课代表立正 - 节目列表

完整版1小时50分钟：https://youtu.be/BseWUBpOHY4 2017—2018 年，当不少出资人还把 AI 看成“不靠谱、太烧钱”的赛道，周楠参与筹备的一支 AI 基金，待投项目里已经有 OpenAI、Databricks 和 Cerebras。基金最终没有募成，这些机会也就这样错过。在那前后，她早期投资了 Cerebras；几年后，又参与了 Scale AI 投资。她由此形成了一条很硬的投资纪律：一定要在共识形成之前下注；等所有人都看懂，往往只剩更高的价格和更小的空间。 但“在共识之前看见”并不等于凭感觉押注。周楠会看非常具体的信号：为什么八十多位创始工程师、六十多位博士愿意再次追随 Cerebras 创始人；自动驾驶退潮之后，Scale AI 如何迅速转向公共部门；Alexander Wang 又如何用一段 28 分钟的视频，把公司的历史、客户迭代与未来愿景讲清楚。所谓投资直觉，背后其实是对工程、市场、团队和执行风险的一层层拆解。 这期对话也回答了几个创业者更直接的问题：技术团队很强，为什么 VC 可能五分钟就决定不投？AI Agent 即使能赚钱，为什么仍未必是一家适合风险投资的公司？垂直数据不再天然构成优势之后，真正的机会为什么更可能藏在完整、复杂、高价值的工作流里？机器人怎样跨过 Demo、部署、数据闭环与 ROI 之间的鸿沟？以及大厂技术人创业，最容易犯的三个错误是什么？ 嘉宾： 周楠：硅谷科技投资人。录制本期时任高通创投投资合伙人；曾在百度从事 AI 与芯片投资，是 Cerebras 早期投资人，并参与 Scale AI 投资。 章节： 00:00 精彩预告 00:47 为什么共识形成以后再下注已经太晚 04:49 基金规模如何决定投资打法 06:43 十年前注意到 Scale AI，为什么没有立刻投 10:30 Scale AI 如何穿越自动驾驶退潮 14:48 Cerebras：Transformer 之前的算力下注 20:38 投资直觉如何经由风险拆解验证 22:32 什么才是足够大、足够难的问题 25:31 技术很强，为什么 VC 五分钟就会拒绝 30:09 OpenAI、Databricks 与那支没募成的基金 36:53 垂直 Agent 真正还剩什么机会 39:15 Physical AI：Demo、部署与数据闭环 42:32 Token 如何改写硬件商业模式 44:40 能赚钱的产品，为什么未必值得 VC 投 45:35 从 Demo 到量产：什么是“暂时的 PMF” 47:12 这一轮 AI 接近收割，下一个周期在哪里 52:44 为什么正确的建议也可能毫无用处 55:26 大厂技术人创业的三个误区 57:48 什么样的创始人真正 coachable 59:42 不追热点，AI 时代谁不容易被淘汰 1:00:41 现在还该创业吗？一定要拿 VC 钱吗 1:01:50 怎样讲出能打动一线 VC 的故事 #AI投资 #创业 #风险投资 #OpenAI #ScaleAI 欢迎加入我创办的AI社区「超线性学院」，里面已经有两万多AI Builders，700多个项目。在里面，你能看到最新的技术进展，和不同背景的人如何用AI解决自己的问题。我在腾讯、美团、小红书等公司的企业培训，在社区里也可以免费看。 访问 https://www.superlinear.academy，或搜索App超线性学院。

假设检验详解（Hypothesis Testing Explained）：从第一性原理理解Alpha（α）、Beta（β）、统计功效（Power）、MDE、标准误与样本量。视频为英文讲解，已提供简体中文字幕；内容也涵盖原假设/备择假设、第一类/第二类错误与临界值。 中文技术伴读（含公式、视频截图与常见误解）： https://www.superlinear.academy/c/posts/hypothesis-testing-alpha-beta-power-mde 【为什么重新上传】 这期视频最早由我和Statsig数据科学团队在2024年共同制作，并发布在Statsig的YouTube频道。后来Statsig不再使用那个频道，原视频也不再在线，所以我把最终版本重新上传到自己的频道，方便需要的人继续观看。 Hypothesis testing explained visually and from first principles: null and alternative hypotheses, standard error, Type I and Type II errors, alpha, beta, statistical power, minimum detectable effect (MDE), critical values, and sample size. Many textbooks blur Fisher’s significance testing with the Neyman–Pearson decision framework. This tutorial separates the two, then reconnects the concepts into one coherent experimental design. You’ll learn: • Null vs. alternative hypotheses • Standard deviation vs. standard error • Type I error, alpha, and critical values • Type II error, beta, and statistical power • How sample size changes power and MDE • Minimum Detectable Effect (MDE) • Common misconceptions about p-values and “accepting” H₀ This video was originally produced with the Statsig data science team in 2024 and refined through six versions. 00:00 Why hypothesis testing matters 02:46 H₀, alpha, and the critical value 06:41 H₁, beta, and statistical power 09:26 Statistical power in three views 11:23 MDE, standard error, and sample size 14:26 Common misconceptions and practical takeaways 15:41 Conclusion Presented by Yuzheng Sun, PhD.

完整版+文字解读：https://www.superlinear.academy/c/recording/wanglu 如果 AI 不会真正地痛苦，它就谈不上“成佛”；如果钱已经够了，我们仍然放不下成功，真正驱动我们的可能也不是钱。 这两个看似很远的问题，在这场对话里被王路用“无我”和“应无所住”串到了一起。在他看来，AI 是否可能成为佛教所说的“有情”，要看它是否拥有无法无损复制的经验和真实的痛苦；而人能否看清自己对成功的不甘，则要先分清收入、流量、title 等代理指标，与被认可、被尊重或创造价值这些更深层的需求。 我们从经、律、论和阿毗达磨讲起，梳理部派佛教、大乘、中观、唯识、如来藏与禅宗之间的关系，也追问：大乘经典即使并非佛陀的逐字原话，为什么仍可能延续了他没有被充分写下的精神？“应无所住”为什么不是把心擦成一面干净的镜子，而是不要把持续变化的人和世界钉死在某一个切片上？ 讨论也落到了一些很具体的生活问题：普通人读《金刚经》到底有什么用；轮回如何作为一种无法证伪、却能改变行为的叙事；禅修为什么不应该以“灵魂出体”等特殊体验作为进步的标准；把商业包装成“发愿”会给自己带来什么问题；以及简历、人设和个人品牌如何既帮助传播，也可能把变化中的人固定成一个标签。 嘉宾： 王路：学者、作者，得到《金刚经》课程主讲人；长期写作佛教议题，主要研究说一切有部阿毗达磨。 章节： 00:00 精彩预告与嘉宾介绍 01:19 阿毗达磨与佛教谱系：大乘如何继续解释佛陀 13:52 “应无所住”：不要把变化中的世界定格 21:28 普通人读《金刚经》有什么用 24:37 唯识、AI 意识与“有情”的边界 30:00 阿罗汉、涅槃与人为什么需要宗教 35:26 禅修为何不该追求特殊体验 42:46 法布施、发愿与人的混合动机 50:58 标签、人设与“凡所有相皆是虚妄” 59:29 内卷、成功焦虑与真正的需求 欢迎加入我创办的AI社区「超线性学院」，里面已经有两万多AI Builders，700多个项目。我在腾讯、美团、小红书等公司的企业培训，在社区里也可以免费看。 访问 https://www.superlinear.academy/，或下载App：超线性学院。 频道周边：https://shop.lizheng.ai/

AIE 与热闹的大型科技展有什么不同？这场 AI Engineer 大会要求一线团队用短 Keynote 和真实 Demo 讲清楚已经做出了什么。主播从旧金山 World’s Fair 现场出发，也解释为什么决定把它带到上海。 适合 AI 工程师、研究者、技术创业者和正在判断行业方向的人，帮助你了解中美 AI 团队在开源模型、AI Infra、Agent 与 Physical AI 上有哪些不同实践，以及 AIE 上海想连接哪些人。 这期你会听到 • 为什么主播没有去 CES，却认为 AIE 能持续带来认知更新？ • 短 Keynote、真实 Demo 和一线从业者，如何形成 AIE 的工程师文化？ • 中国开源模型受到全球关注后，中美 AI 生态为什么更需要直接交流？ • Cursor、Ollama、Pydantic、Daytona 与中国模型团队将带来哪些实践视角？ • AIE 如何从技术社区聚会成长为全球大会，上海站又会聚焦哪些主题？ 章节 00:00 — 我为什么不去 CES，却来到 AIE 00:19 — AIE 有何不同：短 Keynote、真 Demo 01:45 — AI Engineer 大会首次来到中国 02:33 — 为什么要连接中美 AI 生态 03:03 — 上海站有哪些参与团队 03:50 — AIE 如何从技术社区走向全球 04:33 — OpenAI Jason：从第一届一路看到今天 05:24 — MiniMax：用户会在现场给什么反馈 05:51 — 上海站主题与参与方式 相关内容 观看本期视频版 阅读本期文字稿 AIE Shanghai 2026 时间：2026 年 11 月 5–6 日 地点：上海虹桥希尔顿 活动详情、报名、演讲与赞助申请： https://www.ai.engineer/shanghai/2026 加入Superlinear Academy免费社区 带上正在开发的 AI 产品、基础设施或真实 Demo，和一线 Builder 交流具体问题与实践。 https://www.superlinear.academy/ 关于主播与节目 孙煜征（课代表立正），康奈尔大学经济学博士、Superlinear Academy创始人。曾任Amazon经济学家、Meta数据科学家和腾讯IEG副总监，也是OpenAI收购团队早期成员。 《课代表立正》关注AI如何改变工作、职业与商业，以及人在变化中最需要保留的判断力。

ChatGPT、Claude Code 和自动化工作流能提高效率，却不会自动创造收入。主播以已有 3000 多名付费学员的课程为例说明：好产品仍不会自动卖出去。要经营可持续的超级个体，顺序应是先找到有价值的产品，再解决销售，最后才用 AI 加速兑现。 适合准备从专业人士转向创业者，或已经在经营个人业务的人，帮助你判断当前瓶颈究竟在产品、销售还是效率，并避免用追逐工具代替市场验证。 这期你会听到 • 为什么产品决定价值与理论天花板，销售却决定业务实际能做多大？ • 产品、销售和效率为何需要采用不同的迭代周期？ • 从一对一咨询走向标准化产品时，哪些核心洞察应当保留？ • 为什么效率只能改变兑现速度，不能拯救没有需求的产品？ • 面对不确定性，创业者思维与好学生思维有什么区别？ 章节 00:00 — 为什么要重新审视“超级个体” 01:13 — 从好学生思维转向创业者思维 01:56 — 识别照做就能成功的确定性陷阱 05:25 — 销售决定 One Person Company 的上限 10:11 — 产品、销售、效率及其不同迭代周期 11:56 — 产品可变，核心洞察要持续深化 15:48 — 从一对一咨询到标准化产品 18:01 — 效率影响增速，不决定天花板 19:15 — AI 操作系统不等于某款工具 相关内容 观看本期视频版 阅读本期文字稿 加入Superlinear Academy免费社区 先写下当前业务最卡的是产品、销售还是效率，再带着一个真实案例拆解瓶颈。 https://www.superlinear.academy/ 关于主播与节目 孙煜征（课代表立正），康奈尔大学经济学博士、Superlinear Academy创始人。曾任Amazon经济学家、Meta数据科学家和腾讯IEG副总监，也是OpenAI收购团队早期成员。 《课代表立正》关注AI如何改变工作、职业与商业，以及人在变化中最需要保留的判断力。

The Tech Roast Show 把对独角兽、高薪和大厂文化的吐槽做成七位数生意，但三位主创没有把辞职包装成勇气故事：微软时期积累的副业、住父母家、Airbnb 收入与政府补助，都是这笔账不可省略的条件。 适合想离开大厂、经营创作事业或组建小团队的人，帮助你诚实核算现金流、支持系统与练习周期，而不是只看成功后的结果。 这期你会听到 • 四个平等合伙人、三名全职员工和十到二十个长期协作者，怎样撑起七位数生意？ • Austin 在微软工作的阶段，为辞职提前铺设了哪些副业条件？ • Jesse 与 Nikita 如何用不同方式降低长期练习的生活成本？ • 为什么房产、Airbnb、家庭支持与政府补助必须纳入辞职叙事？ • 恐惧、喜剧社群与舞台即时反馈，如何把热爱推向持续行动？ 章节 00:00 — 把科技吐槽经营成七位数生意 01:16 — 软件工作与喜剧工作的稳定性 02:12 — 四个合伙人与三名全职员工 03:56 — 印度巡演背后的协作网络与公司化 05:31 — 微软副业与四万美元补助：辞职前的风险缓冲 06:37 — Jesse 与 Nikita 的低成本练习期 07:37 — 诚实核算辞职背后的特权 08:34 — 恐惧、社群与即时反馈 本期嘉宾 Austin、Jesse 和 Nikita 是 The Tech Roast Show 的三位主创。Austin 从微软转向演出，Jesse 经历长期低成本生活，Nikita 则从 VR 游戏开发转向用非母语讲脱口秀。 相关内容 观看本期视频版 阅读本期文字稿 加入Superlinear Academy免费社区 带来把创作变成生意的现金流测算，连同支持条件与协作成本，请大家检查风险缓冲。 https://www.superlinear.academy/ 关于主播与节目 孙煜征（课代表立正），康奈尔大学经济学博士、Superlinear Academy创始人。曾任Amazon经济学家、Meta数据科学家和腾讯IEG副总监，也是OpenAI收购团队早期成员。 《课代表立正》关注AI如何改变工作、职业与商业，以及人在变化中最需要保留的判断力。

AI 降低了投递成本，却没有降低判断成本：求职者批量申请，招聘方则被相似简历淹没。Ethan 表示，录制时 Jobright 以不到 10 名全职员工服务 200 多万注册用户，ARR 约 700 万美元。本期从平台和求职者两端拆解这场“双向噪音”。 适合 New Grad、H-1B 求职者、转行者、Mid-to-Senior，以及在做招聘产品的 Founder，帮助你选择投递策略，并理解 AI-native 人才、产品壁垒和 distribution。 这期你会听到 • 为什么“海投还是精投”不是适用于所有求职者的二选一？ • 企业需要的 AI-native 人才，为什么必须用领域判断完成 close the loop？ • H-1B Filter 如何从用户访谈中长出来，并回应真实求职压力？ • 实时职位数据和个性化推荐为何比单纯改简历更接近 Jobright 的产品壁垒？ • AI 降低开发成本后，Founder 为什么仍要亲自理解用户并做 distribution？ 章节 00:00 — AI 招聘市场的核心矛盾 01:12 — Ethan、Carina 与 Jobright 03:15 — 不到 10 人服务 200 多万用户，ARR 约 700 万美元 05:15 — 招聘为何陷入“双向噪音” 12:37 — 不同求职阶段需要不同策略 24:51 — AI-native 人才的判断与闭环 32:50 — Ethan 为什么首先不建议创业 43:23 — 用户访谈如何催生 H-1B Filter 60:27 — 收费、转化与 distribution 74:20 — 给求职者与创业者的建议 本期嘉宾 Ethan Zheng 是 Jobright 联合创始人兼 CTO，拥有机器学习与数据库博士背景，曾任 Twitter 机器学习工程师。Carina 录制时任 Expedia Data Scientist，分享了裁员与 H-1B 压力下的求职复盘。 相关内容 观看本期视频版 阅读本期文字稿 完整版131分钟： https://youtu.be/zrypqOaq3nM 加入Superlinear Academy免费社区 拿出正在使用的求职或招聘方案，附上筛选信号与噪音样本，请大家改进判断机制。 https://www.superlinear.academy/ 关于主播与节目 孙煜征（课代表立正），康奈尔大学经济学博士、Superlinear Academy创始人。曾任Amazon经济学家、Meta数据科学家和腾讯IEG副总监，也是OpenAI收购团队早期成员。 《课代表立正》关注AI如何改变工作、职业与商业，以及人在变化中最需要保留的判断力。

标题里的“豆包还是 Codex”不是产品跑分，而是聊天式工具与 agentic 工具两种工作方式的对比：前者多在对话里给答案，后者能调用文件、代码和工作流，连续完成一整段任务。真正的变化，是把目标而非零散问题交给 AI。 适合想突破聊天窗口、又担心自己没有编程背景的非技术用户，帮助你判断该从哪里开始，并把自然语言指令变成可重复执行的工作流。 这期你会听到 • Chat 与 agentic 工具在执行边界上有什么根本区别？ • Codex 如何串联音频转码、转录、高光提取与文档整理？ • 为什么换工具界面不够，工作流才决定生产力上限？ • Claude Code、Cursor 等工具如何减少人在各环节的反复介入？ • 非技术用户可以怎样安排一周练习，建立调度工具和算力的习惯？ 章节 00:00 — 成为 AI 高手的关键转变 01:00 — 聊天工具为何限制能力上限 02:00 — Chat 与 agentic 工具的差别 03:00 — 从视频后期到发布的完整工作流 06:00 — 工作流如何决定生产力上限 08:00 — 开始使用 Codex 等工具 10:00 — 非技术用户的一周练习 12:00 — 像学游泳一样进入真实实践 相关内容 观看本期视频版 阅读本期文字稿 文章： https://www.superlinear.academy/c/ai-resources/stop-using-chatgpt 加入Superlinear Academy免费社区 带上想交给代理工具完成的完整目标、文件与验收条件，请大家拆解成可重复工作流。 https://www.superlinear.academy/ 关于主播与节目 孙煜征（课代表立正），康奈尔大学经济学博士、Superlinear Academy创始人。曾任Amazon经济学家、Meta数据科学家和腾讯IEG副总监，也是OpenAI收购团队早期成员。 《课代表立正》关注AI如何改变工作、职业与商业，以及人在变化中最需要保留的判断力。

模型像是给每个人配了 50 个博士级助手，多数人的工作却没有同步改变。徐老师用 TQ 解释人与模型能力之间的落差，并从 Agent、FDE 和产品逻辑出发，讨论个人与组织如何真正转向 AI 原生。 适合正在判断职业方向、设计组织结构或重做产品流程的人，帮助你区分工具使用与底层能力变化，并评估哪些工作值得交给 AI。 这期你会听到 • 为什么模型能力很强，个人的 TQ 却可能仍然很低？ • IQ 如何同时包含 intelligence 与 intensity，EQ 又为何需要考虑注意力？ • 为什么任务不应只在“找人还是用 Agent”之间选择，还要考虑多个 Agent 协作？ • 咨询顾问、设计师和运营如何转向 FDE 或 AI 原生从业者？ • 开发成本下降后，分发、用户与执行速度为什么会成为新的产品约束？ 章节 00:00 — AI 时代，职业选择该看什么 03:00 — 用 IQ、EQ 与 TQ 重估个人能力 06:00 — 为什么不是 100 个 Agent？ 12:00 — 训练 TQ，重写产品开发逻辑 17:00 — FDE 崛起如何改变职业选择 23:00 — AI 原生一代应该培养什么 28:00 — 一人公司与扁平化组织 34:00 — 白领适应 AI 的窗口正在缩短 38:00 — 把 AI 当作团队成员 40:00 — FDE、用脑卫生与创始人心态 本期嘉宾 徐老师现任 Gen 首席 AI 与创新官，负责 AI 原生浏览器 Norton Neo；早年曾在 VMware 从零搭建网络团队。本期他聚焦 AI 原生从业者的能力、职业与组织选择。 相关内容 观看本期视频版 阅读本期文字稿 加入Superlinear Academy免费社区 列出当前仍由人完成的认知任务，带上质量要求与组织约束，请大家判断哪些值得交给智能工具。 https://www.superlinear.academy/ 关于主播与节目 孙煜征（课代表立正），康奈尔大学经济学博士、Superlinear Academy创始人。曾任Amazon经济学家、Meta数据科学家和腾讯IEG副总监，也是OpenAI收购团队早期成员。 《课代表立正》关注AI如何改变工作、职业与商业，以及人在变化中最需要保留的判断力。

想靠一天的意志力推翻多年习惯，通常只会回到原点。所谓顺天改命，是让mindset与behavior逐步对齐，用长期行动改变未来概率，再进入一个把Builder式解决问题当作默认值的环境。 适合反复立目标却难以持续、正在学习AI或开发产品的人，帮助把自律焦虑改写成习惯积累、环境选择与下一步行动。 这期你会听到 • 为什么一次强烈行动很容易被原有mindset和behavior抵消？ • 怎样用持续练习把“遇到问题就打开Codex”变成Builder习惯？ • 为什么知行合一不是知道后立刻做到，而是长期改变每次选择的概率？ • 有效环境为何需要行动者、可见的成长阶梯与坦诚分享？ • 默认值与微小校准如何共同构成顺天改命的长期路径？ 章节 00:00 — “逆天改命”为何容易失败 01:00 — 把命理解为未来概率 04:00 — mindset如何塑造behavior与习惯 06:00 — 别高估一天，也别低估一年 08:00 — 环境如何重写默认值 12:00 — 行动阶梯与坦诚分享 16:00 — 用微小校准积累超线性增长 相关内容 观看本期视频版 阅读本期文字稿 加入Superlinear Academy免费社区 带来反复中断的目标和真实行动记录，和大家设计能逐步替代旧习惯的环境调整。 https://www.superlinear.academy/ 关于主播与节目 孙煜征（课代表立正），康奈尔大学经济学博士、Superlinear Academy创始人。曾任Amazon经济学家、Meta数据科学家和腾讯IEG副总监，也是OpenAI收购团队早期成员。 《课代表立正》关注AI如何改变工作、职业与商业，以及人在变化中最需要保留的判断力。

一个200人的养狗微信群、一家每月开团的买手店、每月一场总会满员的线下活动——以及过去一年仍然为负的净利润。Vera和粒粒把养两只大型犬积累的经验做成副业，这期不讲抽象的“从零到一”，而是拿她们的真实账单、用户和产品逐项判断：需求到底在哪里，什么应该先做，什么只是看起来像生意。 这期你会听到 • 用户真正需要的不是“更多商品”，而是有人替他判断什么值得信 • 为什么先给6个朋友打电话、当场收100元定金，比一百句口头支持更接近真实需求 • 怎样从用户已有支出倒推定价，一两千人的垂直社群为什么可能足以成为全职生意 • 产品只有30分时为什么就该launch，以及线下店为什么很容易成为一条昂贵的退路 章节 00:00 — 两个狗妈，两只70磅的doodle 02:05 — 这个副业过去一年的净利润是负的 03:22 — 想做一个爆款遛狗包，为什么被劝停 05:28 — 一个月在一只狗身上到底能花多少钱 11:35 — 一小时200元的私教课，训的其实是人 22:18 — 从狗妈到买手店：现在在做的三块生意 29:40 — 打6个电话、当场收100元定金，验证真实需求 32:40 — 从价值倒推定价，社群为什么是高性价比生意 36:52 — 做一个业务，最难的其实是增长 37:45 — 你只有两次机会，但产品30分就该launch 43:14 — 要不要开线下店 本期嘉宾 Vera是一名资深UX Designer，粒粒从事环境合规政策分析。两人在西雅图因为养同款大型犬认识，后来共同发起Lumitails（光尾物语），从doodle群发展出买手店、线下活动与播客。 相关内容 观看本期视频版 阅读本期文字稿 加入Superlinear Academy免费社区 如果你也在把自己的经验做成真实产品或副业，欢迎与2万+成员一起交流；社区里已有700+真实项目与实践分享： https://www.superlinear.academy/ 关于主播与节目 孙煜征（课代表立正），康奈尔大学经济学博士、Superlinear Academy创始人。曾任Amazon经济学家、Meta数据科学家和腾讯IEG副总监，也是OpenAI收购团队早期成员。 《课代表立正》关注AI如何改变工作、职业与商业，以及人在变化中最需要保留的判断力。

意识到生成式AI可能压缩知识工作的价值后，主播一度认真筹备回美国开餐馆，最终却走向知识付费。本期复盘这条转型路径，也直面内容商业化最难的部分：消费者购买前只能先判断信任。 适合想摆脱打工、尝试卖课或发展独立收入的人，帮助判断实体生意、ToC内容业务和ToB企业培训各自解决什么问题。 这期你会听到 • 为什么对知识工作的担忧，最初把选择推向开餐馆这样的实体生意？ • 放弃餐馆后，会员频道与课程如何成为知识付费的试验路径？ • 内容商业化中，为什么高质量课程在购买前难与精美包装拉开差距？ • 从ToC转向ToB，改变了客户需求、信任建立和交付方式的哪些部分？ • 企业培训的一线反馈如何反哺课程内容与后续业务选择？ 章节 00:00 — 从大厂打工转向知识付费 03:00 — 生成式AI与知识工作的倒计时 06:00 — 寻找公司之外的收入来源 07:00 — 为什么放弃去美国开餐馆 08:00 — 从会员频道走到课程迭代 11:00 — 卖课为何容易被误解 14:00 — 从ToC调整到ToB 17:00 — 企业需求如何反哺课程 20:00 — Superlinear APP与业务下一步 相关内容 观看本期视频版 阅读本期文字稿 加入Superlinear Academy免费社区 把你的独立收入设想带来，列出目标客户、交付方式与信任门槛，请大家检验商业假设。 https://www.superlinear.academy/ 关于主播与节目 孙煜征（课代表立正），康奈尔大学经济学博士、Superlinear Academy创始人。曾任Amazon经济学家、Meta数据科学家和腾讯IEG副总监，也是OpenAI收购团队早期成员。 《课代表立正》关注AI如何改变工作、职业与商业，以及人在变化中最需要保留的判断力。