给大家分享一下硅谷最顶尖的投资人马克·安德森的教育理念。

他 10 岁的孩子现在在家上学。
在马克看来，现在最重要的不是让孩子学会某个技能，而是要培养出超能力个体。

什么是超能力个体？

举个例子，你身边肯定有那种编程很厉害的朋友。以前，这些人用 AI 工具，可能效率提升了一倍。

但马克说，真正顶尖的程序员，用了 AI 之后，能力不是翻倍，而是变成了原来的 10 倍。
换句话说，AI 不是让所有人都变得更好一点点，而是让本来就很优秀的人，变得异常强大。

这就是超能力个体的核心，不是普通的好，而是好到让人震惊的那种程度。

这种转变是怎么发生的？

第一步，你得在某个领域已经很深入。可能是写代码，可能是做设计，也可能是写文章。
关键是你得真的懂这个领域的门道。

第二步，你要学会用 AI 作为杠杆，就像物理学里说的，给我一个支点，我能撬动地球。AI 就是那个支点。

第三步，也是最关键的，你要有主动性。
马克用了一个词叫 agency，也就是能主动做事的能力。不是等着别人告诉你该干什么，而是你自己知道该往哪走。

为什么现在这么重要？这里有个很多人没注意到的大背景。

过去 50 年，虽然我们感觉科技发展很快，但实际上，经济学家有个指标叫生产力增长，用来衡量技术对经济的真实影响。

这个数字显示，过去 50 年的技术进步速度，只有 1940 到 1970 年的一半，是 1870 到 1940 年的三分之一。

同时，全球人口增长在放缓，很多国家甚至开始人口下降，中国、日本、欧洲很多国家都是这样。
这意味着如果没有 AI，我们其实应该恐慌。因为人口减少加上技术进步缓慢，经济就会萎缩。

但现在，AI 来了，而且来得正是时候。
马克说，这个时机简直是奇迹般的巧合，我们恰好在最需要 AI 的时候，拥有了这项技术。

说到这里，你可能会问，这跟普通人有什么关系？

关系大了。
几百年来，教育界有个共识，最好的教育方式是一对一辅导。亚历山大大帝的老师是亚里士多德，这种配置当然效果好。

但问题是，除了最富有的家庭，谁能负担得起？

现在不一样了，AI 可以给每个孩子提供一对一的辅导。而且这种辅导是无限的，随时随地，想问什么问什么。

有个教育学上的著名发现叫布鲁姆两西格玛效应。研究发现，一对一辅导能让学生的成绩从 50 百分位提升到 99 百分位。这是唯一一种能稳定提升两个标准差的教育方法。

现在，这种方法可以普及了。
你可以让孩子对着 AI 说，教我这个概念。如果听不懂，就说，能不能讲得简单一点？然后让 AI 出题测试，看看是不是真的理解了。

说完教育，我们来聊聊工作。

马克提到了一个特别有意思的现象，他叫它墨西哥对峙。

现在，每个程序员都觉得自己可以做产品经理和设计师的活，因为有 AI 帮忙。

同时，每个产品经理觉得自己能写代码、能设计，设计师也觉得自己能做产品、能编程。

三个角色，互相觉得对方的活自己也能干。
这不就是三方对峙吗？

但这不是坏事。

马克引用了漫画家斯科特·亚当斯的理论。亚当斯说，精通两项技能的人，价值不是两倍，而是远超两倍。精通三项的人，价值远超三倍。

换句话说，AI 时代最有价值的不是单一领域的专家，而是能横跨多个领域的复合型人才。

以前我们说 T 型人才，在一个领域很深，在其他领域有广度。

现在要变成 E 型人才了，在多个领域都有深度。

同理，一个设计师如果学会了用 AI 写代码和做产品规划，他就不只是设计师了，而是一个能独立完成整个项目的超能力个体。

说了这么多理论，来点实际的。

马克给的建议很直接，把你所有的空闲时间都用来跟 AI 对话，让 AI 训练你。

现在的 AI 就像是一个随时待命的私人教练，你不用它，不就是浪费吗？

具体操作上，可以这样。
如果你是程序员，不要只用 AI 写代码，让它教你产品思维，教你设计原则。

问它，这个功能的用户体验怎么优化？这个界面怎么设计更好？

如果你是产品经理，让 AI 教你基础的编程逻辑。不是说要你变成程序员，而是要理解技术的可能性和限制。同时也学点设计，至少能画出像样的原型。

如果你是设计师，学会用 AI 生成代码原型。也学学产品思维，理解为什么要做某个功能，而不只是把它做得好看。

关键是，不要把自己限制在一个身份里。

有人可能会问，既然 AI 都能写代码了，为什么还要学编程？

马克的回答很有意思。他说，即使 AI 能写代码，你也得懂代码在干什么。就像你开车不需要知道发动机的每个零件，但你得知道油门刹车怎么用。

更重要的是，编程不只是写代码，而是一种思维方式。是把复杂问题拆解成小步骤的能力，是逻辑思考的训练。

这种能力，在任何领域都有用。

我们正处在一个特殊的历史时刻。人口在下降，但 AI 在崛起。这不是巧合，而是一种幸运的同步。

如果没有 AI，我们会面临劳动力短缺、经济萎缩的问题。但有了 AI，这些问题不但能解决，还可能迎来一个经济大繁荣的时代。

在这个时代，人类工作者不会变得不值钱，反而会更值钱。因为能用好 AI 的人，会变得异常稀缺和宝贵。

这就是为什么培养超能力个体这么重要。

不是说每个人都要变成全才，而是说，在你擅长的领域深耕的同时，要学会借助 AI 的力量，横向拓展到其他领域。

这样，你就不只是一个程序员、一个设计师、一个产品经理，而是一个能独立创造价值的超能力个体。

这个转变不会自动发生。
它需要你主动去学习，主动去尝试，主动去突破自己的舒适区。

最近看了一期 TBPN 的访谈，嘉宾是 Peter Steinberger，就是那个让整个科技圈都炸了的 Maltbot（原名 Clawdbot）的创始人。

我说真的，这个项目的爆红速度我从来没见过，GitHub 的星标增长曲线就是一条直线往上冲！

我在朋友圈也上看到一些朋友，居然专门买 Mac Mini，就为了跑这个项目。

Peter 的背景很有意思，他之前做了13年自己的软件公司，然后卖掉了，整个人完全 burnout。

休息了三年之后，2024年4月，他突然发现 AI 已经变得很好用了，然后就像上瘾一样，每天凌晨四点还在给朋友发消息，对方居然秒回。

这次访谈让我印象最深的不是技术细节，而是 Peter 对整个 AI 时代的理解。

1️⃣ AI 助手的正确打开方式：不是浏览器，而是你的跨平台朋友

Peter 说他最开始只是想在 WhatsApp 上和电脑聊天，因为当 AI 代理在跑任务的时候，他去厨房拿东西也想随时检查进度。结果他花了一个小时就做出来了，而且还支持语音和图片。

有一次他在摩洛哥旅行，随口发了条语音消息，结果 AI 自己判断出这是个音频文件，用 ffmpeg 转换格式，发现没装 Whisper 就调用 OpenAI 的 API 转录，然后正常回复。

这个故事让我意识到，大家之前都在盯着浏览器做 AI 助手，但其实完全搞错了方向。

谁在乎浏览器啊？我们需要的是一个能跨越所有应用、所有设备的助手！

2️⃣ 一个人怎么做出企业级的产出？秘诀是让 AI 用 AI 的方式思考

很多人好奇 Peter 一个人怎么能做到这么快的开发速度。

他的回答很有意思：不要为人类设计工具，要为 AI 设计工具。

他说 MCP（Model Context Protocol）其实不太好用，真正能规模化的是 CLI（命令行工具）。AI 天生就懂 Unix，你只要给它一堆小程序，它会自己调用帮助菜单，搞清楚怎么用，然后就能用了。

他在项目里接入了 Google 地图、Sonos 音响、家庭摄像头、自动化系统，每多一个 CLI，AI 的能力就强一分。

这种思路完全颠覆了传统的软件开发逻辑。现在用 Claude Sonnet 或者 GPT Codex，他基本上可以做到提交代码直接 push 到主分支，95% 的情况下都能跑通。

3️⃣ 未来大量 App 会消失，因为 AI 助手会直接帮你搞定一切

Peter 提到一个很有意思的场景：为什么还需要健身 App？你只要给食物拍张照片，AI 已经知道你在麦当劳做了坏决定，它会自动调整你的健身计划来弥补。

他说很多 App 会简化成 API，然后 API 本身可能都不需要了，因为 AI 可以直接处理所有事情。

这个观点听起来有点极端，但我们现在订阅那么多 SaaS 服务，每个都只能解决一小部分问题。

但如果有个 AI 助手能直接和你对话，理解你的需求，然后构建出完全个性化的解决方案，而且还免费，谁还会去订阅那些标准化的产品？

4️⃣ 非技术人员也能成为开发者，这不是未来，是现在

Peter 在维也纳的一个聚会上遇到一个设计公司的人，完全不懂编程，但通过 Maltbot 已经做了25个内部 Web 服务。他就是在 Telegram 上和 AI 聊天，AI 帮他把所有东西都搭建好了。

Peter 说这种模式会让非技术人员拥有超级个性化的软件，精准解决自己的问题。

更重要的是，现在的 AI 模型已经是最差的版本了。以后只会越来越好，越来越快，越来越容易用。这意味着编程的门槛会彻底消失，任何人都能通过自然语言创造软件。

5️⃣ 开源的新哲学：代码不值钱了，值钱的是想法和品牌

有人问 Peter 怎么看开源许可的问题，他说肯定会有人拿去卖，但他不在乎。

他的原话是：代码已经不值钱了，你可以把代码删掉，几个月后重新写一遍。真正有价值的是想法、关注度和品牌。

以前代码是护城河，现在 AI 几个小时就能重写一遍。所以 Peter 选择用 MIT 许可，让项目尽可能开放和自由。

他说最好的防御就是让开源做得足够好，让别人没有商业化的空间。

6️⃣ 被迫改名的戏剧性时刻：从 Clawdbot 到 Maltbot

项目爆红之后，Anthropic 给 Peter 发了封邮件，要求改名。

虽然对方很客气，没有直接派律师，但时间线很紧。Peter 说那天能出错的事情全都出错了。

他同时打开两个 Twitter 窗口，一边改名，一边注册新账号，结果新名字已经被加密货币的脚本抢注了。

不过他也承认，长远来看改名其实是好事。Maltbot 有了自己的独立品牌，不会和 Anthropic 的 Claude 混淆。而且项目这么早期，体验又这么神奇，品牌问题很快就会解决。

7️⃣ 开源项目的未来：从个人项目到社区，但不是公司

现在 Peter 每天被各种邮件轰炸，有安全研究员、有想投资的 VC、有想收购的公司。

但他的态度很明确：他不想做公司，更倾向于建立一个基金会或者非营利组织。他说这个项目应该比他自己的生命周期更长，需要更多维护者加入。

他在访谈最后呼吁：如果你热爱开源，有经验，喜欢处理安全报告，或者喜欢拆解软件然后帮忙而不是只扔问题过来，请联系他,他希望这个项目能真正成为社区的东西。

Peter 说他只是想玩得开心，结果意外点燃了整个行业对个人 AI 助手的需求。

而且这只是开始......

最近看了一期 How I AI 播客，嘉宾是 Teresa Torres，她在节目里展示了自己怎么用 Claude Code 管理工作和生活。

说实话，看完之后我非常震惊。

Teresa 不是程序员，但她把 Claude Code 用到了极致！

从任务管理到学术研究，从写作辅助到信息整理，基本上把整个工作流都搬到了终端里。更关键的是，她的方法特别实用，完全不需要你有什么技术背景。

这期节目让我收获了很多，我边看边记笔记，把其中最核心的几个方法整理出来。

1️⃣ 用 Markdown 文件管理待办事项

Teresa 之前用 Trello 管理任务，但慢慢发现了一个问题：所有笔记都锁在第三方工具里，想导出数据特别麻烦。

而且她是那种喜欢边做事边记笔记的人，Trello 的搜索功能根本不够用。

于是她想，能不能让 Claude 帮忙搞定这件事？结果就是现在这套系统。

她每天早上打开电脑，在 Claude Code 里输入一个斜杠命令 slash today，然后 Claude 就会自动生成当天的待办清单。

这个清单不是简单的任务列表，会告诉你今天要做什么，哪些任务过期了，甚至还会从你的想法库里挑几个长期项目提醒你。

更厉害的是，因为所有任务都是 Markdown 文件，Claude 可以直接读取，你可以问它：我的销售漏斗现在什么情况？Claude 会马上给你生成一个清单。

不用打开浏览器，不用点十几个按钮，不用在日期选择器里翻来翻去。直接在 Claude 里打几个字，新任务就创建好了。

而且因为是纯文本，搜索起来特别快，就算你记不清当时用的什么词，Claude 也能帮你找到。

2️⃣ 每天自动收集学术论文，再也不怕错过重要研究

Teresa 有个特别的爱好：她想跟上学术界的最新研究。但问题是，谁有时间每天去搜索论文啊？

于是她又让 Claude 帮忙，搭了一个自动化的研究助手。

这个系统每天早上会自动搜索 arXiv 和 Google Scholar，根据她预设的关键词找新论文。然后把结果整理成一份研究摘要，直接出现在她的待办清单里。

如果她看到感兴趣的论文，就下载 PDF 保存起来。第二天，Claude 会自动生成这些论文的详细总结。

这些总结会重点分析研究方法、效应大小这些关键信息，因为 Teresa 需要自己判断这个研究靠不靠谱，值不值得深入阅读。

她分享了一个有意思的故事。有一天她在研究摘要里看到一篇关于购买意向的论文，Claude 生成的总结让她发现了研究方法的问题。第二天她在 LinkedIn 上看到有人分享这篇论文，就写了一篇详细的批判性分析。

结果那条帖子成了她表现最好的内容之一。

自动化不是让你变懒，而是让你能更快地参与到重要对话中。当别人还在慢慢读论文的时候，你已经完成分析并发表观点了。

3️⃣ 用小而精的上下文文件，让 AI 真正懂你

Teresa 有个很重要的发现：给 AI 太多上下文和给太少一样糟糕。

一开始她把所有信息都塞进 Claude 的配置文件里，结果发现 Claude 每次都要加载一大堆无关内容。比如她问狗狗吃了什么东西会不会有事，Claude 根本不需要知道她的营销渠道是什么。

所以她改变了策略，把信息拆成很多小文件，有商业档案、个人档案、写作风格指南、产品信息等等。

然后在主配置文件里建了一个索引，告诉 Claude 什么时候该用哪个文件。

这样做的好处是什么？

你可以特别懒地提问，比如直接说：Claude，帮我看看这篇博客。Claude 会自动加载你的写作风格指南、目标受众信息，然后给出针对性的反馈。

Teresa 强调，这些上下文文件也不是她自己写的。每次和 Claude 完成一个任务，她就问：我们今天学到了什么？应该记录下来吗？然后让 Claude 去更新这些文件。

这个方法其实解决了一个很多人都遇到的问题：怎么让 AI 记住你的偏好和习惯？

答案不是反复解释，而是建立一个结构化的知识库，让 AI 自己去查阅。

4️⃣ Claude 是写作伙伴，不是代笔工具

Teresa 很明确地说，她不让 Claude 替她写东西，但 Claude 是她最重要的写作伙伴。

她的工作流程是这样的：在 Obsidian 里写作，旁边开着 Claude Code。

写完一段就问 Claude：这个说法有证据支持吗？或者：这个开头的吸引力够不够？Claude 会去搜索资料，或者根据她的写作风格指南给出建议。

因为有详细的风格指南，Claude 的反馈特别精准。它知道 Teresa 想写给谁看，想达到什么效果，应该用什么语气。

AI 工具的门槛其实没那么高。你不需要会编程，不需要懂技术，只要愿意花时间和 AI 对话，慢慢建立起适合自己的工作流程。

Teresa 的方法给了我们几个启发。

第一，个性化很重要，不要勉强自己适应别人的系统。

第二，自动化应该服务于你真正在意的事情，而不是为了自动化而自动化。

第三，好的 AI 协作需要你投入时间建立上下文，但这个投资是值得的。

2026 年才刚开始，也许过不了多久，我们每个人都会有一套专属的 AI 工作流。

到那时候，工作效率的差距可能不在于你用什么工具，而在于你怎么用。

推荐大家去听 Lenny‘s Podcast 最新一期，这期嘉宾请来了 Jason Cohen，这个人的背景有点厉害，四次创业，打造过两家独角兽公司，其中一家就是 WP Engine。

他还投资了 60 多家创业公司，他在自己的博客 A Smart Bear 上写了快 20 年的产品思考。

这期播客的主题是产品增长停滞时该怎么办，Jason 提出的框架非常实用，是可以马上拿来用的诊断方法。
今天我给大家把这个框架里最重要的几个步骤整理出来。

1️⃣ 第一步：客户流失率才是增长的天花板

Jason 说，当产品增长停滞时，第一个要看的就是客户流失率，也就是 Logo Churn。
因为客户已经离开了，你什么都做不了了。

他给了一个特别直观的公式：新客户数量 ÷ 取消率 = 公司能达到的最大客户规模。

假设你每月能新增 100 个客户，取消率是 5%，那么你的公司永远不会超过 2000 个客户。
因为当你有 2000 个客户时，每月流失的客户数（2000 × 5% = 100）正好等于新增的客户数。

换句话说，客户流失给你的增长设了一个硬上限。

更可怕的是，客户流失的速度会随着公司规模自动增长。你的营销渠道不会因为客户变多就自动带来更多新客户，但流失的客户数会随着客户总数增加而增加。

这就像一个漏水的桶，而且漏洞还会自动变大。

那怎么办？
Jason 说，首先得搞清楚客户为什么离开。

客户通常不会告诉你真相，很多公司在客户取消时会问：你为什么取消？
然后客户说：太贵了。

但 Jason 说，这几乎从来不是真正的原因，因为客户已经看过你的定价页面，决定购买了，还完成了注册和使用。如果真的觉得太贵，他们早就离开了。

真正的原因可能是产品没有兑现承诺，或者缺少某个关键功能，或者和他们用的其他工具不兼容。但客户懒得解释这些，就随便说了一个太贵了。

那怎么问才能得到真实答案？
Jason 推荐了一个小技巧：不要问你为什么取消，而要问是什么让你取消。

有一家叫 Groove 的公司做过测试，改了这个问法之后，可用回复率从 10% 提升到 20%。

另外，Jason 特别强调要关注新用户引导，也就是 onboarding。因为大部分客户流失都发生在最开始的 30 天、60 天或 90 天。
如果能在这个阶段做一点改进，对整体留存率的影响会非常大。

2️⃣ 第二步：你的定价可能低得离谱

Jason 说，如果客户流失率已经控制住了，下一步要看的就是定价。

他引用了一个叫 Patrick Campbell 的人的名言：你的价格太低了，因为你只是猜的，而且从来没改过。

很多公司要么是随便定个价，要么是看竞争对手定多少就跟着定多少，然后就再也没改过。

有意思的是，Jason 说提价之后，注册量不一定会下降，反而可能会上升。

他讲了一个真实案例，有个做企业软件的创业者，产品定价是 300 美元一年。
Jason 建议他改成 300 美元一个月，也就是直接涨价 12 倍。结果每周的注册量还是一两个，完全没变。

因为定价会筛选市场。

对于大公司来说，如果看到一个产品只卖 300 美元一年，他们的第一反应不是好便宜啊，而是这玩意儿肯定不行。
太便宜了，说明不够成熟，支持不够好，功能不够强，所以他们根本不会考虑。

但当你把价格提到一个合理的范围，比如 300 美元一个月，大公司反而会觉得，嗯，这个价格看起来靠谱，可能值得试试。

Jason 还提到了定位的力量，通过改变产品定位，可以将收入提高 8 倍。

比如，你的产品原本定位是帮客户省钱，那客户愿意付的价格就是他们省下来的钱的一部分。

但如果你把定位改成帮客户赚钱，那客户愿意付的价格就是他们赚到的钱的一部分，而赚钱的价值远远大于省钱的价值。

所以定价不只是一个数字，而是一个战略决策。
它决定了你服务什么样的客户，解决什么样的问题，创造什么样的价值。

3️⃣ 第三步：现有客户才是可持续增长的关键

Jason 说，不能永远依赖新客户增长，因为营销渠道会饱和，但现有客户可以持续贡献收入。

这就是净收入留存率，也就是 NRR 的重要性。
简单说，就是现有客户今年花的钱，是不是比去年多。

如果你的 NRR 大于 100%，意味着即使不拉新客户，公司收入也在增长，这才是真正健康的增长模式。

怎么做到呢？
增加新功能，提供升级选项，扩展使用场景。让客户在你的产品上花更多钱，而不是只盯着拉新客户。

4️⃣ 第四步：所有营销渠道最终都会衰退

Jason 提出了一个叫大象曲线的理论。

他说，所有营销渠道的增长曲线都像一头大象：先是象鼻子往上翘，然后是平平的背部，最后是屁股往下垂。

换句话说，任何渠道刚开始都会快速增长，然后进入平台期，最后开始衰退。
因为受众会饱和，渠道本身也会衰退。

他举了两个真实案例。

Constant Contact 发现传统营销渠道不行了，就开始做线下研讨会，重新启动了增长。
HubSpot 则通过代理商渠道获得了巨大成功。

关键是，你要主动寻找新渠道，而不是等现有渠道完全失效了才去找。

增长停滞不是偶然的，而是有规律可循的。

很多解决方案是反直觉的，比如提价反而能增加注册量，比如客户说太贵了其实不是真正原因。

Jason 的这个框架给了我们一个清晰的诊断路径：

先看客户流失，再看定价定位，然后看现有客户贡献，最后看营销渠道，每一步都有具体的指标和方法，看完受益匪浅。

推荐大家关注一下硅谷顶级投资机构 a16z 的 AI Apps 团队最近的分享，他们专门投资 AI 应用层的公司，手里握着最前沿的信息和资源。

我花了不少时间研究他们的投资逻辑，今天我就把他们最核心的几个判断整理出来。

1️⃣第一个判断：AI 原生软件会重新定义每个行业。

以前做财务软件，QuickBooks 够用了。但当公司发展到 50 个人，业务扩展到多个国家，QuickBooks 就不行了。
这时候你要么选择老牌的 NetSuite，要么选择新的 AI 原生财务系统。

新系统的优势在哪里？它不只是帮你记账，它能理解你的业务逻辑，自动分类交易，甚至预测现金流。
这就像当年云计算刚出现的时候，那些率先做云原生软件的公司，比如 Shopify、Salesforce，都成了巨头。

现在 AI 来了，同样的故事又在重演。

2️⃣第二个判断：软件开始吃掉劳动力市场。

这个判断才是真正的大机会，而且很多人还没意识到。

以前有些工作，你必须雇人来做，因为没有软件能替代，但现在 AI 可以了。

有一家叫 Salient 的公司，他们做汽车贷款催收服务，但他们用 AI 做了一件事：用软件替代催收员。

你可能会想，这不就是省人力成本吗？
错了，重点不在省钱，而在于创造了以前不可能的价值。

人工催收员一天工作 8 小时，只会说一种语言，而且经常被客户骂得心态崩溃，离职率高达 40-70%。
但 AI 它可以 24 小时工作，说 21 种语言，永远不会情绪失控，还能精准记住每个州的法律规定。

结果催收成功率提高了 50%。注意，不是成本降低 50%，而是收回来的钱多了 50%。

同理，法律行业也在发生类似的变化。
有一家叫 Eve 的公司，专门服务原告律师。以前律师收到 100 个案子，可能只敢接 1 个，因为时间和精力有限。但

有了 Eve 的 AI 系统，它能快速分析医疗记录、就业文件，判断案子的胜算和潜在价值。
律师突然发现，原来只敢接 5 万美元以上的案子，现在 5000 美元的案子也能接了，市场扩大了 10 倍。

3️⃣第三个判断：数据围墙花园是最容易被忽视的护城河。

这个判断最容易被忽视，但可能是最有价值的。

什么叫数据围墙花园？
OpenAI 就像一个超级菜市场，他们卖各种蔬菜，也就是 AI 能力。但问题是，有些菜他们根本没有。

比如说，你想知道 1998 年某个域名是谁注册的，ChatGPT 不知道，因为这个数据它没有。

但有一家叫 Domain Tools 的公司，他们专门收集这个数据。
再比如，FlightAware 收集全球航班的实时位置数据，Pitchbook 收集创业公司的融资数据，这些都是 ChatGPT 拿不到的。

以前，这些公司只是卖数据。但现在有了 AI，他们可以直接卖成品。

比如以前你想分析某个公司的融资历史，你得自己去 Pitchbook 查数据，然后写报告。
现在Pitchbook 可以直接给你一份 AI 生成的分析报告，对比同行业所有公司，给出投资建议。

这个成品的价值，远远高于原始数据。以前可能卖 200 块一个月，现在可以卖 2000 块。

再比如医疗领域，有一家叫 Open Evidence 的公司，他们拿到了新英格兰医学杂志等顶级期刊的独家授权。
你用 ChatGPT 查医学问题，它只能给你一些通用答案。但 Open Evidence 能给你最新的、基于循证医学的专业建议。

这就是数据围墙花园的力量：你有别人没有的数据，再加上 AI，就能创造出无法被替代的价值。

4️⃣第四个判断：护城河比创新更重要。

讲到这里，你可能会问：AI 技术发展这么快，今天你做的东西，明天别人不就能抄了吗？
这是个好问题。

事实上，现在用 AI 做一个软件产品，速度快得惊人。几个工程师，几个星期，就能做出一个看起来不错的产品。
但这也意味着，如果你只是做一个简单的工具，没有任何护城河，那你很快就会被淘汰。

什么是护城河？我总结了几个关键点。

第一，你要成为系统记录。
就是说，客户的核心业务数据都在你这里,换掉你的成本非常高。比如财务系统、ERP 系统，这些都是系统记录。

第二，你要拥有独特的数据。
就像刚才说的数据围墙花园，你有别人拿不到的数据，这就是护城河。

第三，你要形成闭环工作流。

比如 Eve 这家法律科技公司，它不只是帮律师分析案子，还帮他们起草文件、管理流程、追踪结果。
律师的整个工作流都在这个平台上，你说他怎么换？

换句话说，AI 是你的差异化优势，但真正的护城河，还是要靠这些传统的商业逻辑。

AI 应用的机会，不在于你懂多少技术，而在于你能不能找到真实的需求，用 AI 去满足它，然后构建起别人无法复制的优势。

你有没有想过一个问题，为什么你越刷手机越感到空虚？

早上醒来第一件事就是摸手机，明明告诉自己只看5分钟，结果一晃就是两小时。
放下手机后，心里空落落的，还有点自责。

想去健身房，但就是迈不开腿，想学点新东西，但打开电脑就开始走神。

这种状态之前也困扰了我很久，直到我听到斯坦福大学成瘾医学专家Anna Lembke教授讲的一个故事。

她说的不是别人，是她自己。
作为一个研究成瘾的专家，她有一天发现自己对言情小说上瘾了。

一开始只是朋友推荐了暮光之城，她觉得挺好看。然后开始找各种吸血鬼题材的小说，后来是狼人、巫师、精灵。
她买了Kindle，这样就能在公共场合看那些封面尴尬的小说，别人还以为她在读战争与和平。

慢慢地，她发现自己需要越来越重口味的情节才能获得同样的兴奋感。她开始熬夜看小说，白天工作没精神。甚至在看病人的间隙，她也在偷偷看小说。

有一次全家去海边度假，她没去海滩，一直待在房间里看小说。

还有一次参加邻居的派对，她找了个房间躲起来看。

一个研究成瘾的专家，自己也会上瘾。这让我意识到，这不是意志力的问题。

Lembke教授用了一个特别好理解的比喻来解释这件事。

她说，你可以想象大脑深处有个跷跷板，一边是快乐，一边是痛苦。
这个跷跷板平时是平衡的。

当你吃到好吃的薯片，它就往快乐那边倾斜。

但这里有个关键点：你的大脑非常讨厌失衡，它会立刻想办法把跷跷板拉回来。

怎么拉呢？想象有一群小妖精跳到痛苦那一边。
问题是，这些小妖精不会在跷跷板平衡的时候就下来，它们会一直待着，直到跷跷板往痛苦那边倾斜同样的角度。

这就是为什么你吃完一片薯片，会想吃第二片。刷完一条短视频，会想刷下一条。

更麻烦的是，当你反复接触同一种刺激，跷跷板往快乐那边倾斜的幅度会越来越小，时间越来越短。但往痛苦那边倾斜的幅度却越来越大，时间越来越长。

后来，你需要越来越多的刺激，不是为了快乐，而只是为了让自己感觉正常。
这就是成瘾的本质。

人类的大脑是在物资匮乏的环境中进化出来的。

那时候，想吃顿好的得打猎，想听个故事得围着篝火。付出很多努力，才能得到一点点奖励。

但现在，外卖半小时送到，短视频无限刷新，游戏随时能玩，我们生活在一个快乐触手可及的时代。

当你的大脑习惯了刷手机带来的即时快感，那个跷跷板的平衡点已经改变了。
现在，不刷手机的时候，你的跷跷板是倾向痛苦那一边的。

这时候，哪怕是很普通的事情，比如洗碗、付账单、出门见朋友，都会感觉像爬珠穆朗玛峰一样困难。

Lembke教授说，她在临床上看到越来越多的人，连日常小事都觉得痛苦不堪。这不是他们变懒了，而是他们的快乐阈值被抬高了。

好消息是，大脑是可以重置的。
方法很简单：选择一个你觉得可能有问题的行为，比如刷短视频，然后完全停止30天。

前几天会很难受，你会焦虑、烦躁、坐立不安。
但这恰恰说明你的大脑在重置，那些小妖精正在从跷跷板上跳下来。

通常两周左右，你会开始感觉好一些。
一个月后，很多人发现自己能专注了，睡眠质量提高了，对生活的兴趣回来了。

这里有个反直觉的发现。

「当你主动接受适度的痛苦，大脑会释放更多让你感觉良好的化学物质。」

这就是为什么运动后会感觉很爽，为什么完成一项困难的工作会有成就感，为什么冷水澡之后会精神焕发。
我们的祖先需要付出努力才能获得奖励，这是大脑的设计初衷。

想想看，你上次感到真正的满足感是什么时候？

可能不是刷手机的时候，而是完成了一个项目，或者坚持锻炼了一段时间，或者学会了一项新技能。
那些需要你付出努力的事情，才能带来持久的快乐。

下次当你又想拿起手机的时候，问问自己：我是真的想看点什么，还是只是想逃避此刻的不舒服？

如果是后者，试着坐一会儿，感受那个不舒服。你会发现，它没有想象中那么可怕，而且过一会儿，它就会自己消失。
这个过程，就是你的大脑在重新找回平衡。

推荐大家去看一份报告，来自硅谷顶级风投a16z。
作者是Olivia Moore和Justine Moore，这对双胞胎姐妹在业内被称为创投双胞胎，是目前硅谷AI应用层最活跃的早期投资人。

她们刚发布了一份2025年消费级AI的年度复盘，里面有几个判断让我印象很深，今天把最重要的几个观点整理出来和大家聊聊。

1️⃣ 第一个判断：ChatGPT今年推的新功能，没有一个真正突围。

ChatGPT可是有8到9亿周活用户的超级产品，日活月活比高达36%，几乎是Gemini的两倍。
第12个月的用户留存率是50%，也是Gemini的两倍。

从数据上看，ChatGPT是绝对的霸主。

但问题在哪呢？
Olivia和Justine的原话是这样的：OpenAI今年推出的新体验，包括购物、任务、学习模式，没有一个真正实现突围。
在现有ChatGPT对话框界面的限制下，很难提供一流的产品体验。

OpenAI今年的策略是把所有新功能都塞进ChatGPT这个大框里，每日更新、群聊、录音转写、连接器、Agent，全部通过现有的对话框界面推送。

问题在于，通用对话框天然不适合做垂直体验。

举个例子你就明白了。
ChatGPT做了购物研究功能，让你可以在对话里问它买什么好，但一个聊天框能比得过小红书的图文瀑布流吗？

同理，它做了学习模式，但一个聊天框能比得过Duolingo那种游戏化的闯关体验吗？

通用界面的宿命就是什么都能干一点，但什么都干不到极致。

2️⃣ 第二个判断：真正跑出来的AI产品，都有一个共同点。
a16z在报告里点名了几个突围的产品：Replit、Suno、Character AI、Eleven Labs、Gamma、Lovable。

她们说这些产品有一个共同特征：拥有观点鲜明且专注的界面，赋予了消费者超越模型公司自身所能提供的超能力。

什么叫观点鲜明？
我理解就是产品有立场、有取舍，敢于说我就是为这件事设计的，其他的我不管。

Replit专注做AI编程，界面就是围绕代码编辑器设计的；Suno专注做AI音乐，界面就是围绕音轨和歌词设计的；Character AI专注做AI角色扮演，界面就是围绕人物卡片和对话场景设计的。

它们不是在做通用助手，而是在做某个领域的手术刀。

Google的NotebookLM是个很好的例子。

它专注做一件事：把你上传的资料变成播客，界面就围绕这个场景设计。
结果2024年9月走红之后使用量到现在还在涨，移动端月活已经800万。

反观Google自己做的其他产品，Portraits、Doppl、Whisk、Gems，反响都很一般。

但Google的策略至少比OpenAI聪明一点，它把这些产品独立出来，让它们自己沉浮，没有塞进Gemini主界面里搞得乱七八糟。

3️⃣ 第三个判断：大模型公司的注意力不在垂直场景上。
这一点对创业者来说非常重要。

a16z的判断是，大模型公司现在的精力集中在两件事上。

第一是模型本身的能力提升，第二是在现有产品里不断加功能。
这两件事都很重要，但都不是为垂直场景做深度优化。

她们的原话是：模型公司没有直觉，或者坦率地说，没有精力和资源去在他们的核心能力领域之外进行创新。

换句话说，创业公司的机会就在这里。

你不需要自己训练模型，模型能力越强，反而越利好应用层公司。
你要做的是找到一个具体场景，设计一个有主见的界面，让用户获得大模型公司自己提供不了的超能力。

4️⃣ 第四个判断：ChatGPT有机会成为十多年来第一个新消费者平台。
这是报告里最值得关注的一个预测。

OpenAI明年要推第三方应用平台，叫Apps。如果做成了，ChatGPT有机会成为移动互联网之后第一个真正的新消费者平台。
这意味着垂直应用可能还能借到ChatGPT的分发。

但a16z也提了一个担忧。
ChatGPT之前做连接器的时候就遇到了阻力，第三方开发者在对话框里能发挥的空间有限。
Apps能不能给开发者足够的自由度来构建神奇的消费者体验，还是个未知数。

5️⃣ 第五个判断：竞争格局正在发生变化。
虽然ChatGPT是霸主，但Gemini在猛追。

付费用户订阅量方面，Gemini同比涨了近300%，ChatGPT是155%。
而且付费用户的留存率两家差不多，ChatGPT第12个月68%，Gemini57%。

Google在模型方面也有高光时刻。
Nano Banana发布第一周就生成了2亿张图像，给Gemini带来了1000万新用户。

Anthropic走的是专业消费者路线。
Claude的Skills和Artifacts功能是为技术型用户设计的，在AI生成文档和幻灯片方面，速度和可靠性比ChatGPT的Agent还强。

xAI的Grok从年初的零用户涨到12月中旬的3800万月活，主要靠全动画的AI伴侣功能。

各家都在找自己的生态位。

2026年AI应用层的竞争会进入一个新阶段，不是比谁的模型更强，而是比谁的界面更懂用户。

通用助手会继续存在，但真正改变人们生活方式的，会是那些有主见的垂直应用。

这两天看了YC内部的年终复盘，他们提到了一个很关键的点：AI创业的黄金窗口，可能就在未来这两年。

他们刚结束了Winter26的筛选，对所有申请的创始人做了个调研，问大家用的是哪家模型的API。
结果Anthropic的使用占比超过了52%，第一次干翻了OpenAI。

要知道在2024年初，OpenAI的占比还在90%以上。

Diana Hu是YC的合伙人，她说这个数字让她也很意外。
短短一年多，格局就变了。

但这组数据关键不是谁赢谁输的问题，而是它背后透露出的一个信号：AI创业正在从混乱期进入稳定期。

这背后到底意味着什么，我觉得很值得拿出来聊一下。

YC的另一位合伙人Jared Friedman说，2025年最让他惊讶的事情，是AI经济稳定下来了。

在2024年底的时候，整个行业还在剧烈变化，没人知道下一步会发生什么。

但现在格局变得清晰了，有模型层公司，有应用层公司，有基础设施层公司，每一层都有自己的位置。

更重要的是，关于如何在模型之上构建AI原生公司，已经有了一套相对成熟的方案。

以前的感觉是那种你只要能熬几个月，可能就会有重大发布，完全催生出新想法，打乱所有人的计划。
但现在这个节奏已经慢下来了。

对创业者来说，这是个好消息，因为你不用再担心今天的技术选型明天就过时了。
你可以踏实地构建产品，而不是整天追着模型更新跑。

YC合伙人们经常被问到一个问题：AI是不是泡沫？
Garry Tan给了一个特别好的视角，他说你得看你是谁。

如果你是康卡斯特，如果你是英伟达，泡沫确实是个切身相关的问题。
但如果你是个年轻创业者，你应该是YouTube。

回看电信泡沫那个年代，90年代末期有数百亿美元砸进了电信基础设施。后来泡沫破了，很多公司死掉了。
但这些过度投资留下了大量闲置的带宽，成本变得很低。

正是因为这些闲置资源，YouTube才能存在。
如果没有电信行业的过度建设，YouTube要么不会出现，要么会晚很多年。

对很多年轻创业者而言，正是因为会有过剩，你们才有机会。
如果没有过剩，竞争就不会那么激烈，价格会更高，产业链中的利润率也会更高。

换句话说，大公司的泡沫，恰恰是小公司的养分。

Diana提到了一个经济学家叫Carlota Perez，她研究了很多技术革命，发现都有两个阶段。

第一个是安装阶段。
大量重资本投入基础设施，所有人都在疯狂建数据中心、买GPU。

然后大家开始问：需求在哪里？应用在哪里？看起来像泡沫。

第二个是部署阶段。
应用层爆发，真正产生社会影响。

Diana说，我们现在正处于转折点。
创业者不需要参与数据中心的建设，要做的应该是在部署阶段构建下一代应用。

这就是为什么说黄金窗口可能就在未来两年。

Harj提了一个行业里很多人焦虑的问题：价值最终会留在模型层还是应用层？

这一年下来，答案在两个方向之间来回摆动。

有时候模型公司发布了惊艳的产品，让人觉得它们也要在应用层大杀四方。
但最近的趋势又让人觉得，模型本质上在相互商品化。

Harj说，如果商品化趋势持续，应用层创业公司会迎来好年景，现在很多成熟的AI创业公司已经在做模型套利了。

Diana说她跟一些B轮级别的公司聊过，他们在构建编排层，可以随时更换底层模型。

比如有家公司用Gemini做上下文工程，然后把结果输入OpenAI执行。随着新模型发布，他们不断切换，哪个效果好用哪个。
这靠的是自己的评估体系。

因为他们是垂直领域的AI公司，拥有独特的数据集，所以能建立起别人没法复制的评估标准。

换句话说，护城河不在于你用谁的模型，而在于你对自己业务的理解有多深。

但我觉得最有意思的发现，是关于人的。
去年这个时候，大家讨论的是一个人或两个人就能做到百万美元ARR，不用招人就能进行A轮融资。

但一年过去了，这些公司怎么样了？
Harj说他观察到的情况是，它们并没有在不增加人的情况下继续扩张到千万美元。
A轮之后，它们开始像传统公司一样招人了。

AI确实帮它们快速实现了收入，但瓶颈仍然在于招聘。
不是它们不需要人了，而是找到能出色执行的人需要时间。

Harj总结了两种观点。
一种认为AI会让一切更有效率，需要的人会变少。

另一种认为AI降低了生产成本，但客户期望也提高了，你需要更多人来满足更高的期望。

今年的情况显然更偏向第二种。

一个人运营万亿美元公司的时代还没到来，2026年也不会发生，但你会听到越来越多不到一百人运营数亿美元收入的故事。

这大概就是目前AI对创业公司的真实影响：让小团队能做更大的事，但并没有让人变得不重要。

竞争已经从谁的模型强，转向了谁能把模型用成产品。
大公司在疯狂建设基础设施，模型公司在相互商品化，应用层还是一片蓝海。
黄金窗口可能就在未来两年。

不是因为之后机会会消失，而是因为现在的条件刚刚好：基础设施足够成熟，但应用层还没有被巨头占满；模型足够强大，但还没有强大到不需要产品思维。

历史上，正是过度建设的基础设施，最终催生了YouTube、Google和Facebook。
现在轮到AI了。

给想搞副业的朋友们推荐一期节目，来自Starter Story。

他们最新一期请来了一个叫Hassam的创业者，聊他如何在没有粉丝、不会写代码的情况下，90天做到月入2万美金。

我就把这期节目里最核心的几个点给大家汇总出来，很有启发。

1️⃣ 做自己最擅长的领域。
Hassam做的产品叫LaunchFast，是一个帮Amazon卖家做选品调研的工具。

这个方向不是他拍脑袋想出来的，他自己就是Amazon电商卖家，一边上班一边做副业，已经干了好几年。

他说，每次要选一个新产品，他要花20到30个小时做调研，把各种数据复制粘贴到Google表格里，非常痛苦。

市面上有一些工具，但他用下来感觉都不太对。 看起来功能很多，实际上并没有解决他真正的痛点。

于是他就想，能不能自己做一个真正好用的？
他不是在解决一个假设的问题，而是在解决自己每天都会遇到的真实痛苦。

Pat Walls在视频里也说了类似的观点。
他认为选创业方向最重要的一条原则就是：去你有领域知识的地方。
你不需要浪费两年时间学习一个全新的行业，直接用你已经积累的经验就够了。

大多数人其实已经有了创业的素材，只是没意识到。

2️⃣ 他不会写代码，但这不再是障碍。
Hassam明确说了，他是非技术背景，没有计算机学位，但他可以借助像Cursor这样的AI编程工具。

他说：我有一样东西是大多数程序员没有的，就是Amazon领域的深度知识。
这句话点出了一个很重要的变化。

以前技术是瓶颈，你不会写代码就没法做产品。
现在AI工具把这个门槛大幅降低了，真正稀缺的变成了对问题的深刻理解。

Hassam太清楚用户的痛苦了，只是以前没办法把它变成产品。
现在这个障碍被打通了。

3️⃣ 没有粉丝怎么卖产品？借别人的。
Hassam面临一个很现实的问题：产品做出来了，但他没有粉丝，没有社交媒体影响力。

按常规路径，他可能需要花两三年时间去经营内容、积累受众。
但他做了一个很聪明的决定。

他想起来自己两年前买过一个叫Legacy X的培训课程，这个课程专门教人做Amazon电商，有好几千个活跃学员。
这些学员正是他的目标用户。

他的思路是这样的：与其我自己从零开始积累用户，不如直接和已经有用户的人合作。

于是他主动联系了Legacy X的团队，说了这么一段话。

大意是：我能给你们做一个比市面上任何产品都好用的选品工具，给我48小时，如果你们满意我们就合作，你们没有任何风险。

然后他真的用48小时做出了一个能用的产品。

有人可能会问：和别人合作不是要分股权吗？
Hassam的回答很直接，他说：50%的2万美金，比100%的零强太多了。

时间是比股权更宝贵的资源，如果你自己去积累用户，可能需要两三年，而且这两三年里你可能根本赚不到什么钱。
但如果你愿意拿出一部分股权换取别人的分销渠道，你马上就能获得验证。

4️⃣ 第四个关键点：48小时他到底做了什么？
这个过程本身很有参考价值，我把他的时间分配整理出来。

前4个小时，他研究了Legacy X现有的系统和流程，看他们在用什么数据、有哪些工作流，然后结合自己的经验，确定了产品的基础框架。

5到12小时，他开始用Cursor搭建核心功能。

13到20小时，测试和修bug。 AI工具写的代码不可能一次就对，得反复调试。

21到30小时，打磨界面设计。 他在Amazon做电商学到一个道理：品牌感很重要。 哪怕是MVP阶段的产品，也要看起来像那么回事。

31到40小时，继续测试边界情况，确保产品稳定。

最后几个小时，准备演示视频，发给对方。

做一个能用的产品，真的不需要几个月。
关键是你要足够了解问题，知道该做什么、不该做什么。

5️⃣ 第五个关键点：他的六步方法论。
Hassam在视频里分享了如果让他重来一次，他会怎么做。

第一步，写下你的领域知识。
列出三到五个你真正懂的领域，不是看过几篇文章就懂了的，而是你亲自做过、解决过实际问题的。

第二步，验证市场是否存在。
去看这些领域里有没有已经赚钱的软件产品。
如果有人已经做成了，说明市场需求是真实的。
你要做的不是发明一个新市场，而是在已有市场里做得更好。

第三步，深挖用户痛点。
去Reddit、Facebook群组、Twitter、产品评论区泡着。
看他们在抱怨什么，在渴望什么，重点关注现有工具没解决好的问题。

第四步，做最小可行产品。
找出那个投入产出比最高的功能，把它做出来，能用就行。
不要想着一上来就做一个完美的产品。

第五步，找分销伙伴。
列出五个可能已经拥有你目标用户的人或组织。
可能是培训公司，可能是社群，可能是某个领域的意见领袖。
联系他们，展示你的产品，提出合作。

第六步，上线后快速迭代。
他给自己定的目标是连续30天，每天至少上线一个改进。

这六步看起来不复杂，但核心逻辑很清晰。 先确认你懂什么，再确认市场存在，然后快速做出来，最后借别人的渠道卖出去。

AI工具已经把技术门槛大幅降低了，分销渠道是可以借的，你不一定非要自己从零开始建。
产品不需要完美，能解决真实问题就够了。

真正稀缺的，是你在某个领域积累的深度知识，是你对用户痛苦的真实理解。

Hassam在视频最后说了一句话。 他说：工具已经有了，知识你也有了，唯一阻止你开始的只有你自己。

如果只能给关注AI的朋友推荐一个2026年预测内容，我一定要选这期《No Priors》播客。

这绝对是我近期看过最精彩的年度AI预言。
不是那种泛泛而谈的趋势分析，而是一群真正在牌桌上的人，把他们看到的底牌摊开给你看。

主持人是Sarah Guo和Elad Gil，两位硅谷顶级投资人。

他们都一致认为，2026年不会是风平浪静的一年。
机器人领域可能迎来情绪雪崩，资本市场正在被一种诡异的逻辑绑架，而你我这样的知识工作者，可能正站在职业生涯最大变局的前夜。

他们还有一个共识非常关键：真正的瓶颈已经不是钱，而是电。
如果你真的能吃透这期内容，你对接下来一年会发生什么，一定会有比大多数人更清醒的认知。

1️⃣ 机器人领域要变天了。

绝大多数人看到机器人新闻的反应都是一样的，就是觉得人形机器人时代要来了，特斯拉的Optimus太酷了，未来可期。

但Sarah Guo泼了一盆冷水。
在她看来，人形机器人这个领域，2026年最可能发生的事情不是大爆发，而是情绪层面的大崩塌。

现在整个行业处在一个极度亢奋的状态，投资人兴奋，媒体兴奋，大众也兴奋。
大家都在等着看机器人走进工厂、走进家庭。

可问题在于，硬件供应链是个极其复杂的系统。
从芯片到传感器，从电机到材料，每一个环节都可能卡壳。

当市场发现实际交付时间表和预期之间存在巨大落差的时候，那股子热情会像退潮一样迅速消散。

Sarah的原话是：只要有一个环节没有完美运行，而这几乎是必然的，市场情绪就会迅速崩溃。

而且，机器人领域天然是巨头的主场，而大多数初创公司将在这一年撞上现实的南墙。

这并不是说初创公司完全没机会。
SpaceX和Anduril都证明了在需要大量资本和复杂供应链的领域也能杀出血路，只是这条路会比想象中难走得多。

所以如果你正在看机器人赛道，或者你自己就在这个行业，Sarah的建议是：做好心理准备，明年的舆论风向可能会发生剧烈变化。

2️⃣ AI正在从工具变成同事。

如果说机器人领域是冰火两重天，那AI本身的进化速度则让所有人都有点措手不及。

黄仁勋给出了一个非常确定的预测：推理系统将直接催生更加通用、更加稳健的AI。

到2026年，AI将不再是一个被动等待提示的工具。
它会变得高度主动，深度嵌入我们的工作生活。

它会跟随我们行动，听到我们听到的内容，理解我们需要完成的任务，甚至在我们提出要求之前就已经替我们完成了大部分工作。

Dylan Patel的预测更加激进，他说2026年是认知翻转之年。
那些原本讨厌AI、认为AI没用的人，将会在AI爆发出的实用性面前彻底失语。
这种实用性会强到让所有人的认知失调都消失殆尽。

Sholto Douglas把这个趋势描述得更加具体：软件工程师今年的变化，明年会扩展到所有知识工作者。

3️⃣ 一种诡异的投资逻辑正在蔓延

聊完技术，话题自然转向了资本市场，这里的故事可能比技术本身更加魔幻。

Sarah分享了一个让她感到不可思议的对话。
她最近和一位管理大型科技对冲基金的朋友聊天，对方是多家重要AI实验室的投资人，这些公司可能会在未来几年上市。

Sarah问他：AI公司的IPO你们买不买？
对方的回答让她愣了一下：不管基本面怎么看，都必须买。

理由很简单，散户一定会想参与AI革命。
如果你是对冲基金，要按年度业绩被考核，而散户会疯狂追逐那些纯AI标的，你就不能错过。

对方的原话大概是：我已经错过了英伟达，这次不能再错过。

Sarah当时的反应是：这已经不是我理解中的投资方式了。
这种由恐惧和贪婪驱动的逻辑，正在将AI资本推向一个危险的境地。

Sarah用了一个词来形容这种状态：过度集中。
所有风险都高度集中在英伟达和极少数几家芯片巨头身上。

但Elad相对乐观。他认为明年肯定会出现更多IPO。
如果有一家核心AI公司率先上市，只要定价不是极端激进，表现大概率会非常好。

这种乐观和担忧并存的状态，可能正是2026年资本市场最真实的写照。

4️⃣ 钱不是问题，电才是
如果说资本市场的风险是可以预判的，那能源瓶颈可能是很多人没有想到的变量。

Ben和Asher Spector兄弟俩给出了一个预测：2026年将是高能效AI的一年。

数据中心扩张的核心瓶颈已经不再是资本，而是能源。
电力可用性、电网接入、高压设备，这些基础设施层面的限制正在成为真正的卡脖子问题。

他们举了一个例子：xAI的Colossus项目最初需要依靠现场燃气轮机供电。
这不是因为他们买不起电，而是因为电网根本没法在短时间内提供那么多电力接入。

问题在于对算力的需求仍在持续增长。
无论是大型实验室还是初创公司，对训练和推理算力的渴求都极其旺盛，而这种需求已经超过了我们将容量接入电网的能力。

这意味着2026年每一瓦能量、每一美元的效率都必须被榨干。

我把上面说的串起来，你会发现这群人对2026年的判断充满了矛盾和张力。

这就是为什么这期内容让我觉得如此重要。
它不是在告诉你未来一定会怎样，而是在帮你看清楚牌桌上的底牌。
谁在兴奋，谁在恐惧，谁在豪赌，谁在观望。

有一点是确定的：2026年不会是平静的一年。