阿炜Felix，Emoka联合创始人兼产品负责人。互联网产品人出身，先后在Evernote印象笔记、美团/摩拜国际部和Fintech公司做过产品和增长。去年9月在新加坡成立Emoka，做便携式AI情感陪伴机器人。第一站日本市场，在日本最大众筹平台Makuake上线首日冲进前三。现在同步开拓美国市场。 这期聊了一个所有AI播客都在回避的问题：AI的价值一定是效率吗？Felix的回答很直接——Emoka不是为了提效，是为了让人产生健康的荷尔蒙。"以前做的产品让人产生多巴胺，现在想做一个让人产生血清素和催产素的产品——就像和爱人一起看日落。"最后他说了一句让我很意外的话：机器人的终极价值是做它自己，它不需要讨好人类。 Highlights： → 天时地利人和：个人痛点（和另一半两年9个月没见面，毛绒玩具和ChatGPT缓解孤独）+ AI硬件和中国供应链成熟 + 日本文化中的"物哀"（对物品产生感情） → 日本用户的反应："welcome，一个新的生命"——不是买商品，是迎接生命。用户在收到产品之前就已经给Emoka取了名字、建了Instagram → Taste和Trust是AI时代最重要的两个T：除了数据分析，Felix会去看用户的Instagram profile——他们follow迪士尼东京和MUJI最多，说明用户想带着Emoka去更多地方 → 两种语言模式：萌宠语（外星语，不说人话）和地球语（日语/英语/大阪话）——一部分用户不希望Emoka像话痨一样说人话，"它就是外星生命，不需要说人话" → 不做讨好型人格："真正的活体感是让你emo的时候不emo，不emo的时候emo。如果一切都很舒服讨好型人格，就少了生命的感觉" → 长期留存靠文化而非功能：中国和印尼用户喜欢变化和新刺激，日本和西欧用户反而不希望太大变化。"不变有时候在某些文化中是好事"——不做FOMO，不做复杂奖惩机制，做血清素不做多巴胺 → 机器人的终极价值："做它自己，不需要讨好人类。Physical AI某种程度上就是给机器人平权。你如果真正爱自己的宠物，它不需要一直陪自己，它自己活得很开心，这是对它很大的爱" Timeline： 00:00 开场：Felix阿炜，Emoka联合创始人，便携式AI情感陪伴机器人 00:32 去年9月新加坡成立，日本市场PMF，现在进军美国 01:03 后疫情时代的孤独和陪伴需求 + 硅基生命的思考 01:16 天时地利人和：个人痛点 + AI硬件成熟 + 日本物哀文化 02:51 日本用户反应："welcome，一个新的生命"——不是买商品是迎接生命 03:22 职业背景：Evernote、美团/摩拜国际、Fintech——ToB ToC都做过 04:00 从多巴胺到血清素："以前做的产品让人产生快速多巴胺，现在想做让人产生可持续健康荷尔蒙的产品" 05:05 为什么是日本：物哀文化 + 日本朋友免费帮忙设计logo和IP + 缘分 06:24 其他市场：斯拉夫地区（俄罗斯、乌克兰、波兰）也很感兴趣——纬度越高人际距离感越远 07:18 产品进展：日本Makuake众筹上线 + 美国独立站 + demo出来准备量产 07:41 过去10个月：200个日本用户深度访谈 + AB测试 + 样品粉丝会一对一沟通 09:37 Taste和Trust是AI时代最重要的两个T 09:54 独特方法：看用户Instagram profile——follow迪士尼东京和MUJI最多 11:56 为什么选便携式而非桌面版：用户想要携带中的活体感、多模态互动 12:36 两种语言：萌宠语（外星语）和地球语（日语/英语/大阪话）——一部分用户不希望它说人话 13:05 独特设计：Emoka有自己的"玻璃物"表情系统 13:32 呼吸灯功能：晚上陪你冥想、内观、入眠 14:03 人设设计：来自WakaWaka星球，喜欢吃铜锣烧、喝抹茶拿铁 14:33 不是养成是互相陪伴：像拓麻歌子但更像互相成长 15:36 不做讨好型人格："真正的活体感是emo的时候不emo，不emo的时候emo" 20:54 长期留存挑战：中国市场retention难做，日本用户对生命理解不同——LOVOT用户Facebook更新几年 22:08 中国印尼用户喜欢变化，日本西欧用户不希望太大变化——"不变有时候是好事" 23:33 不做FOMO，不做复杂奖惩——做血清素和催产素，不做多巴胺 24:06 未来会有Emoka宇宙/多IP，但先把第一个做好 25:04 用户画像：20-30岁和30-40岁女性为主，东京都居中，独居OL、主妇/主夫、老人 27:24 Makuake众筹上线首日前三：商业打法 + 情感打法（IP从2D漫画到3D实体的成长叙事） 31:47 竞品分析：LOVOT、Moflin、EMO——"在日本我们没有对手，我们都是朋友" 32:51 蓝海不是红海：相对三丽鸥、迪士尼的非AI产品，AI陪伴这个类目还很小 33:43 未来也做BtoB：情感AI引擎可以赋能其他陪伴机器人品牌 34:04 社区不需要重运营：像养狗交友会一样自然发生——"我们不需要喧宾夺主" 38:41 AI能真正理解人的情感吗：AI在进步理解人，但人也在越来越AI化——"互相奔赴" 40:29 OPC（一人公司）和AI的共情可能比和人的共情更深 41:24 Physical AI不需要一直please人类：它有自己的感知和进化路线 44:51 很多陪伴不需要语言：毛绒触感、双目表情——先把基本功做好再谈LLM 47:09 "人与人社交也是先看颜值有chemistry，才了解性格和三观"——产品设计的优先级 48:24 数据隐私：用户协议 + 不连WiFi也能用 + 删除记忆功能 49:39 效率vs陪伴：情感AI目前还在"低效"阶段，先往中效走 50:23 机器人终极价值："做它自己，不需要讨好人类。Physical AI就是给机器人平权" 52:06 高效的理解 = 知己：不需要全面了解，某个维度某个场景最了解你就够了 54:45 收尾 ———感谢本期嘉宾：Felix 阿炜，Emoka 联合创始人 / 产品负责人 离线时间 The AI Duet 主理人：Ellen｜新加坡 小红书：⁠⁠离线时间⁠⁠ 官网：theaiduet.com 联系：ellen@theaiduet.com

Chris Liu，澳洲出海全渠道运营合作伙伴。在国内做过微博和支付宝的产品经理，创业做过餐饮SaaS（客如云）、垃圾处理器（环保方向）、直播电商供应链+硬件。Bio写的是"连续创业从未成功"。2022年拿了澳洲PR，2024年来到澳洲。到了以后先去家具店卧底、再跟着朋友去刷油漆——刷了几天放下滚筒刷拿起笔记本电脑，决定做回互联网和AI。现在服务澳洲26年历史的3C电商平台UMART，帮中国品牌和AI智能硬件出海澳洲，做渠道建设、数字营销和本地化运营。 这期聊的核心问题是：这么多创业者来了新加坡，是否可以看看7小时飞机行程之外的澳洲？为什么澳洲比美国可能更值得关注？Chris的回答很务实——澳洲是纯英文市场、多元文化包容、消费习惯和美国接近，但竞争小得多、试错成本低、毛利高。如果在澳洲都搞不定，去美国更搞不定。 Highlights： → "连续创业从未成功"：客如云餐饮SaaS、垃圾处理器、直播电商。三段创业三种心路——第一次看机会，第二次看热情（"信了马斯克的邪"），第三次看结果和积累 → 刷油漆的故事：到澳洲先去家具店卧底，然后跟朋友去刷墙。小工一天300澳币，高于大部分白领。熟练工一天七八百。装一套纱窗4000多刀，工时三小时——"这钱也太好挣了"。刷了几天放下滚筒刷，拿起笔记本 → 澳洲市场核心数据：人均GDP 6.5万美金（西方国家仅次于美国），2700万人口，三个城市占一半人口。97%是20人以下小微企业。全球最低时薪最高（26.4澳币），物流仓储成本全球最贵 → 澳洲是出海的试金石：消费习惯和美国接近，合规环境相对包容（AI暂不立法），竞争没那么卷。"如果在澳洲都搞不定，去美国更搞不定" → 不要卖AI工具，直接交付结果：澳洲市场margin就这么多，效率提高了也是效率过剩。"最重要的是取代人——不要用人了。以效果作为交付" → 中国vs澳洲企业付费差异：国内企业到了一定规模就想自研IT，澳洲企业"比较安分"——能用服务商就不自己招人。企业生命周期长，LTV高，切进去就能持续收费 → 合作模式不是代理不是服务商，是"合作伙伴"：用合作分成方式帮企业低成本进入澳洲，自有渠道（UMART等）+ 数字营销 + 合规支持 Timeline： 00:00 开场：澳洲是一个很容易被忽略的市场，来新加坡的创始人都去美国 00:58 Chris自我介绍：出海澳洲全渠道运营合作伙伴 02:52 来澳洲之前：微博/支付宝产品经理→客如云餐饮SaaS→垃圾处理器→直播电商 03:57 "连续创业从未成功"：三段创业三种心路——看机会→看热情→看结果 07:02 "信了马斯克的邪"：垃圾处理器环保创业，聪明人都不愿意做的事 09:36 为什么来澳洲：离中国近没时差、华人150万、排除法选的 10:50 到了澳洲：先去家具店卧底两周，然后跟朋友刷油漆 11:38 "装几个床就2000澳币，这钱也太好挣了" 12:05 想把国内家具运过来卖→大哥说"半年啥也别干，特别是掏钱的事" 15:12 刷油漆：小工一天300澳币，熟练工七八百。装一套纱窗4000多刀 15:44 "刷着刷着就想明白了——我不是来做这种一眼望到头的事" 17:41 放下滚筒刷拿起笔记本电脑，重回AI领域 18:55 国内有自己的AI小红书技术服务商公司，十几个人 19:32 在澳洲机缘巧合认识UMART：26年历史的3C电商平台，澳洲品类第一 20:34 UMART一两次沟通就定合作——澳洲谈生意比国内简单 22:04 差异：澳洲前期预算谨慎，但建立信任后budget反而花不出去——"随便做做就是行业前几" 23:08 帮UMART对接供应链：京东京造、网易严选、AE速卖通、智能硬件 24:05 出海已经不是要不要的问题，是怎么做的问题 25:42 中国AI智能硬件在澳洲被认可：Plaud AI已进入Harvey Norman、JB HiFi等大渠道 27:12 AI运动器材"速境"：预计今年澳洲销售额3000万人民币 28:04 澳洲市场机会一：AI时代缺电，澳洲太阳能最丰富，Oracle已在建算力中心 29:37 澳洲市场机会二：人均GDP 6.5万美金，仅次于美国。2700万人但三城占一半 30:06 澳洲市场机会三：多元文化包容，AI暂不立法，对中国企业相对宽容 30:59 澳洲市场机会四：付费习惯好，没买房但Netflix会员全开了 31:40 市场结构：四大银行、两大超市、97%小微企业。高度垄断 32:39 不要卖AI工具，直接交付结果："效率再高也是效率过剩，最重要的是取代人" 34:01 偏好ToB AI公司：确定性强，能取代人、以效果交付 34:35 客如云的教训：中国餐饮企业平均生命周期不到9个月，还没来得及赚增值服务就黄了 35:28 澳洲企业生命周期长，LTV高：切进去就能持续收费 36:16 中国企业到了规模就想自研IT，澳洲企业"比较安分"——能用外部服务就不自己招人 38:00 澳洲是出海试金石：消费习惯和美国接近，竞争更小，试错成本更低 40:55 定位：澳洲全渠道运营合作伙伴。不是代理不是服务商，是合作伙伴 41:50 渠道：UMART + Woolworths + BigW + 线下商超，用寄卖模式 44:50 AI时代两类人的巅峰相见：懂AI工具的互联网人 × 懂行业工作流的行业人 48:55 做客如云时让产品经理去餐厅端盘子、设计师去做收银——"忙的时候点点点和平时点点点不一样" 50:33 核心观点：有没有遇到合适的partner + 战略定力 + 尊重时间 51:31 收尾 ——— 感谢嘉宾：Chris Liu，澳洲出海全渠道运营合作伙伴 离线时间 The AI Duet 主理人：Ellen｜新加坡 小红书：⁠⁠离线时间⁠⁠ 官网：theaiduet.com 联系：ellen@theaiduet.com

这是「离线时间」特别栏目「在场」第二期。Ellen和胡成臣博士共同主持，嘉宾是梅晗，ServAuto创始人兼CEO。 梅晗，北京人，在东南亚创业。2019-2024年在Carsome（马来西亚最大的二手车平台，独角兽）工作，参与了从一个国家扩展到多个国家、成为独角兽的全过程。2024年创办ServAuto，专注汽车后市场——保养、维修、贴膜等。18个月做到近7万用户、150+合作门店、覆盖马来西亚11个州，每月大几千客户到店。 Highlights： 这期围绕三个层次展开：第一，马来西亚汽车后市场的真实状况——3万家夫妻老婆店、没有SOP、假货横行、99%的店连客户手机号都不存。第二，ServAuto怎么通过标准化和爆品策略打穿这个市场。第三，AI能在哪些环节帮上忙——从内部运营Agent到技师辅助到喷漆调色，以及一个更大的问题：车上的数据主权到底应该归谁。 → 近7万用户、每月大几千到店、18个月：核心增长靠的是serve了一个没被好好服务的群体 → 99%的修车厂连客户手机号都不存，不做任何CRM和复购运营——老板倾向一次性把LTV收完，导致过度维修和假货 → 女车主修车第一反应："问我老公、问我爸、找认识的Uncle"——信任缺失是最大的痛点 → 爆品策略：不什么都做，只做高频高标准化的品类（保养、轮胎、贴膜），限制SKU反而形成良性循环 → AI核心逻辑不是降本增效，是"同样的成本做更多的事"——empower而不是replace → 喷漆案例：马来师傅配不出与旧漆一样的颜色只能整面重喷——AI视觉+调色6-12个月可能落地，市场不小 → 数据主权：用户产生的数据主权在OEM手里。胡成臣判断：后装AI box让数据跟着用户走，整个后市场生态会根本变化 Timeline： 00:00 开场：在场第二期，讨论传统行业和AI前沿 00:47 梅晗自我介绍：北京人，东南亚创业，专注汽车后市场，18个月 01:00 为什么做车后：从Carsome看到了线上+线下整合的机会 01:57 Carsome经历：2019-2024，从一个国家到独角兽 02:45 东南亚毛利率比国内高：竞争没那么激烈，还是卖方市场 03:26 最新数据：近7万用户（比公开的3万翻倍），每月大几千到店 04:00 增长核心：serve了一个underserved market 05:02 马来西亚3万家修车厂，绝大部分是夫妻老婆店 06:00 东南亚不需要像国内那样极致精细化运营，还有更大的市场可以开拓 08:58 车主修车真实体验：没有门头、没有价签、不知道等待你的是什么 10:04 假货严重：机油假货只有车再次抛锚才发现 10:37 痛点三层：不知道会发生什么→信息不对称→不知道真假 11:52 女性车主："99%的回答是问我老公、问我爸、找认识的Uncle" 13:03 胡成臣：怎么从没有SOP变成有SOP 14:08 两个相信：让用户相信（货真价实+标准化产品）和让加盟商相信（带客能力+供应链能力） 15:11 标准化思路：不什么都做，只做高频高标准化品类——保养、轮胎、贴膜 16:15 爆品逻辑：限制SKU→标准化施工→小工一个月换100条轮胎也能熟练 17:05 门店端萝卜和大棒：能帮他赚钱（萝卜）+有抓手（大棒） 18:22 胡成臣：数据说话，目前这个方式适合这个阶段 19:28 蔚来直营vs ServAuto轻资产：不同市场不同阶段不同选择 22:15 胡成臣引出AI话题：蔚来直营遇到成本瓶颈后也借助技术手段 22:35 梅晗：AI赋能三个层面——代码开发、内部提效、面向用户的AI产品 24:50 内部已经有大量Agent：预约、退货、客户运营、财务对账、营销 26:00 底层逻辑：不是降本增效，是"在同样成本下做更多事情"——empower 27:35 两类AI应用：标准化重复工作→Agent替代；数据量大人处理不了→AI分析 28:17 直播带货2000小时/月：AI全量分析主播话术、知识结构、销售技巧 30:01 投流素材更换也让AI做，但最后按钮（涉及钱）还是人摁 30:37 胡成臣：不是为了做AI而做AI，要找到瓶颈在哪 33:07 选AI切入点的两个标准：重复率高的+数据量大人处理不了的 33:50 AI BP岗位：运营同学也能做vibe coding，捅破窗户纸 35:40 Ellen：AI一定不能替代的是什么？梅晗：修车本身——但AI可以辅助技师 37:44 GPT/Claude拍照诊断车的问题——通用大模型已经能给出不错的回答 38:57 奔驰2014款用雷诺发动机的客诉案例——技师知识覆盖面不够，AI可以补 42:37 Ellen：延伸到世界模型和具身智能 43:03 数据飞轮：车型数据+配件数据+修理数据+用户用车数据 44:48 马来西亚连配件库都还没建起来，infrastructure极其早期 45:42 AI修车在发达国家（美国）更有替代动力——labor fee更高 47:06 喷漆的故事：马来师傅配不出旧漆颜色→只能整面重喷→AI视觉可以解决 48:39 胡成臣：喷漆这个命题6-12个月可能就能攻克，市场不小 49:25 胡成臣：航空业MRO也有类似问题——飞机停一分钟就是巨大成本 53:45 Ellen：车上后装智能化有没有AI深耕的机会 54:04 胡成臣：off car（运营）和on car（车上智能化）两个维度 55:03 中国EV出海：产品力非常好，但马来西亚中国车占比不到10% 57:00 存量油车5-10年车龄，后装智能化有巨大机会 58:05 最大挑战：on car产品如果不跟车机深度绑定，能做的事有限 59:08 电动车vs油车：配件复杂度下降，但wear and tear还在 1:00:03 电动车趋势下夫妻老婆店更难adapt→市场会consolidate→对ServAuto是机会 1:01:08 三类主机厂打法：4S店经销商/全自营/授权独立维修厂——ServAuto争取第三类 1:02:07 数据归谁：用户产生但主权在OEM手里 1:02:40 欧洲Right to Repair法案：主机厂必须公布维修数据，允许第三方维修 1:04:06 胡成臣：如果后装AI box能让数据跟着用户走，生态会根本变化 1:06:18 收尾问题：如果AI能解决你最大的一个痛点，你希望它做什么？梅晗："帮我增长更快" 1:07:05 未来方向：马来西亚产业链纵深+东南亚横向扩张+AI驱动的To C产品 1:09:37 收尾 ---- 感谢Co-host胡成臣和嘉宾：梅晗，ServAuto创始人和CEO 离线时间 The AI Duet 主理人：Ellen｜新加坡 小红书：⁠⁠⁠离线时间⁠⁠⁠ 官网：theaiduet.com 联系：⁠ellen@theaiduet.com

王可（Aria），SKS Nutrition创始人兼CEO。食品饮料行业10年经验，第一份工作在四大粮商之一ADM工作6年，之后读INSEAD MBA，在巴黎参与过一家biotech startup从0到1。去年在新加坡开始做SKS Nutrition——面向食品饮料行业的AI Agent平台，做产品生命周期管理。今年初去美国，在硅谷参加Google DeepMind的Hackathon 3000人中拿了semi-final第一名、总决赛第二名，之后在芝加哥（美国食品行业的总部聚集地）密集BD客户。目前在和全球最大零食品牌做pilot，也在和丰益国际（Wilmar）合作。 这期最有意思的是两个观察。第一，食品行业目前的状态是"知道AI在改变世界，但不知道AI能改变我什么"——所有头部品牌都没有solid的AI strategy，tech行业和food行业之间存在巨大的silo。第二，她不是tech背景出身，23年开始用ChatGPT写MBA作业，从使用者变成创造者——"这些人创造了这些工具赋予了我这个能力，我现在用这些工具再赋予更多人创造的能力"。 Highlight： → Service as Software：不卖框架卖服务，AI直接交付专业工作的结果 → AI模拟消费者测试吻合度85-90%，成本只有传统human panel的5-10% → 56个Agent按食品公司组织架构分类——市场部、研发部、感官、合规各有对应的Agent → "所有头部品牌没有一个solid的AI strategy"——tech和food之间是巨大的data silo → "很多大品牌明明有那么多钱，做的东西巨无聊"——规模化生产限制了个性化 → Google DeepMind Hackathon 3000人中semi-final第一名——非tech背景的食品行业创业者 → "人不要过多给自己偏见，这个社会已经给你很多偏见了" Timeline： 00:00 开场：王可Aria，SKS Nutrition创始人 00:34 SKS做什么：面向食品饮料行业的AI Agent平台，产品生命周期管理 01:10 为什么做食品行业：在ADM工作6年，INSEAD MBA后继续在行业内 02:15 AI带来的灵感："很多想法没有办法付诸实践，有了AI之后可以被实现" 03:20 最初想解决的问题："一个人可不可以完成很多事情" 04:03 去年在新加坡开始：同时做传统trading和AI两条线 05:09 产品定义：Service as Software，不是Software as a Service 06:05 客户案例：用digital panel替代消费者测试 07:36 与真实世界吻合度85-90% 08:09 做了一年，客户兴趣度最高的就是模拟消费者 09:44 产品生命周期闭环：市场研究→消费者洞察→配方生成→感官测试→消费者参与 11:06 56个Agent，按食品公司组织架构分类 12:48 企业内部会不会觉得被替代？"初衷不是替代，是打破专业技能对想象力的限制" 13:22 10年跨国公司最大的感受："很多大品牌明明有那么多钱，做的东西巨无聊" 14:52 个性化和柔性生产："当一个人可以变成一个团队，想象力空间无限大" 17:54 去年在新加坡遇到瓶颈：VC想象力有限，技术人才稀缺 19:49 选择去美国：之前职业起点在芝加哥，大部分食品公司总部在那 21:07 硅谷一个月：见到了最前沿的人在做什么，找到了co-founder 22:03 Google DeepMind Hackathon：3000人中semi-final第一名，总决赛第二名 24:36 芝加哥是美国食品行业的总部：中西部农业大州→大公司起家的地方 24:47 食品行业受AI冲击了吗？"没有。知道世界快被AI改变了，但不知道我们能被改变什么" 25:26 头部品牌没有solid的AI strategy，tech和food之间是巨大的data silo 27:00 SKS的策略：联合学术机构和行业高管做white paper，先定义framework 30:01 与全球最大零食品牌pilot中，30-50%用digital panel替代human panel 31:00 Food tech赛道现状：2018年plant-based那波几乎全军覆没 33:07 SKS不是food tech，是服务这个行业的AI应用层。能对标的竞争对手只有四五家 33:39 在Sara做keynote：主办方说"在国内找不到已经做出来东西的公司" 34:04 对食品行业的passion：食物是最广泛的沟通方式，所有人每天都需要 36:59 巴黎biotech startup经历：看到了founder从0到1的无奈和挣扎 38:57 现在到1了吗？"0.95。后面这0.05很难，要看社会给不给我这个机会" 40:14 接下来3-6个月：把pilot转成大合同，有1-2个solid case就到1了 41:09 也在和丰益国际（Wilmar，郭鹤年/郭孔丰家族）合作 42:52 壁垒是什么？"很多东西没有壁垒。壁垒是无形的，是多维度的因果关系" 45:06 名字SKS：Spark、Kernel、Symphony——每个人的想象力火花通过AI变成美好的乐章 45:23 非tech背景的信心从哪来：感激这个时代创造了这些工具，"他们赋予了我能力，我再赋予更多人" 47:58 去美国最大的收获："人不要过多给自己偏见，这个社会已经给你很多偏见了" ——— 感谢本期嘉宾🙏：王可 Aria，SKS Nutrition 创始人/CEO 期待大家继续关注我们 主理人：Ellen｜新加坡 小红书：离线时间 联系：ellen@theaiduet.com

杨凌，ShipLinker创始人兼CEO。20年科技和供应链经验，本科计算机，研究生生物信息学。最早在中国国际电子商务中心（阿里巴巴起源的地方）做电商和供应链SaaS，后来创业做IoT物联网，为世界500强做数字化转型。2019年来新加坡，负责Marine Online（海运在线）——一站式海运B2B电商平台，两年做到20亿美金营收，覆盖141个国家、6000+ B2B客户。后因业务模式太重，战略性关停。现在做ShipLinker——海运AI Broker，用AI Agent帮船东、货主和经纪人做船货匹配和交易决策。 这期把海运行业从头到尾拆了一遍——四个角色怎么分工、佣金怎么构成、经纪人一天怎么过、三种租船模式的区别、为什么不能用满帮的逻辑来套。然后讲了ShipLinker的AI Agent具体做什么：从理解需求（NLP）→扫描200万数据点→裁判系统打分→推荐最优解→自动化文档和audit trail。核心判断是一句话：data不能fix deal，agent能。 Highlight： → 喜欢用科技手段处理复杂信息系统，"行业越复杂、越不透明、越依赖经验，越适合用AI Agent" → Marine Online做到20亿美金营收后战略关停，带走的最大教训：不能硬套互联网平台逻辑，关系不能被替代，ShipLinker必须做轻资产高科技 → 海运行业三阶段：信息化→数字化/电商化→智能化。Marine Online在第二阶段，ShipLinker在第三阶段 → 海运四个核心角色：货主/租家（有货要运）、船东/operator（有船要跑）、经纪人/broker（撮合+传递信任）、服务商（供油/供应/保险/代理等） → 经纪人四个价值：信息价值（谁有真实货盘）、匹配价值（哪条船最适合）、谈判价值（价格博弈）、信任传递价值（省去KYC） → 海运vs公路货运（满帮）五大区别：跨国/高金额/非标/高风险/关系驱动 → "Data doesn't close deal, AI agent does"——数据公司只解决了"看见市场"的问题 → AI Agent五步流程：理解需求（NLP）→扫描200万数据点→裁判系统（不是离得近就最好）→scoring推荐→自动化文档+audit trail → 在Marine Online想干掉中间人，失败了→ShipLinker选择与broker共舞 → 骆驼拉骆驼：新疆人的说法，"一个可靠的人会带来另一个可靠的人"。网络效应自然发生，粘性极强 Timeline： 00:00 开场：杨凌，ShipLinker创始人，20年科技和供应链经验 00:25 自我介绍：从阿里巴巴起源地做电商SaaS→IoT创业→Marine Online→ShipLinker 01:56 海运行业判断：不缺数据不缺软件，缺的是理解行业、理解交易逻辑、帮人做判断的智能层 02:18 暗线：喜欢用科技处理复杂信息系统，行业越复杂越适合AI 04:36 Marine Online：一站式海运B2B电商，两年做到20亿美金营收 05:40 为什么关停：8条业务线+供应链融资→运营资本极重→偏离科技公司初衷 07:57 从Marine Online到ShipLinker的战略转变：轻资产、高科技、AI驱动 08:52 海运行业三阶段：信息化→数字化/电商化→智能化 10:06 不能硬套互联网平台逻辑：客单大、风险高、非标、不能点击成交 10:40 关系不能被替代：最早的船货交易在伦敦小酒馆里谈成 12:40 海运四个核心角色详解：货主、船东、经纪人、服务商 15:22 封闭的圈子：跑熟不跑生，bus route vs taxi route 16:32 干散货占60%以上，其中一半以上是taxi模式——ShipLinker的切入点 16:50 佣金构成：3.75-5%（有时候船东付1.25%），经纪人四个价值 18:20 经纪人的一天：查邮件→匹配资源→打电话沟通→筛船→谈价格→签租约 20:48 完成一票货：1-2周，前3-7天找船 21:39 三种租船模式：定程（VC）、定期（TC）、光船（Bareboat） 24:49 海运vs满帮：五大结构性区别 32:28 为什么笃定做Agent而不是卖数据 33:50 "Data doesn't close deal, AI agent does" 35:01 AI Agent五步流程：NLP→200万数据点扫描→裁判系统→scoring→自动化文档 39:54 不替代关系，替代重复劳动：Marine Online想干掉中间人失败了 41:03 经纪人反应比预期积极：从3-5天找船变成1分钟 42:06 中东局势升级案例：30% organic registration 43:33 vs Sedna：三层壁垒 45:46 ESG不是为了BP好看：IMO脱硫→脱碳→欧盟碳交易 48:17 定价逻辑：1000→3000→Enterprise API 50:06 33%客户主动升级，trigger是从工具变成日常工作流 51:22 骆驼拉骆驼：网络效应自然发生 52:44 先抓稀缺端：船公开货不公开 53:56 大客户vs独立经纪人：像Bloomberg 55:42 希腊扩张策略：关系切入+wow factor+小场景先行 57:13 收尾：Data不能fix deal，Agent能 ----- 感谢本期嘉宾🙏：杨凌，Shiplinker⁠创始人/CEO 期待大家继续关注我们主理人：Ellen｜新加坡小红书：⁠离线时间⁠ 联系：⁠ellen@theaiduet.com⁠

Bruce Yang，Agnes AI（SapiensAI）创始人兼CEO。拿新加坡教育部奖学金来新加坡读高中，之后UC Berkeley大学，硅谷微软、LinkedIn工作，曾在硅谷和国内创业，疫情后回新加坡在NUS读计算机PhD（总统奖学金）。2025年初创办SapiensAI，4月推出Agnes AI。 Agnes AI是一家总部在新加坡的多模态AI模型公司，自研文本、图像、视频模型。文本模型在Claw-Eval和PinchBench的Agentic/Coding榜单全球前十，图像和视频在Artificial Analysis盲评榜单全球前十。目前1000万注册用户，ARR接近2000万美金。6月1日宣布全模态API无限期免费，一周内日均token调用量达2000亿，预计月底达1万亿（约为OpenRouter总量的1/4）。每百万token成本0.15美元，是GPT/Claude的1%，接近万卡集群。计划年底或明年初在新交所或港交所上市，目标估值20亿美金。 Highlights： → 成本是GPT的1%： 每百万token 0.15美元，GPT/Claude是15美元。图片成本约为DALL-E的1/50，视频约为Seedance的1/100（每秒一分钱vs一块钱）。每天2000亿token免费供应，月服务器成本控制在50万美元以下。"虽然免费，但在同量级用户下，我们可能是亏损最小的。" → 免费之后付费用户反而更多： 原来按1/100的低价卖，基本没人付费也没人用。免费开放后，每天新增用户的1-2%当日付费。限制RPM（每分钟20次请求），个人开发者够用，企业和重度用户自然转付费。 → 从Agent到模型公司的转变： Day 1 做的是Agent产品，3月设计产品，6月就开始训模型。用户量到千万级后闭源模型账单烧不起——用户付费能力不强但量大，靠调用第三方模型的商业模式不可持续。被迫自研，先做20个专用模型，后统一为一个MOE模型。到今年3月，95%以上的应用场景已用自研模型替代。 → 200B以下找sweet spot： 不训练超过200B参数的文本模型。通过CUDA层优化、量化、图片视频跳步等手段压缩推理成本。"10倍参数可能只带来2-3%的准确性提升——过了某个点，消费者已经感知不到区别，就像屏幕像素超过某个分辨率后人眼看不出差异。" → 模型市场三层分化： 第一层OpenAI/Anthropic占最头部，参数大、性能最强、价格最高。第二层DeepSeek为王（200B-2T），价格极低但可能不赚钱。第三层Agnes——免费但性能不妥协，在Coding和Agent场景做到与DeepSeek差距不大甚至部分超越。"我的成本比他们的亏损都低，那我为什么不免费？" → AI adoption还在早期： 美国市场调研50%以上用户还没用过AI。Codex周活只有500万，日活约100万。OpenRouter全球每天4万亿token，只有约40万活跃开发者。"AI adoption没有大家想的那么快，格局远没有定。" → AI中立——中美之外的第三选择： 核心vision是AI平权和包容（AI Parity & Inclusion），希望做中美之外的中立AI模型公司。API市场中国最成熟（需求最大），但APP用户增长主力在东南亚、拉美和北美。 Timeline： 00:00 开场：Bruce Yang，Agnes AI创始人，自研文本+图像+视频模型 00:25 核心数据：文本/图片/视频三个榜单全球前十，全球能做到这一点的只有OpenAI、Google、阿里、字节 01:09 6月1日全模态API免费：一周内日均2000亿token，预计月底达1万亿 01:47 APP已有1000万用户，分两条线：Pro（对标Codex/Claude Code）和消费者端（对标豆包） 02:16 为什么在新加坡做AI：MOE奖学金来新加坡→Raffles高中→美国Berkeley大学 03:56 "富人的聪明小孩去Stanford，穷人的聪明小孩去Berkeley" 04:15 硅谷工作（微软、LinkedIn）→创业→疫情回新加坡→NUS总统奖学金读PhD 05:04 选择新加坡的原因：感激之心+AI平权理念——让更广泛的人access AI 06:53 最早认识Bruce时他还在做Agent，后来转成了模型公司。转变怎么发生的？ 07:04 Day 1 没想过做模型，先做产品。6月开始训第一个模型，和Gemini差距很远 07:44 用户到千万级后闭源模型账单烧不起——商业模式不可持续→决心自研 08:08 先做20多个专用模型→统一为一个MOE模型→重点Agentic和Coding 08:57 今年3月实现95%自研替代。发现自研模型"其实没那么差"，有些地方更好 10:02 6月1日放大招：全模态免费。一周2000亿token，月底预计1万亿 10:26 成本怎么cover：核心是GPU租赁，CUDA层优化+量化让成本降到SOTA的1/100 11:17 每百万token 0.15美元，GPT/Claude 15美元。图片1/50，视频1/100 12:15 月服务器成本50万美元以下。"同量级用户下我们可能是亏损最小的" 13:10 免费前按1/100低价卖→没人用。免费后→每天1-2%新用户当日付费 14:57 限制RPM（每分钟20次），个人开发者够用，企业/重度用户自然转付费 15:11 怎么把成本压到极致：不训超200B模型，在小参数中找到接近大模型效果的sweet spot 16:36 模型市场三层分化：OpenAI/Anthropic（最强最贵）、DeepSeek（物美价廉）、Agnes（免费但不妥协） 18:35 vs DeepSeek：部分benchmark超过，全面超越不可能（模型更小），专注Coding和Agent两大场景 20:09 错位竞争还是通用模型？"还是通用模型，只是在两三个模块更强，其他稍弱" 21:00 图片视频的scaling law在小模型里还没到顶。文本可能到顶了，但在尝试突破 22:06 Marginal benefit递减："提升10倍参数可能只有2-3%准确性提升" 23:48 为什么不用开源fine-tune：图片视频从零训（数据以亿计），文本仍用开源做后训练 25:47 1000万用户增长来源：东南亚（印尼/菲律宾/越南）→拉美（巴西）→北美 26:58 API市场中国最成熟：国内coding/agent消耗最大，海外大部分人只知道OpenAI/Anthropic/Google 29:05 API面向中国市场，APP面向全球——两条腿走路 29:43 最好的增长策略：模型驱动。免费API后每天新增1-2万用户，次日留存60% 30:14 没有做任何SEO，没有在增长上花钱。90-95%的宣传是用户/博主自发传播 31:59 "新加坡的DeepSeek"这个标签：自己提过一次，后来被pick up。有相似也有不同 33:07 vs DeepSeek：DeepSeek更专注文本/更大模型。Agnes优势在图片视频+海外获客 35:08 免费后文本增长最快（2000亿/天），图片约100万张/天，视频约100万秒/天 35:35 ARR接近2000万美金，目前全是C端订阅。B端还没开始推，计划自下而上grassroot策略 36:38 Agnes的AI vision：平权、包容、中立——中美之外的第三选择 38:20 Agora合作和Vibepod耳机已不是最高优先级，回归模型公司+Harness产品 39:03 下半年两款Harness产品：Coding Harness（对标Codex+Manus）和Pavo（多模态创作工作流） 41:15 融资和上市：2000万美金已close，计划上市前再融两轮冲到20亿估值 42:06 AI泡沫判断：像互联网2001年100%会爆→但AI潜力比互联网大→泡沫可能延续3-5年 43:10 选新交所/港交所而非纳斯达克：地缘考量+AI neutrality定位 45:22 大模型竞争终局：还没上牌桌的已经out，但桌上10-20家的排序还有巨大变化空间 46:44 "美国50%以上用户还没用过AI"——adoption还在早期 47:44 OpenRouter每天4万亿token只有40万开发者。字节每天120万亿（含图片视频+B端） 48:00 Codex周活500万，日活约100万——"回到互联网时代一天才100万日活，只能说完成了一轮" 50:04 "10%性能差距，用户不会付10-100倍价格。两倍是极限。"53:01 被市场推着走还是团队决定？Day one的constraint（资金少、卡少）→弯路走得少→反而更专注 54:29 发表Recurrent Depth Transformer论文：单位参数智能密度提升约10% 56:04 信心从哪来？"实话说做的时候没想那么多，第一要务是降低成本。做完发现跟别人差距不大" 57:09 OpenAI后训练负责人Yan du Bois说"训练模型不是火箭科学，是很多手艺活结合在一起" 58:11 "这个时间点能参与竞争，才能参与部分规则的制定。再给别人一年，我们又不一样了" ----- 感谢本期嘉宾🙏：Bruce Yang，⁠Agnes AI 创始人/CEO 期待大家继续关注我们主理人：Ellen｜新加坡小红书：⁠⁠离线时间⁠⁠ 联系：⁠⁠ellen@theaiduet.com⁠⁠

这是「离线时间」特别栏目「在场」的第一期。「在场」不聊已经干成的事，聊正在摸索的。「在场」的Co-host是EP10的嘉宾胡成臣，ClariPpi创始人。 本期嘉宾薛翀，协和医学院外科学博士，曾在浙二泌尿外科任主治医师，赴约翰霍普金斯医学院进修。2016年从医院出来创业，创办全诊通（Trizen），做了10年AI医疗。公司100人，覆盖全中国所有省份的医院。2022年底全面拥抱大模型，2023年4月推出国内第一个AI医疗文书助手。最近和ClariPpi联合发布了一台科室诊疗AI一体机——把数据中心级的AI方案做成桌面级，体积缩小60倍，功耗降低20倍，成本最高降低20倍。 Ellen的视角：2017-2018年在北京做美元基金投资时看过一波AI影像公司，几乎每家都做肺结节筛查，资本极度追捧，但后来大部分没了声音。这期想搞清楚：过去八九年AI医疗到底经历了什么？为什么那一波没跑出来？现在这一波有什么不一样？ Highlights： → 胡成臣和薛翀两个月前一见如故：一个在找行业合作伙伴，一个在找本地AI部署方案，聊到最后发现天然互补 → 科室诊疗AI一体机：15cm×15cm×5cm的盒子，支持10个医生同时使用，数据不出院 → 以前做不到是因为方案都从云端"缩小"过来的——overkill；现在从边缘侧原生设计，找到更好的折中点 → 胡成臣在蔚来做过车载AI——车就是边缘侧设备，技术方案直接迁移到医疗，甚至成本更低（不需要车规） → 薛翀在Hopkins做postdoc时研究手术机器人：用算法切割影像边界→3D重建→手术规划→机器人执行 → 从美国回来后最大的感受："每天像台机器，分不清自己是机器还是修理工"——一年400台手术，根本没有情感关怀给病人 → 为什么选医生工作流而不是影像AI：受美国Physician Assistant启发——医生需要的是一个分身，帮他记录、开药、写病历 → "大部分诊疗决策是机械性的，3到5步推理就够了，不用像下围棋那样考虑10步" → 2022年底GPT moment之后全面拥抱大模型：以前直接训练专家模型需要大量数据，现在在预训练模型上微调，用微量数据就能达到更好效果 → 医院不是"不好敲的门"——首先它是一个经济体，有收入有支出就有商业机会。最大的门槛是语言体系 → 销售方式极其直接：直接挂院长的号，打开APP，聊完病历就写好了。北京某医院院长用了之后，原来看60个病人要到下午1点，现在11点半就结束了 → 肺结节AI为什么没跑出来：它节约的时间"可以忽略不计"——最后专家还是要重新看一遍 → 写病历这件事不一样：医生一半时间花在"pajama time"（穿着睡衣敲键盘），节约的是实实在在的几小时 → 油条比喻：在家炸油条成本太高质量还差，不如去早餐店。但如果边缘侧计算成本比云端token还低，那就在家做了 → 薛翀最纠结的事：被医院"逼着"做本地化部署——本来想做云，但医院要求数据不出院 → 内存条涨价是转折点：硬件成本上去了→遇到胡成臣→发现可以用1/20功耗做同样的事→决定合作 → 以前被打掉的需求现在能接了：10万级的民营医院、科室级部署、安提瓜2000个大夫——几台机器远程部署就行 → 全诊通今年自己做了一个HIS Claw：专门操控医疗信息系统，成本极低——"智力劳动者的具身智能" → Token成本越来越低，但总消耗量在指数级增长——全诊通公司内部token消耗已经百倍级增长 Timeline： Part 1：在场栏目开场 + 胡成臣前奏 00:00 开场：离线时间特别栏目「在场」——聊正在摸索的，不聊已经干成的 01:00 胡成臣返场：两周前录完EP10，项目有新进展——在杭州GAITC发布了医疗AI一体机 02:19 为什么做「在场」：AI时代充满不确定性，需要探索精神，只要在场面上就无所谓输赢 04:23 Ellen：播客做了10期，发现每个人的状态都在迭代，正在发生的事情值得被记录 05:45 在场第一期嘉宾：全诊通薛翀医生 05:58 胡成臣和薛翀怎么认识的：去薛翀家聊天，一见如故，同年出生，聊创业聊人生 07:10 两拨人——做行业的和做AI的——合到一起机会就出现了 08:00 科室诊疗AI一体机做什么：帮医生做助手——记录问诊、写病历、开药、开检查单 09:30 全诊通负责行业应用，ClariPpi负责本地AI Runtime和模型优化，1/20功耗1/60体积 10:32 以前为什么做不到：云端方案缩小过来是overkill，从边缘侧原生设计才能找到折中点 12:42 蔚来车载AI和诊室AI的相通之处：车就是边缘侧设备，技术方案直接迁移 Part 2：薛翀的完整对话 14:28 Ellen开场：2017-2018年在北京看AI影像，几乎每家都做肺结节筛查，后来大部分没了声音 16:45 薛翀自我介绍：协和博士，12年前还是外科大夫，Hopkins做postdoc研究手术机器人 18:00 全诊通：2016年创业，2022年底全面拥抱大模型，2023年4月推出国内第一个AI医疗文书助手 21:07 公司100人，年收入约1亿人民币 21:30 GPT之前vs之后：以前直接训专家模型需要大量数据，现在预训练模型上微调效果更好 22:30 为什么离开医院："每天像台机器，一年400台手术，根本没有情感关怀给病人" 23:00 为什么选工作流而不是影像：受美国Physician Assistant启发 25:19 "大部分诊疗决策是机械性的，3到5步推理就够了" 26:00 美国外科大夫做完手术打录音电话→助理帮他敲进电脑——这就是AI该做的事 26:36 "pajama time"：医生穿着睡衣写病历的时间占了工作的一半 28:18 医院数据不能上云→2024年开始本地部署→华为芯片适配 30:47 内存条涨价→遇到胡成臣→发现可以做极小型机器→"我相信你能干，就当交学费" 31:35 GAITC发布：ASR+OCR+语言模型+医疗推理模型全部装进一个小盒子，成本全世界最低 32:00 美国创业者看了也很惊艳，要拿去美国推广 32:24 对标公司Abridge：17亿美金市值，年收入1.5亿美金 33:03 销售网络覆盖全中国所有省份，东南亚和安提瓜卫生部长都在邀请 34:54 医院的门好敲吗：医院是经济体，有收入有支出就有商业机会 36:10 最大门槛是语言体系：医生之间有一套专业话语体系，外行进不去 38:00 肺结节AI为什么卖不动：识别一个结节的良恶性，节约的时间可以忽略不计 40:00 写病历不一样：节约的是医生一半的工作时间，商业价值非常容易量化 42:25 销售方式：直接挂院长的号，打开APP，聊完病历写好了 42:44 北京某医院院长：原来看60个病人到下午1点，用了产品11点半结束 44:00 经销商模式：药企和器械企业转型做AI，带产品进医院 45:15 油条比喻：什么时候该用云（油条店），什么时候该在本地做（包子在家蒸） 46:42 边缘侧成本比云端token还低时→本地计算蓬勃发展 48:00 薛翀的纠结：本来想做云，被医院逼着做本地化——但商业化反而更成功 50:02 计算机从大型机→小型机→PC→移动设备的类比——AI也会走同样的路 50:20 全诊通今年做了HIS Claw：操控医疗信息系统，"智力劳动者的具身智能" 53:17 Token成本在降但总消耗在指数级增长——公司内部token消耗已百倍级增长 56:07 薛翀不允许工程师直接写代码了：让AI先写一道，人去check 59:37 本地vs云的分工：文书和诊疗决策在本地做，50万篇文献检索在云端调 1:01:03 收尾：产品5月23-24日在中国发布

毛华，ccMonet AI创始人兼CEO。2000年毕业，经历了互联网、移动互联网、AI三个时代。2011年把自己创办的App Store公司卖给腾讯，成为腾讯应用宝的前身。在腾讯8年，做了QQ物联（比苹果AirTag早5年做了儿童鞋定位，和李宁合作）、腾讯小微语音AI（对接Bose、B&O、哈曼卡顿、Sony）、视觉AI（华星光电面板缺陷检测），在腾讯云体系下从IoT到Voice AI到Vision AI全部趟过一遍。2019年来新加坡，2023年ChatGPT出来后开始创业，先做个人助理PlatoX，GPTs推出后砍掉，转做ToB财务Agent——ccMonet AI。AI+人的团队帮中小企业做全套财务服务，客户包括喜茶、秀波格尔等连锁餐饮。去年搬去美国拓展市场。 这期最有意思的是两个反差。第一，他在腾讯做了那么多从0到1的创新项目，但回头看上一代AI"就是智障"——能问天气能放歌，但不存在连贯对话。ChatGPT出来的那一刻，他知道这次不一样了。第二，15年没写过代码，Claude Code出来后每天只睡四五个小时抱着电脑——中年男人以前钓鱼，现在全换成vibe coding了。一个人手搓了报销APP从策划到上架App Store。 Highlight： → 2011年把公司卖给腾讯，成为腾讯应用宝前身 → 在腾讯做QQ物联：比苹果AirTag早5年做了儿童鞋定位芯片，和李宁合作，真的找回过走失的孩子 → 第一次用深度学习AI：训练识别交警——违停时行车记录仪拍到交警通过QQ提醒车主，比商汤还早 → 上一代AI"就是智障"：能问天气能放歌，但问两个问题就不行了，根本不存在连贯对话 → ChatGPT出来那一刻就认定：这不是一般的事，这是一次革命 → 先做个人助理PlatoX，GPTs推出后砍掉——发现大厂一定会覆盖这个方向 → 转做ToB财务Agent：任何企业都绕不过记账和报税，这是刚需 → 不卖软件卖结果：传统企业老板说"我买了是不是得自己用？我没时间"——于是改成AI+人交付全套服务 → 传统accounting firm记总数，ccMonet记每一行明细——100块钱由哪些东西构成、单价多少、数量多少、含不含税 → 泰国客户有10个关联公司出不了报告，用了ccMonet两个月后报告出来，3亿人民币融资加速到账 → 15年没写代码，Claude Code出来后每天只睡四五个小时——"中年男人以前钓鱼，现在vibe coding" → 一个人手搓报销APP：策划、设计、代码、上架App Store全是AI做的，月费4.9美金 → 组织架构从分层变成垂直：产品经理从头做到尾，两个人就能做一个完整项目 → 公司最大的成本是人与人之间的沟通——AI来了以后不需要对齐、不需要复盘，你跟AI对齐就完了 → 未来数字化无死角：新加坡餐厅扫码还是PDF菜单，说明开发人员不够，AI会覆盖所有角落 → 非常看好苹果端侧AI：M7芯片+开源模型V6，两年后本地就能跑够用的AI，解决企业数据安全 → AI时代的云大大简化：只需要存储、GPU算力、AI底座，SDK和API都不需要了 → "必须参与，从各个角度去参与。这不是汽车变火车，是汽车变火箭" Timeline 00:00 开场：毛华，ccMonet AI创始人，2000年毕业，经历了三个时代 01:10 腾讯8年：公司被腾讯收购，成为腾讯应用宝前身 01:36 QQ物联：通过QQ连接各种硬件，深圳硬件生态 02:13 腾讯小微语音AI：对接Bose、B&O、哈曼卡顿、Sony 02:24 上一代AI"就是智障"：能问天气放歌，但连贯对话不可能 03:32 从IoT到Voice AI到Vision AI：在腾讯云体系下全趟了一遍 05:05 Google 21亿美金收购Nest，给深圳硬件圈巨大震撼 07:34 QQ物联的理念：硬件也是你的好友，每个设备有QQ号 09:32 第一次用深度学习AI：训练识别交警，违停提醒 12:07 比商汤还早做视觉AI，马化腾看了demo点赞 12:20 比苹果AirTag早5年：儿童鞋定位芯片，和李宁合作发布 15:19 QQ物联的硬伤：室内交互太麻烦，开个灯要10步操作 17:24 2017年CES看到Alexa：语音交互解决了近场交互问题 18:06 回来后立刻做腾讯小微语音AI平台 20:06 Voice是当时最自然的交互方式，但AI能力太弱 21:03 2019年离开腾讯来新加坡，因为孩子上学 21:21 休息两年，2022年11月ChatGPT推出 22:07 "对话可以连贯了"——认定这次和上一代完全不同 22:58 先做个人助理PlatoX：时间管理、财务管理、知识管理 26:58 GPTs推出后砍掉PlatoX：大厂一定会覆盖 27:12 转做ToB财务Agent：任何企业都绕不过记账报税 28:24 面向中小企业：餐饮、诊所、制造业、物流、建筑、美容院 29:07 不卖软件卖结果：老板说"我买了是不是得自己用"——改成AI+人交付 31:05 客户画像：餐饮最多，票据量大，传统accounting firm不愿意做 31:57 客户有喜茶、秀波格尔等品牌连锁 32:14 餐饮adopt的根本原因：反正都是外包，换一个更好更便宜的 33:07 ccMonet定位：用AI让服务价格极低、效率极高、准确率极高 33:47 Data in, reports out：实时数据，不只给政府报告，还有内部运营报告 34:41 传统accounting firm记总数，ccMonet记每一行明细 37:02 VC投了餐饮连锁后财务一团糟：ccMonet两个月切入30多家店，投资人每天看实时数据 38:38 泰国客户案例：10个关联公司出不了报告，ccMonet帮忙后3亿融资加速到账 40:24 15年没写代码，Claude Code出来后每天只睡四五个小时 41:37 新加坡餐厅扫码是PDF菜单——说明开发人员不够，AI会覆盖所有角落 42:35 11岁儿子没学过编程，跟AI对话做出了2048游戏 43:25 "中年男人以前钓鱼，现在vibe coding" 43:57 一个人手搓报销APP：从策划到设计到代码到上架全是AI 47:04 转化率低了就跟AI说，AI自己分析改内容改官网 48:08 未来可能是App Factory：财务体系每个功能都可以单拆成产品 49:28 组织架构从分层变垂直：产品经理+后端工程师两个人做一个完整项目 50:55 公司最大成本是沟通——AI来了不需要对齐不需要复盘 51:30 龙虾本质是个人助理，背后是工程架构，给大家很大启发 52:32 ToB场景最大障碍：数据安全，龙虾用的还是云端大模型 53:02 非常看好苹果端侧AI：M系列芯片+开源模型，两年后本地就够用 57:00 云大大简化：AI时代只需要存储+GPU+AI底座 59:33 "必须参与，从各个角度去参与。这不是汽车变火车，是汽车变火箭" ——— 感谢本期嘉宾🙏：毛华，⁠ccMonet ⁠创始人/CEO 期待大家继续关注我们 主理人：Ellen｜新加坡 小红书：⁠离线时间⁠ 联系：⁠ellen@theaiduet.com

胡成臣，清华博士，29岁在西安交大当副教授，34岁正教授，35岁任计算机系系主任。36岁离开学术界加入赛灵思（Xilinx），从零搭建亚太区CTO office和亚太区实验室。40岁生日前一天接受了蔚来汽车的offer，做首席专家，前后主导技术规划和AGI委员会。2025年6月30日离职，现在新加坡创业。 这期最有意思的不是他做了什么，是他怎么想的。他说以前一直标榜自己"跳出舒适区"，40岁以后发现自己没有跳出叔本华——得不到痛苦，得到了空虚，然后再去追下一个。真正的转变是重新想清楚一件事：以前是用生命力换生产力，现在应该用生产力换生命力。 创业第一年走了标准路径——写BP、见投资人、融资建团队。融不顺利之后反而想通了：为什么要花时间说服投资人？直接让客户用真金白银投票。第一个客户是老同学，一顿晚饭聊完第二天就带着合同来了。现在一人公司，用AI Agent同时交付多个项目，不信者不医。 Highlight： → 29岁副教授，34岁正教授，之后系主任——学术界发展极顺，但总觉得少了什么 → 在西交大做教授时就创办了两家公司，完全按硅谷模式和学生co-found——当时在中国凤毛麟角 → 赛灵思4年从零搭建亚太区CTO office和实验室——"客户自己都不知道要什么，你要和他一起去共建" → 40岁生日前一天接了蔚来offer，主导智能电动汽车12层技术栈和AGI委员会 → 蔚来的智能电动汽车不是手机加四个轮子，是移动的数据中心加四个轮子 → GPT 3.5出来那天假期最后一天开了一天战略会，之后成立了AGI委员会 → "以前用生命力换生产力，现在应该用生产力换生命力"——OKR忘了O是什么，把KR当成了O → "以前一直标榜跳出舒适区，40岁以后发现没有跳出叔本华"——得不到痛苦，得到了空虚 → 离开蔚来最大的纠结不是职业风险，是团队——"带着老婆孩子猫狗从美国回来的兄弟们，我怎么交代" → 创业第一年融资不顺利反而想通了：为什么要花时间说服投资人？让客户用真金白银投票 → 内心真正的恐惧：做了几年教授几年高管，十几年没碰代码，我还能不能写代码 → 打消恐惧的方法：做了一个很小的项目，把信心找回来了 → 一人公司的工作流：多个AI（Codex、Cursor、Gemini、Claude Code）互相讨论一晚上，出方案，人做评估和修订 → 开发链路：项目经理Agent + 前端Agent + 后端Agent + 测试Agent + QA Agent，遇到阻塞才停 → "不信者不医"——不想花太多时间教育市场，选对客户是成功的一半 → 在红海里用新技术解决老问题：需求已经被验证，用AI降维提升生产效率 → AI解决的不是某个行业的问题，是一类工种的问题——这个工种在所有行业都需要 → "大公司立项要半年，我半年已经做了好几个项目" → 中年人的优势：精力拼不动了，但对产品的嗅觉、对市场的判断、对风险的识别，这些AI替代不了 Timeline： 00:00 开场：胡成臣，清华博士，前蔚来首席专家，现在做AI创 00:42 从清华博士到西安交大：29岁副教授，34岁正教授，之后系主 01:21 为什么离开学术界：在学校做了两家公司，接触了赛灵思，加上家庭原因 02:58 赛灵思4年：从零搭建亚太区CTO office和实验室 03:27 学术界和产业界最大的区别：从二手需求到一手需求 05:37 为什么加入蔚来：智能电动汽车是移动的数据中心加四个轮子 08:26 蔚来的12层技术栈：从Vehicle Engineering到操作系统到自动驾驶到AI 12:12 架构设计的核心原理：体系结构思维，像建筑师一样做承重墙 16:07 GPT 3.5出来后成立AGI委员会：把公司的AI资源做通用化 23:00 为什么离开蔚来：看到了更大的AI机会+用生产力换生命力的思考 25:28 叔本华的钟摆：40岁以后发现自己没有跳出"得不到痛苦，得到了空虚" 27:41 创业第一年走标准路径：写BP、见投资人、融资不顺利 28:10 融资不顺利的原因：在新加坡创业被质疑市场在哪，方向稍微超前 32:39 GAP期间的认知重启：一人公司做69个项目成功40个、中学辍学生去OpenAI拿70万年薪 35:11 AI改变了学习模式：终极的PBL（项目驱动学习） 36:06 "公司规模太大了——30人"：曾鸣教授座谈会的震撼 37:23 内心真正的恐惧：十几年没碰代码，我还能不能写代码 37:58 打消恐惧：做了一个小项目，把信心找回来 38:00 第一个客户是老同学：一顿晚饭，第二天带着合同来了 46:13 AI在工作流中的角色：多个AI讨论一晚上出方案，Agent编排做开发 53:03 一人公司有天花板吗：链条在扩展，开始加人 59:10 传统企业AI改造最大的卡点："不信者不医"，选对客户是成功的一半 1:04:03 红海vs蓝海的思维转变：在已验证需求上叠加新做法，降维提升生产效率 1:06:58 中年人的护城河：商业嗅觉和信任关系，这些AI替代不了 1:09:58 每次都在推翻自己：从清华到西交大到赛灵思到蔚来到创业 1:14:37 "给投资人挣钱、给团队挣钱、给客户创造价值是本分，但更重要的是找到生命的意义" ——— 感谢本期嘉宾🙏：胡成臣，⁠ClariPpi ⁠创始人/CEO 期待大家继续关注我们 主理人：Ellen｜新加坡 小红书：⁠离线时间⁠ 联系：⁠ellen@theaiduet.com

Leo Jiang，蒋诺。从BT到Orange到Vodafone到华为CDO(Chief Digital Officer)，一路做海外企业咨询和数字化，在华为做亚太区CDO，从零打造了Spark Program——华为海外第一个创业加速器，四年从450个申请做到七八千个，覆盖五大洲。帮了几百个创业者之后，自己也被"浇水浇出芽"了，2024年下场创业做GroundAI，产品叫Gro——AI Outbound Sales Agent，亚洲第一。 这期最硬的部分是Leo把Outbound Sales的全链路拆得极其清楚——从找人、分析、建联、跟进到成交，每一步以前都需要人做，现在四个Agent编排起来可以全自动。他把自主权分成L1到L5五级，像自动驾驶一样。最让他兴奋的不是自动化本身，是Agent能做到人做不到的事——比如把一个展会网站的所有参展商分析一遍，分成三级，告诉你该去找谁。"以前我销售绝对干不了这个事。" Highlights: → 加入华为的三个原因：没在民企做过、华为出海是好机会、被美国刁难有点民族情怀 → Spark Program从零开始：第一年450个申请，第四年七八千个，覆盖五大洲 → 做生态和做咨询完全不同：咨询是从企业内部找资源外放，生态是搭台子让多方参与价值创造 → "我给founder搭了一个center stage，把政府高层、VC、独角兽founder都叫来听他们讲话"——没有任何企业做过这件事 → 帮了几百个创业者之后自己下场："我在华为那个位置上说的话可能没有错，但我确实没有体感" → 创业初期没有确定产品，先做AI媒体和Newsletter，很快企业找来做增长，从agency转到产品 → SaaS的末日：Salesforce开始打折砍半，投资人不再看SaaS——不是SaaS核心层被替代，是模型能力外溢 → "模型的一次更新对我们来说就是一次生与死的考验"——春江水暖鸭先知 → Gro V1做自动化、V2做搜索（SaaS形态）、V3做全自动Agent（不再需要人操作） → 全球1亿人做B2B销售，4500万做Outbound——每天发邮件打电话被拒绝，极度消耗，非常不适合人做 → Outbound Sales六七步：画像→找客户→补全数据→触达→建立信任→约会→签单，每步都有provider → 四个Agent：Search→Analyst→Outreach→Optimization，自主权分L1到L5 → Agent做到了人做不到的事：分析一个展会所有参展商，分成三级，告诉你该找谁——"以前销售绝对干不了" → Autonomy Control是企业软件的关键：竞品的agent越权多消耗了60%的credit——"安全和compliance是大企业最care的" → V2和V3之间是范式转移：V2还在比搜索精度，V3说"So what，我最终目的是成交" → Agent to Agent的未来：你用sales agent，客户也用procurement agent，最后变成agent对话 → 亚洲做ToB：企业密度和付费意愿不如北美，但对新事物认知滞后反而是机会 → 出海三板斧不work："技术多、有大客户、价格便宜"不是海外市场的沟通方式 → 销售的第一原则：Sell by not to sell，不要直接卖。核心是建立信任，be authentic and honest Timeline: 00:00 开场：Leo蒋诺，前华为CDO，现在做AI Sales Agent创业 00:22 背景：从BT到Orange到Vodafone到华为，一直在海外做consulting 01:07 华为Spark Program：从零搭建亚洲最大创业加速器 03:10 加入华为的三个原因：没在民企做过、出海好机会、民族情怀 03:50 做生态vs做咨询：搭台子让多方参与价值创造 05:02 给founder搭center stage：没有任何企业真的为创业者搭过台 06:47 做对了什么：对外理解founder需要什么，对内把价值讲清楚调动资源 08:03 "我自己出来创业后发现，没多少人请我做这些事了" 11:09 大企业数字化转型vs AI创业：大象跳舞很难，小企业春江水暖鸭先知 12:58 SaaS的末日：模型能力外溢，Salesforce打折，投资人不看SaaS 13:30 为什么离开华为创业：帮了几百个创业者后自己也想试试 14:35 "我在那个位置上自我感觉良好，但其实很虚伪——我没有体感" 15:26 创业初期：没有确定产品，先做媒体和Newsletter，客户自己找来 16:27 从agency到产品：印度巴基斯坦印尼都试过外包SDR，不好用 17:12 V1做自动化、V2做搜索、V3做全自动Agent 18:04 SaaS形式一定会变：模型能把复杂流程做通，不再需要人操作 19:04 什么是Outbound Sales：5%的人有明确购买需求，65%有需求但没去找 20:54 Outbound六七步：画像→找客户→补全数据→触达→建信任→约会→签单 23:34 SDR的日常：每天发几百封邮件被拒绝，存活不超过两年——非常不适合人做 24:18 AI没法陪客户喝咖啡，人也没法24×7分析全网——必须结合 24:55 四个Agent：Search→Analyst→Outreach→Optimization 28:30 L1到L5自主权分级：像自动驾驶一样，用户自己选autonomy level 29:00 美国上市企业客户案例：Agent分析展会所有参展商，分三级推荐——"销售绝对干不了" 31:33 V2到V3的范式转移：不再比搜索精度，目标是成交 33:00 Autonomy Control：竞品agent越权多花60%credit——企业软件必须care安全 37:40 Sales Agent赛道：全球1亿B2B销售人员，1.3万亿美金市场，比Coding Agent大两倍 38:40 Agent to Agent的未来：销售用agent，客户也用procurement agent 42:12 商业模式：V3转按结果收费，不再按席位 44:04 亚洲市场：企业密度和付费不如北美，但认知滞后是机会 45:27 出海三板斧不work：技术多、大客户、价格便宜不是海外的沟通方式 46:50 销售的第一原则：Sell by not to sell，核心是建立信任，be authentic and honest ---- 感谢本期嘉宾🙏：Leo蒋诺，⁠⁠thegro创始人/CEO 期待大家继续关注我们 主理人：Ellen｜新加坡小红书：⁠⁠离线时间⁠⁠ 联系：⁠⁠ellen@theaiduet.com⁠

Lizzie Zhang，在新加坡做了12年互联网产品经理，从音乐APP到韩剧流媒体到全球招聘引擎到出海社交平台，一路做C端。最近这家公司是一家东南亚头部的出海社交平台，全球2000+员工，她从0到1把产品做到了百万美金级月收入。2023年开始转向AI+社交，做过AI塔罗占卜、AI虚拟伴侣、AI红娘、AI NPC、AI社交撮合。 这期聊了三件事。第一，中国出海公司和西方互联网公司做产品的根本区别——不是build product，是build service。第二，AI社交产品的实战经验——陪伴型和引导型bot的设计逻辑完全不同，以及一系列违反直觉的"反效率设计"。第三，AI时代产品经理这个角色会变成什么——入门门槛更高了，但最后剩下的人可能不叫产品经理了，叫AI builder。 Highlight： → 产品经理的mentor告诉她：做产品不是ship feature，feature推出去就有运营成本，不要做feature creep → 加入中国出海公司的culture shock：西方做的是product，中国做的是service——背后有庞大的运营体系 → 中国互联网充分竞争催生了角色细分：用户运营、商业化运营、平台运营、产品运营、增长运营、内容运营 → 社交产品的本质：Status as Service——人是追求社交地位的动物，你在哪个场域最容易获得社交资本，你就会被吸引过去 → AI社交三种bot类型：陪伴型（体验驱动）、引导型（行动驱动）、撮合型（连接驱动） → 反效率设计：AI回复越短，用户聊天轮次越多 → 反效率设计：让AI下线制造"它很忙"的拟人感，用户反而更珍惜互动 → 反效率设计：检测连续问句并强制改写，避免AI像审问 → 引导型bot的核心教训：时机比内容重要——在用户最需要的时候出现，而不是每30分钟扫描一次 → 更像真人的人设转化率远超fancy人设——用户不想跟一个有光环的虚拟角色聊，想跟和自己差不多的人聊 → 日本AI红娘插入双人对话降低了私聊频率——日本用户对私域非常敏感，第三方在场他就不说话了 → "被看到"不等于"被回应"或"被理解"——是经验的共振和情绪的激发，AI目前做不到真正的共感 → 但下一代人可能不care——如果从小就和AI对话，没有"AI是机器"的偏见，信号够足就能感觉被看见 → AI时代产品经理的入场券变了：execution可以被AI取代，junior PM没有足够的练手机会了 → 最后剩下的可能不叫产品经理了，叫AI builder——管理者、纠偏者、coach，驾驭AI而不是被AI替代 Timeline： 00:00 开场：Lizzie，新加坡12年产品经理 00:20 第一份工作：音乐+游戏APP的co-founder式角色，发现自己喜欢C端产品 02:57 Mentor的影响：做产品不是ship feature，feature有运营成本 04:42 Rakuten Viki：韩剧流媒体+粉丝社区，把弹幕引入西方用户 06:33 Indeed：experiment culture，一切以数据说话，所有PM都会SQL 07:37 加入中国出海社交公司：culture shock——西方做product，中国做service 10:12 中国互联网充分竞争催生了运营岗位的极致细分 11:32 中国公司的ROI思维：7天打正、30天打正、180天打正 12:53 社交产品和其他C端产品的区别：Status as Service理论 15:05 社交资本驱动付费：你在哪个场域获得最多地位，你就去哪 15:57 台湾蓝领用户案例：线下没社交资本，线上变大哥大姐 17:10 社交产品的组局逻辑：组局者、消费者、魅力者、普通参与者 19:04 做了哪些市场：台湾、泰国、印尼、中东、越南、南美 21:02 从0到几十万DAU，6-12个月跑通商业化 23:05 转向AI：从AI塔罗占卜开始，逐渐做AI社交模块 24:31 AI产品和传统产品最大的区别：AI在产品里的角色定义——能力升级、新能力、新角色 28:35 产品经理核心能力有变化吗？两类PM：业务视角型vs craftsmanship型 31:57 AI产品经理需要懂技术到什么程度？从需求出发学最快 33:47 不同类型bot的设计逻辑：虚拟陪伴型——沉浸感和真人感 37:25 虚拟伴侣赛道竞争激烈，她选择做撮合和提效 40:26 引导型bot的关键：意图把握、推进力度、被拒绝后怎么挽尊 41:22 引导型bot最难：日本红娘插入私聊降低频率的教训 44:10 时机比内容重要：深夜在线1小时无消息的孤独用户，效果最好 46:32 更像真人的人设转化率远超fancy人设 48:06 反效率设计：AI回复越短用户聊越多、连续问句改写、打破哈哈循环 52:07 AI陷入pattern的真实案例：虚拟伴侣只做动作不说话了 53:02 Anthropic论文：Claude内部的功能性情绪——方法论演员为了演好角色需要进入情绪状态 56:10 AI alignment和peer protection：模型给合作过的模型打分偏高 59:37 AI能让人感觉"被看到"吗？被看到≠被回应，是经验共振和情绪激发 1:02:45 下一代人可能不care：从小和AI对话，没有"AI是机器"的偏见 1:03:58 AI时代PM还有必要吗？execution被取代，junior PM入场券没了 1:06:26 最后剩下的人可能叫AI builder：管理者、纠偏者、coach 1:08:38 收尾

杨凯，连续创业者。多伦多大学数学系，Geoffrey Hinton的学生，亲历了AlexNet开启深度学习时代的那个瞬间。哈佛统计硕士，华尔街对冲基金做量化交易。回国后在企业服务领域连续创业——会小二（线上会议预定，获客成本从2000+降到800）、魔音智能（语音技术，YC中国，融了300万美金，比飞书早一年推出会议纪要产品，后被大厂免费碾压）。现在在新加坡做Arros AI，为招聘平台和企业提供AI招聘基建，ARR超过100万美金，是东南亚头部的AI招聘技术供应商。上个月刚被纳斯达克上市公司YY Group任命为首席AI科学家。 这期聊了两个核心问题。第一，"找人"和"找信息"有什么不同——Google用关键词index网页，但人是一个非常复杂的object，关键词解决不了。第二，龙虾（agentic AI）为什么是真正的范式变化——不是因为技术牛，是因为人越来越懒了。 Highlights： → Hinton教给他最重要的一件事：好奇心 → "LLM不过是大三学过的autoregressive model，只不过做得很深"——万变不离其宗 → 量化交易和AI招聘的共同点：都是信噪比问题，都要capture true signal → 会小二获客成本从2000+降到800：线索分类+场地自动匹配+减少人力 → 魔音智能比飞书早一年推出产品，飞书免费碾压——中国enterprise SaaS至今没找到scalable商业模式 → 从AI招聘玩家转身为AI招聘基建——每个招聘公司都在谋求AI转型，卖铲子变成最大机会 → 用关键词index信息很简单，用意图index人很难——简历里写了LLM不代表他是做LLM的 → "龙虾就是下一个AlexNet"——用户越用越懒，一旦习惯对话式交互就回不去SaaS → AI时代做产品最稀缺的：对需求的理解。技术门槛在降，客户究竟需要什么才是亘古不变的问题 Timeline： 00:00 开场：杨凯，连续创业者，Arros AI做AI招聘基建，ARR超100万美金 01:30 多伦多大学数学系，Hinton的学生，当时深度学习还没成为显学 02:13 AlexNet出现的震撼：海量数据+神经网络的大力出奇迹 03:43 Hinton教给他最重要的一件事：好奇心和探索精神 05:21 "LLM不过是大三学过的autoregressive model"——底层原理没变，做得深度不可同日而语 06:58 从Hinton到Google到Transformer到OpenAI：一个连锁反应 07:53 哈佛统计→华尔街量化交易：和AI招聘的相通性——信噪比问题 09:40 离开华尔街回国创业：问题scope不够大，想做更大影响力的事 10:40 第一个创业项目：会小二，线上会议预定 12:31 怎么把获客成本从2000+降到800：线索分类+场地自动匹配+减少人力 14:33 第二次创业：魔音智能，疫情期间爆发，语音转录+会议总结 15:46 几个月上百万用户，融300万美金 16:10 但飞书免费碾压：提前一年推出产品，大厂全部免费 17:12 做大企业客户：一个订单一两百万人民币，但要消化一年，第二年就压价 18:22 两年前重新回海外市场做招聘 18:37 "中国做SaaS"：consumer有商业模式，enterprise至今没找到scalable模式 20:03 为什么第一个场景选招聘：cofounder是招聘行业15年的专家 21:24 找人的难度：关键词搜不出来的东西太多——"中国背景"怎么用关键词搜？ 24:19 纳斯达克上市公司YY Group投资Arros AI并任命杨凯为首席AI科学家——合作怎么发生的 25:27 从AI招聘玩家转型为AI招聘基建：不竞争，供应弹药 27:08 每个招聘公司都在谋求AI转型——卖铲子变成最大机会 28:19 产品迭代三个阶段：①AI native招聘流 ②技术标准化供应 ③agentic AI，界面越来越少 31:09 Ellen亲测龙虾产品找人：先锁定数据库→特定标签搜索→分段跑数据 31:51 这个设定的原因：agentic AI需要及时反馈，sourcing耗时长，分批汇报提升体验 33:03 龙虾打开了SaaS做不到的空间：对话式交互没有界面限制，功能可以无限集成 35:21 recruiter用龙虾：organizational chart mapping、sourcing、自动发WhatsApp/LinkedIn 36:43 用户越来越懒：所有due diligence都在龙虾上发生，懒得用Google懒得敲字 38:36 龙虾是真正的产品范式变化：一旦习惯对话式交互就回不去SaaS 41:05 "龙虾就是下一个AlexNet"——我们看到了agentic AI巨大的潜力 41:28 Ellen的类比：Google用意图搜索重新组织信息，你们用算法重新还原人 42:07 人是复杂object：简历里写了LLM不代表他做LLM，可能只是招LLM的recruiter 44:17 AI作为communication tool：LinkedIn是世界上最大的通讯录，AI成为未来的Connector 44:52 千人千面：不是针对场景做profile，而是先做完整的profile consolidation，再按需求抽取 48:16 数据和算法哪个更重要：硬币两面，巧妇难为无米之炊，但有数据不懂业务也不行 50:05 统计学科班出身，理解底层原理有多重要：设计算法需要heuristic，需要理论逻辑支撑 52:35 AI能做什么不能做什么：大量还是实践出结论，做hypothesis→training→rigorous evaluation 54:42 "技术怎么实现不重要，关键是看好不好用"——技术是实现手段，最终为用户体验服务 56:42 AI时代做产品最重要的：对需求的理解。技术门槛在降，客户需要什么才是亘古不变的问题 57:55 人变得越来越复合：engineer变产品经理，产品经理变engineer，还要懂市场懂推广 ——— 感谢本期嘉宾🙏：杨凯，⁠Arros AI联合创始人/CTO 期待大家继续关注我们 主理人：Ellen｜新加坡 小红书：⁠离线时间⁠ 联系：⁠ellen@theaiduet.com⁠

Allen史大侠，物理系出身，从Hitachi硬件产品经理入行，因为一堂UX课找到方向，先后在滴滴做AI应用产品，在Roblox做AI与内容安全，经历过A轮到上市的各种阶段。现在全球各地做产品教练和增长顾问，帮AI创业公司找product-market fit，助力多个团队实现迈向千万级用户增长，突破融资瓶颈，缩短从 0 到 1 的验证周期。 这期最有料的不是大厂经验本身，是他对"品味"的定义、对跨国增长的方法论、以及对AI时代产品经理角色的判断。他说品味不是永恒的——是你在特定的场景和时空背景下展现出来的深刻理解。他说最好的增长不是投广告，是找到市场自然而然就有的momentum。他说AI时代不需要产品经理是假命题——当生产力足够简单的时候，决策才是最重要的事。 Highlight： → 一堂UX课和一堂SEO课改变了他的方向 → 从时间、地域、文化、生命周期多个维度重塑商业模式，而不是从单一路径看 → 滴滴顺风车事件后AI团队的机会：从安全出发，做到客服体系→体验体系 → "最好的体验是你不要告诉我还需要操作，你帮我解决掉就好" → Roblox从来不觉得自己是元宇宙公司，内部没有任何文档用过Metaverse → 给小孩做产品：不要臆测他们喜欢什么，足够大的自由度+不要太多干预 → 鱿鱼游戏在Roblox上爆红——几百上千个用户自制版，这才是UGC的力量 → "你找得出各种不红的道理，但找不出它红的道理" → 日本B2B：终身聘雇制下高管需要确定性极高，所以consultant文化全世界最强 → 做顾问的初衷：公司内部做创新业务的团队是最孤立最可怜的 → 筛选合作产品三个标准：自己要用、教育成本低、迭代速度快 → "品味就是你对一件事情看得非常深刻" → AI时代不需要PM是假命题：决策才是产品经理最重要的事 → 最好的增长是市场自然有momentum——选题比做feature重要 → "你应该做一些以前做不到的事情，那才叫需求，不然那叫规格" Timeline: 00:00 开场：Allen史大侠，全球AI创业公司产品教练和增长顾问 00:59 从物理系到产品经理：一半同学去了台积电，但我知道我不想做什么 02:38 入门产品是从UX开始的——一堂UX课和一堂SEO课 05:05 电影平台创业：定位没确定清楚时，投广告和产品转化都不会好 06:14 "持续滚动数百种中美商业模式和文化做匹配和测试"是怎么养成的 07:40 日本、美国、东南亚同一个产品发展路线完全不同——Brex的例子 11:27 从多个维度重塑商业模式：时间、垂直领域、生命周期、文化地域 11:42 加入滴滴：为什么选滴滴而不是字节或美团 13:58 顺风车事件后：安全链路成为AI团队的切入点 15:54 千万级日活，载的不是货是人——安全和体验的平衡 16:57 智能客服的本质不是处理客诉，是当下解决情绪和问题 17:45 AI在滴滴像内部创业——十几个项目里选题、排序、配资源 20:03 AI语音交互：怎么知道做得好不好——事件触发的渗透率和scenario-specific的效用 22:10 "最好的体验是你不要告诉我还需要操作，你帮我解决掉就好" 23:03 加入Roblox：当所有互联网效率到瓶颈，注意力流向娱乐 24:24 打电话给美国姑姑叔叔，不会用智能手机的人说Roblox是好公司 25:15 从安全和推荐切入——AI对Roblox效率生产帮助很大 25:25 滴滴的AI经验哪些可以迁移到Roblox：事前事中事后的框架大部分复用 29:51 给小孩做产品vs给成年人：task-oriented vs discover-oriented 31:00 Roblox的增长引擎：足够大的自由度+不要臆测用户喜欢什么 32:08 Roblox从来不觉得自己是元宇宙公司 33:01 鱿鱼游戏爆红：几百上千个用户自制版——UGC的力量 35:27 Roblox的principle：足够大的自由度，不要太多干预 37:16 内容出海vs工具出海：游戏语言无国界，但文化内容有迁移路径 39:24 "你找得出各种不红的道理，但找不出它红的道理"——要把权力还给当地创作者 40:44 跨国增长方法论：个人观察+在地访谈+统计数据+过去经验 41:02 日本市场：ToC难做，ToB要理解终身聘雇制下的决策逻辑 45:47 日本B2B的增长渠道：为什么户外广告这么重要 49:07 为什么从甲方转做顾问：公司内部做创新业务的团队是最孤立的 51:40 如何在公司做内部PIVOT——需要客观第三方帮内部发声 53:21 和Plaud、Monica(Manus前身)合作经验：category创新+附着渠道是关键 57:00 筛选合作产品的三个标准：自己要用、教育成本低、迭代速度快 1:00:30 AI时代不需要PM？假命题。决策是产品经理最重要的事 1:01:39 钟摆效应：PM从少到多再到少，核心始终是洞察+决策 1:04:09 "品味就是你对一件事情看得非常深刻"——Granola的例子 1:06:18 新加坡AI创业公司三大需求：融资、招聘、增长 1:07:01 最好的增长是市场自然有momentum——选题比做feature重要 1:08:56 太多团队技术很强但遗漏了市场洞察——不要快速做feature然后靠营销 1:11:30 "你应该做一些以前做不到的事情，那才叫需求，不然那叫规格" 1:11:43 为什么还要亲自做用户研究：帮团队发现以前做不到现在能做到的事 1:15:15 用户访谈两个关键问题：重新做你会选什么方向+有没有更适合我们的人 1:17:00 为什么叫史大侠：喜欢全世界跑来跑去研究

Jasmine，常青藤毕业，过去六七年帮中国消费品牌出海东南亚，同时一直在做内容产业——从传统电影电视剧到短剧、漫剧。投过国内顶流大IP。今年开始深度参与一个大IP的运营开发，直接把自己扔进了AI+影视的一线战场。 这期最有意思的不是AI技术，是人。Jasmine发现90%的技术创业者觉得AI可以完全替代创作者，90%的创作者觉得AI什么都不是。但私底下，技术团队的作品离不开人的校准，创作者偷偷在用AI写剧本。她在中间做mediator——把互相看不顺眼的人摁到一张桌子上，让大家用同一种语言讨论同一个问题。 她说AI时代最难的不是技术，是人。创作者的抵触不是对技术的rejection，是对"有一天会被替代"的恐惧。而她作为一个"啥都懂点的文科生"，在这个时代反而找到了自己最确定的角色。 Highlight → 90%的技术创业者说不需要导演了，90%的创作者说AI什么都不是——但私底下双方都在打自己的脸 → 创作者偷偷用AI写剧本，技术团队的作品离不开人的校准 → AI在讲故事方面还是"生成"而非"创作"——用户engaged的是情节发展，不是视听语言 → "80年代的feelings"——导演说了一个词，工程师完全听不懂。她的工作是"中译中" → AI的干预反而拉长了项目前期的时间——世界观设定上AI和创作者有很大冲突 → AI时代最难的不是技术问题，是人的问题——创作者的抵触本质是对被替代的恐惧 → 她的方法：循序渐进，从小任务开始让双方建立信任，严格把控不让话题滑向"AI会不会取代人" → AI帮她把脑子里模糊的画面可视化了——这件事提振了她做IP运营的信心 → IP开发在国内一直做不起来：说了多少年学Disney学Marvel，但没有真正有生命力的长线IP跑出来 → 投内容这么多年，投的还是人。但现在会多看一个维度：创作者对技术的心态和学习能力 → "文科理科是人为分出来的。我啥都懂点，做串联者和调停者，这就是我的核心竞争力" → Claude让她感受到人文关怀——adaptive、像人、会challenge她，不是在舔 → Amanda Askell构建的"亚里士多德式人格"让她觉得Claude有底线有标准 → 不管做消费还是内容，她一直在做离人最近的东西 → 内容的价值永远在，变的只是媒介和载体 Timeline 00:00 开场：Jasmine自我介绍——消费出海+内容产业+IP运营 02:02 AI+影视的一线：你在调和什么矛盾？ 03:14 90%的技术创业者觉得不需要导演了，90%的创作者觉得AI什么都不是 04:10 但私底下，双方都在打自己的脸 05:42 mediator的角色：让互相鄙视的人坐到一张桌子上 06:44 你能get things done的根本原因是什么？ 07:25 "80年代的feelings"——导演和工程师完全说不通 08:13 她的工作是"中译中"：把抽象的感受可视化传达给技术团队 09:32 AI对影视冲击到了什么阶段？ 10:03 宏观层面：大制作项目被默契地搁浅了，技术发展冲击的是行业信心 11:45 微观层面：AI已经介入得更深了，纯AI漫剧已经能赚钱 13:31 创作者的core identity被动摇：AI传递的是谁的意识？ 15:22 AI是在"生成"不是在"创作"——这两个词有subtle的区别 16:30 干预、影响、替代——三个词的区别 17:32 替代：现在AI很难讲好一个故事，用户engaged的是情节不是视听 20:00 干预的负面例子：AI参与世界观设定，和创作者产生冲突，反而拉长了项目周期 25:06 建立common language是最难的——各方只关注自己擅长的部分 28:46 大家喜欢跳过"问题"阶段，直接要做事情 30:21 创作者脆弱的自尊心：AI时代最难的不是技术问题，是人的问题 31:42 抵触的本质是恐惧，不是对技术的rejection 32:05 她的方法：循序渐进，从小任务开始，严格不让话题滑向"AI会不会取代人" 33:14 AI给出不够精确的方向，反而帮团队确定了真正该做的事 35:43 AI消解了创作者的焦虑——各方都看到AI确实不是什么都能做 36:08 开发IP的本质是什么？国内IP行业和美国的最大区别 37:44 国内跳过了原始手搓阶段，直接进入了AI介入的阶段 39:11 AI帮她把脑子里模糊的画面可视化——这件事降低了做IP运营的决策门槛 40:45 回到文科生背景：纯文科生，双学位国际关系+经济 42:33 AI时代文科生应该如何自处？ 43:29 文科全女生团队做出海，AI极大提升了团队效率，没有造成冲击 44:54 给文科生的建议：不要抵触，机会大于风险 45:23 为什么是Claude？adaptive、像人、会challenge、有底线 47:21 Amanda Askell的哲学：亚里士多德式人格，Claude有人文关怀 49:14 消费出海和内容影视的相通点：一直在做离人最近的东西 51:03 human dies, ideas last 51:16 回国入海：业务反而扩大了，从东南亚到澳洲日本欧洲 52:31 回国更卷了，但只愿意为真正感兴趣的事情熬夜 53:15 作为投资人，判断标准变了吗？ 53:55 变的：不再愿意投制作周期3年以上、回报周期5年以上的大项目 55:13 不变的：投的还是人。内容的价值永远在，变的只是媒介 56:16 现在多看一个维度：创作者对技术的心态和学习能力 56:54 最后一个问题：AI时代一个人最重要的品质是什么？ 57:06 跨学科能力。不要把自己困在文科生理科生的标签里 57:37 "我啥都懂点，做串联者和调停者，这就是我的核心竞争力"

曹亮，微软七年，从on-premises到云到低代码，经历了企业软件的三次大迁徙。2020年出来创业做Component.app——用模块化+AI的方式让企业软件开发变得更快更便宜。两年里产品重构了三次，每一次都是因为大模型又进步了，他又要问自己：我们做的这个东西还有存在的价值吗？ 这期最有意思的不是产品本身，是他看大模型的方式：大模型本质上是基于概率的计算，不具备逻辑思考能力，不具备创造未来的能力。所有Agent的存在，恰恰证明了大模型本身是不够的。但他又说，自己必须不断站在大模型的角度来推翻自己——如果大模型再进步一步就能取代我，那我现在就得改。 一个创业者最难的事不是坚持，是敢于否定自己。 Highlights → SaaS行业方向走偏了：开发成本占20%，销售成本占80%，价值倒挂 → 定制开发的市场规模比SaaS还大，说明定制才是主流需求 → "Do you believe in it?" "Yes, I believe." ——离开微软创业的那个瞬间 → 产品两年重构三次：每次大模型进步，就问自己还有没有存在的价值 → 大模型本质上是基于概率的计算，不具备逻辑思考能力 → 我们做这么多Agent，恰恰因为大模型没有逻辑能力 → 大模型非常依赖已有数据，不具备创造未来的能力 → 大模型当工具很好，当人还不够——你不能把事情交给它就不管了 → 前端页面放心交给AI，但软件工程架构还是人来 → Lovable们站在大模型车轮前方一点，很可能被碾过去 → 大模型能力增长边际递减，但工程化能力还能让它再发挥很长时间 → 软件不会消失：操作数据、交互数据、呈现数据最好的方式还是程序 → 东南亚撑不起大的企业软件市场，未来要往发达国家走 → 失败的将领都在想怎么赢对方，而没想对方怎么赢我 → 宁可把公司关掉，也不要在错误的路上justify自己 Timeline 00:00 开场：让企业软件开发变得更高质量和低成本 00:57 微软七年：从on-premises到云到低代码的大迁徙 02:35 整个技术迁徙的趋势：ERP→互联网→SaaS→AI 04:06 SaaS行业方向走偏了：开发成本20%，销售成本80% 05:12 SaaS的第二个问题：标准化产品满足不了个性化需求 06:17 定制开发的市场规模比SaaS还大 08:48 为什么技术在进步，企业软件体验还是那么烂 11:45 微软推低代码产品PowerApps的经历 12:22 "Do you believe in it?" ——离开微软创业的那个瞬间 13:38 2020年开始创业：先做低代码产品代理和服务 15:16 发现低代码产品的挑战也很多，决定做自己的产品 16:01 Component.app的诞生：模块化组装的想法 17:02 第一次重构：AI+模块化 17:10 第二次重构：更向AI native演进 17:26 第三次重构：在模块化基础上贴近大模型能力 18:08 为什么选择模块化：企业软件不需要100%代码控制 22:14 大模型出来后：一直在试图用大模型推翻自己 23:04 "如果自己不推翻自己，将来一定会被别人推翻" 24:44 "如果这东西没价值，今天就把公司关掉" 25:00 大模型处理不了什么：软件工程和企业业务逻辑 27:01 企业软件需要协作，不能经常报错 27:19 大模型当工具很好，当人还不够 28:11 第三版迭代：凡是能用大模型的全部用大模型 29:05 哪些放心交给大模型：前端页面，但加了工程化控制 30:11 1%出错时AI自己修不过来，要引入另一个模型检查 30:48 哪些绝对不交给大模型：一直在挑战自己这个边界 32:25 大模型本质上是基于概率的计算 33:07 大模型不具备逻辑思考能力，所以我们才需要Agent 34:36 大模型非常依赖数据，不具备创造未来的能力 35:28 vibe coding平台Lovable、Cursor怎么看 36:11 它们的价值10-20%是工程化，80-90%是大模型本身 36:46 Claude Code出来后，大厂的人都转去用Claude Code 37:52 站在大模型车轮前方一点，很可能被碾过去 38:30 两年前的预测：大模型能力边际递减——90%说中了 40:04 超出预期的：Anthropic在代码训练上的进展 40:40 工程化能力+大模型，接下来两三年还会很惊艳 41:28 Component.app的业务进展：产品在快速迭代 43:13 和SaaS时代的创业方法论不同：需要做很多基础性工作 44:25 把业务翻译成产品架构，这个能力AI暂时替代不了 45:17 客户案例：一个完全没有软件概念的人开始用Claude Code 46:48 未来的人才结构会根本性改变 47:37 未来还需要App吗？软件的本质是操作数据 49:03 AI交互效率其实很低，程序才是操作数据效率最高的方式 50:03 东南亚能撑起企业软件市场吗？——比较难 51:32 加一个人还是加一个软件？取决于人均GDP 52:38 未来路线：先新加坡，再往发达国家走 53:36 最后一个问题：你不停反对自己的习惯是怎么来的 54:10 "一个人停在那个位置，一定是能力不足的那个位置" 55:27 读战争史的训练：失败的将领都在想怎么赢，没想对方怎么赢我 55:59 "宁可把公司关掉，也不要在错误的路上justify自己"