即刻App年轻人的同好社区
下载
置顶
潘欣，这位前谷歌大脑（Google Deepmind）研究员，曾经推动过TensorFlow动态图模式开发，回国后辗转百度、腾讯、字节跳动，一路做到字节视觉大模型AI平台负责人。
2024年11月，他刚刚加入闪极科技做AI合伙人，负责智能眼镜项目。
没过多久，他又换了东家。
新东家就是美团。
入职之后，潘欣负责多模态AI创新工作，主导了LongCat App等多个应用的开发。
LongCat，也就是龙猫，是美团自研大模型的名字。
据了解，2025年美团在AI人才招聘上火力全开，重点方向是模型训练，招聘标准也相当高。
一家以外卖起家的公司，为什么突然对AI如此上头？
时间拨回到2025年初。
在那一年的一季度财报电话会上，王兴第一次公开聊起了美团的AI战略。
他的原话是，美团在AI技术上的战略定位是积极进攻，而非消极防御。
王兴给出了三个具体的层面：
第一层叫AI at work，简单说就是让AI成为全公司的生产力工具，从员工到运营，全部用上。
第二层叫AI in products，意思是用AI改造现有的2B和2C产品，同时孵化全新的AI原生应用。
第三层叫Building LLM，就是美团要自己训大模型，而且愿意砸真金白银的资本支出。
但计划总是赶不上变化，2025年第二季度，国内外卖市场突然打响了一场大战。
抖音、京东、小红书等平台纷纷入局，美团的基本盘受到了前所未有的挑战。
压力之下，美团不得不重新分配资源。
但美团并没有因为外卖大战而收缩AI投入，相反，它选择了另一条路：把有限的子弹集中在最核心的地方，也就是基座模型的训练。
基座模型你可以把它理解为AI能力的地基，只有地基打好了，上面才能盖各种各样的应用。
美团的逻辑很清晰：与其四处撒网做各种花里胡哨的AI应用，不如先把底层能力搞扎实。
对于一家正在打仗的公司来说，务实往往比酷炫更重要。
从2025年下半年开始，美团的AI发布节奏快得像在赶工期。
6月，发布首款AI编程产品Nocode。
9月，正式发布并开源首款大语言模型LongCat-Flash-Chat，同时推出推理模型LongCat-Flash-Thinking。
10月，发布视频生成模型LongCat-Video，同步开源。
11月，发布开源全模态模型LongCat-Flash-Omni。
12月，一口气发布三款图像模型，LongCat-Image、LongCat-Image-Dev、LongCat-Image-Edit。
半年时间，从语言模型到视觉、音频、视频，美团基本上把全模态基座能力搭建完毕。
这个速度，放在整个国内大模型赛道里也算得上激进。
有人可能会问，美团搞这些模型有什么用？又不是专门做AI的公司。
这个问题的答案，藏在美团的主营业务里。
10月，美团向餐饮商家推出了两款AI工具，一个叫袋鼠参谋，一个叫智能掌柜。
这两个工具面向行业所有商家免费开放。简单说，就是帮商家做经营决策、处理日常事务的AI助手。
类似的动作还在继续，目前美团金融线、客服线、电商线都在大力招聘AI应用人才，重点方向是后训练和商业化落地。
你看，逻辑闭环了。
先把基座能力建好，再把AI能力嵌入到每一个业务场景里。
外卖、酒旅、到店、金融，美团的每一块业务都是AI落地的天然试验田。
美团做AI，核心目的是让现有的业务变得更高效、更赚钱。
说白了，美团的AI不是为了上天，而是为了种地。
不过，美团的AI布局也不是没有调整。
在主线业务全面AI化的同时，美团对独立的AI To C应用探索明显收缩了。
此前美团做过一些独立的AI消费级应用，比如Wow、妙刷之类。这些应用独立于主线业务，属于纯粹的创新探索。
现在，这类尝试正在逐渐降温。
还有一个信号值得关注。
2023年，王兴的老朋友、美团联合创始人王慧文曾经创立了一家大模型公司叫光年之外。后来这家公司被美团收购，团队以GN06的名称继续运营。
据报道，今年11月，原光年之外负责人刘炯已经调任至美团，直接向美团平台负责人李树斌汇报。
与此同时，这个团队的招聘力度也在减少。
这意味着什么？
美团正在做减法，与其让AI团队四处开花，不如集中力量办大事。
所谓大事，就是让AI真正服务于美团的核心商业逻辑。
这种策略转变背后，有着清晰的商业考量。独立的AI应用赛道竞争激烈，美团并不具备先发优势。而在本地生活服务领域，美团有海量的商家资源、用户数据和应用场景。
把AI能力嫁接到这些场景上，性价比显然更高。
换句话说，美团不想成为下一个AI独角兽，它只想成为一个会用AI的超级平台。
回过头看美团这两年的AI战略，有一条主线贯穿始终：实用主义。
有人说，美团是一家没有边界的公司。从外卖到酒店，从打车到买菜，美团的触角伸向了本地生活的每一个角落。
但在AI这件事上，美团似乎非常清楚自己的边界在哪里。
它不追求技术上的遥遥领先，只追求业务上的贴地飞行。
某种程度上，这也是当下中国科技公司做AI的一个缩影。
在大模型赛道卷到极致的今天，越来越多的公司开始思考一个问题：AI能力到底是用来展示的，还是用来赚钱的？
王兴曾经说过一句话，大意是科技公司最大的壁垒不是技术本身，而是对业务的深刻理解。
现在看来，这句话同样适用于AI时代。
当外卖大战还在如火如荼的时候，美团已经在悄悄打另一场仗。这场仗没有补贴大战那么轰轰烈烈，但可能会决定美团未来十年的走向。
毕竟，能打赢今天的仗是本事，能看到明天的仗在哪里，才是真正的格局。
2024年11月，他刚刚加入闪极科技做AI合伙人，负责智能眼镜项目。
没过多久，他又换了东家。
新东家就是美团。
入职之后，潘欣负责多模态AI创新工作，主导了LongCat App等多个应用的开发。
LongCat，也就是龙猫，是美团自研大模型的名字。
据了解，2025年美团在AI人才招聘上火力全开，重点方向是模型训练，招聘标准也相当高。
一家以外卖起家的公司，为什么突然对AI如此上头？
时间拨回到2025年初。
在那一年的一季度财报电话会上，王兴第一次公开聊起了美团的AI战略。
他的原话是，美团在AI技术上的战略定位是积极进攻，而非消极防御。
王兴给出了三个具体的层面：
第一层叫AI at work，简单说就是让AI成为全公司的生产力工具，从员工到运营，全部用上。
第二层叫AI in products，意思是用AI改造现有的2B和2C产品，同时孵化全新的AI原生应用。
第三层叫Building LLM，就是美团要自己训大模型，而且愿意砸真金白银的资本支出。
但计划总是赶不上变化，2025年第二季度，国内外卖市场突然打响了一场大战。
抖音、京东、小红书等平台纷纷入局，美团的基本盘受到了前所未有的挑战。
压力之下，美团不得不重新分配资源。
但美团并没有因为外卖大战而收缩AI投入，相反，它选择了另一条路：把有限的子弹集中在最核心的地方，也就是基座模型的训练。
基座模型你可以把它理解为AI能力的地基，只有地基打好了，上面才能盖各种各样的应用。
美团的逻辑很清晰：与其四处撒网做各种花里胡哨的AI应用，不如先把底层能力搞扎实。
对于一家正在打仗的公司来说，务实往往比酷炫更重要。
从2025年下半年开始，美团的AI发布节奏快得像在赶工期。
6月，发布首款AI编程产品Nocode。
9月，正式发布并开源首款大语言模型LongCat-Flash-Chat，同时推出推理模型LongCat-Flash-Thinking。
10月，发布视频生成模型LongCat-Video，同步开源。
11月，发布开源全模态模型LongCat-Flash-Omni。
12月，一口气发布三款图像模型，LongCat-Image、LongCat-Image-Dev、LongCat-Image-Edit。
半年时间，从语言模型到视觉、音频、视频，美团基本上把全模态基座能力搭建完毕。
这个速度，放在整个国内大模型赛道里也算得上激进。
有人可能会问，美团搞这些模型有什么用？又不是专门做AI的公司。
这个问题的答案，藏在美团的主营业务里。
10月，美团向餐饮商家推出了两款AI工具，一个叫袋鼠参谋，一个叫智能掌柜。
这两个工具面向行业所有商家免费开放。简单说，就是帮商家做经营决策、处理日常事务的AI助手。
类似的动作还在继续，目前美团金融线、客服线、电商线都在大力招聘AI应用人才，重点方向是后训练和商业化落地。
你看，逻辑闭环了。
先把基座能力建好，再把AI能力嵌入到每一个业务场景里。
外卖、酒旅、到店、金融，美团的每一块业务都是AI落地的天然试验田。
美团做AI，核心目的是让现有的业务变得更高效、更赚钱。
说白了，美团的AI不是为了上天，而是为了种地。
不过，美团的AI布局也不是没有调整。
在主线业务全面AI化的同时，美团对独立的AI To C应用探索明显收缩了。
此前美团做过一些独立的AI消费级应用，比如Wow、妙刷之类。这些应用独立于主线业务，属于纯粹的创新探索。
现在，这类尝试正在逐渐降温。
还有一个信号值得关注。
2023年，王兴的老朋友、美团联合创始人王慧文曾经创立了一家大模型公司叫光年之外。后来这家公司被美团收购，团队以GN06的名称继续运营。
据报道，今年11月，原光年之外负责人刘炯已经调任至美团，直接向美团平台负责人李树斌汇报。
与此同时，这个团队的招聘力度也在减少。
这意味着什么？
美团正在做减法，与其让AI团队四处开花，不如集中力量办大事。
所谓大事，就是让AI真正服务于美团的核心商业逻辑。
这种策略转变背后，有着清晰的商业考量。独立的AI应用赛道竞争激烈，美团并不具备先发优势。而在本地生活服务领域，美团有海量的商家资源、用户数据和应用场景。
把AI能力嫁接到这些场景上，性价比显然更高。
换句话说，美团不想成为下一个AI独角兽，它只想成为一个会用AI的超级平台。
回过头看美团这两年的AI战略，有一条主线贯穿始终：实用主义。
有人说，美团是一家没有边界的公司。从外卖到酒店，从打车到买菜，美团的触角伸向了本地生活的每一个角落。
但在AI这件事上，美团似乎非常清楚自己的边界在哪里。
它不追求技术上的遥遥领先，只追求业务上的贴地飞行。
某种程度上，这也是当下中国科技公司做AI的一个缩影。
在大模型赛道卷到极致的今天，越来越多的公司开始思考一个问题：AI能力到底是用来展示的，还是用来赚钱的？
王兴曾经说过一句话，大意是科技公司最大的壁垒不是技术本身，而是对业务的深刻理解。
现在看来，这句话同样适用于AI时代。
当外卖大战还在如火如荼的时候，美团已经在悄悄打另一场仗。这场仗没有补贴大战那么轰轰烈烈，但可能会决定美团未来十年的走向。
毕竟，能打赢今天的仗是本事，能看到明天的仗在哪里，才是真正的格局。
1 00
为什么你的产品明明很好，却总是卖不动？
我最近发现，很多创业者、小老板，产品做得其实都不错，但就是卖不动。
问题出在哪？
我今天来说一个真相：因为销售这件事，不是一个动作，而是一套系统。
销售需要遵循LAPS系统框架：
L - Leads（潜在客户）：让人知道你的存在
A - Appointments（预约）：争取正式交流机会
P - Presentations（演示）：展示你的解决方案
S - Sales（成交）：完成交易
举个例子，你开了一家店。
你得先让人知道你的存在，这是获取潜在客户。
然后，人家愿意进店看看，这是预约。
接着，你给人家展示你的东西，这是演示。
然后人家掏钱买单，这是成交。
LEADS（潜在客户） - 让路人注意到你的店
APPOINTMENTS（预约） - 让顾客愿意走进店里
PRESENTATIONS（演示） - 向顾客展示商品
SALES（成交） - 顾客掏钱购买
但绝大多数人的问题是，他们只盯着第四步，拼命想让人买单，却从来不在前三步下功夫。
第一阶段：获取潜在客户（Leads）
咱们先从第一点说起，怎么让人注意到你。
一个人要真正注意到你，平均需要看到你11次。
而且，这11次必须发生在90天内，否则计数器清零，从头再来。
所以第一步要做的事情很简单但很累，就是持续输出短内容。
每天发，发什么都行，只要能吸引你目标客户的注意力。
可以是你的专业见解，可以是行业八卦，可以是客户案例，甚至可以是你对某个现象的吐槽，关键是让人反复看到你。
但光注意到还不够，牛津大学人类学家罗宾·邓巴的研究显示，人需要跟你相处2到7个小时，才会产生初步的信任感。
这个时间怎么凑？
长视频、长文章、播客、线上分享会，这些都算。
短内容把人引过来，长内容让人愿意花时间了解你。
当一个人看了你好几篇长文章或者听了你几期播客之后，他心里会产生一个念头，我想跟这个人聊聊。
这时候你需要给他一个出口，比如填个表单、报名个活动、加入个社群。
他一旦做了这个动作，就从围观群众变成了你的潜在客户。
这是第一阶段，获取潜在客户。
很多人卡在这里，因为他们根本没有稳定的内容输出，也没有让人留下联系方式的入口。
第二阶段：预约（Appointments）
当有人表示了兴趣之后，你要做的不是立刻开始推销，而是争取一次正式交流的机会。
人一旦同意花时间跟你聊，他就已经在心理上往前迈了一步。
这一步看起来小，但意义重大。
预约的时候应该怎么介绍自己？
有个60秒框架很好用：
WHO YOU ARE - 你是谁
WHAT IT'S SIMILAR TO - 你做的事跟什么类似
YOUR UNIQUE VALUE - 你的特别之处
CLIENT'S PAIN POINTS - 客户面临的困扰
YOUR SOLUTION - 你打算如何解决
YOUR VISION - 你的愿景
整套话术控制在一分钟以内，目的只有一个，让对方愿意花半小时跟你深聊。
第三阶段：演示（Presentations）
第三阶段是演示，这里才是真正赚钱的地方。
绝大多数人在这一步犯的错误是，上来就介绍产品：我的服务有多好，我的产品有多牛，balabala说一大堆。
客户听完，礼貌地说考虑考虑，然后再也没然后了。
顶级销售的做法完全相反，他们会花大量时间了解客户的现状、想要达成的目标、以及卡在哪里。
你的任务不是推销你的东西，而是先搞清楚客户脑子里那个画面长什么样。
这个逻辑迁移到任何行业都成立，卖软件、卖咨询、卖培训、卖实体产品，底层都一样。
你得先让客户感觉你懂他的处境，再让他相信你有解决问题的思路，最后才亮出你的方案，这个顺序不能乱。
你最好准备三个版本的方案，入门版、标准版、高端版。
不是为了让客户选贵的，而是让客户有选择感。
有选择感的人更容易做决定，因为问题从要不要买变成了买哪个。
第四阶段：成交与跟进（Sales & Follow-up）
第四阶段是跟进，也是最容易被忽视的环节。
数据显示，大多数成交发生在第5到12次跟进之间，但80%的销售人员在第2次跟进之后就放弃了，因为跟进让人不舒服，感觉在骚扰别人。
但换个角度想，如果你的产品真的能帮到对方，不跟进才是对他的不负责任。
跟进要有理由，不能每次都是问您考虑得怎么样了。
可以分享一个新的客户案例，可以发一篇相关的行业报告，甚至可以单纯问一句之前聊到的那个项目进展如何。
最重要的是，销售信心来自于节奏。
每周有多少新的潜在客户进来，有多少人预约了交流，有多少场演示，有多少成交，这四个数字你应该像看仪表盘一样每周盯着。
数字稳定了，人就不慌了，人不慌了，状态就对了，状态对了，成交率自然上来。
这套东西听起来简单，做起来需要时间。
但只要你把LAPS这四个环节跑通，形成稳定的节奏，你的生意就会像飞轮一样越转越快。
销售从来不是天赋，而是系统。
我最近发现，很多创业者、小老板，产品做得其实都不错，但就是卖不动。
问题出在哪？
我今天来说一个真相：因为销售这件事，不是一个动作，而是一套系统。
销售需要遵循LAPS系统框架：
L - Leads（潜在客户）：让人知道你的存在
A - Appointments（预约）：争取正式交流机会
P - Presentations（演示）：展示你的解决方案
S - Sales（成交）：完成交易
举个例子，你开了一家店。
你得先让人知道你的存在，这是获取潜在客户。
然后，人家愿意进店看看，这是预约。
接着，你给人家展示你的东西，这是演示。
然后人家掏钱买单，这是成交。
LEADS（潜在客户） - 让路人注意到你的店
APPOINTMENTS（预约） - 让顾客愿意走进店里
PRESENTATIONS（演示） - 向顾客展示商品
SALES（成交） - 顾客掏钱购买
但绝大多数人的问题是，他们只盯着第四步，拼命想让人买单，却从来不在前三步下功夫。
第一阶段：获取潜在客户（Leads）
咱们先从第一点说起，怎么让人注意到你。
一个人要真正注意到你，平均需要看到你11次。
而且，这11次必须发生在90天内，否则计数器清零，从头再来。
所以第一步要做的事情很简单但很累，就是持续输出短内容。
每天发，发什么都行，只要能吸引你目标客户的注意力。
可以是你的专业见解，可以是行业八卦，可以是客户案例，甚至可以是你对某个现象的吐槽，关键是让人反复看到你。
但光注意到还不够，牛津大学人类学家罗宾·邓巴的研究显示，人需要跟你相处2到7个小时，才会产生初步的信任感。
这个时间怎么凑？
长视频、长文章、播客、线上分享会，这些都算。
短内容把人引过来，长内容让人愿意花时间了解你。
当一个人看了你好几篇长文章或者听了你几期播客之后，他心里会产生一个念头，我想跟这个人聊聊。
这时候你需要给他一个出口，比如填个表单、报名个活动、加入个社群。
他一旦做了这个动作，就从围观群众变成了你的潜在客户。
这是第一阶段，获取潜在客户。
很多人卡在这里，因为他们根本没有稳定的内容输出，也没有让人留下联系方式的入口。
第二阶段：预约（Appointments）
当有人表示了兴趣之后，你要做的不是立刻开始推销，而是争取一次正式交流的机会。
人一旦同意花时间跟你聊，他就已经在心理上往前迈了一步。
这一步看起来小，但意义重大。
预约的时候应该怎么介绍自己？
有个60秒框架很好用：
WHO YOU ARE - 你是谁
WHAT IT'S SIMILAR TO - 你做的事跟什么类似
YOUR UNIQUE VALUE - 你的特别之处
CLIENT'S PAIN POINTS - 客户面临的困扰
YOUR SOLUTION - 你打算如何解决
YOUR VISION - 你的愿景
整套话术控制在一分钟以内，目的只有一个，让对方愿意花半小时跟你深聊。
第三阶段：演示（Presentations）
第三阶段是演示，这里才是真正赚钱的地方。
绝大多数人在这一步犯的错误是，上来就介绍产品：我的服务有多好，我的产品有多牛，balabala说一大堆。
客户听完，礼貌地说考虑考虑，然后再也没然后了。
顶级销售的做法完全相反，他们会花大量时间了解客户的现状、想要达成的目标、以及卡在哪里。
你的任务不是推销你的东西，而是先搞清楚客户脑子里那个画面长什么样。
这个逻辑迁移到任何行业都成立，卖软件、卖咨询、卖培训、卖实体产品，底层都一样。
你得先让客户感觉你懂他的处境，再让他相信你有解决问题的思路，最后才亮出你的方案，这个顺序不能乱。
你最好准备三个版本的方案，入门版、标准版、高端版。
不是为了让客户选贵的，而是让客户有选择感。
有选择感的人更容易做决定，因为问题从要不要买变成了买哪个。
第四阶段：成交与跟进（Sales & Follow-up）
第四阶段是跟进，也是最容易被忽视的环节。
数据显示，大多数成交发生在第5到12次跟进之间，但80%的销售人员在第2次跟进之后就放弃了，因为跟进让人不舒服，感觉在骚扰别人。
但换个角度想，如果你的产品真的能帮到对方，不跟进才是对他的不负责任。
跟进要有理由，不能每次都是问您考虑得怎么样了。
可以分享一个新的客户案例，可以发一篇相关的行业报告，甚至可以单纯问一句之前聊到的那个项目进展如何。
最重要的是，销售信心来自于节奏。
每周有多少新的潜在客户进来，有多少人预约了交流，有多少场演示，有多少成交，这四个数字你应该像看仪表盘一样每周盯着。
数字稳定了，人就不慌了，人不慌了，状态就对了，状态对了，成交率自然上来。
这套东西听起来简单，做起来需要时间。
但只要你把LAPS这四个环节跑通，形成稳定的节奏，你的生意就会像飞轮一样越转越快。
销售从来不是天赋，而是系统。
0 00
Manus 为什么很难被替代？
今年3月，一款叫Manus的AI产品发布后，社交媒体上铺天盖地都是质疑声。
最常见的一句话是：这不就是套壳吗，一个周末就能做出来。
然后一个周末过去了，两个周末过去了，8个月过去了。
Manus不仅没被做出来，还在各种Benchmark上长期霸占第一。
包括Scale AI后来发布的远程劳动力指数RLI，测的时候根本没通知任何厂商，是偷偷测完突袭发榜的那种。
结果出来，Manus排第一，ChatGPT Agent排第四。
一个看起来没什么技术含量的东西，为什么这么难复制？
先说Manus的核心秘密。
张涛在最近在参加一场AI创业分享里说，这个秘密其实一直写在官网左下角，六个字：Less structure, more intelligence。也就是更少的结构，更多的智能。
举个例子，当时整个行业都在做所谓的workflow，也就是让人来教AI该怎么做事。
比如你想让AI帮你做一个市场调研，都是先预设好流程：第一步搜索信息，第二步整理数据，第三步生成报告。
每一步怎么执行，用什么工具，全部由人提前定义好。
Manus的做法完全相反。
它什么都不预设，直接把任务丢给模型，让模型自己决定：这个任务应该拆成几步？每一步需要调用什么能力？要不要先打开网页？打开后是点击还是下拉？需不需要在终端里跑一个命令？
全部交给AI自己判断。
这在当时根本不是行业共识，大家普遍认为AI不够聪明，必须靠人来编排流程才能跑通任务。
但张涛他们验证了一件事：当你把智能真正交还给模型的时候，魔法会发生。
不仅能处理大量长尾任务，而且在绝大多数场景里，性能比人工预设的workflow还要好。
这就引出第二个问题，既然架构这么简单，为什么别人做不出来？
张涛自己也说，技术本身没有秘密，就算有，行业里两三个月也会形成共识。
但能不能把这个秘密真正落地，才是检验一个团队能力的关键。
这里面有几个很实际的难点。
第一是时机。
今年3月的时候，整个AI圈其实挺迷茫的。
去年底大家普遍觉得AI产品就是聊天机器人，做做情感陪伴，当个虚拟律师。大家都觉得该有一个新的产品形态出现，但没人知道是什么。
Manus在这个节点交出了一张答卷，在正确的时间交付了一个正确的产品。
第二是成本控制。
发布当天，Manus一天要烧50万美元，账上八九百万美元，按这个速度20天就破产了。
这就是为什么他们必须推出邀请码机制。
第三是系统能力。
Agent的竞争不是比模型本身，而是比整个系统，要构建外围环境，要准备工具体系，要做大量工程工作。
这些东西加在一起，才构成了真正的壁垒。
7月份ChatGPT Agent发布的时候，张涛和他的合伙人刚好在旧金山，他说那可能是他们全世界最开心的一天。
因为之前他们被无数次问到同一个问题：如果OpenAI做了你们的东西怎么办？
这个问题很难回答，因为问的人心里已经有预设答案了：模型公司天然更强，OpenAI一做肯定比你好。
但等到ChatGPT Agent真正发布那天，张涛他们当天就发了一个20分钟的对比视频。
左边ChatGPT Agent，右边Manus，把发布会上展示的所有任务全跑了一遍。
结果100%的任务，Manus在产出质量上全面胜出。
为什么会这样？
模型公司的优势是它拥有最强的模型，但这既是优势也是桎梏，因为模型公司只能用自己的模型。
2023年这确实是绝对优势，当时OpenAI统治一切。
但到了2025年，世界完全不同了，闭源模型百花齐放，开源模型奋起直追，Qwen、DeepSeek都非常强。
在这样的环境里，做应用的团队反而更灵活，可以根据每个任务挑选最合适的模型，甚至精确到任务步骤级别。
但你很难想象ChatGPT的产品经理会去调用Anthropic的模型，这就是应用层天然的灵活性。
其实Manus在做出来之前，团队还花了7个月做另一个产品：AI浏览器。
产品都做好了，和后来Arc的Dia或Perplexity的Comet形态差不多。
但在上线前一周，他们意识到这条路走不通，直接把项目砍掉了。
为什么？
张涛打了个比方：你去公司实习，mentor不给你配电脑，让你用他的电脑。然后你们俩一天到晚在抢那台电脑。
AI浏览器就是这种感觉，AI一直在抢用户的电脑，体验完全不对。
同时他们观察到另一个现象，Cursor火了之后，很多不会写代码的人也开始用它解决生活问题。
把这两个洞察结合起来：AI很擅长用电脑，但它不应该用你的电脑，应该用它自己的电脑，普通人也能受惠于AI coding的能力。
这就是Manus的雏形。
还有一个决策特别关键，就是选择做通用而不是垂直。
张涛说他最不喜欢看到的黑客松项目就是AI旅行规划。
不是产品或技术不好，而是商业模式有问题。
一个普通人一年旅游几次？一次两次，有些人根本不旅游。如果你做的是旅行规划工具，就必须付出非常高的获客成本，让用户在极少数的使用场景里还能记住你。
产品要从早期采用者走向大众市场，必须解决一个问题：让用户每天都能找到用你的理由。
太垂直的产品天然做不到这一点。
张涛在分享结尾说，现在已经是2025年最后一个月了，如果你还没真正用过Agent，一定要在今年最后的时间里开始尝试。
今年3月，一款叫Manus的AI产品发布后，社交媒体上铺天盖地都是质疑声。
最常见的一句话是：这不就是套壳吗，一个周末就能做出来。
然后一个周末过去了，两个周末过去了，8个月过去了。
Manus不仅没被做出来，还在各种Benchmark上长期霸占第一。
包括Scale AI后来发布的远程劳动力指数RLI，测的时候根本没通知任何厂商，是偷偷测完突袭发榜的那种。
结果出来，Manus排第一，ChatGPT Agent排第四。
一个看起来没什么技术含量的东西，为什么这么难复制？
先说Manus的核心秘密。
张涛在最近在参加一场AI创业分享里说，这个秘密其实一直写在官网左下角，六个字：Less structure, more intelligence。也就是更少的结构，更多的智能。
举个例子，当时整个行业都在做所谓的workflow，也就是让人来教AI该怎么做事。
比如你想让AI帮你做一个市场调研，都是先预设好流程：第一步搜索信息，第二步整理数据，第三步生成报告。
每一步怎么执行，用什么工具，全部由人提前定义好。
Manus的做法完全相反。
它什么都不预设，直接把任务丢给模型，让模型自己决定：这个任务应该拆成几步？每一步需要调用什么能力？要不要先打开网页？打开后是点击还是下拉？需不需要在终端里跑一个命令？
全部交给AI自己判断。
这在当时根本不是行业共识，大家普遍认为AI不够聪明，必须靠人来编排流程才能跑通任务。
但张涛他们验证了一件事：当你把智能真正交还给模型的时候，魔法会发生。
不仅能处理大量长尾任务，而且在绝大多数场景里，性能比人工预设的workflow还要好。
这就引出第二个问题，既然架构这么简单，为什么别人做不出来？
张涛自己也说，技术本身没有秘密，就算有，行业里两三个月也会形成共识。
但能不能把这个秘密真正落地，才是检验一个团队能力的关键。
这里面有几个很实际的难点。
第一是时机。
今年3月的时候，整个AI圈其实挺迷茫的。
去年底大家普遍觉得AI产品就是聊天机器人，做做情感陪伴，当个虚拟律师。大家都觉得该有一个新的产品形态出现，但没人知道是什么。
Manus在这个节点交出了一张答卷，在正确的时间交付了一个正确的产品。
第二是成本控制。
发布当天，Manus一天要烧50万美元，账上八九百万美元，按这个速度20天就破产了。
这就是为什么他们必须推出邀请码机制。
第三是系统能力。
Agent的竞争不是比模型本身，而是比整个系统，要构建外围环境，要准备工具体系，要做大量工程工作。
这些东西加在一起，才构成了真正的壁垒。
7月份ChatGPT Agent发布的时候，张涛和他的合伙人刚好在旧金山，他说那可能是他们全世界最开心的一天。
因为之前他们被无数次问到同一个问题：如果OpenAI做了你们的东西怎么办？
这个问题很难回答，因为问的人心里已经有预设答案了：模型公司天然更强，OpenAI一做肯定比你好。
但等到ChatGPT Agent真正发布那天，张涛他们当天就发了一个20分钟的对比视频。
左边ChatGPT Agent，右边Manus，把发布会上展示的所有任务全跑了一遍。
结果100%的任务，Manus在产出质量上全面胜出。
为什么会这样？
模型公司的优势是它拥有最强的模型，但这既是优势也是桎梏，因为模型公司只能用自己的模型。
2023年这确实是绝对优势，当时OpenAI统治一切。
但到了2025年，世界完全不同了，闭源模型百花齐放，开源模型奋起直追，Qwen、DeepSeek都非常强。
在这样的环境里，做应用的团队反而更灵活，可以根据每个任务挑选最合适的模型，甚至精确到任务步骤级别。
但你很难想象ChatGPT的产品经理会去调用Anthropic的模型，这就是应用层天然的灵活性。
其实Manus在做出来之前，团队还花了7个月做另一个产品：AI浏览器。
产品都做好了，和后来Arc的Dia或Perplexity的Comet形态差不多。
但在上线前一周，他们意识到这条路走不通，直接把项目砍掉了。
为什么？
张涛打了个比方：你去公司实习，mentor不给你配电脑，让你用他的电脑。然后你们俩一天到晚在抢那台电脑。
AI浏览器就是这种感觉，AI一直在抢用户的电脑，体验完全不对。
同时他们观察到另一个现象，Cursor火了之后，很多不会写代码的人也开始用它解决生活问题。
把这两个洞察结合起来：AI很擅长用电脑，但它不应该用你的电脑，应该用它自己的电脑，普通人也能受惠于AI coding的能力。
这就是Manus的雏形。
还有一个决策特别关键，就是选择做通用而不是垂直。
张涛说他最不喜欢看到的黑客松项目就是AI旅行规划。
不是产品或技术不好，而是商业模式有问题。
一个普通人一年旅游几次？一次两次，有些人根本不旅游。如果你做的是旅行规划工具，就必须付出非常高的获客成本，让用户在极少数的使用场景里还能记住你。
产品要从早期采用者走向大众市场，必须解决一个问题：让用户每天都能找到用你的理由。
太垂直的产品天然做不到这一点。
张涛在分享结尾说，现在已经是2025年最后一个月了，如果你还没真正用过Agent，一定要在今年最后的时间里开始尝试。
0 10
建议你在AI创业之前，先读毛选（2）
接上篇，AI创业的时候，要怎么找出你的朋友呢？
我们得知道，真正的朋友有几个特征。
首先是真实痛点用户。
真实痛点就是他们在你出现之前，已经在用各种笨办法、土办法解决这个问题了，而且解决得很痛苦。
当你的AI产品出现，他们会眼睛发亮，主动给你反馈，愿意帮你传播。
这类用户不一定多，但价值极高。
其次是互补型伙伴，他们有你需要的资源，比如数据、渠道、算力，但跟你不在同一条赛道竞争。
这种合作是双赢的，值得深度绑定。
还有早期支持者，包括天使用户、开源社区贡献者、愿意帮你站台的行业KOL。
他们在你还很弱小的时候选择相信你，要格外珍惜。
最后是政策支持方向。
国家明确鼓励的领域，比如AI加制造、AI加医疗、AI for Science这些，意味着资源倾斜和风险降低，顺势而为比逆流而上省力得多。
因为你的资源是有限的，要优先服务好这些人，让他们成为你的铁杆支持者。
下一步，就是识别那些摇摆不定的群体。
这类角色最需要警惕，因为他们看起来像朋友，但随时可能变卦。
热钱投资人是典型，他们只看风口不看长期价值，今天追AI，明天可能转投别的赛道。
拿了他们的钱，可能会被推着走向短视的方向。
跟风入场的竞品也是，他们没有真正的技术积累，靠营销炒作入局，不会成为持久的威胁，但会在短期内把市场搅浑。
还有一类是表面合作者，嘴上说要战略合作，实际上是想套你的技术和数据。
对待这类群体，原则就是保持清醒，不被短期利益迷惑。
合作可以谈，但核心资产要守住，关键决策要自己做。
毛选那套分析里，最终的结论是工人阶级是革命的领导力量，那这个怎么迁移到创业场景？
我的理解是两个东西：扎实的技术团队和一线用户的真实反馈。
技术团队代表的是先进生产力。
AI创业到最后拼的还是产品力，产品力靠的是技术。
一线用户反馈代表的是真实需求。
不是市场调研报告，不是行业专家观点，是真正用你产品的人，他们遇到的具体问题，他们的使用习惯，他们的抱怨和期待。
这两个东西结合起来，就是新时代的"群众路线"。
创业者的使命是带着技术团队深入用户场景，解决真问题。
你去看看那些失败的AI项目，十个里面有八个都是在这一点上出了问题。
如果你认错了用户、站错了赛道、信错了伙伴，技术再强也会失败。
AI行业现在处于什么阶段？
大量的融资涌入，但真正跑通商业模式的项目屈指可数。
这意味着接下来会有一波大洗牌。
能活下来的，一定是那些真正找到了用户、建立了壁垒、守住了核心资源的团队。
在这种时候，清醒的判断力比技术实力更重要。
你需要知道什么该做什么不该做，谁该合作谁该防备，哪些机会是真机会哪些是陷阱。
在动手之前，要先把局面看清楚。
小公司是怎么在巨头眼皮底下成长起来的？
答案是找到巨头不屑于服务的边缘市场，在那里积累能力，等到技术成熟再反攻主流市场。
这跟"农村包围城市"的逻辑是不是如出一辙？
好的战略思维是相通的，只不过表达方式不同，应用场景不同。
我的建议是，如果你在做AI创业，或者在考虑进入这个领域，不妨找时间认真读一读毛选，尤其是前几篇。
把它当成一本战略分析的案例集，你会发现，那些看似遥远的历史分析，处处都能映射到今天的商业竞争。
穿透表象、直击本质的判断力，可能是AI时代创业者最稀缺的能力。
它需要你跳出技术视角，站到更高的地方去看全局。
好了，今天就聊到这里。如果觉得有启发，欢迎分享给同样在创业路上的朋友。
接上篇，AI创业的时候，要怎么找出你的朋友呢？
我们得知道，真正的朋友有几个特征。
首先是真实痛点用户。
真实痛点就是他们在你出现之前，已经在用各种笨办法、土办法解决这个问题了，而且解决得很痛苦。
当你的AI产品出现，他们会眼睛发亮，主动给你反馈，愿意帮你传播。
这类用户不一定多，但价值极高。
其次是互补型伙伴，他们有你需要的资源，比如数据、渠道、算力，但跟你不在同一条赛道竞争。
这种合作是双赢的，值得深度绑定。
还有早期支持者，包括天使用户、开源社区贡献者、愿意帮你站台的行业KOL。
他们在你还很弱小的时候选择相信你，要格外珍惜。
最后是政策支持方向。
国家明确鼓励的领域，比如AI加制造、AI加医疗、AI for Science这些，意味着资源倾斜和风险降低，顺势而为比逆流而上省力得多。
因为你的资源是有限的，要优先服务好这些人，让他们成为你的铁杆支持者。
下一步，就是识别那些摇摆不定的群体。
这类角色最需要警惕，因为他们看起来像朋友，但随时可能变卦。
热钱投资人是典型，他们只看风口不看长期价值，今天追AI，明天可能转投别的赛道。
拿了他们的钱，可能会被推着走向短视的方向。
跟风入场的竞品也是，他们没有真正的技术积累，靠营销炒作入局，不会成为持久的威胁，但会在短期内把市场搅浑。
还有一类是表面合作者，嘴上说要战略合作，实际上是想套你的技术和数据。
对待这类群体，原则就是保持清醒，不被短期利益迷惑。
合作可以谈，但核心资产要守住，关键决策要自己做。
毛选那套分析里，最终的结论是工人阶级是革命的领导力量，那这个怎么迁移到创业场景？
我的理解是两个东西：扎实的技术团队和一线用户的真实反馈。
技术团队代表的是先进生产力。
AI创业到最后拼的还是产品力，产品力靠的是技术。
一线用户反馈代表的是真实需求。
不是市场调研报告，不是行业专家观点，是真正用你产品的人，他们遇到的具体问题，他们的使用习惯，他们的抱怨和期待。
这两个东西结合起来，就是新时代的"群众路线"。
创业者的使命是带着技术团队深入用户场景，解决真问题。
你去看看那些失败的AI项目，十个里面有八个都是在这一点上出了问题。
如果你认错了用户、站错了赛道、信错了伙伴，技术再强也会失败。
AI行业现在处于什么阶段？
大量的融资涌入，但真正跑通商业模式的项目屈指可数。
这意味着接下来会有一波大洗牌。
能活下来的，一定是那些真正找到了用户、建立了壁垒、守住了核心资源的团队。
在这种时候，清醒的判断力比技术实力更重要。
你需要知道什么该做什么不该做，谁该合作谁该防备，哪些机会是真机会哪些是陷阱。
在动手之前，要先把局面看清楚。
小公司是怎么在巨头眼皮底下成长起来的？
答案是找到巨头不屑于服务的边缘市场，在那里积累能力，等到技术成熟再反攻主流市场。
这跟"农村包围城市"的逻辑是不是如出一辙？
好的战略思维是相通的，只不过表达方式不同，应用场景不同。
我的建议是，如果你在做AI创业，或者在考虑进入这个领域，不妨找时间认真读一读毛选，尤其是前几篇。
把它当成一本战略分析的案例集，你会发现，那些看似遥远的历史分析，处处都能映射到今天的商业竞争。
穿透表象、直击本质的判断力，可能是AI时代创业者最稀缺的能力。
它需要你跳出技术视角，站到更高的地方去看全局。
好了，今天就聊到这里。如果觉得有启发，欢迎分享给同样在创业路上的朋友。
4 00
Anthropic公司最近干了一件挺事，他们把研究对象对准了自己，调查了132位公司内部工程师和研究人员，做了53次深度访谈。
目的就是为了想搞清楚一个问题：AI到底是怎么改变他们自己工作的？
这个视角很特别。
因为他们的今天，可能就是很多行业的明天。
这份报告读完，我感受到的不是恐慌，而是一种很复杂的情绪。
从数据上来看，一年前，这些工程师在日常工作中使用Claude的比例是28%，觉得效率提升了20%左右。
现在，使用比例到了59%，效率提升感知涨到了50%。
相当于一年时间，两个指标都翻了一倍多。
但有趣的是效率提升的具体表现。
你以为是同样的活儿干得更快了对吧？不完全是。
调查发现，在各类任务上，时间节省其实没那么夸张，但产出量的增加非常明显。
而且27%的Claude辅助工作，是那些一直想做但优先级不够高的事情。
比如给代码写更完善的文档，比如做一些提升工作体验的小工具，比如重构那些虽然能跑但结构很烂的代码。
但人人都在变成全栈，代价是什么？
一个后端工程师描述了他用Claude做UI的经历。
他说设计师看到成品的时候惊了，问他这是你做的？
他回答说不是，是Claude做的，我只是指挥了一下。
这听起来很美好，每个人都变成了多面手，原来不敢碰的东西现在敢碰了。
但报告里有一个词让我印象很深：skill atrophy，技能萎缩。
一位工程师说，他以前自己去调试一个难题，虽然花时间，但会顺便读很多文档和代码。
这些东西当时看起来跟问题没关系，但其实你一直在构建对整个系统的理解。
现在Claude直接帮你定位问题了，这种附带学习就没了。
有些困难是学习过程中必须经历的，绕过它你虽然省了时间，但也错过了真正的成长。
这里有一个很微妙的矛盾。
现在的AI还不能完全信任，你需要监督它的输出，尤其是在重要的工作上。
但监督AI的能力，恰恰来自于你自己动手干活积累的经验。
一位安全工程师举了个例子，Claude给出的某个方案看起来很聪明，但他一眼就看出这是那种聪明过头的危险方案，是资深人士才能识别的陷阱。
他说这种判断力，只有做过很多年才有。
如果新人从一开始就依赖AI，他们怎么培养这种判断力？
报告里把这叫做paradox of supervision，监督悖论。
你越用AI，你监督AI的能力可能越弱。但你越不用AI，你的效率又跟不上。
这个困境目前没有标准答案，有些工程师的应对策略是刻意练习。
就算知道Claude能搞定，偶尔也强迫自己不用它，保持手感。
报告的结尾，抛出了一个有意思的视角。
软件工程一直在朝更高抽象层次发展。
最早的程序员要手动管理内存，要写汇编语言，甚至要用物理开关输入指令，后来有了高级语言，很多底层操作自动化了。
一位员工建议想当工程师的人：学会让AI写代码，然后把精力放在更高层面的概念和模式上。
这个建议有道理，但也有人指出，每一次抽象层级的提升都有代价。
当大家都用高级语言之后，大多数程序员就不再深入理解内存管理了。这种丢失的知识，有时候在关键时刻会变成问题。
读完这份报告，我总结了几条对普通人有用的insight：
1、效率提升的红利期是真实的，但那些被省下来的时间，要有意识地投入到AI还做不好的事情上。比如建立人际关系，比如发展判断力，比如理解系统的底层逻辑。
2、刻意保持一些不用AI的练习，因为你需要保持监督AI的能力。
3、重新思考工作的意义。如果你的满足感来自于亲手完成某件事，那要想清楚这种满足感以后从哪里来。如果你的满足感来自于结果和影响力，那AI其实是你的加速器。
4、关注人的连接。技术在让协作变得更高效的同时，也在稀释那些低效但有温度的交流。这部分不会自动补回来，需要你主动去维护。
Anthropic这份报告的价值不在于给出答案，而在于它呈现了一种真实的复杂性。
这群站在AI前沿的人，他们既兴奋又焦虑，既享受效率又担心失去什么。他们没有确定的未来图景，只有一种共识：要保持适应能力。
目的就是为了想搞清楚一个问题：AI到底是怎么改变他们自己工作的？
这个视角很特别。
因为他们的今天，可能就是很多行业的明天。
这份报告读完，我感受到的不是恐慌，而是一种很复杂的情绪。
从数据上来看，一年前，这些工程师在日常工作中使用Claude的比例是28%，觉得效率提升了20%左右。
现在，使用比例到了59%，效率提升感知涨到了50%。
相当于一年时间，两个指标都翻了一倍多。
但有趣的是效率提升的具体表现。
你以为是同样的活儿干得更快了对吧？不完全是。
调查发现，在各类任务上，时间节省其实没那么夸张，但产出量的增加非常明显。
而且27%的Claude辅助工作，是那些一直想做但优先级不够高的事情。
比如给代码写更完善的文档，比如做一些提升工作体验的小工具，比如重构那些虽然能跑但结构很烂的代码。
但人人都在变成全栈，代价是什么？
一个后端工程师描述了他用Claude做UI的经历。
他说设计师看到成品的时候惊了，问他这是你做的？
他回答说不是，是Claude做的，我只是指挥了一下。
这听起来很美好，每个人都变成了多面手，原来不敢碰的东西现在敢碰了。
但报告里有一个词让我印象很深：skill atrophy，技能萎缩。
一位工程师说，他以前自己去调试一个难题，虽然花时间，但会顺便读很多文档和代码。
这些东西当时看起来跟问题没关系，但其实你一直在构建对整个系统的理解。
现在Claude直接帮你定位问题了，这种附带学习就没了。
有些困难是学习过程中必须经历的，绕过它你虽然省了时间，但也错过了真正的成长。
这里有一个很微妙的矛盾。
现在的AI还不能完全信任，你需要监督它的输出，尤其是在重要的工作上。
但监督AI的能力，恰恰来自于你自己动手干活积累的经验。
一位安全工程师举了个例子，Claude给出的某个方案看起来很聪明，但他一眼就看出这是那种聪明过头的危险方案，是资深人士才能识别的陷阱。
他说这种判断力，只有做过很多年才有。
如果新人从一开始就依赖AI，他们怎么培养这种判断力？
报告里把这叫做paradox of supervision，监督悖论。
你越用AI，你监督AI的能力可能越弱。但你越不用AI，你的效率又跟不上。
这个困境目前没有标准答案，有些工程师的应对策略是刻意练习。
就算知道Claude能搞定，偶尔也强迫自己不用它，保持手感。
报告的结尾，抛出了一个有意思的视角。
软件工程一直在朝更高抽象层次发展。
最早的程序员要手动管理内存，要写汇编语言，甚至要用物理开关输入指令，后来有了高级语言，很多底层操作自动化了。
一位员工建议想当工程师的人：学会让AI写代码，然后把精力放在更高层面的概念和模式上。
这个建议有道理，但也有人指出，每一次抽象层级的提升都有代价。
当大家都用高级语言之后，大多数程序员就不再深入理解内存管理了。这种丢失的知识，有时候在关键时刻会变成问题。
读完这份报告，我总结了几条对普通人有用的insight：
1、效率提升的红利期是真实的，但那些被省下来的时间，要有意识地投入到AI还做不好的事情上。比如建立人际关系，比如发展判断力，比如理解系统的底层逻辑。
2、刻意保持一些不用AI的练习，因为你需要保持监督AI的能力。
3、重新思考工作的意义。如果你的满足感来自于亲手完成某件事，那要想清楚这种满足感以后从哪里来。如果你的满足感来自于结果和影响力，那AI其实是你的加速器。
4、关注人的连接。技术在让协作变得更高效的同时，也在稀释那些低效但有温度的交流。这部分不会自动补回来，需要你主动去维护。
Anthropic这份报告的价值不在于给出答案，而在于它呈现了一种真实的复杂性。
这群站在AI前沿的人，他们既兴奋又焦虑，既享受效率又担心失去什么。他们没有确定的未来图景，只有一种共识：要保持适应能力。
2 02
AI时代应该如何寻找创业方向？
Lightspeed的合伙人Mike Mignano在一次访谈里提到，他们现在做消费科技投资有个新策略：去看那些曾经被认为是「创业墓地」的领域。
比如邮件客户端，这个赛道过去十年埋葬了无数创业公司，投资人看到就绕道走。
但他们最近投了一个邮件应用。
为什么要这么做？
当你理解之后，你会发现它其实揭示了消费科技领域一个非常底层的规律。
先讲一个关于「门槛」的故事。
2014年，Mike和他的联合创始人想做一个社交音频平台。
那时候Serial播客刚火，他们俩都成了播客的重度用户。
但有个问题困扰着他们：做播客太难了。
在那个年代，如果你想做一档播客，你需要专业的录音设备、会用复杂的音频编辑软件、还得搞清楚怎么把内容分发到各个平台，光是技术门槛就能劝退99%的普通人。
Mike之前在一家叫Aviary的公司工作，做的是手机上的图片编辑工具。
他就想，既然我们能让普通人用手机修出好看的照片，能不能用同样的思路，让普通人用手机就能做播客？
于是他们做了Anchor。
这个产品的核心理念很简单：打开手机，点一个按钮开始录音，做点简单剪辑，再点一个按钮，你的播客就自动上架到Spotify和Apple Podcasts了，整个过程可能就五分钟。
2019年，Spotify收购了Anchor。
这个故事的本质是什么？
如果我们往回看整个消费互联网的历史，会发现一个反复出现的模式。
Instagram让普通人能拍出好看的照片。
在此之前，你要么得懂摄影，要么得会Photoshop。
但有了滤镜和简单的编辑工具，任何人都能发一张看起来不错的图。
YouTube让普通人能发布视频，TikTok进一步降低了门槛，15秒的短视频谁都能拍。
每一次重大的消费级产品创新，本质上都是在做同一件事：把原来只有专业人士才能做的事情，变成普通人也能做的事情。
换句话说，当某个创作行为的门槛被技术大幅降低时，就会催生出一波新的平台机会。
但有一个领域，25年来始终没有被「民主化」，那就是音乐。
你仔细想想，照片有了手机相机和滤镜，文字有了博客和社交媒体，视频有了YouTube和TikTok，播客有了Anchor这样的工具。
但音乐呢？
如果你今天想做一首歌，你还是需要懂乐理、会一门乐器、或者至少会用专业的音乐制作软件，这个门槛在过去几十年里几乎没有降低过。
因为在AI出现之前，没有任何一项技术能够让音乐创作变得更简单。
相机让拍照变简单，麦克风让录音变简单，但没有什么东西能让作曲和编曲变简单。
这就是Mike投资Suno的核心逻辑。
Suno是一个AI音乐生成平台，你用自然语言描述你想要的音乐风格和主题，它就能帮你生成一首完整的歌曲，包括旋律、编曲、甚至人声。
这家公司成立才两年，但已经成为消费级AI领域增长最快的产品之一。
这里有一个很有趣的现象值得关注，Suno团队发现，很多用户在用AI生成音乐后，并没有把这些音乐分享出去，而是自己听。
也就是，他们在给自己创造内容。
Mike说他从来没有在其他媒体形式里看到过这种行为，人们写文章不是为了自己读，拍视频不是为了自己看。
但在音乐这个领域，人们正在用AI为自己创作专属的歌曲。
它不再只是一个消费品，而是一个承载了你个人表达的作品。
Mike的建议是，现在是一个重新审视那些被忽视机会的好时机。
那些我们认为已经定型的赛道，那些大家觉得没什么可做的领域，可能正在因为AI而被重新打开。
他提了一个思考框架。
第一步，找到那些已经存在的大规模数据集。可以是公开的数据，也可以是个人私有的数据。
第二步，问自己一个问题：如果把大语言模型或者图像模型、音频模型叠加到这些数据上，能产生什么新的价值？
第三步，看看这个价值能不能转化为一个真实的消费者需求。
Foursquare的创始人Dennis Crowley最近做了一个新产品，当你戴上AirPods的时候，AI会根据你的位置和历史偏好，主动告诉你附近有什么值得尝试的地方。
比如它知道你喜欢精品咖啡，当你路过一家评价很高的咖啡馆时，它会轻轻提醒你。
这种基于个人数据的消费体验，在AI出现之前几乎不可能实现。
Mike还在做另一个项目叫Obo Labs，是一个AI驱动的学习平台。
他们的核心观点是，我们现在的教育方式实在太一刀切了。不管是看维基百科还是上大学课程，所有人接收到的内容都是一样的。
但每个人的知识背景不同，学习偏好不同，这种标准化的内容其实效率很低。
Obo的做法是，你告诉AI你想学什么，它会为你生成一套完全定制化的课程。
可以是播客形式，可以是长篇讲座，可以是阅读材料，取决于你喜欢怎么学习。
更重要的是，随着你学习的深入，AI会记住你已经掌握了什么，下一次的内容会跳过你已经知道的部分，直接进入新的知识点。
最后说一点关于创业节奏的思考。
Mike分享了一个他从Anchor创业过程中学到的经验。
他说，好的创业方式是先选一个足够大的方向，确立一个清晰的北极星目标，然后在具体路径上保持灵活。
你的初始假设很可能是错的，但只要你还在朝着同一个大方向走，每一次调整都是有价值的迭代。
创业的本质是在不确定性中学习，你不需要一开始就找到正确答案，但你需要建立一个能够快速学习和调整的系统。
总结一下几个核心insight：
1、消费科技领域的大机会，往往出现在创作门槛被技术大幅降低的时刻。过去是相机、麦克风，现在是AI。
2、那些被认为已经没有机会的成熟赛道，正在因为AI被重新打开。
思考的切入点是：什么样的大规模数据加上AI，能产生新的消费者价值。
3、个性化可能是AI在消费领域最重要的应用方向之一。无论是内容创作、学习还是日常决策，AI让每个人都能获得专属于自己的体验。
4、时机很重要，但在消费领域，时机几乎不可能被精确预测。所以更好的策略是选对大方向，然后保持足够的灵活性去适应市场的变化。
Lightspeed的合伙人Mike Mignano在一次访谈里提到，他们现在做消费科技投资有个新策略：去看那些曾经被认为是「创业墓地」的领域。
比如邮件客户端，这个赛道过去十年埋葬了无数创业公司，投资人看到就绕道走。
但他们最近投了一个邮件应用。
为什么要这么做？
当你理解之后，你会发现它其实揭示了消费科技领域一个非常底层的规律。
先讲一个关于「门槛」的故事。
2014年，Mike和他的联合创始人想做一个社交音频平台。
那时候Serial播客刚火，他们俩都成了播客的重度用户。
但有个问题困扰着他们：做播客太难了。
在那个年代，如果你想做一档播客，你需要专业的录音设备、会用复杂的音频编辑软件、还得搞清楚怎么把内容分发到各个平台，光是技术门槛就能劝退99%的普通人。
Mike之前在一家叫Aviary的公司工作，做的是手机上的图片编辑工具。
他就想，既然我们能让普通人用手机修出好看的照片，能不能用同样的思路，让普通人用手机就能做播客？
于是他们做了Anchor。
这个产品的核心理念很简单：打开手机，点一个按钮开始录音，做点简单剪辑，再点一个按钮，你的播客就自动上架到Spotify和Apple Podcasts了，整个过程可能就五分钟。
2019年，Spotify收购了Anchor。
这个故事的本质是什么？
如果我们往回看整个消费互联网的历史，会发现一个反复出现的模式。
Instagram让普通人能拍出好看的照片。
在此之前，你要么得懂摄影，要么得会Photoshop。
但有了滤镜和简单的编辑工具，任何人都能发一张看起来不错的图。
YouTube让普通人能发布视频，TikTok进一步降低了门槛，15秒的短视频谁都能拍。
每一次重大的消费级产品创新，本质上都是在做同一件事：把原来只有专业人士才能做的事情，变成普通人也能做的事情。
换句话说，当某个创作行为的门槛被技术大幅降低时，就会催生出一波新的平台机会。
但有一个领域，25年来始终没有被「民主化」，那就是音乐。
你仔细想想，照片有了手机相机和滤镜，文字有了博客和社交媒体，视频有了YouTube和TikTok，播客有了Anchor这样的工具。
但音乐呢？
如果你今天想做一首歌，你还是需要懂乐理、会一门乐器、或者至少会用专业的音乐制作软件，这个门槛在过去几十年里几乎没有降低过。
因为在AI出现之前，没有任何一项技术能够让音乐创作变得更简单。
相机让拍照变简单，麦克风让录音变简单，但没有什么东西能让作曲和编曲变简单。
这就是Mike投资Suno的核心逻辑。
Suno是一个AI音乐生成平台，你用自然语言描述你想要的音乐风格和主题，它就能帮你生成一首完整的歌曲，包括旋律、编曲、甚至人声。
这家公司成立才两年，但已经成为消费级AI领域增长最快的产品之一。
这里有一个很有趣的现象值得关注，Suno团队发现，很多用户在用AI生成音乐后，并没有把这些音乐分享出去，而是自己听。
也就是，他们在给自己创造内容。
Mike说他从来没有在其他媒体形式里看到过这种行为，人们写文章不是为了自己读，拍视频不是为了自己看。
但在音乐这个领域，人们正在用AI为自己创作专属的歌曲。
它不再只是一个消费品，而是一个承载了你个人表达的作品。
Mike的建议是，现在是一个重新审视那些被忽视机会的好时机。
那些我们认为已经定型的赛道，那些大家觉得没什么可做的领域，可能正在因为AI而被重新打开。
他提了一个思考框架。
第一步，找到那些已经存在的大规模数据集。可以是公开的数据，也可以是个人私有的数据。
第二步，问自己一个问题：如果把大语言模型或者图像模型、音频模型叠加到这些数据上，能产生什么新的价值？
第三步，看看这个价值能不能转化为一个真实的消费者需求。
Foursquare的创始人Dennis Crowley最近做了一个新产品，当你戴上AirPods的时候，AI会根据你的位置和历史偏好，主动告诉你附近有什么值得尝试的地方。
比如它知道你喜欢精品咖啡，当你路过一家评价很高的咖啡馆时，它会轻轻提醒你。
这种基于个人数据的消费体验，在AI出现之前几乎不可能实现。
Mike还在做另一个项目叫Obo Labs，是一个AI驱动的学习平台。
他们的核心观点是，我们现在的教育方式实在太一刀切了。不管是看维基百科还是上大学课程，所有人接收到的内容都是一样的。
但每个人的知识背景不同，学习偏好不同，这种标准化的内容其实效率很低。
Obo的做法是，你告诉AI你想学什么，它会为你生成一套完全定制化的课程。
可以是播客形式，可以是长篇讲座，可以是阅读材料，取决于你喜欢怎么学习。
更重要的是，随着你学习的深入，AI会记住你已经掌握了什么，下一次的内容会跳过你已经知道的部分，直接进入新的知识点。
最后说一点关于创业节奏的思考。
Mike分享了一个他从Anchor创业过程中学到的经验。
他说，好的创业方式是先选一个足够大的方向，确立一个清晰的北极星目标，然后在具体路径上保持灵活。
你的初始假设很可能是错的，但只要你还在朝着同一个大方向走，每一次调整都是有价值的迭代。
创业的本质是在不确定性中学习，你不需要一开始就找到正确答案，但你需要建立一个能够快速学习和调整的系统。
总结一下几个核心insight：
1、消费科技领域的大机会，往往出现在创作门槛被技术大幅降低的时刻。过去是相机、麦克风，现在是AI。
2、那些被认为已经没有机会的成熟赛道，正在因为AI被重新打开。
思考的切入点是：什么样的大规模数据加上AI，能产生新的消费者价值。
3、个性化可能是AI在消费领域最重要的应用方向之一。无论是内容创作、学习还是日常决策，AI让每个人都能获得专属于自己的体验。
4、时机很重要，但在消费领域，时机几乎不可能被精确预测。所以更好的策略是选对大方向，然后保持足够的灵活性去适应市场的变化。
2 00
前两天看到一段访谈，访谈原话大概是这样的：做了30年投资，现在可能是最有意思的投资时机。
说这话的人叫Kirsten Green，她是Forerunner Ventures的创始人。
这家基金专注消费领域，投出了Dollar Shave Club、Glossier、Warby Parker、Chime这些你大概率听过的品牌。
注意，她说的不是AI，而是消费。
我看完了整段访谈，觉得她思考这个问题的思维逻辑值得拿出来聊聊，她提供了一个非常不一样的观察视角。
Green说，她最近见了一家公司，各方面数据都很不错，创始团队也很强。但这家公司遇到了一个麻烦：招不到人。
不是因为待遇不好，也不是因为公司没前途，原因是候选人看了一眼业务方向，发现是做消费的，就直接划走了。
人才市场的偏好，某种程度上反映了一个时代的集体情绪。
大家都觉得AI是未来，B2B SaaS是正道，消费品好像不太行了。
但Green提了一个数据：标普500里面，大概70%是消费类公司。
你去看那些市值最大的科技巨头，不管叫它们FAANG还是Magnificent Seven，几乎每一家都有消费业务。
换句话说，公开市场的回报，很大一部分来自消费公司。但私募市场的注意力，却在往别处跑。
这中间是不是存在某种错配？
为什么她说现在是好时机呢？
Green的判断基于几个观察：
第一个观察是，消费者和企业用户的边界正在消失。
Notion这个产品一开始是给个人用户设计的笔记工具。但现在，很多公司把它当作内部知识库在用。
反过来，Slack一开始是给企业用的协作工具，但不少自由职业者，私下也建了几个Slack群，纯粹是朋友之间聊天用。
同理，以前被归类为消费产品的东西，现在也在渗透到企业场景，比如ChatGPT。
这意味着如果你做的产品能同时服务个人用户和企业用户，你的天花板会变得非常高。
这条路以前不好走，因为两边的需求差异太大。
但现在，由于人们在工作和生活中的行为习惯越来越趋同，这个机会窗口正在打开。
第二个观察是，大公司不可能把所有事情都做好。
Green在演讲里举了个例子，Google Docs很好用，她自己也天天用。
但她做笔记、管理信息的首选工具是Notion。
Dropbox她也用，但团队的文档也同时存在Notion里。
换句话说，即使是最强大的巨头，也会留出缝隙。
消费者对体验的要求是动态的，是挑剔的，是多变的。只要你能在某个具体场景里提供明显更好的体验，就有机会切进去。
第三个观察是：技术变革叠加用户心智变化，创造了一个罕见的窗口期。
Green用了一个词，叫做the messy creative stage，也就是混乱的创造阶段。
现在AI技术在快速迭代，用户的行为习惯也在快速变化，竞争对手在快速冒出来，整个环境充满了不确定性。
但换个角度想，不确定性恰恰意味着游戏规则还没定下来，新玩家还有机会重新洗牌。
她说，这是一个需要勇气和想象力的时刻，不要因为害怕不确定性就缩手缩脚，也不要因为大公司很强就觉得没机会。
说到这儿，分享一个她提到的案例。
Chime是一家数字银行，最近刚刚上市，而Green是早期投资人。
但她坦诚地说：在她投的那些公司里，她原本以为会有五六个比Chime表现更好的，她一开始并没有把Chime当成最大的赢家。
这说明早期判断经常会出错，更重要的是，Chime能跑出来，不是因为一开始就找对了方向，而是因为创始团队足够灵活。
Green说，Chime刚起步的时候，产品并不是一炮而红。他们尝试了一些东西，发现有些行得通，有些不行。
关键在于，创始团队没有死守最初的计划，他们不断观察哪些指标在涨，哪些功能用户真的喜欢，然后把资源集中到有效的地方。
这不是一夜之间的转型，而是持续的小幅调整。
某一天回头看，发现产品已经进化成了完全不同的形态，而且开始爆发。
Green总结说，这才是创业的真正艺术：知道什么时候该坚持，什么时候该调整；什么信号值得加注，什么信号说明方向不对。
既然聊到这儿了，顺便说说Green喜欢什么样的创始人。
她说了一个比例：80%的信念，20%的好奇心。
80%的信念意味着，你必须对自己在做的事情有非常强的conviction，你相信这件事必须发生，你是那个最适合让它发生的人。
没有这个底气，早期创业根本撑不下去。
但只有信念还不够，你还需要20%的好奇心，愿意听别人的意见，愿意承认自己可能不知道某些事情，愿意在对话中留出空间让别人参与进来。
Green说，她最怕两种极端。
一种是完全没有主见的创始人，任何问题都说我不确定，您觉得呢。
这种人让投资人感觉他只是在执行别人的想法，而不是在创造自己的东西。
另一种是过度自信的创始人，觉得自己已经想通了所有问题，不需要任何外部输入。
这种人让投资人觉得合作起来会很累，因为没有对话空间。
最好的状态是，你能清晰地讲出自己的判断和逻辑，同时真诚地对新信息保持开放。
Green还提到了另一个点，她说早期创业公司的唯一确定性就是，你现在看的这份计划一定会变。
市场会变，技术会变，用户需求会变。
既然变化是必然的，那创始人的核心能力就不是预测未来，而是在变化中快速调整。
聊到这里，可能有人会问：消费品牌的护城河到底是什么？用户今天喜欢你，明天可能就去用竞争对手了，这生意怎么做长久？
Green的回答是：关系。
她说，很多人把消费生意理解成交易，买一次算一次。
但真正好的消费品牌，做的不是交易，是关系。
她还做了一个比喻：做消费品牌有点像谈恋爱。
用户没有签合同，不像企业客户那样有法律约束，用户可以随时离开你。所以你必须持续经营这段关系，不能觉得用户来了就万事大吉。
她话锋一转，说：其实婚姻也是一样的。如果你觉得结婚了就不用约会了，不用继续投入了，那这段婚姻可能也走不远。
同理，即使你已经获得了用户，你也要持续给他们提供价值，持续优化体验，持续让他们觉得留在你这里是值得的。
Green在访谈最后说说，当所有人都往另一个方向跑的时候，选择不一样的路需要真正的勇气。
说这话的人叫Kirsten Green，她是Forerunner Ventures的创始人。
这家基金专注消费领域，投出了Dollar Shave Club、Glossier、Warby Parker、Chime这些你大概率听过的品牌。
注意，她说的不是AI，而是消费。
我看完了整段访谈，觉得她思考这个问题的思维逻辑值得拿出来聊聊，她提供了一个非常不一样的观察视角。
Green说，她最近见了一家公司，各方面数据都很不错，创始团队也很强。但这家公司遇到了一个麻烦：招不到人。
不是因为待遇不好，也不是因为公司没前途，原因是候选人看了一眼业务方向，发现是做消费的，就直接划走了。
人才市场的偏好，某种程度上反映了一个时代的集体情绪。
大家都觉得AI是未来，B2B SaaS是正道，消费品好像不太行了。
但Green提了一个数据：标普500里面，大概70%是消费类公司。
你去看那些市值最大的科技巨头，不管叫它们FAANG还是Magnificent Seven，几乎每一家都有消费业务。
换句话说，公开市场的回报，很大一部分来自消费公司。但私募市场的注意力，却在往别处跑。
这中间是不是存在某种错配？
为什么她说现在是好时机呢？
Green的判断基于几个观察：
第一个观察是，消费者和企业用户的边界正在消失。
Notion这个产品一开始是给个人用户设计的笔记工具。但现在，很多公司把它当作内部知识库在用。
反过来，Slack一开始是给企业用的协作工具，但不少自由职业者，私下也建了几个Slack群，纯粹是朋友之间聊天用。
同理，以前被归类为消费产品的东西，现在也在渗透到企业场景，比如ChatGPT。
这意味着如果你做的产品能同时服务个人用户和企业用户，你的天花板会变得非常高。
这条路以前不好走，因为两边的需求差异太大。
但现在，由于人们在工作和生活中的行为习惯越来越趋同，这个机会窗口正在打开。
第二个观察是，大公司不可能把所有事情都做好。
Green在演讲里举了个例子，Google Docs很好用，她自己也天天用。
但她做笔记、管理信息的首选工具是Notion。
Dropbox她也用，但团队的文档也同时存在Notion里。
换句话说，即使是最强大的巨头，也会留出缝隙。
消费者对体验的要求是动态的，是挑剔的，是多变的。只要你能在某个具体场景里提供明显更好的体验，就有机会切进去。
第三个观察是：技术变革叠加用户心智变化，创造了一个罕见的窗口期。
Green用了一个词，叫做the messy creative stage，也就是混乱的创造阶段。
现在AI技术在快速迭代，用户的行为习惯也在快速变化，竞争对手在快速冒出来，整个环境充满了不确定性。
但换个角度想，不确定性恰恰意味着游戏规则还没定下来，新玩家还有机会重新洗牌。
她说，这是一个需要勇气和想象力的时刻，不要因为害怕不确定性就缩手缩脚，也不要因为大公司很强就觉得没机会。
说到这儿，分享一个她提到的案例。
Chime是一家数字银行，最近刚刚上市，而Green是早期投资人。
但她坦诚地说：在她投的那些公司里，她原本以为会有五六个比Chime表现更好的，她一开始并没有把Chime当成最大的赢家。
这说明早期判断经常会出错，更重要的是，Chime能跑出来，不是因为一开始就找对了方向，而是因为创始团队足够灵活。
Green说，Chime刚起步的时候，产品并不是一炮而红。他们尝试了一些东西，发现有些行得通，有些不行。
关键在于，创始团队没有死守最初的计划，他们不断观察哪些指标在涨，哪些功能用户真的喜欢，然后把资源集中到有效的地方。
这不是一夜之间的转型，而是持续的小幅调整。
某一天回头看，发现产品已经进化成了完全不同的形态，而且开始爆发。
Green总结说，这才是创业的真正艺术：知道什么时候该坚持，什么时候该调整；什么信号值得加注，什么信号说明方向不对。
既然聊到这儿了，顺便说说Green喜欢什么样的创始人。
她说了一个比例：80%的信念，20%的好奇心。
80%的信念意味着，你必须对自己在做的事情有非常强的conviction，你相信这件事必须发生，你是那个最适合让它发生的人。
没有这个底气，早期创业根本撑不下去。
但只有信念还不够，你还需要20%的好奇心，愿意听别人的意见，愿意承认自己可能不知道某些事情，愿意在对话中留出空间让别人参与进来。
Green说，她最怕两种极端。
一种是完全没有主见的创始人，任何问题都说我不确定，您觉得呢。
这种人让投资人感觉他只是在执行别人的想法，而不是在创造自己的东西。
另一种是过度自信的创始人，觉得自己已经想通了所有问题，不需要任何外部输入。
这种人让投资人觉得合作起来会很累，因为没有对话空间。
最好的状态是，你能清晰地讲出自己的判断和逻辑，同时真诚地对新信息保持开放。
Green还提到了另一个点，她说早期创业公司的唯一确定性就是，你现在看的这份计划一定会变。
市场会变，技术会变，用户需求会变。
既然变化是必然的，那创始人的核心能力就不是预测未来，而是在变化中快速调整。
聊到这里，可能有人会问：消费品牌的护城河到底是什么？用户今天喜欢你，明天可能就去用竞争对手了，这生意怎么做长久？
Green的回答是：关系。
她说，很多人把消费生意理解成交易，买一次算一次。
但真正好的消费品牌，做的不是交易，是关系。
她还做了一个比喻：做消费品牌有点像谈恋爱。
用户没有签合同，不像企业客户那样有法律约束，用户可以随时离开你。所以你必须持续经营这段关系，不能觉得用户来了就万事大吉。
她话锋一转，说：其实婚姻也是一样的。如果你觉得结婚了就不用约会了，不用继续投入了，那这段婚姻可能也走不远。
同理，即使你已经获得了用户，你也要持续给他们提供价值，持续优化体验，持续让他们觉得留在你这里是值得的。
Green在访谈最后说说，当所有人都往另一个方向跑的时候，选择不一样的路需要真正的勇气。
0 00
12月1日，DeepSeek一口气发布了V3.2和V3.2-Speciale两款新模型，基准测试成绩直接对标GPT-5和Gemini 3.0 Pro。
但如果你把时间倒回今年年中，社交媒体上到处都是"DeepSeek凉了"的声音。
理由很简单：自从去年发布R1之后，将近一年时间没有大动作。
DeepSeek这一年到底在干什么？V3.2为什么能一下子追上最顶尖的模型？
我花了三天时间啃完他们的技术报告，试着把这条进化路径梳理清楚。
在聊技术细节之前，得先理解一个背景。
去年底DeepSeek发布的时候，V3是基础模型，R1是推理模型，这两者有什么区别？
打个比方，基础模型像一个博学的人，你问什么他都能答，但他不一定会"想"。
推理模型则像一个会深思熟虑的人，他会在脑子里演算一遍，检查一遍，然后才给你答案。
今年AI领域有一个很明显的趋势：大家开始做"混合模型"。就是把这两种能力装进同一个模型里，用户可以根据需要切换。
Qwen3最早这么干，OpenAI的gpt-oss也是类似思路。
DeepSeek的路径正好反过来，他们先做了专用推理模型R1，验证方法可行之后，再把推理能力融合进V3系列，最终做出了混合模型V3.1和V3.2。
换句话说，R1更像是一个研究项目和试验田，V3.2才是面向实际应用的成熟产品。
1️⃣ 第一个关键技术：让注意力变稀疏
V3.2相比之前版本，架构上最大的变化是加入了一个叫DSA的东西，全称DeepSeek稀疏注意力。
举个例子，假设你在读一本500页的书，现在要回答一个问题。
传统做法是把500页全部重读一遍。
但DSA的做法是先快速扫一眼，标记出最相关的几十页，然后只精读这些页。
具体怎么实现的？
DSA有两个核心组件：一个索引器，一个选择器。索引器负责给每一页打分，选择器负责挑出得分最高的那些页。
这套机制不是随机选的，是模型自己学出来的。它知道哪些信息对当前问题最重要。
效果很明显，原本注意力计算的复杂度是序列长度的平方级别，现在降到了线性级别。
这意味着处理长文本的速度大幅提升，成本也大幅下降。
2️⃣ 第二个关键技术：让模型学会自我纠错
这是我觉得最精妙的部分。
传统的推理模型训练，用的是一种叫RLVR的方法，全称是"带可验证奖励的强化学习"。
简单说就是让模型做数学题或写代码，做对了给奖励，做错了不给。
问题在于：答案对了，不代表推理过程对了。
DeepSeek团队在技术报告里说得很直白：模型可能通过有缺陷的逻辑或者走运蒙对了答案。
怎么解决？
他们想了一个办法：训练一个专门的"验证器"来检查推理过程。
DeepSeek的做法是训练三个模型互相配合。
第一个模型负责生成证明，第二个模型负责检查证明对不对，第三个模型负责检查第二个模型检查得对不对。
听起来有点绕，但逻辑很清晰：用更强的外部监督来倒逼生成模型提升质量。
最妙的是，等到生成模型足够强了，推理的时候就不需要那些验证器了，它已经内化了验证的能力。
这跟人类学习的过程其实很像。
小时候做数学题需要老师批改，长大了你自己就知道哪里算错了。
3️⃣ 第三个关键技术：GRPO算法的精细调整
这部分比较硬核，但值得简单说一下。
GRPO是DeepSeek用来训练推理能力的核心算法，全称是"群相对策略优化"。今年有很多论文提出了各种改进方案。
DeepSeek的选择很克制。他们没有采用最激进的改法，而是保留了原始算法的核心框架，只做了几个针对性的微调。
比如，他们给不同领域设置了不同的约束强度。
数学领域约束最松，因为数学题有明确对错，模型可以大胆探索。通用任务约束紧一些，避免模型跑偏。
再比如，他们加了一个机制来过滤掉那些"过时"的训练数据，防止模型从已经不准确的样本里学习。
这些改动单独看都不大，但加在一起，效果很显著。
抛开具体技术不谈，我觉得DeepSeek这一年的发展给了我们一个很好的观察样本。
第一，技术演进是渐进的。
从V3到V3.1到V3.2-Exp再到V3.2，每一步都有明确的目标。
V3.2-Exp看起来平平无奇，但它的真正作用是测试新架构、准备基础设施，为V3.2的发布铺路。
第二，好的研究需要时间。
一年不发大模型，不代表什么都没做。
DeepSeek在这一年里发布了好几篇重要的技术论文，DeepSeekMath V2就是其中之一，这些研究成果最终都汇聚到了V3.2里。
第三，开放权重模型的价值被再次证明。
DeepSeek的每次发布都附带详细的技术报告，这让整个社区都能从中学习。这种开放性，本身就是一种竞争力。
有人说AI发展太快，今天的最强模型明天就被超越。
这话没错，但也不全对。
真正值得关注的，不是某个模型在某个榜单上的排名，而是背后的方法论。
稀疏注意力、自我验证、强化学习的精细化调整，这些技术思路会沉淀下来，成为下一代模型的基础。
DeepSeek V3.2能追上GPT-5级别，靠的不是一次灵光乍现，而是一年时间里无数个小改进的累积。
这大概就是技术进步的真实样貌：没有那么多戏剧性的突破，更多的是耐心、积累，以及对细节的执着打磨。
但如果你把时间倒回今年年中，社交媒体上到处都是"DeepSeek凉了"的声音。
理由很简单：自从去年发布R1之后，将近一年时间没有大动作。
DeepSeek这一年到底在干什么？V3.2为什么能一下子追上最顶尖的模型？
我花了三天时间啃完他们的技术报告，试着把这条进化路径梳理清楚。
在聊技术细节之前，得先理解一个背景。
去年底DeepSeek发布的时候，V3是基础模型，R1是推理模型，这两者有什么区别？
打个比方，基础模型像一个博学的人，你问什么他都能答，但他不一定会"想"。
推理模型则像一个会深思熟虑的人，他会在脑子里演算一遍，检查一遍，然后才给你答案。
今年AI领域有一个很明显的趋势：大家开始做"混合模型"。就是把这两种能力装进同一个模型里，用户可以根据需要切换。
Qwen3最早这么干，OpenAI的gpt-oss也是类似思路。
DeepSeek的路径正好反过来，他们先做了专用推理模型R1，验证方法可行之后，再把推理能力融合进V3系列，最终做出了混合模型V3.1和V3.2。
换句话说，R1更像是一个研究项目和试验田，V3.2才是面向实际应用的成熟产品。
1️⃣ 第一个关键技术：让注意力变稀疏
V3.2相比之前版本，架构上最大的变化是加入了一个叫DSA的东西，全称DeepSeek稀疏注意力。
举个例子，假设你在读一本500页的书，现在要回答一个问题。
传统做法是把500页全部重读一遍。
但DSA的做法是先快速扫一眼，标记出最相关的几十页，然后只精读这些页。
具体怎么实现的？
DSA有两个核心组件：一个索引器，一个选择器。索引器负责给每一页打分，选择器负责挑出得分最高的那些页。
这套机制不是随机选的，是模型自己学出来的。它知道哪些信息对当前问题最重要。
效果很明显，原本注意力计算的复杂度是序列长度的平方级别，现在降到了线性级别。
这意味着处理长文本的速度大幅提升，成本也大幅下降。
2️⃣ 第二个关键技术：让模型学会自我纠错
这是我觉得最精妙的部分。
传统的推理模型训练，用的是一种叫RLVR的方法，全称是"带可验证奖励的强化学习"。
简单说就是让模型做数学题或写代码，做对了给奖励，做错了不给。
问题在于：答案对了，不代表推理过程对了。
DeepSeek团队在技术报告里说得很直白：模型可能通过有缺陷的逻辑或者走运蒙对了答案。
怎么解决？
他们想了一个办法：训练一个专门的"验证器"来检查推理过程。
DeepSeek的做法是训练三个模型互相配合。
第一个模型负责生成证明，第二个模型负责检查证明对不对，第三个模型负责检查第二个模型检查得对不对。
听起来有点绕，但逻辑很清晰：用更强的外部监督来倒逼生成模型提升质量。
最妙的是，等到生成模型足够强了，推理的时候就不需要那些验证器了，它已经内化了验证的能力。
这跟人类学习的过程其实很像。
小时候做数学题需要老师批改，长大了你自己就知道哪里算错了。
3️⃣ 第三个关键技术：GRPO算法的精细调整
这部分比较硬核，但值得简单说一下。
GRPO是DeepSeek用来训练推理能力的核心算法，全称是"群相对策略优化"。今年有很多论文提出了各种改进方案。
DeepSeek的选择很克制。他们没有采用最激进的改法，而是保留了原始算法的核心框架，只做了几个针对性的微调。
比如，他们给不同领域设置了不同的约束强度。
数学领域约束最松，因为数学题有明确对错，模型可以大胆探索。通用任务约束紧一些，避免模型跑偏。
再比如，他们加了一个机制来过滤掉那些"过时"的训练数据，防止模型从已经不准确的样本里学习。
这些改动单独看都不大，但加在一起，效果很显著。
抛开具体技术不谈，我觉得DeepSeek这一年的发展给了我们一个很好的观察样本。
第一，技术演进是渐进的。
从V3到V3.1到V3.2-Exp再到V3.2，每一步都有明确的目标。
V3.2-Exp看起来平平无奇，但它的真正作用是测试新架构、准备基础设施，为V3.2的发布铺路。
第二，好的研究需要时间。
一年不发大模型，不代表什么都没做。
DeepSeek在这一年里发布了好几篇重要的技术论文，DeepSeekMath V2就是其中之一，这些研究成果最终都汇聚到了V3.2里。
第三，开放权重模型的价值被再次证明。
DeepSeek的每次发布都附带详细的技术报告，这让整个社区都能从中学习。这种开放性，本身就是一种竞争力。
有人说AI发展太快，今天的最强模型明天就被超越。
这话没错，但也不全对。
真正值得关注的，不是某个模型在某个榜单上的排名，而是背后的方法论。
稀疏注意力、自我验证、强化学习的精细化调整，这些技术思路会沉淀下来，成为下一代模型的基础。
DeepSeek V3.2能追上GPT-5级别，靠的不是一次灵光乍现，而是一年时间里无数个小改进的累积。
这大概就是技术进步的真实样貌：没有那么多戏剧性的突破，更多的是耐心、积累，以及对细节的执着打磨。
2 00
黄仁勋：我每天醒来都觉得公司要倒闭。
黄仁勋说，他每天早上睁开眼睛，脑子里第一个念头就是：距离破产，还剩30天。
这位身家超过千亿美元的芯片之王，把这句话念叨了整整三十多年。
最近他上了美国最火的播客节目，和主持人Joe Rogan聊了三个多小时，讲述了英伟达从濒死到封神的全过程。
听完之后你会发现，这家公司能活到今天，简直是个奇迹。
1993年，三个年轻人创办了英伟达。
他们想做一种全新的计算方式，一种能解决传统电脑搞不定的问题的机器。
黄仁勋后来回忆说，当时他根本不知道这是一个注定失败的使命，他只是觉得这主意挺好的。
于是这帮人开始做3D图形芯片，想把街机游戏的画面搬到PC上。
方向是对的，但技术路线全选反了：别人用三角形渲染，他们用曲面；别人做逆向贴图，他们做正向；别人有Z-buffer，他们没有。
三道选择题，每道都选了错误答案。
结果就是，作为第一批进入这个行业的公司，他们在上百个竞争对手里排在最后一名，而且钱快烧完了。
当时英伟达和世嘉有一份合同，要帮他们做游戏主机芯片。
如果合同被取消，公司立刻破产。
黄仁勋做了一个很疯狂的决定，他飞去日本，见世嘉的CEO入交昭平，然后说了三件事。
第一，我们承诺的技术行不通。
第二，建议你们找别人做这个芯片。
第三，虽然我请求解约，但我还是需要你把合同里最后那500万美元给我，否则我们今晚就倒闭。
入交昭平想了几天，最后说，好，我投。
他后来解释原因，就四个字：我喜欢他。
这500万美元续了英伟达的命。
但故事才刚刚开始。
拿到钱之后，黄仁勋裁掉了公司大部分人。
有员工对他说，老板，我们从来没做对过任何事情，我们根本不知道怎么做出正确的产品。
黄仁勋说，不会很难吧？外面几十家公司都在做呢。
然后他去书店买了三本Silicon Graphics出的教材，每本60美元，兜里一共200块，全花光了。
他把书发给三个架构师，说，读它，然后我们去拯救公司。
这三个人真的就抱着教科书从头学起。
他们发现，行业里最顶尖的图形工作站卖一百万美元一台，用的是通用处理器跑软件。
于是他们想，如果把所有通用功能都砍掉，只保留3D图形最核心的部分，全部硬编码进芯片里，会怎么样？
结果就是，一张PC显卡跑出了百万美元设备的画质。
这是英伟达真正的技术突破点。
但光有技术还不够，设计芯片要反复打样测试，送去晶圆厂做出来，发现有bug，再改，再送。
每一轮都要花时间和钱，而英伟达已经没有余粮了。
黄仁勋听说有家公司做出一台模拟器，能让芯片设计在出硅片之前就完成软件测试。
他打电话过去，对方说，机器有，但我们公司已经倒闭了。
英伟达当时账上只剩一百万美元现金，黄仁勋拿出一半，把这台库存机买了下来。
他们把所有设计放进去测试，把bug全部修完，然后打电话给台积电。
老黄说，我们要直接量产，不做试产。
台积电的人懵了，从没听说过有人第一次流片就敢直接上量产线的。
但黄仁勋算得很清楚：如果走正常流程，公司必死无疑；走这条险路，也许还有一线生机。
当时台积电还是一家几亿美元规模的小厂，创始人张忠谋决定赌一把。
结果，流片成功，量产完美。
英伟达从零做到十亿美元收入，成了当时增长最快的科技公司。
2016年，黄仁勋做出了第一台DGX-1超级计算机，八个GPU连在一起，定价30万美元，研发成本花了几十亿。
他在大会上发布这款产品，结果没人买。
直到马斯克出现，两人在台上做对谈，马斯克说，我有家公司可以用这个。
黄仁勋很兴奋，总算有第一个客户了。
马斯克接着说，这是家非营利机构。
黄仁勋当场石化：几十亿投入，对方是个非营利组织？
但他还是把公司自用的一台DGX-1打包好，亲自开车送到旧金山一个比普通卧室还小的办公室里。
那里坐着一群后来改变世界的人，那家机构叫OpenAI。
九年后，同样计算力的机器，从30万美元变成4000美元，从一个冰箱那么大变成一本书那么大。
这就是技术进步的魔力。
过去十年，英伟达把AI算力提升了十万倍。同样的计算任务，能耗降低了十万倍。
如果汽车行业能做到这个程度，车基本就不需要加油了。
但黄仁勋说，他至今每天早上醒来还是觉得公司可能30天内破产。
不是凡尔赛，是真的焦虑，他说自己创业以来只有少数几次躺在床上感觉整个世界在高速旋转，那种完全失控的恐惧。
而1990年代那段濒临破产的日子，是最严重的一次。
有人问他，你们现在是全球最大的科技公司之一了，为什么还这么紧绷？
他说，我更多的驱动力来自于不想失败。
「不是想赢，是不想输。」
这两件事听起来差不多，但底层逻辑完全不一样：想赢的人在领先时会放松，不想输的人在领先时会更紧张。
乔布斯说，stay hungry，stay foolish。
黄仁勋的版本是，stay scared，stay awake——保持恐惧，保持清醒。
三十三年前，一个选错了所有技术方向的小公司，靠一个日本老板的500万美元活了下来。
如今这家公司市值三万亿美元，掌握着全球AI的算力命脉。
但它的创始人依然每天早上醒来，提醒自己离破产只有30天。
也许这就是为什么，有些公司能穿越周期，而有些公司只是周期本身。
黄仁勋说，他每天早上睁开眼睛，脑子里第一个念头就是：距离破产，还剩30天。
这位身家超过千亿美元的芯片之王，把这句话念叨了整整三十多年。
最近他上了美国最火的播客节目，和主持人Joe Rogan聊了三个多小时，讲述了英伟达从濒死到封神的全过程。
听完之后你会发现，这家公司能活到今天，简直是个奇迹。
1993年，三个年轻人创办了英伟达。
他们想做一种全新的计算方式，一种能解决传统电脑搞不定的问题的机器。
黄仁勋后来回忆说，当时他根本不知道这是一个注定失败的使命，他只是觉得这主意挺好的。
于是这帮人开始做3D图形芯片，想把街机游戏的画面搬到PC上。
方向是对的，但技术路线全选反了：别人用三角形渲染，他们用曲面；别人做逆向贴图，他们做正向；别人有Z-buffer，他们没有。
三道选择题，每道都选了错误答案。
结果就是，作为第一批进入这个行业的公司，他们在上百个竞争对手里排在最后一名，而且钱快烧完了。
当时英伟达和世嘉有一份合同，要帮他们做游戏主机芯片。
如果合同被取消，公司立刻破产。
黄仁勋做了一个很疯狂的决定，他飞去日本，见世嘉的CEO入交昭平，然后说了三件事。
第一，我们承诺的技术行不通。
第二，建议你们找别人做这个芯片。
第三，虽然我请求解约，但我还是需要你把合同里最后那500万美元给我，否则我们今晚就倒闭。
入交昭平想了几天，最后说，好，我投。
他后来解释原因，就四个字：我喜欢他。
这500万美元续了英伟达的命。
但故事才刚刚开始。
拿到钱之后，黄仁勋裁掉了公司大部分人。
有员工对他说，老板，我们从来没做对过任何事情，我们根本不知道怎么做出正确的产品。
黄仁勋说，不会很难吧？外面几十家公司都在做呢。
然后他去书店买了三本Silicon Graphics出的教材，每本60美元，兜里一共200块，全花光了。
他把书发给三个架构师，说，读它，然后我们去拯救公司。
这三个人真的就抱着教科书从头学起。
他们发现，行业里最顶尖的图形工作站卖一百万美元一台，用的是通用处理器跑软件。
于是他们想，如果把所有通用功能都砍掉，只保留3D图形最核心的部分，全部硬编码进芯片里，会怎么样？
结果就是，一张PC显卡跑出了百万美元设备的画质。
这是英伟达真正的技术突破点。
但光有技术还不够，设计芯片要反复打样测试，送去晶圆厂做出来，发现有bug，再改，再送。
每一轮都要花时间和钱，而英伟达已经没有余粮了。
黄仁勋听说有家公司做出一台模拟器，能让芯片设计在出硅片之前就完成软件测试。
他打电话过去，对方说，机器有，但我们公司已经倒闭了。
英伟达当时账上只剩一百万美元现金，黄仁勋拿出一半，把这台库存机买了下来。
他们把所有设计放进去测试，把bug全部修完，然后打电话给台积电。
老黄说，我们要直接量产，不做试产。
台积电的人懵了，从没听说过有人第一次流片就敢直接上量产线的。
但黄仁勋算得很清楚：如果走正常流程，公司必死无疑；走这条险路，也许还有一线生机。
当时台积电还是一家几亿美元规模的小厂，创始人张忠谋决定赌一把。
结果，流片成功，量产完美。
英伟达从零做到十亿美元收入，成了当时增长最快的科技公司。
2016年，黄仁勋做出了第一台DGX-1超级计算机，八个GPU连在一起，定价30万美元，研发成本花了几十亿。
他在大会上发布这款产品，结果没人买。
直到马斯克出现，两人在台上做对谈，马斯克说，我有家公司可以用这个。
黄仁勋很兴奋，总算有第一个客户了。
马斯克接着说，这是家非营利机构。
黄仁勋当场石化：几十亿投入，对方是个非营利组织？
但他还是把公司自用的一台DGX-1打包好，亲自开车送到旧金山一个比普通卧室还小的办公室里。
那里坐着一群后来改变世界的人，那家机构叫OpenAI。
九年后，同样计算力的机器，从30万美元变成4000美元，从一个冰箱那么大变成一本书那么大。
这就是技术进步的魔力。
过去十年，英伟达把AI算力提升了十万倍。同样的计算任务，能耗降低了十万倍。
如果汽车行业能做到这个程度，车基本就不需要加油了。
但黄仁勋说，他至今每天早上醒来还是觉得公司可能30天内破产。
不是凡尔赛，是真的焦虑，他说自己创业以来只有少数几次躺在床上感觉整个世界在高速旋转，那种完全失控的恐惧。
而1990年代那段濒临破产的日子，是最严重的一次。
有人问他，你们现在是全球最大的科技公司之一了，为什么还这么紧绷？
他说，我更多的驱动力来自于不想失败。
「不是想赢，是不想输。」
这两件事听起来差不多，但底层逻辑完全不一样：想赢的人在领先时会放松，不想输的人在领先时会更紧张。
乔布斯说，stay hungry，stay foolish。
黄仁勋的版本是，stay scared，stay awake——保持恐惧，保持清醒。
三十三年前，一个选错了所有技术方向的小公司，靠一个日本老板的500万美元活了下来。
如今这家公司市值三万亿美元，掌握着全球AI的算力命脉。
但它的创始人依然每天早上醒来，提醒自己离破产只有30天。
也许这就是为什么，有些公司能穿越周期，而有些公司只是周期本身。
0 00
建议你在AI创业之前，先读毛选。
最近跟身边几个从大厂离职做AI创业的朋友聊天。
先不说背景，背景肯定都没得说，团队也不差。
但聊起项目进展，状态天差地别。
有人跑通了商业闭环，客户续费率很高。
有人烧了两年钱，产品还在不断pivot，至今没找到真正愿意付费的用户群体。
我昨晚开车回家路上在想，这中间的差距到底是什么？
想起前阵子，听一个连续创业的朋友说，他创业路上最大的转折点，是重新认真读了一遍毛选。
毛选第一卷开篇那篇文章，解决了一个他之前一直想不明白的问题，叫《中国社会各阶级的分析》，写于1925年。
开头第一句话是这样的：谁是我们的敌人？谁是我们的朋友？
所以，为什么首要问题不是"怎么打仗"，而是"分清敌友"？
很多人理解创业，第一反应是做产品、搞技术、找融资。
这些当然重要，但它们都是手段，不是起点。
起点是什么？是搞清楚你在为谁服务，谁会真心支持你，谁在跟你抢饭碗，谁表面友好其实在给你挖坑。
毛选里写得很直白：中国过去一切革命斗争成效甚少，其基本原因就是因为不能团结真正的朋友，以攻击真正的敌人。
换句话说，失败不是因为不努力，不是因为武器不行，而是根本没搞清楚局面。
把该拉拢的人推走了，把该提防的人当盟友了。
这套逻辑放到AI创业里，简直一模一样。
我聊了很多团队，技术很强，做出来的东西demo效果惊艳，但就是卖不动。
问题出在哪？是他们根本没想清楚自己的用户到底是谁。
或者更准确地说，他们以为自己知道，其实完全搞错了。
那么，毛选里是怎么做分析的？
这里要重点介绍一下书中的分析方法，非常有借鉴意义。
他不是凭感觉说谁是朋友谁是敌人。
他用的是一套很理性的框架，核心就两个维度：经济地位和政治态度。
具体来说，就是看一个群体在当时的社会结构里处于什么位置，他们的核心利益是什么，这个利益决定了他们会站在哪一边。
用今天的话讲，这叫利益分析。
用户行为研究、市场细分、客户画像，底层逻辑其实都是这个东西。
毛选里，把中国社会分成了几类人。
1️⃣最顶层的地主阶级和买办阶级，他们的利益跟旧秩序绑定得太深了，不可能支持变革，所以是敌人。
2️⃣中间的民族资产阶级，态度最摇摆。
他们一方面受外国资本压制，有改变的动力。另一方面又害怕激进变革会损害自己的财产。
所以这类人可能是朋友，也可能反水，需要争取但不能完全依赖。
3️⃣小资产阶级，包括小商人、手工业者、知识分子这些，在革命高潮时期可以成为朋友。
4️⃣半无产阶级，也就是贫农、小贩、店员这些底层群体，他们受压迫最深，改变现状的意愿最强烈，是最可靠的朋友。
5️⃣工人阶级，革命的领导力量。
这套分析方式有什么特点？它不讲情怀，不讲口号，就看利益。
谁的利益跟你一致，谁就是朋友。
谁的利益跟你冲突，谁就是敌人。
谁的利益摇摆不定，谁就需要争取但要保持警惕。
好，现在我们来做一个思维实验，假设你是一个AI创业者，用这套框架来分析你的处境。
第一步，找出你的敌人。
什么是敌人？不是说跟你有竞争关系就是敌人，敌人是那些结构性的、很难改变的阻碍力量。
伪需求陷阱就是第一类敌人。
很多AI产品看起来很酷，用户用的时候也觉得新鲜，但就是不愿意付费，因为它解决的不是真问题，或者说不是用户愿意掏钱解决的问题。
这种伪需求会吃掉你大量资源，但产出为零。
巨头垄断是第二类敌人。
在通用大模型领域，OpenAI、谷歌、国内几家大厂已经形成了很强的生态壁垒。
你一个创业公司，没有足够的算力和数据，在这个战场硬刚，成功概率极低。
政策红线是第三类敌人。
涉及数据安全、内容审核、伦理争议的方向，随时可能因为一纸文件全军覆没，这不是你努力就能改变的。
还有一类敌人特别隐蔽，就在团队内部。
那些脱离用户、沉迷于技术自嗨、拿PPT当产品的决策者，杀伤力往往比外部竞争对手更大。
然后第二步，就是找出你的朋友。
那么，要怎么找出你的朋友呢？我们下期内容会继续聊这个问题。
最近跟身边几个从大厂离职做AI创业的朋友聊天。
先不说背景，背景肯定都没得说，团队也不差。
但聊起项目进展，状态天差地别。
有人跑通了商业闭环，客户续费率很高。
有人烧了两年钱，产品还在不断pivot，至今没找到真正愿意付费的用户群体。
我昨晚开车回家路上在想，这中间的差距到底是什么？
想起前阵子，听一个连续创业的朋友说，他创业路上最大的转折点，是重新认真读了一遍毛选。
毛选第一卷开篇那篇文章，解决了一个他之前一直想不明白的问题，叫《中国社会各阶级的分析》，写于1925年。
开头第一句话是这样的：谁是我们的敌人？谁是我们的朋友？
所以，为什么首要问题不是"怎么打仗"，而是"分清敌友"？
很多人理解创业，第一反应是做产品、搞技术、找融资。
这些当然重要，但它们都是手段，不是起点。
起点是什么？是搞清楚你在为谁服务，谁会真心支持你，谁在跟你抢饭碗，谁表面友好其实在给你挖坑。
毛选里写得很直白：中国过去一切革命斗争成效甚少，其基本原因就是因为不能团结真正的朋友，以攻击真正的敌人。
换句话说，失败不是因为不努力，不是因为武器不行，而是根本没搞清楚局面。
把该拉拢的人推走了，把该提防的人当盟友了。
这套逻辑放到AI创业里，简直一模一样。
我聊了很多团队，技术很强，做出来的东西demo效果惊艳，但就是卖不动。
问题出在哪？是他们根本没想清楚自己的用户到底是谁。
或者更准确地说，他们以为自己知道，其实完全搞错了。
那么，毛选里是怎么做分析的？
这里要重点介绍一下书中的分析方法，非常有借鉴意义。
他不是凭感觉说谁是朋友谁是敌人。
他用的是一套很理性的框架，核心就两个维度：经济地位和政治态度。
具体来说，就是看一个群体在当时的社会结构里处于什么位置，他们的核心利益是什么，这个利益决定了他们会站在哪一边。
用今天的话讲，这叫利益分析。
用户行为研究、市场细分、客户画像，底层逻辑其实都是这个东西。
毛选里，把中国社会分成了几类人。
1️⃣最顶层的地主阶级和买办阶级，他们的利益跟旧秩序绑定得太深了，不可能支持变革，所以是敌人。
2️⃣中间的民族资产阶级，态度最摇摆。
他们一方面受外国资本压制，有改变的动力。另一方面又害怕激进变革会损害自己的财产。
所以这类人可能是朋友，也可能反水，需要争取但不能完全依赖。
3️⃣小资产阶级，包括小商人、手工业者、知识分子这些，在革命高潮时期可以成为朋友。
4️⃣半无产阶级，也就是贫农、小贩、店员这些底层群体，他们受压迫最深，改变现状的意愿最强烈，是最可靠的朋友。
5️⃣工人阶级，革命的领导力量。
这套分析方式有什么特点？它不讲情怀，不讲口号，就看利益。
谁的利益跟你一致，谁就是朋友。
谁的利益跟你冲突，谁就是敌人。
谁的利益摇摆不定，谁就需要争取但要保持警惕。
好，现在我们来做一个思维实验，假设你是一个AI创业者，用这套框架来分析你的处境。
第一步，找出你的敌人。
什么是敌人？不是说跟你有竞争关系就是敌人，敌人是那些结构性的、很难改变的阻碍力量。
伪需求陷阱就是第一类敌人。
很多AI产品看起来很酷，用户用的时候也觉得新鲜，但就是不愿意付费，因为它解决的不是真问题，或者说不是用户愿意掏钱解决的问题。
这种伪需求会吃掉你大量资源，但产出为零。
巨头垄断是第二类敌人。
在通用大模型领域，OpenAI、谷歌、国内几家大厂已经形成了很强的生态壁垒。
你一个创业公司，没有足够的算力和数据，在这个战场硬刚，成功概率极低。
政策红线是第三类敌人。
涉及数据安全、内容审核、伦理争议的方向，随时可能因为一纸文件全军覆没，这不是你努力就能改变的。
还有一类敌人特别隐蔽，就在团队内部。
那些脱离用户、沉迷于技术自嗨、拿PPT当产品的决策者，杀伤力往往比外部竞争对手更大。
然后第二步，就是找出你的朋友。
那么，要怎么找出你的朋友呢？我们下期内容会继续聊这个问题。
6 10