平台 微信公众号 小宇宙 YouTube X 账号名称 账号主页链接 平台账号 ID（选填） 添加订阅

文章卡片总览

说明：本文件用于快速查阅每场 Panel/访谈的主题、嘉宾、观点与证据。凡涉及核心洞见、隐秘知识、数据及案例，均标注观点来源；若为文章作者基于多位嘉宾发言做出的归纳，会注明“文章作者综合”。

01. 前钉钉副总裁创业：员工自己 Code 所有内部系统

• 原文：sources/wechat_panels/texts/01-前钉钉副总裁创业：员工自己Code所有内部系统.md
• 链接：原文链接
• 行业/场景：AI Agent、TikTok 达人带货、AI 出海、AI 原生组织
• 嘉宾：王铭，K2 Lab（攀峰智能）创始人，前阿里钉钉副总裁
• 摘要：这是一场围绕 AI Agent 创业、结果付费、AI 原生组织和全球化产品形态的访谈。王铭从钉钉生态经验出发，判断中国 To B 工具型 AI 很难获得高溢价，因此 K2 Lab 选择面向 TikTok 达人做“帮人赚钱”的 Agent，并采用效果分成，而不是传统 SaaS 订阅。
• 核心洞见：
• 王铭：产品价值可分为“帮人赚钱、帮人省钱、提供情绪价值”，其中“帮人赚钱”最容易让用户拥抱，也最适合结果付费。
• 王铭：AI Native 约等于 Global Native，前提是产品直接交付结果，而不是依赖界面、语言和本地化流程。
• 王铭：Agent 时代 SaaS 订阅制会受到挑战，因为 AI 每天都消耗 Token 和算力，只有能直接创造结果价值的产品才有足够附加值。
• 隐秘知识：
• 王铭：在中国 To B 市场，用户常把 AI 当工具看，工具就很难付高溢价，典型心态是“不如我自己开发一个”。
• 王铭：美国人力贵，AI Agent 的比较优势更明显；东南亚人力便宜，如果雇人比跑 AI 便宜，Agent 商业逻辑就不成立。
• 王铭：“AI 雇佣人”是一种反向人机协作模式，AI 负责选品、脚本、复盘等主流程，人负责 AI 不经济或判断成本过高的环节。
• 数据/案例：
• 王铭：K2 Lab 成立数月约 40 人，HR、运营、财务 BI 等内部系统由员工用 Claude Code 自建。
• 王铭：K2 Lab 鼓励员工无限量消耗 Token 测试模型边界，月 Token 消耗被描述为约等于 3 万员工工资量。
• 王铭：Moras 早期种子用户靠 Cold mail 和 WhatsApp 一个个磨出来，首选美国而非东南亚。
• 可复用观点：
• 王铭：创业公司要在某一个环节快速完成付费验证；没有先发优势就没有数据护城河，没有护城河就容易被大厂收割。

02. Token 涨疯了，但这三位内行人说成本根本不是问题

• 原文：sources/wechat_panels/texts/02-Token涨疯了，但这三位内行人说成本根本不是问题！.md
• 链接：原文链接
• 行业/场景：市场调研 SaaS、智能体平台、AI 网红营销、AI 出海
• 嘉宾：
• 李韶辉，快决测创始人兼 CEO
• 任馨怡，未来式智能
• 于北川，指数引力，Laya 等 AI 出海/网红营销业务负责人
• 主持人：赵亮 Abner
• 摘要：这场 Panel 聚焦 Token 经济与 AI 应用商业化。三位嘉宾共同反驳“Token 成本是最大问题”的说法，认为更核心的问题是产品到底卖原材料、工具，还是可定价的结果。讨论延伸到按结果付费、AI 服务化、年轻团队使用 AI 的组织惯性差异。
• 核心洞见：
• 李韶辉：Token 成本应与人力成本比较，而不是只和服务器账单比较；如果 AI 能省出团队 10% 人力，Token 费就有充分 ROI。
• 任馨怡：Token 是原材料，客户买的是“一盘菜”，定价差异来自加工、专业能力和场景价值，而不是豆腐钱。
• 李韶辉：快决测卖的不是问卷和报告，而是支撑老板拍下重大投资决策的洞察。
• 于北川：在中国，客户不愿意为软件工具付高价，因此把 AI 包装成服务、专业背书和结果承诺更容易形成毛利。
• 隐秘知识：
• 于北川：真正难的不是让用户接受按结果付费，而是产品方能不能定义结果、交付结果、度量结果。
• 于北川：00 后、02 年年轻人反而用 AI 最激进，因为他们没有旧经验包袱；工作 7-10 年的人常会和 AI “玩对抗”。
• 文章作者综合：把 Token 成本当成最大挑战的公司，往往还没想清楚自己到底在卖什么。
• 数据/案例：
• 李韶辉：一个人一个月约 200 美金 Token 费，如果团队能节省 10% 人力，节省的人工远高于 Token 费。
• 李韶辉：快决测在全球超过 80 个国家服务头部消费品牌和互联网公司，服务约 400 多个头部品牌。
• 于北川：Laya 前 6 个月因 Token 贵严重亏损，但他认为可通过 Cache 命中率、跨模型路由、任务拆分等工程手段下降成本。
• 于北川：AI 可干掉约 95% 工作量，但客户最终为专业背书和结果承诺买单。
• 可复用观点：
• 任馨怡：不要把 Token 当最终计价单位，应该把 Token 加工成用户愿意高价购买的结果。

03. 管 Agent 约等于管人，但核心差异是上下文管理

• 原文：sources/wechat_panels/texts/03-管Agent≈管人，但核心差异是-上下文管理-而非-情绪管理.md
• 链接：原文链接
• 行业/场景：AI 办公、金融销售培训、AI 协作平台、线下零售 AI
• 嘉宾：
• 周泽安，必优科技创始人，ChatPPT 等 AI 办公产品负责人
• 李守国，贝塔数据 CEO
• Howard，COCO AI CTO
• Dr. Chris Yang，爱莫科技创始人兼 CEO
• 主持人：薛倩 Amber，非凡产研合伙人
• 摘要：这场 Panel 讨论 AI 如何进入组织工作流，以及“驾驭工程”从提示词、上下文管理到交付验收的变化。嘉宾们从文档、金融销售培训、协作平台和线下零售四个场景说明：AI 能力已足够进入很多流程，但真正卡点是责任机制、上下文、标准、验收和组织签字权。
• 核心洞见：
• 周泽安：AI 办公的差异点不再是生成速度，而是生成内容能否交付给客户、员工和汇报场景，并被受众有效消费。
• 李守国：复杂销售训练的价值在降本，AI 陪练可替代高成本真人老师的 Role-play。
• Howard：个人产出应看“单位注意力产出”，组织层面看“吞吐量”；人仍要负责方向、标准和验收。
• Dr. Chris Yang：AI 进入实体行业时，物理世界错误代价高，因此 Harness/驾驭工程比纯虚拟场景更关键。
• 隐秘知识：
• Howard：隐性知识不适合完全靠人手写规则，AI 可以从日常协作记录中提炼人的判断原则。
• 李守国：大 B AI 项目要推进，交易决策必须单一；想让项目黄掉，最好的方式就是拉多个部门一起开会。
• Dr. Chris Yang：大 B 落地要找到内部“教练”，这个人不一定职级最高，但必须懂流程、愿意把多年经验交给你。
• 数据/案例：
• 周泽安：ChatPPT 约 1700 万用户，YOO 简历等项目合计约 8000 万用户；2023 年曾 45 天达到 100 万注册用户。
• 文章作者综合/周泽安相关：国内叫得上名字的 AI 写文档独立产品约 372 个，文档直出率约 50%。
• 李守国：金融销售 AI 陪练成本约为真人老师的 2%-3%。
• Howard：其 Agent 从日常协作中沉淀出约 35 条个人思维原则。
• Dr. Chris Yang：线下零售 AI 巡店审计可让营销经费从前置投放变为 AI 判别通过后再打款。
• 可复用观点：
• Howard：管 Agent 不需要情绪管理，但需要给足上下文、设定标准并负责验收。

04. AI 越强，对人越狠

• 原文：sources/wechat_panels/texts/04-AI越强对人越狠：没有真本事，你连当AI监工的资格都没有.md
• 链接：原文链接
• 行业/场景：Agent 基础设施、制造业数字员工、AI 职场 Coach、AI Office
• 嘉宾：
• 蒋先福，魔联科技联合创始人
• 韩东君，牛马军师 CEO
• 肖铭洋，灵核数智
• 王毅鹏，爱客易智能 CGO
• 主持人：赵亮 Abner，非凡资本合伙人
• 摘要：这场 Panel 讨论 AI 对组织效率、人才能力和办公产品商业模式的影响。嘉宾们的共同结论是：AI 越强，对人的经验、判断、领导 AI 的能力要求越高；AI 能放大已有方法论，但不能替没有经验的人凭空创造能力。
• 核心洞见：
• 蒋先福：会领导 AI 的人和不会领导 AI 的人，是两种物种。
• 肖铭洋：制造业数字员工的关键是把专家经验“蒸馏”进 Agent，例如把销售 leader 的方法论复制给初级销售。
• 韩东君：年龄不是问题，关键是好奇心和判断力；越有经验的人，如果愿意拥抱 AI，反而可能用得更好。
• 王毅鹏：爱客易智能正式从 SaaS 订阅制转向 Token 消耗制，标志着办公产品计费逻辑变化。
• 隐秘知识：
• 蒋先福：AI 不是替人发明经验，而是放大有经验的人脑中的流程和判断。
• 韩东君：人人能搓原型，但从原型到工程实践、真正可用产品，仍需要踩过坑的人。
• 肖铭洋：组织内 AI 落地会遇到一线员工担心“是不是没工作了”的现实阻力，但当可用性达到 70%-80% 时，业务负责人会愿意拥抱。
• 数据/案例：
• 蒋先福：魔联科技从 30 多人缩到 12 人；过去五六个人一两个月的项目，现在一两个人三五天完成。
• 蒋先福：魔联科技 2026 年 3 月完成数千万融资，定位 Agent 互联网基础设施服务商。
• 肖铭洋：销售 leader 智能体把管理带宽从 7 人扩到 20 人。
• 王毅鹏：麦当秀 MindShow 已服务数百万用户，爱客易智能正在从固定订阅转为 Token 消耗服务。
• 可复用观点：
• 文章作者综合：AI 时代最稀缺的不是 AI，而是人脑中可被蒸馏、可被复制、可被验收的方法论。

05. AI 硬件出海，毛利不到 80% 就是亏？

• 原文：sources/wechat_panels/texts/05-AI硬件出海，毛利不到80%就是亏？.md
• 链接：原文链接
• 行业/场景：AI 硬件、运动机器人、可穿戴设备、硬件出海、订阅模式
• 嘉宾：
• 晁光，一思网球机器人联合创始人
• 段然，星穹方舟 CEO
• 主持人：Michael，InnoVoxa 科技品牌出海合伙人
• 摘要：这场 Panel 聚焦 AI 硬件出海如何赚钱。晁光从网球机器人切入，强调 AI 硬件要从工具属性转为消费品属性，靠高频高光体验提升复购和订阅意愿；段然从多 SKU 可穿戴硬件出发，拆解出海毛利、售后、订阅和市场定价账。
• 核心洞见：
• 晁光：工具型硬件买的是价值天花板，消费级硬件买的是“我想要”；AI 要把低频工具变成高光密度更高的消费体验。
• 段然：硬件本身不是壁垒，而是入口；真正持续收入来自背后的模型接口层、AI 能力和软件订阅。
• 晁光：网球机器人必须嵌入“教赛练系统”，让用户有目标、进阶和反馈，否则会像传统发球机一样落灰。
• 隐秘知识：
• 段然：AI 硬件出海售后常常“只换不修”，退货运费可能比重新发一台还贵。
• 段然：美国和北欧可放在一桌定价，东南亚和俄罗斯则是另一套钱包和心理账户。
• 晁光：硬件卖出去不是终点，而是持续交互、软件订阅和用户数据沉淀的起点。
• 数据/案例：
• 段然：出海硬件毛利至少要 60% 以上，正常理想是 80%。
• 段然：美国市场 100 美元上下是用户相对没有思考负担的硬件价格区间。
• 段然：AI 硬件订阅通常应设计为每月 9.9 到十几美金。
• 文章作者引用案例：Plaud AI 2023 年 Kickstarter 众筹 100 多万美金，到 2025 年全球卖出超过 100 万台，年化营收约 2.5 亿美金。
• 晁光：一思早期两个人扛几十公斤网球机器人样机从洛杉矶到纽约，让约 200 个真实用户试用。
• 可复用观点：
• 文章作者综合：2026 年还靠纯硬件差价做出海的 AI 公司，本质上仍像十年前卖充电宝出海，能活但活不大。

06. 初创公司完全没有壁垒，关键是数据 know-how 动态迭代

• 原文：sources/wechat_panels/texts/06-初创公司完全没有壁垒，关键是数据knowhow动态迭代.md
• 链接：原文链接
• 行业/场景：AI 出海、AI 营销、数字员工、文娱内容、Google 生态
• 嘉宾：
• Angel Lam，Google Cloud 业务拓展经理
• 刘昆，橙果视界创始人
• 殷天明，森罗智绘创始人
• Phil，Canlah.AI 创始人
• 主持人：王朝超 CC，非凡资本合伙人
• 摘要：这场 Panel 讨论多模态内容生产和 AI 出海如何商业化。嘉宾们分别代表平台生态、AI 营销服务、文娱内容平台和数字员工，核心争论是：初创公司的壁垒到底来自技术、数据、Know-how，还是离大厂射程足够远的垂直业务流。
• 核心洞见：
• 刘昆：按结果付费是 AI 营销公司的核心方向，AI 应参与标准化营销交付，并逐步把定制服务沉淀为 SOP。
• 殷天明：森罗智绘的壁垒不是单点生图能力，而是产品生产力与游戏、短剧、投流 ROI Know-how 的深度结合。
• Phil：初创团队坦白讲完全没有静态壁垒，壁垒是动态的，取决于离大模型厂商和 Google 的射程有多远。
• Angel Lam：Google 的优势是云、广告、变现和应用分发的一站式生态，能从产品构建到 Go-to-Market 到变现全链路支持企业。
• 隐秘知识：
• 刘昆：FTE 本质上类似驻场，只是把定制化客户服务沉淀为标准化 SOP 后再复制给其他客户。
• Phil：大模型输出接近“正态分布”的平均审美，真正商业化内容需要品牌私有数据、Know-how 和不依赖 Prompt 的结果生成能力。
• 刘昆：创业公司要做大厂懒得做、看不上或反馈周期太细的场景，例如 TikTok 东南亚近 48 小时内容 ROI、KOL/KOC 预算打法。
• 数据/案例：
• 刘昆：橙果视界两年内 AI 在交付中的参与度从约 50% 提升到约 95%，目标半年到一年后接近 100%。
• 刘昆：在同预算下，其规模化 Campaign 转化率可做到过去的 1.2-1.5 倍甚至更高。
• 殷天明：森罗智绘做一部精品短剧约需 3-4 天；平均抽卡次数较市面同类节省约 20% 资源；使用 AI 创作平台后市场投放 ROI 至少提升 30%-50%。
• 殷天明：团队用 AI 可一天产出上百个高质量素材，用于短剧、游戏买量和剧游联动。
• 可复用观点：
• Phil：初创公司最后还是看有没有数据和 Know-how，以及这些数据有没有被大厂拿走、共享或训练掉。

07. AI 硬件出海，活下来的都在做减法

• 原文：sources/wechat_panels/texts/07-AI硬件出海，活下来的都在做减法.md
• 链接：原文链接
• 行业/场景：AI 眼镜、AI 戒指、AI 桌宠、AI 玩具、陪伴硬件
• 嘉宾：
• 周羿旭，赛博创力创始人兼 CEO
• 唐畅，诺一创新创始人
• 邓旭东，Gyges Labs（Vocci）联合创始人
• 吴绮琳，灵蛸科技联合创始人
• 主持人：Michael，InnoVoxa 科技品牌出海合伙人
• 摘要：这场 Panel 讨论 AI 硬件出海的真实用户、产品形态和生存策略。四家公司分别做 AI 玩具、AI 戒指、AI 眼镜/戒指、AI 桌宠，结论高度一致：AI 硬件不是堆功能，而是在重量、成本、佩戴、场景、IP 和用户认知约束下做减法。
• 核心洞见：
• 邓旭东：AI 硬件要有节制的创新；眼镜不加摄像头，是因为一加就重，重了用户就不想戴，最后会落灰。
• 唐畅：AI 语音戒指和健康戒指不是同一类人群、同一使用时段；白天记录灵感和会议，与夜间健康监测是不同赛道。
• 吴绮琳：AI 陪伴用户不应只按性别切分，长期高压、远程办公、学业压力等压力水平更能解释需求。
• 周羿旭：AI 陪伴硬件早期更适合与本地化 IP 合作，因为用户愿意深度聊天的对象往往是自己本来就喜欢的角色。
• 隐秘知识：
• 周羿旭：深圳玩具供应链面对 AI 模块时，首先要被教育什么是开放式对话和大模型；海外采购商反而更容易理解。
• 周羿旭：玩具 IP 业务里 IP 方会拿走更大头收益，创业公司很难拥有顶级 IP。
• 吴绮琳：男性高压人群也有强情绪陪伴需求，但往往自己没有意识到，需要隐性挖掘。
• 邓旭东：AI 在电脑上可能替代人，但 AI 穿戴在人身上时，是让人能力变强。
• 数据/案例：
• 文章作者引用/邓旭东相关：Gyges Labs 与 Haliiday AI 眼镜在 Kickstarter 众筹 330 万美金，创下 AI 眼镜品类纪录。
• 文章作者引用/唐畅相关：Oura 占健康戒指 74% 市场份额，2025 年售出 550 万枚。
• 周羿旭：深圳玩具常见出厂价为 5、8、15 元，和 50-150 元 AI 模块成本结构冲突。
• 吴绮琳：灵蛸科技从哈工大和加拿大滑铁卢团队出发，用户洞察来自滑铁卢高压学习环境。
• 可复用观点：
• 文章作者综合：AI 硬件的“减法”一半是被迫，一半是在被迫中形成差异化生存智慧。

08. 大厂拿着火箭筒杀入细分赛道，垂直 AI 如何活下来？

• 原文：sources/wechat_panels/texts/08-大厂拿着火箭筒杀入细分赛道，垂直AI如何活下来？.md
• 链接：原文链接
• 行业/场景：垂直 AI、金融科技、RPA/数据采集、3D 生成、AI 社交
• 嘉宾：
• Joe，Halo 创始人
• 和杉，Show3D 联合创始人
• 陈丽，八爪鱼产品总监
• 丘慧慧，飞笛科技 CEO
• 主持人：黄璟睿 Jerry，非凡资本 VP
• 摘要：这场 Panel 直面大厂进入细分赛道后垂直 AI 如何生存。嘉宾们分别从金融、海外获客、工程级 3D、AI 社交角度说明：垂类公司的防线不是单个功能，而是牌照、前线组织土壤、隐性需求、底层技术、私域数据、工作流习惯和客户共建关系。
• 核心洞见：
• 丘慧慧：金融垂类场景的第一道壁垒是牌照，AI 原生能力必须长在牌照和闭环之内，才能建立信任。
• 陈丽：功能表面容易复制，核心在细分赛道隐性需求、真实成交案例和一线实践沉淀出来的产品内核力。
• 和杉：AI 生成的图片/视频不能直接工程交付，Show3D 要解决生成、编辑、本地渲染、雕刻到交付的完整链条。
• Joe：Startup 的优势在速度和 timing，先抢占用户心智，再用体验和粘性抵御大厂复制。
• 隐秘知识：
• 丘慧慧：大厂在金融行业未必想做垂类应用，它更底层的商业逻辑可能是卖 Token、算力和软硬一体机。
• 陈丽：八爪鱼海外 AI 获客产品最早来自一线 sales 用八爪鱼 RPA、ChatGPT 和飞书表格手搓的获客流程。
• 和杉：工程级 3D 交付不是一句话生成模型，而是拓扑、材质贴图、工业参数、可编辑层级等最后一公里收敛。
• 丘慧慧：垂类公司要把非标陪跑过程产品化，与客户形成产品合伙人和数据合伙人关系。
• 数据/案例：
• 陈丽：八爪鱼一线销售手搓自动化获客流程，两个月内帮助海外团队拿下第一个全球影响力品牌客户。
• 和杉：Show3D 目标让学生和设计师在 3000-5000 元普通消费级电脑上实时建模。
• 丘慧慧：某头部券商单季净利润约 100 亿，说明金融牌照行业仍有保护门槛和转型周期。
• 丘慧慧：中国有约 7 亿理财账户、6000 万活跃股民，个性化财富服务需求巨大。
• 可复用观点：
• 陈丽：垂类护城河包括隐性行业 Know-how 产品化、场景私域数据反哺、切入用户主工作流。

09. 600 万人注册一人公司，活下来的可能不到一成

• 原文：sources/wechat_panels/texts/09-600万人注册一人公司，活下来的可能不到一成.md
• 链接：原文链接
• 行业/场景：OPC、一人公司、Agent 工作流、视频系统、机器人创业
• 嘉宾：
• 李标 Bill，PainHunt 创始人
• 曾旻 Dennis，WUI.AI CEO
• 张拼拼，拥抱智序创始人
• 成慧，ORBOT 首席科学家，中山大学计算机学院教授
• 主持人：薛倩 Amber，非凡产研合伙人
• 摘要：这场 Panel 讨论 OPC（一人公司）的红利、误区和终局。嘉宾们从独立产品、视频数字员工、专业内容企业服务和机器人硬件角度说明：AI 给一人公司带来强杠杆，但真正能吃到红利的是能定义 Pipeline、对齐外部需求、组织资源并承担商业责任的复合型人才。
• 核心洞见：
• 李标 Bill：OPC 红利约等于杠杆，AI 可放大本专业能力，也可弥补销售、市场等短板。
• 曾旻 Dennis：OPC 的核心是 Founder 与外部世界对齐，确保产品有人用、能赚钱；之后让 Agent 执行。
• 张拼拼：OPC 要从确定性出发，第一天要么拿高比例预付款，要么上线就赚钱，优先找巨头看不上的小众刚需。
• 成慧：机器人等硬件场景也可能出现更小规模敏捷开发，但需要专业超级个体组织供应链和外部专家。
• 隐秘知识：
• 李标 Bill：管 10 个 Agent 和 1000 个 Agent 对他来说没有区别，关键是定义工作流 Pipeline 和正负反馈逻辑。
• 曾旻 Dennis：系统表现受限于人与 Agent 的沟通带宽，反馈做得好，试错成本极低，产出会爆炸。
• 张拼拼：OPC 更像高级摆摊，但边际成本和利润结构比传统个体户更好。
• 成慧：做有温度的机器人，除了专业技能，还要求创作者“有趣”。
• 数据/案例：
• 薛倩 Amber 引用背景数据：2025 年中国有 600 万个一人公司注册，占企业注册总数约十分之一。
• 李标 Bill：PainHunt 从 Idea、宣发、上线到支付闭环实际由他一人完成。
• 曾旻 Dennis：WUI.AI 一直是 4 人团队，新项目主要由他个人探索。
• 张拼拼：公司交社保 2 人，但可链接约 150 人弹性网络，其中近 100 人干活，约 50 人负责销售渠道。
• 张拼拼：过去技术合伙人月薪至少三四万，现在两个 200 美金 Claude 套餐可覆盖部分技术合伙人工作量。
• 可复用观点：
• 曾旻 Dennis：成功 OPC 大体有独立开发者、自带流量网红、领域专家、业务流程重塑者四类。

10. 30 人团队赚千万美金，他们的秘诀是不雇普通人

• 原文：sources/wechat_panels/texts/10-30人团队赚千万美金，他们的秘诀是不雇普通人.md
• 链接：原文链接
• 行业/场景：AI 原生组织、AI 员工、Workspace、Agent 学习平台、开源工具
• 嘉宾：
• 陈霈霖 Kelly，Buda.im 创始人，前喜茶 CTO
• 焦正道 Aaron，Kuse.ai 联合创始人兼 CPO
• 李可佳，Botlearn 创始人
• 李亚飞，OpenClacky 创始人
• 主持人：吴畏，非凡产研创始人
• 摘要：这场 Panel 讨论 AI 原生组织、Agent 产品设计和真假 PMF。嘉宾们围绕 Kuse/Buda/Botlearn/OpenClacky 等产品展开：AI 产品容易因为通用模型能力产生伪 PMF，真正的壁垒来自迁移成本、组织上下文、Memory、工作流和 Agent 生态基础设施。
• 核心洞见：
• 焦正道 Aaron：AI 产品大概率有伪 PMF，用户感知价值可能来自模型本身，不一定来自产品对场景的切入。
• 焦正道 Aaron：产品本身没有壁垒，迁移成本才是壁垒；越深入组织上下文、Memory 和工作流，越难被替换。
• 陈霈霖 Kelly：AI 原生组织里，人负责目标管理，不负责重复执行；产品应让用户“管目标”，而不是学习具体技能。
• 李可佳：硅谷 AI 活动讨论焦点是 Agent 的沙盒、存储机制和 Memory 等基础设施，OpenClaw 只是工具，不是话题本身。
• 李亚飞：软件本身正在变得更便宜，与其在定价上竞争，不如开放给社区共同进化。
• 隐秘知识：
• 焦正道 Aaron：检验 AI 应用真假 PMF，可看在 Token 成本上加价 50% 以上是否还能卖出去。
• 焦正道 Aaron：AI 产品设计不是设计报纸式信息容器，而是设计办公室/车间式生产力容器。
• 陈霈霖 Kelly：他在硅谷参加多场活动，主题几乎都是 AI Native Organization，而不是 OpenClaw。
• 李可佳：未来 Agent 数量可能远超人类，产品设计不能只考虑人类用户。
• 数据/案例：
• 文章作者引用/Kuse.ai：Kuse 不到 30 人，两款 AI 产品 ARR 超过千万美金。
• 焦正道 Aaron：Kuse workspace 起价 39 美金，Junior AI 员工起价 2000 美金/月。
• 陈霈霖 Kelly：Buda 先用课程冷启动，300 个学员、每人 400 元，一个月内把产品装出来，两周开始卖课；Agent 收费 20 美金/月。
• 陈霈霖 Kelly：个人每月 AI 消耗约 3700 美金，团队每周预算约 100-200 美金；见过重度用户一天消耗 200 美金。
• 李亚飞：OpenClacky 5 月起每周装机量翻倍。
• 可复用观点：
• 焦正道 Aaron：AI 产品的北极星指标不应只是停留时长，而应看 Token 消耗所代表的工作量和组织依赖。

11. AI 放大的根本不是你的营销效率，而是你原有的混乱

• 原文：sources/wechat_panels/texts/11-AI放大的根本不是你的营销效率，而是你原有的混乱.md
• 链接：原文链接
• 行业/场景：出海营销、GEO、达人营销、独立站、内容资产管理
• 嘉宾：
• 王健聪，AhaCreator 联合创始人
• 陈尔航，宜选科技高级副总裁
• 吴奕钊，柚柚兔科技创始人兼 CEO
• 主持人：Bruce，OpenClaw Asia 发起人
• 摘要：这场 Panel 讨论 AI 搜索、GEO、海外达人营销、独立站和内容资产管理。三位服务商从不同环节看到同一变化：AI 让内容生产和渠道触达更便宜，但同时放大了品牌原有的混乱，要求企业更早沉淀内容资产、结构化数据、产品 brief、用户场景和跨渠道工作流。
• 核心洞见：
• 王健聪：广告主开始用 AI 压低达人筛选和投放成本，预算从头部大号向中长尾、微型博主分散。
• 陈尔航：GEO 和 SEO 是延续关系，不是替代关系；独立站过去给人看，现在也要给 AI 看。
• 吴奕钊：AI 是放大器，没有内容资产库和清晰 brief，AI 放大的不是效率，而是混乱。
• 文章作者综合：三位嘉宾的方案都带有服务商视角，甲方应识别每个方案背后的利益滤镜。
• 隐秘知识：
• 王健聪：AI 降低中长尾达人筛选成本，但所有品牌都用 AI 找达人后，小达人的注意力会成为新的稀缺资源。
• 陈尔航：广告费浪费不一定只是独立站技术基础问题，也可能是产品本身在海外没有竞争力。
• 吴奕钊：内容生产成本越低，对内容管理能力要求反而越高；优秀素材要能被复用、检索和分析。
• 文章作者综合：GEO 被反复提及，但本场没有嘉宾拿出硬 ROI 数据。
• 数据/案例：
• 文章作者引用背景数据：2026 年 AI 搜索来源流量转化率比传统搜索高 40% 以上。
• 王健聪：AI 可以一天扫描两三百个博主的全部内容，判断匹配度和历史流量表现。
• Bruce：其关于 OpenClaw 的 X/Twitter 推文获得约 17 万曝光关注。
• 吴奕钊：柚柚兔两年服务近千家品牌客户。
• 可复用观点：
• 吴奕钊：素材资产管理不一定是昂贵系统，本质是让每次投放和创作形成资产，而不是做完即丢。

12. AI 重写了选品、内容、履约三个环节，没变的只有这一件事

• 原文：sources/wechat_panels/texts/12-AI重写了选品、内容、履约三个环节，没变的只有这一件事.md
• 链接：原文链接
• 行业/场景：跨境电商、选品、内容生成、直播带货、客服/履约
• 嘉宾：
• 陈光，QuickCEP 创始人兼 CEO
• Henk，Linkfox 产品负责人
• 张克一，LynxAI 创始人兼 CEO
• 主持人：余静 Scarlett，柚柚兔科技合伙人兼 CMO
• 摘要：这场 Panel 从跨境电商链路切入，讨论 AI 如何重写选品、内容、直播和履约。张克一强调 AI 在选品和产品创新中的数据决策价值，Henk 强调内容生成平权后差异来自私有数据和工作流，陈光则提醒履约 AI 有价值但不应过早 FOMO，品牌应先做好产品和营销。
• 核心洞见：
• 张克一：选品的本质是通过海量数据分析捕捉更快、更优质的供需匹配逻辑，但最终仍要回到供应链和履约能力。
• Henk：AI 抹平 60 分素材生产门槛后，差异化来自用户场景理解、私有数据资产和数据迭代速度。
• 陈光：履约服务能控本、控差评，但不是品牌从 0 到 1 爆发的本质；等客服团队有规模后再投入更合理。
• 张克一：产品创新可采用“20% 创新、80% 继承”的原则，先保证胜率和传播广度。
• 隐秘知识：
• Henk：单点 AI 工具很快，但串成真实工作流后，可能设计师被解放、运营协调时间却变长，整体人效未必提升。
• 陈光：很多两年前成本高、效果差的 Agent 场景，随着模型和架构演进，到今天反而可以轻松落地。
• 张克一：判断 AI 建议要看三层：底层是否有结构性事实数据，中层推理逻辑是否清晰，上层 AI 做了什么判断。
• 陈光：客服/履约 AI 应排在选品和营销之后，因为履约做得好是不输，选品和营销做好才是赢。
• 数据/案例：
• 张克一：LynxAI 服务 24 家客户；传统选品周期约 13 周，数据获取、分析到初步决策理论上可缩短到 4 小时。
• 张克一：合作一年以上的 7 家品牌客户中，每家由 AI 提供线索并辅助产品创新后“卖爆”的产品不少于 3 款。
• Henk：Linkfox 服务约 100 万商家。
• Henk：某精铺大卖每天处理约 3000 张图；直接用原生模型约 20% 可直接用、45% 以上需人工微调；接入自身数据中台和 Skill 后，AI 直接可用图片比例超过 50%，剩下约 30% 需微调。
• 陈光：某假发客户把动态视频嵌入独立站后，每天整体转化率提升约 13%。
• 陈光：某手机品牌拉美 TikTok Shop 退换货已接入自动退货 Skill，大部分退换货订单由 AI 自动处理。
• 可复用观点：
• 张克一/Henk/陈光共同指向：AI 提供通用能力，护城河来自特定客户理解、私有数据资产和工作流闭环。

13. AI 出海的三个底层幻觉：天上有算法，地上没肉身

• 原文：sources/wechat_panels/texts/13-AI出海的三个底层幻觉：天上有算法，地上没肉身.md
• 链接：原文链接
• 行业/场景：AI 出海营销、品牌全球化、本地化、红人营销、CDP/订单数据
• 嘉宾：
• Charley，FOSHO 创始人
• Max，DeiNai CMO
• Alex，AllyClaw 创始人
• 主持人：徐缘 Vera，非凡产研市场负责人
• 摘要：这场 Panel 讨论 AI 如何改变全球化营销、本地化、红人匹配和电商增长。嘉宾们展示了 AI 在渠道计算、个性化触达和红人筛选上的能力，但文章作者进一步提出三个底层幻觉：品牌“人味”不能只停留在前端内容，营销数据可能进入 AI 攻防，AI 解决不了本地信任和履约的肉身问题。
• 核心洞见：
• Charley：AI 让出海从“猜”变成“算”，通过大模型和数据链路对不同国家、渠道、内容和预算做精准计算。
• Max：AI 降低红人营销人力成本，但对服务商自身专业能力要求更高，因为需要把行业经验持续喂给和训练给 AI。
• Alex：电商是全数字化场景，AI 不只是提效，而是重塑了基于用户全链路行为、意图和转化的自闭环系统。
• Alex：品牌 Vision 和核心定位不能完全交给 AI，AI 可以分析路径和效果，但不能替品牌定义愿景。
• 隐秘知识：
• Max：中东红人履约强依赖本地团队，因为部分红人契约精神弱，需要当地人线下盯住。
• Alex：生产级 AI 决策前提是真实、高质量的全链路数据，而不是零散 AI 工具。
• Charley：德国等市场本土团队运营很重，员工合同、财税法合规等会显著约束增长，因此初创公司应先用 AI 替代重复性本地语言和文化翻译岗位。
• 文章作者综合：AI 在出海营销里解决的是信息通达和数据匹配，一旦涉及信任、赖账、物流、渠道商履约，仍要回到本地肉身。
• 数据/案例：
• Charley：FOSHO Media AI 已有接近 1 万个头部媒体集团进驻；FOSHO Group AI 服务全球 1200 多个企业。
• Charley：FOSHO 过去每天处理约 2TB 全球营销链路裸数据；FOSHO Nexus 可针对全球 1000 万个营销渠道、100 万个品牌做数据解析。
• Alex：AllyClaw 通过 1V1 个性化邮件和短信，帮助电商提升约 100%-200% 转化率。
• Max：DeiNai 在中东布局迪拜和多哈本土团队，以提高红人合作履约效率。
• Max：AI 可分析红人过往 500 条视频，判断互动、播放、粉丝画像和数据真实性。
• 可复用观点：
• 文章作者综合：未来全球化品牌会走向“天上有 AI 做轻资产营销，地上有本地团队做重资产履约”的双轨结构。

14. AI出海怪象：30块成本的硬件卖到499刀

• 原文：sources/wechat_panels/texts/14-AI出海怪象：30块成本的硬件卖到499刀.md
• 链接：原文链接
• 公众号/作者：非凡产研
• 发布时间：2026-06-08 11:00:00
• 嘉宾与公司：澄觉智能创始人詹琦；Luckyshot 合伙人杨睿；瑞云科技运营总监刘鹏；FlowEight 创始人王柏林；主持人：扬帆出海 & 新智独角兽合伙人王璐。

摘要

这场 Panel 从 AI Agent 用户运营、AI 短剧发行、AI 视频创作 SaaS、AI 玄学硬件四个赛道讨论 AI 出海。核心不是单纯降 Token 成本，而是 AI 正在重构人力结构、内容产能、流量打法和品牌溢价。几位嘉宾共同指向一个判断：AI 出海的机会不是“有 AI 就能赢”，而是能否把供应链、内容生产、私域运营、跨文化营销和细分品类理解组合成可跑得更快的系统。

核心洞见、隐秘知识、数据及案例

• 詹琦（澄觉智能）：AI Agent 在海外用户运营里的直接价值是“开源 + 省钱”。她提到海外评论分析和定性研究过去找咨询公司可能要 80 万，现在 Agent 能以极低成本完成，并节省 60%-70% 时间。
• 詹琦（澄觉智能）：客服和用户运营是 Agent 最快落地的场景。她亲手做过把几十人团队缩到 2 人的案例，也看到品牌主从 100 人缩到 2 人；多语种邮件分类、产品型号识别、Discord/WhatsApp 私聊和群聊都可由 Agent 承接。
• 杨睿（Luckyshot）：AI 短剧成本从行业常见的 1-2 万美元压到约 1000 美元；团队从原计划招 1000 人，变成两个人一天产两部剧，一个人一天产一部完整 AI 短剧。
• 杨睿（Luckyshot）：Luckyshot 把短剧当“流量工具”而非精品内容，一个月可产出约 2000 部 AI 短剧；天秤座 Agent 能分析爆款剧逻辑，并在约 2 小时内产出新剧本和短视频。
• 刘鹏（瑞云科技）：AI 视频在国内制作成本约为传统方式的十分之一，在海外约为五分之一；传统短视频从演员到后期最快 1-2 周，AI 可以一天生成多个版本用于 A/B test 和多平台投放。
• 刘鹏（瑞云科技）：爆款逻辑没有被 AI 改写，平台仍看高完播率、高互动率、有趣、有反转、有传播点；AI 放大的是低成本试错和爆款概率。
• 王柏林（FlowEight）：AI 硬件不一定靠技术强取胜。FlowEight 的 AI 八卦硬件技术并不强，但可借助东方玄学品类、品牌建设和海外 Oracle 市场卖出高溢价；他提到同类技术深圳供应链可能 30 块能做，产品售价可到 499 美元。
• 王璐（主持人）：AI 出海创业者的真实护城河不是静态城墙，而是“苟在牌桌上等风来”的持续迭代能力；在技术按周变化时，跑鞋比城墙重要。

15. AI内容成本暴跌的假象：你以为在建“无限片场”，其实在给算法喂垃圾？

• 原文：sources/wechat_panels/texts/15-AI内容成本暴跌的假象：你以为在建“无限片场”，其实在给算法喂垃圾？.md
• 链接：原文链接
• 公众号/作者：非凡产研
• 发布时间：2026-06-08 11:00:00
• 嘉宾与公司：企域数科创始人沈扬；极速引擎创始人王俊；果麦智娱 & 星剧通 OpenReels 联合创始人李德恒 Henry；云希谷科技创始人 & CEO 罗辉；主持人：非凡资本 VP 吴申亮 Jeffrey。

摘要

这场 Panel 讨论 AI 内容生产是否已经进入工业化阶段。嘉宾来自汽车新媒体 Agent、AI 短剧/漫剧、IP 影像化、儿童教育硬件四类公司。共识是：AI 内容工厂已经开机，生产成本和人效都被显著改写，但“流水线”还没真正搭好，当前最稀缺的不是生成能力，而是审美、组织、IP、个性化服务、平台算法理解和人工质检。

核心洞见、隐秘知识、数据及案例

• 沈扬（企域数科）：AI 在汽车 4S 店新媒体营销中已经从工具变成“新媒体部门员工”。客户初始化设备后，AI 可自动生成短视频、开直播、投流、回弹幕和私信，最终交付销售线索。
• 沈扬（企域数科）：企域数科已服务超过 100 家汽车品牌主机厂，中国 60% 以上经销商集团使用其产品；他判断未来 AI 内容竞争的关键是防同质化、跟平台算法趋势保持一致，以及通过低成本海量 A/B 测试做“黑盒演化”。
• 王俊（极速引擎）：AI 训练范式会逼近“人类喜欢的平均数”，但商业内容需要的是“合适的、让特定人群上瘾的东西”，因此短期内全自动优质内容生产不现实，仍需要人工判断。
• 王俊（极速引擎）：极速引擎约 20 人团队，代表作全网播放量破亿，内部接近半自动化、全员 AI；他认为真正护城河不是单个导演，而是新型组织结构和制作方式。
• 李德恒（果麦智娱）：AI 对 IP 改编的价值在于围绕原著底层故事做标准化、多重衍生创作，并给全球发行提供本土化空间；但故事内核仍有国家和文化属性。
• 罗辉（云希谷）：云希谷每年出货约 1000 万台儿童教育智能硬件。他把硬件比作“碗筷”，AI 教育内容比作“肉和青菜”，认为脑力产品工业化刚到“有电、有机床”的阶段，流水线还没成熟。
• 罗辉（云希谷）：脑力产品机床的一致性比体力产品更差，目前仍需人做复检；谁能把 AI 内容流水线搭得更完善，谁会领先市场。
• 文章作者综合：AI 内容生产成本下降后，最稀缺的不是内容供给，而是审美标准、原创世界观、情绪共鸣、个性化数据、平台算法适配和合规本土化。

16. AI时代残酷的组织真相：焦虑的从来不该是基层

• 原文：sources/wechat_panels/texts/16-AI时代残酷的组织真相：焦虑的从来不该是基层.md
• 链接：原文链接
• 公众号/作者：非凡产研
• 发布时间：2026-06-09 11:00:00
• 嘉宾与公司：眯鹿互动 Wapitee 联合创始人 Ken；本末动力科技合伙人杨凯；思珂特教育 CEO 侯昊；主持人：CGL 高级合伙人 Xenia Wang。

摘要

这场 Panel 讨论 AI 时代组织结构、人才标准和文化建设的变化。核心判断是：AI 真正冲击的不是基层执行者，而是依赖信息汇总、过滤和上传的中间层。组织会从科层汇报走向节点网络，人才评价也从学历和单一经验转向好奇心、学习迁移、系统化工作流编排和闭环解决问题的能力。

核心洞见、隐秘知识、数据及案例

• 侯昊（思珂特教育）：思珂特内部组织 100 多名员工、20 多个小组参加 AI 黑客松，发现传统科层制下被忽视的年轻人才；一位 3D 设计师搭建了员工 AI 画像和技能图谱平台，让 CEO 看到此前不在视野里的能力节点。
• 侯昊（思珂特教育）：AI 组织未来可能是 CEO 通过 Dashboard 直接对接各个节点，而不是 CEO-1、CEO-2 的层层汇报；中层的信息处理职能会被 AI 看板和 Agent 透明化。
• 侯昊（思珂特教育）：AI 时代人才从 T 型、π 型走向 M 型，关键看过去 2-5 年是否进入过新领域并成为专家；另外，流程化和系统化思维比单纯 AI 工具熟练度更重要。
• Ken（眯鹿互动 Wapitee）：品牌出海和 AI 硬件服务团队最看重“好奇心”。面试会问候选人最近用过什么产品、做过什么好玩的事，因为创意营销需要跨领域认知和真实世界体验。
• Ken（眯鹿互动 Wapitee）：无代码/低代码和 AI 工具让前端技术门槛下降，但对全能型 PM、美感、欧美文化理解和讲故事能力的要求反而提高；团队刻意保持 40 多人，不盲目扩张到 100-200 人。
• 杨凯（本末动力科技）：本末从 2023 年约 200 人扩张到 700-800 人，组织效率和文化稀释成为核心挑战；高层需要通过 AI 看板直接读取底层和中层数据，提升汇报效率。
• 杨凯（本末动力科技）：本末筛人的三个词是“想干、能干、该干”，强调自驱、执行和边界感；制造与硬科技场景里，AI 的价值是加速理解产品和市场，减少重复性工作，而不是替代产业底层理解。
• 文章作者综合：AI 时代组织革命的方向，是让真正创造价值但不擅长汇报的人被看见；工具使用能力会快速变成门槛，真正稀缺的是定义问题、组织资源和闭环解决问题。

17. OpenClaw爆火三个月后，真正跑通的商业模式只有三种

• 原文：sources/wechat_panels/texts/17-OpenClaw爆火三个月后，真正跑通的商业模式只有三种.md
• 链接：原文链接
• 公众号/作者：非凡产研
• 发布时间：2026-06-09 11:00:00
• 嘉宾与公司：Zenkit 创始人王威扬；OpenClaw Asia 发起人 Bruce；小水智能 CEO 孙雪峰；主持人：香港大学 ICB 客座导师陈云峰 Tim。

摘要

这场 Panel 聚焦 OpenClaw 爆火后的 Agent 商业化路径。三位创业者的共识是：小团队不要正面去“造更强 Agent”跟大厂竞争，而应进入大厂看不上、够不着、懒得做的最后一公里，包括私有化部署、权限安全、API 中转、IM 接入、出海市场降维和垂直场景服务。

核心洞见、隐秘知识、数据及案例

• 孙雪峰（小水智能）：央国企和政府客户有 OpenClaw 需求，但安全规定不允许直接安装；小水基于 OpenClaw 封装“蜂巢”系统，用“蜂王”管全局安全策略、“蜂后”管权限分配、“小蜜蜂”负责具体业务 Agent。
• 孙雪峰（小水智能）：蜂巢系统由 CTO 带着 OpenClaw 两周搭出雏形；他判断大厂不是不能做私有化部署，而是不愿为单个客户做驻场、教学、定制等贴身服务，这正是小团队机会。
• 孙雪峰（小水智能）：华强北大量录音笔、音箱、腕表厂商单品出货几百万，但没有 AI 工程师；小水的打法是免费部署 AI 中台，帮他们构建消费者 Agent 场景，再从增量收入中分成。
• Bruce（OpenClaw Asia）：社群本身不赚钱，一键安装也会被腾讯等大厂挤压；真正机会来自 API 中转站，像 AI 时代的跨境电商 Marketplace，解决模型匹配、支付、地域可用性和场景复杂性。
• Bruce（OpenClaw Asia）：模型公司像不同品牌 SKU，GPT、Claude、DeepSeek、智谱等各自领先 3-6 个月；创业者可做大模型公司吃不掉的细分服务。
• 王威扬（Zenkit）：Zenkit 6 人团队养了 3 个 OpenClaw 虚拟员工，分别监控 GitHub trending、Steam trending 和万人社群股票查询；一天实际工作 8 小时，系统显示产出相当于 200 小时，称为“并行倍率”。
• 王威扬（Zenkit）：Token 消耗不是 Agent 落地的关键指标。社群提问消耗很低，但运营和客户部署效率可提升百倍、千倍；一个人服务万人社群才是真正杠杆。
• 王威扬（Zenkit）：Zenkit 用 Go 和 Rust 重写 OpenClaw 原版 Gateway、Database 和 Memory，高并发稳定运行两个半月；同样产品国内 28 元/月，日本可卖 1000-1500 日元，北美可卖 10 美元，说明国内卷出的能力在供给不足市场可降维。
• 文章作者综合：Agent 时代最值钱的问题不是“我能造出多强的 Agent”，而是“我能把 Agent 送到多少大厂送不到的地方”。

18. 小宇宙｜中美AI创业的生态差异---对谈Google Cloud北亚区创投生态负责人

• 原文：sources/xiaoyuzhou/texts/18-中美AI创业的生态差异---对谈Google-Cloud北亚区创投生态负责人.md
• 链接：原文链接
• 小宇宙/播客：屠龙之术
• 发布时间：2026-04-23T22:32:18.863Z
• 嘉宾与公司：Warren Li（Google Cloud 北亚区创投生态业务负责人）；主持人：庄明浩（屠龙之术）。

摘要

这期播客讨论中美及亚洲 AI 创业生态差异，覆盖战略投资与财务投资、AI 应用创业门槛、亚洲市场付费与本地化、大厂是否会吃掉创业公司、美国创业生态的制度基础，以及创业动机中的 impact 文化。核心判断是：AI 降低了产品原型门槛，但没有降低对场景判断、逻辑表达、市场选择和使命感的要求；不同市场的机会差异，本质来自客户付费能力、人才/教育结构、法律与退出环境、企业服务采购习惯和本地渠道关系。

核心洞见、隐秘知识、数据及案例

• Warren Li（Google Cloud）：战略投资与财务投资的差异在于，战略投资会主动寻找 Google Cloud 与被投公司的产品、行业和生态协同；财务投资则更接近一般 VC，但可以借助 Google 内部专家做技术尽调和投后建议。
• Warren Li（Google Cloud）：中美 AI 创业生态的关键差异之一是投资视野。美国资本可以更长期地支持 research 型机会，而人民币基金通常更难看得那么远。
• Warren Li（Google Cloud）：中国创业者在“已定义命题”的执行上很强，但在定义新品类和零到一创新上相对受教育和训练方式影响；AI 应用层因为大家都在探索新场景，中美差距正在缩小。
• Warren Li（Google Cloud）：亚洲 AI 创业中，中国整体领先；印度 ToB 创业更多跟随美国，B2C 受国内消费市场和收入增长限制；日本 ToB 付费习惯好、上市机制对早期公司友好，但本土创新和大企业采购背书是限制；韩国在半导体、机器人、医疗有机会但本土市场小；东南亚的核心问题是付费能力和客户集中度不足。
• Warren Li（Google Cloud）：AI 让创业门槛明显下降。过去 PM 需要把逻辑转译给技术团队，存在沟通损耗；现在逻辑足够清晰的人可以通过 prompt engineering 直接做出产品原型，像导演可以更直接地验证画面和剪辑意图。
• Warren Li（Google Cloud）：AI 对传统行业的落地会比云计算更快，因为传统行业这次更主动；金融、法律、专业服务、医疗和科技等人力成本高的行业，会更早算出 AI 提效账。
• Warren Li（Google Cloud）：大厂不会吃掉所有 AI 应用。像 Gamma 这类细分 PPT 场景有大量 last mile 细节，大厂未必优先做；一个 5 亿到 10 亿美元市场足够养活 startup，甚至 5000 万美元 ARR、高利润率的小公司也可以很好。
• Warren Li（Google Cloud）：底层能力如芯片属于 capital intensive 赛道，创业公司除非能拿到足够启动资源和比较优势，否则会很难；但如果是非常非共识、资源要求不被大厂优先覆盖的方向，startup 仍可能转得更快。
• Warren Li（Google Cloud）：美国创业环境的优势包括高容错、法律保护、并购退出渠道、早期 funding 来源丰富，以及个人因税务和流动性安排更愿意把科技公司股权收益再投进早期项目。
• Warren Li（Google Cloud）：美国优秀创业者常用 impact 而不是赚钱作为第一动机。他以 Elon Musk、Demis Hassabis 为例，强调真正做大事的人通常有强使命感和 think big 的驱动力，商业回报更像副产品。

19. 140. 对姚顺宇的4小时访谈：请允许我小疯一下！在Anthropic和Gemini训模型、技术预测、英雄主义已过去

• 原文：sources/xiaoyuzhou/texts/19-140.-对姚顺宇的4小时访谈：请允许我小疯一下！在Anthropic和Gemini训模型、技术预测、英雄主义已过去.md
• 链接：原文链接
• 小宇宙/播客：张小珺Jùn｜商业访谈录
• 发布时间：2026-05-11T00:00:00.000Z
• 嘉宾与公司：姚顺宇（Google DeepMind 研究科学家，前 Anthropic 研究科学家，曾参与 Claude 3.7/4.5、Gemini 3 等模型开发）；主持人：张小珺。补充文字版参考：《独家对话姚顺宇：请允许我小疯一下》（语言即世界）。

摘要

这期 231 分钟播客是一次关于前沿模型研发、AI 组织、技术范式和研究者心态的长访谈。姚顺宇从物理转向 AI，先后在 Anthropic 和 Google DeepMind 工作，讨论了 Claude 3.7 的大尺度强化学习与 coding 能力、Gemini 的 ML coding 与 long horizon 方向、Scaling Law 与“智能涌现”的科学性、中国模型公司的蒸馏与多模态能力、机器人和世界模型的阶段判断，以及 AI 从个人英雄主义走向集体主义研发系统的变化。

核心洞见、隐秘知识、数据及案例

• 姚顺宇（Google DeepMind，前 Anthropic）：AI 不是“完全黑盒”。Scaling Law 目前是经验规律，但像热力学早期规律一样，未来可能随着微观机制理解加深而成为更科学的规律。
• 姚顺宇（Google DeepMind，前 Anthropic）：“智能涌现”这个说法本身不够科学，更像主观感受；真正关键的是技术上找到了大规模训练方法，使模型能力可以横向提升。
• 姚顺宇（Google DeepMind，前 Anthropic）：Anthropic 做 Claude 3.7 时，重点是用大尺度强化学习提高 coding 能力；真正的 know-how 不只是算法 tips，而是基础设施、环境、数据、采样和训练系统之间的耦合。
• 姚顺宇（Google DeepMind，前 Anthropic）：Claude 3.7 从研究到训练发布经历数月，基础设施本身非常重要且耗时；很多外界想听的“技术 tips”脱离基础设施并没有太大用。
• 姚顺宇（Google DeepMind，前 Anthropic）：模型能力差异越来越难从公开 benchmark 上看出来，很多榜单都接近饱和；未来差异更多来自如何定义想要的行为、构建合适数据和反馈信号。
• 姚顺宇（Google DeepMind，前 Anthropic）：他在 Gemini 侧关注 ML coding 和 long horizon。ML coding 指向 AI 帮助训练 AI；long horizon 指向“用有限上下文训练，但使用起来像无限上下文”，关键在选择性遗忘、检索和长任务管理。
• 姚顺宇（Google DeepMind，前 Anthropic）：未来 6-12 个月，AI 自己完成研究链条的能力可能会逐步完整，包括写代码、跑实验、看结果、分析错误、提出新假设、再设计实验。
• 姚顺宇（Google DeepMind，前 Anthropic）：中美模型能力 gap 过去一年到一年半在缩小；中国算力资源劣势可能反而逼出蒸馏等技术路线。简单“硬蒸”商业和治理上都不优雅，但把多家模型作为数据生成或评价者融入训练系统，在技术上接近真正的 multi-agent 训练。
• 姚顺宇（Google DeepMind，前 Anthropic）：豆包不一定是最聪明的模型，但语音生成非常强，可能是全球最好之一；它的优势来自模型、数据、速度和用户体验优化，而不只是产品包装。
• 姚顺宇（Google DeepMind，前 Anthropic）：中国人形机器人硬件产业链很强，价格低于他的直觉预期；但机器人模型仍更像 feature engineering 阶段，能在单一场景优化，还没有像语言模型那样形成横向泛化能力。
• 姚顺宇（Google DeepMind，前 Anthropic）：世界模型这个概念定义很混乱，不同团队说的可能不是一件事；Gemini/Google 相关语境下，更接近 end-to-end 训练生成“场景”，并让动作条件改变下一时刻状态。
• 姚顺宇（Google DeepMind，前 Anthropic）：AI 个人英雄主义时代已经过去，前沿模型研发是集体主义系统工程；研究员高价是因为能接触前沿训练机会的人稀缺，但神话个体会误导行业理解。
• 姚顺宇（Google DeepMind，前 Anthropic）：AI 行业最重要的特质不是“脑子多聪明”，而是靠谱、做事细、对自己负责。面试可用 24 小时从 0 到 1 做强化学习项目，考察候选人如何有效使用 AI、是否能理解和检查 AI 输出。

20. 硅谷AI三角生态解读：资本、人才、技术扎堆，普通人怎么走？

• 原文：sources/wechat_panels/texts/20-硅谷AI三角生态解读：资本、人才、技术扎堆，普通人怎么走？.md
• 链接：原文链接
• 公众号/作者：非凡产研
• 发布时间：2026-06-11 20:00:00
• 嘉宾与公司：宋健（Nodesk.ai 创始人）；对谈及文章作者：吴畏（非凡产研创始人）。

摘要

这篇对谈从宋健的硅谷考察切入，讨论 AI Coding 的能力边界、企业 AI 落地中的 FDE 模式、AI 原生组织、超级个体以及人的品位和判断力。宋健认为 AI First 不等于 AI All in，AI 更适合放大专业能力；吴畏进一步追问，FDE 是否会退化成外包、所谓“品位”能否被拆解训练，以及一个人管理多个 Agent 是否只是更高密度的新型劳动。

核心洞见、隐秘知识、数据及案例

• 宋健（Nodesk.ai）：硅谷 AI 生态的优势可拆成前沿信息密度、人才流动、风投资金和创业氛围；他在当地观察到，OpenAI 周工时约 70 小时已很常见，80-100 小时也确实存在，模型快速迭代使中美 AI 团队都进入高强度竞争。
• 宋健（Nodesk.ai）：Nodesk.ai 的 AI Coding 经历了“不愿使用、艰难推进、爆发、常态化”四个阶段；能力跃迁与 Claude 版本升级相关，但产品设计、需求理解、监管和验收仍由人负责。
• 宋健（Nodesk.ai）：AI Coding 的危险是“没有开始和停不下来”。它可以快速做出 Demo，但产业级产品还需要工程、产品、责任和后果管理，不能把原型能力等同于生产能力。
• 宋健（Nodesk.ai）：FDE 在企业 AI 落地中必然存在，因为单一 API 无法处理每家企业的流程和历史系统；中国企业信息化、数字化尚未完全补课，直接进入智能化会放大旧系统债务。
• 吴畏（非凡产研）：FDE 的分界线不是是否驻场，而是交付经验能否沉淀成可迁移的平台能力；如果只留下项目文档，它仍是重交付外包，如果留下可复用行业 Agent，才是产品进化机制。
• 宋健（Nodesk.ai）：AI First 是遇到问题先考虑 AI 如何辅助创造价值；AI All in 则把目标设成处处替人。AI 原生组织还需要允许试错、开放 Token 和引入差异化工具，但人仍在决策闭环中。
• 宋健（Nodesk.ai）：一个人能管理多少 Agent，取决于提问能力、品位、信息/代码/商业架构能力以及体能；并发任务增加会带来信息过载，不一定让工作更轻松。
• 吴畏（非凡产研）：AI 不会替代真正的品位，却会替代大量被误称为品位的经验套路。只有能把“感觉不对”拆解成信息层级、风险、用户心智和长期价值判断，品位才成为可训练、可复用的能力。
• 宋健（Nodesk.ai）：Nodesk.ai 团队 30 人出头，除 5 名 80 后外其余均为 90 后，其中 1999-2005 年出生员工约占 60%；产研仍坚持专家导向，再用 AI Coding 放大专业能力。
• 宋健（Nodesk.ai）：MVP 前可以由一个人串联 Agent 完成过去团队的工作，但验证 PMF 后仍需要团队裂变和规模化；“超级个体”不是所有普通人的默认归宿。

21. 为什么硅谷在吹嘘 Agent，而最赚钱的企业却在死磕工作流？

• 原文：sources/wechat_panels/texts/21-为什么硅谷在吹嘘-Agent，而最赚钱的企业却在死磕工作流？.md
• 链接：原文链接
• 公众号/作者：非凡产研
• 发布时间：2026-06-17 20:01:00
• 嘉宾与公司：Jolie Li / 李卓（Emerging AI COO）；Jennifer Chen（Muse AI CEO，Muse AI 为特赞科技海外主体）；Megumi Yoshinaga（Plaud 亚太区市场负责人）；Dian Guan / 关典（PatSnap 智慧芽联合创始人）；Lusha Chen（Dify 亚太区总经理）；主持人：Delta Wu（UniqueResearch 创始人兼 CEO）。

摘要

这场新加坡 Agent 峰会 Panel 对比了五条企业 AI 商业化路径：Plaud 以硬件切入对话数据，PatSnap 在既有数据和 SaaS 上叠加 AI，Muse AI/特赞构建企业多 Agent 工作流，Emerging AI 从基础设施进入金融和制造，Dify 则强调企业治理与生态渠道。共同结论是：企业客户购买的不是“更聪明的 Agent”，而是可控、可审计、可证明 ROI 的工作流；全球化也不是翻译产品，而是按当地法规、历史、文化和信任机制重做市场进入。

核心洞见、隐秘知识、数据及案例

• Megumi Yoshinaga（Plaud）：Plaud 的产品逻辑不是“AI 录音笔”，而是用硬件捕捉未进入文档的对话信息，让 AI 成为个人幕僚；设备“随时可用但并非持续录音”，用用户主动开启建立隐私信任。
• Megumi Yoshinaga（Plaud）：Plaud 亚太区预计 2026 年贡献约 1 亿美元收入；新加坡办公室一年内从 0 增长到接近 100 人，另有约 100 个职位开放；约 50% 全球用户是 CEO 或创始人，购买约 200 美元设备的核心 ROI 是节省几百至上千小时。
• 关典（PatSnap 智慧芽）：PatSnap 有 18,000 多家企业客户，传统年费 SaaS 继续提供确定性收入，同时通过 AI Credit、AI 原生产品和 outcome-based FDE 增长；不是所有节点都需要大模型，传统小模型在部分任务上更便宜、稳定。
• Delta Wu（UniqueResearch，主持人）：据现场总结，PatSnap 在既有数据和 SaaS 基础上叠加 AI feature，带来原有业务 20% 以上增长；这说明成熟软件公司未必需要推倒重来。
• Jennifer Chen（Muse AI/特赞）：企业未来运行在多 Agent 工作流中。GEA 提供超过 450 个 Agent，并建立在多年 DAM 数字资产、结构化/非结构化上下文和 Creative Reasoning 编排层之上，可动态协调 30 多个基础模型。
• Jennifer Chen（Muse AI/特赞）：东盟不是单一市场，同一个 Agent 在泰国跑通后，到印尼可能需要重做法规和流程；企业收费更适合模块订阅叠加 Token usage，以兼顾预算确定性和实际消耗。
• Jolie Li（Emerging AI）：从 AI Infra 进入金融等垂直行业后，技术精度只是入场券；低容错业务必须把合规、数据保密和 Human in the loop 嵌入投研、因子、策略和交易决策流程。
• Lusha Chen（Dify）：RBAC、合规、可控和可见性是企业 Agent 的生命线。Agent 每次运行的步骤、工具调用和 Token 消耗都不完全确定，因此企业端必须解决预算、审计和责任，而不能照搬 C 端体验。
• Lusha Chen（Dify）：全球化可以采用“地面部队 + 天空部队”双轨：本地开发者社区建立口碑和反馈，AWS、Azure、GCP Marketplace 提供全球分发覆盖。
• Megumi Yoshinaga（Plaud）：进入新市场应在 PEST 之外加入 History，形成 PHEST 框架；政治、经济、社会、技术只能解释当下，历史决定当地信任、消费与外来产品接受方式。
• 关典（PatSnap 智慧芽）：新市场负责人不能只是销售，而要像创业者一样从零建立信任。美国客户更愿意试创新，欧盟首先关注合规与数据位置，日本企业采购依赖长期关系和稳定运营。
• 文章作者综合：Workflow 不是低级 Agent，而是企业 AI 更务实的产品形态；与其追求 100% 自动化，不如追求可验证的高确定性，并让系统知道何时交还给人。

22. AI出海最魔幻的一幕出现了：新加坡人想打进国内，中国人急着走向海外”

• 原文：sources/wechat_panels/texts/22-AI出海最魔幻的一幕出现了：新加坡人想打进国内，中国人急着走向海外”.md
• 链接：原文链接
• 公众号/作者：非凡产研
• 发布时间：2026-06-18 12:00:00
• 嘉宾与公司：Bruce Yang / 杨通（Agnes AI 创始人）；Yinan Li / 李一楠（BetaAI 联合创始人）；Hua Mao / 毛华（2nd brain 创始人兼 CEO，产品品牌为 CCMET）；Tony Sun（FOSHO 联合创始人）；主持人：He Zhu / 朱鹤（值得买科技 CAIO & SVP）。

摘要

这场新加坡 Agent 峰会 Panel 把“AI 出海”拆成了四个更具体的问题：什么才算真全球化、该先去哪类市场、如何进入本地信任网络，以及该卖软件还是卖结果。几位嘉宾的共同结论是，全球化不是把中文产品翻成英文，也不是简单逃离中国市场；它要求你重新验证需求、产品、团队和渠道四层结构，并在最能形成信任与 ROI 的单一市场先打穿。2026 年的 AI adoption 仍主要由中国和美国定义，而东南亚、香港、澳洲等区域更像差异化验证和区域辐射的节点。

核心洞见、隐秘知识、数据及案例

• Tony Sun（FOSHO）：在海外做销售不等于全球化。真正的全球化必须同时完成产品本地化、品牌本地化和渠道本地化；如果当地消费者一眼能看出“这是中国公司”，说明本地化还没有完成。
• 毛华（2nd brain / CCMET）：C 端应用相对容易出海，但 B 端真正的难点是每个国家的政策、文化与数据安全要求都不同。他用飞书与 Lark 数据隔离后导致新加坡员工无法登录、必须切换 App Store 国家重装的经历，说明企业软件的国际化问题往往卡在制度与数据边界，而不是翻译层。
• 李一楠（BetaAI）：中国创业者走出去的动力，来自 KA 客户仿制和“红脸盆竞争”两种结构性压力；但国内验证过的产品迁到海外后，市场需求、产品供给、团队语境和客户渠道四层结构里往往有超过一半都要重做。
• 杨通（Agnes AI）：2026 年谈全球化不能离开中国和美国两个主阵营。即使 Agnes 去年 95% 以上用户都在海外、增量主要来自印尼、巴西和北美，他仍认为只在东南亚成功，会被主流 AI 圈视为“不够有竞争力”。
• 杨通（Agnes AI）：Agnes 目前已有 1000 多万全球用户，文本、图片、视频模型都进入 Artificial Analysis 等权威榜单全球前十；对没有海外销售体系的团队来说，榜单是成本最低的全球信用背书。
• 杨通（Agnes AI）：Agnes 当前 API Token 日消耗约 2000 亿，下个月可能达到 1 万亿；他明确把中国开发者的热情视为这一量级增长的前提，并用 DeepSeek 说明“先在单一市场打穿，再让全球知道你”是可行路径。
• 杨通（Agnes AI）：在消费者市场，Agnes 采用免费策略，但将 RPM 限制在每分钟 20 次，超过后再收费；他把这种设计解释为降低使用门槛而非单纯打价格战。
• 李一楠（BetaAI）：国际化市场不是预先规划出来的，而是先去不同市场“撞”，等每个市场各有前十个客户后，再决定往哪里加注。更关键的不是国家名称，而是你在国内打造的那把“锤子”能否在当地找到相似的“钉子”。
• 毛华（2nd brain / CCMET）：CCMET 的商业模式不是卖财务软件账号，而是用“真人会计师 + AI Finance Agent”交付账务完成、报税合规等结果；在市场选择上，他优先新加坡、香港、澳洲、马来西亚这类客单价高、支付能力强、政策更规范的地区。
• 毛华（2nd brain / CCMET）：B 端渠道不应优先找“最能卖货”的合作方，而应优先找用户已经信任的本地财务公司。原因是中小企业主对账务与数据安全高度敏感，信任渠道本身就是履约能力的一部分。
• Tony Sun（FOSHO）：FOSHO 把自身定义为 AI Marketing 服务商，按 result service 而非传统订阅收费；在消费品市场，他认为欧美仍是“Golden Rule”，而 2B 软件当前更现实的入口往往是有华人背景的中国出海企业。
• Tony Sun（FOSHO）：今天只靠 Facebook 买量或上亚马逊已经不能构成长期 GTM。媒体合作、红人营销、自营社媒矩阵和线上线下组合，才是降低单渠道 ROI 递减的必要条件。

23. 大多数AI Agent公司，活不到2030年？

• 原文：sources/wechat_panels/texts/23-大多数AI-Agent公司，活不到2030年？.md
• 链接：原文链接
• 公众号/作者：非凡产研
• 发布时间：2026-06-25 11:00:00
• 嘉宾与公司：Jeffrey Paine（Golden Gate Ventures 联合创始人兼管理合伙人）；Yiliang Zhao / 赵奕靓（Openspace Capital 数据科学与 AI 总监）；Jim Lim（59st Ventures 首席战略官兼董事总经理）；Arun Pai（Monk's Hill Ventures 合伙人）；Manasi Shah（Accel Venture Principal）；主持人：Huangchao Chen / 陈凰朝（中新人工智能协会联合创始人、Distri CEO）。

摘要

这场新加坡 Agent 投资人圆桌几乎给“活下来的 Agent 公司”下了统一定义：不是 Demo 最炫、融资故事最好听，而是最能进入客户关键流程、制造依赖并清晰展示 ROI 的公司。几位投资人的共识包括三点：第一，问题强度与工作流嵌入深度比模型炫技更重要；第二，静态专有数据不构成护城河，数据飞轮和行业理解才构成护城河；第三，全球化、赛道选择与首发市场需要从 Day 0 就纳入战略，而不是等本地做稳后再慢慢扩张。

核心洞见、隐秘知识、数据及案例

• Jim Lim（59st Ventures）：判断一家 Agent 公司是否真的成立，最直接的问题是“如果你的 Agent 明天消失了，谁会哭？” 他认为绝大多数团队制造的只是“好奇心”，而不是“依赖性”；只有当业务流程会因 Agent 下线而中断时，产品才算进入了 mission-critical 区域。
• Jeffrey Paine（Golden Gate Ventures）：在极早期项目里，他会连续追问十个问题拆解客户痛点，而不是先看模型参数；他甚至把“仍然用 Gmail 发 BP”视为正向信号，因为这说明创始人还没等流程完备就已经在拼命跑。
• 赵奕靓（Openspace Capital）：在看过 50 多家 Agent 公司后，他把判断顺序明确排成“先看 Impact，再看技术”。如果 Agent 不可用时，客户关键业务指标不会明显下滑，那它只是一个可替换工具，而不是值得投资的基础设施型产品。
• Jim Lim（59st Ventures）：他用兽医诊所案例说明高价 Agent 的前提必须是替岗而非增效。客户原先每月只为传统临床管理软件支付约 200 新币，但如果 AI Agent 真能替代呼叫中心员工，就可能愿意支付约 10000 新币/月。
• Jeffrey Paine（Golden Gate Ventures）：客户使用越深、越嵌入工作流，迁移成本越高，定价权也越高。对 Agent 公司来说，从“可以用”到“离不开”的关键跨越，不是更多功能，而是把自己嵌进既有流程。
• 赵奕靓（Openspace Capital）：真正的护城河不是“我有专有数据”，而是有没有把数据、模型和用户反馈串成持续优化的闭环。他把这套逻辑概括为数据飞轮，并强调动态迭代远比静态数据声明更有说服力。
• 赵奕靓（Openspace Capital）：他用泰国 Abacus Digital 的信用评分案例说明，行业专家、业务数据和持续迭代三者叠加后，才可能形成基础模型厂商难以直接复制的垂直护城河。
• Arun Pai（Monk's Hill Ventures）：在高度拥挤的 Agent 赛道里，创始人必须提供能让投资人产生“Aha moment”的独特洞察；如果七年后还用原来的产品叙事，却没有随着底层技术演进形成新理解，那就不值得投。
• Manasi Shah（Accel）：当基础设施越来越商品化后，真正稀缺的是痴迷、速度、品位和对该领域前 0.1% 判断标准的理解。她把“能不能 100% 替代员工任务并立刻展示 ROI”视为 Agent 公司能否长期存活的硬标准。
• Jeffrey Paine（Golden Gate Ventures）：如果目标是美国或中国市场，公司最好从 Day 1 就按全球化公司来组织，而不是留在新加坡“过渡”。在他看来，新加坡市场太小，且会让团队在舒适区里错过与全球头部客户和投资人对齐的速度。
• Jeffrey Paine（Golden Gate Ventures）：即便无法立刻进入美国，创业公司也应优先选择制造、半导体、供应链物流等巨头不会第一时间砸资源抢占的垂直行业，以换取时间差；如果选了巨头能迅速赢下的赛道，就会正面承受对方 100 倍级别的资金与人才优势。
• Jim Lim（59st Ventures）：Grab Health 在 2018 年没有先在新加坡做起来，而是因为当地不允许 AI 直接做诊疗收费，只能先去印尼。这说明首发市场不该按熟悉程度选，而该按监管、痛点和收费可行性选。
• Jim Lim（59st Ventures）：新加坡 AI 公司 EyRIS 从本地起步花了 9 年才扩展到中东；其联合创始人后来的反思是，如果一开始就从监管接受度更高、患者痛点更强的中东切入，可能只需要 2-3 年。这是 PESTLE 选首发市场的反例教材。
• Arun Pai（Monk's Hill Ventures）：Kristal.AI 早期曾同时在新加坡、香港和印度三线作战，结果三线都失焦，几乎把公司拖垮；他据此把“不能聚焦”视为早期创业最常见的失败原因。
• 赵奕靓（Openspace Capital）：如果他今天从零开始创业，不会直接做 Agent 应用，而会去做 Physical AI 的训练数据公司，因为接下来更稀缺的不是“再多一个 Agent”，而是能支撑物理世界执行的高质量操作数据。

24. 梁⽂锋投资者交 流会

• 原文：sources/manual_inputs/texts/24-梁⽂锋投资者交-流会.md
• 链接：manual-input:c93d9a11-959e-4982-b60a-923a8a907804
• 主动输入：用户主动输入
• 发布时间：未识别
• 嘉宾与公司：梁⽂锋（DeepSeek 创始人）；其余提问方为未具名投资人/现场主持人，录音稿未逐句标注身份。

摘要

这份约 3 小时 44 分钟的投资者交流会转录稿，集中呈现了梁文锋对 DeepSeek 组织方式、开源与商业化、AGI 路线图、算力瓶颈、国产芯片生态、定价原则和团队稳定性的系统阐述。梁文锋反复强调，DeepSeek 不是以利润最大化或流量抢夺为出发点，而是以“做成 AGI 的概率最大化”为核心目标，因此愿意用开源、低价、组织克制和成本效率来换取更强的人才凝聚、社会协同和长期胜率。

核心洞见、隐秘知识、数据及案例

• 梁⽂锋（DeepSeek）：DeepSeek 起步时并没有“先上市、先赚钱”的初衷，而是以对世界有善意、对人类有用的愿景来组织最初几十名成员；他认为真正管理大公司靠的不是制度，而是愿景。
• 梁⽂锋（DeepSeek）：开源不是被迫营销，而是愿景和商业战略的一部分；在 AI 这样足够大的市场里，任何试图独占的人都会被“拿得更少”的竞争者击败。
• 梁⽂锋（DeepSeek）：公司 API 定价以“买回一批设备后约 10 个月收回成本”为标准，他将其描述为只赚“合理利润”，并口述这大致对应约 6 倍利润，而非利润最大化。
• 梁⽂锋（DeepSeek）：他提到某次因担心需求过大而把模型价格定高，后来又主动降到原来的四分之一；公司内部的典型反应不是担心 ARR 下降，而是为“更多人用得起”而欢呼。
• 梁⽂锋（DeepSeek）：C 端流量、B 端收入和 API 销售都只是 DeepSeek 在 AGI 主线上的副产品，不是公司的目标函数；去年春节没有借势重金争夺用户，就是“捡芝麻”和“看西瓜”的取舍。
• 梁⽂锋（DeepSeek）：他把当前技术路线概括为 CoT、Agent、持续学习、可自我迭代的“奇点”、再到具身智能；在他看来，Agent 之后最明确的瓶颈不是世界模型，而是持续学习。
• 梁⽂锋（DeepSeek）：AI 现在“不缺品位和直觉，缺的是持续学习能力”；一旦模型能像员工那样在组织内持续吸收上下文，很多通用智能问题会更快被解决。
• 梁⽂锋（DeepSeek）：团队稳定性被他称为公司“唯一不可退让的核心利益”；近期融资的重要作用之一，就是通过更充足的期权和回报预期稳住最核心、最早期的成员。
• 梁⽂锋（DeepSeek）：DeepSeek 的组织是“双线制”运转：正式的自上而下项目不应占员工时间超过一半，剩余时间留给研究员自主探索；他认为研究需要松弛环境，而不是长期高压加班。
• 梁⽂锋（DeepSeek）：DeepSeek 当前约有 2 万张 H 等效算力，且未来几个月仍会继续购卡；他直言如果能在半年内把融资大部分换成 GPU，会是“最理想”的结果，因为真正的瓶颈是卡而不是现金。
• 梁⽂锋（DeepSeek）：按其口述，如果要训练与美国同量级的超大模型，可能需要约 5 万张 GB300 或约 20 万张华为卡；国内现阶段更现实的路径，是在较小激活规模上把效率做到极致，再逐步扩模型。
• 梁⽂锋（DeepSeek）：他判断中国模型长期差异主要会体现在成本、时间和用户体验，而不是绝对“谁独占智能”；DeepSeek 选择在编译器、TileLang 和国产卡生态上下注，试图用更低成本与更快追赶来缩小资源差距。

25. E253｜谁在给大模型出题、卖题、判卷？聊聊AI数据行业的野蛮生长

• 原文：sources/xiaoyuzhou/texts/25-E253｜谁在给大模型出题、卖题、判卷？聊聊AI数据行业的野蛮生长.md
• 链接：原文链接
• 小宇宙/播客：硅谷101
• 发布时间：2026-09-28T02:30:00.000Z
• 嘉宾与公司：何允中（Scale AI，后训练与评测研究）；孙一铀（加州大学伯克利分校博士后、Agents’ Last Exam 研究者）；Yiwen（硅谷101主持人）。

摘要

本期从数据供应商与智能体评测研究两端解释后训练数据生意的迁移：交付物正从众包标注和单轮答案，转为由任务、工具、沙盒、验证器和奖励组成的 RL 环境。何允中强调，真正稀缺的不只是生成数据，而是获取行业原料、处理版权与隐私、构造可验证工作流并持续研发下一批需求；孙一铀则从 ALE 出发，讨论如何让评测覆盖具有经济价值的长程任务。两人都警惕把评测集直接变成训练数据：榜单与真实用户体验要相关，但角色必须隔离，且专家数据的真实性、激励与验证成本仍是行业硬约束。

核心洞见、隐秘知识、数据及案例

• 何允中（Scale AI）：后训练的重点已从静态文本评分转向让 Agent 在任务、工具、沙盒和验证机制中实际操作；Rubric、程序化检查与人类偏好不是互斥选项，而是按任务组合的验证层。
• 孙一铀（UC Berkeley / ALE）：ALE 试图评估具有经济价值、可验证结果的长程任务；节目中口述其已公开 150 多个任务、覆盖 50 多个细分行业，并计划下一版扩至 1,000 多个任务。该数字为嘉宾现场口述。
• 何允中（Scale AI）：评测不能只看单榜分数；好评测要么揭示可泛化的核心能力缺口，要么贴近用户真正关心的场景，后者还可能暴露 harness 和工程流程的问题。
• 孙一铀（UC Berkeley / ALE）：评测与卖数据的角色应分开：评测面向尚未解决的未来能力，数据解决当下训练需求；把自己的评测数据直接出售会污染评测权威性。
• 何允中（Scale AI）：小团队可快速交付合成环境，但代码领域的开放资料和工程同质化不等于所有垂类都容易复制；私有代码库、商业软件授权和领域数据采购才是更深的门槛。
• 何允中（Scale AI）：数据供应商的长期能力是研发而非一次性撮合——先判断重要行业、取得原料和授权、研究问题并证明有效性，再把成果做成 benchmark 或训练数据；大模型实验室因 deadline、客户信任与利益冲突，仍可能依赖第三方。
• 何允中（Scale AI）：医疗等敏感垂类的瓶颈是获取合规数据，不是单纯标注。节目中以游戏源码报价“两三百万元人民币一条”和私有病例数据为例，说明版权、隐私与采购能力会决定可进入性；均为嘉宾口述案例。
• 孙一铀（UC Berkeley / ALE）：专家众包数据的主要风险不只是公开资料污染，更是为奖励而编造的任务和答案；仅靠第二位专家复核成本很高，需把过程证据、激励与验证机制一起设计。
• 何允中（Scale AI）：数据行业不会因模型更会合成而自动消失，但标准化数据会迅速贬值；竞争将从“手上现有数据”转向持续发掘新工作流、迭代研发与采购网络。

26. AI Trading —— 决策便宜，行动很贵｜对谈超 3w Star Vibe-Trading 作者浩哲

• 原文：sources/xiaoyuzhou/texts/26-AI-Trading-——-决策便宜，行动很贵｜对谈超-3w-Star-Vibe-Trading-作者浩哲.md
• 链接：原文链接
• 小宇宙/播客：42章经
• 发布时间：2026-09-27T13:30:00.000Z
• 嘉宾与公司：吴浩哲（Vibe-Trading 作者及维护者；香港大学在读博士、HKUDS 成员）；曲凯（42章经创始人、主持人）。

摘要

吴浩哲将 AI Trading 定义为：在近乎免费、可大量生成的判断，和不可撤销、需承担损失的交易行动之间，建立可验证、可审计的通道。Vibe-Trading 因此从面向量化研究员的工具，转向帮助用户把宏观、基本面、量化与风险研究串成可检查的研究台；模型负责读材料、提出假设与整理证据，人负责风险偏好、仓位、例外和最终下单。对他而言，金融场景的稀缺项不是更多预测，而是数据口径、无未来函数的检验、缺数据时的暂停机制与从决策到行动的责任闸门。节目也讨论了信息定价加快、单一 Alpha 被压缩、错误传播和责任归属等市场后果。

核心洞见、隐秘知识、数据及案例

• 吴浩哲（Vibe-Trading / 香港大学 HKUDS）：项目于 2026 年 4 月 1 日开源；节目播出时口述不到半年已有超过 3 万 GitHub Star、来自 20 多个国家和地区的贡献者。该数字为嘉宾现场口述，原始项目名与部分术语在 ASR 中存在识别误差。
• 吴浩哲（Vibe-Trading）：AI Trading 不是让模型多给“涨跌神谕”或直接替人下单，而是把材料、假设、验证、带边界的执行与复盘连成可审计链路；证据不足时应停在“不能判断”，不能用模糊结论推进交易。
• 吴浩哲（Vibe-Trading）：传统量化在写规则时已预设责任；处理新闻、公告和电话会等非结构化材料的 AI Trading 则持续产生判断，因而需要持续把关的“闸门”。人应决定风险承受、仓位、例外及最终行动，模型可承担大部分研究和证据整理。
• 吴浩哲（Vibe-Trading）：他把好的系统概括为“决策尽可能多且便宜、行动尽量少”；模型能力和独家数据决定想到什么，数据对齐与 harness 决定错误能否在变成行动前被拦住，后两者在交易中更关键。
• 吴浩哲（Vibe-Trading）：数据对齐包括复权、币种/单位、时间粒度和单一数据源降级等口径；节目以弱模型把“一个月”误分配为分钟线、美元数据造成六七个数量级误差为例，均为项目实践口述案例。
• 吴浩哲（Vibe-Trading）：回测必须坚持 point-in-time 原则，不能用公司后来更正的数字评价 2020 年的选股；数据缺失时，系统应明确暂停而不是静默补全后继续回测。
• 吴浩哲（Vibe-Trading）：独家数据本身不等于 Alpha；其主要价值是让命题可被检验。单个因子和通用研报更易被价格消化，剩余机会更可能来自跨数据的对齐、组合和条件约束。
• 吴浩哲（Vibe-Trading）：节目以 2026 年 7 月存储板块为个人实践案例：AI 先区分内存、闪存和机械硬盘受扩产冲击的不同路径，整理财报和历史样本；他在核验链条后仍由人决定在西部数据财报前买入，称研究工作约 80%–90% 由 AI 完成。该案例非投资建议，且结果与时间口径仅来自嘉宾口述。
• 吴浩哲（Vibe-Trading）：随着 AI 加速读财报和信息处理，财报意外被价格消化的时间可能继续缩短；他引用/回忆一篇研究称美国市场自 2006 年起财报后漂移已不明显。该文献、年份和结论未在节目中给出完整出处，不能视为已核验事实。
• 吴浩哲（Vibe-Trading）：AI 可放大虚假消息、共同数据源和相似模型带来的同步错误；多项高置信判断若依赖同一条错误新闻，并不会因概率相乘而变得可靠。模型厂、使用者与交易所之间的责任归属仍是未解问题。
• 吴浩哲（Vibe-Trading）：Jev 等降低推理成本的工具更适合做新闻来源、相关性等高频低后果筛选；在含数学、日期、噪声和对抗信息的交易决策上，仅给概率而不给推理链不足以支撑长期信任。

27. E244｜机器人走错路了？与苏度韩铮聊聊具身智能的3D数据、路径分野与硅谷竞赛

• 原文：sources/xiaoyuzhou/texts/27-E244｜机器人走错路了？与苏度韩铮聊聊具身智能的3D数据、路径分野与硅谷竞赛.md
• 链接：原文链接
• 小宇宙/播客：硅谷101
• 发布时间：2026-07-16T00:00:00.000Z
• 嘉宾与公司：韩铮（苏度科技联合创始人兼 CEO）；泓君（硅谷101 创始人、主持人）。节目多次提及苏昊（苏度科技联合创始人、董事长；ImageNet 核心作者之一），相关经历以节目介绍和韩铮转述为准。

摘要

韩铮以苏度科技的路线说明具身智能的核心瓶颈不只是“会走”，而是能否在未见环境中稳定操作物体。其方案以结构化 3D 数据、物理一致而高并行的仿真、强化学习与真实世界数据结合，训练可解释的底层操作能力，再由开发者把短技能组合成上层应用；这要求仿真器、模型和本体强绑定。节目同时讨论了模仿学习/端到端路线的冷启动限制、零样本抓取的验证标准，以及中国硬件量产、硅谷模型与 DeepMind—波士顿动力组合的不同位置。有关竞品、估值和出货量均为韩铮或主持人现场口述/评论，不作独立事实确认。

核心洞见、隐秘知识、数据及案例

• 韩铮（苏度科技）：对开放世界物体操作，2D 图片/视频可提供部分 3D 信息，但几何精度不足；自动驾驶约 10 厘米误差或可用，插线等操作则需毫米乃至亚毫米级理解。这是其主张自建结构化 3D 数据与 Sim-to-Real 的技术前提。
• 韩铮（苏度科技）：ShapeNet 有数十万 3D 模型，带部件与动力学约束的 PartNet-Mobility 仅不足 3,000 个物体；他据此认为，面向机器人操作的数据既要覆盖物体、部件、材质与动力学，也不能只追求无结构的规模。以上为节目口述的数量级与数据集描述。
• 韩铮（苏度科技）：仿真器不应以视觉逼真为首要目标，而应在一张 GPU 上并行运行大量环境、保留足够的物理一致性；训练时把经典力学、3D 物体/环境和强化学习结合，让机器人在仿真中高效探索。
• 韩铮（苏度科技）：苏度 R1 的连续无剪辑演示在未见物体上完成 240 次抓放，单次成功率“将近 98%”；失败后以闭环调整可达到其口述的 100%。团队还在维也纳会议及 CVPR 展台接受约 1,000 名观众携随机物体测试。均为公司现场展示与嘉宾口述，非独立测评。
• 韩铮（苏度科技）：短技能的开放世界零样本稳定性比堆叠长任务更基础；若抓、拿、拧等底层技能可泛化，才有条件通过规划把它们组成长程任务。该判断并不等于长程任务不需要额外控制与评测。
• 韩铮（苏度科技）：操作物体比运动控制难 2—3 个数量级，因为前者还须理解外部物体的形状、材质、接触和变化；他认为真机遥操、动捕或第一视角视频有助于训练，但单靠这些数据难以覆盖开放环境的泛化。
• 韩铮（苏度科技）：机器人无法像特斯拉汽车那样在大规模部署前持续收集驾驶数据，因此应以分层模型和仿真解决冷启动；预训练阶段需预测物体几何、材质和运动学，部署阶段仍可端到端执行。这是受访公司的技术路线判断，不是行业共识。
• 韩铮（苏度科技）：Sim-to-Real 必须与本体强绑定：仿真需覆盖电机噪声、响应迟滞和个体差异，硬件又需选择可被仿真的构型；只提供通用研究接口不足以保证真实环境中的可靠性。
• 韩铮（苏度科技）：其商业目标不是押注单一垂类，而是提供“硬件 + 底层模型 + 开发工具”，先让约 100—1,000 名开发者试验，将抓取等 3—5 个基础技能组合为应用；他将理想终局类比为 iPhone+iOS 上长出多类应用。该数字和类比均为战略设想。
• 韩铮（苏度科技）：他认为通用操作路线会牺牲一部分短期垂类收入；公司是否能坚持，取决于能否在 12—24 个月看见阶段性技术结果，而不能只靠“继续堆更多数据”这一不确定假设。

28. 李录最新演讲：大变局，真的要来了？

• 原文：sources/wechat_panels/texts/28-李录最新演讲：大变局，真的要来了？.md
• 链接：原文链接
• 公众号/作者：查理看世界
• 发布时间：2026-10-10 23:18:23
• 嘉宾与公司：待深度提炼

摘要

内容来源：李录10月5日在哥伦比亚商学院36届格雷厄姆·多德年度午餐会上的最新交流。 责编 | 柒 10月5日，他在哥伦比亚商学院第36届格雷厄姆·多德年度午餐会上做了一场交流。 所有人都在问同一个问题：AI会不会一路走到“人造神”？ 他的答案很直接：不会。技术未必真能走到那一步；即便走到，人类也不会允许。 他给出一条更明确的红线：AI必须始终有人参与其中。

核心洞见、隐秘知识、数据及案例

• 待深度提炼：已完成原文入库，需在下一轮观点复盘中补充嘉宾归因、数据案例和可输出观点。

主题索引

本索引按跨文章母题组织，不按入库批次追加。每个判断均标注提出者，支撑文章编号可在前端直接跳转到文章卡片。最后复盘：2026-10-06，共 27 篇/期。

快速导航

一、商业化与定价

母题 1：客户购买的是结果，不是 Token 或模型调用

支撑文章： #01#02#06#10#17#21#22#23#24

• 王铭（K2 Lab，01）把 AI 产品价值分成赚钱、省钱和情绪价值，认为“帮人赚钱”最适合结果分成，也更容易跨越中国 To B 工具低付费的问题。
• 任馨怡（未来式智能，02）把 Token 比作原材料，把产品比作做好的菜；于北川（指数引力，02）进一步指出，真正困难的是定义、交付和度量结果。
• 刘昆（橙果视界，06）主张 AI 营销按结果付费，并把定制服务逐步沉淀为 SOP；王威扬（Zenkit，17）则用“并行倍率”衡量 Agent 的业务杠杆，而不是只看 Token 消耗。
• 关典（PatSnap，21）采用年费 SaaS、AI Credit、AI 原生产品和 outcome-based FDE 并行，说明企业 AI 商业模式更可能叠加演进，而不是一次性推翻原有收费。
• Megumi Yoshinaga（Plaud，21）以约 200 美元硬件换取数百至上千小时节省，说明高价值用户愿意为清晰的时间 ROI 付费。
• 毛华（2nd brain / CCMET，22）和 Tony Sun（FOSHO，22）都不把软件订阅当作核心，而是分别按财务交付结果与营销结果收费；这说明服务型 Agent 的商业化可以直接围绕结果组织。
• Jim Lim（59st Ventures，23）用“200 新币软件 vs 10000 新币 Agent”的兽医诊所案例说明，Agent 的高单价前提不是更酷的技术，而是真正替代人力并即时呈现 ROI。
• 梁文锋（DeepSeek，24）把 C 端、B 端和 API 收入都视为 AGI 主线的副产品，主张只赚“合理利润”；在他那里，开源、低价与商业克制不是慈善，而是提高做成 AGI 概率的长期策略。

母题 2：企业 Agent 的成本问题必须同时看价值与可预算性

支撑文章： #02#04#17#21#24

• 李韶辉（快决测，02）认为，每人每月约 200 美元 Token 只要能节省 10% 人力就具备 ROI；这是从价值侧判断成本。
• 王毅鹏（爱客易智能，04）把办公产品从固定订阅转向 Token 消耗，代表用量计费的探索。
• Lusha Chen（Dify，21）指出企业 Agent 每次运行的步骤和工具调用不确定，Token 可能变成预算风险；Jennifer Chen（Muse AI/特赞，21）因此采用模块订阅加 Token usage，兼顾确定性和用量。
• 梁文锋（DeepSeek，24）把 API 定价锚定在“10 个月回本”，并明确表示继续降价对需求弹性帮助有限；这说明在基础模型层，成本治理既是商业问题，也是算力与组织配置问题。
• 综合判断：02、17 所说的“Token 不是核心问题”与 21、24 所说的“Token/算力必须被预算化和效率化”并不矛盾。前者讨论价值创造，后者讨论成本可预测、审计和资源配置。

二、产品场景与 Agent 落地

母题 3：企业真正需要的是可控工作流，而不是最大程度自治

支撑文章： #03#08#17#20#21#23#26

• Howard（COCO AI，03）认为 Agent 管理的核心是给足上下文、设标准和验收；Dr. Chris Yang（爱莫科技，03）强调物理世界错误成本更高，必须加强驾驭工程。
• 赵宇（科舸物联，08）和胡鲁辉（AI 星球，08）都把垂直 AI 的难点放在行业流程和结果交付，而非通用问答能力。
• 孙雪峰（小水智能，17）通过“蜂王、蜂后、小蜜蜂”分层管理安全、权限和任务，说明企业 Agent 需要治理架构。
• 宋健（Nodesk.ai，20）区分 AI First 与 AI All in；Jolie Li（Emerging AI，21）在金融场景中把 Human in the loop 嵌入决策流程。
• 文章作者综合（21）认为，Workflow 不是低级 Agent；在企业中，能在正确时间把控制权交还给人，比追求 100% 自动化更重要。
• Jim Lim（59st Ventures，23）把“如果 Agent 明天消失，谁会哭”作为 PMF 判断标准；Jeffrey Paine（Golden Gate Ventures，23）则把工作流嵌入深度视为迁移成本和定价权的来源。
• 吴浩哲（Vibe-Trading，26）把金融场景的核心从“生成更多判断”转为“为昂贵行动设置可验证、可审计的闸门”：模型可以生成研究和假设，人仍须定义风险、仓位、例外和最终下单；数据不足时应停在不能判断。

母题 4：FDE 的价值取决于能否把非标交付变成产品资产

支撑文章： #06#17#20#21

• 刘昆（橙果视界，06）把 FTE/FDE 理解为驻场共创，但前提是将客户服务沉淀为可复制 SOP。
• 孙雪峰（小水智能，17）认为大厂不愿承担单个客户的驻场、教学和私有化交付，这给小团队留下最后一公里机会。
• 宋健（Nodesk.ai，20）认为单一 API 无法处理企业特定流程，FDE 必然存在；吴畏（非凡产研，20）提出反面约束：如果交付后只留下项目文档，FDE 只是换名外包。
• 关典（PatSnap，21）探索 outcome-based FDE，让团队先进入客户几十年形成的研发流程，再按效果收费，降低客户决策门槛。
• 综合判断：FDE 不是天然先进或落后。判断标准是复用率、毛利、交付周期，以及项目经验是否回流为平台、数据和行业 Agent。

母题 5：垂直 AI 的护城河是上下文、数据闭环与最后一公里

支撑文章： #06#08#12#15#17#18#20#21#23#24

• Phil（Canlah.AI，06）认为初创公司没有静态壁垒，只有持续远离大厂射程、积累私有数据和行业 know-how 的动态壁垒。
• 李守国（贝塔数据，03）与赵宇（科舸物联，08）的案例都表明，大 B 落地依赖内部教练、流程知识和责任链，这些不是通用模型直接提供的。
• Jennifer Chen（Muse AI/特赞，21）把多年 DAM 数据、上下文系统和编排层组合成多 Agent 底座；关典（PatSnap，21）则在 18,000 多家企业客户和知识产权数据上叠加 AI。
• Warren Li（Google Cloud，18）指出，大厂不会优先覆盖所有 last mile，5 亿到 10 亿美元的细分市场也足以养活高利润创业公司。
• 沈扬（企域数科，15）在汽车经销商新媒体全流程中持续做平台算法适配和 A/B 测试，体现垂直产品的反馈闭环。
• 赵奕靓（Openspace Capital，23）明确把护城河定义为数据、模型和用户反馈构成的 data flywheel，而不是静态“专有数据”声明；Arun Pai（Monk's Hill Ventures，23）则把独特洞察视为说服投资人的必要前提。
• 梁文锋（DeepSeek，24）把前沿模型公司的长期差距归结为成本、时间和用户体验；其中成本效率、编译器与部署能力决定了开源能否真正转化为竞争优势。

三、组织、人才与工作方式

母题 6：AI 降低原型门槛，却提高生产级人才门槛

支撑文章： #03#04#09#10#18#20#23

• Warren Li（Google Cloud，18）认为，逻辑清晰的人现在可以直接用 AI 做原型，减少产品经理和技术团队之间的转译损耗。
• 韩东君（牛马军师，04）和宋健（Nodesk.ai，20）都强调，Demo 不等于生产系统；工程、产品判断、监管和后果责任仍需要专业经验。
• 夏东明（美国谷歌，09）与 Richard（Kuse，10）认为 OPC 更适合高复合能力者；宋健（Nodesk.ai，20）进一步把管理 Agent 的上限归因于提问、品位、架构和体能。
• 吴畏（非凡产研，20）提出，真正的品位必须能被拆解成具体判断，而不是无法解释的“感觉”。
• Manasi Shah（Accel，23）把创始人的痴迷程度、速度和对前 0.1% 标准的理解列为首要判断，说明底层能力商品化后，生产级人才门槛会继续抬高。
• 综合判断：“AI 降低创业门槛”和“AI 让人才分层更残酷”同时成立：从想法到原型更容易，从原型到可负责的产品更难。

母题 7：AI 原生组织不是无人组织，而是更短链路的责任网络

支撑文章： #01#04#09#10#16#19#20#24

• 王铭（K2 Lab，01）让非技术岗位自建内部系统，体现员工从需求提出者变成系统构建者。
• 蒋先福（魔联科技，04）用 12 人完成过去 30 多人的工作；侯昊（思珂特教育，16）则用 AI 黑客松和能力图谱发现科层制下不可见的人才。
• 侯昊（思珂特教育，16）认为 CEO 可通过 Dashboard 直接连接组织节点；这会削弱纯信息汇总型中层，但不会消除承担判断和责任的管理者。
• 姚顺宇（Google DeepMind，19）指出前沿模型研发已经进入集体系统工程阶段；这限制了“一人公司能覆盖所有 AI 工作”的泛化叙事。
• 宋健（Nodesk.ai，20）认为 MVP 前一人可以串联多个 Agent，但 PMF 后仍需要团队裂变和规模化。
• 梁文锋（DeepSeek，24）把团队稳定性视为唯一核心利益，并采用“正式项目不超过一半时间、另一半自由探索”的双线组织；这说明 AI 原生研究组织仍需主动设计责任边界与探索空间。
• 梁文锋（DeepSeek，24）也承认随着人数扩张，部分部门必须建立更严谨的层级结构；“没有组织”只能解释早期效率，不能替代后续治理。

四、出海与区域市场

母题 8：AI 出海的壁垒在本地信任、履约与制度环境

支撑文章： #01#05#06#07#11#12#13#14#18#21#22#23

• 王铭（K2 Lab，01）指出美国人力贵，Agent ROI 更清晰；东南亚人力便宜时，AI 未必比雇人经济。
• 白天圣（13）与多位跨境服务商（11、12、14）共同指出，AI 可降低内容、匹配和运营成本，但无法自动解决物流、支付、赖账、达人履约和本地渠道。
• Warren Li（Google Cloud，18）区分日本 ToB 付费与背书、韩国小市场、东南亚低付费和客户集中等结构差异。
• 关典（PatSnap，21）认为不同市场建立信任的路径不同：美国重创新，欧盟重合规和数据位置，日本重长期关系。
• Megumi Yoshinaga（Plaud，21）提出 PHEST 框架，在政治、经济、社会、技术之外加入历史；Jolie Li（Emerging AI，21）和 Jennifer Chen（Muse AI/特赞，21）分别用季节文化与行业法规说明“翻译界面”远远不够。
• Tony Sun（FOSHO，22）把真全球化拆成产品、品牌和渠道三层本地化；毛华（2nd brain，22）则用飞书/Lark 隔离案例说明，B 端国际化经常先败在数据边界与制度摩擦，而不是语言。
• 李一楠（BetaAI，22）主张先去不同市场各撞出前十个客户，再判断加注方向；Jeffrey Paine（Golden Gate Ventures，23）则要求公司从 Day 1 就按目标市场组织资源。两者都在反对“先待在舒适区，等准备好再全球化”的思路。

母题 9：硅谷优势是资本、人才、技术信息与制度的组合密度

支撑文章： #18#20#21#22#23

• Warren Li（Google Cloud，18）把美国优势归因于长期资本、法律保护、并购退出、早期资金来源和更强的 impact 动机。
• 宋健（Nodesk.ai，20）把硅谷优势拆成前沿信息密度、人才流动、风投资金和创业氛围，并观察到 AI Lab 与初创团队都进入高强度迭代。
• 新加坡 Panel（21）显示，新加坡更像亚洲全球化业务、企业服务和区域总部的接口，而不是单一内需市场；不同东盟国家仍需要独立的本地化和合规策略。
• 杨通（Agnes AI，22）认为 2026 年 AI adoption 速度与主流影响力仍主要由中国和美国定义；如果只在东南亚成功，仍可能被主流市场视为“不具竞争力”。
• Jeffrey Paine（Golden Gate Ventures，23）则强调，新加坡市场太小，团队必须主动弥补与美国头部客户、投资人与人才网络的知识差距；区域接口地位不应被误解成终局市场。
• 综合判断：不能把“硅谷优势”简化成模型领先，也不能把“东南亚机会”理解为一个统一市场。生态密度与市场付费、法规和渠道需要分开判断。

五、AI 硬件与内容产业

母题 10：AI 硬件长期价值来自入口、信任、体验与订阅

支撑文章： #05#07#14#15#17#21

• 段然（星穹方舟，05）认为硬件只是入口，持续收入来自模型接口、AI 能力和软件订阅；晁光（一思，05）强调硬件必须嵌入高频反馈和进阶体系。
• 詹琦（澄觉智能，14）与孙雪峰（小水智能，17）分别展示了消费电子供应链和 AI 中台结合的机会，但也说明硬件出货量不自动等于 AI 能力。
• Megumi Yoshinaga（Plaud，21）把可穿戴录音硬件定义为对话数据入口，并用“随时可用、并非持续录音”处理隐私信任。
• 综合判断：05、07 的“硬件获客、订阅赚钱”仍有效，但 21 补充了更重要的一层：硬件形态本身可以成为交互、信任和上下文采集机制，而不只是获客载体。

母题 11：AI 内容工业化的瓶颈已从生成转向稳定差异化

支撑文章： #06#11#14#15#20

• Phil（Canlah.AI，06）和王俊（极速引擎，15）都认为通用模型输出容易靠近平均审美，商业内容仍需要品牌私有数据和特定人群判断。
• 沈扬（企域数科，15）通过海量低成本 A/B 测试适配平台算法；罗辉（云希谷，15）把当前阶段定义为“有电、有机床，但流水线尚未成熟”。
• 吴畏（非凡产研，20）把品位进一步拆成信息层级、场景、风险和长期价值判断，说明审美需要被操作化，才能进入 AI 工作流。
• 综合判断：内容成本下降并不自动提升内容资产价值，反而会放大同质化、垃圾供给和人工质检压力。

六、前沿模型与技术趋势

母题 12：前沿模型竞争是研究、算力与高质量训练数据系统竞争

支撑文章： #19#24#25

• 姚顺宇（Google DeepMind，前 Anthropic，19）认为 Claude 3.7 等模型突破依赖基础设施、环境、数据、采样、训练器和反馈信号的耦合，孤立技术 tips 脱离系统没有意义。
• 姚顺宇（19）判断公开 benchmark 趋近饱和，竞争会转向行为定义、长任务、工具使用和真实体验。
• 姚顺宇（19）把 ML coding 视为 AI 帮助训练 AI 的关键方向，并预计 AI 逐步完成研究实验闭环。
• 姚顺宇（19）强调个人英雄主义时代结束，人才真正稀缺的特质是可靠、细致、能负责并嵌入大型协作系统。
• 梁文锋（DeepSeek，24）将 CoT、Agent、持续学习、自我迭代与具身智能串成一条连续路线，认为当下最关键瓶颈是持续学习，而不是视频生成或广义世界模型。
• 梁文锋（DeepSeek，24）认为中国与美国当前最大差距是算力资源，不是智力天赋；DeepSeek 当前约 2 万张 H 等效算力，而训练同量级模型可能需约 5 万张 GB300 或约 20 万张华为卡。
• 梁文锋（DeepSeek，24）把 TileLang 等高层编译技术视为瓦解 CUDA 护城河、拉动国产卡生态的关键支点，说明前沿模型竞争也是编译、集群和成本工程竞争。
• 何允中（Scale AI，25）补充：后训练竞争正在由静态答案走向包含任务、工具、沙盒和多种验证方式的 RL 环境；数据供给能力本身已成为研究系统的一部分。
• 孙一铀（UC Berkeley / ALE，25）指出，评测应衡量尚未解决、具有经济价值的长程任务，不能把评测集直接出售为训练数据；否则训练污染会破坏外部比较与能力判断。
• 综合判断：25 将 19、24 中“环境、数据、训练器、算力”的系统性拆到供应链层。高质量数据的护城河不是一批静态样本，而是合规取得行业原料、构造可验证任务、处理专家激励并持续迭代的能力。

冲突与边界清单

时效与引用规则

• 02、04、09、10、17、19、20 中涉及模型能力、Token 价格和 Agent 工具成熟度的判断变化最快，对外引用应同时标注文章日期。
• 05、07、14、21 中 Plaud 的营收、销量和区域收入使用了不同时间点与统计口径，不能直接相加或视为同一指标。
• 18、21、22、23 中涉及市场选择、区域信任、法规与渠道的判断都强依赖具体时间和地区，不应脱离原语境泛化成“出海通用规律”。
• 24 为用户主动输入的投资者交流会 ASR 转录稿，未逐句标注提问者身份，且文中卡量、定价、营收、硬件性能数字均属现场口述材料，对外引用前应回原稿逐项复核。
• 25 为播客 ASR 转录稿，术语、人名和口述数字可能有识别误差；ALE 覆盖数、游戏源码报价等均保留为嘉宾口述，不应外推为审计或行业平均口径。
• 27 为播客 ASR 转录稿；苏度 R1 成功率、会议测试人数、竞品出货和估值均来自节目现场介绍或韩铮评论，对外引用应标明口述/展示来源，不能替代独立基准测试或公司公告。
• 文章中的市场规模、工时、公司收入和客户数量主要来自嘉宾现场陈述或作者转述，属于一手口述材料，不等同于审计数据。
• “文章作者综合”与嘉宾原话严格区分；跨文章母题是知识库复盘结论，不应反向归因给某一位嘉宾。

七、具身智能与物理世界 AI

母题 13：通用操作的瓶颈是物理数据、仿真和本体的共同闭环，而非只增加演示数据

支撑文章： #27

• 韩铮（苏度科技，27）区分“会动”和“会操作”：机器人操控外部物体需要理解几何、材质、接触及变化，他认为难度比只控制自身运动高 2—3 个数量级。
• 韩铮（苏度科技，27）认为互联网图片、视频和真机遥操数据无法天然补齐亚毫米级几何和动力学约束；因此需把结构化 3D 数据、物理一致的高并行仿真、强化学习与真实世界数据组合，而非把任意视频量直接视为操作能力。
• 韩铮（苏度科技，27）将可泛化的短操作视为长程任务的地基：上层负责理解环境、分解任务与规划，底层负责抓取、开门、拧盖等可验证技能。该上下分层为其团队主张，不能反推为行业已收敛方案。
• 韩铮（苏度科技，27）强调 Sim-to-Real 与硬件选型强绑定；仿真必须处理构型、电机噪声和个体差异，才可能把训练结果带到真机。这意味着机器人平台的可迁移性不能只以 API 是否通用判断。
• 综合判断：在具身智能中，数据规模仍重要，但“可用数据”还要满足物理精度、对象结构和可验证操作三项条件。展示一段长任务不等于证明开放环境泛化，应单列未见物体、环境变化、连续性与失败恢复的口径。

待复盘新文章

• 28. 李录最新演讲：大变局，真的要来了？：已入库，等待并入主题索引、数据案例索引和观点池。

数据与案例索引

本索引用于写报告、文章和演讲时快速找证据。每条均保留提出者和所属文章；口述数据不等同于审计数据，对外引用前应回到文章卡片和原文核对日期、口径与语境。最后复盘：2026-10-06。

商业化与定价

产品、PMF 与工作流

组织与效率

AI 硬件

内容、营销与跨境电商

垂直 AI 与企业服务

具身智能与物理世界

出海市场与生态

前沿模型与技术趋势

口径冲突提示

可输出观点池

每条观点均由多篇材料合并形成，包含支撑、边界与可用场景。支撑文章编号可回到文章卡片；跨文章结论属于知识库复盘，不应直接归因给单一嘉宾。最后复盘：2026-10-06。

观点 1：AI 商业化正在从卖软件转向卖可度量结果，但收入模型会长期混合存在

支撑文章： #01#02#06#10#17#21#22#23#24

可用论据：

• 王铭（K2 Lab，01）认为“帮人赚钱”最容易形成结果分成；任馨怡（未来式智能，02）把 Token 比作原材料，客户购买的是加工后的结果。
• 于北川（指数引力，02）指出，按结果付费真正难在定义、交付和度量结果；刘昆（橙果视界，06）则要求把定制营销沉淀成 SOP。
• 关典（PatSnap，21）并没有抛弃 SaaS，而是同时使用年费、AI Credit、AI 原生产品和 outcome-based FDE，说明“结果付费取代订阅”不是唯一演化路径。
• Megumi Yoshinaga（Plaud，21）用高价值用户节省的时间证明 ROI，展示硬件、订阅和结果价值可以叠加。
• 毛华（2nd brain / CCMET，22）和 Tony Sun（FOSHO，22）分别把财税与营销包装为结果服务，说明不少 Agent 商业模式会直接把软件层藏在交付之后。
• Jim Lim（59st Ventures，23）用“200 新币软件 vs 10000 新币 Agent”提醒创业者：高单价要建立在替岗和结果兑现上，而不是建立在 Agent 这个标签上。
• 梁文锋（DeepSeek，24）把 C 端、B 端和 API 收入都视为 AGI 主线的副产品，主张只赚“合理利润”；在他那里，开源、低价与克制不是慈善，而是提高成功概率的商业策略。

边界：Token 成本不是价值判断的中心，但在企业端仍需解决预算可预测、审计和责任问题；前沿模型厂商式的“低价+开源”建立在足够强的成本效率和融资能力之上，不能机械复制到所有应用团队。

适合场景：AI 应用商业化报告、To B 定价分析、Agent 创业选题。

观点 2：企业 AI 的成熟标志不是更自治，而是更懂得何时进入和退出工作流

支撑文章： #03#08#17#20#21#23#26

可用论据：

• Howard（COCO AI，03）把 Agent 管理归纳为上下文、标准和验收；Dr. Chris Yang（爱莫科技，03）强调实体场景错误代价更高。
• 孙雪峰（小水智能，17）用分层 Agent 管理安全、权限和任务，说明治理能力本身就是产品能力。
• 宋健（Nodesk.ai，20）区分 AI First 与 AI All in；Jolie Li（Emerging AI，21）在金融决策中保留 Human in the loop。
• 文章作者综合（21）认为 Workflow 不是低级 Agent；高确定性、可控性和在正确时刻交还给人，比 100% 自动化更重要。
• Jim Lim（59st Ventures，23）把“如果 Agent 明天消失，谁会最先注意到”作为好奇心与依赖性的分界；Jeffrey Paine（Golden Gate Ventures，23）进一步把工作流嵌入深度视作迁移成本和定价权来源。
• 吴浩哲（Vibe-Trading，26）将 AI Trading 定义为在便宜判断与昂贵行动之间建立可验证、可审计的通道：模型可整理材料和假设，人应保留风险、仓位和最终下单的决定权；数据缺失时应明确停止，而不是编造结论。

边界：低风险、可回滚、可批量验证的任务可以提高自治；高风险或物理世界任务应提高人工介入和审计强度。金融交易还涉及不可撤销损失、未来函数和共源信息误导，不能把模型的概率输出直接当成下单依据。

适合场景：企业 Agent 产品设计、AI 治理、金融与实体行业落地。

观点 3：垂直 AI 的护城河不是功能，而是把非标现场持续压缩成可复用产品

支撑文章： #06#08#12#15#17#18#20#21#23

可用论据：

• Phil（Canlah.AI，06）认为初创公司只有动态壁垒：私有数据、行业 know-how 和持续远离大厂射程。
• Warren Li（Google Cloud，18）指出大厂不会优先覆盖所有 last mile，细分市场也足以养活高利润公司。
• 吴畏（非凡产研，20）给 FDE 设定了清晰判据：项目结束后留下可迁移能力，才是产品进化；只留下项目文档，就是外包。
• Jennifer Chen（Muse AI/特赞，21）和关典（PatSnap，21）分别展示了 DAM/上下文系统和知识产权数据如何成为 Agent 底座。
• 赵奕靓（Openspace Capital，23）把 moat 定义为 data flywheel 而非“我有专有数据”；Arun Pai（Monk's Hill Ventures，23）则要求创始人拿出能制造“Aha moment”的独特洞察。

边界：贴近客户不自动形成护城河；如果复用率低、交付周期长、毛利持续被人力吞噬，所谓行业深度可能只是项目制负担。

适合场景：垂直 AI 投资判断、FDE 商业模式分析、大厂与创业公司竞争研究。

观点 4：AI 降低的是原型门槛，提高的是生产级判断和责任门槛

支撑文章： #04#09#10#18#20#23

可用论据：

• Warren Li（Google Cloud，18）认为逻辑清晰的人可以直接用 AI 做原型，产品与技术之间的转译成本下降。
• 韩东君（牛马军师，04）和宋健（Nodesk.ai，20）都强调 Demo 与工程产品之间仍隔着经验、架构、监管和后果责任。
• 夏东明（美国谷歌，09）、Richard（Kuse，10）和宋健（20）都把超级个体限定为具备复合能力、判断框架和高带宽的人。
• 吴畏（非凡产研，20）提出，无法拆解成具体标准的“品位”会被 AI 淹没；可解释的判断力才会被 AI 放大。
• Manasi Shah（Accel，23）把痴迷、速度、品位和对前 0.1% 标准的理解放在一起，说明原型民主化后，真正稀缺的是更高强度的判断与执行。

边界：不能把“人人能做原型”外推成“人人能经营产品或公司”。

适合场景：未来工作方式、AI 人才标准、创业教育与组织培训。

观点 5：AI 原生组织不是无人公司，而是更短链路、更高透明度的责任网络

支撑文章： #01#04#09#10#16#19#20#24

可用论据：

• 王铭（K2 Lab，01）让员工自建内部系统，蒋先福（魔联科技，04）用更小团队完成过去的大项目，说明执行链路正在缩短。
• 侯昊（思珂特教育，16）用 Dashboard 和能力图谱让 CEO 直接看到组织节点，纯信息中转型中层价值下降。
• 姚顺宇（Google DeepMind，19）强调前沿模型已是集体系统工程，说明个人杠杆与组织协作并不矛盾。
• 宋健（Nodesk.ai，20）把一人多 Agent 限定在 MVP 阶段，PMF 后仍需要团队裂变和规模化。
• 梁文锋（DeepSeek，24）把团队稳定性定义为唯一核心利益，并用“双线制”保证正式项目不吞掉全部研究时间；这说明 AI 原生组织不是没人管，而是把正式任务和自由探索同时制度化。

边界：组织人数减少不等于责任消失；方向、验收、风险和跨职能协作会集中到更少的人身上。

适合场景：AI 原生组织研究、中层管理转型、创业团队设计。

观点 6：AI 出海真正的壁垒在地上，全球化的最小单位不是国家而是信任机制

支撑文章： #01#05#06#07#11#12#13#14#18#21#22#23

可用论据：

• 白天圣（13）和跨境服务商（11、12、14）指出，AI 可降低内容与匹配成本，却无法自动解决物流、支付、赖账和达人履约。
• Warren Li（Google Cloud，18）用日本、韩国、印度和东南亚说明，付费能力、采购关系和市场体量决定机会结构。
• 关典（PatSnap，21）把美国、欧盟和日本的信任分别概括为创新、合规和长期关系；Megumi Yoshinaga（Plaud，21）用 PHEST 加入历史维度。
• Jolie Li（Emerging AI，21）和 Jennifer Chen（Muse AI/特赞，21）分别用季节文化和行业法规说明，本地化不是翻译界面。
• Tony Sun（FOSHO，22）把真全球化拆成产品、品牌和渠道三层本地化；毛华（2nd brain，22）则说明 B 端出海常常先卡在数据隔离、制度差异和本地信任，而不是卡在语言。
• 李一楠（BetaAI，22）主张先去不同市场撞出前十个客户，再判断哪里值得加注；Jeffrey Paine（Golden Gate Ventures，23）则要求从 Day 1 就按终局市场配置组织和认知，两者共同反对“先在舒适区做稳再出海”。

边界：同一地区内部差异可能大于地区之间差异，不能把“东南亚”“欧美”作为单一市场使用。

适合场景：中国 AI 出海、区域市场选择、跨境产品 GTM。

观点 7：AI 硬件不是简单的“硬件获客、订阅赚钱”，而是交互与信任的物理接口

支撑文章： #05#07#14#15#17#21

可用论据：

• 段然（星穹方舟，05）认为持续收入来自模型和订阅，晁光（一思，05）强调硬件必须嵌入高频反馈和进阶体系。
• 孙雪峰（小水智能，17）展示传统消费电子出货与 AI 中台结合的机会，但也说明供应链公司普遍缺乏 AI 工程能力。
• Megumi Yoshinaga（Plaud，21）把硬件定义为对话数据入口，并用“随时可用、并非持续录音”建立隐私信任。
• Plaud 案例（05、07、21）同时呈现全球销量、年化收入和区域预计收入，但必须区分时间、区域与统计口径。

边界：没有高频场景和持续价值的硬件，订阅不会自然发生；高毛利也不能替代留存和信任。

适合场景：AI 硬件赛道分析、可穿戴产品策略、硬件订阅模型。

观点 8：生成成本下降后，内容公司的核心资产从产能转向审美标准与反馈闭环

支撑文章： #06#11#14#15#20

可用论据：

• Phil（Canlah.AI，06）与王俊（极速引擎，15）都认为通用模型容易产生平均审美，商业内容需要私有数据和特定人群判断。
• 沈扬（企域数科，15）通过低成本海量 A/B 测试适配平台算法；罗辉（云希谷，15）认为当前只有“电和机床”，尚未形成稳定流水线。
• 吴畏（非凡产研，20）把品位拆解成信息层级、用户心智、风险和长期价值，使审美从个人直觉变成可进入工作流的标准。

边界：低成本内容可能增加垃圾供给、同质化和质检成本，不能把单位生成成本下降等同于内容资产升值。

适合场景：AI 内容平台、短剧工业化、品牌内容组织能力。

观点 9：硅谷领先的不是单点技术，而是资本、人才、信息和制度的组合密度

支撑文章： #18#20#21#22#23

可用论据：

• Warren Li（Google Cloud，18）把美国优势归因于长期资本、容错、法律保护、并购退出和早期资金循环。
• 宋健（Nodesk.ai，20）把硅谷优势拆为前沿信息密度、人才流动、风投资金和创业氛围，并观察到 AI 团队高强度迭代。
• 新加坡 Panel（21）说明新加坡是亚洲企业服务与全球化业务的重要接口，但东盟各国仍需独立处理文化、法规和付费结构。
• 杨通（Agnes AI，22）认为今年 AI adoption 最快、最影响主流认知的仍是中国和美国；只在东南亚成功，并不足以证明你进入了主流竞争格局。
• Jeffrey Paine（Golden Gate Ventures，23）强调团队必须主动弥补与美国头部客户、投资人与人才网络的知识差距，这说明区域接口价值和全球能力中心不能混为一谈。

边界：生态优势不意味着所有硅谷项目都更好，也不意味着中国团队只能复制；应用层场景探索的差距可能小于基础研究和资本时间尺度差距。

适合场景：中美 AI 生态比较、区域创新中心研究、出海总部选择。

观点 10：前沿模型竞争已经从天才竞赛转向研究系统与算力系统竞赛

支撑文章： #19#24#25

可用论据：

• 姚顺宇（Google DeepMind，前 Anthropic，19）认为模型突破依赖基础设施、环境、数据、采样、训练器和反馈信号的整体耦合。
• 姚顺宇（19）指出公开 benchmark 趋近饱和，未来差异更多来自行为定义、长任务、工具使用和真实体验。
• 姚顺宇（19）把 ML coding 视为 AI 帮助训练 AI 的关键方向，预计 AI 将逐步完成研究实验闭环。
• 姚顺宇（19）强调个人英雄主义时代结束，可靠、细致、能负责并嵌入大型协作系统，比被神话的“聪明”更重要。
• 梁文锋（DeepSeek，24）把 CoT、Agent、持续学习、自我迭代和具身智能串成一条主线，认为眼下最关键的不是“多做几个炫技产品”，而是解决持续学习和训练效率。
• 梁文锋（DeepSeek，24）把中美差距直接归因为资源，并用约 2 万张 H 等效算力、5 万张 GB300 / 20 万张华为卡等口径说明，前沿竞争也是集群、编译器和资本效率的竞争。
• 梁文锋（DeepSeek，24）把 TileLang 和国产卡生态视为重要突破口，说明研究系统的边界已经延伸到编译、部署和基础设施工程。
• 何允中（Scale AI，25）把后训练数据拆成采购、加工、环境构造、验证和训练 recipe；在他看来，私有工作流、版权和专家激励决定了数据能否进入研究系统，而不是“有多少文本”本身。
• 孙一铀（UC Berkeley / ALE，25）强调评测面向未来能力、数据面向当下训练，二者需要隔离；若把评测集直接出售，会同时损害评测权威性与模型泛化判断。

边界：这是前沿基础模型研发的组织判断；24、25 均含 ASR 转录和嘉宾口述数字，需回原稿逐项复核，不能直接套用到所有小型应用创业团队。

适合场景：基础模型竞争、AI 研究自动化、前沿人才与组织研究。

观点 11：具身智能的关键不是让机器人“看过更多视频”，而是建立可验证的物理操作闭环

支撑文章： #27

可用论据：

• 韩铮（苏度科技，27）指出，物体操作比只做运动控制多出几何、材质、接触与状态变化，因此难度可高 2—3 个数量级；插线等任务要求毫米甚至亚毫米精度，不能把导航所需的约 10 厘米精度直接外推。
• 他把结构化 3D 数据、物理一致且高并行的仿真、强化学习、真实数据和本体设计一起视为 Sim-to-Real 的条件；这把“数据多”改写为“数据和物理假设可被训练、验证和部署”。
• 苏度 R1 的 240 次未见物体抓放、近 98% 单次成功率及会议随机物体测试，提供了一种更可审查的展示口径：未见对象、连续运行、环境变化和失败恢复应同时交代，而非只看一段剪辑后的长任务。以上结果均为公司展示和嘉宾口述。
• 韩铮将上层环境理解与任务规划、底层可验证操作技能分层；若底层技能不稳定，长任务的连贯叙事并不证明真实世界可部署。

边界：27 只代表一家公司的技术路线和自行展示，尚不能证明分层仿真优于端到端/模仿学习，也不能由抓放成功率推出拧盖、装配或长期自主运行能力。评估时仍应检查对象与环境是否真正未见、硬件成本、维护频率、任务成功的完整口径和独立复测。

适合场景：具身智能技术路线比较、机器人 Demo 尽调、物理世界 AI 数据战略。

我的收藏与笔记

选中文章、主题、案例或观点里的文字，可以划线收藏并添加备注。这里会按来源文章自动分组，后续内容增加后更适合长期沉淀。