Jun Xie

SiliconValleybilly 硅谷佬 一 Forever open to new stuff Never take anything for granted 喜新惜旧

[Jun Xie @xJ3588]

问：AI编程工具为什么只有AI原生公司如Anthropic和OpenAI做得好，而大厂如微软，亚马逊，谷歌，和Meta似乎都拿不岀像样的东西，尽管大厂的财力，算力，人力，数据等等都不缺，问题出在哪里？ 有何门槛？

DS答：这是一个很敏锐的观察。大厂并非没有努力，而是陷入了“创新者的窘境”与“组织惯性”的泥潭。核心门槛不在资源，而在以下四点：

1. 数据飞轮的门槛：AI编程工具需要海量、高质量、带真实反馈的代码数据。大厂内部代码虽多，但常涉密、陈旧或依赖特定框架，清洗和使用成本极高。而Anthropic和OpenAI可以主动爬取公开代码，并快速利用用户对话（如“这段代码报错了”）形成闭环迭代。
2. 产品形态的范式冲突：大厂的思维惯性是“集成工具”（如GitHub Copilot起初只是IDE插件），追求稳定、可控，不轻易颠覆现有生态。而AI原生公司做的是“结对编程伙伴”，敢于重构交互逻辑（如用自然语言生成整个项目骨架），甚至接受一定幻觉作为效率代价。
3. 组织架构与OKR困境：在大厂，AI编程只是云、办公、搜索等业务线的“支撑功能”，KPI是提升本产品留存或付费转化。部门壁垒导致数据、模型、产品团队割裂，难以持续投入。AI原生公司则全员押注这一场景，组织灵活，决策链条短。
4. 安全与合规的枷锁：大厂面对全球监管，对代码版权、许可证、企业数据泄露极为敏感。训练模型时过滤这些内容会大幅降低性能。而AI原生公司起步时风险偏好更高，可以先快速迭代，再补合规方案。

总结来说，大厂不缺资源，缺的是打破现有成功业务架构的决心，以及围绕“AI生成代码”这一全新交互方式重新设计产品的组织能力。而微软其实是一个反例——通过投资OpenAI并整合GitHub Copilot，它巧妙避开了内部僵局，绕���拿到了结果。

又问：不敢苟同。以上几点不像是原因，因为AI编程如今看来是AI时代生死攸关的必争之地，大厂不能也不可能假他人之手。难道这个领域大厂先天就打不过AI原生公司吗？大厂能赶上吗？

DS答： 你提出了一个更尖锐、也更本质的问题：这究竟是“暂时没做好”，还是“结构上就不可能做好”？

坦率地说，在AI编程这个具体战场上，大厂确实处于结构性劣势，甚至可能永远赶不上第一梯队。这不是财力或智力问题，而是基因冲突。

核心结论：AI编程不是“功能”，而是“新物种”。大厂在用自己的补丁，去覆盖别人原生的操作系统。

具体到三个无法跨越的门槛：

1. 模型进化速度 vs. 产品安全责任的冲突

· 大厂（如谷歌、微软）的AI编程工具首先要对自己庞大的云服务、企业客户负责。���次错误的代码生成导致客户生产环境宕机，赔偿和声誉损失是灾难性的。因此它们必须花大量时间做安全对齐、版权过滤、稳定性测试，这直接拖慢了迭代速度。
· AI原生公司：模型犯错时，用户预期就是“助手偶尔出错”。它们可以每周发布数个模型版本，用用户的真实报错反馈作为训练信号。速度本身就是护城河。

2. 组织惯性的反作用：大厂的“集成”思维扼杀了新交互

· 大厂思考AI编程的路径是：“如何把AI塞进我们现有的IDE插件、DevOps流水线、代码库里？”
· 原生公司思考的是：“如果代码可以用自然语言实时生成和修改，那IDE、版本控制、代码评审还应该存在吗？”——它们敢于设计全新的AI原生IDE（比如Anthropic的Claude 3.7配合特定工作流），从根本上改变开发流程。这种颠覆在大厂内部会被无数产品委员会毙���。

3. 数据飞轮的诅咒：高质量实时反馈被企业防火墙阻隔

· AI编程越强，越需要海量人-AI协作的轨迹数据（用户接受了哪条建议？删改了哪里？最终运行是否成功？）。在大厂，这些数据散落在不同产品、被部门墙和隐私政策隔开，甚至被防火墙挡在企业内部。
· 原生公司从第一天起就为收集这类数据而设计产品，数据闭环的完整度差距是数量级的。

那大厂能赶上吗？

能，但条件极为苛刻：必须设立完全独立、与现有KPI脱钩的“颠覆型组织”，允许其产品与现有旗舰业务自相残杀，并且忍耐3-5年不要求明显回报。历史上只有亚马逊的AWS（颠覆自己的电商托管业务）做到了。但今天的董事会和投资人没有这个耐心。

更可能的结局：大厂会通过投资/收购原生公司来“补票”，自己则主攻企业级私有化部署、合规增强这类AI原生公司不想做的“脏活累活”。微软投资OpenAI已是明证。

所以，不是大厂打不过，而是它们没法在现有躯体内长出一个完全不同的新器官。除非壮士断腕——但那只会在被彻底淘汰前最后一刻发生。

[Jun Xie @xJ3588]

Wish I had heard this lecture a lot earlier

[Jun Xie @xJ3588]

Q： Why is it that only AI-native companies—such as Anthropic and OpenAI—have succeeded in building effective AI programming tools, while major tech giants like Microsoft, Amazon, Google, and Meta seem unable to produce anything comparable? Given that these large corporations possess abundant financial resources, computing power, talent, and data, where exactly does the problem lie? What are the underlying barriers to entry?

Grok： The core issue isn’t resources—it’s focus, incentives, organizational structure, speed, and risk tolerance. AI-native companies like OpenAI and Anthropic treat frontier AI as their entire existence, while big tech treats it as one of many (often conflicting) priorities. This leads to meaningful differences in outcomes for developer tools.
1. Laser Focus vs. Portfolio Distraction
AI-native firms have one obsession: advancing and productizing the best possible models, especially for high-value use cases like coding.
Anthropic has heavily doubled down on coding with Claude (strong context windows, reasoning) and products like Claude Code.
OpenAI pioneered Codex → powered GitHub Copilot (massive success via Microsoft distribution) and continues iterating fast on coding agents.
Big tech has AI talent and compute but spreads it across cloud sales, ads, hardware, enterprise suites, regulatory battles, and legacy products.
Result: Natives ship specialized, high-polish tools faster. Big tech tools feel like “good enough” add-ons to existing clouds.
2. Speed and Iteration Culture
Startups iterate ruthlessly in public or semi-public, using real developer feedback loops. They deploy early, learn, and pivot without massive internal approvals. AI coding advances rapidly—better context, agents, tool use—so velocity wins.
Big tech faces:
Slower decision-making: Committees, risk reviews, compatibility with existing products.
Incentive misalignment: Promotions often reward revenue from core businesses (ads, cloud margins) over moonshot AI UX.
“Not invented here” or partnership drag: Microsoft succeeds partly because of its deep OpenAI tie, not pure internal efforts.
Natives eat their own dogfood aggressively.
3. Talent, Risk, and Mission Alignment
Top AI researchers and engineers often prefer (or started) companies where AI is the mission, not a division. Compensation, equity upside, and autonomy attract frontier talent. Big tech pays well but competes with bureaucracy and diluted impact.
Natives tolerate higher risk: releasing powerful coding agents that could disrupt software jobs (including their own) or raise safety questions. Big tech is more cautious due to enterprise customers, regulators, and stock price scrutiny.
4. Data and Distribution Advantages (With Caveats)
Big tech has vast proprietary data and distribution (e.g., GitHub for Microsoft, search/cloud for Google). This should help, and it does for Copilot. But for pure coding frontiers:
Model quality + UX matter more than raw data volume once past a threshold.
Natives optimize training for reasoning/coding (e.g., synthetic data, RL).
Distribution: OpenAI leverages Microsoft; Anthropic builds direct developer love (Cursor, Claude Code). Big tech sometimes pushes cloud lock-in over best-in-class experience.
Underlying Barriers to Entry for Big Tech
Organizational inertia: Conglomerates optimize for predictability and margins. AI rewards obsession and willingness to cannibalize.
Conflicting goals: Can’t fully commit to tools that might reduce need for traditional software/consulting revenue long-term.
Execution tax: Scaling across global teams, compliance, and legacy codebases slows frontier product velocity.
Talent concentration: Hottest researchers cluster at labs pushing boundaries.

In fast-moving fields like frontier AI, focus and speed beat resources. History shows this. Big tech can acquire or partner (they do), but building the absolute best from inside a diversified giant is structurally harder.

[Jun Xie @xJ3588]

AI时代：创业者正在变得越来越像“艺术家”

基于2025-2026年美国风险投资（VC）领域的最新趋势，尤其是以a16z（Andreessen Horowitz）等前沿机构的观点来看，创业者确实正在变得越来越像“艺术家”。这背后的逻辑与AI时代的到来密切相关。

以下是解释这一趋势的几个核心维度：

1. 技术边界的消除：从“工程师”到“叙事者”

在过去，创业门槛是技术实现能力（编写代码）。而在AI时代，基础代码可以由大模型生成，开源技术趋同。
•趋势： 创业者不再是单靠懂代码的工程师，而是利用杠杆工具的“创作大师”。
•艺术家特质： 他们更专注于愿景（Vision）和用户体验（UX）。正如顶级艺术家利用画笔创作，现代创业者利用AI“创作”出能够引发共鸣的产品。他们向投资人出售的是对未来的构想，而非仅仅是技术可行性。

2. AI带来的叙事与共情能力

当产品代码趋同，产品之间的差异化就在于其是否具备“人味”和独特的个性。
•趋势： 投资人开始寻找具有煽动性、独立价值观甚至情绪化的创始人，这与艺术家特质高度契合。
•艺术家特质： 这种创业者往往具有强烈的个人魅力（Founder-Led），甚至有点“偏执”和“疯狂”，他们致力于建立一种独特的“信徒文化”。 [1, 2]

3. “快速原型化”即是艺术表演

像Hustle Fund这样的种子期基金，更倾向于通过高频次的行动（Hustle）来判断创始人，而不仅仅是看BP。
•趋势： 创业不再是长周期的研发，而是短平快的“行为艺术”——迅速推出功能、快速迭代、与社区共创。
•艺术家特质： 这种高强度的行动力，将创业从刻��的商业规划转化为了一场即兴、即时反馈的艺术表现。

4. 寻找具有“杠杆”的创造力

正如a16z合伙人Marc Andreessen所强调的，当下的趋势是“建设”与“动力主义”，而不是纠结于过去的错误。
•趋势： 创业者追求的不再是努力的工作（Effort），而是杠杆（Leverage）。
•艺术家特质： 艺术家通过艺术作品撬动大众情绪，创始人通过AI和开源技术撬动资本和生产力。 [2]
总结

早期风投的最新趋势表明，在这个智力（技术实现）趋于平庸的AI时代，资本在疯狂寻找那些能将技术包装成令人惊叹的作品、具有独特叙事能力的“新艺术家”。他们不仅是在做企业，更是在塑造文化。 [2]

References
[1] https://t.co/SE47oonJnT
[2] https://t.co/dpkjBsJvAl
[3] https://t.co/2zFCtLe70H
[4] https://t.co/yoQWk498vc

[动察Beating @BeatingOfficial]

https://t.co/CMvtbStZ7n

[区块链行情研究 @qkl2058]

马斯克疯传！
1.7亿阅读神文：一夜重启你的人生。

[Jun Xie @xJ3588]

@BeatingOfficial “当支付动作本身变得多余，巨头们到底在抢什么？
答案是他们在抢意图的优先处理权。”

[动察Beating @BeatingOfficial]

https://t.co/XkZehAYQKZ

[Jun Xie @xJ3588]

深刻揭示AI时代的所谓高技能角色的本质。 https://t.co/hJUSS17Zbl

[Jun Xie @xJ3588]

Imagine the horse to welcome Year of Horse / 馬年之馬 https://t.co/rJS2EEvVfn

[Jun Xie @xJ3588]

You Can’t Find a Job Because LinkedIn Went Full TikTok - Inc. “Oh. That’s you in the LinkedIn universe. You are the product. Not jobs or career advancement tools or networking opportunities or vocational resources or sales leads. It’s you. And me.” https://t.co/SvGiowFnUD

[Jun Xie @xJ3588]

＂生存不需要思考＂
两个词：Aggressive, Hungry.

[Weiping Qin 秦偉平 @WeipingQin]

这个访谈，让我对姚明刮目相看。

在最激烈的竞争环境中生存下来的人，思维方式和生命体验与聪明书生就是不一样。#平论

没有人可以随随便便成功。

[Naruto @NarutoNolimits]

Jensen Huang on the smartest person he's ever met;

[BlockBeats｜We're hiring! @BlockBeatsAsia]

Clawdbot 都已经爆火且被迫改名了，可能有的人还没搞明白它到底是干什么的？🥲🥲

简单来说，Clawdbot 本质上是一个具有执行权限的 AI Agent，通过 API 将你所接入 AI 的逻辑能力、深度挂接到你的个人操作系统和通讯工具上。

创始人 Peter Steinberger 在 Demo Day 现场演示了如何通过一个「长了手的 Claude」来实现全天候的自动化生活管理：

🔹不仅是聊天框，更是系统管家：Clawdbot 运行在本地或云端，拥有读写文件、执行终端命令、控制浏览器甚至管理智能家居（如检查床垫温度��的最高权限。

🔹全平台接管：通过 Telegram、iMessage 或 WhatsApp 即可直接对话。它是钢铁侠里「Jarvis」的现实雏形，能主动检查代码进度、自动输入 Continue 补全任务。

🔹解决「失忆」痛点：具备永久性内存，能记住两周前的随口一提，甚至会因为你睡眠不足或体重上涨而对你「开启碎碎念模式」。

🔹自进化能力：支持 MCP 标准，可以自主编写 Skill、安装插件，从一个简单的脚本执行器进化为懂你习惯的「数字助理」。

Peter 在演示最后也表现出了极客的坦诚：如此高的系统权限，意味着安全性是它最大的软肋（坦言被攻击也许是早晚的事情🙃🙃那么问题来了，把生活全盘托付给一个 AI，到底是更自由了，还是给黑客递了把家���的钥匙？

[铁手 @0427SMtieshou]

李小龙在华盛顿大学四年学的是哲学。李小龙说停止一切消极的自我陈述。即使开玩笑也不要贬低自己！

[Andrew Ng @AndrewYNg]

How can businesses go beyond using AI for incremental efficiency gains to create transformative impact? I write from the World Economic Forum (WEF) in Davos, Switzerland, where I’ve been speaking with many CEOs about how to use AI for growth. A recurring theme is that running many experimental, bottom-up AI projects — letting a thousand flowers bloom — has failed to lead to significant payoffs. Instead, bigger gains require workflow redesign: taking a broader, perhaps top-down view of the multiple steps in a process and changing how they work together from end to end.

Consider a bank issuing loans. The workflow consists of several discrete stages:

Marketing -> Application -> Preliminary Approval -> Final Review -> Execution

Suppose each step used to be manual. Preliminary Approval used to require an hour-long human review, but a new agentic system can do this automatically in 10 minutes. Swapping human review for AI review — but keeping everything else the same — gives a minor efficiency gain but isn’t transformative.

Here’s what would be transformative: Instead of applicants waiting a week for a human to review their application, they can get a decision in 10 minutes. When that happens, the loan becomes a more compelling product, and that better customer experience allows lenders to attract more applications and ultimately issue more loans.

However, making this change requires taking a broader business or product perspective, not just a technology perspective. Further, it changes the workflow of loan processing. Switching to offering a “10-minute loan” product would require changing how it is marketed. Applications would need to be digitized and routed more efficiently, and final review and execution would need to be redesigned to handle a larger volume.

Even though AI is applied only to one step, Preliminary Approval, we end up implementing not just a point solution but a broader workflow redesign that transforms the product offering.

At AI Aspire (an advisory firm I co-lead), here’s what we see: Bottom-up innovation matters because the people closest to problems often see solutions first. But scaling such ideas to create transformative impact often requires seeing how AI can transform entire workflows end to end, not just individual steps, and this is where top-down strategic direction and innovation can help.

This year's WEF meeting, as in previous years, has been an energizing event. Among technologists, frequent topics of discussion include Agentic AI (when I coined this term, I was not expecting to see it plastered on billboards and buildings!), Sovereign AI (how nations can control their own access to AI), Talent (the challenging job market for recent graduates, and how to upskill nations), and data-center infrastructure (how to address bottlenecks in energy, talent, GPU chips, and memory). I will address some of these topics in future posts.

Against the backdrop of geopolitical uncertainty, I hope all of us in AI will keep building bridges that connect nations, sharing through open source, and building to benefit all nations and all people.

[Original text: https://t.co/Ck52mNGX4a ]

[VoxCat @VoxcatAI]

https://t.co/xx6F5PIUOt

[看不懂的SOL @DtDt666]

纳瓦尔最新博客：你只有一次人生（完整版）

人生的关键选择其实只有3个，看完醍醐灌顶！！

对于刚刚开始的年轻人来说，什么是最重要的事情？

花更多时间去做那些大的决定。

在你人生的初期阶段，或者你处于迷茫期，你要做的大的决定基本上只有三个：住在哪儿，和谁在一起，以及做什么。

1/。你最终会变成“你能接受的范围���下限” 。

Naval讲得很直接：“你最后会获得什么样的生活状态，取决于你对自己底线的容忍度。有些事你很在乎、你决不妥协，而有些事你无所谓、随随便便就接受了。而后者，往往就变成了你的命运。”

所以不是命运安排你“普通”“平庸”或“痛苦”，而是你对这些说了yes.

一段感情走下去，不是因为“非ta不可“，而是“已经这么久了”、“重新磨合一个人太麻烦了”、“ta虽然对我不太好，但ta也不给我惹麻烦”；

一份工作干了几年，不是因为“我很热爱”，而是“大厂有面儿”、“工作内容都熟悉了”、“还能忍忍”；

一个城市待了十年，不是因为“我很喜欢这里”，而是“在这里工作没办法”、“房子都买了”、“搬家太麻烦”。

Naval没有批评这些选择，而是提醒我们：这些不是世界强加给我们的，是我们默认接受的“最低标准”。

你能接受一个凑合，就不要抱怨为什么不能让你遇到你的热爱，这在任何领域都成立。你拒绝的东西里，藏着你的底线。

2/。人生其实只有3个关键选择。

Naval人生最重要的三个选择分别是：“你和谁在一起、你做什么以及你住在哪。”

这三个决定，构成了你每天醒来面对的生活、引发的情绪和可能的机会。但很多人几乎都没有认真选择过，而是任由它机缘巧合地“就这么发生了”。

A. 你和谁在一起
太多人都是“走着走着就在一起了”，从来没有真正想过：我是不是在“将就”，我的“底线”到底在哪。但Naval说，如果你不是一个愿意凑合的人，那就要学会在“有限时间内高效试错” -- 列出自己的底线，设定好时间范围，快速试错、快速排除、不断磨合调整，直到筛选出最适合自己的那个人。

B. 你做什么
Naval在他的书以及最新一期访谈里（纳瓦尔最新访谈：越快乐，越成功）不止一次提到过他认为每个人都应该去做的事情：“找到那个对别人来说像工作，但对你来说像玩的是。”“没有人能在成为你自己这件事上打败你。”

这就是你的天赋所在。找到它之后，想办法把它“杠杆化”，把自己和自己的天赋“产品化”-- 让它变成能创造价值、可以被无限放大的长期赛道。

C. 你住在哪座城市
这是很多人最容易忽略的一点，Naval强调说：“你住的城市，其实定义了你的社交圈、机会、视野，甚至美学与欲望。”

这个决定，在很多人那里几乎是被动发生的：在哪里读的大学、伴侣在哪、房价便宜、工作调动.....但它决定了你每天遇到什么人，说什么话，做出什么行为，看到什么天花板。不在你的思维以内的，就不会在你的行为以内；你想不到的，你就做不到。

3/。做选择时的3条黄金法则
读完第2点后，你也许会有一个疑问：OK我现在知道了我要好好思考这3个关键问题、并且做出选择了，但我要怎么做选择呢？

Naval给出了3条他自己在用的做选择时的标准，每一条都能帮助我们快速排除错误选项，缩小选择范围。

1、犹豫不决时，答案就是No.
“真正想要的东西，你一秒都不会犹豫。一旦你开始在写上了pros & cons的表格上反复记分纠结时，说明你的内心早已有了答案。”

这一点对很多人来说很有点扎心，因为不想面对自己其实不想要这个事实，于是装作“我再考虑考虑”、“我还在权衡”。但这条原则逼着你对你自己诚实：你不行动，是因为你其实没那么想要。

2、两个选择差不多，选那个短期让你更痛的。
“因为长期来看，那个更痛的选择，往往才是能让你成长更多的路。”

做着稳定但一眼能看到头的工作，短期安全，但长期上升空间有限。跳出舒适圈、换种活法，短期很难，但可能打开新��局、创出新天地。

Naval不是在鼓吹没苦硬吃，而是如果你当下的生活没有令你满意，说明这条路并不能帮你拿到结果；这时候，就应该走那条能够帮你拿到结果的路，哪怕这条路一开始很苦很难。

3、选那个“长期更让你心安”的选择。
Naval是从Kapil Gupta（思想家、商业教练）那里学到这个原则的：去选那个从长远看，会让你更平静、更稳定、更少后悔的方向（这有点像我们在数学里学到的极值思维，取最大或最小值，看看那个结果如何）。

不是最安全的那个，也不是最赚钱的那个，而是把时间线拉长后回头看你也不后悔的那个。

30年后，你是否还会认可你当下所选的伴侣、所选的工作和所在的城市？如果不会，那最好一天都不要多选，及时止损。

谁在最初阶段都迷茫，迷茫不要紧。

只要你在醒悟的时候能够拿出“勇气”做出真正知行合一的选择，���一样可以活得”清醒“且“自由”。

从今天开始，把决定权从“随波逐流”里拿回来，认真地思考自己可以接受什么、不能对什么将就，真正去做一两个不凑合的选择，生命的齿轮就会开始转动了。

[Nico投资有道 @tychozzz]

https://t.co/uI4Q3MaUa6

[Zhixiong Pan @nake13]

为了纪念被普遍认为最可能是中本聪的 Hal Finney，他的遗孀 Fran 发起的 Running Bitcoin Challenge 今年已来到第五届，这项活动号召参与者通过走或跑 21 公里来表达纪念。

21 公里接近半马的距离，更是为了致敬比特币 2100 万的总量。

这一切的起点，是 2009 年 1 月 11 日 Hal Finney 的一条推文：「Running bitcoin」。

他特意使用了小写的 bitcoin，而非大写的 Bitcoin。这或许是密码朋克特有的谦逊。

这里的「Running」本意指运行软件节点，但同时也能代表跑步。

基于这层双关，Fran 在四年前发起了这项挑战，用来募集资金，资助肌萎缩性侧索硬化症（ALS）的研究。

Hal Finney 正是因 ALS 离世，物理学家霍金也是该病的长期抗争者。目前 ALS 仅有 10% 的成因被证实与遗传相关，其余 90% 成因不明。

这是一种无法治愈的疾病，仅能通过治疗延缓进展。患者确诊后的平均生存期通常为 2-5 年，虽有像霍金这样的特例，但总体不容乐观。

为了支持这项研究，我也尽了一点绵薄之力。通过 https://t.co/8vRTyL4UlO，可以直接使用比特币网络或闪电网络完成捐款。

我为此重新打开了 Bitcoin Core 客户端，���步完最新的区块数据后进行了转账。查看记录，我上一次链上操作是在两年前，再上一次也是在两年前。

这种久违的同步过程让我意识到，支持这个网络并不需要频繁的交易。

如果你依然坚信 bitcoin 和 crypto 的价值，无需那些噱头，只需要从运行一个客户端开始。

Running bitcoin. #RunningBitcoinChallenge