AI行业发展趋势与共识演变 - 2023年，中美投资共识是集中投资大模型公司，如OpenAI和Anthropic，这些公司拿走了行业大部分利润[3] - 2023年普遍认为AI应用只是“套壳”，价值不大[3] - 2024至2025年，判断发生变化，应用层公司如Cursor、Perplexity逐渐建立起自己的特色和护城河[4] - 最近两年AI Agent概念火热，但落地困难，核心问题是稳定性不足[5] - 行业叙事从讲AI Agent故事转向更强调企业化落地，创业者整体变得更务实[6] 模型与应用的未来方向 - 在模型侧，Scaling Law被认为已经走到终点[7] - 提升模型性能的途径转向使用医疗、生物等细分领域数据进行微调[7] - 在应用层面，机会依然很大，硅谷看到的大多数机会集中在ToB领域[8] - ToB场景中普遍存在产品准确性不够稳定、反而增加人工核查成本的问题，这意味着巨大的改进空间[8][9] - ToG是另一个重要机会，美国很多政府软件落伍，但前提是AI产品必须做到稳定性万无一失[10] - 大多数应用公司，尤其是早期公司，没有必要走用自己数据训练模型的道路，因为成本高且大模型迭代快，微调的优势可能迅速消失[72][74] - 真正有能力自训模型的应用公司需同时具备大体量独家专有数据和非常强的技术团队[73] - 大部分应用公司，尤其是coding等与模型关系密切的方向，容易被模型公司直接吃掉；但更细分的赛道如AI法律、AI金融，给创业者留下了空间[75] 中美市场与创投生态差异 - 美国AI创投几乎都集中在ToB和ToG，甚至有美国投资人表示看不懂ToC，这与国内形成反差[10] - 差异根源在于市场性质：中国是高度统一的大市场，用户需求集中；美国是极度多元的社会，难以形成“一个产品吃下大盘”的TAM[10] - 美国企业付费意愿更强，更愿意为“软件”付费，而中国企业更习惯为“服务”付费[11] - 美国人工成本高，软件直接替代人力的付费动机明确；中国许多企业倾向用人力、外包或服务解决问题，压缩了纯软件的定价空间[11] - 美国的小费文化使其对小额高频付费更习惯，每月20美金的订阅费更容易被接受[11] - 对于Prosumer产品，在中国通常划为ToC（用户自掏腰包），在美国则划为ToB（常由公司采购）[12][13] - 在美国，Prosumer产品走向ToB是最优解，因为B端用户支付意愿和粘性非常强[17] - 美国的ToB应用，包括开发者工具公司，退出路径明确，容易被微软、谷歌等大公司或中型公司收购[23] - 相比之下，ToC公司很难被收购，因为C端用户画像差异太大，多独立存在[23] 美国投资逻辑与估值体系 - 投资人会担心公司前两三个大客户占收入60%–70%的情况，这可能说明公司尚未找到真正的产品市场契合[18][19] - 大量定制化服务在美国投资人眼中是一个很大的忌讳[20] - 到A、B轮之后，大客户占收入30%–40%被认为是更合理的状态[21] - 天使轮估值常见为1000万美金，贵的能到2000万美金[41] - 种子轮第一轮估值在2000万到2500万美金之间，YC背景的公司可能达到3000万甚至4000万美金[41] - 背景特别好的公司，可能什么都还没有，估值就能达到1至2亿美金[41] - A轮估值基本都在1亿美金以上，门槛已提高到需达到300-500万美金ARR才能融到较好的A轮[41] - AI公司不应沿用传统SaaS的估值方式（ARR乘以20或30），其倍数应该更低，因为每多提供一份服务都会产生额外的Token成本[42][43] - 很多头部AI公司如Cursor和Perplexity的估值被认为是偏高的，投资人忽视了其结构性问题[44] 创业者画像与融资实践 - 美国发展最好的100家AI公司创始人最常见年龄是26、27岁，中位数在28-29岁，大约10%–15%的创始人在18-25岁之间[33] - 最流行的创始人画像是二十七八岁、从大厂出来有很强技术背景的人，或学术能力强有博士学历的人（后者更适合做CTO），以及有过成功经验的连续创业者[37][38] - 硅谷也存在年龄歧视，35岁以上且无很大成绩的创业者再创业会面临更多质疑[39] - 美国融资流程：第一步是调整或承诺调整为Delaware公司架构[45]；第二步是建议先在硅谷居住1-2个月融入当地生态，避免使用FA（可能扣分）[46]；第三步是约见投资人，首次会议通常只有30分钟，需简洁清晰[47]；后续会议会深入讨论细节并审查资料[48][49]；整个流程在目标基金内大约需要两周，见创始人3-4次[53] - 给创始人的建议：找准第一个接触的、能独立做决定的投资人作为内部倡导者[54]；一开始接触四五十家基金，因为最后通常只有两三家愿意投[55]；可以先融一小轮天使投资，相关领域的天使投资人能提供巨大背书和帮助[55] - 美国有至少大几千家投AI早期的机构[55] - 融资时，创始人可以直接询问机构的投资情况、方向和风格[56] - 熟人介绍与Cold Email效果差异巨大：熟人介绍约有一半基金会愿意聊，Cold Email可能只有10%甚至更低[58] 产品偏好与投资方向 - 美国更偏好“一个产品解决一件事”，如Granola专门做笔记；中国更习惯功能叠加，如飞书[60] - 美国整体更偏好纯软件、偏ToB；中国更倾向做ToC和软硬件结合[61] - 从用户体验看，ChatGPT近期做得特别好，Anthropic因拿到很多大客户订单、企业端增长快而被看好[62] - 看不懂在做什么的大模型公司不被看好，因为赛道太卷[63] - 中间位置的AI公司如Cursor、Perplexity，因与大厂走得太近容易被吃掉，不被看好[64] - 在特别早期公司中，更看好细分垂直领域，如AI生物数据分析公司Kepler[65] - 基金当下主要投资方向：在某一垂类中深耕，同时具备技术、数据和行业壁垒，且AI能力到位的公司[84] - 核心投资逻辑是：做的事情一定要替代人，而不仅仅是赋能人，因为只有真正替代人，企业才愿意给出非常大的订单额度，这在美国人工成本高的背景下尤其成立[86][87] 市场展望与风险预警 - 预测2026年美国AI泡沫会破，就像一个大气球只差一根针[66] - 尤其担心英伟达和OpenAI，这两家公司只要有一点点变化都可能戳破泡沫[67] - 担心Gemini通过完全免费的方式获客，这会对OpenAI造成非常大冲击，并可能整体压低一级市场估值[68] - 在技术层面，所有AI大厂在“模型智力”方向上提升已经非常难，但在应用层面还有很多优化空间[77][78] - 关于AI是否带来生产力提升存在两派观点：一派认为AI正在取代工作，LinkedIn上初级岗位从23年到25年减少了20%甚至更多[81][82]；另一派引用MIT研究称95%的企业AI落地最终失败，但认为失败主因是大企业选择自己做而非与创业公司合作[83]

文章核心观点 - 文章探讨了人类与人工智能在奖励函数构建上的相似性 提出个人应构建可持续且具有正外部性的人生追求 以实现长期幸福与成就 [3][4][5][6] - 文章强调自我认知、人际关系、对痛苦的理解以及杠杆运用等是影响个人成长与幸福感的关键因素 [7][8][9][10][11][12] - 文章认为在内容创作领域 长期的积累与精进是核心 其价值在于思想杠杆而非短期商业回报 [14][15][16] 论人生的奖励函数 - 社会进化出的奖励函数如求知欲、钱权名、自我实现会自我强化 每上一个台阶后快感短暂 随即产生对更高台阶的渴望 难以建立持久满足感 [4] - 自然进化出的奖励函数如对食物、性的渴望具有边际效益递减特性 随欲望满足而弱化 [6] - 理想的人生追求应具备三个特点：奖励函数不会边际效益递减且实现难度不会指数级提高 具有正外部性 能积累复利 [6] - 个人可持续的追求包括理解万物运作规律、爱人与助人、创造 [5] 论自我与人际关系 - 奖励信号在不同时空尺度作用不同 例如“比较心”短期有效但长期有害 “节俭”微观有益但宏观可能是拖累 [9] - 高薪可能并非是对贡献的嘉奖 而是对牺牲个人机会成本的补偿 [9] - 周围人群深刻影响个人的奖励函数构建 人成长中学得最透的是欲望而非知识或能力 [9] - 优秀常源于强大的欲望 而强大欲望常源于强大的匮乏 “无欲则刚”是比功成名就更难得的境界 [9] - 个人的优势往往会成为其最大的问题 人只有特点 优缺点只是不同场景下的表现形式 [9] - 在决定人生成就感和幸福感的事情上 “有多想要”是最关键的因素 其次是能力 具备能力和意愿后几乎总能找到所需资源 [9] - 与谁一起工作最大程度上决定了职场幸福感 尽管平台、岗位、薪资通常更受考量 [9] - 财富可被定义为“一个人愿意捐掉一个肾的人数” [9] 论幸福与痛苦 - 自信从根本上来自于爱 [13] - 幸福相关性最高的是对短时间内未来的预期 人是被生活境遇的导数所支配的动物 [13] - 情绪问题本质多是认知问题 充分理解人事物运转规律应是高优先级的人生KPI [13] - 找到长期喜欢做的事意味着找到自己愿意忍受的痛苦 而非单纯的快乐 [13] - 人生存在许多低垂的果实可作为事业低谷期的“回血包” 例如运动带来的情绪价值相当于一年多赚17万 养宠物相当于一年多赚60万 [13] - 人实际感知到的痛苦等于真实的痛苦乘以对它的抗拒程度 折磨来自企图控制痛苦而非痛苦本身 [13] - 经历无法轻易绕过的痛苦是一大幸事 能促使人进行足够彻底的反思 [13] - 很多时候痛苦根源在于失望得不够彻底 绝望的本质是断绝无谓的期望 是一种解放 [13] 一些被低估的能力与杠杆 - 优先级设定是关键能力 包括识别最要紧的事以及为最重要的事投入足够资源 并能在不重要的事上忍受做不好的痛苦 [13] - 需要有意识地学习使用多种杠杆 包括媒体杠杆、代码杠杆、资本杠杆、平台杠杆、劳动力杠杆以及AI杠杆 [13] - 应更多结识成长斜率高的同龄人或更年轻的朋友 并促进朋友间的相互认识 [13] - 坦诚沟通、过度沟通远好于沟通不足 [13] - 要敢于并善于主动寻求一切能获得的帮助 [13] - 大多时候拼勤奋无效 更关键的是拼选择、拼优先级定义、拼方法 [13] 论做内容 - 创造性思维有两种模式：“咖啡模式”是全神贯注的有意识思考 “泡澡模式”是漫不经心的无意识思考 [14] - 最有创造力的思考往往来源于“泡澡模式” 一项针对上千人的研究发现灵感多发生在洗澡时占30%、通勤时占13%或运动时占11% [15] - 灵光乍现的要义是给予大脑足够时间进行无意识活动 避免总是处于忙碌紧绷状态 [15] - 审美的觉醒往往早于能力的成熟 这是创作者痛苦的根源 许多因“审美好”入场的人需经历痛苦的“眼高手低”起步期 [15] - 深入研究创作者成功路径发现 所有人都有一个共性 即经历了一段漫长到超出想象的积累期 [15] - “持续创作 + 努力精进”是成功创作者最核心且容易被忽略的竞争力 [15] - 从赚钱角度看 做深度内容是非常差的商业模式 但从满足意义感、创造价值角度看 则是投资回报率相当高的职业 [15] - 内容是用文字和思想做杠杆 其对世界的影响和改变可能比金钱杠杆更根本、彻底和广泛 [16] 其他洞见 - 时间管理是伪命题 真命题是能量管理 [16] - 短期自律的本质是欲望间的博弈 长期来看自律并不存在 存在的只有习惯 [16] - 高强度运动后分泌的内啡肽是对高强度工作的最佳补偿 肉体与精神疲惫可相互抵消 [16] - 一个悖论是 未来的每一次下跌都像是一种风险 而过去的每一次下跌都更像是一个机会 [16] - 长期主义是一种高维度的品质 如同三维生物无法被二维生物直接感知 [16]

公司业务与招聘计划 - 公司从媒体、叙事、FA、投资等角度全方位服务AI时代的创业者[2] - 计划年底再招聘1-2名FA同事，共同服务AI领域的创始人[2] - 招聘岗位将参与FA的各项工作，包括行业研究、项目搜寻、商业计划书制作、对接投资人等[2] - 公司鼓励跨边界参与，该岗位可视为管培生项目，员工可被鼓励从事自媒体、学习编程、组织活动及接触一线创始人[2] - 对于特别优秀的非传统人才，公司可因人设岗[2] 人才招聘偏好 - 最看重候选人拥有强烈的好奇心、很强的自驱力以及自己热爱的事情[3] - 看重候选人在过往经历中取得过结果，无论该结果多么冷门或偏门[4] - 要求候选人具备良好的实习或全职经验，拥有过关的职业素养和沟通能力[5] - 尤其欢迎应届生或刚工作时间不长的同学，认为公司是进入AI行业最好的跳板[9] - 认为最顶尖的FA差异点在于“最想要”，即拥有超强的目标感、要性和自驱力[12] 公司文化与价值观 - 公司认为个人成长和逻辑是员工应共同信奉的准则[13] - 公司给予个人自由，这对优秀人才是祝福，对不够优秀的人则是诅咒[15] - 公司强调人与人的关系优先于职位头衔的关系，领导风格是基于真诚的换位思考[17] - 公司致力于培养优秀的个体，而非机器或平台中的一员[11] - 公司过去三年决策的核心是绝不为了短期利益牺牲品牌与审美[15] 对一级市场的看法 - 公司认为明年的一级市场前景“好”[6] - 公司认为拉长到3年、5年甚至10年看市场长期走向没有意义，关键是要抓住眼前确定性的机会[7] - 认为大多数人一辈子能抓到两三年的机会点就可以实现阶级跃迁[7] 公司提供的价值与员工成长 - 公司能为顶级人才提供的最稀缺价值在于其审美、品味、坚持、所触达人群的质量以及讲故事的能力[8] - 公司是一个综合平台，员工有机会接触内容、运营、一二级市场投资等各种事务，成长取决于个人对自己能力的信心[10] - 公司平台能解决商业研究者不懂看人、懂看人者不懂AI、懂内容者不懂运营、懂运营者不懂内容等复合能力缺失的问题[10] - 公司老板非常在乎员工成长，其领导特质源于个人主义和自由主义思想，旨在通过每个人管好自己来让整体变好[16][17]

活动背景与形式 - 该讨论会由深耕国内一级市场的资深人士与熟悉硅谷二级市场的资深从业者共同主持[3] - 自2023年底起保持每隔几个月复盘一次AI市场的节奏 通过跨视角对照碰撞出超前且准确的结论[5] - 过去一年已录制三期相关播客 主题涵盖二级市场热潮、硅谷AI转向及AI泡沫探讨[5] - 自2024年秋季起 将季度复盘延伸为更小范围、更高密度的线上讨论会形式[5] - 每期活动由多位长期研究产业与投资的朋友共同主持 围绕近期重点主题进行小范围交流[5] 活动核心议题与展望 - 2025年末场活动旨在对当年一、二级市场进行复盘 并对2026年进行展望[6] - 计划共同探讨今明两年的AI关键词 包括Agent、多模态、AI硬件、具身智能、自动驾驶、大模型泡沫、OAI下一个观测点以及港股模型上市[6] - 活动时间定于北京时间2025年12月27日上午11:00[7]

公司年度内容回顾与成果 - 2025年是公司“All in AI”战略的第三年，全年共更新22期播客和18篇文章 [2] - 公司播客订阅数增长至近11万，节目3次被小宇宙首页推荐 [2] - 公司播客“42章经”两年内粉丝突破十万，被认为是垂类播客中的头部，已发布51期节目，平均播放量达25000 [36][37] - 公司坚持深度、垂直的内容定位，不接广告，专注于服务对信息密度和认知有高要求的受众 [37][38] 行业核心观点与趋势判断 - 组织能力被严重低估，被认为是AI公司真正的核心壁垒 [3] - AI基础设施不仅是降本的后台支持，更是决定AI公司发展上限的核心战斗力 [6] - 对2025年AI发展持极度乐观态度，认为早入场和乐观的参与者往往会获得回报 [8] - 2024年末市场出现“AI有泡沫”的讨论，但认为泡沫的存在并不重要，关键在于其他因素 [34] - 创业公司在AI时代最大的机会在于设计不同的交互方式 [36] 热门技术领域探讨 - Agent是年初由Manus带火的热门赛道，但其开发的上半场焦点在于环境、工具和上下文如何决定Agent [9] - 强化学习因DeepSeek的发布成为AI从业者必修模块，其原理与人生过程有类比性 [11] - AI发展进入下半场，定义和评估的重要性日益凸显，Benchmark与Evaluation成为关键议题 [24] - Agent基础设施是继Agent应用之后的新热点领域，其中蕴藏着大量机会 [28] 公司增长与商业化路径 - 海外增长方法论强调在每个阶段聚焦做最关键的一件事 [17] - 全球化是AI创业者从第一天起就必须面对的问题，其中包含已验证的方法论和经验教训 [30] - 业务在3个月内实现10倍增长，其关键可能在于“信念感” [21] - 世界上赚钱的方式有两种：组合与拆分，这为分析AI时代提供了有趣的路径 [36] - 对250家公司的AI产品定价经验进行了总结 [36] 市场竞争与案例分析 - 复盘了2018至2020年抖音超越快手的关键三年，涉及关键决策、组织文化和一线交锋 [15] - Dify从被低估的项目成长为全球顶级的开源项目，其成功路径提供了完整答案 [22] - Mercor作为当年的明星公司，其高速增长秘诀和人才策略值得关注 [25] - Figma战胜Adobe的本质、在线强化学习的进展以及AI产品留存率等案例被深入分析 [36]

公司发展历程与核心策略 - 公司自成立之初即确立了三大核心策略：开源、To B、全球化，并由此衍生出开放生态、模型中立、工程优先的整体逻辑，这些判断在过去两年多被市场验证为正确 [3][4] - 公司发展经历了三波市场与技术变迁：2023年凭借界面友好的基础版本抓住AI产品化早期红利；2024年推出核心的workflow能力并搭建插件生态，迎来第一批有付费能力的企业客户；2025年受益于开源模型与多模态技术的成熟，早期关于需要“中间层”的假设得到验证 [5][6] - 公司坚持“耐心”与务实的技术路线，从Day 1起就围绕清晰的目标和标准搭建团队，并长期坚持既定策略，这是其成功发展的核心原因 [86] 市场定位与竞争分析 - 公司产品定位介于技术光谱的中间，并逐渐偏向弱技术或无技术用户，这与更偏向硬核开发者的LangChain、OpenAI Agent Kit等产品形成差异化 [9][10] - 与GPTs、Coze等面向大众的产品不同，公司专注于解决企业流程问题，致力于将LLM与企业中的人、工具、数据连接起来，因此并非直接竞品 [12][16][17] - 公司认为模型厂商（如OpenAI）很难直接替代下游To B产品，因为长期建立的客户信任关系与各种连接难以被替代，并且企业客户普遍忌讳将技术栈绑定在单一模型上 [25][26] - 开源模式是公司全球化成功的关键，它高效地解决了信任问题并推广了技术标准，例如在日本市场，公司产品因适配当地技术人员稀缺、业务高度流程化的特点而成为现象级工具 [61][62][63][64] 产品核心能力与技术理念 - 公司的核心产品能力是workflow（工作流），通过设置检查点和允许人类介入协作，为AI应用提供高度的可预测性、稳定性和可靠性，这条务实的技术路线将在智能化过渡期长期存在 [36][37][38] - 公司坚信未来的技术方向是“神经网络AI”（负责联想）与“符号AI”（强调逻辑）的结合，这源于对仿生学和认知科学的理解，旨在构建能耗更低、更智能的系统 [41][42][43] - 公司的工程能力构筑了核心壁垒，通过分层设计、业务场景抽象、厘清可变与不可变部分，并做出成百上千个关于“节点颗粒度”等细节的关键决策，这些“看不见的苦工”堆起了产品的真正厚度 [31][32][34][35] - 产品具备“热插拔”和模型中立的特性，允许开发者像使用“插座”一样接入不同的外部工具和模型，并能保障其开发的技术资产在平台迭代中持续可用，这降低了企业的长期技术风险 [27][28][29][30] 企业应用场景与未来愿景 - 企业客户使用公司产品已从早期的聊天机器人、知识库，发展到编排包含四五百个节点的复杂流程，进行大规模智能化改造，例如客户安克已搭建上千个工作流，集成上万个原子能力，将智能体视为与人力资源平等的生产资产进行管理 [50][51] - 最成功的应用场景往往是“不标准”的，产品扮演着“胶水”的角色，将企业原有业务中各种分散的流程和能力粘合起来，形成复杂的个性化协作 [53][54][55] - 公司的长期愿景是成为企业内新的“操作系统”，支撑大部分可被抽象和标准化的生产活动，整合内部原子能力，实现人与智能体的高效协作与流程调度 [56][57] - 公司的理念是推动技术平权，让LLM不仅服务于开发者，也让真正的业务使用者能够与系统互动和反馈，预计这一变化将在未来两到三年内发生 [58][59] 行业洞察与机会判断 - 当前AI在B端场景的生产力远未释放，一份MIT报告指出95%的公司在AI试点上失败，表明大多数企业的工具体系和学习能力不足 [71] - 下一个真正的机会窗口不在于继续提升模型智能，而在于“建桥”，即弥合模型能力与人类使用能力之间鸿沟的基础设施、人机交互范式以及高效协同工作流的构建，这些是AI应用的“最后一公里”问题 [72][73][74] - 随着模型能力变得普遍（对称），个体与组织的核心竞争力将体现在决策能力、注意力机制以及对特定上下文（Context）的理解和运用上，这些是非对称的优势 [75][76][80] - 未来的软件范式更可能是：人类在定义“结果”和“结构”等关键不变部分上投入时间，其余部分交由AI完成个性化和客制化，而非SaaS完全被取代 [48][49]

文章核心观点 文章围绕“交互”主题，探讨了AI时代软件开发和产品设计的变革性趋势，核心观点认为，AI的超能力在于“深度个性化”，这将催生全新的软件形态（如Personal Software）、交互范式（如语音操作系统、创新的GUI设计）以及产品设计理念（如系统思维、节奏分层）[4][17][95] (一) 为什么独立的 Vibe Coding 必死，但 Personal Software 会火？ - **软件行业正经历“应用的YouTube化”变迁**：软件开发将从全球约2000万开发者的特权，泛化为80亿创作者的日常媒介，软件将像快消品一样，用于解决特定、即时的需求[6][7] - **独立的Vibe Coding工具存在三大短板**：1) **信任与稳定问题**：缺乏专业开发能力可能导致严重的安全漏洞和用户数据泄露[10]；2) **集成能力不足**：难以方便地调用用户的其他服务（如健康数据、邮箱、银行账户）[11]；3) **缺乏分发与协作机制**：难以形成社交传播和多人协作网络[13] - **平台化是Personal Software成功的关键**：平台能提供信任层以解决安全、隐私和数据持久化问题，提供连接一切的API，并内置社交图谱与协作功能，让个人开发的Mini App得以流转和生长[10][11][13][14] - **AI的超能力是“深度个性化”**：这包含三个层次：1) **应用层个性化**：用户可修改App功能和提示词[18]；2) **平台层个性化**：平台提供用户的基础信息（年龄、地点等）作为上下文给所有App[19]；3) **跨应用个性化**：不同Mini App能相互对话，协同工作（如健身App修改营养方案）[20] - **催生“软件即内容”的新GTM模式**：1) **新商业模式**：内容创作者可通过发布Mini App（如一套训练方案）直接变现[23]；2) **新流量入口**：内容（如旅游攻略）可被封装成功能极简的Mini App（如专属地图）[23]；3) **新社区形态**：Mini App本身成为“社区启动器”，聚集同好，衍生线下活动与共创[24][25][26] - **Wabi类产品的本质是“Prompt容器的平台”**：它将裸奔的文本Prompt配以合适的UI外壳和沙盒环境，使其成为可保存、复制、分发的个人应用，是从“Chatbot”走向“Chat+GUI结合”的交互形态进化[28][33][34] - **软件民主化的实际形态是“人人参与迭代”**：预计从零开始原创的用户不会超过10%，但很多人会参与修改和迭代，平台通过提供“Fork（混音）”和“Request（提需求）”功能来落地[34][35][36] (二) 我们是不是低估了输入法的想象力？ - **输入法正从打字工具进化为“语音操作系统”**：其进化分为三步：1) **接管输入**：从键盘打字转向语音输入，核心价值在于“减负”——消除思考时的认知负荷，并鼓励用户提供更多背景细节，从而提升AI输出质量[39][40][41][42]；2) **代你表达**：基于对用户过往输入的全局了解，能主动帮助写作（如撰写邮件），并学会根据应用场景和用户语气自动调整表达风格[44][45][47]；3) **反客为主**：凭借高系统权限（尤其在PC端可读屏），未来可能主动跳出提供建议或完成任务[48][49] - **AI语音输入法赛道近期融资活跃**：例如海外公司Wispr在4个月内融资了8100万美元[38] - **输入法成为高价值数据管道**：其掌握的实时、高频的一手数据对训练大模型至关重要，包括：1) 训练模型理解人类偏好和意图；2) 让模型跟上人类语言的实时变化（如新梗、新电影）[50][51] - **输入法的战略定位可能提升**：它有望成为用户与所有软件之间最高频的交互接口，以及用户与大模型之间最完整的数据管道[52] (三) 最近见过最好的 5 个 AI 交互设计 - **1. 参数滑块**：用于弥补自然语言在描述“程度”时的无力感，实现“Prompt负责定性，滑块负责定量”，让用户通过拖拽快速调整输出效果（如简洁与详尽的区间），同时提供实时反馈回路，增强用户的控制感和创作归属感[57][58][60][61][64] - **2. 反向Onboarding**：将传统的重流程注册（填信息）反转为先让用户零成本体验核心价值，例如AdComposer.ai仅需输入公司网址即可生成广告创意，旨在将TTV（价值感知时间）压到接近零[65][68][70][71] - **3. 善用等待时间**：将AI生成所需的几十秒等待时间转化为低成本的“二次交互窗口”，例如Gamma让用户选择PPT主题风格，Perplexity询问是否需要补充细节，以此提升结果准确度并优化成本[71][72][73] - **4. 用“命名”控制用户预期**：通过叙事设计降低用户对AI能力的过高期待，例如tldraw将AI助手命名为“小精灵”、“小鬼”等，将其错误行为包装成调皮特性，从而提升用户容忍度和留存率[74][75][76][80][81] - **5. 视角滤镜**：将特定的思维风格或人格特质封装成可打包、共享、调用的“滤镜”或“思维调音台”，用户可像选字体一样选择（如“乔布斯思考滤镜”），未来可能形成交易“脑回路”的新市场，甚至发展出公司级的“品牌滤镜”[83][84][85][86][88][91] (四) 产品设计的终极形态 - **未来产品设计的核心竞争力是“系统思维”而非“品味”**：因为未来的UI将是千人千面的，最终形态更多由用户自身的品味决定[95][96] - **产品设计的工作重心转移**：从设计具体界面转向：1) **定结构**：搭建清晰、耐用的概念体系和可插拔的能力接口[101]；2) **定属性**：明确系统中哪些元素底层共享，哪些可个性化[102]；3) **定逻辑**：设计系统的思考与响应规则（如在用户犹豫时展示更多灵感图片）[103] - **未来的软件像“建筑”一样有机生长**：借鉴《建筑如何学习》的观点，优秀建筑/软件是随用户需求进化而来的有机体，其进化由六个变化速度不同的层级共同构成（从寿命数天的“物品”到数百年的“地基”）[97][100] - **有韧性的系统依靠“节奏分层”维持**：复杂系统（如人类文明）由不同速度的层级（如快速的“时尚”、慢速的“文化”、极慢的“自然”）叠加而成，快层负责试错创新，慢层负责记忆约束，共同维持系统在时间中的韧性与平衡[107][109][114][115] - **设计的本质是建造包容矛盾的结构**：无论是软件、建筑还是制度，都是人类为了在多重时间尺度中生存而做出的结构性尝试，需要容纳不同维度上复杂而矛盾的需求[120][121]

AI泡沫存在性分析 - AI行业存在泡沫，体现为预期高于现实 [3] - 泡沫具有推动行业发展的积极作用，并非完全负面 [4] - 泡沫讨论主要集中在社交媒体，从业者普遍认为AI发展健康 [6] 价值与价格分离判断 - 价值层面AI发展健康，智能水平已足够高 [6] - 价格层面需区分中美市场和一二级市场 [7] - 一级市场估值体现为估值，二级市场体现为市值 [8] 中美市场对比 - 中国一级市场估值健康，头部项目估值比美国低十倍 [9] - 美国一级市场泡沫明显，Cursor公司亏损状态下估值接近100亿美元 [9] - 二级市场处于高位，但市盈率约30倍因EPS上涨而支撑 [10][11] 市场预期差异 - 对AGI和降本增效的预期存在巨大差异 [14] - 数据中心ROI和AGI发展阶段预期水位不同影响价格判断 [15] - AI发展高度结构化，分中美市场、硬件软件等不同板块 [16][17] 行业结构性变化 - 从Pre-Training的Scaling Law转向Post-Training和RL [20] - RL的Scaling Law未见明显突破，DeepSeek后无惊艳版本 [21] - 模型公司ROI存在问题，投入大而产出不足 [25][26] 市场情绪与周期 - 市场风险偏好明显降低，但属结构性下降 [35][37] - 市场情绪脆弱，多空双方都希望股价下跌 [39] - 泡沫讨论反映市场对周期切换的体感 [60] 投资逻辑变化 - 从期待AGI转向计算ROI [48] - Scaling Law评估难度增加，行业重心转向成本、Infra等 [52] - 硬件仍是最大受益方，英伟达确定性最高 [56][57] 未来发展趋势 - 行业将出现严重分化，各方向将产生Winners [71][72] - 模型进入落地周期，重心转向应用场景和产品路径 [100] - 2023年是投资最佳时间点，估值便宜 [75] 市场参与者行为 - 二级市场散户化，从价值投资转向金融工程范式 [91][92] - 从业者信息密度更高，更关注行业底层趋势 [94] - 专业投资人不愿构建长期观点，避免与短期风向冲突 [93] 关键观察指标 - 巨头资本动作值得研究，如英伟达投资OpenAI 1000亿美元 [98] - 上游算力格局重新洗牌，半导体板块出现结构性转向 [99] - 字节跳动人才储备强劲，但被国际市场低估 [100]

行业时代划分 - 2012至2020年为研究时代，行业尝试各种AI想法[5] - 2020至2025年为规模扩展时代，GPT-3出现后规模扩展成为共识并吸收所有资源[5] - 2025年开始行业重新进入研究时代，预训练的规模扩展法则因数据有限而失效，竞争焦点从GPU数量转向新算法发现[5] SSI公司战略 - 公司采用“Straight shot”战略，不发布中间产品，直接研发超级智能以避免市场竞争带来的妥协[3] - 对超级智能的定义更倾向于“超级学习者”，发布时类似“天才少年”，随后在社会各岗位快速实习进步[4] - 公司融资30亿美元，资金将全部投入纯粹研究实验，相较于大厂资金需用于服务用户推理和庞大团队，在研究层面具备竞争力[4] 技术研究方向 - 预训练红利结束后，价值函数成为下一步重点，旨在让模型具备直觉性中途判断能力以提升学习效率[6] - 坚信深度学习能力，只要信号存在深度学习就能学到[7] - 强化学习可能使模型变笨，因其在撤销预训练阶段形成的广泛概念印记，经过重度对齐的模型往往更缺乏创造力[7][8] - 行业传闻显示强化学习算力消耗已超过预训练，因需进行长推演且每次获得的有效学习信号很少[8] 智能与对齐的终极挑战 - 情绪被视为人类高效的压缩算法和终极价值函数，能帮助快速决策，而AI缺乏此类内在罗盘[10][11] - 实现超级智能对齐的关键可能是硬编码对有感生命的关爱，同理心是理解世界的高效捷径可能自然涌现[13][14][17][18] - 基于计算效率，复用理解自身痛苦的代码来模拟他人痛苦是最省资源的建模方式[17] - 进化能将“社会地位”等高级价值观对齐给人类，为将“关爱生命”硬编码进AI提供了可能性[19] 市场格局与行业影响 - 未来市场不会由单一公司垄断超级智能，竞争催生专业化，特定领域的高壁垒将形成类似自然界的生态平衡[22][23] - 行业流行词如“AGI”和“Scaling”会反向塑造研究方向，需警惕其可能限制探索其他可能性[20][21]

AI市场当前状态总结 - 2023年至2024年行业上涨动力源于Scaling Law和通用人工智能共识的推动[5] - 2025年以来强化学习的Scaling Law尚未形成统一的市场判断[5] - AI模型发展呈现阶梯式特征，而应用落地呈现脉冲式跃进模式[5] - 当前市场处于微妙的空白期阶段[5] AI技术与应用发展趋势 - 智能水平能否持续提升存在不确定性[6] - 应用加速落地是确定性的发展趋势[6] - 行业叙事逻辑正在发生变化[6] - 前期叙事推动的价格可能存在泡沫，但AI本身价值依然稳固[6] 未来关注的核心议题 - 未来一年AI行业具体发展方向[3] - 英伟达投资策略选择问题[3] - 多模态技术带来的市场机会[6] - 具身智能的量产和落地可行性[6] - 能源和数据中心领域的发展前景[6]