即刻App年轻人的同好社区
下载
置顶🚀 零代码基础，做出你的爆款产品！
《AI编程蓝皮书》重磅发布
（刚刚我还赶紧把用AI帮老外起名的Case加进去）
没有技术背景？不会写代码？
照样能开发出自己的产品！
✨ 内容亮点：
· 4个实战案例完整拆解（持续更新）
· 手把手教你用 Windsurf+Coze 开发产品
· 从浏览器插件到小程序，从网页到公众号，全方位覆盖
· 获得智谱AI官方认证，可享6个月无限量API额度支持
💡 适合人群：
· 想做产品但不会编程的创业者
· 寻找副业机会的全职人士
· 对AI应用感兴趣的学习者
⚡️ AI时代，人人都能成为创造者
跟着蓝皮书，从0到1打造你的作品！
《AI编程蓝皮书》重磅发布
（刚刚我还赶紧把用AI帮老外起名的Case加进去）
没有技术背景？不会写代码？
照样能开发出自己的产品！
✨ 内容亮点：
· 4个实战案例完整拆解（持续更新）
· 手把手教你用 Windsurf+Coze 开发产品
· 从浏览器插件到小程序，从网页到公众号，全方位覆盖
· 获得智谱AI官方认证，可享6个月无限量API额度支持
💡 适合人群：
· 想做产品但不会编程的创业者
· 寻找副业机会的全职人士
· 对AI应用感兴趣的学习者
⚡️ AI时代，人人都能成为创造者
跟着蓝皮书，从0到1打造你的作品！
232 52158
20 人、零 PM、90 % 代码 AI 写：Palona 如何把 Google 级流程压缩 144 倍？
导读：在 Google，一次代码审查（Code Review）平均需要 1-2 天。而在湾区一家仅 20 人的 AI 创业公司 Palona AI，这个数字是 10 分钟——效率提升了 144 倍。他们是怎么做到的？答案简单粗暴：90% 的代码由 AI 完成，团队里甚至没有一个全职的产品经理（PM）。这不仅是工具的胜利，更是一场组织形态的底层革命。
一、主角登场：带回 Google “病历”的创业者
2023 年 4 月，前 Google 和 LinkedIn 工程师任川创立了 Palona AI。他没有带着大厂的光环，却带着一份清晰的“病历”——对传统科技巨头组织效率的深刻反思。
“传统大厂最大的问题就是分工太细，”任川在一次分享中提到，“一个功能从产品、设计、前端、后端到测试，链条过长，人和人之间的沟通成了最大的瓶颈。”
在 Google，一次代码审查（Code Review）流程走下来，平均耗时 1 到 2 天。这个在“古典互联网”时代被视为工程质量保证的“黄金标准”，在 AI 时代却显得无比笨重。
Palona AI 的业务是为美国的餐厅提供 AI 电话接线员，处理预订和咨询。这是一个需要快速响应市场、高频迭代的场景。“客户的餐厅电话可等不了我们 2 天的内部流程，”任川说。
核心困境：如何在资源有限的初创公司，实现远超行业巨头的迭代速度？
答案从创业第一天就已明确：必须彻底抛弃大厂的组织包袱，建立一个真正的 AI-Native（AI 原生）组织。
二、转折点：当 AI 成为默认员工
Palona AI 的革命，始于一个颠覆性的原则：默认所有研发工作由 AI 承担，人类工程师只在 AI 做不到的地方“补位”。
这与大多数公司“让 AI 辅助人”的思路完全相反。在 Palona，AI 不再是人的“副驾驶”，而是“主驾驶”，人是那个在旁边看着，偶尔扶一下方向盘的教练。
这个原则下，第一个被颠覆的就是代码审查流程。2023 年 6 月，公司成立仅两个月，他们就上线了全自动 AI 代码审查工具——CodeRabbit。
“我们是当时少数这么做的公司，”任川回忆，“风险很大，但收益更高。”
传统流程中，工程师写完代码，需要排队等待资深同事 review。而在 Palona，代码提交后，CodeRabbit 会在 10 分钟内自动完成审查。只要 AI “点头”，代码就可以直接合并进入生产环境。
“如果线上出了 Bug 怎么办？”
“很简单，1 分钟内回滚，或者直接在线上修复，”任川解释道，“因为下一次修复也只需要 10 分钟。当你的迭代成本足够低时，风险就变得可以接受。”
就这样，一个困扰行业巨头多年的效率枷锁，被一个简单的逻辑转换轻松解开。
三、AI 工作流拆解：144 倍效率的秘密
Palona 的高效并非只靠一个环节，而是一套完整的 AI 驱动工作流。
第一步：代码生成（Linear → Devin → Claude Code）
工作流程始于任务管理工具 Linear。一旦创建任务，可以直接指派给 AI 编程工具 Devin。Devin 会自动创建代码分支、编写代码、生成测试用例。整个过程，工程师甚至不需要打开自己的代码编辑器。对于更复杂的逻辑，团队会使用 Claude Code 进行二次开发和优化，因为其强大的上下文理解能力和 SDK 支持。
结果：90% 的代码由 AI 生成，工程师的角色从“码农”转变为“代码指挥官”。
第二步：代码评审（CodeRabbit 10 分钟搞定）
如前所述，CodeRabbit 承担了 100% 的审查工作。它不仅检查代码风格和潜在 Bug，还能根据项目文档理解业务逻辑，判断代码是否完整实现了需求。
结果：Code Review 时间从 Google 的平均 1-2 天压缩至 10 分钟。
第三步：监控与运维（Incident.io，零 SRE）
在监控端，Palona 使用 Incident.io。这个工具能自动汇集所有云服务和应用的日志，通过 AI 进行分析，主动预警，甚至在事故发生后给出分析报告。
结果：约 40%-50% 的运维工作被自动化，公司至今没有设立一个 SRE（网站可靠性工程师）岗位。
第四步：产品设计（工程师 → 60 分原型 → 设计师）
Palona 团队没有全职 PM。工程师在理解客户需求后，会直接使用 AI 工具（如 Midjourney 或各类 UI 生成工具）快速生成一个“60 分”的产品原型并直接上线。然后，专业的设计师再介入，将其优化到 80 分、90 分。
结果：“先上线，再优化”的模式得以实现。因为“Code is cheaper now”，代码的生产成本极低，快速试错不再是奢望。
四、理论支撑：「AI-Native 组织」的三大原则
这套激进的工作流背后，是三个核心的组织原则：
默认 AI 原则：如前文所述，工作流的设计以 AI 为主体，人是变量。
单人端到端原则：尽量让一个工程师独立完成一个功能的端到端（End-to-End）开发，减少人和人之间的沟通。因为在 AI Native 组织里，人与人的对齐（Alignment）最耗时，是最大的瓶颈。
按结果分工原则：团队不按“前端”、“后端”等流程职能划分，而是按“商家最终体验”、“消费者最终体验”等结果划分。负责“消费者体验”的工程师，如果需要修改后端代码，就应该自己动手，而不是提交一个需求给后端团队。
五、成果与局限
这套体系的成果是惊人的：
团队规模：20 人团队，零全职 PM，零 SRE。
研发效率：代码审查效率提升 144 倍，90% 代码由 AI 生成。
产品质量：核心的 AI 电话 Agent，在复杂的真实场景中实现了 95%-98% 的可靠性。
当然，任川也坦言这套模式的局限性：
规模限制：目前只在 50 人以下的初创团队得到验证。
模型幻觉：AI 的“一本正经胡说八道”仍需要资深工程师来兜底。
复杂项目：对于需要严格合规或极度复杂的系统工程，这套模式尚待验证。
六、结语：未来属于两类人
Palona AI 的实践，不仅是一个创业故事，更像是一场未来组织形态的预演。
它证明了，在 AI 时代，真正的壁垒已不再是技术本身，而是驾驭技术、重塑流程的组织能力。过去工业时代“分工越细，效率越高”的金科玉律，正在被 AI 的浪潮彻底颠覆。
正如任川所说，“未来组织里可能只有两种人：为 AI 提供高质量上下文的人，和为 AI 的产出打补丁的人。”
你是哪一种？
from 42章经
组织能力才是 AI 公司真正的壁垒 | 对谈 Palona AI 联创任川
导读：在 Google，一次代码审查（Code Review）平均需要 1-2 天。而在湾区一家仅 20 人的 AI 创业公司 Palona AI，这个数字是 10 分钟——效率提升了 144 倍。他们是怎么做到的？答案简单粗暴：90% 的代码由 AI 完成，团队里甚至没有一个全职的产品经理（PM）。这不仅是工具的胜利，更是一场组织形态的底层革命。
一、主角登场：带回 Google “病历”的创业者
2023 年 4 月，前 Google 和 LinkedIn 工程师任川创立了 Palona AI。他没有带着大厂的光环，却带着一份清晰的“病历”——对传统科技巨头组织效率的深刻反思。
“传统大厂最大的问题就是分工太细，”任川在一次分享中提到，“一个功能从产品、设计、前端、后端到测试，链条过长，人和人之间的沟通成了最大的瓶颈。”
在 Google，一次代码审查（Code Review）流程走下来，平均耗时 1 到 2 天。这个在“古典互联网”时代被视为工程质量保证的“黄金标准”，在 AI 时代却显得无比笨重。
Palona AI 的业务是为美国的餐厅提供 AI 电话接线员，处理预订和咨询。这是一个需要快速响应市场、高频迭代的场景。“客户的餐厅电话可等不了我们 2 天的内部流程，”任川说。
核心困境：如何在资源有限的初创公司，实现远超行业巨头的迭代速度？
答案从创业第一天就已明确：必须彻底抛弃大厂的组织包袱，建立一个真正的 AI-Native（AI 原生）组织。
二、转折点：当 AI 成为默认员工
Palona AI 的革命，始于一个颠覆性的原则：默认所有研发工作由 AI 承担，人类工程师只在 AI 做不到的地方“补位”。
这与大多数公司“让 AI 辅助人”的思路完全相反。在 Palona，AI 不再是人的“副驾驶”，而是“主驾驶”，人是那个在旁边看着，偶尔扶一下方向盘的教练。
这个原则下，第一个被颠覆的就是代码审查流程。2023 年 6 月，公司成立仅两个月，他们就上线了全自动 AI 代码审查工具——CodeRabbit。
“我们是当时少数这么做的公司，”任川回忆，“风险很大，但收益更高。”
传统流程中，工程师写完代码，需要排队等待资深同事 review。而在 Palona，代码提交后，CodeRabbit 会在 10 分钟内自动完成审查。只要 AI “点头”，代码就可以直接合并进入生产环境。
“如果线上出了 Bug 怎么办？”
“很简单，1 分钟内回滚，或者直接在线上修复，”任川解释道，“因为下一次修复也只需要 10 分钟。当你的迭代成本足够低时，风险就变得可以接受。”
就这样，一个困扰行业巨头多年的效率枷锁，被一个简单的逻辑转换轻松解开。
三、AI 工作流拆解：144 倍效率的秘密
Palona 的高效并非只靠一个环节，而是一套完整的 AI 驱动工作流。
第一步：代码生成（Linear → Devin → Claude Code）
工作流程始于任务管理工具 Linear。一旦创建任务，可以直接指派给 AI 编程工具 Devin。Devin 会自动创建代码分支、编写代码、生成测试用例。整个过程，工程师甚至不需要打开自己的代码编辑器。对于更复杂的逻辑，团队会使用 Claude Code 进行二次开发和优化，因为其强大的上下文理解能力和 SDK 支持。
结果：90% 的代码由 AI 生成，工程师的角色从“码农”转变为“代码指挥官”。
第二步：代码评审（CodeRabbit 10 分钟搞定）
如前所述，CodeRabbit 承担了 100% 的审查工作。它不仅检查代码风格和潜在 Bug，还能根据项目文档理解业务逻辑，判断代码是否完整实现了需求。
结果：Code Review 时间从 Google 的平均 1-2 天压缩至 10 分钟。
第三步：监控与运维（Incident.io，零 SRE）
在监控端，Palona 使用 Incident.io。这个工具能自动汇集所有云服务和应用的日志，通过 AI 进行分析，主动预警，甚至在事故发生后给出分析报告。
结果：约 40%-50% 的运维工作被自动化，公司至今没有设立一个 SRE（网站可靠性工程师）岗位。
第四步：产品设计（工程师 → 60 分原型 → 设计师）
Palona 团队没有全职 PM。工程师在理解客户需求后，会直接使用 AI 工具（如 Midjourney 或各类 UI 生成工具）快速生成一个“60 分”的产品原型并直接上线。然后，专业的设计师再介入，将其优化到 80 分、90 分。
结果：“先上线，再优化”的模式得以实现。因为“Code is cheaper now”，代码的生产成本极低，快速试错不再是奢望。
四、理论支撑：「AI-Native 组织」的三大原则
这套激进的工作流背后，是三个核心的组织原则：
默认 AI 原则：如前文所述，工作流的设计以 AI 为主体，人是变量。
单人端到端原则：尽量让一个工程师独立完成一个功能的端到端（End-to-End）开发，减少人和人之间的沟通。因为在 AI Native 组织里，人与人的对齐（Alignment）最耗时，是最大的瓶颈。
按结果分工原则：团队不按“前端”、“后端”等流程职能划分，而是按“商家最终体验”、“消费者最终体验”等结果划分。负责“消费者体验”的工程师，如果需要修改后端代码，就应该自己动手，而不是提交一个需求给后端团队。
五、成果与局限
这套体系的成果是惊人的：
团队规模：20 人团队，零全职 PM，零 SRE。
研发效率：代码审查效率提升 144 倍，90% 代码由 AI 生成。
产品质量：核心的 AI 电话 Agent，在复杂的真实场景中实现了 95%-98% 的可靠性。
当然，任川也坦言这套模式的局限性：
规模限制：目前只在 50 人以下的初创团队得到验证。
模型幻觉：AI 的“一本正经胡说八道”仍需要资深工程师来兜底。
复杂项目：对于需要严格合规或极度复杂的系统工程，这套模式尚待验证。
六、结语：未来属于两类人
Palona AI 的实践，不仅是一个创业故事，更像是一场未来组织形态的预演。
它证明了，在 AI 时代，真正的壁垒已不再是技术本身，而是驾驭技术、重塑流程的组织能力。过去工业时代“分工越细，效率越高”的金科玉律，正在被 AI 的浪潮彻底颠覆。
正如任川所说，“未来组织里可能只有两种人：为 AI 提供高质量上下文的人，和为 AI 的产出打补丁的人。”
你是哪一种？
from 42章经
组织能力才是 AI 公司真正的壁垒 | 对谈 Palona AI 联创任川
7 43
90后创始人VS千亿巨头：不降价、不内卷，如何打赢一场“非对称战争”？
“我们今天最大的不幸，是我们赛道上有个大疆；但最大的幸运，也是赛道上有个大疆。”
说这话的，是影石Insta360的创始人，刘靖康（JK）。
一个91年生的创始人，正带着他年营收40亿的公司，硬扛年营收500亿的行业巨无霸——大疆。
这不是一场势均力敌的较量。
当大疆将同类产品猛降七八百元，用最直接的价格战施加压力时，所有人都以为影石会跟进。
但刘靖康的选择是：一分不降。
这不像商战，更像一场豪赌。赌注是公司的生存，赌的是一种反常识的商业哲学。
1. “战争”的开端：当巨头走进你的战场
竞争来得直接而猛烈。
2023年3月开始，大疆正式入局。影石一款450美金的运动相机上市，三个月后，大疆就把自己400美金的竞品，直接降到300美金。
线下门店里，店员的话术简单粗暴：“影石的产品也很不错，但我们的便宜七八百块。”
价格屠刀挥下，市场寒气逼人。
更麻烦的是，大疆的进攻是全方位的。除了价格，还有供应链。
刘靖康坦言，他们遇到了“二选一”的困境：“我做你的，就不做另外一家的。”一些供应商在巨头的压力下，被迫站队。
这是一个典型的巨头打法：用雄厚的资本和产业链优势，发动饱和式攻击，试图在最短时间内清场。
对任何初创公司而言，这都是一个生死局。
2. 一个反常识的决策：把价格战，转化为价值战
面对巨头的降价，跟还是不跟？
刘靖康的思考很清晰：不能跟。
“你降价，我就直接follow。那只会有一种结果，你继续降价，那我怎么办呢？人家口袋深，原理上可以无止境地做这个事情，那你图啥呢？”
他认为，陷入价格战，就是进入了对方的节奏，最终会被拖垮。
于是，他做了一个关键的思维转换。
“如果你今天选择不降价，不妨先假设一下，只剩下一个问题：客户为什么愿意在你的品牌比大疆更小、价格又更贵的状态下，买你的产品？”
一瞬间，问题从“如何应对对手”，变成了“如何服务好客户”。
刘靖康把外部的竞争压力，转化为内部的产品力拷问。
“这个问题已经转化成一个跟对手没有关系的问题了。他已经转化成你能不能服务好你的客户，这个事情我们是非常擅长的。”
这一定位，让影石从被动的价格防守，转向主动的价值进攻。
逻辑很简单：如果一个比你强大的品牌，价格还比你低，那你唯一的活路，就是把产品做到extraordinary（卓越非凡）的好。
3. 非对称作战手册：把对手变成“陪练”和“磨刀石”
不打价格战，不代表不竞争。刘靖康摸索出了一套独特的“非对称作战手册”。
核心思想是：战术上高度重视，战略上藐视和升维。
第一式：战略升维——“流水不争先，争滔滔不绝”
刘靖康反复强调一个词：长期。
“很多公司今年很赚钱，明天亏大钱，后年倒闭的数不胜数。最后能在历史上留下名字的，基本还是活得长的公司。”
他认为，短期的市场份额和营收，不如底层的能力沉淀重要。
而强大的对手，正是“训练”这种能力的最佳“陪练”。
“你遇到个严厉的老师，虽然日子没那么轻松，但从long term来看，他一定可以把你training成一个更好的选手。”
在这种心态下，大疆不再是单纯的敌人，而是一个“修了路的人”，一个能帮你快速补齐短板的参照系。
第二式：能力对标——把巨头当成“免费的咨询公司”
“没有大疆，我们可能觉得降本就是靠谈判。”
刘靖康毫不避讳地承认，他们在从大疆身上学习。
学降本：看大疆如何从源头设计、物料平台化（比如“祖传的1/1.3英寸CMOS”）来系统性地降低成本。
学产品：看大疆如何追求“没有短板”的产品策略，打磨综合体验。
学组织：研究大疆内部的管理制度，启发自己的组织升级。
他把与巨头的竞争，看作一个“暴露短板”的过程。“一下子你非常多的短板都会暴露出来，然后就会出现一个问题，你到底先补哪个？”
这个过程虽然痛苦，却是提升组织能力最快的方式。
第三式：代际竞争观——“我比他年轻十岁，压力没那么大”
面对大疆创始人汪滔，刘靖康有一种独特的“代际自信”。
他引用拼多多黄峥的逻辑：“将来站在世界舞台上的，总有我们80后的时代。他只要保证自己是80后这一代最强的就行了。”
刘靖康说：“我比DJI的老板年轻十岁，其实这个压力也没那么大。从长期来看，我只要关注我自身的成长，我就是最好的一批人。”
这种视角，让他能从日复一日的激烈缠斗中抽离出来，更关注公司和自身的成长曲线，而不是某个季度的销量数据。
“当然，你时不时环顾一下四周，跟我同龄的人是不是比我更厉害。”他半开玩笑地说。
4. “滔滔不绝”的底气：在牌桌上，建立自己的规则
敢于硬扛巨头，除了独特的竞争哲学，还需要真正的底气。
面对供应链的“二选一”，影石的解法同样是长期的。
“正如阿里当初没办法找到社会上最优秀的一批人，但不代表其他人不能被发展起来。”
影石选择去识别那些有潜力、有追求，但还没那么大的供应商，跟他们共同成长，投入资源去扶持。
“我们能不能有这个慧眼识别出这样的合作伙伴，跟他们去共同成长。”
通过这种方式，他们不仅解决了眼下的困境，更是在为未来建立一个更稳固、更忠诚的生态联盟。
这背后，是一种更深层的思考：如果你无法在别人的规则里获胜，那就建立你自己的规则。
刘靖康坦言，他恐惧巨头。
但他又补了一句：“但我觉得，汪滔也没跟我这种对手搞过。”
“哪种对手？”
“不着急的对手。”
最后，刘靖康总结道：
“杀价格是一种偷懒的行为。如果我们今天不靠杀价格，依然能够发展得非常好，一定会给到很多公司新的启发。”
在一个人人都追求“速胜”的时代，这种“不着急”的定力，或许才是后来者打赢非对称战争的、最强大的武器。
from 卫诗婕｜商业漫谈Jane's talk
40.影石敲钟，一群90后眼中的世界级公司｜和刘靖康复盘创业十年
“我们今天最大的不幸，是我们赛道上有个大疆；但最大的幸运，也是赛道上有个大疆。”
说这话的，是影石Insta360的创始人，刘靖康（JK）。
一个91年生的创始人，正带着他年营收40亿的公司，硬扛年营收500亿的行业巨无霸——大疆。
这不是一场势均力敌的较量。
当大疆将同类产品猛降七八百元，用最直接的价格战施加压力时，所有人都以为影石会跟进。
但刘靖康的选择是：一分不降。
这不像商战，更像一场豪赌。赌注是公司的生存，赌的是一种反常识的商业哲学。
1. “战争”的开端：当巨头走进你的战场
竞争来得直接而猛烈。
2023年3月开始，大疆正式入局。影石一款450美金的运动相机上市，三个月后，大疆就把自己400美金的竞品，直接降到300美金。
线下门店里，店员的话术简单粗暴：“影石的产品也很不错，但我们的便宜七八百块。”
价格屠刀挥下，市场寒气逼人。
更麻烦的是，大疆的进攻是全方位的。除了价格，还有供应链。
刘靖康坦言，他们遇到了“二选一”的困境：“我做你的，就不做另外一家的。”一些供应商在巨头的压力下，被迫站队。
这是一个典型的巨头打法：用雄厚的资本和产业链优势，发动饱和式攻击，试图在最短时间内清场。
对任何初创公司而言，这都是一个生死局。
2. 一个反常识的决策：把价格战，转化为价值战
面对巨头的降价，跟还是不跟？
刘靖康的思考很清晰：不能跟。
“你降价，我就直接follow。那只会有一种结果，你继续降价，那我怎么办呢？人家口袋深，原理上可以无止境地做这个事情，那你图啥呢？”
他认为，陷入价格战，就是进入了对方的节奏，最终会被拖垮。
于是，他做了一个关键的思维转换。
“如果你今天选择不降价，不妨先假设一下，只剩下一个问题：客户为什么愿意在你的品牌比大疆更小、价格又更贵的状态下，买你的产品？”
一瞬间，问题从“如何应对对手”，变成了“如何服务好客户”。
刘靖康把外部的竞争压力，转化为内部的产品力拷问。
“这个问题已经转化成一个跟对手没有关系的问题了。他已经转化成你能不能服务好你的客户，这个事情我们是非常擅长的。”
这一定位，让影石从被动的价格防守，转向主动的价值进攻。
逻辑很简单：如果一个比你强大的品牌，价格还比你低，那你唯一的活路，就是把产品做到extraordinary（卓越非凡）的好。
3. 非对称作战手册：把对手变成“陪练”和“磨刀石”
不打价格战，不代表不竞争。刘靖康摸索出了一套独特的“非对称作战手册”。
核心思想是：战术上高度重视，战略上藐视和升维。
第一式：战略升维——“流水不争先，争滔滔不绝”
刘靖康反复强调一个词：长期。
“很多公司今年很赚钱，明天亏大钱，后年倒闭的数不胜数。最后能在历史上留下名字的，基本还是活得长的公司。”
他认为，短期的市场份额和营收，不如底层的能力沉淀重要。
而强大的对手，正是“训练”这种能力的最佳“陪练”。
“你遇到个严厉的老师，虽然日子没那么轻松，但从long term来看，他一定可以把你training成一个更好的选手。”
在这种心态下，大疆不再是单纯的敌人，而是一个“修了路的人”，一个能帮你快速补齐短板的参照系。
第二式：能力对标——把巨头当成“免费的咨询公司”
“没有大疆，我们可能觉得降本就是靠谈判。”
刘靖康毫不避讳地承认，他们在从大疆身上学习。
学降本：看大疆如何从源头设计、物料平台化（比如“祖传的1/1.3英寸CMOS”）来系统性地降低成本。
学产品：看大疆如何追求“没有短板”的产品策略，打磨综合体验。
学组织：研究大疆内部的管理制度，启发自己的组织升级。
他把与巨头的竞争，看作一个“暴露短板”的过程。“一下子你非常多的短板都会暴露出来，然后就会出现一个问题，你到底先补哪个？”
这个过程虽然痛苦，却是提升组织能力最快的方式。
第三式：代际竞争观——“我比他年轻十岁，压力没那么大”
面对大疆创始人汪滔，刘靖康有一种独特的“代际自信”。
他引用拼多多黄峥的逻辑：“将来站在世界舞台上的，总有我们80后的时代。他只要保证自己是80后这一代最强的就行了。”
刘靖康说：“我比DJI的老板年轻十岁，其实这个压力也没那么大。从长期来看，我只要关注我自身的成长，我就是最好的一批人。”
这种视角，让他能从日复一日的激烈缠斗中抽离出来，更关注公司和自身的成长曲线，而不是某个季度的销量数据。
“当然，你时不时环顾一下四周，跟我同龄的人是不是比我更厉害。”他半开玩笑地说。
4. “滔滔不绝”的底气：在牌桌上，建立自己的规则
敢于硬扛巨头，除了独特的竞争哲学，还需要真正的底气。
面对供应链的“二选一”，影石的解法同样是长期的。
“正如阿里当初没办法找到社会上最优秀的一批人，但不代表其他人不能被发展起来。”
影石选择去识别那些有潜力、有追求，但还没那么大的供应商，跟他们共同成长，投入资源去扶持。
“我们能不能有这个慧眼识别出这样的合作伙伴，跟他们去共同成长。”
通过这种方式，他们不仅解决了眼下的困境，更是在为未来建立一个更稳固、更忠诚的生态联盟。
这背后，是一种更深层的思考：如果你无法在别人的规则里获胜，那就建立你自己的规则。
刘靖康坦言，他恐惧巨头。
但他又补了一句：“但我觉得，汪滔也没跟我这种对手搞过。”
“哪种对手？”
“不着急的对手。”
最后，刘靖康总结道：
“杀价格是一种偷懒的行为。如果我们今天不靠杀价格，依然能够发展得非常好，一定会给到很多公司新的启发。”
在一个人人都追求“速胜”的时代，这种“不着急”的定力，或许才是后来者打赢非对称战争的、最强大的武器。
from 卫诗婕｜商业漫谈Jane's talk
40.影石敲钟，一群90后眼中的世界级公司｜和刘靖康复盘创业十年
37 210
你的客户正在变成你的对手：一个SaaS巨头被用户“山寨”后，甚至发出了律师函
一场对所有SaaS公司的“降维打击”已经开始。
武器不是资本或更庞大的团队，而是一个简单的Prompt。当AI让“编程”的门槛低到尘埃里，你花十年建立的功能护城河，可能一夜之间就会蒸发。
这听起来像危言耸听？让我们来看一个真实发生的故事。
“如果你的核心功能，用户花一下午就能在AI工具上搭出来，你该怎么办？SaaS巨头DocuSign的答案是：给用户发律师函。这不仅是一个笑话，更是AI时代所有软件公司即将面临的残酷现实。”
这是 Elena Verna，Lovable 的增长负责人，在一次分享中抛出的案例，它足以让每个SaaS创始人背后一凉：
一个用户，在AI驱动的低代码平台 Lovable 上，轻松复刻了DocuSign的核心功能——电子签名。
DocuSign发现后，没有反思，没有收购，而是选择了一种最古典的方式：发出法律威胁，试图让这个用户（以及他代表的趋势）消失。
这起冲突背后，是一个幽灵已经来到所有SaaS公司的床前：你的客户，正在变成你最可怕的竞争对手。
1. “SaaS替代”：AI点燃的第一把火
过去，开发一个软件是复杂且昂贵的事情。你需要一个团队，数月的时间，几十上百万的投入。SaaS模式因此诞生，用标准化的订阅服务解决了这个问题。
但现在，AI和低代码平台正在彻底改写游戏规则。
Elena Verna 指出，那些过去被认为是“有壁垒”的功能，比如：
电子签名 (DocuSign)
在线表单 (Typeform)
登陆页生成 (Unbounce)
会议安排 (Calendly)
内部仪表盘 (Tableau)
无代码工具 (Airtable)
……所有这些，正在以惊人的速度被“商品化”（Commoditized）。
商品化的意思很简单：一个普通人，不需要懂复杂代码，借助AI工具，花上一天甚至几小时，就能搭建出一个满足自己80%需求的产品。
当你的用户发现，每月花99美金订阅你的服务，不如花9美金在AI平台上一劳永逸地解决问题时，你的商业模式就开始从根基上动摇了。
DocuSign发出的不是律师函，而是一声承认自己恐惧的哀嚎。
2. 你的产品，在“危险区”吗？
如何判断你的产品是否正处在这场风暴的中心？
Elena 提供了一个极其实用的2x2矩阵，帮助你定位自己的“危险系数”：
横轴： 功能复杂度（简单 vs 复杂）
纵轴： 用户使用频率（低频 vs 高频）
由此划分出四个象限：
安全区（Safe Zone）：复杂功能 + 高频使用
这是护城河最深的区域。功能难以被AI快速复制，且用户深度依赖。比如 Figma、Notion。
优化区（Optimization Zone）：复杂功能 + 低频使用
产品很强大，但用户不常用。你的任务不是防御，而是想办法提高用户的使用频率，把他们拉到“安全区”。
玩具区（Toy Zone）：简单功能 + 低频使用
风险不大，因为用户偶尔才用一次，付费意愿本就不强，专门花时间自己搭建的可能性也低。
危险区（Danger Zone）：简单功能 + 高频使用
这是最危险的区域！ 功能简单，意味着容易被AI复制；使用高频，意味着用户有强烈的动机去寻找更便宜、更可控的替代方案。
DocuSign、Calendly、Typeform……很不幸，它们都完美地落在了这个危险区。
现在，请把你的核心功能放进这个矩阵。如果你发现自己身处“危险区”，那么，被用户“山寨”就不是“如果”的问题，而是“何时”的问题。
3. 当护城河消失，我们该如何防御？
如果传统的功能壁垒正在被AI夷为平地，那新的护城河在哪里？
答案是：从外部的功能防御，转向内部的体验和连接。
Elena 认为，未来的增长不再依赖于功能垄断，而是依赖于那些AI无法轻易复制的东西：
极致的迭代速度（Velocity）： Lovable 只有六七十人，但能做到每天甚至每小时都发布更新。当你的进化速度快到让对手（包括你的用户）无法跟上时，速度本身就是护城河。AI恰恰是实现这种速度的加速器。
品牌即产品（Brand as Product）： 品牌不再是市场部的事。Lovable 有一个内部梗，修复Bug最快的方式就是说“这个体验很不Lovable”。当品牌融入到每一次交互、每一次点击中，它就成了一种无法被“山寨”的、深度的情感连接。
创始人IP（Founder IP）： 公司的CEO和员工，正在成为最重要的流量入口。通过社交媒体，创始人可以直接与用户建立信任和连接。这种属人的、基于信任的流量，比任何广告都更稳固。
DocuSign对用户亮出獠牙，恰恰暴露了它自身的脆弱。
这标志着一个旧时代的结束和新时代的开启。
在旧时代，我们问：“我们能为用户开发什么功能？”
在新时代，我们必须问：“用户能用AI为自己开发什么功能？”
在这场由AI驱动的“创造力平权”运动中，你最大的竞争对手，将不再是隔壁办公室的另一家公司，而是你那个最有创造力的用户。
唯一的出路，就是跑得比他更快，或者，把他变成你最忠实的盟友。
from Product School
Head of Growth at Lovable | Why Growth Playbooks Are Crumbling—and What’s Next
一场对所有SaaS公司的“降维打击”已经开始。
武器不是资本或更庞大的团队，而是一个简单的Prompt。当AI让“编程”的门槛低到尘埃里，你花十年建立的功能护城河，可能一夜之间就会蒸发。
这听起来像危言耸听？让我们来看一个真实发生的故事。
“如果你的核心功能，用户花一下午就能在AI工具上搭出来，你该怎么办？SaaS巨头DocuSign的答案是：给用户发律师函。这不仅是一个笑话，更是AI时代所有软件公司即将面临的残酷现实。”
这是 Elena Verna，Lovable 的增长负责人，在一次分享中抛出的案例，它足以让每个SaaS创始人背后一凉：
一个用户，在AI驱动的低代码平台 Lovable 上，轻松复刻了DocuSign的核心功能——电子签名。
DocuSign发现后，没有反思，没有收购，而是选择了一种最古典的方式：发出法律威胁，试图让这个用户（以及他代表的趋势）消失。
这起冲突背后，是一个幽灵已经来到所有SaaS公司的床前：你的客户，正在变成你最可怕的竞争对手。
1. “SaaS替代”：AI点燃的第一把火
过去，开发一个软件是复杂且昂贵的事情。你需要一个团队，数月的时间，几十上百万的投入。SaaS模式因此诞生，用标准化的订阅服务解决了这个问题。
但现在，AI和低代码平台正在彻底改写游戏规则。
Elena Verna 指出，那些过去被认为是“有壁垒”的功能，比如：
电子签名 (DocuSign)
在线表单 (Typeform)
登陆页生成 (Unbounce)
会议安排 (Calendly)
内部仪表盘 (Tableau)
无代码工具 (Airtable)
……所有这些，正在以惊人的速度被“商品化”（Commoditized）。
商品化的意思很简单：一个普通人，不需要懂复杂代码，借助AI工具，花上一天甚至几小时，就能搭建出一个满足自己80%需求的产品。
当你的用户发现，每月花99美金订阅你的服务，不如花9美金在AI平台上一劳永逸地解决问题时，你的商业模式就开始从根基上动摇了。
DocuSign发出的不是律师函，而是一声承认自己恐惧的哀嚎。
2. 你的产品，在“危险区”吗？
如何判断你的产品是否正处在这场风暴的中心？
Elena 提供了一个极其实用的2x2矩阵，帮助你定位自己的“危险系数”：
横轴： 功能复杂度（简单 vs 复杂）
纵轴： 用户使用频率（低频 vs 高频）
由此划分出四个象限：
安全区（Safe Zone）：复杂功能 + 高频使用
这是护城河最深的区域。功能难以被AI快速复制，且用户深度依赖。比如 Figma、Notion。
优化区（Optimization Zone）：复杂功能 + 低频使用
产品很强大，但用户不常用。你的任务不是防御，而是想办法提高用户的使用频率，把他们拉到“安全区”。
玩具区（Toy Zone）：简单功能 + 低频使用
风险不大，因为用户偶尔才用一次，付费意愿本就不强，专门花时间自己搭建的可能性也低。
危险区（Danger Zone）：简单功能 + 高频使用
这是最危险的区域！ 功能简单，意味着容易被AI复制；使用高频，意味着用户有强烈的动机去寻找更便宜、更可控的替代方案。
DocuSign、Calendly、Typeform……很不幸，它们都完美地落在了这个危险区。
现在，请把你的核心功能放进这个矩阵。如果你发现自己身处“危险区”，那么，被用户“山寨”就不是“如果”的问题，而是“何时”的问题。
3. 当护城河消失，我们该如何防御？
如果传统的功能壁垒正在被AI夷为平地，那新的护城河在哪里？
答案是：从外部的功能防御，转向内部的体验和连接。
Elena 认为，未来的增长不再依赖于功能垄断，而是依赖于那些AI无法轻易复制的东西：
极致的迭代速度（Velocity）： Lovable 只有六七十人，但能做到每天甚至每小时都发布更新。当你的进化速度快到让对手（包括你的用户）无法跟上时，速度本身就是护城河。AI恰恰是实现这种速度的加速器。
品牌即产品（Brand as Product）： 品牌不再是市场部的事。Lovable 有一个内部梗，修复Bug最快的方式就是说“这个体验很不Lovable”。当品牌融入到每一次交互、每一次点击中，它就成了一种无法被“山寨”的、深度的情感连接。
创始人IP（Founder IP）： 公司的CEO和员工，正在成为最重要的流量入口。通过社交媒体，创始人可以直接与用户建立信任和连接。这种属人的、基于信任的流量，比任何广告都更稳固。
DocuSign对用户亮出獠牙，恰恰暴露了它自身的脆弱。
这标志着一个旧时代的结束和新时代的开启。
在旧时代，我们问：“我们能为用户开发什么功能？”
在新时代，我们必须问：“用户能用AI为自己开发什么功能？”
在这场由AI驱动的“创造力平权”运动中，你最大的竞争对手，将不再是隔壁办公室的另一家公司，而是你那个最有创造力的用户。
唯一的出路，就是跑得比他更快，或者，把他变成你最忠实的盟友。
from Product School
Head of Growth at Lovable | Why Growth Playbooks Are Crumbling—and What’s Next
14 24
三次失败 All in 150 万，48 小时押注大模型：全球增速最快 AI 硬件的 0→1
三次创业失败，他把仅剩的 150 万全部押注一款“过时”的录音笔。48 小时后，ChatGPT 发布，他连夜调用 Whisper API，2 周上线“一键总结”。3 个月后，收入翻 10 倍，毛利率追平苹果。
这就是 Plaud 联合创始人许高（Nathan）的故事。一个 91 年的连续失败者，如何在 AI 浪潮之巅，完成了一场教科书式的绝地反击。
1. 主角背景：一个赔光了学费的连续失败者
“我每次创业做产品，现在来看仍然都是对的。我要是再回去做，每一次创业是今天都可以做成了的。”许高在复盘时显得很平静，但现实曾无比残酷。
他的第一次创业是在大学，做一个留学咨询匹配平台，最终因不擅长商业变现，赔光了准备读研的学费。随后，他进入投资行业，试图做一个创业公司推荐引擎，再次因缺乏募资能力而折戟。
“你肯定是给人吹的牛，让一起创业，最后没干成，耽误人家了。”失败后，强烈的自我怀疑和对兄弟们的愧疚曾一度将他淹没。
2. 核心困境：疫情压垮的第三次创业，账上只剩 150 万
第三次，许高瞄准了外卖行业即时性物流成本过高的问题，构想了一个通过外卖智能柜将“即时性物流”转化为“计划性物流”的平台。他拉来了美团外卖柜最大的供应商成为合伙人，准备大干一场。
然而，2020 年初的疫情打乱了一切。线下铺设受阻，餐饮商户的拓展周期被无限拉长，项目最终因资金链断裂而停掉。此时，经历了三次失败的许高，账上只剩下最后 150 万。
3. 48 小时转折：ChatGPT 发布，一夜改命
2022 年底，许高和仅有数人的早期团队，正把最后的 150 万押注在一款看似毫无想象力的产品——AI 录音笔上。
然后，ChatGPT 发布了。
“我当时的感觉就是，这玩意就是给我们定制的。”许高回忆。当 OpenAI 创始人 Sam Altman 说 ChatGPT API 最好的应用场景是“总结”时，他知道，决定命运的时刻到了。
接下来的 48 小时成为了 Plaud 的转折点。团队通宵达旦，将 OpenAI 发布的 Whisper API“塞”进了录音笔的固件中，在短短两周内，就上线了全球第一个实现“录音-转写-总结”完整闭环的 AI 硬件产品。
“我们搞了一个 Plaud Playground，把 Whisper 的体验放到官网上，几百人在线实时排队，那个信号太强烈了，You are going to rocket.”
市场给出了最直接的回报。产品上线后，3 个月内收入翻了 10 倍，毛利率一度追平苹果。Plaud 一夜成名。
4. 方法论拆解：从 0 到 1 的五步心法
这场惊心动魄的翻盘并非偶然。背后是许高在三次失败后沉淀下的一套可复制的方法论。
第一步：从 5000 条差评里挖出 12 个核心痛点
在说服技术合伙人 Charles 加入时，许高没有画饼，而是甩出了一份详尽的数据报告。他花了几周时间，一个人翻遍了亚马逊上主流录音笔产品的 5000 多条用户评论。
他发现，用户抱怨最多的点集中在：操作繁琐、续航差、导出困难、没有云同步、无法降噪等。他将这些痛点整理分类，最终提炼出 12 个最核心的产品需求。这份务实的报告，最终打动了 Charles。
第二步：用“三框架”砍掉 97% 的功能
在产品定义阶段，许高为团队设立了三个不容置疑的框架：
Day one 全球化：利用中国制造业和工程师的巨大杠杆，直接面向全球市场。
要做就做世界第一：只做自己有能力做到最好的事。如果无法比现有产品好，就绝不做。
软件和 AI 深度融合：硬件只是入口，持续迭代的软件和 AI 服务才是护城河。
“但凡我看有别人在干，然后干得挺好，我回答不了为什么我能干得比别人更好，那你就不要去干。”在这个原则下，团队砍掉了 97% 的冗余功能，将所有资源聚焦于核心体验。
第三步：先用 IOT 验证市场，100 美金定价成赛道第一
在 All in AI 之前，Plaud 极其聪明地先推出了一款名为izyrec 的 IOT 产品。它没有屏幕，只有一个开关，但通过手机 APP 解决了传统录音笔几乎所有的痛点。
这款产品以 100 美金的“高价”切入市场，远高于 30-40 美金的行业均价，却迅速凭借极致的用户体验成为赛道第一，为后续 AI 功能的开发赢得了宝贵的现金流和用户基础。
第四步：从 Whisper 到自研模型，构筑技术壁垒
Plaud 的 AI 能力经历了清晰的迭代路径：
初期：快速集成 OpenAI 的 Whisper API，抢占市场先机。
中期：升级至 GPT-4，提升总结质量和多语言能力。
现在：组建近 200 人的工程师团队，投入自研语音大模型（ASR），在特定场景下的转写准确率已超过 96%。
第五步：用 Agent 连接 1 万个 SaaS，构建智能生态
Plaud 的终局并非硬件。许高透露，他们正在构建一个 Agent 平台，通过 API 连接超过 1 万个 SaaS 应用。
未来，用户在会议中提到的待办事项，可以被 Plaud 的 Agent 自动识别，并直接推送到 Salesforce 的任务列表或飞书的文档中，真正实现工作流的闭环自动化。
from 卫诗婕｜商业漫谈Jane's talk
51.Plaud许高首次深度讲述：全球增速最快AI硬件，与一种创业美学
三次创业失败，他把仅剩的 150 万全部押注一款“过时”的录音笔。48 小时后，ChatGPT 发布，他连夜调用 Whisper API，2 周上线“一键总结”。3 个月后，收入翻 10 倍，毛利率追平苹果。
这就是 Plaud 联合创始人许高（Nathan）的故事。一个 91 年的连续失败者，如何在 AI 浪潮之巅，完成了一场教科书式的绝地反击。
1. 主角背景：一个赔光了学费的连续失败者
“我每次创业做产品，现在来看仍然都是对的。我要是再回去做，每一次创业是今天都可以做成了的。”许高在复盘时显得很平静，但现实曾无比残酷。
他的第一次创业是在大学，做一个留学咨询匹配平台，最终因不擅长商业变现，赔光了准备读研的学费。随后，他进入投资行业，试图做一个创业公司推荐引擎，再次因缺乏募资能力而折戟。
“你肯定是给人吹的牛，让一起创业，最后没干成，耽误人家了。”失败后，强烈的自我怀疑和对兄弟们的愧疚曾一度将他淹没。
2. 核心困境：疫情压垮的第三次创业，账上只剩 150 万
第三次，许高瞄准了外卖行业即时性物流成本过高的问题，构想了一个通过外卖智能柜将“即时性物流”转化为“计划性物流”的平台。他拉来了美团外卖柜最大的供应商成为合伙人，准备大干一场。
然而，2020 年初的疫情打乱了一切。线下铺设受阻，餐饮商户的拓展周期被无限拉长，项目最终因资金链断裂而停掉。此时，经历了三次失败的许高，账上只剩下最后 150 万。
3. 48 小时转折：ChatGPT 发布，一夜改命
2022 年底，许高和仅有数人的早期团队，正把最后的 150 万押注在一款看似毫无想象力的产品——AI 录音笔上。
然后，ChatGPT 发布了。
“我当时的感觉就是，这玩意就是给我们定制的。”许高回忆。当 OpenAI 创始人 Sam Altman 说 ChatGPT API 最好的应用场景是“总结”时，他知道，决定命运的时刻到了。
接下来的 48 小时成为了 Plaud 的转折点。团队通宵达旦，将 OpenAI 发布的 Whisper API“塞”进了录音笔的固件中，在短短两周内，就上线了全球第一个实现“录音-转写-总结”完整闭环的 AI 硬件产品。
“我们搞了一个 Plaud Playground，把 Whisper 的体验放到官网上，几百人在线实时排队，那个信号太强烈了，You are going to rocket.”
市场给出了最直接的回报。产品上线后，3 个月内收入翻了 10 倍，毛利率一度追平苹果。Plaud 一夜成名。
4. 方法论拆解：从 0 到 1 的五步心法
这场惊心动魄的翻盘并非偶然。背后是许高在三次失败后沉淀下的一套可复制的方法论。
第一步：从 5000 条差评里挖出 12 个核心痛点
在说服技术合伙人 Charles 加入时，许高没有画饼，而是甩出了一份详尽的数据报告。他花了几周时间，一个人翻遍了亚马逊上主流录音笔产品的 5000 多条用户评论。
他发现，用户抱怨最多的点集中在：操作繁琐、续航差、导出困难、没有云同步、无法降噪等。他将这些痛点整理分类，最终提炼出 12 个最核心的产品需求。这份务实的报告，最终打动了 Charles。
第二步：用“三框架”砍掉 97% 的功能
在产品定义阶段，许高为团队设立了三个不容置疑的框架：
Day one 全球化：利用中国制造业和工程师的巨大杠杆，直接面向全球市场。
要做就做世界第一：只做自己有能力做到最好的事。如果无法比现有产品好，就绝不做。
软件和 AI 深度融合：硬件只是入口，持续迭代的软件和 AI 服务才是护城河。
“但凡我看有别人在干，然后干得挺好，我回答不了为什么我能干得比别人更好，那你就不要去干。”在这个原则下，团队砍掉了 97% 的冗余功能，将所有资源聚焦于核心体验。
第三步：先用 IOT 验证市场，100 美金定价成赛道第一
在 All in AI 之前，Plaud 极其聪明地先推出了一款名为izyrec 的 IOT 产品。它没有屏幕，只有一个开关，但通过手机 APP 解决了传统录音笔几乎所有的痛点。
这款产品以 100 美金的“高价”切入市场，远高于 30-40 美金的行业均价，却迅速凭借极致的用户体验成为赛道第一，为后续 AI 功能的开发赢得了宝贵的现金流和用户基础。
第四步：从 Whisper 到自研模型，构筑技术壁垒
Plaud 的 AI 能力经历了清晰的迭代路径：
初期：快速集成 OpenAI 的 Whisper API，抢占市场先机。
中期：升级至 GPT-4，提升总结质量和多语言能力。
现在：组建近 200 人的工程师团队，投入自研语音大模型（ASR），在特定场景下的转写准确率已超过 96%。
第五步：用 Agent 连接 1 万个 SaaS，构建智能生态
Plaud 的终局并非硬件。许高透露，他们正在构建一个 Agent 平台，通过 API 连接超过 1 万个 SaaS 应用。
未来，用户在会议中提到的待办事项，可以被 Plaud 的 Agent 自动识别，并直接推送到 Salesforce 的任务列表或飞书的文档中，真正实现工作流的闭环自动化。
from 卫诗婕｜商业漫谈Jane's talk
51.Plaud许高首次深度讲述：全球增速最快AI硬件，与一种创业美学
20 63
一个AI应用如何4个月做到3000万美金年收入？
一个AI设计工具，5月内测，7月公测，到9月底，日活跃用户（DAU）就冲到了15-20万，预估年收入（ARR）超过3000万美金。
这家公司叫Lovart，它的创始人陈冕说，增长的秘诀不是信息流投放，而是“把未来会发生的东西提前描绘出来，然后等它发生了。”
这听起来有点玄学，但在技术范式剧烈变革的AI时代，这可能就是唯一的答案。
01 “未来”发生时，你必须在场
2025年5月，Lovart开启内测，DAU维持在一两万的水平。7月底，产品全面开放，DAU迅速涨到8-10万。紧接着，新的多模态大模型“Nano Banana”发布，Lovart因为早已做好产品适配，无缝衔接了模型能力，DAU再次跃升至15-20万。
“我们基本上是一个月上一个台阶。”陈冕说。
收入曲线与用户增长几乎完全同步，从测试期几乎为零，到9月底，ARR突破3000万美金。这一切只用了短短4个月。
惊人的增长背后，是陈冕对AI时代节奏感的精准判断。她认为，AI应用公司并不掌握底层模型的创新能力，增长的核心驱动力，来自于对模型演进方向的“预判”。
“你就得预判模型会有的演化方向，然后你提前把模型成熟后，它对用户交互（interface）的颠覆先描绘出来，等模型ready的那一刻，你就疯狂地秀出来。”
Lovart的“Chat Canvas”功能，就是这个方法论最完美的实战案例。
02 实战案例：Chat Canvas的诞生
在Lovart之前，大部分AI设计工具的交互都停留在“对话框”——你输入提示词，AI给你一张图。
但这种方式完全不符合真实的设计工作流。
“你跟一个设计师沟通，你不会只对着他的脸说话。”陈冕打了个比方，“你们一定需要一个屏幕或者桌子去做视觉的对齐，你指着那个视觉产物说我要改这里，我要改那里。”
这个行业痛点显而易见，但为什么没人做？因为在过去，模型根本听不懂这么复杂的需求。对着图片“指指点点”，AI改不准，也理解不了。
但陈冕赌模型的能力一定会进化。
“我们最开始做Lovart的时候，连GPT-4o的图像功能（GPT image one）都还没出来。”但通过与模型公司的交流，她预判到，更强的多模态理解和图像编辑能力，一定是技术演进的下一个方向。
于是，在模型能力还未“Ready”时，Lovart团队就超前提开发了“Chat Canvas”功能——一个允许用户在画布上直接与AI沟通、实现“指哪改哪”的全新交互界面。
后果可想而知。当GPT image one、Nano Banana等一系列支持复杂指令遵循的新模型发布后，整个行业还在研究如何接入API时，Lovart早已万事俱备。
“别人还没来得及做，我们已经上了。”陈冕说。
这种快，不是源于蛮力，而是源于对未来的清晰描绘和提前布局。
03 护城河：比模型更重要的是上下文
当所有应用都能用上同样强大的模型时，新的问题出现了：你的产品凭什么比别人更好？
陈冕的答案是：Context，即上下文。
“其实大家模型都一样，所以谁能收集更多的Context，就意味着谁的体验更好。”
她再次用与真人设计师沟通的场景举例：
“如果要为‘晚点’做一个系列海报，一个优秀的设计师首先要理解，‘晚点’是一家什么调性的媒体？它过往的物料是什么风格？它的受众是谁？”
这些信息，就是最关键的Context。一个刚毕业的实习生和一个资深设计总监的差距，本质上就是对这些行业经验、客户偏好等隐性知识的掌握程度。
Lovart正在做的，就是把这套真人设计师的工作流，复刻给AI。
“我们会做一个Context模块。当你输入需求时，我们的小模型会快速思考，然后反问你，可能需要你提供更多信息，比如公司的官网链接、过往的设计图，或者让你从最近流行的几种风格里选一个你的偏好。”
通过多轮交互，Lovart就能逐渐沉淀出每个用户专属的“风格库”和“偏好库”。当这个用户再次创作时，AI就能像一个合作多年的老搭档，快速调取这些Context，交付出更精准、更个性化的结果。
这就是应用层的护城河——当模型能力趋同，数据成为新的壁垒，而最核心的数据，就是用户在真实场景中沉淀下的、独一无二的上下文。
04 赌AI会越来越像“人”
从预判技术趋势，到构建原生交互，再到沉淀核心数据，Lovart的增长飞轮，建立在一个最底层的信念之上。
“我就是赌一件事儿，AI最终会越来越像一个人。”陈冕说。
“所以我们回到与‘人’沟通最自然的方式去设计产品。如果技术发展慢了，那我们可能看起来有点傻。但是，一旦它的速度就是这么快，它就是越来越像人，那我们的产品就越来越强，我们就提前拥有了正确的答案。”
在AI时代，技术的发展曲线陡峭得超乎想象。正如陈冕所说：“你往往在觉得短期可能有点高估它的时候，过两天你就发现，你低估了它。”
4个月，3000万美金年收入，这只是一个开始。真正的壁垒，是在技术浪潮来临前，就已经描绘出未来的蓝图，并坚定地把它造出来。
from 晚点聊 LateTalk
136: Sora新世界 & Lovart 4个月复盘 | 与陈冕聊怎么做垂类Agent|Agent#5
一个AI设计工具，5月内测，7月公测，到9月底，日活跃用户（DAU）就冲到了15-20万，预估年收入（ARR）超过3000万美金。
这家公司叫Lovart，它的创始人陈冕说，增长的秘诀不是信息流投放，而是“把未来会发生的东西提前描绘出来，然后等它发生了。”
这听起来有点玄学，但在技术范式剧烈变革的AI时代，这可能就是唯一的答案。
01 “未来”发生时，你必须在场
2025年5月，Lovart开启内测，DAU维持在一两万的水平。7月底，产品全面开放，DAU迅速涨到8-10万。紧接着，新的多模态大模型“Nano Banana”发布，Lovart因为早已做好产品适配，无缝衔接了模型能力，DAU再次跃升至15-20万。
“我们基本上是一个月上一个台阶。”陈冕说。
收入曲线与用户增长几乎完全同步，从测试期几乎为零，到9月底，ARR突破3000万美金。这一切只用了短短4个月。
惊人的增长背后，是陈冕对AI时代节奏感的精准判断。她认为，AI应用公司并不掌握底层模型的创新能力，增长的核心驱动力，来自于对模型演进方向的“预判”。
“你就得预判模型会有的演化方向，然后你提前把模型成熟后，它对用户交互（interface）的颠覆先描绘出来，等模型ready的那一刻，你就疯狂地秀出来。”
Lovart的“Chat Canvas”功能，就是这个方法论最完美的实战案例。
02 实战案例：Chat Canvas的诞生
在Lovart之前，大部分AI设计工具的交互都停留在“对话框”——你输入提示词，AI给你一张图。
但这种方式完全不符合真实的设计工作流。
“你跟一个设计师沟通，你不会只对着他的脸说话。”陈冕打了个比方，“你们一定需要一个屏幕或者桌子去做视觉的对齐，你指着那个视觉产物说我要改这里，我要改那里。”
这个行业痛点显而易见，但为什么没人做？因为在过去，模型根本听不懂这么复杂的需求。对着图片“指指点点”，AI改不准，也理解不了。
但陈冕赌模型的能力一定会进化。
“我们最开始做Lovart的时候，连GPT-4o的图像功能（GPT image one）都还没出来。”但通过与模型公司的交流，她预判到，更强的多模态理解和图像编辑能力，一定是技术演进的下一个方向。
于是，在模型能力还未“Ready”时，Lovart团队就超前提开发了“Chat Canvas”功能——一个允许用户在画布上直接与AI沟通、实现“指哪改哪”的全新交互界面。
后果可想而知。当GPT image one、Nano Banana等一系列支持复杂指令遵循的新模型发布后，整个行业还在研究如何接入API时，Lovart早已万事俱备。
“别人还没来得及做，我们已经上了。”陈冕说。
这种快，不是源于蛮力，而是源于对未来的清晰描绘和提前布局。
03 护城河：比模型更重要的是上下文
当所有应用都能用上同样强大的模型时，新的问题出现了：你的产品凭什么比别人更好？
陈冕的答案是：Context，即上下文。
“其实大家模型都一样，所以谁能收集更多的Context，就意味着谁的体验更好。”
她再次用与真人设计师沟通的场景举例：
“如果要为‘晚点’做一个系列海报，一个优秀的设计师首先要理解，‘晚点’是一家什么调性的媒体？它过往的物料是什么风格？它的受众是谁？”
这些信息，就是最关键的Context。一个刚毕业的实习生和一个资深设计总监的差距，本质上就是对这些行业经验、客户偏好等隐性知识的掌握程度。
Lovart正在做的，就是把这套真人设计师的工作流，复刻给AI。
“我们会做一个Context模块。当你输入需求时，我们的小模型会快速思考，然后反问你，可能需要你提供更多信息，比如公司的官网链接、过往的设计图，或者让你从最近流行的几种风格里选一个你的偏好。”
通过多轮交互，Lovart就能逐渐沉淀出每个用户专属的“风格库”和“偏好库”。当这个用户再次创作时，AI就能像一个合作多年的老搭档，快速调取这些Context，交付出更精准、更个性化的结果。
这就是应用层的护城河——当模型能力趋同，数据成为新的壁垒，而最核心的数据，就是用户在真实场景中沉淀下的、独一无二的上下文。
04 赌AI会越来越像“人”
从预判技术趋势，到构建原生交互，再到沉淀核心数据，Lovart的增长飞轮，建立在一个最底层的信念之上。
“我就是赌一件事儿，AI最终会越来越像一个人。”陈冕说。
“所以我们回到与‘人’沟通最自然的方式去设计产品。如果技术发展慢了，那我们可能看起来有点傻。但是，一旦它的速度就是这么快，它就是越来越像人，那我们的产品就越来越强，我们就提前拥有了正确的答案。”
在AI时代，技术的发展曲线陡峭得超乎想象。正如陈冕所说：“你往往在觉得短期可能有点高估它的时候，过两天你就发现，你低估了它。”
4个月，3000万美金年收入，这只是一个开始。真正的壁垒，是在技术浪潮来临前，就已经描绘出未来的蓝图，并坚定地把它造出来。
from 晚点聊 LateTalk
136: Sora新世界 & Lovart 4个月复盘 | 与陈冕聊怎么做垂类Agent|Agent#5
23 03
40岁高管裸辞教网球：他把游戏策划的方法论，降维打击了传统体育
一个40岁的互联网高管，放弃年薪近百万的Offer，从零开始去当网球教练。
他把过去12年做游戏策划的经验，变成了一套独特的“降维打击”方法论，不仅治好了自己的精神内耗，还把这件事做成了能干20年的事业。
这个故事的主人公叫朝珺。在转型前，他是典型的互联网“卷王”——在游戏行业干了12年，从策划一路做到公司合伙人，后来又担任“有知有行”的COO。他的人生信条是：只要投入时间，就必须拿到结果。
但今天，他更广为人知的身份，是一家网球学校的创始人。这个转变，源于一次直击灵魂的拷问，一场惨痛的8连败，以及他用产品经理的视角，对一个传统行业做出的颠覆式改造。
1. “你的自律，是因为热爱，还是恐惧？”
在同事眼中，朝珺是一个标准的“井人”——极度自律，做事死磕，任何事都要搭建一套知识体系。他习惯了游戏行业的高压和快节奏，信奉“效率至上”，习惯在最短的时间内榨干每一份价值。
这种惯性，在他加入“有知有行”后，第一次遭到了挑战。
“有知有行”的理念是“慢慢来，想明白”，这让习惯了快速迭代、即时反馈的朝珺产生了巨大的“内耗”。他形容自己“既有的身体记忆和习惯要求我做A方向，但公司在选择B方向，我就跟自己抗争和打架，非常焦灼。”
在一个模糊而不确定的环境里，他赖以生存的价值感开始动摇。这种价值感，曾全部来自于“做事产生的成就感”。而驱动他不断做事的底层动力，却不是热爱。
直到有一天，他的合伙人孟岩问了他一个问题：“你的自律，是因为热爱，还是因为担心失去什么？”
这个问题像一道闪电，击中了他。“我第一次承认，意识到自己是被担心和恐惧所驱动的。”朝珺回忆道，“我担心失去这一切，担心有人会超过我，担心有更年轻、更拼的人进来把我卷走。所以我必须得做点什么，让自己留下来。”
他意识到，自己就像一个拼命奔跑的机器人，但奔跑的燃料，是恐惧。40岁的十字路口，他决定停下来，直面这个问题：接下来的人生，是继续被恐惧推着走，还是为真正的热爱活一次？
2. 一场8连败，和一个巨大的市场空白
朝珺的“修炼场”，出人意料地，是一片网球场。
2021年，他零基础开始学网球，并拿出了死磕工作的劲头：每次练球都录视频、记笔记，写了几百条备忘录提醒自己的动作要领。很快，他的训练水平看起来相当不错。
但真正的转折点，来自一场惨败。在公司举办的网球联赛中，他连败8场。
“这带给我巨大的冲击。”他说，“我训练成绩这么好，为什么一上场就打得这么差？”那一个多月，他陷入了极度的痛苦和纠结。他想不通，为什么自己闭着眼睛都觉得能赢的对手，却都输了。
这次挫败，意外地为他打开了一扇看见自己的窗。
他开始研究运动心理学，意识到从训练到比赛存在“能力衰减”。他发现，自己嘴上说“别紧张”，身体却无比诚实——握拍力度从平时的4分飙升到10分，肌肉紧绷到不受控制。“原来告诉自己‘不要紧张’，是一句错误的咒语。”
他恍然大悟，自己在工作和生活中处理关键事项时，也存在同样的问题——一种不自知的紧绷和恐惧。
“我能不能通过网球，去看见并练习自己那些不松弛的地方？”抱着这个念头，他开始疯狂参赛，一边紧张，一边练习与紧张共存。网球，从一项死磕的技能，变成了一面映照内心的镜子。
在频繁出入球场的过程中，他敏锐地发现了另一个问题——传统网球教学的巨大痛点。
他看到太多教练用PGA的方式对待学员：“你怎么身体这么硬邦邦的？”“你不知道你在转体吗？”他们把学员的问题归咎于学员自身，却给不出解决方案。
“绝大多数教练，他们的时间都花在了如何把球打好，而不是如何帮助别人学好一项技能上。”朝珺意识到，“教学的本质是教育，是如何将一个复杂的技能，拆解成一个个小模块，再精准地安装到学员的脑子里。”
他看到了一个巨大的市场空白：用产品思维和教育理念，去改造这个严重依赖个人经验、缺乏科学体系的行业。
3. 降维打击：把游戏策划的方法论搬进网球场
离开互联网行业后，朝珺拒绝了年薪近百万的Offer，一头扎进了网球教育创业。他没有选择传统的“开班授课”模式，而是祭出了一套来自游戏和产品领域的“降维打击三板斧”。
第一板斧：游戏化教学——把学网球变成“打怪升级”
传统教学的反馈是模糊的。今天学了什么？进步了多少？学员往往一头雾水。
朝珺的做法是，把学习网球的完整路径，拆解成几百个清晰的“里程碑”。
“比如，第一次把球打过网、第一次正手击球、第一次移动步伐……这些都是一个里程碑。”他说，“我们未来会把它做成小程序，学员每完成一项，就可以点亮一个‘技能卡片’，就像游戏里‘恭喜你Level up’一样。”
这种设计，把枯燥的刻意练习，变成了一场有即时反馈、有清晰目标的“游戏”。学员能明确知道自己学了什么、达到了什么水平、下一步该往哪走，极大地提升了学习的确定性和成就感。
第二板斧：产品化思维——教练是“镜子”，不是“法官”
传统教练常常扮演“法官”，不断评判学员“对”或“错”。
而在朝珺的教学体系里，教练的核心职责是成为一面“镜子”，帮助学员“看见”自己的问题。他给团队的每个教练都配备了三脚架。
“当语言难以描述时，没有什么比视觉语言更清晰。”他的流程是：
诊断：先录下学员的动作。
对比：再录下教练的示范动作。
提问：让学员自己观察两者差异，并说出他认为该怎么改。
给方案：最后教练再给出具体的解决方案和练习方法。
这套“诊断-确认-给方案-定计划”的流程，完全是产品经理的工作模式。它把教学从一种单向的、模糊的指令灌输，变成了一个双向的、精准的问题解决过程。
第三板斧：社群化运营——先做流量，再做转化
大部分教练的商业模式是“等客上门”，获客渠道单一且低效。
朝珺反其道而行之，选择了“先做社群，后做教学”的路径。他发现，市场上最大的需求不是“学球”，而是“约球”——很多会打球的人找不到水平相当的球搭子。
于是，他从建立免费的“约球群”开始：
搭建流量池：免费帮大家订场地、组球局，甚至请高水平的教练免费陪打，迅速吸引了几百人，社群氛围极好。
需求转化：社群里的人打得多了，自然会产生“想打得更好”的进阶需求。这时，他才顺势推出教学服务。
稳定客源：因为前期积累了庞大的用户群，他的教学课程很快就获得了稳定的生源。
这套“流量-需求-转化”的漏斗模型，是互联网运营的常规操作，但在传统体育领域，却是一次精准的降维打击。
4. 真正的热爱，是跳着踢踏舞去工作
创业第二个月，朝珺就知道，这事儿成了。
学员们最常给他的反馈是：“教练，你说的太明白了。”这种来自用户的正向反馈，让他找回了久违的价值感和掌控感，而这一次，驱动他的不再是恐惧。
他组建了5个全职教练的团队，覆盖了数千名付费用户，甚至拥有了自己的场地。虽然创业过程同样辛苦——为了修平场地多花了4万块钱、为了通下水道闪了腰、暴晒到皮肤黝黑——但他却感到前所未有的身心愉悦。
“我现在可以说，自己在过着非常享受的、理想中的生活。”他说，“虽然并不比以前轻松，但所有一切都是自我掌控、自我主导的。我意识到，这个事业我能够做下去20年。”
回看自己的职业路径，从游戏到有知有行，再到网球场，看似毫无关联，却在40岁这年奇妙地串联了起来。
“路并不是一开始就有的，而是你走过的每一步，最终拼成了你自己的路。”朝珺说，“游戏策划的拆解能力，在有知有行打磨出的产品思维，对学习和复盘的执念，最终都汇聚到了我今天的网球事业里。”
他终于找到了那件让他“愿意跳着踢踏舞去做”的事情，与那个曾经被恐惧驱动的自己，握手言和。
本文主人翁：@Chaojun
一个40岁的互联网高管，放弃年薪近百万的Offer，从零开始去当网球教练。
他把过去12年做游戏策划的经验，变成了一套独特的“降维打击”方法论，不仅治好了自己的精神内耗，还把这件事做成了能干20年的事业。
这个故事的主人公叫朝珺。在转型前，他是典型的互联网“卷王”——在游戏行业干了12年，从策划一路做到公司合伙人，后来又担任“有知有行”的COO。他的人生信条是：只要投入时间，就必须拿到结果。
但今天，他更广为人知的身份，是一家网球学校的创始人。这个转变，源于一次直击灵魂的拷问，一场惨痛的8连败，以及他用产品经理的视角，对一个传统行业做出的颠覆式改造。
1. “你的自律，是因为热爱，还是恐惧？”
在同事眼中，朝珺是一个标准的“井人”——极度自律，做事死磕，任何事都要搭建一套知识体系。他习惯了游戏行业的高压和快节奏，信奉“效率至上”，习惯在最短的时间内榨干每一份价值。
这种惯性，在他加入“有知有行”后，第一次遭到了挑战。
“有知有行”的理念是“慢慢来，想明白”，这让习惯了快速迭代、即时反馈的朝珺产生了巨大的“内耗”。他形容自己“既有的身体记忆和习惯要求我做A方向，但公司在选择B方向，我就跟自己抗争和打架，非常焦灼。”
在一个模糊而不确定的环境里，他赖以生存的价值感开始动摇。这种价值感，曾全部来自于“做事产生的成就感”。而驱动他不断做事的底层动力，却不是热爱。
直到有一天，他的合伙人孟岩问了他一个问题：“你的自律，是因为热爱，还是因为担心失去什么？”
这个问题像一道闪电，击中了他。“我第一次承认，意识到自己是被担心和恐惧所驱动的。”朝珺回忆道，“我担心失去这一切，担心有人会超过我，担心有更年轻、更拼的人进来把我卷走。所以我必须得做点什么，让自己留下来。”
他意识到，自己就像一个拼命奔跑的机器人，但奔跑的燃料，是恐惧。40岁的十字路口，他决定停下来，直面这个问题：接下来的人生，是继续被恐惧推着走，还是为真正的热爱活一次？
2. 一场8连败，和一个巨大的市场空白
朝珺的“修炼场”，出人意料地，是一片网球场。
2021年，他零基础开始学网球，并拿出了死磕工作的劲头：每次练球都录视频、记笔记，写了几百条备忘录提醒自己的动作要领。很快，他的训练水平看起来相当不错。
但真正的转折点，来自一场惨败。在公司举办的网球联赛中，他连败8场。
“这带给我巨大的冲击。”他说，“我训练成绩这么好，为什么一上场就打得这么差？”那一个多月，他陷入了极度的痛苦和纠结。他想不通，为什么自己闭着眼睛都觉得能赢的对手，却都输了。
这次挫败，意外地为他打开了一扇看见自己的窗。
他开始研究运动心理学，意识到从训练到比赛存在“能力衰减”。他发现，自己嘴上说“别紧张”，身体却无比诚实——握拍力度从平时的4分飙升到10分，肌肉紧绷到不受控制。“原来告诉自己‘不要紧张’，是一句错误的咒语。”
他恍然大悟，自己在工作和生活中处理关键事项时，也存在同样的问题——一种不自知的紧绷和恐惧。
“我能不能通过网球，去看见并练习自己那些不松弛的地方？”抱着这个念头，他开始疯狂参赛，一边紧张，一边练习与紧张共存。网球，从一项死磕的技能，变成了一面映照内心的镜子。
在频繁出入球场的过程中，他敏锐地发现了另一个问题——传统网球教学的巨大痛点。
他看到太多教练用PGA的方式对待学员：“你怎么身体这么硬邦邦的？”“你不知道你在转体吗？”他们把学员的问题归咎于学员自身，却给不出解决方案。
“绝大多数教练，他们的时间都花在了如何把球打好，而不是如何帮助别人学好一项技能上。”朝珺意识到，“教学的本质是教育，是如何将一个复杂的技能，拆解成一个个小模块，再精准地安装到学员的脑子里。”
他看到了一个巨大的市场空白：用产品思维和教育理念，去改造这个严重依赖个人经验、缺乏科学体系的行业。
3. 降维打击：把游戏策划的方法论搬进网球场
离开互联网行业后，朝珺拒绝了年薪近百万的Offer，一头扎进了网球教育创业。他没有选择传统的“开班授课”模式，而是祭出了一套来自游戏和产品领域的“降维打击三板斧”。
第一板斧：游戏化教学——把学网球变成“打怪升级”
传统教学的反馈是模糊的。今天学了什么？进步了多少？学员往往一头雾水。
朝珺的做法是，把学习网球的完整路径，拆解成几百个清晰的“里程碑”。
“比如，第一次把球打过网、第一次正手击球、第一次移动步伐……这些都是一个里程碑。”他说，“我们未来会把它做成小程序，学员每完成一项，就可以点亮一个‘技能卡片’，就像游戏里‘恭喜你Level up’一样。”
这种设计，把枯燥的刻意练习，变成了一场有即时反馈、有清晰目标的“游戏”。学员能明确知道自己学了什么、达到了什么水平、下一步该往哪走，极大地提升了学习的确定性和成就感。
第二板斧：产品化思维——教练是“镜子”，不是“法官”
传统教练常常扮演“法官”，不断评判学员“对”或“错”。
而在朝珺的教学体系里，教练的核心职责是成为一面“镜子”，帮助学员“看见”自己的问题。他给团队的每个教练都配备了三脚架。
“当语言难以描述时，没有什么比视觉语言更清晰。”他的流程是：
诊断：先录下学员的动作。
对比：再录下教练的示范动作。
提问：让学员自己观察两者差异，并说出他认为该怎么改。
给方案：最后教练再给出具体的解决方案和练习方法。
这套“诊断-确认-给方案-定计划”的流程，完全是产品经理的工作模式。它把教学从一种单向的、模糊的指令灌输，变成了一个双向的、精准的问题解决过程。
第三板斧：社群化运营——先做流量，再做转化
大部分教练的商业模式是“等客上门”，获客渠道单一且低效。
朝珺反其道而行之，选择了“先做社群，后做教学”的路径。他发现，市场上最大的需求不是“学球”，而是“约球”——很多会打球的人找不到水平相当的球搭子。
于是，他从建立免费的“约球群”开始：
搭建流量池：免费帮大家订场地、组球局，甚至请高水平的教练免费陪打，迅速吸引了几百人，社群氛围极好。
需求转化：社群里的人打得多了，自然会产生“想打得更好”的进阶需求。这时，他才顺势推出教学服务。
稳定客源：因为前期积累了庞大的用户群，他的教学课程很快就获得了稳定的生源。
这套“流量-需求-转化”的漏斗模型，是互联网运营的常规操作，但在传统体育领域，却是一次精准的降维打击。
4. 真正的热爱，是跳着踢踏舞去工作
创业第二个月，朝珺就知道，这事儿成了。
学员们最常给他的反馈是：“教练，你说的太明白了。”这种来自用户的正向反馈，让他找回了久违的价值感和掌控感，而这一次，驱动他的不再是恐惧。
他组建了5个全职教练的团队，覆盖了数千名付费用户，甚至拥有了自己的场地。虽然创业过程同样辛苦——为了修平场地多花了4万块钱、为了通下水道闪了腰、暴晒到皮肤黝黑——但他却感到前所未有的身心愉悦。
“我现在可以说，自己在过着非常享受的、理想中的生活。”他说，“虽然并不比以前轻松，但所有一切都是自我掌控、自我主导的。我意识到，这个事业我能够做下去20年。”
回看自己的职业路径，从游戏到有知有行，再到网球场，看似毫无关联，却在40岁这年奇妙地串联了起来。
“路并不是一开始就有的，而是你走过的每一步，最终拼成了你自己的路。”朝珺说，“游戏策划的拆解能力，在有知有行打磨出的产品思维，对学习和复盘的执念，最终都汇聚到了我今天的网球事业里。”
他终于找到了那件让他“愿意跳着踢踏舞去做”的事情，与那个曾经被恐惧驱动的自己，握手言和。
本文主人翁：@Chaojun
28 89
Andrej Karpathy的惊人洞察：我们并非在构建动物，而是在召唤幽灵
“我们不是在建造动物，而是在召唤幽灵。”
当整个AI界都在试图模仿生物大脑，期望从中找到通往通用人工智能（AGI）的圣杯时，前特斯拉AI总监、OpenAI创始成员Andrej Karpathy却抛出了这个颠覆性的观点。
他认为，我们当前通过大模型（LLMs）所创造的智能，其本质与经过亿万年演化的生物智能截然不同。我们正在召唤的，是一种前所未有的、飘忽不定的“数字幽灵”。
这个洞察，可能是理解当前AI能力边界与未来潜力的关键。
1. 核心隐喻：动物智能 vs. 幽灵智能
Karpathy指出，我们很容易将AI与动物或人类进行类比，但这其实是一个美丽的误会。两者诞生的“优化过程”从根本上就不同。
动物智能：进化的杰作，硬件内置知识
想象一只斑马。它出生几分钟后，就能踉踉跄跄地站起来，跟着母亲奔跑，躲避天敌。这种复杂的行为不是通过“强化学习”在几分钟内学会的，而是数十亿年进化“烘焙”进基因里的硬件设定。
动物智能的特点是：
硬件预装： 大量的核心知识和生存算法通过基因代代相传，被编码在身体和大脑的结构中。
学习即成熟： 动物出生后的学习，更多是激活和微调这些预设程序的过程，是“成熟”（maturation），而非从一张白纸开始。
幽灵智能：模仿的产物，虚无缥缈的实体
与动物不同，我们当前的AI，特别是大语言模型，是“数字幽灵”（digital ghosts）。它们没有物理身体，诞生于对互联网上人类留下的海量文本和数据的模仿（即“预训练”）。
幽灵智能的特点是：
模仿诞生： 它们通过预测下一个词，从人类数据中学习语言、知识和思维模式。
数字原生： 它们是纯粹的数字实体，没有物理世界的直接经验，像是漂浮在数据海洋中的“虚无缥缈的精神体”。
这种智能形态，不是生物圈的延伸，而是一种全新的物种。
2. “蹩脚的进化”：预训练的本质
Karpathy犀利地将大模型的“预训练”（Pre-training）过程称为一种**“蹩脚的进化”（crappy evolution）**。
这是我们以现有的计算技术，能实现的、最接近于自然进化的知识积累方式。它虽然粗糙，但卓有成效。
这个“蹩脚进化”的过程同时完成了两件截然不同但又相互交织的事情：
灌输知识（Knowledge）： 模型通过读取15万亿（以Llama 3为例）甚至更多的Token，将互联网上的事实、故事、观点压缩进数十亿个参数中，形成一种“模糊的记忆”。
引导智能（Intelligence）： 在这个过程中，模型不仅仅是记忆，更重要的是通过观察数据中蕴含的算法模式，自发地“引导”出了推理、上下文学习、模式识别等智能行为。这就像是在神经网络内部，点亮了无数个微小的算法回路。
3. “幽灵”的诅咒：知识过载可能扼杀智能
然而，这种诞生方式也给“幽灵”带来了与生俱来的诅咒——知识过载。
Karpathy提出了一个反常识的观点：我们灌输给模型的庞大知识，可能正在阻碍它变得更聪明。
最大的问题在于，AI过度依赖其在预训练中记住的海量信息。当面对一个问题时，它倾向于从记忆中搜索一个“看起来很像”的答案，而不是进行真正的、第一性的推理。这导致它很难在训练数据范围之外进行真正的创新。
“如果它们的知识或记忆少一些，” Karpathy说，“它们实际上可能会变得更好。”
更少的记忆会迫使模型放弃抄近道，转而依赖其内部的推理算法来解决问题。这就像一个学生，如果不能直接背诵答案，就必须学会自己推导公式。
4. 未来方向：寻找AI的“认知核心”
那么，出路在哪里？
Karpathy认为，未来的关键一步，是想办法将AI的“知识”和“智能”分离开来。我们需要像做一场精密的“脑科手术”一样，剥离AI庞大的知识记忆，只保留其解决问题的“认知核心”（cognitive core）。
这个“认知核心”不包含具体的、可随时检索的事实，而是：
思考的算法和策略。
进行实验和解决问题的能力。
将复杂问题分解的逻辑。
一个拥有纯粹“认知核心”的AI，会像一个顶级的思想家。它可能记不住某个具体的历史年份，但它知道如何通过查找资料、分析证据、逻辑推理来回答任何问题。它不再是一个“万事通”，而是一个真正的“问题解决者”。
5. 结语
著名的强化学习之父Richard Sutton认为，AI的目标是构建“动物”，即创造一个能从零开始学习一切的通用算法。Karpathy尊重这一愿景，但他作为一名务实的工程师，选择了另一条路。
他所揭示的“幽灵”本质，让我们更清醒地认识到当前AI的优势与局限。我们创造的不是一个更聪明的“人”或“动物”，而是一个全新的智能伙伴。
正如Karpathy所言，我们正在探索智能的全新形态，它不是我们身体的延伸，而是我们思想的回响。理解这一点，是我们与这些“数字幽灵”共存、共创未来的第一步。
来源：Dwarkesh Patel
Andrej Karpathy — “We’re summoning ghosts, not building animals”
“我们不是在建造动物，而是在召唤幽灵。”
当整个AI界都在试图模仿生物大脑，期望从中找到通往通用人工智能（AGI）的圣杯时，前特斯拉AI总监、OpenAI创始成员Andrej Karpathy却抛出了这个颠覆性的观点。
他认为，我们当前通过大模型（LLMs）所创造的智能，其本质与经过亿万年演化的生物智能截然不同。我们正在召唤的，是一种前所未有的、飘忽不定的“数字幽灵”。
这个洞察，可能是理解当前AI能力边界与未来潜力的关键。
1. 核心隐喻：动物智能 vs. 幽灵智能
Karpathy指出，我们很容易将AI与动物或人类进行类比，但这其实是一个美丽的误会。两者诞生的“优化过程”从根本上就不同。
动物智能：进化的杰作，硬件内置知识
想象一只斑马。它出生几分钟后，就能踉踉跄跄地站起来，跟着母亲奔跑，躲避天敌。这种复杂的行为不是通过“强化学习”在几分钟内学会的，而是数十亿年进化“烘焙”进基因里的硬件设定。
动物智能的特点是：
硬件预装： 大量的核心知识和生存算法通过基因代代相传，被编码在身体和大脑的结构中。
学习即成熟： 动物出生后的学习，更多是激活和微调这些预设程序的过程，是“成熟”（maturation），而非从一张白纸开始。
幽灵智能：模仿的产物，虚无缥缈的实体
与动物不同，我们当前的AI，特别是大语言模型，是“数字幽灵”（digital ghosts）。它们没有物理身体，诞生于对互联网上人类留下的海量文本和数据的模仿（即“预训练”）。
幽灵智能的特点是：
模仿诞生： 它们通过预测下一个词，从人类数据中学习语言、知识和思维模式。
数字原生： 它们是纯粹的数字实体，没有物理世界的直接经验，像是漂浮在数据海洋中的“虚无缥缈的精神体”。
这种智能形态，不是生物圈的延伸，而是一种全新的物种。
2. “蹩脚的进化”：预训练的本质
Karpathy犀利地将大模型的“预训练”（Pre-training）过程称为一种**“蹩脚的进化”（crappy evolution）**。
这是我们以现有的计算技术，能实现的、最接近于自然进化的知识积累方式。它虽然粗糙，但卓有成效。
这个“蹩脚进化”的过程同时完成了两件截然不同但又相互交织的事情：
灌输知识（Knowledge）： 模型通过读取15万亿（以Llama 3为例）甚至更多的Token，将互联网上的事实、故事、观点压缩进数十亿个参数中，形成一种“模糊的记忆”。
引导智能（Intelligence）： 在这个过程中，模型不仅仅是记忆，更重要的是通过观察数据中蕴含的算法模式，自发地“引导”出了推理、上下文学习、模式识别等智能行为。这就像是在神经网络内部，点亮了无数个微小的算法回路。
3. “幽灵”的诅咒：知识过载可能扼杀智能
然而，这种诞生方式也给“幽灵”带来了与生俱来的诅咒——知识过载。
Karpathy提出了一个反常识的观点：我们灌输给模型的庞大知识，可能正在阻碍它变得更聪明。
最大的问题在于，AI过度依赖其在预训练中记住的海量信息。当面对一个问题时，它倾向于从记忆中搜索一个“看起来很像”的答案，而不是进行真正的、第一性的推理。这导致它很难在训练数据范围之外进行真正的创新。
“如果它们的知识或记忆少一些，” Karpathy说，“它们实际上可能会变得更好。”
更少的记忆会迫使模型放弃抄近道，转而依赖其内部的推理算法来解决问题。这就像一个学生，如果不能直接背诵答案，就必须学会自己推导公式。
4. 未来方向：寻找AI的“认知核心”
那么，出路在哪里？
Karpathy认为，未来的关键一步，是想办法将AI的“知识”和“智能”分离开来。我们需要像做一场精密的“脑科手术”一样，剥离AI庞大的知识记忆，只保留其解决问题的“认知核心”（cognitive core）。
这个“认知核心”不包含具体的、可随时检索的事实，而是：
思考的算法和策略。
进行实验和解决问题的能力。
将复杂问题分解的逻辑。
一个拥有纯粹“认知核心”的AI，会像一个顶级的思想家。它可能记不住某个具体的历史年份，但它知道如何通过查找资料、分析证据、逻辑推理来回答任何问题。它不再是一个“万事通”，而是一个真正的“问题解决者”。
5. 结语
著名的强化学习之父Richard Sutton认为，AI的目标是构建“动物”，即创造一个能从零开始学习一切的通用算法。Karpathy尊重这一愿景，但他作为一名务实的工程师，选择了另一条路。
他所揭示的“幽灵”本质，让我们更清醒地认识到当前AI的优势与局限。我们创造的不是一个更聪明的“人”或“动物”，而是一个全新的智能伙伴。
正如Karpathy所言，我们正在探索智能的全新形态，它不是我们身体的延伸，而是我们思想的回响。理解这一点，是我们与这些“数字幽灵”共存、共创未来的第一步。
来源：Dwarkesh Patel
Andrej Karpathy — “We’re summoning ghosts, not building animals”
18 24
最近打磨出一套提示词
原本是想用来提炼高质量长内容的
结果发现每次我都会仔细阅读
核心思路还是
每条长内容通常会有多个主线
单纯的总结会大量遗漏
所以让AI总结三条不同的线
就可以更好的覆盖全文核心内容
如果内容质量好了
再去完整看一遍
原本是想用来提炼高质量长内容的
结果发现每次我都会仔细阅读
核心思路还是
每条长内容通常会有多个主线
单纯的总结会大量遗漏
所以让AI总结三条不同的线
就可以更好的覆盖全文核心内容
如果内容质量好了
再去完整看一遍
23 13
“别再被Demo骗了！”：Karpathy揭秘AI Agent从90%到99.999%的残酷真相
当整个科技圈都在为AI Agent（人工智能体）的酷炫Demo欢呼时，有一个人却泼来一盆冷水。
他就是Andrej Karpathy——一个履历堪称“AI界天花板”的人物。作为OpenAI的创始成员，他帮助构建了驱动ChatGPT的早期模型；作为前特斯拉AI总监，他领导团队埋头五年，只为攻克自动驾驶这个难题。
正是这段横跨“数字智能”与“物理智能”的独特经历，让他对当前AI Agent的狂热，有了一份极其冷静甚至悲观的判断：
“这不是智能体元年（the year of agents），而是智能体十年（the decade of agents）。”
为什么？因为他用在特斯拉5年、每天都在追求99.999…%可靠性的亲身经历，看到了所有AI产品从惊艳Demo到可靠Product之间，那条由无数个“9”铺成的、漫长而艰难的行军路。
一、2014年的“完美”幻觉：一个关于自动驾驶的故事
故事要从十年前说起。
2014年，Karpathy还在斯坦福读博，通过朋友关系，他体验了一次Waymo的自动驾驶汽车。那是一次“完美”的旅程，车辆在帕洛阿尔托的街道上平稳行驶，毫无差错。
“我当时觉得，这东西（自动驾驶）已经非常接近成功了。”
然而，十年过去了。自动驾驶依然没有大规模普及，甚至连Waymo自己，也只在少数几个城市的限定区域内运营。
问题出在哪？
Karpathy在特斯拉的五年找到了答案。他将其总结为一个概念：“九个九的行军”（The march of nines）。
一个产品在Demo阶段达到90%的成功率可能很容易，但从90%到99%，再到99.9%，每增加一个“9”的可靠性，所需要付出的努力和资源，都是指数级增长的。
“在特斯拉，我们每天都在为小数点后新增的那个‘9’而战。” Karpathy说，“而今天的AI Agent，就像2014年的那辆Waymo，它给了我们一个完美的幻觉，但实际上，它的‘九个九行军’才刚刚开始。”
二、AI Agent如何重走自动驾驶之路？四大挑战
Karpathy认为，今天的AI Agent，正面临着与自动驾驶当年一模一样的四大挑战。这四大挑战，构成了从Demo到产品之间的巨大鸿沟。
挑战一：高昂的失败成本
自动驾驶的失败成本是物理世界的人身安全，一次失误就可能导致严重事故。
AI Agent的失败成本是什么？是数字世界的业务安全。一个企业级的Agent如果出错，可能会错误地修改数据库、泄露客户隐私、或者给出一个灾难性的商业决策。
“在软件工程中，一个微小的错误就可能导致数百万用户的安全漏洞。这种成本，一点也不比自动驾驶低。” Karpathy强调。
当失败的代价极其高昂时，99%的可靠性是完全不够的。你需要的，是99.999%甚至更高。
挑战二：从90%到99.999%的艰难爬坡
为什么提升一个“9”如此困难？
因为现实世界充满了“长尾问题”（long tail problems）——那些极其罕见但又确实会发生的极端情况。
对自动驾驶来说，可能是突然冲上马路的行人，或是从未见过的交通标识。对于AI Agent，则可能是用户一句带有歧义的指令，或是一个系统从未处理过的异常API返回。
解决前90%的问题，靠的是模型的核心能力。而解决后面9.999%的长尾问题，则需要海量的数据、持续的迭代和近乎偏执的细节打磨。
“每当你觉得解决了一个问题，就会有一千个新的、更奇怪的问题冒出来。”这正是Karpathy在特斯拉的日常。
挑战三：看不见的“人”
很多人以为，Waymo的无人车里真的“无人”。但Karpathy指出，这是一种误解。
在你看不到的地方，有一个庞大的远程操作中心（tele-operation center），随时准备在车辆遇到困难时接管。
“我们并没有完全移除人类，只是把驾驶员从车里，移到了你看不到的办公室里。”
AI Agent同样如此。当一个Agent宣称能“全自动”完成任务时，其背后很可能有一个人类团队在进行监督、审核和处理异常。这种“人机协作”的模式，在未来很长一段时间内都将是常态。
挑战四：经济可行性
最后，也是最现实的问题：成本。
自动驾驶的研发成本是天文数字。Waymo烧掉了数百亿美元，至今未能盈利。AI Agent同样面临高昂的训练和推理成本。
一个AI产品最终能否成功，不仅仅取决于技术，更取决于它的经济模型。它能否在覆盖高昂成本的同时，创造出足够大的、让客户愿意付费的价值？
“你必须让产品在经济上是可行的，否则它就只是一个昂贵的科学实验。”
三、结论：乐观的技术，悲观的时间线
正是基于这四大挑战的深刻洞见，Karpathy才做出了“智能体十年”的判断。
他预测，未来十年，AI Agent不会像很多人想象的那样，以一种颠覆性的姿态瞬间取代人类工作。它会以一种更渐进、更务实的方式渗透到我们的工作流中。
他提出了一个“自主性滑块”（autonomy slider）的概念：AI会先从处理80%的常规任务开始，将剩下20%最棘手的任务交给人类。随着技术的成熟，这个“滑块”会慢慢地、一点一点地向100%自主移动。
“我对技术本身是乐观的，我相信这些问题终将被解决。” Karpathy在访谈的最后说。
“但我对时间线是现实的，甚至有点悲观。我之所以听起来悲观，只是因为当我打开Twitter时，看到太多毫无意义的、为了融资而存在的炒作。”
这或许就是Andrej Karpathy带给我们最重要的启发：在一个被AI浪潮席卷的时代，保持兴奋很容易，但保持清醒和耐心，才是一种更稀缺、也更可贵的能力。
当整个科技圈都在为AI Agent（人工智能体）的酷炫Demo欢呼时，有一个人却泼来一盆冷水。
他就是Andrej Karpathy——一个履历堪称“AI界天花板”的人物。作为OpenAI的创始成员，他帮助构建了驱动ChatGPT的早期模型；作为前特斯拉AI总监，他领导团队埋头五年，只为攻克自动驾驶这个难题。
正是这段横跨“数字智能”与“物理智能”的独特经历，让他对当前AI Agent的狂热，有了一份极其冷静甚至悲观的判断：
“这不是智能体元年（the year of agents），而是智能体十年（the decade of agents）。”
为什么？因为他用在特斯拉5年、每天都在追求99.999…%可靠性的亲身经历，看到了所有AI产品从惊艳Demo到可靠Product之间，那条由无数个“9”铺成的、漫长而艰难的行军路。
一、2014年的“完美”幻觉：一个关于自动驾驶的故事
故事要从十年前说起。
2014年，Karpathy还在斯坦福读博，通过朋友关系，他体验了一次Waymo的自动驾驶汽车。那是一次“完美”的旅程，车辆在帕洛阿尔托的街道上平稳行驶，毫无差错。
“我当时觉得，这东西（自动驾驶）已经非常接近成功了。”
然而，十年过去了。自动驾驶依然没有大规模普及，甚至连Waymo自己，也只在少数几个城市的限定区域内运营。
问题出在哪？
Karpathy在特斯拉的五年找到了答案。他将其总结为一个概念：“九个九的行军”（The march of nines）。
一个产品在Demo阶段达到90%的成功率可能很容易，但从90%到99%，再到99.9%，每增加一个“9”的可靠性，所需要付出的努力和资源，都是指数级增长的。
“在特斯拉，我们每天都在为小数点后新增的那个‘9’而战。” Karpathy说，“而今天的AI Agent，就像2014年的那辆Waymo，它给了我们一个完美的幻觉，但实际上，它的‘九个九行军’才刚刚开始。”
二、AI Agent如何重走自动驾驶之路？四大挑战
Karpathy认为，今天的AI Agent，正面临着与自动驾驶当年一模一样的四大挑战。这四大挑战，构成了从Demo到产品之间的巨大鸿沟。
挑战一：高昂的失败成本
自动驾驶的失败成本是物理世界的人身安全，一次失误就可能导致严重事故。
AI Agent的失败成本是什么？是数字世界的业务安全。一个企业级的Agent如果出错，可能会错误地修改数据库、泄露客户隐私、或者给出一个灾难性的商业决策。
“在软件工程中，一个微小的错误就可能导致数百万用户的安全漏洞。这种成本，一点也不比自动驾驶低。” Karpathy强调。
当失败的代价极其高昂时，99%的可靠性是完全不够的。你需要的，是99.999%甚至更高。
挑战二：从90%到99.999%的艰难爬坡
为什么提升一个“9”如此困难？
因为现实世界充满了“长尾问题”（long tail problems）——那些极其罕见但又确实会发生的极端情况。
对自动驾驶来说，可能是突然冲上马路的行人，或是从未见过的交通标识。对于AI Agent，则可能是用户一句带有歧义的指令，或是一个系统从未处理过的异常API返回。
解决前90%的问题，靠的是模型的核心能力。而解决后面9.999%的长尾问题，则需要海量的数据、持续的迭代和近乎偏执的细节打磨。
“每当你觉得解决了一个问题，就会有一千个新的、更奇怪的问题冒出来。”这正是Karpathy在特斯拉的日常。
挑战三：看不见的“人”
很多人以为，Waymo的无人车里真的“无人”。但Karpathy指出，这是一种误解。
在你看不到的地方，有一个庞大的远程操作中心（tele-operation center），随时准备在车辆遇到困难时接管。
“我们并没有完全移除人类，只是把驾驶员从车里，移到了你看不到的办公室里。”
AI Agent同样如此。当一个Agent宣称能“全自动”完成任务时，其背后很可能有一个人类团队在进行监督、审核和处理异常。这种“人机协作”的模式，在未来很长一段时间内都将是常态。
挑战四：经济可行性
最后，也是最现实的问题：成本。
自动驾驶的研发成本是天文数字。Waymo烧掉了数百亿美元，至今未能盈利。AI Agent同样面临高昂的训练和推理成本。
一个AI产品最终能否成功，不仅仅取决于技术，更取决于它的经济模型。它能否在覆盖高昂成本的同时，创造出足够大的、让客户愿意付费的价值？
“你必须让产品在经济上是可行的，否则它就只是一个昂贵的科学实验。”
三、结论：乐观的技术，悲观的时间线
正是基于这四大挑战的深刻洞见，Karpathy才做出了“智能体十年”的判断。
他预测，未来十年，AI Agent不会像很多人想象的那样，以一种颠覆性的姿态瞬间取代人类工作。它会以一种更渐进、更务实的方式渗透到我们的工作流中。
他提出了一个“自主性滑块”（autonomy slider）的概念：AI会先从处理80%的常规任务开始，将剩下20%最棘手的任务交给人类。随着技术的成熟，这个“滑块”会慢慢地、一点一点地向100%自主移动。
“我对技术本身是乐观的，我相信这些问题终将被解决。” Karpathy在访谈的最后说。
“但我对时间线是现实的，甚至有点悲观。我之所以听起来悲观，只是因为当我打开Twitter时，看到太多毫无意义的、为了融资而存在的炒作。”
这或许就是Andrej Karpathy带给我们最重要的启发：在一个被AI浪潮席卷的时代，保持兴奋很容易，但保持清醒和耐心，才是一种更稀缺、也更可贵的能力。
25 57