大客户的关系也不总是顺利。Meta 收购 Scale AI 的部分股权以后,自然会把更多的数据业务交给 Scale,Brendan 也承认 Meta 是一个比较特殊的客户。外界一直有说法,实验室会刻意把生意分给好几家供应商,避免一家独大,他也承认这种情况确实存在,只是他觉得实验室最在乎的终究是模型能不能变好,谁能找到那最关键的一两成专家,谁就能拿到更多的生意。

他对自己和公司的要求,也和他的年纪一样强势。他说他们有三条最重要的价值观,一是标准高,招人的门槛绝不降低;二是他们叫“时间旅行者”的那一条,永远站在五年以后看现在,再倒推今天该做什么;三是对客户极度投入。高管会上有人放了一张每周收入的曲线图,他说不要让公司盯着这个,大家应该看的是客户满不满意、专家满不满意、专家的时间有没有被用好。他也说,他和 Adarsh 都有过拿一大笔钱离开、再也不用工作的机会,但这不是他们想要的,他们宁愿每周工作 100 个小时,去解决一个重要的问题。他现在每天七点多起床,九点到公司,一直待到晚上十点,一周六天,周日在家工作,每天还要把邮箱清空。

我自己的一点思考

在 Brendan 讲的所有东西里,我最记得的是他那句话:最后一份属于人类的工作,可能就是教 AI 怎么工作。他说,今天很多工作都是重复的,客服一遍遍回复同样的工单,律师一遍遍修改同样的合同,咨询顾问一遍遍套同样的模板,以后人对经济的贡献,会越来越多地变成把这些重复的事教给 AI 一次,再让它自己去做。这句话听起来有点让人不安,但换个角度看,它其实是在说,一个人在一个行业里积累的判断,会变得比以前更值钱,因为它可以被放大很多倍。

Mercor 的故事,我觉得真正有意思的地方不在三个年轻人有多快变成亿万富翁,而在他们比大多数人更早看到了一件事:AI 越强,顶尖的人越稀缺。大家都在讨论 AI 会取代谁,他们却在做另一门生意,专门去找那些 AI 还取代不了的人,再按小时付给他们 95 美元。这个判断在三年前是反共识的,连很多顶级基金都没看懂,今天它值 200 亿美元。

当然,这门生意的风险也很明显。它的客户高度集中在少数几家实验室,实验室会刻意分散供应商,大客户也可能因为收购和站队转去别家;它的天花板取决于人比模型强的地方还剩多少,这件事没有人能给出确定的答案;而它要从实验室走向世界 500 强,面对的是完全不同的采购流程和信任门槛。Brendan 自己也说,企业这一步才刚刚开始。

对做产品的人来说,我觉得可以从 Mercor 身上带走一个很实在的问题:你的公司里,有没有一套能写下来的“什么是好结果”?如果有,它可能是你在 AI 时代最值钱的东西。如果没有,现在就是开始整理它的时候了。

结尾

也欢迎大家留言讨论,分享你的观点!

觉得内容不错的朋友能够帮忙右下角点个赞,分享一下。您的每次分享,都是在激励我不断产出更好的内容。

欢迎关注深思圈,一起探索更大的世界。

- END -

跳转微信打开

a16z 合伙人:B2B、B2C 之后,B2A 时代来了

2026年11月12日 11:12

深思圈 2026-11-12 11:12 浙江

a16z 合伙人 Olivia Moore 认为,AI 代理已经是互联网的主要用户,很快也会是每个产品的主要客户。写代码的代理已经先走了一遍,Stripe、Vercel、Supabase 都被带起来了,下一个是普通消费者。

你有没有想过,你的产品下一个最大的客户,可能根本不是一个人?我们做生意,一直只分两种,卖给公司的叫 B2B,卖给个人的叫 B2C,可 a16z 的合伙人 Olivia Moore 前两天在 X 上发了一篇长文,标题就叫“欢迎来到 B2A 经济”,A 指的是 agent(AI 代理,能替人去查、去比、去下单的 AI)。她和同在 a16z 的双胞胎姐妹 Justine Moore 认为,代理已经是互联网上最主要的用户,很快也会成为每一个产品最主要的客户。这条帖子发出来一天,就有十几万人看过。

Olivia 在 a16z 管消费者方向的投资,每半年那份“消费级 AI 应用 Top 100”榜单就是她牵头做的,所以她这次的判断,背后有大量用户数据撑着。这篇文章是她们一个系列的第一篇,讲的是一个很大的变化:过去二十多年,企业所有的网站、App、广告和客服,都是给人看、给人用的,可当越来越多的事情交给代理去办,代理会替我们决定用哪个产品、订哪个服务、把钱花在哪里,企业要争取的就不只是人了。我把她这篇文章和她最近一期播客里的说法放在一起,看看这件事到底走到了哪一步。

她说,互联网上最多的“用户”已经不是人了

文章开头一句话就很直接,互联网的主要用户已经不再是人,而是 AI 代理。她给的说法是,现在网上的大部分流量来自代理,网上新发的文章有一半以上是代理写的,推到生产环境里的代码也大多出自代理之手。这个说法听起来有点夸张,可 Stripe 前不久也在自己的博客里写过,就在上周,代理在互联网上的流量第一次超过了人类。

Olivia 把今天的状态叫作平台变迁的早期阶段,她的意思是,大家已经能量出代理用得越来越多,可它会带来哪些新的生意模式,现在大多还看不清。她拿以前的几次变迁做对比,互联网给了每家企业一个谁都能进来的店面,手机又把这个店面放进了每个人的口袋。AI 已经改变了人能做什么,但它在“企业怎么找到客户”这件事上带来的改变,才刚刚开始。

她觉得接下来最关键的一步,是代理从回答问题变成替人办事。一旦代理真的开始替我们挑产品、订服务、付钱,企业就会分成两种,把代理当成正式客户来对待的那一批,可能会迎来一波增长,不这么做的,可能会被慢慢甩开。她还说,零售商和各种平台花了很多年修墙,想把机器人挡在门外,现在它们反而要去争取机器人的生意了。

她认为 AI 一直缺的,是一种新的分发方式

这是整篇文章里我觉得最有分量的一个判断。Olivia 说,以前每一次平台变迁,都是一种新能力加上一种新的分发方式一起出现的,互联网带来了网页和搜索引擎,手机带来了 App 和应用商店。AI 在能力这一头做得远远超出预期,在分发这一头却一直没有跟上,她认为这也是为什么除了 ChatGPT 以外,普通消费者真正用起来的 AI 产品一直很少。

我觉得这个说法点到了很多做 AI 应用的人心里的痛处。过去两年,大家的产品一个比一个聪明,可获客的方式还是老一套,投广告、做内容、找博主、做 SEO,成本一点没降,很多产品做得不错,就是没人知道。如果代理真的能成为一种新的分发方式,那它对小团队的意义可能和当年的应用商店差不多,一个好产品不用先砸一大笔钱让人认识它,只要代理在替用户办事的时候选中了它,就能被用上。反过来说,对已经靠老渠道站稳脚跟的大公司来说,这也意味着它们靠老渠道建立起来的优势会开始松动。

她列了几个已经看得见的信号。ChatGPT、Claude、Grok 这些大模型,已经是很多企业重要的流量来源,Shopify 说今年第一季度,从 AI 来到店铺的流量同比涨了八倍,通过 AI 搜索下的订单涨了将近十三倍。另一家叫 Human Security 的公司统计,从八月到十月,代理浏览器带来的流量涨了八倍,其中 Meta 的 Muse 占了六成,OpenAI 的产品加起来占了三成。而且这些从 AI 来的流量质量还更高,用户停留得更久,跳出率更低,转化成收入的比例也更高。

她的解释也很好懂,网站比路边的广告牌更能找准客户,因为它知道你点了什么、看了什么,代理理论上应该比网站更准,因为它对用户和用户的需求了解得非常深、非常具体。她还提到一个数字,在代理还没真正普及之前,美国大约就有 11% 的购物过程,是先问过 AI 再去购物网站的。

代理已经开始替人花钱,有时还会顺手推销

那代理现在是怎么替人办事的?Olivia 说,眼下大部分代理流量走的还是“浏览器操作”这条路,代理要么接管用户的浏览器,要么自己开一台虚拟机、开一个浏览器,像人一样点来点去把事情办完。但另一种方式正在出现,她形容它像是给代理用的应用商店,而且是加强版的,也就是连接器、插件和 MCP(一种让 AI 直接调用外部工具和网站的通用接口),代理不用再模仿人去点按钮,可以直接接到第三方的工具和网站上。

她举了一个自己试过的例子。她们让 ChatGPT 用 Krea、Descript 和 ElevenLabs 三个插件,做一条视频广告并剪出来,ChatGPT 自己在三个产品之间协调,最后还劝她们升级 Descript 的付费套餐,才能把视频做完。我觉得这个细节很有意思,代理不只是在替人用产品,它已经在替产品卖东西了,而且卖得很自然,因为它是在帮你把一件事做成的过程中,告诉你缺一个付费功能。

她觉得,让代理替人注册和付款,接下来只会越来越容易,因为底下的平台正在允许用户把自己的身份或者额度“借”给别的产品,比如“用 ChatGPT 登录”。再往后,代理会自己挑选、安装它需要的工具,不用人插手,现在 Claude 已经允许企业的管理员给整个公司一键接上插件。就在她发文的前一天,OpenAI 还上线了一个面向商家的功能,企业可以在 ChatGPT 里认领自己的商家页面,上传商品信息,再看用户在 ChatGPT 上是怎么和自己打交道的。

Shopify 讲得更具体,它在一篇介绍“代理式电商”的文章里写,一个顾客可能会说,帮我找一套 40 美元以内、适合十岁孩子的绘画工具,周五前能送到奥斯汀,代理会根据这句话和商品信息推荐几个选择,顾客比较一下、看看送达时间再决定。为了让代理能做到这一点,Shopify 会把店铺里结构化的商品信息,分享给 ChatGPT、微软 Copilot、Meta 这些渠道。这其实说明,代理要替人买东西,前提是商家的信息要能被代理读懂,价格、库存、规格、送达时间,少一样,代理就没法替你做决定。

写代码的代理,已经先把这件事演了一遍

如果说消费者这一头还在早期,Olivia 觉得写代码这件事已经给了一个完整的样本。她说,到今年九月,GitHub 上超过四成的代码合并请求,第一稿是代理起草的,而半年前这个比例只有 17%。

更值得看的是那些代理背后被带起来的公司。她举了一个例子,用户让代理做一个网站,要把这件事做完,代理需要数据库、托管、登录、发邮件、监控这一整套东西。所以除了 Cursor、Codex、Claude Code 这些写代码的代理本身,还有很多公司跟着长了起来。Supabase 说,今年六月,它新建的数据库里超过六成是 AI 工具建的;被 Databricks 收购的 Neon 早在去年五月就说,它八成的新数据库是自动化代理部署的;Stripe 说,代理已经占了它开发文档将近四成的流量,命令行工具里七成的接口请求来自代理;Vercel 说,过去十二个月里,由代理触发的部署涨了 28 倍。

Vercel 在自己的发布会总结里有一句话,我觉得把 B2A 讲得最清楚:当你问你的代理该部署到哪里,你得到的答案是 Vercel,因为 Vercel 是照着代理的工作方式做的,它有两百多个命令行指令,代理可以用它们操作整个平台。这句话的意思很简单,在代理时代,你的产品被不被选中,很大程度上取决于代理用起来顺不顺手。以前开发者挑工具,看的是文档写得好不好、社区热不热闹,现在代理挑工具,看的是接口清不清楚、能不能一条命令就开起来。

Olivia 在这一节最后问了一个问题:全世界的劳动力里,程序员还不到 1%,剩下的 99% 也开始用代理的时候,会发生什么?我觉得这个问题问得很好,因为写代码的代理已经证明了一件事,代理一旦成了主要的用户,最先赚到钱的不一定是代理本身,而是那些被代理频繁调用、又恰好做得顺手的工具。消费者这一头如果也这样走,受益的会是一大批现在还不太起眼的公司。

她觉得会有四类公司从中受益

具体会是哪些公司,Olivia 分了四类,第一类是代理本身,以及背后越来越会动手干活的模型。很多人说起消费者代理,想到的是 Instinct、Muse、Wabi 这种独立的产品,但她认为很快每个产品都会以代理的方式运转,而每周有 12 亿活跃用户的 ChatGPT,在这里的机会尤其大。

第二类是只有代理出现以后才可能存在的新产品。她拿亚马逊和 Uber 打比方,亚马逊离不开互联网,Uber 离不开手机,代理也会催生出自己的代表。具体会是什么样很难预测,她给了几个方向:能自己运转的小公司、由 AI 在中间撮合的交易平台、能自己不断调优的工具。

第三类是愿意为代理做优化的老公司。大模型已经是很多网站重要的流量来源,所以才有了 GEO(生成式引擎优化,让自己的内容更容易被 AI 引用和推荐)这个行业。a16z 去年写过一篇讲 GEO 的文章,里面提到,人在 AI 里提问平均用 23 个词,而在搜索引擎里只有 4 个,问题更长、更具体,回答也更像一次完整的对话。Olivia 这次的看法是,GEO 大多停在“被发现”这一步,而代理会往前再走两步,替用户去比较、去完成购买或注册,这是一个更大的市场。

第四类是代理需要的基础设施。代理要在真实世界里替人办事,就需要一套自己的工具,她说现在代理的量还不算大,支付、防欺诈和身份验证、通信(iMessage、电话、邮件)这几块就已经开始吃不消了。她也承认,大多数企业现在还在拦截代理的流量,担心欺诈和拒付,但她认为它们最后不得不接受这一波越来越值钱的流量。

我觉得这四类里,第三类对国内做出海的团队最有参考价值。代理来帮用户买东西,它读的不是你精心设计的首页和广告图,而是你的商品信息、价格、库存、退换规则、接口文档。这些东西以前是给后台和搜索引擎准备的,没人觉得它们重要,现在它们直接决定了代理会不会选你。谁先把这些信息整理得让代理一看就懂,谁就可能先接住这一波流量。

订阅之外,AI 终于可能有别的赚钱方式了

a16z 为什么这么看重这件事,可以对照 Olivia 在最近一期 a16z 的播客里讲过另一组数据,可以和这篇文章对着看。她说美国大约一半的人说自己用过 AI,可只有大约 4.5% 的消费者在为 AI 产品付订阅费。在她们的榜单上,大约 85% 的网页产品靠订阅赚钱,62% 靠额外的额度或 token 收费,只有 13% 有广告这类“用户不用付钱”的模式。

她觉得这是一种很不自然的倒置。回看消费互联网的历史,几乎所有真正大的消费公司,主要的收入都来自广告或者交易抽成,而不是订阅,因为不是每个人都需要一个编程工具或者一个帮自己做生意的工具,大多数人不会为了这些每个月掏钱。所以她说自己很相信,AI 已经到了不需要每个人都去买一份订阅的阶段,其他的生意模式应该回来了。

她举了 ChatGPT 的广告做例子,到八月,它的广告年化收入已经到了 10 亿美元,以前一家公司就算上线了广告产品,也要很多年才能做到这个数。她觉得原因有两个,一是 ChatGPT 已经有了每周 12 亿活跃用户这样的规模,二是它对用户的了解比任何产品都深,加上“用 ChatGPT 登录”、可能要推出的钱包,广告理论上能卖得更贵、转化得更好。她的同事 Josh Elman 也提醒,这件事必须做得非常小心,你在和一个这么私人的东西聊天,它突然给你推一款减肥神药,这只会毁掉信任。

把播客和这篇文章连起来看,a16z 的逻辑就很清楚了。订阅撑不起一个消费级的大市场,广告和交易抽成才能,而代理替人买东西、订服务、选工具,正好把“交易”这件事放回了 AI 的中心。B2A 这个说法,问的其实是 AI 怎么才能像以前的互联网和手机那样,长出真正大的消费生意。

我自己的一点思考

在 Olivia 这篇文章里,我最认同的是她对“分发”的判断。过去两年大家都在比谁的模型更强、谁的产品更聪明,可一个产品能不能长大,很多时候取决于有没有一条便宜、稳定的路找到用户。互联网时代这条路是搜索,手机时代是应用商店,如果代理时代这条路是代理本身,那现在每个做产品的人都该问自己一个问题:一个代理来替用户用我的产品,它能不能看懂、能不能注册、能不能付钱?

当然,这件事也没有她写得那么近。她自己在播客里也说,现在消费者代理最主要的用途还是写代码和技术上的自动化,很多人把一个代理交到手里,会觉得面对的是一个空盒子,不知道该让它做什么。亚马逊这样的大平台,也还不允许 Muse 在它的网站上浏览和下单。代理要真正替普通人花钱,还要过信任、支付、退款、欺诈好几道坎,而这些坎每一道都不是技术能单独解决的。

我觉得更现实的看法是,B2A 会先在那些规则清楚、信息结构化、出错代价不高的地方发生,比如开发者工具、订一家餐厅、买一件标准化的商品,再慢慢往更复杂、更私人的决定里走。对做产品的人来说,这不是一个要立刻押上全部身家的判断,而是一件现在就可以开始准备的事:把自己的产品信息、价格和接口整理清楚,让代理来的时候能顺利地把事办完。等这波流量真的大起来的时候,提前准备好的人会比现在看起来多得多。

结尾

也欢迎大家留言讨论,分享你的观点!

觉得内容不错的朋友能够帮忙右下角点个赞,分享一下。您的每次分享,都是在激励我不断产出更好的内容。

欢迎关注深思圈,一起探索更大的世界。

- END -

跳转微信打开

前 Twitch 产品负责人:AI 会给这八大领域带来 10 倍的机会

2026年11月11日 10:41

深思圈 2026-11-11 10:41 浙江

前 Twitch 产品负责人、创业播客 My First Million 主播 Shaan Puri 认为,用 AI 做内容和软件会越来越卷,未来十年的机会在药、食物、房子和机器这些实物上,还给刚卖掉公司的表弟出了一道选择题。

你有没有想过,如果现在让你自己挑一件事去做,你会挑什么?AI 好像什么都能做,身边每天都有人做出很厉害的东西,可真坐到电脑前面,你又会发现自己不知道该做什么,而且总担心刚做出来的东西,过一天就被新模型淘汰了。Shaan Puri 是一个连续创业者,早年做的公司被 Twitch 收购,之后在 Twitch 做过产品负责人,现在和 Sam Parr 一起主持创业播客 My First Million,这档节目在 YouTube 上有近百万订阅。他最近在节目里说,他这段时间就一直被这种感觉困着,一会儿觉得 AI 要让自己没用了,一会儿又觉得自己应该做得更多,可赛道看起来已经很挤,自己好像来晚了。

他想了很久,最后给自己和搭档 Sam Parr 准备了一份小小的演示,讲他觉得未来五到十年真正的机会在哪里。他的答案和大多数人想的不太一样:不在内容,也不在软件,而在他所说的“AI 进入实物世界”,也就是用 AI 去改造药、食物、房子、机器和人的身体。这期节目还聊到了怎么像投资人一样规划自己的下一份工作,我觉得这两件事放在一起看,对正在犹豫下一步的人很有参考价值。

他为什么觉得用 AI 做内容和做软件,越来越难赚钱

节目一开始,Shaan 先说了让他焦虑的另一面。他觉得 Anthropic 大概是资本主义历史上增长最快的生意,五年左右创造了两万亿美元的价值。Sam 接着算了一笔账,七位联合创始人从创办到现在大约 2500 天,平均下来,七个人每天合计多出 9600 万美元的身家,哪怕他们现在每人只持有两个多点的股份。

看到这种数字,人很自然会想,我是不是也该进去分一杯羹。可 Shaan 的提醒是,要像冰球运动员那样,滑向球要去的地方,而不是球现在在的地方。五年前,正确的选择是去 OpenAI、Anthropic 这些模型公司,或者去做 Runway、Midjourney 这种用 AI 生成视频和图片的产品,那时候这件事一点也不明显,只有少数人看到了。今天大家谈 AI,谈的都是写代码、谈 Instinct、Muse、Grokbot 这类个人助手,再就是大模型本身,他觉得这些地方已经站满了人。

所以他的判断是,用 AI 去做数字世界里的东西,回报会越来越低。用 AI 做内容,大家拼到最后只能比谁更便宜;用 AI 做软件、做 SaaS、做小工具,他觉得也是同样的结局。他也补了一句,如果你的心就在那里,那就去做,只是在他看来,大机会不在那边。

我觉得这个判断背后有一个很朴素的道理。做内容和做软件,最贵的部分原来是人的时间,AI 把这部分成本压下去以后,所有人都能做,东西多了,价格自然往下走,最后留给做的人的利润就很薄。可药、房子、种子这些东西,难的地方本来就不在写代码,而在实验、工厂、审批和真实世界里一次次的试错,AI 进去以后,降的是这部分最贵的成本,而能做这件事的人并没有一下子变多。对做产品的人来说,这意味着与其问“AI 能帮我更快地做什么”,不如问“哪些行业以前慢和贵是因为太难,而 AI 正好能把这个难处拿掉”。

第一个方向是新药,已经有人用 AI 治好了自己的癌症

Shaan 列的第一个方向,他叫它“药和奇迹”。他说前几天有人在网上贴了一份名单,上面全是正在用 AI 治自己癌症的人。其中最有名的是 GitLab 的联合创始人,他用 AI 和各种技术给自己的肿瘤测了序,把可能有效的药一个个筛出来,再去合成、研究,最后自己用上,把肿瘤缩小,把癌症治好了。他现在还做了一个服务,普通人也可以去报名,Sam 补充说,他一个得了癌症的朋友就报了名,现在情况很好。

他们身边就有一个例子。节目以前的制作人 Ben 得了很严重的癌症,前景一度非常不好,他在网上发了自己的情况以后,一群懂 AI 的人主动来联系他,帮他找到了合适的人和新的治疗方法。Ben 最近发了一段近况视频,Shaan 说他周六早上打开手机看完,差点哭出来,Ben 气色好了很多,声音也好了很多,虽然还没有完全摆脱癌症,但比之前好了一大截。

他说药这个行业为什么值得重新看,原因在成本上。以前做一个新药,一般要花十年、二十亿美元,失败率高达八到九成,所以只有规模足够大的药企才玩得起。现在礼来在 AI 上投入得非常激进,像科技公司一样买算力,就像 Citadel、Jane Street 自己建数据中心去做金融一样,礼来是把 AI 用在药上。谷歌那边也有一家叫 Isomorphic 的公司,DeepMind 的创始人 Demis 现在几乎把全部心思都放在上面,想的就是怎么用 AI 去治癌症、解决那些大的健康问题。

他的建议很直接,如果你是一个聪明人,就去加入这类公司,或者自己去做一家,因为技术的窗口已经打开了,以前做不到的结果现在有可能做到。我觉得这一段最打动人的,其实是 Ben 的故事,它让“AI 改变医疗”从一句很大的话,变成了一个具体的人多活了一段时间。我们平时讨论 AI,常常在讨论效率和估值,可放到医疗上,衡量它的标准就是有没有人因此活下来,这种事做成了,意义和赚多少钱是两回事。

食物也是一种技术,种子和水果都可以重新设计

第二个方向是食物。Shaan 提到,有一家刚走出隐身的 YC 公司,在用 CRISPR 这样的基因编辑技术去改水果,让它长得更好、产量更高、味道更好,也对身体更好。他举了 Honeycrisp 苹果的例子,这个品种当年花了二十年才培育出来,现在我们一年四季都能吃到。

Sam 的反应很有意思,他说我们走进超市,东西就摆在那里,好像它们本来就在那里,可每一种水果、每一个品种,都是从某个地方来的,都是一个个基因生命。就像我们要把生物技术和 AI 用到人的身体上,我们也会把它们用到植物的身体上。

这个领域里大家最熟悉的创业者,Shaan 觉得是 David Friedberg,他在做土豆、玉米这些作物的新品种,让农民种出来产量更高,或者味道更好、更健康。他觉得从下地干活的新型拖拉机,到用计算机视觉帮忙照看庄稼,再到种子本身和全新的食物,这里能做的事情非常多。

“食物是一种技术”这句话我觉得很值得记住。我们习惯把手机、电脑叫技术,却很少把一个苹果、一袋土豆当成技术的产物,可实际上我们每天吃的东西,几乎都是几代人在育种上一点点改出来的。只是以前改一个品种要几十年,所以这件事在大多数人眼里是静止的。如果 AI 和基因编辑能把这个周期缩短到几年,那农业很可能会像过去二十年的软件一样,变成一个持续更新的行业。

盖房子的成本,可能在十年里降到现在的二十分之一

接下来 Shaan 讲到了房子,这是他讲得最兴奋的一段。他的出发点是生活成本,很多人的压力都来自生活太贵,觉得自己总是在水下挣扎,而对大多数人来说,一辈子最大的一笔开销就是住的地方。他说现在房贷利率大约 7.25%,他住的那一带,盖一栋好一点的房子每平方英尺大概要六百到八百美元,而已经有人在做高端的预制房,成本可以低二十倍。建筑是世界上最大的行业之一,他觉得十年之内,盖房子的成本会出现天壤之别。

他让大家去看一家叫 Zuru Tech 的公司,创始人是上过他们节目的 Nick Mowbray 和他的兄弟。他们在中国有一家工厂,差不多一天就能“打印”出一栋房子。他特别解释说,这里的“打印”不是那种廉价的 3D 打印,更像是一种效率高得多的浇筑混凝土的方法。他让大家想象苹果在中国的手机工厂,高度自动化,做出十亿人在用的、质量极高的设备,这兄弟俩做的就是同一件事,只不过做的是房子,每一部分都想清楚怎么造,最后像搭乐高一样在现场拼起来。

洛杉矶那场大火之后,很多人的房子烧没了,有些人不想重建,只能把地卖掉,Zuru 买下了价值六千万到八千万美元的地块,准备在上面盖两三千万到四千万美元一栋的豪宅,房子在中国的工厂里造好。为了测试抗震,他们在工厂里自己造了一台地震模拟器,可以把一栋五千平方英尺左右的房子放上去,再把过去五十年地球上最大的几次地震挨个模拟一遍,按一个按钮是智利那次大地震,再按一个是另一次大地震。工厂外面现在有大概一百栋房子排成一排,工人就住在里面,房子每天都在改。

Shaan 说这是世界上最疯狂的项目之一,大多数人根本不知道它在发生,而且它不是硅谷那种靠融资讲故事的事,兄弟俩没有拿任何外部的钱,自己投了大约十亿美元。他们能做到,是因为在中国做了二十年高度自动化的工厂,起家的生意是玩具。他提到马斯克说过,他在制造上最佩服的是乐高,因为要大规模、零误差地做出每一块都能和别的块严丝合缝扣上的积木,差一点都不行。特斯拉当年也是这样,马斯克拿着一辆风火轮小车,问为什么不能像它一样把整个车底一次压铸成型,而不是用两百个零件拼,工程师说那是两英寸长的玩具,他说那就做大一点,最后他们真的造出了专门的大型压铸设备,装配流程一下子简单了很多,领先了其他车厂好几年。

Zuru 这个例子,我觉得说明了一件很容易被忽略的事。大家谈 AI 和机器人改变盖房子,脑子里想的常常是更聪明的软件,可真正决定成本能不能降下来的,往往是制造能力,是有没有人愿意花二十年、花自己的十亿美元把一条产线磨到极致。做玩具的经验能用到盖房子上,听起来很意外,可仔细想想,两件事要的东西是一样的,就是在大规模生产里把精度和成本同时做好。这对想进入“实物世界”的创业者也是一个提醒,这里的门槛不只是技术,还有时间和耐心。

自动驾驶不只是汽车,以后会有很多机器替我们维护这个世界

后面几个方向,Shaan 讲得比较快。一个是新材料,他说旧金山有人在做的事听起来像炼金术,有人说自己能用别的材料做出黄金,也有人在发明全新的材料,他自己也承认这个领域已经超出了他的理解范围。

另一个是他所说的“什么都能自动驾驶”。他每天开特斯拉,按一下按钮,九成五的里程都是车自己开的,他唯一会接手的地方是停车场,因为他想自己挑车位。他觉得大家还没意识到,同样的技术正在被用到所有东西上,仓库里的叉车,擦摩天大楼外窗的机器,给船底刮藤壶的机器,还有去检修那些现在没人维护的桥梁的机器。今天要靠大量人力去维护的这个世界,以后会有很多机器自动去做。

他还提到海洋,节目以前请过 Will O'Brien 来聊海洋技术,他觉得就像 SpaceX 让航天变热一样,海洋技术也快要迎来同样的时刻。最后一个方向是人的身体,他叫它“人体硬件”,Neuralink 就是其中之一。他有个朋友叫 Tyler,多年来一直在做一个叫 Atom Limbs 的项目。他说很多人上了战场失去手臂或者腿,拿到的是一截又硬又难用的塑料假肢,可现在的技术已经可以做到装上一条机械臂,用意念让它把东西拿起来,只是还没有人把工程做扎实、把成本降下来,让这些人用得起,也让他们知道有这种选择。

这几个方向放在一起看,有一个共同点:它们解决的都是今天真实存在、但长期没人愿意碰的麻烦事。桥没人修,假肢不好用,船底的藤壶要人下去刮,这些事情不性感,也很难做,以前的技术让它们不划算,所以一直被搁着。AI 和机器人的意义,可能恰恰在于把这些“不划算”变成“划算”,而谁先在其中一件事上做出来,谁就占了一个很少有人来抢的位置。

换工作之前,先像投资人一样想一想

讲完这些方向,Shaan 解释了他为什么要做这份演示。他有一个表弟,和他同岁,他说对方基本上是一个更聪明、更好看的自己,刚卖掉了公司,在想下一步做什么。他发现表弟在做大多数人都会做的事,就像从门上的猫眼往外看,看自己认识谁,能和这些人做点什么,住的地方附近有什么工作和公司,自己以前做过什么、擅长什么,然后就待在原来那个行业、那份工作里,哪怕那个行业已经没有什么风在推着它往前走。

他给表弟出了一道题:假设给你一千万美元,所有的收益都归你,但你必须把这笔钱投进五家公司,你会选哪五家?表弟一开始说不知道,后来认真做了,把五家公司发给了他,结果自己也有点被点醒,发现有些领域自己其实了解不多,可直觉告诉他那里有东西,于是开始去深挖,视野一下子打开了。

Shaan 说,这个练习的作用,是让人不再像一个员工那样思考,而是像一个投资人那样思考。投资人有一个很大的好处,他们可以去有机会的地方,钱在哪里、增长在哪里,他们就往哪里走,比创业者和员工更像游牧的人,而创业者和员工往往喜欢留在自己的行业、自己的赛道里。他引用了 Zynga 创始人 Mark Pincus 在他们节目里说过的话,找对一片水域,比在一片糟糕的水域里当最好的水手重要得多。Mark Pincus 自己就是这样,二十一世纪初他看准了社交网络这片水,做了社交网站,后来做了 Zynga,又投了 Facebook,赚了很多钱。

Sam 也说起他们自己,当年两个人都搬到旧金山,就是因为觉得那里是对的水域,先过去再说,结果真的成了,而且他觉得哪怕只是在那里捡到一点边角料,也已经很值了。他也开玩笑说,看到这些方向,他很希望有人去做,但他自己不会去做了,Shaan 说那是因为他们已经到了人生的另一个阶段,要是在二十几岁,他们大概会冲上去。

这个“一千万美元投五家公司”的练习,在我看来比很多职业规划的建议都管用。大多数人换工作的时候,问的是“我能做什么”,答案只能从过去的经历里找,所以总是在原地打转;换成“如果我是投资人,我会押注哪里”,问题就从自己身上挪到了整个世界的变化上,人自然会去看那些自己还不熟、但正在快速长起来的地方。对刚毕业的人或者刚好空下来的人来说,这道题可以认真做一遍,写下五家公司,再去看看自己离它们有多远。

我自己的一点思考

节目快结束时,Sam 开了个玩笑,说 Shaan 这个“AI 进入实物世界”的说法,其实是把当年的“物联网”拿来换了个名字。二十多年前 O'Reilly Media 那批人就说物联网会是下一件大事,冰箱要联网,家电之间要互相说话,结果并没有真正发生,Shaan 吐槽说,现在用个吸尘器都得先下载一个 App 登录,也不知道为什么非要这样。Sam 的意思是,那批人大概早了二十五年,这一次可能真的要发生了。

我觉得这个玩笑恰好点出了这期节目最值得想的地方。物联网当年没做成,很大一部分原因是它只是给东西接上了网,东西本身并没有因此变得更好用,冰箱联了网,还是那台冰箱。Shaan 说的这些方向不一样,AI 在里面不是一个附加功能,而是在改变这件东西本身怎么被做出来,新药怎么找到,种子怎么育出来,房子怎么造,假肢怎么让人用意念去控制。这种改变需要很长时间,也需要资本和制造能力,可一旦做成,带来的变化会比多一个联网的按钮大得多。

当然,他自己也承认,这份演示里的每一个方向他都没有深入研究过,只是知道这里有机会,具体的切入点要靠真正去做的人一点点挖出来。我很认同他最后那句话的意思,这些方向的好处,不只是能赚钱,而是它们会让世界变得更好,你可以在做一件有意思的新东西的同时,产生真正的影响,再顺便赚到钱。对还在纠结要不要再做一个 AI 工具的人来说,也许值得先抬头看看,有没有哪件实实在在的东西,是你愿意花十年去把它做得更好的。

结尾

也欢迎大家留言讨论,分享你的观点!

觉得内容不错的朋友能够帮忙右下角点个赞,分享一下。您的每次分享,都是在激励我不断产出更好的内容。

欢迎关注深思圈,一起探索更大的世界。

- END -

跳转微信打开

Warp 创始人:如何打造一个自我迭代的软件工厂

2026年11月10日 10:42

深思圈 2026-11-10 10:42 浙江

Warp 创始人 Zach Lloyd 曾负责 Google Docs 的工程工作。他让 AI 从重复失败中找原因,提出流程修改建议。做完一次任务,怎样让团队下次少返工?

你有没有想过,今天让 AI 改代码时纠正过的问题,下次还要不要再纠正一遍?比如它没看项目里的说明就动手,或者写了一堆用处不大的测试,你解释一番,它终于改好了。可到了另一个任务,甚至只是换了一个同事来用,同样的事情又发生了。一个团队每天花不少时间教 AI 怎么干活,这些时间到底有没有让后面的工作变得容易一些?

Warp 创始人 Zach Lloyd 最近讲的软件工厂,讨论的就是这个问题。他以前负责过 Google Docs 的工程工作,现在做的是让团队把一部分软件开发交给 AI。按照他的设想,AI 做过的任务应该能留下记录,从中找出反复出现的问题,再去修改整个团队使用 AI 的方式。他演示了一次这样的修改建议,其中同一类失败已经出现了 37 次。我觉得这个例子比“AI 能不能独立写出一个应用”更值得聊,因为它关系到一个团队用了几个月 AI 以后,究竟比刚开始时多了些什么。

每个人都在用 AI,团队仍然可能每天重复纠错

Zach 接触的很多公司,已经给工程师配上了 AI 编程工具。大家在自己的电脑上开几个任务,让 AI 写功能、修问题,遇到不对的地方再补一句说明。这种工作方式很容易开始,也能帮上忙,但任务做得怎么样,仍然很依赖旁边那个人能不能及时发现问题、给出下一步指示。

他提到一个很实际的麻烦,每个人都在配置自己的工具和工作说明。有人花时间调出了一套好用的方法,另一个人可能完全不知道,还在自己试。等到团队想弄清楚某个任务为什么成功、另一个为什么失败,很难把两次的条件放在一起看。连 AI 当时读到了什么说明,都未必能说清楚。个人可以靠熟练解决这些问题,团队要把这种熟练传给其他人,就需要留下更多东西。

他还担心权限的问题。如果本地 AI 可以使用工程师电脑上已有的权限,一旦出了问题,受到影响的可能就不只是眼前这个任务。把工作放进隔离环境,团队可以更明确地安排它能接触什么。比如只想让它修改某个项目,就应该围绕这项工作提供所需的东西,而不用默认把工程师日常使用的整个环境都交给它。

所以,他主张把这些任务搬进云端隔离的运行环境,让团队能统一管理,也能保留过程。工程师仍然可以在平时用的聊天工具里提出需求,不一定要先学一个新界面,后面的任务则进入同一套系统。这样,一个人刚纠正过的问题,才有机会被其他人看见。对管理这套系统的人来说,也能把不同任务的过程放在一起,了解大家反复花时间处理的究竟是什么。

想让 AI 改进做事的方法,得先把方法写清楚

他所说的软件工厂,包含人和 AI 一起工作的整个过程。人把需求放进去,AI 可以先判断是什么问题,和人一起把需求说清楚,再去实现、检查。每个团队可以决定哪些步骤交给 AI,哪些地方需要人参与。听起来跟现在使用编程助手差不多,区别在于,这些安排需要明确写下来,成为能够检查和修改的一套规则。

Zach 用的是代码仓库来保存它。这里面不只有业务代码,也有 AI 的工作说明,以及每个步骤选用什么模型、允许使用哪些工具。以前这些东西可能分散在个人设置和聊天记录里,现在团队可以看到一个具体版本,也能知道谁在什么时候改了哪一处。比如,原来一个任务来了就开始写代码,后来改成先检查现有实现,这就是一次可以被看见的流程修改。

我觉得把规则写下来这件事,看上去有点笨,却省去了很多说不清楚的争论。假设大家觉得这一周 AI 比上一周好用了,如果期间换过模型,也改过工作说明,光凭感觉很难知道是哪一项起了作用。有了不同版本,至少可以把变化分开看。某条新规则让任务变慢了,也能回到原来的版本,重新考虑它是不是应该用在所有任务上。

这也解释了为什么 AI 有机会参与改进自己工作的系统。编程助手已经能读代码、提交修改,当流程本身也保存在仓库里,它就有了可以修改的对象。这里的“自我改进”,指的是调整工作流程和使用规则,不需要先把模型重新训练一遍。当然,能够提出修改和修改真的有效,还是两回事,后面得有办法判断。

他还强调,这套安排应该容得下不同的模型和工具,用他的话说,“最好的模型和工具一直在变”。今天适合的选择,过一阵未必还合适,如果换一个模型就得重新搭整套流程,试验的代价也太大了。他说的开放主要是这种选择上的自由,并不是说 Warp Factories 本身已经开源,这一点他在回答现场提问时也讲得很清楚。

同一类问题出现了 37 次,应该改哪一处

在 Warp 内部,每次 AI 任务的过程都会被保存下来,包括对话和产出的东西。Zach 可以从一个汇总界面点进去,看某项工作是怎么完成的。对工程师来说,这些记录可以用来排查问题;对他正在做的系统来说,它们也是判断现有流程哪里不合适的依据。

他举了一个特别具体的评分项目,检查 AI 有没有写多余的测试。写测试通常被当成好习惯,但如果只是重复已有的检查,或者为了一个很小的改动加了一堆没有必要的内容,也会增加阅读和维护的工作。只看代码有没有生成、测试有没有通过,看不出这种差别。团队得先把自己在意的问题说清楚,才谈得上让 AI 帮忙找。

他们安排另一组 AI 去检查任务记录,判断有没有出现这些问题,再把失败的情况放在一起,找出重复的做法。Zach 点开的一个改进建议显示,同一类失败出现了 37 次。系统根据这些记录,提出了修改工厂配置的 PR,也就是一份可以被审查的代码修改请求。它找到了问题,还把建议落实到了具体的文件上,团队接下来就能讨论这处改动该不该采用。

我觉得这里最有用的,是把散落在很多次对话里的麻烦放到了一起。只看某一次,你可能觉得提醒一下就好了;如果不同任务里反复出现,继续让每个人临时提醒就很费劲了。想象一下,团队已经写好一份开发说明,AI 却经常没读就开始改代码。每次把说明重新贴给它当然能解决眼前的问题,但也可以检查任务开始时的流程,让它更容易找到并读到那份说明。

不过,37 次也不能直接告诉我们应该加什么规则。有些失败可能看着相似,原因却不一样,仓促加上一条通用指令,还可能妨碍原来做得很好的任务。Zach 展示的是系统提出修改建议的过程,并没有把一次建议等同于问题已经消失。我更关心的是这份修改被采用以后,类似的任务还会不会继续出错,以及其他任务有没有受到影响。

模型适不适合你,可以拿自己做过的工作来试

Zach 对选择模型的看法很直接。今天有人说这个模型最好,明天有人推荐另一个,公共测试也会给出排名,但这些信息不能直接回答它在你们团队里会做得怎么样。一个经常改网页的团队,和一个主要维护后端服务的团队,平时遇到的问题就不一样,适合它们的模型也未必相同。

他的办法是从真实做过的任务里挑出一批,交给不同配置重新做,再比较结果。比如团队想知道哪个模型更适合处理前端工作,就可以把过去具有代表性的前端任务收集起来。选任务也需要花心思,他建议开始时由人挑,放进不同难度的工作。否则,如果只留下特别简单的任务,测出来的结果很漂亮,真正工作时还是会失望。

他展示了一张成本和质量的对比图,其中一种配置的评分对应 93%,另一种是 95%,后者花费大约是前者的三倍。这个例子里,分数来自 AI 对任务结果的评价。它能帮助团队比较配置,但不能直接当成产品上线后的成功率。即便只看这组比较,也没有一个适合所有人的选择:如果团队觉得那一点差别很重要,多花钱可能值得;如果只是一些容易检查的小改动,也可以考虑费用更低的配置。

对我来说,这种比较还有一个好处,就是换模型不用每次都从头凭印象判断。团队把代表性的任务留下来,新模型出来以后,就能拿同一批工作试一遍,看看它具体在哪些地方更好。工作方式改了,也可以用这些任务再检查一次。这样积累几个月以后,手里有的会是一组跟自己业务有关的结果,选模型时也就有了更具体的理由。

AI 给了高分,还得确认用户真的能用

现场有人追问,图上的正确率究竟是怎么判断的。Zach 回答,现在是让大模型来评分,人工评分也很合理,只是他们当时还没有加进去。这个回答会影响我们怎么理解前面那套自我改进的方法,因为后面的修改建议,很大程度上取决于前面把什么判成了好、什么判成了坏。

如果评分规则没能抓住真正的问题,系统就可能花很多时间改善一个不太重要的指标。比如它学会少写测试了,却漏掉了本来应该检查的情况,分数变好并不意味着团队更省心。这是我对这种做法最想继续追问的地方。检查 AI 的工具也得有人检查,尤其是当它的判断开始影响整个团队的工作方式时,最好能回到具体任务,看看那次评分到底有没有道理。

另一个问题更接近日常工作。AI 写得越来越快,待审查的代码修改会不会越积越多?Zach 承认会出现这种情况。他建议在开发前把要求讲清楚,让后面的验证能对照这些要求进行;同时让 AI 实际操作软件,从用户的角度检查功能,并留下能够说明结果的证据。这样,人看修改时就不必从零开始猜它到底能不能用。

想象一下,让 AI 做一个报名表单,它改完代码、通过测试以后,再打开页面填一遍,看看提交后是否真的出现了预期结果。这样的检查仍然需要设计,但比只说一句“已经完成”,给审查者的信息多得多。团队也可以据此决定哪些改动还要仔细看,哪些问题需要退回重做。

这些检查当然也要花钱。有人问预算怎么安排,Zach 的做法是先看每份代码修改的成本,再看其中有多少花在评分和测试上。这让我觉得,讨论 AI 开发便不便宜,得把它完成之后还要做的工作一起算进去。如果生成只花了很少的钱,最后却需要工程师花很长时间确认和修补,就还不能说这次任务已经做得很划算。

团队里会有人专门改进 AI 的工作方式

Zach 把未来的工程工作分成了两类。一类工程师继续负责产品,决定给用户做什么功能、解决什么问题,再通过这套系统完成开发。另一类工作是改进系统本身,让 AI 拿到合适的上下文,调整工作说明,试验不同的模型配置。他把后者叫作工厂工程,可以由平台团队承担,也可以由现有工程师来做。

我觉得这项工作很容易被低估,因为它不像一个新功能那么容易展示。一个人花了半天找出 AI 为什么反复漏看项目说明,最后可能只改了几行配置,表面上没有多少产出。但如果接下来很多任务都少了一轮返工,这几行修改的价值就会慢慢体现出来。前提是团队真的去看修改后的表现,而不是写完一份更长的说明就算完成。

这也不意味着每个人都应该马上搭一套软件工厂。Zach 自己说,一个人做项目,用这样的系统可能太复杂,继续用手边的编程助手就很好。他认为,当团队有大约十名或更多工程师时,统一管理这些工作会更有价值。这个规模更像他的经验判断,我觉得还得看团队有没有经常碰到同类问题,以及有没有人愿意花时间处理它们。

我自己的一点思考

我觉得 Zach 讲的这件事,最值得尝试的地方,是把我们平时随手给 AI 的纠正认真对待起来。很多纠正里其实已经包含了团队的经验,比如为什么这里不能照着现有代码抄,为什么这类修改一定要检查另一个页面。如果任务做完这些解释就散了,下一个人遇到相同情况,仍然要重新讲一遍。

当然,也没必要把每次纠正都变成一条永久规则。有时候只是需求临时变了,有时候是某个任务特别,写进所有人的流程里反而麻烦。可以先留下几次真正让人返工的任务,看看有没有共同原因,挑一个最明确的地方改,再用后来的工作检验。这个过程做得好不好,靠增加多少条说明是看不出来的。

我会先看那些重复发生、已经让人有点厌烦的问题。比如每次开始前都要提醒 AI 去读同一份说明,这件事就很适合试着改进。改完以后,下一次做相似的工作,能不能真的少提醒一句?先把这一件事做好。

结尾

也欢迎大家留言讨论,分享你的观点!

觉得内容不错的朋友能够帮忙右下角点个赞,分享一下。您的每次分享,都是在激励我不断产出更好的内容。

欢迎关注深思圈,一起探索更大的世界。

- END -

跳转微信打开

Gemini 产品负责人谈怎么做前沿模型:模型没法完全预测,产品经理要先读懂它,再去塑造它

2026年11月9日 08:33

深思圈 2026-11-09 08:33 浙江

Google 前沿模型产品负责人 Tulsee Doshi 管着 Gemini、Veo 和 Nano Banana。她做了六年负责任 AI,也把肤色评测从 6 档换成了 10 档。她给新手的第一个评测只有五个问题,自己先当评分的人。

你有没有想过,一个产品经理要怎么给一个连研究员都没法完全预测的东西定目标?做普通产品的时候,需求写清楚,工程师照着做,做出来大体就是那个样子。模型不是这样。同样的数据,同样的训练方案,出来的东西总会有几处你没写进计划里的地方,有的让人惊喜,有的让人头疼。

最近我看到 Google 前沿模型的产品负责人 Tulsee Doshi 在 Lenny 的播客上聊了很多这方面的事,觉得她讲得很实在。她手下的模型很多:Gemini 不用多说,还有做图像和视频的 Nano Banana、Veo、Genie,做音乐的 Lyria,开源的 Gemma,以及对话、翻译、语音合成这一整条音频模型。在这之前,她在 Google 做了六年负责任 AI(Responsible AI)的产品负责人。管过这么多种模型,又长期盯着安全和公平,她看模型的角度跟只盯一个产品的人很不一样。

我从她的话里读出的答案是:模型没法被精确控制的时候,产品经理要靠对模型手感的判断,靠自己动手写的评测,还要靠给还没成熟的能力提前留出一块位置。下面一层一层讲。

模型定了目标也不一定照着来,产品经理要同时盯着进去的和出来的

常规的产品思路是先定目标:要什么能力,要达成什么结果,在哪几项评测上要做到多少。Tulsee 讲,不管是外部客户还是公司内部的同事,听到这些目标以后,往往默认模型就会照着交付。她做了这么久模型的产品,最意外也最有意思的地方恰恰是,目标要定,思路要清楚,但模型是不可预测的。

她用了一个比喻,说这像《哈利·波特》里斯内普的魔药课。配方上的原料你都可以放进去,你也该对结果有预期,可最后总会多出一点魔法,这点魔法是意外的,也是这个模型独有的。所以产品经理的工作有两头,一头是塑造放进模型里的东西,另一头是看它从另一边出来了什么:它在哪些地方特别亮,哪些表现是你没想到的,然后把这些特点做成对用户真正有用的东西。

这并不是说训练是一团乱。她提到研究员会一直盯着每一次训练,看各项指标怎么往上走,判断什么时候该出手干预,这一部分尽量做成科学。但除了指标,还有一层只能靠上手才知道的东西:某个能力提升以后,它最亮眼的场景在哪里,放进产品里是什么样子,跟它说话时它的行为和性格是什么感觉。这些在训练时会有意去设计,可每一轮评测和试用,总会发现一点新的东西。

我认为这里有一个很容易被忽略的区别。指标告诉你某项能力涨了多少,却不会告诉你这个提升在用户眼里是什么。同样是代码能力涨了几个点,有的版本是写得更对,有的是更愿意回头追问需求,有的是改动更少、更稳,用户感受到的是三种完全不同的东西。所以模型训完以后,还得有人把它重新认识一遍,这个人最合适的就是产品经理,因为只有产品经理同时知道用户要什么,也知道训练时想要什么。而认识模型的第一件事,就是看它怎么跟人打交道。

模型本身也有用户体验,这件事要放进训练里去做

说到怎么跟人打交道,Lenny 提了一个很多人都有的感受:现在的 AI 产品越来越复杂,Codex、Claude Code 都是一堆标签页和下拉菜单,找功能要靠运气,一些实验室像是先把能力扔出去,用户怎么用,以后再慢慢把体验做好。

Tulsee 的回答分了几层。头一层,她认为新的交互形态必须有人去试,Google 的实验室团队在做的 Flow 就是一个例子,专门做视频和音乐的编辑与生成,Veo 现在也在往 Omni 的方向做,NotebookLM 又是另一种完全不同的形态。第二层,形态要看用户是谁。AI 模式(AI Mode)面对的是搜索里的几十亿用户,必须每个人都能一眼上手;Anti-gravity 面对的是会用斜杠命令、会在终端和开发环境之间来回切的高级用户,就应该留足灵活度。

她还补了第三层,这一层我觉得最有意思:模型自己也有用户体验。它有多透明,跟你沟通得好不好,它会回头问你什么问题,这些全都是体验。所以她一直在想,怎么把对体验的讨论带进模型训练本身。

做法是这样的。Google 内部有一个专门做模型行为的团队,她的产品团队跟他们一起,先看客户和用户的反馈,再问一个具体的问题:对 Gemini 来说,什么叫好?答案先写成一份规格说明(spec),再翻成评分标准(rubric),再变成可以拿来训练的数据,最后进到奖励模型(reward modeling)里,模型就是按这条线被教出来的。

这条线我认为值得每个做 AI 产品的人看一遍。传统产品经理写完需求文档,后面的事交给工程师;在模型这里,产品经理能出手的位置,正好是把"好"这个字拆开讲清楚。你说不清什么是好,评分标准就写不出来,数据就没法选,奖励模型也就没有方向。换句话说,模型的性格和说话方式不是研究员随手调出来的,是有人先把想要的样子一条一条写下来,才一路传导到模型里。这也解释了为什么她后面反复讲评测,评测就是把"好"写成可以检查的东西。

Google 同时做这么多模型,是为了服务不同的人,也没打算退出前沿

在讲评测之前,先说一下 Google 为什么要同时养这么多种模型,因为这直接决定了产品经理要管多宽。

Lenny 问到一个很多人在讨论的看法:Google 是不是已经落后于最前面的两家实验室。Tulsee 的回答是,Google 的打法是全链条,从硬件到模型,再到服务几十亿用户的终端产品,据她所知有十四个产品的用户已经超过十亿。在这条线上,目标不只是做最前面的体验,还要在成本和质量之间做出一整条曲线上的模型,让不同阶段的人都有合适的选择:来搜索信息的人,要造下一个产品的工程师,保护关键基础设施的网络安全人员,用的是不同的模型。

但她也说得很直接,Google 想赢的就是前沿这场比赛。她不认为应该说 Google 没有参与前沿,Gemini 4 就是继续往前沿推进的一步,也是她希望这段对话播出时大家已经在用的东西。

前沿模型要放出去,安全是绕不开的。她提到一个让她觉得踏实的做法,是给模型加监控,直接盯着模型的思考过程,看它的行为有没有偏离被指示的方向,一旦发现就介入,这样既能更放心地发布,也能知道模型哪里容易出问题,反过来把模型做得更好。她还讲了另一面,AI 也可以用来加固系统。Gemini 4 在跟网络安全防御方合作,包括已经并入 Google 的 Wiz,去找系统里的漏洞并修补;她举的例子是,Wiz 有一个项目,帮一家医院系统发现了漏洞,并且补上了。

我自己的感受是,这种广度对 Google 是优势,也是负担。优势在于,同一套研究能力能同时服务搜索、工程师和安全人员;负担在于,产品多了,用户就找不到,Lenny 提到不少人根本不知道 AI Studio 的存在,说的就是这个。对产品经理来说,这意味着你要同时管成本曲线上不同位置的模型,每一个都要知道它的用户是谁、好是什么意思,而每个"好"的定义都不一样。这个问题最后还是要落回到怎么评测上。

评测可以很小,先写五个问题,再慢慢培养对模型的手感

说到评测,她一上来就承认,这件事 Google 内部也还在摸索,团队里有些产品经理做得好一些,有些弱一些,所以他们在整体上提升大家的能力。她现在招产品经理,越来越看重几样:对模型的手感,也就是真的每天在用这些模型,有自己的观点,有自己判断一个模型好不好的用例;愿意下场,能自己看数据、写评测;还有就是灵活,因为这个领域每两周就变一次,两个月前写的路线图,两个月后就要重写。

对于完全没写过评测的人,她的建议很朴素:从五个问题开始。大家总觉得评测就是搭一个很大的基准测试,其实一个二十个问题的小评测,只要能拉开两个模型的差距,已经很有用,而且不用一开始就把所有环节想清楚。

更朴素的一步是,你自己当第一个评分的人。拿一个问题,看模型的回答,自己判断好不好。尤其是那种很长、很多轮、要走很多步的任务,光是说清楚自己心里的"好"是什么,就已经很难了。她认为,先有一批你自己认可的好例子,你就知道想要的是什么,等想清楚了,再去想怎么扩大规模。

至于手感,她认为没有标准答案,最好是拿你自己真的感兴趣的东西去试,因为你最容易在那里看到模型的魔法。她观察到,不同的人试的东西差别很大,网上很多人用三维动画这类视觉效果来看模型好不好,有人拿它写作文、写创意文章、整理信息,也有人直接丢给它很难的财务分析。她的建议是找一个模型已经有点样子、但还不完美的任务,这样不同模型处理同一件事的差别才会露出来,这本身就是很好的信息。

我认为手感和评测不是两个阵营。手感提出假设,说这个模型好像更会写长文章了;评测验证假设,拿二十个问题去看是不是真的。只有手感,容易被一两个漂亮的例子带偏;只有评测,又容易评出一堆没人关心的分数。她两样都要,这是对的,而且这两样都要从你自己真正在乎的任务开始。

评测不只看模型,裁判和上线环境也会改变结果

评测做起来以后,还有一层是很多人没想到的:你不能只盯着模型。她讲了几件事。负责评分的裁判模型本身也要靠谱,裁判打分不准,你对模型的判断就是错的。模型在你自己的环境里表现好,不代表放进真实产品里还好,因为真实产品里有各种保护措施和过滤器,会影响结果。模型怎么部署、怎么提供服务,同样会影响用户最后拿到什么。

她讲得最多的是音频,因为音频最复杂。除了内容,还有声音是不是自然、语气怎么样、抑扬顿挫对不对,这些恰好是服务方式最容易改变的东西,哪怕模型本身很好,部署一变,声音就可能不对了。所以她的结论是,要在一套干净的环境里,从头到尾评测用户会实际体验到的东西。

她还讲了一个她做负责任 AI 时的例子,来说明旧的评测可能已经不对了。那时他们评估产品里肤色的表现,用的是业内常用的 Fitzpatrick 量表,只有六种肤色。问题有两个:六种肤色装不下世界上真实的多样性;而且这个量表原本是为医疗用途设计的,所以整体偏浅,哪怕只看六档,也不是代表全球人口该有的六档。

后来他们跟哈佛的 Monk 教授合作。Monk 教授从人类学和社会学的角度,用多年的用户调研,建立了一套十档的肤色量表。团队把这套量表拉进评测,重做了很多对产品和模型的评估,又用它去改进 Pixel 相机和图像生成里肤色的表现,让它们在这件事上更有意识。

这个故事我觉得最有价值的地方在于,评测规定了什么算好,规定错了,模型越努力往那个方向优化,就越偏。六档量表当年被当成标准用,没人觉得它有问题,直到有人去问它当初是为什么设计的、为谁设计的。这提醒做评测的人,除了问"模型分数涨了没有",还要时不时回头问一句"这套评分标准本身还对不对"。

60-20-20:六成现在能用,两成差不多能用,两成是已经看到一点光的

评测和手感都有了,下一个问题是产品要往前做多远。Lenny 听过的建议里最常见的一条是,按模型三个月以后的样子去做。Tulsee 有一条自己的办法,叫 60-20-20。

她说比例不必太当真,但道理是一样的。传统的创业智慧是先做一个能用的最小产品;她认为现在应该这样做:六成的东西今天就能用,原型至少是能跑的;两成不完美,但已经能用,而且你能看到模型在很近的将来会在这里变好;还有两成是你希望模型最终到的地方,现在只有一点光,如果能把它做成,就会是非常好的产品体验。这样做出来的东西,今天能用,等模型变强以后,产品也跟着长大。

她为什么不用"三个月后"这个说法?因为即便是做模型的人,也很难准确说出三个月后模型会到哪里。所以她更愿意让产品团队用自己的参照物:我的产品现在在哪,我在哪些地方看到了光,怎么把中间这段补上。这是一个更具体的问法,能回答同一个问题。

我认为这个办法的好处在于,它把赌一个未来,变成了分成几份去投入。过去团队常讲的是组合式的产品投入:几个有野心的大项目,加一批风险低、能稳稳推动指标的小项目。60-20-20 是同一个思路换到模型时代,只不过风险的来源变了,不是用户要不要,而是模型来不来得及。六成保证今天有东西可交,两成留给近期,两成看远处,哪一部分落空了,都不至于全盘皆输。

另一个她很在意的点是产品要能跟着模型变。她见过一些客户围绕当时模型的能力搭了一整套很僵的系统,结果模型已经强了很多,系统却改不动了。Lenny 提到一个说法,叫模型会把你的框架当早饭吃掉,你围着模型搭的那些优化,会随着模型变聪明而失去用处,他还说到有人建议隔一阵就把自己搭的技能全部删掉,看看没有它们会怎样。Tulsee 的回应是,要不停重新测,因为你可能在拿旧结构去硬套新模型,反而限制了它。

这里的 harness(框架),她的解释很简单:就是模型外面的那层包装,包括系统提示词、能用的工具、技能,以及它能拿到的上下文,合起来给模型一个可以工作的环境。这个环境搭得越贴合旧模型,换了新模型以后就越容易成为绊脚石,所以每次模型更新,都值得把老办法拆出来再测一遍。

什么都能做出来的时候,决定做什么的人更值钱了

把模型的事讲到这里,再看产品经理这个职业本身。Lenny 提到最近网上有一个有意思的变化:前一阵很多人说有了 AI 就不需要产品经理,什么都能直接做,后来大家发现,做出来的东西很多没人想用,于是又开始重新认识这个角色。Tulsee 说她喜欢"产品经理的复兴"这个说法,当然她自己是产品经理,难免有点偏。

她的看法是,什么都能很容易做出来的时候,做出一个好东西本身就成了稀缺的价值,品味变得很重要。一个好的产品经理,能从一堆噪音里分辨出信号,找到真正能打开好体验的那个洞察。另一件事在 Google 这样产品很多的地方感受尤其深:当大家都能飞快地做东西,速度本身会带来混乱,这时候能把人聚到一起、推动共识、把混乱理出秩序的人,就变得很重要。

她还聊了网上常见的一类说法,"原型是新的产品需求文档","评测是新的产品需求文档","数据是新的产品需求文档"。她认为这些说法真正说明的是,产品经理不能再只写一份需求,然后默认数据科学家、工程师、研究员或设计师会替你把里面的东西补上,你要多往前走一步,让你交出来的东西有分量,不管这分量是以原型、评测还是数据的形式出现。

这一点和前面几节正好接起来。写评测、写评分标准、拆"好"是什么,其实都是在给需求文档加分量。我的体会是,AI 把执行变便宜以后,写一份漂亮的需求变得没有价值了,真正难的是把一个判断压到足够具体,具体到可以拿来检查、拿来训练、拿来比较。能做到这件事的人,不管他的职位叫什么,都会越来越被需要。

另外,AI 写的文档越来越多,也带来新的麻烦,现在很多人是要花时间读别人用 AI 写的东西。Tulsee 团队的做法是先分清哪些文档适合让 AI 来写。比如产品上线两周后,想知道谁在用、怎么用、反馈怎么样,这种文档 AI 做得又快又好,它会从各个看板和指标里取数,还能整理优势和不足,也能从社交平台上抓取评论。原则是数据交给模型,洞察要留给人。团队还在投入做技能,让模型能稳定拿到正确的数据,把这类文档的结构做规整,省下来的时间用在需要创造力的思考和写作上。

团队怎么跟上:共享技能,留出时间,一件事要做第二遍就问问 AI

数据交给模型、洞察留给人,这条线要落实,团队的使用习惯得先跟上。Lenny 问她是怎么带团队提升的,她的回答让我意外,她说其实更多是团队在帮她。团队里有些人已经很深地用上了内部工具,经常试各种模型,他们做出来的技能别人也能用。所以现在在做的事情是,把某个人做出来、确实在日常工作里有用的技能分享出来,慢慢攒成一个整个产品团队都能用的库。

另一类是已经很会看数据的产品经理,擅长盯着很长的轨迹和过程看出问题,团队就办工作坊,让大家一起把这份信心练出来。她说自己做的事主要是建立信心,让每个人更相信手上的工具,也更有把握把它用好。

但最实在的一点,是时间和空间。她坦率地说,他们还没做到,但正在往这个方向走:人一直在冲刺的时候,很难停下来把工具摸熟,可一旦摸熟了,之后的效率会快十倍。所以 11 月他们要办一个两天的工作坊,把所有产品经理从日常工作里抽出来,专门给时间去做东西、去玩工具。她还在用一条经验法则,同一件事如果要做第二遍,是不是真的得自己做?有些事情当然要自己来,比如策略写两遍也还是要自己写;但有很多事情重复度很高,可以让模型帮忙。

Lenny 在这里补了一个他自己养成的习惯:在冲动和行动之间,插入一句"这件事 AI 能替我做吗"。Tulsee 同意,并且说你只需要一个真正做得很好的例子,就能改变心态。她自己也是这样,以前很难跳出"做我会做的事"这种惯性,直到有一次用了模型,发现确实很有帮助,之后就会越来越多地想"这个也丢给模型试试",对它能做什么的信心也跟着长起来。

我觉得这个过程说明了一件事:学会用 AI,主要不是学一门技术,而是改一个习惯,而习惯要靠一个个具体的小成功来建立。所以她的做法是对的,不是发一份培训资料,而是让大家共享自己做成的小东西,一个人做成一个,别人看到以后才会想"那我也试试"。

累的原因不只是工作时间长,还有混乱和不想做的活

做模型的团队工作量很大,这一点她也不回避,团队里每个人现在都投入了全部的时间,怎么让这个环境可持续,她自己也还在想。不过她对倦怠有个人的看法:倦怠不只来自工作多,主要来自两个地方,一个是混乱和反复,一件事今天定了明天又变;另一个是不喜欢的工作,觉得是在做杂活、在浪费时间。做自己热爱的事当然也会累,但同时会带来更多快乐。

所以她期待这些工具能把杂活和让人烦的部分拿掉,让人有更多时间思考和创造。Lenny 也补了他做的一份调查:工作时间长不等于倦怠,很多人工作得比任何时候都辛苦,也比任何时候都开心,因为能自己做原型,能直接跟客户聊,不用再等工程师。她还提到,团队里每个人来上班的原因都不一样,作为负责人,她要弄清楚每个人的动力,帮他们在自己的位置上做成事。

我认为这里最值得记的是"混乱"这个词。AI 让东西做得更快,也让方向改得更快,如果团队没有清晰的重点,快就会变成混乱,混乱才是最消耗人的。前面讲的 60-20-20 和先拆清楚"好"是什么,在这里也成了减少混乱的办法:目标越清楚,团队越不用反复推翻重来。

我自己的一点思考

回头看这一路,Tulsee 讲的其实是同一件事的三个时间点。模型训练之前,要把"好"写成规格、评分标准和数据;模型出来以后,要靠手感和评测去认识它,看它在哪里亮、在哪里不稳;产品往前做的时候,要给还没成熟的能力提前留位置,同时别把自己锁死在旧模型的样子里。这三件事听起来分得很开,其实都是在回答同一个问题:什么叫好,以及怎么知道它到了没有。

这也是我认为前沿模型这件事对产品经理最有意思的地方。过去产品经理的能力,一半在判断用户要什么,另一半在协调别人把东西做出来;现在协调执行这一半越来越多由工具完成,留下来的是把判断压到足够具体的能力,具体到能写成五个问题、能变成一条评分标准、能在模型更新时再测一遍。

她的建议也不难做。想知道自己有没有这个能力,今天就可以试:挑一件你真正在乎的任务,写五个问题,自己给模型的回答打分,把"好"讲清楚。想让模型做好一件事,先得自己说得清什么叫好。

结尾

也欢迎大家留言讨论,分享你的观点!

觉得内容不错的朋友能够帮忙右下角点个赞,分享一下。您的每次分享,都是在激励我不断产出更好的内容。

欢迎关注深思圈,一起探索更大的世界。

- END -

跳转微信打开

AI 把软件变成免费之后,这八种生意最难被抄走

2026年11月6日 11:45

深思圈 2026-11-06 11:45 浙江

Greg Isenberg 认为,软件、内容和答案都快免费了,产品可以被抄,抄不走的是别的东西。他拆出八个方向:实体生意、许可、注意力、时机、归属感、市场、独有数据、按结果收费,还把自己排在最后的那一个说了出来。

你有没有过这样的感觉:今天刚想到一个点子,打开 AI 工具点几下,几秒钟就能搭出一家公司的样子;可是同一个点子,别人也能在几秒钟里搭出来,连页面都一模一样。

这是现在很多想创业的人的处境。裁员的消息一直没停,做产品的人怕被抄,连年收入几十亿美元的大公司,也会私下担心哪天前沿大模型实验室直接冲着自己的生意来。做创业点子内容的 Greg Isenberg 最近录了一期单人节目,专门讲这件事。他的看法有点反着来:他看到的机会,比以前任何时候都多。

他把答案拆成八个方向:atoms(原子,也就是实体生意)、permission(许可)、attention(注意力)、timing(时机)、belonging(归属感)、liquidity(流动性,也就是撮合买卖双方的市场)、unique data(独有数据)和 outcomes(按结果收费)。这篇文章顺着这八个方向走一遍,我想讲清楚一件事:产品可以被抄,抄不走的是产品之外的东西。

水管工和咖啡店,AI 修不了漏水的马桶

Greg 先从最朴素的一类讲起。做软件的生意,他叫 pixel(像素)生意,东西都在屏幕里;和它对着的是 atoms,摸得着的实体生意,比如一家咖啡店,或者马桶堵了上门来修的水管工。

他的理由很直接:人要喝咖啡,就得有人把咖啡端过来;马桶漏水,AI 没法替你拧那个扳手。实体生意做起来更难,也正因为难,AI 没办法一夜之间把它克隆出去。Greg 还有一个判断,这类生意的估值会往上走,因为做 AI 和科技的钱看清了这里的门槛,会涌进来买。他说苗头已经能看到:讲"无聊生意"的内容到处都是,越来越多的人想往实体里转。

我认同这个方向,原因在于过去十年科技圈最爱的就是"轻":没有库存、没有门店、多卖一份几乎不用多花钱。AI 让轻的东西人人都能做,轻的优势一下子就被摊平了。重的东西反倒留了下来,因为重本身就是成本,别人要花时间、花钱、花力气才追得上。当然,实体生意利润薄,管人管货也累,估值涨不涨是一回事,店能不能开好是另一回事。这条路适合愿意自己下场的人。

实体生意挡住对手的是"难做",接下来这一类,挡住对手的是"不让你做"。

需要许可证,或者需要别人点头的生意

第二类是 permission,意思是这个生意要先拿到某个人或某个机构的同意才能做,别人想抄,第一天就拿不到。

Greg 举了两种。一种是合作关系。比如你开了一家服务公司,成了 Salesforce 或者 Microsoft 的优选供应商,这层关系别人复制不了。不一定要这么大的公司,一家中等规模的公司点头也行,当然越大越好。你有人缘,或者能找到办法见到对的人,谈成一个让大公司帮你卖产品的合作,这就是一道别人绕不过去的门。

另一种是牌照和监管。有些行业得有执照才能做,有些国家想开会计事务所,从业的人得受过规定的教育;想开律所,自己得是律师。你不是律师怎么办?Greg 的办法是找一个律师合伙,你管市场、增长和 AI,他管律所的日常。

我认为这类生意对 AI 的抵抗力最强,因为它卡住的是排队,不是手艺。AI 能让你一天写出一百个功能,却不能让你一天拿到一张牌照,也不能让你一天拿到大公司的合作合同。对不懂行业的创业者,这个思路也很实用:别想着自己啃下整个行业,把你擅长的部分带进去,和手里有资格的人合伙。

前两类靠的是外部世界给的门槛,再往后,要讲的是靠人自己攒出来的东西。第一个就是注意力。

人愿意跟着人走,所以媒体比大家想的更值钱

说到 attention,Greg 的看法是它现在被低估了,因为人们关注的是人。AI 如果用得对,可以帮你把内容生产的系统搭起来,让你的原创内容比以前多得多。

他讲了自己的变化。他以前很讨厌做短视频,自己爱刷,不爱拍,更受不了剪辑。现在是 Opus 5.5 帮他剪,他想拍的时候就拍,按自己的时间安排,过去一周这些内容拿到了几十万次播放,还有人留言说有用。所以在他看来,到了 2026 年、2027 年,已经没有借口不去搭一台持续产出内容的机器。

他讲的也不是开一个账号这么简单,而是做一家媒体公司,形式可以是 newsletter(邮件通讯),可以是梗图账号,也可以是创始人亲自出镜。分发是最重要的一环,这一点大家都清楚。目标是成为一个换不掉的、让人信任的品牌:只要关心某个小圈子,就会来找你。怎么做呢?先选一个特别小众的领域,围绕它搭一台机器,用 AI 放大自己的产出。不一定要自己当脸,但有真人站在前面,效果会更好。他也承认,有些形态的媒体是可以被替代的。

这背后的道理,我认为是内容本身越来越不稀缺。AI 让每个人都能生产无穷多的文字和视频,稀缺的变成了"我信这个来源"。信任是一点一点攒的,没办法一键生成。风险也在这里:做媒体的人变多了,小众领域也会变挤,最后比的是你能不能一直放出别人说不出来的东西。

攒信任需要时间,而且越早开始越划算。所以下一个问题是:怎么知道该早到哪里去。

趋势跑在前面,先到的人手里会多出别人没有的东西

Greg 说,现在每个小众领域里都有趋势,而且比以前多得多,他常常很惊讶,一个趋势刚起来的时候,居然没几个人给这群人做过东西。

他的做法是用 ideabrowser.com 这类工具,或者各种个人 agent 平台,去盯自己关心的那几个小圈子,趋势一冒头,就抢先做点什么。做什么都行:软件、实体产品、一家媒体公司,也可以是后面要讲的市场和数据。

最有意思的是他对"先做"的理解。第一个产品很可能一点都不防 AI,甚至是八类里最容易被抄的。但先到的人在这个过程中攒下了数据、对这个小圈子的了解、品牌和一批信任你的人,这些才是抄不走的。所以他的建议是,每个人都该给自己搭一套找趋势、跟趋势的系统,只盯自己能加分的领域。

我想补一个角度。大家都担心产品被抄,是在拿"产品"当成果。换成"先做的那个人"来看,产品只是一张入场券,真正的收获是入场之后摸清了这群人要什么。别人抄你的页面,抄不走你已经问过的几百次、改过的几十版。

越连得紧越孤独,所以有人愿意为"在一起"付钱

讲 belonging 的时候,Greg 先说了一个现象:人们从没连得这么紧,也从没觉得这么孤独。人想和人待在一起,这里面有很多不会被 AI 取代的生意。

最直接的是付费社群,比如在 Circle 或者 Skool(两个做付费社群的平台)上开一个群,或者每周办一场线上活动,大家互相盯着进度。重点是这个群有一个共同的目标,成员有共同的兴趣,想一起更快做到,还要有人监督,有点乐子。线下更直接,他的朋友 Sam Parr 做的 Hampton,就他了解,是在北美各地办聚会,面向年收入至少 300 万美元的创业者,有点像创业者的互助小组。Greg 觉得这个形态很大,可以问问自己:做一个"别的行业的 Hampton",会是什么样?

这类生意收费不低,成员愿意付几百甚至几千美元,你的位置是挑人,把群组好,再帮他们往前走。线下活动尤其被低估。Greg 他们上周在 Nashville 办了一场活动,请来想用 agent 搭自己业务的创始人,来的人多到他们都不知道怎么接。

难的地方也在这里:哪个小圈子、什么目标、怎么把现场做得好、定多少钱才让人觉得"当然要来"。我认为最后一条是最容易想错的。大家习惯把价格往低压,但对这类生意,价格本身也是在筛人,门槛高一点,来的人才更像同路人。

有了人,就有了供需两头。下一个要讲的,是怎么把这两头撮合起来。

软件没死,市场还有很多空位

常有人对 Greg 说"软件已经完了,别再碰"。他每次给的例子都一样:marketplace(市场)。市场就是一个有供给、有需求的地方,你在网站或者应用上把两头接起来。

他有一个朋友上周前后推出了 final.com,每周都有一批精选的高端收藏级汽车,大家上来竞价。车由他们挑,周围有很多话题,他自己在 Instagram 上有一大批粉丝,就用这些粉丝来推。这是汽车交易里一个小小的新玩法,一下就开出了一个新市场。再往前,Cars & Bids(一个拍卖收藏车的网站)被收购时卖出了一大笔钱,Greg 的说法是好几百万美元。

Greg 觉得市场是有史以来最黏的生意之一:你把注意力拉进来,让两头都留下,这个生意就很扎实,因为这件事本来就很难做成。他的建议有两个。一个是去找已经有粉丝的创作者和媒体公司,给他们搭市场,或者合伙做;另一个是先自己攒出注意力,再去搭流动性。难的是想出一个现在没有的新玩法,或者一个被冷落的小圈子,他们明明很需要一个市场。

市场过去最大的难处是管理:客服工单、各种争议,每一件都要处理好。现在有 AI 和个人 agent 来干大部分重活,一到五个人的团队,就可以撑起一个成交额几百万美元的市场。Greg 很喜欢这一类。

我认为市场放进"AI 抄不走"的名单里很合理,因为它的价值在于两头的人都在这里,不在代码。而代码恰恰是 AI 最擅长复制的东西,人却不会因为你复制了一个页面就搬家。可是这也是最难的一步:先有人才有人,鸡生蛋蛋生鸡的问题还在,AI 并没有替你解决。所以前面讲的注意力,才会被放在这么前面。

别人拿不到的数据,是另一种稀缺

说到 unique data,Greg 先讲了这几个月在圈子里很火的数据中间商:他们一周能赚好几百万美元。生意的结构很简单,一头是你手里有别人没有的某种数据,另一头是需要这种数据的买家。最早是编程数据,像 Mercor、micro1 这样的平台,把编程数据整理好卖给大模型公司。现在大模型对新类型的数据仍然很饥渴,所以这个游戏的核心问题就是:你能拿到什么别人拿不到的数据,怎么卖给他们。

他说的第二种叫 data-rich(数据密集)的生意,是你有办法接触到一批不容易拿到的数据,做成一个整理过的目录(curated directory),让人付费来用。他预期接下来几年,会有大量精选的网站和应用冒出来。原因是 LLM(大语言模型)和社交信息流给了每个人无穷无尽的内容,大家反而更想找一个经过筛选、确实高质量的地方。

他随口举了餐厅评价的例子。谷歌和 Yelp 上的评价越来越两极,要么五星要么一星,平均下来是个三点几,而且很多评价是刷出来的。要是有一个应用,能给我真正高质量的餐厅推荐,评价不是爱就是恨,我愿意付钱。Greg 也说,这是消费者生意,风险更高,成功概率更小。他看好的是企业、专业个人用户和中小企业这几块,消费者也有机会。他的思路是,创造别人拿不到的数据,然后做成网站或应用按月收费,卖给大模型公司,或者两头都做。

我认为这一类最值得想的是"为什么拿得到"。数据值钱不在于量,而在于别人拿不到。这通常要靠前面几类的积累:做过媒体有了信任,做过社群有了关系,做过市场有了交易记录。数据很少是凭空挖出来的,大多是做别的事时留下的副产品。这就把八个方向连上了。

按结果收费,Greg 自己排在最后的一个

最后一类是 outcomes,客户为结果付钱。Greg 认为会有越来越多的自动化 AI 服务,一批 agent 替你把活干了。他以前讲过一个例子:做一家完全由各种创作模型运转的创意公司,当场生成 logo,当场生成落地页。还有一个例子,盯着 Fiverr 和 Upwork(两个接零活的平台)看人们愿意为什么付钱,再做一台机器去投标接活。

靠什么守住?他说,靠背景信息、数据,以及你搭起来的整套系统。只要你的系统在某一类产出上是最好的,就有一点防御力。办法是给最好的 agent 喂最好的数据、最好的观察和最好的灵感,再加上前面讲过的许可,比如和某家公司有别人谈不到的合作。

但他明说,如果让他排序,这一类不会排在最前面,大概是最靠后的。他不想把八个全排出来,只说实体和牌照这两类很强。

这个排序我觉得是最有信息量的一句话。看看排在后面的是什么:做出结果的主要力量就是 AI 本身。越靠 AI 干活,别人越容易用同样的 AI 干同样的活;越靠 AI 之外的东西,比如一张牌照、一个信你的人群、一份别人没有的数据,越难被追上。

我自己的一点思考

八个方向看下来,我觉得它们回答的是同一个问题:当做出东西不再花钱,别人凭什么还要选你?Greg 的答案是一串"做出来之后"的东西:有人需要你亲手到场,有人要你点头,有人信你,有人早一步到了,有人在你这里认识了彼此,有人在你这里完成了交易,有人用你的数据,有人为你的结果付钱。

他最后特别强调,不要只选一个类别。可以把注意力和归属感混在一起,把许可和流动性混在一起,也可以把结果和独有数据混在一起。我认为这是对的,因为单独的一类,对手总能找到办法绕过去;叠在一起之后,对手要同时补上几样,成本就高了。比如先用媒体攒下一批信你的人,再给他们搭一个市场,市场里沉淀出别人没有的数据,数据反过来让服务做得更好。每一步都不难,合起来别人就很难追上。

我也有疑问。第一,这八类里大多数是慢生意,要熬时间,而 AI 带来的是"什么都能快"的预期,人会不会耐不住?第二,媒体和社群都会越来越挤,到时候比的还是谁更会选人、更会做现场。第三,数据这一类依赖大模型公司的胃口,买家的需求变了,生意就跟着变。

Greg 的结尾是:越乱的时候,机会越多。我同意,只是这个机会,给的是愿意花时间做 AI 复制不了的那部分事情的人。

产品一天就能做出来,让人愿意留下来的东西,一天做不出来。

结尾

也欢迎大家留言讨论,分享你的观点!

觉得内容不错的朋友能够帮忙右下角点个赞,分享一下。您的每次分享,都是在激励我不断产出更好的内容。

欢迎关注深思圈,一起探索更大的世界。

- END -

跳转微信打开

a16z 对话 Huberman:创业者如何保持高精力的人生

2026年11月5日 13:13

深思圈 2026-11-05 13:13 浙江

Andrew Huberman 在 a16z 的节目里讲了自己一整天的安排:上午 9 点半和傍晚 4 点 35 分,是他脑子最好用的两段时间。运动、咖啡因、午休和睡觉都围着它们排,连手机都锁进了盒子。

如果有人问你,一天里脑子最清楚的是几点到几点,你答得上来吗?多数人答不上来。我们习惯把一天当成整整一块,从早干到晚,困了就喝咖啡,累了就刷手机,晚上再为没做完的事过意不去。

Andrew Huberman 是斯坦福的神经科学家,他的播客 2021 年 1 月开播,不少人跟着他晒早晨的太阳、推迟咖啡、做力量训练。a16z(Andreessen Horowitz,硅谷知名的风险投资机构)的创始人 Marc Andreessen,就说自己是因为他才戒的酒。最近他在 a16z 的节目里,和合伙人 Daisy Wolf 把自己一整天的安排从头讲到尾,从醒来后的第一个 5 分钟,讲到睡前的最后一个小时。

我听完最想写的,不是哪一个具体的习惯,而是把这些习惯串在一起的那条线。他每天有两段时间脑子最好用,加起来大约六个小时,运动、吃饭、休息、睡觉,几乎都是围着这两段时间排的。下面一节一节讲。

他一天里最好用的脑子,只有两段,每段三个小时

第一段是上午 9 点半到中午 12 点半,第二段是傍晚 4 点 35 分到 7 点左右,在晚饭之前。Huberman 把这两段叫作 work bouts(工作回合),意思是一场一场的较量,他自己的讲法是,真正的工作要当成一场仗来打。两段之间,午后有一个明显的低谷,注意力会往下掉。

这个时间表只属于他自己。他能感觉到上午 11 点前后是自己最来劲的时候,甚至希望这个状态能早到 7 点。别人的高峰可能在深夜,也可能在下午,比如他的朋友 Rick Rubin(著名音乐制作人)。Rick 早上慢慢进入一天,保持平静,真正干活的时间集中在下午,到晚上才收下来,但那几个小时里他也是拼命在干的。Huberman 的建议很朴素:先弄清楚你自己的那两段在哪里,这个答案还会随人生阶段变。

为什么是两段,不是一整天?他的观察是,很少有人能连着专注八九个小时,而第二天不被拖垮。三个小时深度工作,下午再来三个小时,已经不少了。

我认为这个思路最有用的地方,是顺序反过来了。多数人想多出活,第一反应是多干几个小时。他先承认好时间就这么多,把它们当成一天里最稀缺的东西来分配,然后围着它们安排其余的事。接下来几节讲的,都是他怎么为这六个小时做准备。

运动放在 9 点以前,是为了不占用上午那段好时间

这条线最直接的体现,是他把运动排在 9 点以前。他试过不同的时间,发现 9 点前运动,一天剩下的时间精力和专注都更足。如果拖到上午 11 点,正好占掉他状态最好的时候,到下午 3 点人就累垮了。他还补了一句很直白的话:他和大多数创始人一样,不是靠运动挣钱的,所以不能让运动挤掉那三个小时。

他起床后的顺序是这样的。手机不放在卧室里。刚醒的时候他人是迷糊的,脑子里全是要办的事,所以先上厕所,再设一个 5 分钟的闹钟,坐下来做最普通的呼吸冥想。接着出门晒太阳,有时上屋顶,有时走一圈,带一杯水,阴天也一样。如果天还没亮,就打开一盏 10000 勒克斯(lux,光照强度的单位,数字越大越亮)的灯,一边冲咖啡一边坐在灯前。要运动的话,咖啡因运动前就喝,不等,常喝的是马黛茶(yerba mate,南美的一种茶)。

这 5 分钟的冥想,他讲得比较细。他原来以为冥想是为了让脑子安静下来,后来听了威斯康星大学几位做脑成像的研究者的解释,才明白真正的好处是看清脑子有多乱,并且不去理它。他引了一个别人的说法,叫"脑子里的乳酸":举重最后几下的酸痛会触发肌肉的适应,看着脑子里的混乱而不做任何反应,对专注和觉察也是同样的训练。练久了,一天里更容易分清哪些念头值得理会,哪些不值得。

我注意到这套顺序每一步都在为后面铺路。先坐 5 分钟,让脑子从刚醒的混乱里出来;先见光,告诉身体白天开始了;先把运动做完,9 点半一到,那段最好的时间就可以整个拿来干活。

力量训练一周三次,每次的做法他讲得很具体

运动要在 9 点以前做完,就得又短又有效。他用的这套方案跑了 35 年,现在 50 岁,没有出过大的伤病。每周三天做力量训练,另外两三天做心肺训练。

三次力量训练各有分工。第一天练腿,大约一个小时,是一周里最辛苦的一次,他说如果一周只能练一次,就练这个,因为腿部的肌肉最多,对激素和代谢的影响也最大。练完休息一到两天,第二次练上半身的推和拉:胸推、肩推、引体向上或高位下拉,再加一个划船动作,姿势不好的人可以加一点颈部训练。再休息一天,第三次练手臂、小腿和腹部这些小肌群。

每个动作的做法都一样。先做一组很轻的,10 到 12 次,让血流起来;再做一组中等重量的,本来能做 10 次,只做 3 次,让神经系统先适应;然后是两组真正的工作组,组间休息 3 到 4 分钟,每组都用标准动作做到再也做不动为止。每个部位只做两三个动作,总量很小。每次练完写下来,下一次加重量或者加次数。

心肺训练里,他最常用的是冲刺间歇:先轻松蹬一分钟,再 20 秒全力、10 秒休息,重复 8 次,连热身大约 6 分钟。他用的是风阻单车(Airdyne,手臂和腿一起用力的那种),划船机和跑步也可以,选一个你能接近最大强度、又不会受伤的。另外每周找一天去长距离徒步,背个背包或者负重背心,让心率上来。

他提醒了一件事:别因为被别人的训练挑战到,就跟着去做。他自己没出过大伤,主要靠的是没做的那些事。普通自行车他骑着不舒服,所以不骑;跑步和风阻单车感觉对,才留下来。

这套安排的特点是总量小。每个部位只有两组真正吃力的,一次 45 到 60 分钟,练完不会被累垮,恢复也快。一位踢过美国大学一级联赛足球的女士照着练,说这只有她以前三分之一的训练量,没想到这么有效。放回我们的主线上看,这一点很重要:运动是为了让后面的工作时间更好,一个练完第二天还走不稳的方案,会把上午那段好时间拿走。

午后他会躺下休息一会儿,傍晚再出门看落日

练完腿,他先补碳水和水果,因为练得够狠,需要补回糖原(glycogen,肌肉里储存的能量)。那天他吃了香蕉、蓝莓、乳清蛋白、燕麦,还有抹了黄油、撒了盐的酸面包,大概三个小时后吃正常的午饭,牛排配黄瓜、番茄和米饭。他不吃西兰花,吃了不舒服。他的看法是,纤维很重要,但不少人对某些高纤维的食物会消化不好,办法是先单独吃单一的食物,试出哪个适合自己,而不是每天吃三明治、炖菜、披萨这类混在一起的东西,永远分不清是哪样出的问题。

午后的低谷,他靠 NSDR(non-sleep deep rest,非睡眠深度休息,也就是他常讲的 yoga nidra)来处理:躺下 10 到 30 分钟,身体深度放松,脑子刻意保持清醒。睡得好的时候不用做,但他承认自己多数时候睡不够。在他的体验里,这样能恢复精力,又不会像午睡那样醒来迷糊(sleep inertia,睡眠惯性)。Marc Andreessen 常在网上调侃他,说这不就是午睡。Huberman 的回应是,这不是午睡,Marc,不过他很欣赏这个玩笑。

到傍晚第二段开始之前,他还有一个习惯:日落前出门走一走,或者站在室外朝太阳的方向看一会儿,阴天也一样。这是他大学暑假在斯坦福睡眠实验室打工时学来的,当时的研究人员每天傍晚从地下室走出去看日落,说这样能调节生物钟。那是 90 年代中期,眼睛里感知环境光线、并告诉大脑生物钟的那类神经细胞,要到 2000 年代初才被发现。他想强调的是,有些做法明显有益,原理是后来才弄清楚的,不必等机制全部研究透了再开始。咖啡因他到下午 2 点就停,再晚入睡会有困难。

我觉得这一节能看出他不是平均用力的。上午靠运动、见光和咖啡因把状态拉起来,午后用一次休息接上,傍晚靠光线和停掉咖啡因给晚上做准备。每个习惯都对着一个时间点,不是随手叠上去的。

晚上的安排是为第二天做准备,他自己也睡不满 8 小时

晚饭吃多少,看当天有没有训练。练了的日子他饿,吃得跟午饭差不多;没练的日子就吃得少些,蛋白质也少些。最后一口饭大约在 7 点半到 8 点,他 11 点左右睡,所以并不死守睡前几小时不吃东西。最后一个小时调暗灯光,把手机收起来,因为深夜太容易陷进聊天。他还会戴一副红色镜片的眼镜。

谈到晚上的蓝光,他讲了一个我觉得很实在的观点:人和人对光的敏感差别很大。有人哪怕只有 100 勒克斯这么暗的光,隔着眼皮也会被扰乱,皮质醇升高,睡不好;有人几乎没反应,原因目前还不清楚,和眼睛颜色深浅也没有关系。他自己属于敏感的那类,晚上头顶太亮就难入睡,或者睡到半夜醒。所以他的建议是自己试,把灯调暗要是有用,就继续这么做。

对自己的睡眠,他也很坦白。他 11 点睡,会在 6 点到 7 点之间醒;如果 9 点就睡,5 点就醒。九成的夜晚他都会起来上一次厕所,已经想不起上一次整整 8 小时不醒是什么时候。他知道别人会觉得意外:你不是研究睡眠的吗?他承认自己和很多人一样,很难早睡。

所以他的办法不是追求完美的睡眠,而是给睡眠留退路。睡不着时做长呼气来放慢心率;闭上眼睛,让眼球左右、上下来回转动,据他的解释,这会打乱身体对自己位置的感觉,人更容易睡着。他自己睡 6 个小时也能撑,因为知道怎么调节白天的精力。我认为这种不怕睡不够的底气,比 8 小时这个数字本身更值得学,因为大多数人没有条件天天睡满。

只能选三件事的话,他选了早晨的光、力量训练和睡眠

Daisy 问他,如果只能给大家三个建议,会是什么。他的答案是:起床后 30 到 60 分钟内见强光,最好是阳光,没有就用 10000 勒克斯的灯;做他讲的这套力量训练,他说会整个改变你的生活,女性朋友担心练得太壮,他说不会发生;最后是想办法让自己能睡到的那部分睡眠质量最高,找一个能睡到最多深睡的睡觉时间,不要错过。

这三件事都不花钱,也不需要整天做。他还提醒,做这些事是为了支撑生活的其他部分,让你的公司做成,让你将来有资源换一种活法;如果把什么方案都塞进一天,人只会被耗空。他自己也不追求吃得最干净。他发现吃得太干净一阵子,反而力气小、心情差、进步慢,所以偶尔会来几片意式香肠披萨,他最爱的组合是脂肪加淀粉。

这是整场对话里我觉得最容易被略过的一句。健康这件事最常见的毛病,是方案越加越多,今天加一项,明天再加一项,最后健康本身成了第二份工作。Huberman 自己的清单其实不短,所以这个提醒更值得认真听。每加一项之前,可以先问一句:它能让那两段时间变得更好吗?不能,就先放一放。

为了守住那两段时间,他把社交媒体的手机锁进了盒子

被问到有什么事是自己劝别人、自己却做不好的,他的答案是社交媒体。最近他把 X 和 Instagram 挪到另一部手机上,别人发来的链接在主手机上点不开,再把这部手机锁进一个盒子,每次只放出来一个小时。他形容这是监狱级别的锁盒,自己没法随手打开。他对此有点羞愧,觉得本来应该管得住自己;可是算法实在太好了,他在上面又是主动互动的,要看别人的评论,要解释,还要判断对方是不是出于善意,时间过得很快。

手机的影响有研究支持。他提到的一项研究发现,手机哪怕关机、放在包里、椅子底下,人依然能专注,但需要多调动一部分认知资源。所以他平时把手机放在另一个房间,锁盒是比这更严的一层。

这和那两段时间是连着的。他最担心的,是在其中一段里,注意力被一件和公司无关的事拽走。损失的不止是那三四个小时,因为这几个小时里做出来的东西,比之后补的、赶的要多得多,而且这样的消耗还会挤占个人生活。所以他的办法是把这段时间当成最重要的事守着,只有家人和同事遇到紧急情况才能找到你。

我认为这里有一个容易被混淆的地方。晒太阳、运动、睡觉,决定的是你有没有好状态,注意力决定这个状态有没有被用上。前面都做对了,如果那三个小时被几条通知切碎,就等于白做了。

切换工作状态之前,他建议每天留一段没有任何输入的时间

以前硅谷有种说法,成功的创始人都冥想,Huberman 从小在这里长大,一度怀疑这是不是真的。现在他的理解是,创始人大部分时间都在对刺激做出反应,处理一件接一件的任务,所以每天至少要有一次,哪怕几分钟,从这种状态里退出来,往里看一看,检查自己的精力有没有放对地方。

有些人容易被一场对话、一条网上看到的东西牵着,之后两个小时的想法都受它影响;另一些人切换得很干净。他自己属于前一种,一场有意思的谈话会一直留着,影响接下来的事。所以他觉得,在两件事之间回到一个没有输入的状态很重要。至于任务切换(task switching)该怎么练,目前还没有正式的方法,需要更多数据。

他和 Rick Rubin 在琢磨一些不是冥想的工具,想让人坐下来工作之前,先给自己的脑子设好接下来要做什么。他觉得神经技术(neurotechnology)最先会在睡眠上做成,因为目标很清楚:要睡着,要醒着。他试过一款靠控制眼球运动来助眠的睡眠面罩,6 分钟就睡着了。专注就复杂些,要清醒,又不能过于清醒,太困和太亢奋都会分心,他讲的是一条倒 U 形的曲线(inverted U),最好的状态在顶点上。

这些设想还早,我觉得方向是对的。现在我们坐下来工作,基本靠意志力,对自己说一声"好,开始专注"。如果能有工具帮人更快地进入状态,那两段时间的利用率会更高。不过在这之前,每天先留一个没有输入的空当,就是现成能做的。

每周要有一天完全停下来,才能一年一年做下去

对话接近尾声,Huberman 讲了他读研究生时得到的一条最好的建议。给他建议的是神经科学家 Bob Knight,在加州大学伯克利分校和旧金山分校都工作过。意思是:先弄清楚自己每天能持续做多少真正的工作,再想一个不伤身体的办法,每周把自己重置一次。

Bob Knight 的重置方式是钓鱼。Huberman 对钓鱼兴趣一般,他喜欢远足,去大自然里,和朋友一起。他按这个办法,算出自己每天能工作多少小时,每周工作五天,周中偶尔有个低谷,然后坚持了 25 年。他的父亲也是科学家,在施乐 PARC(Xerox PARC,施乐的研究中心)待过很久,曾告诉他,这是一场耐力赛,要当长跑选手。

他还提到,靠大量兴奋类药物一路猛冲的人,往往也是崩掉后消失的那一批。每周有一天完全和工作断开,是为了回来的时候还有力气。他当博士后的时候,把这一套想得更认真:早点睡,就能比别人多挤出一个小时做实验,他甚至把做实验用的托盘带去听讲座。他自己也承认,要是人人都这么干会出问题,但他想说的是,如果你认真对待自己和自己的工作,就应该这样安排一天。

我自己的一点思考

听完这场对话,我最大的感受是,Huberman 讲的每一个习惯,单独拿出来都不新鲜,晒太阳、力量训练、睡觉、冥想,大家都听过很多遍。有价值的是他排列它们的方式:先找到自己最好用的那两段时间,再倒过来决定运动放在几点、咖啡喝到几点、午后休息多久、晚上几点关灯。

这个顺序给每个习惯定了一个检验标准。你不用去问它是不是研究证明过的,是不是最新的,只要问它有没有让你在那两段时间里状态更好。没有的,再流行也可以不做。他的清单很长,但每一项都有明确的时间点和理由,所以长而不乱。

另一层是关于上限。他承认自己睡不满 8 小时,承认手机的问题要靠锁盒解决,承认一周需要一天完全停下来。我反而因此觉得他可信。把一天安排得这么满的人,往往更清楚自己的极限在哪里。很多人把自律想成能做得更多,他的版本是:知道自己最多能做多少,然后每天稳稳地做到,一做就是 25 年。

如果想试一试,不用先去买灯、买锁盒、改作息。先花一两个星期,记下自己每天几点最清醒,几点开始发空,找到你自己的那两段,然后守住它们。

结尾

也欢迎大家留言讨论,分享你的观点!

觉得内容不错的朋友能够帮忙右下角点个赞,分享一下。您的每次分享,都是在激励我不断产出更好的内容。

欢迎关注深思圈,一起探索更大的世界。

- END -

跳转微信打开

累计融资数千万美元,这家 AI 公司只做一件事,帮你决定今晚去哪

2026年11月4日 13:28

深思圈 2026-11-04 13:28 浙江

Karpo 由豆包早期成员 Leah 创办,累计融资数千万美元,高瓴、蓝驰在列。

周五下班前,朋友在群里问了一句:"今晚做点什么?"你想了半天,回的是"随便"。其实你心里有点感觉,想去个安静一点、灯光暗一点的地方,不想太吵,也不想一个人待着,只是这个感觉怎么也变不成一个店名。

这种时候,手机里的大部分 AI 帮不上忙。它们都在等一个问题,你得先知道自己要什么,它才能回答,或者去办。可是人的很多愿望,在变成问题之前,只是一种心情。Karpo 想接住的就是这一段。它是 MachinePulse 做的第一个产品,专门帮人安排下班后和周末。创始人 Leah 是 98 年生的,之前在豆包的早期团队负责模型的策略产品,参与了豆包从 0 到 1 亿日活用户(DAU)的过程。她认为 Personal AI(个人 AI)的竞争正在换一个位置:谁先接住那个念头,谁才有机会走进用户真实的生活。

一句"今晚做点什么",为什么大多数 AI 接不住

今年 9 月,个人智能体(Personal Agent,替用户长期办事的 AI 助手)几乎同时被各家推出来。Meta 的 Muse 上线 13 天,下载量超过 250 万;OpenAI、Manus 也各自拿出了新产品,国内的千问、豆包都在加紧推进。旧金山一家只有 14 人的公司 Instinct,拿到 10 亿美元融资,估值 100 亿美元。大家比的是同一件事:谁能把用户交代的任务办得更好,比如比价、订票、取消订阅。

Leah 的看法是,竞争的重心会往前挪一步。她的原话是:"对 Personal AI 来说,最重要的就是两件事。意图,以及基于意图进行供给的个性化生成。意图是一切的起点,但我不觉得这件事是行业共识。"她把这叫作"意图前插的竞争":需求还没成形的时候先接住,再去组织后面的供给,最后把交易做成。

这一步之所以难,是因为人在生活决策里很少带着明确的问题。查资料、办手续的时候,人通常知道自己要什么;可今晚去哪吃饭,周末去哪走走,往往是先有感觉,后有答案。Karpo 里七八成的输入都很模糊,可能只是一句"周末不想宅着",或者一种想要的氛围。搜索擅长回答"我要去哪家店",帮不上"我也不知道想去哪"的人,只会等明确指令的 AI 也一样。我认为,谁先把这类说不清的念头接住,谁就更有机会把后面的订位、买票一并做成。

Karpo 是什么,它为什么不宣称做一个什么都管的助手

Karpo 是一个主动式的城市生活 AI 助手,名字来自拉丁语的 Carpe Diem(及时行乐)。它只管吃、喝、玩这一类线下生活:餐厅、酒吧、演出、展览、周末的活动安排。用户从一个心情、一个念头出发,它给出建议,再一步步推到订位、买票、同步日历,必要时还会打电话向商家确认座位和价格。产品先从苹果手机自带的信息应用 iMessage 起步,用户直接在聊天里对话,也能把它拉进群聊,让它收集几个朋友的想法,排出一个大家都能接受的计划。现在已经有独立的 App,目前主要面向海外,覆盖纽约、伦敦这样的城市。

团队花最大力气的部分不是邮件处理、日程管理这件事,这和 Muse 这类通用产品很不一样。Leah 把 Agent 分成两种。一种是代替人,做偏脑力的工作,她认为那主要是模型公司的机会;另一种是代理人,处理生活里的需求,牵涉场景、线下供给和品牌气质,创业公司在这里有空间。大厂可以把通用的打法铺得很开,但创业公司更应该找到一根足够尖的针。

垂直的代价,是一开始就放弃很大一块市场;换来的是体验可以做完整。念头交出去之后,要有一张知道城市里每个晚上在发生什么的供给网,才能把事办到底,这也是 Karpo 把精力放在各城市本地供给上的原因。

主动不是打扰,是在合适的时候给出建议

谈到"主动",容易想到手机里天天弹出来的推送。Karpo 的触发来自几类信号:用户自己设的定时任务,对需求的推测(比如出发去某个城市之前提醒你),还有位置、日历、Apple Music 里的变化。大约三成用户连了 Apple Music,它会按你的歌单品味去挑酒吧。打扰的边界由公司来定,再根据用户回复的多少不断调整,用户不理它,它就收敛。

对那些模糊的念头,团队还做了一个叫 VibePad 的工具,一个四象限的滑杆。用户拖动位置,把"今晚想要的 vibe(氛围)"变成一条清楚的指令,由苹果的端侧模型(直接跑在手机上的小模型)当场生成。

有两个例子最能看出这条路径。有人对 Karpo 输入:"Deep, moody romance. 想要一个让整个世界消失的地方。"Karpo 推荐了一家叫 Red Light 的酒吧,要按下隐藏的门铃才能进去,里面是琥珀色的灯光、天鹅绒沙发,还有现场的钢琴师。对方回了一句:"Yes. That’s exactly what I want."

另一个例子里,有人的父母来纽约,只待一个晚上。老人不喜欢太潮的地方,自己的预算也有限,他把这些条件原样告诉了 Karpo。Karpo 没有只给一家餐厅,而是排出一条东村(East Village)的步行路线:先去 Superiority Burger 吃晚饭,价格不高;再到 McSorley’s Old Ale House,一家有纽约历史感的老酒馆;最后在甜点店 Veniero’s 收尾。全程步行,人均约 46 美元。

这两个例子里,一个给的是氛围,一个给的是一串零散的条件,地点和先后顺序都是 Karpo 接着补出来的。

为什么偏偏从吃喝玩乐切进去

吃喝玩乐看上去是轻场景,里面的变量一点也不少:本地有什么,用户喜欢什么,几点出发,几个人去。用户常常不是没有选择,而是不知道此刻哪个最合适;商家也有位子、有演出,却找不到对的人。Karpo 要做的就是把这两头连起来。

连起来要有供给。Karpo 不要求商家先入驻,而是通过外卖平台、票务平台这些现成的渠道把交易接通,再把零散的供给串成一条完整的体验,比如前面那条东村的步行路线,或者给爱听灵异故事的用户推荐一家和著名鬼故事有关的旅馆。收入目前主要来自交易抽佣。

从 Leah 给出的画像看,用户集中在 25 到 35 岁,大多生活在大都市圈,一个典型用户每月通过 Karpo 促成的交易平均有 500 到 600 美元。餐饮约占四成,演出展览等活动约占三成,旅行约占两成。我更看重的是留存:用过的品类越多,留得越好,说明用户在把越来越多的决定交给它。有位金融行业的用户在同一家酒吧去了五年,用上之后开始去新地方。

回到开头那个周五晚上。如果不必先想好店名,只要把"想要一个安静的、暗一点的地方"交出去,决定的起点就从一个具体的目标,挪到了一种还没来得及命名的感觉。

我自己的一点思考

回到开头那个周五晚上。如果你不需要先知道去哪家店,只要把"想要一个安静的、暗一点的地方"交出去,消费的起点就变了:从搜索一个已经知道的目标,变成探索一个还没有名字的需求。

这会带来什么,我认为可以从三个方向想。选择会变多,很多人原本只去固定的几家,现在会被带去没听过的地方。次数会变多,决定的门槛降下来,出门自然更频繁。同一个人还会反复发生这类消费,因为偏好被记住了,每一次都比上一次更准。对商家来说,被找到的方式也会变,不再只靠排名和广告位,而要看自己的气质配不配得上某个人此刻的心情。

当然,这套逻辑能不能成立,要看 AI 是否真的听得懂"让整个世界消失的地方"到底是哪一种地方,并且每一次都不让人失望。

Personal Agent 的下半场,比的也许不是谁办事更快,而是谁更早听懂人还没开口的那一句。

结尾

也欢迎大家留言讨论,分享你的观点!

觉得内容不错的朋友能够帮忙右下角点个赞,分享一下。您的每次分享,都是在激励我不断产出更好的内容。

欢迎关注深思圈,一起探索更大的世界。

- END -

跳转微信打开

a16z谈机器人:先让它去工厂干活,数据和智能才会跟着来

2026年11月3日 17:10

深思圈 2026-11-03 17:10 浙江

Tutor Intelligence 成立五年半,约 160 人,机器人已帮工厂做出并发走超过两亿五千万件商品。创始人 Josh Gruenstein 说,客户大多从没买过机器人,他们先问的是:一小时 16 美元,要不要?

你有没有想过,你家里的洗发水、除臭剂、蜡笔,是怎么装进纸箱的?很多人脑子里的画面,是一条全自动的流水线,机器轰隆隆地转,里面几乎看不到人。可真走进美国的大型工厂和仓库,看到的是一排人站在传送带或折叠桌前,一件一件用手在装、在搬。就连 iPhone 的包装,到今天也还是人在做。

最近我看到 Tutor Intelligence(一家做工业机器人的公司)的联合创始人兼 CEO Josh Gruenstein,和 a16z 的两位合伙人 Martin Casado、Raghu Raghuram 聊了很久。公司成立五年半,大约 160 人,总部在波士顿。Josh 讲了他怎么让机器人真的走进这些工厂,我听完想了好几天,觉得值得写下来。

美国的工厂里,大部分活还是人在用手干

先说 Josh 眼里的市场。大多数人对工厂的印象,来自一档叫 How It's Made(《制造的过程》)的电视节目,镜头里全是环环相扣的机器,几乎看不到人。那样的工厂确实有,但只占美国制造和物流业最顶尖的万分之一,所以才值得拍成节目。剩下的绝大部分,是占地上百万平方英尺的厂房,里面一群人站着干活。

这些活又累又难招人。Josh 给的数字是,三个月就有人离职,干这类活的工人平均 55 岁,很快要退休。再看机器人,2025 年美国新装的工业机器人工作站只有 3.8 万个,十家工厂和仓库里,有九家一台机器人都没有。传统的工业机器人(比如发那科、ABB 这一类)大多不在美国生产,而且是卖给系统集成商(帮工厂把机器装进产线的承包公司)的,专门干快速重复的动作,换一个活就得重新定制。

所以 Tutor 的客户,几乎都是第一次买机器人的人。Josh 管这样的市场叫 greenfield(白地,指从没被开发过的新市场)。到现在,Tutor 的机器人已经帮工厂做出并发走了超过两亿五千万件商品,客户从街角的小厂,一直到财富 50 强、100 强的大公司。大多数美国人买过的东西,往上追两三层,很可能就和这些机器人有关。

我认为这个起点很重要。机器人最缺的,从来不是一个好看的演示,而是一个真有人需要它干活的地方。那些没人想干、又招不到人的体力活,正好就在这里。

做机器人不能只做一层,要把整套东西一起做

这些活有了,机器人怎么做出来?Josh 先讲了一个假设。如果有一套无比强大的软件,能把地球上 80 亿人天生的动手能力,接到任何一台机器人身上,机器人的智能就算解决了。可然后呢?你还是得把机器人造出来,造一大批,还得有客户愿意买,有真实的活让它干。今天的机器人行业,在美国还是手工作坊的规模,就算在制造、物流这些最自动化的行业里,机器人也只能算零头。

所以他的看法是,机器人不是哪一层的问题。智能、硬件、客户,三样要一起做,才能做成一个长久的平台。他自己是做机器人研究出身的,当年的长处,就是什么都愿意碰,从制造到芯片都看。后来创业,他发现要碰的比这还多:供应链、客户、产品、商业模式,全在里面。他的判断是,只要在某一层说一句"这个我不管",可以做取舍的空间,一下就丢掉了九成。

这也解释了一个现象:几乎所有机器人公司,都是从一层开始,最后都走向自己做全套。先说"我们有个模型",接着开始买 3D 打印机,一步一步把别的环节接过来。Josh 认为这是行业还不成熟的表现,早期的计算机行业也一样。现在写软件的人不用关心芯片怎么设计,是因为计算早就有了成熟的分工。机器人要走到那一步,得有人先把整个平台做起来,而验证平台好不好用,最直接的办法,就是看有没有真实的业务在上面跑。

至于更远的将来,他觉得会先从定制的专用机器,走向通用机器,等市场足够大了,再重新分出各种专用的。就像计算机,先有 CPU,后来有了 GPU,再后来有了各种专用芯片。

我觉得这个看法有点反常识。很多人以为做机器人要先攒出一个最强的模型,再去找场景。Josh 正好反过来:先做出一台能进工厂干活的整机,在干活里把模型、硬件和成本一点点磨出来。这条路慢,也辛苦,好处是每一步都有真实的客户在给反馈。

公司叫 Tutor,因为机器人学东西靠真人来教

Tutor 这个名字,来自一个很具体的判断。互联网上有海量的人写下的文字、发出的图片,没人刻意去收集,却自然变成了训练大模型的数据。可物理世界的动作没有这样的记录:你端起一个咖啡杯,指尖用了多大的力,手指放在哪里,没有人会记下来。

既然没有现成的数据,Josh 的办法就是自己造一个网络。把机器人放进真实的工作现场,需要的时候,远程的真人操作员接手,教机器人怎么做新的任务。这些远程操作员,公司就叫他们 tutors(导师)。机器人干活的同时,动作数据也记了下来,一个会自己转起来的循环就形成了:机器人干得越多,数据越多;数据越多,机器人越能干;越能干,能接的活也越多。

他还强调,这样来的数据一定值钱。因为每一条,都是客户花钱让机器人去做的任务,市场已经替你筛过一遍。相比之下,给很多人头上绑个摄像头,满世界去拍,拍出来的东西有没有用,谁也没法保证。

有意思的是,客户常常分不清,眼前这一下,到底是真人在操作,还是模型自己在干。Josh 觉得这反而是好信号。客户想给的反馈,应该是"我们做的洗发水便宜了五美分",而不是"这个机器人真漂亮"。

那远程操作员,会不会有一天用不上?Josh 没有给肯定的答案,他把它当成一道成本题来算。就像算用一块 H200 这样的 GPU 服务模型,每次要花多少钱一样,真人的智能,也能算出要花多少。再看工程师要多花多少力气,才能把模型最后那一点准确率补上,哪个划算就用哪个。所以他说自己不是教条的人,模拟环境、互联网上的大规模数据,只要能把机器人学到的东西拓宽,都会用。

成本结构也有个让人意外的地方。过去大家看机器人,是一次性花一大笔钱买设备,十年回本。Tutor 现在的情况,是持续的开销更大,包括模型推理的费用、远程操控,还有维护。Josh 说这一点连很多业内人都没想到。想想也合理,机器人要比的,是一个人的工钱,每一项都得压到很低。

我认为这里有个容易被忽略的转变:机器人正在从一件设备,变成一项按小时收费的服务。设备卖掉就结束了,服务却要一直做得好,客户才会继续付钱。这会逼着公司把可靠性、维护和模型改进,放在同样重要的位置上。

大模型变强,对机器人是帮忙,不是威胁

做机器人的人最怕的,是通用大模型哪天一下把自己的路堵死。Josh 倒不担心。他讲,这几年最大的变化是,做大模型的公司,开始用三维空间的数据继续训练模型,比如 CAD(计算机辅助设计)和 3D 建模。原因很实际:这类数据有真实的市场,做出来马上就能卖钱。可这恰好就是机器人最需要的空间推理能力。

以前大家都知道,大模型里装着关于世界的很多常识,却表达不出来。从语言模型懂的东西,到控制机械臂的动作模型能用的东西,中间差着最后一段距离。现在这段距离在缩短,在 Josh 看来,机器人一下子被推到了几年之后的位置。

他自己经历过好几次这样的技术换代。公司 2021 年成立的时候,用的还是卷积神经网络(convolutional neural network,一种早期常用的图像识别模型)。每换一次,唯一一直有价值的,都是数据流。各种模型上的小技巧,能让循环转得更快就做,不能就不做。真正长期值钱的,是这个循环本身。

我觉得这个立场很稳。模型会一代一代地换,今天最好的架构,两年后可能就过时了,可客户现场每天积累的真实干活记录,换哪个模型都用得上。把重心放在数据流上,比盯着某个具体的模型,更不容易被时代甩开。

为什么要自己造机器人,而且造了两种

说到硬件,Josh 的判断很直接:美国现有的机器人供应链,既太小,也不对路。传统工业机器人是为快速重复的动作设计的,和今天要跟大模型一起设计的机器人,要做的取舍完全不同。所以 Tutor 只能从头来,自己设计,自己制造。执行器、摄像头这些零件,还是向别的厂商采购,但机器人整机,是在马萨诸塞州的 Watertown 自己造的。

现在有两款。第一款叫 Cassie,是个干重活的好手,只有一条手臂,上面装了很多吸盘,用的是 2 亿到 4 亿参数规模的基础模型,先预测哪里能抓、怎么抓,再去执行。美国的货物,不管哪个行业,都要装在托盘或纸箱里运,搬托盘、搬纸箱占了大量人工,Cassie 就是为这件事设计的。

第二款叫 Sonny,是一台工业用的半人形机器人。Josh 打了个比方:如果你想把市面上现成的人形机器人,改成能在工厂里按人的速度稳定干三到十年,设计就会很不一样。Sonny 用轮子,不用腿,因为工厂室内大多是平整的地面;载重更高,动作更快,也符合能和人一起干活的工业协作安全标准。它能做更需要灵巧的双手操作,比如装配。

这两款合起来,Josh 估计能干掉制造和物流行业里 80% 到 90% 的活。剩下的,主要在室外:铺着碎石的工地,或者要从垃圾填埋场回收材料的地方,这些要有腿的机器人才行。至于家里,他觉得 Cassie 和 Sonny 太有工业的气质,放进家里不合适,而且机器人在家里能创造多少价值,消费者愿不愿意为此付钱,这笔账也还没算清。他的态度是不预设立场,哪里有活,就去哪里。

对大多数客户来说,这是他们买的第一台机器人

客户既然大多没买过机器人,怎么卖?Josh 的办法是,打电话时根本不提 AI、模型、远程操作员,只问一句:有没有考虑过,用一个一小时 16 美元的机器人?这个说法对他们是全新的。

因为不用先掏一大笔设备钱,客户几乎不承担经济风险,决定就快。从第一通电话到签合同,平均 40 到 60 天;签完合同到机器人进场干活,平均 40 天左右;机器人一到现场,几个小时到一天,就能开始正式干活。机器人出厂时就是通用的,不用为每个客户改造,直接从工厂发到客户那里。传统工业自动化动辄几年的事,他们压到了两三个月。

客户还可以在线上用一个计算器,输入自己仓库或工厂的运营数据,估一估部署之后每年能省多少钱。Josh 的算法很简单:一台机器人的价值,就是它能干多少活,除以它的成本,其他都是注脚。只要在这些人人都能参与的劳动力市场里,能用更低的成本,提供同样的能力,市场就是所有的体力活。

他们的客户,大多是小企业和中等规模的企业,这有两个原因。一是这本来就是市场的主体,美国制造和物流业里,绝大多数公司都不大。二是创业之前,Josh 看过太多机器人公司倒下:拿到一家大公司的意向书,花两年做一套定制系统,部署上去多半不灵,因为产品从来不是一次就能做成的;就算灵了,那家客户的问题可能也已经变了。这样的事他看了五到十次,心里想,如果发生在自己身上,那就太丢人了。跟各种各样的客户打交道,才会逼着你做出真正通用的机器人,而不是只为一个大客户打造的复杂装置。

客户用起来之后,反应也很直接。负责运营的人看到机器人真的在干活,就会说,那行,所有该放它的地方,咱们都放上。所以不少客户,从一个工厂的一台,很快扩到好几个工厂的十几台。

我认为这个卖法的关键,在于把风险从客户那里拿走了。工厂老板过去对机器人的印象,是大笔投入、定制几年、出了问题没人管。现在换成按小时付费,机器人干得好,才会继续用下去。对 Tutor 来说,客户越多、场景越杂,机器人和模型就磨得越通用。两边的利益,是一致的。

机器人有了名字,工人才愿意和它一起干活

机器人这个行业有个特别的地方:买机器人的人,和用机器人的人,往往不是同一个。买的是公司的 COO(首席运营官)或者厂长,天天跟机器人一起干活的,是一线工人。Josh 讲,对厂长来说,机器人干得好,就是一台普通设备;可要让一线工人接受它,得专门用心。再说,Tutor 也不是把整家工厂全自动化,只是替下其中的几个岗位。

办法之一是,每台机器人都有名字。客户复购的时候,可以自己给新机器人起名。有人用自己孩子的名字,有人用喜欢的橄榄球球员、流行歌手的名字。起了名字,就有了归属感。这背后其实有一整个学术方向,叫 HRI(Human-Robot Interaction,人机交互),Josh 的不少同行,都花过大量时间琢磨。公司自己早年给机器人起名,用的是飓风的命名法,后来字母表轮了太多遍,记不住,现在造机器人的技师,想叫什么就叫什么。

对一线工人来说,机器人替他们做的,是最伤腰背的那部分活,他们有机会升到更高的岗位;对厂长来说,招人的难题也轻了很多。我认为这说明,机器人真正走进工作现场,最后卡住的往往不是技术,而是人愿不愿意接受它。把"让一线的人觉得这是自己的帮手",当成产品的一部分去做,比单纯讲效率有用得多。

一百台机器人在波士顿专门练手

除了客户现场,Tutor 还在波士顿搭了一个叫 Data Factory 1(数据工厂一号)的地方,里面有 100 台 Sonny,专门用来收集数据,推进研究。据 Josh 所知,这是美国最大的半人形机器人数据采集场。

它的用意,是做真实世界的强化学习(reinforcement learning,让机器人在真实环境里反复尝试,再根据结果调整)。Josh 从大语言模型的经验里看到,数据的来源可以很多样,但最顶端的那一层,永远是在真实世界里做目标任务留下的强化学习记录。强化学习在小规模下基本没用,必须有足够大的机器人队伍,这些方法才能试出来。这是学校和多数公司都没条件做的。

产品迭代的节奏,他们想尽量接近软件。机器人是自己造的,生产流程每两周就能调整一次;代码每天都在推到机器人上,每两周有一个大版本。产品团队、客户成功团队和落地实施团队坐在一起,当成一个整体运转,离客户越近越好;研究团队一边扎在客户的具体问题里,一边也能做些大胆的尝试。模型有了新能力,就能围绕它重新设计产品,很快送到现场。

我自己的一点思考

听完 Josh 的讲述,我最大的感受是,他一直在绕开"我们的模型有多强"这个最容易讲的故事,反复讲的是客户、成本、供应链和一线工人的心情。这些听起来像运营的事,在机器人这里恰恰是核心。机器人想真正普及,最后比的是每一小时的活,干得值不值那 16 美元。

他还讲了一个我很喜欢的例子。他前阵子听一个在房屋工厂干过的人说,工厂预制的房子,现在比在现场传统施工贵大约 5%,可只要便宜 1%,开发商的需求就会一下子全部转过去。很多市场都有这样的临界点,成本一过线,需求整个换方向。机器人如果能把成本压下去,改变的可能就不只是哪一家工厂,还有哪些东西值得被造出来,以及谁能开一家做实体东西的公司。Josh 的想法是,云计算让任何人都能开软件公司,灵活的机器人劳动力,也可能让任何人都能开一家实体的公司。

当然,这条路上还有很多没答案的事:远程操作员什么时候能少下来,成本到底能压到多低,机器人走出工厂,走到室外和家里,又要多久。但方向是清楚的:不用等机器人变得完美再去用,先让它去干活,在干活里变好。

机器人想变聪明,得先有人愿意花钱让它干活。

结尾

也欢迎大家留言讨论,分享你的观点!

觉得内容不错的朋友能够帮忙右下角点个赞,分享一下。您的每次分享,都是在激励我不断产出更好的内容。

欢迎关注深思圈,一起探索更大的世界。

- END -

跳转微信打开

19 岁实习生搭起 Wispr Flow 的增长引擎,公司估值 20 亿美元

2026年11月2日 10:27

深思圈 2026-11-02 10:27 浙江

Wispr Flow 过去一年收入涨了 30 倍,估值约 20 亿美元。它的内容负责人 Hector 19 岁入职,现在带着 50 个创作者,每个月跑 500 条广告,创作者按广告花费分成,最高月入超过 1.3 万美元。他们不给创作者写脚本

你有没有想过,一家做软件的公司,广告到底该找谁来拍?找广告公司,找大网红,还是让自己人上?Wispr Flow(一个 AI 语音转文字工具,对着电脑说话就能变成文字)的答案有点特别。他们养了一个 50 人的创作者团队,每个月能拿出 500 到 600 条广告,创作者按广告花了多少钱来分成,做得最好的人一个月能拿到 1.3 万美元以上。过去一年,这家公司的收入涨了 30 倍,最近一轮融资的估值大约是 20 亿美元。

把这套东西搭起来的人叫 Hector Serrano。他 19 岁加入的时候还是个实习生,产品都没有上线,现在是 Wispr Flow 的内容负责人,管付费广告的内容,也管创始人 Tanay Kothari 的 YouTube 和 Instagram。他把这套做法从头到尾讲了一遍:怎么付钱,怎么找人,为什么不给创作者写脚本,又为什么说最好的营销人对 AI 过敏。我挑的主线是,这套打法为什么能成立,以及别的 SaaS(软件即服务,按订阅收费的软件)公司能从里面拿走什么。每一节先讲他们怎么做,再写我自己的判断。

付费广告能不能做,先看产品自己站不站得住

Hector 开口先泼了一盆冷水:Wispr Flow 长得快,首先是因为产品好。他加入的时候公司只有四个人,产品还没出来,后来靠产品自己带动增长,早期用户只有几千个,大概半年以后,Tanay 对他说,我们找到 PMF(product-market fit,产品和市场匹配)了。之后的所有渠道,不管自然流量还是付费,都只是往已经烧起来的火里添柴。常有创始人来问他有什么窍门,他的回答是没有。如果产品自己长不起来,就该回头想想定位对不对,它对用户到底有没有价值。

既然产品是前提,付费广告反而不用等到最后才做。他从前任增长负责人 Matt 那里学到的思路,是把电商的做法搬进 SaaS,尽早把付费打开。原因是付费学得快:一条广告出去,说法有没有打动人,陌生人愿不愿意变成用户,很快就有数字。自然内容就难得多,因为大多数公司并不擅长做这类内容,除非团队里有很懂各个平台的年轻人,否则很难判断数字不好看,到底是产品的问题,还是内容没做对。至于担心一打开付费就把目标人群投饱和了,他的看法是,换一个新的说法,换一批新的人群,空间一直都在。

我认为这一点对早期团队很实用。付费不只是买流量,它还是一台测试机器:如果连没听说过你的人都肯掏钱,说明产品和说法都站得住,之后再去做自然内容,成功率也会高很多。当然前提还是他那第一句话,产品要先过关,不然广告只会很快把坏消息带回来。

按播放量付钱的办法没做成,后来改成按广告效果分成

现在这套做法是试错试出来的。2025 年初,公司来了一个叫 Tobin 的营销实习生,几乎没有经验,Tanay 给了他一笔预算,让他随便试。头几个项目都没起色,后来他做起了 organic UGC。UGC 是 user-generated content,用户生成内容;organic 指的是创作者在自己的账号上发,不是公司拿去投广告。具体做法是拉一批创作者进群,每人开一个专门的小号,发和产品有关的短视频,按 CPM(每千次播放付多少钱)结算,大概每千次播放 2 美元,播放越高单价越低。两个半月里一共有 5 亿次播放,成本很低。

但转化不理想。那时大家都在追播放这种好看的数字,Wispr Flow 的早期用户又以学生为主,本来就不太愿意付费。再加上 Tobin 后来离开,很难找到接手的人,这个项目最后停掉了。Hector 对这种做法本身没有意见,只是提醒别被好看的数字带着走。Tobin 后来去了别的公司,在那里把同样的办法做得好多了。

大约七个月前,Hector 想到了一件事。付费广告已经跑得不错,而过去一年多,那些广告一直是他自己一条一条做出来的。那为什么不把 Tobin 搭社群、按表现付钱的办法搬过来,用在付费广告上?他同时想把广告改得更直接,正面介绍产品,不再只是在屏幕上放几行字。

就在这时他看到了 Tribe。这是一个让品牌把创作者拉进群、用创作者的账号投广告、再按广告效果给创作者付钱的平台,最早是一个服装品牌自己做的工具,在 TikTok Shop 上用得很顺,后来开放给了别人。Hector 一看就觉得,这是把 TikTok Shop 的做法搬到了 Meta(Facebook 和 Instagram 背后的公司)的广告上。SaaS 公司没法开 TikTok Shop,这等于给他们补上了一个空缺。Wispr Flow 是最早一批用户,现在每个月上线 500 到 600 条广告。

两种做法的区别,我认为抓住了问题的核心。以前的付费方式奖励的是被看到,现在奖励的是有效果。创作者的收入和公司想要的结果对上了,不用谁在旁边盯着,创作者自己就会去琢磨什么样的视频能让人下载。

创作者怎么拿钱:分成加保底,上不封顶

分成有两种算法。卖实物的品牌,按成交总额(GMV)的比例给;做 SaaS 的,Hector 建议按广告花费的比例给。尤其是有免费版的产品,用户从看到广告到真正付费,中间可能隔了一两周,很难说清是哪条广告带来的,按花费分,对创作者更公平,也不会出现公司靠某条广告赚了钱,创作者却没拿到应得那份的情况。

只按分成又有一个问题:新人头几个月会很难熬。拍了 30 条视频,只赚到 100 美元,谁都会泄气。所以他们加了一层保底,叫 smart retainer(智能保底)。比如约好拍 25 条视频,保底 1500 美元。月底一算,如果分成只有 500 美元,公司补 1000 美元;如果分成已经到了 3000 美元,就不补,直接拿分成。这样新人头几个月有一笔算得出来的收入,才会留下来。过了三四个月,他们大多开始靠纯分成赚钱,这时公司付出去的每一分钱,都对应着效果最好的那批视频,对负责这件事的人来说,这是最舒服的状态。

上不封顶,是让好创作者愿意长期留下的另一个原因。现在有人每个月能拿 1.3 万美元,比很多全职网红挣得多,而他们自己的账号可能只有一两千个粉丝。Hector 自己也做创作者,他见过太多品牌发给创作者一份十页的拍摄要求,哪些话能说,哪些不能说,用什么开头,怎么拍产品,写得清清楚楚。在他看来,这是最打击人的事,因为创作者最值钱的创意被拿走了。我也觉得,一个人拿到的指令越细,就越没有理由用心。他们的做法正相反,把门完全打开,想怎么拍就怎么拍。

同一批人长期做下去,还有一个好处。这些创作者全是产品的重度用户,每个月都在为同一家公司做内容,视频会越拍越好,有的人对产品的理解甚至超过 Hector,能想出他想不到的点子。新功能上线,比如 Wispr Flow 推出记笔记功能,他在群里发一句话,大家就开始拍。换成外包的做法,就得满世界找人,给每个人讲一遍背景,下个月这些人又走了。

我认为这里最难被复制的是长期关系。把创作者当外包,每次都从零开始;把创作者当团队,经验会一点一点攒下来。保底加分成的设计,其实是在回答一个很现实的问题:怎么让一个有才华的人,愿意先在你这里待满三个月。

从零搭起这个创作者群,前五个人怎么找

搭起来的第一步是定好怎么分钱,选好管理创作者的平台,Hector 用的是 Tribe,然后才是找人。这里有一个很多公司会栽的地方:刚入驻平台的品牌,页面上显示付出去的钱是零,群里的创作者也是零,没有人想来。所以他没有在平台上干等,直接去了 Instagram,搜 UGC creators,搜公司想触达的人群,比如上班族、律师、医生,一路点进去。看中一个创作者,就再去翻他的关注列表,因为好创作者通常认识别的好创作者。一周发 150 到 250 条私信,每一条都认真写,不用群发软件。这样大约能找来五六个很合适的人,从那以后,他再也不需要这样大量地去找人了。

私信怎么写也有讲究。品牌自己的账号里,往往已经有创作者在关注、在私信,这是最先该翻的地方。他一开始不会提按效果付钱的模式,因为很多创作者对这个模式存疑,只说喜欢对方的内容,想邀请对方进创作者群,对方有兴趣,再发一份简单的 PDF,讲清楚项目结构、怎么付钱、现有创作者能赚多少,然后约一个电话。

电话上也不急着讲方案。他先聊对方怎么入行,为什么喜欢做内容,再用几页幻灯片介绍自己、介绍负责投放的同事 Eric、介绍产品、讲 Tribe 的流程,还有每 7 天结一次钱,让创作者早点拿到回报。最后当场把人拉进 Discord(一个群聊软件),给优惠码,让他们当天就能开始拍。他的想法很朴素:这和谈成一笔单子差不多,别让人兴奋完就走了,再追着去要。

起步只要五个人,但要选对。Hector 特别强调,不是随便找五个,而是先看现在的广告库里缺什么。五个人各自面对不同的人群,讲不同的卖点,能做出五种新东西;找 200 个差不多的创作者,得到的只会是一模一样的广告。Wispr Flow 的创作者里有妈妈、律师、工程师、销售、代理公司老板,甚至有一位身家八位数的电商创始人,45 岁,因为太喜欢这个产品,主动来拍广告。

之后每隔几周加五六个人,从 5 个到 10 个,到 15 个,到 20 个,慢慢到现在的 50 个。人多起来以后,平台上每周有 1000 到 1500 个申请,他把门槛定得很高,一次只收一两个。他们还有一个 100 美元的推荐奖励,介绍一位合适的创作者过来就给。有人在 LinkedIn 上说这像拉人头,他的回答是,人数封顶 50,录不录用由他来定,这只是一句谢谢。

人进来以后要有归属感。创作者习惯了拍完、拿钱、再也没人联系,其实大家都很想要一个圈子。所以他们每周开会,有专门的创作者教练,办抽奖,还要在旧金山办一场线下聚会,把最好的几位创作者从世界各地接过来。他有一个判断:长期来看,赢的是和创作者关系最好的公司,拖欠稿费、对人态度差的品牌,名声很快就会传开。

不写脚本,也不让大家抄爆款,广告才不会撞车

群里有一个榜单,会按花费排出表现最好的广告,创作者都看得到。这是好事,也是风险,因为大家会去抄排名靠前的那几条。抄的结果是 300 条广告长得一模一样,场景一样,台词一样。Meta 的广告系统(Hector 提到它叫 Andromeda)会把视频逐帧拆开,抽出文字稿,读出屏幕上的字,相似的广告被归到一起,放得再多,也只是在抢同一批人,很快就疲劳了。

所以他一直提醒创作者,现在排在前面的人,是因为各自做了自己擅长、自己感兴趣的东西,如果只是照着做,排名只会落在他们后面,拿不到花费。他自己也不写 brief(拍摄说明),让大家放开去试。有一条广告后来成了表现最好的之一:创作者把键盘放到窗外的屋顶上,正下着雨,开头的画面就让人停下来。屏幕上问"我的键盘想说什么",镜头摇回电脑,雨滴一点点打出字,最后出现"下载 Wispr Flow"。Hector 自己都说不清这个创意是怎么想出来的。现在他们的广告库里,没有两条是一样的。

广告淘汰得很快,这也是需要这么多视频的原因。2024 年的时候,一条广告能跑一年;现在加上平台的更新和他们的投放规模,一条广告花到 10 万美元,几周之内就可能不灵了。公司累计做过大约 5000 条广告,同时在跑的有 800 到 900 条。其中不只有创作者视频,还有静态图、明星和大网红的视频、团队自己拍的广告、发布会片段、创始人出镜的内容,花得越多,越需要各种形式。

还有一个反直觉的发现。如果面对的是年纪更大、更偏技术的人群,广告反而越"丑"越有效,比如一段屏幕录制,一分钟甚至更长,顶上配几行字,竖屏。Hector 一年前做的那些最难看的广告,到现在还是表现最好的那一批。他的看法是,广告比自然内容更难预测,所以不要给自己设很高的门槛,先让它们跑起来。

我认为这一节里藏着管理创作者团队的真正逻辑:要管的不是每一条内容,而是整个组合的多样性。分成的机制保证大家愿意卖力,放手的做法保证大家做出来的东西各不相同,两样加在一起,每个月 500 条广告才有意义。

技术型、卖得贵的产品,也能让创作者来讲

说到这里,很多做开发者工具的创始人会来问他,我的产品这么专业,能不能用?或者我做的是睡眠产品,价格很高,能不能用?Hector 说,很多人把 UGC 理解成大学生拍视频,其实它的意思是用户生成的内容,你的用户是谁,拍视频的就该是谁。开发者工具的用户往往是年纪更大的技术人员,找一个不懂技术的 18 岁孩子来讲,没有说服力。一个 3000 美元的睡眠产品,他自己也不会从一个孩子手里买。越往上游走,价格越贵、人群越小众,难度会高一些,但问题始终只有一个:怎么找到愿意为你的产品拍内容的真实用户。

他还有一个有意思的看法:没什么粉丝的创作者,往往比大网红更值得投。大网红这些年已经被看成在卖东西,大家知道他们拿了钱,而一个陌生人从自己的账号发出来的合作广告,反而更像普通人在聊自己用过的东西。我觉得这也解释了为什么他们的创作者账号只有一两千个粉丝,却能把广告做得这么有效。

那企业级软件呢?他的想法是,企业也是一个个人组成的。一个人先下载使用,再告诉同事,公司里越来越多的人用起来,销售团队再去谈大单。内容只要做给其中一个人看就够了。我认为这套打法最适合这种个人先用起来、再慢慢扩散到团队的产品,比如 Wispr Flow 或者 Notion 这一类。要走大客户采购流程的软件,效果会差一些,这是我自己的判断。

谁来带这件事,不要只看简历

创作者群有了,规则有了,接下来绕不开另一个问题:谁来带。Hector 自己的经历就是一个样本。他 19 岁那年刚离开大学足球队,在网上投了大约 200 个创作者岗位,找到了 Wispr Flow。电话里他向 Tanay 要股权,Tanay 笑了,说"我喜欢你"。刚入职没多久,Tanay 在 Slack 上找他,那时他正在上微积分课,他溜出教室,躲在厕所里打开电脑接入通话,要把发布会的视频改得更有年轻人的感觉。第一年他什么都做,没有明确岗位,差不多一年以后才觉得自己踏实了。

他和 Tobin 是两种完全不同的人。Tobin 的绩点是 4.0,上的是滑铁卢大学;Hector 的绩点是 2.5,没读名校,打过一级联赛足球。只看简历,没人会觉得两个人都合适,可两个人后来都成了很好的营销人。他认为真正要看的只有几件事:有没有把一个账号做起来,哪怕只有一万粉丝;懂不懂平台,会不会拍、会不会剪;是不是肯干,人好不好相处。其中他最看重 Instagram,因为在那里做得好,说明这个人更会包装自己。

招人这件事,他们也是靠 Instagram。团队里的摄影师、剪辑师、创作者,大多是他在自己的快拍里发一句"在找人"招来的。有一位摄影师,他发了动态之后有大约 80 个人回复,其中一个当时正在澳大利亚度假的美国人,三天之内就被他们接到了旧金山。

他还提醒了两个常见的错误。一个是岗位开出很高的薪水、很高的要求,结果招来的并不是对的人;另一个是以为看最好的学校、最好的成绩就能招到好营销人,最后会大失所望。他的建议是找一个肯学、一心想进来的年轻人,给一笔预算,给时间试错。他自己头七个月也是东一榔头西一棒子,公司给了他自由。他用足球青训来比喻:发现年轻人,培养很多年,再让他进一线队。

带这件事的团队也很小。他负责创意和创作者,Eric 专门负责投放,盯 Meta 的广告后台,整个营销团队全职大约 15 个人,公司一共 120 多人。

我认为这一节里最有价值的不是"要用年轻人"这句话,而是他给出的筛选条件很具体,也很便宜就能验证:看一个人有没有真的做起过一个小账号。这件事靠面试看不出来,但点开主页看一眼就知道。

最后放到用户眼前的东西,还是要人来做

整套做法里有一件事很有意思:一路讲下来,Hector 几乎没提 AI 的生产能力。他前阵子发过一条被转了很多次的推文,"最好的营销人对 AI 过敏"。他的意思不是不能用。研究、整理、自动化这些环节都可以交给 AI,但最后用户看到的那一部分,视频、设计、剪辑,他觉得 AI 还不该碰。

原因有两个。Wispr Flow 本身就是一家帮人把话说得更自然的 AI 公司,要是自己去做一堆 AI 网红、AI 配图,会显得很假,也不被喜欢。另一个是风险:一旦出现错别字或者乱码,这家公司就会被拿来说。他认识一位对 AI 最积极的同行,手里的自动化流程多得数不过来,但最后那关键的 10% 一定有人把关。我同意这个做法:流程可以交给机器,出了错要负责的还是公司。

他的另一个判断是,现在到处都在拼产量,声音很嘈杂,反而是认真做、有目的才发的内容更容易冲出来。他们公司的 YouTube 频道开了大约三个月,只发了五条视频,就拿到了几百万次播放,两万多个订阅。他的结论很简单:质量比数量更容易让人看见。

我自己的一点思考

听下来最让我意外的是,这套打法里最关键的东西几乎都不是新技术。按效果付钱,电商用了很多年;创作者群,是 Tobin 先做起来的;Tribe 是别人搭好的工具;Meta 的广告系统,每个人都能用。Hector 做的是把这几样组合起来,并且在每一个细节上都对创作者更友好:有保底,7 天结一次钱,不写脚本,不设上限,认真对待每一个人。

我认为这正是它能长期有效的原因。投放的方法很容易被模仿,付钱方式一模一样的公司可以有很多。但创作者愿不愿意留下来,愿不愿意每个月都拿出新点子,取决于这个圈子对他们好不好,这种东西没有捷径,只能一个月一个月攒出来。

第二层是关于人。一个 19 岁、绩点 2.5 的孩子,因为自己做过几百条广告,知道创作者想要什么,才能带出一个 50 人的团队。想学这套办法的公司,先要问的不是去哪里找创作者,而是手里有没有一个真正做过内容的人。

把钱和信任一起交给创作者,他们才会把最好的想法拿出来。

结尾

也欢迎大家留言讨论,分享你的观点!

觉得内容不错的朋友能够帮忙右下角点个赞,分享一下。您的每次分享,都是在激励我不断产出更好的内容。

欢迎关注深思圈,一起探索更大的世界。

- END -

跳转微信打开

❌