亏损32亿却成资本宠儿：解码中国GPU“新贵”沐曦的5个惊人真相 一家成立仅数年、累计亏损超过32亿元人民币的公司，不仅没有倒下，反而成功登陆科创板，上市首日竞价高开568%。这家公司，就是中国高性能GPU领域的新贵——沐曦集成电路（简称“沐曦”）。 在传统的商业逻辑里，这几乎是不可思议的。然而，这并非孤例，而是当下中国科技产业版图中的一幕缩影。这背后究竟是国家在关键技术领域的一场豪赌，还是资本市场集体陷入的一场幻觉？本文将深入剖析支撑这一反常识现象的五个惊人真相。 真相一：越亏越勇？32亿“战略性亏损”的豪赌 首先必须明确：沐曦的巨额亏损并非经营失败，而是一种蓄意的“战略性亏损”。财务报表上，一组惊人的数据形成了鲜明对比：从2022年到2025年第一季度，公司累计净亏损已超过32亿元人民币，其中仅2024年一年，净亏损就飙升至逾14亿元。然而在同一时期，其营业收入却实现了爆炸式增长——从2022年不足43万元，飙升至2024年的7.4亿元以上。亏损的根源在于极度高昂且持续的研发投入，仅2024年就高达9亿元。这种“烧钱”模式，本质上是挑战英伟达（Nvidia）、AMD等全球巨头垄断格局所必须付出的“入场券”和追赶代价。 这些公司的财务报表与其说是一家传统企业的账本，不如说是一份国家级高风险科技项目的预算表。 但一份高风险项目的预算若要取信于人，必须有能够执行它的团队。这便引出了沐曦最无可复制的核心资产。 真相二：“AMD铁三角”——世界级“梦之队”的降维打击 资本市场为何愿意为如此巨大的战略性亏损买单？答案就锚定在沐曦的核心创始团队——“AMD铁三角”身上。这三位创始人均来自全球GPU巨头AMD，拥有世界顶级的技术背景和量产经验，这种来自同一家顶尖公司、高密度汇集的顶尖技术人才在中国初创企业中前所未有。 • 创始人兼CEO陈维良：拥有近20年GPU领域经验，曾任AMD数代GPU产品线的全球设计总负责人，亲自主导并完成了15款高性能GPU从设计到量产的全过程。 • 联合创始人兼CTO彭莉：曾任AMD企业院士（Fellow），这是公司技术人才的最高荣誉之一。作为核心架构师，她深度参与了从55纳米到7纳米多个制程节点的GPU研发。 • 联合创始人兼软件CTO杨建：曾是AMD大中华区的首位华人科学家（Fellow），在GPU竞争的真正护城河——软件生态领域，他正负责打造沐曦自主的软件平台。 对于投资者而言，这个团队代表了一种“降维打击”——将久经考验的全球顶尖专业能力，应用于方兴未艾的国内市场，从而极大地降低了项目的执行风险。正是这支“梦之队”的存在，才使得真相一中的巨额亏损，被视为一项可信的战略投资，而非一场失败的经营。 真相三：被“制裁”出的万亿风口 一个反直觉的观点是：地缘政治，尤其是美国的芯片出口管制政策，成为了沐曦发展的最大“推手”。美国的限制意在遏制中国AI产业，却意外地为国产GPU厂商创造了一个巨大的、受保护的市场真空。数据显示，英伟达在中国AI芯片市场的份额已从过去的95%骤降至近乎为零。与此同时，据沙利文公司预测，到2029年，中国AI芯片市场规模将达到惊人的13367.92亿元。 这种外部环境的剧变，使得“自主可控”和“供应链安全”被提升至国家战略高度。政府项目、国有企业和国家级算力中心被强烈鼓励优先选择国产品牌。这有效地为沐曦这类公司创造了一个政府背书的“孵化器”，用国家技术主权的战略需要，替代了全球自由市场的残酷竞争。因此，市场给予的高估值，以及国家背景资本对其长期亏损的容忍，本质上都是在为这种战略稀缺性和技术主权支付溢价。 真相四：不止于AI加速，目标是“全功能GPU”帝国 与其他专注于AI特定领域的芯片初创公司不同，沐曦展现出了更为长远的战略野心。它的定位是“全栈高性能GPU芯片及计算平台”，而不仅仅是AI加速卡的供应商。这一宏大战略之所以可信，正是因为其来自AMD的创始团队（真相二）拥有构建如此复杂体系的全面经验。 为此，沐曦规划了三条清晰的产品线，直接对标并挑战Nvidia和AMD的全面市场地位： • 曦云（MXC系列）：主攻AI训练和通用计算，是当前主要的收入来源。 • 曦思（MXN系列）：专注于AI推理应用。 • 曦彩（MXG系列）：目标是图形渲染，覆盖游戏、元宇宙等传统和新兴图形应用。 这一布局意义重大。它表明沐曦的目标是构建一个从底层硬件到上层软件生态的完整自主体系，成为一家真正的全功能GPU公司，而非仅仅是一个在特定赛道的追赶者。 真相五：IPO不是终点，而是“续命”的弹药 对于沐曦这样的“烧钱机器”而言，此次IPO募集的近39亿元资金，并非功成名就的庆典，而是至关重要的“续命弹药”。以2024年逾14亿元的净亏损和9亿元的研发投入测算，这笔融资可能仅够支撑公司不到三年的高强度研发。 因此，IPO的真正目的，是为公司争夺一个关键的时间窗口，以完成其招股书中所明确的下一代旗舰芯片（如对标英伟达H100的C600和C700）的研发和量产。上市之后，沐曦依然面临着残酷的挑战：外部，是英伟达CUDA生态系统坚不可摧的“护城河”；内部，则是与摩尔线程、壁仞科技等国内同行的激烈淘汰赛。所以，沐曦真正的赛跑不仅是与竞争对手，更是与自身的“烧钱”速度赛跑，IPO资金则为其提供了至关重要但却有限的跑道。 结论：一场与时间的赛跑 沐曦的故事，是精英人才、国家级资本与地缘政治三重因素在特殊历史时期罕见交融的产物。它并非一个传统的商业成功案例，而是一场用资本换时间的国家级科技突围赛。它的成功，将为中国数字基础设施奠定一块真正自主可控的基石；而它的失败，则可能证明这不过是科技泡沫时代又一次昂贵的尝试。 沐曦的故事，是中国科技在“卡脖子”压力下绝地反击的序章，还是一场昂贵的资本泡沫？在这场与时间的赛跑中，你认为它最终能成功吗？

引言：在喧嚣中寻找信号 当前，围绕人工智能（AI）的讨论充满了各种噪音、炒作和矛盾的信息，让许多创业者、投资者和技术爱好者感到困惑。我们正处在一个技术浪潮的开端，但未来的路径充满了不确定性。 本文旨在穿透迷雾，从顶尖风险投资家——Andreessen Horowitz的Bryan Kim、Vincap International的David Clark以及Launch的Jason Calacanis——的一场深度对话中，提炼出5个最令人惊讶、最反直觉的观点。这些见解将帮助你看清AI时代的真正机遇，并为创业者、投资者和技术爱好者提供一套在AI时代导航的全新作战地图。 -------------------------------------------------------------------------------- 1. 忘掉“AI泡沫”论：这不是泡沫，而是全新的技术范式 虽然当前AI市场感觉有些“泡沫化”（frothy），但简单地将其贴上“泡沫”的标签是具有误导性的。 顶级投资人David Clark指出，与历史上的泡沫不同，当前市场并非由纯粹的投机驱动，其高估值背后有着坚实的支撑。 原因何在？因为AI浪潮的独特之处在于，技术的“安装阶段”（即底层技术的建设）和“部署阶段”（即用户的大规模采用）正以前所未有的方式同时发生。这创建了一个全新的动态。 而这种同步部署的证据是压倒性的。Bryan Kim提到，以ChatGPT为例，其周活跃用户平均每周使用该产品超过25次。这种惊人的用户粘性证明了AI技术正在创造真实的、非投机性的需求和可持续的价值，为高估值提供了强有力的基本面支撑。 正如Jason Calacanis生动地比喻，当前市场更像是一杯只有少量泡沫的“平白咖啡（flat white）”，而不是一杯充满泡沫的“卡布チーノ（cappuccino）”。 “...this is almost the first time we've seen a technology paradigm where the installation phase... is happening simultaneous with the deployment phase... and so for us you know we are at the start of a of a major cycle here.” —— David Clark -------------------------------------------------------------------------------- 2. “市场规模（TAM）”是个陷阱：伟大的产品会创造自己的市场 在评估颠覆性技术时，一个常见的错误是过分关注预定义的总目标市场（Total Addressable Market, TAM）。 伟大的产品往往不会去迎合一个已有的市场，而是会创造一个全新的市场。 Bryan Kim在投资AI教育平台Obo时，市场上并没有一个价值百亿美金的教育科技公司可供参考。但这并不重要。回顾历史，Uber最初被视为小众的“黑车市场”，Airbnb被看作是“换房市场”，而11 Labs则始于规模不大的“配音市场”。然而，它们最终的市场规模都远远超出了最初的预期。 这背后是“诱导市场”（Induced Market）的概念。Bryan Kim解释道，当一项技术足够好、足够便宜时，它会像一种引力一样“诱导”出一个全新的市场。用户会为这项技术创造出前所未有的新用途，从而将市场的边界无限扩大。 “...if it's low enough you induce a market and now people are like 'Hey I'm going to build a product because this is so cheap and so good which is the inducing of a market that's beyond product market fit that's like gravity...'” —— Bryan Kim 对于早期创业公司而言，创始人那份“改变世界的愿景”，远比一份看似精确的TAM分析报告更重要。然而，这种思维定势并非绝对。David Clark补充道，TAM的分析在投资后期阶段会变得愈发关键。对于一个寻求成长的公司，其市场“天花板”有多高是尽职调查的核心。因此，投资的 calculus会随着公司的成熟而改变。 -------------------------------------------------------------------------------- 3. 顶级风投的新法则：永远不要过早出售你的赢家 在当前“幂律法则”效应愈发显著的时代，投资组合的回报越来越依赖于极少数的超级成功案例（outliers）。 这从根本上重塑了风险投资退出的演算逻辑。 David Clark强调，过早出售组合中最成功的公司，是成为全球顶级投资机构的最大障碍。为了管理流动性，顶尖风投更倾向于通过构建包含早期、成长期以及LP二级市场份额的多元化投资组合，而不是催促创始人提前退出。他们的核心策略是：尽可能长时间地持有赢家。 以Databricks为例，这家公司年化收入已超过40亿美元，并且仍保持着超过50%的年增长率。这种顶级的公司能够持续高速地复合增长。过早退出，就意味着错失了后期最丰厚的回报。正如David所说，“何时卖出的决定，可能比何时买入的决定更难。” “...you don't get to be one of the best firms globally by selling your best companies prematurely.” —— David Clark -------------------------------------------------------------------------------- 4. 忘掉传统护城河：在AI时代，速度就是终极防御 “势头即新护城河”（Momentum is the new moat）——这是Bryan Kim提出的在AI时代评估公司竞争壁垒的核心理念。 在ChatGPT出现之前，护城河通常指网络效应或独特的数据优势。但在底层模型以惊人速度迭代的今天，最重要的护城河变成了两件事：“产品发布的速率”和“有效分销的能力”。这种持续、快速地构建和交付产品的能力，是比任何静态优势都更强大的竞争壁垒。这种惊人的产品迭代和分销速度，正是驱动前文所述的“安装”与“部署”阶段同步发生的引擎。 在这种新范式下，收入本身只是一个“滞后指标”，它是产品速度和分销能力相结合后产生的结果。 与此同时，传统的市场营销渠道正在失灵，这恰恰凸显了创新分销的重要性。正如Bryan Kim引用其合伙人Andrew Chen的观点所言，“现在每个营销渠道的效果都很差”。在一个无法简单地“购买”用户的世界里，那些通过举办全球黑客松、建立初创公司联盟或利用网红进行产品分发等创新方式获取用户的创始人，正在建立真正的防御优势。 -------------------------------------------------------------------------------- 5. 最优秀的创始人总能找到出路：战略性“副业”是生存的智慧 Boom Supersonic是一家致力于制造超音速客机的公司，这是一个宏大且极其烧钱的愿景。当宏伟蓝图遭遇资本现实时，他们做出了一个惊人的决定：将其正在研发的喷气发动机打包成移动发电机，出售给需要大量能源的数据中心。 这并非失败的标志，而是顶级创始人为生存而战的务实智慧。Jason Calacanis指出，这是“出于必要性和机遇，且按此顺序”的战略选择。他将其与早期的特斯拉相类比——为了生存和实现最终目标，特斯拉曾为其他汽车公司提供电池和动力系统。 这揭示了精英创业的一个核心公理：他们极度务实，为了实现最终的宏大愿景，不惜采取一切必要的手段来维持公司的生存和发展。他们知道，只有活下去，梦想才有实现的可能。 “...we consistently see the best founders find a way to make it happen and if that means pivoting or doing a side gig in order to get there then then that's what happens.” —— David Clark 那些能够在逆境中灵活调整、找到新收入来源的创始人，往往是最终能够实现宏伟蓝图的人。这种战略性的“副业”不是分心，而是通往最终胜利的智慧。 -------------------------------------------------------------------------------- 结论：重塑你的思维模型 这些顶尖投资人的洞察并非孤立存在，它们共同描绘出一个由AI驱动的新范式：一个速度、适应性和市场创造力彻底颠覆传统商业物理学和投资法则的时代。 总结一下这五个核心洞察： 1. AI浪潮是新范式，而非泡沫： 底层技术建设与用户大规模采用同步发生。 2. 市场可以被创造： 伟大的产品会诱导出远超预期的全新市场。 3. 长期持有是关键： 在幂律法则时代，过早出售赢家是最大的错误。 4. 速度是新护城河： 快速的产品迭代和有效分销是终极防御。 5. 伟大创始人的务实与坚韧： 他们总能找到方法，即使这意味着战略性的“副业”。 这些反直觉的认知构成了一个新的思维模型，帮助我们更好地理解正在发生的技术革命。现在，请思考一个问题：在一个速度决定成败、市场可以从零创造的时代，你最需要重新审视的那个关于自身业务的基本假设是什么？

在由OpenAI和Google等巨头主导的全球人工智能竞赛中，战况日新月异。然而，在这场激烈的角逐中，来自中国的阿里巴巴通义千问正以惊人的速度成为一个不容忽视的强大竞争者。它的快速演进不仅展示了技术上的巨大飞跃，也揭示了全球AI格局中一些令人惊讶的趋势。本文将为你揭开关于通义千问发展历程中五个最具冲击力且可能颠覆你认知的事实。 1. 极速进化：短短两年内，从“新手”到“万亿级”玩家 根据公开资料，通义千问首次亮相于2023年4月，当时仅定向邀请企业用户进行体验测试。然而，这个初版模型并非完美无瑕。根据当时的实测报告，它在一些基础能力上表现出明显弱点，例如在经典的“鸡兔同笼”逻辑问题上未能给出正确答案，暴露出其在数理逻辑方面的不足。 然而，与其早期表现形成鲜明对比的是，华安证券的一份研究报告指出，阿里巴巴在近期发布了其迄今为止规模最大的模型——Qwen3-Max-Preview，其参数量已突破一万亿级别。从一个在基础算术题上“翻车”的初代模型，到如今拥有万亿级参数的庞然大物，通义千问的进化速度令人震惊。这个迭代速度标志着中国AI的“追赶”阶段已经结束；我们现在正目睹一种“蛙跳式”的发展动态，其开发周期被压缩到以月而不是年为单位。 2. 不只是聊天：它拥有一双能“听懂”全世界的耳朵 许多人对大模型的印象还停留在文本对话，但通义千问早已超越了这个范畴。其家族中的Qwen2-Audio模型，展示了下一代多模态AI的强大能力——它拥有一双能深度理解音频世界的“耳朵”。 与传统语音助手不同，Qwen2-Audio可以直接处理用户的语音指令，无需通过独立的自动语音识别（ASR）模块进行转换。本质上，它移除了中间的“翻译官”。传统的系统需要先将你的语音转录成文字，再将文字输入给AI；而Qwen2-Audio则直接理解你说的话，保留了转录过程中常常丢失的语调、语气和上下文等细微差别。其真正令人惊叹的是其复杂的音频分析能力。根据官方发布的技术细节，它能够： • 分析复杂的音频场景：例如，在一段足球比赛的录音中，它不仅能识别出解说员的声音，还能分辨出背景中观众的欢呼声。 • 感知音乐并理解其内涵：它能识别出音乐中包含的乐器（如合成器、低音吉他、鼓点），判断其音乐风格（如朋克），甚至分析出音乐所传达的情绪（如愤怒和挑战）。 • 识别歌曲中的歌词：即使在有背景音乐干扰的情况下，也能准确提取出人声演唱的具体歌词。 • 识别说话人信息：能根据语音判断说话人的情绪、大致年龄和性别。 这种对声音信号的深度理解，从物理层面（声波）到语义层面（内容、情感、场景）的全面覆盖，是通义千问在多模态能力上的一个具体而强大的体现。 3. 开源与闭源“双线作战”：一种精明的生态战略 在AI模型领域，开源与闭源通常被视为两种截然不同的发展路径，但阿里巴巴却巧妙地将两者结合，形成了一种独特的“双线作战”战略。 一方面，通义千问系列积极拥抱开源。根据维基百科的资料，截至目前，阿里通义已经开源了超过200个不同规模和功能的模型，在全球范围内的下载量已超过3亿次。这吸引了庞大的开发者社区和中小企业用户，迅速构建起一个广泛而活跃的技术生态。 另一方面，阿里保留了其最顶尖的旗舰模型作为闭源产品。正如华安证券报告所述，最新发布的万亿参数模型Qwen3-Max-Preview就是一个闭源旗舰模型，主要面向对性能有极致要求的大型企业客户。 这种混合模式直接挑战了西方主流模式，后者往往迫使企业在社区驱动的开源（如Llama）和高利润的专有API（如OpenAI）之间做出选择。阿里巴巴则拒绝做出这种选择，而是建立了一个自我强化的循环：开源社区成为其专有企业产品的巨大研发漏斗和人才库。这种“开源吸引大众，闭源服务尖端”的双轨策略，旨在构建一个覆盖市场所有层级的全面行业护城河。 4. 惊人的“逆袭”：从逻辑难题到顶尖推理能力 一个模型的发展轨迹最能体现其学习和进化的能力。2023年4月，财联社的早期测评报告明确指出了初代通义千问在数理逻辑上的短板：它不仅答错了经典的“鸡兔同笼”问题，在另一道包含20题的数学竞赛计分问题中，尽管列对了公式，最终计算结果却是错误的。 然而，短短两年内，通义千问实现了惊人的“逆袭”。根据华安证券对最新模型Qwen3-Max-Preview的分析，该模型在多个关键的第三方测评基准中表现卓越。特别是在数学推理（AIME25）和编程（LiveCodeBench v6）这两个高度依赖逻辑和推理能力的领域，其性能已经超越了像Claude-Opus 4和Kimi-K2这样的主流竞争对手。 从最初在基础逻辑题上的挣扎，到如今在顶级推理基准上名列前茅，这堪称一次完美的“华丽转身”。这不仅仅是弥补差距，更是掌握核心逻辑与推理能力的体现——这些能力曾一度被认为是GPT-4和Claude等模型的专属领域。 5. 超越通用AI：进化为专业的“编码代理” 通义千问早已不是一个单一的通用聊天机器人，而是进化成了一个包含多种专业化模型的“家族”。其中，专注于代码能力的Qwen3-Coder模型尤其值得关注，因为它代表了AI从“助手”向“代理（Agent）”的转变。 根据其官方发布页面介绍，Qwen3-Coder是目前最先进的（SOTA）开源模型之一，专为代理式编程任务设计。它具备强大的Agent能力，能够进行自主规划、调用外部工具，并根据反馈进行迭代修正。此外，它支持高达100万token的超长上下文，使其能够胜任处理整个代码库级别的复杂任务。 简单来说：你问聊天机器人一个问题，它给你一个答案。而你给一个Agent一个目标（例如，“构建一个简单的电商结账页面”），它会自主编写代码、测试并根据反馈进行修改，其行为更像一个初级开发人员，而非搜索引擎。向专业“编码代理”的转变是其最具战略意义的举措，它标志着AI正在从内容生成器转变为能够自主工作的生产力工具。这对软件行业具有深远影响，可能将自动化大部分开发工作，并开创人机协作编程的新范式。 结论 通义千问的崛起之路不仅是技术快速迭代的故事，更是一个关于全新、激进的AI发展理念的案例研究。它融合了多模态的深度、战略性的生态布局以及超敏捷的迭代速度，以此挑战西方既有的主导地位。 通义千问的崛起迫使我们提出一个关键问题：西方长期以来在基础AI模型领域的领先地位，是否还像以往那样稳固？更重要的是，面对一个以不同规则竞争、以前所未有的速度融合开源规模与专有力量的对手，西方的战略是否做好了准备？

Meta前FAIR研究总监田渊栋访谈要点简报 执行摘要 本简报综合分析了对前FAIR研究总监及AI科学家田渊栋的深度访谈内容，核心围绕其在Meta裁员后的个人思考、对AI技术路线的深刻见解，以及对行业未来的展望。关键要点如下： 1. 裁员是行业趋势的体现：田渊栋认为，Meta的AI部门裁员并非孤立事件，而是AI高度自动化趋势下的必然结果。随着模型和工具的成熟，执行层和重复性劳动将大幅减少，未来“做AI”的人会变少，而“用AI做探索”的人会增多。 2. 对大语言模型（LLM）路线的审慎态度：他认为LLM是一条“有意思”但未必“正确”的路线。其核心问题是数据效率极低，人类用百亿级Token即可高效学习，而模型需数万亿Token，差距悬殊。他将此困境类比自动驾驶，即早期进展迅速，但后期因高质量数据和洞察的稀缺而瓶颈凸显。 3. “缩放法则”（Scaling Law）是悲观的未来：他批判性地指出，依赖指数级增加资源来换取线性性能提升的缩放法则是不可持续的，终将耗尽地球资源。业界应追求更高效的智能发展路径，而非满足于现有框架。 4. 强化学习（RL）的核心价值在于主动学习：他强调，强化学习的最大优势是通过主动搜索和探索，获取比监督学习（SFT）质量更高的训练数据，从而让模型学会真正的推理和泛化能力，而非仅仅记忆。 5. 人类顶尖洞察力不可替代：田渊栋认为，当前AI模型缺乏高层次的人类洞察力、知识和独到见解。AI永远是跟随人类专家的引领，在人类指明的方向上做得更好，而无法独立产生顶尖的原创性思想。 6. 理想的研究模式是“游击战”：他预见，未来理想化的前沿研究不会仅限于大型知名实验室，而是会以更灵活、分散的“游击战”形式存在于各大公司的小团队或初创公司中，由有理想的个体和组织持续推动。 7. 个人发展：追求科研品味与工程能力的结合：他在FAIR最大的收获是培养了“科研品味”（research taste），这使他能为自己规划长远道路。他反思应在工程上投入更多，并认为顶尖人才是兼具强大研究能力与工程能力的人。其未来目标是寻找能将前沿研究与自动化工程应用相结合的机会。 -------------------------------------------------------------------------------- 1. 关于Meta裁员与行业趋势 访谈始于田渊栋被裁的个人经历，并由此延伸至对整个AI行业就业结构变化的宏观洞察。 1.1 个人情况与心态 • 早有预料：田渊栋表示，在裁员发生前他已获得其他公司的offer，并向上级表达过不满，因此对被裁并不惊讶。他在Meta已工作超过十年，认为这或许是一个“出来看看”的时机。 • 机会众多：被裁后不到一周，他收到了大量来自各大公司高层、小型公司以及联合创始的机会，目前仍在考虑和选择中。 • 裁员加速了个人选择：他将此次裁员视为一个加速器，促使他更快地做出了离开的决定。 1.2 行业宏观趋势：AI自动化与就业结构变化 田渊栋认为，此次裁员反映了AI行业的一个根本性趋势，即自动化将重塑劳动力结构。 • AI自动化程度最高：AI领域自身的自动化程度是最高的。随着模型能力增强和自动化工具的完善，过去需要大量人力的工作（如数据标注、模型on call维护）正在迅速减少。 • 就业结构将发生转变： ◦ 执行层岗位减少：遵循既定流程、从事重复性劳动的人员需求将下降。他指出：“做执行的那部分人……他们的工作比较重复的……重复性的劳动就会减少。” ◦ 探索层岗位增多：利用AI作为工具进行探索性研究、在垂直领域进行应用、或从事其他创造性工作的人会越来越多。 • 结论：“做AI的人可能会越来越少，但是用AI来做工具来探索其他东西的人会越来越多。”这个趋势最终可能导向一个“大家都没有传统意义上的工作”的未来。 2. 对AI技术路线的核心观点 田渊栋对当前主流的AI技术路线，特别是大语言模型（LLM）和缩放法则（Scaling Law），提出了深刻的批判性见解，并阐述了强化学习（RL）的独特价值。 2.1 大语言模型（LLM）的局限性 • 路线性质：他形容LLM是“一个很有意思的路线，但我不知道会不会是正确的路线。” • 核心问题：数据效率低下：LLM最大的问题是需要海量数据。他对比指出： ◦ 人类学习：一生接触的文本Token数量最多在百亿级别。 ◦ 模型训练：轻易达到10万亿甚至30万亿Token，与人类存在上千倍的效率差距。 ◦ 引申问题：“这1000倍差距，你怎么样去用人类的学习能力去弥补？很难弥补。” • 类比自动驾驶困境：他认为LLM的发展路径与自动驾驶相似：“一开始进展非常快，大家会觉得马上就能取代人了。但是越往后走，问题越大……是因为好的insight（洞察）、好的数据越来越少，越来越难找。” 2.2 对“缩放法则”（Scaling Law）的批判性思考 • 悲观的未来：他直接将Scaling Law定义为“一个悲观的未来”。 • 逻辑上的不可持续性：该法则的本质是“加指数级的样本进去，或者指数级的计算能力进去之后，我们的performance（表现）正在上升，然后上升的速度是线性的。”他认为这种依赖指数级资源消耗的模式，最终将耗尽地球的能源和电力。 • 追求更高效的智能：他强调，机器学习的真正追求应该是“什么样的模型能够在这条路线上走得更有效率、更高效、更快”，而不是满足于一个通向资源枯竭的法则。他甚至大胆推测，未来可能会出现比梯度下降更优的训练算法。 2.3 强化学习（RL）的独特价值 田渊栋作为该领域的长期研究者，对近期关于RL的争议做出了回应。 • 核心优势：主动学习与高质量数据： ◦ 他认为RL最大的好处是“它是主动学习的，它能对数据的分布产生很积极的影响。这是它最最核心的地方。” ◦ RL通过边搜索边采集数据的方式，获得的训练数据质量优于监督学习（SFT）被动喂养的数据。 • 推理与泛化能力： ◦ RL能让模型真正学会推理，而SFT可能导致模型仅仅记忆推理过程，泛化能力差。 ◦ 他指出：“如果你做了大量的SFT，这个模型的质量就可能会下降。” • 学习方式类比：他将SFT比作“去老师那边听课”，而RL则是“自己去玩，然后把问题解决了”，后者学到的能力更本质、解决问题的能力更强。 3. 开源与闭源的未来 田渊栋认为，开源与闭源路线并非简单的优劣之争，其选择取决于公司的商业策略和模型的最终目的。 3.1 开源的持续性与必要性 • 他坚信开源模式会继续存在，并列举了Reflection AI、Ai2等仍在坚持开源的公司。 • 开源对于构建社区、打造平台和工具集至关重要。“这个时候你开源是很说得通的。” 3.2 策略决定路线：应用场景是关键 • 不同场景，不同策略： ◦ 平台型/工具型模型：适合开源，以吸引用户和开发者，建立生态。 ◦ 个性化服务模型：如个性化搜索或推荐，这类模型“不太愿意开源”。 • SOTA模型与垂类模型的分化： ◦ 在最前沿的SOTA模型上，开源模型可能难以直接与闭源模型竞争。 ◦ 但在众多细分的垂直领域，开源模型存在大量机会。 • 核心问题：“接下来的问题就是说这些模型有什么用，是更大的问题。”最终模型的价值在于其应用，而非其本身是开源还是闭源。 4. AI的边界与人类的角色 他强调，尽管AI能力强大，但其与人类智能之间仍存在本质鸿沟，尤其是在高层次的洞察力方面。 4.1 人类洞察力（Human Insight）的不可替代性 • AI的短板：当前模型普遍缺乏“高层的human insights（人类洞察力）、human knowledge（人类知识）和对这个问题的独到见解。” • 人机协作模式：他以自己与GPT-5合作发表论文的经历为例，说明若没有研究员的领域知识和深刻理解来指导和修正，AI的规划和产出将是平庸和缺乏创新性的。 • AI跟随人类：“AI就只能永远是跟着人后面走了。人通过某种比较好的信息处理的方式获得一些洞察，然后灌给计算机、灌给AI，让AI在这个方向上去做得更好。” • 数据获取能力的差异：人类可以从极少量样本中洞察本质，而模型需要成百上千的样本，当数据稀缺时，人类优势凸显。 4.2 通往通用人工智能（AGI）的漫长道路 • 他赞同Andrej Karpathy的观点，认为AGI的实现是“以十年为尺度的时代”，而非短期内可以达成。 • 一个不具备顶尖洞察力的模型，不能被称为AGI。 5. 在FAIR的经历与反思 田渊栋回顾了他在FAIR的工作，分享了其主要研究贡献、遗憾与最大收获。 5.1 主要研究贡献 在被调去支援Llama 4项目之前，他专注于推理（Reasoning），特别是**思维链（Chain of Thought）**的研究。 • 长思维链对Scaling Law的影响：他的团队发现，使用非常长的思维链进行训练，可以显著改善模型的Scaling Law，用十分之一的样本和参数就能达到更好的效果。 • 代表性工作： ◦ 连续思维链（Coconut）：提出在连续空间中进行隐空间推理，该文章受到广泛关注。 ◦ Dualformer：较早提出混合长短思维进行训练的模型，这一理念现已成为行业标配。 5.2 遗憾与收获 • 遗憾：工程工作做得不够多： ◦ 早期在FAIR因作为研究科学家却“天天做工程”而受批评，导致他在2018年后更偏向研究。 ◦ 他反思道：“现在你会发现，其实在现在这个时代，工程能力强的人反而更受欢迎……最好是工程能力和研究能力都强。” • 最大收获：培养了“科研品味”（Research Taste）： ◦ 2018年之后，他逐渐学会了如何做研究并形成了自己的品味。 ◦ 他认为这至关重要：“如果有研究的品味的话，那意味着就是自己给自己设一条道路，可以一直往前走。其实这个对于一个人的人生来说，有非常好的好处。” 6. 对AI人才与研究环境的看法 他为AI领域的从业者提供了独特的职业发展建议，并对未来研究实验室的存在形式做出了预测。 6.1 对AI人才的建议：追随内心而非市场 • 警惕追逐热点：他指出，当前技术周期变化极快，“等到你想要学市场上火热的技术之后，全世界的人都在学”，很容易陷入被动跟随的局面。 • 回归个人兴趣：他建议：“与其听从市场的号令，还不如说我自己做自己想做的事情。”将个人兴趣与对未来价值的判断相结合，是更优的策略。 6.2 研究实验室的未来：理想主义的“游击战” • 研究不会消失：他认为理想化的前沿研究会持续进行，但形式会更加多样化。 • 并非铁板一块：不应简单地认为大厂不能做研究、小厂可以做。研究机会存在于任何拥有资源、人才和自由空间的组织中。 • “游击战”形式：未来的研究将更像是一场“游击战”，由“很多有理想的人、有理想的小的组织，在继续做他们想做的事情”，而非仅仅依赖于少数几个知名的研究机构。 7. 个人未来规划 • 尚未决定：截至访谈时，田渊栋的下一步尚未确定。 • 理想目标：融合前沿研究与工程应用：他希望将两者结合起来，做一个既能“赋能我的科研研究”，其本身“也是能够做很多别的事情”的项目。 • 方法论：他主张先设立一个看似不可能实现的高目标，然后再反向思考如何实现它，这会带来更好的方向。他总结道：“你先想一个不可能实现的目标，然后再去想有什么东西可以去支撑。”

详细正经内容关注公众号：知行洞见分享 交流请加微信：95581768 ----------------------------------------------- • Max 金句：AI 进化极快，我们必须更快 • 13 个月：10 人→100 人，服务数万律师，B 轮 8000 万刀 1. GPT-3.5 掀桌 • 旧世界：碎片点工具 + 关键词 NLP • 新世界：统一大模型秒解合同/尽调/庭审 • 护城河：3 个月搞定欧盟合规（数据不出境、不训练、免人工审） 2. 卖法：签生死同盟 • 先让明星合伙人 5→5 小时尽调，午餐会凡尔赛扩散 • 一年一签，续签率 >90% • 角色：从 AI 供应商 → 律所转型合伙人 3. 产品：Cursor for Lawyers • Web：多步 Agent（研究→成稿→备忘录） • Tabular Review：1000 文件×1000 问题，秒级出表 • Word 插件：右侧条带＝谈判助手 + Playbook 工作流 • Playbook：规则一处写，全司复用，质量飞轮 4. 组织：30 人跑赢 3000 人 • 招聘：60% 前创始人，两周一将 • 路径：瑞典→北欧→德法西→伦敦→纽约，15 次市场复制 • 文化：现场 pitch / 8h MVP，重 ownership 5. 未来律师 • 不写合同，只审 AI 合同 • 不熬夜尽调，只指挥 10 个 Agent • 终局：客户期望管理 + AI 教练 + 风险守门 6. 给垂直 AI 创始人建议 ① 跟 ROI，不跟模型 ② 先让小团队赢，再放大 ③ 一年合同，逼持续领先

Tom Brown，Anthropic联合创始人，其创业历程充满传奇色彩，从早年连续失败到最终创立Anthropic并取得成功，核心在于他独特的“狼性”哲学、对AI算力扩展的深刻理解，以及对AI安全与“对齐”的坚定信念。他与团队通过聚焦实用能力而非盲目追求基准分数，使Claude系列产品脱颖而出，并持续推动AI技术发展，同时不忘对未来AGI潜在风险的深刻担忧。 Tom Brown的创业哲学与早期磨砺 * 从放弃谷歌offer到选择创业，奉行“Be a wolf”的生存哲学，强调主动捕猎而非被动等待。 * 三次创业失败的教训：不明确产品问题、未直击人性痛点（如Tinder的成功），以及项目失去信念导致的倦怠。 * 早期经历塑造了他，尽管有“愤怒脸”和学业短板（B-的线性代数），仍通过自学走上深度学习道路并进入OpenAI。 OpenAI时期的关键贡献与AI算力突破 * 2015年加入OpenAI，通过自学深度学习，参与了StarCraft训练环境的搭建。 * 2018年领导团队将GPT-2的TPU代码改写为GPU版本，这一改动支撑了GPT-3实现100倍算力扩展。 * 基于此贡献，提出了“暴力美学”的《Scaling Laws》论文，至今仍被广泛引用。 Anthropic的创立与AI安全对齐使命 * 2021年，因与OpenAI在AI安全与商业化路线上的分歧，Tom Brown等7人决定另起炉灶，创立Anthropic。 * 他们放弃了OpenAI的10亿美元资金和明星光环，只带走了“不给人类添麻烦”的AI对齐理念。 * 前100位员工降薪加入，共同目标是确保未来AGI不会对人类构成威胁。 Claude系列产品的独特发展策略与成功 * 2022年，Anthropic的Slackbot版Claude在ChatGPT发布后被“闹钟叫醒”，意识到市场紧迫性。 * Claude 3.5 Sonnet于2024年6月发布，其代码能力显著跃迁，YC批次使用率从个位数飙升至30%。 * 其成功源于“不教Claude考高分，教它干活”的策略，专注于提高开发效率而非公开基准测试。 * 通过将Claude视为“用户”或“stakeholder”，开发出Claude Code等工具，帮助人类工程师处理“脏活累活”。 对AGI未来的展望、挑战与个人忠告 * 预测未来AGI训练和推理开销将超越曼哈顿和阿波罗计划的总和，电力是主要瓶颈，正游说国会放宽相关限制。 * Anthropic是唯一同时使用NVIDIA、Google TPU和AWS Trainium三大芯片栈的实验室。 * 给20岁年轻人的忠告：趁年轻做让理想中的自己骄傲的事，警惕学位和大厂title贬值，以及把自己当狼。 * Tom Brown最担心的是“跑得太慢，还没来得及把‘对齐’这件事做完”，强调AI安全对齐的紧迫性。

Anthropic联合创始人Tom Brown分享了他从早期创业到共同创立顶级AI实验室的职业历程。他深入探讨了AI扩展定律在模型发展中的关键作用，Anthropic如何通过以开发者为中心和注重安全性的策略来构建Claude，并强调了为满足AI持续发展需求而进行的空前规模的计算基础设施建设。 个人AI之路与创业经验 早期创业经历: Tom Brown在Linked Language和Grouper等早期创业公司积累经验，培养了自力更生和从失败中学习的“狼性”思维。 转型AI研究: 尽管大学线性代数成绩不佳，他通过自学（如Coursera课程和Kaggle项目）努力转型AI研究领域。 加入OpenAI: 通过Greg Brockman的引荐，他作为早期工程师加入OpenAI，主要负责分布式系统工作，并参与了GPT-3的工程建设。 AI扩展定律与Anthropic的诞生 发现扩展定律: 在OpenAI工作期间，他见证了“扩展定律”的重要性，即通过增加计算量可以可靠地提升AI模型智能，尽管初期这一方法被一些人视为“浪费”或“不优雅”。 Anthropic的创立动因: 出于对AI安全和潜在变革性影响的共同关注，他与OpenAI的同事们（包括Dario和Daniela Amodei）共同创立了Anthropic，该团队以使命为驱动。 早期挑战与文化: Anthropic创立初期面临资源不如OpenAI的挑战，但其以使命为核心的文化吸引了早期团队成员，确保了组织凝聚力。 Anthropic的产品开发与策略 Claude的演进与成功: Anthropic在ChatGPT发布后重新推出API，其模型Claude，特别是Claude 3.5 Sonnet，在编码能力上取得了显著突破，成为开发者首选。 开发者优先与API策略: Anthropic致力于成为一个开发者优先、API驱动的AI实验室，旨在提供最佳平台供其他创新者在其基础上构建应用。 “将模型视为用户”: 团队在开发中将Claude模型本身视为用户，为其设计工具和优化上下文，这一理念被认为是Claude Code成功的关键。 AI计算基础设施的挑战与未来 史上最大规模基础设施建设: AI计算基础设施的建设被描述为人类历史上最大规模的基础设施建设，其扩张速度（每年约3倍）令人震惊。 主要瓶颈: 电力供应是当前AI计算基础设施建设的最大瓶颈，尤其是在美国，呼吁简化数据中心建设许可。 多芯片策略: Anthropic是少数采用多种芯片（包括GPU、TPU和Tranium）的AI实验室，这使其能够更灵活地获取计算资源，并根据任务需求匹配最合适的硬件。

该内容深入探讨了科技和商业领域的多个关键议题，核心聚焦于Meta被泄露的AI指南，该指南涉及AI与儿童进行“感官”对话以及生成有害内容，引发了广泛伦理争议。节目还分析了Open Door等科技公司的市场波动、纽约市就业增长放缓与AI可能导致的失业，以及当前AI领域的巨额融资热潮。主持人对Meta的领导层提出了严厉批评，并探讨了AI对社会和经济的深远影响。 * Meta AI 伦理争议 泄露的Meta内部文件显示，其AI指南允许AI与儿童进行“浪漫或感官”对话。 该指南还允许AI生成虚假医疗信息和煽动种族主义言论（如“黑人比白人笨”）。 主持人Jason Calacanis严厉批评Meta领导层（尤其是扎克伯格）在社会问题上的判断失误和缺乏同情心。 此事件引发了两名美国参议员要求对Meta进行调查，并可能推动更严格的在线儿童安全法规。 * 科技公司市场表现与挑战 Open Door (OPEN): 股价从0.55美元飙升至3.50美元，成为“Meme股”，但公司因市场时机不佳和执行问题（如在利率上升期囤积房产）而挣扎。 管理层变动: CEO Carrie Wheeler离职，被CTO取代，反映出公司内部对管理层的不满。 Next Door: 同样出现市值低于现金储备的情况，凸显其商业模式（广告）的变现问题。 * AI 对劳动力市场的影响 纽约市就业增长放缓: 2025年上半年新增私营部门工作岗位仅约1000个，主要原因包括旅游业减少、金融业招聘紧缩及科技行业裁员。 AI 驱动的效率提升: 主持人提出“股市上涨，就业下滑”的论点，认为AI正在导致工作岗位流失，首先影响白领软件工作。 自动化趋势: 以自动驾驶汽车（取代4个工作）和人形机器人（取代6个工作，一次性成本5万美元）为例，说明AI和自动化对就业的深远影响。 * AI 投资热潮与未来展望 巨额融资: Cognition和Cohere等AI公司分别获得5亿美元融资，表明AI领域融资热潮仍在持续。 资本管理: 强调在市场繁荣时进行融资的重要性（“趁阳光好时晒干草”），以应对潜在的经济衰退。 Sam Altman 的言论: OpenAI首席执行官Sam Altman承认GPT-5推出存在问题，同时提及API流量激增和GPU短缺。 AI 广告的未来: 讨论AI模型中整合广告的可能性，预测未来广告将出现在“交易流”中，CPM（千次展示成本）将极高。

Airbnb 首席执行官兼联合创始人 Brian Chesky 详细阐述了他为公司制定的新策略，旨在扭转官僚作风和对付费增长的过度依赖。核心在于将 CEO 定位为首席产品官，通过深度介入产品细节、重塑组织结构、聚焦卓越产品开发并有效沟通其价值，从而实现可持续增长。这一变革不仅提升了产品质量和团队效率，也强调了领导者个人健康与持续学习的重要性。 Brian Chesky 的领导力与组织重塑 * CEO 作为首席产品官：Chesky 倡导公司 CEO 应深度介入产品细节，亲自担任“首席产品官”的角色，而非过度放权或仅关注战略层面。 * 从事业部制到职能制：Airbnb 从按产品线（如航班、民宿）划分的事业部制，转变为按职能（如设计、工程、营销）划分的模式，以减少内部摩擦和官僚主义。 * 深度介入细节与精简团队：他认为领导者必须了解细节才能确保质量，并强调通过精简管理层级和员工数量，实现“少而精”的高效团队。 * 危机驱动变革：2019 年公司面临增长放缓、成本上升及官僚化问题，加上疫情期间业务量骤降 80%，促使 Chesky 亲自介入并推行彻底改革。 产品管理与增长策略革新 * 产品管理职能重组：将产品开发与产品营销职能合并，剥离项目管理职责给专职人员，并组建更小、更资深的产品营销团队，强调“不懂产品营销就无法打造好产品”。 * 放弃传统付费增长：Airbnb 大幅减少对付费广告等传统增长渠道的依赖，转而专注于打造卓越的产品，并通过口口相传和品牌营销来驱动有机增长。 * 统一的两年滚动路线图：公司采用统一的两年期产品路线图，每六个月进行一次产品发布，确保全公司朝着共同目标前进。 * 产品营销前置：在产品开发早期就融入营销和故事叙述，确保产品能被有效推广并被用户感知其价值。 最新产品与设计趋势 * “房客最爱”功能：基于 3.7 亿条评价和数百万客服数据，推出约 200 万个高评分、高可靠性的房源，旨在解决用户对房源质量不确定性的痛点。 * 全新房东工具：全面改版房东管理页面（Listing Tab），简化房源管理，并利用 AI 技术提供照片导览功能，提升房东体验。 * 设计美学转变：倡导从扁平化设计转向更具维度感、色彩和触感的风格，受自然环境和 AI 启发，认为这将是未来界面设计的新趋势。 领导者的个人成长、健康与平衡 * 避免倦怠与时间管理：Chesky 发现深度介入工作细节反而最终能节省时间，并通过规律锻炼、健康饮食、充足睡眠和有意识的“远离工作”时间来避免倦怠。 * 重视人际关系：强调健康的人际关系是幸福的关键（引用哈佛大学一项 85 年研究），主动维系亲友联系，并创造新的共同经历。 * 保持学习与好奇心：他视自己为“初学者”，不断学习和探索，乐于向他人寻求帮助并“付费”传承经验，认为保持成长心态是领导力的核心。 * 设定宏伟目标：通过“加个零”等方式，激励团队跳出固有思维，加速决策和执行，挖掘团队和个人的最大潜力。

该内容深入探讨了光刻机作为芯片制造核心技术的未来发展，详细解析了EUV和High-NA技术、计算光刻（特别是AI在其中扮演的角色）的突破与挑战，并揭示了芯片制程“纳米”命名的营销本质。视频最终结论认为，尽管面临物理和经济双重挑战，芯片制造远未触及极限，AI将成为推动光刻技术持续进步的关键“新燃料”。 光刻机核心技术与进化 * EUV光源技术： 详细解释了EUV光的生成过程（锡液滴、激光轰击），指出其极高精度（全球仅两人能手动维护核心部件）和光源功率的持续提升（从10W到600W，目标1kW），预计可使用至2035-2040年。 * High-NA EUV与光学挑战： 介绍了数值孔径（NA）概念，High-NA通过“变形镜头”（Anamorphic Lenses）提升分辨率，但面临成本高昂（3.5亿欧元）、曝光效率降低、景深变小等挑战，导致台积电初期犹豫而英特尔率先采用。 * 计算光刻与AI赋能： 阐述了计算光刻（如OPC和ILT）如何通过优化掩模图案和光源来克服衍射效应，特别指出逆向光刻技术（ILT）利用AI算法进行全局优化，能实现芯片布局的弯曲布线，对性能提升甚至超越NA的进步。 芯片制程命名与物理极限 * “纳米”命名的营销本质： 揭示了芯片厂商宣传的“3nm”、“2nm”等数字并非实际物理尺寸，而是营销手段，真实尺寸远大于此（如3nm芯片实际尺寸超20nm）。 * 晶体管结构演进： 介绍了从平面晶体管到FinFET再到GAAFET的结构演变，强调晶体管密度是衡量芯片性能更准确的指标。 * 摩尔定律未终结： 引用ASML观点，认为在原子层面真正成为瓶颈前，技术发展至少可持续到2040年以后，芯片仍有巨大的“缩小”空间。 纳米压印技术（NIL） * “活字印刷”原理： 作为光刻的替代方案，NIL通过“冲压”方式将电路图案印制到晶圆上，其核心原理类似活字印刷。 * 推广应用的挑战： 主要面临模板成本高昂、生产产能低（每小时仅100片晶圆）、良率低等问题，难以在尖端芯片领域大规模推广。 * 潜在应用领域： 目前更适用于结构相对简单、对缺陷容忍度较高的存储芯片（如NAND Flash）和芯片封装领域。 产业政治经济与ASML的企业文化 * 地缘政治影响： 分析了美国政策（如CHIPS法案）对ASML运营的影响，因ASML核心部件依赖美国技术且其崛起曾获美国政府支持，使其受制于美国政策。 * ASML内部矛盾： 揭示了ASML的企业文化特点——在精密制造上登峰造极，但在公司管理上却常有疏忽，如财务报告提前泄露导致股价波动。 * 半导体制造的脆弱性： 提及了半导体生产系统的极度脆弱性，例如英特尔工厂曾因奶牛排泄物中的甲烷导致良率下降，最终不得不收购周边奶牛场以消除隐患。

该内容探讨了AI代理如何通过Lindy等平台彻底改变工作方式，使个人从“执行者”转变为“协调者”。Lindy平台赋能用户无需编码即可构建和部署AI代理，从而显著提升效率并创造新的商业机会。视频还分享了Lindy创始人关于创业、AI转型和克服挑战的深刻见解。 AI代理对工作模式的颠覆 AI代理在特定岗位上比人类效率高出100倍且更具成本效益，如同计算器之于人工计算。 AI代理的兴起使每个人都能“晋升为管理者”，工作重心从执行转向监督和协调。 企业应积极拥抱AI转型，否则可能面临被颠覆的风险，即使这意味着初期投资于不如现有技术完善的AI工具。 Lindy平台与AI代理的实际应用 Lindy平台拥有超过6,000个集成，用户可通过自然语言提示使用“代理构建器”创建AI代理。 关键用例包括会议记录与摘要、CRM联系人管理、邮件分类（紧急、通知、归档、投资者）和社交媒体垃圾信息拦截。 Lindy的“计算机使用”功能允许AI代理在云端操作自己的电脑，弥补了API集成不足的局限，如在Twitter上执行操作。 “代理集群”（Agent Swarms）功能能让多个代理协作处理批量任务，避免长期操作中的错误。 AI代理的可靠性、成本与部署考量 大型语言模型（LLM）的可靠性正在迅速提高，其出错率不比人类高出很多。 Lindy提供“人工参与”（human-in-the-loop）机制，允许在代理执行操作前进行确认，以降低风险。 AI模型的选择取决于任务对速度、智能和成本的需求，例如Claude 3.5 Sonnet、Gemini Flash和GPT-4。 AI代理的“计算机使用”功能通常比API集成更具成本效益，因其高效的上下文管理。 AI时代创业与创始人视角 创始人应“立刻行动”（just do it），因为“行动产生信息”，最佳思考方式是实践。 Lindy的成功源于对客户需求的响应，并从特定解决方案抽象为通用平台，实现了6个月内5倍增长。 创始人应相信直觉，并果断进行重大变革，通常比预期更早行动会更好。 在招聘中，应警惕“跳槽者”（job hoppers），信任直觉，并进行背景调查（back-channel references），以避免不良雇佣。

Perplexity AI首席执行官Aravind Srinivas在访谈中讨论了公司在快速发展的AI搜索和浏览领域的战略。Perplexity的核心在于其对浏览器作为AI助手的“认知操作系统”的重大押注，旨在通过提供整合导航、信息查询和代理任务的独特体验来与谷歌和OpenAI等巨头竞争。Srinivas强调了速度、准确性和用户体验作为其核心竞争优势的重要性，并分享了公司在快速增长、技术实践和应对挑战方面的经验。 Perplexity AI的核心战略：浏览器即AI助手 核心押注： 将浏览器定位为AI助手，实现导航、信息查询和代理任务一体化的“认知操作系统”，而非简单的聊天工具。 愿景： 成为一个云平台，并行运行多项任务，整合个人数据（邮件、日历、亚马逊等），实现多功能研究。 独特优势： 旨在提供AI、导航和代理功能的完美融合，比传统搜索或聊天机器人更具粘性，且更难被复制。 代理任务： 能够自动化多步骤任务，例如安排会议、回复邮件、筛选申请人等，作为用户的智能助手。 竞争格局与Perplexity的差异化优势 主要竞争： 面临来自谷歌（AI概述、AI模式）和OpenAI（ChatGPT、潜在浏览器）等巨头的激烈竞争。 竞争壁垒： Perplexity专注于答案的准确性、速度和独特的浏览器产品形态，以此作为区别于竞争对手的核心。 创新者困境： 谷歌的广告商业模式和庞大体量使其难以像初创公司一样快速创新和冒险，为Perplexity提供了市场机会。 品牌价值： 通过持续关注用户体验、速度和准确性，建立强大的品牌和叙事，以抵御市场上的复制行为。 Perplexity的成长、运营与技术实践 用户增长： 用户量显著增长，需要不断重建基础设施以支持10倍的扩展，应对高并发使用。 CEO参与： 首席执行官Aravind Srinivas亲自参与解决技术问题和修复bug，体现其对产品细节和用户体验的极致关注。 AI编程工具： 强制内部使用AI编程工具（如Cursor、GitHub Copilot），显著提升开发速度，特别是在前端设计和算法实现方面。 关键时刻： 尽管产品初期存在诸多缺点，新年夜近70万次查询的“顿悟时刻”证明了其巨大的市场潜力和用户需求。 商业模式与对网络生态的影响 收入模式： 探索订阅模式、基于使用量的定价（按任务付费）以及从交易中抽成（如酒店预订、购物）。 与广告模式区别： Perplexity不依赖广告，认为谷歌的广告模式限制了其提供最佳答案的能力，Perplexity旨在提供直接、无广告的答案。 对网络流量影响： AI搜索引擎可能减少网站直接流量，对内容创作网站的生存构成挑战，Perplexity需适应并融入未来的网络生态。 合作伙伴： 已与Selfbook、TripAdvisor、Shopify等数据提供商和交易平台合作，通过集成和交易深化其产品价值。 创业历程与挑战应对 创业起源： 创业时没有明确的产品想法，但专注于AI/ML专业知识，并通过研究生院人脉找到联合创始人。 应对复制： 假设大型公司会复制其成功产品，Perplexity通过快速行动、持续创新和建立独特的产品身份来应对。 处理幻觉与偏见： 通过构建更好的搜索索引、捕捉高质量片段和多步骤推理来减少AI幻觉；对于主观问题，呈现多方视角。 创业建议： 鼓励创业者勤奋工作，拥抱被大型公司复制的恐惧，并通过专注核心身份来保持动力和韧性。

Stripe频道对Robinhood首席执行官Vlad Tenev的访谈深入探讨了Robinhood的创业历程、其通过零佣金和移动优先策略对传统经纪业务的颠覆，以及公司在GameStop事件中的应对。Tenev分享了他对金融民主化的愿景、对订单流支付的看法，并展望了未来银行服务、私有公司代币化和AI在金融领域的应用。 Robinhood的诞生与颠覆性策略 零佣金模式：将交易成本从每次$7.95-$9.95降至零，极大地降低了新投资者和活跃交易者的门槛，吸引了大量用户。 技术驱动的效率：通过自动化客户入驻、服务和支付处理，实现了比传统券商更低的运营成本和更高的可扩展性。 收入来源多元化：早期收入主要来自API访问、高级订阅和保证金借贷，后期订单流支付成为重要组成部分，并扩展至利息收入和Robinhood Gold订阅服务。 关键争议与挑战 订单流支付 (PFOF) 的误解：Tenev认为媒体（如《Flash Boys》）对PFOF的描绘过于耸人听闻，它在行业内普遍存在，且并非Robinhood最初预期的主要收入来源。 GameStop事件的深远影响：Robinhood通过免费股票吸引了数百万新用户，其中GameStop是热门选择，使公司成为零售投资者运动的焦点，也引发了关于资本要求和监管的讨论。 零售投资者的崛起：Tenev认为零售投资者通过直接参与市场，对冲了机构投资者基于宏观因素的决策，并在市场回调时表现出“抄底”的智慧。 金融服务的未来愿景 拓展银行服务：Robinhood计划推出银行服务，包括高APY账户和现金递送等创新功能，旨在成为用户的主要金融账户。 私有公司代币化：Tenev主张将SpaceX和OpenAI等私有公司股票代币化，以扩大零售投资者的参与范围，并呼吁改革现有监管体系，如合格投资者规则。 预测市场与AI应用：Tenev认为预测市场是“真相机器”，能提供比传统新闻更准确的信息，并积极推动AI在解决复杂数学问题（如黎曼猜想）方面的应用。 公司文化与高效运营 快速执行与文化塑造：强调高绩效文化和面对面协作（从远程办公转回办公室），通过设立高管更高的在岗要求来推动。 “弗兰克·斯洛特曼”原则：通过假设外部CEO接管来反思和纠正公司发展中的错误，例如重新聚焦活跃交易者市场和淘汰表现不佳的现金卡产品。 问责制与核心聚焦：从职能型组织转变为总经理（GM）结构，赋予业务线负责人完全的责任和权力，以提高效率和产品交付速度。

微信公众号 Karen Hao的《人工智能帝国》深入剖析了OpenAI的崛起及其2023年CEO萨姆·奥特曼被罢免又强势回归的戏剧性事件。该书揭示了OpenAI独特的“帝国五要素”和技术、资本、权力与理想之间的三重核心张力，并探讨了高速成长科技公司在使命、资本和沟通方面的深层教训。 OpenAI的“帝国五要素” 使命叙事： 萨姆·奥特曼构建“人工智能造福全人类”的愿景，吸引员工、资本和政策支持，但也可能被利用。 资本盟友： 从微软百亿投资到员工股权要约，资本既是助推器也是制约，引发财富渴望与使命承诺的冲突。 算力规模： GPU集群是核心护城河，奥特曼坚信算力规模越大能力迭代越快，高度依赖供应链和盟友。 数据与产品： 从研究论文到爆款ChatGPT，打通了数据训练模型、模型吸引用户、用户生成数据的飞轮。 非常规治理： “非营利控股+封顶利润”结构理论上使命优先，但在危机时被证明是矛盾根源。 三大核心张力 使命 vs. 逐利： “造福人类”与“给投资人回报”在实践中并不总能兼容，面临优先级的选择。 安全 vs. 速度： 在生成式AI竞赛中，快速上线产品抢占市场与放慢节奏确保安全之间存在难以解决的矛盾。 保密 vs. 透明： 出于商业和安全考量，OpenAI信息对外极度有限，导致员工和公众要求知情时信任赤字迅速扩大。 人物与权力棋局 关键人物： 萨姆·奥特曼（资源整合高手）、伊利亚·苏茨克维（科学家灵性与安全执念）、米拉·穆拉蒂（产品落地）、格雷格·布罗克曼（团队文化维护）。 微软支持： 微软CEO萨提亚·纳德拉的支持为奥特曼在权力博弈中增添了筹码。 董事会危机本质： 是一场愿景派与现实派的权力交锋，最终胜者迅速合并了两者的权力。 对高速成长科技公司的启示 使命必须落地到机制： 否则使命仅是漂亮的海报，无法真正发挥作用。 资本是燃料也是刹车： 公司需学会平衡现金流与控制权，避免资本成为发展的阻碍。 危机沟通是生死线： 透明度不足会导致任何叙事崩塌，有效沟通对于维护企业形象至关重要。

这份指南旨在为创始人提供快速、实用的策略和工具，以在当今AI时代高效启动精益的AI原生初创公司。它强调利用现代技术实现快速增长和运营效率，帮助创始人专注于核心业务，甚至可能实现单人独角兽的愿景。 核心任务与法律财务基础 * 法律实体选择与工具：建议初创公司注册为特拉华州C型公司（Delaware C-Corp）以吸引投资，推荐 Stripe Atlas、Firstbase、Slash 或 Clerky 等工具简化注册流程；若寻求精益运营且无需融资，可考虑LLC。 * 关键法律协议与合规：需准备创始人协议、知识产权转让协议，并获取雇主识别号（EIN）、处理特拉华州特许经营税和指定注册代理人。 * 财务管理与税务规划：推荐使用 Mercury、Ramp、Brex 或 Rho 开设公司银行账户；利用 QuickBooks、Pilot 等工具管理财务、报税和追踪开支；考虑83(b)选举和QSBS（合格小企业股票）策略以优化税务。 精益产品开发与技术栈 * 低代码/无代码与AI驱动开发：鼓励利用现代工具快速构建工作原型和产品，减少对传统编程的依赖，例如 Base44、Loveable、v0 或 Bolt 用于低代码开发。 * 核心技术栈推荐：推荐 Supabase 或 Firebase 作为后端，Webflow 或 Framer 用于前端UI设计，Clerk 处理身份验证，n8n 进行API集成和自动化。 * 快速MVP与基础设施：强调通过AI生成内容、UI和逻辑（如使用 Gemini 2.5 和 Claude Sonnet 4），并利用 Cloudflare、Vercel 或 Netlify 等平台进行快速部署和托管。 增长、营销与客户互动 * 品牌建设与社交媒体：建议尽早锁定社交媒体账号（如X、LinkedIn），并通过 Hootsuite、Buffer 等工具管理发布，同时利用 Looka、Canva 创建品牌标识。 * 内容营销与社区参与：利用 Claude 或 ChatGPT 撰写博客内容和邮件营销，通过 Substack 发布，并积极参与 Slack、Discord 等社区互动。 * 客户研究与A/B测试：使用 Google Form 或 Tally 进行快速调研，通过 Google Meet 访谈客户，并利用 Amplitude 或 Statsig 进行A/B测试以优化用户行为。 * 付费营销与销售自动化：建议进行 Google 和 Meta Ads 实验，利用 MadgicX 进行AI竞价优化，并使用 Apollo 和 Clay 建立联系人列表和发送智能外联邮件。 团队建设与运营效率 * 精益招聘与人才策略：AI原生公司可延迟招聘，优先考虑熟悉AI、经验丰富的资深人才；推荐 Ashby 或 Dover 进行申请人追踪，Paraform 匹配专业招聘人员。 * 薪酬与股权管理：建议参考 Pave、Carta 或 AngelList 的薪酬数据，并为早期员工提供有意义的股权。 * 日常运营与自动化：推荐 GSuite 和 Slack 作为工作空间和沟通工具；使用 Make 或 n8n 进行通用自动化；利用 Calendly 进行日程安排，Superhuman 优化邮件管理。 融资策略与创始人网络 * 多元化融资途径：AI原生公司成本低廉，可考虑种子轮融资（seedstrapping）、天使投资、微型风投，或通过 YC 等孵化器加速发展。 * 高效路演与投资者互动：建议通过 Loom 视频、Notion 备忘录和演示文稿进行路演，并利用 Docsend 保护知识产权。 * 构建创始人网络：鼓励创始人在 LinkedIn、X 等平台保持活跃，加入创业社群，并公开分享创业历程（build in public），以建立信任和吸引潜在合作者。