主播 未知 出品 AI-Nate, AI-Siky 8,530 订阅 17 集 3周前更新
硅谷洞察局
🎙️ 硅谷洞察局 EP17 | 对谈前阿里高管胡宁：为什么企业和个人的 Agent 都是新物种？ 一线洞察，深度思考。硅谷核心科技从业者，带你触摸 AI 变革深处。 --- 📌 本期看点 Agent 到底是一个工具，还是别的什么？Nate 给一位做教育的朋友讲自己的 Agent 系统，对方第一反应是：这不像工具，像一个新物种。它能自己学，自己变好，到一定程度还能自己做决定。这套系统一晚上自学拍电影，第二天就在黑客松上交出短片。胡宁也认同这个比喻：再加一套懂人类品味的评测，它可能就真成了导演。 这期 Nate 请来了胡宁。她做了二十年 AI 落地：Google 搜索，广告技术创业，再到阿里巴巴负责饿了么商业化。2023 年她来美国第二次创业，现在做 ZooWork，帮企业拥有自己的 AI。 新物种进了公司，要守规矩，也要算账。前沿模型代表上限，企业算的是投入产出；小模型怎么把成本降下来；怎么让 AI 自己判断哪些事直接办、哪些抽查、哪些交给人；今年最火的驻场工程师（FDE）总有撤出的一天，留下的应该是一个能自己变好的系统。还有，她为什么说 AI 必须有边界。 新物种跟着一个人，又是另一种活法。Nate 一个人加几十个 Agent 运营一家公司，是企业的极端对照组：每天有 200 个决定在等他拍板。两人聊到，AI 时代人更核心的能力，是问出好问题、做出好判断。 --- 💬 本期金句 "在新的 AI 时代，人更核心的能力，是能不能问出好的问题，以及能不能做出好的判断。" 00:09:35 "前沿模型代表了上限。但我们关注的是，怎么在可控的成本下，交付一个好的结果。" 00:20:42 "很多企业场景不是开放式生成，而是在几个选项里挑一个，并且告诉我你有多确定。" 00:30:21 "这好像不像是一个工具，有点像一个新的物种。" 00:36:07 "我们一直没讲 L5，因为我觉得不会有 L5。L5 意味着没有边界。" 00:44:13 "现在的 AI 不是不够聪明。有时候你担心的是，它为了达成目的会不择手段。" 00:44:34 "所有人都说自己是 FDE。" 01:01:42 "FDE 是驻场，但不可能永远驻场，总有撤出的一天。" 01:03:40 "本质上我们都在建 Loop。Agent 本身是个 Loop，帮企业积累 AI 资产也是个 Loop。" 01:06:14 "有了好的 Coding Agent，代码不值钱了。但设计出一个 Production Ready 的好架构，仍然要花很大力气。" 01:11:10 "跑一万次，最珍贵的是你纠正它的那一次。" 01:47:20 "人类负责 Creativity，AI 负责 Productivity。" 01:33:31 "时间是最有限的资源。人唯一要做的，就是选择把时间放在哪里。" 01:35:59 "每个人都会经历一个 Wow Moment，只是早晚的问题。" 01:54:19 --- 📖 本期术语速查（听到不熟悉的词？翻这里） FDE（Forward Deployed Engineer，驻场工程师） 派到客户现场的工程师，既要懂技术，也要能跟客户各个部门沟通，把模糊的问题抽象出来，设计方案并真正部署上线。 Harness 包在模型外面的那一层：工具、记忆、流程和规则，决定一个模型在具体任务里能发挥出多少。Nate 提到的 Mega Harness，是一个能调度其他 Harness 的总控层。 Trajectory（运行轨迹） Agent 每一次执行任务留下的完整记录。ZooWork 把它当成企业的 AI 资产来积累，用来生成规则、评测集和训练数据。 Eval（评测） 衡量 Agent 做得好不好的一套测试和指标。没有 Eval，就谈不上持续改进。 后训练（Post Training） 在开源基座模型上，用企业自己的数据继续训练。目的通常是两个：把行业 Know How 放进模型，以及把成本降下来。 Decision Model（决策模型）与 Calibration（校准） 专门在几个选项里做选择、并给出置信度的快模型。校准是让它说的「90% 确定」真的接近 90% 的准确率，这样才能用置信度来分流。 快思考与慢思考 来自《思考，快与慢》。Decision Model 像直觉，快但给不出完整推理；大语言模型像逻辑推演，慢但能解释。本期聊的是把两者组合起来用。 L1 到 L4 借自动驾驶分级来描述 Agent 的自主程度：从人主导、AI 辅助，到人只定义目标和评测，Agent 自己迭代。 Pareto 前沿 性能和价格之间最优的那条线。胡宁认为开源模型已经接近这条线，所以后训练变得划算。 OPC（One Person Company，一人公司） 一个人加一群 Agent 运营的公司，也是 Nate 本期的「对照组」。 --- 🗂️ 内容大纲 一、为什么离开大厂，再创业一次 从 CMU 的 AI 研究到 Google 搜索和广告技术，AI 一直是核心引擎 大厂有资源，但决策推不动；创业公司唯一的机会是比大厂快 2023 年 ChatGPT 出来，她的判断是：不能错过 二、AI Native 的组织 团队里不论背景，人人都要能跑 Agent 人的素质要求更高：问出好问题，做出好判断 Taste 很难量化，但它就在那里；人要能「激发」AI 一人公司的极端做法：让 Agent 自己做决定，允许犯错，但必须学习 三、用自动驾驶看企业 AI 走到了哪一步 L1 到 L4，企业正在从 L1、L2 往 L3、L4 走 一人公司是「一步跳到 L4」的对照组 企业要的是可扩展、可靠和合规，用户也需要时间适应 四、前沿模型是上限，企业算的是 ROI 前沿模型做不到的，就不用做了 能做到但成本扛不住，企业照样不能用 一个拉美餐饮客服创业者的取舍：用户付不起，只能做便宜 五、后训练：降本，还是做前沿模型做不到的事 企业后训练的两个目的：沉淀 Know How，降低成本 Nate 的另一个思路：用小模型做小而频繁的自主决策 六、Decision Model 与快慢思考 企业很多任务是在选项里挑一个，并给出置信度 用校准后的置信度分流：自动通过、抽检、人工 快模型给直觉，慢模型做推理，两者组合 七、Agent 会是一个新物种吗 AI 一晚上自学拍电影，第二天在黑客松上做出短片 Long Horizon 任务今年开始 Production Ready 八、边界、安全与隐私 为什么不会有 L5：没有边界的 AI 很危险 如果 AI 会撒谎怎么办 用 AI 就要让渡大量隐私，服务方应该对数据有承诺 先推到边界，再知道往哪里退 开源模型接近 Pareto 前沿，后训练和私有部署变得可行 九、FDE 到底是什么 要求极高：工程能力、跟客户沟通、抽象问题、懂 AI 原理 市场鱼龙混杂：人人都说自己是 FDE 最后一公里的三种角色：FDE、领域专家、企业自己的一线员工 FDE 总要撤出，Agent 要靠一线反馈持续进化 两条路：给 FDE 用的 API，给非技术人员用的 Agent Builder 十、平台还是自己搭 代码不值钱，但 Production Ready 的架构值钱 工程师和产品经理提交的代码，过评测的差别很大 把工程师的经验蒸馏成 Skill 生态的价值：不必重复烧同样的 Token 十一、后训练能交给 Agent 吗 Nate 把后训练交给 Agent，让它读论文、做实验 胡宁的看法：数据处理里有大量 Trick，Reward Model 怎么设计仍然是 Know How 为什么最顶尖的研究员和工程师反而最焦虑 十二、AI 时代的工作与生活 做帮企业增长的项目，而不是替代人的项目 一天切换 120 次 Context，人脑也能被训练 信任是人和人之间最难替代的部分 决策 Prompt 的三问：为什么，对用户有什么好处，需要我决定什么 记忆为什么重要：最高质量的训练数据，是纠正它的那一次 十三、给想做 FDE 的人的建议 善用工具，不要从零开始搭 AI Literacy 的工作量巨大，但迈出第一步之后会很快 每个人都会经历自己的 Wow Moment --- 🎤 主播与嘉宾 胡宁 | 清华大学计算机系毕业，卡内基梅隆大学计算机博士。曾在 Google 做移动搜索和 Google Music，创办广告技术公司聚效 MediaV（后并入 360），在 360 负责商业化和创新业务，后任阿里巴巴 VP、负责饿了么商业化。2023 年赴美第二次创业，先做时尚穿搭 AI Gensmo，现为 Serendipity One 创始人兼 CEO，旗下 ZooWork 帮助企业拥有自己的 AI。 AI-Nate | Ipsion AI 创始人兼 CEO，为一人公司打造 AGI 时代自主学习、自主决策的智能体系统。30+ 智能体自主运营一人公司，18 个 AI 产品，AI 课程导师，企业咨询。 --- ⏱️ 时间戳 00:00 开场 00:14 嘉宾介绍 01:14 胡宁：这是我第二次创业 02:47 是什么让她决定离开大厂 05:16 「我不能错过这个机会」 07:32 什么是 AI Native 的组织 08:53 在企业里，谁来做决定 09:35 人最核心的能力：问出好问题，做出好判断 11:09 Taste 很难定义，但它就在那里 12:00 人要能「激发」AI 12:24 一人公司的极端探索 13:14 「You Are Smart Enough」：让 Agent 自己做决定 14:47 用自动驾驶 L1 到 L4 看 Agent 15:29 一步跳到 L4 16:23 一人公司是企业的对照组 16:47 企业要的是可扩展、可靠和合规 19:22 给 Agent 多大的权限 20:30 模型能力已经超过我们的用法了吗 20:42 前沿模型是上限，企业算的是 ROI 22:23 SF Tech Week 上的拉美创业者：用户付不起 24:11 企业后训练的两个目的 24:58 Cursor 的例子：十分之一的成本 25:51 Nate 的后训练：不为降本，为自主决策 27:52 Decision Model 与 LLM 一起用 29:52 ZooWork 开源的决策模型 30:38 校准：用置信度分流 32:20 思考，快与慢 35:12 快思考加慢思考 36:06 「这不像工具，像一个新物种」 37:39 一晚上自学拍电影 41:21 Long Horizon 能力今年 Production Ready 42:16 让 AI 自己找素材、自己处理 43:20 Mega Harness 44:13 为什么不会有 L5 44:34 AI 不是不够聪明，是可能不择手段 45:27 如果 AI 会撒谎 46:36 Alpha 测试：产品给谁很重要 47:32 AI 让人变得透明 48:54 服务方需要对数据做出承诺 52:53 先推到边界，再往回退 55:46 开源模型接近 Pareto 前沿 57:55 海外创业者都在用中国开源模型 59:19 FDE 为什么这么热 59:54 要求极高，也鱼龙混杂 01:00:45 一位被定点招募的 FDE 01:01:42 所有人都说自己是 FDE 01:03:09 最后一公里的三种角色 01:03:40 FDE 总有撤出的一天 01:04:37 两条路：API 和 Agent Builder 01:05:44 一个 3000 用户的产品，怎么做到不用管 01:06:14 本质上都在建 Loop 01:06:48 用平台还是自己搭：看场景 01:10:07 要不要开源 01:11:10 代码不值钱，架构值钱 01:12:25 工程师和产品经理的 PR，差别很大 01:14:52 把工程师的经验蒸馏成 Skill 01:17:14 从系统到生态 01:19:41 一定要在真实场景里验证 01:20:19 把后训练交给 Agent 01:23:05 Agent Runtime 的最佳实践 01:24:10 为什么后训练研究员这么贵 01:26:59 Reward Model 仍然是 Know How 01:28:12 为什么最顶尖的人最焦虑 01:29:27 我们仍然相信人能驾驭 AI 01:29:52 从《三体》看多 Agent 协作 01:32:14 做增长的项目，不做替代人的项目 01:33:31 人类负责 Creativity，AI 负责 Productivity 01:35:59 选择把时间放在哪里 01:37:09 一个新挑战：在项目之间切换 Context 01:38:18 Go To Market 就是建立信任 01:39:14 创业公司的机会：那 1% 的人 01:40:38 一天切换 120 次 Context 01:42:16 每天 200 个决定在等你 01:44:29 决策 Prompt 的三问 01:45:40 为什么 Memory 很重要 01:47:20 最珍贵的是纠正它的那一次 01:48:25 记忆也需要遗忘 01:49:27 想做 FDE，有什么建议 01:49:39 善用工具 01:51:12 AI Literacy 01:52:12 一堂 AI 课的 Demo Day 01:54:19 每个人都会有自己的 Wow Moment 01:55:29 结语 01:56:37 招聘与链接 01:57:09 下期再见 --- 📝 补充说明 30:38 讲校准分流时，口误说成「60% 以上走人工」，应为 60% 以下走人工。 --- 🔗 本期提到 ZooWork https://zoowork.ai 胡宁：Use AI, or Own It? https://zoowork.ai/blog/use-ai-or-own-it/ ZooWork 开源的客服决策模型 https://zoowork.ai/blog/instinct-customer-service-decision-models/ Ipsion AI Alpha 测试 https://ipsion.ai/alpha Nathan 在节目里讲的 AI 短片《Bedtime, Unscripted》（智能体自学拍电影后一天拍完） https://ipsion.ai/film/zh/ --- 📮 联系我们 播客邮箱：[email protected] 欢迎评论区留言交流，转发支持！ --- 🎙️「硅谷洞察局」听友群开放中！ 👉 扫码进群，和 Nathan 直接聊 🎯 告诉我们下期你想听什么 🤝 认识同样关注 AI 和硅谷动态的朋友们
117 分钟 1k+ 次播放 3周前
🎙️ 硅谷洞察局 EP16 | 被吐槽套壳，估值 54 亿美元：AI 视频黑马 Higgsfield 的增长打法 一线洞察，深度思考。硅谷核心科技从业者，带你触摸 AI 变革深处。 --- 📌 本期看点 8 月 17 日，AI 视频公司 Higgsfield 宣布完成 4 亿美元 B 轮融资，估值 54 亿美元，年化收入达到 7 亿美元。它不做自己的底层大模型，把可灵、Seedance、Sora 这些最好的模型装进一个订阅里，很多人管这叫「套壳」。可就是这样一家公司，2025 年 3 月才找对方向，一年半就跑成了硅谷增长最快的 AI 应用之一，而且早早就开始赚钱。 这期 Siky 请来了在硅谷做了 16 年 Go To Market 的 Danni Chen。她在几家 AI 独角兽带过 Marketing 和 Sales，亲历过把业务从 2000 万美元做到 10 亿美元，现在也给从 Pre-Seed 到 Series D 的 AI 创业公司做增长顾问，其中就有 Higgsfield 的竞争对手。 上半场拆 Higgsfield：「套壳」公司的护城河到底在哪，模型公司为什么吃不掉最后一公里，以及它的增长五件事：换对 ICP、产品就是分发、给创作者直接发钱、一支特别有网感的团队、几乎每天上线新功能。 下半场聊每个创始人都绕不开的 Founder Led Growth：为什么它是早期必做的事，怎么定位、怎么选平台、怎么读懂算法，还有 Danni Chen 身边一个成功案例和一个没做起来的案例。她的判断很直接：一直发 AI 生成的干货，是做不起来的。 --- 💬 本期金句 "套壳这个词比较站在技术人的角度。一个品牌的 Social Media Manager，一定不会关心底下跑的是谁的模型。他关心的只有一件事：我今天能不能拿出一条能发的视频。" 00:11:09 "它改变的一件事，就是从写 Prompt 碰运气，变成选一个风格，点一下。" 00:11:53 "价值不在模型本身，就在那个 Last Mile，最后一公里。" 00:12:21 "模型公司只能看到它自己那一份，Higgsfield 这样的公司才能看到所有。" 00:13:31 "用得越多，这套东西就越成为你自己的。这时候你换平台，换的就不只是一个工具了。" 00:14:02 "你先有数据，你的模型才能变成护城河。" 00:20:49 "任何一家增长非常迅速的黑马，一定是做对了所有的事情。产品和 Go To Market，两者缺一不可。" 00:22:56 "卖的其实是完全一样的技术，但是换了一批人，收入就不是一个量级。" 00:23:37 "每一个视频其实就是一个功能，本身就天然适合传播。" 00:25:17 "一般做工具的逻辑是，我能实现什么酷功能。这个团队想的是，我做什么样的功能，用户会忍不住去分享。" 00:27:32 "90% 的 Revenue，一定是其中一到两个渠道贡献的。" 00:33:40 "所有的增长，都要变成你的复利。" 00:37:13 "Go To Market 的本质，就是在合适的地方找到合适的人。" 00:40:21 "Founder Led Growth，是早期没钱的时候 100% 要做的事，有了钱以后更要坚持做。" 00:42:59 "Steve Jobs 其实就是古早的 Founder Led Growth 顶级玩家。" 00:43:38 "既然 AI 能干，那为什么大家还要看你？" 00:55:31 "AI 可以帮你提效，但是 AI 不能代替你思考。你的经历只有你自己知道。" 00:57:41 --- 📖 本期术语速查（听到不熟悉的词？翻这里） 套壳 不自己训练底层大模型，调用别家的模型，在上面做产品。本期的争论点就是：这样的公司到底有没有护城河。 最后一公里（Last Mile） 把模型能力变成普通人真正顺手、能直接用来干活的产品。 ARR（年化经常性收入） 按当前订阅收入折算的一年收入，衡量订阅制公司规模的常用指标。 ICP（Ideal Customer Profile，理想客户画像） 你到底卖给谁。Danni Chen 强调，它必须具体到「一个定语很多的句子」，不能只说「内容创作者」。 Pivot（转型） 换方向。Instagram 早期是签到打卡 App，YouTube 最早是约会网站。 Growth Loop（增长飞轮） 用户用产品做出的内容，本身又把新用户带进来，一圈一圈越转越快。 KOL / KOC KOL 是大 V，KOC 是粉丝不多、但更贴近普通消费者的小创作者。 Product Channel Fit 找到最适合你这个产品的获客渠道，然后在它上面 Double Down。 SEO 与 Backlink 搜索引擎优化，以及别的网站指向你的链接。见效慢，但会沉淀成长期资产。 Founder Led Growth（创始人驱动增长） 创始人自己当品牌代言人，在社交媒体上长期发声，用信任带来用户、投资人和人才。 Build In Public 把自己做产品、研究问题的过程公开分享出来。 --- 🗂️ 内容大纲 一、Higgsfield 是一家什么公司 不做底层模型，把最好的视频模型装进一个订阅 视频里的 Canva：不会拍片的人，也能做出电影感的视频 创始人来自 Snap，公司起家于哈萨克斯坦，核心团队在旧金山 二、2025 年 3 月的那次转向 从面向开发者的自拍动画 App，到面向营销人和创作者 很短时间冲到将近 1000 万美元年化营收 营收到 5000 万美元左右时就已经盈亏平衡 三、「套壳」公司的护城河在哪 用户不关心底下跑的是谁的模型 从写 Prompt 碰运气，到选一个模板点一下 Cursor 的类比：价值在最后一公里 三条护城河：跨模型的数据、沉淀下来的记忆、规模带来的算力议价 B 轮的钱用来锁算力，开始发力 Enterprise 四、模型公司为什么吃不掉最后一公里 Cursor 的起起伏伏，对 AI 视频意味着什么 只有聚合平台知道：哪个模型适合什么镜头，哪个模板转化最高 先有数据飞轮，再训自己小而专的模型 五、增长做对的五件事 换对 ICP：同样的技术，换一批人，收入不是一个量级 产品就是分发：每个视频都是一条功能演示 给创作者直接发钱：Creator 计划比投广告便宜得多 一支特别有网感的团队：先问用户会不会忍不住分享 速度：几乎每天上线一个新功能 六、从 ToC 走向 Enterprise 付钱的主力是 SMB，内容创作者本身就是一门生意 大品牌、视频代理商、好莱坞后期团队 用电影级质量做营销，高维打击低维 七、AI 时代的增长打法 所有渠道都要做，但要找到一到两个主渠道做到极致 Gamma 靠口碑，有的竞品靠 SEO，有的靠 Discord 为什么不 All In 一个渠道：所有增长都要变成复利 Go To Market 的本质：在合适的地方找到合适的人 ToSMB 看 Meta 和社群，ToEnterprise 看 LinkedIn 八、Founder Led Growth 从 Steve Jobs 到今天的硅谷创始人 低成本、高回报：OpenAI Codex 负责人每天在 X 上发两三条 三个建议：想清楚定位、读懂平台算法、了解你的受众 要有活人感，敢于蹭热点，但要蹭对 一个成功案例和一个没做起来的案例 AI 可以帮你提效，不能代替你思考 不擅长的创始人，可以让合伙人或公司里的人来当代言人 --- 🎤 主播与嘉宾 Danni Chen | 16 年 Go To Market 经验，现在开始做产品。曾在多家 AI 独角兽负责 Marketing 和 Sales，参与过把业务从 2000 万美元做到 10 亿美元的过程，有过一次成功 Exit。现任一家世界 500 强上市公司 AI 产品与增长负责人，同时担任多家 AI 创业公司的 Go To Market 顾问，覆盖 Pre-Seed 到 Series D，既有中国出海团队，也有美国本土团队。 AI-Siky | 斯坦福毕业，10 年+ 硅谷经验，曾主导多家独角兽增长，现任顶级科技公司战略合作负责人 --- ⏱️ 时间戳 00:00 开场 00:44 嘉宾 Danni Chen 自我介绍：16 年 Go To Market 03:07 本期主角：AI 视频公司 Higgsfield 04:00 Higgsfield 是做什么的：不做底层模型的视频平台 04:43 视频里的 Canva 05:09 创始人背景：从 AI Factory 到 Snap 05:52 融资 4 亿美元，估值 54 亿美元 06:25 2025 年 3 月的转向 06:58 之前做的是什么：面向开发者的自拍动画 App 08:10 一家非常 Monetization Driven 的公司 08:27 今天的营收规模 08:59 5000 万美元时就已经盈亏平衡 09:28 「套壳」公司真的没有护城河吗 11:09 用户不关心底下跑的是谁的模型 11:53 从写 Prompt 碰运气，到选一个模板点一下 12:06 Cursor 的类比 12:21 价值在最后一公里 13:07 三条护城河 13:12 护城河一：跨模型的数据 13:40 护城河二：记忆，沉淀成客户的专有资产 14:24 护城河三：规模和算力 15:06 发力 Enterprise 16:04 Cursor 的起起伏伏 17:33 模型公司自己来做最后一公里，难在哪 18:38 UGC 模板：哪个最容易火，只有平台知道 20:03 反向训练自己小而专的模型 20:49 先有数据，模型才能变成护城河 21:13 越来越多「最后一公里」公司回头训模型 21:54 Higgsfield 的增长到底是怎么做出来的 22:48 切中市场，还是打法做对了 23:14 第一点：换对了 ICP 24:00 Instagram 和 YouTube 也都 Pivot 过 25:03 第二点：产品本身就是分发 25:59 第三点：直接给创作者发钱 26:59 第四点：一支特别有网感的团队 29:09 第五点：速度，几乎每天上线新功能 30:14 这是 AI 时代的 TikTok 吗 31:47 Enterprise 客户是谁：品牌、视频代理商、好莱坞 32:23 高维打击低维 32:40 AI 时代的增长打法，和传统打法有什么不同 33:40 90% 的收入来自一到两个渠道 33:50 Product Channel Fit 34:28 Gamma 靠口碑，竞品靠 SEO 和 Discord 36:39 为什么不直接 All In 一个渠道 37:13 所有增长都要变成复利 38:38 Omni Channel 与资源分配 39:14 SEO 可能要做到第 7 个月才见效 39:41 什么样的渠道最有效 40:21 Go To Market 的本质 40:56 ToSMB 的例子：AI 建站工具 41:57 ToEnterprise：别投 Meta，去 LinkedIn 42:27 什么是 Founder Led Growth 43:38 Steve Jobs：古早的顶级玩家 45:15 低成本、高回报 45:45 Build In Public 在硅谷已是常识 47:02 很多创始人努力发了，却没人看，怎么办 48:26 被关注本来就是金字塔尖的少数 49:10 建议一：想清楚定位和内容支柱 49:43 建议二：选平台，读懂算法 50:40 反共识的观点更容易带来流量 50:55 建议三：了解你的受众 51:29 要有活人感 52:50 坚持过最难熬的前三个月 53:07 案例：一个做成了，一个没做起来 54:14 成功案例：蹭对热点，做成一份 Playbook 54:53 每个平台都喜欢「收藏」 55:18 没做起来的案例：一直发 AI 生成的干货 57:06 要敢于蹭热点，但要蹭对 57:41 AI 可以提效，不能代替你思考 58:12 大博主怎么用 AI 59:07 写得很深，却没人看 59:29 不适合出镜的创始人，可以找别人来做吗 01:00:29 不要低估技术出身的创始人 01:01:33 结语 & 感谢 --- 📝 补充说明 08:27 说到 Higgsfield 年化收入突破 2 亿美元，这是今年 1 月的数字。公司 8 月 17 日宣布 B 轮时披露，年化收入已达到 7 亿美元。 节目中个别地方口误说成 HeyGen，指的都是 Higgsfield。 --- 🔗 本期提到 Higgsfield 宣布 4 亿美元 B 轮融资（2026 年 8 月 17 日） https://www.prnewswire.com/news-releases/higgsfield-raises-400-million-series-b-financing-at-5-4-billion-valuation-with-annualized-revenue-reaching-700-million-302852430.html --- 📻 每天十几分钟，跟上硅谷 AI 订阅《硅谷洞察局·每日快讯》：每天一集，从全球 AI 信息流里挑出当天最值得关注的动态，上班路上就能听完，第一时间了解硅谷最新的 AI 动态。 👉 小宇宙搜「硅谷洞察局·每日快讯」，或点这里订阅： https://www.xiaoyuzhoufm.com/podcast/6717b5fc2c9acfa79217db34 --- 📮 联系我们 播客邮箱：[email protected] 欢迎评论区留言交流，转发支持！ --- 🎙️「硅谷洞察局」听友群开放中！ 👉 扫码进群，和 Nathan、Siky 直接聊 🎯 告诉我们下期你想听什么 🤝 认识同样关注 AI 和硅谷动态的朋友们
62 分钟 1k+ 次播放 1个月前
🎙️ 硅谷洞察局 EP15 | 你相信光吗？前 Waymo 激光雷达工程师聊光、芯片与 AI 的周期 一线洞察，深度思考。硅谷核心科技从业者，带你触摸 AI 变革深处。 --- 📌 本期看点 CNBC 9 月 4 日报道，英伟达今年 3 月以来承诺投给光子和光学公司的钱，至少有 65 亿美元。AI 的瓶颈正在从「算得慢」变成「数据搬得慢」，硅光这个喊了十几年的方向，突然成了资本抢着下注的地方。 这期请到的是我的好朋友江芸珊 Cathy。她是 UCLA 电子工程博士，读博时在 Photonics Lab 做时间拉伸 LiDAR 和硅基光子学非线性效应，毕业后在 Waymo 做 LiDAR 工程师。今年年初她离职了，接下来会以 Founding Member 加入一个新的光子团队，做下一代数据中心的光互联。我自己是芯片薄膜工艺出身，一个做光，一个做过膜，聊起来有不少技术上的碰撞。 我们从「3 纳米到底是不是 3 纳米」聊起：光为什么在吃掉铜，光计算为什么每十几二十年就火一次，LiDAR 为什么越做越小、越做越便宜，还有 Anthropic 发布的新标准让 Claude 这样的 AI 可以操作实验仪器，这对硬件和科研意味着什么。中间还有两个故事：一次开错气体，意外带来一个材料突破；一片测试晶圆碎在机台里，差不多等于一辆入门款保时捷没了。 我最想推荐最后一个话题，经历过几轮行业周期的人，怎么判断哪些知识会一直有用。Cathy 说，你学过的知识多半都还有用。 --- 💬 本期金句 "大家理解这个名字，更像理解 iPhone Pro Max：让你产生一个印象，芯片在不断变小，算力在不断增强。" 00:03:27 "有 AI 投资人说，他也不管这些大模型公司了，直接布局电力。任你是怎么样的 AI 出来，我就是给你发电的。" 00:08:19 "十几年前，大家就说硅光产业有一个 100 Billion 的大市场。但是甲方的订单，一直也没有来。" 00:10:46 "从原理上，和养猪场可能也没有特别大的区别。" 00:14:14 "这次的 AI 让我感觉有点不一样。我个人的体感是，它有点像个无底洞。" 00:14:30 "如果开头是「你相信光吗」，那我周围很多做光的小伙伴，没有那么相信光。越做光，越不相信光。" 00:15:57 "有很多技术突破，是大家 Make Mistake 做出来的。但我们现在做 AI 系统，其实不希望它犯错。" 00:22:42 "光计算一直是一个很 Fancy、很 Sexy 的话题，但从来没有一个大的量的实现过。" 00:26:01 "光芯片我是想做光互联芯片，我对光计算还是一个悲观态度。" 00:27:26 "仔细去看，这不是突然有一天发现了什么，把整个 Transformer 架构革新了。都是这种小的、一点点的创新。" 00:29:53 "把东西说复杂，这个事情并不难。把事情说得越简单，让完全没有背景的人听懂，背后一定花了很大的功夫。" 00:37:56 "我给自己定了一个标准：如果这个技术，我不能讲给小时候的我听，我可能就对它还不够理解。" 00:38:22 "在虚拟环境里，AI 可以无限地做实验，因为成本低。但在物理世界，我们做错一次，一辆保时捷就没有了。" 00:50:24 "以前是客户选择晶圆厂，现在是晶圆厂选择客户。" 01:02:17 "你学过的知识，多半它都还是有用的。" 01:02:47 "我觉得自己没有很聪明，也没有很努力。想知道一个东西，我更想知道原理，好奇心驱动，直到完全觉得学透了。" 01:06:19 "一个 Demo 和实际应用之间，就像一篇 Paper 和一个诺贝尔奖之间的距离一样大。" 01:08:19 "花一个小时去看从业多年的人做的综述，可能比看一些非常快的简介，能给你一个更好的 Foundation。" 01:10:48 --- 📖 本期术语速查（听到不熟悉的词？翻这里） 工艺节点（3 纳米、2 纳米……） 芯片制造的代际名称。早年大致对应晶体管的某个物理尺寸，现在更像一代工艺的标签，不能直接换算成真实长度。看进步要看密度、性能和功耗。 先进封装（Advanced Packaging） 把多颗芯片用高速互连封装在一起，像一颗更大的芯片那样工作。本期提到英伟达「把两颗大芯片拼在一起」，就是这个思路。 卖铲子 淘金热里最稳赚钱的，往往是卖铲子的人。指给整个行业提供必需工具、材料或基础设施的公司。 光互联（Optical Interconnect） 用光代替铜线，在芯片、服务器和机柜之间传数据。距离越长、带宽越高，光的优势越明显。「光在吃掉铜」说的就是这件事，也是嘉宾接下来要做的方向。 硅光（Silicon Photonics） 在硅芯片上做光器件，比如波导和调制器，借用半导体工厂的成熟工艺来大规模生产。 磷化铟（InP） 做激光器等光器件的关键半导体材料。硅本身不擅长发光，所以激光器常用这类 III-V 族材料。Infinera 做的就是磷化铟光子集成芯片。 良率 一批芯片里合格品的比例。新产线的良率要从低往上爬，爬到能赚钱的水平，才能大规模量产。 ALD（Atomic Layer Deposition，原子层沉积） 交替通入不同的前驱体气体，靠表面反应一层一层地长出极薄的薄膜。晶体管栅极里的关键薄膜常用这种工艺。 DOE（Design Of Experiments，实验设计） 有计划地同时改变多个参数做实验，再用数据分析找出哪个因素影响最大。 Move 37（第 37 手） 2016 年 AlphaGo 对李世石第二局的第 37 手，一步人类棋手几乎不会下的棋。 光计算 用光直接做计算，比如矩阵乘法。某些局部指标潜力很大，但输入输出、良率、稳定性这些工程问题还没解决。 LiDAR（激光雷达） 发射激光测距，生成周围环境的三维点云。Waymo 用 LiDAR、摄像头和雷达融合，Tesla 走纯视觉路线。 MHS（Model Hardware Standard，模型硬件标准） Anthropic 在 2026 年 8 月 27 日发布的研究预览。给有程序接口的实验仪器一套统一标准，让 AI 读懂设备能做什么、能调什么、有哪些安全限制。目前仍需专家监督。 六轴平台（Hexapod） 能沿 X、Y、Z 三个方向平移、再绕三个轴转动的精密运动台，用来把光纤、芯片对准到亚微米级。 多物理场仿真 把光、热、力学形变放进同一个模型里一起算。难点在计算量、材料参数和实验校准。 --- 🗂️ 内容大纲 一、3 纳米到底是不是 3 纳米 一个数字加一个物理单位，为什么让人误会 节点名更像 iPhone Pro Max、宝马 X5 当年大家怎么吐槽台积电的 10 纳米 英伟达把两颗大芯片拼成一颗 过去十几年的进步，更多在供应链和先进封装 二、卖铲子的生意 投资人问：芯片的钱都花在了哪 一层铲子、二层铲子、三层铲子 投资人为什么越来越喜欢最上游：材料、稀土和电力 三、光为什么在吃掉铜 AI 的瓶颈：从算得慢，到数据搬得慢 英伟达今年连续投资光通信公司 甲方的需求带动乙方：硅光的千亿美元市场，喊了十几年 这一轮订单，直到 2023 到 2024 年才起来 Infinera 卖给诺基亚：黎明前的卖身？ 半导体的大年小年：建厂、良率爬坡和产能 这次的 AI 像个无底洞 做光的人，越做越不相信光 四、Intel、ALD 和意外的发现 英伟达的硅光团队，很多人来自 Intel Intel 的骄傲，和后来被台积电超过 一位师兄在 Intel 做实验的经历 一次开错气体，带来一个材料突破 AI 被训练得不犯错，会不会错过这种意外 AlphaGo 的神之一手，和李世石的回应 五、光计算：一个很偏科的技术 光计算每十几二十年就火一次 嘉宾读博时的光计算项目，卡在了第一步 为什么她选光互联，不选光计算 有公司提出的三步走：光互联、光交换、光计算 有的参数极好，有的差到不能看 Kimi K3：一点点积累出来的突破 六、LiDAR 和无人车 两派路线：Tesla 纯视觉，Waymo 用 LiDAR 七年前入行时，LiDAR 是瓶颈之一 算法进步之后，LiDAR 变小、变便宜 Waymo 的 360 度，和国内车的 120 度前向 降成本才能铺量：旧金山景区、演唱会和机场 自动驾驶最想进、也最难进的城市：纽约 七、AI 走进实验室 Anthropic 发布 MHS，让 AI 操作实验仪器 硬件的闭环：设计、生产、检测、数据分析 说明书本身写错了，AI 怎么办 六轴平台和 Lightning 对准算法 一片晶圆碎在机台里：一辆保时捷没了 AI 学会经典方程之后，能不能写出新方程 脑洞：AI 打通光学镜头的设计、打磨和测试 半导体两百多步，每一步都有专门的仪器商 八、行业周期里，怎么安放自己 AI 大基建，让硬件行业变快了 以前客户选晶圆厂，现在晶圆厂选客户 你学过的知识，多半都还有用 每个行业沉淀下来的 First Principle 不会变 好奇心驱动，直到学透 Demo 离落地，就像一篇 Paper 离诺贝尔奖 给投资人和工程师的建议 --- 🎤 主播与嘉宾 江芸珊 Cathy | UCLA 电子工程博士，Photonics Lab，论文做时间拉伸 LiDAR 和硅基光子学非线性效应。毕业后在 Waymo 做 LiDAR Engineer，年初离职，探索了几个方向（含一段短暂创业），之后会以 Founding Member 加入一个新光子团队，做下一代数据中心 Optical Interconnect。业余给硅谷101做过光刻机、英伟达、CPO、自动驾驶等节目的嘉宾。（Linkedin：https://www.linkedin.com/in/cathy-jiang/） AI-Nate | 硅谷 AI 工程师，打造 30+ 智能体、18 个 AI 产品，AI 课程导师 --- ⏱️ 时间戳 00:00 开场：嘉宾江芸珊 Cathy 介绍 01:37 本期主题：你相信光吗？ 02:08 话题一：3 纳米到底是不是 3 纳米 02:52 一个数字加一个物理单位，为什么让人误会 03:31 节点名更像 iPhone Pro Max、宝马 X5 04:30 当年大家怎么吐槽台积电的 10 纳米 05:15 英伟达把两颗大芯片拼成一颗 05:48 过去十几年的进步，更多在供应链和先进封装 06:28 投资人问：芯片的钱都花在了哪 06:45 卖铲子：一层铲子、二层铲子、三层铲子 08:00 投资人为什么越来越喜欢最上游：材料、稀土和电力 09:14 话题二：光为什么在吃掉铜 09:48 英伟达今年连续投资光通信公司 10:32 甲方的需求，带动乙方的发展 10:48 硅光的千亿美元市场，喊了十几年 11:03 这一轮订单，直到 2023 到 2024 年才起来 11:17 Infinera 卖给诺基亚：黎明前的卖身？ 12:33 行业周期：从半导体绕一圈，又回到半导体 13:03 半导体为什么有大年小年 14:30 这次的 AI 像个无底洞 16:02 做光的人，越做越不相信光 16:26 英伟达的硅光团队，很多人来自 Intel 17:11 Intel 的骄傲，和后来被台积电超过 18:04 一位师兄在 Intel 做实验的经历 20:28 ALD：一次开错气体，带来一个材料突破 21:37 像门捷列夫做梦：DOE 之外的意外发现 22:29 AI 被训练得不犯错，会不会错过意外发现 23:08 AlphaGo 的神之一手 24:28 话题三：用光做 AI 芯片，优势和代价 25:00 光计算，每十几二十年就火一次 26:09 嘉宾对这一波光计算持悲观态度 26:32 读博时的光计算项目：卡在第一步 27:26 为什么她选光互联，不选光计算 27:47 有公司提出的三步走：光互联、光交换、光计算 28:48 一个很偏科的技术 29:34 Kimi K3：一点点积累出来的突破 30:28 话题四：LiDAR 与无人车 31:00 两派路线：Tesla 纯视觉，Waymo 用 LiDAR 31:28 七年前入行时，LiDAR 是瓶颈之一 32:24 算法进步之后，LiDAR 变小、变便宜 32:48 Waymo 的 360 度，和国内车的 120 度前向 33:41 降成本，才能铺量 34:09 旧金山景区里的 Waymo 35:13 机场上下客，和一个省停车费的小窍门 36:24 自动驾驶最想进、也最难进的城市：纽约 37:26 把复杂的事讲简单，是真功夫 38:22 讲不给小时候的自己听，就是还没懂 38:52 话题五：Anthropic 让 AI 操作实验仪器 41:20 硬件的闭环：设计、生产、检测、数据分析 42:58 说明书本身写错了，AI 怎么办 43:29 六轴平台：亚微米级的精细对准 45:36 Lightning 算法：像闪电一样找最优点 47:30 一片晶圆碎在机台里：一辆保时捷没了 50:24 虚拟环境能无限试错，物理世界不行 51:07 设计和数据分析：AI 最先落地的地方 51:18 仿真软件：从手动点按钮，到用文字描述 52:54 AI 学会 Navier-Stokes 这些经典方程之后 53:57 老黄的 Physical AI，和纳米尺度的另一个大脑 54:44 光、热、形变：仿真为什么难 56:00 仿真加实验打通，AI 能不能写出新方程 56:38 脑洞：AI 打通光学镜头的设计、打磨和测试 58:01 镀膜参数只有几个工程师知道 58:32 半导体两百多步，每一步都有专门的仪器商 59:18 ASM 与 ASML 的渊源 01:00:09 话题六：经历行业周期，心态怎么变 01:01:41 AI 大基建，让硬件行业变快了 01:02:17 以前客户选晶圆厂，现在晶圆厂选客户 01:02:47 你学过的知识，多半都还有用 01:03:22 以为没用的硅基非线性光子学，又回来了 01:03:59 我入 AI 这一行的第一门课 01:04:43 每个行业沉淀下来的 First Principle 不会变 01:06:19 好奇心驱动，直到学透 01:07:46 快问快答：中文科技圈最想纠正的误解 01:08:19 Demo 离落地，就像一篇 Paper 离诺贝尔奖 01:09:14 AI 创业的 Demo 陷阱 01:10:11 给投资人和工程师的建议：花一小时看深度综述 01:11:43 结语 & 感谢 --- 🔗 本期提到 Anthropic：Previewing the Model Hardware Standard https://www.anthropic.com/news/model-hardware-standard-research-preview CNBC：Nvidia's investments grow to $99 billion as chip giant becomes major backer of AI companies https://www.cnbc.com/2026/09/04/nvidia-ai-investments-99-billion.html Cathy 推荐的光学公众号（微信搜名字即可关注）： 光电前瞻 光电汇 OESHOW 光芯之路 光学小豆芽 --- 📝 补充说明 18:04 说到的出口管制：是否需要许可，取决于具体技术和人员国籍，没有绿卡并不等于不能入职。节目里讲的是一位师兄当年的个人经历。 01:04 提到的斯坦福 CS229 机器学习课由吴恩达（Andrew Ng）主讲，Andrej Karpathy 主讲的是深度学习课程 CS231n。 --- 📮 联系我们 播客邮箱：[email protected] 欢迎评论区留言交流，转发支持！ --- 🎙️「硅谷洞察局」听友群开放中！ 👉 扫码进群，和 Nathan 直接聊 🎯 告诉我们下期你想听什么 🤝 认识同样关注 AI 和硅谷动态的朋友们 --- 🎁 听众福利 想看看 Nate 一天是如何和30个智能体一起工作的？Nate 开设了一堂免费快闪课程——从零开始，用 Nate 自主开发的 ClawBot 产品和背后的 AgentOS 系统，开启你一人公司的旅程。不需要编程基础，跟着做就行。 👉 免费报名：Claude Code & Cowork: Build Your One-Person Company Crew
72 分钟 99+ 次播放 1个月前
🎙️ 硅谷洞察局 EP14 | 四次创业被收购的创业者，在硅谷拿到美国一线VC两亿融资做对了什么 一线洞察，深度思考。硅谷核心科技从业者，带你触摸 AI 变革深处。 --- 📌 本期看点 这期我们坐在嘉宾位于硅谷的 Hacker House 里录制，白板上还留着他团队手绘的二次元人物。 Lucky Zhang 是四次连续创业者：第一家公司做视频里的"边看边买"，卖给了 Apple；第二家在拉美西语区做到当地最大的短视频平台，和 TikTok 正面打过，卖给了字节跳动；第三家是越南第一大音乐流媒体，现在还在跑。2023 年 ChatGPT 出来，他说自己"坐不住了"，来硅谷从零开始做第四家。 他现在做的 Sekai，是一个用一句话生成可交互 Mini App 的公开平台。平台上已经有 2000 万个 Mini App，每天新增 20 多万个。核心用户一天泡 8 个小时，做 100 多个。到今天为止，这个平台一分钱没赚。 我们把最硬的问题都问了：为什么 Roblox 这样的巨头转不过来、为什么他坚决不做增长激励、Agent 现在最缺的能力到底是什么、以及一个中国创业者怎么说服一线美元 VC 掏钱。 --- 💬 本期金句 "在 Google 干了一年，就觉得这个差不多能望到头，所以就出来折腾了。" 00:01:11 "两边都有收购 Offer，然后就选择了字节。确实打不过人家，钱太多了。" 00:02:57 "那是世界上最强的研究团队，但做产品还是比较费劲。" 00:08:32 "之前用 2.5 Pro 搭的那些东西，长得好看，但它不 Work。Gemini 3 出来之后把脚手架一撤，马上就 Work 起来了。" 00:18:00 "很多东西你可以管它叫游戏。但你叫它游戏，不是因为它真是游戏，而是人类到目前为止还没有发明一个名字去叫这个东西。" 00:20:10 "Roblox 最核心的那个做引擎的部门，一直到今年年初才允许工程师用 AI。管理层觉得 AI 会把我们的代码弄脏。" 00:23:00 "你是想做一个更像生意的东西，还是想做下个时代最大的东西？想做最大的，就一定要把价格打下来。" 00:15:20 "现在平台上那些爆火的内容，没有任何一个是我能想出来的。" 00:30:00 "以前从敢想到敢干，再到这事真的 Make Sense，需要一个周期。现在不太需要了。基本上你敢想敢干，等你做的时候，模型能力就到了。" 00:33:50 "以前你可以预判未来五年。我觉得未来的五年，现在可能变成未来的五个月。" 00:34:55 "Vibe Coding 是这个时代给所有人的。但有人拿它自己做点东西，有人拿它做个工具。我们要做的是一个给所有人都能用的 Vibe Coding For Fun。" 00:36:26 "投资人问我：为什么不是这个数字再乘以几倍？什么东西阻止你不能更快地实现它？" 00:39:05 "你能定五年的时间线，为什么不能定两年半？能定两年半，为什么不能定一年？" 00:40:09 "靠激励手段，没有办法把一个产品做成一个抖音。" 00:42:48 "模型用电脑的能力已经在提升了，但模型用手机的能力还没那么强。谁有人类如何使用手机的数据？没有人有。" 00:45:33 "硅谷在为这件事付一个溢价。哪怕一百个没什么光环的创业者里只能出来一个，我也要把这些人全投了。" 01:01:10 "见那些非常厉害的投资人之前，我一定要洗个凉水澡。整个人爆炸之后，你能感觉到能量在往外涌，你要把这份劲头带给他。" 01:09:51 "美国过去十年没有跑出来自己的 C 端产品，所以整个人才有一个断档。没有这批创业者，也就没有当年靠投他们升上合伙人的投资人。" 01:15:54 "一直在一个比较撕裂的过程中。你问半年前的我，现在产品长这样开不开心？我一定很开心。但你要想这是下个时代最大的用户平台，我们离那儿还差很远。" 00:37:29 --- 📖 本期术语速查（听到不熟悉的词？翻这里） Mini App（迷你应用） 一个几十秒就能生成、打开即玩的小程序。可以是小游戏、测试、工具、互动梗图。本期讨论的核心内容形态。 Vibe Coding（氛围编程） 用自然语言描述你想要什么，让 AI 写代码，人只负责提需求和看结果。不需要懂语法。 Interactive Content（互动内容） 嘉宾给这个新品类起的名字。区别于短视频这种被动消费，用户可以进入、操作、改变内容本身。 Remix（二创） 在别人做好的 Mini App 上改一版发出去。类似抖音的"拍同款"，是这类平台增长的核心机制。 Gemini 3 Google 于 2025 年 11 月底发布的模型。嘉宾说它是这次产品转型的直接触发点：在它之前，没有模型能真的把这件事做成。 Character AI 2021 年成立的 AI 角色聊天产品，由 Noam Shazeer 和 Daniel De Freitas 创办。Noam 是 Transformer 论文《Attention Is All You Need》的主要作者之一。嘉宾在 2023 年底和他们深聊过好几次。 PMF（Product-Market Fit，产品市场匹配） 产品真正被市场需要的状态。嘉宾说自己对 PMF 这个 Bar 要求很高，目前只算"把大方向找到了"。 Organic（自然增长） 不花钱买量，靠产品本身和用户自发传播获客。Sekai 目前的增长方式。 Computer Use / Browser Use 让 AI 模型操控浏览器或电脑去完成任务的能力。本期重点：这套能力在手机上还非常弱。 数据闭环 Agent 做完东西之后能自己去用、自己发现问题、自己改。缺了这一环，就必须由人来做 QA，整个迭代就慢了。 涌现（Emergence） 不预设玩法，把工具和能力都摆好，让创作者自己长出你想不到的东西。嘉宾的平台方法论。 Cracked 硅谷用来形容一个人"野得离谱、技术上很生猛"的褒义词。本期有一个把学校成绩系统黑掉的经典案例。 推背感 创业者形容"被时代推着往前走"的加速度体感。 --- 🗂️ 内容大纲 一、从 Google 出来的四次创业 在 Google 干了一年，"觉得能望到头"，出来折腾 Yi+：视频里的边看边买，做了两年卖给 Apple 摩拜：早期加入，经历了中国互联网最疯狂的烧钱时代 拉美：4 亿西语人口 + 美国 5000 多万西语裔，中国以外第二大单一语言市场 学西班牙语、找拉美联创，做到当地最大短视频平台，然后和 TikTok 正面相撞 "两边都有收购 Offer"：为什么选了字节，以及在字节的那一年 越南音乐流媒体：为什么绕开红海去做本地化 二、Sekai 的三次形态进化 2023 年底 ChatGPT 出来："坐不住了" 和 Character AI 两位创始人的深聊：为什么最强的研究团队做不好产品 Noam 的大一统多模态模型判断是对的，但代价是等了两年 Sekai 是日语的"世界"：让每个用户创造自己的世界 从 Chatbot 到二次元故事世界，到 Mini App 平台 三、Gemini 3 出来的那 48 小时 用 Gemini 2.5 Pro 搭脚手架的阶段："长得好看，但不 Work" 2025 年 11 月底 Gemini 3 发布，把所有脚手架一次性拆掉 "我们应该是全世界第一个做这样转型的公司" 和 Lovable、Cursor 的根本区别：私域工具 vs 公开内容平台 创作软件这件事，第一次变成了像拍短视频一样的个人表达 四、游戏只是一个品类 "人类还没发明一个名字去叫这个东西" 短视频早期也全是对嘴型视频，但那不是它的天花板 一个爆款温度计：转发到 TikTok，一次几百万曝光 绝大多数 Mini App 是做给别人玩的，不是自用 涌现：为什么创始人要主动压住自己的 Ego 五、为什么 Roblox 转不动 历史包袱：3D 引擎和物理模拟越好，越难被 AI 重写 创始人亲手写的代码，"老板们是不让改的" 最核心的引擎部门到今年年初才允许工程师用 AI 大厂 Vibe Coding 的真实困境：在屎山上加屎山 业务负担 和 组织架构 AI Native 转型，是两件不同的难事 "新技术出来时的颠覆性形态，基本都是创业公司去做" 六、一分钱不赚，先搞流量 2000 万个 Mini App 背后的 Token 成本和 Infra 压力 "用户很快就把它玩爆了"，反而不敢放更多用户进来 Musical.ly 的反例：如果当年要收 5 美金，那批用户根本不会来 要不要做增长激励？"我们目前的答案一直是不要" Siky 反问：当年 TikTok 买量买得也很疯狂 "现在给我一美金，我是花不出去的" 七、模型还差什么：Agent 不会用手机 技术瓶颈不在有没有 Veo 5，而在用差一点的模型也能做好 Agent 做完 App 之后自己不会玩，所以还得人来 QA Browser Use 能起来是因为 HTML 是开放的，手机不是 "谁有人类如何使用手机的数据？没有人有" Android 比 iOS 开放，但 iOS 只能靠读图加点击 用户做一个 App 的生命周期，和正经软件开发是一样的，只是用户不知道 八、拉美、越南、硅谷：三个市场的创业体感 2015 年底回国：中关村天桥下，一位阿姨让孩子给创业者敬了个礼 墨西哥：员工卷款跑路，当地小哥说"今晚带人去堵他" 越南更像中国：饭局、应酬、装模作样说两句越南语 当地创业者少，一旦想清楚产品方向，"是相对比较能吊打的" 九、怎么说服一线美元 VC 美国做 ToC 的创业者本来就少，投资人更在意技术 国内爱投的画像：大厂高管或连续创业者。硅谷：什么背景的人都在创业 "Cracked"：一个把学校成绩系统黑掉、写博客被开除、然后出来创业的年轻人 "硅谷在为这件事付一个溢价" 最重要的一条建议：把英语练好，因为日常聊天和卖梦想完全是两件事 投资人没做过 TikTok，你得让他第一次听懂这件事怎么做 一位领投人：不接线上会，必须飞过去见，全程手写笔记 见大佬之前先洗个凉水澡 中美投资人的差别：一边买你的热爱，一边买你的权威感 十、为什么回硅谷，以及要不要来硅谷 2024 年选硅谷，是因为"做 AI 的事就该离它更近" 现在两边差距在缩小，视频模型上中国甚至更强 "不见得都要来"：供应链、生物医药、出海 App，国内优势很明确 C 端融资反而国内更容易：因为美国十年没长出自己的 C 端产品，人才和投资人都断档了 在北京做同一件事有什么区别？"区别没那么大，可能就是投资人会比较爆炸" 火人节、以及见到跟你不一样的人这件事 --- 🎤 主播与嘉宾 Lucky Zhang | Sekai 创始人 & CEO。四次连续创业者，前 Google 工程师。首家公司 Yi+ 被 Apple 收购，第二家拉美短视频平台被字节跳动收购，第三家为越南第一大音乐流媒体。Sekai 已累计融资 3000 万美元，投资方包括 Khosla Ventures、Connect Ventures（CAA + NEA）、a16z Speedrun、Mayfield AI-Siky | 斯坦福毕业，10 年+ 硅谷经验，曾主导多家独角兽增长，现任顶级科技公司战略合作负责人 AI-Nate | 硅谷 AI 工程师，打造 30+ 智能体、18 个 AI 产品，AI 课程导师 --- ⏱️ 时间戳 00:00 开场 & 嘉宾介绍：在 Lucky 的硅谷 Hacker House 录制 00:56 从 Google 出来："干了一年就觉得能望到头" 01:19 第一家公司 Yi+：视频边看边买，卖给 Apple 01:34 摩拜时期：中国互联网最疯狂的烧钱年代 02:17 2018 年出海：为什么选了拉美西语区 02:47 做到当地最大短视频平台，然后撞上 TikTok 02:57 "两边都有收购 Offer"，为什么选字节 03:06 在字节的一年，以及为什么还是出来了 03:15 越南音乐流媒体：绕开红海的本地化打法 03:55 2023 年 ChatGPT 出来："坐不住了" 04:20 想明白的方向：下一代内容平台是互动内容 04:40 白板上的手绘二次元人物 05:00 Sekai 是日语"世界"：让每个人创造自己的世界 05:40 最初是 Chatbot：Character AI 最火的时候 05:50 和 Noam Shazeer、Daniel 的深聊 07:00 大一统多模态模型：技术判断对，但等了两年 08:32 "最强的研究团队，做产品还是比较费劲" 08:45 Gemini 的生态位：类似国产模型的位置 09:30 产品演进：动图、视频，能挪进来的都挪进来 10:00 让每个用户的世界长得不一样：乙女游戏、帝国争霸、小面包房 11:00 用 2.5 Pro 做 Vibe Coding："长得好看，但不 Work" 11:43 Gemini 3 发布，48 小时整合，脚手架全拆 12:40 数据：2000 万个 Mini App，每天新增 20 多万 13:00 Token 成本和 Infra："用户很快把它玩爆了" 14:00 北美是最大市场 14:20 绝大多数内容是做给别人玩的 15:00 到今天一分钱没赚，平台完全免费 15:20 Musical.ly 的反例：先搞流量的底层逻辑 16:30 最重要的一件事是选对方向 17:00 和 Lovable、Cursor 的根本区别：公开平台 vs 私域工具 17:40 创作软件变成像拍短视频一样的个人表达 19:00 游戏只是一个品类："人类还没发明这个词" 20:30 软件是人类发明计算机以来可能性最大的形态 21:00 Roblox 为什么转不动：历史包袱与引擎 23:00 "最核心的引擎部门今年年初才允许用 AI" 23:30 大厂困境：在屎山上加屎山 24:20 Roblox 证明了需求，但载体会换 26:00 爆款温度计：一次转发几百万曝光 28:00 Nate 提炼：这不是 App，这是以 App 为形式的内容 29:00 Remix 与二创 29:30 涌现：创始人要压住自己的 Ego 30:00 "爆火的内容没有一个是我能想出来的" 30:30 竞争：国内大厂反应非常快 31:00 这个领域的学名：互动内容 31:34 推背感：这一次和前几次创业有什么不同 32:38 "创业是一个求真的过程" 33:50 敢想敢干：从想法到验证的周期被压缩了 34:15 PMF 到了吗？"我对这个 Bar 要求很高" 34:55 "未来的五年，可能变成未来的五个月" 35:24 一到两天能抄走吗？两年准备和五年思考 36:26 Vibe Coding For Fun：偏执从哪里来 36:57 创业和买股票的区别：为什么是 All In 37:29 "一直在一个比较撕裂的过程中" 38:01 Khosla 的故事：三番酒店 Lobby、一大盘薯条 39:05 "为什么不是这个数字再乘以几倍？" 40:09 五年、两年半、一年：时间线倒逼法 41:13 增长怎么做：除了买量，能想到的都做 42:16 要不要做激励？"我们的答案一直是不要" 42:48 "靠激励手段做不成一个抖音" 43:21 Siky 反问：当年 TikTok 买量也很疯狂 43:54 现在要打磨的产品方向：让用户真的能做出来 44:25 技术瓶颈：用差一点的模型也要能做好 44:55 需要更强的基础模型吗？"现在的够我们消化" 45:33 模型最缺的能力：不会用手机 46:05 为什么手机数据没有人有 47:12 Agent 做完不会玩，还得人来 QA 48:15 用户做 App 的生命周期，和正经软件开发一样 50:29 用户主要在手机上创作，不是电脑 51:03 换个话题：四处创业的体感 51:34 2015 年底回国：万众创业的高潮 52:06 中关村天桥下，阿姨让孩子给创业者敬礼 53:42 拉美和东南亚：核心是怎么交朋友 54:14 墨西哥：员工卷款，当地小哥说"今晚带人去堵他" 55:19 龙舌兰、酒量与信任 55:51 越南更像中国：饭局和应酬 56:22 一旦想清产品方向，在当地"比较能吊打" 57:28 中美差异：美国做 ToC 的本来就少 58:31 国内爱投的两种画像 vs 硅谷什么人都投 59:37 "Cracked"：黑掉学校成绩系统的年轻人 01:01:10 "硅谷在为这件事付一个溢价" 01:02:49 20 出头的独角兽创始人们 01:03:21 "在国内我算中生代，在这边我绝对是老的" 01:03:55 怎么拿下一线美元 VC：第一条是把英语练好 01:05:00 话语体系不通用：投资人没做过 TikTok 01:06:03 技术细节要有，但不能太多 01:06:37 "把复杂的事讲简单"是需要练的 01:07:42 A 轮：对人和对事各占多少 01:08:16 一位领投人：必须飞去纽约见，全程手写笔记 01:09:51 见大佬之前，先洗个凉水澡 01:10:57 国内投资人吃哪一套：舍我其谁 01:11:32 一边买热爱，一边买权威 01:12:04 压力大吗？"一直呀" 01:12:37 "每天跟坐过山车一样" 01:12:50 为什么 2024 年选择回硅谷 01:13:42 建议大家都来硅谷吗？"不见得" 01:14:14 国内的优势：供应链、生物医药、政策与实验成本 01:15:21 C 端故事在国内更容易融资 01:15:54 美国 C 端十年断档：创业者和投资人一起断了 01:16:27 在北京做同一件事有区别吗 01:17:38 火人节：去见和你不一样的人 01:18:44 结语 & 感谢 --- 📮 联系我们 播客邮箱：[email protected] 欢迎评论区留言交流，转发支持！ --- 🎙️「硅谷洞察局」听友群开放中！ 👉 扫码加群，注明「硅谷洞察局」，和 Nathan、Siky 直接聊 🎯 告诉我们下期你想听什么 🤝 认识同样关注 AI 和硅谷动态的朋友们 --- 💼 Sekai 正在招人 Lucky 的团队在招 Engineering Lead、Mobile Engineers（iOS & Android）、Machine Learning Engineers（RecSys）、Data / Analytics Engineers、Product Managers。感兴趣的朋友可以通过下方链接直接联系到 Lucky 和他的团队。 👉 招聘链接（$10,000推荐提成） --- 🎁 听众福利 想看看 Nate 一天是如何和30个智能体一起工作的？Nate 开设了一堂免费快闪课程——从零开始，用 Nate 自主开发的 ClawBot 产品和背后的 AgentOS 系统，开启你一人公司的旅程。不需要编程基础，跟着做就行。 👉 免费报名：Claude Code & Cowork: Build Your One-Person Company Crew
79 分钟 99+ 次播放 2个月前
还没有人评价。听过的话，留个分数和一句短评吧。
您确定要删除评价吗？
外观
播放列表还是空的
去找些喜欢的节目添加进来吧
