AI技术浪潮对就业市场的潜在影响 - 行业领袖预测AI将显著冲击白领岗位 Anthropic CEO认为约50%的初级白领岗位可能在未来1-5年内消失 Meta CEO也指出中级程序员将变得不必要 随后Meta裁员了5% [1] 本轮AI革命与历史技术革新的关键差异 - **影响速度空前加快** 历史技术转型如农业用了一个世纪 电话接线员被替代用了约50年 而AI的演进速度要快得多 过去一年每隔几周就有标志性AI产品创新 AI Coding能力突破后速度还在加快 [2][3][4] - **波及范围异常广泛** 以美国就业市场为例 AI可能影响各个行业超过40%的工种 这一比例已与美国20世纪初约41%劳动力受农业机械化影响的程度相当 但当时劳动力被制造业和服务业吸纳 本轮受冲击劳动力的去向尚不明确 [7][8][9] - **可能切断传统人才培养路径** 许多工作依赖“学徒制” 但AI在许多任务上已比新人做得更快更好 企业可能更倾向于让资深员工与AI协作 而非培养新人 长期可能导致人才断供 [9][10][11] 技术影响就业的双重路径：基于银行柜员的案例分析 - **路径一：技术嵌入固有工作流** 如上世纪70年代ATM的普及 技术作为辅助工具释放人的生产力 形成“人+技术”的更高效工作单元 根据杰文斯悖论 技术进步提高效率、降低成本并激发更大需求 可能导致岗位重塑甚至逆向增长 ATM普及后十年 美国银行柜员数量翻倍而非减少 [13][14][15][16][18] - **路径二：技术重塑全新工作范式** 如2010年前后手机与移动互联网催生的移动银行 技术创造全新生产体系 使原有岗位失去场景 导致柜员岗位数量大跌50% [19][21] 评估AI对就业影响的核心框架：ROI比较 - 问题的核心在于比较“人+AI”与“只用AI”的投资回报率 ROI [21] - 当前在许多场景中 “人+AI”的ROI可能更高 因为人与AI能力互补 AI擅长逻辑推理 而人类在情商、创造力和隐性知识上仍有优势 AI的默认输出趋向统计上的“中间地带” 缺乏真正的创造性突破 [22] - 但OpenClaw等进展展示了Proactive Agent的可能性 促使一些创业者尝试构建更AI-Native的组织 尽可能减少人的介入 未来若“只用技术”的ROI超过“人+技术” 则人可能出局 [23][24] 技术变革下的就业结构演变与极化趋势 - 技术变革往往伴随“就业极化” 工作可分为高、中、低技能三类 规则明确、流程固定的“中技能”工作最易被自动化替代 美国“中技能”岗位占比从1979年的约60%降至2012年的46% 类似趋势出现在十多个欧盟国家 [29] - AI可能加剧这一趋势 使部分移动互联网时代的“高技能”工作 如基础编程、数据分析 滑向“中技能”区间 同时推高“高技能”工作的标准 [30] - 岗位转换存在机会 例如 美国银行柜员数量锐减的同时 理财顾问、金融经理等岗位持续扩张 其增速是全美平均水平的三到五倍 中位年薪是柜员的近三倍 [29] AI时代潜在的新机会与需求弹性 - **新技能需求涌现** 当前 熟练使用AI已成为重要技能 能够驱动个人成为“超级个体”或创造一人公司 OPC [32] - **催生新的配套岗位** 类比工业革命的“拧螺丝”和互联网时代的“审核员” AI时代可能产生大量数据标注、数据录入审核、AI幻觉结果审核等需求 [32] - **需求弹性与市场扩张** 根据杰文斯悖论 当AI极大降低生产门槛和成本后 可能激活大量过去“无法被满足”的长尾需求 催生前所未有的庞大市场 例如 2024年后软件开发量迎来爆发式增长 [34] 对未来的极限畅想：从生产到生活 - 若AI演进至AGI阶段 “人才”可能成为可无限复制、合并、进化的数字资产 组织演化速度可能从万年周期压缩至秒级 [37] - 届时 人类可能不再需要投入生产活动 社会盈余的极大增长可能催生大量“非生存必需”的新职业 如今天的瑜伽老师、播客主播 人类的工作重心可能转向如何度过时间与充盈生活 [38][39]

AI Coding与OpenClaw行业现状 - 当前AI Coding领域发展迅猛，OpenClaw产品形态的爆火引发了新一轮创业热潮，据估计当下可能有上千个团队围绕OpenClaw进行创业[5] 市场关注的核心问题 - 行业关注AI Coding技术的发展阶段、OpenClaw突然爆火的原因、能力突破所解锁的新机会，以及前沿团队的探索方向与思路[5] 行业主要参与者及其动态 - Sheet0团队即将发布一款结合AI Coding与OpenClaw方向的新产品[6] - Kuse AI / Junior.so团队刚刚发布了OpenClaw类产品Junior.so，定位为“第一个真正的AI员工”[6] - Clockless.ai团队正在用AI为小企业构建24/7运转的自动化系统[6] - PingCAP公司联合创始人兼CTO已利用AI Coding快速为OpenClaw打造出了一个记忆系统mem9.ai[6]

AI Agent行业演进与核心洞察 - 当前AI Agent的热潮由OpenClaw引领，其核心是证明了“Coding Agent”作为一类新形态产品的可行性，与去年由Manus和o1模型带动的Agent热潮在本质上并无区别 [3][5] - 与去年相比，行业认知的关键进展在于：所有Agent本质上都将成为Coding Agent，通过Coding Agent加上Skill（技能）的组合，基本可以覆盖大多数垂直场景，这动摇了专门开发垂直Agent的必要性 [5][6] Coding Agent的能力与影响 - Coding Agent的能力已被证明达到新高度，能够处理长程复杂任务，例如OpenClaw作者单日代码提交（commit）最高达1600次，相当于一个三四人团队一年的工作量；Cursor的Agent曾在一周内产出300万行代码构建浏览器 [21] - Claude Code超过50%的使用场景并非传统编程，而是数据分析、市场营销、文案等任务，表明Coding Agent已成为具备通用任务处理能力的工具 [8] - Coding Agent的能力提升，结合工程方法论进步（如将模型与文件系统/虚拟机结合），已基本解决了长程任务中因步骤增多导致准确率下降的问题，实现了自我发现和修复错误 [32][33][34] - 当前Coding Agent的用户渗透率极低，连1%都未达到，但像Claude Code和Codex等产品的活跃用户合计已达约500万，未来用户量达到10亿级别是确定的愿景 [23][24][25] 对SaaS行业的颠覆性冲击 - AI和Agent技术将对传统SaaS行业构成根本性颠覆，SaaS的软件价值（编码实现）将被AI Coding替代，而其行业知识（know-how）价值将被Agent的Skill替代 [16] - 颠覆的逻辑在于：传统SaaS是通过软件将专家能力标准化和规模化复制（SOP），而Agent让获得专家能力变得更容易，用户只需提出目的，Agent便能自主提出方案、解决问题并迭代，且能为每家公司提供客制化的“专家” [13][14][15] - 基于此，企业服务（ToB）领域未来可能出现类似字节跳动在内容领域一样“一家独大”的、能解决绝大多数问题的通用Agent平台，但具体公司形态尚不确定 [10][14][15] Proactive Agent（主动智能体）与自进化 - Proactive Agent的核心特征是主动探索、反思、总结和迭代，其发展分为两步：第一步是完成可重复的定时任务；第二步是基于历史交互和理解，主动预判需求并提供解决方案 [39][40][41][43] - OpenClaw的重要意义在于展示了“AI管AI”的可能性，即一个Agent可以管理其他AI去完成任务，这为Proactive Agent和自进化提供了产品形态上的推演 [45][46] - Agent的自进化与AI间交流学习（如Moltbook倡导的）在技术上可行，但在企业场景中，由于不同公司流程差异大，直接复用的价值有限，定制化磨合仍是关键 [53][55][56] 市场机会与产品化方向 - 当前最大的机会在于如何将强大的Coding Agent（如OpenClaw）“套壳”产品化，降低其配置和使用门槛，做成普通人也能使用的产品，这将是今年的发展主线 [6][21][22] - 一个重要的新兴概念是“Agent Harness”（智能体套索），它像一个直接面向终端用户的脚手架，帮助不同公司根据自身业务特点快速搭建和管理适合自己的AI系统，是控制并释放Agent能力的关键 [64][65] - 行业存在一个明确的产品化思路：开发“管AI的AI”，即一个用于管理和配置其他AI的AI，以解决当前使用Coding Agent门槛高、配置复杂的问题，实现AI能力的“平权” [66][70][71] 生产效率变革与行业影响 - AI Coding带来了生产效率的指数级提升，有经验的用户个人效率相比一年前可提升至少10倍，过去需一年开发的产品现在可能缩短至两周 [59][60] - 生产效率的瓶颈已从“如何实现”转向“做什么”和“做成什么样”，在“生产能力丰饶”的背景下，真正有价值的创意和方向变得更为稀缺 [61][62][63] - 这种效率提升正在改变公司组织形态，一个7人团队借助AI的产出和效率已接近过去三五十人团队的水平，公司招人策略变得极为谨慎和苛刻 [80][81] 用户画像与商业模式演变 - 当前高价值用户画像包括创始人、超级产品经理和强力构建者，其中日消耗超过1亿Token的用户被视为Agent时代的“世界500强”企业级客户 [74][75][76] - 商业模式可能按Token消耗量而非传统企业规模来分层，从个人或小组织身上获得年费10万美元级别的收入成为可能，这部分预算原本是企业用于招聘工程师的 [77] - 团队内部培养AI Coding能力是可行的，但前提是组织愿意提供充足的Token额度供其学习和试错 [81] 创业策略与行业趋势 - 在AI快速变化的背景下，有效的预判窗口期大幅缩短，创业策略应从“预判为主”转向“预判为辅，跟随为主”，优先解决用户当前已遇到的明确瓶颈，而非过度追求长远的理想化方案 [67][85][86][87] - 成功的公司往往是自身产品的深度用户，能够形成“吃自己的狗粮”式的正向迭代循环 [73] - 行业需要警惕因AI替代人力过快而可能引发的社会需求萎缩等宏观问题，但创业者当前更聚焦于解决未来3-6个月内确定性的问题 [77][78][83]

AI Coding与OpenClaw行业现状 - AI Coding领域正处在最新发展热潮中 目前可能有上千个团队正围绕OpenClaw进行创业[5] - 行业关注的核心问题包括AI Coding的发展阶段 OpenClaw爆火的原因 以及新能力与产品形态将解锁的机会[5] - 多家初创公司及技术团队正积极借助最新AI能力 沿着OpenClaw的路径进行产品探索和实践[5] 相关公司及产品动态 - Sheet0团队即将发布一款结合AI Coding与OpenClaw方向的新产品[6] - Kuse AI / Junior.so公司发布了OpenClaw类产品Junior.so 其定位为“第一个真正的AI员工”[6] - Clockless.ai公司正利用AI为小企业构建能够24/7运转的自动化系统[6] - PingCAP公司联合创始人兼CTO已利用AI Coding快速为OpenClaw打造出一个记忆系统mem9.ai[6]

创业策略与思维模式 - 创业者的思维模式经历了从“优化赔率”到“优化胜率”的根本性转变，即从追求潜在巨大回报转向解决真实、可控的用户问题[4][7] - 真正一流的企业家如张一鸣、黄峥、王兴均采用“优化胜率”策略，他们在上一个时代积累核心能力，待时机成熟时抓住结构性机会，而非追逐“下一个抖音”这类伪命题[8][9][10][11][12] - “优化胜率”在行为上体现为选择变量更少、自身能控制更多的事情，避免不可预测性过高的领域[13] - 对于个人职业选择，优化自身能力、视野和信息质量本质上是优化胜率，这反而能提高获得高赔率机会的概率，仅因融资或上市传闻加入公司则是典型的优化赔率[14] - 字节跳动代表“强者思维”，强调第一性原理和完美主义，而段永平代表“弱者思维”或“平常心”，强调在好的商业模式和文化下，普通人也能创造巨大价值，其哲学更贴近普通创业者[15] AI行业分析与创业方向 - AI在应用层面可分为“想象力”（多模态生成，如图像、视频）和“智能”（语言模型，完成任务）两类场景，分别对应“杀时间”的娱乐体验和“省时间”的效率工具[16] - 对于创业者，工具型产品是目前商业化路径最清晰、确定性最高的方向，而陪伴、互动娱乐类产品的商业化效率尚难判断，因其商业模式难以支撑长期使用最先进的模型[17] - 在内容领域，创造门槛越高的内容形态，供给越稀缺，用户只消费头部1%的内容，AI生成的60-80分内容对消费端而言价值有限[5] - 互动、娱乐类内容的破局点可能不在于内容本身，而在于承载内容的“容器”（即新的交互形式或产品形态），若容器无创新，仅提升内容生成能力，内容最终仍会流向变现效率最高的现有平台（如抖音、Netflix）[18][19] - 一个成功的内容产品形态需要用户、内容类型和媒介模态三者形成闭合，例如小红书（图文、有用内容、一二线女性）、抖音（短视频、卡点音乐、表现力强的创作者），这是产品能冷启动并泛化的关键[20][21][22] AI视频生成领域的竞争与机会 - 视频生成领域呈现“多超多强”的竞争格局，第一梯队包括Sora、Seedance、Veo、可灵等，各自在不同场景和阶段占据技术领先地位[25] - 在模型能力分布不均、需求高度分散且普遍（从社媒到商业应用）的背景下，聚合多种模型服务的“全家桶”式产品存在明确机会，旨在以更低成本为用户提供更多模型服务[26] - 由于创意人才有限且语言与想象画面存在差距，通过模板化定义审美、降低用户成本成为关键产品方向，Higgsfield是该方向的典型代表[26] - Higgsfield成功的关键在于其卓越的“交付能力”与“展示能力”，能精准地将某一阶段模型可实际交付的能力（如一致性、拖拽生成视频、灯光控制）封装并包装成在社交媒体上极具吸引力的产品卖点，尽管用户实际体验可能不及展示效果[27][28] - 在应用层，“套壳”并非问题核心，关键在于能否深刻理解模型进展、具备优秀的产品与内容审美、并拥有快速执行力，以率先将新模型能力转化为用户价值[29][30] AI技术发展趋势与未来展望 - AI发展仍处于长周期，当前的重点之一是“多模态理解能力”的显著提升（如Gemini 3），这由算力优势及可扩展的方法驱动，将解锁更多应用场景[34][35] - 理解能力的大幅提升可能反过来抬高模型本身的“智能”水平，即“当眼睛带了脑子”，其发展前景被看好[35] - 除多模态外，“编程平权”是另一重要趋势，即通过改进交互方式，让编码能力更易被普通人使用，模型智能需通过编码才能突破单纯问答与理解的界限，此能力在模型达到类似Claude 3.5 Sonnet阶段后才真正变得可用[36][37] - 从长远看，若技术完全成熟且成本足够低，最酷的产品可能是能整合世界已知约束（如物理学原理）并进行推演预测未来的超级系统，这引发了对现实本质与未来预测的哲学思考[38][39][40][41][43]

公司项目Wanaka概述 - 公司正在开发一个名为Wanaka的产品，方向是AI、游戏与社交的结合（AI × 游戏 × 社交）[3] - 项目始于2023年4-5月，当时市场上类似方向的产品很少，但到2023年12月，做类似事情的公司开始增多[7] - 公司产品与市面上主流的两种路径（抖音式内容平台、AI游戏开发脚手架）均有明显区别[8][9][10] 项目启动的核心逻辑 - 启动原因一：Coding能力（特别是Agent Coding工具）的变化，正在释放更多游戏创作的可能性，使得不会写代码的人也能制作游戏[4][5] - 启动原因二：观察到北美社交，尤其是熟人社交，正在发生较大的范式变化[5] - 将游戏创作可能性与社交范式变化结合，被认为存在巨大机会[6] 对技术演进与市场共识的判断 - 技术的演进速度比预期更快、更乐观，AI在Coding和Agent领域将有很大延展，且刚刚开始[7] - 该方向形成市场共识的速度也比预期更快[7] 产品核心思路与差异化 - 创作侧：公司放弃了仅依赖模型端到端生成内容的方案，认为其天花板低、内容不可控、同质化严重[14][19] - 消费侧：公司认为推荐算法未必是最适合游戏化UGC内容的分发方式[27] - 公司选择了一条不同的落地方案，核心是打造一个AI Native的引擎，并在创作侧投入较重[20][21] 产品迭代与关键决策 - 关键迭代一：放弃了上下滑的交互形态，因其成立前提是内容多样性和量级足够大，而AI直出内容同质化严重[23][24][26] - 关键迭代二：选定了3D方案，因为3D与2D在游戏化内容的消费深度和体验上差异巨大[50] - 公司已推出一个内测功能，允许用户拍摄手办并生成可动的3D游戏形象，反馈良好[50][52] 对内容分发形态的思考 - 内容分发主要有四种类型：推荐算法分发、关注关系分发、基于社交关系（尤其是熟人关系）分发、运营推荐[28][29][30][32] - 公司认为，基于社交关系（熟人关系）的分发可能是最适合普通用户生产的AIGC/UGC内容的方式[34][39] - 类比抖音的“朋友Tab”，其渗透率高是因为大量UGC内容对全网价值低，但对朋友有分享价值[36] 对内容形态的定义与展望 - 公司所做内容更准确的描述是“互动内容”，因为当前大多数内容的游戏循环（loop）还太弱，不足以称为游戏[44] - 理想状态下，创作工具应能覆盖从复杂游戏到简单互动内容的范围[45] - 偏游戏的内容消费时长更长，可能像网络游戏；偏互动的内容长期看应朝多模态发展，更接近视频[49] 对Roblox的案例分析 - Roblox的日活跃用户（DAU）持续增长，已接近2亿，且用户使用时长可与TikTok竞争[66] - Roblox成功的三点：用户年龄在增长（Age Up）、平台游戏在变复杂、正从一个游戏公司转变为社交公司[56][57][58] - Roblox已成为北美年轻人重要的社交空间，他们更倾向于在游戏平台内与朋友互动，而非在传统社交媒体上表达[60][64] 中美社交生态差异 - 在中国，游戏化社交未做大，核心原因是微信的存在以及QQ早期已构建了游戏化社交生态[68] - 北美社交产品能不断出现新机会，源于其文化中对社交关系有清晰区隔，且没有像微信这样功能极致的统一应用[68][69] - 在美国，新社交产品的核心往往不是建立新关系，而是让已有的熟人关系迁移到新空间[71] 社交产品的成功路径 - 社交产品成功的路径主要有两条：一是解决社交中的一个核心大问题（如Snapchat解决社交压力）；二是持续提供新的信息、玩法或内容来反哺社交关系（如抖音、Roblox）[73][74][75][76] - 在第二条路径中，内容是“因”，社交是“果”[77] - 公司项目Wanaka选择的是第二条路径，旨在提供更多玩法和内容[78] 项目的市场切入与竞争策略 - 公司计划通过“个性化的游戏化内容”这一过去不存在的形态来切入市场，与Roblox等平台由公司定义核心资产不同[79][80] - 许多AI Coding游戏公司方向是“下一个抖音”，而公司方向是“下一个Roblox”[83] - 要做成“下一个抖音”需要强大的PUGC生态，而公司认为当前AI生成内容的消费价值不足以支撑，核心需依赖社交关系[83][84] 对编辑器与AI Coding的思考 - 代码是Roblox中阻碍UGC深入创作的门槛，而AI Coding提供了重写这部分体验的时代性机会[88][89] - 仅将代码部分交给AI（纯自然语言交互）的方案被否定，因为人难以用自然语言精确描述复杂需求，且游戏逻辑与代码场景不可分割[16][91][92] - 传统引擎公司（如Unity、Roblox）向引擎中加入AI更像Copilot，适合已有编码基础的用户[93] 产品的最终解决方案 - 创作侧：打造一个带有完整图形界面的AI Native引擎，目标让任何用户都能做出不错的游戏[100] - 方案特点一：将大约40%-50%的工作留给用户（如通过对话写代码、图形界面搭建场景），以增强可控性和表达欲[101][102] - 方案特点二：设计了一套Agent框架，允许用户通过自然语言实现复杂的游戏逻辑变更[103][104] - 消费侧：用户主要进行游玩和社交，消费由该引擎生产的内容，并支持高度个性化的3D形象定制与使用[105] 对游戏与社交结合的新理解 - 未来游戏将分两类：前1%顶级制作人的传统高投入游戏，以及99%普通人制作的游戏。公司关注后者如何创作及分发[106][107][108] - 在Roblox等平台上，社交关系会影响游戏设计（如减少新手引导，默认朋友在场指导）[109] - 游戏行业存在大量“为爱发电”的纯粹创作者，让他们能做出好作品是巨大机会[109] - 许多用户享受创作过程本身（如“电子十字绣”），而非结果[110][111] 对AI社交发展的看法 - 当前AI社交主要有两个方向：一是围绕Agent与人之间的关系形成互动；二是公司所做的，以AI提供内容增量，核心仍是人与人之间的社交[123][124][130] - 第一个方向（人机对话社交）依赖人的持续表达，而愿意表达的是极少数（如OC向人群、喜欢表达的创业者/投资人），难以替代现有社交网络[125][126][128][129] - 公司方向中，AI提供好玩的游戏化内容，用户即使不说话也能玩起来，以此支撑社交[130] 对“下一个抖音”及行业格局的判断 - “下一个抖音”的命题在视频内容形态中不成立，因为AI生成的视频或互动内容最终仍会分发到现有大平台（如抖音、YouTube）[131][132] - 在多模态互动内容领域，核心玩家可能是拥有YouTube的Google和拥有抖音的字节跳动，因其对多模态能力要求极高[133] - 即梦（字节跳动产品）的机会可能在于互动内容，因为直接在抖音分发互动内容可能降低视频播放量（VV），影响广告收入[134]

AI Coding与Agent能力跃迁 - AI Coding能力已跨越奇点，人类介入比例从过去的10%降至约0.1%，系统可自主运转[5][8] - 对AI Coding能力评分：25年初不及格，后提升至60分（小局部工作），再到80分（大模块架构与组织），目标90分（复杂项目设计与审查）[9][10][11] - 在10万行代码以内的项目中，AI的表现优于高级工程师团队，且速度更快[12] - 个人重度使用案例显示，每日消耗近十亿级别Token，产出数万行代码，相当于数十人月工作量[12] - 部分公司内部代码已100%由AI编写，未来软件开发可能呈现两极分化：100%人类手写或100%AI生成[13][14][16] 关键产品与技术演进 - **Claude Code**：定义了本轮Agent的形态基础，标志着大模型能够操控现实世界，从编程切入因其可控性，未来通用Agent形态很可能就是编程Agent[16] - **长上下文信息召回率**：关键指标从GPT-5.1的约30%提升至GPT-5.2的近90%，这对Agent在多轮复杂任务中的准确性至关重要[17] - **Agent的Context Engineering**：在System Prompt和Tool Use编排上的最佳实践由Claude Code引领并快速传播[17] - **Cowork**：本质是Claude Code的插件，封装了Computer Use能力，底层逻辑无重大突破[18][19][20] - **Skills**：优于MCP的封装方案，因其组合性更强（自然语言可叠加）、更易上手（可直接让Coding Agent现场编写）[25][26][27][29][30] - **Clawdbot**：运行在本地电脑的全能助手，能以自然语言交互，控制鼠标键盘完成几乎所有操作，底层是类似Claude Code的编程Agent[31][32][33][34] - Clawdbot被猜想为未来操作系统的雏形：内核是聪明的编程Agent，上层是Skills，最外层是交互界面[34] - Clawdbot设计包含记忆系统，可长期积累和成长，并能通过编程自我补强能力，实现一定程度的自我演化[41][42][46][47] - **moltbook**：一个AI社区，Clawdbot等AI可接入并互相交流技巧、改进工作流，展现了多智能体协作与能力涌现的潜力[47] 市场影响与未来趋势 - AI Coding能力的成熟使得直接套用AI Coding和Agent的壳成为新趋势，而非简单套用大模型[34] - 技术平权仍处早期，Clawdbot等高门槛产品的意义在于展现新的可能性，预计未来将有更多团队推出易用产品，让更多人体验[48] - 2026年AI应用层预计将迎来大爆发，AI Coding带来的体验升级将快速扩展到设计等其他领域[49][61] - 全球算力出现短缺，叙事重回堆算力，因AI Coding、多模态应用等对Token的消耗远高于早期Chatbot[59][60][62] - 未来创业方向可能集中于两个极端：追求极致“人味”（解决AI无法替代的人际连接与长尾需求）和追求极致效率（用AI将效率提升数个数量级）[52][53][54][55] - 介于“极致人味”与“极致AI”之间的业务将越来越难做[56] 组织形态与人才需求演变 - 未来组织可能由独立模块构成，每个模块由一位高级工程师负责，带领一群Agents工作，核心能力是判断与决策[67] - 模块与Agents之间协作需求降低，因单元效率极高，协作易引入问题，清晰的边界和共同目标变得更为重要[67][74][75] - 对工程师的建议是思考如何成为更有趣的人，因为编程将日益工具化，想法和创造力变得更为重要[64][65] - 编程可能分化为不同赛道：用AI满足刚需、满足竞技/艺术/审美需求、以及创造本身带来成就感的Builders[66][67] 基础设施与概念创新 - **Box概念**：作为Skills的延展或组合基础设施，将技能与完整的执行环境绑定，隔离副作用，使原子能力可被稳定、重复调用和组合[68][70][71][72] - Box的实践案例包括封装登录、下单等固定流程，为Agent提供稳定的执行空间[71] - AI当前的主要瓶颈从技术能力转向经济学问题，即算力成本与使用ROI的权衡[50][51] - AI已能覆盖所有在电脑上完成的任务，但物理世界任务（如取外卖）仍是局限[49]

文章核心观点 - 文章通过投资人与AI创业者俊杰的对话与观察，阐述了对新一代创业者的核心投资理念：卓越的创始人应具备超越个人需求的宏大出发点（如“Intelligence with Everyone”）和长期专注于愿景的坚韧智慧，而非仅仅关注竞争或短期商业利益 [2][3][5][15] - 中国新生代创业者正发生结构性改变，他们成长于经济高速发展期，具有底层的丰盈感，因此更可能超越个人需求，定义新方向并引领全球前沿创新 [15] - 真正的技术价值在于“User In the Loop”，即用户可感知的技术产品，而非单纯的技术调用 [2] 对创业者俊杰的观察与评价 - 创业者俊杰坚信AGI（通用人工智能）必将实现，其创业出发点是推动AGI发生并让技术服务每个人，即“Intelligence with Everyone” [2] - 俊杰认为AGI是技术、产品、商业、公司整体结合的系统工程，因此选择从应用切入，因为“技术是奢侈品”，单纯技术（如商汤曾每日调用超10亿次的人脸识别）若无产品化则收入有限 [2] - 其在决策离职创业时，核心自问“这是不是人生一定要做的事”，并展现出极强的专注力，不关注竞争对手的营销与融资动态，只专注于通往AGI之路 [2][6][10] - 其创业过程并非一帆风顺，但非常笃定并逐步实现了当初描绘的愿景 [13] 投资机构（绿洲资本）的核心理念 - 投资机构在早期投资中，更关注创业者的出发点和关注点，而非商业模式和短期业绩 [3] - 卓越的创始人是稀缺的，其核心能力是能长期专注在正确事情上的智慧 [5][8] - 机构致力于发现并投资那些具备“生命力”的企业家，即拥有坚韧、进化力量并能引领时代结构性变革的创业者 [25] - 机构专注于早期和成长期投资，单笔投资金额为300万至3000万美元，重点投资领域包括机器人、人工智能、科技服务等 [25][26] 中国新生代创业者的特征 - 新生代创业者成长于中国高速增长年代，底层的丰盈感使其中的一些人能够超越个人需求，去定义新方向、构建新范式并敢为天下先 [15] - 他们长期专注在自己真正感兴趣的前沿创新上（如宣称“生命是可以设计的”、“具身智能通往AGI”），但在个人生活上可能极为简朴（如使用宜家99元的办公桌） [16][17] - 他们并非世俗意义上的完美形象（可能穿着破洞衣服、不善社交），但因相信自己的愿景并专注践行，从而活出了强大的生命力 [16][17][19]

文章核心观点 - AI行业已完整走过第一个三年周期，市场从早期非共识走向广泛参与和竞争 [2] - 投资机构最正确的决策是All in AI，但反思在早期应更开放、更激进地投资全球机会，并认识到算力是未来支配智力的核心资产 [3][4][6][9][10][13] - 未来三年将进入“大科学时代”，AI将极大赋能科学家，推动科学大爆发，而构建AI与人的“主体性”是未来十年的核心议题 [22][60][61][66] - 在AI时代，个体“活出自己”是几乎唯一的生存和发展策略，AI将放大个体的独特点，而真实和执行力变得比思考和演算更有价值 [24][29][31][57][58][151][153] - 对AI“泡沫”的讨论是产业变迁中的噪声，关键在于方向正确，AGI是人类当下最有价值的命题 [33][37][38][39] 对过去三年的复盘与反思 - **最正确的决策**：All in AI，并在早期非共识时投资大模型而非垂直模型，投资Agent而非应用，预言了超级个体时代 [3][14] - **最错误的决策/反思**：早期投资心态可以更猛，项目性价比更高，例如23年具身智能项目估值仅1-2亿人民币，贵的也才10亿人民币 [3] - **错失的机会**：因顾虑地缘等因素，错过了投资美国具身智能公司Figure AI的机会，其估值从8亿美金增长至400亿美金 [4] - **认知变化**：大方向判断正确，但低估了全球大公司（如Google、微软、Meta）对AI的反应速度、投入决心和战略能力，这反过来压低了创业公司的天花板 [15][16][17][18] - **投资方法论的进化**：在快速变化的AI领域，对人的判断比事更重要，更珍惜创始人的执行力、动态解决问题和实事求是的能力 [51][52][53][54][55] 对AI技术与产业的前瞻判断 - **AGI的信念与定义**：相信AGI会很快到来，其定义并非全知全觉的生命，而是在任何可验证结果的环境中超越人类的AI [19][20][21] - **多模态与具身智能的重要性**：多模态是AI发展的关键，而具身智能是提供多模态训练数据、通往AGI的重要路径（“北坡”） [82][83][84][87] - **AI与具身的关系演进**：认知经历了三个阶段：从“能干活的机器人”，到“AI的载体”（Embodied AI），再到“Robotics就是AI本身”，最终价值在于通过机器训练出的AI [89][90][92][93][94] - **算力的核心地位**：未来是智力时代，算力是支配智力的关键，可能越来越稀缺并受监管，未来慈善可能是捐赠免费算力 [10][11][12] - **未来重点方向**：关注AI与科学的深度结合、Agent基础设施（Agent Infra）以及具身智能，中国在具身智能（北坡）有巨大机会和领先潜力 [98][99] 市场与投资环境分析 - **市场阶段变化**：市场从早期能完全覆盖信息，发展到25年公司数量激增、噪音变多，类似早年的移动互联网，需要做取舍和聚焦主要矛盾 [47][48][49][50] - **退出路径变化**：香港市场成为重要的新退出通道，同时市场参与者结构变化，如智谱、MiniMax等头部公司中人民币基金和政府基金占比显著 [78][79][80][81] - **当前市场信号**：高频信号是火热的融资市场（一周可达四十几个TS），但这可能是噪声；低频信号是创始人是否在解决真正重要的问题 [72][73][74] - **资产配置逻辑**：在AI时代应“Long Action, Short Thinking”（做多行动，做空空想），执行力比空想更值钱 [57][58] - **对融资市场的展望**：对26年融资市场乐观，全球前沿科技看中美，当前资金有从美国减仓并流向中国的趋势，且中国式创新（如DeepSeek、MiniMax、宇树）正获得全球关注 [100][102][103][104] AI时代下的个体与组织发展 - **个体的生存策略**：AI时代个体必须“活出自己”，AI将放大每个人独特的美学或能力点，使其能服务更多人；即使不参与AI变革，活出自己也能成为无法被替代的部分 [24][25][29][31] - **执行力的价值**：在AI能力强大的背景下，人的核心优势在于定义问题、保持初心和快速执行，获取AI无法获得的体感反馈 [55][56] - **注意力的优化**：如同优化AI的注意力机制，人也应优化自身注意力，关注长期低频信号而非短期噪声，以提升生命质量 [124][125][126][127][128] - **组织与伙伴关系**：好的合作伙伴是能让彼此变得更真实、能毫无保留表达真实看法的人，合作中应追求“一层真实”而非层层计算 [151][152] - **创始人的特质**：优秀的创始人特质是“真”与“知行合一”，例如不看竞争对手融资，只聚焦AGI目标与技术研发 [155][156][157][158][159] 中国创新的全球角色 - **中国创始人的全球视野**：新一代中国创始人具备全球眼光和创新决心，正在走向全球市场并引导全球创新，尤其在智能硬件领域（如极壳、大疆、拓竹） [159][160] - **中国在AI发展路径中的优势**：在通往AGI的“北坡”（具身智能）上，中国拥有巨大的机会并处于领先地位 [99] - **本土资本体系的构建**：中国正在搭建自己的科技公司估值体系和资本成长体系，尽管退出市场尚年轻，但方向正确 [81] - **全球创新范例**：如MiniMax从创立第一天就是全球格局，致力于全球创新、产品和用户 [160]

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]