即刻App年轻人的同好社区
下载
置顶
最近All-In Podcast做了一期特别节目，请来了英伟达CEO黄仁勋做了一场将近两个半小时的深度对话。
All-In的四位主持人大家应该都不陌生了，Chamath、Jason Calacanis、David Sacks、David Friedberg，全是硅谷顶级投资人和创业者。
能让他们打断常规节目专门录一期的嘉宾，屈指可数。
这期的信息量非常大，从英伟达收购Groq聊到太空数据中心，从Agent爆发聊到AI行业的公关危机，几乎覆盖了当下AI领域所有最热的话题。
我花了不少时间反复看了几遍，有些观点确实让我重新审视了对整个行业走向的判断。
1️⃣ 英伟达已经不是一家GPU公司了
黄仁勋在访谈里反复强调了一个概念叫分离式推理（Disaggregated Inference）。
简单来说就是AI推理的处理流程太复杂了，不能再靠单一类型的芯片搞定，得把不同的计算任务拆开，分配给最合适的硬件去跑。
GPU跑一部分，CPU跑一部分，网络处理器跑一部分，现在收购了Groq之后，Groq的LPU也加入了这个组合。
他提到英伟达两年半前就发布了AI工厂操作系统Dynamo，名字来源于西门子发明的发电机，寓意是要做新一轮工业革命的底层引擎。
收购Groq并不是心血来潮，而是整个异构计算战略的一环。
他甚至给出了具体比例：数据中心里大约25%的空间应该分配给Groq LPU和GPU的组合。
英伟达的TAM（可触达市场）可能因此增长了三到五成。
这不是在卖芯片，而是在卖整个AI基础设施。
2️⃣ 推理计算两年涨了一万倍，而且还没开始真正爆发
这个数字听起来很夸张，但黄仁勋的推导逻辑其实很清楚。
从生成式AI到推理（Reasoning），计算量涨了大概100倍；从推理到Agent，又是100倍。
两步叠加就是一万倍，而且这个过程只花了两年。
更关键的是他说的一句话：人们愿意为信息付费，但人们更愿意为完成工作付费。
聊天机器人回答问题很好，但真正能帮你干活的Agent系统，商业价值完全不在一个量级。
Chamath在节目里也分享了一个例子，他的团队用自动研究工具（Auto Research）在30分钟内完成了一项本来需要读一个七年博士才能产出的研究，这个效率提升的冲击力可想而知。
3️⃣ 一个50万美元年薪的工程师，应该花掉至少25万美元的token
这大概是整期节目里最出圈的一个观点了。
黄仁勋做了一个思想实验：如果你给一个工程师50万美元的年薪，年底一看他只花了5000美元的token费用，那你作为管理者应该非常担忧。
他的原话大意是说，这就好比芯片设计师告诉你他打算用纸笔画电路图，不需要CAD工具一样离谱。
这背后的逻辑是，在Agent时代，知识工作者的生产力取决于他能调动多少AI算力。
不是你省token就是好员工，恰恰相反，token消耗量可能会成为衡量一个工程师是否真正高效工作的新指标。
黄仁勋还预测，未来每个工程师都会有一百个Agent在帮他干活。
4️⃣ 开源和闭源不是二选一，两条路都要走
关于开源模型和商业模型之争，黄仁勋的态度非常明确：这不是A还是B的问题，而是A加B。
对普通用户来说，ChatGPT、Claude、Gemini这些产品化的模型用起来最方便，没必要自己去折腾微调。
但对垂直行业来说，开源模型提供了不可替代的控制力和定制空间。
他还特别提到了OpenClaw这个开源Agent框架的重要性。
它不只是一个工具，更像是定义了一种新的计算范式，有内存管理、有任务调度、有IO子系统、有技能API，本质上就是AI时代的个人电脑操作系统。
这个判断如果成立，影响会非常深远。
5️⃣ AI行业正在经历一场公关危机，需要自救
黄仁勋直接点名说了Anthropic在沟通策略上的问题。
他肯定了Anthropic的技术实力和安全意识，但也指出，警示公众和吓唬公众之间有一条很重要的界限。
用他的话说，预测未来需要谦逊，没有证据的灾难性预言可能造成的伤害比人们以为的要大得多。
黄仁勋对AI产业的理解深度和广度，远远超出了大多数人对一个硬件公司CEO的预期。
他不只是在卖芯片，他在构建一整套AI时代的基础设施和生态体系。
几个趋势值得持续关注：Agent计算需求的指数级增长、开源AI操作系统的崛起，以及AI行业如何修复与公众之间日益紧张的信任关系。
All-In的四位主持人大家应该都不陌生了，Chamath、Jason Calacanis、David Sacks、David Friedberg，全是硅谷顶级投资人和创业者。
能让他们打断常规节目专门录一期的嘉宾，屈指可数。
这期的信息量非常大，从英伟达收购Groq聊到太空数据中心，从Agent爆发聊到AI行业的公关危机，几乎覆盖了当下AI领域所有最热的话题。
我花了不少时间反复看了几遍，有些观点确实让我重新审视了对整个行业走向的判断。
1️⃣ 英伟达已经不是一家GPU公司了
黄仁勋在访谈里反复强调了一个概念叫分离式推理（Disaggregated Inference）。
简单来说就是AI推理的处理流程太复杂了，不能再靠单一类型的芯片搞定，得把不同的计算任务拆开，分配给最合适的硬件去跑。
GPU跑一部分，CPU跑一部分，网络处理器跑一部分，现在收购了Groq之后，Groq的LPU也加入了这个组合。
他提到英伟达两年半前就发布了AI工厂操作系统Dynamo，名字来源于西门子发明的发电机，寓意是要做新一轮工业革命的底层引擎。
收购Groq并不是心血来潮，而是整个异构计算战略的一环。
他甚至给出了具体比例：数据中心里大约25%的空间应该分配给Groq LPU和GPU的组合。
英伟达的TAM（可触达市场）可能因此增长了三到五成。
这不是在卖芯片，而是在卖整个AI基础设施。
2️⃣ 推理计算两年涨了一万倍，而且还没开始真正爆发
这个数字听起来很夸张，但黄仁勋的推导逻辑其实很清楚。
从生成式AI到推理（Reasoning），计算量涨了大概100倍；从推理到Agent，又是100倍。
两步叠加就是一万倍，而且这个过程只花了两年。
更关键的是他说的一句话：人们愿意为信息付费，但人们更愿意为完成工作付费。
聊天机器人回答问题很好，但真正能帮你干活的Agent系统，商业价值完全不在一个量级。
Chamath在节目里也分享了一个例子，他的团队用自动研究工具（Auto Research）在30分钟内完成了一项本来需要读一个七年博士才能产出的研究，这个效率提升的冲击力可想而知。
3️⃣ 一个50万美元年薪的工程师，应该花掉至少25万美元的token
这大概是整期节目里最出圈的一个观点了。
黄仁勋做了一个思想实验：如果你给一个工程师50万美元的年薪，年底一看他只花了5000美元的token费用，那你作为管理者应该非常担忧。
他的原话大意是说，这就好比芯片设计师告诉你他打算用纸笔画电路图，不需要CAD工具一样离谱。
这背后的逻辑是，在Agent时代，知识工作者的生产力取决于他能调动多少AI算力。
不是你省token就是好员工，恰恰相反，token消耗量可能会成为衡量一个工程师是否真正高效工作的新指标。
黄仁勋还预测，未来每个工程师都会有一百个Agent在帮他干活。
4️⃣ 开源和闭源不是二选一，两条路都要走
关于开源模型和商业模型之争，黄仁勋的态度非常明确：这不是A还是B的问题，而是A加B。
对普通用户来说，ChatGPT、Claude、Gemini这些产品化的模型用起来最方便，没必要自己去折腾微调。
但对垂直行业来说，开源模型提供了不可替代的控制力和定制空间。
他还特别提到了OpenClaw这个开源Agent框架的重要性。
它不只是一个工具，更像是定义了一种新的计算范式，有内存管理、有任务调度、有IO子系统、有技能API，本质上就是AI时代的个人电脑操作系统。
这个判断如果成立，影响会非常深远。
5️⃣ AI行业正在经历一场公关危机，需要自救
黄仁勋直接点名说了Anthropic在沟通策略上的问题。
他肯定了Anthropic的技术实力和安全意识，但也指出，警示公众和吓唬公众之间有一条很重要的界限。
用他的话说，预测未来需要谦逊，没有证据的灾难性预言可能造成的伤害比人们以为的要大得多。
黄仁勋对AI产业的理解深度和广度，远远超出了大多数人对一个硬件公司CEO的预期。
他不只是在卖芯片，他在构建一整套AI时代的基础设施和生态体系。
几个趋势值得持续关注：Agent计算需求的指数级增长、开源AI操作系统的崛起，以及AI行业如何修复与公众之间日益紧张的信任关系。
1 00
最近花了两个小时，把 David Senra 和 Eric Jorgenson 关于埃隆·马斯克的这期播客听完了。Eric 是那本《埃隆之书》的作者，他花了五年时间整理埃隆说过的每一句话，就为了搞清楚这个人到底是怎么想的。
我听完之后有点被震撼到，不是因为埃隆有多天才，而是因为他的思维方式其实是可以学的。
他不是靠什么神秘的直觉，而是有一套非常清晰的操作系统，在 SpaceX、特斯拉、甚至后来的推特上反复使用。
1️⃣
埃隆有个著名的五步算法，他在公司里重复了无数次，以至于员工在开会时都能预测他接下来要说什么。
这五步是这样的：
第一步：质疑需求。
埃隆的原话是，让你的需求变得不那么蠢。
他发现最常见的错误就是，聪明的工程师花大把时间优化一个根本不该存在的东西。
举个例子，SpaceX 早期和 NASA 合作时，NASA 给了一堆关于舱门锁扣的技术要求，指定必须用某个航空航天公司生产的特殊材料。
埃隆让团队去质疑这个要求，结果发现只要能完成基本功能就行。最后他们直接从五金店买了现成零件，成本降了两个数量级。
第二步：删除删除再删除。
最好的零件就是没有零件，最好的流程就是没有流程。特斯拉 Model 3 刚开始设计时有上万个零件，现在这个数字在持续下降。
因为每多一个零件，就多一个连接点，多一个可能出错的地方，多一道组装工序。
埃隆甚至学玩具车的做法，直接把车身前后三分之一整体铸造，省掉了无数个小零件。
第三步：简化和优化。
注意，这是第三步，不是第一步。大部分工程师会直接跳到这里，但埃隆坚持必须先完成前两步。
因为你得先确定这个东西该存在，需求是合理的，零件是必要的，然后再去想怎么做得更好。
第四步：加速。
无论你现在的速度有多快，都可以更快。埃隆会设定那种只有 50% 概率完成的截止日期。他的逻辑是，如果你 100% 都能按时完成，说明时间给得太宽裕了。
第五步：自动化。
这是最后一步，也是埃隆曾经犯过大错的地方。
特斯拉早期他想直接自动化所有生产线，结果一团糟。后来他明白了，必须先把前面四步做好，把设计和流程完全理顺了，最后才能自动化。
2️⃣
埃隆有句话我印象特别深：物理定律不在乎你的感受。
他对速度的执着到了什么程度？
他连自己的日程助理都炒了，因为他要完全掌控自己的时间，随时能跑到最需要他的地方去。
他在工厂里来回跑，哪里是瓶颈就去哪里，经常直接睡在产线旁边。
更疯狂的是，他把特斯拉的专利全开放了。
为什么？因为他笃定竞争对手就算复制了设计，也跟不上他们的迭代速度。
这就像拿破仑时代的战争一样，技术迭代速度快的一方，哪怕单次战斗输了，最终也能赢得战争。
他们在做 Starlink 卫星时，成本太高，产量太低，差了两个数量级。
埃隆直接带着他最信任的火箭工程师飞到西雅图，炒掉了整个管理层，然后关在一个会议室里，用这五步算法从头梳理设计。
几个月后，问题就解决了。这些火箭工程师之前从没碰过卫星，但只要方法对了，就能做出来。
3️⃣
埃隆的公司有个特点，就是什么都自己做。
特斯拉自己做电池，自己设计芯片，SpaceX 自己造火箭发动机。这不是因为他想当控制狂，而是因为他发现传统供应链太低效了。
他举过一个例子，供应商 A 卖东西给供应商 B，加价 20%。B 再卖给供应商 C，又加价 20%。
层层转包下来，最后到你手里的零件，成本可能是原材料的十倍。
更糟糕的是，你根本不知道哪里出了问题，因为整个链条是个黑箱。
所以埃隆选择自己往上游走，直接采购原材料，自己设计制造。
这样不仅成本大幅降低，更重要的是迭代速度变快了。发现问题可以马上改，不用等供应商开会讨论三个月。
这种垂直整合还带来一个意外好处：跨领域的知识流动。
特斯拉 Model 3 的生产主管被调去 SpaceX 帮忙解决 Raptor 发动机的产能问题，走了一圈产线之后那个航天工程师都哭了，因为他发现汽车行业的生产效率比航天高太多了。
4️⃣
埃隆有句话说得很直白：我没有那个需要被喜欢的弱点。
他炒人很快，标准很高，对团队的要求近乎苛刻。彼得·蒂尔评价说，为什么这么多成功的科技创始人看起来都有点在自闭症谱系上？
因为能够无视别人的看法，在这个时代反而成了一种生物学优势。
埃隆招人也有自己的一套，喜欢招年轻的、没有被行业规则洗脑的工程师，然后给他们远超预期的责任。
他的逻辑是，就像战争时期会出现越级提拔一样，快速迭代的环境能快速筛选出真正有能力的人。
他面试时会问很具体的技术问题：告诉我你解决过的最难的问题，越详细越好。如果你答不上来，说明你不是真正在做事的人。
这招在工程领域特别管用，因为真正动手解决过问题的人，能讲出无数细节。
埃隆不是超人，他只是找到了一套可复制的方法论，然后极端地、不妥协地执行下去。
他的五步算法不是什么天才灵感，而是在无数次失败后总结出来的。
他自己说过，早期做特斯拉时，这五步的顺序是完全反过来的，先自动化再优化，结果一塌糊涂。
Eric Jorgenson 写这本书的初衷，就是希望能培养出一百万个小埃隆。
不是说让大家都去造火箭，而是找到那些别人不做、但对人类有意义的问题，然后全力以赴地去解决。
我听完之后有点被震撼到，不是因为埃隆有多天才，而是因为他的思维方式其实是可以学的。
他不是靠什么神秘的直觉，而是有一套非常清晰的操作系统，在 SpaceX、特斯拉、甚至后来的推特上反复使用。
1️⃣
埃隆有个著名的五步算法，他在公司里重复了无数次，以至于员工在开会时都能预测他接下来要说什么。
这五步是这样的：
第一步：质疑需求。
埃隆的原话是，让你的需求变得不那么蠢。
他发现最常见的错误就是，聪明的工程师花大把时间优化一个根本不该存在的东西。
举个例子，SpaceX 早期和 NASA 合作时，NASA 给了一堆关于舱门锁扣的技术要求，指定必须用某个航空航天公司生产的特殊材料。
埃隆让团队去质疑这个要求，结果发现只要能完成基本功能就行。最后他们直接从五金店买了现成零件，成本降了两个数量级。
第二步：删除删除再删除。
最好的零件就是没有零件，最好的流程就是没有流程。特斯拉 Model 3 刚开始设计时有上万个零件，现在这个数字在持续下降。
因为每多一个零件，就多一个连接点，多一个可能出错的地方，多一道组装工序。
埃隆甚至学玩具车的做法，直接把车身前后三分之一整体铸造，省掉了无数个小零件。
第三步：简化和优化。
注意，这是第三步，不是第一步。大部分工程师会直接跳到这里，但埃隆坚持必须先完成前两步。
因为你得先确定这个东西该存在，需求是合理的，零件是必要的，然后再去想怎么做得更好。
第四步：加速。
无论你现在的速度有多快，都可以更快。埃隆会设定那种只有 50% 概率完成的截止日期。他的逻辑是，如果你 100% 都能按时完成，说明时间给得太宽裕了。
第五步：自动化。
这是最后一步，也是埃隆曾经犯过大错的地方。
特斯拉早期他想直接自动化所有生产线，结果一团糟。后来他明白了，必须先把前面四步做好，把设计和流程完全理顺了，最后才能自动化。
2️⃣
埃隆有句话我印象特别深：物理定律不在乎你的感受。
他对速度的执着到了什么程度？
他连自己的日程助理都炒了，因为他要完全掌控自己的时间，随时能跑到最需要他的地方去。
他在工厂里来回跑，哪里是瓶颈就去哪里，经常直接睡在产线旁边。
更疯狂的是，他把特斯拉的专利全开放了。
为什么？因为他笃定竞争对手就算复制了设计，也跟不上他们的迭代速度。
这就像拿破仑时代的战争一样，技术迭代速度快的一方，哪怕单次战斗输了，最终也能赢得战争。
他们在做 Starlink 卫星时，成本太高，产量太低，差了两个数量级。
埃隆直接带着他最信任的火箭工程师飞到西雅图，炒掉了整个管理层，然后关在一个会议室里，用这五步算法从头梳理设计。
几个月后，问题就解决了。这些火箭工程师之前从没碰过卫星，但只要方法对了，就能做出来。
3️⃣
埃隆的公司有个特点，就是什么都自己做。
特斯拉自己做电池，自己设计芯片，SpaceX 自己造火箭发动机。这不是因为他想当控制狂，而是因为他发现传统供应链太低效了。
他举过一个例子，供应商 A 卖东西给供应商 B，加价 20%。B 再卖给供应商 C，又加价 20%。
层层转包下来，最后到你手里的零件，成本可能是原材料的十倍。
更糟糕的是，你根本不知道哪里出了问题，因为整个链条是个黑箱。
所以埃隆选择自己往上游走，直接采购原材料，自己设计制造。
这样不仅成本大幅降低，更重要的是迭代速度变快了。发现问题可以马上改，不用等供应商开会讨论三个月。
这种垂直整合还带来一个意外好处：跨领域的知识流动。
特斯拉 Model 3 的生产主管被调去 SpaceX 帮忙解决 Raptor 发动机的产能问题，走了一圈产线之后那个航天工程师都哭了，因为他发现汽车行业的生产效率比航天高太多了。
4️⃣
埃隆有句话说得很直白：我没有那个需要被喜欢的弱点。
他炒人很快，标准很高，对团队的要求近乎苛刻。彼得·蒂尔评价说，为什么这么多成功的科技创始人看起来都有点在自闭症谱系上？
因为能够无视别人的看法，在这个时代反而成了一种生物学优势。
埃隆招人也有自己的一套，喜欢招年轻的、没有被行业规则洗脑的工程师，然后给他们远超预期的责任。
他的逻辑是，就像战争时期会出现越级提拔一样，快速迭代的环境能快速筛选出真正有能力的人。
他面试时会问很具体的技术问题：告诉我你解决过的最难的问题，越详细越好。如果你答不上来，说明你不是真正在做事的人。
这招在工程领域特别管用，因为真正动手解决过问题的人，能讲出无数细节。
埃隆不是超人，他只是找到了一套可复制的方法论，然后极端地、不妥协地执行下去。
他的五步算法不是什么天才灵感，而是在无数次失败后总结出来的。
他自己说过，早期做特斯拉时，这五步的顺序是完全反过来的，先自动化再优化，结果一塌糊涂。
Eric Jorgenson 写这本书的初衷，就是希望能培养出一百万个小埃隆。
不是说让大家都去造火箭，而是找到那些别人不做、但对人类有意义的问题，然后全力以赴地去解决。
3 00
如何像前 1% 的人一样用 AI 思考？
最近看了 Anthropic 教育负责人 Drew Bent 的一个访谈，有些观点听起来挺刺耳的。
Drew 这个人背景挺有意思，他父母都是教育工作者，自己从高中就开始做同伴辅导，后来创办了辅导非盈利组织，当过高中数学老师，现在在 Anthropic 专门研究 AI 教育。
这期访谈的核心话题是关于顶尖学习者如何使用 AI 工具。
Drew 在访谈中提到了一个很有意思的现象，就是那些从一开始就接触 AI 的人，他们使用 AI 的方式和我们这些后来才学会用的人完全不一样。
而且更关键的是，AI 在教育领域正在制造一个意想不到的副作用。
我花了快一个小时看完这个访谈，最大的感受是我们可能都低估了 AI 的能力，同时也高估了自己使用 AI 的水平。
今天我就把最重要的几个观点整理出来，和大家聊聊为什么有些人能用 AI 变得更聪明，而有些人却在不知不觉中变笨了。
1️⃣ AI 原生用户看到的是一个完全不同的世界
Drew 在访谈中特别强调了一个概念，就是 AI 原生用户和传统用户之间存在巨大的认知差异。
他在卢旺达和印度这些地方观察到，那些第一次接触技术工具就直接用上 AI 的人，他们对 AI 能力的判断要准确得多。
这是什么意思呢？
简单说就是，如果你是 2022 年就开始用 AI 工具的，你可能还把它当成一个高级助手在用。
但那些 2024 年、2025 年才开始用 AI 的人，他们一上来就知道这玩意儿可以做更复杂的事情。Drew 说这就像是你有个同事，每天都在指数级地变聪明，但你还在用他上个月的能力标准来要求他。
我自己对这点特别有感触。
我去年还在用 ChatGPT 做一些简单的文字润色、头脑风暴之类的事情，但现在回头看，这些任务对于今天的 AI 模型来说实在是太简单了。
Drew 提到，他的同事们已经在用 AI 做各种他想都没想过的复杂任务。关键是你要不断提升自己的野心，不要低估这些工具的能力。
Drew 给出的建议是：你需要像 AI 原生用户那样思考。
就是不要被过去的经验限制，而是要去尝试那些今天的 AI 模型还做不太好的事情。
等到下一代模型出来的时候，你就会发现自己已经站在了最前沿。
2️⃣ 会用 AI 的人都在做一件事：疯狂投喂上下文
这可能是整个访谈中最实用的一个观点。
Drew 说，那些真正会用 AI 的人和不会用的人之间最大的差距，不是提示词写得多好，而是他们会不会提供足够的上下文信息。
他自己的使用习惯是这样的：在问问题之前，先花大量时间把相关的文档、公司背景、自己的思考过程全都丢给 AI。
可能还会把一些相关的文章、自己写过的东西都扔进去。AI 模型现在可以处理非常大的上下文窗口，关键是你得充分利用这个能力。
但问题是什么呢？
我们大多数人都习惯问很简短的问题，期待 AI 能读懂我们的心思。
Drew 的原话是，AI 再聪明，如果你只给它一点点信息，它也没法理解你到底在想什么。这就像你去找医生看病，你只说一句我不舒服，然后期待医生给你开最合适的药，这显然不现实。
我最近也在尝试这种方法，发现确实有效。
比如我在让 AI 帮我分析一个商业问题的时候，会先把公司的背景、市场环境、我之前的分析思路都丢进去，然后再提问。
这样得出来的答案质量完全不一样，因为 AI 真的理解了你的语境。
3️⃣ AI 正在让学生变笨，但不是所有学生
这是访谈中最让人警醒的部分。
Anthropic 做了一个研究，让两组学生完成同样的编程作业，一组可以用 AI，一组不能用。
结果可以用 AI 的那组更快完成了任务，这不意外。但重点来了，研究人员又让两组学生都在不能使用 AI 的情况下做了一个测试，考察他们对刚才学到的概念的理解。
结果怎么样？
不用 AI 的那组学生在最终测试中表现好了 17%。
换句话说，那些用了 AI 工具的学生虽然作业做得快，但其实没怎么学到东西。
Drew 把这个现象称为技能萎缩，意思是你越依赖 AI，自己的能力反而在退化。
不过这里有个转折。
研究发现并不是所有用 AI 的学生都表现差，那些用探究式方式使用 AI 的学生，就是那些会主动问问题、深入思考的人，他们在最终测试中表现很好。
所以关键不是用不用 AI，而是你怎么用。
4️⃣ 2030 年的课堂，你可能看不到任何技术
Drew 描绘了一个很有意思的未来图景。他说到 2030 年，如果你走进一间教室，你可能根本看不到任何技术设备。
但 Drew 的逻辑是这样的：真正好的技术应该是隐形的，它应该在幕后运作。
AI 会帮助老师节省时间、制定个性化的课程计划、根据学生的情况分组，但这些都发生在看不见的地方。
学生和老师看到的，是一个资源丰富、高度个性化的学习环境，就像现在的私立学校能提供的那种体验，但普及到所有学校。
他还提到一个很酷的例子。
现在有些老师在 WhatsApp 群里每天分享他们用 Claude 这样的 AI 工具创造的教学资源，有的是闪卡应用，有的是测试工具，有的是互动练习。
这些老师早上突然想到一个点子，用 AI 工具快速做出来，当天就能在课堂上用。
这其实指向一个更大的趋势：AI 不会取代老师，但它会让老师变得更强大。
老师可以把精力放在真正重要的事情上，就是和学生的互动、理解每个学生的需求、引导他们的思考。那些重复性的、机械性的工作，让 AI 去做就好了。
几个关键的变化方向很清楚：
第一，我们需要给 AI 提供更丰富的上下文，让它真正理解我们的需求。
第二，我们要有意识地避免技能萎缩，把 AI 当成学习伙伴而不是答案机器。
第三，技术会变得越来越隐形，但它对教育和工作的影响会越来越深远。
最后，与 AI 协作将成为一种核心能力，就像今天的团队协作一样重要。
那些现在就开始认真思考如何更好地使用 AI 的人，肯定会占得先机。
最近看了 Anthropic 教育负责人 Drew Bent 的一个访谈，有些观点听起来挺刺耳的。
Drew 这个人背景挺有意思，他父母都是教育工作者，自己从高中就开始做同伴辅导，后来创办了辅导非盈利组织，当过高中数学老师，现在在 Anthropic 专门研究 AI 教育。
这期访谈的核心话题是关于顶尖学习者如何使用 AI 工具。
Drew 在访谈中提到了一个很有意思的现象，就是那些从一开始就接触 AI 的人，他们使用 AI 的方式和我们这些后来才学会用的人完全不一样。
而且更关键的是，AI 在教育领域正在制造一个意想不到的副作用。
我花了快一个小时看完这个访谈，最大的感受是我们可能都低估了 AI 的能力，同时也高估了自己使用 AI 的水平。
今天我就把最重要的几个观点整理出来，和大家聊聊为什么有些人能用 AI 变得更聪明，而有些人却在不知不觉中变笨了。
1️⃣ AI 原生用户看到的是一个完全不同的世界
Drew 在访谈中特别强调了一个概念，就是 AI 原生用户和传统用户之间存在巨大的认知差异。
他在卢旺达和印度这些地方观察到，那些第一次接触技术工具就直接用上 AI 的人，他们对 AI 能力的判断要准确得多。
这是什么意思呢？
简单说就是，如果你是 2022 年就开始用 AI 工具的，你可能还把它当成一个高级助手在用。
但那些 2024 年、2025 年才开始用 AI 的人，他们一上来就知道这玩意儿可以做更复杂的事情。Drew 说这就像是你有个同事，每天都在指数级地变聪明，但你还在用他上个月的能力标准来要求他。
我自己对这点特别有感触。
我去年还在用 ChatGPT 做一些简单的文字润色、头脑风暴之类的事情，但现在回头看，这些任务对于今天的 AI 模型来说实在是太简单了。
Drew 提到，他的同事们已经在用 AI 做各种他想都没想过的复杂任务。关键是你要不断提升自己的野心，不要低估这些工具的能力。
Drew 给出的建议是：你需要像 AI 原生用户那样思考。
就是不要被过去的经验限制，而是要去尝试那些今天的 AI 模型还做不太好的事情。
等到下一代模型出来的时候，你就会发现自己已经站在了最前沿。
2️⃣ 会用 AI 的人都在做一件事：疯狂投喂上下文
这可能是整个访谈中最实用的一个观点。
Drew 说，那些真正会用 AI 的人和不会用的人之间最大的差距，不是提示词写得多好，而是他们会不会提供足够的上下文信息。
他自己的使用习惯是这样的：在问问题之前，先花大量时间把相关的文档、公司背景、自己的思考过程全都丢给 AI。
可能还会把一些相关的文章、自己写过的东西都扔进去。AI 模型现在可以处理非常大的上下文窗口，关键是你得充分利用这个能力。
但问题是什么呢？
我们大多数人都习惯问很简短的问题，期待 AI 能读懂我们的心思。
Drew 的原话是，AI 再聪明，如果你只给它一点点信息，它也没法理解你到底在想什么。这就像你去找医生看病，你只说一句我不舒服，然后期待医生给你开最合适的药，这显然不现实。
我最近也在尝试这种方法，发现确实有效。
比如我在让 AI 帮我分析一个商业问题的时候，会先把公司的背景、市场环境、我之前的分析思路都丢进去，然后再提问。
这样得出来的答案质量完全不一样，因为 AI 真的理解了你的语境。
3️⃣ AI 正在让学生变笨，但不是所有学生
这是访谈中最让人警醒的部分。
Anthropic 做了一个研究，让两组学生完成同样的编程作业，一组可以用 AI，一组不能用。
结果可以用 AI 的那组更快完成了任务，这不意外。但重点来了，研究人员又让两组学生都在不能使用 AI 的情况下做了一个测试，考察他们对刚才学到的概念的理解。
结果怎么样？
不用 AI 的那组学生在最终测试中表现好了 17%。
换句话说，那些用了 AI 工具的学生虽然作业做得快，但其实没怎么学到东西。
Drew 把这个现象称为技能萎缩，意思是你越依赖 AI，自己的能力反而在退化。
不过这里有个转折。
研究发现并不是所有用 AI 的学生都表现差，那些用探究式方式使用 AI 的学生，就是那些会主动问问题、深入思考的人，他们在最终测试中表现很好。
所以关键不是用不用 AI，而是你怎么用。
4️⃣ 2030 年的课堂，你可能看不到任何技术
Drew 描绘了一个很有意思的未来图景。他说到 2030 年，如果你走进一间教室，你可能根本看不到任何技术设备。
但 Drew 的逻辑是这样的：真正好的技术应该是隐形的，它应该在幕后运作。
AI 会帮助老师节省时间、制定个性化的课程计划、根据学生的情况分组，但这些都发生在看不见的地方。
学生和老师看到的，是一个资源丰富、高度个性化的学习环境，就像现在的私立学校能提供的那种体验，但普及到所有学校。
他还提到一个很酷的例子。
现在有些老师在 WhatsApp 群里每天分享他们用 Claude 这样的 AI 工具创造的教学资源，有的是闪卡应用，有的是测试工具，有的是互动练习。
这些老师早上突然想到一个点子，用 AI 工具快速做出来，当天就能在课堂上用。
这其实指向一个更大的趋势：AI 不会取代老师，但它会让老师变得更强大。
老师可以把精力放在真正重要的事情上，就是和学生的互动、理解每个学生的需求、引导他们的思考。那些重复性的、机械性的工作，让 AI 去做就好了。
几个关键的变化方向很清楚：
第一，我们需要给 AI 提供更丰富的上下文，让它真正理解我们的需求。
第二，我们要有意识地避免技能萎缩，把 AI 当成学习伙伴而不是答案机器。
第三，技术会变得越来越隐形，但它对教育和工作的影响会越来越深远。
最后，与 AI 协作将成为一种核心能力，就像今天的团队协作一样重要。
那些现在就开始认真思考如何更好地使用 AI 的人，肯定会占得先机。
1 00
最近Andrej Karpathy 接受采访时说，大概从去年12月开始，他就没有自己手写过一行代码了。
他原话是这样描述自己现在每天的工作状态的：「编程这个词都不太对了，我现在是每天16个小时在向我的 agents 表达意志。」
他不再是那个亲自敲键盘写函数的人了，他变成了一个发号施令的人。把任务描述清楚，分配给不同的 AI agent，然后在它们并行工作的间隙，不断思考下一个宏观目标是什么。
这就是当下真实发生的工作流转变。
在采访里他描述了一个他朋友 Peter Steinberg的工作场景：屏幕前同时开着十几个 agent 窗口，每一个都在运行一个独立任务，大概20分钟能跑完一个。
Peter 的工作就是在这些窗口之间走来走去，审阅产出，给下一个任务做分配。
批准一个功能方向，交给 agent 一号；批准另一个不冲突的功能，交给 agent 二号。
这是宏操作的时代。
Karpathy 特别强调了时间节点：去年12月。
在那之前他的工作模式大概是八二开，自己写八成代码，AI 辅助两成。
12月之后，这个比例直接翻转，变成了最多两成自己动手，剩下全部委托给 agent，而现在可能连那两成都没有了。
这个变化发生得太快，很多普通人根本没意识到这件事有多戏剧性。
当然，这不是说 AI 已经完美无缺了。
Karpathy 说他说现在和 agent 工作，感觉像是同时在和一个"在系统编程领域工作了一辈子的顶级博士后"以及"一个10岁小孩"对话。
这两种感觉是同时存在的，而且切换得毫无规律。
他说模型现在在"可验证领域"表现得无比强悍，比如写代码、优化算法，只要有明确的对错标准，AI 就像开挂一样。
但一旦脱离了这个轨道，进入那些软性的、不好量化的领域，它就会开始游荡，做出莫名其妙的事情。
他举了一个特别逗的例子：现在最好的大模型，如果你问它讲一个笑话，大概率还是会告诉你那个"科学家为什么不相信原子？因为它会编造一切"的老段子。
模型的代码能力突飞猛进，但讲笑话这件事停滞不前，因为讲好笑话这件事根本没有被纳入强化学习的优化目标里。
也就是说，AI 的聪明是高度定向的，哪里有可量化的奖励信号，哪里就进步神速；哪里没有，它就像是被冻在了原地。
采访里有一个概念我觉得很值得单独说一下：auto research，也就是自动研究。
第一步，你定一个目标，比如"让模型训练更高效，validation loss 更低"。
第二步，AI agent 开始不断尝试不同的代码修改方案，就像一个永不停歇的研究员在做实验。
第三步，每次产出一个候选方案，都用客观指标来验证——是否真的更快、更准确。
第四步，把有效的方案保留下来，继续在这个基础上迭代。
这类任务有一个共同特征：找到答案极其困难，但验证一个候选答案是否正确，却相对容易。
这种"搜索代价高、验证代价低"的结构，特别适合用一大堆并行 agent 来做。
Karpathy 说他在想的一个更进一步的设想是：能不能让互联网上不受信任的人也参与进来贡献这种"提交"，然后用客观验证来筛选？这个架构听起来，有点像区块链——不是指加密货币，而是指那种"贡献难、验证易、去中心化协作"的思路。
Karpathy 还在采访里分享他给自家搞了一个叫"多比"的家庭 agent。
他让 agent 扫描家里局域网，找到了 Sonos 音响系统，自动逆向工程出 API 接口，然后他打了一句话："能帮我在书房里放点音乐吗？"
音乐就响了。
然后他用同样的方式接管了家里的灯光、空调、窗帘、泳池、温泉还有安全摄像头。
现在他家门口来了快递，"多比"会截图发一条 WhatsApp 消息给他："一辆联邦快递的车刚进来了，你可能收到包裹了。"
他之前管这些事要用六个不同的 app，现在只用自然语言和"多比"说话。
主持人问 Karpathy：现在你的能力边界被什么限制？
他想了一下说：感觉什么都是 skill issue。
意思是，现在 AI 的能力上限很高，大多数时候事情没做成，不是工具不够好，而是你还没想清楚怎么把工具用起来。
或许是你的 agents 配置文件没写好，你给 agent 的 memory 工具不够精细，你的任务拆解方式不够聪明。
他说自己在 PhD 时代，GPU 闲着就会焦虑，觉得自己没把可用的算力最大化。
现在他有类似的焦虑感，盯着自己的订阅 token 用量，如果 token 还有剩余，就说明自己没把 agent 吞吐量跑满。
你能同时管几个 agent？你能把任务拆解得多细、多合理？这些才是现在真正稀缺的东西。
采访快结束的时候，Karpathy 聊到了教育这件事。
他最近做了一个叫 microGPT 的项目，大概 200 行 Python，把训练一个语言模型所需的核心算法提炼到了极简状态。
他说，以前如果他做了这样一个项目，他会录一个视频讲解，一步步带着人看代码。
但现在他不这么想了，因为代码已经足够简洁，任何人都可以把它扔给 agent，让 agent 用不同的方式、不同的语言、不同的深度来解释给自己听。
他不需要再直接教人了，他只需要把这个精华提炼出来，让 agent 去做教学的事。
"凡是 agent 能做的事，它们很快会比你做得更好。凡是 agent 做不到的事，那才是你真正应该花时间的地方。"
他原话是这样描述自己现在每天的工作状态的：「编程这个词都不太对了，我现在是每天16个小时在向我的 agents 表达意志。」
他不再是那个亲自敲键盘写函数的人了，他变成了一个发号施令的人。把任务描述清楚，分配给不同的 AI agent，然后在它们并行工作的间隙，不断思考下一个宏观目标是什么。
这就是当下真实发生的工作流转变。
在采访里他描述了一个他朋友 Peter Steinberg的工作场景：屏幕前同时开着十几个 agent 窗口，每一个都在运行一个独立任务，大概20分钟能跑完一个。
Peter 的工作就是在这些窗口之间走来走去，审阅产出，给下一个任务做分配。
批准一个功能方向，交给 agent 一号；批准另一个不冲突的功能，交给 agent 二号。
这是宏操作的时代。
Karpathy 特别强调了时间节点：去年12月。
在那之前他的工作模式大概是八二开，自己写八成代码，AI 辅助两成。
12月之后，这个比例直接翻转，变成了最多两成自己动手，剩下全部委托给 agent，而现在可能连那两成都没有了。
这个变化发生得太快，很多普通人根本没意识到这件事有多戏剧性。
当然，这不是说 AI 已经完美无缺了。
Karpathy 说他说现在和 agent 工作，感觉像是同时在和一个"在系统编程领域工作了一辈子的顶级博士后"以及"一个10岁小孩"对话。
这两种感觉是同时存在的，而且切换得毫无规律。
他说模型现在在"可验证领域"表现得无比强悍，比如写代码、优化算法，只要有明确的对错标准，AI 就像开挂一样。
但一旦脱离了这个轨道，进入那些软性的、不好量化的领域，它就会开始游荡，做出莫名其妙的事情。
他举了一个特别逗的例子：现在最好的大模型，如果你问它讲一个笑话，大概率还是会告诉你那个"科学家为什么不相信原子？因为它会编造一切"的老段子。
模型的代码能力突飞猛进，但讲笑话这件事停滞不前，因为讲好笑话这件事根本没有被纳入强化学习的优化目标里。
也就是说，AI 的聪明是高度定向的，哪里有可量化的奖励信号，哪里就进步神速；哪里没有，它就像是被冻在了原地。
采访里有一个概念我觉得很值得单独说一下：auto research，也就是自动研究。
第一步，你定一个目标，比如"让模型训练更高效，validation loss 更低"。
第二步，AI agent 开始不断尝试不同的代码修改方案，就像一个永不停歇的研究员在做实验。
第三步，每次产出一个候选方案，都用客观指标来验证——是否真的更快、更准确。
第四步，把有效的方案保留下来，继续在这个基础上迭代。
这类任务有一个共同特征：找到答案极其困难，但验证一个候选答案是否正确，却相对容易。
这种"搜索代价高、验证代价低"的结构，特别适合用一大堆并行 agent 来做。
Karpathy 说他在想的一个更进一步的设想是：能不能让互联网上不受信任的人也参与进来贡献这种"提交"，然后用客观验证来筛选？这个架构听起来，有点像区块链——不是指加密货币，而是指那种"贡献难、验证易、去中心化协作"的思路。
Karpathy 还在采访里分享他给自家搞了一个叫"多比"的家庭 agent。
他让 agent 扫描家里局域网，找到了 Sonos 音响系统，自动逆向工程出 API 接口，然后他打了一句话："能帮我在书房里放点音乐吗？"
音乐就响了。
然后他用同样的方式接管了家里的灯光、空调、窗帘、泳池、温泉还有安全摄像头。
现在他家门口来了快递，"多比"会截图发一条 WhatsApp 消息给他："一辆联邦快递的车刚进来了，你可能收到包裹了。"
他之前管这些事要用六个不同的 app，现在只用自然语言和"多比"说话。
主持人问 Karpathy：现在你的能力边界被什么限制？
他想了一下说：感觉什么都是 skill issue。
意思是，现在 AI 的能力上限很高，大多数时候事情没做成，不是工具不够好，而是你还没想清楚怎么把工具用起来。
或许是你的 agents 配置文件没写好，你给 agent 的 memory 工具不够精细，你的任务拆解方式不够聪明。
他说自己在 PhD 时代，GPU 闲着就会焦虑，觉得自己没把可用的算力最大化。
现在他有类似的焦虑感，盯着自己的订阅 token 用量，如果 token 还有剩余，就说明自己没把 agent 吞吐量跑满。
你能同时管几个 agent？你能把任务拆解得多细、多合理？这些才是现在真正稀缺的东西。
采访快结束的时候，Karpathy 聊到了教育这件事。
他最近做了一个叫 microGPT 的项目，大概 200 行 Python，把训练一个语言模型所需的核心算法提炼到了极简状态。
他说，以前如果他做了这样一个项目，他会录一个视频讲解，一步步带着人看代码。
但现在他不这么想了，因为代码已经足够简洁，任何人都可以把它扔给 agent，让 agent 用不同的方式、不同的语言、不同的深度来解释给自己听。
他不需要再直接教人了，他只需要把这个精华提炼出来，让 agent 去做教学的事。
"凡是 agent 能做的事，它们很快会比你做得更好。凡是 agent 做不到的事，那才是你真正应该花时间的地方。"
0 00
给大家分享一个让我重新理解内容创作的思路。
Dan Koe，一个在YouTube上做了六年内容的创作者，分享了他每周的工作流程。
我看完之后觉得有点颠覆认知，因为他不是在讲什么高深的算法技巧，也不是在讲什么涨粉秘诀，而是在讲一件特别朴素的事——怎么用一篇文章，驱动一整周所有平台的内容产出。
从一份Newsletter开始
他每周的核心任务只有一件事：写一期Newsletter，就是那种你订阅之后会收到邮件的内容通讯。
他每天早上坐下来，只写30到60分钟，写完一个部分就收工。
一期完整的Newsletter可能需要写五六天，但每天的任务量非常小，就是400到800个字，有时候更少。
你可能会问，写这么少有什么用？
关键就在这里——这60分钟，他是在认真思考一个想法，把它写透，写深，写出自己真实的观点和经验。
这不是在完成KPI，而是在构建他一整周内容的底层素材库。
他把Newsletter叫做cornerstone，就是基石的意思。
所有其他平台的内容，都从这里长出来。
第一步：一篇文章变成视频和播客
Newsletter写完之后，他会专门留出一天来录视频。
流程很简单：把Newsletter放在屏幕上，打开摄像头，打开录音软件，然后对着镜头说话。
他不是在背稿，而是看一段Newsletter，想想怎么用更口语化的方式表达，然后说出来。
说错了没关系，后期剪掉就好。
录完之后，这个视频会同时发到YouTube、播客平台，还有他的Substack主页。
很多人做视频内容的时候，要单独想视频脚本，单独准备素材，单独构思观点。
但他的视频脚本，就是他写了五六天的Newsletter本身。
视频和文字内容天然是一体的，不存在重复劳动。
第二步：从Newsletter里提炼短内容
除了长视频，他每天还会在Twitter、小红书这类平台发1到3条短帖子。
但他不是直接从Newsletter里截取片段，不是剪出一段文字就发。
他做的事情是：读完Newsletter之后，想一想这整篇文章最核心的一句话是什么？这个章节在讲什么？这个观点还有没有另一种说法？
然后把这些想法压缩成280个字以内的短内容，发出去。
换句话说，他发的短帖子，其实是对Newsletter里核心观点的二次提炼，而不是复制粘贴。
每一条短帖子都可以独立成立，不依赖原文。
第三步：把最好的短帖子升级成视觉内容
发出去的短帖子里，表现最好的，他会进一步处理。
做法是直接把文字复制到Figma或者Canva里，排成图文卡片格式，做成适合Instagram或者小红书的轮播图。
这不需要重新构思内容，只是换一种呈现形式。
效果特别好的内容，他还会专门做成竖屏视频——就坐在摄像头前面，对着那条帖子说一遍，加一点补充说明，两三分钟，发到Reels或者TikTok。
这就是他整套内容生态的全貌。
一期Newsletter，可以产出：长视频一条、播客一期、短帖子7到21条、图文卡片若干、短视频3到4条。
覆盖几乎所有主流平台，而整个核心工作量，就是每天早上写30到60分钟。
想法从哪里来？
到这里你可能会有一个问题：那每周那篇Newsletter的选题从哪里来？
他给出了几个来源。
一个是观察别人发表现好的内容。
不是抄，而是学结构，学切入角度，用AI把那篇内容拆解一遍，弄清楚它为什么有效，然后用自己的经验和观点重新表达一遍。
他把这个叫做像艺术家一样偷窃，借鉴形式，填入自己的内容。
另一个来源是建立一个灵感档案库。看到好的文章、好的视频缩略图、打动你的一句话，随手保存下来。等到要选题的时候，翻翻这个库，经常能找到好的切入点。
但他说最重要的来源，其实是散步。
每天安排一次散步，在走路的时候想正在写的话题。
他发现很多时候走着走着，原本要写的内容就在脑子里自动成型了。回来打开文档，把脑子里那些断片的想法串起来，Newsletter几乎就写完了一大半。
这个说法让我想起了很多哲学家和作家的工作方式。
尼采几乎所有的思考都是在走路中完成的，他甚至说那些不能在户外思考出来的想法，不值得被信任。
走路会让大脑进入一种特定的节律，比坐在电脑前更容易产生连贯的思维流。
说到这里必须提一个他反复强调的观点。
他说，用AI帮你写内容然后直接发出去，是一条死路。
不是因为AI写得差，而是因为所有人都能这么做，这条路一旦所有人都走，内容就变成了同质化的垃圾堆。
那些能长期成长的创作者，是那些在持续迭代自己写作能力的人。
他建议用AI的方式是这样：把一篇你觉得写得很好的内容扔给AI，让它分析这篇内容的结构、关键转折、心理机制，然后通过这个分析来学习。
这是一个主动学习的过程，不是偷懒的过程。
他会让AI分析一篇内容的宏观结构，也就是整体框架；也会让它分析微观层面，比如每个关键时刻是怎么处理的，读者情绪是怎么被带动的。
这些框架他会存在自己的笔记里，下次写作的时候就有了参考坐标。
时间久了，你就有了一套真正属于自己的内容方法论。
一个值得记下来的Newsletter框架
他还分享了他每期Newsletter的固定结构，我觉得这个可以直接拿来用。
首先是目标读者，明确这篇文章到底在和谁说话。
然后是一个略显极端但你真心相信的观点，他叫它夸张真相，就是那种让人看标题就想点进来的论断。
接下来是痛点，通常来自你的亲身经历，或者你观察到的普遍问题，这一般放在开头部分。
然后是新视角，也就是对这个问题的反常规解读。
比如他有一期写的是，商业就像掷骰子，你会有连输的红色期，也会有连赢的绿色期，但只要坚持迭代，你的基准线会持续上升。
这个比喻不是他原创的，是他在听别人视频的时候受到启发，但他用自己的经历重新诠释了它。
最后是独特机制，也就是具体可操作的步骤，让读者知道他们应该怎么做。
这个结构套下来，文章不容易跑偏，读者也能从中获得真实的收获。
这套方法的核心不是什么高级技巧，就是把写作放在第一位。
每天早上30到60分钟，认真想一件事，认真写一件事。其他所有平台的内容，都是这个核心工作自然溢出的副产品。把一件事做深，比同时做十件事做浅，要有效得多。
Dan Koe，一个在YouTube上做了六年内容的创作者，分享了他每周的工作流程。
我看完之后觉得有点颠覆认知，因为他不是在讲什么高深的算法技巧，也不是在讲什么涨粉秘诀，而是在讲一件特别朴素的事——怎么用一篇文章，驱动一整周所有平台的内容产出。
从一份Newsletter开始
他每周的核心任务只有一件事：写一期Newsletter，就是那种你订阅之后会收到邮件的内容通讯。
他每天早上坐下来，只写30到60分钟，写完一个部分就收工。
一期完整的Newsletter可能需要写五六天，但每天的任务量非常小，就是400到800个字，有时候更少。
你可能会问，写这么少有什么用？
关键就在这里——这60分钟，他是在认真思考一个想法，把它写透，写深，写出自己真实的观点和经验。
这不是在完成KPI，而是在构建他一整周内容的底层素材库。
他把Newsletter叫做cornerstone，就是基石的意思。
所有其他平台的内容，都从这里长出来。
第一步：一篇文章变成视频和播客
Newsletter写完之后，他会专门留出一天来录视频。
流程很简单：把Newsletter放在屏幕上，打开摄像头，打开录音软件，然后对着镜头说话。
他不是在背稿，而是看一段Newsletter，想想怎么用更口语化的方式表达，然后说出来。
说错了没关系，后期剪掉就好。
录完之后，这个视频会同时发到YouTube、播客平台，还有他的Substack主页。
很多人做视频内容的时候，要单独想视频脚本，单独准备素材，单独构思观点。
但他的视频脚本，就是他写了五六天的Newsletter本身。
视频和文字内容天然是一体的，不存在重复劳动。
第二步：从Newsletter里提炼短内容
除了长视频，他每天还会在Twitter、小红书这类平台发1到3条短帖子。
但他不是直接从Newsletter里截取片段，不是剪出一段文字就发。
他做的事情是：读完Newsletter之后，想一想这整篇文章最核心的一句话是什么？这个章节在讲什么？这个观点还有没有另一种说法？
然后把这些想法压缩成280个字以内的短内容，发出去。
换句话说，他发的短帖子，其实是对Newsletter里核心观点的二次提炼，而不是复制粘贴。
每一条短帖子都可以独立成立，不依赖原文。
第三步：把最好的短帖子升级成视觉内容
发出去的短帖子里，表现最好的，他会进一步处理。
做法是直接把文字复制到Figma或者Canva里，排成图文卡片格式，做成适合Instagram或者小红书的轮播图。
这不需要重新构思内容，只是换一种呈现形式。
效果特别好的内容，他还会专门做成竖屏视频——就坐在摄像头前面，对着那条帖子说一遍，加一点补充说明，两三分钟，发到Reels或者TikTok。
这就是他整套内容生态的全貌。
一期Newsletter，可以产出：长视频一条、播客一期、短帖子7到21条、图文卡片若干、短视频3到4条。
覆盖几乎所有主流平台，而整个核心工作量，就是每天早上写30到60分钟。
想法从哪里来？
到这里你可能会有一个问题：那每周那篇Newsletter的选题从哪里来？
他给出了几个来源。
一个是观察别人发表现好的内容。
不是抄，而是学结构，学切入角度，用AI把那篇内容拆解一遍，弄清楚它为什么有效，然后用自己的经验和观点重新表达一遍。
他把这个叫做像艺术家一样偷窃，借鉴形式，填入自己的内容。
另一个来源是建立一个灵感档案库。看到好的文章、好的视频缩略图、打动你的一句话，随手保存下来。等到要选题的时候，翻翻这个库，经常能找到好的切入点。
但他说最重要的来源，其实是散步。
每天安排一次散步，在走路的时候想正在写的话题。
他发现很多时候走着走着，原本要写的内容就在脑子里自动成型了。回来打开文档，把脑子里那些断片的想法串起来，Newsletter几乎就写完了一大半。
这个说法让我想起了很多哲学家和作家的工作方式。
尼采几乎所有的思考都是在走路中完成的，他甚至说那些不能在户外思考出来的想法，不值得被信任。
走路会让大脑进入一种特定的节律，比坐在电脑前更容易产生连贯的思维流。
说到这里必须提一个他反复强调的观点。
他说，用AI帮你写内容然后直接发出去，是一条死路。
不是因为AI写得差，而是因为所有人都能这么做，这条路一旦所有人都走，内容就变成了同质化的垃圾堆。
那些能长期成长的创作者，是那些在持续迭代自己写作能力的人。
他建议用AI的方式是这样：把一篇你觉得写得很好的内容扔给AI，让它分析这篇内容的结构、关键转折、心理机制，然后通过这个分析来学习。
这是一个主动学习的过程，不是偷懒的过程。
他会让AI分析一篇内容的宏观结构，也就是整体框架；也会让它分析微观层面，比如每个关键时刻是怎么处理的，读者情绪是怎么被带动的。
这些框架他会存在自己的笔记里，下次写作的时候就有了参考坐标。
时间久了，你就有了一套真正属于自己的内容方法论。
一个值得记下来的Newsletter框架
他还分享了他每期Newsletter的固定结构，我觉得这个可以直接拿来用。
首先是目标读者，明确这篇文章到底在和谁说话。
然后是一个略显极端但你真心相信的观点，他叫它夸张真相，就是那种让人看标题就想点进来的论断。
接下来是痛点，通常来自你的亲身经历，或者你观察到的普遍问题，这一般放在开头部分。
然后是新视角，也就是对这个问题的反常规解读。
比如他有一期写的是，商业就像掷骰子，你会有连输的红色期，也会有连赢的绿色期，但只要坚持迭代，你的基准线会持续上升。
这个比喻不是他原创的，是他在听别人视频的时候受到启发，但他用自己的经历重新诠释了它。
最后是独特机制，也就是具体可操作的步骤，让读者知道他们应该怎么做。
这个结构套下来，文章不容易跑偏，读者也能从中获得真实的收获。
这套方法的核心不是什么高级技巧，就是把写作放在第一位。
每天早上30到60分钟，认真想一件事，认真写一件事。其他所有平台的内容，都是这个核心工作自然溢出的副产品。把一件事做深，比同时做十件事做浅，要有效得多。
1 00
最近身边越来越多的人开始用AI了，ChatGPT、Claude这些工具几乎人手一个。
但你仔细观察会发现，大多数人用AI方式其实都差不多：打开对话框，问个问题，等它回答，然后关掉。
但问题是，当你想用AI做一些更复杂的事情，比如帮你建立个人品牌、制定内容策略、甚至当你的私人教练时，这种用法就完全不够用了。
假设你现在想做自媒体，想建立个人品牌。你打ChatGPT，说：帮我建立一个个人品牌。
它大概率给你的是一堆泛泛而谈的建议：先找准定位、然后确定目标受众、接着制定内容计划……听起来都对，但你看完之后还是不知道该怎么开始。
因为AI在回答这个问题的时候，它是从互联网上各种各样的信息里综合出来的。这些信息可能来自不同的专家、
不同的行业、不同的时代背景。它并不知道你是谁，你的优势是什么，你想吸引什么样的人。
而你得到的，就是一份通用的、正确但没用的答案。
那怎么才能让AI真正帮上忙呢？
这里有一个框架，叫做4C框架。
这四个C分别是：Context（上下文）、Clari
fication（澄清）、Creation（创作）、Concerns（顾虑）。
第一步：给AI足够的上下文
这是最关键的一步，也是大多数人忽略的一步。
还是拿建立个人品牌举例，与其直接问AI怎么建立品牌，不如先给它一些高质量的参考资料。
具体怎么做呢？
你可以去YouTube上找几个你觉得讲得特别好的视频，比如某个已经成功建立品牌的博主分享的经验。
然后把这视频的内容喂给AI，让它先学习一下。
这么做的好处是，AI不再是从整个互联网的大杂烩里给你拼凑答案，而是基于你认可的、高质量的信息源来给你
建议。
同理，你也可以先让AI列出几种建立个人品牌的方法，你自己看一遍，挑出最适合你的那个，然后告诉它：我们
就按这个方向来。
第二步：让AI问你问题
很多人用AI的时候有个误区，觉得AI应该直接给答案。
但其实，好的AI协作应该是双向的。
在建立个人品牌这件事上，有太多地方需要你的输入。
比如说，AI告诉你要日更三条内容。
好，那这三条内容写什么？是让AI随便生成几个话题，还是你自己先想一些你真正想表达的东西，然后让AI帮你完善？
如果是前者，你得到的内容会非常generic，没有个人特色。
如果是后者，AI才能真正发挥它的价值，帮你把想法变得更清晰、更有力。
所以，要主动让AI问你问题：我的目标受众是谁？我擅长什么？我想通过内容传达什么价值？
第三步：让AI创作
有了足够的上下文，也回答了该回答的问题，现在才是让AI干活的时候。
但这里要注意一点：AI输出的形式很重要。
如果你只是想要一个指南，那就让它生成一份结构化的文档。
如果你想要的是一场对话，比如持续地帮你完善内容想法，那就把它设定成一个教练的角色，让它用问答的方式跟你互动。
具体到建立个人品牌，你可以让AI帮你生成一个30天的行动计划，每天该做什么，优先级是什么，怎么检验效果。
但更重要的是，你不能只让它生成计划然后就扔在一边。你要把它当成一个教练，每天汇报你做了什么，让它给
你反馈，然后继续下一步。
第四步：让AI帮你找盲点
这一步很多人都忽略了，但其实是最有价值的。
当你和AI协作完成一件事之后，一定要问它：这里面有什么我没考虑到的？有什么假设是有问题的？有什么漏洞
可以被攻击？
AI特别擅长做这种压力测试，因为它没有情感包袱，不会因为这是你的想法就手下留情。
比如你写了一条内容，你觉得观点很新颖。让AI看看，它可能会告诉你：这个观点其实有人说过了，或者这个论
证有逻辑漏洞，或者你的目标受众可能不会买账。
这种反馈比任何赞美都有价值。
说完了怎么用AI，我们来说说个人品牌本身。
建立个人品牌听起来很玄乎，但其实核心就是三件事：确定受众、找到话题、持续输出。
先说话题。
很多人觉得做内容就是想到什么写什么。
这当然可以，但如果你想系统地建立品牌，最好把话题分成三类：权威话题、增长话题、真实话题。
权威话题是你的专业领域。你靠这个吃饭，你比大多数人懂得多。
写这类内容的目的是建立信任，让别人相信你是这个领域的行家。
但坦白说，这类内容通常互动不会太高，因为它偏专业，受众有限。
增长话题是追热点，但不是那种全网都在讨论的大热点，而是你所在垂直领域的小热点。
比如有人发了一条爆款推文，你可以用自己的视角重新解读这个话题。这类内容容易获得流量，帮你扩大受众。
真实话题是你的个人故事，你踩过的坑，你走过的弯路，你曾经很糟糕的那段日子。
这类内容的作用是建立情感连接，让读者觉得你是个真实的人，而不是一台内容生产机器。
有了话题，下一步是建立内容体系。
我的建议是从一个平台开始，不要一上来就全平台铺开。
比如你选择了X，每天发1到3条内容，看看哪条反响最好。然后把表现好的内容搬到其他平台，比如小红书、
公众号。
这样你就不用每个平台都从零开始想内容，而是用已经验证过的内容去拓展。
同时，短内容可以变成长内容。
一条爆款推文背后的观点，可能值得写成一篇完整的文章，甚至录成一个视频，这就是所谓的内容复用。
你不需要每次都创造全新的东西，而是把同一个核心观点用不同的形式表达出来。
建立个人品牌从来不是一件可以速成的事。
30天只是一个开始的阶段，帮你搭建起基本的框架、养成发布的习惯、找到初步的方向。
真正的品牌需要时间来沉淀，需要持续的内容来支撑，需要真实的价值来维系。
用AI建立个人品牌的核心：让AI成为你的放大器，而不是替代品。
你的想法、你的判断、你的个人经历，这些是AI永远替代不了的。AI只是帮你把这些东西更高效地表达出来，触
达更多的人。
但你仔细观察会发现，大多数人用AI方式其实都差不多：打开对话框，问个问题，等它回答，然后关掉。
但问题是，当你想用AI做一些更复杂的事情，比如帮你建立个人品牌、制定内容策略、甚至当你的私人教练时，这种用法就完全不够用了。
假设你现在想做自媒体，想建立个人品牌。你打ChatGPT，说：帮我建立一个个人品牌。
它大概率给你的是一堆泛泛而谈的建议：先找准定位、然后确定目标受众、接着制定内容计划……听起来都对，但你看完之后还是不知道该怎么开始。
因为AI在回答这个问题的时候，它是从互联网上各种各样的信息里综合出来的。这些信息可能来自不同的专家、
不同的行业、不同的时代背景。它并不知道你是谁，你的优势是什么，你想吸引什么样的人。
而你得到的，就是一份通用的、正确但没用的答案。
那怎么才能让AI真正帮上忙呢？
这里有一个框架，叫做4C框架。
这四个C分别是：Context（上下文）、Clari
fication（澄清）、Creation（创作）、Concerns（顾虑）。
第一步：给AI足够的上下文
这是最关键的一步，也是大多数人忽略的一步。
还是拿建立个人品牌举例，与其直接问AI怎么建立品牌，不如先给它一些高质量的参考资料。
具体怎么做呢？
你可以去YouTube上找几个你觉得讲得特别好的视频，比如某个已经成功建立品牌的博主分享的经验。
然后把这视频的内容喂给AI，让它先学习一下。
这么做的好处是，AI不再是从整个互联网的大杂烩里给你拼凑答案，而是基于你认可的、高质量的信息源来给你
建议。
同理，你也可以先让AI列出几种建立个人品牌的方法，你自己看一遍，挑出最适合你的那个，然后告诉它：我们
就按这个方向来。
第二步：让AI问你问题
很多人用AI的时候有个误区，觉得AI应该直接给答案。
但其实，好的AI协作应该是双向的。
在建立个人品牌这件事上，有太多地方需要你的输入。
比如说，AI告诉你要日更三条内容。
好，那这三条内容写什么？是让AI随便生成几个话题，还是你自己先想一些你真正想表达的东西，然后让AI帮你完善？
如果是前者，你得到的内容会非常generic，没有个人特色。
如果是后者，AI才能真正发挥它的价值，帮你把想法变得更清晰、更有力。
所以，要主动让AI问你问题：我的目标受众是谁？我擅长什么？我想通过内容传达什么价值？
第三步：让AI创作
有了足够的上下文，也回答了该回答的问题，现在才是让AI干活的时候。
但这里要注意一点：AI输出的形式很重要。
如果你只是想要一个指南，那就让它生成一份结构化的文档。
如果你想要的是一场对话，比如持续地帮你完善内容想法，那就把它设定成一个教练的角色，让它用问答的方式跟你互动。
具体到建立个人品牌，你可以让AI帮你生成一个30天的行动计划，每天该做什么，优先级是什么，怎么检验效果。
但更重要的是，你不能只让它生成计划然后就扔在一边。你要把它当成一个教练，每天汇报你做了什么，让它给
你反馈，然后继续下一步。
第四步：让AI帮你找盲点
这一步很多人都忽略了，但其实是最有价值的。
当你和AI协作完成一件事之后，一定要问它：这里面有什么我没考虑到的？有什么假设是有问题的？有什么漏洞
可以被攻击？
AI特别擅长做这种压力测试，因为它没有情感包袱，不会因为这是你的想法就手下留情。
比如你写了一条内容，你觉得观点很新颖。让AI看看，它可能会告诉你：这个观点其实有人说过了，或者这个论
证有逻辑漏洞，或者你的目标受众可能不会买账。
这种反馈比任何赞美都有价值。
说完了怎么用AI，我们来说说个人品牌本身。
建立个人品牌听起来很玄乎，但其实核心就是三件事：确定受众、找到话题、持续输出。
先说话题。
很多人觉得做内容就是想到什么写什么。
这当然可以，但如果你想系统地建立品牌，最好把话题分成三类：权威话题、增长话题、真实话题。
权威话题是你的专业领域。你靠这个吃饭，你比大多数人懂得多。
写这类内容的目的是建立信任，让别人相信你是这个领域的行家。
但坦白说，这类内容通常互动不会太高，因为它偏专业，受众有限。
增长话题是追热点，但不是那种全网都在讨论的大热点，而是你所在垂直领域的小热点。
比如有人发了一条爆款推文，你可以用自己的视角重新解读这个话题。这类内容容易获得流量，帮你扩大受众。
真实话题是你的个人故事，你踩过的坑，你走过的弯路，你曾经很糟糕的那段日子。
这类内容的作用是建立情感连接，让读者觉得你是个真实的人，而不是一台内容生产机器。
有了话题，下一步是建立内容体系。
我的建议是从一个平台开始，不要一上来就全平台铺开。
比如你选择了X，每天发1到3条内容，看看哪条反响最好。然后把表现好的内容搬到其他平台，比如小红书、
公众号。
这样你就不用每个平台都从零开始想内容，而是用已经验证过的内容去拓展。
同时，短内容可以变成长内容。
一条爆款推文背后的观点，可能值得写成一篇完整的文章，甚至录成一个视频，这就是所谓的内容复用。
你不需要每次都创造全新的东西，而是把同一个核心观点用不同的形式表达出来。
建立个人品牌从来不是一件可以速成的事。
30天只是一个开始的阶段，帮你搭建起基本的框架、养成发布的习惯、找到初步的方向。
真正的品牌需要时间来沉淀，需要持续的内容来支撑，需要真实的价值来维系。
用AI建立个人品牌的核心：让AI成为你的放大器，而不是替代品。
你的想法、你的判断、你的个人经历，这些是AI永远替代不了的。AI只是帮你把这些东西更高效地表达出来，触
达更多的人。
5 01
创业之前，你想过怎么给你的产品起名吗？
最近我发现了一个特别有意思的播客访谈，嘉宾是一位给品牌起名的专家，叫David。
他起过的名字你大概率听过：Swiffer、黑莓手机、Impossible Burger、Febreze、Sonos、Intel Pentium、SlimFast、微软Azure，还有最近很火的AI编辑器Windsurf。
在听这期之前，我对「起名」这件事的态度其实跟大多数人一样，觉得差不多就行，产品好才是最重要的。
但听完之后我真的被说服了......
今天我试着把他的核心方法论帮大家拆出来。
1️⃣ 一个名字到底能值多少钱？
先说一个案例。
宝洁当年研发了一款新型拖把，不是传统那种棉线头的，用起来很轻便，还能自动吸附灰尘。
他们最初想叫它ProMop，就是「专业拖把」的意思。
David的团队接手之后，做了一轮消费者调研，发现一个关键洞察：不管男女，在所有家务活里，拖地是最不受欢迎的。脏、累、效率低。
所以他们跟宝洁说，别叫它拖把了，这个产品本身就不是传统拖把，为什么要把自己塞进一个人人讨厌的品类里？
最后起的名字叫Swiffer。
几乎同一时期，高乐氏也推出了一款类似产品，叫Ready Mop，翻译过来就是「随时可用的拖把」。
名字挺安全的，消费者一听就知道是干嘛的，市场调研里表现也不错。
结果Swiffer现在是一个年销售额50亿美元的品牌，Ready Mop大概只有几亿。
产品差不多，团队都是大公司，渠道也不缺，差距在哪？
David说，在产品上市的头12个月里，名字贡献了大概90%的差异。
因为那是你获取注意力、建立第一印象的关键窗口。
2️⃣ 好名字的三个硬指标
David说，一个「对的名字」必须同时满足三个条件。
第一，要有原创性。
不是说非得造一个从没出现过的词，而是在你所在的品类里，它得跟别人不一样。
如果所有纤维补充剂都叫什么Fiber One、BeneFiber，你再来一个FiberPlus，就会被淹没在同质化的海洋里。
第二，要有认知流畅性。
这是个认知科学的概念，英文叫processing fluency。
简单说就是，你的名字不能让人觉得难以理解或难以发音。
大脑是懒的，它喜欢容易处理的信息。最好是用一个人们已经认识的词，但放在一个意想不到的场景里。
比如Blackberry，黑莓，谁都认识这个词。
但放在一个电子设备上，就产生了奇妙的化学反应。
David把这个策略叫做surprisingly familiar，令人惊讶的熟悉感。
大脑一看，这个词我认识，处理起来很轻松。但等等，怎么用在这个地方？
这个意外感就抓住了注意力。
第三，要有意外性。
这是大多数人最容易犯错的地方。我们天生追求安全感，起名的时候倾向于选那些「舒服的」「大家一看就懂的」名字。
但David反复强调，舒服就意味着平庸。
3️⃣ 创意不靠头脑风暴，靠小团队和大量输出
很多公司遇到要起名的场景，就把人拉到会议室搞一场头脑风暴。
David的公司30年前也这么干，后来花了18个月追踪所有项目，想搞清楚那些最终被选中的好名字到底是怎么来的。
结论让他们自己都很意外：好名字几乎不来自头脑风暴，也不来自外部自由职业者，而是来自一两个人组成的小团队独立工作的产出。
因为头脑风暴有两个天然的敌人：同伴压力和即时评判。
你刚说出一个想法，旁边人一个表情、一句「这个不太行吧」，创造力就被掐死在摇篮里了。
所以他们现在的做法是：把一个项目拆给三个两人小组，每个组拿到的briefing略有不同。
比如纤维补充剂这个项目，第一组拿到的是完整的产品信息。
第二组的briefing里会加一个额外元素，比如说这个产品还含有某种提神成分。
第三组干脆不提纤维，只说这是一个运动表现相关的产品。
三个组产出的名字方向完全不同，这就最大限度地搜索了可能性空间。
还有一个关键数字：他们一个项目大概会产出2000个名字。
David说，大多数客户自己尝试的时候，写到50到100个就觉得枯竭了、卡住了。
但在命名这件事上，数量通向质量。你得翻遍足够多的石头，才可能在下面找到金子。
4️⃣ 怎么找灵感？
David把命名过程比作在深海里找沉船宝藏。
他提到一本书叫Ship of Gold in the Deep Blue Sea，讲的是一个科学家寻找1850年代沉没的运金船的故事。
别的寻宝者找到一个沉船就兴奋地投入全部资源，结果发现不是目标。
这个科学家不一样，他先把整个海域系统性地扫描了一遍，做完全景地图之后才决定往哪里潜。
命名的思路一样，他们会系统性地搜索各种来源：拉丁语词根、希腊语词根、罗马神话、希腊神话、元素周期表，甚至航空动力学。
他们有自建的数据库，不是简单地罗列术语，而是在每个词条周围堆叠了大量相关联的文章和语境信息，让每个词都变成一个富矿。
更有意思的是跨领域迁移。
如果之前给日产做过一款小型车的命名项目，那些名字不会被归档为「小型车」，而是归入「小的东西」这个概念库。
下次遇到一个需要表达「小巧」概念的芯片命名项目，就能交叉激发出全新的想法。
David特别强调一个词：synchronicity，意思是把看似毫不相关的东西连接起来。
他还推荐了一个非常实操的方法：在你快完成创意工作的时候，去书店买两本你从来没读过的杂志，花30分钟翻翻，专门找那些跟你的项目毫无关系的内容，看能不能产生意想不到的连接。
他说大概30%的概率，你会因此获得一个全新的视角。
好名字不只是灵感的产物，它背后有认知科学，有语言学，有系统性的搜索方法，有对人性弱点的深刻理解，还有说服别人接受一个不舒服选择的勇气。
最近我发现了一个特别有意思的播客访谈，嘉宾是一位给品牌起名的专家，叫David。
他起过的名字你大概率听过：Swiffer、黑莓手机、Impossible Burger、Febreze、Sonos、Intel Pentium、SlimFast、微软Azure，还有最近很火的AI编辑器Windsurf。
在听这期之前，我对「起名」这件事的态度其实跟大多数人一样，觉得差不多就行，产品好才是最重要的。
但听完之后我真的被说服了......
今天我试着把他的核心方法论帮大家拆出来。
1️⃣ 一个名字到底能值多少钱？
先说一个案例。
宝洁当年研发了一款新型拖把，不是传统那种棉线头的，用起来很轻便，还能自动吸附灰尘。
他们最初想叫它ProMop，就是「专业拖把」的意思。
David的团队接手之后，做了一轮消费者调研，发现一个关键洞察：不管男女，在所有家务活里，拖地是最不受欢迎的。脏、累、效率低。
所以他们跟宝洁说，别叫它拖把了，这个产品本身就不是传统拖把，为什么要把自己塞进一个人人讨厌的品类里？
最后起的名字叫Swiffer。
几乎同一时期，高乐氏也推出了一款类似产品，叫Ready Mop，翻译过来就是「随时可用的拖把」。
名字挺安全的，消费者一听就知道是干嘛的，市场调研里表现也不错。
结果Swiffer现在是一个年销售额50亿美元的品牌，Ready Mop大概只有几亿。
产品差不多，团队都是大公司，渠道也不缺，差距在哪？
David说，在产品上市的头12个月里，名字贡献了大概90%的差异。
因为那是你获取注意力、建立第一印象的关键窗口。
2️⃣ 好名字的三个硬指标
David说，一个「对的名字」必须同时满足三个条件。
第一，要有原创性。
不是说非得造一个从没出现过的词，而是在你所在的品类里，它得跟别人不一样。
如果所有纤维补充剂都叫什么Fiber One、BeneFiber，你再来一个FiberPlus，就会被淹没在同质化的海洋里。
第二，要有认知流畅性。
这是个认知科学的概念，英文叫processing fluency。
简单说就是，你的名字不能让人觉得难以理解或难以发音。
大脑是懒的，它喜欢容易处理的信息。最好是用一个人们已经认识的词，但放在一个意想不到的场景里。
比如Blackberry，黑莓，谁都认识这个词。
但放在一个电子设备上，就产生了奇妙的化学反应。
David把这个策略叫做surprisingly familiar，令人惊讶的熟悉感。
大脑一看，这个词我认识，处理起来很轻松。但等等，怎么用在这个地方？
这个意外感就抓住了注意力。
第三，要有意外性。
这是大多数人最容易犯错的地方。我们天生追求安全感，起名的时候倾向于选那些「舒服的」「大家一看就懂的」名字。
但David反复强调，舒服就意味着平庸。
3️⃣ 创意不靠头脑风暴，靠小团队和大量输出
很多公司遇到要起名的场景，就把人拉到会议室搞一场头脑风暴。
David的公司30年前也这么干，后来花了18个月追踪所有项目，想搞清楚那些最终被选中的好名字到底是怎么来的。
结论让他们自己都很意外：好名字几乎不来自头脑风暴，也不来自外部自由职业者，而是来自一两个人组成的小团队独立工作的产出。
因为头脑风暴有两个天然的敌人：同伴压力和即时评判。
你刚说出一个想法，旁边人一个表情、一句「这个不太行吧」，创造力就被掐死在摇篮里了。
所以他们现在的做法是：把一个项目拆给三个两人小组，每个组拿到的briefing略有不同。
比如纤维补充剂这个项目，第一组拿到的是完整的产品信息。
第二组的briefing里会加一个额外元素，比如说这个产品还含有某种提神成分。
第三组干脆不提纤维，只说这是一个运动表现相关的产品。
三个组产出的名字方向完全不同，这就最大限度地搜索了可能性空间。
还有一个关键数字：他们一个项目大概会产出2000个名字。
David说，大多数客户自己尝试的时候，写到50到100个就觉得枯竭了、卡住了。
但在命名这件事上，数量通向质量。你得翻遍足够多的石头，才可能在下面找到金子。
4️⃣ 怎么找灵感？
David把命名过程比作在深海里找沉船宝藏。
他提到一本书叫Ship of Gold in the Deep Blue Sea，讲的是一个科学家寻找1850年代沉没的运金船的故事。
别的寻宝者找到一个沉船就兴奋地投入全部资源，结果发现不是目标。
这个科学家不一样，他先把整个海域系统性地扫描了一遍，做完全景地图之后才决定往哪里潜。
命名的思路一样，他们会系统性地搜索各种来源：拉丁语词根、希腊语词根、罗马神话、希腊神话、元素周期表，甚至航空动力学。
他们有自建的数据库，不是简单地罗列术语，而是在每个词条周围堆叠了大量相关联的文章和语境信息，让每个词都变成一个富矿。
更有意思的是跨领域迁移。
如果之前给日产做过一款小型车的命名项目，那些名字不会被归档为「小型车」，而是归入「小的东西」这个概念库。
下次遇到一个需要表达「小巧」概念的芯片命名项目，就能交叉激发出全新的想法。
David特别强调一个词：synchronicity，意思是把看似毫不相关的东西连接起来。
他还推荐了一个非常实操的方法：在你快完成创意工作的时候，去书店买两本你从来没读过的杂志，花30分钟翻翻，专门找那些跟你的项目毫无关系的内容，看能不能产生意想不到的连接。
他说大概30%的概率，你会因此获得一个全新的视角。
好名字不只是灵感的产物，它背后有认知科学，有语言学，有系统性的搜索方法，有对人性弱点的深刻理解，还有说服别人接受一个不舒服选择的勇气。
1 01
看了 Joe Lonsdale 最新一期播客，请来了 8VC 的两位合伙人 Alex Kolicich 和 Jack Moshkovich，聊了AI 投资这件事。
这期内容信息密度非常高，听完之后对整个 AI 产业链的理解清晰了不少。
Joe Lonsdale 这个人可能有些朋友不太熟悉，他参与创办过 Palantir、Addepar 这些明星公司。
这次他和两位合伙人用了一个特别工程师的方式来拆解 AI 投资，把整个产业链分成了从 0 到 5 的六个层级。
大家都在谈 AI 投资，但很多人可能只盯着 ChatGPT 这样的明星产品，却没意识到这背后是一条超长的产业链，每一层都在发生激烈的博弈。
1️⃣ AI 投资的六层蛋糕，你吃哪一层？
Alex 用了一个很清晰的框架来解释 AI 产业链。
最底层的 0 级是能源，这个好理解，训练大模型费电嘛。
往上是 1 级芯片，现在基本被英伟达统治，但他们也在关注一些新的芯片公司。
2 级是数据中心，这个倒是很多家族办公室都投了，算是比较稳的一层。
3 级开始就有意思了，这是大型语言模型公司那一层，像 OpenAI、Anthropic、Google 的 Gemini、还有马斯克的 xAI 都在这儿。
但重点来了，8VC 的投资重心其实在 4 级和 5 级。
4 级是软件基础设施，说白了就是帮你把这些大模型部署到实际业务里的工具。
5 级是应用和服务，直接面向用户解决问题的那些东西，比如医疗账单处理、物流管理这些实际场景。
为什么他们重点投 5 级？
Alex 提到一个很关键的观察，他们投的那些公司在不同场景下会灵活切换模型。今天 Anthropic 在编程上表现好就用它，明天 OpenAI 某个功能更强就换过去。
这就引出了一个争议很大的话题。
2️⃣ 大模型会变成白菜价吗？
这个问题在硅谷现在争论得特别激烈。
Alex 的观点很理性，他说得分场景看。
如果你要做高级编程，现在 Anthropic 确实领先，你愿意为这个前沿能力付费。
但如果只是处理文档、做结构化输出这种事，用开源模型就够了，成本还便宜得多。
Jack 补充了一个有意思的角度。
他说现在大家都在喊大模型商品化，但你看数据，这些模型公司的 API 业务毛利率还在 50-60% 之间。
真正的大宗商品生意，比如卖金属、卖农产品那种，毛利率才 5-15%。
所以至少目前来看，大模型离真正的商品化还远着呢。
但问题是未来会怎样？Joe 这个问题抛得很尖锐，他说你看我那些在旧金山散步的朋友们，动不动往这些模型公司投几十亿美元，当然觉得它们值几千亿。
但数据仓库公司的 CEO 肯定希望模型越商品化越好，因为这样他们自己的基础设施才更值钱。换句话说，每个人说话的立场都跟屁股坐在哪儿有关。
Jack 提到了一个很好的参考案例，就是云计算的三巨头。亚马逊的 AWS 最开始就是卖存储 S3 和计算 EC2 这两个基础服务，看起来挺商品化的。
但他们后来不断往上加增值服务，比如托管数据库这些，结果用户就很难迁移走了，因为整套工具链都绑在一起了。
所以大模型公司能不能学这一招，能加多少独特的服务来提高转换成本，这是关键。
3️⃣ 不同模型公司在玩完全不同的游戏
很多人以为这些大模型公司都在做同一件事，其实完全不是。
OpenAI 现在更像是一家消费级公司，主要面向普通用户。
Anthropic 则是典型的开发者基础设施，服务的是写代码的人。
Google 走的是生产力路线，就是把 AI 能力融入到 Gmail、文档这些你每天都用的工具里。
Meta 就更明确了，他们的核心资产是用户生产和消费的内容，所以做的就是内容和文化这块。
说到马斯克的 xAI 就更有意思了。Jack 认为他们想做最能推理的模型，瞄准的是最高价值的工作场景。
而且马斯克有 SpaceX，如果真要把计算能力搞到太空去，那他确实有得天独厚的优势。再加上特斯拉的机器人和真实世界数据，这个组合拳打出来可能会很厉害。
这种分化其实揭示了一个更深层的问题，只会做模型是不够的，因为追赶前沿技术正变得越来越容易。
你必须在核心能力之外建立一套完整的商业模式，这样才有真正的护城河。
4️⃣ 老问题又回来了：怎么建立防御力？
Alex 最后抛出了一个经典问题：过去软件公司的护城河无非两个，要么产品做得特别好，要么有强大的数据引力让用户离不开。
那 AI 公司呢？
这让我想起之前看过的一些讨论，OpenAI 有那么多消费级用户，如果能让模型在使用过程中不断学习你的习惯和需求，慢慢形成记忆，那转换成本就上来了。
但现在这个能力还没完全实现，所以用户换个模型成本其实挺低的。
另一个角度是产品到底做多深。
如果只是提供一个 API 让别人调用，那确实容易被替代。但如果能像云计算巨头那样，围绕核心能力搭建一整套工具和服务，用户迁移的痛苦就大多了。
现在整个 AI 行业处在一个挺微妙的阶段，技术进步飞快，但商业模式还在摸索。
有人觉得最后会赢家通吃，有人认为会百花齐放。但有一点是确定的，单纯堆技术肯定不够，你得想清楚自己到底在为谁创造什么价值，这个价值别人能不能轻易复制。
这期内容信息密度非常高，听完之后对整个 AI 产业链的理解清晰了不少。
Joe Lonsdale 这个人可能有些朋友不太熟悉，他参与创办过 Palantir、Addepar 这些明星公司。
这次他和两位合伙人用了一个特别工程师的方式来拆解 AI 投资，把整个产业链分成了从 0 到 5 的六个层级。
大家都在谈 AI 投资，但很多人可能只盯着 ChatGPT 这样的明星产品，却没意识到这背后是一条超长的产业链，每一层都在发生激烈的博弈。
1️⃣ AI 投资的六层蛋糕，你吃哪一层？
Alex 用了一个很清晰的框架来解释 AI 产业链。
最底层的 0 级是能源，这个好理解，训练大模型费电嘛。
往上是 1 级芯片，现在基本被英伟达统治，但他们也在关注一些新的芯片公司。
2 级是数据中心，这个倒是很多家族办公室都投了，算是比较稳的一层。
3 级开始就有意思了，这是大型语言模型公司那一层，像 OpenAI、Anthropic、Google 的 Gemini、还有马斯克的 xAI 都在这儿。
但重点来了，8VC 的投资重心其实在 4 级和 5 级。
4 级是软件基础设施，说白了就是帮你把这些大模型部署到实际业务里的工具。
5 级是应用和服务，直接面向用户解决问题的那些东西，比如医疗账单处理、物流管理这些实际场景。
为什么他们重点投 5 级？
Alex 提到一个很关键的观察，他们投的那些公司在不同场景下会灵活切换模型。今天 Anthropic 在编程上表现好就用它，明天 OpenAI 某个功能更强就换过去。
这就引出了一个争议很大的话题。
2️⃣ 大模型会变成白菜价吗？
这个问题在硅谷现在争论得特别激烈。
Alex 的观点很理性，他说得分场景看。
如果你要做高级编程，现在 Anthropic 确实领先，你愿意为这个前沿能力付费。
但如果只是处理文档、做结构化输出这种事，用开源模型就够了，成本还便宜得多。
Jack 补充了一个有意思的角度。
他说现在大家都在喊大模型商品化，但你看数据，这些模型公司的 API 业务毛利率还在 50-60% 之间。
真正的大宗商品生意，比如卖金属、卖农产品那种，毛利率才 5-15%。
所以至少目前来看，大模型离真正的商品化还远着呢。
但问题是未来会怎样？Joe 这个问题抛得很尖锐，他说你看我那些在旧金山散步的朋友们，动不动往这些模型公司投几十亿美元，当然觉得它们值几千亿。
但数据仓库公司的 CEO 肯定希望模型越商品化越好，因为这样他们自己的基础设施才更值钱。换句话说，每个人说话的立场都跟屁股坐在哪儿有关。
Jack 提到了一个很好的参考案例，就是云计算的三巨头。亚马逊的 AWS 最开始就是卖存储 S3 和计算 EC2 这两个基础服务，看起来挺商品化的。
但他们后来不断往上加增值服务，比如托管数据库这些，结果用户就很难迁移走了，因为整套工具链都绑在一起了。
所以大模型公司能不能学这一招，能加多少独特的服务来提高转换成本，这是关键。
3️⃣ 不同模型公司在玩完全不同的游戏
很多人以为这些大模型公司都在做同一件事，其实完全不是。
OpenAI 现在更像是一家消费级公司，主要面向普通用户。
Anthropic 则是典型的开发者基础设施，服务的是写代码的人。
Google 走的是生产力路线，就是把 AI 能力融入到 Gmail、文档这些你每天都用的工具里。
Meta 就更明确了，他们的核心资产是用户生产和消费的内容，所以做的就是内容和文化这块。
说到马斯克的 xAI 就更有意思了。Jack 认为他们想做最能推理的模型，瞄准的是最高价值的工作场景。
而且马斯克有 SpaceX，如果真要把计算能力搞到太空去，那他确实有得天独厚的优势。再加上特斯拉的机器人和真实世界数据，这个组合拳打出来可能会很厉害。
这种分化其实揭示了一个更深层的问题，只会做模型是不够的，因为追赶前沿技术正变得越来越容易。
你必须在核心能力之外建立一套完整的商业模式，这样才有真正的护城河。
4️⃣ 老问题又回来了：怎么建立防御力？
Alex 最后抛出了一个经典问题：过去软件公司的护城河无非两个，要么产品做得特别好，要么有强大的数据引力让用户离不开。
那 AI 公司呢？
这让我想起之前看过的一些讨论，OpenAI 有那么多消费级用户，如果能让模型在使用过程中不断学习你的习惯和需求，慢慢形成记忆，那转换成本就上来了。
但现在这个能力还没完全实现，所以用户换个模型成本其实挺低的。
另一个角度是产品到底做多深。
如果只是提供一个 API 让别人调用，那确实容易被替代。但如果能像云计算巨头那样，围绕核心能力搭建一整套工具和服务，用户迁移的痛苦就大多了。
现在整个 AI 行业处在一个挺微妙的阶段，技术进步飞快，但商业模式还在摸索。
有人觉得最后会赢家通吃，有人认为会百花齐放。但有一点是确定的，单纯堆技术肯定不够，你得想清楚自己到底在为谁创造什么价值，这个价值别人能不能轻易复制。
1 00
昨天刷到Dan Koe发了一条视频，讲怎么用AI建立年入百万的一人公司。
这哥们在内容创业圈挺有名的，做了6、7年自媒体，有几百万粉丝，还自己开发了一个叫Eden的AI工具。
他开头就问了个问题：2026年了，AI都快烂大街了，建一人公司到底还有没有搞头？
答案可能会让很多人失望，因为Dan说的是：该做的事情一点没变，只是现在可以用AI让这些事做得更快更好。
1️⃣ AI降低了门槛，但也提高了天花板
Dan提到一个很有意思的现象：以前做一人公司，社交媒体就是你的全部工具，能赚个小几十万过上舒服日子就不错了。但现在有了AI，理论上你一个人能干的活儿更多了，收入天花板也被抬高了。
但问题来了，门槛低了，竞争也激烈了。现在谁都能让AI帮忙写内容、发帖子，结果就是95%的人试了一次失败就放弃了。
还有一部分人呢，下载个什么AI agent工具，设置好自动发帖，然后就坐等涨粉赚钱。结果两三个月过去了，啥也没发生。
原因也很简单，因为这些人根本不知道什么叫好内容，也不懂失败了要调整方向，他们只是享受看着AI忙活的那种多巴胺快感。
这话很刺耳，但确实是很多人的真实写照。
Dan强调，AI的正确打开方式不是让它替你干活，而是用它来避免无谓的试错，加快你的学习曲线。你得先知道自己要什么，才能让AI帮你做得更好。
2️⃣ 年入百万听起来玄乎，其实就是个数学题
很多人一听到一人公司年入百万就觉得是天方夜谭。
Dan直接给算了笔账：100万除以12个月，就是每月8.3万；再除以30天，就是每天2777美元。
怎么赚到这个数？他给了几种组合：
每天卖出18个150美元的课程
每天卖出111个25美元的订阅（比如Substack）
隔天接一个5000美元的客户项目
或者几种方式混着来
他建议新手从接客户项目开始，因为向一个人卖5000块的服务，比向100个人卖50块的订阅容易得多。
而且企业主都明白一个道理：只要你能帮他赚钱或省钱，花个几千上万块请你根本不叫事儿。
Dan自己就是这么过来的，他说刚开始做自由职业的时候，在设计公司年薪才6万美元，还得和四个人合租。
但后来做了生意，花在外包和服务上的钱动不动就是几千几万，因为投资回报率摆在那儿。
这个思维转变其实挺关键的：你不再是用时间换钱，而是用价值换钱。
3️⃣ 内容创作的核心，是让别人觉得这事跟我有关
Dan花了不少时间讲内容，他说新手最大的问题不是没想法，而是不会讲故事。
你脑子里有个很牛的观点，但你写出来之后，别人看了就是无感。
原因很简单，因为你没有回答一个问题：这个观点对我有什么用？
举个例子，你说要学会时间管理。
这是个好想法没错，但读者会想，关我什么事？你得告诉他：如果你总是加班到深夜，错过陪孩子的时间，学会时间管理可以让你每天多出2小时。
这时候他才会觉得，哦，这个我需要。
Dan的建议是，每次写内容之前问自己两个问题：
这个想法解决了什么痛点？
它能给别人带来什么好处？
然后把答案融进内容里。
这听起来简单，但确实是区分普通内容和爆款内容的关键。
另外他还提到，很多人把内容当目的，写了一堆东西不知道怎么变现。
其实内容只是手段，目的是卖东西。你得先想好要卖什么，然后倒推回来写什么内容能吸引潜在客户。
这个逻辑理顺了，后面的路就好走多了。
4️⃣ AI是助手不是老板，你得学会当CEO
这是我觉得最有价值的部分。
Dan说，现在AI工具多得眼花缭乱，各种agent、各种自动化，但真正用好的人不多。
他的方法是这样的：先找那些已经做出成绩的专家，把他们的内容、方法论喂给AI，让AI学会这套思路，然后再用AI来辅助你做具体的事情。
比如写社交媒体帖子。
不要直接让AI给你生成一堆内容，而是先找几条你觉得写得特别好的帖子，让AI分析为什么这些帖子能火。
它会告诉你用了哪些心理策略、结构是怎样的。学会了这些原理之后，再让AI帮你写初稿，然后你自己改成自己的风格。
Dan在视频里分享了他自己用的工作流程。他每周会收集灵感，贴上看到的好推文、YouTube视频，写newsletter大纲，设置各种提示词。
写作的时候遇到卡壳，就跟AI聊天理清思路，整个过程AI都在，但主导权始终在他手里。
他特别强调一点：AI现在还没聪明到能完全替代你，缺点什么我们也说不清，但就是差那么点意思。
所以你必须得懂行，才能判断AI的输出是好是坏，该怎么调整。
这就是为什么学习永远重要，因为你得当这些AI工具的经理和老板。
AI时代的创业，本质上还是个手艺活。工具变了，但底层逻辑没变。
你还是得懂用户需求，还是得会讲故事，还是得能卖货。AI能做的是帮你省时间、少走弯路，但它代替不了你的思考和判断。
你不要指望看完一个视频就能立刻赚到钱，知识不等于结果。你得把学到的东西真正用起来，在实践中不断调整，才有可能做出点名堂。
这哥们在内容创业圈挺有名的，做了6、7年自媒体，有几百万粉丝，还自己开发了一个叫Eden的AI工具。
他开头就问了个问题：2026年了，AI都快烂大街了，建一人公司到底还有没有搞头？
答案可能会让很多人失望，因为Dan说的是：该做的事情一点没变，只是现在可以用AI让这些事做得更快更好。
1️⃣ AI降低了门槛，但也提高了天花板
Dan提到一个很有意思的现象：以前做一人公司，社交媒体就是你的全部工具，能赚个小几十万过上舒服日子就不错了。但现在有了AI，理论上你一个人能干的活儿更多了，收入天花板也被抬高了。
但问题来了，门槛低了，竞争也激烈了。现在谁都能让AI帮忙写内容、发帖子，结果就是95%的人试了一次失败就放弃了。
还有一部分人呢，下载个什么AI agent工具，设置好自动发帖，然后就坐等涨粉赚钱。结果两三个月过去了，啥也没发生。
原因也很简单，因为这些人根本不知道什么叫好内容，也不懂失败了要调整方向，他们只是享受看着AI忙活的那种多巴胺快感。
这话很刺耳，但确实是很多人的真实写照。
Dan强调，AI的正确打开方式不是让它替你干活，而是用它来避免无谓的试错，加快你的学习曲线。你得先知道自己要什么，才能让AI帮你做得更好。
2️⃣ 年入百万听起来玄乎，其实就是个数学题
很多人一听到一人公司年入百万就觉得是天方夜谭。
Dan直接给算了笔账：100万除以12个月，就是每月8.3万；再除以30天，就是每天2777美元。
怎么赚到这个数？他给了几种组合：
每天卖出18个150美元的课程
每天卖出111个25美元的订阅（比如Substack）
隔天接一个5000美元的客户项目
或者几种方式混着来
他建议新手从接客户项目开始，因为向一个人卖5000块的服务，比向100个人卖50块的订阅容易得多。
而且企业主都明白一个道理：只要你能帮他赚钱或省钱，花个几千上万块请你根本不叫事儿。
Dan自己就是这么过来的，他说刚开始做自由职业的时候，在设计公司年薪才6万美元，还得和四个人合租。
但后来做了生意，花在外包和服务上的钱动不动就是几千几万，因为投资回报率摆在那儿。
这个思维转变其实挺关键的：你不再是用时间换钱，而是用价值换钱。
3️⃣ 内容创作的核心，是让别人觉得这事跟我有关
Dan花了不少时间讲内容，他说新手最大的问题不是没想法，而是不会讲故事。
你脑子里有个很牛的观点，但你写出来之后，别人看了就是无感。
原因很简单，因为你没有回答一个问题：这个观点对我有什么用？
举个例子，你说要学会时间管理。
这是个好想法没错，但读者会想，关我什么事？你得告诉他：如果你总是加班到深夜，错过陪孩子的时间，学会时间管理可以让你每天多出2小时。
这时候他才会觉得，哦，这个我需要。
Dan的建议是，每次写内容之前问自己两个问题：
这个想法解决了什么痛点？
它能给别人带来什么好处？
然后把答案融进内容里。
这听起来简单，但确实是区分普通内容和爆款内容的关键。
另外他还提到，很多人把内容当目的，写了一堆东西不知道怎么变现。
其实内容只是手段，目的是卖东西。你得先想好要卖什么，然后倒推回来写什么内容能吸引潜在客户。
这个逻辑理顺了，后面的路就好走多了。
4️⃣ AI是助手不是老板，你得学会当CEO
这是我觉得最有价值的部分。
Dan说，现在AI工具多得眼花缭乱，各种agent、各种自动化，但真正用好的人不多。
他的方法是这样的：先找那些已经做出成绩的专家，把他们的内容、方法论喂给AI，让AI学会这套思路，然后再用AI来辅助你做具体的事情。
比如写社交媒体帖子。
不要直接让AI给你生成一堆内容，而是先找几条你觉得写得特别好的帖子，让AI分析为什么这些帖子能火。
它会告诉你用了哪些心理策略、结构是怎样的。学会了这些原理之后，再让AI帮你写初稿，然后你自己改成自己的风格。
Dan在视频里分享了他自己用的工作流程。他每周会收集灵感，贴上看到的好推文、YouTube视频，写newsletter大纲，设置各种提示词。
写作的时候遇到卡壳，就跟AI聊天理清思路，整个过程AI都在，但主导权始终在他手里。
他特别强调一点：AI现在还没聪明到能完全替代你，缺点什么我们也说不清，但就是差那么点意思。
所以你必须得懂行，才能判断AI的输出是好是坏，该怎么调整。
这就是为什么学习永远重要，因为你得当这些AI工具的经理和老板。
AI时代的创业，本质上还是个手艺活。工具变了，但底层逻辑没变。
你还是得懂用户需求，还是得会讲故事，还是得能卖货。AI能做的是帮你省时间、少走弯路，但它代替不了你的思考和判断。
你不要指望看完一个视频就能立刻赚到钱，知识不等于结果。你得把学到的东西真正用起来，在实践中不断调整，才有可能做出点名堂。
1 01