跨国串门儿计划 - 节目列表

📝 本期播客简介 本期我们克隆了：Associated Press 的直播节目 LIVE: Fed Chair Kevin Warsh speaks after his first interest rate decision meeting 本期是一场极具信号意义的美联储新闻发布会。新任美联储主席 Kevin Warsh 在首次主持 FOMC 利率决策会议后亮相，宣布将联邦基金利率目标区间维持在 3.5%-3.75%，同时释放出一个比“加息还是降息”更深层的信号：美联储将进入一轮系统性自我审视与改革。 在这场发布会上，Warsh 反复强调，美联储的“北极星”是把货币政策尽可能做对，核心任务仍然是价格稳定和最大就业。他明确表示，在美联储重新证明自己有能力实现 2%通胀目标之前，没有理由重新讨论这个目标。同时，他宣布设立五个工作组，分别研究美联储沟通、资产负债表、数据使用、生产率与就业、通胀框架。 这不仅是一场利率会议后的例行问答，更像是一次美联储新主席的施政宣言。你会听到记者围绕通胀、点阵图、前瞻性指引、AI 对生产率的影响、实时经济数据、市场波动、财政部关系等问题连续追问，也会看到 Warsh 如何试图把美联储从“给市场暗示未来路径”的沟通模式，拉回到“看数据、交付结果、重建公信力”的新框架。 👨‍⚖️ 本期嘉宾 Kevin Warsh，新任美联储主席。他在本场发布会中首次以主席身份主持利率决策后的公开沟通。Warsh 曾长期关注货币政策、金融市场与央行制度设计，在本次发布会上，他提出要从第一性原理出发重新审视美联储的沟通方式、资产负债表政策、数据体系、通胀框架，以及 AI 时代的生产率与就业变化。 ⏱️ 时间戳 00:00 开场 & 播客简介 美联储新主席的第一次亮相 01:40 回到美联储：Warsh 的开场致辞与“北极星”表态 02:32 利率决定：维持 3.5%-3.75% 不变 03:07 当前经济判断：增长稳健、就业稳定、通胀仍高 03:33 五年高通胀后的承诺：委员会将实现价格稳定 04:00 声明变短了：取消前瞻性指引，回到事实本身 04:36 SEP 预测摘要：GDP、通胀、失业率与利率中位数 五大工作组：美联储要重新审视自己 05:05 五个改革方向：沟通、资产负债表、数据、生产率就业、通胀框架 06:02 从第一性原理出发：提出尖锐问题，审视现有做法 06:27 沟通工作组：新闻发布会、点阵图和 SEP 都可能被重新评估 06:42 资产负债表工作组：充足准备金制度的收益与风险 07:00 数据工作组：寻找更准确、更及时、更可行动的信息 07:15 AI 与生产率：新通用技术对就业和通胀使命意味着什么 07:31 通胀框架：重新研究价格稳定在新时代如何实现 2%通胀目标与政策耐心 08:14 工作组时间表：未来几周启动，年底前大多完成 09:05 是否重新审视 2%目标：Warsh 明确说“不” 10:04 通胀是一种选择：美联储有能力也有承诺实现目标 11:23 为什么不给未来利率路径：前瞻性指引被主动拿掉 12:11 当前政策有多紧：住房市场受限，但金融市场未必如此 点阵图、新闻发布会与央行沟通 13:10 点阵图是否就是前瞻性指引：Warsh 称“铅笔写的点可以擦掉” 14:36 为什么自己不提交点阵图：对制定政策没有帮助 15:33 新闻发布会还会不会继续：有重要的话要说时才值得开 16:17 新篇章的核心信息：承诺价格稳定，也承诺重新思考美联储做法 通胀来源与数据革命 17:03 中东冲突、能源价格与长期通胀压力 17:57 过去五年错过的信息：美联储要把价格稳定纠正回来 18:12 数据工作组要看什么：传统调查数据已经跟不上 2026 年经济 19:44 私营部门的实时信息：央行为何不能只看“历史的回声” 20:27 非农就业与数据修订：政策制定需要更小的误差范围 20:43 新数据来源与新分析技术：从“核心/非核心”走向更精细判断 市场、会议内部与为什么没加息 20:43 没有前瞻性指引会不会增加波动：让市场关注实体经济而不是猜美联储 22:05 第一次会议内部情况：桌上只有一个提案 22:55 为什么通胀高却没加息：Warsh 拒绝超出声明解释 23:50 工作组最佳实践：找最优秀、最多元的人，但不外包决策 25:17 如何解读两年期收益率：不评论短期市场反应 普通人、财政部与央行独立性 26:19 放弃前瞻性指引，普通人怎么办：杂货店里的牛奶、鸡蛋和油价 27:02 美联储真正能做什么：阻止价格冲击扩散为第二轮、第三轮通胀 27:35 与财政部的关系：货币政策执行独立，但央行需要宽阔视野 28:29 中东局势与央行职责：关心世界变化，但不扩大职责边界 AI、生产率与经济结构变化 29:13 AI 是新一代通用技术：机会巨大，风险也真实 29:50 American ingenuity：Warsh 对美国创新能力的长期信念 30:28 AI 对政策意味着什么：时间、规模、速度和就业影响仍需研究 30:42 当前利率是否限制性：政策效果“不均衡” 31:09 不是残酷二选一：增长、低物价和强就业可以兼容 31:40 信誉靠交付：为什么没有用加息来证明决心 32:05 AI 到底推高需求还是扩大供给：数据中心需求已显现，供给改善更难衡量 33:05 供给与需求的赛跑：AI 红利何时兑现仍是政策难题 实时数据、国民账户与美联储治理 33:37 是否要彻底改革国民账户：Warsh 回答“不是” 34:07 官方统计与私营实践：把实时数据、AI 工具织成一张网 34:41 同步数据还是历史回声：政策需要真正实时的信息 35:07 美联储大楼翻修争议：等待监察长报告，做好纳税人资金管家 SEP、反应函数与最后的劳动力市场判断 36:03 通胀预期上调是否都因伊朗战争：FOMC 内部看法仍分化 36:45 利率路径分歧：一半认为维持或更低，一半认为更高 37:07 为什么仍鼓励其他委员提交 SEP：这是 FOMC 目前的承诺 38:00 新沟通框架可能到来：形式和实质都要有成果 38:45 Warsh 的反应函数：公信力来自所有职责上的交付 39:53 劳动力市场现状：稳定，趋势比单个数据更重要 40:41 强生产率驱动的增长：不是应该害怕的东西，而是应该欢迎的东西 🌟 精彩内容 💡 “北极星”：把货币政策尽可能做对 Warsh 在开场中把美联储的使命重新压缩成一句话：把货币政策做好，或者尽最大努力接近正确。他强调，美联储不是为了迎合市场，而是为了履行国会赋予的双重使命：价格稳定和最大就业。 “把货币政策做好，或者尽我们所能做到尽可能接近正确。这就是我们的北极星。” 📉 2%通胀目标不会被重新讨论 面对记者关于是否重新审视 2%通胀目标的追问，Warsh 给出明确回答：在美联储重新证明自己有能力实现 2%之前，没有理由重新谈目标。这也是本场发布会最强硬、最清晰的政策信号之一。 “在我们重新证明自己有承诺、也有能力实现 2%通胀目标之前，我看不到重新讨论这个目标的理由。” 🧭 告别前瞻性指引：不再替市场写剧本 Warsh 明确表示，本次政策声明删除了前瞻性指引，因为在当前环境下并不合适。他认为市场应该对实体经济的新数据作出反应，而不是把精力放在猜测美联储下一句话上。点阵图也不应被理解成承诺，因为那些“点”是用铅笔写的，可以被擦掉。 “我注意到，所有提交上来的点，都是用铅笔写的。就是那种带大橡皮的铅笔。” 📊 数据革命：央行不能只听“历史的回声” Warsh 对传统经济数据提出了少见的尖锐批评。他认为，很多官方数据仍依赖老式调查方法，回复率下降、问题设计滞后，已经很难准确刻画 2026 年的美国经济。相比之下，私营部门 CEO 往往拥有更实时、更少修订的数据。美联储需要更及时、更可行动的信息。 “我们真正关心的是，现在正在发生什么。我们没那么关心的，是历史的回声。” 🛒 用杂货店解释通胀：美联储管不了每个价格，但要防止扩散 当记者问普通人如何理解美联储减少前瞻性指引时，Warsh 没有用技术语言，而是把场景放到杂货店。他承认，美联储无法直接控制鸡蛋、牛奶、油价等具体商品价格，但它的职责是防止这些价格冲击扩散成更广泛、更持久的通胀。 “我们确实有一项非常重要的工作，那就是确保石油、牛肉、鸡蛋或者牛奶价格的变化，不会扩散到整个经济中。” 🤖 AI 与生产率：需求已经看见，供给还在路上 Warsh 将 AI 称为最新一代通用技术，并认为它可能成为美国长期增长的重要力量。但他也提醒，AI 带来的数据中心、电力和资本开支需求已经体现在 GDP 里，而生产率提升、供给扩张的时间和幅度仍不确定。这是一场需求与供给之间的赛跑。 “AI 或许可以理解成 American ingenuity，美国人的创造力。” ⚖️ 不是“增长和通胀”的残酷二选一 面对就业强劲、通胀偏高、股市上涨等复杂局面，Warsh 拒绝接受“要低通胀就必须牺牲就业”的传统叙事。他认为，如果美联储把工作做好，强劲增长、低物价和强劲就业是可以同时存在的。 “我不认为我们面临的是一种残酷选择。如果我们把工作做好，强劲增长、低物价和强劲就业可以相互兼容。” 🌐 播客信息补充 本播客采用原有人声声线进行播客音频制作，也可能会有一些地方听起来怪怪的 使用 AI 进行翻译，因此可能会有一些地方不通顺； 如果有后续想要听中文版的其他外文播客，也欢迎联系微信：iEvenight

📝 本期播客简介 本期我们克隆了：硅谷顶尖健康与科学播客《Huberman Lab》The Mental Frame & Specific Daily Actions to Succeed | Andy Stumpf 本期嘉宾 Andy Stumpf 是退役 Navy SEAL、翼装 BASE 跳伞世界纪录保持者、武术练习者，也是《Drownproof》的作者。这期节目并不只是关于特种部队、极限运动或“硬汉精神”，而是一场关于普通人如何夺回能动性、训练自律、面对痛苦与人生重大挑战的深度对谈。 Andy 分享了一个非常实用的练习：把“关注的事”和“能影响的事”分开，帮助我们从新闻、社交媒体、他人评价和不可控焦虑中抽身，把精力重新放回自己能够行动的地方。他也谈到社交媒体如何像一种低强度但持续的成瘾，如何让人一边清醒地知道自己在浪费时间，一边无法停下。 节目后半段更加坦诚。Andy 讲述了翼装 BASE 跳伞为什么能带来一种“心流之后的清明”，也谈到离婚、与孩子失联、最严重身体疼痛、自杀、退役军人心理健康，以及为什么真正的自律往往不是宏大宣言，而是把厕纸换好、把杯子放进洗碗机、在不想训练的时候仍然做一点点。 这是一期关于“如何在无法控制世界时，仍然控制自己回应方式”的节目。 👨‍⚕️ 本期嘉宾 Andy Stumpf，退役 Navy SEAL、翼装 BASE 跳伞世界纪录保持者、武术练习者、播客主持人，也是《Drownproof》的作者。退役后，他曾加入 Red Bull High Performance Team，参与翼装飞行与 BASE 跳伞，并持续通过播客、写作和公开分享，讨论自律、风险、心理健康、退役转型和人生工具。 原内容更新时间：2026-06-15 ⏱️ 时间戳 00:00 开场 & 播客简介 重新夺回能动性 05:13 影响圈与关注圈：区分你在意的事和你真正能改变的事 07:00 纸笔练习：左边写“关注”，右边写“影响” 08:15 你真正能控制的，最终只有自己的回应方式 09:47 如何把注意力从算法、新闻和焦虑中拉回来 10:26 与算法相处：平台想拿走你的力量，但使用它是可选的 社交媒体、酒精与下一代 13:07 社交媒体如何让“关注圈”无限膨胀 13:50 把手机使用压到每天一小时以内的实验 14:36 为什么把 Instagram 挪到电脑上，心理健康明显变好 16:07 两个前 SEAL 也会重新陷入刷手机：平台到底有多强 18:19 社交媒体像不像成瘾：明知不舒服却停不下来 20:00 Huberman 的理论：社交媒体是“低分辨率”的终极成瘾 23:03 Andy 的孩子如何管理社交媒体：下载一小时再删掉 25:21 年轻人为何可能开始反抗社交平台和酒精文化 27:34 酒精、社交润滑剂与错过人生经历的复杂问题 29:29 酒精、年轻人心理风险的比较 训练高唤醒状态 31:35 睡眠、低状态与探索自己能力边界 32:52 冷水浸泡：训练身体在高肾上腺素状态下保持清醒 34:17 冷暴露的多巴胺、肾上腺素与训练时机 35:20 桑拿、冷水和 Jocko 的“出厂重置方案” 翼装飞行与风险判断 36:30 为什么珍惜生命的人会去做翼装 BASE 跳伞 37:00 翼装是什么：把身体变成一片尼龙机翼 38:04 高空跳伞与 BASE 跳伞的关键差异 39:18 起跳后前四秒：没有气流时最危险 40:00 学翼装前要先学会跳伞，Andy 第一次翼装前已跳三千次 41:26 高空跳伞的主伞、备用伞与自动开启装置 44:47 BASE 跳伞为什么通常只有一具降落伞 47:31 从悬崖穿翼装跳出去时，真正跨越的心理门槛 48:27 翼装带来的心理重置：关注圈在最后一分钟消失 50:15 BASE 跳伞如何让人重新进入极度专注 51:20 风险回报不再划算时，为什么 Andy 停止了翼装 BASE 53:00 恐惧不是问题，没有恐惧才危险 55:11 一百二十英里时速贴近地面飞行是什么感觉 58:22 翼装 BASE 的死亡率与风险曲线 59:23 邓宁克鲁格效应：新手和“以为自己会了”的人最危险 01:00:36 你是真的搞定了，还是只是侥幸逃过了？ 最难的不是战场，而是生活 01:04:24 离婚为什么比 SEAL 训练更难 01:06:03 Andy 如何用书里的所有工具熬过人生低谷 01:07:42 为什么要把离婚和脆弱写进《Drownproof》 01:09:23 特种部队成员也是普通人，也会被家庭和生活击垮 01:10:16 “我就是你”：公开脆弱是为了让别人知道自己并不孤单 01:12:09 与大儿子失联十八个月：父亲身份中的灵魂拷问 01:14:34 现任妻子如何帮助 Andy 理解孩子永远会站在母亲那一边 01:17:22 父母也只是普通人：从孩子视角到成年人视角的转变 心流之后的清明 01:20:40 翼装之后的六个月：不是兴奋，而是安定和扎根 01:21:29 把生活噪音调低：极限专注后的长期心理影响 01:24:26 一次好跳之后，为什么睡得特别好 01:25:17 三个月的清爽状态：大脑更会筛掉不重要的东西 01:26:22 Huberman 的解释：这可能不是提高压力阈值，而是校准心流后的感知 01:27:41 Andy 如何在艺术、瑜伽、冥想、柔术中寻找类似状态 01:29:05 时间感知的校准：进入当下之后，日常生活也变得更清晰 从厕纸到自律 01:32:15 厕纸故事：为什么小事暴露一个人的生活方式 01:33:10 事情做错，永远更花时间 01:35:03 洗衣服、收衣服和那些被拖延的小动作 01:36:28 小事不是小事：整理床铺背后的自律逻辑 01:37:57 每个决定都有稍微容易和稍微难的选项 01:38:26 成功者往往不是靠混乱，而是靠环境里的微小秩序 01:39:49 社交压力为何会让人嘲笑自律 01:43:30 你怎么做一件事，就会怎么做所有事 01:45:04 筋疲力尽和时间有限时，小事反而最重要 01:45:49 前中扣带皮层：做不想做的事如何训练坚韧 01:47:03 为什么“你讨厌但仍然做”的事，才真正改变大脑 疼痛、求助与说出来 01:50:03 Andy 经历过最严重的疼痛，不是中枪，而是肠梗阻 01:52:01 明明疼到站不直，为什么还去练了九十分钟柔术 01:54:23 太太直接把他送进医院：有时别人比你更清楚界限 01:55:08 手术前六小时的剧痛、吗啡无效和氯胺酮 01:57:54 越坦诚地说出痛苦，情况反而越可能变好 01:58:44 身边有人愿意帮忙时，为什么不要把痛苦憋在心里 自杀、孤立与心理健康 02:02:46 时间感知、人生困境与自杀话题 02:04:44 特种作战群体中，自杀死亡已超过作战死亡的严峻现实 02:06:18 为什么相同经历会压垮一个人，却没有压垮另一个人 02:06:58 Dave 的故事：别人眼中的标准人物，自己眼中的失败者 02:08:15 日记、遗言与留下来的人的“本来可以” 02:09:03 高标准、自我厌恶与酒精如何叠加 02:10:23 治疗、致幻剂与为什么有些人仍然没被救回来 02:11:31 每场葬礼上都会问的问题：我们还能多做什么？ 02:13:18 自杀倾向可能不是单一问题，而是多种路径的终点 02:15:14 高表现者的孤独：越成功，同辈越少，形象压力越大 02:18:10 非理性的决定为何会被看成唯一理性的解决办法 02:19:52 退役前的创伤、服役中的创伤和身份丧失如何叠加 02:22:30 每天报平安的小群：连接不是小事 02:24:06 羞耻、阴影与承认痛苦：为什么有些问题不能只靠科学解释 02:28:06 护目镜起雾：当你不能相信自己眼中的世界时，要相信可信的人 每天选择更难一点 02:30:26 普通人从哪里开始：早上做一个带自律意味的小动作 02:31:20 整理床、先喝水、提前备餐：没人看见的小胜利 02:33:05 每天出一次汗，或者尽量接近出汗 02:34:23 每个人都知道哪个选择更难，真正要做的是去做它 02:35:13 哪怕很小，也要更常选择自己不太想做的那件事 02:35:54 把咖啡杯放进洗碗机：小胜利如何累积成人生差异 不确定性、说不与成功的代价 02:37:10 Andy 现在最兴奋的事：不知道下一步会发生什么 02:38:48 从 SEAL 到飞行员、翼装运动员、咖啡店老板和作者 02:39:33 钱的作用：赚到足够的钱，让自己有能力说“不” 02:40:13 如何判断一个商业机会是否值得做 02:41:20 从生存模式走向选择模式：不再因为恐惧接下所有机会 02:43:22 成功的代价：追目标之前，能否看清自己要牺牲什么 02:47:34 宁愿差一点达成目标，但拥有快乐、家庭和完整生活 02:49:22 钱买不到幸福，但能缓冲某些压力 02:51:08 钱也可能破坏连接，让人怀疑他人的动机 02:52:46 Huberman 总结：这本书和这次对谈为什么对所有人都有价值 🌐 播客信息补充 本播客采用原有人声声线进行播客音频制作，也可能会有一些地方听起来怪怪的 使用 AI 进行翻译，因此可能会有一些地方不通顺； 如果有后续想要听中文版的其他外文播客，也欢迎联系微信：iEvenight

📝 本期播客简介 本期我们克隆了：David Senra 主持的《Founders Podcast》What I learned from reading Paul Graham's essays 原播客更新时间：Dec 1, 2023 这一期，David Senra 用近一个半小时，拆解了 Y Combinator 创始人 Paul Graham 多篇影响深远的文章。从《如何做你热爱的事》到《如何不死》，从《坚持不懈地足智多谋》到《做那些无法规模化的事》，这期节目几乎可以看作一堂浓缩版创业思想课。 你会听到：为什么“做你热爱的事”不是追求即时快乐，而是找到长期最能让你持续投入的工作；为什么创业公司死亡的真正原因往往不是钱花完，而是创始人被打垮；为什么坏经济环境不一定是创业坏时机；为什么优秀创始人的核心特质不是单纯聪明，而是“坚持不懈地足智多谋”；以及为什么一家伟大公司早期最重要的动作，往往是那些看起来笨、慢、无法规模化的小事。 这不只是一期关于 Paul Graham 文章的读书笔记，更像是一份写给创业者、产品人和所有想认真做事的人的现实指南：别迷信声望，别幻想捷径，别害怕起点小，别把发布当成成功。真正重要的是，找到你愿意长期投入的事，活下来，服务好真实用户，并持续把事情往前推。 👨‍💼 本期主讲 David Senra，《Founders Podcast》主播。他长期通过阅读企业家传记、公司史和经典商业文章，提炼创始人思维与公司建设方法。本期他围绕 Paul Graham 的多篇文章，结合自己阅读数百本创业者传记的经验，梳理创业、热爱、决心、融资、用户增长和做伟大公司的底层规律。 👤 本期核心人物 Paul Graham，程序员、作家、创业者、Y Combinator 联合创始人。他曾创办 Viaweb，并将其出售给 Yahoo；后来创办 Y Combinator，深刻改变了早期创业公司融资和孵化方式。他的文章长期影响全球创业者，尤其是关于“做你热爱的事”“做出人们想要的东西”“做那些无法规模化的事”等观点，已经成为科技创业领域的经典思想资源。 ⏱️ 时间戳 00:00 开场 & 播客简介 找到真正热爱的工作 01:33 《如何做你热爱的事》：工作不等于痛苦，真正的问题是你要做什么 03:10 热爱不是即时快乐，而是长期最能让你快乐的事 05:11 声望和金钱如何把人带偏：只管做你喜欢的事，让声望自己解决 07:11 “始终产出”：检验自己是否真的热爱一件事 08:11 人生选择为什么常常太早发生：别让高中时的自己决定一生 09:33 约束、自由与挣扎：找到热爱的工作本来就很难 Paul Graham 的影响 10:22 Paul Graham 是谁：Viaweb、Y Combinator 与创业文章的影响力 11:15 David 为什么花几周打印、阅读和标注 Paul Graham 的文章 12:35 一篇改变人生的文章：David 如何决定全力投入 Founders Podcast 什么事对你来说不像工作 14:10 《什么对你来说不像工作》：别人觉得痛苦，你却觉得像玩 15:35 Michael Jordan 的例子：极致努力有时来自“玩”的感觉 16:22 奇怪的偏好可能是线索：喜欢调试、喜欢阅读、喜欢别人觉得无聊的事 18:18 找到自己该做什么，需要像侦探一样追踪细微信号 创业公司如何不死 19:20 《如何不死》：创业公司最重要的是活下来 21:30 创业的二元结果：活下来可能发财，死掉就什么都没有 23:20 公司死亡的底层原因：不是钱花光，而是士气被打垮 24:37 创业一定会痛苦：提前知道困难，才不会被困难吓退 25:12 不要加“但是”：创业公司不能一边分心一边继续 26:23 公开失败的压力：如何利用怕丢脸，让自己不轻易放弃 28:03 灾难一定会来，正确反应是不要放弃 坏经济环境里的创业机会 28:42 《为什么要在糟糕的经济环境里创办创业公司》 30:02 经济环境没那么重要，创始人的质量才重要 31:18 如果担心公司生存，不要看新闻，去照镜子 32:50 投资人的反周期困境：坏时候本该买入，却往往不敢买 34:27 公司世界里的蟑螂：低成本运营，让自己难以被杀死 35:27 坏时候竞争更少：别人躲起来时，你可能独占整节车厢 35:42 创始人也是投资人：你是在用工作购买自己的股票 优秀创始人的核心特质 36:28 《坚持不懈地足智多谋》：优秀创始人的两个关键词 37:44 光坚持不够，还要不断找到新办法 38:20 做出人们想要的东西是目的地，足智多谋是抵达方式 38:43 《决心的解剖》：为什么决心比聪明更重要 40:50 天赋被高估，决心被低估：过一段时间后，决心看起来像天赋 41:45 意志力、自律和野心：决心的三个组成部分 44:20 把有抱负的人放到一起：社区如何放大野心 46:10 决心的公式：意志力构成，自律平衡，抱负确定方向 46:45 如果你热爱这项工作，就不需要一直靠决心驱动自己 创业公司的真实样子 47:05 《创业公司真实是什么样》：Paul 向 YC 创始人收集的真实反馈 48:28 创业者会被同样的事情震惊：历史和人性不断重复 49:04 谨慎选择联合创始人：人品和投入程度比能力更重要 50:14 联合创始人关系像婚姻：它是一切的基础 51:20 创业史里的合伙难题：强创始人之间为什么很难长期共处 54:13 创业公司会接管你的生活：它永远不会停 55:10 全身心投入的代价：像 Conor McGregor 一样入魔 57:25 情绪过山车：今天像下一个 Google，明天像彻底失败 58:39 坚持是关键：毅力比原始智力重要得多 59:55 长期思考：所有事情都会比你预期更久 01:00:27 苦干大于光鲜：成功是大量小事的累积 01:01:35 从最小产品开始，快速发布，然后持续迭代 01:02:05 把创业想法当作假设，而不是蓝图 01:02:50 不要过度担心竞争，真正重要的是执行 01:04:13 获客很难：做出好产品之后，还要学会分发 01:05:35 对交易和融资预期最坏情况：掌握自己的命运 01:08:14 投资人也会无知：不要把判断权完全交给外部人 01:09:15 假装笃定的力量，以及运气在创业中的巨大乘数 01:10:42 社区的价值：和同样在受苦的人待在一起 01:12:54 超级模式：很多道理只有亲自创业后才真正明白 足智多谋者的一句话 01:13:32 《给足智多谋者的一句话》：最好的创始人能照顾好自己 01:15:02 一句话就够了：优秀创始人会自己追下所有含义 01:16:25 不成功创始人的问题：来自软弱的保守 01:17:10 难以沟通只是信号，真正的问题是缺少坚持不懈地足智多谋 做那些无法规模化的事 01:17:49 《做那些无法规模化的事》：创业公司不会自己起飞，是创始人让它起飞 01:18:26 早期最重要的事：手动招募用户，不能等用户自己来 01:18:48 Stripe 的 Collison 式安装：用户说愿意试用，就当场帮他装好 01:19:34 销售和分发的重要性：至少一位创始人要大量投入获客 01:20:18 Estée Lauder 的一对一服务：看似无法规模化，长期却会复利 01:22:23 周增长率与复合增长：从 100 个用户到 200 万用户的路径 01:23:12 不要用成熟公司标准评判幼虫阶段的创业公司 01:24:31 先让少数人真正爱你，而不是让很多人有点喜欢你 01:25:09 早期小公司优势：你能提供大公司无法提供的服务水准 01:26:13 狭窄市场的力量：Facebook 为什么先从哈佛开始 01:27:08 硬件公司也要做无法规模化的事：Meraki 自己组装路由器 01:27:47 做无法规模化的事也是学习：自己当工厂，才能快速调整 01:28:30 像咨询一样服务用户：Viaweb 如何替商家搭建网店 01:29:31 别迷信盛大发布：创业公司是有动力的飞机，不是炮弹 01:30:27 用户还有别的事情要想：获客永远是渐进过程 01:31:19 任何省略努力的策略，都值得怀疑 01:32:30 创业想法不是单一变量：它包含“做什么”和“如何启动” 01:33:02 收尾：Paul Graham 文章还有第二部分 🌟 精彩内容 💡 做你热爱的事，不是做此刻最爽的事 Paul Graham 对“做你热爱的事”的解释并不鸡汤。他强调，热爱不是即时快感，而是在更长时间尺度上最能让你持续快乐和投入的事情。没有产出的快乐会逐渐黯淡，真正让人长期快乐的是创造、产出和对作品的敬佩。 “做你热爱的事，并不是说做此刻最让你快乐的事。它指的是，在更长一段时间里，最能让你快乐的事。” 🧭 什么事对你来说不像工作 判断一件事是否适合你，一个很有用的线索是：它在别人眼里像工作，但在你眼里不像工作。对 Paul Graham 来说，编程和调试可能如此；对 Michael Jordan 来说，高强度训练像是在玩；对 David Senra 来说，阅读大量创业传记并不枯燥。 “如果一件事在别人看来像工作，但在你看来不像工作，那它很可能就是适合你的事。” 🪳 创业公司的第一原则：活下来 在《如何不死》和关于衰退创业的文章里，Paul Graham 反复强调，创业公司最重要的是不要死。很多公司死亡不是因为突然断粮，而是因为创始人被打垮、分心、停止迭代。低成本运营、减少依赖外部融资、让自己像“公司世界里的蟑螂”一样难以被杀死，是早期创业的核心生存策略。 “你的公司运营成本越低，就越难以被杀死。” 🔥 优秀创始人的核心：坚持不懈地足智多谋 Paul Graham 认为，优秀创始人最好的简短描述是“坚持不懈地足智多谋”。光坚持不够，因为创业里的问题往往是新的，不能只靠硬推；光聪明也不够，因为聪明但没有决心的人可能毫无产出。真正重要的是，在障碍面前持续寻找新办法。 “做出人们想要的东西，是目的地。但坚持不懈地足智多谋，是你抵达那里的方式。” 🤝 联合创始人关系像婚姻 Paul Graham 从大量 YC 创始人的反馈里发现，创业者最常后悔的事情之一，就是没有更谨慎地选择联合创始人。能力很重要，但人品、投入程度、能否长期承受压力更重要。创业公司会把朋友关系变成一种近似婚姻的关系：一起面对钱、压力、烂摊子和共同的“孩子”。 “不要选择会临阵脱逃的联合创始人。” 🎢 创业真实体验：长期、痛苦、情绪化，但也自由 创业不是一份工作，而是一种会接管你生活的状态。它会带来极高的高点，也会带来极低的低点。很多创始人前一天觉得自己是下一个 Google，第二天就觉得要向家人承认彻底失败。也正因为如此，毅力和长期思考比想象中更重要。 “我在真正开始之前，最没理解的一件事就是，毅力才是这场游戏的核心。” 🛠️ 做那些无法规模化的事 这是 Paul Graham 最经典的创业建议之一。创业公司不会自动起飞，是创始人让它起飞。早期要手动招募用户、亲自服务客户、做看起来笨拙又低效的小事。Stripe 早期会当场帮用户安装；Estée Lauder 会一对一给潜在顾客化妆；Viaweb 会替商家搭建网店。这些事短期看无法规模化，长期却可能通过口碑和复利变成真正的增长引擎。 “实际上，创业公司之所以起飞，是因为创始人让它们起飞。” 🚀 不要迷信盛大发布，真正重要的是持续推进 Paul Graham 不相信创业公司靠一次盛大发布成功。发布最多只能带来一小批初始用户，之后仍然要一个个争取、一个个服务。用户有自己的生活，不会像创始人一样天天想着你的产品。所以任何试图跳过努力、幻想一次爆发的策略，都值得警惕。 “任何省略努力的策略，都值得怀疑。” 🌐 播客信息补充 本播客采用原有人声声线进行播客音频制作，也可能会有一些地方听起来怪怪的 使用 AI 进行翻译，因此可能会有一些地方不通顺； 如果有后续想要听中文版的其他外文播客，也欢迎联系微信：iEvenight

📝 本期播客简介 本期我们克隆了：硅谷科技、商业与政治评论播客《All-In Podcast: Anthropic's Fable Backlash, Nationalizing AI, Inflation Heats Up & California’s Broken Elections》 本期节目是一次典型的 All-In 式高密度圆桌辩论。四位 “Besties” 从 Anthropic 新模型 Fable Five 引发的开发者反弹切入，讨论了一个越来越现实的问题：当企业把知识、工作流和核心研发交给闭源 AI 模型时，是否也把自己的命门交给了少数模型公司？节目里，Chamath 将 Anthropic 的做法概括为企业 AI 治理与单点故障风险，Friedberg 以基因组学和农业生物技术为例，说明过度安全限制如何迫使公司转向开源和本地模型，Sacks 则猛烈批评这可能演变成监管俘获、反竞争和“AI 拥有者 vs 无 AI 者”的新权力结构。 随后，话题转向 Bernie Sanders 提出的 AI 公司股权征收和主权财富基金方案。几位主持人虽然反对强制没收，但也承认，当 AI 公司一边使用全人类知识训练模型，一边不断宣称 AI 会让普通人失业时，公众要求分享收益几乎是一种必然反应。节目后半段还讨论了通胀升温、伊朗战争对能源价格的冲击，以及加州选举制度在邮寄选票、ballot harvesting 和选民身份验证上的争议。 这期节目不仅是一场关于 Anthropic 的争论，更是一场关于 AI 时代权力如何分配的讨论：谁能控制模型？谁能使用能力？谁承担风险？谁分享收益？以及，当技术已经无法被关回盒子里时，社会应该监管工具本身，还是监管工具进入现实世界后的结果？ 👥 本期主持 Jason Calacanis，连续创业者、天使投资人，Launch 创始人，All-In Podcast 主持人之一。 Chamath Palihapitiya，Social Capital 创始人兼 CEO，前 Facebook 高管，长期关注科技投资、资本市场与国家基础设施。 David Friedberg，The Production Board 创始人兼 CEO，连续创业者，关注农业、生物技术、能源与科学产业化。 David Sacks，Craft Ventures 联合创始人，企业软件创业者与投资人，长期参与硅谷科技政策、AI 和政治议题讨论。 ⏱️ 时间戳 00:00 开场 & 播客简介 AI 守门人争议：Anthropic Fable Five 风波 01:37 Anthropic 新模型发布：更强能力、更高价格与更重护栏 02:51 Prompt 保留 30 天、前沿研究降级：开发者为何愤怒 03:49 Chamath：企业必须开始思考“我怎样掌握 AI 控制权” 05:41 Friedberg：科学研发被限制后，公司会被迫转向开源模型 08:30 中国开源模型崛起：美国限制自己，是否等于把优势让给别人 10:35 Sacks：从强制监控到模型降级，AI 公司正在制造新的守门机制 14:03 隐形操控风险：模型公司是否会偏向自己的合作伙伴 15:41 自由市场能否解决模型偏见与产品体验问题 16:47 监管俘获：一边削弱产品，一边呼吁政府限制竞争 17:41 算力与电力护城河：开源模型真正缺的不是实验室，而是基础设施 19:35 Evo 2 与基因组语言模型：开源科学模型的现实价值 21:03 替 Dario 做最强辩护：强模型到底该不该被谨慎释放 23:42 AI 与核技术类比：同一套能力既能治病，也可能被武器化 25:11 监管应该管工具访问，还是管现实世界输出 28:03 KYC、护栏与企业使用权：是否存在更精细的安全方案 31:01 Jason 现场测试被降级：敏感问题如何触发模型切换 33:11 生物安全的现实护栏：核酸合成筛查与记录保存 36:07 开源模型已经扩散：AI 不可能被“关掉” AI 国有化与公众收益 38:14 Bernie Sanders 提案：AI 公司 50% 股权进入主权财富基金 40:39 Sacks：反对没收财产，但理解公众为什么会有这种情绪 41:59 AI 失业叙事的反噬：AI CEO 自己制造了政治风险 44:55 Friedberg：把社保基金改造成主权财富基金，而不是没收企业 46:16 AI 不会摧毁工作：真正机会在收入端和生产率提升 48:29 AI、就业与叙事差异：Elon、Dario、Sam 的说法并不相同 50:15 “愚蠢税”：当 AI 公司反复说自己有害，公众自然要求夺回收益 52:15 Chamath：AI 不是互联网，边际用户成本是真实存在的 54:17 能源、GPU 与国家基础设施：政府为何可能有谈判筹码 56:03 哪些 AI 公司可能上市，谁会成为公共收益讨论的对象 57:43 开源初衷：OpenAI 最初为何叫 OpenAI 58:58 开源前沿实验室的瓶颈：不是人才，而是电力 All-In 活动回顾 59:19 Liquidity 与嘉宾回顾：Sarah Friar、Thomas Laffont 等亮点 01:01:19 风投概率论：为什么越大的赢家，继续变大的概率反而更高 01:02:30 “万亿独角兽”与偿还国债的玩笑 通胀、战争与利率 01:03:22 CPI、PPI 创多年高位：市场开始重新定价加息风险 01:04:23 Friedberg：伊朗战争带来能源冲击，但根源仍是政府过度支出 01:06:25 Chamath：油价、太阳能、中国储备与通胀压力 01:08:22 Sacks：市场似乎仍押注伊朗局势会有解决方案 01:09:00 Jason：伊朗战争可能成为巨大且长期的政策错误 加州选举制度争议 01:09:39 洛杉矶市长初选：现场投票与邮寄选票差异引发争议 01:10:42 Friedberg：邮寄选票、ballot harvesting 与“任命式选举” 01:12:42 加州选举规则变化：选票收集、普遍邮寄与身份验证争议 01:16:24 Sacks：脏选民名册、签名验证和保管链问题 01:20:29 Jason：统计异常不等于已经证明舞弊，为什么不调查 01:22:08 Chamath：加州政治机器与单党治理结构 01:24:50 选民身份证明与邮寄选票：哪些改革具备常识基础 01:27:01 Friedberg：国会应建立“一个人一票”的最低制度保障 01:30:32 Sacks：不要否认自己看到的统计异常 01:33:15 媒体为何不追问：两极化如何压制选举诚信讨论 01:36:02 最强解释尝试：地面组织、收票机器与合法但可疑的操作空间 01:38:23 节目收尾：Besties 互怼与告别 🌟 精彩内容 💡 “公司需要开始认真评估 AI 的下一阶段：我怎样掌握控制权？” Chamath 认为，Anthropic Fable Five 的争议不只是一个产品策略问题，而是企业 AI 治理的转折点。如果企业使用的模型可以在不透明条件下记录、判断、降级甚至限制输出，那么 AI 就从工具变成了潜在的单点故障。企业需要思考：核心数据给谁看？谁能从这些数据中学习？是否应该把关键能力押在单一闭源模型上？ 🧬 科学创新与安全护栏的冲突 Friedberg 以基因组学和农业生物技术为例，说明强模型在设计遗传构建体、预测基因变体影响等科学任务中有巨大价值。但如果模型因为理论上的生物武器风险而大范围限制相关能力，实际结果可能不是风险消失，而是企业被迫转向本地开源模型。这样的限制甚至可能让美国企业更多依赖中国开源模型。 “你不能只是关掉 AI，也不能关掉人们对这些东西的访问。你会做成的事情，是逼着别人获得不公平的优势。” 🧱 AI 守门人与监管俘获 Sacks 的核心批评是，Anthropic 一边对用户 prompt 和上下文进行保留与监控，一边根据内部判断决定用户能否使用最强模型能力，同时又呼吁建立更强监管。他认为这可能导向一种“AI 拥有者与无 AI 者”的结构：少数大公司和监管机构共同决定谁配使用强能力，谁只能被降级。 “这些强大的大型科技公司会决定你配不配。它们会决定你是 AI 拥有者，还是无 AI 者。” 🔓 开源不是选择题，而是战略安全问题 节目多次强调，开源模型已经扩散，无法被关回盒子里。Friedberg 认为，与其试图限制模型本身，不如在更靠近现实输出的环节设置护栏，例如核酸合成筛查、危险材料管控、网络攻击执法等。Jason 则表示愿意投资开源前沿模型公司，但 Chamath 提醒，真正的瓶颈是电力和算力基础设施，而不是实验室数量。 “模型已经被放到世界上了。这就像出版一本书。书一旦印出来，任何人都可以复印。” 💰 AI 国有化争议：没收，还是让公众参与收益？ Bernie Sanders 提出向大型 AI 公司征收 50% 股票税，建立公共主权财富基金。几位主持人普遍反对强制没收，但承认这种提案并非凭空出现。AI 公司一方面使用全人类知识训练模型，一方面反复告诉公众 AI 会让大量人失业，自然会引发“那我能得到什么”的政治反弹。Friedberg 提出更温和方案：改革 Social Security Trust Fund，让其像主权财富基金一样投资优秀企业，而不是直接没收股权。 📈 AI 与就业：不是裁员机器，而是收入增长引擎 Friedberg 强烈反对“AI 必然导致大规模失业”的叙事。他认为企业有收入端和成本端，AI 的最大机会不是减少人，而是让公司创造过去无法创造的新产品、新服务和新收入。一个工程师可以完成过去几十倍甚至上百倍的工作，公司因此反而需要招聘更多人来抓住机会。 “认为 AI 会摧毁工作岗位，这是一种卢德主义想法，而且每天都在被证伪。” ⚡ AI 的经济学不同于互联网 Chamath 指出，互联网公司的边际用户成本接近于零，因此 Google、Facebook 等能享受极高利润率。但 AI 不一样，每增加一个用户，都要消耗 GPU、电力和内存。AI 公司深度依赖国家级能源、数据中心和关键基础设施，这也成为政府参与收益分配或谈判股权时可能使用的理由。 🔥 通胀回归与战争风险 节目后半段讨论 CPI 和 PPI 升温。Friedberg 认为短期通胀与伊朗战争导致的能源冲击有关，但长期根源仍是政府过度支出。Chamath 则提醒，如果中国重新大规模进入现货市场购买原油，油价可能大幅上行，并通过全球商品和服务传导到 CPI。几位主持人都认为，伊朗局势需要尽快找到下台阶。 🗳️ 加州选举制度：统计异常、制度漏洞与信任危机 围绕洛杉矶市长初选，节目最后展开激烈争论。Friedberg 和 Sacks 认为，加州长期放宽邮寄选票、选票收集和身份验证规则，已经制造了严重选举诚信疑虑。Jason 则不断提醒：统计异常值得调查，但需要区分“看起来不对劲”“制度设计有漏洞”和“已经证明存在大规模舞弊”。最终几位都同意，选民身份证明、选民名册清理和更可靠的审计机制，是恢复选举信任的关键。 🌐 播客信息补充 本播客采用原有人声声线进行播客音频制作，也可能会有一些地方听起来怪怪的 使用 AI 进行翻译，因此可能会有一些地方不通顺； 如果有后续想要听中文版的其他外文播客，也欢迎联系微信：iEvenight

📝 本期播客简介 本期我们克隆了：硅谷顶尖创投播客《Lenny's Podcast》Why most PMs have the right instincts but the wrong ideas | Mark Pincus (Zynga Founder) 本期嘉宾 Mark Pincus 是 Zynga 创始人，也是 FarmVille、Words With Friends、Zynga Poker 等现象级消费产品背后的关键人物之一。在这期对话里，Mark 系统分享了他多年打造消费级产品的底层方法论：为什么你的本能大多是对的，但你的想法大多是错的；为什么真正有野心的创始人，反而应该从一个更小、更谦卑、甚至有点“不体面”的地方开始；为什么很多伟大产品并不是凭空创造，而是对已有行为的精确复制、微小改进和关键新意。 节目中，Mark 重点拆解了他在 Zynga 内部形成的 Proven-Better-New 框架：先找到已经被市场验证的体验，做到像素级理解；再做出用户十个里十个都会承认的“更好”；最后只加入一个足以激发尝试欲望的新东西。他还谈到 AI 时代的产品机会与风险：AI 不应该只是帮你更快做出一个错误产品，而应该成为测试机器、失败机器，让团队以极低成本快速验证大量想法。 这期不仅是一堂消费产品方法论课，也是一场关于野心、判断、分发、组织管理和 AI 时代教育的深度对话。如果你正在做产品、创业，或正在思考 AI 时代普通产品人还能如何创造真正有价值的东西，这期会非常值得反复听。 👨‍⚕️ 本期嘉宾 Mark Pincus，Zynga 创始人、Tribe 联合创始人，连续创业者和消费产品专家。他曾打造或推动 FarmVille、Words With Friends、Zynga Poker、Mafia Wars 等现象级产品。Mark 也是新书《Life at the Speed of Play》的作者，书中系统总结了他关于消费产品、创业、管理和互联网创新的经验。 ⏱️ 时间戳 00:00 开场 & 播客简介 产品创意的底层框架 05:10 Proven-Better-New：为什么伟大产品很少从空白开始 06:10 直觉与想法：你的本能 95% 是对的，但想法 75% 是错的 07:00 Sid Meier 的失败案例：再好的创新，也会死在糟糕的首次体验里 08:00 Proven：先成为已有最佳实践的博士，再谈创新 08:40 Better：真正的“更好”，必须让十个用户里十个都想要 09:20 New：新东西是下载理由，但大概率会失败 10:40 时间机器视角：如果当年 Tribe 更懂测试，可能会走向不同结局 复制、创新与消费者野心 14:50 “道德套利”：为什么产品人需要跨过复制的心理门槛 15:40 烧掉简历：把野心定义在消费者眼里，而不是同行眼里 16:20 好的复制：让用户感受到更好，而不是感受到你在抄 16:50 Craigslist 加照片：世界级产品人为什么会为一个小功能花两年 18:30 iPhone、Chrome、水杯：大多数产品都是已有事物的更好版本 19:30 从别人产品里挖金矿：当一个功能被做对，却被放错位置 20:50 纯创新 vs Proven-Better-New：Angry Birds 与 Draw Something 的两条路 越有野心，越要从小处开始 22:40 少一点野心，反而可能做出更大的产品 23:00 PMF 的悖论：宏大愿景会让你错过最小的真实信号 24:20 Tribe 的教训：太想做完整社交网络，反而没有抓住单一场景 24:50 Zynga 的起点：一个看起来“不够体面”的 Facebook 扑克游戏 25:40 创业公司的优势：你可以追逐巨头看不上的小线头 26:40 Bolt.new 与 Slack：伟大产品常常诞生在边缘的小工具里 28:40 Founder Mode：有勇气告诉团队“现在这个还不是” 杀死希望，找到真正的 A 产品 30:40 在希望杀死你之前，先杀死希望 31:20 信念 vs 希望：希望是没有依据的信心 31:50 MVP 的危险：不要把“可行”误认为“值得发布” 32:20 AI 的风险：它让我们更容易快速做出可行但错误的产品 32:40 AI 的正确用法：一天测试一百个想法，而不是三个月做一个想法 33:40 先做错，再验证：把产品拆成最低成本的测试 34:00 FarmVille 扩展包案例：把广告变成产品测试和收入引擎 35:20 一千九百万美元的提前访问权：测试、热度和商业化如何合一 36:00 Vibe coding 的方向：做反馈循环最低成本的版本 Zynga 真正赢在哪里 36:50 Zynga 的争议：为什么 FarmVille 和 CityVille 让一些产品人反感 37:30 不是病毒传播，而是长期留存 38:00 通过游戏连接世界：给旧玩法增加社交维度 38:40 Invest、Express、Connect：让用户感觉自己有创造力，并通过表达连接他人 39:30 D365 留存：真正有价值的公司，一年后用户还会回来 40:50 下沉的快艇：靠病毒增长但留不住用户的产品终会沉没 41:50 ASN 指标：活跃社交网络如何预测长期留存 42:40 社交反馈循环：点赞、评论、回礼为何能制造强多巴胺 AI 时代，社交应用还有机会吗？ 43:20 消费级社交的困境：为什么大家好像放弃了新社交应用 44:00 潜在需求：不存在的品类，不代表用户不想要 44:40 Zynga 的游戏直觉：成年人其实想玩，只是门槛太高 45:50 社交产品失去肾上腺素：Instagram 更像薯片，而不是派对 46:40 退出社交平台后的 NPS：从正三十五到负三十五 47:00 AI Agent 时代的新社交：重新创造社交生产力 47:50 “鸡尾酒会”隐喻：好的社交产品让人庆幸自己来了 48:40 从 Napster 到 Facebook：社交网络本质上是更好的线索获取 49:40 今天的鸡尾酒会在哪里：我们都在 Claude 和 GPT 里，但那里还很安静 50:20 B+ 产品判断：如果你还在问它是不是 A，那它就不是 A 51:30 真正的强信号：你会爱它、朋友会爱它、指标也会证明它 52:40 叫停 B+ 的力量：Mark 叫停 dot Earth 后重新找回兴奋感 分发、平台与消费产品新机会 53:55 AI 让产品更容易做，但分发更难了 54:50 AI 还不是新平台：它是重要技术，但还没有成为真正的消费平台 55:50 发现机制坏掉了：用户几乎不再主动安装新应用 56:40 消费产品为什么变得“不适合投资” 57:30 分发必须内嵌进产品，而不是事后补营销 58:20 Prosumer 路线：先服务愿意主动寻找和付费的重度用户 58:50 免费 Token 假设：如果 AI 成本趋近于零，会诞生什么消费服务 59:50 Agent 社交膜：AI 如何作为人与人之间的智能信任中介 01:02:20 新平台的边缘：LLM 可能会争夺消费者和开发者心智 01:03:20 Agentic 旅行顾问：为什么旅行服务是 AI 消费应用的完美例子 01:05:20 平台会开放还是吞掉一切：OpenAI、Claude、Grok 与创业公司的未来关系 组织、管理与产品型 CEO 01:06:20 让每个人都成为 CEO：用经营权替代日常管理 01:07:10 管理的本质：当你不在房间里，别人也能做正确的事 01:08:20 专家证人：为什么离一线最近的人，常常离决策最远 01:09:40 贴近一线：产品型 CEO 必须深入像素级细节 01:10:40 倒金字塔组织：最有经验的人应该参与最关键的用户体验决策 01:11:30 微观管理是美好的：只要你还是最好的选手，就应该上场 01:12:40 教学医院：如何把创始人的产品火焰传给团队 01:13:30 技术助理机制：培养“小号的你”，让产品判断在组织里扩散 01:14:20 CEO 最重要的工作：判断正确，比执行漂亮更重要 AI 时代的育儿与人生判断 01:15:40 AI 时代如何教育孩子：培养好的人，而不是只培养好学生 01:16:30 在孩子所在的位置接住他们：把每个孩子当作独立的人 01:17:30 “爸爸数学”：用好奇心和游戏感培养数学脑 01:18:40 大规模教育的终点：知识工作正在变化，但教育体系还在训练旧能力 01:19:40 批判性思维：教孩子提出更好的问题，而不是记住更多答案 01:20:30 创造而非消费：让孩子把新的东西带到世界里 01:21:40 人生格言 Google Doc：不要把事往自己身上揽，也不要当受害者 结尾：打造互联网宝藏 01:23:10 找到自己的为什么：Mark 为什么还在继续做产品 01:23:50 互联网宝藏：让人无法想象没有它之前的生活 01:24:50 《Life at the Speed of Play》：一本关于产品打法和理念的书 01:26:00 收尾：产品手艺是一场持续对话 🌟 精彩内容 💡 Proven-Better-New：降低失败概率的产品创意框架 Mark Pincus 认为，伟大产品并不是凭空出现的。Proven 是已经在当前平台、当前受众、当前体验里被验证过的东西；Better 是现有用户十个里十个都会承认的改进；New 则是让人愿意尝试的新卖点。真正的产品创新，是把创新区域隔离出来，不要让产品因为错误的基础体验而失败。 “你的本能百分之九十五是对的；你的想法百分之七十五是错的。” 🔥 如果你真的有野心，就烧掉简历 Mark 提出一个非常反直觉的观点：真正有野心的产品人，不应该把野心定义在同行、媒体、奖项或简历里，而应该定义在消费者眼里。你要赢得的不是产品圈的尊重，而是那些真实用户的心智。FarmVille 看起来“不酷”，但它赢得了大量普通用户的时间、情感和社交关系。 “如果你真的有野心，就把简历烧掉。” 🧩 复制不是耻辱，差的复制才是 Mark 把复制称为一种“道德套利”。产品人从小被教育不要抄袭，但商业世界里，很多伟大产品都是对已有行为、已有体验的吸收和进化。关键不是照抄，而是像素级理解用户为什么喜欢原来的东西，再做出他们能感受到的更好。 “你不是为了赢得奖项，也不是为了赢得同行的尊重。你要从消费者的眼里，定义自己的野心。” 🚀 越有野心，越要谦卑地开始 Mark 反复强调，很多巨大产品的起点都小到“不好意思”。Facebook 最早只是哈佛校园里的资料浏览工具；Zynga 最早只是一个 Facebook 扑克游戏；Slack 也来自团队内部工具。创业公司的优势恰恰在于可以追逐巨头看不上的小线头。 “你越有野心，就越应该谦卑，也越应该愿意从一个更小的地方开始。” ⚰️ 在希望杀死你之前，先杀死希望 Mark 区分了信念和希望：信念来自真实体验、用户反馈和数据；希望则只是没有依据的祈祷。很多创始人会抱着“下个版本就会好”的幻想，把一个 B+ 甚至 D 的产品拖很久。他认为，如果你还在问自己的产品是不是 A，那它就不是 A。 “如果你还在问自己的产品是不是 A，那它就不是 A。” 🤖 AI 应该是测试机器，而不是造梦机器 在 Mark 看来，AI 最大的价值不是让团队三个月做出一个“可行产品”，而是让团队一天测试一百个想法。AI 的危险在于，它会让“可行”变得太容易，从而诱惑团队把错误产品做得更完整。真正聪明的团队会用 AI 降低实验成本，快速失败，快速学习。 “我原本以为，大家会用 AI 去搭建非常厉害的测试机器、失败机器。” 📈 Zynga 赢在留存，而不是病毒传播 外界常以为 Zynga 靠病毒传播成功，但 Mark 认为真正原因是留存和社交连接。Zynga 追踪 D365 留存，并设计 ASN（活跃社交网络）指标，衡量用户与朋友之间是否有真实来回互动。一旦用户在产品里建立了社交回路，长期留存会显著提升。 “我相信，从统计上看，世界上最有价值的公司，第三百六十五天留存都是最高的。” 🍸 AI 时代的新社交：找到新的鸡尾酒会 Mark 认为，今天的社交产品失去了肾上腺素感，很多人离开 Instagram 时不是觉得错过派对，而是觉得戒掉了烟。新的机会可能在 AI Agent 时代出现：今天我们都在 Claude 和 GPT 里，但那里还没有“鸡尾酒会”。谁能让这些孤独的 AI 空间变得热闹、有用、有社交生产力，谁就可能挖到金子。 “今天我们都在 Claude 上、在 GPT 上待着。但那里没有鸡尾酒会。” 🧭 分发必须成为产品的一部分 Mark 认为，AI 还不是完整意义上的新平台，消费产品仍处在分发非常困难的阶段。用户不再主动安装新 App，App Store 也很难产生新爆款。因此创业者不能先做产品、再祈祷用户会来；分发必须从第一天就嵌入产品设计和策略中。 “分发不能是事后才想的东西。分发必须成为产品的一部分。” 👑 让每个人都成为 CEO 在组织管理上，Mark 的核心原则是：管理的本质，是当你不在房间里时，别人也能做正确的事。他喜欢给团队成员明确山头、预算和经营权，让他们像 CEO 一样负责结果。这既减少管理成本，也能激发那些“专家证人型”人才的能量。 “所有管理的本质，就是当我们不在房间里的时候，怎么让别人做正确的事。” 🔍 产品型 CEO 要贴近一线 Mark 反对过早抽离细节。他认为，只要创始人仍然是公司里最好的产品人，就应该参与最关键的体验决策。微观管理不是坏事，前提是你管的是最重要的东西，而且你确实是最好的选手。 “如果你能在房间里，就待在房间里，前提是你确实是最好的那个选手。” 🌱 AI 时代教育孩子：教他们提问，而不是背答案 在育儿部分，Mark 认为传统教育体系正在训练孩子成为知识工作者，但 AI 正在改变知识工作的意义。他更关注培养孩子的批判性思维、创造力和对世界有用的能力。他希望孩子不要只消费内容，而是能创造东西，把新的东西带到世界里。 “我想教他们提出更好的问题，而不是知道更多答案。” 🏛️ 互联网宝藏：产品人的最高抱负 Mark 最后谈到自己的“为什么”：他想打造互联网宝藏。所谓互联网宝藏，就是一种服务，让人们想不起没有它之前的生活，也无法想象没有它之后的生活。他认为，这是产品人能给世界提供的最了不起的东西。 “我需要打造一个互联网宝藏：一种服务，让我们想不起没有它之前的生活，也想象不了没有它之后的生活。” 🌐 播客信息补充 本播客采用原有人声声线进行播客音频制作，也可能会有一些地方听起来怪怪的 使用 AI 进行翻译，因此可能会有一些地方不通顺； 如果有后续想要听中文版的其他外文播客，也欢迎联系微信：iEvenight

📝 本期播客简介 本期我们克隆了：商业人物与创业史读书播客《Founders Podcast》Steve Jobs in Exile 这一期，David Senra 精读 Geoffrey Cain 的新书《Steve Jobs in Exile: The Untold Story of NeXT and the Remaking of an American Visionary》，聚焦 Steve Jobs 被 Apple 驱逐后，在 NeXT 度过的十二年流放期。 这段经历很可能是 Steve Jobs 一生中最关键、也最容易被低估的阶段。节目中，你会听到一个远非神话化的 Steve：他刚离开 Apple 时充满复仇心，烧掉巨额资金，沉迷昂贵设计，反复修改产品，拖垮时间表；他对团队喜怒无常，身边没人敢讲真话，甚至多次亲手毁掉本可能拯救公司的重大交易。 但也正是 NeXT 的失败，让他一点点学会现实、学会聚焦、学会尊重人才，也学会把失败变成燃料。最终，NeXT 的软件技术成为 Apple 重生的关键，而 Steve 也带着十二年里被痛苦训练出来的新能力，回到那家曾经把他赶出去的公司。 这不仅是一段商业史，也是一堂关于创始人动机、执行纪律、团队文化、产品执念与个人转变的深刻案例课。 👨‍🏫 本期主讲 David Senra，Founders Podcast 主持人。长期通过精读企业家传记、公司史与商业经典，提炼创始人的决策、性格、信念与命运。他的节目尤其关注伟大创始人如何思考、如何犯错、如何承受压力，以及如何在关键时刻做出改变。 📚 本期书籍 《Steve Jobs in Exile: The Untold Story of NeXT and the Remaking of an American Visionary》 作者：Geoffrey Cain 本书聚焦 Steve Jobs 从 1985 年被 Apple 驱逐，到 1997 年重新回归 Apple 之间的十二年，尤其是他创办 NeXT、管理 NeXT、经历硬件失败、转向软件，并最终被 Apple 收购的完整过程。 ⏱️ 时间戳 00:00 开场 & 播客简介 流放的开始 01:36 为什么这是一集关于“失败”的节目 02:00 Steve Jobs 的十二年流放期：从被赶出 Apple 到重新掌舵 03:01 为什么说 Steve 不止一次创办 Apple，而是创办了两次 03:53 1985 年被 Apple 驱逐：巴黎、迷茫与重新选择人生 06:00 无法远离创造：Steve 决定为大学市场打造一台新电脑 06:18 NeXT 的诞生：没有名字、没有商业计划、没有产品，只有模糊愿景 NeXT 的早期理想与性格缺陷 07:27 拍摄团队纪录片：Steve 如何用愿景凝聚团队 07:50 “真正的艺术家会交付”：口号与现实之间的巨大落差 08:18 反思 George Lucas：Steve 想打造一支长期存在的伟大团队 09:30 说要长期团队，最后却换掉几乎所有联合创始人与高管 09:51 Steve 的招聘观：你必须敢反驳他，并像传教一样说服别人 10:36 立方体电脑执念：形式不仅提供功能，还要带来情感满足 12:01 Paul Rand 与十万美元 logo：NeXT 对完美形象的追求 钱太多，纪律太少 13:18 NeXT 的核心问题之一：Steve 钱太多了 13:47 香槟级品味与失控烧钱：顶级公关、广告公司、市场团队与豪华办公室 14:26 “millilogo”笑话：十万美元 logo 如何变成公司花钱基准 14:45 喜怒无常的反馈风格：“英雄到混蛋过山车” 16:29 Paul Rand 的提醒：在有产品之前，Steve 自己就是产品 17:19 错误动机：NeXT 很大一部分动力来自向 Apple 复仇 18:13 Steve 的自我认同：不是商人，而是“打造很酷东西的人” 完美主义如何吞噬执行 19:38 自建制造工厂：为了控制流程，却做出灾难性决策 20:23 Ross Perot 偶然看到纪录片，向 NeXT 投资两千万美元 21:22 秘密协议：Perot 愿意动用政府关系和销售团队帮助 NeXT 22:26 被完美主义困住：每一次修改都推迟发布日期、推高成本 23:18 “最大的竞争对手是自己的执行能力”：Steve 说对了，却做不到 23:45 Linda Wilkin 被开除：Steve 制造问题，却把责任推给别人 24:20 芯片设计反复修改，工程师只能不断说“再一个月” 25:12 Big Dave 和 Little Dave：拿到奖金后离职，芯片最终不能工作 26:47 顾问委员会提醒价格不能超过三千美元，Steve 却展示十八页 logo 手册 27:39 每月烧掉一百万美元，却靠 IBM 授权交易续命 昂贵硬件与残酷现实 28:24 钱越多，花得越多：两千美元椅子、一万美元沙发、四百五十美元电话 29:08 Daniel Lewin 的备忘录：晚了一年、价格翻倍、产品还不能正常工作 30:43 Ross Perot 开始质疑：产品没法出货，销售到底靠什么 31:28 从三千美元目标价到一万多美元售价：NeXT Cube 失去大学市场 31:52 首批只出货 205 台：设计复杂度让工厂几乎无法运转 32:35 镁合金外壳与哑光黑喷漆：Steve 的审美坚持如何拖垮生产 33:16 Canon 投入一亿美元：Steve 的交易能力再次让公司续命 没人敢说真话的组织 33:31 NeXT 最严重的问题：Steve 身边没人敢讲真话 34:13 HR 经理 Phil 的会议：Steve 一进房间，所有高管都闭嘴 35:26 Daniel Lewin 拒绝下两万五千台库存订单 36:03 被降职还要对媒体解释成“升职”：NeXT 管理混乱的荒诞瞬间 36:31 Cube 形状宣传册事故：花几百万投广告，却发现没有信封能装 37:34 IBM 新交易即将签下，Steve 因幻灯片问题直接离开机场 39:12 Perot Systems 政府大单准备签约，Steve 临门一脚拒绝交易 40:13 Ross Perot 终于看清：我给了 Steve 太多该死的钱 40:56 钱太多就没有饥饿感：纯粹压过了生存 被迫面对商业本质 41:17 Andy Grove 追问：你们到底在做什么生意？ 42:01 渠道压货：NeXT 用会计手法掩盖真实销售惨淡 43:09 Canon 再给四千万美元，NeXT 又一次站在破产边缘 43:49 管理层共识：放弃高成本硬件，转向高利润软件 44:18 NeXTSTEP 的真正价值：企业用它构建应用快五到十倍 44:54 NeXT 教会 Steve 的事：如何把失败变成燃料 45:42 新 COO 试图背着 Steve 卖掉 NeXT 45:57 新 CFO 入职后发现：NeXT 实际上已经破产 46:28 Canon 收购硬件部门：Steve 被迫放弃自己最热爱的硬件 Steve 的转变 46:58 最后的失败之后，Steve 开始真正改变 47:31 “先是慢慢地，然后突然之间”：Steve 的转变像破产一样发生 48:00 媒体宣判 NeXT 硬件梦想死亡 48:29 世界变了，你也得跟着变 48:53 从硬件转向企业软件：NeXT 终于盈利 49:10 Larry Ellison 的建议：建立专业服务团队，确保客户项目成功 49:47 WebObjects：Steve 重新兴奋起来的互联网机会 50:18 “互联网会成为未来十五到二十年最重要的技术变革” 50:35 顾问式销售：从卖许可证到深入客户现场解决问题 51:06 Michael Dell 的电商愿景：NeXT 一周做出 IBM 说要两年的网站 51:37 Dell 在线销售爆发，WebObjects 成为下一代互联网商业基础设施 一个新的 Steve Jobs 52:27 Ed Catmull 如何与 Steve 共事：给事实，不升级冲突 53:08 分歧可以持续三个月，但 Steve 最终会承认“你是对的” 53:39 到 1995 年底，Steve 已经成为值得长期追随的领导者 54:00 新 Steve 的领导观：CEO 其实是在最底下，为人才工作 54:39 Apple 危机：产品混乱，操作系统做不出来，必须向外购买 命运转折：NeXT 回到 Apple 55:20 Garrett Rice 的关键问题：为什么不直接给 Apple 打电话？ 56:10 Steve 直接联系 Gil Amelio：BeOS 是错误选择 56:45 演示对决：Steve 用团队和真实代码，展示 NeXT 的未来 57:28 Gil 看到的变化：Steve 不再只是自我中心，而是务实、具体、精准 58:18 面对 Apple 工程师质疑，Steve 不再粗暴推开，而是承认并解决 58:47 BeOS 创始人的失败演示：没有团队、没有电脑、没有准备 59:09 Steve 用真正跑起来的代码赢下机会 重返苹果 59:21 Steve 与 Gil 在厨房里谈判：五分钟定下收购价格 59:54 Apple 内部警告：如果收购 NeXT，Steve 最后会接管公司 01:00:39 NeXT 高管看懂了：十二年流放给了 Steve 更高明的策略 01:01:15 Apple 又属于他了，而这一次，他准备好了 🌟 精彩内容 💡 Steve 不止一次创办 Apple，而是创办了两次 David 引用 Michael Moritz 的观点指出，Steve Jobs 后来的回归几乎没有商业史先例：一个创始人被自己创办的公司赶走，后来又回到这家公司，并完成了彻底翻盘。Apple 的重生并不只是商业逆转，更像是 Steve 第二次创办 Apple。 “说 Steve 不止一次创办了 Apple，而是创办了两次，这并不算夸张。而第二次，他是孤身一人。” 🔥 NeXT 是 Steve Jobs 最重要的失败训练场 NeXT 早期几乎犯下了创业公司能犯的所有错误：没有清晰商业计划、过度追求形象、烧钱失控、产品延期、价格脱离市场、制造复杂度失控、团队没人敢讲真话。但这些失败也逼迫 Steve 学会现实、学会聚焦，并最终理解什么才是真正有价值的东西。 “NeXT 正在教 Steve 一件他在 Apple 从没学过的事：怎么把失败变成燃料。” 🧨 错误动机会毁掉公司优先级 节目反复强调，Steve 创办 NeXT 的早期动机很大程度上是向 Apple 复仇。他甚至在没有产品、没有收入、没有明确方向时，就花钱在《华尔街日报》登广告讽刺 Apple。David 用这一点说明，创始人为什么做一件事，往往会深刻影响公司的资源分配与决策质量。 “我年纪越大，就越相信动机真的会造成很大差别。” 💸 钱太多也可能是灾难 Ross Perot 后来反思自己最大的错误，是给了 Steve 太多钱。因为没有生存压力，NeXT 开始把资源花在十万美元 logo、豪华家具、悬浮楼梯、昂贵办公室和过度设计上，而不是产品、客户和交付。 “钱太多的时候，人就没有那种饥饿感了。” ⚙️ 最大的竞争对手不是别人，而是执行能力 Steve 曾告诉团队，真正的竞争对手不是其他公司，而是自己的执行能力。但讽刺的是，NeXT 当时最大的问题正是执行崩坏：完美主义不断推迟发布日期，设计执念让生产无法规模化，价格也从目标的三千美元一路涨到一万多美元。 “你们最重要的竞争对手不是别的公司，而是你们自己的执行能力。” 🧱 从硬件失败到软件重生 Steve 起初无法接受放弃硬件，因为他热爱那些漂亮、可触摸的物件。但 NeXT 真正有价值的资产，其实是 NeXTSTEP 操作系统。企业客户发现，用它构建关键任务应用的速度比其他系统快五到十倍。最终，Steve 被迫转向软件，这成为 NeXT 活下来的关键，也成为 Apple 后来重生的技术基础。 “你们根本没意识到自己手里有什么。你们手里可能有过去十年里，计算机行业最大的突破。” 🌐 WebObjects 与互联网机会 NeXT 后期开发的 WebObjects，让 Steve 再次兴奋起来。它解决了早期网页必须手工编写、难以动态更新的问题，帮助企业构建复杂的在线系统。Michael Dell 用 WebObjects 搭建在线配置和购买 PC 的网站，一年内在线销售额增长到每天三百万美元。 “互联网会成为未来十五到二十年里最重要的技术变革。” 🧠 Ed Catmull 眼中的新 Steve Pixar 联合创始人 Ed Catmull 长期与 Steve 共事。他发现，成熟后的 Steve 并不是不能被说服，而是不喜欢别人替他思考。最好的方式是把事实摆出来，让他自己判断。更重要的是，到 1995 年，Steve 已经变成一个更谦逊、更能尊重人才的领导者。 “CEO 其实是在最底下。所以某种程度上，我觉得我是为这些人大多数人工作的。” 🎯 Steve 与 BeOS 的演示对决 Apple 准备购买外部操作系统时，NeXT 与 BeOS 进入竞争。Steve 带着团队，用真正运行的代码展示 NeXTSTEP 的能力；BeOS 创始人却没有带团队、没有带电脑，也没有准备演示。三天后，Apple 开始谈判收购 NeXT。 “Steve 用真正跑起来的代码，展示了自己产品的优越性。Be 的创始人只拿出了理所当然的假设。” 👑 十二年流放的真正成果 Apple 收购 NeXT 时，很多人警告 Gil Amelio：Steve 最终会接管 Apple。NeXT 高管理解得更清楚：Steve 带回来的不只是技术，还有十二年失败训练出来的策略、耐心、现实感和领导力。 “Apple 又属于他了。而这一次，他准备好了。” 🌐 播客信息补充 本播客采用原有人声声线进行播客音频制作，也可能会有一些地方听起来怪怪的 使用 AI 进行翻译，因此可能会有一些地方不通顺； 如果有后续想要听中文版的其他外文播客，也欢迎联系微信：iEvenight

📝 本期播客简介 本期我们克隆了：Shane Parrish 主持的深度访谈播客《The Knowledge Project》Mental Models That Change How You Think | Bill Gurley 本期嘉宾 Bill Gurley 是硅谷最具影响力的风险投资人之一，曾任 Benchmark 合伙人，并深度参与 Uber 等公司的投资与成长。在这期节目中，他和 Shane Parrish 展开了一场覆盖系统思维、投资方法、AI 竞争、金融基础设施、创业者特质与人生定义的深度对话。 Bill 反复强调：真实世界不是单变量、线性的系统，而是多变量、非线性、充满二阶和三阶影响的复杂系统。无论是做产品、投资，还是判断 AI 浪潮和资本周期，如果只盯着一个指标，很容易被短期结果误导。 你将听到 Bill 如何从 Peter Lynch、Buffett、Ben Graham、Howard Marks 等投资大师那里建立金融底层认知；为什么他认为每个人都应该研究自己所在领域的历史；为什么真正优秀的创始人往往具备痴迷式学习、产品直觉、讲故事能力和“不管怎样都要做下去”的决心。 节目后半段，Bill 还深入讨论了 AI 时代的几大关键冲突：美国监管是否会变成大公司的护城河；中国开源模型生态为什么可能更快进化；AI 投资是否正在进入资本狂热；稳定币为什么可能绕开美国落后的支付系统，并威胁 Visa 和 MasterCard；以及被动投资、代理投票机构和代币化将如何改变金融市场。 这不是一场单纯关于风险投资的访谈，而是一堂关于如何在复杂时代建立判断力、识别系统性变化，并保持长期学习能力的认知课。 👨‍⚕️ 本期嘉宾 Bill Gurley，硅谷知名风险投资人，Benchmark 前合伙人。他曾深度参与 Uber、Grubhub、Zillow、Nextdoor 等公司的投资与成长，是美国科技投资界最具影响力的思想者之一。Bill 长期关注市场平台、网络效应、资本市场、监管结构与科技浪潮，也以深度写作和清晰的行业分析著称。 ⏱️ 时间戳 00:00 开场 & 播客简介 系统思维：为什么不能只看一个变量 01:34 信息碎片化时代，如何理解复杂世界 01:51 系统思维的核心：多变量、非线性与难以预测 02:35 天气、股市与复杂系统：一个变量变化如何层层传导 03:01 系统思维如何帮你少惹麻烦 03:24 约会网站案例：优化互动，却伤害长期转化 03:49 二阶影响：为什么单一指标会误导决策 投资认知的底层训练 04:01 Bill Gurley 如何学习投资：从华尔街到风险投资 04:16 Peter Lynch、Buffett、Ben Graham 与 Howard Marks 的影响 05:00 价值投资如何迁移到风险投资 05:37 Bill Miller、Amazon 与网络效应的价值判断 06:48 为什么 VC 也必须懂金融底层逻辑 07:08 华尔街是创业公司最终流动性的买方 07:24 轨迹比起点更重要：早期公司如何想象终局 行业历史：被忽视的职业护城河 07:31 为什么理解一个行业的底层基础很重要 07:43 Pixar 创意天才 John Lasseter 如何研究动画史 08:27 Magnus Carlsen 与国际象棋历史：高手都懂自己的领域传统 08:54 LLM 时代，学习任何领域历史变得更容易 09:20 Picasso 的例子：突破传统之前，先掌握传统 09:44 面试中的差异化：比别人更懂本行业的大师和历史 10:47 如果你觉得学习行业历史很无聊，可能说明这不是你的热情所在 前沿学习与 AI 使用 11:09 创业者的共同特质：痴迷式学习 11:38 为什么颠覆性创业者必须站在技术前沿 12:20 创新者的窘境：年轻人更容易扎进新变化 12:46 每个人都应该对前沿保持好奇 13:07 Bill 为什么同时使用多个付费 AI 账号 13:20 真正强的人：既懂历史，也懂最新前沿 14:11 AI 使用技巧：把后续分析步骤直接写进 prompt 14:53 ChatGPT、Gemini、Claude、Perplexity 的不同使用场景 AI 竞争格局与监管博弈 15:51 AI 会是一家独大，还是垂直模型并存 16:15 Cursor 与模型可替换性：未来可能进入价格优化阶段 16:34 监管如何制造寡头格局 16:48 为什么有些大玩家主动要求监管 17:01 全球监管不一致：美国、欧盟与中国开源模型的竞争 17:40 中国开源模型生态：竞争越激烈，开源越活跃 18:08 开源系统如何加速创新：农民分享最佳实践的比喻 18:59 硅谷创业公司正在大量使用中国开源模型 AI 投资判断：壳、工作流与数据护城河 19:29 AI 会如何改变投资方式 19:40 什么只是 AI 外壳，什么可能是真正的应用层机会 20:08 工作流、数据护城河与领域理解的重要性 20:29 法律 AI 创业公司的例子：专业数据与流程沉淀 20:39 ChatGPT 是否会吞掉垂直应用：仍未定论 21:00 Microsoft 从操作系统走向应用层的历史参照 超级智能、模型边界与自动驾驶 21:06 训练数据是否快被用完 21:24 专家微调与人类知识边界 22:01 AI 是否会进入自我改进的非线性曲线 22:38 Yann LeCun 的反面观点：下一代 AI 可能在 LLM 之外 23:14 AlphaGo 的启示与局限：封闭系统不等于真实世界 24:28 Tesla FSD 与自动驾驶的约束边界 24:56 真实世界里的边界案例：人类行为仍然难以预测 非共识观点与 AI 资本狂热 25:44 Bill 的非共识观点：反对简单妖魔化中国 26:21 AI 建设是否投入了太多钱 26:48 科技巨头把巨额自由现金流投入资本开支 27:15 幂律与递增收益：为什么投资人越来越愿意押注未来 27:45 从 Amazon 到 Uber，再到 AI 公司：亏损规模不断升级 28:09 AI 是否会经历一次“核冬天” 28:59 循环交易：云厂商给 AI 公司钱，再让钱回流到云服务 30:02 成功公司为什么总是被提前抢投 30:18 烧钱速度从风险指标变成行业常态 30:42 极端资本环境下，很难看清真实单位经济模型 代币化、IPO 与金融市场结构 31:04 散户、代币化与创业公司融资 31:20 资金供给不是瓶颈 31:31 Palantir、GameStop 与散户推动估值 31:50 私有公司股份代币化的风险：投机与操纵 32:07 为什么 Stripe 这样的公司不希望股份被随意交易 32:36 股价波动会如何影响员工与公司运营 33:15 IPO 流程为什么不公平 33:41 为什么上市机制本该像拍卖一样匹配供需 34:06 华尔街为何放不下 IPO 定价权 34:20 直接上市、拍卖机制与 token 化可能带来的冲击 稳定币与支付系统革命 34:27 稳定币如何冲击信用卡网络 34:33 英国 Faster Payments、巴西 Pix 与美国支付系统的落后 35:10 美国监管俘获如何保护信用卡收费模式 35:20 USDC：几秒到账、低成本、还能获得收益 35:48 稳定币是什么：用美国国债一比一储备的加密美元 36:17 加密轨道为什么能实现全球即时转账 36:51 ACH 三天结算与美国支付系统的低效 37:23 为什么稳定币可能比政府更快解决支付问题 37:57 Visa 和 MasterCard 的高利润护城河为何面临威胁 38:35 中国移动支付的案例：二维码、微信支付与支付宝 39:14 稳定币不是唯一解，但可能成为美国的新绕行路径 AI 对金融权威与代理投票的冲击 39:50 AI 会不会挑战 Moody's 这样的评级机构 40:01 Moody's 的真正力量：它是被市场接受的标准 40:27 AI 是否会重塑股东投票建议服务 40:49 指数基金崛起后，代理投票机构的权力变大 41:09 黑箱评分与双边收费：为什么 Bill 认为这像一场劫掠 41:41 Tesla 薪酬方案案例：风险控制与股东利益的冲突 42:31 公司治理机构为何常常只看规则，而不是结果 被动投资的二阶影响 43:01 指数基金持股过高带来的治理问题 43:20 被动基金是否应该不投票 43:48 小股东可能获得过大控制权的二阶影响 44:00 隐性指数化：主动投资人为什么被迫跟随巨头 44:48 大规模指数化是否反而创造了主动投资机会 45:01 跑赢 S&P 为什么越来越难 写作、讲故事与创始人的不公平优势 45:18 为什么讲故事是成功创始人的关键能力 45:49 Bill 如何爱上长篇非虚构写作 46:25 Malcolm Gladwell、Michael Lewis 与新新闻主义的影响 46:44 写作如何帮助投资人形成思想 47:06 Amazon 六页备忘录：写清楚，才是真的想清楚 47:39 写作也是风险投资人的“磁铁”和名片 48:05 创始人的三个不公平优势：讲故事、产品直觉与前沿理解 48:34 产品直觉很难后天训练 48:56 创始人为什么一直都在销售 49:14 Bezos 的天使投资判断：这个人是否无论如何都会做下去 Uber、极端烧钱与没有案例可学的时代 49:27 Uber 带来的现实经验：商学院案例里找不到 49:41 赢家通吃、网络效应与无止境融资 50:05 Lyft 拿十亿，Uber 拿三十亿：资本竞争如何升级 50:22 没有董事会、导师或案例能指导这种局面 50:43 AI 公司今天也处在类似环境里 50:55 从 Amazon 到 Uber，再到 AI：烧钱规模又多了一个零 Benchmark 的组织设计 51:07 Benchmark 如何建立平等合伙制 51:38 为什么传统合伙制容易让资深者拿走过多权力和利益 52:05 没有国王、没有首席合伙人：五个平等合伙人 52:26 平等合伙制的优势：更容易招到优秀人才 52:50 为什么平等会鼓励大家培养新人 53:15 合伙人之间更愿意分享资源和人脉 53:39 没有薪酬政治，但也很难扩张和推动新项目 54:00 Benchmark 单页网站的故事：组织结构如何影响执行 54:49 极简网站背后的自信与取舍 VC 行业为什么偏向年轻人 55:11 创始人为什么选择某个 VC 55:37 风险投资是有网络效应的投资类别 55:55 创始人希望身边的人真正理解自己在做什么 56:23 年轻 VC 的优势：更接近创始人，也更懂新技术 56:50 电子竞技、YouTube 与细分领域认知优势 57:38 VC 像体育吗：年龄、精力与竞争压力 58:03 年轻人为什么仍有机会闯入风险投资 成功的定义 58:10 Bill Gurley 如何定义成功 58:31 风险投资曾是他的理想工作 58:42 即使没有额外回报，他也会选择做那份工作 59:02 人生下一章：把写作、理解问题和综合信息的能力用于更大的社会议题 59:29 给世界留下一点痕迹 🌟 精彩内容 💡 系统思维：不要只盯着一个指标 Bill Gurley 认为，很多现实问题都不是线性的，而是多变量、非线性系统。一个看似正确的局部优化，可能会在更远处造成负面结果。他用约会网站的例子说明：把用户资料做得更长，短期提高互动，但几个月后才发现它伤害了转化率。 “你不能只用线性模型来想，也不能只盯着一个变量。” 📚 研究行业历史，是被低估的职业护城河 Bill 强烈建议每个人都去研究自己所在领域的历史。他举了 Pixar 的 John Lasseter、国际象棋冠军 Magnus Carlsen、Picasso 等例子，说明真正的高手往往对本领域的传统和大师有深刻理解。对于年轻人来说，这甚至能成为面试和职业竞争中的差异化优势。 “我觉得更多人应该去研究自己所在领域的历史，这会对他们有帮助。” 🤖 AI 时代的学习方式：同时理解旧历史与新前沿 Bill 一方面强调历史，另一方面也强调必须站在技术前沿。他自己同时使用多个付费 AI 工具，并认为人们常常低估 AI 能做多少事。很多本来需要后续完成的分析、排序、比较和计算，都可以直接写进 prompt 里，让 AI 更早承担更多工作。 “它能更早替你完成更多工作。” 🌐 中国开源 AI 生态可能带来更快创新 在谈到 AI 监管和全球竞争时，Bill 提到，中国有大量开源模型，竞争动态更激烈，也更倾向于分享技术和最佳实践。他用两个农业社会的比喻说明：如果一个系统要求参与者分享最佳实践，那么这个系统可能会进化得更快。 “你觉得哪一个社会会进化得更快？” 💸 AI 投资狂热与循环交易 Bill 对当前 AI 投资规模感到震惊。他指出，大型科技公司和云服务商正在把巨额资金投入 AI 基础设施，而一些“循环交易”会放大眼前的增长：云厂商投资 AI 公司，AI 公司再把钱花回云服务上。这会推迟调整，但也可能增加未来调整的概率。 “你是在把眼前发生的事吹大。” 🪙 稳定币可能绕开美国落后的支付系统 Bill 认为，美国支付系统因为监管俘获而长期落后，ACH 需要三天结算，信用卡仍收取 2% 到 2.5% 的费用。而稳定币运行在成熟的加密轨道上，可以低成本、即时、全球转账，可能比政府更快解决支付效率问题，并威胁 Visa 和 MasterCard 的高利润护城河。 “支付为什么要收百分之二到百分之三？没有任何理由，真的没有。” ✍️ 写作和讲故事，是创始人的核心能力 Bill 把讲故事列为成功创始人的关键特质。因为创始人永远在销售：招员工、招高管、融资、赢客户、谈合作，都需要讲清楚愿景。他也强调写作能帮助人把想法真正想透，这也是 Bezos 推行 Amazon 六页备忘录的原因。 “如果你必须把东西写出来，让它能独立阅读，而且逻辑清楚，你就会想透更多问题。” 🔥 伟大创始人的底层特质：无论如何都会做下去 Bill 分享了 Bezos 的天使投资判断标准：他只问自己一个问题，这个创业者是不是无论如何都会做这件事？不管遇到什么困难，都不会停下来。Bill 认为，所有伟大创始人身上都有这种程度的决心。 “这个人是不是无论如何都会做这件事？” 🏛️ Benchmark 的平等合伙制 Bill 解释了 Benchmark 为什么采用平等合伙制：没有首席合伙人，没有国王，没有总裁，只有平等合伙人。这种结构减少了内部政治，鼓励合伙人互相支持和培养新人。但它也有缺点，比如很难扩张、很难推动新项目。 “我的公司成功，和他的公司成功，没有区别。” 🌱 成功的定义：做你即使没有额外回报也愿意做的事 在节目最后，Bill 回顾自己的风险投资生涯，认为那曾是他的理想工作。即使在一个所有人薪酬都一样的社会里，他仍然会选择做那份工作。现在他希望把自己过去用来研究问题、写作和综合信息的能力，用到更大的社会议题上。 “如果我们生活在一个社会主义社会里，每个人都必须免费工作，我还是会选那份工作。” 🌐 播客信息补充 本播客采用原有人声声线进行播客音频制作，也可能会有一些地方听起来怪怪的 使用 AI 进行翻译，因此可能会有一些地方不通顺； 如果有后续想要听中文版的其他外文播客，也欢迎联系微信：iEvenight

📝 本期播客简介 本期我们克隆了：科技与市场圆桌播客《Bg2 Pod》The SpaceX IPO, Fable 5, AI Capex Update & Market Check w/ Gavin Baker, Andrew Fox & Clark Tang 原内容更新时间：2026-06-11 本期节目是一场信息密度极高的科技与资本市场讨论。主持人 Brad Gerstner 邀请 Atreides 的 Gavin Baker、Andrew Fox，以及 Altimeter 合伙人 Clark Tang，一起拆解 SpaceX IPO、AI 算力供需、前沿模型竞争和当前市场状态。 这期最重要的问题是：SpaceX 还是一家火箭和卫星互联网公司吗？还是已经变成了一个横跨发射、通信、AI 云、轨道算力和前沿模型的超级平台？嘉宾们从 Starship 快速复用、Starlink Direct to Cell、Anthropic 与 Google 算力交易、xAI 收购 Cursor、地面与太空数据中心成本结构，一层层拆解 SpaceX 的潜在收入来源与估值逻辑。 节目后半段转向 AI 模型和资本开支。Anthropic 的 Fable 5、Mythos、ChatGPT 5.5 等模型正在展示更强的长时间运行能力，也让“前沿模型是否会被开源追平”这个问题变得更加复杂。嘉宾们认为，开源模型可能处理大多数 token，但最高价值的收入仍会流向前沿模型。同时，随着推理收入、每吉瓦变现能力和企业采用速度超预期，AI Capex 看似疯狂，却可能仍有经济账可算。 这不仅是一期关于 SpaceX IPO 的节目，更是一场关于 AI 时代资本如何重新定价未来的讨论。 👨‍💼 本期嘉宾 Brad Gerstner，Altimeter Capital 创始人兼 CEO，长期关注科技成长股、AI、云计算和资本市场。 Gavin Baker，Atreides Management 创始人兼投资组合经理，长期投资科技、半导体、AI 和互联网公司，对 AI 算力与前沿模型竞争有深入研究。 Andrew Fox，Atreides 团队成员，关注 SpaceX、AI 基础设施、轨道算力和通信业务的商业模型。 Clark Tang，Altimeter Capital 合伙人，长期研究 AI 算力、半导体、云基础设施和科技公司基本面。 ⏱️ 时间戳 00:00 开场 & 播客简介 SpaceX IPO：一家公司的五重叙事 01:45 为什么 SpaceX 可能是机构投资者“必须持有”的未来资产 02:24 本期议题：SpaceX IPO、Fable 5、AI 算力、GPU 与市场检查 03:29 IPO 核心数字：一百三十五美元股价、一点七七万亿美元估值、一千六百亿美元收入预期 04:17 两大变量：地面 AI 数据中心速度，以及 xAI / Cursor 的模型潜力 05:02 Colossus 一号 IRR 百分之五十五：为什么算力生意的账看起来成立 05:30 Elon 建数据中心为什么快：一百二十二天上线，速度就是成本 05:35 模型前沿变化太快：十天内 Pareto 曲线已经过时两次 06:20 Cursor 的专有编程数据，为什么可能成为 xAI 的关键资产 07:47 从火箭公司到“Elon Web Services”：SpaceX 正在搭建 AI 时代的 AWS 发射、Starlink 与连接业务 07:59 发射业务仍是皇冠明珠：可复用火箭是一切业务的基础 08:25 快速复用为什么关键：从“一次性爆炸飞机”到航空公司式发射频率 09:20 Starship 未来发射频率：从每年几百次到上千次的可能性 10:20 Starlink 移动服务：为什么硅谷信号死区也会成为商业机会 11:05 Starlink 宽带仍在早期：全球家庭渗透率不到百分之一 12:20 Direct to Cell 和连接业务：未来三年是否可能五倍增长 12:57 “更好、更快、更便宜”：Starlink 为什么可能切入全球电信市场 AI 算力：SpaceX 新增的收入引擎 13:26 Elon Web Services：过去六周最意外的新叙事 14:19 Jensen 口中的 “N 等于一”：十九天建成十万 GPU 集群意味着什么 15:09 SpaceX 如何拿电、拿芯片、建站点，并把算力高价变现 16:36 Google 为何愿意支付溢价：地面算力背后的太空算力看涨期权 17:00 AI 算力市场是否会被 SpaceX 整合 18:04 三十天从零到第四大 AI 超大规模云厂商：为什么这很疯狂 18:30 数据中心不是大宗商品：第一性原理设计带来的差异化 19:30 供应商为什么更愿意卖给 xAI：速度、确定性和变现能力 轨道算力：太空数据中心的经济账 20:15 为什么太空数据中心不是 IPO 估值的必要条件，但可能是巨大上行 21:30 编程模型与 AGI：为什么擅长编程可能是通往超级智能的最快路径 22:50 地面 AI 业务已经足够有吸引力：每吉瓦变现率的对比 24:00 轨道算力的关键前提：Starship 两级快速复用 24:50 每次 Starship 发射可送约五兆瓦算力上天 25:20 太空算力资本开支：每吉瓦约五十亿美元发射成本 25:50 地面与太空对比：土地、电力、冷却在太空中接近“免费” 26:35 可靠性与维护：轨道算力真正需要验证的风险点 xAI、Cursor 与前沿模型的隐藏上行 27:20 xAI 收购 Cursor：SpaceX 故事中最被低估的部分 28:50 Grok 4.3 与 Cursor 数据：如果站上 Pareto 前沿，收入可能快速扩张 29:30 为什么模型业务可能是 SpaceX 最大的上行惊喜 30:30 Colossus、Vera Rubin 与算力锁定：Elon 如何从落后变成领先 31:40 类比 AWS：把为自己建设的闲置容量变现 32:40 Brad 的判断：模型业务是 SpaceX IPO 最少被讨论、但最可能超预期的部分 34:30 为什么 Brad 认为 SpaceX 是“买入并持有”的未来押注 35:15 IPO 后波动不可避免：历史上高成长公司常经历超过百分之五十回撤 36:20 如何管理仓位：买了放着，但用“压舱石”动态调整风险 37:20 一个月新增二百九十亿美元收入：为什么这次 IPO 前所未有 38:20 大规模公司仍保持创业化：SpaceX 快速调整业务的能力 39:50 员工和早期投资者流动性：SpaceX 已经像“准上市公司” Fable 5、Mythos 与长时间运行 Agent 40:30 Anthropic 发布 Fable 5：SOTA 之外，真正关键是长时间运行能力 41:30 Noam Brown 的观点：快照式基准测试正在失效 42:00 为什么我们可能永远不知道每一代模型到底有多聪明 42:30 类比永不疲劳的爱因斯坦：长时间思考本身就是智能放大器 43:45 Opus 4.6 打开的门：模型开始真正能跑长任务 44:30 年初的质疑：便宜开源 token 是否会追上前沿模型 45:15 现实证据：前沿模型拿走了大多数 AI 收入 45:55 多 Agent 编排：Fable 5 如何改变投研工作流 46:25 把七个财务模型丢给 AI：让模型推理假设、矛盾和投资判断 47:15 代码库重构、生物学与企业任务：长时间 Agent 解锁新用例 47:40 更多 token、更长运行、更大算力需求：为什么模型能力会反推 Capex 开源模型、前沿模型与收入分配 48:00 两件事可以同时成立：开源处理大量 token，前沿模型拿走主要经济价值 48:30 Harvey 的案例：专有数据 + 开源模型 + 路由器，如何降低成本 49:20 企业调研：即使做模型路由，仍预计使用更多前沿模型 token 50:00 高价值任务不会用二流模型：编程、金融和知识工作仍流向前沿 50:30 “前沿模型不会拿到大部分收入”的判断已经被证明错误 51:00 开源对算力和硬件反而是利好 51:15 亚洲与硅谷的信念差异：闭源云 vs 合适任务用合适模型 52:20 Jensen 的模型路由观点：开源追上长任务后会拿走更多流量 52:50 美国前沿开源模型只是时间问题：Nvidia 可能亲自下场 Nvidia、ASIC 与算力格局 53:10 如果 Nvidia 推开源模型，会如何影响 ASIC 经济账 53:45 Nvidia 为什么可能成为最大的开源 AI 提供商 54:15 如果客户都来竞争，Nvidia 为什么不能反向进入云和模型业务 54:45 台湾观察：下一波 ASIC 让市场兴奋，但格局比“二选一”复杂 55:40 ASIC 会按工作负载定制，Nvidia 仍是最主要的通用算力提供商 56:20 Nvidia 消耗量为何没有下降，反而继续加速 57:00 每瓦 token 产出：为什么功率限制下 Nvidia 仍有优势 57:45 前沿实验室是否应该垂直整合芯片：专注是不是最高价值选择 AI Capex：一点五万亿美元资本开支能算得过来吗？ 58:30 长时间 Agent 推动更多资本开支：二零二七年 Capex 可能接近一点五万亿美元 59:25 三千亿美元推理收入，对应一点五万亿美元 Capex，账算得过来吗 01:00:30 Gavin 的判断：三千亿美元收入预测可能太低 01:01:10 Dario 的“数据中心里的天才之国”：二零三零年前可能出现数万亿美元收入 01:02:00 训练和推理支出的区别：不是所有 Capex 都直接产生收入 01:02:50 年初叙事被打破：token 和算力价格并没有平滑通缩 01:03:30 Agentic AI 用户不到百分之零点二：需求仍在极早期 01:04:00 每吉瓦变现能力上升：从二百亿到三四百亿美元 01:04:50 Anthropic 的“意外盈利”：不是不想花钱，而是算力太难买 01:05:25 AI 质疑三部曲：没收入、没毛利、没 ROI，正在逐个被打破 01:06:00 为什么几百万企业和消费者同时付费，是最强的 ROI 证据 市场检查：AI 交易是否过热 01:06:30 当前市场分化：半导体大涨，互联网和软件下跌 01:07:20 Altimeter 的仓位调整：从大仓位降到中小仓位 01:08:20 Gavin 的跑步者比喻：很多 AI 股票刚冲上悬崖，需要休息 01:09:20 通胀、利率和未知风险：市场可能进入整理期 01:10:00 AI 夏季季节性：大学生使用下降可能影响 token 消耗 01:10:50 年轻一代如何用 Agent 做 SpaceX 模型：AI 使用正在渗透下一代 01:11:20 “总有一颗子弹朝我飞来”：投资人必须不断转头看风险 01:12:00 创造性破坏与规模优势同时变陡：这次技术浪潮速度超出预期 01:12:40 三家公司可能新增一万亿美元收入：SpaceX、Anthropic、OpenAI 的时代机会 01:13:20 AI 可能改变全球 GDP 的百分之五到十五 01:13:50 结尾：开源研究、同业交流，以及对未来的长期乐观 🌟 精彩内容 💡 SpaceX 已经不只是火箭公司 节目最重要的判断之一是：SpaceX 的投资叙事已经从“发射 + Starlink”变成“发射 + 通信 + AI 算力 + 轨道数据中心 + 前沿模型”。特别是过去几周，Anthropic、Google 等算力交易让市场开始重新理解 SpaceX 的 AI 云能力。 “很明显，他其实是在我们眼皮底下搭一个 AWS。” 🚀 快速复用是一切的基础 无论是 Starlink 规模扩张、Direct to Cell，还是轨道算力，关键前提都是 Starship 的快速、双级复用。嘉宾用一个形象比喻解释传统火箭行业：就像你坐飞机飞到加州，下飞机后飞机马上爆炸。而 SpaceX 要做的是把火箭变成接近航空公司的运营模式。 “降低发射成本，才是所有其他业务能够成立的前提。” 🧠 xAI + Cursor 可能是最大隐藏上行 Brad 认为，SpaceX IPO 中最被低估的不是 Starlink，也不是地面算力，而是模型业务。Cursor 带来的编程数据、团队和产品收入，加上 xAI 的算力，有机会让 SpaceX / xAI 在前沿模型竞争中占据更重要位置。 “如果会出现超预期的上行空间，我怀疑就在这里。” 🛰️ 太空数据中心是一个巨大看涨期权 嘉宾们认为，轨道算力不是支撑 SpaceX IPO 估值的必要条件，但如果 Starship 快速复用成功，太空数据中心的经济账会非常惊人。地面数据中心需要土地、电力、冷却和外壳，而在太空里，空间、电力和冷却接近免费，真正的变量变成发射成本、可靠性和维护。 “在太空里，空间、电力和冷却实际上是免费的。” 🤖 长时间运行 Agent 改变模型竞争 Fable 5、Mythos 和 ChatGPT 5.5 代表的新趋势，不只是基准测试分数更高，而是模型能够长时间运行、保持上下文、完成复杂任务。Gavin 用“永不疲劳的爱因斯坦”来形容这种能力：如果一个顶级智能可以一年二十四小时不间断思考，很多问题都会被重新定义。 “在下一代模型出来之前，我们没有时间充分评估它们的智能。” ⚖️ 开源模型会吃 token，但前沿模型吃收入 节目提出一个重要区分：开源模型可能处理全球大部分 token，尤其是低价值、后台、标准化任务；但前沿模型仍可能拿走大部分经济价值，因为最高价值的编程、金融、科研和复杂知识工作，需要最强模型完成。 “前沿模型可能拿到百分之九十的经济价值，开源模型可能处理百分之八十的 token。” 💰 AI Capex 的账可能仍然算得过来 面对市场对一点五万亿美元 AI 资本开支的担忧，嘉宾们认为，关键在于推理收入增长速度和每吉瓦变现能力。过去一年，AI 实验室不仅证明了收入存在，也开始证明毛利和 ROI 可能成立。Anthropic 的收入兑现，成为市场重新定价 AI 基础设施的重要证据。 “反对前沿实验室的论点，从‘没有收入’，变成‘没有毛利’，再变成‘没有 ROI’，这些说法正在逐个被打破。” 📉 短期谨慎，长期乐观 嘉宾们并不否认市场短期风险。半导体和 AI 算力相关股票涨幅巨大，通胀、利率、地缘政治和季节性都可能带来整理。但长期看，如果 AI 真的改变全球 GDP 的 5% 到 15%，当前仍可能只是一个更大周期的早期。 “真正打中你的，往往是你没看见的那颗子弹。” 🌐 播客信息补充 本播客采用原有人声声线进行播客音频制作，也可能会有一些地方听起来怪怪的 使用 AI 进行翻译，因此可能会有一些地方不通顺； 如果有后续想要听中文版的其他外文播客，也欢迎联系微信：iEvenight

📝 本期播客简介 本期我们克隆了：Dwarkesh Patel 播客《The better AI gets, the smaller its share of the economy might get – Alex Imas and Phil Trammell》 本期节目是一场关于 AI、经济增长、就业、财富分配与未来稀缺性的深度推演。主持人 Dwarkesh Patel 对谈两位研究 AI 与经济的学者：Alex Imas 和 Phil Trammell。他们讨论了一个反直觉的问题：AI 越强，它在经济中直接拿走的份额，反而可能越小吗？ 对话从“未来什么会变得稀缺”开始：当机器能够完成绝大多数生产任务，人类是否还会因为“人类参与本身”而保留价值？医生、教师、治疗师、艺术家、咖啡师、芭蕾舞演员，这些工作里到底哪些部分可以被自动化，哪些部分因为关系、信任、共情和人类连接而仍然值钱？ 节目也深入拆解了劳动力份额与资本份额的长期稳定之谜。工业革命以来，大量工作被机器替代，但劳动收入占比却长期保持在很高水平。AI 会打破这个历史规律吗？两位嘉宾提醒，经济学家在预测未来时最大的限制是：我们几乎没有足够的数据。我们不知道消费者真正会为什么付费，也不知道哪些新工作、新商品、新需求会被创造出来。 中段讨论尤其现实：AI 是否已经造成白领大规模失业？“白领末日”是否有数据支持？如果 AI 能替代很多工作，却没有创造出足够的新财富，会不会出现一个最糟糕的“混乱中间阶段”？嘉宾们认为，这种情景并非不可能，但需要很多条件同时成立；而如果 AI 真正强到能大规模替代白领工作，它也很可能同时显著扩大生产前沿，让再分配问题变成核心。 后半段则进入政策与全球分配：AGI 创造的财富该通过 UBI、负所得税、全民基本资本，还是税收购买股票的方式分配？发展中国家如果不生产模型、不生产芯片、不掌握关键供应链，是否会被甩在后面？答案可能取决于 AI 更像电力，还是更像社交媒体：如果像电力，收益会广泛扩散；如果像社交媒体，租金可能集中在少数平台和资本所有者手里。 这期节目不是给出一个简单预测，而是搭建了一套理解 AI 经济未来的分析框架：未来的关键，不只是 AI 能不能替代人类，而是需求弹性、关系型价值、资本回报、收益集中度、开源扩散、政治再分配和全球资产配置会如何共同作用。 👨‍⚕️ 本期嘉宾 Alex Imas，Google DeepMind 的 AGI economics 负责人，芝加哥大学经济学教授。他的研究关注行为经济学、劳动力市场、AI 对经济结构的影响，以及人类偏好、关系型价值和未来自动化之间的关系。 Phil Trammell，Epoch 的 economics 负责人，斯坦福研究学者。他长期研究长期主义经济学、AI 时代的增长模型、资本积累、自动化、利率、财富分配以及未来技术对宏观经济的影响。 ⏱️ 时间戳 00:00 开场 & 播客简介 AI 时代，什么会变得稀缺 01:38 经济学能告诉我们什么：工资、劳动份额、税收与再分配 02:19 关系型部门：为什么“人类参与”本身可能成为价值 04:04 预测未来为什么这么难：经济学家没有足够数据 08:21 劳动力份额与资本份额：自动化会让工资占比下降吗 10:17 供应链里的劳动：为什么过去几乎没有东西被“完全自动化” 11:33 医生不是一个任务：工作会被拆成可自动化与不可自动化部分 13:21 不存在的未来商品：为什么今天的数据无法预测明天的需求 从蒙古歌手到晶体管：需求如何决定经济份额 14:09 蒙古经济的类比：为什么未来商品种类会改变稀缺性 15:15 机器人很多，人类很少，钱就一定流向机器人吗 16:21 摩尔定律的反面：计算越便宜，边际价值可能越低 16:50 H100 为什么更贵：AI 让 compute 出现新的高价值用途 17:14 对 compute 的需求会不会永远无法满足 18:03 人类创作为什么更值钱：连接感、共情与关系型偏好 白领失业与“混乱中间阶段” 19:20 AI 起飞太慢，反而更糟吗：自动化、失业与补偿难题 20:37 Phil 的判断：最坏窗口可能很窄 21:26 政治经济学缺口：失业率只上升几个百分点也会改变政治 22:58 如果只裁掉一部分白领，省下的钱够不够做 UBI 24:07 要出现“没有足够财富可分配”的情景，需要哪些苛刻条件 25:02 负所得税、UBI 与全民基本资本：再分配工具的利弊 27:35 税怎么收、钱怎么发：消费税、股票篮子与全民持股 29:00 AI 已经导致大规模白领失业了吗：目前证据并不明显 31:05 自动化互补任务：为什么 AI 也可能增加某些岗位需求 32:13 需求弹性与 Jevons 悖论：便宜不等于总支出一定增加 34:16 AI 会导致经济衰退吗：要让丰裕带来负增长非常难 为什么 AI 没有更快替代所有工作 36:43 多模态模型与世界模型：从 Gemini Omni 看未来 AI 能力 37:59 Oring 模型：为什么一个环节不可靠会毁掉整个产品 39:27 当 AI 足够强，人类也可能难以接入生产流程 40:10 律师、会计为何还没被替代：可靠性、责任与监管摩擦 40:59 人类制度会不会只是过渡性安排：执照、法官、立法与 AI 政治系统 非人类偏好与资本加速 41:32 未来 AI 或公司会不会形成自己的偏好 42:51 人类还会偏好人类互动吗：AI therapist 与道德情绪 44:52 富人财富的真实形态：消费还是让资本继续复利 45:43 更高储蓄率的实体，长期会不会拥有大部分财富 47:13 永生、资本回报率与消费偏好如何改变未来经济 48:56 资本品价格下降：为什么高增长不一定等于高真实回报 50:53 品类增加与贪婪资本家：为什么机器人需求可能不断扩张 52:14 富豪、信托与财富积累：少数优化器是否足以主导经济 53:44 从政治影响力到天文浪费：为什么有人会永远想要更多资本 55:14 Von Neumann probe：极端优化器如何挑战传统 GDP 与劳动份额 发展中国家如何分享 AGI 红利 56:50 印度、尼日利亚怎么办：不在 AI 供应链里的国家风险 57:38 储蓄、利率与低起点国家：发展中国家的“混乱中间阶段” 59:03 主权财富基金与资产配置：现在就该买入关键供应链吗 01:00:39 为什么土地税不够：普通人的资产未必是 AI 时代互补资本 01:01:18 AI 更像电力还是社交媒体：收益扩散还是租金集中 01:03:03 开源模型的关键作用：乌干达能不能分享到 AGI 回报 01:03:59 两种情景：收益高度集中，或 AGI 像电力一样普及 01:04:23 指数化投资 vs 再培训：发展中国家不能只押一个策略 01:05:10 AI 是否带来跨越式发展：移动银行式 leapfrog 的可能性 01:05:43 指数化到底有多难：私营 AI 公司、上市与普通投资者可及性 AI 商品化、安全与叙事 01:06:44 为什么 AI 实验室商品化可能更利于广泛繁荣 01:07:06 “世界上没有反电力的人”：AI 叙事为什么如此负面 01:07:45 商品化的安全代价：竞争压力与前沿模型扩散风险 01:08:31 收尾：集中实验室、政府权力与社会分享 AI 剩余收益 🌟 精彩内容 💡 “我们没有数据”：AI 经济预测最大的盲区 Alex Imas 强调，面对 AI 对就业、工资和劳动份额的影响，经济学家不能只靠个人直觉下结论。历史上从 David Ricardo 到今天，预测自动化对就业的影响一直极其困难。真正缺失的是消费者需求、支付意愿、任务变化、工作创造与消失的系统性数据。 “如果这场对话里你只记住我说的一件事，那就是：我们没有数据。” 🤝 关系型部门：人类不是马，人类参与本身可能有价值 节目提出一个关键概念：关系型部门。某些产品和服务的价值，不只来自最终结果，也来自过程中有人类参与。比如人类医生、人类治疗师、人类艺术家、人类老师。实验显示，同一张艺术版画，如果被认为是人创作的，人们愿意支付的价格显著高于 AI 版本。 “人不能像马那样，只是产出的一个投入。人本身必须给产出带来价值。” 📉 AI 会导致负增长吗？非常难 主持人提出一种流行情景：AI 替代白领，工资收入消失，需求下降，经济衰退。Alex 认为，失业和转岗冲击确实可能发生，但要让 AI 带来的丰裕最终造成负经济增长，需要非常不现实的条件：资本所有者完全消费饱和、不投资、不扩大数据中心和生产前沿。 “要让丰裕带来负的经济增长，这非常难。” 🧩 为什么 AI 没有更快替代律师、会计和程序员 节目用 Oring 模型解释：一份工作由多个环节组成，只要一个关键环节不可靠，整个产品就可能失败。即便 AI 能完成很多任务，如果可靠性、责任归属、监管背书和执照制度没有解决，企业仍然不敢完全替代人类。律师的价值，不只是写文件，而是承担责任和提供可信保证。 “你付钱请律师，买的就是那种保证：不，我的公司真的不会因此倒闭。” 💰 UBI 不是唯一方案：全民基本资本可能更关键 面对 AGI 创造的巨大财富，嘉宾讨论了 UBI、负所得税、财富税、消费税、全民基本资本等方案。Alex 担心，如果人们只能依赖政府发支票，那么谁掌权就变得极其重要；相比之下，如果每个人都拥有一篮子资本资产，政治风险可能更低。但问题在于，应该持有什么资产、能否准确跟踪 AGI 收益。 “如果是 universal basic capital，你有一份所有权，而且你对资本有财产权。” 🌍 发展中国家最重要的策略：尽可能接触 AGI 收益 对于印度、尼日利亚等不生产模型、不生产芯片、不掌握关键硬件供应链的国家，嘉宾认为，简单说“再培训”可能不够。更重要的是，它们如何通过主权财富基金、指数化投资或其他机制，持有能分享到 AI 财富增长的资产。当然，如果 AI 像电力一样扩散，普通指数也许足够；如果像社交媒体一样集中，问题会更严重。 “AI 到底会更像电力，还是更像社交媒体？” ⚡ 电力 vs 社交媒体：AI 财富会扩散还是集中 这是本期最关键的判断之一。如果 AI 像电力，虽然基础设施重要，但下游几乎所有行业都会受益，财富会扩散到整个经济。如果 AI 像社交媒体，平台可能捕获大部分租金，少数公司和股东会变得极其强大。开源模型是否能长期接近前沿模型，是决定这一点的重要变量。 “如果 AGI 更像电力，那你就又能买指数了。” 🗣️ AI 叙事为什么容易悲观 Alex 指出，AI 的正面叙事很难讲，因为人们更容易想象自己失去已有工作，而不是想象一个尚不存在的新好处。相比之下，反 AI 叙事更直观，也更容易传播。 “想象一个还不存在的好东西，比想象失去一个已经存在的东西要难得多。” 🌐 播客信息补充 本播客采用原有人声声线进行播客音频制作，也可能会有一些地方听起来怪怪的 使用 AI 进行翻译，因此可能会有一些地方不通顺； 如果有后续想要听中文版的其他外文播客，也欢迎联系微信：iEvenight

📝 本期播客简介 本期我们克隆了：Unsupervised Learning: With Jacob Effron《A Conversation With Demis Hassabis' Biographer》 本期节目里，主持人 Jacob Effron 对话 Sebastian Mallaby，后者是 Demis Hassabis 传记《The Infinity Machine》的作者。为了写这本书，Sebastian 与 DeepMind 联合创始人、Google DeepMind CEO Demis Hassabis 进行了三十多个小时的深度访谈。 这期节目不仅是在聊一本人物传记，更像是借 Demis 的人生和 DeepMind 的历史，重新审视过去十几年 AI 竞赛是如何形成的：为什么最初想避免竞争的 DeepMind，最后也不得不卷入全球 AI 军备竞赛？为什么 OpenAI 和 Sam Altman 曾被过早加冕为赢家，而 Demis 和 Google DeepMind 却长期被低估？为什么 DeepMind 一边拥有顶尖科学成果和 AlphaFold 这样的诺奖级突破，一边又在 ChatGPT 和 coding agent 等产品浪潮中显得慢半拍？ 节目还深入聊到了许多 AI 圈关键人物之间的真实关系：Demis 与 Elon Musk 从相互欣赏到紧张对峙，Elon 曾试图阻止 DeepMind 卖给 Google；Demis 如何看待 Sam Altman；David Silver 为什么离开 DeepMind；以及 Dario、Anthropic、Google、OpenAI 这些实验室之间不同的组织气质、战略押注和人才吸引力。 如果你想理解今天 AI 竞赛背后真正的权力结构、科学理想、安全焦虑和人物性格，这期节目会是一扇非常好的窗口。 👨‍⚕️ 本期嘉宾 Sebastian Mallaby，《The Infinity Machine》的作者，知名财经与人物传记作家。他曾写作关于风险投资、金融与全球经济人物的多部作品。本书中，他通过与 Demis Hassabis 超过三十小时的深度访谈，以及对 DeepMind、Google 和 AI 生态中多位关键人物的采访，讲述了 Demis Hassabis 与 DeepMind 的故事。 ⏱️ 时间戳 00:00 开场 & 播客简介 AI 竞赛的起点 02:06 为什么写 Demis：三十多个小时访谈背后的 DeepMind 故事 03:36 AI 竞赛是否不可避免：强大技术注定吸引多个国家和实验室 04:19 “地堡里的唯一团队”：DeepMind 早期想避免竞赛的安全理想 05:53 SpaceX 安全峰会的反效果：共享进展如何刺激 OpenAI 的诞生 07:17 政府监管的可能性：AI 模型是否应该像药品一样接受事前审查 08:47 Demis 的乐观：为什么危机可能迫使政府采取行动 被低估的 Demis 与 Google DeepMind 10:06 最大误解：大众太快加冕 OpenAI，却低估了 Demis 和 Google 12:07 Google 的产品化困境：为什么 ChatGPT 和 Claude Code 都不是 DeepMind 做出来的 12:41 Demis 的知识背景：神经科学家如何影响 DeepMind 的“广撒网”路线 14:26 Google 的优势与代价：有钱、有算力、有耐心，但不一定能最早押中重点 DeepMind 与 Google 的复杂婚姻 15:29 Project Mario：DeepMind 曾秘密考虑从 Google 拆分 16:06 Reid Hoffman 的十亿美元承诺：拆分计划如何成为谈判筹码 18:12 创始人的天真：为什么 DeepMind 最后没有真正挥动拆分威胁 19:20 Demis 的后悔：AI for science 无悔，但错过 transformer 让他难以释怀 19:48 从 AlphaGo 到 AlphaFold：胜利十秒后就转向蛋白质折叠 21:47 Demis 的盲点：为什么他低估了语言模型通向智能的力量 巨头、创业公司与战略押注 23:22 风投创新能否战胜 hyperscaler：AI 时代资本与聚焦的拉扯 24:00 OpenAI 的商业模式压力：技术强，不代表一定能长期独立 25:09 Anthropic 的反事实：如果 coding model 晚爆发半年，故事可能完全不同 26:21 Demis 是否需要更公众化：回顾性叙事很强，前瞻性叙事不如 Sam 27:26 控制叙事的重要性：影响产品采用，也影响人才招聘 28:47 人才为什么离开 DeepMind：顶尖研究者更想加入“单点重注”的组织 29:57 Isomorphic 的独立化：让 AI for science 成为自己的核心赌注 30:11 Anthropic 的低流失率：强烈价值观如何带来高忠诚度 关键人物与关系网络 31:23 David Silver 的离开：强化学习信徒为什么想离开大组织创业 31:36 RL 与大模型路线之争：从经验中学习，还是从互联网数据中启动 34:05 为什么现在离开：强化学习重新流行，但组织押注仍不够集中 34:44 AI 实验室背后的少数掌舵者：个人关系如何影响行业走向 35:07 Demis 与 Elon：从 Founders Fund 场合相识，到 Elon 试图买下 DeepMind 35:29 “AI 会追你到火星”：Demis 如何说服 Elon 投资，又为何拒绝卖给他 38:21 Demis 如何看 Sam：科学家气质与硅谷融资高手之间的根本差异 AI 的伟人史观与精神追求 38:37 人物重要吗：竞赛动态不可避免，但领导者个性会改变路径 40:35 最改变作者看法的时刻：Demis 对科学奥秘近乎精神性的执着 41:48 AGI 的宗教意味：为什么追寻智能对很多人不只是技术项目 42:07 Demis 不愿谈什么：家庭、Google 内部冲突与 Mustafa Suleyman 离开 科学品味与未来可能 43:45 DeepMind 的真正启发：如何在前沿科学里判断什么时候该继续下注 45:00 AlphaFold 的关键转折：从“世界第一”到“真正解决问题” 46:37 被低估的 AI 英雄：Ilya Sutskever 与 David Silver 值得一部双人传记 47:11 Demis 会成为 Google CEO 吗：取决于他是否愿意牺牲科学时间 48:29 Sebastian 的写作体验：酒吧楼上三十小时对话如何改变一本传记的写法 🌟 精彩内容 💡 AI 竞赛几乎不可避免 Sebastian 认为，当一项技术拥有如此巨大的潜在力量时，不可能只有一个团队、一个国家或一个实验室去追求它。DeepMind 早期曾希望自己能成为那个在 AGI 边缘统一处理安全问题的团队，但现实证明，这种想法过于理想化。如今 Demis 已经转向另一种判断：AI 安全是集体行动问题，最终需要政府和国际合作介入。 “因为这项技术太有吸引力了，不可能只有一个团队对它感兴趣。” 🧠 被低估的 Demis Hassabis 节目中反复提到一个核心判断：公众太快把 OpenAI 和 Sam Altman 视为 AI 竞赛的最终赢家，却低估了 Demis Hassabis 和 Google DeepMind。Demis 早在 2010 年就创办 DeepMind，很多后来被 OpenAI 复制的 AI 实验室模式，最早都是由他开创的。Sebastian 认为，AI for science 这个方向在很长一段时间里几乎是 Demis 一个人真正坚持推动的。 “我觉得，人们太快就把 OpenAI 和 Altman 加冕为赢家了，同时低估了 Demis 这个人，也低估了 Google DeepMind 这家公司。” 🔬 DeepMind 的优势与短板：什么都想做 DeepMind 的一大特点是同时探索很多方向。Sebastian 认为，这与 Demis 的背景有关：他是神经科学 PhD，关心的是“智能到底是什么”这种宏大问题，因此很自然地倾向于广泛探索。Google 的资金、算力和人才让这种广撒网策略成为可能，但代价是，在 ChatGPT、coding agent 这样的产品化拐点上，DeepMind 往往不是第一个冲出来的玩家。 “只要有两条不同路线可以走，他们就会说，那我们两条都做。” 🧩 Project Mario：DeepMind 差点离开 Google 节目披露了 DeepMind 曾秘密考虑从 Google 拆分出去的 Project Mario。Reid Hoffman 曾承诺出资十亿美元支持拆分，Demis 试图用这一备用选项向 Google 争取更多安全监督权。但最终，他选择留在 Google：一方面不想陷入法律斗争，另一方面需要 Google 的巨大算力。这个选择后来帮助他推动 AlphaFold，并最终获得诺贝尔奖。 “我只想做科学。我不想被法律斗争分散注意力。我想要大量 compute 的访问权，所以我留下。” ⚖️ OpenAI、Anthropic 与 Google 的不同命运 Sebastian 认为，AI 竞赛也是风投支持的创业公司与 hyperscaler 巨头之间的竞争。Google 有近乎无限的现金与算力，可以承受落后一两年再追上；但创业公司更敢于做集中押注。OpenAI 押注 ChatGPT，Anthropic 押注 coding model，而 DeepMind 则往往同时推进许多方向。这种差异决定了它们在产品、人才和叙事上的不同表现。 🧲 公众叙事也是竞争力 Demis 擅长回顾性地讲述自己的故事，比如 AlphaGo 纪录片、《The Thinking Game》以及这本传记。但他不太像 Sam Altman 那样擅长在社交媒体上制造前瞻性叙事。Sebastian 指出，这会影响产品采用，也会影响人才招聘。AI 时代，谁控制叙事，谁就更容易吸引用户、资本和研究者。 “控制叙事确实很重要。” 🤖 David Silver 与强化学习信仰 David Silver 是 DeepMind 早期强化学习突破的关键人物，也是 AlphaGo、AlphaZero 背后的重要推动者。他坚信真正的超级智能必须从自己的经验中学习，而不是依赖人类留下的数据。Sebastian 认为，他离开 DeepMind创业，正是因为他希望在一个更小、更集中的组织里，让自己的强化学习愿景成为整个公司的核心路线。 “在他看来，一切都是 Agent，而且只能是 Agent，它们必须从自己身上学习。” 🔥 Demis 与 Elon 的复杂历史 Demis 和 Elon Musk 的关系非常戏剧化。Elon 曾投资 DeepMind，也曾试图阻止 DeepMind 卖给 Google。他担心 Larry Page 和 Google 不可信，甚至半夜通过 Skype 联系 Demis，试图说服他卖给 SpaceX 或 Tesla。但 Demis 拒绝了，因为 Google 有他需要的算力。此后 Elon 一度将 Demis 视为需要制衡的“邪恶天才”。 “如果你觉得自己在火星上就安全了，别忘了，我的 AI 会掌握太空飞行，然后它会一路跟你到火星。” 🧬 AI for science 是 Demis 的核心信念 AlphaGo 战胜李世石后，Demis 只享受了十秒胜利，就开始谈下一个目标：解决蛋白质折叠问题。Sebastian 认为，这不仅体现了 Demis 的雄心，也体现了他对 AI 社会合法性的判断：如果 AI 不能给人类带来明确好处，只带来工作冲击，那么社会可能会强烈反弹。AlphaFold 不只是科学突破，也是让人类接受 AI 的关键证据。 “如果 AI 不能给人类带来明确的好处，只是带来很多工作岗位的冲击，那 AI 能否大规模铺开就会成为问题。” 🌌 近乎精神性的科学追求 最让 Sebastian 改变对 Demis 看法的，是他发现 Demis 对科学奥秘有一种近乎精神性的执着。Demis 会拍着桌子说，我们其实并不理解这张桌子为什么是坚固的，也不理解一堆沙子和铜组成的电脑为什么能思考。对他来说，推动 AI 不只是技术竞赛，而是一种试图理解自然、智能乃至世界底层秩序的追寻。 “因为对他来说，这是一种近乎精神性的追寻。” 🌐 播客信息补充 本播客采用原有人声声线进行播客音频制作，也可能会有一些地方听起来怪怪的 使用 AI 进行翻译，因此可能会有一些地方不通顺； 如果有后续想要听中文版的其他外文播客，也欢迎联系微信：iEvenight

📝 本期播客简介 本期我们克隆了：红杉资本出品的访谈节目《Notion’s Ivan Zhao: The Refounder》 原内容更新时间：2026-05-21 本期嘉宾是 Notion 联合创始人兼 CEO Ivan Zhao，主持人是 HubSpot 联合创始人、红杉合伙人 Brian Halligan。Brian 将 Ivan 称为“重新创办者”，因为 Notion 的成长并不是一条平滑上升的曲线，而是经历过多次接近推倒重来的关键时刻：早期找不到 product market fit 时，他和联合创始人 Simon 裁掉团队，搬到京都从零重建；生成式 AI 爆发后，他又在公司已有数百人的阶段，把 Notion 重新推向 AI native。 这期节目不只是 Notion 的创业故事，更是一场关于 AI 时代公司如何被重新设计的深度对谈。Ivan 分享了他为什么认为用 language model 做产品不是“造桥”，而更像“酿啤酒”；为什么 Notion 想做“爵士乐队”，而不是“军乐队”；为什么 AI 会让招聘标准从经验转向品味、主动性和价值体系；以及为什么每家公司都应该把创新点限制在一两个地方，而不是试图重新发明整个世界。 如果你正在思考 AI 时代的组织形态、产品策略、创业转型、企业销售、创始人角色，或者一家成熟 SaaS 公司如何避免僵化，这期节目会提供非常多一手经验和高密度判断。 👨‍⚕️ 本期嘉宾 Ivan Zhao，Notion 联合创始人兼 CEO。Notion 是全球知名的协作、知识管理与生产力工具平台。Ivan 是一位典型的产品型创始人，长期关注 tools for thought、软件工具的工艺感，以及技术与人性之间的关系。他曾带领 Notion 在早期困境中重建产品并找到 product market fit，也在生成式 AI 兴起后推动公司转型为 AI native 组织。 ⏱️ 时间戳 00:00 开场 & 播客简介 重新创办者的登场 00:37 本期克隆节目介绍：红杉资本《Notion’s Ivan Zhao: The Refounder》 01:31 Ivan 的核心隐喻：我们想做爵士乐队，不想做军乐队 02:13 为什么 Brian 称 Ivan 为“重新创办者” 04:06 从 founder mode 到 AI 时代的新 CEO 模式 AI 时代，公司要怎么重新组织 05:08 Notion 早期五年：靠 seed 资金硬撑，迟迟找不到 PMF 06:25 疫情增长之后：小团队的甜头与扩张的压力 07:08 学会授权与引入管理层：传统 SaaS 经验的利弊 08:03 造桥还是酿啤酒：为什么 AI 产品构建不可预测 09:56 会写代码的设计师、懂产品的工程师与跨职能团队 10:48 AI 放在组织中间：信息、决策与公司结构的重塑 12:49 “软件 + language model 是组织里的钢” 13:17 AI 会让组织更扁平，但不会消灭人性中的层级 招聘与人才标准的变化 14:10 Notion 的人才公式：能力经验 × 品味价值观 × 主动意愿 15:18 为什么 AI 时代既要招初级人才，也要招顶级资深人才 15:48 杠铃型组织：资深架构师、年轻 IC 与 coding Agent 的组合 16:32 设计师和 PM 的边界如何改变 17:51 从经验、斜率到品味：AI 时代为什么 taste 变得重要 19:16 为什么 taste 不在语言模型里，而在人身上 战时状态下的公司运营 19:16 拆分营销组织：storytelling 靠近产品，demand gen 服务销售 20:42 招聘流程变化：不先看简历，而是先看你做出来的东西 21:44 薪酬与能力导向：不能再平均撒资源 22:57 战时比和平时期更有生命力 23:20 创始人如何在自上而下与自下而上之间切换 24:41 爵士乐队，不是行进乐队：Notion 的组织哲学 25:50 Jazz mode：在结构中保留即兴和共同参与 规划、成本与 AI 毛利率 26:56 财务可以像军乐队，产品必须像爵士乐 28:03 AI 产品的成本压力与毛利率问题 28:35 为什么知识工作产品不一定总需要最强模型 29:11 第二梯队模型、open weight 模型与企业内部工作流 第一次 Refounding：京都重建 Notion 29:39 Notion 的第一次重启：裁掉团队，只剩两位创始人 31:01 裁员的痛苦：身体会告诉你必须这么做 31:18 为什么是京都：更大的房子、更低的成本和换一个故事 32:26 京都的工艺精神如何影响 Notion 34:46 为什么不放弃重开一家公司：Notion 是 Ivan 的毕生问题 35:56 tools for thought、Grateful Dead 与早期计算机文化脉络 36:21 技术、人性与工艺：为什么硅谷不该忘记历史 第二次 Refounding：从 SaaS 转向 AI 公司 38:27 给卡住的创业者建议：听从身体里的直觉，做剧烈改变 39:52 五百人阶段的重启：Cancun 与 GPT-4 的“宗教体验” 41:19 AI 产品并非一夜成功：一年半 Agent 探索期 42:40 早期绝望、AI 低谷与“现在一切都在着火” 43:18 给 SaaS 公司建议：从产品开始，创始人必须亲自 build 44:14 为什么你必须感受 AI，而不是只读文章或看视频 让公司持续再生 45:16 如何让僵化公司重新变软：引入创始人作为“去僵化机器” 45:35 Notion 的收购与 acquihire：五六十位创始人在公司内部继续创业 46:37 给创业者更大杠杆：在 Notion 平台上继续做原来的使命 47:26 创业更容易，规模化更难：AI 时代竞争密度暴增 48:45 已有规模的公司是否应该 refound：先真正感受到 AGI 49:13 未来组织的不变量：人性、层级、分工与法律责任 50:54 AI 系统会做越来越多决策，人类负责 context 和品味 52:01 知识管理重新变重要：现代知识工作只有约 150 年历史 Ivan 的 CEO 工作方式 52:33 内向型 CEO：为什么仍然必须学会一对多沟通 53:13 All hands 必须由创始人亲自讲 54:04 提词器如何改变 Ivan 的公司沟通 54:36 Notion 的 all hands 和 AMA 节奏 55:49 Ivan 的一天：早起、咖啡、办公室、健身、晚餐和继续工作 56:30 周末是快乐时间：跟随好奇心进入 rabbit hole 56:59 25 分钟会议、整块思考时间与 Slack 作为社交媒体 57:47 谦逊还是追求真实：盲人摸象与多元真相 给创始人的建议 58:24 CEO 是一个社会性游戏：地位、权力、竞争与价值观 59:19 如何在竞争、手艺、产品和商业之间找到自己的平衡点 01:00:26 放大优势，而不是沉迷弥补弱点 01:01:05 Notion 的企业销售教训：不要试图重新发明一切 01:02:37 每家公司只应该在一两个地方创新 01:03:34 从 PLG 到企业销售：尊重传统 playbook 的原因 01:04:40 系统型 CRO 与猎手型销售负责人如何互补 01:05:31 公司像宗教：文化、仪式、信念与意义感 01:07:20 Brian 总结：AI native CEO 的新手册正在形成 🌟 精彩内容 💡 “我们想做爵士乐队，不想做军乐队” Ivan 用“爵士乐队”来形容 Notion 的组织状态：它不是完全没有结构，而是在结构中允许即兴、协作和个人发挥。AI 时代变化太快，传统的计划、层级和流程不足以应对每周都在改变的技术环境，因此公司需要更多能自主判断、能跨职能协作、能在模糊中推进事情的人。 “我们想做爵士乐队，不想做军乐队。” 🧪 AI 产品不是造桥，而是酿啤酒 Ivan 认为，传统软件开发像造桥：只要设计清楚，结果大体可预测。但用 language model 构建产品更像酿啤酒，你无法完全控制“酵母”的行为，只能让最强的人一起实验、评估、调试和打磨。这也解释了为什么 Notion 的设计师、工程师和产品人员边界越来越模糊。 “用 language model 构建产品，尤其当时是这样，现在某种程度上也还是这样，更像是在酿啤酒。” 🧠 AI 时代，品味比经验更稀缺 Notion 的招聘标准发生了明显变化。Ivan 提出人才等于“能力和经验 × 品味或价值体系 × 主动意愿”。在 language model 让更多人都能写作、编程之后，基础能力会被拉平，但品味、价值观、好奇心和主动性不会轻易被模型替代。因此 Notion 更愿意招两类人：非常年轻、有能量和主动性的人，以及非常资深、能提供方向和品味的人。 “因为 taste 不在语言模型里。taste 在人身上。” 🏗️ “Language model 加软件，就是组织里的钢” Ivan 用钢结构建筑来解释 AI 对组织的影响。在钢出现前，建筑高度受限；有了钢，城市天际线才发生变化。同样，过去公司依赖大量中间层传递信息、文件和决策，而 language model 加软件可以成为新的承重结构，帮助组织更快地流转信息、辅助决策，并重新设计内部流程。 “language model 加软件，就是组织里的钢。” 🔁 Notion 的第一次重启：京都、裁员与从零重建 早期 Notion 找不到 product market fit，钱也快花完。Ivan 和联合创始人 Simon 做出剧烈决定：裁掉团队，只剩两个人搬去京都，从零重建产品。京都的工艺传统、寺庙、刀具、陶瓷和工具文化，让他们更强烈地意识到，软件也应该是一种被认真打磨的工具。 “你身处这种地方，怎么可能不被激励，去做一个更好的软件工具呢？” ⚡ 第二次重启：GPT-4 带来的“宗教体验” 当 Ivan 第一次体验 GPT-4 时，他觉得世界停住了。他意识到，如果 Notion 不做 AI，公司正在做的一切都可能失去意义。但这次转型并不是顺风顺水，Notion 花了一年半探索 Agent 产品，中间尝试了 Anthropic、OpenAI finetuning 等多种方案，都没有马上跑通。直到模型能力真正提升，AI 产品才开始带来增长拐点。 “GPT-4 对我来说像一次宗教体验。你必须用它做点什么。它会改变一切。” 🛠️ 创始人必须亲自 build，才能真正理解 AI 对于那些想转型 AI 的 SaaS 公司，Ivan 的建议非常直接：从产品开始，创始人必须亲自参与，必须真正使用 language model，必须感受它能打开哪些新路径。只是读文章、看视频、听别人讲都不够。你可以为产品 build，也可以为内部系统 build，甚至周末自己折腾小工具，但一定要亲手做。 “你必须去做点什么，必须感受它。感受 AI，感受 AGI。” 🎯 不要什么都创新：每家公司只需要一两个创新点 Notion 曾经试图重新发明企业销售，希望用第一性原理打造一套全新的 go-to-market 方式。但 Ivan 后来承认这是错误的：传统企业销售 playbook 能存在二十年，是因为它符合人性。客户在购买昂贵产品时，仍然想见到真人，想获得信任感。Ivan 的反思是，每家公司都应该把真正的创新限制在少数几个地方。 “每家公司都应该把自己的创新点限制在少数几个地方。一两个地方就够了。” 🧭 CEO 是社会性游戏，但也必须忠于自己的价值观 Ivan 认为，CEO 是一个充满地位、权力、竞争和社交动态的游戏，有点像娱乐业，也有点像体育。但如果只为了竞争而竞争，能量并不可持续。真正重要的是找到自己的价值观平衡点：你到底想建立什么样的公司？你在乎手艺、产品、人性、商业、竞争中的哪一部分？随着能力越来越被机器商品化，创始人自己的观点、品味和优势会变得更重要。 “我需要和自己的价值观达到一种平衡，弄清楚我到底想建立一家什么样的公司。” 🌐 播客信息补充 本播客采用原有人声声线进行播客音频制作，也可能会有一些地方听起来怪怪的 使用 AI 进行翻译，因此可能会有一些地方不通顺； 如果有后续想要听中文版的其他外文播客，也欢迎联系微信：iEvenight

📝 本期播客简介 本期我们克隆了：Latent Space: Inside xAI: Building Grok Imagine in 3 Months, Videogen vs World Models, and Video Agents— Ethan He 原内容更新时间：2026-06-01 本期节目是一场关于视频生成、世界模型和 Video Agent 的高密度技术访谈。嘉宾 Ethan He 曾在 Nvidia 参与 Cosmos world model，后来加入 xAI，从零参与 Grok Imagine、音视频联合生成、reference video、视频延展和 world model 相关工作。他在节目中复盘了 xAI 如何在短短三个月里，从没有基础设施、没有数据、没有模型的状态，快速做出 Grok Imagine 0.9；也详细解释了视频模型从数据、caption、VAE、diffusion transformer 到 distillation 的完整训练链路。 更重要的是，Ethan 提出了几个非常有判断力的观点：视频模型的很多进步，其实来自语言模型，而不是视频 diffusion 本身；world model 在他看来就是“实时、可交互、长时程的视频”；未来的 Video Agent 会像人类创作者一样，调用视频模型、图像编辑器、FFmpeg 和各种确定性工具，迭代生成真正可用于广告、创作和生产环境的视频内容。这期不仅适合想理解视频生成技术路线的人，也适合想提前看懂 AI 交互界面、生成式媒体和 Agent 未来趋势的听众。 👨‍💻 本期嘉宾 Ethan He，曾在 Nvidia 参与 Cosmos world model 和 Megatron-LM MoE 等工作，后加入 xAI，参与 Grok Imagine、视频生成、音视频联合生成、reference video、视频延展和 world model 相关研发。他的研究经历横跨计算机视觉、自监督学习、大规模 MoE、视频 diffusion、world model 和 LLM Agent。 ⏱️ 时间戳 00:00 开场 & 播客简介 从 Cosmos 到 xAI：三个月做出 Grok Imagine 02:42 嘉宾登场：Ethan He 与 Latent Space 社区的缘起 04:14 为什么离开 Nvidia：视频模型也有 scaling law，需要更大算力 05:43 xAI 从零起步：三个月做出 Grok Imagine 0.9 06:15 快速迭代的秘密：人才、infra、compute 与低沟通成本 08:23 模型质量提升的真相：很多突破来自数据和训练 pipeline 里的小 bug 08:37 Coding model 如何改变研究节奏：代码更快，compute 再次成为瓶颈 09:54 高压研发文化：算力昂贵，但这是一场马拉松 视频模型是怎么训练出来的 11:46 为什么做视频模型之前，通常要先做图像模型 12:50 数据从哪里来：人工详细标注与 VLM 生成 synthetic caption 14:12 训练视频模型为什么既需要配对数据，也需要无标签数据 15:07 VAE / tokenizer：为什么不能直接在像素上训练 17:08 Diffusion transformer：从噪声一步步去噪生成图像和视频 17:27 图像模型如何 bootstrap 视频模型：语言与图像连接更密集 18:24 视频压缩路线：逐帧压缩 vs 时间维度压缩 18:55 为什么不用 MP4 token 直接训练：latent space 必须对模型友好 20:00 实时性的代价：时间压缩节省 context，但会引入响应延迟 生成式 UI 与世界模型的早期形态 20:51 Flipbook：像浏览器一样探索模型想象出的网页 22:31 Generative UI：从用户意图直接到像素，而不是先写代码再渲染 24:09 Diffusion 前端，确定性后端：未来界面可能如何被重构 25:15 人机交互的带宽：人类用语音输出，用视觉输入 26:15 NeuroOS：用视频模型模拟操作系统和游戏 27:52 从过拟合现有界面，到想象全新交互系统 28:47 为什么视频模型能生成训练集中不存在的超自然内容 视频模型的成本、加速与音视频联合生成 31:05 视频模型到底有多贵：训练成本接近中等规模 LLM 31:52 被低估的成本：视频存储、特征存储、IO 和 egress 33:29 训练规模：数十万亿视觉 token、百亿级 active 参数 34:16 推理端加速：step distillation 如何把一百步变成几步 36:36 Consistency model、GAN 与少步生成的关系 37:48 Grok Imagine 0.9：大规模音视频联合生成模型 38:00 音频为什么难：speech 更离散，music 更连续 40:25 音视频对齐：模型必须理解每一秒声音和画面的关系 41:20 时间感：为什么 LLM 本身并不真正感知时间 Ethan 对 World Model 的定义 43:47 什么是 world model：实时、可交互、长时程的视频 44:03 交互性：键盘、鼠标、语音都可以成为输入模态 45:00 实时性：游戏需要毫秒级响应，数字人也要接近两百毫秒 46:00 长时程：世界模型不能只生成几秒，而要持续几分钟甚至几小时 47:00 视频延展：通往长时程 world model 的第一步 48:00 长 context 的挑战：五秒视频就可能有五六万 token 49:03 为什么用户喜欢视频延展：它是通往最终目标的中间产品 Reference Video 与动态上下文管理 51:24 长视频里的冗余：不是所有历史都需要一直放进 context 52:01 Reference video：用角色、物体、场景作为生成条件 52:46 为什么 reference 是一种“作弊”，也是一种重要机制 54:34 FramePack 与动态 context selection：离当前越远，信息越压缩 55:52 LLM 与视频模型共享的问题：context pruning 目前仍高度依赖 heuristic 56:14 Continual learning 的可能突破：让模型自己管理上下文 57:00 人类注意力的启发：不是记住一切，而是动态拉取相关信息 xAI 文化与生成式视频安全 58:35 xAI 被低估的地方：move fast、build、宏大目标和 first principles 59:30 如何倒推三个月目标：从数据、训练、人工标注、GPU 周转时间拆解 60:12 Elon Musk 的工作方式：非常 hands-on，直接给反馈 61:09 Grok Voice：实时语音体验、打断能力和车载场景 61:56 生成式视频安全：水印、下架和社交平台治理 62:19 SynthID 的局限：论文公开后，水印也可能被反向工程 63:04 AI 生成内容越来越难识别：从看手指，到看逻辑是否成立 视觉智能为什么来自语言 64:31 核心判断：视觉智能很大程度来自语言模型 65:00 Prompt rewriter：视频模型背后的“大脑” 65:40 为什么视频 diffusion model 很“字面”：用户说“一只猫”，它可能只生成一只不会动的猫 66:10 GPT Image 类模型为什么要“想几分钟”：时间花在推理、重写 prompt 和组织内容上 67:07 不同架构路线：独立 LLM + diffusion、omni model、离散图像 token 68:21 生成—理解—再生成：omni model 可能如何迭代优化图像 69:54 Prompt rewriter 与 diffusion head 不是一回事，但语言侧都在贡献智能 70:33 不需要 joint training，光重写 prompt 就能显著提高画面质量 Video Agent：生成式媒体的下一波 71:54 Video Agent 的愿景：像人类创作者一样调用工具、编辑、迭代 72:13 Grok Imagine Agent beta：从视频生成走向视频创作工作流 72:29 为什么“生成一分钟视频”是 Agent 任务，而不是单次视频模型任务 73:30 从 Copilot 到 Claude Code：视频创作也会经历 Agent 化 74:17 速度、thinking budget 与 inference infra 75:12 Video Agent 的真正价值：不是模型到头了，而是 harness 和工具链解锁新能力 76:21 AI 模型更懂 AI 模型：未来会有模型专门负责 prompt 和调度生成模型 77:28 为什么确定性工具仍然重要：字幕、排版、精准编辑不必全靠视频模型 78:02 Ethan 的时间判断：年底 Video Agent 会成为大热点 78:20 Production grade 视频：一旦可用于广告和展示，预算会指数级增长 机器人、LLM 与下一阶段研究 78:36 World model 不一定只服务机器人，但机器人会自然成为 AI 可调用的工具 79:12 Physical AI 也许不需要先在真实世界解决，可以先被强视频模型解决 80:10 为什么离开 xAI：想做公司优先级之外的研究，尤其是语言模型方向 81:06 视频模型的瓶颈，正在转向语言模型和 Agent 81:31 未来一年关注什么：模型感知并管理自己的 context 82:00 Context awareness：模型应该知道自己快到上下文上限了 82:30 Context addition / removal / compaction：今天由 harness 做，未来可能被模型吸收 83:59 Self-modifying harness：模型像程序一样，在 test time 给自己编程 85:22 职业路径：从 ResNet 时代的视觉研究，到 FAIR、Cosmos、MoE、xAI 86:44 为什么跨方向并没有想象中困难：训练大模型的原则高度相通 87:33 收尾：xAI 背后还有很多未被讲清楚的层次 🌟 精彩内容 💡 三个月做出 Grok Imagine：速度来自迭代能力 Ethan 回顾了自己加入 xAI 时的状态：没有 infra、没有数据、没有模型，只有几个工程师和一个非常明确的目标。最终团队用三个月发布了 Grok Imagine 0.9。他认为，训练模型最关键的不是某个神奇算法，而是端到端迭代速度：你每天能做多少轮实验，发现多少 bug，修正多少数据和训练 pipeline 的问题。 “我看训练模型这件事时，最重要的其实是，你每天能做多少轮迭代。” 🧠 视频模型的进步，很多来自语言模型 本期最反直觉的观点是：视觉智能很大程度来自语言。Ethan 解释说，视频 diffusion model 本身往往非常字面，它们需要一个更强的语言模型做 prompt rewriting，把用户简单的指令扩展成极其详细的视觉描述。很多图像和视频质量的提升，不是因为 diffusion 模型突然更聪明，而是因为语言模型更会思考、更会写 prompt、更会调用工具。 “我有一个挺大的判断：视觉智能很大程度上其实来自语言，尤其是这些视频模型。” 🌍 World model 是什么：实时、可交互、长时程的视频 Ethan 不试图争论 world model 的唯一标准定义，而是从视频生成角度给出自己的定义：world model 就是实时、可交互、长时程的视频。它要能响应键盘、鼠标、语音输入；要能做到低延迟；还要能持续生成几分钟甚至几小时，并保持角色、声音、物体和事件的一致性。 “在我看来，world model 就是实时、可交互、长时程的视频。” 🧩 长视频的核心难题：不是更长 context，而是会管理 context 视频生成面临巨大的 context 压力。Ethan 提到，Cosmos 中五秒视频就可能有五到六万 token，长视频很容易爆炸。因此，未来的关键不只是硬扩 context length，而是让模型学会动态选择历史信息：什么时候需要完整记住上一秒，什么时候只需要压缩远处历史，什么时候要把某个角色的 reference 拉回来。 “模型应该能够自己选择性地知道，我应该从哪里取 reference。” 🎬 Video Agent 会成为生成式媒体的下一波 Ethan 认为，Video Agent 不是简单地“生成几个片段再拼起来”，而是会像人类创作者一样，使用视频模型、图片编辑工具、视频编辑器、FFmpeg、字幕工具和确定性工具，反复生成、检查、修改、组合，最终做出 production grade 视频。他预测，到年底 Video Agent 会成为一个大热点，一旦生成视频达到广告和展示可用标准，企业预算会快速进入。 “AI 模型更懂 AI 模型。” 🔊 音视频联合生成的难点：时间对齐 Grok Imagine 0.9 被 Ethan 称为第一个大规模部署的音视频联合生成模型。它的难点不只是生成声音，而是让声音、音乐、对白和画面在时间上精确对齐。文本和图像的对齐可以比较松散，但音频和视频必须在每一个时间步上对应，这让数据标注、caption 和模型设计都更加复杂。 “模型必须知道视频和音频之间有基于时间的对齐关系。” 🖥️ Generative UI：未来界面可能直接由模型生成 Ethan 展望了一种未来：如果推理成本足够低，用户界面不一定再由代码写出、浏览器渲染，而可以由 generative model 直接从用户意图生成像素。你可以让 email 像 TikTok 一样呈现，也可以生成没有点赞按钮的 Instagram stories。LLM 和 coding model 负责后端逻辑，diffusion model 成为前端视觉层。 “Generative UI 就是从用户意图直接到像素。” 🧠 LLM 的下一步：感知并管理自己的上下文 离开 xAI 后，Ethan 接下来更关注语言模型方向。他认为，模型未来需要知道自己的 context 状态：什么时候快到上限，什么时候该压缩，什么时候该删除工具调用结果，什么时候该把某些信息重新加入上下文。今天这些工作主要由 Agent harness 的 heuristic 完成，但未来可能会被模型自己吸收。 “启发式工程里的很多东西，最后也会被模型自己吸收进去。” 🌐 播客信息补充 本播客采用原有人声声线进行播客音频制作，也可能会有一些地方听起来怪怪的 使用 AI 进行翻译，因此可能会有一些地方不通顺； 如果有后续想要听中文版的其他外文播客，也欢迎联系微信：iEvenight