新播客是一期关于 underdog 的故事。

今年 ai 应用创业不要太难，融资难，找 PMF 难，养活团队难，不被模型吃掉难，更难的是环境差成这样，到底怎样才能坚持下去。

Jason 也经历了这个过程。

他最惨的时候，TS 被撤，睡朋友家沙发，卖掉了自己的股票垫给公司，但还是一度要发不出工资。那段时间，他经常睡不着，在朋友家楼下转圈，一遍遍问自己：「我到底要不要放弃？」

这期播客讲的就是他怎样撑过那段时间、怎样因为穷而找到新的 PMF、怎样慢慢跑通 GTM 获得收入的故事。

用 Jason 自己的话说，从学生时代到创业，他一直把自己看作一个 underdog，也一直相信：

underdog 能赢。而且很多事情就该由这样的人去改变。

你醒了？

现在是2022年11月30日，你在刷抖音的过程中发现有一个叫@ChatGPT的聊天机器人很火。

于是你跃跃欲试去做了尝试 它的强大十分令人激动，你与他的交谈使你非常兴奋。

过了几个月后，你发现ChatGPT推出了plus套餐 而免费用户的额度完全不足够你去使用。

你开始去寻找各种各样的镜像站与免费，APIKey 每当发现一个能用的 你都如获珍宝般的珍藏。

可惜时间总是过得很快。

如今，你用着强大的Astra与Fable系列模型 享受着AI给你带来的无限乐趣

2026年10月23日，最初让你感到非常兴奋GPT-3.5模型在那天下线了。

而那天你和平常以往似乎没什么区别，OpenAI的Tibo 在玩雷霆大重置、A畜在玩开心消消乐、谷歌还在没完没了的造屎。

你依旧每天都要打开Codex去输入你的idea。

AI给你带来的那头一份喜悦，就像你的青春 不经意间回头看了你一眼，好像在和你告别。

在杭州滨江招募一位做 AI 的产品同学
一起做一点有长期价值的产品～

一个2020年后出生的小孩，能克服短视频和快反馈的媒介环境带来的对大脑的过早改造，能克服AI时代对培养独立思考习惯和思维能力带来的阻力，已经是人中龙凤了。而这两件事也会带来新的针对家长需求的行业机会。

？

薄肌+AI，就是同时押注碳基和硅基。

1/ 伟大的战略家偏爱战略可选性（strategic optionality），一方面不想过早剪枝，另一方面也要优化资源。AI 正在做这件事，"保留可选性—展开—反思—剪枝"的探索本身就极耗算力

2/ 去年最大的解锁是大模型的外骨骼，记忆与工具使用，从工作记忆（working memory）到短期、再到长期记忆，进而形成知识图谱（knowledge graph），就像人类思考"我学到了什么、它如何嵌入我已有的全部知识"。"人类睡觉时会做压缩（compaction）：不重要的慢慢忘掉，重要的被重新连接起来。"于是有了工作记忆 + 离线的知识抽取与知识图谱构建

3/ 许多学科正处在临界点，只要把 AI 的穷尽式探索（exhaustive exploration）叠加到既有成果上，就会一个接一个地快速突破。但这需要大量算力，因为很多突破真正缺的，是对巨大搜索空间（search space）的海量探索。比如纳维-斯托克斯方程（Navier-Stokes equations）描述流体（水、空气、血液……）如何流动，是流体力学的基石

4/ 每个触及物理世界的行业，都会重新变成科技公司 / AI 公司，比如Elon 如何把汽车业变成了本质上的计算产业

5/ 电力越稀缺，世界越会转向每瓦产出最高的 NVIDIA。当全球可用电力 / 功率变少时，客户会把选择转向"最具生产力"的版本——最可出租（rentable）、最可互换（fungible）、最耐久（durable）

6/ 上游也在收紧：

1) 基板（substrate）：封装越做越大、单颗芯片用料更重，这些有机材料在所需精度下极难制造——封装变大后，热系数、堆叠方式让翘曲（warpage）等制造缺陷更难控制，必须极其精密、需要顶级伙伴；

2) 硅光子（silicon photonics）：同样供给受限

7/ 在 NVIDIA 的报表里，Elon 已从"企业（Enterprise）"归类挪到"CSP"。

Elon 相当独特：同时做三件事: 用 NVIDIA 技术训练并部署自己的 AI 模型（Grok bot 很酷、消耗量正在飙升）、并把算力对外出租（这点与 Google 类似）。Elon 还有一个优势，热爱"计算与物理基建的交叉点"，没有人比 Elon 更懂能源

8/ 只有 NVIDIA 的算力适合上太空：NVIDIA 单位能量的性能（performance per watt）世界第一，但更重要的是算力的生产力 / 投资回报极高，高到即便算上火箭发射成本，ROI 依然极好。发射成本并非微不足道，所以不会把低价值算力送上去，而要送高价值算力

9/ 太空算力还需满足可互换（fungible）：若一颗卫星没有租户就会闲置。NVIDIA 算力在工作负载、模型、客户之间完全可互换，且耐久（durable）——"八年前付的钱，我们今天还在给你更新软件、更新算法。只要卫星还在天上，我们就一直更新 CUDA 软件。"可互换 + 可出租 + 耐久，叠加技术本身，使其成为 SpaceX 的"完美载荷"

10/ NVIDIA 的计算大致分三块：

1) 基础计算（约 1/3）：数据处理、分子动力学、物理 / 聚变 / 裂变仿真、量子化学 / 物理、计算机图形，以及经典机器学习（Visa / Mastercard 的 XGBoost 反欺诈、推荐系统等）。假设完全没有 AI，NVIDIA 仍是一家很大的公司。这块仍以 30–40%/年增长。

2) 前沿实验室（约 1/4–1/3）：人们只看到两家，但 NVIDIA 与每一家都合作——他能数出五六家（Meta 的 Metamuse 做得很好、Grok 三年前还不存在、如今也在跑 Gemini、今年开始与 Anthropic 合作）。

3) 新一代创业公司 / Neocloud / 企业（约 1/3）：正值新计算平台切换的开端，大量初创涌现（消费、物理 AI、生物 AI、材料科学 AI，还有 Jeff Bezos 的新公司 Prometheus 等）——"它们做什么？租 NVIDIA 算力。"这约等于下一代的云计算 / 面向未来的 AWS

11/ "每 GW 产出约 400 亿美元"推演：若明年上线 40 GW、每 GW 产出 400 亿，就是 1.6 万亿美元收入——但现实不这么线性，要看需求曲线与扩散（diffusion）速度。

市场的担忧是：供给上得比需求快，可能在某个时点迎来"泡沫破裂"，因为 AI 的进展更像"阶梯函数"而非一路陡升的抛物线。黄仁勋的回答是"回到第一性原理拆解"：人们试图外推的"约 1,000–1,250 亿美元 ARR"只是整个基建的一部分。

他给出几条支柱： 基础计算那一块（约 1/3）稳稳的——"人们还会继续网上购物吧？这块拿去存银行都没问题，根本不用争。" 摩尔定律已经结束：过去想要晶体管翻倍，等一年、同样价格就有了；现在不管等多久，想要翻倍就得付两倍的钱。

所以无论世界想要多少算力，每年要翻倍，就得多花一倍——这等于给原本就自然增长的那半万亿美元支出乘上一个放大系数（X factor）。"就算没有 AI，半导体业本来也在通往'全球最大产业'的路上。"

12/ 老黄认为很少见到共识错得像此时此刻这么离谱，把英伟达的收入和自由现金流预测几乎翻了一倍，股价却只涨了约 20%，现在只按 13–14 倍市盈率交易。英伟达的护城河是在变宽：

- 一是 份额在涨，六年前 NVIDIA 占全球 CapEx 还是个位数百分比；如今在全球 CSP 里约占 40%，在 CSP 之外（本地部署、Neocloud）约占 80%——两块业务都在每年翻倍，所以占全球 CapEx 的美元份额仍在增长

- 二是每 GW 能卖的东西也在涨：从GPU 公司到"最大、增长最快的网络公司"，再到"最大的 CPU 公司之一（且增长最快）"，还扩展到存储计算、知识基础设施计算、以及安全（Open Shell、Sentry）。每 GW 的产品价值从约 180 亿→200 多亿→如今 400 亿美元以上，且仍在上行。所以英伟达的份额上涨有两重原因：一是客户转向NV的平台，二是NV对每一 GW 提供的东西越来越多

13/ NVIDIA 坚持通用（general purpose）的核心理由是为了可互换性（fungibility）：可互换性的好处是低风险。当你在下大单、建 500 亿到1,000 亿美元基础设施时，你必须确信它无论如何都能长期好用。所以专用化是可互换性的敌人，专用化是耐久性的敌人。他给出那条著名的链条：通用性 = 低风险 = 可出租 = 可融资 = 最低 TCO

14/ 关于泡沫何时破（老黄此前在另一档节目回答过"约两到三年"的能见度），老黄的框架是：这本质上是对全球所有算力的一次永久性重构（re-architecture）。除非出现全球性大萧条，否则每年都要消耗巨量 NVIDIA 算力。过去 CSP 每年建设约半万亿、全行业约一万亿美元；每年都在新建，约每五年有一部分折旧 / 下线。旧世界是调取式（retrieval）'的计算，新世界是另一种计算方式，是永久性重构，问 AI 一个它没见过的问题 → 它不是去哪儿'翻出'标准答案，而是用神经网络现算一个全新的回答，让模型做展开—反思—剪枝。

最近在体验 Muse、Grok Bot、Dots、Cue、OpenClaw 这些 personal agent，也关注到Meta 前几天发布了 Muse Wonder，从模型侧的角度来看的话，面向 personal agent 强调了两项能力：

1.Active Memory：跨对话记住与你有关的信息，需要时调用，对应内部的 MemoryBench。
2.Active Focus：围绕目标持续推进、遇到阻碍换方法、该问时问、重要操作前先确认，对应内部的 FocusBench。

自己最近思考怎么从模型侧做 personal agent 的 benchmark 和训练数据，想跟大家交流：

如果让来为 personal agent 做 benchmark，你觉得最该测什么？Memory + Focus 这个组合之外是否还有什么更细或者更novel的拆分方式呢？

和现在的AI相比，我已经找到了自己的定位：

😀 具身弱智！

用Opus 5.5 先制作动态分镜，再用 Seedance 2.5 来制作成片动画～！

彩猫糕上菊初黄，祝大家重阳安康～！