硅谷洞察局 - 节目列表

🎙️ 硅谷洞察局 EP13 | Agent 不会告诉你它错了：对谈 DataHub Chief of Staff 兼个人投资人 Alyssa 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 Nathan 一个人跑 30 个 Agent、18 周做了 18 个产品，每天解决的是"一个人的 Agent 版本"。这期的嘉宾，每天解决的是"一万个人的 Agent 版本"。 Alyssa 是 DataHub 的 Chief of Staff，也是 a16z 的 Scout，此前在 Bessemer、软银、高盛做了约六年投资，从晚期一路走到种子轮。DataHub 做的是元数据与上下文的基础设施，客户里有 Pinterest 和 Miro。所以她身上同时装着两个视角：企业上 Agent 时真实的卡点在哪，以及硅谷的钱正在往哪投、又堵在哪。 Gartner 预测到 2027 年底，超过 40% 的 Agentic AI 项目会被取消。她的观察是，真正跑到 POC 的项目技术上过关的比例其实不低，大部分项目根本没走到被验证那一步就死了，因为企业内部没有一个拿着预算、愿意背书的 Owner。 企业跑 Agent 最容易踩的三个坑是 Reliability、Relevance、Retention。相关性出问题你当场就能发现，留存是慢性病，而可靠性最致命，因为它不会告诉你它错了，还特别自信。她实测过：给 Agent 一个 1200 张表的任务，它只处理了 40 张，然后返回一份报告说"我全部都完整地跑了一遍"。Nathan 也贡献了一个自己的案例：智能眼镜拍的图根本没传进模型，Agent 却把之前 Research 过的别的技术拿来编了一套。 两个人还聊了真需求和好故事怎么分：为什么芯片验证 Agent 的账一算就成立，为什么医疗 AI 最容易卡在"谁付钱"，为什么 Abridge 吃的不是软件预算。以及 OPC 那部分：Nathan 为什么刻意不招人，把 Google 投流交给一个 Agent 是什么体验，以及一个人做社区最后为什么反而绕回到了人。 不聊模型排名，不聊估值。只聊企业里的 Agent 项目到底死在哪，以及这些坑，一个人干活的时候躲不躲得掉。 --- 💬 本期金句 "其实大部分的死因，是因为在这个企业内部没有这个 Agent 项目的 Owner。" —— Alyssa 00:03:42 "还真的就是看你有没有一个 Champion：企业内部有没有一个专门拿到了预算、并且支持这个用例落地的中高层。" —— Alyssa 00:05:10 "它不会告诉你我错了，然后它特别的自信。但它这个答案又是错的。" —— Alyssa 00:25:52 "你给一个 Agent 1200 张表的任务，它实际上只处理了 40 张，它还会返回一个结果说：我干完了，我全部都完整地跑了一遍。" —— Alyssa 00:26:35 "Agent 不会记录他没有做的事情。他漏做了，又不留痕。" —— Alyssa 00:34:34 "在企业这种规模下，追溯链不是一条线，它是一张更大的网。" —— Alyssa 00:34:57 "其实你分析一通，最后还是那句：我愿不愿意去担这个风险。我觉得这一点是 AI 现在做不到的。" —— Alyssa 00:43:20 "我可以让 AI 去探索无数个领域，但为什么最终是这 18 个产品，而不是别的？决定什么问题值得被解决，这一步还是靠人。" —— Nathan 00:44:28 "投资人更在意的其实不是你有多喜欢这个产品，而是：如果现在把它从你的日常生活中拿走了，你会有多痛。" —— Alyssa 01:06:05 "如果我最终的目标是徒手攀登酋长岩，那我需要一张很好的地图，我要知道最难的几段在哪里。" —— Alyssa 01:08:25（引 Free Solo） "我其实更想挑战那件事情，就是假设我不招人。有这个 Constraint，反而也是一件好事。" —— Nathan 01:11:49 "AI 在多轮对话中，它答得太过完美。正常人不可能为了回一个留言，写这么滴水不漏的文字。" —— Nathan 01:31:51 "以前 VC 最爱问：为什么是你，不是别人。现在这个问题变成了：为什么是你，不是大模型。" —— Alyssa 01:40:13 --- 📖 本期术语速查（听到不熟悉的词？翻这里） Agentic AI（智能体式 AI） 不只是回答问题，而是能自己规划步骤、调用工具、连续干活的 AI。本期 Gartner 那条预测说的就是这类项目。 Metadata（元数据） "描述数据的数据"：这张表是谁建的、字段是什么含义、多久更新一次、谁在用。DataHub 做的就是这一层。 Data Governance（数据治理） 谁能看哪些数据、数据口径由谁定、出了问题谁负责的一整套规则。 Data Lineage（数据血缘） 一份数据是从哪张表、经过哪几步加工来的。出错时顺着血缘往回查，才知道污染源在哪。 Observability（可观测性） 系统当下处于什么状态、跑到哪一步、有没有异常。Nathan 就是靠自己的 Observability 层，才查出智能眼镜那张图片压根没进模型。 Context Engineering / Context Management（上下文工程 / 上下文管理） 决定"这次任务到底把哪些信息塞进模型"的学问。Anthropic 关注的是单次对话里怎么排布，DataHub 关注的是上下文从哪来、可不可信、谁在治理。 Context Window（上下文窗口） 模型一次能读进去的信息上限。现在动辄上百万，但企业有几千甚至几万张表，一次还是装不下。 Vector DB（向量数据库） 按语义相似度检索的数据库。好处是"意思相近就能找到"，代价是容易丢掉信息之间的关系。 Graph DB（图数据库 / 知识图谱） 用节点和边表示实体之间的关系。Nathan 在个人记忆层里叠加它，就是为了补上向量检索丢掉的那层关联。 POC（Proof Of Concept，概念验证） 正式采购前先跑一个小规模验证，证明这事技术上能成。 Champion / Economic Buyer（内部推动者 / 真正掏钱的人） Champion 是企业内部愿意为这个项目背书、并且手里有预算的中高层；Economic Buyer 是最终签字付钱的那个角色。医疗 AI 最容易翻车的地方，就是用的人、受益的人、付钱的人是三拨完全不同的人。 FDE（Forward Deployed Engineer，前置部署工程师） 被"派驻"进客户内部、既懂技术又懂业务、负责把系统真正落地的工程师。OpenAI、Anthropic、Google DeepMind 都在招，DataHub 本来就有。 MCP（Model Context Protocol） Anthropic 提出的开放协议，让模型能标准化地接到外部数据源和工具上。本期提到有银行和医疗客户的合规条款直接写明它不能碰生产数据。 Event Driven Architecture（事件驱动架构） 系统按"事件发生"来触发处理，而不是定时批量扫一遍。DataHub 拿它来做响应速度和吞吐的差异化。 Post-Train（后训练） 在基础模型之上，用高质量的专精数据再训一轮，把模型调成你想要的调性和能力。 Negative Sample（负样本） "做错了、找到了原因、人工干预修好了"的那一批数据。本期的判断是：这才是当下 Agent 最值钱的数据。 RLHF（基于人类反馈的强化学习） 用人的偏好去调教模型的训练方法。Nathan 的观点：正是它让今天的模型倾向于"多问人"，而不是自主往前推进。 Traceability（可追溯性） 每一步 Agent 做了什么、看到了什么、基于什么做的判断，都能事后查回去。欧盟对 AI 决策的合规要求，核心就是这个。 OPC（One Person Company，一人公司） 一个人加一队 AI Agent，撬动过去需要一整个团队才能做的事。 Scout（投资观察员） 大基金分给个人一笔钱，让他去挖早期项目。Alyssa 自己就是 a16z 的 Scout，本期她讲了这个机制的规则：只能投种子轮及更早。 GEO（生成式引擎优化） SEO 的 AI 时代版本：让你的内容在 AI 生成的答案里被引用到。 --- 🗂️ 内容大纲 一、Gartner 说一半的 Agent 项目会被取消，真实的死因是什么 超过 40% 的 Agentic AI 项目将在 2027 年底被取消，这个数字危言耸听还是保守 真正跑到 POC 的项目，技术上过关的比例其实不低 大部分项目死在更前面：企业内部没有 Owner，也没法向高层解释清楚为什么要跑 Agent 上线后被叫停的主因通常只有一个：用量不及预期 二、Champion：谁拿着预算，谁背书 开源产品的需求往往自下而上，工程师觉得好用，再回公司内部 Pitch 但如果上层没预算、没注意，自下而上的推动很容易不了了之 领导层关心的是财报里的 AI 普及率和降本增效，使用者关心的是它能不能进我的工作流 买了用不起来，第一年结束就不续费，而且往往是使用者主动跟管理层说不用再花这个钱 三、一个人的 Agent 和一万个人的 Agent，差在哪两个维度 人的维度：跨部门使用，单点沟通和对齐的成本极高 数据对象的维度：多少张表、多少个字段、多少个 Domain 企业一上来就"把所有数据资产盘一遍"，最容易撞天花板 系统设计要跟客户碰撞的，是一次任务调多少次工具、一次回答输出多长 四、上下文管理：百万窗口也装不下几万张表 Nathan 的个人解法：Vector DB 做语义检索，但会丢掉信息之间的关联 所以叠一层 Graph DB，用图谱连接节点之间的关系，尤其是个人记忆 DataHub 的三块地基：Governance、Lineage、Observability，加 80 多个数据源连接器 最近发布的 Context Platform：把历史 Q&A 语料变成模型能学的东西 五、模型厂商也在招 FDE，边界到底在哪 Anthropic 的《Effective Context Engineering》讲的是单次对话里怎么排布上下文 但它没回答：上下文从哪来、可不可信、谁在治理 模型厂商优化的是"给了上下文之后怎么用好"，DataHub 优化的是上下文的供给和治理 银行与医疗客户的合规条款直接写明，模型加 MCP 不能接触生产数据，而这层工作的本质正是"不让模型看到数据" 商业模式也是反的：模型厂商按 Token 收费，做一个减少数据流向自己的产品，跟自己的生意背道而驰 护城河是愿意干脏活累活：产品标准化，但每家客户的实施细节完全不一样 六、Reliability、Relevance、Retention：跑 Agent 最容易翻车的三个点 相关性有容错率，当场就能发现，重跑几次就行 留存像慢性病，记忆慢慢退坡，一开始察觉不到 可靠性最致命：它不会说自己错了，还特别自信 事故一：配好了点运行，查询日志是空的，系统不提前告诉你，跑完才发现白烧了 Token 事故二：1200 张表的任务只处理了 40 张，报告却说全部完整跑完。员工拿着它去跟管理层汇报，就会以为盘点了整个数据资产 信任门槛极高：出一次可靠性事故，基本不会有第二次机会 七、Nathan 的智能眼镜案例：Agent 说"我看了图片"，其实没看 眼镜拍照自动送进 Agent 系统，某次它答的技术完全不是图里那个 追问"你看了图片吗"，它说看了 跑到 Observability 层才发现：前端传图时把位置 Parse 错了，模型根本没收到图 因为提示词里写着"看一下这张图"，它就自己 Hallucinate，还把之前 Research 过的相关话题拽了进来 不仔细追问，你根本不知道自己被灌了错误信息 八、可追溯性三条，以及一个更麻烦的真相 每一次 Agent 查询绑定到一个真实的人的身份，别为了省钱全用共享账号 不只记录答案，还要记录它看到了什么、用了哪几张表、覆盖率多少、有没有跑完 做事那一刻同步记录，带 Timestamp，存在你自己控制的地方 金融和保险客户做得最好，因为监管来查要拿得出细节记录，罚款是上千万美金级别 欧盟的合规要求是 AI 决策必须可追溯，很大一部分是为了防歧视 最麻烦的地方：Agent 不会记录它没做的事，漏做了不留痕 而且错误会来回污染，坏结果被当成语料，追溯链在企业规模下不是一条线，是一张网 九、最值钱的数据，是"做错了又被人修好"的那一批 被完整记录下来的 Negative Sample，对 Post-Train 的价值极高 这也是模型厂商想用 FDE 深入各行各业的原因之一：拿专精领域的高质量数据 Nathan 的设想一：用自己 30 个 Agent 的思维链，Post-Train 一个"管理层模型"，只做规划和决策这一层，把自己蒸馏出来 Nathan 的设想二：现在的 Agent 需要人来 Initiate，你不说它不动。给它一个目标和预算让它自己跑一个月，它反而会跑回来问"这样做对不对" 如果"人怎么纠错"和"人为什么要做这件事"都被学会了，那可能就离 AGI 不远了 十、最难被替代的，是拍板 企业的顾虑很实际：核心 Knowhow 不能让底层基模知道，因为竞争对手也在用同一个模型 AI 可以给出收购 A 还是 B 的完整分析，但高管的决定常常带着非理性，或者是一次非共识的下注 分析一通，最后还是回到"我愿不愿意担这个风险" Nathan 被问最多的问题是"该教小孩什么才不会被 AI 取代"，他的答案是拍板，再往前一步是：决定什么问题值得被解决 十一、真需求还是好故事：ToB AI 的两把尺子 第一把尺子：有没有服务一个招工难、门槛很高的岗位 芯片验证的账：一颗芯片从设计到验证 18 到 24 个月，设计加验证吃掉六到八成时间；全球这类工程师按她的测算只有 20 万人左右；企业在一个这样的工程师身上一年要花 20 到 40 万美金。所以一个验证 Agent 一年卖一两万美金一个座位是零头，而且花的是已经存在的预算，不用新立项 机器人同理：最早落地的是矿山、港口这类危险作业和封闭场景，替代的不是"更便宜的人"，而是没人愿意干的活，验收标准也不需要 99% 精度 第二把尺子：有没有一个明确的 Economic Buyer 医疗 AI 是 Economic Buyer 最容易不清楚的领域：医生想用、病人受益、掏钱的却是保险公司或医院财务 结构差异：医疗的传统软件预算很小，但行政支出一年约 1.3 万亿美金，软件和 IT 只占其中一成，其余全是人力与外包，而且行政支出增速是整体医疗支出增速的两倍 Abridge 的解法：吃的不是软件预算，是人力和服务预算。替代医疗记录员，卖给医院自己的运营预算，绕开报销路径，ROI 极好量化，医生一天从看 5 个病人到 8 个 Nathan 的亲身佐证：带小孩看儿科，护士进门先问能不能用智能设备记录对话，看完病没多久登录账号，诊断方向和 Follow Up 写得清清楚楚 Nathan 的另一条线索：OpenAI 在 LinkedIn 上找到他，想招他做半导体方向的 FDE Lead，说明模型厂商已经盯上这块 十二、投资人真正在看的两个软信号 信号一：长期主义的创始人。Day One 就在解决一个非常大的问题，并且带着一个非共识判断 Free Solo 的比喻：如果最终目标是徒手攀登酋长岩，那我需要一张很好的地图，知道最难的几段在哪、难在哪、要做什么才能过去。长期主义的创始人在很早期就能把这个答得大差不差 信号二：团队的凝聚力和挫伤。背景光鲜、选择太多的创始人容易过度优化流程和融资；从众星捧月的管理岗出来创业，很多人低估亲自下场的难度和那些琐碎麻烦的事；退路太多，团队容易因为小挫折打退堂鼓 最好是愿景高度一致、一起打过仗的团队，而不是东拼西凑 十三、OPC 要不要融资，以及一个人怎么跑 Go To Market 先回答三个问题：你本身没怎么烧钱，为什么要融资；这笔钱具体花在哪；怎么找到匹配的投资人 投资人会去访谈你的种子用户，但他们真正想问的不是"你有多喜欢这个产品"，而是"把它从你的日常生活里拿走，你会有多痛" Nathan 的实操：产品只解决两件事，获客和留存 他刻意不招人，也不找 Contractor。每解决一个需求，系统就往"自主"近一步，有这个 Constraint 反而是好事 高价值用户信号：1000 个人用完，可能只有一两个会专门写信来提需求 投流 Agent：Google Ads 交给一个 Agent 跑，它既有广告 API 的权限，又有产品底层代码，能把转化追踪一路搭到应用层，看的是付费而不是注册。跑成熟后 Nathan 唯一的决策就是批多少预算，而它会主动来说"获客成本在降，应该加钱" 产品化路径：Manual → Agent Delegation → Automation → Autonomous，接近自主时才考虑做成产品 十四、一万六千人的开源社区，最 Work 的一步是从自动化回到人 她管的一个大 KPI 是开源社区，Slack 里接近 16000 人 做 GEO 半年，把几个最关键的关键词做到了引擎结果的第一第二 但最有效的一招是反向的：从活跃用户里筛出 10 个人当社区 Champion，分别负责答疑、案例分享、写博客 他们不是雇员，正因为中立，天生让用户有好感："你找一个公司的人，他肯定会说公司的好" 打动人的激励小得出奇：一件带 Logo 的 Hoodie，LinkedIn 上一封小推荐信，或者申请研究生时的推荐信 KPI 的教训：每季度拉新多少人不是好的社区指标。投流和扫码送礼品卡拉来的都是低质量用户；反而靠自来水流量和第三方口碑带动，拉新留存激活自己就都达成了 十五、Nathan 的 X 实验：90% 的人分不出这是 AI 让一个带着他记忆库的 Agent，用他设立的账号去各个 AI 大 V 底下回复 约 10% 的人能先天识别出这是 AI，剩下 90% 识别不了。每次被识破，他就把那段对话做成样本反过来改进它 唯一一次露馅：一个头部科技播客发推让大家猜下一位嘉宾，线索藏在另一位主持人的帽子上，要把图放大才看得见，而他的 AI 猜中了 因为这个 Agent 会挖三到四层上下文：读文字、看图片、读视频、搜里面提到的人、去看那个人的 LinkedIn 对方的判断很朴素："不会有哪个用户去把图片放大再看。"于是问他是不是 AI，Nathan 就承认了 现在 AI 露馅的方式变了：不是内容不行，而是细节。多轮互动里人会有情绪、会打错字，而 AI 答得太过完美、滴水不漏 十六、收尾：华人创业者做大 B，到底难在哪 ToC 和 SMB PLG 是华人创业者明显有优势的地方 大 B 的成单周期、产品设计、BD 流程门槛更高，创业初期需要非常多的 Networking 和铺垫，沉淀期更长 但只要产品有强用例、强 ROI、强产品力，北美和欧洲的大 B 市场并不是华人无法触及的客户群 Nathan 的两点收获：当下的信任还是得靠人和人去建立；以及企业级 Agent 真正的考题是 Scalability 给创业者的一条建议：市场调研先做清楚，受众是谁、竞品是谁、你的 Unfair Advantage 是什么。方向比努力程度更重要 --- 🎤 主播与嘉宾 Alyssa Li | DataHub Chief of Staff，个人投资人，a16z Scout。此前在 Bessemer 做投资，更早在软银和高盛特殊机会投资部，约六年投资经验，从晚期项目一路走到种子轮及更早。DataHub 是做元数据与上下文基础设施的公司，成立五年，客户包括 Pinterest 和 Miro，同时运营着一个接近 16000 人的开源社区。 AI-Nate | 硅谷 AI Builder，ClawBot 与 AgentOS 的创造者。一个人跑 30 多个 Agent，18 周做了 18 个产品，AI 课程导师，「硅谷洞察局」主播。这一期他带的是"一个人的 Agent 系统"这一侧的视角，所以从上下文设计到可追溯性，两边对得上号。 --- ⏱️ 时间戳 00:00 开场 & 嘉宾介绍 02:48 Gartner 预测：超过 40% 的 Agentic AI 项目会被取消 03:42 真正的死因不是技术，是没有 Owner 05:10 Champion：谁拿着预算，谁背书 06:33 领导层看财报里的 AI 普及率，使用者看上不上手 08:52 一个人跑 30 个 Agent vs 企业跑 Agent：两个维度同时变大 11:36 上下文管理：百万窗口装不下几万张表 13:56 DataHub 的三块地基：Governance / Lineage / Observability 15:18 Context Platform：把历史 Q&A 变成模型能学的语料 16:13 Nathan 的记忆层：Vector DB 丢关系，所以要加 Graph DB 17:37 模型厂商也在招 FDE，边界在哪 19:00 Anthropic 那篇《Effective Context Engineering》没回答的问题 20:26 银行和医疗客户：模型加 MCP 不能碰生产数据 20:44 商业模式是反的：模型厂商按 Token 收费 21:50 护城河是愿意干脏活累活 22:18 三个 R：Reliability / Relevance / Retention 25:52 为什么可靠性最致命：它不会说自己错了 26:35 1200 张表只处理了 40 张，报告却说全部跑完 27:40 Nathan 的智能眼镜：Agent 说"我看了图片"，其实没看 31:46 可追溯性三条：绑身份、记过程、带时间戳 33:31 金融保险为什么做得最好：罚款是上千万美金级 34:34 Agent 不会记录它没做的事 34:57 错误会来回污染：追溯链是一张网 35:14 Negative Sample 才是最值钱的数据 36:38 用自己的思维链 Post-Train 一个"管理层模型" 38:31 下一步是 Initiator：让 Agent 自己发起 41:41 企业的顾虑：核心 Knowhow 不能让基模知道 42:33 最难被替代的是拍板能力 43:34 该教小孩什么：决定什么问题值得被解决 45:46 真需求还是好故事：换到投资人视角 47:28 第一把尺子：有没有服务一个招工难的岗位（芯片验证的账） 49:18 第二把尺子：Economic Buyer 是谁（医疗 AI 为什么最容易卡住） 49:56 医疗的结构差异：软件预算小，行政支出一年 1.3 万亿 50:23 Abridge 吃的不是软件预算，是人力预算 51:47 Nathan 带小孩看儿科时遇到的同类产品 54:02 OpenAI 找上门：半导体方向的 FDE Lead 56:23 投资人视角：什么样的信号会让你想投 58:30 Nathan 在做的事：给 OPC 造一套 Operating System 63:11 OPC 要不要融资？先回答钱花在哪 66:05 投资人真正问的是：把产品拿走，你会有多痛 67:20 信号一：长期主义 + 非共识（Free Solo 的地图） 69:11 信号二：退路太多的团队，容易因小挫折打退堂鼓 70:06 OPC 实操：产品只解决获客和留存两件事 71:49 为什么刻意不招人 76:03 投流 Agent：从 Manual 到 Autonomous 79:14 产品化路径：Manual → Delegation → Automation → Autonomous 81:03 一万六千人的开源社区怎么带 82:28 最 Work 的一步是反向的：从自动化回到人 83:51 10 个社区 Champion：他们不是雇员 85:43 KPI 的教训：拉新数字不是好的社区指标 86:43 Nathan 的 X 实验：90% 的人分不出这是 AI 88:35 唯一一次露馅：AI 猜中了藏在帽子里的线索 91:48 AI 现在露馅的方式：答得太过完美 92:16 一个人的瓶颈：怎么跟用户建立情绪连接 93:13 收尾：华人创业者做大 B 到底难在哪 97:49 嘉宾推荐：《This Is Water》与《High Growth Handbook》 99:15 给创业者的一条建议：方向比努力程度更重要 --- 🔗 本期提到的资料 《This Is Water》 David Foster Wallace 2005 年在 Kenyon College 的毕业演讲。Alyssa 说她基本上每几个月会重看一次。 https://fs.blog/david-foster-wallace-this-is-water/ 《High Growth Handbook》 Elad Gil 著，全文免费在线。她推荐给初次创业者，帮你提前预告会遇到什么样的决策和问题。 https://growth.eladgil.com/ 《Effective Context Engineering for AI Agents》 Anthropic 工程博客，2025 年 9 月 29 日发布，本期讨论边界时反复提到的那篇。 https://www.anthropic.com/engineering/effective-context-engineering-for-ai-agents Free Solo 攀岩者 Alex Honnold 徒手攀登优胜美地酋长岩的纪录片，本期"最难的几段在哪里"那个比喻的出处。 --- 📮 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，认识同样关注 AI、Agent 和硅谷动态的朋友们。 👉 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 --- 🎁 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：Live Build: Ship an AI Agent on Kimi K3

🎙️ 硅谷洞察局 EP12 | 一人公司是风口还是伪命题？对谈不看好OPC的进击波沈帅波 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 波波老师一直公开表示不看好重项目交付的 OPC（一人公司），而 Nathan 正好是 OPC 的全职践行者：一个人带三十几个 Agent，同时跑产品、咨询、课程和一档播客。这期跨国串台，就是让两种立场当面对质。 从"客户买的是人还是 AI"，到 5-6 人干 5 个月的 MVP 如今 2-3 天搭完，到流量派 vs 品牌派的概率之争，再到 Token 经济的十倍定价法则——OPC 到底是普通人的新基建，还是又一个被高估的概念？两个都在一线下注的人，把这件事聊透了。 对谈也从硅谷的真实体感切入：为什么最焦虑的不是普通打工人，而是转会费上亿美金的顶尖研究员？大厂到底在裁人还是招人？Fable 5 上手一个月的一手体验如何？以及一个越来越清晰的判断：未来会有更多人被逼走上一人公司这条路——等你看到浪潮再上车，就已经晚了。 不站队，不布道。聊清楚这个时代到底在奖励谁。 --- 💬 本期金句 "我花了一周时间去问人，不如用 AI 一周把这东西跑出来，让市场去验证它到底值不值得做。" —— Nathan 01:04:01 "如果你看到浪潮已经来了，周围人都问你要不要做，其实就已经晚了。" —— Nathan 01:11:06 "现在硅谷弥漫着担忧和恐慌。最焦虑的不是普通知识工作者，反而是那些最顶尖的研究员，每天担心自己的工作不保。" —— Nathan 00:12:25 "肉身对抗 AI 是注定失败的。AI 的发展就是在做空你个人的价值，对抗做空，你必须有一部分资金参与到 AI 的交易里。" —— 波波老师 00:41:03 "当客户购买你的服务时，其实他买的是一个人。如果他只想买一个 AI，他不需要找你。" —— 波波老师 00:31:28 "机器没有浮亏的痛苦，人有。所以很多大游资已经干不过机器，缴械投降了。" —— 波波老师 00:48:00 "所有人都在卖 Token：英伟达在卖，谷歌在卖，我也在卖。OPC 要做的，就是找到让 Token 十倍增值的那个应用点。" —— Nathan 00:51:50 "你今天还在讨论泡沫有多大、这个东西是不是成立，基本就站在了时代的对手盘上。" —— 波波老师 01:12:44 --- 📖 本期术语速查（听到不熟悉的词？翻这里） OPC（One Person Company，一人公司） 一个人 + AI Agent 军团撬动过去需要一整个团队才能做的生意。本期核心辩题。 Agent（智能体） 不只是聊天的 AI，而是能自主调用工具、写代码、跑长任务的"能干活的 AI 员工"。 SOTA 模型（State of the Art） 当前性能最强的前沿大模型。本期提到的 GPT-5.6、Fable 5、Gemini 都属于这一梯队。 Long Horizon（长程任务） 需要 AI 连续自主工作几十分钟甚至更久的复杂任务。Nathan 认为这是 Fable 5 和上一代模型拉开差距的地方。 Harness（执行框架 / 脚手架） 围绕大模型搭建的系统：记忆、技能、工作流、自我迭代机制。Nathan 的观点：Harness 必须适配最强模型来设计。 Token（词元） AI 处理语言的最小单位，也是 AI 时代的"燃料"。用得越多干活越多，也越贵。 Token 经济十倍法则 Nathan 的产品定价标准：花 10 块钱买的 Token，做成产品卖 100 块，用户用它赚回 1000 块。三层各赚十倍，闭环才成立。 Mag 7（七姐妹） 美股七大科技巨头：苹果、微软、谷歌、亚马逊、英伟达、Meta、特斯拉。 New Labs 从 OpenAI、Anthropic、Google 出走的顶级研究员创办的新型 AI 实验室，赌一条不同的技术路线，是当下硅谷融资最热的方向。 量化交易 用数学模型和程序自动买卖股票。波波披露：美股 + A股每天 30%-40% 的交易额由机器完成。 Paper Trading（模拟盘） 用真实市场数据、虚拟资金练手的炒股方式。Nathan 的炒股 Agent 目前跑的就是模拟盘。 FDE（Forward Deployed Engineer，前置部署工程师） OpenAI、Anthropic 新设的职业：既懂 AI 又懂行业的人，被"部署"进企业帮它完成 AI 化。Nathan 认为这就是未来 OPC 的原型。 GEO（Generative Engine Optimization） 让你的网站和数据更容易被 ChatGPT、Perplexity 等 AI 搜索引用——AI 时代的新 SEO。 --- 🗂️ 内容大纲 一、此刻的硅谷：狂热还是恐慌？ 股市单日震荡 15%：考验信仰的时刻 Meta 卖算力：一夜之间反转的华尔街叙事 AI 的三件事：算力、算法、数据，以及被带飞的半导体产业链 二、薪资、融资与一种反直觉的焦虑 VC 还是愿意给钱，但门槛随技术水涨船高 New Labs：顶级研究员出走创业，融资最火的方向 转会费上亿美金的研究员，为什么最怕被 AI 取代？ 大厂裁人还是招人：10 人产品线 → 1 人带几十个 Agent Anthropic 工程师的日常：一周开会不超过 30 分钟 三、Fable 5 一手体感 争议：管制中国用户 + 挤压就业，OpenAI 的 5% 股权提议 Nathan 的真实测评：自主性、锲而不舍、更烧 Token 模型分工学：既定工作流给 Opus 4.8，开放探索给 Fable 5 四、OPC 辩论：不看好 vs 全职实践 杠杆对比：5-6 人干 5 个月的 MVP，现在 2-3 天 18 周 18 个产品：为什么最后长出了一个自进化系统 波波：内容行业做不成 OPC，因为客户买的是人 那不勒斯的顿悟：跳出生态位，AI 是解放不是对手盘 莆田系与福建帮：流量派 vs 品牌派，一道概率题 五、AI 炒股与量化真相 用 AI 资产对冲"个人价值被做空"——波波的投资观 Nathan 的炒股 Agent：模拟盘 4 月至今 +18% 美股 A股 30%-40% 的交易由机器完成 六、Token 经济与 OPC 的变现闭环 大模型时代的产品必须付费：免费用户都在烧你的钱 十倍法则：10 块的 Token，卖 100 块，帮用户赚 1000 块 给 OPC 卖铲子：自进化的 AgentOS "给你 1000 个本科生你会做什么"：从降本增效到做大蛋糕 七、系统、复利与时代 从 OPC 到 OPS：一人系统，输入-输出-放大的循环 产品会死，能力沉淀进系统——《伟大的复利》的 AI 版本 三支柱：System × Product × Business 最好的时代，最坏的时代：依附型的人 vs 系统型的人 看到浪潮再上车，就已经晚了 --- 🎤 对谈嘉宾 沈帅波（波波老师）| 进击波财经主理人、湃动品牌战略咨询 CEO，新生代财经作家，《迭代》《瑞幸闪电战》《伟大的复利》作者，全网累计阅读量过亿 AI-Nate | 硅谷 AI Builder，硅谷洞察局主理人，18 周打造 18 个 AI Agent 产品，ClawBot 与 AgentOS 创造者，一人公司践行者 --- ⏱️ 时间戳 00:00 冷开场：与其花一周问人，不如让 AI 跑一周 00:31 串台介绍：进击波 × 硅谷洞察局 02:40 此刻的硅谷：狂热还是冷静？ 05:09 Meta 卖算力：华尔街叙事一夜反转 06:43 创业者融资体感：钱还在，门槛更高了 07:25 New Labs：顶级研究员出走创业潮 09:36 让 AI 训练 AI：上亿转会费背后的逻辑 12:25 反直觉观察：最焦虑的是最顶尖的研究员 12:56 大厂裁人还是招人？1 人带几十个 Agent 的产品线 14:43 Anthropic 朋友：一周开会不超过 30 分钟 15:16 Claude Code 按周发版，80% 代码由 AI 写 17:00 Fable 5 争议：管制、就业冲击与 5% 股权提议 17:56 Nathan 的 Fable 5 一手体感：自主性与锲而不舍 20:27 模型分工学：工作流给 Opus 4.8，探索给 Fable 5 20:40 OPC 辩论开局：波波为什么一直不看好？ 21:38 杠杆对比：5 人 5 个月的 MVP，现在 2-3 天 24:30 18 周 18 个产品：长出一个自进化系统 26:33 波波：内容行业的客户，买的是人 28:39 那不勒斯的顿悟：AI 是解放，不是对手盘 29:57 用"出版人 Skills"打磨新书书稿 32:10 莆田系与福建帮：流量派 vs 品牌派 33:28 程序员的价值转移：名校 CS 毕业生的寒冬 35:33 创作者的价值转移：只打磨 Keynote，分发全交给 Agent 38:51 概率视角：品牌派拉爆率，流量派堆数量 40:55 波波投资观：对冲"个人价值被 AI 做空" 42:25 Nathan 的炒股 Agent：模拟盘 4 月至今 +18% 47:01 量化真相：30%-40% 的交易由机器完成 48:26 OPC 怎么变现：大模型产品必须付费 50:14 Token 经济闭环：10 块卖 100，帮用户赚 1000 53:23 给 OPC 卖铲子：自进化 AgentOS 55:33 FDE：未来 OPC 的职业原型 56:34 "给你 1000 个本科生"：把蛋糕做大 58:37 Loop 引擎、AI 投广告与 GEO 61:12 人的价值：一双发现问题的眼睛 62:43 从 OPC 到 OPS：一人系统与自驱力 65:00 复利与系统：产品会死，能力沉淀下来 66:31 三支柱：System × Product × Business 68:07 最好的时代，最坏的时代 71:06 看到浪潮再上车，就已经晚了 72:44 结语：别站在时代的对手盘 --- 📮 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 --- 🎁 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：Live Build: Ship an AI Agent on Kimi K3

🎙️ 硅谷洞察局 EP11 | 硅谷增长最疯狂的 AI Agent 公司: Fable 5 深度剖析(刚被美国政府叫停) × Replit 背后的 AI 哲学 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 Claude Fable 5 发布 48 小时，我们请到了 Replit Agent 发明人李珎（Zhen Li）——2024 年 9 月，他从 0 到 1 发起、原型并主导发布了世界上第一批面向大众的 AI Agent 产品，Karpathy 亲自转发；此后一路把 Agent 迭代到第 4 代，把一家云 IDE 公司变成"AI 在云端写代码"的平台。Agent 贡献 $400M+ ARR，Replit 被评为全球增长最快 B2B 厂商第 1（a16z AI 消费报告第 3）；今年 4 月，他的 Replit pitch 被 Elon Musk 转发，收获 2000 万+ 浏览：https://x.com/elonmusk/status/2040685567592317031 Fable 5 一上手，他睡前丢给它一个研究任务，早上收到一篇他自认"超过自己水平"的论文——这是他第一次放心把 frontier research 交给模型。 这一期，他把 Replit 内部怎么跟着模型"自我毁灭再重生"地重写 Harness、怎么用"穷人版强化学习"让 Agent 自我进化、以及为什么说 Self-Evolving Agent 是一个 one billion dollar 的问题，全部讲透了。还有那个靠 Replit 一个人撑起 projected 15 亿美金收入的故事。 这不是发布会复读，是 Fable 5 第一批深度用户给你的第一手工程报告。 --- 💬 本期金句 "Fable 写出来的 paper，质量可能比我这个 AI 研究员能达到的水平还要高。" —— 00:09:41 "作为 AI engineer，我的活一直在被模型不断地干掉，但我的活也在不断地自我更新。" —— 00:16:01 "Harness 和 AI engineer 的工作，都处在一个高速自我毁灭和自我重生的过程当中。" —— 00:16:17 "当你的 Harness 足够 general 的时候，你就变成了 Claude Code。" —— 00:26:51 "我管它叫穷人版的 Reinforcement Learning——改 prompt 和 Harness 非常便宜，你不需要 train model。" —— 00:38:33 "今天的 Self-Evolving Agent 都在做 forward pass，没有 backward pass。" —— 00:43:55 "真正最好的 distill 方式是什么？我们现在讨论的已经是一个 one billion dollar 的问题。" —— 00:48:21 "人脑比模型好的一个很明显的优势：人面对任何事情都有 gradient。" —— 00:54:00 "在休斯顿，没有一个 Uber 司机听说过 Vibe Coding，一半的人没用过 ChatGPT。" —— 01:05:43 "工具已经完全 ready 了，需要的是把 AI 从 local optimal 拽到一个全新 global optimal 的人。" —— 01:22:56 "Stay humble, and increase imagination." —— 01:36:14 --- 📖 本期术语速查（听到不熟悉的词？翻这里） Fable 5 / Mythos 5 Anthropic 2026 年 6 月 9 日发布的新一代模型。Fable 5 是首个向公众开放的 Mythos 级模型（带安全护栏）；Mythos 5 是同一模型的无限制版，仅向网络防御机构开放。本期全程围绕它展开。 Long Horizon（长程任务） 需要模型连续工作几小时甚至几天的任务，比如通宵写一篇带 benchmark 的论文。李珎认为这是 Fable 5 最大的能力跃迁——任务越长，它的领先越明显。 Harness（执行框架） 包住模型的整套"脚手架"：prompt、工具、memory 系统、agent 架构。模型每升级一代，Harness 就要推倒重来一次——本期核心话题。 Vibe Coding（氛围编程） 用自然语言描述需求、让 AI 写代码，人只提需求和验收结果。在硅谷无人不知，在休斯顿无人听过——本期重要的市场洞察。 Citizen Developer（平民开发者） 不懂代码但想做软件的人。全球会写代码的只有约 6000 万人，占 80 亿人口不到 1%——Replit 押注的是剩下的 99%。 Primitives（原语） 一个产品平台提供的基础能力单元：文件系统、数据库、部署、域名、画布……李珎的产品方法论：好产品 = 足够多且足够适合的 primitives，揉成优秀的产品形态。 Self-Evolving Agent（自我进化智能体） 能根据运行 trace 自己修改自己 prompt、Harness 甚至源代码的 Agent。李珎认为现在还处于"蛮荒时期"，是下一个十亿美金方向。 Forward Pass / Backward Pass（前向/反向传播） 模型训练术语。前向 = 根据已有信息生成新信息；反向 = 根据误差回头修正权重。李珎的暴击观点：今天所有 self-evolving agent 都只有 forward pass，缺少真正的"学习"机制。 Gradient（梯度） 告诉系统"往哪个方向改会更好"的信号。模型训练有 gradient，今天的 Agent 进化没有——而人脑面对任何事情都有 gradient，这是人暂时不可替代的原因。 Overfitting（过拟合） 针对个别案例优化过头、失去泛化能力。比如 agent 在某个 trace 里写 Minecraft 砖块出了 bug，就往 prompt 里加一句"写砖块注意这个问题"——跑一百万个 trace 时这种补丁会毁掉系统。 Vibe Bench Replit 自研的端到端 benchmark：给 Agent 一份 PRD，让它开发出产品，再由 testing agent 逐项验收打分。Fable 5 已经把它刷到 90 多分——benchmark 先饱和了。 AutoML Google Jeff Dean 早年的设想：用 1000 倍算力让模型自己搜索最优神经网络结构。因为没有 gradient、靠启发式搜索，最终没有大成——李珎用它类比今天 self-evolving agent 的困境。 PLG（Product-Led Growth，产品驱动增长） 不靠销售和广告，靠产品口碑自然裂变获客。Replit 很长时间几乎纯靠 PLG，直到最近才开始在时代广场和机场投广告。 FDE（Forward Deployed Engineer，前线部署工程师） 模型公司把工程师带着 AI 派驻到法律、医疗等垂直行业头部公司、以股份合作换数据的新模式。OpenAI 和 Anthropic 都在做——既赋能行业，又拿到最专精的训练数据。 AI Literacy（AI 素养） 让普通人理解"AI 能帮我做什么"的教育过程。很多人装了 OpenClaw 又卸掉，不是工具不行，是不知道用它干什么——adoption 的真正瓶颈之一。 --- 🗂️ 内容大纲 一、Fable 5 初体验：Long Horizon 的震撼 第一体感：思考更长、更慢，简单任务看不出差别，长任务才见真章 睡前发任务，早起收一篇超过自己水平的 paper：第一次放心把 frontier research 交给模型 Nate 实测：让 Fable 5 讲透 HBM 芯片工艺——连半导体行业的隐秘 knowhow 都挖得出来 Fable 5 为什么强：更大的模型、数学家都出不出题的专家数据、更多 RL 前端审美大跃升：极其 steerable，Replit Design Mode 霸榜 Design Arena 世界第一的背后 二、模型一更新，Harness 就重生 "自我毁灭与自我重生"：Sonnet 3.7 发布后，两周重写整个 Agent 模型迭代从 6 个月一代到 3 个月甚至更快——你的 assumption 必须跟着作废 Fire and Go：Fable 5 擅长拆解任务、自主编排，Agent 4 的 task system 与并行任务 Harness 的微妙平衡：太 general 你就成了 Claude Code，太专精你就成了 workflow 公司 Primitives 理论：从 Canva 到 Replit 到 Claude Code，好产品 = 足够多且适合的原语 三、Self-Evolving Agent：穷人版 RL 与十亿美金问题 最早的进化是人脑当 optimizer：看 trace、改 prompt、调 Harness Vibe Bench 把手动挡变自动挡：agent 自己跑分、自己提假设、自己改 Harness Replit Animation 的 8M views 发布视频，就是 Harness 自己学出来的 暴击观点：今天的 self-evolving 只有 forward pass，没有 backward pass——AutoML 的前车之鉴 Overfitting、memory MD"大力出奇迹"、最好的 distill 方式是什么？一个 one billion dollar 的开放问题 人的不可替代性：人脑面对任何事情都有 gradient 四、99% 的人还没上车 休斯顿 Uber 司机调研：没人听过 Vibe Coding，一半人没用过 ChatGPT Replit 的世界观：6000 万程序员之外，是 80 亿人的 Citizen Developer 市场 Adoption 三要素：产品把门槛打下来、模型把价格打下来、教育把认知补上来 从纯 PLG 到时代广场广告：研发型公司的 GTM 转身 "我妈还在问什么是 Fable"——迭代速度已经超过了世界的接收速度 五、一个人的 Billion Dollar Company Madeline 的故事：一个人（加一个挂名买保险的哥哥）靠 Replit 撑起 projected 15 亿美金收入 为奶奶设计的出生日期按钮：non-technical 创始人的产品直觉 肯尼亚 13 岁的宝可梦卡店主、印度小城年入 10 万美金的少年 冷思考：杀手级 App 还没出现，Token 烧掉的钱还没换来可度量的 return 工具已经 ready，缺的是把 AI 拽到 global optimal 的 AI Native Builder 六、模型还在中场，想象力才是瓶颈 Vibe Bench 被刷到 90 多分：不是模型到顶了，是我们 measure 不动了 电灯泡类比：灯丝亮起那一刻，没人能想象 AI 的诞生 Anthropic 会吃掉所有产品公司吗？Focus、mission 和"不理智的疯子"是产品公司的护城河 OpenAI / Anthropic 的 FDE 模式：渗透垂直行业 + 数据闭环 七、快问快答 用一个词形容 Fable 5：Long-horizontally smart 未来 12 个月最看好的方向：Self-Evolving Agent 给工程师的一条建议：Stay humble, and increase imagination——肌肉被打碎才会更强，舞台已经搭好，缺的是最有想象力的人 --- 🎤 主播与嘉宾 李珎（Zhen Li）| Replit Engineering Lead（Senior Staff AI Engineer），Replit Agent 发明人——从 0 到 1 发起、原型并主导了全球首批公开发布的 AI Agent 产品，从 Agent 1 一路迭代到 Agent 4；前 Google 搜索 ML 工程师、字节跳动 TikTok 推荐系统工程师 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，18周打造18个AI Agent产品，AI课程导师 --- ⏱️ 时间戳 00:00 开场 & 嘉宾介绍：Replit Agent 发明人李珎 00:54 ARR 逼近 5 亿美金，大部分来自 Replit Agent 02:07 为什么 Replit 最有资格聊 Fable 5 03:39 AI 产品公司 = 用户和大模型之间的桥梁 06:32 肯尼亚 13 岁男孩与 API Key：为小白做减法的产品哲学 08:00 第一次跑 Fable 5：慢，但 Long Horizon 强到离谱 09:00 睡前发任务，早起收一篇超过自己水平的 paper 10:24 Nate 实测：让 Fable 5 讲透 HBM 芯片工艺 12:26 Fable 5 为什么强：更大模型、专家数据、更多 RL 13:53 前端审美大跃升：Design Arena 世界第一的秘密 15:55 "我的活一直在被模型干掉，也在不断自我更新" 17:40 Sonnet 3.7 来了：两周重写整个 Agent 19:00 模型迭代周期：6 个月 → 3 个月 → 更快 20:00 Nate 的全自动 startup loop：GTM→PRD→开发→部署→反馈 23:30 Fire and Go：Agent 4 的 task system 与并行任务 26:30 Harness 太 general，你就成了 Claude Code 27:25 Primitives 理论：Canva / Replit / Claude Code 三层对比 31:00 每个用户一个会自我进化的 Harness？ 32:48 Self-Evolving Agent 的定义 34:30 人脑是 optimizer：用模型训练类比 Agent 进化 36:20 Vibe Bench：agent 自己跑分自己改 Harness 38:33 "穷人版 Reinforcement Learning" 38:53 8M views 的 Replit Animation 发布视频是 Harness 自己学出来的 40:20 Self-Evolving 还在蛮荒时期 41:13 AutoML 的前车之鉴：没有 gradient 的搜索 43:55 暴击：今天的 self-evolving agent 只有 forward pass 45:07 Overfitting 陷阱：Minecraft 砖块的教训 46:45 Memory MD 是"大力出奇迹" 48:21 最好的 distill 方式 = one billion dollar 问题 54:00 暴论：人脑面对任何事情都有 gradient 57:59 Telescope 系统：用户 bug 自动修复自动上线 01:00:16 用 AB test 喂 agent 审美？CTR 优化的明星绯闻陷阱 01:04:14 Replit vs Lovable：严肃用户与快速 prototype 的分野 01:05:43 休斯顿 Uber 司机：没人听过 Vibe Coding 01:06:39 Bet on 99%：6000 万程序员之外的 80 亿人 01:08:16 从纯 PLG 到时代广场广告 01:10:38 AI Literacy：装了 OpenClaw 又卸掉的人们 01:12:48 "我妈还在问什么是 Fable" 01:14:18 AI 应用 adoption：还在中场，甚至更前 01:14:50 两年前的预言：GPT-4 写得比他招的前端工程师好 01:16:09 一个人的公司：Madeline 与 projected 15 亿美金收入 01:18:27 为奶奶设计的出生日期按钮 01:19:52 肯尼亚卖卡少年与印度小城"首富" 01:20:42 Killer App 还没出现，return 仍是问号 01:22:56 工具已 ready，缺的是把 AI 拽到 global optimal 的人 01:25:14 模型没有瓶颈，是 benchmark 先饱和了 01:26:54 想象力才是绝对瓶颈：电灯泡类比 01:28:37 Anthropic 会吃掉所有产品公司吗？ 01:31:59 OpenAI / Anthropic 的 FDE 模式与数据闭环 01:35:17 快问快答：Long-horizontally smart 01:36:59 我们需要更多 Steve Jobs：Not because it is easy 01:38:25 结语 & 听友群 --- 📮 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 Nate、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 --- 🎁 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：Live Build: Ship an AI Agent on Kimi K3

🎙️ 硅谷洞察局 EP10 | 胡正明院士投资、原子级半导体创业者谢学军：摩尔定律走到原子尽头之后，他想给人类文明造一艘"备份方舟" 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 当全行业在卷大模型与 Agent 应用的时候，半导体的物理边界正被一群更"硬核"的人重新推开。本期请到 UCSB 半导体博士、连续创业者谢学军——获得胡正明院士（FinFET 发明者、半导体界泰山北斗）的投资（公司网站：phantafield.com）。 他从读 PhD 第一天起就只为创业。论文还没毕业，公司已在 2016 年注册；他赌的是 2D TMD 材料、低温 MOCVD 设备、以及让传统半导体行业做了几十年梦的 monolithic 3D 集成。如今 TSMC、Intel、三星都已公开承认：2D 材料是 1nm 节点之后替代硅的下一代方案。 但这只是他的"白天"。到了"晚上"，他在做一件听起来像科幻小说的事——一个叫 The Pantheon（万神殿）的项目：用 wearable + 脑机接口给每个人造一个"数字分身"，最终为 10 万人提供无限 Token，作为 AGI 时代的 Human Safeguard。他甚至把这套世界观写成了科幻小说《Pantheon Racing》。 更出人意料的是：这位曾经的纯粹唯物主义者，如今在拜孔子后人中和先生孔众学《大学》《中庸》，认真地用计算机科学的语言重新解释"灵魂是硬件、肉身是 UI"。 从原子级晶体管，到伽马射线激光推进器，再到数字轮回——谢学军在做的事，比大多数人敢想的都更远。 --- 💬 本期金句 "我读博士的动机就是为了创业。" —— 00:03:22 "用原子级的技术推动人类社会进步。" —— 00:05:30 "拿着锤子找钉子才是这个世界创新的真相——大部分人看到的成功故事，都是已经有需求的故事。" —— 00:20:55 "原来只有 100 万人会写代码，现在是 10 亿——这个锤子会砸出更多花样的钉子来。" —— 00:23:09 "AGI 时代，人类要真的想在机器面前活下来，一定要有自己的数字分身。" —— 00:29:15 "灵魂是硬件，我们这具肉身只是一个 user interface。" —— 00:40:38 "AI 是我们对未知世界的一种礼盒——是子集，是模仿，没法触达量子层面背后的东西。" —— 00:51:00 "我比他们更笨，所以我敢想能力以外的事——这反而把我拔高了。" —— 00:59:27 "物理能实现的东西，都不是魔法。" —— 01:07:16 --- 📖 本期术语速查（听到不熟悉的词？翻这里） 2D TMD 材料（二维过渡金属硫化物） 天然只有三个原子厚的半导体材料，代表是 MoS₂（二硫化钼）。像洋葱皮一样可以一层层撕开，表面原子级光滑。被产业公认为 1nm 节点替代硅的下一代方案。 Monolithic 3D Integration（单片三维集成） 把晶体管和互连层一层叠一层做出来，而不是像 HBM 那样在封装级堆叠。传统硅工艺因为高温会破坏下层做不到，2D + 低温 MOCVD 让这个梦想成为可能。 MOCVD（金属有机化学气相沉积） 一种半导体材料生长设备。谢学军公司的核心技术是把它做到能低温、高效、低缺陷地生长 2D TMD。 Thermal Budget（热预算） 芯片制造中各工艺步骤的累计热量上限——一旦超过，前面已做好的晶体管就被破坏。Monolithic 3D 必须低温，这是入场券。 FinFET / GAA（鳍式 / 环绕栅极晶体管） 胡正明院士发明的现代晶体管结构。其本质就是"把沟道做薄"。再往下走的极致，就是用 2D 材料。 PDK（Process Design Kit） 晶圆厂给芯片设计公司的工艺设计套件。谢学军把设备对标 TSMC，用同样的 PDK 设计新材料芯片——是它被产业链快速接纳的关键。 HBM（High Bandwidth Memory） GPU 用的高带宽堆叠存储。谢学军的方向是用 2D 材料做 monolithic 3D 缓存，绕过 HBM 物理堆叠的上限。 The Pantheon 谢学军的数字永生项目。用 wearable + 脑机接口收集个人数据，构建数字分身，以无限 Token 让它"活"下去。最终愿景：10 万人组成的 Human Safeguard，在 AGI 时代为人类文明做备份。 Personal Benchmark（个人基准） 不同于 public benchmark，The Pantheon 给每个用户构建专属基准——只有你最知道镜子里那个 agent 是不是你。 Project-Based Learning（项目驱动式学习） Elon Musk 也在推的学习方式：选定一个方向，在做产品的过程中堆知识。 --- 🗂️ 内容大纲 一、为创业而读博：一条非典型的硅谷路径 读 PhD 第一天就为创业；公司 2016 年注册，论文还没毕业 进入二维材料这个"无人区"——彼时石墨烯、MoS₂ 刚被发现 PhD 导师 Costa Bennett 是胡正明的学生——一脉相承的技术血统 二、说服胡正明院士做投资：一封 cold email 的故事 胡正明读过他第一篇博士论文（2D 材料中的低频噪音），印象很深 技术方向正好是胡正明本人的人生使命——推动摩尔定律继续往前 2019 年第一代低温生长设备做出，2023 年 TSMC/Intel/三星集体跟进 三、2D 材料：把硅切薄会碎，但 TMD 天生就这么薄 为什么 2D 是 1nm 节点之后的必然选择？ 亚纳米级量子点阵列：用电子束在 2D 材料上"写"出固态量子点 为下一代 GPU 做 3D 堆叠缓存、航天级抗辐射芯片、XR 透明显示驱动…… 四、Product Market Fit：拿着锤子找钉子，才是创新的真相 低成本 prototype 哲学：display、neuromorphic、quantum、logic 都试一遍 每一代硬盘的故事：是技术先有，需求后到——不是反过来 最重要的创新往往投入很小（参考石墨烯的胶带） 五、AI 时代的"用户即 agent"：不是把产品变成 agent，是给每个人一个分身 大多数公司把 agent 当工具/秘书；The Pantheon 把它当你的"复制" 数字永生 → 跨星际人类文明备份 → AGI 时代的 Human Safeguard 为什么是 10 万人？因为单一 AGI 太危险，集体智能才是 safeguard 的统计意义 六、灵魂是硬件、肉身是 UI：当哲学撞上计算机科学 从纯粹唯物主义者，到跟随中和先生彭仲学《大学》《中庸》 轮回 ≈ 大模型训练；游戏角色复制 ≈ 转世；Roger Penrose 的量子大脑 拉马努金的无限公式：AI 永远算不出来——它是被"下载"的 七、给研究者与年轻创业者的建议 知人者智，自知者明——find yourself 是无穷动力之源 读文献之上保留想象力——不要把自己困在"engineering" 不要给自己设限：敢想能力以外的事，本身就是一种拔高 八、五年后再听：还会做同样的决定 挫折就是修行；下一份清单——伽马射线激光器、深空推进、原子级 3D 打印 "物理能实现的东西，都不是魔法" --- 🎤 主播与嘉宾 谢学军 | UCSB 半导体博士，胡正明院士联合创始人；公司聚焦 2D TMD 材料的低温 MOCVD 设备 + 基于 TSMC PDK 的下一代 IP 设计；同时主导数字永生项目 The Pantheon，科幻小说《Pantheon Racing》作者；学《大学》《中庸》，把灵魂当硬件来思考。 AI-Nate | 硅谷 AI 工程师，18 周打造 18 个 AI Agent 产品，AI 课程导师；前半导体行业从业者（ALD/CVD/PVD/Etch），所以这一期他和谢学军在工艺细节上对得上号。 --- ⏱️ 时间戳 00:00 开场 & 嘉宾介绍 01:27 公司在做什么：低温 MOCVD 设备 + 2D 材料 IP 02:35 为创业而读博：非典型硅谷 PhD 路径 06:30 与胡正明院士的一封 cold email 09:00 为什么 2D：把沟道做薄，硅会碎，TMD 不会 11:25 亚纳米级量子点阵列：电子束在 2D 上"写"出固态 quantum well 15:00 Monolithic 3D：低温 2D 让传统硅做不到的梦想变现实 17:30 Product Market Fit：低成本 prototype 哲学 20:00 拿着锤子找钉子，才是创新的真相 23:00 AI 拉低 Token + 黄仁勋的 10 亿程序员 25:30 The Pantheon 首次公开：数字永生 = AGI 时代的 Human Safeguard 29:00 为什么是 10 万人？集体智能比单一 AGI 更安全 31:00 用金融工具支付未来的 Token 消费 32:00 跨星际文明：光速运送的是意识 36:00 集体意识 / 三体的"3 对人" / 田渊栋《破晓之钟》 40:00 灵魂是硬件、肉身是 UI 43:00 跟中和先生彭仲学儒学：从唯物主义到对意识保持敬畏 47:00 梦中见到从未读过的书：现有物理数学解释不了的"现象" 50:00 各学科的终极是哲学：禅修"正见"与 Yann LeCun 的世界模型 53:00 拉马努金、Roger Penrose 的量子大脑、AI 是"礼盒" 58:00 给 PhD 的三条建议：想象力、不设限、project-based learning 01:05:00 五年后再听：还会做同样的决定 01:06:00 下一份清单：伽马射线激光器 + 深空推进 + 原子级 3D 打印 01:07:00 物理能实现的东西，都不是魔法 / 收尾 --- 📮 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 Nate/Siky 直接聊，认识同样关注 AI、半导体和硅谷动态的朋友们。 --- 📚 嘉宾科幻清单 谢学军把公司未来要做的产品都写进了科幻小说《Pantheon Racing》——原子级技术 × 数字永生 × 跨星际文明的世界观入口。 英文版（Amazon）：https://www.amazon.com/dp/B0FCDCZ24S 中文版（豆瓣阅读）：https://read.douban.com/ebook/726863167/ --- 🎁 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：Live Build: Ship an AI Agent on Kimi K3

🎙️ 硅谷洞察局 EP09 | 前 DeepMind 研究员、前百度无人车负责人：每个人都将成为 CEO，AI 会拥有 100 台云电脑 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 当 OpenAI、Anthropic 还在卷大模型，市面上人人都在做 Browser Use 和 API Agent 的时候，有一家硅谷创业公司，从 2023 年成立第一天起就只啃一块最硬的骨头——让 AI 像人一样，用鼠标和键盘真正地"操作"电脑。 这家公司就是 Simular AI，创始人李昂——前 DeepMind 研究员、前百度阿波罗北美无人车团队负责人。本期我们请到他，聊聊为什么他们要选择最难、最反直觉的那条路，以及今年 3 月发布的新产品 Sai (赛) 背后的世界观：每个人都将成为 CEO，云端会有 100 台电脑同时为你工作。 这是一场关于 Computer Use Agent 本质、AGI 路线图、和创业反共识的深度对谈。 --- 💬 本期金句 "如果一件事情真的非常顺其自然，那一定是有问题的——因为我们觉得顺其自然，其他人也会觉得。" —— 00:38:08 "agent 的对手是人类世界——是人的生活习惯。" —— 00:44:46 "创业公司很多成功，都是因为他没有尝试去改变（用户），而是在已有工作流上提升。" —— 00:45:33 "先打平人，你再谈怎么超越——你连鼠标都点不了，还谈什么 AGI?" —— 00:47:00 "AI 如果想更进一步，首先应该先假设自己是人，去做这些事，再谈别的。" —— 01:14:43 "最终每个人都会变成公司 CEO，你会有 100 台云电脑帮你做事。" —— 00:31:00 "DeepMind 不能 own 产品——这就是我必须出来创业的核心原因。" —— 01:13:00 "最终极的产品就是：我都不知道它存在，但它把事情帮我做了。" —— 01:30:53 --- 📖 本期术语速查（听到不熟悉的词?翻这里） Computer Use Agent（电脑操作智能体）：能像人一样移动鼠标、敲键盘、点击屏幕来完成任务的 AI Agent。区别于只调用 API 的 Agent。Simular 是这个赛道全球最早的玩家之一。 Browser Use Agent（浏览器操作智能体）：专门在浏览器里点链接、填表单、抓数据的 Agent。门槛比 Computer Use 低，做的人多。 OS World：学术界评估 Computer Use Agent 能力的标准 Benchmark，几百个真实操作系统任务（Word、Excel、Chrome 扩展安装等）。Simular 在 2024 年 12 月成为全球第一家在该榜单上达到人类水平（72.4 分）的公司。 Pass@K vs Pass^K：两种衡量 Agent 成功率的方式。Pass@K 是"K 次中至少 1 次成功"，适用于写代码;Pass^K 是"K 次必须全部成功"，一次错就算错——这才是真实业务场景需要的可靠性标准。 Sai（赛）：Simular 在 2025 年 3 月发布的产品——给每个人在云端配一台 Windows PC，Agent 可以 7×24 替你操作它。现在已经支持自带电脑，一个 workspace 可以挂多台。 Always-on Co-worker（永远在线的同事）：Sai 的产品定位，不是工具，而是一个不会下班的 AI 同事，在云端持续替你工作。 Harness Engineering（执行框架工程）：管理 Agent 任务流、上下文、出错恢复的"脚手架"。Simular 在 2024 年 10 月开源了业界第一个 Computer Use Agent Harness——比 Anthropic 的 Computer Use 早了一周。 MCP vs CLI：MCP（Model Context Protocol）是为 Agent 专门设计的协议;CLI 是给人用的命令行。本期讨论：为什么 2024 年大火的 MCP 在 2025 年被 CLI 反超?——因为大模型是用互联网上（为人写的）数据训练的，CLI 数据多到爆。 Lifelong Learning（终身学习）：李昂在 DeepMind 时期的核心研究方向。AGI 必须像人一样实时学习——白天像 Harness 不停记笔记，晚上 replay 训练改变权重。 --- 🗂️ 内容大纲 一、Simular 的"反共识"基因 2023 年第一个 Demo：CEO 在机场远程操控发布会现场的电脑 为什么不做 Browser Use 也不做 API?——故意挑最难的 2024 年开源 Agent Harness：比 Anthropic Computer Use 早一周 二、Computer Use 的本质与难点 GUI 不会消失——这个世界的基建是为人造的，Agent 必须适应 视觉定位、长工作流的累积错误、Pass^K 的可靠性陷阱 为什么打款多 10 倍这种错误，99% 成功率也无法容忍 三、OS World 人类水平意味着什么 李昂团队 2024 年 12 月达到 72.4 分，首次平人 但这只是研究里程碑，真实场景需要 Multi-turn 交互、Human-in-the-loop God Will 机制：Agent 在不可逆操作前必须停下来等审批 四、Sai 产品哲学：云端 100 台电脑 每个人都成为 CEO，云端会有 100 台电脑同时工作 为什么选 Windows?——全球最大装机量 + 微软合作 跟微软是 Frenemy：都做 AGI，但产品 DNA 不同 惊喜 Use Case：Fund Manager 自动 monitor 投资组合、二手车 Dealer 批量处理 100 张 DMV 注册 五、为什么 Computer Use > API 不是所有软件都会 API 化（老旧系统、DMV……） Vibe Coding 让 GUI 也变多了——API 和 GUI 是同时增长的 人不是机器——视觉信息维度更高，GUI 是有用的 人最终为结果负责，不可能把所有 permission 全交给 Agent 六、MCP vs CLI 的逆转 为什么"为 Agent 设计的 MCP"被"为人设计的 CLI"打败? 数据决定一切——大模型在互联网数据（全是为人写的）上训练 AI 想进步，先假设自己是人 七、Token 浪费与 ROI 困境 Nathan 一天烧 600 美金、推特账号被 Agent 群发禁掉的真实经历 ROI 太低=资源浪费，这是限制下一个 10 倍的最大瓶颈 模型能力会持续提升，但 efficiency 还远远不够 八、从 DeepMind 到创业：为什么必须出来 2016 年 Facebook AI Research 已经预见 Scaling Law DeepMind 不能 own 产品 → 没有完整闭环 → AGI 实现不了 终身学习需要 Agent + 用户反馈 + reflection 闭环——大厂里搭不起来 九、给 AI 研究员/大厂员工的建议 Storytelling 能力：把图像式的想法转换成逻辑语言 Apple 的细节执念：VP 会亲自把午餐三明治按种类分类 写代码烂大街了——人的价值在 design taste、product sense、对细节的把控 每个人都得 generalist：程序员要懂产品，设计师要会写代码 十、推荐产品：Granola（管它拉） 为什么记笔记这么"小"的产品能打动一个 CEO 无声的产品形态——不需要 Chatbot 那种"陌生人开场白"的尴尬 最好的产品：用户感知不到它的存在，但事情都被做了 --- 🎤 主播与嘉宾 李昂 | Simular AI 创始人 & CEO，前 Google DeepMind 研究员（终身学习方向），前百度阿波罗北美无人驾驶团队负责人，前Facebook AI 研究员。Computer Use Agent 赛道全球最早的开拓者之一。 AI-Nate | 硅谷 AI 工程师，18 周打造 18 个 AI Agent 产品，AI 课程导师 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 & 嘉宾介绍：Simular AI 创始人李昂 00:43 2023 年的第一个 Demo：CEO 在机场操控发布会现场 03:30 业界第一家 Computer Use 公司——比 Anthropic 早一年 06:00 为什么 Simular 不自己训练大模型? 09:00 Computer Use 的本质：让电脑自动化，而非只是鼠标键盘 12:00 视觉定位、长工作流——为什么 Agent 难 14:00 Pass@K vs Pass^K：打款多 10 倍就要被开除 16:00 API 和 GUI 的辩论：为什么不只用 API? 19:00 为什么人和 AI 应该和谐共存，而非完全替代 22:00 OS World 72.4 分：研究里程碑 vs 现实落地 25:00 Multi-turn 交互 + Human-in-the-loop = 真实场景 28:00 Nathan 真实案例：推特被 Agent 刷屏导致封号 31:00 Sai 的产品哲学：每个人 100 台云电脑 34:00 反直觉创业战略：不做 Low-hanging fruit 38:00 创业公司一定要找别人解不了的难问题 40:00 用户惊喜：Fund Manager + 二手车 Dealer 的真实 Use Case 43:00 GUI 不会消失——基建是为人造的 46:00 创业核心洞察：Agent 的对手是人类的生活习惯 47:00 AGI 路线图：先打平人，再谈超越 48:00 MCP 为什么被 CLI 反超?——数据为王 51:00 微软合作：Frenemy 关系如何处理 54:00 下一个 10 倍的瓶颈：Token 效率与 ROI 57:00 Nathan 烧 600 美金的故事 & Token 优化心得 01:00:00 终身学习：从 2016 Facebook 到 DeepMind 的研究主线 01:05:00 进化算法 + 强化学习——为 AGI 铺路 01:08:00 人脑假说：白天做 Harness，睡觉时 Replay 训练 01:13:00 为什么必须离开 DeepMind：大厂不能 own 产品 01:16:00 给 AI 研究员的建议：学会 Storytelling 01:19:00 Apple 4 年的 Lesson：对细节的执念 01:22:00 写代码烂大街后，人的价值在哪? 01:25:00 generalist 时代：每个人都要变 CEO 01:28:00 推荐产品 Granola：无声的产品形态 01:32:00 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 --- 🎁 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：Live Build: Ship an AI Agent on Kimi K3

🎙️ 硅谷洞察局 EP08 | AI视频赛道硅谷领跑者HeyGen副总裁：一路狂奔拿下的最强商业落地方向 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 AI 数字人已经不是科幻——阿根廷总统米莱用它做 175 种语言的全球演讲，宝格丽用它做全球员工培训，一条本来要好莱坞团队、10 万美金、4 周才能做出的品牌片，现在一句 prompt 就能生成。 本期嘉宾是硅谷 AI 数字人头部公司 HeyGen 的工程副总裁刘斌——硅谷 15 年，Pinterest 近 10 年做到 Director。去年他带创业团队整体加入 HeyGen，理由很简单：AI 时代，小公司已经招不到顶尖人才了。 就在我们录完节目的第二天（4 月 18 日），HeyGen 开源了节目里深聊的新项目 HyperFrame ——让 AI 用"写代码"的方式做视频——一夜之间在 X 刷屏。这期节目帮你了解这场风暴幕后的故事。 我们聊了：为什么所有 AI 创业公司都可能被 AGI 一把抹掉、HeyGen 员工的 Slack 一半是真人一半是 AI、以及一个最扎心的问题——当 AI 可以 24 小时替你出镜，内容创作者还剩什么？ --- 💬 本期金句 "沟通视频是一个极其巨大且极其 underserved 的市场——它不 sexy，但远远没被开发。" —— 00:17:56 "除了英语之外，什么是 Agent 的母语？就是 Code。" —— 00:21:48 "视频编辑这件事，如果用 AI Native 的方式做，它不是 Editing Problem，是 Codegen Problem。" —— 01:03:18 "不只是 HeyGen，任何 Startup 都有可能被那个最先达到 AGI 的公司 wipe out。" —— 00:30:50 "Canva 没有技术护城河——但它有 2.5 亿月活。为什么？" —— 00:32:02 "我们通宵干了 48 小时，仍比别人慢 4 小时——在 Twitter 上可能就少了 50 万播放。" —— 00:37:34 "招一个人最重要的一点：你能不能成为这家公司的一个 Pivot Point。" —— 00:58:58 "在一个人的 career 里，能做一件真正定义一个行业的事，是极其难得的。" —— 01:07:31 --- 📖 术语速查 Avatar / AI 数字人：AI 生成的虚拟人，能模仿真人脸、声、表情——抖音、视频号里很多"主播"就是 Avatar。 HyperFrame（HeyGen 4/18 刚开源）：Hypertext + Frame。让 AI 用"写网页代码"的方式做视频，节目录完第二天在 X 上刷屏。 AGI Wipe Out：AGI 一旦出现，很多今天有护城河的公司会瞬间失去价值。刘斌坦言 HeyGen 也不例外。 Seedance 2.0 / Veo 3 / Kling：当前最强的 AI 视频模型，分别来自字节、Google、快手。HeyGen 是 Seedance 2.0 北美独家整合平台之一。 Land Grab Mode：硅谷 AI 行业现在的状态——谁先上线、谁先占据用户心智，谁就赢。 Unit Economics：每获一个用户赚多少、花多少。AI 产品每次用都烧算力钱——这也是 OpenAI Sora 关停消费端的核心原因。 Pivot Point：刘斌招人哲学——一个人出现就能改变公司走向的人，才值得高薪抢。 --- 🗂️ 内容大纲 一、从 Pinterest 到 HeyGen：一个硅谷老兵的再出发 - 硅谷 15 年，Pinterest 近 10 年管产品+设计+工程 - 自己创业 2 年后带团队整体加入 HeyGen - 决策逻辑：AI 时代小公司招不到顶尖人才 + 行业正在整合（Graphite→Cursor、Windsurf→Google） 二、HeyGen 做的不是好莱坞，是"沟通视频" - 别人都在打 cinematic，HeyGen 打 Avatar + 沟通场景 - 客户案例：阿根廷总统米莱、宝格丽 - 14 天把一段内容分发成 175 种语言 三、Code as Video：HyperFrame 的秘密 - Agent 不擅长用 Premiere / AE（为人设计的）也不会改 XML - 视频本质 ≈ 一个带动效的网页 → 让 Agent 直接写 HTML 代码 - 一条 10 万美金、4 周的好莱坞品牌片，现在一句 prompt 搞定 四、为什么 HeyGen Avatar 比 Veo 3 / Sora 更适合商用 - Veo 3 每 8 秒开始"drift"（人物走样），HeyGen 通过复用关键帧解决 - 1 分钟视频成本 < 1 美元（Veo / Seedance 8 秒就要 1 美元） 五、AGI Wipe Out：应用层的生存哲学 - HeyGen 也可能被抹平——任何 Startup 都会 - 应用层 baseline：比 OpenAI 更懂用户（CEO 每天聊 1 个客户） - 长期必须做 network effect——Canva 靠模板生态，不是技术 - Cursor 的危机：Claude Code、Codex、Antigravity 都在抢它蛋糕 六、Land Grab Mode：硅谷现在拼的是速度 - Seedance 2.0 上线，HeyGen 是 4 家拿到首批 API 的公司之一 - 慢 4 小时 = 少 50 万播放 - HeyGen 霸榜时间线：Video Translate → Avatar IV → Video Agent 七、Sora 为什么关停？AI 消费产品的致命难题 - 传统消费互联网边际成本为零，AI 产品每次使用都烧算力 - 解法：Edge Computing + 小模型 + 高性能终端，2-3 年可期 - 为什么工具向 AI 产品成功率更高：LTV 算得清楚 八、AI Native Workforce：HeyGen 内部怎么运作 - 公司 Slack 一半是 Agent、一半是真人 - 用代码、网页、视频替代 PPT 和 Doc 做内部汇报 - Incident Review 压缩成 1 分钟视频，工程师上厕所就能看完 - 招人只看一点：你能不能成为公司的 Pivot Point 九、两个 Big Bets & 创业者的初心 - Bet 1：HyperFrame 开源成为 AI 视频时代的事实标准 - Bet 2：Avatar Identity 成为一个全新的资产类别 - 动力："能做一件 define industry 的事，是极其难得的" --- 🎤 主播与嘉宾 刘斌｜HeyGen 工程 VP：硅谷 15 年，Pinterest 早期员工并工作近 10 年至 Director；CMU 校友，与 HeyGen CEO 张帅是大学同班同学；自己创业 2+ 年后带团队整体加入 HeyGen。 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，18 周打造 18 个 AI Agent 产品，AI 课程导师。 --- ⏱️ 时间戳 00:00 开场 & 嘉宾介绍 02:00 为什么从自己创业转向加入 HeyGen 06:40 HeyGen 做的不是好莱坞，是企业沟通视频 07:30 客户案例：阿根廷总统米莱、宝格丽 10:00 Avatar IV：14 天分发 175 种语言 17:30 "Code 是 Agent 的母语" 18:30 HyperFrame 揭秘：视频 = HTML 代码 22:00 10 万美金品牌片 vs 一条 Prompt 23:00 Avatar 为什么比 Veo 3 更适合长视频 27:30 Foundation Model vs Application Layer 的博弈 30:50 "任何 Startup 都可能被 AGI Wipe Out" 32:00 Canva 护城河不是技术，是模板生态 35:00 Land Grab Mode：Seedance 2.0 抢先上线 37:34 "通宵 48 小时仍慢了 4 小时 = 少 50 万播放" 46:30 Sora 为什么关停：AI 消费产品的 Unit Economics 难题 56:47 上一波（Pinterest/Uber）vs 这一波 AI 创业体感 58:58 招人哲学：能不能成为 Pivot Point 59:30 AI Native Workforce：Slack 一半是 Agent 01:03:18 "视频编辑是一个 Codegen Problem" 01:03:50 两个 Big Bets：HyperFrame + Avatar Identity 01:07:55 "我不想停下来，我也永远不会停下来" 总时长：约 1:10:00 --- 📮 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，告诉我们下期你想听什么。 --- 🎁 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：Live Build: Ship an AI Agent on Kimi K3

🎙️ 硅谷洞察局 EP07 | 硅谷天才少女CEO如何在AI多模态应用实现增长奇迹 - 三年近亿美金营收 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 当所有人都在谈论 AI 创业时，有一个华人女性创始人已经悄悄把事情做成了。本期，我们来到 OpenArt 的 Hacker House 现场，对话 CEO & Co-founder Coco Mao（毛科淳）——前 Google 7年老兵，卡耐基梅隆大学本科计算机出身，2022年创办 OpenArt，三年做到近亿美金 ARR、800万月活用户。 她聊了很多"不那么光鲜亮丽"的真实创业故事：为什么在 GenAI 时代"拿着锤子找钉子"反而是对的？为什么不要过早定义 ICP？为什么 Startup 不是死于竞争，而是死于自杀？以及，她正在筹备的 5 月重磅产品发布——一个 Agentic 的端到端视频创作体验。 这不是 PR 稿里的创业故事，是在 Hacker House 里、身边工程师还在加班时录下的一线实录。 --- 💬 本期金句 "在 GenAI 领域创业有点 counterintuitive——你不要过早定义你的 ICP，因为技术在变，市场在变，过早框死自己会 miss opportunities。" —— 06:22 "团队之间有问题，morale 不好，这才是真正杀死你的东西。" —— 39:57 "当 model 越来越强大的时候，你应该感到 excited 还是害怕？这个问题能告诉你，你的产品到底是不是在跟 model 竞争。" —— 19:51 "以前每周都换一个 idea，做了一周 prototype 就上线——三个月后 ChatGPT 爆了，我们才觉得这个东西好像是有点什么东西的。" —— 15:30 "我们想做 AI 时代的 Canva——不是专门给 professional filmmaker 用的，而是让 non-professional 做出 professional 质感的内容。" —— 29:00 "如果你在想「我是不是应该 fire 这个人」，想了大概三次，那估计就是你应该 fire 的。" —— 45:54 "你要想象加州淘金热——在水里的人比在岸上看的人更可能挖到金子。身处其中，你才能观察到机会。" —— 54:01 --- 📖 本期术语速查（听到不熟悉的词？翻这里） ICP（理想客户画像） 你最想服务的目标用户群体。传统创业建议是越早定义越好，但 Coco 认为在技术剧变期不要过早框死。 Micro Pivot（微转向） 不是大的战略转型，而是根据技术发展和市场反馈做出的小幅方向调整。OpenArt 每年都会做几次 Micro Pivot。 Visual Storytelling（视觉叙事） 用图像、视频等视觉手段讲故事。OpenArt 的核心 mission 是让人人都能做视觉叙事。 Model Aggregator（模型聚合器） 整合多个 AI 模型（如 Flux、Stable Diffusion、Veo 3 等）供用户选择使用的平台。Coco 认为纯聚合价值有限，需要在此之上构建更多工作流价值。 Agentic Workflow（智能体工作流） 让 AI Agent 自主完成端到端的创作流程（脚本撰写→素材生成→后期编辑），而非让用户逐步手动操作。OpenArt 2026 年的核心方向。 Node-based Workflow（节点式工作流） 类似 ComfyUI 的可视化编排方式，用户拖拽节点构建工作流。Coco 认为这更适合 professional，不符合 democratize 的 mission。 World Model（世界模型） 能理解和模拟 3D 世界的 AI 模型。OpenArt 接入了李飞飞团队的 World Labs 模型，推出 Open Worlds 功能，让用户在虚拟世界中选取角度和运镜。 Beat Sync（节拍同步） AI 分析音乐节奏后，让视频画面切换与音乐节拍精确同步。OpenArt Music Video 产品的核心技术之一。 Go-to-Market / GTM（市场进入策略） 产品如何触达用户、获取增长的策略。OpenArt 早期靠 SEO 和域名优势冷启动，后扩展到 Influencer Marketing、社媒运营等多渠道。 SMB（中小企业） OpenArt 的重要用户群体之一。这些企业需要在社交媒体上运营账号、制作内容，但通常没有专业设计或视频团队。 --- 🗂️ 内容大纲 一、从谷歌到创业：前谷歌人的AI创业起点 • 卡耐基梅隆大学本科计算机 → 谷歌7年 → 2022年8月创办OpenArt • ChatGPT爆发前三个月入场，每周换一个想法快速验证 • 技术巨变时代，"拿着锤子找钉子"反而可行 二、不要过早定义目标用户 • 技术和市场都在变，过早框死会错过新兴人群 • 从"什么人都来生图"到聚焦视觉叙事的演进 • 以不变应万变：抓住人类不变的表达欲和叙事需求 三、三年三次微转向：图片 → 视频 → 智能体 • 2022-2024：图片生成起步，搜索优化冷启动 • 2024试水视频 → 太贵质量不够 → 砍掉；2025视频模型突破 → 重新投入，爆发增长 • 2026：全力押注智能体工作流，5月重磅发布 四、模型越强，我们越兴奋——护城河思考 • 纯模型聚合价值有限，真正价值在端到端创作链路 • 电影类比：视频模型只是摄影师，还需要编剧、剪辑、音效 • 坦诚反思：工作流层面很难有壁垒，需要生态和飞轮 五、对标Canva：普惠化的产品哲学 • Canva七成用户不是设计师 → 让普通人做出专业质感 • 节点式 vs 智能体驱动：选择后者，测试效果更优 • 音乐视频：上传一首歌 → AI分析歌词节奏 → 自动生成MV 六、Sora关闭、世界模型与竞争格局 • Sora关闭是OpenAI自身战略调整，视频市场依然很好 • 模型公司做内容平台行不通：基因不同，缺运营 • 接入李飞飞团队世界模型，推出虚拟片场功能 • 不担心大公司，更关注其他创业公司——迭代速度是优势 七、增长飞轮：从百万到接近一亿美金 • 百万 → 千万（12个月）→ 1700万（2025）→ 接近一亿（2026） • 增长是阶梯式的：找到爆发点 → 平缓 → 再找点 → 再爆发 • 获客矩阵：搜索优化 → 网红营销 → 社媒运营 → 广告 八、团队治理：快速淘汰、不要过度优化、找对人 • "想了三次要不要开这个人，那就该开了" • 管理随规模迭代：5人无流程，10人建流程，50人学放权 • AI改变团队结构：以前20个工程师，现在4-5个就够 • 最好的人才来自熟人推荐，不是猎头 九、未来愿景：从工具到生态 • 目标上市，不考虑被收购 • 短期深耕工具，视频是万亿美金市场 • 长期探索AI原生的消费体验，从工具变生态 • 5月重磅发布 + 101高速公路广告牌已预定 --- 🎤 主播与嘉宾 Coco Mao（毛科淳）| OpenArt AI CEO & Co-founder，卡耐基梅隆大学本科计算机，前 Google 7年（搜索 / Area 120 / Tangi），ACM ICPC Top 10，LinkedIn Women in Tech Scholarship。2022年创办 OpenArt，三年做到 800万月活、近亿美金 ARR、50人团队。 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 AI-Nate | 硅谷AI工程师，18周打造18个AI Agent产品，AI课程导师 --- ⏱️ 时间戳 00:00 开场介绍 00:43 嘉宾自我介绍：谷歌7年到创办OpenArt 01:15 营收增长历程：从百万到接近一亿美金 03:04 用户画像：受众远比想象中广 04:34 音乐视频产品：节拍同步与歌词分析 05:27 今年方向：从单个素材生成到端到端智能体 05:45 三年创业历程拆解 06:17 反直觉：不要过早定义目标用户 08:32 以不变应万变：为什么聚焦视觉叙事 11:56 拿着锤子找钉子，在技术巨变时代反而可行 14:00 获客策略：搜索优化冷启动与网红营销 15:24 创办三个月后ChatGPT爆发，乘上浪潮 16:16 从图片到视频：竞争与市场空间 17:07 几个关键微转向节点 17:44 增长不是线性的：爆发→平缓→再爆发 19:17 大模型厂商下场做工作流怎么办？ 19:50 模型越强，你是兴奋还是害怕？ 21:28 电影制作类比：模型只是摄影师 24:04 诚实反思：工作流层面很难有护城河 25:00 速度是最大优势 27:33 节点式还是智能体驱动？ 29:00 对标Canva：七成用户不是专业设计师 32:33 Sora关闭意味着什么？视频市场依然很好 35:12 世界模型与虚拟片场 37:15 不担心大公司，更关注其他创业公司 39:27 创业公司不是死于竞争，而是死于内耗 40:33 招人三标准：好奇心、学习力、主人翁意识 42:23 AI改变团队结构：工程师要有产品思维 44:40 管理随规模迭代，不要过度优化 45:33 招错人怎么办？想了三次就该开 47:33 从事无巨细到学会放权 48:33 未来愿景：上市，从工具走向生态 50:33 寻找AI原生的消费体验 53:33 淘金热类比：在水里的人才能挖到金子 55:00 五月重磅发布预告 55:56 招聘联系方式 56:23 结语 --- 📮 联系我们 播客邮箱：[email protected] OpenArt 招聘：[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！ --- 🎁 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：Live Build: Ship an AI Agent on Kimi K3

🎙️ 硅谷洞察局 EP06 | 出海元老独角兽PingCap创始人：Agent打开了平行世界，将撼动人类文明 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 GTC 之后，Agent 浪潮正在从概念变成每天的工作方式。本期，我们请到了 PingCAP 联合创始人 & CTO 黄东旭——一位九岁开始写代码、操盘过超30亿美金估值开源数据库公司的硅谷技术人，聊聊他这三个月里真实发生的事情。 他一个人，在过去三个月里完成了传统意义上几十个人一年的工作量；每天 Token 消耗峰值达到十亿级别；彻底取消所有内部会议，把 AI Agent 当作真正的"团队"来管理。 这不是 PPT 里的 AI 故事，是一个在第一线跑着的人，给你的第一手报告。 --- 💬 本期金句 "以前是手写代码，现在是管理 Agent 团队在写代码。" —— 00:01:48 "Anthropic 认为这个世界是可以被编程的，于是把编程放在了至高无上的位置——这就是为什么今天一切都是编程 Agent。" —— 00:07:00 "人类那点小小小小小聪明，放在模型面前，这真的是不值得一提。" —— 00:14:02 "把 Claude Code 当做一个操作系统内核来看，你就会看到更大的世界。" —— 00:15:34 "Vibe Coding 上瘾之后，第一停不下来，第二你会对跟人类沟通慢慢失去耐心——效率太低了。" —— 00:59:47 "99% 的时候可能都在说车轱辘话，但会有 1% 的时候灵光一闪——只要那句金句出现，所有 Agent 马上都知道。" —— 01:12:00 "我不喜欢编程，我喜欢造物。这一波，才是真正的解放。" —— 01:17:44 "你今天所有觉得宝贵的、exclusive 的能力和资源，很快就会被磨平。我也一样。" —— 01:21:54 "只有满身大汗，真的学木工做个小桌子——这种实实在在的存在，才是最抚慰人心的东西。" —— 01:24:46 --- 📖 本期术语速查（听到不熟悉的词？翻这里） Agent / AI Agent（智能体） 不只是聊天的 AI，而是能自主写代码、调用工具、完成复杂任务的 AI。可以把它理解为"有手有脚、能干活的 AI 员工"。 Vibe Coding（氛围编程） 用自然语言描述你想要什么，让 AI 来写代码，人只负责提需求和审结果。不需要懂具体语法，靠"感觉"驱动开发。 Coding Agent（编程智能体） 专门用来写代码的 AI Agent。代表产品：Claude Code、Cursor、Devin。 Harness Engineering（执行框架工程） 把多个 AI Agent 组织起来协同工作的"脚手架"——管理任务分配、上下文传递、Agent 之间的通信。东旭本期大量讨论的核心主题。 Token（词元） AI 模型处理语言的最小单位，可以理解为"AI 读了多少字"。消耗 Token 越多 = 干的活越多，也越贵。东旭说他峰值每天消耗十亿 Token。 Slock.ai（Slack for Agents） 东旭投资并使用的一个工具，把多个 AI Agent 放进一个"群聊"里协同工作——类似人类用 Slack 开会，但里面全是 AI 在讨论和干活。 Skill（技能包） 写给 AI Agent 的一段 Markdown 说明文档，告诉 Agent 在特定场景下应该怎么做事。可以理解为"AI 的工作手册"，也是 Agent Native App 的早期形态。 SaaS（软件即服务） Software as a Service，按订阅收费的云端软件。比如 Salesforce（客户管理）、ServiceNow（IT 流程）、Slack（团队沟通）都是 SaaS。本期讨论它们正在被 Agent 颠覆。 CLI vs GUI CLI（命令行界面）= 黑屏打字操作，比如终端；GUI（图形界面）= 鼠标点击的可视化界面，比如 Windows。东旭认为 AI Agent 更擅长 CLI，因为组合灵活，不需要"看图"。 Postgres（PostgreSQL） 一种流行的开源关系型数据库，已成为数据库行业的"通用语言"。东旭的 DB9 兼容 Postgres 接口，意味着 AI Agent 可以用熟悉的方式操作它。 Unix Philosophy（Unix 哲学） 1970年代诞生的软件设计理念：每个程序只做一件事，做好它；程序之间可以自由组合。东旭认为这一哲学在 AI Agent 时代正在复兴。 IC（Individual Contributor，独立贡献者） 不带团队、自己亲手干活的技术人员。东旭去年12月主动放弃管理职责，回归 IC 状态，专注用 Agent 团队直接交付产品。 Organic（自然增长） 不花钱投广告，靠口碑和产品体验自然获客。东旭说 DB9 是他做过增长最快、且完全 0 营销费用的产品。 Result as a Service（结果即服务） 新兴商业模式：不卖软件，直接对业务结果收费。比如"帮你多签了几单合同，按成交额抽成"，而不是"卖给你一套 CRM 系统"。 --- 🗂️ 内容大纲 一、2025 年是一道分水岭 大模型从"灵活的 Wiki"变成"有手有脚的 Agent" Claude Code、Cursor、Devin：第一代 Coding Agent 工具爆发的技术根源 Anthropic 为什么是这场浪潮的设计者？——把编程放在至高位置的世界观 二、Claude Code 不是工具，是操作系统内核 用 OS 内核的视角重新理解 Claude Code "Context not Control"：越精妙的编排越是在限制模型 从 Claude Code 泄露事件看：Harness 的真正价值在哪里？ "做梦"机制：用极简设计管理 Agent 记忆 三、Harness Engineering 的真实体感 东旭的 Agent 团队实战：Slock.ai（Slack for Agents）是什么？ 把 AI 当真正的工程师团队来管：签到、Review、分组、绩效…… 99% 的对话是废话，但那 1% 的"金句"价值连城 人类的角色：从"写代码"变成"看结果 + 给方向" 四、传统 SaaS 的危机与机会 SaaS 本质是在卖"人与人之间的摩擦成本" 为什么东旭两周复刻了一个 Salesforce？ Agent 时代：新的 App Store 来了，但还没有 SDK Result as a Service：谁能说清楚自己对业务 outcome 的影响，谁才能活下去 五、DB9：为 Agent 造一个数据库 当 90% 的数据库 Instance 由 AI 创建，产品要怎么重新设计？ Big Data 消亡论：为什么"坐在个人数据上的 Agent"比大数据分析更强？ Agent 基础设施三件套：DB9（数据库）、Drive9（网盘）、Message9（邮件） 零 Marketing，增长却是有史以来最快——好产品的自然裂变 六、一个程序员的三次技术浪潮 Unix 哲学的冲击：为什么70年代的哲学正在复兴？ 分布式系统思维方式的塑造 AI Native 的顿悟：充分相信一个比你更高的智能 "我不喜欢编程，我喜欢造物"——这一波才是真正的解放 七、给所有人的建议 别信 KOL，自己动手玩：Claude Code 就是最好的起点 比技术更重要的事：用身体和这个世界产生真实连接 Agent 用多了会有虚无主义？——木工、种花、乐器，才是解药 --- 🎤 主播与嘉宾 黄东旭 | PingCAP 联合创始人 & CTO，9岁开始自学编程，小学毕业自学完了大学计算机所有内容；深度 Harness Engineering 实践者，每日 Token 消耗十亿级，Agent 时代基础设施建造者 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，18周打造18个AI Agent产品，AI课程导师 --- ⏱️ 时间戳 00:00 开场 & 嘉宾介绍：PingCAP 联创 CTO 黄东旭 00:43 东旭的三重身份：工程师 / 企业家 / 艺术爱好者 02:35 2025 分水岭：大模型从 Chatbot 变成 Agent 05:00 Anthropic 的战略世界观：一切可编程 07:00 Anthropic 为什么赢了？与 OpenAI、Google 的路线对比 10:00 Claude Code 泄露事件：没有什么好惊讶的 13:00 两种 Harness 路线：精心编排 vs 充分相信 AI 15:00 "做梦"机制：Claude Code 的记忆设计哲学 17:00 OS 内核视角：把 Claude Code 当发动机 19:00 Skill 是 Agent Native APP 的早期形态 22:00 APP Store 时刻：寒武纪大爆发正在来临 25:00 东旭的实战：3个月 = 几十个人一年的工作量 29:00 为什么今年底会出现统一标准？ 33:00 Slock.ai（Slack for Agents）：东旭的 Harness 工具 37:00 Agent 团队管理：签到、绩效、金句时刻 40:00 人类当 HR：只看 outcome，不读过程 43:00 传统 SaaS 的死亡逻辑 47:00 东旭两周复刻 Salesforce：但 integration network 抄不走 49:00 Self Build vs SaaS 转型：谁会赢？ 54:00 DB9：为 Agent 造一个数据库 57:00 Big Data 消亡论：个人数据 Agent > 大数据分析 01:02:00 Drive9 & Message9：Agent 基础设施矩阵 01:05:00 没有看到边界：DB9 从实验变成正经项目 01:07:00 Agent 团队里的"金句时刻"：安全漏洞被自己发现 01:10:00 任何方案至少迭代5轮——东旭的 SPEC 设定 01:13:00 现在花钱的正确姿势：Claude Max 两天用完 01:16:00 东旭的三次技术浪潮：Unix / 分布式 / AI Native 01:20:00 "充分相信一个更高的智能"——AI Native 的核心顿悟 01:24:00 Agent 安全不需要专门做——告诉他注意就行了 01:28:00 AI 真正的民主化：我妈也能做供销管理系统 01:33:00 "我不喜欢编程，我喜欢造物" 01:38:00 每天可以做什么：自己动手 + 回到物理世界 01:42:00 东旭收尾：满身大汗才是解药 01:44:00 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 --- 🎁 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：Live Build: Ship an AI Agent on Kimi K3

🎙️ 硅谷洞察局 EP05 | 斯坦福毕业、两次成功并购——她亲历AI如何杀死SaaS 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 2026年开年至今，全球软件股蒸发超过一万亿美元。一张在LinkedIn和X上疯传的图——"2027: The Software Death Cross"——画出了两条正在交叉的曲线：SaaS估值持续下坠，AI市场规模加速上冲。 本期节目，Siky以亲历者身份拆解SaaS行业的真实运作逻辑。他曾在硅谷带领两家SaaS公司，一家成功上市，一家被ServiceNow数十亿美金收购。从RPA（古早版Agent）到IT Chatbot，从按人头卖席位到被AI吊打灰色地带，Siky和Nate一起回答一个核心问题：SaaS到底哪里在死，哪里还能活，以及未来3到5年最大的机会在哪。 --- 🗂️ 内容大纲 一、一张图讲清SaaS的困境 "2027: The Software Death Cross"到底在说什么 SaaS估值从疫情高点18.5x跌至4.8x的完整时间线 ChatGPT、Claude Co-worker、Vibe Coding三个关键节点如何加速下坠 二、一个SaaS老兵的一线叙事 Siky的第一家公司：RPA——古早版Agent，年营收从1亿做到5亿美金 按席位收费的真相：Bot利用率不饱和，自动化流程有限，增长遇到天花板 Siky的第二家公司：IT Chatbot嵌入Slack/Teams，2007年创立，被ServiceNow数十亿收购 ServiceNow为什么要花大价钱买一个"技术上不算黑科技"的公司 三、为什么按人头收费注定被淘汰 SaaS按席位定价的本质：卖方市场下的灰色地带 AI正在把这些灰色地带拿出来"吊打"——原来值100块的东西，现在只值50 从"躺着赚钱"到"跪着赚钱"：SaaS溢价权的消失 Vibe Coding双重绞杀：需求端Agent替代人力，供给端软件无限复制 四、GenSpark vs Claude Code：产品力才是新护城河 Siky实测对比：用Claude Code做PPT vs 用GenSpark做PPT，体验差距巨大 GenSpark背后的秘密：不是AI更强，是产品把设计师级别的审美沉淀成了wrapper "套壳"不等于没价值——真正的套壳是把行业know-how产品化 交互方式决定生死：每次技术浪潮都会诞生新的交互形式，谁先发现谁赢 微软为什么没做好AI版PPT 五、数据与Skill：下一代SaaS的真正壁垒 硅谷大厂要求员工用Claude Code生成Skill，人走了知识留下 Memory + Skill库：不是静态AI，而是越用越强的进化型AI 从fine-tune垂直模型到沉淀行业know-how：技术壁垒的重新定义 OpenClaw式的Agent Harness如何让know-how变成可复用资产 六、ToB采购流程的颠覆 传统路径：麦肯锡定蓝图 → 采购Snowflake → 埃森哲做部署，环环相扣 AI初创公司的瓶颈：产品力够了，但go-to-market、客户关系、咨询伙伴生态跟不上 从Top-down到Bottom-up：当定价从人头变成结果，真正的使用者开始拥有话语权 Harvey（AI法律，估值110亿）的启示：垂直know-how + 技术 = 快速起量 七、大胆设想：中国ToB的第二春 中国SaaS为什么一直做不起来：老板太实在，人力太便宜 AI让企业服务"走向实在"——中国老板反而可能比美国职业经理人跑得更快 AI形式的外包：取代传统外包公司，直接交付结果 创始人 vs 职业经理人：谁在AI转型中更有优势 八、终局判断：谁吃掉最大的蛋糕 Anthropic可能成为AI时代的微软——从技术公司到ToB生态霸主 传统SaaS巨头不会死，但会以传统公司的估值重新定价 中而美的AI-native公司会在垂直领域跑出来，但天花板明确 为Agent而造的基础设施：数据、交互、Infra三大蓝海 ToB与ToC的融合：个人Agent成为统一入口，工作与生活的边界消失 --- 🎤 主播 AI-Nate｜硅谷AI工程师，18周打造18个AI Agent产品，AI课程导师 AI-Siky｜斯坦福毕业，10年+硅谷SaaS经验，曾主导RPA独角兽上市及IT SaaS公司被ServiceNow收购，现任顶级科技公司战略合作负责人 --- 🔗 相关资源 2027 Death Cross原图讨论（LinkedIn/X热传） ServiceNow官网：servicenow.com GenSpark：genspark.ai 上期回顾（EP04）：谷歌DeepMind研究员揭秘：Coding模型是怎么炼成的，模型上限在哪 --- ⏱️ 时间戳 00:20 开场：一张疯传的图——2027 SaaS死亡交叉 01:50 Siky背景介绍：两家SaaS公司，一家上市一家被收购 02:20 RPA：古早版Agent，年营收从1亿到5亿美金 04:20 按席位收费的真相：Bot利用率不饱和 07:20 第二家公司：IT Chatbot嵌入Slack/Teams 09:20 被ServiceNow数十亿收购的幕后故事 12:20 ServiceNow的PE为什么那么高 14:20 传统SaaS采购的完整链条：麦肯锡 → 产品 → 埃森哲 18:20 Vibe Coding为什么让SaaS加速崩塌 20:20 AI初创公司的天花板：从几千万到几亿的瓶颈 25:20 go-to-market的人才和关系壁垒 27:20 Harvey（AI法律）估值110亿的启示 30:20 fine-tune模型 vs 沉淀know-how：技术壁垒在转移 33:20 OpenClaw / Claude Code的Skill沉淀模式 37:20 GenSpark vs Claude Code做PPT：产品力差距实测 42:20 "像打造苹果产品一样做PPT"的Prompt技巧 45:20 AI做PPT不是15分钟搞定——马拉松式人机协作 49:20 GenSpark的平台模式：从PPT切入，吃掉长尾场景 51:20 微软为什么没做好这件事 53:20 从Top-down到Bottom-up：采购决策权的转移 56:20 中国SaaS为什么做不起来：老板太实在 59:20 大胆设想：AI让中国ToB重新点燃 1:04:20 AI形式的外包：取代传统外包公司 1:07:20 中国创始人 vs 美国职业经理人：谁转型更快 1:10:20 Anthropic会成为AI时代的微软吗 1:15:20 终局：几个大玩家 + 一批垂直领域中而美公司 1:20:20 为Agent而造的基础设施：三大蓝海方向 1:25:20 ToB与ToC的融合：个人Agent成为统一入口 1:28:20 给创业者和投资人的建议 1:31:20 总结与展望 --- 📮 联系我们 播客邮箱：[email protected] 欢迎评论区留言交流，转发支持！ --- 🎙️ 「硅谷观察局」亲友群开放啦！ 听了这么多期，是不是有时候想跟我们聊几句？ 我们开了一个听友微信群，欢迎你来： 💬 和Nathan、Siky直接交流讨论 🎯 告诉我们下期你想听什么话题 🎬 了解录制背后那些没播出来的趣事和翻车现场 🤝 认识同样关注AI和硅谷动态的朋友们 👉 前200名直接扫码加群（见图片） 我们群里见！ --- 🎁 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：Live Build: Ship an AI Agent on Kimi K3

🎙️ 硅谷洞察局 EP04 | 谷歌DeepMind研究员揭秘：Coding模型是怎么炼成的，模型上限在哪 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 英伟达GTC大会刚刚落幕，大模型在过去半年经历了一轮又一轮的迭代。本期节目，我们请到了前Google DeepMind资深研究员Warren Chen——一位在coding agent方向深耕多年、现已投身创业的一线技术人，和我们做了一场关于大模型训练范式演化的硬核技术对谈。 从Pre-training到RLHF，从Verifiable Feedback到Mid-Training，从Harness Engineering到Agent Environment——Warren用"看课本、做习题、考试"的类比，把大模型训练的三次范式跃迁讲得通透。如果你想理解为什么Coding Agent突然爆发、为什么Anthropic能持续领先、以及创业者该押注什么方向，这期不容错过。 --- 📖 本期术语速查（听到不熟悉的词？翻这里） Pre-training（预训练）：让AI把互联网上海量文字都"看"一遍，相当于通读所有课本 SFT（监督微调）：给AI做示范题，手把手告诉它"这道题应该这么答" RLHF（人类反馈强化学习）：请人类给AI的两个回答打分，AI学着挑人更喜欢的那个 RLVF（可验证反馈强化学习）：不用人打分了，直接对答案。代码跑通就是对，没跑通就是错 Chain-of-Thought（思维链）：让AI像人一样"先想一想再回答"，而不是直接蹦出答案 Mid-Training（中间训练）：只教AI答题的格式（怎么填答题卡），不教具体解法，让它自己悟 Reward Signal（奖励信号）：告诉AI"你这次做对了还是做错了"的反馈 Harness（执行框架）：AI模型和真实世界之间的脚手架，帮AI接住任务、管理记忆、处理出错 Environment（执行环境）：AI能触达的所有工具和权限——邮箱、浏览器、代码编辑器、操作系统等 Scaling Law（规模定律）：模型越大、数据越多、算力越强 → AI能力越强，这条规律目前仍然成立 Benchmark（基准测试）：AI界的"高考模拟卷"，用标准化测试对比各家模型的分数 Agent（智能体）：不只是聊天的AI，而是能自主写代码、发邮件、操作软件、完成复杂任务的AI Superhuman（超越人类）：AI在某个领域的表现超过了最优秀的人类专家 --- 🗂️ 内容大纲 一、大模型训练的三次范式跃迁 第一阶段：人类当老师（2022-2023） 三步流程：先通读课本（Pre-training），再做随堂练习（SFT），最后请人类老师批改作文、打分（RLHF） ChatGPT为什么让人惊艳？两件事做对了：你说什么它能照做（Instruction Following），而且说话方式让你觉得舒服 瓶颈在哪？人类老师再厉害也是人。用人打分训练出的AI，天花板就是人类水平本身 第二阶段：机器自己出题考自己（2023-2024） 核心变化：把"请人打分"换成"直接对答案"。数学题算出86.736就是86.736，代码跑通就是跑通，不需要人来判断 为什么数学和Coding最先突破？因为它们天然满足三个条件：答案可以验证、不能靠猜、过程必须正确才能得出正确结果 Chain-of-Thought（思维链）从一个prompt技巧，变成了模型自己会做的事。以前你得在提示词里写"请一步步思考"，现在模型自己就会先想再答 Coding能力 + 思维链能力同时提升，互不干扰 → 这就是去年Coding Agent突然爆发的技术根源 第三阶段：只教姿势，不教答案（2024至今） 以DeepSeek R1为代表的新范式：SFT阶段不再教AI怎么解题，只教它"把答案写在花括号里"这种格式要求。类比：只教天才怎么填答题卡，不告诉他选A还是选B 为什么？因为人类的解题思路反而会成为天才的负担。你教他高中数学的做法，他可能用微积分一步就解出来了 真正的学习全部发生在RL阶段：AI自己做题、自己验证、自己进化。人类只提供题目和判分规则 这是AI第一次真正有可能超越所有人类专家。The Bitter Lesson（苦涩的教训）的完美印证：少干预，多放手，让算力和数据自己说话 二、Coding为什么是通往AGI的钥匙？ Coding不是目的，是Agent能力的最佳近似（best proxy） 你不能直接训练Agent，但可以通过Coding训练Agent能力 把任何问题转化为Coding Problem = 吃到未来两年AI红利 视频剪辑（Remotion）、UI设计（Pencil）、数据分析都可以被Coding表达 100%效率提升 → 用工具；1000%效率提升 → 围绕工具重构工作流 三、为什么Anthropic一直领先？各家差距在哪？ 研究员视角拆解三大壁垒： 壁垒一：Pre-training（科学问题，Scaling Law需要慢慢做，急不来） 壁垒二：数据质量（Moving Target，今天有用的数据明天就太简单了） 壁垒三：Evaluation（Superhuman能力怎么测？SWE-bench已经失效） Anthropic数据飞轮的真正含义：不是直接用用户数据，而是从用户行为中提取North Star Codex + GPT 5.4 vs Claude Opus：Opus是组里不说话的大神，Codex是最后抢功的TL Google的护城河：人才密度、现金流、芯片到算法的垂直整合 四、Harness会消失吗？Agent的终局在哪？ 三层模型：Foundation Model → Harness → Environment Harness = 脚手架（context压缩、任务续接、to-do维护、early termination） 暴论：Harness是过渡产物，中间层会越来越薄，被两端吃掉 模型变强吸收上层，大厂API吸收下层（memory、compaction最终会被内置） OpenClaw的两大洞察：无限Environment + Agent Identity（24/7持续存在的智能体，而非用完即弃的Ghost Intelligence） 五、创业者该怎么选方向？ 第一步：用第一性原理预测未来3-6个月，不要用后验经验 第二步：想清楚不变的商业规律——Brand、Scale、Network Effect、Embedding "When everything changes, nothing changes" 两个最看好的方向：Agent Environment（造路和桥）、Agent Identity（IAM第四层） 不要站在基座模型对立面：不做"模型不够好所以我来补"的生意 Build for a beautiful future model：假设模型更强更便宜时，你的产品是否依然有价值 不要有Producer Illusion：iPhone已经来了，别想着造iOS，去造App --- 🎤 主播与嘉宾 AI-Nate｜硅谷AI工程师，18周打造18个AI Agent产品，AI课程导师 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 Warren Chen｜前Google DeepMind资深研究员，Coding Agent方向，现创业中，LinkedIn链接：https://www.linkedin.com/in/chenweilunster/ --- 🔗 相关资源 DeepSeek R1论文：deepseek.com Remotion（用React写视频剪辑）：remotion.dev 上期回顾（EP03）：龙虾潮背后Skill经济的崛起-饥饿游戏或成现实！ EP02回顾：深度拆解Anthropic：一个物理系学生如何造出硅谷最危险的AI公司（小宇宙爆款） --- ⏱️ 时间戳 00:00 开场 & 嘉宾介绍：前Google DeepMind研究员Warren 00:43 英伟达GTC大会背景 & 本期主题 02:35 第一阶段：Pre-training + SFT + RLHF，大模型训练的经典三步 06:30 RLHF详解：人类打分的Reward Model是怎么工作的 08:48 RLHF的天花板：人类反馈永远无法训练出Superhuman 10:14 第二阶段：从RLHF到RLVF，数学领域的突破 13:00 两条分叉路径：Coding Reward + Chain-of-Thought 15:33 Chain-of-Thought：从prompt技巧到模型内生能力 18:00 Coding + CoT正交融合 → Coding Agent大爆发 19:33 第三阶段：Seed Not Teach，Mid-Training范式革命 22:00 DeepSeek R1案例：只教格式，不教内容 26:00 培养天才的方法论：不要用普通学生的套路 29:26 The Bitter Lesson的完美印证 31:30 研究员现在关注什么？更好的习题 + 更好的评估 33:00 Anthropic为什么能持续领先？数据飞轮的真正含义 39:00 把任何问题转化为Coding Problem = 吃到AI红利 43:00 实例：Remotion用React写视频剪辑 46:00 100% vs 1000%效率提升：用工具 vs 围绕工具建工作流 48:00 大模型竞争格局：各家在Coding上你追我赶 49:30 Coding不是目的，是通往Agent能力的最佳近似 50:50 为什么道理都懂却过不好？三大壁垒解析 51:00 壁垒一：Pre-training是科学+工程问题，急不来 55:00 壁垒二：数据质量是Moving Target 58:00 壁垒三：Evaluation——Superhuman能力怎么测？ 59:00 SWE-bench的局限性 & IDE范式 vs Agent范式 1:01:00 Codex + GPT 5.4 vs Opus：哪个才是最强Coding模型？ 1:04:30 OpenAI = Mid-Training纯粹派，Anthropic = SFT精修派 1:07:00 Harness是什么？Foundation Model → Harness → Environment 1:15:00 Harness实例：任务续接、Context压缩、To-do维护 1:18:00 暴论：Harness是过渡产物，中间层会消失 1:22:00 Environment才是终局：谁控制环境，谁控制Agent 1:24:00 OpenClaw的核心洞察：Environment + Agent Identity 1:26:00 IAM第四层：Agent不应该用人类的身份体系 1:28:00 产品应该给Agent用，不是给人用——Token消耗量10-100倍 1:30:00 创业两步走：第一性原理 + 不变的商业规律 1:33:00 "When everything changes, nothing changes" 1:36:00 不要站在基座模型的对立面 1:38:00 Build for a beautiful future model 1:42:00 快问快答：每天用什么AI工具？推荐论文？入行建议？ 1:44:30 收尾 & 感谢 --- 📮 联系我们 播客主页：https://ai-nate.com/podcast/ (附视频版地址) 播客邮箱：[email protected] 欢迎评论区留言交流，转发支持！ --- 🎙️ 「硅谷观察局」亲友群开放啦！ 听了这么多期，是不是有时候想跟我们聊几句？ 💬 和Nathan、Siky直接交流讨论 🎯 告诉我们下期你想听什么话题 我们群里见！ --- 🎁 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：Live Build: Ship an AI Agent on Kimi K3

🎙️ 硅谷洞察局 EP03 | 前Google工程师：一个人用AI写500万行代码后，我发现程序员的新货币变了 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 全民养虾潮席卷中国——腾讯百度搞活动，退休老人排长队装龙虾，Kimi两周收入超过去一年。OpenClaw（龙虾）到底是什么？它为什么比DeepSeek还火？ 本期节目，Nate和Siky邀请前Google工程师、二次创业者CJ，从龙虾热潮的本质、AI平权的幻觉、Skills经济的崛起三个维度，深度拆解这场席卷中美的AI Agent革命。 --- 🗂️ 内容大纲 一、龙虾热潮全景：到底发生了什么？ OpenClaw在中国的爆发路径：从程序员圈子到全民养虾 龙虾盒子 vs 云端龙虾：一个是智商税，一个方向很对 Kimi两周收入超过去一年——云端虚拟机的暴利生意 飞书意外成为最大受益者：开放API的长期回报 IM是所有东西的入口：不管做什么，最后都得连到手机上 二、龙虾的本质：Agent不再是房产经纪人 在龙虾之前，Agent = Coding Agent（一个for循环调大模型） OpenClaw指明了方向：让所有人知道Agent长什么样 类比DeepSeek：开源打开新范式，一个在模型层，一个在Agent层 马化腾宣布5-6个龙虾产品即将上线 三、真实养虾故事：从炒股到教妈妈 Nathan让妈妈养虾——她真以为要用AI养虾🦐 CJ朋友：亚马逊卖家兴奋到凌晨2点，把AI当工作buddy Nathan用龙虾炒股：Paper mode第一天赚$30 龙虾的情绪价值：看两只虾打架的老板式成就感 四、灵魂拷问：AI到底让谁平权了？ Siky观点：在科技圈内被高度平权 Nathan观点：极度不平权——你从1到10，有人从1到10000 顶尖程序员也不写代码了，差别只剩"你会不会说话" Anthropic付费加速 = 用钱买intelligence Sam Altman两年前就说了：政府要向AI公司征税，实现UBI 五、Skills：最近几年最伟大的发明之一 SaaS → Skills as a Service：不是卖工具，是卖结果 炒股Skill的悖论：好Skill永远不该分享（教会徒弟饿死师傅） Excel将被彻底吃掉：VLOOKUP再也没有人学了 Skill做生意可以，做大公司很难 红杉洪山："Skill is the new software" 六、Harness > Model：别再争哪个模型好了 Harness概念：给模型画个圈，达到条件才能出来 同样的模型 + 不同的Harness = 完全不同的结果 员工把锅推给大模型？其实是Harness没做好 企业龙虾的核心问题：权限隔离（CEO龙虾 vs 员工龙虾） 七、IDE之死与Anthropic的飞轮 Cursor还用吗？"卸了。" Anthropic的数据飞轮：Coding产品产出高质量结构化训练数据 人类历史从未发生：一个流程在半年内被彻底改变 Go语言创始人Rob Pike都投降了 八、前沿思考：当一切都不重要了 公司在找Superhuman：一个人做四个人的活，其余被裁 Jeffrey Hinton的警告：大模型之父远离人群 同理心成为最重要的能力 当工作和金钱不再重要，活着的意义是什么？ CJ："去经历。Follow内心最深处最想做的事。" --- 🎤 主播 AI-Nate｜硅谷AI工程师，18周打造18个AI Agent产品，AI课程导师 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 🎤 本期嘉宾 CJ｜北大计算机系，前Google工程师，创业项目被快手收购，现硅谷二次创业。Claude Code重度用户，AI辅助写了500万行代码。 --- ⏱️ 时间戳 00:00 开场 & 嘉宾CJ介绍 01:36 龙虾潮到底是什么？中国比硅谷更疯狂 03:00 CJ回顾龙虾一个月的发展脉络 04:09 龙虾盒子：淘宝预装机，装上龙虾价格翻倍 05:09 云端龙虾：Kimi、MiniMax卖云端虚拟机 05:53 Kimi两周收入超过去一年 💰 06:22 CJ直言：龙虾盒子大概率是智商税 06:56 本地 vs 盒子 vs 云端（微信扫码、小红书反爬） 08:17 本质是个人生产力Agent 09:19 Agent定义被滥用——在湾区大家以为是房产经纪人 10:14 CJ：所有Agent本质都是Coding Agent 11:27 龙虾最大的作用：让所有人知道Agent长什么样 11:44 类比DeepSeek：开源指路 12:53 OpenClaw的Channel概念 13:26 飞书意外成为最大受益者 15:33 IM是所有东西的入口 17:09 马化腾宣布5-6个龙虾产品 17:33 Nathan让妈妈养虾的翻车故事 🦐 18:28 CJ朋友：亚马逊卖家兴奋到凌晨2点 21:12 Nathan让龙虾炒股（Paper mode赚$30） 22:46 龙虾的情绪价值：看两只虾打架的成就感 23:33 CJ为什么不用龙虾？ 24:20 龙虾 = Claude Code的Consumer版 27:58 灵魂拷问：AI让世界更平还是更不平？ 29:58 Nathan：非常不平权 31:17 你从1到10，有人从1到10000 33:33 差别只剩"你会不会说话" 35:59 Anthropic付费加速 = 用钱买intelligence 36:56 Sam Altman：政府要向AI公司征税 → UBI 37:27 龙虾会昙花一现吗？ 39:33 创业方向讨论 41:03 Skills = 你最大的资产 43:33 炒股Skill的悖论：好Skill不能分享 46:33 Excel将被Coding Agent吃掉 48:16 没有人再学VLOOKUP了 50:33 Skill做生意 vs 做大公司 52:28 Harness概念：给模型画个圈 54:50 重点在Harness，不在模型 57:33 CJ的创业：给公司养多只龙虾 59:33 企业龙虾 vs 个人龙虾：权限是关键 1:02:33 红杉洪山："Skill is the new software" 1:04:33 Anthropic的数据飞轮 1:06:33 Cursor还用吗？"卸了。" 1:08:33 人类历史上从未发生：半年改变一个流程 1:10:33 Go语言创始人Rob Pike投降 1:14:33 饥饿游戏：公司找Superhuman 1:17:33 Jeffrey Hinton的警告 1:22:33 给下一代的建议 1:24:04 同理心是最重要的能力 1:28:30 活着的意义 1:31:33 CJ：去经历 1:33:33 总结与结束 --- 🔗 相关资源 OpenClaw官方：https://github.com/openclaw/openclaw 上期回顾（EP02）：Anthropic深度拆解——一个物理系学生如何造出硅谷最危险的AI公司 --- 📮 联系我们 播客邮箱：[email protected] 欢迎评论区留言交流，转发支持！ --- 🎙️ 「硅谷观察局」亲友群开放啦！ 听了这么多期，是不是有时候想跟我们聊几句？ 我们开了一个听友微信群，欢迎你来： 💬 和Nathan、Siky直接交流讨论 🎯 告诉我们下期你想听什么话题 🎬 了解录制背后那些没播出来的趣事和翻车现场 🤝 认识同样关注AI和硅谷动态的朋友们 👉 前200名直接扫码加群（见图片） 我们群里见！ --- 🎁 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：Live Build: Ship an AI Agent on Kimi K3

🎙️ 硅谷洞察局 EP02 | Anthropic深度拆解：一个物理系学生如何造出硅谷最危险的AI公司 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 过去两周，Anthropic站上了全球风口浪尖——CEO Dario Amodei公开拒绝五角大楼的AI使用条款，特朗普随即威胁将其列入政府禁用名单。这家成立仅4年、年营收已达200亿美金的AI公司，到底是什么来头？ 本期节目，Nate和Siky从产品矩阵、创始人生平、技术实力、公司文化四个维度，深度拆解Anthropic——一家让硅谷开发者和华尔街同时震动的AI公司。 --- 🗂️ 内容大纲 一、Anthropic是谁？核心产品梳理 Claude AI（对话）、Claude Code（编程）、Cowork（知识工作者）三大产品线 从Research Lab到ToB/ToD的商业化路径 Co-worker如何撼动SaaS行业 Opus、Sonnet、Haiku三款模型命名背后的艺术隐喻 二、五角大楼事件：到底发生了什么？ 美国军方选中Anthropic的来龙去脉 Dario坚守的两条红线：拒绝大规模监控（Mass Surveillance）、拒绝全自动武器部署 特朗普政府的强势回应与潜在影响 "甲方爸爸"翻脸——合情合理还是过度理想？ 三、灵魂人物：Dario Amodei的非典型AI之路 物理学出身，非计算机科班 父亲早逝 → 五年攻克罕见疾病（治愈率50%→95%） 从百度超级实验室（吴恩达团队）入行AI Google → OpenAI VP of Research → 创立Anthropic 理想主义者 vs 商人：AI安全宪章的由来 四、为什么Claude模型这么强？开发者视角深度体感 Opus 4.6 vs GPT 5.3：真实切换对比 不只是写代码——System Design级别的推理能力 模型的"个性"与"Taste"：不讨好用户，会Challenge你 AI训练AI：Synthetic Data与自我迭代的加速飞轮 Benchmark ≠ 体感：为什么跑分不等于好用 五、Anthropic的公司文化与护城河 一周开会不超过2小时，极度放权 核心团队极其稳定——走的人少，去的人多 Constitutional AI作为旗帜吸引同频人才 开发者与专业用户的高质量反馈数据壁垒 六、前沿思考：AI的下一步在哪？ Chain of Thought的局限性 大胆设想：能否让模型权重（Weights）在推理时动态变化？ 当模型不知道自己知道——第四层认知能力的涌现 Scaling Law还在成立吗？Dario说"远没到边界" --- 🎤 主播 AI-Nate｜硅谷AI工程师，18周打造18个AI Agent产品，AI课程导师 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 --- 🔗 相关资源 Anthropic官网：anthropic.com Claude产品体验：claude.ai Constitutional AI论文：Anthropic官方博客 上期回顾（EP01）：Vibe Coding 生存指南：一个人指挥20个AI，淘汰的不是程序员，是不会用AI的人 --- ⏱️ 时间戳 00:00 开场 & 本期主题预告 00:30 Anthropic与五角大楼事件概述 03:30 Anthropic公司与产品介绍（Claude AI / Code / Co-worker） 07:00 Co-worker vs Claude Code的区别 11:00 Opus / Sonnet / Haiku模型解析 13:00 五角大楼事件详细梳理 18:00 Dario的两条红线：大规模监控 & 全自动武器 22:00 公众理解 vs 事实真相 24:30 Dario Amodei生平：物理学 → 医学 → AI 30:00 百度超级实验室：AI生涯起点 34:00 从OpenAI出走到创立Anthropic 37:00 为什么Anthropic人才极其稳定？ 41:00 Nate探访Anthropic办公室的体感 44:30 开发者深度体感：Opus 4.6为何最强 50:00 GPT 5.4发布对标分析 53:00 Benchmark vs 体感：为什么跑分不代表好用 55:00 Claude模型的推理与System Design能力 59:00 AI训练AI：自我迭代的飞轮 1:03:00 AI模拟用户做PMF验证的实验 1:07:00 律师案例：专业人士反馈对模型的价值 1:11:00 前沿思考：权重动态变化与AGI 1:17:00 总结与展望 --- 📮 联系我们 播客邮箱：[email protected] 欢迎评论区留言交流，转发支持！ --- 🎙️ 「硅谷观察局」亲友群开放啦！ 听了这么多期，是不是有时候想跟我们聊几句？ 我们开了一个听友微信群，欢迎你来： 💬 和Nathan、Siky直接交流讨论 🎯 告诉我们下期你想听什么话题 🎬 了解录制背后那些没播出来的趣事和翻车现场 🤝 认识同样关注AI和硅谷动态的朋友们 👉 前200名直接扫码加群（见图片） 我们群里见！ --- 🎁 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：Live Build: Ship an AI Agent on Kimi K3