财务数据和关键指标变化 - 第一季度营收增长16%，达到1.175亿美元，实现连续八个季度两位数营收增长 [7][23] - 调整后EBITDA增长56%，从2024年第一季度的680万美元增至1060万美元，调整后EBITDA利润率从7%升至9% [7][30] - 净收入为190万美元，摊薄后每股收益为0.06美元；调整后净收入为350万美元，摊薄后每股收益为0.11美元 [31] - 全年财务指引上调，预计营收在4.85 - 4.95亿美元，调整后EBITDA在5800 - 6300万美元，净收入在1000 - 1500万美元，学生入学人数增长10% - 14% [33] - 资本支出预计在7000 - 7500万美元 [26][35] 各条业务线数据和关键指标变化 - 运输和技术贸易项目学生入学人数增长32.4% [24] - 医疗保健和其他专业项目学生入学人数下降6.3%，排除相关调整后实现约6%的有机增长 [25][26] 各个市场数据和关键指标变化 无 公司战略和发展方向和行业竞争 - 公司实施林肯10.0混合教学模式、新校区开发计划、复制热门课程、签署企业合作协议等策略，以实现持续增长 [7] - 计划在2025年开设三个新校区，2026年开设一个新校区，并持续探索其他服务不足的市场 [10][12] - 公司认为自身在技能培训市场具有独特优势，将继续扩大学校网络，满足市场对技能工人的需求 [16] 管理层对经营环境和未来前景的评论 - 尽管经济环境存在不确定性，但公司业务需求持续增长，不受宏观经济条件和政治议程的影响 [19] - 国家技能差距严重，对技能工人的需求将不断增加，公司有望从中受益 [17] - 公司对实现2027年约5.5亿美元有机营收和约9000万美元调整后EBITDA的目标充满信心 [7] 其他重要信息 - 公司与第五第三银行修订信贷安排，将信贷额度从4000万美元提高到6000万美元，并扩大了可调整额度 [27] - 公司预计关税对成本和资本支出的影响不大 [29] 总结问答环节所有的提问和回答 问题1: 第一季度需求强劲和营销效率提高的原因 - 公司与供应商合作提高效率，市场对技能培训的需求增加，获得更多推荐，降低了平均成本，预计全年营销成本将有所节省 [38][39] 问题2: 监管变化及对公司的影响 - 华盛顿的监管环境变化快，但公司在教育方面与政府目标一致，处于有利地位，虽教育部人员变动，但公司与高层保持密切联系，未发现不利影响，相关法案总体对公司有利 [46][47][48] 问题3: 2025年计划开展的五个新项目是否获得教育部批准 - 除罗德岛的焊接项目外，其他项目均已获批，罗德岛焊接项目预计在未来四到五个月内获批 [52] 问题4: 医疗保健项目学生入学人数收缩的情况及恢复增长的时间 - 按摩疗法和烹饪课程预计到11月无学生，医疗保健项目预计第四季度开始增长，帕拉默斯校区护理项目通过率提高，有望提前恢复招生 [53][55] 问题5: 医疗保健项目学生入学人数下降的原因及排除相关因素后的情况 - 排除帕拉默斯校区和相关课程结业的影响，医疗保健项目增长近6%，两者影响大致相当 [61] 问题6: 第二季度和第三季度学生入学人数的节奏变化 - 由于教学模式，2024年6月的入学班级在2025年7月1日入学，计入第三季度，对第二季度入学人数有影响，但对营收影响不大，第二和第三季度入学人数合计将实现高个位数增长 [63][64][65] 问题7: 2025年EBITDA指导中运营费用的情况及对2026年的影响 - 2025年指导排除新校区预开业损失和新项目费用，2026年可能不再排除，但仍会按预估基础报告，预计到2027年EBITDA利润率每年提高200个基点 [75][76][77] 问题8: 学生入学需求和增长的来源 - 需求增长并非因裁员，而是人们意识到并非所有人都需要上大学，职业学校能提供更便宜、快速和安全的就业机会，且人工智能无法取代手工技能，同时国家对技能工人的需求增加 [80][81][83] 问题9: 今年剩余时间新校区公告的情况 - 公告的将是新市场或现有市场的新校区，而非搬迁校区 [89] 问题10: 2025年指导中纳什维尔校区搬迁和费城校区的贡献及纳什维尔校区的趋势 - 目前难以拆分贡献，纳什维尔校区3月搬迁，预计2026年开始产生较大影响 [91] 问题11: 全年资本支出的节奏 - 预计第二季度资本支出最重，略高于第一季度的2500万美元，第三季度略低于第一季度，剩余部分在第四季度支出 [96] 问题12: 东点亚特兰大校区第一季度的营收贡献、运营模式及盈利情况 - 第一季度营收略超400万美元，去年同期约10万美元，预计第四年营收超2000万美元，EBITDA达600万美元，该校区已提前实现盈利 [104][105][106] 问题13: 降低坏账率的措施及目标 - 实施新软件系统和混合模式，现金收款情况良好，希望未来几个季度坏账率控制在11% - 12% [109][110][111]

系统提示词对比分析 - Claude的系统提示词长达16,739个单词，远高于OpenAI的ChatGPT中o4-mini系统提示的2,218个单词（仅为Claude的13%）[2][3] - Claude的提示词包含大量非结构化修改痕迹，疑似针对热点事件或问题修复的临时补丁，维护复杂度高[5] - 提示词中工具定义占比最高，详细规定了14个MCP工具的使用规范（如谷歌Drive搜索说明超1700字），其次是用户偏好和风格指引[8] 大语言模型学习范式革新 - 当前LLM主要依赖预训练（获取广泛知识）和微调（优化行为习惯），均需调整模型参数[9] - Karpathy提出"系统提示学习"新范式：类比人类通过显式笔记总结经验，而非直接改写大脑参数[10] - 理想状态下模型应自动生成/优化提示词，但当前Claude提示词仍完全由人工编写，效率低下[10][18] 系统提示学习的潜在价值 - 优势包括：更高维的数据利用（通过显式复盘吸收反馈）、更强的任务泛化能力[19] - 可能解决LLM现存痛点：如《记忆碎片》式依赖参数记忆，缺乏外部备忘录机制[12] - 需攻克技术难点：自动编辑提示词算法、提示编辑系统的自学习机制、显式知识向参数习惯的转化[20] 提示工程实践启示 - 结构化指令效果更优：Claude提示词使用列表/格式/示例，明确工具调用规则和用户交互边界[8][15] - 精准指令胜于模糊表达，需具体说明需求与限制条件（如知识截止日期、诗歌创作规范）[8][14] - 提示工程本质是沟通技巧延伸，非高深技术，普通用户可通过学习Claude提示词提升效果[16][17] 行业资源链接 - Karpathy推文探讨系统提示学习[21] - 第三方网页解析Claude提示词内容与结构[21]

AI发展阶段划分 - 当前处于AI发展的中场阶段 上半场以模型创新和基准测试为核心 下半场将转向定义问题和现实效用[2] - 上半场标志性成果包括DeepBlue AlphaGo GPT-4等 通过搜索 深度强化学习 模型规模化和推理等根本性创新实现突破[2] - 下半场将从"解决问题"转向"定义问题" 评估比训练更重要 需要产品经理式思维方式[4] 上半场特征分析 - 核心在于构建新模型和方法 评估与基准测试处于次要地位 方法比任务更具挑战性和通用性[8] - 最具影响力论文如Transformer AlexNet GPT-3的共同点是提出训练更优模型的根本性突破 并在基准测试展示显著性能提升[5] - Transformer论文引用量超过16万 而其基准WMT'14仅约1300次引用 显示方法创新价值远高于基准测试[5] 突破性技术配方 - 有效配方包含三大要素：大规模语言预训练 规模化(数据和算力) 推理与行动概念[9] - 强化学习长期关注算法而忽视环境和先验知识 深度强化学习时代证明环境重要性远超预期[15] - 语言预训练提供关键先验知识 使模型具备泛化能力 这是OpenAI早期尝试未能突破的核心原因[15] 下半场范式转移 - 现有配方已产业化基准测试提升 新方法仅能带来5%改进 而下一代模型可提升30%[20] - 需要重新思考评估框架 打破自动执行和i.i.d.等传统假设 开发人类参与的长期记忆型评估[23][26] - 下半场重点是将智能转化为实用产品 可能创造数万亿价值 需要筛选并突破现有方法局限[26] 技术演进路径 - 人类通过思考实现任务泛化 将推理作为特殊"行动"可充分利用语言预训练先验[16] - 增加推理动作空间使Agent能灵活分配计算资源 这是实现泛化的关键机制[18] - 讽刺性发现：强化学习算法重要性低于先验和环境 这与数十年研究重点完全相反[18]

AI发展阶段的划分 - AI发展已进入下半场，从单纯解决问题转向定义问题和评估模型效果 [6][7] - 上半场核心在于训练方法创新，如Transformer、AlexNet、GPT-3等模型突破 [9] - 上半场训练方法论文引用量远超benchmark论文，如Transformer引用16万次vs WMT'14的1300次 [9][11] 强化学习(RL)的突破 - RL获得泛化能力，能同时处理软件工程、创意写作、数学问题等多样化任务 [8] - RL三大要素中，先验知识(priors)重要性超过算法和环境 [13][14][15] - 语言模型pre-training为RL提供了关键先验知识，但直接应用于控制领域效果不佳 [20][21] AI有效配方 - 核心配方包含：大规模语言预训练、算力数据扩展、推理与行动理念 [12] - 语言通过agent reasoning实现泛化，如ReAct框架结合推理与行动 [25][26] - 环境设计重要性凸显，OpenAI曾开发Gym、World of Bits等标准化RL环境 [18][19] 评估方法的转变 - 传统i.i.d评估假设与现实不符，需开发考虑长期记忆和连续任务的评估方式 [30] - 自动评估假设被质疑，真实人机交互评估如Chatbot Arena更具现实意义 [28][30] - 效用问题成为关键，AI需从攻克benchmark转向创造实际经济价值 [28][30] 行业影响与趋势 - 通用配方使渐进式改进价值降低，5%专项优化可能不如30%的通用模型提升 [26][28] - 下半场将催生万亿级公司，通过智能产品化实现商业价值 [30] - 行业需重新思考问题定义，产品经理类技能将更受重视 [7][28]

文章核心观点 伊利诺伊州90%的学区难以填补教师空缺 公司推出Kelly Education Learning Pathways™专业学习平台 帮助代课教师提升技能和信心 以应对课堂教学需求 为学区打造更高效的代课教师队伍[1][2] 行业现状 - 伊利诺伊州90%的学区面临教师短缺问题 难以填补教师空缺 [1][2] 公司举措 - 公司扩大对伊利诺伊州代课教师发展的投入 推出Kelly Education Learning Pathways™专业学习平台 [1] - 该平台为代课教师提供三个级别的课程 包括Essential、Enhanced和Exemplary [1] - 平台课程由拥有Ed.D.资质的教育工作者参与开发 基于研究提供全面培训 [3] - 除核心课程外 还可购买额外课程和模块 以满足学校不断变化的需求 [4] 课程核心内容 - 涵盖日常程序、教学策略、课堂管理和学生参与等核心领域 [7] 平台优势 - 为学校和学区领导提供可定制、以结果为导向的代课教师课程 有助于提高招聘和留用率 [8] - 提供仪表盘和定期报告更新 方便监控绩效和培训完成情况 [8] - 节省内部培训管理成本和潜在事件相关费用 [8] - 可在门户中与人才沟通 并颁发认证证书以证明教师的学习和进步 [8] 公司简介 - 公司通过定制化劳动力解决方案推动学习的未来 业务涵盖教育全领域 [9] - 公司是全球劳动力解决方案提供商Kelly的业务之一 [9]

文章核心观点 公司推出Kelly Education Learning Pathways™平台助力弗吉尼亚代课教师发展，提供全面培训提升其教学能力，为学区带来多方面益处 [1][3] 公司业务情况 - 2023 - 24学年公司填补520万个代课教师岗位，体现对学校和学生的支持 [2] - 公司提供定制化劳动力解决方案，涵盖招聘、业务管理、专业发展等教育全领域 [9] 新平台情况 平台推出目的 - 满足弗吉尼亚州对代课教师定向和培训的要求，提升代课教师技能和信心 [1][3] 平台课程设置 - 初始课程分基础、强化和示范三个级别，为学区打造更高效代课教师队伍 [1] - 核心聚焦日常程序、教学策略、课堂管理和学生参与等方面 [7] - 有额外课程和模块供购买，满足教师技能提升和学校需求变化 [4] 平台优势 - 为学区领导带来时间和成本节省，提升教育质量和稳定性 [4] - 提供可定制、以结果为导向的代课教师课程，助管理员提升招聘和留用率 [8] - 提供仪表盘和定期报告，方便监控绩效和培训完成情况，追踪投资回报 [8] - 节省内部培训管理费用和潜在事件成本 [8] - 可在门户向人才发送消息 [8] - 颁发认证、验证证书，展示教师学习和进步 [8]

文章核心观点 凯利教育推出Learning Pathways™专业学习平台，为代课教师提供培训，以提升其教学技能和信心，帮助学区培养更有效的代课教师队伍，还能为学区领导带来时间和成本节省等好处 [1][4] 公司动态 - 公司推出Learning Pathways™专业学习平台，为代课教师提供培训，有基础、强化和模范三个级别 [1] - 平台课程由拥有博士学位的教育工作者参与开发，基于研究且全面，核心聚焦日常程序、教学策略、课堂管理和学生参与等方面 [3][6] - 额外课程和模块可购买，以满足教师技能提升和学校需求变化 [4] - 平台为学校和学区领导提供定制课程、仪表盘和报告、财务节省、消息功能和认证证书等服务 [7] 行业现状 - 2023 - 2024学年，肯塔基州13%的教师职位空缺全年未填补 [2] 公司成果 - 2023 - 2024学年，公司填补520万个代课教师职位 [2] 公司介绍 - 公司通过定制化劳动力解决方案推动学习未来，业务涵盖招聘、业务管理、专业发展等教育全领域 [6][8]

文章核心观点 - 2025年第一季度中美AI领域火热，AGI路线图上智能提升是唯一主线，要围绕智能投资和思考，模型公司壁垒在于成为Cloud或OS，未来模型和产品边界将模糊；最大非共识是pre - training空间大，Coding是实现AGI的最好环境，Agentic AI是未来关键，AGI时代组织和文化竞争力仅次于算力 [3] 重新重视Pre - training - pre - training空间大，还会涌现新能力，下一代SOTA模型能显著超过当前模型，只有pre - training能决定模型内在上限，post training和RL不涌现新能力 [5][6] - OpenAI看似不重视pre - training可能是战略选择和组织问题，战略上O系列刷分快、ChatGPT成长快占用精力，组织上pre - training核心团队动荡 [7] - RL能产生合成数据加入pre - training环节，可解决数据瓶颈问题，但training和RL inference融合难，涉及训练框架的Infra问题 [9] - 期待pre - training涌现新能力，如提升模型tool use能力，Manus是Anthropic tool use能力的“ChatGPT时刻” [9][10] - 对两年内实现AGI有信心，Coding是实现AGI最好的环境，是模型的“手”，现实世界多数任务可用Coding表达，Agent可通过操作电脑和手机任务接近AGI [11][12] - Anthropic在Coding上有领先优势，Cursor是热门编程IDE工具，多数开发者选Sonnet，Coding是$1T级机会，模型公司在AI for Science领域突破可达到$1T或$10T [14][15][16] - Coding应作为技术引擎，产品表达形式待定义，期待Cursor在交互表达上有新突破 [17] ChatGPT只是攀登AGI的第一站 - OpenAI和Anthropic在实现AGI路线上发生分化，OpenAI核心bet是O系列和ChatGPT，重视C端市场和自下而上组织文化；Anthropic专注pre - training、Coding和Agentic，重视B端市场和自上而下组织文化 [18] - 路线分化原因可能是Anthropic团队出身pre - training有信心，OpenAI O系列亮眼获更多资源，且pre - training团队变动大 [19] - O系列刷benchmark快，但不确定能否打开智能天花板，其提升的Coding多为竞赛型，Anthropic做实战型Coding更多 [20] - 硅谷对不同路线分歧大，本质是智能和流量哪个重要，更应相信AGI原教旨主义，智能提升是首要目标 [21][22] - 谁能做出显著领先的base model谁可能是赢家，长期来看Anthropic可能比OpenAI更有价值，OpenAI对pre - training重视不够 [23][24] - 国内公司有必要训练自己的闭源模型，智能处于早期阶段，认知差异可能源于想象力局限 [26] - AGI探索主线是智能提升，ChatGPT是第一站，后续还有Coding、Agent、AI for Science等，AI for Science是珠穆朗玛峰，多模态、Online Learning等大概率在主线上 [30][31] - 智能涌现带来Magic moment和流量迁移，当前AGI模型公司和产品无绝对壁垒，应围绕智能主线推动智能提升，应用承接智能红利 [32][33] - DeepSeek放弃Chat Bot流量是因组织文化和智能本质考量，AI Robotics排在AI for Science后面是因数据采集低效、算法架构未达成一致，AI for Science有自动化实验室和垂直领域基础模型等趋势 [33][34][35] Agent & Online Learning - AGI应用爆发少是因Agent产品供给受限，依赖模型能力，模型和云厂商未做好Infra准备，Agent有文本、Coding、通用日常任务等类型 [48] - Agent落地关键能力是Long Context reasoning、Tool use、Instruction following，对应不同Infra能力，Context很重要，存在支付宝级机会 [49][51] - Long Context对Agent完成多步骤任务很重要，但目前未找到有效突破方式，存在数据、成本、架构等难点，long - term memory可能取代Long Context [51][52][53] - 两年内实现AGI确定性高，路径是现有路径，AGI定义是在电脑或数字环境下满足3个90% [54] - 新的范式级路线可能是Online Learning，让模型自主在线探索学习，但存在无清晰reward和目标定义等挑战，可能通过模型微调等实现 [54][55] - 可通过坐标轴评价路线差异，重视数据，未来pre - training叙事和Agentic对算力刺激大，看好算力需求 [58] - 英伟达想成为云厂商，贾扬清的公司被卖符合其战略 [58] 大模型的壁垒到底在哪？ - 应做研究驱动的应用，AI市场有泡沫，Agent泡沫刚开始，AI产品定价偏低 [60][61] - 通用Agent能否出现取决于pre - training和RL及关键能力，Reward Model泛化性微弱 [62][64] - 模型公司壁垒可能是成为Cloud或OS，OpenAI商业模式可能较好，Anthropic专注模型pre - training [65] - 投资人应投研究推动的应用，应用公司构建壁垒需考虑用户数据使用和独立环境构建，长期做大需具备调整模型和做Research的能力 [66] - 用户数据对提升模型能力作用微弱，模型和产品边界将模糊，应用公司和模型公司会相互渗透 [67][68] - Agent可能影响SaaS公司价值，模型训练是人类面向未来的大基建投入，价值链利润将向后迁移 [69][70][71] - AI市场可能出现黑天鹅，如全新架构、新的Agent产品形态等 [72] 全球AI公司的竞争格局 - OpenAI核心bet是O系列和ChatGPT，Anthropic专注pre - training、Coding和Agent，OpenAI领先优势加强，流量集中度提升，与Anthropic拿走市场revenue的80% [73][74] - Anthropic和xAI背后有Amazon和Musk支持，DeepSeek和xAI Grok跟随OpenAI路线，Google多模态强但其他bet不清晰 [75] - GPT - 4.5可能较强，GPT - 5可能是hybird model，预期今年夏天推出，有GPT - 3.5到GPT - 4量级的提升 [76][79][80] - OpenAI支持Anthropic的MCP协议，两家有竞争但路径分化，OpenAI与微软可能因利益冲突产生裂痕，分家对微软有影响 [81][82][83] - OpenAI整体较安全，但存在base model不够领先的风险，xAI Grok写作能力突出，与Twitter合并为了流量 [84][85][86] - AGI是普通本科毕业生操作电脑水平，ASI是爱因斯坦水平，实现ASI需突破，Mira的新公司团队强，可能做打败ChatGPT的产品 [87][88][89] - Manus和Perplexity执行力强，Manus更吃模型能力，ChatGPT的Deep Research后续会集成更多产品，有两个发展方向 [90][91][92] - Devin解决的问题易被模型公司覆盖，Cursor可能是阶段性产品，期待DeepSeek出现范式级创新 [93] - ilya和Noam对AGI推动贡献最大，其次是Dario和Alec等，Sam对业界贡献大但部分行为可能是烟雾弹 [94][95] 如何构建AGI portfolio - 构建AGI portfolio会投25%给Anthropic，25%给Bytedance，10%给OpenAI，10%给Mira的公司，5%给ilya的公司，5%给Cursor，5%给Manus，15%待定，若DeepSeek融资也会投25% [96] - 字节被低估，营收和利润好，可内生投入AGI，Anthropic团队、Roadmap和战略重点更受看好，Mira公司成功概率高 [97][99] - 未来3 - 5年投资最大的bet是AGI带来科学的文艺复兴，会出现多家市值超$10T的公司和下一个Google、Windows等 [101] 组织文化竞争仅次于算力 - 组织和文化竞争力是仅次于算力的核心竞争力，做AGI要有赌性，人才密度比数量重要 [103] - 判断AGI - native组织要看是否AGI first、Research first等，团队成员要年轻聪明、有想象力和执行力 [103][104] - 大概率OpenAI和Anthropic最早实现AGI，中国字节和DeepSeek等也可能实现，开源可突破地缘封锁 [105] - 中美差距快速缩小，中国人才强，字节Infra能力强，有望在AGI领域有突破 [105][106] - 硅谷多0 - 1创新，中国多1 - 100创新，未来中国创新模式可能变化，需资本充裕和冒险精神 [109] - 应把产品和技术做到极致，跨越地缘问题，激进全球化，期待更多中国跨国公司出现 [110][112]

图片来源： 20VC with Harry Stebbings Z Highlights Mike Krieger ， Instagram 联合创始人， Anthropic 首席产品官 。在本次节目中，他与 Harry 讨论了 AI 世界中价值的创造和维持，以及 Anthropic 从 DeepSeek 中所习得的。 在 AI 世界中，价值将如何被创造和维持？ Harry Stebbings ： Mike ，伙计，我太激动了。我刚刚散步的时候，几乎听了你去年做的每一集节目。我之前告诉过你，我不想从 " 你是怎么进入科技行 业的 " 这种常规问题开始。我想从一个非常具有挑战性的问题开始，作为今天的风险投资者，我必须确定未来的价值所在。我看着今天的世界，却不知道 答案。所以，我的问题是：当我们展望未来，在接下来的十年里 ——AI 驱动的时代，我们的价值将在哪里创造？ Mike Kriege ： 这是一个很棒的问题，我经常从企业家那里听到它。从最初纯粹做创业公司，到现在经营一家部分帮助新创业公司创建或提升其命运的公 司，我经常被问到：我可以做什么，以避免走入 Antropic 或其他类似实验室的道路？我没有完美的答 ...

Mar. 6, 2025 产业洞察 根据TrendForce集邦咨询最新调查，2024年第四季Enterprise SSD（企业级固态硬盘）订单由于NVIDIA H系列产品陆续到货，以及中国大型CSP维持采购动能等因素，需求和前一季持平。合约价则受到消费性 产品市场疲软影响，最终维持与第三季相同水平。据此， 2024年第四季原厂Enterprise SSD营收为73.4 亿美元，微幅下滑0.5%。 观察2025年第一季市况，尽管4TB及8TB的Enterprise SSD持续受惠于AI Training需求，但采购量成长仍 不敌淡季效应。此外，市场供过于求态势明显，且部分供应商积极消化16TB及30TB产品库存， 预计可能 导致第一季Enterprise SSD合约价格跌幅在18%至23%间，相关营收将因此大幅下滑近30%，这种情况 将于2025年下半年后逐渐改善。 | Company | Revenue | | | Market Share | | --- | --- | --- | --- | --- | | | 4Q24 | QoQ (%) | 4Q24 | 3Q24 | | Samsung | 2,9 ...