The AI bubble debate misses the point. We’re watching billions being spent on the largest technology opportunity in history, with a 95% failure rate. Do these statistics suggest we are hurtling to an AI cliff? No. Instead, they confirm that it’s time to rethink what AI means for business. Lessons from history are helpful here. When electricity arrived in the late 1800s, factories did the obvious thing: they swapped gas lamps for lightbulbs. The result was brighter, safer workplaces. But the true revoluti ...

AI Doesn’t Break Organizations. It Reveals Where They’re Already Broken.Xaviera Ringeling5 min read·Just nowJust now--Press enter or click to view image in full sizeMost companies think they have an AI problem. They don’t. What they do have is an organizational problem that AI is making impossible to ignore.For years, the gaps between departments like IT, compliance, content and legal, were expertly patched by smart people with institutional memory. A quick call here, an extra check there. A bit of intuitio ...

作者、专家与顾问的角色定位与区别 - 作者的核心价值在于解释世界，通过分析现象背后的逻辑并以通俗易懂的方式呈现，使读者获得新的理解角度 [4][7] - 专家的核心价值在于总结规律，能够抽象出一套框架来解释方法为何有效、适用的场景以及局限性，例如将AI落地分为个人效率工具、团队协作工具和业务流程重构三个层次 [10][12][13] - 顾问的核心价值在于解决问题，在专家的框架基础上，结合企业具体情况进行诊断、定制方案并陪同落地，类似于医生的“望闻问切” [42][43][44] 不同角色的能力要求与产出差异 - 作者的工作产出是见解和文章，侧重于打开视野和提供新角度，但内容往往是一次性的，缺乏可复用的方法论 [32][33][34] - 专家的关键能力是将杂乱的经验知识梳理成可支撑培训和落地的框架，把“弹药”打磨成“武器”，其产出是能够跨场景复用的方法论 [13][16][36][40] - 真正的顾问需要具备诊断能力，并长期扎根企业进行调研和项目执行，其模式是“小客户不接，大客户死磕”，项目周期可能长达几年甚至十几年 [49][50][62] 国内相关行业市场现状 - 国内市场上存在大量“经验搬运型”专家，其特点是直接搬运特定企业（如华为、阿里）的成功经验作为通用解决方案，但容易因行业、组织文化和发展阶段差异导致水土不服 [22][23][24] - 顾问行业存在“医派”与“药派”之分，“医派”注重诊断和定制，而“药派”则倾向于一套方案走天下，后者在国内市场更为普遍，部分原因是企业追求“快药”以及流量焦虑 [45][48][53][61] - 市场环境催生了大量以培训课形式出现的“方法论”，这些内容本质是个人经验打包，缺乏诊断环节，属于“药派”思维，培训课成为企业低成本试水的入口 [54][55][58] 行业发展趋势与商业模式 - 西方顶尖咨询机构（如麦肯锡、埃哲森、IBM）依靠深厚的理论体系（战略管理、组织心理学等）和成熟的工具箱（诊断模型、分析框架）服务于高端客户，采用长期深度合作模式 [19][20][49][50] - 国内部分顾问机构采用“闷声发大财”的商业模式，专注于服务特定客户群体，年收入可达数百万元，但市场知名度相对较低 [63][64] - 企业受短期KPI和流量焦虑驱动，更倾向于寻求立竿见影的解决方案，这进一步强化了市场上“药派”顾问和快速培训课程的供给 [60][61][65]

MC : It is going to be partnerships. They’ve had a big push in the enterprise and RIA space and have been very successful with IBDs, including LPL. It’s really just taking advantage of the network I’ve built in those same markets and helping those individuals understand a bit more about FMG. They know who they are, and they know what they’re doing. But it’s really to make sure they understand how they can be uniquely helpful to their situation.And then secondly, it’s the network I built over a 40-plus-year ...

公司现状 - 苹果公司市值达3.17万亿美元，但年初至今股价下跌15%[1] - 投资者担忧其增长潜力，因iPhone人工智能功能推出延迟可能使公司落后于竞争对手[1] - 过去六个月iPhone销售额同比基本持平，约为1160亿美元[8] 潜在收购 - 苹果考虑收购Perplexity AI，该公司估值约140亿美元[5] - Perplexity AI拥有1500万月活跃用户，专注于实时网络搜索和准确引用的答案引擎[4] - 苹果拥有超过280亿美元现金及等价物，资金充足可支持收购[5] 收购影响 - 收购将增强苹果人工智能能力，减少对其他聊天机器人的依赖[6] - 获得人工智能人才可为未来增长机会奠定基础[6] - Perplexity AI面临版权侵权问题，可能导致高额法律费用[7] 挑战与风险 - 苹果管理层对人工智能采取保守态度，注重安全与隐私而非速度[7] - 核心问题在于将先进人工智能功能整合到iPhone中，而非拥有自己的聊天机器人[7] - 缺乏新一代功能可能导致消费者升级iPhone意愿降低[8] 市场观点 - 苹果股价当前市盈率为31倍，考虑到近期增长有限，估值并不便宜[10] - 大规模收购可能改变增长前景，但并非快速或简单的解决方案[9]

全球云服务与数据基础设施发展趋势 - 全球公共云服务终端用户支出预计2025年达7234亿美元 较2024年增长21.5% 其中IaaS和PaaS分别增长24.8%和21.6% [1] - 数据隐私法规如中国PIPL和欧洲GDPR推动跨国企业实施数据本地化战略 成为业务发展的核心要求 [1] - 构建安全合规且支持生成式AI的数据基座成为企业数字化转型的关键 尤其对加码中国市场的跨国企业至关重要 [1] 跨国企业数据战略实践案例 - 辉瑞中国通过建立本地化数据底层应对法规要求 降低管理复杂度 提升市场响应能力 [2] - 辉瑞中国数据基础设施三大核心需求：全球协同网络 高敏捷扩展能力 强合规管控能力 [3] - 选择亚马逊云科技合作构建数字化生态 覆盖前端沟通至AI分析平台 衍生Chatbot/生成式AI/RPA等能力 [3] 云与AI融合的行业效益 - 辉瑞全球利用亚马逊云科技ML能力在17个生物医药研发场景创新 实现年度成本节省7.5-10亿美元 [4] - 现代化数据战略需整合人机物料法 技术层面依赖湖仓一体化设计和统一分析能力驱动业务重塑 [4] - 云服务与AI深度融合可提升制药企业研发效率30% 降低运营成本20% 加速市场响应速度50% [4][5]

聊天界面的局限性 - 聊天界面本质上是懒惰的产物，是AI产品最低成本上线的解决方案[1][4][5] - 当前主流AI产品界面高度同质化，底部消息框、聊天气泡、侧边栏历史记录成为标配[7] - 聊天界面要求用户适应系统，而非系统适应用户，违背UX设计原则[5][8][12] 聊天界面的效率问题 - 用户11%-27%的计算时间耗费在与AI的低效交互上，26%的问题最终未解决[11] - 基于聊天的AI工具将50%潜在用户拒之门外，存在根深蒂固的可用性问题[12] - 80%企业AI项目因用户接受度低而停滞，聊天界面成为业务"终结者"[12] 成功AI产品的设计案例 - GitHub Copilot通过内联建议实现56%生产力提升，无缝融入开发者工作环境[16] - Microsoft 365 Copilot被70%财富500强采用，AI能力直接嵌入工作场景[16] - 成功案例证明AI应赋能现有工作流，而非取代为劣质交互模式[16][23] AI产品设计新框架 - 提出"混合工作空间"模型，包含工作环境和智能层两个核心组件[17][18] - 智能层应具备上下文感知、渐进式呈现、融入工作流、降低认知负荷等特性[27] - 设计切入点包括内联建议、上下文面板、UI元素增强和环境智能[20] 行业未来发展趋势 - 到2025年，"聊天优先"模式公司将难以与工作流原生AI体验公司竞争[5][28] - 生成式UI将成为趋势，为特定场景动态生成定制化界面[25] - 技术壁垒将形成护城河，工作流集成能力成为核心竞争力[28] 设计思维转变 - 需从交互设计师转变为工作流架构师，系统性思考人机协作[23][26] - Google设计团队强调通过"上下文集成"而非"对话式交互"平衡人机关系[24] - 未来AI设计应让用户感觉"AI懂工作方式"，而非取代原有方法[29]

纪要涉及的行业 AI算力行业 纪要提到的核心观点和论据 1. **算力需求增长逻辑** - **AI应用渗透推动推理需求**：AI应用逐渐渗透到生活和工作各环节，改变使用习惯，使算力推理需求快速增长，微软、谷歌等大厂推理需求占比可能达60%-70%，主要源于老应用改造而非开发全新APP [1][2] - **细分领域仍有增长潜力**：训练环节市场预期悲观，但实际可能更好，预训练边际效应减缓，后训练增速不明显，但细分领域如AI Agent有增长潜力 [1][4] 2. **市场预期情况** - **算力产业链与AI应用分化**：从2024年5月开始，除ASIC外，算力产业链边际走弱，英伟达股价未创新高，市场对整体算力需求预期悲观；而AI应用领域表现强劲，如Palantir股价创新高，市场对AI应用预期较高 [1][5] 3. **解决算力需求问题方向** - **训练与推理两手抓**：解决算力需求青黄不接问题需关注训练和推理两方面，训练算力需求短期难提升，推理依赖Agent发展，Agent在特定场景已有所起色 [1][7] 4. **2025年算力需求来源** - **老应用改造、新衍生应用与Post Training**：2025年算力需求主要来自老应用改造（如推荐引擎在海外大厂的应用）、新衍生应用（如Agent）以及Post Training阶段，Agent面向ToB/ToD场景，特定领域需求显现 [1][12] 5. **Chatbot与Agent对比** - **应用场景与爆款潜力不同**：Chatbot面向ToC市场，易形成爆款；Agent面向ToB和ToD场景，不易成为爆款，其算力需求难被资本市场迅速感知 [13] - **任务复杂度与交互方式差异大**：Chatbot单次交互量约1000个TOKEN，一对一、一问一答式交互；Agent完成单个任务所需TOKEN量达几万甚至十万个，多任务、多Agent协作执行，消耗数据量和TOKEN数量远高于Chatbot [25] - **存储和算力需求有别**：Chatbot对存储和内存要求低；Agent执行任务各步骤需连贯操作，对存储和内存要求高，对计算能力和存储都有较高需求 [27][28] 6. **算力需求计算与评估** - **训练与推理算力需求公式**：训练算力需求预期约为6ND，推理算力需求预期约为2ND，N代表模型参数量，D代表数据集 [16] - **评估服务器或GPU卡数量**：通过总需求除以单个GPU卡的算力估算所需设备数量，同时考虑设备实际利用率 [34] 7. **模型选择与优化** - **优先选择小模型**：选择模型参数时优先考虑小模型，大厂做推理应用倾向先上小模型，降低成本，提高可接受性 [31] - **优化模型访问和推理方法**：使用低精度计算、模型蒸馏，结合硬件优化如KV缓存优化，可降低内存消耗，提高整体效率 [35] 其他重要但是可能被忽略的内容 1. **后训练情况**：后训练自2024年9月推出，对市场影响不明显，从事厂商数量有限，数据难跟踪，在模型参数量上维持在几万亿量级，虽算力需求预期不明显，但能提升推理能力，如DeepSeek R1体现后训练扩展法则 [8][9][19] 2. **AI Agent产品表现**：一些AI Agent产品如Mariner在美国市场表现良好，融资和用户增长迅速，在海外人力成本高的地区受众广泛，但在中国市场难推广 [2] 3. **大型科技公司资本开支**：微软和Meta本季度未削减资本开支，对未来算力需求持坚定态度，若后续应用进展顺利，算力规划短期内不会下降 [40] 4. **过去一季度AI应用发展**：过去一个季度多个AI应用发展迅速，如Mariner 3月月活访问量达2310万，Cursor有2000多万，微软3月产生50万亿个TOKEN，占季度总量一半 [38]

文章核心观点 - AI公司使用受版权保护的材料训练模型引发法律争议，需平衡技术创新与原创内容创作的可持续模式 [24] 行业现状 - AI公司用含版权材料的大量数据集训练系统，引发法律辩论和创作者担忧 [1][3] - 2023年美国全职作家平均年收入刚超2万美元，澳大利亚作家年均收入1.82万澳元 [12] 法律挑战 - Meta被指用非法书籍库LibGen训练生成式AI工具，遭美国多位作家版权侵权诉讼 [2][4] - 《纽约时报》起诉OpenAI和微软未经许可使用数百万篇文章训练AI系统，新闻集团等也对AI公司发起法律诉讼 [9][10] - 2023年多位作家对OpenAI提起集体诉讼，指控其未经许可复制作品 [11] 公司回应 - AI公司以创新和“合理使用”原则为数据抓取行为辩护，称使用受版权保护作品具有变革性 [6][8] - 澳大利亚作家协会呼吁政府监管AI，要求AI公司获授权并给予创作者公平补偿，明确标注AI生成内容 [13][14] - 哈珀柯林斯与AI公司达成有限使用协议，作者可选择获得2500美元分成，作者协会认为分成应75%归作者 [14][15] 潜在应对措施 - 出版商和创作者担忧知识产权失控，各国立法者考虑更新版权法，但应对措施差异大 [16][17] - 欧盟2024年《人工智能法案》平衡版权持有者利益与AI创新，美国副总统拒绝监管AI，OpenAI和谷歌主张“合理使用” [18][19][20] 行业动态 - 自2023年年中起，多家学术出版商与AI公司达成许可协议，部分出版商与AI公司直接交易，出现许可平台 [21][22] - 澳大利亚政府2024年9月发布AI伦理自愿框架，未出台直接监管AI的法规 [23]

AI Agent 101 - AI Agent 是 AI 进程中的重要阶段，对应 L4 等级，从"成本中心"转向"价值引擎"，但仍处于早期阶段，距离 AGI 尚有巨大工作量 [6] - AI 应用形态从 Chatbot 到 AI Copilot 再到 AI Agent，背后是 AI 能力的进化，实现更高任务难度和自动化程度，人机交互范式从"主从式"转向"伙伴式" [11] - AI 进程划分为 L1-L6，其中 Copilot 和 Agent 分别对应 L3-L4，反映 AI 应用从 GTM 阶段进入 PMF 阶段 [6] 入口之争 3.0 - 互联网入口演变史是技术满足需求的历史，从门户网站到搜索引擎再到超级 APP，每次入口革命都缩短意图与满足之间的路径 [22] - AI 时代入口形态依赖技术栈特点，LLM 的算力密集、人才密集、数据密集特性可能导向中心化，但 Deepseek 的出现带来悬念 [22] - 中美市场差异显著：美国市场硬件入口集中，AI Agent 与硬件强绑定胜率高；中国市场硬件入口分散，超级 APP 更可能掌握 AI Agent 话语权 [26] AI Agent 商业模式与挑战 - AI Agent 商业模式可能从已有 APP 盘子夺食，围绕数据权限引发剧烈反击，变现路径中平台分成和消费贷较为可行 [30] - AI Agent 面临高昂推理成本（单任务约 2$/次，能耗达纯 LLM 的 8 倍）、复杂环境适应能力不足、开放域任务失败率高达 30% 等技术卡点 [32] - 商业模型难以跑通，ROI 问题突出，当人类员工时薪低于 Agent 耗能成本时，效率革命故事将破灭 [32] AI Agent 市场竞争格局 - 大厂和大模型厂商在短期更具优势，资金、用户基础和数据积累提供巨大容错率；创业公司致胜之道在于抢先做出 Agent 领域 SOTA [3][39] - AI Agent 赛道可能被现有巨头主导，创业公司可通过聚焦细分领域实现高增长，如 Midjourney 在生图赛道的成功案例 [39] - 市场呈现三类玩家：大厂、大模型厂商和 Agent 创业公司，竞争烈度大于模型层，价格战和数据权限之争不可避免 [3] AI 时代创业新范式 - AI Copilot 阶段海外交出不错 PMF 答卷，代表性公司以小规模+高增长+易盈利为特征，如 AI 图像生成公司 2 年达到 2 亿美元 ARR [12] - AI 时代创业者需具备深厚学术或技术背景，强调 AI Native 特质，与移动互联网时代产品经理或商业背景为主的创业者画像不同 [13] - 创新聚焦底层技术突破与垂直场景深度整合，模式复制与场景渗透为主的移动互联网时代玩法不再适用 [14]