九头鸟

To be a decent man.
To build a decent world!

[九头鸟 @caser752]

@rwayne 不像呀，一对电眼去哪了？

[九头鸟 @caser752]

@zone_astronomy 哈哈，在异想天开

[九头鸟 @caser752]

@ishiguzochris crazy

[[email protected] @Jiaxi_Cui]

继续整理一下这一轮的历史，说起来感觉23 24年好像是非常久远的过去，也很神奇了

23年的时候，字节的AI可以说就是一坨，那时行业里还觉得大厂有一惯的反应慢的问题。

但后来张一鸣是亲自下场了，不是象征性关注一下，而是高强度地见了大量researcher 和创业者。他会沿着近两年发过 LLM 相关论文、背景又不错的 researcher，一个个聊过去。与此同时，他也会去接触一些刚融过一轮钱、但方向和团队都很有潜力的 founder。那会如果你背景还不错，活跃在即刻，几乎都会被约

如果你这个人真的有价值，字节给你的方案不只是高薪，而是会把整件事一起解决。一边用非常强的现金、期权和汇报层级解决你的个人激励问题；另一边处理你原来公司的股权、团队、业务和投资人关系。然后拉进字节给千万的年薪并且直接向他汇报，一方面解决你的经济问题，一方面可以和最优秀的人一起工作，载入历史浪潮，几乎没有哪个优秀的人能抵挡这样的诱惑，因为和聪明人一起做有意义的事是非常爽的

随后字节迅速形成了一个很清晰的格局：火山偏 infra，Seed 偏 research，豆包偏产品。这套分工不是嘴上说说，而是外界后来能明显感觉到，它真的把基础设施、模型能力和产品落地串起来了。到24年底人们慢慢发现字节和从前的大厂不一样，它行动迅速，丝毫没有臃肿和迂腐的组织架构，流行的说法是“这头大象真的能跳舞”

另一边，23 年同期的 Qwen 逐渐击败 Baichuan、GLM 等模型，确立了自己的领导位置。半年之后，更多市场和普通投资者开始意识到这件事，阿里的股票也因为 Qwen 的领先叙事、AI 预期而一路走强。

但它并没有像字节那样，向外界呈现出一个特别清晰、特别强势、权责特别分明的 infra - research - product 协同格局。

只能说有点可惜

[CuiMao @CuiMao]

https://t.co/MGhnTSMOND

[Roland.W @rwayne]

https://t.co/UUtW6LV8wu

[柴郡🔔｜Crypto+AI Plus @0xCheshire]

当其他公链还在炒作概念时，这个项目已经让英国政府“带资进组”了！

在加密历史上，通常是项目方花费数百万美元去游说政府，乞求一张通行证。

但这一次，剧本反过来了。

IOTA 不仅获得了来自英国政府 350万英镑的种子资本，用于建设提赛德海港和机场的数字基建；4名英国政府贸易官员还被借调到 IOTA，全职工作 12 个月。

为什么英国政府愿意倒贴钱和人？

因为他们遇到了国际贸易中一个无法用传统手段解决的难题 —— 效率税。

以一批从波兰运往英国的货物为例：卡车可能只需两天就能横跨欧洲，但相关的纸质单据、卫生证书、原产地证明却可能因为人工录入错误、系统不互通，导致货物在英国边境被扣留数天。

这就是令无数贸易商头秃的数据黑洞：卡车已经停在边境，但数据还在路上，又或者仅仅因为一个拼写错误，整车货物就要在原地滞留。

每一秒钟的延误，都是真金白银的损耗。

哎？聪明的小伙伴肯定就想到了：区块链不就能完美解决这个问题吗！

于是，IOTA 与提赛德大学合作推出了 TWIN（Trade Worldwide Information Network） 技术，给每一个集装箱建立一个链上的数字孪生凭证。
（TWIN 就有双胞胎的意思，项目负责人是会取名的）

在这个项目中，IOTA 交出了一份令英国政府无法拒绝的成绩单：

它让关键数据比货物提前 20 小时到达海关。这意味着当卡车还在欧洲高速上飞驰时，英国海关已经完成了预审。系统能精准显示货物的相关数据，海关人员不再需要盲猜。 据测算，这套系统的全面落地，能为英国节省 2240 亿英镑，并直接拉动 GDP 增长 1.3%。

对于讲究效率的贸易物流行业来说，提前20小时意味着库存周转率的提升，意味着资金占用成本的降低。

这就是区块链技术在实体经济中的优势！

这也意味着，未来英国海关进出的每一批通过 TWIN 验证的货物，都在为 IOTA 主网贡献真实的、非投机性的 TPS 和网络活跃度。

不是测试网上的模拟数据，而是由全球贸易大国的进出口贸易驱动的真实链上活动。

当市场还在热炒 RWA 概念，试图把美债搬上链的时候，IOTA 已经跳过了这一步，直接成为了 RWA 流通的高速公路。

英国政府的派员进驻，就是一个明确的信号：区块链技术正在剥离其金融赌场的属性，回归其作为信任机器的本质。

对于在这个行业坚持了多年的长期建设者来说，这或许就是我们一直在等待的那个时刻：

代码开始真正改变世界，而不仅仅是改变账户余额。

[Star@Day1Global Podcast @starzq]

https://t.co/FooBKwFHFF

[Morris @Morris_LT]

我们正处在一个技能快速贬值的时代。AI的出现让大量原本需要多年训练的技能被整体打包、自动化和无限供应，普通技能从“稀缺能力”变成了像基础设施一样的资源。这意味着，单靠掌握某一项具体技能，来获得长期稳定回报的路径正在失效。

技能虽然在贬值，但人的价值天花板并没有降低。真正不会被替代的，是人的判断、审美和原创思想。AI可以完成执行和生成，却无法替你决定什么值得做、什么是好的、什么有意义。未来的竞争，本质上不再是“谁更熟练”，而是“谁更有判断力”。

在 AI 时代，能力的重心正在从低阶执行转向高阶思维。逻辑与表达决定你是否能从信息噪音中找到真实，并将其清晰地传递出去；审美与决策决定你在无限可能中选择什么、不选择什么；洞察力决定你是否真正理解人和需求，而不是停留在表面数据上。

自主行动力正在成为最稀缺的能力。当 AI 极大降低了学习和入门门槛，外部限制不再是主要障碍，真正拉开差距的，是一个人是否具备“不经允许就开始行动”的意识。没有行动意志，再强的工具也只会被用来重复平庸。

个人成长的有效路径，不再是单纯积累技能，而是通过实践不断打磨判断。做个人产品、公开输出思考、在真实反馈中迭代认知，能够同时训练洞察、表达和决策能力，并逐步形成不可复制的个人价值。

使用 AI 的关键不在于让它替你完成更多任务，而在于它是否扩展了你的思考边界。如果把 AI 当成逃避思考的工具，人的能力会被悄然掏空；只有把 AI 视为合作伙伴，用它完成过去做不到的事，人才能真正放大自己的创造力。

这个时代正在从“拼时间和体力”转向“拼思考密度和独特性”。工具会越来越强，但真正稀缺的，是清醒的判断、稳定的行动力，以及持续打磨自我的能力。这些，才是 AI 无法替代的核心资产。

[rick awsb ($people, $people) @rickawsb]

《新回合开始：Meta 收购 Manus VS openai和accenture合作》

--- 为什么巨头的游戏是中国ai创业圈的致命诱惑？

一、这为什么不是一笔“普通的 AI 并购”？

关于 Meta 收购 Manus，市场上已经迅速给出了几种看似合理的解释：

Meta 在补 Agent 能力
Meta 在补 AI 应用层
Meta 想加速 C 端 AI 产品落地
这些解释都不算错，但它们有一个共同的问题：停留在产品或业务层。

如果只从功能补齐的角度出发，就无法回答一个更关键的问题：
为什么是现在？为什么是并购？

真正需要被重新提出的问题，并不是：

Manus 做了什么功能？

而是：

在模型能力已经显著过剩的背景下，为什么 AI 的真实使用仍然严重不足？
AI 的竞争瓶颈，是否已经从“能力上限”转向了“使用效率与交互范式”？

如果问题是后者，那么这笔收购的性质就发生了根本变化。
Meta 收购 Manus，不是一次战术性产品补充，而是一场针对 AI 竞争关键瓶颈的结构性布局。
要理解这件事，必须把它放进 Meta 整体 AI 战略的连续性中来看，而不是孤立分析。

二、Meta AI 战略的连续性：三类动作，围绕同一个“非线性瓶颈”

回看 Meta 过去几年在 AI 方向上的关键动作，大致可以分成三类：

高薪招募顶级 AI 科学家
收购 Scale AI

收购 Manus

表面看，这三件事指向完全不同的方向：人才、数据、产品。

但如果只看到差异，就会错过真正重要的部分。

它们的共同点在于：
都不是短期营收导向

都不是“追热点”的被动反应

都围绕 AI 竞争中一个非线性瓶颈展开
Meta 的目标从来不是“做一个 AI 功能更强的 Meta”，
而是为自己在 AI 时代构建一种长期、不可轻易复制的竞争优势。

Manus 必须被放在这条主线中理解，而不是被当作一个孤立的产品或团队。

三、第一阶段：高薪招募 AI 科学家

——解决“Meta 有没有资格参与 AI 顶级竞争”

第一阶段的目标非常清晰：入场资格。
Meta 需要补齐的是：
模型与算法的能力上限

基础研究与原创能力

在基础模型层的自主权（如 LLaMA 路线）

这里要解决的关键问题是：

Meta 是否具备与 OpenAI、Google 正面竞争的研究实力？
是否有资格留在第一梯队？
这一阶段的战略意义偏防守型、能力建设型。
如果不做这一步，Meta 会被直接排除在顶级 AI 竞争之外。
但这一步只解决“能不能做出来”，并不解决“能不能长期演进”。

四、第二阶段：收购 Scale AI
——解决“强模型能否被持续、规模化训练”

当模型规模不断放大后，一个结构性问题开始显现：

算法不再是唯一瓶颈。

真正限制模型持续突破的，是：

数据供给的稳定性

质量控制能力

成本曲线与工程化效率

Scale AI 所补齐的，是数据 → 训练 → 反馈这一整条工业化闭环。
这一步的本质，并不是“让模型更强一次”，
而是确保模型能力可以持续、可控地演进。
从产业链角度看，这是对 AI 中游基础设施控制权的争夺。

如果没有这层控制权，模型突破很容易变成一次性事件，而不是长期能力。

五、第三阶段：收购 Manus
——解决“模型能力是否会被真实使用”

前两步，解决的是能力上限与供给可持续性。
第三步，解决的却是一个完全不同层级的问题：
模型能力，是否会被真实使用？

这是一个长期被低估、但正在变得决定性的瓶颈。

现实是：

模型能力 ≠ 用户能力

AI 能力被严重高估，但真实使用率、渗透率极低

大量算力与模型处于“空转”状态

没有被转化为稳定的生产力，
也没有被转化为持续的行为结构。

Manus 所补齐的，不是功能，而是 Human-to-AI Interface：
人 → 模型 之间的使用接口与行为桥梁。

这一步，意味着竞争层级的变化。

六、关键质变：Manus 不是补强，而是“锁定用户习惯”
这一步与前两阶段存在本质区别。

AI 科学家 & Scale AI：
提升的是 模型能力上限

Manus：
改变的是 能力被使用、被消耗的方式
Meta 的问题开始从：

AI 能不能做出来？

转向：

AI 会不会被 30 亿用户自然地用起来？

这是一个终局相关的问题。

因为能力上限可以被追赶，
但使用范式一旦固化，平台位置就会被锁定。

七、关键类比：OpenAI × Accenture
——同一个问题，不同层级的解法

OpenAI 官方已经多次承认一个结构性事实：

模型能力，远远超过用户（尤其是企业）的使用能力。

OpenAI × Accenture 的解法是：

面向对象：大 B
手段：咨询、系统集成、流程改造
本质：用服务体系，替组织“用 AI”

这是服务型、外包式桥梁。
Meta × Manus 解决的是同一个第一性问题，
但方式完全不同：

面向对象：C 端 / small B
手段：产品化、内生式嵌入

本质：让用户“默认通过 AI 行动”

这对应的是完全不同的 adoption 曲线。

八、进一步的战略外延：从“社交网络”到“AI 行动网络”

当 AI 不再只是工具，而开始：

参与行动
协作
生产
它就会成为社会系统中的新节点。

Manus 的潜在定位，不只是一个功能模块，
而是 Meta 社交体系中的 AI 行动层。

这可能是 Meta 从社交平台，向 AI 原生平台迁移的过渡结构。

九、一个被忽略但极其关键的判断

——如果 Manus 主要面向中国市场，这笔收购几乎不可能发生

这里开始，逻辑必须变得更现实。

Manus 能被收购，并不只是因为产品或方向，
而是因为它满足了一整条必要条件链条：
市场国际化

资本国际化

合规可迁移性（美国监管框架）

估值锚定在全球比较体系中

如果 Manus 的主要市场在中国，这条链条会在最早阶段断裂。

这是一个不太舒服，但必须承认的事实。

十、中美资本市场差异，正在系统性地改变创业路径

中国资本市场，更偏好：
确定性
现金流

已兑现的规模

长期期权、范式价值，往往被低估。
美元资本市场，则更擅长定价：

战略稀缺性
平台型潜力
并购与长期期权

即便 Manus 拥有全球用户，
在中国资本市场的估值，也很难与美元体系对齐。

这不是谁好谁坏，而是定价函数不同。

十一、对 Manus 团队而言：

“资本与算力约束，被一次性解除”

被 Meta 收购后，Manus 团队发生的最大变化，并不是资源变多，而是：
不再需要为融资窗口担忧
不再受限于区域性资本定价

资本约束与算力约束同时解除

在 AI 时代，真正稀缺的从来不是想法，而是：
长期稳定的算力供给

支持高强度试错的资本耐心

这会彻底改变团队的激励结构：

从

如何活到下一轮

变成

如何把一件长期正确但短期不确定的事做到极致

这对探索 Human-to-AI Interface 这种高不确定性方向，尤为关键。

十二、对中国 AI 创业公司的示范与诱惑

这已经不只是一个并购故事，而是一个路径示范。
对 TikTok、DeepSeek 以及各个规模的中国 AI 创业团队而言，真正的启示不是：
能不能卖给美国公司？
而是：

是否值得从一开始，就进入全球资本与算力体系？

在 AI 这种高度资本密集、算力密集的竞争中，
国际化不是市场问题，而是“能否进入核心资源池”的问题。

可能带来的结构性后果是：

更多中国 AI 创业团队选择：
产品国际化
公司结构国际化
合规路径国际化

创业目标，也将从：

在国内独立做大
转向：
成为全球 AI 生态中的关键模块

因为只有这样，才能更快速的增长
只有这样，才能获得更高的资本溢价（中美资本市场对创业项目的溢价，短期内不会改变，原因涉及资本市场的本质，本文篇幅所限，不展开）

这对中国ai团队来说，是致命诱惑。
这对中国vc来说，可能是唯一选项。

十三、从投资视角看：

这次收购，为什么提升了 Meta 的长期质量？

这不是一笔“赌输赢”的投资，
而是一笔提高长期成功概率的战略投入。
对投资者而言，最怕的不是失败，
而是公司在错误的问题上持续投入。
Manus 是否成功，是结果变量；
Meta 是否押对了 AI 竞争的关键问题，才是核心。

在范式转移期：
方向正确 + 持续迭代
往往比一次性成功更重要

而 Meta，已经清晰地站在了：

“补齐 AI 使用范式”这一正确方向上。

这也是为什么：

Meta 收购 Manus，本身就是一次投资价值上的加分项。

图：meta最近三次收购对比

[rick awsb ($people, $people) @rickawsb]

2026 年潜在高回报资产的系统性梳理（基于 AI 驱动的经济结构重构）

--- 新年的第一份小组讨论的会议纪要

一、问题定义
2026 年，市场上潜在 risk-reward 最好的资产类别有哪些？
判断标准不基于短期行情或市场热度，而是：
基本面增长幅度 / 斜率
趋势是否发生结构性改善
是否存在市场尚未充分定价的重大变化

二、方法论确立：本轮讨论采用的“统一判断框架”

在反复对比多个板块后，我们逐步收敛出一套隐含但稳定的判断逻辑：

该板块是否处在“系统层级”的位置，而不是边缘应用？
AI / 新技术是否改变了它的“经济属性”，而不只是效率？
市场是否仍在用旧的定价模型理解它？

其重点是：
risk-reward 是否呈现非对称（下行有托底、上行有重估）

三、第一轮筛选：哪些板块自然进入讨论？

在这一阶段，进入讨论的板块包括：
AI 核心基础设施（算力 / 电力 / 系统效率）
太空板块（是否只是军工？）
数字资产
能源转型
新材料
生物科技
贵金属
军工
制造（3D 打印）
网络安全 / 数据安全

关键判断：
👉 “这个板块的增长，是线性的，还是范式级的？”

四、分析和结论

1️⃣ 为什么 AI 核心基础设施被锁定为 Top 1？

逻辑链条：
AI 不是产品周期，而是生产系统重构
算力 → 电力 → 系统效率 已成为真实物理约束
CapEx 已经发生，而不是预期
下行风险由“系统刚需”托底，上行来自“定价低估”
👉 结论：
这是最确定的主线，且尽管共识有所增加但市场仍未形成全面共识。

2️⃣ 太空板块为何被“重排”至前列（Top 2）？
最初疑问：
太空会不会只是军工 / 高端制造的延伸？

澄清后的逻辑链条：
AI 把太空从“传感器”升级为：
网络节点
数据层
潜在算力延伸
商业需求首次超过政府预算
轨道资源具备稀缺性和不可复制性
市场尚未形成统一定价框架
👉 结论：
太空 × AI 是斜率可能最陡、但理解最慢的基础设施层。

3️⃣ AI 驱动的新材料：为什么是“发现层”，而不是制造层？
关键区分：
AI 新材料解决的是：
👉 “能不能发现/设计出更好的材料？”
它重写的是上游生产函数

但：
商业化传导较慢
上市 PurePlay 稀缺
👉 结论：
这是一个真实的高增长方向，但需要和制造层区分开来。

4️⃣ AI × 3D 打印：为什么要单列，而不是并入新材料？
这是一次资产分类升级。
核心逻辑：
新材料 = 发现 / 设计层
AI × 3D 打印 = 制造范式迁移
AI 的作用不是“打印更好”，而是：

提升良率
提升一致性
使其首次具备规模化制造可行性
👉 结论：
这是一个独立板块，但不确定性高。

5️⃣ 数字资产
逻辑链条：
属性已从投机资产 → 准货币 / 储备资产
机构化完成第一阶段
Beta 很强，但结构性 Alpha 正在收敛
Clarity act等新法案及ai+crypto有可能带来新的爆发式增长点
👉 结论：
上涨概率高，不确定性大，尤其是普涨的不确定性大。

6️⃣ 能源转型：aidc的二阶传导
长期方向正确
高确定，高竞争，慢变量
2026 年：
供给扩张快
政策影响大
价格弹性被稀释
👉 结论：
是长期复利资产，单个标的而不是板块可能在2026 年爆发性增长。

7️⃣ 生物科技：为何被定义为“事件驱动”，而非 AI 驱动？
产业层面：
AI 正在显著提升科研效率（判断正确）
定价层面（2026）：
现金流确认仍依赖临床 / 监管事件
👉 结论：
长期逻辑对，但 2026 年仍以事件驱动定价。

8️⃣ 贵金属
贵金属是宏观状态函数
新金融格局大国博弈的筹码（之一）
不参与新生产系统构建
不存在生产函数升级

👉 结论：
重要，但角色是对冲与稳定器，非增长主线。

9️⃣ 军工：重要但不具备范式跃迁
核心判断：
军费增长具备政治刚性
但增长是线性的，且美股板块大多已priced in
AI 在军工中是“效率升级”，而非需求函数重写
👉 结论：
是高确定性资产，但不是高斜率 Alpha。

🔟 数据 / 网络安全
逻辑链条：
AI 把数据变成生产资料
AI 引入全新攻击面（模型、Agent、数据污染）
安全预算去周期化
安全从 IT 成本 → 系统前置条件
标的普遍已经是高pe

👉 结论：
增长不爆炸，但系统不可或缺。

五、最终结论：2026 年 Top 10 板块（排序）
✅ 2026 年 Top 10（终版）
AI 核心基础设施
太空 × AI × 基础设施
AI 驱动的新材料（发现 / 设计层）
AI × 3D 打印（制造范式迁移）
数字资产（BTC 为核心）
能源转型（非 AI 电力部分）
美股军工（结构升级子方向）
生物科技（事件驱动定价）
贵金属（宏观对冲）
数据 / 网络安全 / AI 安全基础设施

声明：以上信息非投资建议dyor

[rick awsb ($people, $people) @rickawsb]

ai吞噬软件趋势下的，下一代高价值软件的 5 个硬标准

--- 读懂这些标准，才能预判下一代应用，和下一代web3应用的形态

1️⃣ AI 是“执行主体”，不是“辅助工具”

旧软件：

人点 → 系统算 → 人确认

新软件：

AI 决策 → AI 执行 → 人审计

AI 不只是帮你写文案，而是：

自动跑流程

自动调用资源

自动处理异常

2️⃣ 软件直接绑定“结果”，而不是“功能”

下一代软件卖的不是：

“我能帮你做什么”

而是：

“我对结果负责”

例如：

自动完成一个合规流程

自动达成一个业务目标

自动控制风险在阈值内

👉 责任绑定 = 护城河

3️⃣ 软件是“长期运行的系统”，不是一次性交互

模型即应用，解决的是：

单次问题

即时响应

下一代软件解决的是：

持续状态

长期博弈

多主体协同

只要系统需要：

状态记忆

历史约束

责任追溯

👉 模型就不够，必须有软件系统。

4️⃣ 软件深度嵌入现实世界的“不可逆约束”

例如：

钱（结算、风控）

法律（合同、合规）

物理世界（能源、物流、制造）

越靠近现实摩擦的软件，越不可能被“模型即应用”吞噬。

5️⃣ AI 反而提高了系统迁移成本

这是最反直觉的一点：

AI 越深度参与，系统越难换。

因为：

AI 学习的是你的数据

你的数据嵌在系统里

系统嵌在你的组织流程里

👉 AI = 黏合剂，而不是破坏者（对系统层而言）

[Long Chen @LongChenNotes]

我本来以为Agent就是人的原型，通过学习各种skill(技能)打磨workflow(工作流)来提升自己。

我通过和一个高人聊过之后发现大错特错❌

这里面有三个概念，我是搞反了。

第一、Workflow（工作流）
你每天回邮件、做表格、撕逼、写周报。
在AI眼里，这叫Inference（推理）。
这就是纯耗材。
资本买你的时间，就是为了买你的推理。
他们最希望把你的Temperature设为 0。
不要创新，不要随机，只要像头驴一样稳定输出。
很多大厂P7、P8，哪怕年薪百万
本质上也就是个高频低延迟的API接口。
过去一年你跑了多少个Token？
跑得越多，显卡磨损越快，离报废越近。

第二、Skills（技能）
你会Python，会剪辑，会写复杂的prompt。
这叫Function Calling（工具调用）。
以前我们信奉技多不压身。
现在？
这是贬值最快的资产。
你苦练了三年的画图技巧， Nano Banana一出来就给你秒了。
你背了一万个单词，也就是个低配版的谷歌翻译。
沉迷堆砌Skills，就是在跟摩尔定律赛跑。
注定输得底裤都不剩。

第三、LLM（大模型）
你的世界观，你的底层逻辑，你的决策框架。
这才是你的Base Model。
也是你唯一的护城河。
但悲剧就在这：99%的人，出厂设置即巅峰。
往后几十年，都在用同一个版本的Windows 95跑新地图。
你在公司卷了五年
Workflow跑得冒烟了
Skills背包塞满了
但你的LLM版本还是GPT-2。
遇到点复杂问题，直接蓝屏。

这个世界的真相很残酷：
系统设计出来，就是为了锁死你的算力。
它给你发工资，用Workflow填满你的时间
用房贷车贷，锁住你的风险偏好
就是为了不让你有空闲去Fine-tuning（微调）你的大脑。
毕竟，觉醒的 Agent 不好管。

听一句劝：
2026年，别再傻乎乎地卷工作量了。
那叫无效熵增。

停下来。
减少Inference，增加Training。
去读难读的书，去见厉害的人，去复盘最痛苦的亏损。
哪怕每天发呆一小时
也比在群里抢两块钱红包有价值。
那是你在更新权重。

你是想做一辈子随时可被替换的 API？
还是想做一个拥有Opus 4.5 级别认知的操盘手？

算力有限。
别把你的CPU，烧在毫无意义的死循环里。

哦，对了和我聊的高人叫“脑总”

[宝玉 @dotey]

Notion 的创始人 Ivan Zhao 的精彩文章：《钢铁、蒸汽机与无限大脑》

越来越清晰的感觉到，我们正处于 AI 革命的早期阶段，对于未来谁也不知道会怎么样，所以都喜欢从历史中、去工业革命、互联网革命中寻找规律，以期望能对未来有所启发。

相对来说，这篇文章虽然也是尝试从钢铁和蒸汽机的历史里，寻找 AI 时代的答案，还是挺有深度。

【1】第一个观点是：我们正在看着后视镜开车

每一代新技术刚出来时，人们总是习惯用旧的方式去理解它。这就是所谓的“看着后视镜驶向未来”。

想想看，早期的电话，大家把它当成“会说话的电报"；早期的电影，其实就是把摄像机架在观众席拍舞台剧。

现在的 AI 也是一样。我们看到的 AI 大多长什么样？一个聊天框。为什么？因为它在模仿 Google 搜索框。

我们正处在这个尴尬的过渡期。就像当年大家还不懂电影剪辑语言一样，我们现在还在试图把 AI 硬塞进旧的工作模式里。

【2】个人层面：从骑自行车到开汽车

乔布斯当年有个著名的比喻，说电脑是“大脑的自行车"。意思是它能让人跑得更快，但你还得自己蹬。

对于现在的程序员来说，AI 已经不是自行车了，而是汽车。你不用蹬了，你只需要握好方向盘。

Ivan 讲了他的联合创始人 Simon 的故事。

Simon 以前是传说中的“10 倍工程师"，但现在几乎不自己写代码了。路过他工位，你会看到他像指挥官一样同时调度三四个 AI 编程智能体。这些 AI 不只打字快，还能思考。他在吃饭或睡前把任务排好队，AI 就在后台疯狂干活。

他从“写代码的人"，变成了“管理无限大脑的人"。

【3】为什么只有程序员先享受到了从骑自行车到开汽车的待遇？

但问题来了，为什么只有程序员先享受到了这种待遇？普通的文案、运营、产品经理为什么还在“蹬自行车"？

两个原因：

第一，上下文太碎了。程序员的代码都在仓库里，环境单纯。
但普通人的工作散落在 Slack、飞书、文档、甚至脑子里。AI 不知道前因后果，没法干活。

第二，没法验证。代码写错了会报错，好坏一目了然。
但一个活动策划案好不好？一份周报写得对不对？这很难量化。

所以，想要从自行车升级到汽车，我们得先帮 AI 把上下文补齐，并且找到验证工作成果的方法。

【4】组织层面：不仅是换引擎，还要换地基

个人层面说完，Ivan 把视角拉到组织层面，用了“钢铁"和“蒸汽机"两个比喻，来解释 AI 会如何重塑公司。

第一个是钢铁。

在钢铁普及之前，房子盖不高。因为用砖头和木头，盖到六七层，底下的墙就被压垮了。这就像现在的公司，人数一过几百，沟通成本就爆炸了，效率急剧下降。人与人之间的沟通，就是那个脆弱的“砖墙"。

AI 就是组织的“钢铁"。它能支撑起巨大的信息流，让决策不需要层层汇报就能完成。未来的公司，可能几千人规模还能像创业团队一样敏捷，因为 AI 撑住了沟通的架构。

第二个是蒸汽机。

最早的工厂都建在河边，因为要用水车做动力。蒸汽机刚发明时，很多老板只是把水车拆了，换成蒸汽机，但工厂还在河边，流程也没变。效率提升非常有限。

直到后来，老板们意识到：
“等一下，既然不用水了，我为什么不把工厂搬到离港口更近的地方？"

工厂可以建在离工人、港口、原材料更近的地方。整个车间可以围绕蒸汽机重新设计。后来电力普及，工厂进一步把集中的动力轴拆散，给每台机器配上独立的电机。生产力才真正爆发，第二次工业革命才真正起飞。

我们现在还在“换水车"阶段。AI 聊天机器人挂在现有工具上，工作流程还是为人设计的。我们还没认真想过：如果旧的约束消失了，组织应该长什么样？

真正的变革，是当管理者意识到可以彻底重组工作流，让那些“不睡觉的大脑"去处理所有重复性工作的时候。

Notion 自己就在做实验。他们 1000 人的公司里，活跃着 700 多个 AI Agent。这些 AI 负责写会议纪要、回答内部咨询、处理 IT 请求、写周报。这不仅仅是省时间，这是在重塑组织形态。

回看你的工作，如果只是用 ChatGPT 润色邮件，那你就是在把水车换成蒸汽机，工厂还在河边。试着想一想：如果我有无限个免费实习生（AI），工作流程应该怎么彻底重设计？

【5】经济层面：从佛罗伦萨到东京

最后 Ivan 把视角再拉高一层：钢铁和蒸汽不只改变了建筑和工厂，还改变了城市。

几百年前，城市是人类尺度的。佛罗伦萨走个四十分钟就能穿城而过，生活节奏由人能走多远、声音能传多响决定。然后钢铁框架让摩天楼成为可能，蒸汽铁路把市中心和腹地连起来，电梯、地铁、高速公路跟上。城市在规模和密度上爆发了。东京、重庆、达拉斯，这些不是“更大版本的佛罗伦萨"，而是完全不同的生存方式——更混乱、更匿名、更难辨认方向，但也提供了更多机会和自由。

Ivan 认为知识经济正站在同样的转折点上。今天的知识工作占了美国 GDP 的近一半，但大部分还是人类尺度的运作：几十人的团队，会议和邮件定义的节奏，超过几百人就开始失灵的组织。我们用石头和木头建造了很多佛罗伦萨。

当 AI 智能体大规模上线，我们会开始建造东京。成千上万的智能体和人类协作，工作流程全天候运转不等人醒来，决策在恰到好处的人类参与下被综合。周会、季度规划、年度考核的节奏可能不再合理，新的节奏会涌现。

我们将失去一些“小而美"的清晰感，但会换来前所未有的规模和速度。

Ivan 提到一个历史趣事：1865 年英国有个《红旗法案》，规定汽车上路时必须有人举着红旗走在前面开路。听起来荒谬，但我们现在要求 AI 每做一步都要人确认，是不是也像“举红旗"？真正的未来，是人站在更高处监管，而不是挡在路中间。

也许我们应该停止从后视镜看世界，开始想象新的可能。卡内基看着钢铁，看到了城市天际线。兰开夏郡的工厂主看着蒸汽机，看到了不再依赖河流的车间。

我们还在问 AI 怎么当好“副驾驶"。也许该问的是：当无限心智成为基础设施，知识工作会变成什么样？

这个问题，Ivan 没给答案。但他给了一个思考的框架。对于正在这场变革中的人来说，框架可能比答案更有用。

[向阳乔木 @vista8]

王冠被 OpenAI 碾压过三次。

第一次做写作工具，ChatGPT发布了。
第二次做Excel转图表，GPT-4来了。
第三次做Agent工作流，OpenAI Plugins上线了。

每次都踩得那么精准，像是有人在天上盯着他的进度条。

这让他意识到一件事：盲目做应用是虚无的。

你不知道基座模型的能力边界在哪儿，就像在流沙上盖房子，随时会被淹没。

所以他做了一个决定，先去月之暗面（Moonshot AI）当模型产品负责人，搞清楚模型到底能干什么，再出来创业。

一年后，他离职创办了ONE2X，做AI视频生成器Medeo。

他是月之暗面第一个离职创业的员工，公司的离职流程都是因为他才建立的。

压缩即智能：五道口的顿悟

王冠对大模型的信仰，来自五道口的一顿饭。

那是在龙人居餐厅，月之暗面创始人杨植麟（Tim）花了三个小时给他讲"压缩即智能"，全程在纸上写数学公式。

王冠坦诚地说，"我完全没听懂那些公式，但大受震撼"。

后来他去研究OpenAI科学家Jack Rae的视频，慢慢拼凑出了完整的认知地图。

这个概念很抽象，但王冠把它讲得很生动：

压缩不只是把文件变小，而是强迫数据建立联系。

想象下，你教AI两件事：中文翻译成英文，还有中文总结。

按理说，AI没学过"英文总结"这个任务。但因为压缩把这些离散的知识点挤在一起，它自动学会了。

这就是连续性。

以前的AI处理的是结构化数据，像Excel表格那样，一格一格的，互不相干。

现在的大模型处理的是语言、视频这些非结构化数据，它们本身就是连续的，像一条河流。

压缩让这条河流得更顺畅，AI就能"触类旁通"。

数据的三个阶段：创业公司的机会在哪儿

王冠有个核心判断：智能的第一性原理是数据。

他把AI行业的竞争分成三个阶段：

第一阶段：公域数据

大家都在互联网上抓数据，拼的是算力和清洗效率。这个阶段已经结束了，格局已定，基座模型公司赢了。

第二阶段：领域数据

拼的是"我有你没有"的私有数据，比如医疗、金融这些行业的历史积累。这利好大厂和传统巨头。

第三阶段：内生数据

这是创业公司的机会。

什么叫内生数据？就是世界上之前不存在的数据。

ChatGPT出现之前，没有海量通过对话解决问题的自然语言数据。

ONE2X做视频生成，就是要创造一套描述视频制作过程的语言（DSL），这套语言本身就是新数据。

只有通过设计新的产品形态产生内生数据，并把它训回模型，创业公司才能建立壁垒，不被基座模型的"自然延伸"碾压。

生成系统：一个完整的闭环

王冠不喜欢"套壳"这个词的贬义用法。

他说，壳可厚可薄，System 2才是核心竞争力。

基座模型（System 1）大家用的都一样，产品的胜负取决于你在模型之外构建的"壳"，也就是上下文（Context）。

ONE2X的架构分三层：

底层：DSL（领域特定语言）

把视频制作这件复杂的事，抽象成一组有限的"原子能力"。就像围棋，规则是封闭的，所以可以被计算。

中间层：Context（上下文）

这一层的核心任务是降低"熵"。

什么是熵？就是不确定性。

用户说"做个高大上的视频"，这句话的熵很高，AI不知道怎么执行。

System 2要把这句话转化成精确的指令。

同时，它还要约束AI智能体的行为边界，确保它不会乱调用工具，输出可控。

顶层：Environment（环境）

这不只是个软件界面，而是一个让人和AI共同活动的"环境"。

用户在这里的每一次操作、每一次修改，都是在为系统产生高质量的数据。这个环境本质上是一个标注平台。

王冠举了个例子：厨师做菜，油温多少度，翻炒几下，这些隐性知识如果不记录下来，AI就学不会。Environment要做的，就是把这些"火候"全部显性化。

物理世界vs理念世界：视频的两个战场

王冠对视频赛道有个独特的划分。

物理世界的视频，是摄像头拍的，对应抖音、快手这些短视频平台。

王冠把它比作"夜店、超市、生活广场"，娱乐、八卦、卖货，供给已经很充分了。

理念世界的视频，是AI生成的，对应知识、艺术、精神信仰。王冠把它比作"图书馆、歌剧院、大教堂"。

这类内容以前因为制作成本太高（比如耐克的高端广告，或者把一篇文章可视化成视频），一直是稀缺的。

ONE2X要做的，就是占领这个"理念世界"。

他还有个更大的愿景：让视频从"创作"变成"表达"。

古代写字是创作，需要笔墨纸砚，门槛很高。

现在发微信是表达，门槛极低。目前做视频还是创作，像写情书。未来应该变成表达，像说话一样自然。

只有当一种模态从创作变为表达时，才会诞生伟大的产品。

生成系统将取代推荐系统

王冠有个大胆的判断：中间商将死。

互联网平台本质上是"分销平台"，掌握流量分配权，剥削创作者。抖音、淘宝都是这样。

生成系统是"产销一体"，没有库存，没有流量分配，直接对接需求与生产。

用户想要什么，AI直接生成，不需要在海量内容里检索。

这意味着推荐算法这个"中间商"不再需要了。

随之而来的，是货币的变更。

在内容供给无限的时代，"注意力"（流量）不再稀缺，稀缺的是"信任"。

未来用户不会为流量买单，而是为创作者的品味（Taste）和配方（Recipe）付费。就像Substack那样，我信任你这个人，所以订阅你。

未来的创作者：两极分化

王冠认为，创作者群体会分化成两类。

金字塔尖的艺术家/专家

这些人不会被AI替代，反而会被放大。

系统是他们能力的放大器，把他们的高级智慧复制成千上万份。

他们的每一次操作、每一次修正，都是在为系统提供高质量的"内生数据"。

他们是生成系统能够不断进化的核心驱动力。

广泛的"产销者"

对于大众而言，创作不再是为了商业目的，而是回归到"产销一体"。

就像退休老干部在家写毛笔字，创作过程本身就是一种消费。

用户生成内容是为了满足自己的精神需求，价值在生产完成的那一刻就实现了，不需要依赖外部流量变现。

王冠把这叫做"劳动即消费"。

AI时代的产品经理：不再只是画原型

王冠自己就是产品经理出身，他对这个角色在AI时代的价值有深刻的思考。

PM的核心工作不再是画原型，而是设计智能的边界。

具体来说，分三个层面：

设计System 1：定义模型的能力边界

模型即产品，模型本身是值得被设计的。PM需要把业务Know-how转化为数据，定义什么叫"好"的结果，建立评测标准。

构建System 2：设计上下文与环境

PM的核心竞争力在于Context Engineering（上下文工程）。

通过设计Agent框架、工作流和知识库，为模型提供高质量的输入。

战略核心：设计"内生数据"闭环

PM必须设计一种全新的产品形态，使其在运行过程中产生世界上之前不存在的数据。

这个产品本质上是一个"标注平台"。

王冠说，PM还要扮演"审美"和"标准"的制定者。

不是所有数据都是好数据，PM需要具备极高的品味（Taste），去定义什么是高质量的输出。

组织即环境：员工是智能体

ONE2X是一家很特别的公司。

全员远程，没有管理岗，没有KPI，甚至连考勤都没有。

王冠把它定义为"产品工作室"（Product Studio），而不是传统公司。

他的组织哲学很简单：把公司视为一个"环境"，员工是"智能体"。

这个概念来自强化学习。

在强化学习里，你不控制智能体，而是搭建一个环境，让智能体在其中自主活动。

王冠说，管理的核心不是KPI考核，而是对齐"奖励函数"（Reward Function）。

每个员工进入公司都带有自己的目标，可能是对技术的热爱，可能是不想让公司死掉。

组织的智慧在于找到一种方式，让个人的目标向量在公司前进的方向上有最大的投影。

为了解决远程办公的孤独感和信任问题，ONE2X建立了"温暖可信计划"。

公司内部有个"朋友圈"，大家在飞书里建立话题组，分享生活八卦、写小作文。

通过这些非工作内容的交流，建立类似线下的温暖感和人际信任。

王冠说，坐班制是工业革命的产物。脑力劳动不需要依附于物理产线，远程办公配合"温暖可信计划"更适合产品工作室模式。

狭义AGI：一个自动化的赚钱闭环

关于AGI（通用人工智能），王冠有个非常务实的定义。

他不谈全知全能，也不谈自我意识。他说的是狭义AGI。

什么是狭义AGI？

在一个特定商业领域（比如炒股），AI能自己赚钱，用赚的钱买算力和数据，再优化自己赚更多的钱。

当人完全退出这个Loop时，狭义AGI就在该领域实现了。

这不是一个突然到来的"奇点"，而是一点一点发生的。

比如在编程（Coding）或语言处理领域，这种现象似乎正在被点亮。

诺基亚时代的策略：积累数据，等待iPhone时刻

王冠有个精准的类比：当下是AI的"诺基亚时代"。

我们现在看到的AI应用，很像诺基亚手机上的计算器或贪吃蛇。

在这个阶段做复杂的移动互联网式APP是不合时宜的。

策略是什么？

在"iPhone时刻"到来之前（即端到端多模态模型成熟、成本极低、推理极快之前），应该做离模型最近的生产力工具。

这样既能感知模型变化，又能积累数据（System 2/Context），为未来真正的超级APP做准备。

王冠还引用了一句诗来描述通用Agent和垂直Agent的关系："千江有水千江月，万里无云万里天"。

垂直Agent（千江月）在各自领域有独特智慧和数据，这是应用公司的机会。

通用Agent（万里天）试图覆盖所有，但在过渡阶段无法在所有领域都做到极致。

最终两者会殊途同归：通用做深垂直，垂直扩展边界，在效果与成本的极致比拼中相遇。

蝴蝶穿花：老子的入世哲学

聊到个人哲学，王冠说自己深受道家影响。

但他做了个有趣的区分：不喜欢庄子的"大鹏展翅"，更喜欢老子的"蝴蝶穿花"。

大鹏展翅是逍遥、避世、飞得高。

蝴蝶穿花是在花丛中飞行从不走直线，而是在障碍中游刃有余。

王冠说，创业者应该像蝴蝶一样，积极入世，顺应环境变化解决具体问题，而不是追求虚无的超脱。

他还分享了一个让他感到"惊悚"的冷知识：一代人只有25到30年。

作为一个30多岁的人，他意识到自己现在做的产品，其实是在服务"下一世"的人（即比他小25-30岁的人）。

这种时间观让他跳出了当下的焦虑，用更长远的眼光看产品演进。

北极星指标：系统的智慧程度

ONE2X的北极星指标不是DAU（日活），而是系统的智慧程度。

王冠说，3个专家用户产生100万营收，优于10万个普通用户产生同样营收。

为什么？

因为专家用户（高审美/高能力）的操作能为系统提供高质量数据，提升系统的"智慧程度"。

智慧怎么量化？

不是看生成了多少内容，而是"消耗更少的Token达到同样的效果"。

就像做数学题，一眼看出答案的人比反复演算的人更聪明。Token消耗越少，代表系统越智能。

这是一个完全不同于互联网时代的衡量标准。

一个意外的验证

为了验证产品的商业价值，王冠自己做了一次"小白鼠"。

他用Medeo的早期版本制作视频，发在微信视频号上。作为一个没有特意运营的号，竟然跑出了200多万播放量。

更惊喜的是，他一开始不知道视频号有流量分成，直到有一天系统提示有钱到账（几百块钱）。

这让他确信，即使是目前的半成品工具，也能让普通人通过内容获利。

还有个更疯狂的故事。

B站和视频号上某位头部的AI内容博主，为了使用他们的产品，借遍了周围朋友的谷歌账号来充值积分。

他们把能买的积分包全部买光并充值到上限，依然觉得不够用，最后直接联系到王冠团队求助。

这让王冠团队意识到，头部创作者对高效生产工具的渴求是惊人的。

反共识的20个观点

如果要总结王冠的想法，这里有20个最核心的反共识观点：

关于智能的底层逻辑

1. 智能的第一性原理是数据，数据决定边界，算力决定速度，算法决定涌现
2. 压缩即智能，核心在于"连续性"
3. 从"拟合结构"到"拟合世界"
4. 狭义AGI是"赚钱-进化"的自动化闭环

关于行业竞争

5. 行业发展的三个阶段：公域→领域→内生
6. 护城河在于"内生数据"
7. 当下是AI的"诺基亚时代"
8. "壳"是核心竞争力，Context is Everything
9. 通用与垂直的终局：千江有水千江月

关于产品方法论

10. 生成系统将取代推荐系统
11. 产品架构三层论：DSL→Context→Environment
12. 上下文工程的核心是"降熵"
13. 北极星指标：系统智慧度
14. 环境即标注

关于内容生态

15. 视频是AI时代的"起点"而非终点
16. 物理世界vs理念世界
17. 从"创作"到"表达"
18. 货币变革：从"注意力"到"信任"

关于组织与哲学

19. 组织即环境，员工即智能体
20. 蝴蝶穿花，积极入世

尾声

王冠最爱的食物是白米饭。

在快问快答环节，他说自己不喜欢旅游，也没有全球视野的美食偏好。

白米饭兼容性最强，和任何食物搭配都有滋味。

这或许也隐喻了他做产品的思维：做最基础、最兼容的底座。

在AI的诺基亚时代，大多数人在追逐流量和变现，王冠选择了一条更难的路：造一座视频的图书馆，积累内生数据，等待iPhone时刻。

他说，一代人只有一世。

那就用这一世，做点不一样的事。

---
基于播客张小珺Jun 商业访谈录，使用Prompt生成。

[九头鸟 @caser752]

@EnEV7uFvyvJh7DR 加V加不上

[Morris @Morris_LT]

当你第一次洞察到社会的冷暖，金钱的逻辑，关系的力量。你会发现一件残酷的事实，原来认知再深刻，也未必能立刻改变命运，这是觉醒者必经的劫。于是，一种深切的痛苦随之而来，你知道规则却没法打破，你明白因果就没法逆转，你想奋力挣扎却发现无处着力，很多人止步于此，选择自嘲，觉得麻木，选择混日子。可是真正的觉醒者知道，这份痛苦本身就是一份稀有的礼物，因为你已经跳出了幻想，看清了迷雾之外的真实。认知是一种看不见的财富。他让你少走弯路，让你做出的每一个决定都更接近真相。但认知不是解药，而是坐标，他能告诉你方向，却不能替你走路。命运的改变是一个系统工程，你发现了规律就必须勇敢的参与。你看懂了社会就要学会掌握资源，你理解了财富，就要去实践资本与管理。没有行动，所有的觉醒都会沦为空谈。别忘了，还有一道更隐秘的关卡。在人情大于能力的环境里，光有本事远远不够。很多时候，你前行的脚步不是被规则绊住，而是被人情世故拖着。如果不敢破局，你终将困在别人的棋盘里。所以请记住，觉醒的痛苦不是惩罚，而是召唤。他逼迫你不要停留在看清的层面，而是去亲手建造自己的可能性。智慧的人不会急于求成，因为他懂得，认知是活着，行动是新柴，执行是烈焰。当三者合一，命运的齿轮就会悄然转动。世界不会因你的痛苦而改变，他只会因你的践行而让路。觉醒的价值不在于你知道多少，而在于你能用多少来改写自己的人生。

[Dr.Wang @HotmailfromSH]

「医学科普：核磁共振仪（MRI）的工作原理」

[大漂亮| C Labs @giantcutie666]

美国全面重构RWA，快转发给你传统金融的朋友，让更多金融韭菜入场！

[云映萱 @yx53834975]

🔥 转：关于中医，这个女孩说出了真相，确实如此啊‼️👍👍