375
2【本期播客由AI Agent 剪辑，不足之处，多多谅解，我们会持续迭代，本期最新版本为98分钟版本】
时隔近三个月，我和奕波再次复盘AI在实际工作中的变化。
这次先从各自的投研实践聊起：为什么有些文章又开始自己写？为什么同一套工作流换了模型，会像换了一个人？辛苦积累的Skill，到底哪些还值得保留？
接着，我们聊国产大模型的能力、成本与商业化，讨论算力投入背后的回报和风险，以及前沿模型是否应该“踩刹车”。
最后，把问题落到公司内部：AI会怎样改变分工、信息流动与团队协作？传统公司能否从内部完成转型，还是需要新公司重新做一遍？
有些问题我们看法接近，有些分歧依然很大。欢迎带着自己的使用经验来听。
🎙王韦华（小苔花园）× 唐奕波（随处奔波）
录制时间：2026年9月15日
播放时间：2026年9月17日
🕙时间线
一、AI投研：工具进步之后，人怎么工作？
01:11 三个月后再复盘：为什么奕波又开始自己写文章？
AI可以辅助学习、查资料和整理信息，但个人判断、情感表达与文章结构，为什么仍让他感到不满意？
03:28 日常跟踪与陌生行业研究，为什么要分开？
奕波把任务分成固定流程与开放探索：日报可以按流程走，学习新行业时，旧模板却可能限制思路。
06:35 规则越写越多，会不会把AI困住？
从不断追加防错条款聊到精简Skill：哪些规则帮助执行，哪些设定反而妨碍发散和深度交流？
08:51 AI能否独立完成投资？先分清量化与主观判断
从因子、大量样本和流程化执行，聊到主观投资寻找少见机会的困难，以及人需要承担的判断。
14:04 从剪播客到搭工作台：单项复杂任务的进步
奕波分享让AI清理口癖、制作剪辑工作台，再通过反复试听和调整，把一次任务变成自己的工具。
16:32 Copilot还是自主Agent：最后由谁判断？
能自主完成任务，不等于能独立决定研究方向和投资结论。奕波重新梳理了自己与AI的分工。
17:59 换模型，为什么会像换了一个人？
韦华分享“小苔花变心”的经历。模型、工作流与长期积累的上下文，各自在协作体验中占多大分量？
18:44 模型越来越强，过去积累的Skill还值钱吗？
以前需要一步步教的任务，新模型可能直接就会了。哪些流程只是临时脚手架，哪些经验仍有长期价值？
21:06 最重要的升级，是一个适合自己的工作台
把看盘、日报和播客阅读放在一起，再让AI提醒自己曾经犯过的错：工具怎样帮助人改进判断？
24:29 独立验证器与一线调研：小苔花的新尝试
韦华介绍验证器和调研协作，也谈到AI遗漏历史背景的问题。这套新分工的效果，仍在实践中验证。
二、国产大模型：能力、成本与商业化
26:09 该先看收入，还是先看模型能力？
从阿里、腾讯、MiniMax和智谱的财报讨论出发，奕波解释自己为什么更关注能力变化，以及竞争格局尚未定型的部分。
29:01 为什么关注DeepSeek？权重之外还要看工程
围绕架构、部署成本和开源展开：模型权重公开以后，工程经验和整套部署体系是否仍能形成差异？
34:27 如果给你一批算力，你会拿来训练还是推理？
把模型做强、获得当期收入、积累使用数据，这几项目标如何取舍？两人借一个假设讨论资源分配。
37:03 从蒸馏争议聊到轨迹数据
一份批评材料，能否反过来成为观察能力的线索？讨论轨迹数据的价值，以及当下表现与未来潜力的区别。
三、算力大投入：需求、回报与瓶颈
41:16 算力投入与股东回报，为什么会发生冲突？
资本开支、回购和现金流之间如何取舍？产业经营者与股票投资者，可能在关注不同的时间尺度。
43:14 算力需求的两部分：推理与持续训练
奕波拆解两类需求，并区分“眼前需求强劲”与“未来新增产能能否被消化”这两个问题。
46:01 担心交付太慢，还是未来需求接不住？
钱已经投出去，收入却迟迟没跟上，现金流风险该怎么理解？供应链卡点与最终需求不足又有什么不同？
48:47 电力瓶颈会不会反而拖慢泡沫形成？
从数据中心接网和设备交付聊起，讨论供给约束怎样影响扩张节奏，再把焦点放回需求。
49:54 算力受限，会拉大差距，还是倒逼创新？
韦华担心模型迭代加速扩大差距；奕波讨论架构与工程优化的追赶路径，以及最前沿那一截智能究竟意味着什么。
53:53 第二梯队能追上吗？谁愿意先放慢脚步？
从模型追赶聊到前沿竞争：为什么“大家一起停”和“只有我先停”，是完全不同的问题？
四、AI安全：该不该“踩刹车”？
55:17 安全担忧究竟从哪里来？
从节目提到的智能体安全争议，讨论模型能力、目标设定与运行环境约束之间的关系。
57:36 为什么进攻容易，防守困难？
奕波认为，防御依赖一整套基础设施，模型能力提升并不意味着防御能力能够同步增强。
01:01:01 递归自我改进：当AI开始评估自己
当模型自己提出问题、评估结果并推动下一轮改进，人类还能怎样判断方向、识别风险？
01:03:51 应该放缓发展，还是加大安全投入？
韦华提出增加安全投入的思路；奕波追问，防御体系的建设是否能够跟上前沿能力增长。
01:07:11 把算力集中起来，就能做出更强的模型吗？
韦华提出集中资源的设想，奕波强调不同技术路线的探索价值。分歧从算力延伸到组织与创新方式。
01:12:03 开源、闭源与商业化：优势靠什么维持？
从使用者体验谈到模型公司的选择，比较成本优势、能力差距和生态在商业化中的作用。
01:13:52 从具体需求到产品化，AI怎样真正落地？
更强的模型能打通更长的任务流程，但商业化还需要可复制的产品。也聊到FDE模式与规模化之间的区别。
五、AI native公司：重新组织协作
01:17:10 公司会怎样变化？从工厂电气化的比喻聊起
工具换了，组织方式是否也要重做？奕波用工厂的变化解释，为什么原有分工未必适合新的生产方式。
01:20:16 一个人完成一个循环，为什么仍需要协作？
从销售、产品和研发的交接，聊到个人借助AI完成完整任务，以及这为什么不等于“一人公司最优”。
01:21:52 让AI参与协调：共享上下文为什么重要？
两人设想由AI理解团队上下文、协助交接任务，并讨论信息透明、层级沟通和组织调整之间的关系。
01:26:28 从零搭一家AI native私募基金，会有什么不同？
把讨论落到投研：研究员完整留下研究，基金经理按自己的关注点向AI提问，能否减少重复沟通？
六、改造老公司，还是从零创业？
01:29:15 复制最赚钱的部门，能改造一家老公司吗？
韦华提出新建团队、复制业务的设想；奕波追问，业务知识从哪里来，原有员工又为什么愿意配合？
01:33:11 为什么奕波更倾向于从新公司开始？
奕波认为新公司的阻力可能更小；韦华继续追问，管理层足够有魄力时，旧公司能否完成转型？
01:34:04 去哪里找AI native样本？透明是一道门槛
奕波建议关注初创公司的组织与商业模式，也强调：上下文要真正共享，信息就需要足够透明。
01:37:07 回到自己：今天可以用AI做什么？
最后把讨论拉回个人实践：把AI用起来，先做好手头的事，再持续观察技术和组织怎样变化。
🔎本期关键词
AI投研｜Harness｜Skill｜Copilot与Agent｜模型蒸馏｜轨迹数据｜CapEx｜RSI（递归自我改进）｜FDE｜AI native组织
