即刻App年轻人的同好社区
下载
App内打开
大军出海
566关注1k被关注2夸夸
什么都不怕,只想人生值得!
置顶
大军出海
23天前
最能赚钱的人,本质上都是先成为高效能的人,
再借助商业杠杆,把这种效能放大10倍、100倍,甚至1000倍。

这背后,正好对应两本书。

一本是《高效能人士的七个习惯》,
另一本,我把它叫做《高获利人士的七大杠杆》。

柯维讲的是输入端:
一个人如何持续、稳定地产生高效能。

而”七大杠杆”讲的是输出端:
一个人如何把效能转化为更大的商业回报。

高效能,是个人系统。
高获利,是商业放大。



1. 认知杠杆

一个人能影响多少人的判断,
就能影响多少消费、选择与资源流向。

创始人IP、品牌IP、品类定义、概念创造、内容资产、白皮书/行业报告、榜单/评级、媒体露出、演讲/TED、联名背书、标准制定、认证体系、传记/神话等,都属于认知杠杆。

雷军、马斯克、董宇辉、罗永浩——创始人本身就是流量入口。
可口可乐、Apple、爱马仕、茅台——名字本身=溢价。
王老吉=凉茶、元气森林=无糖气泡水、Tesla=电动车——定义品类的人,吃掉品类80%利润。
“私域”“新消费”“AGI”——谁造词,谁吃首轮红利。
米其林、福布斯、胡润——你上不上榜,由我说了算。
乔布斯发布会、罗振宇跨年演讲——一场顶100场广告。
苹果定义智能手机、华为推5G标准——定义标准=收所有人的过路费。
《硅谷钢铁侠》《活着,就为改变世界》——创始人神话=终极认知资产。

谁能定义问题,谁就能影响答案;
谁能影响答案,谁就能影响交易。



2. 复利杠杆

普通人出售时间,高手沉淀时间。

把一次经验沉淀为方法,
把一次成交转化为复购,
把一次直播整理为话术库,
把一次成功提炼为可复制模型。

品牌、专利、版权、数据、用户池、会员体系、供应链关系、技术积累、客户口碑、方法论、SOP、培训体系、复购模型与团队文化等,都是能穿越时间的复利资产。

可口可乐百年品牌、迪士尼IP库——越老越值钱。
高通通信专利、ARM架构——每卖一台手机收一笔。
漫威电影宇宙、《哈利波特》IP——一次创作,百年收钱。
Google搜索数据、字节算法、Meta用户行为——数据是当代石油。
Apple 20亿活跃设备、微信13亿月活——存量即未来现金流。
Costco会员、亚马逊Prime、山姆——锁定终身价值。
Apple供应链30年、丰田JIT——后发者追不上。
台积电先进制程、ASML光刻机——技术壁垒越深越值钱。
海底捞、胖东来、稻盛和夫——口碑是最便宜的传播。
麦当劳标准化、肯德基炸鸡时间表——SOP可无限复制。
剃须刀/刀片、打印机/墨盒——一次入口,终身收割。

真正卓越的人,不是每天重新开始,
而是让过去的积累,持续为今天创造价值。



3. 交易杠杆

越靠近成交、定价、现金流与资源撮合,盈利能力往往越强。

成交、定价、撮合、抽佣、渠道、投放、流量、信任、支付、复购、合同、账期、稀缺设计、锚定定价、套餐组合、现金流模式、金融嵌入与权益设计等,都属于交易杠杆。

茅台、爱马仕、Apple——成本不变,价格说涨就涨。
沃尔玛压供应商、京东压账期——大B吃小B。
支付宝、微信支付、Visa——每笔交易抽一点,抽到怀疑人生。
Apple App Store 30%、贝壳2.5%、滴滴20%——撮合费才是隐形巨头。
爱马仕Birkin等3年、超跑订单制——稀缺设计创造溢价。
星巴克中杯陷阱、菜单第二贵套餐——锚定定价的心理战。
双11、黑五——节奏制造交易高峰。
Costco靠会员费赚钱、保险公司靠浮存金——巴菲特最爱的现金流结构。
Netflix订阅、SaaS年付——复购通道=自动印钞。
抖音、Google搜索、亚马逊搜索——卖流量比卖货更赚。
消费分期、买车贷款、信用卡分期——金融嵌入二次收割。

很多人忙碌一生,其实只是在完成交付。
而真正的利润,往往产生于交易发生的瞬间。

谁掌握交易入口,谁就掌握现金流;
谁掌握定价权,谁就掌握利润分配权。



4. 组织杠杆

个人能力有上限,组织能力没有。

一个人能调动多少人,
就能放大多少执行力。

分工、流程、培训、激励、协同、管理、复制、外包、加盟、特许经营、合伙人制、众包、平台抽成、节点与生态等,都属于组织杠杆。

海底捞、星巴克、Apple Store——直营连锁掌控强。
麦当劳、7-11、瑞幸——加盟连锁,别人出钱出力。
可口可乐全球分销、华为渠道——经销商体系千军万马为你卖货。
淘宝、美团、Airbnb、Uber——平台模式不雇佣一人,坐收佣金。
维基百科、抖音、YouTube——众包/UGC,内容由用户免费生产。
高盛、麦肯锡、阿里——合伙人制把核心人才绑成股东。
Nike不开厂、Apple不造手机——专注最赚钱的环节,其他外包给富士康。
迪士尼IP授权、Hello Kitty授权——特许经营,授权金+分成。
Apple开发者、微信小程序、Steam——生态养活百万创业者。
红杉一个GP管百亿——VC基金模式,一个人撬动百倍资金。
GitLab全员远程、Automattic——全球招最便宜最优秀的人。

个人能力决定起点,
组织能力决定规模。

真正优秀的管理者,不是亲自完成最多工作的人,
而是能让一群人围绕同一目标持续创造价值的人。



5. 资本杠杆

越靠近股权、期权、估值、分红、债务、并购、IPO、LBO、衍生品、品牌资产、知识产权、数据资产、现金流、税务结构、平台身份、家办信托与退出机制这些,财富增长往往越快。

茅台股价百倍、英伟达万亿市值——IPO=把未来现金流一次性兑现。
OpenAI估值千亿、字节IPO前3000亿——还没赚钱先值钱。
KKR、黑石——杠杆收购LBO,用别人的钱买公司。
腾讯投资版图、伯克希尔——并购整合,雪球越滚越大。
字节期权、华为TUP、特斯拉天价期权——股权激励吸引顶级人才。
香港四大家族、商业地产、REITs——20%首付撬动100%资产。
高通、ARM——专利资产化,本身就是印钞机。
开曼/BVI、爱尔兰双层、海南自贸——税收筹划=变相利润。
苹果开发者、淘宝天猫店铺、抖音蓝V——平台身份本身有溢价。
洛克菲勒家族、罗斯柴尔德——家办信托,百年传承结构。

打工者拿现金流,
经营者拿利润,
资本拿估值增长。

很多人只关注收入,
但真正的财富跃迁,往往来自资产与权益。

工资是线性的,
利润有放大效应,
股权则有指数级增长潜力。



6. 规则杠杆

谁越靠近稀缺信息、平台规则与行业变化,谁就越容易获得收益。

政策红利、平台红利期、牌照壁垒、行业标准、税收套利、监管边界、算法规则、行业周期、区域差异、国际差异、时间差、先发壁垒、信息差与赛道选择等,都属于规则杠杆。

光伏补贴、新能源车牌照、芯片大基金——国家给的钱最大。
早期淘宝卖家、早期抖音、早期视频号、早期小红书——平台冷启动期吃肉。
金融、医院、出版、广电牌照——没牌照=不能玩。
5G、USB-C、HDMI、Bluetooth——谁定标准谁收专利费。
海南离岛免税、跨境保税仓、霍尔果斯——合规边界内的红利。
早期Uber、早期Airbnb——监管套利的先发优势。
早期SEO、早期亚马逊关键词、早期抖音DOU+——研究算法的人吃肉。
周期股、地产周期、半导体周期、加密货币周期——踩对周期=躺赚。
深圳前海、海南自贸、自贸区——区域政策红利。
Copy to China(早年VC)、Copy from China(现在出海)——时间差套利。
特斯拉超充网络、亚马逊AWS——先发壁垒,后来者追不上。

平台分发什么,就产生什么流量;
平台补贴什么,就形成什么利润;
平台限制什么,就形成什么壁垒。

普通人关注结果,高手研究规则;
普通人等待机会,高手提前布局。

信息差不只是”知道得更多”,
而是你是否比别人更早知道:
资金将流向何处。



7. 系统杠杆

AI、自动化、数据中台、算法、SOP、SaaS、API、RPA、ERP/CRM、智能制造、内容工厂、远程协作系统、AI Agent与软件系统,正在把同一个人的产能放大100倍。

Salesforce、Shopify、Adobe——SaaS订阅,一次开发千万人付月费。
ChatGPT、Midjourney、Copilot——AI赋能,一个工程师=过去一个团队。
特斯拉超级工厂、富士康黑灯工厂、亚马逊无人仓——自动化把人力归零。
抖音推荐算法、Netflix推荐、亚马逊”猜你喜欢”——算法决定流量分配。
阿里中台、字节中台——一份数据,所有业务复用。
SAP、Oracle、Salesforce——一套ERP/CRM跑全球分支。
迪士尼工业化制作、网飞剧本算法——内容工厂流水线化。
麦当劳全球味道一致、星巴克全球操作一致——标准化即资本。
宁德时代、比亚迪、台积电——智能制造,人均产值是同行10倍。
Zoom + Notion + Slack——远程协作让一家公司全球办公。
Stripe、Twilio——API经济,把能力做成接口卖给所有公司。
AI Agent——未来5年最大变量,一个人指挥100个AI=过去100人公司。

过去最重要的杠杆,是机器与互联网;
而当下最大的杠杆,是AI与系统。

工具本身不是关键,
关键在于工具能否转化为流程,
流程能否沉淀为系统,
系统能否持续复制结果。

真正高获利的人,不是只有单点能力,
而是能把能力嵌入系统,反复调用、持续放大。



为什么这两套逻辑能这么巧地对应?

不是巧合。

而是同一套规律,在不同层面的体现。

《高效能人士的七个习惯》解决的是:
一个人如何成为能持续创造价值的人。

《高获利人士的七大杠杆》解决的是:
一个人如何把自身创造的价值最大化放大。

习惯,是个人层面的杠杆;
杠杆,是商业层面的习惯。

高效能决定一个人能否持续创造价值;
高杠杆决定这种价值能被放大多少倍。
01
大军出海
3天前
【直播运营岗 · 急招】直播运营 / 运营实习生(应届可·有人带·能转正)
1.我们做视频号直播带货,带一批海外华人在直播间卖货,万人在线,单场几十万,日播,正在扩团队。
2.招什么人:大三大四 / 应届 / 1-2年本科,专业不限(电商、营销、新媒体、传媒优先);最看重学习能力 +沟通能力,踏实、想成长。
3.你会做:跟着资深运营操盘直播间、选品排品、看数据复盘——不要求经验有人手把手带。
4.我们给:底薪 + 绩效 + 提成 + 奖金,清晰成长路径,实习表现好直接转正。坐标郑州。简历/想聊/推荐 私信 or 投递。
20
大军出海
12天前
AI Agent 时代,公司的组织架构会从“人管人、部门协作”,升级成“人定目标、Agent 执行、Workflow 跑流程、AgentOS 做经营调度”,每个核心员工都能带一组 AI Agent 打仗。
01
大军出海
14天前
在这个时代,最重要的是想法。AI里有没有一个想法广场,能搜集各种各样好玩的想法?这可比“skill商店”好玩多了
00
大军出海
15天前
面试了一个211学校计算机专业的,他至今还没找到工作,一是说因为考研中途临时放弃,二是说投了不少程序员的岗位,很多公司因为AI的发展,已经不招应届生实习生,要有丰富经验的。最后说让给个机会
41
大军出海
17天前
没事的时候,我喜欢去一座城市最高的地方。

站在高处,俯瞰整座城市。楼宇沉默,灯火铺开,道路像一条条发光的脉络,把远处和近处、白天和夜晚、奔波和归途,都慢慢连在一起。

人在地面上的时候,常常被眼前的事情困住。一个电话,一笔账,一个选择,一段关系,一场得失,都像横在面前的山。可站到高处再看,很多东西忽然就变小了。原来城市一直在运转,灯火一直会亮,路也一直在向前延伸。
00
大军出海
17天前
刚用完Claude code,结合kimiwebbridge用,那种跟世界真实深度交互的感觉,是codex比不了的(当然我还是等着早上10:00重置额度),直接给思维插上了翅膀,翱翔在无边无际的天空。
00
大军出海
20天前
沸腾前的七十五年:AI旷野上的勇敢穿越者

我的兄弟叫铁马: 在 AI 的帮助下,我读完了 AI 领域最关键的十篇论文,心潮澎湃。 75年间,后来成为亿万富翁、独角兽公司创始人、诺贝尔奖获得者或依然少为人知的学者们,在AI这个大舞台上你方唱罢我登场,每一篇论文背后都有着充满张力的判断、偏见与赌局。 1948 年,香农发表《通信的数学理论》,最先把语言放进了数学坐标系,并且提出,预测即压缩,如果信号传输的另一方和你有越多上下文,越懂你,就越能预测你压缩后的内容实际上是什么。 两年后,一位叫图灵的英国人提出了一个想法:别再争论机器到底能不能思考了,如果你通过语言交互,根本判断不出来对方是人还是机器,那从结果来说,机器不就是实现了人思考的过程吗? 这两位英国人定下整个AI时代的关键问题:机器思考不是个哲学问题,是个工程问题;这个工程问题,是可以通过压缩实现的。 如果机器确实可以“思考”,那怎么思考才能得到人类想要的正确答案呢? Rumelhart、辛顿、Williams三位学者在1986年提出了反向传播算法,辛顿因为这一系列工作拿了 2024 年诺贝尔物理学奖。在反向传播之前,大家做AI的方法是:人类专家把知识写成规则(猫有四条腿、猫有胡须) → 输入计算机 → 计算机按规则推理 → 产生智能,但是这些规则写不完,且容易产生冲突,遇到狗就不知道怎么办了。 反向传播的思路是,不告诉计算机任何规则,只给它海量的猫的图片和不是猫的图片,让它自己从错误中学习"猫"的特征,这意味着:智能不需要被编程,可以被学习出来。 辛顿的博士后Yann LeCun沿袭了神经网络这条路,但其实当时学界的主流是SVM,SVM的发明者是一位俄罗斯数学家Vladimir Vapnik,他相信"理论先行"——算法必须有严格数学证明才值得做。Yann LeCun 则相信"工程先行"——能用就是好东西,不需要严格的数学证明。 90年代,学术圈喜欢有理论保证的东西。Vapnik 的论文能发顶刊,神经网络只能发会议。当时主流期刊编辑甚至会把"神经网络"几个字从论文标题里删掉,因为太"民科"。 当时可供训练的数据少、算力弱、神经网络确实跑不出好结果,SVM在文本分类、垃圾邮件过滤、人脸识别等领域确实表现更好,但10年后,时代变了。 2006年,华裔科学家李飞飞在普林斯顿大学刚拿到教职,就申请了了一个疯狂的项目:她要构建一个有 1500 万张图片、2 万类的数据集,她打算从 Google、Yahoo、Bing 等图片搜索引擎批量下载图片,每张图标注出,这是猫还是狗,具体是苏格兰牧羊犬还是拉布拉多,这个想法的疯狂之处在于: 1500 万张图,每张哪怕只看 1 秒——也要 17000 个工时,相当于 5 个人不吃不喝标注 1 年。 2007 年之前,AI 视觉研究的标准任务是:在 9000 张图里区分 100 类物体,准确率能到 60-70% 就算很厉害,当时学者们觉得算法不够好,所以要研究更精妙的算法。 李飞飞的判断则是:算法不是瓶颈——数据才是。 这个没拿到终身教职的助理教授,赌上了一条没人看好的路,在亚马逊的众包平台上,花费3年请了全球167 个国家的 49000 名工人,花费百万美元,标注出了1400 万张图片,一个超大型的图片数据库ImageNet发布了,一开始用SVM来识别图片,错误率达到28%,学界又开始怀疑:是不是这事真的做不到? 直到2012年9月,AI界迎来了史上最重要的一周。 辛顿的两个学生 Alex Krizhevsky 和 Ilya Sutskever(对,就是后来 OpenAI 那个 Ilya),用一个深度卷积神经网络参加了 ImageNet 比赛,识别图片的错误率从 26% 直接降到 15%,比第二名(SVM)低了整整 10 个百分点。 那一周之后,所有顶级实验室连夜重组研究方向,转向深度学习;Ilya Sutskever 加入 Google,4 年后跟Sam Altman创办了 OpenAI,整个 SVM 时代结束了。 2010年,国际象棋神童、剑桥神经科学博士哈萨比斯在创办Deepmind的时候,就已经从神经科学的学习中意识到:深度学习与强化学习必须结合。 接下来 8 年是 AI 史上少见的连胜:DQN、AlphaGo、AlphaZero、AlphaFold。 后来Deepmind被谷歌收购,2017 年 6 月,同样是谷歌的另一支团队发表了 Transformer 论文。哈萨比斯没有跟进,因为他并不认为语言是智能的表现形式。 他也低估了互联网文本的丰富性。他后来反思:如果五六年前你问我,人类文明有多复杂?我的回答大概会是,接近无限。但事实证明,互联网上大约有 14 万亿个单词,恰好够覆盖人类几乎所有行为模式。 2022 年底 ChatGPT 风靡全球时,DeepMind 不再被视为世界顶级 AI 实验室。哈萨比斯承认:这是我第一个判断失误的地方。 这一幕幕上演的AI大戏中,让我觉得最有趣的是,不同经历、背景的人带着完全不同的动机来做AI这件事。 有人只是为了解决工作中非常具体的问题,却没想到开启了一个时代。LeCun 希望让AI实现“看见”的功能,只是为了识别银行支票;Transformer 8 人2024 年 在 NVIDIA GTC 大会上首次同台时,其中一位作者说:我们写这篇论文时,没想过它会改变世界。我们只是想让 Google 翻译更好用。 有人是为了推动科学的进步。哈萨比斯把AGI像口头禅一样挂在嘴上,是因为他想要破解上帝的算法,他也相信,自然界中任何可生成或存在的模式,都能被经典学习算法高效发现并建模,这也对应了他功成名就后没有选择出去创业做个万亿市值的公司,而是继续做AI for Science。 有人擅长组局弄权,但往往这样的人能快速把事推进下去。Sam Altman没什么学术背景,来自硅谷风投机构。2015 年他和马斯克在加州的一次晚餐上达成共识,要做一个非营利组织,对抗谷歌可能形成的 AI 垄断,把 AGI 的成果造福全人类。马斯克实际投了4500万美元,组织章程写明:所有研究成果开源,不追求商业利益。 10 年后,OpenAI 估值 8520 亿美元,这家曾经的非盈利机构一度成了硅谷最贵的盈利公司。在那场宫斗一般的权力博弈中,Altman被董事会突然解雇,4 天后又被重新请回,背后是员工集体请愿、微软施压、董事会重组,但最终他还是赢了。 他的前老板,YC 创始人Paul Graham对他有一句评价:Sam Altman 就是那种人,你可以把他空降到一个食人族的小岛上,5 年后回来,他会是那里的国王。 回头看这 75 年,一个明显的变化:以前一个技术路线可以主导学界十几年。SVM 派主导 1990-2010 年代初,深度学习派主导 2012 年至今。研究者可以在顶刊或会议上慢慢争论。 现在不行了。Transformer 论文 8 作者,6 个变成亿万富翁;Scaling Laws 10 作者,6 个集体创办一家估值万亿美元的公司。 一篇论文不再是"发在哪里的区别",是"亿万富翁还是普通研究员的区别",是"一家公司能从几百亿涨到万亿、还是几个月内被快速超越的区别",是"一步落后接着步步落后的区别"。 押注一个方向还是同时做很多方向?做基础模型还是做应用层?做能力还是做安全?这些选择已经不是研究者个人能慢慢思考的事。 舞台变大了,每个角色登场的时间窗口在变短。下一个登场的人会是谁,从哪个角度切入,我猜不出。但根据过去 75 年的规律,他可能在做一件今天看起来“无用”的事,真正改变世界的人,在改变世界之前,看起来都不像在改变世界。

00
大军出海
21天前
分享 2 条我写的非常牛逼的AI 指令。以后人大部分时间只要做思考和决定

1.给 Claude / ChatGPT 的默认指令

每次我和你的对话,你先判断类型:

A. 能直接执行的活
比如写代码、文档、SOP、脚本。

先别直接做,先生成一段给 Claude Code / Codex 的可执行指令

B. 需要拍板的事
比如战略、判断、谈判、复盘

C. 混合型需求
先按 B 对齐方向,再输出 A 类执行指令。



2.给 Claude Code / Codex 的默认指令

我平时主要跟你语音转文字对话,可能有错别字,请你注意,如果特别不确定呢,你问我。然后协作时,在 3 个节点做语音提醒:

首次启动
播报:欢迎来到 AI 世界

任务完成
最后播报:任务已完成,老板

需要我选择时
播报:老板,需要您选择
10
大军出海
21天前
晚点:如果每个人的执行力都被极大放大,还需要公司吗?一人公司 OPC是否才是未来?

吴明辉:我更认同 TPC,Three Persons Company。三个人分别处在 3 个不同时区,全面覆盖 24 小时——我睡觉时,另一个人继续和 AI 一起做事,等他要睡了,第三个人再接上。就像以前的三班倒。

晚点:你对这一波 AI 变化很兴奋,会不会担心太兴奋时有盲区?

吴明辉:其实我最担心的是猝死。
00
大军出海
21天前

刘小艺: 远程团队如何保证工作配合的高效率 创业半年多,最近有一些感触,准备开始日常发一些思考和心得,希望能跟大家一起分享碰撞。 越来越多的公司开始招募全球的人才,远程工作的公司越来越多,我们团队目前只有3个人,长期来讲均是全员远程的模式。虽然还未达到极其成熟的规模,但我们在上线3个月内目前有3w+用户,作为一个面向内容创作者的工具,每个月用户在我们这里运行10w次,并且在进一步高速发展中——我们的产品叫OpenCreator(opencreator.io)。今天来简单分享下目前的心得,希望可以帮助到其他早期阶段的Founder。 1️⃣招对的人 这点听起来像是正确的废话,但确实是我们实践下来最为重要的一点。我们招过很多“不对”的人,他可能足够聪明,学校标签足够好,或者也能足够努力,但bro,创业和简单的工作确实是2码事。在不对的人身上加再多的trick只会让双方都筋疲力尽。如果有朋友感兴趣如何招到对的人,我可以梳理后再分享一下 2️⃣少即是多 除了招对的人并Fire fast外,创业早期也很容易陷入要尽快招到足够齐全、足够厉害的"Dream Team",但事实往往不是这样,每增加一位成员的沟通成本是指数级的提升,你还需要经历大家在工作习惯上的磨合期与一定时间的Context对齐。我们的经验是:不到筋疲力尽不招人,毕竟已经有太多的AI工具能够赋能! 3️⃣极致的注意力分配 远程+人少一定会让很多琐碎的事情累计,我们的解决办法是:永远focus在最重要的事情+将琐事形成Routine——这意味着你的当日TODO里一定需要明确最重要的3件事情(且不能超过3件),并将琐碎的事情形成Routine和肌肉记忆(比如每天下班前或周五晚上) 4️⃣定期见面 如果有机会的话,给你的团队成员安排机会定期见面,哪怕是一起吃顿饭,或者是定期内部搞Hackathon会极大的加深你们对彼此的了解和双方的活人感,我们每年至少会有2次内部加速。 高质高量的远程工作确实不容易,不过在足够了解如何招人,足够了解你的团队成员以及足够掌握AI工具的前提下,远程工作的益处将越来越大,如果你在这方面有其他的见地和思考欢迎在评论区或者私信我与我讨论!

00